共享社会经济路径下成渝地区双城经济圈碳排放趋势多情景模拟

Multi-Scenario Simulation of Carbon Emission Trend in Chengdu-Chongqing Economic Circle under Shared Socioeconomic Pathways

摘要

“双碳”背景下揭示区域碳排放时空演变特征并多情景模拟碳排放演化趋势，对制定合理的区域减碳策略、应对全球气候变化具有重要意义。通过构建碳排放评估指标体系和碳排放系统动力学模型，分析了成渝地区双城经济圈2015年和2020年碳排放的时空演变规律，并多情景模拟共享社会经济路径下成渝地区双城经济圈2021—2050年碳排放变化趋势。结果表明：1） 2015年和2020年，成渝地区双城经济圈碳排放总量分别为52 764.79、52 249.86万t，其中碳排放高值区主要集中在成都市和重庆中心城区，低值区分布在中心城区周围；2） 2021—2050年，不同共享社会经济路径情景下，成渝地区双城经济圈碳排放总量都将持续增加，与中间路径情景相比，2050年化石燃料路径情况增长7.91%，可持续路径情景减少6.68%；3） 未来成渝地区双城经济圈最优发展路径为可持续路径情景。通过合理统筹人口-经济-产业-能源关系，可实现成渝地区双城经济圈可持续发展。

Abstract

Revealing the spatiotemporal evolution characteristics of regional carbon emissions and simulating the trend of carbon emission evolution in multiple scenarios under the background of “dual carbon” are of great significance for formulating reasonable regional carbon reduction strategies and addressing global climate change. By constructing a carbon emission assessment index system and a carbon emission system dynamics model, this study analyzes the spatiotemporal evolution of carbon emissions in the Chengdu-Chongqing Economic Circle in 2015 and 2020, and simulates the carbon emission trends of the region from 2021 to 2050 under multiple scenarios, adhering to a shared socioeconomic pathway. The results of this article indicate that: in 2015 and 2020, the total carbon emissions of the Chengdu-Chongqing Economic Circle were 527.647 9 and 522.498 6 million tons, respectively, and the high-value areas of carbon emissions were mainly concentrated in the central urban areas of Chengdu and Chongqing, while the low value areas were distributed around the central urban areas. From 2021 to 2050, under different shared socioeconomic pathways, the total carbon emissions of the Chengdu-Chongqing Economic Circle will continue to increase. Compared with the intermediate scenario, the fossil fuel scenario in 2050 will increase by 7.91%, while the sustainable scenario will decrease by 6.68%. The optimal carbon emission path for the future Chengdu-Chongqing Economic Circle is the sustainable path scenario. By reasonably coordinating the relationship between population, economy, industry, and energy, sustainable development of the Chengdu-Chongqing Economic Circle can be achieved.

Graphical abstract

0　 引 言

当前，全球正面临着气候变暖、环境污染等一系列问题带来的挑战，如何保障社会经济可持续发展受到广泛关注^[1]。联合国政府间气候变化专门委员会（Intergovernmental Panel on Climate Change，IPCC）指出，人类活动产生的大量温室气体是造成气候环境变暖的主要原因，尤其是二氧化碳（CO₂）的大量排放可能导致自然环境超负荷。然而，许多发展中国家还受限于能源利用率较低、清洁技术较差、经济发展需求过旺等因素，继续大量地排放温室气体。气候问题日趋严峻，使得减少碳排放量以延缓全球变暖效应在世界达成共识^[2]。为了积极应对气候变化，我国明确提出“2030年前实现碳达峰、2060年前实现碳中和”的“双碳”目标^[3-5]。

目前，碳排放的研究热点已逐渐由碳排放的空间分布差异^[6-8]和碳排放的影响因子^[9-10]转向碳排放预测^[11]研究。长期的和多情景的碳排放模拟预测分析，可用于协助制定碳减排策略以及判断未来能否达到碳减排目标。但选择不同的模型方法得到的结果趋势大不相同，如Zhang等^[12]利用对数平均迪氏指数法（LMDI）和情景分析法预测，到2030年中国的CO₂排放量将会降低65%；王珂珂等^[13]利用鲸鱼算法改进极限学习机（WOA-ELM）模型进行碳排放预测，中国截至2031年碳排放量不会降低。因此，要综合考虑选择更合理、更符合研究区域特点的预测模型。共享社会经济路径（shared socioeconomic pathways, SSPs）能够描绘未来社会经济系统发展的轨迹，反映社会经济发展模式与事物变化风险之间的关联，可用于预测碳排放的发展规律^[14-16]。Geiger^[17]基于SSPs，对195个国家连续的GDP时间序列进行预测，得到这些国家2100年的发展状况；Meinshausen等^[18]对5种共享社会经济路径的人为CO₂排放量进行计算，得出未来不同的社会经济和政治环境下的人为碳排放。此外，明确碳排放空间格局，了解碳排放各影响因素和系统之间的反馈关系，能够更好地从根本解决问题。系统动力学（system dynamics，SD）是比较成熟的事物变化趋势预测模型，以反馈控制原理为基础，以计算机仿真软件为手段，采用定量和定性相结合的方法解决复杂系统问题^[19]。由于系统的可观察模式与微观结构、决策过程相联系，SD模型在处理碳排放影响机制方面具有很大的优势^[20-21]。因此，“双碳”目标背景下，将SSPs与SD模型相结合预测未来碳排放演变趋势，可以为制定更加合理的碳排放政策提供科学依据。

2021年发布的《成渝地区双城经济圈建设规划纲要》提出，要坚持生态优先、绿色发展的原则，共筑长江上游重要生态屏障，共抓大保护、不搞大开发。在实现“双碳”目标的进程中，如何平衡成渝地区双城经济圈经济发展和碳排放之间的关系，对促进西部地区高质量可持续发展至关重要。基于此，本文以成渝双城经济圈为研究对象，通过构建SSPs下的SD模型，分析了碳排放时空格局变化驱动力，多情景模拟了未来碳排放趋势。预期达到如下两个目的：揭示2015年和2020年成渝双城经济圈碳排放时空演变规律和预测2021—2050年成渝地区双城经济圈CO₂在不同情景下的排放趋势，为该区域绿色发展、节能减排对策的制定、未来土地利用规划以及城市生态环境管理决策等提供理论依据和数据支撑。

1　 研究区域和研究方法

1.1　研究区域

成渝地区双城经济圈（27°35′~33°03′ N，101°56′~109°14′ E）以成都市、重庆中心城区两大中心城市为增长极，包含四川省的成都、自贡、泸州等共15个市和重庆市的中心城区及万州、涪陵等27个区（县）以及开州、云阳的部分地区，总面积约18.5万km²，与云南、贵州、湖北、陕西等地接壤，拥有较好的区位条件；地形四周主要为丘陵、山地，中部以平原为主，境内水系充足，自然资源丰富，维系着长江上游的生态安全；2023年经济总量达81 986.67亿元，占全国、西部地区的比重分别为6.5%、30.4%，拥有良好的产业基础、密集的城镇、完善的交通系统和丰富的人力资源。成渝地区双城经济圈是中国西部地区最有发展潜力的地区，在建设“长江经济带”和实施“一带一路”中承担着重要角色。

本文使用的数据包括栅格数据、矢量数据和文本统计数据3类，其中成渝地区双城经济圈2015年和2020年分辨率为1 km×1 km的两期土地利用栅格数据、2015年和2020年1 km网格人口密度数据、2015年中国省级行政区划边界矢量数据、2015年中国地级市行政区划边界矢量数据和2015年中国县级行政区划边界矢量数据均源于中国科学院资源环境科学数据平台（http://www.resdc.cn）。研究区域人口、经济、产业、能源等文本统计数据源于2011—2021年《中国统计年鉴》《重庆统计年鉴》《四川统计年鉴》和相关文献。

1.2　研究方法

1.2.1　碳排放指标体系构建及估算

CO₂的产生分为社会因素和自然因素，其中，社会因素主要为人类的生产活动。本文选取水泥生产、木材消耗、能源（煤、油、天然气）消耗以及人、猪和其他大型牲畜的呼吸活动来代表社会因素造成的CO₂排放量^[22]。自然因素主要以土壤呼吸过程产生的CO₂排放量表示，不同的用地类型呼吸作用程度差距较大，如林地、耕地、草地的土壤丰富，呼吸作用较强，而建设用地土壤大面积硬化，其土壤的呼吸作用可以忽略不计^[22-23]。本文计算过程中，主要通过人口密度数据计算人类活动的碳排放量。

依据收集的数据、参考相关文献确定各类碳排放指标系数^[22，24]（表1），计算社会因素产生的碳排放量；采用直接估算法^[23，25]（表1），计算自然因素中不同土地利用类型呼吸作用产生的碳排放量。使用ArcMap 10.4软件完成碳排放总量的空间制图，具体计算如下：

N_{\mathrm{c}}=N_{\mathrm{p}}+N_{\mathrm{e}}+N_{\mathrm{q}}+N_{\mathrm{m}}+N_{\mathrm{d}}(1)

N_{\mathrm{p}}=C_{\mathrm{p}}+C_{\mathrm{z}}+C_{\mathrm{w}}(2)

N_{\mathrm{e}}=\sum (U_i\times S_i)(3)

N_{\mathrm{q}}=C_{\mathrm{q}}\times q(4)

N_{\mathrm{m}}=C_{\mathrm{m}}\times m(5)

N_{\mathrm{d}}=\sum (t_i\times {\delta }_i)(6)

式中，N_{\mathrm{c}}\mathrm{、}{N}_{\mathrm{p}}\mathrm{、}{N}_{\mathrm{e}}\mathrm{、}{N}_{\mathrm{q}}\mathrm{、}{N}_{\mathrm{m}}\mathrm{和}{N}_{\mathrm{d}}（t/a）分别为碳排放总量、人畜呼吸碳排放量、能源消耗碳排放量、木材消耗碳排放量、水泥生产碳排放量和土地利用碳排放量；C_{\mathrm{p}}、C_{\mathrm{z}}和C_{\mathrm{w}}（t/a）分别为人、猪和其他大牲畜的碳排放量；U_i（t/a）为第i类能源消耗量；S_i为第i类能源的碳排放系数；C_{\mathrm{q}}（t/a）为木材消耗量，q为木材消耗碳排放系数；C_{\mathrm{m}}（t/a）为水泥生产量，m为水泥生产碳排放系数；t_i（hm²）为第i种土地利用类型面积，{\delta }_i（hm²\bullet \mathrm{a}）为第i种土地利用类型土壤平均呼吸速率系数。

1.2.2　SD模型构建及检验

1.2.2.1 碳排放SD模型构建

选取人口-经济-产业-能源4个子系统，对Cobb-Douglas生产函数^[26-27]进行修正，构建成渝地区双城经济圈碳排放SD模型。模型运行时间为2010—2050年，仿真步长为1年。2010—2020年为历史数据年，用于检验模型的科学性和可靠性。各子系统之间的因果关系如下：

1） 人口子系统。人口子系统主要研究人口的发展变化对区域经济、能源消耗和生态环境带来的影响。人口的变化主要由出生率和死亡率决定，当人口聚集或分散时，就会在空间上形成碳排放的差异。

2） 经济子系统。经济发展必然对CO₂排放及生态环境产生一定的影响。一方面，经济增长，尤其是高能耗、高污染产业的发展，会消耗更多能源，造成温室气体大量排放；另一方面，经济发展、技术进步又会促进绿色、低碳、节能技术的发展，改善人们的生产、生活方式，阻止温室气体过量排放。

3） 产业子系统。工业形式、工业规模等都会对工业CO₂排放产生一定的影响。经济发展可以促进产业转型，使用节能绿色产业生产流程，从而减少碳排放。人口增加会使产业更加密集，从而增加工业碳排放。

4） 能源子系统。能源与产业关系最为密切，产业使用的能源以及消耗能源量影响产业CO₂的排放。产业升级的同时，能源也会被替代为清洁能源，以降低生产污染，提升生态环境质量。

结合各子系统与碳排放之间的因果关系，构建研究区域的碳排放SD模型流量图（图1），包括状态变量、速率变量、辅助变量、表函数变量和隐藏函数变量等40个节点变量^[28]。

根据变量间的因果关系，先输入因果方程，然后基于收集的研究区域真实数据以及相关文献^[29-31]，设置碳排放SD模型中主要的变量参数（见表2），最后使用Vensim软件中的UNIT CHECK功能，检查确认模型中各变量之间的逻辑关系以及单位量纲，完成成渝地区双城经济圈碳排放SD模型构建及参数设置。

1.2.2.2 碳排放SD模型检验

选取2011—2020年的人口、能源消耗和国内生产总值（GDP）数据与对应的模型模拟值进行相对误差检验。如图2所示，数据的相对误差均在15%以内，说明模型能够较好地拟合实际值，同时在系统运行中具有稳定性，可以对碳排放演化趋势进行多情景模拟预测。

1.2.3　SSPs多情景模拟

SSPs能将CO₂等温室气体与社会经济发展联系起来，包括可持续路径、中间路径、区域竞争路径、不均衡路径和化石燃料路径^[32-33]。在SSPs框架下，对5种不同社会经济发展路径进行情景设定，如表3所示。

结合已构建的成渝地区双城经济圈碳排放SD模型，选取出生率、死亡率、天然气消耗占比、原油消耗占比、煤炭消耗占比和固定资产投资占比6个参数，定量化表征SSPs情景特征。其中，中间路径情景的发展没有偏离历史规律，该情景下所有参数取值范围与现状一致。在SSPs情景特征描述中，设定低、中、高参数依次翻倍^[34-36]，为保证模型符合SSPs的路径，对设定的参数进行适当调整，综合考虑后赋值^[37-39]。具体路径的情景模拟参数设定如表4所示。

2　 结果分析

2.1　成渝地区双城经济圈的碳排放空间格局演化

基于构建的碳排放指标体系和土地利用数据，得到成渝地区双城经济圈2015年和2020年碳排放空间格局，如图3所示；各区县碳排放总量及其增长率，如表5所示。在空间格局上，成渝地区双城经济圈2015年和2020年碳排放总量高值区呈现以成都市和重庆中心城区为主要高碳排放总量的“双核”集中式分布，以其为中心向外辐射，其余高碳排放区零散分布在其他中心城市。两期碳排放总量及其变化数据表明重庆地区碳排放总量主要呈增长趋势，四川地区碳排放总量除成都市上升以外其余地区呈下降趋势。2015年和2020年成渝地区双城经济圈碳排放总量分别为52 764.79、52 249.86万t，其中重庆地区碳排放总量分别为13 832.31、14 082.08万t，增长率为1.81%，四川地区碳排放总量分别为38 932.48、38 167.78万t，变化率为-1.96%。在数量上，1） 2015年，成渝地区双城经济圈碳排放总量最高的3个市为四川地区的成都市、绵阳市和达州市；总量最低的3个区县为重庆地区的大渡口区、渝中区和江北区；2） 2020年，成渝地区双城经济圈碳排放总量最高的3个市为四川地区的成都市、绵阳市和达州市；总量最低的3个区县为重庆地区的大渡口区、渝中区和江北区；3） 从2015年到2020年，碳排放总量增长最快的3个区县为重庆地区的南岸区、大渡口区和江北区，分别为14.24%、12.42%和10.28%；增长最慢的3个区市为四川地区的自贡市、内江市和遂宁市，分别为-8.16%、-7.05%和-6.31%。

本文主要使用土地利用数据、人口密度数据和碳排放指标计算成渝地区双城经济圈碳排放量。根据计算结果，2015年和2020年两期土地利用碳排放总量变化不大，因此人口密度变化、能源消耗的数量是导致碳排放上下浮动的主要因素。推测成渝地区双城经济圈四川地区碳排放总体高于重庆地区的主要原因是：四川地区的区域面积较大（是重庆地区区域面积的3倍左右），人口较多（是重庆地区人口的2倍左右）。四川地区碳排放总量下降主要是由于2020年能源使用量中除天然气和水泥有上升外，其余指标均较2015年有所下降，特别是煤炭量下降了约20%，而除成都市人口上升了24%外，其余各市人口大多有一定程度的下降，最终使得除成都市碳排放总量有所上升，其余各市碳排放总量均呈下降趋势。《四川省“十四五”能源发展规划》中有相关表述：“十三五”期间四川省关停落后煤电机组17台、关闭煤矿339处，2020年煤炭消费占能源消费总量比重完成减少14%的规划目标。重庆地区除煤炭和水泥指标少量下降、猪和大型牲畜指标有较大下降外，其余各项指标均大幅上升，人口基本也呈上升趋势，最终使得重庆地区碳排放总量总体呈上升趋势。重庆在“十三五”期间全市能源消费量年均增长2.8%，煤炭消费占比较2015年减少了3.3%，整体上能源消费结构还在不断调整，能源消费品种由煤炭为绝对主导向清洁化、低碳化逐步转型。

将像元级的碳排放量以县级尺度进行统计，结合县级城市点的空间分布进行反距离权重插值分析，得到研究区域碳排放演化趋势，见图4。根据自然断点法分类将演变趋势划分为5种碳排放等级，从2015年到2020年呈现由低碳排放向高碳排放演变的趋势。其中，重庆中心城区演变趋势最为显著，碳排放等级高的区域显著增加，且在靠近中心城区中心趋势更明显；成渝地区双城经济圈低碳排放区、较低碳排放区、中碳排放区、较高碳排放区和高碳排放区的栅格数占比如下：2015年重庆地区分别为46.70%、32.61%、18.92%、1.77%和0%，四川省分别为73.40%、20.90%、3.28%、1.76%和0.66%；2020年重庆地区分别为56.02%、16.99%、18.37%、7.46%和1.16%，四川地区分别为68.80%、24.74%、3.96%、1.86%和0.63%。

碳排放等级时空演变趋势图能较好地反映高碳排放区域和辐射范围，一定程度上体现其演变趋势。通过图4中2015年和2020年对比可以发现，成都市和重庆中心城区是主要的高碳排放区域，以其为中心向外辐射的范围在不断扩大，碳排放演变集中区对周围地区的碳排放量有促进的效果。同时成都市碳排放空间格局有向东南方向延伸的趋势，重庆市有向西北方向延伸的趋势，两者在一条线上，这符合成都2017年提出的“东进、南拓、西控、北改、中优”的城市空间发展战略及《成渝地区双城经济圈建设规划纲要》中推进推动重庆、成都都市圈相向发展的战略要求，更加体现了重庆和成都的中心城市带动作用，促进成渝地区快速发展，实现高效聚集和合理流动。

2.2　成渝地区双城经济圈的碳排放多情景模拟

结合SD模型，设置不同SSPs情景参数，得到2021—2050年成渝地区双城经济圈碳排放多情景模拟结果，如图5所示。

1） 人口总数变化相对平缓。图5（a）显示：采取区域竞争路径人口总数持续高涨，至2050年增长率达44.55%；采取中间路径人口总数平稳上升；采取可持续、化石燃料和不均衡路径则缓慢减少；截至2050年，不均衡路径、可持续路径和化石燃料路径相对于中间路径分别减少18.13%、13.23%和11.97%。

2） GDP、生产中的技术和生产资本投入相互关联。图5（b）~（d）显示：GDP、生产中的技术（指技术水平、技术条件等）和生产资本投入的多情景模拟趋势相一致，均呈现前期（约2045年之前）缓慢增长、后期快速上升趋势；2050年GDP、生产中的技术和生产资本投入均以化石燃料路径上升最快，相对于中间路径分别增长了164.83%、66.89%和146.35%；不均衡路径上升速率最低，相对于中间路径分别为-67.76%、-44.77%和-47.44%。这可能是因为以消耗化石燃料推动经济的发展模式比其他发展模式更能促进产业和经济的发展，GDP、生产中的技术和生产资本投入都表现出明显提升。

3） 能源消耗总量与碳排放总量直接关联。图5（e）显示：能源消耗总量在化石燃料路径中快速增长，至2050年增长率达33.70%，在区域竞争和中间路径中增长趋势相同，在可持续发展和不均衡路径中分别降低了19.71%和20.28%。图5（f）显示，碳排放总量随着时间的推移逐渐增加，截至2050年，化石燃料路径相对中间路径能源消耗总量和碳排放总量分别增长了16.4%和7.91%，而可持续路径相对中间路径分别减少了30.10%和6.68%，与不均衡路径降低趋势相似。在区域竞争和中间路径当中，能源消耗总量和碳排放总量的增长趋势接近；在可持续和不均衡路径当中，能源消耗的总量随着时间而降低，但碳排放总量随着时间而增加，且较其他路径增速较低。这主要是由于可持续路径和不均衡路径减少了化石燃料的燃烧，能源结构发生了变化使得碳排放总量的增加减缓。

3　 讨 论

3.1　最优路径选择

分别假设以化石燃料路径、不均衡路径、区域竞争路径和可持续路径为发展模式与中间路径为发展模式进行对比分析，探讨适合研究区域未来发展的最优路径。

1） 假设以化石燃料路径为发展模式，GDP、生产中的技术和生产资本投入快速上升，在几种路径中效益均最高，但是该过程同时伴随着能源消耗总量和碳排放总量最高。另外，长期对化石燃料的过度开采必然会加剧对自然生态环境的破坏，不利于自然生态的发展，也不符合绿色发展理念。

2） 假设以不均衡路径为发展模式，能源消耗总量和碳排放总量在几种路径中均最低，这对于实现人与自然发展和“双碳”目标是有利的。但该路径下人口总数、GDP、生产中的技术和生产资本投入也是最低的，这对于社会和经济发展而言是不利的。总体而言，该路径不可取。

3） 假设以区域竞争路径为发展模式，人口自然增长率最高，人口总数迅速增长，其他变量处于稳定状态，与中间路径相差不大。但人口总数增加会导致竞争日趋激烈，长期发展可能导致社会与经济发展受阻、社会矛盾趋于激化。因此，该路径也不可取。

4） 假设以可持续路径为发展模式，出生率与死亡率相近，人口总数缓慢减小，经济发展、技术和资本投入逐步提高，能源消耗总量和碳排放总量仅高于不均衡路径。该模式用较小的能源消耗，同时做到了社会经济增长、技术改革创新、人口总数稳定，实现了较低的碳排放总量。

基于上述结果，可持续发展路径情景综合考虑了研究区域的人口、经济、产业和能源，是几种路径中的最优路径。

需要说明的是，本文构建的碳排放SD模型基于Cobb-Douglas生产函数，是从系统内部定量化分析经济社会发展与碳排放总量的关系，未考虑四川省和重庆市两地统计数据统计口径的一致性，也未考虑人口的迁入和迁出变化。未来在数据允许的情况下，应结合土地利用数据和政策实施等相关要素，进一步完善碳排放SD模型。

3.2　碳排放协同管理对策

为了促进人口-经济-产业-能源的合理配置，实现成渝地区双城经济圈可持续发展，本文从人口布局和产业能源消耗两个主要方面提出生态环境治理对策：

1） 构建协同发展机制，促进人口空间结构优化

目前高碳排放区域多集中在人口密集的中心城市，以其为中心向四周发散。中心城市人口承载量过大、产业集聚、自然资源稀缺，易造成人地关系紧张和城市环境逐渐恶化。而以郊区、农村为例的非中心城市，多为偏远地区，远离市中心，生态环境好、人口密度低、人类活动较弱，存在劳动力外迁、人口流失以及以牺牲环境的污染型企业为主发展经济等现象。因此需要构建协同发展机制，促进产业结构优化，使人口在城市与城市、城市与乡村之间实现合理、有序的流动，防止城市人口过度集中而造成碳排放量高、环境污染等问题。同时，需要逐渐搭建成都市与重庆市区之间的协同机制，对成渝地区双城经济圈的优质资源进行合理分配，部分功能转移至周边市（区），实现以双核心带动城市群的发展。

2） 减少产业能源消耗，促进区域生态联防联控

成渝地区双城经济圈的产业能源消耗主要来自第二产业，其中消耗量由大到小次序为：煤炭、油料、天然气。中小型市（区）的能源消耗远小于成都市和重庆中心城区，使得碳排放量分布极不均匀，需要为此制定相应的区域产业协同发展机制，包括核心区要向周围非核心区输送非中心城市功能的相关产业、区域产业能源消耗互补以及共建共管等。同时，可以参考生态保护补偿条例提出碳排放补偿机制，即碳排放超过一定限量的进行经济补偿等。成渝地区双城经济圈生态联防联控是实现区域碳减排的基础，需要四川省与重庆市政府积极配合，督促相关部门落实生态管理方针政策，推动西部地区“双碳”目标的实现。

4　 结 语

本文通过构建碳排放指标体系，结合Cobb-Douglas生产函数构建SD模型，分析了成渝地区双城经济圈2015年和2020年碳排放的时空演变规律，并多情景模拟共享社会经济路径下成渝地区双城经济圈2021—2050年碳排放变化趋势。得出如下结论：

1） 2015年和2020年，成渝地区双城经济圈碳排放总量分别为52 764.79、52 249.86万t，呈现以成都市和重庆中心城区为主的“双核”高、四周低的空间分布格局；2020年，碳排放总量最高的3个城市为四川省成都市、绵阳市和达州市，最低的3个区县为重庆市大渡口区、渝中区和江北区。2015—2020年，碳排放时空演变趋势呈现低碳排放区向高碳排放区演变，重庆中心城区向高碳排放区的演变效果最为显著，成都市的演变趋势较为缓慢。

2） 2021—2050年，在5种社会共享经济路径下，人口总数、能源消耗总量和碳排放总量变化相对平缓，GDP、生产中的技术和生产资本投入前期缓慢增加，后期快速上升。截至2050年，化石燃料路径相对中间路径能源消耗总量和碳排放总量增长最多，分别为16.4%和7.91%，可持续路径相对中间路径分别减少了30.10%和6.68%，总量仅高于不均衡路径。

3） 将5种社会共享经济路径结合主要节点变量对比分析，建议成渝地区双城经济圈的碳排放规划参考可持续路径中的情景设定。在此基础上，同时还需要构建成都市与重庆市区之间的协同发展机制，促进人口空间结构优化，使人口实现合理、有序的流动；减少产业能源消耗，实现区域产业能源消耗互补，探索碳补偿机制，促进区域生态联防联控。

CO₂产生的途径有很多，碳排放的变化受多种因素影响，本文数据多来源于统计年鉴，由于获取数据受限，使得数据精度不够高；在构建SD模型时也未考虑数据口径一致性，相关参数的设定还比较片面。在未来的研究中可以通过扩充数据库、融合多源数据，为SD模型变量设置提供更多可能性，增加碳排放计算精度和情景模型的准确性。

参考文献

[1] GUAN D B， MENG J， REINER D M， et al. Structural decline in China’s CO₂ emissions through transitions in industry and energy systems［J］. Nature Geoscience， 2018， 11（8）： 551-555. DOI： 10.1038/s41561-018-0161-1 .

[2] 杨雷， 毕云青， 郑平， 等. 碳中和政策机制及社会共识的国际经验与启示［J］. 中国工程科学， 2021， 23（6）： 101-107. DOI： 10.15302/J-SSCAE-2021.06.011 .

[3] YANG L， BI Y Q， ZHENG P， et al. The international practices of policy mechanism and social consensus for reaching carbon neutrality and their key implications to China［J］. Strategic Study of CAE， 2021， 23（6）： 101-107. DOI： 10.15302/J-SSCAE-2021.06.011（Ch ）.

[4] 方精云， 于贵瑞， 任小波， 等. 中国陆地生态系统固碳效应：中国科学院战略性先导科技专项“应对气候变化的碳收支认证及相关问题”之生态系统固碳任务群研究进展［J］. 中国科学院院刊， 2015， 30（6）： 848-857. DOI： 10.16418/j.issn.1000-3045.2015.06.019 .

[5] FANG J Y， YU G R， REN X B， et al. Carbon sequestration in China’s terrestrial ecosystems under climate change： Progress on ecosystem carbon sequestration from the CAS strategic priority research program［J］. Bulletin of Chinese Academy of Sciences， 2015， 30（6）： 848-857. DOI： 10.16418/j.issn.1000-3045.2015.06.019（Ch ）.

[6] BAGSTAD K J， JOHNSON G W， VOIGT B， et al. Spatial dynamics of ecosystem service flows： A comprehensive approach to quantifying actual services［J］. Ecosystem Services， 2013， 4： 117-125. DOI： 10.1016/j.ecoser.2012.07.012 .

[7] 黄麟， 刘纪远， 邵全琴， 等. 1990—2030年中国主要陆地生态系统碳固定服务时空变化［J］. 生态学报， 2016， 36（13）： 3891-3902. DOI： 10.5846/stxb201411012141 .

[8] HUANG L， LIU J Y， SHAO Q Q， et al. Temporal and spatial patterns of carbon sequestration services for primary terrestrial ecosystems in China between 1990 and 2030［J］. Acta Ecologica Sinica， 2016， 36（13）： 3891-3902. DOI： 10.5846/stxb201411012141（Ch ）.

[9] SAHLE M， SAITO O， FÜRST C， et al. Quantification and mapping of the supply of and demand for carbon storage and sequestration service in woody biomass and soil to mitigate climate change in the socio-ecological environment［J］. Science of the Total Environment， 2018， 624： 342-354. DOI： 10.1016/j.scitotenv.2017.12.033 .

[10] VREBOS D， STAES J， VANDENBROUCKE T， et al. Mapping ecosystem service flows with land cover scoring maps for data-scarce regions［J］. Ecosystem Services， 2015， 13： 28-40. DOI： 10.1016/j.ecoser.2014.11.005 .

[11] 赵强， 周月凌， 方潜生， 等. 中部地区碳排放时空演变及其影响因素分析［J］. 环境科学学报， 2023， 43（2）： 354-364. DOI： 10.13671/j.hjkxxb.2022.0252 .

[12] ZHAO Q， ZHOU Y L， FANG Q S， et al. Spatial-temporal evolution of carbon emissions and its influencing factors in China central region［J］. Acta Scientiae Circumstantiae， 2023， 43（2）： 354-364. DOI： 10.13671/j.hjkxxb.2022.0252（Ch ）.

[13] CUI Q， YANG J， DONG W L. Determinants of the variance of estimations on China’s carbon emission： Based on meta-analysis［J］. Energy Procedia， 2014， 61： 1150-1162. DOI： 10.1016/j.egypro.2014.11.1043 .

[14] WANG P， WU W S， ZHU B Z， et al. Examining the impact factors of energy-related CO₂ emissions using the STIRPAT model in Guangdong Province， China［J］. Applied Energy， 2013， 106： 65-71. DOI： 10.1016/j.apenergy.2013.01.036 .

[15] 林文豪， 温兆飞， 吴胜军， 等. 成渝地区双城经济圈生态安全格局识别及改善对策［J］. 生态学报， 2023， 43（3）： 973-985. DOI： 10.5846/stxb202111033088 .

[16] LIN W H， WEN Z F， WU S J， et al. Identification and optimization of ecological security pattern in the Chengdu-Chongqing Economic Zone［J］. Acta Ecologica Sinica， 2023， 43（3）： 973-985. DOI： 10.5846/stxb20211103308（Ch ）.

[17] ZHANG C， SU B， ZHOU K L， et al. Decomposition analysis of China’s CO₂ emissions （2000—2016） and scenario analysis of its carbon intensity targets in 2020 and 2030［J］. Science of the Total Environment， 2019， 668： 432-442. DOI： 10.1016/j.scitotenv.2019.02.406 .

[18] 王珂珂， 牛东晓， 甄皓， 等. 基于WOA-ELM模型的中国碳排放预测研究［J］. 生态经济， 2020， 36（8）： 20-27.

[19] WANG K K， NIU D X， ZHEN H， et al. Forecast of carbon emissions in China based on WOA-ELM model［J］. Ecological Economy， 2020， 36（8）： 20-27 （Ch）.

[20] LEIMBACH M， GIANNOUSAKIS A. Burden sharing of climate change mitigation： Global and regional challenges under shared socio-economic pathways［J］. Climatic Change， 2019， 155（2）： 273-291. DOI： 10.1007/s10584-019-02469-8 .

[21] 喻霞， 王原. 基于碳排放情景模拟的上海市产业低碳化研究［J］. 中国人口·资源与环境， 2016， 26（S2）： 10-13.

[22] YU X， WANG Y. Industrial low-carbon research based on scenario simulation of carbon emission in Shanghai［J］. China Population， Resources and Environment， 2016， 26（S2）： 10-13 （Ch）.

[23] 张帆， 徐宁， 吴锋. 共享社会经济路径下中国2020—2100年碳排放预测研究［J］. 生态学报， 2021， 41（24）： 9691-9704. DOI： 10.5846/stxb202012073118 .

[24] ZHANG F， XU N， WU F. Research on China’s CO₂ emissions projections from 2020 to 2100 under the shared socioeconomic pathways［J］. Acta Ecologica Sinica， 2021， 41（24）： 9691-9704. DOI： 10.5846/stxb202012073118（Ch ）.

[25] GEIGER T. Continuous national gross domestic product （GDP） time series for 195 countries： Past observations （1850–2005） harmonized with future projections according to the Shared Socio-economic Pathways （2006–2100）［J］. Earth System Science Data， 2018， 10（2）： 847-856. DOI： 10.5194/essd-10-847-2018 .

[26] MEINSHAUSEN M， NICHOLLS Z R J， LEWIS J， et al. The shared socio-economic pathway （SSP） greenhouse gas concentrations and their extensions to 2500［J］. Geoscientific Model Development， 2020， 13（8）： 3571-3605. DOI： 10.5194/gmd-13-3571-2020 .

[27] 梁友嘉， 徐中民， 钟方雷. 基于SD和CLUE-S模型的张掖市甘州区土地利用情景分析［J］. 地理研究， 2011， 30（3）： 564-576. DOI: 10.3724/SP.J.1011.2011.00415 .

[28] LIANG Y J， XU Z M， ZHONG F L. Land use scenario analyses by based on system dynamic model and CLUE-S model at regional scale： A case study of Ganzhou district of Zhangye city［J］. Geographical Research， 2011， 30（3）： 564-576 （Ch）. DOI: 10.3724/SP.J.1011.2011.00415 .

[29] FONG W K， MATSUMOTO H， LUN Y F. Application of System Dynamics model as decision making tool in urban planning process toward stabilizing carbon dioxide emissions from cities［J］. Building and Environment， 2009， 44（7）： 1528-1537. DOI： 10.1016/j.buildenv.2008.07.010 .

[30] WEN L， BAI L， ZHANG E N. System dynamic modeling and scenario simulation on Beijing industrial carbon emissions［J］. Environmental Engineering Research， 2016， 21（4）： 355-364. DOI： 10.4491/eer.2016.049 .

[31] 何云玲， 吴志杰， 徐蕊. 昆明市碳源碳汇结构变化及其驱动因子研究［J］. 云南地理环境研究， 2013， 25（6）： 14-21. DOI： 10.3969/j.issn.1001-7852.2013.06.003 .

[32] HE Y L， WU Z J， XU R. Structural changes and driving force of carbon sources and sinks in Kunming city［J］. Yunnan Geographic Environment Research， 2013， 25（6）： 14-21. DOI： 10.3969/j.issn.1001-7852.2013.06.003（Ch ）.

[33] 鲍莹， 张安明. 重庆合川区土地利用碳排放的效应及驱动因素［J］. 浙江农业科学， 2021， 62（2）： 440-444. DOI： 10.16178/j.issn.0528-9017.20210259 .

[34] BAO Y， ZHANG A M. Carbon emission effect of land use in Hechuan District and its driving factors［J］. Journal of Zhejiang Agricultural Sciences， 2021， 62（2）： 440-444. DOI： 10.16178/j.issn.0528-9017.20210259（Ch ）.

[35] 王小国， 朱波， 王艳强， 等. 不同土地利用方式下土壤呼吸及其温度敏感性［J］. 生态学报， 2007， 27（5）： 1960-1968. DOI： 10.3321/j.issn： 1000-0933.2007.05.036 .

[36] WANG X G， ZHU B， WANG Y Q， et al. Soil respiration and its sensitivity to temperature under different land use conditions［J］. Acta Ecologica Sinica， 2007， 27（5）： 1960-1968. DOI： 10.3321/j.issn： 1000-0933.2007.05.036（Ch ）.

[37] 张勇， 张乐勤， 汪应宏， 等. 安徽省池州市土地利用碳排放演变及其影响因素［J］. 中国农业大学学报， 2014， 19（2）： 216-223. DOI： 10.11841/j.issn.1007-4333.2014.02.32 .

[38] ZHANG Y， ZHANG L Q， WANG Y H， et al. Research on the carbon emission evolution of land use and its influential factors of Chizhou City in Anhui Province［J］. Journal of China Agricultural University， 2014， 19（2）： 216-223. DOI： 10.11841/j.issn.1007-4333.2014.02.32（Ch ）.

[39] 吴萌， 任立， 陈银蓉. 城市土地利用碳排放系统动力学仿真研究：以武汉市为例［J］. 中国土地科学， 2017， 31（2）： 29-39. DOI： 10.11994/zgtdkx.20170215.095601 .

[40] WU M， REN L， CHEN Y R. Simulation of urban land use carbon emission system based on a system dynamic model： Take Wuhan as an example［J］. China Land Sciences， 2017， 31（2）： 29-39. DOI： 10.11994/zgtdkx.20170215.095601（Ch ）.

[41] 查军瑶， 蒋永宁， 曹楷朋. 云南省农业经济增长影响因素的实证研究：基于柯布·道格拉斯生产函数［J］. 农业与技术， 2022， 42（6）： 162-164. DOI： 10.19754/j.nyyjs.20220330035 .

[42] ZHA J Y， JIANG Y N， CAO K P. An empirical study on influencing factors of agricultural economic growth in Yunnan Province： Based on Cobb Douglas production function［J］. Agriculture and Technology， 2022， 42（6）： 162-164. DOI： 10.19754/j.nyyjs.20220330035（Ch ）.

[43] 张波， 虞朝晖， 孙强， 等. 系统动力学简介及其相关软件综述［J］. 环境与可持续发展， 2010， 35（2）： 1-4. DOI： 10.19758/j.cnki.issn1673-288x.2010.02.001 .

[44] ZHANG B， YU C H， SUN Q， et al. Brief introduction of system dynamics and summary of its related software［J］. Environment and Sustainable Development， 2010， 35（2）： 1-4. DOI： 10.19758/j.cnki.issn1673-288x.2010.02.001（Ch ）.

[45] 周李磊， 官冬杰， 杨华， 等. 重庆经济-资源-环境发展的系统动力学分析及不同情景模拟［J］. 重庆师范大学学报（自然科学版）， 2015， 32（3）： 59-67. DOI： 10.11721/cqnuj20150323 .

[46] ZHOU L L， GUAN D J， YANG H， et al. System dynamics analysis and scenarios simulation of urban economy-resource-environment development［J］. Journal of Chongqing Normal University （Natural Science）， 2015， 32（3）： 59-67. DOI： 10.11721/cqnuj20150323（Ch ）.

[47] GUAN D J， GAO W J， SU W C， et al. Modeling and dynamic assessment of urban economy-resource-environment system with a coupled system dynamics-geographic information system model［J］. Ecological Indicators， 2011， 11（5）： 1333-1344. DOI： 10.1016/j.ecolind.2011.02.007 .

[48] 许联芳， 张建新， 陈坤， 等. 基于SD模型的湖南省土地利用变化情景模拟［J］. 热带地理， 2014， 34（6）： 859-867. DOI： 10.13284/j.cnki.rddl.002628 .

[49] XU L F， ZHANG J X， CHEN K， et al. Land use change scenarios simulation in Hunan Province based on the SD model［J］. Tropical Geography， 2014， 34（6）： 859-867. DOI： 10.13284/j.cnki.rddl.002628（Ch ）.

[50] 潘金玉， 苏布达， 翟建青， 等. 基于共享社会经济路径的中国经济发展趋势及其影响要素分析［J］. 气候变化研究进展， 2019， 15（6）： 607-616. DOI： 10.12006/j.issn.1673-1719.2019.028 .

[51] PAN J Y， SU B D， ZHAI J Q， et al. Development of economy and its influencing factors in China under the shared socioeconomic pathways［J］. Climate Change Research， 2019， 15（6）： 607-616. DOI： 10.12006/j.issn.1673-1719.2019.028（Ch ）.

[52] 翁宇威， 蔡闻佳， 王灿. 共享社会经济路径（SSPs）的应用与展望［J］. 气候变化研究进展， 2020， 16（2）： 215-222. DOI： 10.12006/j.issn.1673-1719.2019.078 .

[53] WENG Y W， CAI W J， WANG C. The application and future directions of the Shared Socioeconomic Pathways（SSPs）［J］. Climate Change Research， 2020， 16（2）： 215-222. DOI： 10.12006/j.issn.1673-1719.2019.078（Ch ）.

[54] 丁小江， 钟方雷， 毛锦凰， 等. 共享社会经济路径下中国各省城市化水平预测［J］. 气候变化研究进展， 2018， 14（4）： 392-401. DOI： 10.12006/j.issn.1673-1719.2018.018 .

[55] DING X J， ZHONG F L， MAO J H， et al. Provincial urbanization projected to 2050 under the shared socioeconomic pathways in China［J］. Climate Change Research， 2018， 14（4）： 392-401. DOI： 10.12006/j.issn.1673-1719.2018.018（Ch ）.

[56] 李小云， 杨宇， 刘毅， 等. 中国人地关系的系统结构及2050年趋势模拟［J］. 地理科学， 2021， 41（2）： 187-197. DOI： 10.13249/j.cnki.sgs.2021.02.001 .

[57] LI X Y， YANG Y， LIU Y， et al. The systematic structure and trend simulation of China’s man-land relationship until 2050［J］. Scientia Geographica Sinica， 2021， 41（2）： 187-197. DOI： 10.13249/j.cnki.sgs.2021.02.001（Ch ）.

[58] 易阿岚， 孙清， 王钧. 基于SD模型的上海市湿地生态系统服务变化过程与情景研究［J］. 生态学报， 2020， 40（16）： 5513-5524. DOI： 10.5846/stxb201910082092 .

[59] YI A L， SUN Q， WANG J. The process of changes and scenarios of Shanghai wetland ecosystem service based on SD model［J］. Acta Ecologica Sinica， 2020， 40（16）： 5513-5524. DOI： 10.5846/stxb201910082092（Ch ）.

[60] 王艳君， 景丞， 姜彤， 等. 2015—2050年中国分省城乡人口变化及其影响因素研究［J］. 南京信息工程大学学报（自然科学版）， 2020， 12（4）： 395-405. DOI： 10.13878/j.cnki.jnuist.2020.04.001 .

[61] WANG Y J， JING C， JIANG T， et al. Projection of provincial urban and rural population and its influencing factors in mainland China（2015-2050）［J］. Journal of Nanjing University of Information Science & Technology （Natural Science Edition）， 2020， 12（4）： 395-405. DOI： 10.13878/j.cnki.jnuist.2020.04.001（Ch ）.

[62] 汤琦， 余飒珩， 陈泽怡， 等. 共享社会经济路径下土地利用变化模拟［J］. 水土保持研究， 2022， 29（1）： 301-310. DOI： 10.13869/j.cnki.rswc.2022.01.033 .

[63] TANG Q， YU S H， CHEN Z Y， et al. Simulation of land use change based on the shared socioeconomic pathways［J］. Research of Soil and Water Conservation， 2022， 29（1）： 301-310. DOI： 10.13869/j.cnki.rswc.2022.01.033（Ch ）.

[64] 翟晨阳， 王圣云. 基于系统动力学的鄱阳湖区多维福祉时空差异演变与情景模拟［J］. 生态学报， 2021， 41（8）： 2954-2967. DOI： 10.5846/stxb201907141483 .

[65] ZHAI C Y， WANG S Y. Spatio-temporal difference evolution and scenario simulation of multi-dimensional well-being in Poyang Lake Area based on system dynamics［J］. Acta Ecologica Sinica， 2021， 41（8）： 2954-2967. DOI： 10.5846/stxb201907141483（Ch ）.