兵团高排放产业碳排放的系统动力学分析

王雅莉　朱金鹤

摘要：产业低碳发展是可持续发展与科学发展的内在要求，也是“资源节约型，环境友好型”两型社会建设的必由之路。文章运用Vensim-PLE 的仿真模拟软件构建了一个包含经济发展子系统、能源消费子系统与碳排放子系统在内的兵团高排放产业低碳发展模型。研究得到以下结论：第一，识别了兵团十大高排放产业：电力热力的生产和供应业、化学原料及化学制品制造业、石油煤炭及其他燃料加工业、非金属矿物制品业、食品制造业、黑色金属冶炼和压延加工业、农副食品加工业、纺织业、煤炭开采和洗选业、化学纤维制造业；第二，兵团高排放产业的碳排放表现为波动上升与两极分化趋势；第三，在兵团高排放产业低碳发展的路径仿真上，单因素下能源消费结构调整效果>产业规模调整效果>环境治理投入比例调整效果>科教投入比例调整效果，组合因素下情景条件设置越严格，调整效果越好。基于此，从降低高排产业产出比重、推进可再生能源利用和改革低碳经济的政策制度三方面提出了碳减排的相关对策。

关键词：高排放产业；碳排放；系统动力学

一、引言

碳排放是导致全球气候变暖、温室效应、各类极端恶劣天气与自然灾害的直接诱发因素，降低碳排放是承担全球环境责任、展示大国担当的重要方面之一。根据《世界能源统计年鉴》显示，2017年中国能源消费总量达3 132.2百万吨油当量，占全球能源消费总量的23.2%；其中，煤炭在其一次能源消费中占比57%；根据《全球碳谱》显示，2017年碳排放总量前四位的国家分别为中国、美国、印度和俄罗斯，碳排放量分别为98.39亿吨、52.69亿吨、24.76亿吨和16.93亿吨，中国碳排放总量占到了世界碳排放总量的27.2%。为发挥中国应对气候变化中的积极作用，2020年9月，习近平总书记在“第七十五届联合国大会”上发表重要讲话，指明中国将提高国家自主贡献力度，二氧化碳排放力争于2030年前达到峰值，努力争取2060年前实现碳中和。这份承诺远远超出了《巴黎协定》中2065—2070年左右实现碳中和的要求，使中国成为全球主要排放国里首个设定碳中和限期的发展中国家。这既彰显了中国积极应对气候变化、走绿色低碳发展道路的坚定决心，也为全球气候治理进程注入了强大的政治推力。

新疆位于西北边陲，国土面积占全国总面积的六分之一，而新疆生产建设兵团（以下简称兵团）是新疆的重要组成部分，承担着国家赋予的屯垦戍边职责，解决好兵团碳排放问题既是对中央政策的响应，也是倒逼兵团产业结构调整的关键步骤。一方面，新疆与兵团受煤炭资源比较优势的影响，能源结构调整非常艰难。新疆的煤炭等化石能源的储量可达全国的40%，由于煤炭资源量大、开采成本低、发热量高，导致煤炭在新疆生产、生活能源结构中占比居高不下。另一方面，工业是能源消耗和二氧化碳排放的最主要领域，控制工业碳排放是低碳转型道路的重中之重。兵团经济结构较为单一，工业主要以钢铁、水泥、煤炭等重化工业为主，重化工业是典型的资源型产业，其生产运行以能源原材料为基础，但能源消耗却是二氧化碳排放的最主要领域。因此，要完成兵团经济结构转型发展和国家的低碳发展目标，必须解决好兵团工业、产业的高排放问题，以实现低碳经济发展目标。

基于此，本研究选择兵团为研究样本，首先根据温室气体清单编制中的排放因子对兵团10大高排放产业的碳排放进行计算，其次针对兵团高排放产业的产业规模、能源消费和碳排放现状进行分析，最后运用Vensim PLE软件构建系统动力学模型，从经济发展子系统、能源消费子系统与碳排放子系统三个层面模拟2030年的兵团预期碳排放，并在预期碳排放制约下探寻兵团低碳经济发展路径，以期为促进兵团工业生产方式的转变，实现兵团产业结构的优化升级、提升新疆低碳经济水平提供有用之策。

二、文献评述

精准的碳排放测度是界定高排放产业、剖析排放诱因、探寻减排路径的实证基础，国外学者关于碳排放测度已经形成较为成熟、完善的测算方法，为高排放产业的碳排放量测度发挥了基础作用。国外对于温室气体的研究相对较早，且基于IPCC碳排放核算方法的研究较为广泛，具体来看：第一，在国家碳排放的研究上，WERF等[1]基于ICPP核算体系对于欧洲地区化石能源消耗的碳排放进行测算研究；ZHANG[2]、KAPLAN[3]、MENG[4]等在探讨能源消费与碳排放量相关关系的基础上，以IPCC排放因子法核算了国家的碳排放总量。第二，在城市碳排放的研究上，UREN[5]基于同种方法对于特大城市的碳排放进行度量，反映了城市集聚特征与碳排放之间的相关关系。WANG等[6]选取京津翼经济带为研究区域，基于IPCC排放因子法，对其工业碳排放量进行深入研究。第三，在行业碳排放的研究上，WEST和MARLAND[7]基于农业行业的能源消费视角，采用IPCC碳核算体系，探究了农业能源消耗所产生的碳排放量及其特征的问题。ALLWOOD等[8]基于工业行业视角，运用IPCC碳排放核算法对其碳排放量进行计算，并预测了2050年工业碳排放的发展趋势。国内学者兼收并蓄，并将碳排放的测度广泛地运用到区域环境质量、行业绿色生产的评价当中。纵观国内研究成果，学术界对碳排放测度的方法主要有排放系数法[9]、投入产出法[10-11]、生命周期法[12]、生活方式分析法[13]、实测法[14]和物料衡算法[15]。其中，排放系数法与投入产出法多用于社会科学研究中对碳排放程度的估算，生命周期法、生活方式分析法、实测法与物料衡算法因为需要实地考察、受到资料数据获取困难等原因，多用于工业或行业实际生产中的研究[16]；并在具体实践过程中，基于排放系数法的IPCC核算方法因其具有普适性与简单易行，在学界中备受青睐。

探寻兼顾经济与环境的减排路径、实现增长与污染的脱钩是进行碳排放研究的最终归宿。学界关于碳排放减排路径的实证探索主要从碳排放影响因素分析和碳排放仿真模拟分析两种方法展开。一方面，从区域碳排放的影响因素来看，已有文献多从LMDI分解法[17-18]、Divisia分解法[19]、Kaya恒等式的分解公式[20]、灰色关联法[21]与回归分析[22-23]六种方法展开，核心观点聚焦在人口、技術、人均收入、经济水平、工业化程度、能源强度和能源结构是影响区域碳排放因素的内在原因[24-26]，而至于行业碳排放的影响因素则需根据各个行业的生产特征来具体分析。另一方面，从区域碳排放的仿真模拟分析来看，主要包含LEAP模型预测[27]和系统动力学的SD模型预测两种，已有文献多借鉴系统动力学的SD模型实现仿真模拟。比如，能源-环境-经济的系统动力模型可以有效解释能源开采与碳脱钩效应之间的传导机理[28]，构建系统动力模型预测天津市工业部门能源消耗碳排放结构[29]，构建仿真模型对城市交通能源消耗和碳排量进行仿真预测[30]等；关于区域碳排放系统动力学中子系统的选取学者存在分歧，主要围绕经济、环境和能源的3E系统展开[31-32]，也有增加人口或社会拓展为4～5个子系统展开实证研究[33]。

以上相关研究对碳排放测算提供了较为丰富的研究方法基础，但根据选题背景及前人研究成果，发现也存在以下不足：在研究对象上，多数研究均是基于区域或者行业整体的碳排放研究，就高排放产业的碳排放研究相对较少，而针对兵团的研究更是匮乏；在研究深度上，以往文献大多只关注碳排放测度、碳排放影响因素或减排路径的一个环节，缺乏系统完整的分析过程。本文主要的边际贡献包括：一方面，选择兵团地区为研究样本，并在界定兵团高排产业基础上开展研究，研究对象更加精准，针对性更强；另一方面，采用系统动力学方法构建兵团高排放产业低碳发展的政策影响模型，将模拟结果进行比对以证明了该模型的有效性，并通过调整因素组合对兵团高排放产业未来发展的情景进行了预测，在此基础上提出相关政策建议。

三、兵团高排放产业的识别与碳排放的现状

（一）兵团高排放产业的识别

“高排放产业”又被称作高碳产业、高耗能产业，目前国内外对高排放产业内涵界定尚不统一。国外学者普遍是将化石燃料的发电、石油和天然气开采、纸浆和造纸业等列为高排放产业；国内学者普遍以能源消耗量、碳排放量标准来界定地区的高能耗行业[34]。因此，本文对兵团历年各产业的能源消耗进行折算，所涉及的能源折算系数参考《中国能源统计年鉴》中的折标准煤系数，其中：原煤系数为0.7143千克标准煤/千克、原油系数为1.4286千克标准煤/千克、液化石油气系数为1.7143千克标准煤/千克。将各项能源消耗量与能源折算系数相乘得到各个产业的能源消耗量并进行比较（见表1），以2005—2018年年均碳排放量排名前十位的电力、热力的生产和供应业，化学原料及化学制品制造业，石油、煤炭及其他燃料加工业，非金属矿物制品业，食品制造业，黑色金属冶炼和压延加工业，农副食品加工业，纺织业，煤炭开采和洗选业，化学纤维制造业作为兵团的十大高排放产业。经测算表明（如图1所示），2005—2018年间兵团10大高排放产业的能源消耗总量逐步攀升，但增速自2016年开始明显放缓；兵团10大高排放产业能耗在兵团工业综合能耗中的占比在2009年已有下滑趋势，且2011—2014年下滑趋势明显，但在这14年中占比持续保持在60%之上；故解决好这10个产业的碳排放偏高问题，将极大地促进兵团工业的低碳发展。

（二）兵团高排放产业的碳排放现状

高耗能产业消耗的能源种类众多，兵团涉及的主要能源消耗有煤炭、石油、天然气、水电及其他能源；且考虑到能源数据的代表性及兵团能源数据的可获取性，本文将主要对兵团整体及十大高排放产业的煤炭、石油和天然气等主要能源消费所产生的碳排放量进行估算。核算方法参考揭俐等[28]的研究，采用联合国政府间气候变化专门委员会（IPCC）编写并经过多次修订的《2006年IPCC国家温室气体清单指南》。其计算公式计算碳排放量：

其中，[Ci]表示第[i]类能源的碳排放量，[Ei]为第[i]类能源消费量；[Sj]表示[j]类能源在能源消费总量中所占的比重；[Fj]表示各类能源消费的碳排放系数，其中，[Fj]的取值参考表2数据，并取其平均值计算，44/12表示碳转化为二氧化碳的换算系数。关于兵团碳排放的有关数据均来自《兵团统计年鉴》。

表3报告了兵团高排放产业的碳排放总量，不难发现除碳排放总量最高的电力、热力的生产和供应业大致呈现出逐年增加的变化趋势外，其余产业均表现出先增加后降低的变化趋势。（1）电力、热力的生产和供应业是对国民经济发展具有全局性、先导性影响的基础行业，属于兵团地区冬季供热的生活必需产业，并与建筑、煤炭等多个行业具有上下游关联关系。兵团该行业碳排放量多年来稳步增加，仅2008年有减缓趋势，2008年之后又快速增加，2005年碳排放量仅为159.097万吨，直至2018年碳排放量增加至1 980.637万吨。这种持续增长态势既与该行业的高需求量有关，也与该行业的基础特性有关。（2）化学原料及化学制品制造业的碳排放量在2005年至2015年持续增加，2015年之后碳排放量明显减少，说明兵团围绕“到2020年，单位生产总值二氧化碳排放量较2015年下降12%”的“十三五”节能减排综合工作对化学原料及化学制品制造业起到了显著影响。（3）石油、煤炭及其他燃料加工业在2008年以及2018年碳排放量有所下降之外，其余年份仍然保持增长的态势，2008年的下降可能是源于兵团工业增速减缓引致了部分行业的能源消耗量有所减少。（4）非金属矿物制品业的碳排放量呈现“N”型趋势，2013年与2016年分别是该行业碳排放量变化的转折点。（5）食品制造业碳排放量前期始终稳步增长，直至2012年开始呈现波动变化的趋势，保持着先增—后降—再增的变化效果，相对来说碳排放变化特征较不稳定。（6）黑色金属冶炼及压延加工业、纺织业类的碳排放趋势与食品制造业类似，同样呈现不稳定的特征，但是该行业碳排放量最多时仅为6.774万吨，排放量在十类高排放产业中处于末尾，对环境污染的影响效应较弱；不同的是纺织业近几年碳排放量下行趋势明显，已经明显低于黑色金属冶炼及压延加工业。（7）农副食品加工业同样呈现波动的变化趋势，2015年之后是逐年下降，表明该行业的碳排放量得到有效控制。（8）煤炭开采和洗选业碳排放量显示出“M”型变化趋势，前期碳排放量较少，从2009年之后开始以较快的速度逐渐增加，最高时碳排放量达到118.044万吨，达到最高点时碳排放量又开始逐年下降，得到有效控制。（9）化学纤维制造业的碳排放量变化态势显著不稳定，前期碳排放量相对较少但是增减特征同时显著存在，至2015年之后碳排放量呈逐渐增长，说明兵团对化学纤维制造业的能源消费投入在增加，消费需求在扩展。

四、系统动力学模型的构建与检验

（一）研究方法与研究思路

系统动力学模型作为一种仿真预测模型，在研究分析信息反馈系统以及解决系统问题方面具有显著优势，并且在我国研究碳排放影响机制方面也得到广泛的应用。系统动力学模型通常会以预期发展目标（产出结果）为导向设置一个总目标系统，下分各个子系统为总目标系统的影响因素集合，考慮到文章研究目标为探寻兵团高排放产业的低碳经济发展路径，剖析兵团高排放产业的碳排放与经济发展、能源消耗之间的复杂关系，故而参考徐成龙等[27]、刘畅和涂国平[35]、王喜莲和金青[36]的研究，建立低碳经济系统仿真模型。通过调整模型内部的变量，本文以兵团的十大高排放产业作为研究对象，将兵团高排放产业的低碳发展系统划分为三个子系统，包含经济发展子系统、能源消费子系统与碳排放子系统。其中：经济发展子系统主要考察兵团宏观经济状况、兵团高排放产业的规模和结构情况、兵团科教投入与环境治理等技术手段；能源消耗子系统包括兵团高排放产业的能源消费总量与强度、各类能源的消费量与比重；碳排放子系统包括各类能源碳排放系数、兵团高排放产业的各类能源碳排放、兵团高排放产业的碳排放总量与强度，具体分析如下：

1. 经济发展子系统：经济增长因素、产业结构因素均是能源消费与碳排放总量增加的最主要的因素。一方面经济发展需要能源投入，而能源消耗会导致碳排放总量增加；另一方面也会通过科教投入和环境治理投入等生态系统建设，增加生态系统的碳承载力。基于此，本研究在经济发展子系统中所引入的主要变量有：兵团社会固定资产投资、兵团GDP总量、兵团高排放产业占GDP总量的比例、兵团高排放产业经济产值、兵团高排放产业经济产值增速、兵团社会科教投入、兵团环境治理投入共7个变量。

2.能源消耗子系统：能源消耗子系统既是经济发展子系统的直接输出系统，同时也是碳排放子系统的直接输入系统，因而能源消费的变化将会直接影响碳排放的变化。刘永红[32]指出，能源消耗引起的碳排放量占空气中人工碳排放总量的96%以上，且新疆工业行业的能源消耗主要以煤炭为主；基于此，本文在能源消耗子系统中引入高排产业能源消费和、高排产业能源强度、煤炭能源消耗量、石油能源消耗量、天然气消耗量、煤炭能源消费比、石油能源消费比、天然气能源消费比8个变量。

3. 碳排放子系统：2017年兵团印发的《兵团“十三五”节能减排综合工作实施方案》和《兵团“十三五”控制温室气体排放工作实施方案》中明确指出，到2020年，兵团单位生产总值二氧化碳排放量较2015年下降12%，碳排放总量将得到有效控制。基于此，本文研究2006—2018年的碳排放情況，并模拟2020-2030年的预期碳排放，以期在预期碳排放约束下探寻低碳发展路径。该系统中变量的选取主要围绕与碳排放相关的指标展开，包含：煤炭能源排碳量系数、石油能源排碳量系数、天然气能源排碳量系数、煤炭碳排放、石油碳排放、天然气碳排放、碳排放总量和碳排放强度共8个变量。

（二）系统流量图的绘制

兵团高排放产业的低碳发展系统是一个涉及经济、能源与环境的复杂系统，本文通过数学方法定量表述各因素间的关系，运用Vensim-PLE 软件将三个子系统连接为一个有机整体，将研究对象放入系统中以增加结果的准确性。在方程参数的确定上主要采用了以下几种方法：第一，回归分析法。通过线性回归确定兵团高排放产业经济产值、高排产业能源消费和、兵团社会科教投入、兵团环境治理投入等核心变量的参数。第二，表函数法。模型中有些变量参数不能通过简单的线性回归得到，而表函数可以精确描述非线性关系变量的参数变化，如兵团社会固定资产投资、高排产业能源强度、兵团高排放产业经济产值增速等。第三，煤炭、液化石油气、天然气以及电力的碳排系数在参考表2的基础上，通过对模型的不断调整使之与历史数据相吻合。得到的兵团产业碳排放系统流量如图2所示。

从图2不难看出，经济发展子系统、能源消耗子系统与碳排放子系统之间是一个复杂的关系网络，单个子系统中的因素对兵团高排放产业的低碳发展具有影响但不能一概而论，兵团高排放产业的低碳发展系统是由各个子系统中所有因素综合作用而得的结果。其中所展现的几条关键反馈回路包括：（1）天然气/煤炭/石油能源消耗比例会影响天然气/煤炭/石油能源消耗量，天然气/煤炭/石油能源消耗量会影响天然气/煤炭/石油碳排放量，进而影响碳排放总量。（2）社会固定资产投资增长率会影响社会固定资产增长量，社会固定资产增长量会影响社会固定资产投资，社会固定资产投资会影响高排放产业投资，高排放产业投资会影响高排放产业能源消耗，进而传导至碳排放总量。（3）高排放产业产值会影响GDP，GDP会影响环境治理投入，环境治理投入会影响生态环境治理因子，进而影响碳排放总量。（4）高排放产业产值会影响GDP，GDP会影响社会科教投入，社会科教投入会传导作用于技术提升影响因子，技术提升影响因子会传导作用于天然气/煤炭/石油能源消耗量，进而影响到碳排放总量。

（三）模型检验分析

本文设计了两个模型检验，包括一致性检验与灵敏度检验。一方面，运用Vensim-PLE软件对模型系统进行一致性检验，选取系统中2010—2018年的GDP总量、社会固定资产投资、高排放产业经济产值、煤炭能源消耗量、石油能源消耗量、天然气消耗量、高排产业能源消费和碳排放总量为检验变量；得到的碳排放量模拟结果显示，该系统相对误差多处于1%以内，最高为11.68%（见表4），其误差均在系统动力学模型允许的误差15%以内。另一方面，在一致性检验基础上，又采用煤炭消耗、液化石油气消耗和天然气消耗量进行灵敏度分析，观测系统的行为是否会因某些参数的微小变动而发生重大改变，表达式如公式（2）所示；检验结果表明，天然气、液化石油、煤炭消耗比重灵敏度均不超过6%，三个参数的灵敏度都较低（见表5），说明该模型比较稳定，可用来进行情景仿真模拟。

（四）情景模拟与分析

1. 碳排放预测。根据本研究建立流程图和数量方程，在初始状态下通过Vensim-PLE的仿真程序，以1年为步长模拟在兵团宏观经济环境、高排放产业产值与规模、科教与环境投入、能源结构与能源强度等变量不进行政策调控的初始状态下，兵团高排放产业2020—2030年的碳排放总量（见图3）。

本节关注重点在于关键变量的参数调节能否影响兵团高排放产业的碳排放总量。模型在初始条件下的运行及模拟结果表明，在不进行政策调整的情况下兵团十大高排放产业的碳排放将持续上升，到2020年碳排放总量将达到5 523.8万吨，到2030年碳排放总量将达到10 130.4万吨。不难发现，若没有宏观环境影响和政策手段的介入，“十四五”时期兵团高排放产业的碳排放强度将围绕在2.65～2.95吨/万元徘徊，碳排放强度增速将稳定在2.3%附近浮动（见图4）；2020年碳排放的实际值经测算，与预测值误差在7%以内，也验证兵团“十三五”时期未能实现《兵团“十三五”节能减排综合工作实施方案》和《兵团“十三五”控制温室气体排放工作实施方案》中 “2020年单位生产总值二氧化碳排放量较2015年下降12%。”的总政策目标。

2.情景模拟与讨论。情景模拟旨在通过调控主要参数设置不同情景，进而模拟分析其对碳排放的影响程度，本文从单变量调整和组合因素调整两个角度出发探寻不同情景下的兵团高排放产业碳排放量，为减排政策的制定提供参考依据。

（1）单因素参数调整模型。模型单因素参数调整指的是对兵团高排放产业低碳发展系统模型中单个关键变量进行调整，通过设置不同的参数情景来分析该变量对系统产出结果的影响程度。在单变量调整中，本研究选择的关键变量调整主要有4個，包括高排放产业规模比例调整、能源消费结构调整、环境治理投入比例调整、科教投入比例调整，其具体仿真模拟的情景设置如表6所示。模型组合因素调整指的是将以上所有单变量一并纳入调整，设置不同的参数情形，以分析系统产出结果变化的方法，其具体情景设置如表7所示。

在四种单因素调整方案下，兵团高排放产业碳排放总量较之于初始状态都有一定程度的降低，但不同方案调整的边际效果却各有不同，能源消费结构调整效果>产业规模调整效果>环境治理投入比例调整效果>科教投入比例调整效果。具体来看：①在高排放产业规模下降5%的情形1下，2030年的碳排放较之于初始状态减少531.43万吨，即5.54%；在高排放产业规模下降10%的情形2下，2030年的碳排放较之于初始状态减少1 169.19 万吨，即13.5%；在高排放产业规模下降15%的情形3下，2030年的碳排放较之于初始状态减少1 806.96万吨，即21.71%。②在能源消费结构中煤炭比重降低5%的情景1下，2030年的碳排放总量较初始值状态减少709.09万吨，即下降7%；在能源消费结构中煤炭比重降低10%的情景2下，2030年的碳排放总量较初始值状态减少1 620.83万吨，即下降16%；在能源消费结构中煤炭比重降低15%的情景3下，2030年的碳排放总量较初始值状态减少2 329.96万吨，即下降23%。③在环境治理投入占GDP比例提升5%的情景1下，2030年的碳排放总量较初始值状态减少506.48万吨，即下降5%；在环境治理投入占GDP比例提升20%的情景2下，2030年的碳排放总量较初始值状态减少1 013万吨，即下降10%；在环境治理投入占GDP比例提升15%的情景3下，2030年的碳排放总量较初始值状态减少1 519.52万吨，即下降15%。④在科教投入占GDP比例提升5%的情景1下，2030年碳排放总量较初始值状态减少202.56万吨，即2.04%；在科教投入占GDP比例提升10%的情景2下，2030年碳排放总量较初始值状态减少506.48万吨，即5.26%；在科教投入占GDP比例提升15%的情景3下，2030年碳排放总量较初始值状态减少911.70万吨，即9.89%。⑤值得注意的是，就兵团十大高排放产业而言，在四种单因素方案下，无论哪种情景的高排放产业碳排放强度，均无法实现《兵团“十三五”节能减排综合工作实施方案》中 “2020年单位生产总值二氧化碳排放量较2015年下降12%”的政策目标。四种单因素方案下的2020年兵团碳排放强度围绕2.244～2.755吨/万元变动，均高于2015年2.08吨/万元的碳排放强度；2020年碳排放强度的实际值经测算，不仅没有低或等同于2015年碳排放强度，反而是高于2015年碳排放强度9.7%左右，未能实现政策目标，与系统仿真模拟结果相符。

（2）组合因素参数调整模型。模型组合因素参数调整指的是对兵团高排放产业低碳发展系统模型中多个关键变量进行调整，通过设置不同的参数情景来分析组合变量调整对系统产出结果的影响程度。表7报告的是本文为兵团高排放产业低碳路径所涉及的三种组合因素情形，涉及经济发展子系统、能源消耗子系统与碳排放子系统中的关键因素，包含高排放产业规模比例、科教投入占财政支出比例、环境治理投入占固定资产比例、能源消费结构比例四个变量。

组合因素调整方案下，兵团高排放产业碳排放总量、能源消耗总量与碳排放强度较之于初始状态均出现了大幅下降，且越严格的组合情形下兵团高排放产业的碳排放总量、能源消耗总量与碳排放强度下降幅度越大。具体来看：①在碳排放总量的下降上，组合情景1相较于系统初始结果碳排放降低1 207.28万吨，即下降11.92%；组合情景2相较于系统初始结果碳排放降低2 154.93万吨，即下降21.27%；组合情景3相较于系统初始结果碳排放降低3 049.42万吨，即下降30.10%。②在能源消耗总量的下降上，组合情景1至组合情景3都能实现控制能源消耗过度增长，组合情景1相较于系统初始结果能源消耗降低108.39万吨/标准煤，即下降10.98%；组合情景2相较于较于系统初始结果能源消耗降低186.30万吨/标准煤，即下降18.88%；组合情景3相较于系统初始结果能源消耗降低222.99万吨/标准煤，即下降22.60%。③在碳排放强度的下降上，2015年兵团十大高排放产业的碳排放强度为2.09吨/万元，组合情景1的碳排放强度在2020年为2.01吨/万元，相较于2015年碳排放强度下降了3.82%；组合情景2的碳排放强度在2020年为1.92吨/万元，相较于2015年碳排放强度下降了8.13%；组合情景3的碳排放强度在2020年为1.55吨/万元，相较于2015年碳排放强度下降了15.31%，故而仅仅依靠单一变量来对模型进行调整具有较大的局限性，因而在实际情况中，兵团高排放产业降低碳排放需要打好多种调控政策的组合拳。

五、结论与启示

（一）主要结论

本文基于2005—2018年的相关数据，通过能源消耗总量甄别了兵团十大高排放产业，采用联合国政府间气候变化专门委员会（IPCC）编写的公式测度了兵团高排放产业的碳排放水平，运用Vensim-PLE 仿真模拟软件针对兵团高排放产业特征构建了兵团产业低碳发展系统。研究得到了以下关键性结论：第一，研究期内兵团排名前十位高排放产业分别为电力、热力的生产和供应业，化学原料及化学制品制造业，石油、煤炭及其他燃料加工业，非金属矿物制品业，食品制造业，黑色金属冶炼和压延加工业，农副食品加工业，纺织业，煤炭开采和洗选业，化学纤维制造业。第二，研究期内多数产业碳排放量表现为波动上升的态势，2018年有所降低，个别行业显示出随时间逐年增加的趋势，各产业间碳排放量差异显著，呈现两极分化态势。第三，“十四五”时期兵团高排放产业的碳排放强度将围绕在2.65～2.95吨/万元徘徊，碳排放强度增速将稳定在2.3%附近浮动；2020年碳排放总量与强度实际值测算结果与仿真系统模拟结果大致相符，未达到实现 “2020年单位生产总值二氧化碳排放量较2015年下降12%。”的总政策目标。第四，兵团高排放产业规模比例调整、科教投入比例调整、环境治理投入比例调整、能源消费结构调整四个单因素均可改善兵团高排放产业的碳排放总量，且能源消费结构调整效果>产业规模调整效果>环境治理投入比例调整效果>科教投入比例调整效果。第五，组合因素调整方案下，越严格的组合情形下兵团高排放产业的碳排放总量、能源消耗总量与碳排放强度下降幅度越大。

（二）政策启示

1.聚焦产业转型升级，降低高排产业产出比例。研究结论表明，兵团十大高排放产业均属于资源密集型的重工业，且控制高排放产业产值占比能够有效遏制碳排放总量的上升。因而，产业结构转型升级、控制高排放产业的产出规模是遏制碳排放增加的重要手段。一方面，要改造和提升传统产业，增加新型产业的产值贡献。引导和推动钢铁、水泥、造纸、装备制造业等领域企业的兼并重组；并結合兵团自然条件与区域优势，选择风能、太阳能、干空气能、生物质能等重点领域，突出发展风机制造、太阳能级硅片、沼气发电工程等高技术产业化项目。另一方面，要限制重工业的增长，降低高排产业产出比例。严格审批钢铁、水泥、电解铝、炼焦、电石等新增产能项目；对高耗能产业和产能过剩行业实行能源消费总量控制；提高新建项目准入门槛，研究制定重点行业单位产品温室气体排放标准。

2.优化能源消费结构，推进可再生能源利用。研究结论表明，降低能源消耗结构中的煤炭比例对于降低碳排放来说有着客观的效果，因而，优化能源结构就显得尤为重要。一方面，应调整煤炭开发力度，完善煤炭利用体系。根据煤炭开采企业的产能现状设置该企业合理的煤炭开采量，建立有效的反馈机制，对煤炭消耗行业进行长期的监督管理；改进现有煤炭利用体系，加大洁净煤技术的支持力度，实现煤炭资源的高效利用和清洁利用。另一方面，综合利用工业资源，提高能源利用效率。加快大宗工业固体废物综合利用先进技术装备和产品的推广应用；推动尾矿、煤矸石、粉煤灰、冶金渣、工业副产石膏、化工废渣、赤泥等大宗固体废弃物的综合利用；并在兵团内部区域间建立循环型工业发展体系，强化生态链接、原料互供、资源共享，促进兵团产业基地的链接共生和协同利用，以提高能源、资源利用效率。

3.改革低碳经济的政策制度，加大财政资金的支持力度。研究结论表明，增加环境治理支出和科教投入均能在一定程度上缓解碳排放总量的上升，因而加大财政绿色支持将在长期上有利于引导企业低碳发展。一方面，应形成环保财税政策，建立低碳激励机制。政府需在其采购的劳务和商品起带头作用，优先选择具有“低碳”标志的环保产品，以此影响企业生产方向和消费者选择方向；同时对投资于风能、太阳能、水能等一系列可再生能源开发的企业给予在一定年限内减免所得税的优惠政策。另一方面，要进一步加大科研投资和环境治理投资。通过财政补贴、税收优惠和绿色信贷等多种激励措施，激发企业在低碳技术创新方面的动力，引导企业不断加大在燃煤高效发电技术、脱碳与去碳等技术方面的资源投入。

参考文献：

［1］WERF G R V D，RANDERSON J T，COLLATZ G J，et al.Carbon emissions from fires in tropical and subtropical ecosystems［J］.Global Change Biology，2010，9（4）：547-562．

［2］ZHANG X P，CHENG X M.Energy consumption，carbon emissions，and economic growth in China［J］.Ecological Economics，2009，68（10）：2706-2712．

［3］KAPLAN J O，KRUMHARDT K M，Ellis E C，et al.Holocene carbon emissions as a result of anthropogenic land cover change［J］.Holocene，2011，21（5）：775-791．

［4］MENG H L，KUN K X.An Empirical Study on Chinas Energy Consumption，Carbon Emissions and Economic Growth［J］.Advanced Materials Research，2013，869-870：377-380．

［5］DUREN R M，MILLER C E.Measuring the carbon emissions of megacities［J］.Nature Climate Change，2012，2（8）：560-562．

［6］WANG Z，YANG L.Delinking indicators on regional industry development and carbon emissions：Beijing-Tianjin-Hebei economic band case［J］.Ecological Indicators，2015，48：41-48．

［7］WEST T O，MARLAND G.A synthesis of carbon sequestration，carbon emissions，and net carbon flux in agriculture：comparing tillage practices in the United States［J］.Agriculture Ecosystems & Environment，2002，91（1）：217-232．

［8］ALLWOOD，JULIAN M，CULLEN，et alL.Options for Achieving a 50% Cut in Industrial Carbon Emissions by 2050［J］.Environmental Science & Technology，2005，44（6）：1888-1894．

［9］范建双，周琳.中国建筑业碳排放时空特征及分省贡献［J］.资源科学，2019，41（05）：897-907．

［10］马艳艳，逯雅雯.不同来源技术进步与二氧化碳排放效率——基于空间面板数据模型的实证［J］.研究与发展管理，2017，29（04）：33-41．

［11］王保乾，葛宇翔，陈盼.行业视角下中国对外贸易隐含碳排放研究［J］.资源与产业，2019，21（04）：3-11．

［12］王悦，李锋，孙晓．城市家庭消费碳排放研究进展［J］．资源科学，2019，41（07）：1201-1212．

［13］王婧婕，张凯山，艾南山，等.成都市公众典型生活方式分析及碳排放研究［J］.中国人口·资源与环境，2014，24（S2）：36-40．

［14］刘学之，孙鑫，朱乾坤，等.中国二氧化碳排放量相关计量方法研究综述［J］.生态经济，2017，33（11）：21-27．

［15］吉红洁，袁进，郭亚兵，等．关于焦化行业CO2排放核算方法的探讨［J］.中国环境管理，2015，7（01）：63-67．

［16］计志英，赖小锋，贾利军.家庭部门生活能源消费碳排放：测度与驱动因素研究［J］.中国人口·资源与环境，2016，26（05）：64-72．

［17］徐盈之，邹芳.基于投入产出分析法的我国各产业部门碳减排责任研究［J］．产业经济研究，2010（05）：27-35．

［18］徐盈之，徐康宁，胡永舜.中国制造业碳排放的驱动因素及脱钩效应［J］.统计研究，2011，28（07）：55-61．

［19］王圣，王慧敏，陈辉，等.基于Divisia分解法的江苏沿海地区碳排放影响因素研究［J］.长江流域资源与环境，2011，20（10）：1243-1247．

［20］戴小文，何艳秋，钟秋波.基于扩展的Kaya恒等式的中国农业碳排放驱动因素分析［J］.中国科学院大学学报，2015，32（06）：751-759．

［21］王永哲，马立平.吉林省能源消费碳排放相关影响因素分析及预测——基于灰色关联分析和GM（1，1）模型［J］.生态经济，2016，32（11）：65-70．

［22］张颂心，王辉，徐如浓.科技进步、绿色全要素生产率与农业碳排放关系分析——基于泛长三角26个城市面板数据［J］.科技管理研究，2021，41（02）：211-218．

［23］张般若，李自杰.高铁能促进低碳经济吗？——高铁开通对城市碳排放强度的影响及机制研究［J］.华中科技大学学报（社会科学版），2021，35（01）：131-140．

［24］WANG Z，YANG L．Delinking indicators on regional industry development and carbon emissions： Beijing-Tianjin-Hebei economic band case［J］. Ecological Indicators，2015，48：41-48．

［25］袁路，潘家华.Kaya恒等式的碳排放驱动因素分解及其政策含义的局限性［J］.气候变化研究进展，2013，9（03）：210-215．

［26］秦军，唐慕尧，刘雪丽.低碳经济发展的灰色评价研究［J］．生态经济，2014，30（04）：14-18，28．

［27］徐成龙，张晓青，任建兰.山东省低碳发展下的碳排放情景研究［J］．经济与管理评论，2013，29（05）：133-139．

［28］揭俐，王忠，余瑞祥.中国能源开采业碳排放脱钩效应情景模拟［J］.中国人口·资源与环境，2020，30（07）：47-56．

［29］李虹，徐樟丹.基于系统动力的城市工业低碳发展路径研究［J］.科技管理研究，2015，35（08）：227-231，243．

［30］周银香.基于系统动力学视角的城市交通能源消耗及碳排放研究——以杭州市为例［J］．城市发展研究，2012，19（09）：99-105．

［31］贺媛媛，谭欣.基于系统动力学的区域低碳发展政策研究——以中国为例［J］.天津大学学报（社会科学版），2013，15（06）：507-511．

［32］刘永红.基于系统动力学的山西省低碳经济发展路径研究［D］.山西财经大学，2015．

［33］李进链.重庆市工业碳排放的系统动力学分析［J］．无锡商业职业技术学院学报，2019，19（04）：26－34．

［34］孙建.重庆高排放产业碳排放影响因素及低碳发展路径研究［D］.重庆工商大学，2018．

［35］刘畅，涂国平.基于系统动力学的国家低碳发展战略情景仿真分析［J］.系统工程，2015，33（07）：100-106．

［36］王喜蓮，金青.煤炭产业绿色低碳发展政策情景模拟研究［J］.生态经济，2022，38（04）：60－67．

责任编辑：李黎

System Dynamics Analysis of Carbon Emissions from High Emission Industries in Xinjiang Production and Construction Corps

Wang Yali  Zhu Jinhe

（College of Economics and Management，Shihezi University，Shihezi 832000， Xinjiang， China）

Abstract： Low carbon development in industries is an inherent requirement for sustainable and scientific development， and also a necessary path for the construction of a resource-saving and environmentally friendly society. The article uses Vensim-PLE simulation software to construct a low-carbon development model for the XPCC high emission industries， including economic development subsystem， energy consumption subsystem， and carbon emission subsystem. The following conclusions have been drawn from the study. Firstly， the paper identified the top ten high emission industries in the XPCC， which are the industries of production and supply of electricity and heat， manufacturing of chemical raw materials and products， processing of petroleum， coal and other fuels， non-metallic mineral products， food manufacturing， ferrous metal smelting and rolling processing， agricultural and sideline food processing and textile industry， coal mining and washing industry， and chemical fiber manufacturing industry. Secondly， the carbon emissions of the high emission industries in the XPCC show a fluctuating and polarized trend. Thirdly， in the simulation of the low-carbon development path of the high emission industries in the XPCC， under single factors， the adjustment effect of energy consumption structure is most effect， followed by the adjustment of industrial scale， which is more effective than that of environmental governance investment proportion， which is followed by the adjustment effect of science and education investment proportion shows the least effect. The stricter the scenario conditions are set under combined factors， the better the adjustment effect. Based on this， relevant measures for carbon emission reduction have been proposed from three aspects： reducing the proportion of output in high emission industries， promoting the utilization of renewable energy， and reforming policies and systems for low-carbon economy.

Key words： high emission industries; carbon emissions; system dynamics

[基金项目]兵团社科基金一般项目（项目编号：19YB13）；教育部社科基金项目（项目编号：21YJA790086）。

[作者简介]王雅莉（1994-），女，河南安阳人，博士研究生，研究方向：区域经济；通讯作者：朱金鹤（1979-），女，新疆昌吉人，管理学博士，教授，博导，研究方向：区域经济、制度经济与产业经济。