您现在的位置: 范文先生网 >> 理工论文 >> 环境保护论文 >> 正文

北京市二氧化碳排放驱动因素分析——基于STIRPAT模型

时间:2013-2-11栏目:环境保护论文

  北京市二氧化碳排放驱动因素分析——基于STIRPAT模型
  
  徐 均(中央民族大学 经济学院,北京 100081)
  
  摘 要:在2012年12月8日结束的多哈气候会议中,中国政府提出,到2020年单位国内生产总值CO2排放比2005年下降40%至45%。随着经济的飞速发展,中国CO2排放量不断增加,研究中国各大城市尤其是北京影响CO2排放量的因素,进而分析如何减少CO2的排放成为当前研究热点。利用STIRPAT模型,分析了北京市CO2排放量与人口、财富和技术进步因素的定量关系,并通过岭回归拟合得出人口数量、城市化水平、人均GDP、能耗效率、第二产业生产总值每发生1%变化,将引起CO2排放总量相应发生0.137%、0.245%、0.194%、-0.213%、0.214%的变化。
  
  关键词:STIRPAT模型;岭回归;CO2排放量;驱动因素;北京
  
  中图分类号:F127 文献标志码:A 文章编号:1002-2589(2013)02-0105-03
  
  当今,全球变暖已经成为不争的事实,由于人为温室气体排放导致的全球气候变暖问题引起了全球的广泛关注。根据世界资源研究所(WRI)数据,2007年中国CO2排放量达到了7 219.2百万公顷,占到了全球的19.12%,2006年中国的CO2排放量就已经超过了美国位居世界第一,到2007年两国间的差距进一步扩大。因而研究中国各大城市尤其是首都北京如何采取措施减少CO2排放量变得非常重要。为了解决上述问题,国内外学者进行了大量的研究工作。Dieta等利用对数化的STIRPAT模型研究了CO2排放量与人口、富裕度、城市化之间的关系;燕华等利用STIRPAT模型研究得出人口数量、人均GDP、富裕度、城市化水平和技术进步每发生1%的变化,将引起上海CO2排放总量相应发生0.618%、(0.178+lnA)%、0.816%和0.264%的变化,但技术进步反而会导致CO2排放总量的增加的结果不太符合实际。
  
  本文利用STIRPAT模型和岭回归,定量分析了CO2排放量与人口数量、城市化水平、人均GDP、能耗强度和第二产业产值之间的关系。在上述研究的基础上,进一步定性分析了上述五因素的影响,进而对北京减少CO2的排放提出建议,对今后其它城市减少CO2排放量有一定的借鉴意义。
  
  一、研究方法
  
  1.STIRPAT模型
  
  在本研究中选择STRIPAT模型为研究工具, STIRPAT 模型的前身是IPAT环境压力等式。Rose 和Dietz(1994)将IPAT 等式表示成随机形式,即通过人口、富裕度和技术的随机回归分析各驱动力对环境压力的影响,简称为STIRPAT 模型,其具体形式为。
  
  I=αPbAcTde         (1)
  
  式中, I、P、A、T 表示环境压力、人口数量、富裕度和技术;b、c、d 分别是人口数量、富裕度、技术等人文驱动力的指数, a是模型的系数,e为模型误差。是一个多自变量的非线性模型,模型两边同时进行对数化处理后为。
  
  lnI=lna+b(lnP)+c(lnA)+d(lnT)+lne    (2)
  
  2.模型指标选取
  
  这里STIRPAT模型中表示环境因素因变量的I为CO2排放总量。A为财富因素,以人均GDP指标代表。STIRPAT 模型比较灵活,可以加入或修改若干影响因素。因此为了更深入研究北京市CO2排放与人口和技术因素的关系,笔者将人口因素P分解为北京常住人口数量P1和城市化水平P2(城镇人口占地区总人口比重)两项指标。充分考虑技术指标的特点和代表性以及第二产业对CO2的排放量的重要影响,将技术指标T分解为能耗强度T1和第二产业生产总值T2两项指标;其中,能耗强度指标T1反应单位GDP的产生所消费的标准煤数量;第二产业是地区CO2排放的主要来源,因此引入第二产业生产总值T2。基于以上指标的选取,本文标准化STIRPAT 模型最终公式为。
  
  lnI=b1(lnP1)+b2(lnP2)+c(lnA)+d1(lnT1)+d2(lnT2) (3)
  
  3.指标数据的来源
  
  本文的主要研究对象CO2的排放量I在统计年鉴中未直接给出。本文引用张金萍《城市CO2排放结构与低碳水平测度———以京津沪渝为例》中北京1998年到2011的CO2的排放总量。该作者参考《IPCC 国家温室气体排放清单指南2006》,将各构成要素均折算成标准煤,进而计算CO2的总排放量,考虑比较全面,计算比较科学。本文其他指标数据来源于1998年到2011年的《北京统计年鉴》,选取了1998年到2011年共14年的数据。模型中各指标的详细数据见表1。
  
  4.回归方法的选择
  
  因为各变量之间存在多重共线性,在不剔除自变量前提下解决回归方程存在多重共线性的方法有主成分回归法、偏最小二乘法和岭回归法。本文选择岭回归方法,虽然岭回归是一种有偏估计方法,但它不需要剔除自变量,且相比一般最小二乘法,能够得到各参数系数更显著的结果。
  
  5.K值及弹性系数确定
  
  利用SPSS18.0软件的岭回归函数对模型进行拟合,岭回归系数K在(0,1)区间,以步长为0.02进行取值。通过对公式(3)进行岭回归拟合,当K=0.2时岭迹图变化逐渐平稳,自变量回归系数变化趋于稳定。所以文中取K=0.2时的岭回归拟合结果确定随机模型,具体拟合结果如表2。从表2可看出,自变量t的检验值可以说明因变量与自变量之间的线性相关关系显著,回归方程有意义。当K=0.2时岭回归的方差检验结果如表3,调整后的R方为0.974, F值为37.909及P值为0.006 ,都能说明回归方程通过了显著性检验。
  
  所以,当取K=0.2时,结合表2中所列各数据,标准化岭回归拟合所得模型为。
  

[1] [2] 下一页

下页更精彩:1 2 3 4 下一页