基于STIRPAT模型的碳排放影响因素及峰值研究——以山东省为例

二、研究方法 在对碳排放相关问题的研究中，ＩＰＡＴ模型被广泛使用。 ＩＰＡＴ模型最早由美国生态学家 Ｅｈｒｌｉｃｈ和 Ｃｏｍｎｏｎｅｒ提出，用 于研究人类活 动 和 自 然 环 境 之 间 的 关 系。 模 型 表 达 式 为：Ｉ ＝Ｐ×Ａ×Ｔ，这个模型说明人口规模（Ｐ）、富裕程度（Ａ）、技 术水平（Ｔ）是影响环境（Ｉ）的三个直接因素。这一模型结构 简单，易于理解，被学者用于分广泛应用于分析环境变化的 影响因素，然而导致环境问题的因素错综复杂，而 ＩＰＡＴ模型 中仅涉及三个影响因素，不能全面反映实际问题；该模型只 能通过改变 一 个 因 素，而 保 持 其 他 因 素 固 定 不 变 来 分 析 问 题，得出自变量对因变量的影响是等比例的，但这不符合实 际情况。 为了弥补 ＩＰＡＴ模型的不足，Ｙｏｒｋ等学者在该模型的基 础上提出了 ＳＴＩＲＰＡＴ模型，表达形式如下： Ｉ＝ａＰｂ×Ａｃ×Ｔｄｅ 式中，ａ是模型 的 系 数，ｂ、ｃ、ｄ分 别 是 人 口 规 模、富 裕 程 度和技术水平的指数，ｅ是随机误差项，在实际应用中，根据 ＳＴＩＲＰＡＴ模型，对等式两边取自然对数得出影响因素对环境 影响的弹性，对数形式如下： ｌｎＩ＝ｌｎａ＋ｂｌｎＰ＋ｃｌｎＡ＋ｄｌｎＴ＋ｅ 其中 ｂ、ｃ、ｄ分别是变量人口、富裕 程 度和技术 水平的弹性 系数。 为了分析我国碳排放强度的影响因素，本文引入了城市 化水平、能源消费结构、产业结构、人均消费水平等指标对原 有的 ＳＴＩＲＰＡＴ模型进行扩展，扩展后的 ＳＣＩ＝αＰＡβ１ＰＧβ２ＲＤβ３ＵＬβ４ＥＳβ５ＩＳβ６ＲＣβ７ε 对上式两边取自然对数后如下： ｌｎＣＩ＝ｌｎα＋β１ｌｎＰＡ＋β２ｌｎＰＧ＋β３ｌｎＴＬ＋β４ｌｎＵＬ＋β５ｌｎＥＳ ＋β６ｌｎＩＳ＋β７ｌｎＲＣ＋ｌｎε 式中，α为常数 项；ＣＩ表 示 我 国 的 碳 排 放 强 度；ＰＡ表 示 人口总数；ＰＧ代表人均 ＧＤＰ；ＴＬ表示技术水平；ＵＬ代表城 市化水平；ＥＳ代表能源消费结构；ＩＳ表示产业结构；ＲＣ代表 居民消费水平；ε为 随 机 误 差 项。 方 程 中，这 些 变 量 自 然 对 数的系数 β１，β２，…，β７ 分别为各变量的弹性系数。 三、指标选取与数据来源 １碳排放量及碳排放强度（ＣＩ） 碳排放主要来自于化石燃料燃烧产生的二氧化碳，因此 本文采用煤炭、石油和天然气这三种消费量较大的一次能源 来测算二氧化碳排放量。关于 ＣＯ２ 的计算方法，本文采用的 是《ＩＰＣＣ国家温室气体排放清单指南 ２００６》中提供的方法， 计算公式为：ＣＥ＝∑３ｊ＝１Ｅｊ×ＣＣｊ（４４／１２）］。 ＣＥ表 示 二 氧 化 碳排放量，ｊ＝１，２，３表示一次能源种类，Ｅｊ代表折算为标准 煤后的能源消耗量，单位是 ｔ；ＣＣｊ为碳排放系数，不同机构 给出的碳排放系数不尽相同，故本文收集了具有代表性的几 个机构给出的碳排放系数值，如表 １所示，取其平均数用于 二氧化碳 排 放 量 的 测 算。４４和 １２分 别 为 ＣＯ２ 和 碳 的 分 子量。

这表明， 中 国 的 建 筑 能 源 消 费 约 占 全 球 能 源 消 费 总 量
的 ６ ％， 建 筑 业 面 临 着 巨 大 的 二 氧 化 碳 减 排 压 力 。 研
Ｋａ ｙ ａ恒 等 式 将 ＣＯ 排 放 量 分 解 为 与 人 类 生 产 生 活 相 关 的 四大 要 素 ， 以 此 来 研 究 人 类 活 动 与 碳 排 放 之 间 的 关 系 。 变 形 后 的 Ｋａ ｙ ａ恒 等 式 被 广 泛 运 用 到 建 筑 碳 排 放 影 响 因 素 的 分 析 中 。 结 合 我 国 建 筑 业 的 实 际 情况 ， 考 虑城 市 化 因 素 对 建 筑碳 排 放 的影 响 ， 本 文 在
基 于扩 展 Ｓ Ｔ Ｉ ＲＰ Ａ Ｔ模 型 的 我 国建 筑 业碳 排 放 影 响 因素 研 究
口 李 爽 陶 东 夏 青
（ 中 国 矿 业 大 学 管 理 学 院 ， 江 苏 徐 州 ２ ２ １ １ １ ６ ）
［ 摘 要 ］利 用 扩 展 的 Ｋａ ｙ ａ 恒 等式 分 解 出 五 个 具 体 指 标 ， 运用 Ｓ ＴＩ ＲＰ ＡＴ 模 型 框 架 作 为 基 础 ， 选 择岭 回归方法 定量分 析 了
受宏 观经济 变量的影 响， 研 究 发 现 居 住 者 的 生 活 方 式、 生 活水 平 ， 以及 能 源 价 格 ， 都 对 建 筑 能 源 消 费 具 有
产 业规 模 、 人 均 ＧＤＰ、 城 市 化 水 平 以 及 城 市 人 口规 模 。
考 虑 城市 人 口规 模 本 身 就 是 城 市 化 水 平 的一 个 重 要指 标 ， 在 计 算 模 型 时 会产 生很 强 的共 线 性 ， 所 以 本 文删 除 了城 市 人 口规 模 这 一 变 量 指 标 。为 消 除异 方差 ， 直接 获得 各解 释 变量 的影 响程 度 ， 在 扩 展 的

国外保险索赔次数及相应的参数估计量 A 保单数 m1 B 保单数 m2 103704 10475 1766 255 45 6 2 0.1143 0.2897 0.1137 0.0977
[1]
程的风险模型[J].南京邮电大学学报(自然科学版),2008,28(3).
C 保单数 m3
370412 46545 3935 317 28 3 0 0.1284 0.1284 0.0251 0.0282 0
̂ λ ̂ ρ
矩估计 矩估计
0
极大似然估计 极大似然估计
0.1826 0.1859 0.1481 0.1325
极大似然估计的精度， 认为矩估计优于极大似然估计， 而相 比毛泽春、 刘锦萼 通过解二元超越方程组得到参数的极 大似然估计， 本文的方法在计算上更为简便。最后通过实例 分析和计算说明了本文方法的应用。
碳排放及影响因素原始数据 工业化 三产比 能源强度 煤炭消 城市化 人均 GDP 重 水平 吨标准煤/ 费比 % 元/人 % % 万元 例% 19.39 462.8 43.92 13.1953 72.2 21.60 20.16 21.13 21.62 23.01 23.71 24.52 25.32 25.81 26.21 26.41 26.94 27.46 27.99 28.51 29.04 30.48 31.91 33.35 34.78 36.22 37.66 39.09 40.53 41.76 42.99 43.90 44.94 45.68 46.59 480.4 515.7 564.2 641.4 717.5 769.0 844.0 924.6 947.8 1045.6 1180.8 1330.4 1487.7 1632.9 1777.7 1923.5 2055.3 2193.9 2360.9 2539.2 2752.0 3009.8 3293.9 3644.9 4085.3 4639.9 5061.1 5542.7 970.2 41.88 40.62 39.85 38.69 38.25 38.61 38.03 38.41 38.16 36.74 37.13 38.20 40.15 40.42 41.04 41.37 41.69 40.31 39.99 40.35 39.74 39.42 40.45 40.79 41.76 42.21 41.58 41.48 39.72 22.01 21.85 22.44 24.78 28.67 29.14 29.64 30.51 32.06 31.54 33.69 34.76 33.72 33.57 32.86 32.77 34.17 36.23 37.77 39.02 40.46 41.47 41.23 40.38 40.51 40.94 41.89 41.82 43.36 12.3657 11.8385 11.3631 10.5925 10.0961 9.7797 9.3913 9.0594 9.0742 8.8982 8.5695 7.8907 7.3565 6.8838 6.6325 6.1738 5.6786 5.2767 5.0610 4.8322 4.6113 4.4811 4.6951 4.9533 4.9199 4.7860 4.5461 4.3083 4.1519 72.7 73.7 74.2 75.3 75.8 75.8 76.2 76.1 76.1 76.2 76.1 75.7 74.7 75.0 74.6 73.5 71.4 70.9 70.6 69.2 68.3 68.0 69.8 69.5 70.8 71.1 71.1 70.3 68.7 石油消 费比 例% 20.7 20.0 18.9 18.1 17.4 17.1 17.2 17.0 17.1 17.1 16.6 17.1 17.5 18.2 17.4 17.5 18.7 20.4 20.8 21.5 22.2 21.8 22.3 21.2 21.3 19.8 19.3 18.8 18.3 17.9 碳排放量 万公吨 1439.8597 1506.9424 1593.3862 1724.4894 1857.8079 2102.7796 2240.368 2275.338 2269.7094 2369.2515 2449.1622 2626.6449 2831.5466 2861.6848 2893.3768 3081.7445 2967.2559 2885.7219 2849.7495 2969.5759 3464.8429 5089.7804 5512.7028 5817.1435 6260.0333 6803.9215 7710.5042 4069.239 1970.823 1448.464

基于 P-S-Ｒ 概念模型的生态环境承载力评价指标体系 研究
— — 以山东半岛为例 —
王奎峰
1， 2， * 3 2 2 2 ， 李娜 ， 于学峰 ， 王岳林 ， 刘洋 1． 中国矿业大学 资源与地球科学学院 ， 徐州 113001 2． 山东省地质科学研究院 ， 济南 250013 3． 山东协和学院 经济管理学院， 济南 250107 收稿日期： 2013-11-19 修回日期： 2014-03-05 录用日期： 2014-03-16
SＲ ） 概念模型， 摘要： 结合山东半岛生态环境现状 ， 根据该区域的社会经济和环境特点， 采用压力状态响应 （ P选取了 25 项指标构建了其生 态环境承载力评价指标体系 ， 运用层次分析法（ AHP ） 确定各指标权重， 然后将模糊数学综合评价的理论和方法应用于山东半岛生态环境承载 力的评估， 对 2009 及 2012 年度山东半岛 6 个城市的生态环境承载力做出评价． 评价结果为威海市生态环境承载力为 Ⅰ 级优， 承载力稳中有 升， 青岛、 烟台、 日照市为Ⅱ级良， 青岛、 烟台承载力略升， 日照略有下降， 潍坊市为Ⅲ 级中等， 承载力有所下降， 东营市由 Ⅳ 级差变为 Ⅲ 级中等， 承载力明显好转． 同时， 并对每个城市的生态环境承载力做了分析说明 ， 以期为推进生态文明建设提供科学依据． SＲ 模型； 生态环境承载力 ； 模糊综合评价； 山东半岛； 指标体系 关键词： P2468 （ 2014 ） 08-2133-07 文章编号： 0253中图分类号： X196 文献标识码： A
1． School of Ｒesources and Earth Sciences，China University of Mining and Technology，Xuzhou 113001 2． Shandong Institute of Geological Sciences，Jinan 250013 3． Shandong Xiehe University，School of Economics and Management ，Jinan 250107 Ｒeceived 19 November 2013 ； received in revised form 5 March 2014 ； accepted 16 March 2014

基于STIRPAT模型的中国碳排放EKC验证及影响因素分析摘要：研究基于改进的STIRPAT模型和中国1971-2015年时间序列数据，验证了碳排放经典环境库兹涅茨曲线假说在中国的存在性，定量分析了经济规模、能源强度、能源结构、产业结构和人口结构等变量对碳排放总量和人均碳排放量的影响。

结果表明：中国碳排放量拐点要早于人均碳排放拐点出现，这主要是由于经济发展与碳排放有逐步脱钩的趋势，居民生活消费碳排放增加趋势明显。

各变量对碳排放总量和人均碳排放的影响系数都为正，对碳排放总量和人均碳排放都有正向促进作用。

GDP是碳排放总量和人均碳排放首要影响因素。

降低能源强度，提高能源效率是降低碳排放量，兑现我国在国际社会的碳减排承诺最为有效和可行的举措。

关键词：碳排放；STIRPAT 模型；EKC ；影响因素中图分类号：F205文献标识码：A 文章编号：2095-0439（2019）03-0009-05（宜春学院经济与管理学院江西宜春336000）本研究基于IPAT 理论改进的STIRPAT 模型，以1971-2014年长时间序列为研究样本，验证碳排放总量和人均碳排放量与人均GDP 之间库兹涅茨典线假说EKC 曲线。

并用研究样本时间碳排放实际值与模型拟合值进行比较，验证碳排放拐点预测的有效性。

依据估计模型分析影响碳排放的因素，提出尽早实现碳排放峰值的路径和对策。

一、数据说明与模型构建（一）数据说明。

碳排放方面数据主要来源于国际能源署（IEA ）数据库，时间跨度为1971-2015年。

选取IEA 数据库作为文章研究数据来源主要是由于中国与IEA 有合作协议，国家统计局每年向IEA 提供能源生产和消费方面的数据，因此IEA 公布的碳排放数据与中国国家统计局数据具有很好的可比性，但时效性相对较差[1]。

为消除价格波动影响，文中未作特别说明情况下，使用的经济数据都是以2005年为不变价，基于购买力平价（PPP ）计算的美元。

基于STIRPAT模型的区域城市化碳排放影响因素差异分析赵涛;张思聪【摘要】研究7种不同城市化因素对二氧化碳排放的影响,包括人口、经济、能源强度、能源结构、能源清洁度,服务水平和研发强度,采用基于FE-DK回归模型的STIRPAT模型来评估不同元素对中国三大区域(高度城市化、发展中城市化和城市化相对落后区域)的碳排放影响.结果表明,服务业水平在高度城市化地区的产业发展中发挥着越来越重要的作用.此外,发展中的城市化地区人口因素的影响高于其他2个地区.同时,在城市化相对落后地区,提高化石燃料的使用效率比其他地区更为重要.总体而言,经济城市化是影响3个地区碳排放的最重要影响因素.具体的解决方案取决于不同区域的具体情况.【期刊名称】《甘肃科学学报》【年(卷),期】2019(031)003【总页数】6页(P125-130)【关键词】二氧化碳排放;城市化;区域差异分析;扩展的STIRPAT模型【作者】赵涛;张思聪【作者单位】天津大学管理与经济学部,天津 300072;天津大学管理与经济学部,天津 300072【正文语种】中文【中图分类】F205作为世界上最大的发展中国家,中国自1978年改革开放以来,实现了经济的快速增长以及城市化进程的加速发展。

目前中国已成为世界第二大经济体,同时也是碳排放量最大的国家。

预计到2020年,中国碳排放量将占世界碳排放总量的三分之一,并在2025—2030年期间达到峰值。

中国政府承诺到2020年,每单位GDP产生的碳排放量要削减60%～65%左右。

此外,“十三五”国民经济与社会发展规划纲要明确表示,在“十三五”期间要完成能源消耗降低15%,能源强度降低18%的减排目标。

而城市地区对整个中国碳排放总量贡献率为75.5%,这也意味着城市化的发展给节能减排带来了巨大的压力和挑战[1]。

综上,中国在城市化进程中的减排形势非常严峻,因此,研究城市化对碳排放的影响有助于政府制定一系列相对应的政策来实现节能减排的目标。

基于 STIRPAT 模型的中国碳排放峰值预测研究渠慎宁;郭朝先【摘要】利用STIRPAT模型对未来中国碳排放峰值进行相关预测.首先,通过对中国30个省市的面板数据分析展示目前我国各地碳排放的基本情况;其次,对中国1980-2008年的时间序列数据进行回归,从中得出我国总体碳排放趋势;再次,在先前回归的基础上对今后我国碳排放的峰值出现时间进行预测.研究发现:技术对峰值的影响较为重要.若经济社会发展速度较高,而碳排放强度下降速度相对较低,则不能在2050年内出现峰值.同样,若碳强度降低速度相比经济社会发展速度为快,则会推动排放提早达到峰值.按照目前发展趋势,若经济社会发展的同时保持碳排放强度合理下降,中国的峰值到达时间应为2020-2045年之间.因此,保持碳排放强度的不断下降对我国尽快出现碳排放峰值至关重要,加大清洁能源使用,减少传统能源消耗应是今后的重点工作任务.【期刊名称】《中国人口·资源与环境》【年(卷),期】2010(020)012【总页数】6页(P10-15)【关键词】STIRPAT模型;碳排放;峰值预测【作者】渠慎宁;郭朝先【作者单位】中国社会科学院研究生院,北京,100102;中国社会科学院工业经济研究所,北京,100836;中国社会科学院工业经济研究所,北京,100836【正文语种】中文【中图分类】F206针对目前国内关于中国碳排放峰值预测的研究相对较少,学者们主要依托环境库兹涅茨曲线(EKC曲线)对其进行预估的现状[1],本文利用STIRPAT模型对未来中国碳排放峰值进行了相关预测。

IPAT恒等式是研究能源经济和碳排放峰值的重要方法之一。

IPAT恒等式最早由Enrlich与Holden于1971年提出,反映人口对环境压力的影响。

该方程将环境影响和人口规模、人均财富以及对环境毁坏的技术水平联系起来,建立4者之间的恒等式“IMPACT(I)=POPULATION(P)×AFFLUENCE(A)×TECHNOLOGY(T)”。

指导教师：**老师英文文献翻译环工** **）指导教师签名时间：利用STIRPAT方法分析CO2排放影响因子摘要本文应用STIRPAT模型，分析了在1975~2000年间，人口、富裕度和科技因素对处于不同收入阶段国家总碳排放量的影响。

我们的结果表明，在全球水平上经济增长对于二氧化排放影响最大，而15到64岁人口产生的影响最小。

对于高收入地区来说，这部分的人口（15岁到64岁）对二氧化碳排放起着减低的作用，但是在其他收入水平地区就是起着增大二氧化碳排放负担的作用。

这个问题或许解释了在“I=PABT”中“B”的重要性，这就意味着人们不同行为会很大程度上影响环境的变化。

对于低收入地区来说，人均国民生产总值对总二氧化碳排放有着很大的影响，而在在中上收入国家，能源强度影响是非常大的。

这些对于总二氧化碳排放的影响因子在高收入水平地区就相对较大。

因此，这些经验性结果指出人口、富裕水平和科技在不同发展程度的背景下对二氧化碳排放总量的影响亦不同。

所以，政策制定者在架构对二氧化碳减排的长远规划是，应该充分考虑以上这些的影响。

1.介绍全球变暖正在加剧，并且科学家已对近些年全球气温上升已经达成共识，这就是这是由于温室气体大量积聚引起的[1]。

因此每个国家都应该为了缓解全球季候变化而肩负起各自减慢温室气体急剧增长的责任。

为了高效完成这项任务，相关研究就非常关注哪个因素对二氧化碳排放量有影响，而且有关涉及这些因素的影响都是非常重要的，因为这些影响因素将直接影响每个国家二氧化碳减排方式整体架构、政策和策略。

二氧化碳排放是由科技水平、富裕程度、能源结构、经济结构和人口组成来定义的，但是这些影响因子在解释二氧化碳排放量增长上是扮演者不同的角色的。

一些传统的研究通常认为消费的增长是造成二氧化碳排放量增加的主要原因，但是这些观点没有考虑人口和科技在这些污染物排放上的作用。

从另一个角度来说，一些研究认为人口、经济和科技都是决定二氧化碳排放量的重要因素[2][3][4][5][6]，并且进一步认为它们对二氧化碳排放量的影响在不同的国家是非均匀的[7]。

基于STIRPAT模型的中国碳排放峰值预测研究作者：渠慎宁,郭朝先来源：《中国人口·资源与环境》2010年第12期摘要:利用STIRPAT模型对未来中国碳排放峰值进行相关预测。

首先，通过对中国30个省市的面板数据分析展示目前我国各地碳排放的基本情况；其次，对中国1980-2008年的时间序列数据进行回归，从中得出我国总体碳排放趋势；再次，在先前回归的基础上对今后我国碳排放的峰值出现时间进行预测。

研究发现：技术对峰值的影响较为重要。

若经济社会发展速度较高，而碳排放强度下降速度相对较低，则不能在2050年内出现峰值。

同样，若碳强度降低速度相比经济社会发展速度为快，则会推动排放提早达到峰值。

按照目前发展趋势，若经济社会发展的同时保持碳排放强度合理下降，中国的峰值到达时间应为2020-2045年之间。

因此，保持碳排放强度的不断下降对我国尽快出现碳排放峰值至关重要，加大清洁能源使用，减少传统能源消耗应是今后的重点工作任务。

关键词 STIRPAT模型；碳排放；峰值预测中图分类号 F206 文献标识码 A 文章编号 1002-2104（2010）12-0010-06doi:10.3969/j.issn.1002-2104.2010.12.003针对目前国内关于中国碳排放峰值预测的研究相对较少，学者们主要依托环境库兹涅茨曲线（EKC曲线）对其进行预估的现状［1］，本文利用STIRPAT模型对未来中国碳排放峰值进行了相关预测。

IPAT恒等式是研究能源经济和碳排放峰值的重要方法之一。

IPAT恒等式最早由Enrlich与Holden于1971年提出，反映人口对环境压力的影响。

该方程将环境影响和人口规模、人均财富以及对环境毁坏的技术水平联系起来，建立4者之间的恒等式“IMPACT( I)=POPULATION(P)×AFFLUENCE(A)× TECHNOLOGY (T)”。

式中，P代表人口；A代表财富；T 代表技术，也可指经济活动的能源效率；因变量I代表排放量。

基于超效率SBM 模型的区域碳排放效率研究——以山东省17个地级市为例孙秀梅，张慧，王格（山东理工大学 商学院，山东 淄博 255012）摘要：提高碳排放效率是经济新常态下促进区域低碳转型的关键路径。

运用超效率SBM 模型和Malmquist 指数对2005～2012年期间山东省各个地级市的碳排放效率进行研究，结果表明，17个城市的碳排放效率存在显著差异性，其中，东营市在所有城市中表现出最高的碳排放效率，莱芜市的碳排放效率值则是最小的，而菏泽市的碳排放效率是增长最迅速的，运用Malmquist 指数动态分析得知技术进步差异导致了碳排放效率的差异。

因此，研究认为，对于不同碳排放效率水平的城市应当根据其技术进步指数和技术效率指数的实际情况，采取不同的减排政策，对于碳排放严重低效的地区应当给予充分的财政和政策支持，对于碳排放水平领先的地区只需引导其按照当前趋势继续发展，而对于碳排放效率水平介于两者之间的城市，特别是具有显著碳减排潜力的城市，重视其低碳技术的研发和能源结构的优化，有助于碳减排目标的实现。

关键词：碳排放效率；超效率SBM 模型；Malmquist 指数；山东省中图分类号：F416 文献标识码：A 文章编号：1671-4407(2016)05-068-06Evaluation of Regional Carbon Emissions Performance Based on SE-SBM Model: TakingShandong Province as An ExampleSUN Xiumei, ZHANG Hui, WANG Ge(School of Business, Shandong University of Technology, Zibo Shandong 255012, China)Abstract: The key to ensure economic development while reducing carbon emissions is to control the carbon emission efficiency. This paper studies on carbon emission efficiency of all prefecture level cities in Shandong Province for the period 2005-2012 based on super efficiency SBM and Malmquist index, and the results show that the carbon emission efficiency of 17 cities is significantly different. Among these cities, Dongying City shows the highest efficiency of carbon emission in all cities, the carbon emission efficiency value of Laiwu City is the smallest, while the efficiency of carbon emission in Heze city is growing fastest. Dynamic analysis of Malmquist index draws the conclusion that the difference of technology progress leads to the difference of carbon emission efficiency. Therefore, study shows that the government should adopt different policies based on the actual situation of the technical efficiency and technological progress for different carbon emission efficiency cities. For areas of carbon emission efficiency in low, it should be given sufficient financial and policy support; for areas of carbon emission efficiency on top, what the government should do is only to guide its development continue to follow the current trend; for areas of carbon emission efficiency between the two, especially cities which have the significant carbon mitigation potential, the government should pay attention to the development of low carbon technology and the optimization of energy structure, these will help to achieve carbon reduction results as soon as possible.Key words: carbon emission efficiency; super-efficiency SBM model; Malmquist index; Shandong Province基金项目：国家社会科学基金项目“时空分异视角下跨区域碳减排的协同优化机制与政策模拟研究”（14BGL159）；山东省自然科学基金重点项目“经济新常态下山东省碳排放的区域协同调控机制研究”（ZR2015GZ003）；教育部人文社会科学规划项目“资源型城市低碳转型的影响因素及调控机制研究”（12YJC630178）；山东省社会科学规划项目“山东省产业低碳转型的影响因素与调控状况调查研究”（13CDYJ27）作者简介：孙秀梅（1976～ ），女，山东聊城人，博士，副教授，研究方向为低碳经济与产业转型；张慧（1990～ ），女，山东临沂人，硕士生，研究方向为管理科学理论与方法。

１ 峰值研究简要回顾
国 内针 对 中国碳排 放峰 值预测 的研究 相 对较 少 ， 者 学 们 主要依 托环境 库兹 涅 茨 曲线 （ Ｋ Ｅ Ｃ曲线 ） 中 国未来 的 对
碳排 放量进 行预 估 。朱 永彬 等在 内生经济 增长模 型 Ｍ ｏ— ｏ ｎ Ｓｒ ｏ ｍ基础 上 对 传统 的 Ｅ Ｃ理论 进 行 改进 ， 先 从理 论 上 Ｋ 首
按 照 目前 发 展 趋 势 。 经 济 社 会 发 展 的同 时 保 持 碳 排 放 强 度 合 理 下 降 。 国 的 峰值 到 达 时 闻 应为 ２２ —２ ４ 之 间 。 因 此 ， 持 碳 排 若 中 ０ ０ ０５年 保 放 强 度 的 不 断 下 降 对我 国 尽快 出现 碳 排 放 峰 值 至 关 避 要 。 大 清 洁 能 源 使 用 。 少 传 统 能 源 消 耗应 是 今 后 的重 点 工 作 任 务 。 加 减 关键词 ＳＩＰ Ｔ模 型 ； 排 放 ； 值 预 测 ＴＲ Ａ 碳 峰 Ｆ０ ２６ 文 献 标 识码 Ａ 文章 编 号 １０ ２０ （００ １ ００ ６ ｄｉ１ ．９９ ｊｉ ．０２ １４２１ ． ．０ （２— １４２１ ） １ ２—０１ —０ ａ：０３６／ ．ｍ １０ —２０ ．００ １ ０３ ｓ ２
“Ｍ Ａ ” 型均存在 一些 局 限性 ： ＩＰ Ｃ 模 Ｔ 当分 析 问题 时仅 改变 一
个因素 ， 而保持其他 因素 固定 不变 ， 得出 的结 果 即为该 因素 对因变量 的等 比例影 响。为 了修 正 Ｉ Ｔ模 型的不 足 ， 析 Ｐ Ａ 分 人 口对环境 的非线性变化 影响 ，ｏ 等在 Ｉ Ｔ模 型 的基 础 Ｙｒ ｋ Ｐ Ａ
排 放 的 基 本 情 况 ： 次 。 中 国 １８ 其 对 ９０—２０ 的 时 间 序 列 数 据 进 行 回 归 ， 中 得 出 我 国 总体 碳 排放 趋 势 ； 次 ， 先 前 回 归 的 基础 上 对 ０８年 从 再 在

浅析基于STIRPAT模型的山东省空气污染驱动因素浅析基于STIRPAT模型的山东省空气污染驱动因素STIRPAT(Stochastic Impacts by Regression onPopulation,Affluence,and Technology)指可拓展的随机性的环境影响评估模型(通过对人口、财产、技术三个自变量和因变量之间的关系进行评估)。

摘要：随着政府宏观调控政策的变化，高校教育规模不断扩大，高校教育资金的来源渠道也越来越多元化，这对于高校财务管理既是新的机遇也是极大的挑战，也对高校预算管理提出了更高要求。

高校预算管理普遍存在管理模式不科学，预算执行监督不力等问题，若不及时采取应对措施，将影响高校财务管理水平的提高，从而制约高校教育事业的发展。

本文主要探讨高校财务预算管理中存在的问题，并针对问题提出相应的解决措施。

关键词：高校;问题;应对措施;预算管理高等学校作为非盈利性机构，其经济活动具有相对的独立性。

随着高等学校教育规模的不断扩大，学校招生规模也在不断扩大。

学校的教育经费来源涵盖广大学子缴纳的学费、中央及省级财政部门的拨款支持、学校科研经费拨款和科研成果奖励、社会各界人士的捐赠、学校校办产业收益等等。

高校财务的预算管理直接影响着学校的教育计划完成程度和高校教育发展战略的实施，高校如果不重视财务预算管理中存在的问题，就难以实现高校资源的合理配置，难以达到资金的使用效益最大化。

一、高校实施预算管理的必要性高校预算管理对提高财务管理水平，提高资金使用效率，推动教育投入产出，推动学校事业发展有着重要作用。

通过预算调节机制，高校可以对行政部门、教学、教辅部门的经济活动进行干预或指导，使其更加合理有序、规范高效。

一方面，预算管理不但可以反映学校的财务管理水平，直观地反映学校的财务状况，明确高校各部门的年度财务工作目标，而且使得学校行政管理部门、教学教辅部门、科研部门的工作内容、教学目标、科研成果与学校的战略发展目标联系更紧密，有利于学校形成与财务目标衔接的长期发展规划，促进学校的可持续发展。

信息化技术
通过信息化技术（如智能建筑管 理系统、物联网设备等）对建筑 能源使用进行监控和管理，可以 提高能源利用效率，减少不必要 的能源消耗和碳排放。
能源结构对建筑碳排放的影响
煤炭消耗
我国目前的能源结构中煤炭消耗 占比很大，因此减少煤炭使用量 ，增加清洁能源的使用比例，可 以降低建筑碳排放。
清洁能源占比
感谢您的观看
THANKS
城市化水平（U）：以 一个地区的城镇人口占 总人口的比例来表示。 城市化进程中，人们对 能源的需求和消耗不断 增加，进而导致碳排放 的增加。
技术效率（T）：表示 一个地区的能源利用技 术和能效水平。技术效 率的提高可以降低单位 能源消耗的碳排放量。
Stirpat模型适用范围
• Stirpat模型适用于研究区域尺度的能源消耗和碳排放问题，包括国家、省份、城市等范围。同时，该模型 也适用于不同时间序列的数据分析，如年、季度、月等时间单位。此外，Stirpat模型还适用于不同国家和 地区的对比分析，以及政策模拟和预测分析等领域。
Stirpat模型参数解释
01
02
03
04
05
在Stirpat模型中，存在 多个参数需要解释。其 中，最为重要的参数包 括
人口（P）：指一个地 区的人口数量，通常以 百万或千万为单位。人 口数量与能源消耗和碳 排放之间存在正相关关 系。
人均财富（A）：表示 一个地区的人均GDP或 人均收入水平。人均财 富的提高会导致能源消 耗和碳排放的增加。
加强宣传教育，引导消费者购买低碳环保产 品，减少不必要的能源消耗。
06
国际合作与交流
加强与其他国家和地区在低碳建筑技术、政 策和经验等方面的合作与交流，共同应对全 球气候变化问题。

基于STIRPAT模型的碳排放预测研究发表时间：2019-06-11T15:08:08.133Z 来源：《建筑模拟》2019年第13期作者：鲍瑶[导读] 本文从规模因素、结构因素、技术因素三个方面选取8个指标，对于可能影响辽宁省碳排放的因素给予较全面的分析和评估，基于扩展的STIRPAT模型对其碳排放进行预测研究，最后通过模型求解和预测对结论进行分析，给出一些合理性的建议。

鲍瑶山东科技大学山东泰安 271000摘要：作为中国东北地区的老工业基地，辽宁省的能源消耗较多，导致由能源消费产生的碳排放量也比较大，因而辽宁省能否实现碳排放达峰对实现中国整体碳排放达峰，实现美丽中国的目标具有重要意义。

基于目前的研究现状，本文从规模因素、结构因素、技术因素三个方面选取8个指标，对于可能影响辽宁省碳排放的因素给予较全面的分析和评估，基于扩展的STIRPAT模型对其碳排放进行预测研究，最后通过模型求解和预测对结论进行分析，给出一些合理性的建议。

关键词：STIRPAT；岭回归法；节能减排效率1.引言中国政府在与美国政府联合发表的《气候变化联合声明》中做出承诺：“中国计划2030年左右二氧化碳排放达到峰值且将努力早日达峰并计划到2030年非化石能源占一次能源消费比重提高到20%左右。

”作为中国东北地区的老工业基地，辽宁省的能源消耗较多，导致由能源消费产生的CO2排放量也比较大，因而辽宁省能否实现碳排放达峰对实现中国整体碳排放达峰提高节能减排效率具有重要意义。

2.基于STIRPAT模型的碳排放预测研究2.1碳排放的核算方法及数据来源本文将辽宁省碳排放分为两部分：一部分是化石燃料燃烧带来的直接碳排放，另一部分是电力消耗带来的间接碳排放。

直接碳排放的测算采用《IPCC》中介绍的基准方法，即从各种化石燃料的消耗角度对辽宁省碳排放进行测算。

本文根据IPCC的能源划分选取了8种能源种类，分别为原煤、焦炭、原油、汽油、煤油、柴油、燃料油和天然气，数据来源于2007—2016年《中国能源统计年鉴》。

Geographical Science Research 地理科学研究, 2023, 12(4), 539-553 Published Online August 2023 in Hans. https:///journal/gser https:///10.12677/gser.2023.124050山东省县域碳排放时空格局及影响因素研究 王林晓，何传涛，吴 军曲阜师范大学，地理与旅游学院，山东 日照收稿日期：2023年5月29日；录用日期：2023年8月8日；发布日期：2023年8月18日摘要 论文基于1998~2017年山东省136个县域碳排放数据，采用自然断点法、SLOPE 倾值法、空间自相关分析和时空地理加权回归模型，对山东省县域碳排放时空格局及影响因素进行分析。

研究表明：1998~2017年寿光市碳排放增长速率最快。

山东省县域碳排放在空间上呈现东北高西南低的格局。

山东省县域碳排放量呈现为显著的空间集聚现象，从整体上呈现一个上升后下降的趋势。

即墨区、胶州市、平度市、莱西市、垦利区、广饶县、莱州市7个城市，存在“高碳锁定”现象。

各影响因素具有较强的时空异质性，GDP 、产业结构、人口规模和技术水平对各县域碳排放发挥促进作用；城镇化水平和财政投入对不同时期不同县域的碳排放影响不同，就回归系数平均值而言，城镇化水平对碳排放发挥抑制作用，而财政投入对碳排放发挥促进作用。

该研究结果从一定程度上可以为山东省制定地区化、差异化、定量化的减排政策提供科学依据，促进山东省乃至全国早日实现碳达峰、碳中和目标。

关键词碳排放，空间自相关，影响因素，县域，山东省Study on the Spatiotemporal Pattern and Influencing Factors of Carbon Emissions in Counties of Shandong ProvinceLinxiao Wang, Chuantao He, Jun WuCollege of Geography and Tourism, Qufu Normal University, Rizhao Shandong Received: May 29th , 2023; accepted: Aug. 8th , 2023; published: Aug. 18th , 2023AbstractBased on carbon emission data from 136 counties in Shandong Province from 1998 to 2017, this paper uses natural breakpoint method, SLOPE tilt method, spatial autocorrelation analysis, and王林晓等GTWR model to analyze the spatiotemporal pattern and influencing factors of carbon emissions in counties in Shandong Province. Research shows that Shouguang City experienced the fastest growth rate of carbon emissions from 1998 to 2017. The carbon emissions of counties in Shan-dong Province show a spatial pattern of high in the northeast and low in the southwest. The car-bon emissions of counties in Shandong Province show a significant spatial agglomeration pheno-menon, showing an overall trend of increasing and then decreasing. Seven cities, including Jimo District, Jiaozhou City, Pingdu City, Laixi City, Kenli District, Guangrao County, and Laizhou City, have a phenomenon of “high carbon lock-in”. Each influencing factor has strong spatiotemporal heterogeneity, and GDP, industrial structure, population size, and technological level play a pro-moting role in promoting carbon emissions in each county; The level of urbanization and financial investment have different impacts on carbon emissions in different counties during different pe-riods. In terms of the average regression coefficient, the level of urbanization plays an inhibitory role in carbon emissions, while financial investment plays a promoting role in carbon emissions.To some extent, the research results can provide a scientific basis for Shandong Province to for-mulate regionalized, differentiated and quantitative emission reduction policies, and promote Shandong Province and even the whole country to achieve the goal of carbon peak and carbon neutrality as soon as possible.KeywordsCarbon Emissions, Spatial Autocorrelation, Influencing Factors, County Level, Shandong Province Array Copyright © 2023 by author(s) and Hans Publishers Inc.This work is licensed under the Creative Commons Attribution International License (CC BY 4.0)./licenses/by/4.0/1. 引言长期以来，我国的能源结构是以化石能源为主，因此在经济快速发展中，化石能源消耗量也在迅猛增长，导致碳排放剧增。

基于STIRPAT模型的山东省居住建筑运行碳排放影响因素研
究
李明柱;刘梦雪;李华林
【期刊名称】《建材技术与应用》
【年(卷),期】2024()3
【摘要】为有效实施建筑领域节能减排,实现双碳目标,以2005-2021年山东省居住建筑运行阶段碳排放数据为研究对象,利用STIRPAT模型对人口数量、人均GDP、人均消费支出、人均可支配收入、城镇化水平、居住建筑面积、单位建筑面积能耗、能源消耗强度和能源结构等影响碳排放的因素进行岭回归分析。

结果表明:人口数量、人均GDP、人均消费支出、人均可支配收入、城镇化水平、居住建筑面积、单位建筑面积能耗和能源消耗强度等的增加会促使碳排放量的增加,但能源结构的增加会抑制碳排放量的增加,其中人口数量是影响碳排放的关键因素。

据此提出山东省居住建筑节能减排的建议和对策。

【总页数】6页(P14-19)
【作者】李明柱;刘梦雪;李华林
【作者单位】吉林建筑大学经济与管理学院
【正文语种】中文
【中图分类】TU111.195
【相关文献】
1.基于扩展STIRPAT模型的我国建筑业碳排放影响因素研究
2.基于STIRPAT模型的碳排放影响因素及峰值研究——以山东省为例
3.基于STIRPAT模型的福建省建筑领域碳排放影响因素研究
4.科研投入抑制碳排放了吗?——基于LMDI模型和STIRPAT模型的碳排放影响因素分析
5.STIRPAT模型下能源碳排放影响因素与碳排放趋势情景分析——基于中国黑龙江省的实证研究
因版权原因，仅展示原文概要，查看原文内容请购买。

it （ 分母即： 年份不变的情况下行数据平方
n
2
各地市碳排放经济效率
2005 1． 079 1． 409 0． 666 0． 640 1． 558 1． 416 0． 996 0． 863 0． 901 1． 463 0． 992 0． 301 1． 052 0． 875 0． 764 1． 007 1． 179 1． 009 2006 1． 303 1． 751 0． 795 0． 782 1． 987 1． 775 1． 196 1． 033 1． 106 1． 758 1． 204 0． 352 1． 262 1． 093 0． 959 1． 293 1． 460 1． 242 2007 1． 366 1． 842 0． 834 0． 833 2． 083 1． 859 1． 255 1． 087 1． 160 1． 841 1． 139 0． 371 1． 325 1． 147 0． 994 1． 347 1． 530 1． 295 2008 1． 461 1． 959 0． 898 0． 901 2． 249 1． 975 1． 356 1． 165 1． 255 1． 979 1． 198 0． 407 1． 432 1． 234 1． 078 1． 460 1． 645 1． 391 2009 1． 544 2． 066 0． 955 0． 957 2． 380 2． 084 1． 444 1． 234 1． 336 2． 102 0． 903 0． 435 1． 515 1． 308 1． 147 1． 545 1． 738 1． 452
t =1 n
利用 TOPSIS 模型进行综合评价时最重要的就 是根据所选取的评价指标的特点选择合适的赋权方 法。国内外对于 TOPSIS 指标权重的确定方法主要 有以下几种： 一是利用熵权值法确定各评价指标的 2003 ） ； 二是构建一种基于模型模糊 权重值（ 陈雷， 偏好的 TOPSIS 方法的新模型， 并通过主观模糊偏好 与客 观 决 策 矩 阵 信 息 相 结 合 求 解 权 重 （ 余 雁， 2004 ） ； 三是利用灰色关联度确定指标的权重， 构建 利用灰色关联度定权的加权 TOPSIS 模型 （ 钱吴永， 2009 ） 等。 OWA 算子赋权思想是依据决策数据本身确定 相应的权重， 自 YAGER 创始 OWA 算子开始， 人们 对其赋权的公平性不断地进行改进。 本文以 OWA 算子结合决策数据对时间进行赋权， 这是借鉴周健 （ 2011 ） 在评价全国各省的碳排放经济效率时所采 因而解决了先前在进行经济效率评价时 用的方法， 所忽视的对相同指标在不同时期的赋权问题 。同时 TOPSIS 使用模糊数据中的欧式距离理论， 对所研究 具有很强的客观性。OWA 算子赋权 对象进行排序， 的方法主要分为以下几步： 1． 设 X it 表示 i 城市 t 时刻的碳排放经济效率， 即 GDP 与碳排放量的比值。 首先将每一年的 X it 值 加总后求得平均值 X t = ∑X it / m， 用来表示每一年山