我国省域CO2-PM2.5-O3时空关联效应与协同管控对策

李 飞,董 珑,孔少杰,屈志光,郭锦媛,周媛媛,欧昌宏

我国省域CO2-PM2.5-O3时空关联效应与协同管控对策

李 飞*,董 珑,孔少杰,屈志光,郭锦媛,周媛媛,欧昌宏

(中南财经政法大学信息与安全工程学院,环境与健康研究中心,湖北 武汉 430073)

首先分析了2015～2019年我国省域CO2排放量和大气PM2.5、O3污染浓度的时空特征及三者变化量之间的关联效果.而后利用排放因子法编制2011～2019年各省CO2和PM2.5、O3前体物的排放清单,结合STIRPAT模型分情景预测了CO2和PM2.5、O3前体物的协同效应,并建立评级体系识别重点管控区域并对其开展分部门的协同效应解析,最后提出分级协同管控对策.研究结果表明,53%的省份CO2减排与PM2.5浓度下降之间不存在关联效果,87%的省份CO2减排与O3浓度下降之间不存在关联效果.2012～2014年我国CO2与PM2.5具有协同效应,而2015～2019年则不具有该效应,另多数研究年份CO2与O3前体物具有协同效应,但并未出现减污降碳协同效应.基于协同效应系数分析,低碳情景下达到协同效应的省份多于基准情景.根据评级体系将所研究的省份分为4级管控区域,“Ⅰ级管控区域”各部门应优先考虑CO2和PM2.5的协同减排,“Ⅱ级管控区域”各部门应优先考虑CO2和O3的协同减排,建议各部门参照低碳情景发展,“Ⅰ、Ⅱ级管控区域”需合理调控人口和城镇化率,优化能源结构等.

减污降碳；协同效应；时空特征；STIRPAT模型；分级管控；PM2.5；O3

自2013年以来,中国先后采取《大气污染防治行动计划》、《打赢蓝天保卫战三年行动计划》等多项措施有效地改善了大气污染状况,提高了空气质量,但截止2021年,全国仍有近30%的城市PM2.5平均浓度超标,我国PM2.5污染问题仍然严峻.同时,根据《2021中国生态环境状况公报》,我国处于O3超标污染的天数占总污染超标天数的34.7%,仅次于PM2.5超标污染39.7%的占比[1],O3污染也成为另一重点大气环境问题.此外全球气候形势严峻,为应对全球气候变暖,我国政府于2020年提出“双碳目标”彰显了大国担当[2].鉴于CO2排放与大气污染排放具有同根同源、相互作用的关联属性,因此具备实现局地大气污染物与CO2协同减排的较大潜力.

“协同控制”由IPCC提出,即为获得温室气体和大气污染物减排协同效应采取的管控措施.随着相关研究的深入,越来越多的学者基于建立的减污降碳协同作用模型来评估协同治理措施成效,以得到合理的协同减排路径.如Liu等[3]和Wang等[4]基于协同治理模型探索了大气污染物与温室气体的协同减排路径.然而,上述研究多集中于对传统大气污染物(SO2、PM2.5、NO等)与CO2的协同效应的分析,而近年来O3污染日益凸显,故亟需探索CO2、PM2.5和O3三者之间的协同效应.另有学者对建立CO2排放清单[5-7]与大气污染物排放清单[8-9]进行了研究,为本文编制CO2、PM2.5和O3前体物排放清单提供了良好基础.此外,也有不少学者的研究是基于STIRPAT模型对CO2与典型大气污染物排放量的预测,如罗红成等[10]和刘茂辉等[11]基于该模型分别预测了湖北省和天津市“十四五”期间的温室气体与大气污染物排放量.STIRPAT模型克服了传统模型中因素以相同弹性影响环境的不足,能同时比较不同因素对环境的影响水平,并能根据研究内容对环境影响因素进行适当分解,增强模型的分析能力,已被广泛应用于大气污染物和碳排放的预测[12-13],为本文预测“碳达峰”情景下CO2排放和典型大气污染物排放提供了理论工具.综上,目前对CO2和典型大气污染物的研究虽相对丰富,但缺乏对我国省域CO2和PM2.5、O3三者协同效应的分析,难以识别三者协同效应在多层次尺度和未来情景下的特征,也就无法制定区域差异化协同管控对策并实现科学且高效的协同管控.

面对上述问题,本研究首先量化解析了2015～2019年我国省级CO2排放量和大气PM2.5、O3污染浓度的时空特征和下降量关联效果.其次为提高模型预测的精准度[14-15],利用排放因子法编制2011～2019年各省CO2和PM2.5、O3前体物的排放清单,并量化分析CO2和PM2.5、O3前体物的协同效应.然后结合STIRPAT模型分情景预测在“碳达峰”路径下CO2和PM2.5、O3前体物的协同效应,并建立评级体系识别重点管控区域并开展分部门的协同效应解析,最后设计分级协同管控对策.根据区域分级情况和各部门协同效应分析,能够针对重点区域和部门提出协同管控对策,以期为政府部门关于区域减污降碳的高效管理与优化决策提供理论支撑.

1 材料与方法

1.1 数据来源

表1 能源消费部门分类情况

续表1

序号社会经济部门分类 41运输、储存、邮政和电信服务服务业 42批发、零售、贸易、餐饮服务 43其他服务部门 44农业、林业、畜牧业、渔业、水利等方面农业、建筑业、家居 45建筑部门 46城市居民能源使用 47农村居民能源使用

本文以2011～2019年我国30个省、自治区和直辖市(西藏、港、澳、台资料暂缺)为研究对象,涉及的能源种类包括原煤、洗精煤、其他洗煤、型煤、焦炭、焦炉煤气、其他煤气、其他焦化产品、原油、汽油、煤油、柴油、燃料油、天然气与其他石油产品共15种.能源消费数据来源于中国碳核算数据库(CEADs),并将该数据与国家统计局和各省统计局《2011～2019年中国能源统计年鉴》进行验证,确保其准确性.人口、城镇化率、地区生产总值、产业结构、能源强度和能源结构数据来源于国家统计局和各省统计局《2011～2019年统计年鉴》.为识别各部门相关情况,参照Shan等[16]研究将能源部门分为重工业、能源生产、轻工业、服务业和农业,建筑业,家居5个部门,如表1所示.

2015～2019年O3和PM2.5的浓度数据来自于中国生态环境部发布的全国空气质量日报(http://www. mee.gov.cn/),该部门于2015年1月1日起实时发布全国338个地级及以上城市1436个国控监测站点包括PM2.5和O3在内六项指标实时数据,因此本研究PM2.5、O3污染浓度的时空特征从2015年开始,从中计算30个省2015～2019年PM2.5的年均值和O3日最大8h平均值的年均值.基于环境保护部发布的《环境空气质量评估技术规范》(HJ663–2013)[17],城市大气PM2.5与O3的年评价分别采用年均值(AM)和日最大8h平均第90百分位数(MDA8-90%)浓度 值.

1.2 时空关联效应

本文的时空关联效应包括两层含义,一是CO2-PM2.5-O3的时空特征,反映在CO2-PM2.5-O3研究期间内的空间自相关特征;二是CO2减排量和PM2.5、O3浓度下降量的关联效应,反映在省级CO2减排量与PM2.5、O3浓度下降量自身是否存在关联效应.

1.2.1 空间自相关 全局莫兰指数是最常用分析空间自相关的方法.Moran’s计算如下:

式中:为监测省份数量;x和x分别为省份和的不同观测值;为空间权重矩阵.

全局莫兰指数只能判断是否存在聚集现象,而无法反映聚集是高值还是低值组成[18].因此需要利用冷热点分析,计算如下:

1.2.2 关联效应 本文的关联效应分为两种:一是正向的关联效果,即CO2减排量与PM2.5、O3浓度下降量的关联效果;二是负向的关联效果,即CO2增排量与PM2.5、O3浓度增加量的关联效果.以横轴为CO2减排量、纵轴为PM2.5或O3浓度下降量建立坐标系对各省进行划分,第一象限为该省份CO2减排量与PM2.5、O3浓度下降量存在关联效果,第三象限为该省份CO2增排量与PM2.5、O3浓度增加量存在关联效果,第二、四象限则为该省份CO2与PM2.5、O3不具有关联效果.CO2减排量与PM2.5、O3浓度下降量利用《中国城市二氧化碳和大气污染协同管理评估报告》中的方法计算,核算公式如下:

1.3 CO2、PM2.5和O3排放量核算方法

参考《IPCC国家温室气体排放清单》及《省级温室气体清单编制指南》中碳排放的核算内容和方法[19-20],本文对CO2排放量的核算公式如下:

式中:c为CO2排放量,kg;为能源品种;A为能源的消费量,kg; LCV为平均低位发热值,kJ/kg; CC为单位热值碳含量,tC/TJ; COR为碳氧化率.

目前尚缺乏O3排放清单的相关研究,而NO和VOCs是O3的主要前体物,两者协同减排能改善O3污染[21-22],因此本文探索用NO和VOCs排放量来代替O3与CO2、PM2.5进行协同效应分析.参考Liu等[23]基于排放因子核算大气污染物排放量的方法,PM2.5、NO、VOCs的核算公式如下:

式中:E为污染物排放量,kg;为能源的消费量,t; EF为排放因子,kg/t;为污染物去除效率,%;分别代表污染物类型、能源品种、省(直辖市、自治区).PM2.5排放因子参考Zheng等[24]和Huang等[25]的研究,NO排放因子参考大气污染物排放清单编制手册[26]以及Liu等[27]和Bai等[28]的研究,VOCs排放因子参考余宇帆等[29]和陈颖等[30]的研究.

1.4 协同效应系数

减污降碳协同效应系数可以定量描述温室气体与大气污染的协同减排效应,常用的协同系数是减排量交叉弹性系数[31],核算公式如下:

1.5 STIRPAT模型

为克服IPAT等式各因素等比例影响环境压力的不足,York等[32]基于IPAT等式,构建了STIRPAT模型,其表达式为:

式中:为常数;为指数项;为误差项.

参考潘栋等[33]和黄莘绒等[34]的分析,将人口()和城镇化率()看作人口要素,将地区生产总值()和产业结构(IS)看作富裕程度要素,将能源强度(EI)和能源结构(ES)看作技术水平要素,得到拓展的STIRPAT模型,为消除模型中可能存在的异方差,将所有变量进行对数化处理,模型最终扩展形式如下:

式中:为典型大气污染物排放量或CO2排放量,t;为弹性系数; ln作为常数项; ln作为误差项,变量描述如表2所示.

在使用STIRPAT模型研究大气污染或温室气体排放时,构建的多元线性回归模型易产生多重共线的问题,而岭回归法能消除多重共线性的影响,使回归结果更有效[35],因此本文使用岭回归进行多元线性回归模型的构建.

表2 STIRPAT模型变量

1.6 情景设置

在基准情景下,各省具体参数值根据全国参数设定值与地区历史发展情况调整得出.人口设定根据《国家人口发展规划》,同时将国家实施“二孩政策”的影响考虑在内[36].GDP设定根据我国“十四五”规划中对经济增长做出的定性表述,参考了国家经济发展规划和《中国能源展望2030》的设定[37].城镇化率设定根据“十四五”规划以及袁方成对我国2016～2030年城镇化进程的预测研究[38].产业结构的变化根据“十四五”规划和2035年远景目标纲要中指出的第二产业结构化升级与目标设定.能源结构和能源强度均参照我国“十四五”规划和刘彦迪对我国2022～2030年能源强度年均增长率的研究来设定其变化率[39].在低碳情景下,需要进一步调整能源结构、能源强度和产业结构来降低我国大气污染物和CO2排放量.但考虑到国家及地方在实施节能减排政策时,势必会对经济社会发展带来影响,因为节能减排会减少化石能源投入、将我国产业由第二产业主导转向第三产业主导模式,所以人口、经济和城镇化率年均变化率也需进行适当调整,使得我国能在2030年前实现碳达峰[40-41],参考王勇等[42]和邓小乐等[43]研究的设定,具体参数见表3.

表3 基准情景与低碳情景各省各因素变化率设置

注:负号代表各因素年均下降率.

2 结果与讨论

2.1 CO2排放量与PM2.5、O3浓度的空间自相关分析

2.1.1 全局空间自相关检验 为分析我国30个省份CO2排放量、大气PM2.5和O3浓度的空间集聚性,对CO2排放量、PM2.5和O3(MDA8-90%)的年均值浓度的空间集聚效应进行检验,检验结果如表4所示.2015～2019年CO2排放量的Moran’s为正且Z值均大于1.96,表明在95%置信度下CO2排放量具有空间正相关.2015～2019年PM2.5与O3的Moran’s也为正且值均大于2.58,表明在99%置信度下各省PM2.5和O3的污染均具有空间正相关.研究期间CO2和PM2.5的Moran’s值波动较小,表明CO2排放量和PM2.5浓度集聚特征较稳定,而O3浓度相比于2015年,Moran’s值有大幅的上升,表明省份间O3浓度的集聚特征显著增强.

2.1.2 冷热点分析 为进一步探讨CO2排放量、PM2.5与O3浓度是高值聚集还是低值聚集,绘制了30个省CO2排放、PM2.5和O3年均值浓度的冷点和热点区域分布图(图1).结合PM2.5和O3的冷热点区域空间分布图,进一步分析可知:2015～2019年PM2.5和O3年均值浓度均呈现空间聚集特征,冷点和热点区域分布大致相同,城市集群具有较强的聚集效应.此外,PM2.5和O3的热点区域分布大致相同,主要覆盖华北平原全境,包括北京、天津、河北、河南、山东、江苏和安徽,向南延伸至长江中下游平原区域,包括安徽、江苏、上海,向西以汾渭平原为界.而CO2排放的热点区域集中在东部的北京、天津、河北、山东和江苏,这与PM2.5和O3的热点区域有较大空间特征差异,故需对CO2减排量和PM2.5、O3浓度下降量的协同效果进一步评估.

表4 2015～2019年空间自相关检验

2.1.3 CO2减排量与PM2.5、O3浓度下降关联效果 在计算得出2015～2019年CO2减排量与PM2.5、O3浓度下降量的基础上,结合散点图,进一步对CO2与PM2.5、O3关联效果进行评价.图2a显示了CO2减排量与PM2.5浓度下降量的关联效果,可以看出14个省份位于第一象限,说明这14个省份较好地实现了CO2减排量和PM2.5下降量的关联效果,其中河南和浙江离原点最远,说明关联效果最好.而超过一半的省份位于第二象限,说明了这些省份并未呈现CO2减排量和PM2.5下降量的关联效果.从图2b CO2减排量与O3浓度下降量的协同效果可知,上海、北京、吉林、重庆4省份位于第一象限,说明这些省的CO2减排量与O3浓度下降量表现出关联性,但减排和下降的力度都相对较小,其余87%的省份CO2减排与O3浓度下降之间尚不存在关联效果.因此,为进一步探究“碳达峰”路径下三者的协同效应,亟需建立CO2和大气污染物PM2.5和O3前体物的排放清单,以探索三者排放量的时空特征及部门贡献,为实现省级减污降碳协同增效优化目标提供科学依据.

图1 2015～2019年中国CO2排放量和PM2.5、O3浓度冷热点空间分布

审图号:GS(2019)1822;台湾省、西藏自治区、香港、澳门特别行政区资料暂缺,下同

图2 CO2减排量与PM2.5浓度下降量和O3浓度下降量关联效果

2.2 CO2、PM2.5和O3前体物排放量的时空特征

图3 2011～2019年中国CO2和典型大气污染物排放量变化趋势

2011～2019年中国CO2、PM2.5、NO和VOCs排放总量变化趋势如图3所示.可以看出,自2011年以来,中国每年CO2排放量都超过100亿t,呈逐年增长的趋势,在2018和2019年CO2排放量均超过了110亿t,可见对于CO2减排仍是艰巨的任务.我国PM2.5排放量在2011～2012年有略微的增长,且都高于1200万t,而2012年以后PM2.5排放量呈现逐年降低的趋势,且PM2.5排放量从1200万t以上降至1000万t以下,下降程度显著,这表明了中国历年来的大气污染防治行动不仅有效且成效显著.2011～ 2019年中国NO年排放量在1300～1500万t之间波动,而我国2011～2019年VOCs年排放量逐年递增且均超过2000万t,超过了PM2.5、NO的排放量,已成为目前我国大气污染的主要来源.

2011～2019年中国各部门CO2、PM2.5、NO和VOCs排放量的贡献率如图4所示.各部门对CO2排放贡献率由高到低依次为:重工业>能源生产>服务业>农业,建筑业,家居>轻工业,重工业部门对CO2排放的贡献率在38.7%～40.76%之间,且2019年贡献率最大达到40.76%.各部门对PM2.5排放的贡献率由高到低依次为:能源生产>重工业>农业,建筑业,家居 >服务业>轻工业.能源生产对PM2.5排放的贡献率在47.9%～54.2%之间,分别在2011、2013和2019年超过50%;各部门对NO排放的贡献率由高到低依次为:重工业>能源生产>服务业>农业,建筑业,家居 >轻工业,这与各部门对CO2排放的贡献率趋势相同.各部门对VOCs排放的贡献率由高到低依次为:能源生产>重工业>轻工业>服务业>农业,建筑业,家居.能源生产对VOCs排放的贡献率在56.14%～ 61.31%之间,2011～2019年均达到50%以上.可见,不同部门对CO2、PM2.5和O3前体物排放量的贡献率有很大差别,重工业和能源生产部门是主要贡献部门,为深入分析CO2和PM2.5、O3前体物的协同效应,有必要开展分部门研究.

图4 2011～2019年各部门CO2和典型大气污染物排放量贡献率

2011～2019年中国30个省各部门CO2、PM2.5、NO和VOCs排放量如图5所示.总体来看,CO2、PM2.5、NO和VOCs的排放量主要集中在中东部地区,重工业和能源生产部门是造成各地区排放量较高的主要部门.从省份来看,大部分省份重工业部门CO2排放量最高,尤其是一些东部地区的省份,如河北省每年重工业CO2排放量最高达到600百万t以上,江苏省和山东省每年达到了300百万t以上.绝大多数省份能源生产部门PM2.5和VOCs排放量最高,2011年东部地区的河北省和山东省能源生产部门PM2.5排放量超过了40万t,但2019年各省份PM2.5排放量明显减少;2011年几乎所有省份能源生产VOCs排放量都低于100万t,但2019年河北省和山东省能源生产VOCs排放量明显升高且都高于100万t.绝大多数省份重工业NO排放量最高,尤其是东部地区的河北省、江苏省、山东省重工业NO排放量高于40万t.可见CO2、PM2.5和O3前体物存在显著的空间集聚特征,故应该以这些地区为重点推进减污降碳协同控制.

图5 中国30个省的部门CO2、PM2.5、NOx和VOCs排放量空间特征

2.3 CO2、PM2.5和O3前体物排放量的回归结果

基于2011～2019年的数据,CO2、PM2.5、NO和VOCs排放量的预测模型回归结果如表5所示.由表可知,在其他条件不变时,GDP每增加1%,CO2排放量平均增加0.205%,PM2.5排放量平均减少0.409%, NO排放量平均减少0.195%,VOCs排放量平均增加0.948%;人口规模每增加1%,CO2排放量平均增加3.396%,PM2.5排放量平均减少1.304%, NO排放量平均减少5.931%,VOCs排放量平均减少5.991%;能源结构每变动1%,即煤炭占能源消费总量比重每增加1%,CO2排放量平均减少1.466%, PM2.5排放量平均减少1.245%,NO排放量平均减少1.976%, VOCs排放量平均增加0.884%;能源强度每增加1%, CO2排放量平均增加0.405%,PM2.5排放量平均增加0.523%,NO排放量平均增加0.58%,VOCs排放量平均增加0.303%;产业结构每增加1%,CO2排放量平均减少0.286%,PM2.5排放量平均减少0.335%, NO排放量平均增加0.272%,VOCs排放量平均减少0.042%;城镇化率每增加1%,CO2排放量平均减少2.464%,PM2.5排放量平均减少0.211%,NO排放量平均增加1.45%,VOCs排放量平均增加1.058%.因此,人口、城镇化率和能源结构是CO2、PM2.5和O3前体物排放量的主要影响因素.

表5 全国CO2、PM2.5、NOx和VOCs排放影响因素系数

2.4 CO2和PM2.5、O3前体物协同效应的时空特征与预测

图6 2011～2019年我国CO2和PM2.5、O3前体物协同效应

图6显示了我国2011～2019年CO2和PM2.5、O3前体物协同效应的时空演变.由图可知在2012～2014年,我国CO2和PM2.5的协同效应系数大于0.其中在2013年CO2和PM2.5同时减排,具有减污降碳协同效应.但在2012年和2014年CO2和PM2.5排放量同时增加,因此并未出现减污降碳协同效应.在2015～2019年我国CO2与PM2.5的协同效应系数小于0,表明不具有协同效应,原因是这几年随着大气污染防治行动计划等政策的实施,空气质量得到良好的改善,PM2.5的排放量逐年减少,而由于经济的发展,对能源的消耗短时间内不会大量缩减,所以CO2排放呈现缓慢的增长,因此会出现CO2和PM2.5减排不具有协同效应的现象.在2012年、2014～2016年和2018～2019年我国CO2和O3前体物的协同效应系数大于0,但这期间CO2和O3前体物同时增排,所以并未出现减污降碳协同效应.在2013年和2017年CO2和O3前体物之间不具有协同效应.因此,亟需设定合理情景,以推动三者协同减排,实现减污降碳协同效应.

表6 2030年CO2和PM2.5、O3前体物之间的协同效应系数

续表6

省份CO2和PM2.5CO2和O3前体物 基准情景低碳情景基准情景低碳情景 重庆-11.38-19.99-27.66-14.69 四川-3.00-3.701.171.05 贵州0.83-8.65-1.38-1.60 云南0.240.453.042.78 陕西1.011.430.911.23 甘肃-6.36-0.870.861.14 青海-0.381.522.482.14 宁夏-1.85-13.301.3919.67 新疆3.342.052.331.71

预测得出“碳达峰”路径下各省CO2和PM2.5、CO2和O3前体物协同效应系数如表6所示.总的来说,低碳情景下达到协同效应的省份明显多于基准情景.在基准情景下,吉林等一半省份的CO2和PM2.5不具有协同效应,黑龙江等12个省份的CO2和O3前体物不具有协同效应.而低碳情景下,北京由既不具有CO2和PM2.5协同效应、也不具有CO2和O3前体物协同效应转变为都具有协同效应.安徽、青海由不具有CO2和PM2.5协同效应转变为具有协同效应.黑龙江、上海、海南由不具有CO2和O3前体物协同效应转变为具有协同效应.可以看出低碳情景既有利于达到CO2和PM2.5的协同性,也有利于达到CO2和O3的协同性.此外在基准情景下,吉林等19个省份至少存在一种不具有协同效应的情况,鉴于此,下文开展分级研究.

2.5 省域分级协同管控和部门管理

2.5.1 评级体系 为了更科学地筛选出协同管控区,基于2011～2019年各省CO2、PM2.5与O3前体物的排放量的现状以及基于预测数据计算的协同效应系数,建立了省域CO2、PM2.5与O3的分级管理体系.首先计算2011～2019年各省污染物排放总量的平均值,CO2排放量平均值为180百万t,PM2.5排放量平均值为37万t,O3前体物排放量平均值为121万t.研究将CO2和污染物排放量都高于平均值的认为高排放,否则认为低排放,其次CO2和污染物之间协同效应系数为正表明具有协同效应,否则不具有协同效应.具体分为4个等级,如表7所示.

基于表7中的等级划分,可得到各省相关的CO2、PM2.5、O3协同管控等级和空间分布,如图7所示.由图可知,两种情景下各省的等级分布十分相似,基准情景下,“Ⅰ级管控区域”为山东、河北、江苏、广东、山西、湖北、安徽、四川和黑龙江9省,说明这些省份的CO2、PM2.5、O3前体物排放量较高且不具有协同效应,因此对于此类区域既要关注CO2和污染物的排放,也要关注CO2和污染物之间的协同减排.“Ⅱ级管控区域”为内蒙古、陕西、河南、湖南和辽宁5省,此类区域污染物排放量高,但是污染物之间具有协同效应.“Ⅲ级管控区域”为重庆、贵州、甘肃、青海、宁夏、海南、江西、吉林、北京和上海10省.“Ⅳ级管控区域”为广西、云南、新疆、天津、浙江和福建6省.与基准情景相比,低碳情景下安徽和黑龙江两省由Ⅰ级变为Ⅱ级,上海、北京、青海和海南由Ⅲ级转为Ⅳ级,说明低碳情景可以促使这些省份的CO2、PM2.5、O3达到一定的协同减排效果,同时也说明了对低排放的省份作用更强.

表7 CO2、PM2.5、O3分级管理体系评价等级

2.5.2 重点省份各部门协同效应分析 将2.5.1中具有高排放量的“Ⅰ级管控区域”和“Ⅱ级管控区域”的省份确立为重点省份来研究其部门的CO2和PM2.5、O3协同效应,分部门将协同效应系数置于二维坐标系中分析.在二维坐标系中,横轴为CO2和PM2.5协同效应系数,纵轴为CO2和O3协同效应系数,协同效应系数为正说明具有协同减排或增排效应,系数为负则说明既不具有协同减排效应也不具有协同增排效应.位于第一象限的省份CO2和PM2.5、CO2和O3具有协同减排或增排效应;第二象限的省份CO2和O3具有协同减排或增排效应,而CO2和PM2.5不具有协同效应;第三象限的省份三者都不具有协同效应;第四象限的省份CO2和PM2.5具有协同效应,CO2和O3不具有协同效应.将热点省份各部门污染物的协同情况分为四种,如图8.

由图8可知,重工业部门四川省应该注重三者的协同发展,江苏等4个省份应注重CO2和PM2.5的协同,内蒙古等6个省份应注重CO2和O3的协同.能源生产部门河北等4个省份应注重三者的协同,广东等4个省份应注重CO2和PM2.5的协同,安徽等4个省份应注重CO2和O3的协同.轻工业部门河北等3个省份应该注重三者的协同发展,山西等3个省份应注重CO2和PM2.5的协同,黑龙江等5个省份应注重CO2和O3的协同.服务业部门四川省应该注重三者的协同发展,湖北等7个省份应注重CO2和PM2.5的协同,黑龙江等4个省份应注重CO2和O3的协同.农业、建筑业、家居部门安徽等4个省份注重三者的协同发展,湖北等3个省份应注重CO2和PM2.5的协同,四川等5个省份应注重CO2和O3的协同.低碳情景下的省份协同效果优于基准情景,表明低碳发展对各省CO2和PM2.5、O3协同有一定的作用.其次,由图可以看出,各部门低碳情景下对PM2.5和CO2的协同效果优于对O3和CO2的协同效果.有部分省份O3和CO2在基准情景下各部门具有协同效果,而在低碳情景下不具有协同效果,一部分原因是在基准情景下这些省份O3和CO2的协同效果为增排效果,而在低碳情景下O3或CO2有了减排效果.如湖南省重工业部门在基准情景下O3和CO2都为增排,故系数为正在第一象限具有协同效应,而低碳情景下CO2减排、O3增排,故系数为负在第四象限不具有协同效应.

图7 各省CO2、PM2.5、O3协同管控等级

综上,“Ⅰ级管控区域”大多位于第二象限,因此对于“Ⅰ级管控区域”各部门应优先考虑CO2和PM2.5的协同效应;“Ⅱ级管控区域”大多位于第四象限,故对于“Ⅱ级管控区域”各部门应优先考虑CO2和O3的协同效应,同时各部门在低碳情景下有更好的协同效果,故在未来发展中鼓励发展低碳情景.

图8 热点省份各部门CO2和PM2.5、O3协同效应坐标系

3 结论与政策建议

3.1 结论

3.1.1 2015～2019年CO2排放量、PM2.5和O3浓度都具有显著的空间集聚特征,其中CO2排放量的热点区域集中在东部地区,PM2.5和O3浓度的热点区域集中在华北平原和长江中下游区域.53%的省份CO2减排与PM2.5下降之间不存在协同效果,87%的省份CO2减排与O3浓度下降之间不存在协同治理效果.

3.1.2 2011～2019年我国CO2排放量超过100亿t且呈现逐年增加的趋势;PM2.5排放量呈现逐年降低的趋势;O3前体物NO和VOCs的排放量逐年增加.重工业和能源生产部门是CO2、PM2.5和O3前体物排放量的主要贡献部门.STIRPAT模型回归结果显示,人口、城镇化率和能源结构是CO2、PM2.5和O3前体物排放量的主要影响因素.

3.1.3 2012～2014年我国CO2与PM2.5具有协同效应,而2015～2019年我国CO2与PM2.5不具有协同效应;CO2与O3前体物多数年份都具有协同效应,但由于CO2和O3前体物排放量持续增加,并未出现减污降碳协同效应.利用情景分析法依据“碳达峰”目标设置了基准情景和低碳情景,预测CO2和PM2.5与CO2和O3前体物的协同效应系数,结果表明,低碳情景下达到协同效应的省份明显多于基准情景.

3.1.4 依据排放量和协同效应系数将各省分为四个级别管控区:“Ⅰ级管控区域”为山东等9个省份;“Ⅱ级管控区域”为内蒙古等5个省份;“Ⅲ级管控区域”为重庆等10个省份;“Ⅳ级管控区域”为广西等6个省份.进一步对“Ⅰ、Ⅱ级管控区域”各部门CO2和PM2.5、O3的协同效应分析得出:“Ⅰ级管控区域”各部门CO2和PM2.5不具有协同效应,因此应优先考虑CO2和PM2.5的协同减排;“Ⅱ级管控区域”各部门CO2和O3不具有协同效应,因此应优先考虑CO2和O3的协同减排.

3.2 政策建议

3.2.1 建立重点污染部门精细化的CO2和典型大气污染物排放清单,提升“数字化网格监管”能力.根据前述研究,能源生产和重工业部门对CO2和典型大气污染物的贡献最高,故针对这两个部门应提升环境监测溯源能力,构建重点污染部门准确、精细化的CO2和典型大气污染物排放清单,从而精准识别污染源,明确不同部门的CO2和典型大气污染物排放量,形成“环境监测—污染源管控”一张网,为重点污染部门、重点污染源分类管理提供信息支撑.

3.2.2 注重顶层设计,推进CO2和典型大气污染物高排放区域科学减排.研究发现,人口和城镇化率是形成“Ⅰ、Ⅱ级管控区域”CO2和典型大气污染物高排放的关键影响因素,因此政府应注重人口规模,合理控制城镇化率,科学制定发展规划.其次,优化能源结构,即降低煤炭在能源消耗中的占比,鼓励支持“Ⅰ、Ⅱ级管控区域”使用天然气、风能、太阳能等清洁能源.此外,淘汰落后工艺和设备,降低能源强度,推动“能耗双控”与“双碳”目标接轨,助力实现高排放区域减污降碳.

3.2.3 坚持“一域一策”的精准治理思想,制定区域差异化协同减排政策.由于CO2和典型大气污染物具有显著的空间集聚特征,考虑省份之间的相互作用和异质性分区域治理将更能精准有效的实现协同减排.对“Ⅰ级管控区域”各部门应优先考虑CO2和PM2.5的协同减排;对“Ⅱ级管控区域”各部门应优先考虑CO2和O3的协同减排,同时各部门在低碳情景下有更好的协同效果,故在未来鼓励发展低碳情景,充分发挥人口、城镇化率、能源结构等因素组合调整优势,高效地实现区域间减污降碳协同增效.

[1] 中华人民共和国生态环境部.2021中国生态环境状况公报 [R]. 北京:生态环境部, 2022.

Ministry of Ecology and Environment of the People’s Republic of China. 2021 China Ecological and Environment Bulletin [R]. Beijing: Ministry of Ecology and Environment of the People’s Republic of China, 2022.

[2] 中央政府网站.在第七十五届联合国大会一般性辩论上的讲话[EB/OL].www.gov.cn/gongbao/content/2020/content_5549875.htm 2020-09-22.

Central government website. Address to the General Debate of the 75th Session of the United Nations General Assembly [EB/OL].www.gov.cn/gongbao/content/2020/content_5549875.htm 2020-09-22.

[3] Liu F, Klimont Z, Zhang Q, et al. Integrating mitigation of air pollutants and greenhouse gases in Chinese cities: development of GAINS city model for Beijing [J]. Journal of Cleaner Production, 2013,58:25-33.

[4] Wang Y, Wang X, Ning M, et al. The collaborative pollutants and carbon dioxide emission reduction and cost of ultra-low pollutant emission retrofit in China's cement kiln [J]. Journal of Cleaner Production, 2023,405:136939.

[5] Ma L, Cai B F, Wu F, et al. Hourly disaggregation of industrial CO2emissions from Shenzhen, China [J]. Environmental Pollution, 2018, 236:396-404.

[6] Gao Y, Zhang L, Huang A S, et al. Unveiling the spatial and sectoral characteristics of a high-resolution emission inventory of CO2and air pollutants in China [J]. The Science of the total environment, 2022, 847:157623.

[7] Chen X C, Li J H, Jia M, et al. High spatial resolution emission inventory of air pollutants and carbon in China’s independent coking industry [J]. Atmosphere, 2023,14(2):348.

[8] 黄 成,陈长虹,李 莉,等.长江三角洲地区人为源大气污染物排放特征研究 [J]. 环境科学学报, 2011,31(9):1858-1871.

Huang C, Chen C H, Li L, et al. Anthropogenic air pollutant emission characteristics in the Yangtze River Delta region, China [J]. Acta Scientiae Circumstantiae, 2011,31(9):1858-1871.

[9] Fu X, Wang S, Zhao B, et al. Emission inventory of primary pollutants and chemical speciation in 2010for the Yangtze River Delta region, China [J]. Atmospheric Environment, 2013,70:39-50.

[10] 罗红成,廖 琪,容 誉.湖北省能源消费CO2与大气污染物协同减排研究 [J]. 环境污染与防治, 2022,44(2):266-271,277.

Luo H C, Liao Q, Rong Y. Research on synergistic emission between CO2and air pollutants of energy consumption in Hubei Province [J]. Environmental Pollution & Control, 2022,44(2):266-271,277.

[11] 刘茂辉,刘胜楠,李 婧,等.天津市减污降碳协同效应评估与预测 [J]. 中国环境科学, 2022,42(8):3940-3949.

Liu M H, Liu S N, Li J, et al. Evaluation and prediction of the synergistic effect of pollution reduction and carbon reduction in Tianjin [J]. China Environmental Science, 2022,42(8):3940-3949.

[12] Yu S, Zhang Q, Hao J L, et al. Development of an extended STIRPAT model to assess the driving factors of household carbon dioxide emissions in China [J]. Journal of Environmental Management, 2023, 325:116502.

[13] Zhao L, Zhao T, Yuan R. Scenario simulations for the peak of provincial household CO2emissions in China based on the STIRPAT model [J]. Science of the Total Environment, 2022,809:151098.

[14] Liu D, Xiao B. Can China achieve its carbon emission peaking? A scenario analysis based on STIRPAT and system dynamics model [J]. Ecological Indicators, 2018,93:647-657.

[15] Dong B, Xu Y, Li Q, Carbon transfer under China's inter-provincial trade: Evaluation and driving factors [J]. Sustainable Production and Consumption, 2022,32:378-392.

[16] Shan Y, Guan D, Zheng H, et al. China CO2emission accounts 1997～2015 [J]. Science Data, 2018,5(1):1-14.

[17] HJ 663-2013 环境空气质量评价技术规范(试行) [S].

HJ 663-2013 Technical regulation for ambient air quality assessment (on trial) [S].

[18] 吴振信,谢晓晶,王书平.经济增长、产业结构对碳排放的影响分析—基于中国的省际面板数据 [J]. 中国管理科学, 2012,20(3):161-166.

Wu Z X, Xie X J, Wang S P. The influence of economic development and industrial structure to carbon emission based on China’s provincial panel data [J]. Chinese Journal of Management Science, 2012,20(3): 161-166.

[19] 张恪渝,廖明球,杨 军.绿色低碳背景下中国产业结构调整分析 [J]. 中国人口·资源与环境, 2017,27(3):116-122.

Zhang K Y, Liao M Q, Yang J. China’s structural adjustment under green and low-carbon development [J]. China Population Resources and Environment, 2017,27(3):116-122.

[20] Wang Y, Hopke P K, Xia X, et al. Source apportionment of airborne particulate matter using inorganic and organic species as tracers [J]. Atmospheric Environment, 2012,55:525-532.

[21] Duan W, Wang X, Cheng S, et al. Regional collaboration to simultaneously mitigate PM2.5and O3pollution in Beijing-Tianjin- Hebei and the surrounding area: Multi-model synthesis from multiple data sources [J]. Science of The Total Environment, 2022,820:153309.

[22] Liu H, Wu B, Liu S, et al. A regional high-resolution emission inventory of primary air pollutants in 2012for Beijing and the surrounding five provinces of North China [J]. Atmospheric Environment, 2018,181:20-33.

[23] Zheng H, Xu L. Production and consumption-based primary PM2.5emissions: Empirical analysis from China's interprovincial trade [J]. Resources, Conservation and Recycling, 2020,155:104661.

[24] Huang Y, Shen H, Chen H, et al. Quantification of global primary emissions of PM2.5, PM10, and TSP from combustion and industrial process sources [J]. Environmental science & technology, 2014, 48(23):13834-13843.

[25] 环境保护部.城市大气污染物排放清单编制技术手册 [R]. 北京, 2015.

Ministry of Environmental Protection. Technical manual for urban air pollutant emission inventory preparation [R]. Beijing, 2015.

[26] Liu S, Hua S, Wang K, et al. Spatial-temporal variation characteristics of air pollution in Henan of China: Localized emission inventory, WRF/Chem simulations and potential source contribution analysis [J]. Science of the total environment, 2018,624:396-406.

[27] Bai L, Lu X, Yin S, et al. A recent emission inventory of multiple air pollutant, PM2.5chemical species and its spatial-temporal characteristics in central China [J]. Journal of Cleaner Production, 2020,269:122114.

[28] 余宇帆,卢 清,郑君瑜,等.珠江三角洲地区重点VOC排放行业的排放清单 [J]. 中国环境科学, 2011,31(2):195-201.

Yu Y F, Lu Q, Zheng J Y, et al. VOC emission inventory and its uncertainty from the key VOC-related industries in the Pearl River Delta Region [J]. China Environmental Science, 2011,31(2):195-201.

[29] 陈 颖,叶代启,刘秀珍,等.我国工业源VOCs排放的源头追踪和行业特征研究 [J]. 中国环境科学, 2012,32(1):48-55.

Chen Y, Ye D Q, Liu X Z, et al. Source tracing and characteristics of industrial VOCs emissions in China [J]. China Environmental Science, 2012,32(1):48-55.

[30] 毛显强,邢有凯,高玉冰.温室气体与大气污染物协同控制效应评估与规划 [J]. 中国环境科学, 2021,41(7):3390-3398.

Mao X Q, Xing Y K, Gao Y B. Study on GHGs and air pollutants co-control: assessment and planning [J]. China Environmental Science, 2021,41(7):3390-3398.

[31] York R, Rosa E A, Dietz T. STIRPAT, IPAT and ImPACT: analytic tools for unpacking the driving forces of environmental impacts [J]. Ecological Economics, 2003,46(3):351-365.

[32] 潘 栋,李 楠,李 锋,等.基于能源碳排放预测的中国东部地区达峰策略制定 [J]. 环境科学学报, 2021,41(3):1142-1152.

Pan D, Li N, Li F, et al. Mitigation strategy of Eastern China based on energy-source carbon emission estimation [J]. Acta Scientiae Circumstantiae, 2021,41(3):1142-1152.

[33] 黄莘绒,管卫华,陈明星,等.长三角城市群城镇化与生态环境质量优化研究 [J]. 地理科学, 2021,41(1):64-73.

Huang X R, Guan W H, Chen M X, et al. Urbanization and optimization of the Yangtze River Delta urban agglomeration [J]. Scientia Geographica Sinica, 2021,41(1):64-73.

[34] 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 Q C, Li Q, Zheng X X. The prediction of carbon dioxide emissions in Chongqing based on fossil fuel combustion [J]. Acta Scientiae Circumstantiae, 2017,37(4):1582-1593.

[35] 王金营,戈艳霞.全面二孩政策实施下的中国人口发展态势 [J]. 人口研究, 2016,40(6):3-21.

Wang J Y, Ge Y X. Population trends in China under the universal two-child policy [J]. Population Research, 2016,40(6):3-21.

[36] 《中国能源展望2030》报告发布 [J]. 资源节约与环保, 2016,(4):6.

China Energy Vision 2030 Report Released [J]. Resources Economization & Environmental Protection, 2016,(4):6.

[37] 袁方成,陈泽华.新时代新型城镇化的要素结构及其优化路径 [J]. 华中师范大学报(人文社会科学版), 2020,59(3):20-29.

Yuan F C, Chen Z H. New urbanization in the new era: The element structure and path optimization [J]. Journal of Central China Normal University (Humanities and Social Sciences), 2020,59(3):20-29.

[38] 刘彦迪.2030年中国碳排放达峰区域性预测与影响因素分析 [D]. 济南:山东大学, 2020.

Liu Y D. Regional forecast of China’s carbon emission peak in 2030 and analysis of influencing factors [D]. Jinan: Shandong University, 2020.

[39] Lin B, Zhu J. Impact of energy saving and emission reduction policy on urban sustainable development: Empirical evidence from China [J]. Applied Energy, 2019,239:12-22.

[40] Chen W M, Kim H. Energy, economic, and social impacts of a clean energy economic policy: Fuel cells deployment in Delaware [J]. Energy Policy, 2020,144:111617.

[41] 王 勇,许子易,张亚新.中国超大城市碳排放达峰的影响因素及组合情景预测—基于门限-STIRPAT模型的研究 [J]. 环境科学学报, 2019,39(12):4284-4292.

Wang Y, Xu Z Y, Zhang Y X. Influencing factors and combined scenario prediction of carbon emission peaks in megacities in China: Based on Threshold-STIRPAT Model [J]. Acta Scientiae Circumstantiae, 2019,39(12):4284-4292.

[42] 邓小乐,孙 慧.基于STIRPAT模型的西北五省区碳排放峰值预测研究 [J]. 生态经济, 2016,32(9):36-41.

Deng X L, Sun H. Forecast of the northwest five provinces’ carbon emissions based on STIRPAT Model [J]. Ecological Economy, 2016, 32(9):36-41.

Spatial-temporal correlation effects of CO2-PM2.5-O3and synergistic control countermeasures in China's provincial area.

LI Fei*, DONG Long, KONG Shao-jie, QU Zhi-guang, GUO Jin-yuan, ZHOU Yuan-yuan, OU Chang-hong

(Research Center for Environment and Health, School of Information and Safety Engineering, Zhongnan University of Economics and Law, Wuhan 430073, China)., 2023,43(12)：6246～6260

Spatio-temporal characteristics and correlation effects of CO2emissions and PM2.5and O3pollution concentrations in Chinese provinces from 2015 to 2019 were firstly analyzed. Then, the emission factor method was used to compile the emission inventories of CO2, PM2.5and O3precursors in each province from 2011 to 2019, and combined the STIRPAT model the synergistic effects of CO2, PM2.5and O3precursors were predicted under different scenarios. Moreover, a rating system was established to identify key control areas with their synergistic effects analyzed by sectors, and finally the targeted synergistic control measures were proposed. The results showed that there was no correlation between CO2emission reduction and PM2.5concentration reduction in 53% of the provinces, and that between CO2emission reduction and O3concentration reduction in 87% of the provinces. There was a synergistic effect between CO2and PM2.5in China from 2012 to 2014, while no synergistic effect from 2015 to 2019. Further, there was a synergistic effect between CO2and O3precursors in China in the most years, but there was no general synergistic effect between pollution reduction and carbon reduction. Based on the analysis of the obtained coefficient of synergy effect, more provinces achieved the synergistic effect in the low carbon scenario than that in the baseline scenario. Further, according to the developed rating system, the studied provinces were divided into four levels of control areas. The sectors in the "Class I Control Area" should give priority to the synergistic emission reduction of CO2and PM2.5, while that in the "Class II Control Area" the synergistic emission reduction of CO2and O3. It was recommended that each sector should take into account the low-carbon scenario, and the "I and II Control Area" should reasonably regulate the population and urbanization rate, and optimize the energy structure, etc.

pollution and carbon reduction；synergistic effect；spatio-temporal characteristics；STIRPAT model；hierarchical control；PM2.5；O3

X51

A

1000-6923(2023)12-6246-15

李 飞,董 珑,孔少杰,等.我国省域CO2-PM2.5-O3时空关联效应与协同管控对策 [J]. 中国环境科学, 2023,43(12):6246-6260.

Li F, Dong L, Kong S J, et al. Spatial-temporal correlation effects of CO2-PM2.5-O3and synergistic control countermeasures in China's provincial area [J]. China Environmental Science, 2023,43(12):6246-6260.

2023-04-24

国家社会科学基金资助项目(19CGL042);中央高校基本科研业务费专项资金资助项目(2722023EZ009;2722023EJ013)

* 责任作者, 教授, lifei@zuel.edu.cn

李 飞(1986-),男,河南新乡人,教授,博士,主要研究方向为环境监测、环境健康风险管理、环境与健康大数据、环境修复技术.发表论文100余篇.lifei@zuel.edu.cn.