2. 太原理工大学经济与管理学院,太原 030024
2. School of Economics and Management, Taiyuan University of Technology, Taiyuan 030024, China
当前,全球温室气体排放量持续增加[1,2],温室效应带来的干旱、传染病大流行[3]和粮食危机[4]等危害愈发明显. 2023年,全球碳排放量(以CO2计,下同)高达374亿t[5],其中能源领域碳排放占比近80%[6]. 中国温室气体排放形势依旧严峻[7,8],2023年,中国与能源相关的CO2排放量约为120亿t[5],占全球能源活动排放量40%左右,能源消耗量(以标准煤计,下同)为57.2亿t[9],均为世界第一. 对此,中国已做出“2030年碳达峰,2060年碳中和”的郑重承诺,并将“碳中和”纳入国家政策当中[10,11]. 安徽省作为中国的能源大省,拥有的煤炭资源储量丰富[12],仅2023能源生产总量(以标准煤计,下同)就可达13 091万t[13],安徽省在中国能源领域具有较高的战略地位[14]. 因此,探究安徽省未来能源需求量与碳排放量,对中国实现碳中和目标具有重要意义.
截至目前,学者们对中国的碳排放研究主要集中在不同地区能源供需预测以及碳排放影响因素两个方面. 在能源需求预测上,学者们从国家[15,16]、地区[17]和行业[18,19]等角度进行研究,如吴凡[20]预测出中国2050年一次能源需求量达到63.5亿t,排放CO2排放达158.3亿t;Li等[21]预测京津冀地区2035年能源需求量达到416 Mt,二氧化碳排放量达到697 Mt;Xin等[22]预测河南省钢铁行业基准情景下2030年能源需求量为1 Mt,二氧化碳排放量为5.58 Mt. 而在碳排放影响因素方面,Xiao等[23]认为经济增长对中国人均碳排放量影响最大,其次是城镇化、产业结构和能源结构;Chen等[24]通过研究发现总体技术进步有利于减少碳排放,能源替代和节能技术对碳排放有正向减排作用,但是生产技术会导致碳排放量显著提高.
在研究方法上,Niu等[25]利用TOPSIS模型进行分析,结果表明可再生能源利用、保持生态环境质量和低碳技术是影响中国碳中和能力的重要因素. Xu等[26]采用DPSIR框架构建了黄河中下游流域省域碳中和能力指标体系,结果表明黄河中下游流域四省的碳中和能力随着时间的推移显著提高,人均汽车拥有量、城市人口密度等因素阻碍了各省碳中和能力的提升. Zhan等[27]利用系统动力学建立了碳中和模拟模型,分析发现碳排放量先快速增长后趋于稳定,碳固存没有明显变化,碳中和率下降.
以往学者们对中国的碳排放进行了广泛且深入的探讨,为本文提供了重要的参考. 在碳排放预测方面,以上学者提到的模型中,TOPSIS模型是一种多属性决策方法[28,29],具有方法灵活且计算简单的优点[30,31],但应用于碳排放预测中,具有过于依赖权重值确定,无法明确表示相关影响因素的缺点. DPSIR模型是以压力层、状态层和指标层这3层组成生态安全评价指标体系[32],具有整体性和综合性等特点[33],但缺乏对未来发展情况变化适应性. 系统动力学模型是利用数字仿真手段研究复杂的社会经济系统的定量方法[34],在分析人类活动对环境的影响方面更有优势[35],但对关键变量及其权重的确定具有较强的主观性. 而LEAP模型具有在替代预测、数量动态、影响因素确定和政策设置方面的优势,已在不同的尺度上得到了广泛应用[36,37]. 因此,LEAP模型在安徽省能源需求量与碳排放量预测研究中具有适用性,对安徽省建立符合本省实际情况的LEAP模型,找出安徽省实现低碳减排的路径,能够为中国实现碳中和目标做出补充.
综上,本研究基于安徽省2017~2021年数据,使用LEAP模型预测了基准情景下安徽省未来总体碳排放量和能源需求量,并基于不同情景对安徽省未来2022~2060年的能源需求与碳排放情况进行了预测,研究主要创新点如下:①用LEAP-Anhui模型对安徽省能源需求量以及碳排放量进行预测研究;②涵盖安徽省所有主要碳排放行业,探究不同时期安徽省的碳排放情况,解析不同行业在不同情境下的碳排放发展趋势及其特征.
1 材料与方法 1.1 模型框架LEAP(Long-range energy alternatives planning system)模型是一种“自下而上”的能源-环境核算方法[38,39],其具有可扩展性,用户可以依据研究对象的特性、数据的可得性、分析的目的和种类等,构建模型的框架和数据结构[40],适合于不完整的能源数据,目前已经在国家、地区和行业的能源策略研究中得到了广泛的应用[41,42]. 因此,LEAP模型对研究中国安徽省能源需求与碳排放预测具有适用性. LEAP模型技术路线如图 1所示.
![]() |
图 1 LEAP模型技术路线 Fig. 1 LEAP model technology road |
安徽省LEAP模型以安徽省的人口和经济等主要发展驱动参数为基础,通过设定不同政策情景,从终端能源需求方面进行分析,对能源加工、转化、传输等环节进行仿真,得到各部分的能源需求和碳排放情况.
1.2.1 终端能源需求以安徽省的人口和经济状况等核心参数,将安徽省能源需求模型划分为工业、建筑业、交通业和居民生活这4种终端能源,根据其对应的生产活动水平和相应的能源强度,可以得出能源总需求量[43],如式(1)所示.
$ D=\sum\nolimits_i D_i=\sum\nolimits_i \sum\nolimits_j \mathrm{AL}_{i, j} \times \mathrm{EI}_{i, j} $ | (1) |
式中,D为能源需求总量;Di为i部门能源需求量;ALi, j为i部门j种能源需求量;EIi, j为i部门j种能源对应的能源强度.
1.2.2 碳排放温室气体排放的来源为终端消费部门和加工转换部门[44],温室气体排放量计算公式如式(2).
$ E=\sum\nolimits_j S_j \times \mathrm{EF}_j $ | (2) |
式中,E为碳排放总量;Sj为j种能源消耗量;EFj为j种能源对应的排放因子.
1.3 情景设置通过对研究区域未来发展的预判,安徽省LEAP模型按照行业划分,设置了基准情景和10个政策情景,各情景描述及关键参数设置如表 1所示. 情景设置主要参考研究区域经济、能源和碳排放的相关政策规划.
![]() |
表 1 情景及情景描述 Table 1 Scenario and scenario description |
基准情景指在安徽省能源发展“十四五”规划的背景下,实现既定社会经济发展目标,延续当前能源政策并且不釆取特别的措施. 该情景假设GDP和人口正常速度增长,产业结构、交通体系、能源供应与消费结构按现有政策发展,节能减排技术有一定程度的突破,低碳生活模式逐渐普及. 本研究中基准情景是其他情景的参照情景.
政策情景指在政府出台的政策约束下能源与碳排放未来发展情景. 在基准情景的基础上将不同的政策转化为模型中的参数,进而模拟政策实施达到的效果. 本研究设置了4个行业和电力部门的政策情景并进一步细分为子情景,情景具体涵义如表 1所示.
1.4 数据来源本研究中,安徽省2021年及以前的数据均来源于《中国统计年鉴》[9]与《安徽统计年鉴》[45]. 对于2022~2060年的数据,人口参考《中国人口预测报告(2023版)》[46];GDP增长率来源于“十四五”规划[47]和《世界经济展望报告》[48];城镇化率依据《安徽省新型城镇化规划(2021~2035年)》[49]、“十四五”规划[47];产业结构主要依据“十四五”规划;居民收入依据安徽省“十四五”规划以及往年数据. 具体预测数据如表 2所示.
![]() |
表 2 主要指标数据 Table 2 Main indicator data |
2 结果与讨论 2.1 安徽省能源需求与碳排放总量预测分析
本部分旨在对安徽省能源需求与碳排放总量进行预测分析. 图 2分别展示了2022~2060年基准情景下安徽省各子部门的能源需求情况与碳排放情况.
![]() |
图 2 基准情景下安徽省能源需求总量与碳排放总量 Fig. 2 Total energy demand and carbon emissions in Anhui Province under the benchmark scenario |
由图 2(a)可知,能源需求在大部分行业都处于先快速增长再缓慢下降态势,安徽省能源需求总量在2039年达到高点239 Mt,2060年降低为204.83 Mt,相比2039年降低了34.3 Mt. 在能源结构方面,第二产业能源需求量变化最大,2049年能源需求量增长至177.04 Mt,至2060年降至为159.03 Mt,需求占比最高(77.64%),此时第三产业能源需求占比次之(11.13%),居民生活再次(8.56%),第一产业最末(2.66%).
由图 2(b)可知,基准情景下,碳排放量与能源需求总量增长趋势具有同步性,都处于先快速增长再缓慢下降态势. 安徽省碳排放总量在2029年达到463.31 Mt峰值,到2060年降至177.44 Mt. 在能源结构中,第二产业的碳排放量变化速度最快,2029年达到峰值349.76 Mt后,到2060年则降至135.24 Mt,碳排放占比最高(76.22%),此时第三产业碳排放占比次之(10.78%),居民生活再次(9.15%),第一产业最末(3.86%).
2.2 分品种能源需求预测分析进一步对不同情景下2022~2060年安徽省分品种能源需求量进行预测,包含工业、建筑业、交通业、居民生活和电力部门这5个方面.
2.2.1 工业图 3展示了2022~2060年基准情景、工业结构调整情景和工业能耗提升情景下安徽省工业部门对于不同能源的需求量.
![]() |
图 3 不同情景下安徽省工业能源需求量 Fig. 3 Industrial energy demand in Anhui Province under different scenarios |
由图 3可知,安徽省工业能源需求总量呈先上升后下降态势. 在基准情景下[图 3(a)],工业能源需求总量在2039年达到高点171.31 Mt,在2060年降至154.54 Mt,工业能源需求主要以电力(51.75%)为主. 工业结构调整情景通过控制重点企业发展[图 3(b)],降低工业活动水平,使工业能源需求总量相较基准情景有明显下降,在2060年达到102.98 Mt,各种能源需求所占比例几乎不变. 而工业能效提升情景通过优化用能结构[图 3(c)],减少化石能源消耗,使工业能源需求总量相比基准情景大幅降低,2060年降至94.46 Mt,煤炭消费占比明显降低.
2.2.2 建筑业图 4展示了2022~2060年基准情景与建筑节能情景下安徽省建筑部门对于不同能源的需求量.
![]() |
图 4 不同情景下安徽省建筑业能源需求量 Fig. 4 Energy demand of the construction industry in Anhui Province under different scenarios |
由如图 4可知,建筑业的各类能源需求量变化较为平缓. 在基准情景下[图 4(a)],建筑业能源需求总量在2039年达到峰值,为5.61 Mt,2060年则下降到4.49 Mt,其中电力需求最大(54.5%),于2060年达到2.45 Mt. 建筑节能情景设定在目前已有的相关政策基础上[图 4(b)],推动既有建筑改造,优化建筑用能结构,但在改造过程中,会产生新的能源需求,因此能源需求总量相比基准情景在2029年前变化较小,但在2030年开始逐年下降,能源需求总量在2060年相较于基准情景下降了1.43 Mt,电力能源仍占有主导地位(50.04%),在2060年需求量相比基准情景降低了0.49 Mt.
2.2.3 交通业图 5展示了2022~2060年基准情景、新能源汽车推广情景和运输优化情景下安徽省交通运输、仓储和邮政业对于不同能源的需求量.
![]() |
图 5 不同情景下安徽省交通业能源需求量 Fig. 5 Energy demand of transportation industry in Anhui Province under different scenarios |
由图 5可知,新能源汽车推广情景在能源结构调整方面更有优势. 在基准情景下[图 5(a)],安徽省交通运输、仓储和邮政业能源需求量呈逐年下降趋势,至2060年需求总量降至4.88 Mt. 新能源汽车推广情景只进行能源结构的调整[图 5(b)],大力发展新能源汽车,因此能源需求总量没有变化,石油能源逐渐退出最主要能源的地位,2060年相较于基准情景相比下降了2.75 Mt,电力(49.86%)、天然气(30.86%)需求占据主要地位. 而运输优化情景通过提高运输组织效率[图 5(c)],降低了能耗强度,2060年交通运输业能源需求相比基准情景降低了1 Mt,能源结构方面没有变化,石油能源仍占据主导地位(74.09%).
2.2.4 居民生活图 6展示了2022~2060年基准情景、热泵替代场景和低碳生活场景下安徽省居民生活对于不同能源的需求量.
![]() |
图 6 不同情景下安徽省居民生活能源需求量 Fig. 6 Energy demand for daily life of residents in Anhui Province under different scenarios |
由图 6可知,低碳生活场景在居民生活中更具节能潜力. 在基准情景下[图 6(a)],居民生活对各类型能源需求量变化较为平缓,居民生活能源需求总量于2029年达到高点24.74 Mt,2060年降至17.53 Mt. 煤炭能源需求变化幅度较大,从2022年7.27 Mt,降至2060年0.52 Mt. 热泵替代场景通过对能源结构进行调整[图 6(b)],提高电力消耗占比,因此电力能源需求量增大,2060年需求量相比基准情景增加了2.31 Mt,占主要地位(55.6%). 低碳生活场景倡导绿色低碳和节约用能的生活方式[图 6(c)],因此居民生活的能源需求量在2060年相比基准情景降低了4.26 Mt,电力能源需求下降了1.81 Mt,呈现明显下降态势.
2.2.5 电力部门图 7展示了2022~2060年基准情景、煤电退出情景、新能源加速情景和电气加速情景下安徽省电力转换对不同能源的需求量.
![]() |
图 7 不同情景下安徽省电力转换部门能源需求量 Fig. 7 Energy demand of power conversion departments in Anhui Province under different scenarios |
由图 7可知,电气加速情景对于电力部门能源结构优化效果更好. 在基准情景下[图 7(a)],电力部门能源需求总量在2039年快速达到峰值,为257.59 Mt,2060年降至217.04 Mt,此时煤炭能源需求量显著降低至39.4 Mt,电力需求量增长至86.09 Mt(占比52%),可再生能源、生物质、天然气、核能的需求量一直处于稳步增长状态,2060年增长至95.42、24.58、23.35、12.90 Mt. 在煤电退出情景下[图 7(b)],安徽省优化能源结构,煤电逐步退出,因此煤炭能源需求大幅下降,在2060年需求量降为6.33Mt,可再生能源在能源需求中占据主导地位(49%). 在新能源加速情景下[图 7(c)],安徽省提升新能源装机容量,大幅提升新能源发电量,2060年煤炭能源需求量相比基准情景下降25.69 Mt,可再生能源占据了重要地位(51%),相较于基准情景增长了15.96 Mt. 在电气加速情景下[图 7(d)],电力部门拓展电能替代的广度和深度,提高终端用能电气化水平,因此2060年电力能源需求相比基准情景增加了51.1 Mt,煤炭需求量降至11.44 Mt,相比基准情景下降了27.95 Mt.
2.3 分品种碳排放预测分析进一步对不同情景下2022~2060年安徽省分品种碳排放量进行预测,主要对煤炭、石油和天然气等能源作分析.
2.3.1 工业图 8展示了2022~2060年基准情景、工业结构调整情景和工业能耗提升情景下安徽省工业部门不同类型能源的碳排放情况.
![]() |
图 8 不同情景下安徽省工业能源碳排放量 Fig. 8 Carbon emissions from industrial energy in Anhui Province under different scenarios |
由图 8可知,工业能效提升情景对安徽省工业行业实现节能降碳目标更具潜力. 在基准情景下[图 8(a)],工业领域碳排放量在2029年达峰,为339.48 Mt,2060年降至130.96 Mt,其中,煤炭排放量最高(占比76.66%),在2029年达到峰值323.52 Mt,2060年降至100.39Mt. 在工业结构调整情景下[图 8(b)],工业领域碳排放量略有减少,2060年碳排放总量相比基准情景下降了43.38 Mt,煤炭碳排放量下降了33.19 Mt,天然气和石油的碳排放占比整体呈上升趋势. 在工业能效提升情景下[图 8(c)],得益于调整优化用能结构,2060年工业领域碳排放总量相较基准情景下降了66.54 Mt,煤炭碳排放量下降了52.03 Mt.
2.3.2 建筑业图 9展示了2022~2060年基准情景与建筑节能情景下安徽省建筑业不同类型能源的碳排放情况.
![]() |
图 9 不同情景下安徽省建筑业碳排放量 Fig. 9 Carbon emissions from the construction industry in Anhui Province under different scenarios |
由图 9可知,建筑业的各类能源碳排放情况均呈现倒“U”型变化趋势. 在基准情景下[图 9(a)],建筑业碳排放总量在2030年达到峰值,为10.10 Mt,2060年降至4.28 Mt,煤炭碳排放量在2028年达到峰值5.78 Mt后持续减排,2060年降至0.61 Mt,天然气和石油的碳排放占比持续小幅提升. 在建筑节能情景下[图 9(b)],由于能源消耗量的降低,建筑行业碳排放量2029年达到峰值,为9.64 Mt,2060年降至2.29 Mt,其中煤炭2028年达到峰值5. 9Mt,2060年降至0.39 Mt,天然气和石油的碳排放占比仍持续小幅提升.
2.3.3 交通业图 10展示了2022~2060年基准情景、新能源汽车推广情景和运输优化情景下安徽省交通运输、仓储和邮政业不同类型能源碳排放情况.
![]() |
图 10 不同情景下安徽省交通业碳排放量 Fig. 10 Carbon emissions from the transportation industry in Anhui Province under different scenarios |
由图 10可知,安徽省交通业碳排放呈逐年下降态势. 在基准情景下[图 10(a)],交通行业碳排放总量逐年下降,在2060年降至8.82 Mt,石油排放量在2060年降至7.72 Mt,仍占比最高(87.51%). 在新能源汽车推广情景下[图 10(b)],由于化石能源比例降低,交通行业碳排放总量大幅下降,2060年该情景碳排放下降至4.54 Mt,石油碳排放下降至1.84 Mt,能源结构发生较大改变,天然气开始占据主导地位(55%),碳排放量在2060年达到2.5 Mt. 在运输结构优化情景下[图 10(c)],由于提高终端能效降低能源需求,交通行业碳排放总量在2060年降至7.02Mt,石油碳排放降至6.14 Mt,占比最大(87.51%),天然气和煤炭碳排放量整体呈下降趋势.
2.3.4 居民生活图 11展示了2022~2060年基准情景、热泵替代场景和低碳生活场景下安徽省居民生活对于能源的碳排放情况.
![]() |
图 11 不同情景下安徽省居民生活碳排放量 Fig. 11 Carbon emissions of residents in Anhui Province under different scenarios |
由图 11可知,安徽省居民生活碳排放量逐年降低. 在基准情景下[图 11(a)],居民生活碳排放量呈逐年下降态势,至2060年,碳排放总量下降至16.23 Mt,煤炭碳排放量下降至3.18 Mt,下降幅度最大,天然气成为居民生活的主导能源,碳排放占比高达42.71%. 在热泵替代情景下[图 11(b)],能源结构的改变致使居民生活碳排放2060年降至12.79 Mt,其中煤炭碳排放2060年锐降至2.72 Mt,碳排放占比下降至21.31%,居民生活电气化水平大幅提升. 在低碳生活情景下[图 11(c)],能源需求的大幅降低致使居民生活碳排放2060年降至12.28 Mt,其中煤炭碳排放2060年锐降至2.41 Mt,占比降至19.6%.
2.3.5 电力部门图 12展示了2022~2060年基准情景、煤电退出情景、新能源加速情景和电气加速情景下安徽省电力部门的能源碳排放情况.
![]() |
图 12 不同情景下安徽省加工转换部门总碳排放量 Fig. 12 Total carbon emissions of processing and conversion departments in Anhui Province under different scenarios |
由图 12可知,电气加速情景对安徽省电力部门的能源碳排放总量和煤炭碳排放影响最为显著. 在基准情景下[图 12(a)],安徽省电力部门碳排放于2029年达峰,峰值为106.94 Mt,2060年碳排放总量降至35.22 Mt,煤炭碳排放降至22.07 Mt,约占排放总量的63%. 在煤电退出情景下[图 12(b)],由于化石能源消耗占比降低,2060年安徽省电力部门碳排放总量降至28.24 Mt,相比基准情景下降了6.99 Mt,煤炭碳排放量大幅下降,2060年降至17.11 Mt,相比基准情景下降了4.96Mt,占据主要地位(占比61%). 在新能源加速情景下[图 12(c)],提升新能源装机容量致使2060年电力部门碳排放总量相比基准情景下降了2.79Mt,煤炭相比基准情景分别下降了2.74Mt,仍占据主体地位(60%),天然气碳排放量基本没有变化. 在电气加速情景下[图 12(d)],因电力部门提高终端用能电气化水平,2060年电力部门碳排放总量相比基准情景下降了22.03 Mt,呈大幅下降态势,煤炭碳排放相比基准情景下降了12.18 Mt,但仍占比最高(75%),天然气碳排放相比基准情景下降了9.85 Mt.
2.4 综合情景下安徽省能源需求与碳排放分析本部分旨在选取各行业最优碳排放情景(工业能效提升情景、建筑节能情景、新能源汽车推广情景、低碳生活情景和电气加速情景)组合形成综合情景,并对该情景下安徽省能源需求与碳排放总量进行预测分析. 图 13分别展示了2022~2060年综合情景下安徽省各子部门的能源需求情况与碳排放情况.
![]() |
图 13 不同情景下安徽省加工转换部门总碳排放量 Fig. 13 Total carbon emissions of processing and conversion departments in Anhui Province under different scenarios |
由图 13(a)可知,在综合情景下,能源需求总量呈先快速增长,再趋于平稳,后稳步下降态势. 安徽省能源需求总量在2029年达到高点220.82 Mt,2060年降低为139.04 Mt,相比基准情景降低了65.78 Mt. 在能源结构方面,第二产业能源需求量变化最大,2029年能源需求量增长至159.45 Mt,至2060年降至为97.51 Mt,相比基准情景降低了61.52 Mt. 因此,对安徽省各主要碳排放行业针对性进行能效提升与能源结构优化,能够最大幅度降低安徽省的能源需求.
由图 13(b)可知,综合情景下碳排放量与能源需求总量增长趋势仍具有同步性,安徽省碳排放总量在2029年达到338.01 Mt,到2060年降至86.94 Mt. 在能源结构中,第二产业碳排放量变化速度最快,2029年达到峰值270.39 Mt后,到2060年则降至64.09 Mt,相比基准情景降低了71.15 Mt. 由于安徽省能源需求总量的降低,化石能源逐渐退出主要能源地位,直接导致安徽省碳排放显著降低. 结合邓文萍等[50]对碳吸收的估算方法,粗略测算出至2060年安徽省碳吸收量达99.67Mt. 因此在该情景下,安徽省能够在2059年实现碳中和目标.
3 对策与建议为促进安徽省更好地实现碳中和目标,本文基于研究所得结论提出以下政策建议.
(1)重视重点行业能效领跑,调整优化用能结构,推动基础设备能效提升. 由分析可知安徽省工业节能降碳潜力巨大,该省需结合能源大省的实际情况,围绕能源消耗占比较高、改造条件相对成熟的冶金、建材和化工等重点行业,针对电机、变压器等通用用能设备,推进能效提升行动,推动高效用能设备应用,开展存量用能设备及系统节能改造. 同时依托合芜蚌示范区、皖江示范区、皖北、皖西、皖南等地区现代产业体系,围绕园区主导产业构建能源、碳排放、资源循环高效管控系统,建设国家绿色工业园区和生态工业示范园区.
(2)政策重点放在发展新能源技术方面,推动重点领域节能. 交通业、建筑业、电力转换部门等终端用能领域能源需求较大,对这些领域推行新能源技术能够大幅度降低安徽省能源需求和碳排放. 该省需利用当地创新产业优势,大力发展合肥科技工业园,依托中国科学技术大学、合肥工业大学、安徽理工大学、合肥综合性国家科学中心等创新平台,联合六安市、马鞍山市等组成的安徽长江城市氢能产业协同发展联盟,加强氢能产业布局,推动先进适用绿色低碳技术装备研发和推广应用,重点着眼于氢能安全利用、新型储能、二氧化碳捕集利用与封存(CCUS)、装配式建筑等关键节能减排技术,推进重点领域重点设备革新,在终端用能上减少碳排放.
(3)政府要注重消费端节能减排,大力推广绿色低碳生活方式,增强民众绿色低碳意识. 居民生活能源需求随着经济与城市化进程发展而增加,对城市环境产生重大影响. 因此安徽省可以对标上海市进行低碳生活推广,因地制宜推行生活垃圾分类,加大绿色产品采购力度,将生态文明教育纳入国民教育体系,加强对公众的生态文明科普教育,普及碳达峰碳中和基础知识. 统筹推进绿色生活创建行动,开展绿色低碳社会行动示范创建,推出一批绿色低碳典型.
4 结论(1)在基准情景下能源需求结果预测表明,安徽省的快速发展会带来能源需求的大幅增加,且需求量在2039年达到高点239 Mt,碳排放则不能够在2060年达到“净零”的要求,此时碳排放总量为177 Mt.
(2)分行业能源需求分析结果表明,至2060年,工业结构调整情景对工业能源需求影响更大,此情景下能源需求量降至102.98Mt;建筑节能情景在建筑业更具有节能潜力,需求量降至3.07 Mt;居民生活中低碳生活情景对能源需求度降低,需求量降至13.26 Mt;电力转换部门电气加速情景对能源结构进行调整,可再生能源开始占据重要地位(63%).
(3)分行业碳排放分析结果表明,至2060年,工业行业中工业能效提升情景减碳效果更为优良,碳排放降至64.42 Mt;建筑节能情景在建筑行业中具有更好的节能潜力,碳排放降至2.29 Mt;新能源汽车推广情景推行能源结构调整,使碳排放锐减至4.54 Mt,石油碳排放大幅下降至1.84 Mt;低碳生活情景在居民生活中表现优越,碳排放降至12.28 Mt;电气加速情景在电力部门中具有良好的降碳效果,碳排放降至13.2 Mt,煤炭碳排放降至9.9 Mt.
(4)综合情景下能源需求与碳排放结果预测表明,在工业能效提升、建筑节能、新能源汽车推广、低碳生活和电气加速等综合条件加持下,安徽省能源需求于2029年达到高点220.82 Mt,碳排放于2029年达到峰值338.01 Mt,2060年降至64.09 Mt,综合考虑安徽省碳汇和CCUS等发展情况,安徽省有望于实现2060年碳中和目标.
[1] | Ghosh S, Dinda S, Das Chatterjee N, et al. Spatial-explicit carbon emission-sequestration balance estimation and evaluation of emission susceptible zones in an eastern Himalayan city using pressure-sensitivity-resilience framework: an approach towards achieving low carbon cities[J]. Journal of Cleaner Production, 2022, 336. DOI:10.1016/j.jclepro.2022.130417 |
[2] | Jiang P, Sonne C, You S M. Dynamic carbon-neutrality assessment needed to tackle the impacts of gobal crises[J]. Environmental Science & Technology, 2022, 56(14): 9851-9853. |
[3] | Romanello M, Whitmee S, Mulcahy E, et al. Further delays in tackling greenhouse gas emissions at COP28 will be an act of negligence[J]. The Lancet, 2023, 402(10417): 2055-2057. |
[4] | Romanello M, Di Napoli C, Green C, et al. The 2023 report of the Lancet Countdown on health and climate change: the imperative for a health-centred response in a world facing irreversible harms[J]. The Lancet, 2023, 402(10419): 2346-2394. |
[5] | IEA. CO2 emissions in 2023[EB/OL]. https://ourworldindata.org/grapher/annual-co2-emissions-per-country, 2023-03-01. |
[6] | Gür T M. Giga-ton and tera-watt scale challenges at the energy - climate crossroads: a global perspective[J]. Energy, 2024, 290. DOI:10.1016/j.energy.2023.129971 |
[7] |
李辉, 庞博, 朱法华, 等. 碳减排背景下我国与世界主要能源消费国能源消费结构与模式对比[J]. 环境科学, 2022, 43(11): 5294-5304. Li H, Pang B, Zhu F H, et al. Comparative energy consumption structure and mode between China and major energy-consuming countries under the background of carbon emission reduction[J]. Environmental Science, 2022, 43(11): 5294-5304. DOI:10.13227/j.hjkx.202112065 |
[8] | Yu X, Tan C. China's pathway to carbon neutrality for the iron and steel industry[J]. Global Environmental Change-Human and Policy Dimensions, 2022, 76. DOI:10.1016/j.gloenvcha.2022.102574 |
[9] | 国家统计局. 中国统计年鉴(2022)[EB/OL]. http://find.nlc.cn/search/showDocDetails?docId=3967543224712405074&dataSource=ucs01&query=%E4%B8%AD%E5%9B%BD%E7%BB%9F%E8%AE%A1%E5%B9%B4%E9%89%B4, 2022-09-20. |
[10] |
陆旸, 郭艺扬. 碳中和相关问题研究综述与展望[J]. 北京工业大学学报(社会科学版), 2024, 24(1): 116-134. Lu Y, Guo Y Y. Overview and prospect of carbon neutrality[J]. Journal of Beijing University of Technology (Social Sciences Edition), 2024, 24(1): 116-134. |
[11] | Cheng B B, Dai H C, Wang P, et al. Impacts of low-carbon power policy on carbon mitigation in Guangdong Province, China[J]. Energy Policy, 2016, 88: 515-527. |
[12] |
李臻, 陈义华, 陈从喜, 等. 基于SOFM方法的安徽省矿产资源开发主体功能区划研究[J]. 合肥工业大学学报(自然科学版), 2023, 46(1): 111-117. Li Z, Chen Y H, Chen C X, et al. Research on major function oriented zoning of mineral resourcesdevelopment in Anhui Province based on SOFM[J]. Journal of Hefei University of Technology (Natural Science), 2023, 46(1): 111-117. |
[13] | 国家统计局安徽调查总队. 安徽省2023年国民经济和社会发展统计公报[EB/OL]. http://tjj.ah.gov.cn/ssah/qwfbjd/tjgb/sjtjgb/149270961.html, 2024-03-21. |
[14] | Song M L, Zhou Y X. Analysis of carbon emissions and their influence factors based on data from Anhui of China[J]. Computational Economics, 2015, 46(3): 359-374. |
[15] | Chaturvedi S, Rajasekar E, Natarajan S, et al. A comparative assessment of SARIMA, LSTM RNN and Fb prophet models to forecast total and peak monthly energy demand for India[J]. Energy Policy, 2022, 168. DOI:10.1016/j.enpol.2022.113097 |
[16] | Barrett J, Pye S, Betts-Davies S, et al. Energy demand reduction options for meeting national zero-emission targets in the United Kingdom[J]. Nature Energy, 2022, 7(8): 726-735. |
[17] |
张保留, 白梓函, 张楠, 等. 城市碳达峰碳中和行动评估方法与应用[J]. 环境科学, 2023, 44(7): 3649-3659. Zhang B L, Bai Z H, Zhang N, et al. Evaluation method and application for urban carbon peaking & neutrality performance[J]. Environmental Science, 2023, 44(7): 3649-3659. DOI:10.13227/j.hjkx.202208091 |
[18] | Xiong J, Guo S Y, Wu Y, et al. Predicting the response of heating and cooling demands of residential buildings with various thermal performances in China to climate change[J]. Energy, 2023, 269. DOI:10.1016/j.energy.2023.126789 |
[19] | Rashad M, Żabnieńska-Góra A, Norman L, et al. Analysis of energy demand in a residential building using TRNSYS[J]. Energy, 2022, 254. DOI:10.1016/j.energy.2022.124357 |
[20] |
吴凡. 经济转型和低碳双约束下的中国能源消费情景预测[J]. 经济与管理, 2017, 31(3): 80-86. Wu F. China's energy consumption projection prediction restrained by economic transition and low carbon emission[J]. Economy and Management, 2017, 31(3): 80-86. |
[21] | Li B, Zhou W L, Xian Y J, et al. Forecasting the energy demand and CO2 emissions of industrial sectors in China's Beijing-Tianjin-Hebei region under energy transition[J]. Environmental Science and Pollution Research, 2024, 31(5): 7283-7297. |
[22] | Xin H J, Wang S S, Chun T, et al. Effective pathways for energy conservation and emission reduction in iron and steel industry towards peaking carbon emissions in China: case study of Henan[J]. Journal of Cleaner Production, 2023, 399. DOI:10.1016/j.jclepro.2023.136637 |
[23] | Xiao M, Peng X Z. Decomposition of carbon emission influencing factors and research on emission reduction performance of energy consumption in China[J]. Frontiers in Environmental Science, 2023, 10. DOI:10.3389/fenvs.2022.1096650 |
[24] | Chen C H, Luo Y Q, Zou H, et al. Understanding the driving factors and finding the pathway to mitigating carbon emissions in China's Yangtze River Delta region[J]. Energy, 2023, 278. DOI:10.1016/j.energy.2023.127897 |
[25] | Niu D X, Wu G Q, Ji Z S, et al. Evaluation of provincial carbon neutrality capacity of China based on combined weight and improved TOPSIS model[J]. Sustainability, 2021, 13(5). DOI:10.3390/su13052777 |
[26] | Xu J, Wang H Y, Li Z. Evaluation of the provincial carbon neutrality capacity of the middle and lower Yellow River basin based on the entropy weight matter-element model[J]. Energies, 2022, 15(20). DOI:10.3390/en15207600 |
[27] | Zhan J Y, Wang C, Wang H H, et al. Pathways to achieve carbon emission peak and carbon neutrality by 2060: a case study in the Beijing-Tianjin-Hebei region, China[J]. Renewable and Sustainable Energy Reviews, 2024, 189. DOI:10.1016/j.rser.2023.113955 |
[28] |
甘荣情, 曾令武, 陈媛, 等. 黄河流域中下游城市水资源节约集约利用能力[J]. 环境科学, 2025, 46(5): 2816-2827. Gan R Q, Zeng L W, Chen Y, et al. Water resources conservation and intensive utilization capability of cities in the middle and lower reaches of the yellow river basin[J]. Environmental Science, 2025, 46(5): 2816-2827. DOI:10.13227/j.hjkx.202404124 |
[29] | Susmaga R, Szczęch I, Brzezinski D. Towards explainable TOPSIS: visual insights into the effects of weights and aggregations on rankings[J]. Applied Soft Computing, 2024, 153. DOI:10.1016/j.asoc.2024.111279 |
[30] | Zeng S Z, Gu J X, Peng X D. Low-carbon cities comprehensive evaluation method based on Fermatean fuzzy hybrid distance measure and TOPSIS[J]. Artificial Intelligence Review, 2023, 56(8): 8591-8607. DOI:10.1007/s10462-022-10387-y |
[31] | De Lima Silva D F, Ferreira L, De Almeida Filho A T. Preference disaggregation on TOPSIS for sorting applied to an economic freedom assessment[J]. Expert Systems with Applications, 2023, 215. DOI:10.1016/j.eswa.2022.119341 |
[32] |
金向阳, 李杨, 于雷, 等. 煤矿区绿色低碳评价指标构建及应用[J]. 煤炭科学技术, 2024, 52(4): 131-142. Jin X Y, Li Y, Yu L, et al. Construction and application of green and low-carbon evaluation indicators for coal mining areas[J]. Coal Science and Technology, 2024, 52(4): 131-142. |
[33] |
陆保一, 明庆忠, 史鹏飞, 等. 基于DPSIR-SBM框架的旅游生态安全时空动态及影响路径——以云南省为例[J]. 地理与地理信息科学, 2023, 39(6): 134-142. Lu B Y, Ming Q Z, Shi P F, et al. Spatio-temporal evolution and influence paths of tourism ecological security based on DPSIR-SBM framework: a case study of Yunnan province[J]. Geography and Geo-Information Science, 2023, 39(6): 134-142. |
[34] |
霍腾飞, 张锦帆, 乔友凤, 等. 城镇化视角下建筑碳排放达峰动态情景模拟[J]. 环境科学, 2024, 45(12): 6783-6795. Huo T F, Zhang J F, Qiao Y F, et al. Dynamic scenario simulation of building carbon peak from the perspective of urbanization[J]. Environmental Science, 2024, 45(12): 6783-6795. DOI:10.13227/j.hjkx.202312129 |
[35] |
刘莉娜, 高峰, 曲建升, 等. 甘青地区碳减排潜力分析及绿色发展路径探讨[J]. 环境科学, 2024, 45(11): 6354-6364. Liu L N, Gao F, Qu J S, et al. Analysis of carbon emission reduction potential and discussion on the green development path in Gansu-Qinghai regions[J]. Environmental Science, 2024, 45(11): 6354-6364. DOI:10.13227/j.hjkx.202312058 |
[36] | 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 |
[37] | Miao A K, Yuan Y, Wu H, et al. Pathway for China's provincial carbon emission peak: a case study of the Jiangsu Province[J]. Energy, 2024, 298. DOI:10.1016/j.energy.2024.131417 |
[38] | Awopone A K, Zobaa A F, Banuenumah W. Techno-economic and environmental analysis of power generation expansion plan of Ghana[J]. Energy Policy, 2017, 104: 13-22. |
[39] | Jun S, Lee S, Park J W, et al. The assessment of renewable energy planning on CO2 abatement in South Korea[J]. Renewable Energy, 2010, 35(2): 471-477. |
[40] | 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. |
[41] | Von Hippel D, Suzuki T, Williams J H, et al. Energy security and sustainability in Northeast Asia[J]. Energy Policy, 2011, 39(11): 6719-6730. |
[42] | Akom K, Shongwe T, Joseph M K, et al. Energy framework and policy direction guidelines: Ghana 2017-2050 perspectives[J]. IEEE Access, 2020, 8: 152851-152869. |
[43] | Bianco V, Righi D, Scarpa F, et al. Modeling energy consumption and efficiency measures in the Italian hotel sector[J]. Energy and Buildings, 2017, 149: 329-338. |
[44] | Handayani K, Anugrah P, Goembira F, et al. Moving beyond the NDCs: ASEAN pathways to a net-zero emissions power sector in 2050[J]. Applied Energy, 2022, 311. DOI:10.1016/J.APENERGY.2022.118580 |
[45] | 安徽省统计局. 安徽统计年鉴(2022)[EB/OL]. http://find.nlc.cn/search/showDocDetails?docId=-7988296374230008194&dataSource=ucs01&query=%E5%AE%89%E5%BE%BD%E7%BB%9F%E8%AE%A1%E5%B9%B4%E9%89%B4, 2022-12-01. |
[46] | 梁建章, 任泽平, 黄文政, 等. 中国人口预测报告(2023)[EB/OL]. https://file.c-ctrip.com/files/6/yuwa/0R70l12000ap4aa8z4B12.pdf, 2023-02-17. |
[47] | 国家发展改革委. "十四五"新型城镇化实施方案[EB/OL]. https://www.gov.cn/zhengce/zhengceku/2022-07/12/5700632/files/7e5eda0268744bebb5c1d4638e86f744.pdf, 2022-06-21. |
[48] | 世界银行集团. 全球经济展望[EM/OL]. https://www.shihang.org/zh/publication/global-economic-prospects, 2021-10-01. |
[49] | 安徽省人民政府. 安徽省新型城镇化规划(2021—2035年)[EB/OL]. https://www.ah.gov.cn/group6/M00/05/2A/wKg8BmI4RaaAMGDsABmHcbBloK0242.pdf, 2022-03-03. |
[50] |
邓文萍, 朱文博, 张哲, 等. 河南省县域土地利用碳收支时空格局与碳补偿分区[J]. 环境科学, 2025, 46(3): 1517-1534. Deng W P, Zhu W B, Zhang Z, et al. Spatio-temporal variation of landuse carbon budget and carbon compensation zoning at county level in Henan province[J]. Environmental Science, 2025, 46(3): 1517-1534. DOI:10.13227/j.hjkx.202403231 |