地理研究 2016 , 35 (4): 781-789 https://doi.org/10.11821/dlyj201604015

研究论文

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

黄蕊¹^,²^,, 王铮³^,⁴, 丁冠群³, 龚洋冉⁵, 刘昌新⁴^,

1. 南京师范大学虚拟地理环境教育部重点实验室,南京 210023
2. 江苏省地理信息资源开发与利用协同创新中心,南京 210023
3. 华东师范大学地理信息科学教育部重点实验室,上海 200062
4. 中国科学院科技政策与管理科学研究所,北京 100190
5. 中国农业大学经济管理学院, 北京 100083

Trend prediction and analysis of influencing factors of carbon emissions from energy consumption in Jiangsu province based on STIRPAT model

HUANG Rui¹^,²^,, WANG Zheng³^,⁴, DING Guanqun³, GONG Yangran⁵, LIU Changxin⁴^,

1. Key Laboratory of Virtual Geographic Environment for the Ministry of Education, Nanjing Normal University, Nanjing 210023, China
2. Jiangsu Center for Collaborative Innovation in Geographical Information Resource Development and Application, Nanjing 210023, China
3. East China Normal University, Key Laboratory of Geographical Information Science, Ministry of State Education of China, Shanghai 200062, China
4. Institute of Policy and Management Science, CAS, Beijing 100190, China
5. College of Economics and Management, China Agricultural University, Beijing 100083, China

通讯作者: 刘昌新（1986- ）,男,湖北荆门人,博士,助理研究员,研究方向为计算管理学。E-mail: liuchangxin@casipm.ac.cn

收稿日期: 2015-10-19

修回日期: 2016-01-27

网络出版日期: 2016-04-20

基金资助: 国家重点基础研究发展计划（973）项目(2012CB955803)国家自然科学基金项目（41271551,71201157）

作者简介:

作者简介：黄蕊（1987- ）,女,河南焦作人,博士,讲师,研究方向为经济计算和地理计算。E-mail: huangrui4420@163.com

展开

摘要

定量分析碳排放的影响因素,对降低区域碳排放具有重要的指导意义。利用STIRPAT模型,定量分析江苏省能源消费碳排放量与人口、富裕度（以人均GDP表示）、技术进步（以能源强度表示）和城镇化水平之间的关系,通过岭回归拟合后发现,人口数量、人均GDP、能源强度、城市化水平每变化1%,江苏省能源消费碳排放量将分别发生3.467%、(0.242+0.024 lnA)%、0.313%和0.151%的变化。在以上研究的基础上,设置8种不同的发展情景,分析了江苏省未来能源消费碳排放量的发展趋势。结果表明,当人口、经济保持低速增长,并保持高技术增长率时,有利于控制江苏省的能源消费碳排放量,2020年江苏省的能源消费碳排放量预测值为202.81 MtC。

关键词： 碳排放 ; STIRPAT模型 ; 影响因素 ; 岭回归

Abstract

Quantitative analysis of influencing factors of carbon emissions has an important guiding effect on reducing regional carbon emissions. This article, based on STIRPAT model, made an analysis of several factors influencing carbon emissions from energy consumption in Jiangsu province, respectively population, affluence (in form of per capita GDP), techonology (in form of energy intensity) and urbanization. The results of Ridge regression showed that for 1% change in population, per capita GDP, energy intensity and the level of urbanization, there was 3.467%, $(0.242 + 0.024 lnA)$ %, 0.313%, and 0.151% change in energy carbon emissions in Jiangsu, respectively. Based on this study, the paper set eight scenarios to furthur analyze and predict the future trend of carbon emission in Jiangsu. It is found that low growth rate of population, low growth rate of per capita GDP and high technology progress rate would help to control carbon emissions, and the carbon emissions in 2020 would be 202.81 MtC in that case. To control Jiangsu's future carbon emissions, it is essential to not only improve the technology progress rate and control the population quantity, but also to reduce the growth rate of per capita GDP, which indicates the government should slow down economic development and transform the economic growth mode to New Normal.

Keywords： energy carbon emissions ; STIRPAT model ; influencing factors ; Ridge regression

PDF (2185KB) 元数据多维度评价相关文章收藏文章

本文引用格式导出 EndNote Ris Bibtex

黄蕊, 王铮, 丁冠群, 龚洋冉, 刘昌新. 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]. , 2016, 35(4): 781-789 https://doi.org/10.11821/dlyj201604015

HUANG Rui, WANG Zheng, DING Guanqun, GONG Yangran, LIU Changxin. Trend prediction and analysis of influencing factors of carbon emissions from energy consumption in Jiangsu province based on STIRPAT model[J]. 地理研究, 2016, 35(4): 781-789 https://doi.org/10.11821/dlyj201604015

1 引言

人类活动带来的大量温室气体排放被认为是造成全球变暖的重要原因^[1]。对碳排放的影响因素进行分析是有效降低温室气体排放的关键问题之一,关系到减排政策的制定和实施^[2]。基于IPAT模型及其衍生的STIRPAT模型及变形的影响因素分析,是进行碳排放影响因素分析的主流的研究手段之一^[3-8]。Shi采用STIRPAT模型分析了多个国家近20年的人口数据对二氧化碳排放的影响,证明二氧化碳量随着人口变化发生相同方向的变化,大多数国家的研究结果表明人口因素是影响二氧化碳排放的主要因素^[9]。Shahbaz等分析了城市化率、富裕度和贸易开放度对马来西亚能源消费量的影响,结果显示城市化是影响马来西亚能源消费增长的主要因素^[10]。国内有学者应用STIRPAT模型分别从国家、省区和城市的角度评估各个因素对环境的影响,并成为区域可持续发展和地区环境压力变化分析的重要支撑^[11-19]。王立猛等利用STIRPAT模型,分别分析了中国大陆30个省份能源消费量的影响因素,发现人口增加1%,全国能源消费总量增长1.992%,对各省份的研究表明人口数量对能源消费量都产生线性正效应影响,但影响强度有明显差异^[11,12];姜磊等基于STIRPAT模型分析了上海市能源消费量的影响因素,结果发现人口数量对上海市能源消费的影响最大^[14];卢娜等基于STIRPAT模型和脱钩指数分析了苏锡常地区经济发展与能源消费产生的碳足迹之间的关系,发现经济增长对能源消费碳足迹的影响最显著^[15];张乐勤等基于STIRPAT模型分析了安徽省能源消费碳排放量的影响因素,结果表明全社会固定资产投资对安徽省能源消费碳排放影响最大^[18]。

江苏省位于长三角地区,其经济发展一直处于全国前列。2013年江苏省地区生产总值达到59162亿元,仅次于广东,排名第二。2013年,江苏省城镇化率为64%,高于全国平均水平54%,但与发达国家的城镇化率仍有一定差距。伴随着经济的高速增长,江苏省能源消费和碳排放量也在不断增长。2003-2007年江苏省碳排放增长了86%^[20]。其中人口年龄结构^[21]、经济发展^[22]、城市化^[23,24]等因素对江苏的碳排放均具有重要贡献。由于不同的社会、经济发展阶段和城市化发展水平条件下,各因素对碳排放的影响也存在明显差异^[24]。因此,需要对不同发展场景下社会经济增长对碳排放的影响进行模拟分析。

本文应用STIRPAT模型,分析江苏省人口数量、人均GDP、能源强度和城市化率对能源消费产生的碳排放量的影响,检验能源消费产生的碳排放量与经济增长之间是否存在EKC（Environmental Kuznets Curve）关系;基于模拟结果,设置了8种不同发展情景,对未来江苏省能源消费碳排放量进行预测,为江苏省实施节能减排工作提供参考和依据。

2 研究方法

本文采用STIRPAT模型,分析江苏省人口数量、人均GDP、能源强度和城市化率对能源消费产生的碳排放量的影响。Dietz等在传统的IPAT模型的基础之上提出了STIRPAT模型,其标准形式为^[17]：

$\begin{matrix} I = a P^{b} A^{c} T^{d} e \end{matrix}$ （1）

式中：I、P、A、T表示为环境影响、人口、富裕度和技术水平;a是模型系数;b、c、d是需要估计的指数;e是误差项。

将模型（1）两边分别取对数后,可以得到：

$\begin{matrix} lnI = lna + blnP + clnA + dlnT + lne \end{matrix}$ （2）

为了研究江苏省能源消费碳排放的影响因素,结合江苏省的实际情况,对模型（2）进行扩展,构建如下模型：

$\begin{matrix} lnI = lna + β_{1} lnP + β_{2} lnA + β_{3} lnT + β_{4} lnU + lne \end{matrix}$ （3）

式中：I是江苏省能源消费产生的碳排放量（MtC）;P为人口数（万人）;A为富裕度,以人均GDP表示（元/人）;T为能源强度,即能源消费量与GDP的比值（吨标煤/万元）;U为城市化水平,以城镇人口与常住人口的比值表示;β₁、β₂、β₃、β₄为弹性系数,表示当P、A、T、U每变化1%时,分别引起I的β₁%、β₂%、β₃%、β₄%变化。

为了检验经济增长与碳排放之间是否存在倒U型曲线,将模型（3）中的lnA分解成lnA与(lnA)²两项^[12],模型调整为：

$\begin{matrix} lnI = lnα + β_{1} lnP + {β_{2}}_{1} lnA + β_{22} {(lnA)}^{2} + β_{3} lnT + β_{4} lnU + lnε \end{matrix}$ （4）

式中：β₂₁、β₂₂分别为人均GDP对数的系数及人均GDP对数二次项的系数。

由式（4）可以得到人均GDP对能源消费碳排放量的弹性系数EE_IA：

$\begin{matrix} E E_{IA} = {β_{2}}_{1} + 2 {β_{2}}_{2} lnA \end{matrix}$ （5）

如果β₂₂为负数,说明人均GDP与碳排放量之间存在倒U型曲线。

3 数据来源

3.1 数据来源

能源消费数据来自《江苏统计年鉴》（2014）和《中国能源统计年鉴》（1995-2013）。人口、GDP、城镇人口、GDP指数和人均GDP指数来自《江苏统计年鉴》（2014）,选取1995-2013年的数据作为研究数据。GDP和人均GDP分别用GDP指数和人均GDP指数折算成2010年可比价。煤炭、石油和天然气的碳排放系数分别为0.733、0.557和0.423^[25]。本文采用了总和标准化方法对碳排放量、人口、人均GDP、能源强度、城镇化率进行处理,以消除量纲影响^[26]。

3.2 能源消费量

2000年以来江苏省主要年份的能源消费情况如图1所示,能源消费总量保持不断增长的趋势。2000年江苏省的能源消费总量为86.12 Mtce,2013年上升到302.94 Mtce,增长了251.75%。其中工业耗能在能源消费总量中始终占据较大比例,2000年工业耗能占比78.30%,2005年达到81.67%,之后呈下降趋势;2013年,工业耗能占能源消费总量的76.96%。生活消费耗能也保持不断增长的趋势。从2000年6.89 Mtce上升到2013年的25.35 Mtce,增长了268.30%。交通运输、仓储及邮电通讯业造成的能源消费也保持不断增长的趋势,2013年其能源消费占能源消费总量的6.15%。

显示原图| 下载原图ZIP| 生成PPT

图1 能源消费量

Fig. 1 Energy consumption of Jiangsu province

3.3 碳排放量和能源强度

江苏省能源消费产生的碳排放量与能源强度的变化趋势如图2所示。2000年以前江苏省的碳排放量的增长率较低,2000年以后碳排放量不断增长,2005年碳排放量的增长率达到最高值24.13%,之后略有降低,但碳排放量仍然保持不断增长的趋势,2012年江苏省碳排放量达到174.48 MtC。总体来看,江苏省的能源强度呈现波动中下降的趋势,其中2005年能源强度出现了小的峰值,为0.70吨标煤/万元,之后又呈现下降趋势,2012年江苏省的能源强度为0.50吨标煤/万元。

显示原图| 下载原图ZIP| 生成PPT

图2 碳排放量和能源强度

Fig. 2 Carbon emissions and energy intensity of Jiangsu province

4 结果分析

4.1 回归结果分析

运用SPSS对数据进行多元回归分析的结果如表1所示,除能源强度外,其他变量的VIF值都大于10,其中人口和人均GDP的VIF值分别为336.293和6399.937,说明存在严重的多重共线性。为了消除多重共线性影响,本文采用岭回归方法对数据进行重新回归^[14],结果如表2所示。

表1 普通最小二乘法估计结果

Tab. 1 Estimate results by ordinary least squares

变量	系数	标准误差	标准系数	$\begin{matrix} t \end{matrix}$ 统计值	Sig.	容差	VIF
常量	-17.462	3.297		-5.296	0.000
$\begin{matrix} lnP \end{matrix}$	1.294	0.400	0.096	3.238	0.008	0.003	336.293
$\begin{matrix} lnA \end{matrix}$	1.155	0.110	1.365	10.540	0.000	0.000	6399.937
$\begin{matrix} {(lnA)}^{2} \end{matrix}$	-0.006	0.005	-0.144	-1.211	0.251	0.000	5424.580
$\begin{matrix} lnT \end{matrix}$	1.013	0.014	0.346	73.784	0.000	0.119	8.399
$\begin{matrix} lnU \end{matrix}$	-0.065	0.023	-0.032	-2.857	0.016	0.021	47.394

注：R²=1.000,F统计量为76226.225,Sig.(F统计量)=0。

新窗口打开

表2 岭回归估计结果

Tab. 2 Estimate results by Ridge regression

变量	系数	标准误差	标准系数	$\begin{matrix} t \end{matrix}$ 统计值	Sig.
常数	-26.049	2.645	0.000	-9.847	0.000
$\begin{matrix} lnP \end{matrix}$	3.467	0.276	0.300	12.553	0.000
$\begin{matrix} lnA \end{matrix}$	0.242	0.019	0.325	12.547	0.000
$\begin{matrix} {(lnA)}^{2} \end{matrix}$	0.012	0.001	0.339	11.544	0.000
$\begin{matrix} lnT \end{matrix}$	0.313	0.112	0.156	2.787	0.016
$\begin{matrix} lnU \end{matrix}$	0.151	0.067	0.094	2.239	0.045

注：R²=0.9654,F统计量为65.383,Sig.(F统计量)=0。

新窗口打开

从表2可知, $\begin{matrix} lnT \end{matrix}$ 和 $\begin{matrix} lnU \end{matrix}$ 通过了5%的显著性水平检验,其他变量都通过了1%的显著性水平检验, $\begin{matrix} R^{2} \end{matrix}$ 为0.965, $\begin{matrix} F \end{matrix}$ 统计量也通过了1%的显著性水平检验。因此,模型（4）可以较好地解释江苏省碳排放量与各自变量之间的关系,具体形式为：

$\begin{matrix} lnI = - 26.049 + 3.467 lnP + 0.242 lnA + 0.012 {(lnA)}^{2} + 0.313 lnT + 0.151 lnU \end{matrix}$ （6）

从系数来看,人口、人均GDP、能源强度和城市化率的增加都会促进江苏省能源消费碳排放增加。其中,人口是对江苏省能源消费碳排放的影响最大。人口每增加1%,能源消费碳排放量将增加3.467%。富裕度（人均GDP）每增加1%,碳排放量增加(0.242+0.024lnA)%。人均GDP对数的二次项系数为正,说明在观测期内,江苏省的人均GDP与能源消费碳排放没有出现倒U型曲线。能源强度和城市化水平每增加1%,江苏省能源消费产生的碳排放将分别增加0.313%和0.151%。

对比已有研究结果（表3）,发现江苏省人口因素对能源消费碳排放量的影响远高于中国以及国内其他地区,反映出江苏省能源消费碳排放驱动因素的特殊性和复杂性。这是由于研究区域不同、模型构建不同和因素分解不同造成的,不同的文献选取了能源消费量^[9,11,14,17]、碳排放量^[1,13,18]、CO₂排放量^{[13,16,27,28]}、能源足迹^[19]、生态足迹^[15]等指标衡量研究区域的环境压力,为了深入分析研究区域环境压力的影响因素,除了人口、富裕度和技术因素外,还有学者引入了城市化率^{[1,13,16,17,19,27,28]}、产业结构^[16,19,27]、第二产业贡献值^[18]、固定资产投资^[14,18]、资本存量^[10]、对外开放度^[10,14,18]等因素。其次,不同的数据来源和数据处理方法也会造成模拟结果的差异。第三,江苏省特殊的经济和社会发展阶段造成的,江苏省作为中国的经济强省,其经济发展速度居于全国前列,但同样存在区域内发展的不平衡,苏南苏北经济发展水平差异显著。此外,仅以人口数量作为人口因素进行模拟也比较片面,尹向飞基于STIRPAT模型探讨人口数量和老龄化对湖南省碳排放的影响,结果发现老龄化是驱动碳排放的最主要因素^[29]。Zhu等通过对1978-2008年的数据研究发现人口结构和消费水平对中国碳排放的影响大于人口数量^[30]。

表3 现有研究结果对比

Tab. 3 The contrast of existing results

	人口	富裕度	城市化率	能源强度	第二产业	第三产业
中国能源消费总量^[11]	1.992	0.516+0.182lnA		0.777
上海CO₂排放量^[13]	0.618	0.178+0.009lnA	0.816	0.264
重庆能源消费碳排放量^[16]	0.963	0.398+0.436lnA	0.266	0.059		-0.093
甘肃能源消费量^[17]		0.329	0.916
新疆能源足迹^[19]	1.304	0.221	0.403	0.036		0.101
北京CO₂排放量^[27]	0.53	0.13	0.77	-0.06	-0.22
上海闵行区CO₂排放量^[28]	0.4988	0.1193	0.6494	0.3537
本文结果	3.467	0.242+0.024lnA	0.151	0.313

新窗口打开

4.2 情景分析

基于STIRPAT模型的模拟结果对江苏省未来的碳排放量进行预测,具体公式为：

$\begin{matrix} I = \exp (- 26.049 + 3.467 lnP + 0.242 lnA + 0.012 {(lnA)}^{2} + 0.313 lnT + 0.151 lnU) \end{matrix}$ （7）

根据历史人口、人均GDP、能源强度和城市化水平数据,本文采用模型7对江苏省历史能源消费碳排放进行了模拟,并将模拟值与历史值进行了回归,结果发现模型拟合得很好,R²达到0.99。因此,采用模型7对江苏省未来能源消费碳排放进行预测是可行的。模拟值与历史值的对比如图3所示。

显示原图| 下载原图ZIP| 生成PPT

图3 江苏省能源消费碳排放量模拟值与历史值对比

Fig. 3 The contrast of simulation value and historical value of Jiangsu's energy carbon emissions

2014年,江苏省政府发布了《江苏省新型城镇化与城乡发展一体化规划（2014-2020年）》。到2020年,全省常住人口城镇化将达到72%( http://news.jschina.com.cn/system/2014/05/28/021060082.shtml.)。据联合国的估测,世界发达国家的城市化率在2050年将达到86%。而2013年,上海市的城镇化率已经达到90%。参考江苏省政府规划和上海市的城镇化率,本文将2020年、2030年、2040年和2050年江苏省的城镇化率分别设定为72%、80%、85%和90%,反推出各阶段城市化率的增长速度,进而计算出江苏省各年的城镇化率。

基于2005-2013年江苏省的历史数据,计算各年的人口增长率和人均GDP增长率,采用人口增长率和人均GDP增长率的最大值和最小值作为各自的高增长率和低增长率,分别对江苏省未来的人口和人均GDP进行估计。并对2005-2012年能源强度的下降率进行计算,选取下降率的最大值和最小值分别作为高技术增长率和低技术增长率,分别对江苏省未来的能源强度进行估计。具体的情景设置如表4所示。

表4 江苏省发展情景设置

Tab. 4 Developing scenarios set of Jiangsu province

情景	人口	人均GDP	技术水平
情景1	低增长	低增长	高增长
情景2	低增长	低增长	低增长
情景3	高增长	低增长	高增长
情景4	高增长	低增长	低增长
情景5	低增长	高增长	低增长
情景6	低增长	高增长	高增长
情景7	高增长	高增长	高增长
情景8	高增长	高增长	低增长

新窗口打开

综合上述情景,利用公式（7）对江苏省能源消费碳排放量进行了预测,计算结果如图4所示。

显示原图| 下载原图ZIP| 生成PPT

图4 不同情景下江苏省未来的碳排放量

Fig. 4 Jiangsu province's carbon emissions under different scenarios

从图4可以看出,在情景1中,即未来江苏省保持低人口增长率、低人均GDP增长率和高技术增长率时,江苏省的能源消费碳排放量的增长速度最慢,到2050年,碳排放量为514.82 MtC;情景8人口和人均GDP保持高增长,技术进步率保持低增长时,能源消费碳排放量的增长速度最快,到2050年,碳排放量为5109.44 MtC,是情景1中预测结果的10倍。分别将情景2、情景3和情景6与情景1对比,发现当人口保持低速增长,技术水平保持高速增长,人均GDP保持高增长时,能源消费碳排放量的增速最快;人口和人均GDP都保持低速增长,技术水平保持低增长时,能源消费碳排放量增速最慢。因此,降低江苏省能源消费碳排放的关键在于加快技术增长速度。不同情景下,2020年、2030年、2040年和2050年江苏省的能源消费碳排放量如表5所示。

表5 江苏省未来的碳排放量

Tab. 5 Future carbon emissions of Jiangsu province

情景	2020年	2030年	2040年	2050年
情景1	202.81	272.73	371.24	514.82
情景2	228.72	357.46	565.46	911.33
情景3	235.98	394.01	665.90	1146.56
情景4	266.13	516.41	1014.28	2029.63
情景5	266.17	526.33	1076.80	2294.20
情景6	236.02	401.58	706.94	1296.03
情景7	274.63	580.16	1268.07	2886.39
情景8	309.71	760.38	1931.49	5109.44

新窗口打开

对比情景4和情景8,发现当人口保持高增长,技术水平保持低增长速度时,降低人均GDP增长速度,2020年能源消费碳排放量将降低14.07%,到2050年,碳排放量将降低60.28%。因此,为了控制江苏省未来的碳排放量,不仅要提高技术水平,控制人口数量,还需降低人均GDP增长速度。这意味着未来江苏省要放缓经济发展速度,转变经济增长方式,使得经济增长趋向新常态。

5 结论与讨论

本文采用STIRPAT模型,分析了人口、人均GDP、能源强度和城市化水平对江苏省能源消费碳排放的影响,并设置8种不同情景,对未来江苏省的碳排放量进行了预测,结果发现：

（1）人口数量、人均GDP、能源强度、城镇化水平每变化1%,江苏省能源消费碳排放量将发生3.467%、(0.242+0.024lnA)%、0.313%和0.151%的变化。(lnA)²的系数为正,说明研究数据不支持倒U型曲线。

（2）通过对比8种情景模拟的结果,发现控制人口数量、降低经济增长速度并保持高技术水平增长速度,能够控制江苏省的能源消费碳排放量,2020年江苏省能源消费碳排放量为202.81 MtC。未来江苏省仍需发展节能减排技术,提高技术水平,通过提高能源利用率减少碳排放量。

很多学者已经对不同区域环境压力的影响因素进行了分析,但从微观角度如市、区一级的研究较为缺乏,忽略了区域内部可能存在的差异性。此外,不同研究对象环境压力的驱动因素不同,需要细化各自的影响因素。因此,在对区域环境压力进行分析时,从微观角度细化分解各变量的影响将是未来研究的一个方向。

致谢感谢闾国年教授、袁林旺教授和俞肇元副教授在论文构思和撰写中提出的宝贵建议。

The authors have declared that no competing interests exist.

参考文献

原文顺序

文献年度倒序

文中引用次数倒序

被引期刊影响因子

[1]	宋晓晖, 张裕芬, 汪艺梅, 等. 基于IPAT扩展模型分析人口因素对碳排放的影响 . 环境科学研究, 2012, 25(1): 109-115. URL [本文引用: 3] 摘要以5个典型国家(中国、日本、印度、德国和美国)为研究对象,利用IPAT模型比较分析了人口总量、能源强度和人均财富对碳排放的影响程度.结果表明:中国和印度的人口总量是影响其碳排放变化的主要因素；而美国和日本财富的积累刺激碳排放增加的作用明显.基于1978-2007年中国人口和能源相关数据,以STIRPAT模型为框架,分别构建了总人口模型及家庭户模型,用于分析我国人口数量、人口结构、能源强度及消费变化对碳排放产生的影响.经模型验证发现,家庭户模型的解释力度总体优于总人口模型.碳排放量的各解释因素按其影响程度的大小依次为平均家庭户规模、人均居民消费额、人口结构、能源强度和家庭户数.针对适应低碳发展的人口政策提出了相关建议. [Song Xiaohui, Zhang Yufen, Wang Yimei, et al. Analysis of impacts of demographic factors on carbon emissions based on the IPAT model. Research of Environmental Sciences, 2012, 25(1): 109-115.] URL [本文引用: 3] 摘要以5个典型国家(中国、日本、印度、德国和美国)为研究对象,利用IPAT模型比较分析了人口总量、能源强度和人均财富对碳排放的影响程度.结果表明:中国和印度的人口总量是影响其碳排放变化的主要因素；而美国和日本财富的积累刺激碳排放增加的作用明显.基于1978-2007年中国人口和能源相关数据,以STIRPAT模型为框架,分别构建了总人口模型及家庭户模型,用于分析我国人口数量、人口结构、能源强度及消费变化对碳排放产生的影响.经模型验证发现,家庭户模型的解释力度总体优于总人口模型.碳排放量的各解释因素按其影响程度的大小依次为平均家庭户规模、人均居民消费额、人口结构、能源强度和家庭户数.针对适应低碳发展的人口政策提出了相关建议.
[2]	陈操操, 刘春兰, 汪浩, 等. 北京能源消费碳足迹影响因素分析: 基于STIRPAT模型和偏小二乘模型 . 中国环境科学, 2014, 34(6): 1622-1632. Magsci [本文引用: 1] 摘要为了量化人口、城市化和技术等因素对城市碳排放的影响,以北京市为研究对象,引入修正的碳足迹方法计算1990~2011年城市能源消费碳足迹,采用STIRPAT模型和偏小二乘模型对城市能源消费碳足迹的影响因素进行评估.结果显示,城市化、人均收入、人口是碳排放最主要的正向驱动因素,而能源消费强度、产业结构和研发投入比重等因素导致碳排放降低.北京市二氧化碳排放不存在环境库兹涅茨曲线,城市碳排放总量虽然整体状况还在增加,但增长速度在逐步放缓,经济发展与环境保护尚未实现协同.根据模拟结果,降低碳排放和建设低碳城市的建议是发展集中型和紧凑型的城镇功能组团,控制人口过快增长,合理引导居民绿色消费,依靠科技创新和技术进步. [Chen Caocao, Liu Chunlan, Wang Hao, et al. Examining the impact factors of energy consumption related carbon footprints using the STIRPAT model and PLS model in Beijing. China Environmental Science, 2014, 36(6): 1622-1632.] Magsci [本文引用: 1] 摘要为了量化人口、城市化和技术等因素对城市碳排放的影响,以北京市为研究对象,引入修正的碳足迹方法计算1990~2011年城市能源消费碳足迹,采用STIRPAT模型和偏小二乘模型对城市能源消费碳足迹的影响因素进行评估.结果显示,城市化、人均收入、人口是碳排放最主要的正向驱动因素,而能源消费强度、产业结构和研发投入比重等因素导致碳排放降低.北京市二氧化碳排放不存在环境库兹涅茨曲线,城市碳排放总量虽然整体状况还在增加,但增长速度在逐步放缓,经济发展与环境保护尚未实现协同.根据模拟结果,降低碳排放和建设低碳城市的建议是发展集中型和紧凑型的城镇功能组团,控制人口过快增长,合理引导居民绿色消费,依靠科技创新和技术进步.
[3]	王永刚, 王旭, 孙长虹, 等. IPAT及其扩展模型的应用研究进展 . 应用生态学报, 2015, 26(3): 949-957. Magsci [本文引用: 1] 摘要 <div style="line-height: 150%">IPAT及其扩展模型能够定量描述人文驱动力与环境压力之间的关系,有助于理解人类和自然系统的动态耦合,是诊断因社会经济发展而产生的环境问题的有效工具.本文简要介绍了IPAT模型由来及其扩展模型的发展状况,系统总结了模型国内外应用研究进展,并对研究中的热点问题进行探讨,提出IPAT及其扩展模型的发展趋势,旨在进一步深化IPAT相关模型在环境可持续发展中的应用,为社会管理决策提供依据.</div><div style="line-height: 150%"> </div> [Wang Yonggang, Wang Xu, Sun Changhong, et al. Research progress on the application of IPAT model and its variants. Chinese Journal of Applied Ecology, 2015, 26(3): 949-957.] Magsci [本文引用: 1] 摘要 <div style="line-height: 150%">IPAT及其扩展模型能够定量描述人文驱动力与环境压力之间的关系,有助于理解人类和自然系统的动态耦合,是诊断因社会经济发展而产生的环境问题的有效工具.本文简要介绍了IPAT模型由来及其扩展模型的发展状况,系统总结了模型国内外应用研究进展,并对研究中的热点问题进行探讨,提出IPAT及其扩展模型的发展趋势,旨在进一步深化IPAT相关模型在环境可持续发展中的应用,为社会管理决策提供依据.</div><div style="line-height: 150%"> </div>
[4]	Ehrlich P R, Holden J P. Impact of population growth. Science, 1971, 171(3977): 1212-1217. https://doi.org/10.1126/science.171.3977.1212 URL PMID: 5545198 摘要 Discusses the interrelated crises in population growth, natural resources, and environmental quality. Major problems include population control, redirection of technology, closed resource cycles, equitable opportunity distribution and prosperity. Population growth is regarded as causing a disportionate world-wide negative environmental impact. Population control is important to industrial as well as underdeveloped nations. (JM)
[5]	Ehrlich P R, Holden J P. One dimensional economy. Bulletin of atomic scientists, 1972, 28(5): 18-27. URL
[6]	York R, Rosa E A, Dietz T. Footprints on the earth: The environmental consequences of modernity. American Sociological Review, 2003, 68(2): 279-300. https://doi.org/10.2307/1519769 URL 摘要 CiteSeerX - Scientific documents that cite the following paper: Footprints on the Earth: The Environmental Consequences of Modernity
[7]	York R, Rosa E A, Dietz T. STIRPAT, IPAT and Impact: analytic tools for unpacking the driving forces of environmental impacts. Ecological Economics, 2003, 46(3): 351-365. https://doi.org/10.1016/S0921-8009(03)00188-5 URL 摘要 Despite the scientific consensus that humans have dramatically altered the global environment, we have a limited knowledge of the specific forces driving those impacts. One key limitation to a precise understanding of anthropogenic impacts is the absence of a set of refined analytic tools. Here we assess the analytic utility of the well-known IPAT identity, the newly developed ImPACT identity, and their stochastic cousin, the STIRPAT model. We discuss the relationship between these three formulations, their similar conceptual underpinnings and their divergent uses. We then refine the STIRPAT model by developing the concept of ecological elasticity (EE). To illustrate the application of STIRPAT and EE, we compute the ecological elasticities of population, affluence and other factors for cross-national emissions of carbon dioxide (CO 2 ) from fossil fuel combustion and for the energy footprint, a composite measure comprising impacts from fossil fuel combustion, fuel wood, hydropower and nuclear power. Our findings suggest that population has a proportional effect (unitary elasticity) on CO 2 emissions and the energy footprint. Affluence monotonically increases both CO 2 emissions and the energy footprint. However, for the energy footprint the relationship between affluence and impact changes from inelastic to elastic as affluence increases, while for CO 2 emissions the relationship changes from elastic to inelastic. Climate appears to affect both measures of impact, with tropical nations having considerably lower impact than non-tropical nations, controlling for other factors. Finally, indicators of modernization (urbanization and industrialization) are associated with high impacts. We conclude that the STIRPAT model, augmented with measures of ecological elasticity, allows for a more precise specification of the sensitivity of environmental impacts to the forces driving them. Such specifications not only inform the basic science of environmental change, but also point to the factors that may be most responsive to policy.
[8]	Waggoner P E, Ausubel J H. A framework for sustainability science: A renovated IPAT identity. Proceedings of the National Academy of Sciences, 2002, 99(12): 7860-7885. https://doi.org/10.1073/pnas.122235999 URL [本文引用: 1] 摘要 Learning actors' leverage for change along the journey to sustainability requires quantifying the component forces of environmental impact and integrating them. Population, income, consumers' behavior, and producers' efficiency jointly force impact. Here, we renovate the "IPAT Identity" to identify actors with the forces. Forcing impact I are P for population, A for income as gross domestic product (GDP) per capita, C for intensity of use as a good per GDP, and T for efficiency ratios as impact per good. In the "ImPACT Identity," parents modify P, workers modify A, consumers modify C, and producers modify T. Because annual percentage changes in component forces add to a change in national impact, actors' leverage is reflected transparently in consistent units of annual percentage changes that can be compared from force to force. Examples from energy and food, farming and manufacturing, and steel and water show that declining C, called dematerialization, can temper the sustainability challenge of growth (P x A), and that innovation or efficient technology that lowers T can counter rising consumption (P x A x C). Income elasticity can accommodate connections between income and other forces. From rates of change of forces, the identity can forecast impacts. Alternatively, by identifying the necessary change in forces to cause a projected impact, ImPACT can assay the likelihood and practicability of environmental targets and timetables. An annual 2-3% progress in consumption and technology over many decades and sectors provides a benchmark for sustainability.
[9]	Shi A. The impact of population pressure on global carbon dioxide emissions, 1975-1996: Evidence from pooled cross-country data. Ecological Economics, 2003, 44(1): 24-42. https://doi.org/10.1016/S0921-8009(02)00223-9 URL [本文引用: 2] 摘要 In assessing and forecasting the impact of population change on carbon dioxide emissions, most previous studies have assumed a unitary elasticity of emissions with respect to population change, i.e. that a 1% increase in population results in a 1% increase in emissions. This study finds that global population change over the last two decades is more than proportionally associated with growth in carbon dioxide emissions, and that the impact of population change on emissions is much more pronounced in developing countries than in developed countries. The empirical findings are based on a data for 93 countries over the period 1975-1996.
[10]	Shahbaz M, Loganathan N, Sbia R, et al. The effect of urbanization, affluence and trade openness on energy consumption: A time series analysis in Malaysia. Renewable and Sustainable Energy Reviews, 2015, 47(11): 683-693. https://doi.org/10.1016/j.rser.2015.03.044 URL [本文引用: 3] 摘要 This paper investigates the impact of urbanization on energy consumption by applying the Stochastic Impacts by Regression on Population, Affluence and Technology (STIRPAT) in case of Malaysia. The study covers the time period of 1970Q1-2011Q4. The unit root test and the ARDL bounds testing approach have been applied to examine integrating properties and long run relationship in the presence of structural breaks. Our results validated the existence of cointegration and exposed that urbanization is a major contributor in energy consumption. Affluence raises energy demand. Capital stock boosts energy consumption. Trade openness leads to affluence and hence increases energy consumption. The causality analysis finds that urbanization Granger causes energy consumption. The feedback effect is found between energy consumption and affluence and, energy consumption and capital. The bidirectional causality exists between trade openness and energy consumption.
[11]	王立猛, 何康林. 基于STIRPAT模型分析中国环境压力的时间差异: 以1952-2003年能源消费为例 . 自然资源学报, 2006, 21(6): 862-869. https://doi.org/10.11849/zrzyxb.2006.06.002 Magsci [本文引用: 4] 摘要人类活动已经显著地改变了全球环境,定量分析人类活动对环境的影响,是当前可持续发展研究的热点之一。分别采用能源消费总量和能源消费产生的污染作为环境压力的衡量指标,利用STIRPAT模型,以1952—2003年中国能源消费总量时间序列数据为例,分析人口数量、富裕度、能源强度和能源消费的选择行为等人类驱动力对环境压力的影响。结果表明:人口数量或能源强度发生1%的变化,将分别引起环境压力相应发生1.992%或0.777%的变化;随着富裕度的增加,富裕度对环境压力的弹性系数逐渐增加。在观测数据范围内,分析结果不支持环境Kuznets曲线的观点。在不同时期,人类驱动力对环境压力的作用存在明显的差异,人口数量和富裕度的增加对环境压力产生正效应;而能源强度的波动变化使得其对环境压力的作用有正效应,也有负效应。选择清洁能源的消费行为,有利于抑制以能源消费产生的污染为衡量指标的环境压力的上升。各种人类驱动力的净效应决定环境压力总体变化趋势。 [Wang Limeng, He Kanglin. Analysis on temporal variation of environmental impact based on STIRPAT model: A case study of energy consumption of China. Journal of Natural Resources, 2006, 21(6): 862-869.] https://doi.org/10.11849/zrzyxb.2006.06.002 Magsci [本文引用: 4] 摘要人类活动已经显著地改变了全球环境,定量分析人类活动对环境的影响,是当前可持续发展研究的热点之一。分别采用能源消费总量和能源消费产生的污染作为环境压力的衡量指标,利用STIRPAT模型,以1952—2003年中国能源消费总量时间序列数据为例,分析人口数量、富裕度、能源强度和能源消费的选择行为等人类驱动力对环境压力的影响。结果表明:人口数量或能源强度发生1%的变化,将分别引起环境压力相应发生1.992%或0.777%的变化;随着富裕度的增加,富裕度对环境压力的弹性系数逐渐增加。在观测数据范围内,分析结果不支持环境Kuznets曲线的观点。在不同时期,人类驱动力对环境压力的作用存在明显的差异,人口数量和富裕度的增加对环境压力产生正效应;而能源强度的波动变化使得其对环境压力的作用有正效应,也有负效应。选择清洁能源的消费行为,有利于抑制以能源消费产生的污染为衡量指标的环境压力的上升。各种人类驱动力的净效应决定环境压力总体变化趋势。
[12]	王立猛, 何康林. 基于STIRPAT模型的环境压力空间差异分析: 以能源消费为例 . 环境科学学报, 2008, 28(5): 1032-1037. Magsci [本文引用: 2] 摘要定量分析区域人文驱动力对环境的影响,对认识我国区域环境压力及其影响因素具有一定的科学意义.利用STIRPAT模型,以人口数量、富裕度为自变量,以能源消费总量为因变量,应用岭回归函数拟合得到环境压力模型.以研究结果为依据,利用Mapinfo7.0软件分别绘制人口数量和富裕度对环境压力影响的空间差异图.结果显示,不同省份间人口数量和富裕度对环境压力影响存在显著差异.尽管各省份人口数量对环境压力都产生线性正效应影响,但影响强度有明显差异,最大者是最小者的8.079倍.富裕度对环境压力影响,有正效应或者负效应;有线性作用或者弹性作用.30个考察对象中,北京、上海、四川、新疆4个省市的富裕度二次项系数为负,这说明,在数据观测范围内以上4个省市的结果支持富裕度与环境压力间存在倒"U"型环境库兹涅茨曲线的观点;但这4个省市的环境压力并没有出现下降,这是由于各种人文驱动力影响的净效应决定了环境压力变化趋势.人口数量的增长对环境压力的上升存在较强正效应,因此,控制人口数量的速度对改善环境压力将起到关键作用. [Wang Limeng, He Kanglin. Analysis of spatial variations in environmental impact based on the STIRPAT model-A case study of energy consumption. Acta Science Circumstantiae, 2008, 28(5): 1032-1037.] Magsci [本文引用: 2] 摘要定量分析区域人文驱动力对环境的影响,对认识我国区域环境压力及其影响因素具有一定的科学意义.利用STIRPAT模型,以人口数量、富裕度为自变量,以能源消费总量为因变量,应用岭回归函数拟合得到环境压力模型.以研究结果为依据,利用Mapinfo7.0软件分别绘制人口数量和富裕度对环境压力影响的空间差异图.结果显示,不同省份间人口数量和富裕度对环境压力影响存在显著差异.尽管各省份人口数量对环境压力都产生线性正效应影响,但影响强度有明显差异,最大者是最小者的8.079倍.富裕度对环境压力影响,有正效应或者负效应;有线性作用或者弹性作用.30个考察对象中,北京、上海、四川、新疆4个省市的富裕度二次项系数为负,这说明,在数据观测范围内以上4个省市的结果支持富裕度与环境压力间存在倒"U"型环境库兹涅茨曲线的观点;但这4个省市的环境压力并没有出现下降,这是由于各种人文驱动力影响的净效应决定了环境压力变化趋势.人口数量的增长对环境压力的上升存在较强正效应,因此,控制人口数量的速度对改善环境压力将起到关键作用.
[13]	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 . 地理学报, 2010, 65(8): 984-990. https://doi.org/10.11821/xb201008009 URL [本文引用: 4] 摘要随着经济的快速发展,中国CO2排放量不断增加,研究中国各大城市采取何种发展模式.减缓CO2的排放量,成为当前研究热点.利用STIRPAT模型,定量分析了CO2排放量与人口、富裕度、城市化水平和技术进步之间的关系,并经岭回归拟合发现人口数量、人均GDP、城市化水平和技术进步每发生1%的变化,将引起CO2排放总量相应发生0.618%、(0.178+0.0091nA)%、0.816%和0.264%的变化.在上述研究的基础上,以上海市为例,通过设置10种不同的发展情景,分析了在何种情景下最有利于减缓CO2的排放.结果表明,当经济、人口保持中速增长,城市化率进程放缓而节能减排技术取得较大进步时,上海市最有利于减缓CO2排放最,此时上海市2010年、2015年和2020年C02排放量分别为17053.57万t、19286.64万t和20885.69万t. [Yan Hua, Guo Yungong, Lin Fengchun. Analyzing the developing model of Chinese cities under the control of CO₂ emissions using the STIRPAT model: A case study of Shanghai. Acta Geographica Sinica, 2010, 65(8): 984-990.] https://doi.org/10.11821/xb201008009 URL [本文引用: 4] 摘要随着经济的快速发展,中国CO2排放量不断增加,研究中国各大城市采取何种发展模式.减缓CO2的排放量,成为当前研究热点.利用STIRPAT模型,定量分析了CO2排放量与人口、富裕度、城市化水平和技术进步之间的关系,并经岭回归拟合发现人口数量、人均GDP、城市化水平和技术进步每发生1%的变化,将引起CO2排放总量相应发生0.618%、(0.178+0.0091nA)%、0.816%和0.264%的变化.在上述研究的基础上,以上海市为例,通过设置10种不同的发展情景,分析了在何种情景下最有利于减缓CO2的排放.结果表明,当经济、人口保持中速增长,城市化率进程放缓而节能减排技术取得较大进步时,上海市最有利于减缓CO2排放最,此时上海市2010年、2015年和2020年C02排放量分别为17053.57万t、19286.64万t和20885.69万t.
[14]	姜磊, 季民河. 基于STIRPAT模型的上海市能源消费影响因素研究 . 上海环境科学, 2011, 30(6): 240-244. [本文引用: 5] [Jiang Lei, Ji Minhe. A study on influencing factors of energy consumption in Shanghai based on STIRPAT model. Shanghai Environmental Sciences, 2011, 30(6): 240-244.] [本文引用: 5]
[15]	卢娜, 曲福田, 冯淑怡, 等. 基于STIRPAT模型的能源消费碳足迹变化及影响因素以江苏省苏锡常地区为例 . 自然资源学报, 2011, 26(5): 814-824. https://doi.org/10.11849/zrzyxb.2011.05.009 Magsci [本文引用: 2] 摘要定量研究经济社会发展对地区能源消费碳足迹的影响对区域实现低碳发展具有重要意义。论文计算了江苏省苏锡常地区1991—2008年能源消费碳足迹,采用岭回归函数对STIRPAT模型进行了拟合,采用脱钩指数分析了经济发展与能源消费碳足迹之间的关系。结果表明:①1991—2008年能源消费碳足迹平均增长速度为15.30%,能源消费碳足迹分配率以煤炭为主,石油所占比例呈波动下降趋势,天然气所占比例上升较快,能源消费碳足迹产值总体呈波动下降趋势;②经济增长是能源消费碳足迹的主要影响因素,两者关系模型拟合未出现环境库兹涅茨曲线;③经济增长与能源消费碳足迹之间处于相对脱钩与复钩的波动状态,从另一侧面验证了目前两者之间不存在库兹涅茨曲线假说的结论。 [Lu Na, Qu Futian, Feng Shuyi, et al. Trends and determining factors of energy consumption carbon footprint: An analysis for Suzhou-Wuxi-Changzhou region based on STIRPAT model. Journal of Natural Resources, 2011, 26(5): 814-824.] https://doi.org/10.11849/zrzyxb.2011.05.009 Magsci [本文引用: 2] 摘要定量研究经济社会发展对地区能源消费碳足迹的影响对区域实现低碳发展具有重要意义。论文计算了江苏省苏锡常地区1991—2008年能源消费碳足迹,采用岭回归函数对STIRPAT模型进行了拟合,采用脱钩指数分析了经济发展与能源消费碳足迹之间的关系。结果表明:①1991—2008年能源消费碳足迹平均增长速度为15.30%,能源消费碳足迹分配率以煤炭为主,石油所占比例呈波动下降趋势,天然气所占比例上升较快,能源消费碳足迹产值总体呈波动下降趋势;②经济增长是能源消费碳足迹的主要影响因素,两者关系模型拟合未出现环境库兹涅茨曲线;③经济增长与能源消费碳足迹之间处于相对脱钩与复钩的波动状态,从另一侧面验证了目前两者之间不存在库兹涅茨曲线假说的结论。
[16]	黄蕊, 王铮. 基于STIRPAT模型的重庆市能源消费碳排放影响因素研究 . 环境科学学报, 2013, 33(2): 602-608. Magsci [本文引用: 4] 摘要定量分析人类活动对环境的影响,对减少碳排放和建设环境友好型社会具有重要的指导意义.因此,本文采用重庆市1980-2010年能源消费碳排放时间序列数据,基于STIRPAT模型,通过岭回归拟合得到能源消费碳排放与人口数量、人均GDP及其二次项、能源强度、第三产业比重、城镇化水平的多元线性模型.结果表明,人口数量、人均GDP、能源强度、城市化水平每增加1%,将引起重庆市能源消费碳排放相应增加0.963%、(0.398+0.463ln<em>A</em>)%、0.059%、0.266%,其中,<em>A</em>为人均GDP.可以看出,人口数量对重庆市能源消费碳排放量影响最大.第三产业比重每增加1%,能源消费碳排放将会减少0.093%. [Huang Rui, Wang Zheng. Influencing factors of carbon emissions from energy consumptions in Chongqing based on STIRPAT model. Acta Scientiae Circumstantiae, 2013, 33(2): 602-608.] Magsci [本文引用: 4] 摘要定量分析人类活动对环境的影响,对减少碳排放和建设环境友好型社会具有重要的指导意义.因此,本文采用重庆市1980-2010年能源消费碳排放时间序列数据,基于STIRPAT模型,通过岭回归拟合得到能源消费碳排放与人口数量、人均GDP及其二次项、能源强度、第三产业比重、城镇化水平的多元线性模型.结果表明,人口数量、人均GDP、能源强度、城市化水平每增加1%,将引起重庆市能源消费碳排放相应增加0.963%、(0.398+0.463ln<em>A</em>)%、0.059%、0.266%,其中,<em>A</em>为人均GDP.可以看出,人口数量对重庆市能源消费碳排放量影响最大.第三产业比重每增加1%,能源消费碳排放将会减少0.093%.
[17]	焦文献, 陈兴鹏. 基于STIRPAT模型的甘肃省环境影响分析: 以1991-2009年能源消费为例 . 长江流域资源与环境, 2012, 21(1): 105-110. Magsci [本文引用: 4] 摘要 <p>能源短缺已成为全球资源环境的主要问题之一，辩明人类活动各因素对能源消费的影响程度，并据此制定和实施可持续的能源消费政策是当前的研究热点。以STIRPAT模型为分析工具，以甘肃省1991～2009年能源消费总量为环境影响指标，分解了人文因素对环境影响的作用大小。结果表明，富裕程度的提高和城市化进程的推进都能够加剧环境的恶化，而且城市化对环境影响的弹性系数是富裕对环境影响弹性系数的278倍。在观测数据范围内，尚未出现环境Kuznets曲线的拐点，仍然处于曲线的上升段。居民消费结构的多样化有利于降低能源消费，其对环境影响的抑制作用略低于富裕对环境影响的加剧作用。最后讨论了STIRPAT模型的优缺点，并指出甘肃省主要相关因子对环境影响的作用机理还有待更深一步的研究</p> [Jiao Wenxian, Chen Xingpeng. Environmental impact analysis of Gansu province based on the STIRPAT model: A case study of energy consumption during 1991-2009. Resources and Environment in the Yangtze Basin, 2012, 21(1): 105-110.] Magsci [本文引用: 4] 摘要 <p>能源短缺已成为全球资源环境的主要问题之一，辩明人类活动各因素对能源消费的影响程度，并据此制定和实施可持续的能源消费政策是当前的研究热点。以STIRPAT模型为分析工具，以甘肃省1991～2009年能源消费总量为环境影响指标，分解了人文因素对环境影响的作用大小。结果表明，富裕程度的提高和城市化进程的推进都能够加剧环境的恶化，而且城市化对环境影响的弹性系数是富裕对环境影响弹性系数的278倍。在观测数据范围内，尚未出现环境Kuznets曲线的拐点，仍然处于曲线的上升段。居民消费结构的多样化有利于降低能源消费，其对环境影响的抑制作用略低于富裕对环境影响的加剧作用。最后讨论了STIRPAT模型的优缺点，并指出甘肃省主要相关因子对环境影响的作用机理还有待更深一步的研究</p>
[18]	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 . 资源科学, 2012, 34(2): 316-327. Magsci [本文引用: 5] 摘要能源消费碳排放驱动因子的定量分析能揭示出碳排放的影响因素。依据IPCC碳排放计算方法,对安徽省1995年-2009年能源消费碳排放量及碳排放强度进行了动态测度,结果表明:1995年-2009年,安徽省能源消费碳排放量由1995年的4420.58万t增加到2009年的1 0919.11万t,呈持续增长态势,年平均增幅为10.48%,碳排放强度由1995年的2.44t/万元降至2009年的1.09t/万元,呈持续下降态势,平均年降幅9.69%,煤炭类碳排放量占绝对优势,年平均为93.77%。基于STIRPAT模型,揭示了人口、人均GDP、第二产业贡献值、全社会固定资产投资、单位GDP能耗等驱动因子的边际弹性系数分别为0.1582、0.2329、0.2424、0.2688、-0.1176。运用灰色GM(1,1)模型,预测2015年、2020年的碳排放量将分别达到1 5686.25万t、2 2519.10万t,碳排放强度将分别降至0.81t/万元、0.62t/万元。根据安徽省能源消费碳排放量现状特点及发展趋势,结合碳排放驱动因子的边际贡献,提出了减少能源消费的政策建议,可为安徽省节能减排政策的制定提供科学依据,有利于安徽省的生态建设及可持续发展,也可为中尺度(省级行政区)碳排放驱动因子研究及预测提供示范。 [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. Resources Science, 2012, 34(2): 316-327.] Magsci [本文引用: 5] 摘要能源消费碳排放驱动因子的定量分析能揭示出碳排放的影响因素。依据IPCC碳排放计算方法,对安徽省1995年-2009年能源消费碳排放量及碳排放强度进行了动态测度,结果表明:1995年-2009年,安徽省能源消费碳排放量由1995年的4420.58万t增加到2009年的1 0919.11万t,呈持续增长态势,年平均增幅为10.48%,碳排放强度由1995年的2.44t/万元降至2009年的1.09t/万元,呈持续下降态势,平均年降幅9.69%,煤炭类碳排放量占绝对优势,年平均为93.77%。基于STIRPAT模型,揭示了人口、人均GDP、第二产业贡献值、全社会固定资产投资、单位GDP能耗等驱动因子的边际弹性系数分别为0.1582、0.2329、0.2424、0.2688、-0.1176。运用灰色GM(1,1)模型,预测2015年、2020年的碳排放量将分别达到1 5686.25万t、2 2519.10万t,碳排放强度将分别降至0.81t/万元、0.62t/万元。根据安徽省能源消费碳排放量现状特点及发展趋势,结合碳排放驱动因子的边际贡献,提出了减少能源消费的政策建议,可为安徽省节能减排政策的制定提供科学依据,有利于安徽省的生态建设及可持续发展,也可为中尺度(省级行政区)碳排放驱动因子研究及预测提供示范。
[19]	吴敬锐, 杨兆萍, 阿达衣赛肯. 基于STIRPAT模型分析新疆能源足迹的影响因素 . 干旱区地理, 2011, 34(1): 187-192. URL [本文引用: 5] 摘要在采用碳汇法计算新疆1957-2007能源足迹的基础上,利用STR IPAT模型,以人口数量、富裕度、能源强度、结构化指标和现代化指标为自变量,以能源足迹为因变量,应用岭回归方法拟合得到环境压力模型,结果表明:人口数量是近51 a新疆环境变化的主要驱动因子,富裕度的增长和城市化进程的加快对能源足迹的增长具有显著影响,而能源强度的降低和产业结构的优化对降低能源足迹,减轻环境压力具有重要作用;且富裕度和能源强度对能源足迹影响的时间差异显著。在观测数据范围内,分析结果不支持环境Kuznets曲线的论断。最后提出了控制人文因素对环境影响的相关建议和措施。 [Wu Jingrui, Yang Zhaoping, Adayi Saiken. Impact factors and temporal variation of environmental pressure of Xinjiang based on STIRPAT model. Arid Land Grography, 2011, 34(1): 187-192.] URL [本文引用: 5] 摘要在采用碳汇法计算新疆1957-2007能源足迹的基础上,利用STR IPAT模型,以人口数量、富裕度、能源强度、结构化指标和现代化指标为自变量,以能源足迹为因变量,应用岭回归方法拟合得到环境压力模型,结果表明:人口数量是近51 a新疆环境变化的主要驱动因子,富裕度的增长和城市化进程的加快对能源足迹的增长具有显著影响,而能源强度的降低和产业结构的优化对降低能源足迹,减轻环境压力具有重要作用;且富裕度和能源强度对能源足迹影响的时间差异显著。在观测数据范围内,分析结果不支持环境Kuznets曲线的论断。最后提出了控制人文因素对环境影响的相关建议和措施。
[20]	赵荣钦, 黄贤金.基于能源消费的江苏省土地利用碳排放与碳足迹. 地理研究. 2010, 29(9): 1639-1649. https://doi.org/10.11821/yj2010090010 URL [本文引用: 1] 摘要采用2003～2007年江苏省能源消费和土地利用等数据,通过构建能源消费的碳排放模型,对江苏省5年来能源消费碳排放进行了核算,并通过土地利用类型和碳排放项目的对应,对不同土地利用方式的碳排放及碳足迹进行了定量分析.结论如下:(1)江苏省能源消费碳排放总量从2003年的8794.24万t上升到2007年的16329.85万t,涨幅达86%.其中,终端能源消费碳排放占53.6%.(2)江苏全省土地单位面积碳排放从2003年8.24t/hm2上升到2007年15.53 t/hm2,增幅为88.5%.其中,居民点及工矿用地单位面积碳排放最大,为95.62 t/hm2.(3)江苏全省能源消费碳足迹大于生产性土地的实际面积,由此造成的生态赤字达1351.285万hm2.(4)不同土地利用类型的碳足迹大小顺序为:居民点及工矿用地＞交通用地＞未利用地及特殊用地＞农用地和水利用地,其中居民点及工矿用地的碳足迹高达10.89 hm2/hm2.(5)江苏全省单位面积碳足迹也呈明显的扩大趋势,从2003年的0.938hm2/hm2上升到2007年的1.769 hm2/hm2. [Zhao Rongqin, Huang Xianjin. Carbon emission and carbon footprint of different land use types based on energy consumption of Jiangsu province. Geographical Research, 2010, 29(9): 1639-1649.] https://doi.org/10.11821/yj2010090010 URL [本文引用: 1] 摘要采用2003～2007年江苏省能源消费和土地利用等数据,通过构建能源消费的碳排放模型,对江苏省5年来能源消费碳排放进行了核算,并通过土地利用类型和碳排放项目的对应,对不同土地利用方式的碳排放及碳足迹进行了定量分析.结论如下:(1)江苏省能源消费碳排放总量从2003年的8794.24万t上升到2007年的16329.85万t,涨幅达86%.其中,终端能源消费碳排放占53.6%.(2)江苏全省土地单位面积碳排放从2003年8.24t/hm2上升到2007年15.53 t/hm2,增幅为88.5%.其中,居民点及工矿用地单位面积碳排放最大,为95.62 t/hm2.(3)江苏全省能源消费碳足迹大于生产性土地的实际面积,由此造成的生态赤字达1351.285万hm2.(4)不同土地利用类型的碳足迹大小顺序为:居民点及工矿用地＞交通用地＞未利用地及特殊用地＞农用地和水利用地,其中居民点及工矿用地的碳足迹高达10.89 hm2/hm2.(5)江苏全省单位面积碳足迹也呈明显的扩大趋势,从2003年的0.938hm2/hm2上升到2007年的1.769 hm2/hm2.
[21]	杜运伟, 黄涛珍. 江苏省人口规模, 结构对碳排放的影响分析 . 长江流域资源与环境, 2013, 22(4): 399-404. Magsci [本文引用: 1] 摘要 <p>将人口结构因素纳入STIRPAT模型，利用江苏省1982~2010年的相关数据运用统计和计量方法对影响碳排放的人口总量、人口城市化、老龄人口比重、家庭规模、人均消费额、碳排放强度等相关因素进行实证分析。结果表明：家庭规模具有显著的负效应；在显著的正向影响因素中，老龄人口比重弹性最大，其它依次为人均消费额、人口总量、人口城市化水平、碳排放强度。在考虑人口结构情况下，碳排放的人口规模弹性小于1，缺乏弹性，说明人口总量对江苏碳排放的影响开始放缓；人口年龄结构对碳排放的影响逐渐显现，特别是老龄人口比重已经超过人口规模，成为促进碳排放的第一驱动因素；人口城市化进程和人均消费额直接加剧了碳排放，以碳排放强度表示技术进步对抑制碳排放有一定的作用，但不显著。针对分析结果，探讨了江苏省未来低碳发展的应对之策</p> [Du Yunwei, Huang Taozhen. Impact of demographic factors on carbon emissions in Jiangsu province. Resources and Environment in the Yangtze Basin, 2013, 22(4): 399-404.] Magsci [本文引用: 1] 摘要 <p>将人口结构因素纳入STIRPAT模型，利用江苏省1982~2010年的相关数据运用统计和计量方法对影响碳排放的人口总量、人口城市化、老龄人口比重、家庭规模、人均消费额、碳排放强度等相关因素进行实证分析。结果表明：家庭规模具有显著的负效应；在显著的正向影响因素中，老龄人口比重弹性最大，其它依次为人均消费额、人口总量、人口城市化水平、碳排放强度。在考虑人口结构情况下，碳排放的人口规模弹性小于1，缺乏弹性，说明人口总量对江苏碳排放的影响开始放缓；人口年龄结构对碳排放的影响逐渐显现，特别是老龄人口比重已经超过人口规模，成为促进碳排放的第一驱动因素；人口城市化进程和人均消费额直接加剧了碳排放，以碳排放强度表示技术进步对抑制碳排放有一定的作用，但不显著。针对分析结果，探讨了江苏省未来低碳发展的应对之策</p>
[22]	王圣, 王慧敏, 陈辉, 等. 基于Divisia分解法的江苏沿海地区碳排放影响因素研究 . 长江流域资源与环境, 2011, 20(10): 1243-1247. Magsci [本文引用: 1] 摘要 <p>能源消费是碳排放的主要来源。随着江苏沿海经济的快速发展，能源消费的增长以及以煤为主的能源结构在短期内难以改变，因此碳排放呈增长趋势。为了研究影响江苏沿海地区碳排放的因素，采用对数平均权重Divisia分解法，建立江苏省沿海地区人均碳排放量的影响因素分解模型，分析了2000～2008年经济发展、能源结构和能源效率对江苏省沿海地区人均碳排放的影响。研究结果表明：经济发展对江苏省沿海地区人均碳排放的贡献值和贡献率均呈指数增长趋势，能源效率的提高和能源结构的改善对人均碳排放的抑制作用比较有限，经济发展是造成江苏省沿海地区人均碳排放量快速增长的主要因素。通过研究，为江苏沿海地区控制和减少碳排放提供一些针对性的措施</p> [Wang Sheng, Wang Huimin, Chen Hui, et al. Study on influence factors of carbon emissions in Jiangsu province coastal areas based on Divisia decomposition method. Resources and Environment in the Yangtze Basin, 2011, 20(10): 1243-1247.] Magsci [本文引用: 1] 摘要 <p>能源消费是碳排放的主要来源。随着江苏沿海经济的快速发展，能源消费的增长以及以煤为主的能源结构在短期内难以改变，因此碳排放呈增长趋势。为了研究影响江苏沿海地区碳排放的因素，采用对数平均权重Divisia分解法，建立江苏省沿海地区人均碳排放量的影响因素分解模型，分析了2000～2008年经济发展、能源结构和能源效率对江苏省沿海地区人均碳排放的影响。研究结果表明：经济发展对江苏省沿海地区人均碳排放的贡献值和贡献率均呈指数增长趋势，能源效率的提高和能源结构的改善对人均碳排放的抑制作用比较有限，经济发展是造成江苏省沿海地区人均碳排放量快速增长的主要因素。通过研究，为江苏沿海地区控制和减少碳排放提供一些针对性的措施</p>
[23]	秦耀辰, 荣培君, 杨群涛, 等. 城市化对碳排放影响研究进展 . 地理科学进展, 2014, 33(11): 1526-1534. https://doi.org/10.11820/dlkxjz.2014.09.009 URL Magsci [本文引用: 1] 摘要城市化是全球发展的趋势,而城市化进程对温室气体尤其是二氧化碳排放的影响受到学术界的广泛关注.本文在全面系统梳理国内外文献及相关研究成果的基础上,从碳排放研究的起源与发展、研究内容与研究方法等方面对当前国内外研究现状进行了归纳和评述.从中看出:国内外的研究内容主要集中于城市化和碳排放的关系、城市化对碳排放影响的宏观及微观因素,以及城市化对碳排放的作用机理等方面;研究方法以定量分析为主,除基础的IPAT模型、STIRPAT模型之外,时空地理加权回归模型、指数分解、结构分解、多指标面板数据聚类分析等方法也广泛应用.总体而言,城市化进程对碳排放的影响是一个长期且复杂的过程,涉及诸多因素,目前的研究已逐渐深入、研究方法也多有创新,但仍需丰富研究视角、完善研究体系,更好地为城市化发展策略提供科学依据,为低碳城市发展奠定基础. [Qin Yaochen, Rong Peijun, Yang Quntao, et al. Research progress of impact of urbanization on carbon emissions. Progress in Geography, 2014, 33(11): 1526-1534.] https://doi.org/10.11820/dlkxjz.2014.09.009 URL Magsci [本文引用: 1] 摘要城市化是全球发展的趋势,而城市化进程对温室气体尤其是二氧化碳排放的影响受到学术界的广泛关注.本文在全面系统梳理国内外文献及相关研究成果的基础上,从碳排放研究的起源与发展、研究内容与研究方法等方面对当前国内外研究现状进行了归纳和评述.从中看出:国内外的研究内容主要集中于城市化和碳排放的关系、城市化对碳排放影响的宏观及微观因素,以及城市化对碳排放的作用机理等方面;研究方法以定量分析为主,除基础的IPAT模型、STIRPAT模型之外,时空地理加权回归模型、指数分解、结构分解、多指标面板数据聚类分析等方法也广泛应用.总体而言,城市化进程对碳排放的影响是一个长期且复杂的过程,涉及诸多因素,目前的研究已逐渐深入、研究方法也多有创新,但仍需丰富研究视角、完善研究体系,更好地为城市化发展策略提供科学依据,为低碳城市发展奠定基础.
[24]	孙昌龙, 靳诺, 张小雷, 等. 城市化不同演化阶段对碳排放的影响差异 . 地理科学, 2013, 33(3): 266-272. Magsci [本文引用: 2] 摘要 <p>城市化与碳排放是当今世界研究的两大焦点, 两者的结合点——城市化对碳排放的影响更是研究的重点。利用全球主要国家(地区)历史数据, 根据城市化水平划分不同的组别, 考察城市化动态演进阶段与碳排放之间的相关性, 并通过STIRPAT模型评估不同城市化阶段各因子对碳排放的影响;结合城市化发展阶段各要素的特征, 探讨不同阶段城市化对碳排放的影响。结果表明, 城市化对碳排放的影响表现为驱动和制动双重作用:① 当城市化发展处于初期阶段时, 城市系统发展缓慢, 驱动与制动作用均不明显, 碳排放缓慢增长;② 当城市化发展处于中期阶段时, 城市系统进入加速发展阶段, 驱动作用逐渐占主导, 制动作用较小, 碳排放迅速增长;③ 当城市化发展处于后期阶段, 驱动作用仍然占主导地位, 但制动作用逐渐增强, 碳排放速度有所减缓, 排放总量仍然增加。</p> [Sun Changlong, Jin Nuo, Zhang Xiaolei, et al. The impact of urbanization on the CO₂ emission in the various development stages. Scientia Geographica Sinica, 2013, 33(3): 266-272.] Magsci [本文引用: 2] 摘要 <p>城市化与碳排放是当今世界研究的两大焦点, 两者的结合点——城市化对碳排放的影响更是研究的重点。利用全球主要国家(地区)历史数据, 根据城市化水平划分不同的组别, 考察城市化动态演进阶段与碳排放之间的相关性, 并通过STIRPAT模型评估不同城市化阶段各因子对碳排放的影响;结合城市化发展阶段各要素的特征, 探讨不同阶段城市化对碳排放的影响。结果表明, 城市化对碳排放的影响表现为驱动和制动双重作用:① 当城市化发展处于初期阶段时, 城市系统发展缓慢, 驱动与制动作用均不明显, 碳排放缓慢增长;② 当城市化发展处于中期阶段时, 城市系统进入加速发展阶段, 驱动作用逐渐占主导, 制动作用较小, 碳排放迅速增长;③ 当城市化发展处于后期阶段, 驱动作用仍然占主导地位, 但制动作用逐渐增强, 碳排放速度有所减缓, 排放总量仍然增加。</p>
[25]	陈志建, 王铮. 地方政府碳减排压力驱动因素差异性研究: 基于STIRPAT模型 . 资源科学, 2012, 34(4): 1-7. URL [本文引用: 1] [Chen Zhijian, Wang Zheng. The differences of driving factors of local governments' pressure on carbon emission reduction in China based on STIRPAT model. Resources Science, 2012, 34(4): 1-7.] URL [本文引用: 1]
[26]	徐建华. 现代地理学中的数学方法. 北京: 高等教育出版社, 2005. [本文引用: 1] [Xu Jianhua.Mathematical Methods in Contemporary Geography. Beijing: Higher Education Press, 2005.] [本文引用: 1]
[27]	朱远程, 张士杰. 基于STIRPAT模型的北京地区经济碳排放驱动因素分析 . 特区经济, 2012, (1): 77-79. URL [本文引用: 4] 摘要当今,在衡量地区经济高速发展时,不仅仅关注地区经济发展速度,还更关注地区经济发展对环境地影响,尤其是区域二氧化碳排放的变化。可以说,二氧化碳排放量已经成为衡量国民经济发展质量的一个重要指标。本文基于STIRPAT模型基础,应用岭回归方法和弹性理论方法,分析北京地区经济发展过程中产生的碳排放总量,与人口数量、城市化进程、人均GDP、能源强度和第二产业比重驱动关系,根据二氧化碳各驱动关系,提出控制和减少北京地区二氧化碳总量的必要措施,从而为北京未来高质量的经济发展提供参考。 [Zhu Yuancheng, Zhang Shijie. Analysis of driving factors of Beijing's carbon emissions based on STIRPAT model. Special Zone Economy, 2012, (1): 77-79.] URL [本文引用: 4] 摘要当今,在衡量地区经济高速发展时,不仅仅关注地区经济发展速度,还更关注地区经济发展对环境地影响,尤其是区域二氧化碳排放的变化。可以说,二氧化碳排放量已经成为衡量国民经济发展质量的一个重要指标。本文基于STIRPAT模型基础,应用岭回归方法和弹性理论方法,分析北京地区经济发展过程中产生的碳排放总量,与人口数量、城市化进程、人均GDP、能源强度和第二产业比重驱动关系,根据二氧化碳各驱动关系,提出控制和减少北京地区二氧化碳总量的必要措施,从而为北京未来高质量的经济发展提供参考。
[28]	Wang M W, Che Y, Yang K, et al. A local-scale low-carbon plan based on the STIRPAT model and the scenario method: The case of Minhang District, Shanghai, China. Energy Policy, 2011, 39(11): 6981-6990. https://doi.org/10.1016/j.enpol.2011.07.041 Magsci [本文引用: 3] 摘要 To achieve a goal of reducing the emission intensity of carbon dioxide in 2020 by 40-45% relative to 2005 in China, the framework for a low-carbon scenario was developed on a small scale in Minhang District, Shanghai. The STIRPAT model was employed to reveal the factors that contribute to CO(2) emissions in this district: the increase of population, affluence and urbanisation level would increase CO(2) emissions, but energy intensity would decrease. Stakeholder involvement was another key component of the framework, and in this case, several rounds of negotiation and feedback resulted in fifteen final scenarios with the estimations of CO(2) emissions in 2015. For the low-carbon development plan of Minhang District, the model considered the actual capacity and development potential of this district, the best scenario combining with the high rates of affluence growing and energy intensity reducing as well as the middle rates of population growth and urbanisation level. The final CO(2) emissions of this scenario were 66.1 Mt in 2015. Based on these results, strategic suggestions have been proposed to reduce future energy intensity in Minhang District through industrial and energy resource structure reformation, lifestyle change and the transportation system improvement in this district. (C) 2011 Elsevier Ltd. All rights reserved.
[29]	尹向飞. 人口、消费、年龄结构与产业结构对湖南碳排放的影响及其演进分析 . 西北人口, 2011, 32(2): 65-69. https://doi.org/10.3969/j.issn.1007-0672.2011.02.014 URL [本文引用: 1] 摘要本文利用STIRPAT扩展模型，对1985—2007年湖南数据进行分析，探讨人口数量、人均消费、人口城市化、产业结构、老龄化对碳排放的影响，研究结果表明：人口数量、人均消费、城市化和老龄化驱动碳排放增长，而以产业结构表示的技术水平显著地抑制碳排放的增长：在不同阶段，人口数量、人均消费、人口城市化、产业结构、老龄化对碳排放的影响不同。人口数量的影响程度逐步降低，而人均消费和人口城市化逐步超过人口数量成为第二和第三驱动力．老龄化是驱动碳排放最主要的因素。针对各因素对碳排放的影响，本文提出相关政策建议。 [Yin Xiangfei. Population, consumption, age and industrial structure's effect on carbon emission in Hunan province and its evolution analysis: Based on STIRPAT model. Northwest Population, 2011, 32(2): 65-69.] https://doi.org/10.3969/j.issn.1007-0672.2011.02.014 URL [本文引用: 1] 摘要本文利用STIRPAT扩展模型，对1985—2007年湖南数据进行分析，探讨人口数量、人均消费、人口城市化、产业结构、老龄化对碳排放的影响，研究结果表明：人口数量、人均消费、城市化和老龄化驱动碳排放增长，而以产业结构表示的技术水平显著地抑制碳排放的增长：在不同阶段，人口数量、人均消费、人口城市化、产业结构、老龄化对碳排放的影响不同。人口数量的影响程度逐步降低，而人均消费和人口城市化逐步超过人口数量成为第二和第三驱动力．老龄化是驱动碳排放最主要的因素。针对各因素对碳排放的影响，本文提出相关政策建议。
[30]	Zhu Q, Peng X Z. The impacts of population change on carbon emissions in China during 1978-2008. Environmental Impact Assessment Review, 2012, 36(5): 1-8. https://doi.org/10.1016/j.eiar.2012.03.003 URL [本文引用: 1] 摘要 This study examines the impacts of population size, population structure, and consumption level on carbon emissions in China from 1978 to 2008. To this end, we expanded the stochastic impacts by regression on population, affluence, and technology model and used the ridge regression method, which overcomes the negative influences of multicollinearity among independent variables under acceptable bias. Results reveal that changes in consumption level and population structure were the major impact factors, not changes in population size. Consumption level and carbon emissions were highly correlated. In terms of population structure, urbanization, population age, and household size had distinct effects on carbon emissions. Urbanization increased carbon emissions, while the effect of age acted primarily through the expansion of the labor force and consequent overall economic growth. Shrinking household size increased residential consumption, resulting in higher carbon emissions. Households, rather than individuals, are a more reasonable explanation for the demographic impact on carbon emissions. Potential social policies for low carbon development are also discussed.

基于IPAT扩展模型分析人口因素对碳排放的影响

2012

... 人类活动带来的大量温室气体排放被认为是造成全球变暖的重要原因^[1].对碳排放的影响因素进行分析是有效降低温室气体排放的关键问题之一,关系到减排政策的制定和实施^[2].基于IPAT模型及其衍生的STIRPAT模型及变形的影响因素分析,是进行碳排放影响因素分析的主流的研究手段之一^[3-8].Shi采用STIRPAT模型分析了多个国家近20年的人口数据对二氧化碳排放的影响,证明二氧化碳量随着人口变化发生相同方向的变化,大多数国家的研究结果表明人口因素是影响二氧化碳排放的主要因素^[9].Shahbaz等分析了城市化率、富裕度和贸易开放度对马来西亚能源消费量的影响,结果显示城市化是影响马来西亚能源消费增长的主要因素^[10].国内有学者应用STIRPAT模型分别从国家、省区和城市的角度评估各个因素对环境的影响,并成为区域可持续发展和地区环境压力变化分析的重要支撑^[11-19].王立猛等利用STIRPAT模型,分别分析了中国大陆30个省份能源消费量的影响因素,发现人口增加1%,全国能源消费总量增长1.992%,对各省份的研究表明人口数量对能源消费量都产生线性正效应影响,但影响强度有明显差异^[11,12];姜磊等基于STIRPAT模型分析了上海市能源消费量的影响因素,结果发现人口数量对上海市能源消费的影响最大^[14];卢娜等基于STIRPAT模型和脱钩指数分析了苏锡常地区经济发展与能源消费产生的碳足迹之间的关系,发现经济增长对能源消费碳足迹的影响最显著^[15];张乐勤等基于STIRPAT模型分析了安徽省能源消费碳排放量的影响因素,结果表明全社会固定资产投资对安徽省能源消费碳排放影响最大^[18]. ...

... 对比已有研究结果（表3）,发现江苏省人口因素对能源消费碳排放量的影响远高于中国以及国内其他地区,反映出江苏省能源消费碳排放驱动因素的特殊性和复杂性.这是由于研究区域不同、模型构建不同和因素分解不同造成的,不同的文献选取了能源消费量^[9,11,14,17]、碳排放量^[1,13,18]、CO₂排放量^{[13,16,27,28]}、能源足迹^[19]、生态足迹^[15]等指标衡量研究区域的环境压力,为了深入分析研究区域环境压力的影响因素,除了人口、富裕度和技术因素外,还有学者引入了城市化率^{[1,13,16,17,19,27,28]}、产业结构^[16,19,27]、第二产业贡献值^[18]、固定资产投资^[14,18]、资本存量^[10]、对外开放度^[10,14,18]等因素.其次,不同的数据来源和数据处理方法也会造成模拟结果的差异.第三,江苏省特殊的经济和社会发展阶段造成的,江苏省作为中国的经济强省,其经济发展速度居于全国前列,但同样存在区域内发展的不平衡,苏南苏北经济发展水平差异显著.此外,仅以人口数量作为人口因素进行模拟也比较片面,尹向飞基于STIRPAT模型探讨人口数量和老龄化对湖南省碳排放的影响,结果发现老龄化是驱动碳排放的最主要因素^[29].Zhu等通过对1978-2008年的数据研究发现人口结构和消费水平对中国碳排放的影响大于人口数量^[30]. ...

... [1,13,16,17,19,27,28]、产业结构^[16,19,27]、第二产业贡献值^[18]、固定资产投资^[14,18]、资本存量^[10]、对外开放度^[10,14,18]等因素.其次,不同的数据来源和数据处理方法也会造成模拟结果的差异.第三,江苏省特殊的经济和社会发展阶段造成的,江苏省作为中国的经济强省,其经济发展速度居于全国前列,但同样存在区域内发展的不平衡,苏南苏北经济发展水平差异显著.此外,仅以人口数量作为人口因素进行模拟也比较片面,尹向飞基于STIRPAT模型探讨人口数量和老龄化对湖南省碳排放的影响,结果发现老龄化是驱动碳排放的最主要因素^[29].Zhu等通过对1978-2008年的数据研究发现人口结构和消费水平对中国碳排放的影响大于人口数量^[30]. ...

基于IPAT扩展模型分析人口因素对碳排放的影响

2012

北京能源消费碳足迹影响因素分析: 基于STIRPAT模型和偏小二乘模型

2014

北京能源消费碳足迹影响因素分析: 基于STIRPAT模型和偏小二乘模型

2014

IPAT及其扩展模型的应用研究进展

2015

IPAT及其扩展模型的应用研究进展

2015

Impact of population growth.

1971

One dimensional economy.

1972

Footprints on the earth: The environmental consequences of modernity.

2003

STIRPAT, IPAT and Impact: analytic tools for unpacking the driving forces of environmental impacts.

2003

A framework for sustainability science: A renovated IPAT identity.

2002

The impact of population pressure on global carbon dioxide emissions, 1975-1996: Evidence from pooled cross-country data.

2003

The effect of urbanization, affluence and trade openness on energy consumption: A time series analysis in Malaysia.

2015

... [10,14,18]等因素.其次,不同的数据来源和数据处理方法也会造成模拟结果的差异.第三,江苏省特殊的经济和社会发展阶段造成的,江苏省作为中国的经济强省,其经济发展速度居于全国前列,但同样存在区域内发展的不平衡,苏南苏北经济发展水平差异显著.此外,仅以人口数量作为人口因素进行模拟也比较片面,尹向飞基于STIRPAT模型探讨人口数量和老龄化对湖南省碳排放的影响,结果发现老龄化是驱动碳排放的最主要因素^[29].Zhu等通过对1978-2008年的数据研究发现人口结构和消费水平对中国碳排放的影响大于人口数量^[30]. ...

基于STIRPAT模型分析中国环境压力的时间差异: 以1952-2003年能源消费为例

2006

... [11,12];姜磊等基于STIRPAT模型分析了上海市能源消费量的影响因素,结果发现人口数量对上海市能源消费的影响最大^[14];卢娜等基于STIRPAT模型和脱钩指数分析了苏锡常地区经济发展与能源消费产生的碳足迹之间的关系,发现经济增长对能源消费碳足迹的影响最显著^[15];张乐勤等基于STIRPAT模型分析了安徽省能源消费碳排放量的影响因素,结果表明全社会固定资产投资对安徽省能源消费碳排放影响最大^[18]. ...

... The contrast of existing results

	人口	富裕度	城市化率	能源强度	第二产业	第三产业
中国能源消费总量^[11]	1.992	0.516+0.182lnA		0.777
上海CO₂排放量^[13]	0.618	0.178+0.009lnA	0.816	0.264
重庆能源消费碳排放量^[16]	0.963	0.398+0.436lnA	0.266	0.059		-0.093
甘肃能源消费量^[17]		0.329	0.916
新疆能源足迹^[19]	1.304	0.221	0.403	0.036		0.101
北京CO₂排放量^[27]	0.53	0.13	0.77	-0.06	-0.22
上海闵行区CO₂排放量^[28]	0.4988	0.1193	0.6494	0.3537
本文结果	3.467	0.242+0.024lnA	0.151	0.313

4.2 情景分析

基于STIRPAT模型的模拟结果对江苏省未来的碳排放量进行预测,具体公式为： ...

基于STIRPAT模型分析中国环境压力的时间差异: 以1952-2003年能源消费为例

2006

... The contrast of existing results

	人口	富裕度	城市化率	能源强度	第二产业	第三产业
中国能源消费总量^[11]	1.992	0.516+0.182lnA		0.777
上海CO₂排放量^[13]	0.618	0.178+0.009lnA	0.816	0.264
重庆能源消费碳排放量^[16]	0.963	0.398+0.436lnA	0.266	0.059		-0.093
甘肃能源消费量^[17]		0.329	0.916
新疆能源足迹^[19]	1.304	0.221	0.403	0.036		0.101
北京CO₂排放量^[27]	0.53	0.13	0.77	-0.06	-0.22
上海闵行区CO₂排放量^[28]	0.4988	0.1193	0.6494	0.3537
本文结果	3.467	0.242+0.024lnA	0.151	0.313

4.2 情景分析

基于STIRPAT模型的模拟结果对江苏省未来的碳排放量进行预测,具体公式为： ...

基于STIRPAT模型的环境压力空间差异分析: 以能源消费为例

2008

... 为了检验经济增长与碳排放之间是否存在倒U型曲线,将模型（3）中的lnA分解成lnA与(lnA)²两项^[12],模型调整为： ...

基于STIRPAT模型的环境压力空间差异分析: 以能源消费为例

2008

... 为了检验经济增长与碳排放之间是否存在倒U型曲线,将模型（3）中的lnA分解成lnA与(lnA)²两项^[12],模型调整为： ...

基于STIRPAT模型分析CO₂控制下上海城市发展模式

2010

... [13,16,27,28]、能源足迹^[19]、生态足迹^[15]等指标衡量研究区域的环境压力,为了深入分析研究区域环境压力的影响因素,除了人口、富裕度和技术因素外,还有学者引入了城市化率^{[1,13,16,17,19,27,28]}、产业结构^[16,19,27]、第二产业贡献值^[18]、固定资产投资^[14,18]、资本存量^[10]、对外开放度^[10,14,18]等因素.其次,不同的数据来源和数据处理方法也会造成模拟结果的差异.第三,江苏省特殊的经济和社会发展阶段造成的,江苏省作为中国的经济强省,其经济发展速度居于全国前列,但同样存在区域内发展的不平衡,苏南苏北经济发展水平差异显著.此外,仅以人口数量作为人口因素进行模拟也比较片面,尹向飞基于STIRPAT模型探讨人口数量和老龄化对湖南省碳排放的影响,结果发现老龄化是驱动碳排放的最主要因素^[29].Zhu等通过对1978-2008年的数据研究发现人口结构和消费水平对中国碳排放的影响大于人口数量^[30]. ...

... ,13,16,17,19,27,28]、产业结构^[16,19,27]、第二产业贡献值^[18]、固定资产投资^[14,18]、资本存量^[10]、对外开放度^[10,14,18]等因素.其次,不同的数据来源和数据处理方法也会造成模拟结果的差异.第三,江苏省特殊的经济和社会发展阶段造成的,江苏省作为中国的经济强省,其经济发展速度居于全国前列,但同样存在区域内发展的不平衡,苏南苏北经济发展水平差异显著.此外,仅以人口数量作为人口因素进行模拟也比较片面,尹向飞基于STIRPAT模型探讨人口数量和老龄化对湖南省碳排放的影响,结果发现老龄化是驱动碳排放的最主要因素^[29].Zhu等通过对1978-2008年的数据研究发现人口结构和消费水平对中国碳排放的影响大于人口数量^[30]. ...

... The contrast of existing results

	人口	富裕度	城市化率	能源强度	第二产业	第三产业
中国能源消费总量^[11]	1.992	0.516+0.182lnA		0.777
上海CO₂排放量^[13]	0.618	0.178+0.009lnA	0.816	0.264
重庆能源消费碳排放量^[16]	0.963	0.398+0.436lnA	0.266	0.059		-0.093
甘肃能源消费量^[17]		0.329	0.916
新疆能源足迹^[19]	1.304	0.221	0.403	0.036		0.101
北京CO₂排放量^[27]	0.53	0.13	0.77	-0.06	-0.22
上海闵行区CO₂排放量^[28]	0.4988	0.1193	0.6494	0.3537
本文结果	3.467	0.242+0.024lnA	0.151	0.313

4.2 情景分析

基于STIRPAT模型的模拟结果对江苏省未来的碳排放量进行预测,具体公式为： ...

基于STIRPAT模型分析CO₂控制下上海城市发展模式

2010

... The contrast of existing results

	人口	富裕度	城市化率	能源强度	第二产业	第三产业
中国能源消费总量^[11]	1.992	0.516+0.182lnA		0.777
上海CO₂排放量^[13]	0.618	0.178+0.009lnA	0.816	0.264
重庆能源消费碳排放量^[16]	0.963	0.398+0.436lnA	0.266	0.059		-0.093
甘肃能源消费量^[17]		0.329	0.916
新疆能源足迹^[19]	1.304	0.221	0.403	0.036		0.101
北京CO₂排放量^[27]	0.53	0.13	0.77	-0.06	-0.22
上海闵行区CO₂排放量^[28]	0.4988	0.1193	0.6494	0.3537
本文结果	3.467	0.242+0.024lnA	0.151	0.313

4.2 情景分析

基于STIRPAT模型的模拟结果对江苏省未来的碳排放量进行预测,具体公式为： ...

基于STIRPAT模型的上海市能源消费影响因素研究

2011

... 运用SPSS对数据进行多元回归分析的结果如表1所示,除能源强度外,其他变量的VIF值都大于10,其中人口和人均GDP的VIF值分别为336.293和6399.937,说明存在严重的多重共线性.为了消除多重共线性影响,本文采用岭回归方法对数据进行重新回归^[14],结果如表2所示. ...

... [14,18]、资本存量^[10]、对外开放度^[10,14,18]等因素.其次,不同的数据来源和数据处理方法也会造成模拟结果的差异.第三,江苏省特殊的经济和社会发展阶段造成的,江苏省作为中国的经济强省,其经济发展速度居于全国前列,但同样存在区域内发展的不平衡,苏南苏北经济发展水平差异显著.此外,仅以人口数量作为人口因素进行模拟也比较片面,尹向飞基于STIRPAT模型探讨人口数量和老龄化对湖南省碳排放的影响,结果发现老龄化是驱动碳排放的最主要因素^[29].Zhu等通过对1978-2008年的数据研究发现人口结构和消费水平对中国碳排放的影响大于人口数量^[30]. ...

... ,14,18]等因素.其次,不同的数据来源和数据处理方法也会造成模拟结果的差异.第三,江苏省特殊的经济和社会发展阶段造成的,江苏省作为中国的经济强省,其经济发展速度居于全国前列,但同样存在区域内发展的不平衡,苏南苏北经济发展水平差异显著.此外,仅以人口数量作为人口因素进行模拟也比较片面,尹向飞基于STIRPAT模型探讨人口数量和老龄化对湖南省碳排放的影响,结果发现老龄化是驱动碳排放的最主要因素^[29].Zhu等通过对1978-2008年的数据研究发现人口结构和消费水平对中国碳排放的影响大于人口数量^[30]. ...

基于STIRPAT模型的上海市能源消费影响因素研究

2011

基于STIRPAT模型的能源消费碳足迹变化及影响因素以江苏省苏锡常地区为例

2011

基于STIRPAT模型的能源消费碳足迹变化及影响因素以江苏省苏锡常地区为例

2011

基于STIRPAT模型的重庆市能源消费碳排放影响因素研究

2013

... ,16,17,19,27,28]、产业结构^[16,19,27]、第二产业贡献值^[18]、固定资产投资^[14,18]、资本存量^[10]、对外开放度^[10,14,18]等因素.其次,不同的数据来源和数据处理方法也会造成模拟结果的差异.第三,江苏省特殊的经济和社会发展阶段造成的,江苏省作为中国的经济强省,其经济发展速度居于全国前列,但同样存在区域内发展的不平衡,苏南苏北经济发展水平差异显著.此外,仅以人口数量作为人口因素进行模拟也比较片面,尹向飞基于STIRPAT模型探讨人口数量和老龄化对湖南省碳排放的影响,结果发现老龄化是驱动碳排放的最主要因素^[29].Zhu等通过对1978-2008年的数据研究发现人口结构和消费水平对中国碳排放的影响大于人口数量^[30]. ...

... [16,19,27]、第二产业贡献值^[18]、固定资产投资^[14,18]、资本存量^[10]、对外开放度^[10,14,18]等因素.其次,不同的数据来源和数据处理方法也会造成模拟结果的差异.第三,江苏省特殊的经济和社会发展阶段造成的,江苏省作为中国的经济强省,其经济发展速度居于全国前列,但同样存在区域内发展的不平衡,苏南苏北经济发展水平差异显著.此外,仅以人口数量作为人口因素进行模拟也比较片面,尹向飞基于STIRPAT模型探讨人口数量和老龄化对湖南省碳排放的影响,结果发现老龄化是驱动碳排放的最主要因素^[29].Zhu等通过对1978-2008年的数据研究发现人口结构和消费水平对中国碳排放的影响大于人口数量^[30]. ...

... The contrast of existing results

	人口	富裕度	城市化率	能源强度	第二产业	第三产业
中国能源消费总量^[11]	1.992	0.516+0.182lnA		0.777
上海CO₂排放量^[13]	0.618	0.178+0.009lnA	0.816	0.264
重庆能源消费碳排放量^[16]	0.963	0.398+0.436lnA	0.266	0.059		-0.093
甘肃能源消费量^[17]		0.329	0.916
新疆能源足迹^[19]	1.304	0.221	0.403	0.036		0.101
北京CO₂排放量^[27]	0.53	0.13	0.77	-0.06	-0.22
上海闵行区CO₂排放量^[28]	0.4988	0.1193	0.6494	0.3537
本文结果	3.467	0.242+0.024lnA	0.151	0.313

4.2 情景分析

基于STIRPAT模型的模拟结果对江苏省未来的碳排放量进行预测,具体公式为： ...

基于STIRPAT模型的重庆市能源消费碳排放影响因素研究

2013

... The contrast of existing results

	人口	富裕度	城市化率	能源强度	第二产业	第三产业
中国能源消费总量^[11]	1.992	0.516+0.182lnA		0.777
上海CO₂排放量^[13]	0.618	0.178+0.009lnA	0.816	0.264
重庆能源消费碳排放量^[16]	0.963	0.398+0.436lnA	0.266	0.059		-0.093
甘肃能源消费量^[17]		0.329	0.916
新疆能源足迹^[19]	1.304	0.221	0.403	0.036		0.101
北京CO₂排放量^[27]	0.53	0.13	0.77	-0.06	-0.22
上海闵行区CO₂排放量^[28]	0.4988	0.1193	0.6494	0.3537
本文结果	3.467	0.242+0.024lnA	0.151	0.313

4.2 情景分析

基于STIRPAT模型的模拟结果对江苏省未来的碳排放量进行预测,具体公式为： ...

基于STIRPAT模型的甘肃省环境影响分析: 以1991-2009年能源消费为例

2012

... 本文采用STIRPAT模型,分析江苏省人口数量、人均GDP、能源强度和城市化率对能源消费产生的碳排放量的影响.Dietz等在传统的IPAT模型的基础之上提出了STIRPAT模型,其标准形式为^[17]： ...

... ,17,19,27,28]、产业结构^[16,19,27]、第二产业贡献值^[18]、固定资产投资^[14,18]、资本存量^[10]、对外开放度^[10,14,18]等因素.其次,不同的数据来源和数据处理方法也会造成模拟结果的差异.第三,江苏省特殊的经济和社会发展阶段造成的,江苏省作为中国的经济强省,其经济发展速度居于全国前列,但同样存在区域内发展的不平衡,苏南苏北经济发展水平差异显著.此外,仅以人口数量作为人口因素进行模拟也比较片面,尹向飞基于STIRPAT模型探讨人口数量和老龄化对湖南省碳排放的影响,结果发现老龄化是驱动碳排放的最主要因素^[29].Zhu等通过对1978-2008年的数据研究发现人口结构和消费水平对中国碳排放的影响大于人口数量^[30]. ...

... The contrast of existing results

	人口	富裕度	城市化率	能源强度	第二产业	第三产业
中国能源消费总量^[11]	1.992	0.516+0.182lnA		0.777
上海CO₂排放量^[13]	0.618	0.178+0.009lnA	0.816	0.264
重庆能源消费碳排放量^[16]	0.963	0.398+0.436lnA	0.266	0.059		-0.093
甘肃能源消费量^[17]		0.329	0.916
新疆能源足迹^[19]	1.304	0.221	0.403	0.036		0.101
北京CO₂排放量^[27]	0.53	0.13	0.77	-0.06	-0.22
上海闵行区CO₂排放量^[28]	0.4988	0.1193	0.6494	0.3537
本文结果	3.467	0.242+0.024lnA	0.151	0.313

4.2 情景分析

基于STIRPAT模型的模拟结果对江苏省未来的碳排放量进行预测,具体公式为： ...

基于STIRPAT模型的甘肃省环境影响分析: 以1991-2009年能源消费为例

2012

... The contrast of existing results

	人口	富裕度	城市化率	能源强度	第二产业	第三产业
中国能源消费总量^[11]	1.992	0.516+0.182lnA		0.777
上海CO₂排放量^[13]	0.618	0.178+0.009lnA	0.816	0.264
重庆能源消费碳排放量^[16]	0.963	0.398+0.436lnA	0.266	0.059		-0.093
甘肃能源消费量^[17]		0.329	0.916
新疆能源足迹^[19]	1.304	0.221	0.403	0.036		0.101
北京CO₂排放量^[27]	0.53	0.13	0.77	-0.06	-0.22
上海闵行区CO₂排放量^[28]	0.4988	0.1193	0.6494	0.3537
本文结果	3.467	0.242+0.024lnA	0.151	0.313

4.2 情景分析

基于STIRPAT模型的模拟结果对江苏省未来的碳排放量进行预测,具体公式为： ...

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

2012

... [18]、固定资产投资^[14,18]、资本存量^[10]、对外开放度^[10,14,18]等因素.其次,不同的数据来源和数据处理方法也会造成模拟结果的差异.第三,江苏省特殊的经济和社会发展阶段造成的,江苏省作为中国的经济强省,其经济发展速度居于全国前列,但同样存在区域内发展的不平衡,苏南苏北经济发展水平差异显著.此外,仅以人口数量作为人口因素进行模拟也比较片面,尹向飞基于STIRPAT模型探讨人口数量和老龄化对湖南省碳排放的影响,结果发现老龄化是驱动碳排放的最主要因素^[29].Zhu等通过对1978-2008年的数据研究发现人口结构和消费水平对中国碳排放的影响大于人口数量^[30]. ...

... ,18]、资本存量^[10]、对外开放度^[10,14,18]等因素.其次,不同的数据来源和数据处理方法也会造成模拟结果的差异.第三,江苏省特殊的经济和社会发展阶段造成的,江苏省作为中国的经济强省,其经济发展速度居于全国前列,但同样存在区域内发展的不平衡,苏南苏北经济发展水平差异显著.此外,仅以人口数量作为人口因素进行模拟也比较片面,尹向飞基于STIRPAT模型探讨人口数量和老龄化对湖南省碳排放的影响,结果发现老龄化是驱动碳排放的最主要因素^[29].Zhu等通过对1978-2008年的数据研究发现人口结构和消费水平对中国碳排放的影响大于人口数量^[30]. ...

... ,18]等因素.其次,不同的数据来源和数据处理方法也会造成模拟结果的差异.第三,江苏省特殊的经济和社会发展阶段造成的,江苏省作为中国的经济强省,其经济发展速度居于全国前列,但同样存在区域内发展的不平衡,苏南苏北经济发展水平差异显著.此外,仅以人口数量作为人口因素进行模拟也比较片面,尹向飞基于STIRPAT模型探讨人口数量和老龄化对湖南省碳排放的影响,结果发现老龄化是驱动碳排放的最主要因素^[29].Zhu等通过对1978-2008年的数据研究发现人口结构和消费水平对中国碳排放的影响大于人口数量^[30]. ...

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

2012

阿达衣赛肯. 基于STIRPAT模型分析新疆能源足迹的影响因素

2011

... ,19,27,28]、产业结构^[16,19,27]、第二产业贡献值^[18]、固定资产投资^[14,18]、资本存量^[10]、对外开放度^[10,14,18]等因素.其次,不同的数据来源和数据处理方法也会造成模拟结果的差异.第三,江苏省特殊的经济和社会发展阶段造成的,江苏省作为中国的经济强省,其经济发展速度居于全国前列,但同样存在区域内发展的不平衡,苏南苏北经济发展水平差异显著.此外,仅以人口数量作为人口因素进行模拟也比较片面,尹向飞基于STIRPAT模型探讨人口数量和老龄化对湖南省碳排放的影响,结果发现老龄化是驱动碳排放的最主要因素^[29].Zhu等通过对1978-2008年的数据研究发现人口结构和消费水平对中国碳排放的影响大于人口数量^[30]. ...

... ,19,27]、第二产业贡献值^[18]、固定资产投资^[14,18]、资本存量^[10]、对外开放度^[10,14,18]等因素.其次,不同的数据来源和数据处理方法也会造成模拟结果的差异.第三,江苏省特殊的经济和社会发展阶段造成的,江苏省作为中国的经济强省,其经济发展速度居于全国前列,但同样存在区域内发展的不平衡,苏南苏北经济发展水平差异显著.此外,仅以人口数量作为人口因素进行模拟也比较片面,尹向飞基于STIRPAT模型探讨人口数量和老龄化对湖南省碳排放的影响,结果发现老龄化是驱动碳排放的最主要因素^[29].Zhu等通过对1978-2008年的数据研究发现人口结构和消费水平对中国碳排放的影响大于人口数量^[30]. ...

... The contrast of existing results

	人口	富裕度	城市化率	能源强度	第二产业	第三产业
中国能源消费总量^[11]	1.992	0.516+0.182lnA		0.777
上海CO₂排放量^[13]	0.618	0.178+0.009lnA	0.816	0.264
重庆能源消费碳排放量^[16]	0.963	0.398+0.436lnA	0.266	0.059		-0.093
甘肃能源消费量^[17]		0.329	0.916
新疆能源足迹^[19]	1.304	0.221	0.403	0.036		0.101
北京CO₂排放量^[27]	0.53	0.13	0.77	-0.06	-0.22
上海闵行区CO₂排放量^[28]	0.4988	0.1193	0.6494	0.3537
本文结果	3.467	0.242+0.024lnA	0.151	0.313

4.2 情景分析

基于STIRPAT模型的模拟结果对江苏省未来的碳排放量进行预测,具体公式为： ...

阿达衣赛肯. 基于STIRPAT模型分析新疆能源足迹的影响因素

2011

... The contrast of existing results

	人口	富裕度	城市化率	能源强度	第二产业	第三产业
中国能源消费总量^[11]	1.992	0.516+0.182lnA		0.777
上海CO₂排放量^[13]	0.618	0.178+0.009lnA	0.816	0.264
重庆能源消费碳排放量^[16]	0.963	0.398+0.436lnA	0.266	0.059		-0.093
甘肃能源消费量^[17]		0.329	0.916
新疆能源足迹^[19]	1.304	0.221	0.403	0.036		0.101
北京CO₂排放量^[27]	0.53	0.13	0.77	-0.06	-0.22
上海闵行区CO₂排放量^[28]	0.4988	0.1193	0.6494	0.3537
本文结果	3.467	0.242+0.024lnA	0.151	0.313

4.2 情景分析

基于STIRPAT模型的模拟结果对江苏省未来的碳排放量进行预测,具体公式为： ...

Carbon emission and carbon footprint of different land use types based on energy consumption of Jiangsu province.

2010

... 江苏省位于长三角地区,其经济发展一直处于全国前列.2013年江苏省地区生产总值达到59162亿元,仅次于广东,排名第二.2013年,江苏省城镇化率为64%,高于全国平均水平54%,但与发达国家的城镇化率仍有一定差距.伴随着经济的高速增长,江苏省能源消费和碳排放量也在不断增长.2003-2007年江苏省碳排放增长了86%^[20].其中人口年龄结构^[21]、经济发展^[22]、城市化^[23,24]等因素对江苏的碳排放均具有重要贡献.由于不同的社会、经济发展阶段和城市化发展水平条件下,各因素对碳排放的影响也存在明显差异^[24].因此,需要对不同发展场景下社会经济增长对碳排放的影响进行模拟分析. ...

Carbon emission and carbon footprint of different land use types based on energy consumption of Jiangsu province.

2010

江苏省人口规模, 结构对碳排放的影响分析

2013

江苏省人口规模, 结构对碳排放的影响分析

2013

基于Divisia分解法的江苏沿海地区碳排放影响因素研究

2011

基于Divisia分解法的江苏沿海地区碳排放影响因素研究

2011

城市化对碳排放影响研究进展

2014

城市化对碳排放影响研究进展

2014

城市化不同演化阶段对碳排放的影响差异

2013

... [24].因此,需要对不同发展场景下社会经济增长对碳排放的影响进行模拟分析. ...

城市化不同演化阶段对碳排放的影响差异

2013

... [24].因此,需要对不同发展场景下社会经济增长对碳排放的影响进行模拟分析. ...

地方政府碳减排压力驱动因素差异性研究: 基于STIRPAT模型

2012

... 能源消费数据来自《江苏统计年鉴》（2014）和《中国能源统计年鉴》（1995-2013）.人口、GDP、城镇人口、GDP指数和人均GDP指数来自《江苏统计年鉴》（2014）,选取1995-2013年的数据作为研究数据.GDP和人均GDP分别用GDP指数和人均GDP指数折算成2010年可比价.煤炭、石油和天然气的碳排放系数分别为0.733、0.557和0.423^[25].本文采用了总和标准化方法对碳排放量、人口、人均GDP、能源强度、城镇化率进行处理,以消除量纲影响^[26]. ...

地方政府碳减排压力驱动因素差异性研究: 基于STIRPAT模型

2012

2005

基于STIRPAT模型的北京地区经济碳排放驱动因素分析

2012

... ,27,28]、产业结构^[16,19,27]、第二产业贡献值^[18]、固定资产投资^[14,18]、资本存量^[10]、对外开放度^[10,14,18]等因素.其次,不同的数据来源和数据处理方法也会造成模拟结果的差异.第三,江苏省特殊的经济和社会发展阶段造成的,江苏省作为中国的经济强省,其经济发展速度居于全国前列,但同样存在区域内发展的不平衡,苏南苏北经济发展水平差异显著.此外,仅以人口数量作为人口因素进行模拟也比较片面,尹向飞基于STIRPAT模型探讨人口数量和老龄化对湖南省碳排放的影响,结果发现老龄化是驱动碳排放的最主要因素^[29].Zhu等通过对1978-2008年的数据研究发现人口结构和消费水平对中国碳排放的影响大于人口数量^[30]. ...

... ,27]、第二产业贡献值^[18]、固定资产投资^[14,18]、资本存量^[10]、对外开放度^[10,14,18]等因素.其次,不同的数据来源和数据处理方法也会造成模拟结果的差异.第三,江苏省特殊的经济和社会发展阶段造成的,江苏省作为中国的经济强省,其经济发展速度居于全国前列,但同样存在区域内发展的不平衡,苏南苏北经济发展水平差异显著.此外,仅以人口数量作为人口因素进行模拟也比较片面,尹向飞基于STIRPAT模型探讨人口数量和老龄化对湖南省碳排放的影响,结果发现老龄化是驱动碳排放的最主要因素^[29].Zhu等通过对1978-2008年的数据研究发现人口结构和消费水平对中国碳排放的影响大于人口数量^[30]. ...

... The contrast of existing results

	人口	富裕度	城市化率	能源强度	第二产业	第三产业
中国能源消费总量^[11]	1.992	0.516+0.182lnA		0.777
上海CO₂排放量^[13]	0.618	0.178+0.009lnA	0.816	0.264
重庆能源消费碳排放量^[16]	0.963	0.398+0.436lnA	0.266	0.059		-0.093
甘肃能源消费量^[17]		0.329	0.916
新疆能源足迹^[19]	1.304	0.221	0.403	0.036		0.101
北京CO₂排放量^[27]	0.53	0.13	0.77	-0.06	-0.22
上海闵行区CO₂排放量^[28]	0.4988	0.1193	0.6494	0.3537
本文结果	3.467	0.242+0.024lnA	0.151	0.313

4.2 情景分析

基于STIRPAT模型的模拟结果对江苏省未来的碳排放量进行预测,具体公式为： ...

基于STIRPAT模型的北京地区经济碳排放驱动因素分析

2012

... The contrast of existing results

	人口	富裕度	城市化率	能源强度	第二产业	第三产业
中国能源消费总量^[11]	1.992	0.516+0.182lnA		0.777
上海CO₂排放量^[13]	0.618	0.178+0.009lnA	0.816	0.264
重庆能源消费碳排放量^[16]	0.963	0.398+0.436lnA	0.266	0.059		-0.093
甘肃能源消费量^[17]		0.329	0.916
新疆能源足迹^[19]	1.304	0.221	0.403	0.036		0.101
北京CO₂排放量^[27]	0.53	0.13	0.77	-0.06	-0.22
上海闵行区CO₂排放量^[28]	0.4988	0.1193	0.6494	0.3537
本文结果	3.467	0.242+0.024lnA	0.151	0.313

4.2 情景分析

基于STIRPAT模型的模拟结果对江苏省未来的碳排放量进行预测,具体公式为： ...

A local-scale low-carbon plan based on the STIRPAT model and the scenario method: The case of Minhang District, Shanghai, China.

2011

... ,28]、产业结构^[16,19,27]、第二产业贡献值^[18]、固定资产投资^[14,18]、资本存量^[10]、对外开放度^[10,14,18]等因素.其次,不同的数据来源和数据处理方法也会造成模拟结果的差异.第三,江苏省特殊的经济和社会发展阶段造成的,江苏省作为中国的经济强省,其经济发展速度居于全国前列,但同样存在区域内发展的不平衡,苏南苏北经济发展水平差异显著.此外,仅以人口数量作为人口因素进行模拟也比较片面,尹向飞基于STIRPAT模型探讨人口数量和老龄化对湖南省碳排放的影响,结果发现老龄化是驱动碳排放的最主要因素^[29].Zhu等通过对1978-2008年的数据研究发现人口结构和消费水平对中国碳排放的影响大于人口数量^[30]. ...

... The contrast of existing results

	人口	富裕度	城市化率	能源强度	第二产业	第三产业
中国能源消费总量^[11]	1.992	0.516+0.182lnA		0.777
上海CO₂排放量^[13]	0.618	0.178+0.009lnA	0.816	0.264
重庆能源消费碳排放量^[16]	0.963	0.398+0.436lnA	0.266	0.059		-0.093
甘肃能源消费量^[17]		0.329	0.916
新疆能源足迹^[19]	1.304	0.221	0.403	0.036		0.101
北京CO₂排放量^[27]	0.53	0.13	0.77	-0.06	-0.22
上海闵行区CO₂排放量^[28]	0.4988	0.1193	0.6494	0.3537
本文结果	3.467	0.242+0.024lnA	0.151	0.313

4.2 情景分析

基于STIRPAT模型的模拟结果对江苏省未来的碳排放量进行预测,具体公式为： ...

人口、消费、年龄结构与产业结构对湖南碳排放的影响及其演进分析

2011

人口、消费、年龄结构与产业结构对湖南碳排放的影响及其演进分析

2011

The impacts of population change on carbon emissions in China during 1978-2008.

2012

〈

〉

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

Trend prediction and analysis of influencing factors of carbon emissions from energy consumption in Jiangsu province based on STIRPAT model

1 引言

2 研究方法

3 数据来源

3.1 数据来源

3.2 能源消费量

3.3 碳排放量和能源强度

4 结果分析

4.1 回归结果分析

4.2 情景分析

5 结论与讨论

参考文献 文献选项 原文顺序 文献年度倒序 文中引用次数倒序 被引期刊影响因子

参考文献

原文顺序

文献年度倒序

文中引用次数倒序

被引期刊影响因子