环境科学  2025, Vol. 46 Issue (8): 4934-4946   PDF    
基于LMDI和系统动力学的陕西省CO2减排潜力估算
郑烈龙, 张强 , 杨方社, 赵兴赟, 罗嘉昕, 史治辉, 樊亭亭, 雷国琴, 姜旭朋     
西北大学城市与环境学院,西安 710127
摘要: 采用扩展的对数平均迪氏指数(LMDI)模型和系统动力学(SD)模型,探究2007~2021年陕西省CO2排放变化的影响因素,并预测陕西省2022~2035年的减排潜力. 结果表明:①陕西省CO2排放量从2007年的103.14 Mt增长到2021年的336.87 Mt,平均年增长率为7.14%,各部门碳强度总体呈下降趋势. ②在LMDI分解结果中,人均GDP增长对CO2排放的促进作用最大,其次是能源结构和民用车辆拥有量. 能源强度对CO2排放的抑制作用最大,其次是产业结构、居民能源强度和平均车辆产值. ③基准情景下,陕西省CO2排放量将持续增长,直至2035年,其排放量将是2021年的1.75倍. ④在综合减排措施下,该区域可在2030年实现碳排放达峰,基准情景下,2030年陕西省碳强度比2007年减低71.67%. ⑤在单项减排政策中,经济规模情景最为有效,其次是结构优化情景,此外,能源强度优化、新能源车情景的潜力较小. 本研究为陕西省制定低碳政策,促进碳减排,早日实现碳排放达峰提供了有效的数据支撑.
关键词: 陕西省碳排放      对数平均迪氏指数(LMDI)模型      系统动力学      情景分析法      减排政策     
Estimation of Terminal CO2 Emission Reduction Potential in Shaanxi Province Based on LMDI and System Dynamics
ZHENG Lie-long , ZHANG Qiang , YANG Fang-she , ZHAO Xing-yun , LUO Jia-xin , SHI Zhi-hui , FAN Tin-tin , LEI Guo-qin , JIANG Xu-peng     
College of Urban and Environmental Science, Northwest University, Xi'an 710127, China
Abstract: The extended logarithmic mean Dee's index (LMDI) model and system dynamics (SD) model were used to explore the influencing factors of CO2 emissions in Shaanxi Province from 2007 to 2021 and to predict the emission reduction potential of Shaanxi Province from 2022 to 2035. The results showed that: ① The CO2 emissions in Shaanxi Province increased from 103.14 Mt in 2007 to 336.87 Mt in 2021, with an average annual growth rate of 7.14%, and the carbon intensity of various sectors generally showed a downward trend. ② In the LMDI decomposition results, the growth of per capita GDP had the greatest promoting effect on CO2 emissions, followed by that of energy structure and civilian vehicle ownership. Energy intensity had the greatest inhibitory effect on CO2 emissions, followed by that of industrial structure, residents' energy intensity, and average vehicle output value. ③ Under the baseline scenario, CO2 emissions in Shaanxi Province will continue to grow until 2035, and its emissions will be 1.75 times that of 2021. ④ Under comprehensive emission reduction measures, the region could achieve carbon emission peak in 2030. Under the baseline scenario, the carbon intensity of Shaanxi Province in 2030 will be reduced by 71.67% compared with that in 2007. ⑤ Among the single emission reduction policies, the economic scale scenario was the most effective, followed by the structural optimization scenario. In addition, the energy intensity optimization and new energy vehicle scenarios have less potential. This study provides effective data support for Shaanxi Province to formulate low-carbon policies, promote carbon emission reduction, and achieve carbon emission peak as soon as possible.
Key words: Shaanxi carbon emissions      extended log-mean Dee's index (LMDI) model      system dynamics      scenario analysis      emission reduction policy     

全球气候变化是当今人类面临的重大问题,这些问题不仅威胁自然生态系统和人类生存环境,还对世界经济发展和社会进步产生影响[1~4]. 这一现象的主要原因之一是温室气体排放,其中CO2占70%以上. 因此,碳减排成为国内外关注的焦点[56]. 中国每年的温室气体排放量均超过100亿t,并且逐年上升. 目前在全球CO2排放中的占比超过30%[78]. 作为负责任的发展中国家,中国承诺到2030年实现碳达峰,2030年前将碳强度比2005年降低60%~65%,并在2060年实现碳中和[9].

陕西省作为我国西北的重要经济和科技大省,在发展过程中面临能源大量消耗和粗放生产等问题,这不仅导致能源浪费,还引发严重的碳排放问题. 实现2060年碳中和目标需要解决发展与碳减排之间的矛盾[10]. 为此,国内外学者采用了多种方法来核算和预测碳排放峰值,包括排放因子法、STIRPAT模型、EKC曲线、Johansen协整分析、LEAP模型、生产理论分解分析(PDA)方法、LMDI分解法、灰色预测法和系统动力学(SD)模型等[11~15]. 例如,Yang[16]利用排放因子法估算了2000~2018年中国30个省份城市建设用地的CO2排放量. 刘妍慧等[17]使用排放因子法计算了2000~2019年湖北省交通运输业的CO2排放量. Shan等[1819]根据IPCC的CO2排放公式编制了2000~2012年中国30个省份的表观CO2排放量,并在中国碳排放账户和数据集(CEADs)中发布和更新. 林明裕[20]通过修正引力模型分析了长江经济带的碳排放绩效. Zheng等[21]利用LMDI对中国CO2排放进行分解,发现中国CO2排放主要由经济增长引起,但这一驱动因素在2012年后有所缓和,能源效率提高和能源结构调整会导致碳排放下降. 梁潆月等[22]对长三角地区进行EKC曲线分析,发现农业碳排放与人均GDP之间存在EKC曲线关系. 王靖添[23]等通过Johansen协整分析和误差修正模型研究了交通运输碳排放的影响因素. Liu等[24]运用生产理论分解分析(PDA)方法分析了CO2排放要素及其他影响因素. Ren等[25]通过情景分析法和优化算法预测了广东省2020至2060年的CO2排放. 田川等[26]利用情景分析法和LEAP-Liaobin模型预测了能源消费和CO2排放. 董棒棒等[27]基于STRIPAT模型和情景分析法对我国西北地区的能源消费碳排放进行了预测. Wang等[28]利用基于因子分析的贝叶斯神经网络(FABNN),设计了512种预测情景,以预测中国在哪种情景下,2060年能实现碳中和. 李建豹等[29]基于改进IPAT模型对长三角地区碳排放进行了预测. 李广明等[30]在测算区域旅游业碳排放时引入了“旅游消费剥离系数”,并用灰色GM(1,1)模型预测了广东省未来5 a的旅游碳排放趋势. 张峰等[31]利用GM(1,1)模型、Verhulst模型和SCGMc(1,1)模型建立了组合灰色预测模型,以预测山东三大碳排放行业的碳排放量.

陕西省的碳排放系统是一个复杂的多领域交织的系统. 自1958年Forrester[32]提出系统动力学(SD)模型以来,许多学者开始利用SD模型进行建筑业碳排放的预测分析和减排措施研究. 刘菁等[33]建立了中国建筑业的SD模型,进行长期预测和减排潜力分析. 赵冬蕾等[34]分析了经济、能源、人口和环境等子系统的影响关系,设定了3种情景来预测建筑业的直接碳排放,并提出了减排政策建议. Wang等[35]利用SD模型预测了中国公共建筑碳排放的峰值. Li等[36]采用系统动力学方法研究了江苏省建筑业的CO2排放,模拟了2030年在不同减排情景下的排放量,发现只有通过多种减排政策组合才能实现目标. Liu等[37]结合系统动力学和支持向量回归模型模拟了广州市2030年的CO2排放,设计了4种情景来评估社会经济发展和城市空间结构变化对碳减排的影响. 综上所述,大多数研究使用单一模型模拟CO2排放,以探究排放变化的驱动因素及其影响. 然而,省级碳排放系统复杂且具有非线性动态关系,难以捕捉. 此外,目前的研究主要集中在国家层面,对省级,尤其是陕西省的研究仍不够深入.

本文采用碳排放系数法计算陕西省碳排放量,结合LMDI分解模型识别主要影响因素,并基于这些因素建立系统动力学(SD)模型,研究因素与碳排放之间的因果关系. 最终,基于该模型进行陕西省碳排放预测,评估各情景下的减排潜力,并提出减排措施,以期为陕西省节能减排提供思路.

1 材料与方法 1.1 数据来源

本文数据来源于2008~2022年《陕西省统计年鉴》和《中国能源统计年鉴》,并结合《陕西省统计年鉴》中的主要能源平衡情况表以及Liu等[38]提到的终端能源分类,统计了原煤、焦炭、原油、汽油、煤油、柴油、燃料油、液化石油气、天然气和电力这10种能源种类,然后,将陕西省CO2排放分为经济产业,交通运输、仓储和邮政业,居民生活消费这3个部分.

1.2 排放因子法

CO2排放量的计算可分为直接排放计算方法和间接排放计算方法. 由政府间气候变化专门委员会编制和修订的《IPCC国家温室气体清单指南(2006)》中的直接排放计算方法是各国或地区核算CO2排放的常用方法.

本研究选择了直接排放计算方法来计算陕西省的相关CO2排放量. 平均低位发热量和标准煤系数取自《综合能耗计算通则》(GB/T2589-2020),单位热值含碳量和碳氧化率取自《省级温室气体清单编制指南(试行)》,如表 1所示.

表 1 不同燃料类型的不同参考系数 Table 1 Different reference coefficients of different fuel types

电力消费不会产生CO2,但在使用电力时必然涉及到电力产品调入调出,此时电力使用时会有隐含的CO2排放,因此本文参考《省级排放指南》中西北地区的电力排放因子[0.977 kg·(kW·h)-1],根据《综合能耗计算通则》(GB/T2589-2020),选取电力标准煤折算系数为(以ce计)0.122 9 kg·(kW·h)-1.

基于2019年的IPCC《2006年国家温室气体清单指南》的修订,CO2排放核算方程如下:

$ C_i^t=\sum\nolimits_i \sum\nolimits_j C_{i j}^t=\sum\nolimits_i \sum\nolimits_j E_{i j}^t \times K_j $ (1)

式中,C为CO2排放量,单位为t;t为年份;i为部门;j为能源类型;E为能耗(kg或者m3);K为CO2排放因子(以CO2计,kg·kg-1或kg·m-3).

不同能源的CO2排放因子可以根据表 1中列出的每个能源的参数,通过式(2)得出:

$ K_J=A \times B \times R \times \frac{44}{12} \times 10^{-6} $ (2)

式中,A为单位热值含碳量(以C计,t·TJ-1);B为平均低位发热量(kJ·kg-1或kJ·m-3);R为碳氧化率.

1.3 LMDI模型

本研究采用扩展的LMDI方法,将CO2按经济部门,交通运输、仓储和邮政业以及居民生活进行分解. 该方法可以将区域CO2排放分解为多个驱动因素. 扩展的LMDI模型除了学者们常用的分解驱动因素(CO2排放因子、能源结构、能源强度、产业结构、GDP和人口)外,还包括交通运输、仓储和邮政业,平均车辆产值,民用汽车拥有量,居民生活能源强度和人均收入. 具体来说,相关方程如下:

$ C=C_\alpha+C_\beta+C_\gamma $ (3)
$ \begin{aligned} C_\alpha & =\sum\limits_{i=1}^3 \sum\limits_{j=1}^{10} \frac{C_{i j}}{E_{i j}} \times \frac{E_{i j}}{E_i} \times \frac{E_i}{\mathrm{GDP}_i} \times \frac{\mathrm{GDP}_i}{\mathrm{GDP}} \times \frac{\mathrm{GDP}}{\mathrm{POP}} \times \mathrm{POP} \\ & =\sum\limits_{i=1}^3 \sum\limits_{j=1}^{10} \mathrm{CF}_{i j} \times \mathrm{ES}_{i j} \times \mathrm{EI}_i \times \mathrm{IS}_i \times \mathrm{GP} \times \mathrm{POP} \end{aligned} $ (4)
$ \begin{aligned} C_\beta & =\sum\limits_{i=4} \sum\limits_{j=1}^{10} \frac{C_{i j}}{E_{i j}} \times \frac{E_{i j}}{E_i} \times \frac{E_i}{\mathrm{GDP}_i} \times \frac{\mathrm{GDP}_i}{\mathrm{NV}} \times \mathrm{NV} \\ & =\sum\limits_{i=4} \sum\limits_{j=1}^{10} \mathrm{CF}_{i j} \times \mathrm{ES}_{i j} \times \mathrm{EI}_i \times \mathrm{APV}_i \times \mathrm{NV} \end{aligned} $ (5)
$ \begin{aligned} C_\gamma & =\sum\limits_{i=5} \sum\limits_{j=1}^{10} \frac{C_{i j}}{E_{i j}} \times \frac{E_{i j}}{E_i} \times \frac{E_i}{\mathrm{RTI}} \times \frac{\mathrm{RTI}}{\mathrm{POP}} \times \mathrm{POP} \\ & =\sum\limits_{i=5} \sum\limits_{j=1}^{10} \mathrm{CF}_{i j} \times \mathrm{ES}_{i j} \times \mathrm{REI}_i \times \mathrm{PCI} \times \mathrm{POP} \end{aligned} $ (6)

式(3)~(6)各变量含义见表 2.

表 2 LMDI模型中变量的含义 Table 2 Meaning of variables in LMDI model

根据LMDI模型,区域CO2排放量从第0期(基期)到第T期(目标期)的变化量为 Δ C = C T - C 0 . 由此根据LMDI的计算结构,可以计算出10个驱动因素对区域CO2排放的贡献,如式(7)~(17)所示,其中每个参数含义见表 2.

$ \begin{aligned} \Delta C= & C^T-C^0=\Delta C_{\mathrm{CF}}+\Delta C_{\mathrm{ES}}+\Delta C_{\mathrm{EI}}+\Delta C_{\mathrm{IS}}+ \\ & \Delta C_{\mathrm{GP}}+\Delta C_{\mathrm{POP}}+\Delta C_{\mathrm{APV}}+\Delta C_{\mathrm{NV}}+ \\ & \Delta C_{\mathrm{REI}}+\Delta C_{\mathrm{PCI}} \end{aligned} $ (7)
$ \Delta C_{\mathrm{CF}}=\sum\limits_{i=1}^5 \sum\limits_{j=1}^{10}\left(\frac{C_{i j}^T-C_{i j}^0}{\ln C_{i j}^T-\ln C_{i j}^0}\right) \times \ln \frac{\mathrm{CF}_{i j}^T}{\mathrm{CF}_{i j}^0} $ (8)
$ \Delta C_{\mathrm{ES}}=\sum\limits_{i=1}^5 \sum\limits_{j=1}^{10}\left(\frac{C_{i j}^T-C_{i j}^0}{\ln C_{i j}^T-\ln C_{i j}^0}\right) \times \ln \frac{\mathrm{ES}_{i j}^T}{\mathrm{ES}_{i j}^0} $ (9)
$ \Delta C_{\mathrm{El}}=\sum\limits_{i=1}^4 \sum\limits_{j=1}^{10}\left(\frac{C_{i j}^T-C_{i j}^0}{\ln C_{i j}^T-\ln C_{i j}^0}\right) \times \ln \frac{\mathrm{EI}_i^T}{\mathrm{EI}_i^0} $ (10)
$ \Delta C_{\mathrm{IS}}=\sum\limits_{i=1}^3 \sum\limits_{j=1}^{10}\left(\frac{C_{i j}^T-C_{i j}^0}{\ln C_{i j}^T-\ln C_{i j}^0}\right) \times \ln \frac{\mathrm{IS}_i^T}{\mathrm{IS}_i^0} $ (11)
$ \Delta C_{\mathrm{GP}}=\sum\limits_{i=1}^3 \sum\limits_{j=1}^{10}\left(\frac{C_{i j}^T-C_{i j}^0}{\ln C_{i j}^T-\ln C_{i j}^0}\right) \times \ln \frac{\mathrm{GP}^T}{\mathrm{GP}^0} $ (12)
$ \begin{aligned} \Delta C_{\mathrm{POP}} & =\sum\limits_{i=1}^3 \sum\limits_{j=1}^{10}\left(\frac{C_{i j}^T-C_{i j}^0}{\ln C_{i j}^T-\ln C_{i j}^0}\right) \times \ln \frac{\mathrm{POP}^T}{\mathrm{POP}^0} \\ & +\sum\limits_{i=5} \sum\limits_{j=1}^{10}\left(\frac{C_{i j}^T-C_{i j}^0}{\ln C_{i j}^T-\ln C_{i j}^0}\right) \times \ln \frac{\mathrm{POP}^T}{\mathrm{POP}^0} \end{aligned} $ (13)
$ \Delta C_{\mathrm{APV}}=\sum\limits_{i=4} \sum\limits_{j=1}^{10}\left(\frac{C_{i j}^T-C_{i j}^0}{\ln C_{i j}^T-\ln C_{i j}^0}\right) \times \ln \frac{\mathrm{APV}_i^T}{\mathrm{APV}_i^0} $ (14)
$ \Delta C_{\mathrm{NV}}=\sum\limits_{i=4} \sum\limits_{j=1}^{10}\left(\frac{C_{i j}^T-C_{i j}^0}{\ln C_{i j}^T-\ln C_{i j}^0}\right) \times \ln \frac{\mathrm{NV}^T}{\mathrm{NV}^0} $ (15)
$ \Delta C_{\mathrm{REI}}=\sum\limits_{i=5} \sum\limits_{j=1}^{10}\left(\frac{C_{i j}^T-C_{i j}^0}{\ln C_{i j}^T-\ln C_{i j}^0}\right) \times \ln \frac{\mathrm{REI}_i^T}{\mathrm{REI}_i^0} $ (16)
$ \Delta C_{\mathrm{PCI}}=\sum\limits_{i=5} \sum\limits_{j=1}^{10}\left(\frac{C_{i j}^T-C_{i j}^0}{\ln C_{i j}^T-\ln C_{i j}^0}\right) \times \ln \frac{\mathrm{PCI}^T}{\mathrm{PCI}^0} $ (17)

这10个驱动因子可以进一步分为5组:经济规模效应( Δ C G P Δ C P O P )、结构效应( Δ C E S Δ C I S )、交通活动效应( Δ C N V Δ C A P V )、强度效应( Δ C E I Δ C C F )和居民活动效应( Δ C R E I Δ C P C I ).

1.4 系统动力学模型结构

本研究构建了一个SD模型(见图 1),包括4个子系统:经济规模、交通运输、居民生活和碳排放. 经济规模子系统包括人均GDP、GDP、产业结构、能源强度和能源结构;交通子系统涵盖能源结构、能源强度、交通工具产值和数量;居民生活子系统包括能源结构、能源强度、人均收入、总收入和人口;碳排放子系统包括各行业和区域总CO2排放量. 各行业中历史能耗为0的能源未列入模型中.

能耗相关变量前的数字“1,2,3,4,5”分别表示其属于第一产业,第二产业,第三产业,交通运输、仓储和邮政业,居民生活中的能耗相关变量 图 1 陕西省CO2排放的SD模型 Fig. 1 SD model of CO2 emission in Shaanxi Province

1.5 SD模型测试

为了使系统动力学模型的仿真结果可信,必须利用历史数据对模型进行有效性检验和可信性预测. 本研究将2007~2021年的数据分为两部分,其中2007~2015年和2020~2021年的数据作为历史数据处理,得到模拟结果,并与选取的6个主要变量(人均GDP、人口、居民总收入、交通工具数量、能源消耗和CO2排放总量)的真实值进行对比,进行有效性检验,然后利用该模型对2016~2019年的相关数据进行预测,得到的模拟结果也与真实值进行比较,检验预测精度,最后选取GDP、POP、TGDP和10种能源消耗的增长率作为关键指标进行敏感性测试,预测结果如表 3所示.

表 3 SD模型检验1) Table 3 SD model test

模型的模拟结果与真实值相对一致,其中2007~2015年和2020~2021年直接输入真实值,误差在0.000 09%~0.000 3%,因此误差极小. 2016~2019年的数据的插值过程由系统动力学软件Vensim PLE7.3.5自动生成. 在这种情况下,模拟值和真实值之间的误差仍然不超过5.5%,由此可见当直接设定2025、2030和2035年的相关数据时,该模型也能很好的预测所有年份的相关数据.

敏感性测试对SD模型的校准十分重要,本研究选取GDP、POP、TGDP和10种能源消耗的增长率作为关键指标进行敏感性测试,上述变量各增加10%时,CO2排放量变动幅度较小,在0.19%(燃料油消耗量)~8.25%(地区生产总值)之间,这表明参数的任何变化都会对系统产生不平衡影响但均在合理范围之内[3940].

综上所述,可以说该SD模型能够有效地描述社会经济发展、城市交通、能源消耗和碳排放子系统之间的实际关系和反馈[41].

2 结果与讨论 2.1 陕西省CO2的历史排放趋势

根据式(1)和式(2)计算的陕西省终端能源消耗CO2排放量如图 2(a)所示. 陕西省终端能源消费CO2排放总量从2007年的103.14 Mt增长到2021年的336.87 Mt,年平均增长率为7.14%,2007~2021年区域CO2排放量呈上升趋势,在2021年达到峰值336.87 Mt,而碳排放强度15 a来总体呈下降趋势.

图 2 2007~2021年陕西省终端能源消费CO2排放量和贡献率 Fig. 2 CO2 emissions and contribution rate of terminal energy consumption in Shaanxi Province from 2007 to 2021

图 2(b)为2007~2021年陕西省各产业结构部门对CO2排放的贡献程度. 第二产业对CO2排放的贡献最大,贡献率在2016年、2020年和2021年最高,达到71%. 居民消费位居第二,贡献率最高达到12%,第三产业和交通运输、仓储业和邮政业对CO2排放的贡献率在6%~11%之间变化,此外,第一产业也对CO2排放的贡献率较低,在2%~4%之间.

2.2 CO2排放的因素分解

图 3(a)可知,陕西省CO2排放量从2007年的130.14 Mt增加到2021年的336.87 Mt,共增加了206.73 Mt. 从分组的增量贡献中来看,社会经济规模起到主要的促进作用,为301.04 Mt,其次是交通活动效应和结构效应,贡献量分别为24.91 Mt和23.01 Mt,最后是居民活动效应为15.38 Mt,强度效应起到抑制作用为-157.60 Mt,图 3中各变量含义见表 2.

(a)ΔGP表示人均GDP对CO2排放的贡献,后文同理;(b)中百分数表示在对应阶段各个影响因素对碳排放量增量的贡献率 图 3 2007~2021年不同驱动因素对陕西省CO2排放变化的贡献 Fig. 3 Contribution of different driving factors to CO2 emission change in Shaanxi Province from 2007 to 2021

图 3(b)可知,2007~2021年间,除人均GDP效应、民用汽车拥有量效应和居民人均收入效应均对陕西省CO2排放起到促进作用,而能源强度效应均为抑制作用之外,其余影响因素在不同时间段对CO2排放的影响有增加也有减少. 从他们的贡献可以看出,陕西省经济增长对碳排放量的增加影响最大,达到138.81%,能源强度对碳排放的抑制作用最大,达到-76.24%.

2.2.1 经济规模效应

图 4可以发现,2007~2021年陕西省CO2排放增长的主要贡献者是ΔGP,其贡献量为286.96 Mt,贡献了CO2排放增长的66.45%. 2007~2021年ΔPOP对区域CO2排放的贡献为14.08 Mt,贡献了3.26%的CO2排放增长量.

图 4 经济规模效应分析 Fig. 4 Economic scale effect analysis

图 4(a)显示,陕西省ΔGP和ΔPOP对CO2排放的贡献呈“M”形趋势,波动较大. 2007~2015年,ΔGP对CO2的贡献总体下降,但2009和2010年有短暂上升,主要受金融危机影响. 自2014年起,人口增加对经济造成负面影响,人均GDP下降. 2016年后,经济复苏,ΔGP和对CO2的贡献逐年上升. 2019年,新冠疫情导致ΔGP和ΔPOP对CO2排放的贡献下降,显示了政策和他们之间相互影响的复杂性.

2.2.2 结构效应

图 5(a)所示,结构效应分为ΔES和ΔIS,其中能源结构效应对CO2排放起到促进作用,2007~2021年CO2排放贡献值为52.30 Mt,最大值为2015~2016年的15.95 Mt,最小值为2007~2008年的-5.46 Mt;ΔIS起到抑制作用,2007~2021年总贡献量为-29.29 Mt,最大值为2020~2021年的11.13 Mt,最小值为2018~2019年的-16.39 Mt.

图 5 结构效应分析 Fig. 5 Structural effect analysis

图 5(b)所示,2012年前煤炭消费占比和清洁能源占比变化不大,但自2012年起,天然气和电力占比逐年上升,而煤炭消费逐年下降. 这是由于《中国能源政策2012》白皮书的推动,政策鼓励化石能源的清洁发展. 2009年天然气和电力在能源消耗中的占比为26%,到2021年增至45%. 预计未来煤炭占比将继续下降,能源结构优化将持续至2050年[42].

中国经济高度依赖工业,特别是高耗能的第二产业. 从图 5(c)可见,陕西省2007~2021年第二产业比例总体下降,第三产业比例上升. 自2012年起,产业调整将重心从第二产业转向第三产业,导致产业结构对CO2排放的总体贡献为负(-29.29 Mt). 因此,随着第二产业比例下降和高新技术产业扩张,优化产业结构有望降低碳排放.

2.2.3 交通运输效应

图 6(a)所示,ΔNV对CO2排放的总贡献量为41.51 Mt. 民用汽车数量从2007年的91.13万辆增长到2021年的797.06万辆,增加近9倍. 尽管车辆总数增加导致燃料消耗上升,但从2009年起,国家对新能源汽车的支持政策,使得ΔNV对CO2的贡献从2010年的最高值5.11 Mt逐渐下降,到2021年降至1.60 Mt. 新能源车普及和政策扶持使得尽管车辆数增加,但CO2排放贡献逐年降低.

图 6 交通运输活动效应分析 Fig. 6 Traffic and transportation activity effect analysis

图 6(b)所示,APV从2007年的3.7万元降至2021年的1.6万元,随着行业越来越规范化,行业中混乱的情况逐渐减少,再加上行业内部的竞争,使得每辆车的平均产值下降,所以交通运输、仓储和邮政业ΔAPV对陕西省CO2排放的贡献量为-16.60 Mt.

2.2.4 能源强度效应

图 7(a)所示,ΔEI是陕西省CO2排放的主要抑制因素,总贡献量为-157.60 Mt. 图 7(b)显示,能源强度从2007年的0.76(以标煤计)万t·亿元-1下降到2021年的0.29(以标煤计)万t·亿元-1,降幅为61.91%. 这表明绿色技术的进步显著降低了能源强度. 由于CO2排放因子在研究中是固定的,其贡献始终为0.

图 7 能源强度效应分析 Fig. 7 Energy intensity effect analysis

2.2.5 居民活动效应

图 8(b)所示,2007~2021年居民总收入年均增长11.90%,而居民生活能源强度总体下降. 根据图 8(a)的LMDI分解结果,ΔPCI(37.02 Mt)对CO2排放大部分时间为促进作用,而ΔREI(-21.64 Mt)起到抑制作用. 因此,促进绿色生活和降低能源强度是减少CO2排放的有效途径之一.

图 8 居民活动效应分析 Fig. 8 Analysis of residents' activity effect

2.3 基线场景设定与分析 2.3.1 基线场景设定

本研究首先考虑在无新的减排政策下,以人均GDP增长率(GPIR)、人口增长率(POPIR)、人均收入增长率(PCIIR)、民用汽车拥有量(NV)和能源强度为基准进行情景设计,产业结构和能源结构维持在2021年的水平,表 4给出了GPIR、POPIR、PCIIR和NV在基准场景下的参数设置.

表 4 基准情景参数设置 Table 4 Benchmark Scenario Parameter Settings

2.3.1.1 人口增长率

根据《陕西省(人口发展规划(2016~2030)》提出:全面两孩政策实施后,“十三五”时期生育水平适度回升,出生人口增多;总人口将在2030年达到峰值4 000万人,根据政策规划,利用线性插值法确定2023~2030年的人口数量,计算得出2022~2030年的人口增长率,并且根据《人口发展战略研究报告2010~2011年》中对西北地区人口数的预测,本研究将2030~2035年人口增长率设置为-0.2%.

2.3.1.2 人均GDP增长率和人均收入增长率

根据国家统计局数据,2014~2021年陕西省GDP增速与全国相近,仅2020年因疫情除外. 陕西省在“十五”到“十三五”期间的年均GDP增长率分别为11.5%、14.9%、11%和11.1%. 根据《陕西省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》,本研究将2023~2030年GDP年均增长率设定为6.50%,2030~2035年为5.20%. 考虑到COVID-19的影响,预计2022~2025年人均总收入增速放缓,2025年回到正常水平.

综上所述,如表 5所示,本研究将2025年人均总收入增长率设定为2016~2019年的平均值,并参考苏永乐[43]的研究,将2025年、2030年和2035年的人均总收入增长率设定为9.12%、7.12%和5.12%.

表 5 不同研究预测GDP增长率/% Table 5 Different studies predict GDP growth rate/%

2.3.1.3 民用汽车拥有量

根据《陕西省“十四五”综合交通运输发展规划》以及对陕西省民用车辆数历史数据的计算,结合Gu等[44]的研究,本研究将陕西省民用汽车拥有量增长率设定为7%.

2.3.1.4 分行业能源强度设定

根据《陕西省国民经济和社会发展第十四个五年规划和二〇三五年远景目标纲要》指出,陕西省的能源消费强度在“十三五”期间累计降低15.00%,完成了陕西省规划目标. 并且在“十四五”期间陕西省需要达成能源强度持续下降,完成国家下达指标即5 a累计下降12.00%. 因此,基准政策情景下能源消费强度增长率分别设置为-2.00%、-2.20%和-2.40%.

2.3.2 基线场景(BUA)分析

根据前文的参数设置,本研究在基准情景设置中没有考虑任何新的减排政策,仅考虑人均GDP增长率,人口增长率,居民收入增长率,民用汽车拥有量,各行业能源强度的变化. 这些变量会导致GDP、能源消费和CO2排放量的变化,模拟结果如图 9所示.

图 9 基线情景模拟结果 Fig. 9 Baseline scenario simulation results

图 9(a)可见,如果不加强减排政策,陕西省2021年的能源和产业结构将保持不变,CO2排放将持续增加,2030年难以实现碳达峰,因此需要出台更严格的节能减排政策. 减排政策应从能源强度、产业结构、能源结构和经济规模等方面入手. 从图 9(b)图 9(c)可见,CO2排放的67.97%来自第二产业,但该产业GDP仅占49.29%. 尽管第二产业比例会因工业化降低,但相对于发达国家仍有差距,未来减排政策应进一步降低其比例. 从图 9(d)可见,天然气和电力的比例逐渐增加,相较于煤炭和石油,天然气更为环保,制定能源结构调整政策时应予以关注.

2.4 不同减排政策情景的设计与分析 2.4.1 减排情景政策设计

在基准情景下,基于LMID的5种效应,本研究设定以下4种减排情景:能源强度优化情景(S1)、结构优化情景(S2)、经济规模情景(S3)和新能源汽车情景(S4),此外,本研究最后将这4个减排措施一并实施,本文称之为综合减排措施(CERM).

2.4.1.1 能源强度优化情景(S1)

根据《陕西省国民经济和社会发展第十四个五年规划和二〇三五年远景目标纲要》及《陕西省工业领域碳达峰实施方案》,到2025年,规模以上工业单位产值能耗应比2020年降低13.5%,并在2030年前实现工业领域CO2排放达峰. 基于2021年的基准情景,能源强度增长率为-2.00%,模拟的CO2排放结果显然不足,因此需进一步降低能源强度. 本研究参考苏永乐等[43]和行叶蓓[45]的研究,将2022~2035年第二产业能源强度增长率设定为-4.4%,其余部门2022~2025年、2026~2030年和2031~2035年的能源强度增长率分别设置为-5.3%、-5.5%和-5.7%.

2.4.1.2 结构优化情景(S2)

目前,我国产业结构升级主要表现为第二产业向第三产业转变. 根据《陕西省统计年鉴》,2007~2014年陕西省由第二产业主导,但自2014年起,第三产业逐步上升. 2012年第三产业占比为32%,第二产业占比为56%. 到2019年,第三产业占比上升至46%,与第二产业持平. 整理《中国统计年鉴》数据发现,从2007~2019年,陕西省第三产业占比未超过全国水平. 根据Yang等[46]的预测,到2030年中国第三产业占比接近59.2%,到2040年达65.2%. 因此,预计到2035年陕西省第三产业占比将达到55%.

由于天然气比煤炭和石油更清洁,本研究建议提高其在各行业能源消耗中的比例. 近年来,煤炭在中国能源消费中的比例下降,而天然气比例上升. 2017年国家发改委等部门引发了关于《加快天然气利用若干意见》,要求到2020年,天然气在能源消费中的占比要达到15%左右,2030年争取提高到20%左右. 2023年陕西省印发了关于《“十四五”节能减排综合实施工作方案》的通知,《通知》中提到:“到2025年,全省非化石能源消费比例达到16%”. 综上所述,本研究将2035年的天然气比例设置为20%,对于在2021年能源消耗中天然气比例已达到20%的行业(第一产业和居民生活)保持原有水平.

2.4.1.3 经济规模情景(S3)

经济增长通常带来环境问题,促进能源使用并增加碳排放. 陈姜全等[47]认为经济增长和产业发展是碳排放增长的决定性因素. 因此,为实现绿色低碳发展,未来经济发展需重视碳排放. 《陕西省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,要在高质量发展的基础上,大幅提升经济综合实力,2035年人均GDP设为13.18万元. 结合基准情景的预测人口数,可计算出对应年份的GDP总值.

2.4.1.4 新能源车情景(S4)

交通工具的增加不仅导致拥堵,还加速了汽油和燃油的消耗,增加了CO2排放. 我国产业新能源汽车市场已领先全球,2022年新能源车渗透率达28%,提前3 a实现了“十四五”规划目标. 戴宝华[48]等预测,2030年前我国将经历燃油车保有量峰值,电动车与燃油车平价,2030年新能源汽车渗透率预计达50%. 中国汽车工业协会5月31日发布的《2024新能源汽车消费洞察报告》预计,2024年中国新能源汽车(含乘用车与商用车)市场渗透率预计将接近40%,黄婷等[49]预计到2035年新能源汽车年销售量将占汽车总销量的50%以上,其中纯电动汽车将占新能源汽车的95%以上. 因此,本研究将陕西省2025、2030和2035年新能源汽车渗透率分别设置为30%、50%和90%,并假定这些新能源汽车均为纯电动,不排放CO2或其他污染物.

2.4.2 减排情景政策分析

图 10展示了不同减排政策下的CO2排放量、能源消耗量、碳排放强度和减排潜力.

(d)中A、B和C分别为2025年、2030年和2035年基线情景碳排放量,数字1、2、3、4和5分别为情景S1、S2、S3、S4和CERM下的减排潜力 图 10 不同减排政策下的预测结果 Fig. 10 Forecast results under different emission reduction policies

图 10(a)显示了2022~2035年陕西省CO2排放的预测结果. 经济规模情景(S3)的减排效果最佳,相较于2035年基线情景,减少了20.54%;其次是结构优化情景(S2),减少了14.59%. 在综合措施下,陕西省预计2030年可实现碳排放达峰,峰值为381.74 Mt,第二产业也将在2028年达峰,峰值为270.00 Mt,符合《陕西省工业领域碳达峰实施方案》中2030年前工业达峰的要求. 这表明,实现经济增长与碳排放协调,加快能源结构优化,多管齐下的减排政策是达到国家减排目标的关键.

图 10(b)展示了基准情景和每种减排政策下2022~2035年的能源消费总量,相较于基准情景,产业结构和能源结构调整的措施下,能源消费总量得到了较好地控制,2035年的能源消费总量相较于基准情景降低了19.72%,其余措施对于降低能源消费总量的实施效果较为一般.

图 10(c)显示了2022~2035年陕西省的碳排放强度. 2021年碳排放强度约为1.13万t·亿元-1,比2007年的2.42万t·亿元-1下降了53.36%. 在综合减排情景下,2030年的碳排放强度降至0.81万t·亿元-1,较2007年降低66.68%. 根据CEADs数据库,2005年陕西省碳排放强度为3.33万t·亿元-1. 即使不实施更严格的减排政策,到2030年,基准情景下的碳排放强度也将比2005年下降约71.67%,符合《巴黎协定》中中国提出的到2030年,单位GDP的CO2排放比2005年下降60%~65%的目标.

图 10(d)展示了在基准情景和各减排情景下2007~2035年的区域减排潜力,2025年各情景相较于基准情景,结构优化情景的减排潜力最大,2030~2035年,相较于基准情景,经济规模情景的减排潜力最大.

综上所述,在单项减排情景中,经济规模情景对CO2排放的潜力最大,陕西省在综合情景下,可以实现在《陕西省工业领域碳达峰实施方案》提出的工业在2030年提前达峰的目标,并且在2030年实现碳达峰.

3 建议

本文分析了陕西省的碳排放现状,并通过分解影响碳排放的因素预测了未来的变化趋势和达峰情况. 研究旨在推动陕西省低碳发展,帮助其在国家碳达峰和碳中和战略中发挥关键作用,并为陕西省实现碳减排和早日达峰提供如下政策建议:

(1)促进经济健康高质量发展是实现碳达峰的关键. 经济发展水平对陕西省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. 政府应通过经济手段和政策激励,如制定碳定价政策、建立碳排放交易体系和碳市场,来促使企业减少碳排放. 同时,提供财政和税收支持以推动低碳经济发展.

(2)提高能源利用效率. 要提升绿色技术创新能力和能源利用效率,必须推进绿色低碳产业布局政策,建立能源绿色技术创新体系,并完善相关激励政策. 这样可以全面激发区域绿色技术的创新能力.

(3)优化产业结构,提高第三产业比例. 重点是利用陕西省的科研资源优势,培育战略性新兴产业;发挥其金融中心地位,完善金融服务体系,推动金融创新;并依托区域特色,发展航运物流、旅游服务、文化创意、人力资源服务和会议会展等专业服务,同时大力扶持先进制造业和高技术产业的发展.

(4)单一减排措施的效果有限,只有在多种综合措施的配合下才能更有效地促进碳减排并实现早期目标. 此外,建立陕西省低碳发展的区域协同机制,形成生态文明建设的区域合力,对推动碳减排和实现碳排放达峰也至关重要.

4 结论

(1)2007~2021年,陕西省CO2排放从103.14 Mt增长至336.87 Mt,年均增长率7.14%. 人均CO2排放量持续下降,各部门碳强度总体下降.

(2)LMDI模型分析显示,经济规模效应为CO2排放主要贡献者,其中,人均GDP贡献了286.96 Mt,占66.45%;其次为能源结构效应52.30 Mt和民用车辆数41.51 Mt. 能源强度、平均车辆产值、产业结构和居民能源强度对陕西省CO2排放起到抑制作用,其中能源强度效应对CO2减排贡献率为70.00%.

(3)在未采取更严格减排政策的情况下,2030年区域CO2排放将是2019年的1.42倍,无法达峰.

(4)综合措施下,2030年碳强度比2005年降低79.39%,较基准情景下降71.67%,即使没有更严格措施,也达成了国家目标.

(5)产业结构和经济规模情景的减排潜力最大,其次是能源强度优化和新能源车情景. 通过综合的减排措施,陕西省可在2030年实现碳排放峰值,工业在2028年达峰,并在2035年将排放量降至接近2020年的水平.

参考文献
[1] 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. DOI:10.13227/j.hjkx.202208273
[2] Rode A, Carleton T, Delgado M, et al. Estimating a social cost of carbon for global energy consumption[J]. Nature, 2021, 598(7880): 308-314.
[3] 周振球, 许培栋, 尹娟, 等. 珠江口区域河流有机碳通量研究[J]. 环境科学与管理, 2024, 49(8): 101-106.
Zhou Z Q, Xu P D, Yin J, et al. Study on river organic carbon flux in the Pearl River Estuary Region[J]. Environmental Science and Management, 2024, 49(8): 101-106.
[4] Fell H, Johnson J X. Regional disparities in emissions reduction and net trade from renewables[J]. Nature Sustainability, 2021, 4(4): 358-365.
[5] 杨阳, 兰孝峰, 侯琼. 我国工业减废降碳协同增效路径探索——以食品制造业为例[J]. 环境工程学报, 2023, 17(12): 3817-3825.
Yang Y, Lan X F, Hou Q. Exploring the synergistic path of waste reduction and carbon emission reduction in China's industry-taking food manufacturing industry as example[J]. Chinese Journal of Environmental Engineering, 2023, 17(12): 3817-3825.
[6] 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. DOI:10.13227/j.hjkx.202305035
[7] 李丹丹, 刘锐, 陈动. 中国省域碳排放及其驱动因子的时空异质性研究[J]. 中国人口·资源与环境, 2013, 23(7): 84-92.
Li D D, Liu Y, Chen D. Research on space-time heterogeneity of carbon emission and influencing factors in provinces of China[J]. China Population, Resources and Environment, 2013, 23(7): 84-92.
[8] 赵震宇, 姚舜, 杨朔鹏, 等. "双碳"目标下: 中国CCUS发展现状、存在问题及建议[J]. 环境科学, 2023, 44(2): 1128-1138.
Zhao Z Y, Yao S, Yang S P, et al. Under goals of carbon peaking and carbon neutrality: status, problems, and suggestions of CCUS in China[J]. Environmental Science, 2023, 44(2): 1128-1138. DOI:10.13227/j.hjkx.202203136
[9] 张冰倩, 高晗博, 田金平, 等. 面向双碳战略的前瞻性生命周期评价——研究进展与方法框架[J]. 资源科学, 2023, 45(12): 2341-2357.
Zhang B Q, Gao H B, Tian J P, et al. Prospective life cycle assessment targeting the dual-carbon strategy: progress review and methodological framework[J]. Resources Science, 2023, 45(12): 2341-2357.
[10] 钟诗雨, 张晓敏, 吴佳, 等. 基于碳减排成本的我国省域碳补偿机制[J]. 环境科学, 2023, 44(8): 4637-4646.
Zhong S Y, Zhang X M, Wu J, et al. Carbon offsetting mechanism of China Province based on carbon reduction cost[J]. Environmental Science, 2023, 44(8): 4637-4646. DOI:10.13227/j.hjkx.202209038
[11] Mi Z F, Zhang Y K, Guan D B, et al. Consumption-based emission accounting for Chinese cities[J]. Applied Energy, 2016, 184: 1073-1081.
[12] 曹睿, 封莉, 张立秋. 高校碳排放核算与分析: 以北京A高校为例[J]. 环境科学, 2024, 45(4): 1907-1916.
Cao R, Feng L, Zhang L Q. Accounting and analysis of carbon emissions in universities: a case study of Beijing a university[J]. Environmental Science, 2024, 45(4): 1907-1916. DOI:10.13227/j.hjkx.202305013
[13] Tan X C, Dong L L, Chen D X, et al. China's regional CO2 emissions reduction potential: a study of Chongqing city[J]. Applied Energy, 2016, 162: 1345-1354.
[14] Wang Q, Zhao M M, Li R R. Decoupling sectoral economic output from carbon emissions on city level: a comparative study of Beijing and Shanghai, China[J]. Journal of Cleaner Production, 2019, 209: 126-133.
[15] 马云鹏, 朱静, 崔兴华. 基于机器学习的微生物溶解有机碳含量估测[J]. 生物技术进展, 2023, 13(4): 645-653.
Ma Y P, Zhu J, Cui X H. Content estimating of microbial dissolved organic carbon based on machine learning[J]. Current Biotechnology, 2023, 13(4): 645-653.
[16] Yang X, Shang G Y, Deng X Z. Estimation, decomposition and reduction potential calculation of carbon emissions from urban construction land: evidence from 30 provinces in China during 2000-2018[J]. Environment, Development and Sustainability, 2022, 24(6): 7958-7975.
[17] 刘妍慧, 栗洋. 湖北省交通运输业碳排放测算及影响因素分解[J]. 统计与决策, 2022, 38(15): 88-92.
[18] Shan Y L, Guan D B, Zheng H R, et al. China CO2 emission accounts 1997-2015[J]. Scientific Data, 2018, 5(1). DOI:10.1038/sdata.2017.201
[19] Shan Y L, Huang Q, Guan D B, et al. China CO2 emission accounts 2016-2017[J]. Scientific Data, 2020, 7(1). DOI:10.1038/s41597-020-0393-y
[20] 林明裕, 崔兴华. 碳排放绩效的空间关联网络结构及其形成机制——以长江经济带为例[J]. 中国环境学, 2024, 44(5): 2867-2878.
Lin M Y, Cui X H. The spatial correlation network structure and formation mechanism of carbon emission performance: a case study of the Yangtze River Economic Belt[J]. China Environmental Science, 2024, 44(5): 2867-2878.
[21] Zheng J L, Mi Z F, Coffman D, et al. Regional development and carbon emissions in China[J]. Energy Economics, 2019, 81: 25-36.
[22] 梁潆月, 李兰英. 农业碳排放的EKC检验及影响因素研究——以长三角地区为例[J]. 福建农业科技, 2022, 53(1): 72-80.
Liang Y Y, Li L Y. Study on the EKC Test and influencing factors of agricultural carbon emission-a case study of the Yangtze River Delta Region[J]. Fujian Agricultural Science and Technology, 2022, 53(1): 72-80.
[23] 王靖添, 马晓明. 中国交通运输碳排放影响因素研究——基于双层次计量模型分析[J]. 北京大学学报(自然科学版), 2021, 57(6): 1133-1142.
Wang J T, Ma X M. Influencing factors of carbon emissions from transportation in China: empirical analysis based on two-level econometrics method[J]. Acta Scientiarum Naturalium Universitatis Pekinensis, 2021, 57(6): 1133-1142.
[24] Liu B Q, Shi J X, Wang H, et al. Driving factors of carbon emissions in China: a joint decomposition approach based on meta-frontier[J]. Applied Energy, 2019, 256. DOI:10.1016/j.apenergy.2019.113986
[25] Ren F, Long D H. Carbon emission forecasting and scenario analysis in Guangdong Province based on optimized fast learning network[J]. Journal of Cleaner Production, 2021, 317. DOI:10.1016/j.jclepro.2021.128408
[26] 田川, 冯国会, 李帅, 等. 基于情景分析法的辽东湾新区区域建筑节能减排潜力预测研究[J]. 沈阳建筑大学学报(自然科学版), 2021, 37(3): 542-548.
Tian C, Feng G H, Li S, et al. Foresting of energy saving and emission reduction potential based on scenario analysis model for regional buildings in new district of Liaodong Gulf[J]. Journal of Shenyang Jianzhu University (Natural Science), 2021, 37(3): 542-548.
[27] 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.
[28] Wang Z, Li Y P, Huang G H, et al. A factorial-analysis-based Bayesian neural network method for quantifying China's CO2 emissions under dual-carbon target[J]. Science of the Total Environment, 2024, 920. DOI:10.1016/j.scitotenv.2024.170698
[29] 李建豹, 黄贤金, 揣小伟, 等. "双碳"背景下长三角地区碳排放情景模拟研究[J]. 生态经济, 2022, 38(11): 13-18, 35.
Li J B, Huang X J, Chuai X W, et al. Scenario simulation of carbon emissions in the Yangtze River Delta under the background of "Dual Carbon"[J]. Ecological Economy, 2022, 38(11).
[30] 李广明, 王雨佳. 基于灰色模型的区域旅游业碳排放发展趋势研究[J]. 生态经济, 2016, 32(5): 74-78.
Li G M, Wang Y J. Study of regional carbon emission and its development trends of tourism industry based on the grey model[J]. Ecological Economy, 2016, 32(5): 74-78.
[31] 张峰, 殷秀清, 董会忠. 组合灰色预测模型应用于山东省碳排放预测[J]. 环境工程, 2015, 33(2): 147-152.
Zhang F, Yin X Q, Dong H Z. Application of combination Grey model in carbon emissions prediction in Shandong Province[J]. Environmental Engineering, 2015, 33(2): 147-152.
[32] Forrester J W. Counterintuitive behavior of social systems[J]. Theory and Decision, 1971, 2(2): 109-140.
[33] 刘菁, 赵静云. 基于系统动力学的建筑碳排放预测研究[J]. 科技管理研究, 2018, 38(9): 219-226.
Liu J, Zhao J Y. Building carbon emissions prediction research based on system dynamics[J]. Science and Technology Management Research, 2018, 38(9): 219-226.
[34] 赵冬蕾, 刘伊生. 基于系统动力学的中国建筑业碳排放预测研究[J]. 河南科学, 2019, 37(12): 2025-2033.
Zhao D L, Liu Y S. Carbon Emission prediction of China's construction industry based on system dynamics[J]. Henan Science, 2019, 37(12): 2025-2033.
[35] Wang Y K, Liang Y, Shao L S. Driving factors and peak forecasting of carbon emissions from public buildings based on LMDI-SD[J]. Discrete Dynamics in Nature and Society, 2022, 2022(1). DOI:10.1155/2022/4958660
[36] Li D Z, Huang G Y, Zhu S Y, et al. How to peak carbon emissions of provincial construction industry? Scenario analysis of Jiangsu Province[J]. Renewable and Sustainable Energy Reviews, 2021, 144. DOI:10.1016/j.rser.2021.110953
[37] Liu X P, Ou J P, Chen Y M, et al. Scenario simulation of urban energy-related CO2 emissions by coupling the socioeconomic factors and spatial structures[J]. Applied Energy, 2019, 238: 1163-1178.
[38] Liu W, Jia Z J, Du M, et al. Influencing factors and contribution analysis of CO2 emissions originating from final energy consumption in Sichuan Province, China[J]. Regional Sustainability, 2022, 3(4): 356-372.
[39] Feng Y Y, Chen S Q, Zhang L X. System dynamics modeling for urban energy consumption and CO2 emissions: a case study of Beijing, China[J]. Ecological Modelling, 2013, 252: 44-52.
[40] Fu B T, Wu M, Che Y, et al. The strategy of a low-carbon economy based on the STIRPAT and SD models[J]. Acta Ecologica Sinica, 2015, 35(4): 76-82.
[41] 祁育汀, 张平, 刘雷, 等. 关中平原城市群土地利用结构多情景优化和生态系统服务价值预测[J]. 应用生态学报, 2023, 34(9): 2507-2517.
Qi Y T, Zhang P, Liu L, et al. Multi-scenario optimization of land use structure and prediction of ecosystem service value in Guanzhong Plain Urban Agglomeration[J]. Chinese Journal of Applied Ecology, 2023, 34(9): 2507-2517.
[42] Li J F, Ma Z Y, Zhang Y X, et al. Analysis on energy demand and CO2 emissions in China following the energy production and consumption revolution strategy and China dream target[J]. Advances in Climate Change Research, 2018, 9(1): 16-26.
[43] 苏永乐, 冷彩霞, 蒋煜宇. 陕西省工业碳排放现状及影响因素研究[J]. 西安财经大学学报, 2020, 33(6): 58-65.
Su Y L, Leng C X, Jiang Y Y. Research on current situation and influencing factors of industrial carbon emission in Shaanxi Province[J]. Journal of Xi'an University of Finance and Economics, 2020, 33(6): 58-65.
[44] Gu S, Fu B T, Thriveni T, et al. Coupled LMDI and system dynamics model for estimating urban CO2 emission mitigation potential in Shanghai, China[J]. Journal of Cleaner Production, 2019, 240. DOI:10.1016/j.jclepro.2019.118034
[45] 行叶蓓. 陕西省碳排放脱钩效应与碳达峰预测分析[D]. 延安: 延安大学, 2023.
Xing Y B. Carbon emission decoupling effect and carbon peak prediction analysis in Shaanxi Province[D]. Yanan: Yanan University, 2023.
[46] Yang H H, Li X, Ma L W, et al. Using system dynamics to analyse key factors influencing China's energy-related CO2 emissions and emission reduction scenarios[J]. Journal of Cleaner Production, 2021, 320. DOI:10.1016/j.jclepro.2021.128811
[47] 陈姜全, 李效顺, 耿艺伟, 等. 中国城镇化与碳排放机制分析及实证研究——基于经济发展、人口转移和城镇扩张视角[J]. 自然资源学报, 2024, 39(6): 1399-1417.
Chen J Q, Li X S, Geng Y W, et al. Mechanism analysis and empirical research on urbanization and carbon emissions in China: based on the perspective of economic development, population transfer, and urban expansion[J]. Journal of Natural Resources, 2024, 39(6): 1399-1417.
[48] 戴宝华, 赵祺. 我国石化产业碳中和路径展望[J]. 石油炼制与化工, 2024, 55(1): 62-67.
Dai B H, Zhao Q. Carbon neutrality pathway outlook for China's petrochemical industry[J]. Petroleum Processing and Petrochemicals, 2024, 55(1): 62-67.
[49] 黄婷, 李捷, 眭晓林. 激光技术前沿笔谈: 从阿秒到纳秒——跨越时间尺度的脉冲激光的产生、发展及在大科学装置中的应用[J]. 北京工业大学学报, 2024, 50(7): 897-904.
Huang T, Li J, Sui X L. Frontiers of laser technology: from attosecond to nanosecond - across time scale pulse laser's generation, development and applications in large scientific facilities[J]. Journal of Beijing University of Technology, 2024, 50(7): 897-904.