市域能源碳排放影響因素分析及減碳機制研究——以福建省為例

蘇 凱,陳毅輝,范水生,張明如

?

市域能源碳排放影響因素分析及減碳機制研究——以福建省為例

蘇 凱1*,陳毅輝1,范水生1,張明如2

(1.福建農林大學安溪茶學院/生命科學學院,福建 福州 350002；2.長江大學經濟學院,湖北 荊州 434023)

選取福建省市域作為研究對象,應用擴展型的STIRPAT-PLS模型對2010~2016年福建省市域碳排放影響因子進行實證分析,探討驅動福建省市域碳排放量增長的主要影響因素和各因素的影響程度,明確碳排放控制的主要領域.結果表明:總人口、城鎮化率、人均GDP、第二產業比重和能源強度對碳排放量增加有正向驅動作用,而第三產業比重對碳排放量增加有負向驅動作用.總人口、城鎮化率以及第二產業比重對碳排放量增長的貢獻最大.據此,建議福建當前及未來時期減碳重點應是采取優化能源結構和促進產業結構升級,加速發展清潔、再生能源與提高能源效率相并重等策略.

碳排放；STIRPAT模型；PLS；市域尺度

中國作為全球最大的碳排放國,已于2015年提交給聯合國氣候變化綱要公約(UNFCCC)的《國家自主貢獻預案》(INDCs)承諾2030年達到碳排放峰值,并盡可能提前達到峰值.由于中國的承諾,引起國際重視,也間接促成了《巴黎協定》的簽署,開創全球碳減排的新紀元[1].然而,是否實現該目標以及碳排放能否提前達到預定峰值皆有賴于全國各地各部門的共同努力.

福建省作為全國首個生態文明試驗區,理所當然要為碳減排做出應有的貢獻.然而福建省的生態環境質量盡管與內陸其他省份相比有其優越性,但是,近年來,福建在不斷推進城鎮化和農業現代化進程中,化石能源的消耗仍持續增長.據報道,2016年福建省能源消費增長較2011年提升19.2%,年均增長3.84%[2],而化石能源消耗是全球CO2排放(下簡稱碳排放)增加的主要因素,在全球溫室氣體排放中CO2占據主導地位[3].因此,如不重視這種能耗方式的轉變,福建省這種生態環境的優越性將很難得以保持,如期實現碳減排目標任重而道遠.實際上,不合理的資源消耗、人為活動以及過多的短效經濟行為已經給福建局部地區生態系統服務功能造成不同程度的影響[4].所以像福建省這種生態資源稟賦相對有限,而且資源消耗,特別是不可更新資源消耗的依賴性仍很大的省份,能耗方式如何向既能保證經濟增長,不斷改善人民生活,又能減少碳排放,保護生態環境質量,以有效應對全球氣候變化的挑戰轉變,是值得我們深入研究的重大課題.

國內外學者對碳排放的驅動因素、碳排放與社會經濟發展之間的關系以及碳減排機制等方面做了大量研究[5-12],這對于探索影響福建省市域碳排放的因素,提高能耗效率具有重要的借鑒意義,但由于各地區的資源稟賦、產業結構以及經濟發展水平等均不相同,即使在省域內部也存在明顯的差異,導致社會經濟發展的路徑選擇不同,進而對碳排放的貢獻力度也截然不同.現有文獻對碳排放的研究主要是以全國層面或省域尺度為主,而以市域或縣域為對象的研究還較少[13-17],所提出的政策建議和措施未必與每個地區的實際情況吻合,無法精確剖析影響碳排放的因素,也難以探究適合本地區的減碳措施和運行機制,從而難以實現碳減排的既定目標,影響區域經濟發展質量.此外,已有研究還表明,影響碳排放因素不是單一因素,而是由多種因素共同作用造成的.現有文獻在定量分析碳排放影響因素的方法選擇中,以STIRPAT模型結合OLS回歸法最多[18-22],然而,也有研究認為這種方法存在著難以克服的多重共線性問題.當模型存在嚴重的多重共線性時,OLS估計量將不具備一致性,造成統計推斷上無法給出真正有用的信息[18].進一步研究指出,在不剔除自變量的前提下解決多重共線性的方法主要有PCA(主成分分析法)、PLS-R (偏最小二乘法回歸)和RR (嶺回歸)[8].其中PLS-R方法是綜合主成分分析(PCA)、典型相關分析(CCA)和多元線性回歸(MLR)等3種分析方法的優勢[5],主要用于研究多因變量對多自變量的回歸建模,特別是當各變量之間存在高度線性相關時,用PLS-R更有效[23].

據此,本研究利用2010~2016年的統計數據,采用擴展型的STIRPAT模型結合PLS-R建立福建省市域碳排放和影響因素之間的定量模型,根據模型中回歸系數大小考察評估因子和碳排放的相互影響及大小排序,確定影響碳減排的關鍵影響因素,以期為城市碳減排策略決策提供科學依據.

1 研究方法與數據采集

1.1 STIRPAT模型及其擴展

可拓展隨機性的環境影響評估模型(STIRPAT)是由Dietz & Rosa[24]發展而來的,該模型能夠克服Kaya恒等式和IPAT模型的“各因素等比例影響碳排放”假設的不足[25],加入了隨機性,分析人口、技術、經濟對碳排放非等比例的影響程度,是對上述模型的修正和擴展[26],通過增減或分解因素[30],可提高模型的分析與解釋能力.

STIRPAT模型的基本形式為:

式中:表示碳排放量;表示人口;表示富裕度;表示技術水平;表示模型系數;表示各變量的指數;表示模型的誤差.

根據眾多學者運用STIRPAT分析各因素對碳排放量的影響研究[8,27-30],本文基于STIRPAT模型的基本特點以及福建省碳排放的現狀,選取總人口、城鎮化率、人均GDP、第二產業比重、第三產業比重及能耗強度6項因素作為自變量,輸出變量為福建省各市域的碳排放量.

人口因素分解為總人口()和城鎮化率()兩個變量.城鎮化率是城鎮人口占總人口的比例,反映出城鎮人口對環境的影響;由于城鎮地區經濟較鄉村地區發達,且基礎設施較為完善,其人均化石能源消費較大,對市域的碳排放影響很大[31-33].富裕度以人均GDP()為代表.人均GDP是一個地區居民富裕程度的重要體現,同時也是造成生態環境問題的驅動力因素之一[27].技術水平涉及多個層面,包括第二產業比重()、第三產業比重()和能耗強度().第二、三產業比重可以反映出一個地區產業結構變化對該地區碳排放的影響,以制造業為基礎的第二產業相比以服務業為主的第三產業消耗更多的資源,尤其是化石能源,二者之間的比重消長變化對碳排放有較大的影響[5].

據此,擴展型的STIRPAT模型為:

式中:各變量的定義如表1所示.

為確定有關參數,對式(2)兩邊做對數處理得到如下等式:

式中:I為碳排放量;P為人口數量;U為城鎮化率;A為人均GDP ;T為第三產業比重;S為能源強度;C為煤炭消費比例;為常數項;121212為彈性系數,表示當變化1%時分別引起碳排放量的變化率.

表1 各變量定義說明

1.2 PLS回歸法

在多元線性回歸中,通常使用最小二乘法來估計回歸系數,以便使得殘差平方和最小.然而,當自變量之間存在多重相關性時,最小二乘估計法往往是無效的.在多元線性回歸分析中,變量之間的多重相關問題非常嚴重,但普遍存在.為了消除這種影響,通常采用主成分分析法,但采用主成分分析法提取的主成分,雖然能較好地概括自變量系統中的信息,但是它會給系統帶來很多無用的噪聲,從而對因變量缺乏解釋能力.因此,本文運用偏最小二乘回歸以解決多元回歸中變量多重共線性和樣本容量較少等實際問題.偏最小二乘回歸的原理、算法以及與其他回歸方法的對比分析,已有諸多文獻呈現[34-35],本文不再詳細闡述.

1.3 碳排放量計算

本研究利用《IPCC國家溫室氣體列表指南》[36]中提供的基準方法,碳排放量由以下公式計算:

式中:代表市域各類化石能源消耗產生的碳排放量;為化石能源的種類;e表示某種化石能源的消耗量;f表示標準煤折算系數(取自《中國能源統計年》),用來將不同類型的能量轉換成標準的煤當量;k是不同化石能源的碳排放系數(取自IPCC參考值);44/12表示CO2與碳的分子量之比.不同類型化石能源的碳排放計算參數如表2所示.

1.4 數據采集

2010~2016年(因2010年以前福建省統計年鑒尚未建立詳細的能源種類消耗指標,使得數據難以獲取)各地區的碳排放量按式(4)的計算公式得到,6項自變量(人口、城鎮化率、人均GDP、第二產業比重、第三產業比重、能耗強度)資料均來自歷年福建省統計年鑒及歷年各地市統計年鑒;此外,為消除價格因素的影響,對GDP 按照2010年可比價格進行重新測算,并據此計算人均GDP和能耗強度.

表2 不同類型化石能源的碳排放計算參數

2 結果分析

2.1 福建省市域碳排放的時間格局特征

根據式(4)的計算公式,2010~2016年的福建省各市域碳排放量如圖1所示.由圖可看出,福建省各地市的碳排放呈現出不同的變化趨勢.依據碳排放增長速度與碳排放量變化的差異,可大致劃分為3種類型:①先升后降型(圖1a),碳排放量呈現出排放先增長后降低的趨勢,代表市域為福州和漳州;兩市以2014年為分界點,碳排放量呈現持續下滑的趨勢,且福州下降的速率優于漳州.②中低速下降型(圖1b),碳排放量為負增長,隨時間推移而呈現下降趨勢,也是福建省各市域中碳排放最為集中的類型,代表市域為廈門(年均增長率為-4.41%)、莆田(年均增長率為-0.22%)、龍巖(年均增長率為-6.67%)、三明(年均增長率為-6.23%)和南平(年均增長率為-3.31%);初步分析,福建省近幾年在控制化石能源消耗,加大力度推進使用清潔能源等方面上做了努力.③中高速增長型(圖1c),該類型初始碳排放量相對較大,中后期仍以中高速率增長,且碳排放年均增長速率顯著高于全省平均水平(1.5%),代表市域為寧德(年均增長率為10.3%)與泉州(年均增長率為11.1%);以2016年為例,寧德、泉州2市的碳排放量就達全省的三分之一,達到36.71%,依賴化石能源的經濟結構特征較為明顯.

2010~2016年,福建省各市域累積碳排放量(表3)前3名分別為:福州(28037×104t)、泉州(23291×104t)和三明(17426×104t),3市累積碳排放量占福建省同期累積碳排放量的一半以上,達到59.08%,對福建省碳排放的貢獻甚大;此外,累積碳排放量最后3名依次為:廈門(6837×104t)、莆田(3980×104t)及南平(2898×104t),它們所累積碳排放量合計為:13715× 104t,只占全省同期累積碳排放量的11.79%.

上述結果與福建省產業結構有著密切相關.據統計,樣本期內福建省第二產業終端能源消費占全省八成以上,且其工業能源消費在能源消費總量中占有絕對地位,如,化工、水泥建材等不僅消耗化石能源最多,且碳排放強度也維持在高位.這表明,雖然碳排放變化會受到同期人口規模、經濟增長、能源消費結構與技術水平等多種驅動因素的綜合影響,但在一定程度上,碳排放量與產業結構有著密切相關.例如,2016年福州、泉州和三明3地規模工業綜合能源消費量依次達到了:1140.44×104tce、5465.53×104tce、1198.11×104tce,分別占福建省規模工業能源消耗量比重的9.2%、44.2%與9.7%;近幾年,泉州的第二產業比重持續維持在60%左右(最高62%,最低58.5%),而第三產業的比重在35%左右徘徊,這與其碳排放位居前列有關;廈門作為福建省重要的旅游城市之一,其基本形成以海洋第三產業為主導,第二產業協同發展的產業格局,經濟發展對耗能產業的依賴性逐步降低,使得該區域成為福建省碳排放的低值區.

2.2 福建省市域碳排放驅動因素分解

為證實因變量與各自變量之間是否存在多重共線性問題,對各市域的變量取對數,并進行兩兩相關性分析,得到各變量間的相關系數如表4所示.由表4可知,各變量之間存在嚴重的多重共線性關系,不適合運用普通最小二乘法進行無偏估計.為消除多重共線性的影響,提高模型參數的精準度和穩定性,本文運用PLS進行有偏估計,具體結果如表5所示(本研究基于SIMCA-P軟件作為運算平臺).

總體而言,除第三產業比重對福建各市域碳排放有抑制作用外,其余5個變量對碳排放具有促進作用.這意味著,隨著城鎮化和工業化進程不斷加快,福建各市域能源消費不斷增長,若按照一切照舊原則,福建各市域碳排放具有增長的趨勢;相反,若進一步提高服務業等低碳行業的比重,通過技術進一步提高能源效率,進而降低能源強度,從而對福建各市域碳排放增長具有一定的抑制作用.

表3 2010~2016年福建省市域累積碳排放量(′104t)

表4 福建省各市域各變量間的相關系數

續表4

漳州市各變量間相關系數 變量x1x2x3x4x5x6y x110.953**0.977**0.4680.694-0.4420.529 x210.969**0.5890.580-0.4400.627 x310.5080.695-0.5060.528 x41-0.2630.3650.970** x51-0.872*-0.232 x610.366 y1 龍巖市各變量間相關系數 變量x1x2x3x4x5x6y x110.867*0.904**-0.835*0.913**-0.973**-0.973** x210.989**-0.5080.742-0.936**-0.934** x31-0.5870.796*-0.966**-0.951** x41-0.938**0.7170.717 x51-0.848*-0.850* x610.987** y1 三明市各變量間相關系數 變量x1x2x3x4x5x6y x110.795*0.7530.1050.444-0.297-0.753 x210.968**0.2160.453-0.690-0.987** x310.3710.351-0.674-0.964** x41-0.723-0.308-0.161 x51-0.160-0.523 x610.744 y1 南平市各變量間相關系數 變量x1x2x3x4x5x6y x110.046-0.077-0.3790.789*-0.083-0.509 x210.972**0.4900.177-0.966**-0.768* x310.424-0.013-0.978**-0.716 x410.194-0.354-0.189 x51-0.122-0.553 x610. 839* y1

注:*表示在置信度(雙測)為0.05時,相關性是顯著;**表示在置信度(雙測)為0.01時,相關性是顯著的;123456和分別表示變量總人口、城鎮化率、人均GDP、第二產業比重、第三產業比重、能耗強度和碳排放量.

人口數量對碳排放的影響較為顯著,彈性系數區間幅度較大,但對各市域碳排放的作用方向并非全部為正.2010~2016年,僅廈門、莆田與南平3市的人口數量對碳排放產生了負向作用,其他市域則為正向作用;其中,人口數量對碳排放增長貢獻最大的是寧德,其系數達到了2.8338,這意味著寧德市人口數量每增加1%,其碳排放將增加2.8338.這與其青壯年人口比重達55%左右有著直接相關.據統計,2010~2016年福建省各市域的人口規模皆增長,人口數量的增加和快速城鎮化使得各市域城鎮規模不斷擴大,直接引起能源消費的增長,進而直接影響碳排放的增加;此外,隨著科技水平及人民收入不斷提高,居民生產方式和消費模式發生變化,間接促進了能源消費量的增加,從而導致碳排放不斷上升.

表5 偏最小二乘回歸系數擬合結果

注:*表示顯著性水平為0.05;調整2表示成分對碳排放的累積解釋能力.

圖2 福建各市域歷年能源強度趨勢

從模型系數值可知,城鎮化水平是影響福建各市域碳排放的主要和關鍵因素,皆對各市域碳排放有著正向作用.盡管有學者研究認為:當城鎮化發展到高級階段時,由于居民素質不斷提高,對生態環境的保護意識不斷增強,再加上城市文明傳播、技術水平的提高以及行業結構轉型構轉型等方式,直接或間接的降低城鎮化對生態環境的影響[36-37],但國內外研究學者有著不同的研究結果:即便是達到城鎮化演進后期階段的現代化都市地區,城鎮化仍會是增加碳排放最主要的驅動因素之一[3].本研究研究結果也有相似的結論,福建各市域城鎮化水平對碳排放的推動作用依然較為顯著,這是因為:城鎮化進程的不斷推進,導致基礎設施需求繼續增長,需要消耗大量的化石能源、水泥、鋼鐵等高排放行業;此外,由于城鎮中的居民消費水平不斷提高,且隨著科技發展,其生活方式較以往發生了顯著改變,消費含碳較高的商品不斷增加.

另外,能源強度與能源結構、能源效率有著密切的關系,與逐步調整產業結構、淘汰落后的產能以及技術創新密不可分.盡管只有福州市和泉州市的能源強度對其碳排放具有抑制作用,但在樣本期內,福建省各市域的能源強度均呈現逐年遞減的趨勢,如圖2所示.福建各市域不斷增加節能降耗技術的研發、推廣,使得能源消耗強度和碳排放強度不斷下降,這意味著福建省通過提高能源效率以及調整高碳產業結構等方式來進一步減少碳排放的潛力還較大.

2010~2016年期間,福建各市域進一步加速推進特色新型工業進程,同時不斷增加節能降耗技術的研發、推廣,使得能源消耗強度和碳排放強度不斷下降;近年來,廈門進一步發展高新技術產業,且作為熱門旅游城市之一,其經濟發展對高耗能產業的依賴較小,其GDP增長速度高于化石能源消費量的增速;而閩西北各市域,盡管其經濟發展較沿海城市落后,但近年第三產業發展較快,對高耗能、高污染產業的依賴逐漸下降,使得能源強度不斷下降.

為更好分析各自變量對因變量的作用,本研究應用變量投影重要性指標(VIP)來測度每個自變量對碳排放的解釋作用.其定義式如下:

運用SIMCA-P軟件,得到6個自變量對福建各市域碳排放的VIP值,如圖3所示.

圖3 各變量對各市域碳排放的VIP值

從圖3可知,各市域的各變量的VIP值均大于0.8,說明各變量在解釋因變量各市域碳排放能力作用較強,這意味著回歸系數擬合與VIP計算模型解釋能力擁有較好的一致性.在所有變量中,對各市域碳排放影響的能力不盡相同,但縱觀圖3,總人口、城鎮化率以及第二產業比重等3變量的解釋能力大致靠前,說明此3個變量對各市域碳排放的影響較大.

3 結論

3.1 從市域尺度切入,基于對常規STIRPAT模型進行擴展,建立擴展后的福建各市域非線性碳排放STIRPAT模型,結合PLS回歸法分析福建省市域碳排放量的影響因素.從驅動因子的影響程度和方向來看,除第三產業比重對福建各市域碳排放量有抑制作用外,總人口、城鎮化率、人均GDP、第二產業比重和能源強度等5個變量對碳排放具有正向促進作用.其中,總人口、城鎮化率以及第二產業比重為重要的影響因素.

3.2 2010~2016年,福建各市域碳排放隨時間呈現出不同的變化趨勢.基于碳排放增長速度和碳排放量變化的差異程度,可大致劃分為3種類型:先升后降型(福州與漳州)、中低速下降型(廈門、莆田、龍巖、三明和南平)和中高速增長型(寧德與泉州).

3.3 福建省各市域累積碳排放存在明顯差異,其中,福州、泉州和三明3市累積碳排放量(68754× 104t)占福建省同期累積碳排放量(116377×104t)的一半以上,達到59.08%,對福建省碳排放的貢獻甚大;而廈門、莆田及南平3市所累積碳排放量合計為:13715× 104t,只占全省同期累積碳排放量的11.79%.

4 建議

4.1 優化各城市功能分區,明確各市域的功能定位,按照高質量發展要求合理布局產業和城鎮發展空間、結構和規模,通過優化城鎮空間結構,如持續推進福州大都市區(福莆寧同城化)和加快“廈漳泉一體化”發展,從戰略層面布局低碳、綠色的發展模式,促進福建省各市域協調發展.

4.2 適當控制人口總量和增長速度,降低人口規模對生態環境產生的壓力,加強宣傳綠色、低碳的良好行為,強化全社會綠色發展意識和公民的環境意識,助推全民生活方式綠色化,積極引導居民向綠色消費和低碳消費模式轉變的政策路徑.

4.3 由于高碳排放產業是諸多地區所依賴的重點產業,因此,需要改變傳統發展模式,在化解和淘汰過剩、落后產能的基礎上,通過科學布局,優化工業結構模式,嚴控高能耗、高排放產業盲目發展;在進一步培育高新技術產業和戰略性新興產業的同時,在政策、人才及資金等方面加大對高附加值的新型服務業和旅游產業的支持.

4.4 推進產學研合作,提高能源效率的研發經費,繼續優化能源結構,積極開發和發展諸如太陽能、風能、生質能等新型再生、清潔能源,逐步減少對傳統化石能源的依賴及使用量;同時,認真貫徹綠色發展的理念,依靠科技創新與技術進步引領各產業的轉型升級,協調各市域低碳技術創新要素間的流動,以減少資源消耗并減輕對生態環境的壓力,進而降低碳排放量.

[1] 徐 芳,劉云龍.《巴黎協議》終落槌中國發揮巨大推動作用[EB/OL]. http://www.xinhuanet.com.world/2015-12/13/c_128525228. htm2015-12-13/2018-06-08. Xu F, Liu Y L. China plays a huge role in promoting the final fall of the Paris Agreement [EB/OL]. http://www.xinhuanet.com.world/2015- 12/13/c_128525228.htm2015-12-13/2018-06-08.

[2] 福建省統計局.福建統計年鑒2017 [EB/OL]. http://tjj.fujian.gov.cn/ tongjinianjian/dz2017/index-cn.htm2017-09-04/2018-06-08. Fujian Bureau of Statistics. Fujian Statistical Yearbook 2017 [EB/OL]. http://tjj.fujian.gov.cn/tongjinianjian/dz2017/index-cn.htm 2017-09-04/2018-06-08.

[3] IPCC. IPCC fourth assessment report [EB/OL]. https://www.ipcc.ch/ publications_and_data/publications_ipcc_fourth_assessment_report_synthesis_report.htm2009-05-17/2018-06-09.

[4] 曾六福.福建省沿海縣(市)生態環境現狀綜合評價[J]. 湖北農業科學, 2017,56(3):435-440. Zeng L F. Comprehensive evaluation on the eco-environment at present of counties and cities in fujian coastal areas [J]. Hubei Agricultural Sciences, 2017,56(3):435-440.

[5] 陳操操,劉春蘭,汪 浩,等.北京市能源消費碳足跡影響因素分析--基于STIRPAT模型和偏小二乘模型[J]. 中國環境科學, 2014, 34(6):1622-1632. Chen C C, Liu C L, Wang H, et al. Examining the impact factors of energy consumption related carbon footprints using the STIRPAT model and PLS model in Beijing [J]. China Environmental Science, 2014,34(6):1622-1632.

[6] Zhang W, Shen Y M, Zhou Y Y. Increased CO2emissions from energy consumption based on three-level nested I-O structural decomposition analysis for Beijing [J]. J. Resources and Ecology, 2014,5(2):115-122.

[7] 王長建,汪 菲,張虹鷗.新疆能源消費碳排放過程及其影響因素--基于擴展的Kaya恒等式[J]. 生態學報, 2016,36(8):2151-2163. Wang C J, Wang F, Zhang H O. The process of energy-related carbon emissions and influencing mechanism research in Xinjiang [J]. Acta Ecologica Sinica, 2016,36(8):2151-2163.

[8] 李 健,王 錚,樸勝任.大型工業城市碳排放影響因素分析及趨勢預測--基于PLS-STIRPAT模型的實證研究[J]. 科技管理研究, 2016,7:229-234. Li J, Wang Z, Piao S R. Influence factors analysis and trend forecasting of large industrial cities' carbon emissions: Based on the PLS-STIRPAT model [J]. Science and Technology Management Research, 2016,7:229-234.

[9] 馬曉君,董碧瀅,于淵博,等.東北三省能源消費碳排放測度及影響因素[J]. 中國環境科學, 2018,38(8):3170-3179.Ma X J, Dong B Y, Yu Y B, et al. Measurement of carbon emissions from energy consumption in three Northeastern provinces and its driving factors [J]. China Environmental Science, 2014,34(6):1622-1632.

[10] Liu Y S, Yan B, Zhou Y. Urbanization, economic growth, and carbon dioxide emissions in China: A panel cotintegration and causality analysis [J]. Journal of Geographical Sciences, 2016,26(2):131-152.

[11] Zhao X T, Burnett J W, Fletcher J J. Spatial analysis of China province-level CO2emission intensity [J]. Renewable and Sustainable Energy Reviews, 2014,33:1-10.

[12] 趙 哲,陳建成,白羽萍,等.二氧化碳排放與經濟增長關系的實證分析[J].中國環境科學, 2018,38(7):2785-2793. Zhao Z, Chen J C, Bai Y P, et al. The empirical analysis of the relationship between carbon dioxide emissions and economic growth [J]. China Environmental Science, 2018,38(7):2785-2793.

[13] 李建豹,黃賢金,吳常艷,等.中國省域碳排放影響因素的空間異質性分析 [J]. 經濟地理, 2015,35(11):21-28. Li J B, Huang X J, Wu C Y, et al. Analysis of spatial heterogeneity impact factors on carbon emissions in China [J]. Economic Geography, 2015,35(11):21-28.

[14] 盧 娜,曲福田,馮淑怡,等.基于STIRPAT模型的能源消費碳足跡變化及影響因素——以江蘇省蘇錫常地區為例[J]. 自然資源學報, 2011,26(5):814-824. Lu N, Qu F T, Feng S Y, et al. Trends and determining factors of energy consumption carbon footprint:An analysis for Suzhou-Wuxi- Changzhou Region based on STIRPAT model [J]. Journal of Natural Resources, 2011,26(5):814-824.

[15] 劉 源,李向陽,林劍藝,等.基于LMDI分解的廈門市碳排放強度影響因素分析[J]. 生態學報, 2014,34(9):2378-2387. Liu Y, Li X Y, Lin J Y, et al. Factor decomposition of carbon intensity in Xiamen city based on LMDI method [J]. Acta Ecologica Sinica, 2014,34(9):2378-2387.

[16] Wu P, Tian M. On Estimating transportation energy consumption and carbon dioxide emissions from off-shore island tourism: A case study of Haikou city, China [J]. J. Resources and Ecology, 2016,7(6):472-479.

[17] 劉賢趙,高長春,宋 炎,等.湖南市域化石能源消費碳排放時空格局及驅動因素[J]. 生態學報, 2017,37(7):2476-2487. Liu X Z, Gao C C, Song Y, et al. Temporal-spatial carbon emission patterns caused by fossil energy consumption at the city level in Hunan Province, China and the factors driving their composition [J]. Acta Ecologica Sinica, 2017,37(7):2476-2487

[18] 張振宇.農業經濟發展與農業碳排放的實證關系研究——以上海郊區農業為例[J]. 生態經濟, 2017,33(10):29-33.Zhang Z Y. Empirical Analysis of agricultural economics and agricultural emissions: A case study of Shanghai suburb agriculture [J]. Ecological Economy, 2017,33(10):29-33.

[19] 邵 帥,楊莉莉,曹建華.工業能源消費碳排放影響因素研究——基于STIRPAT模型的上海分行業動態面板數據實證分析[J]. 財經研究, 2010,11:16-27. Shao S, Yang L L, Cao J H. Study on Influencing factors of CO2emissions from industrial energy consumption: An empirical analysis based on STIRPAT model and industrial sectors' dynamic panel data in Shanghai [J]. Journal of Finance and Economics, 2010,11:16-27.

[20] 陳志建,王 錚.中國地方政府碳減排壓力驅動因素的省際差異——基于STIRPAT模型[J].資源科學, 2012,34(4):718-724. Chen Z J, Wang Z. The Differences of driving factors of local governments’pressure on carbon emission reduction in China: Based on STIRPAT model [J]. Resources Science, 2012,34(4):718-724.

[21] 丁唯佳,吳先華,孫 寧,等.基于STIRPAT模型的我國制造業碳排放影響因素研究[J]. 數理統計與管理, 2012,3:499-506. Ding W J, Wu X H, Sun N, et al. Analyzing impact factors of manufacturing CO2emissions in China: based on the STIRPAT model [J]. Journal of Applied Statistics and Management, 2012,3:499-506.

[22] 張 勇,張樂勤,包婷婷.安徽省城市化進程中的碳排放影響因素研究--基于STIRPAT模型[J]. 長江流域資源與環境, 2014,23(4):512-517. Zhang Y, Zhang L Q, Bao T T. Research on the influential factors of carbon emissions in the process of urbanization in Anhui province: Based on STIRPAT model [J]. Resources and Environment in the Yangtze Basin, 2014,23(4):512-517.

[23] 洪業應,向思潔,陳景信.重慶市人口規模、結構對碳排放影響的實證研究——基于STIRPAT模型的分析[J]. 西北人口, 2015,36(3):13-17. Hong Y Y, Xiang S J, Chen J X. Impact of demographic factors on carbon emission in Chongqing City:A study base on STIRPAT model [J]. Northwest Population Journal, 2015,36(3):13-17.

[24] Wold S, Ruhe A, Wold H, et al. The collinearity problem in linear regression. The partial least squares (PLS) approach to generalized inverses [J]. SIAM Journal on Scientific and Statistical Computing, 1984,5(3):735-743.

[25] Dietz T, Rosa E A. Rethinking the environmental impacts of population, affluence and technology [J]. Human Ecology Review, 1994,1:277-300.

[26] Ehrilich P R, Holdren J P. The impact of population growth [J]. Science, 1971,171:1212-1217.

[27] York R, Rosa E A, Dietz T. STIRPAT, IPAT and ImPACT: Analytic tools for unpacking the driving forces of environmental impact [J]. Ecological Economics, 2003,46(3):351-365.

[28] Shi A. The impact of population pressure on global carbon dioxide emissions, 1975-1996: evidence from pooled cross-country data [J]. Ecological Economics, 2003,44(1):29-42.

[29] Phetkeo P, Shinji K. Does urbanization lead to less energy use and lower CO2emissions? A cross-country analysis [J]. Ecological Economics, 2010,70(2):434-444.

[30] Brantley L. Impact of population, age structure, and urbanization on carbon emissions/energy consumption: evidence from macro-level, cross-country analyses [J]. Populatim & Environment, 2013,35(3):286-304.

[31] 肖明月,方言龍. FDI對中國東部地區碳排放的影響-基于STIRPAT模型的實證分析[J]. 中央財經大學學報, 2013,7:59-64. Xiao M Y, Fang Y L. The Impact of FDI on carbon emissions in the Eastern Region of China:An empirical analysis based on STIRPAT model [J]. Journal of Central University of Finance & Economics, 2013,7:59-64.

[32] Wang Z, Yin F, Zhang Y, et al. An empirical research on the influencing factors of regional CO2emissions: Evidence from Beijing city, China [J]. Applied Energy, 2012,100:277-284.

[33] 林伯強,劉希穎.中國城市化階段的碳排放:影響因素和減排策略[J]. 經濟研究, 2010,8:66-78. Lin B Q, Liu X Y. China' s Carbon dioxide emissions under the urbanization process: influence factors and abatement policies [J]. Economic Research Journal, 2010,8:66-78.

[34] ?zgür Yeniay, Atilla G?ktas. A comparison of partial least squares regression with other prediction methods [J]. Hacettepe Journal of Mathematics and Statistics, 2002,31:99-111.

[35] Farahani H, Rahiminezhad A, Same L, et al. A Comparison of partial least squares (PLS) and ordinary least squares (OLS) regressions in predicting of couples mental health based on their communicational patterns [J]. Procedia Social and Behavioral Sciences, 2010,5:1459-1463.

[36] Eggleston H S, Buendia L, Miwa K, et al. 2006 IPCC guidelines for national greenhouse gas inventories [EB/OL]. https://www.ipcc-nggip. iges.or.jp/public/2006gl/2007-03-01/2018-06-06.

[37] Poumanyvong P, Kaneko S. Does urbanization lead to less energy use and lower CO2emissions? A cross-country analysis [J]. Ecological Economics, 2010,70(2):434-444.

Influencing factors and reduction mechanism of carbon emissions at the city-range: An empirical study on Fujian province.

SU Kai1*, CHEN Yi-hui1, FAN Shui-sheng1, Zhang Ming-ru2

(1.Anxi College of Tea Science/ College of Life Sciences, Fujian Agriculture and Forestry University, Fuzhou 350002, China；2.College of Economics, Yangtze University, Jingzhou 434023, China)., 2019,39(2)：859~867

In this paper, 9 cities of Fujian province was selected as the research object, and an extended STIRPAT-PLS model was used to empirically analyze the influencing factors of Fujian Province's carbon emissions from 2010 to 2016. The model was able to determine the main influence factors on the increase of carbon emissions and calculate the influence rate of each factor. The results showed that total population, urbanization rate, per-capita GDP, secondary industry ratio and energy intensity have positive driving effects on the increase of carbon emissions, while tertiary industry ratio has negative driving effects on the increase of carbon emissions. The three factors such as population, per-capita GDP and urbanization rate make the greatest contribution to increase of carbon emissions. On this basis, the paper proposed several policy suggestions to reduce carbon emissions, including enhancing the development of renewable and clean energy, promoting the optimization and upgrading of energy and industrial structures, and improving energy efficiency, which can be considered as a valid solution for win-win targets of regional economic development and carbon emissions reduction.

carbon emission；STIRPAT model；PLS regression；city-range

X321

A

1000-6923(2019)02-0859-09

蘇 凱(1987-),男,福建福州人,講師,福建農林大學博士研究生,主要從事生態資源評價與管理研究.發表論文5篇.

2018-07-16

福建省自然科學基金資助項目(2018J01652);福建省中青年教師教育科研項目(JAS170143);福建農林大學科技創新專項基金資助項目(KCXRC609A)

* 責任作者, 講師, sukai516@fafu.edu.cn