EN中文

JOURNAL OF NATURAL RESOURCES >

2022 , Vol. 37 >Issue 5: 1277 - 1288

DOI: https://doi.org/10.31497/zrzyxb.20220512

Dual Carbon Goals and Sustainable Urbanization

Carbon emission peak prediction and reduction potential in Beijing-Tianjin-Hebei region from the perspective of multiple scenarios

  • HAN Nan , 1, 2 ,
  • LUO Xin-yu 1
Expand
  • 1. School of Economics & Management, Yanshan University, Qinhuangdao 066004, Hebei, China
  • 2. Regional Economic Development Research Center, Yanshan University, Qinhuangdao 066004, Hebei, China

Received date: 2021-08-16

  Revised date: 2021-12-13

  Online published: 2022-07-28

Fold

Abstract

Beijing-Tianjin-Hebei (BTH) is not only one of core economic regions of China, but also the key area of energy consumption and air pollution of the country. The carbon emissions of this region account for about 1/5 of the country's total. The proposal of China's "carbon peak and carbon neutrality" target has aroused widespread concern from the domestic and international community. Therefore, exploring the carbon emission trend and reduction potential of the BTH region under different scenarios is of great significance for China to achieve the carbon peak goal by 2030 on schedule. By analyzing the relationship between carbon emission and its influencing factors, this paper constructs a dynamic model of carbon emission system in the study region. On this basis, six scenarios are set up from the perspective of industrial structure, energy intensity, energy structure, environmental regulation, science and technology investment, and comprehensive regulation to predict the impact of different schemes on the peak time and peak value and reduction potential of carbon emissions in Beijing, Tianjin and Hebei respectively. The results show that under the baseline scenario, according to the existing system behavior law, Beijing has reached its carbon peak, Tianjin is expected to reach its carbon peak in 2023, and Hebei is unlikely to reach its carbon peak before 2035. In the coordinated development scenario, that is, the comprehensive regulation policy, compared with the single measure scenario, the effect of carbon emission reduction in each region is the best. Among them, the carbon emissions of Beijing from 2020 to 2030 will decrease by 13.52% on average compared with the baseline scenario. The carbon peak time of Tianjin can be advanced to 2021, and the carbon emissions of Hebei can reach the peak in 2030. Under the single measure scenario, the environmental protection scenario has the most significant effect on carbon emission reduction in Beijing, while the energy conservation and emission reduction scenario is the best development model to achieve the carbon emission peak in Tianjin and Hebei. Meanwhile, considering the differences in the peaks of carbon emissions in Beijing, Tianjin and Hebei, China should formulate differentiated carbon peaking strategy and emission reduction path.

Key words： carbon emission peak; carbon emission reduction; system dynamics; scene prediction; Beijing-Tianjin-Hebei region

Cite this article

HAN Nan , LUO Xin-yu . Carbon emission peak prediction and reduction potential in Beijing-Tianjin-Hebei region from the perspective of multiple scenarios[J]. JOURNAL OF NATURAL RESOURCES, 2022 , 37(5) : 1277 -1288 . DOI: 10.31497/zrzyxb.20220512

2020年9月22日,国家主席习近平在第七十五届联合国大会一般性辩论上发表重要讲话,提出中国二氧化碳排放力争于2030年前达到峰值,努力争取2060年前实现碳中和的“双碳”目标。国家“十四五”规划纲要提出,“落实2030年应对气候变化国家自主贡献目标,制定2030年前碳排放达峰行动方案。支持有条件的地方和重点行业、重点企业率先达到碳排放峰值。”我国各地区社会经济发展不均衡,碳达峰目标的实现最终要落实到各个地区层面。京津冀地区是中国重要的经济增长极,也是能源消耗和大气污染的重点区域。京津冀地区碳排放早日达峰对于实现国家达峰目标尤为关键。因此,研究京津冀地区碳达峰的时间与峰值,以及不同情景下京津冀碳减排的路径,对顺利实现京津冀地区碳达峰目标,进而实现国家达峰目标具有重要意义。
关于碳排放达峰的相关研究主要集中于以下方面：对碳排放峰值和达峰时间进行预测,以及为尽早实现碳达峰分析不同调控政策下的碳减排潜力。
（1）碳达峰时间及峰值预测。相关研究主要从碳排放影响因素出发构建相应模型对国家层面和省级层面的碳达峰时间进行预测。国家层面上,一些学者通过模型预测,发现中国碳排放将在2030年之前达到峰值[1,2];有些学者则认为中国的碳排放峰值不会在2030年之前出现[3,4]。省级和区域层面上,学者们对一些省份（如重庆、贵州等）或者重点区域（如长江经济带）的碳排放达峰时间和峰值进行预测[5⇓-7]。研究方法上,集中使用STIRPAT模型、IPAT模型、IAMC模型等方法[8⇓-10]。
（2）碳减排潜力的情景分析。理论界为尽早实现碳排放达峰,对碳减排潜力及路径展开研究。已有研究在预测碳达峰的基础上,主要运用情景分析法,通过调整人口规模、能源强度、技术进步及产业结构等路径,探讨不同路径下的碳减排潜力、碳达峰峰值及时间差异[11,12]。
综上所述,碳达峰预测是涉及经济、人口、能源和科技等多因素的动态、复杂系统问题;而目前对预测碳达峰及情景模拟研究多侧重于静态或单一层面,缺乏多因素的系统动态分析。虽有部分学者运用系统动力学对碳排放进行动态分析,但主要针对电力、建筑及能源开采业等某一特定行业[13⇓-15]。另外一些学者基于系统动力学对国家、福建省碳排放进行情景仿真预测,但研究视角主要集中在国家和省级层面[16,17]。针对重大国家战略发展区域（如京津冀）的碳排放及其达峰路径分析亟待补充。因此,本文通过构建京津冀碳排放系统动力学模型,分别预测不同情景下北京、天津和河北碳排放达峰时间及峰值,并设置不同的情景方案,模拟预测不同情景方案对其碳达峰的影响,以期为京津冀地区如期实现碳达峰目标提供理论参考。

1 京津冀碳排放系统动力学模型构建

1.1 系统边界及子系统

系统动力学（System Dynamics）是一门认识研究信息反馈系统的具有交叉性的学科,对解决复杂系统的非线性问题具有较大优势[18]。本文采用Vensim软件建立京津冀碳排放系统动力学模型并分别进行多方案的达峰路径比较。
参考目前学术界关于碳排放影响因素的研究,碳排放的影响因素主要包括经济增长、产业结构、能源消耗、人口、技术创新与环境规制等[19-24] 。因此,根据碳排放的各影响因素,设计京津冀碳排放预测模型包括四个子系统,分别是经济子系统、科技子系统、人口子系统以及能源子系统,这四个子系统间相互联系并构成因果反馈关系。经济子系统决定着区域经济的产业结构与能源消费结构,经济发展还能促进科技、教育的投入,并影响着人口的迁入与迁出;科技子系统既促进经济增长也对碳排放量的减少产生影响;人口子系统中总人口数的变化,既对经济与科技子系统造成影响,又引发碳排放量的变化;而能源子系统则是连接其他子系统的桥梁。
（1）经济子系统。经济增长是导致碳排放增加的主要驱动因素,经济子系统主要通过产业产出水平来反映,包括GDP、三次产业增加值、GDP年增加量、人均GDP、全社会固定资产投资等变量。
（2）科技子系统。科技创新可以促进新能源技术进步和使用成本不断降低,推进煤炭高效清洁利用以及绿色低碳转型,大幅提高以水电、风电、核能以及光伏为代表的清洁能源比例,从而不断促进能源强度下降和能源结构优化。此外,科技创新推动第三产业等低碳排放行业规模增加,进而在降低碳排放强度的同时促进产业结构调整。科技子系统主要通过科技投入强度、R&D人员、技术创新、教育投入强度、受教育人数等变量影响碳排放系统。
（3）人口子系统。人口规模的增长会导致能源消费需求日益增加,进而导致更多的碳排放。人口子系统主要通过人口规模来反映,包括地区总人口数、出生人口数、死亡率、死亡人口数等变量。
（4）能源子系统。能源子系统既是影响碳排放的核心也是连接其他子系统的桥梁。一方面,能源消耗总量与经济增长及产业结构息息相关;另一方面,能源强度与能源结构的降低受到科技创新的影响并直接作用于碳排放。目前京津冀地区经济增长速度逐步放缓,但能源需求仍持续增长,并依旧是以煤炭为主的能源消费结构。能源子系统主要通过能源消费情况进行反映,涉及的变量主要为能源消耗总量、能源消耗强度以及能源结构等变量。

1.2 流图分析

根据所界定的系统边界,在对系统内部机制及各影响因素相互作用分析的基础上,绘制出系统因果反馈回路图,再根据系统中各变量的性质确定流图中的基本符号,绘制京津冀碳排放系统流图（图1）。该模型共选取31个变量,其中包括2个状态变量、3个速率变量、2个常量、24个辅助变量。由于篇幅所限,仅选取主要变量进行说明（表1）。
图1 京津冀碳排放系统流

Fig. 1 Flow of carbon emissions in Beijing-Tianjin-Hebei region

表1 模型主要变量说明

Table 1 Description of main variables of the model

主要变量 解释或说明
R&D人员
R&D支出
科技投入强度		 研究与试验发展人员折合全时当量/人
研究与试验发展经费内部支出/万元
研究与试验发展经费内部支出相当于地区生产总值比例/%
受教育人数 研究生在校生数/人
教育经费支出 普通高等学校教育经费/万元
教育投入强度 普通高等学校教育经费支出相当于地区生产总值比例/%
技术创新 发明专利申请受理量/件
能源强度 万元GDP消耗的能源量/t
能源结构 煤炭消费量占能源消费总量的比例/%
环境规制 工业污染治理投资额相当于地区生产总值比例/%

1.3 系统参数确定

由于河北省2006年以前个别项目数据缺失,数据选取2006—2019年共14年作为检验年,以2006年作为仿真模拟的基期。数据来源于《北京统计年鉴》《天津统计年鉴》《河北经济年鉴》《中国统计年鉴》《中国能源统计年鉴》。
学术界一般以能源燃烧的碳排放作为主要研究对象,碳排放系数法是当前测算碳排放量应用最为广泛的方法,故根据京津冀各省市一次能源消费量及《2006年IPCC国家温室气体清单指南》中的碳排放系数,计算出京津冀地区碳排放量。标准煤折算系数与碳排放系数见表2。
表2 各类能源标准煤折算系数及碳排放系数

Table 2 Conversion coefficient and carbon emission coefficient of various energy standard coals

能源种类 原煤 焦炭 原油 天然气 燃料油 汽油 煤油 柴油
标准煤系数 0.7143 0.9714 1.4286 1.3300 1.4286 1.4714 1.4714 1.4571
碳排放系数 0.7559 0.8550 0.5857 0.4483 0.6185 0.5538 0.5714 0.5921
京津冀地区碳排放量计算公式为：
I = ∑ I i = ∑ i 8 N i × M i × F i × 44 / 12
式中：I表示该年份碳排放量（万t）;i为一次能源消费的类型;Ii、Ni、Mi、Fi分别表示第i种能源的碳排放量（万t）、能源消费量（万t）、折算标准煤系数（tce/t）、碳排放系数（t/tce）。
模型参数的确定有常数值、平均值、直接赋值、回归分析等方法。随时间变化不明显的参数取为常数,如环境规制;随时间变化呈现出一定波动的参数取平均值,如出生率;状态变量的初值采用直接赋值法,如地区总人口数和GDP的初值由统计年鉴的历史数据直接确定;随时间变化明显但无规律的参数采用回归分析法进行赋值,如技术创新、全社会固定资产投资、碳排放量等。由于篇幅所限,本文仅列出京津冀碳排放系统动力学模型主要参数间的函数关系（表3）。系统流图通过方程将影响因素有机结合,直观地反映碳排放总量变化。
表3 模型主要参数间函数关系

Table 3 Functional relationship between main parameters of dynamic model

主要参数 北京主要参数间函数关系
碳排放量 碳排放量=EXP[55.411-56.821×EXP(环境规制)+0.393×EXP(能源结构)+0.728×LN(能源消耗总量) -1.561e-06×技术创新+0.389×LN(总人口数)]
技术创新 技术创新= -264684+0.634×受教育人数+13400.8×LN("R&D人员")
R&D人员 R&D人员=EXP[7.567+0.267×LN(总人口数)+2.67e-12×"R&D经费内部支出"]
受教育人数 受教育人数=EXP[6.901+0.302×LN(总人口数)+6.097e-12×教育经费支出]
主要参数 天津主要参数间函数关系
碳排放量 碳排放量=EXP[6.214+0.99×LN(能源消耗总量)+0.533×EXP(能源结构)-8.817×EXP(环境规制) -0.085×第三产业与第二产业比值×第三产业与第二产业比值-4.036e-06×技术创新+0.621×LN(第三产业与第二产业比值×100)]
技术创新 技术创新=EXP[6.542+1.029e-05×"R&D人员"+4.836e-06×受教育人数]
R&D人员 R&D人员=EXP[-9.359+0.851×LN("R&D经费内部支出")]
受教育人数 受教育人数=EXP(12.055+2.345e-12×教育经费支出+6.762e-08×总人口数)
主要参数 河北主要参数间函数关系
碳排放量 碳排放量=EXP[5.346+1.564×LN(能源消耗总量)-15.169×EXP(环境规制)+0.069×EXP(能源结构) -1.791e-06×技术创新-0.14×第三产业与第二产业比值×第三产业与第二产业比值]
技术创新 技术创新=EXP[-17.801+2.25×LN(受教育人数)+0.241×LN("R&D人员")]
R&D人员 R&D人员=EXP[3.459+0.349×LN("R&D经费内部支出")]
受教育人数 受教育人数=EXP[-95.494+5.565×LN(总人口数)+0.219×LN(教育经费支出)]

1.4 模型有效性检验

在模拟预测前对模型进行误差检验,以保证仿真结果与系统真实状况相符。本文基于京津冀碳排放系统流图及参数间函数关系,应用Vensim PLE x32软件对该模型的有效性进行历史检验。以2006年为仿真初始年,模型仿真区间设定为2006—2019年,仿真步长为 1年,北京、天津以及河北碳排放真实值、仿真值及误差率的模型运行结果（表4）。北京、天津和河北其指标的相对误差率均小于10%,因此,该模型的仿真预测精度较好。
表4 模型有效性检验结果

Table 4 Model validity test results

年份 北京 天津 河北
真实值/万t 仿真值/万t 误差率/% 真实值/万t 仿真值/万t 误差率/% 真实值/万t 仿真值/万t 误差率/%
2006 12711.59 12448.00 -2.07 13758.33 13673.50 -0.62 64675.70 64524.80 -0.23
2007 13507.56 13306.60 -1.49 14628.55 14323.70 -2.08 70534.35 73233.20 3.83
2008 13703.16 13666.60 -0.27 14565.04 14997.00 2.97 73728.30 77064.30 4.52
2009 14043.80 14211.40 1.19 15660.59 15828.40 1.07 78636.53 81036.80 3.05
2010 14234.75 14006.40 -1.60 19045.93 18634.80 -2.16 84641.79 82778.30 -2.20
2011 13247.68 12377.70 -6.57 20895.79 20974.60 0.38 95722.12 90601.20 -5.35
2012 13450.97 13008.50 -3.29 21069.69 21866.80 3.78 97059.27 93724.60 -3.44
2013 12208.84 13361.10 9.44 21699.40 22433.90 3.38 97165.03 96058.00 -1.14
2014 12620.84 13333.00 5.64 20945.89 21685.70 3.53 92403.18 92525.20 0.13
2015 12214.88 12921.30 5.78 20513.62 20879.30 1.78 91522.86 94426.00 3.17
2016 11544.72 11878.50 2.89 19495.97 20402.50 4.65 91605.51 96792.80 5.66
2017 11319.45 11726.10 3.59 19318.32 19587.50 1.39 89592.75 97548.40 8.88
2018 11452.90 11876.50 3.70 19974.07 19796.40 -0.89 98353.72 105863.00 7.63
2019 11401.61 11904.50 4.41 20131.41 19925.50 -1.02 98903.68 106031.00 7.21

2 结果分析

2.1 仿真参数及情景设定

在对京津冀碳排放系统动力学模型分别进行有效性检验后,以2020年的实际数据为初始变量值,从产业结构、能源消费、环境保护和科技创新出发,选取第三产业固定资产投资占比、能源强度、能源结构、环境规制和科技投入强度五个指标作为调控变量。将调控变量根据实际意义进行组合,建立六种碳排放情景,具体情景设置见表5。在六种情景方案中,变量参数选取调控变量的变化率,分别设定低速率、中速率和高速率三种速率。其中,中速率主要是按照过去五年历史数据的平均变化速率设定,高速率与低速率参考各地“十四五”规划与2035年远景目标的要求进行适当调整。以河北“科技投入强度”指标设置为例,河北“十四五”规划中,经济社会发展主要目标关于“全社会研发经费投入”的表述为年均增长10%,而过去五年的平均变化率为5%,故将河北省科技投入强度变化率的中速率设置为5%,高速率设置为10%。京津冀碳排放各调控变量的参数设置见表6。
表5 京津冀碳排放情景设置

Table 5 Setting of carbon emission scenarios in Beijing-Tianjin-Hebei region

情景 第三产业固定资产投资占比 能源强度 能源结构 环境规制 科技投入强度
基准情景（A1） 中 中 中 中 中
产业结构优化情景（A2） 高 中 中 中 中
节能减排情景（A3） 中 低 低 中 中
环保情景（A4） 中 中 中 高 中
低碳技术情景（A5） 中 中 中 中 高
协调发展情景（A6） 高 低 低 高 高
表6 京津冀碳排放参数设置

Table 6 Setting of carbon emission parameters in Beijing-Tianjin-Hebei region (%)

情景 第三产业固定资产投资占比变化率 能源强度
变化率		 能源结构
变化率		 环境规制 科技投入
强度
基准情景（A1） 0/1/1 -3.20/-3.20/-3.20 -4.0/-4.5/-1.5 0.040/0.075/0.150 6.0/3.3/5.0
产业结构优化情景（A2） 0.2/1.2/1.2 -3.20/-3.20/-3.20 -4.0/-4.5/-1.5 0.040/0.075/0.150 6.0/3.3/5.0
节能减排情景（A3） 0/1/1 -3.66/-3.66/-3.66 -6.0/-5.0/-4.3 0.040/0.075/0.150 6.0/3.3/5.0
环保情景（A4） 0/1/1 -3.20/-3.20/-3.20 -4.0/-4.5/-1.5 0.050/0.100/0.200 6.0/3.3/5.0
低碳技术情景（A5） 0/1/1 -3.20/-3.20/-3.20 -4.0/-4.5/-1.5 0.040/0.075/0.150 6.5/3.5/10.0
协调发展情景（A6） 0.2/1.2/1.2 -3.66/-3.66/-3.66 -6.0/-5.0/-4.3 0.050/0.100/0.200 6.5/3.5/10.0
基准情景（A1）：保持现有的经济发展模式不变,各调控变量及其变化率均选择中值,该情景反映按照现有系统行为的发展规律,京津冀未来的碳排放趋势。
产业结构优化情景（A2）：第三产业固定资产投资占比增长率选择高值,其余各调控变量以及变化率均选择中值。产业结构是经济运行和发展的重要载体,产业结构优化能够降低碳排放,推动经济实现可持续发展。该情景旨在探究京津冀地区在现有的经济发展模式下,进一步优化产业结构对未来碳排放的影响。与基准情景相比,产业结构优化情景下,各地区第三产业占比均有所提高。
节能减排情景（A3）：能源结构与能源强度选择低值,即能源结构与能源强度下降速率增大,其余各调控变量以及变化率均选择中值。该情景旨在探究京津冀地区在现有发展规律的基础上,加大能源政策实施力度、积极实施节能减排、降低煤炭在能源消费中的比例对于未来碳排放的影响。与基准情景相比,该情景下京津冀地区的能源结构与强度均有所下降。
环保情景（A4）：环境规制选择高值,其余各调控变量以及变化率均选择中值。该情景旨在探究京津冀地区在现有经济发展模式下,各地实施更高强度的环境规制,增加工业污染治理投资额对未来碳排放的影响。
低碳技术情景（A5）：科技投入强度选择高值,其余各调控变量以及变化率均选择中值。增加技术研发投入能够带来科技水平的提高,进而降低碳排放。该情景旨在探究现有经济发展模式下,京津冀地区加大科技投入强度对未来碳减排的影响。
协调发展情景（A6）：第三产业固定资产投资占比、环境规制、科技投入强度均选择高值,能源结构和能源强度选择低值。该情景旨在探究京津冀地区产业结构、能源消费、环境规制以及科技投入等综合优化调控政策下的未来碳排放趋势,分析京津冀地区协调发展的碳减排效果。

2.2 系统仿真预测

基于京津冀碳排放系统动力学模型,结合上述设置的六种情景,分别模拟预测北京、天津以及河北在不同情景方案下碳排放的未来变化趋势和达峰情况,仿真步长为 1年。不同情景下北京、天津及河北碳排放预测结果见图2,碳达峰时间与峰值见表7。进一步计算得出,不同情景下预测期平均累计碳排放量较基准情景下降比率见表8。
图2 北京、天津和河北碳排放预测

Fig. 2 Carbon emission forecast of Beijing, Tianjin and Hebei

表7 不同情景下各省市碳达峰时间及峰值

Table 7 Peak time and peak value of carbon emissions under different scenarios

情景 达峰时间 峰值/万t
北京 天津 河北 北京 天津 河北
基准情景（A1） 2010年 2023年 2035年仍无法达峰 14234.75 19526.7 —
产业结构优化情景（A2） 2010年 2023年 2035年仍无法达峰 14234.75 19521.8 —
节能减排情景（A3） 2010年 2022年 2033年 14234.75 19082.2 143243
环保情景（A4） 2010年 2023年 2035年仍无法达峰 14234.75 19483.2 —
低碳技术情景（A5） 2010年 2023年 2035年仍无法达峰 14234.75 19302.2 —
协调发展情景（A6） 2010年 2021年 2030年 14234.75 18867.5 129863
表8 不同情景下预测期平均累计碳排放量较基准情景下降比率

Table 8 Decline rate of average cumulative carbon emissions in the forecast period compared with the baseline scenario under different scenarios (%)

情景 北京 天津 河北
基准情景（A1） — — —
产业结构优化情景（A2） -11.20 -0.56 -0.84
节能减排情景（A3） -1.74 -3.93 -7.13
环保情景（A4） -11.71 -0.23 -0.76
低碳技术情景（A5） -0.94 -3.65 -0.31
协调发展情景（A6） -13.52 -8.10 -13.06

2.3 系统仿真结果与减排潜力分析

（1）基准情景A1
从图2可以看出,北京已经实现碳达峰。结合北京市碳排放历史数据可知,北京碳排放已经于2010年达到了最高点,随后呈现出稳定下降趋势。因此,北京碳排放已经于2010年实现了碳达峰,且与其他研究结果相符[25]。在基准情景下天津预计在2023年碳达峰,峰值为19526.7万t,虽尚未实现碳达峰但“碳达峰在望”,与天津“十四五”规划与2035年远景目标中“做好碳达峰、碳中和工作,制定实施力争碳排放提前达峰行动方案”的说法吻合。按照现有系统行为规律,河北碳排放量一直呈上升趋势,无法实现2030年前达峰。因此将河北的碳达峰预测期间延长至2035年,预测结果显示直至2035年河北仍无法实现碳排放达峰。
（2）产业结构优化情景A2
第三产业的各行业是相较第二产业而言的低碳排放行业,产业结构优化情景是在现有经济发展模式的基础上,通过适当增加第三产业固定资产投资占比来逐步实现第二产业向第三产业转移。目前,北京三次产业中第三产业占比已经达到83.9%,但从 表8可以看出,即使在北京已经实现碳达峰的情况下,进一步调整产业结构仍然可以使得北京2020—2030年平均累计碳排放量较基准情景下降11.2%,产业结构优化为北京碳减排创造空间。表7和表8显示,天津处于向后工业化转变阶段,在产业结构优化情景下,无法使得天津碳达峰时间提前,但天津碳排放峰值降低4.9万t、2020—2030年平均累计碳排放量较基准情景下降0.56%。河北仍处于工业化中期,第二产业占比较大且制造业水平偏低,相比于北京和天津,增加第三产业固定资产投资占比对河北碳减排效果较为明显,2020—2035年平均累计碳排放量较基准情景下降0.84%,但在该情景下,河北碳排放2035年前仍无法达到峰值。
（3）节能减排情景A3
节能减排情景是在政府实施更积极的能源政策发展模式下,能源强度与能源结构加速下降。北京是我国最早提出碳排放达峰目标的城市之一,目前北京清洁能源消费超过能源消费总量的60%,已经实现以消费清洁能源为主。在该情景下,北京碳排放量在调整初期降幅较大,后期降幅逐步放缓,2020—2030年碳排放量较基准情景年均下降1.74%。天津与河北能源结构中煤炭消费量仍占主体,相对天津而言,河北的能源消费结构更加不容乐观,煤炭在其能源消费中的占比一直保持在90%左右。表8显示,实施能源政策可使天津与河北在单一措施情景下碳减排效果最优,天津与河北在预测期内平均累计碳排放量较基准情景分别下降3.93%和7.13%。同时,加大能源政策实施力度不仅能使天津碳达峰时间提前至2022年,而且能使碳排放峰值降低444.5万t;而河北碳达峰时间则可提前至2033年,峰值为143243万t,但仍无法实现“碳排放2030年前达峰”的目标。
（4）环保情景A4
工业污染治理投资额的增加可降低碳排放量,但对不同地区碳减排的作用效果存在差异。北京经济发展已处于后工业阶段,产业结构较为合理,且其能源强度与能源结构有着其他地区难以比拟的优势。在现有经济发展模式下,增加工业污染治理投资额可使北京获得单一措施情景下碳减排效果最优,预测期内平均累计碳排放量较基准情景下降11.71%。在环保情景下,天津与河北在预测期内平均累计碳排放量较基准情景分别下降0.23%与0.76%;天津与河北的产业结构还有较大优化空间、能源消费现状亟需改善,加强环保治理投资相对其他措施而言对其碳减排作用较小,但也应避免出现“先污染后治理”。
（5）低碳技术情景A5
在现有经济发展模式基础上,增加科技投入强度分别使得北京与河北预测期内累计碳排放量相较基准情景年均下降0.94%和0.31%,相比其他单一措施情景,低碳技术对北京和河北的碳减排作用较小。而天津在低碳技术情景下,增加研究与试验发展经费内部支出虽无法使天津碳排放达峰时间提前,但可使其峰值下降224.5万t,预测期内平均累计碳排放量较基准情景下降3.65%。
（6）协调发展情景A6
该情景综合考虑到产业结构、能源强度、能源结构、环境规制与科技投入强度五个调控变量之间的协调关系,是情景A2、A3、A4、A5综合优化的结果,切实模拟各地区协调均衡发展状态。在协调发展情景下,2020—2030年北京碳排放量相较基准情景平均下降13.52%;天津碳达峰时间提前至2021年,峰值为18867.5万t,峰值相较基准情景降低659.2万t,预测期内平均累计碳排放量较基准情景下降8.1%;河北则可在2030年达到碳峰值,峰值为129863万t,预测期内平均累计碳排放量较基准情景下降13.06%。

3 结论及建议

本文在构建京津冀碳排放系统动力学模型的基础上,设计了六种不同的情景,通过单一或综合调控产业结构、能源消耗、环境规制以及科技投入仿真模拟不同情景下各地区的未来碳排放趋势,考察不同情景对于北京碳减排、天津与河北碳达峰时间提前以及峰值降低的影响。得出以下结论：
（1）基准情景下,北京已经实现了碳排放达峰;天津碳达峰时间为2023年,峰值为19526.7万t;而河北则难以在2035年前实现碳达峰。
（2）实施单一调控措施对于不同地区碳排放的作用效果不同。按照单一调控措施对北京碳减排效果由大到小依次排列分别为：环境规制、产业结构、能源消耗与科技投入,即环境规制对北京碳减排的效果最显著,而科技投入对其碳减排影响最小。天津碳减排效果由大到小依次为：能源消耗、科技投入、产业结构与环境规制;河北分别为能源消耗、产业结构、环境规制与科技投入;在单一调控措施中,能源政策对天津和河北碳减排效果均最显著,而环境规制、科技投入分别对天津和河北碳减排作用最弱。
（3）综合调控产业结构、能源政策、环境规制以及科技投入对碳减排效果最好,北京、天津与河北预测期内平均累计碳排放量较基准情景分别下降13.52%、8.1%与13.06%。可见,在经济平稳增长的基础上,进一步采取措施推动第三产业占比提升、能源强度下降、煤炭消费占比减小、污染治理支出以及科技投入增加能够更好地降低京津冀地区碳排放。
根据上述分析结果,针对京津冀各地区实际情况制定差异化的碳达峰及减排路径。
（1）北京作为碳达峰先行者,已经具备了打造“低碳城市”的经济基础,除优化产业结构与加强低碳技术创新以外,适度增加工业污染治理支出有利于进一步促进碳减排。根据模拟结果发现,单一调控措施中环境规制对北京市碳减排效果最显著,因此,应重点完善环境规制,加强工业污染治理力度,以推动北京市碳减排。北京市应借鉴国内外先进污染治理经验,完善相关政策法规,促进污染治理政策之间协调统一,避免“政策打架”。例如：出台更严格的强制型政策工具应用于污染防治,完善法律依据,实现源头管控,并不断完善优化环保税、排污许可证与碳排放权交易市场等具体的激励型政策工具。
（2）单一调控措施中能源政策对天津碳减排作用最显著。天津碳达峰在即,以煤炭和石油为主的能源消费结构虽日趋良好但仍有较大的下降空间,协调发展情景无疑是最优,但应尤其注重能源政策对其碳达峰及碳减排的作用。严格控制石油煤炭等化石能源的使用,扩大清洁能源的适用范围,降低能源强度与能源结构对于天津碳达峰时间提前、峰值降低具有重要意义。
（3）河北碳达峰之路任重而道远,在现有经济发展模式下,碳排放难以在2035年前达到峰值。河北应综合利用各调控措施,多措并举促进碳减排。一方面,应加快淘汰落后产能,合理布局产业,控制高污染高排放行业,尤其是钢铁、化工等重工业的碳排放量,通过实施产能置换、并购重组、升级改造等工作逐步降低工业发展对煤炭资源的依赖,降低能源消费强度。另一方面,应大力发展制造业和服务业,引领其不断向高端产业拓展,加速产业优化升级,尤为注重政府在科技转换效率中的导向作用,不断优化科技创新政策、提高科技发明与工业生产之间的契合度,争取实现2030年前碳达峰的目标。
（4）加强省际区域合作,构建京津冀协同减排策略。随着京津冀协同发展战略的不断推进,区域间碳排放联防联控势在必行。首先,完善跨区域联防联控机制,建立碳排放协同治理的环境规制,不断优化京津冀碳排放协同治理的制度体系。其次,构建京津冀区域低碳技术协同创新机制。积极开展京津冀区域低碳技术项目研发合作,共建全面灵活的碳排放交易平台。最后,统筹规划京津冀地区能源结构。合理布局区域能源政策,充分发挥北京科技创新优势,以创新为核心推动产业结构与能源结构优化升级。

References

Publishing order | Descend order by publishing year | Descend order by cited within
[1]
LI F, XU Z, MA H. Can China achieve its CO2 emissions peak by 2030?. Ecological Indicators, 2018, 84: 337-344.

DOI

[2]
XU G Y, SCHWARZ P, YANG H L. Adjusting energy consumption structure to achieve China's CO2 emissions peak. Renewable and Sustainable Energy Reviews, 2020, 122(C): 109737, Doi: 10.1016/j.rser.2020.109737.

[3]
YUAN J H, XU Y, HU Z, et al. Peak energy consumption and CO2 emissions in China. Energy Policy, 2014, 68: 508-523.

DOI

[4]
NIU S W, LIU Y Y, DING Y X, et al. China's energy systems transformation and emissions peak. Renewable and Sustainable Energy Reviews, 2016, 58: 782-795.

DOI

[5]
刘晴川, 李强, 郑旭煦. 基于化石能源消耗的重庆市二氧化碳排放峰值预测. 环境科学学报, 2017, 37(4): 1582-1593.

[ LIU Q C, LI Q, ZHENG X X. The prediction of carbon dioxide emissions in Chongqing based on fossil fuel combustion. Acta Scientiae Circumstantiae, 2017, 37(4): 1582-1593.]

[6]
芦颖, 李旭东, 杨正业. 贵州省能源碳排放现状及峰值预测. 环境科学与技术, 2018, 41(11): 173-180.

[ LU Y, LI X D, YANG Z Y. Current situation and peak forecast of energy carbon emissions in Guizhou province. Environmental Science & Technology, 2018, 41(11): 173-180.]

DOI

[7]
杨顺顺. 基于LEAP模型的长江经济带分区域碳排放核算及情景分. 生态经济, 2017, 33(9): 26-30.

[ YANG S S. Regional carbon emissions estimation and scenario analysis in the Yangtze River Economic Belt based on LEAP model. Ecological Economy, 2017, 33(9): 26-30.]

[8]
潘栋, 李楠, 李锋, 等. 基于能源碳排放预测的中国东部地区达峰策略制定. 环境科学学报, 2021, 41(3): 1142-1152.

[ PAN D, LI N, LI F, et al. Mitigation strategy of Eastern China based on energy-source carbon emission estimation. Acta Scientiae Circumstantiae, 2021, 41(3): 1142-1152.]

[9]
胡振, 何晶晶, 王玥. 基于IPAT-LMDI扩展模型的日本家庭碳排放因素分析及启示. 资源科学, 2018, 40(9): 1831-1842.

[ HU Z, HE J J, WANG Y. Factor analysis and enlightenment of household carbon emissions in Japan based on IPAT-LMDI extension model. Resources Science, 2018, 40(9): 1831-1842.]

[10]
柴麒敏, 徐华清. 基于IAMC模型的中国碳排放峰值目标实现路径研究. 中国人口·资源与环境, 2015, 25(6): 37-46.

[ CHAI Q M, XU H Q. Modeling carbon emission peaking pathways in china based on integrated assessment model IAMC. China Population, Resources and Environment, 2015, 25(6): 37-46.]

[11]
韩楠. 基于供给侧结构性改革的碳排放减排路径及模拟调控. 中国人口·资源与环境, 2018, 28(8): 47-55.

[ HAN N. Simulation and regulation on the pathway of carbon emission reduction based on supply-side structural reform. China Population, Resources and Environment, 2018, 28(8): 47-55.]

[12]
ZHOU S, WANG Y, YUAN Z Y, et al. Peak energy consumption and CO2 emissions in China's industrial sector. Energy Strategy Reviews, 2018, 20: 113-123.

DOI

[13]
玉琦彤. 中国电力行业碳排放脱钩效应情景模拟. 环境科学与技术, 2021, 44(6): 194-200.

[ YU Q T. Scenario simulation of decoupling effect of carbon emission in China's power industry. Environmental Science & Technology, 2021, 44(6): 194-200.]

[14]
揭俐, 王忠, 余瑞祥. 中国能源开采业碳排放脱钩效应情景模拟. 中国人口·资源与环境, 2020, 30(7): 47-56.

[ JIE L, WANG Z, YU R X. Scenario simulation of carbon decoupling effect of China's energy mining industry. China Population, Resources and Environment, 2020, 30(7): 47-56.]

[15]
刘菁, 赵静云. 基于系统动力学的建筑碳排放预测研究. 科技管理研究, 2018, 38(9): 219-226.

[ LIU Q, ZHAO J Y. Building carbon emissions prediction research based on System Dynamics. Science and Technology Management Research, 2018, 38(9): 219-226.]

[16]
刘畅, 涂国平. 基于系统动力学的国家低碳发展战略情景仿真分析. 系统工程, 2015, 33(7): 100-106.

[ LIU C, TU G P. The analysis and simulation of national strategy on low carbon energy development based on system dynamics. Systems Engineering, 2015, 33(7): 100-106.]

[17]
范太胜. 基于系统动力学的低碳经济发展模式研究: 以福建省为例. 华东经济管理, 2013, 27(8): 12-16.

[ FAN T S. Research on development pattern of low-carbon economy based on system dynamics model: A case of Fujian. East China Economic Management, 2013, 27(8): 12-16.]

[18]
FORRESTER J W. Industrial dynamics: A breakthrough for decision makers. Harvard Business Review, 1958, 36(4): 37-66.

[19]
邬彩霞. 中国低碳经济发展的协同效应研究. 管理世界, 2021, 37(8): 105-117.

[ WU C X. Research on the synergistic effect of low-carbon economy in China. Management World, 2021, 37(8): 105-117.]

[20]
杨传明. 新旧常态中国产业全碳足迹复杂网络比较. 自然资源学报, 2020, 35(2): 313-328.

[ YANG C M. A comparative study on the complex networks of China's industrial total carbon footprint in the new and old normal periods. Journal of Natural Resources, 2020, 35(2): 313-328.]

DOI

[21]
柳君波, 高俊莲, 徐向阳. 中国煤炭供应行业格局优化及排放. 自然资源学报, 2019, 34(3): 473-486.

[ LIU J B, GAO J L, XU X Y. Pattern optimization and carbon emissions of coal supply in China. Journal of Natural Resources, 2019, 34(3): 473-486.]

DOI

[22]
李昌宝, 高莉, 杨德草. 人口老龄化背景下中国碳排放的影响因素研究: 基于PET模型的实证分析. 江西财经大学学报, 2020, (5): 32-44.

[ LI C B, GAO L, YANG D C. A study of the influencing factors of China's carbon emission in the context of aging population: An empirical analysis based on PET model. Journal of Jiangxi University of Finance and Economics, 2020, (5): 32-44.]

[23]
徐德义, 马瑞阳, 朱永光. 技术进步能抑制中国二氧化碳排放吗? 基于面板分位数模型的实证研究. 科技管理研究, 2020, 40(16): 251-259.

[ XU D Y, MA R Y, ZHU Y G. Can technological progress suppresses carbon dioxide emissions in China? An empirical study based on panel quantile model. Science and Technology Management Research, 2020, 40(16): 251-259.]

[24]
王康, 李志学, 周嘉. 环境规制对碳排放时空格局演变的作用路径研究: 基于东北三省地级市实证分析. 自然资源学报, 2020, 35(2): 343-357.

[ WANG K, LI Z X, ZHOU J. The effects of environmental regulation on spatio-temporal carbon emissions patterns: Empirical analysis of prefecture-level cities in Northeast China. Journal of Natural Resources, 2020, 35(2): 343-357.]

DOI

[25]
李惠民, 张西, 张哲瑜, 等. 北京市碳排放达峰路径及政策启示. 环境保护, 2020, 48(5): 24-31.

[ LI H M, ZHANG X, ZHANG Z Y, et al. The pathway and policy implication of reaching peak of carbon emission in Beijing. Environmental Protection, 2020, 48(5): 24-31.]

Options
Outlines

/

〈 〉