Open Access
1. 引言
一直以来，全球变暖都是引起各国人民关注的热门问题，它与所有生物的生存发展关系紧密。中国 既是世界第二大经济体，也是人口众多、工业化程度高、对煤炭依存度高的发展中国家，面临着巨大的 减排压力。准确分析二氧化碳排放的驱动因素及其影响特征可以为我国政府在联合国气候变化框架公约 (United Nations Framework Convention on Climate Change, UNFCCC)谈判中予以数据的支持，另一方面对 制定碳税政策、执行减排任务、建立碳交易市场以及进行碳贸易具有重要意义。
Keywords
Carbon Dioxide Emissions, GAMLSS Model, Non-Parametric Regression
基于GAMLSS模型的二氧化碳排放驱动 因素分析
李秋萍，陈兴荣*，朱燚丹
中国地质大学(武汉)数学与物理学院，湖北 武汉
收稿日期：2020年7月18日；录用日期：2020年8月4日；发布日期：2020年8月11日
变量
单位
均值
标准差
极小值
极大值
CO2 TPOP
万吨 万人
28,308.01 4450.36
20,359.60 2670.59
1074.87 543.00
101,434.20 11,169.00
URB
百分比
52.95
13.96
26.87
89.60
INC
元
15442.77
9269.81
3562.83
58,988.00
关键词
二氧化碳排放，GAMLSS模型，非参数回归
Copyright © 2020 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/
EI
吨标准煤/万元
1.06
0.60
0.25
4.18
ES
百分比
0.59
0.68
0.00
4.06
注：CO2、TPOP、URB、INC、EI 和 ES 分别表示二氧化碳排放量、人口总数、城市化水平、人均可支配收入、能源强度和能源结构，下同。
Байду номын сангаас
3. 研究方法
3.1. GAMLSS 模型
GAMLSS 模型是一种半参数回归模型，参数性体现在需要对响应变量作参数化分布的假设，非参数 性体现在模型中解释变量的函数可以涉及非参数平滑函数，非参数平滑函数不预先设定函数关系，各个 解释变量的非线性影响结果完全取决于样本数据。它克服了 GAM 模型和广义线性模型(Generalized Linear Models, GLM)的一些局限性。
2. 数据来源与介绍
2.1. 数据来源
本文选取由 2005~2017 年全国 30 个省市(西藏除外)的数据构成的面板数据作为研究对象，数据全部
DOI: 10.12677/aam.2020.98137
1178
应用数学进展
李秋萍 等
来源于《中国统计年鉴》(2006~2018)和《中国能源统计年鉴》(2006~2018)。由于我国没有直接公布各个 省市的二氧化碳排放数据，多数文献中都是通过我国公布的其它数据根据一定的方法计算二氧化碳排放 量。目前计算二氧化碳排放量的方法有很多，本文总结了《联合国政府间气候变化专门委员会 (Intergovernmental Panel on Climate Change, IPCC)国家温室气体清单指南》及《省级温室气体清单编制指 南(试行)》中的计算方法，选取煤炭、汽油、煤油、柴油、燃料油和天然气六种能源，根据各种能源燃烧 的热值计算二氧化碳排放量。经检验，由这种方法计算得出的各省二氧化碳排放量总和与全国能源燃烧 产生的二氧化碳排放量大致相等。
(2)
其中 I、P、A 和 T 与式(1)中的意义相同，a 代表常数项，b、c 和 d 代表弹性系数，下标 t 代表时间，ξt 代 表随机扰动项。本文总结了相关文献，在 STIRPAT 模型的基础上将影响二氧化碳排放量的因素分为五个 部分：人口数、城市化水平、经济水平、能源强度和能源结构。其中人口数由各省市历年年末总人口数
σi 作为位置参数和尺度参数，其余参数作为形状参数，如偏度和峰度等。分布参数向量可以推广到包含
四个以上的参数，也可以是总体分布的参数。令 g (⋅) 为连接解释变量和分布参数的单调连接函数，函数
关系可以表示如下：
Jk
∑ gk (θk ) = ηk = Xk βk + Z jkγ jk , k = 1,2,3,4
近年来，国内外许多学者对于二氧化碳排放的影响因素展开研究。对于经济和二氧化碳排放的关系， 大部分研究基于环境库茨涅兹曲线(Environmental Kuznets Curve, EKC) [1]的假设展开，假设表示二氧化 碳排放量与人均入呈倒“U”型关系。部分学者使用分解分析方法，如对数平均迪氏指数(Logarithmic Mean Divisa Index, LMDI)法[2]，通过恒等式将二氧化碳排放指标分解为几个影响因素的指标并评估它们的贡献 [3] [4] [5]。部分学者基于可拓展的随机环境影响评估模型(Stochastic Impacts by Regression on Population, Affluence and Technology, STIRPAT) [6]进行回归分析[7] [8]。部分学者使用广义可加模型(Generalized Additive Models, GAM) [9]分析二氧化碳排放的驱动因素及其影响特征[10]。分解分析法着重于分析影响 因素的贡献度，忽略了影响因素的作用机制。GAM 模型等回归模型通常将收集的碳排放数据假设为服从 正态分布，当真实数据与正态分布差异显著时，这一假设会影响结果的准确性。
表示，城市化水平由各省市历年年末城市人口比重表示，经济水平由各省市的人均可支配收入表示，能
源强度由各省市历年能源消费总量(折算成标准煤)与地区生产总值之比表示，能源结构由各省市历年天然 气消费量占能源消费总量(均折算成标准煤)的比重表示。各变量的描述性统计指标如表 1 所示。
Table 1. Descriptive statistics for each variable 表 1. 各变量的描述性统计指标
Analysis of Driving Factors of Carbon Dioxide Emission Based on GAMLSS Model
Qiuping Li, Xingrong Chen*, Yidan Zhu
College of Mathematics and Physics, China University of Geosciences, Wuhan Hubei
Received: Jul. 18th, 2020; accepted: Aug. 4th, 2020; published: Aug. 11th, 2020
Abstract
Global warming and carbon dioxide reduction are important issues of concern to all countries. It is an important task to comprehensively study the factors affecting carbon emissions and effectively reduce carbon emissions. This paper collects relevant data from 30 provinces and cities in China from 2005 to 2017, constructs a GAMLSS model for non-parametric regression analysis, and explores the impact of population size, economic level, urbanization level, and energy intensity on carbon dioxide emissions. The analysis results show that all factors have a linear positive effect on carbon dioxide emissions in the long run, and that the population size, economic level, and urbanization level have an inverted “U”-shaped non-linear impact mode on carbon dioxide emissions within a certain range. Based on the conclusions of the study, combined with China’s national conditions, this paper puts forward some suggestions on carbon dioxide emission reduction.
Advances in Applied Mathematics 应用数学进展, 2020, 9(8), 1177-1186 Published Online August 2020 in Hans. /journal/aam https:///10.12677/aam.2020.98137
*通讯作者。
文章引用: 李秋萍, 陈兴荣, 朱燚丹. 基于 GAMLSS 模型的二氧化碳排放驱动因素分析[J]. 应用数学进展, 2020, 9(8): 1177-1186. DOI: 10.12677/aam.2020.98137