李 飛,董 瓏,孔少杰,屈志光,郭錦媛,周媛媛,歐昌宏

我國(guó)省域CO2-PM2.5-O3時(shí)空關(guān)聯(lián)效應(yīng)與協(xié)同管控對(duì)策

李 飛*,董 瓏,孔少杰,屈志光,郭錦媛,周媛媛,歐昌宏

(中南財(cái)經(jīng)政法大學(xué)信息與安全工程學(xué)院,環(huán)境與健康研究中心,湖北 武漢 430073)

首先分析了2015～2019年我國(guó)省域CO2排放量和大氣PM2.5、O3污染濃度的時(shí)空特征及三者變化量之間的關(guān)聯(lián)效果.而后利用排放因子法編制2011～2019年各省CO2和PM2.5、O3前體物的排放清單,結(jié)合STIRPAT模型分情景預(yù)測(cè)了CO2和PM2.5、O3前體物的協(xié)同效應(yīng),并建立評(píng)級(jí)體系識(shí)別重點(diǎn)管控區(qū)域并對(duì)其開展分部門的協(xié)同效應(yīng)解析,最后提出分級(jí)協(xié)同管控對(duì)策.研究結(jié)果表明,53%的省份CO2減排與PM2.5濃度下降之間不存在關(guān)聯(lián)效果,87%的省份CO2減排與O3濃度下降之間不存在關(guān)聯(lián)效果.2012～2014年我國(guó)CO2與PM2.5具有協(xié)同效應(yīng),而2015～2019年則不具有該效應(yīng),另多數(shù)研究年份CO2與O3前體物具有協(xié)同效應(yīng),但并未出現(xiàn)減污降碳協(xié)同效應(yīng).基于協(xié)同效應(yīng)系數(shù)分析,低碳情景下達(dá)到協(xié)同效應(yīng)的省份多于基準(zhǔn)情景.根據(jù)評(píng)級(jí)體系將所研究的省份分為4級(jí)管控區(qū)域,“Ⅰ級(jí)管控區(qū)域”各部門應(yīng)優(yōu)先考慮CO2和PM2.5的協(xié)同減排,“Ⅱ級(jí)管控區(qū)域”各部門應(yīng)優(yōu)先考慮CO2和O3的協(xié)同減排,建議各部門參照低碳情景發(fā)展,“Ⅰ、Ⅱ級(jí)管控區(qū)域”需合理調(diào)控人口和城鎮(zhèn)化率,優(yōu)化能源結(jié)構(gòu)等.

減污降碳；協(xié)同效應(yīng)；時(shí)空特征；STIRPAT模型；分級(jí)管控；PM2.5；O3

自2013年以來,中國(guó)先后采取《大氣污染防治行動(dòng)計(jì)劃》、《打贏藍(lán)天保衛(wèi)戰(zhàn)三年行動(dòng)計(jì)劃》等多項(xiàng)措施有效地改善了大氣污染狀況,提高了空氣質(zhì)量,但截止2021年,全國(guó)仍有近30%的城市PM2.5平均濃度超標(biāo),我國(guó)PM2.5污染問題仍然嚴(yán)峻.同時(shí),根據(jù)《2021中國(guó)生態(tài)環(huán)境狀況公報(bào)》,我國(guó)處于O3超標(biāo)污染的天數(shù)占總污染超標(biāo)天數(shù)的34.7%,僅次于PM2.5超標(biāo)污染39.7%的占比[1],O3污染也成為另一重點(diǎn)大氣環(huán)境問題.此外全球氣候形勢(shì)嚴(yán)峻,為應(yīng)對(duì)全球氣候變暖,我國(guó)政府于2020年提出“雙碳目標(biāo)”彰顯了大國(guó)擔(dān)當(dāng)[2].鑒于CO2排放與大氣污染排放具有同根同源、相互作用的關(guān)聯(lián)屬性,因此具備實(shí)現(xiàn)局地大氣污染物與CO2協(xié)同減排的較大潛力.

“協(xié)同控制”由IPCC提出,即為獲得溫室氣體和大氣污染物減排協(xié)同效應(yīng)采取的管控措施.隨著相關(guān)研究的深入,越來越多的學(xué)者基于建立的減污降碳協(xié)同作用模型來評(píng)估協(xié)同治理措施成效,以得到合理的協(xié)同減排路徑.如Liu等[3]和Wang等[4]基于協(xié)同治理模型探索了大氣污染物與溫室氣體的協(xié)同減排路徑.然而,上述研究多集中于對(duì)傳統(tǒng)大氣污染物(SO2、PM2.5、NO等)與CO2的協(xié)同效應(yīng)的分析,而近年來O3污染日益凸顯,故亟需探索CO2、PM2.5和O3三者之間的協(xié)同效應(yīng).另有學(xué)者對(duì)建立CO2排放清單[5-7]與大氣污染物排放清單[8-9]進(jìn)行了研究,為本文編制CO2、PM2.5和O3前體物排放清單提供了良好基礎(chǔ).此外,也有不少學(xué)者的研究是基于STIRPAT模型對(duì)CO2與典型大氣污染物排放量的預(yù)測(cè),如羅紅成等[10]和劉茂輝等[11]基于該模型分別預(yù)測(cè)了湖北省和天津市“十四五”期間的溫室氣體與大氣污染物排放量.STIRPAT模型克服了傳統(tǒng)模型中因素以相同彈性影響環(huán)境的不足,能同時(shí)比較不同因素對(duì)環(huán)境的影響水平,并能根據(jù)研究?jī)?nèi)容對(duì)環(huán)境影響因素進(jìn)行適當(dāng)分解,增強(qiáng)模型的分析能力,已被廣泛應(yīng)用于大氣污染物和碳排放的預(yù)測(cè)[12-13],為本文預(yù)測(cè)“碳達(dá)峰”情景下CO2排放和典型大氣污染物排放提供了理論工具.綜上,目前對(duì)CO2和典型大氣污染物的研究雖相對(duì)豐富,但缺乏對(duì)我國(guó)省域CO2和PM2.5、O3三者協(xié)同效應(yīng)的分析,難以識(shí)別三者協(xié)同效應(yīng)在多層次尺度和未來情景下的特征,也就無法制定區(qū)域差異化協(xié)同管控對(duì)策并實(shí)現(xiàn)科學(xué)且高效的協(xié)同管控.

面對(duì)上述問題,本研究首先量化解析了2015～2019年我國(guó)省級(jí)CO2排放量和大氣PM2.5、O3污染濃度的時(shí)空特征和下降量關(guān)聯(lián)效果.其次為提高模型預(yù)測(cè)的精準(zhǔn)度[14-15],利用排放因子法編制2011～2019年各省CO2和PM2.5、O3前體物的排放清單,并量化分析CO2和PM2.5、O3前體物的協(xié)同效應(yīng).然后結(jié)合STIRPAT模型分情景預(yù)測(cè)在“碳達(dá)峰”路徑下CO2和PM2.5、O3前體物的協(xié)同效應(yīng),并建立評(píng)級(jí)體系識(shí)別重點(diǎn)管控區(qū)域并開展分部門的協(xié)同效應(yīng)解析,最后設(shè)計(jì)分級(jí)協(xié)同管控對(duì)策.根據(jù)區(qū)域分級(jí)情況和各部門協(xié)同效應(yīng)分析,能夠針對(duì)重點(diǎn)區(qū)域和部門提出協(xié)同管控對(duì)策,以期為政府部門關(guān)于區(qū)域減污降碳的高效管理與優(yōu)化決策提供理論支撐.

1 材料與方法

1.1 數(shù)據(jù)來源

表1 能源消費(fèi)部門分類情況

續(xù)表1

序號(hào)社會(huì)經(jīng)濟(jì)部門分類 41運(yùn)輸、儲(chǔ)存、郵政和電信服務(wù)服務(wù)業(yè) 42批發(fā)、零售、貿(mào)易、餐飲服務(wù) 43其他服務(wù)部門 44農(nóng)業(yè)、林業(yè)、畜牧業(yè)、漁業(yè)、水利等方面農(nóng)業(yè)、建筑業(yè)、家居 45建筑部門 46城市居民能源使用 47農(nóng)村居民能源使用

本文以2011～2019年我國(guó)30個(gè)省、自治區(qū)和直轄市(西藏、港、澳、臺(tái)資料暫缺)為研究對(duì)象,涉及的能源種類包括原煤、洗精煤、其他洗煤、型煤、焦炭、焦?fàn)t煤氣、其他煤氣、其他焦化產(chǎn)品、原油、汽油、煤油、柴油、燃料油、天然氣與其他石油產(chǎn)品共15種.能源消費(fèi)數(shù)據(jù)來源于中國(guó)碳核算數(shù)據(jù)庫(CEADs),并將該數(shù)據(jù)與國(guó)家統(tǒng)計(jì)局和各省統(tǒng)計(jì)局《2011～2019年中國(guó)能源統(tǒng)計(jì)年鑒》進(jìn)行驗(yàn)證,確保其準(zhǔn)確性.人口、城鎮(zhèn)化率、地區(qū)生產(chǎn)總值、產(chǎn)業(yè)結(jié)構(gòu)、能源強(qiáng)度和能源結(jié)構(gòu)數(shù)據(jù)來源于國(guó)家統(tǒng)計(jì)局和各省統(tǒng)計(jì)局《2011～2019年統(tǒng)計(jì)年鑒》.為識(shí)別各部門相關(guān)情況,參照Shan等[16]研究將能源部門分為重工業(yè)、能源生產(chǎn)、輕工業(yè)、服務(wù)業(yè)和農(nóng)業(yè),建筑業(yè),家居5個(gè)部門,如表1所示.

2015～2019年O3和PM2.5的濃度數(shù)據(jù)來自于中國(guó)生態(tài)環(huán)境部發(fā)布的全國(guó)空氣質(zhì)量日?qǐng)?bào)(http://www. mee.gov.cn/),該部門于2015年1月1日起實(shí)時(shí)發(fā)布全國(guó)338個(gè)地級(jí)及以上城市1436個(gè)國(guó)控監(jiān)測(cè)站點(diǎn)包括PM2.5和O3在內(nèi)六項(xiàng)指標(biāo)實(shí)時(shí)數(shù)據(jù),因此本研究PM2.5、O3污染濃度的時(shí)空特征從2015年開始,從中計(jì)算30個(gè)省2015～2019年P(guān)M2.5的年均值和O3日最大8h平均值的年均值.基于環(huán)境保護(hù)部發(fā)布的《環(huán)境空氣質(zhì)量評(píng)估技術(shù)規(guī)范》(HJ663–2013)[17],城市大氣PM2.5與O3的年評(píng)價(jià)分別采用年均值(AM)和日最大8h平均第90百分位數(shù)(MDA8-90%)濃度 值.

1.2 時(shí)空關(guān)聯(lián)效應(yīng)

本文的時(shí)空關(guān)聯(lián)效應(yīng)包括兩層含義,一是CO2-PM2.5-O3的時(shí)空特征,反映在CO2-PM2.5-O3研究期間內(nèi)的空間自相關(guān)特征;二是CO2減排量和PM2.5、O3濃度下降量的關(guān)聯(lián)效應(yīng),反映在省級(jí)CO2減排量與PM2.5、O3濃度下降量自身是否存在關(guān)聯(lián)效應(yīng).

1.2.1 空間自相關(guān) 全局莫蘭指數(shù)是最常用分析空間自相關(guān)的方法.Moran’s計(jì)算如下:

式中:為監(jiān)測(cè)省份數(shù)量;x和x分別為省份和的不同觀測(cè)值;為空間權(quán)重矩陣.

全局莫蘭指數(shù)只能判斷是否存在聚集現(xiàn)象,而無法反映聚集是高值還是低值組成[18].因此需要利用冷熱點(diǎn)分析,計(jì)算如下:

1.2.2 關(guān)聯(lián)效應(yīng) 本文的關(guān)聯(lián)效應(yīng)分為兩種:一是正向的關(guān)聯(lián)效果,即CO2減排量與PM2.5、O3濃度下降量的關(guān)聯(lián)效果;二是負(fù)向的關(guān)聯(lián)效果,即CO2增排量與PM2.5、O3濃度增加量的關(guān)聯(lián)效果.以橫軸為CO2減排量、縱軸為PM2.5或O3濃度下降量建立坐標(biāo)系對(duì)各省進(jìn)行劃分,第一象限為該省份CO2減排量與PM2.5、O3濃度下降量存在關(guān)聯(lián)效果,第三象限為該省份CO2增排量與PM2.5、O3濃度增加量存在關(guān)聯(lián)效果,第二、四象限則為該省份CO2與PM2.5、O3不具有關(guān)聯(lián)效果.CO2減排量與PM2.5、O3濃度下降量利用《中國(guó)城市二氧化碳和大氣污染協(xié)同管理評(píng)估報(bào)告》中的方法計(jì)算,核算公式如下:

1.3 CO2、PM2.5和O3排放量核算方法

參考《IPCC國(guó)家溫室氣體排放清單》及《省級(jí)溫室氣體清單編制指南》中碳排放的核算內(nèi)容和方法[19-20],本文對(duì)CO2排放量的核算公式如下:

式中:c為CO2排放量,kg;為能源品種;A為能源的消費(fèi)量,kg; LCV為平均低位發(fā)熱值,kJ/kg; CC為單位熱值碳含量,tC/TJ; COR為碳氧化率.

目前尚缺乏O3排放清單的相關(guān)研究,而NO和VOCs是O3的主要前體物,兩者協(xié)同減排能改善O3污染[21-22],因此本文探索用NO和VOCs排放量來代替O3與CO2、PM2.5進(jìn)行協(xié)同效應(yīng)分析.參考Liu等[23]基于排放因子核算大氣污染物排放量的方法,PM2.5、NO、VOCs的核算公式如下:

式中:E為污染物排放量,kg;為能源的消費(fèi)量,t; EF為排放因子,kg/t;為污染物去除效率,%;分別代表污染物類型、能源品種、省(直轄市、自治區(qū)).PM2.5排放因子參考Zheng等[24]和Huang等[25]的研究,NO排放因子參考大氣污染物排放清單編制手冊(cè)[26]以及Liu等[27]和Bai等[28]的研究,VOCs排放因子參考余宇帆等[29]和陳穎等[30]的研究.

1.4 協(xié)同效應(yīng)系數(shù)

減污降碳協(xié)同效應(yīng)系數(shù)可以定量描述溫室氣體與大氣污染的協(xié)同減排效應(yīng),常用的協(xié)同系數(shù)是減排量交叉彈性系數(shù)[31],核算公式如下:

1.5 STIRPAT模型

為克服IPAT等式各因素等比例影響環(huán)境壓力的不足,York等[32]基于IPAT等式,構(gòu)建了STIRPAT模型,其表達(dá)式為:

式中:為常數(shù);為指數(shù)項(xiàng);為誤差項(xiàng).

參考潘棟等[33]和黃莘絨等[34]的分析,將人口()和城鎮(zhèn)化率()看作人口要素,將地區(qū)生產(chǎn)總值()和產(chǎn)業(yè)結(jié)構(gòu)(IS)看作富裕程度要素,將能源強(qiáng)度(EI)和能源結(jié)構(gòu)(ES)看作技術(shù)水平要素,得到拓展的STIRPAT模型,為消除模型中可能存在的異方差,將所有變量進(jìn)行對(duì)數(shù)化處理,模型最終擴(kuò)展形式如下:

式中:為典型大氣污染物排放量或CO2排放量,t;為彈性系數(shù); ln作為常數(shù)項(xiàng); ln作為誤差項(xiàng),變量描述如表2所示.

在使用STIRPAT模型研究大氣污染或溫室氣體排放時(shí),構(gòu)建的多元線性回歸模型易產(chǎn)生多重共線的問題,而嶺回歸法能消除多重共線性的影響,使回歸結(jié)果更有效[35],因此本文使用嶺回歸進(jìn)行多元線性回歸模型的構(gòu)建.

表2 STIRPAT模型變量

1.6 情景設(shè)置

在基準(zhǔn)情景下,各省具體參數(shù)值根據(jù)全國(guó)參數(shù)設(shè)定值與地區(qū)歷史發(fā)展情況調(diào)整得出.人口設(shè)定根據(jù)《國(guó)家人口發(fā)展規(guī)劃》,同時(shí)將國(guó)家實(shí)施“二孩政策”的影響考慮在內(nèi)[36].GDP設(shè)定根據(jù)我國(guó)“十四五”規(guī)劃中對(duì)經(jīng)濟(jì)增長(zhǎng)做出的定性表述,參考了國(guó)家經(jīng)濟(jì)發(fā)展規(guī)劃和《中國(guó)能源展望2030》的設(shè)定[37].城鎮(zhèn)化率設(shè)定根據(jù)“十四五”規(guī)劃以及袁方成對(duì)我國(guó)2016～2030年城鎮(zhèn)化進(jìn)程的預(yù)測(cè)研究[38].產(chǎn)業(yè)結(jié)構(gòu)的變化根據(jù)“十四五”規(guī)劃和2035年遠(yuǎn)景目標(biāo)綱要中指出的第二產(chǎn)業(yè)結(jié)構(gòu)化升級(jí)與目標(biāo)設(shè)定.能源結(jié)構(gòu)和能源強(qiáng)度均參照我國(guó)“十四五”規(guī)劃和劉彥迪對(duì)我國(guó)2022～2030年能源強(qiáng)度年均增長(zhǎng)率的研究來設(shè)定其變化率[39].在低碳情景下,需要進(jìn)一步調(diào)整能源結(jié)構(gòu)、能源強(qiáng)度和產(chǎn)業(yè)結(jié)構(gòu)來降低我國(guó)大氣污染物和CO2排放量.但考慮到國(guó)家及地方在實(shí)施節(jié)能減排政策時(shí),勢(shì)必會(huì)對(duì)經(jīng)濟(jì)社會(huì)發(fā)展帶來影響,因?yàn)楣?jié)能減排會(huì)減少化石能源投入、將我國(guó)產(chǎn)業(yè)由第二產(chǎn)業(yè)主導(dǎo)轉(zhuǎn)向第三產(chǎn)業(yè)主導(dǎo)模式,所以人口、經(jīng)濟(jì)和城鎮(zhèn)化率年均變化率也需進(jìn)行適當(dāng)調(diào)整,使得我國(guó)能在2030年前實(shí)現(xiàn)碳達(dá)峰[40-41],參考王勇等[42]和鄧小樂等[43]研究的設(shè)定,具體參數(shù)見表3.

表3 基準(zhǔn)情景與低碳情景各省各因素變化率設(shè)置

注:負(fù)號(hào)代表各因素年均下降率.

2 結(jié)果與討論

2.1 CO2排放量與PM2.5、O3濃度的空間自相關(guān)分析

2.1.1 全局空間自相關(guān)檢驗(yàn) 為分析我國(guó)30個(gè)省份CO2排放量、大氣PM2.5和O3濃度的空間集聚性,對(duì)CO2排放量、PM2.5和O3(MDA8-90%)的年均值濃度的空間集聚效應(yīng)進(jìn)行檢驗(yàn),檢驗(yàn)結(jié)果如表4所示.2015～2019年CO2排放量的Moran’s為正且Z值均大于1.96,表明在95%置信度下CO2排放量具有空間正相關(guān).2015～2019年P(guān)M2.5與O3的Moran’s也為正且值均大于2.58,表明在99%置信度下各省PM2.5和O3的污染均具有空間正相關(guān).研究期間CO2和PM2.5的Moran’s值波動(dòng)較小,表明CO2排放量和PM2.5濃度集聚特征較穩(wěn)定,而O3濃度相比于2015年,Moran’s值有大幅的上升,表明省份間O3濃度的集聚特征顯著增強(qiáng).

2.1.2 冷熱點(diǎn)分析 為進(jìn)一步探討CO2排放量、PM2.5與O3濃度是高值聚集還是低值聚集,繪制了30個(gè)省CO2排放、PM2.5和O3年均值濃度的冷點(diǎn)和熱點(diǎn)區(qū)域分布圖(圖1).結(jié)合PM2.5和O3的冷熱點(diǎn)區(qū)域空間分布圖,進(jìn)一步分析可知:2015～2019年P(guān)M2.5和O3年均值濃度均呈現(xiàn)空間聚集特征,冷點(diǎn)和熱點(diǎn)區(qū)域分布大致相同,城市集群具有較強(qiáng)的聚集效應(yīng).此外,PM2.5和O3的熱點(diǎn)區(qū)域分布大致相同,主要覆蓋華北平原全境,包括北京、天津、河北、河南、山東、江蘇和安徽,向南延伸至長(zhǎng)江中下游平原區(qū)域,包括安徽、江蘇、上海,向西以汾渭平原為界.而CO2排放的熱點(diǎn)區(qū)域集中在東部的北京、天津、河北、山東和江蘇,這與PM2.5和O3的熱點(diǎn)區(qū)域有較大空間特征差異,故需對(duì)CO2減排量和PM2.5、O3濃度下降量的協(xié)同效果進(jìn)一步評(píng)估.

表4 2015～2019年空間自相關(guān)檢驗(yàn)

2.1.3 CO2減排量與PM2.5、O3濃度下降關(guān)聯(lián)效果 在計(jì)算得出2015～2019年CO2減排量與PM2.5、O3濃度下降量的基礎(chǔ)上,結(jié)合散點(diǎn)圖,進(jìn)一步對(duì)CO2與PM2.5、O3關(guān)聯(lián)效果進(jìn)行評(píng)價(jià).圖2a顯示了CO2減排量與PM2.5濃度下降量的關(guān)聯(lián)效果,可以看出14個(gè)省份位于第一象限,說明這14個(gè)省份較好地實(shí)現(xiàn)了CO2減排量和PM2.5下降量的關(guān)聯(lián)效果,其中河南和浙江離原點(diǎn)最遠(yuǎn),說明關(guān)聯(lián)效果最好.而超過一半的省份位于第二象限,說明了這些省份并未呈現(xiàn)CO2減排量和PM2.5下降量的關(guān)聯(lián)效果.從圖2b CO2減排量與O3濃度下降量的協(xié)同效果可知,上海、北京、吉林、重慶4省份位于第一象限,說明這些省的CO2減排量與O3濃度下降量表現(xiàn)出關(guān)聯(lián)性,但減排和下降的力度都相對(duì)較小,其余87%的省份CO2減排與O3濃度下降之間尚不存在關(guān)聯(lián)效果.因此,為進(jìn)一步探究“碳達(dá)峰”路徑下三者的協(xié)同效應(yīng),亟需建立CO2和大氣污染物PM2.5和O3前體物的排放清單,以探索三者排放量的時(shí)空特征及部門貢獻(xiàn),為實(shí)現(xiàn)省級(jí)減污降碳協(xié)同增效優(yōu)化目標(biāo)提供科學(xué)依據(jù).

圖1 2015～2019年中國(guó)CO2排放量和PM2.5、O3濃度冷熱點(diǎn)空間分布

審圖號(hào):GS(2019)1822;臺(tái)灣省、西藏自治區(qū)、香港、澳門特別行政區(qū)資料暫缺,下同

圖2 CO2減排量與PM2.5濃度下降量和O3濃度下降量關(guān)聯(lián)效果

2.2 CO2、PM2.5和O3前體物排放量的時(shí)空特征

圖3 2011～2019年中國(guó)CO2和典型大氣污染物排放量變化趨勢(shì)

2011～2019年中國(guó)CO2、PM2.5、NO和VOCs排放總量變化趨勢(shì)如圖3所示.可以看出,自2011年以來,中國(guó)每年CO2排放量都超過100億t,呈逐年增長(zhǎng)的趨勢(shì),在2018和2019年CO2排放量均超過了110億t,可見對(duì)于CO2減排仍是艱巨的任務(wù).我國(guó)PM2.5排放量在2011～2012年有略微的增長(zhǎng),且都高于1200萬t,而2012年以后PM2.5排放量呈現(xiàn)逐年降低的趨勢(shì),且PM2.5排放量從1200萬t以上降至1000萬t以下,下降程度顯著,這表明了中國(guó)歷年來的大氣污染防治行動(dòng)不僅有效且成效顯著.2011～ 2019年中國(guó)NO年排放量在1300～1500萬t之間波動(dòng),而我國(guó)2011～2019年VOCs年排放量逐年遞增且均超過2000萬t,超過了PM2.5、NO的排放量,已成為目前我國(guó)大氣污染的主要來源.

2011～2019年中國(guó)各部門CO2、PM2.5、NO和VOCs排放量的貢獻(xiàn)率如圖4所示.各部門對(duì)CO2排放貢獻(xiàn)率由高到低依次為:重工業(yè)>能源生產(chǎn)>服務(wù)業(yè)>農(nóng)業(yè),建筑業(yè),家居>輕工業(yè),重工業(yè)部門對(duì)CO2排放的貢獻(xiàn)率在38.7%～40.76%之間,且2019年貢獻(xiàn)率最大達(dá)到40.76%.各部門對(duì)PM2.5排放的貢獻(xiàn)率由高到低依次為:能源生產(chǎn)>重工業(yè)>農(nóng)業(yè),建筑業(yè),家居 >服務(wù)業(yè)>輕工業(yè).能源生產(chǎn)對(duì)PM2.5排放的貢獻(xiàn)率在47.9%～54.2%之間,分別在2011、2013和2019年超過50%;各部門對(duì)NO排放的貢獻(xiàn)率由高到低依次為:重工業(yè)>能源生產(chǎn)>服務(wù)業(yè)>農(nóng)業(yè),建筑業(yè),家居 >輕工業(yè),這與各部門對(duì)CO2排放的貢獻(xiàn)率趨勢(shì)相同.各部門對(duì)VOCs排放的貢獻(xiàn)率由高到低依次為:能源生產(chǎn)>重工業(yè)>輕工業(yè)>服務(wù)業(yè)>農(nóng)業(yè),建筑業(yè),家居.能源生產(chǎn)對(duì)VOCs排放的貢獻(xiàn)率在56.14%～ 61.31%之間,2011～2019年均達(dá)到50%以上.可見,不同部門對(duì)CO2、PM2.5和O3前體物排放量的貢獻(xiàn)率有很大差別,重工業(yè)和能源生產(chǎn)部門是主要貢獻(xiàn)部門,為深入分析CO2和PM2.5、O3前體物的協(xié)同效應(yīng),有必要開展分部門研究.

圖4 2011～2019年各部門CO2和典型大氣污染物排放量貢獻(xiàn)率

2011～2019年中國(guó)30個(gè)省各部門CO2、PM2.5、NO和VOCs排放量如圖5所示.總體來看,CO2、PM2.5、NO和VOCs的排放量主要集中在中東部地區(qū),重工業(yè)和能源生產(chǎn)部門是造成各地區(qū)排放量較高的主要部門.從省份來看,大部分省份重工業(yè)部門CO2排放量最高,尤其是一些東部地區(qū)的省份,如河北省每年重工業(yè)CO2排放量最高達(dá)到600百萬t以上,江蘇省和山東省每年達(dá)到了300百萬t以上.絕大多數(shù)省份能源生產(chǎn)部門PM2.5和VOCs排放量最高,2011年東部地區(qū)的河北省和山東省能源生產(chǎn)部門PM2.5排放量超過了40萬t,但2019年各省份PM2.5排放量明顯減少;2011年幾乎所有省份能源生產(chǎn)VOCs排放量都低于100萬t,但2019年河北省和山東省能源生產(chǎn)VOCs排放量明顯升高且都高于100萬t.絕大多數(shù)省份重工業(yè)NO排放量最高,尤其是東部地區(qū)的河北省、江蘇省、山東省重工業(yè)NO排放量高于40萬t.可見CO2、PM2.5和O3前體物存在顯著的空間集聚特征,故應(yīng)該以這些地區(qū)為重點(diǎn)推進(jìn)減污降碳協(xié)同控制.

圖5 中國(guó)30個(gè)省的部門CO2、PM2.5、NOx和VOCs排放量空間特征

2.3 CO2、PM2.5和O3前體物排放量的回歸結(jié)果

基于2011～2019年的數(shù)據(jù),CO2、PM2.5、NO和VOCs排放量的預(yù)測(cè)模型回歸結(jié)果如表5所示.由表可知,在其他條件不變時(shí),GDP每增加1%,CO2排放量平均增加0.205%,PM2.5排放量平均減少0.409%, NO排放量平均減少0.195%,VOCs排放量平均增加0.948%;人口規(guī)模每增加1%,CO2排放量平均增加3.396%,PM2.5排放量平均減少1.304%, NO排放量平均減少5.931%,VOCs排放量平均減少5.991%;能源結(jié)構(gòu)每變動(dòng)1%,即煤炭占能源消費(fèi)總量比重每增加1%,CO2排放量平均減少1.466%, PM2.5排放量平均減少1.245%,NO排放量平均減少1.976%, VOCs排放量平均增加0.884%;能源強(qiáng)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%;產(chǎn)業(yè)結(jié)構(gòu)每增加1%,CO2排放量平均減少0.286%,PM2.5排放量平均減少0.335%, NO排放量平均增加0.272%,VOCs排放量平均減少0.042%;城鎮(zhèn)化率每增加1%,CO2排放量平均減少2.464%,PM2.5排放量平均減少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、城鎮(zhèn)化率和能源結(jié)構(gòu)是CO2、PM2.5和O3前體物排放量的主要影響因素.

表5 全國(guó)CO2、PM2.5、NOx和VOCs排放影響因素系數(shù)

2.4 CO2和PM2.5、O3前體物協(xié)同效應(yīng)的時(shí)空特征與預(yù)測(cè)

圖6 2011～2019年我國(guó)CO2和PM2.5、O3前體物協(xié)同效應(yīng)

圖6顯示了我國(guó)2011～2019年CO2和PM2.5、O3前體物協(xié)同效應(yīng)的時(shí)空演變.由圖可知在2012～2014年,我國(guó)CO2和PM2.5的協(xié)同效應(yīng)系數(shù)大于0.其中在2013年CO2和PM2.5同時(shí)減排,具有減污降碳協(xié)同效應(yīng).但在2012年和2014年CO2和PM2.5排放量同時(shí)增加,因此并未出現(xiàn)減污降碳協(xié)同效應(yīng).在2015～2019年我國(guó)CO2與PM2.5的協(xié)同效應(yīng)系數(shù)小于0,表明不具有協(xié)同效應(yīng),原因是這幾年隨著大氣污染防治行動(dòng)計(jì)劃等政策的實(shí)施,空氣質(zhì)量得到良好的改善,PM2.5的排放量逐年減少,而由于經(jīng)濟(jì)的發(fā)展,對(duì)能源的消耗短時(shí)間內(nèi)不會(huì)大量縮減,所以CO2排放呈現(xiàn)緩慢的增長(zhǎng),因此會(huì)出現(xiàn)CO2和PM2.5減排不具有協(xié)同效應(yīng)的現(xiàn)象.在2012年、2014～2016年和2018～2019年我國(guó)CO2和O3前體物的協(xié)同效應(yīng)系數(shù)大于0,但這期間CO2和O3前體物同時(shí)增排,所以并未出現(xiàn)減污降碳協(xié)同效應(yīng).在2013年和2017年CO2和O3前體物之間不具有協(xié)同效應(yīng).因此,亟需設(shè)定合理情景,以推動(dòng)三者協(xié)同減排,實(shí)現(xiàn)減污降碳協(xié)同效應(yīng).

表6 2030年CO2和PM2.5、O3前體物之間的協(xié)同效應(yīng)系數(shù)

續(xù)表6

省份CO2和PM2.5CO2和O3前體物 基準(zhǔn)情景低碳情景基準(zhǔn)情景低碳情景 重慶-11.38-19.99-27.66-14.69 四川-3.00-3.701.171.05 貴州0.83-8.65-1.38-1.60 云南0.240.453.042.78 陜西1.011.430.911.23 甘肅-6.36-0.870.861.14 青海-0.381.522.482.14 寧夏-1.85-13.301.3919.67 新疆3.342.052.331.71

預(yù)測(cè)得出“碳達(dá)峰”路徑下各省CO2和PM2.5、CO2和O3前體物協(xié)同效應(yīng)系數(shù)如表6所示.總的來說,低碳情景下達(dá)到協(xié)同效應(yīng)的省份明顯多于基準(zhǔn)情景.在基準(zhǔn)情景下,吉林等一半省份的CO2和PM2.5不具有協(xié)同效應(yīng),黑龍江等12個(gè)省份的CO2和O3前體物不具有協(xié)同效應(yīng).而低碳情景下,北京由既不具有CO2和PM2.5協(xié)同效應(yīng)、也不具有CO2和O3前體物協(xié)同效應(yīng)轉(zhuǎn)變?yōu)槎季哂袇f(xié)同效應(yīng).安徽、青海由不具有CO2和PM2.5協(xié)同效應(yīng)轉(zhuǎn)變?yōu)榫哂袇f(xié)同效應(yīng).黑龍江、上海、海南由不具有CO2和O3前體物協(xié)同效應(yīng)轉(zhuǎn)變?yōu)榫哂袇f(xié)同效應(yīng).可以看出低碳情景既有利于達(dá)到CO2和PM2.5的協(xié)同性,也有利于達(dá)到CO2和O3的協(xié)同性.此外在基準(zhǔn)情景下,吉林等19個(gè)省份至少存在一種不具有協(xié)同效應(yīng)的情況,鑒于此,下文開展分級(jí)研究.

2.5 省域分級(jí)協(xié)同管控和部門管理

2.5.1 評(píng)級(jí)體系 為了更科學(xué)地篩選出協(xié)同管控區(qū),基于2011～2019年各省CO2、PM2.5與O3前體物的排放量的現(xiàn)狀以及基于預(yù)測(cè)數(shù)據(jù)計(jì)算的協(xié)同效應(yīng)系數(shù),建立了省域CO2、PM2.5與O3的分級(jí)管理體系.首先計(jì)算2011～2019年各省污染物排放總量的平均值,CO2排放量平均值為180百萬t,PM2.5排放量平均值為37萬t,O3前體物排放量平均值為121萬t.研究將CO2和污染物排放量都高于平均值的認(rèn)為高排放,否則認(rèn)為低排放,其次CO2和污染物之間協(xié)同效應(yīng)系數(shù)為正表明具有協(xié)同效應(yīng),否則不具有協(xié)同效應(yīng).具體分為4個(gè)等級(jí),如表7所示.

基于表7中的等級(jí)劃分,可得到各省相關(guān)的CO2、PM2.5、O3協(xié)同管控等級(jí)和空間分布,如圖7所示.由圖可知,兩種情景下各省的等級(jí)分布十分相似,基準(zhǔn)情景下,“Ⅰ級(jí)管控區(qū)域”為山東、河北、江蘇、廣東、山西、湖北、安徽、四川和黑龍江9省,說明這些省份的CO2、PM2.5、O3前體物排放量較高且不具有協(xié)同效應(yīng),因此對(duì)于此類區(qū)域既要關(guān)注CO2和污染物的排放,也要關(guān)注CO2和污染物之間的協(xié)同減排.“Ⅱ級(jí)管控區(qū)域”為內(nèi)蒙古、陜西、河南、湖南和遼寧5省,此類區(qū)域污染物排放量高,但是污染物之間具有協(xié)同效應(yīng).“Ⅲ級(jí)管控區(qū)域”為重慶、貴州、甘肅、青海、寧夏、海南、江西、吉林、北京和上海10省.“Ⅳ級(jí)管控區(qū)域”為廣西、云南、新疆、天津、浙江和福建6省.與基準(zhǔn)情景相比,低碳情景下安徽和黑龍江兩省由Ⅰ級(jí)變?yōu)棰蚣?jí),上海、北京、青海和海南由Ⅲ級(jí)轉(zhuǎn)為Ⅳ級(jí),說明低碳情景可以促使這些省份的CO2、PM2.5、O3達(dá)到一定的協(xié)同減排效果,同時(shí)也說明了對(duì)低排放的省份作用更強(qiáng).

表7 CO2、PM2.5、O3分級(jí)管理體系評(píng)價(jià)等級(jí)

2.5.2 重點(diǎn)省份各部門協(xié)同效應(yīng)分析 將2.5.1中具有高排放量的“Ⅰ級(jí)管控區(qū)域”和“Ⅱ級(jí)管控區(qū)域”的省份確立為重點(diǎn)省份來研究其部門的CO2和PM2.5、O3協(xié)同效應(yīng),分部門將協(xié)同效應(yīng)系數(shù)置于二維坐標(biāo)系中分析.在二維坐標(biāo)系中,橫軸為CO2和PM2.5協(xié)同效應(yīng)系數(shù),縱軸為CO2和O3協(xié)同效應(yīng)系數(shù),協(xié)同效應(yīng)系數(shù)為正說明具有協(xié)同減排或增排效應(yīng),系數(shù)為負(fù)則說明既不具有協(xié)同減排效應(yīng)也不具有協(xié)同增排效應(yīng).位于第一象限的省份CO2和PM2.5、CO2和O3具有協(xié)同減排或增排效應(yīng);第二象限的省份CO2和O3具有協(xié)同減排或增排效應(yīng),而CO2和PM2.5不具有協(xié)同效應(yīng);第三象限的省份三者都不具有協(xié)同效應(yīng);第四象限的省份CO2和PM2.5具有協(xié)同效應(yīng),CO2和O3不具有協(xié)同效應(yīng).將熱點(diǎn)省份各部門污染物的協(xié)同情況分為四種,如圖8.

由圖8可知,重工業(yè)部門四川省應(yīng)該注重三者的協(xié)同發(fā)展,江蘇等4個(gè)省份應(yīng)注重CO2和PM2.5的協(xié)同,內(nèi)蒙古等6個(gè)省份應(yīng)注重CO2和O3的協(xié)同.能源生產(chǎn)部門河北等4個(gè)省份應(yīng)注重三者的協(xié)同,廣東等4個(gè)省份應(yīng)注重CO2和PM2.5的協(xié)同,安徽等4個(gè)省份應(yīng)注重CO2和O3的協(xié)同.輕工業(yè)部門河北等3個(gè)省份應(yīng)該注重三者的協(xié)同發(fā)展,山西等3個(gè)省份應(yīng)注重CO2和PM2.5的協(xié)同,黑龍江等5個(gè)省份應(yīng)注重CO2和O3的協(xié)同.服務(wù)業(yè)部門四川省應(yīng)該注重三者的協(xié)同發(fā)展,湖北等7個(gè)省份應(yīng)注重CO2和PM2.5的協(xié)同,黑龍江等4個(gè)省份應(yīng)注重CO2和O3的協(xié)同.農(nóng)業(yè)、建筑業(yè)、家居部門安徽等4個(gè)省份注重三者的協(xié)同發(fā)展,湖北等3個(gè)省份應(yīng)注重CO2和PM2.5的協(xié)同,四川等5個(gè)省份應(yīng)注重CO2和O3的協(xié)同.低碳情景下的省份協(xié)同效果優(yōu)于基準(zhǔn)情景,表明低碳發(fā)展對(duì)各省CO2和PM2.5、O3協(xié)同有一定的作用.其次,由圖可以看出,各部門低碳情景下對(duì)PM2.5和CO2的協(xié)同效果優(yōu)于對(duì)O3和CO2的協(xié)同效果.有部分省份O3和CO2在基準(zhǔn)情景下各部門具有協(xié)同效果,而在低碳情景下不具有協(xié)同效果,一部分原因是在基準(zhǔn)情景下這些省份O3和CO2的協(xié)同效果為增排效果,而在低碳情景下O3或CO2有了減排效果.如湖南省重工業(yè)部門在基準(zhǔn)情景下O3和CO2都為增排,故系數(shù)為正在第一象限具有協(xié)同效應(yīng),而低碳情景下CO2減排、O3增排,故系數(shù)為負(fù)在第四象限不具有協(xié)同效應(yīng).

圖7 各省CO2、PM2.5、O3協(xié)同管控等級(jí)

綜上,“Ⅰ級(jí)管控區(qū)域”大多位于第二象限,因此對(duì)于“Ⅰ級(jí)管控區(qū)域”各部門應(yīng)優(yōu)先考慮CO2和PM2.5的協(xié)同效應(yīng);“Ⅱ級(jí)管控區(qū)域”大多位于第四象限,故對(duì)于“Ⅱ級(jí)管控區(qū)域”各部門應(yīng)優(yōu)先考慮CO2和O3的協(xié)同效應(yīng),同時(shí)各部門在低碳情景下有更好的協(xié)同效果,故在未來發(fā)展中鼓勵(lì)發(fā)展低碳情景.

圖8 熱點(diǎn)省份各部門CO2和PM2.5、O3協(xié)同效應(yīng)坐標(biāo)系

3 結(jié)論與政策建議

3.1 結(jié)論

3.1.1 2015～2019年CO2排放量、PM2.5和O3濃度都具有顯著的空間集聚特征,其中CO2排放量的熱點(diǎn)區(qū)域集中在東部地區(qū),PM2.5和O3濃度的熱點(diǎn)區(qū)域集中在華北平原和長(zhǎng)江中下游區(qū)域.53%的省份CO2減排與PM2.5下降之間不存在協(xié)同效果,87%的省份CO2減排與O3濃度下降之間不存在協(xié)同治理效果.

3.1.2 2011～2019年我國(guó)CO2排放量超過100億t且呈現(xiàn)逐年增加的趨勢(shì);PM2.5排放量呈現(xiàn)逐年降低的趨勢(shì);O3前體物NO和VOCs的排放量逐年增加.重工業(yè)和能源生產(chǎn)部門是CO2、PM2.5和O3前體物排放量的主要貢獻(xiàn)部門.STIRPAT模型回歸結(jié)果顯示,人口、城鎮(zhèn)化率和能源結(jié)構(gòu)是CO2、PM2.5和O3前體物排放量的主要影響因素.

3.1.3 2012～2014年我國(guó)CO2與PM2.5具有協(xié)同效應(yīng),而2015～2019年我國(guó)CO2與PM2.5不具有協(xié)同效應(yīng);CO2與O3前體物多數(shù)年份都具有協(xié)同效應(yīng),但由于CO2和O3前體物排放量持續(xù)增加,并未出現(xiàn)減污降碳協(xié)同效應(yīng).利用情景分析法依據(jù)“碳達(dá)峰”目標(biāo)設(shè)置了基準(zhǔn)情景和低碳情景,預(yù)測(cè)CO2和PM2.5與CO2和O3前體物的協(xié)同效應(yīng)系數(shù),結(jié)果表明,低碳情景下達(dá)到協(xié)同效應(yīng)的省份明顯多于基準(zhǔn)情景.

3.1.4 依據(jù)排放量和協(xié)同效應(yīng)系數(shù)將各省分為四個(gè)級(jí)別管控區(qū):“Ⅰ級(jí)管控區(qū)域”為山東等9個(gè)省份;“Ⅱ級(jí)管控區(qū)域”為內(nèi)蒙古等5個(gè)省份;“Ⅲ級(jí)管控區(qū)域”為重慶等10個(gè)省份;“Ⅳ級(jí)管控區(qū)域”為廣西等6個(gè)省份.進(jìn)一步對(duì)“Ⅰ、Ⅱ級(jí)管控區(qū)域”各部門CO2和PM2.5、O3的協(xié)同效應(yīng)分析得出:“Ⅰ級(jí)管控區(qū)域”各部門CO2和PM2.5不具有協(xié)同效應(yīng),因此應(yīng)優(yōu)先考慮CO2和PM2.5的協(xié)同減排;“Ⅱ級(jí)管控區(qū)域”各部門CO2和O3不具有協(xié)同效應(yīng),因此應(yīng)優(yōu)先考慮CO2和O3的協(xié)同減排.

3.2 政策建議

3.2.1 建立重點(diǎn)污染部門精細(xì)化的CO2和典型大氣污染物排放清單,提升“數(shù)字化網(wǎng)格監(jiān)管”能力.根據(jù)前述研究,能源生產(chǎn)和重工業(yè)部門對(duì)CO2和典型大氣污染物的貢獻(xiàn)最高,故針對(duì)這兩個(gè)部門應(yīng)提升環(huán)境監(jiān)測(cè)溯源能力,構(gòu)建重點(diǎn)污染部門準(zhǔn)確、精細(xì)化的CO2和典型大氣污染物排放清單,從而精準(zhǔn)識(shí)別污染源,明確不同部門的CO2和典型大氣污染物排放量,形成“環(huán)境監(jiān)測(cè)—污染源管控”一張網(wǎng),為重點(diǎn)污染部門、重點(diǎn)污染源分類管理提供信息支撐.

3.2.2 注重頂層設(shè)計(jì),推進(jìn)CO2和典型大氣污染物高排放區(qū)域科學(xué)減排.研究發(fā)現(xiàn),人口和城鎮(zhèn)化率是形成“Ⅰ、Ⅱ級(jí)管控區(qū)域”CO2和典型大氣污染物高排放的關(guān)鍵影響因素,因此政府應(yīng)注重人口規(guī)模,合理控制城鎮(zhèn)化率,科學(xué)制定發(fā)展規(guī)劃.其次,優(yōu)化能源結(jié)構(gòu),即降低煤炭在能源消耗中的占比,鼓勵(lì)支持“Ⅰ、Ⅱ級(jí)管控區(qū)域”使用天然氣、風(fēng)能、太陽能等清潔能源.此外,淘汰落后工藝和設(shè)備,降低能源強(qiáng)度,推動(dòng)“能耗雙控”與“雙碳”目標(biāo)接軌,助力實(shí)現(xiàn)高排放區(qū)域減污降碳.

3.2.3 堅(jiān)持“一域一策”的精準(zhǔn)治理思想,制定區(qū)域差異化協(xié)同減排政策.由于CO2和典型大氣污染物具有顯著的空間集聚特征,考慮省份之間的相互作用和異質(zhì)性分區(qū)域治理將更能精準(zhǔn)有效的實(shí)現(xiàn)協(xié)同減排.對(duì)“Ⅰ級(jí)管控區(qū)域”各部門應(yīng)優(yōu)先考慮CO2和PM2.5的協(xié)同減排;對(duì)“Ⅱ級(jí)管控區(qū)域”各部門應(yīng)優(yōu)先考慮CO2和O3的協(xié)同減排,同時(shí)各部門在低碳情景下有更好的協(xié)同效果,故在未來鼓勵(lì)發(fā)展低碳情景,充分發(fā)揮人口、城鎮(zhèn)化率、能源結(jié)構(gòu)等因素組合調(diào)整優(yōu)勢(shì),高效地實(shí)現(xiàn)區(qū)域間減污降碳協(xié)同增效.

[1] 中華人民共和國(guó)生態(tài)環(huán)境部.2021中國(guó)生態(tài)環(huán)境狀況公報(bào) [R]. 北京:生態(tài)環(huán)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] 中央政府網(wǎng)站.在第七十五屆聯(lián)合國(guó)大會(huì)一般性辯論上的講話[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] 黃 成,陳長(zhǎng)虹,李 莉,等.長(zhǎng)江三角洲地區(qū)人為源大氣污染物排放特征研究 [J]. 環(huán)境科學(xué)學(xué)報(bào), 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] 羅紅成,廖 琪,容 譽(yù).湖北省能源消費(fèi)CO2與大氣污染物協(xié)同減排研究 [J]. 環(huán)境污染與防治, 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] 劉茂輝,劉勝楠,李 婧,等.天津市減污降碳協(xié)同效應(yīng)評(píng)估與預(yù)測(cè) [J]. 中國(guó)環(huán)境科學(xué), 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 環(huán)境空氣質(zhì)量評(píng)價(jià)技術(shù)規(guī)范(試行) [S].

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

[18] 吳振信,謝曉晶,王書平.經(jīng)濟(jì)增長(zhǎng)、產(chǎn)業(yè)結(jié)構(gòu)對(duì)碳排放的影響分析—基于中國(guó)的省際面板數(shù)據(jù) [J]. 中國(guó)管理科學(xué), 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] 張恪渝,廖明球,楊 軍.綠色低碳背景下中國(guó)產(chǎn)業(yè)結(jié)構(gòu)調(diào)整分析 [J]. 中國(guó)人口·資源與環(huán)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] 環(huán)境保護(hù)部.城市大氣污染物排放清單編制技術(shù)手冊(cè) [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,盧 清,鄭君瑜,等.珠江三角洲地區(qū)重點(diǎn)VOC排放行業(yè)的排放清單 [J]. 中國(guó)環(huán)境科學(xué), 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] 陳 穎,葉代啟,劉秀珍,等.我國(guó)工業(yè)源VOCs排放的源頭追蹤和行業(yè)特征研究 [J]. 中國(guó)環(huán)境科學(xué), 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] 毛顯強(qiáng),邢有凱,高玉冰.溫室氣體與大氣污染物協(xié)同控制效應(yīng)評(píng)估與規(guī)劃 [J]. 中國(guó)環(huán)境科學(xué), 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 棟,李 楠,李 鋒,等.基于能源碳排放預(yù)測(cè)的中國(guó)東部地區(qū)達(dá)峰策略制定 [J]. 環(huán)境科學(xué)學(xué)報(bào), 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] 黃莘絨,管衛(wèi)華,陳明星,等.長(zhǎng)三角城市群城鎮(zhèn)化與生態(tài)環(huán)境質(zhì)量?jī)?yōu)化研究 [J]. 地理科學(xué), 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] 劉晴川,李 強(qiáng),鄭旭煦.基于化石能源消耗的重慶市二氧化碳排放峰值預(yù)測(cè) [J]. 環(huán)境科學(xué)學(xué)報(bào), 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] 王金營(yíng),戈艷霞.全面二孩政策實(shí)施下的中國(guó)人口發(fā)展態(tài)勢(shì) [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] 《中國(guó)能源展望2030》報(bào)告發(fā)布 [J]. 資源節(jié)約與環(huán)保, 2016,(4):6.

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

[37] 袁方成,陳澤華.新時(shí)代新型城鎮(zhèn)化的要素結(jié)構(gòu)及其優(yōu)化路徑 [J]. 華中師范大學(xué)報(bào)(人文社會(huì)科學(xué)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] 劉彥迪.2030年中國(guó)碳排放達(dá)峰區(qū)域性預(yù)測(cè)與影響因素分析 [D]. 濟(jì)南:山東大學(xué), 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,許子易,張亞新.中國(guó)超大城市碳排放達(dá)峰的影響因素及組合情景預(yù)測(cè)—基于門限-STIRPAT模型的研究 [J]. 環(huán)境科學(xué)學(xué)報(bào), 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] 鄧小樂,孫 慧.基于STIRPAT模型的西北五省區(qū)碳排放峰值預(yù)測(cè)研究 [J]. 生態(tài)經(jīng)濟(jì), 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 飛,董 瓏,孔少杰,等.我國(guó)省域CO2-PM2.5-O3時(shí)空關(guān)聯(lián)效應(yīng)與協(xié)同管控對(duì)策 [J]. 中國(guó)環(huán)境科學(xué), 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

國(guó)家社會(huì)科學(xué)基金資助項(xiàng)目(19CGL042);中央高校基本科研業(yè)務(wù)費(fèi)專項(xiàng)資金資助項(xiàng)目(2722023EZ009;2722023EJ013)

* 責(zé)任作者, 教授, lifei@zuel.edu.cn

李 飛(1986-),男,河南新鄉(xiāng)人,教授,博士,主要研究方向?yàn)榄h(huán)境監(jiān)測(cè)、環(huán)境健康風(fēng)險(xiǎn)管理、環(huán)境與健康大數(shù)據(jù)、環(huán)境修復(fù)技術(shù).發(fā)表論文100余篇.lifei@zuel.edu.cn.