基于空间视角的中国电力碳排放驱动因素研究

李金超，向思徽

（1.华北电力大学 经济与管理学院，北京 102206；2.华北电力大学 新能源电力与低碳发展北京重点实验室，北京 102206）

2019 年，中国碳排放量达115 亿吨，其中，能源行业占社会碳排放总量的80%，电力碳排放量达到45.69 亿吨，约占社会碳排放总量的40%。中国GDP 约占全球总量的16%，碳排放量占全球总量的28%，经济发展对能源消耗的过度依赖问题尚未有效解决，碳排放总量仍处于高位[1]。为了应对碳排放量增加造成的环境问题，2020 年9 月，中国政府首次提出“双碳”目标；2021 年3 月，中国政府提出建设以新能源为主体的新型电力系统。电力行业碳减排受到极大关注，控制电力碳排放对碳减排意义重大。此外，由于资源禀赋和经济发展的差异，导致风能、光热、煤炭、水力等电力资源主要集中在西部地区，而电力消费集中于东部地区，电力生产和消费之间存在明显的空间差异[2]。因此，基于空间视角研究中国电力碳排放的驱动因素，对电力碳减排和构建清洁高效能源体系有重要意义。

1 文献综述

碳排放受到人们的广泛关注，电力行业是碳减排的主战场。提高电气化水平，优化终端能耗结构，大力推进电能替代等被视为电力可持续发展的方向[3]。本文从碳排放量测算、电力碳排放驱动因素和空间特征等几个视角区分了以下文献。

近年来，全球对碳排放领域的研究随着碳排放量的日益增加而增加，尤其是在发展中国家[4-5]。20 世纪70年代至今，中国的碳排放量以5.34%的速度增长，比世界平均水平高出3.5%[6]，中国燃煤电厂的二氧化碳排放占比近30%，而东盟二氧化碳排放中，约有40%可归因于电力生产[7]，随着我国经济社会的快速发展，二氧化碳排放总量将不断增长。现有的研究从不同的视角和地理尺度测量了碳排放总量、强度、足迹等。碳排放测算方面，工农业、旅游业和交通等行业受到学界广泛关注[8-10]，对电力行业部门的碳排放量测算研究则较少。因此，对电力碳排放的研究具有重要意义。

电力在最终能源使用中所占份额的增加为一个国家减少二氧化碳排放提供了更多的机会。简而言之，虽然电力需求持续增加，如果采取适当的减排措施，相关的二氧化碳排放量的增长可以与电力需求的增加脱耦。因此，在气候变化、可持续发展以及能源政策的背景下，了解电力生产部门二氧化碳排放增长的驱动因素具有重要意义[11]。大多数研究常用对数平均迪氏指数LMDI 来分析影响电力碳排放的因素[12-13]。本文对以往研究总结发现人口规模、经济发展、绿色创新对碳排放产生正向驱动效应，而能源结构、能源强度和碳强度对碳排放产生负向驱动效应[14]。

目前，我国各地区间电力碳排放存在明显的空间异质性，主要原因是区域电气化发展水平不同，东部地区终端用能电气化水平更高，中部地区电力消费强度更低，而西部地区发电用能占比更高，粤港澳大湾区、长三角区域等电气化进程已经与发达国家同期水平相当[15]。许多文献通过空间模型分析碳排放的影响因素和空间相关性[16-17]。文献[18]利用欧盟2001—2017 年的面板数据，对可再生电力渗透的空间异质性和动态演变进行了研究。工具变量法和空间计量经济学模型是研究碳排放异质问题常用的方法[19-20]，最后再将空间效应进行分解，研究碳排放的空间溢出效应[21]。

综上所述，现有研究聚焦于电力行业碳减排并对其驱动因素进行了研究。然而，上述研究大多是从时间面板的角度分析电力碳排放影响因素，对电力碳排放的空间特征研究较少。因此，本文从全寿命周期角度重新计算了电力行业碳排放量，结合空间计量经济学，进一步研究电力行业碳排放驱动因素的影响机制，进而分析电力行业碳排放与中国经济发展的关系，为碳减排政策提供依据。

2 研究方法

2.1 电力碳排放核算方法

多数学者对电力碳排放的研究都是通过发电量或能源排放系数来测算碳排放强度，本文从全寿命周期视角出发，计算发电侧和输电侧的碳排放量来表征总的电力碳排放。

（1）发电侧。文献[22]对建筑材料生产、建造、运维、回收阶段产生的碳排放量进行了核算，发现碳排放主要来源于材料生产。基于此，本文从原材料的生产制造、电厂的建设运行、电厂的日常发电以及最后的回收处理计算发电侧碳排放。由于不同的设备、技术和运行条件，不同的发电方式会产生不同的碳排放，本文根据世界核能协会数据，计算不同发电技术生命周期碳排放量（表1）。

表1 不同发电技术类型生命周期碳排放强度

（2）输电侧。输电侧碳排放由输电线路敷设和输电损耗产生的碳排放组成。输电线路在材料制造、运输建设、报废回收阶段产生的碳排放可从已有研究中得到[23]，具体数据如表2 所示。

表2 输电侧不同阶段二氧化碳排放

输电损耗是指电网公司通过输配电网向用户输送电力时产生的损失，不能产生任何价值。考虑被损耗部分需要重新生产相应数量的电量才能满足供应，输电损耗电量产生的碳排放可替换为新增相应发电量产生的碳排放量。电力碳排放计算公式如下：

式中：Carbon表示电力行业二氧化碳排放量；Q1表示发电量，Q2表示线损量；I表示不同发电技术生命周期碳排放强度；L表示输电线路年净增长度；S表示输电线路敷设不同阶段碳排放量；i表示不同发电技术类型；j表示输电线路敷设的不同阶段。

2.2 空间权重矩阵

空间权重矩阵即区域间地理关系，是计算空间相关性指标的基础，常用的空间权重矩阵有地理邻接矩阵、地理距离矩阵和经济距离矩阵。

（1）地理邻接矩阵W1。地理邻接矩阵，也被称为0-1矩阵，是空间计量中最常用的空间权重矩阵。判断空间区域间是否相邻时，如果这两个区域有公共边界，则取1，否则取0，具体公式为：

（2）地理距离矩阵W2。地理距离矩阵以各省市省会城市的经纬度为基础计算得出，表示实际距离，城市距离越近，权重越大，公式如下：

（3）经济距离矩阵W3。经济距离矩阵将纳入经济发展对电力碳排放的影响，反映两地区间的经济差距，以人均GDP 均值之差的绝对值的倒数刻画两地区之间的“经济距离”，两地人均GDP 差值越大，则“经济距离”越大，权重越小。具体公式如下：

2.3 空间相关性指标

莫兰指数是常用的空间相关性指标，也是空间计量的基础，多用于空间异质性和聚类分析等问题，本文采用全局莫兰指数和局部莫兰指数来描述电力行业二氧化碳排放的空间特征。

如果全局莫兰指数显著为正，说明各地区的变量属性值呈空间正相关；如果全局莫兰指数显著为负，说明各地区的变量属性值之间正好相反，即呈空间负相关；如果全局莫兰指数取值为0，说明各地区变量属性值的空间分布具有随机性。全局莫兰指数会随时间推移呈动态变化，也会随距离增大而衰减。全局莫兰指数的表达式为：

全局莫兰指数从整体上度量变量属性值的空间相关性特征，但却无法度量不同省份变量属性值空间相关性的具体类型，这就需要用到局部莫兰指数。局部莫兰指数的表达式为：

如果局部莫兰指数显著为正，说明该省碳排放量属性值与周围省份碳排放量属性值一致，即呈现高—高聚集或低—低聚集；如果局部莫兰指数显著为负，说明该省碳排放量属性值与周围省份碳排放量属性值相反，即呈现高—低聚集或低—高聚集；如果莫兰指数为0，表示碳排放量属性值的空间分布具有随机性。

3 变量选取与数据来源

3.1 变量选取

本文选取电力碳排放量作为因变量计算莫兰指数并检验空间关联性。此外，经济发展、人口数量、人均用电量和产业结构等都存在一定的空间效应。考虑到数据观测值可能存在的估计偏差和不一致性，本文采用空间面板模型对电力碳排放进行分析。空间面板模型的一般形式为：

式中：lnCarbonit指的是第i省第t年的电力碳排放；Wij为空间权重矩阵；ρ为空间滞后自回归系数；θ为控制变量自回归系数；λ为空间误差自回归系数；αi为固体效应；ξt为时间效应；μit、εit是随机扰动项；Xit为一组可以不同程度影响电力行业碳排放的控制变量，本文中，Xit包括以下几个因素：

式中：gdpit、pit、ppit、sit分别为经济发展、人口数量、人均用电量和产业结构。具体情况如下：

（1）经济发展（gdp）。人类经济活动为世界经济增长做出巨大贡献的同时也带来了大量的碳排放[24]。电力行业碳排放占中国碳排放总量的四成以上，预计地区经济发展也将在很大程度上影响电力二氧化碳排放[25]。

（2）人口数量（p）。人口增长将会对碳排放产生影响，一方面，人口增长将增加能源消耗并导致更多的碳排放；另一方面，人口的迅速增长导致了耕地和森林的减少，城市化发展进一步改变人口结构和消费方式，这些都导致了碳排放的增加[26]。

（3）人均用电量（pp）。人均用电量可以反映国家或地区的经济发展水平和人民生活质量水平[27]。“十三五”期间，中国人均用电量年均增长5.2%，电力需求刚性持续增长，新冠疫情影响下经济和社会复苏导致电力消耗进一步增加。此外，电能替代的潜力巨大，人均用电量预计持续上升，并产生更多的二氧化碳排放。

（4）产业结构（s）。高耗能行业是影响碳排放的关键行业，我国工业用电占比接近七成，是碳排放的重要来源[28]。电能替代技术在工业领域推广应用，导致替代电量快速增长，是新增用电量的主要因素。

以上变量具体统计数据如表3 所示。

表3 主要变量统计数据

3.2 数据来源

各省市发电量、线损、输电线路长度数据来自各期《中国电力年鉴》和《中国电力统计年鉴2020》，地区生产总值、人口数量、人均用电量、第二产业产值数据来自国家统计局。由于缺少港澳台相关数据，本文面板分析数据仅为31 个省份。为减小数据计量单位和性质的不同对回归结果产生的影响，减小数据波动差异的影响，提高结果的可解释性和准确性，使用自然对数处理所有数据。

4 实证结果与分析

4.1 空间演变特征分析

结合前文构建的地理邻接权重矩阵W1、地理距离权重矩阵W2、经济距离权重矩阵W3，计算2002—2019年中国各省份电力碳排放量的全局Moran’s I 值，结果如表4 和图1 所示。可以看出，在地理邻接矩阵和地理距离矩阵下，中国电力碳排放的全局Moran’s I 值均大于0 且显著，说明电力碳排放在这两种矩阵下的空间相关性表现为一定的正相关，存在高—高聚集和低—低聚集的特征；在经济距离矩阵下，Moran’s I 值逐渐减小，自2009 年后不显著，说明2002—2009 年电力碳排放在经济距离矩阵下呈现空间正相关，2009 年后表现出空间随机性，说明在经济发展层面，各省电力碳排放量之间表现为随机分布。

表4 2002—2019年中国电力碳排放量的全局Moran’s I值

图1 2002—2019年中国电力碳排放量的全局Moran’s I值

图2 为中国电力碳排放量的空间分布图。可以看出中国电力碳排放呈现明显的聚集效应。为进一步观察电力碳排放局部的空间特征，本文绘制了局部空间关联指标来观察各省份之间具体的空间聚集特征，图3 ～图5为不同空间权重下的莫兰散点图。

图2 2002年、2008年、2014年、2019年中国电力碳排放量空间分布图

由图3 和图4 可以看出，低—低聚集区域多位于中国西南部，高—高聚集区域多位于中国华北地区，说明电力碳排放与中国传统的地理区划有一定的关系，这与华北各省份火电集群对周边丰富煤炭资源的严重依赖是一致的。电力碳排放的空间聚集特征较为明显，位于第一象限和第三象限的省份期初较期末均有所减少，说明空间聚集效应有所减弱，也进一步验证了电力碳排放空间聚集效应减弱的情况。从图5 可以明显看出，有较多的省份产生了跃迁，Moran’s I 值接近于0，说明存在明显的空间随机性，位于第一象限和第三象限的省份期初和期末的比例分别为64.5%和45.2%，期末的聚集效应较期初有较大程度的下降。

图3 地理邻接矩阵W1下中国电力碳排放2002年、2008年、2014年、2019年莫兰散点图

特高压输电线路的建设能实现能源资源的优化配置，从根本上改善电力供应和电力消费就地平衡的格局，实现能源电力和经济社会发展与碳排放脱钩，图6 为国家电网在建在运特高压输电工程。特高压输电线路的建设运营使省际碳排放流动更加频繁，导致各省份碳排放的差距缩小，侧面印证了上述空间聚集效应减弱的现象。

图6 国家电网在建在运特高压项目

4.2 空间计量模型的选择与检验

为进一步分析我国电力碳排放的空间效应，需要建立空间模型进行参数分析。空间模型包括空间自回归模型（SAR）、空间杜宾模型（SDM）和空间误差模型（SEM）。本文通过LM 检验、LR 检验和Wald 检验对三种模型进行选择，检验结果表明应采用空间杜宾模型。Huasman检验结果表明应选择固定效应模型。空间计量模型检验结果如表5 所示。

表5 空间计量模型检验结果

4.3 空间面板分析结果

本文采用OLS 和空间面板回归来研究各驱动因素对电力碳排放的影响，检验结果如表6 所示。

表6 中国电力碳排放空间杜宾模型估计结果

在OLS 回归中，所有变量都通过显著性检验，经济发展系数为负，对电力碳排放有显著负向影响，人口数量、人均用电量和产业结构对电力碳排放有显著正向影响。不考虑空间滞后效应时，空间杜宾模型在不同权重矩阵下与OLS 回归结果具有一致性。经济发展对电力碳排放有抑制作用，而人口数量、人均用电量和第二产业比值的增加会导致电力碳排放量的增加。

考虑空间滞后效应，除地理邻接矩阵中第二产业产值和经济距离矩阵中人均用电量结果不显著外，其他变量通过显著性检验。表明经济发展水平相近的地区之间存在一定的空间相关性，但是地理位置邻近的地区电力碳排放的空间相关性高于经济发展接近的地区。因变量的自回归系数为负，表明邻近地区电力碳排放的增加有利于该地区电力碳排放的减排，且区域间存在示范效应，这种示范效应起到标杆作用，使周围地区的碳排放形成一种交替下降的良性循环，最终能有效控制区域碳排放。

4.4 空间效应分解

空间计量中考虑空间滞后项后，计算的是平均总效应，不能反映真实的边际效应[29]。对解释变量进行分解，进一步分析各区域的空间效应，估计结果见表7。

表7 空间杜宾效应空间效益分解结果

从表7 可以看出，三种权重矩阵下，地区生产总值的直接效应、间接效应、总效应均为负，表明区域经济发展将产生负的空间溢出效应，对周边地区的负溢出效应大于对本地的直接效应，说明地区示范效应在电力碳减排中发挥很大作用，本地区技术进步、科技创新带来经济高速发展的同时，会降低当地的电力碳排放，会对周边地区产生正向的积极引导作用，促使周边地区技术进步的同时降低碳排放。

地理邻接矩阵下，人口增长对当地碳排放有显著的积极影响，但会使周边地区的碳排放量减少，说明本地区发展会产生一定的虹吸效应，使周边地区人口不断流失，造成负向的空间溢出效应，不利于周边地区发展；地理距离矩阵下人口数量空间滞后项不显著，说明在该条件下不存在空间溢出效应；经济距离矩阵下，人口数量空间滞后项系数为正，说明经济发展接近的地区之间存在正向的空间溢出效应，经济发展水平相近的地区吸收外来人口的能力接近，人口数量的增加带来医疗、环境、生活压力的增加，必然带来碳排放量的增加。

人均用电量直接效应系数均为正并通过1%的置信检验，说明人均用电量的增加对本地区电力碳排放有显著的推动作用，人均用电量的增加，说明社会经济发展仍处于上升期，对电力需求还在增加，相应地产生更多的碳排放量，而该变量的间接效应在地理邻接和经济距离下没通过置信检验，说明人均用电量更多的是通过直接效应对电力碳排放产生影响，不存在明显的空间溢出效应或空间竞争效应。

第二产业产值具有显著的空间溢出效应，能够促使周边地区碳排放量的增加。工业化水平的提高会导致本地碳排放的增加，也会促进周边地区的发展；受当地政策和环境发展的影响，高污染、高排放的企业被迫向外转移，对周边地区的碳排放有负面影响，导致周边地区的碳排放增加。因此，推广清洁能源，鼓励发展第三产业，降低第二产业比值，不仅能减少本地区碳排放，同时可推动周边地区的碳减排，有利于地区长期发展。

4.5 稳健性检验和内生性检验

常用的稳健性检验方法是变量替换法。然而，本文不适用替换因变量，也难以找到替换核心自变量的变量。因此，我们考虑调整样本期来检验结果的稳健性。中国在2002 年和2015 年进行了两次电力体制改革，对中国电力行业有深刻影响，本文将参数分为2002—2014 年和2015—2019 年两个时间段，检验结果如表8 所示。

表8 不同阶段空间杜宾模型结果

在两个时间段内，各变量估计系数的正负没有发生变化，仅在值的大小上发生变化，说明各变量对电力碳排放的影响是稳定的，在一定程度上表明估计结果是稳健的。

在空间回归中，采用广义空间二阶最小二乘法（GS2SLS）来进行工具变量回归与估计。将解释变量的一阶滞后值作为工具变量，回归结果如表9 所示。可以看出，核心解释变量的估计系数与前面的估计系数是一致的。以核心解释变量的滞后二至八阶作为工具变量，结果显示估计系数均显著且系数值逐渐增加至0.027 6，说明消除内生性问题后，火力发电将带来更多的电力碳排放。

表9 GS2SLS回归结果

5 结论与建议

本文运用空间计量的方法，利用中国31 个省份2002—2019 年的空间面板数据，对中国电力碳排放的驱动因素进行研究。首先采用空间测度方法来测试电力碳排放的空间相关性，然后采用空间杜宾模型对电力碳排放的驱动因素进行分析，并将其空间效应进行分解，分析各因素对邻省的影响，得出以下结论。

（1）地区生产总值对电力碳排放具有显著反向影响，且有明显的负向空间溢出效应。人口数量、人均用电量、第二产业产值对电力碳排放有显著的正向作用，影响最大的是人口数量，其次是人均用电量和第二产业产值。空间回归结果表明，电力碳排放在地理邻接和邻近地区具有明显的空间正相关性，但这种聚集效应正在减弱，邻近地区的差距正在缩小，电力碳排放在经济距离下具有空间异质性。空间杜宾模型与OLS回归结果一致。对比空间滞后项系数时，地理位置相近的地区比经济差距较小的地区的空间效应更强。

（2）空间效应分解后，各解释变量对当地的直接效应与全国层面的总效应一致。间接效应方面，经济发展具有明显的反向溢出空间效应，其示范作用能促使周边地区达到长期减排的良性循环。人口数量在邻近地区产生虹吸效应，不利于周边地区发展。人均用电量和第二产业比值的增加会对周边地区产生空间溢出效应，本地的工业经济发展会不断辐射周边地区，推动周边地区发展，从而增加碳排放。

根据以上结论，提出以下建议：

（1）加强技术创新，加强区域联动。CCUS 技术可以有效减少燃煤电厂90%的二氧化碳排放，是电力行业实现“双碳”目标的关键技术。一方面，应关注技术研发和应用，制定相关技术标准；另一方面，加强跨区域协调联动，各省应充分研究周边地区的碳减排政策，在相互合作的基础上促进信息共享、技术溢出、人才交流，实现高质量协同发展，综合制定减排政策。

（2）构建多元化的清洁能源体系。除四川、湖北外，我国各省发电类型还是以火力发电为主，在保证供应的前提下，应优化电源结构，逐步用风电、光电替换火电，鼓励核电和分布式能源发展。提升清洁能源装机容量，特别是非水可再生能源在发电中的比重，在提高火电机组灵活性的同时，既要注重低碳转型，又要注重灵活地调节电源建设，实现各类电源的协调发展。

（3）提升终端用能电气化，实现电能替代。电气化水平的提升可显著降低能源强度，提升综合能效水平。中国的电力消费还在继续增长，未来碳排放也将继续增加。要同时兼顾其他行业碳达峰，加快发展清洁能源，促进电力行业自身的碳减排。