杜俊慧, 张克勇, 张雪姣
(1. 中北大学 经济与管理学院, 山西 太原 030051; 2. 华北科技学院, 河北 廊坊 065201)
近两个世纪以来, 气候问题引起了人们的广泛关注. 尤其是近百余年, 气候问题愈加严重, 积极应对气候问题成为全球共识. 党的“十八大”提出低碳发展的战略目标, “十三五”期间, 将全面落实《国家应对气候变化规划(2014~2020)》, 争取二氧化碳排放在2030年左右达到峰值. 2016年, 国家发改委已向各省下达“十三五”节能减排目标, 山西省也制定了《山西省“十三五”控制温室气体排放规划》、 《山西省“十三五”综合能源发展规划》来应对山西省高耗能、 高污染、 高排放的现状. 因此, 找出影响山西省碳排放的影响因素以及研究山西省未来碳排放情况是十分紧要的任务.
目前, 研究各因素对碳排放影响的方法有很多种, 其中对数平均权重迪式指数法(LMDI)[1]运用最为广泛. Ang等[2]通过归纳和总结, 提出LMDI分解方法是相对更好的方法, 这种方法能够解决其他方法中存在的残差项问题, 此外, 还具有灵活性、 适宜性以及易解释等优点; 同时, Ang[3]还对APEC成员国碳排放量进行了LMDI分解, 得出人均GDP和人口是影响碳排放增长的最主要因素. 梁大鹏等[4]运用LMDI对金砖五国二氧化碳排放的影响因素进行了研究并分析了五国关键影响因素存在差异的原因. 王栋等[5]基于LMDI方法得出最终需求变化是导致产业部门二氧化碳增加的最主要因素. 杨磊玉[6]运用LMDI分解模型对中国行业碳排放测算、 结构分解及影响因素进行了研究. 此外, 田中华[7]、 田泽[8]、 李永亮[9]、 江方利[10]等学者运用LMDI法对地区能源消耗碳排放强度进行了分析研究. 在对碳排放预测领域, 主要的研究方法有STIRPAT模型、 LEAP模型、 MARKAL-MACRO模型等. 宋杰鲲[11]运用偏最小二乘法构建了我国碳排放预测的STIRPAT模型, 指明了减排关注的重点. 赵息等[12]基于离散二阶差分法预测了中国2020年碳排放量. 姜克隽等[13-14]运用IPAC模型对中国低碳发展及二氧化碳排放情景进行了分析, 同时探讨了中国实现低碳发展的路径. 情景分析法通过设计不同的情景有效克服了未来不确定因素的影响, 近年来在碳排放预测领域应用广泛[15-16]. 姜克隽等[17]还分析了实现全球2℃升温目标下我国能源活动的二氧化碳排放峰值将在2020~2022年出现. 朱婧等[18]借助情景分析法和脱钩模型对河南省济源市在不同情景下的碳排放进行了比较研究. 本文首先运用LMDI对山西省碳排放影响因素进行分解研究, 然后构建STIRPAT模型, 采用计量方法对山西省碳排放量和其影响因素构建长期均衡模型, 并在此基础上, 得出不同情景下山西省未来碳排放量峰值及峰值时间.
在对碳排放因素分解研究中, LMDI的应用最为广泛. 本文运用“两层分解法”对山西省碳排放强度进行因素分解, 把山西省碳排放总量分解为6个部门4种能源产生的碳排放量总和. 碳排放量LMDI分解模型为
(1)
(2)
式中:i=1,2,3,4,5,6分别表示农业, 工业, 建筑业, 交通业、 商业和居民业;j=1,2,3,4, 分别表示煤炭、 焦炭、 汽油、 柴油等4种能源;Cij表示第i行业消耗第j能源产生的二氧化碳排放量;Eij表示能源消耗量;CIij=cij/Eij表示能源碳排放系数;ESij=Eij/Ei表示能源结构;EIi=Ei/GDPi表示能源强度;ISi=GDPi/GDP表示产业结构;P表示人口数;UP表示城镇化率;RP表示农村人口比重;PG=GDP/P表示人均GDP;CIE=C6j/E6j表示居民生活碳排放强度系数;EIP=E6j/P表示居民生活能源强度;FI表示固定资产投资额;PFI=P/FI表示投资规模强度.
其中,Dk的计算公式为
(3)
(4)
IPAT模型为I=P×A×T, 表示能源消费(I)、 人口(P)、 人均GDP(A)和人均能源消费(T)间的关系[19]. 吴振信等在此基础上完善并运用STIRPAT模型, 表达式为[20]
I=a×Pb×Ac×Td×ε.
(5)
本文采用STIRPAT多变量非线性模型, 根据前文LMDI分解模型以及山西省能源消费和社会经济因素, 人口因素选用山西省人口总量和城市化水平, 其中, 碳排放量随人口和城市化水平的增大而增大. 财富因素选用人均GDP和产业结构, 地区发展越快, 能源消费和碳排放就越高; 不同产业耗能是有差异的, 第三产业创造的价值比例呈上升趋势. 由于山西省煤炭为主的能源消费结构短期内也无法发生变化, 所以能源结构无法反映山西的技术水平, 故本文采用全社会固定资产投资额和能源强度表示技术因素.
考虑到各影响因素对碳排放的影响, 本文对STIRPAT模型进行了改进. 根据库兹涅茨曲线理论, 人均GDP与碳排放之间不是简单的线性关系, 可能存在二次或N次曲线关系, 故本文将人均GDP的二次方引用到模型中. 此外, 对模型取对数, 以降低变量与自变量间异方差的影响, 分别得到lnP, lnU, lnA2, lnI, lnT, lnE, lnQ. 综上分析, 得出山西省碳排放量与各影响因素间的计量模型为
lnQ=alnP+blnU+clnA2+dlnI+
elnT+flnE+ε,
(6)
式中:Q表示碳排放量(万t);P表示人口总量(万人);U为城镇化水平(%);A表示人均GDP(元/人);I表示产业结构, 即第三产业GDP占比;T表示能源强度(t/万元);E表示社会固定资产投资额(亿元).
为使预测结果更切合实际, 本文对山西省未来经济社会发展进行情景设置, 对不同情景下的碳排放量进行预测(预测到2050年). 实践中, 碳排放量会随着人口、 城市化水平、 人均GDP和固定资产投资额的增大而增大; 而随着技术的进步和产业结构调整的趋势, 单位GDP能耗及产业结构的变化会促使碳排放量减少. 故本文将其6个变量分成两组, 进行情景分析, 并对其假定不同的发展速度. 本文设置了低模式、 中模式、 高模式、 高中模式、 低中模式、 中高模式、 中低模式等8种情景. 具体如表 1 所示.
表 1 情景设置模式Tab.1 Scenario setting mode
本文根据《山西省统计年鉴》、 《中国能源统计年鉴》2000~2014年间煤炭、 焦炭、 汽油和柴油终端能源使用量对碳排放进行计算.
目前, 我国没有公开的碳排放量数据, 因此, 需要测算山西省的碳排放量. 《山西省统计年鉴》将能源分为煤炭、 焦炭、 汽油、 柴油、 电力等5种, 为避免重复计算, 本文不再计算电力能源. 碳排放计算公式为
(7)
式中:TC表示山西省碳排放总量;TCi表示第i种能源产生的碳排放量;Ei表示第i种能源消耗量, 统一折算为标准煤消耗量;ηi表示第i种能源的碳排放系数. 具体折算见表 2.
表 2 折算标准煤系数及碳排放系数Tab.2 Standard coal coefficient and carbon emission coefficient
根据碳排放量的测算公式以及化石能源碳排放系数, 经过整理计算, 得到2000~2014年山西省经济与社会主要指标, 见表 3.
表 3 2000~2014年山西省经济与社会主要指标(以2000年为基准)Tab.3 Economic and social indicators of Shanxi Province from 2000 to 2014 (based on 2000)
根据上文式(1)~(4), 运用LMDI因素分解方法对山西省2000~2014年间的碳排放量进行分解, 结果表明, 2014年碳排放量比2000年增加了2.87×108t.
表 4 列出了对山西省碳排放LMDI因素分解结果.
表 4 LMDI因素分解结果Tab.4 LMDI factor decomposition results
在2000~2014年间, 结构效应包括能源结构(DES)和产业结构(DIS), 两者对山西省碳排放影响较小. 其中, 产业结构对碳排放量变化作用为正, 这说明山西省产业结构调整并未起到减少碳排放量的作用; 而能源结构的影响微乎其微, 这是由于山西省近十年来能源主要以煤炭为主, 煤炭占一次能源占比保持基本不变. 当前, 山西省第二产业及煤炭消费在经济发展中仍占绝对地位, 调整产业结构、 能源结构任重道远.
经济规模效应(DPG)在各时间段上均起到促进碳排放增加的作用, 在2000~2014年间, 经济规模导致碳排放量增加5.88倍, 是山西省碳排放量增加的主要因素. 这也说明, 经济增长会刺激能源消费, 进而促进碳排放量的增加.
能源强度效应包括产业能源强度(DEI)和居民生活能源强度(DEIP)两部分, 其中, 2000~2014年间产业能源强度对碳排放量起到了负的作用, 使碳排放量减少0.36倍, 而居民生活能源强度起到了正的作用, 促使碳排放量增加1.64倍. 这说明山西省产业部门采用新技术等减少碳排放取得显著成效, 而居民生活能源还需大力推广使用清洁能源.
人口效应包括城镇化水平(DUP)和农村人口比重(DRP)两部分, 在2000~2014的各年间, 城镇化水平对碳排放量增长一直起到促进作用, 而农村人口比重对碳排放起到抑制作用. 这说明城镇化必然促进能源消耗和碳排放量的增加.
固定资产投资效应包括投资规模强度(DPFI)和固定资产投资额(DFI)两部分, 两者对碳排放量的影响作用都很大. 其中, 投资规模强度对碳排放量变化的影响为负, 促使碳排放量减少为 0.07倍, 固定资产投资额的影响为正, 使得碳排放量增加15.75倍. 这表明, 固定资产投资会促使各行业发展, 进而带动第二产业发展, 促使能源消费和碳排放量增大.
前文采用LMDI将影响山西省碳排放量的因素分解为结构效应、 经济规模效应、 能源强度效应、 人口效应和固定资产投资效应. 表4给出了各2000~2014年间各效应的影响, 但无法描述它们与碳排放量间的长期均衡关系, 在协整检验中, 根据各效应选取了相应的指标建立STIRPAT模型.
在模型分析中, 如果数据非平稳而直接进行线性回归, 会出现模型的伪回归, 得出荒诞的结论, 所以必须先对山西省2000~2014年各变量进行稳定性检验.
本文运用Eviews8进行单位根检验, 检验结果见表 5.
表 5 ADF检验结果Tab.5 ADF test results
结果表明: lnP, lnU, lnA2, lnI, lnT, lnE, lnQ的二阶差分在1%水平上都通过了单位根检验, 即均为二阶单整, 可以进行协整检验. 运用Eviews8进行偏最小二乘估计, 得到的拟合结果为
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)
调整后的R2=0.992 681,DW=1.847 669(DW在2附近, 不存在自相关)
对残差e进行检验, 结果如表 6 所示.
表 6 协整检验结果Tab.6 Co-integration test results
由表 6 可知, 残差序列平稳. 因此, lnP, lnU, lnA2, lnI, lnT, lnE, lnQ间存在长期均衡关系, 即可根据式(8)拟合结果对山西省未来碳排放量进行预测. 此外, 也进一步验证了前文LMDI分解结果.
2.4.1 情景参数设置
在结合情景设置进行碳排放量预测时, 还需设置各情景参数, 对山西省人口总量、 城市化水平、 人均GDP、 社会固定资产投资额、 能源结构、 能源强度及产业结构等6个变量的高、 中、 低速发展速度进行设定, 得出山西省高中低3种模式下各因素的年增长速率(见表 7), 进而预测不同情景下山西省未来碳排放量及峰值到达时间.
表 7 碳排放影响因素情景设置(年增长率)Tab.7 Scenario setting (annual growth rate) of carbon emission factors %
1) 人口
目前已有很多研究对中国未来人口进行了预测, 其中, 中科院还对“单独政策”和“全面开放二胎政策”影响下的中国人口进行了预测. 《国务院关于印发国家人口发展规划(2016~2010年)的通知》中提到人口在2030年前后达到峰值. 结合中国人口发展趋势到2030年达到峰值, 并考虑山西省人口增长率平均比中国人口增长率高0.02%, 得到山西省未来人口预测数. 其中, 人口低模式增长假定为山西省2030年左右达到人口峰值; 中模式假定人口在2035年左右达到峰值; 高模式假定2040年左右达人口峰值.
2) 城镇化率
按照国际上城镇化发展特点, 城镇化率在70%后将趋于平缓, 2014年山西省城镇化已到达55%, 城镇化快速发展还将持续15~20年. 《中国2049战略》中提到城镇化的平衡点为75%~80%左右. 本文假定2030年城镇化达到均衡状态为高发展模式; 2040年达均衡为中模式; 2050年达均衡为低发展模式. 当达到均衡后, 假定城镇化增速为0.
3) 人均GDP
《2016山西省十三五规划纲要全文》指出, 要确保2020年实现地区生产总值比2010年翻一翻, 预计2015~2020年GDP年增速为7.58%. 其中, 山西省2010~2015年平均GDP增速为10.05%, 在“新常态”转型环境下, 2015~2020GDP增速约在7%左右, 根据清华大学对中国未来GDP增长率的预测: 2020年附近降到6.2%左右, 2030年降到4%, 2030~2050间平均GDP增速下降到3%左右.
4) 产业结构
目前, 山西省第一、 第二产业占比逐年下降, 第三产业占比逐年上升, 2014年第三产业达到了45%, 在未来产业结构调整下, 有望超过第二产业, 达到国家第三产业发展目标平均水平. 《2050中国能源和碳排放报告》指出, 我国将在2050年接近发达国家水平. 按世界银行统计数据, 目前上中等国家第三产业占比为61%, 发达国家占70%以上. 本文设定山西省在2030年第三产业达到55%左右, 2040年达到60%左右, 2050年左右实现达到发达国家水平目标.
5) 能源强度
为了达到2020年单位GDP能耗比2005年下降40%~45%, 2030年单位GDP比2005年下降60%~65%的要求, 国家发改委已向山西省下达“十三五”节能目标为16%. 此外, 中国承诺到 2030年, 单位GDP比2005年下降60%~65%, 本文假定山西省减排目标同国家减排目标.
6) 固定资产投资
《山西省十三五规划》确定的固定资产投资的年均增长目标为10%左右, 尽管低于山西省2010~2014年间平均固定资产投资额13.8%, 但却是一个合理的增长目标. 考虑到固定资产投资不可能无限上升, 故本文假定在2020~2050年间, 固定资产投资增速减慢.
2.4.2 情景分析法碳排放峰值预测
根据设定的8种情景模式和情景参数, 运用上文建立的STIRPAT模型对不同情景下山西省未来碳排放量及其峰值进行了预测, 各年碳排放量预测结果见图 1. 由图 1 可见, 山西省未来碳排放量峰值预计在6×108~10×108t之间. 具体峰值及峰值到达时间见表 8.
图 1 山西省未来碳排放量预测图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达时间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年达到峰值; 情景2(中模式)、 情景7(中高模式)下碳排放量将在2025年达到峰值; 情景3(高模式)、 情景4(高中模式)下, 预计在2030年达到峰值; 情景6(低中模式)预计到2040年左右达到峰值; 情景5(高低模式)下, 温室气体排放量失控, 截止2050年未出现峰值. 对照8种情景峰值出现的时间, 不难发现, 产业结构和能源强度对碳排放量峰值及峰值到达时间影响较大, 产业结构快速调整、 能源强度加速降低可促使山西省碳排放峰值早日到达, 且峰值较小; 低速发展会导致碳排放失控. 此外, 人口、 城市化率、 人均GDP、 社会固定资产投资额保持中速增长, 能源强度、 产业结构高速发展, 既能保证经济的快速发展又能保证低碳环保. 此外, 在这8种情景中, 山西省未来有75%的概率可以完成2030年前达到峰值的目标, 其中, 2020年达到峰值的概率为25%, 2025年左右达到峰值的概率为25%, 2030年附近达到峰值概率为25%, 此外在 2040年左右达到峰值的概率为 12.5%. 总体而言, 山西省减排潜力巨大, 有很大潜力顺利完成减排任务.
2.4.3GM(1,1)碳排放预测
根据2000~2014年山西省碳排放量进行预测, 得出GM(1,1)模型预测方程为
x(1)(k+1)=4.008e0.04k-2.03,
(9)
式中:a=-0.04;u=1.04. 计算得出模型精度为94.47%>90%,测算的评价相对误差为5.53%, 后检验值为p=1, 方差比u=0.32, 说明预测有效.
通过GM(1,1)模型预测得出2015~2030年山西省碳排放量, 如图 2 所示.
图 2 山西省碳排放实际排放值和预测值拟合图Fig.2 The fitted curve for actual emission and predicted value of carbon emission in Shanxi Province
由图 2 可以看出, 山西省碳排放实际值与预测值拟合情况较好, 整体偏离较小, 碳排放预测值与实际排放值较为接近. 同时, 可以看出, 山西省在2015~2030年碳排放值在5×108~12×108t, 与情景分析预测得出的范围接近; 由于灰色关联预测只是根据之前碳排放趋势进行的预测, 故预测的碳排放量处于一直增长的状态. 这也进一步说明情景分析结果的合理性, 在不进行调控的情形下山西省无法完成2030年达到峰值的目标.
本文以山西省2000~2014年能源消费量和经济发展相关数据为基础, 利用LMDI因素分解对影响山西省碳排放强度的因素进行了分析, 并通过修正后的STRIPAT模型, 对山西省碳排放量与各因素进行拟合, 得到不同情景下山西省未来的碳排放量及碳排放峰值到达时间.
1) 2014年碳排放量比2000年增加了2.87×108t, 其中, 经济规模效应和固定资产投资效应对碳排放增加有显著的正向作用, 产业能源强度对碳排放起到显著的抑制作用.
2) 对比8种情景结构发现: 人口、 城市化率、 人均GDP、 社会固定资产投资额保持中速增长, 能源强度、 产业结构高速发展, 既能保证经济的快速发展又能保证低碳发展. 但如果不进行合理调控山西省2030年碳排放将无法达到峰值; 为了实现中国的节能减排目标, 山西省必须深入贯彻科学发展观, 根据自身特点, 积极探索发展低碳经济发展路径, 处理好经济发展与生态环境保护的关系.
3) 根据设定的8种情景, 预测山西省未来碳排放量峰值预计在6×108~10×108t之间. 在各情景下, 山西省未来有75%的概率可以完成2030年及之前达到峰值的目标, 其中, 2020年达到峰值的概率为25%, 2025年左右达到峰值的概率为25%, 2030年附近达到峰值概率为25%, 此外在 2040年左右达到峰值的概率为12.5%. 总体而言, 山西省减排潜力巨大, 有很大潜力顺利完成减排任务.
4) 建立GM(1,1)预测模型, 山西省在2015~2030年碳排放值范围为5×108~12×108t, 与情景分析预测得出的范围接近; 由于灰色关联预测只是根据之前碳排放趋势进行的预测, 故预测的碳排放量处于一直增长的状态. 这也进一步说明情景分析结果的合理性, 在不进行调控的情形下山西省无法完成2030年达峰值的目标.
根据山西省碳排放的影响因素分析及峰值预测研究, 可知山西省面临较大的节能减排压力. 对此, 提出以下政策建议:
1) 调整产业结构, 发展低碳产业. 山西省作为煤炭大省, 发展过度依赖资源并且结构单一, 产生大量能源消费碳排放. 如果能够积极调整产业结构, 淘汰高耗能高污染行业, 大力发展第三产业, 产业结构的调整与优化对碳排放的抑制作用会进一步提高.
2) 大力发展清洁能源. 虽然山西省以煤炭为主的能源消费结构短期内也无法发生变化, 但是可以通过大力开发太阳能、 生物质能、 风能等清洁可再生能源来减少化石能源的消费, 达到减少碳排放的目的.
3) 增加碳汇. 提高山西省植被覆盖率, 充分发挥碳汇的潜力.
参考文献:
[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] 梁大鹏, 刘天森, 李一军. 基于LMDI模型的金砖五国二氧化碳排放成本及其影响因素比较研究[J]. 资源科学, 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] 王栋, 潘文卿, 刘庆, 等. 中国产业CO2排放的因素分解: 基于LMDI模型[J]. 系统工程理论与实践, 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] 杨磊玉. 我国行业碳排放测算、 结构分解及影响因素研究[J]. 统计与决策, 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] 田中华, 杨泽亮, 蔡睿贤. 广东省能源消费碳排放分析及碳排放强度影响因素研究[J]. 中国环境科学, 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] 田泽, 董凯丽, 吴凤平. 江苏省终端能源消费CO2排放总量测算及驱动因素研究[J]. 中国人口·资源与环境, 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, 白卫国, 等. 山东省能源消费二氧化碳排放驱动影响因素分析[J]. 中国集体经济, 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, 黄炜斌, 马光文. 四川省能源消费碳排放影响因素分解研究[J]. 中国人口·资源与环境, 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] 宋杰鲲. 基于支持向量回归机的中国碳排放预测模型[J]. 中国石油大学学报(自然科学版), 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] 赵息, 齐建民, 刘广为. 基于离散二阶差分算法的中国碳排放预测[J]. 干旱区资源与环境, 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] 姜克隽, 胡秀莲, 庄幸, 等. 中国2050年的能源需求与CO2排放情景[J]. 气候变化研究进展, 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] 姜克隽, 胡秀莲, 庄幸, 等. 中国2050年低碳情景和低碳发展之路[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, 王淑兰, 胡君, 等. 情景分析法在我国环境保护相关领域管理决策中的现状与展望[J]. 中国人口·资源与环境, 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] 付加锋, 刘小敏. 基于情景分析法的中国低碳经济研究框架与问题探索[J]. 资源科学, 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] 姜克隽, 贺晨旻, 庄幸, 等. 我国能源活动CO2排放在2020—2022年之间达到峰值情景和可行性研究[J]. 气候变化研究进展, 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, 刘学敏, 初钊鹏. 低碳城市能源需求与碳排放情景分析[J]. 中国人口·资源与环境, 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] 吴振信, 石佳. 基于STIRPAT和GM(1,1)模型的北京能源碳排放影响因素分析及趋势预测[J]. 中国管理科学, 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)