1 引言(Introduction)

目前, 中国正处于快速城市化和经济发展进程当中, 人民生活水平的不断提高势必会带来碳排放量的不断增长(Shan et al., 2018; Wang et al., 2018), 因此, 要完成巴黎气候变化大会上所提出的到2030年单位GDP碳排放要在2005年水平上下降60%~65%的目标, 中国面临着巨大的减排压力.作为能源消费的主体, 中国城市商业能源消费碳排放量占到全国碳排放量的85%(Shan et al., 2017), 同时由于城市部门众多, 管辖力强, 是实施碳减排政策最合适的尺度(刘竹等, 2011), 因此, 明确这部分的碳排放量十分关键.

获取准确的城市层面碳排放数据是实施减排政策的第一步, 但由于城市碳排放相关数据缺乏系统性和统计口径不一致等问题, 想要合理地估算出城市碳排放总量十分困难, 这也就导致碳减排政策在城市无法落地.因此, 找寻一种简便易行、科学合理的方法来估算城市层面的碳排放就显得意义重大.近年来, 城市尺度的碳排放数据得到了许多学者和科研机构的关注, 各类研究根据基础数据的不同情况, 围绕不同尺度、不同类型碳排放采用了不同的方法.

投入产出模型(IO Model)是进行消费型(Consumption-based)碳排放数据核算的常用方法.Mi等(2016)利用投入产出模型计算了中国13个城市基于消费的碳排放情况, 并发现基于消费和基于生产的两种核算结果不论在总量和人均水平上均有明显差异；Minx等(2009)报道了多区域投入产出模型(MRIO)在计算碳足迹方面的应用情况.但目前仅在国家和省级层面编制有投入产出表, 绝大多数城市并不具备编制能力, 因此, 在城市层面该方法并不适用.

由于能源消耗产生的碳排放占据了城市碳排放的绝大部分, 因此, 很多学者利用能源平衡表(EBT)或能源消耗数据估算了研究区域的碳排放量.例如, Shan等(2017)基于能源平衡表构建了包含47个社会经济部门、17种化石燃料和9个基础生产部门在内的中国城市碳排放数据估算方法.这类研究方法的缺陷是主要集中于省级尺度或者直辖市或一些十分发达的城市(如广州), 但普通地级市并没有这么多的资源和数据, 因此, 这些核算方法对于普通的地级市并不适用.

利用碳卫星数据或其他空间数据(魏伟等, 2015; Cai et al., 2018; Wang et al., 2014)来反映不同区域的碳排放量也是一类较为新颖的方法, 众多权威机构每年发布的全球各个国家的排放数据已经成为全球气候变化谈判与博弈的重要参考依据.但目前这类研究主要集中在西方发达国家, 如全球大气研究排放数据库(EDGAR)、美国橡树岭国家实验室CO₂信息分析中心(CDIAC)、欧盟联合研究中心(JRC)等.这类研究的缺点在于分辨率受到温室气体监测设备的限制且无法细致区分CO₂来源, 分辨率一般在1°×1°(10 km×10 km)左右, 所以其相关应用往往集中在全球或地区、国家尺度, 在较小的城市尺度上则由于准确性不佳而应用较少, 但可以用作城市尺度碳排放交叉验证的数据来源之一.

总的来说, 由于城市水平数据的缺失、官方统计数据的不透明和实际操作的困难性等(Shan et al., 2017), 以上方法均不具有普适性, 无法为众多城市提供详细的碳排放数据.因此, 本文依据现有的2012年中国省级层面和城市层面的能源消费数据和相关社会经济数据, 利用IPCC推荐的参考方法, 基于省级能源平衡表, 构建一套自上而下(Top-bottom)的城市能源消费碳排放估算方法, 选取42个城市进行实证分析并将计算出的结果与CHRED(China High Resolution Emission Database, 包括点源排放数据、栅格数据(空间分辨率1~10 km)及相关的社会经济数据)(Cai et al., 2018; Wang et al., 2014)数据进行对比, 以验证该方法的准确性.同时探讨该方法在应用于不同类型和不同区域的城市时其准确性存在的差异, 并对目前被广泛应用的省级温室气体排放清单种所推荐的化石燃料排放因子和本地化的排放因子所导致的不确定性进行对比.

2 方法(Methodology) 2.1 系统边界

本文的系统边界包含Scope 1(丛建辉等, 2014), 属于城市内部能源消耗所产生的直接碳排放, 主要包括工业、交通、建筑业、农业的能源利用碳排放, 不包含城市间电力、热力运输和商品贸易及其相关运输、消费过程带来的碳泄漏.同时, 城市中碳排放两大来源之一的工业过程碳排放(如水泥生产, 约占总排放量的9%(Liu et al., 2015)), 因其碳排放相关数据较为准确且较易获得, 所以这部分排放也不包含在计算中.土地利用变化和林业、废弃物处置则因为占比很小(Kennedy et al., 2010; Yantosca et al., 2004; IPCC, 2006), 也并未纳入本文的计算范围.

2.2 估算方法

在省级能源平衡表中, 共有27种化石燃料和3个主要部分(表 1、表 2), 本文采用IPCC(2006)报告中推荐的方法(式(1))来计算能源消耗带来的碳排放, 该方法在以前的诸多研究中也被广泛使用(Shan et al., 2017; Zhao et al., 2012).

(1)

式中, CE表示不同类型化石能源的CO₂排放总量(万t)；AD_i表示化石能源i的消耗量(万t或亿m³)；EF_i代表化石能源i的排放因子, 具体见表 1.

由于EBT主要是由省份或直辖市编制的, 因而其相关研究和应用也集中于省级和直辖市的碳排放核算, 而大部分地级市并没有EBT, 所以并不能直接应用该方法.但由于城市与省份之间是后者包含前者的关系, 因此, 可以在二者之间建立合理的联系, 利用合适的分配系数将省级数据分配到各城市, 这样就可以获得城市水平的能源消费数据(式(2)).

(2)

式中, AD_city代表该城市的能源消费量(万t或亿m³)；AD_province代表该城市所在省份的总能源消费量(万t或亿m³), 主要包括中间转化过程(ICC)、损失量(L)、终端消费(FC)、非能源使用(NEU)(式(3))；P代表对应的分配系数, 即某城市某项指标占全省的比例.在本文所构建的方法中, 分配指标的合理选取对于城市碳排放估算结果的影响至关重要.本文选取分配指标时主要遵循以下3个原则：①分配指标要具有代表性, 能充分表征行业或能源平衡表中每一行的类别, 兼顾数据的可获取性和在已有文献中出现过的指标数据(Shan et al., 2017; 孙振清等, 2015)；②该系数在城市统计数据中普遍存在, 时间上连续且易于获取；③当分配指标相关数据无法获取时, 可以用近似指标进行替代而不显著影响分配结果.由于中间转化过程(ICC)全部属于工业加工过程, 因此, 全部采用工业产值作为其分配指标；损失量(L)主要来自于电力传输消耗和能源运输过程消耗(不包括加工转换消耗), 而各省和各城市统计年鉴中并未详细说明电力来源是本地发电还是外地输入, 同时损失量在能源平衡表中占比极小, 因此, 选用各市全社会用电量作为其分配指标；各省年鉴中交通运输和仓储邮政业相关数据十分缺乏, 本文采用客运量(万人)与货运量(万t)指标作为交通运输业分配指标, 以邮政业务营收作为邮政业指标, 由于这两部分单位不同不能直接进行运算, 因此, 本文假设这两部分在该项指标中的权重均为50%, 处理后作为此项分配指标；因各省批发零售数据较全且占本项指标主导, 因此, 没有住宿餐饮业营收的均仅以批发零售总额作为此项分配指标.最终经过调整后选取出所有分配指标(表 2).

(3)

式中, EC为总能源消耗；ICC为中间转化, 主要包括火力发电和供热两个部分；L为损失量；FC为终端消费；NEU为非能源使用, 主要包括油品再投入量、焦炭再投入量和用作原料、材料3个部分.

在能源平衡表中, 并非每一项都对城市能源消费碳排放有贡献, 需要减去其中某些项(式(3)).据测算(Liu et al., 2015; Mi et al., 2017; Shan et al., 2018), 排放因子的非本地化和活动数据的误差会带来超过10%的估算差距.因此, 本文采用这些研究中的中国本地化的化石燃料燃烧的排放因子(Shan et al., 2017; Guan et al., 2012), 并与目前被广泛采用的省级温室气体排放清单(Ver. 2.1)所推荐的化石燃料排放因子进行对比.

3 数据来源(Data sources)

本研究中所用数据均来自于各省的2013年统计年鉴、《中国能源统计年鉴2013》、《中国城市统计年鉴2013》、《中国城镇化率调查报告》和各省统计局统计公报等, 城市级数据以各省2013年统计年鉴为主, 当各省统计年鉴不包含所需数据而其他年鉴、报告、统计公报等包含时, 采用此类数据.力求所用数据具有最佳的代表性、科学性，同时具有最小的误差.

4 结果与讨论(Results and discussion) 4.1 估算结果

中国目前有地级城市330多个, 根据2014年国务院关于调整城市规模划分标准的通知, 按照人口规模可以将城市分为5档7类, 并且按照传统划分方法, 可以将全国划分为东部、中部和西部地区.本文选取城市的原则主要是：首先, 地域分布的广泛性, 这些城市需要基本覆盖东、中、西部(根据实际数据情况, 剔除了青海省和西藏自治区)；其次, 所选取的城市应该拥有不同的人口规模；最后, 这些城市需要处于不同经济发展阶段, 本文以人均GDP作为此项筛选指标.这些原则也保证了所构建方法的普适性和科学性.在综合考虑实际数据的准确性并经过细致筛选后, 确定了东部16个、中部12个和西部14个共计42个城市作为实证对象.

从图 1可以看出, 在所选的42个城市中, 人口密度从最小的甘孜藏族自治州(7.30人·km^-2)到最大的嘉兴市(1149.85人·km^-2), 人均GDP从最小的和田地区(0.73万元)到最大的鄂尔多斯市(18.84万元), 均有覆盖.本研究充分考虑了所用方法的实证对象的多样性, 力求本方法应用的城市具有最佳的代表性.

42个城市的2012年人均碳排放量为10.92 t, 人均碳排放量排在前五的分别是鄂尔多斯市(84.26 t)、乌海市(52.11 t)、吴中市(27.86 t)、呼和浩特市(22.93 t)和盘锦市(20.26 t), 这5个人均碳排放量最高的城市有3个位于内蒙古, 1个位于宁夏, 1个位于辽宁, 这些省份均是中国能源生产和消耗的重要省份, 其人均碳排放量常年高于全国平均水平(舒娱琴, 2012), 同时这些城市也是西部和东北地区以能源和重工业为主导产业的城市, 其较高的化石能源消耗水平和当地人口密度较小的实际情况导致了其人均碳排放量处于前列.而人均碳排放量最低的5个城市分别是和田地区(1.08 t)、甘孜藏族自治州(1.48 t)、邵阳市(1.83 t)、茂名市(1.96 t)和宿州市(2.42 t), 其中, 和田地区是全国GDP最低的地区之一, 全区以农业经济为主, 工业水平低(韩爱华, 2003)；甘孜藏族自治州则属于西部民族地区, 工业化与农业现代化水平不高, 落后的工业发展水平和相对较少的人口使得这两个城市的人均碳排放处在最低的水平；邵阳市、茂名市、宿州市则均是第三产业最为发达的城市, 同时其人口均在500万以上, 因而其人均碳排放也维持在较低水平.同时可以看出, 不同类型城市之间的能源消耗碳排放差异巨大, 有时可以达到数十倍之多(图 2).

从估算结果可以看出, 在所选42个城市中, 位于东部、中部和西部的城市的2012年平均CO₂排放量分别为2740.05、2563.16和2754.23万t, 可以看出, 东部和西部城市的CO₂排放量要略高于中部城市, 这是由于东部地理位置优越, 工农业基础雄厚, 整体经济发展水平较高, 对能源依赖性较大, 因而其碳排放水平整体也较高(谭丹等, 2008)；而西部城市高于中部则可能是由于所选的西部城市多为化石能源的重要生产和消耗地区, 其高耗能行业占工业比重较高(岳超等, 2010).从人均碳排放角度来看, 东、中、西部城市分别为8.34、7.85和16.49 t, 所选西部城市由于能源消耗量大同时人口较少, 其人均CO₂排放量几乎是东部和中部城市的2倍, 东部和中部城市的人均碳排放量则较为接近.

为便于比较, 本研究将估算差距量和差距百分比均取绝对值.从图 3可以看出, 42个所选城市的估算结果与CHRED的点源数据差距百分比均在10%以内, 平均差距量是139.90万t, 平均差距百分比为4.35%, 充分反映出该方法较高的准确性.其中, 差距量最小的是甘孜藏族自治州(0.59万t, 0.36%), 差距量最大的是宁波市(616.84万t, 7.07%).从东、中、西部的角度来看, 其平均CO₂差距量分别为158.04、107.80和95.63万t, 平均差距百分比分别为4.54%、4.54%和3.37%(图 3), 中、西部城市整体差距较为接近而西部城市差距则较小.这说明由于实际社会经济关系的复杂性, 在不同人口规模、不同经济发展阶段的城市或者地区应用该方法进行估算其准确性会存在一定的差距.

4.2 不确定性分析

城市能源消费碳排放估算的不确定性值得重视(Jonas et al., 2014), 不确定性的来源主要是活动数据(Activity data)和排放因子(Emission factor, EF) (IPCC, 2006).其中, 活动数据的不确定性主要是由城市水平的数据质量造成的, 而排放因子的不确定性则主要是由于各国能源种类和品质不同所造成的.

本文所有数据均取自各省年鉴和相关报告, 并且构建的方法均基于这些数据是准确可信的, 因此, 活动数据的不确定性本文不予讨论, 而仅考虑了不同类型化石能源排放因子的差异和分配指标的选取所带来的不确定性.为简单起见, 本文以目前被广泛采用的省级温室气体排放清单种所推荐的化石燃料排放因子和本地化的排放因子进行对比(表 1), 估算结果差异见表 3.

为便于比较, 本文将差异量和差异百分比均取绝对值.从表 3中可以看出, 当排放因子来源不一致时, 带来的CO₂总量估算差异平均为102.50万t, 平均差异百分比为4.10%；其中, 最小为6.82万t(和田地区), 约占该市CO₂排放总量的3.24%；最大可以达到460.90万t(鄂尔多斯市), 约占该市总量的2.82%, 而这一总量估算差异比甘孜藏族自治州和阿坝羌族自治州2012年的能源消耗CO₂排放总量之和还要大.这充分说明应用本地化的排放因子是极为必要的, 否则会带来不容忽视的估算误差.

分配指标的选取在本文所构建的方法中极为关键, 采用不同的分配指标会对城市碳排放估算结果带来一定的不确定性, 因而需要审慎选择.本文所采用的分配指标是经过筛选和动态调整之后选取的, 最终的估算差距也证明了本文所选取的分配指标的合理性和科学性.

值得注意的是, 由于各省级或城市年鉴等对某些产业的能源消费量(如工业能源消费量)进行了统计, 而本文为保持该方法应用时的一致性和简便性, 并未采用这些实际能源消费数据, 因此, 这也成为本文估算结果不确定性的来源之一.

5 结论(Conclusions)

本文从省级EBT出发, 通过合理分配指标, 构建了一种从省级到市级自上而下的可以推算城市能源消费碳排放数据的方法, 并通过严格的实证分析突出了本文所构建方法的准确性和适用性.同时针对不同来源的化石能源排放因子进行了估算结果的不确定性分析, 结果表明, 在估算城市碳排放总量时采用本地化的排放因子会更为准确, 建议后续研究均采用本地化的化石燃料排放因子以减少不确定性的来源.

本文所提出的方法也为在时间和空间尺度上进行更进一步的推广提供了合理的思路, 由于实际社会经济情况的复杂性, 在进行进一步推广时可能需要加入调整参数以使该方法更为合理.由此可以构建出时空连续的中国城市层面能源消耗碳排放的完整清单, 这对了解城市层面的碳排放特征和规律有着极为重要的意义.