基于STIRPAT模型的遼寧省能源碳排放影響因素分析

摘要：

遼寧省是傳統(tǒng)的工業(yè)和農(nóng)業(yè)大省，在能源結(jié)構(gòu)持續(xù)調(diào)整和農(nóng)業(yè)機械化水平逐漸提高的背景下，為制定科學合理的減排措施，必須探明其碳排放主要來源。為此，采用排放因子法計算2012—2021年主要能源消耗碳排放量，利用STIRPAT模型構(gòu)建遼寧省能源消耗碳排放測算模型，分析影響能源消耗碳排放的主導因素。結(jié)果發(fā)現(xiàn)，煤炭是遼寧省消耗的最主要能源，占總能耗的55%左右；能源消耗碳排放總量整體呈明顯增加趨勢，而碳排放強度呈下降趨勢，10年間降低11.3 kt CO2/億元；第二產(chǎn)業(yè)產(chǎn)值、農(nóng)業(yè)碳排放效率、農(nóng)業(yè)經(jīng)濟發(fā)展水平、第一產(chǎn)業(yè)產(chǎn)值、人口、人均GDP、城鎮(zhèn)化率、農(nóng)業(yè)機械化程度、能源加工轉(zhuǎn)換效率是影響遼寧省碳排放的主要因素；基于STIRPAT模型構(gòu)建遼寧省碳排放測算模型，通過驗證發(fā)現(xiàn)平均相對誤差為-4.91%，準確度較好；對模型分析發(fā)現(xiàn)人口變化對遼寧省能源碳排放呈負向影響，而人均GDP、第二產(chǎn)業(yè)產(chǎn)值、農(nóng)業(yè)經(jīng)濟發(fā)展水平、農(nóng)業(yè)機械化程度對遼寧省能源碳排放呈正向影響。因此為抑制遼寧省能源碳排放量的快速增加，需要控制人口數(shù)量，優(yōu)化產(chǎn)業(yè)結(jié)構(gòu)，保持人均GDP增速，第二產(chǎn)業(yè)產(chǎn)值和農(nóng)業(yè)機械化程度在一個合理的水平。

關鍵詞：農(nóng)業(yè)機械化；能源碳排放；STIRPAT模型；影響因素；節(jié)能減排

中圖分類號：S23；" X321

文獻標識碼：A

文章編號：2095-5553 （2024） 04-0180-07

收稿日期：2023年12月14日" 修回日期：2024年1月9日

基金項目：國家電網(wǎng)有限公司總部管理科技項目（5108—202218280A—2—404—XG）

第一作者：曲睿婷，女，1992年生，山東蓬萊人，碩士，工程師；研究方向為電網(wǎng)數(shù)字化。E-mail： qrt@ln.sgcc.com.cn

通訊作者：王體朋，男，1982年生，河南鄧州人，博士，教授；研究方向為新能源開發(fā)與利用。E-mail： wangtp@ncepu.edu.cn

Analysis of influencing factors of energy carbon emission in Liaoning Province

based on STIRPAT model

Qu Ruiting1， Qiao Lin1， Wang Haomiao1， Wang Tianbo1， Gao Qiang1， Guo Meijie2， Wang Tipeng2

（1. State Grid Liaoning Information and Communication Company， Shenyang， 110006， China；

2. North China Electric Power University， Beijing， 102206， China）

Abstract：

As a traditional industrial and agricultural province， in order to identify the main factors affecting carbon emissions in Liaoning province under the background of continuous adjustment of energy structure and gradual improvement of agricultural mechanization level， the main energy consumption carbon emission was calculated based on the energy consumption data of 2012—2021. Then， the estimation model of energy consumption carbon emission was constructed by STIRPAT model， and the main reasons affecting the carbon emissions of energy consumption were analyzed. The result showed that coal was still the most important energy source consumed in Liaoning province， accounting for about 55% of the total energy consumption. The total carbon emissions of energy consumption showed a significant increasing trend. However， the carbon emission intensity tends to decline. The total amount decreased by 11.3 kt CO2/100 million yuan in 10 years. Nine factors， including the output value of the secondary industry， the agricultural carbon emission efficiency， the agricultural economic development level， the output value of the primary industry， the population， the per capita GDP， the urbanization rate， the agricultural mechanization degree， and the energy processing and conversion efficiency， mainly affected the carbon emission. A carbon emission prediction model based on STIRPAT was constructed with an average relative error -4.91%， which indicated a good accuracy. From the model， population change had negative effects on the total energy carbon emission， however， Per capita GDP， the output value of the secondary industry， the agricultural economic development level， and the degree of agricultural mechanization had a positive impact. Therefore， in order to restrain the rapid increase of energy carbon emissions in Liaoning Province， it is necessary to control the population， optimize the industrial structure， keep the per capita GDP growth rate， the output value of the secondary industry and the degree of agricultural mechanization at a reasonable level.

Keywords：

agricultural mechanization; energy carbon emissions; STIRPAT model; influencing factors; energy saving and emission reduction

0 引言

能源是人類一切生產(chǎn)活動的基礎，經(jīng)濟社會發(fā)展離不開能源的利用。我國是個傳統(tǒng)的農(nóng)業(yè)大國，正在向工業(yè)強國邁進，能源需求旺盛。據(jù)國家統(tǒng)計數(shù)據(jù)，2020年我國能源消耗49.8×108t標準煤，碳排放總量為98.99×108t，占全球碳排放總量的30.70%［1］，能源消耗總量和碳排放總量均為世界第一［2］。在“雙碳”背景下，如何平衡經(jīng)濟發(fā)展與節(jié)能減排之間的矛盾成為亟須解決的問題。碳排放事關全社會、全行業(yè)、全人民，而由于經(jīng)濟發(fā)展水平、教育程度、節(jié)能減排意識等不同，我國各地的碳排放情況差異顯著。另一方面，為了實現(xiàn)雙碳目標，近年來能源結(jié)構(gòu)調(diào)整在加速進行，新的節(jié)能技術(shù)在不斷涌現(xiàn)并被推廣，導致碳排放情況不斷變化，因此為了探索雙碳目標的實現(xiàn)路徑，制定更加科學合理的節(jié)能減排策略，每個地區(qū)都必須掌握區(qū)域內(nèi)的碳排放情況，明確驅(qū)動因素。

目前，針對碳排放情況的研究主要包括兩個方向：分析碳排放影響因素以及對未來碳排放構(gòu)建預測模型［3-5］。在碳排放影響因素分析方面多采用灰色關聯(lián)度分析、回歸分析、Granger因果關系檢驗、對數(shù)平均權(quán)重分解（LMDI）以及多模型結(jié)合如LMDI-STIRPAT模型等方法［6-9］。各學者在研究碳排放影響因素時主要考慮的是社會發(fā)展、能源利用、產(chǎn)業(yè)結(jié)構(gòu)、技術(shù)水平等，如Cansino等［10］利用投入產(chǎn)出表研究1995—2009年西班牙碳排放變化，并將CO2影響因素分為碳氧化率、能源強度、技術(shù)水平、結(jié)構(gòu)需求、消費形式等；Zhu等［11］運用LMDI模型構(gòu)建中國長江三角洲地區(qū)工業(yè)能源碳排放模型，分析得出經(jīng)濟發(fā)展為主要工業(yè)能源碳排放影響因素，其次為人口、能源強度；Lin等［12］選用排放因子、能源結(jié)構(gòu)、能源強度以及工業(yè)總產(chǎn)出用于分析中國食品行業(yè)碳排放；許清濤等［13］運用LMDI模型分析吉林省農(nóng)業(yè)碳排放的影響因素，結(jié)果發(fā)現(xiàn)農(nóng)業(yè)機械化和農(nóng)業(yè)化學化是吉林省農(nóng)業(yè)現(xiàn)代化進程中的主要碳排放來源。STIRPAT模型綜合考慮了社會、經(jīng)濟以及技術(shù)等多方面驅(qū)動因素對CO2排放的影響，模型準確度很高，在能源以及碳排放問題研究中被廣泛使用。Wang等［14］利用STIRPAT模型對中國各區(qū)域分類進行碳排放因素識別分析，發(fā)現(xiàn)能源強度是較發(fā)達區(qū)域碳排放的主導因素；黃蕊等［15］運用STIRPAT模型定量分析了影響江蘇省能源消費碳排放主要因素，發(fā)現(xiàn)人口數(shù)量、人均GDP、能源強度、城市化水平是影響江蘇省碳排放的主要因素；孫潔等［16］通過STIRPAT模型將南京碳排放主要因素分為7個影響因子，分析了南京市碳排放的主要來源。陳夢涵等［17］通過STIRPAT模型及地理加權(quán)回歸模型（GWR）揭示我國耕地利用碳排放的驅(qū)動因素。

遼寧省是傳統(tǒng)的工業(yè)大省和農(nóng)業(yè)大省，也是主要的能源消耗大省。在遼寧省“十四五”節(jié)能減排規(guī)劃中明確提出“到2025年，實現(xiàn)全省單位地區(qū)生產(chǎn)總值能耗比2020年下降14.5%；能源消費總量得到合理控制，重點行業(yè)能源利用效率和主要污染物排放控制水平基本達到國際先進水平”。遼寧省面臨著嚴峻的產(chǎn)業(yè)結(jié)構(gòu)調(diào)整、發(fā)展低碳經(jīng)濟以及保證糧食安全等多重壓力，如何在滿足國家要求和人民需要的前提下，實現(xiàn)節(jié)能減碳和綠色高質(zhì)量發(fā)展成為必須解決的問題。為了解決這些問題，首先必須對省內(nèi)碳排放情況進行詳細研究，探明影響碳排放的主導因素，為制定更加合理可行的減排措施提供依據(jù)。為此，本文分析2012—2021年遼寧省能源消費碳排放情況，然后基于STIRPAT模型，依據(jù)遼寧省現(xiàn)狀劃分三種影響效應，重點選取21種影響因素進行分析，結(jié)合變量投影重要性分析和嶺回歸分析，構(gòu)建遼寧省能源消費碳排放的STIRPAT模型變量，得到影響2012—2021年遼寧省能源碳排放的主導因素。

1 研究方法

1.1 STIRPAT模型

STIRPAT模型是一種可拓展的隨機性環(huán)境影響評估模型，該模型是在傳統(tǒng)IPAT模型的基礎上改進而來［18］，基本形式如式（1）所示。

I=aPbAcTde

（1）

式中：

I——環(huán)境壓力；

P——人口；

A——富裕程度；

T——技術(shù)；

a——模型系數(shù)；

b、c、d——

人口、富裕程度和技術(shù)因素的彈性系數(shù)；

e——模型誤差。

對式（1）兩邊作對數(shù)處理則為

lnI=a+blnP+clnA+dlnT+e

（2）

本文將環(huán)境因素設置為能源消費碳排放C，對能源消費碳排放影響效應分為人口規(guī)模、經(jīng)濟發(fā)展、技術(shù)水平三類。其中人口規(guī)模：人口P、城鎮(zhèn)化率U；經(jīng)濟發(fā)展：人均GDP（A）；技術(shù)水平為第一產(chǎn)業(yè)產(chǎn)值T1、第二產(chǎn)業(yè)產(chǎn)值T2、第三產(chǎn)業(yè)產(chǎn)值T3、第一產(chǎn)業(yè)產(chǎn)值占比I1、第二產(chǎn)業(yè)產(chǎn)值占比I2、第三產(chǎn)業(yè)產(chǎn)值占比I3、能源結(jié)構(gòu)E1（煤炭消耗占總能源消費比重）、能源結(jié)構(gòu)E2（非煤炭能源占總能源消費比重）、能源加工轉(zhuǎn)換效率H、能源碳排放效率L、能源碳排放強度J、能源利用效率M、能耗強度G、農(nóng)業(yè)產(chǎn)業(yè)結(jié)構(gòu)R1、農(nóng)業(yè)經(jīng)濟發(fā)展水平R2、農(nóng)業(yè)碳排放效率R3、農(nóng)用機械化程度R4（機械作業(yè)面積占總應作業(yè)面積的比例）、農(nóng)機總動力R5。采用變量投影重要性（VIP）法分析這21種因素對遼寧省能源消費碳排放的解釋能力，得出影響遼寧省能源消費碳排放的關鍵因素。

1.2 變量投影重要性

為了從21種因素中篩選出影響遼寧省能源碳排放的關鍵因素，提高估測結(jié)果的準確性和可靠性，本文采用變量投影重要性（Variable Importance in Projection，VIP）方法進行分析。

1.3 嶺回歸分析

為了解決各變量間在回歸過程存在的多重共線性問題，本文采用嶺回歸分析方法，具體方法參照文獻［15］。

2 數(shù)據(jù)來源及處理

本文選用2012—2021年遼寧省的相關數(shù)據(jù)對其能源消費碳排放影響因素進行分析，各變量數(shù)據(jù)均來源于2013—2022年《遼寧統(tǒng)計年鑒》以及國家統(tǒng)計局。

現(xiàn)階段，我國還沒有直接統(tǒng)計碳排放量的數(shù)據(jù)，碳排放量均依據(jù)排放因子和活動數(shù)據(jù)的乘積估算而來。本文參照《2006年IPCC國家溫室氣體清單指南》中的排放因子法用于計算2012—2021年遼寧省能源消費碳排放量?；竟饺缡剑?）所示，根據(jù)《遼寧統(tǒng)計年鑒》，本文所分析的能源消費種類為煤炭、焦炭、原油、汽油、煤油、燃料油、天然氣和電力。

CO2

=∑iEi×δi

=∑iEi×NCVi×CEFi×COFi×4412

（3）

式中：

i——能源種類；

E——能源消費量；

δ——各能源的碳排放系數(shù)；

NCV——能源平均低位發(fā)熱量；

CEF——單位熱值燃料的含碳量；

COF——能源燃燒時的碳氧化率。

其中44/12為CO2中碳含量能源，平均低位發(fā)熱量來源于《中國統(tǒng)計年鑒》，燃料含碳量、碳氧化率來源于《2006年IPCC國家溫室氣體清單指南》。

3 結(jié)果與討論

3.1 遼寧省能源消費碳排放現(xiàn)狀

由表1可以看出，2012—2021年間遼寧省主要能源消耗種類為煤炭、焦炭、原油、汽油、煤油、柴油、燃料油、天然氣、電力等。

其中煤炭、焦炭、原油、電力在遼寧省能源消費結(jié)構(gòu)中占據(jù)主要地位；能源消耗總量整體呈上升趨勢，個別年份有輕微波動，最低消耗量為2015年349592200t標準煤。煤炭是遼寧省的主導能源，一直占據(jù)總能耗的55%左右，但是隨著近年來能源結(jié)構(gòu)調(diào)整的加快，其在總能耗中的比例呈逐年降低的趨勢；焦炭與煤炭消耗量變化趨勢類似，所占比重逐年下降，由8.98%降至7.58%；原油和電力能源消耗量和在能源中的占比均呈逐年增加的趨勢，年均增長率分別為0.72%和0.13%。

2012—2021年區(qū)間遼寧省能源消耗碳排放量先降低后明顯增加（圖1），2015年CO2排放量最低為837 213 kt，且環(huán)比增速為-2.63%。2015年到2021年呈增長趨勢，6年間碳排放總量增加了25.52%；從環(huán)比增速來看，2019年增速最高為8.27%，但之后的三年間，碳排放總量增長率逐漸減緩，環(huán)比增速呈明顯降低趨勢。這主要是由于：（1）自“雙碳”目標提出后，隨著能源結(jié)構(gòu)的調(diào)整，清潔能源占比提高導致碳排放增速放緩；（2）受新冠疫情的影響，國民經(jīng)濟發(fā)展速度放緩，導致全社會用能相對減少。

2012—2021年遼寧省能源消耗碳排放強度呈逐年下降趨勢（圖2），由2012年49.4 kt CO2/億元下降至2021年38.1 kt CO2/億元，10年間降低了11.3 kt CO2/億元，這說明遼寧省的經(jīng)濟結(jié)構(gòu)和產(chǎn)業(yè)結(jié)構(gòu)調(diào)整取得了明顯成效。從碳排放強度增速來看，除2019年和2020年為正值外其余年份均為負值，表明近年來遼寧省發(fā)展低碳清潔技術(shù)取得一定成效。

3.2 影響因素識別分析

變量投影重要性分析中，自變量VIP值之間的差異能夠反映自變量對因變量解釋能力的差異，其VIP值越大，則認為該自變量的解釋能力越強［19］。如果各自變量對因變量的解釋能力相同，則各自變量的VIP值均為1，當自變量的VIP值大于1，則認為該自變量對因變量的解釋能力較強。

根據(jù)表2可以看出第二產(chǎn)業(yè)產(chǎn)值、農(nóng)業(yè)碳排放效率、農(nóng)業(yè)經(jīng)濟發(fā)展水平、第一產(chǎn)業(yè)產(chǎn)值、人口、人均GDP、城鎮(zhèn)化率、農(nóng)用機械化程度、能源加工轉(zhuǎn)換效率的VIP值分別為1.288 1、1.217 24、1.204 97、1.190 49、1.134 57、1.118 24，1.061 16、1.059 85、1.050 83，明顯大于1，這說明它們對遼寧省能源消費碳排放具有較好的解釋能力，其他因素的影響能力較弱。

將上述9種影響因素（第二產(chǎn)業(yè)產(chǎn)值、農(nóng)業(yè)碳排放效率、農(nóng)業(yè)經(jīng)濟發(fā)展水平、第一產(chǎn)業(yè)產(chǎn)值、人口、人均GDP、城鎮(zhèn)化率、農(nóng)用機械化程度、能源加工轉(zhuǎn)換效率）進一步分類如表3所示。

基于嶺回歸分析對各影響因素分別排列組合計算，結(jié)果如表4所示。各模型的擬合程度R2除模型4外均在0.9左右，其中模型1、2、3、4未通過變量t檢驗，模型5和模型6通過了變量t檢驗和F檢驗，F(xiàn)檢驗值均小于0.01，但模型5的擬合程度R2大于模型6，故選用自變量人口、人均GDP、第二產(chǎn)業(yè)產(chǎn)值、農(nóng)業(yè)經(jīng)濟發(fā)展水平、農(nóng)用機械化程度來構(gòu)建遼寧省能源消耗碳排放STIRPAT模型。

3.3 STIRPAT模型

將因素識別分析中較優(yōu)模型5的各參數(shù)（表3）帶入式（2）并擴展后得到遼寧省能源消耗碳排放的測算模型，如式（4）所示。

InC=

-2.12lnP+0.19lnA+0.12lnT2+

0.22lnR2+1.27lnR4+25.75

（4）

由模型可以看出，人口變化對遼寧省能源碳排放呈負向影響，促進能源碳減排；而人均GDP、第二產(chǎn)業(yè)產(chǎn)值、農(nóng)業(yè)經(jīng)濟發(fā)展水平、農(nóng)用機械化程度對遼寧省能源碳排放呈正向影響，增加能源碳排放。因此為了抑制遼寧省能源碳排放量的快速增加，需要減少人口數(shù)量、使人均GDP低速增長、優(yōu)化農(nóng)業(yè)生產(chǎn)結(jié)構(gòu)、保持第二產(chǎn)業(yè)產(chǎn)值和農(nóng)業(yè)機械化程度在一個合理的水平。

遼寧省作為農(nóng)業(yè)大省，第一產(chǎn)業(yè)占據(jù)重要地位，而且農(nóng)業(yè)機械化水平逐漸提升，農(nóng)機總動力不斷增加，柴油等燃料用量必然增加，這也導致碳排放量上升，盡管綠色農(nóng)機等低碳農(nóng)業(yè)的生產(chǎn)方式已開始推廣，但技術(shù)等仍比較落后，無法抑制農(nóng)業(yè)機械利用造成的碳排放量增加。遼寧省作為傳統(tǒng)的重工業(yè)大省，以煤炭等高排放能源為主要能源的用能結(jié)構(gòu)短期內(nèi)難以改變，致使遼寧省的能源碳排放強度仍然較高，下降空間較大。

為了說明模型的準確性，需要對模型進行驗證，結(jié)果如表5所示?？梢钥闯觯碚撝蹬c實際值的相對誤差不超過7.5%，平均相對誤差為-491%，擬合效果較好，說明此模型用于測算遼寧省能源消耗碳排放量是可行的。

4 結(jié)論與建議

4.1 結(jié)論

本文首先研究2012—2021年間遼寧省能源消耗和碳排放情況，然后基于STIRPAT模型構(gòu)建遼寧省碳排放預測模型，并對影響遼寧省能源消耗碳排放主導因素進行識別分析。

1） 遼寧省主要能源消耗種類為煤炭、焦炭、原油、汽油、煤油、柴油、燃料油、天然氣、電力等，近年來消耗量均呈增長趨勢。碳排放總量和環(huán)比增速均主要呈增加趨勢，然而碳排放強度總體呈降低趨勢，但其環(huán)比仍呈增長趨勢。這說明遼寧省減排任務仍比較大。

2） 通過因素識別發(fā)現(xiàn)，第二產(chǎn)業(yè)產(chǎn)值、農(nóng)業(yè)碳排放效率、農(nóng)業(yè)經(jīng)濟發(fā)展水平、第一產(chǎn)業(yè)產(chǎn)值、人口、人均GDP、城鎮(zhèn)化率、農(nóng)用機械化程度、能源加工轉(zhuǎn)換效率是影響遼寧省碳排放的主要因素。

3） 構(gòu)建基于STIRPAT的遼寧省碳排放預測模型，通過驗證發(fā)現(xiàn)理論值與實際值的平均相對誤差為-4.91%，說明模型的準確性較好。

4.2 建議

根據(jù)遼寧省能源消耗碳排放影響因素識別，STIRPAT模型的構(gòu)建，從人口、經(jīng)濟發(fā)展以及技術(shù)進步三個角度，對遼寧省能源碳排放的管理以及未來碳減排工作提出如下建議。

1） 在人口方面，人口增長勢必導致能源需求增加，應當采取審慎的人口政策，合理分配外來務工人員，適度把控人口數(shù)量和人口增長率。近年來，遼寧省農(nóng)村勞動力人口逐漸下降，需提升農(nóng)村勞動力綜合素質(zhì)，增強低碳環(huán)保意識，低碳生產(chǎn)理念，從而提升農(nóng)業(yè)生產(chǎn)效率。社會經(jīng)濟迅速發(fā)展，城鎮(zhèn)化率逐漸增加，考慮社會發(fā)展趨勢以及城市政策，降低城鎮(zhèn)化率顯然不可行。因此需加快城鎮(zhèn)綠色節(jié)能改造，推進城鎮(zhèn)綠色建設，推動低碳城市、海綿城市、“無廢城市”建設，深入開展綠色生活全民行動，倡導簡約適度、綠色低碳、文明健康的生活方式，引導社會公眾自覺旅行節(jié)能減排責任。

2） 在經(jīng)濟發(fā)展方面，根據(jù)近年來遼寧省各產(chǎn)業(yè)產(chǎn)值，第一產(chǎn)業(yè)產(chǎn)值、第三產(chǎn)業(yè)產(chǎn)值逐漸增加，占比也逐漸提高，由此若優(yōu)化產(chǎn)業(yè)結(jié)構(gòu)，經(jīng)濟發(fā)展可多重視第三產(chǎn)業(yè)發(fā)展，平衡穩(wěn)定第二產(chǎn)業(yè)和第三產(chǎn)業(yè)占總產(chǎn)值的比重。而在第二產(chǎn)業(yè)發(fā)展中，確保重工業(yè)發(fā)展前提下，鼓勵輕工業(yè)發(fā)展，穩(wěn)定農(nóng)業(yè)發(fā)展，重視控排企業(yè)節(jié)能減排，遏制高耗能、高排放、低水平項目盲目發(fā)展。除此之外，調(diào)整能源結(jié)構(gòu)，控制煤炭、石油等高碳排能源使用，擴展清潔能源開發(fā)空間，立足遼寧省風、光、水、核、天然氣、生物質(zhì)、地熱能、海洋能等多品類清潔能源豐富發(fā)展基礎，綜合發(fā)展清潔能源。

3） 在技術(shù)方面，能源消耗產(chǎn)生的碳排放作為碳排放主體，如何高效清潔利用各化石能源，提高能源利用效率十分重要。根據(jù)《遼寧省加快推進清潔能源強省建設實施方案》，需推動用能方式轉(zhuǎn)型升級，加快應用煤炭清潔高效燃燒，資源化利用等技術(shù)，還需引導企業(yè)開展煤炭清潔利用改造，發(fā)展新一代信息技術(shù)、節(jié)能環(huán)保、二氧化碳捕利用封存（CCUS）等新興產(chǎn)業(yè)技術(shù)。另外，政府也需要在技術(shù)研究方面增加資金投入，對節(jié)能減排新技術(shù)項目和研發(fā)給予資金補貼，制定相應政策保證技術(shù)穩(wěn)定開發(fā)。

參 考 文 獻

［1］ BP. BP statistical review of world energy （2021） ［R］. East Sussex： Pureprint Group Limited， 2021.

［2］ 霍婧， 趙衛(wèi)東. 對黃河流域現(xiàn)代煤化工產(chǎn)業(yè)綠色低碳發(fā)展的建議［J］. 科技中國， 2021（8）： 22-24.

Huo Jing， Zhao Weidong. Suggestions on the green and low-carbon development of modern coal chemical industry in the Yellow River Basin ［J］. Science and Technology China， 2021（8）： 22-24.

［3］ 姚明秀， 王淼薇， 雷一東. 基于STIRPAT模型的上海市碳達峰預測研究［J］. 復旦學報（自然科學版）， 2023， 62（2）： 226-237.

Yao Mingxiu， Wang Miaowei， Lei Yidong. Research on Shanghai carbon peak forecast based on STIRPAT model ［J］. Journal of Fudan University （Natural Science）， 2023， 62（2）： 226-237.

［4］ Dong J， Li C B. Scenario prediction and decoupling analysis of carbon emission in Jiangsu Province， China ［J］. Technological Forecasting Social Change， 2022， 185.

［5］ Hao J H， Gao F， Fang X Y， et al. Multi-factor decomposition and multi-scenario prediction decoupling analysis of China’s carbon emission under dual carbon goal. ［J］. The Science of the total environment， 2022， 841.

［6］ 任靜. 碳排放影響因素研究綜述［J］. 資源與產(chǎn)業(yè)， 2015， 17（1）： 79-83.

Ren Jing. A review of research on carbon emission influencing factors ［J］. Resources and Industry， 2015， 17（1）： 79-83.

［7］ Tian S， Xu Y， Wang Q S， et al. Research on peak prediction of urban differentiated carbon emissions： A case study of Shandong Province， China ［J］. Journal of Cleaner Production， 2022， 374.

［8］ Wei L L， Feng X W， Liu P， et al. Impact of intelligence on the carbon emissions of energy consumption in the mining industry based on the expanded STIRPAT model ［J］. Ore Geology Reviews， 2023， 159.

［9］ Sun J W. Changes in energy consumption and energy intensity： A complete decomposition model ［J］. Energy Economics， 1998， 20（1）： 85-100.

［10］ Cansino M J， Román R， Ordóez M. Main drivers of changes in CO2 emissions in the Spanish economy： A structural decomposition analysis ［J］. Energy Policy， 2016， 89.

［11］ Zhu X， Zou J， Feng C. Analysis of industrial energy-related CO2 emissions and the reduction potential of cities in the Yangtze River Delta region ［J］. Journal of Cleaner Production， 2017， 168.

［12］ Lin B， Xie X. CO2 emissions of China’s food industry： An input-output approach ［J］. Journal of Cleaner Production， 2016， 112.

［13］ 許清濤， 李玉波， 楊淑杰. 吉林省農(nóng)業(yè)現(xiàn)代化進程中碳排放測算與分解［J］. 中國農(nóng)機化學報， 2018， 39（7）： 103-109.

Xu Qingtao， Li Yubo， Yang Shujie. Measurement and decomposition of carbon emission by the process of agricultural modernization in Jilin Province ［J］. Journal of Chinese Agricultural Mechanization， 2018， 39（7）： 103-109.

［14］ Wang Y， Zhao T. Impacts of energy-related CO2 emissions： Evidence from under developed， developing and highly developed regions in China ［J］. Ecological Indicators， 2015， 50.

［15］ 黃蕊， 王錚， 丁冠群， 等. 基于STIRPAT模型的江蘇省能源消費碳排放影響因素分析及趨勢預測［J］. 地理研究， 2016， 35（4）： 781-789.

Hang Rui， Wang Zheng， Ding Guanqun， et al. Trend prediction and analysis of influencing factors of carbon emissions from energy consumption in Jiangsu province based on STIRPAT model ［J］. Geographical Research， 2016， 35（4）： 781-789.

［16］ 孫潔， 王鵬飛. 基于STIRPAT模型研究南京碳排放的影響因素［J］. 物流科技， 2022， 45（2）： 117-122.

Sun Jie， Wang Pengfei. Study on influencing factors of CO2 emission in Nanjing based on STIRPAT model ［J］. Logistics Science and Technology， 2022， 45（2）： 117-122.

［17］ 陳夢涵， 唐瑩. 中國耕地利用碳排放時空特征與影響因素分析［J］. 中國農(nóng)機化學報， 2023， 44（7）： 236-243.

Chen Menghan， Tang Ying. Temporal and spatial characteristics and influencing factors of carbon emission from cultivated land utilization in China ［J］. Journal of Chinese Agricultural Mechanization， 2023， 44（7）： 236-243.

［18］ York R， Rosa E A， Dietz T. STIRPAT， IPAT and ImPACT： Analytic tools for unpacking the driving forces of environmental impacts ［J］. Ecological Economics， 2003， 46（3）： 351-365.

［19］ 孫偉. 電力低碳發(fā)展模型及決策支持系統(tǒng)研究［D］. 北京： 華北電力大學， 2015.

Sun Wei. Research on low-carbon development models and decision support system design for China’s electric power industry ［D］. Beijing： North China Electric Power University， 2015.