基于STIRPAT模型驱动建筑能耗增长影响因素的研究

褚智亮，杨永标，王旭东，黄 莉，王 冬

（1.国电南瑞科技股份有限公司，南京 210000；2.国网天津市电力公司电力科学研究院，天津 300384；3.南京理工大学，南京 210000）

如今中国城镇化进程大大加快、人们的生活水平也日益提高，建筑能耗呈现出快速的增长趋势。工业化的快速发展和交通领域节能策略的实施，使得工业和交通的节能潜力空间越来越小，如何减小建筑领域能耗的工作成为重点。为此中国制定了“十二五”节能减排规划，计划到2015年，全国万元国内生产总值能耗下降到0.869吨标准煤，比2010年的1.034吨标准煤下降16%。“十二五”期间，实现节约能源6.7亿吨标准煤。完成此目标的重中之重是在建筑节能方面取得重大突破。

目前，国内对驱动建筑能耗增加影响因素的研究集中在影响因素的定性分析研究，并没有定量的分析影响因素的大小。周大地运用LEAP软件情景预测2020年中国的建筑能耗，研究表明政策的执行力度对建筑能耗影响很大，居民采暖能耗和公共建筑能耗就可造成2亿吨标准煤的能源消费差距［1］。清华大学建筑节能中心通过CBEM模型对2030年中国建筑能耗进行了情景分析，主要研究了生活方式、技术水平、建筑面积三个关键驱动因素，结果显示：当建筑面积稳定缓慢增长、人们保持自然和谐的生活方式、先进技术得到大范围推广，2030年建筑能耗仅比2006年增加14%［2］。杨嘉等人认为未来建筑能耗变化的主要影响因素包括城市化进程的推进、经济的发展、产业结构的调整升级、人口的增长、能源价格和科技水平的提高［3］。

本文以天津市智能电网园区的建设为案例，创新的采用STIRPAT模型来分析研究驱动智能电网园区建筑能耗增长的影响因素。在之前的研究中STIRPAT模型常被用来解决能源环境中遇到的问题，国内对该模型的应用主要集中在研究碳排放的问题上。本文对智能电网园区能耗影响因素的作用机理及其影响程度的大小进行了研究，在此基础上运用岭回归分析方法建立了能耗增长驱动因素的回归模型，为智能电网园区制定建筑节能战略提供了相关依据。

2 STIRPAT模型及其相关理论基础

随着工业领域革命的发生、科技的日新月异、人口的迅猛增长、经济的不断发展，资源和环境给全球带来的压力也日益加剧。专家学者展开了大量研究关于人口、经济、科技对环境的影响，并提出了相关的数学模型。

2.1 IPAT模型及相关理论基础

Ehrlich和Holden首次提出建立“IPAT”方程来定量反映人口、经济发展和科学技术对环境的影响，其中I是环境压力（Impact），P是人口数量（Population），A是富裕度（Affluence），T为技术（Technology）［4，5］。学术界对该模型广泛认可，并将其用于分析影响环境的关键因素。此后，有学者对该模型进行了改进，提出了不同形式的扩展模型。Schulze把人的行为因素B（Behavior）引入到IPAT模型中，提出“I＝PBAT”，他认为人类不仅可以通过使用有效的技术手段来减少对环境的影响之外，还有更为有效的方式，如自身行为［6］。Waggoner和Ausube提出了IMPACT模型，把“I＝PAT”中的T分解成单位GDP的消费（C）和单位消费产生的影响（T）［7］。

2.2 STIRPAT模型及相关理论基础

“I＝PAT”模型、“I＝PBAT”和“I＝PACT”模型，都是通过改变一个影响因素，并保持其它影响因素不变来分析问题，这种情况下得到的结果是变量的等比例变化，是这类模型最大的局限性。

为了更好的弥补IPAT的不足，York等人通过建立随机模型来分析人口、经济、科技对环境的非比例影响。在IPAT模型的基础上，建立了STIRPAT模型［8］，即：

式中 I——环境；P——人口；A——财富；T——技术；a——模型系数；b——人口影响指数；c——财富影响指数；d——技术驱动力的影响指数；e——模型的误差。

IPAT模型事实上是STRIPAT模型的一种特殊形式，当a＝b＝c＝d＝e＝l时，STRIPAT模型就转化为IPAT模型了。STIRPAT模型是一个非线性的多自变量模型，对等式两边进行对数化处理后：

STIRPAT模型的优势在于在保留了IPAT等式乘法结构的基础上，通过引入指数来填补各影响因素等比例变化的缺陷，更为关键的是，STIRPAT模型不仅允许将各个系数作为参数来进行估计，而且也允许对各个影响因素进行适当的分解，从而弥补了难以定量分析各个因素对环境产生影响的不足［9］。

3 针对智能电网园区建立相应的STIRPAT模型

推动园区建筑能耗增长的影响因素众多，通过调研大体上可分为：人口因素包括园区人口总量、人口分布结构、年龄结构等；经济因素包括人均GDP、建筑行业总产值等；居民生活因素包括人均居住面积、可支配收入、居民消费水平等；园区建设水平因素包括房屋建筑面积、集中供暖面积等。

3.1 园区建筑能耗影响因素的定性分析

园区建筑能耗增加的重要因素之一就是人口总量，人口的增长必然会增加能源的消耗，因此可以假定人口总量与建筑能耗存在着正向关系。

导致建筑能耗增长的直接因素是迅速增长的园区建筑总面积。从技术角度分析，随着建筑面积的增加，用能设备的负荷随之增加。例如采暖系统、空调系统、照明系统的负荷设计依据之一就是建筑面积，建筑面积越大，用能负荷越大。以采暖为例，北方城镇的平均采暖能耗为20 kg标煤／m2年，也就是说当建筑面积每增加1 m2，年采暖能耗就多消耗20 kg的标准煤。

首先我们观察混合数据(pooled data)中各变量与主观幸福度的相关性。由于OLS和Ordered model得到的结果并无实质性差异(Ferrer-i-Carbonell and Frijters, 2004)，本文采用OLS方法得到混合回归结果。从表2回归结果中可以看出，健康、婚姻状况、教育、工作、性别和年龄等人口学变量都对主观幸福度有显著影响。这一研究结论与幸福经济学文献(如Easterlin，2002，温晓亮等，2011)的研究结论基本一致。

园区的城镇化建设对建筑能耗的影响并不是单一的，一是由于城镇建设的大规模开展，导致园区的建筑面积迅速增长；二是农村居民人均能源消费相比城镇要低得多，城镇化进程必将导致大量农民进城，建筑能耗会因此增长；三是加速城镇化进程必将推动第三产业发展，公共建筑的能耗也因此增长。

人民生活水平的提高也会导致园区建筑能耗的快速增长。我国小康社会2020年住宅居住目标：北方地区冬季供暖将得到全面普及，供暖覆盖率达到99%以上；南方冬季寒冷地区的家庭拥有健全的取暖设施，冬季的居住舒适度得到保障。因此暖通空调能耗等建筑能耗所占的比例也会相应上升，建筑能耗的需求量也大大增加［10］。

公共建筑能耗的最大组成部分就是第三产业能耗，第三产业经济活动的频繁发生导致公共建筑能耗随之增长。因此第三产业的快速发展也是推动园区建筑能耗的增长因素之一。

3.2 模型扩展及模型变量的说明

根据3.1对智能电网园区建筑能耗增长驱动因素的定性研究分析，为了能够更准确的定量分析驱动因素的影响程度，将初始IPAT模型中的各因素进行进一步扩展，其中人口因素可被分解为人口总量和城镇化率两个因素，富裕程度可被分解为第三产业增加值指数、建筑总面积、居民消费水平指数三个因素。技术因素应归结为单位面积建筑能耗，居民生活水平和建筑能耗水平是单位面积建筑能耗的直接影响因素，两者并不能准确反映技术因素的影响程度大小。本文分析的着力点是建筑能耗增长的驱动因素，技术因素反而是促进建筑能耗下降的因素。基于上述分析，在此模型中技术因素不予考虑。

根据以上分析，得到的最终智能电网园区驱动建筑能耗增长影响因素STIRPAT分析模型如式（3）所示，具体模型变量如表1所示。

表1 模型中各变量的说明

3.3 模型数据来源

STIRPAT模型中所需的社会与经济数据来自《2011年天津统计年鉴》，GDP换算成2005年标准，时间序列选择的区间为1985～2010年，其中城镇化水平只有1996～2010年的数据，对其进行指数式（4）拟合，R2为0.996，进而可以推算以前的城镇化水平。

4 验证与分析

4.1 最小二乘法回归分析结果

当利用普通最小二乘法（Ordinary Least Squares，简称OLS）对STIRPAT模型进行线性回归拟合时，变量之间不能存在高度的线性关系是重要前提之一［11］。多元线性回归模型的矩阵形式为Y＝Xβ＋ε，其中参数β的普通最小二乘估计为：

当X中的变量完全相关时，（XTX）为不可逆矩阵。因此，不能用公式求出回归系数。

当X中变量高度相关时，此时几乎为0，此时求（XTX）的逆矩阵会产生严重的舍入误差。因此，该模型的回归系数极易受到舍入误差的影响，其估计值的抽样变异性大大增加。所以当模型的变量存在多重共线性时，采用OLS建立的回归模型存在的缺陷是回归系数参数估计的标准误差变大，估计值的稳定性下降，置信区间宽度变大，系数t检验不能达到要求或得不到正确的系数估计值［10］。

因此，当利用OLS法对模型进行线性回归拟合时，首先要考虑的是诊断变量的多重共线性。由3.1分析可知，智能电网园区建筑能耗的影响因素为人口、第三产业的发展、建筑总面积、城镇化、居民消费水平，4个因素在时间序列上有着共同的趋势。其中建筑总面积、城镇化、第三产业的发展、居民消费水平都与经济发展存在正相关的关系。

依据收集到的各项数据指标，以扩展后的STIRPAT方程为模型，运用SPSS18.0对模型（3）做OLS多元回归分析和多重共线性VIF检验，结果如表2所示。VIF检验的结果显示，模型中5个自变量的VIF值均大于10，因此模型（3）的自变量之间存在严重的多重共线性。由普通最小二乘法回归分析结果可以看出，P、U、A的系数均为负数，不能满足研究分析的要求。故模型（3）不能采用普通OLS进行回归拟合。

表2 OLS回归分析及多重共线性VIF检验

4.2 岭回归分析结果

为了更好的克服自变量之间严重的多重共线性，本文采用岭回归（Ridge Regression）估计对模型进行拟合。Ridge estimate是由Hoerl和Kennard于1970年提出的。岭回归分析是一种修正改良后的的最小二乘估计法，当自变量之间存在严重的多重相关性时，该方法比OLS有着更为稳定的估计，并且最终的回归系数的标准差也比OLS要要小的多［12］。

该方法的基本原理是当自变量之间存在多重相关性时，Ridge estimate会在自变量标准化矩阵XTX的基础上加上一个正常数矩阵k I，则存在k＞0，使｜XTX＋k I｜尽可能不等于0，此时岭回归参数估计为：

利用SPSS18.0软件自带的岭回归函数对方程（5）进行线性拟合，并设置岭回归系数k的区间为（0，1），步长为0.01。当k≥0.06时，该方程的回归系数慢慢趋于稳定，当k≥0.12时，所有的回归系数均为正值，满足分析的要求。因此选择岭回归系数为0.12，岭回归结果如表3所示。

表3 岭回归模型拟合结果

由方差分析结果可知，F显著性检验p＜0.000 01，各自变量标准回归系数的方差膨胀因子VIF值均小于1.08，并且回归系数的符号满足经济学的要求。由模型的显著性检验结果可以看出可决系数大于0.94，因此该模型有较高的拟合度。综上所述，模型（3）的拟合方程为：

根据该模型的岭回归估计结果可以得出，该模型下天津市近25年来驱动建筑能耗增加的影响因素按其影响程度的大小依次为：居民消费水平（26.9%）、第三产业发展（23.8%）、建筑总面积（18.5%）、城镇化率（14.7%）、总人口（1%）。如图1所示。

图1 驱动因素影响程度大小图

由表3可知，模型中各自变量所对应的回归系数，即各驱动因素变化1%所对应的建筑能耗变化量。其中总人口的变化量为0.057，城镇化率的变化量为0.326，建筑总面积的变化量为0.276，居民消费水平的变化量为0.214，第三产业发展的变化量为0.151。

5 结语

在人口因素中主要从人口总量和城镇化率这两个角度进行分析，对建筑能耗的影响程度分别为14.7%和1%，人口结构因素对建筑能耗增长的影响程度大于人口总量因素。造成这样的结果其原因是多样化的。城镇化对智能电网园区的建筑能耗的影响效应是多重的，主要体现在由人口结构的变化导致居民消费行为的变化。相比而言，由于计划生育和观念的改变，人口总量因素对建筑能耗的驱动作用十分有限［13］。

消费水平的提高是五个因素中对建筑能耗驱动作用最为明显的，高达26.9%。衡量国家富裕程度的一个重要指标就是居民消费水平，其对建筑能耗的影响方式主要体现在：（1）消费水平提高导致家用电器拥有量和使用时间上升；（2）消费水平提高导致人们更注重生活的舒适度，其中供热供冷的暖通空调系统的能源消耗也将大大增加［14］。

第三产业的发展对建筑能耗的驱动作用也是十分明显的。主要原因是公共建筑能耗的最大组成部分就是第三产业能耗，第三产业经济活动的频繁发生导致公共建筑能耗随之增长［15］。

建筑总面积的增加是驱动建筑能耗增长的直接因素，建筑面积增加必然带来照明系统、空调系统、动力系统用能的增长。

政府在建筑节能中的处于主导地位，充分发挥政策的优势。抓住战略机遇，引导生态城区建设与发展。积极引导市场，促进建筑行业节能的健康发展。抓紧基础研究工作、完善建筑节能技术和服务保障体系。

［1］ 周大地.2020中国可持续能源情景［M］.北京：中国环境科学出版社.

［2］ 清华大学建筑节能中心.中国建筑节能年度发展研究报告（2009）［M］.北京：中国建筑工业出版社，2003.

［3］ 杨 嘉，吴祥生，张敏琦.神经网络在建筑能耗宏观预测模型中的应用［C］.全国暖通空调制冷2002年学术年会论文集／下册，广州，2002.

［4］ EHRLICH P R，HOLDEN JP.Impact of population growth［J］.Science，1971，171：1212-1217.

［5］EHRLICH P R，HOLDEN J P.One dimensional economy［J］.Bulletin of atomic scientists，1972，16：18-27.

［6］ WAGGONER P E，AUSUBEL J H.A framework for sustainability science：a renovated IPAT identity［J］.Proceedings of the National Academy of Science，2002（99）：7860-7885.

［7］SCHULZE P C.I＝PBAT［J］.Ecological Economics，2002（40）：149-150.

［8］DIETZ T，ROSA E A.Rethinking the environmental impacts of population，affluence and technology［J］.Human Ecology Review 1994（1）：277-300.

［9］YORK R，ROSA E A，DIETA T.STIRPAT，IPAT and Impact：analytic tools for unpacking the driving forces of environmental impacts［J］.Ecological economics，2003（46）：351-365.

［10］ 王惠文.变量多重相关性对主成分分析的危害［J］.北京航空航大大学学报，1996，22（1）：65-70.

WANG Hui-wen.Elementary introduetion to mutiple correlation causing harm to principle component analysis［J］.Journal of Beijing University of Aeronautics and Astronautics，1996，22（1）：65-70.

［11］ 王惠文，吴载斌，孟 洁.偏最小二乘回归的线性与非线性方法［M］.北京：国防工业出版社，2006.

［12］HOERL A E，KENNARD R W.Ridge regression biased estimation for non－orthogonal problems［J］.Techometrics，1970（12）：55-68.

［13］ 何 强，吕光明.基于IPAT模型的生态环境影响分析—以北京市为例［J］.中央财经大学学报，2008（12）：83-88.

HE Qiang，LV Guang-ming.Analysis of ecological environmental impact based on IPAT model－－A case study of Beijing［J］.Journal of Central University of Finance ＆Economics，2008（12）：83-88.

［14］ 卢 娜，曲福田，玛淑怡，等.基于STIRPAT模型的能源消费碳足变化及影响因素—以江苏省苏锡常地区为例［J］.自然源学报，2011，26（5）：814-824.

LU Na，QU Fu-tian，FENG Shu-yi，et al.Trends and determining factors of energy consumption carbon footprint-An analysis for Suzhou-Wuxi-Changzhou region based on STIRPAT model［J］.Journal of Natural Resources，2011，26（5）：814-824.

［15］ 燕 华，郭运功，林逢春.基于STIRPAT模型分析CO2控制下上海城市发展模式［J］.地理学报，2010，65（8）：983-990.

YAN Hua，GUO Yun-gong，LIN Feng-chun.Analyzing the developing model of Chinese cities under the control of CO2 emissions using the STIRPAT model：A case study of Shanghai［J］.Acta Geographica Sinica，2010，65（8）：983-990.