EN中文

资源科学 >

2021 , Vol. 43 >Issue 4: 639 - 651

DOI: https://doi.org/10.18402/resci.2021.04.01

中国碳达峰研究专栏

多情景视角下的中国碳达峰路径模拟——基于RICE-LEAP模型

  • 洪竞科 ,
  • 李沅潮 ,
  • 蔡伟光
展开
  • 重庆大学管理科学与房地产学院,重庆 400044
李沅潮,男,河南焦作人,硕士生,研究方向为气候变化经济学。E-mail:

洪竞科,男,四川成都人,教授,主要从事城市资源管理与政策研究。E-mail:

收稿日期: 2020-09-15

  要求修回日期: 2021-01-31

  网络出版日期: 2021-06-25

基金资助

国家自然科学基金项目(71801023)

重庆市青年拔尖人才特殊支持计划项目(T04010013)

版权

版权所有，未经授权，不得转载、摘编本刊文章，不得使用本刊的版式设计。
收起

Simulating China's carbon emission peak path under different scenarios based on RICE-LEAP model

  • HONG Jingke ,
  • LI Yuanchao ,
  • CAI Weiguang
Expand
  • School of Management Science and Real Estate, Chongqing University, Chongqing 400044, China

Received date: 2020-09-15

  Request revised date: 2021-01-31

  Online published: 2021-06-25

Copyright

Copyright reserved © 2021. Office of Acta Agronomica Sinica All articles published represent the opinions of the authors, and do not reflect the official policy of the Chinese Medical Association or the Editorial Board, unless this is clearly specified.
Fold

摘要

作为世界最大的碳排放国家与全球第二大经济体,实现CO2排放峰值是中国应对全球气候变化的挑战。本文通过耦合自上而下式模型和自下而上式模型,创新性地构建了包含中国终端部门的新型综合评估模型——RICE-LEAP模型,并通过设置参考情景、碳排放约束情景和供给侧结构性改革情景,动态模拟了2020—2050年的中国碳达峰路径及全球气候变化趋势。研究结果表明：①中国碳排放轨迹在3个动态情景中均呈“倒U型”曲线,其中,供给侧结构性改革情景下,中国碳排放峰值水平最低,并将于2029年最早达峰;②中国碳排放主要集中在工业和交通运输业等终端部门,其碳排放贡献可达80.00%,并保持相对稳定。此外,考察期内工业和交通运输业等终端部门的碳强度下降幅度相对较小;③供给侧结构性改革情景下,能源消费结构将迈入中高级形态。该情景下的所有终端部门非化石能源的消费占比均有所提高,商业及服务业部门和城镇居民部门等终端部门将形成以天然气和非化石能源为主的能源消费结构。因此,为实现中国碳排放尽早达峰,应强化政策导向,落实能源消费总量和强度“双控”目标,推动产业结构调整和能源结构优化的互进共驱。

关键词： 气候变化; 碳排放达峰; RICE-LEAP模型; 情景分析; 供给侧结构性改革; 产业结构调整; 能源结构优化

本文引用格式

洪竞科 , 李沅潮 , 蔡伟光 . 多情景视角下的中国碳达峰路径模拟——基于RICE-LEAP模型[J]. 资源科学, 2021 , 43(4) : 639 -651 . DOI: 10.18402/resci.2021.04.01

Abstract

As the world's largest carbon emitter and second largest economy, achieving the carbon emission peak is urgent for China to combat with global climate change. By coupling the Regional Integrated model of Climate and the Economy (RICE) and Long-range Energy Alternative Planning (LEAP) model, this study established a new energy-economy-environment integrated assessment model covering end-use economic sectors. Under the business-as-usual, carbon-constraint, and supply-side structural reform scenarios, China's carbon emission peak path and global climate change trend from 2020 to 2050 were systematically investigated. The results reveal that: (1) China's energy-related carbon emission trajectory presents an inverted U shape under the three dynamic scenarios. Under the supply-side structural reform scenario, carbon emissions peak earliest, with the lowest carbon emission peak in comparison to other scenarios. (2) China's energy-related carbon emissions mainly concentrate in end-use sectors such as industry and transportation, where carbon emissions contribute approximately 80% in a stable manner during the whole investigated period. In addition, carbon intensity in these carbon-intensive sectors drops relatively slowly. (3) Energy structure becomes more optimized and advanced under the supply-side structural reform scenario, where the proportion of non-fossil energy consumption has increased in all end-use sectors, with natural gas and non-fossil energy dominating in the commerce and service industry and households. Therefore, in order to achieve China's carbon emission peak the soonest, the central government should adopt policy-oriented “dual control” goals for the total energy consumption and energy intensity, and make great efforts to adjust industrial structure and optimize energy structure by taking the supply-side structural reform as the main line.

Key words： climate change; carbon emission peak; RICE-LEAP model; scenario analysis; supply-side structural reforms; industrial structure adjustment; energy structure optimization

1 引言

联合国政府间气候变化专门委员会的第一次到第五次报告不断证实了日益严峻的全球气候变化形势。《巴黎协定》中各缔约国承诺将加强应对全球气候变化挑战,确保全球平均气温较工业化前水平控制在升高2 ℃之内,并力争将升温控制在1.5 ℃之内。中国作为全球最大的碳排放国家与全球第二大经济体,2017年碳排放总量为9.30 GtCO2,约占全球总量的28.27%,且尚未实现碳达峰[1]。因此,近年来中国为应对气候变化制定了一系列政策。国际层面,中国以《中美气候变化联合声明》[2]为蓝本,提出了《中国国家自主贡献》（INDC）：到2030年,单位国内生产总值碳排放比2005年下降60.00%~65.00%,并争取在2030年左右实现碳排放峰值[3]。国内层面,“十三五”明确规定单位国内生产总值CO2排放约束性指标;此外,《“十三五”控制温室气体排放工作方案》中提出,2020年碳强度比2015年下降18.00%,并强调要推动中国CO2排放2030年达峰并争取尽早达峰[4]。
碳排放达峰路径与未来气候变化的模拟及其应用研究一直以来都是气候变化经济学领域的研究热点,这些研究估算国家或地区的能源消费及CO2排放量,为预测未来气候变化趋势提供了科学的视角。鉴于此,本文将通过对碳排放达峰模拟模型及其在中国情景下的应用两个视角的系统性综述,挖掘现有研究不足,以构建新型综合评估模型,准确模拟中国未来碳排放演化趋势。
聚焦于模拟能源-经济-气候系统间动态关联的综合评估模型是进行碳排放预测的主流工具之一。综合评估模型在其发展过程中形成了两种不同的建模思路和模型框架：一种是依托传统经济模型,向能源和气候系统扩展的自上而下式模型;另一种则是以能源技术模型为主体,向经济和环境模块演进的自下而上式模型。自上而下模型从经济学理论出发,以国民生产部门为基础,善于考察资本、劳动力、能源等要素投入与部门产出之间的关系,适用于分析宏观经济政策、气候政策和能源规划等作用下的碳排放路径,可进一步分为：可计算一般均衡模型（CGE）和最优化模型。CGE模型,如麻省理工学院的EPPA模型[5]和西北太平洋实验室的SGM模型[6],往往会因数据及自身动态性的限制,在对未来碳排放路径的模拟中缺乏“远见”[7]。相对于CGE模型而言,最优化模型在刻画行为主体对于减排措施的决策与响应方面,具有更好的灵活性,动态的跨期优化机制也更具合理性,但其在经济细化、技术进步以及区域联系等相关过程的描述上仍有不足[8]。主要模型包括耶鲁大学的DICE模型[9]和RICE模型[10]、阿姆斯特丹自由大学的FUND模型[11]和斯坦福大学的MERGE模型[12]。总的来说,自上而下模型侧重于考察经济系统各部门的行为特征,而对能源部门的描述相对简化,无法系统模拟能源流动过程导致的碳排放,和能源技术的发展特征及其相互替代行为等[7]。自下而上模型从工程技术模型出发,以能源流动过程为基础,善于对能源生产、能源加工转换与能源消费全过程涉及的能源技术进行模拟,适用于基于能源供需预测、减排潜力与投资需求等的技术路线决策,主要包括MESSAGE模型[13]、AIM模型[14]和LEAP模型[15]等。但是这类模型往往因其模型架构对经济系统与气候系统演化刻画不足,使得其难以清晰地考察宏观经济政策与气候政策的互动联系、以及碳达峰路径对经济发展和能源消费的回弹效应等[16]。因此,如何克服这两种建模方式的缺陷并整合其优势,构建混合模型,对于模拟在未来经济发展、技术进步以及政策干预等综合作用下的碳达峰路径至关重要。如欧洲经济与环境研究所的WITCH模型[17]和西北太平洋国家实验室开发的GCAM模型[18]等,均在发展碳达峰模拟混合模型的实践中作出了有价值的尝试。
由于国家是温室气体排放和参与全球气候变化治理的行为主体,因此,对于综合评估模型在国家尺度应用的研究也至关重要。如前文所述,发达国家在该领域已经进行了大量研究[19],相对于发达国家而言,综合评估模型在中国情景下建模及应用的系统研究起步较晚且相对较少,但在碳达峰路径模拟等方面也取得了不俗的成绩。通过对综合评估模型在中国情景下应用的最新研究综述（表1）,可以发现：①模型的集成性逐渐增强。中国情景下的综合评估模型正在由单一的自上而下模型或自下而上模型,向能够完整模拟经济增长、能源消费和气候变化全过程的混合模型演进,混合模型往往通过模型耦合实现;②经济系统建模的复杂性逐渐增强。通过嵌入CGE框架替代高度综合的柯布-道格拉斯生产函数,以纳入大量的结构信息[20],细化国民经济部门。
表1 典型的面向中国治理水平的综合评估模型

Table 1 Typical integrated assessment models for China's climate governance level

模型名称 类型 特征 文献
CE3METL 自上而下 引入logistic技术模型,对能源技术的发展特征、相互替代行为及其内生机制的描述较为详尽。 [21]
China TIMES 自下而上 依托传统的能源系统优化模型向,能源需求预测模块和碳排放路径模拟模块扩展,以实现多部门局部均衡。 [22]
PECE-LIU 自下而上 以LEAP框架为基础,遵守能流过程,能够对能源的开采、加工、运输和最终使用的全过程进行系统仿真。 [23]
EMRICES 混合型 嵌入CGE模块以替代传统最优化模型中的柯布道格拉斯生产函数,从产业视角评估碳排放的相关政策及其减排效果。 [24]
C3IAM 混合型 耦合全球CGE模型和最优经济增长模型以扩展经济系统,同时实现了社会经济系统和地球系统之间的硬连接。 [25]
IPAC 混合型 是一个多模型框架,通过不同的建模方法或不同模型间的软连接,以关注不同的政策问题。 [26]
总的来说,上述文献极大地促进了基于综合评估模型的中国碳达峰路径研究,为该领域的后续研究奠定了基础,但是鲜有模型能够完整模拟能源-经济-环境的动态关联过程,进而难以准确描述在未来经济发展、技术进步以及政策干预等多要素综合作用下的碳排放轨迹。另外,碳达峰模拟混合模型在中国情景下的应用仍然较少。本文通过耦合RICE模型（Regional Integrated model of Climate and the Economy）和LEAP模型（Long-range Energy Alternatives Planning model）,构建新型的能源-经济-环境综合评估模型,使其兼具视角集成性、尺度一致性、情景适应性与模拟结构性,以实现中国碳排放峰值目标倒逼机制下的政策评估,准确模拟中国未来碳排放演化趋势。与现有研究相比,本文的创新在于：①模型集成性提高。现有模型多为单一视角的模型,而本文通过构建耦合自上而下式和自下而上式模型的RICE-LEAP模型,能够全面模拟预测经济增长、能源消费和气候变化的动态演进过程;②合理实现模型降尺度研究。通过引入进出口等变量将区域间经济的相互作用纳入考量,解决空间模拟尺度与行为责任主体之间存在的错位矛盾[27],以实现全球尺度模型在区域层次的降尺度应用。③模型场景的应用。现有模型多为发达国家开发,在生产函数的构建、技术进步的模拟及终端部门的统计口径等方面,与中国基本国情存在基础性差异。本文基于中国基本国情,通过设置中国特色的情景,推演预测中国未来的碳达峰路径,从结构性视角解析政策工具对减缓碳排放的影响机理和作用路径。

2 模型与方法

RICE模型是以DICE模型[9]为基础,通过将进出口变量纳入考量,以实现从自上而下的视角对特定国家或地区的碳排放及全球气候变化进行经济性分析[10]。而LEAP模型可同时将资源禀赋、能源价格及投资等要素纳入模型框架,以实现从自下而上的视角,对未来特定国家或地区能源转换和终端需求引起的能源消费及碳排放作出预测[15]。RICE-LEAP模型是通过耦合RICE和LEAP模型,构建出的一种新型的综合评估模型,涵盖中国能源消费的终端部门,并可对经济增长、能源消费、气候变化的全过程进行完整的仿真模拟。模拟机理如图1所示。
图1 RICE-LEAP模型的基本框架

注：MAT、MUP、MLO分别表示大气、表层海洋和深层海洋中的碳浓度;TAT、TLO分别表示地表温度和深海温度。

Figure 1 Basic framework of the Regional Integrated model of Climate and the Economy-Long-range Energy Alternative Planning (RICE-LEAP) model

在RICE-LEAP模型中,目标函数被定为跨期的社会福利最大化,所有的消费选择、减排政策均朝着有利于目标优化的方向演进[28]。采用新古典经济增长理论中效用的表示方法,跨期的社会福利被定义为人口规模权重作用下人均消费的贴现值,计算公式为：
W = ∑ k = 1 2 ∑ t = 1 max L k t c k t 1 - α / 1 - α ∙ 1 + ρ - t
式中： W 表示最优的社会福利; k 表示不同国家或地区（本文聚焦于中国的经济增长、技术进步和能源消费等行为,因此可将全球分为中国和除中国以外地区两个经济体）;t表示时间; L t 为人口规模, c t 为人均消费; α 表示消费的边际效用的不变弹性; ρ 表示社会时间偏好。

2.1 经济系统

RICE-LEAP模型的生产过程主要通过柯布-道格拉斯型的常弹性替代函数来描述,采用资本 Z t 、人口规模 L t 和能源 EN t 等要素投入来刻画总产出 Y t ：
Y t = A t ∙ Z t γ ∙ L t 1 - γ η + B t ∙ EN t η 1 η
式中： A t 用来表征资本与劳动力组合中的技术进步（TFP）; B t 为自动的能源技术进步率（AEEI）; γ 表示资本份额; η 表示资本-劳动与能源的替代弹性。为刻画气候变化所引起的反馈损失、减排行动所花费的资金成本与经济增长间的关系,设 GDP t 为扣除减排成本和气候变化损失之后的净产出,另引入减排成本 AC t 和气候变化损失 DC t ,则有：
GDP t = Y t - AC t - DC t
然而,由于国外地区经济模块的数据获取存在一定难度,在此参照刘昌新等[24]和王铮等[29]的研究,保留RICE模型中经济系统的原有结构。生产函数是由传统的柯布-道格拉斯函数形式,总产出 Y * t 是由资本 Z * t 、劳动力 L * t 和技术进步 A * t 按规模报酬不变方式复合而成,如式（4）所示：
Y * t = A * t ∙ Z * t γ ∙ L * t 1 - γ
资本积累过程和减排博弈过程与上述中国的经济过程相似,这里不再赘述。而且,一方面,RICE-LEAP模型遵循罗宾逊漂流经济体假设,即假定研究对象是相对封闭的经济体,生产和消费等经济活动主要在本国区域内完成;另一方面,也通过进出口与外界对接[30],克服了模型尺度由全球转换为国家的合理性问题：
GDP t = C t + I t + X ( t ) - M ( t )
式中： C t 表示消费; I t 表示投资; X ( t ) 表示出口; M ( t ) 表示进口。

2.2 能源系统

以LEAP框架为基础,结合中国能源平衡表,可将中国能源消费的终端部门划分为农业、工业、建筑业、交通运输业、商业及服务业、城镇居民消费及农村居民消费等7个子部门,并引入产业结构、城镇化率、人均居住面积、能源强度和能源结构等经济技术指标,对其活动水平、能源强度进行详尽地描述和设置,以达到中国特色情景下能源消费及碳排放路径的模拟：
E N i ( t ) = GDP ( t ) ∙ S i ( t ) ∙ E I i ( t ) E N p ( t ) = L p ( t ) ∙ R A p ( t ) ∙ E I p ( t )
式中： E N i ( t ) 和 E N p ( t ) 分别表示 i 终端部门的能源消费和p类居民（城镇居民和农村居民）的生活能源消耗量; S i ( t ) 表示 i 终端部门的增加值占比; E I i ( t ) 表示 i 终端部门的能源强度; L p ( t ) 表示p类居民的人口规模; R A p ( t ) 表示p类居民的人均建筑面积; E I p ( t ) 表示p类居民的生活能源消耗强度。

2.3 环境系统

中国区域内的能源相关的碳排放 E M Inc ( t ) 可通过各终端部门的能源消费及其对应的碳排放因子求得：
E M Inc ( t ) = ∑ E N ij ( t ) ∙ C F ij + ∑ E N pj ( t ) ∙ C F pj
式中： C F ij 表示碳排放因子;j表示能源类型。国外地区能源相关的碳排放 E M Inf t 仍采用RICE模型中的方法。能源相关的CO2排放是关于总产出、减排率和排放强度的函数：
E M Inf t = 1 - μ t ∙ σ t ∙ Y * t , 0 ≤ μ t ≤ 1
式中： μ 为CO2减排率; σ 为碳排放强度,定义 σ 随着技术水平的提高而下降,下降率逐渐减少。
因此,全球能源相关的碳排放 E M In t 可以表示为：
E M In t = E M Inc t + E M Inf t
全球碳排放总量等于其能源相关的碳排放加上因土地利用变化导致的碳排放 E M land t ,因此,全球碳排放总量为 EM t ：
EM t = E M In t + E M land t
根据RICE模型,采用三蓄水池模型来模拟碳循环过程[31],以得到不同阶段大气、表层海洋和深层海洋的碳浓度。碳浓度的变化会影响全球辐射强迫水平,最终导致了地表温度和深海温度的上升。

3 数据与情景设置

3.1 数据处理与关键参数取值

RICE-LEAP模型是一种跨期的动态优化模型,模型程序主要通过GAMS编程实现,借助其内置CONOPT求解器的非线性规划算法（NLP）进行求解。模型以2020年为基准年,估计期的时间间隔设定为1年,结果考察的时间跨度为2020—2050年。GDP、消费、投资、进出口额等宏观经济数据来自于中国国家统计局,人口规模数据主要参照Chen等[32]的最新研究成果。由于时间间隔由5年转变为1年,本文在此对气候系统的碳循环和热传导过程的相关参数参照有关文献[31,33]进行了更新。国外模块的相关参数参照Nordhaus等的最新研究[34,35,36]。其他主要参数及其数据来源如表2所示。
图2 不同情景下能源消费量及CO2排放量

Figure 2 Energy consumption and carbon emissions under different scenarios

表2 主要的宏观经济与技术参数

Table 2 Major macroeconomic and technical parameters

参数名称 数值 参数来源与说明
消费的边际弹性 1.450 [34]
初始的时间偏好率 0.015 [34]
年资本折旧率 0.050 [34]
资本份额 0.310 [35]
资本-劳动与能源间的替代弹性 0.400 [35]
初始的能源技术进步率 0.070 [35]
大气到表层海洋的碳流通系数 0.019 [31]
表层海洋到深层海洋的碳流通系数 0.0054 [31]
表层海洋到大气的碳流通系数 0.010 [31]
深层海洋到表层海洋的碳流通系数 0.00034 [31]
温度变化参数 0.037 [31]
大气温度降低速率 0.047 [31]
大气到海洋的热传导系数 0.010 [31]
海洋到大气的热传导系数 0.00048 [31]

3.2 情景设置

为分析探讨不同发展路径和政策工具对中国未来经济发展、能源消费、减排效果以及全球气候变化的影响,本文基于中国基本国情和中国特色的政策机制设置以下3个动态情景：参考情景、碳排放约束情景和供给侧结构性改革情景,并以此为依据设定其能源系统的相关参数（表3）。
表3 不同情景下的能源系统参数

Table 3 Parameters of energy system under different scenarios

参数 基准年 参考情景 碳排放约束情景 供给侧结构性改革情景
2020年 2030年 2050年 2030年 2050年 2030年 2050年
产业结构/% 农业 6.94 5.20 5.00 5.20 5.00 5.20 5.00
工业 31.80 30.86 22.05 30.86 22.05 26.30 18.40
建筑业 7.34 9.74 7.05 9.74 7.05 8.50 6.30
交通运输业 4.20 4.20 4.00 4.20 4.00 4.40 3.50
商业及服务业 49.72 50.00 61.90 50.00 61.90 55.60 66.80
城镇化率/% 62.00 70.00 80.00 70.00 80.00 67.00 75.00
人均居住面积/（m2/人） 城镇居民 35.19 36.10 40.00 36.10 40.00 34.10 36.10
农村居民 45.57 50.00 52.80 50.00 52.80 46.10 47.30
能源强度年均增长率/%a 农业 0.81 -1.89 -4.15 -3.77 -4.15 -3.77 -4.15
工业 6.57 -1.03 -3.58 -2.05 -2.33 -2.05 -2.33
建筑业 0.81 -2.30 -5.05 -4.59 -5.05 -4.59 -5.05
交通运输业 6.76 -1.66 -3.69 -3.32 -3.69 -3.32 -3.69
商业及服务业 0.55 -1.93 -4.24 -3.85 -4.24 -3.85 -4.24
城镇居民 11.46 -0.03 -0.02 -0.09 -0.05 -0.09 -0.05
农村居民 9.58 0.21 0.06 0.08 0.04 0.08 0.04

注： a. 基准年中,农业、工业、建筑业、交通运输业和商业及服务业等终端部门能源强度单位为tce/万美元;而城镇居民和农村居民等终端部门的能源强度单位为kgce/m2。

（1）参考情景。该情景延续“十三五”及其之前的政策,不考虑新技术的采纳和进一步的减排政策,依据基准年产业部门的生产方式和终端部门的能源消费情况设置相关参数,其能源效率的提高、产业结构的调整和能源结构的优化主要依赖于社会经济发展驱动。因此,该情景能够基本反映自然引导型的经济增长、能源消费和CO2排放过程。
（2）碳排放约束情景。该情景以参考情景为基础,考虑《中美气候变化联合声明》《巴黎协定》作出的承诺,以及《国家应对气候变化规划（2014—2020年）》和《“十三五”控制温室气体排放工作方案》等专项方案中有望达成的能源消费和碳排放目标,并以此为依据设定各终端部门的能源强度约束。
（3）供给侧结构性改革情景。该情景是一个综合调控情景。相较于参考情景,该情景下的产业结构、区域结构、能效水平和能源消费结构将得到进一步优化,并要求在宏观经济政策、能源规划和气候政策等方面有重大举措。因此,该情景能够基本反映综合调控作用下的经济增长、能源消费和气候变化动态演进路径。

4 结果与分析

4.1 中国碳达峰的情景预测

（1）能源消费及碳排放趋势
在参考情景下,中国的终端能源消费量在考察期内持续增加,由2020年的3.11 Gtce增加到2050年的5.21 Gtce。而碳排放约束情景和供给侧结构性改革情景下的终端能源消费量在2035年前后出现拐点,约为4.67 Gtce和4.29 Gtce。根据国际能源署,若同时推进宏观经济转型和清洁能源转型,中国将于2035年左右实现终端能源消费峰值,约为4.48 Gtce[37]。碳排放约束情景下,2050年的终端能源消费达到3.95 Gtce,较参考情景下降24.18%;而供给侧结构性改革情景下,2050年的终端能源消费量可进一步控制在3.52 Gtce,较参考情景下降32.44%。图2反映了3个动态情景下中国能源的CO2排放路径。在3个动态情景中,中国能源相关的CO2排放轨迹均呈现“倒U型”曲线。以参考情景为例,中国能源相关的碳排放将于2041年进入峰值平台期,对应的碳排放峰值为14.43 GtCO2。该结果与马丁等[38]运用China TIMES模型的预测结果基本一致,即以现有政策为基础,中国将于2045年实现碳达峰,对应的排放峰值约为14.00 GtCO2。碳排放约束情景下,中国将于2033年实现碳达峰,对应的峰值水平为12.72 GtCO2。供给侧结构性改革情景下,碳达峰时间将进一步提前,于2029年实现达峰,且排放峰值也将进一步降低,控制在11.18 GtCO2。
（2）气候系统的预估变化
参考情景下的大气CO2浓度从2020年的410.96 ppm升至2030年的445.39 ppm,到2050年上升至523.08 ppm。在碳排放约束情景下,2050年的CO2浓度被限定在513.85 ppm之内,而供给侧结构性改革情景下的2050年,CO2浓度被进一步控制在485.12 ppm之内。政策情景下的CO2浓度与参考情景下的CO2浓度的显著差异主要是在2027年之后,且供给侧结构性改革情景下的CO2浓度要明显低于碳排放约束情景。对于1890—1910年的平均水平,2020年的基准线温度上升了1.09 ℃。预计参考情景下的温度将于2050年上升至1.89 ℃。显然,根据RICE-LEAP模型的预测,由于碳排放的累计和气候的惯性,全球变暖即将到来。相对于参考情景而言,合理的政策工具可适当减缓气候变暖,碳排放约束情景和供给侧结构性改革情景下的温度变化明显低于参考情景（图3）。
图3 不同情景下温度变化

Figure 3 Temperature change under different scenarios

4.2 政策工具的宏观效应

（1）不同情景下的宏观指标预测
在考察期内,3个动态情景下的GDP、投资、消费和进出口等各项宏观经济指标均呈现平稳增长的趋势（图4）。以参考情景为例,其GDP由2020年的15.48万亿美元平稳上升至2050年的54.52万亿美元,年均增长速度减缓,将由高速增长转为中高速增长,符合中国进入经济新常态的特征。GDP增速特征与中国石油经济技术研究院发布的《2050年世界与中国能源展望（2019版）》基本相符,但本文所得到的2050年GDP略高于报告中所发布50.00万亿美元[39]。消费由2020年的12.18万亿美元上升至2050年的42.74万亿美元。投资、出口和进口的变化趋势基本一致,分别由2020年的3.37万亿美元、3.67万亿美元和3.60万亿美元,上升至2050年的12.14万亿美元、13.17万亿美元和13.81万亿美元。而消费与投资间的差距将逐渐拉大,这与习总书记所提出的要形成以国内大循环为主体、国内国际双循环相互促进的新发展格局具有一致性。
图4 不同情景下主要宏观指标的变化趋势

Figure 4 Trends of major macroeconomic indicators under different scenarios

（2）政策工具的宏观效应变化
在政策工具的约束下,3个动态情景下的主要宏观经济指标如图4和图5所示。可以看出：①气候政策工具在不同情景下对GDP变化的影响有限。实际上,本文基于柯布-道格拉斯生产函数分别从全要素生产率、资本存量、人口规模和终端能源消费方面刻画经济产出。而政策工具主要通过影响能源消费中的产业结构、能源强度以及能源结构,间接对GDP产生影响,因此主要表现为能源消费结构性改变,而非经济总量性变化。②气候变化所引起的损失成本略有下降,减排成本显著提高。在政策工具的约束下,随着全球气候变化减缓,虽然损失成本进一步降低,但是随着对能源消费和碳排放的管控加剧,减排成本则呈明显的上升趋势。
图5 政策工具约束下的宏观效应变化

Figure 5 Macro-level effects with the constraints of policy instruments

4.3 政策工具的结构效应

（1）政策工具对各终端部门能源消耗的影响
如图6所示,中国现阶段的能源消费中,煤炭仍占据主导地位,但是煤炭的消费份额在3个情景中均有所下降,而非化石能源的消费份额则稳步增长。相对于参考情景中能源消费结构的自然演进,供给侧结构性改革情景下严格控制煤炭消费总量,并积极推动非化石能源替代政策。因此,供给侧结构性改革情景下2050年的非化石能源消费占比将达到43.30%,较参考情景上升了约16.80%。
图6 不同情景下中国能源平衡

Figure 6 China's energy balance under different scenarios

考察期内,中国绝大多数终端部门的能源消费呈现稳步增长趋势。其中,工业部门能源消费最多,交通运输业次之,参考情景下二者的年度消费量之和最高可达到年度总能源消费的79.19%。随着中国新型城镇化进程的持续推进,商业及服务业部门与城镇居民部门等终端部门的能源消费量不断增大。相较于参考情景,供给侧结构性改革情景实现了从生产方式到生活方式的全面变革。所有的终端部门中非化石能源的消费占比均有所提高,商业及服务业部门和城镇居民部门等终端部门的能源消费结构将转变为以天然气和非化石能源等清洁能源为主。
（2）政策工具对各终端部门碳排放的影响
如图7所示,中国的碳排放主要集中在工业和交通运输业等终端部门,这两大终端部门对中国碳排放的贡献率预计可达到80.00%,并保持相对稳定。由于中国现代产业体系的不断优化,基于对整个考察期内的时间序列分析发现：商业及服务业对于中国碳排放的贡献率呈持续上升状态,参考情景下由2020年的8.66%上升至2050年的10.99%。相对于参考情景而言,供给侧结构性改革情景下商业及服务业的碳排放贡献率更大,其2050年的贡献率将达到13.68%。此外,由于中国新型城镇化进程的推进,城镇居民对于中国碳排放的贡献呈现出稳中有升的趋势。
图7 不同情景下中国不同终端部门碳排放贡献率

Figure 7 Carbon emission contributions of different end-use sectors under different scenarios

工业和交通运输业等终端部门是中国最主要的碳排放部门,因此,研究其碳强度的发展轨迹,制定“成本-有效性”的产业政策,能够推动中国碳排放尽早达峰。如表4所示,考察期内,所有情景下终端部门的碳强度均平稳下降,但其降低的幅度则具有明显的差异。其中,工业和交通运输业等终端部门是中国最主要的碳排放部门,也是碳强度最高的部门。即使在供给侧结构性改革情景下,工业部门2050年的碳强度较2020年也仅下降了64.32%。而相同的情景下,农业部门,和商业及服务业部门等终端部门的碳强度则下降了80.00%以上。因此,应把工业作为推动中国尽早达峰的重点领域,限制钢铁、建材等高耗能产业的发展,促进能源资源向工业高技术、高效率、高附加值领域转移。此外,不断优化交通运输结构,构建绿色低碳交通运输体系对于尽早实现中国碳达峰也具有重要意义。
表4 不同情景下中国不同终端部门碳强度（tC/万美元）

Table 4 Carbon intensity of China's end-use sectors under different scenarios (tC/104USD)

终端部门 基准年 参考情景 碳排放约束情景 供给侧结构性改革情景
2020年 2030年 2050年 2030年 2050年 2030年 2050年
农业 0.44 0.33 0.21 0.32 0.14 0.29 0.13
工业 3.69 2.55 1.70 2.40 1.31 2.24 0.98
建筑业 0.45 0.32 0.17 0.30 0.10 0.33 0.10
交通业 3.63 2.74 1.93 2.65 1.34 2.55 1.23
商业及服务业 0.29 0.18 0.08 0.17 0.05 0.17 0.05

4.4 政策工具的减排效应

相对于参考情景而言,碳排放约束情景和供给侧结构性改革情景下,考察期内的碳排放增速显著降低,减排效果显著。此外,碳排放约束情景和供给侧结构性改革情景下的能源强度和碳强度均在逐步下降,碳排放约束情景下的碳排放强度由2020年的1.73 tC/万美元分别下降至2030年的1.08 tC/万美元和2050年的0.45 tC/万美元,比参考情景下降了2.34%和24.31%。而供给侧结构性改革情景下的碳排放强度则分别下降至2030年的0.99 tC/万美元和0.35 tC/万美元,比参考情景下降了10.26%和39.72%。在保持经济平稳增长的前提下,模拟碳强度的变化对制定“成本-有效性”的能源气候政策将产生十分重要的作用。
值得注意的是,碳排放约束情景下的碳排放路径模拟距离INDC目标存在一定差距,说明仅采用单位GDP能耗控制这一政策工具尚不能完成中国碳排放2030年达峰的承诺,而基于目标责任制通过控制能源消费总量倒逼经济结构转型,则可为完成碳达峰目标约束任务提供新的行政手段。供给侧结构性改革情景下的碳达峰路径可基本实现INDC目标,其2050年的温度较工业化前水平升高1.76 ℃,因此,对IPCC提出的更为严苛的全球1.5 ℃温升目标,需要强化政策导向,进一步优化产业结构、区域结构和能源结构,以获得更好的减排效果。

5 结论与政策建议

5.1 结论

本文通过耦合RICE模型和LEAP模型,构建了包含中国终端部门的新型综合评估模型,并设置参考情景、碳排放约束情景和供给侧结构性改革情景等3个动态情景,以模拟中国未来的碳排放的达峰路径及全球气候变化趋势。本文主要发现总结如下：
（1）在强有力的政策支持下,中国未来能源消费及碳排放的增长趋势可以得到有效控制。中国能源相关碳排放总量发展轨迹在3个动态情景中均呈现“倒U型”曲线,其中,碳排放约束情景下,中国能源相关的碳排放将于2033年达峰;而供给侧结构性改革情景下中国碳排放将实现2030年前达峰,且峰值水平将进一步降低。
（2）中国2030年碳达峰目标实现的关键终端部门是工业和交通运输业等终端部门。二者的碳排放贡献预计可达到80%,并在考察期内保持相对稳定。此外,相较于农业部门,和商业及服务业部门等终端部门的碳强度下降趋势,工业和交通运输业等碳排放密集型行业的碳强度下降进程较为平缓。
（3）以化石能源为主导的能源消费结构在未来仍将持续一段时间。相较于参考情景和碳排放约束情景,供给侧结构性改革情景下的能源消费结构将进一步优化,天然气和非化石能源等清洁能源的消费份额将在2050年达到60%以上。在该情景下的所有终端部门中,非化石能源的消费占比均有所提高,商业及服务业部门和城镇居民部门等终端部门的能源消费结构将转变为以天然气和非化石能源等清洁能源为主。

5.2 政策建议

鉴于此,中国应尽快制定出可持续的碳达峰战略,明确工作重点,主要包括：
（1）协同经济增长、能源消费、气候变化的演进路径,多要素治理实现中国碳排放尽早达峰。区别于已有研究从单一要素或单一视角对中国碳达峰目标进行独立分析或讨论,本文从系统视角证明,中国碳达峰路径会受到经济结构、技术进步、能源强度与能源结构等要素的综合作用。因此,必须打破中国当前高碳发展模式、产业结构体系、能源技术路径以及能源消费行为的“锁定”效应,分别实现产业、能源的结构性优化以及生产、消费的模式化变革。
（2）强化政策导向,落实能源消费总量和强度“双控”目标,以推动形成经济转型升级的倒逼机制。通过单位GDP能源强度能耗控制对碳排放进行约束,能够使中国碳排放较参考情景提前达峰,但并不能满足INDC目标,说明单一行政手段的碳减排效果有限。因此,中国的节能目标应由单一的强度约束转向总量和强度“双控”约束：2030年单位GDP能耗比2020年降低27.40%,同时将能源消费总量控制在6.64 Gtce。
（3）加快降低碳密集的行业占比。一方面,要加大产业“退二进三”的力度,大力发展商业及服务业。为实现INDC目标达峰任务,商业及服务业增加值占比应该在2030年至少提升至55.60%,在2050年前提升至66.80%。另一方面,大力推进产业结构内部行业结构和产品结构的调整与优化,进而有效降低产业体系中能源碳排放密度。
（4）加快实现能源结构从煤炭为主转向非化石能源为主、化石能源清洁化利用并存的深度调整。为保证2030年INDC目标的顺利达成,2030年非化石能源消费占比至少达到26.49%,2050年至少达到45.30%。在此基础上,仍需提高煤炭清洁化利用水平。考察期内,工业部门的能源消费总量将保持稳定,而上升动力主要源自交通运输业和居民消费等需求调节性较强的终端部门,因此,加大非化石能源在这两个终端部门的消费占比对于实现碳排放尽早达峰至关重要。

参考文献

原文顺序 | 文献年度倒序 | 文中引用次数倒序
[1]
国际能源署. 世界能源展望2019[R/OL].(2019-11-13) [2020-09-15]. https://www.iea.org/reports/world-energy-outlook-2019.

[ International Energy Agency. World Energy Outlook 2019[R/OL].(2019-11-13) [2020-09-15]. https://www.iea.org/reports/world-energy-outlook-2019.]

[2]
中国政府网. 中美气候变化联合声明[EB/OL]. ( 2014- 11- 125) [2020-09-15]. http://politics.people.com.cn/n/2014/1112/c70731-26010508.html.

[China Government Website. Joint U.S.-China Statement on Climate Change[EB/OL]. (2013-04-13) [2020-09-15].http://politics.people.com.cn/n/2014/1112/c70731-26010508.html .]

[3]
国家发改委. 强化应对气候变化行动: 中国国家自主贡献 [N/OL]. ( 2015- 11- 18) [2018-04-07].

[National Development Reform Commission. Strengthening Climate Change Adaptation: China's National Determined Contributions [N/OL]. (2015-11-18) [2018-04-07]. http://www.scio.gov.cn/xwfbh/xwbfbh/wqfbh/2015/20151119/xgbd33811/Document/1455864/-1455864.htm .]

[4]
国务院. “十三五”控制温室气体排放工作方案[EB/OL]. ( 2016- 10- 27) [2020-09-15].

[The State Council. 13th Five Year Plan for Controlling Greenhouse Gas Emissions[EB/OL]. (2016-10-27) [ 2020-09-15]. http://www.gov.cn/zhengce/content/2016-11/04/content_5128619.htm .]

[5]
Kearns J, Teletzke G, Palmer J, et al. Developing a consistent database for regional geologic CO2 storage capacity worldwide[J]. Energy Procedia, 2017,114:4697-4709.

DOI

[6]
MacCracken C N, Edmonds J, Kim S H, et al. The economics of the Kyoto Protocol[J]. The Energy Journal, 1999,20:25-72.

[7]
Ciarli T, Savona M. Modelling the evolution of economic structure and climate change: A review[J]. Ecological Economics, 2019,158:51-64.

DOI

[8]
Weyant J. Some contributions of integrated assessment models of global climate change[J]. Review of Environmental Economics and Policy, 2017,11(1):115-137.

DOI

[9]
Nordhaus W D. Rolling the 'DICE': An optimal transition path for controlling greenhouse gases[J]. Resource and Energy Economics, 1993,15:27-50.

DOI

[10]
Nordhaus W D, Yang Z L. A regional dynamic general-equilibrium model of alternative climate-change strategies[J]. The American Economic Review, 1996,86(4):741-765.

[11]
Zhao Z J, Chen X T, Liu C Y, et al. Global climate damage in 2 °C and 1.5 °C scenarios based on BCC_SESM model in IAM framework[J]. Advances in Climate Change Research, 2020,11(3):261-272.

DOI

[12]
Olivier B, Kelly B, Camille F. Will adaptation delay the transition to clean energy systems? An analysis with AD-MERGE[J]. The Energy Journal, 2019,40(4):207-233.

[13]
Dagnachew A G, Poblete-Cazenave M, Pachauri S, et al. Integrating energy access, efficiency and renewable energy policies in sub-Saharan Africa: A model-based analysis[J]. Environmental Research Letters, 2020, DOI: 10.1088/1748-9326/abcbb9.

DOI

[14]
Pradhan B B, Shrestha R M, Limmeechokchai B, et al. Achieving the Paris Agreement's 2 degree target in Nepal: The potential role of a carbon tax[J]. Climate Policy, 2020,20(3):387-404.

DOI

[15]
Hu G X, Ma X M, Ji J P. Scenarios and policies for sustainable urban energy development based on LEAP model: A case study of a postindustrial city: Shenzhen China[J]. Applied Energy, 2019,238(S1):876-886.

DOI

[16]
Duan H B, Zhang G P, Wang S Y, et al. Robust climate change research: A review on multi-model analysis[J]. Environmental Research Letters, 2019, DOI: 10.1088/1748-9326/aaf8f9.

DOI

[17]
Carrara S, Longden T. Freight futures: The potential impact of road freight on climate policy[J]. Transportation Research Part D: Transport and Environment, 2017,55:359-372.

DOI

[18]
Wise M, Patel P, Khan Z, et al. Representing power sector detail and flexibility in a multi-sector model[J]. Energy Strategy Reviews, 2019, DOI: 10.1016/j.esr.2019.100411.

DOI

[19]
Wei Y M, Mi Z F, Huang Z M. Climate policy modeling: An online SCI-E and SSCI based literature review[J]. Omega, 2015,57:70-84.

DOI

[20]
王勇, 王恩东, 毕莹. 不同情景下碳排放达峰对中国经济的影响: 基于CGE模型的分析[J]. 资源科学, 2017,39(10):1896-1908.

[ Wang Y, Wang E D, Bi Y. Impact of a peak in carbon emissions on China's economy in different situations: Analysis based on CGE model[J]. Resources science, 2017,39(10):1896-1908.]

[21]
莫建雷, 段宏波, 范英, 等. 《巴黎协定》中我国能源和气候政策目标:综合评估与政策选择[J]. 经济研究, 2018,53(9):168-181.

[ Mo J L, Duan H B, Fan Y, et al. China's energy and climate targets in the Paris Agreement: Integrated assessment and policy options[J]. Economic Research Journal, 2018,53(9):168-181]

[22]
马丁, 陈文颖. 基于中国TIMES模型的碳排放达峰路径[J]. 清华大学学报(自然科学版), 2017,57(10):1070-1075.

[ Ma D, Chen W Y. China's carbon emissions peak path: Based on China TIMES model[J]. Journal of Tsinghua University (Science and Technology), 2017,57(10):1070-1075.]

[23]
刘俊伶, 项启昕, 王克, 等. 中国建筑部门中长期低碳发展路径[J]. 资源科学, 2019,41(3):509-520.

[ Liu J L, Xiang Q X, Wang K, et al. Mid-to long-term low carbon development pathways of China's building sector[J]. Resource Science, 2019,41(3):509-520.]

[24]
刘昌新, 王铮, 黄蕊. EMRICES: 气候变化经济学集成评估平台[M]. 北京: 科学出版社, 2016.

[ Liu C X, Wang Z, Huang R. EMRICES: Integrated Assessment Platform for Climate Change Economics[M]. Beijing: Science Press, 2016.]

[25]
Wei Y M, Han R, Wang C, et al. Self-preservation strategy for approaching global warming targets in the post-Paris Agreement era[J]. Nature Communications, 2020,11(1):1624-1637.

DOI

[26]
Jiang K J, Chen S, He C M, et al. Energy transition, CO2 mitigation, and air pollutant emission reduction: Scenario analysis from IPAC model[J]. Natural Hazards, 2019,99:1277-1293.

DOI

[27]
佘群芝, 吴肖丽, 潘安. 气候资金对受援国碳排放的影响[J]. 资源科学, 2020,42(6):1015-1026.

[ She Q Z, Wu X L, Pan A. Effects of climate finance on carbon emissions in recipient countries[J]. Resources Science, 2020,42(6):1015-1026.]

[28]
段宏波, 朱磊, 范英. 中国碳捕获与封存技术的成本演化和技术扩散分析: 基于中国能源经济内生技术综合模型[J]. 系统工程理论与实践, 2015,35(2):333-341.

[ Duan H B, Zhu L, Fan Y. Analysis of cost and technology diffusion of carbon capture and storage for China: Based on Chinese energy economy endogenous technological model[J]. Systems Engineering: Theory and Practice, 2015,35(2):333-341.]

[29]
王铮, 吴静, 刘昌新, 等. 气候变化经济学集成评估模型[M]. 北京: 科学出版社, 2015.

[ Wang Z, Wu J, Liu C X, et al. Integrated Assessment Model of Climate Change Economics[M]. Beijing: Science Press, 2015.]

[30]
Duan H B, Zhang G P, Wang S Y, et al. Integrated benefit-cost analysis of China's optimal adaptation and targeted mitigation[J]. Ecological Economics, 2019,160:76-86.

DOI

[31]
Cai Y Y, Lontzek Thomas-S. The social cost of carbon with economic and climate risks[J]. Journal of Political Economy, 2019,127(6):2684-2734.

DOI

[32]
Chen Y D, Guo F, Wang J C, et al. Provincial and gridded population projection for China under shared socioeconomic pathways from 2010 to 2100[J]. Scientific Data, 2020,7(1):83-96.

DOI

[33]
龚瑶, 严婷. 技术冲击、碳排放与气候环境: 基于DICE模型框架的模拟[J]. 中国管理科学, 2014,22:801-809.

[ Gong Y, Yan T. Technology impack, carbon emissions and climate environment based on economy and climate simulation: In the framework of DICE model[J]. Chinese Journal of Management Science, 2014,22:801-809.]

[34]
Nordhaus W D. Economic aspects of global warming in a post-Copenhagen environment[J]. Proceedings of the National Academy of Sciences, 2010,107(26):11721-11726.

DOI

[35]
Nordhaus W D. Revisiting the social cost of carbon[J]. Proceedings of the National Academy of Sciences, 2017,114(7):1518-1523.

DOI

[36]
Chen X, Nordhaus W D. VIIRS nighttime lights in the estimation of cross-sectional and time-series GDP[J]. Remote Sensing, 2019, DOI: 10.3390/rs11091057.

DOI

[37]
国际能源署. 世界能源展望: 中国特别报告[R/OL].(2017-12-08) [2020-11-15]. https://www.iea.org/reports/world-energy-outlook-2017 .

[ International Energy Agency. World Energy Outlook: China Special Report[R/OL].(2017-12-08) [2020-09-15]. https://www.iea.org/reports/world-energy-outlook-2017 .]

[38]
马丁, 陈文颖. 中国2030年碳排放峰值水平及达峰路径研究[J]. 中国人口·资源与环境, 2016,26(5):1-4.

[ Ma D, Chen W Y. Analysis of China's 2030 carbon emission peak level and peak path[J]. China Population, Resources and Environment, 2016,26(5):1-4.]

[39]
中国石油经济技术研究院. 2050 年世界与中国能源展望(2019版)[R/OL]. (2019-08-22) [2020-09-15]. https://mp.weixin.qq.com/s/SMYndf-G9ZKNiy9UjrxyTw .

[China Petroleum Institute of Economics and Technology. Energy Outlook of the World and China in 2050(2019)[R/OL].(2019-08-22) [2020-09-15].https://mp.weixin.qq.com/s/SMYndf-G9ZKNiy9UjrxyTw .

Options
文章导航

/

〈 〉