基于效率视角的浙江省2030年碳排放配额分析

李泽坤, 任丽燕,*, 马仁锋, 刘永强, 姚丹

基于效率视角的浙江省2030年碳排放配额分析

李泽坤1,2,3, 任丽燕1,2,3,*, 马仁锋1,2,3, 刘永强1,2,3, 姚丹1,2,3

1. 宁波大学地理与空间信息技术系/陆海国土空间利用与治理研究中心, 宁波 315211 2. 宁波市高等学校协同创新中心“宁波陆海国土空间利用与治理协同创新中心”, 宁波 315211 3. 浙江省新型重点专业智库宁波大学东海研究院, 宁波 315211

测算浙江省1995—2015年的碳排放总量, 构建STIRPAT模型, 通过岭回归分析各影响因素对碳排放总量的影响, 结合情景分析法对浙江省2030年的碳排放总量进行预测, 最后以情景预测值为总量限定在效率视角下进行碳配额并分析各市剩余碳排放空间。结果表明: (1)人口总量、人口城市化率、人均GDP和煤类能源占比对碳排放总量起促进作用, 人口总量、人口城市化率、人均GDP和煤类能源占比每增加1%, 浙江省的碳排放总量会分别增加3.578%、0.588%、0.295%和1.310%; (2)保持经济和城市化高速发展的同时, 大力实施产业结构调整和节能减排的情景3最符合现实发展要求, 情景3下, 浙江省碳排放总量在2030年将达到47902.57万吨; (3)ZSG-DEA模型的碳配额结果显示, 2030年宁波市碳配额最多, 其次为杭州市, 丽水市碳配额最少。从绝对剩余碳排放空间看, 宁波市剩余碳排放空间最大, 其次为杭州市, 舟山市剩余碳排放空间最小。从相对剩余碳排放空间看, 丽水市相对剩余碳排放空间最大, 其次为绍兴市, 舟山市需在2015年碳排放总量的基础上减排9.47%。

碳配额; STIRPAT; 情景预测; ZSG-DEA模型; 剩余碳排放空间

0 前言

温室气体的排放使得以气候变暖为主要特征的全球气候变化受到广泛关注[1]。中国是世界上最大的发展中国家, 同时也是世界上最大的能源消耗国和温室气体排放国[2]。因此, 限制温室气体排放, 实现温室气体排放限额情况下的经济持续发展对我国来说是一个极大的挑战, 如何促进经济发展低碳化已成为当前亟待解决的问题。在自身环保意识的提高和外界要求的减排压力下, 中国政府对于减少温室气体排放制定了明确的目标并作出了相应的减排承诺, 分别于2009年“哥本哈根气候大会”和2014年“中美气候联合声明”中做出了“要争取使2020年碳排放强度在2005年的基础上下降40%—45%”和“2030年碳排放达到峰值”的减排承诺。基于碳排放总量限定的地区碳配额分配是我国碳减排的现实途径[3]。碳排放减排目标的区域分解研究是国内外学者关注的重点内容。基于不同减排目标的研究一般可以分为两类, 一是基于绝对减排量的区域分解, 绝对减排量是《京都议定书》附件一国家的减排要求。二是基于碳强度减排目标的区域分解, 中国在哥本哈根气候大会上做出的减排承诺便是以碳强度减排为目标。在碳排放配额研究方面常用的方法有指标分配法、DEA(data envelopment analysis)模型、减排成本法等。Phylipsen等认为应该从人均二氧化碳排放量、人均GDO和单位GDP二氧化碳排放量三个指标综合分配欧洲各国碳配额以减少各国由于发展阶段不同带来的差异，使得分配结果更加公平[4]。孙根年选取了能源强度、GDP、人均GDP构建环境学习曲线测算各省减排效率与减排潜力[5]。宋杰鲲选取各省碳排放比例、各省GDP比例和各省减排费用占GDP的比例三个指标分别代表世袭制原则、平等主义原则和支付能力原则对省际碳配额进行分配[3]。Lins和Gomes[6]将零和博弈的理论引入DEA模型中, 构建了零和收益DEA模型(ZSG-DEA), 并分别对各国奥运会投入产出效率和京都议定书相关国家碳配额分配问题进行了分析[7]。此后, ZSG-DEA模型在资源分配领域获得广泛应用。林坦、宁俊飞基于ZSG-DEA模型对欧盟国家碳配额进行分配, 并提出利用迭代法使分配方案不断优化, 最终达到或接近DEA有效边界[7]。王勇等基于ZSG-DEA模型对中国2030年二氧化碳排放峰值目标进行省区分配[8]。以上研究大多基于国家尺度, 且碳排放的核算一般只包含工业能源消耗碳排放, 省级碳排放配额一般缺少长期的减排目标。本文系统计算了浙江省各市能源活动、工业生产、废弃物处理、农业活动四个部门碳排放, 分析各市碳排放总量动态变化特征。为了确定一个科学合理的减排目标, 本文通过STIRPAT模型及情景分析法得到在经济发展与控制碳排放相协调情景下的浙江省2030年碳排放, 并以此作为碳排放配额的总量限定, 最后在效率视角下运用ZSG-DEA模型对浙江省各市2030年碳排放进行配额, 并分析各市剩余碳排放空间。

1 研究方法与数据来源

1.1 碳排放的测算

1.1.1 能源活动的碳排放测算

能源活动碳排放是碳排放的主要组成部分, 其主要碳排放项目包括工业部门、建筑业、服务业、居民生活、农林牧渔业、交通系统和石油和天然气系统逃逸等总计7个项目, 计算公式如下[9-10]:

式中,E是能源活动部门碳排放量,AD是燃料的消耗量,NCV是燃料的低位热值,EF是燃料的单位热量含碳量,COF是燃料的碳氧化率, 44/12表示碳到二氧化碳的转化系数。

石油和天然气系统逃逸项目所产生的碳排放气体为CH4, 其计算方法为将各过程的活动数据与其对应的排放因子相乘后相加汇总。根据相关指南, 原油储运过程的甲烷排放因子选取753 (吨甲烷/亿吨原油)[9-10]。

1.1.2 工业生产过程中的碳排放测算

工业生产过程温室气体排放清单报告的是工业生产中能源活动温室气体排放之外的其他化学反应过程或物理变化过程的温室气体排放。由于浙江省工业部门中, 只有水泥生产产业符合工业生产过程碳排放测算, 因此本研究只考虑水泥生产过程中的碳排放, 其碳排放气体为CO2。根据相关指南, 水泥产量熟料比选取推荐值0.63,水泥生产过程排放因子选取0.538 (吨二氧化碳/吨熟料)。

1.1.3 废弃物处理的碳排放测算

废弃物处理包括废水处理、城市固体废弃物填埋处理和焚烧处理, 计算公式如下[9-10]:

式中,E是填埋城市废弃物所产生的CH4排放总量,、L、、分别是填埋的固体废弃物总量、管理类型垃圾填埋场的甲烷产生潜力、甲烷回收量和氧化因子。E是焚烧城市废弃物所产生的CO2排放总量,、分别是焚烧的固体废弃物总量和焚烧产生CO2的排放因子。E是废水处理产生的N₂O排放量,N、EF分别是废水中的氮含量和废水的氧化亚氮排放因子, 44/28表示氮到氧化亚氮的转化系数。

1.1.4 农业活动的碳排放测算

农业活动包括稻田甲烷排放、动物肠道发酵甲烷排放、动物粪便管理甲烷和氧化亚氮排放四项, 计算公式如下[9-10]:

式中,E是稻田的CH4排放总量,AD和EF分别是第i类稻田的播种面积和稻田CH4排放因子。E是动物肠道发酵和粪便管理所产生的CH4排放总量,AP是第类动物的数量,EF和EF分别是第类动物的肠道产生CH4排放因子和粪便产生CH4排放因子。E是动物粪便管理所产生的N₂O排放量,EF和AP分别是为特定种群粪便管理氧化亚氮排放因子和第类动物的数量。

碳排放总量是能源活动、工业生产、废弃物处理、农业活动四个部门碳排放相加之和。

1.2 STIRPAT模型

Dietz和Rosa[11]在传统的IPAT模型的基础上提出了STIRPAT(Stochastic Impacts by Regression on Population, Affluence and Technology)模型, 该模型具有形式灵活, 易于分析等优点, 被广泛应用于碳排放影响因素的研究中[12-14], 其一般表达式为:

式中,、、、分别表示环境影响、人口因素、经济因素和技术因素;是模型系数,、、分别为、、的估计系数;为随机误差项。

将式两边同时取对数可写为:

本文对STIRPAT模型进行扩展, 人口因素选取总人口和人口城市化率, 经济因素选取人均GDP,技术因素选取煤类能源消耗占比。因此, 实证模型表达式为[15-16]:

式中,表示浙江省碳排放总量,、、、分别表示总人口、人口城市化率、人均和煤类能源占比,是模型系数,、、、分别表示总人口、人口城市化率、人均GDP、和煤类能源占比的弹性系数,为随机误差项。为了消除量纲影响, 运用总和标准化的方法对浙江省碳排放及其影响因素进行数据预处理。

1.3 ZSG-DEA模型

本研究基于效率原则的碳排放配额采用ZSG-DEA模型。DEA中的投入导向性BCC模型具体形式如下:

式中,为浙江省决策单元的相对效率,为相对于目标决策单元重新构造一个决策单元有效组合中其他决策单元的组合比例,y为各决策单元的产出变量, 其中为决策单元,为产出变量的类型,y为决策单元各产出变量的值,为投入变量,x为决策单元的初始碳排放配额,x为第各决策单元的碳排放配额。

DEA-BBC模型是假设各决策单元之间的投入产出是独立的, 即一个决策单元投入产出的变化不会影响其他决策单元的投入产出。但如果要求总的投入变量或产出变量固定, 则这个假设不能成立。针对传统DEA-BCC模型的不足, Lins 和 Gomes[6]提出了ZSG-DEA模型, 该模型通过对投入或产出的再配置, 从而可以根据决策单元的 DEA 效率值对非期望产出的分配方案进行调整。假设目标决策单元为非DEA有效, 其为达到有效就必须减少投入, 减少投入量为:

式中,x为第个决策单元,x为目标决策单元,δ为目标决策单元的初始效率值。由于所有决策单元都在进行投入的比例消减, 所以最终投入量(二氧化碳排放量)对决策单元的再分配额为:

经过比例调整后, ZSG-DEA模型对目标决策单元的投入导向BCC模型转化公式为:

由于所有为达到DEA有效的决策单元都会按比例向其他决策单元分配多余投入, 所以可能出现某些决策单元即使完成多余投入的消减也无法达到DEA有效。因此, 本文利用迭代法进行多次分配, 经过多次迭代后, 使各决策单元的效率值都达到1。

1.4 剩余碳排放空间

为了分析碳配额对区域未来发展的影响, 本文构建剩余碳排放空间这一指标。剩余碳排放空间分为绝对剩余碳排放空间和相对剩余碳排放空间, 绝对剩余碳排放空间指某地区基期实际碳排放与未来碳配额之间差额, 表示某地区未来碳排放增长空间的大小。相对剩余碳排放空间指某地区绝对剩余碳排放空间占该地区基期实际碳排放的比例。由于基期实际碳排放间接反映了该地区现阶段发展所需的碳排放空间, 因此, 相对剩余碳排放空间可以间接反映该地区未来发展中减排压力的大小, 相对剩余碳排放空间越大减排压力越小, 反之减排压力越大。计算式如下所示:

式中,绝表示绝对碳排放剩余空间;配表示未来碳排放配额;基表示基期实际碳排放;相表示相对剩余碳排放空间。

1.5 数据来源

能源消耗数据来自《中国能源统计年鉴》和《浙江统计年鉴》。水泥产量数据、农业活动水平数据、总人口、人口城市化率、人均GDP来自《浙江统计年鉴》。废弃物填埋、焚烧数据来自于《中国城市建设统计年鉴》。各类能源换算标准煤系数使用《中国能源统计年鉴》中的各种能源折标准煤参考系数表[17]。

2 结果与分析

2.1 浙江省各市碳排放动态变化及结构分析

计算浙江省各市能源活动、工业生产、废弃物处理、农业活动四个部门碳排放, 汇总为浙江省各市碳排放总量, 绘制浙江省各市碳排放总量动态变化图。计算2015年各市碳排放结构, 绘制各市碳排放结构图。计算1995—2015年各市分行业碳排放变化量占本市碳排放变化总量的比例, 正值表示碳排放增加, 负值表示碳排放减少, 绘制各行业碳排放对碳排放总量的贡献图。具体结果见图1、图2、图3。

由图1可知, 1995—2015年期间, 浙江省各市碳排放量总体上呈增加趋势。总体上, 宁波市碳排放量最多, 其次为杭州市, 两市碳排放量的最大值都超过了5000 万吨。舟山市、丽水市碳排放量较少, 两市碳排放量的最大值都小于2000 万吨。嘉兴市、绍兴市、台州市、温州市、金华市、湖州市、衢州市碳排放量处于中等水平, 最大值介于3000—5000 万吨之间, 碳排放量的差距也较小。各市碳排放动态变化大体可以分为两个阶段, 第一阶段碳排放量较小, 但增速较快; 当各市碳排放量增长到一定水平后, 其增长速度出现明显放缓, 动态变化相对平稳, 即进入第二阶段。各市进入第二阶段的时间有所不同, 嘉兴市、绍兴市、湖州市于2006年前后碳排放变化进入第二阶段; 杭州市、金华市、衢州市、丽水市、台州市于2007年前后进入第二阶段; 宁波市、温州市、舟山市于2011年前后碳进入第二阶段。

图1 1995—2015年浙江省各市碳排放总量动态变化

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

由图2、图3可知, 工业碳排放是各市碳排放总量的最大来源, 同时也是推动各市碳排放总量增加的主要原因。除工业碳排放外, 湖州市、嘉兴市、金华市、丽水市、宁波市、衢州市、台州市的居民生活、交通仓储业、水泥生产碳排放是其碳排放总量的重要来源, 也是其碳排放总量增加的重要原因。杭州市的服务业、交通仓储业、水泥生产是其碳排放总量的重要来源, 也是其碳排放总量增加的重要原因。绍兴市的建筑业、交通仓储业、水泥生产是其碳排放总量的重要来源, 也是碳排放总量增加的重要原因。温州市的服务业、居民生活、交通仓储是其碳排放总量的重要来源, 也是其碳排放总量增加的重要原因。舟山市的居民生活、农林牧渔水利业、交通仓储业碳排放是其碳排放总量的重要来源, 也是其碳排放总量增加的重要原因。各市稻田甲烷、牲畜管理碳排放呈减少趋势, 对各市碳排放总量的增加起抑制作用。

2.2 STIRPAT模型结果分析

为了分析人口、经济发展水平和能源消耗对浙江省碳排放总量的影响, 首先采用最小二乘法建立总人口、人口城市化率、人均、煤类能源占比的自然对数与浙江省碳排放总量自然对数的多元线性回归模型, 估算各指标的回归系数, 估算结果如表1所示。

图2 2015年浙江省各市碳排放结构

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

图3 1995—2015年浙江省各市分行业碳排放对碳排放总量的贡献

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结果

注:2=0.992, sig=0.000。

回归模型的决定系数2=0.992,统计量也通过了1%的检验。但是,、、、的方差膨胀因子(VIF)远大于10, 说明变量之间存在严重的多重共线性, 回归结果并不可靠。为了消除各变量之间的多重共线性, 本文采用岭回归方法重新建立回归模型, 当=0.05的时候, 各变量的变化趋于稳定, 结果如表2所示。

岭回归模型的决定系数2=0.978, sig=0.000, 说明回归模型的拟合度良好, 各变量也通过了5%的显著性水平检验。根据岭回归结果, 建立回归函数, 如式12所示。

由模型结果可知, 人口总量、人口城市化率、人均GDP、煤类能源占比对浙江省碳排放总量起促进作用, 其中人口总量的作用最为显著, 其次为煤类能源占比、人口城市化率, 人均的作用最弱。人口总量、人口城市化率、人均GDP和煤类能源占比每增加1%, 浙江省的碳排放总量会分别增加3.578%、0.588%、0.295%和1.310%。燕华、黄蕊对上海市和重庆市碳排放影响因素的研究也表明人口总量对碳排放的影响最为显著[18-19]。但也存在其他结果, 例如孙艳伟对海岛城市碳排放影响因素的研究表明人口城市化率对碳排放的影响最为显著[20]。人口是推动浙江省碳排放总量增加的主要因素, 人口的增加一方面直接推动了生活能源消费的增加, 另一方面也间接刺激了各行业经济规模的扩大。人口城市化率的提高表明消费结构的改变和消费水平的提高。人均GDP反映了经济发展对碳排放总量的影响, 经济快速发展需要以能源消耗为支撑, 因此会导致碳排放的迅速增加。煤类能源占比反映了能源结构对碳排放的影响。

表2 基于岭回归的模型估算结果

注:2=0.978, sig=0.000。

2.3 碳排放总量多情景预测分析

2.3.1 多情景设置

(1) 人口因素情景

根据《浙江蓝皮书》的预测, 到2020年浙江省总人口将达到5777 万人左右, 2023年达到人口峰值5783—5822 万人左右, 之后缓慢减少, 到2030年达到5705—5733 万人左右[21]。考虑到浙江省人口变化比较稳定, 因此人口因素只设置基准情景。计算《浙江蓝皮书》对浙江省2020、2025、2030 年总人口预测的均值, 设定总人口在2020、2025、2030 年分别为5777、5802.5、5719 万人。

根据浙江省“十三五”规划, 到2020年人口城市化率要达到70%, 因此, 根据浙江省2015-2020年的人口城市化率的平均变化率将2020、2025、2030年人口城市化率的基准情景分别设置为70%、72.5%、75%。高值情景和低值情景以基准情景为基础分别上调、下调一个百分点。

(2) 经济因素情景

根据浙江省“十三五”规划, 到2020年生产总值、人均生产总值、城乡居民收入要比2010年翻一番, 经济增长速度保持在7%。考虑到浙江省今后经济发展将由中高速发展转变为中速发展, 因此, 将2020、2025、2030年人均生产总值的年均增长速度的基准情景分别设置为7%、6%、5%。高值情景和低值情景以基准情景为基础分别上调、下调一个百分点。

(3) 技术因素情景

以2015年浙江省煤类能源占比为基础, 用2010-2015的平均变化率推算2020、2025、2030年煤类能源占比基准情景分别为0.61%、0.56%、0.52%。考虑到煤类能源占比变化速度较慢, 因此高值情景和低值情景以基准情景为基础分别将变化率上调、下调0.1个百分点。

综合人口因素、经济因素、技术因素的各个情景, 将浙江省未来经济社会发展情景设置为5种情景, 具体内容见表3。

2.3.2 碳排放总量多情景预测分析

利用式(13), 并结合多情景分析技术, 得到2030年浙江省在多情景设置下的碳排放总量预测结果, 具体结果见图4。

由图4可知, 在情景1下, 浙江省碳排放总量在2030年将达到了46093.71 万吨。在未来, 浙江省经济和人口城市化处在高速增长和能源效率提升的效果不明显的情境下(情景2), 浙江省碳排放总量将会大幅增长, 到2030年达到54122.19万吨, 是情景1的1.17倍, 碳排放总量较情景1增加8028.474 万吨。在未来, 浙江省经济和人口城市化处在低速增长且能源效率提升得到很好实现的情境下(情景5), 浙江省碳排放总量的增长幅度最小, 到2030年达到42591.05 万吨, 较基准情景减排3502.66 万吨, 较情景2减排达11531.13 万吨。这说明在情景5下, 浙江省能够达到很好的减排效果, 但是这一情景是以减缓经济发展和城市化速度为代价的, 不能做到经济发展、提高人民生活水平与控制碳排放量相协调。在情景4下, 浙江省2030年碳排放总量将达到48121.02 万吨, 是情景1的1.04倍, 经济和人口城市化发展速度却低于情景1, 是一种最不理想的社会发展情景。在情景3下, 2030年浙江省碳排放总量为47902.57 万吨, 是情景1的1.04倍, 但经济和城市化速度要高于情景1, 较相同经济和城市化发展速度的情景2下降了11.49%, 减排量达6219.61 万吨。因此, 综合保持经济发展与控制碳排放量的要求, 情景3能够达到在保持经济和城市化水平快速发展的同时通过提高能源使用效率、优化能源结构来达到控制碳排放量的目的。因此, 浙江省对碳排放量的控制可以参考情景3的社会经济发展模式。

在情景3下浙江省碳排放强度为0.39 吨/万元, 相比2015年的0.88吨/万元下降了55.63%, 从碳排放强度的角度看减排效果非常明显。因此, 在效率视角下的碳配额也将使用情景3下的碳排放总量作为总量限定。

2.4 ZSG-DEA模型碳配额分析

以各市2015年碳排放总量为投入, 总人口、GDP、能源消耗量为产出, 计算浙江省各市碳排放效率, 具体结果见表4。

图4 多情景预测下浙江省2030年碳排放总量

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

表3 浙江省2030年经济社会发展情景设置

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综合效率均值为0.909, 说明浙江省碳排放效率较高。杭州市、丽水市、温州市、舟山市碳排放综合效率达到1, 为碳排放综合效率最优的市域。宁波市、绍兴市的综合效率值分别为0.933、0.936, 超过了全省综合效率均值。湖州市、嘉兴市、金华市、衢州市综合效率值分别为0.805、0.840、0.930、0.697, 低于全省综合效率均值。

利用ZSG-DEA对浙江省2030年碳排放进行配额, 首先需要浙江省各市2030年的碳排放总量、总人口、GDP、能源消耗量四个指标。由于DEA模型计算的效率值为决策单元集合内的相对效率值, 考虑到近年来浙江省各市碳排放动态变化比较稳定, 因此使用2010—2015年各市碳排放平均值占比作为2030年各市碳排放占比, 以情景3下浙江省2030年碳排放作为总量限定计算出各市2030年碳排放量。以各市2015年总人口和GDP为基准, 利用2010—2015年总人口和GDP的平均变化率推算得出2030年各市的总人口和GDP。计算各市2010—2015年单位能耗(标准煤)下的碳排放量的平均变化率, 以2015年单位能耗碳排放为基准推算出各市2030年单位能耗碳排放, 最终通过各市2030年碳排放量计算出各市2030年能耗。以各市2030年碳排放量作为投入, 人口、GDP、能耗作为产出构建ZSG-DEA模型, 通过ZSG-DEA模型的多次迭代计算使得各市碳排放DEA效率值达到1。具体结果见表5。

表5 ZSG-DEA模型下的浙江省2030年碳排放配额

由表5可知, 利用ZSG-DEA模型进行两次迭代调整后, 各市碳排放效率均达到最优。由于ZSG-DEA模型是在总量限定的条件下对各市域碳排放配额进行调整, 因此, 进行优化调整时必然出现一部分市域碳排放配额增加, 另一部分市域碳排放配额减少的情况。具体来看, 湖州市、嘉兴市、金华市、宁波市、衢州市、台州市共6个市域碳排放配额需要减少, 其余5个市域可以增加碳排放配额。其中, 宁波市需要减少的碳配额最多, 达1204.77 万吨, 绍兴市可以增加的碳配额最多, 达696.51 万吨。从各市2030年碳排放配额的结果看, 宁波市2030年碳排放配额最多, 达11885.06 万吨, 其次为杭州市(7271.76 万吨)、嘉兴市(5138.27 万吨)、绍兴市(4926.64 万吨)、温州市(4022.39 万吨)、台州市(3965.86 万吨)、金华市(3239.58 万吨)、湖州市(2635.74 万吨)、衢州市(2338.74万吨)、舟山市(1641.95 万吨)、丽水市(836.59 万吨)。

计算各市2015-2030年的绝对剩余碳排放空间和相对剩余碳排放空间。具体结果见表6。

从各市2015-2030年绝对碳排放剩余空间看, 宁波市碳排放剩余空间最大, 为2208.42万吨, 其次为杭州市(1992.95 万吨)、绍兴市(1064.62 万吨)、嘉兴市(1149.98 万吨)、台州市(1064.62 万吨)、温州市(892.58 万吨)、金华市(511.06 万吨)、丽水市(319.60 万吨)、衢州市(273.70 万吨)、湖州市(197.82 万吨)、舟山市(-171.68 万吨)。相对剩余碳排放空间可以间接反映各市的减排压力, 相对剩余碳排放空间越大减排压力越小, 反之减排压力越大。从2015—2017年各市相对剩余碳排放空间看, 丽水市相对剩余碳排放空间最大, 剩余碳排放空间占2015年实际碳排放的比例达61.82%, 其次为绍兴市(45.84%)、杭州市(37.75%)、台州市(36.40%)、嘉兴市(28.83%)、温州市(28.52%)、宁波市(22.82%)、金华市(18.73%)、衢州市(13.25%)、湖州市(8.11%), 舟山市则需在2015年实际碳排放的基础上减排9.47%。由此可见, 实际碳排放较少、碳排放效率较高的, 相对剩余碳排放空间较大, 如丽水市、绍兴市等。实际碳排放较多、碳排放效率较低的市域, 相对碳排放空间越小, 如湖州市、衢州市等。

3 结论与讨论

3.1 结论

本文采用STIRPAT模型分析了总人口、人口城市化率、人均、煤类能源占比对碳排放总量的影响, 并结合情景分析法对浙江省2030年碳排放总量进行预测, 最后通过ZSG-DEA模型在效率视角下进行碳排放配额。主要结论如下:

(1) 研究期内浙江省各市碳排放总体上呈增加的趋势。从各市碳排放总量看, 宁波市、杭州市碳排放量较多, 舟山市、丽水市碳排放量较少, 其他市域碳排放量处于中等水平。各市碳排放动态变化大体可以将其分为两个阶段。第一阶段各市碳排放量较小, 但增速较快, 第二阶段碳排放增长速度明显放缓, 动态变化相对平稳, 但各市进入第二阶段的时间有所不同。浙江省各市的工业碳排放是其碳排放总量的最大来源, 同时也是推动各市碳排放总量增加的主要原因。

表6 2015—2030年浙江省各市剩余碳排放空间

(2) 岭回归结果表明, 总人口、人口城市化率、人均GDP、煤类能源占比对浙江省碳排放总量均起促进作用。总人口对碳排放总量的影响最大, 其次为煤类能源占比、人口城市化率, 人均的作用最弱。人口总量、人口城市化率、人均和煤类能源占比每增加1%, 浙江省的碳排放量会分别增加3.578%、0.588%、0.295%和1.310%。

(3) 情景预测结果表明, 在情景1下浙江省碳排放总量在2030年将达到46093.71 万吨。在保持经济、城市化高速发展, 节能减排措施效果不佳的情景下, 浙江省碳排放总量增长幅度最大, 到2030年可达到54122.19 万吨, 是2015年碳排放总量的1.43倍。在保持经济、城市化低速发展, 大力实施能源结构调整的情景下, 碳排放总量增长幅度最小, 到2030年可达42591.05 万吨, 是2015年的1.12倍。最符合现实发展要求的情景是在保持经济和城市化高速发展的同时, 大力实施能源结构调整和节能减排措施, 此情景下浙江省2030年碳排放为47902.57 万吨。

(4) ZSG-DEA模型的碳配额结果显示, 从碳配额角度看, 2030年宁波市碳配额最多, 其次为杭州市, 丽水市碳配额最少。从绝对剩余碳排放空间看, 宁波市剩余碳排放空间最大, 其次为杭州市, 舟山市剩余碳排放空间最小。从相对剩余碳排放空间看, 丽水市相对剩余碳排放空间最大, 其次为绍兴市, 舟山市需在2015年碳排放总量的基础上减排9.47%。

3.2 讨论

本文在较为全面的核算浙江省各市1995—2015年碳排放的基础上, 先运用STIRPAT模型和情景预测分析对全省2030年碳配额提出了一个较为科学合理的目标, 再通过ZSG-DEA模型在效率视角下对各市进行碳配额和减排压力分析, 以期为浙江省今后的碳配额分配和低碳发展提供借鉴。通过分析发现湖州市、金华市、宁波市、衢州市、舟山市的相对剩余碳排放空间较小, 在未来发展中面临较大的减排压力。工业碳排放是各市碳排放总量的主要来源, 也是推动碳排放总量增加的主要原因。因此, 这就要求这些市域在经济发展中一方面要严格控制能耗高、产能过剩企业, 提高节能减排标准, 对于钢铁、船舶制造、冶金等行业中不符合环保和能耗要求的企业要引导其改进技术甚至有序退出。另一方面要寻找新的经济增长点, 推动制造业高端化、智能化、绿色化。推动纺织、服装、化工、农副产品加工业等传统产业转型升级。推进信息、环保、旅游、金融、高端装备制造业和文化创意产业等低能耗、高附加值的新兴产业的发展, 打造节能环保的新兴产业集群。除工业碳排放外, 居民生活、交通仓储业碳排放对各市碳排放的增加也起着较为重要的作用。各市在今后发展中应提倡低碳绿色的生活和消费方式, 完善公共交通等公共服务设施, 引导居民低碳出行, 推广新能源汽车等。另外, 碳交易是促进资源优化配置的重要手段。浙江省应建立健全碳交易市场, 促进各市之间的碳交易。剩余碳排放空间较大的市域可出售碳指标, 剩余碳排放空间较小的市域可购买碳指标, 以发挥各市优势, 促进全省经济增长和环境保护的协调发展。

[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] 张凯. 山东省工业碳排放初始配置优化研究[D]. 济南: 山东大学, 2018: 58.

[3] 宋杰鲲, 张凯新, 曹子建. 省域碳排放配额分配—融合公平和效率的研究[J]. 干旱区资源与环境, 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] 孙根年, 李静, 魏艳旭. 环境学习曲线与我国碳减排目标的地区分解[J]. 环境科学研究, 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, 宁俊飞. 基于零和DEA模型的欧盟国家碳排放权分配效率研究[J]. 数量经济技术经济研究, 2011, 36–49.

[8] 王勇, 贾雯, 毕莹. 效率视角下中国2030年二氧化碳排放峰值目标的省区分解—基于零和收益DEA模型的研究[J]. 环境科学学报, 37(11): 4399–4408.

[9] 浙江省发展改革委员会. 浙江省市县温室气体清单编制指南(2015年修订版) [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] 陈志建, 王铮. 中国地方政府碳减排压力驱动因素的省际差异—基于STIRPAT模型[J]. 资源科学, 2012, 34(4): 718–724.

[13] 王泳璇, 王宪恩. 基于城镇化的居民生活能源消费碳排放门限效应分析[J]. 中国人口.资源与环境, 2016, 26(12): 94–102.

[14] 刘晓燕. 基于STIRPAT模型的工业能源消费碳排放影响因素分析[J]. 生态经济, 2019, 35(3): 27–31.

[15] 吴青龙, 王建明, 郭丕斌. 开放STIRPAT模型的区域碳排放峰值研究—以能源生产区域山西省为例[J]. 资源科学, 2018, 40(5):1051–1062.

[16] 宋晓晖, 张裕芬, 汪艺梅, 等. 基于IPAT扩展模型分析人口因素对碳排放的影响[J]. 环境科学研究, 2012, 25(1): 109–115.

[17] 中华人民共和国国家统计局. 中国能源统计年鉴[M]. 北京: 中国统计出版社, 1995–2015.

[18] 燕华, 郭运功, 林逢春. 基于STIRPAT模型分析CO2控制下上海城市发展模式[J]. 地理学报, 2010, 65(8): 983–990.

[19] 黄蕊, 王铮. 基于STIRPAT模型的重庆市能源消费碳排放影响因素研究[J]. 环境科学学报, 2013, 33(2): 602–608.

[20] 孙艳伟, 李加林, 李伟芳, 等. 海岛城市碳排放测度及其影响因素分析—以浙江省舟山市为例[J]. 地理研究, 2018, 37(5): 1023–1033.

[21] 浙江省社会科学院. 浙江省蓝皮书: 2017年浙江发展报告[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

宁波市软科学项目(2017A10053); 国家自然科学基金(41601171)

李泽坤(1997—), 男, 山西临汾人, 硕士研究生, 研究方向为碳排放, E-mail: 1872119530@qq.com

任丽燕, 女, 博士, 副教授,主要从事碳排放研究, E-mail: renliyan@nbu.edu.cn

李泽坤, 任丽燕, 马仁锋, 等. 基于效率视角的浙江省2030年碳排放配额分析[J]. 生态科学, 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.