基于凈生產力生態足跡模型的工業碳排放效應、影響因素與情景模擬

夏楚瑜,李 艷,*,葉艷妹,史 舟, 劉婧鳴

1 浙江大學土地科學與不動產研究所, 杭州 310058 2 浙江大學農業遙感與信息技術應用研究所, 杭州 310058 3 中國地質大學(武漢)公共管理學院, 武漢 430074

?

基于凈生產力生態足跡模型的工業碳排放效應、影響因素與情景模擬

夏楚瑜1,李 艷1,*,葉艷妹1,史 舟2, 劉婧鳴3

1 浙江大學土地科學與不動產研究所, 杭州 310058 2 浙江大學農業遙感與信息技術應用研究所, 杭州 310058 3 中國地質大學(武漢)公共管理學院, 武漢 430074

以不同類型城市東營和濱州為例,采用基于凈生產力的生態足跡模型測度2005—2014年兩市工業碳排放效應,利用彈性系數模型對工業碳排放生態足跡及其影響因素進行對比,通過情景模擬分析了基準和低碳情景下兩市的可持續低碳發展潛力。研究結果顯示：(1)東營碳排放總量和碳排放強度明顯高于濱州, 兩市的碳排放生態足跡總體上都處于上升趨勢,年均增長率分別為12.79%和6.16%,這與兩市工業化發展階段不同有關；(2)2005—2008、2008—2011和2011—2014,東營工業碳排放生態足跡當量主導影響因素組合變化為“耕地面積-土地城鎮化率-能源結構系數”轉化為“耕地面積-人口規模-能源結構系數”到“耕地面積-人口規模-第二產業比重”；濱州2005—2014年的主導因素組合一直為“人口規模-土地城鎮化率-能源結構系數”；(3)通過情景模擬分析2020年東營、濱州的低碳發展潛力：基準和低碳情景下,濱州生態赤字分別為東營的10倍和2.6倍；就“減排”潛力而言,濱州遠遠高于東營,但實現低碳情景是工業GDP增長從現階段20.6%驟降到6.5%為代價,對產業結構調整升級要求很高。對東營而言,低碳情景的實現不僅要將能源利用效率提高一倍,更要保證大量重要“碳匯”資源的恢復與重建。

凈生產力；生態足跡；影響因素；彈性系數；工業碳排放；情景模擬

全球氣候變暖與地球系統碳循環的改變密切相關,人類對化石能源的無節制使用被認為是導致溫室氣體排放的首要原因。根據IPCC公布結果,每年人類向大氣排放8.0Pg碳,其中化石燃料貢獻6.3Gt,工業部門為化石燃料重要消費來源。根據有關部門測算,我國1978年以來化石能源燃燒所帶來的碳排放年均增速5.2%,且未來成倍增長趨勢難以逆轉[1]。另外,森林無節制砍伐、農地不恰當耕作、草場過度放牧等人類對土地利用/覆被的改變(LUCC)強烈影響了“碳匯”分布,是僅次于化石燃料排放的全球第二大源[2]。同時,耕地占補政策執行過程中缺少對生態安全的考慮,“占一補一”的原則容易造成“耕地后備資源無限”的錯誤認識,一些地方政府為了換取建設用地指標不惜把濕地、林地、草地、生態保護區等開墾為耕地[3],嚴重破壞生態系統自凈能力。近年來越來越頻繁的氣候危機與以上這些因素有著必然聯系,自然資源、工業化發展、約束性耕地政策是如何影響不同城市工業碳排放對生態的壓力,這是本研究要探討的要點。

傳統的生態足跡模型基于碳吸收替代原理,忽略了林地以外其他用地的碳吸收貢獻[4]。凈初級生產力(NPP)指綠色植物單位時間單位面積扣除自身呼吸作用后的生產凈值,綜合反應了各類土地生產力和碳吸收能力,能夠真實反應能源消費的空間占用水平[5],因此被廣泛應用于人類對物質資源的消耗與環境壓力之間的關聯研究。如方愷等[6]在綜合考慮能源、大氣、植被和土地利用相互作用關系基礎上,利用基于NPP的生態足跡模型測算全球能源足跡,反應了能源消費的空間占用平均水平；Siche等[7]將NPP模型與能值分析相結合來測算秘魯的人口承載力,發現其測算值遠遠低于傳統模型的估算結果。學者對碳排放效應影響因素也進行了廣泛的研究：Casler等[8]采用KLEM模型分析了美國碳排放結構,認為新能源的使用是碳排放下降的主要原因；Schipper等[9]用因素分解法解釋了1990年以來13個IEA國家9個制造部門碳排放強度增長原因。

由于區域土地利用數據具有一定的保密性,遙感解譯結果又有一定的誤差,所以目前生態足跡的研究單元以大尺度為主,區域微觀尺度研究相對不足,針對生態環境脆弱區的研究更少。但是微觀尺度例如市級行政區,是政策實施的重要行政單位,對“減排”政策制定、實施和反饋有重要意義。另外,目前對于不同類型城市碳排放差異研究比較少,特別是針對工業城市和農業城市。現代工業城市和傳統農業城市工業化程度和工業結構差異都很大。深入研究同一區域不同類型城市工業碳排放效應和影響因素,有利于提出差別化“減排”政策。

黃河三角洲很大一部分區域位于山東省,同時山東省經濟增長對工業依賴程度很高[10]。該區土壤鹽堿化普遍,土地退化嚴重,生態恢復重構能力比較弱[11],屬于典型生態脆弱區域,研究工業碳排放對生態環境的壓力意義重大。近年來,黃河三角洲地區城市化和工業化發展迅速,同時對自然資源的濫用也極其嚴重,特別是毀滅森林、排干濕地、城市蔓延等活動,嚴重破壞生態系統自凈能力,導致大量碳被釋放到大氣中,付出了沉重的生態代價。為了促進黃河三角洲區域社會經濟與生態協調發展,探求可持續低碳發展之路,本文以該區域現代工業城市東營和傳統農業城市濱州兩個典型不同類型城市為例,采用基于NPP生態足跡模型測度工業碳排放效應,采用彈性系數對比分析其工業碳排放生態足跡當量主導因素,深入討論同一區域不同類型城市工業碳排放效應的演變機理和驅動因素的異同, 最后通過情景模擬分析了基準和低碳情景下東營和濱州的可持續低碳發展潛力。

1 研究區域與數據來源

1.1 研究區

東營市、濱州市共處黃河三角洲腹地,是黃三角高效生態經濟區的核心城市,是 “山東半島藍色經濟區”開發的重點區域。

圖1 研究區位置圖Fig.1 Location of the study area

東營多年平均氣溫12.8℃,年平均降水量555.9mm。全市土地總面積8243.26km2,黃河流經全市138km,海岸線長達413km。至2014年底,東營市耕地總面積223154.19hm2,其中水澆地占耕地面積的74.72%。東營以豐富的石油、天然氣資源以及低廉的勞動成本和便利的港口資源成為我國東部工業強市,2014年以人均GDP169000元,位列山東省首位,三次產業結構比為3.6∶68.4∶28.0,快速增長的經濟社會發展也對生態環境提出了更高要求。

濱州年平均降水量632.0 mm,多年平均氣溫13.5℃。全市土地總面積9445km2,海岸線長238.9km。濱州耕地資源豐富,到2014年底,全市農用地面積為570994.68hm2,其中耕地面積為465914.81hm2,占全市農用地面積的82%,遠遠高于全國的20.9%的平均水平。2014年人均GDP 60800元,位列山東省第七,三次產業結構比例為9.7∶50.3∶40.0。濱州是農業大市,已初步搭建起商品糧、棉花、蔬菜、食用菌、桑蠶、水果、畜牧、水產等八大主導產業,同時工業發展在省內處于較落后位置。

1.2 數據來源

本文主要研究工業化進程中化石燃料所引起的碳排放生態足跡當量,能源數據分別來源于2006到2015年的東營與濱州統計年鑒中的工業部分。兩市土地利用數據來自于兩市國土部門提供的歷年土地利用變更調查數據。

2 研究方法

2.1 工業碳排放測算方法

工業碳排放主要分為能源燃燒碳排和工業過程排放,本文僅討論前者,其主要來源是原煤、焦炭、汽油、煤油、柴油、燃料、天然氣和電力等能源,計算時將其消耗量換算成標準煤量,采用IPCC提供的計算公式：

C=∑Ci=∑Ei×Ki

(1)

式中,C為碳排放量,Ei為第i種能源消耗的標準煤量,Ki為第i中能源的能源排放系數(表1)。

表1 能源碳排放系數表

該表的系數來源自文獻[12]

2.2 基于NPP的生態足跡當量測算

生態足跡當量用以測度人類能源消費碳排放對生態空間的占用情況[13]。本文綜合考慮USDE(美國能源部)公布的全球生態用地的NPP值和Venetoulis等[14]的研究成果(表2),其生態足跡當量公式如下[6]：

(2)

式中,EEF為工業碳排放的生態足跡當量,C是工業生產能源消費的碳排放總量,NPPj是第j類生態系統的凈初級生產力,Aj為第j類生態系統對應的土地面積。

表2 已經研究公布的各地類NPP

該表的系數來源自文獻[12]

2.3 碳排放生態足跡當量彈性系數計算方法及影響因子選擇

本文通過彈性系數來測度各因素對碳排放生態足跡的驅動作用,其計算公式如下：

(3)

式中,X為影響碳排放生態足跡當量的因素,n為碳排放生態足跡當量彈性系數。

在研究人類活動對自然環境壓力方面,通常采用人口、富裕和技術的隨機回歸模型STIRPAT[15]。利用該模型可分析能源足跡與人口、現代化指標(城市化、工業化)之間的關系。本文基于擴展的STIRPAT模型,選擇人口規模、單位GDP耗能、能源結構系數、土地城鎮化率、耕地面積、第二產業比重作為影響東營市和濱州市的碳排放生態足跡的因素[16- 18]。其中能源結構系數是碳排放總量與能源消費總量(標準煤)之比,反應了節能水平。

2.4 生態足跡當量赤字計算方法

本文采用生態足跡當量赤字來衡量不同地區的環境可持續性。生態足跡當量赤字的計算公式為[19]：

EEFD=EEF-EEFB

(4)

式中,EEFD為生態足跡當量赤字,EEF為生態足跡當量,EEFB為生態足跡當量邊界。當EEF大于EEFB時,產生生態赤字,赤字越大說明環境越不可持續。方愷等[20]基于Rockstr?m的行星碳邊界的兩項控制變量(大氣CO2濃度≤350×10-6,輻射強迫值≤1W/m2),提出了各國的人均碳邊界閾值,統一設定為2.5tCO2-eq/a。IPCC報告指出全球75%的“碳源”來自城市地區,故本文以1.875tCO2-eq/a作為工業碳環境邊界。

3 研究結果

3.1 碳排放、強度和生態足跡當量變化分析

從兩市工業碳排放總量(圖2，圖3)來看,東營由于工業發展程度遠遠高于濱州,其碳排放總量和排放強度都明顯高于濱州。從2005—2014年,濱州碳排放強度減少了68.8%,而東營則呈現階段性特征：2005—2008年減少了18.34%,2008—2014年增加了36.01%。究其原因主要是：(1)東營2005—2007重工平均增長速度(16.7%)遠遠低于輕工業(59.7%),同時期濱州重工業平均增長速度(29.6%)與輕工平均增長速度(29.9%)相差無幾,但是很多重工行業都存在不同程度的產能過剩。2008年金融危機全面爆發,國外需求大幅下降,嚴重沖擊濱州重工業發展；(2) 2005—2007濱州霍夫曼系數變化為：1.63—1.58—1.30,同時期東營的霍夫曼系數變化為：0.67-0.51-0.3。根據霍夫曼系數分級表(表3),東營處于工業化第四階段,工業發展已具備一定基礎,金融危機對于東營是一次工業轉型的契機,大部分粗放型工業企業遭到淘汰,科技集中型工業得到發展。而尚處于第二階段的濱州工業產業大多以初級加工產品為主,工業基礎薄弱,難以將危機化為契機。

從工業碳排放生態足跡當量來看,東營和濱州碳排放生態足跡當量總體上都處于上升趨勢,年均增長率分別為12.79%和6.16%(圖3)。2012年之前,濱州碳排放生態足跡當量高于東營市,2012年之后被東營超過。由圖4可見,與濱州相比,東營擁有大量濕地和水體等“碳匯”資源。隨著城市化發展,從2005年到2014年,東營建設用地幅增達29%,耕地增加了1.6%,圍湖造田、圍河造田、毀林造田等補充耕地的行為使得濕地和林地分別減少了1.7%和4.7%,生態系統自凈能力受到嚴重威脅。同時期濱州建設用地只增加9%,濕地資源未出現明顯減少,而林地還增加了26%,生態服務系統維持穩定。

圖2 東營和濱州碳排放和生態足跡變化圖 Fig.2 Changes of carbon emission intensity and ecological footprint in Dongying and Binzhou city

圖3 東營和濱州碳排放強度變化圖 Fig.3 Changes of carbon emission intensity in Dongying and Binzhou city

霍夫曼系數Hoffmancoefficient工業化階段Industrializationstage霍夫曼系數Hoffmancoefficient工業化階段Industrializationstage5(±1)工業化第一階段2.5(±1)工業化第二階段1(±0.5)工業化第三階段<1工業化第四階段

圖4 東營和濱州土地利用結構變化圖Fig.4 Changes of land use structure in Dongying city and Binzhou city

3.2 碳排放生態足跡當量影響因素分析

3.2.1 主導促進因素分析

基于碳排放生態足跡彈性系數確定引起東營工業碳排放生態足跡當量增加的主導因素包括耕地面積、土地城鎮化率和人口規模,引起濱州工業碳排放生態足跡當量增加的主導因素是土地城鎮化率和人口規模(表4)。

將東營市工業碳排放生態足跡的主導促進因素劃分為2個時期：2005—2008為耕地面積-土地城鎮化率主導時期,2008到2014為耕地面積-人口規模主導時期。東營2008年工礦用地占建設用地總面積64%,遠遠高于10%到15%的合理水平[21],土地城鎮化質量較低。2008—2014以耕地面積和人口規模為前兩位影響因素,而土地城鎮化率的影響作用降低。這是因為受國際金融危機影響工業品出廠價格持續走低,工業用地比例持續下降,土地城鎮化的質量逐漸提高?？傮w而言,耕地面積的碳排放生態足跡當量彈性系數平均值遠遠大于土地城鎮化率和人口規模的碳排放生態足跡當量彈性系數平均值。顯而易見,耕地一直是碳排放生態足跡增長主導因素。根據土地利用變更調查數據,2004到2012東營市年均新增建設用地占耕地552hm2。而根據國土資源部“占一補一”的耕地占補平衡和保護政策,需要補充至少同等數量的耕地。在這種情況下,大量濕地、林地被開墾成耕地,而這兩類生態用地恰恰是重要碳匯。據報道,2005年到2008年,東營市14%的灌叢濕地、蘆葦濕地與河流濕地轉化為耕地[22],生態系統自凈能力受到威脅。

對濱州而言,2005—2014,其工業碳排放生態足跡當量促進因素一直為人口規模-土地城鎮化率組合。人口規模和土地城鎮化率的碳排放生態足跡當量彈性系數平均值分別為31.76和14.73,人口規模一直是濱州碳排放生態足跡增長的第一位促進因素。從2005至2014年,濱州人口城鎮率和土地城鎮化率的年均增長數分別是和7.4%和5%,,大量新增非農人口因工作、住等問題間接產生大量生產能耗。另外,工業用地規模年均增長17.8%,以工業化為驅動的低質量城鎮化拉動了能源消費。按照平均人口城鎮化率和Northam城鎮化發展三階段劃分思想[23],濱州尚屬于第二階段初期,人口城鎮化水平與碳排放強度呈倒U型關系,人口城鎮化是促進碳排放的增加主要推動力[24]。

兩市相比,耕地并不是促進濱州工業碳排放主導因素,因濱州本身為農業大市,耕地及后備資源比較豐富,并不像東營那樣需要侵占其他生態用地來保證耕地占補平衡；濱州碳排放促進主導因素長期以來比較穩定,而東營市卻有階段性變化,主要原因是東營市已經進入工業化轉型和城市化轉型時期,越來越開始重視工業化和城市化質量。

表4 碳排放生態足跡促進因素(1—2位組合序列)

3.2.2 主導抑制因素分析

對于東營而言,2005—2011年和2011—2014年兩個階段,工業碳排放生態足跡的主導抑制因素分別為能源結構系數和第二產業比重,其彈性系數平均值分別為-23.4和-7.4(表5)。主導抑制因素變化是因為2008年金融危機對于粗放高耗能型工業產生巨大沖擊,但這同時也是淘汰落后產能企業、促進工業結構升級的一個契機,但第二產業發展的階段性特征變化對能源效率的提高具有滯后性[25]故其減排效應也有一定的滯后性。

對于濱州,工業碳排放生態足跡的抑制主導因素一直為能源結構系數,其彈性系數平均值為-11.9。一方面濱州所處的工業化初期發展階段決定了其能源消費以煤炭為主,能源調整結構的潛力很大；另一方面,濱州擁有豐富的生物質能,政府大力推進秸稈等生物質廢料、城市垃圾在燃料方面的應用。

兩市最大的區別在于東營的主導抑制因素逐漸由能源結構系數轉變為第二產業比重,濱州的抑制作用一直為能源結構系數。共同點在于兩市抑制因素對生態足跡當量的影響作用并不能抵消其他促進因素的作用,未來“減排”任道而重遠。

表5 碳排放生態足跡抑制主導因素

由于抑制因素比較少,則取第一位

3.2.3 次要因素分析

圖5 東營和濱州碳排放生態足跡主要抑制因素變化Fig.5 Change of minor influencing factor of EEF

單位GDP耗能代表了能源利用水平和節能程度,對碳排放生態足跡影響并不大,但數值上有正負變化。由圖5可知, 2008以后東營單位GDP耗能的碳排放生態足跡當量彈性系數出現負值,這是因為金融危機淘汰了一部分粗放高耗能企業,之后能源利用效率開始提升,盡管提升得并不穩定,但工業逐步向集約、低耗能發展。對濱州而言,碳排放生態足跡當量彈性系數雖有波動但是一直為正,說明能源利用水平一直沒有很大提升,主要是因為工業基礎比較薄弱且工業轉型比較困難。

3.3 低碳發展潛力情景模擬

3.3.1 情景構建

以2020年為目標期,采用情景模擬方法,設置東營、濱州兩市工業碳排放生態足跡當量赤字的基準、低碳兩種情景考察不同減排政策、土地利用和管理方式、經濟發展模式下兩市工業碳排放可持續潛力。具體參數設定見表6。

(1)基準情景 依據城市近年來工業GDP、人口增長、單位工業GDP碳排放變化率和NPP值分別以2011—2014和2005—2014為東營和濱州情景設定參數慣性發展參考時期。建設用地規模預測依照土地利用規劃(2006—2020)最大預期性規模：東營和濱州分別為129173hm2和167130hm2。

(2)低碳情景 在基準情景的基礎上,結合 “十三五”規劃要求GDP增速最低為6.5%和全面建設小康社會要求人口增長率在4‰以下的目標,考慮 “哥本哈根”會議達成的減排目標(2020年單位GDP碳排放比2005年減少40%—45%)和兩市生態保護相關規劃、政策措施(《東營自然保護區規劃》規定至2020年濕地恢復7641hm2,植物保護與植被恢復4599hm2),實現低碳發展的目標。；建設用地規模按照慣性期發展進行預測：東營和濱州分為98959和154121hm2。

表6 東營、濱州情景設定及參數表述

3.3.2 情景模擬分析

基于以上情景設置,得到東營、濱州不同情景下的人均碳排放生態足跡當量赤字。

東營基準、低碳情景下,人均碳排放生態足跡當量赤字分別為1和0.5 tC/hm2,濱州基準和低碳情景下的人均碳排放生態足跡當量赤字分別為9.7和1.34 tC/hm2。

基準情景下,經濟、人口增長仍然保持慣性發展,工業依舊是拉動GDP的主力,生態保護政策沿用當前現行政策。按照這種慣性發展,兩市人均碳排放生態足跡當量赤字仍遠遠高于我國平均水平[19],其中濱州的生態赤字為東營的近十倍。低碳情景下,兩市生態赤字明顯下降,其中濱州為東營的2.6倍。兩市低碳情景的實現都要求土地利用規劃、自然保護區規劃、城市生態規劃等多項規劃能夠有效執行到具體地塊上,這對部門之間的合作、協調要求非常高。就“減排”潛力而言,濱州遠遠高于東營,但是這種低碳情景是以濱州的工業GDP增長從現階段20.6%驟降到6.5%為代價,需要對工業發展實施非常嚴格的管制措施,強制淘汰高耗能企業,經濟增長主要依靠第三產業完成,對產業升級要求很高。因此濱州政府急需轉變經濟發展方式,加強技術創新體系建設,促使工業發展階段由初級向高級、低碳化轉化。盡管減排短期來看會延緩濱州經濟發展,對于城市產業結構優化和資源環境協調發展是有益的。對于東營而言,低碳情景的實現不僅要將能源利用效率提高一倍,更要保證重要“碳匯”的恢復與重建。由于黃河三角洲濕地生態系統本來主要是臨河近海的脆弱鹽堿地,黃河淤積而成的沙性土壤一旦表層裸露很容易荒漠化,7641hm2的濕地恢復計劃行之不易。

4 結論和建議

本文利用基于凈初級生產力的碳排放生態足跡方法和彈性系數分析方法,對比分析了東營和濱州兩市在工業化過程中對自然資源及其生態系統服務的消耗的異同,探討了不同時期其工業碳排放生態足跡當量的主導因素和次要因素,最后通過情景模擬分析了基準和低碳情景下兩市可持續低碳發展潛力。研究結論主要體現在以下方面：

(1)東營碳排放總量和碳排放強度明顯高于濱州, 兩市的碳排放生態足跡總體上都處于上升趨勢,年均增長率分別為12.79%和6.16%。

(2)東營的工業碳排放生態足跡影響因素變化可以分為2005—2008到2008—2011到2011—2014這3個階段,主導因素的組合變化由“耕地面積-土地城鎮化率-能源結構系數”轉化為“耕地面積-人口規模-能源結構系數”到“耕地面積-人口規模-第二產業比重”。濱州2005—2014年的主導因素組合一直為“人口規模-土地城鎮化率-能源結構系數”。值得注意的是,耕地面積長期是東營的主導因素,這與東營本身自然資源稟賦密切相關。城市化進程中,東營為了保證“耕地占補平衡”,大量重要“碳匯”(濕地、林地)被開墾成耕地,嚴重影響自然生態系統自凈能力。濱州為農業大市,耕地資源及其后備資源豐富,生態用地未受到“耕地占補平衡”政策的強烈影響。

(3)東營和濱州分別處于工業化第四階段和第二階段,2008年金融危機以后,東營碳排放強度呈上升趨勢,而濱州持續下降,這與兩市工業化城市化發展階段顯著相關。面對金融危機,東營已經累積一定的資金和技術,大部分粗放工業企業遭到淘汰,科技集中型工業得到發展,更容易進行工業升級,而濱州工業化發展處于較初級階段,工業產業以初級加工產品為主,技術效率和水平較低,轉型困難。

(4)通過情景模擬分析2020年東營、濱州的低碳發展潛力發現,基準和低碳兩種情景下,濱州的生態赤字分別為東營的近10倍和2.6倍。就“減排”潛力而言,濱州遠遠高于東營,但是這種低碳情景是以濱州的工業GDP增長從現階段20.6%驟降到6.5%為代價,需要實施非常嚴格的工業發展管制措施,對產業結構調整和轉型升級要求很高。對東營而言,低碳情景的實現不僅要將能源利用效率提高1倍,更要保證大量重要“碳匯”資源的恢復與重建。

鑒于以上研究結論,對東營和濱州“減排”可持續發展提出以下差別化建議：

就東營而言,一方面近期應逐步實現重要“碳匯”(濕地、林地)的恢復,加強自然生態系統的自凈能力；另一方面在土地利用規劃實施過程中,要加強“耕地占補平衡”政策的監督,不能以犧牲生態用地為代價盲目追求“占一補一”。對濱州來說,加快淘汰粗放高耗工業,大力引入先進成熟的節能工藝和設備,推進工業升級和產業結構調整并大力發展第三產業以保證經濟活力。

[1] 盧娜, 曲福田, 馮淑怡, 邵雪蘭. 基于STIRPAT模型的能源消費碳足跡變化及影響因素——以江蘇省蘇錫常地區為例. 自然資源學報, 2011, 26(5): 814- 824.

[2] 韓驥, 周翔, 象偉寧. 土地利用碳排放效應及其低碳管理研究進展. 生態學報, 2016, 36(4): 1152- 1161.

[3] 孫蕊, 孫萍, 吳金希, 張景奇. 中國耕地占補平衡政策的成效與局限. 中國人口·資源與環境, 2014, 24(3): 41- 46.

[4] Van Der Voet E. Books: our ecological footprint: reducing human impact on the earth. Journal of Industrial Ecology, 1999, 3(2/3): 185- 187.

[5] 方愷, 董德明, 沈萬斌. 生態足跡理論在能源消費評價中的缺陷與改進探討. 自然資源學報, 2010, 25(6): 1013- 1021.

[6] 方愷, 董德明, 林卓, 沈萬斌. 基于全球凈初級生產力的能源足跡計算方法. 生態學報, 2012, 32(9): 2900- 2909.

[7] Siche R, Agostinho F, Ortega E. Emergy net primary production (ENPP) as basis for calculation of ecological footprint. Ecological Indicators, 2010, 10(2): 475- 483.

[8] Casler S D, Rose A. Carbon dioxide emissions in the U.S. economy: a structural decomposition analysis. Environmental and Resource Economics, 1998, 11(3/4): 349- 363.

[9] Schipper L, Murtishaw S, Khrushch M, Ting M, Karbuz S, Unander F. Carbon emissions from manufacturing energy use in 13 IEA countries: long-term trends through 1995. Energy Policy, 2001, 29(9): 667- 688.

[10] 王敬華. 山東省能源消費分析及其優化策略. 中國人口·資源與環境, 2014, 24(11): 51- 59.

[11] 常春艷, 趙庚星, 李晉, 王凌, 王卓然. 黃河三角洲典型生態脆弱區土壤退化遙感反演. 農業工程學報, 2015, 31(9): 127- 132.

[12] 孫赫, 梁紅梅, 常學禮, 崔青春, 陶云. 中國土地利用碳排放及其空間關聯. 經濟地理, 2015, 35(3): 154- 162.

[13] 吳文佳, 蔣金亮, 高全洲, 蔣海兵. 2001- 2009年中國碳排放與碳足跡時空格局. 生態學報, 2014, 34(22): 6722- 6733.

[14] Venetoulis J, Talberth J. Refining the ecological footprint. Environment, Development and Sustainability, 2008, 10(4): 441- 469.

[15] Dietz T, Rosa E A. Rethinking the environmental impacts of population, affluence and technology. Human Ecology Review, 1994, 1: 277- 300.

[16] Wang Z H, Yang L. Indirect carbon emissions in household consumption: evidence from the urban and rural area in China. Journal of Cleaner Production, 2014, 78: 94- 103.

[17] 楊足膺, 趙媛, 付伍明. 基于彈性系數的江蘇省能源生態足跡影響因素分析. 生態學報, 2010, 30(24): 6741- 6748.

[18] 張維陽, 段學軍, 于露, 張偉, 戚曉明. 現代工業型與傳統資源型城市能源消耗碳排放的對比分析——以無錫市與包頭市為例. 經濟地理, 2012, 32(1): 119- 125.

[19] 方愷. 基于足跡家族和行星邊界的主要國家環境可持續性多維評價. 生態環境學報, 2014, 23(11): 1868- 1875.

[20] 方愷, 段崢. 全球主要國家環境可持續性綜合評估——基于碳、水、土地的足跡-邊界整合分析. 自然資源學報, 2015, 30(4): 539- 548.

[21] 汪群芳, 李植斌. 杭州市土地利用結構與效率研究. 國土資源科技管理, 2005, 22(4): 5- 9.

[22] 萬紅. 基于RS與GIS的黃河三角洲濕地信息提取與分析研究[D]. 濟南: 中國石油大學(華東), 2010.

[23] 王建軍, 吳志強. 城鎮化發展階段劃分. 地理學報, 2009, 64(2): 177- 188.

[24] 秦耀辰, 榮培君, 楊群濤, 李旭, 寧曉菊. 城市化對碳排放影響研究進展. 地理科學進展, 2014, 33(11): 1526- 1534.

[25] 王強, 鄭穎, 伍世代, 李婷婷. 能源效率對產業結構及能源消費結構演變的響應. 地理學報, 2011, 66(6): 741- 749.

Analysis of the industrial carbon emission effect based on the Net Primary Productivity Model, its influencing factors and scene simulation

XIA Chuyu1, LI Yan1,*, YE Yanmei1, SHI Zhou2, LIU Jingming3

1SchoolofPublicAffairs,InstituteofLandScienceandPropertyManagement,ZhejiangUniversity,Hangzhou310058,China2InstituteofAgriculturalRemoteSensingandInformationTechnologyApplication,CollegeofEnvironmentalandResourceSciences,ZhejiangUniversity,Hangzhou310058,China3SchoolofPublicAdministrations,ChinaUniversityofGeosciences,Wuhan430074,China

At present, there are serious environmental problems caused by global warming, primarily resulting from the interaction of industrial fossil fuel emissions and Land-Use and Land-Cover Change (LUCC). According to IPCC reports, the industrial sector is the most important source of fossil fuel consumption, which accounts for 78.75% of the carbon emission to the atmosphere. In China, the annual growth rate of carbon emissions from fossil fuel combustion has been 5.2% since 1978, and the future growth trend is difficult to reverse. Moreover, a lack of ecological security in the implementation of the cultivated land balance policy, the principle of “occupying one up one”, can easily lead local governments to incorrectly understand infinite cultivated land reserve resources. Thus, to explore how natural resources, industrial development, and restricted cultivated land protection policies affect the ecological pressure of industrial carbon emission in different cities, the present study uses Dongying and Binzhou as examples. Both cities, located in the Yellow River delta, were used to research the ecological pressure of industrial carbon emission based on the Net Primary Productivity Model (NPPM); the elastic coefficient model was applied to analyze changes of influencing factors from 2005 to 2014; and finally, the potential of low-carbon sustainable development using the scene simulation method was measured. Net Primary Productivity (NPP) is employed as a common indicator of biological productivity and the Net Primary Productivity Model (NPPM) can illustrate the interaction between carbon emissions and land carbon sequestration. The following conclusions were reached: (1) carbon emissions and carbon emission intensities of Dongying were significantly higher than that of Binzhou, and the ecological footprint of carbon emissions annually increased by 12.79 and 6.16%, respectively. This is related to the difference of industrial development between the two cities. (2) After analyzing the results of the elastic coefficient model, we found the combination of critical factors of the industrial carbon emission ecological footprint of Dongying changed from a “cultivated land-land urbanization rate-energy structure coefficient” to “cultivated land-population size-energy structure coefficient” to “cultivated land-population size-the proportion of the second industry” from 2005—2008 to 2008—2011 and 2011—2014; that of Binzhou remained a “population size-land urbanization rate-energy structure coefficient” from 2005 to 2014. (3) Through the situational simulation analysis until 2020, we found that under the baseline scenario, the carbon emission ecological deficit of Binzhou was approximately ten times than that of Dongying; under the low carbon scenario, that of Binzhou was only 2.6 times that of Dongying. Regarding the emission reduction potential (the distance between the carbon emission ecological deficit under the baseline scenario and low carbon scenario), the potential of Binzhou was significantly higher than that of Dongying. However, the low carbon scenario of Binzhou is at the expense of a serious slowdown from 20.6 to 6.5% in industry GDP, which needs to forcibly eliminate high energy-consuming enterprises, and economic growth mainly relies on the completion of the third industry. Therefore, there is a very high demand for the readjustment of the industrial structure. Regarding Dongying, the low carbon scenario needs to improve the energy use efficiency by double, and ensure the restoration of large numbers of “carbon sink” resources.

net primary productivity model; ecological footprint; influencing factors; elastic coefficient; industrial carbon emission; scene simulation

國家重點研發計劃重點專項(2016YFD0201200);浙江省教育廳重點項目(Z201121260)

2016- 03- 31; 網絡出版日期:2017- 02- 22

10.5846/stxb201603310591

*通訊作者Corresponding author.E-mail: liyan522@zju.edu.cn

夏楚瑜,李艷,葉艷妹,史舟 劉婧鳴.基于凈生產力生態足跡模型的工業碳排放效應、影響因素與情景模擬.生態學報,2017,37(11):3862- 3871.

Xia C Y, Li Y, Ye Y M, Shi Z, Liu J M.Analysis of the industrial carbon emission effect based on the Net Primary Productivity Model, its influencing factors and scene simulation.Acta Ecologica Sinica,2017,37(11):3862- 3871.