屈超+陳甜

摘要中國正面臨嚴(yán)峻的環(huán)境問題，2013年中國的CO2排放量超過了歐盟和美國的總和，同時(shí)中國的人均CO2排放量首次超過歐洲。2015年在巴黎國際氣候大會(huì)上中國政府宣布碳排放強(qiáng)度減排目標(biāo)為：2030年單位國內(nèi)生產(chǎn)總值CO2排放比2005年下降60%-65%。按照IPCC（2007）CO2排放核算方法計(jì)算的數(shù)據(jù)，近年來中國CO2排放情況總體呈排放量逐年上升但排放強(qiáng)度總體下降的態(tài)勢。為了進(jìn)一步估計(jì)中國2030年CO2排放強(qiáng)度，本文構(gòu)建了IPAT模型，利用全國30個(gè)省1995-2012年數(shù)據(jù)進(jìn)行擬合，并采用最小二乘法和螢火蟲優(yōu)化算法分別計(jì)算了IPAT模型的參數(shù)，發(fā)現(xiàn)與傳統(tǒng)最小二乘法相比，螢火蟲算法優(yōu)化后的模型顯示出更高的擬合優(yōu)度和更低的誤差，模型系數(shù)也更為合理。文章在螢火蟲優(yōu)化的IPAT模型基礎(chǔ)上估算了中國2030年的CO2排放強(qiáng)度，實(shí)證結(jié)果顯示，第三產(chǎn)業(yè)的發(fā)展有利于降低CO2排放強(qiáng)度；2030年全國CO2排放強(qiáng)度比2005年下降了66.34%，其中有20個(gè)省份CO2排放強(qiáng)度減排幅度超過60%；中國能夠?qū)崿F(xiàn)在2015巴黎國際氣候大會(huì)上提出的碳減排目標(biāo)。為了進(jìn)一步發(fā)展低碳經(jīng)濟(jì)，各省應(yīng)該充分重視經(jīng)濟(jì)轉(zhuǎn)型對(duì)減少CO2排放的作用，改善以煤炭為主的能源消費(fèi)結(jié)構(gòu)，增加生物能、太陽能、風(fēng)能、沼氣等可再生資源的使用比重。

關(guān)鍵詞碳排放強(qiáng)度；IPAT模型；螢火蟲優(yōu)化算法

中圖分類號(hào)F124.5 F224文獻(xiàn)標(biāo)識(shí)碼A文章編號(hào)1002-2104（2016）07-0062-08doi：10.3969/j.issn.1002-2104.2016.07.008

應(yīng)對(duì)氣候變化已經(jīng)成為全世界共同面臨的環(huán)境挑戰(zhàn)，減少CO2排放，實(shí)行低碳發(fā)展已經(jīng)成為全球各國的共識(shí)。中國的碳排放量情況不容樂觀，全球碳計(jì)劃（Global Carbon Project）于2014年9月公布的2013年度全球碳排放數(shù)據(jù)顯示，2013年全球人類活動(dòng)CO2排放量達(dá)到360億t，人均碳排放量達(dá)到5 t，而中國碳排放量超過歐盟和美國的總和，同時(shí)中國的人均CO2排放量首次超過歐洲，達(dá)7.2 t。中國正在積極應(yīng)對(duì)氣候變化，2015年中國政府在巴黎國際氣候大會(huì)上宣布碳排放強(qiáng)度減排目標(biāo)為：2030年單位國內(nèi)生產(chǎn)總值CO2排放比2005年下降60%-65%。本文將使用中國官方數(shù)據(jù)建立相應(yīng)模型檢驗(yàn)中國能否實(shí)現(xiàn)碳減排目標(biāo)。

1文獻(xiàn)綜述

碳排放的主要測算方法有：情景預(yù)測法[1-2]、環(huán)境庫茲涅茲曲線[2-5]、灰色預(yù)測[6-7]、IPAT模型還有一些組合預(yù)測等方法。

從碳排放的測算方法角度看，IPAT模型能夠簡便、可行地描述人文驅(qū)動(dòng)力對(duì)環(huán)境壓力的影響，自其構(gòu)建以來得到了相關(guān)領(lǐng)域研究人員的廣泛認(rèn)可：丁勝、溫作民[8]用IPAT模型研究了長三角地區(qū)碳排放影響因素；宋曉輝等[9]基于IPAT擴(kuò)展模型分析了五個(gè)典型國家人口因素對(duì)碳排放的影響；龍愛華等[10]用IPAT模型分析了中國水足跡的影響因素，分解了人類活動(dòng)對(duì)中國水系統(tǒng)的環(huán)境影響；席細(xì)平等[11]利用IPAT模型測算出江西省碳排放峰值到達(dá)的時(shí)間約在2032-2035年之間；焦文獻(xiàn)和陳興鵬[12]利用IPAT模型分析了甘肅省能源碳排放量中人類活動(dòng)的影響，并測算了甘肅省2020年碳排放情況；聶銳等[13]利用IPAT模型和“脫鉤”理論，對(duì)江蘇省未來中長期的經(jīng)濟(jì)發(fā)展、能源需求與CO2排放進(jìn)行了情景分析。此外，一些學(xué)者在IPAT模型的基礎(chǔ)上嘗試使用IPAT的改進(jìn)模型如STIRPAT模型[14-15]、IGT模型[16]進(jìn)行測算，并獲得了一些研究成果。

使用IPAT模型進(jìn)行CO2排放測算的現(xiàn)有研究成果，大多采用傳統(tǒng)最小二乘法估計(jì)模型參數(shù)，忽視了模型參數(shù)優(yōu)化的重要性；此外，現(xiàn)有成果的研究對(duì)象主要集中于2009年哥本哈根國際氣候大會(huì)上提出的減排目標(biāo)，鮮有對(duì)2015年巴黎國際氣候大會(huì)減排目標(biāo)的驗(yàn)證和測算。本文將螢火蟲優(yōu)化算法和最小二乘法估算的模型參數(shù)結(jié)果進(jìn)行對(duì)比，以期對(duì)CO2排放強(qiáng)度進(jìn)行更精準(zhǔn)的估算，并據(jù)此判斷中國是否能夠?qū)崿F(xiàn)巴黎國際氣候大會(huì)的減排目標(biāo)。

2國內(nèi)CO2排放現(xiàn)狀及各省CO2排放特點(diǎn)2.1CO2排放量計(jì)算方法

屈超等：中國2030年碳排放強(qiáng)度減排潛力測算中國人口·資源與環(huán)境2016年第7期根據(jù)IPCC[17]第四次評(píng)估報(bào)告，溫室氣體增加的主要原因是化石燃料燃燒，IPCC給出了CO2排放量的計(jì)算公式，見公式（1）。

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

式中，Tco2ij表示第j省i種能源CO2排放量，Aij表示第j省i種能源實(shí)際消費(fèi)量，即能源轉(zhuǎn)換部門（供熱、供電）使用量與終端7個(gè)部門消費(fèi)量之和（農(nóng)林牧漁業(yè)、工業(yè)、建筑業(yè)、交通倉儲(chǔ)郵電業(yè)、批發(fā)零售餐飲業(yè)、生活消費(fèi)、其它）；Sij表示第j省第i種能源非燃燒使用量（工業(yè)上作為原料、材料）；ei表示第i種能源低位發(fā)熱量；ci表示第i種能源的單位熱值含碳量；Oi表示第i種能源的氧化率。

本文使用公式（1）計(jì)算中國各省份（不包含中國港澳臺(tái)地區(qū)）1995-2012年碳排放量。各省份17種化石能源消耗量數(shù)據(jù)來源于《中國能源統(tǒng)計(jì)年鑒》，其中，因數(shù)據(jù)缺失，本文分析中不包含西藏自治區(qū)。海南省2002年數(shù)據(jù)，重慶市1995、1996年數(shù)據(jù)，寧夏自治區(qū)2000-2002年數(shù)據(jù)缺失，缺失值用線性趨勢插值法補(bǔ)全。

2.2中國CO2排放現(xiàn)狀

2.2.1CO2排放量逐年上升，CO2排放強(qiáng)度總體下降

中國1995-2012年的CO2排放量和CO2排放強(qiáng)度情況如圖1所示。從圖1中我們可以觀察到，中國這十余年來CO2排放量呈逐年上升趨勢，而CO2排放強(qiáng)度則呈總體下降趨勢。

1995-2012年CO2排放量平均增長速度高達(dá)6.98%，其增長態(tài)勢大體可以2002年為界限分為兩個(gè)階段：2002年前的平緩增長期（年均增長1.8%）和2002年后的急劇上升期（年均增長10.26%）。

CO2排放強(qiáng)度的下降過程可分為三個(gè)階段，1995-2002年為急速下降期，2002-2005年為上升期，2005-2012年為平穩(wěn)下降期。

在急速下降期，國有企業(yè)產(chǎn)權(quán)改革、東南亞經(jīng)濟(jì)危機(jī)的爆發(fā)帶來短暫的經(jīng)濟(jì)增速放緩以及關(guān)停了高能耗、高污染、低效率的“十五小”等因素是CO2排放強(qiáng)度下降的重要原因。此外，1998年1月《中華人民共和國節(jié)約能源法》的正式實(shí)施，也促進(jìn)了能源利用效率的提高。這些因素最終導(dǎo)致CO2排放強(qiáng)度歷史性地下降了33.5%。

在上升期，CO2排放強(qiáng)度年均增長率超過4%，這一時(shí)期國際經(jīng)濟(jì)形勢好轉(zhuǎn)，同時(shí)2001年我國加入WTO，中國經(jīng)濟(jì)進(jìn)入了快速發(fā)展時(shí)期，高能耗產(chǎn)業(yè)在這期間發(fā)展較快，導(dǎo)致CO2排放強(qiáng)度有所“抬頭”。

在平穩(wěn)下降期，技術(shù)進(jìn)步對(duì)CO2排放強(qiáng)度有明顯的“負(fù)影響”[18]。2005年，我國高技術(shù)產(chǎn)業(yè)增加值位居世界第三；2007年，我國首次超過日本，高技術(shù)產(chǎn)業(yè)增加值位居世界第二；2009年，我國高技術(shù)產(chǎn)業(yè)總產(chǎn)值創(chuàng)歷史新高，突破了6萬億元。高技術(shù)產(chǎn)業(yè)的崛起帶動(dòng)了經(jīng)濟(jì)的高質(zhì)量發(fā)展，同時(shí)碳排放強(qiáng)度開始走“下坡路”。

從圖2可以看出，CO2排放量的區(qū)域分布存在明顯差圖1全國碳排放量及碳排放強(qiáng)度圖

Fig.1Carbon emission & intensity of China圖2各區(qū)域碳排放量占比

Fig.2Proportion of regional carbon emission

異，東部11個(gè)省份的CO2排放量約占全國CO2排放總量的50%，西部11個(gè)省份占比相對(duì)較小，僅為20%左右，中部8個(gè)省份約占30%，2003年以后西部地區(qū)的CO2排放量占比逐步上升，東部和中部地區(qū)則相應(yīng)下降。

2.2.2各地區(qū)人均CO2排放量逐年增加，但CO2排放強(qiáng)度大多呈下降趨勢

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（見圖3）。內(nèi)蒙古和寧夏增幅較大，其中內(nèi)蒙古從1995年3.49 t/人增到2012年24.51 t/人，平均增長速度為12.14%；寧夏從1995年的3.27 t/人增到2012年的19.45 t/人，平均增長速度為11.05%；上海人均CO2排放量平均增長速度較慢，僅為0.64%。

在CO2排放強(qiáng)度方面，全國30個(gè)省份除海南和寧夏以外其他省份都呈下降趨勢（見圖4），其中北京CO2排放強(qiáng)度（CO2排放總量除以不變價(jià)GDP）下降最多，從1995年3.249 t/萬元下降到1912年0.729 t/萬元，下降幅度達(dá)到77.58%；四川次之，下降幅度達(dá)到73.28%。下降幅度超過60%的還有天津、吉林、上海、湖南和黑龍江。30個(gè)省份平均下降幅度為46.01%。

3模型設(shè)定及數(shù)據(jù)來源

3.1IPAT模型

IPAT模型是美國斯坦福大學(xué)人口學(xué)家Ehrlich和Holder于1971年針對(duì)技術(shù)改善環(huán)境惡化提出的人文驅(qū)動(dòng)因素對(duì)環(huán)境影響的模型。IPAT模型的核心公式是I=PAT恒等式，其中I代表環(huán)境影響（impact）、P代表人口（population）、A代表富裕程度（affluence）以及T代表技術(shù)（technology）。本文用IPAT模型分析中國CO2排放量情況，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數(shù)；A用人均GDP代表財(cái)富程度；T用各省第三產(chǎn)業(yè)占比（第三產(chǎn)業(yè)占GDP的比重）作為技術(shù)進(jìn)步指標(biāo)；eβ1為常數(shù)項(xiàng)，β2為P的冪指數(shù)，β3為A的冪指數(shù)，β4為T的冪指數(shù)。

3.2螢火蟲優(yōu)化算法

螢火蟲算法（Firefly Algorithm，F(xiàn)A）是由XinShe Yang在2008年提出的一種高級(jí)的啟發(fā)式優(yōu)化算法。其特點(diǎn)是：概念簡單，流程清晰，需要調(diào)整的參數(shù)較少，并且容易實(shí)現(xiàn)。與其他算法相比，螢火蟲算法有更高的尋優(yōu)精度和收斂速度，是一種有效可行的啟發(fā)式優(yōu)化算法，已經(jīng)在多個(gè)領(lǐng)域得到了應(yīng)用。

螢火蟲算法的主要原理是把解空間的點(diǎn)看作是螢火蟲，每個(gè)螢火蟲都擁有各自的熒光素值和感知半徑。利用熒光素值的大小決定個(gè)體位置的優(yōu)劣，個(gè)體的搜索半徑由螢火蟲的感知半徑?jīng)Q定，個(gè)體只能在一定的搜索范圍內(nèi)找尋最優(yōu)螢火蟲，并向其靠近。螢火蟲通過更新個(gè)體位置、更新熒光素值和感知半徑來尋找最亮個(gè)體進(jìn)而實(shí)現(xiàn)尋優(yōu)。

螢火蟲優(yōu)化算法廣泛運(yùn)用于各個(gè)領(lǐng)域。王改革等[19]基于螢火蟲算法和BP神經(jīng)網(wǎng)絡(luò)模型提出了螢火蟲算法優(yōu)化的BP神經(jīng)網(wǎng)絡(luò)模型，結(jié)果發(fā)現(xiàn)這一優(yōu)化模型的預(yù)測誤差明顯小于BP和PSO_SVM。周永權(quán)等[20]在研究旅行商問題時(shí)將螢火蟲算法和C2Opt算子相結(jié)合，得出了一個(gè)新的高效人工螢火蟲算法，對(duì)比TSP實(shí)例測試發(fā)現(xiàn)，該算法在較小規(guī)模種群、較少次數(shù)迭代的情況下仍然可以收斂到最優(yōu)解。一些學(xué)者提出了改進(jìn)的螢火蟲算法，黃正新等[21]為了解決螢火蟲算法（GSO）優(yōu)化多模態(tài)函數(shù)時(shí)存在的收斂速度慢和求解精度低等缺陷，提出了一種自適應(yīng)步圖31995-2012年各省人均碳排放量變化

長優(yōu)化算法——SASGSO，并且認(rèn)為這種算法具有操作簡單、易理解、收斂速度快和求解精度高等優(yōu)點(diǎn)。

3.3數(shù)據(jù)來源及處理方法

全國各省區(qū)生產(chǎn)總值及人均地區(qū)生產(chǎn)總值的數(shù)據(jù)來自于《中國統(tǒng)計(jì)年鑒》，以2000年不變價(jià)進(jìn)行折算，1995-1999年全國各省份年人口數(shù)來自《新中國60年統(tǒng)計(jì)資料匯編》，2000-2014年各省份年末常住人口數(shù)來自國家統(tǒng)計(jì)局；本文用第三產(chǎn)業(yè)增加值和GDP的比值作為第三產(chǎn)業(yè)占比。

3.4基于螢火蟲優(yōu)化的IPAT模型

本文用螢火蟲算法優(yōu)化IPAT模型參數(shù)，將以相對(duì)誤差MAPE（擬合值和真實(shí)值誤差的絕對(duì)值除以真實(shí)值的平均值）的最小值作為目標(biāo)函數(shù)，經(jīng)多次測試發(fā)現(xiàn)當(dāng)螢火蟲種群為200，最大迭代次數(shù)為500，初始熒光素濃度為5，感知半徑和決策半徑均為15時(shí)優(yōu)化效果最好，因此本文選取螢火蟲種群為200，最大迭代次數(shù)為500，初始熒光素濃度為5，感知半徑和決策半徑均為15，對(duì)IPAT模型參數(shù)做優(yōu)化。

用最小二乘法和螢火蟲優(yōu)化算法分別做了IPAT模型，結(jié)果對(duì)比如表1。從表1可以看出：

（1）螢火蟲優(yōu)化后的結(jié)果更優(yōu)。傳統(tǒng)最小二乘法注重的是模型的擬合程度，即擬合優(yōu)度R2越接近1模型越優(yōu)，但是卻忽略了擬合值和真實(shí)值之間差距的大小；而螢火蟲優(yōu)化的自適應(yīng)函數(shù)（目標(biāo)函數(shù)）就是擬合值和真實(shí)值之間相對(duì)誤差絕對(duì)值的均值，其目的就是獲得MAPE最小值時(shí)的模型參數(shù)，因此，利用螢火蟲優(yōu)化算法可以得到更精確的擬合模型。從表1的結(jié)果來看，螢火蟲優(yōu)化的IPAT模型的MAPE值介于2.2%和14.6%之間，30個(gè)省份中有6個(gè)省份的MAPE值超過10%，13個(gè)省份的MAPE值低于6%；擬合優(yōu)度R2介于0.732和0.993之間，其中只有5個(gè)省擬合優(yōu)度低于0.9，21個(gè)省擬合優(yōu)度高于0.95，30個(gè)省的平均擬合優(yōu)度為0.945。無論是擬合優(yōu)度還是MAPE，螢火蟲優(yōu)化

4.1測算方法

為了驗(yàn)證2030年能否達(dá)到中國政府制定的CO2排放強(qiáng)度減排目標(biāo)，本文使用螢火蟲算法優(yōu)化的IPAT模型對(duì)2030年CO2排放強(qiáng)度進(jìn)行測算。對(duì)各省份年末常住人口、人均GDP、第三產(chǎn)業(yè)占比的增長速度都基于2005-2014年的平均增長速度進(jìn)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年末常住人口數(shù)，rP指各省2005-2014年人口平均增長率；PerGDP0指各省2005年人均GDP，rG指各省2005-2014年人均GDP平均增長率；PerTIG0指各省2005年第三產(chǎn)業(yè)占比，rT指各省2005-2014年第三產(chǎn)業(yè)占比平均增長率。

4.2測算結(jié)果及分析

2030年各省CO2排放強(qiáng)度及CO2排放強(qiáng)度下降百分比的測算結(jié)果見表2。從表2中可以得到以下結(jié)論：

（1）中國可以實(shí)現(xiàn)在巴黎氣候大會(huì)上承諾的CO2排放強(qiáng)度“減排目標(biāo)”。從全國來看，預(yù)計(jì)到2030年全國CO2排放強(qiáng)度為0.774 t/萬元，比2005年下降66.34%（用30個(gè)省份GDP占比作為權(quán)重，加權(quán)平均得到）。證實(shí)中國能夠?qū)崿F(xiàn)CO2排放強(qiáng)度減排目標(biāo)。

（2）大部分省份CO2排放強(qiáng)度減排幅度達(dá)到60%。其中，減排比例在60%以上的有20個(gè)省份，20%-60%的有8個(gè)省份，CO2排放強(qiáng)度上升的有2個(gè)省份。CO2排放強(qiáng)度減排最多的是江蘇，為84.70%；其次是山東，為84.31%。其他在80%以上的有天津、黑龍江、北京、河南。減排比例在70%-80%的有：江西、四川、上海、遼寧、吉林和青海。

（3）內(nèi)蒙古、貴州、云南三省份CO2排放強(qiáng)度減排幅度較低，CO2排放強(qiáng)度絕對(duì)值較高。根據(jù)表2估算值內(nèi)蒙古、貴州、云南這三個(gè)省份CO2排放強(qiáng)度下降幅度分別為35.467%、45.467%和30.479%，下降幅度低于目標(biāo)值，且這三個(gè)省份的碳排放強(qiáng)度絕對(duì)值高達(dá)4.236 t/萬元、4.542 t/萬元和2.763 t/萬元，遠(yuǎn)遠(yuǎn)高于2030年各省的平均值1.744 t/萬元。

（4）福建省CO2排放強(qiáng)度僅下降20.26%。下降幅度較低的原因是2005年福建省CO2排放強(qiáng)度的基數(shù)較小，從圖4可以看出，福建省CO2排放強(qiáng)度在30個(gè)省份中處于最低的行列；從絕對(duì)值來看，2030年福建省CO2排放強(qiáng)度的估計(jì)值為1.455 t/萬元，遠(yuǎn)遠(yuǎn)低于各省的平均值1.744 t/萬元。

（5）到2030年海南和寧夏兩個(gè)省CO2排放強(qiáng)度不降反升，CO2排放強(qiáng)度絕對(duì)值較高。海南和寧夏CO2排放強(qiáng)度升高幅度超過了50%。冶金、醫(yī)療、機(jī)電、建材和煤炭是寧夏的五大支柱產(chǎn)業(yè)，重工業(yè)的發(fā)展無疑會(huì)帶來沉重的環(huán)境代價(jià)，加上經(jīng)濟(jì)發(fā)展滯緩最終導(dǎo)致寧夏碳排放強(qiáng)度較高。2030年寧夏CO2排放強(qiáng)度的估算值高達(dá)14.439 t/萬元，為全國最高。海南除了旅游業(yè)外房地產(chǎn)發(fā)展迅速，工業(yè)經(jīng)濟(jì)的發(fā)展會(huì)帶來CO2排放量的增加，2030年海南省CO2排放強(qiáng)度的估算值為2.053 t/萬元，高于全國平均水平。

5總結(jié)及建議

為了建立人文驅(qū)動(dòng)因素對(duì)環(huán)境影響的IPAT模型，本文用各省份年末常住人口數(shù)、人均GDP、第三產(chǎn)業(yè)占比分別代表人口、富裕程度和技術(shù)水平對(duì)環(huán)境影響指標(biāo)，使用螢火蟲優(yōu)化的IPAT模型測算了2030年各省份CO2排放強(qiáng)度，總結(jié)如下：

（1）對(duì)于全國30個(gè)省份，基于螢火蟲優(yōu)化的IPAT模型比傳統(tǒng)最小二乘法有更高的擬合優(yōu)度和更低的誤差，因此，本文用基于螢火蟲優(yōu)化的IPAT模型來模擬了2030年全國30個(gè)省份碳排放量及CO2排放強(qiáng)度。

（2）中國能夠?qū)崿F(xiàn)2015年巴黎國際氣候大會(huì)提出的CO2排放強(qiáng)度減排目標(biāo)。根據(jù)模型測算中國2030年CO2排放強(qiáng)度將比2005年下降66.34%。

（3）第三產(chǎn)業(yè)發(fā)展有利于降低CO2排放強(qiáng)度。螢火蟲算法優(yōu)化后的IPAT模型顯示27個(gè)省份的技術(shù)水平參數(shù)為負(fù)，可見技術(shù)水平發(fā)展對(duì)CO2排放強(qiáng)度下降有一定的“負(fù)作用”，經(jīng)濟(jì)轉(zhuǎn)型迫在眉睫。

從實(shí)證結(jié)果來看，碳減排強(qiáng)度目標(biāo)難以實(shí)現(xiàn)的幾個(gè)省份主要集中在西部地區(qū)，這與西部地區(qū)經(jīng)濟(jì)、技術(shù)落后存在著一定的關(guān)系。碳排放強(qiáng)度減排壓力較大的五個(gè)省份包括內(nèi)蒙古、貴州、云南、寧夏、海南，都在不同程度上存在著第三產(chǎn)業(yè)發(fā)展滯后的問題。對(duì)于這些省份來說，在經(jīng)濟(jì)發(fā)展過程中應(yīng)該充分重視經(jīng)濟(jì)轉(zhuǎn)型對(duì)減少CO2排放的重要作用，在優(yōu)化產(chǎn)業(yè)結(jié)構(gòu)的同時(shí)優(yōu)化能源消費(fèi)結(jié)構(gòu)，改善以煤炭為主的能源消費(fèi)結(jié)構(gòu)，增加生物能、太陽能、風(fēng)能、沼氣等可再生資源的使用比重，推進(jìn)綠色能源消費(fèi)。

（編輯：劉照勝）

參考文獻(xiàn)（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，王少鵬，朱江玲，等.2050年中國碳排放量的情景預(yù)測——碳排放與社會(huì)發(fā)展Ⅳ[J].北京大學(xué)學(xué)報(bào)（自然科學(xué)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]易艷春，宋德勇.經(jīng)濟(jì)增長與我國碳排放：基于環(huán)境庫茲涅茲曲線的分析[J].經(jīng)濟(jì)體制改革，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排放庫茲涅茲曲線（EKC）在中國的檢驗(yàn)[J].統(tǒng)計(jì)與決策，2014（11）：22-24.[ZUO Wending. Carbon emissions library Kuznets curve in China to test[J].Statistics and decision，2014（11）：22-24.]

[6]任曉松，趙國浩.中國工業(yè)碳排放及其影響因素灰色預(yù)測分析——基于STIRPAT模型[J].北京交通大學(xué)學(xué)報(bào)（社會(huì)科學(xué)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]趙愛文，李東.中國碳排放灰色預(yù)測[J].數(shù)學(xué)的實(shí)踐與認(rèn)識(shí)[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]丁勝，溫作民.長三角地區(qū)碳排放影響因素分析——基于IPAT改進(jìn)模型[J].技術(shù)經(jīng)濟(jì)與管理研究[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]宋曉輝，張欲芬，汪藝梅，等.基于IPAT擴(kuò)展模型分析人口因素對(duì)碳排放的影響[J].環(huán)境科學(xué)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]龍愛華，徐中民，王新華，等.人口、富裕及技術(shù)對(duì)2000年中國水足跡的影響[J].生態(tài)學(xué)報(bào)，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]席細(xì)平，謝運(yùn)生，王賀禮，等.基于IPAT模型的江西省碳排放峰值預(yù)測研究[J].江西科學(xué)，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]焦文獻(xiàn)，陳興鵬.基于IPAT等式的甘肅省能源消費(fèi)碳排放特征分析及情景預(yù)測[J].干旱區(qū)資源與環(huán)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]聶銳，張濤，王迪.基于IPAT模型的江蘇省能源消費(fèi)與碳排放情景研究[J].自然資源學(xué)報(bào)，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]張樂勤，李榮富，陳素平，等.安徽省1995年-2009年能源消費(fèi)碳排放驅(qū)動(dòng)因子分析及趨勢預(yù)測——基于STIRPAT模型[J].資源科學(xué)，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]吳振信.碳排放與經(jīng)濟(jì)增長關(guān)系研究[M].北京：經(jīng)濟(jì)科學(xué)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]張兵兵，徐康寧，陳庭強(qiáng).技術(shù)進(jìn)步對(duì)CO2排放強(qiáng)度的影響研究[J].資源科學(xué)，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，郭立紅，段紅，等.基于螢火蟲算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的目標(biāo)威脅估計(jì)[J].吉林大學(xué)學(xué)報(bào)（工學(xué)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]周永權(quán)，黃正新.求解TSP的人工螢火蟲群優(yōu)化算法[J].控制與決策，2012（12）：1816-1821.[ZHOU Yongquan，HUANG Zhengxin. Artificial glowworm swarm optimization algorithm for TSP[J].Control and decision，2012（12）：1816-1821.]

[21]黃正新，周永權(quán).自適應(yīng)步長螢火蟲群多模態(tài)函數(shù)優(yōu)化算法[J].計(jì)算機(jī)科學(xué)，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]陳詩一.中國碳排放強(qiáng)度的波動(dòng)下降模式及經(jīng)濟(jì)解釋[J].世界經(jīng)濟(jì)，2011（4）：124-143.[CHEN Shiyi. Chinas carbon intensity fluctuation drop pattern and economic explanation[J].World economy，2011（4）：124-143.]

[23]杜強(qiáng)，陳喬，楊銳.基于Logistic模型的中國各省碳排放預(yù)測[J].長江流域資源與環(huán)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]劉華軍，趙浩.中國CO2排放強(qiáng)度的地區(qū)差異分析[J].統(tǒng)計(jì)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]渠慎寧，郭朝先.基于STIRPAT模型的中國碳排放峰值預(yù)測研究[J].中國人口·資源與環(huán)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]趙玉新，YANG Xinshe，劉利強(qiáng).新興元啟發(fā)式優(yōu)化方法[M].北京：科學(xué)出版社，2013.[ZHAO Yuxin，YANG Xinshe，LIU Liqiang. New metaheuristic optimization methods[M].Beijing：Science Press，2013.]

[27]張國有.經(jīng)濟(jì)發(fā)展方式變化對(duì)中國碳排放強(qiáng)度的影響[J].經(jīng)濟(jì)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，F(xiàn)U 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，F(xiàn)AN 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.