许晓敏 姚润坤 孔亚楠 付 尧（华北电力大学经济与管理学院）
摘 要：当前，我国正处于逐步实现可持续发展和生态环境保护的阶段，未来能源消费直接关系着我国“双碳”目标的实现。目前，大多碳排放研究主要采用单一分解模型或碳排放预测方法，缺少对碳排放影响因素的判断筛选。因此，本文基于STIRPAT和岭回归模型对我国碳排放量进行预测并提出减排策略。首先，根据我国2003–2023年能源消费量、能源结构等相关数据，对我国能源消费结构和碳排放变化情况进行分析。其次，基于Pearson相关系数法筛选出相关性高的特征因子，构建碳排放影响因素体系。然后，构建基于STIRPAT和岭回归模型的碳排放预测模型，STIRPAT模型能够确定碳排放的主要影响因素，岭回归则可以解决多重共线性问题，并利用我国历年的能源消费相关数据进行预测模型检验。接着，运用情景分析法，通过设置基准情景、低碳情景和高碳情景，对不同情景下我国2024–2033年未来碳排放趋势进行预测。最后，结合多情景预测结果，提出碳减排的策略建议，为实现我国“双碳”目标提供决策支持。
关键词：STIRPAT模型；碳排放；低碳发展；岭回归；减排策略
一、引言
气候变化是当前全球面临的重大环境问题，温室气体的排放被认为是导致全球变暖的主要原因之一。政府间气候变化专门委员会（Intergovernmental Panel on Climate Change， IPCC）的研究表明，人类活动中能源消耗和生产活动是主要的碳排放来源，如果不采取有效措施，气候变化可能带来不可逆的生态后果。中国如何在保持经济增长的同时实现碳减排，是未来发展的重要目标。2020年，为应对全球气候变化，我国明确提出了2030年“碳达峰”和2060年“碳中和”目标（以下简称“双碳”目标）。这一目标不仅反映了中国对全球气候治理的承诺，也推动了我国经济社会向绿色低碳转型。因此，深入分析我国的碳排放影响因素及其未来变动趋势，能够为政府部门在规划碳减排策略时提供科学依据与理论支撑，有助于我国更有效地推进“双碳”战略，为全球气候治理贡献中国智慧与方案。
二、文献综述
当前，已有一些学者围绕碳排放预测开展了研究工作。在碳排放估算方面，常用的碳排放估算方法包括传统统计模型、生命周期评价法和情景分析法等。杨静等人利用清单编制法探讨碳排放变化及其驱动因素，并提出减排路径。张少卿等人提出利用卫星遥感数据和神经网络的分区建模方法，结合多源数据显著提高碳排放估算精度。在碳排放的影响因素分析方面，常用方法包括LMDI分解模型、空间计量模型等。赵亮等人基于环境投入产出模型研究了交通运输业最终需求引发的碳排放变化及其主要驱动因素。王一婕等人采用空间杜宾模型，分析了黄河流域城市碳排放强度的动态演变、区域差异及影响因素。Zhang等人运用Granger因果检验分析中国能源消费、碳排放与经济增长之间的因果关系。Ugur Soytas等人通过使用Toda-Yamamoto因果检验分析了美国能源消费、收入与碳排放的动态关系，得出能源消费驱动碳排放的研究结论。
在碳排放预测方面，研究主要集中于机器学习、统计分解及情景模拟，通过改进预测模型提高预测精度，为低碳发展策略提供科学依据。陈哲沣等人基于变分模态分解组合模型对港口碳排放进行多尺度预测，提升波动特征解析与预测精度。李渊等人通过多种机器学习算法挖掘中国碳排放影响因素，模拟预测碳达峰时间。诸晓骏等人使用CEEMDAN和RIME-VMD双模式分解，结合多模型集成提升短期预测精度。王志强等人综合AHP-DEMATEL方法与机器学习，研究住宅建筑物化阶段碳排放的主要特征和交互作用。鲍学英使用随机森林算法分析铁路桥梁建造中的碳排放因素，并提出减排策略。管卫华等人应用SD模型研究能源消费的时空演化，并设定多情景模拟未来趋势。
综上所述，以往大多碳排放研究主要采用单一分解模型或碳排放预测方法，缺少对碳排放影响因素的判断筛选。此外，当前对我国总体的碳排放及未来场景分析研究较少，且研究数据相对陈旧。因此，本文使用2003—2023年我国能源消费相关数据，基于Pearson相关系数法选取与碳排放变化相关性高的特征因子，构建基于STIRPAT和岭回归的碳排放量预测模型，通过设定关键特征的未来变化率，设置高—中—低发展情景，对我国未来10年的碳排放量进行预测，并提出了碳减排的相关策略建议。
三、研究方法
（一）碳排放核算方法
目前，二氧化碳排放量的测算方法通常参考《IPCC国家温室气体排放清单指南》中提供的碳排放系数法。本文参照IPCC指南对二氧化碳排放量进行测算。测算公式如下：
式中， 为第t年的碳排放量，i为能源的类型，Ei、Fi分别为能源的消费量、碳排放系数。Oi、NCVi、CCi分别为能源的碳氧化率、平均低位发热量、单位热值含碳量，44/12为碳折合成二氧化碳的换算系数。
本文考虑的不同能源折合标煤系数及碳排放系数如表1所示，数据来自《综合能耗计算通则》和《省级温室气体清单编制指南》。
（二）STIRPAT模型
STIRPAT模型是对IPAT模型的修正和扩展，被广泛应用于碳排放预测等相关研究。IPAT模型通过对人口、经济、技术三个自变量和因变量之间的关系对环境进行评估，其表达式为：
式中，I表示环境压力，P表示人口数量，A表示富裕程度，T表示技术水平。
但IPAT模型考虑因素较少，存在一定的局限性。在此基础上，针对原模型缺乏拓展性及比例变动不足问题进行改进，得到扩展的STIRPAT模型，模型基础形式为：
式中，a为模型弹性系数，b、c、d分别为P、A、T的弹性系数，e为误差项。
考虑到模型为多变量模型，为减弱模型数据中的异方差性，并避免不同数值量纲的干扰，对扩展模型两侧做取对数处理，得到公式为：
（三）岭回归模型
岭回归是有偏估计回归方法，被广泛应用于解决变量间的数据多重共线性影响，岭回归在最小二乘法的基础上添加一个惩罚项，惩罚项调节参数k对模型的预测性能有很大影响。k值为零时，方程变为无偏回归方程，无法解决变量间多重共线性问题；k越大，共线性对回归参数稳定性的影响越小，预测的方差也增大。相关公式如下：
式中，n是样本数量，m是特征数量，yi是第i个样本的目标值，xij是第i个样本的第j个特征值，θj是第j个特征的权重，k是正则化参数，β为回归系数，X是设计矩阵，Y是因变量，k是正则化参数，I是单位矩阵。
（四）评估指标与参数选择
为验证模型评估效果，本文选取决定系数（R²）、平均绝对误差（MAE）、平均绝对百分比误差（MAPE）、均方根误差（RMSE）四个指标作为评估指标。各指标计算公式如下：
式中，yi为每个样本的实际值，为每个样本的预测值， 为所有实际值的平均值，n为样本总个数。
（五）模型构建
基于上述研究，本文提出了一种基于STIRPAT和岭回归模型的碳排放量预测模型，流程图如图1所示，具体步骤如下：
（1）通过Pearson相关系数计算分析影响因素与碳排放量之间的关联性，选取相关性高的特征因子构建碳排放影响因素体系，筛选关键特征变量。
（2）基于10折交叉验证自适应选择岭回归最优超参数，并结合STIRPAT模型构建碳排放预测模型，预测检验分析。
（3）根据相关政策文件设定了基准、低碳及高碳三种情景，基于碳排放预测模型分析我国2024—2033年的碳达峰情景，探讨我国未来的碳排放趋势。
四、实证分析
（一）数据来源
本文使用的数据为2003—2023年中国能源消费数据和社会经济统计数据，包括：人口、人均GDP、产业结构、城镇化率、能源消费及构成（折合为标煤计算）等，数据均来自《中国统计年鉴》。其中，碳排放量数据根据能源消费量数据核算得出。
（二）能源消费及碳排放变化分析
2003—2023年我国能源消费情况如图2所示。2003至2023年间，我国能源消费结构经历了显著变化，在2003年至2013年期间，煤炭消费量持续增长，但自2014年起开始逐年减少并逐渐趋于稳定。与此同时，石油和天然气的消费量则持续上升，特别是天然气，其消费占比从2003年的2.3%显著提升至2023年的8.5%。此外，一次电力及其他能源的消费量也从2003年起快速增长。尽管煤炭在这20年中仍占据主导地位，但其占比已从2003年的70.2%下降至2020年的66.1%，表明了我国为响应“双碳”目标，正逐步减少对煤炭的依赖。
2003—2023年我国碳排放及增长情况如图3所示。图中可以看出，这20年间我国碳排放整体呈现上升趋势。特别是在2003年至2011年期间，碳排放总量快速增长，年均增长率多超过7%。2012年，因经济快速发展导致能源消费激增，我国碳排放量突破了100亿吨大关。然而，自2013年起，我国碳排放增速有所放缓，这得益于绿色发展战略的提出。各行业开始调整产业结构，控制能源消耗和碳排放，从而在一定程度上减缓了碳排放的增长速度，验证了我国节能减排政策的有效性。
（三）影响因素分析及预测模型验证
1.影响因素筛选
本文根据全国能源消费及碳排放的实际情况，分别从人口、经济、产业、能源和社会五个方面选取影响我国碳排放量的关键因素，结合国内外相关研究成果，综合考虑数据可得性，最终筛选出11个关键因素，包括：历年常住人口、人均 GDP 、我国历年的一二三产业结构、煤炭、石油、天然气和一次电力及其他能源的能源结构和能源强度以及城镇化水平，具体定义见表2。
为提高碳排放预测模型的预测精度和性能，本文采取皮尔逊系数法对12个碳排放影响因素进行重要度量化及筛选，计算的相关系数绝对值越接近１，则表明该特征与碳排放量的相关性越强。各影响因素的重要度结果如图4所示，可以看出，人口、人均GDP、第一产业占比、第三产业占比、天然气占比、一次电力及其他能源占比、能源强度与城镇化的相关系数绝对值均大于0.9，表明这8个影响因子与碳排放量存在较强的线性相关性。对于其他3个影响因子，得到的皮尔逊相关系数均相对较低。因此，本文将选取这8个影响因子作为碳排放预测模型的输入变量。
2.模型结果分析
为避免碳排放预测模型中的影响因素多重共线性问题，本文采用岭回归法进行建模，为了确定模型最优超参数，本文采用10折交叉验证法。通过将数据集随机分为10个折叠（folds），选择其中1个折叠作为验证集，其余9个折叠作为训练集，并随机划分不同的折叠训练模型。最终10折交叉验证选取的超参数a为0.001。
基于STIRPAT模型得到的我国2003—2023年碳排放预测结果如图5所示，预测误差结果如表3所示。可以看出，本文所构建的碳排放预测模型拟合程度较好，能够预测碳排放的变化趋势，此外，模型的R²为0.99，MAPE为2.86%，说明预测值与真实值之间的误差较小，因此可以用于预测我国未来的碳排放量情况。
（四）多情景预测分析
1.情景设置
为了探究 “双碳”目标下我国碳排放的未来趋势，本文结合我国历年发展情况、国家发展规划及相关政策文件，设定了各碳排放影响因素的变化趋势。按照已有数据，本文分为两个发展阶段进行预测，即：2024—2028年和2029—2033年。同时设置三个发展情景，分别为：基准情景、低碳情景和高碳情景。在基准情景设定中，本文依据“十四五”规划的指导原则及过往发展数据，保持了原有的发展速度不变。而低碳情景则是在此基础上，融入了更为严格的低碳限制条件，使得各关键影响因素的变化率相较于基准情景有所降低，旨在促进可持续发展，着眼长远目标。在高碳情景下，各影响因素变化率设定高于基准值，聚焦以经济发展为主导的策略，同时降低对碳排放、大气污染等的直接干预。
2.情景分析结果
基于碳排放预测模型，结合基准情景、低碳情景和高碳情景对8项碳排放驱动影响因素进行参数设置，分别预测2024—2033年我国的碳排放量，最终预测结果如图6所示。可以看出，在基准情景下，我国碳排放将在2028—2029年达到峰值，符合我国“双碳”目标。在低碳情景下，我国碳排放在2025年达到峰值；在高碳情景下，我国碳排放则在2031年左右达到峰值。低碳发展场景下碳达峰的时间更早、碳峰值水平最低，而高碳发展场景会导致碳达峰的时间延后，且碳排放的峰值偏高，无法实现2030年前碳达峰的目标。然而，低碳情景的实现需以节能减排和低碳发展为核心，在一定程度上可能会牺牲部分经济发展机遇。高碳情景下，经济发展是主要目标，不可避免地带来各项能源消耗的显著上升，这种趋势会使得我国在实现自主贡献目标和履行国际气候承诺上面临巨大挑战。
五、 碳减排策略建议
为了尽快实现碳达峰战略目标，基于本文分析结果，提出以下碳减排策略建议。
（一）坚持经济高质量发展，推动绿色低碳经济转型
第一，贯彻“双碳”目标与“十四五”规划要求，推动GDP增速与碳排放强度脱钩。GDP作为影响我国碳排放的关键因素之一，在高碳情境中，过高的GDP增速会导致各项能源消耗的显著上升，导致碳排放的峰值偏高且无法在2030年实现碳达峰。因此，合理调控国家经济增长、控制经济增长速度等对我国践行绿色低碳发展行动、推进碳达峰进程具有重要意义。在以国内大循环为主体、国内国际双循环相互促进的新发展格局背景下，逐步实现我国经济发展战略由高速增长转向高质量发展，人均GDP变化也将趋于平稳状态。第二，根据碳排放情景预测结果，在低碳情境下，我国碳排放量变化幅度基本平稳，在基准情景和高碳情景下，我国在未来的三年到七年中的碳排放量仍有明显增长趋势。为扭转或控制碳排放预测情景中的碳排放量，亟需立足于我国当前经济发展形势，实施《2030年前碳达峰行动方案》，建立碳排放总量和强度“双控”制度，在京津冀、长三角等19个国家级新区开展减污降碳协同创新试点，转变由资源、劳动力、资本等传统生产要素驱动的粗放式发展模式，形成有助于实现高质量发展的新质生产力，探索可持续发展道路。第三，借助人工智能、大数据等先进技术实现绿色转型，建设数字经济，发展新业态新模式，实现经济高质量发展。目前我国经济呈现东高西低、南北分化的特征，区域经济发展不平衡。各地区应优化区域经济布局，深入实施区域协调发展战略，依托“东数西算”、哈大齐国家自主创新示范区等工程推进全国统一大市场建设，破除区域壁垒，以实现发达地区和欠发达地区、东中西部和东北地区共同发展。第四，加快推进传统制造业向高端化、智能化、绿色化和融合化发展，推进产业链延伸和附加值提升，培育世界级先进制造业集群；加快企业智能化改造和数字化转型，推动绿色循环经济发展。建议因地制宜发展第三产业，充分挖掘本地资源，积极培育旅游、影视、餐饮、电商、住宿等行业作为区域经济发展新的增长点。
（二）持续优化产业结构及能源结构，加快构建清洁低碳能源体系
第一，在推进碳达峰进程中，产业结构对我国未来几年的能源需求及碳排放量有重要影响，为了顺利促进碳达峰目标的实现，应落实《工业领域碳达峰实施方案》，引导传统行业转型升级，推动传统产业高质量发展，结构性调整高耗能行业，完成钢铁、水泥、电解铝等重点行业的超低排放改造。第二，重点发展高附加值的战略性新兴产业和未来产业，聚焦新一代信息技术、生物技术、新能源等领域，鼓励第三产业发展，构建多元化产业结构，提高现代服务业比例，通过产业结构优化调整减少能源消费。第三，根据能源消费数据，我国能源消费总量仍处于上升期，煤炭在我国能源消费结构中仍占绝对优势，未来应落实“十四五”可再生能源发展规划，重点推进能源结构优化，严控新增煤电项目，推进煤电机组“三改联动”。此外，在青海、甘肃等西部省份建设大型风光基地，大力发展风电、光伏等可再生能源，充分发挥各地区区域优势，因地制宜发展风能、太阳能等，着力提高非化石能源消费比例，加快特高压输电通道建设，实现跨区域电力资源优化配置，促进清洁能源消纳，尽快实现新能源对传统化石能源的存量替代，加速构建以新能源为主体的新型电力系统。第四，完善国家可再生能源激励政策，持续提升跨省跨区电力资源配置能力，加快特高压输电发展，提高中西部地区可再生能源消纳能力。在终端能源利用环节，加大电能替代力度，在工业、交通、建筑等领域广泛实施以电代煤、以电代油、以电代气，不断提高各行业电气化水平。持续推进煤电节能降碳改造、灵活性改造、供热改造等，从企业用能到居民用能，逐步实现能源的电力化和清洁化，构建清洁低碳能源体系。
（三）促进绿色低碳技术发展，提高能源利用效率
第一，重视能源强度对促进我国碳排放量降低的影响作用和影响程度。近年来，在节能减排政策推动下，企业采取了各种节能措施，能源消耗强度呈现逐渐下降趋势。在进一步降碳增效行动中，企业应积极响应《2024—2025年节能降碳行动方案》政策和“千企节能降碳”行动，制定分部门的减排目标，加速重点排放部门低碳转型，从部门和行业率先达峰的需求出发，加强对电力、钢铁、水泥、建材、化工等高耗能重点部门和行业的碳排放管理，推进重点行业和领域节能降碳改造和用能设备更新。第二，强化节能降碳目标责任和评价考核，细化分解各地区和重点领域、重点行业节能降碳目标任务，精准识别碳排放高的能源结构和增长迅速的行业，加强节能降碳形势分析，实施能耗强度降低提醒预警，制定具有针对性的节能减排政策，强化碳排放强度降低进展评估，压实企业节能降碳主体责任。第三，实施绿色技术研发补贴，落实环保设备所得税优惠政策，加大对绿色低碳技术的支持补贴力度，加快节能降耗技术研发。第四，充分发挥国家绿色技术交易中心等平台作用，推进绿色技术成果转化，加强对先进技术的消化吸收，不断强化先进适用技术的研发、推广和应用。此外，发行碳中和债券并设立国家绿色发展基金，加大对研发成果突出企业和个人的支持力度，以先进技术为驱动力，逐步实现技术创新带动能源利用效率的提升。鼓励区域、企业间技术共享，以先进区域、企业带动落后区域、企业实现整体效能提升。
（四）加大宣传教育力度，倡导居民低碳绿色生活
人口因素对我国碳排放的影响程度较大，应在全社会加大对于低碳生活的宣传力度和教育力度。首先，积极开展全国生态日、全国节能宣传周、全国低碳日等活动，并通过多种渠道和方式深化绿色低碳生活思想的大众化传播，大力推进节能降碳宣传教育。此外，推进绿色出行体系建设，推广共享单车、新能源公交车，建设“15分钟低碳生活圈”。在各地城镇化进程中，城镇人口增加以及粗放的能源消费方式对碳排放量上升有重要影响，因此促进城市居民生活的碳减排对实现碳排放情景预测的基准情景及低碳情景具有重要助力，应注重公民的低碳意识和绿色生活习惯的培养，培育绿色低碳生活方式，减少居民消费端的碳排放量。同时，倡导绿色出行、垃圾分类回收、科学使用电器等环保行为，形成崇尚节约、绿色环保的社会新风尚。最后，在雄安新区、成都东部新区等19个国家级新区推行低碳建设标准和“海绵城市”建设，在快速发展的地区实施低碳建设模式以提高能源利用效率和资源回收率。对于发展迅速的新城镇，建设城市能源互联网，大力推广“光储直柔”建筑，优化城市公共交通网络布局，尽可能降低因人口增加、城市扩张带来的交通和建筑碳排放。
六、研究结论
本文基于STIRPAT 模型和岭回归方法构建了我国碳排放量预测模型，结合情景分析法，针对基准情景、低碳情景和高碳情景对影响因素设定不同变化率，分别预测了多情景下我国2024—2033年的碳排放量，得到的研究结论如下。
第一，通过分析我国能源消费和碳排放情况，2003—2023年我国的碳排放总量整体呈不断上升趋势，尤其在2003—2011年，我国碳排放总量呈逐年快速增长的趋势，且历年的碳排放增长率基本均超过7%。在2012年碳排放总量超过100亿t，与经济发展和能源消费量的骤增有关。但自2013年起，我国全面实施绿色发展战略，逐步从重工业和能源密集型产业向服务业和高技术产业转型。同时，通过加大一次电力及可再生能源的使用，减少对煤炭的依赖，碳排放的历年增长率基本在4%以下，充分体现了节能减排政策的显著成效。
第二，本文构建了基于STIRPAT和岭回归的碳排放预测模型，并基于Pearson相关系数法选取人口、人均GDP、第一产业占比、第三产业占比、天然气占比、一次电力及其他能源占比、能源强度等8个碳排放主要驱动因素。同时，运用2003—2023年的能源消费及碳排放数据进行模型检验，结果表明，本文模型的拟合优度R²为0.99，MAPE为2.86%，预测值与真实值之间的误差较小，预测模型的拟合程度较高，适用于我国碳排放量的预测。
第三，基于高、中和低三种发展情景对中国未来碳排放量进行预测，未来我国碳排放量呈现“倒U”趋势。低碳情景与基准情景均能满足我国碳达峰要求，而高碳情景不能在2030年前实现碳达峰目标。低碳情景下，通过优化产业结构与能源结构，并合理调控人口增长、城镇化进程及经济增长速度，低碳情景展现出更快达成碳达峰目标的潜力。高碳情景下，我国大力发展经济，各项能源消耗及碳排放显著上升，延后了碳达峰的时间。因此，为了实现2030年前碳达峰的目标，我国需要采取更加积极的行动，推动能源结构的优化和低碳经济的发展，确保经济增长与环境保护之间的平衡。
参考文献
[1]杨静, 郭群. 省级层面碳排放估算及减排路径方法研究——以宁夏为例[J]. 中国沙漠, 2023, 43(5): 176-185.
[2]张少卿, 雷莉萍, 宋豪. 一种基于大气CO2浓度时空特征的碳排放分区估算方法[J]. 中国环境科学, 2023, 43(10): 5604-5613.
[3]Sharif A, Raza S A, Ozturk I, et al. The Dynamic Relationship of Renewable and Nonrenewable Energy Consumption with Carbon Emission: A global study with the application of heterogeneous panel estimations[J]. Renewable Energy, 2018, 128: 296-306.
[4]Wang G, Han Q, de Vries B. A Geographic Carbon Emission Estimating Framework on the City Scale[J]. Journal of Cleaner Production, 2019, 230: 118793.
[5]吴琼,马昊,任洪波等.基于LEAP模型的临港新片区中长期碳排放预测及减排潜力分析[J].环境科学,2024,45(02):721-731.
[6]王一婕, 史武莹. 黄河流域城市碳排放强度的动态演进、差异分解及影响因素[J]. 统计与决策, 2025, 1: 98-103.
[7]Zhang X-P, Cheng X-M. Energy consumption, carbon emissions, and economic growth in China[J]. Ecological Economics, 2009, 68(9): 2706-2712.
[8]Soytas U, Sari R, Ewing B T. Energy consumption, income, and carbon emissions in the United States[J]. Ecological Economics, 2007, 62(3): 482-489.
[9]陈哲沣，王健. 基于变分模态分解的中国主要集装箱港口碳排放组合预测[J]. 中国航海, 2024, 47(4): 138-145.
[10]李渊，张芝镪，温慧，蔡智，郭宇龙，李天天，王嘉诚，张琳敏，徐良雪. 基于机器学习的中国碳排放影响因素分析与达峰情景模拟[J/OL]. 环境科学, 2024, 47(4): 138-145.
[11]诸晓骏，薛贵元，徐筝，陈琛，吴垠，牛文娟. 基于双模式分解的非线性集成短期碳排放预测[J/OL]. 环境科学, 2024, 47(4): 138-145.
[12]王志强，曹永祺，李硕，任金哥. 结合专家知识的住宅建筑物化阶段碳排放机器学习预测研究[J]. 干旱区资源与环境, 2025, 39(1): 38-48.
[13]鲍学英，薛春燕，李子龙，吕向茹. 铁路桥梁物化阶段碳排放计算及影响因素分析[J/OL]. 安全与环境学报, 2024, 47(4): 138-145.
[14]管卫华，徐慧，李焕兰，吴小妮，吴巍，吴连霞. 中国能源消费碳排放演化与仿真预测[J/OL]. 环境科学, 2024, 47(4): 138-145.
[15] Narayan P K, Saboori B, Soleymani A. Economic growth and carbon emissions[J]. Economic Modelling, 2015, 46: 49-59.
[16]Wang H, Gu K, Sun H, et al. Reconfirmation of the symbiosis on carbon emissions and air pollution: A spatial spillover perspective[J]. Science of The Total Environment, 2022, 809: 151084.
[17]李汉东,向梓航,崔雪峰.人口因素驱动下的中国碳排放强度预测[J].北京师范大学学报(自然科学版),2023,59(05):822-829.
【本文系国家自然科学基金（72472050）、教育部人文社科基金（24YJA630115）资助项目】
（许晓敏系华北电力大学经济与管理学院副教授；姚润坤、孔亚楠、付尧系华北电力大学经济与管理学院硕士研究生）