杜俊慧， 張克勇， 張雪姣

(1. 中北大學 經(jīng)濟與管理學院， 山西 太原 030051； 2. 華北科技學院， 河北 廊坊 065201)

0 引 言

近兩個世紀以來， 氣候問題引起了人們的廣泛關注. 尤其是近百余年， 氣候問題愈加嚴重， 積極應對氣候問題成為全球共識. 黨的“十八大”提出低碳發(fā)展的戰(zhàn)略目標， “十三五”期間， 將全面落實《國家應對氣候變化規(guī)劃(2014～2020)》， 爭取二氧化碳排放在2030年左右達到峰值. 2016年， 國家發(fā)改委已向各省下達“十三五”節(jié)能減排目標， 山西省也制定了《山西省“十三五”控制溫室氣體排放規(guī)劃》、 《山西省“十三五”綜合能源發(fā)展規(guī)劃》來應對山西省高耗能、 高污染、 高排放的現(xiàn)狀. 因此， 找出影響山西省碳排放的影響因素以及研究山西省未來碳排放情況是十分緊要的任務.

目前， 研究各因素對碳排放影響的方法有很多種， 其中對數(shù)平均權重迪式指數(shù)法(LMDI)[1]運用最為廣泛. Ang等[2]通過歸納和總結， 提出LMDI分解方法是相對更好的方法， 這種方法能夠解決其他方法中存在的殘差項問題， 此外， 還具有靈活性、 適宜性以及易解釋等優(yōu)點； 同時， Ang[3]還對APEC成員國碳排放量進行了LMDI分解， 得出人均GDP和人口是影響碳排放增長的最主要因素. 梁大鵬等[4]運用LMDI對金磚五國二氧化碳排放的影響因素進行了研究并分析了五國關鍵影響因素存在差異的原因. 王棟等[5]基于LMDI方法得出最終需求變化是導致產(chǎn)業(yè)部門二氧化碳增加的最主要因素. 楊磊玉[6]運用LMDI分解模型對中國行業(yè)碳排放測算、 結構分解及影響因素進行了研究. 此外， 田中華[7]、 田澤[8]、 李永亮[9]、 江方利[10]等學者運用LMDI法對地區(qū)能源消耗碳排放強度進行了分析研究. 在對碳排放預測領域， 主要的研究方法有STIRPAT模型、 LEAP模型、 MARKAL-MACRO模型等. 宋杰鯤[11]運用偏最小二乘法構建了我國碳排放預測的STIRPAT模型， 指明了減排關注的重點. 趙息等[12]基于離散二階差分法預測了中國2020年碳排放量. 姜克雋等[13-14]運用IPAC模型對中國低碳發(fā)展及二氧化碳排放情景進行了分析， 同時探討了中國實現(xiàn)低碳發(fā)展的路徑. 情景分析法通過設計不同的情景有效克服了未來不確定因素的影響， 近年來在碳排放預測領域應用廣泛[15-16]. 姜克雋等[17]還分析了實現(xiàn)全球2℃升溫目標下我國能源活動的二氧化碳排放峰值將在2020～2022年出現(xiàn). 朱婧等[18]借助情景分析法和脫鉤模型對河南省濟源市在不同情景下的碳排放進行了比較研究. 本文首先運用LMDI對山西省碳排放影響因素進行分解研究， 然后構建STIRPAT模型， 采用計量方法對山西省碳排放量和其影響因素構建長期均衡模型， 并在此基礎上， 得出不同情景下山西省未來碳排放量峰值及峰值時間.

1 研究方法及模型設定

1.1 LMDI分解模型

在對碳排放因素分解研究中， LMDI的應用最為廣泛. 本文運用“兩層分解法”對山西省碳排放強度進行因素分解， 把山西省碳排放總量分解為6個部門4種能源產(chǎn)生的碳排放量總和. 碳排放量LMDI分解模型為

(1)

(2)

式中：i=1,2,3,4,5,6分別表示農業(yè)， 工業(yè)， 建筑業(yè)， 交通業(yè)、 商業(yè)和居民業(yè)；j=1,2,3,4， 分別表示煤炭、 焦炭、 汽油、 柴油等4種能源；Cij表示第i行業(yè)消耗第j能源產(chǎn)生的二氧化碳排放量；Eij表示能源消耗量；CIij=cij/Eij表示能源碳排放系數(shù)；ESij=Eij/Ei表示能源結構；EIi=Ei/GDPi表示能源強度；ISi=GDPi/GDP表示產(chǎn)業(yè)結構；P表示人口數(shù)；UP表示城鎮(zhèn)化率；RP表示農村人口比重；PG=GDP/P表示人均GDP；CIE=C6j/E6j表示居民生活碳排放強度系數(shù)；EIP=E6j/P表示居民生活能源強度；FI表示固定資產(chǎn)投資額；PFI=P/FI表示投資規(guī)模強度.

其中，Dk的計算公式為

(3)

(4)

1.2 IPAT和STIRPAT模型

IPAT模型為I=P×A×T， 表示能源消費(I)、 人口(P)、 人均GDP(A)和人均能源消費(T)間的關系[19]. 吳振信等在此基礎上完善并運用STIRPAT模型， 表達式為[20]

I=a×Pb×Ac×Td×ε.

(5)

本文采用STIRPAT多變量非線性模型， 根據(jù)前文LMDI分解模型以及山西省能源消費和社會經(jīng)濟因素， 人口因素選用山西省人口總量和城市化水平， 其中， 碳排放量隨人口和城市化水平的增大而增大. 財富因素選用人均GDP和產(chǎn)業(yè)結構， 地區(qū)發(fā)展越快， 能源消費和碳排放就越高； 不同產(chǎn)業(yè)耗能是有差異的， 第三產(chǎn)業(yè)創(chuàng)造的價值比例呈上升趨勢. 由于山西省煤炭為主的能源消費結構短期內也無法發(fā)生變化， 所以能源結構無法反映山西的技術水平， 故本文采用全社會固定資產(chǎn)投資額和能源強度表示技術因素.

考慮到各影響因素對碳排放的影響， 本文對STIRPAT模型進行了改進. 根據(jù)庫茲涅茨曲線理論， 人均GDP與碳排放之間不是簡單的線性關系， 可能存在二次或N次曲線關系， 故本文將人均GDP的二次方引用到模型中. 此外， 對模型取對數(shù)， 以降低變量與自變量間異方差的影響， 分別得到lnP, lnU, lnA2, lnI, lnT, lnE, lnQ. 綜上分析， 得出山西省碳排放量與各影響因素間的計量模型為

lnQ=alnP+blnU+clnA2+dlnI+

elnT+flnE+ε,

(6)

式中：Q表示碳排放量(萬t)；P表示人口總量(萬人)；U為城鎮(zhèn)化水平(%)；A表示人均GDP(元/人)；I表示產(chǎn)業(yè)結構， 即第三產(chǎn)業(yè)GDP占比；T表示能源強度(t/萬元)；E表示社會固定資產(chǎn)投資額(億元).

1.3 情景分析模式

為使預測結果更切合實際， 本文對山西省未來經(jīng)濟社會發(fā)展進行情景設置， 對不同情景下的碳排放量進行預測(預測到2050年). 實踐中， 碳排放量會隨著人口、 城市化水平、 人均GDP和固定資產(chǎn)投資額的增大而增大； 而隨著技術的進步和產(chǎn)業(yè)結構調整的趨勢， 單位GDP能耗及產(chǎn)業(yè)結構的變化會促使碳排放量減少. 故本文將其6個變量分成兩組， 進行情景分析， 并對其假定不同的發(fā)展速度. 本文設置了低模式、 中模式、 高模式、 高中模式、 低中模式、 中高模式、 中低模式等8種情景. 具體如表 1 所示.

表 1 情景設置模式Tab.1 Scenario setting mode

2 數(shù)據(jù)的選取與實證分析

2.1 數(shù)據(jù)來源與計算

本文根據(jù)《山西省統(tǒng)計年鑒》、 《中國能源統(tǒng)計年鑒》2000～2014年間煤炭、 焦炭、 汽油和柴油終端能源使用量對碳排放進行計算.

目前， 我國沒有公開的碳排放量數(shù)據(jù)， 因此， 需要測算山西省的碳排放量. 《山西省統(tǒng)計年鑒》將能源分為煤炭、 焦炭、 汽油、 柴油、 電力等5種， 為避免重復計算， 本文不再計算電力能源. 碳排放計算公式為

(7)

式中：TC表示山西省碳排放總量；TCi表示第i種能源產(chǎn)生的碳排放量；Ei表示第i種能源消耗量， 統(tǒng)一折算為標準煤消耗量；ηi表示第i種能源的碳排放系數(shù). 具體折算見表 2.

表 2 折算標準煤系數(shù)及碳排放系數(shù)Tab.2 Standard coal coefficient and carbon emission coefficient

根據(jù)碳排放量的測算公式以及化石能源碳排放系數(shù)， 經(jīng)過整理計算， 得到2000～2014年山西省經(jīng)濟與社會主要指標， 見表 3.

表 3 2000～2014年山西省經(jīng)濟與社會主要指標(以2000年為基準)Tab.3 Economic and social indicators of Shanxi Province from 2000 to 2014 (based on 2000)

2.2 山西省碳排放因素分解

根據(jù)上文式(1)～(4)， 運用LMDI因素分解方法對山西省2000～2014年間的碳排放量進行分解， 結果表明， 2014年碳排放量比2000年增加了2.87×108t.

表 4 列出了對山西省碳排放LMDI因素分解結果.

表 4 LMDI因素分解結果Tab.4 LMDI factor decomposition results

在2000～2014年間， 結構效應包括能源結構(DES)和產(chǎn)業(yè)結構(DIS)， 兩者對山西省碳排放影響較小. 其中， 產(chǎn)業(yè)結構對碳排放量變化作用為正， 這說明山西省產(chǎn)業(yè)結構調整并未起到減少碳排放量的作用； 而能源結構的影響微乎其微， 這是由于山西省近十年來能源主要以煤炭為主， 煤炭占一次能源占比保持基本不變. 當前， 山西省第二產(chǎn)業(yè)及煤炭消費在經(jīng)濟發(fā)展中仍占絕對地位， 調整產(chǎn)業(yè)結構、 能源結構任重道遠.

經(jīng)濟規(guī)模效應(DPG)在各時間段上均起到促進碳排放增加的作用， 在2000～2014年間， 經(jīng)濟規(guī)模導致碳排放量增加5.88倍， 是山西省碳排放量增加的主要因素. 這也說明， 經(jīng)濟增長會刺激能源消費， 進而促進碳排放量的增加.

能源強度效應包括產(chǎn)業(yè)能源強度(DEI)和居民生活能源強度(DEIP)兩部分， 其中， 2000～2014年間產(chǎn)業(yè)能源強度對碳排放量起到了負的作用， 使碳排放量減少0.36倍， 而居民生活能源強度起到了正的作用， 促使碳排放量增加1.64倍. 這說明山西省產(chǎn)業(yè)部門采用新技術等減少碳排放取得顯著成效， 而居民生活能源還需大力推廣使用清潔能源.

人口效應包括城鎮(zhèn)化水平(DUP)和農村人口比重(DRP)兩部分， 在2000～2014的各年間， 城鎮(zhèn)化水平對碳排放量增長一直起到促進作用， 而農村人口比重對碳排放起到抑制作用. 這說明城鎮(zhèn)化必然促進能源消耗和碳排放量的增加.

固定資產(chǎn)投資效應包括投資規(guī)模強度(DPFI)和固定資產(chǎn)投資額(DFI)兩部分， 兩者對碳排放量的影響作用都很大. 其中， 投資規(guī)模強度對碳排放量變化的影響為負， 促使碳排放量減少為 0.07倍， 固定資產(chǎn)投資額的影響為正， 使得碳排放量增加15.75倍. 這表明， 固定資產(chǎn)投資會促使各行業(yè)發(fā)展， 進而帶動第二產(chǎn)業(yè)發(fā)展， 促使能源消費和碳排放量增大.

2.3 協(xié)整檢驗

前文采用LMDI將影響山西省碳排放量的因素分解為結構效應、 經(jīng)濟規(guī)模效應、 能源強度效應、 人口效應和固定資產(chǎn)投資效應. 表4給出了各2000～2014年間各效應的影響， 但無法描述它們與碳排放量間的長期均衡關系， 在協(xié)整檢驗中， 根據(jù)各效應選取了相應的指標建立STIRPAT模型.

在模型分析中， 如果數(shù)據(jù)非平穩(wěn)而直接進行線性回歸， 會出現(xiàn)模型的偽回歸， 得出荒誕的結論， 所以必須先對山西省2000～2014年各變量進行穩(wěn)定性檢驗.

本文運用Eviews8進行單位根檢驗， 檢驗結果見表 5.

表 5 ADF檢驗結果Tab.5 ADF test results

結果表明： lnP, lnU, lnA2, lnI, lnT, lnE, lnQ的二階差分在1%水平上都通過了單位根檢驗， 即均為二階單整， 可以進行協(xié)整檢驗. 運用Eviews8進行偏最小二乘估計， 得到的擬合結果為

lnQ=1.036×lnP+0.923 3×lnU+

0.174 9×lnA2-0.593 2×lnI+0.876 4×

lnT+0.164 4×lnE-3.177 4.

(8)

調整后的R2=0.992 681，DW=1.847 669(DW在2附近， 不存在自相關)

對殘差e進行檢驗， 結果如表 6 所示.

表 6 協(xié)整檢驗結果Tab.6 Co-integration test results

由表 6 可知， 殘差序列平穩(wěn). 因此， lnP, lnU, lnA2, lnI, lnT, lnE, lnQ間存在長期均衡關系， 即可根據(jù)式(8)擬合結果對山西省未來碳排放量進行預測. 此外， 也進一步驗證了前文LMDI分解結果.

2.4 山西省碳排放峰值預測

2.4.1 情景參數(shù)設置

在結合情景設置進行碳排放量預測時， 還需設置各情景參數(shù)， 對山西省人口總量、 城市化水平、 人均GDP、 社會固定資產(chǎn)投資額、 能源結構、 能源強度及產(chǎn)業(yè)結構等6個變量的高、 中、 低速發(fā)展速度進行設定， 得出山西省高中低3種模式下各因素的年增長速率(見表 7)， 進而預測不同情景下山西省未來碳排放量及峰值到達時間.

表 7 碳排放影響因素情景設置(年增長率)Tab.7 Scenario setting (annual growth rate) of carbon emission factors %

1) 人口

目前已有很多研究對中國未來人口進行了預測， 其中， 中科院還對“單獨政策”和“全面開放二胎政策”影響下的中國人口進行了預測. 《國務院關于印發(fā)國家人口發(fā)展規(guī)劃(2016～2010年)的通知》中提到人口在2030年前后達到峰值. 結合中國人口發(fā)展趨勢到2030年達到峰值， 并考慮山西省人口增長率平均比中國人口增長率高0.02%， 得到山西省未來人口預測數(shù). 其中， 人口低模式增長假定為山西省2030年左右達到人口峰值； 中模式假定人口在2035年左右達到峰值； 高模式假定2040年左右達人口峰值.

2) 城鎮(zhèn)化率

按照國際上城鎮(zhèn)化發(fā)展特點， 城鎮(zhèn)化率在70%后將趨于平緩， 2014年山西省城鎮(zhèn)化已到達55%， 城鎮(zhèn)化快速發(fā)展還將持續(xù)15～20年. 《中國2049戰(zhàn)略》中提到城鎮(zhèn)化的平衡點為75%～80%左右. 本文假定2030年城鎮(zhèn)化達到均衡狀態(tài)為高發(fā)展模式； 2040年達均衡為中模式； 2050年達均衡為低發(fā)展模式. 當達到均衡后， 假定城鎮(zhèn)化增速為0.

3) 人均GDP

《2016山西省十三五規(guī)劃綱要全文》指出， 要確保2020年實現(xiàn)地區(qū)生產(chǎn)總值比2010年翻一翻， 預計2015～2020年GDP年增速為7.58%. 其中， 山西省2010～2015年平均GDP增速為10.05%， 在“新常態(tài)”轉型環(huán)境下， 2015～2020GDP增速約在7%左右， 根據(jù)清華大學對中國未來GDP增長率的預測： 2020年附近降到6.2%左右， 2030年降到4%， 2030～2050間平均GDP增速下降到3%左右.

4) 產(chǎn)業(yè)結構

目前， 山西省第一、 第二產(chǎn)業(yè)占比逐年下降， 第三產(chǎn)業(yè)占比逐年上升， 2014年第三產(chǎn)業(yè)達到了45%， 在未來產(chǎn)業(yè)結構調整下， 有望超過第二產(chǎn)業(yè)， 達到國家第三產(chǎn)業(yè)發(fā)展目標平均水平. 《2050中國能源和碳排放報告》指出， 我國將在2050年接近發(fā)達國家水平. 按世界銀行統(tǒng)計數(shù)據(jù)， 目前上中等國家第三產(chǎn)業(yè)占比為61%， 發(fā)達國家占70%以上. 本文設定山西省在2030年第三產(chǎn)業(yè)達到55%左右， 2040年達到60%左右， 2050年左右實現(xiàn)達到發(fā)達國家水平目標.

5) 能源強度

為了達到2020年單位GDP能耗比2005年下降40%～45%， 2030年單位GDP比2005年下降60%～65%的要求， 國家發(fā)改委已向山西省下達“十三五”節(jié)能目標為16%. 此外， 中國承諾到 2030年， 單位GDP比2005年下降60%～65%， 本文假定山西省減排目標同國家減排目標.

6) 固定資產(chǎn)投資

《山西省十三五規(guī)劃》確定的固定資產(chǎn)投資的年均增長目標為10%左右， 盡管低于山西省2010～2014年間平均固定資產(chǎn)投資額13.8%， 但卻是一個合理的增長目標. 考慮到固定資產(chǎn)投資不可能無限上升， 故本文假定在2020～2050年間， 固定資產(chǎn)投資增速減慢.

2.4.2 情景分析法碳排放峰值預測

根據(jù)設定的8種情景模式和情景參數(shù)， 運用上文建立的STIRPAT模型對不同情景下山西省未來碳排放量及其峰值進行了預測， 各年碳排放量預測結果見圖 1. 由圖 1 可見， 山西省未來碳排放量峰值預計在6×108～10×108t之間. 具體峰值及峰值到達時間見表 8.

圖 1 山西省未來碳排放量預測圖Fig.1 Future carbon emission forecast in Shanxi Province

表 8 分情景下山西省碳排放峰值及峰值到達時間Tab.8 The peak and peak time of carbon emission in Shanxi Province

由表 8 可知， 情景1(低模式)和情景6(低中模式)峰值到在2020年達到峰值； 情景2(中模式)、 情景7(中高模式)下碳排放量將在2025年達到峰值； 情景3(高模式)、 情景4(高中模式)下， 預計在2030年達到峰值； 情景6(低中模式)預計到2040年左右達到峰值； 情景5(高低模式)下， 溫室氣體排放量失控， 截止2050年未出現(xiàn)峰值. 對照8種情景峰值出現(xiàn)的時間， 不難發(fā)現(xiàn)， 產(chǎn)業(yè)結構和能源強度對碳排放量峰值及峰值到達時間影響較大， 產(chǎn)業(yè)結構快速調整、 能源強度加速降低可促使山西省碳排放峰值早日到達， 且峰值較??； 低速發(fā)展會導致碳排放失控. 此外， 人口、 城市化率、 人均GDP、 社會固定資產(chǎn)投資額保持中速增長， 能源強度、 產(chǎn)業(yè)結構高速發(fā)展， 既能保證經(jīng)濟的快速發(fā)展又能保證低碳環(huán)保. 此外， 在這8種情景中， 山西省未來有75%的概率可以完成2030年前達到峰值的目標， 其中， 2020年達到峰值的概率為25%， 2025年左右達到峰值的概率為25%， 2030年附近達到峰值概率為25%， 此外在 2040年左右達到峰值的概率為 12.5%. 總體而言， 山西省減排潛力巨大， 有很大潛力順利完成減排任務.

2.4.3GM(1,1)碳排放預測

根據(jù)2000～2014年山西省碳排放量進行預測， 得出GM(1,1)模型預測方程為

x(1)(k+1)=4.008e0.04k-2.03,

(9)

式中：a=-0.04；u=1.04. 計算得出模型精度為94.47%>90%,測算的評價相對誤差為5.53%， 后檢驗值為p=1， 方差比u=0.32， 說明預測有效.

通過GM(1,1)模型預測得出2015～2030年山西省碳排放量， 如圖 2 所示.

圖 2 山西省碳排放實際排放值和預測值擬合圖Fig.2 The fitted curve for actual emission and predicted value of carbon emission in Shanxi Province

由圖 2 可以看出， 山西省碳排放實際值與預測值擬合情況較好， 整體偏離較小， 碳排放預測值與實際排放值較為接近. 同時， 可以看出， 山西省在2015～2030年碳排放值在5×108～12×108t， 與情景分析預測得出的范圍接近； 由于灰色關聯(lián)預測只是根據(jù)之前碳排放趨勢進行的預測， 故預測的碳排放量處于一直增長的狀態(tài). 這也進一步說明情景分析結果的合理性， 在不進行調控的情形下山西省無法完成2030年達到峰值的目標.

3 結論與建議

3.1 結 論

本文以山西省2000～2014年能源消費量和經(jīng)濟發(fā)展相關數(shù)據(jù)為基礎， 利用LMDI因素分解對影響山西省碳排放強度的因素進行了分析， 并通過修正后的STRIPAT模型， 對山西省碳排放量與各因素進行擬合， 得到不同情景下山西省未來的碳排放量及碳排放峰值到達時間.

1) 2014年碳排放量比2000年增加了2.87×108t， 其中， 經(jīng)濟規(guī)模效應和固定資產(chǎn)投資效應對碳排放增加有顯著的正向作用， 產(chǎn)業(yè)能源強度對碳排放起到顯著的抑制作用.

2) 對比8種情景結構發(fā)現(xiàn)： 人口、 城市化率、 人均GDP、 社會固定資產(chǎn)投資額保持中速增長， 能源強度、 產(chǎn)業(yè)結構高速發(fā)展， 既能保證經(jīng)濟的快速發(fā)展又能保證低碳發(fā)展. 但如果不進行合理調控山西省2030年碳排放將無法達到峰值； 為了實現(xiàn)中國的節(jié)能減排目標， 山西省必須深入貫徹科學發(fā)展觀， 根據(jù)自身特點， 積極探索發(fā)展低碳經(jīng)濟發(fā)展路徑， 處理好經(jīng)濟發(fā)展與生態(tài)環(huán)境保護的關系.

3) 根據(jù)設定的8種情景， 預測山西省未來碳排放量峰值預計在6×108～10×108t之間. 在各情景下， 山西省未來有75%的概率可以完成2030年及之前達到峰值的目標， 其中， 2020年達到峰值的概率為25%， 2025年左右達到峰值的概率為25%， 2030年附近達到峰值概率為25%， 此外在 2040年左右達到峰值的概率為12.5%. 總體而言， 山西省減排潛力巨大， 有很大潛力順利完成減排任務.

4) 建立GM(1,1)預測模型， 山西省在2015～2030年碳排放值范圍為5×108～12×108t， 與情景分析預測得出的范圍接近； 由于灰色關聯(lián)預測只是根據(jù)之前碳排放趨勢進行的預測， 故預測的碳排放量處于一直增長的狀態(tài). 這也進一步說明情景分析結果的合理性， 在不進行調控的情形下山西省無法完成2030年達峰值的目標.

3.2 政策建議

根據(jù)山西省碳排放的影響因素分析及峰值預測研究， 可知山西省面臨較大的節(jié)能減排壓力. 對此， 提出以下政策建議：

1) 調整產(chǎn)業(yè)結構， 發(fā)展低碳產(chǎn)業(yè). 山西省作為煤炭大省， 發(fā)展過度依賴資源并且結構單一， 產(chǎn)生大量能源消費碳排放. 如果能夠積極調整產(chǎn)業(yè)結構， 淘汰高耗能高污染行業(yè)， 大力發(fā)展第三產(chǎn)業(yè)， 產(chǎn)業(yè)結構的調整與優(yōu)化對碳排放的抑制作用會進一步提高.

2) 大力發(fā)展清潔能源. 雖然山西省以煤炭為主的能源消費結構短期內也無法發(fā)生變化， 但是可以通過大力開發(fā)太陽能、 生物質能、 風能等清潔可再生能源來減少化石能源的消費， 達到減少碳排放的目的.

3) 增加碳匯. 提高山西省植被覆蓋率， 充分發(fā)揮碳匯的潛力.

參考文獻：

[1] Ang B W. The LMDI approach to decomposition analysis: a practical guide[J]. Energy Policy, 2005, 33(7)： 867-871.

[2] Ang B W, Lee S Y. Decomposition of industrial energy consumption： some methodological and application issues [J]. Energy Economics, 1994： 83-92.

[3] Ang B W. Decomposition analysis for policy making in energy： which is the preferred method [J]. Energy Policy, 2004, 32(9)： 1131-1139.

[4] 梁大鵬, 劉天森, 李一軍. 基于LMDI模型的金磚五國二氧化碳排放成本及其影響因素比較研究[J]. 資源科學, 2015(12)： 2319-2329.

Liang Dapeng , Liu Tiansen, Li Yijun. Comparative study on the carbon emission cost and its influencing factors in the brics countries based on LMDI model[J]. Resources Science, 2015(12)： 2319-2329. (in Chinese)

[5] 王棟， 潘文卿， 劉慶， 等. 中國產(chǎn)業(yè)CO2排放的因素分解： 基于LMDI模型[J]. 系統(tǒng)工程理論與實踐， 2012(6)： 1193-1203.

Wang Dong， Pan Wenqing， Liu Qing， et al. Factor decomposition of CO2emission in Chinese industry： based on LMDI model[J]. System Engineering Theory and Practice， 2012(6)： 1193-1203. (in Chinese)

[6] 楊磊玉. 我國行業(yè)碳排放測算、 結構分解及影響因素研究[J]. 統(tǒng)計與決策， 2016(2)： 105-108.

Yang Leiyu. Research on carbon emission calculation， structure decomposition and influencing factors in China[J]. Statistics and Decision Making， 2016(2)： 105-108. (in Chinese)

[7] 田中華， 楊澤亮， 蔡睿賢. 廣東省能源消費碳排放分析及碳排放強度影響因素研究[J]. 中國環(huán)境科學， 2015(6)： 1885-1891.

Tian Zhonghua， Yang Zeliang， Cai Ruixian. Study on the carbon emission analysis of energy consumption in guangdong province and the influence factors of carbon emission intensity[J]. Chinese Environmental Science， 2015(6)： 1885-1891. (in Chinese)

[8] 田澤， 董凱麗， 吳鳳平. 江蘇省終端能源消費CO2排放總量測算及驅動因素研究[J]. 中國人口·資源與環(huán)境， 2015(11)： 19-27.

Tian Ze， Dong Kaili， Wu Fengping. Measurement of total emission of CO2and driving factors of terminal energy consumption in jiangsu province[J]. China’s population， Resources and Environment， 2015(11)： 19-27. (in Chinese)

[9] 李永亮， 姚芩， 白衛(wèi)國， 等. 山東省能源消費二氧化碳排放驅動影響因素分析[J]. 中國集體經(jīng)濟， 2016(3)： 22-25.

Li Yongliang， Yao Ling， Bai Weiguo， et al. Analysis of the influence factors of energy consumption carbon dioxide emission in shandong province[J]. China’s Collective Economy， 2016(3)： 22-25. (in Chinese)

[10] 江方利， 黃煒斌， 馬光文. 四川省能源消費碳排放影響因素分解研究[J]. 中國人口·資源與環(huán)境， 2016(S1)： 45-48.

Jiang Fangli， Huang Weibin， Ma Guangwen. Analysis of the influence factors of energy consumption carbon dioxide emission in shandong province[J]. China’s Population， Resources and Environment， 2016(S1)： 45-48. (in Chinese)

[11] 宋杰鯤. 基于支持向量回歸機的中國碳排放預測模型[J]. 中國石油大學學報(自然科學版)， 2012(1)： 182-187.

Song Jiekun. China’s carbon emission prediction model based on support vector regression[J]. Journal of China Petroleum University (Natural Science Edition)， 2012(1)： 182-187. (in Chinese)

[12] 趙息， 齊建民， 劉廣為. 基于離散二階差分算法的中國碳排放預測[J]. 干旱區(qū)資源與環(huán)境， 2013(1)： 63-69.

Zhao Xi， Qi Jianmin， Liu Guangwei. China’s carbon emission prediction based on discrete second-order difference algorithm[J]. Resources and Environment in Arid Areas， 2013(1)： 63-69. (in Chinese)

[13] 姜克雋， 胡秀蓮， 莊幸, 等. 中國2050年的能源需求與CO2排放情景[J]. 氣候變化研究進展， 2008(5)： 296-302.

Jiang Kejuani， Hu Xiulian， Zhuang Xing, et al. China’s carbon emission prediction based on discrete second-order difference algorithm[J]. Progress in Climate Change Research， 2008(5)： 296-302. (in Chinese)

[14] 姜克雋， 胡秀蓮， 莊幸， 等. 中國2050年低碳情景和低碳發(fā)展之路[J]. 中外能源， 2009(6)： 1-7.

Jiang Kejuani， Hu Xiulian， Zhuang Xing. China’s low-carbon scenario and low-carbon development path in 2050[J]. The Chinese and Foreign Energy， 2009(6)： 1-7. (in Chinese)

[15] 云雅如， 王淑蘭， 胡君， 等. 情景分析法在我國環(huán)境保護相關領域管理決策中的現(xiàn)狀與展望[J]. 中國人口·資源與環(huán)境， 2012(S2)： 131-135.

Yun Yaru， Wang Shulan， Hu Jun, et al. The present situation and prospect of the situation analysis in the management decision of environmental protection in China[J]. China’s Population， Resources and Environment， 2012(S2)： 131-135. (in Chinese)

[16] 付加鋒， 劉小敏. 基于情景分析法的中國低碳經(jīng)濟研究框架與問題探索[J]. 資源科學， 2010(2)： 205-210.

Fu Jiafeng， Liu Xiaomin. Research framework and exploration of China’s low-carbon economy based on scenario analysis[J]. Resources Science， 2010(2)： 205-210. (in Chinese)

[17] 姜克雋， 賀晨旻， 莊幸， 等. 我國能源活動CO2排放在2020—2022年之間達到峰值情景和可行性研究[J]. 氣候變化研究進展， 2016(3)： 167-171.

Jiang Kejuan， He Chenwen， Zhuang Xing, et al. The CO2emission of energy activities in China reaches the peak scenario and feasibility study between 2020 and 2022[J]. Progress in Climate Change Research， 2016(3)： 167-171. (in Chinese)

[18] 朱婧， 劉學敏， 初釗鵬. 低碳城市能源需求與碳排放情景分析[J]. 中國人口·資源與環(huán)境， 2015(7)： 48-55.

Zhu Jing， Liu Xuemin， Chu Zhaopeng. Low-carbon city energy demand and carbon emission scenario analysis[J]. China’s Population， Resources and Environment， 2015(7)： 48-55. (in Chinese)

[19] Ehriich P R， Ehrlich A H. Population， resources， environment： issues in human ecology[M]. San Francisco ： Freeman， 1970.

[20] 吳振信， 石佳. 基于STIRPAT和GM(1,1)模型的北京能源碳排放影響因素分析及趨勢預測[J]. 中國管理科學， 2012(S2)： 803-809.

Wu Zhenxin， Shi Jia. Analysis and trend prediction of energy carbon emission in Beijing based on STIRPAT andGM(1,1) model[J]. China Management Science， 2012(S2)： 803-809. (in Chinese)