我國省域CO2-PM2.5-O3時空關聯效應與協同管控對策

李 飛,董 瓏,孔少杰,屈志光,郭錦媛,周媛媛,歐昌宏

我國省域CO2-PM2.5-O3時空關聯效應與協同管控對策

李 飛*,董 瓏,孔少杰,屈志光,郭錦媛,周媛媛,歐昌宏

(中南財經政法大學信息與安全工程學院,環境與健康研究中心,湖北 武漢 430073)

首先分析了2015～2019年我國省域CO2排放量和大氣PM2.5、O3污染濃度的時空特征及三者變化量之間的關聯效果.而后利用排放因子法編制2011～2019年各省CO2和PM2.5、O3前體物的排放清單,結合STIRPAT模型分情景預測了CO2和PM2.5、O3前體物的協同效應,并建立評級體系識別重點管控區域并對其開展分部門的協同效應解析,最后提出分級協同管控對策.研究結果表明,53%的省份CO2減排與PM2.5濃度下降之間不存在關聯效果,87%的省份CO2減排與O3濃度下降之間不存在關聯效果.2012～2014年我國CO2與PM2.5具有協同效應,而2015～2019年則不具有該效應,另多數研究年份CO2與O3前體物具有協同效應,但并未出現減污降碳協同效應.基于協同效應系數分析,低碳情景下達到協同效應的省份多于基準情景.根據評級體系將所研究的省份分為4級管控區域,“Ⅰ級管控區域”各部門應優先考慮CO2和PM2.5的協同減排,“Ⅱ級管控區域”各部門應優先考慮CO2和O3的協同減排,建議各部門參照低碳情景發展,“Ⅰ、Ⅱ級管控區域”需合理調控人口和城鎮化率,優化能源結構等.

減污降碳；協同效應；時空特征；STIRPAT模型；分級管控；PM2.5；O3

自2013年以來,中國先后采取《大氣污染防治行動計劃》、《打贏藍天保衛戰三年行動計劃》等多項措施有效地改善了大氣污染狀況,提高了空氣質量,但截止2021年,全國仍有近30%的城市PM2.5平均濃度超標,我國PM2.5污染問題仍然嚴峻.同時,根據《2021中國生態環境狀況公報》,我國處于O3超標污染的天數占總污染超標天數的34.7%,僅次于PM2.5超標污染39.7%的占比[1],O3污染也成為另一重點大氣環境問題.此外全球氣候形勢嚴峻,為應對全球氣候變暖,我國政府于2020年提出“雙碳目標”彰顯了大國擔當[2].鑒于CO2排放與大氣污染排放具有同根同源、相互作用的關聯屬性,因此具備實現局地大氣污染物與CO2協同減排的較大潛力.

“協同控制”由IPCC提出,即為獲得溫室氣體和大氣污染物減排協同效應采取的管控措施.隨著相關研究的深入,越來越多的學者基于建立的減污降碳協同作用模型來評估協同治理措施成效,以得到合理的協同減排路徑.如Liu等[3]和Wang等[4]基于協同治理模型探索了大氣污染物與溫室氣體的協同減排路徑.然而,上述研究多集中于對傳統大氣污染物(SO2、PM2.5、NO等)與CO2的協同效應的分析,而近年來O3污染日益凸顯,故亟需探索CO2、PM2.5和O3三者之間的協同效應.另有學者對建立CO2排放清單[5-7]與大氣污染物排放清單[8-9]進行了研究,為本文編制CO2、PM2.5和O3前體物排放清單提供了良好基礎.此外,也有不少學者的研究是基于STIRPAT模型對CO2與典型大氣污染物排放量的預測,如羅紅成等[10]和劉茂輝等[11]基于該模型分別預測了湖北省和天津市“十四五”期間的溫室氣體與大氣污染物排放量.STIRPAT模型克服了傳統模型中因素以相同彈性影響環境的不足,能同時比較不同因素對環境的影響水平,并能根據研究內容對環境影響因素進行適當分解,增強模型的分析能力,已被廣泛應用于大氣污染物和碳排放的預測[12-13],為本文預測“碳達峰”情景下CO2排放和典型大氣污染物排放提供了理論工具.綜上,目前對CO2和典型大氣污染物的研究雖相對豐富,但缺乏對我國省域CO2和PM2.5、O3三者協同效應的分析,難以識別三者協同效應在多層次尺度和未來情景下的特征,也就無法制定區域差異化協同管控對策并實現科學且高效的協同管控.

面對上述問題,本研究首先量化解析了2015～2019年我國省級CO2排放量和大氣PM2.5、O3污染濃度的時空特征和下降量關聯效果.其次為提高模型預測的精準度[14-15],利用排放因子法編制2011～2019年各省CO2和PM2.5、O3前體物的排放清單,并量化分析CO2和PM2.5、O3前體物的協同效應.然后結合STIRPAT模型分情景預測在“碳達峰”路徑下CO2和PM2.5、O3前體物的協同效應,并建立評級體系識別重點管控區域并開展分部門的協同效應解析,最后設計分級協同管控對策.根據區域分級情況和各部門協同效應分析,能夠針對重點區域和部門提出協同管控對策,以期為政府部門關于區域減污降碳的高效管理與優化決策提供理論支撐.

1 材料與方法

1.1 數據來源

表1 能源消費部門分類情況

續表1

序號社會經濟部門分類 41運輸、儲存、郵政和電信服務服務業 42批發、零售、貿易、餐飲服務 43其他服務部門 44農業、林業、畜牧業、漁業、水利等方面農業、建筑業、家居 45建筑部門 46城市居民能源使用 47農村居民能源使用

本文以2011～2019年我國30個省、自治區和直轄市(西藏、港、澳、臺資料暫缺)為研究對象,涉及的能源種類包括原煤、洗精煤、其他洗煤、型煤、焦炭、焦爐煤氣、其他煤氣、其他焦化產品、原油、汽油、煤油、柴油、燃料油、天然氣與其他石油產品共15種.能源消費數據來源于中國碳核算數據庫(CEADs),并將該數據與國家統計局和各省統計局《2011～2019年中國能源統計年鑒》進行驗證,確保其準確性.人口、城鎮化率、地區生產總值、產業結構、能源強度和能源結構數據來源于國家統計局和各省統計局《2011～2019年統計年鑒》.為識別各部門相關情況,參照Shan等[16]研究將能源部門分為重工業、能源生產、輕工業、服務業和農業,建筑業,家居5個部門,如表1所示.

2015～2019年O3和PM2.5的濃度數據來自于中國生態環境部發布的全國空氣質量日報(http://www. mee.gov.cn/),該部門于2015年1月1日起實時發布全國338個地級及以上城市1436個國控監測站點包括PM2.5和O3在內六項指標實時數據,因此本研究PM2.5、O3污染濃度的時空特征從2015年開始,從中計算30個省2015～2019年PM2.5的年均值和O3日最大8h平均值的年均值.基于環境保護部發布的《環境空氣質量評估技術規范》(HJ663–2013)[17],城市大氣PM2.5與O3的年評價分別采用年均值(AM)和日最大8h平均第90百分位數(MDA8-90%)濃度 值.

1.2 時空關聯效應

本文的時空關聯效應包括兩層含義,一是CO2-PM2.5-O3的時空特征,反映在CO2-PM2.5-O3研究期間內的空間自相關特征;二是CO2減排量和PM2.5、O3濃度下降量的關聯效應,反映在省級CO2減排量與PM2.5、O3濃度下降量自身是否存在關聯效應.

1.2.1 空間自相關 全局莫蘭指數是最常用分析空間自相關的方法.Moran’s計算如下:

式中:為監測省份數量;x和x分別為省份和的不同觀測值;為空間權重矩陣.

全局莫蘭指數只能判斷是否存在聚集現象,而無法反映聚集是高值還是低值組成[18].因此需要利用冷熱點分析,計算如下:

1.2.2 關聯效應 本文的關聯效應分為兩種:一是正向的關聯效果,即CO2減排量與PM2.5、O3濃度下降量的關聯效果;二是負向的關聯效果,即CO2增排量與PM2.5、O3濃度增加量的關聯效果.以橫軸為CO2減排量、縱軸為PM2.5或O3濃度下降量建立坐標系對各省進行劃分,第一象限為該省份CO2減排量與PM2.5、O3濃度下降量存在關聯效果,第三象限為該省份CO2增排量與PM2.5、O3濃度增加量存在關聯效果,第二、四象限則為該省份CO2與PM2.5、O3不具有關聯效果.CO2減排量與PM2.5、O3濃度下降量利用《中國城市二氧化碳和大氣污染協同管理評估報告》中的方法計算,核算公式如下:

1.3 CO2、PM2.5和O3排放量核算方法

參考《IPCC國家溫室氣體排放清單》及《省級溫室氣體清單編制指南》中碳排放的核算內容和方法[19-20],本文對CO2排放量的核算公式如下:

式中:c為CO2排放量,kg;為能源品種;A為能源的消費量,kg; LCV為平均低位發熱值,kJ/kg; CC為單位熱值碳含量,tC/TJ; COR為碳氧化率.

目前尚缺乏O3排放清單的相關研究,而NO和VOCs是O3的主要前體物,兩者協同減排能改善O3污染[21-22],因此本文探索用NO和VOCs排放量來代替O3與CO2、PM2.5進行協同效應分析.參考Liu等[23]基于排放因子核算大氣污染物排放量的方法,PM2.5、NO、VOCs的核算公式如下:

式中:E為污染物排放量,kg;為能源的消費量,t; EF為排放因子,kg/t;為污染物去除效率,%;分別代表污染物類型、能源品種、省(直轄市、自治區).PM2.5排放因子參考Zheng等[24]和Huang等[25]的研究,NO排放因子參考大氣污染物排放清單編制手冊[26]以及Liu等[27]和Bai等[28]的研究,VOCs排放因子參考余宇帆等[29]和陳穎等[30]的研究.

1.4 協同效應系數

減污降碳協同效應系數可以定量描述溫室氣體與大氣污染的協同減排效應,常用的協同系數是減排量交叉彈性系數[31],核算公式如下:

1.5 STIRPAT模型

為克服IPAT等式各因素等比例影響環境壓力的不足,York等[32]基于IPAT等式,構建了STIRPAT模型,其表達式為:

式中:為常數;為指數項;為誤差項.

參考潘棟等[33]和黃莘絨等[34]的分析,將人口()和城鎮化率()看作人口要素,將地區生產總值()和產業結構(IS)看作富裕程度要素,將能源強度(EI)和能源結構(ES)看作技術水平要素,得到拓展的STIRPAT模型,為消除模型中可能存在的異方差,將所有變量進行對數化處理,模型最終擴展形式如下:

式中:為典型大氣污染物排放量或CO2排放量,t;為彈性系數; ln作為常數項; ln作為誤差項,變量描述如表2所示.

在使用STIRPAT模型研究大氣污染或溫室氣體排放時,構建的多元線性回歸模型易產生多重共線的問題,而嶺回歸法能消除多重共線性的影響,使回歸結果更有效[35],因此本文使用嶺回歸進行多元線性回歸模型的構建.

表2 STIRPAT模型變量

1.6 情景設置

在基準情景下,各省具體參數值根據全國參數設定值與地區歷史發展情況調整得出.人口設定根據《國家人口發展規劃》,同時將國家實施“二孩政策”的影響考慮在內[36].GDP設定根據我國“十四五”規劃中對經濟增長做出的定性表述,參考了國家經濟發展規劃和《中國能源展望2030》的設定[37].城鎮化率設定根據“十四五”規劃以及袁方成對我國2016～2030年城鎮化進程的預測研究[38].產業結構的變化根據“十四五”規劃和2035年遠景目標綱要中指出的第二產業結構化升級與目標設定.能源結構和能源強度均參照我國“十四五”規劃和劉彥迪對我國2022～2030年能源強度年均增長率的研究來設定其變化率[39].在低碳情景下,需要進一步調整能源結構、能源強度和產業結構來降低我國大氣污染物和CO2排放量.但考慮到國家及地方在實施節能減排政策時,勢必會對經濟社會發展帶來影響,因為節能減排會減少化石能源投入、將我國產業由第二產業主導轉向第三產業主導模式,所以人口、經濟和城鎮化率年均變化率也需進行適當調整,使得我國能在2030年前實現碳達峰[40-41],參考王勇等[42]和鄧小樂等[43]研究的設定,具體參數見表3.

表3 基準情景與低碳情景各省各因素變化率設置

注:負號代表各因素年均下降率.

2 結果與討論

2.1 CO2排放量與PM2.5、O3濃度的空間自相關分析

2.1.1 全局空間自相關檢驗 為分析我國30個省份CO2排放量、大氣PM2.5和O3濃度的空間集聚性,對CO2排放量、PM2.5和O3(MDA8-90%)的年均值濃度的空間集聚效應進行檢驗,檢驗結果如表4所示.2015～2019年CO2排放量的Moran’s為正且Z值均大于1.96,表明在95%置信度下CO2排放量具有空間正相關.2015～2019年PM2.5與O3的Moran’s也為正且值均大于2.58,表明在99%置信度下各省PM2.5和O3的污染均具有空間正相關.研究期間CO2和PM2.5的Moran’s值波動較小,表明CO2排放量和PM2.5濃度集聚特征較穩定,而O3濃度相比于2015年,Moran’s值有大幅的上升,表明省份間O3濃度的集聚特征顯著增強.

2.1.2 冷熱點分析 為進一步探討CO2排放量、PM2.5與O3濃度是高值聚集還是低值聚集,繪制了30個省CO2排放、PM2.5和O3年均值濃度的冷點和熱點區域分布圖(圖1).結合PM2.5和O3的冷熱點區域空間分布圖,進一步分析可知:2015～2019年PM2.5和O3年均值濃度均呈現空間聚集特征,冷點和熱點區域分布大致相同,城市集群具有較強的聚集效應.此外,PM2.5和O3的熱點區域分布大致相同,主要覆蓋華北平原全境,包括北京、天津、河北、河南、山東、江蘇和安徽,向南延伸至長江中下游平原區域,包括安徽、江蘇、上海,向西以汾渭平原為界.而CO2排放的熱點區域集中在東部的北京、天津、河北、山東和江蘇,這與PM2.5和O3的熱點區域有較大空間特征差異,故需對CO2減排量和PM2.5、O3濃度下降量的協同效果進一步評估.

表4 2015～2019年空間自相關檢驗

2.1.3 CO2減排量與PM2.5、O3濃度下降關聯效果 在計算得出2015～2019年CO2減排量與PM2.5、O3濃度下降量的基礎上,結合散點圖,進一步對CO2與PM2.5、O3關聯效果進行評價.圖2a顯示了CO2減排量與PM2.5濃度下降量的關聯效果,可以看出14個省份位于第一象限,說明這14個省份較好地實現了CO2減排量和PM2.5下降量的關聯效果,其中河南和浙江離原點最遠,說明關聯效果最好.而超過一半的省份位于第二象限,說明了這些省份并未呈現CO2減排量和PM2.5下降量的關聯效果.從圖2b CO2減排量與O3濃度下降量的協同效果可知,上海、北京、吉林、重慶4省份位于第一象限,說明這些省的CO2減排量與O3濃度下降量表現出關聯性,但減排和下降的力度都相對較小,其余87%的省份CO2減排與O3濃度下降之間尚不存在關聯效果.因此,為進一步探究“碳達峰”路徑下三者的協同效應,亟需建立CO2和大氣污染物PM2.5和O3前體物的排放清單,以探索三者排放量的時空特征及部門貢獻,為實現省級減污降碳協同增效優化目標提供科學依據.

圖1 2015～2019年中國CO2排放量和PM2.5、O3濃度冷熱點空間分布

審圖號:GS(2019)1822;臺灣省、西藏自治區、香港、澳門特別行政區資料暫缺,下同

圖2 CO2減排量與PM2.5濃度下降量和O3濃度下降量關聯效果

2.2 CO2、PM2.5和O3前體物排放量的時空特征

圖3 2011～2019年中國CO2和典型大氣污染物排放量變化趨勢

2011～2019年中國CO2、PM2.5、NO和VOCs排放總量變化趨勢如圖3所示.可以看出,自2011年以來,中國每年CO2排放量都超過100億t,呈逐年增長的趨勢,在2018和2019年CO2排放量均超過了110億t,可見對于CO2減排仍是艱巨的任務.我國PM2.5排放量在2011～2012年有略微的增長,且都高于1200萬t,而2012年以后PM2.5排放量呈現逐年降低的趨勢,且PM2.5排放量從1200萬t以上降至1000萬t以下,下降程度顯著,這表明了中國歷年來的大氣污染防治行動不僅有效且成效顯著.2011～ 2019年中國NO年排放量在1300～1500萬t之間波動,而我國2011～2019年VOCs年排放量逐年遞增且均超過2000萬t,超過了PM2.5、NO的排放量,已成為目前我國大氣污染的主要來源.

2011～2019年中國各部門CO2、PM2.5、NO和VOCs排放量的貢獻率如圖4所示.各部門對CO2排放貢獻率由高到低依次為:重工業>能源生產>服務業>農業,建筑業,家居>輕工業,重工業部門對CO2排放的貢獻率在38.7%～40.76%之間,且2019年貢獻率最大達到40.76%.各部門對PM2.5排放的貢獻率由高到低依次為:能源生產>重工業>農業,建筑業,家居 >服務業>輕工業.能源生產對PM2.5排放的貢獻率在47.9%～54.2%之間,分別在2011、2013和2019年超過50%;各部門對NO排放的貢獻率由高到低依次為:重工業>能源生產>服務業>農業,建筑業,家居 >輕工業,這與各部門對CO2排放的貢獻率趨勢相同.各部門對VOCs排放的貢獻率由高到低依次為:能源生產>重工業>輕工業>服務業>農業,建筑業,家居.能源生產對VOCs排放的貢獻率在56.14%～ 61.31%之間,2011～2019年均達到50%以上.可見,不同部門對CO2、PM2.5和O3前體物排放量的貢獻率有很大差別,重工業和能源生產部門是主要貢獻部門,為深入分析CO2和PM2.5、O3前體物的協同效應,有必要開展分部門研究.

圖4 2011～2019年各部門CO2和典型大氣污染物排放量貢獻率

2011～2019年中國30個省各部門CO2、PM2.5、NO和VOCs排放量如圖5所示.總體來看,CO2、PM2.5、NO和VOCs的排放量主要集中在中東部地區,重工業和能源生產部門是造成各地區排放量較高的主要部門.從省份來看,大部分省份重工業部門CO2排放量最高,尤其是一些東部地區的省份,如河北省每年重工業CO2排放量最高達到600百萬t以上,江蘇省和山東省每年達到了300百萬t以上.絕大多數省份能源生產部門PM2.5和VOCs排放量最高,2011年東部地區的河北省和山東省能源生產部門PM2.5排放量超過了40萬t,但2019年各省份PM2.5排放量明顯減少;2011年幾乎所有省份能源生產VOCs排放量都低于100萬t,但2019年河北省和山東省能源生產VOCs排放量明顯升高且都高于100萬t.絕大多數省份重工業NO排放量最高,尤其是東部地區的河北省、江蘇省、山東省重工業NO排放量高于40萬t.可見CO2、PM2.5和O3前體物存在顯著的空間集聚特征,故應該以這些地區為重點推進減污降碳協同控制.

圖5 中國30個省的部門CO2、PM2.5、NOx和VOCs排放量空間特征

2.3 CO2、PM2.5和O3前體物排放量的回歸結果

基于2011～2019年的數據,CO2、PM2.5、NO和VOCs排放量的預測模型回歸結果如表5所示.由表可知,在其他條件不變時,GDP每增加1%,CO2排放量平均增加0.205%,PM2.5排放量平均減少0.409%, NO排放量平均減少0.195%,VOCs排放量平均增加0.948%;人口規模每增加1%,CO2排放量平均增加3.396%,PM2.5排放量平均減少1.304%, NO排放量平均減少5.931%,VOCs排放量平均減少5.991%;能源結構每變動1%,即煤炭占能源消費總量比重每增加1%,CO2排放量平均減少1.466%, PM2.5排放量平均減少1.245%,NO排放量平均減少1.976%, VOCs排放量平均增加0.884%;能源強度每增加1%, CO2排放量平均增加0.405%,PM2.5排放量平均增加0.523%,NO排放量平均增加0.58%,VOCs排放量平均增加0.303%;產業結構每增加1%,CO2排放量平均減少0.286%,PM2.5排放量平均減少0.335%, NO排放量平均增加0.272%,VOCs排放量平均減少0.042%;城鎮化率每增加1%,CO2排放量平均減少2.464%,PM2.5排放量平均減少0.211%,NO排放量平均增加1.45%,VOCs排放量平均增加1.058%.因此,人口、城鎮化率和能源結構是CO2、PM2.5和O3前體物排放量的主要影響因素.

表5 全國CO2、PM2.5、NOx和VOCs排放影響因素系數

2.4 CO2和PM2.5、O3前體物協同效應的時空特征與預測

圖6 2011～2019年我國CO2和PM2.5、O3前體物協同效應

圖6顯示了我國2011～2019年CO2和PM2.5、O3前體物協同效應的時空演變.由圖可知在2012～2014年,我國CO2和PM2.5的協同效應系數大于0.其中在2013年CO2和PM2.5同時減排,具有減污降碳協同效應.但在2012年和2014年CO2和PM2.5排放量同時增加,因此并未出現減污降碳協同效應.在2015～2019年我國CO2與PM2.5的協同效應系數小于0,表明不具有協同效應,原因是這幾年隨著大氣污染防治行動計劃等政策的實施,空氣質量得到良好的改善,PM2.5的排放量逐年減少,而由于經濟的發展,對能源的消耗短時間內不會大量縮減,所以CO2排放呈現緩慢的增長,因此會出現CO2和PM2.5減排不具有協同效應的現象.在2012年、2014～2016年和2018～2019年我國CO2和O3前體物的協同效應系數大于0,但這期間CO2和O3前體物同時增排,所以并未出現減污降碳協同效應.在2013年和2017年CO2和O3前體物之間不具有協同效應.因此,亟需設定合理情景,以推動三者協同減排,實現減污降碳協同效應.

表6 2030年CO2和PM2.5、O3前體物之間的協同效應系數

續表6

省份CO2和PM2.5CO2和O3前體物 基準情景低碳情景基準情景低碳情景 重慶-11.38-19.99-27.66-14.69 四川-3.00-3.701.171.05 貴州0.83-8.65-1.38-1.60 云南0.240.453.042.78 陜西1.011.430.911.23 甘肅-6.36-0.870.861.14 青海-0.381.522.482.14 寧夏-1.85-13.301.3919.67 新疆3.342.052.331.71

預測得出“碳達峰”路徑下各省CO2和PM2.5、CO2和O3前體物協同效應系數如表6所示.總的來說,低碳情景下達到協同效應的省份明顯多于基準情景.在基準情景下,吉林等一半省份的CO2和PM2.5不具有協同效應,黑龍江等12個省份的CO2和O3前體物不具有協同效應.而低碳情景下,北京由既不具有CO2和PM2.5協同效應、也不具有CO2和O3前體物協同效應轉變為都具有協同效應.安徽、青海由不具有CO2和PM2.5協同效應轉變為具有協同效應.黑龍江、上海、海南由不具有CO2和O3前體物協同效應轉變為具有協同效應.可以看出低碳情景既有利于達到CO2和PM2.5的協同性,也有利于達到CO2和O3的協同性.此外在基準情景下,吉林等19個省份至少存在一種不具有協同效應的情況,鑒于此,下文開展分級研究.

2.5 省域分級協同管控和部門管理

2.5.1 評級體系 為了更科學地篩選出協同管控區,基于2011～2019年各省CO2、PM2.5與O3前體物的排放量的現狀以及基于預測數據計算的協同效應系數,建立了省域CO2、PM2.5與O3的分級管理體系.首先計算2011～2019年各省污染物排放總量的平均值,CO2排放量平均值為180百萬t,PM2.5排放量平均值為37萬t,O3前體物排放量平均值為121萬t.研究將CO2和污染物排放量都高于平均值的認為高排放,否則認為低排放,其次CO2和污染物之間協同效應系數為正表明具有協同效應,否則不具有協同效應.具體分為4個等級,如表7所示.

基于表7中的等級劃分,可得到各省相關的CO2、PM2.5、O3協同管控等級和空間分布,如圖7所示.由圖可知,兩種情景下各省的等級分布十分相似,基準情景下,“Ⅰ級管控區域”為山東、河北、江蘇、廣東、山西、湖北、安徽、四川和黑龍江9省,說明這些省份的CO2、PM2.5、O3前體物排放量較高且不具有協同效應,因此對于此類區域既要關注CO2和污染物的排放,也要關注CO2和污染物之間的協同減排.“Ⅱ級管控區域”為內蒙古、陜西、河南、湖南和遼寧5省,此類區域污染物排放量高,但是污染物之間具有協同效應.“Ⅲ級管控區域”為重慶、貴州、甘肅、青海、寧夏、海南、江西、吉林、北京和上海10省.“Ⅳ級管控區域”為廣西、云南、新疆、天津、浙江和福建6省.與基準情景相比,低碳情景下安徽和黑龍江兩省由Ⅰ級變為Ⅱ級,上海、北京、青海和海南由Ⅲ級轉為Ⅳ級,說明低碳情景可以促使這些省份的CO2、PM2.5、O3達到一定的協同減排效果,同時也說明了對低排放的省份作用更強.

表7 CO2、PM2.5、O3分級管理體系評價等級

2.5.2 重點省份各部門協同效應分析 將2.5.1中具有高排放量的“Ⅰ級管控區域”和“Ⅱ級管控區域”的省份確立為重點省份來研究其部門的CO2和PM2.5、O3協同效應,分部門將協同效應系數置于二維坐標系中分析.在二維坐標系中,橫軸為CO2和PM2.5協同效應系數,縱軸為CO2和O3協同效應系數,協同效應系數為正說明具有協同減排或增排效應,系數為負則說明既不具有協同減排效應也不具有協同增排效應.位于第一象限的省份CO2和PM2.5、CO2和O3具有協同減排或增排效應;第二象限的省份CO2和O3具有協同減排或增排效應,而CO2和PM2.5不具有協同效應;第三象限的省份三者都不具有協同效應;第四象限的省份CO2和PM2.5具有協同效應,CO2和O3不具有協同效應.將熱點省份各部門污染物的協同情況分為四種,如圖8.

由圖8可知,重工業部門四川省應該注重三者的協同發展,江蘇等4個省份應注重CO2和PM2.5的協同,內蒙古等6個省份應注重CO2和O3的協同.能源生產部門河北等4個省份應注重三者的協同,廣東等4個省份應注重CO2和PM2.5的協同,安徽等4個省份應注重CO2和O3的協同.輕工業部門河北等3個省份應該注重三者的協同發展,山西等3個省份應注重CO2和PM2.5的協同,黑龍江等5個省份應注重CO2和O3的協同.服務業部門四川省應該注重三者的協同發展,湖北等7個省份應注重CO2和PM2.5的協同,黑龍江等4個省份應注重CO2和O3的協同.農業、建筑業、家居部門安徽等4個省份注重三者的協同發展,湖北等3個省份應注重CO2和PM2.5的協同,四川等5個省份應注重CO2和O3的協同.低碳情景下的省份協同效果優于基準情景,表明低碳發展對各省CO2和PM2.5、O3協同有一定的作用.其次,由圖可以看出,各部門低碳情景下對PM2.5和CO2的協同效果優于對O3和CO2的協同效果.有部分省份O3和CO2在基準情景下各部門具有協同效果,而在低碳情景下不具有協同效果,一部分原因是在基準情景下這些省份O3和CO2的協同效果為增排效果,而在低碳情景下O3或CO2有了減排效果.如湖南省重工業部門在基準情景下O3和CO2都為增排,故系數為正在第一象限具有協同效應,而低碳情景下CO2減排、O3增排,故系數為負在第四象限不具有協同效應.

圖7 各省CO2、PM2.5、O3協同管控等級

綜上,“Ⅰ級管控區域”大多位于第二象限,因此對于“Ⅰ級管控區域”各部門應優先考慮CO2和PM2.5的協同效應;“Ⅱ級管控區域”大多位于第四象限,故對于“Ⅱ級管控區域”各部門應優先考慮CO2和O3的協同效應,同時各部門在低碳情景下有更好的協同效果,故在未來發展中鼓勵發展低碳情景.

圖8 熱點省份各部門CO2和PM2.5、O3協同效應坐標系

3 結論與政策建議

3.1 結論

3.1.1 2015～2019年CO2排放量、PM2.5和O3濃度都具有顯著的空間集聚特征,其中CO2排放量的熱點區域集中在東部地區,PM2.5和O3濃度的熱點區域集中在華北平原和長江中下游區域.53%的省份CO2減排與PM2.5下降之間不存在協同效果,87%的省份CO2減排與O3濃度下降之間不存在協同治理效果.

3.1.2 2011～2019年我國CO2排放量超過100億t且呈現逐年增加的趨勢;PM2.5排放量呈現逐年降低的趨勢;O3前體物NO和VOCs的排放量逐年增加.重工業和能源生產部門是CO2、PM2.5和O3前體物排放量的主要貢獻部門.STIRPAT模型回歸結果顯示,人口、城鎮化率和能源結構是CO2、PM2.5和O3前體物排放量的主要影響因素.

3.1.3 2012～2014年我國CO2與PM2.5具有協同效應,而2015～2019年我國CO2與PM2.5不具有協同效應;CO2與O3前體物多數年份都具有協同效應,但由于CO2和O3前體物排放量持續增加,并未出現減污降碳協同效應.利用情景分析法依據“碳達峰”目標設置了基準情景和低碳情景,預測CO2和PM2.5與CO2和O3前體物的協同效應系數,結果表明,低碳情景下達到協同效應的省份明顯多于基準情景.

3.1.4 依據排放量和協同效應系數將各省分為四個級別管控區:“Ⅰ級管控區域”為山東等9個省份;“Ⅱ級管控區域”為內蒙古等5個省份;“Ⅲ級管控區域”為重慶等10個省份;“Ⅳ級管控區域”為廣西等6個省份.進一步對“Ⅰ、Ⅱ級管控區域”各部門CO2和PM2.5、O3的協同效應分析得出:“Ⅰ級管控區域”各部門CO2和PM2.5不具有協同效應,因此應優先考慮CO2和PM2.5的協同減排;“Ⅱ級管控區域”各部門CO2和O3不具有協同效應,因此應優先考慮CO2和O3的協同減排.

3.2 政策建議

3.2.1 建立重點污染部門精細化的CO2和典型大氣污染物排放清單,提升“數字化網格監管”能力.根據前述研究,能源生產和重工業部門對CO2和典型大氣污染物的貢獻最高,故針對這兩個部門應提升環境監測溯源能力,構建重點污染部門準確、精細化的CO2和典型大氣污染物排放清單,從而精準識別污染源,明確不同部門的CO2和典型大氣污染物排放量,形成“環境監測—污染源管控”一張網,為重點污染部門、重點污染源分類管理提供信息支撐.

3.2.2 注重頂層設計,推進CO2和典型大氣污染物高排放區域科學減排.研究發現,人口和城鎮化率是形成“Ⅰ、Ⅱ級管控區域”CO2和典型大氣污染物高排放的關鍵影響因素,因此政府應注重人口規模,合理控制城鎮化率,科學制定發展規劃.其次,優化能源結構,即降低煤炭在能源消耗中的占比,鼓勵支持“Ⅰ、Ⅱ級管控區域”使用天然氣、風能、太陽能等清潔能源.此外,淘汰落后工藝和設備,降低能源強度,推動“能耗雙控”與“雙碳”目標接軌,助力實現高排放區域減污降碳.

3.2.3 堅持“一域一策”的精準治理思想,制定區域差異化協同減排政策.由于CO2和典型大氣污染物具有顯著的空間集聚特征,考慮省份之間的相互作用和異質性分區域治理將更能精準有效的實現協同減排.對“Ⅰ級管控區域”各部門應優先考慮CO2和PM2.5的協同減排;對“Ⅱ級管控區域”各部門應優先考慮CO2和O3的協同減排,同時各部門在低碳情景下有更好的協同效果,故在未來鼓勵發展低碳情景,充分發揮人口、城鎮化率、能源結構等因素組合調整優勢,高效地實現區域間減污降碳協同增效.

[1] 中華人民共和國生態環境部.2021中國生態環境狀況公報 [R]. 北京:生態環境部, 2022.

Ministry of Ecology and Environment of the People’s Republic of China. 2021 China Ecological and Environment Bulletin [R]. Beijing: Ministry of Ecology and Environment of the People’s Republic of China, 2022.

[2] 中央政府網站.在第七十五屆聯合國大會一般性辯論上的講話[EB/OL].www.gov.cn/gongbao/content/2020/content_5549875.htm 2020-09-22.

Central government website. Address to the General Debate of the 75th Session of the United Nations General Assembly [EB/OL].www.gov.cn/gongbao/content/2020/content_5549875.htm 2020-09-22.

[3] Liu F, Klimont Z, Zhang Q, et al. Integrating mitigation of air pollutants and greenhouse gases in Chinese cities: development of GAINS city model for Beijing [J]. Journal of Cleaner Production, 2013,58:25-33.

[4] Wang Y, Wang X, Ning M, et al. The collaborative pollutants and carbon dioxide emission reduction and cost of ultra-low pollutant emission retrofit in China's cement kiln [J]. Journal of Cleaner Production, 2023,405:136939.

[5] Ma L, Cai B F, Wu F, et al. Hourly disaggregation of industrial CO2emissions from Shenzhen, China [J]. Environmental Pollution, 2018, 236:396-404.

[6] Gao Y, Zhang L, Huang A S, et al. Unveiling the spatial and sectoral characteristics of a high-resolution emission inventory of CO2and air pollutants in China [J]. The Science of the total environment, 2022, 847:157623.

[7] Chen X C, Li J H, Jia M, et al. High spatial resolution emission inventory of air pollutants and carbon in China’s independent coking industry [J]. Atmosphere, 2023,14(2):348.

[8] 黃 成,陳長虹,李 莉,等.長江三角洲地區人為源大氣污染物排放特征研究 [J]. 環境科學學報, 2011,31(9):1858-1871.

Huang C, Chen C H, Li L, et al. Anthropogenic air pollutant emission characteristics in the Yangtze River Delta region, China [J]. Acta Scientiae Circumstantiae, 2011,31(9):1858-1871.

[9] Fu X, Wang S, Zhao B, et al. Emission inventory of primary pollutants and chemical speciation in 2010for the Yangtze River Delta region, China [J]. Atmospheric Environment, 2013,70:39-50.

[10] 羅紅成,廖 琪,容 譽.湖北省能源消費CO2與大氣污染物協同減排研究 [J]. 環境污染與防治, 2022,44(2):266-271,277.

Luo H C, Liao Q, Rong Y. Research on synergistic emission between CO2and air pollutants of energy consumption in Hubei Province [J]. Environmental Pollution & Control, 2022,44(2):266-271,277.

[11] 劉茂輝,劉勝楠,李 婧,等.天津市減污降碳協同效應評估與預測 [J]. 中國環境科學, 2022,42(8):3940-3949.

Liu M H, Liu S N, Li J, et al. Evaluation and prediction of the synergistic effect of pollution reduction and carbon reduction in Tianjin [J]. China Environmental Science, 2022,42(8):3940-3949.

[12] Yu S, Zhang Q, Hao J L, et al. Development of an extended STIRPAT model to assess the driving factors of household carbon dioxide emissions in China [J]. Journal of Environmental Management, 2023, 325:116502.

[13] Zhao L, Zhao T, Yuan R. Scenario simulations for the peak of provincial household CO2emissions in China based on the STIRPAT model [J]. Science of the Total Environment, 2022,809:151098.

[14] Liu D, Xiao B. Can China achieve its carbon emission peaking? A scenario analysis based on STIRPAT and system dynamics model [J]. Ecological Indicators, 2018,93:647-657.

[15] Dong B, Xu Y, Li Q, Carbon transfer under China's inter-provincial trade: Evaluation and driving factors [J]. Sustainable Production and Consumption, 2022,32:378-392.

[16] Shan Y, Guan D, Zheng H, et al. China CO2emission accounts 1997～2015 [J]. Science Data, 2018,5(1):1-14.

[17] HJ 663-2013 環境空氣質量評價技術規范(試行) [S].

HJ 663-2013 Technical regulation for ambient air quality assessment (on trial) [S].

[18] 吳振信,謝曉晶,王書平.經濟增長、產業結構對碳排放的影響分析—基于中國的省際面板數據 [J]. 中國管理科學, 2012,20(3):161-166.

Wu Z X, Xie X J, Wang S P. The influence of economic development and industrial structure to carbon emission based on China’s provincial panel data [J]. Chinese Journal of Management Science, 2012,20(3): 161-166.

[19] 張恪渝,廖明球,楊 軍.綠色低碳背景下中國產業結構調整分析 [J]. 中國人口·資源與環境, 2017,27(3):116-122.

Zhang K Y, Liao M Q, Yang J. China’s structural adjustment under green and low-carbon development [J]. China Population Resources and Environment, 2017,27(3):116-122.

[20] Wang Y, Hopke P K, Xia X, et al. Source apportionment of airborne particulate matter using inorganic and organic species as tracers [J]. Atmospheric Environment, 2012,55:525-532.

[21] Duan W, Wang X, Cheng S, et al. Regional collaboration to simultaneously mitigate PM2.5and O3pollution in Beijing-Tianjin- Hebei and the surrounding area: Multi-model synthesis from multiple data sources [J]. Science of The Total Environment, 2022,820:153309.

[22] Liu H, Wu B, Liu S, et al. A regional high-resolution emission inventory of primary air pollutants in 2012for Beijing and the surrounding five provinces of North China [J]. Atmospheric Environment, 2018,181:20-33.

[23] Zheng H, Xu L. Production and consumption-based primary PM2.5emissions: Empirical analysis from China's interprovincial trade [J]. Resources, Conservation and Recycling, 2020,155:104661.

[24] Huang Y, Shen H, Chen H, et al. Quantification of global primary emissions of PM2.5, PM10, and TSP from combustion and industrial process sources [J]. Environmental science & technology, 2014, 48(23):13834-13843.

[25] 環境保護部.城市大氣污染物排放清單編制技術手冊 [R]. 北京, 2015.

Ministry of Environmental Protection. Technical manual for urban air pollutant emission inventory preparation [R]. Beijing, 2015.

[26] Liu S, Hua S, Wang K, et al. Spatial-temporal variation characteristics of air pollution in Henan of China: Localized emission inventory, WRF/Chem simulations and potential source contribution analysis [J]. Science of the total environment, 2018,624:396-406.

[27] Bai L, Lu X, Yin S, et al. A recent emission inventory of multiple air pollutant, PM2.5chemical species and its spatial-temporal characteristics in central China [J]. Journal of Cleaner Production, 2020,269:122114.

[28] 余宇帆,盧 清,鄭君瑜,等.珠江三角洲地區重點VOC排放行業的排放清單 [J]. 中國環境科學, 2011,31(2):195-201.

Yu Y F, Lu Q, Zheng J Y, et al. VOC emission inventory and its uncertainty from the key VOC-related industries in the Pearl River Delta Region [J]. China Environmental Science, 2011,31(2):195-201.

[29] 陳 穎,葉代啟,劉秀珍,等.我國工業源VOCs排放的源頭追蹤和行業特征研究 [J]. 中國環境科學, 2012,32(1):48-55.

Chen Y, Ye D Q, Liu X Z, et al. Source tracing and characteristics of industrial VOCs emissions in China [J]. China Environmental Science, 2012,32(1):48-55.

[30] 毛顯強,邢有凱,高玉冰.溫室氣體與大氣污染物協同控制效應評估與規劃 [J]. 中國環境科學, 2021,41(7):3390-3398.

Mao X Q, Xing Y K, Gao Y B. Study on GHGs and air pollutants co-control: assessment and planning [J]. China Environmental Science, 2021,41(7):3390-3398.

[31] York R, Rosa E A, Dietz T. STIRPAT, IPAT and ImPACT: analytic tools for unpacking the driving forces of environmental impacts [J]. Ecological Economics, 2003,46(3):351-365.

[32] 潘 棟,李 楠,李 鋒,等.基于能源碳排放預測的中國東部地區達峰策略制定 [J]. 環境科學學報, 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 [J]. Acta Scientiae Circumstantiae, 2021,41(3):1142-1152.

[33] 黃莘絨,管衛華,陳明星,等.長三角城市群城鎮化與生態環境質量優化研究 [J]. 地理科學, 2021,41(1):64-73.

Huang X R, Guan W H, Chen M X, et al. Urbanization and optimization of the Yangtze River Delta urban agglomeration [J]. Scientia Geographica Sinica, 2021,41(1):64-73.

[34] 劉晴川,李 強,鄭旭煦.基于化石能源消耗的重慶市二氧化碳排放峰值預測 [J]. 環境科學學報, 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 [J]. Acta Scientiae Circumstantiae, 2017,37(4):1582-1593.

[35] 王金營,戈艷霞.全面二孩政策實施下的中國人口發展態勢 [J]. 人口研究, 2016,40(6):3-21.

Wang J Y, Ge Y X. Population trends in China under the universal two-child policy [J]. Population Research, 2016,40(6):3-21.

[36] 《中國能源展望2030》報告發布 [J]. 資源節約與環保, 2016,(4):6.

China Energy Vision 2030 Report Released [J]. Resources Economization & Environmental Protection, 2016,(4):6.

[37] 袁方成,陳澤華.新時代新型城鎮化的要素結構及其優化路徑 [J]. 華中師范大學報(人文社會科學版), 2020,59(3):20-29.

Yuan F C, Chen Z H. New urbanization in the new era: The element structure and path optimization [J]. Journal of Central China Normal University (Humanities and Social Sciences), 2020,59(3):20-29.

[38] 劉彥迪.2030年中國碳排放達峰區域性預測與影響因素分析 [D]. 濟南:山東大學, 2020.

Liu Y D. Regional forecast of China’s carbon emission peak in 2030 and analysis of influencing factors [D]. Jinan: Shandong University, 2020.

[39] Lin B, Zhu J. Impact of energy saving and emission reduction policy on urban sustainable development: Empirical evidence from China [J]. Applied Energy, 2019,239:12-22.

[40] Chen W M, Kim H. Energy, economic, and social impacts of a clean energy economic policy: Fuel cells deployment in Delaware [J]. Energy Policy, 2020,144:111617.

[41] 王 勇,許子易,張亞新.中國超大城市碳排放達峰的影響因素及組合情景預測—基于門限-STIRPAT模型的研究 [J]. 環境科學學報, 2019,39(12):4284-4292.

Wang Y, Xu Z Y, Zhang Y X. Influencing factors and combined scenario prediction of carbon emission peaks in megacities in China: Based on Threshold-STIRPAT Model [J]. Acta Scientiae Circumstantiae, 2019,39(12):4284-4292.

[42] 鄧小樂,孫 慧.基于STIRPAT模型的西北五省區碳排放峰值預測研究 [J]. 生態經濟, 2016,32(9):36-41.

Deng X L, Sun H. Forecast of the northwest five provinces’ carbon emissions based on STIRPAT Model [J]. Ecological Economy, 2016, 32(9):36-41.

Spatial-temporal correlation effects of CO2-PM2.5-O3and synergistic control countermeasures in China's provincial area.

LI Fei*, DONG Long, KONG Shao-jie, QU Zhi-guang, GUO Jin-yuan, ZHOU Yuan-yuan, OU Chang-hong

(Research Center for Environment and Health, School of Information and Safety Engineering, Zhongnan University of Economics and Law, Wuhan 430073, China)., 2023,43(12)：6246～6260

Spatio-temporal characteristics and correlation effects of CO2emissions and PM2.5and O3pollution concentrations in Chinese provinces from 2015 to 2019 were firstly analyzed. Then, the emission factor method was used to compile the emission inventories of CO2, PM2.5and O3precursors in each province from 2011 to 2019, and combined the STIRPAT model the synergistic effects of CO2, PM2.5and O3precursors were predicted under different scenarios. Moreover, a rating system was established to identify key control areas with their synergistic effects analyzed by sectors, and finally the targeted synergistic control measures were proposed. The results showed that there was no correlation between CO2emission reduction and PM2.5concentration reduction in 53% of the provinces, and that between CO2emission reduction and O3concentration reduction in 87% of the provinces. There was a synergistic effect between CO2and PM2.5in China from 2012 to 2014, while no synergistic effect from 2015 to 2019. Further, there was a synergistic effect between CO2and O3precursors in China in the most years, but there was no general synergistic effect between pollution reduction and carbon reduction. Based on the analysis of the obtained coefficient of synergy effect, more provinces achieved the synergistic effect in the low carbon scenario than that in the baseline scenario. Further, according to the developed rating system, the studied provinces were divided into four levels of control areas. The sectors in the "Class I Control Area" should give priority to the synergistic emission reduction of CO2and PM2.5, while that in the "Class II Control Area" the synergistic emission reduction of CO2and O3. It was recommended that each sector should take into account the low-carbon scenario, and the "I and II Control Area" should reasonably regulate the population and urbanization rate, and optimize the energy structure, etc.

pollution and carbon reduction；synergistic effect；spatio-temporal characteristics；STIRPAT model；hierarchical control；PM2.5；O3

X51

A

1000-6923(2023)12-6246-15

李 飛,董 瓏,孔少杰,等.我國省域CO2-PM2.5-O3時空關聯效應與協同管控對策 [J]. 中國環境科學, 2023,43(12):6246-6260.

Li F, Dong L, Kong S J, et al. Spatial-temporal correlation effects of CO2-PM2.5-O3and synergistic control countermeasures in China's provincial area [J]. China Environmental Science, 2023,43(12):6246-6260.

2023-04-24

國家社會科學基金資助項目(19CGL042);中央高校基本科研業務費專項資金資助項目(2722023EZ009;2722023EJ013)

* 責任作者, 教授, lifei@zuel.edu.cn

李 飛(1986-),男,河南新鄉人,教授,博士,主要研究方向為環境監測、環境健康風險管理、環境與健康大數據、環境修復技術.發表論文100余篇.lifei@zuel.edu.cn.