苏 凯,陈毅辉,范水生,张明如



市域能源碳排放影响因素分析及减碳机制研究——以福建省为例

苏 凯1*,陈毅辉1,范水生1,张明如2

(1.福建农林大学安溪茶学院/生命科学学院,福建 福州 350002；2.长江大学经济学院,湖北 荆州 434023)

选取福建省市域作为研究对象,应用扩展型的STIRPAT-PLS模型对2010~2016年福建省市域碳排放影响因子进行实证分析,探讨驱动福建省市域碳排放量增长的主要影响因素和各因素的影响程度,明确碳排放控制的主要领域.结果表明:总人口、城镇化率、人均GDP、第二产业比重和能源强度对碳排放量增加有正向驱动作用,而第三产业比重对碳排放量增加有负向驱动作用.总人口、城镇化率以及第二产业比重对碳排放量增长的贡献最大.据此,建议福建当前及未来时期减碳重点应是采取优化能源结构和促进产业结构升级,加速发展清洁、再生能源与提高能源效率相并重等策略.

碳排放；STIRPAT模型；PLS；市域尺度

中国作为全球最大的碳排放国,已于2015年提交给联合国气候变化纲要公约(UNFCCC)的《国家自主贡献预案》(INDCs)承诺2030年达到碳排放峰值,并尽可能提前达到峰值.由于中国的承诺,引起国际重视,也间接促成了《巴黎协定》的签署,开创全球碳减排的新纪元[1].然而,是否实现该目标以及碳排放能否提前达到预定峰值皆有赖于全国各地各部门的共同努力.

福建省作为全国首个生态文明试验区,理所当然要为碳减排做出应有的贡献.然而福建省的生态环境质量尽管与内陆其他省份相比有其优越性,但是,近年来,福建在不断推进城镇化和农业现代化进程中,化石能源的消耗仍持续增长.据报道,2016年福建省能源消费增长较2011年提升19.2%,年均增长3.84%[2],而化石能源消耗是全球CO2排放(下简称碳排放)增加的主要因素,在全球温室气体排放中CO2占据主导地位[3].因此,如不重视这种能耗方式的转变,福建省这种生态环境的优越性将很难得以保持,如期实现碳减排目标任重而道远.实际上,不合理的资源消耗、人为活动以及过多的短效经济行为已经给福建局部地区生态系统服务功能造成不同程度的影响[4].所以像福建省这种生态资源禀赋相对有限,而且资源消耗,特别是不可更新资源消耗的依赖性仍很大的省份,能耗方式如何向既能保证经济增长,不断改善人民生活,又能减少碳排放,保护生态环境质量,以有效应对全球气候变化的挑战转变,是值得我们深入研究的重大课题.

国内外学者对碳排放的驱动因素、碳排放与社会经济发展之间的关系以及碳减排机制等方面做了大量研究[5-12],这对于探索影响福建省市域碳排放的因素,提高能耗效率具有重要的借鉴意义,但由于各地区的资源禀赋、产业结构以及经济发展水平等均不相同,即使在省域内部也存在明显的差异,导致社会经济发展的路径选择不同,进而对碳排放的贡献力度也截然不同.现有文献对碳排放的研究主要是以全国层面或省域尺度为主,而以市域或县域为对象的研究还较少[13-17],所提出的政策建议和措施未必与每个地区的实际情况吻合,无法精确剖析影响碳排放的因素,也难以探究适合本地区的减碳措施和运行机制,从而难以实现碳减排的既定目标,影响区域经济发展质量.此外,已有研究还表明,影响碳排放因素不是单一因素,而是由多种因素共同作用造成的.现有文献在定量分析碳排放影响因素的方法选择中,以STIRPAT模型结合OLS回归法最多[18-22],然而,也有研究认为这种方法存在着难以克服的多重共线性问题.当模型存在严重的多重共线性时,OLS估计量将不具备一致性,造成统计推断上无法给出真正有用的信息[18].进一步研究指出,在不剔除自变量的前提下解决多重共线性的方法主要有PCA(主成分分析法)、PLS-R (偏最小二乘法回归)和RR (岭回归)[8].其中PLS-R方法是综合主成分分析(PCA)、典型相关分析(CCA)和多元线性回归(MLR)等3种分析方法的优势[5],主要用于研究多因变量对多自变量的回归建模,特别是当各变量之间存在高度线性相关时,用PLS-R更有效[23].

据此,本研究利用2010~2016年的统计数据,采用扩展型的STIRPAT模型结合PLS-R建立福建省市域碳排放和影响因素之间的定量模型,根据模型中回归系数大小考察评估因子和碳排放的相互影响及大小排序,确定影响碳减排的关键影响因素,以期为城市碳减排策略决策提供科学依据.

1 研究方法与数据采集

1.1 STIRPAT模型及其扩展

可拓展随机性的环境影响评估模型(STIRPAT)是由Dietz & Rosa[24]发展而来的,该模型能够克服Kaya恒等式和IPAT模型的“各因素等比例影响碳排放”假设的不足[25],加入了随机性,分析人口、技术、经济对碳排放非等比例的影响程度,是对上述模型的修正和扩展[26],通过增减或分解因素[30],可提高模型的分析与解释能力.

STIRPAT模型的基本形式为:

式中:表示碳排放量;表示人口;表示富裕度;表示技术水平;表示模型系数;表示各变量的指数;表示模型的误差.

根据众多学者运用STIRPAT分析各因素对碳排放量的影响研究[8,27-30],本文基于STIRPAT模型的基本特点以及福建省碳排放的现状,选取总人口、城镇化率、人均GDP、第二产业比重、第三产业比重及能耗强度6项因素作为自变量,输出变量为福建省各市域的碳排放量.

人口因素分解为总人口()和城镇化率()两个变量.城镇化率是城镇人口占总人口的比例,反映出城镇人口对环境的影响;由于城镇地区经济较乡村地区发达,且基础设施较为完善,其人均化石能源消费较大,对市域的碳排放影响很大[31-33].富裕度以人均GDP()为代表.人均GDP是一个地区居民富裕程度的重要体现,同时也是造成生态环境问题的驱动力因素之一[27].技术水平涉及多个层面,包括第二产业比重()、第三产业比重()和能耗强度().第二、三产业比重可以反映出一个地区产业结构变化对该地区碳排放的影响,以制造业为基础的第二产业相比以服务业为主的第三产业消耗更多的资源,尤其是化石能源,二者之间的比重消长变化对碳排放有较大的影响[5].

据此,扩展型的STIRPAT模型为:

式中:各变量的定义如表1所示.

为确定有关参数,对式(2)两边做对数处理得到如下等式:

式中:I为碳排放量;P为人口数量;U为城镇化率;A为人均GDP ;T为第三产业比重;S为能源强度;C为煤炭消费比例;为常数项;121212为弹性系数,表示当变化1%时分别引起碳排放量的变化率.

表1 各变量定义说明

1.2 PLS回归法

在多元线性回归中,通常使用最小二乘法来估计回归系数,以便使得残差平方和最小.然而,当自变量之间存在多重相关性时,最小二乘估计法往往是无效的.在多元线性回归分析中,变量之间的多重相关问题非常严重,但普遍存在.为了消除这种影响,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,虽然能较好地概括自变量系统中的信息,但是它会给系统带来很多无用的噪声,从而对因变量缺乏解释能力.因此,本文运用偏最小二乘回归以解决多元回归中变量多重共线性和样本容量较少等实际问题.偏最小二乘回归的原理、算法以及与其他回归方法的对比分析,已有诸多文献呈现[34-35],本文不再详细阐述.

1.3 碳排放量计算

本研究利用《IPCC国家温室气体列表指南》[36]中提供的基准方法,碳排放量由以下公式计算:

式中:代表市域各类化石能源消耗产生的碳排放量;为化石能源的种类;e表示某种化石能源的消耗量;f表示标准煤折算系数(取自《中国能源统计年》),用来将不同类型的能量转换成标准的煤当量;k是不同化石能源的碳排放系数(取自IPCC参考值);44/12表示CO2与碳的分子量之比.不同类型化石能源的碳排放计算参数如表2所示.

1.4 数据采集

2010~2016年(因2010年以前福建省统计年鉴尚未建立详细的能源种类消耗指标,使得数据难以获取)各地区的碳排放量按式(4)的计算公式得到,6项自变量(人口、城镇化率、人均GDP、第二产业比重、第三产业比重、能耗强度)资料均来自历年福建省统计年鉴及历年各地市统计年鉴;此外,为消除价格因素的影响,对GDP 按照2010年可比价格进行重新测算,并据此计算人均GDP和能耗强度.

表2 不同类型化石能源的碳排放计算参数

2 结果分析

2.1 福建省市域碳排放的时间格局特征

根据式(4)的计算公式,2010~2016年的福建省各市域碳排放量如图1所示.由图可看出,福建省各地市的碳排放呈现出不同的变化趋势.依据碳排放增长速度与碳排放量变化的差异,可大致划分为3种类型:①先升后降型(图1a),碳排放量呈现出排放先增长后降低的趋势,代表市域为福州和漳州;两市以2014年为分界点,碳排放量呈现持续下滑的趋势,且福州下降的速率优于漳州.②中低速下降型(图1b),碳排放量为负增长,随时间推移而呈现下降趋势,也是福建省各市域中碳排放最为集中的类型,代表市域为厦门(年均增长率为-4.41%)、莆田(年均增长率为-0.22%)、龙岩(年均增长率为-6.67%)、三明(年均增长率为-6.23%)和南平(年均增长率为-3.31%);初步分析,福建省近几年在控制化石能源消耗,加大力度推进使用清洁能源等方面上做了努力.③中高速增长型(图1c),该类型初始碳排放量相对较大,中后期仍以中高速率增长,且碳排放年均增长速率显著高于全省平均水平(1.5%),代表市域为宁德(年均增长率为10.3%)与泉州(年均增长率为11.1%);以2016年为例,宁德、泉州2市的碳排放量就达全省的三分之一,达到36.71%,依赖化石能源的经济结构特征较为明显.

2010~2016年,福建省各市域累积碳排放量(表3)前3名分别为:福州(28037×104t)、泉州(23291×104t)和三明(17426×104t),3市累积碳排放量占福建省同期累积碳排放量的一半以上,达到59.08%,对福建省碳排放的贡献甚大;此外,累积碳排放量最后3名依次为:厦门(6837×104t)、莆田(3980×104t)及南平(2898×104t),它们所累积碳排放量合计为:13715× 104t,只占全省同期累积碳排放量的11.79%.

上述结果与福建省产业结构有着密切相关.据统计,样本期内福建省第二产业终端能源消费占全省八成以上,且其工业能源消费在能源消费总量中占有绝对地位,如,化工、水泥建材等不仅消耗化石能源最多,且碳排放强度也维持在高位.这表明,虽然碳排放变化会受到同期人口规模、经济增长、能源消费结构与技术水平等多种驱动因素的综合影响,但在一定程度上,碳排放量与产业结构有着密切相关.例如,2016年福州、泉州和三明3地规模工业综合能源消费量依次达到了:1140.44×104tce、5465.53×104tce、1198.11×104tce,分别占福建省规模工业能源消耗量比重的9.2%、44.2%与9.7%;近几年,泉州的第二产业比重持续维持在60%左右(最高62%,最低58.5%),而第三产业的比重在35%左右徘徊,这与其碳排放位居前列有关;厦门作为福建省重要的旅游城市之一,其基本形成以海洋第三产业为主导,第二产业协同发展的产业格局,经济发展对耗能产业的依赖性逐步降低,使得该区域成为福建省碳排放的低值区.

2.2 福建省市域碳排放驱动因素分解

为证实因变量与各自变量之间是否存在多重共线性问题,对各市域的变量取对数,并进行两两相关性分析,得到各变量间的相关系数如表4所示.由表4可知,各变量之间存在严重的多重共线性关系,不适合运用普通最小二乘法进行无偏估计.为消除多重共线性的影响,提高模型参数的精准度和稳定性,本文运用PLS进行有偏估计,具体结果如表5所示(本研究基于SIMCA-P软件作为运算平台).

总体而言,除第三产业比重对福建各市域碳排放有抑制作用外,其余5个变量对碳排放具有促进作用.这意味着,随着城镇化和工业化进程不断加快,福建各市域能源消费不断增长,若按照一切照旧原则,福建各市域碳排放具有增长的趋势;相反,若进一步提高服务业等低碳行业的比重,通过技术进一步提高能源效率,进而降低能源强度,从而对福建各市域碳排放增长具有一定的抑制作用.

表3 2010~2016年福建省市域累积碳排放量(´104t)

表4 福建省各市域各变量间的相关系数

续表4

漳州市各变量间相关系数 变量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 龙岩市各变量间相关系数 变量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 三明市各变量间相关系数 变量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 南平市各变量间相关系数 变量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(双测)为0.05时,相关性是显著;**表示在置信度(双测)为0.01时,相关性是显著的;123456和分别表示变量总人口、城镇化率、人均GDP、第二产业比重、第三产业比重、能耗强度和碳排放量.

人口数量对碳排放的影响较为显著,弹性系数区间幅度较大,但对各市域碳排放的作用方向并非全部为正.2010~2016年,仅厦门、莆田与南平3市的人口数量对碳排放产生了负向作用,其他市域则为正向作用;其中,人口数量对碳排放增长贡献最大的是宁德,其系数达到了2.8338,这意味着宁德市人口数量每增加1%,其碳排放将增加2.8338.这与其青壮年人口比重达55%左右有着直接相关.据统计,2010~2016年福建省各市域的人口规模皆增长,人口数量的增加和快速城镇化使得各市域城镇规模不断扩大,直接引起能源消费的增长,进而直接影响碳排放的增加;此外,随着科技水平及人民收入不断提高,居民生产方式和消费模式发生变化,间接促进了能源消费量的增加,从而导致碳排放不断上升.

表5 偏最小二乘回归系数拟合结果

注:*表示显著性水平为0.05;调整2表示成分对碳排放的累积解释能力.

图2 福建各市域历年能源强度趋势

从模型系数值可知,城镇化水平是影响福建各市域碳排放的主要和关键因素,皆对各市域碳排放有着正向作用.尽管有学者研究认为:当城镇化发展到高级阶段时,由于居民素质不断提高,对生态环境的保护意识不断增强,再加上城市文明传播、技术水平的提高以及行业结构转型构转型等方式,直接或间接的降低城镇化对生态环境的影响[36-37],但国内外研究学者有着不同的研究结果:即便是达到城镇化演进后期阶段的现代化都市地区,城镇化仍会是增加碳排放最主要的驱动因素之一[3].本研究研究结果也有相似的结论,福建各市域城镇化水平对碳排放的推动作用依然较为显著,这是因为:城镇化进程的不断推进,导致基础设施需求继续增长,需要消耗大量的化石能源、水泥、钢铁等高排放行业;此外,由于城镇中的居民消费水平不断提高,且随着科技发展,其生活方式较以往发生了显著改变,消费含碳较高的商品不断增加.

另外,能源强度与能源结构、能源效率有着密切的关系,与逐步调整产业结构、淘汰落后的产能以及技术创新密不可分.尽管只有福州市和泉州市的能源强度对其碳排放具有抑制作用,但在样本期内,福建省各市域的能源强度均呈现逐年递减的趋势,如图2所示.福建各市域不断增加节能降耗技术的研发、推广,使得能源消耗强度和碳排放强度不断下降,这意味着福建省通过提高能源效率以及调整高碳产业结构等方式来进一步减少碳排放的潜力还较大.

2010~2016年期间,福建各市域进一步加速推进特色新型工业进程,同时不断增加节能降耗技术的研发、推广,使得能源消耗强度和碳排放强度不断下降;近年来,厦门进一步发展高新技术产业,且作为热门旅游城市之一,其经济发展对高耗能产业的依赖较小,其GDP增长速度高于化石能源消费量的增速;而闽西北各市域,尽管其经济发展较沿海城市落后,但近年第三产业发展较快,对高耗能、高污染产业的依赖逐渐下降,使得能源强度不断下降.

为更好分析各自变量对因变量的作用,本研究应用变量投影重要性指标(VIP)来测度每个自变量对碳排放的解释作用.其定义式如下:

运用SIMCA-P软件,得到6个自变量对福建各市域碳排放的VIP值,如图3所示.

图3 各变量对各市域碳排放的VIP值

从图3可知,各市域的各变量的VIP值均大于0.8,说明各变量在解释因变量各市域碳排放能力作用较强,这意味着回归系数拟合与VIP计算模型解释能力拥有较好的一致性.在所有变量中,对各市域碳排放影响的能力不尽相同,但纵观图3,总人口、城镇化率以及第二产业比重等3变量的解释能力大致靠前,说明此3个变量对各市域碳排放的影响较大.

3 结论

3.1 从市域尺度切入,基于对常规STIRPAT模型进行扩展,建立扩展后的福建各市域非线性碳排放STIRPAT模型,结合PLS回归法分析福建省市域碳排放量的影响因素.从驱动因子的影响程度和方向来看,除第三产业比重对福建各市域碳排放量有抑制作用外,总人口、城镇化率、人均GDP、第二产业比重和能源强度等5个变量对碳排放具有正向促进作用.其中,总人口、城镇化率以及第二产业比重为重要的影响因素.

3.2 2010~2016年,福建各市域碳排放随时间呈现出不同的变化趋势.基于碳排放增长速度和碳排放量变化的差异程度,可大致划分为3种类型:先升后降型(福州与漳州)、中低速下降型(厦门、莆田、龙岩、三明和南平)和中高速增长型(宁德与泉州).

3.3 福建省各市域累积碳排放存在明显差异,其中,福州、泉州和三明3市累积碳排放量(68754× 104t)占福建省同期累积碳排放量(116377×104t)的一半以上,达到59.08%,对福建省碳排放的贡献甚大;而厦门、莆田及南平3市所累积碳排放量合计为:13715× 104t,只占全省同期累积碳排放量的11.79%.

4 建议

4.1 优化各城市功能分区,明确各市域的功能定位,按照高质量发展要求合理布局产业和城镇发展空间、结构和规模,通过优化城镇空间结构,如持续推进福州大都市区(福莆宁同城化)和加快“厦漳泉一体化”发展,从战略层面布局低碳、绿色的发展模式,促进福建省各市域协调发展.

4.2 适当控制人口总量和增长速度,降低人口规模对生态环境产生的压力,加强宣传绿色、低碳的良好行为,强化全社会绿色发展意识和公民的环境意识,助推全民生活方式绿色化,积极引导居民向绿色消费和低碳消费模式转变的政策路径.

4.3 由于高碳排放产业是诸多地区所依赖的重点产业,因此,需要改变传统发展模式,在化解和淘汰过剩、落后产能的基础上,通过科学布局,优化工业结构模式,严控高能耗、高排放产业盲目发展;在进一步培育高新技术产业和战略性新兴产业的同时,在政策、人才及资金等方面加大对高附加值的新型服务业和旅游产业的支持.

4.4 推进产学研合作,提高能源效率的研发经费,继续优化能源结构,积极开发和发展诸如太阳能、风能、生质能等新型再生、清洁能源,逐步减少对传统化石能源的依赖及使用量;同时,认真贯彻绿色发展的理念,依靠科技创新与技术进步引领各产业的转型升级,协调各市域低碳技术创新要素间的流动,以减少资源消耗并减轻对生态环境的压力,进而降低碳排放量.

[1] 徐 芳,刘云龙.《巴黎协议》终落槌中国发挥巨大推动作用[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] 福建省统计局.福建统计年鉴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.福建省沿海县(市)生态环境现状综合评价[J]. 湖北农业科学, 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] 陈操操,刘春兰,汪 浩,等.北京市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[J]. 中国环境科学, 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] 王长建,汪 菲,张虹鸥.新疆能源消费碳排放过程及其影响因素--基于扩展的Kaya恒等式[J]. 生态学报, 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 铮,朴胜任.大型工业城市碳排放影响因素分析及趋势预测--基于PLS-STIRPAT模型的实证研究[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] 马晓君,董碧滢,于渊博,等.东北三省能源消费碳排放测度及影响因素[J]. 中国环境科学, 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] 赵 哲,陈建成,白羽萍,等.二氧化碳排放与经济增长关系的实证分析[J].中国环境科学, 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,黄贤金,吴常艳,等.中国省域碳排放影响因素的空间异质性分析 [J]. 经济地理, 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] 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[J]. 自然资源学报, 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] 刘 源,李向阳,林剑艺,等.基于LMDI分解的厦门市碳排放强度影响因素分析[J]. 生态学报, 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] 刘贤赵,高长春,宋 炎,等.湖南市域化石能源消费碳排放时空格局及驱动因素[J]. 生态学报, 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] 张振宇.农业经济发展与农业碳排放的实证关系研究——以上海郊区农业为例[J]. 生态经济, 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 帅,杨莉莉,曹建华.工业能源消费碳排放影响因素研究——基于STIRPAT模型的上海分行业动态面板数据实证分析[J]. 财经研究, 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] 陈志建,王 铮.中国地方政府碳减排压力驱动因素的省际差异——基于STIRPAT模型[J].资源科学, 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,吴先华,孙 宁,等.基于STIRPAT模型的我国制造业碳排放影响因素研究[J]. 数理统计与管理, 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] 张 勇,张乐勤,包婷婷.安徽省城市化进程中的碳排放影响因素研究--基于STIRPAT模型[J]. 长江流域资源与环境, 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] 洪业应,向思洁,陈景信.重庆市人口规模、结构对碳排放影响的实证研究——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,方言龙. FDI对中国东部地区碳排放的影响-基于STIRPAT模型的实证分析[J]. 中央财经大学学报, 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] 林伯强,刘希颖.中国城市化阶段的碳排放:影响因素和减排策略[J]. 经济研究, 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] Özgür Yeniay, Atilla Göktas. 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

苏 凯(1987-),男,福建福州人,讲师,福建农林大学博士研究生,主要从事生态资源评价与管理研究.发表论文5篇.

2018-07-16

福建省自然科学基金资助项目(2018J01652);福建省中青年教师教育科研项目(JAS170143);福建农林大学科技创新专项基金资助项目(KCXRC609A)

* 责任作者, 讲师, sukai516@fafu.edu.cn