中国能源供给侧碳排放核算与空间分异格局

赵领娣+吴栋

摘要为克服能源消费侧碳排放核算偏误，文章基于能源供给侧视角，运用中国能源样本精准燃烧实验测算出的碳排放因子，重新核算了1997—2014年中国能源碳排放并分析其演进过程，通过自然断点法对碳排放空间分异格局进行客观呈现，首次运用地理探测器方法识别该格局的主导驱动因子，并探测关键交互因子的多重空间叠加交互效应。结果表明：①中国能源碳排放从1997—2001年基本保持平稳，但在2001—2014年迅猛增长，原煤排放稳居主导地位，原油排放波动相对稳定，天然气排放增幅最大。②在碳排放空间分异格局中，鲁、冀、晋、豫、辽、苏、粤的碳排放水平稳居全国前列，京、津、沪的碳排放长期居于低水平，陕、新、内蒙古的碳排放相对水平在样本期内大幅攀升。③工业化是碳排放空间分异格局的主导驱动因子，经济发展水平的决定力仅次于工业化，城镇化的决定力长期处于居中水平但在2014年跃居首位，贸易开放和能源强度的决定力相对稳定且较为微弱。④所有包含工业化的交互因子均为关键交互因子，以工业化为核心相互交织的多重空间叠加交互效应存在于碳排放空间分异格局。区域碳减排应兼顾国家战略与自身碳排放驱动特征，实施差异化低碳政策。

关键词能源供给侧；碳排放；空间分异格局；地理探测器

中图分类号X24

文献标识码A文章编号1002-2104（2018）02-0048-11DOI：10.12062/cpre.20171003

改革开放以来，中国经济以年均10% 的增速迅猛发展成为世界第二大经济体，取得了举世瞩目的伟大成就，但中国碳排放总量约占全球总量的30%，已经超过美国与欧盟碳排放量总合，高居世界第一[1]。虽然中国在高能耗的粗放型发展模式下取得了经济的迅速发展，但高碳排放的客观现实也给中国的减排责任分摊带来了巨大的国际压力，与此同时能源的迅速耗竭、能源效率低下制约了中国经济的转型升级与可持续发展。在降低碳排放的国际压力和低碳转型的发展激励之下，中国低碳减排已成为不可忽视的重要议题。中国在《巴黎气候协定》中承诺将于2030年左右达到碳排放峰值，单位国内生产总值二氧化碳排放比2005年下降60%～65%。然而偏误较大的核算方法和未能切合中国能源特征的默认排放因子制约着中国能源碳排放的精確核算与国际责任的公平分担[2-3]，经济发展及碳排放的区域异质性亦会限制碳排放目标分解和低碳转型战略的制定和优化[3]。如何突破既有研究的测算视角和默认排放因子的限制，进行更为精确的能源碳排放测度？中国能源碳排放呈现怎样的空间分异格局？这种格局由哪些主导驱动因子决定，驱动因子间的空间叠加交互效应是否存在，又是如何作用于中国能源碳排放的空间分异格局？本研究将对这些不可忽视并亟待解决的关键问题进行分析。

1文献综述

随着国际碳排放约束的不断增强和中国绿色发展的需要，中国碳排放的估算一直是国际博弈的重要议题和学界关注的焦点[4]。美国能源部二氧化碳信息分析中心（CDIAC）、国际能源总署（IEA）、美国能源情报署（EIA）等国际研究机构提供碳排放测算数据，但多用于国家与地区间碳排放分析评估，对中国区域内部碳排放关注相对不足，中国国内尚未发布官方碳排放数据，主要依靠能源消费数据进行核算[5]。既有研究中碳排放测算视角的选择主要集中于能源需求侧，即能源消费侧，学者们多从工业生产、农业生产、居民消费和交通运输等多部门进行碳排放测度[6-9]。碳排放核算方法主要包括清单核算法与投入产出法[10]。清单核算法多基于政府间气候变化专门委员（IPCC）、 国家发展和改革委员会（NDRC）等国内外权威机构提供的碳排放清单和默认排放因子，结合能源统计年鉴相关数据进行碳排放核算[3]。投入产出法一般通过投入产出表核算由最终需求引致的产业中间各部门直接与间接碳排放。

既有研究对碳排放空间分异特征进行了丰富探索，为本研究提供了重要参考。探索性空间分析和标准差椭圆方法被用于分析城市家庭生活用能碳排放空间分异特征[11]。省域人均碳排放空间异质性可通过GIS可视化方式或空间变差函数进行呈现与分析[12-13]。部分学者在划分中国三区域和八区域的基础上通过Theil指数研究碳强度的空间分异[14]，还有学者通过基尼系数、Kernel密度估计、Markov链等方法对碳排放分布的不平衡性与内部动态演进特征进行研究[15]。

对碳排放关键影响因素与作用机制的探究也为深入研究碳排放成因和优化碳排放管控提供重要依据。早期研究利用Kaya方程式从人口规模、经济发展水平、能源强度逐层分析碳排放关键影响因素[16-17]。IPAT模型将碳排放成因归纳为人口数量、富裕度和技术[18]，在其基础上扩展出的STIRPAT模型将人均收入、工业能源强度、工业结构和能源消费结构归纳为碳排放主要影响因素[19-20]。指数分解法（IDA）亦被广泛用于分析碳排放影响因素，包括对数平均分解法（LMDI）[21]和权重调整分析法（AWD）[22]。结构分解分析（SDA）多用于分析产业部门中间产品消费的碳排放因素分解[23-24]。经验分析中常用计量模型检验碳排放影响因素[25]。

综合来看，既有研究对碳排放测算、特征识别和影响因素和机制探究等方面作出了广泛探索，但仍存在如下方面有待改进：①多数研究基于能源消费侧视角运用清单核算法与投入产出法进行碳排放估算，这将无法控制一次能源向二次能源转化过程中出现的能源消耗，还忽视了众多终端能源消费部门使用多种混合类型能源带来的核算误差。②基于统一的排放因子进行碳排放的测算虽然能够保证研究的一致性和可比性，但由于各国能源消费结构、能源含碳量、能源加工水平存在差异，采用统一的默认排放因子未能契合中国能源特征，导致碳排放测算与实际碳排放水平之间存在较大偏差[2-3，26]，不利于国际之间碳减排责任的合理分摊，进而会影响国家减排政策的制定与实施。③早期学者对碳排放的空间分异特征进行了有益探索，但随着技术条件的不断优化和研究方法的逐渐改进，空间分异研究能否以新的研究方法进行补充完善仍有待继续挖掘。④既有研究一般基于模型分解和计量检验对碳排放影响因素和影响机制进行分析验证，缺乏对碳排放空间分异格局主导驱动力的探测分析，对多个影响因子的空间分异格局决定力相对重要性判定关注不足，影响因子之间可能存在的复杂交互作用亦需进一步深化。endprint

本研究在前人基础上作出了如下拓展：①从能源供给侧视角出发重新核算全国与各省份碳排放。基于能源生产和贸易统计数据的能源供给侧碳排放测算方法可对化石燃料来源进行追踪，使得排放因子能够与相应类型的化石燃料合理匹配，而且只需考虑三种主要的能源类型，避免能源转换和多终端能源消费部门混合能耗带来的统计误差，比消费侧碳排放核算更加精确。②运用中国能源样本精确燃烧实验得到的全新碳排放因子来核算碳排放。相對于IPCC等国际组织提供的默认碳排放因子，运用科学采样精确实验得到的碳排放因子更契合中国能源实际特征，误差相对更小[2-3]。③基于空间分异视角运用自然断点法呈现中国碳排放空间分异格局。该方法以数据本身的自然间断特征对碳排放空间分异格局进行更加客观真实地呈现与分析，规避了人为因素的干扰。④运用地理探测器方法对中国碳排放空间分异格局的主导驱动因子进行探测识别与决定力判断排序，深入分析关键交互因子的存在性及其对碳排放空间分异格局的的多重空间叠加交互效应。

2研究方法、变量测度与数据来源

2.1研究方法

空间统计学早期理论基于“地学第一定律”从空间相关视角进行空间分析，既有的碳排放空间特征研究多数基于空间相似性分析碳排放空间集聚特征。空间统计学中的另一项重要理论假设是空间分层分异性，简称为空间分异性，“层”是按属性特征进行的地理分区，同一区域可以按照属性特征进行多种分层划分，在按某一属性特征的分层中，若其属性值在子区域内方差小于子区域间方差，说明该属性在不同子区域间存在空间分层分异性。

自然断点法（Natural Breaks Classification Method）由Jenks[27]于1971年首先提出，是地理学研究中用于呈现和识别区域空间分异特征的经典分析工具。自然断点法以子区域内属性值方差最小化，子区域间属性值方差最大化作为间断点的确立与子区域自然分类的依据，间断点选择出现在数值剧烈变动之处，间断点处属性数值一般不均匀。假设某地理区域具备属性X，初始分类为m，在[min（X），max（X）]范围内产生m-1个值作为分类边界，计算初始类均值及其类成员间方差和，通过反复调整类边界设定，直至实现组内离散方差尽可能小，组间离散方差尽可能大，尽量排除人为因素干扰，最终实现依据属性数值自然间断特征的分组聚类。

地理探测器（Geographical Detectors， GeoDetector）由Wang等[28]在2010年首先提出的研究空间分异主导驱动因子及因子间交互作用的前沿空间统计分析方法，已被广泛应用于遥感、气象、地质、区域规划、公共卫生等研究领域[29]。GeoDetector方法的基本原理是当被解释变量和影响因子的空间分异格局趋同，说明二者具备统计关联性。具体来说，通过对同一区域进行空间分层叠加分析，以q统计量的数值大小与方向判定解释因子是否为被解释变量空间分异的主导驱动因子，再通过不同解释因子与被解释变量的多重空间叠加分析，以交互因子的q统计量结果来探寻被解释变量空间分异的关键交互因子。

相较于经典统计学，GeoDetector方法无需对样本分布作先定假设，对多重共线性问题具备免疫功能，还拓展了传统计量模型探究交互效应时仅限于变量相乘的设定，通过空间叠加技术更真实地探测变量之间交互效应[29]。与传统的基于空间自相关性假设的空间全局自相关检验、空间局部热点探测等分析工具相比，GeoDetector方法不要求空间连续，对空间面数据和点数据皆可进行处理，使用更加灵活。需要注意的是，运用GeoDetector方法之前需要对数据进行离散化处理，潜在影响因子的选择需要结合具体的专业理论知识或数据的统计分类特征，数据的格点化与空间叠加分析需要借助ArcGIS10.3等专业的空间分析软件。

GeoDetector主要通过因子地理探测和交互作用地理探测来进行探测分析。

（1）因子地理探测，用于探索潜在影响因子对被解释变量空间分异格局的决定力，用q统计量来进行探测识别。q统计量的计算公式见式（1），其中i=1， …， n为按照某一影响因子所代表的属性特征值划分的“层”内子区域类别；Ni表示第i类子区域中的单元数，σ2i和σ2分别为被解释变量在第i类子区域和全部子区域的方差；Niσ2i表示被解释变量在第i类子区域的层内方差之和，Nσ2为全区总体方差；q统计量取值范围为[0，1]，当q越趋近于1说明，该影响因子越有可能为主导驱动因子。

q=1-∑ni=1Niσ2iNσ2（1）

以图1举例，假设对某一区域的Y属性空间分异格局存在潜在影响因子A，图1（1）、（2）分别表示同一区域的Y属性空间分异格局与按A属性特征值划分的地理分区，通过运用空间叠加技术将图（1）、（2）叠加后呈现结果为图1（3），再通过GeoDetector软件计算因子A的q统计量q（A），按照q值判定结果分析潜在影响因子A对区域属性值Y的空间分异格局的决定力水平。

（2）交互作用地理探测，用于判定不同影响因子对被解释变量空间分异格局影响的独立性，探索关键交互因子并分析其空间叠加交互效应。以图2举例，假设存在2个影响因子A、B对被解释变量Y存在影响，通过分别将A、B、AB相交的地理分区和Y空间分异格局进行空间叠加分析，如图2（1）、（2）、（3）。为验证A、B对Y的交互作用，分别计算并比较q（A）、q（B）、q（A∩B），这3个q统计量分别表示A、B、A与B的空间叠加交互效应对Y的空间分异格局决定力大小。GeoDetector软件的交互作用地理探测结果判别标准如下：当q（A∩B）=q（A）+q（B）时，A与

B相互独立；q（A∩B）max（q（A），q（B）），交互因子存在增强效应；q（A∩B）∈[0，1]，q值越趋近于1，A∩B就越可能是关键交互因子。

2.2变量测度

能源碳排放是受多方因素影响的社会经济活动产物，既有研究通过Kaya恒等式、IPAT模型、STIRPAT模型、LMDI分解法、AWD分析法、SDA结构分解等方法对碳排放影响因素进行了有益探索[4，16-24]。本研究基于前人研究，兼顾科学性和数据可得性，选取工业化、城镇化、经济发展水平、能源强度、贸易开放等典型因素作为碳排放空间分异格局的潜在影响因子进行地理探测分析。

2.2.1碳排放

虽然从理论上看地区能源消费与能源供给数值应该相等，但是本研究在估算中国化石能源消费带来的碳排放时并未使用已被证明存在较大误差的能源消费数据[30-31]，而是从能源供给侧出发，运用地区能源平衡表中“可供本地区消费的能源量”、“损失量”与“终端消费量”栏目中的一次能源生产量、外省（区、市）调入量、本省（区、市）调出量、进口量、出口量、库存增减量、能源损失量、工业原材料（非能源燃烧）来进行能源供给量核算，具体计算公式见式（2）。相对于能源消费侧视角而言，从能源供给侧核算能源消费量能在一定程度上规避能源加工过程中的能耗统计偏误和多终端能源消费部门使用多种混合类型能源带来的核算误差，还能追踪能源供给来源，便于合适的排放因子与能源类型达到准确匹配。

能源供给量=一次能源生产量+外省（区、市）调入量-本省（区、市）调出量+进口量-出口量±库存增减量-能源损失量-工业原材料（非能源使用）（2）

在碳排放主要来自于原煤燃烧的大框架下，碳排放估算主要依赖于原煤的排放因子。本文借鉴Liu[2]和Shan[3]的研究以更为契合中国能源特征的全新精确排放因子进行中国地区碳排放核算。排放因子由中国前100家最大煤矿开采区（加总占中国原煤生产的99%）的602份原煤样本进行精确燃烧实验并结合修正后的碳含量、净热值与氧化率得出，具体见表1。

化石燃料燃烧导致的碳排放由化石能源使用量与各自的排放因子计算得到，见式（3），j表示第j种化石能源类型，CE表示化石能源碳排放总量，ADj表示第j种能源燃烧量，EFj表示第j种能源排放因子，44/12为碳排放转换系数。

CE=∑3jADj×EFj×4412（3）

2.2.2工业化

中国正处于工业化发展时期，能源需求始终居高不下，工业发展保持高能源投入、高碳排放的特征[20]。既有研究表明工业产出每增加1万元伴随着碳排放平均提升3.81t，工业产业比重每上升1%带来碳排放平均增加56.58×106 t，工业比重变动的边际碳排放量还在不断上升，中国工业的高速发展仍对能源消耗保持高度依赖[32]。工业化与碳排放存在密切联系[33]，是影响碳排放空间分异格局的重要潜在影响因子。本文借鉴涂正革[32]的研究，运用工业产值占GDP 的比例表示工业化（INDUS）。

2.2.3城镇化

本应基于Kaya方程将人口因素作为影响碳排放空间分异格局的潜在影响因子，但中国人口总量相对稳定，而人口的城镇化水平的演化趋势却更为激烈，1997—2014年的全国人口总量平均年增长率为0.6%，而城镇化的平均年增长率为5.23%，且城市人口的能源消费水平远高于农村人口[17，32]。考虑人口的城镇化迁移趋势更能有效解释碳排放的波动，本研究将城镇化水平作为衡量碳排放空间分异格局的潜在解释因子，运用非农业人口占总人口的比重这一常用指标来表征衡量城镇化（URBAN）。

2.2.4经济发展水平

改革开放以来中国经历着经济的高速发展，但能源消费总量保持5.7%的平均年增长率，能源消费始终是经济发展的刚性需求，对碳排放量及其空间分异格局的形成有着密切关联。本研究将经济发展水平作为潜在影响因子进行分析，运用普遍认可的人均GDP指标衡量经济发展水平（PGDP）。

2.2.5能源強度

中国“富煤贫油少气”能源禀赋结构决定了以原煤为主的能源消费结构，在能源消费结构相对稳定的情况下，能源强度是影响碳排放规模与格局的潜在影响指标，能够反映能源利用的技术水平与效率。借鉴Torrie[34]的研究，运用能源消费量与GDP的比值表示能源强度（EI）。

2.2.6贸易开放

随着对外开放的不断扩大，外需带动经济高速发展的同时也使得高能耗产业在中国不断扩张，国内日益增长的物质文化需求和企业自身的生产发展需求导致大量商品进口亦会引发碳排放的增加。既有研究表明贸易开放程度每上升1%会导致人均碳排放增加0.3%[35]，贸易开放与碳排放空间分异格局存在一定关联。本研究以进出口贸易总额与GDP的比值这一通用的贸易依存度指标来衡量贸易开放（TRADE）。

2.3数据来源

本研究收集并整理了1997—2014年的中国30个省、自治区和直辖市相关数据，由于西藏、港澳台地区的数据存在缺失严重或无法获取等问题，故不将其列入研究样本。用于核算碳排放、工业化、城镇化、经济发展水平、能源强度、贸易开放等变量所需的能源供给量、能源损失量、能源消费量、工业产值、非农人口占比、人均GDP（以1997年为基期）、进出口贸易总额等相关数据来源于《中国能源统计年鉴》《中国统计年鉴》《中国人口与就业统计年鉴》与各省份统计年鉴。由于GeoDetector方法是基于截面数据来进行分析，在篇幅有限的条件下为尽可能保证碳排放地理探测的全面性，本文以1997年作为初始年份，平均每6年选取研究截面，最终选择1997年、2003年、2009年和2014年数据进行碳排放空间分异格局的地理探测分析。

3碳排放演进过程与空间分异格局

3.1碳排放演进过程

图3呈现了从1997—2014年中国化石能源碳排放演进过程。从碳排放结构来看，包含原煤、原油和天然气三类，其中原煤碳排放是化石能源碳排放量的主要来源，平均占化石能源排放量的80.75%，原油碳排放量平均占比为17.07%，天然气碳排放在化石能源中所占份额最少，占化石能源排放量的2.18%，值得关注的是2014年天然气碳排放量占比大幅跃升至7.99%。endprint

从总体演变趋势来看，从1997—2000年，原油和天然气的碳排放基本保持稳定，原煤以平均-4.27%速度保持稳定递减状态，但减少幅度较为微弱。但是从2001—2014年，化石能源的碳排放量以10%的平均增长率保持高速增长，原煤的碳排放与其保持同步增长，原油碳排放平均增长率为6.52%，然而天然气碳排放以平均28.21%的增长率持续大幅跃进。

从2001年后的演进过程转折点来看，化石能源、原煤的碳排放量以2012年为转折点，年增长率均由约12%水平大跌至约为2%水平，在随后年份均未超过10%的平均增长率水平，其中原煤在2014年还出现-0.55%的碳排放负增长。原油碳排放增长率以2010年为转折点，从2009年的13.24%跌至7.04%，并在之后一直低于6.52%的平均水平。天然气碳排放量在研究期内以25.54%的年均增长率保持高速提升，甚至在2014年实现185.02%的巨幅同比增长。

3.2碳排放空间分异格局

本研究基于空间分异性基本原理，运用自然断点法将全国30省、自治区和直辖市碳排放数值划分为五类（低排放区、较低排放区、中排放区、较高排放区、高排放区）进行空间分异格局分析，见表2。

总体来看，中国碳排放空间分异格局较为明显。在研究期内碳排放相对高值区重点位于除了京、津外的环渤海地区（鲁、冀、辽）、黄河中游部分地区（晋、豫）以及东部与南部沿海部分地区（苏、粤）。而东北部分地区（吉、黑）、东部与南部沿海部分地区（浙、闽、琼）、长江中游地区（皖、鄂、湘、赣）、西北地区（青、甘、宁）、西南地区（川、渝、云、桂、黔）长期处于碳排放相对低值区，尤其是以京津沪为典型代表的直辖市长期居于碳排放低值区。值得关注的是，陕、新、内蒙古在样本期内从碳排放相对低值区向碳排放相对高值区快速跃升。

从各研究截面具体来看，碳排放空间分异特征存在一定波动，尤其是高排放区和较高排放区的内部变异需要重点关注。1997年的碳排放量空间分异格局中高排放区包括鲁、冀、晋、辽等以重工业为支柱产业和能源禀赋结构以原煤为主的省份，较高排放区包括苏、黑、豫等制造业发展较快或能源消费结构以原煤为主的省份。2003年高排放区范围与1997年结果保持一致，但黑龙江不再属于碳排放较高值区，广东新进入其中。2009年碳排放空间分异结果呈现较大变化，冀、晋、辽等省份被划分入碳排放较高

排放区，内蒙古新划入较高排放区。2014年的结果中，内

蒙古新划入高排放值区，山西再次位于其中，陕西、新疆跃入较高排放区。

4地理探测结果与分析

4.1因子地理探测

由表3的因子探测结果可知，1997年各影响因子对应的空间分异格局决定力判定排序为：INDUS>EI>URBAN>PGDP>TRADE。與1997年因子探测结果不同的是，2003年城镇化对应的q统计量小于经济发展水平对应的q值，能源强度的决定力水平有所下降，各影响因子的排序为：INDUS>PGDP>URBAN>EI>TRADE。2009年各因子探测结果排序与2003年保持一致。2014年城镇化对碳排放空间分异格局的决定力跃升为第一位，各因子决定力判断排序呈现新变化：URBAN>INDUS>PGDP>EI>TRADE。总体来看，工业化是碳排放空间分异的主导驱动因子，经济发展水平在2003年和2009年截面中对

碳排放空间分异格局的决定力最为接近工业化，城镇化在2014年样本截面内跃升为决定力最高的影响因子，能源强度对碳排放的空间分异格局的决定力相对较小并长期保持稳定，贸易开放在五个影响因子中的决定力始终最小。

除2014年样本截面外，工业化对碳排放空间分异的决定力均为最大，但总体来看呈现下滑趋势。中国仍处于工业化发展的中后期，工业的化石能源消费量居于产业部门首位，与碳排放存在紧密联系，但由于产业服务化趋势的不断推进，服务业产值占比从1997年的32.14%到2014年上升为48.11%，服务产业在产业结构中的份额稳步提升，工业所占份额相对减少，从1997年的49.18%到2014年降至42.72%。以鲁、冀、晋、豫、粤为代表的工业大省的碳排放量始终保持高水平，而以苏、浙、沪、黑为代表的工业发达地区的工业占比份额在不断下降，碳排放水平也相对降低，虽然工业化对碳排放格局形成一直居于主导影响地位，但决定力有所下降。

经济发展水平的决定力水平相对较高且在前三个样本截面内不断提升，但在2014年的样本截面内出现较大幅度下滑。中国经济发展规模一直以近10%的速度保持高速扩张，化石能源消费水平不断攀升，由能源消耗带来的碳排放亦在不断增加。但随着中国经济进入增长速度换档期和结构调整阵痛期，高能耗的粗放型经济发展方式逐步向绿色低碳的可持续方向转型，对降低碳排放起到了重要作用。以粤、浙、苏、辽等经济发展水平相对较高的典型地区为例，这四个省份在2003年的能源消费增长率分别为15.36%、15.1%、15.01%、6.14%，从2008年开始不断下降，到2014年分别降至3.91%、1.00%、2.25%、0.38%。虽然经济发展水平的提升仍保持一定的能源刚性，但在逐渐减低对能源的依赖性。

城镇化的碳排放空间格局决定力在前三个样本截面内基本保持稳定居中水平，但在2014年跃升为对碳排放格局决定力最大的影响因子。以陕、新、内蒙古等城镇化快速跃升的省份为例，1997年城镇化水平分别为33.37%、

21.47%、35.2%，到2014年上涨至70.64%、55.23%、66.15%，其对应的碳排放水平从1997年至2014年增长率分别为736.43%、716.72%、534.57%。中国城镇化水平从1997年的24.79%到2014年上涨至54.33%，一方面城镇化的高速推进带来了资本、劳动力、技术等要素的集聚和消费需求的增加，促进了生产发展与经济增长，另一方面城镇化伴随着能源消费需求刚性的增加，带动了能源消费和碳排放的快速增长[17]。endprint

能源强度的碳排放空间分异决定力在样本期内基本保持稳定，但决定力水平在所有影响因子中相对较低。黔、甘、青、宁等能源强度水平相对较高地区依赖于高能耗的经济发展模式，但其经济发展总量与能源消耗总量在全国范围内相对滞后，能源强度与碳排放水平存在不均衡现象。在苏、粤等能源强度相对较低的地区，经济发展对能源的依赖在样本期内相对减弱，但能源消费总量仍然巨大，能源强度与碳排放存在区域不匹配特征。能源消费结构与开发利用技术水平在省域内部相对稳定但在省际间差异较大，经济发展水平与能源消费量在各省亦呈现不均衡现象，各地区能源强度基本保持稳定，但对碳排放空间分异决定力相对较低。

贸易开放对碳排放的决定力在各截面内都是最小的，但在2009年呈现骤降现象。中国贸易开放水平相对较高地区主要长期稳定集中于粤、浙、苏、沪、津等沿海地区，在冀、晋、豫、内蒙古等碳排放水平相对较高地区贸易开放水平却相对较低，贸易开放高值区与碳排放高值区的重合度较低。在2008年全球经济冲击的波及之下，中国贸易开放较发达地区出口相对低迷，能源消耗与碳排放出现大幅下降。

4.2交互作用地理探测

表4呈现了五个影响因子通过两两空间叠加后形成的交互因子在样本截面内的q统计量结果。综合来看，所有交互因子对碳排放空间分异的决定力水平相对于单个影响因子均有明显增强。在所有样本截面内，对碳排放空间分异决定力水平相对较高的关键交互因子为INDUS ∩ URBAN、INDUS ∩ PGDP、INDUS ∩ EI、INDUS ∩ TRADE，这表明包含工业化的关键交互因子对碳排放空间分异格局具有重要的多重空间叠加交互效应。与城镇化相关的交互因子URBAN ∩ PGDP、URBAN ∩ TRADE分别在2009年、2014年截面出现空间叠加交互效应大幅跃升现象。

在上述关键交互因子中，INDUS ∩ PGDP与INDUS ∩ URBAN的决定力水平在样本期内始终居于前列，这说明中国的工业化、城镇化、经济发展水平对碳排放空间分异格局的影响紧密交织。从1997—2014年，工业以10.6%的平均增速迅猛发展，在国民经济发展中占据重要地位，但工业长期保持高能耗的粗放型发展模式，样本期内原煤、原油、天然气分别保持5.2%、2.0%、6.4%的平均消费增速，以工业为重心的经济发展带来碳排放的不断增加。中国工业化进程亦伴随着城镇化的稳步前进，样本期内中国城镇人口平均增速为4.2%，意味着资本和人才的集聚、技术水平的提升与更多的生产需求，促進了工业规模的扩大。工业的高速发展提升了城市劳动力就业吸纳能力，促进了城市基础设施优化完善，加速城市人口集聚，带来更多能源消费需求，城镇化与工业化的交织带来了更多的能源消耗与碳排放[36]。以陕、新、内蒙古等典型区域为例，其碳排放大幅跃进与工业化、城镇化的快速发

展密切相关，从1997—2014年这三省的城镇化水平增长了111.68%、157.24%、87.93%，工业化水平增长了30.69%、28.56%、18.64%，与此同时碳排放分别以736.43%、716.72%、534.57%的速度惊人增长。

INDUS ∩ TRADE在前三个样本截面内的决定力水平一直保持相对较高水平，但在2014年截面内却有所下降。随着中国对外开放水平的稳步提升，贸易开放有利于中国出口型制造业的不断发展，但能源消费亦保持较大刚性，这在粤、浙、苏等贸易开放水平相对较高的制造业大省体现地尤为明显。在能源禀赋结构与能源消费结构保持稳定、能源利用效率较低的情形下，中国的贸易开放并未有效促进工业高能耗的粗放型发展模式的改变[37]。在遭受2008年全球金融危机的巨大冲击之后，中国经济增速放缓、贸易开放受到冲击，高能耗低效率的发展模式面临转型升级，能源消费与碳排放增速也相应下降。

INDUS ∩ EI在交互因子中保持相对较高的决定力水平，但在2009年截面内出现大幅下滑。由于样本期内各省份能源消费结构与能源技术水平未发生太大波动，能源强度对碳排放空间分异格局的影响始终保持稳定态势，工业仍保持着高能耗发展模式的苏、鲁、粤等地区的碳排放水平相对较高，而工业相对滞后的赣、桂、琼、黔、云、甘、青、宁等地区的碳排放水平也相对较低，这说明能源强度与工业化的交互作用对碳排放空间分异格局存在重要影响。但在2008年宏观经济冲击下，工业受到较大波及，能源消耗与碳排放亦受到限制，q（INDUS ∩ EI）在2009年截面内出现跳跃式下滑。

与城镇化相关的交互因子URBAN ∩ PGDP、URBAN ∩ TRADE的决定力分别在2009年、2014年截面出现大幅上涨。在经受全球经济冲击之后，中国经济增速放缓，产业结构面临转型升级，城镇化的稳步推进对产业结构升级具有强烈的空间关联性与冲击效应[38]，经济发展服务化与产业结构高级化趋势不断深化，第三产业以10.4%的平均增速迅猛发展，与此同时碳排放水平也相应提升。冀、晋、陕、新、内蒙古等省份是城镇化与经济发展水平交互因子对碳排放空间分异决定力大幅增加的典型地区。随着中国城镇化进程和对外开放的国家级顶层设计不断演进深化，城镇化和贸易开放亦呈现出相互交织的紧密联系，城镇化进程的加深带来了资本、人才、技术的集聚，促进了基础设施的完善，为贸易开放提供了有利条件，贸易开放水平的提升转而促进出口型企业的生产需求和规模的扩张，进一步带来生产要素的吸纳，加速城镇化进程。城镇化与贸易开放的空间叠加交互效应使得粤、浙、苏等传统贸易开放大省和陕、新等“一带一路”上新型贸易省份的能源消费需求不断攀升、碳排放迅速增长。

5结论与政策建议

本研究从能源供给侧视角运用基于精确燃烧实验得到的碳排放因子核算中国能源碳排放水平，并对中国碳排放的演进过程与空间分异格局进行呈现，通过地理探测器方法对其进行影响因子决定力判断排序、主导驱动因子探测识别，并分析关键交互因子的空间叠加交互效应。结果表明：1997—2001年的能源碳排放相对稳定，但2001年后以原煤为主导的碳排放迅猛增长。在样本期内，鲁、冀、晋、豫、辽、苏、粤等区域碳排放水平稳定居于全国前列，京、津、沪等地区的碳排放水平长期居于低水平，陕、新、内蒙古的碳排放水平实现了大幅跃升，其他省份碳排放水平在国内保持稳定居中或较低状态。总体来看，工业化是中国碳排放空间分异格局的主导驱动因子，经济发展水平仅次于工业化，城镇化在2014年的样本截面内反超成为最重要的驱动因子。包含工业化的四个交互因子均为碳排放空间分异格局的关键交互因子，城镇化与经济发展水平、贸易开放的交互因子决定力分别在2009年、2014年截面出现大幅跃升。endprint

各地区分担“共同而有区别”的减排目标时需考虑碳排放空间分异格局及其驱动因素，并兼顾地区发展客观现实。碳排放空间分异格局显示不同区域的碳排放状况存在差异，其背后的驱动因子决定力水平并非在全国范围内完全统一，加之经济发展水平、工业化、城镇化、能源强度、贸易开放等因素在各省份呈现不同程度相互交织的区域特征，“一刀切”式的减排策略无法公平有效地实现国家减排目标。各地区在共同承担碳排放国家承诺的同时应结合自身碳排放状况和地区发展特征，因地制宜地选择契合发展现实、体现区域特色的低碳减排模式。因此，本研究提出如下政策建议：

（1）在全国范围内，尤其是鲁、冀、晋、豫、辽、苏、粤等碳排放大省，需促进工业化、城镇化与经济发展水平相协调。中国处于工业化中后期和城市化高速发展时期，经济发展水平不断提升的同时碳排放总量也在不断增长。在既有的以煤炭为主的能源禀赋结构和消费结构长期保持稳定的情形下，应逐步转变高能耗高排放的粗放型经济发展模式，以城镇化促进资本、人才、技术等要素的集聚，设计合理产业政策优化要素配置流向与方式，推进工业向资本密集与劳动密集方向转型升级，降低能源消耗、提升能源效率，在实现工业化、城镇化与经济发展水平系统优化的同时降低碳排放水平。

（2）针对诸如陕、新、贵、陇、青、宁、内蒙古等能源強度高的地区，应尝试从能源效率视角来降低碳排放。以上能源强度较高的地区的经济发展水平相对滞后且正处于工业化快速跃升时期，能源消费具有较强刚性，能源消耗总量难以在短期下降。限于以煤炭为主的能源禀赋和煤炭相对较低的能源价格，这些区域以煤炭为主的能源消费结构难以在短期内转变，提升能源利用效率是较为可行的方法。政府应制定合理税收政策、财政补贴并实施政策监督，促进企业引入清洁型生产技术和设备，提升能源利用效率，从排放端尽可能降低碳排放。

（3）针对津、沪、苏、浙、粤等贸易大省，应促进产业转型升级，调整能源消费结构，进一步提升能源效率。以上省份早期利用人口红利优势、区位优势、政策优势发展出口型制造业，使经济得到了高速发展，但过高的能源刚性也使得碳排放水平迅速提升。在人口红利渐失的情形下，这些省份需充分利用长期以来资本和技术的累积，逐步转变粗放型的产业发展现状，实现出口型产业的转型升级，降低能源刚性需求，逐渐转变以煤炭为主的能源消费结构，更多采用天然气等清洁能源，革新能源使用技术和设备，提升能源效率，实现经济发展的低碳转型。

由于篇幅、数据和方法等因素的限制，本研究仍存在有待优化之处：①能源禀赋结构与能源消费结构可能对碳排放空间分异格局产生潜在影响，而本研究未将其作为潜在影响因子进行探讨；②本文通过能源强度间接衡量技术进步，还未能充分表征其全面内涵；③工业是影响碳排放空间分异格局的关键产业部门，还需深入工业内部结构进行探索分析；④随着地理探测器方法的不断优化，多因素间的空间交互效应对碳排放空间分异格局的影响研究仍需继续深化。这些都是未来研究的努力方向。

（编辑：李琪）

参考文献（References）

[1]FRIEDLINGSTEIN P， ANDREW R M， ROGELJ J， et al. Persistent growth of CO2 emissions and implications for reaching climate targets[J]. Nature geoscience， 2014， 7（10）：709-715.

[2]LIU Z， GUAN D， WEI W， et al. Reduced carbon emission estimates from fossil fuel combustion and cement production in China[J]. Nature， 2015， 524（7565）：335-338.

[3]SHAN Y， LIU J， LIU Z， et al. New provincial CO2， emission inventories in China based on apparent energy consumption data and updated emission factors[J]. Applied energy， 2016， 184：742-750.

[4]彭水军， 张文城， 孙传旺. 中国生产侧和消费侧碳排放量测算及影响因素研究[J]. 经济研究， 2015（1）：168-182.[PENG Shuijun， ZHANG Wencheng， SUN Chuanwang. Chinas productionbased and consumptionbased carbon emission and their determinants [J].Economic research journal， 2015（1）：168-182.]

[5]张晓梅， 庄贵阳. 中国省际区域碳减排差异问题的研究进展[J]. 中国人口·资源与环境， 2015， 25（2）：135-143.[ZHANG Xiaomei， ZHUANG Guiyang. China provincial carbon emissions differences research progress and prospect[J]. China population， resources and environment， 2015， 25（2）：135-143.]

[6]杨顺顺. 中国工业部门碳排放转移评价及预测研究[J]. 中国工业经济， 2015（6）：55-67.[YANG Shunshun. Evaluation and prediction on carbon emission transferring across the industrial sectors in China[J].China industrial economics， 2015（6）：55-67.]endprint

[7]田云， 張俊飚， 李波. 中国农业碳排放研究：测算、时空比较及脱钩效应[J]. 资源科学， 2012， 34（11）：2097-2105.[TIAN Yun， ZHANG Junbiao， LI Bo. Agricultural carbon emissions in China： calculation， spatialtemporal comparison and decoupling effects.[J]. Resources science， 2012， 34（11）：2097-2105.]

[8]彭水军， 张文城. 中国居民消费的碳排放趋势及其影响因素的经验分析[J]. 世界经济， 2013（3）：124-142.[PENG Shuijun， ZHANG Wencheng. Empirical analysis on carbon emission trend and influencing factors of Chinese residents consumption[J]. The journal of world economy， 2013（3）：124-142.]

[9]李琳娜， LOO B P Y.中国客运交通的碳排放地理特征与展望[J]. 地理研究， 2016， 35（7）：1230-1242.[LI Linna， LOO B P Y. Carbon dioxide emissions from passenger transport in China： geographical characteristics and future challenges[J]. Geographical research， 2016， 35（7）：1230-1242.]

[10]王少剑， 刘艳艳， 方创琳. 能源消费CO2排放研究综述[J]. 地理科学进展， 2015， 34（2）：151-164.[WANG Shaojian， LIU Yanyan， FANG Chuanglin. Review of energyrelated CO2 emission in response to climate change[J]. Progress in geography， 2015， 34（2）：151-164.]

[11]荣培君，张丽君，杨群涛，等. 中小城市家庭生活用能碳排放空间分异——以开封市为例[J]. 地理研究，2016，35（8）：1495-1509. [RONG Peijun， ZHANG Lijun， YANG Quntao， et al. Spatial differentiation patterns of carbon emissions from residential energy consumption in small and mediumsized cities： a case study of Kaifeng[J]. Geographical research， 2016， 35（8）：1495-1509.]

[12]王喜， 张艳， 秦耀辰，等. 我国碳排放变化影响因素的时空分异与调控[J]. 经济地理， 2016， 36（8）：158-165.[WANG Xi， ZHANG Yan， QIN Yaochen， et al. Spatiotemporal differentiation and regulation of influencing factors of carbon emission in China[J]. Economic geography， 2016， 36（8）：158-165.]

[13]李建豹，黄贤金，吴常艳，等. 中国省域碳排放影响因素的空间异质性分析[J]. 经济地理，2015，35（11）：21-28. [LI Jianbao， HUANG Xianjin， WU Changyan， et al. Spatial heterogeneity analysis of influencing factors of carbon emissions in Chinas provinces[J]. Economic geography， 2015，35（11）：21-28.]

[14]杨骞，刘华军. 中国二氧化碳排放的区域差异分解及影响因素——基于1995—2009年省际面板数据的研究[J]. 数量经济技术经济研究，2012，29（5）：36-49，148. [YANG Qian， LIU Huajun. Regional decomposition of carbon dioxide emissions in China and influencing factors： based on provincial panel data from 1995 to 2009[J]. The journal of quantitative & technical economics，2012，29（5）：36-49，148.]

[15]刘华军， 鲍振， 杨骞. 中国二氧化碳排放的分布动态与演进趋势[J]. 资源科学， 2013， 35（10）：1925-1932.[LIU Huajun BAO Zhen， YANG Qian. Distributional dynamic and evolution of Chinas CO2 emissions[J]. Resources science， 2013， 35（10）：1925-1932.]

[16]YOICHI K. Impact of carbon dioxide emission on GNP growth： interpretation of proposed scenarios[R]. Paris： IPCC， 1989.endprint

[17]林伯强， 刘希颖. 中国城市化阶段的碳排放：影响因素和减排策略[J]. 经济研究， 2010（8）：66-78.[LIN Boqiang， LIU Xiying. Chinas carbon dioxide emission under the urbanization process： influence factors and abatement policies[J]. Economic research journal， 2010（8）：66-78.]

[18]DIETZ T， ROSA E A. Rethinking the environmental impacts of population， affluence， and technology[J]. Human ecology review， 1994（1）：277-300.

[19]EHRLICH P R， HOLDREN J P. Impact of population growth[J]. Science， 1971， 171（3977）：1212.

[20]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.[LIN Boqiang， JIANG Zhujun. Environmental Kuznets Curve prediction of Chinas carbon dioxide and analysis of its influencing factors[J]. Management world， 2009（4）：27-36.]

[21]ANG B W.The LMDI approach to decomposition analysis： a practical guide[J]. Energy policy， 2005， 33（7）：867-871.

[22]FAN Y， LIU L C， WU G， et al. Changes in carbon intensity in China： empirical findings from 1980-2003[J]. Ecological economics， 2007， 62（3）：683-691.

[23]ZHANG Y. Supplyside structural effect on carbon emissions in China[J]. Energy economics， 2010， 32（1）：186-193.

[24]FENG K， SIU Y L， GUAN D， et al. Analyzing drivers of regional carbon dioxide emissions for China[J]. Journal of industrial ecology， 2012， 16（4）：600-611.

[25]ALMULALI U U. Factors affecting CO2 emission in the middle east： a panel data analysis[J]. Energy， 2012， 44（1）：564-569.

[26]陳彬， 杨维思. 产业园区碳排放核算方法研究[J]. 中国人口·资源与环境， 2017， 27（3）：1-10.[CHEN Bin， YANG Weisi. Carbon emission accounting methods for industrial parks[J]. China population， resources and environment， 2017， 27（3）：1-10.]

[27]JENKS G F. The data model concept in statistical mapping[C]// International Yearbook of Cartography.1967： 186-190.

[28]WANG J， LI X， CHRISTAKOS G， et al. Geographical detectorsbased health risk assessment and its application in the neural tube defects study of the Heshun Region， China[J]. International journal of geographical information science， 2010， 24（1）：107-127.

[29]王劲峰， 徐成东. 地理探测器：原理与展望[J]. 地理学报， 2017， 72（1）：116-134.[WANG Jinfeng， XU Chengdong. Geodetector： principle and prospective[J]. Acta geographica sinica， 2017， 72（1）：116-134.]

[30]GUAN D， LIU Z， GENG Y， et al. The gigatonne gap in Chinas carbon dioxide inventories[J]. Nature climate change， 2012， 2（9）：672-675.

[31]ZHAO Y， NIELSEN C P， MCELROY M B. Chinas CO2 emissions estimated from the bottom up： recent trends， spatial distributions， and quantification of uncertainties[J]. Atmospheric environment， 2012， 59：214-223.endprint

[32]涂正革， 諶仁俊. 工业化、城镇化的动态边际碳排放量研究——基于LMDI“两层完全分解法”的分析框架[J]. 中国工业经济， 2013（9）：31-43.[TU Zhengge， CHEN Renjun. Industrializations urbannizations dynamic marginal carbon emission： the framework based on LMDI ‘twolevel perfect decomposition method[J]. China industrial economics， 2013（9）：31-43.]

[33]陈诗一， 严法善， 吴若沉. 资本深化、生产率提高与中国二氧化碳排放变化[J]. 财贸经济， 2010（12）：111-119.[CHEN Shiyi， YAN Fashan， WU Ruochen. Capital deepening， productivity promotion and CO2 emission in China[J]. Finance & trade economics， 2010（12）：111-119.]

[34]TORRIE R D， STONE C， LAYZELL D B. Understanding energy systems change in Canada： 1. decomposition of total energy intensity[J]. Energy economics， 2016， 56：101-106.

[35]马翠萍， 史丹. 贸易开放与碳排放转移：来自中国对外贸易的证据[J]. 数量经济技术经济研究， 2016（7）：25-39.[MA Cuiping， SHI Dan. Trade openess and carbon emission transfer： evidence from Chinas foreign trade[J]. The journal of quantitative & technical economics， 2016（7）：25-39.]

[36]张腾飞， 杨俊， 盛鹏飞. 城镇化对中国碳排放的影响及作用渠道[J]. 中国人口·资源与环境， 2016， 26（2）：47-57.[ZHANG Tengfei， YANG Jun， SHENG Pengfei. The impacts and channels of urbanization on carbon dioxide emissions in China[J]. China population， resources and environment， 2016， 26（2）：47-57.]

[37]赵文军， 于津平. 贸易开放、FDI与中国工业经济增长方式——基于30个工业行业数据的实证研究[J]. 经济研究， 2012（8）：18-31.[ZHAO Wenjun， YU Jinping. Trade openness，FDI and Chinas industrial economic growth pattern： empirical analysis based on data of 30 industrial sectors[J]. Economic research journal， 2012（8）：18-31.]

[38]蓝庆新， 陈超凡. 新型城镇化推动产业结构升级了吗？——基于中国省级面板数据的空间计量研究[J]. 财经研究， 2013（12）：57-71.[LAN Qingxin， CHEN Chaofan. Does newtype urbanization promote the upgrading of industrial structure？： spatial econometric research based on Chinas provincial panel data [J]. Journal of finance and economics， 2013（12）：57-71.]

[39]SUN R，KUANG D.CGE modelbased analysis of the neutralized hybrid carbon

policy and its decomposed effects on economic growth，carbon reduction， and energy

utilization costs[J].Chinese journal of population，resources and environment，

2015，13（1）：43-54.

[40]TIAN Y，ZHANG J B，CHEN Q Q.Distributional dynamic and trend evolution of

Chinas agricultural carbon emissions： an analysis on panel data of 31 provinces

from 2002 to 2011[J].Chinese journal of population，resources and

environment，2015，13（3）：206-214.

AbstractIn order to reduce the uncertainty of energy consumptionside carbon emissions accounting， from the perspective of energy supplyside， this paper uses the carbon emission factors measured by the precise combustion experiment of Chinese energy samples to reaccount Chinese energy carbon emission. The Natural Breaks Classification Method is used to present the spatial heterogeneity pattern of carbon emission. Geo Detector is the first time to be used for identifying the dominant driving factors of this pattern， and for analyzing the multiple spatial overlay interaction of key interaction factors. The results show that： ①The total energy carbon emission in China remained stable from 1997 to 2001， which increased rapidly during 2001-2014， coal emission dominated energy emission， crude oil emission was relatively stable， and the increase magnitude of natural gas emission was the largest. ②In the pattern of carbon emission， the carbon emission levels of Shandong， Hebei， Shanxi， Henan， Liaoning， Jiangsu and Guangdong remained stable in the forefront rank of the country， the carbon emission levels of Beijing， Tianjin and Shanghai were low， and the relative levels of carbon emission of Shanxi， Xinjinag Inner Mongolia rose sharply during the sample period. ③Industrialization was the dominant driving factor of carbon emission spatial heterogeneity pattern， followed by economic development. The influence of urbanization was stably in the middle level but ranked first in 2014， and the influences of trade openness and energy intensity were stable and relatively weak. ④ All interaction factors that contained industrialization were the key interaction factors， and the multiple spatial overlay interaction intertwined with industrialization existed in the carbon emission spatial heterogeneity pattern. Each region should both take national strategy and their own carbon driving characteristics into account， then implementing differentiated lowcarbon policies.

Key wordsenergy supply side； carbon emission； spatial heterogeneity pattern； geographical detectoendprint