随着全球温室效应加剧和气候变暖问题的日益严重，碳减排越来越受到人们的重视[1]。为积极应对气候变化，国家发展和改革委员会应对气候变化司在《“十三五”控制温室气体排放工作方案》(国发〔2016〕61号)中针对各省、自治区、直辖市提出了减排任务和目标。甘肃省的主要目标为：到2020年，全省单位地区生产总值CO2排放比2015年下降17%；单位地区生产总值能源消费比2015年下降14%。2010年以来，在中央一系列支持甘肃省发展的政策和西部大开发战略推动下，甘肃省工业结构逐渐完善，经济高速发展，但同时还存在产业结构不合理、能源消费量大、利用率低等问题。作为西北地区的重工业基地，甘肃省实施碳减排政策至关重要，怎样在经济发展的同时减少碳排放是研究的热点问题。因此，有必要对甘肃省碳排放情况进行预测，从而为甘肃省低碳发展提出合理的达峰路径及有效的减排措施和应对策略。

碳排放峰值预测常用方法有IPAT(环境影响评估模型)、STIRPAT(可拓展的随机性的环境影响评估模型)、Logistic(逻辑斯蒂克模型)、LEAP(终端能源消费模型)、MARKAL-MACRO(能源-环境-经济耦合的非线性动态规划模型)、环境库兹涅茨曲线及系统动力学模型等[2-7]。席细平等[8]采用IPAT模型，根据江西省1995—2012年的历史数据对其碳排放峰值进行了预测，结果表明，江西省峰值出现在2032—2035年。张巍[9]利用STIRPAT模型分析了陕西省工业碳排放量与工业经济规模、人均工业增加值、能源强度和能源结构之间的关系，结果表明，保持经济适度增长、能源强度下降和能源结构优化，可控制陕西省工业碳排放量增长。杜强等[10]以2002—2010年碳排放量为样本数据，采用Logistic模型对中国各省碳排放情况进行了预测。贾彦鹏等[11]利用LEAP模型，针对基准情景和节能低碳情景模式对景德镇市2020年能源消费和碳排放进行了预测。陈文颖等[12]建立了中国能源-环境-经济耦合的MARKAL-MACRO模型，并对中国2050年能源发展与碳排放情况进行了预测。林伯强等[13]利用环境库兹涅茨曲线对中国CO2排放拐点进行了预测。岳超等[14]基于情景分析法对中国2050年的碳排放量进行了预测，结果表明：2006—2020年碳排放强度每5年下降15%，2020—2035年每5年下降20%，2035—2050年每5年降低25%为中国最优碳排放达峰模式；峰值出现在2035年，碳排放总量峰值为44亿t，人均碳排放峰值为3.0 t。

系统动力学[15-16]是以系统论、信息论、控制论和计算机技术为基础，根据系统的状态、控制和信息反馈等环节来反映系统的动态机制，通过建立仿真模型，借助计算机进行仿真试验的一种科学方法。近年来，系统动力学模型在处理工业、经济、生态、环境、能源、管理、农业、军事等诸多人类社会复杂问题中发挥了重要作用，在能源消费与碳排放方面的应用也日益增多[17-19]。Wen等[6]采用系统动力学模型设置10种不同情景模式，对2020年北京市工业碳排放情况进行预测，提出了北京市工业碳减排的建议和措施。苑清敏等[20]采用系统动力学模型预测了2013—2030年天津市碳排放情况，并探求产业结构优化、能源结构改善、低碳技术进步和碳汇能力增强对未来天津市碳排放的影响。鲁淳兮等[21]基于系统动力学模型，对我国钢铁产业能源消耗与CO2排放量之间的关系进行了分析。由此可见，系统动力学模型在解决能源消耗和碳排放峰值预测方面可行。目前，对西北重工业基地甘肃省碳排放峰值的相关研究较少，且多从碳排放主要影响因素方面进行峰值预测，按主要碳排放行业划分来进行峰值预测是一种新的研究思路。

通过分析甘肃省碳排放现状，选择火力发电供热，钢铁，石油加工，铝、镁，水泥，合成氨和道路运输7个高碳排放子行业建立甘肃省碳排放的系统动力学模型，根据关键因素采用情景分析法设置8种情景模式，分析不同情景下甘肃省碳排放峰值大小及出现时间，对甘肃省碳减排问题提出措施和建议。

1 模型与方法

1.1 碳排放现状

采用排放系数法核算甘肃省第一、二、三产业及重点耗能行业碳排放量。根据联合国政府间气候变化专门委员会(IPCC)碳排放指南计算方法，选用下式进行测算。

 

(1)

模型建立后通过历史检验法进行模型有效性的验证，使模型稳定运行，更准确地反映实际情况。甘肃省碳排放系统动力学模型历史检验见表2。从表2可以看出，2010—2015年的预测值与实际值相对误差均在10%以内，说明模型有效可靠[28]，可用于甘肃省碳排放峰值预测。

 

表1 各化石能源的折标煤系数、氧化率及碳排放系数[23]Table 1 The standard coal coefficient, oxidation rate and carbon emission coefficient of each fossil fuel

  

能源折标煤系数∕(t∕t)氧化率∕%碳排放系数∕(t∕t)原煤0.714391.30.7480焦炭0.971492.80.8550原油1.428697.90.5850汽油1.471498.00.5538煤油1.471498.60.5714柴油1.457198.20.5921燃料油1.428698.50.6185天然气1.3300×103m3∕t99.00.4440

根据式(1)对甘肃省2015年第一、二、三产业的碳排放量进行了核算，如图1所示。从图1可以看出，第二产业碳排放量最大，为1.73 亿t，占碳排放总量的87.13%；第三产业次之，碳排放量为0.24 亿t，占碳排放总量的11.84%；第一产业碳排放量最少，为0.02 亿t，占碳排放总量的1.03%。因此，确定研究对象为第二与第三产业。

吡虫啉不同亚致死剂量处理豆蚜成蚜后，平均寿命低于对照；LC30处理成蚜后，其平均产蚜量显著低于对照（P＜0.05），而 LC10和 LC20处理成蚜后，与对照差异不显著（表2）。

  

图1 2015年甘肃省第一、二、三产业碳排放量Fig.1 Carbon emissions in the first, second and tertiary industries of Gansu Province in 2015

第二产业碳排放主要来源于6个重点耗能行业，分别为电力、热力的生产和供应业，非金属矿物制品业，黑色金属冶炼及压延加工业，石油加工炼焦及核燃料加工业，有色金属冶炼及压延加工业，化学原料及化学制品制造业。第三产业中，交通运输业的碳排放量占比最大，为41.35%，因此用交通运输业碳排放量代表第三产业的碳排放量。将甘肃省碳排放总量分解为7个行业的碳排放量，结果见图2。7个行业碳排放量占碳排放总量的85.26%。

  

图2 2015年甘肃省重点耗能行业碳排放量占甘肃省碳排放总量的比例Fig.2 The carbon emission proportions of key energy consuming industries in total carbon emissions in Gansu Province in 2015

合成氨行业的直接排放包括以煤、天然气为原料的碳排放及过程碳排放，合成氨生产过程中的碳排放应该扣除作为商品出售的含碳部分；间接排放包括用电等效排放[26]。甘肃省合成氨工业碳排放子系统流图见图8。

1.2 模型建立

模型的空间边界为甘肃省7个重点耗能行业，根据1.1节对甘肃省碳排放现状的分析，在具体的模型建立过程中，每个重点耗能行业选择碳排放量占比最大的子行业，分别建立火力发电供热，钢铁，石油加工，铝、镁，水泥，合成氨和道路运输子行业的碳排放子系统。模型的时间边界为2000—2050年，模拟基期为2000年，模型建立所用历史数据时段为2000—2009年，时间步长设为1 a。根据系统结构及反馈机制分别建立甘肃省7个碳排放子系统的相关方程，采用经验公式法、线性回归法、表函数法和逻辑函数确定模型的参数值，并借助Vensim PLE软件建立系统动力学流图，利用2010—2015年数据不断调整修正7个碳排放子系统的系统动力学模型，使模拟结果接近甘肃省碳排放现状。利用验证后的模型对甘肃省碳排放进行情景仿真。

1.2.1 火力发电供热行业碳排放子系统

火力发电供热行业的碳排放分为供热和供电2个部分，通过2个部分的单位能耗核算碳排放总量。甘肃省火力发电供热行业碳排放子系统流图见图3。

  

图3 甘肃省火力发电供热行业碳排放子系统流图Fig.3 Flow chart of carbon emissions subsystem from thermal power supply industry in Gansu Province

1.2.2 钢铁行业碳排放子系统

从钢铁行业的主要工艺流程出发，包括焦化、烧结、炼铁、炼钢以及该行业用电等效碳排放5个部分[24]。甘肃省钢铁行业碳排放子系统流图见图4。

  

图4 甘肃省钢铁行业碳排放子系统流图Fig.4 Flow chart of carbon emissions subsystem from steel industry in Gansu Province

1.2.3 石油加工行业碳排放子系统

建设高原特色农副产品现代物流园区，打造具有农垦特色、服务农业产业的现代物流产业体系和服务网络新格局；完成了13个州（市）“好买卖”乡村新型商业中心建设工作，推动全省乡村现代农业新型经营体系建设，助力解决广大农民“买难、卖难”的问题，积极探索云南省农村商贸流通体系新模式新业态，达到了农产品“卖得快、卖得远、卖得好”的效果。

综合比较甘肃省碳排放峰值出现时间前3位(中-快模式、中模式、慢-中模式)发现，慢-中模式碳排放峰值最小，中-快模式比其高2.44%，但中-快模式达峰时间较慢-中模式提前了8 a。再结合甘肃省经济社会发展现状，中模式虽然峰值较大且达峰时间比中-快模式晚2 a，但在工业类因素的设置上更符合现状，所以中模式应该是甘肃省实施碳减排的最优路径。对于经济结构以高耗能行业为主的甘肃省，经济类因素和工业类因素对碳排放峰值和出现时间都有很大影响。人口和经济增长速度越慢，则碳排放峰值越小，峰值出现的时间越早；第二产业比重越小，第三产业比重越大，化石能源消耗比重越小，各类能源利用效率越高，则碳排放峰值越小，峰值出现的时间越早。

  

图5 甘肃省石油加工行业碳排放子系统流图Fig.5 Flow chart of carbon emissions subsystem from oil processing industry in Gansu Province

1.2.4 铝、镁行业碳排放子系统

基于光电原理的导航技术的基准信号传输介质包括激光(如点激光、线激光和全站仪等)、红外、可见光、机器视觉等[7-8]，导航系统分为2个部分，一部分作为检测和信号装置固定在巷道基准中，一部分作为信号发射装置配置在掘进机机身上随机身一起运动，或者反之[9-11]。

镁、铝行业的碳排放量包括工艺过程排放量、燃料燃烧排放量以及间接排放的用电等效排放量3部分。甘肃省铝、镁行业碳排放子系统流图见图6。

Step 1 Select in set Oaas the start point of the optimized trajectory,and add(initial point)and(desired point)into set Ob.Connectandto get path,and then add pointinto Ob.Regard pathscripts ‘p’and ‘d’represent the pth and dth elements in Oa,respectively),and turn to Step 2.

  

图6 甘肃省铝、镁行业碳排放子系统流图Fig.6 Flow chart of carbon emissions subsystem from aluminum and magnesium industry in Gansu Province

情景分析法[29]是假定在某种现象或趋势将持续到未来的前提下，对预测对象可能出现的情况或引起的后果设置不同情景作出预测的方法。通常用来对预测对象的未来发展作出设想或预计。

水泥生产工艺中碳排放来源主要是燃料燃烧和熟料煅烧过程的直接排放以及电力消耗等效碳排放

的间接排放，其中熟料煅烧排放的CO2主要来源于原料中大量的石灰质组分和少量有机碳燃烧[25]。甘肃省水泥行业碳排放子系统流图见图7。

本研究结果显示，相对于NIPPV单用，纳洛酮联用NIPPV能显著增加PO2水平和降低PCO2水平，增加SaO2水平，两组比较差异均有统计学意义（P＜0.01），说明纳洛酮联用NIPPV能显著纠正机体酸碱平衡，纠正低氧血症；其次，住院死亡率和再次有创气管插管率显著降低，说明纳洛酮能显著降低NIPPV治疗失败率，同时显著减少住院时间，有利于减轻患者经济负担。用药期间未发生严重不良反应，患者耐受性好，说明纳洛酮联用NIPPV安全性较好。

  

图7 甘肃省水泥行业碳排放子系统流图Fig.7 Flow chart of carbon emissions subsystem from cement industry in Gansu Province

1.2.6 合成氨行业碳排放子系统

由图2可知，电力、热力的生产和供应业碳排放量最大，占碳排放总量的26.68%；石油加工炼焦及核燃料加工业次之，占24.14%；黑色金属冶炼及压延加工业占15.70%；非金属矿物制品业占6.25%；交通运输业、有色金属冶炼及压延加工业、化学原料及化学制品制造业的碳排放量占比均超过3%。所选行业具有典型性和代表性，7个行业代表甘肃省碳排放情况是合理的。

  

图8 甘肃省合成氨行业碳排放子系统流图Fig.8 Flow chart of carbon emissions subsystem from synthetic ammonia industry in Gansu Province

1.2.7 交通运输行业碳排放子系统

交通运输行业碳排放主要来源于道路交通，即公交车、私家车、出租车、货车燃料燃烧产生的CO2，通过计算各种车型的数量和能源消费得到该行业的碳排放量[27]。甘肃省交通运输行业碳排放子系统流图见图9。

  

图9 甘肃省交通运输行业碳排放子系统流图Fig.9 Flow chart of carbon emissions subsystem from transportation industry in Gansu Province

1.3 模型验证

式中：t为年份；n为化石能源种类；CEt为基于能源消耗的碳排放量，t；ECnt为第n类化石能源的消费量，t；efn为第n类化石能源的碳排放系数，tt；on为第n类化石能源的氧化率，%。选取原煤、焦炭、原油、汽油、煤油、柴油、燃料油、天然气8种能源进行碳排放核算，数据来源于《甘肃发展年鉴2016》[22]。各化石能源的折标煤系数、氧化率、碳排放系数如表1[23]所示。

 

表2 甘肃省碳排放系统动力学模型历史检验Table 2 Historical test of Gansu carbon emission system dynamics model

  

年份项目火力发电供热行业钢铁行业石油加工行业铝、镁行业水泥行业合成氨行业交通运输行业2010模拟值∕亿t0.34590.10670.16700.06030.06870.05480.0783实际值∕亿t0.36750.10180.17070.06690.06790.05170.0844相对误差∕%-5.884.81-2.22-9.861.186.00-7.232011模拟值∕亿t0.37950.11120.17750.06260.07210.05600.0817实际值∕亿t0.39900.10680.18370.06850.07350.05250.0882相对误差∕%-4.894.12-3.38-8.61-1.906.67-7.372012模拟值∕亿t0.41490.11810.18780.06370.07540.05820.0861实际值∕亿t0.42180.11060.19530.06930.07770.05550.0921相对误差∕%-1.646.78-3.84-8.08-2.964.86-6.512013模拟值∕亿t0.45410.12250.20580.06620.08370.06040.0916实际值∕亿t0.43720.11750.20470.06960.08150.05750.0955相对误差∕%3.864.260.54-4.882.705.04-4.082014模拟值∕亿t0.46620.12400.23060.07750.08930.06580.0988实际值∕亿t0.51480.11960.23760.07690.09240.06600.1082相对误差∕%-9.443.68-2.950.78-3.35-0.30-8.692015模拟值∕亿t0.50370.13100.23410.07760.12150.06510.0908实际值∕亿t0.53080.12510.24030.08290.12450.06820.0974相对误差∕%-5.104.72-2.58-6.39-2.41-4.54-6.78

1.4 情景分析

1.2.5 水泥行业碳排放子系统

1.4.1 情景设置

根据所建模型设置基准情景和比较情景。基准情景是在目前政策前提下发展，比较情景则是在“十三五”甘肃省碳排放强度下降17%的新政策基础上设定的情景趋势，比较情景又分为低碳和强化低碳情景。基准情景设置了快-慢模式、中-慢模式、慢模式3种，比较情景中的低碳情景设置了快-中模式、中模式、慢-中模式3种，强化低碳情景设置了快模式、中-快模式2种(表3)。在不同情景中，参考以往对甘肃省碳排放影响因素的研究[30-31]，将人口总数、经济增长2个经济类因素和产业结构、节能技术水平、能源消费结构3个工业类因素作为情景设置的控制因素，如表4所示。

 

表3 情景模式设定Table 3 Scenario setting description

  

情景模式经济类因素工业类因素人口总数经济增长产业结构节能技术水平能源消费结构基准模式一快快慢慢慢模式二中中慢慢慢模式三慢慢慢慢慢低碳模式四快快中中中模式五中中中中中模式六慢慢中中中强化低碳模式七快快快快快模式八中中快快快

 

表4 情景设置描述Table 4 Scenario description

  

参数情景模式 设定详情经济类因素人口总数经济增长快模式峰值出现在2050年后中模式峰值出现在2035年左右慢模式峰值出现在2025年左右快模式峰值出现在2045年中模式峰值出现在2035年慢模式峰值出现在2025年工业类因素产业结构能源消费结构节能技术水平快模式2050年第二产业占比为30%,第三产业占比为55%中模式2050年第二产业占比为35%,第三产业占比为50%慢模式2050年第二产业占比为40%,第三产业占比为45%快模式2050年化石能源占比为60%中模式2050年化石能源占比为65%慢模式2050年化石能源占比为70%快模式2030年前普遍提高,能源利用率提高40%中模式2040年前普遍提高,能源利用率提高35%慢模式2050年前普遍提高,能源利用率提高30%

1.4.2 情景预测

（3）选定工艺参数 所使用激光加工系统为半导体激光器。工艺参数选择为：最大输出功率P=4kW，扫描速度v=25mm/s，光斑宽度B=10mm。

根据设置的8种不同情景，利用甘肃省7个高耗能行业碳排放子系统模型预测，得到甘肃省2016—2050年的碳排放量，如图10所示。由图10可以看出，甘肃省碳排放峰值出现在2028—2045年，为2.09亿～4.29亿t。

  

图10 8种不同情景下甘肃省2016—2050年碳排放量预测Fig.10 Carbon emissions forecast in Gansu Province from 2016 to 2050 under eight different scenarios

通过情景对比发现，甘肃省碳排放峰值从小到大依次为：慢-中模式、中-快模式、慢模式、中模式、中-慢模式、快模式、快-中模式、快-慢模式；出现时间由近及远依次为：中-快模式、中模式、慢-中模式、快-中模式、中-慢模式、快模式、慢模式、快-慢模式。

根据JYP中各药味所含已知成分及相关药理作用，采用5/6肾切除方法制备大鼠CRF模型进行制备工艺的筛选。

石油加工行业碳排放子系统用占比最大的生产精炼石油产品所产生的碳排放量与其占比的比值代表整个行业生产过程的碳排放量，再与行业用电量所产生的碳排放量相加便可得整个行业的碳排放总量。甘肃省石油加工行业碳排放子系统流图见图5。

艺术在一定时期内的发展可以反映这一时期的政治、经济和文化状况。桂林历史上是岭南的政治和文化中心，桂林艺术的发展一度繁荣，孕育了众多戏曲艺术。随着时代的变迁，非遗文化急需得到保护，桂林市多项戏曲艺术入选了国家级或自治区级的非物质文化遗产名录，国家级非遗有桂剧、彩调、文场和桂林渔鼓，自治区级非遗有全州渔鼓和零零落。桂林戏曲非遗是体现桂林文化特质和桂林人精神风貌的一种文化艺术，它的形成发展过程，在一定程度上体现了桂林社会思想文化的形成及演变过程。

2 措施和建议

通过情景分析方法对比得到甘肃省发展的最优方案是中模式，未来甘肃省应朝向中模式并努力向中-快模式发展。由于甘肃省为西北重工业基地且第二产业碳排放占比较高，所以重点在产业结构、能源消费结构、节能技术水平方面提出应对策略。

2.1 优化产业结构和能源结构

2015年甘肃省第一、二、三产业比例为14.4∶36.8∶48.8，第三产业占比第一次超过了第二产业。甘肃省今后的发展还要继续提高第三产业的占比，降低第二产业的占比。建议进一步提升服务业发展水平，重点发展现代物流、金融服务、文化旅游等现代服务业。加快传统产业提质增效进程，着力培育发展优势产业链，发展低能耗高能效产业，减少能源消耗和环境污染。

能源结构的优化要坚持煤电清洁高效发展，推广使用优质煤、洁净型煤，鼓励利用可再生能源、天然气、电力等优质能源替代燃煤，控制煤炭消费总量，加快生物质能、地热等清洁能源的开发利用。《甘肃省“十三五”节能减排综合工作方案》要求到2020年，煤炭占能源消费总量比例下降到56.1%，非化石能源占能源消费总量比例达到25.8%，天然气消费比例提高到5%。该方案的有效实施将推动甘肃省“十三五”碳减排目标的达成。

2.2 改进生产技术

1)首先要加大低碳技术的资金投入力度。政府应当对于具有较大发展潜力的技术研发给予一定的资金扶持或者税收减免，企业本身也要更加重视技术研发和创新，保证核心科技及时更新。2)积极参与国际合作，引入先进的低碳技术。3)加快低碳技术人才建设，通过加强政府、企业与高校的合作，来促进低碳技术的人才队伍建设。充分发挥技术革新在碳减排方面的优势，不断挖掘技术进步促进低碳排放的潜力，以实现甘肃省低碳经济可持续发展。

制作：炒锅烧热，放入牛油小火熬化，放入沙茶酱，小火煸炒10 min，倒入剩余的调料，小火熬至汤汁浓稠时离火即可。

3 结论

(1)8种情景模式预测下，甘肃省碳排放峰值为2.09亿～4.29亿t，出现在2028—2045年。

(2)中-快模式下，碳排放峰值为2.14亿t，出现在2028年；中模式下，碳排放峰值为2.51亿t，出现在2030年。中模式与中-快模式的经济类因素设置相同，但在工业类因素上中-快模式设置的目标值过高，因此中模式更符合甘肃省未来发展方向。

由于认识不足，湿地往往被人们作为荒地、荒水、荒草看待，不重视湿地生态保护和生态旅游开发。政府需要加强湿地生态教育，通过各种形式，增强人们湿地旅游意识，使人们养成爱湿地、护湿地、用湿地的好风气。

(3)甘肃省今后要加大产业结构调整、能源结构优化、生产技术改进的力度，尽早实现碳排放达峰，走低碳发展道路。

参考文献

[1] 杜朝运,马彧菲.试论我国碳排放权期货市场的构建[J].区域金融研究,2011(9):48-52.

DU C Y,MA Y F.Study on the establishment of carbon emissions futures market in China[J].Journal of Regional Financial Research,2011(9):48-52.

[2] WANG C,WEN B,WANG F,et al.Factors driving energy-related carbon emissions in Xinjiang:applying the extended STIRPAT model[J].Polish Journal of Environmental Studies,2017,26(4):1747-1755.

[3] 张乐勤,许信旺,许杨.基于Logistic模型的安徽省城镇化演进碳增量效应预测与分析[J].重庆工商大学学报(自然科学版),2015,32(5):80-88.

ZHANG L Q,XU X W,XU Y.Prediction and analysis on carbon incremental effect in Anhui urbanization evolution based on Logistic model[J].Journal of Chongqing Technology and Business University(Natural Science Edition),2015,32(5):80-88.

[4] TIAN L,DING Z,WANG Y X,et al.Analysis of the driving factors and contributions to carbon emis-sions of energy consumption from the perspective of the peak volume and time based on LEAP[J].Susta-inability,2016,8:513-530.

[5] RITI J S,SONG D,SHU Y,et al.Decoupling CO2,emission and economic growth in China:is there consistency in estimation results in analyzing environmental Kuznets curve[J].Journal of Cleaner Production,2017,166:1448-1461.

[6] WEN L,BAI L,ZHANG E.System dynamic modeling and scenario simulation on Beijing industrial carbon emissions[J].Environmental Engineering Research,2016,21(4):355-364.

[7] 郭志玲.甘肃省碳排放峰值预测与应对策略研究[D].兰州:兰州大学,2015.

GUO Z L.Study on peak prediction of carbon emission and control strategies in Gansu Province[D].Lanzhou:Lanzhou University,2015.

[8] 席细平,谢运生,王贺礼,等.基于IPAT模型的江西省碳排放峰值预测研究[J].江西科学,2014,32(6):768-772.

XI X P,XIE Y S,WANG H L,et al.Forecast of Jiangxi's carbon emissions to peak based on IPAT model[J].Jiangxi Science,2014,32(6):768-772.

[9] 张巍.基于STIRPAT模型的陕西省工业碳排放量预测和情景分析[J].可再生能源,2017,35(5):771-777.

ZHANG W.Prediction and scenario analysis of industrial carbon emissions in Shaanxi Province based on STIRPAT model[J].Renewable Energy Resources,2017,35(5):771-777.

[10] 杜强,陈乔,杨锐.基于Logistic模型的中国各省碳排放预测[J].长江流域资源与环境,2013,22(2):143-151.

DU Q,CHEN Q,YANG R.Forecast carbon emissions of provinces in China based on logistic model[J].Resources and Environment in the Yangtze Basin,2013,22(2):143-151.

[11] 贾彦鹏,刘仁志.基于LEAP模型的城市能源规划与CO2减排研究:以景德镇为例[J].应用基础与工程科学学报,2010(1):75-83.

JIA Y P,LIU R Z.Forecasting urban energy and CO2 emission using LEAP model:a case study in Jingdezhen City,China[J].Journal of Basic Science and Engineering,2010(1):75-83.

[12] 陈文颖,高鹏飞,何建坤.用MARKAL-MACRO模型研究碳减排对中国能源系统的影响[J].清华大学学报(自然科学版),2004,44(3):342-346.

CHEN W Y,GAO P F,HE J K.Impact of carbon mitigation on China’s energy system using China MARKAL-MACRO model[J].Journal of Tsinghua University(Science and Technology),2004,44(3):342-346.

[13] 林伯强,蒋竺均.中国二氧化碳的环境库兹涅茨曲线预测及影响因素分析[J].管理世界,2009(4):27-36.

[14] 岳超,王少鹏,朱江玲,等.2050年中国碳排放量的情景预测:碳排放与社会发展Ⅳ[J].北京大学学报(自然科学版),2010,46(4):517-524.

YUE C,WANG S P,ZHU J L,et al.2050 carbon emissions projection for China:carbon emissions and social development:Ⅳ[J].Acta Scientiarum Naturalium Universitatis Pekinensis,2010,46(4):517-524.

[15] LI L,XU J.Modelling and simulation of a system dynamics model for county cycle economy[J].World Journal of Modelling and Simulation,2006,2(3):150-159.

[16] DONG R,XU J.The simulation of industry chain based on system dynamics model with grey forecasting[J].World Journal of Modelling and Simulation,2007,3(4),252-261.

[17] 胡玉奎.系统动力学:战略与策略实验室[M].杭州:浙江人民出版社,1988.

[18] 王其潘.系统动力学[M].北京:清华大学出版社,1994.

[19] 钟永光,贾晓菁,李旭.系统动力学[M].北京:科学出版社,2009.

[20] 苑清敏,刘琪,刘俊.基于系统动力学的城市碳排放及减排潜力分析:以天津市为例[J].安全与环境学报,2016(6):256-261.

YUAN Q M,LIU Q,LIU J.On the reduced urban carbon emission and an analysis of such reduced emission potential based on the dynamic system by taking Tianjin as a case sample[J].Journal of Safety and Environment,2016(6):256-261.

[21] 鲁淳兮,夏凌娟.中国钢铁产业能耗与碳排放关系的研究:基于系统动力学[J].中国管理信息化,2017,20(4):119-121.

[22] 甘肃发展年鉴2016[M].北京:中国统计出版社,2017.

[23] 国家统计局能源司.中国能源统计年鉴2012[M].北京:中国统计出版社,2013.

[24] 张肖,吴高明,吴声浩,等.大型钢铁企业典型工序碳排放系数的确定方法探讨[J].环境科学学报,2012,32(8):2024-2027.

ZHANG X,WU G M,WU S H,et al.Determination of carbon dioxide emission factors in typical processes for large iron-steel companies[J].Acta Scientiae Circumstantiae,2012,32(8):2024-2027.

[25] 王思博.水泥行业温室气体排放核算方法研究[D].北京:中国社会科学院研究生院,2012.

WANG S B.Methodology research for greenhouse emissions from cement industry in China[D].Beijing:Graduate School of Chinese Academy of Social Sciences,2012.

[26] 赵晏强,李小春,白冰,等.中国合成氨工业CO2排放现状及点源分布特征分析[J].环境污染与防治,2011,33(10):101-105.

[27] 李志鹏.基于系统动力学的城市交通能源消耗与碳排放预测[D].天津:天津大学,2012.

LI Z P.The forecast of the energy consumption and carbon emission of urban traffic based on system dynamics:an empirical analysis on Tianjin[D].Tianjin:Tianjin University,2012.

[28] 王其藩.系统动力学[M].上海:上海财经大学出版社,2009.

[29] 张学才,郭瑞雪.情景分析方法综述[J].理论月刊,2005(8):125-126.

[30] 张小平,方婷.甘肃省碳排放变化及影响因素分析[J].干旱区地理,2012,35(3):487-493.

ZHANG X P,FANG T.Influence factors of carbon emission in Gansu Province[J].Arid Land Geography,2012,35(3):487-493.

[31] 刘定惠,杨永春.甘肃省碳排放变化的因素分解及实证分析[J].干旱区研究,2012,29(3):510-516.

LIU D H,YANG Y C.Factor decomposition and demonstration analysis of carbon emission variation in Gansu Province[J].Arid Zone Research,2012,29(3):510-516.□