基于效率視角的浙江省2030年碳排放配額分析

李澤坤, 任麗燕,*, 馬仁鋒, 劉永強, 姚丹

基于效率視角的浙江省2030年碳排放配額分析

李澤坤1,2,3, 任麗燕1,2,3,*, 馬仁鋒1,2,3, 劉永強1,2,3, 姚丹1,2,3

1. 寧波大學地理與空間信息技術系/陸海國土空間利用與治理研究中心, 寧波 315211 2. 寧波市高等學校協同創新中心“寧波陸海國土空間利用與治理協同創新中心”, 寧波 315211 3. 浙江省新型重點專業智庫寧波大學東海研究院, 寧波 315211

測算浙江省1995—2015年的碳排放總量, 構建STIRPAT模型, 通過嶺回歸分析各影響因素對碳排放總量的影響, 結合情景分析法對浙江省2030年的碳排放總量進行預測, 最后以情景預測值為總量限定在效率視角下進行碳配額并分析各市剩余碳排放空間。結果表明: (1)人口總量、人口城市化率、人均GDP和煤類能源占比對碳排放總量起促進作用, 人口總量、人口城市化率、人均GDP和煤類能源占比每增加1%, 浙江省的碳排放總量會分別增加3.578%、0.588%、0.295%和1.310%; (2)保持經濟和城市化高速發展的同時, 大力實施產業結構調整和節能減排的情景3最符合現實發展要求, 情景3下, 浙江省碳排放總量在2030年將達到47902.57萬噸; (3)ZSG-DEA模型的碳配額結果顯示, 2030年寧波市碳配額最多, 其次為杭州市, 麗水市碳配額最少。從絕對剩余碳排放空間看, 寧波市剩余碳排放空間最大, 其次為杭州市, 舟山市剩余碳排放空間最小。從相對剩余碳排放空間看, 麗水市相對剩余碳排放空間最大, 其次為紹興市, 舟山市需在2015年碳排放總量的基礎上減排9.47%。

碳配額; STIRPAT; 情景預測; ZSG-DEA模型; 剩余碳排放空間

0 前言

溫室氣體的排放使得以氣候變暖為主要特征的全球氣候變化受到廣泛關注[1]。中國是世界上最大的發展中國家, 同時也是世界上最大的能源消耗國和溫室氣體排放國[2]。因此, 限制溫室氣體排放, 實現溫室氣體排放限額情況下的經濟持續發展對我國來說是一個極大的挑戰, 如何促進經濟發展低碳化已成為當前亟待解決的問題。在自身環保意識的提高和外界要求的減排壓力下, 中國政府對于減少溫室氣體排放制定了明確的目標并作出了相應的減排承諾, 分別于2009年“哥本哈根氣候大會”和2014年“中美氣候聯合聲明”中做出了“要爭取使2020年碳排放強度在2005年的基礎上下降40%—45%”和“2030年碳排放達到峰值”的減排承諾。基于碳排放總量限定的地區碳配額分配是我國碳減排的現實途徑[3]。碳排放減排目標的區域分解研究是國內外學者關注的重點內容。基于不同減排目標的研究一般可以分為兩類, 一是基于絕對減排量的區域分解, 絕對減排量是《京都議定書》附件一國家的減排要求。二是基于碳強度減排目標的區域分解, 中國在哥本哈根氣候大會上做出的減排承諾便是以碳強度減排為目標。在碳排放配額研究方面常用的方法有指標分配法、DEA(data envelopment analysis)模型、減排成本法等。Phylipsen等認為應該從人均二氧化碳排放量、人均GDO和單位GDP二氧化碳排放量三個指標綜合分配歐洲各國碳配額以減少各國由于發展階段不同帶來的差異，使得分配結果更加公平[4]。孫根年選取了能源強度、GDP、人均GDP構建環境學習曲線測算各省減排效率與減排潛力[5]。宋杰鯤選取各省碳排放比例、各省GDP比例和各省減排費用占GDP的比例三個指標分別代表世襲制原則、平等主義原則和支付能力原則對省際碳配額進行分配[3]。Lins和Gomes[6]將零和博弈的理論引入DEA模型中, 構建了零和收益DEA模型(ZSG-DEA), 并分別對各國奧運會投入產出效率和京都議定書相關國家碳配額分配問題進行了分析[7]。此后, ZSG-DEA模型在資源分配領域獲得廣泛應用。林坦、寧俊飛基于ZSG-DEA模型對歐盟國家碳配額進行分配, 并提出利用迭代法使分配方案不斷優化, 最終達到或接近DEA有效邊界[7]。王勇等基于ZSG-DEA模型對中國2030年二氧化碳排放峰值目標進行省區分配[8]。以上研究大多基于國家尺度, 且碳排放的核算一般只包含工業能源消耗碳排放, 省級碳排放配額一般缺少長期的減排目標。本文系統計算了浙江省各市能源活動、工業生產、廢棄物處理、農業活動四個部門碳排放, 分析各市碳排放總量動態變化特征。為了確定一個科學合理的減排目標, 本文通過STIRPAT模型及情景分析法得到在經濟發展與控制碳排放相協調情景下的浙江省2030年碳排放, 并以此作為碳排放配額的總量限定, 最后在效率視角下運用ZSG-DEA模型對浙江省各市2030年碳排放進行配額, 并分析各市剩余碳排放空間。

1 研究方法與數據來源

1.1 碳排放的測算

1.1.1 能源活動的碳排放測算

能源活動碳排放是碳排放的主要組成部分, 其主要碳排放項目包括工業部門、建筑業、服務業、居民生活、農林牧漁業、交通系統和石油和天然氣系統逃逸等總計7個項目, 計算公式如下[9-10]:

式中,E是能源活動部門碳排放量,AD是燃料的消耗量,NCV是燃料的低位熱值,EF是燃料的單位熱量含碳量,COF是燃料的碳氧化率, 44/12表示碳到二氧化碳的轉化系數。

石油和天然氣系統逃逸項目所產生的碳排放氣體為CH4, 其計算方法為將各過程的活動數據與其對應的排放因子相乘后相加匯總。根據相關指南, 原油儲運過程的甲烷排放因子選取753 (噸甲烷/億噸原油)[9-10]。

1.1.2 工業生產過程中的碳排放測算

工業生產過程溫室氣體排放清單報告的是工業生產中能源活動溫室氣體排放之外的其他化學反應過程或物理變化過程的溫室氣體排放。由于浙江省工業部門中, 只有水泥生產產業符合工業生產過程碳排放測算, 因此本研究只考慮水泥生產過程中的碳排放, 其碳排放氣體為CO2。根據相關指南, 水泥產量熟料比選取推薦值0.63,水泥生產過程排放因子選取0.538 (噸二氧化碳/噸熟料)。

1.1.3 廢棄物處理的碳排放測算

廢棄物處理包括廢水處理、城市固體廢棄物填埋處理和焚燒處理, 計算公式如下[9-10]:

式中,E是填埋城市廢棄物所產生的CH4排放總量,、L、、分別是填埋的固體廢棄物總量、管理類型垃圾填埋場的甲烷產生潛力、甲烷回收量和氧化因子。E是焚燒城市廢棄物所產生的CO2排放總量,、分別是焚燒的固體廢棄物總量和焚燒產生CO2的排放因子。E是廢水處理產生的N?O排放量,N、EF分別是廢水中的氮含量和廢水的氧化亞氮排放因子, 44/28表示氮到氧化亞氮的轉化系數。

1.1.4 農業活動的碳排放測算

農業活動包括稻田甲烷排放、動物腸道發酵甲烷排放、動物糞便管理甲烷和氧化亞氮排放四項, 計算公式如下[9-10]:

式中,E是稻田的CH4排放總量,AD和EF分別是第i類稻田的播種面積和稻田CH4排放因子。E是動物腸道發酵和糞便管理所產生的CH4排放總量,AP是第類動物的數量,EF和EF分別是第類動物的腸道產生CH4排放因子和糞便產生CH4排放因子。E是動物糞便管理所產生的N?O排放量,EF和AP分別是為特定種群糞便管理氧化亞氮排放因子和第類動物的數量。

碳排放總量是能源活動、工業生產、廢棄物處理、農業活動四個部門碳排放相加之和。

1.2 STIRPAT模型

Dietz和Rosa[11]在傳統的IPAT模型的基礎上提出了STIRPAT(Stochastic Impacts by Regression on Population, Affluence and Technology)模型, 該模型具有形式靈活, 易于分析等優點, 被廣泛應用于碳排放影響因素的研究中[12-14], 其一般表達式為:

式中,、、、分別表示環境影響、人口因素、經濟因素和技術因素;是模型系數,、、分別為、、的估計系數;為隨機誤差項。

將式兩邊同時取對數可寫為:

本文對STIRPAT模型進行擴展, 人口因素選取總人口和人口城市化率, 經濟因素選取人均GDP,技術因素選取煤類能源消耗占比。因此, 實證模型表達式為[15-16]:

式中,表示浙江省碳排放總量,、、、分別表示總人口、人口城市化率、人均和煤類能源占比,是模型系數,、、、分別表示總人口、人口城市化率、人均GDP、和煤類能源占比的彈性系數,為隨機誤差項。為了消除量綱影響, 運用總和標準化的方法對浙江省碳排放及其影響因素進行數據預處理。

1.3 ZSG-DEA模型

本研究基于效率原則的碳排放配額采用ZSG-DEA模型。DEA中的投入導向性BCC模型具體形式如下:

式中,為浙江省決策單元的相對效率,為相對于目標決策單元重新構造一個決策單元有效組合中其他決策單元的組合比例,y為各決策單元的產出變量, 其中為決策單元,為產出變量的類型,y為決策單元各產出變量的值,為投入變量,x為決策單元的初始碳排放配額,x為第各決策單元的碳排放配額。

DEA-BBC模型是假設各決策單元之間的投入產出是獨立的, 即一個決策單元投入產出的變化不會影響其他決策單元的投入產出。但如果要求總的投入變量或產出變量固定, 則這個假設不能成立。針對傳統DEA-BCC模型的不足, Lins 和 Gomes[6]提出了ZSG-DEA模型, 該模型通過對投入或產出的再配置, 從而可以根據決策單元的 DEA 效率值對非期望產出的分配方案進行調整。假設目標決策單元為非DEA有效, 其為達到有效就必須減少投入, 減少投入量為:

式中,x為第個決策單元,x為目標決策單元,δ為目標決策單元的初始效率值。由于所有決策單元都在進行投入的比例消減, 所以最終投入量(二氧化碳排放量)對決策單元的再分配額為:

經過比例調整后, ZSG-DEA模型對目標決策單元的投入導向BCC模型轉化公式為:

由于所有為達到DEA有效的決策單元都會按比例向其他決策單元分配多余投入, 所以可能出現某些決策單元即使完成多余投入的消減也無法達到DEA有效。因此, 本文利用迭代法進行多次分配, 經過多次迭代后, 使各決策單元的效率值都達到1。

1.4 剩余碳排放空間

為了分析碳配額對區域未來發展的影響, 本文構建剩余碳排放空間這一指標。剩余碳排放空間分為絕對剩余碳排放空間和相對剩余碳排放空間, 絕對剩余碳排放空間指某地區基期實際碳排放與未來碳配額之間差額, 表示某地區未來碳排放增長空間的大小。相對剩余碳排放空間指某地區絕對剩余碳排放空間占該地區基期實際碳排放的比例。由于基期實際碳排放間接反映了該地區現階段發展所需的碳排放空間, 因此, 相對剩余碳排放空間可以間接反映該地區未來發展中減排壓力的大小, 相對剩余碳排放空間越大減排壓力越小, 反之減排壓力越大。計算式如下所示:

式中,絕表示絕對碳排放剩余空間;配表示未來碳排放配額;基表示基期實際碳排放;相表示相對剩余碳排放空間。

1.5 數據來源

能源消耗數據來自《中國能源統計年鑒》和《浙江統計年鑒》。水泥產量數據、農業活動水平數據、總人口、人口城市化率、人均GDP來自《浙江統計年鑒》。廢棄物填埋、焚燒數據來自于《中國城市建設統計年鑒》。各類能源換算標準煤系數使用《中國能源統計年鑒》中的各種能源折標準煤參考系數表[17]。

2 結果與分析

2.1 浙江省各市碳排放動態變化及結構分析

計算浙江省各市能源活動、工業生產、廢棄物處理、農業活動四個部門碳排放, 匯總為浙江省各市碳排放總量, 繪制浙江省各市碳排放總量動態變化圖。計算2015年各市碳排放結構, 繪制各市碳排放結構圖。計算1995—2015年各市分行業碳排放變化量占本市碳排放變化總量的比例, 正值表示碳排放增加, 負值表示碳排放減少, 繪制各行業碳排放對碳排放總量的貢獻圖。具體結果見圖1、圖2、圖3。

由圖1可知, 1995—2015年期間, 浙江省各市碳排放量總體上呈增加趨勢。總體上, 寧波市碳排放量最多, 其次為杭州市, 兩市碳排放量的最大值都超過了5000 萬噸。舟山市、麗水市碳排放量較少, 兩市碳排放量的最大值都小于2000 萬噸。嘉興市、紹興市、臺州市、溫州市、金華市、湖州市、衢州市碳排放量處于中等水平, 最大值介于3000—5000 萬噸之間, 碳排放量的差距也較小。各市碳排放動態變化大體可以分為兩個階段, 第一階段碳排放量較小, 但增速較快; 當各市碳排放量增長到一定水平后, 其增長速度出現明顯放緩, 動態變化相對平穩, 即進入第二階段。各市進入第二階段的時間有所不同, 嘉興市、紹興市、湖州市于2006年前后碳排放變化進入第二階段; 杭州市、金華市、衢州市、麗水市、臺州市于2007年前后進入第二階段; 寧波市、溫州市、舟山市于2011年前后碳進入第二階段。

圖1 1995—2015年浙江省各市碳排放總量動態變化

Figure 1 Variations in carbon emissions at the city-level in Zhejiang Province from 1995 to 2013

由圖2、圖3可知, 工業碳排放是各市碳排放總量的最大來源, 同時也是推動各市碳排放總量增加的主要原因。除工業碳排放外, 湖州市、嘉興市、金華市、麗水市、寧波市、衢州市、臺州市的居民生活、交通倉儲業、水泥生產碳排放是其碳排放總量的重要來源, 也是其碳排放總量增加的重要原因。杭州市的服務業、交通倉儲業、水泥生產是其碳排放總量的重要來源, 也是其碳排放總量增加的重要原因。紹興市的建筑業、交通倉儲業、水泥生產是其碳排放總量的重要來源, 也是碳排放總量增加的重要原因。溫州市的服務業、居民生活、交通倉儲是其碳排放總量的重要來源, 也是其碳排放總量增加的重要原因。舟山市的居民生活、農林牧漁水利業、交通倉儲業碳排放是其碳排放總量的重要來源, 也是其碳排放總量增加的重要原因。各市稻田甲烷、牲畜管理碳排放呈減少趨勢, 對各市碳排放總量的增加起抑制作用。

2.2 STIRPAT模型結果分析

為了分析人口、經濟發展水平和能源消耗對浙江省碳排放總量的影響, 首先采用最小二乘法建立總人口、人口城市化率、人均、煤類能源占比的自然對數與浙江省碳排放總量自然對數的多元線性回歸模型, 估算各指標的回歸系數, 估算結果如表1所示。

圖2 2015年浙江省各市碳排放結構

Figure 2 Carbon emissions structure of cities in Zhejiang Province in 2015

圖3 1995—2015年浙江省各市分行業碳排放對碳排放總量的貢獻

Figure 3 Contribution of carbon emissions to the total carbon emissions by sectors in Zhejiang Province from 1995 to 2015

表1 基于普通最小二乘法的模型估算結果

注:2=0.992, sig=0.000。

回歸模型的決定系數2=0.992,統計量也通過了1%的檢驗。但是,、、、的方差膨脹因子(VIF)遠大于10, 說明變量之間存在嚴重的多重共線性, 回歸結果并不可靠。為了消除各變量之間的多重共線性, 本文采用嶺回歸方法重新建立回歸模型, 當=0.05的時候, 各變量的變化趨于穩定, 結果如表2所示。

嶺回歸模型的決定系數2=0.978, sig=0.000, 說明回歸模型的擬合度良好, 各變量也通過了5%的顯著性水平檢驗。根據嶺回歸結果, 建立回歸函數, 如式12所示。

由模型結果可知, 人口總量、人口城市化率、人均GDP、煤類能源占比對浙江省碳排放總量起促進作用, 其中人口總量的作用最為顯著, 其次為煤類能源占比、人口城市化率, 人均的作用最弱。人口總量、人口城市化率、人均GDP和煤類能源占比每增加1%, 浙江省的碳排放總量會分別增加3.578%、0.588%、0.295%和1.310%。燕華、黃蕊對上海市和重慶市碳排放影響因素的研究也表明人口總量對碳排放的影響最為顯著[18-19]。但也存在其他結果, 例如孫艷偉對海島城市碳排放影響因素的研究表明人口城市化率對碳排放的影響最為顯著[20]。人口是推動浙江省碳排放總量增加的主要因素, 人口的增加一方面直接推動了生活能源消費的增加, 另一方面也間接刺激了各行業經濟規模的擴大。人口城市化率的提高表明消費結構的改變和消費水平的提高。人均GDP反映了經濟發展對碳排放總量的影響, 經濟快速發展需要以能源消耗為支撐, 因此會導致碳排放的迅速增加。煤類能源占比反映了能源結構對碳排放的影響。

表2 基于嶺回歸的模型估算結果

注:2=0.978, sig=0.000。

2.3 碳排放總量多情景預測分析

2.3.1 多情景設置

(1) 人口因素情景

根據《浙江藍皮書》的預測, 到2020年浙江省總人口將達到5777 萬人左右, 2023年達到人口峰值5783—5822 萬人左右, 之后緩慢減少, 到2030年達到5705—5733 萬人左右[21]。考慮到浙江省人口變化比較穩定, 因此人口因素只設置基準情景。計算《浙江藍皮書》對浙江省2020、2025、2030 年總人口預測的均值, 設定總人口在2020、2025、2030 年分別為5777、5802.5、5719 萬人。

根據浙江省“十三五”規劃, 到2020年人口城市化率要達到70%, 因此, 根據浙江省2015-2020年的人口城市化率的平均變化率將2020、2025、2030年人口城市化率的基準情景分別設置為70%、72.5%、75%。高值情景和低值情景以基準情景為基礎分別上調、下調一個百分點。

(2) 經濟因素情景

根據浙江省“十三五”規劃, 到2020年生產總值、人均生產總值、城鄉居民收入要比2010年翻一番, 經濟增長速度保持在7%。考慮到浙江省今后經濟發展將由中高速發展轉變為中速發展, 因此, 將2020、2025、2030年人均生產總值的年均增長速度的基準情景分別設置為7%、6%、5%。高值情景和低值情景以基準情景為基礎分別上調、下調一個百分點。

(3) 技術因素情景

以2015年浙江省煤類能源占比為基礎, 用2010-2015的平均變化率推算2020、2025、2030年煤類能源占比基準情景分別為0.61%、0.56%、0.52%。考慮到煤類能源占比變化速度較慢, 因此高值情景和低值情景以基準情景為基礎分別將變化率上調、下調0.1個百分點。

綜合人口因素、經濟因素、技術因素的各個情景, 將浙江省未來經濟社會發展情景設置為5種情景, 具體內容見表3。

2.3.2 碳排放總量多情景預測分析

利用式(13), 并結合多情景分析技術, 得到2030年浙江省在多情景設置下的碳排放總量預測結果, 具體結果見圖4。

由圖4可知, 在情景1下, 浙江省碳排放總量在2030年將達到了46093.71 萬噸。在未來, 浙江省經濟和人口城市化處在高速增長和能源效率提升的效果不明顯的情境下(情景2), 浙江省碳排放總量將會大幅增長, 到2030年達到54122.19萬噸, 是情景1的1.17倍, 碳排放總量較情景1增加8028.474 萬噸。在未來, 浙江省經濟和人口城市化處在低速增長且能源效率提升得到很好實現的情境下(情景5), 浙江省碳排放總量的增長幅度最小, 到2030年達到42591.05 萬噸, 較基準情景減排3502.66 萬噸, 較情景2減排達11531.13 萬噸。這說明在情景5下, 浙江省能夠達到很好的減排效果, 但是這一情景是以減緩經濟發展和城市化速度為代價的, 不能做到經濟發展、提高人民生活水平與控制碳排放量相協調。在情景4下, 浙江省2030年碳排放總量將達到48121.02 萬噸, 是情景1的1.04倍, 經濟和人口城市化發展速度卻低于情景1, 是一種最不理想的社會發展情景。在情景3下, 2030年浙江省碳排放總量為47902.57 萬噸, 是情景1的1.04倍, 但經濟和城市化速度要高于情景1, 較相同經濟和城市化發展速度的情景2下降了11.49%, 減排量達6219.61 萬噸。因此, 綜合保持經濟發展與控制碳排放量的要求, 情景3能夠達到在保持經濟和城市化水平快速發展的同時通過提高能源使用效率、優化能源結構來達到控制碳排放量的目的。因此, 浙江省對碳排放量的控制可以參考情景3的社會經濟發展模式。

在情景3下浙江省碳排放強度為0.39 噸/萬元, 相比2015年的0.88噸/萬元下降了55.63%, 從碳排放強度的角度看減排效果非常明顯。因此, 在效率視角下的碳配額也將使用情景3下的碳排放總量作為總量限定。

2.4 ZSG-DEA模型碳配額分析

以各市2015年碳排放總量為投入, 總人口、GDP、能源消耗量為產出, 計算浙江省各市碳排放效率, 具體結果見表4。

圖4 多情景預測下浙江省2030年碳排放總量

Figure 4 Prediction on carbon emissions in Zhejiang Province under various scenarios

表3 浙江省2030年經濟社會發展情景設置

表4 2015年浙江省各市碳排放效率

由表4可知, 2015年浙江省市域碳排放綜合效率均值為0.909, 說明浙江省碳排放效率較高。杭州市、麗水市、溫州市、舟山市碳排放綜合效率達到1, 為碳排放綜合效率最優的市域。寧波市、紹興市的綜合效率值分別為0.933、0.936, 超過了全省綜合效率均值。湖州市、嘉興市、金華市、衢州市綜合效率值分別為0.805、0.840、0.930、0.697, 低于全省綜合效率均值。

利用ZSG-DEA對浙江省2030年碳排放進行配額, 首先需要浙江省各市2030年的碳排放總量、總人口、GDP、能源消耗量四個指標。由于DEA模型計算的效率值為決策單元集合內的相對效率值, 考慮到近年來浙江省各市碳排放動態變化比較穩定, 因此使用2010—2015年各市碳排放平均值占比作為2030年各市碳排放占比, 以情景3下浙江省2030年碳排放作為總量限定計算出各市2030年碳排放量。以各市2015年總人口和GDP為基準, 利用2010—2015年總人口和GDP的平均變化率推算得出2030年各市的總人口和GDP。計算各市2010—2015年單位能耗(標準煤)下的碳排放量的平均變化率, 以2015年單位能耗碳排放為基準推算出各市2030年單位能耗碳排放, 最終通過各市2030年碳排放量計算出各市2030年能耗。以各市2030年碳排放量作為投入, 人口、GDP、能耗作為產出構建ZSG-DEA模型, 通過ZSG-DEA模型的多次迭代計算使得各市碳排放DEA效率值達到1。具體結果見表5。

表5 ZSG-DEA模型下的浙江省2030年碳排放配額

由表5可知, 利用ZSG-DEA模型進行兩次迭代調整后, 各市碳排放效率均達到最優。由于ZSG-DEA模型是在總量限定的條件下對各市域碳排放配額進行調整, 因此, 進行優化調整時必然出現一部分市域碳排放配額增加, 另一部分市域碳排放配額減少的情況。具體來看, 湖州市、嘉興市、金華市、寧波市、衢州市、臺州市共6個市域碳排放配額需要減少, 其余5個市域可以增加碳排放配額。其中, 寧波市需要減少的碳配額最多, 達1204.77 萬噸, 紹興市可以增加的碳配額最多, 達696.51 萬噸。從各市2030年碳排放配額的結果看, 寧波市2030年碳排放配額最多, 達11885.06 萬噸, 其次為杭州市(7271.76 萬噸)、嘉興市(5138.27 萬噸)、紹興市(4926.64 萬噸)、溫州市(4022.39 萬噸)、臺州市(3965.86 萬噸)、金華市(3239.58 萬噸)、湖州市(2635.74 萬噸)、衢州市(2338.74萬噸)、舟山市(1641.95 萬噸)、麗水市(836.59 萬噸)。

計算各市2015-2030年的絕對剩余碳排放空間和相對剩余碳排放空間。具體結果見表6。

從各市2015-2030年絕對碳排放剩余空間看, 寧波市碳排放剩余空間最大, 為2208.42萬噸, 其次為杭州市(1992.95 萬噸)、紹興市(1064.62 萬噸)、嘉興市(1149.98 萬噸)、臺州市(1064.62 萬噸)、溫州市(892.58 萬噸)、金華市(511.06 萬噸)、麗水市(319.60 萬噸)、衢州市(273.70 萬噸)、湖州市(197.82 萬噸)、舟山市(-171.68 萬噸)。相對剩余碳排放空間可以間接反映各市的減排壓力, 相對剩余碳排放空間越大減排壓力越小, 反之減排壓力越大。從2015—2017年各市相對剩余碳排放空間看, 麗水市相對剩余碳排放空間最大, 剩余碳排放空間占2015年實際碳排放的比例達61.82%, 其次為紹興市(45.84%)、杭州市(37.75%)、臺州市(36.40%)、嘉興市(28.83%)、溫州市(28.52%)、寧波市(22.82%)、金華市(18.73%)、衢州市(13.25%)、湖州市(8.11%), 舟山市則需在2015年實際碳排放的基礎上減排9.47%。由此可見, 實際碳排放較少、碳排放效率較高的, 相對剩余碳排放空間較大, 如麗水市、紹興市等。實際碳排放較多、碳排放效率較低的市域, 相對碳排放空間越小, 如湖州市、衢州市等。

3 結論與討論

3.1 結論

本文采用STIRPAT模型分析了總人口、人口城市化率、人均、煤類能源占比對碳排放總量的影響, 并結合情景分析法對浙江省2030年碳排放總量進行預測, 最后通過ZSG-DEA模型在效率視角下進行碳排放配額。主要結論如下:

(1) 研究期內浙江省各市碳排放總體上呈增加的趨勢。從各市碳排放總量看, 寧波市、杭州市碳排放量較多, 舟山市、麗水市碳排放量較少, 其他市域碳排放量處于中等水平。各市碳排放動態變化大體可以將其分為兩個階段。第一階段各市碳排放量較小, 但增速較快, 第二階段碳排放增長速度明顯放緩, 動態變化相對平穩, 但各市進入第二階段的時間有所不同。浙江省各市的工業碳排放是其碳排放總量的最大來源, 同時也是推動各市碳排放總量增加的主要原因。

表6 2015—2030年浙江省各市剩余碳排放空間

(2) 嶺回歸結果表明, 總人口、人口城市化率、人均GDP、煤類能源占比對浙江省碳排放總量均起促進作用。總人口對碳排放總量的影響最大, 其次為煤類能源占比、人口城市化率, 人均的作用最弱。人口總量、人口城市化率、人均和煤類能源占比每增加1%, 浙江省的碳排放量會分別增加3.578%、0.588%、0.295%和1.310%。

(3) 情景預測結果表明, 在情景1下浙江省碳排放總量在2030年將達到46093.71 萬噸。在保持經濟、城市化高速發展, 節能減排措施效果不佳的情景下, 浙江省碳排放總量增長幅度最大, 到2030年可達到54122.19 萬噸, 是2015年碳排放總量的1.43倍。在保持經濟、城市化低速發展, 大力實施能源結構調整的情景下, 碳排放總量增長幅度最小, 到2030年可達42591.05 萬噸, 是2015年的1.12倍。最符合現實發展要求的情景是在保持經濟和城市化高速發展的同時, 大力實施能源結構調整和節能減排措施, 此情景下浙江省2030年碳排放為47902.57 萬噸。

(4) ZSG-DEA模型的碳配額結果顯示, 從碳配額角度看, 2030年寧波市碳配額最多, 其次為杭州市, 麗水市碳配額最少。從絕對剩余碳排放空間看, 寧波市剩余碳排放空間最大, 其次為杭州市, 舟山市剩余碳排放空間最小。從相對剩余碳排放空間看, 麗水市相對剩余碳排放空間最大, 其次為紹興市, 舟山市需在2015年碳排放總量的基礎上減排9.47%。

3.2 討論

本文在較為全面的核算浙江省各市1995—2015年碳排放的基礎上, 先運用STIRPAT模型和情景預測分析對全省2030年碳配額提出了一個較為科學合理的目標, 再通過ZSG-DEA模型在效率視角下對各市進行碳配額和減排壓力分析, 以期為浙江省今后的碳配額分配和低碳發展提供借鑒。通過分析發現湖州市、金華市、寧波市、衢州市、舟山市的相對剩余碳排放空間較小, 在未來發展中面臨較大的減排壓力。工業碳排放是各市碳排放總量的主要來源, 也是推動碳排放總量增加的主要原因。因此, 這就要求這些市域在經濟發展中一方面要嚴格控制能耗高、產能過剩企業, 提高節能減排標準, 對于鋼鐵、船舶制造、冶金等行業中不符合環保和能耗要求的企業要引導其改進技術甚至有序退出。另一方面要尋找新的經濟增長點, 推動制造業高端化、智能化、綠色化。推動紡織、服裝、化工、農副產品加工業等傳統產業轉型升級。推進信息、環保、旅游、金融、高端裝備制造業和文化創意產業等低能耗、高附加值的新興產業的發展, 打造節能環保的新興產業集群。除工業碳排放外, 居民生活、交通倉儲業碳排放對各市碳排放的增加也起著較為重要的作用。各市在今后發展中應提倡低碳綠色的生活和消費方式, 完善公共交通等公共服務設施, 引導居民低碳出行, 推廣新能源汽車等。另外, 碳交易是促進資源優化配置的重要手段。浙江省應建立健全碳交易市場, 促進各市之間的碳交易。剩余碳排放空間較大的市域可出售碳指標, 剩余碳排放空間較小的市域可購買碳指標, 以發揮各市優勢, 促進全省經濟增長和環境保護的協調發展。

[1] Xu Qian, Dong Yuxiang, Yang Ren. Urbanization impact on carbon emissions in the Pearl River Delta region: Kuznets curve relationships[J]. Journal of Cleaner Production, 2018, 180: 514–523.

[2] 張凱. 山東省工業碳排放初始配置優化研究[D]. 濟南: 山東大學, 2018: 58.

[3] 宋杰鯤, 張凱新, 曹子建. 省域碳排放配額分配—融合公平和效率的研究[J]. 干旱區資源與環境, 2017, 31(5): 8–13.

[4] Phylipsen G, Bode J, Blok K, etc. A triptych sectoral approach to burden differentiation: GHG emissions in developing countries[J]. Energy Policy, 1998, 34(14): 1889–1899.

[5] 孫根年, 李靜, 魏艷旭. 環境學習曲線與我國碳減排目標的地區分解[J]. 環境科學研究, 2011, 24(10): 1194–1202.

[6] Lins M P E, Gomes E, Soares de Mello, et al. Olympic Ranking Based on a Zero Sum Gains DEA model[J]. European Journal of Operational Research, 2003, 148(2): 312–322.

[7] 林坦, 寧俊飛. 基于零和DEA模型的歐盟國家碳排放權分配效率研究[J]. 數量經濟技術經濟研究, 2011, 36–49.

[8] 王勇, 賈雯, 畢瑩. 效率視角下中國2030年二氧化碳排放峰值目標的省區分解—基于零和收益DEA模型的研究[J]. 環境科學學報, 37(11): 4399–4408.

[9] 浙江省發展改革委員會. 浙江省市縣溫室氣體清單編制指南(2015年修訂版) [R]. 浙江, 2016.

[10] IPCC. Climate change 2014 synthesis report[R]. Intergovernmental Panel on Climate Change, 2015.

[11] Dietz T, Rosa E A. Rethingking the environmental impacts of population, affluence and technology[J]. Human Ecology Review, 1994, 1: 277–300.

[12] 陳志建, 王錚. 中國地方政府碳減排壓力驅動因素的省際差異—基于STIRPAT模型[J]. 資源科學, 2012, 34(4): 718–724.

[13] 王泳璇, 王憲恩. 基于城鎮化的居民生活能源消費碳排放門限效應分析[J]. 中國人口.資源與環境, 2016, 26(12): 94–102.

[14] 劉曉燕. 基于STIRPAT模型的工業能源消費碳排放影響因素分析[J]. 生態經濟, 2019, 35(3): 27–31.

[15] 吳青龍, 王建明, 郭丕斌. 開放STIRPAT模型的區域碳排放峰值研究—以能源生產區域山西省為例[J]. 資源科學, 2018, 40(5):1051–1062.

[16] 宋曉暉, 張裕芬, 汪藝梅, 等. 基于IPAT擴展模型分析人口因素對碳排放的影響[J]. 環境科學研究, 2012, 25(1): 109–115.

[17] 中華人民共和國國家統計局. 中國能源統計年鑒[M]. 北京: 中國統計出版社, 1995–2015.

[18] 燕華, 郭運功, 林逢春. 基于STIRPAT模型分析CO2控制下上海城市發展模式[J]. 地理學報, 2010, 65(8): 983–990.

[19] 黃蕊, 王錚. 基于STIRPAT模型的重慶市能源消費碳排放影響因素研究[J]. 環境科學學報, 2013, 33(2): 602–608.

[20] 孫艷偉, 李加林, 李偉芳, 等. 海島城市碳排放測度及其影響因素分析—以浙江省舟山市為例[J]. 地理研究, 2018, 37(5): 1023–1033.

[21] 浙江省社會科學院. 浙江省藍皮書: 2017年浙江發展報告[M]. 杭州: 浙江人民出版社, 2017.

Allocating carbon emission allowance from the perspective of efficiency at the city-level in Zhejiang Province

LI Zekun1,2,3, REN Liyan1,2,3,*, MA Renfeng1,2,3, LIU Yongqiang1,2,3, YAO Dan1,2,3

1. Department of Geography and Spatial Information Technology, Center for land and marine spatial utilization and governance research, Ningbo University, Ningbo 315211,China 2. Ningbo Universities Collaborative Innovation Center for land and marine spatial utilization and governance research at Ningbo University, Ningbo 315211,China 3. Institute of East China Sea, Ningbo University, Ningbo 315211, China

This paper calculated the carbon emission in Zhejiang Province from 1995 to 2015, and analyzed its influencing factors using STIRPAT model. Then the total carbon emission in 2030 was forecasted by scenario prediction, and was allocated to each city according to efficiency. Finally, the residual carbon emission space in each city was analyzed. Results showed that: (1) The total population, population urbanization rate, per capita GDP and proportion of coal type energy were the factors which accelerated the carbon emission, and with 1% increase of each factor increased the total carbon emission by 3.578%, 0.588%, 0.295%, and 1.310% respectively. (2) Scenario 3 matched the development requirement most by adjusting industrial structure, saving energy, reducing emission and at the same time keeping the rapid development of economy and urbanization. Under this scenario, carbon emission in Zhejiang Province would reach 479025700 tons in 2030. (3) The quota allocation results of carbon emission showed that, based on the ZSG-DEA model, Ningbo had the most quota in 2030 followed by Hangzhou, while Lishui had the least. According to the absolute residual carbon emission space, Ningbo had the largest residual space, followed by Hangzhou, while Zhoushan had the smallest. According to the relative residual carbon emission space, Lishui ranked first, followed by Shaoxing. Zhoushan should reduce emission by 9.47% on the basis of 2015.

quota allocation of carbon emission; STIRPAT; scenario prediction; ZSG-DEA model; residual carbon emission space

10.14108/j.cnki.1008-8873.2020.03.026

X22

A

1008-8873(2020)03-201-11

2019-10-12;

2019-12-06

寧波市軟科學項目(2017A10053); 國家自然科學基金(41601171)

李澤坤(1997—), 男, 山西臨汾人, 碩士研究生, 研究方向為碳排放, E-mail: 1872119530@qq.com

任麗燕, 女, 博士, 副教授,主要從事碳排放研究, E-mail: renliyan@nbu.edu.cn

李澤坤, 任麗燕, 馬仁鋒, 等. 基于效率視角的浙江省2030年碳排放配額分析[J]. 生態科學, 2020, 39(3): 201–211.

LI Zekun, REN Liyan, MA Renfeng, et al. Allocating carbon emission allowance from the perspective of efficiency at the city-level in Zhejiang Province[J]. Ecological Science, 2020, 39(3): 201–211.