昆明市二氧化碳排放峰值研究

2016-01-15徐西蒙

环境科学导刊 2015年4期

关键词：预测模型昆明市

徐西蒙

(云南省环境科学研究院，云南昆明 650034)

昆明市二氧化碳排放峰值研究

徐西蒙

(云南省环境科学研究院，云南昆明 650034)

摘要：通过对国内外二氧化碳排放峰值预测模型的分析研究, 在2010年昆明市社会发展及能源消耗数据的调查基础上，设定昆明市2011—2035年低、中、高3种排放情景模式。分析影响昆明市碳排放量的因素，对STIRPAT模型进行拓展，计算相应的碳排放峰值出现年份及峰值量。结果显示：在低排放模式和中排放模式的情景下，昆明市的碳排放峰值可分别在2021年及2028年达到，而在设定的高排放模式下，2011—2035年，碳排放量一直呈上升趋势。应提高能源效率，优化能源结构，科学规划产业结构，降低碳排放强度，尽早达到碳排放峰值年。

关键词：二氧化碳排放；排放峰值；能源活动；预测模型；昆明市

1碳峰值预测模型研究现状

2009年7月，八国集团峰会在意大利阿布鲁佐大区首府拉奎拉拉开序幕，峰会中第一次提出全球到2100年，将自工业化以来的温度上升控制在2℃。2010年的坎昆气候变化大会和2011年的德班气候变化大会再次确认了全球2℃的气候变化温度控制目标。但是如何实现这个目标是目前各国研究机构需要答复的问题，也是IPCC第五次评估报告的重点[1]。

IPCC第五次评估科学基础报告显示：如果将工业化以来全球温室气体的累计排放控制在1万亿t碳(约合3.7万亿t二氧化碳)，人类有2/3的可能性能够把全球升温幅度控制在2℃(与1861-1880年相比)以内；如果把累计排放控制在1.2万亿t碳(约合4.4万亿t二氧化碳)，有一半的可能性能够实现温控目标；如果把累计排放限额放宽到1.6亿万t碳(约合5.7万亿t二氧化碳)，则只有1/3的可能性能够实现温控目标。到2011年，人类已经累计排放0.5万亿t碳(约合2万亿t二氧化碳)，未来留给人类的碳排放空间极其有限。因此，未来要实现比工业化前升温不超过2℃的目标，需要全世界共同的努力。

近期，全球已有较多研究项目，着重利用模型分析实现全球2℃升温目标的排放途径，不同的模型组得出的排放途径也是多种多样的。目前国内外对碳排放峰值预测方面的研究主要集中在能源消费的碳排放量峰值方面[2-5]。能源消费需求的定量预测主要是通过建模，或是基于回归分析预测法、情景分析法。涉及模型包括STIRPAT 模型、LEAP 模型、MARKAL-MACRO 模型、EKC 曲线以及趋势外推法、类比法和因果分析法等[6-10]。在实际运用中，也常将几种方法混合使用，如常用的单位产值能耗法和弹性系数法就是类比法和外推法的综合。

2化石燃料燃烧与碳排放

在温室气体排放量中，能源活动即化石燃料燃烧的贡献值一直是最大的，且成逐年上升的趋势。

化石燃料可分为气体燃料(如天然气)、液体燃料(如石油)、固体燃料(如煤炭、油页岩、油砂等)。其中煤炭、石油、天然气使用的最为广泛，也是二氧化碳的主要来源。在所有化石燃料当中，煤炭拥有最高的碳排放系数值(97.59g CO2/MJ)[11]。根据《云南省能源统计年鉴》，煤炭是昆明市长期以来使用最多的化石燃料，在碳排放量中占有绝对优势，自1993年以来，贡献了昆明市90%以上的碳排放量，远远大于其他类能源的碳排放量[12]。

由于地理因素、历史条件等原因，整个云南省各地在天然气的利用上一直处于较低的水平，但随着风电和水电的发展，降低火力发电量，利用太阳能、热能、电能等大量新能源来取代一部分传统碳基能源的消费，优化能源消费结构，提高非化石能源在一次能源消费的比重对于昆明市来说将是降低碳排放的重要措施，也说明了昆明市还有很大的减排空间。

3本文使用的峰值预测模型

3.1STIRPAT模型

“I=PAT”恒等式方程首次被提出是用来反映社会人口因素对环境压力的影响，该方程将“环境影响(I)”、“人口规模(P)”、“人均财富(A)”和“技术水平(T)”联系在一起，称为环境压力等式。最初，IPAT方程被广泛应用到人口因素对环境的影响方面，并通过改变一个因素而保持其他因素固定不变来分析问题。在此基础上，研究者把“I=PAT”中的T分解成“单位GDP能源消耗-能源强度”(C)和“单位能源消费产生的环境影响(T)”，因此变为“I=PACT”。

为了克服模型的不足，研究者建立了I=PAT 等式的随机模型-STIRPAT ( Stochastic Impacts by Regression on Population, Affluence, and Technology)模型：

I=aPbAcTde

(1)

其中：I、P、A和T分别表示环境压力、人口规模、富裕程度和技术水平，a为模型系数，b、c、d分别表示人口规模、富裕程度、技术水平的弹性系数，e为模型误差项。STIRPAT模型与IPAT模型相比：首先，STIRPAT模型具有更好的拓展性，在进行环境压力分析时可以引入多个自变量，检验各个自变量对环境压力的影响；其次，STIRPAT是非线性模型，指数的引入使得该模型可用于分析人文因素对环境的非等比例影响。

对公式(1)两边取自然对数，得到方程：

InI=Ina+b(InP)+c(InA)+d(InT)+Ine

(2)

3.2STIRPAT模型拓展

由于STIRPAT模型自身所带的自变量数量较小，当实际影响目标函数数值的自变量数量增加时，就需要对其进行拓展，以便更完整地考虑各种因素变化对因变量的影响。

公式(2)中所含的自变量P、A、T分别可代表昆明市人口、人均GDP、及可表征工业技术水平的碳排放强度，三者均会对区域碳排放量造成明显影响。除此之外，在昆明市的工业化进程中，经济快速发展带来的城市化水平不断提升，由此带来的基础设施建设以及人们消费模式的转变也产生了大量的碳排放，因此考虑引入城市化率(Ps)。

化石燃料燃烧是碳排放的直接源头，尤其是煤炭的使用占比，因此需引入能源消费结构系数，此处以煤炭使用量占比来表征(U)。

一般而言，工业的碳排放强度比农业、第三产业的碳排放强度高。因此工业产值占国民经济的比重大时，整个经济的碳排放强度较高，因此引入表征三产结构的第二产业比(Is)。

则，公式(2)可以拓展为：

InI=Ina+b(InP)+c(InA)+d(InT)+c(InPs)+f(InU)+g(InIs)

(3)

公式3中各参数说明见表1。

表1　模型自变量参数说明

预测时，以lnI作为因变量，以 lnP、lnA、lnT、lnPs、lnU、lnIs作为自变量，对模型进行多元拟合。对人口、经济发展、技术水平、能源消费结构、产业结构进行不同情景设置，以预测各水平年的碳排放量，以此判断昆明市碳排放峰值出现时间与峰值量。

整合《昆明市统计年鉴》、《云南省统计年鉴》及《云南省能源统计年鉴》中对应表1的数据，带入公式(3)，以lnP、lnA、lnT、lnPs、lnU、lnIs为自变量，通过origin8.0进行多元线性回归，可得到公式(3)中各自变量系数的值(a、b、c、d、e、f、g、h)。

对应的回归方程为：

lnI=-6.42192+1.57074lnP+0.34262lnA+0.15037lnT+0.31978lnPs+0.00645lnU+1.50116lnIs

(4)

4碳排放情景设定

设定昆明市未来3种低碳发展模式，即低、中、高排放模式。低发展模式下，人口、经济发展、技术水平、城市化水平等各变量以低速发展与变化，能源消费结构中高碳燃料占比小，第二产业占比速率下降较快；中模式下假定人口、经济发展、技术水平、城市化水平等各变量变化速度适中，能源消费结构中高碳燃料占比适中、产业结构变化速度适中；高发展模式假定人口、经济发展、技术水平、城市化水平、能源消费结构中高碳燃料占比较高,产业结构变化等各变量均按较高速度发展与变化。

对不同情景下，公式(4)中的各种自变量进行设定。

4.1人口(P)

设定低模式下，2010—2020年，人口平均年增长率为0.3%，2021—2030年，人口平均年增长率为0.2%, 2031—2035年，人口平均年增长率为0.1%。

中模式下，2010—2025年，人口平均年增长率为0.3%，2026—2035年，人口平均年增长率为0.2%。

高模式下，2010—2035年，人口平均年增长率为0.3%。

4.2人均GDP(A)

根据工业化理论，工业化中期人均GDP应达到1456～5460美元/人，即0.8921～3.3453亿元/万人，工业化后期人均GDP应达到5460～13014美元/人，即3.3453～9.0289亿元/万人。由此可知，在以上两种增长方式下，到2020年，从人均GDP指标来说，昆明市都将到达工业化后期。

以上两种增长速率，分别作为高模式、中模式的增长速率，并取高模式的一半为低模式的增长速率。并假设3种模式下，2015—2020年的增长率下降至原有的一半，2021—2035年进一步减半。

4.3碳排放强度(T)

设定低模式下，至2020年，昆明市碳排放强度下降至2005年的50%，即1.7594，以2010年为基准，年均下降率为1.633%，至2035年，继续较2020年下降10%，年均下降率为0.7%。

中模式下，至2025年，昆明市碳排放强度下降至2005年的50%，即1.7594，以2010年为基准，年均下降率为1.11%。2026—2035年，维持2025年的值不变。

高模式下，至2035年，昆明市碳排放强度下降至2005年的50%，即1.7594，以2010年为基准，年均下降率为0.669%。

4.4城市化率(Ps)

设定低模式下昆明城镇化率增长方式为：2010—2020年，年平均增长率均为2.13%，则至2020年，城镇化率将为77.78%。2020—2035年，年平均增长率下降至1%。

中模式下昆明城镇化率增长方式为：2010—2020年，年平均增长率为2.60%，则至2020年，城镇化率将为81.43%。2021—2035年，年平均增长率下降至1%。

高模式下昆明城镇化率增长方式为：2020年，城镇化率将达到85%，倒推年平均增长率为3.04%。2021—2035年，年平均增长率下降至1%。

4.5能源消费结构(U)

化石能源是昆明市碳排放的主要来源，而煤炭又是2种化石能源中碳排放因子最高的。

截止2012年末，昆明市能源消费结构中，煤炭的占比达到40.76%以上，煤炭消费排放的二氧化碳占52%，煤炭依然是支撑昆明市社会经济发展的基础能源。随着能源消费量的不断增加，煤炭的消费量也将随之增长。长期以来昆明市经济发展方式粗放的情况没有得到根本改变，能源利用总体效率不高。

根据昆明能源资源构成特点，以中缅油气管道建设为契机，提高油气资源在能源结构中的比重，降低煤炭比重，同时大力推进太阳能光伏发电、水力发电、风电等可再生能源的发展，是从整体上优化能源结构、缓慢降低煤炭比的有效途径。

设定低模式下，煤炭占比以2010年后的下降速率持续下降，至2035年，下降至30%，平均年下降率为2.788%。中模式下，至2035年，下降至35%，平均年下降率为2.187%。高模式下，维持2012年的值40.76%不变。

4.6第二产业比(Is)

设定低模式下：2010—2035年，昆明市已进入缓慢发展期，第二产业占比呈持续平缓下滑的趋势。

中模式下：2010—2035年，昆明处于过度发展期，第二产业占比逐步接近最高值后缓慢下降。

高模式下：2015—2035年，昆明尚处于高速发展阶段，第二产业占比持续缓慢上升。

5情景模型参数设置

以2010年数据为基数，分别根据低、中、高情景中的发展模式，得到公式(4)中2011—2035年各自变量的值，可得到相应的碳排放量，如表3数据所示。

表3　2011-2035年碳排放量模型值　万t

6碳排放峰值预测结果

由表3结果可以看出，在低排放模式和中排放模式的情景下，昆明市的碳排放峰值可分别在2021年及2028年达到，峰值分别是4941.29万t和6248.91万t，而在设定的高排放模式下，2011—2035年，碳排放量一直呈上升趋势，至2035年仍未出现峰值，如图7所示。

低排放模式下，要求昆明市保持较低的人口增长速度，及较为缓慢的人均GDP变化率，城镇化率保持较小的浮动，且三产中工业比重进入持续平缓下降的阶段，这些方面均是以牺牲一定的经济增长速率为代价的。同时要求能源消费结构中较低的煤炭比，这意味着要加大能源利用领域的技术投入，加大非化石能源及油气等低碳能源的使用比例，对重点耗能行业提出了更大挑战。

中排放模式下，对经济发展的制约较低，排放模式有所减缓，因此峰值出现的年份推迟了7a，峰值排放量也相应增加了1307.62万t。

高排放模式下，进一步减小了对经济发展的制约，同时对能源消费结构的控制也基本取消，城市发展基本已经脱离了低碳发展的模式。可以看到，碳排放峰值直至2035年都还没有出现，碳排放量呈持续上升的模式。

这说明，与国际国内各城市的规律相同，城市经济发展、人口增加与碳减排存在直接的制约关系。粗放的发展方式，低下的能源利用效率及传统的三产结构，会以牺牲环境为代价，获取短暂的经济进步。而要权衡二者的关系，不能一味地牺牲经济增长，更不能无视粗放式发展带来的巨大环境影响，而是应该以提高能源效率，优化能源结构，科学规划产业结构等有效途径，在不过多阻碍昆明社会经济发展的前提下，降低碳排放强度，尽早达到碳排放峰值年。

参考文献：

[1] IPCC AR5. Summary for policymakers of climate change 2013: the physical science basis. Contribution of working group I to the fourth assessment report of the Intergovernmental Panel on Climate Change [M].Cambridge,UK: Cambridge University Press, 2013.

[2] 刘兰翠. 我国二氧化碳减排问题的政策建模与实证研究[D]. 合肥：中国科学技术大学，2006.

[3] 郭运功，汪冬冬，林逢春. 上海市能源利用碳排放足迹研究[J]. 中国人口资源与环境，2010，20(2)：103-108.

[4] Richard York a, Eugene A. Rosa b, Thomas Dietz. STIRPAT, IPAT and ImPACT: analytic tools for unpacking the driving forces of environmental impacts[J]. Ecological Economics， 2003 (46)： 351-365.

[5] 陈庆，周敬宣，李湘梅，肖人彬.基于 STIRPAT 模型的武汉市环境影响驱动力分析[J]. 长江流域资源与环境，2011，20(Z1)：100-104.

[6] Y.Y. Feng, L.X. Zhang. Scenario analysis of urban energy saving and carbon abatement policies: A case study of Beijing city, China[J].Procedia Environmental Sciences ，2012 (13)： 632-644.

[7] 渠慎宁，郭朝先. 基于STIRPAT 模型的中国碳排放峰值预测研究[J].中国人口资源与环境，2010(20)：10-15.

[8] DimitraKaika, EfthimiosZervas. The Environmental Kuznets Curve(EKC) theory-PartA: Concept, causes and the CO2emissions case[J]. Energy Policy, 2013(62): 1392-1402.

[9] WANG Dia, NIE Ruia, SHI Hai-ying. Scenario Analysis of China’s Primary Energy Demand and CO2Emissions Based on IPAT Model[J]. Energy Procedia，2011(5): 365-369.

[10]Leya Wua, Weihua Zeng. Research on the contribution of structure adjustment on carbon dioxide emissions reduction based on LMDI method[J]. Procedia Computer Science, 2013(17): 744-751.

[11] Voluntary Reporting of Greenhouse Gases Program. Energy Information Administration[R]. Retrieved 21 August 2009.

[12] 徐蕊，何云玲. 昆明市能源消费和碳排放分析研究[J].环境科学与管理，2012,(37):45-50.

CO2Emission Peak Prediction of Kunming

XU Xi-meng

(Yunnan Institute of Environmental Science, Kunming Yunnan 650034,China)

Abstract：Based on the review of the CO2emission peak calculation models from both China and foreign countries, three different scenarios regarding to the social and economic development for Kunming were set up to predict CO2emission peak using a developed stochastic impactsby RegressiononPAT (STIRPAT) model. The results indicated that Kunming might reach the CO2peak value in the year of 2021 and 2028 under the middle emission scenarios and the low emission scenarios respectively. However, the CO2emission would keep increasing in the high emission scenarios during the year of 2011-2035. In order to reach the peak year of CO2emission in Kunming earlier, countermeasures should be taken to improve the energy efficiency, optimize the energy structure and industrial structure, and decrease the carbon emission density.

Key words：CO2emission peak; peak value; energy activity; prediction model; Kunming