中国省域碳排放空间依赖结构的非参数估计及其实证分析

刘贤赵 郭若鑫 张勇 张东水 王志强 高长春 谢金宁

摘要 查清中国省域碳排放之间的空间依赖关系及其演变特征，是实现区域差异化减排战略和促进区域低碳经济和谐发展的关键。本文在估算1995—2015年中国大陆30个省域化石能源消费碳排放量的基础上，利用考虑时间和空间影响的SampsonGuttorp非参数估计方法（简称SG方法）对中国省域碳排放的空间相关结构进行了定量估计，并将得到的SG相关系数与样本相关系数进行比较，结合中国经济发展与碳排放的实际验证了该方法在中国省域碳排放研究中的有效性和合理性，然后基于SG相关系数对省域碳排放空间特征进行聚类分析。研究结果表明：①在对中国3个阶段省域碳排放的相关结构研究中，未作变换得到的样本相关系数存在一定的不合理性，与现实出入较大，而基于SG方法得到的SG相关系数无论在理论上还是实践上都十分接近实际，克服了以往对空间相关定性描述的缺陷。②中国省域碳排放存在显著的空间正相关性和空间异质性，碳排放较高或较低的省区在空间上均趋于相邻，但随时间的演进空间相关性在高度聚集后有明显弱化的趋势。③在分布格局上，中国省域碳排放存在东、中、西和北、中、南梯度态势，即东部地区和北部地区省域的碳排放量高于西部地区和南部地区，而中部地区省域居二者之间。④根据中国各省域碳排放的空间相关结构和格局特征，提出将空间依赖性纳入到碳减排政策的制定中，并应对重点区域或重点行业实施差异化的减排措施。

关键词 碳排放；空间相关；SG相关系数；非参数估计

中图分类号 F205 文献标识码 A 文章编号 1002-2104（2019）05-0040-12 DOI：10.12062/cpre.20181107

化石能源消耗导致的碳排放以及由此引起的气候变化已经成为当前人类社会面临的最具挑战性的问题之一。自2007年中国作为世界上最大的碳排放国以来，中国的碳排放问题已成为国内外学术界和各国政府共同关注的焦点。如何实现中国政府到2030年碳强度比2005年下降60%～65%的减排目标以及到2030年出现碳排放峰值，很大程度上有赖于各省域层面的协同减排行动、低碳转型以及产业结构调整和技术进步。尽管各省域碳排放因资源禀赋、技术条件、经济发展等的不平衡而存在较大的差异，但由于经济、技术、信息等的扩散，社会资本等要素的流动以及其它意义上的区域溢出效应[1]，使得省域间的碳排放又具有明显的空间相关性，表现为一个区域的碳排放行为不仅取决于自身内部因素的控制，而且还受周边地区碳排放的关联作用（如相邻区域的碳排放每增加1%，将会引起本地区碳排放增加0.15%[2]）。这是因为：①区域具有开放性和连通性，由于区域的经济发展水平与碳排放在空间上存在耦合关系，这就决定了存在各种经济联系的区域，其碳排放行为不可能是一个孤立的过程，往往要受到与之相关，特别是周边区域碳排放的影响；同样地，该区域的碳排放也要对相关或周边区域的碳排放产生作用。②碳排放天然所具有的空间溢出性以及不同经济体之间的“污染转嫁”（如区域产业转移带来的隐含碳排放转移与碳泄漏问题）在一定程度上决定了区域间的碳排放具有明显的空间依赖性。③区域一体化进程的加快与区域聚集效应将推动不同地区加强跨区域环境合作以及资源禀赋的流动（如能源禀赋高的地区会使该区以及周边地区的能源使用成本降低，进而提高能源的使用量从而拉动该地区的碳排放）、创新的扩散和减排技术溢出等，进而也会使得碳排放表现显著的空间依赖性。很显然，在区域碳排放的理论和实证研究中，如果忽视碳排放这种客观存在的空间联系，势必会使研究结果出现偏差，进而影响国家和各省域制定有針对性的减排政策。因此，开展对中国省域碳排放空间相关（依赖）结构的研究就显得十分必要。

1 文献综述

目前，关于中国碳排放空间依赖的研究已有大量的文献报道[1-12]。如刘佳骏[3]等利用空间自相关模型与空间溢出模型，利用2000—2010年全国部分省区的面板数据分析了我国碳排放的空间效应，指出碳排放在局部范围内具有较高的空间相关性，“冷点”区与“热点”区空间格局相对稳定，而碳排放溢出效应显著的区域主要集中在经济发达的东部沿海省区与中西部传统能源产品输出省区。张翠菊和张宗益[4]基于Morans I指数从空间依赖的视角刻画了1997—2013年中国省域能源消费碳排放的时空分布和聚集程度，发现我国省域碳排放具有明显的空间集聚特征，碳排放水平相似的区域不断倾向于相邻分布；肖黎姗等[5]的研究也表明，中国省域碳排放与碳强度均呈现正的空间自相关性，且在局部空间上表现出高值的聚集现象。付云鹏等[2]、刘贤赵等[6]和郑长德等[7]以及许海平[8]等基于面板数据运用空间计量模型（包括空间滞后模型和空间误差模型）分析指出，中国省域碳排放存在明显的空间依赖关系，并且其空间依赖的程度随时间推移不断增强而随距离增加不断衰减。

综观现有的国内外文献，在对区域碳排放空间相关的研究方法上，多数学者均是利用ESDA（探索性空间数据分析）方法（如Morans I指数、空间相关局部指标LISA）对区域碳排放的空间依赖性进行定性描述（原因是Morans I指数和局部Moran I指标均为定性指标，仅能表征整体是否存在空间相关性或者局部是否存在某种模式的空间相关性），然后给出空间聚集情况[9-10]，或是基于距离对样本相关系数加权[7]，运用广义空间模型[11-13]探讨碳排放空间相关的存在和大致程度，但并未给出两个区域之间碳排放空间相关的确切数值。此外，上述方法计算过程高度依赖于空间权重矩阵的选取，因而带有一定的人为主观性，而且该空间权重矩阵在描述空间位置的毗邻或距离关系时，也未考虑区域间碳排放的方向问题，从而影响结果的准确性。事实上，任意两个区域碳排放之间的相关程度不仅取决于两者的距离，还取决于方向（如重庆与山西、江西两省的距离相近，但因空间上二者相对于重庆的方向不同，其碳排放的相关程度就有可能相差很大）。由于区域碳排放之间的关系既受时间和空间的双重影响，又与区域范围内的空间相关结构是否各向同性有关，因而这种空间关系具有明显的非线性特征。由于样本相关系数仅能描述两个随机变量间的线性相关程度，不能真正反映区域之间碳排放的空间效应，因此有必要寻求一种既能表达变量之间的空间效应又能刻画变量间非线性关系的方法。Sampson和Guttorp[14]提出的SampsonGuttorp空间相关非参数估计方法（简称SG方法）对此类问题的研究提供了新的思路。该方法在综合考虑时空效应的基础上可以对区域碳排放的非线性关系进行定量估计，并能通过空间变换有效规避空间各向异性的影响，最终得出能真实体现区域碳排放空间依赖程度的相关系数。基于这一考虑，本文采用SG方法对中国30个省域1995—2015年的碳排放量数据进行分析，探讨各省域碳排放之间的空间依赖关系和格局演变特征，为区域实施差异化减排战略和促进区域低碳经济协调发展提供决策参考；同时也在定量研究方法上为现有空间相关问题作进一步的拓展与补充。

刘贤赵等：中国省域碳排放空间依赖结构的非参数估计及其实证分析

中国人口·资源与环境 2019年 第5期2 研究方法

2.1 碳排放量估算

由于目前缺乏碳排放量的直接监测数据，本文依据IPCC推荐的参考方法估算1995—2015年中国大陆30个省、市、自治区（因数据可得性等原因，研究不包括西藏和港澳台地区）8种化石能源（原煤、焦炭、原油、汽油、煤油、柴油、燃料油、天然气）消费的碳排放量，基础数据来源于1996—2016年的《中国能源统计年鉴》和《中国统计年鉴》。其中，海南省2002年和宁夏回族自治区2000—2002年的化石能源消费数据因统计不完整，作者根据其前后年份数据进行插值获取。碳排放量的计算公式为：

C=∑ni=1Ei×ei×pi×44/12

（1）

式中，C为某省区化石能源消费产生的碳排放量；Ei代表第i类化石能源的消费量；ei、pi 分别为第i类化石能源的标准煤折算系数（参见2013年《中国能源统计年鉴附录4》）和碳排放系数（源自IPCC）；n为化石能源种类；44/12表示CO2与碳的分子量之比。由于无法获得重庆市1997年之前的能源消费数据（因该市在1997年之前隶属于四川省），从而无法单独估算其碳排放量。本文考虑人口规模和重庆市在1997年前作为四川省重要工业城市的实际，采用人口占比和工业占比相结合的方法[15]将原四川省1995—1996年估算的碳排放量分配到重庆市和四川省。

2.2 SG非参数估计方法及其求解过程

本文采用的SG方法是对区域间变量各向异性空间依赖结构进行非参数估计的一种定量研究方法，该方法能够对任意空间区域变量的相关结构实现定量估计，具有不受缺失值限制和预测能力强的优点。其核心思想是在综合考虑时间和空间效应的基础上，通过空间变换将原来各向异性的地理G空间映射到一个各向同性且平稳的D空间（目的是使D空间中变量间的相关性只与距离有关而与方向无关，即区域变量间的相关结构只是距离的函数），然后把在D空间定义的区域si和sj的观测变量Y（碳排放量）之间的变差函数作为相关系数的度量，建立其与映射后位置坐标的函数，进而实现对原地理G空间区域变量相关结构的定量估計。

2.2.1 D空间位置zi的估计

设f： R2→R2是G空间到D空间的一个平滑非线性一对一映射，G空间中的位置si对应D空间中的位置zi，且有zi=f（si ）。为求得D空间位置zi的估计，首先使用薄板样条插值函数[16]估计G空间位置si和D空间位置zi间的平滑映射f，即：

f（s）=α0+α1s（1）+α2s（2）+∑ni=1βiui（s）

（2）

式中，ui （s）=|s-si |2 log|s-si |，s（j）为位置s的第j个坐标，α和β为待估参数。本文采用两个薄板样条函数f1和f2进行估算，但需要引入平滑参数λ。对于任意给定的λ，通过最小化公式（3）即可得到参数α和β。

∑nj=1∑2x=1（zix-fx（si））2+λ（J2（f1）+J2（f2））

（3）

式中，zi1和zi2分别表示zi的第一维坐标和第二维坐标；J2表示函数的平滑程度，其表达式为：

J2（f）∫R2 2fx122+2fx1x22+2fx222dx1dx2

（4）

得到估计值f^后，再用多维量表法（Multidimensional Scaling，简称MDS，其作用是生成样本区域的一个二维位置坐标，使得区域间内点距离的某个函数代表样本的半变差函数）建立G空间位置si在D空间对应的二维位置zi，且满足各向同性假设，然后通过D空间新位置（z1，…，zn）间的内点距离估计变差d2ij。新位置zi的坐标不断变换直至D空间的内点距离|hdij |满足以下最小化准则：

minδ∑i

（5）

式中，δ是单调函数，δ（dij）=δj≈|zi-zj|，可由MDS算法得到；|hDij |=|zi-zj |为D空间的距离。最后利用zi=f（si ），可得到zi的最终估计。

2.2.2 相关系数的估计

在通过平滑非线性映射后，对于G空间中位置si和sj之间的任何变量（如碳排放量）的变差函数均可通过在D空间的对应位置zi和zj来表示，即：

2r（si，sj ）=var[Y（si ）-Y（sj ） ]=var[Y（zi ）-Y（zj ） ]

=2g（|hDij | ）

（6）

式中，g表示D空间中的半变差函数（因为假设D空间为各向同性，故g只是与距离|hDij |有关的函数），本文选用的半变差函数为指数模型，其表达式为：

r（hDij ）=a0+（2-a0 ）（1-exp（-t0×hDij ） ）

（7）

式中，a0，t0为待估参数，其它字母含义同前。

由于2r（si，sj ）=2g（|hDij |），因此G空间中任意两个位置si和sj之间的协方差估计值为：

C（h）=C（0）-g（|hD12 |）

（8）

式中，C（0）为方差，进而可得到空间相关系数的估计值。上述整个计算利用R3.4.4软件[17]通过编程完成。

3 实证结果与分析

根据估算的各省域碳排放量，以及利用各省会、直辖市的经纬度计算得到的各省域之间的距离，采用上述SG方法计算出各省域碳排放之间的空间相关系数。为考察中国省域能源消费碳排放空间相关结构随时间的变化，根据1995—2015年中国省域碳排放空间自相关全局Morans I指数“降—升—降”的时间变化特性[18-19]，本文将研究时期划分为3个阶段：1995—2001年（第一阶段）、2002—2008年（第二阶段）和2009—2015年（第三阶段），每7年为一个考查期。通过比较SG方法得到的空间相关系数（简称SG相关系数）和样本相关系数的差异，结合实际分析SG相关系数的合理性。需要说明的是，相关系数不一定是因果关系，有可能仅是表面上的伴随关系，或是两个区域变量（碳排放）同时受另一因素（如国家环境政策或减排技术扩散等）的影响。篇幅所限，本文仅列举部分数据进行分析。

3.1 省域碳排放空间相关结构随时间的变化

为了探讨中国省域碳排放空间相关程度随时间的变化，限于篇幅，本文仅选取代表东、中、西部地区的上海（东部沿海经济最发达的省区，其产业结构、能源消耗和技术进步在东部地区具有较好的典型性）、河南（地处中华腹地，经济相对发达，呈望北向南、承东启西之势，在中部崛起和承接东部沿海地区产业向西部转移中具有举足轻重的作用）和内蒙古（属资源型省份，经济发展对耗能性产业依赖较大，其能源消费结构和传统高耗能企业在西部地区具有一定的代表性）3个省市与SG相关系数较高的全国部分省份（省份选取遵循两个原则：一是省域间SG相关系数随时间变化明显且具有代表性；二是省域之间在空间距离上要体现由近及远的变化规律）进行分析。

图1显示，在1995—2015年的3个阶段，省域间碳排放SG相关系数均表现为先增大后减小的趋势，即从第一阶段到第二阶段SG相关系数显著提高，而在第三阶段明显下降。但不同省域之间相关程度变化的幅度不同，如上海与江苏的SG相关系数变化幅度明显要小于上海与山东的，河南与河北的明显要小于河南与北京的。SG相关系数随阶段的这种变化规律表明中国省域间的碳排放在经历了显著的空间依赖（聚集）后有衰减的态势，也即省域间的空间相互作用在减弱，这与我们以前的研究结果相吻合[6]。

3.2 不同阶段省域碳排放相关系数的比较分析

3.2.1 第一阶段（1995—2001年）

在此阶段，中国省域碳排放的样本相关系数表现出较大的波动性，其数值变化在-0.91～0.90；并且多数省域之间出现了负相关的情况，其中以东北地区的黑龙江、吉林，中部地区的湖南、江西和西部地区的陕西、四川与其他省域之间的负相关最为突出，特别是四川与福建、广东之间的样本相关系数分别达到-0.91和-0.89（见表1），意味着中国各省域碳排放变化有反向发展趋势。然而，在此期间SG相关系数均为正值，且绝大多数介于0.60～0.75之间。但东部地区的海南，西部地区的青海、宁夏、新疆、甘肃、陕西、云南、贵州等省份与全国其他省域的SG相关系数相对要低，主要介于0.50～0.60之间。

基于以上数据，本文认为样本相关系数展示的负相关情况与现实情形不符，且难以解释；而采用SG方法得到的SG相关系数对理解中国各省域碳排放之间的空间相关关系具有一定的合理性。这是因为，在此阶段发生了一系列影响中国各省域经济发展的重大事件，而一个区域的碳排放水平又与其社会经济发展密切相关，且两者在空间分布上呈现一定的耦合关系（如碳排放较高的省份多处于经济较发达的沿海地区）[7，20]。具体说来，一是在改革开放后的1995—1998年，社会主义市场经济体制改革日趋深化，市场参与主体不断增多，劳动力通过市场化与资本形成自然结合，省域之间人力资本的流动性有所增强，各省域的碳排放主要以高耗能、高排放的经济增长方式驱动，但在此时段我国工业化程度较低，经济发展主要是依靠轻工业和劳动密集型产业，因而各省域能源消耗和碳排放增长相对缓慢（见表2、表3），两者年平均增速仅为1.1%和1.2%，故多数省域之间的SG相关系数大体一致。二是我国在1999年提出了西部大开发战略，并于2000年正式启动。国家通过对西部投入巨资，兴建“十大工程”，开展西电东送、西气东输和青藏铁路等基础设施建设，不仅增强了省域之间人才、资源、技术等的流动性，而且推动了中西部地区新一轮以重工业为主的经济快速发展，并由此带来了中国各省域对一次性能源消耗需求的快速增长和碳的高排放，表现为1999—2001年各省域能源消费和碳排放量年平均增长率分别达7.9%和6.7%，并且中、西部地区省域碳排放的平均增长速度大体相似（见图2），结果使中西部省域碳排放的空间相依关系增强。三是2001年，我国正式加入世界贸易组织（WTO），中国多边外交活动开启，商品的国外需求增加，带动资源、技术、贸易、信息等要素在省域之间的流通加快，资本的获取变得更加便利。这些因素在促进我国各省域经济发展的同时，也刺激了各省域能源的消耗，从而导致了部分省域碳排放量的同步增长，进而使各省域的碳排放呈现出明显的空间依赖关系。需要指出的是在第一阶段，由于受亚洲金融危机和国家宏观调控政策（1996年国务院出台了关停高能耗、高污染、低效率的工业项目法规）的影响，1998—2001年连续4年出现通货紧缩，国内投资和经济增速放缓，各省域碳排放量增幅较小，部分省份甚至出现了负增长的情况（见表3），这在一定程度上减缓了因经济发展效应导致的各省域碳排放空间相依关系的提升，使得该阶段整个SG相关系数仍停留在相对较低的水平。而西部欠发达地区，特别是西北地区的青海、宁夏、甘肃和新疆，由于地理位置相對偏远、交通条件不便，以及经济发展长期依赖于能矿资源优势形成的高能耗产业，导致其经济规模相对有限，从而与别的省域在资源、技术、信息等的关联关系不强，省域之间碳排放的SG相关系数较低，这与现实情况是相符的。至于四川与全国其它多个省域样本相关系数出现负相关的情况（见表1），本文认为与现实相悖。原因是在此阶段，尽管受1997—1998年亚洲金融危机的影响，但国内各省域经济仍都保持增长的势头，全国人均GDP由1995年的5 046元增长到2001年的8 622元，而同期四川与其它各省域的碳排放也呈逐年递增的趋势（见表3）。综上分析，我们认为使用样本相关系数描述中国省域碳排放之间的相关结构是不太合理的，而用SG方法得到的相关系数具有一定的合理性。

3.2.2 第二阶段（2002—2008年）

与第一阶段相比，本阶段省域之间碳排放样本相关系数整体明显增大，其数值主要介于0.65～0.85之间，少数省域之间样本相关系数达到0.85以上，第一阶段出现负相关的情况在该阶段基本消失。但西北地区的陕西、甘肃、青海、宁夏、新疆以及西南地区的重庆与全国其它省域的样本相关系数仍然较低，多数值介于0.30～0.65之间，个别省域甚至出现了负相关的情况，如新疆与广东之间的相关系数为-0.15。与样本相关系数相似，在此阶段省域碳排放之间的SG相关系数也显著增加，多数省域的SG相关系数均维持在0.75～0.90之间，而且相邻省域之间SG系数普遍较高，表明省域之间的碳排放存在明显的空间关联和空间溢出，碳排放之间的联系更加紧密，并且碳排放较高或较低的省域在空间上不断趋向于相邻，这与张德钢等基于社会网络分析得到的结果相似[21]。而西北地区省域，尽管SG相关系数相对较低，但比起第一阶段已有显著提高，其中多数SG相关系数已步入0.70～0.85之间。限于篇幅，表4仅列举第一、第二两个阶段陕西省与其它各省域之间的SG相关系数。

第二阶段是我国加入WTO和实施西部大开发战略后经济的一个快速发展时期[22]，同时也是我国各省域能源消费和碳排放增长最快的时期。在此阶段，我国对外开放进入新篇章，国内投资环境改善，固定投资持续增长，国家经济发展重心开始向西部大幅移动；加上受西部大开发持续推进、中部崛起和东北振兴等战略实施的影响，能源跨区调配（西气东输、北煤南运等）和产业集聚化生产成为可能，进而使各省域碳排放在空间上的联系加强。同时， 注：A、B分别表示第一阶段（1995—2001年）和第二阶段（2002—2008年）。资本流动、技术溢出以及人才交流等在省域之间变得更加迅速，各省域之间的经济联系和作用加强。由于各省域经济增长更多地依赖于一次能源的消耗，因而在经济快速发展的同时，也带来了能源消耗与碳排放的快速增长（见表2、表3）。如2003—2006年，全国各省域人均GDP年均增速达11.57%，而同期的能源消费和碳排放量年均增长率分别为13.15%和12.24%；并且各省域碳排放随经济增长均呈近线性关系。经测算，在2002—2008年，东、中、西部各省域的碳排放与人均GDP之间的相关系数平均分别为0.978、0.956和0.995。由于各省域碳排放与同期社会经济发展密切相关，从而导致各省域碳排放的空间相依关系普遍增强，SG相关系数明显增大。值得注意的是，西北省区因受西部大开发以及东南沿海地区产业加速转移的影响，能源工业快速发展，以高耗能为主的重化工、冶炼等产业逐渐成为区域发展的支柱产业；再加上陕西、甘肃、宁夏、内蒙古沿黄经济带受周边省区碳排放的溢出作用（欠发达地区与发达地区普遍存在溢出关系，经济发展差距越大，越容易产生溢出效应），使得西北省域碳排放的年均增长速度（14.40%）明显快于中部地区（9.87%）、东部地区（11.92%）和西部地区（13.06%），其碳排放总量占全国的比重也从2002年的11.62%上升到2008年的13.71%。由于西北省域碳排放起点低、增速快，东中部省域碳排放起点高、增速慢，从而使西北地区和东中部地区省域的碳排放在该阶段几乎表现出一致的变化规律（见图2），结果导致西北省区与全国其它省域碳排放的SG相关系数较第一阶段显著增大。但也存在一些难以解释的现象，如新疆与广东两个省份，它们的样本相关系数为-0.15，这显然与事实不符。主要原因有3个：一是虽然广东与新疆相距甚远，但在此阶段二者的经济均保持较快的发展速度，由此能源消耗和碳排放也同步增长（见表2、表3）；二是广东是我国东南沿海改革开放的先行区，经济发展水平在南方省份最高，其产业梯度转移使得相关高耗能产业在空间上逐步向西部地区的新疆等地布局，受技术进步和产业转移的影响必将促使新疆的能源消耗和碳排放发生变化；三是在2005年前后，广东省产业结构仍处于向高端制造业与生产性服务业转型升级阶段，制造业对能源需求依然较大，是典型的能源净输入省份，而新疆作为我国重要的油气煤生产基地，其能源输出必将缓解广东对一次能源的依赖程度，进而影响其能源消耗和碳排放。基于上述理由，本文认为未作变换得到的新疆与广东之间的样本相关系数不符合实际。这也再次证明，使用样本相关系数刻画省域碳排放之间的空间关系存在一定的偏差，而用SG相关系数比样本相关系数更令人信服。此外，我们也发现空间异质性的存在，如安徽到吉林和安徽至青海的距离相当，但安徽与吉林、青海的SG相关系数却分别为0.83和0.69，表明在空间距离大体相似的省域，由于方向的差异，SG相关系数也会有所不同。这也说明，由于地区经济和碳排放受到政府干预和市场的双重影响，各省域碳排放之间的空间关联也可能呈现复杂、多重的特征。

3.2.3 第三阶段（2009—2015年）

在第三阶段，省域碳排放样本相关系数再次出现负相关的情况，表现为四川与西北地区的陕西、甘肃、宁夏、青海、新疆等省域出现负相关关系，特别是北京与22个省份均是负相关（见表5）。而SG相关系数较第二阶段在数值上有不同程度的下降，但绝大多数仍维持在0.70～0.80之间，表明我国省域碳排放的空间依赖关系在经历了高度空间聚集后有减弱的趋势，但总体上仍具有相对较高的空间相关性，且聚集特征明显。

究其原因，我们认为有以下两点：一是在此阶段发生了一系列影响经济发展的重大事件，如2010年中国—东盟自贸区正式全面启动，上海世博会成功举办和2013年上海自贸区设立，以及2014年APEC峰会召开等，这些有重大影响力的事件在推动环境质量改善的同时，也促使中国积极参与国际经济技术合作与竞争。特别是“十七大”提出的“堅持对外开放的基本国策”为地方政府参与国际合作提供了政策导向。各省域为破解本地因能源、技术、市场、劳动力等成本增加对经济发展造成的困局，积极开展对外经济合作（如广西与新加坡合作建立了南新经济走廊，云南与孟缅印打造跨境经济合作区），使技术、劳动力和资源等要素的流动不再局限于国内省域，而是面向国际市场，导致各省域在经济发展中可选择的对象和合作范围不断扩大（如江苏注重发挥本地能源资源优势，与美国在新能源领域合作，利用太湖藻类提炼生物柴油；宁夏利用国务院批复建设的宁夏内陆开放型经济试验区，除与阿拉伯国家在经贸投资加强合作外，还不断扩大在旅游文化、新能源以及科技等领域的合作），因而与经济发展紧密相联的碳排放对国内省域的依赖性降低。二是在经历了第二阶段碳排放的快速增长之后（如2007年中国碳排放量超过美国而成为世界上最大的碳排放国），绿色发展越来越成为重要的经济发展诉求，中央和地方政府陆续制定了一系列用于指导和规范全国及各省域节能减排的政策和措施（如2009年广东发布了《2010—2015年广东省现代产业体系总体规划》；2011年河北出台了“双三十”节能减排政策；2014年国务院发布了《2014—2015年节能减排低碳发展行动方案》，同年北京出台了《碳排放权抵消管理办法》），要求各省域结合自身实际积极探索经济新常态下适合本省低碳产业发展的体制机制，使各省在发展模式、产业结构和减排策略等方面表现出一定的差异性和多样性（如山东、上海和广东同属于东部地区，但经济发展模式和支柱产业存在很大差异，广东以能源消耗低的电子加工、玩具、纺织等劳动力导向型产业作为支柱产业，碳排放相对较低；上海立足于制造业，经济发展正由外延性增长向内涵型经济增长模式转变；而山东以资源和重工业为主导发展模式，碳排放远高于上海和广东），从而导致省域间碳排放的空间相依关系减弱，SG相关系数降低。

至于四川与西北地区省域出现负相关的情况，可能与西北省域碳排放的年际异常有关。在此阶段，特别是2009—2011年，为应对金融危机余波的影响，国家以4万亿基建投资和高耗能为代价维持经济平稳，导致各区域碳排放快速增加（见图2）。为遏制碳排放增长过快，国家对重点行业实施节能减排措施，多数省域碳排放从2011年开始进入低水平或负增长通道。据统计，2011—2015年全國各省域碳排放年均增幅为3.11%，但同期西北地区省域碳排放仍呈爆发式增长（见图2），其中新疆碳排放年均增幅达15.75%，而四川碳排放年均增幅却为-1.39%。对于北京与天津等22个省域出现负相关的情形，本文认为不具有完全合理意义。主要原因是：首先北京作为全国政治、文化、科技、信息中心，其优越的地缘条件、良好的外部资源和显著的集群优势必然使北京与周边省域在金融资本、技术信息和人才等方面产生交流渗透，加之2014年京津冀协同发展上升为国家战略，京津冀一体化进程加快，北京市产业优化调整和第三产业比重提升有可能带动周边像山西、天津、河北、辽宁等省域碳排放绩效的提升；与江苏、浙江、广东等这样快速发展的省份更不可能出现负相关的情况。其次是在2009—2015年，当全国各省域（西北省区除外）碳排放进入减速增长或负增长阶段时，北京的碳排放增速也表现出了与其周边省域及东部地区部分省域相似的变化特性（见表6）。因此，对比表5中的数据，再次验证未作变换得到的样本相关系数存在一定的不合理性，而SG相关系数无论在理论上还是实践上都十分接近实际。

3.3 基于相关系数的省域碳排放空间聚类分析

为进一步探讨省域间碳排放空间依赖的群集情况，本文选取第三阶段（2009—2015年）的SG相关系数和样本相关系数，采用欧式距离和离差平方和法（ward）进行聚类分析，得到聚类结果如图3。由图3可以看出，基于样本相关系数的聚类十分凌乱，且聚类结果与事实相悖，如北京因与其它省域间的相关性较低而单独自成一类，这显然与现实不符；而相比之下，利用SG相关系数得到的聚类较易于接受。为此，本文基于SG相关系数的聚类结果，结合2009—2015年各省域的年平均碳排放量，将该阶段中国各省域的碳排放状况划分为4种类型（即高排放区、较高排放区、中等排放区域和低排放区），并与李建豹[23]等得到的结果进行比较（见表7）。

致呈东、中、西和北、中、南梯度发展态势，即东部地区和北部地区省域的碳排放量明显高于西部地区和南部地区的省域，而中部地区省域居二者之间，这与前人得到的结论基本类似（略有差异的原因可能是本文采用的是2009—2015年各省域碳排放量的平均值，且考虑了省域间碳排放的空间相关性，而李建豹等仅用了2012年的碳排放数据），从而间接验证了SG方法在实际应用中的可行性。具体而言，高碳排放和较高排放的省域主要分布在除北京、天津以外的华北地区、东北地区和东南沿海地区（福建、海南除外）以及内地的山西、河南和安徽，原因是这些区域工业基础较好，第二产业比重较高（超过50%，第二产业的碳排放量远高于第一、第三产业）或者重工业发达，且能源消耗以煤、石油等化石能源为主。如产业结构偏重的东北省区，因以高排放的低端制造业为主，能源及原材料产业占比较大，能耗技术相对落后，因而碳排放量较高。河南受“中原崛起”战略的影响，经济发展迅速，工业化的快速推进消耗了大量的化石能源，导致其2015年GDP总量和碳排放量均跃居全国第5位。至于山西和内蒙古，两者均是我国重要的煤炭储备基地，资源依赖型企业所占比重较高，经济发展仍以高耗能、高碳排放的重化工、冶炼等产业为主，且高度依赖于煤炭的消耗。近年来，山西和内蒙古占全国碳排放总量的份额呈增加趋势，2015年内蒙古碳排放占全国总量的份额就达到7.0%，从而形成高的碳排放格局。而分别作为珠三角和长三角经济发达省份的广东和浙江，因其产业结构仍处在向高端制造业与生产性服务业的转型升级阶段，制造业对能源的需求依然较大，快速的经济增长导致巨大的能源消耗，促使其碳排放量仍处于较高水平。

中等碳排放的省域主要集中在中部地区的湖南、湖北、江西和西部地区的四川、陕西、新疆以及东部沿海的福建。原因是位于中部、西部地区的上述省域属于产业结构相对传统的省区，能源结构改善较小。特别是陕西、新疆作为西部大开发实施的重点省份，近年来经济增长迅速，以煤炭、石油为主的能源结构和占工业产值50%以上的电力、石化等高耗能行业促使其碳排放爆发式增长（如2009—2015年新疆碳排放年均增幅为15.75%，2015年碳排放量达35.6×107 t）。但在西部大开发和中部崛起的实施过程中，承接了大量东部发达地区的先进产业，且淘汰了本地部分落后产能，能源利用效率有所提高，故碳排放处于中等区域。此外，福建作为海西经济区的主体，经济发展迅速，2009—2015年碳排放量年均增幅为2.39%，但因该阶段能源结构调整，高碳能源煤炭所占比重从2009年的65.5%下降到2015年的50.5%，清洁能源所占比重有所提高，因而其碳排放处于中等水平。低排放的省域主要分布在西北内陆的青海、宁夏、甘肃，西南地区的云南、贵州、重庆和东部地区的北京、天津、上海以及华南地区的广西、海南（表7）。这是因为随着西部大开发战略十几年的实施，尽管西部地区上述省域经济取得了快速发展，碳排放量也增长较快，但由于经济总量偏低，碳排放量基数较小，因而与东部地区省域相比，其碳排放总量仍然较低。如以2014年为例，位于西北地区的青海、宁夏、甘肃3个省域的碳排放总量仅为35.9×107 t，只相当于东部地区山东省的46.6%；就单个省而言，山东省的碳排放量却是同期青海省的16.14倍。至于环渤海经济圈的北京、天津和长三角的上海，其碳排放却处于低区域，原因在于京津地区和上海已形成了以现代服务业、高科技产业为主的产业结构，能源使用技术和产业节能工艺先进（如技术进步每增加1%可降低碳排放量1.31%）；同时，在控制能源总体消耗的同时，已将一些高污染高耗能的产业转移到其他地区（如首钢等重碳排放企业迁出北京），再加上新能源发展迅速，电力消耗以外部输送为主[24]，其能源消费和碳排放量自然较低。而广西和海南作为全国农业和旅游大省，其工业经济所占比重在全国所有省份中较低，故其碳排放量也较低。因此，总体上我国碳排放处于东高西低、北高南低的空间分布格局。

4 结论与政策建议

本文利用SG方法对1995—2015年中国省域碳排放的空间相关结构进行了非参数定量估计，通过比较SG相关系数与样本相关系数，结合中国经济发展与碳排放的实际，验证了该方法在中国省域碳排放实证研究中的有效性和合理性，弥补了ESDA方法和空间计量模型在省域碳排放空间相关研究中的不足，为定量研究空間任意两区域变量的相关程度提供了新的思路。基于SG相关系数及其聚类分析的结果表明：①在对中国3个阶段省域碳排放的相关结构研究中，未作变换得到的样本相关系数存在一定的不合理性，与现实出入较大，而SG相关系数无论在理论上还是实践上都十分接近实际。②中国省域碳排放存在明显的空间正相关性和空间异质性，且碳排放较高或较低的省区在空间上逐渐趋于相邻，但随着时间的变化，空间相关性在高度聚集后又有所减弱。③中国省域碳排放存在东、中、西和北、中、南梯次格局，即东部地区和北部地区省域的碳排放量高于西部地区和南部地区，而中部地区省域居二者之间。

针对当前中国省域碳排放的空间相关结构和分布格局，未来在实现经济增长和节能减排的双赢目标中，应充分考虑碳排放的空间相关性和外溢性，在将空间依赖性纳入到碳减排政策制定的同时，对重点区域或重点行业应采取差异化的政策措施。对于经济发展较快的东部沿海、南部沿海省区，应严格控制其碳排放总量，对高排放行业或溢出效应明显的区域（如环渤海经济圈），应采取强制措施有效实施产业升级，重点发展新能源产业、高新技术产业和高端服务业，走低碳、节约型的循环经济发展模式；对于能源依赖较高的东北地区和西北地区，在兼顾经济发展与碳减排的同时，应通过加快产业结构调整、优化升级和技术进步等方式，逐步降低高耗能产业的比重，转变以煤炭、石油类能源为主的消费结构，改变资源密集与高碳产品出口，限制来自东部省域不能产生正向增长效应的产业转移；对于中部地区的省份，则应适度控制碳排放强度，淘汰落后产能，优化能源消费结构，通过提高能源效率促进经济增长方式的实质性转变。此外，在实施“共同但有区别”减排政策时，应加速发达与不发达地区经济技术等方面的合作，积极建立跨省域的协同减排机制，加强与周边地区和高度相关地区联系与合作，缩小碳排放的区域差异，以实现区域范围内的联动减排；同时把握好省域之间碳排放相关程度随时间的变化趋势，适时调整减排策略，最终实现经济和谐发展和全面减排。

（编辑：刘照胜）

参考文献

[1]张翠菊，张宗益. 能源禀赋与技术进步对中国碳排放强度的空间效应[J]. 中国人口·资源与环境，2015，25（9）： 37-43.

[2]付云鹏，马树才，宋琪. 中国区域碳排放强度的空间计量分析[J]. 统计研究，2015，32（6）： 67-73.

[3]刘佳骏，史丹，汪川. 中国碳排放空间相关与空间溢出效应研究[J]. 自然资源学报，2015，30（8）：1289-1303.

[4]张翠菊，张宗益. 中国省域碳排放强度的集聚效应和辐射效应研究[J]. 环境科学学报，2017，37（3）： 1178-1184.

[5]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.

[6]刘贤赵，高长春，张勇，等. 中国省域能源消费碳排放空间依赖及影响因素的空间回归分析[J]. 干旱区资源与环境，2016，30（10）： 1-6.

[7]郑长德，刘帅.基于空间计量经济学的碳排放与经济增长分析[J]. 中国人口·资源与环境，2011，21（5）： 80-86.

[8]许海平.空间依赖、碳排放与人均收入的空间计量研究[J]. 中国人口·资源与环境，2012，22（9）： 149-157.

[9]CHENG Y Q， WANG Z Y， YE X Y， et al. Spatiotemporal dynamics of carbon intensity from energy consumption in China[J]. Journal of geographical sciences， 2014， 24（4）： 631-650.

[10]王佳，杨俊.中国地区碳排放强度差异成因研究——基于Shapley值分解方法[J]. 资源科学，2014，36（3）： 557-566.

[11]CLARKE-SATHER A， QU J， WANG Q， et al.Carbon inequality at the subnational scale： a case study of provinciallevel inequality in CO2 emissions in China 1997-2007[J].Energy policy， 2011， 9（9）：5420-5428.

[12]魏下海，余玲铮. 空间依赖、碳排放与经济增长——重新解读中国的EKC假说[J].探索，2011（1）： 100-106.

[13]马军杰，陈震，尤建新.省域一次能源CO2排放的空间计量经济分析[J].技术经济，2010，29（12）： 62-67.

[14]SAMPSON P D， GUTTORP P. Nonparametric estimation of nonstationary spatial covariance structure [J]. Journal of the American Statistical Association， 1992， 87（417）： 108-119.

[15]贺俊，刘啟明，唐述毅. 转移支付、产业结构与碳排放——基于内生增长的理论和实证分析[J]. 东北大学学报（社会科学版），2017，19（2）： 153-159.

[16]WABBA G， WENDELBERGER J. Some new mathematical methods for variation objective analysis using splines and crossvalidation[J]. Monthly weather review， 1980， 108： 1122-1143.

[17]R Development Core Team. R foundation for statistical computing Vienna， Austria [EB/OL]. 2014-12-15[2018-07-12]. http：//www.R-project.org.

[18]高长春，刘贤赵，李朝奎，等. 近20年来中国能源消费碳排放时空格局动态[J]. 地理科学进展，2016，35（6）： 747-757.

[19]刘贤赵，高长春，张勇，等. 中国省域碳强度空间依赖格局及其影响因素的空间异质性研究[J].地理科学，2018，38（5）： 681-690.

[20]LI Y， HEWITT C N. The effect of trade between China and the UK on national and global carbon dioxide emissions [J]. Energy policy， 2008， 36（6）： 1907-1914.

[21]张德钢，陆远权. 中国碳排放的空间关联及其解释——基于社会网络分析法[J]. 软科学，2017，31（4）： 15-18.

[22]刘占成，王安建，于汶加，等. 中国区域碳排放研究[J]. 地球学报，2010，31（5）： 727- 732.

[23]李建豹，黄贤金，吴常艳，等. 中国省域碳排放的空间格局预测分析[J]. 生态经济，2017，33（3）： 46-52.

[24]赵欣，龙如银. 考虑全要素生产率的中国碳排放影响因素分析[J]. 资源科学，2010，32（10）： 1863-1870.

[25]SU B， ANG B W. Inputoutput analysis of CO2 emissions embodied in trade： a multiregion model for China [J]. Applied energy， 2014， 114： 377-384.

[26]SWITZER P. Nonstationary spatial covariance estimated from monitoring data in geostatistics [M]. Amsterdam： Kluwer Academic Publishers， 1989：127-138.

[27]WEERAHANDI S， ZIDEK J V. Bayesian no smoothers [J]. Canadian journal of statistics， 1988， 16： 61-74.

[28]MEIRING W， GUTTORP P， SAMPSON P D. Computational issues in fitting spatial deformation models for heterogeneous spatial correlation[C]// Proceedings of the 29th Symposium on the Interface： Computing Science and Statistics. 1997.

[29]MEIRING W， MONESTIEZ P， SAMPSON P D. Developments in the modeling of nonstationary spatial covariance structure from spacetime monitoring data// Geostatistics Wollongong 96 [M]. Amsterdam： Kluwer Academic Publishers， 1997：162-173.

[30]ALEXANDRA M S， OHAGAN A. Bayesian inference for nonstationary spatial covariance structure via spatial deformations [J]. Journal of the Royal Statistical Society series B：statistical methodology， 2003， 65（3）： 743-758.

[31]JIM Z， LI S， LE N， et al. Contending with spacetime interaction in the spatial prediction of pollution： Vancouvers hourly ambient PM10 field [J]. Environmetrics， 2002， 13： 595-613.

[32]劉明， 王思文. β收敛、空间依赖与中国制造业发展 [J]. 数量经济技术经济研究，2018， 2： 3-12.