四川省化石能源领域碳排放区域时空特征及影响因素

引用本文

任宏洋, 张泊汀, 高阳, 杨磊, 杜若岚, 李琋, 王兵. 四川省化石能源领域碳排放区域时空特征及影响因素[J]. 环境科学, 2026, 47(9): 6000-6013.

REN Hong-yang, ZHANG Bo-ting, GAO Yang, YANG Lei, DU Ruo-lan, LI Xi, WANG Bing. Spatiotemporal Characteristics and Influencing Factors of Fossil Energy Carbon Emissions in Sichuan Province[J]. Environmental Science, 2026, 47(9): 6000-6013.

四川省化石能源领域碳排放区域时空特征及影响因素

任宏洋^1,2, 张泊汀¹, 高阳³, 杨磊¹, 杜若岚¹, 李琋¹, 王兵¹

1. 西南石油大学化学化工学院，成都 610500;
2. 四川省油气田应用化学重点实验室，成都 610500;
3. 中国石油塔里木油田股份有限公司，库尔勒 841000

收稿日期: 2025-03-14; 修订日期: 2025-09-15

基金项目: 地球深部探测与矿产资源勘查国家科技重大专项（2024ZD1004404）；四川省科技计划项目（2022ZYD0129）；中国高等教育学会生态文明教育研究分会项目（21ZSSTWMYB06）

作者简介: 任宏洋（1980~），男，博士，教授，主要研究方向为碳污协同控制、碳排放核算与预测，E-mail：rhyswpu@163.com

摘要: 为刻画四川省化石能源碳排放的时空演化格局及其驱动机制，构建了涵盖能源开采、集输与消费环节的碳排放核算框架，融合局部莫兰指数、LISA时空聚类与重心迁移法揭示碳排放区域集聚与重心迁移特征；并结合STIRPAT模型，引入Pearson相关性分析、岭回归与随机森林方法，识别关键驱动因素. 结果表明：①四川省化石能源碳排放总体呈波动增长趋势，以能源消费环节为主导. ②四川省碳排放具有显著的空间异质性与时序分化特征，呈“西北-东南”空间分布格局，重心呈北向迁移趋势，呈现“资源型”向“产业型”转化趋势；同时，局部集聚性逐步增强，“高-高”型聚集区域由早期的攀西地区扩展至川南城市群，区域集聚格局日益显著. ③2011~2021年四川省整体呈弱脱钩状态，碳排放增长速度低于GDP增长，碳排放效率逐年改善. ④碳排放与城镇化率、货物周转量、地区生产总值及能源消耗量高度相关（|r|为0.63~0.94，强正相关），其中开采、集输和终端消费过程分别受能源规模、物流扩张及经济人口因素主导.

关键词: 化石能源碳排放区域时空特征 STIRPAT模型影响因素

Spatiotemporal Characteristics and Influencing Factors of Fossil Energy Carbon Emissions in Sichuan Province

REN Hong-yang^1,2 , ZHANG Bo-ting¹ , GAO Yang³ , YANG Lei¹ , DU Ruo-lan¹ , LI Xi¹ , WANG Bing¹

1. College of Chemistry and Chemical Engineering, Southwest Petroleum University, Chengdu 610500, China;
2. Oil & Gas Field Applied Chemistry Key Laboratory of Sichuan Province, Chengdu 610500, China;
3. Tarim Oilfield Company, PetroChina, Tarim Oil and Gas Development Department, Korla 841000, China

Abstract: To characterize the spatiotemporal evolution pattern and driving mechanisms of fossil energy carbon emissions in Sichuan Province, a carbon emission accounting framework covering energy extraction, transmission, and consumption stages was established. By integrating local Moran's I, LISA spatiotemporal clustering, and center of gravity migration methods, the study revealed the regional aggregation and dynamic migration features of carbon emissions. Furthermore, the STIRPAT model was combined with Pearson correlation analysis, ridge regression, and random forest methods to identify key driving factors. The results showed that: ① Fossil energy carbon emissions in Sichuan Province exhibited a fluctuating upward trend, dominated by the energy consumption stage. ② Significant spatial heterogeneity and temporal differentiation were observed, with the northwest–southeast spatial distribution pattern of carbon emission, and the core of emission migrating northward, reflecting a transition from a "resource-based" to an "industry-based" regional pattern. Meanwhile, local aggregation intensified, with "high-high" clusters expanding from the early Panxi Region to the southern Sichuan Province urban agglomeration, resulting in increasingly prominent regional clustering. ③ From 2011 to 2021, Sichuan generally experienced weak decoupling, with carbon emission growth lagging behind GDP growth and improving emission efficiency. ④ Carbon emissions were strongly positively correlated with urbanization rate, freight turnover, GDP, and energy consumption (|r| 0.63⁃0.94), with extraction, transmission, and end-use consumption stages primarily driven by energy scale, logistics expansion, and economic and demographic factors, respectively.

Key words: fossil energy carbon emissions spatiotemporal regional characteristics STIRPAT model influencing factors

全球气候变化已成为21世纪人类面临的重大挑战之一. 二氧化碳等温室气体的排放是全球变暖的主要推动力^[1]，而能源消费，尤其是传统化石能源的使用，是二氧化碳排放的主要来源^[2，3]. 四川省作为中国西部的重要经济大省^[4]，其碳排放特征在国家整体能源发展格局中具有重要代表性^[5]. 近年来，四川省经济持续增长，人口规模不断扩大，城市化进程加速，工业化水平不断提升，能源需求持续增长^[6]，导致了碳排放的空间分布呈现出较大的差异性. 尤其是四川省不同地区之间，由于经济发展水平、产业结构和能源结构的差异，其碳排放量和增长趋势呈现出显著的区域性特征. 因此，探讨四川省不同区域碳排放的空间特征、影响因素及其与经济社会发展的关系，具有重要的理论和现实意义^[7，8].

在全球气候变化背景下，国内外学者已经开展了大量关于碳排放空间分布^[9，10]及其影响因素的研究^{[7，11，12]}，研究视角多集中于能源消费端^[13，14]或宏观能源结构^[15，16]分析，对化石能源从资源开采、集输运输到最终消费的全过程碳排放过程缺乏系统性探讨，且针对资源型省份的研究多依赖宏观统计数据，难以刻画碳排放在区域内部的分布特征及其驱动机制，进而限制了对碳排放空间异质性成因的深入分析^[17]. 同时在区域城市碳排放的时空特征分析中，前期的研究局限于运用莫兰指数（Moran's I）进行空间自相关评估^[18~20]，或仅运用时空聚类方法识别静态热点格局^[14]，或运用时空地理加权回归（GTWR）模型^[21]，或结合莫兰指数与时空地理加权回归（GTWR）模型进行关联分析^[22]，这些方法能捕捉特定维度的空间或静态特征，但在整合多尺度时空交互效应、协同解析碳排放动态演化机制方面存在明显局限，尤其缺乏从宏观时间趋势到微观空间异质性的系统性观测. 在碳排放影响因素研究方面，国外内学者的前期研究表明，碳排放受经济发展^[23]、产业结构^[24]和能源结构^[23]等多重因素的影响，然而，现有研究尚未充分揭示省域内部因发展基础、能源禀赋与政策环境差异所导致的区域碳排放空间异质性特征及其驱动机制. 特别是四川省在煤炭、石油和天然气的使用上仍存在较大依赖^[25]，这一能源结构特征加剧了碳排放的空间分异规律识别与区域减排潜力评估的复杂性^[26，27]. 本文针对资源型地区碳排放空间异质性及其驱动机制研究不足的问题，聚焦四川省化石能源碳排放的时空演变特征，构建融合局部莫兰指数、LISA时空聚类与重心迁移法的综合分析框架，揭示碳排放的空间集聚特征与梯度分异格局；同时，围绕能源开采、集输与消费全链条，系统识别各阶段的关键驱动因子，并结合四川省特殊政策背景，探讨重大战略与外部冲击的动态影响，提出分阶段、分区域的差异化减排路径，以期为资源型地区实现低碳转型提供理论支撑与决策参考.

1 材料与方法 1.1 数据来源

主要数据来源包括2000~2022年四川省统计年鉴、四川省各市（州）统计年鉴、能源平衡表以及相关部门发布的碳排放核算参数资料.

1.2 能源领域碳排放核算框架建立

基于《省级温室气体清单编制指南（试行）》能源活动边界的阶段，并借鉴《IPCC国家温室气体清单指南》以及《IPCC国家温室气体清单指南（2019年修订版）》的碳排放测算方法^[28，29]，结合天然气、石油和煤炭的生产、运输和消费这三阶段的活动特征，将传统能源活动领域划分为开采、运输和消费这三阶段，构建了传统化石能源活动领域全过程碳排放的核算框架，如图 1所示.

图 1 化石能源活动领域碳排放核算模型框架 Fig. 1 Framework of carbon emission accounting model for fossil energy activities

1.3 四川省能源领域碳排放空间变化特征分析

四川省各区域碳排放存在明显的空间异质性，且与区域社会经济发展具有密切关联^[30，31]为系统揭示四川省区域碳排放的空间分布特征及其动态演化趋势，本文从空间集聚模式识别、局部空间异常探测与碳排放重心迁移等多个角度展开分析，构建了涵盖全局-局部-演化这3个层面的空间解析体系. 该体系的构建立足于四川省地形多样性、资源禀赋差异与产业空间布局不均衡等区域特征，推动多种空间分析手段在逻辑层面的有机融合，形成对碳排放时空格局的立体识别路径. 在方法选择上，综合运用莫兰指数法、LISA聚类法与重心迁移分析法对四川省区域碳排放量进行具体的变化特征分析，以增强对区域碳排放空间关联性、局部集聚特征与动态演化趋势的综合刻画能力.

具体而言，针对区域碳排放在地理位置上的空间依赖关系，由于全局莫兰指数忽略了局部空间非典型特征^[32，33]，因此采用莫兰指数以识别整体空间关联结构，并结合局部莫兰指数和LISA聚类方法在局部尺度上捕捉空间聚集与离散现象的差异表现，增强了对局部异质性特征的刻画能力. 在此基础上，结合碳排放时空演化的动态特征，运用标准差椭圆与重心迁移方法，从空间轨迹与方向变化角度解析碳排放的演进路径与重构趋势，补充了静态分布分析的时序维度.

通过不同尺度与功能定位的分析方法相互支撑、协同作用，不仅实现了对四川省区域碳排放格局从静态分布到动态演化的连续性认知，也更契合区域碳排放在现实背景下的多元影响机制，体现出多视角、多层级的分析优势，有助于为碳达峰与区域低碳转型提供更具针对性的空间决策依据.

1.3.1 局部莫兰指数

采用局部莫兰指数法探究四川省地级市碳排放之间是否具有空间依赖和空间异质性，见式（1）：

I_{i} = \frac{P_{i} - \bar{P}}{\sqrt[]{\frac{\sum_{i = 1}^{N} (P_{i} - \bar{P})}{N - 1}}} \times \sum_{j = 1}^{N} W_{(i, j)} (P_{j} - \bar{P})

(1)

式中，N为研究区域内的地级市个数；P_i为第i个市的碳排放量（以CO₂计），万t； $\bar{P}$ 为碳排放的平均值（以CO₂计），万t；W_（_i_，_j）为市域i和j之间的空间连接矩阵，无量纲.

1.3.2 LISA聚类

采用LISA聚类分析，研究四川省内不同区域间碳排放行为中存在的聚类模式和空间相关性.

1.3.3 重心迁移分析

以四川省地级市碳排放量为权重，空间区域为辅，确定各变量在空间分布上的标准差椭圆. 借助ArcGIS软件中空间统计分析模块进行空间可视化，得到四川省标准差椭圆，计算见式（2）：

\{\begin{matrix} X = \frac{\sum_{k = 1}^{N} P_{k} x_{k}}{\sum_{k = 1}^{N} P_{k}} \\ Y = \frac{\sum_{k = 1}^{N} P_{k} y_{k}}{\sum_{k = 1}^{N} P_{k}} \end{matrix}

(2)

式中，X和Y分别为四川省排放量重心的经度和纬度坐标；P_k为第k个市的碳排放量（以CO₂计），万t；x_k和y_k分别为第k个市的经度和纬度坐标.

1.4 四川省能源领域碳排放与经济发展相关性分析

利用Tapio^[34，35]脱钩指数判断四川省碳排放发展与经济之间的相关关系，具体模型见式（3）：

S = \frac{% Δ C O_{2}}{% G D P} = \frac{Δ C O_{2} / C O_{2}}{Δ G D P / G D P}

(3)

式中，S为二氧化碳排放量与经济发展的脱钩指数；%ΔCO₂和%GDP分别表示碳排放量和GDP的弹性值，ΔCO₂和ΔGDP分别表示某时间段内二氧化碳变化量和GDP总量的变化量；CO₂和GDP为基期值.

1.5 四川省能源领域碳排放影响因素分析模型构建 1.5.1 能源领域碳排放影响因素指标体系构建

基于《2030年前碳达峰行动方案》^[36]，本研究结合四川省能源资源禀赋、产业结构特征及碳减排进程中的阶段性变化，从能源开采、集输、消费及政策响应等多个层面构建能源领域碳排放影响指标体系. 在开采环节，资源开发强度与减排技术进步是碳排放变化的主要驱动因素，对应设置产出规模（PS）与能源产出碳强度（NC）指标，用于反映非常规天然气开发扩张及采掘环节减排效率的演变；在集输环节，非系统性排放是重要排放源，依据《天然气开采企业温室气体排放核算指南（试行）》^[37]等行业技术规范和四川省在甲烷排放监测体系建设方面的实践基础；消费端的指标设计则更多考虑能源利用结构与用能效率的变化趋势. 同时结合产业结构、制度机制和生态治理等因素在碳排放变化中的作用，构建适宜于四川省区域特点的能源领域碳排放影响因素指标体系如表 1所示.

表 1 影响因素初步筛选说明 Table 1 Description of the preliminary screening of influencing factors

1.5.2 能源领域碳排放影响因素识别方法构建

本研究通过多方法耦合分析框架揭示碳排放影响因素的关联性与作用机制. 首先通过Pearson对所选择的指标进行矩阵相关性检验^[38]，判断影响因素和碳排放之间的相关关系；再基于选取的影响因素，构建扩展的STIRPAT碳排放影响因素识别模型；对“扩展-STIRPAT”模型进行回归分析，结合相关性分析结果验证指标选取的合理性；判断碳排放影响因素的重要性，结合相关性检验、STIRPAT回归结果与随机森林综合分析影响碳排放的主要因素. 其流程见图 2.

图 2 影响因素识别分析流程 Fig. 2 Analysis flowchart for identifying influencing factors

（1）STIRPAT模型本文选择STIRPAT模型研究各影响因素对碳排放量的影响^[39]，该模型由环境压力模型IPAT扩展得到，起先被用来研究人类社会活动对环境造成影响的环境压力^[40]，见式（4）：

I = a P^{b} A^{c} T^{d} e

(4)

式中，I表示环境影响或压力，P表示人口规模，A表示富裕度（人均GDP），T表示技术水平；a表示模型系数，b、c和d分别表示销售额、碳排放强度和能源强度的标准回归系数，e表示误差项.

为更好分析碳排放影响因素，结合所选择的影响因素指标，对其进行了扩展，扩展后的STIRPAT模型见式（5）：

$ \begin{aligned} I= & a \mathrm{AT}^{a_1} A^{a_2} \mathrm{Is}^{a_3} \mathrm{~T}_1^{a_4} P^{a_5} \mathrm{Ps}^{a_6} \mathrm{~T}^{a_7} \mathrm{~T}^{a_8} \mathrm{Em}^{a_9} U^{a_{10}} \mathrm{NC}^{a_{11}} \\ & \mathrm{GR}^{a_{12}} \mathrm{GF}^{a_{13}} \mathrm{PS}^{a_{14}} O^{a_{15}} e \end{aligned} $

(5)

式中，I为四川省能源活动领域碳排放量（以CO₂计），万t；a为模型的拟合系数；a₁，a₂，…，a₁₅为对应解释变量的重要性程度；e为模型的误差项.

（2）岭回归由于考虑到在相关性矩阵图中，因素间存在有中度的多重共线性，因此采用岭回归分析法降低多重共线性，使得回归结果更加准确^[41]. 岭回归估计方程式见式（6）：

\hat{β} (k) = (X^{T} {X + k I)}^{- 1} X^{T} y

(6)

在岭参数的选择上，要选择一个使均方误差达到最小的k值. k值的选择离不开未知参数β和σ²，因此通过设置岭回归参数k在（0，1）区间，步长值设为0.01，根据随机索引划分训练集和测试集，提取解释变量和目标变量.

（3）随机森林基尼指数法本文选用随机森林中基尼指数法（Gini）重要性方法筛选影响因素. 经过Gini法计算得到的变量重要性评分用VIM_j^（Gini）表示，代表第j个变量在所有树中节点分裂不纯度的平均改变量，Gini指数见式（7）：

G I_{m} = \sum_{k = 1}^{k} \hat{P_{m k}} (1 - \hat{P_{m k}})

(7)

式中，k为自助样本集的类别数， $\hat{P_{m k}}$ 为节点m样本属于k类的概率估计值.

变量X_j在节点m的重要性，即节点m分枝前后Gini指数变化量计算公式见式（8）：

V I M_{j m}^{(G i n i)} = G I_{m} - G I_{l} - G I_{r}

(8)

式中，GI_l和GI_r分别表示由节点m分裂的两新节点基尼指数，如果变量X_j在第i棵树中出现M次，则变量X_j在第i棵树的重要性计算见式（9）：

V I M_{i j}^{(G i n i)} = \sum_{m = 1}^{M} V I M_{i j}^{(G i n i)}

(9)

变量在RF中的Gini重要性定义见式（10）：

V I M_{j}^{(G i n i)} = \frac{1}{n} \sum_{i = 1}^{n} V I M_{i j}^{(G i n i)}

(10)

式中，n为RF中分类树的数量.

2 结果与讨论 2.1 四川省化石能源碳排放核算分析

根据单位产碳量数值，消费阶段参照公式，结合统计年鉴确定的基础数据，核算得到的2000~2021年四川省化石能源开采、集输和消费阶段碳排放见图 3.

（a）2000~2021年化石能源活动三阶段碳排放变化，（b）2000~2021年化石能源活动三阶段碳排放占比图 3 2000~2021年化石能源活动领域碳排放变化 Fig. 3 Changes in carbon emissions from fossil energy activities from 2000 to 2021

由图 3（a）可知主要的碳排放阶段为能源开采阶段与能源消费阶段，2020年受新冠疫情影响，四川省能源需求大幅下降，工业、交通等主要能源消费部门普遍进入低运行状态，进而导致碳排放量较2019年显著减少，降幅达43.92%. 图 3（b）表明消费阶段历年碳排放量占比始终超过97%，是碳排放的核心来源；相比之下，开采阶段与运输阶段的碳排放占比较低，分别为1.03%~2.63%与0.104%~0.634%. 这一结构特征反映出四川省能源结构的消费端集中性特征^[42]，也与国家近年来倡导“终端用能清洁化”和“提升终端能效”的政策思路相符^[43]. 例如，自2016年《能源生产和消费革命战略（2016-2030年）》^[44]发布以来，四川省在压煤、增气以及扩电方面持续发力，推动天然气替代以及提高电能占比，有效遏制了传统化石能源消费的增量扩张，但由于城镇化与产业升级过程仍处于爬坡期，消费阶段的碳排放规模仍维持在较高水平.

消费阶段分行业碳排放占比分析，分行业统计煤、石油和天然气终端能源消耗碳排放占比见图 4.

图 4 2011~2021年消费阶段分部门碳排放占比 Fig. 4 Proportion of carbon emissions by sector in the consumption stage from 2011 to 2021

由图 4可知，行业能源消费碳排放量占比依次为工业部门、交通运输、居民生活、服务业、建筑业和农林牧渔业能源消费产碳量，年均增长率分别为工业-1%，建筑业28%，服务业28%，居民生活5%，农林牧渔业22%，交通运输25%. 终端能源消耗中，工业仍是最主要的能源消耗部门，后续减碳措施采取中，需要对能源消耗总量进行控制. 结合各部门的碳排放时序变化表明，工业部门虽然排放总量最大，但其年均增长率为-1%，是唯一呈现负增长的领域. 这表明近年来针对工业领域的节能减排措施开始显现成效，遏制了其碳排放的上升势头；与工业的减排趋势形成鲜明对比的是，其他主要行业均呈现高速增长态势. 交通运输作为第二大排放源，其碳排放正以年均25%的速度迅猛攀升. 这深刻反映了经济活力和居民生活水平提升带来的物流需求激增、私家车保有量持续上涨以及航空运输快速发展所带来的巨大排放压力；建筑业和服务业的碳排放尽管其目前的排放基数相对较小，但其年均增长率均高达28%，是所有部门中增速最快的，主要源于持续大规模的城镇化建以及建筑运行能耗的增加；服务业的快速增长则与商业活动繁荣、商业中心扩张和商业楼宇能耗上升等因素密切相关.

2.2 四川省化石能源消费阶段碳排放特征分析

综上核算结果表明，消费阶段是四川省化石能源活动过程中碳排放的主要来源，在碳排放总量中占据主导地位. 相较于资源开采和集输环节，能源消费直接反映终端需求特征，与经济发展水平、产业结构及能源利用效率密切相关，具有更强的排放驱动效应. 因此，聚焦消费阶段的碳排放演变特征，对于识别四川省碳排放的主要结构变化及其背后的经济社会因素具有重要意义.

2.2.1 碳排放时序变化特征分析

对四川省18个典型地级市的化石能源消费阶段碳排放量进行可视化研究，选取了2011年、2015年、2018年与2021年这4个变化较明显年份，绘制了各年份碳排放变化时序见图 5.

图 5 不同年份18个地级市碳排放量变化时序 Fig. 5 Temporal trends of carbon emissions in 18 prefecture-level cities across different years

从图 5可以看出，2011~2021年间四川省地级市化石能源碳排放在空间格局与时序演化上呈现出显著差异特征. 2011年、2015年和2021年这3 a间，成都、乐山和攀枝花碳排放量持续居高，形成高排放区域核心. 按经济区划分，四川省碳排放量依次呈现出成都平原经济区、川南经济区和川东北经济区的递减趋势，主要反映了区域发展模式与资源禀赋的差异. 成都平原地区经济活跃、人口密集，高耗能行业和交通能源需求集中，碳排放水平长期处于高位；而川南、川东北受产业基础和能源消费规模所限，碳排放增长相对温和.

从空间分布演化看，川西经济强市如成都、绵阳和内江等城市始终处于较高排放等级，而巴中、雅安和广元等地则相对稳定在低排放区间，表现出显著的区域差异. 这一差异与城市功能定位、产业结构、人口密度及能源消费方式密切相关，体现出四川省碳排放格局中明显的“经济-能源-碳”空间耦合特征.

在时序演化方面，2021年是碳排放量变化最显著的年份，四川省地级市的整体碳排放量较2018年有所增加，增长幅度为1.55~4.09倍. 其中，资阳的碳排放量增长最多，达到1 679.13万t，其次是巴中，碳排放量增长超过1 500万t. 从图 5中可明显看出，2021年高排放等级区域显著扩大，特别是在资阳、巴中、内江和绵阳等城市，排放等级由较低区间跃升至中高等级. 这一趋势的形成，与疫情后四川省全面启动经济复苏密切相关. 四川省在《四川省“十四五”规划和2035年远景目标纲要》中明确提出推动“成渝地区双城经济圈建设”，加快产业有序梯度转移，推动“省内协作”与“成德眉资同城化”深度融合^[45]. 资阳和巴中等地被纳入承接产业转移重点区域，并在2021年被赋予“创新发展示范区”地位，成为基础设施、制造业和能源消费快速增长的核心地带^[46]. 与此同时，2020年受疫情冲击影响，多数城市排放等级显著下降，在图中表现为红色和橙色区域范围收缩. 这主要由于工业与交通活动收缩及能源需求减少所致. 2021年随经济全面复苏，碳排放迅速反弹，反映出短期政策刺激与恢复性增长对能源消费的强烈拉动效应.

总体而言，四川省碳排放呈现“空间梯度明显、时间变化波动”的特征，既受宏观发展政策引导，也受区域资源条件与经济结构变化共同驱动. 其空间差异性与动态演化，实质上是政策导向、资源承载与发展路径耦合演进的结果.

2.2.2 碳排放空间异质性分析

对四川省碳排放全局莫兰指数进行研究，得到2011年、2015年、2018年和2021年这4个年份的空间自相关图，结果见图 6.

图例中“---”表示只要Z值在-1.65~1.65之间，就说明不存在空间自相关性，此时P值不具有统计学上的显著性；灰度色块本身表示的是不同区域的属性值，深浅仅用于区分数值大小：深色块表示高值区域，浅色块表示低值区域图 6 不同年份碳排放空间自相关图 Fig. 6 Interannual spatial maps autocorrelation patterns of carbon emissions

从图 6可以看出，四川省4个典型年份的碳排放全局莫兰指数（Moran's I）均为负值，分别为-0.023 5、-0.010 9、-0.163 9和-0.226 2，对应的临界值（Z值）在-1.65~1.65区间内且显著性水平（P值）均大于0.10，表明四川省地级市碳排放在这4个阶段均未表现出显著的空间自相关性，整体以随机分布为主，空间聚集效应不明显.

从莫兰指数的变化趋势来看，数值呈持续下降态势，反映出空间异质性逐步增强. 其中，2011年和2015年莫兰指数接近于0，碳排放在空间上相对均衡，区域间差异较小；而2018年和2021年莫兰指数进一步降低，尤其是2021年达到-0.226 2，说明该年度四川省碳排放的局部分异现象更为显著，区域间的空间割裂程度加剧. 在显著性分析图中也可以观察到，4个年度中大部分地市的空间分布落入“随机区间”，极少出现高-高或低-低类型的显著聚集，进一步验证了碳排放空间格局整体呈现出非聚集、低相关性和强异质性的特征. 说明四川省尚未形成区域间碳排放效率的集聚发展态势，整体表现出空间分异程度较高、效率错位特征显著的格局状态.

基于莫兰指数的分析结果，初步揭示了四川省碳排放在不同年份存在一定的空间自相关特征，但该指标仅能识别整体或局部区域的相关性强弱，尚不足以详细刻画具体城市间的聚集类型及其空间结构. 为进一步明确不同地区在特定时点上所处的碳排放空间集聚状态及其变化趋势，引入局部莫兰指数及LISA聚类方法，综合分析四川省内各区域变化较大的2011年、2015年、2018年和2021年碳排放聚类情况，结果见图 7.

图 7 不同年份碳排放变化LISA聚类 Fig. 7 LISA cluster analysis of carbon emissions across different years

根据图 7结果表明，四川省碳排放在地理空间上表现出较为明显的局部集聚与错位特征，尤其是“高-高”与“高-低”“低-高”等类型的演化过程，反映出碳排放空间异质性的动态演变趋势.

2011年，四川省碳排放呈现出以攀枝花与乐山为核心的“高-高”聚集区，对应碳排放值分别为7 143.19万t与5 808.04万t，作为传统重工业基地，两地能源消费以煤炭为主，产业结构中高耗能制造业占比高，导致碳排放强度偏高. 与此同时，雅安被识别为“低-高”聚集区，其碳排放量仅为2 505.47万t，处于周边高排放区域的包围之中，初步反映出“低效率-高邻域”的空间错位特征. 2015年，区域聚类关系较2011年略有收缩，仅乐山保留“高-高”聚集区，而攀枝花则脱离高排放聚集区. 此变化由于“十二五”时期四川省对重污染行业实施结构调整，特别是在《节能减排“十二五”规划》背景下，对钢铁、有色和建材等行业实行限产减排，推动了部分高排放城市碳强度下降^[47]. 同时，雅安依旧为“低-高”聚集区，说明其在区域碳排放格局中的结构性劣势未明显改善，空间错位现象依旧存在. 2018年，乐山仍保持为“高-高”聚集区，表明其高排放水平具备一定持续性，产业结构未发生实质性转变. 内江被识别为“高-低”聚集区，其邻近的资阳和眉山等地碳排放水平明显较低，反映出在“一干多支”区域发展新格局推动下，内江作为成渝城市群产业承接重点城市，其制造业加速集聚，能源消耗同步提升，碳排放显著上升^[48]. 雅安在此阶段仍为“低-高”聚集区，表明其区域碳效率错位问题持续存在. 至2021年，四川省碳排放聚集格局发生显著调整，乐山与雅安共同构成“高-高”聚集区（碳排放分别为6 424.84万t与3 931.23万t），尤其是雅安，其碳排放水平的快速上升，与“十四五”初期城市功能定位提升和基础设施投资加快密切相关. 政策推动下，雅安在产业承接、交通能源项目等方面取得显著进展，带动碳排放持续增长. 同时，内江继续表现为“高-低”聚集区，周边城市如资阳和眉山等碳排放增长相对缓慢，空间异质性进一步加剧. 这一格局演化与《成渝地区双城经济圈建设规划纲要》的实施密切相关. 政策明确提出构建“一极多点、协同共兴”发展格局，强化“成德眉资”一体化与中部产业承接带建设，在基础设施投资与能耗型项目布局上对雅安、内江等地形成直接拉动，推动其由“低-高”或“高-低”聚集关系向更高等级跃迁^[49].

四川省地级市在落实国家节能减排政策过程中，表现出较为显著的空间差异性. 一方面，各地在政策响应与能力建设方面存在不均，部分非核心区域缺乏清晰的碳达峰路径规划，政策执行滞后于国家“双碳”战略整体部署，导致形成“高排放-低效率”的路径依赖，制约了区域碳效率的整体协同提升. 另一方面，四川省地级市碳排放在局部空间上呈现一定程度的集聚性，且其聚类结构随时间演变趋势明显，由早期的“资源型高排放区”逐步向“承接型产业扩张区”转变. 其中，“高-高”型集聚格局由攀枝花-乐山逐步扩展至乐山-雅安-内江，反映出区域发展重心在政策引导下由西南资源带逐步向中部协同带转移. 同时，“高-低”与“低-高”类型的持续存在，表明区域碳排放尚未实现协调优化，空间错位问题依然突出. 整体来看，四川省碳排放效率的空间格局呈现非集聚化与交错分布的特征，其背后反映出区域经济发展基础、产业升级进程、绿色技术采纳能力及政策执行力度等方面的差异，是影响区域碳效率协同提升的关键因素.

2.2.3 碳排放重心迁移分析

根据重心迁移分析计算结果绘制的四川省碳排放重心迁移与标准差椭圆示意见图 8.

图 8 碳排放重心迁移与标准差椭圆示意 Fig. 8 Schematic diagram of carbon emission center migration and standard deviation ellipse

标准差椭圆定义中，长轴代表地理要素在主要趋势方向上的离散程度的核心边缘结构，短轴代表地理元素在次要方向上的离散程度. 图 8中长轴表示碳排放的方向分布，短轴表示碳排放的分布范围，长短轴的比例越小，碳排放强度越集中，反之则方向不明显，空间分布范围较为分散. 由图 8可以看出，2011~2021年期间四川省碳排放量逐渐呈现分散，四川省碳排放呈“西北⁃东南”的空间分布格局. 碳排放标准差椭圆参数见表 2.

表 2 四川省碳排放标准差椭圆参数 Table 2 Parameters of the standard deviation ellipse for carbon emissions in Sichuan Province

从具体的变化数值来看，2015年沿X轴负向移动4 768.24 m，2018年和2021年在此基础上正向移动7 175.71 m和1 162.16 m. 在Y轴正方向上数值不断增大. 综合分析为，排放重心逐渐向北迁移. 这一变化表明碳排放的空间高值区正逐步由传统的成都平原地区向川西、川东和川北等资源型地区转移，反映出区域产业格局调整与能源消费重心转移的联动效应. 该过程与近年来四川省加快推动产业梯度转移、加大西部资源开发及川东北经济区基础设施投资密切相关，体现了政策导向对区域碳排放格局演化的深刻影响.

结合前述对四川省化石能源消费阶段碳排放特征的系统分析，可以看出，其碳排放在时间、空间及重心迁移等维度呈现出显著的动态异质性与结构复杂性. 这一系列演化不仅反映了碳排放总量随经济周期和政策响应而波动变化，还揭示了局部聚集格局、区域错位结构与全局重心迁移之间的尺度联动与结构嵌套关系. 碳排放格局的重塑呈现出由局部结构向全局趋势递进展开的时空演化链条，体现出区域碳排放动态过程中的多尺度互动机制.

进一步来看，四川省碳排放格局的演变是区域发展战略调整、资源空间重组以及政策执行节奏差异等多重因素综合作用的结果. 尤其在能源消费与碳减排压力持续交织的背景下，厘清其演化路径与驱动机制，对于深化资源型地区差异化减排路径的认知、构建区域间协同治理机制以及推进分区施策具有重要的理论价值与实践意义.

2.3 四川省碳排放与经济发展相关性分析

脱钩指数分析四川省2011~2021年经济发展与碳排放脱钩相关性状态见图 9.

图 9 碳排放与经济发展脱钩状态变化 Fig. 9 Changes in decoupling states between carbon emissions and economic development

由图 9可知，2011~2021年期间，四川省处于强脱钩状态的年度有6个，分别为2011~2012年、2012~2013年、2013~2014年、2016~2017年、2017~2018年和2019~2020年；处于弱脱钩状态的年份有2个，分别为2014~2015年和2015~2016年；2018~2019年为增长连接年份，2020~2021年为增长负脱钩年份，2011~2021年10 a间四川省碳排放与GDP之间是弱脱钩状态. 2011~2014年，水电开发与产能淘汰推动强脱钩，但随工业化深化，钢铁、建材等高耗能行业扩张导致弱脱钩常态化. 2016年正式印发关于成渝城市群规划通知，随后成渝双城经济圈建设刺激基建投资，碳排放增速与经济增速趋同，暴露高碳增长模式惯性^[49]. 2020年疫情后经济复苏依赖传统产业，叠加低碳技术滞后，引发扩张负脱钩.

从整体特征分析来看，四川省的主要能源消耗部门是终端用能部门，特别是工业部门，作为消费阶段的主要排放源. 四川省整体碳排放呈“西北-东南”的空间分布格局，碳排放重心逐渐向北迁移. 经济发展变化与城市碳排放变化相呼应，2011~2021年这10 a间四川省整体碳排放量增加，但能源利用效率也不断提高，碳排放总量增长速率低于经济增长速率.

2.4 四川省化石能源碳排放影响因素分析 2.4.1 四川省化石能源碳排放影响因素相关性检验

利用2000~2021年四川省能源活动数据进行相关性分析，发现四川省地区生产总值、人口、能源消耗量，产业结构、城镇化率与碳排量呈正相关，能源消耗量与对外开放水平的相关性系数最大，能源产出碳强度与碳排放量呈负相关，开采阶段的能源产出碳强度与碳排放量呈线性关系，影响因素间相关关系见图 10.

椭圆大小表示是相关性指数的大小，相关性指数绝对值越大椭圆越小，相关性指数绝对值越小椭圆越大，椭圆的方向表示相关性指数的正负图 10 四川省能源活动领域碳排放影响因素相关性矩阵 Fig. 10 Correlation matrix of influencing factors for carbon emissions in energy-related activities in Sichuan Province

从图 10可知，货物周转量（AT）、能源消耗量（U）、对外开放水平（O）与碳排放量（I）之间 $|r|$ 在0.83~0.94之间，即存在显著的正相关关系. 产业结构（Is）、地区生产总值（A）和城镇化率（Ps）的相关系数 $|r|$ 分别为0.61、0.63和0.73，与碳排放之间为正相关关系. PS、NC为弱正相关关系，人口规模（P）与绿地增长率（GR）为极弱正相关. 碳排放量和能源消费碳强度（T2）、能源强度（T3）之间存在微弱的负相关性（ $|r|$ =0.57~0.69），能源结构（Em）和总产出碳强度（T1）为低度负相关性， $|r|$ 分别为-0.39和-0.4. 能源结构对碳排放的影响作用与岭回归分析结果作用性相反，根据已有研究结论，能源结构变化与碳排放强度的关系，发现传统煤炭、石油和天然气在能源结构中的比例对碳排放具有正向影响，水电比例具有负向影响^[50].

2.4.2 四川省能源领域碳排放STIRPAT模型构建及回归分析

利用SPSS对四川省能源领域碳排放STIRPAT模型进行岭回归分析，见图 11.

曲线表示影响因素；横坐标为0.00时，从下到上依次为：Ps、Em、T3、T1、AT、O、NC、GR、PS、Is、GF、A、U、P和T2；横坐标为1.00时，从下到上依次为：Em、T3、NC、AT、GR、Ps、PS、P、A、T1、Is、O、GF、T2和U 图 11 化石能源碳排放影响因素岭迹 Fig. 11 Ridge trace plot of influencing factors for fossil energy carbon emissions

最佳的岭回归参数K取值0.1，在该参数下的岭回归结果见表 3. 在分析过程中，绿地增长面积（GR）与碳排放之间的岭回归系数为130.89，最终的岭回归结果不包含此因素. 岭回归模型的决定系数（R²）为0.980，表明所选影响因素能够解释碳排放对数（lnI）98%的变异，模型拟合效果良好. F统计量为148.791，且所有影响因素的方差膨胀因子（VIF）均小于10，表明模型中不存在严重的多重共线性问题. 所有变量的系数均符合实际经济意义.

表 3 化石能源活动领域碳排放影响因素岭回归结果^1） Table 3 Ridge regression results of influencing factors for carbon emissions in fossil energy-related activities

根据岭回归结果，地区生产总值（A）、人口（P）、产出规模（PS）、城镇化率（Ps）、货物周转量（AT）、天然气逸散量（GF）、产业结构（Is）、能源消耗总量（U）对碳排放具有显著性影响. 相反，对外开放水平（O）、总产出碳强度（T1）、能源消费碳强度（T2）、能源强度（T3）与碳排放之间未表现出显著性关联，但统计结论“不显著”时的实际差异未必都没有专业上的意义，通过分析发现这一现象的原因在于这4个因素与碳排放的关系并非直接，而是通过中介效应间接影响碳排放，即通过影响其他相关因素从而间接作用于碳排放.

总结分析可知：地区生产总值（A）、人口（P）、产出规模（PS）、货物周转量（AT）、天然气逸散量（GF）、产业结构（Is）、能源消耗总量（U）、能源结构（Em）、城镇化率（Ps）和能源产出碳强度（NC）均对碳排放量产生显著影响. 总产出碳强度（T1）对碳排放（I）具有负向影响，T1与碳排放的关系表明，在研究区间，四川省地区生产总值的增长速率高于碳排放的变化速率，经济增长带动了技术进步，进而促进了碳排放的减少. 这一结果与碳排放与经济发展脱钩的分析结论一致.

2.4.3 四川省化石能源碳排放影响因素重要性评估

根据影响因素指标识别对四川省碳排放影响因素进行重要性排序，见图 12.

图 12 能源活动领域碳排放影响因素重要性分析 Fig. 12 Importance analysis of influencing factors for carbon emissions in energy-related activities

在碳排放影响因素的重要性识别中，多方法联合分析表明，消费阶段因素对碳排放变化的贡献远高于开采与集输环节. 其中，城镇化率（0.225）、地区生产总值（0.191）与能源消费总量（0.169）等宏观变量排名靠前，构成核心驱动力，反映出人口集中、交通物流强度提升与经济扩张是驱动碳排放增长的关键要素. 这一结果与行业碳排放结构的演化特征形成高度呼应，2011~2021年碳排放重心持续向北迁移也印证了城镇扩张与经济规模对碳排放的空间重构效应.

在能源系统内部，能源消费碳强度是相对最重要的技术性因素，超过了能源强度和能源结构. 这一排序表明在四川省当前阶段，降低单位能源消费的碳排放（即优化能源品种结构，如增加清洁能源使用）比单纯降低单位GDP的能耗或单纯降低煤炭占比对于减排的贡献更为关键. 这可能与四川省自身丰富的清洁能源（尤其是水电）禀赋有关，通过进一步优化能源消费结构（例如提升水电消纳和发展非化石能源）来降低能源消费碳强度，是更有效的技术减排路径.

在分阶段驱动因子的识别上，能源消费阶段的变量维度最为丰富，除能源总量（U）与人口规模（P）外，能源结构（Em）、产业结构（Is）、能源强度（T3）与开放水平（O）等多变量协同驱动，说明消费端碳排放表现出复合型影响机制，不仅受传统经济指标影响，也深受区域发展模式与制度安排的嵌套作用. 相较之下，开采与集输阶段的影响因素相对集中，主要受资源产出规模（PS）、逃逸排放（GF）及运输强度（AT）等直接变量主导，碳排放的变化路径更具结构刚性. 这种阶段性差异从结构上阐明了消费环节在碳排放总量及增长速度方面的主导作用，同时强调了终端能源消费管控和产业结构优化在制定减排政策中的重要性.

综合上述结果与分析表明，四川省化石能源碳排放受宏观经济、社会结构与能源系统等多重因素共同驱动，在不同时期和环节呈现出一定的阶段性与结构性差异. 从相关性与回归结果看，地区生产总值、人口规模、城镇化率与能源消费总量等宏观变量对碳排放具有较强的解释力，消费阶段变量的影响普遍高于开采与集输环节，反映出终端能源使用在碳排放增长中的关键地位. 在技术类因素中，能源消费碳强度的重要性排名高于能源强度与能源结构，显示出能源系统效率与结构调整对区域碳排放水平的显著影响. 此外，不同排放阶段的影响机制存在明显差异，尤其在消费端呈现出较为复杂的多因素交织特征，体现出碳排放驱动机制的系统性与异质性.

3 建议

（1）四川省化石能源领域碳排放终端消费阶段是碳排放的核心环节，工业领域仍然占主导，省建筑业、服务业和交通运输等新兴部门碳排放快速增长，应进一步推动传统高耗能行业绿色转型，强化高耗能产业准入与升级标准，结合《四川省“十四五”节能减排综合实施方案》，加快构建以清洁电力为主、可再生能源为支撑的终端用能体系，通过推动建筑运行能效提升、电动交通体系建设和服务业能耗监管，有效压降单位产出碳排放强度.

（2）天然气作为四川省重要支柱能源，其开采及集输环节虽碳排放占比较低，但逃逸排放问题不容忽视. 应结合《成渝地区天然气综合利用发展规划》等政策文件，完善天然气集输系统的密闭化管理与智能化监测，控制碳逃逸带来的隐性碳排放增长风险；同时，探索在资源开采环节引入绿色矿山建设规范，优化能源资源产出规模结构，强化节能环保约束，推动源头控碳.

（3）四川省内地级市在碳排放水平、增长趋势及调控能力方面差异显著. 应以“成渝双城经济圈”建设为契机，推动区域间在碳排放达峰路径、绿色技术应用与产业布局上的协同. 对成都、绵阳等高排放城市，应以控总量、稳增速为主，实施绿色制造示范工程；对南充、雅安等碳排放快速增长地区，可设立产业转型引导机制；而对减排成效较好的攀枝花、资阳等地区，则应加强经验推广与财政激励，形成分类施策、协同推进的区域减排新格局.

4 结论

（1）四川省化石能源碳排放主要由消费阶段驱动，且消费阶段碳排放量占比始终超过97%，开采和集输阶段排放占比较低，终端用能仍然对碳排放水平具有决定性影响.

（2）四川省部分城市碳排放量存在明显波动，整体呈现先下降后回升的趋势. 碳排放呈现高低值聚集并存的特征，高排放区域主要集中于资源密集和工业基础较强的城市，部分地区则保持低排放水平，表现出显著的空间异质性和错位格局. 碳排放重心逐步向资源丰富但产业转型中的地区迁移，且空间分布范围有所分散.

（3）从经济发展与碳排放的关系来看，四川省经济水平、人口规模和城镇化率与碳排放呈显著正相关. 整体来看，四川省碳排放与GDP呈弱脱钩状态，经济增长速度高于碳排放增长速度.

（4）驱动因素分析结果表明碳排放变化受多重因素综合影响，四川省碳排放受能源消费、产业结构、人口规模及经济发展等主要因素的综合作用. 其中，能源消耗总体、产业结构调整及对外开放水平对碳排放具有显着正向影响. 在不同阶段中，开采阶段碳排放主要受增量规模及能源消耗强度的影响，集输阶段的关键驱动因素为货物周转量及天然气逸散碳排放量，而最终能源消费阶段则主要受经济增长、人口规模及能源利用效率的共同作用.

参考文献

[1]	Chen Y, Moufouma-Okia W, Masson-Delmotte V, et al. Recent progress and emerging topics on weather and climate extremes since the fifth assessment report of the intergovernmental panel on climate change[J]. Annual Review of Environment and Resources, 2018, 43(1): 35-59. DOI:10.1146/annurev-environ-102017-030052
[2]	金颖. "双碳"目标下陕西省能源消费碳排放研究[J]. 煤炭经济研究, 2024, 44(5): 83-90. Jin Y. Study on carbon emissions from energy consumption in Shaanxi Province under the "Double Carbon" goal[J]. Coal Economic Research, 2024, 44(5): 83-90.
[3]	李姗姗, 费翔, 董洪光, 等. 基于LMDI和LEAP模型的山西省碳排放影响因素及预测[J]. 中国环境科学, 2025, 45(7): 4052-4063. Li S S, Fei X, Dong H G, et al. Analysis of carbon emission influencing factors and forecast in Shanxi Province based on LMDI and LEAP model[J]. China Environmental Science, 2025, 45(7): 4052-4063.
[4]	海宜峰, 陈航, 张和, 等. 基于夜间灯光数据的四川省县域经济差异时空格局演变及影响因素研究[J]. 四川师范大学学报(自然科学版), 2025, 48(2): 231-241. Hai Y F, Chen H, Zhang H, et al. Study on the evolution of spatio-temporal patterns for county economic differences and influencing factors in Sichuan province based on night light data[J]. Journal of Sichuan Normal University (Natural Science), 2025, 48(2): 231-241.
[5]	四川省统计局. 2023年四川省国民经济和社会发展统计公报[EB/OL]. https://www.sc.gov.cn/10462/c106776/2024/3/18/d56cc650ca5b43aeb9a495f2e081f5d0.shtml, 2024-03-18.
[6]	四川日报. 关于四川省2024年国民经济和社会发展计划执行情况及2025年计划草案的报告[EB/OL]. https://www.sc.gov.cn/10462/10464/10699/10701/2025/2/8/b44fba6b95f842f59fec076b2225c6f5.shtml, 2025-02-08.
[7]	祝红飞, 张协奎. 国际视角下工业智能化对碳排放的影响评估[J]. 重庆理工大学学报(社会科学), 2025, 39(1): 133-151. Zhu H F, Zhang X K. Assessment of the impact of industrial intelligence on carbon emissions from an international perspective[J]. Journal of Chongqing University of Technology (Social Science), 2025, 39(1): 133-151.
[8]	新华社. 中共中央关于进一步全面深化改革推进中国式现代化的决定[EB/OL]. https://www.gov.cn/zhengce/202407/content_6963772.htm, 2024-07-21.
[9]	Xu J. Study on spatiotemporal distribution characteristics and driving factors of carbon emission in Anhui Province[J]. Scientific Reports, 2023, 13(1). DOI:10.1038/s41598-023-41507-5
[10]	赵红星, 石璟晶, 何瑞春, 等. "一带一路"沿线省域交通碳排放影响因素时空异质性[J]. 环境科学, 2024, 45(8): 4636-4647. Zhao H X, Shi J J, He R C, et al. Spatio-temporal heterogeneity of factors influencing transportation carbon emissions in provinces along the Belt and Road[J]. Environmental Science, 2024, 45(8): 4636-4647. DOI:10.13227/j.hjkx.202308121
[11]	Zhang H, Lei Y D. Study on spatial and temporal characteristics and influencing factors of carbon emissions in the urban agglomeration of the middle reaches of the Yangtze River[J]. Sustainability, 2023, 15(13). DOI:10.3390/su151310176
[12]	Xiao Y, Yong C, Hu W, et al. Factors influencing carbon emissions in high carbon industries in the Zhejiang Province and decoupling effect analysis[J]. Sustainability, 2023, 15(22). DOI:10.3390/su152215975
[13]	刘浩东, 邱微, 陈爽. 黑龙江省能源碳排放核算及驱动因素分析[J]. 中国环境科学, 2024, 44(7): 4117-4126. Liu H D, Qiu W, Chen S. Accounting and driving factors analysis of energy carbon emissions in Heilongjiang Province[J]. China Environmental Science, 2024, 44(7): 4117-4126.
[14]	柯毅明, 郜媛, 袁铭, 等. 数据驱动下广东省碳排放时空分异特性及影响因素[J]. 环境科学, 2025, 46(3): 1482-1491. Ke Y M, Gao Y, Yuan M, et al. Data-driven analysis on the Spatio-temporal characteristics and influencing factors of carbon emissions in Guangdong Province[J]. Environmental Science, 2025, 46(3): 1482-1491. DOI:10.13227/j.hjkx.202403060
[15]	党牛, 林景曜, 王强, 等. 青藏高原地区能源碳排放时空格局及驱动因素[J]. 生态学报, 2024, 44(18): 8033-8046. Dang N, Lin J Y, Wang Q, et al. Spatio-temporal patterns and driving factors of energy CO₂ emission in the Qinghai-Tibet region[J]. Acta Ecologica Sinica, 2024, 44(18): 8033-8046.
[16]	Yang R J, Feng T T, Zhao S. Study on the spatiotemporal differentiation and influencing factors of regional industrial carbon emission efficiency under the background of green development—a case study of Sichuan Province[J]. Frontiers in Environmental Science, 2025, 13. DOI:10.3389/fenvs.2025.1511025
[17]	关敏捷, 袁艳红, 冉木希, 等. 基于STIRPAT模型的山西省能源碳排放影响因素及峰值预测[J]. 中国煤炭, 2021, 47(9): 48-55. Guan M J, Yuan Y H, Ran M X, et al. Influencing factors and peak forecast of energy carbon emission in Shanxi based on STIRPAT model[J]. China Coal, 2021, 47(9): 48-55.
[18]	杨清可, 王磊, 吕立刚, 等. 长三角地区城市碳排放效率的区域差异及空间溢出效应[J]. 环境科学, 2025, 46(1): 19-29. Yang Q K, Wang L, Lü L G, et al. Regional differences and spatial spillover effects of urban carbon emission efficiency in Yangtze river delta, China[J]. Environmental Science, 2025, 46(1): 19-29. DOI:10.13227/j.hjkx.202312204
[19]	Xu Y Q, Liu Y, Chen R D, et al. Study on the spatio-temporal evolution characteristics and driving mechanism of China's carbon emissions[J]. Humanities and Social Sciences Communications, 2023, 10(1). DOI:10.1057/s41599-023-02262-0
[20]	杨琳绮, 赵锐锋, 康丽芳, 等. 甘肃省碳排放时空演变及其影响因素的多尺度[J]. 环境科学, 2025, 46(8): 4900-4910. Yang L Q, Zhao R F, Kang L F, et al. Multi-scale spatial and temporal evolution of carbon emissions and influencing factors in Gansu Province[J]. Environmental Science, 2025, 46(8): 4900-4910. DOI:10.13227/j.hjkx.202406275
[21]	Zhang L, Zhou J C, Xi W J, et al. Spatio-temporal pattern evolution of energy consumption carbon emissions at the city and county levels based on the population-kNDVI correction of nighttime light from 2000 to 2020[J]. Sustainable Cities and Society, 2025, 130. DOI:10.1016/j.scs.2025.106655
[22]	韦彦汀, 李思佳, 张华. 成渝城市群碳排放时空特征及其影响因素[J]. 中国环境科学, 2022, 42(10): 4807-4816. Wei Y T, Li S J, Zhang H. Temporal-spatial evolution of carbon emission and driving factors in the Chengdu-Chongqing urban agglomeration[J]. China Environmental Science, 2022, 42(10): 4807-4816.
[23]	Liu X, Zhang Y C, Li Y Y. How does energy consumption and economic development affect carbon emissions? A multi-process decomposition framework[J]. Energies, 2022, 15(23). DOI:10.3390/en15238802
[24]	Sahu S K, Narayanan K. Decomposition of industrial energy consumption in Indian manufacturing: the energy intensity approach[J]. Journal of Environmental Management and Tourism, 2010, 1(1): 22-38.
[25]	李永金, 龙军, 赵文峰. 四川省煤炭供需平衡预测和保障研究[J]. 中国煤炭, 2024, 50(2): 24-29. Li Y J, Long J, Zhao W F. Research on the forecast and guarantee of coal supply and demand balance in Sichuan[J]. China Coal, 2024, 50(2): 24-29.
[26]	Hu H, Wang L, Yang M C. Multi-scale analysis of spatial and temporal evolution of carbon emissions in Yangtze River Economic Belt and study of decoupling effects[J]. Sustainability, 2024, 16(10). DOI:10.3390/su16104222
[27]	曾灿英, 韩丹叶, 刘庄田, 等. 区域经济差异背景下中国二氧化碳排放影响因素与减排策略[J]. 环境科学, 2025, 46(10): 6221-6232. Zeng C Y, Han D Y, Liu Z T, et al. Influencing factors and mitigation strategies for carbon dioxide emissions in China under regional economic differentiation[J]. Environmental Science, 2025, 46(10): 6221-6232. DOI:10.13227/j.hjkx.202406183
[28]	IPCC. 2006 IPCC guidelines for national greenhouse gas inventories[EB/OL]. https://www.ipcc-nggip.iges.or.jp/public/2006gl/chinese/index.html, 2025-01-08.
[29]	IPCC. 2019 refinement to the 2006 IPCC guidelines for national greenhouse gas inventories[EB/OL]. https://www.ipcc.ch/report/2019-refinement-to-the-2006-ipcc-guidelines-for-national-greenhouse-gas-inventories/, 2025-01-08.
[30]	Cao J Q, Wang S Y, Fan X Y, et al. Correlation analysis of regional carbon emission intensity and green industry development-a case study of Chengdu-Chongqing region[J]. Heliyon, 2023, 9(11). DOI:10.1016/j.heliyon.2023.e21683
[31]	Thio E, Tan M X, Li L, et al. The estimation of influencing factors for carbon emissions based on EKC hypothesis and STIRPAT model: evidence from top 10 countries[J]. Environment, Development and Sustainability, 2022, 24(9): 11226-11259. DOI:10.1007/s10668-021-01905-z
[32]	王艳芳. 非参数空间滞后模型的局部线性核估计及其在山东省空气质量评价中的应用[D]. 赣州: 江西理工大学, 2023. Wang Y F. Local linear kernel estimation of nonparametric spatial lag model and its application to air quality evaluation in Shandong Province[D]. Ganzhou: Jiangxi University of Science and Technology, 2023.
[33]	Anselin L. Local indicators of spatial association—LISA[J]. Geographical Analysis, 1995, 27(2): 93-115. DOI:10.1111/j.1538-4632.1995.tb00338.x
[34]	马晓君, 陈瑞敏, 董碧滢, 等. 中国工业碳排放的因素分解与脱钩效应[J]. 中国环境科学, 2019, 39(8): 3549-3557. Ma X J, Chen R M, Dong B Y, et al. Factor decomposition and decoupling effect of China's industrial carbon emissions[J]. China Environmental Science, 2019, 39(8): 3549-3557.
[35]	Tapio P. Towards a theory of decoupling: degrees of decoupling in the EU and the case of road traffic in Finland between 1970 and 2001[J]. Transport Policy, 2005, 12(2): 137-151. DOI:10.1016/j.tranpol.2005.01.001
[36]	国务院. 国务院关于印发2030年前碳达峰行动方案的通知[EB/OL]. https://www.gov.cn/zhengce/content/2021-10/26/content_5644984.htm, 2021-10-26.
[37]	国家发展改革委. 国家发展改革委办公厅关于印发第二批4个行业企业温室气体排放核算方法与报告指南(试行)的通知[EB/OL]. https://www.ndrc.gov.cn/xxgk/zcfb/tz/201502/t20150209_963759.html, 2015-02-09.
[38]	胡添翼, 杨光, 陈波, 等. 基于Pearson相关性检验的ARIMA边坡位移监测模型[J]. 水利水电技术, 2016, 47(1): 71-75. Hu T Y, Yang G, Chen B, et al. Pearson correlation test-based ARIMA model of displacement prediction[J]. Water Resources and Hydropower Engineering, 2016, 47(1): 71-75.
[39]	黄威翔, 高川作, 吴波, 等. 基于STIRPAT模型的广西碳达峰路径[J]. 环境科学, 2025, 46(2): 682-695. Huang W X, Gao C Z, Wu B, et al. Development path of Guangxi to reach the carbon emission peak based on STIRPAT model[J]. Environmental Science, 2025, 46(2): 682-695. DOI:10.13227/j.hjkx.202402148
[40]	Chertow M R. The IPAT equation and its variants[J]. Journal of Industrial Ecology, 2000, 4(4): 13-29. DOI:10.1162/10881980052541927
[41]	田涛源. 基于机器学习的长三角碳排放估算与趋势变化研究[D]. 上海: 东华大学, 2022. Tian T Y. Research on carbon emission estimation and trend change in the Yangtze river delta based on machine learning[D]. Shanghai: Donghua University, 2022.
[42]	国务院办公厅. 国务院办公厅关于印发能源发展战略行动计划(2014-2020年)的通知[EB/OL]. https://www.gov.cn/zhengce/content/2014-11/19/content_9222.htm, 2014-11-19.
[43]	四川省人民政府. 四川省人民政府关于印发四川省"十三五"能源发展规划的通知[EB/OL]. https://www.sc.gov.cn/10462/c103044/2017/3/2/ad8905f6fc674a209bf084e26b82f79f.shtml, 2017-03-02.
[44]	国家发展改革委, 国家能源局. 国家发展改革委国家能源局关于印发《能源生产和消费革命战略(2016-2030)》的通知[EB/OL]. https://www.ndrc.gov.cn/xxgk/zcfb/tz/201704/t20170425_962953.html, 2017-04-26.
[45]	四川省人民政府. 四川省"十四五"规划和2035年远景目标纲要(全文)[EB/OL]. https://www.sc.gov.cn/10462/10464/10797/2021/3/16/2c8e39641f08499487a9e958384f2278.shtml, 2021-03-16.
[46]	四川日报. 中共四川省委四川省人民政府关于支持川中丘陵地区四市打造产业发展新高地加快成渝地区中部崛起的意见[EB/OL]. https://www.sc.gov.cn/10462/10464/10797/2023/5/18/3a052893bde647ca92b89336869762ee.shtml, 2023-05-14.
[47]	人民银行, 银监会, 证监会, 等. 人民银行银监会证监会保监会关于支持钢铁煤炭行业化解过剩产能实现脱困发展的意见[EB/OL]. https://www.gov.cn/gongbao/content/2016/content_5095765.htm, 2016-04-17.
[48]	四川日报. 省委、省政府印发《关于实施"一干多支"发展战略推动全省区域协同发展的指导意见》[EB/OL]. https://www.sc.gov.cn/10462/10464/10797/2018/11/20/10463293.shtml, 2018-11-20.
[49]	新华社. 中共中央国务院印发《成渝地区双城经济圈建设规划纲要》[EB/OL]. https://www.gov.cn/zhengce/2021-10/21/content_5643875.htm, 2021-10-21.
[50]	彭旭. 中国能源结构与碳排放强度的关系研究[D]. 保定: 华北电力大学, 2016. Peng X. Research on the relationship between energy structure and carbon intensity in China[D]. Baoding: North China Electric Power University, 2016.


环境科学 2026, Vol. 47 Issue (9): 6000-6013	PDF