动态省级电力CO2排放因子对区域碳达峰路径的影响

贾敏; 张立; 张哲; 宋晓晖; 姜玲玲; 蔡博峰; 赵良; 芦新波; 张泽宸; 郑海涛; 汤铃; 王金南; 舒印彪

doi:10.15302/J-SSCAE-2024.04.007

中国工程科学 ›› 2024, Vol. 26 ›› Issue (4) : 121 -133. DOI: 10.15302/J-SSCAE-2024.04.007

我国碳达峰碳中和若干重大问题研究

动态省级电力CO₂排放因子对区域碳达峰路径的影响

贾敏 ¹ ,
张立 ² ,
张哲 ³ ,
宋晓晖 ³ ,
姜玲玲 ⁴ ,
蔡博峰 ³ ,
赵良 ⁵ ,
芦新波 ⁵ ,
张泽宸 ³ ,
郑海涛 ¹ ,
汤铃 ⁶ ,
王金南 ³ ,
舒印彪 ⁷

作者信息 +

Impacts of Dynamic Province-Level Power-Grid CO₂ Emission Factor on Regional Carbon-Peaking Pathways

Min Jia ¹ ,
Li Zhang ² ,
Zhe Zhang ³ ,
Xiaohui Song ³ ,
Lingling Jiang ⁴ ,
Bofeng Cai ³ ,
Liang Zhao ⁵ ,
Xinbo Lu ⁵ ,
Zechen Zhang ³ ,
Haitao Zheng ¹ ,
Ling Tang ⁶ ,
Jinnan Wang ³ ,
Yinbiao Shu ⁷

Author information +

文章历史 +

PDF (1086K)

摘要

电力CO₂排放因子是精准核算消费端间接排放的重要参数，也是准确量化消费端CO₂排放路径的核心指标。本文首次探究了2020—2035年省级电力CO₂排放因子的时空特征并与官方来源因子进行对比，全面整合了历史直接排放数据以及精准量化电力消费间接排放的重要性，详细预测了不同情景下2020—2035年省级电力消费间接排放及各省排放路径并量化不同时空精度电力CO₂排放因子对各省排放路径的影响。研究表明：（1）2020—2035年，各省电力CO₂排放因子呈现持续下降趋势，而现有公开的电力CO₂排放因子与本研究省级水平相比存在差异；（2）2010—2020年，电力净调入省份的电力消费间接排放及其占比逐渐增加，北京、上海、浙江等省份占比最高；（3）在情景1和情景3（全国、省级维度因子固定不变情景）下，各省的电力消费间接排放和总排放显著高于情景2和情景4（全国、省级维度因子动态变化情景）的估算结果；情景1和情景2（全国维度因子固定不变、动态变化情景）与情景3和情景4（省级维度因子固定不变、动态变化情景）中的估算结果差异较大；对于如北京、上海、广东等电力消费间接排放占比较大的省份，选取不同空间精度的电力CO₂排放因子对其排放总量影响较为明显，进一步导致相关达峰年的偏移。研究结论对支撑各省碳达峰路径规划、降低电力消费间接排放预测的不确定性具有参考价值。

Abstract

The power grid CO₂emission factor is a critical parameter for accurately calculating indirect emissions from the electricity consumption side, serving as a core indicator for precisely quantifying the CO₂ emission pathways at the consumption side. This study explores the temporal and spatial characteristics of the province-level power-grid CO₂ emission factors from 2020 to 2035 and compares them with official-source factors. Moreover, it integrates historical direct-emission data to accurately quantify the importance of indirect emissions from the electricity consumption side. Additionally, it predicts the province-level indirect emissions and emission pathways under different scenarios from 2020 to 2035, quantifying the impacts of power grid CO₂ emission factors with distinct temporal and spatial accuracies on provincial emission pathways. The results indicate that: (1) from 2020 to 2035, the power grid CO₂ emission factors of all provinces are expected to exhibit sustained decreasing trends, and there are disparities between the existing publicly available power-grid CO₂ emission factors and provincial levels in the study. (2) From 2010 to 2020, the indirect emissions from electricity consumption and their proportions in net electricity-importing provinces had gradually increased, with Beijing, Shanghai, and Zhejiang province having the largest proportions. (3) Under Scenarios 1 (constant power-grid CO₂ emission factors on the national level) and 3 (constant power-grid CO₂ emission factors on the provincial level), the indirect emissions from electricity consumption and total emissions of all provinces will be significantly higher than the estimated results in Scenarios 2 (dynamic power-grid CO₂ emission factor on the national level) and 4 (dynamic power-grid CO₂ emission factor on the provincial level). The estimation results of Scenarios 1 and 2 are projected to differ significantly from those of Scenarios 3 and 4. For provinces with large proportions of indirect emissions from electricity consumption, such as Beijing, Shanghai, and Guangdong, selecting power grid CO₂ emission factors with different spatial accuracies is expected to have noticeable impacts on their total emissions, further leading to shifts in their peaking years. The research results can provide a reference for supporting the planning of carbon peaking pathways in various provinces and reducing the uncertainty in indirect emission forecasts.

Graphical abstract

关键词

电力CO₂排放因子 / 碳达峰 / 排放路径 / 电力消费间接排放 / 省级维度

Key words

power grid CO₂ emission factor / carbon peaking / emission pathway / indirect emissions from electricity consumption / province-level

引用本文

引用格式 ▾

贾敏,张立,张哲,宋晓晖,姜玲玲,蔡博峰,赵良,芦新波,张泽宸,郑海涛,汤铃,王金南,舒印彪. 动态省级电力CO₂排放因子对区域碳达峰路径的影响[J]. 中国工程科学, 2024, 26(4): 121-133 DOI:10.15302/J-SSCAE-2024.04.007

登录浏览全文

4963

注册一个新账户忘记密码

一前言

在“双碳”目标背景下，我国逐步加强对生产端和消费端的管控力度，其中，电力行业是CO₂排放占比最大的工业行业。2020—2022年，我国电力行业CO₂排放占排放总量的比例高达35%~40%^[1~7]。大力推动电力行业清洁能源生产，大幅提高以风电、太阳能发电为代表的非化石能源消耗占比，全面实现电力行业深度低碳 / 零碳目标，是控制电力行业CO₂排放的重要手段。此外，伴随着电气化的快速发展，工业、建筑和交通等部门的电力需求量将显著提高，由电力消费带来的间接排放占比逐步增加，低碳电力的发展将助力电力消费端实现CO₂大幅减排。在此背景下，厘清未来电力消费端CO₂排放路径，积极推动电力消费端CO₂减排，是实现“双碳”目标的重要举措。

间接排放是消费端CO₂排放的重要构成要素，精准核算间接排放是全面厘清消费端CO₂排放路径的重要基础。一般而言，间接排放指区域边界内的活动引发、但发生在区域边界外所带来的排放。对于多数非高耗能行业，间接排放是其CO₂排放的主要构成部分，例如，我国建筑部门的间接排放占CO₂排放总量的比例高达90%以上^[8]。特别地，间接排放重点包含企业为满足自身用电需求而外购电力所带来的CO₂排放，该部分排放产生于电力生产端，但由于电力消费端导致，因此纳入需求端间接排放计量（以下统一简称电力消费间接排放）。在省级维度，电力消费间接排放占省份CO₂排放总量的比例逐渐提高，成为评估省级消费端排放路径的重要影响因素。截至2021年，北京、上海的电力消费间接排放占比大于15%，浙江和河北的占比大于10%^[9]。伴随未来各部门电力需求的显著提升，电力消费间接排放在CO₂总排放中的贡献将持续增加。因此，准确评估消费端电力消费间接排放量，精准把握电力消费间接排放动态趋势，是精准厘清消费端CO₂排放路径的前提和关键基础。

电力CO₂排放因子是精准核算电力消费端间接排放的重要参数，是准确量化消费端CO₂排放路径的核心指标。根据国家发展和改革委员会发布的温室气体核算标准^[10]，电力消费间接排放核算主要采用排放因子法，即外购电量与电力CO₂排放因子相乘。在确定净外购电量的前提下，电力CO₂排放因子成为影响电力消费间接排放核算准确性的重要指标。一般而言，电力CO₂排放因子空间精度越高，数据年份越接近核算年份，电力消费间接排放和消费端排放核算准确性越高。在空间精度方面，我国公开的电力CO₂排放因子主要划分为3个层级：全国维度、区域维度和省级维度。对于全国维度，我国分别公布了2015年^[11]、2021年^[12]和2022年^[13]的全国电力CO₂排放因子；对于区域维度，我国分别公布了2010年^[14]、2011年^[15]和2012年^[15]的区域电力CO₂排放因子；对于省级维度，我国分别公布了2010年^[14]、2012年^[16]和2018年^[17]的省级电力CO₂排放因子。然而，现有公开的电力CO₂排放因子仍存在空间精度低或数据更新不及时的问题，无法准确评估消费端CO₂排放总量，极大地提高了消费端排放核算的不确定性。

对此，现有研究针对区域电力CO₂排放因子展开，重点从区域和省级维度进行测算^[18~20]。在研究时间方面，现有研究重点针对现状^[18,19]或未来^[20]电力CO₂排放因子进行核算。在研究方法方面，现有研究测算电力CO₂排放因子重点应用两种方法：自上而下的宏观测算法^[21~23]和自下而上的平衡分析法^{[18,20,24,25]}。其中，宏观测算法重点基于宏观排放数据计算该区域的电力CO₂排放因子；平衡分析法主要基于实际电力发电数据、电力交换数据等测算电力CO₂排放因子。相比较而言，平衡分析法测算基础数据更为精准，其核算结果准确性更高^[20]。在研究内容方面，现有研究仍重点关注电力CO₂排放因子核算^[18~20]，缺少电力CO₂排放因子对消费端排放路径的影响机制分析，无法量化评估不同精度电力CO₂排放因子对消费端排放变化趋势的影响，从而极大地制约了消费端CO₂排放路径的精准核算。

本研究基于团队2020—2035年动态、省级电力CO₂排放因子研究成果^[20]，进一步对比分析2020—2035年省级电力CO₂排放因子与现有公开电力CO₂排放因子（全国维度、区域维度和省级维度）的差异。结合省级维度CO₂直接排放数据，量化突出电力消费间接排放对各省CO₂排放总量的重要性。此外，通过设定不同电力CO₂排放因子的应用情景，深入挖掘不同时空精度电力CO₂排放因子对各省CO₂电力消费间接排放和排放路径的影响，对于降低间接排放预测不确定性以及支撑各省（区）碳达峰、碳中和路径规划具有重要的参考价值。

二研究方法和数据基础

本研究系统耦合我国省级电网生产调度优化模型（OPPD）^[20]、中长期排放路径模型（CAEP-CP 2.0）、排放因子法等方法，全面评估2020—2035年我国各省CO₂直接排放量、电力消费间接排放量和总排放量（见图1），准确量化各省电力消费间接排放量占总排放量比例，为深入探究电力CO₂排放因子对区域碳达峰路径的影响奠定技术与方法基础。

（一） 2020—2035年各省电力消费间接排放测算方法

对于2020—2035年省级电力CO₂排放因子，本研究重点沿用已有研究结果^[20]，基于各省发电数据、电力交换数据以及电力行业发展规划目标等数据，通过耦合平衡分析法和非线性优化模型，测算现状及未来年（2020—2035年）动态的省级电力需求、生产结构和电力CO₂排放因子变化情况。其中，对于现状年，研究基于统计年鉴等数据来源，测算实时省级电力CO₂排放因子。对于未来年预测，首先基于中国工程院测算的全国总发电量^[26]和相关研究^[27]的各省人口预测结果，在各省份人均电力消费未来年均增速等于全国人均电力消费的假设前提下，预测2020—2035年省级电力消费情况；其次，应用非线性优化模型，全面整合现有电力发展规划政策指标，以未来年可再生能源发电、电力需求供给、能源安全和政策规划等为约束下预测未来年各省份电力生产结构；最后，应用平衡分析法，基于现有电力传输通道和未来年电力生产结构，推测未来年电力调度情况（本研究暂未考虑传输线路新增或减少），进一步测算未来年省级电力CO₂排放因子。其中，净调出省份的电网排放因子计算见公式（1）：

E F i o u t, t = G i o u t, j g a s, t × e f i o u t, j g a s, t + G i o u t, j c o a l, t × e f i o u t, j c o a l, t ∑ j G i o u t, j, t

（1）

式（1）中，i _out为净调出省份；j为发电类别（即煤电、气电、风电、光电、核电、水电和生物质发电）；t为核算年份；

E F i o u t, t

为净调出省份电网排放因子（kgCO₂/kW·h）；

G i o u t, j g a s, t

和

G i o u t, j c o a l, t

分别为煤电和气电发电量（kW·h）；

e f i o u t, j g a s, t

和

e f i o u t, j c o a l, t

为气电和煤电排放因子（kgCO₂/kW·h）。

净调入省份电网排放因子见公式（2）：

E F i i n, t = G i i n, j g a s, t × e f i i n, j g a s, t + G i i n, j c o a l, t × e f i i n, j c o a l, t + ∑ i o u t (D i i n i o u t, t × E F i o u t, t) ∑ j G i i n, j, t + ∑ i o u t D i i n i o u t, t

（2）

式（2）中，

E F i i n, t

为净调入省份的电网排放因子（kgCO₂/kW·h）；

D i i n i o u t, t

为净调出省份i _out对净调入省份i _in在第t年的净电力调入量（kW·h）（本研究暂不考虑国外电力调入）。

基于估算的2020—2035年省级电力CO₂排放因子^[20]以及各省电力调度预测结果，计算2020—2035年各省电力消费间接排放。具体地，根据各省电力调度情况不同，可将其划分为净调出省份和净调入省份，对应的省级电力CO₂排放因子分别为净调出省份和净调入省份的电力CO₂排放因子。各省电力消费间接排放重点测算电力净调入省份的电力消费端排放。净调入省份的间接排放计算见公式（3）：

I E i i n, t = ∑ i o u t D i i n i o u t, t × E F i o u t, t

(3)

式（3）中，

I E i i n, t

为净调入省份i _in在t年的间接排放量（t）。

E F i i n, t

为净调入省份电网排放因子（kgCO₂/kW·h）；

D i i n i o u t, t

为净调出省份i _out对净调入省份i _in在第t年的净电力调入量（kW·h）。

（二） 2020—2035年各省直接排放测算方法

1. 2020 年省级维度直接排放计算方法

2020年各省直接排放计算重点参考《2006 IPCC国家温室气体清单指南》《IPCC 2006年国家温室气体清单指南2019修订版》，同时以《省级二氧化碳排放达峰行动方案编制指南》等规范文件为基础，运用排放因子法对重点行业 / 领域的排放进行核算。核算边界主要包括能源燃烧排放和工业过程排放。

对于能源燃烧排放量，重点应用排放因子法测算各省能源燃烧排放量。其中，化石燃料消耗量主要来源于各省能源平衡表或调研数据，包含各省分部门的煤、煤矸石、石油、天然气、焦炭、液化石油气等不同类型化石燃料消耗量；各类化石燃料的CO₂排放因子主要来源于IPCC指南^[28]，不同类型燃料的低位发热量、含碳量、碳氧化率等指标主要来源于实测数据。对于工业过程源，主要包括水泥、石灰、钢铁和电石生产过程的CO₂排放，运用排放因子法测算。最后，研究结果运用CHRED^[29]进行进一步校验，确保数据的合理性和可靠性。

2. 2025 —2035年省级维度直接排放量计算方法

对于2025—2035年各省级维度的直接排放量，研究重点应用团队已建立的CAEP-CP 2.0模型^[30,31]，基于中国工程院等机构的前期研究结果^[26,32]建立全国维度的直接排放总体约束，结合省级国民经济和社会发展第十四个五年规划和2035年远景目标建议和省级碳达峰实施方案中关于经济发展、碳达峰目标、碳排放强度“十三五”历史完成情况和“十四五”的目标要求，充分考虑省份历史碳排放趋势和异质性特征^[33]，综合测算未来的排放路径。

（三）情景设置及数据来源

为有效评估不同时空精度电力CO₂排放因子对各省排放路径的影响，本研究设置4个电力CO₂排放因子应用情景：① 情景1：全国维度电力CO₂排放因子固定不变情景。2020—2035年各个省份统一应用全国电力CO₂排放因子（2021年^[12]）计算电力消费间接排放，不设置时间和区域维度差异。② 情景2：全国维度电力CO₂排放因子动态变化情景。基于已公开的全国电力CO₂排放因子（2021年^[12]和2022年^[13]），按照年均变化率推算2020—2035年电力CO₂排放因子，各个省份应用推算后的2020—2035年全国电力CO₂排放因子计算电力消费间接排放，不设置省级维度差异。③ 情景3：省级维度电力CO₂排放因子固定不变情景。基于研究团队测算的2020年各省电力CO₂排放因子结果^[20]，2020—2035年各省份统一应用2020年分省电力CO₂排放因子计算电力消费间接排放，不设置时间维度差异。④ 情景4：省级维度电力CO₂排放因子动态变化情景。2020—2035年统一应用期间各省电力CO₂排放因子计算电力消费间接排放量。

本研究中2020—2035年省级电力CO₂排放因子来源于团队已有研究结果^[20]，其中各省人口预测结果基于中国工程院研究的未来年全国总发电量^[26]和相关研究^[27]；各类化石燃料的CO₂排放因子来源于IPCC指南^[28]；各类化石燃料消耗量来源于各省能源平衡表或调研数据；不同类型燃料的低位发热量、含碳量、碳氧化率等指标主要来源于实测数据。

三结果与分析

（一） 2020—2035年省级电力CO₂因子时空分析及对比

2020—2035年我国各省份电力CO₂排放因子如图2所示。从区域维度看，华北区域电力CO₂排放因子较高，南方区域电力CO₂排放因子较低，华北区域电力CO₂排放因子相比南方区域平均高114.24%~169.37%，是由于南方区域主要依赖可再生能源发电，如水电、风电等，电力CO₂排放因子较低。从省份维度看，电力CO₂排放因子较高的省份主要为河北、内蒙古、辽宁等，分别高达0.54~1.09 kgCO₂/kW·h、0.67~1.00 kgCO₂/kW·h和0.37~0.91 kgCO₂/kW·h；电力CO₂排放因子较低的省份主要为青海、四川、云南等，分别为0.01~0.09 kgCO₂/kW·h、0.04~0.12 kgCO₂/kW·h和0.02~0.17 kgCO₂/kW·h。各个省份电力CO₂排放因子存在较大差异，2020—2035年各个省份电力CO₂排放因子变异系数（即标准差除以均值）高达40.13%~50.96%。

从时间维度看，2020—2035年各省份电力CO₂排放因子均呈现持续下降趋势，年均下降率达4.68%。其中，年均下降速率最大的省份主要分布于青海、云南和海南等，平均高达13.86%、11.09%和8.87%；年均下降速率最低的省份主要分布于陕西、安徽和新疆等，平均仅为1.45%、1.63%和1.78%。通过对比各省份不同阶段变化趋势，共有11个省份的电力CO₂排放因子下降率呈现减缓趋势，共有20个省份的电力CO₂排放因子下降率呈现增长趋势。此外，各省份在2020—2035年不同时间段的变化趋势存在区域异质性。在2020—2025年，年均下降率最高的省份主要分布于上海、广西和辽宁等，平均为9.50%、8.67%和8.58%；年均下降率最低的省份主要分布于安徽、湖北和北京等，平均为0.21%、0.39%和0.65%。2025—2030年，年均下降率最高的省份主要分布于青海、云南和海南等，平均为14.09%、8.94%和7.21%；年均下降率最低的省份主要分布于广西、新疆和宁夏等，平均为0.14%、0.20%和0.20%。2030—2035年，年均下降率最高的省份主要分布于青海、云南和吉林等，平均为20.28%、16.75%和12.84%；年均下降率最低的省份主要分布于上海、安徽和陕西等，平均为2.90%、3.01%和3.04%。青海、云南等省份未来年火电占比下降幅度最大，分别高达87.33%和79.37%。青海、云南、四川等西南地区，其电力CO₂排放因子年均下降率呈现增长趋势，主要是由于未来在可再生能源大力发展背景下，西北、西南地区是可再生能源富集地区，在全国大力发展可再生能源政策驱动下，青海、云南和四川的可再生能源发电量将进一步增长；另一方面，在煤电转型过程中，青海、云南和四川的煤电总量进一步下降，由此带来各省电力生产结构发生较大变化，从而加快了省级电力CO₂排放因子的下降。进一步说明，可再生能源发展将大幅加快电力CO₂排放因子的下降。

在已有研究基础上，本研究系统对比了各省份电力CO₂排放因子与最新公开的全国（2021年^[12]和2022年^[12]数据）、区域（2012年数据）和省级（2018年数据）电力CO₂排放因子。对比全国维度2021年电力CO₂排放因子（0.581 kgCO₂/kW·h），2020年共计14个省份的电力CO₂排放因子低于全国电力CO₂排放因子，平均低于全国水平32.73%。2020—2035年，各省电力CO₂排放因子逐步下降，与全国水平差距逐步增大，到2035年共计27个省份的电力CO₂排放因子低于全国电力CO₂排放因子（2021年），平均低于全国水平47.71%。类似地，对比全国维度2022年电力CO₂排放因子（0.570 3 kgCO₂/kW·h），2020年共计14个省份的电力CO₂排放因子低于全国电力CO₂排放因子，平均低于全国水平31.46%。到2035年，共计有26个省份的电力CO₂排放因子低于全国电力CO₂排放因子（2022年），低于全国平均水平48.54%。分析结果表明，已有最新全国电力CO₂排放因子，对大部分省份而言存在高估现象，且伴随着时间变化，差距逐渐增大。此外，对于内蒙古、山西和新疆，其2035年电力CO₂排放因子仍高于全国电力CO₂排放因子（2022年），主要由于这些省份作为能源电力大省，为保证能源安全可靠供应，即使在可再生能源大力发展的背景下，仍大规模留存化石能源机组，电力CO₂排放因子下降幅度有限。

对比区域维度2012年电力CO₂排放因子^[15]，2020年共计20个省份电力CO₂排放因子低于区域电力CO₂排放因子，低于所属区域平均水平25.97%，10个省份实际电力CO₂排放因子高于所属区域电力CO₂排放因子，高于所属区域平均水平17.56%。2020—2035年，伴随各省份电力CO₂排放因子逐步下降，各省份电力CO₂排放因子与所属区域水平差距逐步增大，2035年各省份电力CO₂排放因子均低于对应区域平均水平51.32%。分析结果表明，区域电力CO₂排放因子对绝大部分省份电力CO₂排放因子而言存在高估现象。

对比省级维度2018年电力CO₂排放因子^[17]，2020年共计15个省份的电力CO₂排放因子低于2018年省级维度电力CO₂排放因子，平均低于2018年平均水平9.64%，15个省份实际电力CO₂排放因子高于2018年省级维度电力CO₂排放因子，平均高于2018年平均水平24.43%。2020—2035年，各省电力CO₂排放因子与2018年省级维度电力CO₂排放因子差距逐步增大，截至2035年，各省份的电力CO₂排放因子均低于2018年的平均水平，平均比例达44.13%。此外，通过对比公开全国、区域电力CO₂排放因子，2018年省级电力CO₂排放因子与2020—2035年各省电力CO₂排放因子差距（平均比例达26.23%）相对较低，低于全国（2021年、2022年分别为35.61%、35.65%）或区域（35.59%）电力CO₂排放因子与各省电力CO₂排放因子的差距。分析结果表明，对于已公开的不同空间精度电力CO₂排放因子，2018年省级电力CO₂排放因子误差最小，分析结果进一步表明从空间维度精细化研究电力CO₂排放因子的必要性。

（二）历史及现状电力消费间接排放贡献分析

2010—2020年，北京、上海等14个省份的排放总量中包含电力消费间接排放，且各省份电力消费间接排放对总排放的贡献占比存在区域异质性。如图3所示，2010—2020年电力消费间接排放在总排放中占比最大的省份主要分布于北京、上海和浙江等，平均占比分别高达34.24%、12.88%和9.18%；电力消费间接排放占比最小的省份主要分布于广西、重庆和江西等省份，平均占比分别为0.53%、2.50%和2.80%。该分布结构主要与各个省份电力需求与供给的不平衡关系有关，对于北京和上海等经济发达地区，对电力的需求量较大，而受资源限制，自身发电量无法充分满足电力需求，因此对外部调入电力的需求量较大。

电力消费间接排放的精准量化对于准确评估各省排放路径的重要性日益突出。2010—2020年电力净调入省份的电力消费间接排放量逐渐增加，年均增长率平均达到9.26%。其中，浙江、山东和河南电力消费间接排放量增速最快，分别高达19.15%、17.28%和16.30%。此外，2010—2020年，各电力净调入省份电力消费间接排放占总排放的贡献比例逐渐增加，年均增长率平均为7.72%。其中，浙江、河南和山东的年均增长率最大，分别为17.08%、16.23%和15.75%。该变化趋势主要是由于伴随浙江和山东等省份能源结构的调整以及电气化水平逐渐提高，外来电力规模逐渐加大，电力消费间接排放量逐渐增加。

（三）电力CO₂排放因子对未来各省的排放路径影响分析

本研究系统测算了不同电力CO₂排放因子应用情景下的各省CO₂电力消费间接排放和排放总量，如图4所示。在时序性方面，迭代计算实时更新的电力CO₂排放因子对于准确核算各省份的排放路径至关重要。对比情景1和情景2，即分别应用全国维度固定不变（2021年）和全国维度逐年下降的电力CO₂排放因子，2020—2035年各电力净调入省份在情景2的电力消费间接排放量显著低于情景1，平均低15.16%。相应地，2020—2035年各省份在情景2中的CO₂排放总量低于情景1近1.38%。此外，不同情景对各个省份的排放路径影响存在区域差异。其中，北京、广东和浙江的情景差异最大，其2020—2035年情景2的CO₂排放总量比情景1平均分别低5.33%、2.32%和1.92%；江西、辽宁和天津的情景差异不大，其情景2的CO₂排放总量比情景1平均分别低0.20%、0.29%和0.32%。

类似地，对比情景3和情景4，即分别应用省级维度固定不变（2020年）和省级维度动态变化的电力CO₂排放因子，2020—2035年各省在情景4的电力消费间接排放量显著低于情景3的电力消费间接排放水平，平均低26.92%。相应地，各省在情景4中的CO₂排放总量低于情景3近2.10%。此外，从区域特征差异看，北京、山东和江苏的情景差异最大，其情景4的CO₂排放总量比情景3分别低8.66%、3.86%和3.18%；江西、湖南和上海的情景差异不大，其情景4的CO₂排放总量比情景3分别低0.08%、0.31%和0.45%。对于北京、广东、山东等区域，其能源或电力消费重点依赖于外部调入，因此其电力消费间接排放量在总排放量中的占比较大，同样表明不同电力CO₂排放因子应用对其排放路径测算结果影响较大。研究结果进一步表明，固定不变的电力CO₂排放因子将导致各省高估CO₂电力消费间接排放量和排放总量，大幅提高了排放总量核算的不确定性，不利于精准判断各省份碳达峰、碳中和发展路径，进一步突出了实时更新电力CO₂排放因子的重要性和必要性。

在空间精度方面，高空间精度电力CO₂排放因子测算助力各省排放路径的精准量化。对比情景1和情景3，即分别应用全国维度固定不变（2021年）和省级维度固定不变（2020年）的电力CO₂排放因子，2020—2035年各省份的电力消费间接排放在不同情景下存在较大差异，平均差异比例高达37.86%。相应地，2020—2035年各省份在情景1和情景3中的CO₂排放总量差异比例平均达4.28%，且不同情景对各个净调入省份的排放路径影响不同。其中，对于北京、山东和河北等，其情景3的2020—2035年CO₂排放总量相比情景1分别平均低17.31%、4.55%和4.32%；对于广东、上海和广西等，其情景3的2020—2035年CO₂排放总量相比情景1平均分别高9.58%、6.33%和3.95%；对于湖南、江苏和辽宁等，两个情景差异影响相对较小，情景差异比例仅为0.63%、1.20%和1.65%。

类似地，对比情景2和情景4，即分别应用全国维度逐年下降和省级维度逐年下降的电力CO₂排放因子，2020—2035年各省的电力消费间接排放在不同情景下的平均差异比例高达37.21%。相应地，2020—2035年各省在情景2和情景4中的CO₂排放总量差异比例平均达3.82%，且不同情景对各个净调入省份的排放路径影响不同。对于北京、河北和山东等，其情景4的2020—2035年CO₂排放总量相比情景2分别平均低13.20%、2.93%和2.46%；对于广东、上海和广西等，其情景4的CO₂排放总量相比情景2分别平均高9.76%、6.02%和3.96%；对于江苏、湖南和辽宁等，两个情景差异影响相对较小，情景差异比例分别为0.14%、0.54%和0.58%。研究发现，对于电力消费间接排放占比较大的地区，如北京、上海、广东等，选取不同空间精度的电力CO₂排放因子对其CO₂排放总量的影响更大，主要源自以外部能源为主的能源消费结构。研究结果进一步表明，不同空间精度的电力CO₂排放因子选取对各省份排放路径的精准量化影响显著，应用高精度的电力CO₂排放因子将大幅降低测算误差范围，有效反映真实的排放水平，为各省的“双碳”目标发展路径等提供重要数据支撑。

不同时效性和空间精度的电力CO₂排放因子对各省CO₂排放发展路径具有重要影响。以情景4为基准，不同精度的电力CO₂因子将进一步改变特定省份各时间段的CO₂排放趋势，从而进一步影响不同省份碳达峰路径的判定。如图4所示，2020—2025年，上海市在情景4中的CO₂排放趋势呈现下降趋势，年均下降率为1.06%，而在情景1中，CO₂排放趋势呈现增长趋势，年均增长率为0.59%；北京市在情景4中的CO₂排放趋势呈现下降趋势，年均下降率为1%，而在情景3中，CO₂排放趋势呈现增长趋势，年均增长率为0.78%。年均变化趋势的变动进一步导致上海和北京的达峰年偏移，在情景4中，上海和北京均于2020年左右达峰，而在排放趋势变化后，均于2025年左右达峰。相反地，在2025—2030年，江西和广西在情景4中的CO₂排放趋势均呈现上升趋势，年均增长率分别为0.78%和0.11%，而在情景1和情景2中，两个省份的CO₂排放趋势均呈现下降趋势，年均下降率分别平均为0.44%和1.12%，从而进一步导致江西和广西的达峰年偏移，在情景4中，江西和广西均于2030年左右达峰，而在排放趋势变化后，均于2025年左右达峰。研究结果进一步说明，对于电力消费间接排放占比较大的地区，如北京、上海、广西等，高时空精度的电力CO₂排放因子的应用将大幅提高CO₂排放路径测算的准确性和可靠性，也进一步表明，选取精准的电力CO₂排放因子是准确测算各省份排放路径的关键前提。

四研究结论与发展建议

（一）研究结论

本文基于2020—2035年动态、省级电力CO₂排放因子研究成果，对比分析2020—2035年省级电力CO₂排放因子与现有公开电力CO₂排放因子（全国、区域和省级）的差异。此外，通过设定不同电力CO₂因子应用情景，精准量化不同时空精度电力CO₂排放因子对各省电力消费间接排放和CO₂排放路径的影响，对于支撑各省（区）碳达峰、碳中和路径规划以及降低电力消费间接排放预测不确定性具有重要的参考意义。

（1）已公开的全国、区域和省级维度电力CO₂排放因子均存在高估现象，且伴随时间变化，差距逐渐增大。2020—2035年，各省电力CO₂排放因子呈现持续下降趋势。通过对比现有公开的全国、区域和省级维度电力CO₂排放因子，已公开的全国、区域和省级维度电力CO₂排放因子对大部分省份均存在高估现象，且伴随着时间的变化，差距逐渐增大。此外，对比三类电力CO₂排放因子，2018年省级电力CO₂排放因子测算误差最小，更贴近各省份实际电力CO₂排放因子水平，进一步说明从空间维度精细化研究电力CO₂排放因子的必要性。

（2）电力消费间接排放在各省份总排放的重要性逐渐凸显。2010—2020年，各电力净调入省份的电力消费间接排放及其排放占比逐渐增加。从空间分布看，2010—2020年电力消费间接排放占总排放比例最大的省份主要分布于北京、上海和浙江。电力消费间接排放占比增速最快的省份主要分布于浙江、河南和山东。研究结果表明，对于北京、上海和浙江等地区，电力消费间接排放的准确量化对其排放量测算结果影响较大，构建精细化、实时更新的电力CO₂排放因子库意义重大。

（3）迭代计算实时更新的、高空间精度的电力CO₂排放因子对于准确核算各省排放路径至关重要。对比不同电力CO₂排放因子应用情景下各省排放路径，在时序性方面，各省在情景2（或4）中的间接排放和总排放低于在情景1（或3）中的估算结果。在空间精度方面，各省在情景3（或4）中的电力消费间接排放和总排放与在情景1（或2）中的估算结果存在较大差异。对于电力消费间接排放占比较大的地区，如北京、上海、广东，选取不同空间精度的电力CO₂排放因子对其CO₂排放总量的影响更大，会进一步导致其CO₂达峰年5年左右的偏移（提前或滞后）。研究表明，不同时效性和空间精度的电力CO₂排放因子对各省CO₂排放发展路径具有重要影响，特别针对北京、上海和广西等电力消费间接排放较大的地区，过时的、低空间精度的电力CO₂排放因子的应用会导致其CO₂达峰年的误判，从而进一步影响其碳达峰路径的精准研判。

（二）发展建议

一是加快推进电力CO₂排放因子的迭代更新。研究测算最新的电力CO₂排放因子，加快推进电力CO₂排放因子的迭代更新，有利于真实反映电力消费中实时排放水平和低碳化程度，促进对消费端CO₂排放路径的精准评估，有助于制定更加有效的能源电力发展政策，从而形成消费端和生产端共同推进CO₂减排的良性互动，充分发挥好电力在能源领域降碳、脱碳过程中的关键枢纽作用。

二是全面提高电力CO₂排放因子的空间精度。加强细化电网划分范围，全面提高电力CO₂排放因子空间精度，有利于降低电力消费端排放路径测算误差。此外，高空间精度的电力CO₂排放因子一方面有助于引导电力输入省份全面权衡电力调入来源，制定更有效的规划措施；另一方面有助于推动电力输出省份积极发展低碳电力，努力提升电力生产效率，从而有效推动生产端的优化升级。

三是积极推动未来年电力CO₂排放因子的预测估算。鼓励建立中长期电力CO₂排放因子库，积极推动未来年电力CO₂排放因子预测，有效支撑各省碳达峰、碳中和路径规划。具体地，全面梳理全国、区域或省级电力发展规划政策，基于电力传输通道布局及未来发展规划，系统耦合不同类型预测或优化模型，进一步测算未来年电力CO₂排放因子动态变化趋势，从而为各省确定碳达峰时间点以及控制措施等提供重要支撑。

利益冲突声明

本文作者在此声明彼此之间不存在任何利益冲突或财务冲突。

Received date:April 8, 2024; Revised date: May 9, 2024

Corresponding author: Cai Bofeng is a research fellow from Center for Carbon Neutrality, Chinese Academy of Environmental Planning. His major research fields include greenhouse gas inventory methodology, greenhouse gas and pollutant co-management and carbon peak and carbon neutrality pathway. E-mail: caibf@caep.org.cn

Funding project: National Key R&D Program of China (2022YFC3702900); Chinese Academy of Engineering project “Study of Major Issues in Achieving Carbon Peak and Neutrality in China” (2022-PP-01)

参考文献

原文顺序 | 出版日期 | 本文引用

[1]	Chen Q X, Kang C Q, Ming H, et al‍. Assessing the low-carbon effects of inter-regional energy delivery in China's electricity sector [J]‍. Renewable and Sustainable Energy Reviews, 2014, 32: 671‒683‍.

[2]	Wang J, Rodrigues J F D, Hu M M, et al‍. The evolution of Chinese industrial CO₂ emissions 2000—‍2050: A review and meta-analysis of historical drivers, projections and policy goals [J]‍. Renewable and Sustainable Energy Reviews, 2019, 116: 109433‍.

[3]	Yang L S, Lin B Q‍. Carbon dioxide-emission in China's power industry: Evidence and policy implications [J]‍. Renewable and Sustainable Energy Reviews, 2016, 60: 258‒267‍.

[4]	Yan Q Y, Zhang Q, Zou X‍. Decomposition analysis of carbon dioxide emissions in China's regional thermal electricity generation, 2000—2020 [J]‍. Energy, 2016, 112: 788‒794‍.

[5]	Peng X, Chen H, Zhong H L, et al‍. Water-saving co-benefits of CO₂ reduction in China's electricity sector [J]‍. iScience, 2023, 26(2): 106035‍.

[6]	Zhao X L, Cai Q, Zhang S F, et al‍. The substitution of wind power for coal-fired power to realize China's CO₂ emissions reduction targets in 2020 and 2030 [J]‍. Energy, 2017, 120: 164‒178‍.

[7]	Jiang X T, Su M, Li R R‍. Decomposition analysis in electricity sector output from carbon emissions in China [J]‍. Sustainability, 2018, 10(9): 3251‍.

[8]	Chen J D, Shen L Y, Song X N, et al‍. An empirical study on the CO₂ emissions in the Chinese construction industry [J]‍. Journal of Cleaner Production, 2017, 168: 645‒654‍.

[9]	国家统计局‍. 2021中国能源统计年鉴 [EB/OL]‍. (2022-01-21)[2024-05-07]‍. https: //www‍.‍stats‍.‍gov‍.‍cn/sj/pcsj/jjpc/1jp/html/d2b02c‍. htm‍.

[10]	National Bureau of Statistics‍. Yearbook of China's energy statistics in 2021 [EB/OL]‍. (2022-01-21)‍[2024-05-07]‍. https: //www‍.stats‍.gov‍.cn/sj/pcsj/jjpc/1jp/html/d2b02c‍.htm‍.

[11]	国家发展和改革委员会应对气候变化司‍. 中国2005年温室气体清单研究 [M]‍. 北京: 中国环境出版社, 2014‍.

[12]	Department of Climate Change, the National Development and Reform Commission‍. Research on China's 2005 greenhouse gas inventory [M]‍. Beijing: China Envrionment Publishing Group, 2014‍.

[13]	国家发展和改革委员会办公厅‍. 关于做好2016、2017年度碳排放报告与核查及排放监测计划制定工作的通知 [EB/OL]‍. (2017-12-04)‍[2024-05-07]‍. https: //www‍.‍ndrc‍.‍gov‍.‍cn/xxgk/zcfb/tz/201712/t20171215_962618‍.html‍.

[14]

General Office of the National Development and Reform Commission‍. Notice on doing a good job in reporting and verification of carbon emissions and formulating emission monitoring plans for 2016 and 2017 [EB/OL]‍. (2017-12-04)‍[2024-05-07]‍. https: //www‍.ndrc‍.gov‍.cn/xxgk/zcfb/tz/201712/t20171215_962618‍.html‍.

[15]	生态环境部办公厅‍. 关于做好2022年企业温室气体排放报告管理相关重点工作的通知 [EB/OL]‍. (2022-03-10)‍[2024-05-07]‍. https: //www‍.mee‍.gov‍.cn/xxgk2018/xxgk/xxgk06/202203/t20220315_971468‍.html‍.

[16]	General Office of the Ministry of Ecology and Environment‍. Notice on the key work related to the management of corporate greenhouse gas emissions reporting in 2022 [EB/OL]‍‍. (2022-03-10) [2024-05-07]‍. https: //www‍.‍mee‍.‍gov‍.‍cn/xxgk2018/xxgk/xxgk06/202203/t20220315_971468‍.html‍.

[17]	生态环境部办公厅‍. 关于做好2023—2025年发电行业企业温室气体排放报告管理有关工作的通知 [EB/OL]‍. (2023-02-07)[2024-05-07]‍. https: //www‍.‍mee‍.‍gov‍.‍cn/xxgk2018/xxgk/xxgk06/202302/t20230207_1015569‍.html‍.

[18]

General Office of the Ministry of Ecology and Environment‍. Notice on the management of greenhouse gas emissions reporting of enterprises in the power generation industry from 2023 to 2025 [EB/OL]‍. (2023-02-07)‍[2024-05-07]‍. https: //www‍.‍mee‍.‍gov‍.‍cn/xxgk2018/xxgk/xxgk06/202302/t20230207_1015569‍.html‍.

[19]	国家发展和改革委员会应对气候变化司‍‍. 2010年中国区域及省级电网平均二氧化碳排放因子 [R]‍. 北京: 国家发展和改革委员会, 2013‍.

[20]	Department of Climate Change, National Development and Reform Commission‍. Average CO₂ emission factors of China's regional and provincial power grids in 2010 [R]‍. Beijing: National Development and Reform Commission, 2013‍.

[21]	国家发展和改革委员会应对气候变化司‍. 2011年和2012年中国区域电网平均二氧化碳排放因子 [R]‍. 北京: 国家发展和改革委员会, 2014‍.

[22]	Department of Climate Change, National Development and Reform Commission‍. Average CO₂ emission factors of China's regional power grids in 2011 and 2012 [R]‍. Beijing: National Development and Reform Commission, 2014‍.

[23]	国家发展和改革委员会应对气候变化司‍. 二氧化碳排放核算方法及数据核查表 [R]‍. 北京: 国家发展和改革委员会, 2016‍.

[24]	Department of Climate Change, National Development and Reform Commission‍. Carbon dioxide emission accounting method and data checklist [R]‍. Beijing: National Development and Reform Commission, 2016‍.

[25]	生态环境部‍. 关于商请提供2018年度省级人民政府控制温室气体排放目标责任落实情况自评估报告的函 [EB/OL]‍. (2020-03-23)[2024-05-07]‍. http: //www‍.‍ncsc‍.‍org‍.‍cn/SY/tjkhybg/202003/t20200323_770098‍.shtml‍.

[26]

Ministry of Ecology and Environment‍. Letter on requesting the self-assessment report on the implementation of the 2018 Provincial People's Government's responsibility for controlling greenhouse gas emissions [EB/OL]‍. (2020-03-23)‍[2024-05-07]‍.http: //www‍.ncsc‍.org‍.cn/SY/tjkhybg/202003/t20200323_770098‍.shtml‍.

[27]	宁礼哲, 张哲, 蔡博峰, 等‍. 2020年中国区域和省级电网温室气体排放因子研究 [J]‍. 环境工程, 2023, 41(3): 222‒228‍.

[28]	Ning L Z, Zhang Z, Cai B F, et al‍. Research on China's regional and provincial electricity ghg emission factors in 2020 [J]‍. Environmental Engineering, 2023, 41(3): 222‒228‍.

[29]	马翠梅, 李士成, 葛全胜‍. 省级电网温室气体排放因子研究 [J]‍. 资源科学, 2014, 36(5): 1005‒1012‍.

[30]	Ma C M, Li S C, Ge Q S‍. Greenhouse gas emission factors for grid electricity for Chinese Provinces [J]‍. Resources Science, 2014, 36(5): 1005‒1012‍.

[31]	蔡博峰, 赵良, 张哲, 等‍.中国区域电网二氧化碳排放因子研究(2023) [EB/OL]‍. (2023-10-27)‍[2024-05-07] http: //www‍.caep‍.org‍.cn/sy/tdftzhyjzx/zxdt/202310/t20231027_1044179‍.shtml‍.

[32]	Cai B F, Zhao L, Zhang Z, et al‍. Research on CO₂ emission factors of China's regional power grids (2023)‍ [EB/OL]‍. (2023-10-27) [2024-05-07]‍. http: //www‍.‍caep‍.‍org‍.‍cn/sy/tdftzhyjzx/zxdt/202310/t20231027_1044179‍.shtml‍.

[33]	Gu A L, Zhou X Y‍. Emission reduction effects of the green energy investment projects of China in Belt and Road initiative countries [J]‍. Ecosystem Health and Sustainability, 2020, 6(1): 1747947‍.

[34]	Finenko A, Cheah L‍. Carbon dioxide reduction potential in Singapore's power generation sector [J]‍. Energy Procedia, 2014, 61: 527‒532‍.

[35]	Maennel A, Kim H G‍. Comparison of greenhouse gas reduction potential through renewable energy transition in South Korea and Germany [J]‍. Energies, 2018, 11(1): 206‍.

[36]	Peng Y, Chong T, Zhang X Y, et al‍. Calculation of emission factors of the northwest regional grid based on linear support vector machines [J]‍. Journal of Physics: Conference Series, 2023, 2474(1): 012083‍.

[37]	Schäfer M, Cerdas F, Herrmann C‍. Towards standardized grid emission factors: Methodological insights and best practices [J]‍. Energy & Environmental Science, 2024, 17(8): 2776‒2786‍.

[38]	中国工程院‍.中国碳达峰碳中和战略及路径研究 [R]‍. 北京: 中国工程院, 2022‍.

[39]	Chinese Academy of Engineering‍. Research on China's carbon peak and carbon neutrality strategy and path [R]‍. Beijing: Chinese Academy of Engineering, 2022‍.

[40]	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.

[41]	Intergovernmental Panel on Climate Change‍. 2006 IPCC guidelines for national greenhouse gas inventories [R]‍. Geneva: Intergovernmental Panel on Climate Change, 2006.

[42]	Cai B F, Liang S, Zhou J, et al‍. China high resolution emission database (CHRED) with point emission sources, gridded emission data, and supplementary socioeconomic data [J]‍. Resources, Conservation and Recycling, 2018, 129: 232‒239‍.

[43]	蔡博峰, 曹丽斌, 雷宇, 等‍. 中国碳中和目标下的二氧化碳排放路径 [J]‍. 中国人口·资源与环境, 2021, 31(1): 7‒14‍.

[44]	Cai B F, Cao L B, Lei Y, et al‍. China's carbon emission pathway under the carbon neutrality target [J]‍. China Population, Resources and Environment, 2021, 31(1): 7‒14‍.

[45]	Cai B F, Zhang L, Xia C Y, et al‍. A new model for China's CO₂ emission pathway using the top-down and bottom-up approaches [J]‍. Chinese Journal of Population, Resources and Environment, 2021, 19(4): 291‒294‍.

[46]	舒印彪, 赵勇, 赵良, 等‍. "双碳"目标下我国能源电力低碳转型路径 [J]‍. 中国电机工程学报, 2023, 43(5): 1663‒1672‍.

[47]	Shu Y B, Zhao Y, Zhao L, et al‍. Study on low carbon energy transition path toward carbon peak and carbon neutrality [J]‍. Proceedings of the CSEE, 2023, 43(5): 1663‒1672‍.

[48]	Zhang L, Wu P C, Niu M C, et al‍. A systematic assessment of city-level climate change mitigation and air quality improvement in China [J]‍. Science of the Total Environment, 2022, 839: 156274‍.