中国省域二氧化碳排放的时空格局及影响因素

doi:10.3969/j.issn.1004-9479.2020.03.2018507

摘要/Abstract

摘要：

通过测算全国30个省域2000—2015年的二氧化碳排放量，采用自然段点法，分别对2000年、2005年、2010年和2015年各省碳排放量进行分类，分析其空间分异化特征。采用空间自相关分析法揭示了相邻各省份碳排放量的空间关联性。在此基础上，运用对数均值迪氏分解法，从能源结构、能源强度、经济发展和人口规模等角度，对碳排放影响因素进行无残差分解。结果表明：1）时间上，我国碳排放总量整体呈上升趋势，在2014—2015年仅下降2%。除北京市外，其余各省份的碳排放量呈增长趋势；空间上，高值碳排放由环渤海及东部沿海省份逐步蔓延至中西部个别省份;2）各省域碳排放主要呈现高高集聚和低高集聚的特征，高高集聚稳定集中在辽宁、河北、山东、山西和江苏省，北京市和天津市与高碳排放的省份形成一个低高集聚区域;3）东、中部比西部省份更易受能源结构、能源强度、经济发展和人口规模等因素的影响。经济发展对碳排放是驱动作用，能源强度对碳排放是抑制作用，能源结构对各省份碳排放的影响有正向驱动和负向抑制作用，除贵州省外，其余省份人口规模对碳排放均是正向驱动作用。

关键词: 碳排放, 时空格局, 空间自相关, LMDI

Abstract:

In this paper, the carbon dioxide emissions from 2000 to 2015 in the provinces of China were calculated, using the natural segment method, the carbon emissions in 2000, 2005, 2010 and 2015 were also classified respectively, to analysis of its spatial differentiation characteristics.Spatial autocorrelation analysis was used to reveal the spatial correlation of carbon emissions between neighboring provinces.On this basis, the LMDI method was used to decompose the factors affecting carbon emissions from the aspects of energy structure, energy intensity, economic development and population scale. The results showed that: In terms of time, China's total carbon emissions showed an overall upward trend, with only a 2% decline in 2014-2015. Except for Beijing, the carbon emissions of other provinces are increasing.In space, high-value carbon emissions have gradually spread from the Bohai Rim and the eastern coastal provinces to individual provinces in the central and western regions. The provincial carbon emissions were mainly characterized by high concentration and low agglomeration. The high concentration and centralization of carbon emissions were concentrated in Liaoning province,Hebei, Shandong, Shanxi and Jiangsu provinces, Beijing and Tianjin had a low concentration area with high carbon emissions. The eastern and central regions are more susceptible to energy structure, energy intensity, economic development and population scale than the western provinces. Economic development is driving the carbon emission. Energy intensity is inhibitory to carbon emissions. The energy structure has a positive and negative inhibitory effect on the carbon emissions of various provinces. Except for Guizhou province, the population scale of other provinces is positively driving carbon emissions.

Key words: carbon emission, spatiotemporal dynamics, spatial autocorrelation, LMDI

王瑛, 何艳芬. 中国省域二氧化碳排放的时空格局及影响因素[J]. 世界地理研究, 2020, 29(3): 512-522.

Ying WANG, Yanfen HE. Spatiotemporal dynamics and influencing factors of provincial carbon emissions in China[J]. World Regional Studies, 2020, 29(3): 512-522.

图/表 6

表1 各类能源的折标准煤参考系数和碳排放系数

Tab. 1 Standard coal reference and carbon emission factors of various types of energy

能源种类	煤炭	原油	天然气
折标准煤参考系数	0.7143	1.4286	1.3300
碳排放系数	0.7559	0.5857	0.4483

图1 2000—2015年全国碳排放总量、碳排放强度和人均碳排放量

Fig.1 Total carbon emission,emission intensity and per capita carbon emission in China from 2000 to 2015

图2 2000年和2015年全国各省域碳排放量

Fig.2 Carbon emissions of various provinces in the country in 2000 and 2015

表2 2000年中国各省区碳排放类型 (万t)

Tab.2 Types of carbon emission in China's provinces in 2000（万t）

年份	分类		省份	数量
2000年	超重型	（≧10000）		0
	重型	Ⅰ（6000-9999）	河北、山西、山东、辽宁	13
	重型	Ⅱ（3000-5999）	内蒙古、黑龙江、上海、江苏、浙江、安徽、河南、湖北、广东	13
	一般	Ⅰ（2000-2999）	北京、吉林、湖南、四川、贵州、甘肃、新疆	14
	一般	Ⅱ（1000-1999）	天津、江西、福建、广西、重庆、云南、陕西	14
	轻型	（≦999）	海南、青海、宁夏	3
2005年	超重型	（≧10000）	河北、江苏、辽宁、山东、河南、山西	6
	重型	Ⅰ（6000-9999）	广东、浙江、内蒙古、黑龙江	15
	重型	Ⅱ（3000-5999）	上海、甘肃、贵州、陕西、四川、新疆、云南、安徽、湖北、湖南、吉林	15
	一般	Ⅰ（2000-2999）	北京、福建、天津、广西、江西	7
	一般	Ⅱ（1000-1999）	宁夏、重庆	7
	轻型	（≦999）	海南、青海	2
2010年	超重型	（≧10000）	广东、河北、江苏、辽宁、山东、内蒙古、河南、山西	8
	重型	Ⅰ（6000-9999）	浙江、陕西、四川、新疆、安徽、黑龙江、湖北、湖南	19
	重型	Ⅱ（3000-5999）	福建、上海、天津、甘肃、广西、贵州、宁夏、云南、重庆、吉林、江西	19
	一般	Ⅰ（2000-2999）	北京	2
	一般	Ⅱ（1000-1999）	海南	2
	轻型	（≦999）	青海	1
2015年	超重型	（≧10000）	河北、山西、内蒙古、山东、辽宁、江苏、河南、广东、陕西、新疆	10
	重型	Ⅰ（6000-9999）	吉林、黑龙江、浙江、安徽、湖北、湖南、贵州	17
	重型	Ⅱ（3000-5999）	天津、上海、江西、福建、广西、四川、重庆、云南、甘肃、宁夏	17
	一般	Ⅰ（2000-2999）		2
	一般	Ⅱ（1000-1999）	北京、海南	2
	轻型	（≦999）	青海	1

表3 2000—2015年各省域碳排放全局Moran’sI指数

Tab. 3 Global Moran’s I of provinces carbon emissions from 2000 to 2015

年份	Moran’s I	$Z$ 值	年份	Moran’s I	$Z$ 值
2000	0.2604	3.2610	2008	0.2028	2.6635
2001	0.2701	3.3641	2009	0.1860	2.4677
2002	0.2527	3.1848	2010	0.1906	2.5151
2003	0.2413	3.0590	2011	0.1858	2.4380
2004	0.2355	2.9860	2012	0.1721	2.2939
2005	0.2360	3.0112	2013	0.1608	2.1569
2006	0.2140	2.7758	2014	0.1395	1.9331
2007	0.2090	2.7159	2015	0.1304	1.8425

表3 2000—2015年各省域碳排放全局Moran’sI指数

Tab. 3 Global Moran’s I of provinces carbon emissions from 2000 to 2015

年份	Moran’s I	$Z$ 值	年份	Moran’s I	$Z$ 值
2000	0.2604	3.2610	2008	0.2028	2.6635
2001	0.2701	3.3641	2009	0.1860	2.4677
2002	0.2527	3.1848	2010	0.1906	2.5151
2003	0.2413	3.0590	2011	0.1858	2.4380
2004	0.2355	2.9860	2012	0.1721	2.2939
2005	0.2360	3.0112	2013	0.1608	2.1569
2006	0.2140	2.7758	2014	0.1395	1.9331
2007	0.2090	2.7159	2015	0.1304	1.8425

图3 2000—2015年各影响因素分解效应

Fig. 3 Decomposition effects of various influencing factors from 2000 to 2015

参考文献 22

1	程叶青, 王哲野, 张守志,等.中国能源消费碳排放强度及其影响因素的空间计量. 地理学报, 2013, 68(10):1418-1431.
	Cheng Y, Wang Z, Zhang S, et al. Spatial econometric analysis of carbon emission intensity and its driving factors from energy consumption in China.Acta Geographica Sinica, 2013, 68(10):1418-1431.
2	张雷,黄园淅,李艳梅,等.中国碳排放区域格局变化与减排途径分析.资源科学,2010,32(2):211-217.
	Zhang L, Huang Y, Li Y,et al.An investigation on spatial changing pattern of CO₂ emissions in China.Resources science,2010,32(2):211-217.
3	Wang S,Fang C,Wang Y. Spatiotemporal variations of energy-related CO₂ emissions in China and its influencing factors: An empirical analysis based on provincial panel data. Renewable and Sustainable Energy Reviews, 2016, 55:505-515.
4	赵巧芝, 闫庆友, 赵海蕊. 中国省域碳排放的空间特征及影响因素. 北京理工大学学报：社会科学版, 2018, 20(1):9-16.
	Zhao Q, Yan Q, Zhao H. Research on spatial characteristics and influencing factors of provincial carbon emissions in China. Journal of Beijing Institute of Technology：Social Sciences Edition, 2018, 20(1):9-16.
5	刘贤赵, 高长春, 宋炎,等. 湖南市域化石能源消费碳排放时空格局及驱动因素.生态学报,2017,37(7):2476-2487.
	Liu X, Gao C, Song Y, et al.Temporal-spatial carbon emission patterns caused by fossil energy consumption at the city level in Hunan Province, China and the factors driving their composition.Acta Ecologica Sinica,2017,37(7):2476-2487.
6	严志翰, 任丽燕, 刘永强,等. 浙江省碳排放时空格局及影响因素研究. 长江流域资源与环境, 2017, 26(9):1427-1435.
	Yan Z, Ren L, Liu Y, et al. Spatio-temporal patterns and influencing factors of carbon emissions in Zhejiang Province. Resources and Environment in the Yangtze Basin, 2017, 26(9):1427-1435.
7	孙秀锋, 施开放, 吴健平. 县级尺度的重庆市碳排放时空格局动态. 环境科学, 2018, 39(6):2971-2981.
	Sun X, Shi K, Wu J. Spatiotemporal dynamics of CO₂ emissions in Chongqing: An empirical analysis at the county level. Environmental science, 2018, 39(6):2971-2981.
8	汪菲, 王长建. 新疆能源消费碳排放的多变量驱动因素分析——基于扩展的STIRPAT模型. 干旱区地理, 2017, 40(2):441-452.
	Wang F, Wang C. Examining the driving factors of energy related carbon emissions using the extended STIRPAT model based on IPAT identity in Xinjiang. Arid Land Geography, 2017, 40(2):441-452.
9	万文玉, 赵雪雁, 王伟军,等. 我国农村居民生活能源碳排放的时空特征分析. 生态学报, 2017, 37(19):6390-6401.
	Wan W, Zhao X, Wang W, et al. Analysis of spatio-temporal patterns of carbon emission from energy consumption by rural residents in China. Acta Ecologica Sinica, 2017, 37(19):6390-6401.
10	黄蕊,王铮, 丁冠群,等. 基于STIRPAT模型的江苏省能源消费碳排放影响因素分析及趋势预测. 地理研究, 2016, 35(4):781-789.
	Huang R, Wang Z, Ding G, et al. Trend prediction and analysis of influencing factors of carbon emissions from energy consumption in Jiangsu province based on STIRPAT model. Geographical Research, 2016, 35(4):781-789.
11	邓吉祥, 刘晓, 王铮. 中国碳排放的区域差异及演变特征分析与因素分解. 自然资源学报, 2014, 29(2):189-200.
	Deng J, Liu X, Wang Z. Characteristics analysis and factor decomposition based on the regional difference changes in China’s CO₂ emission.Journal of Natural Resources, 2014, 29(2):189-200.
12	李百吉, 张倩倩. 京津冀地区碳排放因素分解——兼论“新常态”下的变动趋势. 生态经济, 2017, 33(4):19-24.
	Li B, Zhang Q. Decomposition of carbon emission influence factors in Beijing-Tianjin-Hebei Region and its trend in the new normal situation. Ecological Economy, 2017, 33(4):19-24.
13	王长建, 张小雷, 张虹鸥,等. 基于IO-SDA模型的新疆能源消费碳排放影响机理分析. 地理学报, 2016, 71(7):1105-1118.
	Wang C, Zhang X, Zhang H, et al. Influencing mechanism of energy-related carbon emissions in Xinjiang based on IO-SDA model. Acta Geographica Sinica, 2016, 71(7):1105-1118.
14	朱勤, 彭希哲, 陆志明,等. 中国能源消费碳排放变化的因素分解及实证分析. 资源科学, 2009, 31(12):2072-2079.
	Zhu Q, Peng X, Lu Z, et al. Factors decomposition and empirical analysis of variations in energy carbon emission in China.Resources science, 2009, 31(12):2072-2079.
15	苏王新, 孙然好. 中国典型城市群城镇化碳排放的驱动因子. 生态学报, 2018, 38(6):1975-1983.
	Su W, Sun R. Carbon emissions from urbanization in typical urban agglomerations of China:Spatial patterns and drivers. Acta Ecologica Sinica, 2018, 38(6):1975-1983.
16	张雷. 中国一次能源消费的碳排放区域格局变化. 地理研究, 2006, 25(1):1-9.
	Zhang L. A changing pattern of regional CO₂emissions in China. Geographical Research, 2006, 25(1):1-9.
17	李国志, 李宗植. 二氧化碳排放与经济增长关系的EKC检验——对我国东、中、西部地区的一项比较. 产经评论, 2011(6): 139-151.
	Li G, Li Z. EKC test of the relationship between carbon dioxide emissions and economic growth—A comparison of the eastern, central and western regions of China. Sankei Review,2011(6): 139-151.
18	王铮, 吴静.计算地理学. 北京:科学出版社, 2011:55-59.
	Wang Z, Wu J. Computational geography. Beijing Science Press, 2011:55-59.
19	ANG B W. Decomposition analysis for policymaking in energy: which is the preferred method?. Energy Policy, 2004, 32(9):1131-1139.
20	Liu L, Fan Y, Wu G, et al. Using LMDI method to analyze the change of China's industrial CO₂emissions from final fuel use: an empirical analysis. Energy Policy, 2007, 35(11):5892-5900.
21	李艳梅, 张雷, 程晓凌. 中国碳排放变化的因素分解与减排途径分析. 资源科学, 2010, 32(2):218-222.
	Li Y, Zhang L, Cheng X. A decomposition model and reduction approaches for carbon dioxide emissions in China.Resources science, 2010, 32(2):218-222.
22	崔盼盼, 张艳平, 张丽君,等. 中国省域隐含碳排放及其驱动机理时空演变分析. 自然资源学报, 2018, 33(5):879-892.
	Cui P, Zhang Y, Zhang L, et al. Analysis on the spatial and temporal evolution of indirect carbon emissions and its driving mechanism in China. Journal of Natural Resources, 2018, 33(5):879-892.

[1]	徐婧雅, 宋周莺. 中国手机出口的时空格局演变及其影响因素[J]. 世界地理研究, 2023, 32(3): 17-27.
[2]	李连刚, 胡晓辉. 新冠肺炎疫情下中国区域经济韧性时空格局与影响因素分析[J]. 世界地理研究, 2023, 32(3): 64-75.
[3]	林小标, 郑衡泌, 尹上岗, 陆玉麒. 二战后全球宗教多样性时空格局演变及收敛性研究[J]. 世界地理研究, 2023, 32(1): 5-18.
[4]	梁茂林, 彭邦文, 骆华松, 洪菊花. 中国与周边国家地缘经济关系测度与时空格局演变分析[J]. 世界地理研究, 2023, 32(1): 43-53.
[5]	王孟林, 陈瑛, 张婷婷. 中国对美国州层面直接投资时空演变与驱动因素探究[J]. 世界地理研究, 2023, 32(1): 54-66.
[6]	应奎, 李旭东. 中国人口死亡率空间格局演变及其影响因素[J]. 世界地理研究, 2022, 31(2): 440-452.
[7]	王新贤, 高向东. 中国穆斯林人口空间分布及演变特征[J]. 世界地理研究, 2021, 30(6): 1297-1307.
[8]	卢琛, 陈俊华, 任梦茹. 基于ESA遥感影像的伊朗城镇空间时空演变分析[J]. 世界地理研究, 2021, 30(4): 864-872.
[9]	王杰, 李治国, 谷继建. 金砖国家碳排放与经济增长脱钩弹性及驱动因素——基于Tapio脱钩和LMDI模型的分析[J]. 世界地理研究, 2021, 30(3): 501-508.
[10]	黄丽, 林诗琦, 陈静. 中国区域创新能力与能源利用效率的时空耦合协调分析[J]. 世界地理研究, 2020, 29(6): 1161-1171.
[11]	王鑫静, 程钰. 城镇化对碳排放效率的影响机制研究[J]. 世界地理研究, 2020, 29(3): 503-511.
[12]	郑亚楠, 张凤荣, 谢臻, 张天柱, 李超, 王秀丽. 中国粮食生产时空演变规律与耕地可持续利用研究[J]. 世界地理研究, 2019, 28(6): 120-131.
[13]	苏建军, 朱海艳. 中国旅游投资水平的时空格局演变及驱动因素分析[J]. 世界地理研究, 2019, 28(4): 144-155.
[14]	张丽君, 李宁, 秦耀辰, 张晶飞, 王霞. 基于DPSIR模型的中国城市低碳发展水平评价及空间分异[J]. 世界地理研究, 2019, 28(3): 85-94.
[15]	朱邦耀, 白雪, 李国柱, 石丹. 中国创业板上市公司分布时空格局演变[J]. 世界地理研究, 2019, 28(3): 113-122.