基于供给侧结构性改革的碳排放减排路径及模拟调控

摘要本文通过分析供给侧要素与碳排放影响因素之间的作用关系，构建碳排放系统动力学模型，模拟预测未来中国碳排放的发展趋势。在此基础上，设置4种不同的发展情景方案，通过调控供给侧资本、劳动力及创新等要素分析预测不同情景方案对碳排放的影响。研究结果表明：①GDP增长率年均6.5%的情景下，按照现有系统行为规律，至2025年中国碳排放量预计将达到300 669万t。②通过增加第三产业固定资产投资比重、提升第三产业就业人员比重以及加大科技投入等路径均能够使得碳排放呈现不同程度地下降；其中，第三产业就业人员比重的增加对碳减排作用最显著，第二产业和第三产业就业人员比重分别降低和增加1%，碳排放预计将下降5.95%。③资本、劳动力及创新等要素综合调控下，能够实现GDP增加的同时碳排放量下降，预计下降到286 284万t。

关键词碳减排；供给侧要素；系统动力学；模拟调控

中图分类号F205文献标识码A文章编号1002-2104（2018）08-0047-09DOI：10.12062/cpre.20180318

2015年11月10日，中央财经领导小组会议上，习近平总书记指出：“在适度扩大总需求的同时，着力加强供给侧结构性改革，着力提高供给体系质量和效率。”供给侧结构性改革是推动我国生态文明建设的重要举措，是当前全面深化改革的重要内容。供给侧改革不仅会推动我国产业结构转型升级，也将影响我国节能与碳减排目标的实现。供给侧改革和碳减排相互作用，互为辩证，供给侧改革把节能减排作为重点任务；碳减排也要以供给侧改革为契机，通过供给侧改革为绿色低碳经济发展提供动力。供给侧改革的目的是实现劳动力、土地、资本和创新四大要素的优化配置，碳减排也应从供给侧要素着手，把供给侧改革与碳减排结合起来，实现要素最优配置的同时控制碳排放。因此，研究供给侧要素与碳排放之间的相互作用关系，从供给侧改革角度分析碳减排调控路径，具有一定的理论和现实意义。

1文献综述

近年来学者们从不同角度对碳排放减排路径及预测进行了一系列的研究。从碳减排路径角度看，林伯强[1]、王喜[2]、Lantz等[3]在明确碳排放影响因素的基础上，分析经济增长、产业结构和碳排放强度等不同影响因素对碳减排的作用并提出相应的减排路径。许士春[4]、娄峰[5]、张俊荣等[6]分别模拟预测不同的碳税征收政策、碳交易机制设计对碳减排的效果。从碳排放的预测方法角度看，预测方法主要有IPAT模型、LEAP模型、STIRPAT模型、神经网络和情景分析法等[7-11]。如聂锐[12]、王佳等[13]运用IPAT模型和“脱钩”理论，对江苏省和中国未来经济发展以及碳排放进行了预测研究。Park[14]、徐成龙等[15]应用LEAP模型分析预测产业结构调整对碳排放量可能带来的影响。张乐勤[16]、黄蕊等[17]构建STIRPAT模型实证分析了碳排放的驱动因素，并对碳排放峰值进行预测。Lin[18]、朱宇恩等[19]将IPAT模型与情景分析方法结合探讨中长期碳排放量以及峰值年的预测。邓明翔等[20]结合LEAP模型和情景分析法预测不同情景下云南省供给侧结构性改革对产业碳排放及碳强度的影响。

上述研究在预测碳排放量时只考虑到某单一因素变化所导致的碳排放变化，并未综合考虑碳排放及其影响因素间的相互作用。然而，碳排放量会受到许多因素的影响，并且各因素之间也相互影响。因此，系统动力学模型近年来在碳排放预测中得到广泛应用[21-22]，其最大优势是适合处理复杂系统的非线性问题，避免了单一以及低维度预测的片面性。但是，现有研究成果亦未见基于供给侧要素调控的碳排放模拟预测。

供给侧的本質是资本、劳动力和技术等生产要素的组合与配置，供给体系所存在的问题本质上就是生产要素低效率、低质量的“错配”。供给侧要素的优化配置能够提高全要素生产率的同时从源头以尽可能少的能源消耗和环境破坏来实现经济可持续发展。资本、劳动力和创新等供给侧要素对碳排放产生直接或间接的影响。资本和劳动力结构变动通过影响社会资产总量在各产业的配置构成，进而影响产业结构的动态，而产业结构变化是导致碳排放增长的重要驱动因素；科技创新则对碳排放具有抑制作用[23]。因此，供给侧改革不仅会推动产业结构转型升级，也将影响我国节能与碳减排目标的实现。本文基于供给侧资本、劳动力及创新等要素，分析供给侧要素与碳排放影响因素之间的作用关系，构建碳排放系统动力学模型。在对模型进行有效性检验后，模拟预测中国未来碳排放的发展变化趋势。在此基础上，通过调控供给侧资本、劳动力及创新等要素分析预测不同情景方案对碳排放的影响。

韩楠：基于供给侧结构性改革的碳排放减排路径及模拟调控中国人口·资源与环境2018年第8期2基于供给侧要素的碳排放系统动力学模型构建2.1系统变量及流图分析

系统动力学（System Dynamics）是一门分析和解决系统问题的综合性学科，也是认识研究信息反馈系统的具有交叉性的学科，对于处理复杂系统的非线性问题具有较大优势[24]。系统动力学模型建立主要包括四个步骤：划定系统边界、确定因果关系反馈回路、绘制流图并编写方程、模型模拟与检验。

本文通过分析碳排放影响因素与供给侧要素的作用关系，构建系统动力学模型，首先分别界定供给侧要素及影响碳排放的主要变量。

参考目前学者对碳排放影响因素的研究成果，碳排放影响因素主要包括经济水平、人口、科技水平、产业结构、能源消费等因素[23，25-28]。因此，本文根据影响碳排放的因素设置碳排放量、GDP、人均GDP、总人口、受教育人数、科技水平、科技经费支出、第二产业占GDP比重、能源消费等变量。

供给侧要素主要包括资本、劳动力、创新及土地四大要素，其中选取与碳排放量有关的资本、劳动力及创新要素作为系统模型的指标变量。设置全社会固定资产投资、三次产业固定资产投资比重、就业人员数、三次产业就业人员比重、科技投入强度等指标分别反映供给侧的资本、劳动力及创新。

在分析供给侧要素与碳排放影响因素相互作用关系及相关变量选取的基础上，利用Vensim软件绘制系统因果关系图，进一步确定系统中不同变量的性质，参考系统动力学理论方法中流图的基本符号，绘制出基于供给侧要素的碳排放系统流图（见图1）。

从图1可以看出，基于供给侧要素的碳排放系统流图中，共选取43个变量，其中包括2个状态变量、3个速率变量、24个辅助变量和14个常量。

2.2系统参数确定

鉴于2003年前后数据统计口径的变化，系统历史数据选取2003—2015年，共13年，以2003年作为仿真模拟的基期。参考国家发改委能源所的碳排放系数计算得出2003—2015年中国碳排放量：碳排放量=Σ第i种能源消费量×碳排放系数。原始数据来源于《中国统计年鉴》[29]。

图1中系统各变量参数主要通过以下方法计算得出：

（1）平均值法。对于一些数值变动幅度相对较小的常量，根据统计年鉴中的历史数据采用平均值法对变量进行赋值，如科技投入强度、三次产业就业人员比重、三次产业固定资产投资比重等变量。

（2）直接赋值法。对于状态变量的初值采用直接赋值的方法，根据统计年鉴的历史数据直接确定，如总人口数和GDP的初值。

（3）回归分析法。通过一元或多元线性回归分析方法对辅助变量进行赋值，如就业人员数、碳排放量、全社会固定资产投资等变量。

（4）比率分析法。在定性分析的基础上，通过选定的计算公式对变量的数量关系进行推导，如科技经费支出、能源消费量和三次产业就业人员数等变量。

根据上述系统参数的计算方法，可以计算得出图1中各变量之间数量关系的方程式。比如：碳排放量采用回归分析方法确定该数量方程式的系数；第二、三产业固定资产投资比重以及第二、三产业就业人员比重和科技投入强度均通过2003—2015年的历史数据采用平均值法对变量进行赋值。由于篇幅所限，本文仅列示图1中与碳排放以及调控要素相关的主要数量关系方程式。

碳排放量=exp（8.957-1.706ln（科技水平）+0835ln（第二产业占GDP比重×100）+0.141ln（人均GDP）+1.428ln（能源消费量））（1）

第二产业固定资产投资比重=第二产业固定资产投资/全社会固定资产投资=0.430 6（2）

第三产业固定资产投资比重=第三产业固定资产投资/全社会固定资产投资=0.541 2（3）

第二产业就业人员比重=第二产业就业人员数/就业人员数=0.263 4（4）

第三产业就业人员比重=第三产业就业人员数/就业人员数=0.329 6（5）

科技投入强度=科技经费支出/财政支出=0.042 1（6）

3系统模型的模拟预测

3.1有效性检验

建立系统动力学模型的目的是运用系统分析和解决问题，系统是否有效决定了模型的应用性。因此，在模拟预测前先要进行有效性的历史检验，以证实模型的合理性和准确性。

基于碳排放系统流图和参数设置，应用Vensim5.6a软件对该模型有效性进行历史检验。仿真区间设定为2003—2015年，仿真步长1年。通过模型有效性检验，验证所建立模型的运行状态与系统真实状态是否相符。若模型运行结果与真实值之间误差较小，则说明该模型设计合理、可行，能够有效地反映系统未来的发展趋势。通过模型的运行，对系统中所有变量均进行仿真检验，本文仅列示需要调控的碳排放指标以及反映经济发展状况的GDP指标。通过对变量真实值和仿真结果的拟合程度来检验系统模型的有效性。模型运行的GDP和碳排放仿真值、真實值及误差率见表1所示。

表1显示，模型中变量GDP的仿真结果与真实值之间的误差率除2007、2008年和2015年以外，均控制在5%之内。碳排放的仿真结果与真实值的误差率绝大部分也控制在5%之内。由此可知，该模型运行结果的精确度基本控制在5%以内，系统模型的真实值与仿真值之间误差小、拟合程度较高。因此，建立的碳排放系统动力学模型可以很好地反映出供给侧要素与碳排放影响因素之间的作用关系，模型运行状况和系统参数设置合理，能够应用该模型对未来经济和碳排放量的发展变化趋势进行模拟预测。

3.2基准情景下的系统仿真预测

在对碳排放系统动力学模型进行有效性检验后，对2016—2025年中国经济和碳排放量的发展变化趋势进行模拟预测，仿真步长为1年。以2015年的实际数据为初始变量值，预测2016—2025年中国未来十年的碳排放以

及经济发展趋势。根据十八大报告提出的“2020年国内生产总值比2010年翻一番”增长速度以及“十三五”规划纲要，将2016—2025年均GDP增长速度设定为6.5%。按照现有系统行为的发展规律，预测出2016—2025年中国碳排放量及GDP的发展状况。表2和图2～3分别为2016—2025年碳排放量及GDP指标的仿真预测值和预测图。

通过表2和图2可以看出，在现有系统行为下，模拟预测出2016—2025年中国碳排放将呈现平稳增长态势；其中，2016—2020年增长较快，2021—2025增速逐渐放缓。到2025年，碳排放量预计可以达到303 725万t，年均增速为0.99%。图3显示，2016—2025年GDP呈现快速增长趋势，至2025年GDP预计达到751 455亿元。根据预测结果，至2020年GDP将达到561 767亿元，比2010年翻了一番。2016—2025年，中国碳排放强度保持稳定下降趋势。根据中国实现2020年碳强度比2005年下降40%～45%的减排承诺，到2020年碳排放强度预计下降至0.525 4万t碳/亿元，比2005年碳排放强度（1.029 9万t碳/亿元，2003年不变价）下降了51%。因此，按照现有系统行为的发展规律，预测出2020年中国碳排放强度可以超额完成在2005年基础上降低45%的减排目标。

4不同情景方案下的碳排放模拟调控

本文设置4种不同的发展情景方案，通过调控供给侧

GDP业固定资产投资比重分析对碳排放的影响；情景Ⅱ为劳动力要素调控，通过降低第二产业就业人员比重同时增加第三产业就业人员比重预测碳排放的未来变化情况；情景Ⅲ为创新要素调控，通过提高科技投入分析预测对碳排放的影响；情景Ⅳ为三要素综合调控，即，同时改变资本、劳动力及创新三要素的系统参数模拟调控对碳排放的影响。

4.1资本要素调控（情景Ⅰ）

通过降低第二产业固定资产投资比重同时增加第三产业固定资产投资比重分析供给侧资本要素调控对碳排放的影响。在基准情景的基础上，改变资本要素的系统变量参数值，将第二产业固定资产投资比重降低1%，同时第三产业固定资产投资比重提高1%。即，情景Ⅰ中第二产业固定资产投资比重的系统参数值由0.430 6下降为0.426 2，第三产业固定资产投资比重的系统参数值从0.541 2增加为0.546 6。根据情景Ⅰ的系统参数对2016—2025年碳排放及经济发展趋势进行仿真预测。情景Ⅰ下资本要素对GDP、碳排放调控的仿真预测值以及与基准情景下预测值的变化比较见表3所示。

从表3可以看出，与基准情景相比，第二产业固定资产投资比重降低1%的同时第三产业固定资产投资比重提高1%，使得2016—2025年碳排放量呈现一定幅度的下降。资本要素的调控下，碳排放量相比基准情景平均降幅为0.17%，至2025年碳排放量预计可以下降到303 256万t。换言之，第二产业和第三产业固定资产投资比重分别降低和增加1%，会导致碳排放量降低0.17%。根据情景Ⅰ中GDP的仿真预测结果，可以发现通过资本要素的调控使得GDP整体呈现微弱下降趋势，2016—2025年平均

因此，通过降低第二产业固定资产投资比重，提高第三产业固定资产投资比重，能够带来碳排放量下降的同时GDP也呈现下降趋势。但是，相对于碳排放的下降幅度，GDP的下降明显微弱，与基准情景的GDP预测值基本持平。

4.2劳动力要素调控（情景Ⅱ）

劳动力要素调控是在基准情景的基础上，改变劳动力要素的系统变量参数值，将第二产业就业人员比重降低1%，同时第三产业就业人员比重提高1%。在基准情景系统参数的基础上，情景Ⅱ将第二产业就业人员比重的系统参数值由0.263 4下降为0.260 7，第三产业就业人员比重的系统参数值从0.329 6增加为0.332 9。按照情景Ⅱ的系统参数分析预测劳动力要素调控对2016—2025年碳排放及经济发展趋势的影响。情景Ⅱ下劳动力要素对GDP、碳排放调控的预测值以及与基准情景下预测值的比较见表4所示。

通过表4勞动力要素调控的预测结果可以看出，情景Ⅱ与基准情景相比，由于第二产业就业人员比重降低1%的同时第三产业就业人员比重提高1%，使得2016—2025年中国碳排放量呈现较大幅度的下降。在劳动力要素调控下，2016—2025年碳排放量平均降幅高达5.95%，至2025年碳排放量预计可以下降到289 865万t。即，2016—2025年第二产业和第三产业就业人员比重每降低和增加1%，会使得碳排放量降低5.95%。表4显示，通过劳动力要素参数的调控，情景Ⅱ中2016—2025年GDP的预测值出现小幅上升态势，年平均涨幅为0.05%。

因此，通过引导第一、二产业向第三产业就业人员的转移，增加第三产业就业比率，不仅能够带来碳排放量的

大幅下降，并且能够使得GDP出现小幅提升。

4.3创新要素调控（情景Ⅲ）

以科技投入强度指标反映创新水平，分析供给侧创新要素对碳排放的影响。创新要素调控是在基准情景的基础上，调控科技创新要素的系统变量参数值，分析预测科技投入强度变化对未来碳排放量的影响。在基准情景系统参数的基础上，情景Ⅲ改变科技投入强度的系统参数值，将科技投入强度增加1%，从0.042 1增加到0.042 5。表5为情景Ⅲ下创新要素对GDP和碳排放调控的预测结果以及与基准情景下预测值的比较。

从表5创新要素调控的预测结果可以发现，在创新要素调控下，由于科技投入强度的增加，导致碳排放量也出现一定幅度的下降。情景Ⅲ与基准情景相比，2016—2025年中国碳排放量平均下降幅度为1.004%，至2025年碳排放量预计下降到300 424万t。即，2016—2025年科技投入强度每增加1%，会引起碳排放量平均下降1.004%。由于创新要素参数的调控，情景Ⅲ中GDP的预测值也出现小幅增加，2016—2025年平均上涨幅度为0.06%。

因此，通过增加科技投入力度，能够使得碳排放量下降的同时GDP呈现小幅上升趋势，科技投入强度每增加1%，碳排放量会呈现同比例降低。

因投入的差别，不同产业发展的过程中对碳排放的影响也不同。第一、三产业对于资源的依赖程度和环境的作用范围都比较有限，并且影响的效果、深度以及广度都相对较弱。而第二产业因其生产特点和生产方式的特殊性，决定了其在三次产业结构中扮演了资源消耗和环境影响最突出的角色，其碳排放远大于其他两次产业。降低第二产业固定资产投资比重同时增加第三产业固定资产投资

12平均值-1.0040.06比重（情景Ⅰ）、降低第二产业就业人员比重同时增加第三产业就业人员比重（情景Ⅱ）均使得三次产业结构发生变化，引起第三产业比重上升，第二产业比重下降，进而导致碳排放一定幅度的下降。科技投入强度的提高（情景Ⅲ），即科技经费支出占财政支出比重增加，使得科技水平得到进一步提升，从而显著地抑制了碳排放的增长。综合以上三种情景的预测结果可以看出，通过调控供给侧资本、劳动力及创新要素的系统参数值，均可以使得碳排放量呈现不同程度地下降。其中，劳动力要素和创新要素系统参数值的调整，不仅能够带来碳排放量的降低，而且能够使得GDP出现小幅提升。此外，从碳排放预测变化趋势图（见图4），在资本、劳动力及创新三要素中，劳动力要素调控对碳排放量的降低作用最为显著；第三产业就业人员比重的提升能够有效地降低碳排放量。

4.4三要素综合调控（情景Ⅳ）

情景Ⅳ为综合供给侧资本、劳动力及创新三要素，分析预测三要素系统参数变化对未来碳排放量及GDP的影响。以基准情景系统参数为基础，情景Ⅳ分别调整第二和第三产业固定资产投资比重、第二和第三产业就业人员比重、科技投入强度的系统参数值。即，将第二、三产业固定资产投资比重分别降低和提高1%，第二、三产业就业人员比重分别降低和提高1%，科技投入强度增加1%。表6为情景Ⅳ下三要素综合调控对GDP和碳排放影响的仿真预测值以及与基准情景下预测值的变化比较。图5为三要素综合调控的碳排放模拟预测图。

根据图5和表6三要素综合调控的预测结果可以发现，在三要素综合作用下，碳排放量相比基准情景呈现较大幅度的下降。对比基准情景，2016—2025年中国碳排放量预计平均下降幅度为7.06%，至2025年碳排放量预计可以下降至286 284万t。在碳排放大幅降低的同时，GDP的预测值也出现一定幅度的增加，2016—2025年平均增速为0.11%。

5结论及建议

本文通过分析供给侧要素与碳排放影响因素之间的作用关系，构建碳排放系统动力学模型，模拟预测未来中国碳排放的发展趋势。在此基础上，设置4种不同的发展情景方案，通过调控供给侧资本、劳动力及创新等要素分析预测增加第三产业固定资产投资比重、引导和鼓励第三产业就业以及提高科技投入等不同情景方案对碳排放及经济发展趋势的影响。得出以下结论：

（1）所建立的基于供给侧要素的碳排放系统动力学模型经过有效性检验证实：模拟预测结果与真实值的误差小、拟合程度高，能够合理地反映供给侧要素与碳排放影响因素之间的相互作用关系，应用该模型分析预测中国未来经济和碳排放量的发展变化趋势具有可行性。

（2）资本要素调控情景下，第二产业和第三产业固定资产投资比重分别降低和增加1%，会导致碳排放量降低0.17%。同时，GDP也呈现下降趋势，但相对于碳排放的下降幅度，GDP的下降明显微弱。

（3）劳动力要素调控情景下，不仅能够带来碳排放量的降低，而且能够使得GDP出现小幅提升。在资本、劳动力及创新三要素中，劳动力要素调控对碳排放量的降低作用最为显著，碳排放量平均降幅高达5.95%。

（4）创新要素调控情景下，通过增加科技投入力度，能够使得碳排放量下降的同时GDP呈现小幅上升趋势，科技投入强度每增加1%，碳排放量会呈现同比例降低。

（5）供给侧资本、劳动力及创新三要素综合调控，使得GDP小幅提升的同时碳排放量出现较大幅度的降低，2016—2025年平均降幅为7.06%。

因此，在经济新常态的现阶段，应以调整经济结构为契机，把供给侧结构性改革与碳减排结合起来，从供给側改革视角推动碳减排。①进一步优化产业结构，适度控制第二产业固定资产投资比重，增加第三产业固定资产投资比重；积极引导和鼓励劳动力从第一、二产业向第三产业转移；②对高能耗、高污染、高排放的落后产业严格实行去产能，加大创新型和技术密集型等第三产业的扶持力度，促进低碳产业发展；③大力发展新能源技术和节能减排技术，提高节能率及能源利用率，发挥技术水平对碳排放的抑制作用。

（编辑：王爱萍）

参考文献（References）

[1]林伯强，刘希颖.中国城市化阶段的碳排放：影响因素和减排策略[J].经济研究，2010（8）：66-78.[LIN Boqiang，LIU Xiying. Chinas carbon dioxide emissions under the urbanization process： influence factors and abatement policies[J]. Economic research journal，2010（8）：66-78.]

[2]王喜，张艳，秦耀辰，等.我国碳排放变化影响因素的时空分异与调控[J].经济地理，2016（8）：158-165.[WANG Xi， ZHANG Yan，QIN Yaochen，et al.The spatialtemporal differentiation of the influence factors of carbon emissions and the regulation in China[J].Economic geography，2016（8）：158-165.]

[3]LANTZ V， FENG Q. Assessing income， population， and technology impacts on CO2 emissions in Canada： wheres the EKC？[J].Ecological economics，2006，57（2）：229-238.

[4]许士春，张文文.不同返还情景下碳税对中国经济影响及减排效果——基于动态CGE的模拟分析[J].中国人口·资源与环境，2016，26（12）：46-54.[ XU Shichun， ZHANG Wenwen. Analysis of impacts of carbon taxes on Chinas economy and emissions reduction under different refunds： based on dynamic CGE Model [J].China population， resources and environment，2016，26（12）：46-54.]

[5]娄峰.碳税征收对我国宏观经济及碳减排影响的模拟研究[J]. 数量经济技术经济研究，2014（10）：84-96. [LOU Feng. Simulation study on the carbon tax impact on Chinas macro economy and carbon emissions reduction [J]. The journal of quantitative & technical economics，2014（10）：84-96.]

[6]张俊荣，王孜丹，汤铃，等.基于系统动力学的京津冀碳排放交易政策影响研究[J].中国管理科学，2016，24（3）：1-8. [ZHANG Junrong， WANG Zidan， TANG Ling，et al. The simulation of carbon emission trading system in BeijingTianjinHebei Region： an analysis based on system dynamics [J].Chinese journal of management science，2016，24（3）：1-8.]

[7]VANCE L， EASON T， CABEZAS H. Energy sustainability： consumption， efficiency， and environmental impact[J]. Clean technologies and environmental policy，2015，17（7）：1781-1792.

[8]YU H， PAN S， TANG B， et al. Urban energy consumption and CO2 emissions in Beijing： current and future[J].Energy efficiency，2015，8（3）：527-543.

[9]OZER B， GORGUN E， INCECIK S. The scenario analysis on CO2 emission mitigation potential in the Turkish electricity sector：2006-2030[J].Energy，2013，49：395-403.

[10]渠慎宁，郭朝先. 基于STIRPAT模型的中国碳排放峰值预测研究[J]. 中国人口·资源与环境， 2010，20：10-15.[QU Shenning， GUO Chaoxian. Forecast of Chinas carbon emission based on STIRPAT Model[J]. China population， resources and environment， 2010，20：10-15.]

[11]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， 2015，25（7）：48-55.[ZHU Jing， LIU Xuemin， CHU Zhaopeng. Scenario analysis on energy demand and CO2 emission of low carbon city[J].China population， resources and environment， 2015，25（7）：48-55.]

[12]聶锐，张涛，王迪. 基于IPAT模型的江苏省能源消费与碳排放情景研究[J]. 自然资源学报， 2010，25（9）：1157-1164.[NIE Rui， ZHANG Tao， WANG Di. The scenario analysis on energy consumption and carbon emissions of Jiangsu Province based on environmental loads model[J].Journal of natural resources， 2010，25（9）：1157-1164.]

[13]王佳，杨俊. 地区二氧化碳排放与经济发展——基于脱钩理论和CKC的实证分析[J]. 山西财经大学学报，2013（1）：8-18.[WANG Jia，YANG Jun. Regional carbon dioxide emissions and economic development：an empirical analysis based on decoupling theory and CKC[J].Journal of Shanxi University of Finance and Economics，2013（1）：8-18.]

[14]PARK S， LEE S， JEONG S J， et al. Assessment of CO2 emissions and its reduction potential in the Korean petroleum refining industry using energyenvironment models[J].Energy，2010，35（6）：2419-2429.

[15]徐成龙，任建兰，巩灿娟.产业结构调整对山东省碳排放的影响[J].自然资源学报，2014，29（2）：201-210.[XU Chenglong， REN Jianlan， GONG Canjuan. The influence of adjustment in industrial structures on carbon emissions in Shandong Province[J].Journal of natural resources，2014，29（2）：201-210.]

[16]张乐勤，李荣富，陈素平，等.安徽省1995年—2009年能源消费碳排放驱动因子分析及趋势预测——基于STIRPAT模型[J].资源科学，2012，34（2）：316-327.[ZHANG Leqin， LI Rongfu， CHEN Suping，et al. Trend prediction and analysis of driving factors of carbon emissions from energy consumption during the period 1995-2009 in Anhui Province based on the STIRPAT Model[J].Resources science， 2012，34（2）：316-327.]

[17]黄蕊，王铮，丁冠群，等.基于STIRPAT模型的江苏省能源消费碳排放影响因素分析及趋势预测[J].地理研究，2016，35（4）：781-789. [HUANG Rui， WANG Zheng， DING Guanqun，et al. Trend prediction and analysis of influencing factors of carbon emissions from energy consumption in Jiangsu Province based on STIRPAT Model[J].Geographical research，2016，35（4）：781-789.]

[18]LIN B， OUYANG X. Analysis of energyrelated CO2 emissions and reduction potential in the Chinese nonmetallic mineral products industry[J].Energy，2014，68：688-697.

[19]朱宇恩，李丽芬，贺思思，等.基于IPAT模型和情景分析法的山西省碳排放峰值年预测[J].资源科学，2016，38（12）：2316-2325. [ZHU Yuen， LI Lifen， HE Sisi， et al. Peak year prediction of Shanxi Provinces carbon emissions based on IPAT Modeling and scenario analysis[J]. Resources science，2016，38（12）：2316-2325.]

[20]邓明翔，李巍.基于LEAP模型的云南省供给侧结构性改革对产业碳排放影响情景分析[J].中国环境科学，2017，37（2）：786-794.[ DENG Mingxiang， LI Wei. Scenario analysis of the supplyside structural reform influences on industrial carbon emissions based on LEAP Model in Yunnan Province[J]. China environmental science，2017，37（2）：786-794.]

[21]FENG Y Y， CHEN S Q， ZHANG L X. System dynamics modeling for urban energy consumption and CO2 emissions： a case study of Beijing， China[J].Ecological modelling， 2013， 252：44-52.

[22]王格，董会忠，张慧.基于ArcGIS和SD的山东省碳排放演化格局及低碳经济发展战略仿真[J].科技管理研究，2017（1）：249-256.[WANG Ge， DONG Huizhong， ZHANG Hui. Evolution pattern of carbon emission and simulation strategy analysis of low carbon economy development in Shandong Province based on ArcGIS and SD[J].Science and technology management research，2017（1）：249-256.]

[23]郭朝先.中国碳排放因素分解： 基于LMDI分解技术[J].中国人口·资源与环境，2010，20（12）：4-9.[GUO Chaoxian. Decomposition of Chinas carbon emissions： based on LMDI Method[J].China population， resources and environment，2010，20（12）： 4-9.]

[24]FERRESTER J W. Industrial dynamics： a breakthrough for decision makers[J].Harvard business review， 1958，36（4）：37-66.

[25]UGUR S， RAMAZAN S， BRADLEY T. Energy consumption， income， and carbon emissions in the United States[J].Ecological economics，2007，62：482-489.

[26]邓吉祥，刘晓，王铮.中国碳排放的区域差异及演变特征分析与因素分解[J].自然资源学报，2014，29（2）：189-200.[DENG Jixiang，LIU Xiao，WANG Zheng. Characteristics analysis and factor decomposition based on the regional difference changes in Chinas CO2 emission[J].Journal of natural resources，2014，29（2）：189-200.]

[27]王锋，冯根福.中国经济低碳发展的影响因素及其对碳减排的作用[J].中国经济问题，2011（3）：62-69. [WANG Feng， FENG Genfu. Determinants of lowcarbon development of Chinas economy and their functions to carbon emission reduction[J]. Economic issues in China，2011（3）：62-69.]

[28]佟昕，陳凯，李刚.中国碳排放与影响因素的实证研究——基于2000—2011年中国以及30个省域的灰色关联分析[J].工业技术经济，2015（11）：66-78.[TONG Xin， CHEN Kai， LI Gang. An empirical study of Chinese carbon emissions and influencing factors：grey correlation analysis of China and 30 provincial between 2000 and 2011[J].Journal of industrial technological economics， 2015（11）：66-78.]

[29]中华人民共和国国家统计局.中国统计年鉴（2003—2015）[M].北京：中国统计出版社. [National Bureau of Statistics of China. China statistical yearbook（2003-2015）[M].Beijing： China Statistics Press.]