碳排放空间差异的影响因素：计量识别与政策含义

张恩英 孟凡军

摘 要：优化能源消耗结构，实现工业低碳发展，是实现双碳目标的必由之路。本文运用IPCC方法核算中国各地区2005-2020年的工业二氧化碳排放量，并利用Kaya-LMDI模型将工业二氧化碳排放分解为能源结构、工业能源强度、工业经济规模和工业从业人员规模四种驱动因素。在此基础上，采用STIRPAT模型分析工业碳排放驱动因素在不同经济地区影响作用的差异。研究发现：目前中国工业二氧化碳减排效果显著，但仍存在较大的空间差异，碳排放在地理分布上集中于华东与华南地区，存在不均衡性，其他地区也存在协同化或多极化的碳排放格局；且各因素作用效果差异明显，工业能源强度对碳排放具有显著抑制作用，工业经济规模随着经济的高质量发展将逐渐实现对碳排放的脱钩效应，能源结构优化程度存在空间异质性，结构性减排将是未来的主要减排方式；提高能源消耗技术水平、推动能源结构体系的低碳转型是未来协同经济高质量发展实现“碳达峰”的主要路径。

关键词：CO2減排；能源消耗结构；因素分解模型；STIRPAT模型；空间差异

中图分类号：F127  文献标识码：A  文章编号：1001-148X（2023）04-0103-12

收稿日期：2023-04-26

作者简介：张恩英（1967-），女，黑龙江宾县人，教授，博士，研究方向：国民经济核算与宏观经济统计分析；孟凡军（1966-），本文通讯作者，男，黑龙江庆安人，副教授，研究方向：绿色会计核算。

基金项目：国家社会科学基金一般项目“畅通国内大循环视域下居民消费潜力的多维测度研究”，项目编号：21BTJ061。

一、引 言

在“深入制造强国战略”下，我国制造业比重在未来较长时间内将保持基本稳定，工业作为制造业的主体，仍将是国民经济发展的支柱产业，同时，也是传统化石能源消费的重点领域。随着中国工业化进程迅速推进，工业经济总量跃居世界第一，大量工业产品产量位居世界前列，但随之而来的是久居高位不下的碳排放水平。根据中国能源报告，2020年中国工业碳排放量高达5164亿吨，占全国碳排放总量的4975%，而工业化石能源消费产生的二氧化碳占碳排放总量的70%以上。可见中国工业的碳排放水平是中国实现“碳达峰、碳中和”的一大阻力。“双碳目标”是我国未来经济发展的重要方向，而实现“双碳目标”的关键在于推进新型工业化，改变依靠化石能源高消耗的传统发展模式。因此，厘清我国工业二氧化碳排放驱动因素并考察空间差异性对制定差异性碳减排政策、推进产业绿色转型具有重要的现实意义。

关于碳排放影响因素的探索，文献研究表明经济增长始终是工业碳排放的主要驱动因素［1］，并且对二氧化碳排放具有“先促进后限制”的倒“U型”非线性效应，人口规模与碳排放存在显著正相关关系［2］，而产业结构对工业碳排放的影响是较为复杂的，不同地区、不同行业的产业发展阶段和产业结构都存在一定差异，其对碳排放的影响也表现出一定程度的异质性［3-4］。此外，能源技术的发展对碳排放存在负向影响，存在显著负相关关系，通过发展能源使用技术可以显著抑制二氧化碳的排放。但也有文献发现，在减排后期，该因素反而会增加碳排放，技术进步不仅仅会提高能源使用效率，也会推进新一轮能源革命，增加成熟的可再生能源技术，优化能源消耗结构，改变工业发展依赖化石能源的历史现状［5］。

对碳排放影响因素的分析方法，较为经典的包括因素分解法，即通过Kaya恒等式和投入产出表分解出碳排放的主要驱动因素，或运用LMDI分解公式将其驱动因素进行分解［6］，还有根据经济理论或以往研究确定出影响因素后，采用Tapio解耦模型弹性分析的方法探索驱动因素与碳排放的脱钩效应及解耦现象［7-8］。另外，在近年国外的相关研究中，较多集中在参数及非参数回归模型，包括用于分析环境污染的STIRPAT模型［9-10］、面板数据线性模型［11］以及自回归分布滞后模型与相关检验模型等［12］。与国外研究方法不同，由于我国“碳达峰”进程进入收尾阶段，考虑到中国国土辽阔，区域差异较大，研究文献更集中于空间模型的应用，将空间计量经济学模型、马尔可夫模型等与碳排放研究相结合［13-15］，合理测算空间自相关指数［16］，以及用卫星遥感等方法［17］探究区域之间的离散及团聚效应等等。现有研究成果显示，中国当前碳排放总量呈地域分布差异的特征［18］，工业碳排放一直处于增加状态并且由之前的以正增长为主的“低碳-横向扩张”模式转变为现在的规模增长主导的“低碳-纵向扩张”模式，工业碳排放空间分布总体差距随其向东演化呈扩大趋势，表现出较为稳定的空间集聚效应［19］。

综上，尽管以往文献对碳减排问题进行了多角度探讨，并利用不同方法分解了碳排放的影响因素，但是研究中所涵盖的样本年限较短，也没有探讨全国经济区域—省域联动的空间差异。如工业化进程不同的城市，其经济结构、产业格局存在一定差异，导致其碳排放强度与因素影响出现异质性。因此，实现“双碳”目标必须精准识别碳排放的空间分布以及驱动因素。本文的边际贡献如下：（1）厘清碳排放的理论机制，经济发展通过经济规模效应、技术效应与结构效应三种途径影响碳排放；（2）运用扩展的Kaya-LMDI分解模型对中国工业碳排放进行因素分解，引入了能源结构因素，并深入分析能源结构、工业经济发展等因素对工业碳排放的影响；（3）采用STIRPAT模型分析工业碳排放的空间差异及影响因素，精准分辨区域间及区域内部各因素影响差异，为推进“双碳”目标，制定地区差异性碳减排政策提供理论参考。

二、理论机制分析

根据上述相关文献的梳理，经济发展、技术创新、能源革命以及人口规模是工业碳排放的几大影响因素，理论机制分析如下：

（一）经济发展与碳排放的库兹涅兹理论

19世纪Grossman和Krueger提出经济增长与环境质量之间存在倒“U”型曲线关系，经济发展对工业碳排放通过经济规模效应、技术效应与结构效应三种途径影响碳排放：（1）规模效应。经济增长从两方面对碳排放产生驱动影响：一方面经济增长要增加初始产品投入，进而增加资源的使用；另一方面更多产出也带来碳排放的增加。（2）技术效应。高经济发展水平与更好的环保技术、高效率技术紧密相联。在一国经济增长过程中，研发支出上升，推动技术进步，产生两方面的影响：一是其他不变时，技术进步提高生产率，改善资源的使用效率，降低单位产出的要素投入，削弱生产对自然与环境的影响，减少碳排放；二是清洁技术不断开发和取代传统技术，并有效地循环利用资源，降低了单位产出的碳排放。（3）结构效应。随着经济水平提高，产业结构会随之做出调整优化，其产出结构和投入结构也会发生变化。在早期阶段，工业经济产业结构从轻工业向能源密集型重工业转变，增加了污染與碳排放，随后经济转向技术密集型产业，通过低碳技术改变投入结构，单位产出的排放水平下降。

规模效应推动碳排放，而技术效应和结构效应抑制碳排放。在经济起飞阶段，资源的使用超过了资源的再生，规模效应超过了技术效应和结构效应，环境恶化；当经济发展到新阶段，技术效应和结构效应胜出，环境恶化减缓。最终呈现出二者之间的倒“U”型曲线关系。

（二）技术进步与能源革命抑制碳排放

能否通过科技创新以及能源革命减少能耗与提高能效，使工业发展在节约有限的能源资源前提下减少碳排放至关重要［20］。为实现“碳达峰”与“碳中和”目标和疫情后经济绿色复苏，在不影响人民生活水平提高前提下，亟须依靠科技创新提升可再生能源比重、降低重点排放行业能耗和排放强度、提高能源利用效率、改善制造工艺、推进低碳原料替代等。科技创新与技术进步主要通过三方面控制碳排放，首先其直接效应为提高能源利用效率，推动工业碳减排；另外两个间接效应分别为提升绿色创新水平推动经济高质量发展与推进能源革命、改变能源结构，抑制碳排放水平。

当前正在进行第三次能源转型，其能源转型的核心内容就是开发利用可再生能源，以建立低碳、可持续的能源供给与能源消费体系为目标。加快技术创新，推动太阳能、风能、地热能等可再生能源开发、存贮和传输技术进步，提升新能源利用效率和发展速度，提高对新能源发电特性的把握与运用，包括气象精准预测技术、储能技术、效率改进技术等，以清洁、低碳、可再生能源取代化石能源，改变煤基能源为主的工业能源消耗结构，实现能源结构的跨越演进与转变是抑制工业碳排放的根本内容。

（三）人口通过能源需求影响碳排放

碳排放分为生产侧碳排放与消费侧碳排放，人口集中于消费侧对碳排放产生影响，人口的增长势必会推动产品与服务需求的增长，对能源需求的总量就会随之增加，从而对碳排放产生正向影响。人口总量的增长可以细分为人口规模与人口结构两方面，其中，人口结构指的是人口年龄、性别、城镇化等结构模式，不同结构人群的需求是不同的，通过需求影响产业结构从而影响能源需求结构。对于工业碳排放人口结构的变动非常小，人口变动的总量即人口规模对碳排放的影响要更加显著，并且人口规模的扩大会直接增加对能源的需求，在煤基能源为主的能源结构和电力系统下，意味着能源消耗所产生的碳排放量会越来越多。

图1 中国工业碳排放影响因素驱动路径

三、模型设定及因素分解

（一）对数均值离差指数（Kaya-LMDI）模型及因素分解

学者Kaya最早发现了经济、政策和人口等因素对环境所产生的影响，提出了Kaya恒等式，本研究在Kaya恒等式的基础上进行扩展，并综合运用对数平均指数分解法LMDI将二氧化碳排放的历史变化分解为五个驱动因素指标：二氧化碳排放强度、能源结构、技术效应、工业经济规模和工业从业人员规模。Kaya-LMDI恒等式具体形式为：

Ct=∑7i=1Cti=∑7i=1CtiEti×EtiEt×EtQt×QtPt×Pt=∑7i=1Dti×Mti×Tt×St×Pt（1）

式中，Ct表示工业二氧化碳排放总量，Cti某省工业消耗i能源二氧化碳排放量，Eti表示某省i能源消耗量，Et表示某省能源消耗总量，Qt表示某省工业增加值（为消除价格指数带来的影响，文章以2005年为基期，对各年数据进行平减，使其具有可比性），Pt表示某省工业从业人员规模。D=CtiEti表示二氧化碳排放强度，M=EtiEt表示工业能源结构，T=EtQt表示工业能源强度，S=QtPt表示工业经济规模，P表示工业从业人员规模，从t到t+1年二氧化碳排放变化量为：Ct+1－Ct=ΔC=ΔCd+ΔCm+ΔCt+ΔCs+ΔCp+ΔCrsd。

由于考虑到二氧化碳排放强度D受能源利用程度的影响，但在能源使用技术水平未显著突破前，碳排放强度基本保持不变，即ΔCd=0。因此主要围绕能源结构、工业能源强度、工业经济规模和工业从业人员规模4个因素进行分析。ΔCm是工业能源结构效应引起的二氧化碳排放变化量，表明该省内工业的能源结构对二氧化碳排放增长的贡献；ΔCt是工业能源强度引起的二氧化碳排放变化量，表明该省内工业的生产技术、能源效率和生产效率所引发的碳排放强度的变化对二氧化碳增长的贡献；ΔCs是工业经济规模引起的二氧化碳排放变化量；ΔCp是工业从业人员规模引起的二氧化碳排放变化量；ΔCrsd为分解余量。借鉴Ang对分解效应公式的定义，t到t+1年各分解因子的LMDI的效应公式表示如下：

ΔCm=∑L（Ct+1i，Cti）lnMt+1Mt

ΔCt=∑L（Ct+1i，Cti）lnTt+1Tt

ΔCs=∑L（Ct+1i，Cti）lnSt+1St

ΔCp=∑L（Ct+1i，Cti）lnPt+1Pt

L（Ct+1i，Cti）=Ct+1i－CtilnCt+1i－lnCti，Ct+1i≠Cti

Ct+1i，Ct+1i=Cti≠0

0，Ct+1i=Cti=0（2）

Kaya-LMDI分解模型分为上述“加法”和“乘法”两种形式。由于两种方法的最终分解结果相同，而加法形式更能够比较清晰直观地分解出影响因素，故本文采用“加法”模型对各因素进行分解。

（二）STIRPAT计量模型及变量确定

1模型构建

Kaya-LMDI分解法将二氧化碳排放C分解为工业能源结构M、工业能源强度T、工业经济规模S和工业从业人员规模P四个影响因素，为了明确这些因素的变化在总体上会对二氧化碳排放造成什么程度的影响，引入York等提出的STIRPAT模型：I=aPb1Ab2Tb3c，为减少异方差的影响，将模型两边取对数做线性变换得到如下模型：

lnIt=lna+b1lnPt+b2lnAt+b3lnTt+μi（3）

其中I为对环境的影响，P为人口，A为社会富裕程度，T为技术水平。取对数后，式中的b1、b2、b3表示其他的影响因素不变的条件下，P、A和T变化1%时引起的环境变化的百分比。因为针对的问题是二氧化碳排放量的变化，因此可以将STIRPAT模型中的环境影响（I）与之前分解模型中的二氧化碳排放量（C）对应起来，同理工业能源强度（T）同之前分解模型中的技术效应（T）对应起来，社会富裕程度（A）对应工业经济规模（S），工业从业人员规模（P）。但是STIRPAT模型没有包括工业能源结构（M），因此需要在STIRPAT模型中添加这个变量，所以其计量模型表达式为：

lnIit=lna+b1lnPit+b2lnSit+b3lnTit+b4lnMit+μit（4）

2变量说明

（1）工业人口规模指标P，用第二产业中的工业从业人员数表示。

（2）工业经济规模指标S，该指标同因素分解模型中的工业经济规模效应，即为S=QtPt。

（3）能源强度指标T，表示工业发展中碳减排的技术规模，同因素分解模型中的技术规模效应，在该模型中作为解释变量。

（4）能源结构指标M，选取工业中导致二氧化碳排放量不断上升的七种主要化石燃料，即煤炭、焦炭、原油、汽油、柴油、燃料油与天然气，由于涉及七种能源，所以在进行回归之前，先根据熵值法确定能源结构M中的七种能源的权重，测算能源结构综合指标，明确模型中被解释变量与各解释变量，对模型进行估计。

四、二氧化碳排放量核算及驅动因素分析

（一）二氧化碳排放量的核算及空间演进动态

1核算方法

中国对二氧化碳排放量没有具体的统计数据，所以文中根据《中国能源统计年鉴》《中国及各省统计年鉴》收集整理上述七类能源的具体消费量并进行排放量估算。根据《2006年IPCC国家温室气体清单指南》，二氧化碳排放量估算公式如下：

TCO2=∑7i=1（ADi×EFi），ADi=FCi×NCVi×10－6，EFi=CCi×OFi×（44/12）（5）

式中，TCO2表示二氧化碳排放量的估计值（吨）；ADi表示第i种（i表示化石燃料的种类，i=1，2，，7）化石燃料的活动水平（太焦），以热值表示；EFi表示第i种燃料的排放因子（吨二氧化碳/太焦）；FCi表示第i种化石燃料的消耗量（吨，103标准立方米）；NCVi表示第i种化石燃料的平均低位发热值（千焦/千克，千焦/标准立方米）；CCi表示第i种化石燃料的单位热值含碳量（吨碳/太焦）；OFi表示第i种化石燃料的碳氧化率（%）；44/12表示二氧化碳与碳的分子量之比。不同种类能源的碳排放系数、净发热值与二氧化碳氧化因子如表1所示［21］。

2中国工业碳排放的空间布局及演进

将收集整理的能源消费量数据（折合为标准煤）代入到碳排放量核算公式，得到2005-2020年各省市的二氧化碳排放量结果，限于篇幅，略去各地区工业二氧化碳排放量变化趋势图。

除西藏自治区因数据难以获取而排除在外，其他30个省市自治区2005-2020年间的工业二氧化碳排放的总量变化趋势表明：大部分省市的工业二氧化碳排放量在2005-2011年都呈不断攀升趋势，而从2011年开始呈现下降趋势，其中较为明显的省区包括江西省、辽宁省、内蒙古自治区和山东省等，导致这种趋势变化的原因有很多，不过其中主要因素还是经济的不断发展、政策的宏观调控与技术水平的提高，中国从2010年前后陆续出台了各种“低碳城市”“工业减排”“绿色制造”等相关政策，并通过增加R&D资金投入、紧抓技术创新等方式提高碳减排技术水平，从图2可以看到，很多省区的二氧化碳排放变动还是较为明显的；其次大部分省区在2018年受气候与经济发展的影响致使碳排放量在全球范围内迅速增长，之后在2019和2020年的碳排放速率又开始下降，由于受疫情影响，工业发展受到抑制，二氧化碳的排放呈下降趋势，但由于受各地极端天气的影响，导致碳排放水平下降并不剧烈。

从各省区的排放总量水平来看，差异仍然不小，河北省、山东省等省区的排放总量远超其他地区，河北省是中国近代工业发展的摇篮，是中国为数不多的工业强省之一，山东省同样是中国工业强省之一，其工业门类在全球层面上非常齐全，在能源消耗方面也是巨量的，但是在二氧化碳排放水平上，二者都隐隐露出“N”字形的发展趋势，这种趋势与中国的工业减排政策要求不大相符，减碳目标是对中国总体上的宏观要求，相比河北省、山东省而言，碳排放量较少的省市如北京市、海南省、青海省、上海市等，其工业发展并非经济发展中的主要部分，但在2011年之后其工业碳排放量仍然存在正增长趋势。

以2005、2015、2020年为主要监测点，从2005年到2020年中国工业碳排放的区位布局演变呈现出较为明显的特点，新疆、西藏、青海、甘肃、宁夏等地区的工业碳排放量较低，并逐年减少。相对西部各地区来说，中国中部的各地区及黑龙江省、吉林省两地，整体上，碳排放水平更高，但仍然呈现出逐年减少趋势，而山东、江苏两地的碳排放水平虽然也表现出下降趋势，但是在2015-2020年之间，其碳排放绝对量变化较小。纵观中国全域，16年间，中国工业碳排放格局表现出由外而内的聚集性，呈现“东高西低”分布的排放格局，高碳城市集中在东部，其中河北省始终位于碳排放省区首位，而内蒙古自治区从2005年到2015年碳排放明显降低，但是到2020年出现回升趋势，释放危险信号，与河北省一同成为未来减排的重点对象。其他的省区则表现出逐年向好的发展态势，按照目前工业碳减排的发展趋势，当全部省区碳排放量无明显波动，各因素驱动影响逐渐减弱或各驱动因素正向贡献保持低水平且稳定时，中国就基本跨过了碳达峰阶段。

（二）基于Kaya-LMDI的累积效应测算及驱动因素分析

1碳排放的累积效应测算

运用“加法”分解模型将CO2排放分解为四个驱动因素，并分别表示各驱动因素对二氧化碳排放增量的影响，累积效应及其贡献率表示的是在测算各分解因素之后，计算出的自2005-2020年16年的各因素对碳排放增量的总影响，各驱动因素对碳排放增量的绝对贡献及相对贡献的测算结果如表2所示。

如表2所示，各省区的工业二氧化碳排放变化量总效应ΔC并不是都渐趋增加或减少，区域之间的排放总量累积效应差别较大，将累积效应水平按数值正负方向分为两类，其正负方向表示到从2005年开始直到2020年末为止，各省区的二氧化碳排放总量水平的累积变化方向，负向则表示该省区16年的累积碳排放量减少，反之，正向则表示累积碳排放量增加，累积水平能直观表现出某省区的碳排放水平。

中国除西藏自治区以外的30个省区中，有近1/3的省区都显著地控制了二氧化碳的增加，其中CO2减排工作最好的省市是北京市以及四川省，分别为-178880、-81504（万吨），此外还包括青海省、贵州省、湖南省、湖北省、广东省、福建省等地。其他省区对CO2排放的控制程度略差，都有不同程度的增长，其中控制相对较差的有河北省、山东省、内蒙古自治区，分别增長了1386573、280966、267733（万吨）。在正向累积效应的分类地区中，河北省的工业二氧化碳排放水平大致是其他同类地区水平的6倍，所以正向效应地区仍然是中国工业二氧化碳减排的重点对象。

从碳排放驱动因素对碳排放累积效应贡献率角度来看，能源结构对工业二氧化碳的累积效应大多都是驱动作用，其中河北省的驱动效应最为显著，其次为内蒙古自治区与江苏省等，只有少数省区表现出抑制作用，如青海省、四川省、安徽省、河南省、福建省等；在人口的累积贡献中，表现为显著的区域差异，在中部平原如河南省、山东省、湖北省、安徽省等人口密集省区表现为强驱动作用，而在人口聚集性较弱的东北地区则表现出一定的抑制作用，另外，新疆维吾尔自治区与内蒙古自治区也表现出较强的驱动作用；经济发展规模的累积贡献在青海省、甘肃省、山西省、河北省、山东省、辽宁省等地表现出明显的驱动效果，而在其他地区基本都显示出对工业碳排放的抑制作用，经济规模的影响较为独特，整个中国版图上呈现出南北均抑制，中间贯穿“鸡腹”的交界地带表现出驱动效果的特殊影响格局，这也说明经济发展还没有实现与碳排放的脱钩，但是有望进一步减小其驱动作用；最后，能源强度累计贡献率集中在中部与东南部表现出抑制作用，包括东南沿海地区到宁夏回族自治区、青海省、四川省等省区的内陆区域。其他地区基本表现出较弱程度的驱动作用，仅河北省、山东省以及黑龙江省表现出较大程度的驱动作用。

2驱动因素分析

（1）不同驱动因素对累积效应贡献度差异明显。四种因素中相对影响较小的是工业能源结构ΔCm的影响，这说明对比其他三种因素，中国部分地区的能源结构已经得到了优化，对碳排放的驱动作用逐渐减弱，但碳排放仍然存在较大的空间差异。但在北京市、天津市、浙江省、海南省等地，能源结构影响依然是主要因素。中国的能源消费基本都是以煤炭为主，多种能源互补的能源消费体系，大部分省区的能源结构效应都显示出对碳排放的驱动作用，只有少部分省区呈现出抑制效果，不过抑制作用相对较小，这说明大部分省区仍然要继续推进能源结构的优化，尽早改变以煤炭为主的能源消费体系，实现能源结构的脱钩，进一步缩小由能源结构推动的碳排放区域差异。

除能源结构外，目前另一影响碳排放的主要因素是工业能源强度ΔCt，除天津市、黑龙江省、辽宁省、山东省、云南省等少部分省区外，其他省份的能源强度效应都显示出对工业碳排放的抑制作用，并且抑制效果明显，这说明想要缩小碳排放区域不平衡性，就需要提高工业能源利用效率与技术水平，比如推广碳减排技术，提高能源利用效率以及工业生产效率等，而在经济规模与人口规模两因素的影响程度上，二者都呈现高低不齐的驱动或抑制效果，具体的效应贡献需要通过计量模型进行准确分析。

（2）不同方向累积效应驱动因素影响不同。以正、负向累积效应区域典型地区为代表，河北省工业发展水平较高、二氧化碳排放程度最大，在河北省2005-2020年间累积效应贡献率方面，能源结构、工业能源强度与经济规模都显示出正向拉动作用，而人口规模则显示出负向抑制作用，其中工业能源强度的影响程度相对较大一些，为6591%，影响程度最小的为能源结构，为1632%，所以在控制工业CO2排放上，优化能源结构的同时，工作重心要倾斜于提高工业能源强度与扩大经济规模两部分来减少CO2的排放；而同样作为工业大省的山东省，其能源结构对碳排放的影响非常小，说明其优化较为合理，人口规模表现出强抑制作用，而工业能源强度表现出拉动作用，两省作为代表，再次说明对于我国工业碳减排的工作重心仍然是技术水平的提高。

北京市的工业CO2排放与河北省差异较大，其影响因素中，工业经济规模显示出正向的拉动作用，其贡献为1691%，其他因素的负向抑制作用效果分别为-937%、-9844%与-910%，这说明在控制北京市的工业碳排放工作中，能源结构、技术水平以及人口规模的控制都较为合理，对比全国来看，能源结构的调整效果非常显著，达到了能源消耗的结构性减排效果，并且工业能源强度的强抑制效果表现出技术水平在减排工作中的重要作用，但是北京市作为政治经济文化中心，其经济发展并不以工业发展为主，对于全国的工业碳减排工作有一定的参考价值。

五、工业碳排放的空间差异分析

（一）模型的确定与检验

相较于Kaya-LMDI因素分解模型，STIRPAT模型的优势在于：一方面可以分析各因素影响水平与空间差异，另一方面可以与Kaya-LMDI因素分解模型的分解结果进行对比印证，使得结论更具有效性。因此，这里选择STIRPAT模型对工业碳排放的空间差异及影响因素进行测度与分析。

1变量的平稳性检验

运用STATA15对样本数据进行分析处理，首先对数据进行单位根检验，检验各变量的平稳性，对面板数据进行单位根检验的方法较多，此处采用LLC检验对模型中的各变量进行单位根检验，检验结果如表3所示，结果表明：各变量均通过了平稳性检验，说明变量都为平稳变量。

2多重共线性检验

利用STIRPAT模型分析，必須检验解释变量的多重共线性，此处运用STATA 15计算解释变量的方差膨胀系数（VIF）来判断是否存在共线性，如表4所示，结果表明：各变量的方差膨胀系数均远小于10，变量平均方差膨胀系数为181，即认为不存在多重共线性影响。

3模型效应检验与模型确定

运用STATA15分别建立随机效应模型与固定效应模型，并进行豪斯曼检验，结果如表5所示.

由表5的豪斯曼检验结果可知，相比于随机效应模型，固定效应模型更适合。此外，对比固定及随机效应模型的基本假设来看，FEM的基本假设表示不能观察到的个体异质效应与解释变量相关，并且可以通过消除或控制不能观察到的不随时间变化的个体异质效应，减少内生性问题。结合文章的研究内容来说，FEM要比REM更加稳健。

4异质性分析

中国地域辽阔，受到各地区的资源禀赋和人文、政策环境等因素的影响，仅从中国30个地区（西藏除外）的层面上探讨，其结果并不能给出区域发展的对策建议。因此，文中基于碳排放区域差异对工业碳排放的驱动因素进行异质性分析，地区划分按地理区域划分为东北、华北、华中、华南、华东、西北和西南七个区域。

此外，按照重工业集中区域划分办法，中国分为辽中南、京津唐、沪宁杭以及长江三角洲四个工业基地，不过这四个工业基地均为市级联动基地，文章从省际角度并不能很好概括分析工业基地发展情况，而且中国除四个重工业基地之外的其他省市工业企业分布较为均匀，所以文中仍然按经济地区进行划分，根据异质性分析结果（见表6）可以大致看到：各解释变量在不同区域之间的影响水平各不相同，如人口规模与经济发展规模两项指标在东北与华北地区差异较大等，碳排放的区域异质性可以由影响因素在区域间的异质性表现出来。

5稳健性检验

利用替换变量法对模型的稳健性进行检验，对比替换变量前后模型对分析结果是否有显著影响，如果影响不大，则可以认为该模型对指标的解释能力较强，结论更具有代表性。文章选用变量LnS1=LnS（S1=2005年为基期平减后的农林牧渔业增加值/农林牧渔业从业人数）作为模型稳健性检验的替换变量，在确保替换变量与原变量数据类型相同的情况下，使两变量之间的相关性尽可能小。如表7检验结果所示，模型在替换检验变量前后，其余变量均显著，且替换前后，其他各变量的作用方向基本一致，仅在变量系数数值上略有出入，这说明文章所建立的模型具有较好的稳健性，对各个指标的解释能力较强。

（二）区域间各因素影响差异显著

根据2005-2020年30个地区的驱动因素建立的STIRPAT计量分析模型得到的结果显示：

1工业能源强度影响分析

工业能源强度反映的是能源技术水平，在七个地区中，能源强度都反映出对工业碳排放的负向影响，其中在华北地区与西北地区的影响最大，其模型解释分别为能源强度每提高1%，就会影响碳排放减少105%和103%，影响最小的是西南地区，其能源强度每提高1%，碳排放减少095%。

2能源结构影响分析

目前来说，能源结构多是以煤炭为主的结构体系，而煤炭则是造成工业二氧化碳排放的主要能源，所以能源结构优化成效如何决定着对工业碳排放的影响大小，而各地区的能源结构优化效果存在着空间差异，其中影响相对较小的地区是东北地区，系数为0072，其次是华北与西北地区，二者的影响程度相似，分别为0165与0161，说明在这些地区的能源结构优化效果相对较好，虽然仍有碳排放的促进作用，不过从区域对比来看已经具有一定的能源结构减排优势，但是在华中、华南和西南地区，能源结构与碳排放的正相关关系较强，说明这些地区的能源结构优化效果并不显著，另外华东地区的能源结构呈现出对工业二氧化碳排放的抑制作用，虽然影响程度较弱，为-01814，但是在结构性减排的工作上完全领先了全国其他地区，从计量结果看，能源结构将是未来工业碳减排的主要结构性因素。

3工业经济规模分析

工业经济规模与工业二氧化碳排放存在正相关关系，其中影响相对较小的地区是华南地区，影响系数为088，而华东与西北地区的影响较大，根据库兹涅兹曲线，说明从经济发展角度看，这两个地区目前的工业碳减排进展还处在相对较早的阶段，在工业经济发展的同时推进碳减排是未来的主要任务，逐步实现经济发展与工业碳排放的脱钩，部分省市如吉林省、北京市、河北省、上海市、辽宁省、山西省、甘肃省等地的工业人均增加值均增长了20%-50%，其他省市基本呈现下降情况，少部分省市基本持平，我国对工业上的发展一直是极为重视的，工业作为我国主要国民经济发展行业之一，其增加值的不断增长必然会导致能源的不断消耗，进而增加二氧化碳排放，要协调好工业经济发展与工业碳减排的关系。

4工业从业人口规模分析

人口与工业二氧化碳排放量存在着正相关关系，其影响大小与工业经济规模较为相似，在七个区域中，东北与西北地区的人口因素影响较大，影响系数分别为102与106，相对影响较小的是华南地区，系数仅为083。自然人本身就会产生碳排放，并且工业人口规模的不断扩大也会导致对能源需求的增加，从而导致二氧化碳的排放量不断增加，中国工业在发展过程中不断吸收劳动力的同时，也会增加对环境的压力。

（三）区域内部各驱动因素影响差异限于篇幅，地区碳排放驱动因素贡献率热力图留存备索。

1东北地区

地理划分上，东北地区包括黑龙江省、辽宁省与吉林省，其碳排放驱动因素计量模型为：

lnIit=08871+10175lnPit+10385lnSit－10001lnTit+00720lnMit（6）

根据碳排放核算结果，辽宁省自2013年开始便一直保持工业二氧化碳负增长，到2019年又变为正增长，16年间东北地区仅吉林省的累积排放量为负值，黑龙江省与辽宁省均未很好的控制碳排放增长。根据计量模型结果，对东北地区工业碳排放抑制效果最强的因素是工业能源强度，另外三种因素都表现出驱动效果，其中能源结构的驱动效果最小，说明东北地区的能源结构优化程度较好；从驱动因素的贡献率看，吉林省的能源结构对二氧化碳排放的贡献最大，辽宁省的贡献最小，在人口规模因素上，虽然16年间的总贡献率是负向的，但黑龙江省连续多年抑制了碳排放，在经济规模上，黑龙江省与辽宁省均在不同程度上抑制了工业二氧化碳的排放，根据热力图显示，吉林省仍然需要调控人口因素以及工业经济发展规模的影响来调控工业碳排放。并且由于各省区受资源禀赋限制，资源集中到某一发展方向上后，其他方向的资源会相对减少，造成此消彼长的效果。

2华北地区

华北地区包括北京市、天津市、河北省、山西省以及内蒙古自治区，其中的京津冀地区是我国经济规模最大、最有活力的地区，其碳排放驱动因素计量模型为：

lnIit=16255+09691lnPit+09578lnSit－10473lnTit+01650lnMit（7）

在华北地区，仅有北京市在16年间的碳排放总量上表现为负值，而河北省的累计排放量为正值，且水平较高。从模型上看，虽然与东北地区相比，华北地区的能源结构优化水平略差，但是其工业能源强度表现出对碳排放的抑制作用，说明技术水平发展高于东北地区。从因素分解结果看，仅有2006年北京市与2015年山西省的能源强度极大程度地促进了工业碳排放，其他年份各省区大多都是抑制效果，从热力图来看，碳排放贡献区域差异较大，不同因素在不同省区的减碳效果不尽相同。

3华中地区

华中地区在地理上包括河南省、湖北省、湖南省三省，华中地区历史文化悠久，资源丰富，是中国工业农业的心脏和交通中心之一，其碳排放驱动因素计量模型为：

lnIit=23807+09416lnPit+09799lnSit－09457lnTit+03824lnMit（8）

华中三省中仅河南省的累计碳排放为正向水平，达到了438万吨，另外两省为负向水平，分别为-604万吨、-28万吨，计量模型结果显示，华中地区是需要加强工业能源結构优化的重点地区，根据热力图显示，从2006年开始湖北省能源结构大都表现出累积驱动作用，相比而言，河南省的能源结构优化水平要优于另外两省。人口规模上，三省均存在不同程度的碳排放驱动效果，结合回归模型结果可以看到，在人口规模效应减碳路径上，华中地区并不占优，反而在能源强度上，湖北省与湖南省存在一定效果的抑制作用，可以看到，人口因素是导致碳排放在华中地区产生差异的主要原因。

4华南地区

广义自然地理上的华南地区包括广东省、广西壮族自治区、福建省、海南省、香港特别行政区、澳门特别行政区以及台湾省，不过与西藏自治区的情况类似，由于数据受限，所以文中只测算四省，其碳排放驱动因素计量模型为：

lnIit=27293+08257lnPit+08812lnSit－09745lnTit+02656lnMit（9）

在累积排放量水平上，华南四省中除广西壮族自治区之外都控制住了二氧化碳排放量的增长，广西壮族自治区16年中的累计效应为1569万吨，结合热力图来看，广西壮族自治区这种情况受2010年的影响较大，当年广西壮族自治区的人口规模效应贡献率达1656%，影响一直持续到2020年，不同的是福建省在2016年也出现了极端贡献率，但是在几种驱动因素的相互影响下，也达到了控制碳排放的效果。从回归结果来看，整个华南地区的减排效果在全国范围内位于中游，在能源强度的优化上，明显优于华中、华北地区，但又差于东北地区。总的来说，该地区的几种驱动因素发展上较为协调，明显控制住了工业碳排放。

5华东地区

华东地区包括安徽省、江苏省、江西省、山东省、上海市以及浙江省六省，该地区自然环境条件优越，工业门类齐全，是中国综合技术水平最高的经济区。碳排放驱动因素计量模型为：

lnIit=－01154+10086lnPit+11664lnSit－09727lnTit－01814lnMit（10）

在累计排放量上，山东省、江苏省和浙江省分别为2810万吨、656万吨和691万吨，其他省市的排放水平控制效果较好，对比两模型结果，整个华东地区在能源结构的优化升级上表现出领先优势，整体上对工业碳排放的驱动比率为-01814，所以华东地区可能是中国率先进入到结构性碳减排发展的地区。但是相比于其他几个地区，华东地区各驱动因素的发展协调性稍弱，从2006年到2020年的热力图颜色变化，可以说明该地区在逐步控制工业碳排放，而且效果显著。

6西北地区

西北地区深居中国西北部内陆，人口稀少、生态脆弱，工业碳减排较为重要，该地区包括陕西省、甘肃省、青海省、宁夏回族自治区与新疆维吾尔自治区，其碳排放驱动因素计量模型为：

lnIit=09562+10556lnPit+10445lnSit－10340lnTit+01607lnMit（11）

与地区多极化区域减排发展模式相比，西北地区的区域工业减排发展是非常均衡的，首先工业能源强度控制的非常明显，西北五省区都表现出技术的强抑制作用，同时在能源结构上，甘肃省、陕西省均表现出累积抑制效果，其他三省区虽然都表现累计驱动作用，但是程度较为相似，都表现出较弱的驱动效果。从西北地区整体来看，人口规模效应与经济发展规模效应都表现出相近的驱动效果，而能源结构效应表现出较弱的驱动效果，对比其他地区，西北地区的优化效果仍位于中游，但根据热力图显示，2015年到2018年全地区的工业减排效果都极为明显，不过2019年和2020年宁夏回族自治区与新疆维吾尔自治区出现回弹现象，需要在减排同时重点恢复两地的高效减排工作。

7西南地区

西南地区在地理上包括重庆市、四川省、贵州省、云南省以及西藏自治区，不过文中只展示除西藏之外的其他四省，其碳排放驱动因素计量模型为：

lnIit=21037+09892lnPit+09539lnSit－09629lnTit+03656lnMit（12）

从区域对比的角度上，西南地区与华中地区较为相似，从系数上看，减排方向以及减排程度都非常类似，能源结构表现出较大的工业碳排放驱动作用，能源强度上仍然表现出很强的抑制作用，但不同的是，热力图所显示的华中地区极端贡献率要更多些，而整个西南地区的人口规模效应在控制工业减排上并没有较多的负向贡献，大多为正向驱动效果，但经济发展规模表现出较大的碳减排优势，尤其是四川，同时在累积排放水平上，四川为-815万吨，遥遥领先于同地区其他省市。整体上看，随着经济的高质量发展会逐渐推动经济规模影响脱钩，所以西南地区尤其是云南省和贵州省要重视能源结构体系的优化升级。

六、研究结论与政策含义

（一）研究结论

基于中国工业发展中的7个主要碳源，对2005-2020年中国工业二氧化碳排放量、能源强度、能源结构等进行核算，并通过LMDI模型与STIRPAT模型对面板样本数据的分解分析，探索讨论了碳排放的空间布局、演变特点与碳排放驱动因素的时空影响。研究结论表明：

（1）中国工业碳排放水平在空间上存在差异，地理分布上呈现“东高西低”的格局。工业碳排放重心在2005-2020年表现出不断东移趋势，并逐步靠拢向华北、华中、华东地区，如河北省附近，工业集中化趋势明显，另外各省市的工业二氧化碳排放量在2005-2020年间呈现出先迅速增长后平缓回落的发展趋势，不同的驱动因素受省情等影响对碳排放的贡献度在空间上也存在差异。

（2）根据各省区的工业碳排放趋势，可以分为三类。第一，部分省市的碳排放水平都已经越过了高峰进入下降趋势，如广东省、河南省、山东省、湖北省、四川省等。对于这类省市，要严格把控好减排节奏，尽快走出高位碳排放区间并转入碳排放稳步下降通道，积极探索碳中和实现途径、体制机制、政策和技术；第二，还有部分地区的碳排放水平隐隐呈现“N”字形趋勢，如安徽省、河北省、广西壮族自治区等。既然之前已经迈入到碳排放下降阶段，就不要让高位碳排放“死灰复燃”，顺着碳排放下降轨道实现“碳达峰”目标，因势利导、扬长避短，探索“碳中和”方案；第三，其余部分省市如海南省、甘肃省、贵州省、上海市等，其观察期内的碳排放趋势基本平稳，既没有呈现攀升趋势也没有显著的下降趋势。对于此类省区，极可能已经实现碳达峰并处于碳库兹涅茨曲线右侧，随后应该积极探索碳中和方案，推进碳减排碳中和任务进程。

（3）不同因素对碳排放的影响存在明显的空间差异。2005-2020年，对中国区域工业碳排放显示正向驱动作用的因素有经济因素、人口因素与能源消耗结构，而能源强度表现出对碳排放的抑制效果。其中经济因素是华东、华中、华南与东北部地区拉动工业碳排放的最主要因素，而西北地区拉动碳排放的主要因素是人口因素，结合因素分解结果，从逐年的因素贡献来看，经济因素正逐步实现与碳排放的脱钩，这也与中国近年的经济发展与工业的关系相适应，工业经济发展已经从高排放的粗犷发展方式逐步转变为高质量绿色发展方式。

（4）人口因素的驱动作用远高于能源结构，且不同时空影响不同。空间上，西北和东北地区的人口因素影响高于其他区域，拉动作用最大的是西北地区，时间上，东北、华北、华东和西北地区的省市从2005-2015年，其人口因素基本都表现出对碳排放的正向贡献，而在2016年之后开始表现为负向贡献，不过其个别省市在2019与2020年出现回弹现象，而华中、华南和西南地区自2005年开始就一直表现出对碳排放的拉动作用，自2016年之后，大部分地区并没有转变为负向贡献来抑制碳排放。

（5）能源结构是影响工业碳排放的根源性因素。在2005-2020年观察期内，能源结构虽然影响程度较低，但是除华东地区之外，其他地区仍然显示出正向拉动效果，华东地区的能源结构效应在观察期内表现出对碳排放的抑制作用，在全国范围内都是能源结构性碳减排的第一梯队。另外东北地区的能源结构效应表现出极低的驱动作用，对于各省市来说，由于存在不同省情，所以在优化、更新能源结构上存在差异，但随时间发展，中国基本所有区域能源結构都在降低正向贡献度，并逐步过渡到负向贡献，逐步抑制碳排放，虽然在没有脱离煤基能源的前提下，能源结构减排较为困难，但是华东、东北两地区应该发挥对周边地区的辐射作用，带动其他区域调整能源结构，推动技术进步，增加体系成熟的新能源的利用，推进工业能源结构性碳减排；另外，在分解的驱动因素中，仅有能源强度表现为稳定的抑制效果，是中国工业碳排放主要的抑制性因素。

（二）政策含义

（1）要加大工业能源结构的调整。推进新能源开发，构造低碳化能源结构，营造低碳的工业生产与经济增长环境，推动低碳经济发展，着手能源领域改革，从根本上改变以化石能源为主的工业能源结构，建立低碳化新能源消费结构，发挥结构性减排的根本作用。

（2）加大碳减排新技术应用力度。在工业减排工作中，技术发展是减少工业二氧化碳排放的关键所在，要加速向纵深推进工业新旧动能转换，大力推进技术与工业的深度融合，倡导各种新技术在工业领域的应用，包括能源节约技术、能源替代和物质循环利用技术比如节能汽车、工业节能技术、以可再生能源替代传统化石能源以及碳捕集与储藏技术等基于工业体系的碳减排技术。

（3）适度调控经济规模，推动经济高质量发展。经济增长也是导致工业二氧化碳排放量不断增加的重要因素，工业在国民经济中属于主导地位，工业的现代化程度及其发展规模最终决定着整个国民经济的面貌。要调控好大、中、小企业的经济生产规模，同时继续推进供给侧结构性改革，推动经济的高质量发展，在工业生产保持稳定的同时，深入推进结构性去产能任务，加大力度降本减负，持续推进工业绿色发展。

（4）提高工业从业人员素质，提高劳动生产率。从人口角度出发，工业人对二氧化碳排放的影响也是不容忽视的，单纯人本身的活动就会增加二氧化碳的排放量，而工业人作为工业发展中不可或缺的生产要素更为关键，所以在工业的生产发展中，要不断加强工业人的低碳环保宣传教育，让节能减排意识深入人心，并且要提高工业人的整体素质，主动调控工业从业人员数量，提高工业劳动生产效率。

（5）发挥政府在碳减排中的关键作用。工业减排工作中政府要积极出台促减排、促投资政策，引导社会资产流向工业领域，带动民间投资，以投资推动传统化工业向高新化工业的快速转变，切实推动工业减排工作的稳步进行，工业二氧化碳减排既是“双碳目标”的重要任务，也是中国进入现代化的一个重要标志。

参考文献：

［1］ 潘晨，李善同，刘强. 消费视角下中国各省份碳排放驱动因素探究［J］．经济与管理，2022，36（3）： 58-66.

［2］ 李俊杰，刘湘. 宁夏碳排放影响因素与碳达峰预测 ［J］．中南民族大学学报（人文社会科学版），2022，42（7）： 116-24，85-86.

［3］ 刘志华，徐军委. “双碳”目标下中国省域碳排放公平性及其影响因素 ［J］．地理科学： 1-9.

［4］ 刘自敏，张娅. 中国碳排放的时空跃迁特征、影响因素与达峰路径设计 ［J］．西南大学学报（社会科学版），2022，48（6）： 99-112.

［5］ 史丹. 能源转型与低碳工业化道路 ［J］．理论视野，2017（11）： 29-32，54.

［6］ 潘崇超，王博文，侯孝旺，古月清，邢奕，刘育松，温维，方娟.基于LMDI-STIRPAT模型的中国钢铁行业碳达峰路径研究［J/OL］．工程科学学报：1-14.

［7］ 曹俊文，张钰玲. 中国省域碳排放特征与碳减排路径研究 ［J］．生态经济，2022，38（8）： 13-9.

［8］ 禹湘，陈楠，李曼琪. 中国低碳试点城市的碳排放特征与碳减排路径研究 ［J］．中国人口·资源与环境，2020，30（7）： 1-9.

［9］ 廖祖君，张剑宇，陈诗薇. 碳排放影响因素及达峰路径研究——基于四川省的分析 ［J］．软科学： 1-11.

［10］牛乐，张丽霞，郗凤明，等. 辽宁省碳排放影响因素及情景预测 ［J］．应用生态学报： 1-12.

［11］Namahoro J，Wu Q，Zhou N，et al. Impact of Energy Intensity，Renewable Energy，and Economic Growth on CO2 Emissions： Evidence from Africa across Regions and Income Levels ［J］．Renewable and Sustainable Energy Reviews，2021，147： 111233.

［12］Aftab S，Ahmed A，Chandio AA，et al. Modeling the Nexus between Carbon Emissions，Energy Consumption，and Economic Progress in Pakistan： Evidence from Cointegration and Causality Analysis ［J］．Energy Reports，2021，7： 4642-58.

［13］宋苑震，曾坚，王森，等. 中国县域碳排放时空演变与异质性 ［J］．环境科学，2023，44（1）： 549-59.

［14］王正，樊杰. 能源消费碳排放的影响因素特征及研究展望 ［J］．地理研究，2022，41（10）： 2587-99.

［15］张赫，黄雅哲，王睿，等. 中国县域碳排放脱钩关系及其时空特征演变 ［J］．资源科学，2022，44（4）： 744-55.

［16］顾张锋，徐丽华，马淇蔚，等. 浙江省都市区碳排放时空演变及其影响因素 ［J］．自然资源学报，2022，37（6）： 1524-39.

［17］赵强，周月凌，方潜生，等. 中部地区碳排放时空演变及其影响因素分析 ［J］．环境科学学报： 1-11.

［18］姬新龙，杨钊. 碳排放权交易是否“加速”降低了碳排放量和碳强度？ ［J］．商业研究，2021（2）： 46-55.

［19］陈慧灵，高子恒，王振波. 省级尺度工业碳排放影响因素及碳转移格局分析 ［J］．生态学报，2023（14）： 1-13.

［20］靳毓， 文雯， 赵廷宇. 绿色基金持股对企业绿色创新的影响研究［J］．珞珈管理评论， 2022， 42（3）： 22-45.

［21］程豪.碳排放怎么算——《2006年IPCC国家温室气体清单指南》［J］．中国统计，2014（11）：28-30.

FactorsInfluencing the Spatial Variation of Carbon Emissions：

Measurement Identification and Policy Implications

ZHANG En-ying，MENG fan-jun

（School of Economics，Harbin University of Commerce，Harbin 150028，China）

Abstract： Optimizing the structure of energy consumption and achieving low-carbon industrial development is the only way to achieve the “Carbon peaking and Carbon neutrality Goals”. In this study，the IPCC carbon emission accounting method is used to calculate industrial CO2 emissions from 2005 to 2020 in various regions of China. the Kaya-LMDI factor decomposition model is used to decompose industrial carbon dioxide emissions into four driving factors： energy structure，industrial energy intensity，industrial economic scale and industrial workforce size，and on this basis，the STIRPAT model is used to analyze the differences in the role of industrial carbon emission drivers in influencing different economic regions. According to the empirical results，the effect of industrial carbon dioxide emission reduction in China is significant，but there are still large spatial differences，and the geographical distribution of carbon emissions is concentrated in East China and South China，and there are unevenness，and there are synergistic or multi-polar carbon emission patterns in other regions. There is spatial heterogeneity in the degree of optimization of energy structure， and structural emission reduction will be the main way to reduce emissions in the future; improving the technology level of energy consumption and promoting the low-carbon transformation of energy structure system are the main paths to achieve “Carbon peak” with high-quality economic development in the future.

Key words：CO2 emission reduction; energy consumption structure; factor decomposition model; STIRPAT model; spatial variation.

（責任编辑：周正）