EN中文

自然资源学报 >

2022 , Vol. 37 >Issue 5: 1289 - 1302

DOI: https://doi.org/10.31497/zrzyxb.20220513

“双碳”目标与可持续城市化

全国各省域碳达峰时空特征及影响因素

  • 蒋昀辰 , 1 ,
  • 钟苏娟 1 ,
  • 王逸 1 ,
  • 黄贤金 , 1, 2
展开
  • 1.南京大学地理与海洋科学学院,南京 210023
  • 2.自然资源部碳中和与国土空间优化重点实验室,南京 210023
黄贤金（1968- ）,男,江苏扬中人,博士,教授,研究方向资源环境经济与政策。E-mail:

蒋昀辰（1996- ）,男,江苏溧阳人,硕士,研究方向为资源经济、国土空间治理。E-mail:

收稿日期: 2021-07-27

  修回日期: 2021-11-02

  网络出版日期: 2022-07-28

基金资助

国家自然科学基金项目(71921003)

江苏省“333”工程科研资助立项项目(BRA2020031)

收起

Spatio-temporal characteristics and influencing factors of carbon emission peak by province of China

  • JIANG Yun-chen , 1 ,
  • ZHONG Su-juan 1 ,
  • WANG Yi 1 ,
  • HUANG Xian-jin , 1, 2
Expand
  • 1. School of Geographic and Oceanographic Sciences, Nanjing University, Nanjing 210023, China
  • 2. Key Laboratory of Carbon Neutral and Territorial Spatial Optimization, Ministry of Natural Resources, Nanjing 210023, China

Received date: 2021-07-27

  Revised date: 2021-11-02

  Online published: 2022-07-28

Fold

摘要

中国碳达峰是全球气候治理的重要议程,中国各省级地区的碳达峰研究对全国碳达峰任务达成和路径安排具有重要影响和现实支撑。基于混合型能源投入产出模型,延伸构建了碳达峰时间预测模型。在经济发展和碳排放强度改善的9种组合情景下,预测了2020— 2040年全国30个省级地区（除西藏、台湾、香港和澳门）的碳排放总量,并通过拟合计算与历史期峰值的比较,得到碳达峰时间。在此基础上,利用Probit模型对各地区是否能够在2030年前达到碳峰值做影响因素分析。结果显示：（1）中国各省级地区碳达峰时间差异明显,在空间格局上呈南北条带状聚集。（2）碳排放强度的改善对碳达峰时间影响较大,4% yr-1的改善对 2030年前达峰最有利。（3）产业结构、政府干预程度、对外开放程度对能否在2030年前实现碳达峰目标影响显著。

关键词： 碳达峰; 碳达峰时间预测模型; Probit模型; 因素分析

本文引用格式

蒋昀辰 , 钟苏娟 , 王逸 , 黄贤金 . 全国各省域碳达峰时空特征及影响因素[J]. 自然资源学报, 2022 , 37(5) : 1289 -1302 . DOI: 10.31497/zrzyxb.20220513

Abstract

China's carbon emission peak is an important agenda for global climate governance. The research on carbon emission peak in China by province has important influence and practical support for the national carbon mission peak and path arrangement. Based on the Hybrid-units Energy Input-Output model, this paper built a carbon emissions peak prediction model. Under 9 combined scenarios of economic development and carbon emission intensity improvement, the total carbon emissions of 30 provincial-level regions from 2020 to 2040 were predicted (except Tibet, Hong Kong, Macao and Taiwan). Then, this paper compared the peak values of different periods to estimate the carbon emission peak time. On this basis, the Probit model was used to analyze the influencing factors of whether regions can reach carbon emission peak before 2030. The results show that: (1) The carbon peak time varies significantly among provincial regions of China with a north-south strip aggregation in the spatial pattern. (2) The improvement of carbon emission intensity has a greater impact on the emission peak time, and the improvement rate of 4% per year is most favorable for reaching the peak by 2030. (3) Industrial structure, the degree of government intervention, and the degree of openness have a significant impact on whether the carbon peak target can be achieved by 2030.

Key words： carbon emission peak; carbon emission peak prediction model; probit model; factor analysis

世界经济与工业化的快速发展消耗了大量化石能源,也导致CO2在地球大气中不断积聚[1]。在过去十年间,全球平均CO2浓度年均增长高达2.37 ppm yr-1[2],截至2019年全球平均CO2浓度已突破410 ppm。由CO2等温室气体引致的全球气候变化成为世界各国共同面临的挑战。中国作为世界上主要大国之一,积极参与全球气候治理,率先承诺力争在2030年实现碳达峰,引发国际社会的广泛关注。中国碳达峰是实现全球气候治理的关键一步,但当前中国高耗能、高排放的产业依旧占有较高比例。同时,近年来土地利用变化和森林火灾、病虫灾害等土地管理失误也增加了CO2排放[3]。从Global Carbon Atlas数据来看,中国碳排放形势不容乐观。2019年中国碳排放值高达10174.68 Mt,位居世界第一,占据全球排放总量的28.93%。面对碳达峰的国际承诺,如何稳步推进碳达峰成为当前中国的工作重点与难点。
目前有关中国碳达峰的研究已积累较多,针对中国2030年达峰目标,学者从全国及区域尺度开展了丰富的实证研究。但对于中国在2030年前碳达峰的目标是否能够实现,学术界仍存在可以提前达峰[4⇓-6]、可以在2030年左右达峰[7,8]和将会在2030年之后达峰[9,10]三种不同意见。同时,从特定地区的研究来看,碳达峰时间在中国不同区域也具备差异性。Gao等[11]研究发现在及时开展结构性脱碳和提高能源效率的耦合策略下,中国东部和南部沿海地区可在2030年之前达到碳峰值;Liang等[12]对重庆市的研究表明,在常规模式下重庆市的碳峰值将会在2025年左右出现;而根据毕莹等[13]的研究,即使在低碳情景下辽宁省的碳达峰时间最早也要到2034年。
碳达峰研究主要通过碳排放预测实现,碳排放的预测方法众多,主要可分为计量经济模型、预测情景分析和人工智能模型三大类。三种方法各有优劣,分别适用于不同场景。其中经济模型对数据依赖性较强,通常依据长时间序列数据与特定的计量经济学模型模拟未来数值。差分整合移动平均自动回归模型（ARIMA）[14]、灰色预测模型（GM）[15]、散差分方程预测模型（DDEPM）[16]、向量自回归模型（VAR）[17]均为其中典型。预测情景分析法对数据的要求相对较低,通过经验类比及推理对未来社会、经济、工业技术发展等作出详细假设,为碳排放预测提供不同发展场景。如长期能源规划替代模型,基于情景分析“自下而上”地确定终端部门的能源强度、污染排放并模拟未来能源政策、需求等因素的影响,在气候变化评估和能源政策分析领域被广泛运用[18]。人工智能模型则综合了海量数据与多情景模拟优势,通过对数据的多次训练与测试完成碳排放预测,常见方法有遗传算法、神经网络模型和支持向量机模型等[19]。
本文使用混合型能源投入产出模型,基于不同场景设定分别预测全国30个省级行政区的碳达峰时间（除西藏、台湾、香港和澳门,因无能源数据）,并使用Probit模型对能否在2030年达到碳峰值做影响因素分析。通过对全国省级行政单元碳达峰特征的分析与影响因素探讨,以期为实现全国碳达峰目标提供理论借鉴及实践指导。

1 研究方法与数据来源

1.1 碳达峰时间预测模型

碳达峰时间预测模型包含碳排放总量模拟及碳达峰时间预测。如图1所示,碳排放总量模拟分为混合型能源投入产出表与情景预测数据两部分,主要依据情景预测数据对混合型能源投入产出表进行更新,进而获得不同省市未来时期的碳排放预测值[20]。随后对长时间的预测数据进行二次函数拟合,并计算在预测期内达到碳排放最高值的时间及具体峰值。最后通过与历史时期的碳峰值比较,取大者为该地区的碳峰值,对应时间即为碳达峰时间。
图1 碳达峰时间预测模型的基本流程

Fig. 1 The basic process of the carbon emission peak time prediction model

模型中情景预测数据包含经济发展情景与碳排放强度改善情景两个模块,共组合形成“低经济—低改善”“低经济—基准改善”“低经济—高改善”“基准经济—低改善”“基准经济—基准改善”“基准经济—高改善”“高经济—低改善”“高经济—基准改善”和“高经济—高改善”9种情景。由于涉及全国30个省域空间,具体情景参数设置以江苏省为例进行说明（表1）,其余各省域空间的发展情景见表2。
表1 2021—2040年江苏经济发展情景设定

Table 1 Economic development scenarios of Jiangsu province from 2021 to 2040 (%)

年份 GDP 产业结构
基准情景 高情景 低情景 一产 二产 三产
2025 5.5 6.0 5.2 4.1 40.3 55.6
2030 4.9 5.2 4.6 3.7 37.6 58.8
2035 4.2 4.6 3.9 3.4 34.8 61.9
2040 3.6 3.9 3.3 3.0 32.0 65.0
表2 2021—2040年全国30个省（市、自治区）经济发展情景设定

Table 2 Economic development scenarios of the 30 provincial-level regions in China from 2021-2040 (%)

（1）经济发展情景模块主要包括GDP增速与三产结构比例。GDP增速一方面参考肖林[21]、白重恩等[22]对中国未来经济发展作出的整体预测,另一方面则基于各省域空间的《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》（后简称“十四五规划”）提出的发展目标进行设定。以江苏省为例,其“十四五规划”中指出期间GDP年均增长5.5%左右,到2035年人均GDP在2020年基础上实现翻倍。据此,设定江苏省2021—2025年的基准增速为“十四五规划”所设定的5.5%,同时使2020—2035年之间的累计增速达到100.2%,实现在人口保持不变的情况下,人均GDP翻一番的目标。
“三产结构”的情景依据国际发展经验及国内具体发展需求设定。发达国家的第二产业、第三产业长期稳定在20%~25%、70%~75%的水平。但在当前以国内大循环为主体、双循环互相促进的新发展格局下,我国制造业不能像以服务业为主体的发达国家一样通过工业产业,尤其是制造业的对外转移实现二产的迅速下降和三产的快速上升。同时考虑到粮食安全问题,各省域发展情景中的一产结构也应缓和下降,高于发达国家的1.2%左右的产业占比水平。综合两个方面的考虑,设定30个省域空间的三产结构情景。以江苏省为例,将2040年江苏省的三产结构设定为3%∶32%∶65%,其余年份的产业结构比例如表1所示。
（2）碳排放强度改善情景仅包括“强度降低”这一控制指标。由于各省域空间的“十四五规划”中很少有涉及到具体的二氧化碳排放强度的管控要求,所以本文统一采用国家发布的“十四五规划”中对于生态文明建设的主要发展目标之一,即目标期内单位GDP二氧化碳排放分别降低18%（年均3.8%）。结合大量研究中所发现的碳排放强度降低的递减规律,将基准设定为单位GDP增加碳排放降低3% yr-1,高改善情景为4%,低改善情景为2%。

1.2 Probit模型

考虑到是否在2030年前实现碳达峰是以分类数据为主的二元离散数据,概率模型被用于验证分析影响其是否能在2030年前达峰的因素。其中,Probit模型是线性概率模型中最为典型的模型之一,服从正态分布,在研究离散变量与影响因素的关系中应用广泛[23],具体模型设定如下：
P r o b i t Y i = 1 | X i = ϕ X i , α = ϕ ( α 0 + α 1 X 1 + … + α n X n )
式中：Y=(1, 在2030年前实现碳达峰;0,不能在2030年前实现碳达峰); X 1 , … , X n分别为解释变量; α 0 , α 1 , … , α n为待估参数。
根据先前研究成果,碳排放与人类社会的经济发展、城镇化以及产业发展等密切相关[24,25],因此选取如下解释变量：（1）经济发展,以国内生产总值表示;（2）城镇化,用城镇人口占总人口比值表示;（3）产业结构,以二三产业占总GDP的比例表征;（4）政府干预,以地方财政支出占总GDP的比值表示;（5）研发投入,用规模以上工业企业R&D经费表征;（6）对外开放,以进出口总额表示。为减少异方差,将模型中除比值外的解释变量做对数化处理,各变量的描述性统计分析结果如表3。此外,为保证研究结果的稳健性,本文以传统OLS回归模型与Probit模型进行实证对照。
表3 变量描述性统计分析

Table 3 Variable descriptive statistical analysis

变量名称 变量代号 均值 标准差 最小值 最大值
经济发展 ln_gdp 10.080 0.872 7.987 11.590
城镇化 urban 0.618 0.104 0.485 0.883
产业结构 indus 0.910 0.052 0.765 0.997
政府干预 finance 0.265 0.109 0.120 0.634
研发投入 ln_R&D 14.620 1.383 11.450 16.960
对外开放 ln_open 16.120 2.648 8.529 19.890

1.3 数据来源

数据主要包括碳达峰时间预测模型使用的投入产出表、能源平衡表、能源折算系数、社会经济发展数据和历史时期的碳排放数据,以及Probit模型所用的社会经济数据。
（1）碳达峰时间预测模型：投入产出表采用中国统计出版社出版的《中国地区投入产出表-2017》,能源平衡表来源于中国统计出版社出版的《中国能源统计年鉴2018》。能源折算系数是指将能源平衡表中各种能源类型统一转化成标准煤时使用的转换系数,主要参考《综合能耗计算通则》（GB/T 2589-2020）的附录A,型煤等能源类型则参考了《能源消耗引起的温室气体排放计算工具指南（2.1版）》。社会经济发展数据来源于2018—2020年的《中国统计年鉴》和30个地区的2020年国民经济和社会发展统计公报。2000—2017年间国内30个地区的历史碳排放数据则来源于中国碳排放核算数据库（China Emission Accounts & Datasets,CEADs）。
（2）Probit模型：考虑到数据可获得性及对现实社会经济发展水平的反映程度,Probit模型采用各省（市、自治区）2019年社会经济数据,具体来源于各省（市、自治区）2020年统计年鉴。

2 结果分析

2.1 碳达峰时间空间特征

为保证模型预测的质量,研究将预测数据与其他研究数据进行了关联对比。首先选择2017年作为基准年,通过编制30个省域空间的混合型能源投入产出表,分别核算其碳排放量。由于2018—2020年缺少真实的碳强度减少数据,采用真实的经济数据和碳排放强度改善的“2%情景”“3%情景”和“4%情景”更新混合型能源投入产出表,并预测当年的碳排放量。加总得到的2017—2020年全国碳排放量数据后,使用2017年数据与中国碳排放核算数据库（CEADs）中1997—2017年碳排放量数据建立关联。最后与Friedlingstein等[26]中1997—2019年的中国碳排放数据进行T-test分析,结果显示：P=0.8379,P>0.05,两组数据差异性不显著,说明模型预测的碳排放数据具备可信度。
根据模型计算的2020—2040年碳排放预测数据,分别在30个省级行政单元中研究9种情景下的碳达峰时间,发现最早达峰的均是低经济—高改善情景,最晚达峰的均是高经济—低改善情景。为方便进一步研究,分别计算9种情景的达峰时间,得到平均达峰时间。如图2a所示,低经济—高改善情景下,全国23个地区的预测期峰值未超过2010—2020年之间的阶段性峰值,可在2020年前实现碳达峰。其中最早达峰的是北京,在2010年达峰,其后是吉林（2011年）、湖北（2011年）、河南（2011年）、天津（2012年）和上海（2013年）等。而最晚的是黑龙江,将会在2035年达峰,其后依次为云南（2029年）、贵州（2029年）、江西（2028年）、新疆（2026年）、湖南（2025年）和山西（2024年）。如图2b所示,高经济—低改善情景下,全国29个地区的碳达峰时间均出现在2020年后,根据拟合计算结果,达峰时间最晚地区为广西（2079年）,其后依次是黑龙江（2062年）、山东（2058年）、贵州（2057年）、云南（2054年）和宁夏（2054年）。只有北京因在2011—2020年之前碳排放下降幅度近30%,碳达峰时间为2011年,仍在2020年前。
图2 碳达峰时间

注：本图基于自然资源部标准地图服务系统下载的标准地图制作,底图无修改。

Fig. 2 Carbon emission peak time

如图2c所示,平均9种情景的碳达峰时间在空间上展现出了南北条带状聚集的分布格局。图2d将达峰时间按2030年前后区分,聚集的条带状特征更为明显,自北向南,能够在2030年前达峰的地区与不能的地区间隔分布,共分为4条横向时间带。最北部新疆至黑龙江和南部云南至福建的不能达峰带东西向贯穿分布,仅山东没有体现出聚集的特征,与其他不能在2030年前达峰的地区分离。其中最晚达峰的是黑龙江,将会在2045年达峰,其后为云南（2039年）、贵州（2039年）、广西（2037年）、江西（2037年）、新疆（2035年）和宁夏（2035年）。从情景来看,均是规划中经济发展增速目标设定较高,三产结构中二产调整空间较小的地区。而最早达峰的地区依旧是北京,为2010年,其后依次是天津（2014年）、吉林（2017年）、上海（2020年）、广东（2020年）和重庆 （2021年）。从碳排放数据来看,均在2020年前排放量有明显下降的地区。

2.2 碳达峰情景分析

将各省域在不同情景下的碳达峰时间及对应碳排放量汇总后（表4）发现：碳排放强度的改善对碳达峰时间的影响比不同的经济发展情景更加显著,在碳排放强度高改善情景下,三种经济发展情景的碳达峰时间均早于2030年;而其他的碳排放强度改善情景下,无论哪种经济发展情景都难以使碳排放按时达峰。
表4 9种情景下全国碳达峰时间及对应碳排放量

Table 4 National carbon emission peaking time and corresponding carbon emissions under 9 scenarios

经济发展情景 改善情景
碳排放强度低 碳排放强度基准 碳排放强度高
经济发展低情景 2037年(13026.56 Mt) 2031年(10937.98 Mt) 2025年(9712.38 Mt)
经济发展基准情景 2040年(14013.65 Mt) 2033年(11456.56 Mt) 2027年(9960.31 Mt)
经济发展高情景 2044年(15237.41 Mt) 2035年(12059.07 Mt) 2029年(10271.56 Mt)
分省域来看（表5）,全国30个地区中有26个地区在碳排放强度改善高情景下能够在2030年之前达到碳峰值,而在基准情景和低情景下,仅有15个和3个。从情景的时间响应上分析,30个地区在碳排放强度改善高情景下的整体碳达峰时间为2019年,而在基准情景和低情景下,碳达峰时间分别在2034年和2041年,相比之下时间差达15年和22年。而从平均时间来看,时间差为9年和21年。这再次说明了碳排放强度的改善对于各地区碳达峰时间有着关键的影响,我国要在2030年之前完成碳达峰的历史任务,必须大力推进改善碳排放强度的措施,确保单位增加值碳排放的年降低幅度保持在4%或更高水平。
表5 不同碳排放强度改善情景下的平均碳达峰时间

Table 5 Average carbon peak time under different scenarios of carbon emission intensity improvement (年)

地区 碳排放强度
改善低情景		 碳排放强度
改善基准情景		 碳排放强度
改善高情景		 地区 碳排放强度
改善低情景		 碳排放强度
改善基准情景		 碳排放强度
改善高情景
北京 2010 2010 2010 河南 2045 2028 2011
天津 2019 2012 2012 湖北 2041 2019 2011
河北 2042 2018 2018 湖南 2042 2033 2027
山西 2032 2029 2026 广东 2027 2017 2017
内蒙古 2046 2035 2022 广西 2062 2034 2015
辽宁 2037 2031 2018 海南 2031 2029 2019
吉林 2030 2011 2011 重庆 2034 2015 2015
黑龙江 2055 2043 2037 四川 2043 2034 2013
上海 2035 2013 2013 贵州 2050 2038 2031
江苏 2035 2026 2015 云南 2048 2038 2031
浙江 2040 2032 2019 陕西 2046 2029 2014
安徽 2035 2027 2018 甘肃 2046 2035 2014
福建 2039 2032 2022 青海 2040 2018 2018
江西 2045 2036 2030 宁夏 2047 2036 2022
山东 2051 2037 2018 新疆 2043 2034 2028

2.3 碳达峰时间影响因素分析

Probit模型与OLS模型的回归结果见表6,其中Probit模型的R2为0.513,整体模型回归结果在1%的水平上显著,模型预测准确度高达80%。
表6 Probit模型回归结果

Table 6 Regression results of Probit model

变量名称 (1) (2)
基准回归 OLS
lngdp 2.426* 0.247
(1.87) (0.80)
indus 24.753*** 4.898***
(3.26) (4.25)
urban 5.465 -1.046
(0.87) (-1.23)
finance 25.656** 5.057**
(2.40) (2.16)
ln_R&D -1.460 -0.198
(-1.52) (-0.96)
ln_open 1.081*** 0.267***
(3.05) (3.55)
截距项 -52.355*** -8.450***
(-3.45) (-2.86)
样本数/个 30 30
R2 0.513 0.478

注：括号内为Z值,***p<0.01、**p<0.05、*p<0.1。

（1）根据表5模型（1）结果,经济发展、产业结构、政府干预、对外开放对是否能在2030年前实现碳达峰目标影响显著。其中产业结构与政府干预变量的相关系数分别为24.753、25.655,且均在1%的水平上显著,是影响碳达峰目标实现的关键变量。模型（2）OLS回归结果总体上与模型（1）保持一致,验证了其结果的稳健性与可靠性,但值得注意的是经济发展水平变量在OLS回归中不显著。
理论上随着经济的持续增长,居民的消费层次日益提升,对耗能性产业的需求也日渐饱和,更有利于促成在2030年实现碳排放达峰[27]。但不可否认的是碳排放较大的行业,如煤炭采选业、石油天然气开采业、石油加工业以及电力热力生产供应业等对GDP的贡献也更高[28],因此在产业结构未得到优化调整之前经济发展水平越高并不代表更能提前实现碳达峰。这与环境库兹涅茨曲线观点相符,也在中国的发展中得到了验证,如长三角、珠三角以及京津冀三大城市群中,碳排放强度就随经济的不断集聚发展呈现先上升后下降的倒“U”型变化趋势[29,30]。
产业结构优化调整过程中相对低耗能的三产份额的增加对抑制碳排放强度有重要作用[31]。近年来中国政府在推进产业结构转型升级中取得一定成就,如山西等传统能源大省通过加快煤电行业转型升级、积极发展风电、光伏等可再生能源,在“十三五”期间单位GDP能耗四年累计下降12.87%,超额完成国家下达的能源消费量目标[32]。同样地,东北地区的辽宁以及吉林等省份通过新基建及与东部地区的对口合作等也实现了自身的产业升级,在2005—2017年间,吉林碳排放强度下降比例高达58.41%,辽宁下降了25.79%[33]。
政府干预主要体现在政府对生态环境以及低耗能产业的财政支持,如在青海、海南等生态资源丰富且具有重要生态屏障作用的省份,生态环境保护财政支出在财政总支出中占据较大比例,来自政府的财政支持成为推动当地碳达峰及碳中和的重要力量。
经济对外开放对碳达峰的正向促进作用主要通过与海外企业的交流实现,通过学习其先进的技术与管理经验,可有效提升企业资源使用率,进而提升碳绩效[34]。
（2）城镇化变量与研发投入变量在两个模型中均不显著。这可能是因为中国的新型城镇化建设取得一定成效,绿色低碳的发展理念及低碳技术的推广应用均使得城镇化带来的碳排放效应相对不明显[35,36]。研发投入对碳达峰作用的不显著则需要考虑碳排放的技术锁定,以化石能源为基础的传统工业经济具有巨大的系统惯性并且容易带来市场和政策的失灵,从而阻碍低碳技术的替代和发展[37]。

3 结论与讨论

3.1 结论

本文通过构建碳达峰时间预测模型,在经济发展与碳排放强度改善两个维度、九种情景下测算了30个省级行政区的碳达峰时间,对其中最早和最晚两种极限情景与平均时间进行了时空特征分析,最后应用Probit模型分析了地区能否在2030年之前碳达峰的主要影响因素。主要结论如下：
（1）中国省域间碳达峰时间差异明显,碳达峰的空间聚集性与南北带状差异性突出。其中不能在2030年前碳达峰的条带主要由新疆至黑龙江和云南至福建东西向贯穿构成。
（2）碳达峰时间主要受碳排放强度的改善控制。在碳排放强度改善高情景（4% yr-1）下,中国及大部分省级地区都可以在2030年之前达到碳峰值,整体达峰时间分别比基准情景和低情景早15年和22年。
（3）产业结构、政府干预程度、对外开放水平对各地区能否在2030年前达到碳排放峰值影响显著。产业结构的改善、政府对生态环境及低耗能产业的财政支持以及积极的对外开放都是推动碳达峰的重要力量。

3.2 讨论

（1）省域间的碳达峰时间分化要求差异化的碳达峰安排
在不同情景下中国各省域碳达峰时间存在明显差异,其中长三角、珠三角及京津冀等重要城市群所在的大部分省域可在2030年前实现碳达峰,也在空间上将全国碳达峰省域分割为南北条带状。根据Probit模型回归结果,这与地区产业结构、政府财政支持及对外开放程度密切相关。长三角、珠三角、京津冀及成渝城市群等地区作为中国经济发展前沿,产业集聚发展水平及对外开放程度均较高,且对周围城市有一定辐射带动作用,因此其所在省域整体碳达峰时间靠前[38]。山西、陕西、河南作为三个中部资源大省,在近年来一方面积极承接沿海地区的产业转移,另一方面则抓住“一带一路”的机遇,通过构建“晋陕豫黄河金三角”等跨区域合作,积极推进产业升级转型,也成为在2030年前实现碳达峰的主要省份[39]。而青海以及海南等具备重要生态保护屏障功能的省份,地方财政大力支持开展生态环境建设,在绿色发展理念下也能较快实现碳达峰。
从全国与分省域的碳达峰时间来看,即便个别省份晚于2030年碳达峰也并不影响全国在2030年前实现碳达峰目标。因此考虑到地方发展差异,在不影响全国于2030年前实现碳达峰的前提下,未来可考虑分区域、分阶段的差异化碳达峰安排。一方面积极推进长三角、珠三角以及京津冀城市群等发达地区的碳排放率先实现达峰,为全国其他城市提供相应路径参考与经验借鉴。另一方面对于产业高碳化明显或身处快速城镇化阶段且对能源仍具有较强刚性需求的地区,可考虑晚于2030年完成相应目标。同时,依照就近原则开展二者之间的结对帮扶,鼓励率先达峰地区为较晚达峰地区提供技术、管理等方面的指导和支持。
（2）改善碳排放强度相比控制经济增速更能推进碳达峰
根据对全国及分省域的碳达峰时间分析,发现碳排放强度改善情景相较于经济发展情景影响更大,Probit模型也证实经济发展水平与碳排放达峰之间的相关性并不显著。因此在推进碳达峰目标实现的过程中要尤其关注对碳排放强度的改善控制。其中,设定每年4%的碳排放强度降低的目标,对顺利完成2030年之前达到碳峰值的任务最为保险。为实现这一目标,尤其需要关注能源等高碳排放行业的未来发展。总体上坚持绿色可持续的发展理念,通过限制化石能源使用与消费、着力提高能源利用效率、积极实施与探索可再生能源的替代方案以及构建与太阳能、风能等新能源为主体的新型供电体系等措施,从整体上构建低碳、清洁、安全、高效的能源体系。
（3）关注产业结构与政府干预以及对外开放对碳达峰的促进作用
根据Probit模型回归结果,产业结构、政府干预以及对外开放与碳达峰关联密切,可作为推进实现碳达峰目标的重要抓手。在未来,一方面要持续改善产业结构,在保持工业、制造业持续健康发展的同时,大力引导第三产业发展,实现第三产业在国民经济结构中对第二产业的可持续性占比替代。另一方面,适当增加对生态环境改善以及低耗能产业的财政支持。通过优化财政支出结构、增加专项资金、适当减少一般性财政支出等变革方式,持续加大生态环境改善和低耗能产业发展的资金保障力度,尝试生态补偿、低碳补偿等创新措施,实现绿水青山的永久保续并降低经济产业中高耗能产业占比。此外,积极推进对外开放,通过引进更为先进的技术切实降低碳排放。
本文首次基于碳达峰时间预测模型对中国各省域的碳排放量进行测算与多情景模拟,通过对全国实现碳达峰目标的时空特征刻画及相关影响因素分析,可为推进中国碳达峰目标的实现提供理论借鉴与参考。但研究中混合型能源投入产出模型的更新很大程度上依赖情景设定,虽已设置多个场景进行控制,依旧存在系统性偏差的可能,如广西及黑龙江等地区在部分情景下碳达峰预测时间较为靠后。在现实中这些地区确实存在高耗能、高污染行业占比较高,产业结构单一,减排难度较大的问题。当将其作为参数输入到模型中,由于第二产业可下降空间及碳排放改善强度均不及其他地区,最终形成较晚的达峰预测时间结果。值得注意的是,在未来技术进步、清洁能源使用比例扩大等情景下,这些地区仍有可能早于模型预测时间达峰。据此,后续研究也可在如下方面做进一步探讨：一方面在碳排放的预测方法模型选择上,可以探索相对不依赖于情景假设的方法进行客观模拟;另一方面在未来预测中加入对疫情等突发大规模事件以及对技术进步、能源结构调整等变量的考量。

参考文献

原文顺序 | 文献年度倒序 | 文中引用次数倒序
[1]
FAWZY S, OSMAN A I, DORAN J, et al. Strategies for mitigation of climate change: A review. Environmental Chemistry Letters, 2020, 18(6): 2069-2094.

DOI

[2]
EVANS S. Daily global CO2 emissions 'cut to 2006 levels' during height of coronavirus crisis, https://www.carbonbrief.org, 2021-09-08.

[3]
LAI L, HUANG X J, YANG H, et al. Carbon emissions from land-use change and management in China between 1990 and 2010. Science Advances, 2016, 2(11): e1601063, Doi: 10.1126/sciadv.1601063.

DOI

[4]
林伯强, 李江龙. 环境治理约束下的中国能源结构转变: 基于煤炭和二氧化碳峰值的分析. 中国社会科学, 2015, 000(009): 84-107.

[ LIN B Q, LI J L. Transformation of China's energy structure under environmental governance constraints: A peak value analysis of coal and carbon dioxide. Social Sciences in China, 2015, 000(009): 84-107.]

[5]
GREEN F, STERN N. China's changing economy: Implications for its carbon dioxide emissions. Climate Policy, 2017, 17(4): 423-442.

DOI

[6]
WANG H, LU X, DENG Y, et al. China's CO2 peak before 2030 implied from characteristics and growth of cities. Nature Sustainability, 2019, 2(8): 748-754.

DOI

[7]
LI F, XU Z, MA H. Can China achieve its CO2 emissions peak by 2030?. Ecological Indicators, 2018, 84(1): 337-344.

DOI

[8]
HE J K. An analysis of China's CO2 emission peaking target and pathways. Advances in Climate Change Research, 2014, 4: 155-161.

[9]
CHAI Q M, XU H Q. Modeling an emissions peak in China around 2030: Synergies or trade-offs between economy, energy and climate security. Advances in Climate Change Research, 2014, 5(4): 169-180.

DOI

[10]
LIU Q, LEI Q, XU H, et al. China's energy revolution strategy into 2030. Resources Conservation and Recycling, 2018, 128: 78-89.

DOI

[11]
GAO C, LIU Y, JIN J, et al. 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

[12]
LIANG M, WANG Y, WANG G. China's low-carbon-city development with ETS: Forecast on the energy consumption and carbon emission of Chongqing. Energy Procedia, 2014, 61: 2596-2599.

DOI

[13]
毕莹, 杨方白. 辽宁省碳排放影响因素分析及达峰情景预测. 东北财经大学学报, 2017, (4): 91-97.

[ BI Y, YANG F B. Analysis of influencing factors and prediction of carbon emissions peak in Liaoning province. Journal of Dongbei University of Finance and Economics, 2017, (4): 91-97.]

[14]
ZHAO C B, MAO C M. Forecast of intensity of carbon emission to china based on BP neural network and ARIMA combined model. Resources and Environment in the Yangtze Basin, 2012, 21(6): 665-671.

[15]
WANG Q, LI S, PISARENKO Z. Modeling carbon emission trajectory of China, USA, and India. Journal of Cleaner Production, 2020, 258(1): 120723, https://doi.org/10.1016/j.jclepro.2020.120723.

DOI

[16]
LIU G W, ZHAO T, MI G F. Forecast of the carbon emission intensity and analysis of coal energy's proportion in China. Resources Science, 2012, 34(4): 141-152.

[17]
WU P Z, LI G Y. China's carbon emissions forecast based on the VAR Model. In: International Institute of Statistics & Management Engineering Symposium. Qingdao: School of public finance and taxation of Shandong university, 2012: 549-557.

[18]
李婉婷, 宋男哲, 慎英才, 等. 数学模型在碳排放测算与预测中的应用研究. 环境科学与管理, 2020, 45(12): 41-45.

[ LI W T, SONG N Z, SHENG Y C, et al. Application of mathematical model in carbon emissions measurement and prediction. Environmental Science and Management, 2020, 45(12): 41-45.]

[19]
WANG J, YANG F, CHEN K. Regional carbon emission evolution mechanism and its prediction approach: A case study of Hebei, China. Environmental Science and Pollution Research, 2019, 26(28): 28884-28897.

DOI

[20]
冯烽, 白重恩. 广东省能源需求预测与碳排放达峰路径研究: 基于混合单位能源投入产出模型. 城市与环境研究, 2019, (2): 8-27.

[ FENG F, BAI C E. Research on the forecasting of energy demand and the paths of carbon emissions reaching peak of Guangdong province: Based on the hybrid-units energy input-output model. Urban and Environmental Studies, 2019, (2): 8-27.]

[21]
肖林. 供给侧结构性改革与中国经济增长趋势预测. 科学发展, 2016, 90(5): 18-22.

[ XIAO L. Reform of supply side structural and forecast of China's economic growth trend. Scientific Development, 2016, 90(5): 18-22.]

[22]
白重恩, 张琼. 中国经济增长潜力预测: 兼顾跨国生产率收敛与中国劳动力特征的供给侧分析. 经济学报, 2017, (4): 1-27.

[ BAI C E, ZHANG Q. China's growth potential to 2050: A supply-side forecast based on cross-country productivity convergence and its featured labor force. China Journal of Economics, 2017, (4): 1-27.]

[23]
辛良杰, 李鹏辉, 李秀彬, 等. 黑河中游绿洲区地膜残留特征及农户行为分析. 自然资源学报, 2016, 31(8): 1310-1321.

[ XIN L J, LI P H, LI X B, et al. Plastic film residue and farmers' willingness of film recycling in the oasis area of the Heihe River Basin, China. Journal of Natural Resources, 2016, 31(8): 1310-1321.]

[24]
李宇, 王喆, 王菲, 等. 城市碳排放的评估方法: 影响要素和过程研究. 自然资源学报, 2013, 28(9): 1637-1648.

[ LI Y, WANG Z, WANG F, et al. A review of assessment methods, influencing factors and process on urban carbon emissions. Journal of Natural Resources, 2013, 28(9): 1637-1648.]

[25]
周迪, 王雪芹. 中国碳排放效率与产业结构升级的耦合度及耦合路径. 自然资源学报, 2019, 34(11): 2305-2316.

[ ZHOU D, WANG X Q. Research on coupling degree and coupling path between China's carbon emission efficiency and industrial structure upgrade. Journal of Natural Resources, 2019, 34(11): 2305-2316.]

DOI

[26]
FRIEDLINGSTEIN P, O'SULLIVN M, JONES M, et al. Global carbon budget 2020. Earth System Science Data, 2020, 12(4): 3269-3340.

DOI

[27]
邓吉祥, 刘晓, 王铮. 中国碳排放的区域差异及演变特征分析与因素分解. 自然资源学报, 2014, 29(2): 189-200.

[ DENG J X, LIU X, WANG Z. Characteristics analysis and factor decomposition based on the regional difference changes in China's CO2 emission. Journal of Natural Resources, 2014, 29(2): 189-200.]

[28]
赵巧芝, 闫庆友. 基于投入产出的中国行业碳排放及减排效果模拟. 自然资源学报, 2017, 32(9): 1528-1541.

[ ZHAO Q Z, YAN Q Y. Simulation of industrial carbon emissions and its reduction in China based on input-output model. Journal of Natural Resources, 2017, 32(9): 1528-1541.]

[29]
吕康娟, 何云雪. 长三角城市群的经济集聚、技术进步与碳排放强度: 基于空间计量和中介效应的实证研究. 生态经济, 2021, 37(1): 13-20.

[ LYU K J, HE Y X. Economic agglomeration, technological progress and carbon emission intensity in Yangtze River Delta Urban Agglomeration: An empirical study based on spatial econometric and intermediary effect. Ecological Economy, 2021, 37(1): 13-20.]

[30]
冯冬, 李健. 我国三大城市群城镇化水平对碳排放的影响. 长江流域资源与环境, 2018, 27(10): 2194-2200.

[ FENG D, LI J. Impacts of urbanization on carbon dioxide emissions in the three urban agglomerations of China. Resources and Environment in the Yangtze Basin, 2018, 27(10): 2194-2200.]

[31]
ZHANG Y J, LIU Z, ZHANG H, et al. The impact of economic growth, industrial structure and urbanization on carbon emission intensity in China. Natural Hazards, 2014, 73(2): 579-595.

DOI

[32]
韩东娥. 为实现碳中和目标贡献山西力量. 山西日报, 2021-01-26( 011).

[ HAN D E. Contribute to the achievement of carbon neutrality goals in Shanxi. Shanxi Daily, 2021-01-26( 011).]

[33]
韩梦瑶, 刘卫东, 谢漪甜, 等. 中国省域碳排放的区域差异及脱钩趋势演变. 资源科学, 2021, 43(4): 710-721.

DOI

[ HAN M Y, LIU W D, XIE Y T, et al. Regional disparity and decoupling evolution of China's carbon emissions by province. Resources Science, 2021, 43(4): 710-721.]

[34]
刘真真, 马远. 中国省域碳排放时空格局及其影响因素实证研究. 新疆农垦经济, 2021, (2): 53-62.

[ LIU Z Z, MA Y. An empirical study on the temporal and spatial pattern of China's provincial carbon emissions and its influencing factors. Xinjiang State Farms Economy, 2021, (2): 53-62.]

[35]
韩秀艳, 孙涛, 高明. 新型城镇化建设、能源消费增长与碳排放强度控制研究. 软科学, 2018, 32(9): 90-93.

[ HAN X Y, SUN T, GAO M. Study on the new urbanization construction, energy consumption growth and carbon emission intensity controlling. Soft Science, 2018, 32(9): 90-93.]

[36]
李建豹, 黄贤金, 揣小伟, 等. 江苏省人口城镇化与能源消费CO2排放耦合协调度时空格局及影响因素. 经济地理, 2021, 41(5): 57-64.

[ LI J B, HUANG X J, CHUAI X W, et al. Spatial-temporal pattern and influencing factors of coupling coordination degree between urbanization of population and CO2 emissions of energy consumption in Jiangsu province. Economic Geography, 2021, 41(5): 57-64.]

DOI

[37]
UNRUH G C. Understanding carbon lock-in. Energy Policy, 2000, 28(12): 817-830.

DOI

[38]
赵璐. 中国产业空间格局演化与空间转型发展态势. 地理科学, 2021, 41(3): 387-396.

DOI

[ ZHAO L. Spatial pattern evolution and spatial transformation trend of industry in China. Scientia Geographica Sinica, 2021, 41(3): 387-396.]

[39]
秦志琴, 倪云松, 姜晓丽, 等. 资源型地区工矿企业空间集聚与区域转型: 以山西省为例. 自然资源学报, 2021, 36(4): 948-964.

[ QIN Z Q, NI Y S, JIANG X L, et al. agglomeration and regional transformation of coal mining enterprises: A case study of Shanxi province. Journal of Natural Resources, 2021, 36(4): 948-964.]

DOI

Options
文章导航

/

〈 〉