基于地理加权回归的省域碳排放影响因素研究

杨青，彭若慧，刘星星*，曹兰娟,2

1.武汉理工大学安全科学与应急管理学院

2.浙大宁波理工学院机电与能源工程学院

气候变化是当今人类面临的重大挑战，应对气候变化已经成为全球共识，全球各国和地区均需要大幅提升自主贡献目标，加大碳减排力度[1]。然而随着我国成为全球碳减排领域的主要国家之一，我国的碳排放量变化趋势也逐渐成为全球关注的焦点，积极应对气候变化并早日实现碳达峰是我国对国际社会的一项重要承诺[2-4]。然而中国幅员辽阔，不同区域的碳排放及其驱动因素存在差异性，因此，探讨碳排放影响的区域特征对各地区低碳政策的制定具有一定的指导意义[5]。

目前，众多学者对区域碳排放量及其影响因素进行了大量研究。如Wang等[6]研究发现，能源强度对碳排放量的影响在发达地区最大，城市化水平、产业结构和对外贸易的便利程度对欠发达地区的碳排放量影响较大。Xu等[7]研究发现，黄河中游、东北和西北地区的资源供给对区域经济增长产生不利影响，从而间接影响该地区的碳排放量。马忠等[8]运用假设抽取法（HEM）研究了中国区域间碳排放关联分析，结果表明，较发达沿海地区和发展中区域在减排方面承担的责任更大，对能源的需求也更高，这导致碳排放量增加，尤其是石化、电力、蒸汽、热水、燃气、供水等行业对碳排放的影响较大。邬娜等[9]对“一带一路”的沿线国家碳排放EKC检验及脱钩关系开展研究，结果表明沿线国家人均能源消费量随着人均GDP的增长而下降，而人均碳排放量则随着人均GDP的增长而上升。李艳红[10]以经济、能源、人口和环境要素构建山东省能源消耗碳排放系统仿真模型，进行单维度情景与多维度综合情景仿真模拟，发现产业结构、科技投入与能源结构调整能够有效促进碳减排，尤其是清洁技术投入作用显著，多因素协同比单因素调整更有作用。崔盼盼等[11]运用LMDI-Ⅰ分解方法解析中国能源行业各区域碳减排过程，遵循“减排有效性-碳排放强度贡献-省份综合贡献-减排有效性与省份综合贡献关系”的思路，发现各省份间的减排路径存在显著差异。刘彤等[12]研究城镇化建设的不同阶段对建筑业碳排放量的影响，发现在城镇化进程中，短期内容易促进建筑业碳排放量的增加，而在长期发展过程中，一旦城镇化发展达到转折点，将会抑制建筑业碳排放。

目前，碳排放研究多集中于基于序列数据和面板数据的碳排放预测[13-14]、基于回归分析和指标体系的碳排放评价[15-16]、碳排放政策情景演化[17]等，碳排放空间效应分析则较为薄弱，而碳排放地理空间差异分析是碳减排路径解析与碳政策优化的重要支撑[18]。当前，我国生态文明建设和城镇化发展正进入由量变到质变的关键时期，如何检验各省（区、市）的碳排放量及其影响因素并采取措施达到减排效果，从而实现我国区域经济的协调发展，已成为亟须解决的难题。

为探索区域发展与碳减排的空间演化关系，笔者从人口、能源消费、城镇化建设发展3个因素中选取2007——2017年30个省（区、市）的人口规模、化石能源消费总量、电力消费总量、城市公共汽电车辆和主要建材消耗量5个变量，利用地理加权回归方法从空间效应视角对我国省域碳排放量进行深入分析，并根据所得结论提出相应的减排措施和政策建议。

1 数据来源与方法

以30个省（区、市）为研究对象（西藏和港澳台缺乏数据），选取2007年、2012年和2017年作为时间节点，分析碳排放量及影响因素的空间差异性。

1.1 变量选择

影响碳排放量的因素众多，包括人口因素、经济水平、城镇化水平、工业结构、外贸程度、能源消费等[19]。在选择指标变量时主要考虑以下3个方面：1）我国是一个人口规模巨大、各地区能源生产和消费不均衡的国家，不同发展地区的人口因素和能源消费对碳排放量的影响值得深入研究和讨论；2）在国家的“十四五”规划和2035年远景目标中大力倡导发展城镇化建设和生态文明建设，其中建筑业和城市公共交通发展占有不可忽视的地位，鉴于此探究这两大因素对碳排放量的影响；3）碳排放量影响因素众多，而地理加权回归方法对多个变量的多重共线性的要求较高，因此在选择变量时要着重考虑各变量之间是否存在高度多重共线性。综上，选择2007——2017年30个省（区、市）的人口规模、电力消费总量、化石能源消费总量、城市公共汽电车辆和主要建材消耗总量作为自变量，分别探究这5个因素对碳排放量影响的空间差异性。

1.2 碳排放量测算及数据来源

对于二氧化碳排放量的测算，目前国际上现有比较权威的是根据《2006年IPCC国家温室气体清单指南》中能源部分所提供的基准方法，即二氧化碳的排放量可以根据各种能源消费量和对应的碳排放系数计算求得，其计算公式如下：

式中：y为二氧化碳排放量；Ek为第k种化石燃烧消耗量；fk为第k种化石燃料的二氧化碳排放系数。

参考文献[20]中的方法计算fk， 公式如下：

式中：qk、mk和ok分别为第k种化石燃料的低发热量、碳含量因子和碳氧化因子。

鉴于中国能源的结构以煤炭为主，石油和天然气次之。因此，考虑数据缺失的问题，最终选择原煤、焦炭、天然气等7种能源消费量来计算二氧化碳排放量。化石能源消费总量数据来源于《中国能源统计年鉴》，电力消费总量、人口规模、城市公共汽电车辆等数据来源于中经网统计数据库（https://db.cei.cn/），主要建材消耗总量数据来源于《中国建筑业统计年鉴》。

1.3 研究方法

1.3.1 空间自相关

碳排放空间相关性用Moran's I指数来衡量，Moran's I 指 数 分 为 全 局 Moran's I 指 数 和 局部Moran's I指数。其中全局 Moran's I指数可以用于研究整体区域碳排放量的空间相关性，局部Moran's I指数可以用于研究各省（区、市）与其邻近省（区、市）之间的碳排放量的空间相关性[21]。

全局Moran's I指数计算公式如下：

式中：I为全局Moran's I指数； ωij为空间权重函数；yi和yj分别为省（区、市）i和j的碳排放量；y¯ 为各省（区、市）碳排放量的平均值；n为省（区、市）的数量。

局部Moran's I指数计算公式如下：

式中Ii为省（区、市）i的 Moran's I指数。

1.3.2 地理加权回归

地 理 加 权 回 归 （geographically weighted regression，GWR）是Fotheringham等在传统最小二乘法（ordinary least squares，OLS）模型的基础上将数据的地理位置加入回归参数中，同时考虑相邻点的空间权重，允许局部参数估计的地学统计方法[22]。GWR用于描述碳排放量影响因素的空间异质性，公式如下：

式中： ( µi,vi)为省（区、市）i的空间地理位置； β0为(µi,vi)处的固定效应截距；Xil为省（区、市）i的影响因素l的取值； βl为Xil的回归系数； εi为随机误差。

2 结果与分析

2.1 省域碳排放量空间分布特征

按照《中国统计年鉴》对省域进行划分，将30个省（区、市）按照东部地区(北京、天津、河北、山东、上海、江苏、浙江、福建、广东、海南)，东北地区(辽宁、吉林、黑龙江)，中部地区(山西、河南、湖北、湖南、安徽、江西)，西部地区(内蒙古、广西、重庆、四川、贵州、云南、陕西、甘肃、青海、宁夏、新疆)进行划分[21]。根据上述地区划分情况对30个省（区、市）2007年、2012年和2017年碳排放量情况进行分析，结果见图1。

图1中各年度按碳排放量由高到低排序，可见碳排放量分布从西南到东北总体呈递增趋势，东北地区的辽宁和东部地区的河北、山东、江苏在11年间一直是碳排放量较高的地区，其次是中部地区，西部地区除内蒙古的碳排放量较高外，其余地区的碳排放量均较低。

图1 碳排放量空间分布结果Fig.1 Spatial distribution results of carbon emission

2007年绝大部分省（区、市）的碳排放量处于3 195～55 400 万 t，各省（区、市）间的差异较小。而2012年东部沿海地区的碳排放量增长显著，西部地区的碳排放量增长缓慢，东西部地区间碳排放量差异明显。2017年碳排放量的空间格局差异更为显著，碳排放量最高的山东与碳排放量最低的海南之间相差约 110 719 万 t。

2.2 空间自相关结果分析

通过对2007年、2012年和2017年碳排放量进行全局空间自相关分析，得出这3年的全局Moran's I指数分别为0.37、0.35和0.32，均在0.3以上，表明这3年内30个省（区、市）碳排放量呈空间正相关性，即相似碳排放量的区域存在一定的集聚性。

为具体分析各省（区、市）在2007年、2012年和2017年的碳排放量空间差异性，对其进行局部空间自相关分析，将各个地区分为高-高型聚集区、高-低型聚集区、低-高型聚集区、低-低型聚集区、不显著5类，结果见图2。

由图2可知，2007年，7个省（区、市）的碳排放量具有显著的空间自相关性，山东、河北、山西、河南为高-高型聚集区，在此类聚集区主要是中原城市群，是全国城市群体规模最大、人口最密集、工业化进程较高的区域，总能源消耗与人均能源消耗均处于较高水平。新疆和四川为低-低型聚集区，该类地区的经济发展水平较低，能源较为匮乏。安徽为低-高型聚集区，即安徽的碳排放量与周边省（区、市）的碳排放量相比较小，主要是因为安徽位于中部偏南地区，取暖能耗量小，且能源生产和消耗量较低。到2012年，7个省（区、市）的碳排放量具有显著的空间自相关性，其中辽宁转变为高-高型聚集区，该地区的转变与东北老工业基地振兴战略相关，安徽则不再为低-高型聚集区。而到2017年，6个省（区、市）的碳排放量具有显著的空间自相关性，其中山西、河北、山东、河南仍为高-高型聚集区，四川仍为低-低型聚集区，而新疆则变为高-低型聚集区，新疆地区的变化与当地的主要能源消费结构变化有关。

图2 碳排放量局部空间自相关结果Fig.2 Local spatial autocorrelation results of carbon emission

总而言之，各省（区、市）11年间的碳排放量空间差异性明显，山西、河北、山东、河南长年处于高-高型聚集区；新疆、四川长年处于低-低型聚集区，但是该聚集区较不稳定，容易发生变化；安徽在一段时间为低-高型聚集区，而高-低型聚集区的省（区、市）较少。

2.3 地理加权回归模型分析

对2007年、2012年和2017年的碳排放影响因素进行最小二乘法分析，结果表明各变量的方差膨胀因子（variance inflation factor，VIF）均为 0～10，即各因素之间不存在高度共线性，可以进行地理加权回归分析。利用ArcGIS 10.6软件对2007年、2012年和2017年各省（区、市）的数据进行地理加权回归分析，带宽选择AICc(更正后的Akaike信息准则)，核类型选择FIXED（固定的），回归结果见表1。从表1可以看出，拟合效果较好。此外，以分析区域的省会城市（或直辖市）经纬度为位置参考，运用Matlab 2016软件进行各个区域的影响因素回归系数可视化，结果见图3～图7。

表1 GWR模型的估计结果Table 1 Estimation results of GWR Model

2.3.1 人口规模

如图3所示，2007年、2012年和2017年，30个省（区、市）的人口规模回归系数为0.019～0.538，逐年增大，均为正值，表明对碳排放量的正向促进作用逐年增大，同时空间差异性较大。2007年人口规模对碳排放量的影响程度从东北到西南递增，而2012年和2017年影响程度变为从东南到西北递增。2007年影响高值区为青海和新疆，到2012年影响高值区变为新疆、青海、甘肃和内蒙古，而2017年影响高值区则变为新疆、内蒙古和黑龙江，其他地区的影响作用也较强。总的来说，11年间的人口规模对碳排放量的影响程度较大，且呈现稳定的正相关关系。

图3 人口规模回归系数Fig.3 Regression coefficient of population size

2.3.2 电力消费总量

如图4所示，2007年、2012年和2017年，30个省（区、市）的电力消费总量回归系数为1.185～1.858，逐年增大，且均为正值，表明对碳排放量的正向促进作用逐年增大。11年间的空间差异变化较大，2007年和2017年电力消费总量对碳排放量的影响程度均是从西南到东北递增，而2012年的影响程度则从南到北递增。2007年和2017年的影响程度高值区均为黑龙江、吉林和辽宁，而2012年的影响程度高值区除东北三省以外，还包括内蒙古。总的来看，11年间电力消费总量回归系数均较大，对碳排放量的影响很显著，尤其是东北三省长年处于高值区，这主要与当地大量的煤炭、石油等高碳排放能源用于火力发电有关。

图4 电力消费总量回归系数Fig.4 Regression coefficient of total power consumption

2.3.3 化石能源消费总量

如图5所示，2007年、2012年和2017年，30个省（区、市）的化石能源消费总量回归系数为2.198～2.333，对碳排放量的影响程度均是从北到南递增，是对碳排放量影响最为显著的因素。2007年影响程度高值区有广西、广东、福建和海南，2012年影响程度高值区为广西、广东、福建等南部地区，到2017年影响程度高值区又变为云南、广西、广东和海南，影响程度高值区比2012年有所减少。总体来看，每年各省（区、市）的回归系数均相差不大，呈稳定的正相关关系，这是因为碳排放的主要来源为化石能源消费，而各省（区、市）的能源消费结构有所不同，对碳排放量的影响程度也有所差异。

图5 化石能源消费总量回归系数Fig.5 Regression coefficient of total fossil energy consumption

2.3.4 城市公共汽电车辆

如图6所示，2007年、2012年和2017年30个省（区、市）的城市公共汽电车辆回归系数均较小，对碳排放量的影响不大。2007年城市公共汽电车辆对碳排放量的影响程度从东北到西南递增，影响程度高值区为新疆、青海、四川和云南等地区。2012年的影响程度从东南到西北递增，与碳排放量呈负相关，其中对碳排放抑制作用最强的是新疆。2017年的影响程度从东到西递增，影响程度高值区则变为新疆和青海。总而言之，11年间城市公共汽电车辆对碳排放量的影响并不显著，呈不稳定的正负相关关系。

图6 城市公共汽电车辆回归系数Fig.6 Regression coefficient of urban buses and trolley buses

2.3.5 主要建材消耗总量

如图7所示，2007年主要建材消耗总量对碳排放量的影响程度从西南到东北递增，2012年的影响程度从东北到西南递增，2017年的影响程度则又转变为从西南到东北递增。2007年的主要建材消耗总量回归系数为负值，对碳排放有较小的抑制作用，其中影响程度较强的省份是黑龙江和吉林。2012年的回归系数为正值，对碳排放有正向促进作用，其中影响作用较强的是新疆、青海和云南，但是对碳排放量的影响并不显著。2017年的回归系数为负值，对碳排放有抑制作用，黑龙江、吉林和辽宁对碳排放的抑制作用较强。总的来看，11年间的回归系数并不稳定，对省域碳排放量的影响也有所差别。究其原因，2007——2012年，国家城镇化发展迅速，以平均每年1.35个百分点的速度发展，导致建筑业碳排放量增加，对碳排放量的影响从负相关转变为正相关，而在2012年以后城镇化发展达到转折点，同时国家大力推行建筑业碳减排政策，对建筑业碳排放量有所抑制，因此在2017年又转变为负相关性。

图7 主要建材消耗总量回归系数Fig.7 Regression coefficient of total consumption of main building materials

3 对策建议

本研究结果表明，2007年、2012年和2017年30个省（区、市）的影响因素对碳排放量的回归系数存在明显的时空差异性，为进一步因地制宜地开展碳减排，可从以下方面着手。

（1）重点控制碳排放量常年较大的省（区、市），规范优化全国碳交易市场。省域碳排放量具有一定的空间聚集性和空间差异度，如山东、山西、河北等省份，应根据该地区的发展需求制定减排方案，对碳排放量差距较大的省（区、市）制定省间碳交易政策。

（2）打破居民传统的消费观念，提高居民的绿色消费水平和低碳消费意识。人口规模对碳排放量的影响程度较大，且逐年增长，应在居民的居住地积极宣传低碳消费理念，呼吁居民主动参与到低碳行动中，提高大众的节能减排意识。

（3）调整能源结构，提高清洁能源技术创新发展。电力消费和化石能源消费是碳排放量的主要来源，东北地区的电力消费总量和南部地区的化石能源消费总量对碳排放量的影响程度最强，这主要是因为北方地区火力发电和南方地区能源消费结构单一所致。因此，应适当降低我国火力发电的需求，根据各省域的发展状况和方向合理利用和分配能源，不断提高清洁能源技术的创新发展，建立可持续能源消费模式。

（4）打造绿色建筑产业，合理推行城市公共出行政策。从城镇化建设发展的视角出发，城市公共汽电车辆和主要建材消耗总量对于省域碳排放量在一定时期内有较强的影响，并呈现不稳定的正负相关关系。由此可见，城镇化建设发展对于推动绿色减排的效果并不稳定，仍需要国家分阶段拟定渐进式的碳减排规划，大力提倡和宣传绿色建筑的观点，合理推行城市公共交通政策，结合城镇居民出行情况和交通状况，规划与推动绿色出行方案。

4 结论与展望

（1）2007——2017年省域碳排放量总体分布从西南到东北呈递增趋势，全局 Moran's I指数均在0.3以上，表明各省域碳排放量具有明显的空间聚集性，其中高-高型聚集区主要集中在山西、河北、山东、河南，低-低型聚集区主要集中在四川、新疆等地区。

（2）各影响因素的回归系数随时间和空间变化的差异性较为显著，电力消费总量和化石能源消费总量对省域碳排放量具有很强的正向促进作用，人口规模对省域碳排放量也有一定的正向促进作用，但城市公共汽电车辆和主要建材消费总量对省域碳排放量的影响并不稳定。

省域碳排放量是多种因素共同作用的结果，国家在制定碳达峰规划与碳减排目标时，应结合各省（区、市）的人口因素、能源消费和城镇化建设发展的情况，合理规划碳减排，为全球应对气候变化作出更大的绿色贡献。但是省域碳排放量的影响因子众多，笔者仅选择5个变量进行了研究，后续将会进行更加深入的研究，为我国的碳减排措施提供有效参考。