黃河流域碳排放權省域分配及碳減排潛力評估
——基于2030 年碳強度目標

宋 敏，鄒素娟

（西安財經大學黃河流域生態環境保護與高質量發展協同研究中心，陜西西安 710100）

1 研究背景

氣候變化是全球發展的重要議題，也是各國未來經濟發展所面臨的一大挑戰。2015 年6 月30 日，中國向聯合國氣候變化框架公約秘書處提交了《強化應對氣候變化行動——中國國家自主貢獻》文件，提出了我國2020—2030 年的氣候變化行動目標，承諾二氧化碳排放2030 年左右達到峰值并爭取盡早達峰，碳排放強度以2005 年為基準年在2030 年下降60%～65%［1］。這一目標的提出對我國未來經濟高質量發展帶來了挑戰，但也為經濟綠色轉型提供了重要機遇。為了保障這一目標的實現，國務院于2021 年10 月26 日發布了《2030 年前碳達峰行動方案》，進一步明確了碳減排的重點任務和重要領域，并指出在推動各地區梯次有序碳達峰行動中，可發揮全國碳排放權交易市場作用，統籌推進碳排放權市場建設。黃河流域是我國經濟高質量發展中的戰略要地，在實現碳減排目標中扮演著重要角色。目前，黃河流域的能源結構仍然是以化石能源為主且煤化工產業分布較密集，這使得流域脆弱的生態環境已難以承載碳排放量過高所帶來的壓力，黃河流域亟需向綠色低碳的發展方式轉變，而碳排放權交易的開展無疑在這個轉變進程中起到重要推動作用。此外，碳排放權的多少關系到一個地區未來的經濟發展空間，要保障碳排放權交易的順利開展，最關鍵的就是要解決碳排放權的分配問題，黃河流域要想打破目前面臨的困境，實現降碳減排，需要結合流域的碳排放權及其減排潛力來進行產業、能源結構等方面的調整。因此，本文探討黃河流域的碳排放權分配并評估其減排潛力，對黃河流域未來經濟結構調整和減排部署都具有重要的參考價值。

碳排放權是為了滿足生存和發展的需要，由自然或法律向權利主體賦予的一定數量的溫室氣體排放權，能夠作為一種商品在市場上流通，并以較低的成本達到碳減排的效果［2］。鑒于其重要意義，學者們對于碳排放權的分配問題進行了大量研究，主要可以分為三類。一是強調碳排放權分配的公平性，包括過程公平與結果公平，研究方法多采用指標法。如Steenberghe［3］基于公平理念和合作博弈論完成了各國的碳權分配；Bohringer 等［4］基于碳排放量和產出指標，設計出了“祖父制”碳排放權配額方案；Wei 等［5］將人均累積排放量作為考量指標，量化了137 個國家的碳排放權及其減排責任。二是注重實現碳排放權分配的效率性，多采用DEA 模型等方法進行研究。如Lozano 等［6］同時使用3 個獨立的效率目標集中分配了碳權配額；Sun 等［7］對比研究了分散式和集中式情形下的碳配額分配方式，結果表明集中式表現更佳；潘偉等［8］運用改進的DEA 資源分配模型研究了中國各省的碳排放權配額，結果表明，要想實現全國平均效率最大化目標，應將多數配額集中分配給少數省份。三是為了減少區域間的配額差異，在公平性和效率性的基礎上，融入可持續性、保障性等原則。如Feng 等［9］在國際碳排放權的分配研究中提出“集中分配—補償機制”的兩階段方法，在確保整體利益的前提下，對個體利益進行了重新分配；于倩雯等［10］綜合公平與效率原則，構建了碳排放權分配的雙層規劃模型，對中國各省份的碳排放權分配進行實證研究，結果表明，廣東、江蘇等發達地區的碳權配比位居全國前列，寧夏、青海等欠發達區地區的碳權配比則居于后列。

在碳減排潛力的研究中，根據研究方法主要可以將國內外學者的研究分為四類。一是運用效率法進行測算，即設定最優效率值作為參照值，通過計算當前情況與最優情況的差距得出相應的減排潛力。部分學者如Akan 等［11］；Xia 等［12］采用能源效率作為研究指標進行減排潛力測算，另一部分學者則以最優碳排放效率為標準進行測算，如周迪等［13］運用Super-SBM 模型測算了中國29 個省的碳排放效率，并據此進行了碳減排潛力的評估，結果表明，在公平與效率耦合視角下大部分省份的碳減排潛力指數有所提高。二是通過構建指標體系測算二氧化碳減排潛力，如王勇等［14］從公平和效率雙重視角建立評估指標體系對工業細分行業的減排潛力進行了測算；馮冬等［15］通過構建減排潛力指數，評估了京津冀地區各城市的減排潛力。三是采用情景模擬預測分析法，如黃國華等［16］以長江經濟帶為例，分析了2030 年各區域在“高碳情景”與“低碳情景”下的碳減排潛力；Tan 等［17］從基線情景、政策情景和強化政策情景對鋼鐵行業的二氧化碳減排潛力進行了測算。四是選擇其他方法進行測算，如國涓等［18］以碳排放強度為基礎構建碳減排潛力模型，對我國工業的減排潛力進行了測算；周曙東等［19］采用先進標桿理念法，完成了中國30 個省份的工業減排潛力評估，結果顯示江蘇、遼寧、廣東等11 個省份具有較大的減排潛力。

綜上所述，國內外學者對碳排放權分配和碳減排潛力進行了深入研究，對我國進一步實現碳減排目標具有一定的借鑒意義，但在以下兩方面仍需完善加強。一是碳排放權省域分配指標體系的構建還有待進一步完善，以往選取的指標多傾向于各類經濟指標，對社會和環境維度下的指標考慮較少；二是對碳減排潛力的分析集中于國家尺度，對流域等中觀和微觀尺度的地區研究較少，缺乏深度分析。因此，本文基于我國提出的2030 年碳強度目標，構建碳排放權省域分配指標體系和模型，以黃河流域為研究對象，估算九省區的碳排放權配額，采用聚類分析和最優效率法評估黃河流域九省區的減排潛力，為流域各省區精準制定減排策略提供決策參考。

2 黃河流域碳排放權省域分配的模型構建

2.1 研究區域概況

黃河是我國第二長河，自西向東流經青海、四川、甘肅、寧夏、內蒙古、陜西、山西、河南、山東九個省區，總面積為79.5 萬km2［20］。2020 年黃河流域年末常住人口總量達4.21 億人，經濟總量為25.39萬億元，約占我國生產總值（GDP）的1/41）。黃河流域內礦產資源豐富，已探明的有37 種，其中，煤炭資源預測儲量2 萬億t 左右，保有儲量約5 500 億t，占全國煤炭儲量的50%左右；已探明煤產地（或井田）685 處；已探明的石油、天然氣儲量分別約為90 億t 和2 萬億m3，分別占全國總地質儲量的40%和9%［21］。富足的化石能源帶動黃河流域經濟快速發展的同時也帶來了不小的碳減排壓力，黃河流域的碳減排在實現我國“雙碳”目標中占有舉足輕重的重要地位，而“雙碳”目標的實現也必將引領黃河流域經濟社會的系統變革和全新發展。同時，黃河流域碳排放權的省域分配和碳減排潛力的測算，也將服務于我國全球氣候治理、經濟高質量增長和生態文明建設等多個領域。

2.2 碳排放權省域分配模型構建

2.2.1 碳排放權分配指標體系的確定

國內有部分學者從不同角度構建了碳排放權分配指標體系，指標的選取也各不相同。如王慧慧等［22］選取了人口、GDP 和碳排放量三項指標估算了代際公平下全球132 個國家的碳排放權配額；Zhao 等［23］基于投入產出最優化，選取了碳強度、能源強度和技術投入三項指標測算了30 個工業部門的碳排放權初始配額；王勇等［24］以公平性、效率性和可行性原則為基礎，選取了人口、GDP、碳生產力、第三產業比重等指標分階段進行了碳排放權的省區分配；方愷等［25］在“四大原則—3 個維度”矩陣下選取了人口、城市化率、GDP、歷史累積碳排放量、第三產業比重、森林覆蓋率、R&D 支出占比等指標對31個省區2016—2030 年的碳排放配額進行了核算；楊超等［26］基于五大單一原則，運用人均碳排放量、人口數量、產出額、地域空間面積和碳匯五項指標對中國各省份的碳權進行了分配；田云等［27］則結合公平性、效率性和保障性三大原則，選取人口數量、國內生產總值、碳生產力、林木畜積量、農作物播種面積五項指標設計了碳排放權區域分配模型。本文遵循指標構建的公平性、效率性、可行性和可持續性等原則，通過借鑒上述學者的研究成果，完成了本文的碳排放權分配指標體系構建，如表1 所示。

表1 黃河流域碳排放權分配指標體系

（1）公平性原則。公平指在既定規則下實現某種資源和經濟成果的平等占有，碳排放權分配的公平化有助于提高各主體的碳減排責任意識，實現減排目標。當人口數量越大時，能源消耗量也越大，相應地碳排放權配額也應該越大，因此，人口數量是正向指標；從需求公平來說，某地區的人均碳排放量越大，所需要的碳排放權也越多，因此，人均碳排放量屬于正向指標。

（2）效率性原則。效率性原則注重實現最佳投入產出比。碳排放權作為一種稀缺資源，在分配過程中應考慮到各地區的差異性，遵循效益最大化原則進行優化配置。本文選取能源消耗強度和碳生產力兩個指標度量效率性原則。其中，能源消耗強度反映了能源在生產過程中的利用效率，強度越高利用效率就越低，因此能源消耗強度是負向指標；碳生產力指單位碳排放所帶來的經濟貢獻，碳生產力的上升會使得定量物質及能源的產出效率更高，因此碳生產力是一個正向指標。

（3）可行性原則。可行性原則強調各省區是否具備完成規定碳排放限額的能力，即在不損害人民基本生活水平的前提下實現減排目標。因此，碳排放權應更偏向于分配給技術手段更先進、減排潛力更大的地區。以科技水平、第三產業比重兩個指標對可行性原則進行量化。其中，第三產業比重越高意味著產業結構越優，但減排空間及潛力卻會逐漸變小，因此需要配以較少的碳排放權；科技水平采用專利授權數代表，是正向指標，意味著某省區的科技水平能力越高，越能實現高碳行業的技術性減排，因此可以配以更多的碳排放權。

（4）可持續性原則。碳減排是一項長期性工作，碳排放權分配需要從長遠的角度出發，遵循可持續發展理念，同時兼顧到當代人和后代子孫的生存需求。本文選取了城市化率和森林覆蓋率兩個指標。其中，城市化進程中對生態所造成的損害不僅會影響城市經濟的可持續發展，也會對社會資源的可持續發展構成嚴重威脅，因此，城市化率為負向指標；森林覆蓋率為正向指標，在實際生產中，林木生長過程中所產生的光合作用能大量吸收空氣中的二氧化碳［28］，覆蓋率越大，碳吸收能力越強，不僅能保證生態系統的可持續性，更能有效地化解碳排放所引發的潛在危害。

2.2.2 指標的篩選與處理

為了增強碳排放權分配指標體系的客觀性和合理性，本文以2000—2018 年全國尺度的指標數據為基礎，對分配指標進行篩選和優化。首先，采用歸一化方法消除各指標間的量綱影響，計算公式如下：

式（1）中：Gij為第j項指標在第i年的歸一化結果，Yij為第j項指標在第i年的值；minj和maxj分別為第j項指標在2000—2018 年中的最小值和最大值。

其次，在各指標歸一化結果的基礎上，運用相關分析檢驗這8 個分配指標與碳排放量之間的相關性，剔除無相關和沒有通過顯著性檢驗(P＞0.05)的指標，以確保分配體系中的指標對碳排放量具有影響力。同時采用因子分析方法提取出分配指標的公因子，以消除高度相關帶來的共線性問題，計算公式如下：

式（2）中：Fk為第k個公共因子，αki為指標i在第k個公共因子中的系數，x1、x2……xi為第1 項至第i項分配指標。

2.2.3 碳排放權測算及省域分配模型

（1）碳排放權測算。根據我國政府提出的國家自主貢獻行動目標），2030 年碳排放強度較2005 年要實現60%～65%的下降目標。本文以65%為下降指標，利用2018 年的實際碳排放強度數據并結合GDP 預計增速估算我國2018—2030 年的碳排放權總量。估算方法借鑒了田云等［27］學者的思路，公式如下:

式（3）中：CA 為2018—2030 年我國碳排放權總量。CAt為我國第t年的碳排放權；GDP2018和I2018分別為2018 年我國GDP 總量和碳排放強度；P為未來GDP 年均增長率，對我國未來GDP 的年均增長率進行設定，即可推算出2019—2030 年各年份的GDP 總量，根據國家統計局2014—2018 年公布的數據可知，我國實際GDP 年均增速約6.0%～6.6%，為了保持經濟持續健康發展和減碳目標的實現，未來經濟增速存在進一步下降的可能，因此設定P值為6.0%；q為2019—2030 年碳排放強度的年均變化率，計算方法如下。

式（4）中：β為我國所要實現的碳排放強度減少目標，即65%；I2005、I2018、I2030分別為我國2005 年、2018 年和2030 年的碳排放強度。

（2）分配模型構建。各省區的碳排放權配額由各省區所占權重與全國碳排放權總量之積表示，其中，各省區所占權重指各省區預測碳排放量占全國碳排放總量的比重。首先計算出每年的公共因子得分，然后運用回歸分析法得到公共因子與碳排放量之間的回歸分析方程見式（5），最后根據2018 年全國的碳排放數據，預測未來12 年全國的碳排放量見式（6）。

式（5）（6）中：CEt為第t年的碳排放量，ACEl為第l省區的預測碳排放量。βk為第k個公共因子的回歸系數；Ftk和Flk分別為第t年和第l省區的第k個公共因子。β為常數項，ε為殘差項。

進一步計算我國30 個省、自治區、直轄市（未含西藏和港澳臺地區。下同）的碳排放權分配權重，計算公式如下：

式（7）中：Wl為第l省的碳排放權分配權重；ACEl為第l省區的預測碳排放量。

最后計算各省區的碳排放權見式（8）和碳排放權空間余額見式（9），計算公式如下：

式（8）（9）中：CEQl為2018—2030 年第l省區的碳排放權；CESl為2018—2030 年第l省區的碳排放權空間余額；CEl為2018 年第l省區的碳排放量。

2.3 數據來源

本文收集了2000—2018 年我國30個省、自治區、直轄市的數據。指標數據來源于2001—2019 年《中國統計年鑒》和各省份的《統計年鑒》、全國森林資源清查（1994—2018 年）資料報告、2001—2019年《中國能源統計年鑒》和中國碳排放數據庫（China Emission Accounts and Datasets，CEADs）。

3 黃河流域碳排放權的省域分配

3.1 黃河流域九省區碳排放權分配

3.1.1 九省區碳排放權分配權重

在指標的篩選和優化中，本文運用皮爾森相關性系數檢驗了8 項分配指標與碳排放量之間的相關程度（見表2）。結果顯示，8 項指標之間及其與碳排放量的相關系數絕對值均大于0.8，且P值都小于0.01，通過了顯著性檢驗。但由于指標之間存在多重共線性問題，為了保證后續結果的合理性，進一步采用因子分析對8 項指標進行降維處理，以消除不利影響。

表2 黃河流域九省區碳排放權分配指標與碳排放量相關性分析結果

采用Spss22.0 軟件得出的因子分析結果顯示，以1 個公共因子F1 代表這8 項指標，總體解釋方差為92.27%；KMO 值為0.821 且通過了Bartlett 球形檢驗，說明因子分析所得結果是相對合理的。進一步對公共因子F1和歷年碳排放量進行回歸分析，結果表明，公共因子F1對歷年碳排放量具有較高的解釋力且兩者呈正相關，其可決系數R2為0.924，標準化后系數為0.961。得到的F1表達式與回歸方程式如下所示:

式（10）（11）中：人均碳排放量、人口數量、碳生產力、第三產業比重、科技水平、城市化率、森林覆蓋率都與F1 呈正相關，能源消耗強度與F1呈負相關。結合得到的公因子表達式和回歸方程，可計算出黃河流域九省區的公因子得分和預測碳排放量，之后根據式（7）得出各省區的分配權重結果，如圖1 所示。從圖1 中可知，山東、四川和河南三省的碳排放權分配權重是較高的，分別為5.46%、3.93%、3.66%；青海和寧夏的分配權重最低，只有0.32%和0.30%。

圖1 黃河流域九省區碳排放權分配權重

3.1.2 九省區碳排放權配額

根據式（3）和式（4）估算得到我國2018—2030 年的碳排放權總量為1 837.48 億t，結合黃河流域九省區碳排放權分配權重，計算出黃河流域2018—2030 年的碳排放權總量為323.06 億t。其中，流域內九省區2018—2030 年每年的碳排放權配額（見圖2）以及這13 年的累積碳排放權總量（見圖3）。

圖2 2018—2030 年黃河流域九省區的碳排放權配額變化情況

圖3 2018—2030 年黃河流域九省區的累積碳排放權

由圖2 可知，2018—2030 年黃河流域九省區碳排放權配額的演變趨勢可以分為兩階段：第一階段是2018—2022 年，碳排放權配額呈現出“緩慢增加→快速增加→快速下降”的趨勢；第二階段是在2023—2030 年期間表現為逐年增加的趨勢。從增加量來看，山東2030 年的碳權配額增加最多，相較于與2018 年增加了4.94 億t；寧夏配額增加量最小，2030 年比2018 年增加了0.27 億t。

從圖3 來看，黃河中上游地區的碳排放權配額普遍較低，高配額大致集中在黃河下游地區。其中，配額總量最多的省份是山東省和四川省，分別為100.30 億t 和72.24 億t，河南省配額量位居第三，為67.29 億t，配額最少的省區是青海和寧夏，分別為5.79 億t 和5.46 億t。綜合來看，黃河流域各省區之間的碳排放權配額存在較大的差距，尤其是山東、河南、四川三省，其碳排放權配額遠遠高于流域內其他省份，在2018—2030 年的累積碳排放權總量中，配額最多與最少的省區之間足足相差了94.85億t。另外，根據上述所估算的2018—2030 年我國和黃河流域的碳排放權配額數據來看，黃河流域的碳排放權配額相對較低，只占全國的17.58%，而在2018 年黃河流域的碳排放量就占到了全國碳排放量的37.80%2），這種高排放與低配額之間的矛盾無疑會加大黃河流域的減排壓力。

3.2 九省的碳排放空間余額及其分類

根據式（9），本文計算得出2018 年黃河各省區的碳排放權初始空間余額以及九省區2018—2030年的累積碳排放權空間余額，見表3 所示。從表3中可看出，2018 年黃河流域總的碳排放權初始空間余額具有19.46 億t 的配額欠缺，流域內有8 個省份的碳排放權配額出現赤字，只有1 個省表現出盈余狀態，說明當前流域的碳排放總量遠遠高于其理論碳排放權，出現碳權赤字的8 個省區急需盡快改變此局面以避免對未來經濟發展造成不利影響。其中，內蒙古、山西和山東的碳排放權初始空間余額在九個省區中最低，分別為-6.79 億t、-4.70 億t 和-3.77億t，表現出“高排放，高赤字”的特征；四川的碳排放權初始空間余額為0.82 億t，位居黃河流域第一，也是當前黃河流域中唯一具有碳權盈余的省份。

表3 黃河流域九省區的碳排放量、碳排放權初始空間余額及累積碳排放權空間余額

從2018—2030 年黃河流域累積碳排放權空間余額來看，黃河流域的碳排放權將累積出現113.50 億t 的赤字。沿黃九省區中，山西、內蒙古、山東、甘肅、青海和寧夏的累積碳排放權空間余額均為負值，其中，內蒙古和山西存在嚴重的碳排放空間不足現象，其累積碳排放權空間余額分別為-78.34 億t 和-51.38億t；四川、河南和陜西的累積碳排放權空間余額分別為36.72 億t、8.37 億t 和2.66 億t，說明這三個省份未來的減排壓力相對不大，可考慮加快其目前經濟發展速度、大力發展生產力，充分發揮碳權盈余的優勢助推經濟向高質量發展邁進。

為了進一步分析黃河流域各省區的碳排放權情況，本文參考一些學者的分類標準［25］，結合黃河流域各省區碳排放權空間余額的數據情況，運用相等間隔法將碳排放權空間余額分為充分盈余、中度盈余、略微盈余、輕微赤字、中度赤字和嚴重赤字六類。

從2018 年九省區碳排放權初始空間余額分類情況來看，黃河流域內包含四類地區。一是略微盈余地區（初始空間余額介于0～1.50 億t 之間），包括四川，該地區屬于“低排放，高配額”地區，且經濟發展對高碳能源依賴度低，因此，理論上來講碳排放權滿足其目前的碳排放需求；二是輕微赤字地區（初始空間余額介于-1.50 億t～0 億t 之間），包括陜西、青海、甘肅和河南四省區，其中，青海和甘肅呈現出“低排放，低配額”的特征，這兩個省份較低的碳生產力和能源利用效率使其碳權分配較為有限；三是中度赤字地區（初始空間余額介于-3.00 億t～-1.50 億t 之間），包括寧夏，其初始碳排放權配額呈現出1.63 億t 赤字；四是嚴重赤字地區（初始空間余額小于等于-3.00 億t），包括山西、山東和內蒙古三省區。

從2018—2030 年九省區累積碳排放權空間余額分類情況來看，黃河流域內包含五類地區。一是充分盈余地區——四川，即累積碳排放權空間余額大于等于30.00 億t，該地區自身能耗水平較低，且森林覆蓋率高，碳排放量處于較低水平，碳排放空間相應較富足。二是略微盈余地區（累積碳排放權空間余額介于0～15.00 億t 之間），包括河南和陜西。其中，河南是一個農業生產大省，產生的碳排放量較高，但同時其也是人口大省，經濟體量大、人均碳排量較小，在碳強度目標下減排壓力相對不大；陜西作為一個能源大省，近年來不斷推進能源結構優化升級，大大地降低了碳排放水平，從而使其在未來的碳排放空間上存在一定余量。三是輕微赤字地區（累積碳排放權空間余額介于-15.00 億t～0億t 之間），包括青海、甘肅和山東。其中，山東表現出明顯的“高排放，高配額”特征，理論上的碳排放權年均配額占當前碳排放量的85%以上，減排壓力相對較小。四是中度赤字地區（累積碳排放權空間余額介于-30.00 億t～15.00 億t 之間），包括寧夏，余額總量為-17.58 億t。寧夏屬于典型的“低排放、低配額”地區，人口稀疏且經濟發展水平不高，科技水平較為落后，由此分配的碳排放權也相應較少，面臨著較大的減排壓力。五是嚴重赤字地區，即累積碳排放權空間余額小于等于-30.00 億t，包括內蒙古和山西兩省區。這兩個省區都屬于產煤大省，高耗能源的開發利用客觀上導致了兩省區碳排放量處于較高水平，而各自相對較低的森林覆蓋率又制約了其碳排放權的分配。總的來說，無論是在當前或是未來，黃河流域都亟需采取更加合理有效的措施去促進整體碳排放量的下降。

4 黃河流域碳減排潛力評估

4.1 碳減排潛力評估方法

在碳減排潛力研究中，本文借鑒學者Fried 等［29］的研究思路，運用最優能源效率法評估黃河流域九省區的碳減排潛力。該方法是以最高能源效率值作為參照值來估算碳減排潛力，但我國各省份之間差異性明顯，所能達到的最高能源效率是不同的，以一個最優值作為其他所有省區的標準有失公允。因此，本文從影響能源效率的因素考慮，選取了地區生產總值、能源消費量、第三產業比重、進出口總額4 項指標，基于2016—2020 年全國30 個省份數據，先采用k-均值法對這30 個省區進行聚類分析，后在此基礎上對2020 年黃河流域九省區的碳減排潛力進行測算。本文將能源效率定義為單位能源消耗量所對應的產出增加值，通過計算實際情況與最優情況的差距得出現有生產力水平下的碳減排潛力，計算公式如下所示：

式（12）和式（13）中：NEi為第i省份的能源效率，Pi為第i省份的碳減排潛力，NEm為最優能源效率的參考值，則有NEm=ym/sm；yi為第i省份的GDP，si為第i省份的能源消費量。

4.2 黃河流域九省區的碳減排潛力

根據碳減排潛力的評估方法要求，碳減排潛力評估是以能源效率最優省份的效率值作為參照，這意味著能源效率最優省區的碳減排潛力測算將為零。為了保證黃河流域各省區的碳減排潛力測算值非零且具有可比性，本文選取了我國30 個省份進行聚類分析，并通過式（12）計算出了這30 個省份的能源效率（見表4）。結果顯示，可以將這30 個省份分為五類：第一類為北京和上海；第二類為江蘇、山東和廣東；第三類為河北、山西、內蒙古、遼寧、安徽、河南、湖北、湖南、四川和新疆；第四類為浙江和福建；第五類為天津、吉林、黑龍江、江西、廣西、海南、重慶、貴州、云南、陜西、甘肅、青海和寧夏。

表4 我國30 個省份的能源效率情況

從黃河流域內的九個省區來看，大部分省區的能源效率都排在全國較后的位置，這說明黃河流域各省區的能源結構還有待進一步優化升級。從空間上來說，黃河流域九省區的能源效率呈現出“東南高，西北低”的分布特征，其中，河南和四川的能源效率最高，分別為2.46 萬元/t 標煤和2.29 萬元/t 標煤，寧夏的能源效率最低，為0.49 萬元/t 標煤，流域內其他省區的能源效率則都低于2 萬元/t 標煤。

根據表4 分別選取北京、廣東、湖北、福建和重慶的能源效率值作為這5 組的參照值，并通過式（13）得出2020 年黃河流域九省區的碳減排潛力，見圖4 所示。從圖4 中可知，黃河流域九省區之間的碳減排潛力差距較大，其潛力大小與流域能源效率大小的分布情況相反，呈現出“西北高，東南低”的分布特征。其中，寧夏的碳減排潛力最高，達82.46%，內蒙古、青海、山西、內蒙古和甘肅次之，分別為76.06%、74.30%、68.52%和60.54%，這說明目前這些省區在能源生產中仍存在投入過剩的現象，能源效率還有很大的提升空間，未來在科技創新水平不斷提高的基礎上減排壓力將有所緩解。山東位于我國華東地區，與流域內其他省區相比地理位置較優越、技術水平較高，這為其能源的高效利用提供了有利條件，碳減排潛力由此較低，但由于該省經濟發展仍很大程度依賴于工業產值，因此產業結構還存在一定的調整空間。陜西和四川兩省的碳排放量不高且能源效率較優，碳減排潛力也相應較小，分別為31.28%、14.15%。河南的碳減排潛力最低，只有7.88%。進一步觀察各省區碳減排潛力與其累積碳排放權空間余額，可以發現兩者之間表現出一定的相反性，碳減排潛力居于前列的寧夏、內蒙古、山西3 省區都存在較大的碳排放權缺額；而碳減排潛力處于較低水平的陜西、四川、河南3省區卻具有碳排放權盈余。

圖4 2020 年黃河流域九省區的碳減排潛力情況

5 結論及建議

5.1 結論

第一，黃河流域各省區碳排放權分配不均。2018—2030 年流域的碳排放權總量為323.06 億t，碳排放權配額大部分集中于中下游地區，上游地區的碳權配額較少。2018—2030 年黃河流域九省區的碳排放權總量由大到小依次是：山東、四川、河南、陜西、甘肅、山西、內蒙古、青海和寧夏。其中，配額總量最多的山東達100.30 億t；配額總量最少的寧夏為5.46 億t，兩者之間的碳排放權配額總量相差了94.85 億t。

第二，在現有的碳排放水平下，2018—2030 年黃河流域的理論碳排放權將累積出現113.50 億t 的配額欠缺。其中，內蒙古和山西的累積碳排放權空間余額最小，分別存在78.34 億t 和51.38 億t 的配額欠缺，屬于嚴重赤字地區；寧夏為中度赤字地區，累積碳排放權空余額為-17.58 億t；青海、甘肅和山東為輕微赤字地區，累積碳排放權赤字分別為0.45億t、5.56 億t 和7.94 億t；陜西、河南和四川則屬于碳排放權盈余地區，余額分別為2.66 億t、8.37億t 和36.72 億t。

第三，黃河流域九省區之間的碳減排潛力差異較大，呈現出“西北高，東南低”的分布特征。其中，寧夏、內蒙古和青海的碳減排潛力最高，分別為82.46%、76.06%和74.30%；山西、甘肅和山東的碳減排潛力處于居中水平；陜西和四川的碳減排潛力相對較小；河南最低，只有7.88%。流域內各地區的碳減排潛力與其累積碳排放權空間余額呈現出了一定的相反性，如碳減排潛力較高的內蒙古和山西存在較大的碳排放權缺額，碳減排潛力處于較低水平的陜西、四川、河南3 省區卻具有碳排放權盈余。

5.2 建議

一是對于碳權赤字高但減排潛力大的山西、內蒙古和寧夏，這些省區的經濟發展對煤炭消費依賴程度較高，應深入挖掘其節能減煤潛力，有序推進煤電功能定位調整；細化用煤項目管理，嚴控用煤增量；構建綠色責任賬戶，明確區域減碳目標，逐漸緩解地區碳排放權的緊張局面。

二是對于碳權赤字較高且減排潛力低的山東和河南兩地，應充分利用市場化手段，推動碳交易市場構建，及時調整碳權額度；加強碳市場和金融市場之間的聯系，引導金融機構向綠色低碳以及具有顯著碳減排效應的領域提供優惠政策，激勵企業加速減排。

三是對于碳權赤字較少且減排潛力大的青海和甘肅兩地，應充分發揮其清潔能源富集優勢，實現發展動能上的新轉換；構建以新能源為主體的新型電力系統，科學推進電力市場化改革；統籌實現碳減排考核與能耗雙控協同聯動，盡快扭轉地區碳排放權的赤字狀況。

四是對于碳權略有盈余但減排潛力低的陜西和四川兩地，應樹立碳資產理念意識，增強碳資產管理能力，避免造成碳權浪費；大力發展循環經濟，全面提高資源利用效率，減少能源消耗過程中的碳排放。

五是對于流域整體來說，一方面應建立流域協同減排機制，推動上中下游地區產業鏈聯動發展，實現流域內資源密集區向資源稀缺區的能源轉移，保證資源的合理配置和流域的共同減排；另一方面要加快打造碳交易信息和服務平臺，加強對碳市場的監管，圈定碳權價格的浮動空間，推動碳市場有序發展并及時調整碳權供需失衡現象，實現碳排放交易體制預期的環境效應。

注釋：

1）根據《2021 年中國統計年鑒》和《2020 年中國能源統計年鑒》計算得出。

2）根據CEADs 所公布的Emission inventories for 30 provinces 2018計算得出。網址為：https://www.ceads.net/user/index.php?id=1095&lang=en.