基于效率視角的浙江省2030年碳排放配額分析

李澤坤, 任麗燕,*, 馬仁鋒, 劉永強(qiáng), 姚丹

基于效率視角的浙江省2030年碳排放配額分析

李澤坤1,2,3, 任麗燕1,2,3,*, 馬仁鋒1,2,3, 劉永強(qiáng)1,2,3, 姚丹1,2,3

1. 寧波大學(xué)地理與空間信息技術(shù)系/陸海國(guó)土空間利用與治理研究中心, 寧波 315211 2. 寧波市高等學(xué)校協(xié)同創(chuàng)新中心“寧波陸海國(guó)土空間利用與治理協(xié)同創(chuàng)新中心”, 寧波 315211 3. 浙江省新型重點(diǎn)專業(yè)智庫(kù)寧波大學(xué)東海研究院, 寧波 315211

測(cè)算浙江省1995—2015年的碳排放總量, 構(gòu)建STIRPAT模型, 通過(guò)嶺回歸分析各影響因素對(duì)碳排放總量的影響, 結(jié)合情景分析法對(duì)浙江省2030年的碳排放總量進(jìn)行預(yù)測(cè), 最后以情景預(yù)測(cè)值為總量限定在效率視角下進(jìn)行碳配額并分析各市剩余碳排放空間。結(jié)果表明: (1)人口總量、人口城市化率、人均GDP和煤類能源占比對(duì)碳排放總量起促進(jìn)作用, 人口總量、人口城市化率、人均GDP和煤類能源占比每增加1%, 浙江省的碳排放總量會(huì)分別增加3.578%、0.588%、0.295%和1.310%; (2)保持經(jīng)濟(jì)和城市化高速發(fā)展的同時(shí), 大力實(shí)施產(chǎn)業(yè)結(jié)構(gòu)調(diào)整和節(jié)能減排的情景3最符合現(xiàn)實(shí)發(fā)展要求, 情景3下, 浙江省碳排放總量在2030年將達(dá)到47902.57萬(wàn)噸; (3)ZSG-DEA模型的碳配額結(jié)果顯示, 2030年寧波市碳配額最多, 其次為杭州市, 麗水市碳配額最少。從絕對(duì)剩余碳排放空間看, 寧波市剩余碳排放空間最大, 其次為杭州市, 舟山市剩余碳排放空間最小。從相對(duì)剩余碳排放空間看, 麗水市相對(duì)剩余碳排放空間最大, 其次為紹興市, 舟山市需在2015年碳排放總量的基礎(chǔ)上減排9.47%。

碳配額; STIRPAT; 情景預(yù)測(cè); ZSG-DEA模型; 剩余碳排放空間

0 前言

溫室氣體的排放使得以氣候變暖為主要特征的全球氣候變化受到廣泛關(guān)注[1]。中國(guó)是世界上最大的發(fā)展中國(guó)家, 同時(shí)也是世界上最大的能源消耗國(guó)和溫室氣體排放國(guó)[2]。因此, 限制溫室氣體排放, 實(shí)現(xiàn)溫室氣體排放限額情況下的經(jīng)濟(jì)持續(xù)發(fā)展對(duì)我國(guó)來(lái)說(shuō)是一個(gè)極大的挑戰(zhàn), 如何促進(jìn)經(jīng)濟(jì)發(fā)展低碳化已成為當(dāng)前亟待解決的問(wèn)題。在自身環(huán)保意識(shí)的提高和外界要求的減排壓力下, 中國(guó)政府對(duì)于減少溫室氣體排放制定了明確的目標(biāo)并作出了相應(yīng)的減排承諾, 分別于2009年“哥本哈根氣候大會(huì)”和2014年“中美氣候聯(lián)合聲明”中做出了“要爭(zhēng)取使2020年碳排放強(qiáng)度在2005年的基礎(chǔ)上下降40%—45%”和“2030年碳排放達(dá)到峰值”的減排承諾?；谔寂欧趴偭肯薅ǖ牡貐^(qū)碳配額分配是我國(guó)碳減排的現(xiàn)實(shí)途徑[3]。碳排放減排目標(biāo)的區(qū)域分解研究是國(guó)內(nèi)外學(xué)者關(guān)注的重點(diǎn)內(nèi)容?；诓煌瑴p排目標(biāo)的研究一般可以分為兩類, 一是基于絕對(duì)減排量的區(qū)域分解, 絕對(duì)減排量是《京都議定書(shū)》附件一國(guó)家的減排要求。二是基于碳強(qiáng)度減排目標(biāo)的區(qū)域分解, 中國(guó)在哥本哈根氣候大會(huì)上做出的減排承諾便是以碳強(qiáng)度減排為目標(biāo)。在碳排放配額研究方面常用的方法有指標(biāo)分配法、DEA(data envelopment analysis)模型、減排成本法等。Phylipsen等認(rèn)為應(yīng)該從人均二氧化碳排放量、人均GDO和單位GDP二氧化碳排放量三個(gè)指標(biāo)綜合分配歐洲各國(guó)碳配額以減少各國(guó)由于發(fā)展階段不同帶來(lái)的差異，使得分配結(jié)果更加公平[4]。孫根年選取了能源強(qiáng)度、GDP、人均GDP構(gòu)建環(huán)境學(xué)習(xí)曲線測(cè)算各省減排效率與減排潛力[5]。宋杰鯤選取各省碳排放比例、各省GDP比例和各省減排費(fèi)用占GDP的比例三個(gè)指標(biāo)分別代表世襲制原則、平等主義原則和支付能力原則對(duì)省際碳配額進(jìn)行分配[3]。Lins和Gomes[6]將零和博弈的理論引入DEA模型中, 構(gòu)建了零和收益DEA模型(ZSG-DEA), 并分別對(duì)各國(guó)奧運(yùn)會(huì)投入產(chǎn)出效率和京都議定書(shū)相關(guān)國(guó)家碳配額分配問(wèn)題進(jìn)行了分析[7]。此后, ZSG-DEA模型在資源分配領(lǐng)域獲得廣泛應(yīng)用。林坦、寧俊飛基于ZSG-DEA模型對(duì)歐盟國(guó)家碳配額進(jìn)行分配, 并提出利用迭代法使分配方案不斷優(yōu)化, 最終達(dá)到或接近DEA有效邊界[7]。王勇等基于ZSG-DEA模型對(duì)中國(guó)2030年二氧化碳排放峰值目標(biāo)進(jìn)行省區(qū)分配[8]。以上研究大多基于國(guó)家尺度, 且碳排放的核算一般只包含工業(yè)能源消耗碳排放, 省級(jí)碳排放配額一般缺少長(zhǎng)期的減排目標(biāo)。本文系統(tǒng)計(jì)算了浙江省各市能源活動(dòng)、工業(yè)生產(chǎn)、廢棄物處理、農(nóng)業(yè)活動(dòng)四個(gè)部門(mén)碳排放, 分析各市碳排放總量動(dòng)態(tài)變化特征。為了確定一個(gè)科學(xué)合理的減排目標(biāo), 本文通過(guò)STIRPAT模型及情景分析法得到在經(jīng)濟(jì)發(fā)展與控制碳排放相協(xié)調(diào)情景下的浙江省2030年碳排放, 并以此作為碳排放配額的總量限定, 最后在效率視角下運(yùn)用ZSG-DEA模型對(duì)浙江省各市2030年碳排放進(jìn)行配額, 并分析各市剩余碳排放空間。

1 研究方法與數(shù)據(jù)來(lái)源

1.1 碳排放的測(cè)算

1.1.1 能源活動(dòng)的碳排放測(cè)算

能源活動(dòng)碳排放是碳排放的主要組成部分, 其主要碳排放項(xiàng)目包括工業(yè)部門(mén)、建筑業(yè)、服務(wù)業(yè)、居民生活、農(nóng)林牧漁業(yè)、交通系統(tǒng)和石油和天然氣系統(tǒng)逃逸等總計(jì)7個(gè)項(xiàng)目, 計(jì)算公式如下[9-10]:

式中,E是能源活動(dòng)部門(mén)碳排放量,AD是燃料的消耗量,NCV是燃料的低位熱值,EF是燃料的單位熱量含碳量,COF是燃料的碳氧化率, 44/12表示碳到二氧化碳的轉(zhuǎn)化系數(shù)。

石油和天然氣系統(tǒng)逃逸項(xiàng)目所產(chǎn)生的碳排放氣體為CH4, 其計(jì)算方法為將各過(guò)程的活動(dòng)數(shù)據(jù)與其對(duì)應(yīng)的排放因子相乘后相加匯總。根據(jù)相關(guān)指南, 原油儲(chǔ)運(yùn)過(guò)程的甲烷排放因子選取753 (噸甲烷/億噸原油)[9-10]。

1.1.2 工業(yè)生產(chǎn)過(guò)程中的碳排放測(cè)算

工業(yè)生產(chǎn)過(guò)程溫室氣體排放清單報(bào)告的是工業(yè)生產(chǎn)中能源活動(dòng)溫室氣體排放之外的其他化學(xué)反應(yīng)過(guò)程或物理變化過(guò)程的溫室氣體排放。由于浙江省工業(yè)部門(mén)中, 只有水泥生產(chǎn)產(chǎn)業(yè)符合工業(yè)生產(chǎn)過(guò)程碳排放測(cè)算, 因此本研究只考慮水泥生產(chǎn)過(guò)程中的碳排放, 其碳排放氣體為CO2。根據(jù)相關(guān)指南, 水泥產(chǎn)量熟料比選取推薦值0.63,水泥生產(chǎn)過(guò)程排放因子選取0.538 (噸二氧化碳/噸熟料)。

1.1.3 廢棄物處理的碳排放測(cè)算

廢棄物處理包括廢水處理、城市固體廢棄物填埋處理和焚燒處理, 計(jì)算公式如下[9-10]:

式中,E是填埋城市廢棄物所產(chǎn)生的CH4排放總量,、L、、分別是填埋的固體廢棄物總量、管理類型垃圾填埋場(chǎng)的甲烷產(chǎn)生潛力、甲烷回收量和氧化因子。E是焚燒城市廢棄物所產(chǎn)生的CO2排放總量,、分別是焚燒的固體廢棄物總量和焚燒產(chǎn)生CO2的排放因子。E是廢水處理產(chǎn)生的N?O排放量,N、EF分別是廢水中的氮含量和廢水的氧化亞氮排放因子, 44/28表示氮到氧化亞氮的轉(zhuǎn)化系數(shù)。

1.1.4 農(nóng)業(yè)活動(dòng)的碳排放測(cè)算

農(nóng)業(yè)活動(dòng)包括稻田甲烷排放、動(dòng)物腸道發(fā)酵甲烷排放、動(dòng)物糞便管理甲烷和氧化亞氮排放四項(xiàng), 計(jì)算公式如下[9-10]:

式中,E是稻田的CH4排放總量,AD和EF分別是第i類稻田的播種面積和稻田CH4排放因子。E是動(dòng)物腸道發(fā)酵和糞便管理所產(chǎn)生的CH4排放總量,AP是第類動(dòng)物的數(shù)量,EF和EF分別是第類動(dòng)物的腸道產(chǎn)生CH4排放因子和糞便產(chǎn)生CH4排放因子。E是動(dòng)物糞便管理所產(chǎn)生的N?O排放量,EF和AP分別是為特定種群糞便管理氧化亞氮排放因子和第類動(dòng)物的數(shù)量。

碳排放總量是能源活動(dòng)、工業(yè)生產(chǎn)、廢棄物處理、農(nóng)業(yè)活動(dòng)四個(gè)部門(mén)碳排放相加之和。

1.2 STIRPAT模型

Dietz和Rosa[11]在傳統(tǒng)的IPAT模型的基礎(chǔ)上提出了STIRPAT(Stochastic Impacts by Regression on Population, Affluence and Technology)模型, 該模型具有形式靈活, 易于分析等優(yōu)點(diǎn), 被廣泛應(yīng)用于碳排放影響因素的研究中[12-14], 其一般表達(dá)式為:

式中,、、、分別表示環(huán)境影響、人口因素、經(jīng)濟(jì)因素和技術(shù)因素;是模型系數(shù),、、分別為、、的估計(jì)系數(shù);為隨機(jī)誤差項(xiàng)。

將式兩邊同時(shí)取對(duì)數(shù)可寫(xiě)為:

本文對(duì)STIRPAT模型進(jìn)行擴(kuò)展, 人口因素選取總?cè)丝诤腿丝诔鞘谢? 經(jīng)濟(jì)因素選取人均GDP,技術(shù)因素選取煤類能源消耗占比。因此, 實(shí)證模型表達(dá)式為[15-16]:

式中,表示浙江省碳排放總量,、、、分別表示總?cè)丝凇⑷丝诔鞘谢?、人均和煤類能源占?是模型系數(shù),、、、分別表示總?cè)丝?、人口城市化率、人均GDP、和煤類能源占比的彈性系數(shù),為隨機(jī)誤差項(xiàng)。為了消除量綱影響, 運(yùn)用總和標(biāo)準(zhǔn)化的方法對(duì)浙江省碳排放及其影響因素進(jìn)行數(shù)據(jù)預(yù)處理。

1.3 ZSG-DEA模型

本研究基于效率原則的碳排放配額采用ZSG-DEA模型。DEA中的投入導(dǎo)向性BCC模型具體形式如下:

式中,為浙江省決策單元的相對(duì)效率,為相對(duì)于目標(biāo)決策單元重新構(gòu)造一個(gè)決策單元有效組合中其他決策單元的組合比例,y為各決策單元的產(chǎn)出變量, 其中為決策單元,為產(chǎn)出變量的類型,y為決策單元各產(chǎn)出變量的值,為投入變量,x為決策單元的初始碳排放配額,x為第各決策單元的碳排放配額。

DEA-BBC模型是假設(shè)各決策單元之間的投入產(chǎn)出是獨(dú)立的, 即一個(gè)決策單元投入產(chǎn)出的變化不會(huì)影響其他決策單元的投入產(chǎn)出。但如果要求總的投入變量或產(chǎn)出變量固定, 則這個(gè)假設(shè)不能成立。針對(duì)傳統(tǒng)DEA-BCC模型的不足, Lins 和 Gomes[6]提出了ZSG-DEA模型, 該模型通過(guò)對(duì)投入或產(chǎn)出的再配置, 從而可以根據(jù)決策單元的 DEA 效率值對(duì)非期望產(chǎn)出的分配方案進(jìn)行調(diào)整。假設(shè)目標(biāo)決策單元為非DEA有效, 其為達(dá)到有效就必須減少投入, 減少投入量為:

式中,x為第個(gè)決策單元,x為目標(biāo)決策單元,δ為目標(biāo)決策單元的初始效率值。由于所有決策單元都在進(jìn)行投入的比例消減, 所以最終投入量(二氧化碳排放量)對(duì)決策單元的再分配額為:

經(jīng)過(guò)比例調(diào)整后, ZSG-DEA模型對(duì)目標(biāo)決策單元的投入導(dǎo)向BCC模型轉(zhuǎn)化公式為:

由于所有為達(dá)到DEA有效的決策單元都會(huì)按比例向其他決策單元分配多余投入, 所以可能出現(xiàn)某些決策單元即使完成多余投入的消減也無(wú)法達(dá)到DEA有效。因此, 本文利用迭代法進(jìn)行多次分配, 經(jīng)過(guò)多次迭代后, 使各決策單元的效率值都達(dá)到1。

1.4 剩余碳排放空間

為了分析碳配額對(duì)區(qū)域未來(lái)發(fā)展的影響, 本文構(gòu)建剩余碳排放空間這一指標(biāo)。剩余碳排放空間分為絕對(duì)剩余碳排放空間和相對(duì)剩余碳排放空間, 絕對(duì)剩余碳排放空間指某地區(qū)基期實(shí)際碳排放與未來(lái)碳配額之間差額, 表示某地區(qū)未來(lái)碳排放增長(zhǎng)空間的大小。相對(duì)剩余碳排放空間指某地區(qū)絕對(duì)剩余碳排放空間占該地區(qū)基期實(shí)際碳排放的比例。由于基期實(shí)際碳排放間接反映了該地區(qū)現(xiàn)階段發(fā)展所需的碳排放空間, 因此, 相對(duì)剩余碳排放空間可以間接反映該地區(qū)未來(lái)發(fā)展中減排壓力的大小, 相對(duì)剩余碳排放空間越大減排壓力越小, 反之減排壓力越大。計(jì)算式如下所示:

式中,絕表示絕對(duì)碳排放剩余空間;配表示未來(lái)碳排放配額;基表示基期實(shí)際碳排放;相表示相對(duì)剩余碳排放空間。

1.5 數(shù)據(jù)來(lái)源

能源消耗數(shù)據(jù)來(lái)自《中國(guó)能源統(tǒng)計(jì)年鑒》和《浙江統(tǒng)計(jì)年鑒》。水泥產(chǎn)量數(shù)據(jù)、農(nóng)業(yè)活動(dòng)水平數(shù)據(jù)、總?cè)丝?、人口城市化率、人均GDP來(lái)自《浙江統(tǒng)計(jì)年鑒》。廢棄物填埋、焚燒數(shù)據(jù)來(lái)自于《中國(guó)城市建設(shè)統(tǒng)計(jì)年鑒》。各類能源換算標(biāo)準(zhǔn)煤系數(shù)使用《中國(guó)能源統(tǒng)計(jì)年鑒》中的各種能源折標(biāo)準(zhǔn)煤參考系數(shù)表[17]。

2 結(jié)果與分析

2.1 浙江省各市碳排放動(dòng)態(tài)變化及結(jié)構(gòu)分析

計(jì)算浙江省各市能源活動(dòng)、工業(yè)生產(chǎn)、廢棄物處理、農(nóng)業(yè)活動(dòng)四個(gè)部門(mén)碳排放, 匯總為浙江省各市碳排放總量, 繪制浙江省各市碳排放總量動(dòng)態(tài)變化圖。計(jì)算2015年各市碳排放結(jié)構(gòu), 繪制各市碳排放結(jié)構(gòu)圖。計(jì)算1995—2015年各市分行業(yè)碳排放變化量占本市碳排放變化總量的比例, 正值表示碳排放增加, 負(fù)值表示碳排放減少, 繪制各行業(yè)碳排放對(duì)碳排放總量的貢獻(xiàn)圖。具體結(jié)果見(jiàn)圖1、圖2、圖3。

由圖1可知, 1995—2015年期間, 浙江省各市碳排放量總體上呈增加趨勢(shì)。總體上, 寧波市碳排放量最多, 其次為杭州市, 兩市碳排放量的最大值都超過(guò)了5000 萬(wàn)噸。舟山市、麗水市碳排放量較少, 兩市碳排放量的最大值都小于2000 萬(wàn)噸。嘉興市、紹興市、臺(tái)州市、溫州市、金華市、湖州市、衢州市碳排放量處于中等水平, 最大值介于3000—5000 萬(wàn)噸之間, 碳排放量的差距也較小。各市碳排放動(dòng)態(tài)變化大體可以分為兩個(gè)階段, 第一階段碳排放量較小, 但增速較快; 當(dāng)各市碳排放量增長(zhǎng)到一定水平后, 其增長(zhǎng)速度出現(xiàn)明顯放緩, 動(dòng)態(tài)變化相對(duì)平穩(wěn), 即進(jìn)入第二階段。各市進(jìn)入第二階段的時(shí)間有所不同, 嘉興市、紹興市、湖州市于2006年前后碳排放變化進(jìn)入第二階段; 杭州市、金華市、衢州市、麗水市、臺(tái)州市于2007年前后進(jìn)入第二階段; 寧波市、溫州市、舟山市于2011年前后碳進(jìn)入第二階段。

圖1 1995—2015年浙江省各市碳排放總量動(dòng)態(tài)變化

Figure 1 Variations in carbon emissions at the city-level in Zhejiang Province from 1995 to 2013

由圖2、圖3可知, 工業(yè)碳排放是各市碳排放總量的最大來(lái)源, 同時(shí)也是推動(dòng)各市碳排放總量增加的主要原因。除工業(yè)碳排放外, 湖州市、嘉興市、金華市、麗水市、寧波市、衢州市、臺(tái)州市的居民生活、交通倉(cāng)儲(chǔ)業(yè)、水泥生產(chǎn)碳排放是其碳排放總量的重要來(lái)源, 也是其碳排放總量增加的重要原因。杭州市的服務(wù)業(yè)、交通倉(cāng)儲(chǔ)業(yè)、水泥生產(chǎn)是其碳排放總量的重要來(lái)源, 也是其碳排放總量增加的重要原因。紹興市的建筑業(yè)、交通倉(cāng)儲(chǔ)業(yè)、水泥生產(chǎn)是其碳排放總量的重要來(lái)源, 也是碳排放總量增加的重要原因。溫州市的服務(wù)業(yè)、居民生活、交通倉(cāng)儲(chǔ)是其碳排放總量的重要來(lái)源, 也是其碳排放總量增加的重要原因。舟山市的居民生活、農(nóng)林牧漁水利業(yè)、交通倉(cāng)儲(chǔ)業(yè)碳排放是其碳排放總量的重要來(lái)源, 也是其碳排放總量增加的重要原因。各市稻田甲烷、牲畜管理碳排放呈減少趨勢(shì), 對(duì)各市碳排放總量的增加起抑制作用。

2.2 STIRPAT模型結(jié)果分析

為了分析人口、經(jīng)濟(jì)發(fā)展水平和能源消耗對(duì)浙江省碳排放總量的影響, 首先采用最小二乘法建立總?cè)丝?、人口城市化率、人均、煤類能源占比的自然?duì)數(shù)與浙江省碳排放總量自然對(duì)數(shù)的多元線性回歸模型, 估算各指標(biāo)的回歸系數(shù), 估算結(jié)果如表1所示。

圖2 2015年浙江省各市碳排放結(jié)構(gòu)

Figure 2 Carbon emissions structure of cities in Zhejiang Province in 2015

圖3 1995—2015年浙江省各市分行業(yè)碳排放對(duì)碳排放總量的貢獻(xiàn)

Figure 3 Contribution of carbon emissions to the total carbon emissions by sectors in Zhejiang Province from 1995 to 2015

表1 基于普通最小二乘法的模型估算結(jié)果

注:2=0.992, sig=0.000。

回歸模型的決定系數(shù)2=0.992,統(tǒng)計(jì)量也通過(guò)了1%的檢驗(yàn)。但是,、、、的方差膨脹因子(VIF)遠(yuǎn)大于10, 說(shuō)明變量之間存在嚴(yán)重的多重共線性, 回歸結(jié)果并不可靠。為了消除各變量之間的多重共線性, 本文采用嶺回歸方法重新建立回歸模型, 當(dāng)=0.05的時(shí)候, 各變量的變化趨于穩(wěn)定, 結(jié)果如表2所示。

嶺回歸模型的決定系數(shù)2=0.978, sig=0.000, 說(shuō)明回歸模型的擬合度良好, 各變量也通過(guò)了5%的顯著性水平檢驗(yàn)。根據(jù)嶺回歸結(jié)果, 建立回歸函數(shù), 如式12所示。

由模型結(jié)果可知, 人口總量、人口城市化率、人均GDP、煤類能源占比對(duì)浙江省碳排放總量起促進(jìn)作用, 其中人口總量的作用最為顯著, 其次為煤類能源占比、人口城市化率, 人均的作用最弱。人口總量、人口城市化率、人均GDP和煤類能源占比每增加1%, 浙江省的碳排放總量會(huì)分別增加3.578%、0.588%、0.295%和1.310%。燕華、黃蕊對(duì)上海市和重慶市碳排放影響因素的研究也表明人口總量對(duì)碳排放的影響最為顯著[18-19]。但也存在其他結(jié)果, 例如孫艷偉對(duì)海島城市碳排放影響因素的研究表明人口城市化率對(duì)碳排放的影響最為顯著[20]。人口是推動(dòng)浙江省碳排放總量增加的主要因素, 人口的增加一方面直接推動(dòng)了生活能源消費(fèi)的增加, 另一方面也間接刺激了各行業(yè)經(jīng)濟(jì)規(guī)模的擴(kuò)大。人口城市化率的提高表明消費(fèi)結(jié)構(gòu)的改變和消費(fèi)水平的提高。人均GDP反映了經(jīng)濟(jì)發(fā)展對(duì)碳排放總量的影響, 經(jīng)濟(jì)快速發(fā)展需要以能源消耗為支撐, 因此會(huì)導(dǎo)致碳排放的迅速增加。煤類能源占比反映了能源結(jié)構(gòu)對(duì)碳排放的影響。

表2 基于嶺回歸的模型估算結(jié)果

注:2=0.978, sig=0.000。

2.3 碳排放總量多情景預(yù)測(cè)分析

2.3.1 多情景設(shè)置

(1) 人口因素情景

根據(jù)《浙江藍(lán)皮書(shū)》的預(yù)測(cè), 到2020年浙江省總?cè)丝趯⑦_(dá)到5777 萬(wàn)人左右, 2023年達(dá)到人口峰值5783—5822 萬(wàn)人左右, 之后緩慢減少, 到2030年達(dá)到5705—5733 萬(wàn)人左右[21]。考慮到浙江省人口變化比較穩(wěn)定, 因此人口因素只設(shè)置基準(zhǔn)情景。計(jì)算《浙江藍(lán)皮書(shū)》對(duì)浙江省2020、2025、2030 年總?cè)丝陬A(yù)測(cè)的均值, 設(shè)定總?cè)丝谠?020、2025、2030 年分別為5777、5802.5、5719 萬(wàn)人。

根據(jù)浙江省“十三五”規(guī)劃, 到2020年人口城市化率要達(dá)到70%, 因此, 根據(jù)浙江省2015-2020年的人口城市化率的平均變化率將2020、2025、2030年人口城市化率的基準(zhǔn)情景分別設(shè)置為70%、72.5%、75%。高值情景和低值情景以基準(zhǔn)情景為基礎(chǔ)分別上調(diào)、下調(diào)一個(gè)百分點(diǎn)。

(2) 經(jīng)濟(jì)因素情景

根據(jù)浙江省“十三五”規(guī)劃, 到2020年生產(chǎn)總值、人均生產(chǎn)總值、城鄉(xiāng)居民收入要比2010年翻一番, 經(jīng)濟(jì)增長(zhǎng)速度保持在7%?？紤]到浙江省今后經(jīng)濟(jì)發(fā)展將由中高速發(fā)展轉(zhuǎn)變?yōu)橹兴侔l(fā)展, 因此, 將2020、2025、2030年人均生產(chǎn)總值的年均增長(zhǎng)速度的基準(zhǔn)情景分別設(shè)置為7%、6%、5%。高值情景和低值情景以基準(zhǔn)情景為基礎(chǔ)分別上調(diào)、下調(diào)一個(gè)百分點(diǎn)。

(3) 技術(shù)因素情景

以2015年浙江省煤類能源占比為基礎(chǔ), 用2010-2015的平均變化率推算2020、2025、2030年煤類能源占比基準(zhǔn)情景分別為0.61%、0.56%、0.52%。考慮到煤類能源占比變化速度較慢, 因此高值情景和低值情景以基準(zhǔn)情景為基礎(chǔ)分別將變化率上調(diào)、下調(diào)0.1個(gè)百分點(diǎn)。

綜合人口因素、經(jīng)濟(jì)因素、技術(shù)因素的各個(gè)情景, 將浙江省未來(lái)經(jīng)濟(jì)社會(huì)發(fā)展情景設(shè)置為5種情景, 具體內(nèi)容見(jiàn)表3。

2.3.2 碳排放總量多情景預(yù)測(cè)分析

利用式(13), 并結(jié)合多情景分析技術(shù), 得到2030年浙江省在多情景設(shè)置下的碳排放總量預(yù)測(cè)結(jié)果, 具體結(jié)果見(jiàn)圖4。

由圖4可知, 在情景1下, 浙江省碳排放總量在2030年將達(dá)到了46093.71 萬(wàn)噸。在未來(lái), 浙江省經(jīng)濟(jì)和人口城市化處在高速增長(zhǎng)和能源效率提升的效果不明顯的情境下(情景2), 浙江省碳排放總量將會(huì)大幅增長(zhǎng), 到2030年達(dá)到54122.19萬(wàn)噸, 是情景1的1.17倍, 碳排放總量較情景1增加8028.474 萬(wàn)噸。在未來(lái), 浙江省經(jīng)濟(jì)和人口城市化處在低速增長(zhǎng)且能源效率提升得到很好實(shí)現(xiàn)的情境下(情景5), 浙江省碳排放總量的增長(zhǎng)幅度最小, 到2030年達(dá)到42591.05 萬(wàn)噸, 較基準(zhǔn)情景減排3502.66 萬(wàn)噸, 較情景2減排達(dá)11531.13 萬(wàn)噸。這說(shuō)明在情景5下, 浙江省能夠達(dá)到很好的減排效果, 但是這一情景是以減緩經(jīng)濟(jì)發(fā)展和城市化速度為代價(jià)的, 不能做到經(jīng)濟(jì)發(fā)展、提高人民生活水平與控制碳排放量相協(xié)調(diào)。在情景4下, 浙江省2030年碳排放總量將達(dá)到48121.02 萬(wàn)噸, 是情景1的1.04倍, 經(jīng)濟(jì)和人口城市化發(fā)展速度卻低于情景1, 是一種最不理想的社會(huì)發(fā)展情景。在情景3下, 2030年浙江省碳排放總量為47902.57 萬(wàn)噸, 是情景1的1.04倍, 但經(jīng)濟(jì)和城市化速度要高于情景1, 較相同經(jīng)濟(jì)和城市化發(fā)展速度的情景2下降了11.49%, 減排量達(dá)6219.61 萬(wàn)噸。因此, 綜合保持經(jīng)濟(jì)發(fā)展與控制碳排放量的要求, 情景3能夠達(dá)到在保持經(jīng)濟(jì)和城市化水平快速發(fā)展的同時(shí)通過(guò)提高能源使用效率、優(yōu)化能源結(jié)構(gòu)來(lái)達(dá)到控制碳排放量的目的。因此, 浙江省對(duì)碳排放量的控制可以參考情景3的社會(huì)經(jīng)濟(jì)發(fā)展模式。

在情景3下浙江省碳排放強(qiáng)度為0.39 噸/萬(wàn)元, 相比2015年的0.88噸/萬(wàn)元下降了55.63%, 從碳排放強(qiáng)度的角度看減排效果非常明顯。因此, 在效率視角下的碳配額也將使用情景3下的碳排放總量作為總量限定。

2.4 ZSG-DEA模型碳配額分析

以各市2015年碳排放總量為投入, 總?cè)丝?、GDP、能源消耗量為產(chǎn)出, 計(jì)算浙江省各市碳排放效率, 具體結(jié)果見(jiàn)表4。

圖4 多情景預(yù)測(cè)下浙江省2030年碳排放總量

Figure 4 Prediction on carbon emissions in Zhejiang Province under various scenarios

表3 浙江省2030年經(jīng)濟(jì)社會(huì)發(fā)展情景設(shè)置

表4 2015年浙江省各市碳排放效率

由表4可知, 2015年浙江省市域碳排放綜合效率均值為0.909, 說(shuō)明浙江省碳排放效率較高。杭州市、麗水市、溫州市、舟山市碳排放綜合效率達(dá)到1, 為碳排放綜合效率最優(yōu)的市域。寧波市、紹興市的綜合效率值分別為0.933、0.936, 超過(guò)了全省綜合效率均值。湖州市、嘉興市、金華市、衢州市綜合效率值分別為0.805、0.840、0.930、0.697, 低于全省綜合效率均值。

利用ZSG-DEA對(duì)浙江省2030年碳排放進(jìn)行配額, 首先需要浙江省各市2030年的碳排放總量、總?cè)丝?、GDP、能源消耗量四個(gè)指標(biāo)。由于DEA模型計(jì)算的效率值為決策單元集合內(nèi)的相對(duì)效率值, 考慮到近年來(lái)浙江省各市碳排放動(dòng)態(tài)變化比較穩(wěn)定, 因此使用2010—2015年各市碳排放平均值占比作為2030年各市碳排放占比, 以情景3下浙江省2030年碳排放作為總量限定計(jì)算出各市2030年碳排放量。以各市2015年總?cè)丝诤虶DP為基準(zhǔn), 利用2010—2015年總?cè)丝诤虶DP的平均變化率推算得出2030年各市的總?cè)丝诤虶DP。計(jì)算各市2010—2015年單位能耗(標(biāo)準(zhǔn)煤)下的碳排放量的平均變化率, 以2015年單位能耗碳排放為基準(zhǔn)推算出各市2030年單位能耗碳排放, 最終通過(guò)各市2030年碳排放量計(jì)算出各市2030年能耗。以各市2030年碳排放量作為投入, 人口、GDP、能耗作為產(chǎn)出構(gòu)建ZSG-DEA模型, 通過(guò)ZSG-DEA模型的多次迭代計(jì)算使得各市碳排放DEA效率值達(dá)到1。具體結(jié)果見(jiàn)表5。

表5 ZSG-DEA模型下的浙江省2030年碳排放配額

由表5可知, 利用ZSG-DEA模型進(jìn)行兩次迭代調(diào)整后, 各市碳排放效率均達(dá)到最優(yōu)。由于ZSG-DEA模型是在總量限定的條件下對(duì)各市域碳排放配額進(jìn)行調(diào)整, 因此, 進(jìn)行優(yōu)化調(diào)整時(shí)必然出現(xiàn)一部分市域碳排放配額增加, 另一部分市域碳排放配額減少的情況。具體來(lái)看, 湖州市、嘉興市、金華市、寧波市、衢州市、臺(tái)州市共6個(gè)市域碳排放配額需要減少, 其余5個(gè)市域可以增加碳排放配額。其中, 寧波市需要減少的碳配額最多, 達(dá)1204.77 萬(wàn)噸, 紹興市可以增加的碳配額最多, 達(dá)696.51 萬(wàn)噸。從各市2030年碳排放配額的結(jié)果看, 寧波市2030年碳排放配額最多, 達(dá)11885.06 萬(wàn)噸, 其次為杭州市(7271.76 萬(wàn)噸)、嘉興市(5138.27 萬(wàn)噸)、紹興市(4926.64 萬(wàn)噸)、溫州市(4022.39 萬(wàn)噸)、臺(tái)州市(3965.86 萬(wàn)噸)、金華市(3239.58 萬(wàn)噸)、湖州市(2635.74 萬(wàn)噸)、衢州市(2338.74萬(wàn)噸)、舟山市(1641.95 萬(wàn)噸)、麗水市(836.59 萬(wàn)噸)。

計(jì)算各市2015-2030年的絕對(duì)剩余碳排放空間和相對(duì)剩余碳排放空間。具體結(jié)果見(jiàn)表6。

從各市2015-2030年絕對(duì)碳排放剩余空間看, 寧波市碳排放剩余空間最大, 為2208.42萬(wàn)噸, 其次為杭州市(1992.95 萬(wàn)噸)、紹興市(1064.62 萬(wàn)噸)、嘉興市(1149.98 萬(wàn)噸)、臺(tái)州市(1064.62 萬(wàn)噸)、溫州市(892.58 萬(wàn)噸)、金華市(511.06 萬(wàn)噸)、麗水市(319.60 萬(wàn)噸)、衢州市(273.70 萬(wàn)噸)、湖州市(197.82 萬(wàn)噸)、舟山市(-171.68 萬(wàn)噸)。相對(duì)剩余碳排放空間可以間接反映各市的減排壓力, 相對(duì)剩余碳排放空間越大減排壓力越小, 反之減排壓力越大。從2015—2017年各市相對(duì)剩余碳排放空間看, 麗水市相對(duì)剩余碳排放空間最大, 剩余碳排放空間占2015年實(shí)際碳排放的比例達(dá)61.82%, 其次為紹興市(45.84%)、杭州市(37.75%)、臺(tái)州市(36.40%)、嘉興市(28.83%)、溫州市(28.52%)、寧波市(22.82%)、金華市(18.73%)、衢州市(13.25%)、湖州市(8.11%), 舟山市則需在2015年實(shí)際碳排放的基礎(chǔ)上減排9.47%。由此可見(jiàn), 實(shí)際碳排放較少、碳排放效率較高的, 相對(duì)剩余碳排放空間較大, 如麗水市、紹興市等。實(shí)際碳排放較多、碳排放效率較低的市域, 相對(duì)碳排放空間越小, 如湖州市、衢州市等。

3 結(jié)論與討論

3.1 結(jié)論

本文采用STIRPAT模型分析了總?cè)丝?、人口城市化率、人均、煤類能源占比?duì)碳排放總量的影響, 并結(jié)合情景分析法對(duì)浙江省2030年碳排放總量進(jìn)行預(yù)測(cè), 最后通過(guò)ZSG-DEA模型在效率視角下進(jìn)行碳排放配額。主要結(jié)論如下:

(1) 研究期內(nèi)浙江省各市碳排放總體上呈增加的趨勢(shì)。從各市碳排放總量看, 寧波市、杭州市碳排放量較多, 舟山市、麗水市碳排放量較少, 其他市域碳排放量處于中等水平。各市碳排放動(dòng)態(tài)變化大體可以將其分為兩個(gè)階段。第一階段各市碳排放量較小, 但增速較快, 第二階段碳排放增長(zhǎng)速度明顯放緩, 動(dòng)態(tài)變化相對(duì)平穩(wěn), 但各市進(jìn)入第二階段的時(shí)間有所不同。浙江省各市的工業(yè)碳排放是其碳排放總量的最大來(lái)源, 同時(shí)也是推動(dòng)各市碳排放總量增加的主要原因。

表6 2015—2030年浙江省各市剩余碳排放空間

(2) 嶺回歸結(jié)果表明, 總?cè)丝凇⑷丝诔鞘谢?、人均GDP、煤類能源占比對(duì)浙江省碳排放總量均起促進(jìn)作用?？?cè)丝趯?duì)碳排放總量的影響最大, 其次為煤類能源占比、人口城市化率, 人均的作用最弱。人口總量、人口城市化率、人均和煤類能源占比每增加1%, 浙江省的碳排放量會(huì)分別增加3.578%、0.588%、0.295%和1.310%。

(3) 情景預(yù)測(cè)結(jié)果表明, 在情景1下浙江省碳排放總量在2030年將達(dá)到46093.71 萬(wàn)噸。在保持經(jīng)濟(jì)、城市化高速發(fā)展, 節(jié)能減排措施效果不佳的情景下, 浙江省碳排放總量增長(zhǎng)幅度最大, 到2030年可達(dá)到54122.19 萬(wàn)噸, 是2015年碳排放總量的1.43倍。在保持經(jīng)濟(jì)、城市化低速發(fā)展, 大力實(shí)施能源結(jié)構(gòu)調(diào)整的情景下, 碳排放總量增長(zhǎng)幅度最小, 到2030年可達(dá)42591.05 萬(wàn)噸, 是2015年的1.12倍。最符合現(xiàn)實(shí)發(fā)展要求的情景是在保持經(jīng)濟(jì)和城市化高速發(fā)展的同時(shí), 大力實(shí)施能源結(jié)構(gòu)調(diào)整和節(jié)能減排措施, 此情景下浙江省2030年碳排放為47902.57 萬(wàn)噸。

(4) ZSG-DEA模型的碳配額結(jié)果顯示, 從碳配額角度看, 2030年寧波市碳配額最多, 其次為杭州市, 麗水市碳配額最少。從絕對(duì)剩余碳排放空間看, 寧波市剩余碳排放空間最大, 其次為杭州市, 舟山市剩余碳排放空間最小。從相對(duì)剩余碳排放空間看, 麗水市相對(duì)剩余碳排放空間最大, 其次為紹興市, 舟山市需在2015年碳排放總量的基礎(chǔ)上減排9.47%。

3.2 討論

本文在較為全面的核算浙江省各市1995—2015年碳排放的基礎(chǔ)上, 先運(yùn)用STIRPAT模型和情景預(yù)測(cè)分析對(duì)全省2030年碳配額提出了一個(gè)較為科學(xué)合理的目標(biāo), 再通過(guò)ZSG-DEA模型在效率視角下對(duì)各市進(jìn)行碳配額和減排壓力分析, 以期為浙江省今后的碳配額分配和低碳發(fā)展提供借鑒。通過(guò)分析發(fā)現(xiàn)湖州市、金華市、寧波市、衢州市、舟山市的相對(duì)剩余碳排放空間較小, 在未來(lái)發(fā)展中面臨較大的減排壓力。工業(yè)碳排放是各市碳排放總量的主要來(lái)源, 也是推動(dòng)碳排放總量增加的主要原因。因此, 這就要求這些市域在經(jīng)濟(jì)發(fā)展中一方面要嚴(yán)格控制能耗高、產(chǎn)能過(guò)剩企業(yè), 提高節(jié)能減排標(biāo)準(zhǔn), 對(duì)于鋼鐵、船舶制造、冶金等行業(yè)中不符合環(huán)保和能耗要求的企業(yè)要引導(dǎo)其改進(jìn)技術(shù)甚至有序退出。另一方面要尋找新的經(jīng)濟(jì)增長(zhǎng)點(diǎn), 推動(dòng)制造業(yè)高端化、智能化、綠色化。推動(dòng)紡織、服裝、化工、農(nóng)副產(chǎn)品加工業(yè)等傳統(tǒng)產(chǎn)業(yè)轉(zhuǎn)型升級(jí)。推進(jìn)信息、環(huán)保、旅游、金融、高端裝備制造業(yè)和文化創(chuàng)意產(chǎn)業(yè)等低能耗、高附加值的新興產(chǎn)業(yè)的發(fā)展, 打造節(jié)能環(huán)保的新興產(chǎn)業(yè)集群。除工業(yè)碳排放外, 居民生活、交通倉(cāng)儲(chǔ)業(yè)碳排放對(duì)各市碳排放的增加也起著較為重要的作用。各市在今后發(fā)展中應(yīng)提倡低碳綠色的生活和消費(fèi)方式, 完善公共交通等公共服務(wù)設(shè)施, 引導(dǎo)居民低碳出行, 推廣新能源汽車等。另外, 碳交易是促進(jìn)資源優(yōu)化配置的重要手段。浙江省應(yīng)建立健全碳交易市場(chǎng), 促進(jìn)各市之間的碳交易。剩余碳排放空間較大的市域可出售碳指標(biāo), 剩余碳排放空間較小的市域可購(gòu)買碳指標(biāo), 以發(fā)揮各市優(yōu)勢(shì), 促進(jìn)全省經(jīng)濟(jì)增長(zhǎng)和環(huán)境保護(hù)的協(xié)調(diào)發(fā)展。

[1] Xu Qian, Dong Yuxiang, Yang Ren. Urbanization impact on carbon emissions in the Pearl River Delta region: Kuznets curve relationships[J]. Journal of Cleaner Production, 2018, 180: 514–523.

[2] 張凱. 山東省工業(yè)碳排放初始配置優(yōu)化研究[D]. 濟(jì)南: 山東大學(xué), 2018: 58.

[3] 宋杰鯤, 張凱新, 曹子建. 省域碳排放配額分配—融合公平和效率的研究[J]. 干旱區(qū)資源與環(huán)境, 2017, 31(5): 8–13.

[4] Phylipsen G, Bode J, Blok K, etc. A triptych sectoral approach to burden differentiation: GHG emissions in developing countries[J]. Energy Policy, 1998, 34(14): 1889–1899.

[5] 孫根年, 李靜, 魏艷旭. 環(huán)境學(xué)習(xí)曲線與我國(guó)碳減排目標(biāo)的地區(qū)分解[J]. 環(huán)境科學(xué)研究, 2011, 24(10): 1194–1202.

[6] Lins M P E, Gomes E, Soares de Mello, et al. Olympic Ranking Based on a Zero Sum Gains DEA model[J]. European Journal of Operational Research, 2003, 148(2): 312–322.

[7] 林坦, 寧俊飛. 基于零和DEA模型的歐盟國(guó)家碳排放權(quán)分配效率研究[J]. 數(shù)量經(jīng)濟(jì)技術(shù)經(jīng)濟(jì)研究, 2011, 36–49.

[8] 王勇, 賈雯, 畢瑩. 效率視角下中國(guó)2030年二氧化碳排放峰值目標(biāo)的省區(qū)分解—基于零和收益DEA模型的研究[J]. 環(huán)境科學(xué)學(xué)報(bào), 37(11): 4399–4408.

[9] 浙江省發(fā)展改革委員會(huì). 浙江省市縣溫室氣體清單編制指南(2015年修訂版) [R]. 浙江, 2016.

[10] IPCC. Climate change 2014 synthesis report[R]. Intergovernmental Panel on Climate Change, 2015.

[11] Dietz T, Rosa E A. Rethingking the environmental impacts of population, affluence and technology[J]. Human Ecology Review, 1994, 1: 277–300.

[12] 陳志建, 王錚. 中國(guó)地方政府碳減排壓力驅(qū)動(dòng)因素的省際差異—基于STIRPAT模型[J]. 資源科學(xué), 2012, 34(4): 718–724.

[13] 王泳璇, 王憲恩. 基于城鎮(zhèn)化的居民生活能源消費(fèi)碳排放門(mén)限效應(yīng)分析[J]. 中國(guó)人口.資源與環(huán)境, 2016, 26(12): 94–102.

[14] 劉曉燕. 基于STIRPAT模型的工業(yè)能源消費(fèi)碳排放影響因素分析[J]. 生態(tài)經(jīng)濟(jì), 2019, 35(3): 27–31.

[15] 吳青龍, 王建明, 郭丕斌. 開(kāi)放STIRPAT模型的區(qū)域碳排放峰值研究—以能源生產(chǎn)區(qū)域山西省為例[J]. 資源科學(xué), 2018, 40(5):1051–1062.

[16] 宋曉暉, 張?jiān)７? 汪藝梅, 等. 基于IPAT擴(kuò)展模型分析人口因素對(duì)碳排放的影響[J]. 環(huán)境科學(xué)研究, 2012, 25(1): 109–115.

[17] 中華人民共和國(guó)國(guó)家統(tǒng)計(jì)局. 中國(guó)能源統(tǒng)計(jì)年鑒[M]. 北京: 中國(guó)統(tǒng)計(jì)出版社, 1995–2015.

[18] 燕華, 郭運(yùn)功, 林逢春. 基于STIRPAT模型分析CO2控制下上海城市發(fā)展模式[J]. 地理學(xué)報(bào), 2010, 65(8): 983–990.

[19] 黃蕊, 王錚. 基于STIRPAT模型的重慶市能源消費(fèi)碳排放影響因素研究[J]. 環(huán)境科學(xué)學(xué)報(bào), 2013, 33(2): 602–608.

[20] 孫艷偉, 李加林, 李偉芳, 等. 海島城市碳排放測(cè)度及其影響因素分析—以浙江省舟山市為例[J]. 地理研究, 2018, 37(5): 1023–1033.

[21] 浙江省社會(huì)科學(xué)院. 浙江省藍(lán)皮書(shū): 2017年浙江發(fā)展報(bào)告[M]. 杭州: 浙江人民出版社, 2017.

Allocating carbon emission allowance from the perspective of efficiency at the city-level in Zhejiang Province

LI Zekun1,2,3, REN Liyan1,2,3,*, MA Renfeng1,2,3, LIU Yongqiang1,2,3, YAO Dan1,2,3

1. Department of Geography and Spatial Information Technology, Center for land and marine spatial utilization and governance research, Ningbo University, Ningbo 315211,China 2. Ningbo Universities Collaborative Innovation Center for land and marine spatial utilization and governance research at Ningbo University, Ningbo 315211,China 3. Institute of East China Sea, Ningbo University, Ningbo 315211, China

This paper calculated the carbon emission in Zhejiang Province from 1995 to 2015, and analyzed its influencing factors using STIRPAT model. Then the total carbon emission in 2030 was forecasted by scenario prediction, and was allocated to each city according to efficiency. Finally, the residual carbon emission space in each city was analyzed. Results showed that: (1) The total population, population urbanization rate, per capita GDP and proportion of coal type energy were the factors which accelerated the carbon emission, and with 1% increase of each factor increased the total carbon emission by 3.578%, 0.588%, 0.295%, and 1.310% respectively. (2) Scenario 3 matched the development requirement most by adjusting industrial structure, saving energy, reducing emission and at the same time keeping the rapid development of economy and urbanization. Under this scenario, carbon emission in Zhejiang Province would reach 479025700 tons in 2030. (3) The quota allocation results of carbon emission showed that, based on the ZSG-DEA model, Ningbo had the most quota in 2030 followed by Hangzhou, while Lishui had the least. According to the absolute residual carbon emission space, Ningbo had the largest residual space, followed by Hangzhou, while Zhoushan had the smallest. According to the relative residual carbon emission space, Lishui ranked first, followed by Shaoxing. Zhoushan should reduce emission by 9.47% on the basis of 2015.

quota allocation of carbon emission; STIRPAT; scenario prediction; ZSG-DEA model; residual carbon emission space

10.14108/j.cnki.1008-8873.2020.03.026

X22

A

1008-8873(2020)03-201-11

2019-10-12;

2019-12-06

寧波市軟科學(xué)項(xiàng)目(2017A10053); 國(guó)家自然科學(xué)基金(41601171)

李澤坤(1997—), 男, 山西臨汾人, 碩士研究生, 研究方向?yàn)樘寂欧? E-mail: 1872119530@qq.com

任麗燕, 女, 博士, 副教授,主要從事碳排放研究, E-mail: renliyan@nbu.edu.cn

李澤坤, 任麗燕, 馬仁鋒, 等. 基于效率視角的浙江省2030年碳排放配額分析[J]. 生態(tài)科學(xué), 2020, 39(3): 201–211.

LI Zekun, REN Liyan, MA Renfeng, et al. Allocating carbon emission allowance from the perspective of efficiency at the city-level in Zhejiang Province[J]. Ecological Science, 2020, 39(3): 201–211.