| 摘要 | 第4-5页 |
| ABSTRACT | 第5页 |
| 1 绪论 | 第9-13页 |
| 1.1 选题背景和研究意义 | 第9-10页 |
| 1.1.1 选题背景 | 第9-10页 |
| 1.1.2 研究意义 | 第10页 |
| 1.2 研究方法和研究内容 | 第10-11页 |
| 1.2.1 研究方法 | 第10页 |
| 1.2.2 研究内容 | 第10-11页 |
| 1.3 论文结构和创新之处 | 第11-13页 |
| 1.3.1 论文结构 | 第11页 |
| 1.3.2 创新之处 | 第11-13页 |
| 2 文献综述 | 第13-15页 |
| 2.1 碳排放量影响因素研究 | 第13页 |
| 2.2 碳排放量与经济增长的关系 | 第13-14页 |
| 2.3 碳排放量预测研究 | 第14-15页 |
| 3 模型理论基础 | 第15-22页 |
| 3.1 STIRPAT模型 | 第15-16页 |
| 3.2 环境库兹涅茨曲线 | 第16页 |
| 3.3 STIRPAT与环境库兹涅茨曲线 | 第16页 |
| 3.4 主成分回归理论 | 第16-17页 |
| 3.5 DW序列相关性检验 | 第17-19页 |
| 3.6 带有误差序列相关性的回归模型参数估计方法 | 第19-20页 |
| 3.7 ARIMA模型理论 | 第20页 |
| 3.8 BP神经网络理论 | 第20-21页 |
| 3.9 评价准则 | 第21-22页 |
| 4 中国碳排放影响因素研究 | 第22-31页 |
| 4.1 选取变量与数据来源 | 第22-23页 |
| 4.1.1 选取变量 | 第22页 |
| 4.1.2 数据来源 | 第22-23页 |
| 4.2 建立模型 | 第23-26页 |
| 4.2.1 构建模型 | 第23页 |
| 4.2.2 模型参数估计 | 第23-24页 |
| 4.2.3 主成分回归 | 第24-25页 |
| 4.2.4 主成分回归的参数检验 | 第25页 |
| 4.2.5 DW序列自相关性检验 | 第25-26页 |
| 4.2.6 模型修正 | 第26页 |
| 4.3 STIRPAT模型拟合 | 第26-28页 |
| 4.4 结果分析 | 第28-31页 |
| 5 中国碳排放量组合预测模型 | 第31-42页 |
| 5.1 ARIMA与BP神经网络的组合模型 | 第31-37页 |
| 5.1.1 ARIMA与BP神经网络组合模型理论 | 第31页 |
| 5.1.2 建立ARIMA模型 | 第31-35页 |
| 5.1.3 建立残差的BP神经网络模型 | 第35-36页 |
| 5.1.4 建立ARIMA与BP神经网络模型 | 第36页 |
| 5.1.5 ARIMA模型与其组合模型预测性能评价 | 第36-37页 |
| 5.2 组合模型预测中国未来碳排放量 | 第37-39页 |
| 5.3 结果分析 | 第39-42页 |
| 6 结论与讨论 | 第42-43页 |
| 6.1 结论 | 第42页 |
| 6.2 讨论 | 第42-43页 |
| 致谢 | 第43-44页 |
| 参考文献 | 第44-48页 |
| 个人简历、在学期间发表的学术论文及取得的研究成果 | 第48页 |