2019, Vol. 40
低碳经济是在全球气候变暖的背景下, 以可持续发展理念, 尽可能地减少温室气体(主要是指CO2)排放, 通过技术制度创新、产业转型升级、研发新能源等多种手段, 实现社会发展与资源环境和谐的经济发展形态.
碳排放预测方法主要有EKC, STIRPAT, LEAP, MARKAL等；虽然模型不同, 但预测时一般采用多情境设定的方式.近年来学者如Tolmasquim等主要研究利用IEPM模型对巴西CO2排放情况进行预测, 指出巴西高能源强度、高碳排放量、低能源效率和低工业附加值等尖锐的环境现状, 提出大力发展新能源、研发新技术、调整产业结构等重要措施[1]. Shimada等在日本滋贺县的低碳情境路径研究中, 提出到2030年实现碳排放在1990年水平上减少30%~50%的目标, 滋贺县的总产出继续以年均1.6%增长是可能的[2]. Shukla等研究印度低碳社会发展方案, 认为低碳社会情境模拟使社会、经济和技术转变等应对气候变化的因素可视化[3]. Tunç运用TIMES能源系统模型对欧洲27个主要温室气体排放国家的碳排放情况进行了分情境分析预测, 结果表明不断优化能源消费结构、大力发展碳捕捉与节能技术对减少碳排放、改善环境有非常重要的意义[4].
国内学者如渠慎宁等在STIRPAT模型中加入了人均收入的平方项以及产业结构, 设定2009—2050年模型各变量的变化情况并对中国的碳排放进行预测[5].冯悦怡等利用LEAP模型, 分析BAU, LES和ICS这3种不同情境下2007—2030年北京市能源需求、能源结构和碳排放的发展趋势[6].黄蕊等利用STIRPAT模型, 定量分析了江苏省能源消费碳排放量与人口、人均GDP、能源强度和城镇化水平之间的关系, 并设置8种不同的发展情境, 分析了江苏省未来能源消费碳排放量的发展趋势[7].刘晴川等通过LMDI因素分解法将影响碳排放的因素分解为人口、人均GDP、产业结构、能源结构、能源强度和碳排放系数; 利用扩展的STIRPAT碳排放模型, 对2013—2050年重庆市碳排放进行预测, 对比分析了各情境下的峰值大小及出现时间[8].
目前, 专家学者们运用这些模型方法对不同研究对象的碳排放量进行了预测, 大大提高了碳排放预测的理论和实践水平.但是, 碳排放受制于诸多不确定因素, 如何准确地预测碳排放仍是未来研究的重难点.碳排放与能源消费有着密切联系, 如何从能源消费的角度, 基于碳排放的主要影响因素进行预测, 也是未来低碳经济研究的热点.国内外对国家层面碳排放的研究, 从研究方法、研究角度方面都比较成熟、比较全面, 但对中国各个地区, 尤其是作为我国工业大省的辽宁省, 在碳排放方面的研究比较少.本文基于对辽宁碳排放实际情境的分析, 以及经济发展增速和节能减排约束, 设置6种不同情境对碳排放情况进行预测并做出最优情境选择.
1 辽宁省碳排放的情境预测 1.1 辽宁省碳排放预测的约束条件 1.1.1 经济发展约束《辽宁省第十三个五年规划纲要》中指出, 到“十三五”末期实现地区生产总值年均增速不低于全国平均水平(6.5%), 全省常住人口城镇化率达到70%, 努力建成国家老工业基地振兴发展先行区.
1.1.2 能源消耗约束《辽宁“十三五”节能减排综合工作实施方案》指出, 到2020年全省能源消耗增量控制在3 550万t标准煤以内, 煤炭占能源消费总量下降到58.6%以下, 非化石能源占一次能源消费比重达到6.5%, 天然气消费提高到8%左右.
1.1.3 碳排放约束《辽宁省“十三五”控制温室气体排放工作方案》提出，到2020年单位地区生产总值碳排放比2015年下降18%, 碳排放总量必须得到有效控制.
1.2 碳排放预测模型的建立及拟合 1.2.1 模型的建立IPAT模型只考虑三个因素对环境压力的影响, 且只能分析自变量对因变量的等比例影响, 比较局限, 因此采用随机形式的STIRPAT模型, 表达式为
|
(1) |
式中:I代表环境压力, 以碳排放量表示; P代表人口规模; A代表富裕程度, 以人均GDP表示; T代表技术水平, 以能源消费强度表示; a是模型系数, b, c和d分别是人口规模、人均GDP和能源消费强度的弹性系数; E是误差项.
由先前的研究，运用LMDI分解模型, 分析了辽宁的人口增长、经济发展、经济结构、能源消费结构、能源消费强度、城市化水平、居民生活水平等因素对辽宁省碳排放增长的贡献, 可知人口规模(P)、人均GDP(A)和能源消费强度(T)对辽宁省碳排放具有不同程度的影响, 此外，经济结构对辽宁碳排放增长贡献率的波动性是最大的; 城市化水平对辽宁的碳排放增长一直起到正向的促进作用, 除人均GDP之外, 城市化水平对碳排放增长的贡献率是最大的; 能源消费结构对碳排放增长的作用很不稳定且波动性较大, 表现为先促进后抑制又促进, 说明辽宁省始终在对能源消费结构进行调整, 但调整过程比较艰难, 效果不是特别理想, 煤炭在相当长的时期内还是最主要的辽宁的消费能源.结合辽宁的实际情况, 将经济结构(Ir)、能源消费结构(H)和城市化水平(Ps)(见表 1)引入模型, 两边取对数得拓展后的公式:
|
(2) |
|
表 1 模型中变量的符号及其定义 Table 1 Symbols and definitions of variables in the model |
2005—2015年的各变量数据均来自《辽宁统计年鉴》和《中国统计年鉴》, 或基于此计算得出.变量间的相关性检验:对模型拟合可知, 多数变量之间存在高度的相关性, 因此选择主成分回归方法对模型进行拟合；提取主成分, 可知:F1和F2的累积贡献率达到95.807%, 说明F1和F2能够反映6个解释变量95.807%信息, 故可只选择F1和F2.
|
(3) |
|
(4) |
主成分回归和ADF单位根检验均为平稳的时间序列, 可以直接进行回归, 并各自检验通过, 得到lnI关于F1和F2的方程:
|
(5) |
将式(3)和(4)代入式(5)可得回归方程:
|
(6) |
将式(6)标准化还原为原始变量的最终拟合方程:
|
(7) |
对辽宁2005—2015年碳排放量测算, 拟合值与实际值基本吻合, 预测模型符合标准.
1.3 辽宁省碳排放情境预测及结果分析 1.3.1 预测情境的设置思路本研究的STIRPAT模型中共有6个变量, 分为两类:经济社会发展变量和减排变量.经济社会发展变量包括人口总量、人均GDP和城市化率; 减排变量为工业化水平、能源消费强度、非化石能源占比.通过情境设置来预测不同模式下辽宁未来年份的碳排放情况.
将经济社会发展变量设为三种增长模式:高增长、中增长和低增长.减排变量只设置两种强度:强减排和中减排, 因为从国家层面, 节能减排力度只会越来越大，不会削弱.由这两类变量的不同模式, 得到6种组合情境(表 2).中增长中减排情景设定为基准情境, 剩余5种情境在基准情境基础上展开.
|
|
表 2 辽宁省碳排放预测的组合情境 Table 2 Combination scenarios of forecasting carbon emission in Liaoning |
人口参数:“十二五”期间辽宁人口年均增长率降至0.03%, 据联合国(2009)预测, 中国人口将于21世纪30年代达到峰值, 21世纪40年代后人口逐步负增长, 鉴于辽宁人口增长率低于全国平均水平, 设定辽宁人口在三种模式下增长率如表 3所示.
|
|
表 3 辽宁省2016—2040年人口的增长率预测 Table 3 Prediction of population growth rate in Liaoning Province in 2016-2040 |
人均GDP:辽宁省“十三五”规划中要实现GDP年均增长约6.5%, 低碳化发展条件下, 设定中增长模式.“十三五”后人均GDP增长率下降空间会逐渐缩小, 如表 4所示.
|
|
表 4 辽宁省2016—2040年人均GDP的增长率预测 Table 4 Prediction of per capita GDP growth rate in Liaoning Province in 2016-2040 |
城市化水平:辽宁城市化进程一直高于全国平均水平, 结合辽宁发展目标, 根据发达国家经验, 假设当城市化率达到80%时开始出现下降, 见表 5.
|
|
表 5 辽宁省2016—2040年城市化率预测 Table 5 Prediction of urbanization rate in Liaoning Province in 2016-2040 |
工业化水平:“十二五”期间, 辽宁工业增加值年均增长率为-0.34%.与全国水平相比, 辽宁工业占比仍处于高位, 设“十三五”后的工业占比降幅逐渐增大, 且增大的幅度先增后减, 见表 6.
|
|
表 6 辽宁省2016—2040年工业化水平增长率预测 Table 6 Prediction of industrialization level growth rate in Liaoning Province in 2016-2040 |
能源消费强度:辽宁“十三五”提出到2020年全省单位地区生产总值能耗比2015年下降15%.随着节能减排力度的增大以及技术因素的制约, 节能减排难度会随着时间推移逐渐加大, 设定能源强度的下降速度逐渐降低, 见表 7.
|
|
表 7 辽宁省2016—2040年能源消费强度增长率预测 Table 7 Prediction of energy consumption intensity growth rate in Liaoning Province in 2016-2040 |
非化石能源比重:要实现2020年非化石能源比重达到15%的目标, “十三五”期间要提升13.26%非常困难, 按照辽宁现有水平设其增长率如表 8所示.
|
|
表 8 辽宁省2016—2040年非化石能源比重增长率预测 Table 8 Prediction of proportion of non-fossil energy growth rate in Liaoning Province in 2016-2040 |
将各变量代入式(7), 得到各情境下辽宁2016—2040年的各项指标预测值.结果见表 9和图 1.
|
|
表 9 各组合情境下碳排放的预测结果 Table 9 Prediction results of carbon emission under different scenarios |
|
图 1 2016—2040年碳排放量预测趋势 Fig.1 Prediction trend of carbon emission under different scenarios in 2016-2040 |
在6种组合情境(见表 2)下, 辽宁省2016—2040年碳排放累积总量大小的排序为:Ⅲ＞Ⅱ＞Ⅵ＞Ⅰ＞Ⅴ＞Ⅳ.与基准情境Ⅱ相比, 只有Ⅲ情境下的碳排放累积总量是上升的, 其余4种组合情境都是下降.进一步地, 分别控制经济增速(或减排力度)不变, 看不同减排力度(或经济增速)对辽宁未来25年间碳排放累积总量的影响.见表 10(中减排为基准)和表 11(中增长为基准).
|
|
表 10 经济增速不变情况下减排力度对碳排放量的影响 Table 10 Impact of carbon emission reduction intensity on carbon emission at the same economic growth rate |
|
|
表 11 减排力度不变情况下经济增速对碳排放量的影响 Table 11 Impact of economic growth rate on carbon emission under the same carbon emission reduction intensity |
最优情境的选择应该考虑经济增速必须是合理的, 从发展时间上要求较快且较好地完成节能减排目标.可以看出, “中增长强减排”情境是辽宁省未来发展的最佳选择, 在满足经济社会发展的同时能实现节能减排目标.
2.1 经济社会发展情境最优情境下, 各经济变量的增长率充分考虑了辽宁省实际发展状况, 以及政府“十三五”规划中对经济社会发展的预期，见表 12.
|
|
表 12 最优情境下的各经济和社会发展变量 Table 12 Variables of economic and social development under the optimal scenario |
如表 13所示, 短期内辽宁省非化石能源比重很难达到国家平均水平, 但辽宁拥有发展非化石能源的有利条件, 如能充分利用, 以超过国家上升幅度的速度完成国家2030年的规划目标是有可能的.
|
|
表 13 最优情境下的能源消费 Table 13 Energy consumption under the optimal scenario |
如表 14所示, 最优情境下碳排放量降幅在2023年就可达到最大, 提前7年完成国家规划目标.
|
|
表 14 最优情境下的碳排放 Table 14 Carbon emissions under the optimal scenario |
1) 在低增长中减排、中增长中减排、高增长中减排、低增长强减排、中增长强减排、高增长强减排这6种组合情境下, 辽宁省碳排放总量分别在2025年、2029年、2036年、2019年、2023年和2031年达到峰值, 峰值大小分别为15 481.21，16 294.88，18 049.64，14 512.50，14 748.36和15 645.70万t, 不同情境下具有较大的浮动.
2) 同一经济增速下, 加强减排力度, 碳排放峰值下降.经济增速越高, 碳排放峰值对减排力度越敏感, 经济增速越低, 碳排放量达峰时间对减排力度越敏感; 同一减排力度下, 提高经济增速, 碳排放峰值上升.减排力度越大, 碳排放峰值对经济增速敏感度越低, 碳排放量达峰时间对经济增速的敏感度越高.
3) 以“经济增速合理, 较快且较好完成节能减排目标”为标准, “中增长强减排”情境为辽宁省未来低碳发展的最佳选择.在此情境下, 辽宁省2020年的人均GDP达13 162.51美元; 2020年较2015年的能源消费增量为1 999.18万t标准煤, 远低于3 550万t标准煤; 非化石能源比重在2020年达到6.5%且在2030年达到20.17%;碳排放量达峰时间为2023年, 峰值为14 748.36万t.
4) 依据辽宁自身的特点, 政府应该在以下几方面发挥政府统筹作用：转型升级传统产业, 加快发展新兴产业; 优化能源消费结构, 加大使用清洁能源; 强化节能减排技术, 完善支撑服务体系; 倡导低碳生活方式, 提高人民低碳意识；完善相关支持政策.
| [1] |
Tolmasquim M T, Cohen C, Szklo A S.
CO2 emissions in the Brazilian industrial sector according to the integrated energy planning model(IEPM)[J]. Energy Policy, 2001, 29(8): 641–651.
DOI:10.1016/S0301-4215(00)00141-5 |
| [2] |
Shimada K, Tanaka Y, Gomi K, et al.
Developing a long-term local society design methodology towards a low-carbon economy:an application to Shiga Prefecture in Japan[J]. Energy Policy, 2007, 35(9): 4688–4703.
DOI:10.1016/j.enpol.2007.03.025 |
| [3] |
Shukla P R, Dhar S, Mahapatra D.
Low-carbon society scenario for India[J]. Climate Policy, 2008, 8(sup1): 156–176.
DOI:10.3763/cpol.2007.0498 |
| [4] |
Tunç G I, Türüt-Aşık S, Akbostanci E.
A decomposition analysis of CO2 emissions from energy use:Turkish case[J]. Energy Policy, 2009, 37(11): 4689–4699.
DOI:10.1016/j.enpol.2009.06.019 |
| [5] |
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(12): 10–15.
( Qu Shen-ning, Guo Chao-xian. Forecast of China's carbon emissions based on STIRPAT model[J]. China Population, Resources and Environment, 2010, 20(12): 10–15. DOI:10.3969/j.issn.1002-2104.2010.12.003 ) |
| [6] |
冯悦怡, 张力小.
城市节能与碳减排政策情景分析——以北京为例[J]. 资源科学, 2012, 34(3): 541–550.
( Feng Yue-yi, Zhang Li-xiao. Scenario analysis of urban energy saving and carbon emission reduction policies:a case study of Beijing[J]. Resources Science, 2012, 34(3): 541–550. ) |
| [7] |
黄蕊, 王铮, 丁冠群, 等.
基于STIRPAT模型的江苏省能源消费碳排放影响因素分析及趋势预测[J]. 地理研究, 2016, 35(4): 781–789.
( Huang Rei, Wang Zheng, Ding Guan-qun, et al. Trend prediction and analysis of influencing factors of carbon emissions from energy consumption in Jiangsu Province based on STIRPAT model[J]. Geographical Research, 2016, 35(4): 781–789. ) |
| [8] |
刘晴川, 李强, 郑旭煦.
基于化石能源消耗的重庆市二氧化碳排放峰值预测[J]. 环境科学学报, 2017, 37(4): 1582–1593.
( Liu Qing-chuan, Li Qiang, Zheng Xu-xi. The prediction of carbon dioxide emissions in Chongqing based on fossil fuel combustion[J]. Acta Scientiae Circumstantiae, 2017, 37(4): 1582–1593. ) |