区域减污降碳协同控制——以重庆为例

楚英豪 李京 王鹏 李杉 屈加豹 方宁杰

楚英豪, 李京, 王鹏, 等. 区域减污降碳协同控制——以重庆为例 [J]. 工程科学与技术, 2024, 56(1): 183-194. doi: 10.15961/j.jsuese.202201250
引用本文: 楚英豪, 李京, 王鹏, 等. 区域减污降碳协同控制——以重庆为例 [J]. 工程科学与技术, 2024, 56(1): 183-194. doi: 10.15961/j.jsuese.202201250
CHU Yinghao, LI Jing, WANG Peng, et al. Synergistic Control of Regional CO2 and Air Pollutant Emissions Reduction in China: A Case Study of Chongqing [J]. Advanced Engineering Sciences, 2024, 56(1): 183-194. doi: 10.15961/j.jsuese.202201250
Citation: CHU Yinghao, LI Jing, WANG Peng, et al. Synergistic Control of Regional CO2 and Air Pollutant Emissions Reduction in China: A Case Study of Chongqing [J]. Advanced Engineering Sciences, 2024, 56(1): 183-194. doi: 10.15961/j.jsuese.202201250

区域减污降碳协同控制——以重庆为例

基金项目: 国家重点研发计划项目(2018YFC021400)
详细信息
    • 收稿日期:  2022-11-15
    • 网络出版时间:  2023-05-17 04:47:49
  • 作者简介:

    楚英豪(1976—),男,教授,博士生导师. 研究方向:环境污染控制及资源化;环境材料. E-mail:chuyinghao@scu.edu.cn

  • 中图分类号: X321

Synergistic Control of Regional CO2 and Air Pollutant Emissions Reduction in China: A Case Study of Chongqing

  • 摘要: 在中国面对实现碳达峰、碳中和与环境根本好转目标的背景下,重庆市作为西部大开发的重要战略支点,有责任有义务率先实现减污降碳,助力国家生态文明建设。CO2和大气污染物的排放过程复杂,涉及要素众多,因而有必要明确影响CO2和大气污染物排放的关键因素,为重庆市实现减污降碳协同控制提供科学参考。本文以对数均值除法指数模型(LMDI)为基础,构建扩展的LMDI–CO2模型和LMDI–AP模型,并以2011—2020年重庆市CO2排放和工业SO2排放为对象进行实证分析,定量评估各因素对重庆市CO2排放和工业SO2排放变化的影响效果。同时,根据重庆市经济社会、能源环境历史发展情况挖掘各因素的影响机制,归纳协同减排的关键因子,探究重庆市减污降碳协同控制机制。结果显示,2011—2020年,经济发展效应是推动重庆市CO2排放增加的首要因素,贡献率达245.59%;能源强度效应对CO2减排的贡献最大,贡献率为210.51%;此外,产业结构优化为CO2减排也做出了贡献。工业经济发展是推动重庆工业SO2排放的主导因素,贡献率为64.47%;其他因素均为SO2减排做出贡献,其中,能源强度和结构效应贡献率分别为42.65%和6.31%。可见,随着经济的发展、人口规模的扩大和生活水平的提高,重庆市CO2和污染物减排的压力将会增大,“高碳化”能源结构制约着两者减排,提高能源效率和优化产业结构对实现“双减”起着关键作用。因此,降低能源强度、升级产业结构、优化能源结构是未来重庆市实现减污降碳协同控制的重要途径。

     

    Abstract: In the background of China's dual goals of achieving carbon neutrality and fundamental environmental improvement, Chongqing, as an important strategic pivot point in the development of western China, has the responsibility and obligation to take the lead in reducing pollution and carbon, and help build a national ecological civilization. The emission processes of CO2 and air pollutants are complex and involve many elements, thus it is necessary to clarify the key factors influencing the emission of both, which can provide scientific reference for the realization of synergistic control of pollution reduction and carbon reduction in Chongqing. The extended LMDI–CO2 model and LMDI-AP model based on the log-mean division index (LMDI) model were constructed, and the CO2 emissions and industrial SO2 emissions in Chongqing from 2011 to 2020 were used as objects for empirical analysis. And then the effects of factors on the changes in CO2 and industrial SO2 emissions in Chongqing were evaluated quantitatively. Meanwhile, the influence mechanisms of the factors were unearthed according to the historical development of Chongqing’s economy, society, and energy environment, and the key factors of synergistic emission reduction are summarized to explore the synergistic control mechanism of pollution reduction and carbon reduction in Chongqing. The results showed that from 2011 to 2020, the economic development effect was the primary factor driving the increase of CO2 emissions in Chongqing, with a contribution rate of 245.59%. The energy intensity effect contributed the most to CO2 emission reduction, with a contribution rate of –210.51%. In addition, the optimization of industrial structure also contributed to CO2 emission reduction. With the development of the economy, the expansion of population, and the improvement of living standards, the pressure of CO2 and pollutant emission reduction in Chongqing will increase, and the “high carbonization” energy structure will restrict both emission reduction. Improving energy efficiency and optimizing industrial structure played a key role in achieving “double reduction”. Therefore, energy intensity, industrial structure, and energy structure were the three key factors affecting synergistic emission reduction. Reducing energy intensity, upgrading industrial structure, and optimizing energy structure will be important ways to achieve synergistic control of pollution reduction and carbon reduction in Chongqing in the future.

     

  • 在全球气候变暖的背景下,中国当前面临着实现碳达峰、碳中和及环境根本好转的压力[1]。重庆是国家首批“低碳试点城市”,有责任率先实现碳达峰目标。然而重庆作为老工业基地,高耗能、高排放行业占比高,高新技术产业基础薄弱,实现碳达峰压力较大。此外,重庆市空气质量提高从量变到质变的拐点尚未到来、效果尚不稳定,大气环境保护仍然任重道远[2]。CO2和大多数空气污染物均来自化石燃料燃烧[3],但两者的排放过程复杂,涉及要素众多。为此,有必要明确影响重庆市CO2和污染物排放的关键因素,为重庆市实现减污降碳协同控制提供科学参考。

    20世纪中后期,随着能源危机的爆发以及气候变化的加剧,为了对能源消费和CO2排放的变化机制进行更深层次的探索,相关研究逐渐扩展到因素分解领域。其中,对数均值除法指数模型(LMDI)因其使用简单和易于解释、无残差分解、适用性强等优点,被广泛应用于能源消费、环境排放等领域的研究[45]

    气候变化与空气污染紧密相联,但以往的研究较少将减缓气候变化和大气质量提高两个问题同时考虑。在减缓气候变化的研究中,有学者利用LMDI分析CO2排放驱动因素。在国家层面,Moutinho[6]、Cansino[7]、Roinioti[8]、Chong[9]和Alajmi[10]等探讨了西班牙、希腊、马来西亚与沙特阿拉伯温室气体排放的主要驱动因素,Xu[11]、Wang[12]、Yang[13]、Wang和Yan[14]等对中国碳排放的驱动因素进行了分析。在省级层面,Cai[15]、Guo[16]、Gu[17]和Liu[18]等分别对影响澳门、新疆、上海和4个直辖市CO2增长的因素进行评估,Jeong [19]、Rajabi[20]和Pita[21]等分别探究了韩国制造业、伊朗电力行业和泰国交通运输业CO2排放增加的驱动因素,Wen[22]、Lin[23]、Dai[24]、Xu[25]和Tian[26]等分别探究了中国工业、化工、物流、水泥和钢铁行业CO2排放的关键驱动因素。也有学者基于LMDI模型对提高大气质量进行研究。Chang等[27]比较了日本和中国不同发展阶段大气污染物排放驱动因素的差异;Yang等[28]研究了能源消耗、能源结构和治理技术对中国空气污染物排放的影响;He等[29]通过对中国各省份的SO2排放进行分解分析,发现结构因素是SO2排放增加的首要因素;Wang等[30]分析了中国江苏省空气污染物排放的驱动因素;Fujii等[31]分析了煤炭污染强度、末端治理、能源结构、生产效率和生产规模对1998—2009年中国工业部门的大气污染物排放的影响。

    近十年来,关于减污降碳协同效应的研究逐渐增多,但大多数研究以国家作为研究对象[3236],或针对北京、京津冀等发达省市区域[3738]。中国幅员辽阔,不同地区的资源分布和经济发展存在差异,因此有必要丰富省市级研究,以便结合当地实际提出针对性政策。

    鉴于此,本文在对重庆市能源生产消费、CO2和大气污染物排放现状分析的基础上,构建了基于重庆的LMDI–CO2和LMDI–AP模型,分别量化了影响CO2和工业SO2排放的因素,进而探究重庆市CO2与大气污染物的协同减排机制,并对重庆市未来的协同减排政策提出建议。

    以重庆市为研究对象,研究包括能源数据、经济数据、规模数据等。能源数据来源于2011—2020年的《中国能源统计年鉴》的重庆能源平衡表,其中,根据《重庆统计年鉴》校正了因第三次全国经济普查、第四次全国经济普查造成的数据误差。大气污染物(SO2、NOx和TSP)排放数据来自2011—2020年的《中国环境统计年鉴》和《重庆统计年鉴》。经济数据(包括地区生产总值、各部门增加值、工业各行业产值和居民可支配收入)和规模数据(包括人口规模、客运周转量和货运周转量)来源于《重庆统计年鉴》,其中,人口数据使用常住人口数据,生产总值数据以2011年为基数(2011年基数为100)。

    各种能源的折标煤系数取自《中国能源统计年鉴》和《综合能耗量计算通则》GB/T 2589—2020,各种能源的CO2排放系数来自《省级温室气体清单编制指南(试行)》。电力系统CO2排放系数取自《2019年度减排项目中国区域电网基准线排放因子》华中区域电网的排放系数0.858 7 kg/kW·h。此外,由于能源统计年鉴中共包含30余种终端能源消费,为了方便研究,将其简化合并为6种,分别为煤炭、焦炭、油品、天然气、热力和电力。

    1.2.1   碳排放核算

    CO2排放核算依据《2006年IPCC国家温室气体清单指南》[39]中建议的方法,具体如下:

    $$ C = \sum {{E_i} \times {X_{{\mathrm{EF}},i}}} $$ (1)

    式中,C为能源消耗产生的CO2排放量,Ei为能源i的消耗量,XEF,i为能源i的CO2排放系数。

    1.2.2   因素分解模型

    对文献[38,4042]总结发现,经济发展、人口规模、能源强度、能源结构、产业结构及居民生活水平等是影响CO2和大气污染物排放的主要因素。目前,中国仍坚持以经济建设为中心、发展为第一要务,若以目前的能源消费结构与强度盲目发展,势必会给环境改善和气候稳定带来压力,因此要寻求一条高质量发展道路。另外,不同产业对能源的需求有所差异,产业结构调整必将引起能源消费和能源结构的变化,从而影响能源消费和污染排放。同时,中国城镇化进程的加快,人们生活质量的不断提升,也将对中国的能源消耗、环境污染等造成一定的影响。

    因此,本文将在碳排放分解中引入排放系数、能源结构、产业结构、能源强度、人均GDP、居民能源消费强度、人均可支配收入以及人口规模8个因素。在大气污染物排放分解中引入大气污染物排放系数、大气污染物产生系数、工业部门能源结构、工业部门能源强度、工业部门行业结构以及工业产值规模6个因素。

    1) LMDI–CO2

    CO2排放的因素分解模型(LMDI–CO2)如下:

    $$ \begin{split} C =& \sum\limits_{i = 1}^6 {\sum\limits_{j = 1}^4 {{C_{ij}}} } = \sum\limits_{i = 1}^5 {\sum\limits_{j = 1}^4 {\frac{{{C_{ij}}}}{{{F_{ij}}}}\frac{{{F_{ij}}}}{{{F_i}}}\frac{{{F_i}}}{{{Y_i}}}\frac{{{Y_i}}}{Y}\frac{Y}{P}P} } + \\& \sum\limits_{i = 6} {\sum\limits_{j = 1}^4 {\frac{{{C_{ij}}}}{{{F_{ij}}}}\frac{{{F_{ij}}}}{{{F_i}}}\frac{{{F_i}}}{{{T_{\mathrm{I}}}}}\frac{{{T_{\mathrm{I}}}}}{P}P} } \end{split} $$ (2)

    进一步表示为:

    $$ \begin{split} C =& \sum\limits_{i = 1}^6 {\sum\limits_{j = 1}^4 {{C_{ij}}} } = \sum\limits_{i = 1}^5 {\sum\limits_{j = 1}^4 {{C_{{\mathrm{I}},ij}} {E_{{\mathrm{S}},ij}} {E_{{\mathrm{I}},i}} {I_{{\mathrm{S}},i}} {Y_{{\mathrm{GPC}}}} P} } + \\& \sum\limits_{i = 6} {\sum\limits_{j = 1}^4 {{C_{{\mathrm{I}},ij}} {E_{{\mathrm{S}},ij}} {R_{{\mathrm{EI}}}} {I_{{\mathrm{PC}}}} P} } \end{split} $$ (3)

    定义:

    $$ {W_{ij}} = {C_{ij}} $$ (4)

    $ {W_{ij}}({t^*}) $可表示为:

    $$ {W_{ij}}({t^*}) = \frac{{{C_{ij,T}} - {C_{ij,0}}}}{{\ln {C_{ij,T}} - \ln {C_{ij,0}}}} $$ (5)

    对式(3)两边取时间的导数,代入式(4),并对其进行0到T时刻的积分,根据定积分中值定理,引入对数平均函数,得到:

    $$ \begin{split} & {C_T} - {C_0} = \\&\quad \sum\limits_{i = 1}^6 {\sum\limits_{j = 1}^4 {{W_{{{ij}}}}\left( {{{{t}}^ * }} \right)\ln \frac{{{C_{{\mathrm{I}},{ij,{{{\rm{T}}}}}}}}}{{{C_{{\mathrm{I}},{{{ij,0}}}}}}}} } + \sum\limits_{i = 1}^6 {\sum\limits_{j = 1}^4 {{W_{{{ij}}}}\left( {{{{t}}^ * }} \right)\ln \frac{{{E_{{\mathrm{S}},{ij,{{{\rm{T}}}}}}}}}{{{E_{{\mathrm{S}},{{{ij,0}}}}}}}} } + \\&\quad \sum\limits_{i = 1}^5 {\sum\limits_{j = 1}^4 {{W_{{{ij}}}}\left( {{{{t}}^ * }} \right)\ln \frac{{{E_{{\mathrm{I}},{i,{{{\rm{T}}}}}}}}}{{{E_{{\mathrm{I}},{{{i,0}}}}}}}} } + \sum\limits_{i = 1}^5 {\sum\limits_{j = 1}^4 {{W_{{{ij}}}}\left( {{{{t}}^ * }} \right)\ln \frac{{{I_{{\mathrm{S}},{i,{{{\rm{T}}}}}}}}}{{{I_{{\mathrm{S}},{{{i,0}}}}}}}} } + \\&\quad \sum\limits_{i = 1}^5 {\sum\limits_{j = 1}^4 {{W_{{{ij}}}}\left( {{{{t}}^ * }} \right)\ln \frac{{{Y_{{\mathrm{GPC}},{{{\rm{T}}}}}}}}{{{Y_{{\mathrm{GPC}},{{0}}}}}}} } + \sum\limits_{i = 1}^6 {\sum\limits_{j = 1}^4 {{W_{{{ij}}}}\left( {{{{t}}^ * }} \right)\ln \frac{{{P_{{{\rm{T}}}}}}}{{{P_{\text{0}}}}}} } + \\&\quad \sum\limits_{i = 6} {\sum\limits_{j = 1}^4 {{W_{{{ij}}}}\left( {{{{t}}^ * }} \right)\ln \frac{{{R_{{\mathrm{EI}},{{\text{T}}}}}}}{{{R_{{\mathrm{EI}},{\text{0}}}}}}} } + \sum\limits_{i = 6} {\sum\limits_{j = 1}^4 {{W_{{{ij}}}}\left( {{{{t}}^ * }} \right)\ln \frac{{{I_{PC}}_{{\text{,T}}}}}{{{I_{PC,0}}}}} } \end{split} $$ (6)

    可以简化为:

    $$ \begin{split}\Delta C_{{{t}}}= & C_T-C_0=\Delta C_{\mathrm{I}}+\Delta E_{\mathrm{S}}+\Delta E_{\mathrm{I}}+\Delta I_{\mathrm{S}}+ \\ & \Delta Y_{\mathrm{GPC}}+\Delta P+\Delta E_{\mathrm{REI}}+\Delta I_{\mathrm{PC}}\end{split} $$ (7)

    式中:i=1、2、3、4、5、6分别对应农业、工业、建筑业、服务业、交通业和居民生活;j为燃料类型,j=1、2、3、4分别对应煤品(煤炭、焦炭)、油品、天然气和电力。表1列出了式(2)~(7)中变量的含义。

    表  1  式(2)~(7)中各变量及其含义
    Table  1  Meanings of the variables in Eqs. (2)~(7)
    变量 含义 变量 含义
    C CO2排放总量 IS,i 产业结构
    Cij 部门i燃料j的CO2排放量 YGPC 人均生产总值
    Fij 部门i燃料j的消耗量 REI 居民生活能源强度
    Fi 部门i能源消耗总量 IPC 人均可支配收入
    Y 地区生产总值(GDP) EI 能源强度效应
    Yi 部门i增加值 EREI 生活能源强度效应
    P 区域常住人口 IS 产业结构效应
    TI 全体居民可支配收入 ES 能源结构效应
    CI,ij 部门i燃料j的碳排放系数 P 人口规模效应
    ES,ij 能源结构 IPC 生活水平效应
    EI,i 能源强度 YGPC 经济发展效应

    2)LMDI–AP

    由于工业大气污染物排放量远大于其他排放,建立LMDI–AP对重庆市工业SO2排放进行分解分析,表示如下:

    $$ \begin{split} G =& \sum\limits_{{{i}} = 1}^n {{G_i}} = \sum\limits_{i = 1}^n {\frac{{{G_i}}}{{{D_i}}}\frac{{{D_i}}}{{{Z_i}}}\frac{{{Z_i}}}{{{N_i}}}\frac{{{N_i}}}{{{M_i}}}\frac{{{M_i}}}{M}M} = \\& \sum\limits_{i = 1}^n {{A_i} {B_i} {H_i} {J_i} {K_i} M} \end{split} $$ (8)

    式中,G为SO2的工业排放总量,GiDi分别为行业i所排放、产生的大气污染物总量,M为工业总产值,Mi为行业i的产值,Ni为行业i的能源消耗总量,Zi为行业i的化石能源(煤品、油品和天然气)消耗量。

    为了便于公式推导和表示清晰,引入了中间量AiBiHiJiKi,其中,Ai为工业行业i的大气污染物排放系数,Ai=Gi/DiBi为工业行业i的大气污染物产生系数,Bi=Di/ZiHi为工业行业i的能源结构,Hi=Zi/NiJi为工业行业i的能源强度,Ji=Ni/MiKi为工业行业结构,Ki=Mi/M

    将空气污染物排放量分解为上述6个因素后,应用LMDI加法形式分解式(8),得到式(9):

    $$ \Delta {G_{{t}}} = {G_{\mathrm{T}}} - {G_0} = \Delta A + \Delta B + \Delta H + \Delta J + \Delta K + \Delta M $$ (9)

    式中,ΔGt为研究期间污染物排放的变化量,G0GT分别为研究时段的起始年和终止年的污染物排放量,ΔA、ΔB、ΔH、ΔJ、ΔK和ΔM可以通过以下公式计算:

    $$ \Delta A = \sum {{W_{ij}}} \ln \frac{{{A_t}}}{{{A_0}}} $$ (10)
    $$ \Delta B = \sum {{W_{ij}}} \ln \frac{{{B_t}}}{{{B_0}}} $$ (11)
    $$ \Delta H = \sum {{W_{ij}}} \ln \frac{{{H_t}}}{{{H_0}}} $$ (12)
    $$ \Delta J = \sum {{W_{ij}}} \ln \frac{{{J_t}}}{{{J_0}}} $$ (13)
    $$ \Delta K = \sum {{W_{ij}}} \ln \frac{{{K_t}}}{{{K_0}}} $$ (14)
    $$ \Delta M = \sum {{W_{ij}}} \ln \frac{{{M_t}}}{{{M_0}}} $$ (15)

    式(10)~(15)中,Wij的值根据对数平均函数由式(16)计算得到:

    $$ {W_{ij}}({t^*}) = \frac{{{G_{ij,{\mathrm{T}}}} - {G_{ij,0}}}}{{\ln {G_{ij,{\mathrm{T}}}} - \ln {G_{ij,0}}}} $$ (16)

    式(10)~(15)中各变量的含义见表2

    表  2  式(10)~(15)中各变量的含义
    Table  2  Meanings of the variables in Eqs. (9)~(15)
    变量含义
    A污染治理效应(治污效应)
    B污染产生效应(产污效应)
    H能源结构效应
    J能源强度效应
    K产业结构效应
    M经济规模效应

    2015—2020年,重庆市能源生产构成由原煤为主,占一次能源生产总量的90.5%,逐步发展为原煤、天然气、电力及其他能源齐头并进,分别占一次能源生产总量的31.6%、43.7%和24.7%,能源生产结构朝着低碳化和清洁的方向发展[43]

    图1为重庆市终端能源消费总量及强度。由图1可见,2020年,重庆市终端能源消费总量为6 050.25×104 t(标准煤),年均增速为3.68%;而终端能源消费强度总体呈下降趋势,年均减速为5.14%。图2为2011—2020年重庆市各部门终端能源消费量占比。由图2可见,研究期间,工业能耗占比即使在逐年下降,但其终端能耗量始终处于绝对主导地位。

    图  1  重庆市终端能源消费总量及强度
    Fig.  1  Terminal energy consumption and intensity in Chongqing
    下载: 全尺寸图片
    图  2  重庆市各部门终端能源消费量占比
    Fig.  2  Terminal energy consumption ratio by sector in Chongqing
    下载: 全尺寸图片

    图3为重庆市终端能源消费结构。由图3可见:重庆市能源消费长期以化石能源为主,终端能源消费中煤品消费占比呈持续下降的态势;油品消费主要是交通运输部门,随着人民生活水平的提高,物流运输需求增加,油品消费占比上升;随着国家节能政策的实施,城市化水平不断提高,天然气、电力与热力消费占比呈上升趋势。2020年,重庆市终端能源消费中煤品占比29.75%、油品占比22.67%、天然气占比21.49%、电力和热力共占比26.09%,由此,目前重庆市对高碳能源的依赖程度较高。

    图  3  重庆市终端能源消费结构
    Fig.  3  Terminal energy consumption structure in Chongqing
    下载: 全尺寸图片

    图4为重庆市终端能源消费产生的CO2排放量及强度。由图4可见:CO2排放整体呈上升趋势,由2011年的11 076.63×104 t增长到2020年的14 367.49×104 t,增长了29.71%;重庆市碳排放强度明显下降,从2011年的1.09 t/万元下降到2020年的0.64 t/万元。由此,重庆市经济发展模式由粗放型发展逐渐向低碳集约型发展转变,碳排放的经济效益逐步增强。

    图  4  重庆市CO2排放总量及强度
    Fig.  4  Total CO2 emissions and intensity in Chongqing
    下载: 全尺寸图片

    2011—2020年重庆市CO2排放因素分解结果见表3表3中,将各因素贡献值与CO2排放总变化量的绝对值之比计算各因素的绝对贡献度,贡献值(度)为正,表示促进CO2排放;反之亦然。

    表  3  重庆市CO2排放驱动因素及其贡献(2011—2020年)
    Table  3  Driving factors of CO2 emissions in Chongqing (2011—2020)
    年份 驱动因素贡献值/(106 t) CI/(106 t) Ct/(106 t)
    EI ES IS YGPC P EREI IPC
    2011—2012 –9.86 –1.84 1.67 12.14 1.17 1.22 1.49 0.38 6.38
    2012—2013 –17.08 3.58 –0.23 10.85 1.40 –0.65 1.03 0.01 –1.10
    2013—2014 –0.89 –0.42 0.60 10.09 1.32 4.64 1.51 –0.28 16.59
    2014—2015 –8.75 0.20 –0.75 11.11 1.17 1.21 1.76 –0.19 5.76
    2015—2016 –10.38 0.25 –1.02 10.45 1.79 –2.33 1.91 0.38 1.04
    2016—2017 –11.10 –0.08 –0.04 9.24 1.42 –2.31 1.26 0.04 –1.57
    2017—2018 6.07 0.56 –3.65 6.34 0.87 –4.37 1.61 –0.07 7.37
    2018—2019 –11.39 –0.44 0.15 6.68 1.12 –0.27 1.71 0.33 –2.11
    2019—2020 –5.89 0.83 0.26 3.92 0.95 –0.81 1.25 0.03 0.55
    2011—2020 –69.27 2.64 –2.99 80.82 11.22 –3.67 13.54 0.63 32.91
    2011—2020年贡献度/% –210.51 8.02 –9.10 245.59 34.08 –11.14 41.13 100
      注:ΔCI表示CO2排放因子的影响,作为计算误差被忽略。

    图5为各因素对CO2排放贡献值。由图5可见:2011—2020年,重庆市终端能耗CO2排放量整体呈上升趋势,能源强度的变化方向、产业结构的调整以及居民生活能源强度的转变均为CO2减排做出贡献,其中,能源强度效应贡献最大,贡献值为–69.27×106 t,贡献度为–210.51%;而经济社会的发展、居民生活水平的提高和能源结构的调整为CO2排放的增加做出贡献,其中,经济规模效应贡献最大,贡献值为80.82×106 t,贡献度达245.59%;居民能源消费强度的变化前期不利于CO2减排,2015年后居民能源消费强度的变化开始促进CO2减排。逐年来看,产业结构与能源结构的调整对CO2减排的效果不稳定,且无明显规律,两者的减排潜力未能完全发挥。

    图  5  2011—2020年各因素对CO2排放贡献值
    Fig.  5  Contribution value of each factor to CO2 emission during 2011—2020
    下载: 全尺寸图片

    能源强度效应(∆EI)是重庆市CO2减排的主要驱动力。随着国家、省市分别出台的一系列的节能减排政策,重庆市终端能源强度呈现出不断下降的趋势,只在2017—2018年有细微波动(图1),与此相对应,能源强度效应除在2017—2018年对CO2排放表现为正,在其余研究期间均为负。对比各部门能源强度的变化(图6),研究期间,能源强度效应变化趋势与工业能源强度波动趋势一致,工业部门能源强度的变化对能源强度效应起主导作用。

    图  6  重庆市各部门终端能源消费强度
    Fig.  6  Terminal energy consumption intensity by sector in Chongqing
    下载: 全尺寸图片

    表3可知,2011—2020年,产业结构效应(∆IS)对CO2减排起到了促进作用,贡献值为–2.99×106 t,这说明2011—2020年产业结构逐渐向“低碳化”方向发展。结合重庆市各部门增加值占比变化值(图7),在研究期间,有两个部门的占比变化相对明显,工业占比显著下降,服务业占比显著提高,工业和服务业对产业结构效应起到了主导作用。近年来,重庆市交通业等重点用能领域占比呈现下降的趋势,未来产业结构效应的减排作用有望保持不变。

    图  7  重庆市各部门增加值占比
    Fig.  7  Percentage of value added by sector in Chongqing
    下载: 全尺寸图片

    图8为重庆市能源消费占比。由图8可见,在2011—2020年期间,重庆市煤品消费在能源总消费中的占比逐渐下降,电力、天然气以及油品消费的占比缓慢上升。由表3可知,能源结构效应∆ES对重庆市CO2排放起到了促进作用,累积贡献值为2.64×106 t,但其贡献值与方向在各年中有较大波动。鉴于当前重庆市主要依靠燃煤发电,推测能源结构效应之所以贡献波动较大,可能是由于排放系数较大的电力和煤品的占比“此消彼长”(图8),若两者占比同时降低,能源结构效应会为CO2减排做出更大贡献。同时,重庆市可以依托其丰富的页岩气资源发展清洁能源,优化能源结构,从而降低CO2排放。

    图  8  重庆市能源消费占比
    Fig.  8  Energy consumption catio in Chongqing
    下载: 全尺寸图片

    表3可知,2011—2020年,重庆市的经济发展对终端能源消费产生的CO2排放增加具有显著的促进作用,经济发展效应∆YGPC是CO2排放增长的最大驱动因子。由图9可见,2011—2020年,重庆市经济发展效应与人均GDP增速的变化趋势基本一致,增速越快,经济规模效应的相对贡献越大。目前,中国经济仍处于发展阶段,同时,重庆市相较于其他发达省市,经济发展仍相对落后。因此,在今后一段时间内,重庆市的经济还将持续发展,经济规模效应也将持续推动CO2排放。但是随着经济高速发展向高质量发展的转变,其增排作用有望被其他效应的减排作用抵消。

    图  9  人均GDP增速与经济发展效应
    Fig.  9  GDP per capita growth rate and economic development effects
    下载: 全尺寸图片

    研究期间,重庆市人口规模效应(∆P)累计贡献11.22×106 tCO2排放增量(表3)。由图10可见,人口规模效应的贡献与常住人口增长变化趋势一致。因为常住人口的增加导致对商品和服务的需求扩大,并在一定程度上改变了生态环境和土地利用模式,降低了碳汇能力,从而导致更多CO2的排放。

    图  10  常住人口增长率与人口规模效应
    Fig.  10  Resident population growth rate and population size effects
    下载: 全尺寸图片

    居民生活水平效应(∆IPC)累计贡献了13.54×106 t CO2,居民生活水平的提高对于CO2排放增加具有促进作用。作为反映居民单位可支配收入能源消费变动引起的CO2排放变化的居民能源消费强度效应(∆EREI)则对CO2减排起到促进作用,且作用仅次于能源强度效应。由图11可见,居民能源消费强度在2015年之前呈现上升趋势,2015年之后逐渐降低。因此,未来想要减少生活部门的CO2排放,要着重控制居民能源消费强度不合理的增长,减少生活中的能源浪费。

    图  11  重庆市居民能源消费强度
    Fig.  11  Resident population growth rate and population size effects in Chongqing
    下载: 全尺寸图片

    2011—2020年重庆市大气污染物SO2、TSP及NOx的排放量见表4

    表  4  重庆市大气污染物排放量
    Table  4  Air pollutant emissions in Chongqing
    年份 $Q_{{{\mathrm{SO}}}_2} $/(104 t) QTSP/(104 t) $Q_{{\mathrm{NO}}_{\mathrm{x}}} $/(104 t)
    2011 58.69 18.1 40.26
    2012 56.48 18.23 38.27
    2013 54.77 19.12 36.20
    2014 52.69 22.61 35.50
    2015 49.58 20.91 32.07
    2016 28.83 9.58 21.77
    2017 25.34 8.33 20.40
    2018 12.93 17.63 20.72
    2019 7.50 15.70 17.52
    2020 6.75 8.47 16.70

    表4可知,研究期间,SO2和NOx排放量始终呈逐年下降趋势,其中,SO2降幅更显著;TSP排放量在2014年达到22.61×104 t的峰值,之后呈现逐年下降趋势。2020年,环境空气6项污染物可吸入颗粒物、细颗粒物、SO2、NO2、CO和臭氧浓度首次全部达到国家环境空气质量二级标准[2]。将重庆市SO2、TSP及NOx排放总量与工业排放量进行对比,如图12所示,发现3种污染物排放都以工业排放为主导,且总排放量变化趋势与工业排放趋势一致。

    图  12  重庆市大气污染物排放情况
    Fig.  12  Air pollutant emissions in Chongqing
    下载: 全尺寸图片

    应用构建的LMDI–AP对2011—2020年重庆市工业SO2排放进行分析,结果见表5

    表  5  重庆市工业SO2排放驱动因素及其贡献
    Table  5  Impact of factors on industrial SO2 emissions in Chongqing
    年份 驱动因素贡献值/(104 t) G/(104 t)
    A B H J K M
    2011—2012 5.21 1.08 –1.33 –10.41 –3.53 6.81 –2.16
    2012—2013 –3.89 –1.01 –1.02 –2.05 –2.32 9.38 –0.92
    2013—2014 –2.04 0.72 –0.21 –3.60 –1.64 5.74 –1.03
    2014—2015 –1.64 –1.48 –0.73 –3.13 –2.45 6.17 –3.26
    2015—2016 –18.06 –7.52 –0.27 3.38 –0.70 –2.48 –25.65
    2016—2017 –2.62 –0.87 0.01 –1.49 –0.24 1.62 –3.59
    2017—2018 15.60 –17.31 –0.35 0.07 1.16 –0.65 –1.48
    2018—2019 –16.10 12.70 1.19 –0.36 0.49 0.22 –1.86
    2019—2020 –2.89 0.67 0.06 –0.38 0.00 0.35 –2.18
    2011—2020 –26.43 –13.01 –2.66 –17.97 –9.23 27.16 –42.13
    2011—2020年贡献度/% –62.73 –30.89 –6.31 –42.65 –21.90 64.47 100

    图13可见,2011—2020年,重庆市工业SO2排放整体呈下降趋势,其中,治污效应、产污效应、能源强度的变化方向、能源及产业结构的调整均有利于工业SO2减排,而工业经济规模的扩大抑制了工业SO2减排。

    图  13  2011—2020年各因素对SO2排放的贡献值
    Fig.  13  Contribution value of each factor to SO2 emissions during 2011—2020
    下载: 全尺寸图片

    表5可知,2011—2020年,重庆市经济规模效应(ΔM)是驱动工业SO2排放量增加的最显著因素,累计增排27.16×104 t,贡献度为64.47%。工业产值增长率与经济规模效应贡献值如图14。由图14可见,两者的趋势完全一致,在工业产值增长率为正时,经济规模效应对SO2排放增长起积极影响;反之亦然。在重庆经济持续发展的背景下,工业规模也会进一步扩大,迫切需要采取措施以消除发展对SO2排放的促进作用。

    图  14  工业产值增长率及经济规模效应贡献值
    Fig.  14  Growth rate of industrial output value and contribution of economic scale effect
    下载: 全尺寸图片

    排污系数能够体现污染治理水平,研究期间,重庆市工业SO2排放系数呈减小趋势,污染治理水平提高。治污效应(ΔA)成为重庆工业SO2减排的主要驱动因素,贡献了26.47×104 t的减排量,贡献度为–62.73%。同时,产污效应(ΔB)也促进重庆市工业SO2减排,累计减排量为13.01×104 t。2020年,产污系数为2.30 t/t(标准煤),比2011年下降了29.93%,这一定程度上得益于重庆实施工业企业兼并重组,加强低硫清洁能源利用的“源头控制”措施。

    能源强度效应(ΔJ)也对重庆工业SO2减排起到了促进作用,贡献减排量17.97×104 t。2020年,重庆市工业能源强度比2011年下降了41.54%,工业能源强度持续降低。由图15可见,能源强度效应贡献逐年变化与能源强度增长变化趋势基本一致。研究期间,重庆政府通过对电力和钢铁工业等重点工业进行了技术改造,对产品结构进行了优化升级,对设备进行了更新替换,从而提高了整个工业的能效水平。

    图  15  工业能源强度增长率与能源强度效应变化
    Fig.  15  Growth rate of industrial output value and economic scale effect
    下载: 全尺寸图片

    表5可知,2011—2020年,能源结构效应(ΔH)对SO2减排的影响具有一定的波动性,累计贡献减排量2.66×104 t。由图16可见,重庆市工业能源消耗中化石能源占比在不断下降,从2011年的88.68%下降到2020年的84.64%,但降幅较小。重庆市未来应加大能源结构调整力度,持续减少化石能源占比,加快清洁能源的开发利用。

    图  16  重庆市工业部门化石能源消费量及占比
    Fig.  16  Fossil energy consumption and share of industrial sector in Chongqing
    下载: 全尺寸图片

    表5可知,研究期间,重庆市经济结构效应(ΔK)总体有利于SO2减排,贡献减排9.23×104 t。由图17可见,结构调整在2017年之前对SO2减排有促进作用,2017年以后行业结构的增排效果可能源于非金属矿物业、电力、热力的生产和供应业、有色金属冶炼和压延加工业、黑色金属冶炼和压延加工业等重点用能排放行业的产值占比提高。可见,发展新兴产业,减少高排放行业的比例,优化产业结构是降低工业SO2排放的重要途径。

    图  17  重庆市重点行业产值占比
    Fig.  17  Key industry output value ratio in Chongqing
    下载: 全尺寸图片

    基于LMDI–CO2与LMDI–AP的分解结果,发现随着经济的发展、人口规模的扩大和生活水平的提高,CO2和污染物减排的压力将会增大。图18为重庆市减污降碳协同机制。由图18可见:重庆市当前以化石能源为主的能源结构制约着大气污染物和CO2的减排,能源强度降低和产业结构优化对实现两者的减排起着关键作用;产业结构与能源消费存在相互作用,产业结构升级会间接优化能源结构。因此,能源强度、产业结构和能源结构是影响协同减排的主要因素。

    图  18  重庆市减污降碳协同机制
    Fig.  18  Synergistic mechanism of pollution and CO2 reduction in Chongqing
    下载: 全尺寸图片

    提高能源效率旨在降低生产生活中的能源消费强度,缓解经济增长带来的环境压力。当前重庆工业、交通等重点部门的能源利用效率与世界先进水平相比还存在差距,能源效率还有较大优化潜力。

    优化能源结构旨在减少化石能源消耗。不同能源的产排污系数不同,当前以煤、油为主的能源结构势必会造成更多污染物的排放。为此,应加快太阳能、生物质能等非化石能源的开发利用。

    产业结构调整旨在推动技术含量高、资源消耗低、环境污染少的产业发展,构建的现代产业结构。不同部门、行业对能源的依赖程度不同,从而影响CO2和大气污染物的产生与排放。同时,产业结构与能源消费存在相互作用,产业结构升级会间接优化能源结构。

    本文以重庆市为研究对象构建扩展的LMDI–CO2和LMDI–AP,对影响其CO2排放和工业SO2排放的因素进行定量分析,对协同减排起主导作用的关键影响因子进行探究,主要结论如下。

    1)2011—2020年,经济发展效应是导致重庆市CO2排放增加的首要驱动因素,贡献值为80.82×106 t CO2;能源强度效应是抑制CO2排放的最重要驱动因素,贡献值为–69.27×106 t CO2,其驱动力主要来自工业能效的提高;除此之外,人口规模扩大、人民生活水平的提高以及能源结构的“高碳化”也是终端能耗CO2排放升高的重要因素,贡献值分别为11.22、13.54及2.64×106 t CO2,贡献率分别为34.08%、41.13%及8.02%;产业结构的优化及居民生活能源强度的降低,为抑制CO2排放做出贡献。鉴于重庆市能源结构还有很大的优化空间,未来实现CO2减排的有效路径为产业结构、能源结构的调整和能源效率的改善。

    2)2011—2020年,经济规模效应是重庆市工业SO2排放增长的主导因素,贡献率为64.47%;治污效应、产污效应、能源强度效应、产业结构效应和能源结构效应都促进了工业污染物减排,尤其是治污效应和能源强度效应贡献率分别为62.73%和42.65%。在末端工程治理减排空间逐渐压缩的情况下,未来还需加强“技术减排”,开发和推广先进的绿色技术。

    3)随着经济的发展、人口规模的扩大和生活水平的提高,CO2和污染物减排的压力将会增大。重庆市当前以化石能源为主的“高碳化”能源结构也制约着大气污染物和CO2的协同减排,能源强度降低和产业结构优化对实现“双减”起着关键作用。因此,能源强度、产业结构、能源结构是影响协同减排的三大关键因素,而降低能源强度、升级产业结构、优化能源结构是未来重庆市实现减污降碳协同控制的重要途径。

    基于上述实证分析,本文为重庆市减污降碳协同控制发展提出以下对策建议:

    1)创新驱动技术发展,提高综合能效水平。

    未来重庆市应引进先进节能设备,将提高能源利用效率作为促进协同减排的重要措施。促进重点用能领域能效提升,对标国际先进水平;在重点行业通过兼并重组实现聚集发展,提升工业整体能效,构建绿色制造体系;开展风电场技改扩能“退旧换新”大容量高效率机组,提高发电效率;此外,还可以鼓励不同行业融合发展,提高资源转化效率,实现协同减污降碳。

    2)推进产业结构升级,加快构建现代化产业体系。

    未来重庆市应继续加大工业结构调整力度,促进传统产业转型升级,严格控制石化、钢铁等重点行业产能;加快发展先进制造业、战略性新兴产业,并增强新兴产业引领作用;严格环境准入标准,加速淘汰污染严重的落后设备、工艺和企业。

    3)合理开发利用清洁能源,加快能源结构向清洁低碳转型。

    未来重庆市能源结构要进一步向清洁、优质和低碳方向转变。加快推动燃煤替代,严控钢铁、化工等重点行业煤炭消费,有序推进“煤改电”“煤改气”工程;持续提高清洁能源供给占比,依托资源禀赋,将天然气发展作为调整重点,同时扶持发展风电、太阳能和生物质能等可再生能源,开展氢能利用研究。

  • 图  1   重庆市终端能源消费总量及强度

    Fig.  1   Terminal energy consumption and intensity in Chongqing

    下载: 全尺寸图片

    图  2   重庆市各部门终端能源消费量占比

    Fig.  2   Terminal energy consumption ratio by sector in Chongqing

    下载: 全尺寸图片

    图  3   重庆市终端能源消费结构

    Fig.  3   Terminal energy consumption structure in Chongqing

    下载: 全尺寸图片

    图  4   重庆市CO2排放总量及强度

    Fig.  4   Total CO2 emissions and intensity in Chongqing

    下载: 全尺寸图片

    图  5   2011—2020年各因素对CO2排放贡献值

    Fig.  5   Contribution value of each factor to CO2 emission during 2011—2020

    下载: 全尺寸图片

    图  6   重庆市各部门终端能源消费强度

    Fig.  6   Terminal energy consumption intensity by sector in Chongqing

    下载: 全尺寸图片

    图  7   重庆市各部门增加值占比

    Fig.  7   Percentage of value added by sector in Chongqing

    下载: 全尺寸图片

    图  8   重庆市能源消费占比

    Fig.  8   Energy consumption catio in Chongqing

    下载: 全尺寸图片

    图  9   人均GDP增速与经济发展效应

    Fig.  9   GDP per capita growth rate and economic development effects

    下载: 全尺寸图片

    图  10   常住人口增长率与人口规模效应

    Fig.  10   Resident population growth rate and population size effects

    下载: 全尺寸图片

    图  11   重庆市居民能源消费强度

    Fig.  11   Resident population growth rate and population size effects in Chongqing

    下载: 全尺寸图片

    图  12   重庆市大气污染物排放情况

    Fig.  12   Air pollutant emissions in Chongqing

    下载: 全尺寸图片

    图  13   2011—2020年各因素对SO2排放的贡献值

    Fig.  13   Contribution value of each factor to SO2 emissions during 2011—2020

    下载: 全尺寸图片

    图  14   工业产值增长率及经济规模效应贡献值

    Fig.  14   Growth rate of industrial output value and contribution of economic scale effect

    下载: 全尺寸图片

    图  15   工业能源强度增长率与能源强度效应变化

    Fig.  15   Growth rate of industrial output value and economic scale effect

    下载: 全尺寸图片

    图  16   重庆市工业部门化石能源消费量及占比

    Fig.  16   Fossil energy consumption and share of industrial sector in Chongqing

    下载: 全尺寸图片

    图  17   重庆市重点行业产值占比

    Fig.  17   Key industry output value ratio in Chongqing

    下载: 全尺寸图片

    图  18   重庆市减污降碳协同机制

    Fig.  18   Synergistic mechanism of pollution and CO2 reduction in Chongqing

    下载: 全尺寸图片

    表  1   式(2)~(7)中各变量及其含义

    Table  1   Meanings of the variables in Eqs. (2)~(7)

    变量 含义 变量 含义
    C CO2排放总量 IS,i 产业结构
    Cij 部门i燃料j的CO2排放量 YGPC 人均生产总值
    Fij 部门i燃料j的消耗量 REI 居民生活能源强度
    Fi 部门i能源消耗总量 IPC 人均可支配收入
    Y 地区生产总值(GDP) EI 能源强度效应
    Yi 部门i增加值 EREI 生活能源强度效应
    P 区域常住人口 IS 产业结构效应
    TI 全体居民可支配收入 ES 能源结构效应
    CI,ij 部门i燃料j的碳排放系数 P 人口规模效应
    ES,ij 能源结构 IPC 生活水平效应
    EI,i 能源强度 YGPC 经济发展效应

    表  2   式(10)~(15)中各变量的含义

    Table  2   Meanings of the variables in Eqs. (9)~(15)

    变量含义
    A污染治理效应(治污效应)
    B污染产生效应(产污效应)
    H能源结构效应
    J能源强度效应
    K产业结构效应
    M经济规模效应

    表  3   重庆市CO2排放驱动因素及其贡献(2011—2020年)

    Table  3   Driving factors of CO2 emissions in Chongqing (2011—2020)

    年份 驱动因素贡献值/(106 t) CI/(106 t) Ct/(106 t)
    EI ES IS YGPC P EREI IPC
    2011—2012 –9.86 –1.84 1.67 12.14 1.17 1.22 1.49 0.38 6.38
    2012—2013 –17.08 3.58 –0.23 10.85 1.40 –0.65 1.03 0.01 –1.10
    2013—2014 –0.89 –0.42 0.60 10.09 1.32 4.64 1.51 –0.28 16.59
    2014—2015 –8.75 0.20 –0.75 11.11 1.17 1.21 1.76 –0.19 5.76
    2015—2016 –10.38 0.25 –1.02 10.45 1.79 –2.33 1.91 0.38 1.04
    2016—2017 –11.10 –0.08 –0.04 9.24 1.42 –2.31 1.26 0.04 –1.57
    2017—2018 6.07 0.56 –3.65 6.34 0.87 –4.37 1.61 –0.07 7.37
    2018—2019 –11.39 –0.44 0.15 6.68 1.12 –0.27 1.71 0.33 –2.11
    2019—2020 –5.89 0.83 0.26 3.92 0.95 –0.81 1.25 0.03 0.55
    2011—2020 –69.27 2.64 –2.99 80.82 11.22 –3.67 13.54 0.63 32.91
    2011—2020年贡献度/% –210.51 8.02 –9.10 245.59 34.08 –11.14 41.13 100
      注:ΔCI表示CO2排放因子的影响,作为计算误差被忽略。

    表  4   重庆市大气污染物排放量

    Table  4   Air pollutant emissions in Chongqing

    年份 $Q_{{{\mathrm{SO}}}_2} $/(104 t) QTSP/(104 t) $Q_{{\mathrm{NO}}_{\mathrm{x}}} $/(104 t)
    2011 58.69 18.1 40.26
    2012 56.48 18.23 38.27
    2013 54.77 19.12 36.20
    2014 52.69 22.61 35.50
    2015 49.58 20.91 32.07
    2016 28.83 9.58 21.77
    2017 25.34 8.33 20.40
    2018 12.93 17.63 20.72
    2019 7.50 15.70 17.52
    2020 6.75 8.47 16.70

    表  5   重庆市工业SO2排放驱动因素及其贡献

    Table  5   Impact of factors on industrial SO2 emissions in Chongqing

    年份 驱动因素贡献值/(104 t) G/(104 t)
    A B H J K M
    2011—2012 5.21 1.08 –1.33 –10.41 –3.53 6.81 –2.16
    2012—2013 –3.89 –1.01 –1.02 –2.05 –2.32 9.38 –0.92
    2013—2014 –2.04 0.72 –0.21 –3.60 –1.64 5.74 –1.03
    2014—2015 –1.64 –1.48 –0.73 –3.13 –2.45 6.17 –3.26
    2015—2016 –18.06 –7.52 –0.27 3.38 –0.70 –2.48 –25.65
    2016—2017 –2.62 –0.87 0.01 –1.49 –0.24 1.62 –3.59
    2017—2018 15.60 –17.31 –0.35 0.07 1.16 –0.65 –1.48
    2018—2019 –16.10 12.70 1.19 –0.36 0.49 0.22 –1.86
    2019—2020 –2.89 0.67 0.06 –0.38 0.00 0.35 –2.18
    2011—2020 –26.43 –13.01 –2.66 –17.97 –9.23 27.16 –42.13
    2011—2020年贡献度/% –62.73 –30.89 –6.31 –42.65 –21.90 64.47 100
  • [1] 国家政府网.关于印发《减污降碳协同增效实施方案》的通知[EB/OL].(2022-06-10)[2023-03-17].http://www.gov.cn/zhengce/zhengceku/2022-06/17/content_5696364.html.
    [2] 重庆市生态环境局.2020年重庆市生态环境状况公报[EB/OL].(2021-06-07)[2023-03-17].https://sthjj.cq.gov.cn/hjzl_249/hjzkgb/202106/t20210607_9378321.html.
    [3] Dong Feng,Yu Bolin,Pan Yuling.Examining the synergistic effect of CO2 emissions on PM2.5 emissions reduction:Evidence from China[J].Journal of Cleaner Production,2019,223:759–771. doi: 10.1016/j.jclepro.2019.03.152
    [4] Ang B W.Decomposition analysis for policymaking in energy[J].Energy Policy,2004,32(9):1131–1139. doi: 10.1016/s0301-4215(03)00076-4
    [5] Ang B W.LMDI decomposition approach:A guide for implementation[J].Energy Policy,2015,86:233–238. doi: 10.1016/j.enpol.2015.07.007
    [6] Moutinho V,Moreira A C,Silva P M.The driving forces of change in energy-related CO2 emissions in Eastern,Western,Northern and Southern Europe:The LMDI approach to decomposition analysis[J].Renewable and Sustainable Energy Reviews,2015,50:1485–1499. doi: 10.1016/j.rser.2015.05.072
    [7] Cansino J M,Sánchez-Braza A,Rodríguez-Arévalo M L.Driving forces of Spain’s CO2 emissions:A LMDI decomposition approach[J].Renewable and Sustainable Energy Reviews,2015,48:749–759. doi: 10.1016/j.rser.2015.04.011
    [8] Roinioti A,Koroneos C.The decomposition of CO2 emissions from energy use in Greece before and during the economic crisis and their decoupling from economic growth[J].Renewable and Sustainable Energy Reviews,2017,76:448–459. doi: 10.1016/j.rser.2017.03.026
    [9] Chong C H,Tan Weixin,Ting Zhaojia,et al.The driving factors of energy-related CO2 emission growth in Malaysia:The LMDI decomposition method based on energy allocation analysis[J].Renewable and Sustainable Energy Reviews,2019,115:109356. doi: 10.1016/j.rser.2019.109356
    [10] Alajmi R G.Factors that impact greenhouse gas emissions in Saudi Arabia:Decomposition analysis using LMDI[J].Energy Policy,2021,156:112454. doi: 10.1016/j.enpol.2021.112454
    [11] Xu Xianshuo,Zhao Tao,Liu Nan,et al.Changes of energy-related GHG emissions in China:An empirical analysis from sectoral perspective[J].Applied Energy,2014,132:298–307. doi: 10.1016/j.apenergy.2014.07.025
    [12] Wang Wei,Li Lu,Long Dongteng,et al.Improved boiler-turbine coordinated control of 1 000 MW power units by introducing condensate throttling[J].Journal of Process Control,2017,50:11–18. doi: 10.1016/j.jprocont.2016.12.002
    [13] Yang Jie,Cai Wei,Ma Minda,et al.Driving forces of China’s CO2 emissions from energy consumption based on Kaya-LMDI methods[J].Science of the Total Environment,2020,711:134569. doi: 10.1016/j.scitotenv.2019.134569
    [14] Wang Xuguang,Yan Liang.Driving factors and decoupling analysis of fossil fuel related-carbon dioxide emissions in China[J].Fuel,2022,314:122869. doi: 10.1016/j.fuel.2021.122869
    [15] Cai Kaihan,Sun Cuixia,Wang Haoxuan,et al.The potential challenge for the effective GHG emissions mitigation of urban energy consumption:A case study of Macau[J].Environmental Impact Assessment Review,2022,93:106717. doi: 10.1016/j.eiar.2021.106717
    [16] Guo Bin,Geng Yong,Dong Huijuan,et al.Energy-related greenhouse gas emission features in China's energy supply region:The case of Xinjiang[J].Renewable and Sustainable Energy Reviews,2016,54:15–24. doi: 10.1016/j.rser.2015.09.092
    [17] Gu Shuai,Fu Bitian,Thriveni T,et al.Coupled LMDI and system dynamics model for estimating urban CO2 emission mitigation potential in Shanghai,China[J].Journal of Cleaner Production,2019,240:118034. doi: 10.1016/j.jclepro.2019.118034
    [18] Liu Zhu,Liang Sai,Geng Yong,et al.Features,trajectories and driving forces for energy-related GHG emissions from Chinese mega cites:The case of Beijing,Tianjin,Shanghai and Chongqing[J].Energy,2012,37(1):245–254. doi: 10.1016/j.energy.2011.11.040
    [19] Jeong K,Kim S.LMDI decomposition analysis of greenhouse gas emissions in the Korean manufacturing sector[J].Energy Policy,2013,62:1245–1253. doi: 10.1016/j.enpol.2013.06.077
    [20] Rajabi Kouyakhi N,Shavvalpour S.The driving forces of energy consumption and carbon dioxide emissions in Iran’s electricity sector:A decomposition analysis based on types of ownership[J].Cleaner Environmental Systems,2021,2:100012. doi: 10.1016/j.cesys.2021.100012
    [21] Pita Piti,Winyuchakrit P,Limmeechokchai B.Analysis of factors affecting energy consumption and CO2 emissions in Thailand’s Road passenger transport[J].Heliyon,2020,6(10):e05112. doi: 10.1016/j.heliyon.2020.e05112
    [22] Wen Lei,Li Zhenkai.Provincial-level industrial CO2 emission drivers and emission reduction strategies in China:Combining two-layer LMDI method with spectral clustering[J].The Science of the Total Environment,2020,700:134374. doi: 10.1016/j.scitotenv.2019.134374
    [23] Lin Boqiang,Long Houyin.Emissions reduction in China’s chemical industry–Based on LMDI[J].Renewable and Sustainable Energy Reviews,2016,53:1348–1355. doi: 10.1016/j.rser.2015.09.045
    [24] Dai Ying,Gao H O.Energy consumption in China's logistics industry:A decomposition analysis using the LMDI approach[J].Transportation Research Part D:Transport and Environment,2016,46:69–80. doi: 10.1016/j.trd.2016.03.003
    [25] Xu Jinhua,Fleiter T,Eichhammer W,et al.Energy consumption and CO2 emissions in China's cement industry:A perspective from LMDI decomposition analysis[J].Energy Policy,2012,50:821–832. doi: 10.1016/j.enpol.2012.08.038
    [26] Tian Yihui,Zhu Qinghua,Geng Yong.An analysis of energy-related greenhouse gas emissions in the Chinese iron and steel industry[J].Energy Policy,2013,56:352–361. doi: 10.1016/j.enpol.2012.12.068
    [27] Chang Miao,Zheng Ji,Inoue Y,et al.Comparative analysis on the socioeconomic drivers of industrial air-pollutant emissions between Japan and China:Insights for the further-abatement period based on the LMDI method[J].Journal of Cleaner Production,2018,189:240–250. doi: 10.1016/j.jclepro.2018.02.111
    [28] Yang Xue,Wang Shaojian,Zhang Wenzhong,et al.Impacts of energy consumption,energy structure,and treatment technology on SO2 emissions:A multi-scale LMDI decomposition analysis in China[J].Applied Energy,2016,184:714–726. doi: 10.1016/j.apenergy.2016.11.013
    [29] He Shengbing,Yan Tong,Zhou Huarong.Decomposition and spatial clustering analysis of China’s SO2 emissions[J].Procedia Computer Science,2016,91:1064–1072. doi: 10.1016/j.procs.2016.07.153
    [30] Wang Yizhong,Wang Qunwei,Hang Ye.Driving factors of SO2 emissions in 13 cities,Jiangsu,China[J].Energy Procedia,2016,88:182–186. doi: 10.1016/j.egypro.2016.06.044
    [31] Fujii H,Managi S,Kaneko S.Decomposition analysis of air pollution abatement in China:Empirical study for ten industrial sectors from 1998 to 2009[J].Journal of Cleaner Production,2013,59:22–31. doi: 10.1016/j.jclepro.2013.06.059
    [32] Dai Yanhui,Zheng Hao,Jiang Zhixiang,et al.Comparison of different crop residue-based technologies for their energy production and air pollutant emission[J].Science of the Total Environment,2020,707:136122. doi: 10.1016/j.scitotenv.2019.136122
    [33] Tollefsen P,Rypdal K,Torvanger A,et al.Air pollution policies in Europe:Efficiency gains from integrating climate effects with damage costs to health and crops[J].Environmental Science & Policy,2009,12(7):870–881. doi: 10.1016/j.envsci.2009.08.006
    [34] Rive N.Climate policy in Western Europe and avoided costs of air pollution control[J].Economic Modelling,2010,27(1):103–115. doi: 10.1016/j.econmod.2009.07.025
    [35] Xie Xi,Weng Yuwei,Cai Wenjia.Co-benefits of CO2 mitigation for NOx emission reduction:A research based on the DICE model[J].Sustainability,2018,10(4):1109. doi: 10.3390/su10041109
    [36] Jiang Ping,Khishgee S,Alimujiang A,et al.Cost-effective approaches for reducing carbon and air pollution emissions in the power industry in China[J].Journal of Environmental Management,2020,264:110452. doi: 10.1016/j.jenvman.2020.110452
    [37] Ma Yuxia,Yang Sixu,Zhou Jianding,et al.Effect of ambient air pollution on emergency room admissions for respiratory diseases in Beijing,China[J].Atmospheric Environment,2018,191:320–327. doi: 10.1016/j.atmosenv.2018.08.027
    [38] Mao Xianqiang,Yang Shuqian,Liu Qin,et al.Achieving CO2 emission reduction and the co-benefits of local air pollution abatement in the transportation sector of China[J].Environmental Science & Policy,2012,21:1–13. doi: 10.1016/j.envsci.2012.03.010
    [39] 国家发展和改革委员会应对气候变化司.省级温室气体清单编制指南(试行)[R/OL].(2011-05)[2022-09-20].http://www.cbcsd.org.cn/sjk/nengyuan/standard/home/20140113/download/shengjiwenshiqiti.pdf.
    [40] Nam K M,Waugh C J,Paltsev S,et al.Carbon co-benefits of tighter SO2 and NO x regulations in China[J].Global Environmental Change,2013,23(6):1648–1661. doi: 10.1016/j.gloenvcha.2013.09.003
    [41] Yang Rupu,Wang Min,Zhao Mengxue,et al.Synergic benefits of air pollutant reduction,CO2 emission abatement,and water saving under the goal of achieving carbon emission peak:The case of Tangshan city,China[J].International Journal of Environmental Research and Public Health,2022,19(12):7145. doi: 10.3390/ijerph19127145
    [42] West J J,Osnaya P,Laguna I,et al.Co-control of urban air pollutants and greenhouse gases in Mexico city[J].Environmental Science & Technology,2004,38(13):3474–3481. doi: 10.1021/es034716g
    [43] 重庆市统计局.2020年重庆市国民经济和社会发展统计公报[EB/OL].(2021-03-18)[2023-03-19].https://tjj.cq.gov.cn/zwgk_233/fdzdgknr/tjxx/sjzl_55471/tjgb_55472/202103/t20210318_9008291.html.
图(18)  /  表(5)

本文结构

    /

    返回文章
    返回