中國2030年碳排放強度減排潛力測算

屈超+陳甜

摘要中國正面臨嚴峻的環境問題，2013年中國的CO2排放量超過了歐盟和美國的總和，同時中國的人均CO2排放量首次超過歐洲。2015年在巴黎國際氣候大會上中國政府宣布碳排放強度減排目標為：2030年單位國內生產總值CO2排放比2005年下降60%-65%。按照IPCC（2007）CO2排放核算方法計算的數據，近年來中國CO2排放情況總體呈排放量逐年上升但排放強度總體下降的態勢。為了進一步估計中國2030年CO2排放強度，本文構建了IPAT模型，利用全國30個省1995-2012年數據進行擬合，并采用最小二乘法和螢火蟲優化算法分別計算了IPAT模型的參數，發現與傳統最小二乘法相比，螢火蟲算法優化后的模型顯示出更高的擬合優度和更低的誤差，模型系數也更為合理。文章在螢火蟲優化的IPAT模型基礎上估算了中國2030年的CO2排放強度，實證結果顯示，第三產業的發展有利于降低CO2排放強度；2030年全國CO2排放強度比2005年下降了66.34%，其中有20個省份CO2排放強度減排幅度超過60%；中國能夠實現在2015巴黎國際氣候大會上提出的碳減排目標。為了進一步發展低碳經濟，各省應該充分重視經濟轉型對減少CO2排放的作用，改善以煤炭為主的能源消費結構，增加生物能、太陽能、風能、沼氣等可再生資源的使用比重。

關鍵詞碳排放強度；IPAT模型；螢火蟲優化算法

中圖分類號F124.5 F224文獻標識碼A文章編號1002-2104（2016）07-0062-08doi：10.3969/j.issn.1002-2104.2016.07.008

應對氣候變化已經成為全世界共同面臨的環境挑戰，減少CO2排放，實行低碳發展已經成為全球各國的共識。中國的碳排放量情況不容樂觀，全球碳計劃（Global Carbon Project）于2014年9月公布的2013年度全球碳排放數據顯示，2013年全球人類活動CO2排放量達到360億t，人均碳排放量達到5 t，而中國碳排放量超過歐盟和美國的總和，同時中國的人均CO2排放量首次超過歐洲，達7.2 t。中國正在積極應對氣候變化，2015年中國政府在巴黎國際氣候大會上宣布碳排放強度減排目標為：2030年單位國內生產總值CO2排放比2005年下降60%-65%。本文將使用中國官方數據建立相應模型檢驗中國能否實現碳減排目標。

1文獻綜述

碳排放的主要測算方法有：情景預測法[1-2]、環境庫茲涅茲曲線[2-5]、灰色預測[6-7]、IPAT模型還有一些組合預測等方法。

從碳排放的測算方法角度看，IPAT模型能夠簡便、可行地描述人文驅動力對環境壓力的影響，自其構建以來得到了相關領域研究人員的廣泛認可：丁勝、溫作民[8]用IPAT模型研究了長三角地區碳排放影響因素；宋曉輝等[9]基于IPAT擴展模型分析了五個典型國家人口因素對碳排放的影響；龍愛華等[10]用IPAT模型分析了中國水足跡的影響因素，分解了人類活動對中國水系統的環境影響；席細平等[11]利用IPAT模型測算出江西省碳排放峰值到達的時間約在2032-2035年之間；焦文獻和陳興鵬[12]利用IPAT模型分析了甘肅省能源碳排放量中人類活動的影響，并測算了甘肅省2020年碳排放情況；聶銳等[13]利用IPAT模型和“脫鉤”理論，對江蘇省未來中長期的經濟發展、能源需求與CO2排放進行了情景分析。此外，一些學者在IPAT模型的基礎上嘗試使用IPAT的改進模型如STIRPAT模型[14-15]、IGT模型[16]進行測算，并獲得了一些研究成果。

使用IPAT模型進行CO2排放測算的現有研究成果，大多采用傳統最小二乘法估計模型參數，忽視了模型參數優化的重要性；此外，現有成果的研究對象主要集中于2009年哥本哈根國際氣候大會上提出的減排目標，鮮有對2015年巴黎國際氣候大會減排目標的驗證和測算。本文將螢火蟲優化算法和最小二乘法估算的模型參數結果進行對比，以期對CO2排放強度進行更精準的估算，并據此判斷中國是否能夠實現巴黎國際氣候大會的減排目標。

2國內CO2排放現狀及各省CO2排放特點2.1CO2排放量計算方法

屈超等：中國2030年碳排放強度減排潛力測算中國人口·資源與環境2016年第7期根據IPCC[17]第四次評估報告，溫室氣體增加的主要原因是化石燃料燃燒，IPCC給出了CO2排放量的計算公式，見公式（1）。

Tco2ij=∑ni=1{（Aij-Sij）eici×10-3}Oi×4412（1）

式中，Tco2ij表示第j省i種能源CO2排放量，Aij表示第j省i種能源實際消費量，即能源轉換部門（供熱、供電）使用量與終端7個部門消費量之和（農林牧漁業、工業、建筑業、交通倉儲郵電業、批發零售餐飲業、生活消費、其它）；Sij表示第j省第i種能源非燃燒使用量（工業上作為原料、材料）；ei表示第i種能源低位發熱量；ci表示第i種能源的單位熱值含碳量；Oi表示第i種能源的氧化率。

本文使用公式（1）計算中國各省份（不包含中國港澳臺地區）1995-2012年碳排放量。各省份17種化石能源消耗量數據來源于《中國能源統計年鑒》，其中，因數據缺失，本文分析中不包含西藏自治區。海南省2002年數據，重慶市1995、1996年數據，寧夏自治區2000-2002年數據缺失，缺失值用線性趨勢插值法補全。

2.2中國CO2排放現狀

2.2.1CO2排放量逐年上升，CO2排放強度總體下降

中國1995-2012年的CO2排放量和CO2排放強度情況如圖1所示。從圖1中我們可以觀察到，中國這十余年來CO2排放量呈逐年上升趨勢，而CO2排放強度則呈總體下降趨勢。

1995-2012年CO2排放量平均增長速度高達6.98%，其增長態勢大體可以2002年為界限分為兩個階段：2002年前的平緩增長期（年均增長1.8%）和2002年后的急劇上升期（年均增長10.26%）。

CO2排放強度的下降過程可分為三個階段，1995-2002年為急速下降期，2002-2005年為上升期，2005-2012年為平穩下降期。

在急速下降期，國有企業產權改革、東南亞經濟危機的爆發帶來短暫的經濟增速放緩以及關停了高能耗、高污染、低效率的“十五小”等因素是CO2排放強度下降的重要原因。此外，1998年1月《中華人民共和國節約能源法》的正式實施，也促進了能源利用效率的提高。這些因素最終導致CO2排放強度歷史性地下降了33.5%。

在上升期，CO2排放強度年均增長率超過4%，這一時期國際經濟形勢好轉，同時2001年我國加入WTO，中國經濟進入了快速發展時期，高能耗產業在這期間發展較快，導致CO2排放強度有所“抬頭”。

在平穩下降期，技術進步對CO2排放強度有明顯的“負影響”[18]。2005年，我國高技術產業增加值位居世界第三；2007年，我國首次超過日本，高技術產業增加值位居世界第二；2009年，我國高技術產業總產值創歷史新高，突破了6萬億元。高技術產業的崛起帶動了經濟的高質量發展，同時碳排放強度開始走“下坡路”。

從圖2可以看出，CO2排放量的區域分布存在明顯差圖1全國碳排放量及碳排放強度圖

Fig.1Carbon emission & intensity of China圖2各區域碳排放量占比

Fig.2Proportion of regional carbon emission

異，東部11個省份的CO2排放量約占全國CO2排放總量的50%，西部11個省份占比相對較小，僅為20%左右，中部8個省份約占30%，2003年以后西部地區的CO2排放量占比逐步上升，東部和中部地區則相應下降。

2.2.2各地區人均CO2排放量逐年增加，但CO2排放強度大多呈下降趨勢

除去北京的人均CO2排放量下降以外，其他各省份人均CO2排放量在逐年增加（見圖3）。內蒙古和寧夏增幅較大，其中內蒙古從1995年3.49 t/人增到2012年24.51 t/人，平均增長速度為12.14%；寧夏從1995年的3.27 t/人增到2012年的19.45 t/人，平均增長速度為11.05%；上海人均CO2排放量平均增長速度較慢，僅為0.64%。

在CO2排放強度方面，全國30個省份除海南和寧夏以外其他省份都呈下降趨勢（見圖4），其中北京CO2排放強度（CO2排放總量除以不變價GDP）下降最多，從1995年3.249 t/萬元下降到1912年0.729 t/萬元，下降幅度達到77.58%；四川次之，下降幅度達到73.28%。下降幅度超過60%的還有天津、吉林、上海、湖南和黑龍江。30個省份平均下降幅度為46.01%。

3模型設定及數據來源

3.1IPAT模型

IPAT模型是美國斯坦福大學人口學家Ehrlich和Holder于1971年針對技術改善環境惡化提出的人文驅動因素對環境影響的模型。IPAT模型的核心公式是I=PAT恒等式，其中I代表環境影響（impact）、P代表人口（population）、A代表富裕程度（affluence）以及T代表技術（technology）。本文用IPAT模型分析中國CO2排放量情況，模型如下：

C=eβ1×Pβ2×Aβ3×Tβ4（2）

其中，C代表各省CO2排放量；P代表各省年末常住人口數；A用人均GDP代表財富程度；T用各省第三產業占比（第三產業占GDP的比重）作為技術進步指標；eβ1為常數項，β2為P的冪指數，β3為A的冪指數，β4為T的冪指數。

3.2螢火蟲優化算法

螢火蟲算法（Firefly Algorithm，FA）是由XinShe Yang在2008年提出的一種高級的啟發式優化算法。其特點是：概念簡單，流程清晰，需要調整的參數較少，并且容易實現。與其他算法相比，螢火蟲算法有更高的尋優精度和收斂速度，是一種有效可行的啟發式優化算法，已經在多個領域得到了應用。

螢火蟲算法的主要原理是把解空間的點看作是螢火蟲，每個螢火蟲都擁有各自的熒光素值和感知半徑。利用熒光素值的大小決定個體位置的優劣，個體的搜索半徑由螢火蟲的感知半徑決定，個體只能在一定的搜索范圍內找尋最優螢火蟲，并向其靠近。螢火蟲通過更新個體位置、更新熒光素值和感知半徑來尋找最亮個體進而實現尋優。

螢火蟲優化算法廣泛運用于各個領域。王改革等[19]基于螢火蟲算法和BP神經網絡模型提出了螢火蟲算法優化的BP神經網絡模型，結果發現這一優化模型的預測誤差明顯小于BP和PSO_SVM。周永權等[20]在研究旅行商問題時將螢火蟲算法和C2Opt算子相結合，得出了一個新的高效人工螢火蟲算法，對比TSP實例測試發現，該算法在較小規模種群、較少次數迭代的情況下仍然可以收斂到最優解。一些學者提出了改進的螢火蟲算法，黃正新等[21]為了解決螢火蟲算法（GSO）優化多模態函數時存在的收斂速度慢和求解精度低等缺陷，提出了一種自適應步圖31995-2012年各省人均碳排放量變化

長優化算法——SASGSO，并且認為這種算法具有操作簡單、易理解、收斂速度快和求解精度高等優點。

3.3數據來源及處理方法

全國各省區生產總值及人均地區生產總值的數據來自于《中國統計年鑒》，以2000年不變價進行折算，1995-1999年全國各省份年人口數來自《新中國60年統計資料匯編》，2000-2014年各省份年末常住人口數來自國家統計局；本文用第三產業增加值和GDP的比值作為第三產業占比。

3.4基于螢火蟲優化的IPAT模型

本文用螢火蟲算法優化IPAT模型參數，將以相對誤差MAPE（擬合值和真實值誤差的絕對值除以真實值的平均值）的最小值作為目標函數，經多次測試發現當螢火蟲種群為200，最大迭代次數為500，初始熒光素濃度為5，感知半徑和決策半徑均為15時優化效果最好，因此本文選取螢火蟲種群為200，最大迭代次數為500，初始熒光素濃度為5，感知半徑和決策半徑均為15，對IPAT模型參數做優化。

用最小二乘法和螢火蟲優化算法分別做了IPAT模型，結果對比如表1。從表1可以看出：

（1）螢火蟲優化后的結果更優。傳統最小二乘法注重的是模型的擬合程度，即擬合優度R2越接近1模型越優，但是卻忽略了擬合值和真實值之間差距的大小；而螢火蟲優化的自適應函數（目標函數）就是擬合值和真實值之間相對誤差絕對值的均值，其目的就是獲得MAPE最小值時的模型參數，因此，利用螢火蟲優化算法可以得到更精確的擬合模型。從表1的結果來看，螢火蟲優化的IPAT模型的MAPE值介于2.2%和14.6%之間，30個省份中有6個省份的MAPE值超過10%，13個省份的MAPE值低于6%；擬合優度R2介于0.732和0.993之間，其中只有5個省擬合優度低于0.9，21個省擬合優度高于0.95，30個省的平均擬合優度為0.945。無論是擬合優度還是MAPE，螢火蟲優化

4.1測算方法

為了驗證2030年能否達到中國政府制定的CO2排放強度減排目標，本文使用螢火蟲算法優化的IPAT模型對2030年CO2排放強度進行測算。對各省份年末常住人口、人均GDP、第三產業占比的增長速度都基于2005-2014年的平均增長速度進行估算，公式如下：

PerPt=PerP0×（1+rP）t（3）

PerGDPt=PerGDP0×（1+rG）t（4）

PerTIGt=PerTIG0×（1+rT）t（5）

其中，PerP0指各省2005年末常住人口數，rP指各省2005-2014年人口平均增長率；PerGDP0指各省2005年人均GDP，rG指各省2005-2014年人均GDP平均增長率；PerTIG0指各省2005年第三產業占比，rT指各省2005-2014年第三產業占比平均增長率。

4.2測算結果及分析

2030年各省CO2排放強度及CO2排放強度下降百分比的測算結果見表2。從表2中可以得到以下結論：

（1）中國可以實現在巴黎氣候大會上承諾的CO2排放強度“減排目標”。從全國來看，預計到2030年全國CO2排放強度為0.774 t/萬元，比2005年下降66.34%（用30個省份GDP占比作為權重，加權平均得到）。證實中國能夠實現CO2排放強度減排目標。

（2）大部分省份CO2排放強度減排幅度達到60%。其中，減排比例在60%以上的有20個省份，20%-60%的有8個省份，CO2排放強度上升的有2個省份。CO2排放強度減排最多的是江蘇，為84.70%；其次是山東，為84.31%。其他在80%以上的有天津、黑龍江、北京、河南。減排比例在70%-80%的有：江西、四川、上海、遼寧、吉林和青海。

（3）內蒙古、貴州、云南三省份CO2排放強度減排幅度較低，CO2排放強度絕對值較高。根據表2估算值內蒙古、貴州、云南這三個省份CO2排放強度下降幅度分別為35.467%、45.467%和30.479%，下降幅度低于目標值，且這三個省份的碳排放強度絕對值高達4.236 t/萬元、4.542 t/萬元和2.763 t/萬元，遠遠高于2030年各省的平均值1.744 t/萬元。

（4）福建省CO2排放強度僅下降20.26%。下降幅度較低的原因是2005年福建省CO2排放強度的基數較小，從圖4可以看出，福建省CO2排放強度在30個省份中處于最低的行列；從絕對值來看，2030年福建省CO2排放強度的估計值為1.455 t/萬元，遠遠低于各省的平均值1.744 t/萬元。

（5）到2030年海南和寧夏兩個省CO2排放強度不降反升，CO2排放強度絕對值較高。海南和寧夏CO2排放強度升高幅度超過了50%。冶金、醫療、機電、建材和煤炭是寧夏的五大支柱產業，重工業的發展無疑會帶來沉重的環境代價，加上經濟發展滯緩最終導致寧夏碳排放強度較高。2030年寧夏CO2排放強度的估算值高達14.439 t/萬元，為全國最高。海南除了旅游業外房地產發展迅速，工業經濟的發展會帶來CO2排放量的增加，2030年海南省CO2排放強度的估算值為2.053 t/萬元，高于全國平均水平。

5總結及建議

為了建立人文驅動因素對環境影響的IPAT模型，本文用各省份年末常住人口數、人均GDP、第三產業占比分別代表人口、富裕程度和技術水平對環境影響指標，使用螢火蟲優化的IPAT模型測算了2030年各省份CO2排放強度，總結如下：

（1）對于全國30個省份，基于螢火蟲優化的IPAT模型比傳統最小二乘法有更高的擬合優度和更低的誤差，因此，本文用基于螢火蟲優化的IPAT模型來模擬了2030年全國30個省份碳排放量及CO2排放強度。

（2）中國能夠實現2015年巴黎國際氣候大會提出的CO2排放強度減排目標。根據模型測算中國2030年CO2排放強度將比2005年下降66.34%。

（3）第三產業發展有利于降低CO2排放強度。螢火蟲算法優化后的IPAT模型顯示27個省份的技術水平參數為負，可見技術水平發展對CO2排放強度下降有一定的“負作用”，經濟轉型迫在眉睫。

從實證結果來看，碳減排強度目標難以實現的幾個省份主要集中在西部地區，這與西部地區經濟、技術落后存在著一定的關系。碳排放強度減排壓力較大的五個省份包括內蒙古、貴州、云南、寧夏、海南，都在不同程度上存在著第三產業發展滯后的問題。對于這些省份來說，在經濟發展過程中應該充分重視經濟轉型對減少CO2排放的重要作用，在優化產業結構的同時優化能源消費結構，改善以煤炭為主的能源消費結構，增加生物能、太陽能、風能、沼氣等可再生資源的使用比重，推進綠色能源消費。

（編輯：劉照勝）

參考文獻（References）

[1]ZHU B，WANG K，CHEVALLIER J，et al. Can China achieve its carbon intensity target by 2020 while sustaining economic growth[J].Ecologic economics，2015，119：209-216.

[2]岳超，王少鵬，朱江玲，等.2050年中國碳排放量的情景預測——碳排放與社會發展Ⅳ[J].北京大學學報（自然科學版），2010，46（4）：517-524.[YUE Chao，WANG Shaopeng，ZHU Jiangling，et al.2050 Carbon emissions projection for China（carbon emissions and social development，Ⅳ）[J].Acta scientiarum naturalium Universitatis Pekinensis，2010，46（4）：517-524.]

[3]CHOW G C， LI J. Environmental Kuznets curve：conclusive econometric evidence for CO2[J].Pacific economic，2014，19：1-7.

[4]易艷春，宋德勇.經濟增長與我國碳排放：基于環境庫茲涅茲曲線的分析[J].經濟體制改革，2011（3）：35-38.[YI Yanchun，SONG Deyong. Economic growth and Chinas carbon emission：based on environmental Kuznets curve analysis[J].Reform of economic system，2011（3）：35-38.]

[5]左文鼎.CO2排放庫茲涅茲曲線（EKC）在中國的檢驗[J].統計與決策，2014（11）：22-24.[ZUO Wending. Carbon emissions library Kuznets curve in China to test[J].Statistics and decision，2014（11）：22-24.]

[6]任曉松，趙國浩.中國工業碳排放及其影響因素灰色預測分析——基于STIRPAT模型[J].北京交通大學學報（社會科學版），2014，13（4）：18-24.[REN Xiaosong，ZHAO Guohao. Gray forecasting of Chinas industrial carbon emissions and its influencing factors： a study based on the STIRPAT model[J].Journal of Beijing Jiaotong University（social sciences edition），2014，13（4）：18-24.]

[7]趙愛文，李東.中國碳排放灰色預測[J].數學的實踐與認識[J].2012，42（4）：61-69.[ZHAO Aiwen， LI Dong.Grey forecast of Chinas carbon dioxide emissions[J].Mathematics in practice and theory，2012，42（4）：61-69.]

[8]丁勝，溫作民.長三角地區碳排放影響因素分析——基于IPAT改進模型[J].技術經濟與管理研究[J].2014（9）：106-109.[DING Sheng， WEN Zuomin. Study on influential factors of carbon emissions in Yangtze river delta：based on IPAT improved model[J].Technology economy and management research，2014（9）：106-109.]

[9]宋曉輝，張欲芬，汪藝梅，等.基于IPAT擴展模型分析人口因素對碳排放的影響[J].環境科學研究，2012，25（1）：109-115.[SONG Xiaohui， ZHANG Yufen， WANG Yimei，et al. Analysis of impacts of demographic factors on carbon emissions based on the IPAT model[J].Research of environmental sciences，2012，25（1）：109-115.]

[10]龍愛華，徐中民，王新華，等.人口、富裕及技術對2000年中國水足跡的影響[J].生態學報，2006，26（10）：3358-3365.[LONG Aihua，XU Zhongmin，WANG Xinhua，et al.Impacts of population，affluence and technology on water footprints in China[J].Acta ecologica Sinica，2006，26（10）：3358-3365.]

[11]席細平，謝運生，王賀禮，等.基于IPAT模型的江西省碳排放峰值預測研究[J].江西科學，2014，32（6）：768-772.[XI Xiping，XIE Yunsheng，WANG Heli，et al.Forecast of Jiangxis carbon emissions to peak based on IPAT model[J].Jiangxi science，2014，32（6）：768-772.]

[12]焦文獻，陳興鵬.基于IPAT等式的甘肅省能源消費碳排放特征分析及情景預測[J].干旱區資源與環境，2012，26（10）：180-184.[JIAO Wenxian，CHEN Xingpeng.The characteristics of carbon emissions of Gansu Province from energy consumption and its scenario analysis based on IPAT identity[J].Journal of arid land resources and environment，2012，26（10）：180-184.]

[13]聶銳，張濤，王迪.基于IPAT模型的江蘇省能源消費與碳排放情景研究[J].自然資源學報，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.]

[14]張樂勤，李榮富，陳素平，等.安徽省1995年-2009年能源消費碳排放驅動因子分析及趨勢預測——基于STIRPAT模型[J].資源科學，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.]

[15]KEISUKE O H I. Greenhouse gas emissions and the role of the Kyoto Protocol[J].Environ econ policy stud，2014，16：325-342.

[16]吳振信.碳排放與經濟增長關系研究[M].北京：經濟科學出版社，2015.[WU Zhenxin. Study on the relationship between the carbon emissions and economic growth[M].Beijing：Economic Science Press，2015.]

[17]IPCC.IPCC fourth assessment report： climate change 2007（AR4）： the physical science basis. contribution of working group I to the fourth assessment report of the intergovernmental panel on climate change [R/EL]. 2007. http：//www.ipcc.ch/publications_and_data/ar4/wg1/en/contents.html.

[18]張兵兵，徐康寧，陳庭強.技術進步對CO2排放強度的影響研究[J].資源科學，2014，36（3）：567-576.[ZHANG Bingbing，XU Kangning，CHEN Tingqiang. The influence of technical progress on carbon dioxide emission intensity[J].Resources science，2014，36（3）：567-576.]

[19]王改革，郭立紅，段紅，等.基于螢火蟲算法優化BP神經網絡的目標威脅估計[J].吉林大學學報（工學版），2013，43（4）：1064-1069.[WANG Gaige，GUO Lihong，DUAN Hong，et al.Target threat assessment using glowworm swarm optimization and BP neural network[J].Journal of Jilin university（engineering and technology edition），2013，43（4）：1064-1069.]

[20]周永權，黃正新.求解TSP的人工螢火蟲群優化算法[J].控制與決策，2012（12）：1816-1821.[ZHOU Yongquan，HUANG Zhengxin. Artificial glowworm swarm optimization algorithm for TSP[J].Control and decision，2012（12）：1816-1821.]

[21]黃正新，周永權.自適應步長螢火蟲群多模態函數優化算法[J].計算機科學，2011，38（7）：220-224.[HUANG Zhengxin，ZHOU Yongquan. Selfadaptive step glowworm swarm optimization algorithm for optimizing multimodal functions[J].Computer science，2011，38（7）：220-224.]

[22]陳詩一.中國碳排放強度的波動下降模式及經濟解釋[J].世界經濟，2011（4）：124-143.[CHEN Shiyi. Chinas carbon intensity fluctuation drop pattern and economic explanation[J].World economy，2011（4）：124-143.]

[23]杜強，陳喬，楊銳.基于Logistic模型的中國各省碳排放預測[J].長江流域資源與環境，2013，22（2）：143-151.[DU Qiang，CHEN Qiao，YANG Rui. Forecast carbon emissions of provinces in China based on Logistic model[J].Resources and environment in the Yangtze Basin，2013，22（2）：143-151.]

[24]劉華軍，趙浩.中國CO2排放強度的地區差異分析[J].統計研究，2012，29（6）：46-50.[LIU Huajun，ZHAO Hao. Empirical analysis of the regional differences of Chinas carbon dioxide emissions intensity[J].Statistical research，2012，29（6）：46-50.]

[25]渠慎寧，郭朝先.基于STIRPAT模型的中國碳排放峰值預測研究[J].中國人口·資源與環境，2010，20（12）：10-15.[QU Shenning，GUO Chaoxian. Forecast of Chinas carbon based on STIRPAT model[J].China population，resources and environment，2010，20（12）：10-15.]

[26]趙玉新，YANG Xinshe，劉利強.新興元啟發式優化方法[M].北京：科學出版社，2013.[ZHAO Yuxin，YANG Xinshe，LIU Liqiang. New metaheuristic optimization methods[M].Beijing：Science Press，2013.]

[27]張國有.經濟發展方式變化對中國碳排放強度的影響[J].經濟研究，2010（4）：120-133.[ZHANG Guoyou. Economic development pattern change impact on Chinas carbon intensity[J].Economic research journal，2010（4）：120-133.]

[28]LIU N，MA Z， KANG J. Changes in carbon intensity in Chinas industrial sector： decomposition and attribution analysis[J].Energy policy，2015，87：28-38.

[29]MOUTINHO V，ROBAINAAlves M， MOTA J. Carbon dioxide emissions intensity of Portuguese industry and energy sector： a convergence analysis and econometric approach[J].Renewable and sustainable energy reviews，2014，40：438-449.

[30]PAO H T，FU H C， TSENG C L. Forecasting of CO2 emission，energy consumption and economic growth in China using an improved grey model[J].Energy，2012，40：400-409.

[31]WISE M，HODSON E L， MIGNONE B K，et al. An approach to computing marginal land use change carbon intensities for bioenergy in policy applications[J].Energy economics，2015，50：337-347.

[32]YU S W，WEI Y M，FAN J，et al. Provincial carbon intensity abatement potential estimation in China：a PSOGAoptimized multifactor environmental learning curve method[J].Energy policy，2015，77：46-55.

[33]YU S W，Wei Y M， FAN J，et al. Exploring the regional characteristics of interprovincial CO2 emissions in China： an improved fuzzy clustering analysis based on particle swarm optimization[J].Applied energy，2012，92：552-562.