中国省域碳排放及其驱动因子的时空异质性研究

收稿日期：2013-04-10

作者简介：李丹丹,博士生，主要研究方向为地理信息系统及气候变化影响。

通讯作者：刘锐，博导，主要研究方向为地理信息科学及资源管理。

基金项目：北京师范大学海外人才引进基金。

摘要本文选取30省（自治区、直辖市）行政单位作为基本空间单元，依据2003-2010年中国统计年鉴和中国能源统计年鉴数据，采用探索性空间分析（ESDA）方法和地理加权回归模型（GWR），分析八年间碳排放影响因素及其影响程度的时空分布，揭示我国碳排放的区域差异及其驱动因子的时空异质性。研究结果表明：在2003-2010年间，碳减排潜力相对较大区域主要集中在中东部地区，并有向四周扩展的趋势；全国省域碳排放存在较为显著的空间正相关性，且相关性的总体趋势呈现出先上升后下降的空间格局，表明在碳减排的进程中，全国碳排放量的总体空间差异在逐步缩小；碳排放的驱动因子存在明显的时空异质性，如 GDP驱动因子在不同省域影响程度不同，而且2006年的GDP驱动因子的回归系数普遍高于2003年，人口影响因子也存在省域的异质性， 2010年人口回归系数高于2003年；GDP对碳排放的影响最为显著，影响显著的区域从2003年西部转移到中东部，2010年又移回西部，这进一步说明碳减排与经济增长的复杂关系，意味着碳减排和经济发展并重需要优化经济发展方式，提高能源利用效率。

关键词地理加权回归;探测性空间分析;碳排放;时空异质性;驱动因素

中图分类号TP208文献标识码A文章编号1002-2104(2013)07-0084-09doi:103969/jissn1002-2104201307013

近百年来,随着CO2等温室气体排放量不断增加，大气的温室效应不断增强，造成了自然环境的各种严重后果。随着全球气候变暖，温室气体排放份额一方面成为各国在国际谈判中相互争夺的重大国家利益，同时也日益演变为后工业化发达国家约束新兴发展中国家发展的武器［1-4］。中国经济正处在高速发展阶段，能源消耗量不断增长，不可避免地会出现碳排放量大幅增加的情况，如何制定合理减排政策实现国际承诺是目前面临的主要问题，如何正确评估各地区的碳排放状况，采取有效的减排措施更是当务之急。

1文献综述

由于我国各省份发展水平不同，区域差异性明显，全国尺度下正确的结论可能与地区发展实际情况存在较大差异，目前很多学者结合地域差异对碳排放的影响因素从研究尺度和研究方法上展开了丰富的研究。研究的空间尺度主要分为全国、省域和行业层次，而研究方法主要包括因素分解模型法、多元回归分析、模糊聚类法和灰色关联度分析法等。孙猛等从全国尺度上采用LMDI分解方法研究了能源消耗强度驱动因素，且考察了各种影响因素对碳排放总量变化特征和行业碳排放差异性的影响［5］。赵志耘等基于各行业部门的数据研究了2000-2009年间各驱动因素对我国碳排放量变化的影响［6］。其他学者则从省域尺度上展开了相应的研究，如张晓平等利用回归分析法定量研究了地区能源消耗强度的影响因素［7］。李想等运用灰色关联分析法得出江苏省1996-2007年间不同驱动因子对碳排放的关联度，并依次分析了各驱动因子对江苏省碳排放的影响程度［8］。张彬等利用Kaya模型研究分析了影响中国碳排放的主要因素，并根据上述因素模糊聚类，将中国分为四大区域［9］。张乐勤等利用STIRPAT模型定量分析了安徽省1995-2009年间影响能源消费碳排放的主要因素［10］。另外，一些学者则从不同的行业部门角度展开相关研究，如李波等计算了我国1993-2008年间农业碳排放量并借助Kaya模型对农业碳排放因素展开了分解研究［11］。张传平等利用STIRPAT分解模型和回归分析方法对中国工业39个行业CO2排放影响因素进行实证研究［12］。

综上所述，上述方法多是基于时间序列建立的全局模型，往往会掩盖空间差异和空间依赖性，忽视了空间效应对碳排放的各种驱动因素的影响。由于我国地域辽阔，地理差异明显，不同地区碳排放的驱动因素所起的作用会因为地域的差异而有所不同。地理加权回归（Geographically Weighted Regression,GWR）模型是对传统回归模型的扩展，允许局部而不是全局的参数估计，通过附加表达空间对象本身相关性和异质性的变化参数，反映样本对回归方程贡献在空间上的分异，使回归结果更加可信 ［13-14］。因此，运用GWR模型研究碳排放区域差异及其驱动因素，可以将数据的空间特性纳入到模型中，更加客观地研究空间数据的异质性。使用GWR模型的前提是观测数据的空间分布并非是随机的而是具有空间自相关性和分异性，因此本文将采用探测性空间分析方法（Exploratory Spatial Data Analysis, ESDA）判断观测数据空间分布情况。

本文依据2003-2010年间的中国统计年鉴和中国能源统计年鉴数据，采用GWR模型和ESDA方法，剖析了30个省（自治区、直辖市）八年间碳排放主要影响因素及其影响程度的时空分布，揭示上述因素在不同时间和空间层面上对碳排放影响的机理，旨在为深入和全面进行碳减排和制定因地制宜的减排政策提供较为科学的理论依据。

李丹丹等：中国省域碳排放及其驱动因子的时空异质性研究中国人口・资源与环境2013年第7期2数据源与研究方法

2.1数据源及其变量选取

目前已有很多学者对碳排放的驱动因素进行实证分析，主要利用LMDI［15-18］、STIRPAT［19-21］和Kaya［22-23］等因素分解模型，讨论了能源碳排放的影响因素以及影响程度，对碳排放影响因素的分析涵盖了经济规模、人口数量、能源结构、能源效率和产业结构等因子。本文在参考上述相关研究成果的基础上，从经济发展、人口组成、产业结构和能源消费以及碳排放强度等方面选取了GDP、人均GDP、人口、第二产业比重及能源消耗强度五个指标衡量能源消费碳排放。本文基于2003-2010年《中国统计年鉴》和《中国能源统计年鉴》，收集整理了30个省（自治区、直辖市）上述的五个指标数据，其中，、香港、台湾、澳门缺失数据暂不考虑。碳排放量计算主要依据2006年IPCC提出的碳排放量计算方法，GDP采用不变价国内生产总值计算［24］。

IPCC对能源碳排放的计算如下［25］：

A=∑Ni=1BiCi（1）

其中：A为碳排放量（万t），Bi为第i种能源的折标准煤量（万t），折标准煤量=实物量×折标系数，其中实物量为第i种能源的终端能源消费量；Ci为能源i的碳排放系数；N为能源种类共17类（包括原煤，洗精煤，焦炭，焦炉煤气，其他煤气，其他焦化产品，原油，汽油，煤油，柴油，燃料油，液化石油气，炼厂干气，其他石油制品，天然气，热力，电力）。碳排放系数来源于IPCC碳排放计算指南缺省值并经过计算获得［26］。标煤折算系数来自于《中国能源统计年鉴2011》［27］。

2.2研究方法

2.2.1探测性空间分析方法

探测性空间分析（ESDA）方法是描述和显示空间分布、识别异常空间位置和发现隐含空间关系等的一系列技术的集合。其核心是空间自相关性的测度，包括全局和局部空间自相关两大类。本文通过ESDA相关分析方法，观测各省域碳排放在空间上的差异和变化状况，并为下一步的2.2.2中GWR方法做铺垫。