2020, Vol. 40文章信息
- 郑颖, 逯非, 刘晶茹, 王效科
- ZHENG Ying, LU Fei, LIU Jingru, WANG Xiaoke
- 我国典型城市化石能源消费CO2排放及其影响因素比较研究
- Comparative study on CO2 emissions from fossil energy consumption and its influencing factors in typical cities of China
- 生态学报. 2020, 40(10): 3315-3327
- Acta Ecologica Sinica. 2020, 40(10): 3315-3327
- http://dx.doi.org/10.5846/stxb201901290215
-
文章历史
- 收稿日期: 2019-01-29
- 网络出版日期: 2020-04-03
2. 中国科学院大学, 北京 100049
2. University of Chinese Academy of Sciences, Beijing 100049, China
IPCC第五次评估报告(AR5)指出, 大气中以二氧化碳(CO2)为主的温室气体含量的急剧增加是近几十年全球平均气温上升的主要原因之一[1]。国际能源署(IEA)的数据显示, 近年来全球与能源相关的CO2排放持续增加, 2017年达到325亿吨的历史最高水平。中国作为当今世界最大的碳排放国, 2017年能源消费产生的CO2排放量约为91亿吨[2]。尽管我国已经做出了CO2排放自主贡献承诺, 但随着工业化和城市化进程的加速推进, 化石能源消费和CO2排放日趋增加, 与2030年达峰并争取尽早达峰的减排承诺之间的矛盾越来越突出, 碳减排任务十分艰巨[3]。
全球城市面积只占陆地面积的2%, 但能源消费和CO2排放却达到75%和78%[4]。日益增长的城市人口和随之产生的消费模式的变化, 使得城市中化石能源消费和CO2排放量不断增加[5]。随着国际社会对城市CO2排放问题的关注, 越来越多的学者把研究重点放在分析CO2排放的影响因素上。大部分研究确定了经济增长是CO2排放的主要促进因素, 如：Sheinbaum等[6]基于LMDI分解法得到1970—2006年间经济增长对墨西哥钢铁工业CO2排放增加的贡献率达到133.6%；de Freitas和Kaneko[7]同样基于LMDI模型发现经济发展是巴西2004—2009年间CO2排放增长的主要影响因素；Li等[8]利用STIRPAT模型得到经济发展对南京市2000—2016年间的碳排放增长有显著的正向影响。而能源强度的降低是CO2排放的主要抑制因素, Pardo等[9]基于LMDI模型定量分析了墨西哥制造业CO2排放的影响因素, 发现能源强度的下降使CO2排放降低了11%；曹甲威和赵翠薇[10]同样采用LMDI分解法得到能源强度为贵阳市交通运输业CO2排放的主要抑制因素, 贡献率为-37.46%。城市化水平、产业结构和能源结构等因素的影响作用随研究区域和研究时段的不同而有明显差别。
城市化是中国经济增长的主要驱动力, 中国的CO2排放有85%来自城市, 因此, 城市在减少CO2排放方面发挥着越来越重要的作用[11]。然而与发达国家的城市(Urban Area)定义不同, 中国的城市是行政区划中的一级, 这使得城市成为一个区域概念, 如果把全国城市的CO2排放总和等同于全国的CO2排放量, 就无法凸显城市的特征、作用和问题[12]。并且, 由于能源消费量数据的限制, 国内能源消费CO2排放的研究主要集中在北京、上海、广州等较大城市[13\|16]或城市群[17]、以及不同地区之间[18\|19]。而中国作为一个在经济发展、人口规模、能源结构和技术水平等方面存在较大空间异质性的国家[20], 化石能源消费和CO2排放存在明显的城市地区差异, 并受到多种因素的影响, 这些影响因素在我国不同城市地区的作用及其异同尚未明确。综上所述, 为了明确不同类型城市间CO2排放特征及其影响因素的差异, 本文基于化石能源消费数据获取的完备性及连续性, 从中国九大城市群中选取11个城市市辖区作为研究对象, 基于中国本地化排放参数, 采用IPCC推荐的参考方法, 明确典型城市化石能源消费CO2排放的时空格局。再利用LMDI因素分解法定量分析11个城市市辖区CO2排放的影响因素。通过比较分析典型城市化石能源消费CO2排放总量、人均CO2排放量和CO2排放强度特征, 以及影响因素的差异, 以期为今后制定典型城市地区有针对性的减排策略提供理论参考。
1 研究对象、数据来源与研究方法 1.1 研究对象本文的研究区域为“市辖区”——即城市内的区(不包括县), 一般是中国城市中经济活动强度较大的区域, 着重对比不同特点城市间的化石能源消费CO2排放差异。综合考虑以下4点因素：1)不同城市群；2)不同的经济发展水平；3)不同的城市规模；4)能源消耗和产业结构变化不同。根据十年的化石能源消费数据的完备性与连续性, 从9个不同的城市群中选取了11个城市市辖区作为研究对象, 各城市的基本信息见表 1。所选研究区下文简称为北京、上海、重庆、广州、乌鲁木齐、唐山、合肥、贵阳、大庆、呼和浩特和哈尔滨。
| 城市 Cities |
城市群 Urban agglomeration |
地区生产总值 GDP/ (十亿元) |
年末人口 Population/ (万人) |
年平均能 源消耗量 Average annual energy consumption/ (万吨标准煤) |
第二产业地区生产 总值年平均增长率 The average annual GDP growth rate of the secondary industry/% |
第三产业地区生产 总值年平均增长率 The average annual GDP growth rate of the tertiary industry/% |
| 北京 | 京津冀 | 2302 | 1345 | 3315 | 7.72% | 9.65% |
| 上海 | 长三角 | 2484 | 1376 | 6430 | 6.60% | 10.71% |
| 广州 | 珠三角 | 1810 | 854.2 | 3163 | 10.30% | 12.39% |
| 唐山 | 京津冀 | 316.5 | 334.3 | 5925 | 10.97% | 10.73% |
| 哈尔滨 | 哈长 | 421.2 | 548.7 | 1612 | 11.46% | 11.56% |
| 合肥 | 长江中游 | 376.7 | 251 | 1111 | 17.74% | 12.14% |
| 大庆 | 哈长 | 244.8 | 135.9 | 1624 | 7.59% | 13.80% |
| 呼和浩特 | 呼包鄂榆 | 230.4 | 130.1 | 1503 | 12.86% | 12.35% |
| 重庆 | 成渝 | 1321 | 2129 | 3908 | 17.10% | 11.83% |
| 贵阳 | 黔中 | 222.8 | 236.2 | 1219 | 13.57% | 13.82% |
| 乌鲁木齐 | 天山北坡 | 261 | 260.5 | 3746 | 12.26% | 13.69% |
由于中国大部分城市能源数据不完备, 因此本文的化石能源消费量数据主要来源于：(1)北京、上海、重庆和唐山来源于相应的《能源统计年鉴2007—2016》中的实物量能源平衡表；(2)其余7个统计年鉴中没有实物量能源平衡表的城市, 采用Shan等[21]提供的方法, 根据相应的省级能源平衡表来推算, 可选用人口、经济等指标占全省的比重折算。在城市边界内产生的热力和电力的排放按原煤等一次能源投入使用情况计算, 为避免重复, 不再单独计算电力和热力的CO2排放量。2006—2015年市辖区人口和地区生产总值来源于《中国城市统计年鉴(2007—2016)》[22], 地区生产总值以2006年为基期, 剔除价格水平的影响。
1.3 化石能源消费CO2排放量核算方法本文核算了2006—2015年17种化石能源(具体能源种类见表 2)消费产生的直接CO2排放量。考虑到城市市辖区的非农性质, 本文暂不考虑第一产业(农、林、牧、渔业)和居民生活部门中农村居民能源消费。核算方法采用IPCC推荐的参考方法, 即与化石能源相关的CO2排放量等于活动数据乘以排放系数, 公式如下：
| 能源类型 Energy types |
折标准煤系数 Standard coal coefficient / (104tce/ 104t, 108m3) |
发热量Calorific value/ (PJ/104t, 108m3) |
二氧化碳排放系数Carbon emission factor/ (t\|CO2/TJ) |
| 原煤Raw coal | 0.7143 | 0.21 | 26.32 |
| 洗精煤Cleaned coal | 0.9000 | 0.26 | 26.32 |
| 其他洗煤 Other washed coal |
0.2850 | 0.15 | 26.32 |
| 型煤Coke | 0.6000 | 0.18 | 26.32 |
| 焦炭Hard coke | 0.9714 | 0.28 | 31.38 |
| 焦炉煤气 Coke oven gas |
6.1430 | 1.61 | 21.49 |
| 其他煤气 Converter gas |
3.5701 | 0.83 | 21.49 |
| 其他焦化产品 Other coking products |
1.3000 | 0.28 | 27.45 |
| 原油Crude oil | 1.4286 | 0.43 | 20.08 |
| 汽油Gasoline | 1.4714 | 0.44 | 18.90 |
| 煤油Kerosene | 1.4714 | 0.44 | 19.60 |
| 柴油Diesel oil | 1.4571 | 0.43 | 20.20 |
| 燃料油Fuel oil | 1.4286 | 0.43 | 21.10 |
| 液化石油气 Liquefied petroleum gas |
1.7143 | 0.51 | 20.00 |
| 炼厂干气 Refinery gas |
1.5714 | 0.47 | 20.20 |
| 其他石油制品 Other petroleum products |
1.2000 | 0.43 | 17.20 |
| 天然气Natural gas | 12.1430 | 3.89 | 15.32 |
|
(1) |
式中, Cij为化石能源消费产生的CO2排放总量(百万吨, Mt), Eij为化石能源消费总量(104t或108m3), CVi为第i种化石能源的平均低位发热量(PJ/104t, 108m3), EFi为化石能源单位热值含碳量(t-CO2/TJ)[23]；Oij为第j个社会经济部门第 i 种化石能源燃烧的碳氧化率(%)[24], 
由于11个典型城市人口规模和经济发展程度存在较大差异, CO2排放总量并不能完全反映出不同城市间CO2排放水平的差异, 因此还选取了人均CO2排放量(CO2排放总量与人口之比, 吨CO2/人)和CO2排放强度(单位GDP所排放的CO2, 吨CO2/万元)作为城市间比较的指标。
1.4 CO2排放影响因素定量分析用于分解化石能源消费CO2排放并定量分析影响因素的方法虽多, 但对数平均迪氏指数法(logarithmic mean divisia index method, 即LMDI法)是目前广泛应用于CO2排放影响因素分解分析的方法[26]。LMDI分解法能够有效解决残差项、数据零和负的问题, 结果简单且更容易解释。并在城市[27]、国家[28\|29]、区域[30\|31]尺度的上得到广泛应用。因此, 本文采用LMDI分解法, 扩展Kaya恒等式将CO2排放总量与各个因素间的关系分解为：
|
(2) |
式中, C为化石能源消费产生的CO2排放总量, i为一次能源种类(煤炭、石油、天然气), j为产业类型(第二产业、第三产业), Cij和Eij分别为第j种产业第i种化石能源的CO2排放量和能源消费量, Ej和Gj分别为第j产业的能源消费量和产值, Y为地区生产总值, P为市辖区年末总人口数, t表示年限。令
定义C0为基年CO2排放量, Ct为第t年CO2排放量, ΔC为基年到t年CO2排放量变化值的总效应, 根据LMDI模型, 可将总效应分解为碳排放系数效应(ΔCU)、能源结构效应(ΔCM)、能源强度效应(ΔCI)、产业结构效应(ΔCS)、经济发展效应(ΔCY)、人口规模效应(ΔCP), 各影响因素分解效应的表达式如下：
能源结构效应：
|
(3) |
能源强度效应：
|
(4) |
产业结构效应：
|
(5) |
经济发展效应：
|
(6) |
人口规模效应：
|
(7) |
由于不同能源种类所对应的CO2排放系数值保持不变, 因此默认碳排放系数效应ΔCU=0, 故城市化石能源消费CO2排放量变化的综合效应可表示为：
|
(8) |
11个典型城市十年间累积排放了104.8亿吨CO2, 其中唐山排放最多, 年均CO2排放量达到215.9Mt, 大庆最少, 年均排放量仅33.91Mt(图 1)。2006—2010年CO2排放量最多的是上海, 唐山于2010年超过上海, 在2011年达到峰值(293.8Mt)后, CO2排放量虽有下降, 但仍远高于其他城市。2015年乌鲁木齐超过上海, 成为11个城市中CO2排放第二多的城市(图 2)。2006—2015年间, 上海和唐山的CO2排放量均在140Mt以上, 这与两个城市能源消费量过高有关。而经济和人口规模都较小的大庆和贵阳的CO2排放量均未超过50Mt。11个城市中CO2排放增长速度最快的依次是乌鲁木齐、合肥和重庆, 年平均增长率分别为14.87%、10.56%和7.32%, 北京和广州的CO2排放总量呈下降趋势, 年平均增长率分别为-0.12%和-11.82%(图 1)。十年间, 累积CO2排放量最多的城市依次为唐山(2159Mt)、上海(1832Mt)、乌鲁木齐(1258Mt)和重庆(1199Mt), 分别占11个典型城市总量的20.60%、17.48%、12.01%和11.44%(图 1)。
|
| 图 1 11个城市CO2排放年平均增长率和累积CO2排放量 Fig. 1 The average annual growth rate and the cumulative CO2 emissions in the 11 cities |
|
| 图 2 2006—2015年11个城市CO2排放总量和分部门CO2排放量 Fig. 2 Total CO2 emissions and sector CO2 emissions in the 11 cities from 2006 to 2015 |
从分部门化石能源消费CO2排放来看, 工业是CO2排放量最多的部门(图 2), 同时也是城市CO2排放变化的主导因素。2006—2015年, 乌鲁木齐和呼和浩特工业CO2排放占总排放量的比例上升, 乌鲁木齐从90.27%上升至91.49%, 呼和浩特从80.95%上升至81.81%。其余9个城市工业CO2排放量呈下降趋势, 下降幅度最大的依次为广州、贵阳和北京, 分别下降了42.97%、36.07%和30.91%。2015年, 仅北京和广州工业CO2排放量占比降至50%以下, 北京从55.65Mt降至38.05Mt, 占总排放量的43.52%, 广州从58.06Mt降至28.06Mt, 占总排放量的43.97%, 与两个城市CO2排放总量的下降趋势相同。CO2排放总量较多的唐山和乌鲁木齐10年间工业CO2排放占比均保持在90%以上。人口较多、经济发达的巨大型城市北京和上海交通运输部门的CO2排放量较多, 约占20%。建筑业、批发零售和住宿餐营业、其他行业以及城市居民能源消费产生的CO2排放量逐年增加, 但排放量远小于工业(占总量的10%左右), 且变化幅度不大。
2.1.2 人均CO2排放量人均CO2排放量的高低反映了不同地区人口对CO2排放空间的占有程度。CO2总量呈下降趋势的北京和广州的人均CO2排放量也呈下降趋势, 人均CO2排放量年平均增长率分别为-2.06%和-3.34%(表 3)。其余九个城市的人均CO2排放量呈现出不同程度的增长, 乌鲁木齐的人均CO2排放年平均增长率最高(11.11%)。唐山、乌鲁木齐和呼和浩特的人均CO2排放量较高, 平均CO2排放量分别为68.90吨/人、51.61吨/人和56.99吨/人。重庆的经济规模和CO2排放量在11个城市中偏高, 但人均CO2排放量却最低, 主要是因为重庆的人口远远高于其余10个城市(表 1)。
| 城市Cities | 人均二氧化碳排放量/(t/人) Per capita CO2 emission |
二氧化碳排放强度/(t/万元) CO2 emission intensity |
||||||
| 2006 | 2015 | 平均值 | 年平均增长率/% | 2006 | 2015 | 降幅 | 年平均增长率/% | |
| 北京 | 7.84 | 6.50 | 7.53 | -2.06 | 1.10 | 0.50 | -54.69 | -8.42 |
| 上海 | 12.23 | 13.84 | 13.63 | 1.39 | 1.55 | 0.86 | -44.48 | -6.33 |
| 重庆 | 4.95 | 6.63 | 7.00 | 3.31 | 2.44 | 1.41 | -42.15 | -5.90 |
| 广州 | 12.04 | 8.87 | 12.37 | -3.34 | 1.27 | 0.40 | -68.02 | -11.90 |
| 哈尔滨 | 7.40 | 10.84 | 9.76 | 4.33 | 1.98 | 1.32 | -33.45 | -4.42 |
| 唐山 | 48.14 | 75.79 | 68.90 | 5.17 | 6.88 | 4.96 | -27.99 | -3.58 |
| 贵阳 | 15.72 | 18.14 | 16.21 | 1.61 | 5.84 | 2.62 | -55.09 | -8.51 |
| 乌鲁木齐 | 29.60 | 76.40 | 51.61 | 11.11 | 8.54 | 9.92 | 16.18 | 1.68 |
| 大庆 | 23.11 | 29.41 | 25.48 | 2.71 | 1.85 | 1.19 | -35.35 | -4.73 |
| 呼和浩特 | 41.91 | 62.83 | 56.99 | 4.60 | 5.34 | 3.33 | -37.59 | -5.10 |
| 合肥 | 12.73 | 24.17 | 19.02 | 7.38 | 2.32 | 1.67 | -28.18 | -3.61 |
CO2排放强度是用来衡量CO2排放与经济发展的重要指标, 当一个地区经济增长时, CO2排放强度越低, 就能说明该地区以较少的碳排放实现了经济发展。11个典型城市中, CO2排放强度较低的北京、上海和广州经济发展水平较高、第三产业比值较大, 也是能源输入城市。CO2排放强度较高的乌鲁木齐和唐山, 是能源输出城市, 经济发展多依赖于重工业, 能源利用效率较低(表 3)。从变化幅度来看, 除乌鲁木齐外, 其余10个城市CO2排放强度呈负增长趋势, 但下降幅度不同(表 3)。而乌鲁木齐的CO2排放强度升高是因为地区生产总值的年平均增长率(12.97%)小于CO2排放量的年平均增长率(14.87%)。虽然在研究期内有10个城市的CO2排放强度在降低, 但各城市间仍存一定差距, 广州、贵阳和北京分别下降了68.02%、55.09%和54.69%, 唐山、合肥和哈尔滨的CO2排放强度分别下降27.99%、28.18%和33.45%。
2.1.4 基于经济发展和CO2排放的城市分类为了更好的对比分析11个城市化石能源消费CO2排放的影响因素及影响作用的差异, 综合考虑CO2排放量和经济发展现状, 将这11个典型城市分为以下四类：经济高度发达城市, 包括北京、上海和广州；高碳排放城市, 包括重庆、乌鲁木齐和唐山；低排放低增长城市, 包括哈尔滨、呼和浩特和大庆；低排放高增长城市, 包括贵阳和合肥(图 3)。
|
| 图 3 不同城市CO2排放和经济增长模式 Fig. 3 Different growth models of urban economy and CO2 emission |
本文将11个城市2006—2015年化石能源消费产生的CO2排放总量按经济发展、人口规模、能源、产业结构和能源结构进行分解, 分解结果见表 4。
| 城市分类City classification | 城市Cities | 经济发展Economic development | 人口规模Population size | 能源强度Energy intensity | 产业结构Industrial structure | 能源结构Energy structure | 二氧化碳排放增量CO2 emissions increment |
| 经济高度发达城市 Cities with highly developed economy |
北京 | 44.32 | 13.02 | -76.51 | -3.74 | -21.73 | -44.64 |
| 上海 | 100.91 | 8.3 | -58.48 | -9.51 | 11.53 | 52.75 | |
| 广州 | 67.2 | 10.62 | -77.17 | -2.8 | -0.03 | -2.18 | |
| 高碳排放城市 Cities with high carbon emission |
重庆 | 84.39 | 37.56 | -71.01 | 12.51 | 71.13 | 134.6 |
| 乌鲁木齐 | 80.15 | 17.57 | -44.12 | -9.56 | 40.2 | 84.24 | |
| 唐山 | 62.38 | 7.64 | -37.43 | 0.57 | 6.78 | 39.94 | |
| 低排放低增长城市 Cities with low emission and low economic growth |
哈尔滨 | 34.09 | 8.25 | -24.95 | 0.03 | 20.18 | 37.60 |
| 呼和浩特 | 57.52 | 10.06 | -37.05 | 1.09 | 42.25 | 73.87 | |
| 大庆 | 18.97 | 2.18 | -10.43 | -1.53 | 7.69 | 16.88 | |
| 低排放高增长城市 Cities with low emission but high economic growth |
合肥 | 34.09 | 10.05 | -25.09 | 4.31 | 23.14 | 46.50 |
| 贵阳 | 34.09 | 4.03 | -32.91 | -0.74 | 10.86 | 15.33 |
经济发展是11个城市CO2排放最大的正向驱动因素。经济发展对上海、重庆和乌鲁木齐的CO2排放累积贡献值最大, 分别使CO2排放累积增加了100.9Mt、84.39Mt和80.15Mt。对大庆的贡献值最小, CO2排放累积增加了18.97Mt(表 4)。整体来看, 经济发展效应对经济高度发达城市和高碳排放城市的CO2排放贡献值高于低排放低增长和低排放高增长城市。人口规模效应对11个典型城市的CO2排放均产生促进作用, 但正向促进作用小于经济发展(图 4)。人口规模效应对CO2排放增长贡献最大的是高碳排放城市中的重庆和乌鲁木齐, 累积贡献值分别为37.56Mt和17.57Mt。人口规模效应对大庆的CO2排放促进作用最小(2.18Mt), 大庆的人口规模也相对较小, 2015年人口规模(135.9万人)仅为重庆的6.38%, 年平均增长率仅0.90%。能源强度是11个城市CO2排放最大的负向驱动因素。2006—2015年间4类城市的能源强度整体呈下降趋势, 相应的能源强度效应的累积贡献值均为负值(表 4)。北京和广州能源强度对CO2排放的累积贡献值最大, 分别为-76.51Mt和-77.17Mt, 同时能源强度效应的累积贡献值抵消了其他因素引起的CO2排放增加量, 使这两个城市在研究期内CO2排放累积降低了44.64Mt和2.18Mt。
|
| 图 4 十年间11个城市CO2排放影响因素分解结果 Fig. 4 Decomposition results of factors affecting CO2 emissions in the 11 cities from 2005 to 2010 |
产业结构效应对经济高度发达城市的CO2排放均有削减作用, 累积贡献值为-3.74Mt、-9.51Mt和-2.8Mt, 这三个城市二、三产业GDP年均增长率分别为：7.72%、9.65%, 6.60%、10.71%和10.30%、12.39%。产业结构的变化对重庆的CO2排放促进作用最大, 累计贡献值为12.51Mt, 二、三产业GDP年平均增长率分别为17.10%和11.83%, 促进作用远小于人口规模、经济发展和能源结构。整体来看, 产业结构的变化对北京、上海、广州、乌鲁木齐、大庆和贵阳的CO2排放是抑制作用, 这6个城市第三产业GDP年平均增长速率均大于第二产业(表 1)。从能源结构的变化来看, 仅对经济高度发达城市中的北京和广州有抑制作用, 并且北京的(-21.73Mt)CO2排放累积削减值大于广州(-0.03Mt)。能源结构的变化对上海的CO2排放有一定促进作用, 但累积贡献值较其他三类城市偏小(11.53Mt)。能源结构效应对高碳排放城市的CO2排放促进作用较明显, 使重庆和乌鲁木齐的CO2排放量累积增加了71.13Mt和40.2Mt, 但促进作用小于经济发展效应。整体来看, 能源结构的变化对低排放低增长和低排放高增长城市的促进作用都较小。
3 讨论 3.1 CO2排放 3.1.1 CO2排放总量十年间累积CO2排放量较高的重庆、乌鲁木齐和唐山组成高碳排放城市, 这三个城市工业CO2排放较多且占据主导地位, 重庆工业CO2排放占比在80%左右, 而乌鲁木齐和唐山的工业CO2排放量占比均在90%以上。对于经济高度发达的三个城市北京、上海和广州来说(2015年市辖区GDP超过1800十亿元), 2006—2015年, 北京和广州的CO2排放量呈下降趋势, 这与研究期内工业CO2排放量占比降至50%以下, 煤炭消费比重降幅较大有关(北京下降了67.15%, 广州下降了30.27%), 并且CO2排放的下降趋势与刘兆龙等[31]和王长建等[32]的研究一致；而上海的CO2排放呈增长趋势, 主要因为上海的能源消费量较高, 从2006年消费5286万吨标准煤增加到2015年7325万吨标准煤, 因此与之相关的CO2排放也较高。以上研究结果与Cai等[33]的研究相符, CO2排放总量较高的城市为超大城市或以工业为主的城市。十年间, 低排放低增长城市得经济增长速度较慢, 大庆和呼和浩特的GDP年平均增长率在11个城市中最小, 分别为5.34%和6.41%；低排放高增长城市中合肥和贵阳的GDP年平均增长率较高(18.50%和19.00%)。但这两类城市的经济水平相对较低(2015年市辖区GDP均未达到5000亿元), CO2排放量相较于另两类城市也较低。
3.1.2 人均CO2排放量四类城市的人均CO2排放量差异较大, 且表现出与CO2排放总量相似的变化趋势, CO2排放总量降低的北京和广州, 人均CO2排放量也出现负增长, 年平均增长率分别为-2.06%和-3.34%, 这与两个城市人口稳定增长、CO2排放总量降低有关。高碳排放、低人口规模造成高碳排放城市中的唐山和乌鲁木齐的人均CO2排放量远高于其他城市, 而重庆由于人口规模最高, 相应的人均CO2排放量也较低。
3.1.3 CO2排放强度CO2排放强度整体上表现为：经济高度发达城市(均值为0.88tCO2/万元)＜低排放低增长城市(均值为2.82tCO2/万元)＜低排放高增长城市(均值为3.05tCO2/万元)＜高碳排放城市(均值为6.62tCO2/万元)。对比来看, 高碳排放城市的CO2排放强度最高, 这类城市CO2排放总量较高, 经济水平又低于经济高度发达城市。而经济高度发达的城市CO2排放强度较低, 因为这类城市经济基础雄厚, 在资源、技术、交通等方面更有优势, 随着低碳技术的革新, 通过技术进步促进产业结构升级和优化, 能源利用效率不断提高[34]。
3.2 CO2排放影响因素2006—2015年, 经济发展是11个典型城市化石能源消费CO2排放量增加最主要的正向促进因素, 这与国际上一些研究结果相似[35\|37]。虽然在国家尺度上, 关于经济增长与城市CO2排放关系的研究结果还存在一些不确定性[38], 但Azizalrahman和Hasyimi[39]指出高收入和中高收入国家的城市CO2排放与GDP存在倒“U”型关系, 而中低收入国家城市的CO2排放和GDP则为线性正相关关系。郭建科[40]的研究也表明我国还需要更高的经济发展水平来支撑碳排放峰值的出现。本文的结果显示11个典型城市经济发展所引起的CO2排放累积增加量远高于其他正向促进因素, 其中, 大庆的经济增长速度是11个城市中最低的, 经济规模也较低(2448亿元), 但经济发展对CO2排放的累积贡献值远高于其他4个影响因素。因此协调经济增长与CO2排放之间的矛盾依然是今后研究的重点。
人口规模效应是11个典型城市化石能源消费CO2排放增加的促进因素, 但累积贡献值小于经济发展效应, 这可能与人口增长速度小于经济发展速度有关(图 5)。人口规模效应对CO2排放增长贡献作用最大的是高碳排放城市中的重庆和乌鲁木齐, 这与两个城市快速的人口扩张速度有关, 年平均增长率分别为3.88%和3.38%(图 5)。而人口规模效应对大庆的CO2排放促进作用最小, 因为大庆的人口规模和增长速度都较小, 分别为135.9万人(表 1)和0.90%。随着城市化进程的推进, 城市人口增长将带来化石能源消费和CO2排放量的增加。
|
| 图 5 11个城市GDP、人口、能源强度和CO2排放年平均增长率 Fig. 5 The average annual growth rate of GDP, population, energy intensity and CO2 emissions in the 11 cities |
能源强度是衡量能源利用效率的重要指标, 能源强度的降低意味着每单位GDP所消耗能源有所减少, 这也间接造成CO2排放量的减少, 它对城市和区域的CO2排放具有重要影响[41]。在本研究中能源强度为抑制CO2排放增长的关键因素也是最主要的影响因素, CO2排放总量下降的北京和广州同时具有最快的能源强度下降速度, 分别为8.59%和9.46%(图 5), 相应的能源强度降低对CO2排放的累积贡献值也最大。研究期内乌鲁木齐和唐山的能源强度均高于其他城市, 然而能源强度效应对CO2排放的抑制作用却较明显, 分别削减了71.01Mt和44.12Mt的CO2排放量, 说明这类城市通过提高能源利用效率来抑制碳排放的空间较大。整体来看, 经济高度发达和高碳排放城市的能源强度抑制作用强于低排放低增长和低排放高增长城市, 这就强调了提高能源利用效率对低碳减排的重要性。
产业结构的变化对北京、上海、广州、乌鲁木齐、大庆和贵阳的CO2排放是抑制作用, 这与6个城市第三产业GDP年均增长速率大于第二产业有关(表 1)。产业结构效应对经济高度发达城市的CO2排放均有削减作用, 这三个城市受到国家的重视, 大力推进产业结构优化与调整, 重点发展第三产业, 二、三产业GDP年均增长率分别为：7.72%、9.65%, 6.60%、10.71%和10.30%、12.39%, 能源消费和CO2排放较多的第二产业逐渐降低必然会带来CO2排放总量降低。产业结构效应对重庆和合肥的促进作用较明显, 这两个城市二、三产业GDP年平均增长率分别为：17.10%、11.83%和17.74%、12.14%。以上结论强调了提高第三产业比重对抑制CO2排放的重要性。
由于不同种类的能源具有不同的碳排放系数, 煤炭的排放系数最高, 石油次之, 天然气最少。因此消耗等量热值的化石能源时, 碳排放系数最高的煤炭所占比例越低, CO2排放量就越少。本文的研究结果显示能源结构的变化仅对北京和广州的CO2排放有抑制作用, 研究期内北京的煤炭消费比重下降了67.15%, 广州下降了30.27%。虽然上海的煤炭消费比重呈下降趋势, 但因上海的能源消费总量远高于其他城市, 并且石油消费比重处于较高水平, 平均占比约为78%, 因而能源结构的变化对上海CO2排放存在一定的促进作用, 只是促进作用较小。能源结构对高碳排放城市中重庆和乌鲁木齐的CO2排放促进作用最明显, 这两个城市的煤炭消费量高于其他城市, 十年间煤炭平均消费量分别为1951万吨标准煤和1562万吨标准煤, 而唐山的煤炭消费占比均在80%左右, 但能源结构效应的累积贡献值仅6.87MtCO2, 说明唐山的能源结构调整对减排有一定效果。高碳排放城市今后应重点优化调整结构, 提高清洁能源比重, 有计划且积极地开发利用风能、太阳能、生物能等无碳或低碳的绿色可再生能源[42]。能源结构效应对低排放低增长和低排放高增长城市的促进作用相对较小, 但呼和浩特是个例外, 因为研究期内呼和浩特的煤炭消费所占比例从77.77%上升至83.99%, 而天然气和石油的比值持续下降, 能源结构变化的不合理使得CO2排放量增加。
从化石能源消费CO2排放影响因素的分析得到, 经济发展和人口规模效应对11个城市CO2排放增长均表现为正向促进作用, 而能源强度效应是11个城市CO2排放最大的抑制因素。产业结构效应是第三产业GDP年均增长速率大于第二产业的6个城市CO2排放的抑制因素, 能源结构效应仅对煤炭消费比重降幅较大的北京和广州的CO2排放有抑制作用。
3.3 不确定性分析由于中国城市的能源统计数据尚不完备, 估算方法不同、CO2排放系数的标准不统一, 都会使得CO2排放核算结果不一致[43]。Shan等[21]提供的用适当的分配系数将省级能源数据分配给城市的方法较好的解决了城市尺度能源数据缺失的问题。Jing等[44]用相似的方法估算了中国41个城市的CO2排放量, 将结果与中国高分辨率碳排放数据(CHRED)进行比较, 差异均在10%以内, 并强调了使用中国本地化的碳排放因子的必要性。然而该方法因社会经济数据的复杂性和各城市指标选取而存在一定误差, 希望在今后的研究中对该方法进行调整, 使其能够充分、准确的估算中国不同城市尺度化石能源消费产生的CO2排放量。又因为CO2排放过程包含诸多复杂的驱动因素, 今后应利用多学科交叉研究, 基于不同模型方法深入探究城市尺度CO2排放及其影响因素的作用, 并扩展历史发展、居民生活习惯、气候变化、地理位置等不可量化影响因素与CO2排放关系的研究。
| [1] |
IPCC. Climate change 2013:the physical science basis. Contribution of working group I to the IPCC fifth assessment report of the intergovernmental panel on climate change. (2013)[2019-01-15].https://www.ipcc.ch/report/ar5/wg1/.
|
| [2] |
IEA. Global Energy & CO2 Status Report:The latest trends in energy and emissions in 2018. (2018-03)[2019-01-15].https://www.iea.org/geco/emissions/.
|
| [3] |
Sun J Q, Shi J S, Shen B Y, Li S Q, Wang Y W. Nexus among Energy Consumption, Economic Growth, Urbanization and Carbon Emissions:Heterogeneous Panel Evidence Considering China's Regional Differences. Sustainability, 2018, 10(7): 2383. DOI:10.3390/su10072383 |
| [4] |
尹乐, 吴昌华. 创新与协作的城市力量. 世界环境, 2007(5): 34-38. |
| [5] |
Wang Z, Cui C, Peng S. How do urbanization and consumption patterns affect carbon emissions in China? A decomposition analysis. Journal of Cleaner Production, 2019, 211: 1201-1208. DOI:10.1016/j.jclepro.2018.11.272 |
| [6] |
Sheinbaum C, Ozawa L, Castillo D. Using logarithmic mean Divisia index to analyze changes in energy use and carbon dioxide emissions in Mexico's iron and steel industry. Energy Economics, 2010, 32(6): 1337-1344. DOI:10.1016/j.eneco.2010.02.011 |
| [7] |
de Freitas L C, Kaneko S. Decomposing the decoupling of CO2 emissions and economic growth in Brazil. Ecological Economics, 2011, 70(8): 1459-1469. DOI:10.1016/j.ecolecon.2011.02.011 |
| [8] |
Li K Q, Lu R, Chu R W, Ma D D, Zhu L Q. Trends and Driving Forces of Carbon Emissions from Energy Consumption:A Case Study of Nanjing, China. Sustainability, 2018, 10(12): 4348. DOI:10.3390/su10124348 |
| [9] |
Pardo C S, Pérez S M, Morales G R. Decomposition of energy consumption and CO2 emissions in Mexican manufacturing industries:Trends between 1990 and 2008. Energy for Sustainable Development, 2012, 16(1): 57-67. |
| [10] |
曹甲威, 赵翠薇. 基于LMDI模型的贵阳市交通碳排放及其影响因素分析. 贵州科学, 2017, 35(1): 57-61,93-93. |
| [11] |
Shan Y L, Guan D B, Hubacek K, Zheng B, Davis S J, Jia L C, Liu J H, Liu Z, Fromer N, Mi Z F, Meng J, Deng X Z, Li Y, Lin J T, Schroeder H, Weisz H, Schellnhuber H J. City-level climate change mitigation in China. Science Advances, 2018, 4(6): eaaq0390.. DOI:10.1126/sciadv.aaq0390 |
| [12] |
蔡博峰. 中国城市二氧化碳排放研究. 中国能源, 2011, 33(6): 28-32,47-47. DOI:10.3969/j.issn.1003-2355.2011.06.006 |
| [13] |
Yu H, Pan S Y, Tang B J, Mi Z F, Zhang Y, Wei Y M. Urban energy consumption and CO2 emissions in Beijing:current and future. Energy Efficiency, 2015, 8(3): 527-543. |
| [14] |
孙贵艳, 王胜. 基于LMDI模型的重庆直辖以来的能源消费碳排放研究. 重庆理工大学学报:社会科学, 2018, 32(7): 30-36. |
| [15] |
苏王新, 孙然好. 中国典型城市群城镇化碳排放驱动因子. 生态学报, 2018, 38(6): 1975-1983. |
| [16] |
Zhou Y, Shan Y L, Liu G S, Guan D B. Emissions and low-carbon development in Guangdong-Hong Kong-Macao Greater Bay Area cities and their surroundings. Applied Energy, 2018, 228: 1683-1692. DOI:10.1016/j.apenergy.2018.07.038 |
| [17] |
Shi X C, Li X Y. Research on three-stage dynamic relationship between carbon emission and urbanization rate in different city groups. Ecological Indicators, 2018, 91: 195-202. DOI:10.1016/j.ecolind.2018.03.056 |
| [18] |
Sun J Q, Shi J, Shen B Y, Li S Q, Wang Y. Nexus among Energy Consumption, Economic Growth, Urbanization and Carbon Emissions:Heterogeneous Panel Evidence Considering China's Regional Differences. Sustainability, 2018, 10(7): 2383. DOI:10.3390/su10072383 |
| [19] |
Gao C C, Liu Y H, Jin J, Wei T Y, Zhang J Y, Zhu L Z. Driving forces in energy-related carbon dioxide emissions in east and south coastal China:commonality and variations. Journal of Cleaner Production, 2016, 135: 240-250. DOI:10.1016/j.jclepro.2016.05.131 |
| [20] |
Yu B Y, Wei Y M, Kei G M, Matsuoka Y. Future scenarios for energy consumption and carbon emissions due to demographic transitions in Chinese households. Nature Energy, 2018, 3(2): 109-118. DOI:10.1038/s41560-017-0053-4 |
| [21] |
Shan Y L, Guan D B, Liu J H, Mi Z F, Liu Z, Liu J R, Schroeder H, Cai B F, Chen Y, Shao S, Zhang Q. Methodology and applications of city level CO2 emission accounts in China. Journal of Cleaner Production, 2017, 161: 1215-1225. DOI:10.1016/j.jclepro.2017.06.075 |
| [22] |
国家统计局城市社会经济调查司. ISBN 978-7-5037-8082-0中国城市统计年鉴. 北京:中国统计出版社, 2007. |
| [23] |
Shan Y L, Guan D B, Zheng H R, Ou J M, Li Y, Meng J, Mi Z F, Liu Z, Zhang Q. China CO2 emission accounts 1997-2015. Scientific Data, 2018, 5: 10.1038. |
| [24] |
Liu Z, Guan D B, Wei W, Davis S J, Ciais P, Bai J, Peng S S, Zhang Q, Hubacek K, Marland G, Andres R J, Crawford-Brown D, Lin J T, Zhao H Y, Hong C P, Boden T A, Feng K S, Peters G P, Xi F M, Liu J G, Li Y, Zhao Y, Zeng N, He K B. Reduced carbon emission estimates from fossil fuel combustion and cement production in China. Nature, 2015, 524(7565): 335-338. DOI:10.1038/nature14677 |
| [25] |
国家统计局能源司. ISBN 978-7-5037-8064-6中国能源统计年鉴. 北京:中国统计出版社, 2016. |
| [26] |
Ang B W, Liu N. Handling zero values in the logarithmic mean Divisia index decomposition approach. Energy Policy, 2007, 35(1): 238-246. DOI:10.1016/j.enpol.2005.11.001 |
| [27] |
Shao S, Yang L L, Gan C H, Cao J H, Geng Y, Guan D B. Using an extended LMDI model to explore techno-economic drivers of energy-related industrial CO2 emission changes:A case study for Shanghai (China). Renewable and Sustainable Energy Reviews, 2016, 55: 516-536. DOI:10.1016/j.rser.2015.10.081 |
| [28] |
Mousavi B, Lopez N S A, Biona J B M, Chiu A S F, Blesl M. Driving forces of Iran's CO2, emissions from energy consumption:An LMDI decomposition approach. Applied Energy, 2017, 206: 804-814. DOI:10.1016/j.apenergy.2017.08.199 |
| [29] |
Li J X, Chen Y N, Li Z, Liu Z H. Quantitative analysis of the impact factors of conventional energy carbon emissions in Kazakhstan based on LMDI decomposition and STIRPAT model. Journal of Geographical Sciences, 2018, 28(7): 1001-1019. DOI:10.1007/s11442-018-1518-5 |
| [30] |
Madaleno M, Moutinho V. A new LDMI decomposition approach to explain emission development in the EU:individual and set contribution. Environmental Science and Pollution Research, 2017, 24(11): 10234-10257. DOI:10.1007/s11356-017-8547-y |
| [31] |
刘兆龙, 邱坦, 单吉堃. 北京和上海终端能源碳排放量影响因素研究. 安徽农业科学, 2015, 43(28): 250-253, 367-367. DOI:10.3969/j.issn.0517-6611.2015.28.092 |
| [32] |
王长建, 张虹鸥, 叶玉瑶, 苏泳娴, 陈伟莲. 广东省能源消费碳排放的多变量驱动因素——基于扩展的STIRPAT模型. 科技管理研究, 2017, 37(3): 210-214. DOI:10.3969/j.issn.1000-7695.2017.03.036 |
| [33] |
Cai B F, Lu J, Wang J N, Dong H J, Liu X M, Chen Y, Chen Z M, Cong J H, Cui Z P, Dai C Y, Fang K, Feng T, Guo J, Li F, Meng F X, Tang W, Wang G Z, Xie Y S, Zhang J J. A benchmark city-level carbon dioxide emission inventory for China in 2005. Applied Energy, 2019, 233-224: 659-673. |
| [34] |
杨青林, 赵荣钦, 邢月, 满洲. 中国城市碳排放的空间分布特征研究. 环境经济研究, 2017, 2(1): 70-81. |
| [35] |
Shuai C Y, Shen L Y, Jiao L D, Wu Y, Tan Y T. Identifying key impact factors on carbon emission:Evidences from panel and time-series data of 125 countries from 1990 to 2011. Applied Energy, 2017, 187: 310-325. DOI:10.1016/j.apenergy.2016.11.029 |
| [36] |
Sumabat A K, Lopez N S, Yu K D, Hao H, Li R, Geng Y, Chiu A S F. Decomposition analysis of Philippine CO2 emissions from fuel combustion and electricity generation. Applied Energy, 2016, 164: 795-804. DOI:10.1016/j.apenergy.2015.12.023 |
| [37] |
Shahbaz M, Loganathan N, Muzaffar A T, Ahmed K, Jabran M A. How urbanization affects CO2 emissions in Malaysia? The application of STIRPAT model. Renewable and Sustainable Energy Reviews, 2016, 57: 83-93. DOI:10.1016/j.rser.2015.12.096 |
| [38] |
Antonakakis N, Chatziantoniou I, Filis G. Energy consumption, CO2 emissions, and economic growth:An ethical dilemma. Renewable and Sustainable Energy Reviews, 2017, 68: 808-824. DOI:10.1016/j.rser.2016.09.105 |
| [39] |
Azizalrahman H, Hasyimi V. A model for urban sector drivers of carbon emissions. Sustainable Cities and Society, 2019, 44: 46-55. DOI:10.1016/j.scs.2018.09.035 |
| [40] |
郭建科. G7国家和中国碳排放演变及中国峰值预测. 中外能源, 2015, 20(2): 1-6. |
| [41] |
Pretis F, Roser M. Carbon dioxide emission-intensity in climate projections:Comparing the observational record to socio-economic scenarios. Energy, 2017, 135: 718-725. DOI:10.1016/j.energy.2017.06.119 |
| [42] |
姜向亚.基于LMDI模型的我国碳排放影响因素的区域分异研究[D].开封: 河南大学, 2013. http://cdmd.cnki.com.cn/Article/CDMD-10475-1013349762.htm
|
| [43] |
谢守红, 王利霞, 邵珠龙. 国内外碳排放研究综述. 干旱区地理, 2014, 37(4): 720-730. |
| [44] |
Jing Q N, Bai H T, Luo W, Cai B F, Xu H. A top-bottom method for city-scale energy-related CO2 emissions estimation:A case study of 41 Chinese cities. Journal of Cleaner Production, 2018, 202: 444-455. DOI:10.1016/j.jclepro.2018.08.179 |