中国省域碳排放及其影响因素时空特征分析——基于MGWR模型的研究

陈思宇，魏思琪，都瓦拉，3

(1.内蒙古工业大学 理学院；2.内蒙古大学 经济管理学院；3.中国农业科学院 草原研究所，内蒙古 呼和浩特 010000)

1 文献综述

从20世纪80年代开始，温室效应引起的全球变暖问题开始引起广泛的关注。为巩固可持续发展理念，减少二氧化碳排放量是经济发展过程中的重中之重。中国作为世界二氧化碳排放量大国，面对绿色可持续发展战略，减排工作刻不容缓。

早期关于碳排放影响因素的研究主要集中在全局回归方法上，Richard York(2003)构建STIRPAT模型得出人口和富裕程度能够加大碳排放量[1]。徐国泉、刘则渊等(2006)采用对数平均权重Divisia分解法建立因素分解模型，结果表明能源效率和能源结构对碳排放呈现倒“U”形趋势[2]。通过构建空间计量经济模型，魏下海、余玲铮(2011)发现人均GDP和人均碳排放量之间同样呈现明显的倒“U”形关系[3]。郑长德、刘帅(2011)基于2000年—2008年中国30个省区市的面板数据构建计量经济模型，对产业结构和碳排放关系进行实证分析，结果显示，第二产业对碳排放的影响最大[4]。更多文献表明，碳排放量受区域因素影响较大。Clarke-Sather(2011)基于IPCC参考方法测算1997年—2007年中国各省数据发现中国碳排放不平等模式主要由区域因素造成[5]。程叶青、王哲野等(2014)通过空间自相关分析结果表明，中国碳排放强度在总体上呈现逐年下降的趋势，空间上呈现南高北低的地域性特征[6]。吴贤荣、张俊飚等(2015)通过构建中国31个省区市农业碳排放影子价格的空间杜宾模型，得出中国省域碳排放具有显著的空间依赖性，受到相邻省区的发展影响[7]。

以往的空间实证模型更多从全局角度探索影响碳排放的主要因素，多采用空间自回归模型、空间误差模型及面板分位数等研究方法[8-10]，随着各种空间计量方法的不断进步，众多学者发现传统的全局回归无法有效解释影响因素的空间异质性，开始探索新的局部回归方法。因而，基于地理学第一定律的局部回归模型——地理加权回归(GWR)，开始被应用于碳排放影响因素的研究中[11]。李丹丹、刘锐等(2013)采用2003年—2010年中国省域GDP、总人口数和能源消耗强度相关数据，基于GWR模型揭示了8年间中国碳排放的区域差异和空间异质性。结果表明，空间差异呈逐渐缩小趋势，驱动因子也存在明显的时空差异[12]。肖宏伟(2014)选取2006年—2011年中国省级城镇化率、产业结构、能源消费结构、能源价格和对外开放水平5个变量，运用扩展的GWR模型探究各因子对碳排放规模和碳排放强度影响的时空差异，研究表明，各驱动因子在不同区域具有较强的空间异质性，具有空间梯度分布的特点[13]。王雅楠、赵涛(2016)选取城镇化、工业结构和能源强度3个主要变量，构建GWR模型研究发现不同变量对不同省份的影响存在差异，具有一定的空间效应[14]。胡艳兴、潘竟虎等(2016)利用自然正交函数(EOF)同时构建GWR模型分析了影响碳排放的主要驱动原因，研究显示，EOF把碳排放量的时间序列与空间变化有效地结合起来，反映出碳排放量整体上处于逐渐减缓的增长状态[15]。张仁杰等(2020)选取2007年—2016年能源消费中国省级面板数据构建GWR模型探究城市化率、科技发展水平、对外开放程度、产业结构和交通强度对碳排放的时空分析。研究显示，各变量对碳排放都具有促进作用，且认为其相关性从西南到东北地区呈现逐渐降低趋势[16]。

传统的地理加权回归的尺度是基于“最佳平均”带宽的，无法体现空间差异性，故本文基于现有研究，采用多尺度地理加权回归模型(MGWR)对中国省域碳排放的主要影响因素进行时空特征分析，并提出相应政策建议。中国具有广阔的地域特征，因此区域之间发展存在显著的差异，不同制度、政策的实施效果也存在不同，碳排放的影响因素在区域之间就具有明显的空间异质性。对2016年—2018年中国省域碳排放的影响因素进行时空特征分析，主要从城镇化程度、产业结构及交通强度3方面对碳排放在不同省域之间的空间特征的交互作用进行探索性研究，有助于从区域发展角度加强对中国经济可持续发展理念的理解，同时也是对能源、经济、环境(3E)系统理论进行更加深入的研究。

2 研究方法与数据

2.1 研究方法

2.1.1 碳排放核算方法。国内外学者普遍选用联合国政府气候变化专门委员会(IPCC)所提供的方法测算碳排放量，其原理是将能源实物量折算成标准煤，再用折算后的标准煤量乘以各类能源的碳排放系数，最后将结果相加得到总的碳排放量，公式为：

(1)

其中，CS代表各类能源总的碳排放量(t)；i代表能源种类；EPQi表示第i类能源的实物量；SCCi代表第i类能源的折算标准煤系数；CECi代表第i类能源的碳排放系数。折算煤系数和碳排放系数分别来源于《中国能源统计年鉴(2016—2018)》《国家温室气体排放清单指南》，相关数据见表1。

表1 各类能源折算标准煤系数与碳排放系数

2.1.2 GWR和MGWR模型。关于对碳排放影响因素空间特征的分析，较多学者采用地理加权回归(GWR)模型进行分析。GWR模型是一种重要的局部回归技术，通过关于位置的局部加权回归分析模型求解，以随着空间位置不同而变化的参数估计结果，量化反映空间数据关系中的异质性或非平稳性特征。GWR模型基本表达式如式(2)所示，其中，(ui,vi) 是第i个地理位置的空间坐标；βk(ui,vi)是第k个解释变量在第i个地理位置上的回归参数，是地理位置的未知函数。

(2)

i=1，2，…，n

由于GWR模型使用“最佳平均”带宽，这导致所有解释变量空间尺度特征相同，无法体现空间差异。Fotheringham等(2017)改进了地理加权回归模型，提出多尺度地理加权回归(MGWR)模型[17，18]。MGWR模型考虑了空间异质性的不同水平，即每个解释变量都基于其特定的带宽，且MGWR的核函数和带宽选择准则依然使用几种经典核函数和带宽选择准则(本文使用常用的高斯核函数和AICc准则)。βbwk是第k个解释变量回归系数的带宽。MGWR模型基础表达式见式(3)。

(3)

i=1，2，…，n

2.2 数据来源与变量选择

笔者以2016年—2018年中国30个省区市作为研究对象①，以碳排放量为被解释变量，依据IPCC所提供的碳排放计算方式，选取8种主要能源的消费量(煤炭、焦炭、原油、汽油、煤油、柴油、燃料油、天然气)测算各省碳排放量。

参考已有文献，笔者选取城镇化程度(UR)、产业结构(IS)和交通强度(TI)作为本文的解释变量，分别以城镇人口比重(%)、第二产业占GDP比重(%)、私人汽车拥有量(辆)作为城镇化程度、产业结构和交通强度的代理变量②，由于量纲不同，对各变量取自然对数后的描述性统计见表2。

表2 描述性统计

3 实证分析

3.1 省域碳排放时空特征

根据联合国政府气候变化专门委员会(IPCC)所提供的方法测算2016年—2018年中国各省碳排放量，可视化分布见图1。图1(a)表明，2016年中国各省碳排放量介于1 533.85万t～40 044.68万t，西南地区碳排放量相对少于东北地区，山东省碳排放量最大，为40 044.68万t，青海省碳排放量最小，为1 533.85万t。图1(b)表明，2017年中国各省碳排放量介于1 436.02万t～40 976.63万t，北方地区碳排放量较大，其中山东省碳排放量最大，为40 976.63万t，青海省碳排放量最小，为1 436.02万t。图1(c)表明，2018年中国各省碳排放量介于1 389.23万t～56 620.11万t，西南地区碳排放量小于北部地区(黑龙江、吉林除外)，内蒙古碳排放量最大，为56 620.11万t，青海省碳排放量最少，为1 389.23万t。

(a) 2016年

整体来看，中国各省碳排放量西南地区较小，北部地区较大，且青海省连续3年碳排放最少。碳排放最小值在逐年降低，最大值却在逐年上升，说明各省之间碳排放差异越来越大，导致这种差异的具体因素则需要进一步探究。

3.2 模型对比与尺度分析

以中国30个省区市碳排放量为被解释变量，城镇化程度、产业结构和交通强度为解释变量，对各变量取自然对数后构建GWR和MGWR模型，模型诊断信息见表3。表3表明，与传统的GWR模型相比，MGWR的残差平方和(RSS)、AIC、AICc值都较小，且MGWR模型的R2值和调整后的R2值均高于GWR模型，说明多尺度地理加权回归(MGWR)的拟合效果要优于传统的GWR模型。

表3 GWR和MGWR模型的诊断信息

在探索空间异质性过程中，模型尺度参数是探究各解释变量是否具有空间异质性的重要判断依据。由表4知，MGWR能够反映各个变量的不同尺度，而传统的GWR模型只有平均尺度值。表4中，2016年—2018年GWR模型平均带宽分别为7 017 km、4 627 km、3 355 km，随时间变化带宽值逐渐减小，即各省之间影响碳排放因素的空间异质性逐渐增强。对于MGWR模型，截距项表示未纳入模型中的其他变量，仅在2016年带宽较小为1 034 km，可视为局部变量，在2017年、2018年则带宽值较大，为全局变量；城镇化率带宽值较大且3年均为7 016 km，可视为全局变量；对于产业结构，2016年—2018年带宽值分别为2 101 km、842 km、743 km，逐渐缩小，说明产业结构的空间异质性逐渐增强；交通结构带宽值在2016年—2018年分别为3 573 km、4 238 km、3 573 km，说明其具有空间异质性且比较稳定。

表4 GWR与MGWR模型带宽值 (单位：km)

3.3 碳排放影响因素时空特征

在MGWR模型中，由于城镇化率在2016年—2018年均为全局变量，故不具有空间变化特征，从时间上看，城镇化率回归系数为正，但随时间变化逐渐降低，即城镇化程度对碳排放的正向影响程度随时间逐渐减弱。

2016年MGWR模型中，产业结构回归系数值介于1.1130～1.1319，即第二产业占比越多，碳排放量越大，交通强度回归系数值介于0.6677～0.6692，即交通强度加大会加剧碳排放。图2(a)表明，2016年产业结构和交通强度对各省碳排放量均具有正向影响且影响程度在空间上无明显分布特征，二者对碳排放的影响均在海南地区影响最小，新疆地区影响最大。

2017年MGWR模型中，产业结构回归系数值介于0.8681～1.0235，与2016年相比有所降低，但对碳排放的影响仍是正向的；交通强度回归系数值介于0.7225～0.7235，与2016年相比有所提高，即2017年交通强度对碳排放的影响在加剧。图2(b)表明，2017年产业结构、交通强度对各省碳排放依然具有正向影响，且在空间上影响程度具有明显的南弱北强特征。产业结构对碳排放的影响程度在新疆地区最大，交通强度对碳排放的影响程度在黑龙江省最大。

2018年MGWR模型中，产业结构对碳排放的影响仍为正向，回归系数值介于0.5077～0.7142，与2017年相比继续下降；交通强度回归系数值介于0.8156～0.8172，与2017年相比继续提高。即随时间变化，产业结构对碳排放影响程度逐渐减弱，交通强度对碳排放影响程度逐渐增强。图2(c)表明，2018年产业结构对各省碳排放量的影响在空间上由南至北逐渐增强，云南省受影响程度最小，新疆地区受影响程度最大。交通强度对各省碳排放量的影响在空间上无明显分布特征。

(a) 2016年

4 结论与建议

笔者以中国30个省区市碳排放量为被解释变量，以城镇化程度、产业结构和交通强度为解释变量，构建2016年—2018年碳排放影响因素MGWR模型，以此探究中国省域碳排放及其影响因素的时空特征。结果表明，与传统的GWR模型相比，MGWR模型考虑了空间尺度差异性，使模型更加合理。从空间上看，城镇化程度是影响各省碳排放的正向全局变量；产业结构与交通强度是影响各省碳排放的正向局部变量，且影响程度均是由南至北逐渐增大。从时间角度来看，产业结构和交通强度对碳排放的影响始终是正向的，产业结构对碳排放影响的空间异质性随时间推移逐渐增强，但影响程度逐渐下降；交通强度对碳排放影响的空间异质性不会随时间改变，但影响程度随时间推移逐渐增强。

根据以上结论，各省差异化调整产业结构、全民倡导绿色出行，是降低中国整体碳排放、缩小地区碳排放差异的有效手段。在发展工业化程度的进程中，注重结合技术创新水平以减少工业排放，促进产业结构升级。在缩小中国省域之间经济差距的同时，对北方工业发展重要基地及能源消耗量过大的省域，加快产业结构调整，以技术和人才引进的手段替代以资源消耗为主的生产模式，以此控制过量碳排放。在交通方面，注重绿色低碳的出行方式，倡导健康、绿色的消费理念。以中国厦门、深圳、昆明等南方绿色城市为经济发展目标，空间上缩小碳排放差距，优化能源结构，实现高污染能源的逐步替代，积极探索零排放、低耗能的能源结构特征，实施低碳经济的生活理念。

[注 释]

① 由于存在数据缺失，不包含西藏自治区和台湾省的数据。

② 数据来源于《中国统计年鉴》《中国能源统计年鉴》。