基于0.1°网格的中国城市CO2排放特征分析

蔡博峰

(环境保护部环境规划院，北京100012)

基于0.1°网格的中国城市CO2排放特征分析

蔡博峰

(环境保护部环境规划院，北京100012)

基于中国0.1°CO2排放网格数据分析研究，全局Moran指数为0．27(P＜0．01)，说明在空间上中国CO2排放具有显著的正自相关性。局部Moran指数结果表明，以重点城市为核心的区域，其CO2排放具有显著的正向空间相关效应。中国CO2排放在空间上受热点城市影响而形成空间集聚格局，一些重点城市直接决定着我国CO2排放空间格局。因此在城市尺度上分析我国CO2排放特征非常重要。在349个城市层面上分析得到城市CO2排放和人口、经济呈显著正相关关系，说明人口和经济活动强度是影响我国城市CO2排放的重要因素。在中国城市层面上验证了CO2排放EKC曲线的统计显著性，U型拐点出现在一个较高的经济水平。在人均CO2排放和人均GDP二维空间上的城市聚类结果表明，根据碳排放特征，我国城市可以分为6组，其中“低排放、低经济”组是主要类型，占总城市的35．82%，而“低排放、高经济”组是比较理想的城市发展模式，但城市个数最少，仅6个。我国8个低碳试点城市在6组城市中除“高排放、高经济”组没有外，其它组都有入选城市。

CO2排放网格数据;城市;特征分析

基于高空间分辨率的CO2排放空间分异特征研究是全球和区域CO2排放研究的一个重点和热点问题，尤其是当前CO2减排责任区域分解和跨区联合控制成为碳减排的关键问题时，这一问题更显得重要。我国当前没有针对城市的较为完整的能源统计数据，因而全国所有城市几乎无法获取一致性和准确性较好的CO2排放数据，严重制约了在城市层面开展CO2排放特征的分析和研究。本文基于全球0.1°网格的CO2排放空间数据，探讨和挖掘中国城市CO2排放特征。

1 国内外研究进展

国际上基于CO2排放空间数据开展了很多研究。Akimoto等人基于亚洲地区1°×1°的空间数据，研究了CO2及SO2等污染物的区域分布特征和热点地区，并且探讨了CO2和SO2排放的空间相关性［1］;Andres等人利用行政区划数据和人口数据，建立 1950－1990年的全球1°×1°的CO2排放空间数据，分析了全球不同区域的CO2排放增长特征，发现城市地区是增长的热点，同时CO2排放在空间上有南移的趋势，其原因可能是亚洲国家排放的快速增长［2］。Doll等人利用夜光数据和统计资料，建立全球1°×1°的CO2排放、地区生产总值(GDP)和人口等空间网格数据，并且分析了三者之间的空间相关性，发现CO2排放和GDP的相关性很强，并且高于CO2排放和人口的相关性［3］。Rayner等人利用经济、人口以及夜光等数据，构建了全球0.25°CO2排放数据，分析了全球CO2排放的分异特征［4］;Oda等人利用全球点源(企业)数据和夜光数据，建立全球1 km×1 km CO2排放网格数据，并且分别在全球、区域和城市尺度上探讨了CO2排放的空间特征［5］。

国内CO2排放空间特征研究主要是基于各省的排放数据，基于网格数据开展人为活动CO2排放的研究很少。张雷等人在省级尺度上评价中国CO2排放的空间特征，并从时间尺度上分析了东部、西部和中部的排放趋势［6］。郑林昌等人以CO2排放和GDP等建立综合指标体系，评价各省低碳经济发展水平，在空间上得到“东高西低”、“南高北低”、“局部跳跃”的格局特征［7］。肖黎姗等人研究了中国1990－2007年各省CO2排放的时空分布格局和聚集程度，认为CO2排放在局部空间上有高值的聚集现象［8］。姚奕等人基于中国各省面板数据，通过Moran I指数研究碳排放强度(单位GDP的CO2排放)的空间特征，发现各省的碳排放强度存在着显著的空间相关性［9］。赵云泰等人采用Moran I指数研究中国各省碳排放强度，结论也是呈现正相关的空间集聚分布［10］。

国内研究由于受数据限制，所以很难进一步开展全国更高空间分辨率的CO2排放特征分析。我国CO2排放受能源利用形式影响很大，而能源利用特征受资源禀赋影响，跨省/区聚集现象非常明显，而基于省级尺度的空间分析很难探究较为清晰、准确的区域格局特征。本研究采用EDGAR①数据库中的全球0.1°网格(中纬度地区约10km)的CO2排放数据，结合我国城市层面的人口经济统计数据，深层次挖掘我国城市CO2排放空间分异特征。

2 研究数据和研究方法

2．1 研究数据

EDGAR数据库是欧盟和荷兰环保局联合开发的全球污染物和温室气体排放空间网格数据库，当前已经更新至EDGAR version 4．2版本，该数据库是迄今为止全球水平上空间精度最高的温室气体排放数据库。数据库中温室气体排放源分类完全依照IPCC分类体系，其中CO2排放源包括能源燃烧排放(1A)、逃逸排放(1B)、工业过程排放(2A、2B、2C)和生物源排放，本研究中仅采用前三项，不包括森林碳汇和生物质燃料排放。EDGAR数据主要来源于IEA(国际能源署)的排放点源数据库和全球能源统计数据，并接结合全球人口分布、土地利用/覆盖、道路网络等数据完成空间网格化。EDGAR数据已经在全球、区域和国家CO2排放研究［11－13］，以及城市污染物和 CO2排放研究［13－14］中发挥着重要的作用，并且是IEA每年全球CO2排放统计公告的重要数据来源［15］。蔡博峰曾利用中国各省能源利用CO2排放数据和EDGAR数据中的能源利用CO2排放数据进行比对，整体而言，EDGAR数据和能源平衡表得到的CO2排放在各省水平上有很好的一致性。但由于EDGAR对中国排放点源数据的获取精度有限，同时，由于中国各省能源统计加和要高于全国能源总消费水平，而EDGAR是通过IEA计算的各国总CO2排放量来控制国家层面的数据精度，从而导致基于各省能源统计计算的各省排放数据结果整体略高于 EDGAR数据［16］。但EDGAR数据库依然是迄今我们可以利用的公开的温室气体空间数据集，并且其较高的空间分辨率，对于我国CO2排放空间分析具有重要的意义。

我国当前缺乏全国城市层面CO2排放分析，主要是受城市能源统计数据不足制约。而利用EDGAR数据结合城市GIS矢量数据，可以较为准确地计算出全国每个城市CO2排放水平，并且由于采用统一数据源，因而城市间数据一致性和可比性较强，非常有利于开展统计分析研究。中国城市2008年人口、经济数据来自《中国城市统计年鉴2009》(地级及地级以上城市共287个)，为了空间分析的方便，将其他非地级市区域(民族自治州、盟、地区等)也做城市处理，共计62个，其人口经济数据来自各省2009年统计年鉴。因而，本研究中所涉及的城市共计349个。

2．2 研究方法

本文主要采用空间自相关分析方法分析中国CO2排放空间特征及与城市空间分布关联性，同时基于城市CO2排放数据和人口、经济数据，进行相关分析、环境库兹涅茨曲线(EKC)检验和空间聚类分析。

(1)CO2排放空间自相关分析。以全局空间自相关指数(Global Moran’s I)和局部空间自相关指数(Local Moran’s I)为测度，分析中国CO2排放在空间上的聚集或分散程度，同时探测CO2排放的热点地区。全局Moran指数用于分析全国的空间模式，使用单一数值反映空间自相关程度，见式(1)和式(2);局部Moran指数用于计算不同区域空间单元与邻近单元的相关程度，见式(3)和式(4)。

其中:I是全局Moran指数，zi是网格i的排放量与平均值(xi－X)的偏差;xi是网格i的排放量，X是属性对应的平均值;wi，j是网格i和j之间的空间权重，n等于总网格数，S0是所有空间权重的聚合:

由于所分析的是大小一样的网格矢量数据，所以采用共同边界的权重矩阵。全局Moran指数值界于［－1，1］之间，值愈接近1，表明具有相似属性的空间单元集聚程度越强;值愈接近－1表明具有相异属性的空间单元产生集聚。如果接近或等于0，表明空间单元属性属于随机分布状态。Moran指数需要进行显著性检验，以Z(标准差的倍数)确定，当Z＜ －2.58或 ＞ +2.58时，Moran指数的置信度会达到99%。

式(3)其中Ii是局部Moran指数，局部Moran指数计算的空间权重、数值特征及显著性检验与全局Moran指数相同。

(2)城市CO2排放与社会、经济数据的空间统计分析。由于城市数据样本量大，所以更加有利于挖掘趋势和判断显著水平。采用Pearson相关系数判断CO2排放和GDP、人口的相关性，并采用t检验判断相关系数的显著性;利用二次曲线拟合人均GDP和人均CO2排放，从空间横向角度判断我国CO2排放是否存在EKC。EKC的提出是为了说明随着经济的发展和收入的提高，国家或者区域污染物排放会出现拐点，开始下降［17］。当前较为成熟的EKC分析都先对变量取对数，以便获得更优的拟合关系。本文将城市人均GDP和人均CO2排放取自然对数后，以二次函数进行拟合，从而判断其EKC趋势特征。

(3)中国城市碳排放特征聚类分析。以人均CO2排放和人均GDP为分区指标，在这两个指标构成的二维空间内对349个城市进行聚类，聚类方法采用自组织神经网络模型(Self-Organizing Feature Maps，SOM)。SOM方法非监督学习能力和非线性求解能力强，可以最大限度满足聚类的内部相似性和彼此差异性原则，并且避免聚类个数的主观设定［18］。

3 结果与分析

3．1 中国CO2排放空间特征

全国整体CO2排放空间格局特点表现为:基本沿着我国人口胡焕庸线分为东部和西部，东部地区明显高于西部地区;东部地区内部，华北平原及上海周边联接成片，其CO2排放明显高于其它地区。全国CO2排放明显受城市活动影响，网格排放高值区域都是以北京、上海、重庆、成都、武汉、西安、郑州、广州等大型城市为核心的区域。

空间自相关分析计算得到全局Moran指数为0.27(Z值=38.57，P＜0.01)，可以判断，中国 CO2排放空间格局在0.1°空间分辨率水平上，具有显著的正空间自相关性，即空间上存在显著的集聚效应，而非随机杂散分布。这一结论验证前面直观判断的中国CO2排放是以典型城市为聚集的空间分布。

局部Moran指数计算结果表明:中国局部区域上存在较为显著的正向空间相关效应，即一些区域的CO2排放一定程度上受相近地区CO2排放显著影响，地理位置的相邻对地区CO2排放具有显著的正向影响。区域正向空间相关效应主要存在于北京、上海、广州、郑州等中国特大城市及其周边，这些城市强烈的经济活动，带动了其周边能源活动强度，从而直接影响区域CO2排放。此外，中国局部Moran指数中一些区域存在空间负相关(具有显著水平)，非常典型是山西省东南部和安徽省东南部(以黄山市为中心)，前者是中国重要的能源输出地，而后者则植被生态保育较好，区域内基本无高能耗、高排放工业。这两个区域都和其周边CO2排放形成明显反差。

基于0.1°网格CO2排放数据分析得到的空间格局特征和肖黎姗等人［8］、姚奕等人［9］、赵云泰等人［10］基于各省CO2排放数据进行的空间格局分析结论基本一致。

从空间分析可以看出，我国CO2排放在空间上受热点城市影响而形成空间集聚格局，一些重点城市直接决定着我国CO2排放空间格局，而省级行政区划并没有明显影响我国CO2排放空间格局特征，各省内部的CO2排放空间差异性都较大。所以基于城市尺度，深入挖掘我国CO2排放特征就显得极为重要。

3．2 中国城市CO2排放特征分析

图1 中国城市CO2排放与人口经济的相关性Fig．1 Relationship between CO2 emissionswith population and GDP of cities in China

图1显示了中国城市CO2排放与城市人口、GDP之间的相关性分析结果。两组相关分析的Pearson相关系数都通过显著性检验，说明人口和经济活动强度是影响我国城市CO2排放的重要因素。从前面的分析也可以看出，我国CO2排放空间格局中的热点城市都是人口、经济大市，和此结论一致。CO2排放与城市GDP的相关系数要高于CO2排放与人口的相关系数，这一结论和Doll等人的研究结果一致［3］。说明城市CO2排放受经济活动强度的驱动要大于受人口增长的驱动。

早期EKC研究多采用时间序列数据，但其存在的一个不足是依据历史数据很难推测未来发展趋势，尤其是未来技术进步和能源结构变化。所以许多分析结果都很难发现EKC，例如世界银行早期的研究发现随着收入水平的提高，人均CO2排放量呈上升趋势，并不存在转折点［19］;Holtz-Eakin等人的研究发现人均CO2排放的拐点会出现在人均GDP相当高的水平［20］，远远超过了当前研究数据范围。这一问题在中国环境EKC研究中同样存在。我国由于能源统计口径变化等问题，使得时间序列数据一致性很难保证，同时较少的样本数(一般不超过50年)使整体数据质量对个别数据偏差较为敏感，都不利于我国EKC的研究。国际上横向(国家/区域)EKC的研究越来越受到重视［21－22］，因为一些技术扩散、国际/区域贸易等因素可以更加合理地被考虑进来。本研究利用我国2008年349个城市的CO2排放和GDP数据，在城市层面上考量我国CO2排放的EKC，见图2。二次曲线的拟合方程参数检验见表1，显示了t检验的结果。可以看出，二次曲线拟合参数具有显著性，所以可以认为很可能存在CO2排放的EKC。但拟合曲线的二次项系数的置信度仅有90%，这从图2中也可以看出，EKC的拐点很不明显，整体趋势还是人均CO2排放随着人均GDP的升高而升高。根据拟合曲线，中国CO2排放EKC的倒U型拐点出现32.87万元/人的地方，这需要达到一个较高的经济发展水平。

图2 中国CO2排放EKCFig．2 CO2 emissions Kuznetz curve of China

表1 CO2排放EKC二次曲线拟合参数Tab．1 Coefficients of simulated Kuznetz curve for CO2 emissions

3．3 中国城市CO2排放空间聚类分析

基于区域CO2排放特征和经济发展水平将区域分类，针对不同类型采取不同的政策举措，是CO2排放控制的重要措施之一。国内进行碳排放分区研究基本都是基于省级单位，如张雷等人根据CO2排放规模分区［6］，肖黎姗等人根据CO2排放强度分区［8］，王金南等人根据人均CO2排放和人均GDP分区等［23］。但我国各省地域面积很大，各省内部也存在较大差异，根据前面分析，我国CO2排放空间格局更多是受重点城市影响和驱动，而并非省级行政区划，所以基于城市进行聚类分区，其结论要比基于省的结论更具有政策针对性。当前尚未有在城市层面开展此类研究。本研究在人均CO2排放和人均GDP二维空间中，利用SOM方法对城市进行聚类分区，挖掘我国城市层面碳排放特征，聚类结果见表2和图5，最优分组为6组(初始设定4－10组)，聚类结果的显著性检验见表3。可以看出，SOM方法实现了组内差异最小、组间差异最大的原则，并且聚类结果通过F检验(P＜0.01)。需要说明的是，由于人均GDP仅是城市经济活动强度的表征，并不完全代表生活水平和富裕程度，因而，表2中的高经济仅代表人均GDP水平较高，对于一些资源型城市和部分工业城市，其较高的人均GDP并不完全反映社会生活水平。但人均GDP依然是经济发展的重要表征指标。

表2 中国城市碳排放特征聚类结果Tab．2 The features of cities groups of China

城市碳排放特征的6组分类中，第一组是“高排放、高经济”组，其特征是人均GDP和人均CO2排放都高，这类城市仅8个，包括北京、上海、广州等前面分析到的影响我国CO2排放空间格局的热点城市。但值得注意的是，鄂尔多斯和包头也在这一组中;第二组是“较高排放、较低经济”组，其特征是CO2排放高，但人均GDP却并不高。这组城市较多，共计89个，主要是我国各省重要的地级市;第三组是“低排放、高经济”组，其特征是CO2排放低，但人均GDP高，这组城市是低碳发展比较理想的城市，但这类城市主要是深圳、厦门等东部沿海城市，第二产业以加工工业为主，并且第三产业发达，这组城市较少，仅6个;第四组是“高排放、较低经济”组，其特征是CO2排放高，GDP较低，绝大多数是工业型城市;第五组是“较高排放、低经济”组，其CO2排放水平较高，但人均GDP很低，此类城市也较多，达到88个;第六组是“低排放、低经济”组，其CO2排放和人均GDP都处于低水平，这类城市个数达到125个，是各类分组中最多的(见图3)。

表3 中国城市碳排放特征聚类显著性检验Tab．3 Significance test of the classification results

从聚类分析中可以看出，我国城市有一半处于低排放、低经济的水平，反映了我国城市发展在整体上处于较低水平，根据前面分析得到的城市CO2排放和GDP相关性研究，如果依然按照当前的经济发展模式，则随着经济增长和生活水平的提高，我国城市有可能走向高排放、高经济发展模式。国内北京、上海等特大城市就是这种发展模式的代表，当前已经处于高排放、高经济阶段，其人均CO2排放水平超过了一些发达国家国际大都市水平［24］。另外，我国城市还存在着一些特殊类型，即资源型城市和工业型城市。鄂尔多斯和包头市等资源型城市，其人均GDP和人均CO2排放往往较高，但CO2排放的驱动力主要是资源开采和工业生产;乌海、太原等工业型城市由于产业结构不平衡，导致其排放水平高。

图3 中国城市碳排放聚类结果Fig．3 Classification of cities of China based on carbon emissions features

国家发改委于2010年开展五省八市低碳试点工作，其中低碳试点城市包括天津、重庆、深圳、厦门、杭州、南昌、贵阳、保定(见表2)。如果认为低碳发展是城市向低碳化转型的一个过程，则所有城市都有低碳发展的必要和可能。对比试点城市与我国城市碳排放特征分类，除了“高排放、高经济”组没有试点城市外，其它5组分类都有试点城市，说明试点城市的选择具有较好的代表性。但“低排放、高经济”组试点城市比例(试点城市个数占该组城市的比例为33%)明显高于其它各组，也说明国家试图从一些经济条件好，并且CO2排放水平较低的城市开始尝试性地开展低碳城市发展。不足之处是对于更具普遍性的“低排放、低经济”组试点选择较少，这类城市代表着我国城市发展的整体水平，其低碳发展的成功经验和挫折教训对于我国城市低碳发展的借鉴作用，显然要高于“低排放、高经济”组的试点。此外，试点城市对我国工业型城市关注不够，这类城市在我国为数不少，而从图5中可以看出，天津并不是理想的代表。

4 结论与讨论

从我国CO2排放空间格局上可以明显看出，我国CO2排放的热点地区基本都聚集于重点城市，全局和局部Moran指数计算结果也表明，以重点城市为核心的区域，其CO2排放在空间上具有显著的正向空间相关效应。这都说明重点城市对于全国CO2排放有着非常重要的影响。因而，在城市尺度上分析我国CO2排放特征非常重要。本文在中国城市层面上发现了CO2排放和人口、经济的显著相关性，并且存在CO2排放EKC，这对我国城市层面开展低碳研究和低碳规划具有积极的借鉴意义。根据我国城市碳排放聚类分区结果，建议国家能从城市碳排放类型、代表性以及其借鉴意义出发综合考虑低碳试点城市。我国CO2排放空间研究和城市层面CO2排放分析尚存在诸多不足，最大的制约因素是高分辨率的空间网格数据。EDGAR数据难以满足中国城市碳排放的深入研究，环境保护部环境规划院已经开始基于全国企业CO2排放点源数据(约150万家企业排放数据)建立中国CO2排放10km网格数据，其对于我国CO2排放空间研究和全国区域CO2排放与污染物协同治理、联防联控、区域减排责任分解，及城市碳排放特征研究等将会产生非常重要的支撑作用。

References)

［1］Akimoto H，Narita H．Distribution of SO2，NOx and CO2Emissions from Fuel Combustion and Industrial Activities in Asia with 1°×1°Resolution［J］．Atmospheric Environment，1994，28(2):213 －225．

［2］Andres R J，Marland G，Fung I，et al．A 1°× 1°Distribution of Carbon Dioxide Emissions from Fossil Fuel Consumption and Cement Manufacture，1950 － 1990［J］．Global Biogeochemical Cycles，1996，10(3):419－429．

［3］Doll C N H，Muller JP，Elvidge C D．Night-time Imagery as a Tool for Global Mapping of Socioeconomic Parameters and Greenhouse Gas Emissions［J］．AMBIO:A Journal of the Human Environment，2000，29(3):157－162．

［4］Rayner P J，Raupach M R，Paget M，et al．A New Global Gridded Data Setof CO2Emissions from Fossil Fuel Combustion:Methodology and Evaluation［J］．Journal of Geophysical Research，2010，115(D19306):1－11．

［5］Oda T，Maksyutov S．A Very High-resolution Global Fossil Fuel CO2Emission Inventory Derived Using a Point Source Database and Satellite Observations of Nighttime Lights，1980 － 2007［J］．Atmospheric Chemistry and Physics Discussions，2010，(10):16307－16344．

［6］张雷，黄园淅，李艳梅，等．中国碳排放区域格局变化与减排途径分析［J］．资源科学，2011，32(2):211 －217．［Zhang Lei，Huang Yuanxi，Li Yanmei，etal．An Investigation on Spatial Changing Pattern of CO2Emissions in China［J］．Resources Science，2011，32(2):211 －217．］

［7］郑林昌，付加锋，李江苏．中国省域低碳经济发展水平及其空间过程评价［J］．中国人口·资源与环境，2011，21(7):80－85．［Zheng Linchang，Fu Jiafeng，Li Jiangsu．Evaluation on the Development Level and Spatial Progress of Low-carbon Economy at Provincial Scale in China［J］．China Population，Resources and Environment，2011，21(7):80 －85．］

［8］肖黎姗，王润，杨德伟，等．中国省际碳排放极化格局研究［J］．中国人口·资源与环境，2011，21(11):21 －27．［Xiao Lishan，Wang Run，Yang Dewei，et al． Polarization Pattern of Carbon Emission in China's Provinces［J］．China Population，Resources and Environment，2011，21(11):21 －27．］

［9］姚奕，倪勤．中国地区碳强度与FDI的空间计量分析——基于空间面板模型的实证研究［J］．经济地理，2011，31(9):1432－1438．［Yao Yi，Ni Qin．The Impact of Foreign Direct Investment on Carbon Intensity:Empirical Study Based on Chinese Provincial Dynamic Panel Data［J］．Economic Geography，2011，31(9):1432 －1438．］

［10］赵云泰，黄贤金，钟太洋，等．1999—2007年中国能源消费碳排放强度空间演变特征［J］．环境科学，2011，32(11):3145－3152．［Zhao Yuntai，Huang Xianjin，Zhong Taiyang，et al．Spatial Pattern Evolution of Carbon Emission Intensity from Energy Consumption in China［J］．Environmental Science，2011，32(11):3145 －3152．］

［11］Ohara T，Akimoto H，Kurokawa J，et al．An Asian Emission Inventory of Anthropogenic Emission Dources for the Period 1980－2020［J］．Atmospheric Chemistry and Physics Discussions，2007，7(3):6843－6902．

［12］Marland G，Brenkert A，Olivier J．CO2from Fossil Fuel Burning:A Comparison of ORNL and EDGAR Estimates of National Emissions［J］．Environmental Science ＆ Policy，1999，2(3):265 －273．

［13］Alonso M F，Longo K M，Freitas SR，et al．An Urban Emissions Inventory for South America and Its Application in Numerical Modeling of Atmospheric Chemical Composition at Local and Regional Scales［J］．Atmospheric Environment，2010，44(39):5072－5083．

［14］Parrish D D，Kuster W C，Shao M，et al．Comparison of Air Pollutant Emissions among Mega-cities［J］． Atmospheric Environment，2009，43(40):6435 －6441．

［15］IEA．CO2Emissions from Fuel Combustion 2010［M］．Paris:IEA Publishing，2010:320 －350．

［16］蔡博峰．低碳城市规划［M］．北京:化学工业出版社，2011:157－159．［Cai Bofeng．Low Carbon City Planning［M］．Beijing:Chemical Industry Press，2011:157 －159．］

［17］Grossman G M，Krueger A B．Environmental Impacts of a North American Free Trade Agreement［R］，1991．

［18］Giraudel JL，Lek S．A Comparison of Self-organizing Map Algorithm and Some Conventional StatisticalMethods for Ecological Community Ordination［J］．Ecological Modelling，2001，146(1):329 － 339．

［19］Shafik N，Bandyopadhyay S．Economic Growth and Environmental Quality Time-series and Cross-country Evidence［R］，1992．

［20］Holtz-Eakin D，Selden TM．Stoking the Fires?CO2Emissions and Economic Growth［R］，1992．

［21］Moomaw W R，Unruh G C．Are Environmental Kuznets Curves Misleading Us?The Case of CO2Emissions［J］．Environment and Development Economics，1997，(2):451 －463．

［22］Dinda S．Environmental Kuznets Curve Hypothesis:A Survey［J］．Ecological Economics，2004，49(4):431 －455．

［23］王金南，蔡博峰，曹东，等．中国 CO2排放总量控制区域分解方案研究［J］．环境科学学报，2011，31(4):680 －685．［Wang Jinnan，Cai Bofeng，Cao Dong，et al．Scenario Study on Regional Allocation of CO2Emissions Allowance in China［J］．Acta Scientiae Circumstantiae，2011，31(4):680 －685．］

［24］蔡博峰．城市温室气体清单研究［J］．气候变化研究进展，2011，7(1):23 － 28．［Cai Bofeng．A Study on City Greenhouse Gas Emissions Inventory［J］．Advances in Climate Change Research，2011，7(1):23 －28．］

Characteristics Analysis of CO2Em issions of Cities in China Based on 0.1°Grid Dataset

CAIBo-feng
(Chinese Academy for Environmental Planning，Beijing 100012，China)

The spatial pattern of CO2emissions of China was analyzed based on 0.1°gridded dataset．The result of Global Moran’s I index was0．27(P ＜0．01)，which indicated that CO2emissions in Chinawere spatially autocorrelated．The localMoran’s I index also exhibit there were significant spatial autocorrelation in the regions centered by typical cities．The spatial analysis implied that some hotspot cities have decisively influenced the spatial pattern of the emissions in China．This resultwarranted the importance of cities in emissions study．The relationship between CO2emissions with population and GDP in 349 cities were significant positive．The CO2emissions of cities were influenced by population and GDP．The CO2emissions’Kuznetz curve was also identified and tested．The turning point of inverted-U curve appeared at a relatively high economical level．The cities of China could be categorized into 6 groups based on both CO2emissions per capita and GDP per capita，among which the“low emissions，low economy”category has been identified as themain type and only 6 cities are the“low emissions，high economy”the ideal type．The nominated low carbon pilot cities appeared in 5 groups except“high emissions，high economy”group．

CO2emission grid data;cities;characteristics analysis

X321

A

1002－2104(2012)10－0151－07

10．3969/j．issn．1002－2104．2012．10．022

2012－04－16

蔡博峰，副研究员，主要研究方向为温室气体排放清单和低碳城市。

国家自然科学基金资助项目“中国城市碳排放清单核心问题研究”(编号:41101500)。

(编辑:刘照胜)