田娟娟 张金锁

摘 要：以煤炭資源富集区47个地级市作为研究对象，基于拓展STIRPAT模型，利用2003—2017年的面板数据对该区域碳排放驱动因素进行实证研究，以为制定科学合理的碳减排政策提供依据。研究结果表明：煤炭资源富集区经济发展与碳排放之间不存在非线性关系，碳排放随着经济发展持续增长;人口密度、能源强度、产业结构对碳排放均有显著“促排”效应;而对外贸易与技术进步对碳排放产生了显著抑制效应。环境规制与碳排放之间的非线性关系显著，随着环境规制强度提升，碳排放呈现先下降再反弹的态势，金融发展对煤炭资源富集区的抑碳效应不显著。政策制定者应更加注重保持经济健康发展的步伐，大力推进煤炭清洁生产及低碳高效利用，积极推进产业结构优化，注重外商投资引进质量，加强环境规制力度，深化金融发展，积极发展科技金融、绿色金融。

关键词：煤炭资源富集区;碳排放;拓展STIRPAT模型;影响因素

中图分类号：X 24

文献标志码：A

文章编号：1672-9315（2021）04-0692-08

DOI：10.13800/j.cnki.xakjdxxb.2021.0415开放科学（资源服务）标识码（OSID）：

Analysis of influencing factors of carbon emission in

coal-rich areas based on  STIRPAT model

TIAN Juanjuan1，3，ZHANG Jinsuo2

（1.College of Energy Science and Engineering，Xian University of Science and Technology，Xian 710054，China;

2.School of Economics and Management，Yanan University，Yanan 716000，China;

3.Research Center for Energy Economy and Management，Xian University of Science and Technology，Xian 710054，China）

Abstract：Based on the expanded STIRPAT model，a

study has been made of the driving factors of carbon emission using

the panel data of 47 prefecture-level cities in the coal-rich areas from 2003—2017，so as to provide the basis for formulating scientific and reasonable carbon emission reduction policies.The results showed that：there is no nonlinear relationship between economic development and carbon emissions，and the carbon emissions continue to grow with economic development;factors such as population density，energy intensity，and industrial structure have significant promotion effects on carbon emissions.The foreign trade and technical progress have expected inhibitory effects on carbon emissions.There is a significant nonlinear relationship between environmental regulation and carbon emissions.With the promotion of environmental regulation，carbon emissions show a trend of first decline and then rebound，the carbon suppression effect of financial development on coal-rich areas is not significant.Policy makers should attach importance to the pace of healthy economic development，vigorously promote clean coal production and low-carbon and efficient utilization;actively promote the

industrial

structure optimization and the quality of foreign investment;strengthen environmental regulation，deepen financial development and actively develop science and technology finance and green finance.

Key words：coal-rich areas;carbon emission;expanded STIRPAT model;influencing factors

0 引 言

全球气候变暖所带来的环境问题及日益凸显的极端天气，正在严重威胁人类的生存发展。作为2007年首次超越美国成为全球最大的能源消费国和温室气体排放国[1]，2015年中国在向《联合国气候变化框架公约》提交《强化应对气候变化行动-中国国家自主贡献》文件中承諾2030年左右二氧化碳排放达到峰值并争取尽快达峰，2020年联合国大会上中国宣布到2060年实现碳中和。尽管政府在不断做出减排努力，但是中国的碳排放量依然在逐年增长，并且主要来源于煤炭消费，作为主要的煤炭生产与消费大国，1990—2015年，中国煤炭消费量增长约20亿t标准煤，占全球增量煤炭消费量的108%[2]。大量及粗放的煤炭消费也伴随着大量的碳排放，2016年，中国二氧化碳排放占世界排放总量的近30%[3-4]，2017年底，中国的二氧化碳排放量占全球能源相关排放量的28%，其中76%来自煤炭使用，煤炭成为中国作为二氧化碳主要排放国的主要原因[5-6]。根据中国的能源禀赋条件，短期内煤炭在中国能源结构中占据主导地位的事实不会改变[7]，所以中国面临越来越大的二氧化碳减排压力。随着越来越多区域开始采取应对气候变化的碳减排行动，煤炭资源富集区成为控制碳排放的重点区域。煤炭资源富集区包含山西、陕西、内蒙古自治区（内蒙）、甘肃、宁夏回族自治区（宁夏）、新疆维吾尔自治区（新疆）6个省份，该区域碳排放达峰对于中国减排目标实现至关重要，表现为：

1）近些年随着西部大开发战略的深入实施，该区域已经步入工业化中期阶段，经济增长迅速，“丝绸之路经济带”的提出也为区域提供了新的经济增长点。

2）得益于丰富优质的煤炭资源，该区域担负着我国70%左右的煤炭生产产能，是我国未来煤炭资源重点开发区域。根据《全国矿产资源规划2016—2020》公布的14个亿吨级煤炭基地，超过二分之一都位于该地区。

3）为提高产业附加值，保障国家能源供给安全，该区域煤炭开发之后大部分被就地转化，就地利用比例从2010年的43%增长到2016年的56%，目前我国的煤化工项目主要位于西部地区。随着西部煤化工项目的推进，未来煤化工耗煤量将逐步增加。

4）煤炭资源富集区位于中国甘肃祁连山地区、甘南高原等黄河流域等生态敏感脆弱区，随着人口增长，粗放型的经济增长方式使得该地生态破坏非常严重，重工业广泛分布，碳排放效率低。随着产业转移规模的扩大，西部地区资源优势及转移优势逐渐显现，伴随着工业化进程的加快，西部地区经济发展水平、城镇化水平将快速发展，这必然导致碳排放量增加。煤炭资源富集区碳减排效果直接关系到中国整体碳减排成效。而识别该区域碳排放驱动因素，并据此选择合适的减排路径进而制定相应的减排政策是实现低碳转型发展的必要条件。近年来，碳排放影响因素的研究获得学者们的广泛关注，主要集中在二氧化碳排放与社会经济因素的关系上。崔和瑞等和张京玉分别运用STIRPAT（stochastic impacts by regression on population，affluence and technology model）模型和LMDI（logarithmic mean divisia index）模型探索了我国碳排放驱动因素[8-9]。

冯宗宪等运用STIRPAT模型分析了影响我国东、东北、西、中四大区域的碳排放影响因素，发现，人口、经济、产业结构、固定资产投资是影响全国及区域碳排放的稳定因素，但是在不同区域碳排放贡献中发挥差异性作用[10]。刘玉珂等运用LMDI分解方法对中部省份的碳排放影响因素进行分解，研究发现区域碳排放影响因素贡献率从大到小为：产出规模、能源强度、产业结构、人口规模和能源结构[11]。吴振信运用环境库涅兹模型探索了环渤海经济圈碳排放影响因素[12]。YANG L等、陈占明等、WANG S等运用STIRPAT模型分别分析了浙江省、广东省的碳排放驱动因素[13-15]。ZHANG Y Q等、程铁军等、陶良虎等分别以保定市、江苏省、湖北工业行业作为研究对象，运用LMDI对其碳排放影响因素进行分解[16-18]。

1）从研究对象来看，尽管相关研究对一些区域的碳排放影响因素进行了分析，但是主要集中于东部、中部、西部区域或者特定区域，缺乏对煤炭资源富集区碳排放的研究。其次，研究对象主要集中于国家、省域、区域等层面，缺乏对于城市层面碳排放影响因素的研究。城市是中国能源消费和温室气体排放的主要来源，世界银行的《中国可持续低碳城市发展》报告指出，70%的能源相关温室气体排放是在城市产生的[19]，并且国际能源署预测，到2030年中国城市的能源消耗将占全国消费的83%，产生大量碳排放。城市是中国能源转型、环境保护的行动中心，因此从城市层面剖析碳排放影响因素至关重要。

2）从研究方法看，指数分解法如LMDI、Kaya恒等式、IPAT（the human impact，population，affluence，technology model）、STIRPAT模型被广泛用于探索碳排放驱动因素。其中LMDI无法同时考虑到绝对指标与相对指标的影响[20]。STIRPAT模型由于考虑到社会、经济和技术方面等因素，被认为是探索能源相关碳排放驱动因素的有效方法并被广泛应用[21]。

3）目前运用STIRPAT模型探索碳排放影响因素的相关研究仍然局限于模型的初始状态，人口、经济发展、产业结构、能源结构、对外贸易、技术进步等是学者们主要关注的碳排放的影响因素。随着环境问题日益凸显，环境规制与环境治理之间的关系成为学者们的研究热点。根据波特假说，环境规制能够激发“创新补偿”效应，提高企业生产率进而实现“倒逼减排”。但是随着“绿色悖论”效应的提出[22]，对环境规制有效抑制碳排放的质疑声不绝于耳。张华等利用我国省级面板数据发现环境规制与碳排放的非线性关系呈现倒“U”形[23]。徐斌等研究表明环境规制对我国中东西部碳排放均产生负向影响，有利于碳减排[24]。董棒棒等研究发现目前我国西北五省环境规制处于“倒逼减排”状态。因此有必要将环境规制变量纳入模型中进行剖析[25]。目前对于环境规制变量的设置标准各不相同，无法全面反映环境规制强度现状。此外，随着研究深入，金融发展与环境污染之间的关系也逐渐成为关注点[26-27]。综上，研究将选取煤炭资源富集区地级市作为研究对象，建立拓展STIRPAT模型，运用面板数据选取有效指标，探讨煤炭资源富集区碳排放影响因素，以推动煤炭资源富集区减排任务的实现，并为其制定针对性政策以实现经济环境协调可持续发展提供相应的参考。

1 模型构建与数据来源

1.1 STIRPAT模型构建为了全面研究人类活动对环境的影响，DIETZ（1998）提出了STIRPAT模型，因为IPAT模型无法测量变量之间的非线性关系，也无法探索其他环境驱动因素的影响[28]。STIRPAT模型的一般形式如下

I=aPbAcTd

（1）

式中 I為环境因素;a为常数;P，A，T分别代表人口、财富及技术状况;b，c，d分别为需要估计的参数，在实际应用中通常将变量取对数形式，但不会改变数据性质，见式（2）

lnI=lna+blnP+clnA+dlnT+lnε

（2）由于STIRPAT模型的可拓展性，为深入分析煤炭资源富集区碳排放驱动力量，基于学者们的研究成果，对经济、社会及技术三大因素进行适当分解，并对模型进行扩展，见式（3）

lnC=alnG+blnG2+clnI+dlnP+elnT+flnF+glnO+hlnS+ilnR+jlnR2+ε

（3）其中自变量C为碳排放总量;经济发展水平（G），以地区人均生产总值表示，根据环境库涅兹假说，碳排放与经济增长之间存在非线性关系，为了验证EKC假说在煤炭资源富集区是否成立，将经济变量二次项纳入模型中;P为人口密度，以单位行政区域面积年末人口来表示;I与S为产业结构及能源强度，分别以第二产业增加值占生产总值比重、能源消费总量（标准煤）占GDP比例来表示;T，F及O为技术进步、金融发展及对外贸易，分别以年末专利授权数量、年末金融机构存贷款余额占GDP比重与进出口总额占GDP比重来表示。

关于环境规制（R）变量，由于其无法直接度量，学者们运用了不同的方法度量该指标，其中环境污染治理投资额、废水处理率、二氧化硫达标率等单一指标被广泛应用，但是随着研究不断深入，单一指标度量的全面性不断遭到质疑。为了全面反映环境规制变量，基于二氧化硫去除率、烟尘去除率、工业固体废物综合利用率、生活污水处理率、生活垃圾无害化处理这5个指标构建综合环境规制指数[29]。此外为了验证环境规制与碳排放之间的非线性关系，将环境规制的二次方项引入模型中。为了更好表现数据的统计特征，运用Stata 15.1计算了各变量的统计值，见表1。

1.2 数据来源

考虑数据可得性，研究选取煤炭资源富集区47个地级市作为研究对象，研究时间为2003—2017年。由于缺乏城市尺度的碳排放统计，并且只有少量城市发布了能源消费清单，因此运用能源统计数据与夜间灯光数据反演城市尺度碳排放[30]。首先根据IPCC（intergovernmental panel on climate change）温室气体排放清单计算具有城市能源消费数据的能源消费碳排放;然后根据DMSP/OLS

（defense meteorological satellite program/operational linescan system）

夜间灯光影像，获取城市夜间灯光数据，并统计夜间灯光总值;接着将夜间灯光数据与相应的碳排放统计量进行拟合，根据拟合结果对城市碳排放量进行反演。其他解释变量数据主要来源于历年《中国城市统计年鉴》及各省份、各市统计年鉴，部分缺失数据利用插值法进行补充。此外，为消除价格因素的影响，货币指标数据以2003年不变价格进行平减调整。

2 实证分析

2.1 平稳性与协整检验面板数据能够同时反映样本在时间、个体方面的信息，并且能够通过在回归模型中引入一个特定的影响因素来捕获个体的异质性，从而提高估计有效性，因此本研究中采用面板模型进行因素分析。

在回归之前首先对数据进行平稳性检验，检验结果见表2。可以发现，原始序列均未通过单位根检验，而一阶差分序列则全部通过单位根检验，

因此数据是平稳的，可以进行变量回归。为确定变量之间长期均衡关系的存在，对面板数据进行了Kao检验，如果能够通过协整检验，则表明变量之间有着长期的稳定均衡关系，检验结果见表3，p值为0.000 0，表明在1%水平下拒绝“不存在协整关系”假设，说明变量之间存在长期协整关系。

2.2 回归结果分析通过Hausman检验发现煤炭资源富集区面板模型为固定效应模型，并且异方差、序列相关、截面相关均存在于该模型中，因此采用xtscc[31]命令对模型进行“异方差-序列相关-截面相关”稳健型标准误估计，结果见表4。

从表4可以看出，模型拟合度较高，参数估计整体显著性较高，可以较好代表煤炭资源富集区经济、社会、技术等发展与碳排放之间的关系。煤炭资源富集区碳排放驱动模型见式（4）。人均GDP一次项与二次项、产业结构、人口密度、能源强度环境规制二次项对碳排放的影响显著为正，技术进步、对外贸易、环境规制一次项均显著负向影响碳排放。影响程度从大到小依次为：人口密度、人均GDP一次项、能源强度、环境规制一次项、环境规制二次项、技术进步、对外贸易、人均GDP二次项、产业结构。此外金融发展虽然对于碳排放产生了抑制效应，但是不显著。 具体来看

lnC=0.753 4*lnG+0.009 1*lnG2

+0.005 4*lnI+0.945 1*lnP-0.025 2*lnT-0.000 5*lnF-0.023 8*lnO+0.375 6*lnS-0.161*lnR+0.068*lnR2-10.164

（4）1）人均GDP一次项与二次项的系数均显著为正，说明碳排放随着人均GDP增长一直呈现增长趋势，不符合传统EKC假说。经济增长对碳排放的弹性系数为0.753 4+0.018 2*lnG，这说明煤炭资源富集区经济发展与碳减排之间的冲突仍然显著存在，这也与当地目前的经济环境状况是一致的。与东部及中部地区相比，西部煤炭资源富集区相对落后，经济发展是该地区发展首要任务，随着西部大开发战略的深入实施，该地区承接了大量来自发达地区的高耗能产业转移，极大促进了经济发展的同时也带来了环境问题。并且依托丰富的煤炭资源，该地区不仅是主要的煤炭资源输出地，同时还担负着火电生产及输出的主要任务，长期粗放的生产方式导致能源利用率较低，资源浪费及生态环境破坏问题较为严重。2）诸多解释变量中，人口密度对于碳排放的影响最大，人口密度每增长1%，碳排放增长0.945 1%。随着城镇化进一步发展，工业快速扩张，能源需求快速增长，居民生活需求提高，城市基础设施建设、交通发展均带动了能源需求的快速增长，进而促进了碳排放量增加。3）产业结构每增长1%，碳排放将增长0.005 4%。第二产业尤其是重工业主导的产业体系是煤炭资源富集区的显著特征，作为中国重要的能源尤其是煤炭供给区，煤炭资源富集区不仅承担煤炭生产、向经济发达地区供给煤炭的重要任务，同时也是火电、能源制成品的主要供给区，尽管产业持续不断升级，但是整体来看，第二产业仍然是该地区经济增长的主要推动力。此外，与其他显著解释变量相比，产业结构是影响煤炭资源富集区碳排放影响最小的因素。原因可能为目前煤炭资源富集区仍处于工业化中期阶段，重工业仍然是该区域主要的产业基础，并且产业调整较为缓慢。4）能源强度每增长1%，碳排放将增长0.375 6%，煤炭资源富集区处于中国西部地区，经济发展水平较低，有利的资源禀赋条件使得过去一些年该地区形成了粗放的能源生产与利用方式，能源清洁利用程度较低。5）

技术进步每增长1%，碳排放将减少0.052 5%，这说明西部煤炭资源富集区的技术进步产生了显著的抑碳效应。技术进步能够通过改良生产工艺，减少工业企业对化石燃料的需求，提高企业的生产率水平和清洁技术水平，从源头上减少污染排放，降低生产过程的环境污染。对外贸易每增长1%，碳排放降低0.023 8%。根据内生增长理论，对外贸易通过技术溢出效应提高生产率水平。作为丝绸之路沿线的主要省份，对外贸易有利于提升煤炭资源富集区技术水平及能源效率，产生相应的抑碳效应。6）环境规制对碳排放的弹性系数为-0.161+0.136 6*lnR，环境规制一次方的系数显著为负，二次项显著为正，说明环境规制实施初期有利于降低碳排放，而随着环境规制实施力度的增长，会产生相应的反弹效应。通过对弹性系数求导得出拐点为1.17，即当环境规制强度小于1.17时，环境规制强度提高有利于降低碳排放，而当环境规制强度大于1.17时，碳排放则随着环境规制的增强而增加。观察煤炭资源富集区样本期间内的环境规制水平，发现均显著低于拐点水平值，这说明目前煤炭资源富集区增强环境规制强度，有利于促使部分污染型企业改善管理，改进技术与生产工艺，进而提高资源使用效率，实现倒逼减排。但仍然需警惕环境规制“绿色悖论”现象的产生。不合理的环境规制可能会促使相关企业增强能源开采使用力度，进而加大环境污染程度。7）金融发展每提升1%，碳排放将下降0.000 5%，但是该效应对于煤炭资源富集区并不显著。说明目前金融发展没有对煤炭资源富集区产生显著的抑碳效应。原因可能归结于：金融的快速发展为企业发展提供了丰富的资金支持，有利于企业环保技术的开发，进而降低经济生产对环境污染的影响。但是同时也会产生一定的反弹效应，利润驱动下，越来越多的金融资金会进入能源密集型产业，导致能源需要快速增长，并且金融要素扭曲是中国金融市场一直存在的问题，尤其是资源富集区，不合理的金融机制及政府本位主义、官僚主义使得金融市场无法正常运行，大量的资金进入国有企业，无法发挥效率提升效应。此外，中国金融发展一直存在区域不平衡现象，煤炭资源富集区主要位于西部，与东部地区相比，金融发展较为落后并且机制不健全。

3 政策建议1）目前煤炭资源富集区经济增长对碳排放表现出显著的积极效应，为实现可持续发展，必须保持健康理性的经济增长步伐，坚决杜绝任何以牺牲生态环境获取经济利益的做法。此外人口增长仍然是制约环境的最主要因素。提高人口素质，倡导低碳生活势在必行，包括强化低碳生活理念，通过使用低碳产品、实行垃圾分类、绿色出行等个人自觉行为，提高生物资源利用率。此外随着城镇化进程的加快，提高城镇化质量而非数量势在必行，煤炭资源富集区需加强城市治理，深入推行绿色低碳生活。2）大力推进煤炭清洁生产及低碳高效利用。首先，应加快煤炭生产方式变革，实现“安全高效绿色开采”，积极开发资源综合开发利用等技术，加强煤炭开发生态环境保护。由于能源强度在驱动碳排放中作用显著，因此应推进煤炭高效转化，实现煤炭清洁利用。加强现代煤化工技术开发创新，建立清洁高效煤电体系，全面提升煤电能效水平，积极开发污染物处理技术，提高污染控制率。3）积极推进产业结构优化。首先加强高耗能高污染行业投资控制力度，积极发展低能耗的第三产业，此外煤炭资源富集区区应根据自身特点加强对传统工业的新型工业化改造，结合各省份的不同特点优化区域内工业产业布局，产生产业集聚。如依托丰富的旅游资源发展旅游业。此外煤炭资源富集区同时还有着丰富风能、光伏能源等可再生能源，因此须促进清洁能源的开发，提高可再生能源的使用率。4）目前来看对外贸易对于煤炭资源富集区有着显著的技术溢出效应，因此增强对外开放力度，充分利用丝绸之路战略，积极引进外资，发展对外贸易。但同时注重外商投资引进质量仍然是招商引资工作的重点，不同地区应根据自身发展制定相应的招商引资政策，杜绝高耗能外资企业进入，避免成为发达国家的“污染天堂”。5）过去煤炭资源富集区为了保障经济生产的正常运行，容易出现环境规制落实不到位的情况，且经常采用命令型环境规制工具，无法产生显著减排效应，因此必须加强环境规制力度，同时采取科学的环境规制手段，根據目前的经济生产状况制定科学的环境管制政策，对违规排放企业给予严厉处罚。其次选择合理的环境规制工具双管齐

下，积极引入碳税、碳排放交等市场型环境规制工具。6）金融深化过程中充分注重低碳经济发展，积极发展绿色金融及科技金融，金融机构应提高高能耗、高排放的企业的贷款门槛，降低地方政府对金融市场的干预，通过碳排放交易所等加大资本市场对低碳产业的支持力度。

4 结 论

1）影响因素方面，经济发展与碳排放之间不存在非线性关系，随着经济发展水平的提高，碳排放呈现不断增长态势;产业结构、人口密度、能源强度对碳排放均有显著“促排”效应，并且人口密度的影响效应最大，产业结构最小;而技术进步与对外贸易均在煤炭资源富集区产生了显著技术溢出效应，对碳排放产生了显著抑制效应;环境规制与碳排放存在显著非线性关系，初期有抑制碳排放效应，而随着环境规制力度的增强，会产生反弹效应。金融发展对煤炭资源富集区碳排放抑制效应不显著。2）为有效控制碳排放，煤炭资源富集区应保持健康经济增长步调，加强城市治理，推进煤炭清洁生产及低碳高效利用，优化产业结构，注重外资引进质量，加强金融深化，积极发展科技金融与绿色金融，因地制宜加强区域环境管制。

参考文献（References）：

[1] IEA.CO2emissions from fuel combustion，highlights[R].Paris：International Energy Agency，2012.

[2]EPA.International energy statistics[R].Washington，D.C.：U.S.Energy Information Administration，2011.

[3]

IEA.CO2 emissions from fuel combustion[R].Paris：International Energy Agency，2017.

[4]IEA.Global energy statistical yearbook[R].Paris：International Energy Agency，2016.

[5]ZHOU N，PRICE L，DAI Y，et al.A roadmap for China to peak carbon dioxide emissions and achieve a 20% share of non-fossil fuels in primary energy by 2030[J].Applied Energy，2019，239：793-819.

[6]DONG K，DONG X，DONG C.Determinants of the global and regional CO2 emissions：what causes what and where？[J].Applied Economics，2019，51（46-48）：5031-5044.

[7]MA M D，CAI W，CAI W G，et al.Whether carbon intensity in the commercial building sector decouples from economic development in the service industry？ Empirical evidence from the top five urban agglomerations in China[J].Journal of Cleaner Production，2019，222：193-205.

[8]崔和瑞，王浩然，趙巧芝.基于动态面板模型的中国区域碳排放影响因素研究[J].科技管理研究，2019，39（12）：238-244.

CUI Herui，WANG Haoran，ZHAO Qiaozhi.Study on the influencing factors of regional carbon emissions in China based on dynamic panel[J].Model Science and Technology Management Research，2019，39（12）：238-244.

[9]张京玉.影响中国能源消耗碳排放因素分析——基于LMDI分解模型[J].煤炭经济研究，2019，39（11）：23-28.ZHANG Jingyu.Analysis of factors affecting Chinas energy consumption and carbon emission based on LMDI decomposition model[J].Coal Economic Research，2019，39（11）：23-28.

[10]冯宗宪，高赢.中国区域碳排放驱动因素、减排贡献及潜力探究[J].北京理工大学学报（社会科学版），2019，21（4）：13-20.

FENG Zongxian;GAO Ying.Driving factors，contribution and potential of regional carbon emission reduction in China[J].Journal of Beijing Institute of Technology（Social Sciences Edition），2019，21（4）：13-20.

[11]刘玉珂，金声甜.中部六省能源消费碳排放时空演变特征及影响因素[J].经济地理，2019，39（1）：182-191.

LIU Yuke，JIN Shengtian.Temporal and spatial evolution characteristics and influencing factors of carbon emission from energy consumption in six provinces of central China[J].Economic Geography，2019，39（1）：182-191.

[12]吴振信，闫洪举.经济增长、产业结构对环渤海经济圈碳排放的影响分析——基于空间面板数据模型[J].中国管理科学，2014，22（S1）：724-730.WU Zhenxin，YAN Hongju.Analysis of the influence of economic growth and industrial structure on carbon emission in Bohai economic circle based on spatial panel data model[J].Chinese Journal of Management Science，2014，22（S1）：724-730.

[13]YANG L，XIA H，ZHANG X，et al.What matters for carbon emissions in regional sectors？ A China study of extended STIRPAT model[J].Journal of Cleaner Production，2018，180：595-602.

[14]陈占明，吴施美，马文博，等.中国地级以上城市二氧化碳排放的影响因素分析：基于扩展的STIRPAT模型[J].中国人口·资源与环境，2018，28（10）：45-54.

CHEN Zhanming，WU Shimei，MA Wenbo，et al.Analysis of the influencing factors of carbon dioxide emission in cities above prefecture level in China：Based on the extended STIRPAT model[J].China Population，Resources and Environment，2018，28（10）：45-54.

[15]WANG S，WANG J，LI S，et al.Socioeconomic driving forces and scenario simulation of CO2 emissions for a fast-developing region in China[J].Journal of Cleaner Production，2019，216（10）：217-229.

[16]ZHANG Y，LIU C，CHEN L，et al.Energy-related CO2 emission peaking target and pathways for Chinas city：A case study of Baoding city[J].Journal of Cleaner Production，2019，226：471-481.

[17]程铁军，王曼，王济干，等.经济新常态背景下江苏省碳排放驱动效应研究[J].科技管理研究，2019，39（23）：242-249.

CHENG Tiejun，WANG Man，WANG Jigan，et al.Study on the driving effect of carbon emission in Jiangsu province under the background of new normal of economy[J].Science and Technology Management Research，2019，39（23）：242-249.

[18]陶良虎，胡雪蓓.湖北省工业行业碳排放驱动因素分解——基于面板数据的实证分析[J].生态经济，2019，35（12）：31-37.TAO Lianghu，HU Xuebei.Decomposition of industrial carbon emission drivers in Hubei province：An empirical analysis based on panel data[J].Ecological Economics，2019，35（12）：31-37.

[19]AXEL B，EDE I，SHOMIK M.Sustainable low-carbon city development in China[R].Washington，D.C.：World Bank Group，2012.

[20]SHAO S，LIU J H，GENG Y，et al.Uncovering driving factors of carbon emissions from Chinas mining sector[J].Applied Energy，2016，15（166）：220-238.

[21]ZHANG C，LIN Y.Panel estimation for urbanization，energy consumption and CO2 emissions：A regional analysis in China[J].Energy Policy，2012，49：488-498.

[22]SINN H W.Public policies against global warming：a supply side approach[J].International Tax Public Finance，2008，15：360-394.

[23]張华，魏晓平.绿色悖论抑或倒逼减排——环境规制对碳排放影响的双重效应[J].中国人口·资源与环境，2014，24（9）：21-29.

ZHANG Hua，WEI Xiaoping.Green paradox or forced emission-reduction：dual effect of environmental regulation on carbon emissions[J].China Population，Resources and Environment，2014，24（9）：21-29.

[24]徐斌，陈宇芳，沈小波.清洁能源发展、二氧化碳减排与区域经济增长[J].经济研究，2019，54（7）：188-202.

XU Bin，CHEN Yufang，SHEN Xiaobo.Clean energy development，carbon dioxide emission reduction and regional economic growth[J].Economic Research Journal，2019，54（7）：188-202.

[25]董棒棒，李莉，唐洪松，等.环境规制、FDI与能源消费碳排放峰值预测——以西北五省为例[J].干旱区地理，2019，42（3）：689-697.DONG Bangbang，LI Li，TANG Hongsong，et al.Environmental regulation，FDI and energy consumption peak carbon emissions forecast：A case of five provinces in northwest China[J].Arid Land Geography，2019，42（3）：689-697.

[26]ACHEAMPONG A O.Economic growth，CO2 emissions and energy consumption：what causes what and where？[J].Energy Economics，2018，74：677-692.

[27]ABID M.Does economic，financial and institutional developments matter for environmental quality？ A comparative analysis of EU and MEA countries[J].Journal of Environmental Management，2017，188：183-194.

[28]ROSA E A，DIETZ T.Climate change and society：speculation，construction and scientific investigation[J].International Sociology，1998，13（4）：421-455.

[29]REN S，LI X，YUAN B，et al.The effects of three types of environmental regulation on eco-efficiency：A cross-region analysis in China[J].Journal of Cleaner Production，2018，173：245-255.

[30]WANG Y，LI G D.Mapping urban CO2 emissions using DMSP/OLS city lights satellite data in China[J].Environment and Planning A，2017，49（2）：248-251.

[31]DRISCOLL J C，KRAYY A C.Consistent covariance matrix estimation with spatially dependent panel data[J].The Review of Economics and Statistics，1998，80（4）：549-560.