中國省域碳排放及其影響因素時空特征分析
——基于MGWR模型的研究

陳思宇，魏思琪，都瓦拉，3

(1.內蒙古工業大學 理學院；2.內蒙古大學 經濟管理學院；3.中國農業科學院 草原研究所，內蒙古 呼和浩特 010000)

1 文獻綜述

從20世紀80年代開始，溫室效應引起的全球變暖問題開始引起廣泛的關注。為鞏固可持續發展理念，減少二氧化碳排放量是經濟發展過程中的重中之重。中國作為世界二氧化碳排放量大國，面對綠色可持續發展戰略，減排工作刻不容緩。

早期關于碳排放影響因素的研究主要集中在全局回歸方法上，Richard York(2003)構建STIRPAT模型得出人口和富裕程度能夠加大碳排放量[1]。徐國泉、劉則淵等(2006)采用對數平均權重Divisia分解法建立因素分解模型，結果表明能源效率和能源結構對碳排放呈現倒“U”形趨勢[2]。通過構建空間計量經濟模型，魏下海、余玲錚(2011)發現人均GDP和人均碳排放量之間同樣呈現明顯的倒“U”形關系[3]。鄭長德、劉帥(2011)基于2000年—2008年中國30個省區市的面板數據構建計量經濟模型，對產業結構和碳排放關系進行實證分析，結果顯示，第二產業對碳排放的影響最大[4]。更多文獻表明，碳排放量受區域因素影響較大。Clarke-Sather(2011)基于IPCC參考方法測算1997年—2007年中國各省數據發現中國碳排放不平等模式主要由區域因素造成[5]。程葉青、王哲野等(2014)通過空間自相關分析結果表明，中國碳排放強度在總體上呈現逐年下降的趨勢，空間上呈現南高北低的地域性特征[6]。吳賢榮、張俊飚等(2015)通過構建中國31個省區市農業碳排放影子價格的空間杜賓模型，得出中國省域碳排放具有顯著的空間依賴性，受到相鄰省區的發展影響[7]。

以往的空間實證模型更多從全局角度探索影響碳排放的主要因素，多采用空間自回歸模型、空間誤差模型及面板分位數等研究方法[8-10]，隨著各種空間計量方法的不斷進步，眾多學者發現傳統的全局回歸無法有效解釋影響因素的空間異質性，開始探索新的局部回歸方法。因而，基于地理學第一定律的局部回歸模型——地理加權回歸(GWR)，開始被應用于碳排放影響因素的研究中[11]。李丹丹、劉銳等(2013)采用2003年—2010年中國省域GDP、總人口數和能源消耗強度相關數據，基于GWR模型揭示了8年間中國碳排放的區域差異和空間異質性。結果表明，空間差異呈逐漸縮小趨勢，驅動因子也存在明顯的時空差異[12]。肖宏偉(2014)選取2006年—2011年中國省級城鎮化率、產業結構、能源消費結構、能源價格和對外開放水平5個變量，運用擴展的GWR模型探究各因子對碳排放規模和碳排放強度影響的時空差異，研究表明，各驅動因子在不同區域具有較強的空間異質性，具有空間梯度分布的特點[13]。王雅楠、趙濤(2016)選取城鎮化、工業結構和能源強度3個主要變量，構建GWR模型研究發現不同變量對不同省份的影響存在差異，具有一定的空間效應[14]。胡艷興、潘竟虎等(2016)利用自然正交函數(EOF)同時構建GWR模型分析了影響碳排放的主要驅動原因，研究顯示，EOF把碳排放量的時間序列與空間變化有效地結合起來，反映出碳排放量整體上處于逐漸減緩的增長狀態[15]。張仁杰等(2020)選取2007年—2016年能源消費中國省級面板數據構建GWR模型探究城市化率、科技發展水平、對外開放程度、產業結構和交通強度對碳排放的時空分析。研究顯示，各變量對碳排放都具有促進作用，且認為其相關性從西南到東北地區呈現逐漸降低趨勢[16]。

傳統的地理加權回歸的尺度是基于“最佳平均”帶寬的，無法體現空間差異性，故本文基于現有研究，采用多尺度地理加權回歸模型(MGWR)對中國省域碳排放的主要影響因素進行時空特征分析，并提出相應政策建議。中國具有廣闊的地域特征，因此區域之間發展存在顯著的差異，不同制度、政策的實施效果也存在不同，碳排放的影響因素在區域之間就具有明顯的空間異質性。對2016年—2018年中國省域碳排放的影響因素進行時空特征分析，主要從城鎮化程度、產業結構及交通強度3方面對碳排放在不同省域之間的空間特征的交互作用進行探索性研究，有助于從區域發展角度加強對中國經濟可持續發展理念的理解，同時也是對能源、經濟、環境(3E)系統理論進行更加深入的研究。

2 研究方法與數據

2.1 研究方法

2.1.1 碳排放核算方法。國內外學者普遍選用聯合國政府氣候變化專門委員會(IPCC)所提供的方法測算碳排放量，其原理是將能源實物量折算成標準煤，再用折算后的標準煤量乘以各類能源的碳排放系數，最后將結果相加得到總的碳排放量，公式為：

(1)

其中，CS代表各類能源總的碳排放量(t)；i代表能源種類；EPQi表示第i類能源的實物量；SCCi代表第i類能源的折算標準煤系數；CECi代表第i類能源的碳排放系數。折算煤系數和碳排放系數分別來源于《中國能源統計年鑒(2016—2018)》《國家溫室氣體排放清單指南》，相關數據見表1。

表1 各類能源折算標準煤系數與碳排放系數

2.1.2 GWR和MGWR模型。關于對碳排放影響因素空間特征的分析，較多學者采用地理加權回歸(GWR)模型進行分析。GWR模型是一種重要的局部回歸技術，通過關于位置的局部加權回歸分析模型求解，以隨著空間位置不同而變化的參數估計結果，量化反映空間數據關系中的異質性或非平穩性特征。GWR模型基本表達式如式(2)所示，其中，(ui,vi) 是第i個地理位置的空間坐標；βk(ui,vi)是第k個解釋變量在第i個地理位置上的回歸參數，是地理位置的未知函數。

(2)

i=1，2，…，n

由于GWR模型使用“最佳平均”帶寬，這導致所有解釋變量空間尺度特征相同，無法體現空間差異。Fotheringham等(2017)改進了地理加權回歸模型，提出多尺度地理加權回歸(MGWR)模型[17，18]。MGWR模型考慮了空間異質性的不同水平，即每個解釋變量都基于其特定的帶寬，且MGWR的核函數和帶寬選擇準則依然使用幾種經典核函數和帶寬選擇準則(本文使用常用的高斯核函數和AICc準則)。βbwk是第k個解釋變量回歸系數的帶寬。MGWR模型基礎表達式見式(3)。

(3)

i=1，2，…，n

2.2 數據來源與變量選擇

筆者以2016年—2018年中國30個省區市作為研究對象①，以碳排放量為被解釋變量，依據IPCC所提供的碳排放計算方式，選取8種主要能源的消費量(煤炭、焦炭、原油、汽油、煤油、柴油、燃料油、天然氣)測算各省碳排放量。

參考已有文獻，筆者選取城鎮化程度(UR)、產業結構(IS)和交通強度(TI)作為本文的解釋變量，分別以城鎮人口比重(%)、第二產業占GDP比重(%)、私人汽車擁有量(輛)作為城鎮化程度、產業結構和交通強度的代理變量②，由于量綱不同，對各變量取自然對數后的描述性統計見表2。

表2 描述性統計

3 實證分析

3.1 省域碳排放時空特征

根據聯合國政府氣候變化專門委員會(IPCC)所提供的方法測算2016年—2018年中國各省碳排放量，可視化分布見圖1。圖1(a)表明，2016年中國各省碳排放量介于1 533.85萬t～40 044.68萬t，西南地區碳排放量相對少于東北地區，山東省碳排放量最大，為40 044.68萬t，青海省碳排放量最小，為1 533.85萬t。圖1(b)表明，2017年中國各省碳排放量介于1 436.02萬t～40 976.63萬t，北方地區碳排放量較大，其中山東省碳排放量最大，為40 976.63萬t，青海省碳排放量最小，為1 436.02萬t。圖1(c)表明，2018年中國各省碳排放量介于1 389.23萬t～56 620.11萬t，西南地區碳排放量小于北部地區(黑龍江、吉林除外)，內蒙古碳排放量最大，為56 620.11萬t，青海省碳排放量最少，為1 389.23萬t。

(a) 2016年

整體來看，中國各省碳排放量西南地區較小，北部地區較大，且青海省連續3年碳排放最少。碳排放最小值在逐年降低，最大值卻在逐年上升，說明各省之間碳排放差異越來越大，導致這種差異的具體因素則需要進一步探究。

3.2 模型對比與尺度分析

以中國30個省區市碳排放量為被解釋變量，城鎮化程度、產業結構和交通強度為解釋變量，對各變量取自然對數后構建GWR和MGWR模型，模型診斷信息見表3。表3表明，與傳統的GWR模型相比，MGWR的殘差平方和(RSS)、AIC、AICc值都較小，且MGWR模型的R2值和調整后的R2值均高于GWR模型，說明多尺度地理加權回歸(MGWR)的擬合效果要優于傳統的GWR模型。

表3 GWR和MGWR模型的診斷信息

在探索空間異質性過程中，模型尺度參數是探究各解釋變量是否具有空間異質性的重要判斷依據。由表4知，MGWR能夠反映各個變量的不同尺度，而傳統的GWR模型只有平均尺度值。表4中，2016年—2018年GWR模型平均帶寬分別為7 017 km、4 627 km、3 355 km，隨時間變化帶寬值逐漸減小，即各省之間影響碳排放因素的空間異質性逐漸增強。對于MGWR模型，截距項表示未納入模型中的其他變量，僅在2016年帶寬較小為1 034 km，可視為局部變量，在2017年、2018年則帶寬值較大，為全局變量；城鎮化率帶寬值較大且3年均為7 016 km，可視為全局變量；對于產業結構，2016年—2018年帶寬值分別為2 101 km、842 km、743 km，逐漸縮小，說明產業結構的空間異質性逐漸增強；交通結構帶寬值在2016年—2018年分別為3 573 km、4 238 km、3 573 km，說明其具有空間異質性且比較穩定。

表4 GWR與MGWR模型帶寬值 (單位：km)

3.3 碳排放影響因素時空特征

在MGWR模型中，由于城鎮化率在2016年—2018年均為全局變量，故不具有空間變化特征，從時間上看，城鎮化率回歸系數為正，但隨時間變化逐漸降低，即城鎮化程度對碳排放的正向影響程度隨時間逐漸減弱。

2016年MGWR模型中，產業結構回歸系數值介于1.1130～1.1319，即第二產業占比越多，碳排放量越大，交通強度回歸系數值介于0.6677～0.6692，即交通強度加大會加劇碳排放。圖2(a)表明，2016年產業結構和交通強度對各省碳排放量均具有正向影響且影響程度在空間上無明顯分布特征，二者對碳排放的影響均在海南地區影響最小，新疆地區影響最大。

2017年MGWR模型中，產業結構回歸系數值介于0.8681～1.0235，與2016年相比有所降低，但對碳排放的影響仍是正向的；交通強度回歸系數值介于0.7225～0.7235，與2016年相比有所提高，即2017年交通強度對碳排放的影響在加劇。圖2(b)表明，2017年產業結構、交通強度對各省碳排放依然具有正向影響，且在空間上影響程度具有明顯的南弱北強特征。產業結構對碳排放的影響程度在新疆地區最大，交通強度對碳排放的影響程度在黑龍江省最大。

2018年MGWR模型中，產業結構對碳排放的影響仍為正向，回歸系數值介于0.5077～0.7142，與2017年相比繼續下降；交通強度回歸系數值介于0.8156～0.8172，與2017年相比繼續提高。即隨時間變化，產業結構對碳排放影響程度逐漸減弱，交通強度對碳排放影響程度逐漸增強。圖2(c)表明，2018年產業結構對各省碳排放量的影響在空間上由南至北逐漸增強，云南省受影響程度最小，新疆地區受影響程度最大。交通強度對各省碳排放量的影響在空間上無明顯分布特征。

(a) 2016年

4 結論與建議

筆者以中國30個省區市碳排放量為被解釋變量，以城鎮化程度、產業結構和交通強度為解釋變量，構建2016年—2018年碳排放影響因素MGWR模型，以此探究中國省域碳排放及其影響因素的時空特征。結果表明，與傳統的GWR模型相比，MGWR模型考慮了空間尺度差異性，使模型更加合理。從空間上看，城鎮化程度是影響各省碳排放的正向全局變量；產業結構與交通強度是影響各省碳排放的正向局部變量，且影響程度均是由南至北逐漸增大。從時間角度來看，產業結構和交通強度對碳排放的影響始終是正向的，產業結構對碳排放影響的空間異質性隨時間推移逐漸增強，但影響程度逐漸下降；交通強度對碳排放影響的空間異質性不會隨時間改變，但影響程度隨時間推移逐漸增強。

根據以上結論，各省差異化調整產業結構、全民倡導綠色出行，是降低中國整體碳排放、縮小地區碳排放差異的有效手段。在發展工業化程度的進程中，注重結合技術創新水平以減少工業排放，促進產業結構升級。在縮小中國省域之間經濟差距的同時，對北方工業發展重要基地及能源消耗量過大的省域，加快產業結構調整，以技術和人才引進的手段替代以資源消耗為主的生產模式，以此控制過量碳排放。在交通方面，注重綠色低碳的出行方式，倡導健康、綠色的消費理念。以中國廈門、深圳、昆明等南方綠色城市為經濟發展目標，空間上縮小碳排放差距，優化能源結構，實現高污染能源的逐步替代，積極探索零排放、低耗能的能源結構特征，實施低碳經濟的生活理念。

[注 釋]

① 由于存在數據缺失，不包含西藏自治區和臺灣省的數據。

② 數據來源于《中國統計年鑒》《中國能源統計年鑒》。