黑龙江省县域碳排放时空变化及其影响因素分析

引用本文

王琪, 魏庆彬, 孟庆庆, 赵雨峰, 董英莉, 吕林蔚. 黑龙江省县域碳排放时空变化及其影响因素分析[J]. 环境科学, 2026, 47(10): 6751-6762.

WANG Qi, WEI Qing-bin, MENG Qing-qing, ZHAO Yu-feng, DONG Ying-li, LÜ Lin-wei. Analysis of Spatiotemporal Changes and Influencing Factors of County-level Carbon Emissions in Heilongjiang Provinces[J]. Environmental Science, 2026, 47(10): 6751-6762.

黑龙江省县域碳排放时空变化及其影响因素分析

王琪¹, 魏庆彬^1,2,3, 孟庆庆⁴, 赵雨峰⁴, 董英莉⁴, 吕林蔚¹

1. 哈尔滨师范大学地理科学学院，哈尔滨 150025;
2. 黑龙江省林业科学院，哈尔滨 150081;
3. 东北林业大学林学院，森林生态系统可持续经营教育部重点实验室，哈尔滨 150040;
4. 黑龙江省生态环境监测中心，哈尔滨 150096

收稿日期: 2025-08-12; 修订日期: 2025-10-28

基金项目: 黑龙江省生态环境保护科研项目（HST2024TR005）；森林生态系统可持续经营教育部重点实验室开放基金项目（KFJJ2021YB04）

作者简介: 王琪（2000~），女，硕士研究生，主要研究方向为区域碳排放，E-mail：18945651311@163.com

通信作者: 魏庆彬, E-mail：wqb0816@163.com

摘要: “双碳”战略规划下，研究黑龙江省县域碳排放的时空演变规律及其影响因素，可对黑龙江省的可持续发展提供有益借鉴. 以黑龙江省121个县（区）为研究对象，采用空间自相关分析法、标准差椭圆分析法对2000~2020年黑龙江省县域尺度碳排放时空演变特征进行研究；并基于扩展的STIRPAT模型、岭回归模型分析其影响因素并进行定量研究. 结果表明，2000~2020年黑龙江省碳排放量总体呈现上升趋势，年均增长率为5%，其中2010~2020年呈波动增长趋势. 碳排放空间分布差异明显，较高值区主要分布在黑龙江省东部的佳木斯市、鹤岗市、鸡西市及西南部哈尔滨市、大庆市、齐齐哈尔市的区县，呈扩大趋势. 黑龙江省县域碳排放量存在显著的空间自相关性，空间集聚特征明显；标准差椭圆分析表明，黑龙江省县域碳排放空间分布形态呈现“圆化”趋势，碳排放方向趋势减弱，重心点主要集中于哈尔滨市的通河县和木兰县，表明碳排放空间格局总体上相对稳定. 对黑龙江省碳排放有显著正向影响的核心要素有：能源结构、人均GDP、财政支出和人口数量，次要要素为产业结构和居民消费水平；碳排放强度对碳排放有显著负向影响. 因此，各区县政府应根据发展实际情况，制定合理化和差异化的碳减排政策，同时加强区域间的合作交流，保证环境低碳和绿色的可持续发展.

关键词: 县域碳排放空间分析 STIRPAT模型影响因素

Analysis of Spatiotemporal Changes and Influencing Factors of County-level Carbon Emissions in Heilongjiang Provinces

WANG Qi¹ , WEI Qing-bin^1,2,3 , MENG Qing-qing⁴ , ZHAO Yu-feng⁴ , DONG Ying-li⁴ , LÜ Lin-wei¹

1. College of Geographical Sciences, Harbin Normal University, Harbin 150025, China;
2. Heilongjiang Academy of Forestry, Harbin 150081, China;
3. Key Laboratory of Sustainable Forest Ecosystem Management(Northeast Forestry University), Ministry of Education, Harbin 150040, China;
4. Monitoring Center of Ecology and Environment of Heilongjiang Province, Harbin 150096, China

Abstract: Under the "Dual Carbon" strategic goals (peak carbon emissions and carbon neutralit), it is of great significance to study the spatial-temporal evolution law and influencing factors of carbon emission for the sustainable development of Heilongjiang Province. Based on the 121 counties (districts) in Heilongjiang Province, this study employed spatial autocorrelation and standard deviation ellipse analysis to explore the spatiotemporal changes of carbon emissions from 2000 to 2020. Additionally, an extended STIRPAT model and ridge regression analysis were applied to quantitatively assess the influencing factors. The results showed that from 2000 to 2020, carbon emissions in Heilongjiang Province exhibited an overall upward trend, with an average annual growth rate of 5%, though fluctuations were observed from 2010 to 2020. Spatially, carbon emissions displayed significant disparities, with higher values concentrated in counties/districts of Jiamusi, Hegang, and Jixi in eastern Heilongjiang, as well as Harbin, Daqing, and Qiqihar in the southwest, showing an expanding trend. County-level carbon emissions demonstrated strong spatial autocorrelation, with evident clustering characteristics. Standard deviation ellipse analysis revealed a "circularization" trend in the spatial distribution of emissions, accompanied by a weakening directional trend. The centroid of emissions primarily shifted between Tonghe County and Mulan County (Harbin), suggesting a relatively stable overall spatial pattern. The key factors exerting a significant positive impact on carbon emissions included energy structure, per capita GDP, fiscal expenditure, and population size, while industrial structure and household consumption levels played secondary roles. In contrast, carbon emission intensity had a notable negative effect. Accordingly, county governments should formulate tailored and differentiated emission reduction policies based on local conditions, while strengthening interregional collaboration to ensure low-carbon, green, and sustainable development.

Key words: county level carbon emissions spatial analysis STIRPAT model influencing factors

气候变化特别是全球变暖，是建立人类命运共同体和可持续发展所面临的重大挑战. 全球大气中约有45%的二氧化碳排放来源于化石燃料和土地利用变化^[1]，中国已是全球二氧化碳排放量最大的国家，碳排放形势不容乐观，碳减排工作任重道远. 2020年9月，“双碳”政策提出将提高国家自主贡献力度，排放量力争于2030年前达到峰值，努力争取在2060年前实现碳中和^[2]. 作为国家重要的老工业基地，黑龙江省在我国经济发展中具有战略地位，深入分析其碳排放的时空演变格局及影响因素，能够为各区县因地制宜的制定碳减排政策提供理论支撑.

目前核算土地利用产生的碳排放主要有两种方式：直接碳排放核算与间接碳排放核算. 其中，直接碳排放核算主要核算由土地利用类型变更导致的自然生态系统碳排放量变化，主要有样方调查法^[3]、遥感与地图估算法^[4]、模型估算法^[5]等. 间接碳排放是对人类进行土地利用活动所引发的间接碳排放量变化进行核算，常用的核算手段有物料平衡法^[6]、实测法^[7]和碳排放系数法^[8]等. 例如，王帅等^[8]对河南省的化肥、农药和柴油消费等进行了统计，并用碳排放系数法测算了农业水土资源开发的碳排放量. 我国在土地利用碳排放核算中主要采用碳排放系数法^[9，10]，这种方法简便且能提供准确的估算，因此被广泛应用.

其次，国内外学者通过空间统计方法分析碳排放的时空格局，并充分考虑了不同尺度下（包括国家^[11]、省级^[12]、市级^[13]、县域^[14]、企业^[15]及交通^[16]）的区域差异性和空间相关性. 例如，Gregg等^[17]通过对北美地区碳排放时空格局的分析，得出人为碳排放具有明显的季节性和空间性，且呈现出南北和东西的梯度分布特点. Li等^[18]对中国建筑业的碳排放进行了分析，结果表明建筑业的碳排放呈现显著的地区分布差异. 随着研究的不断深入与拓展，国内外关于碳排放时空格局的研究逐渐完善且丰富，对本研究具有较强的参考意义. 但由于县域尺度碳排放数据和社会经济数据的不完整，导致在县域及以下单元的碳排放时空格局研究相对不足，我国区县数量庞大，各地经济发展和自然资源状况复杂^[19]，从县域尺度关注碳排放问题并因地制宜制定碳减排政策，更有利于推动区域低碳经济发展.

对碳排放影响因素的研究主要有对数平均迪氏指数（logarithmic mean divisia index，LMDI）分解法^[20]、空间杜宾面板模型^[21]、地理加权回归模型^[22]和STIRPAT（stochastic impacts by regression on population，affluence，and technology）模型^[23]等方法. 例如，Wang等^[24]通过地理加权回归模型对我国地级市层面的碳排放影响因素进行研究分析，得出碳排放的影响因素包括地区生产总值、私家车数量和能源消耗. 赵选民等^[25]通过建立STIRPAT随机模型，结果表明陕西省的人口规模、经济发展水平、能源强度、能源消费结构都与碳排放呈正相关关系. 当前，学术界对碳排放影响因素的研究已形成较为系统的方法体系. 本文采用STIRPAT模型展开分析. 作为统计学建模方法，STIRPAT模型通过构建解释变量和被解释变量之间的回归方程，定量分析碳排放与各个影响因素之间的关系. 然而，对于STIRPAT模型研究仍存在以下不足：首先，在变量选取上，除人口与人均GDP外，对技术因素的分解多种多样，部分研究引入的变量（如能源价格、科研投入、外商直接投资等）与能源碳排放之间的理论依据尚不充分^[26]. 其次，从时空范围来看，受限于数据获取条件，现有成果多集中于省级及以上尺度，时间跨度普遍较短，缺乏县域及以下尺度和时段较长的深入探讨.

综上所述，对碳排放的现有研究仍存在不足，例如，现有研究多从国家、省级和市级这3个层面进行，对县域尺度的研究相对较少，其主要原因可能是县域数据较难获取，而夜间灯光数据与能源消耗碳排放之间存在良好的相关性，可以有效弥补市县级尺度统计数据获取不全的缺陷^[27]；已有研究多聚焦于一个或几个角度探讨碳排放影响因素，变量选择的缺失可能导致模型结果产生系统性偏差^[28]，本文通过将多维度驱动因子同时纳入一个统一的模型中，针对县域尺度对黑龙江省2000~2020年的碳排放影响因素进行分析，尽可能全面揭示黑龙江碳排放的影响因素.

基于此，本文以2000~2020年黑龙江省121个县域为研究对象，在空间探索性分析（exploratory spatial data analysis，ESDA）框架下采用空间自相关分析法、标准差椭圆分析法对碳排放空间聚集特征和时空演化特征进行研究. 并基于扩展的STIRPAT模型、岭回归模型对黑龙江省碳排放的影响因素进行定量分析. 通过揭示黑龙江省县域碳排放的时空演变规律及影响机制，以期为黑龙江省推进经济高质量发展与低碳绿色发展提供理论依据和实践参考.

1 材料与方法 1.1 研究区域和数据来源 1.1.1 研究区域概况

黑龙江省位于中国东北部，为我国最北端的省级行政区，地理坐标范围在北纬43°26'~53°33'，东经121°11'~135°05'之间（如图 1）；总面积约为47.3万km²，位居全国第六. 黑龙江省农业资源丰富，拥有全国最大的耕地面积（1 720万hm²）. 此外，作为我国主要林区，其森林资源十分可观，林地总面积为2150.6万hm²，森林覆盖率达47.3%，各项林业指标均处于全国领先地位. 在工业发展方面，黑龙江省是我国重要的能源基地和重工业中心，兼具能源生产与消费的双重属性. 截至2020年，全省共设13个地级市，下辖121个县级行政区.

图 1 黑龙江省位置 Fig. 1 Location of Heilongjiang Province

1.1.2 数据来源

本研究所用数据主要来源：①黑龙江省2000~2020年土地利用数据来源于中国逐年土地利用数据集（Annual China Land Cover Dataset，CLCD）. ②夜间灯光数据来源于中国科学院资源环境科学与数据中心. ③社会经济数据来自《黑龙江统计年鉴》及各区县统计年鉴，共选取8个指标，具体见表 1. ④能源碳排放系数参考《中国能源统计年鉴》《IPCC2006国家温室气体排放指南》，具体系数见表 2. ⑤矢量地图数据来源于国家基础地理信息中心1∶400万数据库.

表 1 社会经济数据 Table 1 Socio-economic data

表 2 能源碳排放系数 Table 2 Carbon emission factor for different types of fuels

1.2 研究方法 1.2.1 碳排放核算

本文选用碳排放系数法进行碳排放的核算，包括直接和间接的碳排放核算^[29]. 直接碳排放量由耕地、林地、草地、水域和未利用地这5类土地利用类型构成，根据已有研究成果^[30，31]，得到对应的碳排放系数分别为：0.422、-0.644、-0.253、-0.021和-0.005，计算公式：

C_{e} = \sum_{i = 1}^{n} S_{i} \times δ_{i}

(1)

式中，C_e为直接碳排放量；S_i 为第i种土地利用类型面积； $δ$ _i为第i种土地利用类型的碳排放系数，n为土地利用类型种类数.

间接碳排放核算中建设用地被视为主要排放源. 单纯用建设用地面积与固定系数进行核算无法准确体现人类活动的真实情况. 为此，本研究采用IPCC在2020年发布的《国家温室气体排放清单指南》中的能源消费碳排放系数，基于能源消耗来推算建设用地的碳排放^[32，33]. 其计算公式为：

C = \sum_{i = 1}^{n} E_{i} \times M_{i} \times Q_{i}

(2)

式中，C为间接碳排放总量，E_i 为i能源的消费量，M_i 为i能源的标准煤折算系数，Q_i 为i能源的碳排放系数，n为能源种类总数.

有研究发现，夜间灯光数据与能源消耗量呈现显著的线性相关^[34，35]. 因此，本研究使用黑龙江省2000年、2005年、2010年、2015年和2020年的夜间灯光数据对间接碳排放量进行空间化处理. 计算公式为：

C_{i} = C \times \frac{D_{i}}{\sum_{i = 1}^{n} D_{i}}

(3)

式中，C_i 为i县（区）的间接碳排放量，C为间接碳排放总量；D_i 为i县（区）的夜间灯光数据的DN值， $\sum_{i = 1}^{n} D_{i}$ 为夜间灯光数据的DN值之和，n为研究区县域总数.

1.2.2 碳排放空间分布特征 1.2.2.1 空间自相关分析

县域尺度碳排放量的全局自相关是对整个黑龙江省的碳排放量进行整体的空间自相关分析，从而判断空间分布特征和聚集程度，其计算公式如下^[36]：

I_{Q} = \frac{n \sum_{i = 1}^{n} \sum_{j = 1}^{n} W_{i j} (X_{i} - \bar{X}) (X_{j} - \bar{X})}{(\sum_{i = 1}^{n} \sum_{j = 1}^{n} W_{i j}) \sum_{i = 1}^{n} {(X_{i} - \bar{X})}^{2}}

(4)

式中，I_Q为Moran's I指数，n为研究区县域总数，W_ij 为空间权重，X_i 和X_j 分别为县域i和j的碳排放量， $\bar{X}$ 为研究区内所有县域碳排放量的平均值. Moran's I指数的取值范围是（-1，1），I_Q大于0表示县域碳排放量存在正的空间自相关性，小于0表示县域碳排放量存在负的空间自相关性，接近0表示县域碳排放呈随机分布.

LISA聚集指数（local indicators of spatial association）是一种用于分析空间数据局部聚集性的统计指标，主要用于识别数据中的高值聚集区和低值聚集区. 局部莫兰指数是LISA聚集指数的一种，能有效识别县域与其邻县碳排放量的关联程度，从而揭示空间异质性分布规律，弥补全局自相关分析的不足^[37]. 其计算公式为：

I_{G} = \frac{n (X_{i} - \bar{X}) \sum_{j = 1}^{n} W_{i j} (X_{j} - \bar{X})}{\sum_{i = 1}^{n} {(X_{i} - \bar{X})}^{2}}

(5)

式中，I_G为局部莫兰指数，I_G大于0表示县域与邻近县域表现为相似的特征，存在空间同质性（高-高聚集或低-低聚集）；I_G小于0表示县域与邻近县域表现为不同的特征，存在空间异质性（高-低聚集或低-高聚集）；I_G为0时表示不存在空间相关性.

1.2.2.2 碳排放空间重心变化分析

本研究用标准差椭圆分析探索黑龙江省碳排放的空间特征. 标准差椭圆^[38]是用来衡量区域变化趋势的经典方法之一，有以下几个要素：旋转角θ、沿X轴标准差、Y轴的标准差和形状指数；旋转角表示发展的主趋势方向，长轴反映地理要素在主趋势方向上的离散程度，短轴反映地理要素在次要方向上的离散程度^[39]，形状指数反映了要素分布的方向性强弱^[40]. 标准差椭圆的基本要素计算公式为：

t a n θ = \frac{(\sum_{i = 1}^{n} X_{i}^{2} - \sum_{i = 1}^{n} Y_{i}^{2}) + \sqrt[]{(\sum_{i = 1}^{n} {\tilde{X}}_{i}^{2} - \sum_{i = 1}^{n} {\tilde{Y}}_{i}^{2}) + {(4 \sum_{i = 1}^{n} {\tilde{X}}_{i} {\tilde{Y}}_{i})}^{2}}}{2 \sum_{i = 1}^{n} {\tilde{X}}_{i} {\tilde{Y}}_{i}}

(6)

σ_{X} = \sqrt[]{\frac{\sum_{i = 1}^{n} {({\tilde{X}}_{i} c o s θ - {\tilde{Y}}_{i} s i n θ)}^{2}}{n}}

(7)

σ_{Y} = \sqrt[]{\frac{\sum_{i = 1}^{n} {({\tilde{X}}_{i} s i n θ - {\tilde{Y}}_{i} c o s θ)}^{2}}{n}}

(8)

F = \frac{a}{b}

(9)

式中，θ为旋转角；X_i 和Y_i 为第i个县的X和Y坐标； ${\tilde{X}}_{i}$ 和 ${\tilde{Y}}_{i}$ 分别为X、Y坐标与平均中心的偏差；n为研究省域单元总数； $σ_{X}$ 为X轴的标准差； $σ_{Y}$ 为Y轴的标准差，F为形状指数，a为短半轴标准差（ $σ_{Y}$ ），b为长半轴标准差（ $σ_{X}$ ）.

1.2.3 县域碳排放量的影响因素分析

IPAT模型^[41]最早由Ehrlich和Holdren提出，用于分析人文因素对环境的影响，其公式为：

I = P \times A \times T

(10)

式中，I为人类对环境的影响，在本文中即县域碳排放量，A为富裕程度（人均GDP），P为人口（年末总人口），T为技术水平（碳排放强度）.

但该模型存在明显的缺陷，其等式形式即默认各因素（P、A、T）对环境的影响程度相同，其次，它简单地假设环境对人口、富裕程度和技术水平的弹性是单一的^[42]，例如，人均GDP增加1%会使环境影响增加1%. 这显然没有什么逻辑可言. 于是Dietz等^[43]提出了其改进形式，即STIRPAT模型，其公式为：

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

(11)

式中，a为常数项，b、c和d为P、A和T的参数系数，e为误差项.

该模型解决了IPAT模型弹性单一的缺点，而且具有更好的可拓展性^[44]，即通过增减或分解因素，提高模型的分析解释能力^[45]. 常数项和误差项也使得模型的可靠度进一步提升^[46]. 同时为减弱模型数据中的异方差性，并避免不同数值量纲的干扰，对扩展模型两侧取对数处理^[47]. 本文将人口数量（P）、城市化率（UR）、人均GDP（A）、居民消费水平（M）、财政支出（FE）、产业结构（IS）、碳排放强度（CEI）和能源结构（ES）这8个影响因素代入公式，构建黑龙江省碳排放影响因素模型，公式为：

\begin{array}{l} l n I = l n a + b l n P + c l n U R + d l n A + f l n M + \\ g l n F E + h l n I S + r l n C E I + t l n E S + l n e \end{array}

(12)

式中，b、c、d、f、g、h、r和t分别为各因素的弹性系数值，lna为常数项，lne为误差项，系数的绝对值大小反映影响因素对环境的影响程度，正负则反映影响方向.

多重共线性指自变量之间存在高度的相关性，这会使模型的精确性与可靠性降低，为了消除多重共线性问题，本文选用岭回归法进行回归分析^[48].

岭回归方法是由Hoerl提出的对传统最小二乘法的优化改进^[49]，该方法是将一个非负因子k添加到标准化处理后的自变量矩阵主对角线上，以消除多重共线性问题对模型结果的干扰^[50]. 虽为有偏估计，但明显改善了估计量的均方误差. 根据岭迹图筛选拟合程度最优的参数系数，在保证稳定性的同时减少偏差. 岭回归系数的计算公式为：

β = {(X' X + k I)}^{- 1} X' Y

(13)

式中，β为回归系数，Y为因变量矩阵，X为自变量矩阵（特征矩阵），X′为矩阵X的转置矩阵，I为单位矩阵，k为岭回归参数，k∈[0, 1]，k值为零时，方程就变为无偏回归方程. 随着k增大，回归系数的方差减小但偏差增大^[49]. 因此，在岭轨迹变化趋于稳定时，k越小越好.

2 结果与讨论 2.1 黑龙江省县域碳排放时空演变特征

黑龙江省土地利用碳排放量如图 2所示，2000~2020年黑龙江省碳排放量总体呈先增加后降低、再增加趋势，由2000年的4.73×10⁷ t增加到2020年的1.02×10⁸ t；共增长碳排放总量5.47×10⁷ t，年均增长量为2.74×10⁶ t，年均增长率为5%，这与东北地区经济发展速率较低的现实情况相符. 根据“环境库兹涅茨曲线（EKC）”模型理论，经济发展与碳排放的关系通常呈现“倒U型”^[51]. 对于大多数地区，经济发展必然伴随能源消费和碳排放的增长. 但发展到一定阶段后，通过能源结构优化和技术进步，可以实现经济增长而碳排放不增长甚至下降，这被称为“脱钩”^[52]. 但东北地区的发展阶段相对滞后，经济增长与碳排放之间整体呈现弱脱钩状态^[53]. 其经济增长依然高度依赖能源和资源的消耗，这种粗放的能源消费模式使得经济发展水平即使较低，但能源消费的总量及其带来的碳排放量依然在高速增加. 2013年碳排放量大幅降低的原因可能是实施“万家企业节能低碳行动”，黑龙江省内重点企业被纳入强制性能耗考核，推动余热利用、电机系统节能等技术改造，减少煤炭直接消耗. 后续年份（如2014年）排放量反弹可能与政策执行力度波动或经济复苏有关.

图 2 2000~2020年黑龙江省土地利用碳排放量变化趋势 Fig. 2 Trend of carbon emissions from land use in Heilongjiang Province from 2000 to 2020

为实现黑龙江省各区县土地利用碳排放演变规律的可视化，利用自然断点法将其分成5级进行空间表达（图 3）. 黑龙江省各区县碳排放差异显著，碳排放水平较高的地区大多位于黑龙江省东部的佳木斯市、鹤岗市、鸡西市及西南部哈尔滨市、大庆市、齐齐哈尔市的区县，以上区域工业集中度高，以资源依赖型产业为主导，导致其碳排放水平显著超出周边区域. 2000~2010年碳排放量最大的区域为鹤岗市工农区（4.33×10⁶~6.12×10⁶ t），碳排放量最小的区域为呼玛县（约为-1.97×10⁶ t），碳排放区域之间的差异不断增大；2015年鹤岗市向阳区碳排放量最大（5.21×10⁶ t），呼玛县仍为碳排放量最低的区域（-1.96×10⁶ t）；2020年，哈尔滨市平房区碳排放量最大（5.66×10⁶ t），呼玛县碳排放量仍为最低（-1.94×10⁶ t）. 这是由于呼玛县隶属于大兴安岭地区，该区域产业结构以林业为主导，能源消费水平较低. 碳排放高值区（哈尔滨市、齐齐哈尔市和鹤岗市）由2000年的20个增加到2020年的27个，表明碳排放高值区呈扩大趋势且空间分布变化较大；碳排放低值区在2000~2020年间始终为4个（黑河市爱辉区、大兴安岭地区的呼玛县、塔河县和漠河市），空间分布相对稳定.

图 3 2000~2020年黑龙江省县域碳排放空间分布 Fig. 3 Spatial distribution of county-level carbon emissions in Heilongjiang Province from 2000 to 2020

2.2 碳排放量的空间自相关性

由表 3可知，2000~2020年，黑龙江省县域碳排放量的Moran's I指数均为正值，呈现出显著的空间自相关（Z > 2.58，P < 0.01）. 研究区域内各县域的碳排放分布表现出明显的空间集聚现象，碳排放量较高（或较低）的区县相互邻近. 从时序演变来看，2000~2020年虽然Moran's I指数整体呈现下降趋势，但仍小于显著水平（Z > 2.58，P < 0.01），这反映出县域碳排放的空间关联程度虽有所减弱，但依然保持较强的空间依赖性.

表 3 2000-2020年黑龙江省县域碳排放的Moran's I指数（α=0.01） Table 3 Moran's I index of county-level carbon emissions in Heilongjiang Province from 2000 to 2020(α=0.01)

为进一步分析各区县碳排放量在内部空间位置上的关联关系，分别绘制2000年、2005年、2010年、2015年和2020年的局部莫兰指数分布（图 4）. 从中可知，黑龙江省在空间上具有较强的集聚性，可划分为4类：①HH类型：本区县及邻近区县碳排放水平均较高；②LH类型：本区县碳排放较低但周边区县较高；③LL类型：本区县及邻近区县碳排放水平均较低；④HL类型：本区县碳排放较高但周边区县较低. HH类型的县域2000年有12个，包括：尖山区、东风区、前进区、向阳区、兴安区、南山区、工农区、兴山区、道里区、松北区、红岗区和龙凤区，2005年新增了双鸭山市的四方台区，2010年又新增了双鸭山市的宝山区，之后数量减少，到2020年只剩下尖山区、南岗区、道里区、松北区、红岗区和龙凤区这6个区域，呈现出先扩张后收缩的变化趋势. HH聚集区大部分为资源型城市，产业的发展对能源消耗的依赖性较强，碳排放水平居高. LL类型的县域由2000年的10个增加到2020年的12个，2000年包括：逊克县、庆安县、绥棱县、北安市、五大连池市、孙吴县、嫩江市、呼玛县、塔河县和漠河市，2005年新增齐齐哈尔市的克东县，2010~2020年新增绥化市的海伦市；从数量和空间分布来看，LL类型的县域保持着相对稳定状态，整体变化幅度较小. 这些区域森林资源丰富，产业结构以林业为主导，使得地区碳排放维持在较低水平，有效缓解了生态压力. LH类型的县域的数量不断减小，由2000年的26个降低到2020年的21个，呈现不断收缩的趋势. HL类型的县域仅出现在2005年、2010年和2020年，且只有一个区域为爱民区.

括号内数值表示不同聚集类型所包含的区县个数图 4 2000~2020年黑龙江省县域碳排放局部莫兰指数 Fig. 4 Local Moran's I of county-level carbon emissions of Heilongjiang Province from 2000 to 2020

2.3 碳排放量的空间重心变化

根据黑龙江省各县域的空间位置坐标和碳排放量数据，得到黑龙江省不同时期碳排放在空间分布上的重心迁移轨迹及标准差椭圆趋势（图 5）. 每个标准差椭圆所在区域占黑龙江省碳排放总量的68%，2000~2020年黑龙江省县域碳排放标准差椭圆空间格局的变化相对较小，碳排放空间格局总体上相对稳定；碳排放标准差椭圆的重心点2000~2015年向西南移动，2015~2020年向东南移动，但主要集中于哈尔滨市，表明碳排放空间格局相对稳定，同时也说明作为黑龙江省的政治经济中心，哈尔滨市因其密集的产业活动、较高的人口聚集度和能源消费，使其成为了一个稳定且强大的“碳排放极”，牢牢锚定了全省的碳排放格局.

图 5 2000~2020年黑龙江省碳排放的标准差椭圆及重心转移 Fig. 5 Standard deviation ellipse and center of gravity shift of carbon emissions of Heilongjiang Province from 2000 to 2020

由表 4可知，随着年份的变化，沿X轴的标准差总体呈减小趋势，说明碳排放量在东西主轴上呈聚集趋势，这可能意味着核心城市的产业集聚效应在加强，或者周边地区的产业升级、减排效果相对更明显. 沿Y轴的标准差总体呈增大趋势，说明碳排放量在南北辅轴上呈现扩散趋势，这可能意味着有新的排放源在该方向有所发展，或者核心区的辐射带动（或污染溢出）效应使得邻近区域碳排放有所增加. 主轴始终大于辅轴，呈明显的“东-西”向分布格局. 从转角变化来看，转角大致在90.144 1°~91.058 1°范围内变化，整体分布格局较为稳定，空间变化幅度较小. 形状指数呈波动趋势，从2000年的0.295升高到2020年的0.303，表明碳排放的空间分布形态呈现“圆化”趋势，碳排放的方向趋势减弱，但总体分布格局仍呈现“东-西”走向. 这恰恰与黑龙江省最重要的哈大齐（哈尔滨-大庆-齐齐哈尔）工业走廊以及主要的交通干线、人口聚集带高度重合. 说明碳排放与核心经济命脉的分布高度一致.

表 4 碳排放标准差椭圆的参数 Table 4 Parameters of the carbon emission standard deviation ellipse

2.4 碳排放影响因素分析

本研究首先对自变量进行无量纲化处理，之后进行多重共线性诊断，结果如表 5所示，8个自变量的方差膨胀因子（VIF）均远超临界值10，说明存在严重的多重共线性，为解决这一问题，本研究选用岭回归分析方法.

表 5 多重共线性诊断 Table 5 Collinearity diagnostics

使用岭回归对黑龙江省2000~2020年县域碳排放数据进行拟合分析. 此时，人口规模、城市化率、人均GDP、居民消费水平、财政支出、产业结构、碳排放强度和能源结构在不同参数k情况下的岭迹图见图 6，当k为0.2时，岭迹图变化图平稳，因此选择k=0.2进行模型拟合，岭回归拟合的系数见表 6.

图 6 岭迹 Fig. 6 Ridge trace

表 6 碳排放影响因素的岭回归结果^1） Table 6 Ridge regression results of carbon emission influencing factors

由表 6可知，模型整体拟合效果较好（R²=0.92，调整R²=0.867），且F通过了1%水平的显著性检验，说明模型解释力强且具有统计意义. 所有变量的VIF值均较小，表明岭回归已有效缓解多重共线性问题，模型结果可靠. 其中，除了城市化率（UR）外，其他影响因素都通过显著性检验，均对碳排放有显著影响. 对碳排放有显著正向影响的核心要素有能源结构（ES）、人均GDP（A）、财政支出（FE）和人口数量（P）. 其中，能源结构（ES）的回归系数最大，表明在其他变量不变的情况下，煤炭能源/一次能源消费总量占比每提高1单位，碳排放显著上升0.391个单位，这与胡国霞等学者的研究大体一致^[54，55]，凸显能源转型对碳减排的关键作用. 人均GDP（A）和财政支出（FE）对碳排放的影响紧随其后，反映经济增长和财政干预（如基建投资）会一定程度上提高碳排放. 人口数量（P）与碳排放呈显著正相关，说明人口规模扩大通过增加能源需求加剧碳排放. 对碳排放有显著正向影响的次要要素为产业结构（IS）和居民消费水平（M），表明工业占比提升和消费升级对碳排放有温和促进作用. 碳排放强度（CEI）对碳排放有显著负向影响，说明经济增长模式仍依赖高碳路径，碳减排措施未能有效抵消经济扩张带来的碳排放增长.

综上所述，能源结构、经济增长和人口规模是驱动碳排放的主要因素，而碳排放强度是关键抑制因素.

3 建议

本文以黑龙江省121个县（区）域为研究对象，运用探索性空间数据分析方法，探究黑龙江省2000~2020年县域碳排放时空演变特征；并通过STIRPAT模型和岭回归方法对碳排放的影响因素进行分析研究，在此基础上，提出相应的碳减排的策略建议：

（1）黑龙江省县域碳排放区域差异明显，碳排放较高值区主要集中在哈尔滨市、齐齐哈尔市和大庆市等工业较为集聚的区县，碳排放低值区的区县产业结构以林业为主导，能源消费水平较低. 黑龙江省在规划管理^[56]中明确“实施分区分类管理”，因地制宜. 因此，各地政府应根据区域实际开展差异化减污降碳策略，高值区应严格限制高耗能产业扩张，推广清洁能源替代煤炭，合理优化三类产业比例，对重点企业碳排放进行监测与交易试点；低值区应强化森林碳汇保护，发展林下经济与生态旅游，避免过度开发.

（2）空间自相关分析表明黑龙江省县域碳排放存在明显的空间聚集特征，黑龙江省在规划管理^[56]中提出“不断增强区域发展协调性平衡性”. 因此，各级政府应相互配合，充分考虑与相邻政府间的影响，加强区域间的合作交流，共享碳减排技术和经验. 同时建立跨区域协同减排机制，通过建立生态补偿机制，实现全省区域碳平衡减排. 保证全省实现低碳、绿色的可持续发展目标.

（3）碳排放受多种因素影响，能源结构、经济增长和人口规模是对碳排放产生正向影响的核心因素，而碳排放强度是关键抑制因素. 黑龙江省在规划管理^[56]中提出“高质量发展”和“新旧动能转换”. 各地政府应优先推动能源转型，大幅提升太阳能、风能、水能和生物质能等可再生能源的占比，降低煤炭等化石能源的消费比例. 鼓励企业使用绿色能源，从而实现全省能源消费结构的“绿色化”发展. 优化产业结构，并改善各产业内部结构，逐步淘汰资源消耗大、环境污染重的落后产能，各地方政府根据区域实际，有序推进产业转移. 调控人口规模的同时注重提升人口素质，优化人口结构，提高人口质量. 同时关注经济增长与减排的平衡，减少高碳产业依赖，加速能源转型，淘汰落后产能.

4 结论

（1）黑龙江省县域2000~2020年碳排放量总体呈增长趋势，年均增长率为5%，其中2010~2020年呈波动增长趋势. 县域碳排放空间分布差异明显，碳排放较高值区主要分布在黑龙江省东部的佳木斯市、鹤岗市、鸡西市及西南部哈尔滨市、大庆市、齐齐哈尔市的区县，呈扩大趋势且空间分布变化较大；碳排放低值区始终为4个（爱辉区、呼玛县、塔河县和漠河县），空间分布稳定.

（2）黑龙江省县域的碳排放存在显著的空间自相关性，2000~2020年莫兰指数在整体上呈减小态势，说明空间自相关性有一定程度减小，但仍然保持空间依赖性；HH类型的县域呈先扩张后收缩的变化趋势，LH类型的县域呈缩小趋势，LL类型和HL类型的县域空间分布稳定. 标准差椭圆的重心点主要集中于哈尔滨市的通河县和木兰县，表明碳排放空间格局总体上相对稳定，碳排放始终呈现“东-西”分布格局且方位变化较小. 碳排放的形状指数呈“圆化”趋势，碳排放方向趋势减弱.

（3）碳排放受多种因素的影响，且各因素对碳排放的影响程度不同. 各影响因素对黑龙江省碳排放的影响程度排序为：能源结构 > 人均GDP > 碳排放强度 > 人口总量 > 财政支出 > 产业结构 > 居民消费水平. 从影响方向来看，碳排放强度对碳排放有显著负向影响，能源结构、人均GDP、人口总量、财政支出、产业结构和居民消费水平均对碳排放有显著正向影响.

参考文献

[1]	张余, 姜博, 赵映慧, 等. 东北三省土地利用碳排放时空格局及影响因素研究[J]. 地域研究与开发, 2022, 41(4): 150-156. Zhang Y, Jiang B, Zhao Y H, et al. Temporal and spatial pattern changes and influencing factors of land use carbon emissions in the three provinces of northeast China[J]. Areal Research and Development, 2022, 41(4): 150-156.
[2]	王文, 崔震海. 将北京打造为全球绿色金融中心[J]. 中国金融家, 2021(S1): 146-147.
[3]	方精云, 郭兆迪, 朴世龙, 等. 1981~2000年中国陆地植被碳汇的估算[J]. 中国科学D辑: 地球科学, 2007, 50(6): 804-812. Fang J Y, Guo Z D, Piao S L, et al. Terrestrial vegetation carbon sinks in China, 1981-2000[J]. Science in China Series D: Earth Sciences, 2007, 50(9): 1341-1350.
[4]	范强, 孙虎虎, 孙爽, 等. 生态-耕地保护下的山东省碳储量估算与演变[J]. 生态学报, 2025, 45(4): 1588-1598. Fan Q, Sun H H, Sun S, et al. Estimation and evolutionary analysis of carbon stocks in Shandong Province under the ecological-cultivated land protection scenario[J]. Acta Ecologica Sinica, 2025, 45(4): 1588-1598.
[5]	Pechanec V, Purkyt J, Benc A, et al. Modelling of the carbon sequestration and its prediction under climate change[J]. Ecological Informatics, 2018, 47: 50-54. DOI:10.1016/j.ecoinf.2017.08.006
[6]	Soytas U, Sari R, Ewing B T. Energy consumption, income, and carbon emissions in the United States[J]. Ecological Economics, 2007, 62(3-4): 482-489. DOI:10.1016/j.ecolecon.2006.07.009
[7]	刘明达, 蒙吉军, 刘碧寒. 国内外碳排放核算方法研究进展[J]. 热带地理, 2014, 34(2): 248-258. Liu M D, Meng J J, Liu B H. Progress in the studies of carbon emission estimation[J]. Tropical Geography, 2014, 34(2): 248-258.
[8]	王帅, 赵荣钦, 苏辉, 等. 河南省典型区农业水土资源开发的碳排放效应研究[J]. 华北水利水电大学学报(自然科学版), 2019, 40(1): 71-78. Wang S, Zhao R Q, Su H, et al. Carbon emission effects of agricultural land and water resources exploitation in typical villages of Henan Province[J]. Journal of North China University of Water Resources and Electric Power (Natural Science Edition), 2019, 40(1): 71-78.
[9]	马远, 刘真真. 黄河流域土地利用碳排放的时空演变及影响因素研究[J]. 生态经济, 2021, 37(7): 35-43. Ma Y, Liu Z Z. Study on the spatial-temporal evolution and influencing factors of land use carbon emissions in the Yellow River Basin[J]. Ecological Economy, 2021, 37(7): 35-43.
[10]	杨皓然, 吴群. 不同政策方案下的南京市土地利用碳排放动态模拟[J]. 地域研究与开发, 2021, 40(3): 121-126. Yang H R, Wu Q. Dynamic simulation of carbon emissions from land use in Nanjing City under different policy scenarios[J]. Areal Research and Development, 2021, 40(3): 121-126.
[11]	Li R R, Wang Q, Liu Y, et al. Per-capita carbon emissions in 147 countries: the effect of economic, energy, social, and trade structural changes[J]. Sustainable Production and Consumption, 2021, 27: 1149-1164. DOI:10.1016/j.spc.2021.02.031
[12]	陈慧灵, 高子恒, 王振波. 省级尺度工业碳排放影响因素及碳转移格局[J]. 生态学报, 2023, 43(14): 5816-5828. Chen H L, Gao Z H, Wang Z B. Analysis on influencing factors of industrial carbon emission and carbon transfer pattern at provincial level[J]. Acta Ecologica Sinica, 2023, 43(14): 5816-5828.
[13]	汪托弟, 徐丽萍, 李智慧, 等. 双碳目标下乌鲁木齐市碳氧平衡估算与影响因素分析[J]. 生态学报, 2025, 45(3): 1289-1302. Wang T D, Xu L P, Li Z H, et al. Estimation of carbon and oxygen balance and analysis of influencing factors in Urumqi city under the goal of double carbon[J]. Acta Ecologica Sinica, 2025, 45(3): 1289-1302.
[14]	庞娇, 黄雪寒, 单婧, 等. 京津冀县域碳收支格局及碳平衡分区优化[J]. 环境科学, 2025, 46(4): 1974-1984. Pang J, Huang X H, Shan J, et al. Optimization of carbon balance zoning and pattern in Beijing-Tianjin-Hebei counties[J]. Environmental Science, 2025, 46(4): 1974-1984. DOI:10.13227/j.hjkx.202403287
[15]	周向红, 胡鹏程, 成鹏飞. 基于全生命周期视角的中国建筑业碳排放核算与碳达峰预测[J]. 环境科学, 2025, 46(4): 2020-2034. Zhou X H, Hu P C, Cheng P F. Carbon emission accounting and peak carbon prediction of China's construction industry from a whole life cycle perspective[J]. Environmental Science, 2025, 46(4): 2020-2034. DOI:10.13227/j.hjkx.202403174
[16]	宋永朝, 舒秦, 金程容, 等. 中国区域交通碳排放预测与碳达峰路径规划[J]. 环境科学, 2025, 46(4): 1995-2008. Song Y C, Shu Q, Jin C R, et al. Regional transport carbon emission forecasting and peak carbon pathway planning in China[J]. Environmental Science, 2025, 46(4): 1995-2008. DOI:10.13227/j.hjkx.202403152
[17]	Gregg J S, Losey L M, Andres R J, et al. The temporal and spatial distribution of carbon dioxide emissions from fossil-fuel use in North America[J]. Journal of Applied Meteorology and Climatology, 2009, 48(12): 2528-2542. DOI:10.1175/2009JAMC2115.1
[18]	Li H M, Qiu P, Wu T. The regional disparity of per-capita CO₂ emissions in China's building sector: an analysis of macroeconomic drivers and policy implications[J]. Energy and Buildings, 2021, 244. DOI:10.1016/j.enbuild.2021.111011
[19]	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.
[20]	李宝珠, 刘雅洁, 张少聪. 基于LEAP模型的天津市多情景能源消费和碳排放预测[J]. 环境科学, 2025, 46(3): 1492-1501. Li B Z, Liu Y J, Zhang S C. Multi-scenario energy consumption and carbon emission prediction in Tianjin based on LEAP model[J]. Environmental Science, 2025, 46(3): 1492-1501. DOI:10.13227/j.hjkx.202403081
[21]	李建豹, 黄贤金, 揣小伟, 等. 长三角地区碳排放效率时空特征及影响因素分析[J]. 长江流域资源与环境, 2020, 29(7): 1486-1496. Li J B, Huang X J, Chuai X W, et al. Spatio-temporal characteristics and influencing factors of carbon emissions efficiency in the Yangtze River Delta region[J]. Resources and Environment in the Yangtze Basin, 2020, 29(7): 1486-1496.
[22]	周航, 赵先超. 县域尺度下湖南省碳排放空间分异特征与影响因素[J]. 地球科学与环境学报, 2024, 46(2): 196-210. Zhou H, Zhao X C. Spatial differentiation characteristics of carbon emission and its influencing factors in Hunan Province, China at the county scale[J]. Journal of Earth Sciences and Environment, 2024, 46(2): 196-210.
[23]	连艳琼, 苏墩煌, 施生旭. 基于STIRPAT和CNN-LSTM组合模型的福建省碳达峰预测[J]. 环境科学, 2025, 46(1): 10-18. Lian Y Q, Su D H, Shi S X. Carbon peak prediction in Fujian Province based on combined STIRPAT and CNN-LSTM models[J]. Environmental Science, 2025, 46(1): 10-18. DOI:10.13227/j.hjkx.202401065
[24]	Wang S J, Shi C Y, Fang C L, et al. Examining the spatial variations of determinants of energy-related CO₂ emissions in China at the city level using Geographically Weighted Regression Model[J]. Applied Energy, 2019, 235: 95-105. DOI:10.1016/j.apenergy.2018.10.083
[25]	赵选民, 段晓琛. 基于STIRPAT模型的陕西省碳排放影响因素分析[J]. 财会月刊, 2016(12): 31-34.
[26]	张攀路, 都沁军. 京津冀地区碳排放影响因素研究——基于扩展STIRPAT模型[J]. 国土资源科技管理, 2022, 39(3): 14-23. Zhang P L, Du Q J. On influencing factors of carbon emissions in Beijing-Tianjin-Hebei region: based on the extended STIRPAT model[J]. Scientific and Technological Management of Land and Resources, 2022, 39(3): 14-23.
[27]	武爱彬, 赵艳霞, 郭小平, 等. 基于土地利用和夜间灯光数据的京津冀区域碳排放时空分异研究[J]. 地理与地理信息科学, 2022, 38(6): 36-42. Wu A B, Zhao Y X, Guo X P, et al. Spatio-temporal differentiation of carbon emissions in the Beijing-Tianjin-Hebei region based on land use and nighttime light data[J]. Geography and Geo-information Science, 2022, 38(6): 36-42.
[28]	陈邦丽, 徐美萍. 中国碳排放影响因素分析——基于面板数据STIRPAT-Alasso模型实证研究[J]. 生态经济, 2018, 34(1): 20-24, 48. Chen B L, Xu M P. Analysis of influence factors of carbon emissions in China: an empirical study by STIRPAT-Alasso model using panel data[J]. Ecological Economy, 2018, 34(1): 20-24, 48.
[29]	刘凤莲, 杨人懿, 杨磊, 等. 1990—2015年武汉市土地利用碳排放格局研究[J]. 生态科学, 2023, 42(6): 105-115. Liu F L, Yang R Y, Yang L, et al. Study on spatio-temporal change of land use carbon emission pattern in Wuhan from 1990 to 2015[J]. Ecological Science, 2023, 42(6): 105-115.
[30]	孙赫, 梁红梅, 常学礼, 等. 中国土地利用碳排放及其空间关联[J]. 经济地理, 2015, 35(3): 154-162. Sun H, Liang H M, Chang X L, et al. Land use patterns on carbon emission and spatial association in China[J]. Economic Geography, 2015, 35(3): 154-162.
[31]	苏雅丽, 张艳芳. 陕西省土地利用变化的碳排放效益研究[J]. 水土保持学报, 2011, 25(1): 152-156. Su Y L, Zhang Y F. Study on effects of carbon emission by land use patterns of Shaanxi Province[J]. Journal of Soil and Water Conservation, 2011, 25(1): 152-156.
[32]	高威, 魏建飞, 李强. 碳排放约束下京津冀地区建设用地利用效率时空演化特征与影响因素研究[J]. 地理与地理信息科学, 2022, 38(5): 88-95. Gao W, Wei J F, Li Q. Spatio-temporal evolution and influencing factors of construction land use efficiency in Beijing-Tianjin-Hebei region under carbon emission constraint[J]. Geography and Geo-Information Science, 2022, 38(5): 88-95.
[33]	张路, 林学涵, 葛硕, 等. "双碳"目标下湖北省耕地碳流生态网络形成机制与演变特征[J]. 生态学报, 2025, 45(4): 1599-1612. Zhang L, Lin X H, Ge S, et al. The formation mechanism and change characteristics of the ecological network of carbon flow of cultivated land in Hubei Province under the "dual carbon" targets[J]. Acta Ecologica Sinica, 2025, 45(4): 1599-1612.
[34]	苏泳娴, 陈修治, 叶玉瑶, 等. 基于夜间灯光数据的中国能源消费碳排放特征及机理[J]. 地理学报, 2013, 68(11): 1513-1526. Su Y X, Chen X Z, Ye Y Y, et al. The characteristics and mechanisms of carbon emissions from energy consumption in China using DMSP/OLS night light imageries[J]. Acta Geographica Sinica, 2013, 68(11): 1513-1526.
[35]	李峰, 张晓博, 廖顺宝, 等. DMSP-OLS与NPP-VIIRS夜间灯光数据测算统计指标能力评估——以京津冀地区县域GDP、人口及能源消耗为例[J]. 测绘通报, 2020(9): 89-93, 118. Li F, Zhang X B, Liao S B, et al. Capability assessment of DMSP-OLS and NPP-VIIRS nighttime light data estimating statistical indicators: a case of county-level GDP, population and energy consumption in Beijing-Tianjin-Hebei region[J]. Bulletin of Surveying and Mapping, 2020(9): 89-93, 118.
[36]	吴颖欣, 梁伟, 苟芬, 等. 沙漠黄土过渡带典型区农业系统演变及碳排放空间格局[J]. 生态学报, 2025, 45(7): 3142-3156. Wu Y X, Liang W, Gou F, et al. Evolution of agricultural system and spatial pattern of carbon emission in typical desert loess transition zone[J]. Acta Ecologica Sinica, 2025, 45(7): 3142-3156.
[37]	陈艺骋, 李祥龙, 张园园. 责任共担视角下中国省域物流业碳排放时空演变分析[J]. 环境科学, 2025, 46(5): 2874-2885. Chen Y C, Li X L, Zhang Y Y. Analysis of the temporal and spatial evolution of carbon emissions in the provincial logistic industry in China from the perspective of shared responsibility[J]. Environmental Science, 2025, 46(5): 2874-2885. DOI:10.13227/j.hjkx.202405050
[38]	林小标, 郑衡泌, 伍世代, 等. 两汉侯国时空特征及其影响因素分析[J]. 地理学报, 2017, 72(4): 723-736. Lin X B, Zheng H M, Wu S D, et al. Spatio-temporal distribution of marquisates and its influencing factors in Han Dynasty[J]. Acta Geographica Sinica, 2017, 72(4): 723-736.
[39]	向书江, 杨春梅, 谢雨琦, 等. 近20年重庆市主城区碳排放的时空动态演进及其重心迁移[J]. 环境科学, 2023, 44(1): 560-571. Xiang S J, Yang C M, Xie Y Q, et al. Spatiotemporal dynamic evolution and gravity center migration of carbon emissions in the main urban area of Chongqing over the past 20 years[J]. Environmental Science, 2023, 44(1): 560-571. DOI:10.13227/j.hjkx.202203174
[40]	杨迪, 杨旭, 吴相利, 等. 东北地区能源消费碳排放时空演变特征及其驱动机制[J]. 环境科学学报, 2018, 38(11): 4554-4564. Yang D, Yang X, Wu X L, et al. Spatio-temporal evolution characteristics of carbon emissions from energy consumption and its driving mechanism in Northeast China[J]. Acta Scientiae Circumstantiae, 2018, 38(11): 4554-4564.
[41]	Ehrlich P R, Holdren J P. Impact of population growth: complacency concerning this component of man's predicament is unjustified and counterproductive[J]. Science, 1971, 171(3977): 1212-1217. DOI:10.1126/science.171.3977.1212
[42]	Poumanyvong P, Kaneko S. Does urbanization lead to less energy use and lower CO₂ emissions? A cross-country analysis[J]. Ecological Economics, 2010, 70(2): 434-444. DOI:10.1016/j.ecolecon.2010.09.029
[43]	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
[44]	姚明秀, 王淼薇, 雷一东. 基于STIRPAT模型的上海市碳达峰预测研究[J]. 复旦学报(自然科学版), 2023, 62(2): 226-237. Yao M X, Wang M W, Lei Y D. Research on Shanghai carbon peak forecast based on STIRPAT model[J]. Journal of Fudan University (Natural Science), 2023, 62(2): 226-237.
[45]	王琳杰, 曾贤刚, 段存儒, 等. 鄱阳湖沉积物重金属污染影响因素分析——基于STIRPAT模型[J]. 中国环境科学, 2020, 40(8): 3683-3692. Wang L J, Zeng X G, Duan C R, et al. Analysis on influencing factors of heavy metal pollution in sediments of Poyang Lake based on STIRPAT model[J]. China Environmental Science, 2020, 40(8): 3683-3692.
[46]	吉兴全, 赵国航, 于一潇, 等. 基于4E平衡的碳排放因素分解与峰值预测方法[J]. 高电压技术, 2022, 48(7): 2483-2494. Ji X Q, Zhao G H, Yu Y X, et al. Carbon emission peak prediction and factor decompose method based on 4E equilibrium[J]. High Voltage Engineering, 2022, 48(7): 2483-2494.
[47]	许晓敏, 姚润坤, 孔亚楠, 等. 基于STIRPAT模型的中国多情景碳排放预测及减排策略[J]. 新经济导刊, 2025(1): 64-77. Xu X M, Yao R K, Kong Y N, et al. China's Multi-Scenario carbon emissions forecast and mitigation strategies based on the STIRPAT model[J]. New Economy Weekly, 2025(1): 64-77.
[48]	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
[49]	Hoerl A E, Kennard R W. Ridge regression: biased estimation for nonorthogonal problems[J]. Technometrics, 1970, 12(1): 55-67. DOI:10.1080/00401706.1970.10488634
[50]	郑琰, 夏朝泽, 肖玉杰, 等. 基于BP神经网络的江苏省多维度碳排放预测[J]. 环境科学, 2025, 46(6): 3485-3495. Zheng Y, Xia Z Z, Xiao Y J, et al. Predicting multidimensional carbon emissions in Jiangsu Province based on the BP neural network[J]. Environmental Science, 2025, 46(6): 3485-3495. DOI:10.13227/j.hjkx.202405179
[51]	陈德湖, 张津. 中国碳排放的环境库兹涅茨曲线分析——基于空间面板模型的实证研究[J]. 统计与信息论坛, 2012, 27(5): 48-53. Chen D H, Zhang J. An empirical study of the environmental Kuznets curve for China's carbon emissions: based on spatial panel model[J]. Journal of Statistics and Information, 2012, 27(5): 48-53.
[52]	许广月, 宋德勇. 中国碳排放环境库兹涅茨曲线的实证研究——基于省域面板数据[J]. 中国工业经济, 2010(5): 37-47. Xu G Y, Song D Y. An empirical study of the environmental Kuznets curve for China's carbon emissions——based on provincial panel data[J]. China Industrial Economics, 2010(5): 37-47.
[53]	姜博, 马胜利. 区域经济增长与碳排放影响因素研究——以东北三省为例[J]. 企业经济, 2020, 39(11): 122-131.
[54]	胡国霞, 雷国平, 周浩, 等. 黑龙江省土地利用变化的碳排放效应研究[J]. 水土保持研究, 2015, 22(6): 287-292. Hu G X, Lei G P, Zhou H, et al. Effects of different land use patterns on carbon emission in Heilongjiang Province[J]. Research of Soil and Water Conservation, 2015, 22(6): 287-292.
[55]	Guo R, Wu X C, Wu T, et al. Spatial-Temporal pattern characteristics and impact factors of carbon emissions in production-living-ecological spaces in Heilongjiang Province, China[J]. Land, 2023, 12(6). DOI:10.3390/land12061153
[56]	黑龙江省人民政府. 黑龙江省国土空间规划(2021—2035年)[EB/OL]. https://www.hlj.gov.cn/hlj/c108472/hdjl_zxft_detail.shtml?id=d9a42812e592449db355f460f5276519, 2025-09-26.


环境科学 2026, Vol. 47 Issue (10): 6751-6762	PDF