廣西碳排放時空演變特征與影響因素分析

中圖分類號：X32 文獻標志碼：A 文章編號：1673-9655（2025）04-0001-09

0 引言

2021年9月22日，黨中央、國務院發布了《國務院關于完整準確全面貫徹新發展理念做好碳達峰碳中和工作的意見》[1]。2022年生態環境部等7部門聯合印發了《減污降碳協同增效實施方案》[2]。廣西壯族自治區人民政府為響應并實施這些決策部署，扎實推進廣西碳達峰行動，特別制定并印發了《廣西壯族自治區碳達峰方案》，該方案中的主要目標提出：“到2025年，廣西單位地區二氧化碳排放下降確保完成國家下達的目標”[3]。因此，研究廣西碳排放的時空特征、演變規律及其影響因素具有重要的現實意義和理論價值。

從現有的研究來看，ESDA（探索性空間數據分析）已成為研究碳排放量時空分布和演變規律的重要方法。龍家勇等通過相鄰原則構建空間權重矩陣，計算全局Moran'sI和局部Moran'sI分析我國省域碳排放的空間自相關性。結果發現，我國各省碳排放量在2000一2007年空間正相關性顯著，到2008年呈弱負相關；局部空間聚集分布為中東部高西部低[4。蘇方林等使用ESDA分析廣西地級市碳排量的活動規律[5]，結果發現：廣西各地級市碳排放空間集聚現象明顯，集聚態勢基本相似。陳操操等在研究京津冀與長三角城市群碳排放的空間聚集效應一文中，采用ESDA方法，以期分析京津冀與長三角城市群碳排放的空間關聯性。

另一方面，固定效應模型能將一些觀測不到的“個體”因素綜合在模型的截距項上，具有緩解遺漏變量偏誤與外生性等問題的優點[7。因此，很多學者借助固定效應模型分析碳排放的影響因素。如，李秋妍等利用29個省市區的面板數據構建個體固定效應模型，分析了固定資產投資、能源強度、城鎮化水平等對二氧化碳排放的影響[8]；結果發現，固定資產投資對西部地區二氧化碳排放具有拉動作用。魏再則以河南省作為研究對象，采用面板數據和個體固定效應模型，針對2000一2013年第一產業比例、第二產業比例以及能源強度等因素對碳排放的影響展開了分析[9]。楊文越等在研究2000一2012年我國各省交通二氧化碳的影響因素一文中，基于雙向固定效應模型，得出社會經濟、城市人口密度等因素對二氧化碳的排放具有正向效應，而公共交通發展水平則相反[10]。Jayanthi.A.R等運用個體固定效應模型[11]隨機效應模型等面板數據模型，實證分析20個撒哈拉以南非洲（SSA）國家的城鎮化率、能源強度等因素對二氧化碳排放的影響。陳蕭等基于GIS與ESDA結合的技術，構建個體固定效應模型，分析了福建省84個縣級行政區碳排放量的時空特征及影響因素。實證結果表明：碳排放量的增加由第二產業增加值、城鎮化率、公路密度等六個要素共同影響，而第一產業增加值有抑制二氧化碳排放的表象[12]。同時，李從欣等學者認為綠色創新技術在碳排放中發揮至關重要的作用，為此也將綠色創新技術作為控制變量，通過構建雙向固定效應模型[13]，實證分析我國大陸30個省域2012一2020年制造業數字轉化對碳排放的影響。

從上述文獻可以發現，ESDA與固定效應模型是研究碳排放的常用方法。其中，主要影響因素指標包括固定資產投資、能源強度、城鎮化率、第一產業增加值、第二產業增加值、公路密度、綠色創新技術等。鑒于此，本文基于2011一2021年廣西14個地級市碳排放量及其相關影響因素面板數據，運用ESDA方法，選取上述影響因素指標，嘗試構建固定效應模型，分析廣西碳排放的時空演變特征及影響因素，以期為廣西低碳發展和可持續發展政策的制定提供一定的理論參考。

1相關研究方法與模型

1.1探索性空間數據分析

構建空間權重矩陣是計算空間自相關系數的重要步驟之一，空間權重矩陣常用于描述空間上不同地區之間的關聯或相互影響程度。基于不同標準所建立的空間權重有所區別，常用相鄰原則、距離原則和最近點原則作為空間關系量化的工具[4]。本文將采用相鄰原則中的Queen標準，建立空間權重矩陣。Queen權重矩陣定義如下[14]：

市與市相鄰有公共邊或公共定點W= 0市與市j不相鄰當時，記 w_ij=0

ι=1，2，3，…，n;j=1，2，3，…，n 。當為1時，代表這兩個地級市具有鄰接關系。為0時，則視為不具有鄰接關系。

鑒于莫蘭指數具有有效量化空間數據、識別空間集聚效應與能進行多尺度分析等優勢。故在實際應用中，全局和局部莫蘭指數（Moran'sI）[15]常作為空間自相關性的衡量指標[46]。

Global（全局）莫蘭指數[1常用于檢驗整個研究區域是否存在空間自相關性或空間異質性，其

計算公式為：

Local（局部）莫蘭指數[15]是度量區域經濟在空間上差異變化趨勢的常用指標[17]。LISA實質是將全局莫蘭指數分解到各個空間區域單元中，從而獲得區域空間單元的空間自相關性，其計算公式為[6，12，17]：

式（1）、（2）中：s2=∑（x-x）2 ; x_i 和 |x_j| 一第地級市和第j地級市的觀測值； 一所有觀測值的均值； n 一地級市總數； w_ij 一空間權重矩陣。

莫蘭指數通常用I來表示，取值范圍為-1～1，當 Igt;0 ，且越接近1，說明地級市i與周邊地級市的空間正相關性越強，反之 Ilt;0 ，絕對值越接近1，說明地級市與周邊地級市的空間負相關性越強[18]。當I接近0時，則表明區域屬性隨機分布，不存在空間相關性。

1.2個體固定效應模型

固定效應模型是經典的模型估計方法，其中個體固定效應模型與雙向固定效應模型在實際應用中更為廣泛[19]。因此，本文試圖構建個體固定效應模型。

個體固定效應模型的形式[20]：

Y_it=α_i+X_it^′β+μ_iti=1…n，t=1…T

式中： Y_ii 一因變量，表示在時間t和個體處的觀測值； a_i 一不可測的個體效應，隨個體變不隨時間變； X_it^′-K×1 階的列向量，表示第 K 個解釋變量在時間t和個體處的觀測值； β? 一 ?X_it^′ 對應的系數向量， μ_ii 一誤差項，包含未觀測到的隨機擾動。

2數據來源

文章選取廣西14個地級市作為研究對象，以2011一2021年為研究期，各地級市碳排放量數據主要參照文獻[21]的測度方法進行核算。包含的指標：人工或天然氣供氣、液化石油氣供氣、人工或天然氣供氣數據，主要來源于《中國城市統計年鑒》。其他數據指標來自《中國統計年鑒》《廣西統計年鑒》、各地級市歷年統計年鑒、各地級市歷年國民經濟和社會發展統計公報、廣西統計數據發布庫等。其中，2018年起各地級市固定資產投資數據為增長速度，將利用對應公式進行換算。規模以上工業綜合能源消費量部分缺失數據，則采用線性插值法進行插補。此外，文章用各城市綠色專利授權總數[22]與綠色發明專利申請數[23之和，作為綠色創新技術的代表性指標，該數據主要從馬克數據網獲取。

3廣西碳排放量的時空分布

3.1廣西碳排放總量的時間趨勢

圖1廣西2011一2021年碳排放總量時間趨勢圖

從圖1可以看出，2011—2021年，廣西碳排放總量呈逐年增加的趨勢。二氧化碳排放量從2011年的46796.98Mt增至2021年的 62375.76Mt ，年增長率在2013年顯著上升，約為 5.18% ；而到2019年，年增長率相對較低，為 1.05% 。

圖2 “十二五”、“十三五”時期及2021年廣西各地級市碳排放總量變化趨勢

從圖2看，十二五”與“十三五”時期各地級市的碳排放總量存在明顯的截距差異，但隨時間變化的趨勢特征并不明顯。具體而言，“十二五”期間百色市的碳排放總量位居首位，其次是南寧市。到“十三五”時期，各城市碳排放量均呈明顯的上升趨勢。其中，來賓市由“十二五”時期的碳排放總量排名第九上升至“十三五”時期的第一，北海市位列第二。在“十二五”與“十三五”期間百色市碳排放總量增幅最大，達到了 3572Mt ，增幅最小的為玉林市。到2021年，崇左市的碳排放量最高，為4732.22Mt 。總的來說，雖然廣西各地級市的碳排放活動會出現不同幅度的波動現象，但整體呈現上升趨勢。

3.2廣西地級市碳排放的空間分布

選取2011、2015、2018、2021年廣西14個地級市碳排放量數據，借用R語言并載入地圖繪制相關R-package[24]，設置碳排放最高值為 4800Mt ，最低值為 3200Mt ，繪制出如圖3可視的廣西各地級市二氧化碳排放量的空間分布。

從圖3空間分布顏色深淺的變化可以觀察到，廣西碳排量呈逐年遞增的態勢。“十二五”期間碳排放主要表現為“中部略高于四周”的空間格局，其中南寧、來賓、貴港這幾個地級市顯著較高。而“十三五”時期及2021年，碳排放的空間分布呈現出“四周較高”的新空間布局，顯著最高的為河池、賀州、百色和崇左等城市。這意味著從“十二五”時期到“十三五”時期，隨著廣西工業活動的不斷發展壯大，導致了二氧化碳排放量的不斷提升。空間格局的改變，可能是區域發展不平衡、政策向導、產業結構調整、經濟發展重點轉移等多因素的共同作用。例如，廣西“十二五”時期強調加快工業化和城鎮化進程，中部地區南寧等被作為重點發展對象，承接了眾多的工業項目和大規模的基礎設施建設。與此同時，中部地區是交通樞紐的重點建設區域，其相對粗放的建設模式，導致了廣西中部地區碳排放量偏高。到“十三五”時期，廣西政府出臺的“十三五”規劃提到，將規劃建設沿海沿邊特色新興產業發展帶、桂東承接新興產業轉移組團等新發展格局。政策的向導以及工業重心的轉移，促進了周邊地級市工業的發展，致使周邊地級市二氧化碳排放量不斷上升。

3.3基于ESDA的碳排放時空特征分析

為探究廣西14個地級市碳排放量空間集聚的分布情況，利用GeoDa軟件繪制Moran散點圖和LISA聚類圖，分別見圖4和圖5。由圖4可知，2012、2013、2020年的莫蘭指數均小于零，2017年的莫蘭指數大于零，說明了廣西地級市群碳排放

圖32011、2015、2018和2021年廣西地級市碳排放量空間分布圖

圖52012、2013、2017、2018、2020和2021年廣西各地級市碳排放量聚類地圖

在空間上表現為更多的隨機性和結構的不穩定性。在2012、2013與2020年，廣西14個地級市碳排放數據呈現出一定的空間負相關性，即碳排放量高的城市周圍可能也存在碳排放量相對較低的城市。而2017年，這14個地級市的碳排放量呈現出正的空間自相關性，意味著各城市間的碳排放具有空間集聚效應，碳排量高（低）的城市集聚在了一起。莫蘭指數的增長，表明廣西各地級市間的空間自相關性不斷增強，相互間的碳排放量在空間上呈現出一致的趨勢。相反，莫蘭指數的下降，表明這段時間內廣西相鄰地級市間的碳排放量空間自相關性逐漸降低，碳排放量差異不斷增大。

由圖5可知，2012年廣西14個地級市碳排放量局部空間自相關性為負相關，其高-低聚類區為百色市，表明百色市的碳排放量高于其鄰近地區。底-高聚類區為崇左市，表明崇左市碳排放量低于周邊地區。這可能與兩市的工業生產方式、產業結構和經濟發展水平等有關。百色市是廣西重要工業基地，鋁產業突出，其生產能耗大，二氧化碳排放多。而崇左市工業占比較低，農業和服務業占比較大，故碳排量相對而言較低。2013年與2020年，廣西各地級市的碳排放量空間自相關性并沒有形成顯著的同質性集聚區域。到2017年、2018年，碳排放量的集聚格局發生了改變，呈現出正的空間自相關，低-低集聚區顯著。其中2017年廣西碳排放量低-低集聚區主要為：欽州、玉林和貴港市，表明這三個地級市在產業結構、能源利用以及環保政策等方面發生了積極變化。例如，欽州大力發展新興海洋產業；玉林和貴港加大了對水電、太陽能等清潔能源的開發與利用，同時均增強了環保政策的執行力度。2018年碳排放低-低集聚區為：崇左市、南寧市，表明這兩個地級市在產業優化和能源利用方面取得了顯著成效。如，崇左市重視資源的高效利用以及傳統產業的升級改造；南寧市大力發展現代服務產業和高新產業，并加大了可再生能源的利用與開發。到2021年，賀州市從2018年碳排放量高聚集區轉變成了低聚集區，這一變化表明，賀州市在這段時間內實施了一系列有效的減排措施，例如加強對高耗能企業碳排放的監測與管控、大力推廣節能技術、扶持新興綠色產業和鼓勵市民綠色出行等。賀州市在降碳方面取得的成效，為其他地區有效緩解碳排放量提供了寶貴的經驗。

4固定效應面板數據模型實證分析

4.1 指標選取

根據Kaya學者提出的模型，旨在將總體碳排放量分解為經濟活動、人口規模、產業結構和能源強度這四種宏觀影響因素[25]。而隨著經濟的快速發展，城鎮化進程的不斷加快，創新技術水平的不斷提高，城鎮化率[12]、公路密度[2、綠色創新技術[27-29]也成為了影響碳排放的重要因素。

綜上，選取公路密度、綠色創新技術、能源強度、固定資產投資[30、城鎮化率、第一產業增加值與第二產業增加值[12]這7個因素作為影響廣西碳排放量的因子，其中第二產業增加值用于以表征產業結構，第一產業增加值用以表征農林牧漁業的生產活動。在建模時，除城鎮化率、能源強度保留原值外[31，32]，對其余變量作對數處理。各變量含義如表1所示。

4.2數據檢驗與模型選取

（1）面板數據平穩性檢驗、序列自相關性檢 驗、異方差性檢驗

本文數據 N=14 ， T=11 為短面板數據，將選取HT、IPS檢驗方法對各變量進行單位根檢驗[33]，檢驗結果如表2，可知在 10% 顯著性水平下，面板數據滿足平穩性假設。

參考文獻[34]利用Stata17軟件提供的xtserial命令來進行面板數據的序列相關性檢驗，其 P 值為0.6730gt;0.05 ，可認為在 5% 顯著性水平下，不存在面板序列自相關。接下來對各變量進行多重共線性檢驗，各變量VIF值（3.05，2.85，1.88，1.80，1.66，1.56，1.39）均 lt;10 ，說明各變量間不存在多重共線性問題。最后進行異方差檢驗，BP檢驗卡方統計量值為0.24，對應P值為0.622，White檢驗卡方統計量值為45.20，對應P值為0.1160，兩者P值均 gt;0.05 ，即在 5% 顯著性水平下，說明誤差項的方差在樣本不同觀測值之間不存在差異，滿足同方差的假設。

表1廣西碳排放影響因素指標及其計算說明

表2HT檢驗與IPS檢驗結果

（2）模型形式選擇

選擇不當的模型，會造成對數據真實關系的誤解，以及會使模型預測性能變差。由于固定效應模型未使用聚類穩健標準誤進行估計，致使F檢驗結果無效[34]。為此，通過LSDV（最小二乘虛擬變量模型）檢驗、LM檢驗和Hausman檢驗法選取模型形式。

從表3可知，LSDV檢驗呈現出在 5% 的顯著性水平下，個體虛擬變量均顯著，意味著相對pool（混合）模型而言，FE（固定效應）模型更優。LM檢驗呈現出在 5% 顯著性水平下，chibar2（01）_=0.00 ， P=1gt;0.05 ，意味著相對RE（隨機效應）模型而言，pool模型更優。Hausman檢驗呈現出在 5% 的顯著性水平下，chi2（7） Π=91.05 ， P=0.000 lt;0.05 ，強烈拒絕原假設，意味著相對RE模型而言，FE模型更優。綜合上述分析，考慮使用FE模型建模。

表3LSVD檢驗、LM檢驗、Hausman檢驗結果

4.3 固定效應模型結果分析

根據表4中三種不同固定效應模型估計結果可知，時間固定效應模型的F統計量對應的顯著性概率為 P=0.000lt;0.05 ， R² 為0.776，這表明在 5% 顯著性水平下，顯示出較好的模型擬合效果。但是該模型中，只有時間虛擬變量是顯著的，各解釋變量在 10% 顯著性水平下并未通過t檢驗，這意味著除了時間虛擬變量之外，其他解釋變量在統計意義上并不能顯著地解釋因變量的變化。而個體固定效應模型的F檢驗統計量值為74563.36，其顯著性概率 P=0.00lt;0.05 ， R²=0.738 ，顯示出較好的模型擬合效果。此外，各解釋變量均通過了在10% 顯著性水平下的t檢驗，即這7種因素對廣西二氧化碳排放量的影響是顯著的。考慮到忽略時間效應可能會導致模型估計產生偏誤，為克服這一問題，將同時控制個體效應和時點效應。然而，針對時間固定效應（H0：不存在時間固定效應）的 F 檢驗結果為： F_0.05 ， P=0.1954gt;0.05 ，不能拒絕原假設，這意味著雙向固定效應模型并不適用。綜合上述分析，并考慮模型解釋變量在經濟學上的合理性，最后選擇個體固定效應模型，分析廣西碳排放量的影響因素。

表4三種不同固定效應模型估計結果

注：*** Plt;0.01 ，** Plt;0.05 *， -不顯著；系數下方括號內的值為t值。

使用聚類穩健標準誤對個體固定效應模型進行估計，結果由表4可知，除第二產業增加值的系數估計結果為負外，其余變量系數估計結果均為正。說明第二產業增加值對廣西碳排放量具有負向影響，城鎮化率、公路密度、第一產業增加值、固定資產投資、能源強度及綠色創新技術對廣西各地級市碳排放量具有正向影響。模型的具體方程見式（4）：

0.029lnGVAA+0.020InFAI- 0.017InGVAI+0.001Ei+a_i

從表5中廣西各地級市的個體效應值得知，社會結構和經濟技術發展水平較低的地區，如崇左、百色和來賓市等，面臨著環保政策的執行成效不顯著、高碳產業結構轉型的挑戰，以及高新技術人才短缺等問題，導致這些地區的實際碳排放量高于廣西其他地區的平均水平。相比之下，在南寧、柳州等經濟基礎更為堅實、產業結構和教育水平較高的地區，得益于對綠色投資的重視、社會環保意識的提高以及技術創新能力的加強，這些地區的二氧化碳排放量則低于廣西其他地區的平均水平。這一差異突顯了經濟發展模式、產業升級和科技教育投入對地區碳排放的影響，也反映了綠色低碳轉型在促進可持續發展方面的重要性。

表5廣西14個地級市的截距值

從個體固定效應模型估計結果式（4）來看，城鎮化率是導致廣西二氧化碳排放量增加的關鍵因素，這一發現與許多學者的研究結論相一致[12.35-37]每單位城鎮化率的增加會導致碳排放量增長0.980。這是由于廣西正處于城市化發展中期，是城市不斷向外擴張的階段。隨著城市建筑和交通運輸的不斷增加，能源消耗大幅上升，使得二氧化碳排放量增加顯著。

其次，公路密度也是碳排放量增加的重要源頭之一[12.36，37]。公路密度每增加1單位，碳排放量將增長0.072。公路密度導致二氧化碳排放增加的直接原因包括道路建設和維護，間接原因則表現在人們對交通需求的不斷增加。廣西各地級市公路網絡的不斷發展，旅游出行和貨物運輸等活動也會導致二氧化碳排放的增加。

此外，綠色創新技術在碳排放中扮演著關鍵的角色。每單位綠色創新技術的提升會導致碳排量增長0.05，但增長效果相對微弱。這是因為綠色創新技術在發展及推廣應用初期常以環境需求為導向，且科研效應具有一定的滯后性，因而在初期碳排放量會因綠色專利數的增多而上升，但隨著綠色創新技術的不斷發展，其對碳排放的抑制效果才會逐步凸顯[38.39]。同時，王安妮等學者在分析廣西碳排放影響因素中也提出，盡管短期內碳排放會隨著科技投入的增加，但其減排效應卻有可能在長期發展中逐漸顯現[27]。為此，廣西仍需加大對綠色創新技術研發的投入力度，進而才能使減排效益逐漸顯現。

第一產業增加值與碳排放量之間存在正相關性[40，41]。第一產業增加值的回歸系數為0.029，這意味著每增加1單位的第一產業增加值，碳排放量將增加 2.9% 。廣西作為我國重要的蔗糖和水果產區，在農林牧業等相關生產活動中，例如施肥、焚燒秸稈、加工等環節，均會致使二氧化碳排放量的增加。在《廣西壯族自治區工業領域碳達峰實施方案》中特別強調，要通過智能化、數字化和綠色化改造，來推進蔗糖產業的綠色轉型[3]。

與此相反，第二產業增加值與碳排放量之間呈現出負相關[42-44]，但影響效果較弱。第二產業增加值回歸系數為，表明每增加1單位的第二產業增加值，碳排放量會下降 1.7% 。這一現象可能歸因于廣西工業起步較晚，其碳排放基數較小。近年來，盡管工業發展比較迅速，但伴隨著產業結構和產業布局的優化，以及綠色創新技術的不斷進步，二氧化碳的增長在一定程度上得到了緩解。這反映出了在追求經濟增長的同時，廣西在環境保護和可持續發展方面取得了重要進展。

最后，固定資產投資與能源強度對碳排放均具有驅動作用[8]。固定資產投資與能源強度的回歸系數分別為0.020、0.001。這意味著，當固定資產投資增加或能源強度提高1單位，二氧化碳排放量也會相應增加 2% 或 0.1% 。這一結果可能的原因是固定資產投資和能源強度的增加通常伴隨著工業和經濟的快速發展，進而使工業生產活動增多以及能源消耗加大，最終導致碳排放量上升。

5結論與建議

5.1結論

2011一2021年，廣西碳排放總量整體呈逐年增加趨勢，各地級市的碳排放活動呈現出不同幅度的波動現象。從空間分布圖來看，“十二五”期間，廣西各地級市碳排放量主要表現為“中部略高于四周”的空間格局，而“十三五”之后，呈現“四周較高”的新空間布局。局部莫蘭散點圖與LISA聚類地圖結果顯示，在不同年間，廣西相鄰城市的碳排放量在空間中的分散效應和聚集效應顯著，其中在2017一2018年呈現出了顯著的低-低集聚區。個體固定效應模型分析結果表明，城鎮化率、公路密度、綠色創新技術、第一產業增加值、固定資產投資、能源強度這些因素對二氧化碳排放起著拉動作用。在 10% 顯著性水平下，第二產業增加值與二氧化碳排放量呈負相關，說明目前來看，工業化的快速發展對碳排放量的緩解效果并不十分顯著，仍需要加快高能高碳工業向綠色低能低碳行業轉變的進程。

5.2建議

（1）重視城鎮化進程中的環保問題。對于城鎮化率較高的城市，如南寧市、柳州市等應：① 推行綠色規劃及可持續的城市發展策略，以降低城市化進程中的碳排放； ② 規劃緊湊型城市，優化城市布局，杜絕“大拆大建”； ③ 支持并鼓勵城市工業向清潔生產和綠色經濟轉型，加快推動城鎮智能化數字化。

（2）加強公路建設與維護的環保規劃。 ① 強化綠色建設標準，規定新建公路在設計與施工中充分考量減排因素，采用環保材料和節能技術；② 推動智能網聯交通系統的發展，優化交通路徑，減少擁堵導致的能源浪費； ③ 鼓勵發展共享交通，降低人們對私家車的依賴。

（3）加快綠色創新技術成果的落地。 ① 設立綠色創新技術研發基金，引進高新技術人才；② 充分借助廣西重點實驗室與科研機構等資源，促進綠色創新技術的快速轉化和應用； ③ 對采用綠色創新技術的企業給予稅收優惠和政策扶持。

（4）推動第一產業綠色升級。例如，崇左、貴港等農業經濟較為發達的城市應： ① 推廣精準施肥和綠色植保技術，減少化肥和農藥的使用；② 加強對秸稈等農林業廢棄物的綜合利用，禁止焚燒行為； ③ 支持農林牧業產業化經營，提高農林牧業生產的規模化和標準化。

（5）持續推進第二產業結構優化和升級。針對第二產業經濟占主導地位的城市，例如柳州市、百色市等： ① 鼓勵企業加強技術創新投入，提高自主研發能力； ② 大力發展高新技術產業，繼續加快傳統產業升級和綠色改造； ③ 引進先進的管理經驗和生產技術，加強企業間的協同合作。

（6）優化固定資產投資，嚴格把控能源使用。 ① 加強對固定資產投資項目的環境評估，優先支持綠色低碳項目； ② 科學制定能源消費總量和強度的雙控目標，加強能源管理和節能監察；③ 大力推廣使用清潔能源，建立嚴格的監督機制，確保能源使用的合理性和高效性。

參考文獻：

[1]中共中央國務院關于完整準確全面貫徹新發展理念做好碳達峰碳中和工作的意見[N].人民日報，2021-10-24.

[2]生態環境部等7部門聯合印發《減污降碳協同增效實施方案》[J].日用電器，2022（6）：8.

[3]廣西壯族自治區工業領域碳達峰實施方案[J].廣西節能，2023，37（4）：8-12.

[4]龍家勇，吳承禎，洪偉，等.中國省域二氧化碳排放量的空間自相關分析[J].生態經濟，2011，27（10）：49-53.

[5]蘇方林，蒙瑞海.廣西地級市碳排影響因素的空間計量分析[J].廣西師范大學學報（哲學社會科學版），2014，50（2）：20-28.

[6]陳操操，蔡博峰，孫粉，等.京津冀與長三角城市群碳排放的空間聚集效應比較[J].中國環境科學，2017，37（11）：4371-4379.

[7]閔銳，謝雨濛，黃煒虹，等.中國糧食生產技術進步偏向與增長路徑選擇[J].統計與決策，2023，39（15）：89-93.

[8]李秋妍，曹翠.固定資產投資對二氧化碳排放影響的實證研究——基于省際面板數據模型[J].科技管理研究，2014，34（14）：221-225.

[9]魏冉.基于面板數據的河南省碳排放影響因素實證研究[J].桂林理工大學學報，2015，35（3）：565-570.

[10]楊文越，李濤，曹小曙.中國交通 CO₂ 排放時空格局演變及其影響因素——基于2000—2012年30個省（市）面板數據的分析[J].地理科學，2016，36（4）：491-501.

[11] JayanthiAR，Ifeoma MA.The effects of economic growth oncarbon dioxide emissions in selected Sub-Saharan African （SSA）countries[J].Heliyon，2022，8（11）：e11193-e11193.

[12]陳瀟，陳奕霖，甘暉，等.福建省縣級碳排放時空特征和面板數據模型分析[J].福建師范大學學報（自然科學版），2023，39（5）：83-92.

[13]李從欣，馮曉靜.固定效應模型下制造業數字化轉型對碳排放影響[J].河北環境工程學院學報，2023，33（5）：1-7.

[14]徐彬.空間權重矩陣對Moran'sI指數影響的模擬分析[D].南京：南京師范大學，2007.

[15]Luc Anselin.Local Indicators of Spatial Association-LISA[J].Geographical Analysis，1995，27（2）：93-115.

[16] MORAN PA P.Notes on continuous stochastic phenomena.[J].Biometrika，1950，37（1-2）：17-23.

[17]王磊，李濤，曹小曙.基于ESDA-GIS的廣東省城鄉統籌發展空間分異[J].經濟地理，2012，32（9）：44-50.

[18]王麗瓊.基于超效率DEA-ESDA的中國生態效率時空格局分析[J].重慶師范大學學報（自然科學版），2015，32（5）：152-157.

[19]李子奈，潘文卿.計量經濟學（第五版）[M].北京：高等教育出版社，2020：222.

[20]嚴恒普，鄧曉雨.FDI對我國東、中、西部經濟增長影響差異分析——基于個體固定效應的省際面版數據模型[J].巢湖學院學報，2018，20（3）：1-7，25.

[21]叢建輝，劉學敏，趙雪如.城市碳排放核算的邊界界定及其測度方法[J].中國人口·資源與環境，2014，24（4）：19-26.

[22]肖涵月，孫慧，王慧，等.從“試點”到“擴散”：低碳城市試點的包容性低碳增長效應分析[J].產業經濟研究，2022，21（3）：28-40.

[23]趙曉夢，陳璐瑤，劉傳江.非正式環境規制能夠誘發綠色創新嗎？——基于ENGOs視角的驗證[J].中國人口·資源與環境，2021，31（3）：87-95.

[24]藍洋，何秀，朱誠勖，張玉娟.R語言在生物科學研究繪圖中的應用[J].華東師范大學學報（自然科學版），2019，65（1）：124-135，143.

[25]秦軍，唐慕堯.基于Kaya恒等式的江蘇省碳排放影響因素研究[J].生態經濟，2014，30（11）：53-56.

[26]呂雁琴，范天正，張晉寧.中國交通運輸碳排放效率的時空異質性及影響因素研究[J].生態經濟，2023，39（3）：13-22

[27]王安妮，貝雷，高雨雯，等.基于STIRPAT模型的廣西碳排放影響因素分析[J/OL].環境保護科學，1-9[2024-07-23].https：//doi.org/10.16803/j.cnki.issn.1004-6216.202307008.

[28]董梅，李存芳.低碳省區試點政策的凈碳減排效應[J].中國人□·資源與環境，2020，30（11）：63-74.

[29]鄭漢，郭立宏.低碳城市試點對鄰接非試點城市碳排放的外部效應[J].中國人口·資源與環境，2022，32（7）：71-80.

[30]劉元欣，鄧欣蕊.我國碳排放影響因素的實證研究—基于固定效應面板分位數回歸模型[J].山西大學學報（哲學社會科學版），2021，44（6）：86-96.

[31]胡雪萍，方永麗.中國大氣污染的影響因素及防治措施研究——基于STIRPAT模型和固定效應面板模型[J].工業技術經濟，2018，37（2）：107-113.

[32]郭嘉德，白永秀，關海玲.經濟增長、城鎮化與碳排放：理論分析與實證檢驗[J].管理現代化，2023，43（5）：167-175

[33]吳鑑洪，趙衛亞.面板數據模型的序列相關性檢驗一理論研究與實證分析[J].數理統計與管理，2011，30（5）：824-830.

[34]陳強.高級計量經濟學及Stata應用（第二版）[M].北京：高等教育出版社，2014：680.

[35]韋海鳴，吳嘉越.廣西碳排放影響因素分析和預測[J].南寧師范大學學報（哲學社會科學版），2022，43（3）：17-30.

[36]黃威翔，高川作，吳波，等.基于STIRPAT模型的廣西碳達峰路徑[J/OL].環境科學，1-25[2024-07-23].https：//doi.org/10.13227/j.hjkx.202402148.

[37]周馨冉，王金葉，楊依慧.雙碳背景下廣西城市能源碳排放影響因素分析[J].湖南工業大學學報，2024，38（5）：70-75.

[38]余文夢，張婷婷，沈大軍.基于隨機森林模型的我國縣域碳排放強度格局與影響因素演進分析[J].中國環境科學，2022，42（6）：2788-2798.

[39]陶俊逸，趙筱青，陳彥君，等.云南省能源消費碳排放時空演變及其影響因素[J].環境科學與技術，2023，46（9）：178-187.

[40]曲睿婷，喬林，王浩淼，等.基于STIRPAT模型的遼寧省能源碳排放影響因素分析[J].中國農機化學報，2024，45（4）：180-185，230.

[41]謝守紅，丁卉.江蘇碳排放的演進特征及與經濟增長的關系研究[J].生態經濟（學術版），2013（1）：64-68.

[42]高淼，吳秀芹.廣西壯族自治區碳排放時空規律及達峰預測[J].中國巖溶，2023，42（4）：763-774.

[43]吳振信，謝曉晶，王書平.經濟增長、產業結構對碳排放的影響分析—基于中國的省際面板數據[J].中國管理科學，2012，20（3）：161-166.

[44]祁海強，周冬梅，江晶，等.甘肅省碳排放特征及各地區碳達峰時間預測[J].中國農學通報，2023，39（30）：61-73.

Temporal and Spatial Evolution Characteristics and Influencing Factors of Carbon Emissions in Guangxi Based on Panel Data from 14 Prefecture-level Cities

LI Ke-hong，XU Qing-juan，SU Ting （School ofMathematicsand Statistics，Nanning Normal University，Nanning Guangxi 531ooo，China）

Abstract：Basedonthepaneldataof14prefecture-levelcitiesinGuangxifrom2O11to2021，thispaperanalyzedthetemporal trendandspatialistrbtionangsofbonsiosinangxindaedteatialemporalaracteristicsfbon emisionsin14prefecture-levelcitiesbyusingtheMoranindex.Atesametime，anindividualfixedeffctmodelwasconstructed toexploretheinfluencingfactorsofcarbonemissonsin14prefecture-levelcitiesinGuangxi.Theresultsshowedthatcarbon emisionsinGuangxishowedanoverallgrowthtrendfrom201lto21，andthespatialdistributiondemonstratedanewpatterof \"higherarounduingthethFiveYearPlapeiodndtelocalspaalgglomeationectofrboemissiosepeced aprocessfromdecentralizationtoagglomerationandthentodecentralization.Urbanizationrateandgreeinnovationtechnology haveasignificantpositiveimpactoncarbonemissionsinGuangxi，followedbyhighwaydensityaddedvalueoftheprimary industryinvesentinfedsetsdegintesityndededlueofthecodaryiustryakgaiect. Finalybasedotsultsfempiicalaalsiselevantsugestiosreivenoowtootrolndducecaboeiosi Guangxi.

Keywords：carbonemissons;paneldata;Moranindex;spatio-temporalcharacteristics;individualfixedefctmodel