利用STIRPAT框架对二氧化碳排放、人类发展指数、人口数量和城市化程度之间的相关性进行了分析

《Sustainable Environment》：An analysis of the correlations among carbon dioxide emissions, human development index, population and urbanization, using the STIRPAT framework

　　**摘要**
2023年，全球二氧化碳（CO2）排放量达到创纪录的370亿吨以上。识别这一环境影响背后的具体驱动因素对于基于数据和知情决策至关重要。本研究利用STIRPAT框架来评估CO2排放量与四个变量（总人口、城市化程度、国内生产总值（GDP）和人类发展指数（HDI）之间的复杂关联。研究方法包括使用JMP?软件进行的统计分析，分析了1990年至2022年间143个国家的数据集，并通过四种不同的敏感性分析（研究A-D）来进行研究。本研究的独特之处在于将HDI作为富裕度因素，提供了比传统以GDP为重点的模型更广泛的社会经济福祉衡量标准。研究结果表明，GDP、HDI、人口和城市化程度对排放量有显著影响，但其影响因国家分组方式而异。研究A被证实是最能捕捉跨国差异的模型。这些结果强调了制定针对性国家战略的重要性，并表明各国可以从采用在类似情况下被证明有效的减排策略中受益，特别是在考虑未来几年设定的具有挑战性的气候目标时。

**关键词**：可持续发展；二氧化碳排放；人类发展指数；STIRPAT模型

**1. 引言**
二氧化碳（CO2）是一种温室气体，在气候变化中起着重要作用。研究表明，自18世纪工业时代以来，人类活动可能增加了大气中的CO2浓度，导致全球变暖，从而引发环境退化、自然灾害和极端天气（NASA, 2025；Nunes, 2023；联合国, 2024）。当燃烧化石燃料生产材料时，会排放出温室气体，如CO2、甲烷（CH4）和氧化亚氮（N2O）。CO2的排放量最大（Dunn等人, 2022；Lindsey & Miller, 2025），其主要来源与交通运输和电力相关。其他重要来源还包括工业过程、农业和废弃物（Climate Matters, 2024；Ge等人, 2024；美国环境保护署 - EPA, 2025）。2023年全球CO2排放量超过了370亿吨（Stanford University, 2023）。温室气体排放量最高的三个国家是中国、美国和印度。80%的CO2排放量来自占全球人口60%和约47%陆地面积的国家。如今，借助历史数据和最新数据，可以监测温室气体排放等主题并做出数据驱动的决策。然而，由于数据量庞大，分析起来更加困难。本研究分析了最新的温室气体排放和国家指标数据，以找出可能的相关性和解释当前状况的原因，从而为各国制定有意义的改进措施提供依据。现有研究已探讨了CO2排放与人类发展的关联（Fakhri等人, 2024；Martínez-Zarzoso & Maruotti, 2011；Xu等人, 2024）。人类发展指数（HDI）、人口、城市化程度与CO2排放之间的关系十分复杂。虽然城市化在发展中国家可能对HDI产生积极影响，但如果发展不平衡或不可持续，也会导致CO2排放增加（Dodson等人, 2020；Evans & Larsen, 2024）。

**人类发展指数（HDI）**由联合国开发计划署发布，基于三个主要指标：出生时的预期寿命、预期受教育年限（针对儿童）或平均受教育年限（针对成人）以及人均国民总收入（GNI）。总体而言，HDI衡量的是长寿和健康生活、教育水平以及体面生活水平（Herre & Pablo, 2023）。1980年世界人口为44.5亿，到2023年增至80.9亿，43年间增长了45%。尽管人口增长率正在下降，但过去几十年世界人口增长迅速（Ritchie等人, 2023）。根据联合国估计，超过一半的世界人口居住在城市地区。2007年，历史上首次有超过50%的人口居住在城市（Ritchie等人, 2024）。2023年，城市人口的占比达到57.25%。

**国内生产总值（GDP）**代表一个经济区域内一年内所有最终商品和服务的总货币价值，是分析经济表现的重要指标，对政府政策制定者至关重要（世界银行集团, 2025）。有多种分析工具可用于识别变量之间的相关性。IPAT模型将人口、富裕度和技术与环境影响联系起来。Dietz和Rosa在1994年提出了STIRPAT框架，通过生态弹性概念将驱动因素与环境影响联系起来（Vázquez等人, 2022）。表1简要列出了使用STIRPAT框架识别影响环境的主要因素的先前研究（Kinnunen等人, 2024；Kong等人, 2022, 2023；Krishnendu & Patra, 2025；Lin等人, 2017；Salim等人, 2017；Vázquez等人, 2022；Yang等人, 2018）。

**2. 材料与方法**
使用JMP?统计软件分析了因变量CO2排放量与自变量HDI、GDP、人口和城市化程度之间的相关性。研究基于1990年至2022年的各国CO2排放量数据，这是最新发布的数据。全球数据来自专业来源：
- **CO2排放量**：年度CO2总排放量以吨为单位，不包括土地使用变化。数据来源是Global Carbon，经Our World in Data处理以使各国数据具有可比性（Ritchie等人, 2024）。全球CO2排放份额是通过将各国或地区的排放量除以当年的全球总排放量来计算的。
- **总人口和城市化程度**：各国或地区的总人口及城市人口数据来源于联合国人口司（Data from the UN Population Division, 2024；Our World in Data, 2024；联合国[UN], 2024）。
- **人类发展指数（HDI）**：各国HDI由联合国开发计划署计算（United Nations Development Programme [UNDP], 2023）。
- **国内生产总值（GDP）**：各国GDP数据来自世界银行数据库（World Bank Group, 2024）。

由于数据来源多样且研究时间跨度长，全球共有143个国家在33年内提供了连续的变量数据，因此被选为研究对象。本研究应用STIRPAT模型和IPAT框架来探讨和量化人类活动对环境的影响方式。IPAT模型通过引入随机元素，增强了传统IPAT框架的灵活性和详细分析能力（Kinnunen等人, 2024）。

**3. 结果与讨论**
图1和图2展示了1990年至2022年间四个参数的年度变化，反映了全球人口、城市化程度和HDI的增长情况，同时观察了32年期间的温室气体排放趋势。

**结论**
研究表明，人口、HDI、GDP和城市化程度对CO2排放量有显著影响。本研究建议各国在制定减排策略时，可以考虑将HDI作为富裕度因素，以更好地反映社会经济福祉。通过敏感性分析进一步评估不同独立变量值对CO2排放量的影响，有助于理解这些因素之间的关系。人口系列数据用蓝色圆点表示，从1990年的5.328稳步增长到2022年的8.021。年二氧化碳排放量系列数据用橙色圆点表示，从1990年的22.8开始总体呈上升趋势，略有波动，到2022年达到峰值37.1。在2020年左右出现下降后再次回升。

图2显示了1990年至2022年间全球人类发展指数（HDI）和城市化水平的进步。该线图展示了两个系列数据：人类发展指数和城市化百分比，横轴表示年份，纵轴左侧表示城市化百分比（10%至55%），纵轴右侧表示人类发展指数数值（0.58至0.8）。城市化百分比曲线（用绿色圆点标记）从1990年的43.00%稳步上升到2022年的56.90%；人类发展指数曲线（用紫色圆点标记）从1990年的0.601稳步上升到2022年的0.739%，表明这两个指标在整个时期均呈现持续上升趋势。

在全球范围内，1990年至2022年间二氧化碳总排放量与所研究的三个变量——HDI、人口和城市化之间存在高度相关性。在STIRPAT模型中，这三个变量都非常重要，其中HDI是最具影响力的因素，其次是人口（详见图3）。

统计结果显示，实际与预测的二氧化碳年排放量之间存在显著正相关（R2=0.99），所有变量的VIF值均大于100，表明存在严重多重共线性，导致系数及其p值不可靠。考虑到各国的空间差异、长时间跨度以及各国在长期发展过程中的显著异质性（例如，亚洲、非洲和拉丁美洲在过去30年经历了显著增长，而大洋洲、欧洲和北美的变化相对较小），建议使用STIRPAT模型并结合国家层面数据进行区域差异分析。

为了进一步理解这些参数（二氧化碳排放、HDI、城市化与人口）之间的关联，采用了不同的方法来研究环境影响：研究A进行局部敏感性分析；研究B和C进行情景分析；研究D进行单向敏感性分析。图4及表3和表4展示了这些分析的结果。

表3和表4分别列出了143个国家从1990年至2022年的二氧化碳总排放量的实际值与预测值对比结果。评估143个国家从1990年至2022年的数据发现，所有变量均具有统计学意义，模型解释了约91.7%的二氧化碳排放量变化（R2值为0.917）。AIC（12,677）与BIC（12,710）值的差异表明模型复杂性带来的惩罚适中。所有变量的方差膨胀因子（VIF）均小于2.0，证实预测因子相互独立且结果未受多重共线性影响；人口变量的VIF值（1.027）尤其低，表明其与其他两个变量几乎无关。

研究B中，根据各国收入水平对数据进行分组分析，发现不同收入水平的国家在二氧化碳排放变化上的弹性不同：城市化弹性最低（0.767），说明城市基础设施（如公共交通、高密度住房）有助于降低碳排放；人口弹性为0.957，表明人口增长会带来约9.9%的排放增加；HDI弹性为-1.52%，表明人类发展与碳排放呈负相关。

基于143个国家的历史数据，研究B提出以下政策建议：由于城市化对排放影响较小，合理规划的城市密度可更有效地容纳人口增长；鉴于HDI对排放有显著影响，应采取措施在不增加二氧化碳排放的情况下提升HDI。研究C发现，高收入国家在二氧化碳排放变化上的弹性最高，因此应重点降低城市碳强度；人口弹性为1.50%，表明人口增长会加剧碳排放；HDI的负弹性表明人类发展与排放呈负相关，但高VIF值需谨慎解读。

图5和图6显示了2000年和2022年各收入类别的数据变化，发现所有收入类别的HDI和城市化水平均有所提高，但二氧化碳排放量变化不同。2022年，中低收入国家成为最大排放源。这一现象支持了环境库兹涅茨曲线（EKC）假设，即经济发展初期环境恶化加剧，随后逐渐改善。图a显示了不同收入水平国家的人口比例：高收入国家为81.6%，中高收入国家为68.0%，中低收入国家为42.3%，低收入国家为34.5%。图b显示了各国家的人口数量（以百万计）：高收入国家为1,254.317亿，中高收入国家为2,804.740亿，中低收入国家为3,216.231亿，低收入国家为716.866亿。图c显示了人类发展指数（HDI）：高收入国家为0.908，中高收入国家为0.773，中低收入国家为0.631，低收入国家为0.458。图d显示了各国每年的二氧化碳排放量（以十亿吨计）：高收入国家为12.6亿吨，中高收入国家为17.6亿吨，中低收入国家为5.7亿吨，低收入国家为0.2亿吨。图表下方的图例说明：浅蓝色代表高收入国家，橙色代表中高收入国家，浅绿色代表中低收入国家，棕色代表低收入国家。

在研究B中，建议高收入国家在继续减少城市化进程的同时，重点维持高水平的人类发展。中低收入国家需要得到支持，以避开高碳城市化阶段，确保经济增长不会导致模型预测的四倍排放量。

**研究C：全球前80%的二氧化碳排放国**
采用不同的方法进行“情景”敏感性分析，通过帕累托法选出了14个国家和地区。这14个实体占2022年全球二氧化碳总排放量的80%。研究C重点分析了这些最大二氧化碳排放源与HDI（人类发展指数）、城市化程度及人口之间的关系。研究C选定的国家在图7中展示。

**图7. 研究C：2022年各实体的年度二氧化碳排放量及柱状图**
该柱状图和折线图展示了各实体的年度二氧化碳排放量及累计排放百分比。横轴表示年度二氧化碳排放量（以十亿吨计），范围从0到10乘以10的3次方；纵轴列出了14个国家或地区：中国、美国、印度、欧盟27国、俄罗斯、日本、印度尼西亚、伊朗、德国、沙特阿拉伯、韩国、加拿大、墨西哥和巴西。其中，中国的排放量最高，其次是美国和欧盟27国。后续国家的排放量逐渐减少。折线图在辅助横轴上显示了累计排放百分比，从中国的31%上升到美国的44%，印度的52%，欧盟27国的59%，俄罗斯的64%，日本的67%，印度尼西亚的69%，伊朗的70%，德国的72%，沙特阿拉伯的74%，韩国的77%，加拿大的78%，墨西哥的78%，最终达到巴西的80%。

**研究C的分析方法**
研究C采用了不同的情景分析方法，选取了全球最大的二氧化碳排放国。这些国家合计占2022年全球排放量的80%。使用STIRPAT框架构建的模型对最大的排放国进行了拟合，解释了约77.7%的二氧化碳排放变化，模型显著性显著（p值<0.001）。AIC（635）和BIC（655）值表明数据集规模适中。人口因素的VIF值（1.839）较低，说明该因素为模型提供了独立的信息。其他两个因素（城市化程度和HDI）的VIF值（分别为5.03和3.69）也相对较低，表明在这些分析中预测变量更加独立（见表7）。

**表7. 研究C的参数估计值——2022年占全球排放量80%的最大排放国**
表7列出了研究C中最大排放国的参数估计值。

**研究C模型的弹性分析**
- **人口因素**的弹性为0.79%，意味着人口增长1%会导致排放量增加0.79%。这表明在这些发达国家中，排放量的增长速度低于人口增长速度。
- **HDI**是这些最大排放国二氧化碳排放的主要驱动因素：HDI增长1%会导致排放量增加4.45%。由于研究C中的国家大多是高度发达或发展中国家，这表明在主要经济体中，发展、生活质量和富裕程度的提升对碳排放非常敏感。
- **城市化程度**的弹性为-0.51%，表明前80%的排放国中城市化程度与排放量呈负相关：城市化程度增长1%会导致二氧化碳排放量减少0.51%。

**图8和图9的对比分析**
图8展示了这两大二氧化碳排放国（美国和中国）1990至2022年间的变化趋势；图9展示了除中国和美国外其他12个最大排放国的累计数据。

- **图8：全球前两大二氧化碳排放国**
该图表展示了1990至2022年间各变量（人口、城市化程度、HDI及年度二氧化碳排放量）的变化情况。
- 美国的人口和城市化程度持续增长，HDI略有下降，二氧化碳排放量从约5亿吨增加到2005年的约6.2亿吨，随后降至约5亿吨。
- 中国的人口和城市化程度也持续增长，HDI稳步上升，二氧化碳排放量从约5亿吨增加到约6.2亿吨。

**图9：研究C中的变量数据**
该图表展示了1990至2022年间美国、中国及其他12个国家的变量变化情况。
- 美国的人口和HDI持续增长，但二氧化碳排放量基本保持稳定（约5.5亿吨）。
- 中国的人口和HDI持续增长，二氧化碳排放量从约2亿吨增加到约11亿吨。

**全球最大排放国的特征**
中国是全球最大的二氧化碳排放国，占总排放量的31%；美国占14%。分析显示，自2005年以来，尽管美国的人口和城市化程度持续增加，但其二氧化碳排放量减少了约20%。尽管HDI上升，但排放量呈下降趋势，这可能与电力结构向天然气和可再生能源的转型、煤炭消费减少以及车辆燃油效率提高有关（美国环保署[EPA]、Ritchie）。中国在2011至2015年间二氧化碳排放量保持稳定，这得益于“十二五五规划”中制定的能源和气候相关目标。

**研究D的分析**
在研究D中，使用GDP作为富裕程度的指标，STIRPAT模型的拟合效果良好（R2=0.7428，p值<0.001）。AIC和BIC值表明数据集规模适中。各因素的VIF值较低（城市化程度4.492、人口5.047、HDI 3.070），表明模型结果未受变量间高相关性的影响。研究D表明，GDP增长与碳排放之间存在正相关关系（弹性系数为0.46%）。水平轴的范围是从-2.000到5.000。该图表展示了四项研究的数据：研究A、研究B、研究C和研究D。在人类发展指数（HDI）或国内生产总值（GDP）的弹性方面，研究A显示的值接近4.000（正值），研究B显示的值接近-1.500（负值），研究C显示的值接近4.500（正值），研究D显示的值接近0.500（正值）。在人口弹性的方面，研究A显示的值接近1.000（正值），研究B显示的值接近1.500（正值），研究C显示的值接近0.700（正值），研究D显示的值接近0.300（正值）。在城市化弹性的方面，研究A显示的值接近0.700（正值），研究B显示的值接近4.500（正值），研究C显示的值接近-0.500（负值），研究D显示的值接近-0.200（负值）。由于城市化在这项研究中不是一个显著的预测因素，因此经济规模（GDP）和人口数量比人口是城市居民还是农村居民更为重要。由于GDP的弹性为正值（0.46），政策建议是专注于绝对脱钩，即经济可以在排放量减少的同时增长。由于人口弹性的数值较低（0.34），这些国家最有可能从已经建立的基础设施中受益，这些基础设施能够更有效地应对人口增长，在这种情况下，战略投资应该利用现有的规模。

**结论**
本研究通过构建基于STIRPAT模型的研究框架，对全球二氧化碳排放的关键影响因素进行了深入分析，全面考虑了人口、城市化、人类发展指数（HDI）和GDP作为排放驱动因素的作用。分析表明，GDP、HDI、总人口和城市化百分比是影响二氧化碳排放的相关因素，尤其是取决于国家对这些因素的分组和分析方法。本研究使用了涵盖143个国家、时间跨度为33年的数据集，为政策制定者和研究人员提供了具体的建议。识别碳排放的主要驱动因素非常重要，这意味着政策制定者应优先考虑并加强这些领域的发展战略。尽管所有进行的研究都显示出良好的拟合度，但个别国家层面的数据仍然会导致与全球模式的系统性偏差。这一发现强调了各国需要努力研究本国趋势和数据，以确定有效的国家策略，确保干预措施能够与温室气体排放的变化动态保持一致。虽然所研究的变量在不同国家、地区或领域表现出独特的模式，但在实施减少温室气体排放的国家层面努力后，这些变异性的统计显著性可能会降低。
与传统的依赖GDP作为富裕指标的STIRPAT研究相比，本研究使用人类发展指数来代表富裕程度。在专注于全球主要排放国的研究C和D中，结果表明富裕指标的选择显著影响了模型的解释结果。当用GDP替代HDI时，城市化在统计上的显著性消失了，这表明一旦考虑了人口和GDP，模型就不再能够检测到城市化对排放的独特影响。这突显了不同因素如何改变其他驱动因素的看似重要的作用，并强调了测试多种因素的价值。结合和探索不同的衡量标准可以增强模型的稳健性，并支持更有针对性和有效的政策计划。

**敏感性分析**
基于包含143个国家的广泛国家层面数据集进行的研究A产生了最佳的总体模型。所有预测变量都具有统计显著性并且相互独立，没有多重共线性的证据。较大的跨国差异使模型能够捕捉到各种不同的因素。这使得研究A特别适用于分析具有显著异质性的区域。相比之下，研究C也显示出了良好的模型拟合度，其预测变量具有统计显著性且多重共线性较低，该研究关注的是排放量大且经济发达的国家群体。因此，研究C更适合用于考察具有相似发展水平和经济结构的国家之间的动态变化。
过去三十年的数据分析表明，可以在不损害一个国家的发展和经济增长的情况下大幅减少温室气体排放。因此，寻找在减少碳排放的同时实现发展的方法对于可持续发展至关重要。具有相似特征的国家或地区（如能源结构、城市化水平、GDP和HDI）可以从那些在类似情况下已被证明有效的减排策略中受益。这种方法将增加未来几年实现温室气体排放目标行动成功的可能性。
未来的研究应考虑分析国家层面的数据，并结合更广泛的独立变量，使用STIRPAT框架和EKC模型对各个数据集进行建模，从而根据每个国家的历史数据制定具体的国家政策。同时，将这些结果与本文中的研究进行比较，可以从类似的情况中学习，为新解释提供依据。通过这些努力，未来的研究可以为政策制定者提供更有力的支持，以制定更有效的本地干预措施。

**数据可用性声明**
本研究中分析的数据集可在Dataverse存储库中获取，网址为：https://doi.org/10.25824/redu/T5ZQJZ。