基于STIRPAT模型的中国二氧化碳排放影响因素动态冲击效应分析
基于STIRPAT模型研究南京碳排放的影响因素
基于STIRPAT模型研究南京碳排放的影响因素作者：孙洁王鹏飞来源：《物流科技》2022年第02期摘要：在巴黎气候变化大会上，中国政府提出了“2030年左右实现碳达峰，并争取尽快实现”的新阶段目标。
城市是能源资源消耗和CO2排放的集聚区域，城市化产生的碳排放是当今中国影响气候变化的重要因素。
文章采用南京1997～2017年21年数据，从人口规模、财富水平、城市化水平、技术水平、产业结构、国际贸易水平、科技创新能力七个方面选取更符合南京国情的社会经济变量建立STIRPAT模型，研究影响南京市碳排放的主要因素。
结果表明：人口总量和城市化率是影响南京碳排放的主要因素。
关键词：STIRPAT模型;低碳发展;南京中图分类号：F259.27 文献标识码：AAbstract： The Chinese government at the Paris climate change conference proposed a new phase goal of“achieving the peak of carbon emissions around 2030 and striving to reach the peak assoon as possible”. Ci ties are the gathering areas of energy resources consumption and carbon dioxide emissions. Carbon dioxide produced by urbanization is an important factor affecting climate change in China. Based on Nanjing's data from 1997～2017， this paper selects the socio-economic variables more in line with Nanjing's situation from the seven dimensions of population size， wealth level，urbanization level， technological level， industrial structure， international trade level and scientific and technological innovation ability to establish a STIRPAT model， explores the main factors affecting Nanjing's carbon emissions.Key words： STIRPAT model; low carbon development; Nanjing中国的CO2排放量居全球首位，并在2017年达到全球CO2排放的27%。
北京市二氧化碳排放驱动因素分析——基于STIRPAT模型
北京市二氧化碳排放驱动因素分析——基于 STIRPAT 模型 北京市二氧化碳排放驱动因素分析——基于模型 徐均中央民族大学经济学院，北京 100081 摘要在 2012 年 12 月 8 日结束的多哈气候会议中，中国政府提出，到 2020 年单位国内生产总值 2 排放比 2005 年下降 40％至 45％。
随着经济的飞速发展，中国 2 排放量不断增加，研究中国各大城市尤 其是北京影响 2 排放量的因素，进而分析如何减少 2 的排放成为当前研究 热点。
利用模型，分析了北京市 2 排放量与人口、财富和技术进步因素的定 量关系， 并通过岭回归拟合得出人口数量、 城市化水平、 人均、 能耗效率、 第二产业生产总值每发生 1 变化， 将引起 2 排放总量相应发生 0137、 0245、 0194、-0213、0214 的变化。
关键词模型；岭回归；2 排放量；驱动因素；北京 中图分类号 127 文献标志码文章编号 1002-2589201302-0105-03 当今，全球变暖已经成为不争的事实，由于人为温室气体排放导致的 全球气候变暖问题引起了全球的广泛关注。
根据世界资源研究所数据， 2007 年中国 2 排放量达到了 72192 百万公 顷，占到了全球的 1912，2006 年中国的 2 排放量就已经超过了美国位居世界第一，到 2007 年两国间的差距进一步扩大。
因而研究中国各大城市尤其是首都北京如何采取措施减少 2 排放量变 得非常重要。
为了解决上述问题，国内外学者进行了大量的研究工作。
等利用对数化的模型研究了 2 排放量与人口、富裕度、城市化之间的 关系；燕华等利用模型研究得出人口数量、人均、富裕度、城市化水平和 技术进步每发生 1 的变化， 将引起上海 2 排放总量相应发生 0618、 0178+、 0816 和 0264 的变化，但技术进步反而会导致 2 排放总量的增加的结果不 太符合实际。
基于STIRPAT 模型的中国旅游业碳排放影响因素 分析
第３７卷第３期２０１７年３月环㊀境㊀科㊀学㊀学㊀报㊀ＡｃｔａＳｃｉｅｎｔｉａｅＣｉｒｃｕｍｓｔａｎｔｉａｅＶｏｌ．３７，Ｎｏ．３Ｍａｒ．，２０１７基金项目：湖南省教育厅科学研究重点项目（Ｎｏ．１４Ａ０８８）；湖南师范大学青年优秀人才培养计划项目（Ｎｏ．２０１３ＹＸ０７）；国家自然科学基金（Ｎｏ．４１２０１１３５）ＳｕｐｐｏｒｔｅｄｂｙｔｈｅＫｅｙＰｒｏｊｅｃｔｏｆＭｉｎｉｓｔｒｙｏｆＥｄｕｃａｔｉｏｎｏｆＨｕｎａｎＰｒｏｖｉｎｃｅ（Ｎｏ．１４Ａ０８８），ｔｈｅＴｒａｉｎｉｎｇＰｒｏｇｒａｍｆｏｒｔｈｅＤｉｓｔｉｎｇｕｉｓｈｅｄＹｏｕｎｇＴａｌｅｎｔｓｉｎＨｕｎａｎＮｏｒｍａｌＵｎｉｖｅｒｓｉｔｙ（Ｎｏ．２０１３ＹＸ０７）ａｎｄｔｈｅＮａｔｉｏｎａｌＮａｔｕｒａｌＳｃｉｅｎｃｅＦｏｕｎｄａｔｉｏｎｏｆＣｈｉｎａ（Ｎｏ．４１２０１１３５）作者简介：王凯（１９６９ ），男，教授，Ｅ⁃ｍａｉｌ：ｋｉｎｇｖｉｒｙ＠１６３．ｃｏｍ；∗通讯作者（责任作者）Ｂｉｏｇｒａｐｈｙ：ＷＡＮＧＫａｉ（１９６９ ），ｍａｌｅ，ｐｒｏｆｅｓｓｏｒ，Ｅ⁃ｍａｉｌ：ｋｉｎｇｖｉｒｙ＠１６３．ｃｏｍ；∗ＣｏｒｒｅｓｐｏｎｄｉｎｇａｕｔｈｏｒＤＯＩ：１０．１３６７１／ｊ．ｈｊｋｘｘｂ．２０１６．０２５９王凯，邵海琴，周婷婷，等．２０１７．基于ＳＴＩＲＰＡＴ模型的中国旅游业碳排放影响因素分析［Ｊ］．环境科学学报，３７（３）：１１８５⁃１１９２ＷａｎｇＫ，ＳｈａｏＨＱ，ＺｈｏｕＴＴ，ｅｔａｌ．２０１７．ＡｎａｌｙｓｉｓｏｆｉｍｐａｃｔｆａｃｔｏｒｓｏｆＣＯ２ｅｍｉｓｓｉｏｎｓｆｒｏｍｔｏｕｒｉｓｍｉｎＣｈｉｎａｂａｓｅｄｏｎＳＴＩＲＰＡＴｍｏｄｅｌ［Ｊ］．ＡｃｔａＳｃｉｅｎｔｉａｅＣｉｒｃｕｍｓｔａｎｔｉａｅ，３７（３）：１１８５⁃１１９２基于ＳＴＩＲＰＡＴ模型的中国旅游业碳排放影响因素分析王凯１，２，∗，邵海琴１，周婷婷１，刘浩龙２１．湖南师范大学旅游学院，长沙４１００８１２．中国科学院地理科学与资源研究所，北京１００１０１收稿日期：２０１６⁃０５⁃１５㊀㊀㊀修回日期：２０１６⁃０６⁃２４㊀㊀㊀录用日期：２０１６⁃０６⁃２４摘要：采用 自下而上 的ＣＯ２排放计算方法，对１９９５ ２０１４年中国各区域旅游业ＣＯ２排放量进行测算，从动态视角分析各区域旅游业ＣＯ２排放总量及旅游接待人次㊁人均旅游收入㊁旅游业ＣＯ２排放强度和旅游交通ＣＯ２排放占比等影响因素的变化趋势特征，并基于ＳＴＩＲＰＡＴ模型对旅游业ＣＯ２排放的主要影响因素进行定量分析．结果显示：各区域旅游业ＣＯ２排放总量均呈逐年上升的趋势，且不同区域各影响因素的作用存在显著差异；其中，人均旅游收入对中国旅游业碳减排压力的弹性变化区间最小，仅从０．１５６变化到０．２８７，旅游交通ＣＯ２排放占比的弹性变化区间最大，其ＣＯ２排放占比每提高１％，东部地区旅游业ＣＯ２排放总量将提高０．２３９％，而中部地区仅提高０．０１３％；旅游业ＣＯ２排放强度是抑制碳排放的关键因素；研究期内，分析结果不支持倒 Ｕ 型环境Ｋｕｚｎｅｔｓ曲线的观点．最后，根据上述结论提出差异化的区域碳减排调控对策．关键词：旅游业ＣＯ２排放；影响因素；ＳＴＩＲＰＡＴ模型；环境Ｋｕｚｎｅｔｓ曲线；中国文章编号：０２５３⁃２４６８（２０１７）０３⁃１１８５⁃０８㊀㊀㊀中图分类号：Ｘ１９６㊀㊀㊀文献标识码：ＡＡｎａｌｙｓｉｓｏｆｉｍｐａｃｔｆａｃｔｏｒｓｏｆＣＯ２ｅｍｉｓｓｉｏｎｓｆｒｏｍｔｏｕｒｉｓｍｉｎＣｈｉｎａｂａｓｅｄｏｎＳＴＩＲＰＡＴｍｏｄｅｌＷＡＮＧＫａｉ１，２，∗，ＳＨＡＯＨａｉｑｉｎ１，ＺＨＯＵＴｉｎｇｔｉｎｇ１，ＬＩＵｈａｏｌｏｎｇ２１．ＣｏｌｌｅｇｅｏｆＴｏｕｒｉｓｍ，ＨｕｎａｎＮｏｒｍａｌＵｎｉｖｅｒｓｉｔｙ，Ｃｈａｎｇｓｈａ４１００８１２．ＩｎｓｔｉｔｕｔｅｏｆＧｅｏｇｒａｐｈｉｃＳｃｉｅｎｃｅｓａｎｄＮａｔｕｒａｌＲｅｓｏｕｒｃｅｓＲｅｓｅａｒｃｈ，ＣｈｉｎｅｓｅＡｃａｄｅｍｙｏｆＳｃｉｅｎｃｅｓ，Ｂｅｉｊｉｎｇ１００１０１Ｒｅｃｅｉｖｅｄ１５Ｍａｙ２０１６；㊀㊀㊀ｒｅｃｅｉｖｅｄｉｎｒｅｖｉｓｅｄｆｏｒｍ２４Ｊｕｎｅ２０１６；㊀㊀㊀ａｃｃｅｐｔｅｄ２４Ｊｕｎｅ２０１６Ａｂｓｔｒａｃｔ：Ｂｙｕｓｉｎｇ ｂｏｔｔｏｍ⁃ｕｐ ａｐｐｒｏａｃｈ，ｔｈｉｓｐａｐｅｒａｉｍｓｔｏｅｓｔｉｍａｔｅｔｈｅＣＯ２ｅｍｉｓｓｉｏｎｓｆｒｏｍｔｏｕｒｉｓｍｉｎＣｈｉｎａｆｒｏｍ１９９５ｔｏ２０１４，ａｎｄｔｈｅｍａｉｎｉｍｐａｃｔｆａｃｔｏｒｓｓｕｃｈａｓｎｕｍｂｅｒｏｆｔｏｕｒｉｓｔｓ，ｔｏｕｒｉｓｍｉｎｃｏｍｅｐｅｒｃａｐｉｔａ，ｃａｒｂｏｎｉｎｔｅｎｓｉｔｙｏｆｔｏｕｒｉｓｍａｎｄｐｅｒｃｅｎｔａｇｅｏｆＣＯ２ｅｍｉｓｓｉｏｎｓｆｒｏｍｔｏｕｒｉｓｍｔｒａｎｓｐｏｒｔａｒｅａｌｓｏｑｕａｎｔｉｔａｔｉｖｅｌｙａｎａｌｙｚｅｄｂａｓｅｄｏｎｔｈｅｅｘｔｅｎｄｅｄＳＴＩＲＰＡＴｍｏｄｅｌ．ＴｈｅｒｅｓｕｌｔｓｉｎｄｉｃａｔｅｔｈａｔｔｈｅＣＯ２ｅｍｉｓｓｉｏｎｓｆｒｏｍｔｏｕｒｉｓｍｉｎＣｈｉｎａａｎｄｉｔｓｔｈｒｅｅｅｃｏｎｏｍｉｃｚｏｎｅｓｈａｖｅａｎｉｎｃｒｅａｓｉｎｇｔｒｅｎｄｏｖｅｒｔｈｅｐａｓｔｔｗｏｄｅｃａｄｅｓ，ａｎｄｔｈｅｃｏｅｆｆｉｃｉｅｎｔｏｆｅｌａｓｔｉｃｉｔｙａｌｓｏｐｒｅｓｅｎｔｓｓｉｇｎｉｆｉｃａｎｔｄｉｆｆｅｒｅｎｃｅｓｂｅｔｗｅｅｎｒｅｇｉｏｎｓ．Ｔｈｅｅｌａｓｔｉｃｖａｒｉａｔｉｏｎｒａｎｇｅｏｆｔｏｕｒｉｓｍｉｎｃｏｍｅｐｅｒｃａｐｉｔａｉｓｔｈｅｓｍａｌｌｅｓｔ，ｏｎｌｙｆｒｏｍ０．１５６ｔｏ０．２８７．ＴｈｅｉｍｐａｃｔｏｆｐｅｒｃｅｎｔａｇｅｏｆＣＯ２ｅｍｉｓｓｉｏｎｓｆｒｏｍｔｏｕｒｉｓｍｔｒａｎｓｐｏｒｔａｌｓｏｖａｒｉｅｓｇｒｅａｔｌｙ，ｅ．ｇ．ｗｈｅｎｔｈｅｐｅｒｃｅｎｔａｇｅｏｆＣＯ２ｅｍｉｓｓｉｏｎｓｆｒｏｍｔｏｕｒｉｓｍｔｒａｎｓｐｏｒｔｉｎｃｒｅａｓｅｓｂｙ１％，ｔｈｅＣＯ２ｅｍｉｓｓｉｏｎｓｉｎｔｈｅｅａｓｔｅｒｎｒｅｇｉｏｎｉｎｃｒｅａｓｅｓｂｙ０．２３９％ｗｈｉｌｅｏｎｌｙ０．０１３％ｉｎｔｈｅｃｅｎｔｒａｌｒｅｇｉｏｎ．ＴｈｅｃａｒｂｏｎｉｎｔｅｎｓｉｔｙｏｆｔｏｕｒｉｓｍｐｌａｙｓａｄｏｍｉｎａｎｔｒｏｌｅｉｎｔｈｅＣＯ２ｅｍｉｓｓｉｏｎｓｃｏｎｔｒｏｌ，ｓｏｔｈｅｉｍｐｒｏｖｅｍｅｎｔｏｆｅｎｅｒｇｙｅｆｆｉｃｉｅｎｃｙｓｈｏｕｌｄｂｅｏｎｅｏｆｔｈｅｍａｉｎａｐｐｒｏａｃｈｅｓｔｏＣＯ２ｒｅｄｕｃｔｉｏｎｉｎｔｈｅｎｅａｒｆｕｔｕｒｅ．Ｔｈｅｒｅｉｓｎｏｒｅｌａｔｉｏｎｓｈｉｐｂｅｔｗｅｅｎｔｈｅｔｏｕｒｉｓｍｅｃｏｎｏｍｉｃｄｅｖｅｌｏｐｍｅｎｔａｎｄｅｎｖｉｒｏｎｍｅｎｔｄｅｐｒａｖａｔｉｏｎｉｎｔｈｅｒｅｃｉｐｒｏｃａｌ Ｕ ｅｎｖｉｒｏｎｍｅｎｔａｌＫｕｚｎｅｔｓｃｕｒｖｅ，ｉｔｔｈｅｒｅｆｏｒｅｂｅｃｏｍｅｓｅｓｓｅｎｔｉａｌｆｏｒＣｈｉｎａｔｏｆｏｒｍｕｌａｔｅｄｉｆｆｅｒｅｎｔｉａｔｅｄｒｅｇｉｏｎａｌｒｅｇｕｌａｔｉｏｎａｎｄｃｏｎｔｒｏｌｐｏｌｉｃｉｅｓｆｏｒＣＯ２ｒｅｄｕｃｔｉｏｎａｃｃｏｒｄｉｎｇｔｏｆｕｎｃｔｉｏｎａｒｙｍｅｃｈａｎｉｓｍｏｆｔｈｅｉｍｐａｃｔｆａｃｔｏｒｓ．Ｋｅｙｗｏｒｄｓ：ＣＯ２ｅｍｉｓｓｉｏｎｓｆｒｏｍｔｏｕｒｉｓｍ；ｉｍｐａｃｔｆａｃｔｏｒｓ；ＳＴＩＲＰＡＴｍｏｄｅｌ；ｅｎｖｉｒｏｎｍｅｎｔＫｕｚｎｅｔｓｃｕｒｖｅ；Ｃｈｉｎａ环㊀㊀境㊀㊀科㊀㊀学㊀㊀学㊀㊀报３７卷１㊀引言（Ｉｎｔｒｏｄｕｃｔｉｏｎ）目前，全球气候变暖已成为不争的事实，而人类社会经济活动过程中的碳排放是造成全球气候变暖的重要原因．旅游业是当今世界上最大也是增长最快的产业部门，在人为因素引起的ＣＯ２排放总量中，旅游业占到了４．９％，且在２０３５年以前仍将以年均２．５％的速度增长（ＵＮＷＴＯ，２００９；Ｗｈｉｔｔｌｅｓｅａｅｔａｌ．，２０１２）．作为联合国气候变化框架公约下的国家之一，中国政府于２０１５年确立了到２０３０年单位ＧＤＰ碳排放比２００５年下降６０％ ６５％的目标．如此大幅度的碳排放减量对中国的节能减排工作提出了更高的要求，各行业都需要付出很大的努力．国务院在２０１４年发布的‘关于促进旅游业改革发展的若干意见“中明确提出将旅游业作为国民经济的战略性支柱产业来培育，因此，对旅游业碳排放的测算及规律研究是一个关系到国家节能减排国际承诺能否实现的重要课题．国内外学者对旅游业碳排放问题进行了大量研究并取得了一定的成果．其中，不同尺度的区域旅游业碳排放量评估是关注的重点．国外学者的评估范围相对宽泛，涉及全球（Ｇöｓｓｌｉｎｇ，２００２）㊁大洲（Ｅｉｊｇｅｌａａｒｅｔａｌ．，２０１０）㊁国家（Ｂｙｒｎｅｓｅｔａｌ．，２００６；Ｈｏｗｉｔｔｅｔａｌ．，２０１０；Ｃａｄａｒｓｏｅｔａｌ．，２０１４）㊁地区（Ｂｅｃｋｅｎｅｔａｌ．，２００３；Ｍａｒｔｉｎ⁃Ｃｅｊａｓｅｔａｌ．，２０１０；Ｊｏｎｅｓ，２０１３；Ｆｉｌｉｍｏｎａｕｅｔａｌ．，２０１４）㊁省市（Ｐｅｅｔｅｒｓｅｔａｌ．，２００６；ＥｌＨａｎａｎｄｅｈ，２０１３）和旅游目的地（Ｋｅｌｌｙｅｔａｌ．，２００７；Ｄａｗｓｏｎｅｔａｌ．，２０１０）等不同尺度．国内方面，石培华等（２０１１）首次从国家层面测算了我国旅游业碳排放量；在省域／地区层面，部分学者对江苏（陶玉国等，２０１１）㊁江西（王立国等，２０１１）㊁湖南（赵先超等，２０１３）㊁山东（袁宇杰等，２０１３）㊁成都市（Ｌｉｕｅｔａｌ．，２０１１）㊁舟山群岛（肖建红等，２０１１）㊁长三角地区（谢园方等，２０１２）及台湾澎湖列岛（Ｋｕｏｅｔａｌ．，２００９）等地的旅游业碳排放进行了测算．少数学者从微观层面对地区旅游业碳排放的影响因素进行了探讨，如Ｂａｌｅžｅｎｔｉｓ等（２０１２）分析了旅游容量㊁游客停留时间及农庄空间分布等因素对立陶宛乡村旅游业碳排放的影响；Ｌｉｕ等（２０１１）探讨了能源强度㊁游客消费水平和产业规模等对成都旅游业碳排放的作用；陶玉国等（２０１４）利用ＬＭＤＩ分解法将江苏省旅游业碳排放分解成能源强度效应㊁能源结构效应㊁游客规模效应㊁消费水平效应和旅游收入结构效应，探讨了旅游业碳排放影响因素的作用机理．综上可见，尽管己有少数学者对旅游业碳排放的驱动力进行了实证研究，但考察的区域范围较小㊁时间序列较短，不利于从整个产业的纵横视角来审视旅游业碳排放及其影响因素．为此，本研究拟主要运用ＳＴＩＲＰＡＴ模型及岭回归分析方法，探讨１９９５ ２０１４年中国及其东㊁中㊁西部地区旅游业碳排放的变化趋势及各主要影响因素的贡献率，以期为明确中国各区域旅游业低碳化发展的目标和任务㊁确立针对性的节能减排措施等提供可靠的数据支撑和理论参考．２㊀研究方法与数据来源（Ｓｔｕｄｙｍｅｔｈｏｄｓａｎｄｓｏｕｒｃｅｓｏｆｄａｔａ）２．１㊀研究方法２．１．１㊀旅游业ＣＯ２排放量计算方法㊀旅游业ＣＯ２排放核算方法主要分为 自下而上 和 自上而下 两大类．考虑到中国尚未建立系统的旅游卫星账户及温室气体排放监测制度，本研究主要采用 自下而上 的ＣＯ２排放核算方法，并借鉴Ｂｅｃｋｅｎ等（２００３）和Ｐａｔｔｅｒｓｏｎ等（２００４）的实证研究法，确定旅游交通㊁旅游住宿和旅游活动为旅游业ＣＯ２排放的重点领域，采取分解加总方法对旅游业ＣＯ２排放量进行 自下而上 的测度．具体计算方法如下：Ｃｔ＝ð３ｊ＝１Ｃｔｊ＝Ｃｔ１＋Ｃｔ２＋Ｃｔ３（１）式中，Ｃｔ表示ｔ年旅游业ＣＯ２排放总量（ｇ）；Ｃｔｊ表示ｔ年ｊ部门的ＣＯ２排放量（ｇ）；Ｃｔ１表示ｔ年旅游交通ＣＯ２排放量（ｇ）；Ｃｔ２表示ｔ年旅游住宿ＣＯ２排放量（ｇ）；Ｃｔ３表示ｔ年旅游活动ＣＯ２排放量（ｇ）．Ｃｔ１＝ð３１ｉ＝１Ｃｔｉ１＝ð３１ｉ＝１ð４ｘ＝１Ｑｔｉｘ㊃ｆｘ㊃αｘ（２）式中，Ｃｔｉ１为ｔ年ｉ地区旅游交通ＣＯ２排放量（ｇ）；Ｑｔｉｘ为ｔ年ｉ地区ｘ类交通方式（公路㊁民航㊁铁路㊁水运）的客运周转量（ｐｋｍ）；ｆｘ为ｘ类交通方式的客运周转量中旅游者的比例，本研究参考已有研究成果，根据中国实际情况并结合专家咨询意见确定公路㊁民航㊁铁路和水运的ｆ值分别为１３．８％㊁６４．７％㊁３１．６％和１０．６％（魏艳旭等，２０１２）；aｘ为ｘ类交通方式的ＣＯ２排放因子（ｇ㊃ｐｋｍ－１），公路㊁民航㊁铁路和水运的ＣＯ２排放因子分别为１３３㊁１３７㊁２７和１０６ｇ㊃ｐｋｍ－１（魏艳旭等，２０１２）．Ｃｔ２＝ð３１ｉ＝１Ｃｔｉ２＝ð３１ｉ＝１Ｎｔｉ㊃ｌｔｉ㊃β（３）６８１１３期王凯等：基于ＳＴＩＲＰＡＴ模型的中国旅游业碳排放影响因素分析式中，Ｃｔｉ２为ｔ年ｉ地区旅游住宿ＣＯ２排放量（ｇ）；Ｎｔｉ为ｔ年ｉ地区旅游饭店客房床位数；ｌｔｉ为ｔ年ｉ地区旅游饭店平均客房使用率；β为每张床位每晚的ＣＯ２排放因子，取值为２．４５８ｇ㊃床－１㊃晚－１（石培华等，２０１１）．Ｃｔ３＝ð３１ｉ＝１Ｃｔｉ３＝ð３１ｉ＝１ð４ｓ＝１Ｐｔｉｓ㊃γｓ（４）式中，Ｃｔｉ３为ｔ年ｉ地区旅游活动ＣＯ２排放量（ｇ）；Ｐｔｉｓ表示ｔ年ｉ地区进行ｓ类型旅游活动的游客人数；γｓ为进行ｓ类型旅游活动的ＣＯ２排放因子（ｇ㊃人－１）；观光旅游㊁商务旅游㊁休闲度假旅游㊁探亲访友旅游和其他类型的旅游活动的ＣＯ２排放因子分别为４１７㊁７８６㊁１６７０㊁５９１和１７２ｇ㊃人－１（石培华等，２０１１）．２．１．２㊀ＳＴＩＲＰＡＴ模型㊀本研究采用Ｙｏｒｋ等（２００３）提出的ＳＴＩＲＰＡＴ模型为分析工具，该模型是在人文因素与环境影响之间的恒等式ＩＰＡＴ基础上发展起来的．传统的Ｋｕｚｎｅｔｓ曲线仅考虑了经济增长而忽视了其他因素对环境的影响．为解释多影响因素背景下经济增长对环境的影响，Ｅｈｒｌｉｃｈ等（１９７１）提出了ＩＰＡＴ模型，认为影响环境状况（Ｉ）的人文因素主要有３种：人口规模（Ｐ）㊁富裕程度（Ａ）和技术水平（Ｔ），但该模型仅能得到自变量对因变量的等比例影响关系，因而实际应用中常使用在ＩＰＡＴ等式基础上扩展得到的非线性ＳＴＩＲＰＡＴ模型．ＳＴＩＲＰＡＴ模型可以克服Ｋａｙａ等式和ＩＰＡＴ模型中 各因素等比例影响环境状况 假设的不足，而且也允许对各人文因素进行适当的分解，是对ＩＰＡＴ模型的修正和扩展（Ｙｏｒｋｅｔａｌ．，２００３）．其具体形式如下所示：Ｉ＝ａＰｂＡｃＴｄε（５）式中，Ｉ㊁Ｐ㊁Ａ㊁Ｔ分别表示环境压力㊁人口规模㊁富裕程度和技术水平的表征值；ａ为模型的系数；ｂ㊁ｃ㊁ｄ分别是人口㊁富裕度㊁技术等人文因素的指数；ε为模型误差．在实际应用中，为了通过回归分析确定有关参数，通常将式（５）进行对数化处理：ｌｎＩ＝ｌｎａ＋ｂ（ｌｎＰ）＋ｃ（ｌｎＡ）＋ｄ（ｌｎＴ）＋ｌｎε（６）以ｌｎＩ作为因变量，ｌｎＰ㊁ｌｎＡ㊁ｌｎＴ作为自变量，对模型（６）进行多元线性拟合．根据弹性系数概念，Ｐ㊁Ａ㊁Ｔ每发生１％的变化，将分别引起Ｉ发生ｂ％㊁ｃ％和ｄ％的变化．２．１．３㊀模型扩展及指标选取㊀结合旅游业的实际情况，综合考虑研究的全面性和数据的可获取性，本研究对ＳＴＩＲＰＡＴ模型进行了扩展，选取显著代表旅游业碳排放水平的ＣＯ２排放量作为被解释变量，并且对相关自变量也进行了相应的分解和改进．首先，人口因素以旅游接待人次来表征，因为旅游接待人次越多，ＣＯ２排放量就越大；其次，富裕度指标以人均旅游收入来度量，一个地区人均旅游收入越高，则所消耗的能源越多，ＣＯ２排放量也越高；第三，技术指标用旅游业ＣＯ２排放强度表征，ＣＯ２排放强度是指单位旅游收入所产生的ＣＯ２排放量，该指标反映能源的利用效率，一个地区旅游业ＣＯ２排放强度越低，则技术水平越高，ＣＯ２排放量越少；最后，由于旅游过程中的ＣＯ２排放主要分为 旅游交通 ㊁ 旅游住宿 及 旅游吸引物与相关旅游活动 ３个部门（Ｂｅｃｋｅｎｅｔａｌ．，２００３），考虑到不同旅游部门ＣＯ２排放量的差异性，且旅游交通部门是旅游系统内部能源消耗与碳排放最主要也是密度最高的部门（Ｇöｓｓｌｉｎｇｅｔａｌ．，２００５；Ｌｉｕｅｔａｌ．，２０１１），本研究引入旅游部门碳排放结构这一与ＣＯ２排放密切相关的变量，以旅游交通ＣＯ２排放量占整个旅游业ＣＯ２排放总量的比重来表征．其他条件相同时，旅游交通产生的ＣＯ２占旅游业ＣＯ２排放总量比值越高，旅游业ＣＯ２排放量越大．在此基础上，分别对中国及其东㊁中㊁西部地区构建ＳＴＩＲＰＡＴ模型，具体如下：Ｉｉｔ＝αＰβ１ｉｔＡβ２ｉｔＴβ３ｉｔＳβ４ｉｔεｉｔ（７）式中，Ｉｉｔ为旅游业ＣＯ２排放总量，即环境影响表征值（万ｔ）；α为常数；Ｐｉｔ表示旅游接待人次（万人次）；Ａｉｔ表示旅游经济发展水平，用人均旅游收入表示，其中，各区域旅游收入折算为１９９５年可比价（元㊃人－１）；Ｔｉｔ为旅游业ＣＯ２排放强度，以旅游业ＣＯ２排放量与旅游收入之比表示（ｋｇ㊃万元－１）；Ｓｉｔ为旅游部门碳排放结构，以旅游交通ＣＯ２排放量占旅游业ＣＯ２排放总量的比重表征；εｉｔ为模型随机项，ｉ和ｔ分别表示区域和年份．为了检验各影响因素对旅游业ＣＯ２排放量的影响，对式（７）两边取对数，得：ｌｎＩｉｔ＝ｌｎα＋β１ｌｎＰｉｔ＋β２ｌｎＡｉｔ＋β３ｌｎＴｉｔ＋β４ｌｎＳｉｔ＋ｌｎεｉｔ（８）式中，β１㊁β２㊁β３㊁β４为弹性系数，表示当Ｐ㊁Ａ㊁Ｔ㊁Ｓ每变化１％时，分别引起Ｉ发生β１％㊁β２％㊁β３％㊁β４％的变化．为考察旅游经济发展水平与旅游业ＣＯ２排放量之间是否存在倒Ｕ型环境Ｋｕｚｎｅｔｓ曲线，将模型（８）的自变量ｌｎＡｉｔ分解成ｌｎＡｉｔ与（ｌｎＡｉｔ）２两项（王立猛等，２００８），模型调整为：７８１１环㊀㊀境㊀㊀科㊀㊀学㊀㊀学㊀㊀报３７卷ｌｎＩｉｔ＝ｌｎα＋β１ｌｎＰｉｔ＋β２１ｌｎＡｉｔ＋β２２（ｌｎＡｉｔ）２＋㊀㊀㊀β３ｌｎＴｉｔ＋β４ｌｎＳｉｔ＋ｌｎεｉｔ（９）式中，β２１㊁β２２分别为人均旅游收入对数及其对数二次项的系数．如果β２２值为负，就说明存在倒Ｕ型环境Ｋｕｚｎｅｔｓ曲线，即存在环境开始改善的人均旅游收入状态值．２．２㊀数据来源本研究的基础数据来源于１９９６ ２０１５年‘中国旅游统计年鉴“及其副本㊁‘中国国内旅游抽样调查资料“㊁‘入境游客抽样调查资料“㊁‘中国人口和就业统计年鉴“㊁‘中国交通年鉴“和‘新中国六十年统计资料汇编“及各省区旅游业年度统计报告等，部分缺失数据采用相邻年份数值进行线性插补．其中，旅游收入以１９９５年为价格基期，采取１９９６ ２０１５年‘第三产业统计年鉴“的价格指数进行修正，剔除了通货膨胀的影响因素．各类交通方式的ＣＯ２排放因子㊁客流量中旅游者的比例㊁每张床位每晚的ＣＯ２排放因子及旅游活动的ＣＯ２排放系数引自国内外已有研究成果．３㊀结果与分析（Ｒｅｓｕｌｔｓａｎｄａｎａｌｙｓｉｓ）３．１㊀旅游业ＣＯ２排放量的变化趋势如图１所示，１９９５ ２０１４年，中国旅游业ＣＯ２排放总量从２１０２．４６９ˑ１０４ｔ增加至１０７６７．５５６ˑ１０４ｔ，翻了近５倍，总体上呈现出持续增长的态势．这主要是由于经济的快速发展和旅游规模的不断扩大导致了旅游业ＣＯ２排放量的不断上升．从变动幅度来看，１９９５ ２００３年间旅游业ＣＯ２排放量增长缓慢，年均增长率为８．６２１％；２００３ ２０１４年间个别年份ＣＯ２排放量有所下降，但整体上增速明显加快，年均增长率高达９．２３７％．其中，２００９年的排放总量增幅最大，较上年增长了２０．４６４％，增加量为１６６０．８３６ˑ１０４ｔ；２０１３年相对上一年减少了１４．４１９％，减少量为１６５０．３７５ˑ１０４ｔ，为整个研究期内减少幅度最大的一年．从区域格局上看，东部地区旅游业ＣＯ２排放量在过去２０ａ间始终处于着主导地位，占全国的比重大致保持在５０％左右，其变动趋势与全国旅游业ＣＯ２排放总量的变动趋势基本一致：１９９５ ２００３年间排放量变化不大，２００３ ２０１４年间急速增长．中㊁西部地区旅游业ＣＯ２排放量增长速度则相对较为均衡，年均增长率保持在１２％左右，除２００９年西部地区ＣＯ２排放量相对于上一年度增长幅度显著放大之外，二者大体保持着同步增长的态势．这主要是西部地区的部分省市当年开通了多条热门旅游航线，旅游接待规模得以迅速扩大，旅游交通等部门ＣＯ２排放量大幅上升所致．图１㊀１９９５—２０１４中国旅游业ＣＯ２排放量变化趋势Ｆｉｇ．１㊀ＣｈａｎｇｅｔｒｅｎｄｏｆＣＯ２ｅｍｉｓｓｉｏｎｓｆｒｏｍｔｏｕｒｉｓｍｉｎＣｈｉｎａｆｒｏｍ１９９５ｔｏ２０１４３．２㊀旅游业ＣＯ２排放变动影响因素的变化趋势由图２可知，除在２００３年主要由于ＳＡＲＳ病毒影响出现下降以外，中国旅游接待人次在过去２０ａ间持续上升．接待总量翻了１３倍多，年均增长率高达１４．７３０％．与此同时，全国旅游接待人次阶段性特征明显：１９９５ ２００３年旅游接待人次增长相对平缓，２００３年以后增长幅度明显加大．从区域结构上看，三大地带的旅游接待人次变动趋势大体相同．其中，东部地区除在２００３年和２０１４年出现负增长以外，其旅游接待人次整体上呈增长态势，而且旅游接待总量始终占据了全国的１／２，但年均增长率略低于全国水平，为１３．２６５％；中部地区除２００３年和２００５年为负增长以外，其余各年均为正增长，年均增长率为１５．９４４％；西部地区旅游接待人次仅在１９９８年和２００３年略有下降，其余各年均为正增长，年均增长率高达１６．４１２％，为三大地带中的最高值．整体上看，中国人均旅游收入变动较大，２０１４年的人均旅游收入较１９９５年增长了近３４．６倍．其中，以１９９７年的增量最为显著，较前年增加了约８６．０２２％．研究期内，东部地区人均旅游收入最高，大致为全国人均旅游收入的２倍左右；中部地区人均旅游收入最低，仅为全国人均旅游收入的５０％左右．从变动趋势上看，东部地区人均旅游收入除在少数年份出现小幅下降以外，总体上保持着持续增长，年平均增长率为１７．３４９％；中部地区人均旅游收入增长最快，年平均增长率高达２７．８５１％，其中，１９９７８８１１３期王凯等：基于ＳＴＩＲＰＡＴ模型的中国旅游业碳排放影响因素分析年的增长幅度达到了１９０．９３０％；西部地区人均旅游收入除在２００４ ２００６年出现一个倒Ｕ型的小幅波动以外，其变动趋势与中部地区差异不大，年均增长率为２４．７６８％．图２㊀１９９５ ２０１４年中国旅游接待人次及人均旅游收入变化趋势Ｆｉｇ．２㊀ＣｈａｎｇｅｔｒｅｎｄｏｆｔｈｅｎｕｍｂｅｒｏｆｔｏｕｒｉｓｔｓａｎｄｔｏｕｒｉｓｍｉｎｃｏｍｅｐｅｒｃａｐｉｔａｉｎＣｈｉｎａｆｒｏｍ１９９５ｔｏ２０１４㊀㊀图３显示，除２００４年和２００９年出现小幅上升以外，中国旅游业ＣＯ２排放强度从１９９５年的８９３．５０６ｋｇ㊃万元－１下降至２０１４年的１１９．７４０ｋｇ㊃万元－１，年平均下降速率为１０．０３８％，整体下降趋势明显．其中，１９９７年的降幅最大，高达３３２．６１９ｋｇ㊃万元－１．分而言之，中部地区旅游业ＣＯ２排放下降趋势最为显著，其旅游业ＣＯ２排放强度从研究基期的１８７２．４４２ｋｇ㊃万元－１下降到研究期末的８０．３４９ｋｇ㊃万元－１，年平均下降速率高达１５．２７１％；东部地区旅游业ＣＯ２排放强度下降幅度最小，从６２４．０６０ｋｇ㊃万元－１下降到１４３．５５２ｋｇ㊃万元－１，年平均下降率仅为７．４４３％；西部地区从１９５５．０３５ｋｇ㊃万元－１下降到１０４．２５７ｋｇ㊃万元－１，年平均下降率１４．２９７％．图３㊀１９９５ ２０１４中国旅游业ＣＯ２排放强度及旅游交通ＣＯ２排放占比变化趋势Ｆｉｇ．３㊀ＣｈａｎｇｅｔｒｅｎｄｏｆＣＯ２ｉｎｔｅｎｓｉｔｙｏｆｔｏｕｒｉｓｍａｎｄｐｅｒｃｅｎｔａｇｅｏｆＣＯ２ｅｍｉｓｓｉｏｎｓｆｒｏｍｔｏｕｒｉｓｍｔｒａｎｓｐｏｒｔｉｎＣｈｉｎａｆｒｏｍ１９９５ｔｏ２０１４㊀㊀旅游交通ＣＯ２排放所占比重整体呈波动上升趋势，但其变动幅度维持在一个相对稳定的水平范围９８１１环㊀㊀境㊀㊀科㊀㊀学㊀㊀学㊀㊀报３７卷内，上升幅度不如人均旅游收入明显，年均增长率仅为０．５９７％．其中，东部地区旅游交通ＣＯ２排放所占比重上升最为显著，年平均增长率达到１．１８６％；研究期内，中部地区旅游交通ＣＯ２排放所占比重曾持续下降，但在区域旅游经济快速发展的拉动下，２０１４年又上升至７６．４３０％，与１９９５年大体持平；西部地区旅游交通ＣＯ２排放所占比重相对较高，但其旅游业碳排放的部门结构在波动中逐步改善，尽管２００４年旅游交通ＣＯ２排放所占比重增幅极大，达到了４．１５５％，１９９８㊁２０００㊁２００１㊁２００７和２００８年也出现了不同程度的上升，但其年均增长率仍为负值，２０１４年较１９９５年下降了７．３１３％．３．３㊀ＳＴＩＲＰＡＴ模型结果分析根据收集到的指标数据，以线性ＳＴＩＲＰＡＴ方程为模型，运用ＳＰＳＳ２０．０软件对式（９）以最小二乘法进行回归，并进一步计算各自变量的方差膨胀因子（ＶＩＦ）．结果显示，只有旅游交通ＣＯ２排放占比的ＶＩＦ值小于１０，其余４个自变量ＶＩＦ值均远远大于１０，并且全国人均旅游收入对数系数和人均旅游收入对数二次项系数的方差膨胀因子高达３８１．３７７和１２１２．７７４（表１），说明变量之间存在严重的多重共线性．因此，普通最小二乘法拟合的结果无法得到可靠保证，不宜用其进行无偏估计．表１㊀不同区域各变量的ＶＩＦ值Ｔａｂｌｅ１㊀ＶＩＦｖａｌｕｅｓｏｆｆａｃｔｏｒｓｉｎｄｉｆｆｅｒｅｎｔｒｅｇｉｏｎｓ变量不同区域各变量的ＶＩＦ值全国东部地区中部地区西部地区ｌｎＰ１８５．７２８５６．６６８１８８．３０８１０２．９８３ｌｎＡ３８１．３７７３８２．３５０１６９．２６９１６２．４２８（ｌｎＡ）２１２１２．７７４６４６．３８１８５９．０１５５２２．６３０ｌｎＴ３３．６２７１２．５５０５３．９２８４３．６９１ｌｎＳ８．３９７９．９６７１．１０２２．２５７为克服自变量间的多重共线性问题，采用岭回归分析对模型（９）进行拟合．岭回归估计是一种专用于共线性数据分析的有偏估计方法，它通过放弃最小二乘法的无偏性，以损失部分信息㊁降低精确度为代价来获得更符合实际㊁更稳定可靠的回归系数．因此，岭回归方法实际上是一种改良的最小二乘法，其所得剩余标准差比最小二乘法回归要大，但对病态数据的耐受性更强（姜磊等，２０１１）．结合相应旅游碳排放影响因素的指标数据对式（９）进行岭回归分析，岭回归系数Ｋ在（０，１）区间，以步长为０．０１进行取值．运行程序逐一进行模型可决系数和变量系数的估算，得到岭回归Ｋ值与相应系数的变化结果．可以判断当Ｋ＝０．１９㊁０．１９㊁０．２１㊁０．１７时，各地区自变量回归系数变化趋于平稳，具体的岭回归估计结果如表２所示．从中可知，岭回归系数除常数项和ｌｎＳ通过了５％的显著性水平检验之外，其他变量均通过了１％的显著性水平检验，Ｒ２都大于０．９６０，整体拟合极好，因而模型（９）能较好地解释旅游业ＣＯ２排放量与其影响因素之间的关系．表２㊀不同区域各驱动因素弹性系数Ｔａｂｌｅ２㊀Ｅｌａｓｔｉｃｉｔｙｃｏｅｆｆｉｃｉｅｎｔｏｆｄｒｉｖｉｎｇｆａｃｔｏｒｓｉｎｄｉｆｆｅｒｅｎｔｒｅｇｉｏｎｓ变量回归系数全国（Ｋ＝０．１９）东部地区（Ｋ＝０．１９）中部地区（Ｋ＝０．２１）西部地区（Ｋ＝０．１７）常量０．２５１０．２１１０．４２００．１６３（０．０００）（０．００４）（０．０００）（０．０９２）ｌｎＰ０．２５９０．２３３０．１３７０．３１５（０．０００）（０．０００）（０．０００）（０．０００）ｌｎＡ０．１５６０．２３３０．２８７０．１９０（０．００１）（０．０００）（０．０００）（０．０００）（ｌｎＡ）２０．２５９０．１６７０．２７９０．３１３（０．００１）（０．００５）（０．０００）（０．０００）ｌｎＴ－０．１１５－０．１０５－０．２９０－０．１３０（０．０００）（０．０００）（０．００３）（０．００３）ｌｎＳ０．２２５０．２３９０．０１３０．０７９（０．０３５）（０．０２９）（０．０４３）（０．０４０）Ｒ２０．９８６０．９９３０．９９３０．９６１㊀㊀注：括号内为相应统计量的ｐ值．从岭回归结果来看，模型模拟效果不仅显著，而且非常符合实际情况．由表２可知，全国及各区域旅游接待人次㊁人均旅游收入和旅游交通ＣＯ２排放占比的增加均会促进旅游业ＣＯ２排放量的增加，而旅游业ＣＯ２排放强度的下降则会对旅游业ＣＯ２排放起减量作用．同时，人均旅游收入对数的二次项系数都为正值，即在观测数据范围内，人均旅游收入与旅游业ＣＯ２排放量之间没有表现出环境Ｋｕｚｎｅｔｓ曲线所预示的关系，这说明旅游经济的发展并未带来旅游业ＣＯ２排放减少的拐点，同时也反映出中国各地区的旅游经济发展与环境保护尚未实现协同发展．不同区域各影响因素对旅游业ＣＯ２排放量的影响存在差异．在全国的ＳＴＩＲＰＡＴ模型中，旅游接待人次是旅游业ＣＯ２排放量的最重要影响因素，旅游接待人次每增加１％，全国旅游业ＣＯ２排放量将增加０．２５９％，这是由旅游者对资源的绝对需求所决定的；旅游交通ＣＯ２排放占比是全国旅游业ＣＯ２排放０９１１３期王凯等：基于ＳＴＩＲＰＡＴ模型的中国旅游业碳排放影响因素分析的又一重要增量因素，其排放占比每提高１％，全国旅游业ＣＯ２排放量将增加０．２２５％；人均旅游收入是影响旅游业ＣＯ２排放的第三大因素，旅游经济发展需要消耗大量的资源，这势必导致ＣＯ２排放的增加，但由于其系数较小，影响程度相对有限；而旅游业ＣＯ２排放强度对ＣＯ２排放量有较大的负驱动影响，旅游业ＣＯ２排放强度每减少１％，则ＣＯ２排放量减少０．１１５％．在东部地区的ＳＴＩＲＰＡＴ模型中，旅游交通ＣＯ２排放占比对旅游业ＣＯ２排放量的影响最大，其排放占比每增加１％，旅游业ＣＯ２排放量将增加０．２３９％，因而优化东部地区旅游业碳排放的部门结构显得尤为迫切；旅游接待人次和人均旅游收入对旅游业ＣＯ２排放量的影响较大，这是因为东部地区旅游经济总量和旅游者对能源消费的需求都较高，东部地区旅游经济发展水平和产业素质相对较高：２０１４年人均旅游收入高达８６１４．１８８元，但仍低于达到拐点所需的最低人均旅游收入水平，因而该地区旅游业的快速发展仍将导致ＣＯ２排放量的不断增加；东部地区旅游业ＣＯ２排放强度对ＣＯ２排放量的影响最小，ＣＯ２排放强度每下降１％，旅游业ＣＯ２排放量将减少０．１０５％．中部地区的ＳＴＩＲＰＡＴ模型中，回归系数绝对值从高到低排序依次为：旅游业ＣＯ２排放强度（０．２９０）㊁人均旅游收入（０．２８７）㊁旅游接待人次（０．１３７）和旅游交通ＣＯ２排放占比（０．０１３）．显然，旅游业ＣＯ２排放强度的影响最为显著，说明近年来中部地区低碳技术水平不断提高．然而，ＣＯ２排放强度并不能完全反映出减排工作是否有效，只有当ＣＯ２排放强度的下降速率高于ＣＯ２排放量的增长速率时，才能真正实现绝对减排（何建坤等，２００４）．通过对中部地区１９９５ ２０１４年间旅游业ＣＯ２排放强度和ＣＯ２排放量进行指数拟合，发现ＣＯ２排放强度的下降速率为１３．１９６，Ｒ２为０．９０２；ＣＯ２排放量的上升速率是９．１６６，Ｒ２为０．９２８．这说明中部地区旅游业ＣＯ２排放强度的降低对行业减排的积极作用已经显现．西部地区的ＳＴＩＲＰＡＴ模型中，旅游接待人次对旅游业ＣＯ２排放量的影响最为显著，旅游接待人次每增加１％，旅游业ＣＯ２排放量将增加０．３１５％；旅游交通ＣＯ２排放占比对旅游业ＣＯ２排放量的影响最不显著，其排放占比每增加１％，旅游业ＣＯ２排放量仅增加０．０７９％；相比于东㊁中部地区，西部地区旅游经济发展对能源消费的依赖程度偏低，人均旅游收入每提高１％，旅游业ＣＯ２排放量仅增加０．１９０％；旅游业ＣＯ２排放强度对旅游业ＣＯ２排放也起着重要作用，其ＣＯ２排放强度每下降１％，旅游业ＣＯ２排放量将减少０．１３０％；旅游业ＣＯ２排放强度的降低对碳减排起到了积极的作用，但因其系数较小，仍不足以抵消旅游接待人次㊁人均旅游收入㊁旅游交通ＣＯ２排放占比等其他因素引起的ＣＯ２排放增量．４㊀结论（Ｃｏｎｃｌｕｓｉｏｎｓ）１）研究期内，中国各区域均面临着旅游业ＣＯ２排放量持续增加的压力，其中，东部地区旅游业ＣＯ２排放量在全国始终占据着主导地位．旅游业ＣＯ２排放量从１９９５年的２１０２．４６９ˑ１０４ｔ增加至２０１４年的１０７６７．５５６ˑ１０４ｔ，总排放量增加了近５倍，年均增长率高达９．２３７％．２）不同区域各影响因素对旅游业ＣＯ２排放量的作用强度差异显著．其中，人均旅游收入对中国旅游业碳减排压力的弹性变化区间最小，仅从０．１５６变化到０．２８７；旅游交通ＣＯ２排放占比的弹性变化区间最大，其ＣＯ２排放占比每提高１％，东部地区旅游业ＣＯ２排放总量将提高０．２３９％，而中部地区仅提高０．０１３％．３）旅游经济增长是影响旅游业ＣＯ２排放量的重要因素，人均旅游收入对数的二次项系数为正，分析结果不支持环境Ｋｕｚｎｅｔｓ曲线的观点．即在观测数据范围内，旅游经济增长与ＣＯ２排放之间不存在倒Ｕ型环境Ｋｕｚｎｅｔｓ曲线关系，说明我国各区域旅游经济与环境保护之间尚未实现协调㊁均衡发展，旅游经济发展对生态环境的压力仍将不断增大．这给我国旅游业碳排放敲响了警钟，同时也昭示着转变中国旅游经济增长方式，实现中国旅游业经济由高消耗型向循环节约型增长方式转变的必要性和紧迫性．参考文献（Ｒｅｆｅｒｅｎｃｅｓ）：ＢａｌｅžｅｎｔｉｓＴ，Ｋｒｉšｃ㊅ｉｕｋａｉｔｉｅｎｅᶄＩ，ＢａｌｅžｅｎｔｉｓＡ，ｅｔａｌ．２０１２．ＲｕｒａｌｔｏｕｒｉｓｍｄｅｖｅｌｏｐｍｅｎｔｉｎＬｉｔｈｕａｎｉａ（２００３⁃２０１０）：Ａｑｕａｎｔｉｔａｔｉｖｅａｎａｌｙｓｉｓ［Ｊ］．ＴｏｕｒｉｓｍＭａｎａｇｅｍｅｎｔＰｅｒｓｐｅｃｔｉｖｅｓ，１５（６）：１⁃６ＢｅｃｋｅｎＳ，ＳｉｍｍｏｎｓＤＧ，ＦｒａｍｐｔｏｎＣ．２００３．Ｅｎｅｒｇｙｕｓｅａｓｓｏｃｉａｔｅｄｗｉｔｈｄｉｆｆｅｒｅｎｔｔｒａｖｅｌｃｈｏｉｃｅｓ［Ｊ］．ＴｏｕｒｉｓｍＭａｎａｇｅｍｅｎｔ，２４（３）：２６７⁃２７７ＢｙｒｎｅｓＴＡ，ＷａｒｎｋｅｎＪ．２００６．Ｇｒｅｅｎｈｏｕｓｅｇａｓｅｍｉｓｓｉｏｎｓｆｒｏｍｍａｒｉｎｅｔｏｕｒｓ：ＡｃａｓｅｓｔｕｄｙｏｆＡｕｓｔｒａｌｉａｎｔｏｕｒｂｏａｔｏｐｅｒａｔｏｒｓ［Ｊ］．ＪｏｕｒｎａｌｏｆＳｕｓｔａｉｎａｂｌｅＴｏｕｒｉｓｍ，１４（３）：２５５⁃２７０ＣａｄａｒｓｏＭＡ，ＧóｍｅｚＮ，ＬóｐｅｚＬＡ，ｅｔａｌ．２０１４．Ｃａｌｃｕｌａｔｉｎｇｔｏｕｒｉｓｍᶄｓｃａｒｂｏｎｆｏｏｔｐｒｉｎｔ：Ｍｅａｓｕｒｉｎｇｔｈｅｉｍｐａｃｔｏｆｉｎｖｅｓｔｍｅｎｔｓ［Ｊ］．Ｊｏｕｒｎａｌｏｆ１９１１环㊀㊀境㊀㊀科㊀㊀学㊀㊀学㊀㊀报３７卷ＣｌｅａｎｅｒＰｒｏｄｕｃｔｉｏｎ，（９）：１９ＤａｗｓｏｎＪ，ＳｔｅｗａｒｔＥＪ，ＬｅｍｅｌｉｎＨ，ｅｔａｌ．２０１０．ＴｈｅｃａｒｂｏｎｃｏｓｔｏｆｐｏｌａｒｂｅａｒｖｉｅｗｉｎｇｔｏｕｒｉｓｍｉｎＣｈｕｒｃｈｉｌｌ，Ｃａｎａｄａ［Ｊ］．ＪｏｕｒｎａｌｏｆＳｕｓｔａｉｎａｂｌｅＴｏｕｒｉｓｍ，１８（３）：３１９⁃３３６ＥｈｒｌｉｃｈＰＲ，ＨｏｌｄｅｎＪＰ．１９７１．Ｉｍｐａｃｔｏｆｐｏｐｕｌａｔｉｏｎｇｒｏｗｔｈ［Ｊ］．Ｓｃｉｅｎｃｅ，１７１：１２１２⁃１２１７ＥｉｊｇｅｌａａｒＥ，ＴｈａｐｅｒＣ，ＰｅｅｔｅｒｓＰ．２０１０．Ａｎｔａｒｃｔｉｃｃｒｕｉｓｅｔｏｕｒｉｓｍ：Ｔｈｅｐａｒａｄｏｘｅｓｏｆａｍｂａｓｓａｄｏｒｓｈｉｐ， ＬａｓｔＣｈａｎｃｅＴｏｕｒｉｓｍ ａｎｄｇｒｅｅｎｈｏｕｓｅｇａｓｅｍｉｓｓｉｏｎｓ［Ｊ］．ＪｏｕｒｎａｌｏｆＳｕｓｔａｉｎａｂｌｅＴｏｕｒｉｓｍ，１８（３）：３３７⁃３５４ＥｌＨａｎａｎｄｅｈＡ．２０１３．Ｑｕａｎｔｉｆｙｉｎｇｔｈｅｃａｒｂｏｎｆｏｏｔｐｒｉｎｔｏｆｒｅｌｉｇｉｏｕｓｔｏｕｒｉｓｍ：ＴｈｅｃａｓｅｏｆＨａｊｊ［Ｊ］．ＪｏｕｒｎａｌｏｆＣｌｅａｎｅｒＰｒｏｄｕｃｔｉｏｎ，５２：５３⁃６０ＦｉｌｉｍｏｎａｕＶ，ＤｉｃｋｉｎｓｏｎＪ，ＲｏｂｂｉｎｓＤ．２０１４．Ｔｈｅｃａｒｂｏｎｉｍｐａｃｔｏｆｓｈｏｒｔ⁃ｈａｕｌｔｏｕｒｉｓｍ：ＡｃａｓｅｓｔｕｄｙｏｆＵＫｔｒａｖｅｌｔｏＳｏｕｔｈｅｒｎＦｒａｎｃｅｕｓｉｎｇｌｉｆｅｃｙｃｌｅａｎａｌｙｓｉｓ［Ｊ］．ＪｏｕｒｎａｌｏｆＣｌｅａｎｅｒＰｒｏｄｕｃｔｉｏｎ，６４：６２８⁃６３８ＧöｓｓｌｉｎｇＳ，ＰｅｅｔｅｒｓＰ，ＣｅｒｏｎＪＰ，ｅｔａｌ．２００５．ＴｈｅＥｃｏ⁃ｅｆｆｉｃｉｅｎｃｙｏｆＴｏｕｒｉｓｍ［Ｊ］．ＥｃｏｌｏｇｉｃａｌＥｃｏｎｏｍｉｃｓ，５４（１０）：４１７⁃４３４ＧöｓｓｌｉｎｇＳ．２００２．Ｇｌｏｂａｌｅｎｖｉｒｏｎｍｅｎｔａｌｃｏｎｓｅｑｕｅｎｃｅｓｏｆｔｏｕｒｉｓｍ［Ｊ］．ＧｌｏｂａｌＥｎｖｉｒｏｎｍｅｎｔａｌＣｈａｎｇｅ，１２（４）：２８３⁃３０２何建坤，刘滨．２００４．作为温室气体排放衡量指标的碳排放强度分析［Ｊ］．清华大学学报（自然科学版），４４（６）：７４０⁃７４３ＨｏｗｉｔｔＯＪＡ，ＲｅｖｏｌＶＧＮ，ＳｍｉｔｈＩＪ，ｅｔａｌ．２０１０．ＣａｒｂｏｎｅｍｉｓｓｉｏｎｓｆｒｏｍｉｎｔｅｒｎａｔｉｏｎａｌｃｒｕｉｓｅｓｈｉｐｐａｓｓｅｎｇｅｒｓᶄｔｒａｖｅｌｔｏａｎｄｆｒｏｍＮｅｗＺｅａｌａｎｄ［Ｊ］．ＥｎｅｒｇｙＰｏｌｉｃｙ，３８（５）：２５５２⁃２５６０姜磊，季民河．２０１１．基于ＳＴＩＲＰＡＴ模型的上海市能源消费影响因素研究［Ｊ］．上海环境科学，（６）：２４０⁃２４４ＪｏｎｅｓＣ．２０１３．Ｓｃｅｎａｒｉｏｓｆｏｒｇｒｅｅｎｈｏｕｓｅｇａｓｅｍｉｓｓｉｏｎｓｒｅｄｕｃｔｉｏｎｆｒｏｍｔｏｕｒｉｓｍ：Ａｎｅｘｔｅｎｄｅｄｔｏｕｒｉｓｍｓａｔｅｌｌｉｔｅａｃｃｏｕｎｔａｐｐｒｏａｃｈｉｎａｒｅｇｉｏｎａｌｓｅｔｔｉｎｇ［Ｊ］．ＪｏｕｒｎａｌｏｆＳｕｓｔａｉｎａｂｌｅＴｏｕｒｉｓｍ，２１（３）：４５８⁃４７２ＫｅｌｌｙＪ，ＷｉｌｌｉａｍｓＰＷ．２００７．Ｍｏｄｅｌｌｉｎｇｔｏｕｒｉｓｍｄｅｓｔｉｎａｔｉｏｎｅｎｅｒｇｙｃｏｎｓｕｍｐｔｉｏｎａｎｄｇｒｅｅｎｈｏｕｓｅｇａｓｅｍｉｓｓｉｏｎｓ：Ｗｈｉｓｔｌｅｒ，ＢｒｉｔｉｓｈＣｏｌｕｍｂｉａ，Ｃａｎａｄａ［Ｊ］．ＪｏｕｒｎａｌｏｆＳｕｓｔａｉｎａｂｌｅＴｏｕｒｉｓｍ，１５（１）：６７⁃９０ＬｉｕＪ，ＦｅｎｇＴＴ，ＹａｎｇＸ．２０１１．ＴｈｅｅｎｅｒｇｙｒｅｑｕｉｒｅｍｅｎｔｓａｎｄｃａｒｂｏｎｄｉｏｘｉｄｅｅｍｉｓｓｉｏｎｓｏｆｔｏｕｒｉｓｍｉｎｄｕｓｔｒｙｏｆＷｅｓｔｅｒｎＣｈｉｎａ：ａｃａｓｅｏｆＣｈｅｎｇｄｕｃｉｔｙ．ＲｅｎｅｗａｂｌｅａｎｄＳｕｓｔａｉｎａｂｌｅＥｎｅｒｇｙＲｅｖｉｅｗｓ，１５（６）：２８８７⁃２８９４Ｍａｒｔíｎ⁃ＣｅｊａｓＲＲ，ＲａｍíｒｅｚＳáｎｃｈｅｚＰＰ．２０１０．Ｅｃｏｌｏｇｉｃａｌｆｏｏｔｐｒｉｎｔａｎａｌｙｓｉｓｏｆｒｏａｄｔｒａｎｓｐｏｒｔｒｅｌａｔｅｄｔｏｔｏｕｒｉｓｍａｃｔｉｖｉｔｙ：ＴｈｅｃａｓｅｆｏｒＬａｎｚａｒｏｔｅＩｓｌａｎｄ［Ｊ］．ＴｏｕｒｉｓｍＭａｎａｇｅｍｅｎｔ，３１（１）：９８⁃１０３ＰａｔｔｅｒｓｏｎＭ，ＭｃＤｏｎａｌｄＧ．２００４．ＨｏｗＣｌｅａｎａｎｄＧｒｅｅｎｉｓＮｅｗＺｅａｌａｎｄＴｏｕｒｉｓｍ［Ｍ］．Ｌｉｎｃｏｌｎ：ＭａｎａｋｉＷｈｅｎｕａ．５６⁃５９ＰｅｅｔｅｒｓＰ，ＳｃｈｏｕｔｅｎＦ．２００６．ＲｅｄｕｃｉｎｇｔｈｅｅｃｏｌｏｇｉｃａｌｆｏｏｔｐｒｉｎｔｏｆｉｎｂｏｕｎｄｔｏｕｒｉｓｍａｎｄｔｒａｎｓｐｏｒｔｔｏＡｍｓｔｅｒｄａｍ［Ｊ］．ＪｏｕｒｎａｌｏｆＳｕｓｔａｉｎａｂｌｅＴｏｕｒｉｓｍ，１４（２）：１５７⁃１７１石培华，吴普．２０１１．中国旅游业能源消耗与ＣＯ２排放量的初步估算［Ｊ］．地理学报，６６（２）：２３５⁃２４３陶玉国，张红霞．２０１１．江苏旅游能耗和碳排放估算研究［Ｊ］．南京社会科学，（８）：１５１⁃１５６陶玉国，黄震方，吴丽敏，等．２０１４．江苏省区域旅游业碳排放测度及其因素分解［Ｊ］．地理学报，６９（１０）：１４３８⁃１４４８ＴｈｅＵＮＷｏｒｌｄＴｏｕｒｉｓｍＯｒｇａｎｉｚａｔｉｏｎ（ＵＮＷＴＯ）．２００９．Ｔｏｗａｒｄｓａｌｏｗｃａｒｂｏｎｔｒａｖｅｌａｎｄｔｏｕｒｉｓｍｓｅｃｔｏｒ［Ｒ］．ＴｈｅＷｏｒｌｄＥｃｏｎｏｍｉｃＦｏｒｕｍ．Ｃｏｐｅｎｈａｇｅｎ．３⁃３６王立猛，何康林．２００８．基于ＳＴＩＲＰＡＴ模型的环境压力空间差异分析 以能源消费为例［Ｊ］．环境科学学报，２８（５）：１０３２⁃１０３７王立国，廖为明，黄敏，等．２０１１．基于终端消费的旅游碳足迹测算 以江西省为例［Ｊ］．生态经济（学术版），（５）：１２１⁃１２４；１６８ＷｅａｖｅｒＤ．２０１１．Ｃａｎｓｕｓｔａｉｎａｂｌｅｔｏｕｒｉｓｍｓｕｒｖｉｖｅｃｌｉｍａｔｅｃｈａｎｇｅ？［Ｊ］．ＪｏｕｒｎａｌｏｆＳｕｓｔａｉｎａｂｌｅＴｏｕｒｉｓｍ，１９（１）：５⁃１５魏艳旭，孙根年，马丽君，等．２０１２．中国旅游交通碳排放及地区差异的初步估算［Ｊ］．陕西师范大学学报（自然科学版），４０（２）：７６⁃８４ＷｈｉｔｔｌｅｓｅａＥＲ，ＯｗｅｎＡ．２０１２．Ｔｏｗａｒｄｓａｌｏｗｃａｒｂｏｎｆｕｔｕｒｅ⁃ｔｈｅｄｅｖｅｌｏｐｍｅｎｔａｎｄａｐｐｌｉｃａｔｉｏｎｏｆＲＥＡＰｔｏｕｒｉｓｍ：Ａｄｅｓｔｉｎａｔｉｏｎｆｏｏｔｐｒｉｎｔａｎｄｓｃｅｎａｒｉｏｔｏｏｌ［Ｊ］．ＪｏｕｒｎａｌｏｆＳｕｓｔａｉｎａｂｌｅＴｏｕｒｉｓｍ，２０（６）：８４５⁃８６５谢园方，赵媛．２０１２．长三角地区旅游业能源消耗的ＣＯ２排放测度研究［Ｊ］．地理研究，３１（３）：４２９⁃４３８肖建红，于爱芬，王敏．２０１１．旅游过程碳足迹评估 以舟山群岛为例［Ｊ］．旅游科学，２５（４）：５８⁃６６ＹｏｒｋＲ，ＲｏｓａＥＡ，ＤｉｅｔｚＴ．２００３．ＳＴＩＲＰＡＴ，ＩＰＡＴａｎｄＩｍＰＡＣＴ：Ａｎａｌｙｔｉｃｔｏｏｌｓｆｏｒｕｎｐａｃｋｉｎｇｔｈｅｄｒｉｖｉｎｇｆｏｒｃｅｓｏｆｅｎｖｉｒｏｎｍｅｎｔａｌｉｍｐａｃｔｓ［Ｊ］．ＥｃｏｌｏｇｉｃａｌＥｃｏｎｏｍｉｃｓ，２３：３５１⁃３６５袁宇杰，蒋玉梅．２０１３．基于投入产出分析的旅游碳排放核算 以山东省为例［Ｊ］．湖南经济管理干部学院学报，７（３）：１⁃５，８赵先超，朱翔．２０１３．湖南省旅游业碳排放的初步估算及脱钩效应分析［Ｊ］．世界地理研究，２２（１）：１６６⁃１７５，１２９２９１１。
基于扩展的STIRPAT模型的中国碳排放强度影响因素研究
中国工业碳排放与经济增长的关系研究--基于STIRPAT模型
中国工业碳排放与经济增长的关系研究--基于STIRPAT模型吴英姿;都红雯;闻岳春【摘要】A stochastic impacts by regression on population affluence and technology (STIRPAT) model is proposed to inves-tigate the economic development impacts on CO2 emission and its main factors on the basis of Chinese industrial panel data grouped by the characteristics of carbon emission from 1995 to 2010. It shows that the relation curve of China’s industrial car-bon emission and the economic output behaves U-shaped, and the turning point of high emission intensity industry has less economic output than that of low emission intensity industry. The capital stock has a greater positive effect on carbon emission than that of labor. The investment on scientific research is conducive to the carbon reduction of high emission intensity indus-try,and the adjustment of fossil energy consumption structure cannot promote the carbon emission reduction of industry.%文章基于改进的STIRPAT模型，以1995-2010年按碳排放特征分组的中国工业面板数据为样本，实证研究了我国工业碳排放与经济增长关系及其主要影响因素。
东北三省的碳排放分析及预测——基于STIRPAT模型
东北三省的碳排放分析及预测——基于STIRPAT模型东北三省是中国的重要工业基地之一，其经济发展水平对于全国的碳排放量具有较大的影响。
本文将基于STIRPAT模型对东北三省（辽宁、吉林、黑龙江）的碳排放进行分析与预测。
首先，我们需要定义STIRPAT模型。
STIRPAT模型是指“人口×经济收入×技术水平×碳强度”模型，它用来分析和预测碳排放量。
在这个模型中，人口和经济收入是碳排放的主要推动因素，而技术水平和碳强度则是对碳排放的抑制因素。
针对东北三省的碳排放分析，我们首先需要收集相关数据，包括人口数量、工业增加值、能源消费量、碳排放量等。
然后，通过计算各项指标的变化率以及相关系数，我们可以对碳排放的影响因素进行初步分析。
在东北三省的碳排放中，人口数量是一个重要因素。
辽宁、吉林、黑龙江三省的人口数量在近年来都呈现不同程度的负增长。
这意味着人口数量对碳排放的推动作用有所减弱。
此外，由于经济结构的调整，东北三省的经济收入增速也在下降。
虽然经济收入仍然是碳排放的重要推动因素，但增速的下降也减缓了碳排放的增长速度。
另外，技术水平和碳强度也对碳排放产生影响。
在过去的几年里，东北三省加大了环保技术的研发和应用，并推动了能源结构的调整。
这也导致了碳强度的下降，即单位经济产出所排放的碳量减少。
这一因素的作用在一定程度上抵消了人口和经济收入对碳排放的推动作用，有助于降低碳排放量。
在预测东北三省的碳排放量时，我们可以使用STIRPAT模型对未来的人口数量、经济收入、技术水平和碳强度进行预测。
根据过去几年的数据趋势，我们可以预计，人口数量将继续保持负增长，经济收入增速将继续下降，技术水平会进一步提高，碳强度将继续降低。
综合分析这些因素的影响，预测东北三省的碳排放量在未来几年内有可能保持稳定或略微下降的趋势。
需要指出的是，以上分析和预测仅仅是基于STIRPAT模型，并没有考虑到其他可能的影响因素，比如政策调整、能源价格变动等。
基于扩展STIRPAT模型的我国建筑业碳排放影响因素研究
这表明， 中 国 的 建 筑 能 源 消 费 约 占 全 球 能 源 消 费 总 量
的 ６ ％， 建 筑 业 面 临 着 巨 大 的 二 氧 化 碳 减 排 压 力 。 研
Ｋａ ｙ ａ恒 等 式 将 ＣＯ 排 放 量 分 解 为 与 人 类 生 产 生 活 相 关 的 四大 要 素 ， 以 此 来 研 究 人 类 活 动 与 碳 排 放 之 间 的 关 系 。 变 形 后 的 Ｋａ ｙ ａ恒 等 式 被 广 泛 运 用 到 建 筑 碳 排 放 影 响 因 素 的 分 析 中 。 结 合 我 国 建 筑 业 的 实 际 情况 ， 考 虑城 市 化 因 素 对 建 筑碳 排 放 的影 响 ， 本 文 在
基 于扩 展 Ｓ Ｔ Ｉ ＲＰ Ａ Ｔ模 型 的 我 国建 筑 业碳 排 放 影 响 因素 研 究
口 李 爽 陶 东 夏 青
（ 中 国 矿 业 大 学 管 理 学 院 ， 江 苏 徐 州 ２ ２ １ １ １ ６ ）
［ 摘 要 ］利 用 扩 展 的 Ｋａ ｙ ａ 恒 等式 分 解 出 五 个 具 体 指 标 ， 运用 Ｓ ＴＩ ＲＰ ＡＴ 模 型 框 架 作 为 基 础 ， 选 择岭 回归方法 定量分 析 了
受宏 观经济 变量的影 响， 研 究 发 现 居 住 者 的 生 活 方 式、 生 活水 平 ， 以及 能 源 价 格 ， 都 对 建 筑 能 源 消 费 具 有
产 业规 模 、 人 均 ＧＤＰ、 城 市 化 水 平 以 及 城 市 人 口规 模 。
考 虑 城市 人 口规 模 本 身 就 是 城 市 化 水 平 的一 个 重 要指 标 ， 在 计 算 模 型 时 会产 生很 强 的共 线 性 ， 所 以 本 文删 除 了城 市 人 口规 模 这 一 变 量 指 标 。为 消 除异 方差 ， 直接 获得 各解 释 变量 的影 响程 度 ， 在 扩 展 的
技术进步对二氧化碳排放的影响分析--基于静态和动态面板数据模型
技术进步对二氧化碳排放的影响分析--基于静态和动态面板数据模型李沙沙;牛莉【摘要】深入研究技术进步对节能减排的作用，对于协调中国经济发展和环境保护的关系具有重要的现实意义。
本文基于2000～2011年中国30个省份的面板数据，分别应用静态和动态面板数据模型，考察技术进步对二氧化碳排放的影响。
静态和动态面板数据模型都表明前一期技术进步能够显著地减少本期二氧化碳排放，技术进步对节能减排有显著的作用，但是技术进步对节能减排的作用有一定的时滞。
因此，中国应该加大研发投入，鼓励技术创新，加快技术扩散的速度。
%An empirical analysis of the role of technology advance on energy-saving and emission-abating is significant for coordinating the relationship between economic development and environmental protection in China.Based on the panel data of 30 provinces in China from 2000 to 2011,this paper uses the static and dynamic panel data models respectively to probes into the impact of technology advance on carbon dioxide(CO2 )emissions.It can be concluded that both the static and dynamic panel data models show that the previous technology can significantly reduce current CO2 emissions,in other words,technology advance has important effects on energy-saving and emission-abating.However,the impacts of technology advance on energy-saving and emission-abating are of a certaindelay.Therefore,Chinese should increase investment in research and development,encourage technological innovation,accelerate the rate oftechnology diffusion and prepare for the development of low-carbon economy.【期刊名称】《经济与管理研究》【年(卷),期】2014(000)010【总页数】8页(P19-26)【关键词】技术进步;碳排放;面板数据模型【作者】李沙沙;牛莉【作者单位】东北财经大学产业组织与企业组织研究中心，大连市，116025;东北财经大学产业组织与企业组织研究中心【正文语种】中文【中图分类】X196改革开放以来，中国经济发展取得了长足的进步。
基于STIRPAT模型的区域城市化碳排放影响因素差异分析
基于STIRPAT模型的区域城市化碳排放影响因素差异分析赵涛;张思聪【摘要】研究7种不同城市化因素对二氧化碳排放的影响,包括人口、经济、能源强度、能源结构、能源清洁度,服务水平和研发强度,采用基于FE-DK回归模型的STIRPAT模型来评估不同元素对中国三大区域(高度城市化、发展中城市化和城市化相对落后区域)的碳排放影响.结果表明,服务业水平在高度城市化地区的产业发展中发挥着越来越重要的作用.此外,发展中的城市化地区人口因素的影响高于其他2个地区.同时,在城市化相对落后地区,提高化石燃料的使用效率比其他地区更为重要.总体而言,经济城市化是影响3个地区碳排放的最重要影响因素.具体的解决方案取决于不同区域的具体情况.【期刊名称】《甘肃科学学报》【年(卷),期】2019(031)003【总页数】6页(P125-130)【关键词】二氧化碳排放;城市化;区域差异分析;扩展的STIRPAT模型【作者】赵涛;张思聪【作者单位】天津大学管理与经济学部,天津 300072;天津大学管理与经济学部,天津 300072【正文语种】中文【中图分类】F205作为世界上最大的发展中国家,中国自1978年改革开放以来,实现了经济的快速增长以及城市化进程的加速发展。
目前中国已成为世界第二大经济体,同时也是碳排放量最大的国家。
预计到2020年,中国碳排放量将占世界碳排放总量的三分之一,并在2025—2030年期间达到峰值。
中国政府承诺到2020年,每单位GDP产生的碳排放量要削减60%～65%左右。
此外,“十三五”国民经济与社会发展规划纲要明确表示,在“十三五”期间要完成能源消耗降低15%,能源强度降低18%的减排目标。
而城市地区对整个中国碳排放总量贡献率为75.5%,这也意味着城市化的发展给节能减排带来了巨大的压力和挑战[1]。
综上,中国在城市化进程中的减排形势非常严峻,因此,研究城市化对碳排放的影响有助于政府制定一系列相对应的政策来实现节能减排的目标。
中国发展低碳经济的影响因素研究基于扩展的STIRPAT模型分析_孙敬水
碳排放主要源于石化能源的消耗，但碳排放量的增减不能简单地归结于石化能源消耗，因为碳排 放量的变化还受到人口规模、经济发展水平、能源强度、单位能耗碳排放量以及能源消费结构、产业结 构、城市化水平、国际贸易分工等因素的影响。
（ 一） 变量的选择 本文选择的被解释变量为碳排放总量、人均碳排放量，解释变量包括以下几个方面。 1． 人口规模（ P） 。一般来说，人口规模对碳排放量具有正向影响。首先，人口越多，使用和消耗 的能源就越多，所产生的碳排放量也就越大。其次，人口增长不可避免地改变自然生态环境，增加了 碳排放量。但也有例外，随着收入水平和技术水平的提高，人们对优质环境的需求增加，社会的环境 保护意识以及减少碳排放和改善环境质量的能力也随之提升，这会使得人口规模对碳排放产生负向 影响。 2． 经济发展水平（ A） 。经济发展离不开大量煤炭、石油等石化能源的投入和使用，而能源消费 的增加必然会促进碳排放量的增加。我国目前刚进入工业化的中期阶段，处在能源消费需求快速增 长时期，碳排放量在今后较长的一段时期内还会随着经济发展而增加。 3． 能源强度（ T） 。能源强度是以单位国内生产总值的能源消费量来表征能源系统的投入产出
［摘 要］深入探讨发展低碳经济的主要影响因素，对转变经济发展方式、建设资源节约型和环境友好型社会 有着重要的理论和现实意义。因此，基于扩展的 STIRPAT 模型，利用 1990 年—2009 年统计数据，对我国发展低碳 经济的主要影响因素及其贡献率进行了实证研究。结果表明，人均国内生产总值、人口规模、单位能耗碳排放量、 能源消费结构等对碳排放量有显著的正向影响，而产业结构、城市化水平、国际贸易分工对碳排放量影响不显著； 其中人均国内生产总值持续增长是碳排放量增加的最大正向影响因素，且其贡献率也最大； 能源强度变动是碳排 放量增加的最大负向影响因素，其对碳排放量的增加具有一定的抑制作用。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
Ｍａ ｒ ． ２ ０１ ３ Ｖｂ１ ． ２３ Ｎｏ ． ２
一 经济学
基于 Ｓ Ｔ Ｉ Ｒ Ｐ Ａ Ｔ模型 的 中国二氧 化碳排放影 响因素 动态 冲击效应分析
任 晓松 ，赵 涛
（ 天津大学 管理与经济学部，天津 ３ ０ ０ ０ ７ ２ ）
摘 要： 基于 Ｓ Ｔ Ｉ Ｒ Ｐ ＡＴ模型 ，确 定二氧化碳排放 的影 响因素是人 口数量 、人均 Ｇ Ｄ Ｐ和技术水平。本文采 用Ｖ ＡＲ模 型估计 了中国 １ ９ ７ ８ ． ２ ０ １ １ 年间中国二氧化碳排放影 响因素动态冲击效应 。研 究结果发现 ，二氧化碳排放 和人 口、人均 Ｇ Ｄ Ｐ 、技术水平之 间存在稳定 的动态影响关系 。人均 Ｇ ＤＰ 、技术水平始 终对二氧化碳排放起着正 向 冲击效应 。人 口因素先对二氧化碳排起着 负向冲击效应 ，而后起着 正向冲击 效应 。短期 内自身和人均 Ｇ Ｄ Ｐ的贡献 率 较 大 ，长 期 来 看 ，人 口增 长 的 贡 献 率最 大 。 关键词 ：二氧化碳排放；Ｓ Ｔ Ｉ Ｒ Ｐ Ａ Ｔ；Ｖ ＡＲ模型 ；脉冲响应 ；方差分析 中图 分 类 号 ： Ｘ１ ９ ６ 文 献标 识码 ： Ａ 文章编号： １ ０ ０ ８ ． ４ ７ ２ Ｘ（ ２ ０ １ ３ ） ０ ２ — ０ ０ ５ ５ — ０ ７
收 稿 日期 ： ２ ０ １ ３ ． １ — ２ ９
作者简介：任晓松 （ １ ９ ８ ０ ． ），男，山西运城人 ，天津大学管理与经济学部博士生，研究方向为低碳 经济 ； 赵 涛 （ １ ９ ６ ０ 一 ），男，吉林长春人 ，天津大学管理与经济学部教授 ，研究方 向为低碳经济。
—
Ｌ
— Ｌ
５５ Biblioteka Ｒ ｏ ｓ ａ 和 Ｙｏ ｒ ｋ和提 出了基 于 Ｉ Ｐ ＡＴ模 型 的随机 回归影 响模 型［ １ ３ － １ ａ 】 ，即 Ｓ Ｔ Ｉ Ｒ Ｐ ＡＴ模 型 ：
Ｉ ｔ ＝ ａ ｐ ：
，
¨
其 中 ，Ｉ 代表 二氧化 碳排 放量 ，Ｐ代 表人 口，Ａ 代表 人均 财 富， Ｔ代 表技 术水 平 ，这 三个 变量均 是 二氧化碳排放量的驱动因素， ｔ 为相应年份，ｅ 为随机干扰项， ａ 为常数项， ｂ ， Ｃ 和ｄ 分别为 Ｐ（ 人口）、 Ａ （ 富裕度 ）和 Ｔ （ 技 术水平 ）对应 的系数 。 为克 服 了 Ｉ Ｐ Ａ Ｔ模型等 比例 的 限制 ，同时 由于 Ｓ Ｔ Ｉ Ｒ Ｐ Ａ Ｔ模型 是非线 性 的 ，不便 进行 回归 分析计 算 ， 通常 对该 模型两 边取 对数 ，使其 线性 化 ，线 性化 的 Ｓ Ｔ Ｉ Ｒ Ｐ Ａ Ｔ模型 较为 灵活如 下 ： ｎ Ｉ ＝ ｂ Ｌ ｎ Ｐ， ＋ ｃ Ｌ ｎ Ａ， ＋ ｄ Ｌｎ Ｔ ＋ ｅ （ ２ ）
Ｖ ＡＲ模型 估计 中 国 １ ９ ７ ８ ． ２ ０ １ １ 年 间 中国二氧 化碳 排放 影 响因素 动态冲 击 效应 。
分析框架 和模型构建
（ 一 ） 分析 框 架 。
Ｅ ｈ ｒ ｌ ｉ ｃ ｈ和 Ｈｏ ｌ ｄ ｒ ｅ ｎ提 出了 Ｉ Ｐ Ａ Ｔ模型 ，将诸 多环 境影 响 的驱动 因素 归结 为三个 主要方 面 ，人 口、富 裕度 和技 术水 平 ］ 。但 由于 Ｉ Ｐ ＡＴ模 型 中 自变 量都 是等 比例变 动 ，不 符合客 观实 际 的情况 。因此 ， Ｄｉ ｅ ｔ ｚ ，
郭朝先采用 Ｌ Ｍ Ｄ １分解技术分析 了中国二氧化碳排放影响因 。Ｃ ｈ ａ ｎ ｇ采用 多变 量协 整和格 兰杰 检验 分析 中 国二氧 化碳 排放 、能源 消 费和经 济增 长 的相关 关系 ］ 。Ｌ ｏ ｔ ｆ ａ ｌ ｉ Ｆ Ｉ ｏ ｕ ｒ Ｍ Ｒ等 采用 Ｔ ｏ ｄ ａ － Ｙ ａ ｍａ ｍｏ ｔ ｏ模 型分
一
、
日 ｌ Ｊ 吾
能源 消 耗 引起 的 二氧化碳 排 放 已经 造 成 了全 球气 候异 常和 环境 恶化 等一 系列 问题 ， 成 为学 界关注 的
热 点 问题 。其 中探寻 二氧 化碳 及其影 响 因素之 间 关系成 为热 点研 究方 向之 一 。
Ａ ｎ ｇ Ｊ Ｂ采 用 协整和 向量 误差 修正模 型研 究法 国二氧化 碳排 放 、能源 消耗和 经济 增长 之 间的动态 因 果关 系…。林伯 强采用 Ｌ ＭＤＩ 和 Ｓ Ｔ Ｉ Ｒ Ｐ ＡＴ模 型分 析 了 中国二氧 化碳 影 响因素 ，并且 预测 了库 兹涅 茨 曲
采用 Ｊ ｏ ｈ ａ ｎ ｓ ｅ ｎ协 整 检 验 和格 兰 杰 因果 关 系检 验 分 析 了希 腊 Ｇ ＤＰ 、能 源 强度 和 二 氧 化碳 排 放 的 因果 关
系［ １ Ｉ 】 。
本文 基于 Ｓ Ｔ Ｉ Ｒ Ｐ ＡＴ模 型 ，确定 二氧化 碳排 放 的影 响因素 是人 口数 量 、人 均 Ｇ Ｄ Ｐ和 技术 水平 ，采用
析 了伊 朗经济 增长 、二氧化 碳排 放和 化石 能源 消耗之 间 的因果 关系 Ｌ ８ ｊ 。 Ｍｅ ｎ ｙ ａ ｈ研 究 了南非经 济增 长 、二 氧化 碳排 放和 能源 消耗 量之 间 的因果关 系 Ｊ 。Ｃ ｈ ａ ｎ ｇ采用 多变 量协整 和格 兰杰 因果 关系检 验分 析 了拉丁 美 洲和加 勒 比海地 区 ２ ０个 国家 的能源 消耗 、 经济 增长 和二 氧化 碳排 放之 问 的因果关 系¨ … 。 Ｈａ ｔ ｚ ｉ ｇ ｅ ｏ ｒ ｇ ｉ ｏ ｕ
２ ０ １ ３年 ３月 第２ ３卷 第 ２期
西 安 电子科 技 大学学 报 （ 社会 科学 版 ）
Ｊ ｏ ｕ ｒ ｎ ａ ｌ ｏ ｆ Ｘｉ ｄ ｉ ａ ｎ Ｕｎ ｉ ｖ ｅ ｒ ｓ ｉ ｔ ｙ （ Ｓ ｏ ｃ ｉ ａ ｌ Ｓ ｃ ｉ ｅ ｎ ｃ ｅ Ｅ ｄ ｉ ｔ ｉ ｏ ｎ ）