2024, Vol. 45
2. 西北大学城市与环境学院, 西安 710127
, ZHANG Qiang1,2
, ZHAO Wen-ting2 , YUAN Xiao-hong2 , FAN Ting-ting2 , ZHENG Lie-long2 , LIU Yue-ting2
2. College of Urban and Environmental Science, Northwest University, Xi'an 710127, China
全球主要的碳排放国家中, 英国、德国和日本等发达国家的CO2排放量均已过了拐点, 而后稳步实现了二氧化碳排放达峰[1~4]. 习近平主席表示中国致力于推动全球环境治理事务, 将采取一系列行动来应对气候变化、生态保护和可持续发展等全球性挑战. 2020年中国提出了减少碳排放、应对全球变暖问题的双碳目标[5~8], 这包括到2030年实现碳达峰、到2060年实现碳中和. 为达成这一目标, 中国承诺到2030年将碳排放强度降低65%以上, 将非化石能源占其能源结构的比例增加到约25%[9~12].
近年来, 国内外学者用于预测碳排放峰值的方法主要包括EKC曲线、IPAT模型、LEAP模型、STIRPAT模型、Kaya模型、LMDI分解法、灰色预测法和神经网络模型等[13~20]. 段福梅[21]和洪竞科等[22]采取不同的模型算法, 得出2019年可最早实现碳达峰；潘栋等[23]的研究采用STIRPAT模型进行预测[24], 预计在2028~2033年间东部地区实现碳达峰；董棒棒等[25]对西北五省进行研究后发现, 在采用不同发展模式的情况下, 只有两种模式可以在2030年之前实现碳达峰. Zhao等[26]使用LEAP模型, 预测广东省在2016年至2030年间道路和海洋交通部门的能源需求和碳排放. Fang等[27]将灰色预测模型和NAR神经网络相结合, 预测了中国碳峰值出现的时间, 并确定了最佳的达峰路径. Zhang等[28]采用Kaya模型结合多情景预测方法, 估算了3种情景下西安市碳峰值出现的大致时间；黄超等[29]利用调整后的Kaya模型, 讨论了中国2030年实现碳达峰的路径, 研究发现在结构调整和技术进步较好的情况下, 中国可在2030年前实现碳达峰. 其中Kaya模型是基于与多个主要影响因素的因果关系进行能源消费和碳排放的预测模型, 可以依据增加的影响因素进行扩展. 就全社会而言, 碳排放来源众多, 除能源消费以外, 工业过程、碳汇和碳捕获存储等也都是重要因素. 鉴于此, 本文对Kaya模型进行扩展, 建立碳排放与经济、人口规模、产业结构、能源强度、能源结构和碳排放系数这6个因素的量化关系模型, 通过情景分析, 设定不同的外生参数变量, 结合模型计算, 预测西安高新区未来碳排放水平[30, 31].
工业园区作为工业发展的重要载体和区域经济增长的引擎, 对减少污染、碳排放方面, 以及优化产业部门的能源结构和推广可再生能源的应用有着深刻影响[32]. 2018年3月, 西安高新区被生态环境部、科技部和商务部联合批准为国家生态工业示范园区, 并在《西安高新区2022年生态环境质量提升工作细化实施方案》中提倡创新发展理念, 推行绿色低碳发展[33~37]. 但目前在国家、区域和城市层面广泛探讨的碳排放研究, 在工业园区层面鲜有涉及, 可知西安高新区作为西安工业发展的重要载体, 面临着如何协调经济发展和“降碳”的困境[38~40].
故本文以西安高新区为例, 通过系统核算园区内碳排放并进行现状分析, 利用Kaya模型预测多种情景下的碳达峰时间[41, 42], 科学甄选碳减排路径[43~45], 提出积极推动碳达峰行动, 优化能源和产业结构, 完善绿色综合交通体系, 推进建筑节能等方式控制二氧化碳减排, 促进我国工业园区低碳发展.
1 材料与方法 1.1 西安高新区碳排放测算方法本文使用《省级温室气体清单编制指南（试行）》核算方法计算.
1.1.1 化石燃料燃烧的直接排放化石燃料燃烧活动碳排放量如公式（1）和公式（2）所示：
|
(1) |
|
(2) |
式中, E燃烧为化石燃料燃烧产生的CO2排放量, 单位为t；i为不同能源类型；ADi为第i种化石燃料的活动水平, 单位为t或万m3；EFi为第i种化石燃料的二氧化碳排放因子, 单位为t·t-1（以CO2/燃料计）或t·万m-3（以CO2/燃气计）；NCVi为第i种化石燃料的平均低位发热量；CCi为第i种化石燃料的单位热值含碳量, 单位为t·GJ-1（以CO2计）；OFi为第i种化石燃料的碳氧化率, 单位为%；（44/12）为碳分子转化成为CO2的转化系数.
1.1.2 外购电力和热力间接排放高新区无热电厂, 企业外购的电力均来自园区外, 企业外购电力和外购热力产生的温室气体排放如公式（3）所示：
|
(3) |
式中, E电和热为净购入电、热力隐含的CO2排放量, 单位为t；AD电力为净购入电量, 单位为MW·h；EF电力为区域电力排放因子, 单位为t·（MW·h）-1（以CO2计）；AD热力为净购入热量, 单位为GJ；EF热力为热力的排放因子, 单位为t·GJ-1（以CO2计）.
1.2 Kaya模型Kaya模型是一种常用于分析能源与气候变化之间关系的模型. 其名称代表了模型中的4个核心变量：人口（K）、人均GDP（A）、能源消耗强度（Y）和二氧化碳排放强度（A）.
关于Kaya模型的理论扩展, 可以采用加法拓展或乘法拓展的方法. 加法拓展通过引入新的因素或变量, 将原有的Kaya模型进行扩展. 乘法拓展则是将原有的核心变量进行细分, 拆解成更详细的多个子项, 并将其相乘来得到更精确的结果.
本文将Kaya模型乘法扩展为碳排放与人口规模、经济水平、产业结构、能源强度、能源结构和碳排放系数6个因素的量化关系模型, 可以更具体地了解各个子项对能源消耗和碳排放的影响. 并利用SPSS软件对各影响因素进行多重共线性分析, 所有变量的VIF值均小于10, 表明不存在多重共线性问题, 故各影响因素对碳排放的影响均符合实际意义. 这有助于制定针对性的政策和措施, 以应对可持续的能源发展和气候变化. 具体表达式为：
|
(4) |
式中, i为六大产业；j表示12种能源消费种类. 各变量代表含义具体如表 1所示.
|
表 1 变量具体含义说明 Table 1 Explanation of the specific meaning of variables |
1.3 数据来源
本文研究2018~2021年西安高新区碳排放现状, 主要为工业、建筑、交通、仓储、邮政、批发零售和住宿餐饮, 其他行业能源数据来自西安高新区统计局统计数据及西安高新区与陕西省产值比例折算. 能源碳排放因子依据公式（2）进行核算；电力采用2021年西北地区电网平均CO2排放因子0.570 3 t·（MW·h）-1, 热力采用发改委推荐值0.11 t·GJ-1（以CO2计）作为碳排放因子. 详细数据见表 2和表 3.
|
|
表 2 各能源对应指标值1） Table 2 Corresponding indicator values for each energy source |
|
|
表 3 各能源碳排放因子 Table 3 Various energy carbon emission factors |
2 结果与分析 2.1 碳排放现状分析 2.1.1 西安高新区不同能源品种碳排放量
西安高新区规模以上（规上）不同能源品种碳排放量见图 1. 从中可知, 碳排放量由2018年的520.33万t上升至2021年的813.63万t. 2018~2021电力消耗碳排放占比最多且份额呈逐年上升趋势, 于2021年排放358万t占比高达72%. 二次能源柴油碳排放在2020~2021年大幅下降, 由80万t降至28万t, 由2018年占比20%降至2021年占比5%. 一次能源天然气碳排放量却有显著地逐年增加趋势, 由2018年52万t增至2021年98万t.
|
图 1 西安高新区不同能源品种碳排放量 Fig. 1 Carbon emissions of different energy varieties in the Xi'an Hi-tech Zone |
2018~2021年, 西安高新区规上企业不同行业能源消费碳排放量见图 2. 从中可知, 2018~2021年工业碳排量始终占主导地位, 占比在55%及以上, 且有逐年上升趋势, 尤其在2021年排放量高达465万t, 占比57%；建筑业、交通运输业、批发零售和住宿餐饮业碳排量波动较小；服务业碳排放量有逐渐上升趋势, 由2018年的93.86万t上升至2021年的181.44万t, 可见第三产业发展日益蓬勃；其中农林牧渔业碳排放量贡献量最少, 2018~2021年均为3.5万t左右, 占比在0.6%以下.
|
图 2 西安高新区不同行业碳排放量 Fig. 2 Carbon emissions from different industries in the Xi'an Hi-tech Zone |
在情景设定上, 本文综合考虑节能减排的政策力度, 将人口规模、经济水平、碳排放因子、能源结构、能源强度和产业结构这6个因素设置为基准情景及相应6个单独变量情景. 充分参考相关机构的已有研究成果, 同时结合对国家、省、市、区相关规划的研读、对行业专家以及相关政府部门的调研访谈信息的获取, 在判断未来经济社会发展趋势的基础上对不同情景的相关外生参数予以确定. 本研究的时间区间为2021~2035年, 以2021年为基础年.
2.2.2 情景参数设置 2.2.2.1 基准情景（A1）该情景的内涵是按照自然发展和西安高新区当前政策引导下的减排情景, 西安高新区根据已有的“十四五”规划和2035年远景目标纲要, 采取了适当的节能减排措施. 在该情景下, 西安高新区产业结构逐步得到优化, 呈现“高端化、特色化、集群化”特征；高耗能产业基本处于平缓发展状态, 电子信息、高端装备、汽车、生物医药等产业特色优势凸显；能源消费结构中非化石能源比例与国家平均水平同步增长. 但仍存在一些不足和短板：节能减排技术进展较慢, 产业协同程度不高, 能源结构未能完全升级. 具体参数与其他6个单独情景参数设置形成对比, 见表 4~10.
|
|
表 4 经济水平年均增速设定/% Table 4 Economic level average annual growth rate setting/% |
|
|
表 5 人口规模年均增速设定/% Table 5 Setting of average annual growth rate of population size/% |
|
|
表 6 产业结构年均增速设定（2035年值）/% Table 6 Setting the average annual growth rate of industrial structure/% |
|
|
表 7 能源强度年均增速设定/% Table 7 Setting of average annual growth rate of energy intensity/% |
|
|
表 8 能源结构年均增速设定（2035年值）/% Table 8 Setting the annual average growth rate of energy structure/% |
|
|
表 9 碳排因子年均增速设定/% Table 9 Setting of average annual growth rate of carbon emission factors/% |
|
|
表 10 西安高新区2023~2035年不同情景下碳排放量预测值1） Table 10 Predicted carbon emissions under different scenarios in the Xi'an Hi-tech Zone from 2023 to 2035 |
2.2.2.2 经济水平情景（A2）
从历史数据看, 西安高新区2018~2021年人均GDP呈现逐年上涨趋势, 从2018年的21.80万元·人-1到2021年的32.86万元·人-1, 其年均增速为14.66%. 设置基准情景下我国3个阶段2022~2025年、2026~2030年和2031~2035年的人均GDP年均增长率为12%、8%和6%. 《中华人民共和国国民经济和社会发展第十四个五年规划和2035年远景目标纲要》提出“十四五”时期GDP年均增长视情提出, 不简单地以GDP增速而论, 将工作集中于提高发展的质量和效益. 王文等[46]预测我国2021~2025年、2026~2030年和2031~2035年这3个阶段的人均GDP年均增长率保持在7%、6%和5%. 2021~2035年期间由于经济增速的放缓, 我国均衡发展的要求, 西安高新区经济增速应该逐渐会向全国平均增速靠拢, 因此设定经济水平情景3个时间段的经济增速分别为10%、6%和4%, 见表 4.
2.2.2.3 人口规模情景（A3）西安高新区2018~2021年的年均增长率为4.11%, 目前, 西安高新区的人口密度相比其他开发区如经开区、曲江新区等仍然较低, 未来将是吸纳新增流入人口的主力. 虽然国家二孩政策、三孩政策开始实施, 但随着年轻一代生活压力变大、生活节奏变快、思想观念转变、生育意愿降低, 我国人口呈现负增长趋势, 基于此, 设置基准情景下人口增速数据为2022~2025年3%, 2026~2030年2%, 2031~2035年-0.2%；人口规模情景下人口增速数据为2022~2025年2%, 2026~2030年1%, 2031~2035年-0.5%, 见表 5.
2.2.2.4 产业结构情景（A4）自2018~2021年, 西安高新区农林牧渔业、工业和建筑业占比分别下降10.67%、14.14%和11.04%；服务业中的其他行业占比上升达到13.91%, 剩余两个行业占比有轻微下滑. 结合西安高新区产业结构变化趋势以及近年来出台的相关政策, 在预测2022~2035年之间农林牧渔业、工业和建筑业占比将持续下降, 服务业占比逐渐上升. 西安高新区农林牧渔业2021年占比仅为0.85%, 假设基准情景下到2035年农林牧渔业占比为0.60%, 在产业结构情景下达到0.40%. 而批发零售住宿餐饮业、交通运输仓储邮政业一直以来保持相对稳定, 2018~2021年占比分别下降2.58%和6.02%, 故本文假设交通运输仓储邮政业在两种情景下到2035年其占比分别为3.00%和5.00%；同理批发零售餐饮住宿业假设到2035年分别为7.00%和9.00%. 2021年工业和建筑业占比分别为31.72%和6.00%, 本文假设在两种情景下工业到2035年占比为25.00%和19.00%, 建筑业为5.00%和3.00%.
其他行业通过总值为1可得出各情景下参数设置. 综上, 各情景参数设置汇总见表 6.
2.2.2.5 能源强度情景（A5）我国2021年GDP能耗比2012年下降26.40%, 年均降低3.30%. 2018~2021年交通运输仓储邮政业的能源强度下降速度最快, 年均增速为-25.36%；其次为农林牧渔业和其他行业, 年均增速为-6.92%和-3.56%. 工业和批发零售住宿餐饮业能源强度呈现上升趋势, 年均增速分别为6.80%和3.77%. 建筑业能源强度变动幅度较小, 其年均增速为-0.55%.
西安高新区“十四五”规划要求工业增加值综合能耗降（以标煤计）至0.4 t·万元-1以下；《西安高新区绿色发展五年行动方案（2021~2025年）》中指出在低碳节能方面, 2021~2025年间单位工业增加值综合能耗降低12%. 由此可知, 西安高新区对科技发展尤为重视, 未来能源强度会继续呈现下降趋势, 但下降难度将会逐渐增大. 因此, 各产业能源强度基准情景下的参数设定基于历史发展趋势和政策文件, 能源强度情景下参数设定在基准情景的基础上进行调整, 具体数据见表 7.
2.2.2.6 能源结构情景（A6）根据前文能源结构分析, 2018~2021年西安高新区天然气、外购电力和热力占比呈上升趋势, 而其他能源占比均呈下降趋势, 其中烟煤、其他洗煤、燃料油和一般煤油在2020年实现了零消费. 西安高新区农林牧渔业能源结构主要为汽油、柴油和外购电力, 且占比相对稳定. 工业、批发零售住宿餐饮业和其他行业能源结构主要为天然气和电力, 其中工业的天然气占比逐年增加, 电力逐年降低；其他行业变动趋势与工业相反；批发零售住宿餐饮业2020年之后呈现天然气占比升高、电力降低的趋势. 建筑业能源结构占比最大的为柴油, 其占比年均增速为-2.35%, 而天然气的年均增速为93.27%；交通运输仓储邮政业的柴油消费占比由2018年的66.59%下降到2021年的56.41%, 电力由2018年的10.15%上升到25.97%, 未来将成为交通运输仓储邮政业最大的能源构成. 西安高新区“十四五”规划纲要指出未来将不断优化能源结构、调整电网结构, 推动能源转型升级. 烟煤、其它洗煤、焦炭、燃料油、一般煤油和液化石油气这6种化石燃料的使用量增速在未来将为零. 两种情景下的能源结构参数设置见表 8.
2.2.2.7 碳排放因子情景（A7）碳排放因子反映非化石能源发电占比增加、CCUS技术和核能作为低碳电力的补充等对单位能源物理消耗量产生碳排放的影响, 由于我国的新能源发电比例不断提升, 以及负碳技术的推广, 导致电力排放因子下降. 随着技术的不断发展, 碳排放因子会不断下降, 但由于后期减排难度的提升, 碳排放因子降低速度将减缓. 《2022年世界能源统计报告》显示, 2021年中国燃煤发电占比为62.56%；2020年的《中国碳中和综合报告》称, 到2035年, CCUS技术将涵盖30%~65%的化石燃料设施. 利用全国CCUS覆盖率和煤电占比推算电力碳排放因子降幅, 参数设置见表 9.
2.2.3 情景预测结果分析根据设定的7种情景, 结合Kaya模型, 对西安高新区2023~2035年不同情景下碳排放量进行预测, 各情景碳排放预测结果见表 10和图 3.
|
图 3 西安高新区2023~2035年不同情景下碳排放量预测值 Fig. 3 Predicted carbon emissions under different scenarios in the Xi'an Hi-tech Zone from 2023 to 2035 |
由表 10和图 3可见, 不同情景下西安高新区碳排放峰值不同, 且各情景方案碳达峰的时间也有所区别. 有3种情景：碳排放因子情景、能源强度情景、经济水平情景的碳排放峰值时间介于2028~2032年, 达到国家碳排放峰值目标. 其中碳排放因子情景的峰值最高, 为1 235.97万t；能源强度情景的峰值为1 196.82万t；相比之下经济水平情景的碳排放峰值最低, 为1 127.61万t, 可知, 经济发展水平对西安高新区未来碳达峰的峰值和时间影响最大. 这是因为, 经过29年的发展, 我国中西部地区经济规模最大的高新区——西安高新区, 已转变为陕西省、西安市最大的经济增长区, 是实现“双碳”目标的主战场, 并且经济处于数量到质量转型的关键期, 未来要实现经济可持续发展的理想状态还应努力.
而基准情景、产业结构情景、能源结构情景、人口规模情景在2035年前没有出现峰值, 但2030年之后碳排放增速逐渐放缓, 这说明这4种情景下西安高新区碳排放量不会出现快速增长的趋势, 预计即将达到峰值. 其中产业结构情景的碳排放峰值为1 399.79万t, 是相较于基准情景变化幅度最小的情景. 这警示西安未来应坚持以“高新产业园区”向“科技创新城区”转变, 围绕新兴产业和现代服务业, 打造创新驱动、集群发展的生产力布局；坚持“发展高科技、实现产业化”, 提升生产性服务业对制造业支撑作用. 能源结构情景和人口规模情景的碳排放分别为1 382.27万t和1 305.29万t, 相较于基准情景仅下降3.84%和9.2%, 所以未来要推动用能结构低碳化. 对于人口规模情景, 一般来说, 碳排放在人口总量达到峰值后达到峰值, 不再增加.
根据预测结果可得, 不同情景的碳排放量变化存在共性, 即前期碳排放量增速较快, 后期增速变缓达到峰值进入平台期, 然后呈现下降趋势. 同时经济水平对西安高新区未来碳达峰的峰值和时间影响最大, 即经济水平是减排潜力最大的影响因素, 未来应着眼于经济的稳定高质量发展, 把握好目前能源、产业和经济低碳转型的有利时机, 使各部门的减排力度进一步加强, 若同时从7种影响因素入手, 预计西安高新区的碳排放将在2030年前达到峰值.
3 讨论本文分析了西安高新区的碳排放现状、预测了未来碳排放变化趋势及达峰情况, 为进一步推动中国工业园区低碳发展, 充分发挥园区在国家碳达峰碳中和战略目标中的关键作用, 基于西安高新区的案例研究, 提出针对性低碳减排路径建议如下.
（1）电力部门的脱碳 由上文碳排放现状可知, 电力消耗碳排放占比最多且份额呈逐年上升趋势, 所以电力部门的脱碳对总体目标至关重要. 具体措施有：①利用捕集和封存二氧化碳（CCS）技术, 减少化石燃料发电厂的二氧化碳排放. ②企业可以通过改进发电设备、热电联供和余热回收等技术手段, 提高电力供应的能源利用效率, 减少能源浪费. ③政府机构可以通过智能电网技术和电力负荷管理系统, 优化电网的功率平衡, 减少电力过剩和短缺情况的发生, 提高电力系统的效率.
（2）促进经济健康高质量发展 由上文多情景预测可知, 经济水平对西安高新区未来碳达峰的峰值和时间影响最大. 经济增长与碳排放脱钩是实现碳达峰的必要条件. 政府可以采取经济手段和政策激励：制定和实施碳定价政策、碳排放交易体系, 建立碳市场, 通过经济手段激励企业减少碳排放. 同时, 提供财政和税收支持, 推动低碳经济发展. 社会组织和公众全面参与、监督, 提倡绿色消费、扩大消费支出和提高消费质量.
（3）能源及产业结构绿色升级 西安高新区是科技创新和产业聚集区, 有众多的高科技企业和研发机构, 工业发展占主导地位, 在能源及产业结构减碳方面应做到：①减少化石能源和其他不可再生能源的使用, 增加清洁能源和可再生能源的使用, 积极开发新能源技术. ②充分发挥自身优势, 推动第二产业与人工智能、现代大数据技术相结合；推动新兴产业数字化发展, 率先推动低能耗第三产业发展. ③加快对高能耗、低产出的传统企业进行改造, 大幅降低传统企业比例. 积极引进更多发达的先进技术和设备, 加快发展先进制造业和高技术产业.
（4）着力构建绿色交通体系 交通运输车辆在碳排放中所占的比例相对较高, 具体可以从以下3点改善：①用低碳电力取代汽油和柴油的使用, 全面推进新能源汽车、充电桩、换电站和加氢站建设. ②鼓励绿色出行, 提高无障碍城市公共交通车辆的比例, 提高乘客的舒适度、便利性和交通设备的快速性. ③提高货运的能源效率, 提高交通运输车辆的能耗限制标准, 建立车辆碳排放标准体系. 通过经济补偿, 严格监管超标排放, 车辆检查和维修制度, 加快淘汰高耗能和低效车辆.
4 结论（1）对西安高新区碳排放测算, 通过不同能源品种以及不同行业两方面进行碳排放现状分析, 得到结果：①电力消耗碳排放占比最多且份额呈逐年上升趋势、二次能源排放有下降趋势；②工业碳排量始终占主导地位、第三产业发展日益蓬勃.
（2）利用乘法拓展的Kaya模型, 预测了7种不同情景下西安高新区的碳达峰时间及峰值, 得到在碳排放因子情景、能源强度情景和经济水平情景这3种情景下可于2030年达到碳达峰, 且经济水平是减排潜力最大的影响因素.
（3）根据对碳排放峰值预测的分析, 结合西安高新区自身发展情况提出相应的减排路径, 主要为：①促进经济健康高质量发展并尽早与碳排放脱钩；②构建清洁低碳的绿色能源体系；③持续推动产业结构绿色升级；④着力构建绿色交通体系.
| [1] | Wu Z, Huang X J, Chen R S, et al. The United States and China on the paths and policies to carbon neutrality[J]. Journal of Environmental Management, 2022, 320. DOI:10.1016/j.jenvman.2022.115785 |
| [2] | Liu X J, Jin X B, Luo X L, et al. Multi-scale variations and impact factors of carbon emission intensity in China[J]. Science of the Total Environment, 2023, 857. DOI:10.1016/j.scitotenv.2022.159403 |
| [3] | Yu Y, Dai Y Q, Xu L Y, et al. A multi-level characteristic analysis of urban agglomeration energy-related carbon emission: a case study of the Pearl River Delta[J]. Energy, 2023, 263. DOI:10.1016/j.energy.2022.125651 |
| [4] | Shan Y L, Guan D B, Hubacek K, et al. City-level climate change mitigation in China[J]. Science Advances, 2018, 4(6). DOI:10.1126/sciadv.aaq0390 |
| [5] |
岳立, 曹雨暄, 王宇. 能源政策的区域碳减排效应[J]. 资源科学, 2022, 44(6): 1105-1118. Yue L, Cao Y X, Wang Y. Effect of energy policies on regional carbon emission reduction[J]. Resources Science, 2022, 44(6): 1105-1118. |
| [6] |
薛英岚, 张静, 刘宇, 等. "双碳"目标下钢铁行业控煤降碳路线图[J]. 环境科学, 2022, 43(10): 4392-4400. Xue Y L, Zhang J, Liu Y, et al. Roadmap of coal control and carbon reduction in the steel industry under the carbon peak and neutralization target[J]. Environmental Science, 2022, 43(10): 4392-4400. |
| [7] |
王兴民, 吴静, 白冰, 等. 中国CO2排放的空间分异与驱动因素——基于198个地级及以上城市数据的分析[J]. 经济地理, 2020, 40(11): 29-38. Wang X M, Wu J, Bai B, et al. Spatial differentiation and driving factors of CO2 emissions: analysis based on 198 cities at prefecture level and above in China[J]. Economic Geography, 2020, 40(11): 29-38. |
| [8] |
张悦, 王晶晶, 程钰. 中国工业碳排放绩效时空特征及技术创新影响机制[J]. 资源科学, 2022, 44(7): 1435-1448. Zhang Y, Wang J J, Cheng Y. Spatiotemporal characteristics of China's industrial carbon emission performance and influence mechanism of technological innovation[J]. Resources Science, 2022, 44(7): 1435-1448. |
| [9] |
刘燕华, 李宇航, 王文涛. 中国实现"双碳"目标的挑战、机遇与行动[J]. 中国人口·资源与环境, 2021, 31(9): 1-5. Liu Y H, Li Y H, Wang W T. Challenges, opportunities and actions for China to achieve the targets of carbon peak and carbon neutrality[J]. China Population, Resources and Environment, 2021, 31(9): 1-5. |
| [10] | Chai Z Y, Yan Y B, Simayi Z, et al. Carbon emissions index decomposition and carbon emissions prediction in Xinjiang from the perspective of population-related factors, based on the combination of STIRPAT model and neural network[J]. Environmental Science and Pollution Research, 2022, 29(21): 31781-31796. DOI:10.1007/s11356-021-17976-4 |
| [11] |
禹湘, 娄峰, 谭畅. 基于CIE-CEAM模型的中国工业"双碳"路径模拟[J]. 中国人口·资源与环境, 2022, 32(7): 49-56. Yu X, Lou F, Tan C. A simulation study of the pathway of achieving the 'dual carbon' goals in China's industrial sectors based on the CIE-CEAM Model[J]. China Population, Resources and Environment, 2022, 32(7): 49-56. |
| [12] |
王峥, 程占红. "双碳"目标下中国服务业碳强度时空交互特征及跃迁机制[J]. 地理学报, 2023, 78(1): 54-70. Wang Z, Cheng Z H. Spatiotemporal interaction characteristics and transition mechanism of carbon intensity in China's service industry under the targets of carbon peak and carbon neutrality[J]. Acta Geographica Sinica, 2023, 78(1): 54-70. |
| [13] | Zhou N, Fridley D, Khanna N Z, et al. China's energy and emissions outlook to 2050: perspectives from bottom-up energy end-use model[J]. Energy Policy, 2013, 53: 51-62. DOI:10.1016/j.enpol.2012.09.065 |
| [14] | Wang Z, Zhu Y S, Zhu Y B, et al. Energy structure change and carbon emission trends in China[J]. Energy, 2016, 115: 369-377. DOI:10.1016/j.energy.2016.08.066 |
| [15] |
马丁, 陈文颖. 基于中国TIMES模型的碳排放达峰路径[J]. 清华大学学报(自然科学版), 2017, 57(10): 1070-1075. Ma D, Chen W Y. China's carbon emissions peak path——based on China TIMES model[J]. Journal of Tsinghua University (Science & Technology), 2017, 57(10): 1070-1075. |
| [16] |
朱宇恩, 李丽芬, 贺思思, 等. 基于IPAT模型和情景分析法的山西省碳排放峰值年预测[J]. 资源科学, 2016, 38(12): 2316-2325. Zhu Y E, Li L F, He S S, et al. Peak year prediction of Shanxi province's carbon emissions based on IPAT modeling and scenario analysis[J]. Resources Science, 2016, 38(12): 2316-2325. |
| [17] |
刘贤赵, 高长春, 宋炎, 等. 湖南市域化石能源消费碳排放时空格局及驱动因素[J]. 生态学报, 2017, 37(7): 2476-2487. Liu X Z, Gao C C, Song Y, et al. Temporal-spatial carbon emission patterns caused by fossil energy consumption at the city level in Hunan province, China and the factors driving their composition[J]. Acta Ecologica Sinica, 2017, 37(7): 2476-2487. |
| [18] |
刘源, 李向阳, 林剑艺, 等. 基于LMDI分解的厦门市碳排放强度影响因素分析[J]. 生态学报, 2014, 34(9): 2378-2387. Liu Y, Li X Y, Lin J Y, et al. Factor decomposition of carbon intensity in Xiamen city based on LMDI method[J]. Acta Ecologica Sinica, 2014, 34(9): 2378-2387. |
| [19] | Li H N, Wei Y M. Is it possible for China to reduce its total CO2 emissions?[J]. Energy, 2015, 83: 438-446. DOI:10.1016/j.energy.2015.02.041 |
| [20] | Su B, Ang B W. Structural decomposition analysis applied to energy and emissions: some methodological developments[J]. Energy Economics, 2012, 34(1): 177-188. DOI:10.1016/j.eneco.2011.10.009 |
| [21] | 段福梅. 中国二氧化碳排放峰值的情景预测及达峰特征——基于粒子群优化算法的BP神经网络分析[J]. 东北财经大学学报, 2018(5): 19-27. |
| [22] |
洪竞科, 李沅潮, 蔡伟光. 多情景视角下的中国碳达峰路径模拟——基于RICE-LEAP模型[J]. 资源科学, 2021, 43(4): 639-651. Hong J K, Li Y C, Cai W G, et al. Simulating China's carbon emission peak path under different scenarios based on RICE-LEAP model[J]. Resources Science, 2021, 43(4): 639-651. |
| [23] |
潘栋, 李楠, 李锋, 等. 基于能源碳排放预测的中国东部地区达峰策略制定[J]. 环境科学学报, 2021, 41(3): 1142-1152. Pan D, Li N, Li F, et al. Mitigation strategy of Eastern China based on energy-source carbon emission estimation[J]. Acta Scientiae Circumstantiae, 2021, 41(3): 1142-1152. |
| [24] | Liu D N, Xiao B W. Can China achieve its carbon emission peaking? A scenario analysis based on STIRPAT and system dynamics model[J]. Ecological Indicators, 2018, 93: 647-657. DOI:10.1016/j.ecolind.2018.05.049 |
| [25] |
董棒棒, 李莉, 唐洪松, 等. 环境规制、FDI与能源消费碳排放峰值预测——以西北五省为例[J]. 干旱区地理, 2019, 42(3): 689-697. Dong B B, Li L, Tang H S, et al. Environmental regulation, FDI and energy consumption peak carbon emissions forecast: A case of five provinces in northwest China[J]. Arid Land Geography, 2019, 42(3): 689-697. |
| [26] | Zhao Y M, Ding H, Lin X F, et al. Carbon emissions peak in the road and marine transportation sectors in view of cost-benefit analysis: a case of Guangdong province in China[J]. Frontiers in Environmental Science, 2021, 9. DOI:10.3389/fenvs.2021.754192 |
| [27] | Fang G C, Wang L, Gao Z Y, et al. How to advance China's carbon emission peak?—A comparative analysis of energy transition in China and the USA[J]. Environmental Science and Pollution Research, 2022, 29(47): 71487-71501. DOI:10.1007/s11356-022-20958-9 |
| [28] | Zhang Y, Zhang Y X, Zhang Y J, et al. Analysis of the carbon emission driving factors and prediction of a carbon peak scenario—A case study of Xi'an city[J]. Heliyon, 2022, 8(11). DOI:10.1016/j.heliyon.2022.e11753 |
| [29] |
黄超, 娄华. 规模、结构和技术视角下中国碳达峰路径选择研究[J]. 环境科学与技术, 2022, 45(3): 10-20. Huang C, Lou H. Selection of pathway to peak carbon emission from perspective of scale, structure and technology in China[J]. Environmental Science & Technology, 2022, 45(3): 10-20. |
| [30] | Lin B Q, Ouyang X L. Analysis of energy-related CO2 (Carbon Dioxide) emissions and reduction potential in the Chinese non-metallic mineral products industry[J]. Energy, 2014, 68: 688-697. DOI:10.1016/j.energy.2014.01.069 |
| [31] | Ma H T, Sun W, Wang S J, et al. Structural contribution and scenario simulation of highway passenger transit carbon emissions in the Beijing-Tianjin-Hebei metropolitan region, China[J]. Resources, Conservation and Recycling, 2019, 140: 209-215. DOI:10.1016/j.resconrec.2018.09.028 |
| [32] | Lin X, Du Z H. Research on Low-Carbon development pathways of China's industrial parks under the guidance of big data[J]. Web of Conferences, 2021, 251. DOI:10.1051/E3SCONF/202125101051 |
| [33] | 环境保护部办公厅. 关于在国家生态工业示范园区中加强发展低碳经济的通知[EB/OL]. https://www.mee.gov.cn/gkml/hbb/bgth/200912/t20091229_183603.htm, 2009-12-21. |
| [34] | 国家发展改革委. 关于印发国家应对气候变化规划(2014-2020年)的通知[EB/OL]. https://www.ndrc.gov.cn/xxgk/zcfb/tz/201411/t20141104_963642.html, 2014-11-04. |
| [35] | 中华人民共和国工业和信息化部. 关于印发工业绿色发展规划(2016-2020年)的通知[EB/OL]. https://www.miit.gov.cn/jgsj/ghs/wjfb/art/2020/art_ec914ef7739e4d478261cb2c4c5559bd.html, 2016-06-30. |
| [36] | 中华人民共和国科学技术部. 关于印发《国家高新区绿色发展专项行动实施方案》的通知[EB/OL]. https://www.most.gov.cn/xxgk/xinxifenlei/fdzdgknr/fgzc/gfxwj/gfxwj2021/202102/t20210202_172685.html, 2021-01-29. |
| [37] | 中华人民共和国生态环境部. 关于推进国家生态工业示范园区碳达峰碳中和相关工作的通知[EB/OL]. https://www.mee.gov.cn/xxgk2018/xxgk/sthjbsh/202109/t20210901_884575.html, 2021-09-01. |
| [38] | Belbute J M, Pereira A M. Reference forecasts for CO2 emissions from fossil-fuel combustion and cement production in Portugal[J]. Energy Policy, 2020, 144. DOI:10.1016/j.enpol.2020.111642 |
| [39] | Duan Z X, Yang Y J, Wang L L, et al. Temporal characteristics of carbon dioxide and ozone over a rural-cropland area in the Yangtze River Delta of eastern China[J]. Science of the Total Environment, 2021, 757. DOI:10.1016/j.scitotenv.2020.143750 |
| [40] | Faubert P, Bouchard S, Chassé R M, et al. Achieving carbon neutrality for a future large greenhouse gas emitter in Quebec, Canada: a case study[J]. Atmosphere, 2020, 11(8). DOI:10.3390/atmos11080810 |
| [41] | Wu P C, Guo F, Cai B F, et al. Co-benefits of peaking carbon dioxide emissions on air quality and health, a case of Guangzhou, China[J]. Journal of Environmental Management, 2021, 282. DOI:10.1016/j.jenvman.2020.111796 |
| [42] | Li X, Yu B Y. Peaking CO2 emissions for China's urban passenger transport sector[J]. Energy Policy, 2019, 133. DOI:10.1016/j.enpol.2019.110913 |
| [43] | Li H N, Qin Q D. Challenges for China's carbon emissions peaking in 2030: a decomposition and decoupling analysis[J]. Journal of Cleaner Production, 2019, 207: 857-865. DOI:10.1016/j.jclepro.2018.10.043 |
| [44] | Chi Y Y, Liu Z R, Wang X, et al. Provincial CO2 emission measurement and analysis of the construction industry under China's carbon neutrality target[J]. Sustainability, 2021, 13(4). DOI:10.3390/su13041876 |
| [45] | Salvia M, Reckien D, Pietrapertosa F, et al. Will climate mitigation ambitions lead to carbon neutrality? An analysis of the local-level plans of 327 cities in the EU[J]. Renewable and Sustainable Energy Reviews, 2021, 135. DOI:10.1016/j.rser.2020.110253 |
| [46] |
王文, 卞永祖, 刘延洁. 我国人均GDP排名变动情况及人均GDP预测[J]. 当代金融研究, 2018(6): 18-38. Wang W, Bian Y Z, Liu Y J. Ranking and forecasting China's GDP per capita[J]. Journal of Contemporary Financial Research, 2018(6): 18-38. |