美国气候新政背景下的中国未来CO2排放情景预测
丑洁明1, 代如锋1, 董文杰1,2, 班靖晗1, 胡川叶1
1 北京师范大学地表过程与资源生态国家重点实验室,北京 100875
2 中山大学大气科学学院,珠海 519082

作者简介:丑洁明,女,教授;代如锋(通信作者),男,硕士,dairufeng@mail.bnu.edu.cn

摘要

本文应用LMDI分解分析方法对中国2000—2014年生产部门CO2排放量变化做因素分解分析,同时结合STIRPAT模型建立CO2预测模型,分析2017—2030年中国的CO2排放情况。结果表明,经济增长和能耗强度变化对中国CO2排放量变化的影响分别为114.9%、-22.6%。基于预测模型变量构建未来情景,设定正常路线、减排路线和激进路线3条路线,共包含9种情景。正常路线的低碳情景和减排路线的基准情景下可实现2025年达到CO2排放峰值,减排路线的低碳情景可实现2020年达到排放峰值。

关键词: CO2排放预测; LMDI方法; 情景分析; 中国排放峰值; 美国气候新政
Future CO2 emissions projection of China based on U.S. new climate policy
CHOU Jie-Ming1, DAI Ru-Feng1, DONG Wen-Jie1,2, BAN Jing-Han1, HU Chuan-Ye1
1 State Key Laboratory of Earth Surface Processes and Resource Ecology, Beijing Normal University, Beijing 100875, China
2 School of Atmospheric Sciences, SunYat-Sen University, Zhuhai 519082, China
Abstract

In this paper, the LMDI decomposition method is used to analyze the CO2 emission in the production sector in China during 2000-2014, and the CO2 projection model is established by combining the STIRPAT model to analyze the possible CO2 emission of China during 2017-2030. The results show that economic growth and energy intensity are the two most important factors influencing the change of CO2 emission in China. The contribution rates are 114.9% and -22.6%. Three routes are set, which are normal route, emission reduction route and radicals route, a total of 9 scenarios. Low carbon scenario of normal route and benchmark scenario of emission reduction route could achieve CO2 emissions peak in 2025, and low carbon scenario of emission reduction route could achieve peak emissions by 2020.

Key words: CO2 emission projection; LMDI method; Scenario analysis; CO2 emission peak of China; New climate policy of U.S.
引 言

IPCC在第五次评估报告中指出, 气候变暖的事实毋庸置疑, 化石燃料燃烧和土地利用等人类活动导致的温室气体排放极有可能是观测到的20世纪中叶以来变暖的主要原因[1]。但为减缓和适应气候变化的国际谈判, 始终在争端中寻求协调, 最终达成的共识往往是多方妥协的产物。1992年通过了《联合国气候变化框架公约》(UNFCCC), 并每年召开气候变化缔约方大会, 协商控制温室气体排放(①UNFCCC官方网站http://unfccc.int/2860.php。)。1997年签署《京都议定书》, 要求工业化国家完成具体减排任务。欧盟认真履行减排责任, 美国自始至终没有加入此协议, 澳大利亚态度暧昧, 加拿大退出《京都议定书》, 发达国家差异化的态度使全球减排成效不彰。2009年召开哥本哈根气候大会, 达成不具法律约束力的《哥本哈根协议》。2015年召开巴黎气候大会, 与会各方签署《巴黎协定》, 同样不具有法律约束力, 减排目标由各国自主设定。为促使巴黎气候大会取得成果, 中国和美国两个世界上最大的CO2排放国积极制定减排目标[2], 美国计划于2025年实现在2005年基础上减排26%~28%。中国计划2030年左右CO2排放达到峰值且将努力早日达峰。这给全球减排事业带来了希望。2016年11月4日, 《巴黎协定》正式生效, 全球应对气候变化制度迈上新的台阶[3]。目前全球CO2排放依旧保持增长态势, 2015年全球化石燃料燃烧排放的CO2达到362.74亿t[4]。然而, 美国不顾世界各国反对于2017年6月3日宣布退出《巴黎协定》[5]。如此一来, 中国作为世界第一大CO2排放国, 其排放特征、未来趋势及气候政策愈益成为学界研究的热点[6]

许多研究针对中国CO2排放的影响因素展开。徐国泉等[7]基于对数平均权重分解法(LMDI)分析了1995— 2004年间中国人均碳排放受能源结构、能源效率和经济增长等因素的影响, 发现经济增长促使人均碳排放量呈指数增长, 能源效率效应呈倒U型; Liu等[8]分析了1997— 2009年中国省域碳排放的影响因素, 发现区域间巨大的技术差异导致了碳排放强度的差异; 郭朝先[9]用LMDI方法从产业层面和地区层面对中国1995— 2007年碳排放做了分解分析, 结果表明能源利用效率的提高是抑制碳排放增长最主要的因素, 经济规模扩张对中国CO2排放量增加影响最大; 陈诗一[10]从碳排放强度的视角考察了20世纪90年代以来中国在工业上的减排情况, 给出了产业结构调整和能源结构调整的具体建议。上述研究得出基本一致的结论, 新的时期有新的国情, 需要作出新的量化研究。另一些研究关注未来中国CO2排放状况。林伯强等[11]以Kaya恒等式为基础, 建立协整方程并设定 不同的发展情景预测了2010— 2020年CO2排放情况, 其中基准情景下中国2020年CO2排放总量为94.18亿t, 情景1(较为悲观)、情景2(较为乐观)两种情景下总排放量分别为77.43亿t和114.14亿t。Yuan等[12]基于改进的Kaya恒等式, 设定未来中国的经济、人口和能源消费等因素的变化率, 组合各变量的未来变化率得到不同的未来情景, 全面分析了2010— 2050年间中国CO2排放的可能情况, 结果表明中国能源消费峰值将出现在2035— 2040年间, 峰值为52亿~54亿tce, CO2峰值将出现在2030— 2035年间, 峰值为92亿~94亿t, 同时有2亿~3亿t的潜在减排量。

国际形势瞬息万变, 大国之间的新一轮气候博弈正在展开。中国与美国同为CO2排放大国, 在推进全球减少排放CO2事业方面肩负重任, 同时中国也是世界最大的发展中国家, 经济发展问题应当与减排协调并举。美国宣布退出《巴黎协定》, 此举势必会引起各国应对, 中国未来CO2排放状况可能不得不有所应对性变动。本文将开展新时期中国CO2排放研究工作, 以厘清新形势下中国应对美国气候变化新政背景下的CO2排放特征, 预测未来中国可能的CO2排放状况, 提出相应的发展路径和应对策略。

1 数据和方法
1.1 数据

本文使用的数据包括2000— 2014年中国分行业增加值数据(②数据来源为中国国家统计局年度数据, http://data.stats.gov.cn/easyquery.htm?cn=C01。)、人口数据、能源数据[13]和1980— 2014年长时间序列的中国CO2排放量数据, 1980— 2014年中国CO2排放量数据源自美国田纳西州橡树岭国家实验室环境科学部二氧化碳信息分析中心(CDIAC)[4]。分行业数据用于因素分解分析, 长时间序列CO2数据用于建立预测模型。为方便对比分析, 本文将各年度分行业增加值折算为2000年可比价。由于经济数据的行业划分与能源平衡表中的行业划分不一致, 本文对经济数据做合并处理, 将批发零售业和住宿餐饮业合并为批发零售和住宿餐饮业, 金融业、房地产业和其他行业合并为其他行业。

1.2 方法

本文将基于LMDI方法分析2000— 2014年中国CO2排放量增加的背后因素, 同时基于STIRPAT(Stochastic Impacts by Regression on Population, Affluence, and Technology)模型建立中国未来CO2排放预测模型, 分析中国可能的CO2排放状况。

1.2.1 CO2计算方法

依据IPCC提供的CO2估算方法[14], 本文计算了2000— 2014年中国生产部门终端能源消费产生的CO2。各类能源消费量与其CO2排放系数的乘积即得到CO2排放量, 如(1)式所示:

式中下标i=1, …, 8代表国民经济中6个生产行业(农林牧渔水利业、工业、建筑业、交通运输和仓储邮政、批发零售和住宿餐饮、其他行业)和2个生活部门(城镇和乡村); j=1, …, 18表示18种能源(电力和热力另做处理, 此处不包含); Ci代表各行业CO2排放量(t CO2); Eij表示i部门消耗j类能源的总量(TJ); efj表示j类能源的碳排放因子(t C/TJ), 本文研究的时间范围内视为常量, 如表1所示; csij表示i部门消耗的j类能源中未被氧化而作为原材料使用的比例, 本文只考虑作为燃料的终端能源, 所以csij=0; ojj类能源燃烧氧化率(%); 44/12表示CO2对碳的分子重量比。

表1 各类能源的碳排放系数和氧化率[16] Table 1 Carbon emission coefficient and oxidation rate of various types of energy

本文用电热摊派原则处理各行业消耗的电力和热能, 即用电部门和用热部门承担发电过程和热能生产过程排放的CO2[15]。以火力发电为例, 能源平衡表中火力发电一行表示发电消耗的各类能源量值, 每类能源量除以总发电量得到该类能源消耗比例, 各行业消耗电量乘以各类能源消耗比例, 将电力消耗分摊到各类能源, 即为电力摊派, 同理可实现热力摊派。

1.2.2 因素分解模型构建

分解分析是一种研究事物变化特征及其作用机理的分析框架, 在碳排放领域得到广泛应用。通常将CO2排放表征为多个因素的作用, 进而应用LMDI因素分解分析方法, 定量分析各个因素变动对碳排放量变动的影响。

日本学者Kaya[17]提出将碳排放与社会、经济、能源等宏观量之间的关系以简单的数学形式加以描述, 以解释人类活动对碳排放的影响。本文将Kaya恒等式应用到行业层面, 并设定能源消耗碳强度、能耗强度、产业结构、人均GDP和人口规模5个影响碳排放的因素, 可以得到(2)式:

式中i=1, …, 6表示国民经济中6个生产行业; C代表CO2排放总量; Ci代表i行业CO2排放量(t CO2); ECi代表i行业终端能源消费量(tce); Gi代表i行业增加值(万亿元); G代表国内生产总值(万亿元); P代表人口总数。(2)式可表示为(3)式, 赋予变量新的意义:

式中CIi代表i行业单位能源消费排放的CO2量(t CO2/tce), 简称能源消费碳强度, 衡量能源消费结构优劣, 非化石能源占比越大, 其值越低; EIi代表i行业的能耗强度(tce/万元), 反映能源使用效率; GSi代表i行业增加值占国内生产总值比例(%), 表征产业结构; PG代表人均GDP(万元/人), 表征经济规模。

对生产部门应用LMDI加法分解法[18], CO2排放量从0时期到t时期的变化可以表示为其他几个分量效应之和。

1.2.3 预测模型

本文选择STIRPAT模型作为预测模型的基础方法, STIRPAT来源于IPAT模型[19]。Dietz等[20]改进了传统的IPAT模型, 每一项加入需估计的系数, 使最初的IPAT模型变成可估计参数的随机影响回归模型, 其标准形式为:

式中I表示环境负荷, 本文以CO2排放量表示(亿t CO2); A表示富裕程度, 本文以人均GDP(PG)衡量; T表示技术水平, 本文以能耗强度(EI)为衡量指标; a是模型系数, b, c, d是待估参数, e是误差项。常用其对数形式做参数回归, 即:

b, c, d分别表示P, PG, EII的弹性, P, PG, EI每变化1%, 分别会引起CO2变化b%, c%, d%。

2 结果分析
2.1 终端能源消耗产生的CO2排放量计算结果分析

2000年以来中国经济发展迅猛, 能源消耗也快速攀升, 此期间行业级CO2值得细致分析。运用(1)式估算2000— 2014年间中国各生产行业和生活部门CO2排放量, 如图1所示, 2000— 2014年间中国CO2排放总量一直处于增长状态, 从2000年的33.5亿t CO2增加至2014年的109.2亿t CO2, 增加75.7亿t CO2, 增幅225.8%。中国CO2排放总量年平均增速8.9%, 其中2003— 2005年增速最快, 年增长速度分别为16.5%、16.0%、14.3%, 2014年增长速度最缓, 仅为0.2%。

图1 2000— 2014年各行业/部门CO2排放量Fig. 1 CO2 emission of each industry during 2000-2014

从行业来看, 工业CO2排放量处于主导地位, 其所占比重始终维持在70%左右, 在此期间工业总排放量增加了54.4亿t CO2。工业之外的其他五大行业CO2排放量较小, 农业CO2排放量增速较小, 15年间增长94%, 其他4个行业14年增幅均在200%以上。生活部门用能排放量占CO2总排放量比重稳定在11%左右, 城镇居民CO2排放量高于乡村居民排放量。由于生产部门的CO2排放量远大于生活部门, 下文分解分析将针对生产部门展开。

2.2 六大生产行业CO2排放因素分解

估算五大因素对中国六大生产行业CO2排放量增加的贡献, 总体分解结果如图2所示, 2000— 2014年生产部门CO2排放量增加67.6亿t, 其中经济增长效应贡献最大, 促进CO2排放量增加77.7亿t, 占CO2变化总量的114.9%; 能耗强度下降带来最多的负效应, 减少CO2排放15.3亿t, 占CO2变化总量的-22.6%, 有效抑制CO2排放量过快增加; 能源结构变化有微弱负效应, 减少CO2排放1.2亿t, 占比为-1.8%, 产业结构变化有微弱正效应, 贡献1.8亿t CO2, 占比为2.6%, 人口数量变化效应贡献了4.7亿t CO2, 占比6.9%。

图2 2000— 2014年生产部门CO2排放量变化因素分解结果Fig. 2 Decomposition results of CO2 emission for production sector during 2000-2014

对每年CO2排放量变化做分解分析, 结果如图3所示, 经济增长效应始终占据主导地位, 表现为促进CO2排放量增加的正效应, 这与中国经济持续高速增长分不开, 与徐国泉等[7]、郭朝先[9]研究结论一致。中国人均GDP从2000年的7902元增长至2014年的27087.3元, 增幅达242.8%, 年均增速9.1%, 高速发展的经济从总体上导致CO2排放增加。

图3 2000— 2014年生产部门CO2排放量变化逐年分解结果Fig. 3 Yearly decomposition results of CO2 emission for production sector during 2000-2014

能耗强度效应在多数年份表现出较大的负效应, 只有2003年、2004年、2005年和2009年是正效应。2000— 2014年中国全行业平均能耗强度波动下降, 从245.6 TJ/亿元下降至220.2 TJ/亿元。但2003— 2005年全行业能耗强度不降反升, 增长率分别为4.6%/a、7.0%/a、3.9%/a, 此期间各行业能耗强度均表现出上升趋势, 尤以工业和交通运输行业增长迅猛; 此期间中国经济增长速度很快, 汽车、房地产等行业的快速发展增加了对钢铁、水泥等原材料和电力的需求, 间接增加了基础能源消耗量; 同时全球能源危机显现, 煤荒、电荒困扰中国, 煤炭行业利润明显高于其他行业, 大量劣质煤流入市场。种种原因造成此阶段能耗强度不降反升, CO2排放量也在这一阶段快速增加。2006年之后能耗强度下降趋势明显。

中国非化石能源消耗比重逐步增加, 从2000年的7.3%增加至2014年的11.3%, 能源结构逐步优化, 能源结构效应在研究区间中, 有8年表现出负效应, 6年表现出正效应, 总体上有微弱的负效应, 反映出中国能源消费结构逐步优化, 但改变缓慢, 低碳能源开始使用, 但使用量较少的现状。产业结构变化在多数年份有正效应, 其根源是中国产业结构中工业比重高。人口总数变化始终表现出较小的正效应, 是因为人口总数持续增加, 此期间年平均增长率为0.5%。值得注意的是, 此期间人口总量增长率不断降低, 但2002年之后人口增长效应贡献量趋于增加, 原因是中国城市化进程加快所致, Zha等[21]研究表明, 城市人口CO2排放量高于乡村人口, 除了生活CO2排放量增加, 城市人口增加需要配套相应的服务设施, 同样促进生产部门CO2排放量增加。

朱勤等[22]研究了中国1980— 2007年的能源消费碳排放的影响因素, 结果表明1980年以来, 中国能源消费碳排放受经济产出效应的影响最大, 表现为促进排放作用, 能源强度表现出负效应, 人口规模效应、产业结构效应、能源结构效应较小。这些结论与本文研究结论高度吻合, 总体而言, 1980— 2014年中国碳排放主要受经济增长和能耗强度两大因素影响, 其余因素影响较小。

3 中国未来CO2排放情景预测分析
3.1 预测模型构建

根据2.2结论, 1980— 2014年间对中国CO2排放影响最大的因素是经济和能耗强度, 相较之下, 其余因素影响较小, 所以预测模型将经济和能耗强度视为主要变量, 其余因素的效应作为对数模型的常数项考虑。为保障预测模型具有代表性, 本文基于1980— 2014年长时间序列的中国化石能源消费CO2排放量、人均GDP、能耗强度数据, 应用SPSS软件做多元线性回归分析。由此得到回归模型为:

式(6)揭示了中国近30多年来CO2变化与经济水平和能耗强度的关系, 人均GDP每提高1%, CO2排放量将增加1.032%; 能耗强度每提升1%, CO2排放量将增加0.884%。反映出此期间中国人均GDP不断增长, 推动CO2排放量增加, 能耗强度不断下降, 抑制CO2排放量过快增长。常数项涵盖其他因素的影响, 诸如人口增长、能源结构效应、产业结构效应等。式(6)可表示为指数形式, 如式(7)所示。

根据(7)式, 计算1980— 2014年历史时期的CO2值, 检验回归效果, 模型总体RMSE为2.3亿t, R2为0.9932, 预测值与实际值对比如图4所示, 统计检验结果表明预测模型可以较精确地反映出CO2排放量在历史时期的变化情况。

图4 1980— 2014年回归模型重建值与观测值对比Fig. 4 Differences between regressions and observed values during 1980-2014

3.2 中国应对美国气候新政情景设定

设定中国可能的3条路线, 每条路线包含3种情景(表2)。

表2 中国应对美国气候新政可能的排放情景 Table 2 Possible emission scenarios for China to response to the U.S. new climate policy

3.2.1 正常路线

中国气候政策不受美国气候政策影响, 按照既有的发展路线前行, 此路线下可能的排放情景分为基准情景(S1)、低碳情景(S2)、高排放情景(S3)。

根据各类政策规划和机构预测报告, 设定经济社会变量的基准情景, 以此反应未来最可能的发展路径。2017年《政府工作报告》(③2017年政府工作报告http://www.gov.cn/guowuyuan/2017-03/16/content_5177940.htm。)预计中国GDP增速为6.5%, 世界银行[23]预测2018— 2020年中国GDP增速分别为6.3%、6.3%、6.0%。《中国与新气候经济报告》[24]设定中国经济3种发展情景, 其中中等增长情景预测2021— 2030年间GDP年平均增长速度为4.8%, 但此情景对2010— 2016年经济增速预测过高, 所以本文设定情景时参考上述参数并酌情调整。人均GDP增长速度与GDP增长速度有很强的一致性, 2000年以来两者差别平均为0.6%, 考虑到未来全面开放二胎, 人均GDP增长速率与GDP增长速率之间的差别会更大, 本文设定2017— 2020年间人均GDP增长速度比GDP增长速度低0.6%, 2021— 2030年人均GDP增长速度比GDP增长速度低0.65%。具体参数见表3表4

表3 不同情景下人均GDP变率 Table 3 Change rate of per capita GDP under different scenarios %
表4 不同情景下能耗强度变率 Table 4 Change rate of energy intensity under different scenarios %

《能源发展战略行动计划(2014— 2020年)》[25]预计2020年一次能源消耗总量将控制在48亿tce, 十三五能源规划报告预计2020年中国能源消耗总量将控制在50亿t以内, 《中国能源展望2030》[26]预测未来能源需求量增速不断放缓, 2030年一次能源消耗总量为53亿tce, 同时, 一次能源消耗结构将持续优化, 表现为煤炭比重大幅下降, 清洁能源使用量不断增加, 到2020年、2030年煤炭比重分别为60%、49%, 非化石能源比重分别达到15%、22%。参考《中国与新气候经济报告》中持续减排情景, 能耗强度在2010— 2020年间年平均增长率为-2.66%, 2021— 2030年间年平均增长率为-2.56%。近年来国家在环保事业投入加大, 各类政策进一步收紧, 本文在设定基准情景时参考上述参数, 酌情降低增长率。具体参数见表3表4

低碳情景是基准情景的一个补充, 此情景下国家将加大力度提高能源使用效率, 清洁能源消耗占比进一步提高, 与此同时, 经济增速将有所放缓。低碳情景下, 2017— 2019年的人均GDP增速参考世界银行预测结果[23], 与基准情景相同, 2020年酌情调整。2021— 2030年人均GDP增速参考《中国与新气候经济报告》中的低增长情景, 其预测2021— 2030年间GDP年平均增长速度为3.28%, 本文酌情调整, 设定2021— 2025年人均GDP增长率为3.85%, 2026— 2030年人均GDP增长率为2.85%。

低碳情景较基准情景, 能耗强度将以更快的速度下降。林伯强等[11]设定2016— 2020年能耗强度年增长率为-4.60%。《中国与新气候经济报告》中加速减排情景下, 能耗强度增长率在2010— 2020年为-2.94%/a, 2021— 2030年为-2.69%/a。本文设定低碳情景时, 考虑到近年来国家在清洁发展方面投入巨大, 酌情参考上述文献, 设定能耗强度增长率在2017— 2020、2021— 2025、2026— 2030年分别为-4.4%、-3.6%、-3.4%。

高排放情景下, 中国保持较快经济发展, 产业结构和能源结构优化缓慢, 整体能源效率提高幅度有限。高排放情景同样参考设定2017— 2020年的人均GDP增速, 期间增长率平稳下滑。2021— 2030年人均GDP增速参考《中国与新气候经济报告》中的高增长情景, 其预测2021— 2030年间GDP年平均增长速度为6.02%, 本文酌情调整, 设定年人均GDP增长率在2021— 2025年、2026— 2030年分别为4.55%, 3.55%。

高排情景较基准情景, 能耗强度下降缓慢。此项数值参考林伯强等[11]研究结果, 能源强度指标的变动幅度为0.3%~0.5%。为使高排放情景对比作用明显, 本文设定高排放情景能耗强度增长率比基准情景低0.7%, 即能耗强度增长率在2017— 2020年、2021— 2025年、2026— 2030年分别为-2.9%、-2.6%、-2.4%。

3.2.2 减排路线

中国采取更为严格的减排政策, 大力发展清洁能源和可再生能源, 经济增速放缓, 向可持续发展、清洁发展逐步调整, 持续迈进。此路线下, 设定3种未来可能的经济社会情景:基准情景(S4)、低碳情景(S5)、高排放情景(S6)。减排路线目的在于全面考察中国可能的减排情景, 所以S4~S6是在S1~S3的基础上, 等值调低人均GDP增长速率和能耗强度增长速率。具体参数见表3表4

3.2.3 激进路线

中国放弃已有的减排承诺, 持续使用化石能源, 清洁能源有限发展, 人均GDP增长速度在短期内维持在较高水平。此路线下, 设定3种未来可能的经济社会情景:基准情景(S7)、低碳情景(S8)、高排放情景(S9)。激进路线目的在于考察高排放情景下中国未来CO2排放的可能变化, 所以S7~S9是在S1~S3的基础上, 等值调高人均GDP增长速率和能耗强度增长速率。具体参数见表3表4

汇总所有情景(表2), 每种情景下人均GDP变率和能耗强度变率如表3表4所示, 由此预估未来中国CO2排放量。

3.3 预测结果分析

根据3.2节中设定的情景, 得到中国未来CO2排放量预估结果, 如图5所示。3种路线包含9种发展情景, 其中S2和S4情景下, CO2排放峰值将出现在2025年, CO2排放量峰值分别为115.0亿t、116.3亿t。S5情景可实现2020年达峰, CO2排放量峰值为109.4亿t。S1和S8情景在2030年之前没有峰值出现, 但2026— 2030年间CO2排放量增长率很小, 有望在2030年左右实现峰值目标。其他情景下CO2排放量始终保持较快增长速度, 短期内很难出现排放峰值。

图5 2017— 2030年CO2排放预测结果Fig. 5 Projection results of CO2 emission during 2017-2030

正常路线下基准情景(S1)的排放情况, 2020年中国CO2排放量达到115.0亿t, 2030年达到124.9亿t, 期间CO2排放速度逐步放缓, 有望在2030年达到排放峰值。正常路线是中国最有可能采取的应对路线, 特朗普签署“ 能源独立” 行政命令后, 中国政府表示, 将继续实施应对气候变化政策, 履行已有的承诺[27]

减排路线中的低碳情景(S5)下, 2020年中国CO2排放量为109.4亿t, 之后CO2排放量持续下降, 2030年CO2排放量仅为104.9亿t。减排路线是中国可能采取的应对路线之一, 中国将注重产业结构升级, 严格控制生产行业能耗强度, 从粗放型发展向集约型发展大步迈进, 同时调整能源结构, 大力发展清洁能源和可再生能源。中国在此路线的发展必将牺牲一定的经济增速, 但是在清洁能源的投入将引领全球, 为后续发展蓄力。

激进路线中的高排放情景(S9)下, CO2排放量高速增长, 2020年中国CO2排放量达到120.3亿t, 2030年达到154.9亿t。激进路线反映出中国正面对抗美国气候新政的结果, 届时其他国家也可能效仿中美, 放弃减排承诺, 控制温度升高的目标将不可能实现。中国经济快速增长总是伴随着CO2排放量增加, 能源使用效率低、化石能源处于主导地位是重要原因。未来经济发展方向是资源节约型、环境友好型, 需不断提高能源使用效率、降低能耗强度, 这个过程是艰难的。所以控制CO2排放需要牺牲一定的经济增长, 如达峰情景S2、S4、S5均为较低的经济增长率, 高排放情景S3、S9都是经济增速较快的情景。从长远来看, 经济转型是必然选择, 可持续发展才能为未来经济增长创造更大空间。

4 结论与讨论

为厘清中国生产部门的CO2排放特征及影响因素变化, 本文首先利用中国终端能源消耗数据估算了2000— 2014年间的CO2排放量, 然后用扩展的Kaya恒等式, 结合LMDI分解分析方法, 对2000— 2014年间中国生产部门的CO2排放做分解分析。同时结合STIRPAT模型, 利用对数回归方法建立中国CO2排放量预测模型, 并预测了可能的CO2排放状况。主要结论如下。

2000— 2014年间中国终端能源消耗产生的CO2排放量增加75.7亿t CO2, 增幅为225.8%。其中六大生产行业CO2排放总量增加67.6亿t, 增幅为229.3%, 两个生活部门CO2排放总量增加8.0亿t, 增幅200%。生产部门CO2排放量占总排放量比重保持在89%左右, 远大于生活部门(11%)。其中经济增长效应贡献最大, 使CO2排放量增加77.7亿t, 占CO2变化总量的114.9%; 能耗强度下降是抑制CO2过快增长的主要原因, 在此期间减少CO2排放15.3亿t, 占CO2变化总量的-22.6%; 能源结构效应、产业结构效应、人口总数效应分别贡献-1.8%、2.6%、6.9%。各类研究结果表明, 1980— 2000年间中国碳排放的影响因素也表现出相同的状态, 即经济增长和能耗强度影响最大。

中国应对美国气候新政可能的3条路线中, 正常路线基准情景下, CO2排放量持续增加, 2020年达到115.0亿t, 2030年达到124.9亿t, 期间CO2排放速度逐步放缓, 有望在2030年达到排放峰值; 正常路线高排放情景下, CO2排放量更快速地增加, 2030年达到142.5亿t; 正常路线低碳情景下, CO2排放量先增加后减小, 于2025年达到排放峰值, 峰值排放量为115.0亿t。减排路线下低碳情景和基准情景分别在2020年和2025年实现排放量达峰的目标。激进路线的所有情景下, CO2排放量均不断增加, 中国排放达峰目标不可能实现, 中国作为负责任的大国, 将在全球应对气候变化的舞台上起到引领作用, 激进路线不利于全球人民的共同利益, 中国将不会采取这方面行动。高排放的各种情景路径也不适合中国的发展方式。

本文研究中国CO2排放的历史特征和未来趋势, 得到一个初步的结果, 还存在一些不确定性, 方法上也存在一定的局限性。首先, 基于Kaya恒等式的LMDI分解模型适用于分解流量变化; 生产部门的分解公式未能分解出城市化的影响。其次, CO2排放量与诸多社会经济变量相关, 但由于其他变量存在多重共线性问题, 本文建立的预测模型仅包含人均GDP和能耗强度两个变量, 其他变量的影响合并在常数项中, 可能造成预测结果出现误差。

面对全球变暖加剧的现状, 各国采取行动减少CO2排放刻不容缓。中国作为世界第一大温室气体排放国, 有必要采取措施抑制CO2排放增加, 同时, 中国还是发展中国家, 需兼顾经济发展。经济发展与减少CO2排放是这个时代的基本旋律, 缺一不可。中国应保持战略定力, 实施既定的绿色发展和节能减排战略, 早日实现CO2排放达峰。中国政府已经明确表态, 坚持既定方针政策不变。这一方面要在能源使用技术上下功夫, 普及节能生产技术, 降低能耗强度; 同时要转变发展思路, 控制高耗能工业扩展速度, 加快发展低能耗低排放产业, 保证经济持续增长。

The authors have declared that no competing interests exist.

参考文献
[1] IPCC. Climate change 2013: the physical science basis[M]. Cambridge: Cambridge University Press, 2013 [本文引用:1]
[2] 新华网. 中美元首气候变化联合声明[EB/OL]. 2015 [2017-03-25]. http://news.xinhuanet.com/politics/2015-09/26/c_1116685873.htm [本文引用:1]
[3] 央广网. 全球气候协议《巴黎协定》正式生效绿色生活理念加强[EB/OL]. 2016 [2017-03-25]. http://china.cnr.cn/xwwgf/20161105/t20161105_523245764.shtml [本文引用:1]
[4] Marland G, Boden T A, Andres R J. Global, regional, and national fossil-fuel CO2 emissions [R/OL]. 2008 [2017-03-25]. http://cdiac.ess-dive.lbl.gov/trends/emis/overview.html [本文引用:2]
[5] 凤凰资讯. 特朗普宣布美国退出《巴黎协定》[EB/OL]. 2017 [2017-03-28]. http://news.ifeng.com/a/20170603/51193754_0.shtml [本文引用:1]
[6] Liu Z, Guan D, Crawford-Brown D, et al. A low-carbon road map for China[J]. Nature, 2015, 500(7461): 143-145 [本文引用:1]
[7] 徐国泉, 刘则渊, 姜照华. 中国碳排放的因素分解模型及实证分析: 1995—2004[J]. 中国人口·资源与环境, 2006, 16(6): 158-161 [本文引用:2]
[8] Liu Z, Geng Y, Lindner S, et al. Uncovering China’s greenhouse gas emission from regional and sectoral perspectives[J]. Energy, 2012, 45(1): 1059-1068 [本文引用:1]
[9] 郭朝先. 中国碳排放因素分解: 基于LMDI分解技术[J]. 中国人口·资源与环境, 2010, 20(12): 4-9 [本文引用:2]
[10] 陈诗一. 中国碳排放强度的波动下降模式及经济解释[J]. 世界经济, 2011 (4): 124-143 [本文引用:1]
[11] 林伯强, 刘希颖. 中国城市化阶段的碳排放, 影响因素和减排策略[J]. 经济研究, 2010, 8(1): 66-78 [本文引用:3]
[12] Yuan J, Xu Y, Hu Z, et al. Peak energy consumption and CO2 emissions in China[J]. Energy Policy, 2014, 68(2): 508-523 [本文引用:1]
[13] 国家统计局能源统计司. 中国能源统计年鉴: 2014年和2015年 [M]. 北京: 中国统计出版社, 2014-2015 [本文引用:1]
[14] IPCC. Revised 1996 IPCC guidelines for national greenhouse gas inventories[M]. 1996 [本文引用:1]
[15] Zhang M, Mu H L, Ning Y D, et al. Decomposition of energy-related CO2, emission over 1991-2006 in China[J]. Ecological Economics, 2009, 68(7): 2122-2128 [本文引用:1]
[16] 宋然平, 杨抒, 孙淼. 能源消耗引起的温室气体排放计算工具指南: 2. 1版[M]. 北京: 世界资源研究所, 2013 [本文引用:1]
[17] Kaya Y. Impact of carbon dioxide emission control on GNP growth: interpretation of proposed scenarios [R]. Paris: IPCC Energy and Industry Subgroup, Response Strategies Working Group, 1990 [本文引用:1]
[18] Ang B W. The LMDI approach to decomposition analysis: a practical guide[J]. Energy Policy, 2005, 33(7): 867-871 [本文引用:1]
[19] Ehrlich P R, Holdren J P. Impact of population growth[J]. Science, 1971 (171): 1212-1217 [本文引用:1]
[20] Dietz T, Rosa E A. Rethinking the environmental impacts of population, affluence and technology[J]. Human Ecology Review, 1994 (1): 277-300 [本文引用:1]
[21] Zha D, Zhou D, Peng Z. Driving forces of residential CO2, emissions in urban and rural China: an index decomposition analysis[J]. Energy Policy, 2010, 38(7): 3377-3383 [本文引用:1]
[22] 朱勤, 彭希哲, 陆志明, . 中国能源消费碳排放变化的因素分解及实证分析[J]. 资源科学, 2009, 31(12): 2072-2079 [本文引用:1]
[23] World Bank. Global economic prospects [R]. Washington DC, 2017 [本文引用:2]
[24] 清华大学. 中国与新气候经济报告[R]. 北京: 清华大学, 2014 [本文引用:1]
[25] 国务院办公厅. 能源发展战略行动计划(2014—2020年)[EB/OL]. 2014 [2017-03-18]. http://www.gov.cn/zhengce/content/2014-11/19/content_9222.htm [本文引用:1]
[26] 中国能源研究会. 中国能源展望2030 [M]. 北京: 经济管理出版社, 2016 [本文引用:1]
[27] 中华人民共和国外交部. 2017年3月29日外交部发言人陆慷主持例行记者会[EB/OL]. 2017 [2017-04-02]. http://www.fmprc.gov.cn/web/wjdt_674879/fyrbt_674889/t1449855.shtml [本文引用:1]