2023, Vol. 44
2. 河北工业大学建筑与艺术设计学院, 天津 300130
2. School of Architecture and Art Design, Hebei University of Technology, Tianjin 300130, China
2020年9月, 习近平总书记提出了“碳达峰、碳中和”的目标.“双碳”目标的实现既要基于“全国一盘棋”的统筹布局, 更要考虑政策和具体措施的落地.县域作为践行我国减碳增汇的关键单元和基层治理组织, 研究并明确其碳排放的时空演变特征和影响机制, 有助于制定差异化和非均衡性的实施措施, 保证“双碳”目标的有序实现.
碳排放一直是各学科的研究热点.经济学和管理学等学科多基于统计数据、系数估计法或样本测算法对产业过程和门类[1~5]碳排放进行研究, 使用IPAT等式[6]、STIRPAT模型[7]和LMDI公式[8]等方法对碳排放影响因素进行分解, 验证环境库兹涅茨曲线假说的显著性等.此外, 使用统计分析模型[9]、非线性智能模型[10]和灰色预测模型[11]等方法已经可以实现对碳排放路径的模拟等.
环境科学和城乡规划等空间学科往往从空间单元入手, 使用探索性空间数据分析和回归分析等手段对碳排放时空特征和影响因素进行研究.在全球尺度, 为降低全局分析所带来的误差, 有学者尝试基于经济发展水平或资源禀赋等特征对国家进行分组[12~16], 进而研究全球和组别间主导因素的差异.所得结论略有不同但均证实了不同类型国家碳排放影响因素具有较大差异的现象.研究结论的多样性证实了碳排放的复杂性, 也使得学者认识到全局分析的弊端和样本尺度对结果的影响, 进而尝试从省域、市域乃至县域等尺度展开研究.岳超等[17]和谭丹等[18]分别对我国东中西部碳排放进行分析, 得出我国东部碳排放总量大于中部和西部的结论, 表明区域碳排放存在较大空间差异.在省域尺度上, 李建豹等[19]、王雅楠等[20]和郑长德等[21]分别使用地理加权回归或空间计量模型等方法分析碳排放演变和机制, 结果表明省域尺度碳排放具有较强的空间聚集效应和溢出特征.王兆峰等[22]、侯勃等[23]和汪浩等[24]则基于典型城市群, 对区域内市域乃至县域的碳排放影响因素进行异质化特征分析, 基于差异化的分析结果提出了科学的管控建议.在县域尺度研究则较为精细, 王少剑等[25]和王睿等[26]使用面板分位数回归和地理探测器对我国县域碳排放影响因素进行分析, 尝试从全局剖析县域碳排放和社会经济因素的关系, 并认为县域尺度研究有助于因地制宜制定可行的减排控碳措施.
总体而言, 学界对碳排放的研究较为系统, 并从不同空间尺度对碳排放时空演变和影响因素进行丰富分析, 同时意识到碳排放在不同尺度上会表现出一定的溢出、聚集或差异的空间效应.但已有研究多集中在国家、区域和市域尺度, 县域尺度研究较少.其次已有县域研究难以覆盖全局或采用基于全局假设的分析思路, 掩盖了个体的异质性; 所用方法多为截面分析手段, 缺乏对长时间序列碳排放面板数据的统筹分析, 难以精准把握时空演变过程.为此, 本文从县域尺度出发, 基于碳排放的面板数据, 应用数理统计和考虑异质性的时空地理加权回归模型等分析手段, 对2000~2017年县域碳排放的时空演变和影响因素异质性进行系统分析, 以求全面把握中国县域碳排放的个体特征和非平稳性.
1 材料与方法 1.1 数据来源和分析单元 1.1.1 数据来源本文所用碳排放数据来自中国碳核算数据库[27](港澳台和西藏资料暂缺).
社会经济数据主要来自2000~2018年的中国县域统计年鉴和当地政府工作报告; 土地利用类型数据来自中国科学院资源环境科学与数据中心; 人口数据来自Worldpop, 并与五普和六普数据进行交叉验证.个别缺失样本数据依据插值补齐.为消除变量间量纲的影响, 对变量进行极差变换.
1.1.2 分析单元本文以中华人民共和国民政部所列出的2020年行政区划统计表为依据, 筛选出2 691个市辖区及县域作为碳排放时空演变的基本分析单元.
随后考虑到市辖区数据缺失严重、在系统内表现为异常值的特性, 剔除974个市辖区, 为确保数据的连贯性、完整性和准确性, 进一步剔除数据缺失较多的95个县级行政单元, 因此仅选取1 623个县域进行影响因素的分析.
1.2 研究方法 1.2.1 空间自相关分析空间自相关是一种探究地理现象属性因空间位置而产生相关性程度的空间分析方法, 用此方法可以解释地理现象的空间分布特征、相关程度和聚集性[28].主要指标有Moran's I指数和LISA(local indicators of spatial association)显著性分布.
1.2.2 面板数据回归分析本文使用混合模型、个体固定效应模型和双向固定效应模型进行普通面板回归模型分析.
综合我国县域社会经济水平和资源本底的层次性差异和碳排放的空间效应, 并突出县域个体的异质性特征, 本文采用将异质性关系纳入模型设定的时空地理加权回归(geographically and temporally weighted regression, GTWR)进行空间回归分析.时空地理加权回归是将时间和空间特征整合到模型中, 以捕获分析对象异质性特征, 以局部加权法求解时空回归关系的空间分析手段[29].
1.3 影响因素的选取参考IPAT等式、STIRPAT模型分析和既有研究, 重点考虑规模、结构和效率指标对于碳排放的影响, 选取下列因素进行分析.
(1) 规模指标经济社会的发展和碳排放总量具有内在的重要联系[30].经济规模的扩大离不开能源等要素的投入, 易导致较大碳排放; 另一方面, 绿色、低碳和可持续的经济发展模式, 有助于改善当地环境[31].人口规模也是影响碳排放的主要因素之一[32], 人口通过生产、生活和消费行为对碳排放总量产生影响[33].本文选取地区生产总值(gross domestic product, GDP, X1)作为表征地区经济规模的指标, 同时选取通过Worldpop人口栅格数据分区统计获得的县域人口规模(population, POP, X2)作为表征地区人口规模的指标.城镇化规模的增长和结构的调整[34], 既隐含着建设过程中对水泥等建材和煤炭等化石燃料的需求, 同时也包含着影响居民生活范围和出行方式的含义, 由此对碳排放产生综合影响.以建设用地规模(construction land area, CLA, X3)对城镇化规模进行表征.
(2) 结构指标作为能耗大户的第二产业产生了近80%的人为温室气体排放量, 对于减少碳排放具有决定性作用[35]; 同时考虑到第二产业仍是我国部分地区发展主导动力的现状[36], 故选取第二产业占比(share of secondary industry, SSI, X4)来衡量产业对于碳排放的影响.固定资产投资作为城市建设和工业生产再投入的衡量标准, 不仅影响产业的发展循环, 还改变了当地能源消耗模式和构成, 从而影响碳排放, 体现建设和再生产过程对于碳排放的影响.因此将固定资产投资占GDP的比例(ratio of investment in fixed assets, RIFA, X5)纳入模型之中.
(3) 效率指标国民富裕程度的提升将带动生产并促进消费的升级, 更易产生较多的生活碳排放; 并且容易从需求侧对供给侧方面产生影响, 进而改变碳排放总量.本文选取人均国民生产总值(per capita gross domestic regional product, PCGDP, X6)和人均金融机构存款余额(per capita deposit amount of financial institutions, PCDAFI, X7)作为代理变量.并将人均GDP的二次项(quadratic term of per capita gross domestic product, QTPCGDP, X8)纳入模型中以检验人均富裕程度与碳排放的关系是否符合EKC假说.
2 中国县域碳排放时空演变特征 2.1 碳排放时序变化分析使用数理统计的方法, 对碳排放时序变化进行描述分析.
2017年我国碳排放总量为93.70×108 t, 较2000年的31.20×108 t有较大幅度提升, 年均增幅为7.12%.以变化特征差异为标准, 将发展历程分为“大幅上升-缓慢上升-高位波动”3个阶段. 2000~2008年间, 碳排放总量呈现急速上升的趋势, 总量翻倍增长至2008年的68.30×108 t; 之后4年间上升较为缓慢, 平稳增长至2012年的91.90×108 t左右; 随后我国碳排放总量围绕着90×108 t上下波动, 并未出现明显的下降拐点.
结合图 1可以看出, 作为我国“老工业基地”的东北地区县域早期碳排放规模是较大的, 但后续碳排放增速小于其余地区.上述现象的出现并非得益于县域产业成功转型升级等, 而是受当地经济发展缓慢、人口外流和经济社会活力差等因素制约.经济较为发达的华东、华北和中南地区县域碳排放增长趋势和占比一直表现在较高水平, 上述地区对整体碳排放的贡献最大.其中华东地区增速最高、占比最大, 这与我国经济发达地区的空间分布态势是相吻合的.总的来说, 各区域碳排放占比结构在研究时段内保证了一定的稳定性, 但在演进趋势上略有差异.东北、中南和西南地区的占比均呈现下降趋势, 但幅度不大.华东和西北地区则呈现缓慢但稳定上升的态势.华北地区则出现了先上升后下降的态势.综上所述, 碳排放在我国区域尺度上表现为显著的异质性[37].
|
图 1 2000~2017年中国六大区域县域碳排放占比和演变趋势 Fig. 1 Carbon emission proportions and evolution trend at county-level administrative units in China from 2000 to 2017 |
由图 2可得, 历年全局空间自相关指标Moran's I指数均分布在(0.4, 0.5)之间, 表明中国县域碳排放存在显著的正向空间聚集特征[38].总的来说全局的空间自相关特性并未发生太大的变化, 县域尺度上碳排放的空间依赖较为稳定.
|
图 2 中国县域Moran's I指数描述统计 Fig. 2 Moran's I index description statistics at county-level in China |
局部空间自相关结果如图 3所示. 2000~2005年间, 北京、长三角、珠三角和辽东半岛等经济社会快速发展县域多表现为高高聚集; 但也有以资源开发利用为主导的汾西县和抚顺县等县域同样表现为高高聚集.这分别说明产业集聚和经济快速发展易造成较高水平的碳排放; 同时在资源开采和加工过程中, 不可避免地产生碳排放加剧等问题. 2005~2017年间, 内蒙古、陕西和宁夏交界处的鄂尔多斯市、榆林市和呼伦贝尔市等成长型资源城市相继突变为高高聚集区域, 主要是上述城市处于自然资源开发的初级阶段, 煤炭和有色金属等能源在开采、销售和粗加工过程中极易产生高额的碳排放.同时北京和周边等产业转型县域逐步退出高高聚类行列, 转向高效、绿色和低碳的发展模式.但上海内环和天津市六区等工业重地仍保留于高高聚类内.由此可以看出城市的发展阶段、主导产业和结构对于碳排放的影响较大.
|
图 3 历年碳排放LISA分布 Fig. 3 LISA distribution of carbon emissions over the years |
使用普通面板模型对全局进行分析.
所使用数据均通过相关性和共线性检验, 所得模型估计结果如表 1所示.
|
表 1 普通面板数据模型的估计和检验结果1) Table 1 Estimation and test results of ordinary panel data model |
从表 1可以看出, 随机模型拟合优度为0.65, 加入个体固定效应后, 个体固定效应模型的拟合优度稍有上升至0.66, 而同时加入个体和时间固定效应后, 双向固定效应模型的拟合优度进一步增大为0.67.这表明, 双向固定效应模型的解释能力最强.
双向固定效应模型显示, 所选取的影响因素中, X1、X2、X3、X6和X7呈现与碳排放的显著关系.结合作用强度方向和大小可以看出, X1、X2和X3等规模指标的促进作用最为强烈, 说明我国广大县域仍处于经济快速发展阶段, 碳排放呈现与经济社会发展与日俱增的态势; X7表现为对碳排放的抑制作用, 过高的存款意味着消费的萎靡, 从而无法从需求端对碳排放产生刺激.
然而业界公认的碳排放促进“大户”——第二产业占比的不显著一定程度上说明了我国县域社会经济发展的复杂性、多样性和差异性, 表明普通的面板回归模型并不适用于全国范围的分析.
3.2 基于时空地理加权回归模型的异质性分析 3.2.1 模型构建与拟合结果考虑到前文Moran's I指数分析结果表明碳排放具有较强的空间效应的分析结果.基于ArcGIS软件中的GTWR插件进行GTWR模型分析.
所得模型R2为0.78, 描述统计结果如表 2所示.对比表 1可以看出, GTWR的拟合优度明显优于双向固定效应模型; 且各变量的作用强度在时空上均存在非平稳性, 进一步证实了GTWR模型的适用性.
|
|
表 2 GTWR模型变量作用强度描述统计分析 Table 2 Estimation and test results of GTWR model |
从各自变量作用强度的中位数和均值可以看出, 除X8外, 其余均表现为促进碳排放的作用; 其中X1、X3和X5的促进作用最为明显.说明在我国广大县域中, 经济发展和城市建设仍是促进碳排放的最主要因素[39]. X7、X6、X2和X4对于碳排放的促进作用相对较低. X8则主要表现为抑制碳排放.
从各自变量表现为促进作用的样本数量占总体比例的正值比和表现为抑制作用的样本数量占总体比例的负值比可以看出, X1、X3、X4和X7对近80%县域的时空碳排放均表现为促进作用, X1、X3和X4的促进作用最强.
3.2.2 拟合结果时间演变趋势分析因GTWR模型回归结果信息众多, 为避免分析遗漏或错乱, 首先分析作用强度的时间演变趋势.
(1) 规模指标 从图 4可以看出, X1对作用强度的区间逐渐收缩, 但仍在全局上表现为促进作用.我国县域经济发展以追求总量增长为导向, 粗放的生产方式、高投入和高能耗的投入产出过程形成了一定的碳排放[40].但也可以看到其作用强度逐年下降, 说明我国县域逐渐践行低碳经济的发展理念, 实现经济增长与环境改善同步发展[41].
|
图 4 规模指标作用强度变动趋势 Fig. 4 Regression coefficient variation of scale indices |
X2从早期的全局促进到现在的促进与抑制并重.说明县域人口数量持续增加的过程中, 虽然带来了一定的碳排放, 但随着人口结构的变化、人口素质提升和居民生活习惯的改变, 人口规模不再仅仅表现为简单的促进作用.
X3对碳排放的促进作用经历了从低到高再略有降低的发展路径.值得注意的是, 2005~2010年间, X3的作用强度有了较大的提升.主要原因在于以“四万亿”投资为核心的一揽子经济刺激方案, 加快了重点基础设施项目的建设并推动城市快速扩张, 在此过程中受城镇化规模扩张而产生的碳排放规模和强度显著增大.
(2) 结构指标 结合图 5可以看出, X4对于碳排放长期表现为促进, 但作用强度在减弱.已在部分县域中由促进转向抑制, 说明上述县域采取关闭或整改碳排放较为严重的重工业企业、大力发展清洁能源和第二产业结构升级等手段, 实现了第二产业低碳和绿色发展的目标[42].
|
图 5 结构指标作用强度变动趋势 Fig. 5 Regression coefficient variation of structural indices |
X5的促进作用逐渐减弱, 且作用强度区间逐渐聚拢在0值附近.21世纪早期的“招商引资”促进了经济的发展和技术的提升, 但也造成了环境污染密集型等产业国际转移等现象, 对当地生态环境造成破坏.但随着我国经济社会水平的提高, 固定资产投资带来的再生产效果逐渐低碳, 且更多的是关注技术的升级, 实现了碳排放效率的提升, 一定程度上抑制了碳排放.
(3) 效率指标 从图 6可以看出, X6对于碳排放主要起到的是抑制作用, 但有转向促进作用的趋势.本文认为该结果并没有观察到EKC曲线的存在, 但X8作用强度又与EKC曲线结论相一致.出现差异的原因可能在于指标选取相对单一或二氧化碳总量排放难以代表环境质量的本质等[43].但此结果与部分学者的研究相符[44].
|
图 6 效率指标作用强度变动趋势 Fig. 6 Regression coefficient variation of efficiency indices |
至于X7则具有先促进后趋向抑制的倾向.人均存款水平的提高不仅仅意味着居民收入的提升, 也意味着消费结构的优化, 一定程度上会加大家庭碳排放的产生[45].但过量的储蓄会导致消费的减少, 应该引导居民积极消费, 提倡低碳和适度消费.
3.2.3 作用强度空间分布态势分析基于影响因素作用强度在空间上的均值进行图示, 分析其空间分布态势.
(1) 规模指标 结合图 7可以看出, X1作用强度在空间上呈现“中西强、东弱”的态势.这说明我国东部沿海县域经济发展起步早, 已进入低碳发展阶段, 总量稳定增长、结构绿色低碳, X1对于碳排放的促进作用也在逐渐下降.内陆县域受中部崛起和西部大开发等国家战略的引导, 加之西气东输、青藏铁路和西电东送等诸多区域性重大基础设施的带动, 推动了县域间人才和资源的快速流动, 促使沿海县域原有的劳动力密集型和资源密集型产业向内陆人力资本较低的县域转移, 带动县域经济发展的同时也造成了一定的碳排放[46].
|
图 7 规模指标作用强度均值空间分布 Fig. 7 Spatial distribution of the mean of the regression coefficients of scale indices |
X2则主要对东北、东部沿海和西北县域表现为促进作用.东北地区人口外流和城市萎缩现象在县域表现尤为明显：不断萎缩的人口规模反而导致了东北地区县域能耗的增加, 基础公共服务设施运营和维护的分摊成本提高、对私家车的依赖程度升高, 相应的增加了碳排放.而东部沿海县域对外来人口吸引大, 规模不断扩大, 促使了要素的聚集, 提升了消费和生产端的碳排放水平.西南大部分县域处于工业化发展的早期阶段, 人口规模的提升促进了要素升级和设施共享, 集聚和规模效应提升了社会效率, 反而降低了人口规模增加对碳排放的负面影响[44].至于西北部生态脆弱县域生态本底稳定性差, 在资本和人口集聚的冲击下, 形成了大量的碳排放.
X3的作用强度呈现出以胡焕庸线附近县域为低值、向东西两侧分异的趋势, 对中部和东南沿海地区的促进作用尤甚.胡焕庸线作为我国重要的综合生态环境分界线, 其东西两侧的建设情况具有一定差异.形如此空间分布态势的主要原因在于：胡焕庸线以东的县域建设起步早, 用地规模总量较高, 新增用地面积较小, 且绿色建筑、绿色出行等方式普和程度高, 即建设用地建设过程中所拉动和产生的碳排放逐年减少, 但受其巨大经济体量的带动, 建设用地所承载的碳排放则显著增多; 胡焕庸线以西的县域建设用地总量少、相对增幅快, 在建设用地扩张过程中所产生的碳排放较多.因此产生了建设用地作用强度呈现围绕胡焕庸线阶梯式变动的特征.
(2) 结构指标 从图 8可以看出, X4的主要促进作用区域在空间上主要呈现东西向带状分布的态势, 并对东三省和珠江三角洲县域的促进作用较为明显, 其余地区主要表现为抑制.产业结构对于河南、山西、陕西、辽宁、吉林、江苏和广东等地县域的碳排放作用最为显著.山西、陕西和内蒙古等地县域以煤炭和有色金属等能源开采为主, 受X4促进作用较为明显.东北地区长期以来以重工业为主, 虽在东北振兴战略引导下和绿色低碳目标约束下, 该地区产业结构合理化水平和资源配置效率有所提升, 但受历史积重影响, 短期内难以显著降低碳排放.江苏本身重工业比例也较高, 且其“村村点火、户户冒烟”的乡镇企业发展模式往往伴随着粗放的能源消费.至于珠三角地区作为外向型经济发展基地、我国重要的制造业中心, 虽已进入后工业化的成熟阶段, 但产业结构现状仍会作用于能源消耗上, 加剧碳排放[47].
|
图 8 结构指标作用强度均值空间分布 Fig. 8 Spatial distribution of the mean of the regression coefficients of structural indices |
X5作用强度显现为以胡焕庸线为界、东高西低的态势.胡焕庸线以东和河西走廊地区固定资产投资对于碳排放的促进作用尤为明显.胡焕庸线以东地区、尤其是江苏和山东境内的县域是固定资产投资的稳定热点地区.根据投资乘数理论可知, 固定资产的投入将会导致地区经济的成倍增加, 因此带动碳排放.河西走廊地区则是受国家级顶级合作倡议“一带一路”的影响, 吸引了大量的资金和资源的涌入, 带动当地经济社会发展的同时, 刺激了碳排放.
(3) 效率指标 如图 9所示, X6的抑制作用表现为从珠江三角洲向兰州和包头蔓延的“Y”字形分布, 其余区域主要表现为促进作用, 新疆尤甚. X8作用强度的分布特征则与X6恰好相反.以和田县为代表的西北和西南县域则尚处于经济快速发展阶段, 受当地县域经济发展和城市建设的带动, 并刺激了居民的消费欲望, 产生了更高的碳排放水平.
|
图 9 效率指标作用强度均值空间分布 Fig. 9 Spatial distribution of the mean of the regression coefficients of efficiency indices |
X7作用强度表现为从东北向西南逐步降低的态势, 最终在西南、东南和西北地区表现为抑制作用.通常来讲, 储蓄水平和消费水平是相异的, 较高的储蓄往往导致消费的减少, 从而在大部分县域内表现为抑制作用.但根据相关学者的研究[45]进行分析, 近年东北人口外流县域储蓄水平受人口结构的调整得以提升, 出现了第二次人口红利, 促进资本积累的优势, 实现了经济的进一步发展, 进而带动了碳排放.
4 结论(1) 2000~2017年我国碳排放呈现出“大幅上升-缓慢上升-高位波动”的发展历程; 2012年总量达到91.9×108 t左右后一直维持在高位波动且暂未出现下降拐点.我国县域碳排放呈现稳定且显著的空间依赖; 基于局部空间自相关分析可以发现, 经济发展水平较高的地区逐渐退出高高聚集的行列, 而成长型资源城市逐步涌入高高聚集之中.
(2) 时空地理加权回归模型的拟合优度优于普通面板回归模型.从作用强度来看, GDP、建设用地规模和固定资产投资占GDP的比例的促进作用最为显著; 从作用方向来看国民生产总值、建设用地规模、第二产业产值占比和人均金融机构存款金额对近80%县域的时空碳排放均表现为促进作用.所选取影响因素的作用方向和强度在时空上均发生了较大改变, 表明我国县域碳排放时空异质性明显, 不同县域间主要影响因素各异.
(3) 中国县域碳排放主导影响因素具有明显的时空分异, 现阶段起到促进作用的因素主要有产业结构、GDP、固定资产投资和人口规模等, 并在不同区域表现为不同的强度特征.第二产业促进作用最强的当属分布在湖南、湖北等内陆省份的制造业主导县域, 上述县域具有本地消费产业转出、沿海出口产业转入的时空特征, 应注意合理承接沿海省份转移产业、倒逼当地结构优化, 并建立重点行业的减排监管和研发机制, 实现区域协同和行业减排的目标.GDP对于中西部城镇化快速发展且生态脆弱县域的促进作用最为突出, 上述县域尚处在经济规模快速膨胀期, 需考虑到脆弱的生态本底, 避免走“先发展后治理”的老路, 合理利用当地清洁能源, 加强保护和发展的协调.沿海地区人口密集和后工业化时期县域碳排放受固定资产投资的促进作用较为显著.在后续发展过程中, 应避免盲目“招商引资”, 在压实发展任务的同时也要落实对环境的保护; 同时做好环评工作, 反逼企业提升碳排放效率.人口规模对吉林等地的人口外流县域和新疆等地的人口集聚县域的促进作用同样显著.前者应重点考虑如何吸引人口回流, 或在人口萎缩的现状下, 如何提升碳排放效率并保证经济发展; 后者则需要保持经济发展、人口聚集和生态环境, 避免“牺牲环境换发展”的现象出现.
(4) 总体上, 碳排放是一个复杂的系统问题, 中国经济社会发展的特殊性又进一步提升了该问题的维度、增加了其认识难度.本文尝试从县域尺度分析多年中国碳排放的时空演变格局和异质性, 有助于“双碳”目标的实现和差异化控碳路径的实现, 在后续工作中将进一步深化不同类型县域的碳排放识别和解构, 据此探索我国碳排放的问题区域和区域问题, 从而实现“全国统筹一盘棋”的目标.
| [1] | Rahman M M, Kashem M A. Carbon emissions, energy consumption and industrial growth in Bangladesh: empirical evidence from ARDL cointegration and Granger causality analysis[J]. Energy Policy, 2017, 110: 600-608. DOI:10.1016/j.enpol.2017.09.006 |
| [2] | Ogundari K, Ademuwagun A A, Ajao O A. Revisiting environmental Kuznets curve in sub-Sahara Africa: evidence from deforestation and all GHG emissions from agriculture[J]. International Journal of Social Economics, 2017, 44(2): 222-231. DOI:10.1108/IJSE-02-2015-0034 |
| [3] | Zhang J K, Zhang Y. Carbon tax, tourism CO2 emissions and economic welfare[J]. Annals of Tourism Research, 2018, 69: 18-30. DOI:10.1016/j.annals.2017.12.009 |
| [4] | Chen X, Shuai C Y, Wu Y, et al. Analysis on the carbon emission peaks of China's industrial, building, transport, and agricultural sectors[J]. Science of the Total Environment, 2020, 709. DOI:10.1016/j.scitotenv.2019.135768 |
| [5] |
蒋自然, 金环环, 王成金, 等. 长江经济带交通碳排放测度及其效率格局(1985~2016年)[J]. 环境科学, 2020, 41(6): 2972-2980. Jiang Z R, Jin H H, Wang C J, et al. Measurement of traffic carbon emissions and pattern of efficiency in the Yangtze River Economic Belt (1985-2016)[J]. Environmental Science, 2020, 41(6): 2972-2980. DOI:10.13227/j.hjkx.201910221 |
| [6] | Ehrlich P R, Ehrlich A H, HurlbuT F C. Population/resources/environment: issues in human ecology[J]. Journal of Dynamic Systems, Measurement, and Control, 1973, 95(1): 102-103. |
| [7] | York R, Rosa E A, Dietz T. STIRPAT, IPAT and ImPACT: analytic tools for unpacking the driving forces of environmental impacts[J]. Ecological Economics, 2003, 46(3): 351-365. DOI:10.1016/S0921-8009(03)00188-5 |
| [8] | Dong F, Long R Y, Chen H, et al. Factors affecting regional per-capita carbon emissions in China based on an LMDI factor decomposition model[J]. PLoS One, 2013, 8(12). DOI:10.1371/journal.pone.0080888 |
| [9] | Xia Y, Wang H J, Liu W D. The indirect carbon emission from household consumption in China between 1995-2009 and 2010-2030:a decomposition and prediction analysis[J]. Computers & Industrial Engineering, 2019, 128: 264-276. |
| [10] | Heydari A, Garcia D A, Keynia F, et al. Renewable energies generation and carbon dioxide emission forecasting in microgrids and national grids using GRNN-GWO methodology[J]. Energy Procedia, 2019, 159: 154-159. DOI:10.1016/j.egypro.2018.12.044 |
| [11] | Pao H T, Tsai C M. Modeling and forecasting the CO2 emissions, energy consumption, and economic growth in Brazil[J]. Energy, 2011, 36(5): 2450-2458. DOI:10.1016/j.energy.2011.01.032 |
| [12] | Kais S, Sami H. An econometric study of the impact of economic growth and energy use on carbon emissions: panel data evidence from fifty eight countries[J]. Renewable and Sustainable Energy Reviews, 2016, 59: 1101-1110. DOI:10.1016/j.rser.2016.01.054 |
| [13] | Chen P Y, Chen S T, Hsu C S, et al. Modeling the global relationships among economic growth, energy consumption and CO2 emissions[J]. Renewable and Sustainable Energy Reviews, 2016, 65: 420-431. DOI:10.1016/j.rser.2016.06.074 |
| [14] |
韩梦瑶, 刘卫东, 唐志鹏, 等. 世界主要国家碳排放影响因素分析——基于变系数面板模型[J]. 资源科学, 2017, 39(12): 2420-2429. Han M Y, Liu W D, Tang Z P, et al. Carbon emission impact factor analysis of major countries based on varying coefficient panel modeling[J]. Resources Science, 2017, 39(12): 2420-2429. |
| [15] | Wang Q, Zhang F Y. The effects of trade openness on decoupling carbon emissions from economic growth -evidence from 182 countries[J]. Journal of Cleaner Production, 2021, 279. DOI:10.1016/j.jclepro.2020.123838 |
| [16] | Shuai C Y, Shen L Y, Jiao L D, et al. Identifying key impact factors on carbon emission: Evidences from panel and time-series data of 125 countries from 1990 to 2011[J]. Applied Energy, 2017, 187: 310-325. DOI:10.1016/j.apenergy.2016.11.029 |
| [17] |
岳超, 胡雪洋, 贺灿飞, 等. 1995-2007年我国省区碳排放及碳强度的分析——碳排放与社会发展Ⅲ[J]. 北京大学学报(自然科学版), 2010, 46(4): 510-516. Yue C, Hu X Y, He C F, et al. Provincial carbon emissions and carbon intensity in China from 1995 to 2007 (carbon emissions and social development, Ⅲ)[J]. Acta Scientiarum Naturalium Universitatis Pekinensis, 2010, 46(4): 510-516. |
| [18] |
谭丹, 黄贤金. 我国东、中、西部地区经济发展与碳排放的关联分析及比较[J]. 中国人口·资源与环境, 2008, 18(3): 54-57. Tan D, Huang X J. Correlation analysis and comparison of the economic development and carbon emissions in the eastern, central and western part of China[J]. China Population, Resources and Environment, 2008, 18(3): 54-57. DOI:10.3969/j.issn.1002-2104.2008.03.010 |
| [19] |
李建豹, 黄贤金, 吴常艳, 等. 中国省域碳排放影响因素的空间异质性分析[J]. 经济地理, 2015, 35(11): 21-28. Li J B, Huang X J, Wu C Y. Analysis of spatial heterogeneity impact factors on carbon emissions in China[J]. Economic Geography, 2015, 35(11): 21-28. DOI:10.15957/j.cnki.jjdl.2015.11.004 |
| [20] |
王雅楠, 赵涛. 基于GWR模型中国碳排放空间差异研究[J]. 中国人口·资源与环境, 2016, 26(2): 27-34. Wang Y N, Zhao T. Study on spatial difference of carbon emissions in China based on GWR model[J]. China Population, Resources and Environment, 2016, 26(2): 27-34. DOI:10.3969/j.issn.1002-2104.2016.02.004 |
| [21] |
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. Zheng C D, Liu S. Empirical research of carbon emission and economic growth in China based on the spatial econometric analysis[J]. China Population, Resources and Environment, 2011, 21(5): 80-86. DOI:10.3969/j.issn.1002-2104.2011.05.014 |
| [22] |
王兆峰, 李竹, 吴卫. 长江经济带不同等级城市碳排放的时空演变及其影响因素[J]. 环境科学研究, 2022. Wang Z F, Li Z, Wu W. Spatio-temporal evolution and influencing factors of carbon emissions in different grade cities in the Yangtze River economic belt[J]. Research of Environmental Sciences, 2022. DOI:10.13198/j.issn.1001-6929.2022.02.29 |
| [23] |
候勃, 岳文泽, 王腾飞. 中国大都市区碳排放时空异质性探测与影响因素——以上海市为例[J]. 经济地理, 2020, 40(9): 82-90. Hou B, Yue W Z, Wang T F. Spatiotemporal heterogeneity pattern and influencing factors of carbon emission in metropolitan areas of China: a case of Shanghai[J]. Economic Geography, 2020, 40(9): 82-90. |
| [24] |
汪浩, 陈操操, 潘涛, 等. 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 H, Chen C C, Pan T, et al. 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. |
| [25] |
王少剑, 谢紫寒, 王泽宏. 中国县域碳排放的时空演变及影响因素[J]. 地理学报, 2021, 76(12): 3103-3118. Wang S J, Xie Z H, Wang Z H. The spatiotemporal pattern evolution and influencing factors of CO2 emissions at the county level of China[J]. Acta Geographica Sinica, 2021, 76(12): 3103-3118. DOI:10.11821/dlxb202112016 |
| [26] |
王睿, 张赫, 强文丽, 等. 基于城镇化的中国县级城市碳排放空间分布特征及影响因素[J]. 地理科学进展, 2021, 40(12): 1999-2010. Wang R, Zhang H, Qiang W L, et al. Spatial characteristics and influencing factors of carbon emissions in county-level cities of China based on urbanization[J]. Progress in Geography, 2021, 40(12): 1999-2010. |
| [27] | Chen J D, Gao M, Cheng S L, et al. County-level CO2 emissions and sequestration in China during 1997-2017[J]. Scientific Data, 2020, 7. DOI:10.6084/m9.figshare.13090370 |
| [28] | Tobler W R. A computer movie simulating urban growth in the Detroit region[J]. Economic Geography, 1970, 46(S1): 234-240. |
| [29] | Huang B, Wu B, Barry M. Geographically and temporally weighted regression for modeling spatio-temporal variation in house prices[J]. International Journal of Geographical Information Science, 2010, 24(3): 383-401. DOI:10.1080/13658810802672469 |
| [30] |
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. Zhao Y T, Huang X J, Zhong T Y, et al. Spatial pattern evolution of carbon emission intensity from energy consumption in China[J]. Environmental Science, 2011, 32(11): 3145-3152. |
| [31] | Keene A, Deller S C. Evidence of the environmental Kuznets' curve among US counties and the impact of social capital[J]. International Regional Science Review, 2013, 38(4): 358-387. |
| [32] | Zheng X Q, Lu Y L, Yuan J J, et al. Drivers of change in China's energy-related CO2 emissions[J]. Proceedings of the National Academy of Sciences of the United States of America, 2019, 117(1): 29-36. |
| [33] | Ribeiro H V, Rybski D, Kropp J P. Effects of changing population or density on urban carbon dioxide emissions[J]. Nature Communications, 2019, 10(1). DOI:10.1038/s41467-019-11184-y |
| [34] | Zhang C G, Lin Y. Panel estimation for urbanization, energy consumption and CO2 emissions: a regional analysis in China[J]. Energy Policy, 2012, 49: 488-498. |
| [35] | Liu L C, Fan Y, Wu G, et al. Using LMDI method to analyze the change of China's industrial CO2 emissions from final fuel use: an empirical analysis[J]. Energy Policy, 2007, 35(11): 5892-5900. |
| [36] |
田野, 刘青青, 孙建伟, 等. 长江沿岸主导产业的类型转换与格局演化——基于省级以上开发区的考察[J]. 长江流域资源与环境, 2021, 30(8): 1809-1818. Tian Y, Liu Q Q, Sun J W, et al. Type conversion and pattern evolution of leading industries along the Changjiang River Bank: a survey based on the national and provincial development zones[J]. Resources and Environment in the Yangtze Basin, 2021, 30(8): 1809-1818. |
| [37] | 王东, 李金叶. 中国碳排放强度区域差异与空间收敛特征[J]. 统计与决策, 2022, 38(1): 77-80. |
| [38] |
刘华军, 邵明吉, 吉元梦. 中国碳排放的空间格局及分布动态演进——基于县域碳排放数据的实证研究[J]. 地理科学, 2021, 41(11): 1917-1924. Liu H J, Shao M J, Ji Y M. The spatial pattern and distribution dynamic evolution of carbon emissions in China: empirical study based on county carbon emission data[J]. Scientia Geographica Sinica, 2021, 41(11): 1917-1924. |
| [39] |
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[J]. 环境科学, 2018, 39(6): 2971-2981. Sun X F, Shi K F, Wu J P. Spatiotemporal dynamics of CO2 emissions in Chongqing: an empirical analysis at the county level[J]. Environmental Science, 2018, 39(6): 2971-2981. |
| [40] |
王锋, 吴丽华, 杨超. 中国经济发展中碳排放增长的驱动因素研究[J]. 经济研究, 2010, 45(2): 123-136. Wang F, Wu L H, Yang C. Driving factors for growth of carbon dioxide emissions during economic development in China[J]. Economic Research Journal, 2010, 45(2): 123-136. |
| [41] |
石建屏, 李新, 罗珊, 等. 中国低碳经济发展的时空特征及驱动因子研究[J]. 环境科学与技术, 2021, 44(1): 228-236. Shi J P, Li X, Luo S, et al. Research on the spatiotemporal characteristics and driving factors of China's low carbon economic development[J]. Environmental Science & Technology, 2021, 44(1): 228-236. |
| [42] | 赵丽萍, 李媛. 产业结构对碳排放强度的影响[J]. 城市问题, 2018(6): 61-66. |
| [43] |
周正柱, 王俊龙. 环境库兹涅茨曲线假说检验研究进展与展望[J]. 中国农业资源与区划, 2020, 41(1): 185-193. Zhou Z Z, Wang J L. Research progress and implication about hypothesis test of environmental Kuznets curve[J]. Chinese Journal of Agricultural Resources and Regional Planning, 2020, 41(1): 185-193. |
| [44] | Alam M, Murad W, Noman A H M, et al. Relationships among carbon emissions, economic growth, energy consumption and population growth: testing environmental Kuznets curve hypothesis for Brazil, China, India and Indonesia[J]. Ecological Indicators, 2016, 70: 466-479. |
| [45] |
李娜娜, 赵月, 王军锋. 中国城市居民收入和储蓄增长对家庭能耗碳排放的区域异质性及政策应对[J]. 生态经济, 2022, 38(1): 30-35. Li N N, Zhao Y, Wang J F. Regional heterogeneity and policy responses of the rising residential income and savings on China's urban household energy-related CO2[J]. Ecological Economy, 2022, 38(1): 30-35. |
| [46] |
郑佳佳. 西部大开发提高了西部地区的碳排放绿色贡献度吗?——基于双倍差分法的经验分析[J]. 经济经纬, 2016, 33(4): 26-31. Zheng J J. Did western development program improve carbon green contribution coefficient in China's western region?——an empirical analysis on difference-in-difference method[J]. Economic Survey, 2016, 33(4): 26-31. |
| [47] |
段林丰, 卢培利, 蒲寅羽, 等. 典型城市群碳排放的脱钩效应及驱动机制研究[J]. 环境科学与技术, 2021, 44(11): 55-62. Duan L F, Lu P L, Pu Y Y, et al. The decoupling effect and driving mechanism of carbon emissions in typical city groups[J]. Environmental Science & Technology, 2021, 44(11): 55-62. |