基于STIRPAT模型的上海市建筑用地变化对碳排放的效应分析及预测

周峰, 吴开亚, 金菊良

(1.合肥工业大学 资源与环境工程学院,安微 合肥 230009; 2.复旦大学 公共管理与公共政策创新基地,上海200433;3.合肥工业大学 土木与水利工程学院,安微 合肥230009)



基于STIRPAT模型的上海市建筑用地变化对碳排放的效应分析及预测

周峰1, 吴开亚2, 金菊良3

(1.合肥工业大学 资源与环境工程学院,安微 合肥 230009; 2.复旦大学 公共管理与公共政策创新基地,上海200433;3.合肥工业大学 土木与水利工程学院,安微 合肥230009)

土地利用方式的改变对碳排放的影响较大,而建筑用地是影响土地利用碳排放的重要因素,为进一步探索建筑用地变化与碳排放之间的定量关系,采用STIRPAT模型结合多元线性回归法分析了上海市1999—2014年建筑用地变化对碳排放的影响,并对上海市未来碳排放进行预测。结果表明:1999—2014年上海市建筑用地面积与碳排放量均呈增长态势,年均增长率分别为18.04%和5.24%,建筑用地面积与碳排放量之间呈现正的显著相关性,弹性系数为0.013。预测2020年上海市碳排放量将达到6 289.67万t,2015—2020年碳排放量年均增长率仅为0.93%,说明上海市控制建筑用地利用的措施对碳减排有明显效果。

土地利用;碳排放;建筑用地;STIRPAT模型;上海市

随着社会经济的高速发展,温室效应与碳排放已经成为世界共同关注的课题。Global Carbon Project(GCP)的研究数据表明:2013年全球人类活动导致的碳排放量达到360亿t,平均每人排放5 t二氧化碳。而中国碳排放总量为全球的29%,已远远超过第二的美国(15%);在人均碳排放量方面,中国人均碳排放量为7.2 t,首次超过欧洲(6.8 t)[1]。2014年国家发布的《国务院关于国家应对气候变化规划(2014—2020年)的批复》指出,我国在2020年实现单位GDP碳排放比2005年下降40%～45%,并将其作为约束性指标纳入到国家发展长期规划中。这不仅需要从全局出发考虑碳排放的影响,还应从区域上把握碳排放的格局变化,重视工用和民用建筑行业碳减排问题[2]。

建筑用地是人类社会的重要组成部分,建筑用地的快速扩张意味着其所承载的工业生产、居民生活等建设活动的增加[3]。城镇化快速发展是我国目前及未来几十年经济发展的主要特征,而城镇化必然离不开建筑用地的扩张[4],建筑用地的扩张必然会引起能源消耗和碳排放的增长。Ang等[5]认为工业增加值对我国二氧化碳排放起到了最大的拉动作用;Houghton等[6]研究认为人类活动引起的土地利用变化是全球第二大碳源;张乐勤等[7]研究表明,安徽省建筑用地变化对碳排放的正向效应显著;张俊峰等[8]的研究显示,武汉市不同土地利用方式中,居民点及工矿用地的碳排放强度最大;肖红艳等[9]分析了重庆市土地利用变化对碳排放的效应,认为建筑用地面积增加是导致碳排放总量急剧增加的原因。显而易见,建筑用地的变化对区域碳排放的产生具有重要影响。

20世纪70年代，美国生态学家Ehrlich等提出了评估环境压力的IPAT模型,指出了人口、人均财富量、技术及三者之间的相互作用都会对环境产生重要影响[10-11],其后一些学者对该模型进行了改进并分别提出了不同的分析模型。例如1994年由York、Dietz等提出的随机形式——STIRPAT模型,该模型考虑了人口、财富和技术因素的不同变动对环境的单独影响,消除了同比例变动的影响[12-13]。国内也有学者基于STIRPAT模型，并结合其他定量分析方法探讨各种因素对城市碳排放的影响。例如张乐勤等[7]基于STIRPAT模型分析了安徽省近15年建设用地变化对碳排放的效应；黄蕊等[14]基于STIRPAT模型分析研究了重庆市能源消费碳排放的影响因素；渠慎宁等[15]基于STIRPAT模型对中国碳排放峰值进行了预测。

上海市作为中国的经济中心,工业化程度较高,建筑用地面积达7 580.77 km2,是我国建筑用地面积比重最高的城市之一,建筑碳排放问题是上海市目前及未来经济发展面临的重要难题。因此,本文基于STIRPAT模型并结合多元线性回归法,对上海市建筑用地变化的碳排放效应进行分析。研究结果可为上海市节能减排提供数据支持和决策依据,具有一定的实践意义和应用价值。

1　研究方法与数据来源

1.1建筑用地变化动态度

建筑用地变化动态度模型表达式为[16]:

(1)

式中:V为建筑用地年均变化率；S1为期初建筑用地面积,万km2;S2为期末建筑用地面积,万km2;T为研究时间长度,a。

1.2碳排放估算方法

建筑用地碳排放是通过城乡居民点及其以外的工矿、交通等用地在利用过程中能源消耗的碳排放系数间接估算的。采用IPCC清单计算方法,表达式为[17]:

(2)

式中:CE为碳排放量,万t;Aj为能源j的消费量,按标煤计,万t;Cj为能源j的碳排放系数,j为能源种类。

为保证结果的准确性和全面性,选取8个代表性较强的消费能源种类,各能源的碳排放系数详见表1。

表1　代表性能源碳排放系数

1.3STIRPAT模型

STIRPAT模型是由IPAT模型改造而形成的随机表示形式,表达式为:

I=aPbAcTde。

(3)

式中:a为模型系数;b、c、d分别为人口、财富和技术因素的系数；e为随机误差项；I、P、A、T分别为环境压力、人口数量、财富和技术因素的表征值。

而实际计算时,将式(3)两边取自然对数得：

lnI=k+blnP+clnA+dlnT+g。

(4)

式中k、g分别为a和e的对数值。

式(4)表示当P、A、T每发生1%变化时,I将分别发生b%、c%、d%的变化。可以看出,STIRPAT模型不仅反映综合因素产生的影响,还反映单一因素对目标变量的影响。

1.4数据来源

根据相关年份的《上海市统计年鉴》和《中国统计年鉴》,选取1999—2014年上海市建筑用地面积、人口、经济发展及能源消费量等原始数据作为计算依据，见表2。其中,建筑面积以已经竣工的建成面积表征,经济发展以人均GDP表征。

表2　上海市1999—2014年能源消费、建筑用地、人口及人均GDP数据

续表

2　结果与分析

2.1建筑用地面积与碳排放量的定量分析

根据式(1)、式(2)和表1的数据,计算1999—2014年上海市建筑用地与碳排放量的增长速率，如图1所示。由图1可知,上海市建筑用地面积从1999年的1 950.76 km2增至2014年的7 580.77 km2,平均年增长率为18.04%;碳排放量从1999年的3 256.89 万t增长到2014年的5 989.88万t,年均增长率为5.24%。1999—2014年上海市的建筑用地、碳排放量快速增长与经济迅速发展密不可分,而上海市人均GDP从1999年的27 071.00元增至2014年的97 370.00元,年均增长率达到16.23%之高。

图1　1999—2014年上海市建筑用地面积与碳排放量关联图

图1还表明,1999—2002年上海市建筑用地面积较小且增长较缓慢,自2003年建筑用地面积迅速增长,并在2006年和2014年形成两个高峰期,分别达到6 506.41 km2和7 580.77 km2;而碳排放量增长过程较为稳定,并未出现较大波动。这表明,随着碳排放问题的日益严重,上海市政府在经济发展中融入了节能减排的措施,使得碳排放量的增长比建筑用地面积缓慢[18]。

2.2建筑用地面积与碳排放量的关联性分析

对1999—2014年上海市建筑用地面积与碳排放量进行双变量相关分析,采用双侧检验的显著性检验,建立多元线性回归方程,见表3。

从表3可以看出,上海市建筑用地面积与碳排放量的相关系数为0.904,显著性检验值为0,表示两者之间存在显著的正相关关系。回归可决系数R2为0.817,即碳排放量的81.7%以上的变化都可以被该模型解释,拟和优度较高。t统计量对应的Sig.值均为0,说明在0.01的显著性水平下通过t检验。碳排放量的回归系数为0.435,即建筑用地面积每增加1 km2,碳排放量就增加0.435万t。

表3　方程回归分析及显著性检验

注:R2=0.817,F统计量为58.026。

2.3建筑用地碳排放的效应分析

2.3.1构建建筑用地碳排放STIRPAT模型

基于STIRPAT模型,构建上海市建筑用地碳排放驱动因素的随机模型:

C=αPaAbTcSdβ。

(5)

为便于进行回归分析,对式(5)两边取自然对数，得到:

lnC=m+alnP+blnA+clnT+dlnS+n。

(6)

式中:m、n分别为α和β的对数值;a、b、c、d为弹性系数;P为人口参数,万人;A为经济参数(以人均GDP表征),元;T为技术参数(以能源消费总量表征),万t;S为土地利用参数(以建筑用地面积表征),km2。该式表示当P、A、T、S每发生1%变化时,C分别发生a%、b%、c%、d%的变化;n为模型随机误差项,表示其他影响因素。

2.3.2Pearson相关性分析

通过表2和图1得到式(5)所需各参数(C、P、A、T、S)的时间序列数据,进行双变量相关性分析,结果见表4。

表4　STIRPAT模型的Pearson相关系数分析结果

从表4可以看出,P、A、T、S与C的Pearson相关系数分别为0.993、0.990、0.996、0.904,双侧显著性检验均等于0(<0.01),这表明人口、人均GDP、能源消耗、建筑用地面积与碳排放显著相关。

2.3.3建立模型方程

对表2和图1各模型参数(C、P、A、T、S)的时间序列数据取自然对数,得到lnC、lnP、lnA、lnT、lnS,进行多元线性回归分析,结果见表5。

表5　方程回归模型系数估计结果

注:R2=0.994。

根据表5的结果和式(6)可得:

lnC=1.708+0.278lnP+0.062lnA+0.446lnT+

0.013lnS。

(7)

由式(7)得到上海市建筑用地变化对碳排放效应的模型为:

C=kP0.278A0.062T0.446S0.013,k=e1.708。

(8)

式中:k为常数项,为式(5)中α与β之积;P、A、T、S对碳排放的弹性系数分别为0.278、0.062、0.446、0.013,表明人口、经济、能源消费、建筑面积每增加1%,碳排放量将分别增加0.278%、0.062%、0.446%、0.013%。

2.4建筑用地碳排放效应预测

2.4.1建模方法

时间序列分析是根据系统观测得到的时间序列数据,通过曲线拟合和参数估计来建立数学模型的理论和方法。时间序列预测模型是随机性时间序列分析中的一大类分析方法的综合,可以进行精度较高的短期预测。

本文选用专家建模模型,将非平稳时间序列转化为平稳时间序列,然后将因变量对它的滞后值以及随机误差项的现值和滞后值进行回归,得到预测数值。这组预测数据所具有的依存关系体现着原始数据在时间上的延续性,它既受外部因素的影响,又具有自身的变动规律。

2.4.2参数设置

将时间序列数据lnC、lnP、lnA、lnT、lnS输入SPSS19.0软件中,在菜单栏依次选择分析-预测-创建模型,打开时间序列建模器,将lnC送入因变量一栏,将lnP、lnA、lnT、lnS送入自变量一栏,然后设置以下参数:在统计量-统计量的拟合度量中选平稳的R方(Y)、R方(R)、标准化的BIC,在比较模型统计量中选拟合优度(G)、残差自相关函数(ACF)、残差部分自相关函数(PACF);在图标-模型比较图中,选R方(R)、标准化的BIC、残差自相关函数(ACF)、残差部分自相关函数(PACF)；在单个模型图中选观察值、预测值、拟合值、预测值的置信区间以及拟合值的置信区间;在选项中设置置信区间宽度为95%,日期观察数设定为22,即在预测阶段中选择模型评估期后第一个个案到指定日期之间的个数。

2.4.3预测结果

采用SPSS分析模型里的专家建模模型,并依据设置的参数对上海市2015—2020年碳排放量进行预测。模型的拟合和预测情况如图2所示,预测的具体结果见表6。

由图2可知,拟合值和观测值在整个区间上拟合情况良好,因此该模型预测结果有较大的可信度。由表6得到2015—2020年的上海市建筑用地碳排放量预测值,见表7。

图2　专家建模模型的拟合值和预测值序列图

lnC预测UCLLCL20158.69258.76438.620720168.70338.79408.612620178.71418.83118.597120188.72498.87408.575920198.73588.92158.550020208.74668.97298.5203

注:UCL、LCL分别为预测区间的上限和下限,表中数据为自然对数。

表7　2015—2020年上海市建筑用地碳排放量预测值

由表7可知，2015—2020年上海市建筑用地碳排放量虽然仍在增加,但年均增长率仅为0.93%,远低于1999—2014年的5.24%。这表明,近年来上海市政府的一系列针对建筑用地碳排放的控制措施取得了较好的效果。这些措施包括:严格控制城市建设用地规模、巩固生态保护红线;减少新增建设用地计划、完善新增建设用地计划管理;优化城乡建设用地布局、促进存量工业用地调整升级、开展中心城市更新、支持多渠道实施“城中村”改造、创新土地收储机制;切实提升土地资源配置效率;加强土地集约复合利用;建立土地信息共享平台、全面落实考核评价机制等。

3　结论与建议

1)上海市碳排放与建筑用地之间具有显著的相关性,建筑用地面积增大会导致相应的碳排放量增加。建筑用地开发的需求性和大范围性表明，在影响碳排放的因素中，建筑用地面积是最不可忽视的重要因素之一。

2)STIRPAT模型模拟结果显示,上海市人口数量、经济、能源消费、建筑面积与碳排放之间存在非常显著的相关性,且上述指标每增加1%,碳排放量将分别增加0.278%、0.062%、0.446%、0.013%。

3)上海市未来碳排放变化模型的预测结果表明,2015—2020年上海市碳排放量将由5 958.06万t增长到6 289.27万t,年增长率为0.93%,增长速度将趋缓。尽管上海市控制建筑用地碳排放取得了初步成效,但绝对碳排放量依然较大,仍要继续实施严格的碳减排措施。

4)上海市的经济发展模式需要更加科学化和绿色化,要严格落实“十三五”规划对于“低碳经济”的方针要求,大胆创新、改善土地利用方式，减少其对碳排放的影响,提高能源利用效率，合理开发建筑用地,切实提升土地资源配置效率,进一步完善土地利用考核评价机制,以实现低碳经济、低碳社会的可持续发展目标。

[1]QUERE C L,MORIARTY R,ANDREW R M,et al.Global carbon budget 2014[J].Earth System Science Data Discussions,2014,7(7):521-610.

[2]赵雲泰,黄贤金,钟太洋，等.1999—2007年中国能源消费碳排放强度空间演变特征[J].环境科学,2011,32(11):3145-3152.

[3]陈彩虹,胡锋,张落成.南京市城乡交错带景观格局研究[J].应用生态学报,2003,14(8):1363-1368.

[4]毛熙彦,林坚,蒙吉军.中国建设用地增长对碳排放的影响[J].中国人口·资源与环境,2011,21(12):34-40.

[5]ANG B W,ZHANG F Q,CHOI K H.Factoring changes in energy and environmental indicators through decomposition[J].Energy,1998,23(6):489-495.

[6]HOUGHTON R A,HOBBIE J E,MELILLO J M,et al.Changes in the carbon content of terrestrial biota and soils between 1860 and 1980:a net release of CO2to the atmosphere[J].Ecological Monography,1983,53(3):235-262.

[7]张乐勤,陈素平,王文琴,等.安徽省近15年建设用地变化对碳排放效应测度及趋势预测——基于STIRPAT模型[J].环境科学学报,2013,33(3):950-958.

[8]张俊峰,张安录,董捷.武汉城市圈土地利用碳排放效应分析及因素分解研究[J].长江流域资源与环境,2014,23(5):595-602.

[9]肖红艳,袁兴中,李波,等.土地利用变化碳排放效应研究——以重庆市为例[J].重庆师范大学学报(自然科学版),2012,29(1):38-42.

[10]EHRLICH P R,HOLDEN J P.Impact of population growth[J].Science,1971,171(3977):1212-1217.

[11]EHRLICH P R,HOLDEN J P.One dimensional economy[J].Bulletin of the Atomic Scientists,1972,28(5):16-27.

[12]YORK R,ROSA E,DIETZ T.Footprints on the earth:the environmental consequences of modernity[J].American Sociological Review,2003,68(2):279-300.

[13]YORK R,ROSA E A,DIETA T.STIRPAT,IPAT and impact:analytic tools for unpacking the driving forces of environmental impacts[J].Ecological Economics,2003,46(3):351-365.

[14]黄蕊,王铮.基于STIRPAT模型的重庆市能源消费碳排放影响因素研究[J].环境科学学报,2013,33(2):602-608.

[15]渠慎宁,郭朝先.基于STIRPAT模型的中国碳排放峰值预测研究[J].中国人口·资源与环境,2010,20(12):10-15.

[16]孙雁,刘志强,王秋兵,等.百年沈阳城市土地利用空间扩展及其驱动力分析[J].资源科学,2011,33(11):2022-2029.

[17]赵敏,张卫国,俞立中.上海市能源消费碳排放分析[J].环境科学研究,2009,22(8):984-989.

[18]梁日忠.上海市经济增长与能源结构、产业结构关联状况的评价研究[J].华东经济管理,2014,28(1):42-46.

Effect Analysis and Prediction of the Carbon Emissions from Building Land Changes in Shanghai City Based on STIRPAT Model

ZHOU Feng1, WU Kaiya2, JIN Juliang3

(1.School of Resources and Environmental Engineering, Hefei University of Technology, Hefei 230009, China;2.National Innovative Institute for Public Management and Public Policy, Fudan University, Shanghai 200433, China;3.School of Civil Engineering, Hefei University of Technology, Hefei 230009, China)

Land use change has great impact on carbon emissions, and the building land is an important factor affecting carbon emissions from land use. In order to further explore the quantitative relationship between the building land changes and carbon emissions, the changes of building land use and carbon emissions from 1999 to 2014 in Shanghai were analyzed based on the STIRPAT model combined with the multiple linear regression method, and the future carbon emissions of Shanghai were forecasted. The results show: the building land area of Shanghai and carbon emissions from 1999 to 2014 shows a growth trend, and their average annual growth rates are 18.04% and 5.24% respectively; there is significant positive correlation between the building land area and carbon emissions from buildings, and the elastic coefficient is 0.013; the carbon emissions of Shanghai in 2020 will reach 62 million 896 thousand and 700 tons, and the average annual growth rate of carbon emissions from 2015 to 2020 is only 0.93%, which indicates that in recent years, the measures to control building land use in Shanghai have obvious effect on carbon emission reduction.

land use; carbon emission; building land; STIRPAT model; Shanghai

2016-04-11

国家自然科学基金项目(71573045)。

周峰(1990—),男,安徽铜陵人,硕士生,主要从事环境经济方面的研究。E-mail:286593312@qq.com。

吴开亚(1968—),男,安徽利辛人,教授，博导，博士,主要从事资源环境经济方面的研究。E-mail:wuky2000@163.com。

TV211;X196

A

1002-5634(2016)04-0087-06

(责任编辑：张陵)

DOI:10.3969/j.issn.1002-5634.2016.04.015