APP下载

中国2030年碳排放强度减排潜力测算

2016-10-31屈超陈甜

中国人口·资源与环境 2016年7期

屈超+陈甜

摘要中国正面临严峻的环境问题,2013年中国的CO2排放量超过了欧盟和美国的总和,同时中国的人均CO2排放量首次超过欧洲。2015年在巴黎国际气候大会上中国政府宣布碳排放强度减排目标为:2030年单位国内生产总值CO2排放比2005年下降60%-65%。按照IPCC(2007)CO2排放核算方法计算的数据,近年来中国CO2排放情况总体呈排放量逐年上升但排放强度总体下降的态势。为了进一步估计中国2030年CO2排放强度,本文构建了IPAT模型,利用全国30个省1995-2012年数据进行拟合,并采用最小二乘法和萤火虫优化算法分别计算了IPAT模型的参数,发现与传统最小二乘法相比,萤火虫算法优化后的模型显示出更高的拟合优度和更低的误差,模型系数也更为合理。文章在萤火虫优化的IPAT模型基础上估算了中国2030年的CO2排放强度,实证结果显示,第三产业的发展有利于降低CO2排放强度;2030年全国CO2排放强度比2005年下降了66.34%,其中有20个省份CO2排放强度减排幅度超过60%;中国能够实现在2015巴黎国际气候大会上提出的碳减排目标。为了进一步发展低碳经济,各省应该充分重视经济转型对减少CO2排放的作用,改善以煤炭为主的能源消费结构,增加生物能、太阳能、风能、沼气等可再生资源的使用比重。

关键词碳排放强度;IPAT模型;萤火虫优化算法

中图分类号F124.5 F224文献标识码A文章编号1002-2104(2016)07-0062-08doi:10.3969/j.issn.1002-2104.2016.07.008

应对气候变化已经成为全世界共同面临的环境挑战,减少CO2排放,实行低碳发展已经成为全球各国的共识。中国的碳排放量情况不容乐观,全球碳计划(Global Carbon Project)于2014年9月公布的2013年度全球碳排放数据显示,2013年全球人类活动CO2排放量达到360亿t,人均碳排放量达到5 t,而中国碳排放量超过欧盟和美国的总和,同时中国的人均CO2排放量首次超过欧洲,达7.2 t。中国正在积极应对气候变化,2015年中国政府在巴黎国际气候大会上宣布碳排放强度减排目标为:2030年单位国内生产总值CO2排放比2005年下降60%-65%。本文将使用中国官方数据建立相应模型检验中国能否实现碳减排目标。

1文献综述

碳排放的主要测算方法有:情景预测法[1-2]、环境库兹涅兹曲线[2-5]、灰色预测[6-7]、IPAT模型还有一些组合预测等方法。

从碳排放的测算方法角度看,IPAT模型能够简便、可行地描述人文驱动力对环境压力的影响,自其构建以来得到了相关领域研究人员的广泛认可:丁胜、温作民[8]用IPAT模型研究了长三角地区碳排放影响因素;宋晓辉等[9]基于IPAT扩展模型分析了五个典型国家人口因素对碳排放的影响;龙爱华等[10]用IPAT模型分析了中国水足迹的影响因素,分解了人类活动对中国水系统的环境影响;席细平等[11]利用IPAT模型测算出江西省碳排放峰值到达的时间约在2032-2035年之间;焦文献和陈兴鹏[12]利用IPAT模型分析了甘肃省能源碳排放量中人类活动的影响,并测算了甘肃省2020年碳排放情况;聂锐等[13]利用IPAT模型和“脱钩”理论,对江苏省未来中长期的经济发展、能源需求与CO2排放进行了情景分析。此外,一些学者在IPAT模型的基础上尝试使用IPAT的改进模型如STIRPAT模型[14-15]、IGT模型[16]进行测算,并获得了一些研究成果。

使用IPAT模型进行CO2排放测算的现有研究成果,大多采用传统最小二乘法估计模型参数,忽视了模型参数优化的重要性;此外,现有成果的研究对象主要集中于2009年哥本哈根国际气候大会上提出的减排目标,鲜有对2015年巴黎国际气候大会减排目标的验证和测算。本文将萤火虫优化算法和最小二乘法估算的模型参数结果进行对比,以期对CO2排放强度进行更精准的估算,并据此判断中国是否能够实现巴黎国际气候大会的减排目标。

2国内CO2排放现状及各省CO2排放特点2.1CO2排放量计算方法

屈超等:中国2030年碳排放强度减排潜力测算中国人口·资源与环境2016年第7期根据IPCC[17]第四次评估报告,温室气体增加的主要原因是化石燃料燃烧,IPCC给出了CO2排放量的计算公式,见公式(1)。

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

式中,Tco2ij表示第j省i种能源CO2排放量,Aij表示第j省i种能源实际消费量,即能源转换部门(供热、供电)使用量与终端7个部门消费量之和(农林牧渔业、工业、建筑业、交通仓储邮电业、批发零售餐饮业、生活消费、其它);Sij表示第j省第i种能源非燃烧使用量(工业上作为原料、材料);ei表示第i种能源低位发热量;ci表示第i种能源的单位热值含碳量;Oi表示第i种能源的氧化率。

本文使用公式(1)计算中国各省份(不包含中国港澳台地区)1995-2012年碳排放量。各省份17种化石能源消耗量数据来源于《中国能源统计年鉴》,其中,因数据缺失,本文分析中不包含西藏自治区。海南省2002年数据,重庆市1995、1996年数据,宁夏自治区2000-2002年数据缺失,缺失值用线性趋势插值法补全。

2.2中国CO2排放现状

2.2.1CO2排放量逐年上升,CO2排放强度总体下降

中国1995-2012年的CO2排放量和CO2排放强度情况如图1所示。从图1中我们可以观察到,中国这十余年来CO2排放量呈逐年上升趋势,而CO2排放强度则呈总体下降趋势。

1995-2012年CO2排放量平均增长速度高达6.98%,其增长态势大体可以2002年为界限分为两个阶段:2002年前的平缓增长期(年均增长1.8%)和2002年后的急剧上升期(年均增长10.26%)。

CO2排放强度的下降过程可分为三个阶段,1995-2002年为急速下降期,2002-2005年为上升期,2005-2012年为平稳下降期。

在急速下降期,国有企业产权改革、东南亚经济危机的爆发带来短暂的经济增速放缓以及关停了高能耗、高污染、低效率的“十五小”等因素是CO2排放强度下降的重要原因。此外,1998年1月《中华人民共和国节约能源法》的正式实施,也促进了能源利用效率的提高。这些因素最终导致CO2排放强度历史性地下降了33.5%。

在上升期,CO2排放强度年均增长率超过4%,这一时期国际经济形势好转,同时2001年我国加入WTO,中国经济进入了快速发展时期,高能耗产业在这期间发展较快,导致CO2排放强度有所“抬头”。

在平稳下降期,技术进步对CO2排放强度有明显的“负影响”[18]。2005年,我国高技术产业增加值位居世界第三;2007年,我国首次超过日本,高技术产业增加值位居世界第二;2009年,我国高技术产业总产值创历史新高,突破了6万亿元。高技术产业的崛起带动了经济的高质量发展,同时碳排放强度开始走“下坡路”。

从图2可以看出,CO2排放量的区域分布存在明显差图1全国碳排放量及碳排放强度图

Fig.1Carbon emission & intensity of China图2各区域碳排放量占比

Fig.2Proportion of regional carbon emission

异,东部11个省份的CO2排放量约占全国CO2排放总量的50%,西部11个省份占比相对较小,仅为20%左右,中部8个省份约占30%,2003年以后西部地区的CO2排放量占比逐步上升,东部和中部地区则相应下降。

2.2.2各地区人均CO2排放量逐年增加,但CO2排放强度大多呈下降趋势

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(见图3)。内蒙古和宁夏增幅较大,其中内蒙古从1995年3.49 t/人增到2012年24.51 t/人,平均增长速度为12.14%;宁夏从1995年的3.27 t/人增到2012年的19.45 t/人,平均增长速度为11.05%;上海人均CO2排放量平均增长速度较慢,仅为0.64%。

在CO2排放强度方面,全国30个省份除海南和宁夏以外其他省份都呈下降趋势(见图4),其中北京CO2排放强度(CO2排放总量除以不变价GDP)下降最多,从1995年3.249 t/万元下降到1912年0.729 t/万元,下降幅度达到77.58%;四川次之,下降幅度达到73.28%。下降幅度超过60%的还有天津、吉林、上海、湖南和黑龙江。30个省份平均下降幅度为46.01%。

3模型设定及数据来源

3.1IPAT模型

IPAT模型是美国斯坦福大学人口学家Ehrlich和Holder于1971年针对技术改善环境恶化提出的人文驱动因素对环境影响的模型。IPAT模型的核心公式是I=PAT恒等式,其中I代表环境影响(impact)、P代表人口(population)、A代表富裕程度(affluence)以及T代表技术(technology)。本文用IPAT模型分析中国CO2排放量情况,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数;A用人均GDP代表财富程度;T用各省第三产业占比(第三产业占GDP的比重)作为技术进步指标;eβ1为常数项,β2为P的幂指数,β3为A的幂指数,β4为T的幂指数。

3.2萤火虫优化算法

萤火虫算法(Firefly Algorithm,FA)是由XinShe Yang在2008年提出的一种高级的启发式优化算法。其特点是:概念简单,流程清晰,需要调整的参数较少,并且容易实现。与其他算法相比,萤火虫算法有更高的寻优精度和收敛速度,是一种有效可行的启发式优化算法,已经在多个领域得到了应用。

萤火虫算法的主要原理是把解空间的点看作是萤火虫,每个萤火虫都拥有各自的荧光素值和感知半径。利用荧光素值的大小决定个体位置的优劣,个体的搜索半径由萤火虫的感知半径决定,个体只能在一定的搜索范围内找寻最优萤火虫,并向其靠近。萤火虫通过更新个体位置、更新荧光素值和感知半径来寻找最亮个体进而实现寻优。

萤火虫优化算法广泛运用于各个领域。王改革等[19]基于萤火虫算法和BP神经网络模型提出了萤火虫算法优化的BP神经网络模型,结果发现这一优化模型的预测误差明显小于BP和PSO_SVM。周永权等[20]在研究旅行商问题时将萤火虫算法和C2Opt算子相结合,得出了一个新的高效人工萤火虫算法,对比TSP实例测试发现,该算法在较小规模种群、较少次数迭代的情况下仍然可以收敛到最优解。一些学者提出了改进的萤火虫算法,黄正新等[21]为了解决萤火虫算法(GSO)优化多模态函数时存在的收敛速度慢和求解精度低等缺陷,提出了一种自适应步图31995-2012年各省人均碳排放量变化

长优化算法——SASGSO,并且认为这种算法具有操作简单、易理解、收敛速度快和求解精度高等优点。

3.3数据来源及处理方法

全国各省区生产总值及人均地区生产总值的数据来自于《中国统计年鉴》,以2000年不变价进行折算,1995-1999年全国各省份年人口数来自《新中国60年统计资料汇编》,2000-2014年各省份年末常住人口数来自国家统计局;本文用第三产业增加值和GDP的比值作为第三产业占比。

3.4基于萤火虫优化的IPAT模型

本文用萤火虫算法优化IPAT模型参数,将以相对误差MAPE(拟合值和真实值误差的绝对值除以真实值的平均值)的最小值作为目标函数,经多次测试发现当萤火虫种群为200,最大迭代次数为500,初始荧光素浓度为5,感知半径和决策半径均为15时优化效果最好,因此本文选取萤火虫种群为200,最大迭代次数为500,初始荧光素浓度为5,感知半径和决策半径均为15,对IPAT模型参数做优化。

用最小二乘法和萤火虫优化算法分别做了IPAT模型,结果对比如表1。从表1可以看出:

(1)萤火虫优化后的结果更优。传统最小二乘法注重的是模型的拟合程度,即拟合优度R2越接近1模型越优,但是却忽略了拟合值和真实值之间差距的大小;而萤火虫优化的自适应函数(目标函数)就是拟合值和真实值之间相对误差绝对值的均值,其目的就是获得MAPE最小值时的模型参数,因此,利用萤火虫优化算法可以得到更精确的拟合模型。从表1的结果来看,萤火虫优化的IPAT模型的MAPE值介于2.2%和14.6%之间,30个省份中有6个省份的MAPE值超过10%,13个省份的MAPE值低于6%;拟合优度R2介于0.732和0.993之间,其中只有5个省拟合优度低于0.9,21个省拟合优度高于0.95,30个省的平均拟合优度为0.945。无论是拟合优度还是MAPE,萤火虫优化

4.1测算方法

为了验证2030年能否达到中国政府制定的CO2排放强度减排目标,本文使用萤火虫算法优化的IPAT模型对2030年CO2排放强度进行测算。对各省份年末常住人口、人均GDP、第三产业占比的增长速度都基于2005-2014年的平均增长速度进行估算,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年末常住人口数,rP指各省2005-2014年人口平均增长率;PerGDP0指各省2005年人均GDP,rG指各省2005-2014年人均GDP平均增长率;PerTIG0指各省2005年第三产业占比,rT指各省2005-2014年第三产业占比平均增长率。

4.2测算结果及分析

2030年各省CO2排放强度及CO2排放强度下降百分比的测算结果见表2。从表2中可以得到以下结论:

(1)中国可以实现在巴黎气候大会上承诺的CO2排放强度“减排目标”。从全国来看,预计到2030年全国CO2排放强度为0.774 t/万元,比2005年下降66.34%(用30个省份GDP占比作为权重,加权平均得到)。证实中国能够实现CO2排放强度减排目标。

(2)大部分省份CO2排放强度减排幅度达到60%。其中,减排比例在60%以上的有20个省份,20%-60%的有8个省份,CO2排放强度上升的有2个省份。CO2排放强度减排最多的是江苏,为84.70%;其次是山东,为84.31%。其他在80%以上的有天津、黑龙江、北京、河南。减排比例在70%-80%的有:江西、四川、上海、辽宁、吉林和青海。

(3)内蒙古、贵州、云南三省份CO2排放强度减排幅度较低,CO2排放强度绝对值较高。根据表2估算值内蒙古、贵州、云南这三个省份CO2排放强度下降幅度分别为35.467%、45.467%和30.479%,下降幅度低于目标值,且这三个省份的碳排放强度绝对值高达4.236 t/万元、4.542 t/万元和2.763 t/万元,远远高于2030年各省的平均值1.744 t/万元。

(4)福建省CO2排放强度仅下降20.26%。下降幅度较低的原因是2005年福建省CO2排放强度的基数较小,从图4可以看出,福建省CO2排放强度在30个省份中处于最低的行列;从绝对值来看,2030年福建省CO2排放强度的估计值为1.455 t/万元,远远低于各省的平均值1.744 t/万元。

(5)到2030年海南和宁夏两个省CO2排放强度不降反升,CO2排放强度绝对值较高。海南和宁夏CO2排放强度升高幅度超过了50%。冶金、医疗、机电、建材和煤炭是宁夏的五大支柱产业,重工业的发展无疑会带来沉重的环境代价,加上经济发展滞缓最终导致宁夏碳排放强度较高。2030年宁夏CO2排放强度的估算值高达14.439 t/万元,为全国最高。海南除了旅游业外房地产发展迅速,工业经济的发展会带来CO2排放量的增加,2030年海南省CO2排放强度的估算值为2.053 t/万元,高于全国平均水平。

5总结及建议

为了建立人文驱动因素对环境影响的IPAT模型,本文用各省份年末常住人口数、人均GDP、第三产业占比分别代表人口、富裕程度和技术水平对环境影响指标,使用萤火虫优化的IPAT模型测算了2030年各省份CO2排放强度,总结如下:

(1)对于全国30个省份,基于萤火虫优化的IPAT模型比传统最小二乘法有更高的拟合优度和更低的误差,因此,本文用基于萤火虫优化的IPAT模型来模拟了2030年全国30个省份碳排放量及CO2排放强度。

(2)中国能够实现2015年巴黎国际气候大会提出的CO2排放强度减排目标。根据模型测算中国2030年CO2排放强度将比2005年下降66.34%。

(3)第三产业发展有利于降低CO2排放强度。萤火虫算法优化后的IPAT模型显示27个省份的技术水平参数为负,可见技术水平发展对CO2排放强度下降有一定的“负作用”,经济转型迫在眉睫。

从实证结果来看,碳减排强度目标难以实现的几个省份主要集中在西部地区,这与西部地区经济、技术落后存在着一定的关系。碳排放强度减排压力较大的五个省份包括内蒙古、贵州、云南、宁夏、海南,都在不同程度上存在着第三产业发展滞后的问题。对于这些省份来说,在经济发展过程中应该充分重视经济转型对减少CO2排放的重要作用,在优化产业结构的同时优化能源消费结构,改善以煤炭为主的能源消费结构,增加生物能、太阳能、风能、沼气等可再生资源的使用比重,推进绿色能源消费。

(编辑:刘照胜)

参考文献(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,王少鹏,朱江玲,等.2050年中国碳排放量的情景预测——碳排放与社会发展Ⅳ[J].北京大学学报(自然科学版),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]易艳春,宋德勇.经济增长与我国碳排放:基于环境库兹涅兹曲线的分析[J].经济体制改革,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排放库兹涅兹曲线(EKC)在中国的检验[J].统计与决策,2014(11):22-24.[ZUO Wending. Carbon emissions library Kuznets curve in China to test[J].Statistics and decision,2014(11):22-24.]

[6]任晓松,赵国浩.中国工业碳排放及其影响因素灰色预测分析——基于STIRPAT模型[J].北京交通大学学报(社会科学版),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]赵爱文,李东.中国碳排放灰色预测[J].数学的实践与认识[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]丁胜,温作民.长三角地区碳排放影响因素分析——基于IPAT改进模型[J].技术经济与管理研究[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]宋晓辉,张欲芬,汪艺梅,等.基于IPAT扩展模型分析人口因素对碳排放的影响[J].环境科学研究,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]龙爱华,徐中民,王新华,等.人口、富裕及技术对2000年中国水足迹的影响[J].生态学报,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]席细平,谢运生,王贺礼,等.基于IPAT模型的江西省碳排放峰值预测研究[J].江西科学,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]焦文献,陈兴鹏.基于IPAT等式的甘肃省能源消费碳排放特征分析及情景预测[J].干旱区资源与环境,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]聂锐,张涛,王迪.基于IPAT模型的江苏省能源消费与碳排放情景研究[J].自然资源学报,2010,25(9):1157-1164.[NIE Rui,ZHANG Tao,WANG Di. The scenario analysis on energy consumption and carbon emissions of Jiangsu Province based on environmental loads Model[J].Journal of natural resources,2010,25(9):1157-1164.]

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

[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]吴振信.碳排放与经济增长关系研究[M].北京:经济科学出版社,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]张兵兵,徐康宁,陈庭强.技术进步对CO2排放强度的影响研究[J].资源科学,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,郭立红,段红,等.基于萤火虫算法优化BP神经网络的目标威胁估计[J].吉林大学学报(工学版),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]周永权,黄正新.求解TSP的人工萤火虫群优化算法[J].控制与决策,2012(12):1816-1821.[ZHOU Yongquan,HUANG Zhengxin. Artificial glowworm swarm optimization algorithm for TSP[J].Control and decision,2012(12):1816-1821.]

[21]黄正新,周永权.自适应步长萤火虫群多模态函数优化算法[J].计算机科学,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]陈诗一.中国碳排放强度的波动下降模式及经济解释[J].世界经济,2011(4):124-143.[CHEN Shiyi. Chinas carbon intensity fluctuation drop pattern and economic explanation[J].World economy,2011(4):124-143.]

[23]杜强,陈乔,杨锐.基于Logistic模型的中国各省碳排放预测[J].长江流域资源与环境,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]刘华军,赵浩.中国CO2排放强度的地区差异分析[J].统计研究,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]渠慎宁,郭朝先.基于STIRPAT模型的中国碳排放峰值预测研究[J].中国人口·资源与环境,2010,20(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]赵玉新,YANG Xinshe,刘利强.新兴元启发式优化方法[M].北京:科学出版社,2013.[ZHAO Yuxin,YANG Xinshe,LIU Liqiang. New metaheuristic optimization methods[M].Beijing:Science Press,2013.]

[27]张国有.经济发展方式变化对中国碳排放强度的影响[J].经济研究,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.