下载:
-
气候变化是21世纪人类社会面临的前所未有的挑战之一[1]。作为全球最大的碳排放国，中国已将碳强度下降作为约束性指标纳入国民经济和社会发展规划，并承诺2030年实现碳达峰、2060年实现碳中和。实现碳中和是一项复杂的系统工程[2]，相比于发达国家，中国需要用更短的时间去实现更大体量的减排[3]。工业是中国经济增长的重要支柱之一，同时也是能源和碳排放大户。2019年，中国工业增加值占国内生产总值的31%，能源消耗总量占到全国66%，碳排放量达到全国68%[4]。因此，如何有效降低工业部门的能源消耗和碳排放将极大影响中国整体“双碳”目标的实现[5]。
工业园区是区域经济增长的重要引擎与创新引领，同时也是工业部门实现碳达峰、碳中和的重要战场[6]。经过改革开放四十多年的发展，中国已建有国家和省级工业园区2 543家[7]。实现工业园区的绿色低碳转型将是中国经济高质量绿色发展的内在要求，同时也是中国工业部门应对气候变化的必然选择[8]。
-
近年来，工业园区的碳减排研究主要集中在三个方面：园区碳排放核算、园区减排策略和园区碳排放预测。准确的碳排放核算对于园区制定低碳战略起着关键作用[9]，但目前工业园区层面的碳排放核算研究还处于起步阶段，投入产出法和排放清单法是两种常用方法。其中，投入产出法不需要对数据进行筛选删除，具有数据完整性的优势，但其编制难度也较高[10]。排放清单法具有操作简单、易标准化和便于推广的优点，在园区层面的碳排放核算应用更为广泛[11-14]。例如，Yu等[15]构建了包括19种能源类型和39个部门的碳排放核算体系，选取中国4个典型工业园区开展实证分析，溯源了其碳排放构成。Xue等[16]以华中地区的11个工业园区为研究对象，建立了包括直接和间接排放在内的碳排放清单，从能源类型和工业部门的角度探讨了其特征。尽管已有研究已经在园区碳排放核算方面做了一定工作，但回收利用维度的碳排放较少得到关注，这使得无法考察碳汇角度的减排潜力和贡献。
工业园区的减排策略也得到了众多学者的关注。现有研究多通过分析园区碳排放影响因素来识别相应的减排措施。如，Huang等[17]利用上海漕河泾高新技术产业园区案例研究了能源结构、基础设施改造和能耗审计会对园区碳排放的影响。Liu等[18]通过对天津开发区的产业研究论证了产业共生是对温室气体减排的作用。单福征等[19]探究了土地利用变化对于上海工业园区碳排放的影响。Yu等[20]的研究表明第三产业份额和研发强度的增加对中国工业园区减少CO2排放量有显著影响。Guo等[21]探究了可共享的能源设施对于中国工业园区脱碳目标的影响。这些研究仅考虑部分因素，缺乏对碳排放影响因素全面系统的研究。
在碳排放预测方面，部分学者利用某一具体工业园区作为案例进行低碳转型路径的研究。如，Wang等[22]选择苏州工业园区作为案例，使用情景分析来描述三种不同路径下的排放轨迹。Liu等[23]预测苏州工业园区2015年的碳排放情况，发现2015年排放量将增加至1 716万吨，其中可以避免的排放量达到342万吨。Zhang等[24]设计并评估了三种情景下永城经济技术开发区碳减排潜力，结果表明三种措施的减排量合计为329万吨。这些研究在预测碳排放时的时间跨度较短，且没有考虑双碳目标的约束，因而难以为园区双碳目标的实现提供精准参考。
本文围绕碳排放来源、影响因素和减排路径等对南京江北新区新材料科技园开展综合分析，进而提出实现双碳目标的措施建议。本文的创新点主要包括：（1）在区分不同排放来源的基础上，综合脱钩分析方法、LMDI分解方法和系统动力学方法构建了工业园区双碳路径的系统研究框架，为工业园区的双碳路径设计提供了科学有效的工具。（2）对南京江北新材料科技园的进行定量研究，提出了针对性的减排措施。南京江北新材料科技园是江苏省最大的化工园区，因此，园区的“双碳”路径研究对江苏实现绿色高质量发展具有显著现实意义。
-
脱钩理论已被广泛应用于能源、经济等方面的研究，它能够很好地探究地区碳排放和经济发展之间的关系。目前，国内研究主要的脱钩模型是OCED脱钩指数模型与Tapio脱钩指数模型。其中，Tapio脱钩指数模型不仅能更好地反映指数变化情况，还能够有效地克服OECD脱钩指数模型在基期选择上的困境[25]。基于此，本文选择Tapio脱钩指数模型构建园区经济增长与碳排放的脱钩指数模型。其基本表达式为
$$ \mu =\frac{{(C}_{t}-{C}_{t-1})/{C}_{t-1}}{{(G}_{t}-{G}_{t-1})/{G}_{t-1}}=\frac{\Delta C/C}{\Delta G/G} $$ (1) 其中，μ表示园区经济与碳排放脱钩弹性指数；Ct和Ct− 1分别表示t年和t−1年的碳排放量，Gt和Gt-1分别表示园区t年和t−1年的GDP。根据实际情况，可以依据脱钩弹性数值，将脱钩程度细分为表1中8种脱钩状态。
表 1碳排放与经济发展脱钩状态划分标准
脱钩分类 脱钩状态 ΔC ΔG 脱钩弹性 意义 脱钩 弱脱钩 >0 >0 0<μ<0.8 经济与碳排放增长，排放增速低于经济增速 强脱钩 <0 >0 μ<0 经济增长，碳排放减少 衰退脱钩 <0 <0 μ>1.2 经济与碳排放下降，排放降速高于经济衰退速度 负脱钩 强负脱钩 <0 <0 0<μ<0.8 经济与碳排放减少，排放降速低于经济衰退速度 强负脱钩 >0 <0 μ<0 经济衰退，碳排放增加 扩张负脱钩 >0 >0 μ>1.2 经济与碳排放增加，且碳排放增速快于经济增速 连接 增长连接 >0 >0 0.8<μ<1.2 经济增长，碳排放增加，两者增加速度相当 衰退连接 <0 <0 0.8<μ<1.2 经济衰退，碳排放减少，两者下降速度相当 对于一个地区来说，脱钩状态显示该地区呈现低碳转型发展的理想状态，此时碳排放量不随经济的快速增长而增长。负脱钩状态显示该地区正以高排放高污染来换取经济低速发展，这时需要通过各种减排措施来限制高排放的行径。连接状态显示该地区经济发展与碳排放量同步增加或减少。
-
本文采用指数分解分析方法对园区碳排放驱动因素进行识别和量化。该方法是基于指数理论将碳排放变动分解为若干相关因素的效应，分析不同因素变动对碳排放变动的影响程度。在诸多指数分解模型中，LMDI模型具有指标选取灵活、不产生残差项、聚合一致性等优点[26]。因此，本文采用LMDI方法来构建碳排放驱动因素的分析模型。在指标设置中，本文将园区企业的碳排放分解为能源消费、生产过程和回收利用3个维度下共9个不同因素，具体如表2所示。
表 2驱动因素名称及其含义
维度 名称 含义 能源消费 排放因子 不同能源类型碳排放系数默认不变，排放因子反映了能源结构的变动 能源强度 能源强度因素定义为单位产值的能源消费量，代表能源效率 产值结构 产值结构因素被定义为园区的产值构成，代表行业结构 经济规模 经济规模因素被定义为园区的产值总量，代表经济的规模效应 生产过程 排放强度 排放强度因素被定义为单位产值的碳排放，反映生产技术水平 产值结构 产值结构因素被定义为园区的产值构成，代表行业结构 经济规模 经济规模因素被定义为园区的产值总量，代表经济的规模效应 回收利用 回收比率 回收比率因素定义为二氧化碳回收量占产生量的比重，反映回收效率 产碳规模 产碳规模因素被定义为二氧化碳产生总量，反映二氧化碳的规模效应 根据Kaya恒等式[27]，不同时期的园区整体碳排放被分解如下
$$\begin{array} {c} {C}^{t}={\sum }_{i=1}^{I}\{\dfrac{{C}_{Fi}^{t}}{{E}_{i}^{t}}\times \dfrac{{E}_{i}^{t}}{{Y}_{i}^{t}}\times \dfrac{{Y}_{i}^{t}}{{Y}^{t}}+\dfrac{{C}_{Pi}^{t}}{{Y}_{i}^{t}}\times \dfrac{{Y}_{i}^{t}}{{Y}^{t}}\times {Y}^{t}-\dfrac{{C}_{Ri}^{t}}{{C}_{Gi}^{t}}\times {C}_{Gi}^{t}\} = \\ \displaystyle\sum{} _{i=1}^{I}\{{{\rm{EF}}}_{i}^{t}\times {{\rm{EI}}}_{i}^{t}\times {{\rm{OSF}}}_{i}^{t}\times {{\rm{ESF}}}^{t}+{{{\rm{CI}}}}_{i}^{t}\times {{\rm{OSP}}}_{i}^{t}\times {{\rm{ESP}}}^{t}-{{{\rm{RR}}}}_{i}^{t}\times {{{\rm{CS}}}}_{i}^{t}\} = \\ {{{\rm{EF}}}}^{t}\times {{\rm{EI}}}_{i}^{t}{\times {{\rm{OSF}}}}^{t}\times {{{\rm{ESF}}}}^{t}+{\rm{CI}}_{i}^{t}{\times {{\rm{OSP}}}}^{t}\times {{{\rm{ESP}}}}^{t}-{{{\rm{RR}}}}^{t}\times {{{\rm{CS}}}}^{t} \end{array}$$ (2) 其中，
$t\left(t=1,\cdots ,T\right)$ 表示不同时期；$i\left(i=1,\cdots ,I\right)$ 表示不同企业；C表示碳排放；CF表示能源消费相关碳排放；CP表示生产过程碳排放；CR表示CO2回收量；CG表示CO2产生量；E表示能源消费；Y表示企业产值。式（2）将园区整体碳排放分解为能源消费、生产过程和回收利用3个维度的9个因素。其中，能源消费维度包含4个因素，分别是排放因子因素（EF）、能源强度因素（EI）、产值结构因素（OSF）和经济规模因素（ESF）。生产过程维度包含3个因素，分别是排放强度因素（CI）、产值结构因素（OSP）和经济规模因素（ESP）。回收利用维度包含2个因素，分别是回收比率因素（RR）和产碳规模因素（CS）。
不同时期的园区碳排放变化可以通过式（3）进行分解[28]。其中，
$s\left(s=1,\cdots ,T\right)$ 表示不同时期，Δ（x）表示式（1）中各因素对碳排放变动的影响 ；Δ（x）=0表明因素在[s,t]时期没有对CO2排放量的变化产生影响；Δ（x）>0表明因素导致了[s,t]时期内CO2排放的增长，具有正向效应；Δ（x）<0说明因素在[s,t]时期内抑制了CO2排放的增长，具有负向效应。$$ \begin{array}{c} {C}^{t}-{C}^{s}={\{{\rm{EF}}}^{t}\times {{\rm{EI}}}^{t}\times {{\rm{OSF}}}^{t}\times {{\rm{ESF}}}^{t}+{{\rm{CI}}}^{t}\times {{\rm{OSP}}}^{t}{\times {{\rm{ESP}}}^{t}-{\rm{RR}}}^{t}\times {{\rm{CS}}}^{t}\}-\\ \{{{\rm{EF}}}^{s}\times {{\rm{EI}}}^{s}\times {{\rm{OSF}}}^{s}\times {{\rm{ESF}}}^{s}+{{\rm{CI}}}^{s}\times {{\rm{OSP}}}^{s}{\times {{\rm{ESP}}}^{s}-{\rm{RR}}}^{s}\times {{\rm{CS}}}^{s}\}=\\ {\Delta {\rm{EF}}}^{t,s}\times \Delta {{\rm{EI}}}^{t,s}\times \Delta {{\rm{OSF}}}^{t,s}\times {\Delta {\rm{ESF}}}^{t,s}+\Delta {{\rm{CI}}}^{t,s}\times \Delta {{\rm{OSP}}}^{t,s}{\times {\Delta {\rm{ESP}}}^{t,s}-\Delta {\rm{RR}}}^{t,s}\times {\Delta {\rm{CS}}}^{t,s} \end{array} $$ (3) 其中，各因素的效应可以通过式（4）进行计算。其中，
$ {\omega }_{i} $ 表示权重系数，在三个维度中分别为($\ln{C}_{Fi}^{t}-\ln{C}_{Fi}^{s})/{(C}_{Fi}^{t}-{C}_{Fi}^{s})$ 、$({\rm{ln}}\:{C}_{Pi}^{t}-{\rm{ln}}\:{C}_{Pi}^{s})/{(C}_{Pi}^{t}-{C}_{Pi}^{s})$ 和$-({\rm{ln}}\:{C}_{Ri}^{t}-{\rm{ln}}\:{C}_{Ri}^{s})/{(C}_{Ri}^{t}-{C}_{Ri}^{s})$ 。$$ \Delta \left(x\right)={\sum }_{i=1}^{I}({\omega }_{i}\times {\rm{ln}}\frac{{x}_{i}^{t}}{{x}_{i}^{s}})x\in [{\rm{EF}},{\rm{EI}},{\rm{SOF}},{\rm{ESF}},{\rm{CI}},{\rm{OSP}},{\rm{ESP}},{\rm{RR}},{\rm{CS}}] $$ (4) 式（4）可进一步用于进行归因分析，评估各个企业在每个因素中的具体贡献程度，从而识别出各个因素中的关键企业[29]。以排放因子因素为例，各个企业在该因素效应中的具体贡献（
${\rm{AC}}_{i,{\rm{EF}}}$ ）为${\omega }_{i}\times \ln \dfrac{{{\rm{EF}}}_{i}^{t}}{{{\rm{EF}}}_{i}^{s}}$ 。如果${\rm{AC}}_{i,{\rm{EF}}}$ =0，表明该企业对园区能源结构优化没有贡献；如果${\rm{AC}}_{i,{\rm{EF}}}$ >0，表明该企业阻碍了园区能源结构优化，产生正向贡献，导致排放增加；如果${\rm{AC}}_{i,{\rm{EF}}}$ <0，表明该企业促进了园区能源结构优化，产生负向贡献，导致排放减少。 -
系统动力学是一种预测和仿真方法，其通过计算机模拟来研究系统行为和系统结构之间的关系。该方法可以从能源角度对复杂的能源—经济—环境系统进行动态仿真，从而对长远发展战略做出评估，已广泛应用于能源领域。
本文建立新材料科技园的系统动力学模型，重点关注园区的经济发展情况和碳排放情况。园区碳减排模型包含两个子系统，分别是碳排放生成子系统和碳减排子系统。其中，碳排放生成子系统用于模拟园区产生碳排放的来源及碳排放规模，详细参数和含义如表3所示，碳减排子系统用于模拟园区实施碳减排措施对园区碳排放水平的影响情况。
表 3系统动力学模型参数与碳排放驱动因素对照表
维度 驱动因素 系统动力学参数 含义 能源消费 排放因子 石油CO2排放系数
煤炭CO2排放系数
电网CO2排放系数
天然气CO2排放系数
其他能源CO2排放系数
单位能源碳减排量能源结构情况 能源强度 能源强度 能源效率水平 能源结构 园区总能耗
化石能源消费总量
可再生能源消费总量
可再生能源消费占比
化石能源消费占比能源结构情况 生产过程 排放强度 碳排放强度
生产过程碳排放生产技术水平 产值结构 项目类别比值 行业结构情况 经济规模 园区产值 经济规模效应 回收利用 回收比率 技术层面减碳量
技术层面降能量
余热资源量
碳交易与CCUS减碳量回收效率水平 产碳规模 CO2排放总量
CO2实际排放量治理规模效应 梳理园区企业现有减排措施和国内低碳园区可行减排方案，可确定园区可行减排措施有四类，相应的衡量指标如表4所示。其中，可再生能源占比反映园区购买清洁电力、自身清洁能源发电和其他需要可再生能源供应的能源在总能耗中的占比情况，即园区能源结构。低耗能/高耗能项目比值的增加反映园区严控高耗能高排放的产能，提升低耗能低排放产能，即产业结构优化。
表 4减排措施相应指标及结果指标
减排措施 相应指标 能源结构改善 可再生能源占比/% 技术革新 技术层面减碳量/万吨 产业结构优化 低耗能/高耗能项目比值 应用CCUS CCUS总覆盖比/% 基于上述减排措施，设定A1~A3为能源结构改善情景，B1~B3为技术革新情景，C1~C3为产业结构优化情景，D1~D3为应用CCUS情景。各情景的具体取值如表5所示。其中，各措施对应的基准情境（编号1）取值参考《国家能源统计年鉴》中的统计数据，备选情境（编号2和3）取值依据国家碳达峰、碳中和行动方案中的内容进行估算。用碳排放量、总能耗、园区产值、碳排放强度、能源强度作为衡量不同减排措施情景下的结果指标。
表 5减排措施情景设置
减排措施 相应指标 情景编号 指标水平 2030年 2060年 能源结构改善 可再生能源占比/% A1 12 20 A2 21 50 A3 26 80 技术革新 技术层面减碳量/万吨 B1 39 57 B2 347 511 B3 771 1135 产业结构优化 低耗能/高耗能项目比值 C1 0.6 0.8 C2 0.7 1.7 C3 0.8 4.2 应用CCUS CCUS总覆盖比/% D1 2.5 9.7 D2 5.6 27.2 D3 10.3 53.5 依据系统动力学模型参数设置，构建系统动力学的因果回路图如图1所示。模型主要有五条反馈环路：第一条环路从固定资产投资出发，由固定资产投资带来园区产值的增长，进而带来利润提升，利润的提升使得园区能够进一步增加固定资产投资。第二至第五条环路分别包含了从产生碳排放源头实施的不同减排措施（能源结构优化、技术革新、产业结构优化），进行碳捕获、利用与封存（CCUS）实现碳减排的措施，以及在环境治理和碳交易方面碳排放带来的成本的影响。
图 1园区碳减排系统因果回路图
环路1.固定资产投资→（+）园区工业产值→（+）园区利润→（+）固定资产投资。
环路2.园区利润→（+）能源结构优化→（+）光伏及其它可再生能源的使用→（+）可再生能源消费总量→（−）化石能源消费总量→（+）CO2排放量→（+）环境治理成本/碳交易成本→（+）总减排成本→（−）园区利润。
环路3.园区利润→（+）技术革新→（+）流程优化/购买节能设备/设备改造→（+）能源转化效率→（−）化石能源消费总量→（+）CO2排放量→（+）环境治理成本/碳交易成本→（+）总减排成本→（−）园区利润。
环路4.园区利润→（+）产业结构优化→（+）增低能耗/削高能耗→（−）园区总能耗→（+）CO2排放量→（+）环境治理成本/碳交易成本→（+）总减排成本→（−）园区利润。
环路5.园区利润→（+）CCUS设备投资→（−）CO2排放量→（+）环境治理成本/碳交易成本→（+）总减排成本→（−）园区利润。
系统动力学中的模型变量主要包括状态变量，速率变量、辅助变量、常量等。存量流量模型可以完成因果模型不能完成的量化要求，清晰地反映出变量间的关系，达到仿真的效果。具体存量流量模型图如图2所示，依次便可确定各个变量的意义及模型方程构建，
图 2园区碳减排系统动力学存量流量图
本文园区碳排放系统动力学流图中变量方程主要通过以下4种方法建立：（1）经验公式法。借鉴已有研究中变量之间的关系及经验公式。（2）回归分析法。若变量间相关性较高，可利用变量的历史数据通过线性回归分析确定方程。（3）算术平均法。某些常量或变量的初始值可以通过多年算数平均值来表示。（4）表函数法。若变量之间不只是简单的线性关系，且变量数值已知，此时可以使用表函数法建立方程。
-
本文的数据采集使用了多种方法，包括问卷调查、现场调研和文献整理等。碳排放数据无法从企业问卷中直接获取，因此本文收集了第三方核查机构的问卷获取了部分年份数据，其余年份数据则采取IPCC规定的清单编制方法从燃料燃烧、工业生产过程、净购入电力和热力三个方面估算碳排放。其中，使用的电力热力排放因子、化石燃料的低位热值、单位热值含碳量、碳氧化率指标来自于《温室气体排放核算方法与报告指南》《温室气体排放核算与报告要求》和《企业温室气体排放核算方法与报告指南》。仿真模型初始值设定来自于调研资料以及资料数据的推算。
-
近五年，园区碳排放总量呈上升趋势，2020年达到4 854万吨，比2016年上升了约5%，但园区历年碳强度（单位产值碳排放）变化不大，变动幅度未超过0.4吨/万元（图3）。在不同行业中，黑色金属行业碳排放量保持缓慢上升趋势，2020年碳排放量占园区的43%，其他三个行业碳排放总量波动较小。各行业的碳强度差异也很明显。其中，发电行业碳强度最高，石油加工行业碳强度最低。化学制品行业碳强度上升趋势最为明显，其他三个行业均有明显下降趋势，并于2019—2020年趋于稳定，如图4所示。
图 3园区总排放及单位产值排放演化过程
图 4各行业总排放及单位产值排放演化过程
对比《中国上市公司碳排放排行榜（2021）》中的中国各行业企业碳强度数据（图5），可以发现园区发电行业碳强度远高于中国发电行业平均碳强度，其他各行业的碳排放控制技术则处于全国较为领先的水平。
图 5各行业单位产值排放对比
依据表6可以发现，在研究期间园区的碳排放与经济发展之间基本处于负脱钩状态，并且负脱钩状态于近三年有所加强，这说明园区的经济发展依赖能源消耗的局面没有得到有效的改变，园区未来需要推进强有力的减排措施和转变高能耗的产业结构。
表 62016—2020年园区经济发展与碳排放脱钩状态
年份 ΔC ΔG 脱钩弹性指数 脱钩状态 2016—2017 −0.005 −0.045 0.119 弱负脱钩 2017—2018 0.002 0.171 0.009 弱脱钩 2018—2019 0.025 −0.067 −0.369 强负脱钩 2019—2020 0.028 −0.022 −1.263 强负脱钩 园区碳排放主要来源于化石能源燃烧排放、工业过程排放和外购电力排放。以2020年为例，化石能源燃烧产生的排放量为3 233万吨，占总排放的66%；外购热力和电力的排放量为876万吨，工业过程的排放量为712万吨。这其中，黑色金属业和发电行业碳排放均主要来自化石能源燃烧，占比超过85%。石油加工业对化石能源、外购电力和热力的依赖性较强，以至于二者排放占比均超过40%。化学制品业的碳排放主要来自于工业过程，占比为47%，如图6所示。
图 6园区及各行业碳排放来源分析
-
以2016年为基期，运用LMDI模型对园区2016—2020年碳排放变动的驱动因素进行分析，首先得出不同排放维度的整体效应，然后分解出不同维度下的细分因素的具体效应，最后利用归因分析得出各个企业在每个因素中的具体贡献，从而识别出各个因素中的关键企业。
2016—2020年，园区的碳排放总量增加了228.95万吨。从各个维度的整体效应来看（图7)，能源消费维度累积效应为正值，生产过程和回收利用维度的效应均为负值。具体地，能源消费维度碳排放增加了236.44万吨，生产过程和回收利用维度分别减少了4.57万吨和2.91万吨。
图 72016—2020年园区整体碳排放变化的各维度分解结果
在研究期内，能源消费维度是园区碳排放的主导维度，这与园区目前以能源密集型行业为主的产业结构相符合。黑色金属业和发电行业等高能耗行业在园区产值中占比高，并且其能源消耗过度依赖于化石能源。因此，园区未来需要分行业逐步推进降碳减排，重点要控制能源密集型行业，持续推动非化石能源替代化石能源的能源结构转型。生产过程碳排放的降低则体现出园区近年来改进的减排技术取得一定成效，但总体减排效果不太明显，一个可能的解释是园区的产业结构尚未发生根本变化，致使生产过程中的碳排放变化不大。碳回收利用维度的减排效应微乎其微，体现出园区碳回收利用技术的应用尚未普及。
从能源消费维度的细分因素来看（图8），能源强度成为园区减排的主导力量，促使碳排放减少1 633.64万吨。与之相反，产值结构因素、经济规模因素和排放因子因素分别导致碳排放增加了1 757.76万吨、86.93万吨和25.39万吨。这其中，产值结构因素的增排效应尤为突出，抵消了能源强度下降所发挥的减排作用，最终导致能源消费维度的碳排放整体呈增加状态。另外从能源强度因素和产值结构因素的企业贡献中可以看出，南钢集团是能源消费维度的关键企业，如图9所示。
图 8能源消费维度细分因素分解结果
图 9能源强度因素和产值结构因素中主要企业贡献
从生产过程维度的细分因素来看，排放强度成为园区减排的主要力量，促使碳排放减少170.30万吨，而产值结构和经济规模分别导致碳排放增加135.58万吨和30.16万吨（图10）。在排放强度因素的企业贡献中，南化公司、南钢集团的减排量最高（图11）。结合能源消费维度中企业贡献的分析可知，南钢集团对于园区碳排放的变动起到主导作用。另外，从上述两个维度分解中可以看出，经济规模的扩张往往伴随着碳排放的增加，而工业园区是地区经济发展最重要的增长极，因而通过控制发展速度来降低碳排放并非理想方案。因此，园区要通过提高能源效率、优化产业结构等措施来减缓碳排放的增加，而不能以盲目限制企业运行、牺牲经济的发展来降低碳排放。
图 10生产过程维度细分因素的分解结果
图 11排放强度因素中的企业贡献
从回收利用维度的细分因素来看，回收比率导致碳排放增加4.37万吨，产碳规模导致碳排放减少7.28万吨（图12），这反映出回收利用对碳增排的抑制作用正在逐步显现，但仍有较大的潜力空间等待发掘。CCUS技术大规模部署有助于构建兼具韧性和弹性的能源系统。因此，园区应提前部署，逐渐增大其应用程度，推动园区自身固碳规模增加。
图 12回收利用维度细分因素的分解结果
-
江北新材料科技园碳减排可视为一个复杂的能源—经济—环境系统，其内包含碳排放驱动因素以及碳减排措施等一系列影响因素。因此，本文采用系统动力学方法来构建园区碳减排模型。模型以新材料科技园为研究对象，重点关注园区的经济发展情况和碳排放情况。
-
考虑到传统化石燃料在园区能源消费结构中的占比较大，故此处以能源结构改善作为单一措施进行分析。依据中国能源结构长期规划，课题假设可再生能源占比逐年上涨，并讨论2060年非化石能源占比分别为50%和80%两种情况。各结果指标的预测值如表7所示。
表 7实施减排措施对各指标影响结果
年份 到2060年可再生能源占比50% 年份 到2060年可再生能源占比80% 碳排放/
万吨总能耗/
万吨产值/
亿元碳排放/
万吨总能耗/
万吨产值/
亿元2030 7 082 3 926 3 674 2030 6 790 3 465 3 672 达峰年（2043） 8 393 5 778 5 434 达峰年（2038） 7402 5 152 4 836 2060 6 789 6 932 6 576 2060 4 005 4 833 6 572 可以发现，可再生能源占比越大，减排效果越明显，碳达峰实现速度越快。而且在单个减排措施的条件下，园区的产值依旧是保持增长态势，能耗值会先升后降，这说明在园区实施减措施后，是能够得到很好的效果。但是，即使可再生能源占比达到80%，也未能实现“3060”双碳目标，并且此时也需要考虑园区在达到该条件时，所花费的成本以及园区的实际能源需求是否能够满足。因而，在单个实行单个减排措施时，园区是难以在合适时间范围内完成目标，只能需另寻组合方法。
-
以2030年实现碳达峰、且碳达峰阶段（2020—2030年）总排放量最小为优化目标，园区减排措施最优组合以及达峰时各指标水平如表8所示。此时，2020—2030年园区各项结果指标的变化趋势如图13所示。
表 8碳达峰时减排措施最优组合及指标水平
减排措施 2020—2030年投资/亿元 2030年相应指标水平 累计值 年均值 改善能源结构 100 10 可再生能源占比/% 19 技术革新 260 26 技术层面减碳量/万吨 100 优化产业结构 133 13.3 低/高能耗项目比/% 76.4 应用CCUS 33 3.3 CCUS总覆盖比/% 4 
图 13碳达峰阶段内各结果指标变化趋势
进一步以园区能够率先实现碳中和，且碳中和阶段的总碳排放量最小为优化目标，仿真得到园区可在2055年实现“碳中和”。“碳中和”阶段（2030—2055年）的最优措施组合及碳中和时各指标水平如表9所示。园区各项结果指标的变化趋势如图14所示。
表 9碳中和阶段减排措施最优组合及指标水平
减排措施 2030—2055年投资/亿元 2030年相应指标水平 累计值 年均值 改善能源结构 817 32.68 可再生能源占比/% 80 技术革新 425 17 技术层面减碳量/万吨 151 优化产业结构 654 26.16 低/高能耗项目比/% 无高能耗项目 应用CCUS 196 7.84 CCUS总覆盖比/% 19 不难发现，当采用组合措施时园区碳排放量快速下降，说明组合措施比单一措施减排效果好。在总产值增长的前提下，园区有望在2030年实现碳达峰、2055年率先实现碳中和。从表中可以看出当每年平均投资四十多亿时，园区即可在2030年前达峰。在达峰后通过加大对CCUS技术的投资，能够明显看出该技术对整个园区的碳中和时间起着至关重要的作用。在未来可以继续加大对该技术的投资应用，将该技术覆盖至不同行业的不同生产线上。
图 142020—2060年各结果指标变化趋势
-
园区2030年碳达峰、2055年碳中和的路线图如图15所示，每五年减排措施的组合方案如表10所示。可以看出，园区有望在总产值保持增长的前提下于2030年实现碳达峰。与2020年相比，碳排放量增加18.3%，达到为5 743万吨，经济增加1 810亿元。在碳达峰阶段，园区可再生能源占比应达到19%，实现减碳量为281万吨。因而，园区应着重改善能源供应领域，包括购买清洁电力、自身清洁能源发电和其他可再生能源消费。同时，要不断推进技术水平革新，努力在实现碳达峰前使技术层面减碳量达到201万吨。如，化学制品行业未来需不断突破技术瓶颈，融合多种生产方式，在合成氨生产中，将煤制氨逐步向基于低碳H2的生产路线转变[30]。同时，大力推动产业结构调整，使低/高耗能项目类别比值不断增加，到2030年比值应达到0.746，实现减排量201万吨。再如，如促使燃煤电厂退役、灵活改造或转换为生物质煤混燃电厂等。另外，CCUS技术应用对园区实现“双碳”目标至关重要，需不断推广该技术的部署，2030年覆盖率要达到4%，实现减排238万吨。
图 15园区碳达峰碳中和路线图
表 10减排措施五年计划方案
方案 2025年 2030年
(达峰)2035年 2040年 2045年 2050年 2055年
(中和)可再生能源占比/% 14 19 28 39 52 65 80 技术层面减碳量/万吨 89 100 111 122 132 142 151 低/高耗能项目类别比值 0.668 0.764 1.511 2.968 高耗能项目全部退出 — — CCUS总覆盖率/% 2.4 4 6.4 9.1 12 15.4 19 在实现碳达峰后，园区到2055年正式实现碳中和，与2030年相比，园区总产值仍旧继续增加1 130亿元。此时，可再生能源占比应达到80%，技术层面减碳量达到864万吨，CCUS的覆盖比达到19%，高能耗项目到2045年需全部退出，只保留低能耗项目。
从“碳达峰”和“碳中和”两阶段内分别的减排路径来看，两阶段内各减排措施的实施力度有所不同，但均需要大力改善能源结构、推广CCUS技术应用。其中，碳达峰阶段内产业结构调整和技术革新的碳减排潜力显著，因此，优化产业结构，着力发展低碳技术，针对设备流程进行低碳化改进的措施对于园区碳达峰有着重要推进作用。在碳中和阶段内，这两项减排措施减排作用较小，可作为辅助减排手段平稳推进，而改善能源结构和应用CCUS技术的减排作用尤为突出，需严格加大实施能源结构转型力度，全面提升CCUS覆盖率。
总体来看，园区要实现在2030年碳达峰、2055年碳中和，短期措施和长远布局需要协同推进，在短期内产业结构调整和技术革新的碳减排潜力显著，但远期的深度减排仍需依靠持续推进能源结构优化和CCUS的产业化布局实现。
-
本文围绕园区的碳排放来源、驱动因素、减排路径等开展全方位分析。通过核算园区碳排放，发现园区碳排放整体呈缓慢增加趋势，且主要来源于化石能源燃烧，排放集中度较高，排放强度差异明显。通过指数分解分析，本文发现能源强度、排放强度、产碳规模等因素驱动园区碳排放降低，而产值结构、经济规模等因素推动园区碳排放升高。通过系统仿真，本文发现实施减排措施对于园区“双碳目标”至关重要，而且组合措施比单一措施减排效果好。在组合措施情景下，园区通过提高可再生能源占比、技术水平革新、产业结构调整和CCUS等负碳技术应用，有望在2030年实现碳达峰、2055年实现碳中和。
园区目前碳排放体量大，完成“双碳”目标时间紧、任务重，以下几点措施有利于园区“双碳”工作平稳有序推进。第一，推动园区降低化石能源的消耗，逐步实现低碳能源替代高碳能源，如推动重点用煤企业减煤限煤，以绿色电力替换化石能源，因地制宜布局新能源，引导企业调整用能行为，实施节能降碳重点工程，推进生产过程提质增效，提升节能管理水平。第二，加快新旧动能转换，变革生产方式和生产工艺，早期布局深度脱碳技术，助力园区尽早进入加速减排阶段，如加强项目准入与存量管理，推进供给侧结构性改革，培育园区发展新动能，加快先进适用技术研发和推广应用，加强创新能力建设和bob真人app下载，完善创新体制机制。第三，建立园区产业碳排放核算体系，完善碳排放评价法律机制。如积极跟进学习国际国内碳排放核算方法研究，建立园区产业碳排放核算体系，制定系统、规范、标准和科学的园区碳排放核算方法，出台能源计量监督管理有关办法，完善碳排放评价法律机制，构建有利于绿色低碳发展的法律政策体系，严格限制高能耗、高排放项目建设。第四，完善支持绿色产业发展的绿色金融服务体系，构建市场减排碳交易机制。如完善绿色金融服务体系，建立低碳产业引导基金，结合全国统一碳排放权交易市场的建设，构建自愿减排碳交易机制，统筹推进碳排放权、用能权、电力交易等市场建设，加强市场机制间的衔接与协调。
Research on the Roadmap of Traditional Industrial Parks to Achieve Carbon Peak and Neutrality Goals
——A Case Study in Nanjing Jiangbei New Material Science and Technology Park
-
摘要:为实现党中央、国务院在应对全球气候变化时所作出的碳达峰碳中和重大战略计划，传统工业园区将成为未来一段时期内实现工业部门精准脱碳研究的关键靶点。梳理江苏最大的化工园区——南京江北新材料科技园的碳排放量、排放强度以及排放来源，利用Tapio脱钩模型探究碳排放与经济发展之间的脱钩关系，然后利用LMDI法分解园区碳排放驱动因素，进而建立多情景仿真模型探索园区碳减排的潜力和实现双碳目标的路径。研究表明，园区目前能源消费过度依赖于化石能源，碳排放与经济发展之间存在着负脱钩状态，产值结构持续推动园区碳排放升高，而能源强度则是促进园区减排的主导因素。仿真结果显示，未来通过能源结构调整、技术革新、产业结构优化和CCUS技术协同应用有助于园区率先实现双碳目标。通过定量分析验证了南京江北新材料科技园可以早日实现双碳目标，同时为园区提出建设性的政策意见，进而能够为其他传统工业园区日后的绿色低碳转型发展提供实际参考。Abstract:In order to realize the major strategic plan of carbon peaking and carbon neutrality made by the Party Central Committee and the State Council in response to global climate change, traditional industrial parks will become a key target for the research on precise decarbonization of the industrial sector in the coming period. This paper sorts out the carbon emissions, emission intensity and emission sources of the Nanjing Jiangbei New Area New Materials Science and Technology Park, the largest chemical park in Jiangsu, and uses the Tapio decoupling model to explore the decoupling relationship between carbon emissions and economic development. Then, the LMDI method is used to decompose the driving factors of carbon emissions in the park, and then a multi-scenario simulation model is established to explore the potential of carbon emission reduction in the park and the path to achieve the dual carbon goals. Research shows that the current energy combustion in the park is overly dependent on fossil energy, and there is a negative decoupling between carbon emissions and economic development. The output value structure continues to promote the increase of carbon emissions in the park, and energy intensity is the leading factor in promoting the park's emission reduction. The simulation results show that in the future, through energy structure adjustment, technological innovation, industrial structure optimization and the coordinated application of CCUS technology, it will help the park to take the lead in realizing the dual carbon goal. Through quantitative analysis, this paper verifies that Nanjing Jiangbei New Materials Science and Technology Park can achieve the ‘Carbon Peak and Carbon Neutrality’ goal as soon as possible, and at the same time puts forward constructive policy opinions for the park, which can then provide practical reference for the green and low-carbon transformation and development of other traditional industrial parks in the future.
-
表 1碳排放与经济发展脱钩状态划分标准
脱钩分类 脱钩状态 ΔC ΔG 脱钩弹性 意义 脱钩 弱脱钩 >0 >0 0<μ<0.8 经济与碳排放增长，排放增速低于经济增速 强脱钩 <0 >0 μ<0 经济增长，碳排放减少 衰退脱钩 <0 <0 μ>1.2 经济与碳排放下降，排放降速高于经济衰退速度 负脱钩 强负脱钩 <0 <0 0<μ<0.8 经济与碳排放减少，排放降速低于经济衰退速度 强负脱钩 >0 <0 μ<0 经济衰退，碳排放增加 扩张负脱钩 >0 >0 μ>1.2 经济与碳排放增加，且碳排放增速快于经济增速 连接 增长连接 >0 >0 0.8<μ<1.2 经济增长，碳排放增加，两者增加速度相当 衰退连接 <0 <0 0.8<μ<1.2 经济衰退，碳排放减少，两者下降速度相当 
下载:
导出CSV
表 2驱动因素名称及其含义
维度 名称 含义 能源消费 排放因子 不同能源类型碳排放系数默认不变，排放因子反映了能源结构的变动 能源强度 能源强度因素定义为单位产值的能源消费量，代表能源效率 产值结构 产值结构因素被定义为园区的产值构成，代表行业结构 经济规模 经济规模因素被定义为园区的产值总量，代表经济的规模效应 生产过程 排放强度 排放强度因素被定义为单位产值的碳排放，反映生产技术水平 产值结构 产值结构因素被定义为园区的产值构成，代表行业结构 经济规模 经济规模因素被定义为园区的产值总量，代表经济的规模效应 回收利用 回收比率 回收比率因素定义为二氧化碳回收量占产生量的比重，反映回收效率 产碳规模 产碳规模因素被定义为二氧化碳产生总量，反映二氧化碳的规模效应 下载:
导出CSV
表 3系统动力学模型参数与碳排放驱动因素对照表
维度 驱动因素 系统动力学参数 含义 能源消费 排放因子 石油CO2排放系数
煤炭CO2排放系数
电网CO2排放系数
天然气CO2排放系数
其他能源CO2排放系数
单位能源碳减排量能源结构情况 能源强度 能源强度 能源效率水平 能源结构 园区总能耗
化石能源消费总量
可再生能源消费总量
可再生能源消费占比
化石能源消费占比能源结构情况 生产过程 排放强度 碳排放强度
生产过程碳排放生产技术水平 产值结构 项目类别比值 行业结构情况 经济规模 园区产值 经济规模效应 回收利用 回收比率 技术层面减碳量
技术层面降能量
余热资源量
碳交易与CCUS减碳量回收效率水平 产碳规模 CO2排放总量
CO2实际排放量治理规模效应 下载:
导出CSV
表 4减排措施相应指标及结果指标
减排措施 相应指标 能源结构改善 可再生能源占比/% 技术革新 技术层面减碳量/万吨 产业结构优化 低耗能/高耗能项目比值 应用CCUS CCUS总覆盖比/% 下载:
导出CSV
表 5减排措施情景设置
减排措施 相应指标 情景编号 指标水平 2030年 2060年 能源结构改善 可再生能源占比/% A1 12 20 A2 21 50 A3 26 80 技术革新 技术层面减碳量/万吨 B1 39 57 B2 347 511 B3 771 1135 产业结构优化 低耗能/高耗能项目比值 C1 0.6 0.8 C2 0.7 1.7 C3 0.8 4.2 应用CCUS CCUS总覆盖比/% D1 2.5 9.7 D2 5.6 27.2 D3 10.3 53.5 下载:
导出CSV
表 62016—2020年园区经济发展与碳排放脱钩状态
年份 ΔC ΔG 脱钩弹性指数 脱钩状态 2016—2017 −0.005 −0.045 0.119 弱负脱钩 2017—2018 0.002 0.171 0.009 弱脱钩 2018—2019 0.025 −0.067 −0.369 强负脱钩 2019—2020 0.028 −0.022 −1.263 强负脱钩 下载:
导出CSV
表 7实施减排措施对各指标影响结果
年份 到2060年可再生能源占比50% 年份 到2060年可再生能源占比80% 碳排放/
万吨总能耗/
万吨产值/
亿元碳排放/
万吨总能耗/
万吨产值/
亿元2030 7 082 3 926 3 674 2030 6 790 3 465 3 672 达峰年（2043） 8 393 5 778 5 434 达峰年（2038） 7402 5 152 4 836 2060 6 789 6 932 6 576 2060 4 005 4 833 6 572 下载:
导出CSV
表 8碳达峰时减排措施最优组合及指标水平
减排措施 2020—2030年投资/亿元 2030年相应指标水平 累计值 年均值 改善能源结构 100 10 可再生能源占比/% 19 技术革新 260 26 技术层面减碳量/万吨 100 优化产业结构 133 13.3 低/高能耗项目比/% 76.4 应用CCUS 33 3.3 CCUS总覆盖比/% 4 下载:
导出CSV
表 9碳中和阶段减排措施最优组合及指标水平
减排措施 2030—2055年投资/亿元 2030年相应指标水平 累计值 年均值 改善能源结构 817 32.68 可再生能源占比/% 80 技术革新 425 17 技术层面减碳量/万吨 151 优化产业结构 654 26.16 低/高能耗项目比/% 无高能耗项目 应用CCUS 196 7.84 CCUS总覆盖比/% 19 下载:
导出CSV
表 10减排措施五年计划方案
方案 2025年 2030年
(达峰)2035年 2040年 2045年 2050年 2055年
(中和)可再生能源占比/% 14 19 28 39 52 65 80 技术层面减碳量/万吨 89 100 111 122 132 142 151 低/高耗能项目类别比值 0.668 0.764 1.511 2.968 高耗能项目全部退出 — — CCUS总覆盖率/% 2.4 4 6.4 9.1 12 15.4 19 下载:
导出CSV
-
[1] TOL R S J. The impacts of climate change according to the IPCC[J]. Climate Change Economics, 2016, 7(1): 1-20. [2] 魏一鸣, 余碧莹, 唐葆君, 等. 中国碳达峰碳中和时间表与路线图研究[J]. bob手机在线登陆学报(社会科学版), 2022(4)1-20. [3] 余碧莹, 赵光普, 安润颖, 等. 碳中和目标下中国碳排放路径研究[J]. bob手机在线登陆学报(社会科学版), 2021, 23(2): 17-24. [4] 国家统计局. 中国统计年鉴(2020年)[M]. 北京: 中国统计出版社, 2021. [5] 郭扬, 吕一铮, 严坤, 等. 中国工业园区低碳发展路径研究[J]. 中国环境管理, 2021, 13(1): 49-58. [6] 陈吕军. 做好碳达峰碳中和工作, 工业园区必须做出贡献[N]. 中国环境报, 2021-03-10(8). [7] 国家发展和改革委员会, 科学技术部, 原国土资源部, 等. 中国开发区审核公告目录(2018年版)[EB/OL].( 2018). https://www.ndrc.gov.cn/fggz/lywzjw/zcfg/201803/t20180302_1047056.html. [8] 费伟良, 李奕杰, 杨铭, 等. 碳达峰和碳中和目标下工业园区减污降碳路径探析[J]. 环境保护, 2021, 49(8): 61-63. [9] TANA X, ZENG Y, GUA B, et al. The accounting for greenhouse gas emissions of a low-carbon industrial park in China: a case study in Chongqing[J]. Energy Procedia, 2017, 142: 176-181. [10] DONG H J, GENG Y, XI F M, et al. Carbon footprint evaluation at industrial park level: a hybrid life cycle assessment approach[J]. Energy Policy, 2013, 57: 298-307.doi:10.1016/j.enpol.2013.01.057 [11] FANG D, CHEN B, HAYAt T, et al. Emergy evaluation for a low-carbon industrial park[J]. Journal of Cleaner Production, 2015, 163: 392-400. [12] 严坤, 吕一铮, 郭扬, 等. 工业园区温室气体核算方法研究[J]. 中国环境管理, 2021, 13(6): 13-23. [13] GUO Y, TIAN J P, CHERTOW M, et al. Exploring greenhouse gas‐mitigation strategies in Chinese eco‐industrial parks by targeting energy infrastructure stocks[J]. Journal of Industrial Ecology, 2018, 22(1): 106-120.doi:10.1111/jiec.12542 [14] 陈彬, 杨维思. 产业园碳排放核算方法研究[J]. 中国人口·资源与环境, 2017(3): 1-10. [15] YU X, ZHENG H, SUN L, et al. An emissions accounting framework for industrial parks in China[J/OL]. Journal of Cleaner Production, 2020, 244(C): 118712.https://www.sciencedirect.com/science/article/abs/pii/S0959652619335826. [16] XUE R, WANG S, LONG W, et al. Uncovering GHG emission characteristics of industrial parks in central China via emission inventory and cluster analysis[J/OL]. Energy Policy, 2021, 151: 112191.https://ideas.repec.org/a/eee/enepol/v151y2021ics0301421521000 604.html. [17] HUANG B, JIANG P, WANG S, et al. Low carbon innovation and practice in Caohejing high-tech industrial park of Shanghai[J]. International Journal of Production Economics, 2016, 181: 367-373.doi:10.1016/j.ijpe.2016.02.006 [18] LIU Z, ADARMS M, COTE R P, et al. Comprehensive development of industrial symbiosis for the response of greenhouse gases emission mitigation: challenges and opportunities in China[J]. Energy Policy, 2017, 102: 88-95.doi:10.1016/j.enpol.2016.12.013 [19] 单福征, 於家, 赵军, 等. 上海郊区快速工业化的土地利用及碳排放响应: 以张江高科技园区为例[J]. 资源科学, 2011, 33(8): 1600-1607. [20] YU X, CHEN H B, WANG B, et al. Driving forces of CO2emissions and mitigation strategies of China’s National low carbon pilot industrial parks[J]. Applied Energy, 2018, 212(15): 1553-1562. [21] GUO Y, TIAN J, CHEN L. Managing energy infrastructure to decarbonize industrial parks in China[J]. Nature Communications, 2020, 11(1): 1-9.doi:10.1038/s41467-019-13993-7 [22] WANG H, LEI Y, WANG H, et al. Carbon reduction potentials of China's industrial parks: a case study of Suzhou industry park[J]. Energy, 2013, 55(3): 668-675. [23] LIU L X, ZHANG B, BI J, et al. The greenhouse gas mitigation of industrial parks in China: a case study of Suzhou industrial Park[J]. Energy Policy, 2012, 46(3): 301-307. [24] ZHANG M, WANG C, WANG S, et al. Assessment of greenhouse gas emissions reduction potential in an industrial park in China[J]. Clean Technologies and Environmental Policy, 2020, 22(7): 1435-1448.doi:10.1007/s10098-020-01864-5 [25] TAPIO P. Towards a theory of decoupling: degrees of decoupling in the EU and the case of road traffic in Finland between 1970 and 2001[J]. Transport Policy, 2005, 12(2): 137-151.doi:10.1016/j.tranpol.2005.01.001 [26] 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 [27] KAYA Y. Impact of carbon dioxide emission on GNP growth: Interpretation of proposed scenarios[R]. Paris: IPCC Energy and Industry Subgroup, 1989. [28] GONZALEZ P F, LANDAJO M, PRESNO M J. The driving forces behind changes in CO2emission levels in EU-27. Differences between member states[J]. Environmental Science & Policy, 2014, 38, 11-16. [29] CHOI K H, ANG B W. Attribution of changes in Divisia real energy intensity index: an extension to index decomposition analysis[J]. Energy Economics, 2012, 34(1): 171-176.doi:10.1016/j.eneco.2011.04.011 [30] 徐硕, 余碧莹. 中国氢能技术发展现状与未来展望[J]. bob手机在线登陆学报(社会科学版), 2021, 23(6): 1-12. -
点击查看大图
图(15)/
表 (10)
计量
- 文章访问数:620
- HTML全文浏览量:168
- PDF下载量:55
- 被引次数:0
