2025, Vol. 46
全球碳排放的急剧增长引发了一系列生态环境问题, 如极端天气事件增多、冰川和冻土消融等[1, 2]. 中国在2020年9月提出了实现2030年碳达峰和2060年碳中和的双碳目标[3], 引发了学术界的广泛关注. 学者们运用综合评估模型, 探索国家、省级甚至行业层面实现碳排放达峰时间以及达到中和水平的可能性. 例如, Zhang等[4]采用LEAP模型预测, 在适度减排情景和峰值减排情景下, 预测我国公共建筑业的碳排放将在2030年实现碳达峰的目标. 另外, Wang等[5]通过建立基于能源需求和供给平衡的混合模型, 模拟了中国未来的能源路线和碳排放趋势. 结果显示, 中国有望在2025年实现碳排放达峰, 但可能伴随着一定的经济损失；有学制使用STIRPAT和LEAP等模型, 通过设置不同的情景, 对京津冀[6]、长三角[7, 8]、吉林[9]、安徽[10]、浙江[11~13]和江苏[14~16]等地区碳排放达峰时间和峰值水平等进行研究.
当前的评估模型主要分为两大类：自顶向下和自底向上. 自顶向下的模型包括CGE模型[17, 18]和STIRPAT模型[19, 20], 而自底向上的模型则涵盖MARKAL模型[21, 22]和备受青睐的LEAP模型[23, 24], 各种主要模型特点简要对比见表 1. LEAP模型以其灵活的数据结构和丰富的技术细节备受推崇. 它易于使用, 同时为最终用户提供了详实的信息[25]. 在地方、国家和国际层面, LEAP模型被广泛应用于预测能源供应和需求, 评估能源政策的环境影响, 并揭示未来可能面临的挑战[26]. 例如, Sun等[27]使用LEAP模型对苏州能源政策进行了环境和经济评估. Wang等[28]强调了成都能源供需长期预测的重要性. Zhao等[29]的研究为中国发展低碳经济提供了路径, 而Feng等[30]对北京的研究进一步拓展了这一低碳发展路径. 此外, 其他学者在工业[31~33]、建筑业[34, 35]、交通运输业[36, 37]和居民生活[38, 39]等领域进行了更为细致的研究.
|
表 1 不同碳排放预测模型的综合比较 Table 1 Comprehensive comparison of different carbon emission prediction models |
各省份作为温室气体排放的重要来源, 不仅是重要的低碳经济发展单元, 同时也是推动绿色转型的关键力量. 省际双碳研究的实施对于促进低碳发展和生态文明建设具有重要的实践意义. 江苏省作为我国经济大省之一, 具有诸多特点使其成为研究的理想对象. 首先, 其经济总量和人口规模庞大, 2021年全省常住人口约8 505万人, 经济发展水平居全国前列. 其次, 江苏省的能源消费结构主要依赖于煤炭和电力, 工业企业综合能源消费巨大, 约为16 174万t标准煤. 这使得江苏省在温室气体排放方面具有较大的影响力. 此外, 江苏省在工业、交通运输和建筑领域拥有突出地位, 其制造业涵盖电子、汽车等多个领域, 并且高科技和先进制造业领域优势明显[40]. 交通方面, 江苏省拥有发达水路交通和重要港口, 地理位置优越, 这为物流发展提供了有利条件[41]. 在建筑领域, 江苏省以其先进的建筑技术和项目成就备受瞩目[42]. 综上所述, 江苏省在经济、能源消费结构以及工业、交通运输和建筑等领域的特点使其成为研究碳达峰和碳中和的理想对象. 本文以工业、交通运输业和建筑业为重点行业进行研究, 在LEAP模型的基础上, 构建了适用于江苏省的LEAP-Jiangsu分部分测算模型, 以分析研究江苏省碳达峰和碳中和的情况.
1 材料与方法 1.1 数据来源及处理能源数据来源于《中国能源统计年鉴（2011~2022）》, 主要涵盖各部门能源消费数据和能源碳排放因子数据. 综合利用江苏省统计部门提供的煤炭、油品、天然气消费量以及热力和电力数据. 在此基础上, 采用省级温室气体排放清单计算了各行业分能源品种的终端消费量, 以此计算各行业的碳排放量, 并进一步衍生出能源结构和能源强度等数据（图 1）. 其他数据, 例如人口数量和地区生产总值等, 来自《江苏省统计年鉴（2011~2022）》和政府工作报告.
|
图 1 2010~2021年江苏省能源消费结构 Fig. 1 Energy consumption structure in Jiangsu Province from 2010 to 2021 |
江苏省近年来的能源消费呈现出明显的变化趋势（图 2）. 从2010~2021年, 煤炭和焦炭消费量持续下降, 而汽油、天然气、热力和电力的消费量则不断增长. 这反映了能源结构逐渐向更清洁和高效的能源类型转变. 特别是自2017年以来, 煤炭和焦炭消费显著减少, 可能受政策和市场因素影响.
|
图 2 2010~2021年江苏省能源消费部门结构 Fig. 2 Structure of energy consumption departments in Jiangsu Province from 2010 to 2021 |
在消耗总量中, 工业、建筑业（包括居民生活）和交通运输业占据了90%以上的比例. 这表明这3个行业对江苏省的能源消费贡献极大. 因此, 本研究将重点关注这些行业, 进行后续的碳排放预测分析. 这将有助于更准确地评估碳排放情况, 并制定针对性的减排策略, 以实现双碳的目标[43].
1.2 碳排放核算本研究主要涉及对能源排放进行核算, 并基于LEAP模型对江苏省重点行业的碳排放进行预测. 核算方法参考IPCC编制的《国家温室气体清单指南》[44], 即根据化石能源消费量及特定排放因子进行核算. LEAP预测分为3个层级（见图 3）. 第一层级将能源消费部门分为建筑业、工业和交通等三大类；第二层级将建筑业细分为城镇和乡村, 交通运输业分为货运和客运. 鉴于交通运输业的复杂, 又将其进一步细化为公路、铁路和民航. 对每个消费部门, 本研究设置了煤炭、焦炭、汽油、天然气、热力和电力这6种能源消费类型.
|
图 3 江苏省终端能源消费部门划分 Fig. 3 Division of terminal energy consumption departments in Jiangsu Province |
能源消费碳排放总量计算公式如下：
|
(1) |
式中, i=1, 2, 3表示建筑业部门、工业部门和交通部门等3个能源消费终端部门；j=1, 2, 3, …, 6表示煤炭、焦炭、汽油、天然气、热力和电力这6种能源；Eij表示i部门j能源的消费量, EFj表示j能源的碳排放系数, 数据来源于《IPCC 2006指南》.
通过上述方法核算得到2010~2021年江苏省重点行业碳排放总量, 图 4为江苏省重点行业碳排放总量及碳排放强度.
|
图 4 2010~2021年江苏省重点行业碳排放特征 Fig. 4 Carbon emission characteristics of key industries in Jiangsu Province from 2010 to 2021 |
从2010~2014年, 碳排放量总体上有所增加, 从22 947.33万t增加到24 739.05万t. 然而, 之后的年份出现了波动, 2021年的排放量回落至25 352.76万t. 相反, 碳排放强度则呈下降趋势, 从2010年的0.95 t·万元-1降至2021年的0.45 t·万元-1. 这是由于能源结构调整、技术革新以及环境保护政策的推动所致.
1.3 LEAP模型的情景设置及参数设定 1.3.1 情景设置以2021年为基准年, 2060年为目标年. 考虑到“十四五”规划纲要及未来发展实际, 假设在不损害经济增长的前提下, 江苏省“十四五”期间年均GDP增速约为5.5%, 到2025年人均地区生产总值超过15万元. “十五五”期间年均增速约为4.3%, 并预计2030年人口规模将达到8 700万人左右. 本文假定江苏省在2030年人口达到峰值, 2060年降为2030年的94.5%. 为了合理预测未来的能源消费和碳排放情况, 本研究设定了基准情景（BAS情景）和3个控制情景.
4种情景的具体描述如下.
（1）基准情景（BAS情景） 各部门能耗强度和能源结构“冻结”在基准年水平, 只有活动水平随社会经济和人口发展而增长.
（2）政策执行情景（PIS情景） 该情景主要基于当前已明确发出或制定的国家及江苏省节能政策与碳排放政策, 对未来发展趋势进行预估, 旨在评估现有政策的节能减排效果.
（3）可持续发展情景（SDS情景） 在这个情景下, 各项变量指标的变动总体快于政策情景, 代表未来能源结构调整和清洁能源利用进程稍快于目前现有各项政策.
（4）创新推进情景（IAS情景） 这一情景参照国际先进城市的政策规划, 在政策情况的基础上, 进一步强化各项政策措施的控制力度, 代表未来各部门超额完成既定目标.
表 2为江苏省各控制情景参数设置的定性描述.
|
|
表 2 江苏省控制情景参数设置定性描述 Table 2 Qualitative description of control scenario parameter settings in Jiangsu Province |
1.3.2 能耗强度参数设置
（1）产业部门能耗强度 在“十四五期间”, 单位地区生产总值能耗预计下降14%, 单位地区生产总值二氧化碳完成国家下达的目标任务. 《江苏省碳达峰实施方案》指出, 到2025年, 全省单位地区生产总值能耗比2020年下降14%, 规模以上单位工业增加值能耗下降17%, 单位工业增加值二氧化碳排放下降20%. “十五五”期间, 到2030年, 单位地区生产总值二氧化碳排放比2005年下降65%以上.
本研究结合国家规划、江苏省“十四五”相关规划以及江苏省各产业部门万元产值能耗下降率历史趋势对江苏省各产业部门能耗强度进行参数设定, 具体见表 3.
|
|
表 3 2021~2060年江苏省产业部门能源消耗强度参数设置1） Table 3 Setting of energy consumption intensity parameters for industrial departments in Jiangsu Province from 2021 to 2060 |
（2）交通运输部门能耗强度 随着燃油技术的进步以及相关政策的干预和交通工具的燃油性将逐渐提高, 单位周转量的能耗将进一步下降, 且国内各省市交通运输部门的燃油经济性基本一致, 不存在显著差异. 参考Yin等[45]对于未来中国各类交通方式客货运能源强度的预测, 本研究对江苏省各类交通方式能源强度设置如表 4所示.
|
|
表 4 2021~2060年江苏省交通部门能源强度参数设置1） Table 4 Energy intensity parameter settings for transportation departments in Jiangsu Province from 2021 to 2060 |
1.3.3 能耗结构调整参数设置
（1）产业部门能源结构调整 工业部门方面, 《江苏省“十四五”工业绿色发展规划》指出, 未来以推动绿色低碳发展、加速实现碳中和为目标, 加快产业绿色低碳转型. 到2025年, 煤炭消费占比下降到52%左右, 煤电装机占比下降到50%左右, 煤电机组供电能耗下降至290 g·（kW·h）-1左右.
建筑部门方面, 《江苏省“十四五”绿色建筑高质量发展规划》指出, 到2025年, 新建超低能耗建筑总面积达到500万m2, 可再生能源替代建筑常规能源比例达到8%, 城镇新建建筑执行绿色标准比例达到100%, 装配式建筑占同期新开工建筑面积比例达到50%.
参考国家和江苏省相关规划, 对江苏省2021~2060年产业部门能源结构调整进行参数设定, 具体如表 5所示.
|
|
表 5 2021~2060年江苏省产业部门能源消费结构参数设置/% Table 5 Setting of energy consumption structure parameters for industrial departments in Jiangsu Province from 2021 to 2060/% |
（2）交通运输部门能源结构调整 《江苏省碳达峰实施方案》提到, 到2025年, 新能源车新车销售量占比达到20%以上, 城区常住人口100万以上的城市绿色出行比例达到70%以上. 到2030年, 营运交通工具单位换算周转量碳排放量强度较2020年下降95%左右. 《江苏省交通运输绿色低碳发展实施方案》指出, 到2030年, 当年新增新能源、清洁能源动力的交通工具比例达到40%左右.
参考江苏省交通运输部门能源结构调整相关规划, 对江苏省2021~2060年交通运输部门能源结构调整进行参数设定, 具体如表 6所示.
|
|
表 6 2021~2060年江苏省交通部门能源结构调整参数设置/% Table 6 Parameter settings for energy structure adjustment in the transportation department of Jiangsu Province from 2021 to 2060/% |
2 结果与讨论 2.1 不同情景下能源需求预测
根据第一章设定的情景参数, 应用LEAP模型对江苏省重点行业能源需求总量进行预测, 2021~2060年江苏省不同情景下能源消费量如图 5所示. 其中江苏省2021年的模拟值为2.03亿t（以标准煤计）, 相较于统计年鉴中的能源消费总量误差为2.22%, 处于可接受范围内. 具体分析如下.
|
图 5 2021~2060年江苏省重点行业不同情景能源消费趋势 Fig. 5 Energy consumption trends of key industries in Jiangsu Province from 2021 to 2060 |
BAS情景下, 江苏省重点行业能源消费总量持续呈高增长态势, 总能耗由2021年的2.03亿t增至2060年的4.78亿t, 增加2.35倍, 年均增速为3.46%.
PIS、SDS和IAS由于产业结构逐渐向第三产业转移、行业结构不断优化、终端能耗强度效率的不断提升, 江苏省终端能源消费总量较BAS情景显著降低, 截至2060年江苏省3个控制情景下终端能源消费总量分别为2.90亿、2.43亿和2.08亿t, 年均增速分别为1.88%、1.44%和0.45%, 相较于BAS情景的节能率分别为45.98%、58.96%和86.13%.
在BAS情景下, 能源消费总量呈高增长态势的原因之一是由于江苏省经济的快速发展, 工业、建筑业和交通运输业的活动水平增加, 推动了能源需求的增长. 而在PIS、SDS和IAS情景下, 能源消费总量的显著降低主要归因于政策导向的节能减排措施的实施, 包括能源利用效率的提升、产业结构的调整以及清洁能源的推广. 这些政策措施使得能源消费总量增速明显减缓, 反映了在不同程度上的节能潜力.
2.2 不同情景下碳排放预测 2.2.1 分情景碳排放预测应用LEAP模型对江苏省碳排放总量进行预测, 2021~2060年江苏省不同情景下碳排放量如图 6所示. 江苏省2021年的模拟值为2.62亿t, 相较于第一章中基于IPCC指南进行碳排放核算所得碳排放量误差为3.15%, 处于可接受范围内.
|
图 6 不同情景下2021~2060年江苏省重点行业碳排放趋势 Fig. 6 Carbon emission trends of key industries in Jiangsu Province from 2021 to 2060 under different scenarios |
BAS情景下, 由于产业结构、各部门能耗强度和用能结构等延续基准年水平, 江苏省碳排放总量与能源需求变化趋势相似, 也呈持续增长趋势. 江苏省碳排放量由2021年的2.62亿t增长近2.29倍, 达到2060年的5.99亿t, 年均增速为4.47%.
PIS、SDS和IAS情景下, 能源相关碳排放量较BAS情景显著降低. PIS情景下, 江苏省碳排放量持续增高, 2060年碳排放量达到2.99亿t, 年均增速为0.93%. SDS情景下, 江苏省在2026年已达碳排放峰值, 为2.68亿t, 仅比2021年基准年增长了0.06亿t. IAS情景下, 江苏省情景年间碳排放量持续降低, 截至2060年下降至1.14亿t, 年均下降速率为1.67%. 结果显示, 在现有政策情景下江苏省已经实现碳达峰, 未来将呈现稳定下降趋势.
在碳排放预测方面, BAS情景下的持续增长主要是由于能源消费总量的增加所导致. 而在PIS、SDS和IAS情景下, 碳排放量的显著降低则反映了政策执行情景、可持续发展情景和创新推进情景下的节能减排政策效果. 这些情景下, 碳排放量的降低主要来自于产业结构的优化、能源利用效率的提升以及清洁能源的应用, 特别是对高碳排放行业的限制和约束.
2.2.2 重点行业碳排放量分析图 7为江苏省重点行业碳排放量变化情况, 其中工业部门占据了75.85%, 交通运输部门占据了13.69%, 建筑部门占据了10.46%. 随着时间的推移和不同控制情景的影响, 各部门的碳排放情况有所变化.
|
（a）BAS情景, （b）PIS情景, （c）SDS情景, （d）IAS情景 图 7 江苏省重点行业碳排放量变化情况 Fig. 7 Changes in carbon emissions from key industries in Jiangsu Province |
工业部门：在PIS、SDS和IAS这3种情景下, 工业部门的碳排放量占比逐年降低. 这主要是由于产业结构的优化和技术水平的提升, 推动工业碳排放效率的提高. 在2060年, 工业部门的碳排放量占比分别为64.50%、63.55%和61.21%.
交通运输部门：随着江苏省常住人口规模的扩大和家庭生活消费水平的提升, 交通运输部门的碳排放量占比呈增加趋势. 在3种情景下, 从基准年的13.69%上升至19.85%、22.15%和27.45%. 这可能与交通需求的增加以及交通方式的选择有关.
建筑部门：建筑部门的碳排放量占比基本保持稳定, 且随着总体排放量的降低而逐年下降. 在2030~2060年间, 建筑部门的碳排放量占比变化较小, 表明该部门相对于其他两个部门在碳排放方面的贡献相对较稳定.
重点行业碳排放量变化的深层次分析涉及到各个行业的内部结构和特点. 工业部门碳排放量的逐年降低反映了产业结构的转型升级和技术水平的提升, 特别是随着清洁生产技术的应用和高能效设备的推广, 工业部门的碳排放效率得到了显著提高. 而交通运输部门碳排放量的增长则主要受到交通需求增加、机动车数量增加以及交通方式结构的变化的影响. 建筑部门碳排放量的相对稳定则反映了建筑行业的碳排放管理和技术水平的改善, 包括建筑节能技术的应用和绿色建筑标准的推广.
总体而言, 随着产业结构的调整和技术水平的提升, 江苏省在未来几十年内有望实现碳排放的逐步减少. 然而, 需关注交通运输部门的碳排放增加趋势, 可能需要进一步采取措施来应对这一挑战.
3 结论（1）在基准情景下, 江苏省的能源需求持续增长, 年均增速为3.46%, 2021~2060年能源消费量增加近2倍. 在政策执行、可持续发展和创新推进情景下, 能源消费总量显著降低, 节能效果分别为45.98%、58.96%和86.13%, 展现出不同程度的节能潜力. 因此, 要全面评估各情景的节能效果, 需要考虑多种能源政策和措施共同带来的效果, 包括提高能源利用效率、降低能源强度以及优化能源结构等方面的贡献. 单纯分析情景的节能效果并不能充分说明政策措施的具体节能减排贡献, 这需要进一步深入研究和分析.
（2）基准情景和政策执行情景难以实现江苏省2030年前碳达峰目标, 仅在可持续发展情景与创新推动情景下可以实现. 可持续发展情景达峰时间约在2025年, 实际可能推迟, 峰值约为1.7亿t；创新推动情景在2030年仍处于平缓增长期, 2023年达峰情景为目标导向情景实际难以达成.
（3）江苏省未来几十年内, 工业部门碳排放逐年降低, 交通运输部门呈增长趋势, 建筑部门相对稳定. 随着产业结构和技术水平提升, 总体有望实现碳排放逐步减少, 但应关注交通运输部门的增长, 可能需要进一步措施来应对挑战.
（4）对于LEAP模型的情景设定和参数设定, 本研究基于现有政策和发展规划, 然而这些假设可能与实际情况存在出入. 未来的研究可以更全面地考虑未知因素对模型结果的影响, 例如突发的技术革新、全球能源市场波动等因素.
| [1] | Yang Y T, Qu S, Cai B F, et al. Mapping global carbon footprint in China[J]. Nature Communications, 2020, 11(1): 2237. DOI:10.1038/s41467-020-15883-9 |
| [2] |
闫东升, 孙伟. 长江三角洲一体化区域扩容对城市碳排放强度的影响评估与机制[J]. 资源科学, 2022, 44(7): 1358-1372. Yan D S, Sun W. Impact of regional integration area enlargement on urban carbon emission intensity and mechanism: an empirical study based on the Yangtze River Delta[J]. Resources Science, 2022, 44(7): 1358-1372. |
| [3] | 中共中央关于党的百年奋斗重大成就和历史经验的决议[N]. 人民日报, 2021-11-17(001). |
| [4] | Zhang C Q, Luo H X. Research on carbon emission peak prediction and path of China's public buildings: scenario analysis based on LEAP model[J]. Energy and Buildings, 2023, 289. DOI:10.1016/j.enbuild.2023.113053 |
| [5] | 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 |
| [6] |
卢志贤. 基于LEAP模型的京津冀地区能源消费部门减污降碳协同效应研究[D]. 兰州: 兰州大学, 2023. Lu Z X. Study on the synergetic effect of pollution and carbon reduction of energy consumption departments in the BTH region based on the LEAP model[D]. Lanzhou: Lanzhou University, 2023. |
| [7] |
吴唯. 基于LEAP模型的长三角地区能源需求暨碳排放情景分析[D]. 上海: 上海交通大学, 2020. Wu W. Yangtze River Delta region's scenario analysis of energy demand and carbon emissions based on LEAP model[D]. Shanghai: Shanghai Jiao Tong University, 2020. |
| [8] |
吴琼, 马昊, 任洪波, 等. 基于LEAP模型的临港新片区中长期碳排放预测及减排潜力分析[J]. 环境科学, 2024, 45(2): 721-731. Wu Q, Ma H, Ren H B, et al. Medium and long-term carbon emission projections and emission reduction potential analysis of the Lingang Special Area based on the LEAP model[J]. Environmental Science, 2024, 45(2): 721-731. |
| [9] |
丛艳辉, 程澍, 冯威. 基于LEAP模型的吉林省能源需求及碳达峰时间预测研究[J]. 当代化工研究, 2023(20): 182-184. Cong Y H, Cheng S, Feng W. Study on energy demand and carbon peaking time prediction in Jilin Province based on the LEAP model[J]. Modern Chemical Research, 2023(20): 182-184. |
| [10] |
王钦章. 基于LEAP模型的安徽省建筑领域碳排放预测及技术路径研究[D]. 合肥: 安徽建筑大学, 2023. Wang Q Z. Research on the prediction and technical path of carbon emissions in the construction sector of Anhui Province based on LEAP model[D]. Hefei: Anhui Jianzhu University, 2023. |
| [11] |
陈丽君, 吴红梅, 范玲, 等. 浙江省碳排放峰值判断及其对策研究[J]. 中国能源, 2017, 39(4): 43-47. Chen L J, Wu H M, Fan L, et al. Study on carbon emission peak value Judgement and countermeasures in Zhejiang[J]. Energy of China, 2017, 39(4): 43-47. |
| [12] | Qu Y, Li J, Wang S G. Green total factor productivity measurement of industrial enterprises in Zhejiang Province, China: a DEA model with undesirable output approach[J]. Energy Reports, 2022, 8: 307-317. |
| [13] |
吴唯, 张庭婷, 谢晓敏, 等. 基于LEAP模型的区域低碳发展路径研究——以浙江省为例[J]. 生态经济, 2019, 35(12): 19-24. Wu W, Zhang T T, Xie X M, et al. Research on regional low carbon development path based on LEAP model: taking Zhejiang Province as an example[J]. Ecological Economy, 2019, 35(12): 19-24. |
| [14] |
王春春, 王远, 朱晓东. 基于长期能源替代规划模型的江苏省能源CO2排放达峰时间及峰值水平[J]. 应用生态学报, 2019, 30(10): 3535-3543. Wang C C, Wang Y, Zhu X D. Peak volume and time of energy-related CO2 emissions in Jiangsu Province, China based on long-range energy alternatives planning system model[J]. Chinese Journal of Applied Ecology, 2019, 30(10): 3535-3543. |
| [15] | Xu S C, Zhang L, Liu Y T, et al. Determination of the factors that influence increments in CO2 emissions in Jiangsu, China using the SDA method[J]. Journal of Cleaner Production, 2017, 142: 3061-3074. DOI:10.1016/j.jclepro.2016.10.161 |
| [16] |
魏彬. 江苏省"碳达峰"路径及对能源与水资源的影响研究[D]. 南京: 南京财经大学, 2022. Wei B. Study on the path of "carbon peak" and its impact on energy and water resources in Jiangsu Province[D]. Nanjing: Nanjing University of Finance and Economics, 2022. |
| [17] | O'Ryan R, Nasirov S, Osorio H. Assessment of the potential impacts of a carbon tax in Chile using dynamic CGE model[J]. Journal of Cleaner Production, 2023, 403. DOI:10.1016/j.jclepro.2023.136694 |
| [18] | Chen G. Impact of carbon border adjustment mechanism on China's manufacturing sector: a dynamic recursive CGE model based on an evolutionary game[J]. Journal of Environmental Management, 2023, 347. DOI:10.1016/j.jenvman.2023.119029 |
| [19] | Zhou W W, Cao X M, Dong X F, et al. The effects of carbon-related news on carbon emissions and carbon transfer from a global perspective: evidence from an extended STIRPAT model[J]. Journal of Cleaner Production, 2023, 425. DOI:10.1016/j.jclepro.2023.138974 |
| [20] | Yu S W, Zhang Q, Hao J L, et al. Development of an extended STIRPAT model to assess the driving factors of household carbon dioxide emissions in China[J]. Journal of Environmental Management, 2023, 325. DOI:10.1016/j.jenvman.2022.116502 |
| [21] | Victor N, Nichols C. CCUS deployment under the U.S. 45Q tax credit and adaptation by other North American Governments: MARKAL modeling results[J]. Computers & Industrial Engineering, 2022, 169. DOI:10.1016/j.cie.2022.108269 |
| [22] | Kawai E, Ozawa A, Leibowicz B D. Role of carbon capture and utilization (CCU) for decarbonization of industrial sector: a case study of Japan[J]. Applied Energy, 2022, 328. DOI:10.1016/j.apenergy.2022.120183 |
| [23] |
杨峰, 张贵驰, 孙佶, 等. 基于LEAP模型的长三角某市碳达峰情景[J]. 环境科学, 2024, 45(1): 104-114. Yang F, Zhang G C, Sun J, et al. Study of peak carbon emission of a city in Yangtze River Delta based on LEAP model[J]. Environmental Science, 2024, 45(1): 104-114. |
| [24] | El-Sayed A H A, Khalil A, Yehia M. Modeling alternative scenarios for Egypt 2050 energy mix based on LEAP analysis[J]. Energy, 2023, 266. DOI:10.1016/j.energy.2023.126615 |
| [25] | Lai C, Zimmer A D, O'Connor R, et al. LEAP: using machine learning to support variant classification in a clinical setting[J]. Human Mutation, 2020, 41(6): 1079-1090. DOI:10.1002/humu.24011 |
| [26] | Emodi N V, Emodi C C, Murthy G P, et al. Energy policy for low carbon development in Nigeria: a LEAP model application[J]. Renewable and Sustainable Energy Reviews, 2017, 68: 247-261. DOI:10.1016/j.rser.2016.09.118 |
| [27] | Sun W J, Zhao Y, Li Z, et al. Carbon emission peak paths under different scenarios based on the LEAP model—A case study of Suzhou, China[J]. Frontiers in Environmental Science, 2022, 10. DOI:10.3389/fenvs.2022.905471 |
| [28] | Wang J J, Li Y, Zhang Y. Research on carbon emissions of road traffic in Chengdu city based on a LEAP model[J]. Sustainability, 2022, 14(9). DOI:10.3390/su14095625 |
| [29] | Zhao T, Liu Z, Zhao C X. Research on the prospects of low-carbon economic development in China based on LEAP model[J]. Energy Procedia, 2011, 5: 695-699. DOI:10.1016/j.egypro.2011.03.123 |
| [30] | Feng Y Y, Zhang L X. Scenario analysis of urban energy saving and carbon abatement policies: a case study of Beijing city, China[J]. Procedia Environmental Sciences, 2012, 13: 632-644. DOI:10.1016/j.proenv.2012.01.055 |
| [31] |
李楠, 刘弯弯, 朱书涵, 等. 湖南省工业领域碳减排与空气质量改善协同[J]. 环境科学, 2024, 45(3): 1274-1284. Li N, Liu W W, Zhu S H, et al. Coordinated Control of carbon emission reduction and air quality improvement in the industrial sector in Hunan Province[J]. Environmental Science, 2024, 45(3): 1274-1284. |
| [32] |
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. |
| [33] |
李慧鹏, 李荔, 殷茵, 等. 基于LEAP模型的工业园区碳达峰路径: 以南京某国家级开发区为例[J]. 环境科学, 2024, 45(4): 1898-1906. Li H P, Li L, Yin Y, et al. Carbon peak pathways of industrial parks based on the LEAP model: a case study of a national development zone in Nanjing[J]. Environmental Science, 2024, 45(4): 1898-1906. |
| [34] | Tan X C, Lai H P, Gu B H, et al. Carbon emission and abatement potential outlook in China's building sector through 2050[J]. Energy Policy, 2018, 118: 429-439. DOI:10.1016/j.enpol.2018.03.072 |
| [35] |
任晓松, 马茜, 刘宇佳, 等. 碳交易政策对工业碳生产率的影响及传导机制[J]. 中国环境科学, 2021, 41(11): 5427-5437. Ren X S, Ma Q, Liu Y J, et al. The impact of carbon trading policy on industrial carbon productivity and its transmission mechanism[J]. China Environmental Science, 2021, 41(11): 5427-5437. |
| [36] |
徐艺诺, 翁大维, 王硕, 等. 粤闽浙沿海重点城市道路交通节能减排路径[J]. 环境科学, 2024, 45(5): 3107-3118. Xu Y N, Weng D W, Wang S, et al. Energy-saving and emission reduction path for road traffic in key coastal cities of Guangdong, Fujian and Zhejiang[J]. Environmental Science, 2024, 45(5): 3107-3118. |
| [37] | 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 |
| [38] |
陈纬, 李琼. 基于LEAP模型的既有城镇住区清洁能源替代及二氧化碳排放研究[J]. 华北科技学院学报, 2021, 18(6): 60-64, 82. Chen W, Li Q. Research on clean energy substitution and CO2 dioxide emission in existing urban residential areas based on LEAP model[J]. Journal of North China Institute of Science and Technology, 2021, 18(6): 60-64, 82. |
| [39] | 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 |
| [40] | 李根, 周莹, 张学思, 等. 江苏长江经济带制造业绿色发展现状及对策分析[J]. 科技经济市场, 2023(6): 56-59. |
| [41] |
徐蔚蓝, 郭承龙. 江苏省能源消费与经济增长双向长期回归关系分析[J]. 中国能源, 2021, 43(4): 75-79. Xu W L, Guo C L. Analysis on two-way long-term regression relationship between energy consumption and economic growth in Jiangsu Province[J]. Energy of China, 2021, 43(4): 75-79. |
| [42] |
刘建峰, 宋建刚, 方志. 建筑电气与智能化行业现状与发展[J]. 江苏建筑, 2023(S1): 115-119. Liu J F, Song J G, Fang Z. Current situation and development of building electrical and intelligent industry[J]. Jiangsu Construction, 2023(S1): 115-119. |
| [43] |
罗怀良. 国内农业碳源/汇效应研究: 视角、进展与改进[J]. 生态学报, 2022, 42(9): 3832-3841. Luo H L. Research on domestic agricultural carbon source/sink effect: perspectives, advances and improvements[J]. Acta Ecologica Sinica, 2022, 42(9): 3832-3841. |
| [44] | Parry M, Canziani O, Palutikof J, et al. Climate change 2007: impacts, adaptation and vulnerability: contribution of working group Ⅱ to the fourth assessment report of the Intergovernmental Panel on Climate Change[M]. Cambridge: Cambridge University Press, 2007. |
| [45] | Yin X, Chen W Y, Eom J, et al. China's transportation energy consumption and CO2 emissions from a global perspective[J]. Energy Policy, 2015, 82: 233-248. |