基于GWR模型的我國農村居民生活消費碳排放的影響因素研究

徐子瀛/ 文

一、引言

改革開放以來，我國經濟發展迅速，人民生活水平有了大幅度提高，但經濟快速發展的同時，也造成了嚴重的環境污染，極大影響了人們的生活質量，為此付出了沉重的代價。如何控制和減少碳排放是當前我國政府和人民面臨的重大問題。產生碳排放的渠道很多，其中，農村居民生活消費碳排放是其主要來源之一。為了有效地控制和減少我國農村居民生活消費碳排放，對其空間特征和影響因素進行研究具有現實意義。

關于碳排放量的相關研究文獻很多，成果豐碩。主要涉及內容為二氧化碳的測定、時空特征檢驗、影響因素和預測分析等方面，研究范圍分為整體分析、區域分析和行業分析等。但目前，學界對我國農村居民生活消費碳排放空間特征及其影響因素的研究還比較少。韋惠蘭、楊彬如（2014）采用對數平均權重Divisia 分解法將人均碳排放分解為碳排放結構、碳排放強度、生產能力效率和經濟增長，結果表明經濟增長和能源結構是推動農村碳排放增長的主要因素。萬文玉等（2017）利用碳基尼系數分析了我國農村居民生活碳排放的時空特征，發現我國農村居民生活碳排放的空間格局較穩定，參數面板回歸模型的實證結果發現農村人口規模、農村人均純收入、農村居民生活消費支出和青壯年人口比重對我國農村居民生活碳排放均有促進作用。汝醒君、汪臻（2017）基于狀態空間模型分析了我國農村人口、居民收入、生活消費支出結構、能源消費結構4 個變量對農村居民生活用能碳排放的動態影響，結果顯示農村人口對其為負向影響，而居民收入和支出結構對其存在正向效應。

綜上所述，我們發現在研究我國農村居民生活消費碳排放的空間關系時，主要是通過碳基尼系數分析不同地區的時空特征；通過分解法和普通參數線性回歸模型考察影響因素的線性效應?，F有文獻還沒有將檢驗空間相關性的Moran’s I 和研究影響因素的GWR 模型應用于我國農村居民生活消費碳排放量的研究。由于Moran’s I 能夠較好地用于分析變量在不同單元之間的空間相關性，GWR 模型能夠很好地考證影響因素效應隨地理位置變化的特征。為此，本文試圖利用上述兩種方法分別研究我國農村居民生活消費碳排放的空間相關性和影響因素。

二、研究方法和模型介紹

（一）Moran’s I 檢驗

Moran’s I 可用于檢驗變量在不同單元的取值是否存在空間相關性，其數學公式為：

其中，n 為研究單元的樣本數，yi為第i 個單元的觀測值，觀測變量的均值記為y。Moran’s I 值的變化范圍為（- 1，1）。I 取正值表示正自相關；I 取負值表示負自相關；I 接近0 表示不相關。

假設Y 的觀測值來自正態分布，并且Yi和Yj是空間依賴的，那么I 服從近似的正態分布，并且有

可以證明：

因此，Z 可以作為變量在不同單元的空間相關性檢驗統計量。

（二）GWR 模型

GWR 模型最早由Fortheringham（1999）提出，該模型拓展了一般的線性回歸模型，其回歸系數隨空間地理位置改變而改變。該模型的數學表達式為：

其中，yi是n×1 維的被解釋變量，βj（ui，vi）是第j 個影響因素在第i 個位置的回歸系數。（ui，vi）表示第i 個觀測位置的經緯度，k 是解釋變量的個數，εi是獨立同分布的隨機誤差項。采用Hastie 和Tibshirani（1993）提出的局部估計方法可以得到系數β的估計為：

其中，X 和Y 分別代表解釋變量和被解釋變量觀測值的矩陣形式，為n×n 的對角陣，其對角線元素分別為是w1隨著空間權重矩陣變化而變化，由加權最小二乘法估計得到?？臻g權重矩陣的選擇很重要，一般由經度和緯度決定。在空間計量的實證分析中，wj的選取方法較多，本文采用Gaussian 距離計算空間權重矩陣：

其中，dij是位置距離向量，h 是帶寬（距離衰減函數），φ 是標準正態密度函數，σ 是dij的標準差。帶寬的選擇對模型的估計至關重要，帶寬過大會導致估計偏差過大；帶寬過小會導致估計方差過大。因此，參考已有文獻的研究結果，我們采用AIC 準則確定最優帶寬。

（三）實證模型詳解

IPAT 恒等式最早由Commoner（1990）提出，常被用作研究環境污染驅動因素的理論依據，其數學表達式為：

其中，I 代表污染物排放水平，P 代表人口規模，A 代表國家富裕程度，T 代表技術水平。但IPAT 模型過于簡單，它假設P、A 和T 對I 有相同的影響效應，這與實際情況不符。Dietz 和Rosa（1997）將IPAT 模型擴展成STIRPAT 模型，該模型假定各驅動因素對環境污染的影響效應不同，與環境庫茲涅茨曲線（EKC）的假設一致。該模型的數學表達式為：

其中，a 表示截距項，b、c、d 分別代表P、A、T 對環境影響的彈性系數，e 表示隨機誤差項。為了消除異方差性，將所有變量取對數。聯系本文實際，將上述模型進一步擴展得：

其中，CO2代表我國農村居民生活碳排放量（單位：百萬噸）；POP 代表農村人口規模（單位：萬人）；INC 代表農村居民人均可支配收入（單位：元）；EXP 代表農村居民生活消費支出（單位：元）；STR 代表農村居民能源消費結構（%），用農村煤炭消費量與農村居民生活消費總能源的比值來代表；INT 代表農村居民能源消費強度（單位：萬噸標準煤/ 億元），指單位GDP 的能源消費量，反映一個地區經濟活動中對能源的利用程度和利用效率。

考慮到不同地區解釋變量對農村居民生活消費碳排放的影響可能存在異質性，借鑒空間地理加權回歸模型的思想，我們將模型（9）中的回歸系數設定為隨地理位置變化的變系數，拓展后的實證模型為：

其中，i 代表第i 個省份，（ui，vi）是各省會城市所在位置的經緯度。

（四）數據來源

本文采用我國省域（西藏數據缺失）空間樣本數據。數據來源于2006—2016 年《中國統計年鑒》《中國能源統計年鑒》。以2005 年為基期，用農村CPI 對INC、EXP 和GDP 進行平減，以消除通貨膨脹帶來的誤差。為了減少截面數據的波動異常，我們采用2005—2015 年期間變量的平均值做實證分析。

三、實證分析

使用GWR 模型前，先檢驗變量間可能存在的相關性。給出Moran’s I 及其散點圖以及分析GWR 模型的實證結果。上述結果通過軟件ArcGIS、GeoDa 和GWR4 得到。

（一）空間相關性檢驗結果分析

為了定量分析農村居民生活消費碳排放的空間相關性，計算全局Moran’s I 檢驗統計量。由表1 可知，每年全局Moran’s I 均大于0 且通過顯著性檢驗，表明農村居民生活消費碳排放具有顯著的正向空間相關性，且呈遞減趨勢。

表1 我國省域農村居民生活消費碳排放量的Moran's I 檢驗結果

續表

為了進一步探究我國農村居民生活消費碳排放量的空間分布情況，分別給出2005 年、2008 年、2012 年和2015 年CO2的Moran’s I 散點圖。由附圖可知，散點主要分布在第一、三象限，分別表明高值區域被高值區域包圍、低值區域被低值區域包圍，具有一定的空間聚集性。

附圖 我國省域農村居民生活消費碳排放量的Moran's I 散點圖

（二）地理加權回歸模型實證結果分析

分別利用OLS 回歸模型和GWR 模型探究碳排放量的影響因素效應，根據最小AIC 準則，選擇最優帶寬為52。GWR 模型的AIC（1041.509）與殘差平方和SSE（262.27）均低于OLS 回歸模型的結果（1531.675）和（1918.27），GWR 模型的R2adj達到0.924，而OLS 回歸模型的R2adj為0.567，說明GWR 模型比OLS 回歸模型擬合度更好。因此，GWR 模型能夠更好地揭示我國農村居民生活消費碳排放量影響因素隨空間地理位置變化的影響效應。

OLS 回歸模型和GWR 模型的參數估計結果見表2。由OLS 回歸模型的回歸系數估計結果知，POP、STR 和INT 對碳排放量均產生顯著正向影響，其中，POP 的彈性系數最大。由GWR 模型的回歸系數估計均值看，每個解釋變量均對碳排放量產生正向影響。

STR 對農村居民生活消費碳排放影響最大。STR 每增加1%會導致農村居民生活消費碳排放量增加2.821%，煤炭的大量使用導致我國農村居民生活消費碳排放量增長。POP 對農村居民生活消費碳排放的顯著正向影響位居第二。說明POP 每增加1%會導致碳排放量1.111%的增加。人口越多，消耗的能源越多，產生的碳排放越多。EXP 和INC 是我國農村居民生活消費碳排放增長的驅動力。隨著我國經濟的快速發展，農村居民可支配收入提高迅速，其生活消費支出也不斷增加。除了滿足炊事、取暖、照明等日常需求，農村居民住宅建造活動等方面的增加都會對碳排放增長產生重要影響。INT 對農村居民碳排放呈正向影響，但相對較小。INT 與節能技術成反比，INT 越低，說明節能技術越高。目前我國節能減排技術還處于較低水平，但隨著節能技術的提高，我國農村能源強度逐年遞減，可以預期未來的能源強度較為樂觀，對農村居民生活碳排放的影響會逐步減少。

表2 OLS 回歸模型和GWR 模型的回歸系數估計結果

四、結論與政策建議

基于GWR 模型，本文探究了我國農村居民生活消費碳排放量的空間關系和影響因素效應，得出以下研究結果：第一，我國省域農村居民生活消費碳排放量具有正向空間聚集相關性。第二，各影響因素對農村居民生活消費碳排放量均呈正向影響關系，其中，STR 的彈性系數最大，POP 次之，INT、INC 和EXP 的彈性系數相對較小。

政策建議：第一，優化農村居民生活能源消費結構。進一步降低我國農村居民對煤炭的依賴度，擴大新能源的使用，例如更多地使用風能、水能、核能和生物能等。第二，降低農村居民生活能源強度。提高生產效率，采取有效措施，降低單位GDP 能耗。