复杂网络视角下我国居民能源消费碳排放的空间关联分析

彭鑫蓓，刘家保

（安徽建筑大学 数理学院，安徽 合肥 230601）

全球变暖日益严重，极端天气如特大沙尘暴、强热带风暴、罕见低温雨雪冰冻等也频频发生。已有研究结果表明，碳排放量的增加会加剧全球变暖[1]。为遏制全球变暖，越来越多的国家加入到低碳减排的行列之中[2]。近些年来，我国一直致力于与世界各国携手解决环境问题。2020 年，我国向全球明确了“碳达峰”和“碳中和”目标[3]。我国政府制定了一系列战略方针，构建起碳达峰碳中和“1+N”政策体系，不断推进“双碳”工作的开展。

大量消耗化石能源会导致碳排放量急剧增加，该类能源的使用主要集中在化工、建材、钢铁等工业领域。因此，众多学者致力于解决工业领域的能源消耗产生的碳排放问题。童霞等[4]和马彩云等[5]分别对我国工业和建筑业的碳排放问题进行了研究并取得了一定成果。魏一鸣等[6]研究发现，我国居民生活能源消费产生的碳排放量占全国碳排放总量的30%。卢鹤立等[7]和刘小平等[8]研究发现，近些年来我国居民消费领域的能源消耗导致碳排放量不断增长。由此可见，我国居民生活能源消费引起的碳排放问题对生态环境造成了不可忽视的影响。

1992 年，国外学者Common 等[9]对澳大利亚居民消费碳排放进行了研究。2001 年，Munksgaard 等[10]对丹麦居民消费碳排放进行了研究。近些年来，国内学者也对我国居民能源消费碳排放进行了深入探究。傅京燕等[11]用环境投入产出分析和消费品生命周期分析法对我国1996—2011 年居民间接消费碳排放进行了研究。计志英等[12]运用碳排放系数法对我国城乡居民能源消费碳排放进行测算，发现城乡间存在较大差异。通过梳理文献，发现联合国政府间气候变化专门委员会（IPCC）[13]提供的碳排放系数方法比其他方法更适合于衡量居民能源消费碳排放并被广泛接受。张梅等[14]对我国城市碳排放进行研究，发现空间距离是重要影响因素，碳减排措施的制定要考虑空间效应。曹庆仁等[15]采用指数分解法计算了居民消费引起的碳排放量。柴士改[16]探究了我国城镇居民生活碳排放是否受消费模式、收入等因素影响。夏炎等[17]运用多元回归分析、投入产出分析等方法研究了居民消费碳排放的影响因素，并对居民消费碳排放未来趋势进行了预测。

通过对相关文献的学习和梳理可以发现：第一，已有研究大多是从国家层面而非地区层面来研究中国居民消费引起的碳排放。然而，我国幅员辽阔，各省域间的居民消费水平、生活习惯等有着显著差异，因此，不同地区的居民消费碳排放也应有所不同。第二，已有研究大多基于“属性数据”而非“关系数据”来描述碳排放的空间分布特征和空间相关性，未能反映空间相关性网络的结构特征以及各区域在该网络中的作用和影响。因此，本文在复杂网络视角下，利用社会网络分析（social network analysis，SNA）方法研究我国省域间居民能源消费碳排放空间关联网络的结构特征。近些年来，该方法被广泛应用于研究复杂的区域间关系结构，参见文献[18-20]。

本文基于2005—2020 年我国省域居民能源消费碳排放量数据，运用空间计量和社会网络分析方法，从空间分布和网络关联两个方面对我国居民能源消费碳排放的空间关联关系进行分析。空间计量方法可以从统计学角度证实碳排放在区域间存在空间关联；社会网络分析法可以从复杂网络视角分析区域间碳排放关联关系。本文综合使用上述两种方法，既展示了数据关系又涵盖了属性关系，可以丰富现有文献。

1 数据来源及方法介绍

1.1 数据来源

本文对2005—2020 年间我国居民能源消费碳排放量进行测算，数据来源于《中国能源统计年鉴》（2005—2020 年）和各省（区、市）统计年鉴（2005—2020 年）。由于缺少西藏、港澳台地区的能源消费数据，因此本文的研究范围不包含西藏和港澳台地区。

1.2 居民能源消费碳排放量的测算

本文主要测算居民日常生活中在烹饪、照明、出行等方面产生的碳排放量。热力和电力虽是二次能源，使用过程中不产生碳排放，但在生产加工过程中耗能严重，并且热力和电力在居民日常生活中消耗量占比也较高，故本文也将热力和电力的消耗视为居民能源消费碳排放的来源。居民日常生活中使用的其他能源，如太阳能、风能、水能、地热能等属于非碳基能源，在消耗过程中并不产生二氧化碳，故该类能源的消耗不纳入居民能源消费碳排放的测算范畴。基于此，本文测算的居民能源消费类型分为两部分：一部分是10 种化石能源；另一部分是两种二次能源。

采用碳排放系数法[13]测算10 种化石能源的碳排放量，公式为

其中：Cf为居民生活中消耗化石能源产生的碳排放总量（本文提到的碳排放均指二氧化碳排放）；i=1，2，…，10 为10 种化石能源的序号；Ei为第i 种能源终端消费实物量；αi为第i 种能源的折标准煤系数；βi为第i 种能源的碳排放系数，具体见表1。

根据中国能源统计年鉴，热力的折标准煤系数为0.034 12 kg 标准煤/MJ。标准煤的碳排放系数采用国家发展与改革委员会能源研究所的推荐值0.670 0 kg/kg 标准煤。

居民能源消费中电力碳排放的测算方法如下：在全国层面上，首先对各省（区、市）居民生活能源消耗中电力消耗实物量进行求和，再乘以全国电网平均排放因子，即得到全国居民生活电力消费导致的碳排放量，其中全国电网平均排放因子采用国家发改委公布的2015 年的数据（0.610 1 tCO2/MWh[21]）；在省域层面，采用国家发改委公布的2012 年的数据[21]，见表2。

表2 各省（区、市）电力碳排放因子Tab.2 Carbon emission factors for electricity by city and province subdivisions

1.3 方法介绍

1.3.1 核密度估计法

核密度估计法是借助连续的概率密度曲线对某一随机变量的分布形态进行刻画[22]。随机变量上的概率密度函数的核密度估计为

其中：n 为观测值个数；h 为带宽；x 为均值；K（·）为核函数。本文选用高斯核函数对我国居民能源消费碳排放量的分布动态进行估计。

1.3.2 空间相关性分析

全局Moran′s I 指数可以反映空间聚集程度，分析变量在整体区域中是相似、相异还是独立的[23]。该指数的取值在-1～1 之间，其中正值说明研究区域整体呈现高-高聚集或低-低聚集，即具有空间正向相关性；负值说明研究区域整体呈现高-低聚集或低-高聚集，即具有空间负向相关性；0 值说明研究区域的变量分布具有随机性和独立性，无空间聚集效应[24]。全局Moran′s I 指数的计算公式为

其中：n 为空间单元的个数（这里指本文研究的30 个省（区、市））；xi和xj分别为第i 个空间单元和第j 个空间单元的观测值为样本均值；s2=为样本方差；wij为空间权重矩阵W 中第i 行第j 列的元素，反映空间单元i 和j 是否相邻，若相邻记为1，反之记为0。

因为全局空间自相关分析只能用于判断整体研究区域是否存在空间聚集，不能得出具体位置，所以本文进一步运用局部Moran′s I 指数进行局域空间自相关分析[25]。局部Moran′s I 指数计算公式为

1.3.3 社会网络分析

源于图论的SNA 是一种基于“关系数据”研究某一系统空间网络特征的常用方法[26]。空间网络特征通过以下4 个指标反映。

1）网络密度D[26]，用于反映空间网络的紧密性，取值范围为0～1，计算公式为

其中：M 为我国省（区、市）间实际存在的碳排放关联关系数（网络的边数）；N 为省（区、市）个数（网络的节点数）。

2）网络关联度AD[26]，用于体现空间网络的稳健性。该值越大，说明整体网络的关联程度越高，网络越稳健。计算公式为

其中V 为空间网络中不可达的点对数。

3）网络等级H[26]，该值越大，说明网络中各节点省（区、市）之间的阶级越分明，网络的流动性越依靠于在网络中心的节点省（区、市），而处于网络边缘的省（区、市）越难以融入网络中心，整个网络的分布越不均衡，核心-边缘差距越悬殊。计算公式为

其中：V′为空间网络中对称可达的点对数；max（V′）为该网络中最大对称可达的点对数。

4）网络效率E[26]，该值越低，说明网络中节点省（区、市）间多余的连线数越多，即某个节点的删除或者增加对该网络的影响越小，该网络越稳定。计算公式为

其中K 为空间网络中多余的连线数。

2 居民能源消费碳排放空间关联分析

2.1 居民能源消费碳排放现状分析

从全国层面上，本文绘制得到2005—2020 年我国居民能源消费碳排放总量及增长率的变化趋势图，如图1 所示。我国居民能源消费碳排放总量显著增长，从2005 年的37 889 万t 增至2020 年的65 597 万t，增长至1.7 倍。2005—2020 年间，我国居民能源消费碳排放总量呈现先逐步增长后趋于平缓的特征，说明近年来节能减排政策初见成效。但是，我国居民能源消费碳排放量的增长趋势是不可否认的，节能减排工作压力仍然较大。

图1 2005—2020 年居民能源消费碳排放量及环比增速变化情况Fig.1 Carbon emissions from residential energy consumption and year-over-year growth rate trend in 2005-2020

此外，由图1 可知：2005—2020 年我国居民能源消费碳排放总量中各类能源的碳排放量占比变化也较大。原煤的碳排放量占比呈现明显的下降趋势；汽油、天然气、热力、电力的碳排放量占比呈现明显的上升趋势；液化石油气、柴油等占比波动不大。

从省域层面上，本文计算得到我国各省（区、市）的居民能源消费碳排放量2005—2020 年的平均值，如图2 所示。我国各省（区、市）的居民能源消费碳排放量在2005—2020 年间的平均值差距十分明显，其中，河北省最高，达到4 568 万t，而海南省最低，仅为125 万t，前者是后者的36.5 倍。山东和河北是我国著名的重工业大省，山西和内蒙古是我国著名的能源大省，这几个省（区、市）以工业产业为主，能源消耗较高，导致年平均碳排放量居高不下，需要重点采取碳减排措施。

图2 2005—2020 年各省（区、市）居民能源消费碳排量均值Fig.2 Average value of carbon emissions from energy consumption of residents in various provinces and cities in 2005-2020

从以上分析可以发现，我国居民能源消费碳排放量和地理位置有一定关系，并且呈现明显的“东高西低”的空间分布形态。我国居民能源消费碳排放量高的省（区、市）主要分布在我国的东部沿海偏北地区，如河北、山东等，这些地区自然资源丰富，重工业发达，导致居民耗能水平较高，同时能源利用结构分布不均衡，也促使该地区碳排放量处于较高水平。我国居民能源消费碳排放量低的省（区、市）主要分布在东部沿海偏南和西部偏远地区如海南、广西、青海、宁夏等，这些地区可能自身居民耗能水平较低，或能源利用结构分布合理，促使该地区居民能源消费碳排放量处于较低水平。我国经济区域划分[27]如表3 所示。

表3 我国经济区域划分Tab.3 China economic regional division

尽管图2 可以直观反映我国各省（区、市）居民能源消费碳排放量的空间分布的不均衡特征，但是要深入研究其空间特征，还需要进一步借助相关的衡量指标进行分析。

2.2 居民能源消费碳排放空间差异性

根据核密度估计法，本文利用MATLAB 软件对2005—2020 年间我国各省（区、市）居民能源消费碳排放量和居民能源消费碳排放结构信息熵的分布形态及演变情况进行描绘，如图3 所示。

图3 我国居民能源消费碳排放量核密度曲线Fig.3 Kernel density curve of carbon emissions from Chinese residential energy consumption

由图3 可知，2005—2015 年间，核密度估计曲线的波峰呈现变矮趋势，曲线形态呈现逐渐扁平的趋势，说明我国不同区域间居民能源消费碳排放量的差距在不断增大。到2015 年，曲线的波峰持续变矮，并且曲线的右尾不断拉长，说明地区间居民能源消费碳排放量的差距还在进一步扩大。2015 年后，我国居民能源消费碳排放量核密度估计曲线由单波峰变成双波峰，这说明两极分化现象加剧。

接下来，以2005、2010、2015 和2020 年为代表，根据表3 中的区域划分绘制我国东部、中部、西部和东北地区的居民能源消费碳排放量核密度估计图，如图4 所示。

图4 各地区居民能源消费碳排放量核密度曲线Fig.4 Kernel density curve of carbon emissions from residential energy consumption by region

由图4 可知，从核密度曲线位置上看，随着时间变化，我国四大区域居民生活消费碳排放量核密度估计曲线波峰一直在右移，其中东北地区最为明显，说明整体上我国各地区居民能源消费碳排放量在不断增多且东北地区增长量最大。

从核密度曲线形态上看：首先，我国东部、西部和东北地区居民能源消费碳排放量核密度估计曲线形态上呈现扁平化趋势，曲线宽度不断增大，说明我国东部、西部和东北地区居民能源消费碳排放量差距有扩大趋势。而我国中部地区居民能源消费碳排放量核密度估计曲线的宽度呈现先增大后减小趋势，说明中部地区居民生活消费碳排放量差距呈现先增大后逐步减小趋势。其次，该地区的核密度曲线波峰越多，说明该地区两级分化现象越严重，中部地区居民能源消费碳排放量两极化趋势最为明显，其次是东部地区和东北地区。

2.3 空间自相关分析

采用全局Moran′s I 指数对我国2005—2020年间各省（区、市）居民能源消费碳排放量在空间上的自相关性和集聚性进行检验，结果如表4 所示。

表4 2005—2020 年我国居民能源消费碳排放量全局Moran′s I 指数Tab.4 Global Moran′s I value of carbon emissions of China′s residents in 2005-2020

由表4 可以看出：1）大多数年份中我国各省（区、市）居民能源消费碳排放量的全局Moran′s I 检验结果中p 值小于0.1，说明在10%显著性水平下，我国各省（区、市）居民能源消费碳排放量受其邻近省（区、市）居民能源消费碳排放量的影响，存在空间依赖关系，具有空间聚集性，并非独立的随机分布。2）2005—2020 年间，我国各省（区、市）居民能源消费碳排放量全局Moran′s I 值均为正值，说明我国各省（区、市）居民能源消费碳排放量在空间上表现为显著的正相关性，即居民能源消费碳排放量高的省（区、市）被居民能源消费碳排放量高的省（区、市）所包围（高-高聚集），或居民能源消费碳排放量低的省（区、市）被居民能源消费碳排放量低的省（区、市）所包围（低-低聚集）。

因为全局空间自相关分析只能用于判断整体区域中某种现象是否存在空间聚集，而不能得出具体位置，所以本文进一步通过局部Moran′s I 指数进行局域空间自相关分析，选取2005、2010、2015 和2020 年的我国各省（区、市）居民能源消费碳排放量数据进行局域空间自相关分析，得到图5 所示的局部Moran′s I 散点图。

图5 2005、2010、2015、2020 年居民能源消费碳排放量局部Moran′s I 散点图Fig.5 Local Moran′s I scatter plot of carbon emissions from residential energy consumption in 2005，2010，2015，2020

局部Moran′s I 散点图中第一象限和第三象限分布的省（区、市）均呈现正空间相关关系，分别表现出H-H（高-高）聚集和L-L（低-低）聚集；第二象限和第四象限分布的省（区、市）均呈现负空间相关关系，分别表现出L-H（低-高）聚集和H-L（高-低）聚集。

由图5 可知：整体上，我国大部分省（区、市）的局部Moran′s I 值分布在第一象限（H-H 象限）和第三象限（L-L 象限），说明我国大部分省（区、市）和其相邻省（区、市）呈现较强的正空间相关性，省域间高-高聚集和低-低聚集明显。局部上，高-高聚集的省（区、市）主要有辽宁、山东、河北、河南等重工业强、矿产能源丰富的地区。这些省（区、市）不仅自身居民能源消费碳排放量高，还影响相邻省（区、市）呈现较高的居民能源消费碳排放量趋势。低-低聚集的省（区、市）主要有中西部地区和海西经济区，这些省（区、市）不仅自身居民能源消费碳排放量低，而且也影响邻近省（区、市）呈现较低的居民能源消费碳排放量趋势。从时间上看，2005—2010年间，分布在第一象限（H-H 象限）和第三象限（L-L象限）的省（区、市）不断增多，说明空间聚集效应不断增强；2010 年之后的散点图情况和2010 年的类似，说明2010—2020 年间我国居民能源消费碳排放量在局部范围内的空间关系较稳定。

2.4 社会网络分析

社会网络分析法是从复杂网络视角上，基于“关系数据”研究某系统的空间网络特征，因此，空间关联网络中节点之间关系的确定是构造网络的基础。目前，描述空间相关性的方法主要是基于引力模型。根据前人研究（参见文献[26，28-29]），对传统引力模型进行改进，改进后的模型为

式中：i 和j 分别代表省（区、市）i 和省（区、市）j；Gij为省（区、市）i 和省（区、市）j 的居民能源消费碳排放量关联强度；Ci为省（区、市）i 的居民能源消费碳排放量；Pi为省（区、市）i 的人口规模，用地区年末人口总数测算；Ei为省（区、市）i 的经济发展水平，用地区国民生产总值（GDP）测算；Ti为省（区、市）i 的能源强度，用地区单位GPD 下能源消耗量测算；dij为省（区、市）i 与省（区、市）j 之间的地理空间距离，用各省的省会城市间的球面距离测算；ei-ej表示省（区、市）i 与省（区、市）j 之间的经济距离，用各省（区、市）人均GDP 差值测算。为了同时考虑经济距离和地理距离因素对能源消费空间关联的影响，本文以这两种距离比值的平方表示省（区、市）i 与省（区、市）j 之间的“距离”。根据式（5）计算得到空间关联引力矩阵，然后以该引力矩阵每行的平均值作为阈值将该矩阵转化为0-1 矩阵。

依据上文构建的我国居民能源消费碳排放量的空间关联矩阵，通过UCINET6 软件中可视化工具Netdraw 绘制2005—2020 年间我国省域居民能源消费碳排放量的空间关联网络图。因篇幅所限，选取2005、2010、2015 和2020 年为代表，绘制结果如图6 所示。结果表明：我国居民能源消费碳排放量空间网络关系错综复杂，省域间联系并不是局限于邻近地区而是体现出复杂的网络结构形态。

图6 2005、2010、2015、2020 年居民能源消费碳排放量空间关联网络图Fig.6 Spatial correlation network map of carbon emissions from residential energy consumption in 2005，2010，2015，2020

由图6 可知：1）该网络是有向网络，各省（区、市）间居民能源消费碳排放量空间关联网络辐射和溢出关系并不对等。2）整个网络结构不存在完全孤立的省（区、市），每个省（区、市）至少与其他省（区、市）存在一个关联关系，说明一个省（区、市）的居民能源消费碳排放量必定受到周边其他省（区、市）的影响，我国各省（区、市）居民能源消费碳排放量之间存在密切的关联关系。3）网络中蓝色节点表示这些省（区、市）都接收和发送与其他省（区、市）的联系，而红色节点表示这些省（区、市）发送联系但没有接收到来自其他省（区、市）的联系。2005 年时，陕西、青海、宁夏、新疆、黑龙江、海南这6 个省（区、市）没有收到其他省（区、市）的联系；2010 年时，只有新疆、海南、宁夏和青海4 个省（区、市）没有收到其他省（区、市）的联系；2015—2020 年保持在4 个省（区、市）左右。4）山东、广东、天津、贵州、四川等省（区、市）逐渐退出空间关联网络中心位置；江苏、福建、甘肃等省（区、市）逐渐靠近空间关联网络中心位置；内蒙古先慢慢靠近网络中心后又逐渐远离。虽然2005—2020 年间空间关联网络中心省（区、市）有些变化，但该网络整体上仍然保持较为稳定的网络体系结构。

根据公式（1）—（4）计算得到整体空间网络特征及其时间演变趋势如图7 和图8 所示。由图7 可知：网络关系数总体呈现波动变化，在2005—2010 年间逐步增长，在2011 年达到221个，之后在2013 年降到204 个，2014 年较2013 年有所回升，2014 年后缓慢降低趋于平稳。网络密度也表现出“先增长后下降再增长后下降”类似N 字型趋势。图中还展示了网络密度的演化趋势，与网络关系数类似，网络密度同样表现出类似N 字型趋势，且该特征与网络关系数变化特征在相同的时间段相吻合。我国居民能源消费碳排放量空间网络的网络密度距离上限值1 有很大差距，说明我国各省（区、市）居民能源消费碳排放量空间关联网络的网络结构相对松散，流动性还有待加强。

图7 居民能源消费碳排放量网络关联关系数与网络密度Fig.7 Network correlation coefficient and network density of carbon emissions from residential energy consumption

图8 居民能源消费碳排放量网络等级、网络效率和网络关联度Fig.8 Network rank，network efficiency and network relevance of carbon emissions from residential energy consumption

由图8 可知：我国各省（区、市）居民能源碳排放量空间关联网络的网络等级度呈现2005—2013年缓慢增长、2013—2020 年逐步下降的趋势。2005年网络等级为0.433 8，到2020 年网络等级为0.294 1，整体降幅达到32.20%。近几年来，网络等级度的下降反映出以往层级明显的网络空间结构逐步被打破，省（区、市）间的联系不断紧密。网络关联度为1说明整体网络具有传递性和可达性，网络效率变化较小，总体趋势平稳，网络空间配置得到了优化。

3 结束语

本文首先计算了2005—2020 年我国省域的居民能源消费碳排放量，然后运用核密度估计法和Moran′s I 分析法对居民能源消费碳排放量进行空间关联分析，最后构建空间关联网络模型并运用社会网络分析法对该网络进行研究。结果表明：1）整体上，2005—2020 年间，我国居民能源消费碳排放量呈现增长趋势，并且碳排放量中煤炭类占比在减少，油品类、电力和天然气占比在增加。局部上，我国省（区、市）间的居民能源消费碳排放量差距较大，碳排放量呈现“东高西低”的空间分布特征。2）全国及4 个区域的核密度估计曲线主峰均不断右移、宽度增大、波峰变多，其中东北地区主峰右移最明显、中部地区波峰增加最明显。这说明我国及各地区的居民能源消费碳排放量呈上升趋势，非均衡性增大且出现两极分化现象。并且，我国省域间居民能源消费碳排放具有明显的空间聚集性，即大部分省（区、市）和其相邻省（区、市）呈现较强的正空间相关性，省域间高-高聚集和低-低聚集现象明显。3）我国居民能源消费碳排放空间关联网络整体上呈现东部、中部、偏远西部网络关联程度依次递减的规律。我国部分东部沿海地区位于网络的中心，在整体网络中发挥中转和连接的作用，对其他省（区、市）的控制力较强，中西部省（区、市）位于网络边缘，不仅彼此间联系较为薄弱，且与网络中心省（区、市）的联系也较薄弱。

通过以上分析，本文建议如下：1）由于我国各省域间居民能源消费碳排放量的空间差异明显，政府有关部门应该因地制宜，结合各省域自身实际情况，充分发挥各省域自身的独特优势，将居民消费相关的节能减排大目标细分化和具体化，制定符合各省域自身实际情况的具有针对性的精准的碳减排政策。2）政府有关部门要根据我国省域间居民能源消费碳排放空间关联网络特征，实现创新型的协同减排，实现跨区域跨省（区、市）的协同治理。政府有关部门减排政策的实施不能局限于当地地区，而要由点及面，点面结合，考虑各省（区、市）在空间关联网络中的位置以及各省（区、市）在该网络中扮演的不同角色，充分发挥空间关联网络中核心省（区、市）的辐射作用，有效带动周边省（区、市），不断加强碳排放空间关联网络的整体流动性，加强经济发达地区和能源丰富地区之间的联系，以促进能源丰富地区的经济发展，缩小地区间居民消费水平的差距，提高低碳资源的空间配置效率。3）要优化居民生活能源的消费结构，积极有效引导居民合理使用能源、适度消费。政府有关部门要加大绿色环保和节能减排的宣传力度，鼓励居民积极做到低碳生活、绿色出行，不断增强居民的节能减排意识以达到从根本上减少居民生活能源消费产生的碳排放。