長江經濟帶碳排放時空特征及成因分析

摘 要：研究碳排放的時空特征一直是碳排放領域的重要議題，對實現“雙碳”戰略目標具有重要意義。文章基于2005年、2010年、2015年、2020年四年數據，利用自然斷點、趨勢分析和地理探測器模型，對長江經濟帶碳排放時空分布特征及其影響因素進行分析。研究發現：（1）長江經濟帶碳排放總量逐年上升，局部區域已實現“碳達峰”；（2）長江經濟帶碳排放空間分布具有東高西低、南高北低的特征，且其空間布局存在明顯異質性，空間分布合理化短期難以實現；（3）區域碳排放的空間布局成因復雜，經濟、能源強度、人口影響效應依次遞減，其中經濟是碳排放空間布局的核心驅動因素。研究旨在為長江經濟帶碳減排規劃制定和精準施策提供參考。

關鍵詞：碳排放；長江經濟帶；時空格局；地理探測器模型；驅動因素

中圖分類號：F01" 文獻標識碼：A" 文章編號：

1672-1101（2023）04-0013-07

收稿日期：2022-11-28

基金項目：安徽省高校質量工程項目：安徽理工大學社會工作專業課程思政建設示范中心（2020szzx10）

作者簡介：謝振安（1964-）， 男，安徽淮南人，教授，碩士，碩士生導師，研究方向：應急管理。

Spatial characteristics and causes of carbon emission in the Yangtze River Economic Belt

XIE Zhenan， HE Zhaowei

（School of Humanities and Social Sciences， Anhui University of Science and Technology， Huainan， Anhui 232001， China）

Abstract： The study of the temporal and spatial characteristics of carbon emissions has always been an important research topic in the field of carbon emissions， which has an important impact on the realization of the “two-carbon” strategy. Based on the data from 2005， 2010， 2015， and 2020， this paper analyzes the temporal and spatial characteristics of carbon emissions in the Yangtze River Economic Belt and explores the driving factors of the spatial distribution in the Yangtze River Economic Belt by using methods like natural break point method， trend analysis， and geographic detector. The following conclusions are drawn.Firstly， the spatial distribution of carbon emissions in the Yangtze River Economic Belt is significantly different， and the rationalization of carbon emissions distribution is difficult to achieve in the short term. Secondly， the causes of the spatial distribution of regional carbon emissions are complex， and the economy is the core factor of spatial differences in carbon emissions.The research deepens the understanding of carbon emissions and forms the following countermeasures. Local governments have firmly implemented the “dual-carbon” strategy and formulated differentiated low-carbon policies according to their localities. Meanwhile， targeted intervention in influencing factors of carbon emissions to promote high-quality economic development.

Key words：carbon emission;the Yangtze River Economic Belt;spatio-temporal pattern;geographic detector model;driving factor

根據IPCCAR6（聯合國政府間氣候變化專門委員會第六次報告）的描述，“碳排放已造成全球變暖，且影響不可逆”。截至2019年，中國碳排放約占世界碳排放總量的21%，碳排放量居于世界第一。中國為履行對世界環保事業的義務，國家主席習近平在第七十五屆聯合國大會上宣布“中國力爭2030年前碳排放達到峰值，努力爭取2060年前實現碳中和目標”。無論對中國還是全世界，到本世紀中葉實現“碳中和”都具有重大戰略意義。因此，為早日實現“雙碳”戰略目標，對國內重點區域的碳排放情況進行評價并分析其成因尤為必要。

一、文獻回顧

當前有關碳排放的研究主要集中在碳排放計算、碳排放驅動因素的探究、碳排放空間異質性分析、碳排放趨勢預測四個方面［1-4］。碳排放計算可分為區域碳排放計算、企業碳排放計算、某領域碳排放計算以及部分產品或服務的碳排放計算［5-6］。其中，在前三者的研究中，學者們通常利用碳排放因子法和物料平衡法對碳排放進行計算。然而，隨著衛星遙感技術的發展，學者們逐漸開始借助NPPVIIRS、BLACKMARBLE等夜間燈光數據對衛星遙感圖像進行處理，從而擬合出區域碳排放總量［7-9］，在產品或服務的碳排放計算中，碳足跡法因核算結果精確而受到眾多學者青睞［10-13］。學者們主要通過將STIRPAT模型作為理論基礎，結合指數分解法和計量經濟學的相關方法對碳排放驅動因素展開研究，LMDI指數分解法、嶺回歸、VAR模型、面板數據模型等較為常用［14-16］。在碳排放空間異質性分析方面，隨著空間計量經濟學的發展，越來越多的學者利用空間計量方法，從時空耦合、空間依賴性、空間溢出、時空格局特征、空間網絡結構等視角對區域碳排放空間關系展開研究［17-20］。碳排放趨勢的預測主要利用定性分析、定量分析、混合分析三類方法進行。其中，定性分析具有對碳排放總體趨勢判斷較為明確的優勢；定量分析主要利用灰色預測模型、系統動力學、蒙特卡洛模擬、LEAP模型等對碳排放展開預測；情景分析法作為混合分析的主要方法，核心思想是將KAYA恒等式、STIRPAT模型等作為理論基礎，按實際情況進行情景設計，最終結合預測模型對碳排放進行預估。具體來說，混合分析包括嶺回歸和情景設置的組合、蒙特卡洛模擬和情景設計的組合、BP神經網絡和情景設計的組合等［21-24］。

當前，多數研究只分析了區域碳排放的時空分布特點，對時空分布的成因解釋較少。本文基于2005年、2010年、2015年、2020年4年的相關數據，利用自然斷點法、空間趨勢法、地理探測器模型對中華人民共和國國民經濟和社會發展第十個五年計劃至第十三個五年規劃期間長江經濟帶的碳排放空間分布狀況及成因進行探討。

二、研究方法

（一）碳排放計算方法

本文參考不同學者的碳排放計算方法，采用碳排放因子法對長江經濟帶各省份碳排放量進行計算［25］，具體計算過程如下：

C=∑iei×δi（1）

其中，C表示碳排放量；e，δ分別表示各類能源消耗量和相應碳排放系數。本文中所用各種能源消耗、GDP、人口等數據均來自《中國能源統計年鑒》《中國統計年鑒》。各類一次能源消耗數據和能源碳排放系數均來自《2019年中國區域電網平均二氧化碳排放因子》及IPCC發布的《國家溫室氣體訂單排放指南》，具體參考系數見表1。

（二）自然斷點分類

自然斷點法是一種根據數值統計分布規律進行分級和分類的統計方法。具體來說，任何統計數列都存在一些自然轉折點、特征點，用這些點可以把研究的對象分成性質相似的群組［26-27］。因此，裂點本身就是分級的良好界限。相較于其他分類方法，自然斷點法具有使類與類之間的不同最大化的優勢，本文主要參考何恩業等的研究［26］。

首先，給定樣本集合R=R1，R2，…Rm，計算樣本集合的離差平方和及樣本均值：

SDAM=∑mi=1Ri-R2（2）

R=1m∑mi=1Ri（3）

其中，SDAM為樣本離差平方和；R為樣本均值；Ri表示第i個樣本（共有m個樣本）。

其次，設集合R共劃分了k個類簇，即C1，C2，…，Ck，依次計算相應的離差平方和，即SDAMC1，SDAMC2，…，SDAMCk，并將相應的離差平方和進行求和：

SDAMt=∑kj=1SDAMCj，t=1，2，…，Ckm（4）

在樣本集合所劃分的共計k個類簇中，SDAMt表示第t種劃分法所對應的所有類簇的總離差平方和。然后依次計算所有Ckm種劃分法的值，即SDAM1，SDAM2，…，SDAMCkm。選擇其中最小的一個值作為結果SDAMmin，該值對應的分類范圍即為最佳分類。

再次，還需要進行擬合優度驗證，計算各種分類的梯度gvft：

gvft=SDAM-SDAMtSDAM（5）

其中，0≤gvft≤1， gvft越大表示類別間的差距越大。在步驟（2）中，SDAMmin對應的分類梯度值最大，則自然斷點分級的結果最為理想。

（三）空間趨勢分析

空間趨勢分析反映了空間物體在空間區域上變化的主體特征，這種方法具有揭示空間物體的總體規律而忽略局部變異的優勢［28］。Zi（Xi，Yi）為第i個省的碳排放量，其中（Xi，Yi）為空間平面坐標，X表示東西指向，Y表示南北指向。根據空間趨勢分析原理可得：

ZiXi，Yi=TiXi，Yi+εi（6）

其中，Ti（Xi，Yi）為空間趨勢函數，此處代表長江經濟帶各省份的總體趨勢函數。εi為變異項，即實際碳排放趨勢值與總體碳排放趨勢值之間的誤差。

（四）地理探測器

地理探測器是一種用來探測空間分異性以及揭示其背后驅動力的統計學方法，該方法在因變量為數值量（如碳排放量）、自變量為類型量（如GDP的分類等）的分析上具有一定優勢。地理探測器包括4個探測器，即分異及因子探測、交互作用探測、風險區探測、生態探測。本文根據實際需要在此選取分異及因子探測、交互作用探測對長江經濟帶的碳排放進行分析［29］。

1.分異及因子探測。分異及因子探測的目的是探測Y的空間分異性，同時解釋探測某因子X多大程度上解釋了屬性Y的空間分異。具體原理見公式（7）～（9）。

q=1-∑Lh=1Nhσ2hNσ2=1-SSWSST（7）

SSW=∑Lh=1Nhσ2h（8）

SST=Nσ2（9）

其中，q表示因子X對因變量Y的解釋程度，且q∈［0，1］，q值越接近于1則自變量X對Y的解釋能力越強，反之則說明解釋能力越弱。具體來說，q表示因子X解釋了q×100%的Y；h=1，2，…，L為因變量和因子X的分類數；Nh和N表示類別h和總體研究對象所包含的數量；σ2h和σ2為類別h和全體研究對象的Y值對應的方差。SSW和SST表示類別內部方差之和以及總體研究對象的方差。

2.交互作用探測。

交互作用探測是用來識別不同風險因子間交互作用的方法。該方法可以判斷X1和X2共同作用是否會增加或減弱對因變量Y的解釋力，或是X1和X2對因變量Y的解釋力是否呈現累加關系，即X1和X2對因變量Y的影響是否相互獨立。具體來看，該方法分別計算出兩種因子各自對Y的q值，即q（X1）和q（X2），再計算兩者的交互q值，即q（X1∩X2），最后將q（X1）、q（X2）和q（X1∩X2）進行對比。兩者間的關系可分為如下幾種情況，具體見表2。

三、實證結果與分析

（一）碳排放變化特征分析

1.碳排放演進過程分析。本文對長江經濟帶各區域在2005年、2010年、2015年、2020年4個代表年份的碳排放量進行計算，展示近20年內長江經濟帶各區域碳排放的變化趨勢，如圖1所示。

圖1 2005年、2010年、2015年、2020年長江經濟帶碳排放量變化圖

從長江經濟帶總體碳排放分布來看，江蘇、浙江、安徽三地的碳排放量顯著高于其他省市。其中，江蘇省碳排放量居于榜首，其碳排放峰值出現在2020年，數值一度達到1.243 41×105萬噸；湖北，湖南，四川3省份碳排放處于中游水平，碳排放水平較為平均，一直維持在4×104萬噸上下；上海、重慶、江西、貴州、云南碳排放量相對較低，均保持在4×104萬噸以下，其中重慶在2005年碳排放達到1.247 6×104萬噸，為所有年份中的最低值。從各省市4年間的碳排放變化趨勢來看，江蘇、浙江、安徽、貴州、云南、江西在4年間的碳排放量持續遞增，其中江蘇、浙江、安徽增幅明顯，且增長速度逐漸加快；貴州、云南、江西碳排放雖然持續增長，但增幅有所減緩；上海、湖北、湖南、重慶、四川在第十二個五年規劃前的碳排放持續增長，在第十三個五年規劃期間碳排放增速開始放緩，可見前期低碳管理的效果開始顯現。

2.碳排放時空異質性分析。本文結合2005年、2010年、2015年、2020年長江經濟帶的碳排放數據，利用自然斷點法將長江經濟帶各省市劃分為高碳排放、中高碳排放、中等碳排放、中低碳排放、低碳排放五類地區。從時間維度分析，結果如下：高碳排放地區數量較少且較為穩定，僅有江蘇省常年處于高碳排放地區。中高碳排放地區在數量上有所增長，在2015年之前僅包含浙江省，而在2020年增加為浙江、安徽兩省；中等碳排放地區、中低碳排放地區包含數量相對較多，中等碳排放地區在2005年、2010年包括安徽、湖南、湖北、四川、上海五地，在2015年和2020年中等碳排放省份數量減少為三省一市。具體來看，在2015年中等碳排放區域為安徽、湖北、四川，2020年為湖北、湖南、四川3個省份。中低碳排放地區數量逐漸增加，2005年、2010年包括貴州、云南兩地，2015年增加了上海市，2020年為貴州、云南、江西、上海。低碳排放地區數量有所起伏，2010年前由重慶、江西組成，2015年增加云南省，2020年僅有重慶屬于該范疇。從空間維度分析，結果為：高碳排放以及中高碳排放地區集中在以江蘇、浙江為主的東部地區；中等碳排放、中低碳排放地區主要集中在四川以及湖南、湖北等省份；中低碳排放地區集中在貴州、云南等西南省份；低碳排放地區主要以重慶為代表。總體而言，長江經濟帶碳排放呈現自東向西、自北向南由高碳排放向低碳排放逐漸遞減的分布特點。

3.碳排放時空趨勢分析。為了更加直觀地反映長江經濟帶碳排放空間演變趨勢，本文利用ArcGIS軟件，結合長江經濟帶2005年、2010年、2015年、2020年4年數據進行三維透視分析。

從空間上分析，長江經濟帶的碳排放在東西方向上呈現東高西低、自東向西遞減的分布特征；在南北方向上，碳排放總體趨勢呈現南高北低的明顯U型分布特征。長江經濟帶碳排放在南北向的分布差異大于東西向的分布差異。基于時間維度分析，雖然局部地區碳排放量出現起伏，但4年間整體碳排放趨勢較為穩定，均表現出自東北向西南方向逐漸遞減的趨勢，預計未來一段時間內該趨勢仍將持續。

（二）碳排放時空變化因素分析

1.時空變化影響因素選取。STIRPAT模型被認為是研究碳排放影響因素的重要模型之一。該模型認為碳排放量是由技術因素、經濟因素和人口因素共同決定的。綜合學界的不同觀點后，選取能源強度、GDP、人口數量3個因素作為長江經濟帶碳排放時空分布的影響因素并對其進行分析。

2.分異及因子探測分析。對能源強度、GDP、人口數量3個因素進行自然斷點法分類，并利用GeoDetector軟件對選取因素進行分異及因子探測分析，結果如圖2所示。

從因子探測結果可見，GDP的q值較為穩定，數值始終保持在1附近，明顯高于能源強度和人口因素的數值。由此可見，經濟因素是形成長江經濟帶碳排放空間格局的主要影響因素。人口因素除在2010年出現小幅波動，總體上q值基本維持在0.6左右，整體高于能源強度而低于GDP的數值，因而人口是碳排放空間格局形成的次要因素。能源強度q值變化幅度較大，在2010年之后逐漸增長，但整體數值小于GDP和人口的q值，因而能源強度對長江經濟帶碳排放空間布局的影響較小。

3.交互作用探測分析。本文對2005年、2010年、2015年、2020年能源強度、GDP、人口數量進行兩兩交互探測以探究影響因素間是否對長江經濟帶碳排放空間分布存在交互影響，具體結果如表3所示。

從2005年、2015年、2020年各影響因素的交互結果來看，能源強度、GDP、人口數量任意兩者之間的交互q值均大于各自獨立q值，其中最大的q值出現在能源強度與人口數量的交互情景下，達到0.998。最低的q值為2020年能源強度與人口數量的交互值，達到0.583，但各影響因子間的交互類型均屬于雙因子增強。由此可見，2005年、2010年、2015年長江經濟帶碳排放空間格局的形成是三者共同作用的結果。同時，2010年的能源強度與人口的交互結果呈現非線性增強，其余因素呈現雙因子增強。綜上可知，長江經濟帶碳排放時空格局的形成存在明顯的多重空間疊加交互效應。

四、結論與建議

（一）結論

本文選取2005年、2010年、2015年、2020年4個代表年份，對目標年份長江經濟帶碳排放空間分布進行分析，并利用地理探測器模型對空間分布背后的成因進行探索，最終得出如下結論：

1.區域總體碳排放呈上升態勢，部分區域已實現“碳達峰”。長江經濟帶的多數省份碳排放常年保持上升趨勢，其中江蘇、浙江、安徽的碳排放增長趨勢較為明顯，但增速逐漸放緩。湖南、湖北、四川、重慶、上海在 “十二五”期間已實現“碳達峰”，并逐漸開始減少碳排放。這說明，我國前期對長江經濟帶的碳排放治理工作已初見成效，“雙碳”戰略目標正在逐步實現。

2.區域碳排放空間分布差異顯著，碳排放分布合理化短期難以實現。通過對各省市碳排放總量進行計算后發現，東部省市碳排放總量明顯高于中西部省市。通過趨勢分析可以發現，長江經濟帶大體呈現出東高西低、南北呈U型的布局特點，且這種分布特點長時間保持穩定。將各省市碳排放進行分類后發現，東部地區、中部地區、西部地區碳排放依次遞減，空間差異明顯。因此，長江經濟帶碳排放空間分布存在明顯差異，且這種空間差異常年保持穩定且并未出現緩和的趨勢。

3.區域碳排放空間布局成因復雜，經濟是碳排放空間差異的核心要素。研究發現，能源強度、人口、GDP對碳排放空間布局均有不同程度的貢獻。其中，經濟因素對碳排放空間布局的影響最為明顯，人口規模和能源強度貢獻依次遞減。通過交互以及因子探測發現，相較任意兩個因素對區域碳排放影響效應的累加，兩者的交互作用對碳排放空間布局的影響效應更明顯。綜上分析，長江經濟帶碳排放空間布局是多重因素共同疊加的結果。

（二）政策建議

1.制定差異化低碳政策和減排政策。各地要堅定落實“雙碳”戰略，從宏觀上總結長江經濟帶各省市碳排放時空異質性共有規律，制定普適性低碳發展目標。同時，由于長江經濟帶各省市所處地理位置、經濟狀況、資源分配有所差別，各地更要具體把握碳排放的空間分布特點，因地制宜制定差異化政策，堅決實施“雙碳”戰略，打好節能減排的持久戰和攻堅戰。

2.繼續深化中部地區減排力度。以江蘇、浙江、安徽、江西為代表的東部地區和以貴州、云南為代表的西部地區，在推動經濟發展的同時也應當加強節能減排的意識，樹立可持續發展觀，把低碳發展作為各地區提高地區綜合競爭力的目標。以湖北、湖南、重慶、四川為代表的省市，則應當在原有基礎上提升減排力度，推出更多可持續的減排舉措，爭取早日實現“雙碳”戰略目標。

3.全面干預碳排放影響因素，重點推動經濟高質量發展。在能源強度方面，需要借助能源技術革新、新能源使用，來優化單位國民生產總值的能源消耗結構，降低能源強度；在人口方面，要完善地方人才政策，保障各省市人力資源長期均衡發展；經濟方面，要提升經濟發展質量，避免以高能耗、高污染為代價發展經濟。要落實產業轉移政策，同時優化產業結構，著力推動新能源、半導體集成電路等高新技術產業落地，以推動高附加值低污染產業發展。

參考文獻：

［1］ 韓楠，羅新宇.多情景視角下京津冀碳排放達峰預測與減排潛力［J］.自然資源學報，2022，37（5）：1 277-1 288.

［2］ 李海萍，龍宓，李光一.基于DMSP/OLS數據的區域碳排放時空動態研究［J］.中國環境科學，2018，38（7）：2 777-2 784.

［3］ 李治國，王杰.中國城鄉家庭碳排放核算及驅動因素分析［J］.統計與決策， 2021，37（20）：48-52.

［4］ 王志強，蒲春玲.中國城鎮化碳排放核算體系構建與實證［J］.統計與決策， 2022，38（7）：57-61.

［5］ 楊柏，秦廣鵬，鄔欽.“雙碳”目標下中國省域碳排放核算分析［J］.環境科學，2022，43（12）：1-15.

［6］ 盧露.碳中和背景下完善我國碳排放核算體系的思考［J］.西南金融，2021（12）：15-27.

［7］ 盧奕帆，梁穎然，盧思言，等.結合“珞珈一號”夜間燈光與城市功能分區的廣州市碳排放空間分布模擬及其影響因素分析［J］.地球信息科學學報，2022，24（6）：1 176-1 188.

［8］ 李慶.長江經濟帶城市二氧化碳排放空間異質性分析［J］.生態經濟，2020，36（12）：21-26.

［9］ 杜海波，魏偉，張學淵，等.黃河流域能源消費碳排放時空格局演變及影響因素：基于DMSP/OLS與NPP/VIIRS夜間燈光數據［J］.地理研究， 2021，40（7）：2 051-2 065.

［10］ 趙若楠，董莉，白璐，等.光伏行業生命周期碳排放清單分析［J］.中國環境科學，2020，40（6）：2 751-2 757.

［11］ 牛亞群，董康銀，姜洪殿，等.煉油企業碳排放估算模型及應用［J］.環境工程， 2017，35（3）：163-167.

［12］ 黃躍群，劉耀儒，許文彬，等.水利水電工程全生命周期碳排放研究：以犬木塘工程為例［J］.清華大學學報（自然科學版），2022，62（8）：1 366-1 373.

［13］ 蔡宇，李保衛，胡澤春，等.燃煤機組碳排放指標計算及影響因素分析［J］.電網技術，2013，37（5）：1 185-1 189.

［14］ 黃蕊，王錚，丁冠群，等.基于STIRPAT模型的江蘇省能源消費碳排放影響因素分析及趨勢預測［J］.地理研究，2016，35（4）：781-789.

［15］ 陳軍華，李喬楚.成渝雙城經濟圈建設背景下四川省能源消費碳排放影響因素研究：基于LMDI模型視角［J］.生態經濟，2021，37（12）：30-36.

［16］ 張露，宋媛.京津冀產業結構優化對碳排放的影響研究：基于動態面板的系統GMM模型和VAR模型［J］.資源與產業，2020，22（6）：18-28.

［17］ 高新才，韓雪.黃河流域碳排放的空間分異及影響因素研究［J］.經濟經緯， 2022，39（1）：13-23.

［18］ 李慧，李瑋，姚西龍.基于GWR模型的農業碳排放影響因素時空分異研究［J］.科技管理研究，2019，39（18）：238-245.

［19］ 王瑛，何艷芬.中國省域二氧化碳排放的時空格局及影響因素［J］.世界地理研究，2020，29（3）：512-522.

［20］ 徐靜，徐月清.基于空間面板模型的我國區域碳排放分析［J］.生態經濟， 2015，31（11）：32-36.

［21］ 王盛，談健，馬亞輝，等.多重不確定性下基于LMDI的城市工業碳排放量影響因素分析及預測：以蘇州市為例［J］.華電技術，2022，44（2）：1-7.

［22］ 宋杰鯤，康忠燕，韓文杰，等.基于系統動力學的山東省能源消費碳排放預測［J］.中外能源，2019，24（11）：91-99.

［23］ 張迪，王彤彤，支金虎.基于IPSO-BP神經網絡模型的山東省碳排放預測及生態經濟分析［J］.生態科學，2022，41（1）：149-158.

［24］ 趙慈，宋曉聰，劉曉宇，等.基于STIRPAT模型的浙江省碳排放峰值預測分析［J］.生態經濟，2022，38（6）：29-34.

［25］ 徐國泉，蔡珠，封士偉.基于二階段LMDI模型的碳排放時空差異及影響因素研究：以江蘇省為例［J］.軟科學，2021，35（10）：107-113.

［26］ 何恩業，季軒梁，李曉，等.2001—2020年福建沿海赤潮災害分級和時空分布特征研究［J］.海洋通報，2021，40（5）：578-590.

［27］ 李乃強，徐貴陽.基于自然間斷點分級法的土地利用數據網格化分析［J］.測繪通報，2020（4）：106-110.

［28］ 孔凡文，李魯波.省域建筑業碳排放空間分異及驅動因素分析［J］.建筑經濟， 2019，40（8）：102-106.

［29］ 王勁峰，徐成東.地理探測器：原理與展望［J］.地理學報，2017，72（1）：116-134.

［責任編輯：范 君］