《基于多元回歸的城市發(fā)展與二氧化碳排放關(guān)系實(shí)證研究》8100字

II基于多元回歸的城市發(fā)展與二氧化碳排放關(guān)系實(shí)證研究摘要 I1.引言 11.1研究目的 11.2研究意義 11.3國內(nèi)外研究現(xiàn)狀 12.理論知識 42.1ARIMA模型 42.2多元線性回歸 42.3嶺回歸 43.數(shù)據(jù)來源及處理 63.1數(shù)據(jù)獲取及預(yù)處理 64.數(shù)據(jù)分析 74.1描述性統(tǒng)計(jì)分析 74.2時(shí)間序列預(yù)測 84.2.1時(shí)間序列初步分析 84.2.2時(shí)間序列模型檢驗(yàn)與預(yù)測 154.3多元回歸模型 184.3.1多元線性回歸 184.3.2嶺回歸法 194.3.2模型解釋 215.結(jié)論與展望 23參考文獻(xiàn) 25附錄 27摘要全球碳排放進(jìn)程中，城市扮演了主要角色，城市所排放的二氧化碳占總排放的75%左右，在中國地區(qū)這個(gè)占比更高一些，大概是80%，碳排放的主要來源于城市的經(jīng)濟(jì)、建筑、交通等人類社會活動.本文將影響城市發(fā)展的指標(biāo)分為環(huán)境指標(biāo)、經(jīng)濟(jì)指標(biāo)和社會指標(biāo)，本文中，環(huán)境指標(biāo)主要指的是二氧化碳排放，經(jīng)濟(jì)指標(biāo)主要包括產(chǎn)業(yè)結(jié)構(gòu)、人均GDP、技術(shù)水平、社會指標(biāo)主要包括畢業(yè)大學(xué)生的人數(shù)、汽車的數(shù)量以及城鎮(zhèn)化水平.為了探究經(jīng)濟(jì)指標(biāo)與社會指標(biāo)對環(huán)境的影響，對本文首先使用時(shí)間序列對影響環(huán)境指標(biāo)、經(jīng)濟(jì)指標(biāo)、社會指標(biāo)的各個(gè)指標(biāo)進(jìn)行推測，其后，建立多元回歸模型，最終發(fā)現(xiàn)人均GDP、第二產(chǎn)業(yè)、畢業(yè)學(xué)生人數(shù)、第三產(chǎn)業(yè)以及城鎮(zhèn)化水平對二氧化碳的排放量影響顯著.關(guān)鍵詞：城市發(fā)展；二氧化碳排放；時(shí)間序列；多元線性回歸1.引言1.1研究目的第七次人口普查結(jié)果顯示，居住在城鎮(zhèn)的人口占人口總數(shù)的63.89%，城市發(fā)展水平的提高使得居民的物質(zhì)以及精神生活水平得到了顯著的提升.但是與此同時(shí)城市的快速發(fā)展也會帶來數(shù)以萬計(jì)的能源使用和消耗.據(jù)相關(guān)機(jī)構(gòu)統(tǒng)計(jì)，僅以城市為經(jīng)濟(jì)單位的系統(tǒng)已消耗全球大概76％的煤炭資源、65％的石油資源、以及將近83％的天然氣資源.城市的占地面積僅僅只是總占地面積的1％，而能源的消耗帶來的是氣溫升高、海平面上升、酸雨等一系列環(huán)境問題.故在保證城市發(fā)展水平提升的同時(shí)，也要切實(shí)降低二氧化碳的排放量1.2研究意義本文基于前人的研究，從發(fā)展趨勢和排放趨勢的角度入手，探究城市發(fā)展指標(biāo)與二氧化碳排放的關(guān)系.首先使用時(shí)間序列推測各個(gè)變量的變化趨勢，后又基于人均GDP、技術(shù)水平、第二產(chǎn)業(yè)占比、第三產(chǎn)業(yè)占比、畢業(yè)大學(xué)生的數(shù)量等7個(gè)因素對影響二氧化碳排放的城市發(fā)展指標(biāo)進(jìn)行探究，給出相關(guān)結(jié)論.1.3國內(nèi)外研究現(xiàn)狀林伯強(qiáng),蔣竺均在《中國二氧化碳的環(huán)境庫茲涅茨曲線預(yù)測及影響因素分析》一文中，采用對數(shù)平均迪式分解法以及STIPRA模型得到我國人均GDP的庫茲涅茨曲線的拐點(diǎn)為37170[4]元.王峰等在《中國經(jīng)濟(jì)發(fā)展中碳排放增長的驅(qū)動因素研究》利用LMDI方法分析二氧化碳增加的原因，發(fā)現(xiàn)導(dǎo)致二氧化碳增加的主因是城市化水平提高帶來的人均GDP增加[5].林伯強(qiáng)在《中國城市化階段的碳排放:影響因素和減排策略》一文中，使用協(xié)整模型進(jìn)行分析，發(fā)現(xiàn)城市化率對二氧化碳排放有長期正向[6]的影響.蘇麗萍、婁宇紅等人在《二氧化碳排放量與我國經(jīng)濟(jì)增長的關(guān)系：基于中國統(tǒng)計(jì)數(shù)據(jù)的討論》的文章中采用面板數(shù)據(jù)與時(shí)間序列來研究二氧化碳排放量與我國經(jīng)濟(jì)增長之間的關(guān)系，并且使用庫茲涅茨曲線對我國人均二氧化碳與人均GDP的排放量構(gòu)建模型,模型首次驗(yàn)證驗(yàn)證出人均二氧化碳與人均GDP有長期協(xié)整關(guān)系并且通過計(jì)算曲線駐點(diǎn)，驗(yàn)證了我國現(xiàn)在處于人均GDP的增長會減少二氧化碳排放量階段,且模型的駐點(diǎn)為7.8，對應(yīng)的人均GDP為1718[8]元.浙江大學(xué)蔣俊文在《中國城市化影響碳排放的理論機(jī)制及實(shí)證研究》中基于Tobit模型分析城市化水平與碳排放效率之間的關(guān)系，結(jié)果發(fā)現(xiàn)，東部地區(qū)的城市化水平對碳排放的影響效率最小，西部地區(qū)的城市化水平對碳排放的影響明顯大于平均水平[10].暨南大學(xué)孫苑秋在《金融發(fā)展背景下的城市化與碳排放關(guān)系再論證》的研究表明，1995-2005年碳排放相比于增長迅速的經(jīng)濟(jì)來說，增長速度的相對來說比較緩慢，然而2006年以后，由于經(jīng)濟(jì)的飛速發(fā)展以及我國加強(qiáng)了對二氧化碳排放的控制，使得二氧化碳的排放增速減弱.2010年之后，由于經(jīng)濟(jì)更快地發(fā)展，二氧化碳排放的增長速度也隨之加快，一系列環(huán)境問題由此到來[12].劉天嬌在《中國城市化與二氧化碳排放之間的關(guān)系——基于省級面板數(shù)據(jù)的分析》一文中，將我國城市分為東部、中部、西部三部分,使用格蘭杰因果檢驗(yàn)法，最終發(fā)現(xiàn)，東部地區(qū)的城市化對二氧化碳排放沒有顯著影響，中部地區(qū)城市化發(fā)展大部分都影響著二氧化碳的排放，西部地區(qū)并沒有顯著的因果關(guān)系[14].張磊在《城市化與碳排放——基于夜間燈光數(shù)據(jù)》中，采用系統(tǒng)GMM的方法，并且結(jié)合數(shù)據(jù)的異質(zhì)性和穩(wěn)健性進(jìn)行探究，得到存在能源消費(fèi)“剛性”，并且產(chǎn)業(yè)結(jié)構(gòu)存在明顯的碳排放影響的結(jié)論[15].國外，Zhangetal.在《ImpactofurbanizationonenergyrelatedCO2emissionatdifferentdevelopmentlevels:RegionaldifferenceinChina》中，通過構(gòu)建雙向固定效應(yīng)模型，并結(jié)合STIRPAT的理論框架，發(fā)現(xiàn)城市發(fā)展與二氧化碳排放呈現(xiàn)的關(guān)系是倒U型的，并且，Zhangetal.將29個(gè)省份劃分為三個(gè)區(qū)域，發(fā)現(xiàn)城市發(fā)展與二氧化碳排放同樣呈現(xiàn)倒U曲線，通過回歸分析對劃分的區(qū)域進(jìn)行實(shí)證檢驗(yàn)，其結(jié)果發(fā)現(xiàn)，城市發(fā)展的不同階段中，二氧化碳排放也會隨著城市的發(fā)展處于不同的階段[2].在探究城市經(jīng)濟(jì)發(fā)展發(fā)展與二氧化碳排放的關(guān)系時(shí)，Lin&Liu在《China'scarbondioxideemissionsundertheurbanizationprocess:Influencefactorsandabatementpolicies》中，基于協(xié)整檢驗(yàn)，探討經(jīng)濟(jì)發(fā)展中碳排放與城市化的關(guān)系.研究表明，經(jīng)濟(jì)發(fā)展水平對碳排放有顯著[3]關(guān)系.2.理論知識2.1ARIMA模型ARIMA模型（AutoregressiveIntegratedMovingAveragemodel）也被稱為差分整合移動自平均回歸模型，是在確定階數(shù)后，對數(shù)據(jù)建立的模型.與ARMA（p,d,q）模型相同，也是對時(shí)間序列進(jìn)行預(yù)測的一個(gè)重要方式.ARIMA（p,d,q）模型是時(shí)間序列的一個(gè)重要模型，各個(gè)變量分別為：自回歸系數(shù)項(xiàng)、時(shí)間序列要差分的階數(shù)、滑動平均項(xiàng)數(shù).2.2多元線性回歸隨機(jī)變量y與一般變量x1,x2,…,y=β0+β在式中，設(shè)未知參數(shù)β0,β1,…,βp有p+1個(gè)，其中β0被稱為回歸常數(shù)，β1,…,βp被稱為回歸系數(shù).y就被稱為被解釋變量也叫因變量，x1,x2,…,xp是Eε稱Ey=為理論回歸方程.就一個(gè)實(shí)際問題而言，如果我們得到了n組數(shù)據(jù)進(jìn)行觀測(xi1,xy1=β2.3嶺回歸嶺回歸是一種專門用于共線性分析的有偏估計(jì)回歸方法，實(shí)際上，就是一種改良過的最小二乘估計(jì)法，放棄最小二乘法的無偏性，以降低精度、損失部分信息為代價(jià)獲得回歸系數(shù)更為符合實(shí)際，更加可靠的方法.3.數(shù)據(jù)來源及處理3.1數(shù)據(jù)獲取及預(yù)處理本文采用了1990-2020總共30年的時(shí)間跨度，原始數(shù)據(jù)均來源于《中國統(tǒng)計(jì)年鑒》[16]與Wind數(shù)據(jù)庫.獲取數(shù)據(jù)后，對于缺失數(shù)據(jù)本文采用了均值插值的方法進(jìn)行處理.本文將二氧化碳排放量作為因變量，由于不同的文獻(xiàn)對二氧化碳排放總量有不同的解釋，不論是單位碳排放還是能源消耗總量都可以作為一個(gè)指標(biāo)來衡量二氧化碳排放情況，本文采用的是總能源消耗排放的二氧化碳量作為相應(yīng)指標(biāo).從經(jīng)濟(jì)指標(biāo)和社會指標(biāo)中選取7個(gè)變量，分別是二氧化碳排放量、城鎮(zhèn)化水平、第二產(chǎn)業(yè)占比、技術(shù)水平、第三產(chǎn)業(yè)占比、人均GDP、汽車的數(shù)量、畢業(yè)大學(xué)生人數(shù).表3-1變量說明簡稱英文縮寫定義單位二氧化碳排放量CO二氧化碳排放總量104城鎮(zhèn)化水平UL城鎮(zhèn)人口與總?cè)丝诘谋戎?第二產(chǎn)業(yè)占比IS第二產(chǎn)業(yè)的GDP占比%技術(shù)水平T每年申請專利的數(shù)量件第三產(chǎn)業(yè)占比TS第三產(chǎn)業(yè)的GDP占比%人均GDPpgdp人均國內(nèi)生產(chǎn)總值元汽車的數(shù)量NV私人汽車保有量萬輛畢業(yè)大學(xué)生人數(shù)GRAD--萬人4.數(shù)據(jù)分析4.1描述性統(tǒng)計(jì)分析由原始數(shù)據(jù)觀察可知，人均GDP數(shù)據(jù)呈現(xiàn)指數(shù)增長，為了縮小數(shù)據(jù)的絕對值，進(jìn)而對該變量取對數(shù).設(shè)因變量二氧化碳的排放量為y，人均GDP為x1、第二產(chǎn)業(yè)占比為x2、技術(shù)水平為x3、汽車的數(shù)量為x4、每年畢業(yè)大學(xué)生的人數(shù)為x5表4-1變量描述性統(tǒng)計(jì)分析變量最小值最大值平均值標(biāo)準(zhǔn)差y2246989460082681.448x1663720001436822620.42x37.8447.5644.332.96033x10280501603011786521491771x822439360047837.08x57.0787378.41307.7217x32.3864.4642.456.720839x26.4163.8943.5912.10975繪制折線圖來描繪1990-2020年二氧化碳排放的變化趨勢，這樣可以使得觀測更加直觀.圖4-1二氧化碳排放隨時(shí)間變化的趨勢從時(shí)序圖的變化可以清晰的看出，二氧化碳排量隨著年份的在增長，并且上升的趨勢逐步放緩.4.2時(shí)間序列預(yù)測采用時(shí)間序列的方法對以上變量以及二氧化碳的排放量今后的發(fā)展趨勢進(jìn)行預(yù)測.4.2.1時(shí)間序列初步分析在進(jìn)行時(shí)間序列建模之前，首先要確定時(shí)間序列是平穩(wěn)的，通過繪制時(shí)序圖，發(fā)現(xiàn)上述7個(gè)變量的時(shí)間序列都是非平穩(wěn)的.為了使時(shí)間序列保持平穩(wěn)，對上述7個(gè)變量進(jìn)行差分處理，經(jīng)過一階或二階差分后，使所有時(shí)間序列保持平穩(wěn)，得到以下時(shí)序圖：圖4-2各變量差分圖從差分結(jié)果來看，這七個(gè)變量都為平穩(wěn)的時(shí)間序列.隨后，對差分結(jié)果進(jìn)行白噪聲檢驗(yàn)和單位根檢驗(yàn)，具體結(jié)果如下表：表4-2一階差分單位根檢驗(yàn)類別不同自由度下的p值2468二氧化碳排放量5.998e-050.00031110.0016980.003938第三產(chǎn)業(yè)占比0.073480.054920.014180.0433表4-2二階差分單位根檢驗(yàn)類別P值不帶漂移和趨勢項(xiàng)帶漂移無趨勢項(xiàng)帶漂移和趨勢項(xiàng)人均GDP0.01000.11060.4107第二產(chǎn)業(yè)占比0.01000.01830.0675技術(shù)水平0.01000.01000.0100汽車的數(shù)量0.01000.01000.0174就業(yè)人數(shù)0.01000.01000.0138城鎮(zhèn)化水平0.01000.01000.0100取P值等于0.1，根據(jù)上述單位根檢驗(yàn)，發(fā)現(xiàn)所有變量均小于P值，說明時(shí)間序列都是平穩(wěn)非白噪聲的.下面，通過R軟件畫出數(shù)據(jù)差分后的ACF圖與PACF圖：圖4-3各個(gè)變量ACF和PACF圖根據(jù)變量各自的ACF圖和PACF圖，以及AIC準(zhǔn)則，選擇以下時(shí)間序列模型，具體如下表：表4-4各變量的ARIMA模型變量時(shí)間序列模型二氧化碳排放量ARIMA（1,1,0）第三產(chǎn)業(yè)占比ARIMA（0,1,1）人均GDPARIMA（0,2,1）第二產(chǎn)業(yè)占比ARIMA（0,2,2）技術(shù)水平ARIMA（0,2,2）汽車數(shù)量ARIMA（2,2,2）畢業(yè)大學(xué)生就業(yè)人數(shù)ARIMA（2,2,0）城鎮(zhèn)化水平ARIMA（0,2,0）建立了變量各自的時(shí)間序列模型之后，對建立的模型進(jìn)行檢驗(yàn)與預(yù)測.4.2.2時(shí)間序列模型檢驗(yàn)與預(yù)測對建立的時(shí)間序列模型進(jìn)行檢驗(yàn)，檢驗(yàn)結(jié)果如下：表4-5模型檢驗(yàn)類型模型參數(shù)顯著性檢驗(yàn)殘差白噪聲檢驗(yàn)參數(shù)t統(tǒng)計(jì)量P值延遲階數(shù)LB統(tǒng)計(jì)量P值二氧化碳排放量ARIMA（1,1,0）?9.27599<0.0000168.9170.1783第三產(chǎn)業(yè)占比ARIMA（0,1,1）θ4.632352<0.0000165.13110.5271人均GDPARIMA（0,2,1）θ2.7668850.00479866.57810.3616第二產(chǎn)業(yè)占比ARIMA（0,2,2）θ1.9449980.03076441.29470.8623θ1.9754270.02890263.25770.7759技術(shù)水平ARIMA（0,2,2）θ8.21687<0.0000141.04860.9023θ5.020394<0.0000164.19270.6506汽車的數(shù)量ARIMA（2,2,2）?0.7274610.03462120.927470.6289?3.340482<0.0000143.6030.4624θ3.42695630.00098464.39840.6229θ3.69925730.000487畢業(yè)大學(xué)生就業(yè)人數(shù)ARIMA（2,2,0）?2.3601810.012642.28970.6826?0.7154300.02400364.48110.6119城鎮(zhèn)化水平ARIMA（0,2,0）<0.0000166.19690.4015取P值等于0.05，經(jīng)過對模型的參數(shù)顯著性檢驗(yàn)和殘差白噪聲檢驗(yàn)，發(fā)現(xiàn)各個(gè)ARIMA模型參數(shù)檢驗(yàn)的P值都小于0.05，各延遲下LB統(tǒng)計(jì)量的P值都顯著大于0.05，可以認(rèn)為各個(gè)擬合模型是平穩(wěn)的，且殘差序列屬于白噪聲序列，即擬合模型顯著有效.下面，對各個(gè)變量進(jìn)行時(shí)間序列預(yù)測.結(jié)果如下：圖4-4每個(gè)變量時(shí)間序列預(yù)測圖從預(yù)測結(jié)果分析，以觀察出各個(gè)觀測變量五年之后的發(fā)展趨勢，從預(yù)測結(jié)果分析，人均GDP增速和二氧化碳排放增量有放緩趨勢，城鎮(zhèn)化水平則處于穩(wěn)步增長狀態(tài)，畢業(yè)學(xué)生就業(yè)人數(shù)、技術(shù)水平、第三產(chǎn)業(yè)占比和汽車數(shù)量等在未來五年快速上升，而第二產(chǎn)業(yè)占比在未來五年呈現(xiàn)下降的趨勢只有第二產(chǎn)業(yè)將會在五年之后呈現(xiàn)下降的趨勢.第二產(chǎn)業(yè)主要為加工制造業(yè)，其大幅度下降的原因可能是：一是因?yàn)槭艿浇鼛啄暌咔榈挠绊?，國?nèi)外經(jīng)濟(jì)形式不好，許多人賴以生存的第二產(chǎn)業(yè)的企業(yè)紛紛倒閉，導(dǎo)致第二產(chǎn)業(yè)的占比逐年下降.第二是因?yàn)槟壳皣鴥?nèi)第二產(chǎn)業(yè)正在快速萎縮，加之第三產(chǎn)業(yè)所提供的崗位如外賣員、快遞員的人數(shù)增多，大量年輕人都進(jìn)入第三產(chǎn)業(yè)發(fā)展，對前景低迷的第二產(chǎn)業(yè)來說更是雪上加霜.第三人工智能的時(shí)代到來，機(jī)器人將替代工人進(jìn)行勞動.4.3多元回歸模型本文將進(jìn)一步通過回歸模型探究二氧化碳排放量與各個(gè)經(jīng)濟(jì)指標(biāo)和社會指標(biāo)之間的關(guān)系.4.3.1多元線性回歸首先通過多元線性回歸模型，采用最小二乘方法計(jì)算出各個(gè)觀測變量的系數(shù)，并使用t檢驗(yàn)判斷各自系數(shù)是否顯著，結(jié)果表4-6所示：.表4-6回歸分析自變量回歸系數(shù)標(biāo)準(zhǔn)差T值P值lnpgdp-7.215e+022.330e+02-0.5420.5929557**GRAD7.100e+005.618e-0112.6387.81e-12***IS1.302e+023.015e+014.3190.000254***T1.802e-042.097e-040.8680.394521NV-6.574e-023.554e-02-1.8500.077211.UL2.035e+023.659e+015.5621.17e-05***TS-8.346e+013.214e+01-2.5970.016119*表4-7模型調(diào)整后的R2R調(diào)整后0.98740.9843即在顯著性水平為0.05的條件下只有技術(shù)水平量是不顯著的，其余變量均顯著.且該模型的R2為0.9843,R2y=?0.007215x1+0.01301x2+0.06574x4+7.1x5?0.8346在對模型進(jìn)行多重共線性檢查時(shí)，發(fā)現(xiàn)方差膨脹因子VIF數(shù)值都大于10.表4-8方差膨脹因子VIF變量VIF1/VIFlnpgdp130.58540.00765T180.835640.00553NV143.351550.00697GRAD53.450390.01870IS14.722690.06793TS86.206850.01160UL365.43250.00273VIF值都大于10，這說明變量之間存在著多重共線性.圖4-5殘差檢驗(yàn)圖從圖4-5可以看出，數(shù)據(jù)幾乎集中在y=x這條直線上，所以數(shù)據(jù)不存在異方差性.4.3.2嶺回歸法首先將數(shù)據(jù)集劃分為測試與訓(xùn)練數(shù)據(jù)集，其中測試集占30%，然后設(shè)定參數(shù)α取值范圍為0.1-10，步長為0.1，循環(huán)建立嶺回歸模型，并輸出R2值，選擇R2值最大的點(diǎn)為圖4-6參數(shù)α的各個(gè)學(xué)習(xí)曲線取參數(shù)等于5.5的點(diǎn)進(jìn)行嶺回歸分析，各城市指標(biāo)的P值如下：表4-9嶺回歸分析自變量回歸系數(shù)標(biāo)準(zhǔn)差T值P值pgdp-0.0208620.003701-5.63720.000004IS72.6797455.94280912.22990.000000T0.0001370.0000149.53040.000000NV-0.0430980.035108-1.22760.229154GRAD8.4916980.52341616.22360.000000TS-47.78516816.194263-2.955070.006098UL105.44394417.6299615.98100.000001表4-10調(diào)整后的RR調(diào)整后0.99790.99727取P值等于0.05，發(fā)現(xiàn)只有汽車數(shù)量的P值大于0.05，其余指標(biāo)的P值都小于0.05，這說明，汽車數(shù)量這一指標(biāo)的系數(shù)是不顯著的，其他指標(biāo)都是顯著的.且該模型的R2為0.9y=?0.020862x1+72.679745x2+0.000137x3+8.491698x5?47.7851684.3.2模型解釋（1）人均GDP對二氧化碳排放的影響：每增加一個(gè)單位的人均GDP，二氧化碳的排放就減少0.020862萬噸.我國人均GDP的駐點(diǎn)是37170[13]元，2020年的人均GDP為7.8萬，該數(shù)值大于37170元，所以此時(shí)人均GDP在倒U型曲線的右側(cè)，隨著人均GDP的不斷增加二氧化碳的排放會隨之減少.（2）第二產(chǎn)業(yè)對二氧化碳排放量的影響：呈現(xiàn)正相關(guān)，根據(jù)最終模型可以看出，第二產(chǎn)業(yè)每增加1%，二氧化碳的排放就會隨之增加72.679745萬噸.第二產(chǎn)業(yè)二氧化碳排放量在總體的二氧化碳排放中始終占據(jù)較大的比重，第二產(chǎn)業(yè)主要包括工業(yè)、電力業(yè)、采礦業(yè)和制造業(yè),這些企業(yè)會在生產(chǎn)活動中排放大量二氧化碳.（3）技術(shù)水平對二氧化碳排放的影響：呈現(xiàn)正相關(guān)，申請專利每增加一萬件，二氧海灘排放就會隨之增加0.000137萬噸，這是由于我國目前屬于發(fā)展中國家，相比于發(fā)達(dá)國家，技術(shù)仍有欠缺，并且自主創(chuàng)新能力比較低，主要依靠引進(jìn)國外技術(shù)來實(shí)現(xiàn)減排.（4）畢業(yè)人數(shù)對二氧化碳排放的影響：呈現(xiàn)正相關(guān)，就業(yè)人數(shù)每增加1萬人，二氧化碳排放量就會隨之增加8.491698萬噸，本文的變量主要選取的是畢業(yè)大學(xué)生的就業(yè)人數(shù)，畢業(yè)以后會通過快餐店消費(fèi)，滴滴打車等日常生活消耗能源，排放二氧化碳.（5）第三產(chǎn)業(yè)對二氧化碳排放的影響：明顯的負(fù)相關(guān)性，第三產(chǎn)業(yè)占比每增加1%，則二氧化碳的排放會減少47.785168萬噸，第三產(chǎn)業(yè)主要為服務(wù)業(yè)，在國家產(chǎn)業(yè)總數(shù)不變的情況下，第三產(chǎn)業(yè)占比增大，第一二產(chǎn)業(yè)的占比就會隨之減少，故第三產(chǎn)業(yè)人口增加會減少二氧化碳排放量.（6）城鎮(zhèn)化對二氧化碳排放量的影響：呈現(xiàn)正相關(guān)，城鎮(zhèn)化水平每提高1%，則二氧化碳的排放就會隨之增加105.443944萬噸，由于城鎮(zhèn)化的不斷提高，煤、石油、天然氣的使用會隨著城鎮(zhèn)人口的增多而增多.在城鎮(zhèn)中煤、石油、天然氣是產(chǎn)生二氧化碳的主要因素.5.結(jié)論與展望5.1結(jié)論本文以城市發(fā)展研究對象，通過《中國統(tǒng)計(jì)年鑒》相關(guān)信息，建立多元回歸模型分析影響碳排放的影響因素，具體內(nèi)容和結(jié)果如下：本文主要研究的是城市發(fā)展與二氧化碳排放之間的關(guān)系，根據(jù)相關(guān)文獻(xiàn)，共確定出三個(gè)城市發(fā)展指標(biāo)，分別是環(huán)境指標(biāo)、經(jīng)濟(jì)指標(biāo)和社會指標(biāo)，其中，環(huán)境指標(biāo)主要包括二氧化碳排放量，經(jīng)濟(jì)指標(biāo)主要包括產(chǎn)業(yè)結(jié)構(gòu)、人均GDP、技術(shù)水平，社會指標(biāo)主要包括畢業(yè)大學(xué)生的人數(shù)、汽車的數(shù)量以及城鎮(zhèn)化水平，隨后，在時(shí)間序列的預(yù)測之下，發(fā)現(xiàn)第二產(chǎn)業(yè)的比重與二氧化碳排放量總體趨勢相反，這是由于近年來第二產(chǎn)業(yè)的相對萎靡與第三產(chǎn)業(yè)的快速增長導(dǎo)致的，第三產(chǎn)業(yè)主要為服務(wù)業(yè)，給人們提供了如外賣員、快遞員等工作崗位的同時(shí)也極大沖擊了第二產(chǎn)業(yè).隨后，對各個(gè)指標(biāo)進(jìn)行多元回歸處理，建立多元回歸模型，結(jié)果發(fā)現(xiàn)，只有第三產(chǎn)業(yè)的增加會減少碳排放，其余指標(biāo)的增加均會增二氧化碳排放量.這說明，我們在發(fā)展其他指標(biāo)的同時(shí)，也要鼓勵人們積極從事第三產(chǎn)業(yè).綜合分析來看，隨著城鎮(zhèn)化的快速提高、經(jīng)濟(jì)的快速發(fā)展、就業(yè)人口的不斷增加、汽車數(shù)量的增加等因素的影響，二氧化碳的排放也會隨之不斷增加，所以低碳經(jīng)濟(jì)模式必須被我們高度重視，并且隨著二氧化碳排放壓力的進(jìn)一步增大，這也成為我國經(jīng)濟(jì)可持續(xù)高速發(fā)展面臨的嚴(yán)峻問題.5.2展望推動低碳模式的可持續(xù)發(fā)展，實(shí)現(xiàn)二氧化碳減排的同時(shí)，我們必須改變和重視傳統(tǒng)的經(jīng)濟(jì)模式，所以我國現(xiàn)階段存在的不合理的經(jīng)濟(jì)能源消費(fèi)結(jié)構(gòu)急需轉(zhuǎn)變.同時(shí)開發(fā)新能源、提高利用傳統(tǒng)能源的利用率、減少使用化石能源、大力發(fā)展煤炭清潔技術(shù)和其他節(jié)能技術(shù)，都成了我國現(xiàn)階段節(jié)能減排的主要目標(biāo).近幾年來，新一代的信息技術(shù)、金融、服務(wù)行業(yè)等第三產(chǎn)業(yè)的快速融合發(fā)展，以“互聯(lián)網(wǎng)+”賦能多種科技組合深深改變了人們的生活水平與質(zhì)量.網(wǎng)上購物、滴滴打車、移動支付等行業(yè)高速發(fā)展.科技創(chuàng)新推動了第三產(chǎn)業(yè)等低碳排放行業(yè)的規(guī)模增加，支撐著能源結(jié)構(gòu)的不斷優(yōu)化，降低了二氧化碳的排放強(qiáng)度.因此，我們在大力發(fā)展低碳技術(shù)與負(fù)排放技術(shù)的同時(shí)，也要積極調(diào)整產(chǎn)業(yè)結(jié)構(gòu)，在保證我國經(jīng)濟(jì)可持續(xù)發(fā)展的同時(shí)，也能走出一條低碳、清潔的道路.參考文獻(xiàn)LiddleB.Age-structure,urbanization,andclimatechangeindeveloped:countriesrevisitingSTIRPATfordisaggregatedpopulationandconsumption–relatedenvironmentalimpacts[J].Population&Environment,2010,31(5):317-343.JLinBQ,LiuxY.China'scarbondioxideemissionsundertheurbanizationprocess:Influencefactorsandabatementpolicies[J].EconomicResearchJournal,2010HeZ,XuS,ShenW,etal.ImpactofurbanizationonenergyrelatedCO2emissionatdifferentdevelopmentlevels:RegionaldifferenceinChina[J].JournalofCleanerProduction,2017,140:1719-1730.林伯強(qiáng),蔣竺均.中國二氧化碳的環(huán)境庫茲涅茨曲線預(yù)測及影響因素分析[J].管理世界，2009(04):27-36.王鋒,吳麗華,楊超.[J].經(jīng)濟(jì)研究,2010,45(02):123-136.林伯強(qiáng),劉希穎.中國城市化階段的碳排放:影響因素和減排策略[J].經(jīng)濟(jì)研究，2010,45(08):66-78.龔道孝，王純，徐一劍等．生態(tài)城市指標(biāo)體系構(gòu)建技術(shù)方法及案例研究：以濰坊濱海生態(tài)城為例[J].城市發(fā)展研究，2011（6）：44-48，83.蘇利平，婁宇紅.二氧化碳排放量與我國經(jīng)濟(jì)增長之間的關(guān)系:基于中國統(tǒng)計(jì)數(shù)據(jù)的探討[J].21世紀(jì)建筑材料居業(yè),2012(01):76-79.魏良臣.城市碳排放與經(jīng)濟(jì)增長關(guān)系實(shí)證分析[J].住宅與房地產(chǎn),2016(36):266+277.蔣俊文.中國城市化影響碳排放的理論機(jī)制及實(shí)證研究[D].浙江：浙江工商大學(xué)，2017.王星.城市化對碳排放影響的區(qū)域分異性研究[D].蘭州：蘭州大學(xué),2018.孫秋苑.金融發(fā)展背景下的城市化與碳排放關(guān)系再論證[D].廣州：暨南大學(xué),2018.黃天培.新興經(jīng)濟(jì)體國家經(jīng)濟(jì)發(fā)展、城市化與二氧化碳排放的關(guān)系——基于新鉆11國面板數(shù)據(jù)[J].山西農(nóng)經(jīng),2020(01):4-6.劉天嬌.中國城市化與二氧化碳排放之間的關(guān)系——基于省級面板數(shù)據(jù)的分析[J].山西農(nóng)經(jīng),2020(03):80-81.張磊.城市化與碳排放——基于夜間燈光數(shù)據(jù)的研究[D].浙江：浙江大學(xué),2021. 附錄時(shí)間序列：C=read.csv("/Users/wuyujie/Desktop/時(shí)間序列.csv",encoding

=

"UTF-8")

msa.X<-function(df){#將數(shù)據(jù)框第一列設(shè)置為數(shù)據(jù)框行名

X<-df[,-1]#刪除數(shù)據(jù)框1df的第一列

rownames(X)=df[,1]#將df的第一列賦值給X的行名

X#返回新的數(shù)值數(shù)據(jù)框

}

con<-msa.X(C)

#########3.2時(shí)間序列分析#######

con.ts1=ts(con$人均GDP,start=c(1990,1),frequency

=

1);con.ts2=ts(con$第二產(chǎn)業(yè)占比,start=c(1990,1),frequency

=

1);

con.ts3=ts(con$CO2,start=c(1990,1),frequency

=

1);con.ts4=ts(con$技術(shù)水平平,start=c(1990,1),frequency

=

1);

con.ts5=ts(con$汽車的數(shù)量,start=c(1990,1),frequency

=

1);con.ts6=ts(con$城鎮(zhèn)化水平,start=c(1990,1),frequency

=

1);

con.ts7=ts(con$畢業(yè)學(xué)生就業(yè)人數(shù),start=c(1990,1),frequency

=

1);con.ts8=ts(con$第三產(chǎn)業(yè)占比,start=c(1990,1),frequency

=

1)

#########差分

par(family="STKaiti",mfrow=c(2,2))

con.diff1=diff(con.ts1);con.diff11=diff(con.diff1)#2階差分

plot(con.diff11,col="pink",lwd=2,main="人均GDP")

con.diff2=diff(con.ts2);con.diff22=diff(con.diff2)#2階差分####第二產(chǎn)業(yè)占比

plot(con.diff22,col="pink",lwd=2,main="第二產(chǎn)業(yè)占比")

con.diff4=diff(con.ts4);con.diff44=diff(con.diff4)#2階差分####技術(shù)水平

plot(con.diff44,col="pink",lwd=2,main="技術(shù)水平")

con.diff5=diff(con.ts5);con.diff55=diff(con.diff5)#2階差分####汽車數(shù)量

plot(con.diff55,col="pink",lwd=2,main="公共交通數(shù)量")

con.diff6=diff(con.ts6);con.diff66=diff(con.diff6)#2階差分####城鎮(zhèn)化

plot(con.diff66,col="pink",lwd=2,main="城鎮(zhèn)化水平")

con.diff7=diff(con.ts7);con.diff77=diff(con.diff7)#2階差分###畢業(yè)人數(shù)

plot(con.diff66,col="pink",lwd=2,main="畢業(yè)學(xué)生就業(yè)人數(shù)")

par(mfrow=c(1,1))

con.diff3=diff(con.ts3)

plot(con.diff3,col="pink",lwd=2,main="co2")

con.diff8=diff(con.ts8)

plot(con.diff8,col="pink",lwd=2,main="第三產(chǎn)業(yè)占比")

###白噪聲檢驗(yàn)

adf.test(con.diff11);adf.test(con.diff22);adf.test(con.diff44);adf.test(con.diff55)

adf.test(con.diff66);adf.test(con.diff77)

for(i

in

1:4)print(Box.test(con.diff3,lag

=

2*i))

for(i

in

1:4)print(Box.test(con.diff8,lag

=

2*i))

###模型定階

par(mfrow=c(1,1))

par(family="STKaiti",mfrow=c(1,2))

acf(con.diff11,lag=30,main="人均GDP");pacf(con.diff11,lag=30,main="人均GDP")

acf(con.diff22,lag=30,main="第二產(chǎn)業(yè)占比");pacf(con.diff22,lag=30,main="第二產(chǎn)業(yè)占比")

acf(con.diff44,lag=30,main="技術(shù)水平");pacf(con.diff44,lag=30,main="技術(shù)水平")

acf(con.diff55,lag=30,main="汽車的數(shù)量");pacf(con.diff55,lag=30,main="汽車的數(shù)量")

acf(con.diff66,lag=30,main="城鎮(zhèn)化比水平");pacf(con.diff66,lag=30,main="城鎮(zhèn)化水平")

acf(con.diff77,lag=30,main="畢業(yè)學(xué)生就業(yè)人數(shù)");pacf(con.diff77,lag=30,main="畢業(yè)學(xué)生就業(yè)人數(shù)")

acf(con.diff3,lag=30,main="co2");pacf(con.diff3,lag=30,main="co2")

acf(con.diff8,lag=30,main="第三產(chǎn)業(yè)占比");pacf(con.diff8,lag=30,main="第三產(chǎn)業(yè)占比")

##模型預(yù)測

con.fit1=arima(con.ts1,order=c(0,2,1))

con.for1<-forecast(con.fit1,h=5)

par(family="STKaiti",mfrow=c(2,2))

plot(con.for1,col="pink",main="人均GDP")

lines(con.for1$fitted,col="green",lty=2)

##第二產(chǎn)業(yè)

con.fit2=arima(con.ts2,order=c(0,2,2))

con.for2<-forecast(con.fit2,h=5)

plot(con.for2,col="pink",main="第二產(chǎn)業(yè)占比")

lines(con.for2$fitted,col="green",lty=2)

##技術(shù)水平

con.fit4=arima(con.ts4,order=c(0,2,2))

con.for4<-forecast(con.fit4,h=5)

plot(con.for4,col="pink",main="技術(shù)水平")

lines(con.for4$fitted,col="green",lty=2)

##汽車的數(shù)量

con.fit5=arima(con.ts5,order=c(2,2,2))

con.for5<-forecast(con.fit5,h=5)

plot(con.for5,col="pink",main="汽車的數(shù)量")

lines(con.for5$fitted,