2024, Vol. 45
联合国政府间气候变化专门委员会（IPCC）《全球升温1.5℃特别报告》指出, 全球升温1.5℃（较工业化之前水平）, 即对全球生态、人类健康、经济社会发展等产生诸多风险.日益严峻的气候变化正对人类社会可持续发展产生严重影响, 必须通过行动减少温室气体排放, 全球任何国家都无法置身事外[1].中国正处于城镇化、工业化快速发展阶段, 能源消耗保持刚性增长态势, 碳排放量居于全球首位, 在全球气候治理中的作用无可或缺[2].中国在全球气候治理进程中展现出应有的大国担当, 2020年宣布提高自主贡献力度, 提出“双碳”目标.
钢铁行业在中国经济社会发展中起到重要支撑作用, 进入新世纪以来, 中国钢铁行业发展迅速, 粗钢产量常年居于世界第一, 占全球总产量的半壁江山[3].但不容忽视的是, 在中国钢铁生产中, 高炉-转炉长流程工艺结构占有主导地位；能源结构呈现出高碳化的特点, 煤和焦炭占能源投入的比率居高不下.中国钢铁行业碳排放量贡献突出, 在工业部门中更是居于前列[4].诸如《2030年碳达峰行动方案》《工业领域碳达峰实施方案》等政策文件对钢铁行业重点关注, 其早日实现碳达峰具有重要意义.但要清楚认识到, 钢铁行业碳达峰、碳中和目标的实现并不轻松, 未来的节能降碳工作应从哪些方面入手?这就需要明晰钢铁行业碳排放影响因素以及达峰情景.
识别碳排放影响因素对于制定有针对性的减排策略至关重要, 许多学者建立了中国钢铁行业碳排放影响因素的研究框架. Sun等[5]将中国钢铁行业碳排放分解为4种效应, 包括：排放因子、能源结构、能源消耗和钢铁生产. Shen等[6]研究了中国钢铁行业钢铁生产、技术应用和生产结构对CO2排放的影响.张敬等[7]在详细分析中国钢铁行业生产工艺流程、CO2产生机制和碳排放影响因素的基础上, 构建了钢铁行业CO2排放影响因素综合评价指标体系.何维达等[8]依据Kaya恒等式构建了钢铁工业碳排放影响因素的分解模型, 并利用协整方法探讨了碳排放量与影响因素之间的均衡关系.Xu等[9]采用分位数回归模型探讨了经济增长、能源效率、能源结构、城镇化和工业化这5种驱动力对中国钢铁行业CO2排放的影响. Hasanbeigi等[10]揭示了技术进步和能源结构升级可以促进中国钢铁行业的节能减排.对数平均迪氏指数法（LMDI）是研究碳排放影响因素的常用方法[11], 但随着研究的深入, 发现该方法也存在一定缺陷, 主要受限于其表达形式.基于此, Vaninsky[12]提出了一个新的指数分解框架, 即广义迪氏指数分解法（generalized divisia index method, GDIM）, 该方法的优良特性得到了很好的验证[13 ~ 15].
情景分析法有助于探索不同政策及经济情景设定下未来碳排放量的变化情况, 在碳排放达峰预测方面具有很好的适用性.诸多研究结合情景分析法对中国整体[16, 17]、区域[18, 19]和行业[20 ~ 22]的未来碳排放演化趋势进行预测.在对中国钢铁行业碳达峰的研究上, 张琦等[23]结合钢铁工业发展现状, 设置了4种情景分析钢铁工业碳减排潜力及碳达峰路径.汪旭颖等[24]综合考虑相关因素影响, 开展基于情景分析的钢铁行业CO2排放达峰路径研究.Li等[25]探讨了3种情景下2020~2050年钢铁行业的碳减排路径.不难发现, 目前碳排放达峰情景模拟多为静态情景分析, 局限于各影响因素的固定变化率设定, 各变量未来变化所具有的不确定性如何影响最终模拟结果并不知晓.蒙特卡洛模拟作为一种不确定性分析方法[26], 因其全面性和灵活性而被广泛应用于不确定性事件的分析研究.情景分析法与蒙特卡洛模拟的有机结合从而实现动态情景模拟, 已在碳达峰预测研究中得到推广[27 ~ 29].
近年来关于中国钢铁行业碳排放影响因素和达峰模拟的研究相对较少, GDIM方法与动态情景分析的应用更是鲜有涉及.有鉴于此, 本文在对2001~2020年中国钢铁行业碳排放量测算的基础上, 利用GDIM方法对碳排放影响因素进行分解, 之后运用蒙特卡洛模拟对2021~2035年碳排放潜在变化趋势进行动态情景模拟.
1 材料与方法 1.1 钢铁行业碳排放测算方法结合相关研究[30], 将钢铁行业的碳排放量核算分为两部分：
|
(1) |
式中, C为钢铁行业碳排放总量, Cfos为化石燃料燃烧的直接排放量, Cne为电力消耗的间接排放量, 单位均为Mt.
钢铁行业直接碳排放量参照IPCC提供的碳排放核算方法测算, 具体计算公式为：
|
(2) |
式中, i为化石燃料种类（包括煤炭、焦炭、原油、汽油、煤油、柴油、燃料油和天然气）；NCVi为第i种化石燃料的平均低位发热量, 单位为GJ·t-1或GJ·（104 m3）-1；FCi为第i种化石燃料的消耗量, 单位为t或104 m3；CCi为第i种化石燃料的单位热值含碳量, 单位为t·GJ-1；OFi为第i种化石燃料的碳氧化率, 单位为%.其中, 各类能源的平均低位发热量来自《IPCC 2006年国家温室气体清单指南》, 单位热值含碳量和碳氧化率数据均来自《温室气体排放核算与报告要求第5部分：钢铁生产企业》.
对于电力消耗产生的碳排放量Cne, 通过火电比例和标准煤转换系数将电力消耗量转化为煤炭消耗量进行计算[31], 历年火电比例可由2002~2022年《中国统计年鉴》中电力平衡表获得.
1.2 碳排放影响因素分解 1.2.1 影响因素选取经济产出、能源强度和能源消费碳强度是碳排放影响因素主要考量指标, 能源消费碳强度的变化实质上是反映能源消费结构的变化[32 ~ 34].此外, 产出碳强度也被证实对碳排放的变化有着重要影响[35].《完善能源消费强度和总量双控制度方案》中指出, 持续提升能源产出率是推动高质量发展的基本要求, 考虑到钢铁行业的发展特点, 应重点关注该指标, 且能源产出率与能源强度在表达式上互为倒数, 均可用来衡量能源效率[36]. 《关于促进钢铁工业高质量发展的指导意见》等政策文件中提及的指标：吨钢能耗和吨钢CO2排放量, 也在本文的研究范畴内.由此, 形成本研究钢铁行业碳排放影响因素研究框架, 具体如表 1所示.
|
表 1 变量定义 Table 1 Definition of variables |
1.2.2 分解模型
GDIM是Divisia指数方法的扩展形式, 对Kaya恒等式进行转换, 通过相互联结的方程组而非单一方程来构建被解释变量与各因素之间的关系.根据其原理, 建立本文中国钢铁行业碳排放与影响因素之间的关系：
|
(3) |
公式（3）可做进一步转换：
|
(4) |
就变量X = [E，CE，A，CA，P，CP，EP，AE]而言, 雅可比矩阵ΦX是Ψ = [ψ1，ψ2，ψ3，ψ4]的一阶导数.函数C（X）的梯度和雅可比矩阵为：
|
(5) |
|
(6) |
碳排放变化量ΔC可被分解成各因素贡献加总形式：
|
(7) |
式中, L为时间跨度；I为位矩阵, 上标“+”是广义逆矩阵, 如果雅可比矩阵ΦX中的列为线性无关, 那么ΦX+ = (ΦXTΦX)-1ΦXT.
由此, 钢铁行业碳排放的变化被分解为8种效应, ΔCE、ΔCCE、ΔCA、ΔCCA、ΔCP、ΔCCP、ΔCEP和ΔCAE分别为各因素变化对碳排放量的影响.
1.3 数据来源能源消费总量及分品类能源消费量来自2002~2021年《中国能源统计年鉴》, 粗钢产量来自2002~2021年《中国钢铁工业年鉴》.2005年以前的钢铁行业增加值可在《中国钢铁工业年鉴》中查得, 之后不再公布, 因此结合2002~2021年《中国统计公报》中的相关数据进行计算.为了消除价格变动的影响, 根据2021年《中国统计年鉴》中的价格指数将行业增加值折算成2001年不变价格.
2 结果与分析 2.1 碳排放影响因素阶段性分析鉴于中国国民经济和社会发展的重要特征, 本文将研究期2001~2020年划分为4个子阶段, 即：“十五”时期（2001~2005年）、“十一五”时期（2006~2010年）、“十二五”时期（2011~2015年）和“十三五”时期（2016~2020年）, 分解结果如图 1所示.
|
图 1 分阶段中国钢铁行业碳排放因素分解结果 Fig. 1 Decomposition results of carbon emission factors in China's iron and steel industry in stages |
在4个子阶段中, 能耗规模（E）、经济产出（A）和粗钢产量（P）均对钢铁行业碳排放量保持促增效应；经济产出碳强度（CA）、产量碳强度（CP）和能源产出率（AE）保持促降效应；能源消费碳强度（CE）和吨钢能耗（EP）两种效应均存在, 但整体表现为促降效应.在促增因素中, 经济产出在“十五”时期和“十二五”时期对于碳排放量变化的贡献度最大, 贡献值分别为208.06 Mt和251.04 Mt；而在“十一五”和“十三五”时期, 粗钢产量对于碳排放量变化的贡献率最大, 分别达到16.17%和9.53%；能耗规模对于钢铁行业碳排放量变化的影响程度总体上表现出逐渐减弱, “十五”期间的贡献率最为显著, 为35.95%.该时期中国加入世界贸易组织, 钢铁产品的出口量增加, 为满足生产需求致使大量的能源消耗, 进而导致碳排放量的增加.上述3个指标具有较为密切的联动效应, 共同作用下势必带来较高的碳排放.促降因素中, 产量碳强度的促降效应从“十五”时期的32.82 Mt增加至“十三五”时期的145.70 Mt.产出碳强度的促降效应经历了先增后减的过程, “十二五”时期的促降效应达到最大值151.15 Mt.能源产出率对于降低碳排放量的影响效应较小, 贡献率在“十二五”时期达到最大值-2.32%, 钢铁行业要实现低碳发展, 需要进一步提升能源产出率, 更好地发挥该因素的促降效应.能源消费碳强度和吨钢能耗对碳排放变化的贡献率变化趋势相似, 且都在“十二五”时期出现了促增效应, 并在接下来“十三五”时期出现了较为显著的促降效应, 上述两个时期内的能耗规模和粗钢产量的变化趋势出现了明显波动, 进而作用于碳排放量的变化.
2.2 碳排放影响因素累计贡献分析为了更加清楚地反映各因素在2001~2020年对碳排放演变的动态影响, 本文设定2001年为基期, 将各因素对碳排放的贡献值逐年累加计算出各因素的累计效应值.由图 2可知, 2001~2020年中国钢铁行业碳排放量累计增加了1 331.33 Mt.经济产出是引起碳排放增加的首要因素, 20年间其累计贡献值达到685.81 Mt.粗钢产量对于碳排放量增加的影响程度紧随其后, 且其促增效应在2014年之前大于经济产出, 研究期内其累计导致628.82 Mt碳排放量的增加.能耗规模对碳排放量变化的累计贡献值的增长幅度前期与经济产出和粗钢产量一致, 在2014年达到最大值465.97 Mt, 年均增长率约为30.14%, 在接下来一段时期内, 其演变趋势经历了先降后增的变化.产出碳强度和产量碳强度是钢铁行业碳排放量降低的两个主要因素, 20年间分别累计减少了208.29 Mt和175.38 Mt碳排放量, 二者累计贡献值的变化趋势也较为相似, 2014年之前的变化幅度较为平缓, 在此之后促降效应出现了明显增长, 年均增长速率分别为16.91%和15.45%.吨钢能耗和能源产出率对于碳排放量的促降效应略显微弱, 截至2020年分别累计降低6.01 Mt和28.91 Mt碳排放量.能源消费碳强度在2010年之前的累计贡献值为负, 2010年和2011年该因素对碳排放变化表现为促增效应, 共导致60.30 Mt碳排放量的增加, 致使累计贡献值转为正值, 接下来几年间促增和促降效应均有出现, 且促增效应大于促降效应.以上结果表明, 钢铁行业在完善能耗总量和强度调控、调整能源结构和提高能源效率等方面仍具有较大改善空间.
|
图 2 2001~2020年中国钢铁行业碳排放影响因素累计贡献 Fig. 2 Cumulative contribution of carbon emission factors in China's iron and steel industry from 2001 to 2020 |
由影响因素分解结果可知, 在钢铁行业碳排放的演变过程中, 粗钢产量和产出碳强度是关键的促增和促降因素, 吨钢能耗和能源产出率的促降效应虽尚未达到理想效果, 但这两个指标的减排驱动空间很大, 未来钢铁行业可围绕这几个方面深化碳减排调控政策的制定, 基于此构建构建钢铁行业碳排放总量模型：
|
(8) |
如果产出碳强度（CA）、能源产出率（AE）、吨钢能耗（EP）和粗钢产量（P）的变化率分别为α、β、δ和ε, 那么各变量从t ~ t+1期存在如下关系：
|
(9) |
碳排放量的变化率可表示为：
|
(10) |
由此, 基于各因素过去的演变趋势、现有政策实施的可行性和潜在减排空间, 进行合理的情景设计, 根据上述公式分析中国钢铁行业未来一段时期内碳排放量变化情况.
3.2 情景设置提出2021~2035年钢铁行业碳排放的3类情景：基准情景（BAU）、低碳情景（L）以及强化情景（S）.基准情景是延续过往钢铁行业的发展轨迹, 参数赋值依据主要为历史变化趋势.低碳情景主要基于国家的碳达峰目标, 对钢铁行业未来发展方向实施的一系列调控措施.在低碳情景的基础上, 对产出碳强度、能源产出率、吨钢能耗和粗钢产量的预期变化率参数进行强化, 进而得到强化低碳情景.本文仍以“五年计划”的形式对2021~2035年的情景状态进行划分, 形成2021~2025年、2026~2030年和2031~2035年这3个阶段, 并且假设在“五年计划”阶段的各因素年均变化率基本保持一致, 各情景参数赋值依据如下（各参数详细赋值数据见表 2）.
|
|
表 2 3种情景下碳排放总量模型各参数特征 Table 2 Characteristics of each parameter in the model of total carbon emissions under the three scenarios |
产出碳强度（CA）：根据研究期内的变化趋势, 将基准情景下2021~2035年该指标年均变化速率设定为-3.1%.考虑到现阶段相关政策文件中并没有关于钢铁行业产出碳强度具体的下降率指标设定, 可将国家层面碳排放强度下降指标作为参考.《2030年前碳达峰行动方案》指出, 到2025年, 单位国内生产总值CO2排放比2020年下降18%[37].国家发展和改革委员会规划对该约束目标的设定做出了解读：为保证2030年国内生产总值CO2排放量比2005年下降65%以上, “十四五”和“十五五”时期单位国内生产总值CO2排放平均需降低17.60%, 考虑到减排潜力逐渐减小、减排难度逐渐加大, 应将“十四五”降低幅度设定得高一些, 从而为“十五五”碳排放尽早达峰留有一定空间裕度.据此, 将低碳情景下产出碳强度2021~2025年和2026~2030年的年均变化速率分别设定为-3.40%和-3.20%, 假设2031~2035年的变化率承接上一个“五年计划”, 仍为-3.2%.在低碳情景的基础上, 将强化情景下3个时期的年均变化率分别设定为-3.90%、-3.70%和-3.70%.
能源产出率（AE）：近些年出台的有关碳减排的工作方案中, 对能源产出率这一指标多有提及, 但并未给出该指标具体的约束目标.能源产出率即为单位能源消耗的产出, 其变化是能源消耗量和行业增加值共同决定的.低碳情景下能源产出率年均变化率设定的依据主要为：Ren等[38]对钢铁行业2015~2050年一次能源消耗量的预测结果, 即假设2021~2025年和2026~2030年能源消耗总量分别以5%和10%的累计速率下降；《工业转型升级规划（2011~2015年）》《钢铁行业调整升级规划（2016~2020年）》中关于这两个时期内行业增加值变化率设定的变化趋势.综合上述两点, 将低碳情景下2021~2025年和2026~2030年该指标的年均变化率分别设定为5.00%和5.20%, 2031~2035年的年均变化率同样设定为5.2%.能源产出率的提高与技术进步息息相关, 强化情景下钢铁行业更为注重低碳技术的应用, 将该情景下这一指标的年均变化率分别设定为5.50%、5.70%和5.70%.根据历史数据变化趋势, 设定基准情景下2021~2035年能源产出率的年均变化率为3.40%.
吨钢能耗（EP）：中国钢铁行业未来将增强节能技术发展能力, 有序引导电炉炼钢发展[39], 上述举措无疑将促进吨钢能耗的下降.结合吴凡等[40]的研究, 设定3种情景下吨钢能耗年均变化率：低碳情景下“十四五”时期的年均变化率为-1.5%, 之后时期内年均变化率为-2.00%；强化情景下同期年均变化率分别为-2.00%和-2.50%；基准情景下2021~2035年的年均变化率为-1.00%.
粗钢产量（P）：诸多学者对中国粗钢产量的达峰情况进行了预测, 针对何时粗钢产量能够达峰的研究结果不尽相同.本文结合他们的研究, 进行3种情景下粗钢产量的达峰情况及相应变化率的设定：基准情景下粗钢产量在2030年达峰, 之后呈现出下降趋势, 依据Li等[41]的研究, 将2021~2030年粗钢产量的年均增长率设定为2.00%, 2031~2035年年均变化率为-0.80%；低碳情景下设定粗钢产量在2025年达峰[42], 2021~2025年粗钢产量年均变化率为1.50%, 之后每年以0.50%的速率下降；Zhang等[43]预测2020年中国粗钢产量达到峰值, 根据该研究结果, 将强化情景下2020年后粗钢产量年均变化率设定为-0.70%.
为能够更加真实地反映未来钢铁行业碳排放总量的发展趋势, 进一步考量各变量未来的不确定性, 将不确定性纳入碳排放总量预测模型中, 形成动态预测模型.碳排放总量模型中各变量服从正态分布N（0, σ）, 针对不同变量在正态分布的随机概率下对其进行取值[44].本文主要借鉴林伯强等[45]和邵帅等[46]的设定思路, 在95%的置信度区间的前提下, 以±2σ涵盖的区间来满足排放模型中各个变量未来变化范围的最大值与最小值.通过蒙特卡洛模拟, 借用Python软件对3种情景下未来钢铁行业碳排放进行50万次动态模拟.
3.3 模拟结果分析图 3反映了基准情景下钢铁行业未来碳排放的变化趋势, 2021年碳排放量的取值范围为1 802.54~1 854.92 Mt, 概率密度最大的取值为1 828.72 Mt；2030年碳排放量的取值范围在1 940.91~2 125.54 Mt, 最大可能值为2 031.72 Mt, 这10 a间碳排放量年均增长率的范围为0.83%~1.52%. 2030年后, 碳排放量变化趋势有所降低, 2030~2035年碳排放量下降幅度大概率在6.79%~8.74%之间.如果保持过去的节能减排政策的约束强度和行业发展态势, 钢铁行业碳排放量虽能在2030年达峰, 但期间碳排放量的增量较高.如此发展模式仍会加重环境压力, 同时对国家整体的碳达峰行动和低碳转型带来一定阻碍, 因此强有力调控政策的实施是有必要的.
|
图 3 基准情景下2021~2035年中国钢铁行业碳排放演化趋势 Fig. 3 Evolution trend of carbon emissions of China's iron and steel industry in scenario BAU from 2021 to 2035 |
低碳情景下2021~2035年钢铁行业碳排放量变化趋势如图 4所示, 2025年是低碳情景下钢铁行业碳排放量变化趋势的转折点, 该年份碳排放量的范围在1 876.37~2 001.27 Mt, 最大可能为1 938.25 Mt, “十四五”时期碳排放量年均增长率在0.95%~1.86%之间.与基准情景相比, 低碳情景下碳排放量峰值的下降幅度在3.33%~5.85%之间, 最可能为4.60%.政府在积极采取气候宏观政策调控和应对措施后, 能够有效抑制钢铁行业碳排放量的增长并使得出现峰值的年限提前, 在完成碳达峰目标的同时, 获得更大发展空间, 为碳中和的实现打下基础.
|
图 4 低碳情景下2021~2035年中国钢铁行业碳排放演化趋势 Fig. 4 Evolution trend of carbon emissions of China's iron and steel industry in scenario L from 2021 to 2035 |
如图 5所示, 强化情景下钢铁行业碳排放量自2021年开始即呈现出下降态势, 该情景下2021年碳排放量的范围在1 757.14~1 809.43 Mt之间, 2035年碳排放量范围在1 379.10~1 544.65 Mt之间, 2021~2035年碳排放量年均下降速率可能在1.14%~1.75%之间.此情景下, 钢铁行业碳排放量在2020年已达到峰值, 其减排效果也是最好的.与低碳情景相比, 强化情景下的技术水平得到进一步提升, 粗钢产量更是在2020年达到峰值, 技术攻关和压缩产量是钢铁行业高质量发展的有力保障.
|
图 5 强化情景下2021~2035年中国钢铁行业碳排放演化趋势 Fig. 5 Evolution trend of carbon emissions of China's iron and steel industry in scenario S from 2021 to 2035 |
就钢铁行业未来采取何种路径以支撑碳中和目标的实现, 提出以下建议：
（1）持续控制粗钢产量尤为重要.限产政策的实施应避免“一刀切”, 通过环保和能耗等指标有针对性地进行粗钢产量管理, 针对重点区域的管理应结合发展实际制定差异化指导方针.另外, 还可结合下游行业需求情况, 发挥市场机制作用.
（2）努力提升能源效率.经济产出的增加不应以能源消耗为代价, 而应依靠技术进步这一有效途径.对于钢铁行业而言, 更要注重低碳技术的开发与应用, 如氢冶金、碳捕集和利用与封存技术（CCUS）等.同时, 低碳技术也是降低碳强度的重要推动力.
（3）加快行业能源结构与工艺流程优化.提高电气化水平和清洁能源利用水平, 充分利用太阳能、风能等可再生能源和氢能等新能源, 促进能源结构低碳化转型.加大废钢资源高质高效利用, 推进电炉钢短流程工艺发展.
5 结论（1）经济产出和粗钢产量是钢铁行业碳排放最主要的促增因素, 从整个研究期来看, 贡献度最大的为经济产出, 能耗规模的表现一般, 但就“十四五”时期而言, 当属粗钢产量.在促降因素中, 效果最为显著的一直为产出碳强度, 其次为产量碳强度, 吨钢能耗和能源产出率的促降效应尚不明显.能源消费碳强度对碳排放的影响效果不太稳定, 存在阶段性差异.
（2）蒙特卡洛模拟结果显示, 3种情景下钢铁行业碳排放量在2030年前均有峰值出现.基准情景下在2030年实现碳达峰, 碳排放量的范围为1 940.91~2 125.54 Mt；低碳情景下碳达峰时间提前至2025年, 碳排放量在1 876.37~2 001.27 Mt的可能性最大；强化情景下可在2020年实现碳达峰, 该情景下减排效果最好.另外, 情景分析结果亦显示出, 中国钢铁行业的碳达峰与粗钢产量有着很强的相关性.
| [1] | Barreca A, Clay K, Deschenes O, et al. Adapting to climate change: The remarkable decline in the US temperature-mortality relationship over the twentieth century[J]. Journal of Political Economy, 2016, 124(1): 105-159. DOI:10.1086/684582 |
| [2] | Wu L P, Chen Y, Feylizadeh M R, et al. Estimation of China's macro-carbon rebound effect: Method of integrating Data Envelopment Analysis production model and sequential Malmquist-Luenberger index[J]. Journal of Cleaner Production, 2018, 198: 1431-1442. DOI:10.1016/j.jclepro.2018.07.034 |
| [3] |
赵紫薇, 孔福林, 童莉葛, 等. 基于"3060"目标的中国钢铁行业二氧化碳减排路径与潜力分析[J]. 钢铁, 2022, 57(2): 162-174. Zhang Z W, Kong F L, Tong L G, et al. Analysis of CO2 emission reduction path and potential of China's steel industry under the "3060" target[J]. Iron and Steel, 2022, 57(2): 162-174. |
| [4] |
李新, 路路, 穆献中, 等. 京津冀地区钢铁行业协同减排成本-效益分析[J]. 环境科学研究, 2020, 33(9): 2226-2234. Li X, Lu L, Mu X Z, et al. Cost-benefit analysis of synergistic emission reduction in steel industry in Beijing-Tianjin-Hebei region, China[J]. Research of Environmental Sciences, 2020, 33(9): 2226-2234. |
| [5] | Sun W Q, Cai J J, Mao H J, et al. Change in carbon dioxide (CO2) emissions from energy use in China's iron and steel industry[J]. Journal of Iron and Steel Research International, 2011, 18(6): 31-36. DOI:10.1016/S1006-706X(11)60074-5 |
| [6] | Shen J L, Zhang Q, Xu L S, et al. Future CO2 emission trends and radical decarbonization path of iron and steel industry in China[J]. Journal of Cleaner Production, 2021, 326. DOI:10.1016/j.jclepro.2021.129354 |
| [7] |
张敬, 张芸, 张树深, 等. 钢铁行业二氧化碳排放影响因素分析[J]. 现代化工, 2009, 29(1): 82-85, 87. Zhang J, Zhang Y, Zhang S S, et al. Analysis of factors influencing the carbon dioxide emission in iron and steel industry[J]. Modern Chemical Industry, 2009, 29(1): 82-85, 87. |
| [8] |
何维达, 张凯. 我国钢铁工业碳排放影响因素分解分析[J]. 工业技术经济, 2013, 32(1): 3-10. He W D, Zhang K. The decomposition analysis on the influencing factors of China's steel industry carbon emission[J]. Journal of Industrial Technological Economics, 2013, 32(1): 3-10. |
| [9] | Xu R J, Xu L, Xu B. Assessing CO2 emissions in China's iron and steel industry: evidence from quantile regression approach[J]. Journal of Cleaner Production, 2017, 152: 259-270. DOI:10.1016/j.jclepro.2017.03.142 |
| [10] | Hasanbeigi A, Morrow W, Sathaye J, et al. A bottom-up model to estimate the energy efficiency improvement and CO2 emission reduction potentials in the Chinese iron and steel industry[J]. Energy, 2013, 50: 315-325. DOI:10.1016/j.energy.2012.10.062 |
| [11] | Ang B W. Decomposition analysis for policymaking in energy: which is the preferred method?[J]. Energy Policy, 2004, 32(9): 1131-1139. DOI:10.1016/S0301-4215(03)00076-4 |
| [12] | Vaninsky A. Factorial decomposition of CO2 emissions: A generalized divisia index approach[J]. Energy Economics, 2014, 45: 389-400. DOI:10.1016/j.eneco.2014.07.008 |
| [13] |
马晓君, 陈瑞敏, 董碧滢, 等. 中国工业碳排放的因素分解与脱钩效应[J]. 中国环境科学, 2019, 39(8): 3549-3557. Ma X J, Chen R M, Dong B Y, et al. Factor decomposition and decoupling effect of China's industrial carbon emissions[J]. China Environmental Science, 2019, 39(8): 3549-3557. |
| [14] | Zhang C Y, Zhang W Y, Luo W N, et al. Analysis of influencing factors of carbon emissions in China's logistics industry: A GDIM-based indicator decomposition[J]. Energies, 2021, 14(18). DOI:10.3390/en14185742 |
| [15] | Liu Y S, Yang M, Cheng F Y, et al. Analysis of regional differences and decomposition of carbon emissions in China based on generalized divisia index method[J]. Energy, 2022, 256. DOI:10.1016/j.energy.2022.124666 |
| [16] |
陈喜阳, 周程, 王田. 多情景视角下中国能源消费和碳达峰路径[J]. 环境科学, 2023, 44(10): 5464-5477. Chen X Y, Zhou C, Wang T. China's energy consumption and carbon peak path under different scenarios[J]. Environmental Science, 2023, 44(10): 5464-5477. |
| [17] |
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. |
| [18] |
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. |
| [19] |
苗安康, 袁越, 吴涵, 等. 中国省域碳达峰路径与政策[J]. 环境科学, 2023, 44(8): 4623-4636. Miao A K, Yuan Y, Wu H, et al. Pathway and policy for China's provincial carbon emission peak[J]. Environmental Science, 2023, 44(8): 4623-4636. |
| [20] |
庞凌云, 翁慧, 常靖, 等. 中国石化化工行业二氧化碳排放达峰路径研究[J]. 环境科学研究, 2022, 35(2): 356-367. Pang L Y, Weng H, Chang J, et al. Pathway of carbon emission peak for China's petrochemical and chemical industries[J]. Research of Environmental Sciences, 2022, 35(2): 356-367. |
| [21] |
胡茂峰, 郑义彬, 李宇涵. 多情景下湖北省交通运输碳排放峰值预测研究[J]. 环境科学学报, 2022, 42(4): 464-472. Hu M F, Zheng Y B, Li Y H. Forecasting of transport carbon emission peak in Hubei Province under multiple scenarios[J]. Acta Scientiae Circumstantiae, 2022, 42(4): 464-472. |
| [22] |
袁闪闪, 陈潇君, 杜艳春, 等. 中国建筑领域CO2排放达峰路径研究[J]. 环境科学研究, 2022, 35(2): 394-404. Yuan S S, Chen X J, Du Y C, et al. Pathway of carbon emission peak of China's building sector[J]. Research of Environmental Sciences, 2022, 35(2): 394-404. |
| [23] |
张琦, 沈佳林, 许立松. 中国钢铁工业碳达峰及低碳转型路径[J]. 钢铁, 2021, 56(10): 152-163. Zhang Q, Shen J L, Xu L S. Carbon peak and low-carbon transition path of China's iron and steel industry[J]. Iron and Steel, 2021, 56(10): 152-163. |
| [24] |
汪旭颖, 李冰, 吕晨, 等. 中国钢铁行业二氧化碳排放达峰路径研究[J]. 环境科学研究, 2022, 35(2): 339-346. Wang X Y, Li B, Lv C, et al. China's iron and steel industry carbon emissions peak pathways[J]. Research of Environmental Sciences, 2022, 35(2): 339-346. |
| [25] | Li W, Zhang S H, Lu C. Research on the driving factors and carbon emission reduction pathways of China's iron and steel industry under the vision of carbon neutrality[J]. Journal of Cleaner Production, 2022, 361. DOI:10.1016/j.jclepro.2022.132237 |
| [26] | Sadeghi N, Fayek A R, Pedrycz W. Fuzzy Monte Carlo simulation and risk assessment in construction[J]. Computer‐Aided Civil and Infrastructure Engineering, 2010, 25(4): 238-252. |
| [27] |
董锋, 杨庆亮, 龙如银, 等. 中国碳排放分解与动态模拟[J]. 中国人口·资源与环境, 2015, 25(4): 1-8. Dong F, Yang Q L, Long R Y, et al. Factor decomposition and dynamic simulation of China's carbon emissions[J]. China Population, Resources and Environment, 2015, 25(4): 1-8. |
| [28] | Huo T F, Xu L B, Feng W, et al. Dynamic scenario simulations of carbon emission peak in China's city-scale urban residential building sector through 2050[J]. Energy Policy, 2021, 159. DOI:10.1016/j.enpol.2021.112612 |
| [29] | Fang K, Li C L, Tang Y Q, et al. China's pathways to peak carbon emissions: New insights from various industrial sectors[J]. Applied Energy, 2022, 306. DOI:10.1016/j.apenergy.2021.118039 |
| [30] |
韩颖, 李廉水, 孙宁. 中国钢铁工业二氧化碳排放研究[J]. 南京信息工程大学学报(自然科学版), 2011, 3(1): 53-57. Han Y, Li L S, Sun N. Research on carbon dioxide emission of Chinese iron & steel industry[J]. Journal of Nanjing University of Information Science and Technology (Natural Science Edition), 2011, 3(1): 53-57. |
| [31] | Lin B Q, Wu R X. Designing energy policy based on dynamic change in energy and carbon dioxide emission performance of China's iron and steel industry[J]. Journal of Cleaner Production, 2020, 256. DOI:10.1016/j.jclepro.2020.120412 |
| [32] | Myszczyszyn J, Suproń B. Relationship among economic growth (GDP), energy consumption and carbon dioxide emission: Evidence from V4 countries[J]. Energies, 2021, 14(22). DOI:10.3390/en14227734 |
| [33] | 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. |
| [34] | Shahbaz M, Solarin S A, Sbia R, et al. Does energy intensity contribute to CO2 emissions? A trivariate analysis in selected African countries[J]. Ecological Indicators, 2015, 50: 215-224. |
| [35] | Minx J C, Baiocchi G, Peters G P, et al. A "carbonizing dragon": China's fast growing CO2 emissions revisited[J]. Environmental Science & Technology, 2011, 45(21): 9144-9153. |
| [36] |
杜克锐, 鄢哲明, 杨志明. 能源和环境绩效评价方法的最新研究进展[J]. 环境经济研究, 2018, 3(1): 113-138. Du K R, Yan Z M, Yang Z M. Progress of evaluation methods on energy and environmental performance[J]. Journal of Environmental Economics, 2018, 3(1): 113-138. |
| [37] | 中华人民共和国中央人民政府. 《2030年前碳达峰行动方案》[EB/OL]. https://www.gov.cn/zhengce/content/2021-10/26/content_5644984.htm, 2021-10-26. |
| [38] | Ren M, Lu P T, Liu X R, et al. Decarbonizing China's iron and steel industry from the supply and demand sides for carbon neutrality[J]. Applied Energy, 2021, 298. DOI:10.1016/j.apenergy.2021.117209 |
| [39] | 中华人民共和国工业和信息化部. 《关于促进钢铁工业高质量发展的指导意见》[EB/OL]. https://wap.miit.gov.cn/zwgk/zcwj/wjfb/yj/art/2022/art_fc8736cbc5364d6eb19ce17eb0b0cc9c.html, 2022-02-07. |
| [40] |
吴凡, 谢文秀. 低碳约束下的中国钢铁行业能耗情景分析[J]. 现代化工, 2019, 39(1): 12-17. Wu F, Xie W X. Energy consumption scenario analysis of China's steel industry under low-carbon constraints[J]. Modern Chemical Industry, 2019, 39(1): 12-17. |
| [41] | Li Z L, Hanaoka T. Development of large-point source emission downscale model by estimating the future capacity distribution of the Chinese iron and steel industry up to 2050[J]. Resources, Conservation and Recycling, 2020, 161. DOI:10.1016/j.resconrec.2020.104853 |
| [42] |
潘崇超, 王博文, 侯孝旺, 等. 基于LMDI-STIRPAT模型的中国钢铁行业碳达峰路径研究[J]. 工程科学学报, 2023, 45(6): 1034-1044. Pan C C, Wang B W, Hou X W, et al. Carbon peak path of the Chinese iron and steel industry based on the LMDI-STIRPAT model[J]. Chinese Journal of Engineering, 2023, 45(6): 1034-1044. |
| [43] | Zhang Q, Xu J, Wang Y J, et al. Comprehensive assessment of energy conservation and CO2 emissions mitigation in China's iron and steel industry based on dynamic material flows[J]. Applied Energy, 2018, 209: 251-265. |
| [44] |
施庆伟. 中国建筑部门碳排放达峰模拟与减排责任分担研究[D]. 重庆: 重庆大学, 2023. Shi Q W. Peaking Simulation and sharing the mitigation burden of carbon emissions in the Chinese building sector[D]. Chongqing: Chongqing University, 2023. |
| [45] |
林伯强, 刘希颖. 中国城市化阶段的碳排放: 影响因素和减排策略[J]. 经济研究, 2010, 45(8): 66-78. Lin B Q, Liu X Y. China's carbon dioxide emissions under the urbanization process: influence factors and abatement policies[J]. Economic Research Journal, 2010, 45(8): 66-78. |
| [46] |
邵帅, 张曦, 赵兴荣. 中国制造业碳排放的经验分解与达峰路径——广义迪氏指数分解和动态情景分析[J]. 中国工业经济, 2017(3): 44-63. Shao S, Zhang X, Zhao X R. Empirical decomposition and peaking pathway of carbon dioxide emissions of China's manufacturing Sector--generalized divisia index method and dynamic scenario analysis[J]. China Industrial Economics, 2017(3): 44-63. |