环境科学  2014, Vol. 35 Issue (1): 385-393   PDF    
引用本文
汪浩, 陈操操, 潘涛, 刘春兰, 陈龙, 孙莉. 县域尺度的京津冀都市圈CO2排放时空演变特征[J]. 环境科学, 2014, 35(1): 385-393.
WANG Hao, CHEN Cao-cao, PAN Tao, LIU Chun-lan, CHEN Long, SUN Li. County Scale Characteristics of CO2 Emission’s Spatial-Temporal Evolution in the Beijing-Tianjin-Hebei Metropolitan Region[J]. Environmental Science, 2014, 35(1): 385-393.
县域尺度的京津冀都市圈CO2排放时空演变特征
汪浩, 陈操操, 潘涛, 刘春兰, 陈龙, 孙莉    
北京市环境保护科学研究院, 国家城市环境污染控制工程技术研究中心, 北京 100037
收稿日期: 2013-5-15; 修订日期: 2013-7-16.
基金项目： 国家自然科学基金项目（41001380）；北京市自然科学基金项目（8122023）；北京市科技新星计划项目（2010B023）；中国清洁发展机制基金赠款项目（1213075）；北京市环科院科技基金项目（2013-A-04）
作者简介：汪浩（1985~），男，硕士研究生，主要研究方向为区域温室气体和气候变化，E-mail：carokt@163.com
通讯联系人,E-mail:ecoduron@163.com
摘要：二氧化碳排放具有阶段性空间分布特征，研究其区域特征和格局演变可为减排提供重要的依据和方向. 利用1990~2009年京津冀都市圈128个县级区域的二氧化碳排放量数据，运用比较统计地图和空间自相关分析方法对都市圈的二氧化碳排放的空间格局和空间依赖性进行研究. 结果表明，京津冀都市圈二氧化碳排放量逐年增加，2002年之后的平均增速是2002年之前的1.8倍. 各市二氧化碳排放增长趋势不一，呈三类变化趋势. 都市圈二氧化碳排放格局呈现较明显的分层聚集现象，全局Moran指数先由1.44降低至1998年的0.09后缓慢回升至0.10，二氧化碳排放高值区域空间分布由“双中心”发展至“四中心”，低值区域变化较小. 局部空间自相关性则呈现了4种类型的变化：大部分区域基本保持不变或减弱，唐山等地增强，天津部分区域和宣化县转变. 高值中心和低值区域的空间自相关演变过程并不相同，在制定减排规划时需要因地制宜，适当考虑周边区域的相互作用. 空间格局和空间自相关关系的探讨对于认识京津冀都市圈二氧化碳排放的空间规律和制定减排战略规划具有重要意义，也为都市圈低碳发展研究提供了基础.
关键词： 县级区域     空间格局     比较统计地图     空间自相关分析     二氧化碳排放    
County Scale Characteristics of CO2 Emission’s Spatial-Temporal Evolution in the Beijing-Tianjin-Hebei Metropolitan Region
WANG Hao, CHEN Cao-cao, PAN Tao, LIU Chun-lan, CHEN Long, SUN Li    
Beijing Municipal Research Institute of Environmental Protection, National Urban Environmental Pollution Control Engineering Research Center, Beijing 100037, China
Abstract: CO2 emission spatial distribution is characterized by stages. The study on regional distribution characteristics and evolution can supply important evidence for CO2 emission reduction. Based on CO2 emission data of 128 county areas in the Beijing-Tianjin-Hebei Metropolitan Region (BTHMR)from 1990 to 2009, the spatial pattern and spatial dependence of CO2 emission were discussed by using cartogram and spatial autocorrelation analysis methods. The results show that the total emission of CO2 increased year by year. Average annual growth of CO2 emission after 2002 was 3.7 times higher than before. Different cities have different emission growth trends which can be categorized into three types. The spatial pattern of CO2 emission appeared to be the layered cluster. The Global Moran'I decreased from 1.44 in 1990 to 0.09 in 1998 and then increased slowly to 0.10 in 2009. The spatial distribution of high CO2 emission area changed from ‘Double Centers’ into ‘Four Centers’ and the spatial distribution of low CO2 emission area changed less. There were four different change types of local spatial autocorrelation: remaining unchanged or weakening in most regions, enhancing in some regions of Tangshan, transforming in some regions of Tianjin and Xuanhua county. Since the spatial pattern and autocorrelation in low/high CO2 emission area bear different evolution process, the local conditions and interactions with perimeter zones should be considered when formulating emission reduction plan. The discussion of spatial pattern and autocorrelation is very important for understanding spatial evolution pattern of CO2 emission and developing strategic emission reduction planning, and also provides a base for the study on low carbon development in metropolitan area.
Key words: county area     spatial pattern     cartogram     spatial autocorrelation analysis     CO2 emission    

工业革命以来，人类活动排放了大量的温室气体，导致最近几十年来全球变暖，很可能引发全球范围环境灾难[1]，成为各国政府和科学界关注的焦点. 为了避免由全球变暖造成的巨大的负面影响，各国政府已经在联合国气候变化公约的框架下开展政府合作，以减少人为温室气体排放. 中国已经提出了2020年单位GDP碳排放比2005年降低40%~45%的目标，这不仅需要从全局角度考虑二氧化碳排放的影响，更应该从区域格局把握[2， 3]. 一方面原因是区域为全球二氧化碳排放的最大组成部分，在应对和适应气候变化中发挥着关键作用，另一方面，从区域的角度制定减排政策更具针对性和可操作性[4， 5]. 要把握区域二氧化碳排放特征，不仅需要分析其分布特点，还需要对其在区域间相互作用的依赖性和异质性进行研究[6].

区域空间依赖性和异质性研究有助于深入理解区域空间结构特征和演变趋势[7]，是地理学和社会学研究的焦点[8， 9]，现有研究多通过空间自相关分析实现[10, 11, 12]. 国内外有关温室气体空间自相关研究以挖掘空间分布及演变特征为主. 例如，Zhou等[13]利用空间自相关分析对美国各产业县级尺度的二氧化碳排放分布特征进行对比分类； Antczak等[14]发现欧洲国家大气污染物中的二氧化硫和二氧化碳的空间自相关性最强，空间联系随距离增长而减弱； Huang等[15]指出中国城市的二氧化碳排放强度具有显著的空间依赖性，经济权重将加强相邻省份的空间依赖性； Chuai等[16]指出中国省域尺度的二氧化碳排放存在极化现象，H-H聚集有所扩展，L-L聚集有所缩小； 龙家勇等[17]发现中国呈中东部二氧化碳排放高而西部低的空间聚集现象，且差距逐渐扩大； 赵雲泰等[3]得出中国碳排放强度在东部和南部沿海地区呈现低值空间集聚，高值空间集聚区域由大西北转至黄河中游和东北地区. 另一方面研究多通过空间自回归模型分析空间影响及驱动因素. 综合现有研究，影响二氧化碳排放的空间分布的主要因素有：产业结构和人口增长[18]，经济增长[19]，国内生产总值和人口数量[16， 20， 21]，经济发展水平和经济结构[22， 23]. 影响二氧化碳排放强度空间分布的主要因素有：外国直接投资[24]，研究与开发费用占比和出口占比[25]. 从总体上看，现有研究都多在国家为整体的省、 市尺度，研究尺度较大，二氧化碳排放数据较粗，不确定性较强，难以精准地反映区域格局特征，不适合区域政策的制定. 而对区域的二氧化碳排放格局研究来说，细化到县域尺度才可提高针对性和出台政策的可操作性.

京津冀、 长三角和珠三角组成我国三大都市圈，属于资源消耗密集型区域. 三大都市圈占全国6.3%的国土面积，却消耗了全国40%的煤炭、 生产了50%的钢铁[26]. 另外，都市圈也是气候变化影响的脆弱敏感地区[27]. 随着城市化水平的不断提高[28， 29]，都市圈将承担更大的减排压力. 包括人口[30， 31]、 能源消耗[32]和技术[33]等因素的物质流不仅使城市紧密联系，还会对都市圈二氧化碳排放格局产生影响. 因此，选择都市圈进行区域二氧化碳排放空间自相关分析较为合理，符合政策需求.

综上所述，本研究拟绘制比较统计地图，并使用空间自相关分析方法，以京津冀都市圈为研究对象，基于县级尺度开展从1990~2009年的二氧化碳排放的时空特征分析，从而探讨二氧化碳排放转移趋势和方向，以期为减排政策和规划提供参考.

1 材料与方法
1.1 研究区域概况

京津冀都市圈(Beijing-Tianjin-Hebei Metropolitan Region，BTHMR)包括北京市、 天津市和河北省的石家庄、 唐山、 秦皇岛、 保定、 张家口、 承德、 沧州、 廊坊这10个地市，行政区域面积为18.34×104 km2，人口接近9 000×104人(截止2010年底). 改革开放以来的发展，形成了以北京和天津为经济核心，以河北的石家庄、 唐山、 保定、 秦皇岛、 廊坊、 沧州、 承德、 张家口这8市为原材料和各种矿产资源供应地以及重要交通枢纽的格局.

1.2 二氧化碳排放计算方法和数据来源
1.2.1 二氧化碳排放计算方法

县级尺度的统计信息不健全，各类能源消耗数据难以获取. 在参考已有研究的基础上[34, 35, 36, 37, 38, 39]，本研究采用人口占比分配的方法，结合ArcGIS空间数据，将市级二氧化碳排放量自上而下分配至128个(部分整合)县级区域. 市级二氧化碳排放量利用排放系数法计算[32]，选择原煤、 石油、 天然气、 电力消费实物量和本地排放因子计算，提高二氧化碳排放量计算精度. 为避免电煤的重复计算，剔除了原煤消费中用于发电和供热的消耗量.

1.2.2 数据来源

本研究能源消费数据和人口数据源于北京、 天津、 石家庄、 唐山等10市1990~2009年的统计年鉴、 《新中国60年统计资料汇编》，唐山、 保定、 廊坊、 沧州、 张家口、 秦皇岛的部分年份统计资料缺失，取其前后两年的滑动平均值代替. 在排放因子选择上，北京和天津的技术水平较高并类似，排放因子采用地方温室气体清单账户研究中的取值[40]； 河北各市的排放因子来自国家发改委能源所编制的《省级温室气体清单编制指南(试行)》[41]，外调电排放系数选择2010年中国华北区域电网基准线排放系数.

1.3 研究方法

空间自相关性量度的指标和方法包括Moran指数[42， 43]和G系数[44]，局部Moran分析[45， 46]和局部G系数分析[11， 47]. 本研究选用全局和局部Moran指数分析方法. 全局Moran指数I用以研究区域整体自相关情况，具体表达式如公式(1).

式中，It是第t年的全局Moran指数，取值范围[-1，1]，大于0表示区域观察值存在空间正相关，呈聚集分布，小于0表示区域观察值存在空间负相关，呈离散分布，越靠近取值范围两端其自相关关系越强烈，等于0表示区域无空间自相关性，呈随机分布； n为研究地区数； Yti是第t年i地区的观察值； 为观察值的平均值，是二进制空间邻近权值，邻近取1，非邻近取0.

全局自相关分析只能了解总体空间自相关情况，会掩盖局部状态的不稳定性[48]，需要通过局部自相关分析对观察值的局域空间集群及其自相关程度进行分析. 通过局部Moran指数和LISA散点图进行分析. 局部Moran指数计算公式见(2).

LISA散点图分为4个象限，分别代表4种局域分布形式. 第1象限代表高观察值的区域单元被同是高观察值的区域所包围(高-高分布，H-H)； 第2象限代表低观察值的区域单元被高观察值的区域所包围(低-高分布，L-H)； 第3象限代表低观察值的区域单元被同是低观察值的区域所包围(低-低分布，L-L). 第4象限代表高观察值的区域单元被低观察值的区域所包围(高-低分布，H-L).

计算Moran指数后，需要进行显著性分析，以保证在一定概率下的正确性.

式中，E(I)表示Moran指数I的数学期望，VAR(I)表示方差. 置信度达到95%(显著水平5%)，Z(I)大于1.96或小于-1.96分别表示较强的正或负空间自相关相关，Z(I)在[-1.96， 1.96]区间内则表示自相关不明显. 而在99%的置信度(显著水平1%)下， Z(I)值在[-2.58， 2.58]区间之外表现较强的正或负空间自相关.

2 结果与分析
2.1 区域二氧化碳排放特征及空间格局演变

研究结果表明， 1990~2009年，京津冀都市圈总的二氧化碳排放总量由1990年的16 035万t逐年增长到2009年的71 952万t，年均增长率8.1%. 其中， 1990~2002年的二氧化碳排放速度增长较慢，年均增长率为6.3%， 2002年之后的二氧化碳排放增速加快，年均增长率达到11.3%，是2002年之前的1.8倍. 京津冀都市圈中10市的二氧化碳排放呈现不同的变化趋势(图 1)，根据增长速度和二氧化碳排放量变化的差异可以分成三类：①中低速增长，初始排放量大，后期维持高排放，代表城市为北京(年均增长率6.2%)、 天津(年均增长率3.3%)； ②高速增长，初期中等排放，后期高排放，代表城市为沧州(年均增长率13.3%)、 石家庄(年均增长率12.7%)、 唐山(年均增长率10.3%)； ③中高速增长，初期低排放，后期维持较低排放，代表城市为廊坊(年均增长率12.3%)、 张家口(年均增长率9.9%)、 秦皇岛(年均增长率9.8%)、 承德(年均增长率8.4%)、 保定(年均增长率7.2%). 其中，增长最为显著的是唐山和石家庄，其二氧化碳排放量分别于2006年和2008年达到与北京同等水平.

图 1 1990~2009年京津冀都市圈10市二氧化碳排放

Fig. 1 Cities CO2 emission in the BTHMR from 1990 to 2009

为展现和分析都市圈二氧化碳排放量的空间格局及其演变过程，利用比较统计地图(Cartogram)[49] 展现1990~2009年主要年份的县域二氧化碳排放量(图 2). 比较统计地图能在不改变地图中区域拓扑关系且整个目标区域的总面积保持不变的前提下，利用分区域面积的扭曲变化(分区域面积的大小与属性值的大小呈正比)强烈表达观察值信息. 可以看出，京津冀都市圈的二氧化碳排放格局呈现明显的聚集现象，即高排放区域和低排放区域都较为集中. 高排放中心由1990年的北京-天津“双中心”发展成2009年的北京-天津-唐山-石家庄“四中心”. 低排放区域围绕中心分布. 北京和天津的表示面积逐年萎缩，二氧化碳排放占区域总的比重不断减小.

图 2 1990~2009年京津冀都市圈二氧化碳排放量比较统计地图

Fig. 2 Cartograms of CO2 emission in the BTHMR from 1990 to 2009

而唐山、 石家庄、 沧州各区县的表示面积逐年增大，二氧化碳排放占区域总排放的比重不断增加. “双中心”1990年和2009年二氧化碳排放量占总比分别约为30%和18%，“四中心”1990年和2009年二氧化碳排放量占总比分别约为34%和26%. 不论是“双中心”还是“四中心”其占总排放量比例都在下降，都市圈二氧化碳排放呈现多点发散式增长.

北京第三产业为区域主导且逐渐加强. 虽然第三产业具有低碳排放的特点，但其经济总量的提升依然会推动碳排放量的增加[50]. 同时，北京第二产业能耗依然占较大比重[51]，而且对二氧化碳排放增长贡献最大[52]. 天津的第二产业和第三产业比重都逐年增大，且第二产业能源消费碳排放持续较高增长[53]. 由此看来，北京和天津两中心的第二产业持续高能耗和第三产业经济总量的增长致使其维持区域较高二氧化碳排放.

京津冀都市圈产业趋同[54， 55]而经济趋异[56， 57]，且存在产业断链[58]，地区间的竞争大于协作[59]，导致高耗能、 高排放产业的的重复建设，高排放区域增多. 在“双中心”外围的唐山、 石家庄和沧州的第二产业具有区域优势(2008年第二产业增加值位于河北8市前三位)且分别占当地生产总值的50%以上[60]，而第二产业产值与能源消费互为因果[61]，可解释三地的二氧化碳排放占区域总排放的比重逐渐增大的现象.

2.2 全局自相关分析

由于K最近点权重(K-nearest neighbors weight matrix)的计算结果较为稳定和可信[62]，选其作为Wij权重取值方法. 分别计算K为4~8的空间自相关，发现K≥6时，Moran指数较为稳定，因此选择K=6进行分析.
由表 1可见， 1990~2009年全局Moran指数处于[0.090 9， 0.143 9]区间，且都通过1%的显著性检验，即具有显著的正空间相关性和潜在的空间依赖性，空间因素对二氧化碳排放的影响一致，表现出聚集效应，与比较统计地图的初步分析结果一致. 从时间上看， 1990~2003年，It值呈下降趋势，聚集效应减弱，都市圈二氧化碳排放呈现一定的空间分散趋势； 2003~2009年，It值小幅回升，聚集效应有所增强.

表 1 1990~2009年京津冀都市圈二氧化碳排放全局Moran指数 Table 1 Moran's I of the BTHMR CO2 emission from 1990 to 2009
2.3 局部自相关分析

运用LISA图和Moran散点图分析二氧化碳排放的局部空间自相关变化特征. 从1990~2009年的LISA图(图 3)看出，具有显著空间自相关的区县维持在29~41个之间. 门头沟区、 怀柔区、 延庆县、 宣化县等少部分地区呈现负空间相关效应，其余显著空间自相关地区呈现正空间相关效应. 其中，H-H区域分布在北京、 天津、 唐山的区县； L-L区域主要包括保定、 沧州、 张家口和承德的部分区县； H-L区域为张家口宣化县； L-H区域为北京的三区(门头沟区、 怀柔区、 延庆县)及天津和唐山部分地区. 以北京中部6区(东城区、 西城区、 海淀区、 朝阳区、 丰台区、 石景山区)为中心，可以看到较为明显的分层聚集现象，即H-H区域在中心相互作用，向外辐射至L-H区域，再向外至L-L区域. 这与经济学中的“极化-扩散”效应相似：中心区域更易集中和消耗更多的资源，二氧化碳排放高； L-H区域不断向H-H区域输送资源，自身的消耗较低，二氧化碳排放也少，但在接收中心区域溢出的技术、 人才等发展因素时相互之间存在竞争关系，由此相互产生负向影响； 外圈的L-L区域难以接收到中心溢出的技术、 资本等资源而保持较低的发展，形成极核之间的低排放腹地. 董冠鹏等[63]、 孙铁山等[64， 65]研究指出京津冀都市圈的经济、 人口有明显的聚集现象，且在这一时间段内聚集性和依赖性有所增强，经济差异扩大，人口存在多中心集聚和腹地扩散现象，可解释H-H，L-H区域的形成. 马国霞等[66]研究发现京津两市与河北之间的经济差距随时间呈逐渐扩大趋势，且存在断层现象，与二氧化碳排放L-L区域相吻合.

图 3 1991~2009年京津冀都市圈二氧化碳排放量LISA图

Fig. 3 LISA cluster maps of CO2 emission in the BTHMR from 1991 to 2009

从时间序列上看，局部空间自相关性的变化有以下几类(通过5%的显著性检验的地区)：①基本保持不变. H-H：房山区、 顺义区、 昌平区、 大兴区； L-L：保定市市辖区、 满城县、 清苑县、 徐水县、 定兴县、 唐县、 涞源县、 望都县、 易县、 蠡县、 顺平县、 博野县、 安国市、 高碑店市、 承德县、 围场满族蒙古族自治县、 霸州市、 张北县、 康保县、 隆化县； L-H：门头沟区、 怀柔县、 延庆县. ②空间自相关性增强. 从弱空间自相关性变为H-H区域：丰南区、 滦县、 丰润区、 迁西县； 从弱空间相关性变为L-L区域：滦平县、 赤城县； 从空间弱相关变为L-H区域：唐海县. ③空间自相关性减弱. 从H-H区域变为弱空间自相关：津南区、 滨海新区、 北京中6区、 天津中6区； 从L-L区域变为弱空间自相关：雄县、 安新县、 容城县、 任丘市、 沽源县、 尚义县、 张家口中部三区. ④空间自相关性转变. 由H-H区域转变成L-H区域再变为弱空间自相关：东丽区、 西青区、 北辰区； 由L-L区域变为H-L区域：宣化县.

比对全局自相关性演变趋势，天津区县、 宣化县的空间自相关性的转变以及部分地区空间自相关性减弱可以解释全局空间自相关性的减弱，唐山2005年之后增强的正空间自相关性对全局空间自相关性的回升起到一定作用.

天津和北京同属高排放地区，但两者二氧化碳排放空间格局演变迥异. 天津在2000年之前存在显著的正空间相关性，但其后转变为负的空间相关性，到2005年以后空间自相关性减弱为不显著. 而北京地区的空间自相关性基本不变和减弱. 在比较统计地图中，除天津中部6区(和平区、 河西区、 南开区、 河东区、 河北区、 红桥区)外， 2009年大部分区县的二氧化碳排放量未超过1 000万t，周边区县的二氧化碳排放得到了控制，自相关性转变. 这与经济、 人口的聚集现象相反，说明可能存在技术进步、 产业结构升级等其他因素对天津地区的二氧化碳排放产生负影响. 张家口宣化县的空间自相关性也转变较大，由低值正影响区域变成高值负影响区域，可见其二氧化碳的排放增长极快，处在极核形成的初始阶段.

石家庄和唐山两个高排放中心的空间自相关性变化不同：石家庄地区不具有显著的空间自相关性， 2005年之后的LISA聚集图显示，唐山区县表现出较强的正空间自相关性. 这一区别反映出两市的二氧化碳排放特征差异较大. 分析两市中心以外县级行政单位，可见唐山市周边大部分区县在2005年二氧化碳排放量超过1 000万t，而石家庄市周边大部分县市二氧化碳排放量到2009年仍低于1 000万t，可见石家庄二氧化碳排放更为集中，但带动周边县市增长的作用并不强烈. 唐山则存在一定的空间影响因素致使其辖区、 县具备较强的正空间自相关性. 徐勇等[67]指出京津对唐山方向有经济拉动效应，对其它地市的带动辐射力度尚较小. 首钢、 北京焦化厂等高耗能产业在2002年之后往唐山地区迁移，亦可解释唐山地区更易接受其扩散资源，逐渐成为H-H区域.

3 讨论

对比以全国为整体的省域尺度研究和本研究，两者差异较大. 从全局自相关看，不同研究者得出的全国二氧化碳排放Moran指数不同，如马军杰等[23]得出的全局Moran指数在[0.08， 0.33]区间(1990~2006年)； 郑长德等[19]得出的全局Moran指数在[0.16， 0.18]区间(2005~2008年)； 龙家勇[17]得出的全局Moran指数在[0.13， 0.20]区间(2000~2008年)； Chuai等[16] 得出的全局Moran指数在0.20以上(1997~2009年)； 蔡博峰[21]得出2008年的全局Moran指数为0.27. 总的来说，全国二氧化碳排放具有比京津冀都市圈二氧化碳排放更强的正空间自相关性，聚集效应更强. 从局部自相关看，Chuai等[16]的研究指出，北京、 天津两地不存在显著自相关性，河北属于H-H区域，而马军杰等[23]探测出北京、 天津为L-H区域，河北属于H-H区域. 但县域尺度的京津冀都市圈研究中，北京同时存在H-H和L-H区域，天津存在H-H区域并有所转变，河北大部分地区属L-L或不显著地区. 产生差异的原因可能有两点，一是研究尺度不同、 空间依赖对象不同导致自相关性不同； 二是精度差异，省域尺度的研究对区域二氧化碳排放空间特征的探测情况不理想.

4 结论

(1)1990~2009年，京津冀都市圈的二氧化碳排放量增速逐年加快，成多点发散式增长. 都市圈中10市具有三类变化趋势：中低速增长，初始排放量大，后期维持高排放； 高速增长，初期中等排放，后期高排放； 中高速增长，初期低排放，后期维持较低排放.

(2) 京津冀都市圈的二氧化碳排放格局呈现明显的聚集现象. 如以北京中6区为中心的二氧化碳排放，呈现较明显的“H-H中心、 L-H、 L-L”分层聚集现象. 京津冀都市圈的二氧化碳排放聚集效应经历了缓慢减弱再缓慢增强的过程. 1990~2009年的局部空间自相关性则呈现了4种类型的变化：基本保持不变，空间自相关性增强或减弱和空间自相关性转变. 排放高值区域由1990年的北京-天津“双中心”发展为2009年的北京-天津-石家庄-唐山“四中心”，低值区域变化较小.

(3)北京、 天津、 石家庄、 唐山在后期都属高值中心，但其二氧化碳排放空间自相关演变过程并不相同，可指导二氧化碳减排规划的制定. 北京、 天津处于较发达地区，不仅对中心区域，还应对周边区县加强其减排力度，并加快节能减排技术的扩散，发挥其技术优势； 天津的二氧化碳排放控制较好，在技术扩散等负向因素上必有北京可以借鉴的地方； 石家庄、 唐山地区处于快速发展阶段，在接受较多的资源、 产业等的同时需要衡量自身承载力，合理规划布局，加强节能减排的技术引进，合力控制二氧化碳排放增长.

(4)将比较统计地图和空间自相关分析结合可以对二氧化碳排放的空间格局及其演变进行很好的诠释. 比较统计地图中的联接成片的高值区域或低值区域不一定都具有空间自相关性，而LISA聚集图可对其进行检验分析，找出具有空间依赖性的区域.

参考文献
[1] Intergovernmental Panel on Climate Change. Climate change 2007: The physical science basis[R]. United Kingdom: Cambridge University Press, 2007.
[2] 张雷. 中国一次能源消费的碳排放区域格局变化[J]. 地理研究, 2006, 25 (1): 1-9.
[3] 赵雲泰, 黄贤金, 钟太洋, 等. 1999-2007年中国能源消费碳排放强度空间演变特征[J]. 环境科学, 2011, 32 (11): 3145-3152.
[4] Fleming P D, Webber P H. Local and regional greenhouse gas management[J]. Energy Policy, 2004, 32 (6): 761-771.
[5] 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[J]. 资源科学, 2010, 32 (2): 211-217.
[6] Odland J. Spatial autocorrelation[M]. California: Sage Publication, 1988. 1-87.
[7] 孟斌, 王劲峰, 张文忠, 等. 基于空间分析方法的中国区域差异研究[J]. 地理科学, 2005, 25 (4): 393-400.
[8] Anselin L. The future of spatial analysis in the social sciences[J]. Geographic Information Sciences, 1999, 5 (2): 67-76.
[9] Goodchild M F, Anselin L, Appelbaum R P, et al. Toward spatially integrated social science[J]. International Regional Science Review, 2000, 23 (2): 139-159.
[10] Rossi R E, Mulla D J, Journel A G, et al. Geostatistical tools for modeling and interpreting ecological spatial dependence[J]. Ecological Monographs, 1992, 62 (2): 277-314.
[11] Longley P, Batty M. Spatial analysis: modelling in a GIS environment[M]. New York: John Wiley & Sons, 1996.
[12] Dormann C F, McPherson J M, Araújo M B, et al. Methods to account for spatial autocorrelation in the analysis of species distributional data: a review[J]. Ecography, 2007, 30 (5): 609-628.
[13] Zhou Y Y, Gurney K R. Spatial relationships of sector-specific fossil fuel CO2 emissions in the United States[J]. Global Biogeochemical Cycles, 2011, 25 (3): GB3002.
[14] Antczak E, Suchecka J. Application of spatial panel autoregressive models to sustainable development[J]. Acta Universitatis Lodziensis, Folia Oeconomica, 2011, 252: 21-44.
[15] Huang B, Meng L. Convergence of per capita carbon dioxide emissions in urban China: A spatio-temporal perspective[J]. Applied Geography, 2013, 40: 21-29.
[16] Chuai X W, Huang X J, Wang W J, et al. Spatial econometric analysis of carbon emissions from energy consumption in China[J]. Journal of Geographical Sciences, 2012, 22 (4): 630-642.
[17] 龙家勇, 吴承祯, 洪伟, 等. 中国省域二氧化碳排放量的空间自相关分析[J]. 生态经济, 2011, (10): 49-53.
[18] Su F L, Song B Y. Spatial econometric analysis of carbon consumption of Chinese Provinces[A]. In: Proceedings of the 2010 Asia-Pacific Power and Energy Engineering Conference [C]. Chengdu: Institute of Electrical and Electronics Engineers, 2010. 1-4.
[19] 郑长德, 刘帅. 基于空间计量经济学的碳排放与经济增长分析[J]. 中国人口·资源与环境, 2011, 21 (5): 80-86.
[20] Chen Z, Lao S Q, You J X, et al. Study on spatial panel analysis of inter-provincial carbon emissions based on STIRPAT model in China[A]. In: Proceedings of the 2010 International Conference on Digital Manufacturing and Automation (ICDMA)[C]. Institute of Electrical and Electronics Engineers, 2010. 535-538.
[21] 蔡博峰. 基于0.1°网格的中国城市CO2排放特征分析[J]. 中国人口·资源与环境, 2012, 22 (10): 151-157.
[22] Ma J J, Liu X, You J X, et al. Spatial econometric analysis of China's provincial CO2 emissions[A]. In: Proceedings of the 2009 International Joint Conference on Computational Sciences and Optimization[C]. Sanya, Hainan: Institute of Electrical and Electronics Engineers, 2009. 452-456.
[23] 马军杰, 陈震, 尤建新. 省域一次能源CO2排放的空间计量经济分析[J]. 技术经济, 2010, 29 (12): 62-67.
[24] 姚奕, 倪勤. 中国地区碳强度与FDI的空间计量分析——基于空排间面板模型的实证研究[J]. 经济地理, 2011, 31 (9): 1432-1438.
[25] Cole M A, Elliott R J R, Okubo T, et al. The carbon dioxide emissions of firms: A spatial analysis[J]. Journal of Environmental Economics and Management, 2012, 65 (2): 290-309.
[26] 周生贤. 国务院关于大气污染防治工作进展情况的报告[R]. 中华人民共和国环境保护部, 2009. 1-3.
[27] 董锁成, 陶澍, 杨旺舟, 等. 气候变化对我国中西部地区城市群的影响[J]. 干旱区资源与环境, 2011, 25 (2): 72-76.
[28] 汝信, 陆学艺, 李培林, 等. 社会蓝皮书: 2012年中国社会形势分析与预测[M]. 北京: 社会科学文献出版社, 2011. 99-125.
[29] United Nations Department of Economic and Social Affairs. World urbanization prospects. The 2009 Revision. Highlights[R]. Population Division, United Nations Department of Economic and Social Affairs, New York, NY, USA, 2010. 1-47.
[30] Dietz T, Rosa E A. Effects of population and affluence on CO2 emissions[J]. Proceedings of the National Academy of Sciences of the United States of America, 1997, 94 (1): 175-179.
[31] Shi A. The impact of population pressure on global carbon dioxide emissions, 1975-1996: evidence from pooled cross-country data[J]. Ecological Economics, 2003, 44 (1): 29-42.
[32] Houghton J T, Ding Y, Griggs D J, et al. Climate change 2001: Impacts, Adaptation and Vulnerability. IPCC Third assessment report[R]. Cambridge: Cambridge University Press, 2001. 1-1032.
[33] Halmann M M, Steinberg M. Greenhouse gas carbon dioxide mitigation: science and technology[M]. Cleveland, Ohio: Chemical Rubber Company Press, 1999. 1-568.
[34] Marland G, Rotty R M, Treat N L. CO2 from fossil fuel burning: Global distribution of emissions[J]. Tellus. Series B, Chemical and Physical Meteorology, 1985, 37B (4-5): 243-258.
[35] Andres R J, Marland G, Fung I, et al. A 1°×1°distribution of carbon dioxide emissions from fossil fuel consumption and cement manufacture, 1950-1990[J]. Global Biogeochemical Cycles, 1996, 10 (3): 419-429.
[36] Peylin P, Houweling S, Krol M C, et al. Importance of fossil fuel emission uncertainties over Europe for CO2 modeling: model intercomparison[J]. Atmospheric Chemistry & Physics Discussions, 2009, 9 (2): 7457-7503.
[37] Van Aardenne J A, Dentener F J, Olivier J G J, et al. The EDGAR 3.2 fast track 2000 dataset (32FT2000)[DB/OL]. http://themasites.pbl.nl/tridion/en/themasites/edgar/emission_data/edgar_32ft2000/index-2.html, 2010. 1-12.
[38] Pregger T, Scholz Y, Friedrich R. Documentation of the anthropogenic GHG emission data for Europe provided in the frame of Carbo Europe GHG and CarboEurope IP[R]. Final Report. Institute of Energy Economics and the Rational Use of Energy, University of Stuttgart, 2007. 1-37.
[39] Ciais P, Paris J D, Marland G, et al. The European carbon balance. Part 1: fossil fuel emissions[J]. Global Change Biology, 2010, 16 (5): 1395-1408.
[40] 蔡博峰, 刘春兰, 陈操操, 等. 北京市温室气体排放系数及排放量核算[R]. 北京: 北京市环境保护科学研究院, 2008.
[41] 中华人民共和国国家发展和改革委员会能源所. 省级温室气体清单编制指南(试行)[R]. 中华人民共和国国家发展和改革委员会, 2011. 1-120.
[42] Moran P A P. The interpretation of statistical maps[J]. Journal of the Royal Statistical Society B, 1948, 10 (2): 243-2511.
[43] Moran P A P. Notes on continuous stochastic phenomena[J]. Biometrika, 1950, 37 (1-2): 17-23.
[44] Geary R C. The contiguity ratio and statistical mapping[J]. The Incorporated Statistician, 1954, 5 (3): 115-127, 129-146.
[45] Anselin L. Local indicators of spatial association-LISA[J]. Geographical Analysis, 1995, 27 (2): 93-115.
[46] Anselin L. The Moran scatterplot as an ESDA tool to assess local instability in spatial association[A]. In: Spatial Analytical Perspectives on GIS[M]. London: Taylor & Francis, 1996. 111-125.
[47] Ord J K, Getis A. Local spatial autocorrelation statistics: distributional issues and an application[J]. Geographical Analysis, 1995, 27 (4): 286-306.
[48] Getis A, Ord J K. The analysis of spatial association by use of distance statistics[J]. Geographical Analysis, 1992, 24 (3): 189-206.
[49] Gastner M T, Newman M E J. Diffusion-based method for producing density-equalizing maps[J]. Proceedings of the National Academy of Sciences of the United States of America, 2004, 101 (20): 7499-7504.
[50] 卢愿清, 史军. 中国第三产业能源碳排放影响要素指数分解及实证分析[J]. 环境科学, 2012, 33 (7): 2528-2532.
[51] 樊艳云. 北京市产业结构变动对能源消费影响研究[D]. 北京: 北京化工大学, 2010. 1-65.
[52] 刘春兰, 陈操操, 陈群, 等. 1997年至2007年北京市二氧化碳排放变化机理研究[J]. 资源科学, 2010, 32 (2): 235-241.
[53] 郭彩霞, 邵超峰, 鞠美庭. 天津市工业能源消费碳排放量核算及影响因素分解[J]. 环境科学研究, 2012, 25 (2): 232-239.
[54] 张凯. 京津冀地区产业协调发展研究[D]. 武汉: 华中科技大学, 2007.
[55] 郭文. 三大经济区域产业结构与经济增长关系的实证研究[D]. 厦门: 厦门大学, 2007.
[56] 孙久文, 邓慧慧. 京津冀区域趋同的实证分析[J]. 地理与地理信息科学, 2006, 22 (5): 60-63.
[57] 武剑. 基于ESDA和CSDA的京津冀区域经济空间结构优化分析[D]. 长沙: 湖南大学, 2009.
[58] 穆岩. 基于区域经济发展的京津唐产业结构调整研究[D]. 北京: 北京交通大学, 2008.
[59] 张子麟, 武建奇. 京津冀地区产业协作存在的问题与发展方向[J]. 经济与管理, 2007, 21 (2): 8-12.
[60] 河北省统计局. 新河北60年[M]. 北京:中国统计出版社, 2009.
[61] 郭志军, 李飞, 覃巍. 中国产业结构变动对能源消费影响的协整分析[J]. 工业技术经济, 2007, 26 (11): 97-101.
[62] 徐彬. 空间权重矩阵对Moran's I指数影响的模拟分析[D]. 南京: 南京师范大学, 2007. 1-36.
[63] 董冠鹏, 郭腾云, 马静. 京津冀都市区经济增长空间分异的GIS分析[J]. 地球信息科学学报, 2010, 12 (6): 797-805.
[64] 孙铁山, 李国平, 卢明华. 基于区域密度函数的区域空间结构与增长模式研究——以京津冀都市圈为例[J]. 地理科学, 2009, 29 (4): 500-507.
[65] 孙铁山, 李国平, 卢明华. 京津冀都市圈人口集聚与扩散及其影响因素——基于区域密度函数的实证研究[J]. 地理学报, 2009, 64 (8): 956-966.
[66] 马国霞, 田玉军, 石勇. 京津冀都市圈经济增长的空间极化及其模拟研究[J]. 经济地理, 2010, 30 (2): 177-182.
[67] 徐勇, 马国霞, 郭腾云. 区域经济增长时空分异模拟方法——以京津冀都市圈为例[J]. 地理科学, 2007, 27 (6): 749-755.