2025, Vol. 46
2. 西北师范大学图书馆,兰州 730070
2. Library of Northwest Normal University, Lanzhou 730070, China
积极应对气候变化,实现碳排放总量控制,已经成为当今国际社会的普遍共识. 2015年9月联合国发展峰会通过指导2016~2030年全球发展的17项可持续发展目标(SDGs),其中第13项是应对气候变化目标. 2016年178个缔约方共同签署的《巴黎协定》,是对2020年后全球应对气候变化的行动作出的统一安排. 绿色低碳转型和应对气候变化,已经成为世界潮流和人心所向. 2018年10月IPCC(联合国政府间气候变化委员会)发布了《1.5℃温升特别报告》指出,温升控制在1.5℃能避免因气候变化带来的大量损失与风险,本世纪中叶要实现全球净零排放,报告强化并推进全球实现“碳中和”的目标导向. 截至2020年底,已有欧盟、英国、法国、德国、日本、加拿大等发达国家和地区、马绍尔群岛、斐济等小岛屿国家以及中国等121个国家提出碳中和的目标或愿景,并以纳入国家法律、提交自主减排协定、政策宣示等多种方式进行相关承诺.
2020年9月22日,习近平总书记在第七十五届联合国大会上宣布,中国将采取更加有力的政策和措施,二氧化碳排放力争于2030年前达到峰值,努力争取2060年前实现碳中和. 实现“碳达峰、碳中和”目标,是以习近平同志为核心的党中央作出的重大战略决策,展现了中国应对气候变化的坚定决心. 为进一步积极稳妥推进碳达峰碳中和的制度保障,习近平总书记在2023年7月11日召开中央全面深化改革委员会第二次会议,并审议通过了《关于推动能耗双控逐步转向碳排放双控的意见》. 能耗“双控”到碳排放“双控”转变的提出,进一步明确了中国经济绿色可持续的长期发展导向,更加聚焦降碳,对碳市场具有积极深远的影响. 实现“碳达峰、碳中和”,是一项复杂艰巨的系统工程,面临诸多严峻挑战. 能源电力领域碳排放总量大,据统计,电力行业的碳排放量占中国二氧化碳总排放量的40%左右[1,2]. 因此,电力行业碳减排是实现我国碳减排目标的关键[3].
碳减排,通常都会带来企业经营成本的增加,大多数企业需要通过政府的治理规则来推动碳减排. 有研究表明,企业活动在不同的政府政策或措施下表现不同[4,5]. 所以,双碳目标的实现,依赖于各个国家的政策制定和实施. 环境规制是指政府通过制定相关的政策与措施对排污企业的经济活动进行直接干预或者间接约束,以达到保持环境与经济发展相协调的目标.
为实现节能减排目标,中国电力行业已经制定了相关政策法规,并取得了显著成果. Li等[6]总结了过去几年中国电力行业节能减排的相关法律法规与长期规划,并结合相关政策,提出相对应的措施. 由于中国不同地区之间资源差异较大,随着中国西电东输、北煤南运等工程的实施,不同类型环境规制对电力行业碳排放在时空上的影响日趋复杂. 基于此,本文以2003~2019年中国30个省(市、自治区)的面板数据为基础,首先分析了3种类型环境规制强度与电力行业碳排放量的时空变化特征,其次运用时空地理加权回归模型(GTWR),对传统地理加权回归模型进行优化,扩展了时间维度,深入探讨了3种类型环境规制强度对电力行业碳排放影响的时空异质性,以期为中国各区域制定适宜的环境规制政策提供理论依据,助力实现电力行业碳减排.
以下本文首先回顾了关于环境规制与电力行业碳排放的观点,指出研究的方向和意义,并介绍了变量、方法和模型,其次采用核密度估计和标准差椭圆法分析了3种环境规制强度与电力行业碳排放量的时空特征,随后运用时空地理加权回归模型探讨3种环境规制对电力行业碳排放的影响；最后得出结论,针对中国电力行业制定适宜的环境规制政策,以期推动电力行业低碳转型,并为发展低碳经济产业提供决策参考.
1 材料与方法随着大量学者对环境问题的不断研究,发现环境规制被认为是缓解环境问题的主要工具[7~10]. Wang等[7]认为若严格执行环境规制,化工行业会受到严重的损失,而其他行业不会受到影响反而还会受益. Zhao等[8]研究表明环境规制是激励电力碳减排的重要工具. Qin等[9]和Neves等[10]研究表明环境监管是减少环境污染和碳排放的重要驱动力.
由于中国是主要的能源消费大国,因此研究中国二氧化碳与经济增长之间的联系[11]、碳排放效率[12]和碳减排路径选择[13]等成为现阶段研究重点. 此外,还有一些学者主要研究不同行业二氧化碳的排放,例如,电力行业[14~17]和钢铁行业等[18,19]. 电力行业作为中国碳排放的主力军是碳减排的重要领域,为实现低碳经济的快速发展,不少学者针对电力行业碳减排做出了深入的研究. Zhao等[14]研究了中国电力行业碳排放的主要影响因素,研究发现技术进步是中国电力行业碳减排的主要影响因素. Cong等[15]研究了碳排放交易(CET)对中国电力行业的潜在影响,研究表明基于排放的分配有利于中国电力行业的碳减排. 玉琦彤[17]研究表明影响电力行业碳排放最大的因素是人均GDP,并进一步表明在当前发展趋势下政府若不从源头控制碳排放,将会面临很大的生态压力. 经过学者们不断深入的研究发现,电力行业碳减排对于中国实现碳中和目标具有重要的作用.
基于中国环境规制的发展[20~23],环境规制主要被分为3种类型：命令型环境规制、市场型环境规制和自愿型环境规制. 命令型环境规制主要是政府主导,政府建立污染物减排的法律法规. 市场型环境规制主要借助市场调节来引导企业不断改变企业内部的环保决策,激励企业减排. 自愿型环境规制主要利用公众的参与度,强调民众的自愿性,通过社会舆论和社会道德的压力推动政府部门下发的法律法规得到落实,从而使企业减少污染物的排放. 本文基于前人的研究成果,深入探讨了命令型、市场型和自愿型环境规制对中国电力行业碳排放的影响.
综上所述,本文主要的贡献可能来自以下两个方面：①在测算2003~2019年不同类型环境规制强度与电力行业碳排放量基础上,为更好的识别不同类型环境规制强度与电力行业碳排放量的动态演化特征和空间分布形态,利用核密度估计法和标准差椭圆法,描绘两者的时空演变特征. ②运用时空地理加权回归模型,对数据进行拟合分析,系统揭示命令型、市场型和自愿型环境规制对电力行业碳排放在时间和空间上的影响.
1.1 研究方法 1.1.1 核密度估计法核密度估计是用来估计未知概率密度函数的非参数检验方法,该方法对数据分布不附加任何假定,从数据样本本身出发描述数据分布特征,它可以将不同年份的数据通过平滑的分布曲线表现出来,能够更好地比较不同年份数据的时序演化特征和趋势[24,25]. 本文采用核密度估计法分析了中国30个省(市、自治区)不同类型环境规制强度与电力行业碳排放量的时序动态演变特征. 核密度估计的计算公式如下：
|
(1) |
式中,K()为核函数；N为观测值个数；Xi为观测值,x为观测值的均值；h为带宽. 本文核密度估计采用Epanechnikov核函数[26,27],其函数式为：
|
(2) |
标准差椭圆法是一种从全局、空间的角度定量分析地理要素空间差异与分布特征的常用方法[28]. 该方法根据标准差椭圆的中心坐标表示分布的空间位置,长短轴标准差反映要素在主要和次要方向上的离散程度,旋转角表示要素主要的发展趋势方向[29]. 本文通过绘制2003~2019年中国命令型、市场型和自愿型环境规制强度以及电力行业碳排放量的标准差椭圆来观察3种环境规制强度与电力行业碳排放量的空间演变特征. 标准差椭圆的计算公式如下.
第一步,椭圆中心的确定,具体公式如下：
|
(3) |
|
(4) |
式中,xi和yi分别为变量的空间位置坐标,X和Y分别为变量的算数平均中心,SDEx和SDEy为椭圆中心.
第二步,分布方向的确定,以正北方向为起点0,规定沿顺时针方向旋转,具体公式如下：
|
(5) |
|
(6) |
|
(7) |
|
(8) |
式中, 
第三步,长、短轴距离的确定,具体公式如下：
|
(9) |
|
(10) |
时空地理加权回归模型(GTWR)是由Huang等[30]为处理时空非平稳关系,探讨不同地区的时空变化信息,而在经典地理加权回归模型(GWR)的基础上,进一步纳入时间这一维度,构建的时空依赖局部空间计量模型[31~34]. 该模型可以进一步实现时空回归系数的空间差异性分析. 计算公式如下：
|
(11) |
式中,Y和X分别为被解释变量和解释变量；i为样本地区；u,v为样本地区坐标；t为时间；β0(ui,vi,ti)为截距项；βk(ui,vi,ti)为解释变量的估计系数；β>0表示解释变量与被解释变量呈正相关,反之则为负相关；εi为随机误差.
此外,时空权重的构建是时空地理加权回归模型(GTWR)的重中之重,数据的空间关联性通过空间权重矩阵构建来实现,本文采用Huang[30]等提出的高斯函数法时空权重函数和时空距离,将时空二维度的信息相结合. 具体计算公式如下：
|
(12) |
|
(13) |
式中,i和j为不同样本地区；参数λ和μ为衡量不相关度量系统中的空间和时间距离不同影响的比例因子；dijST为时空距离函数；bST为时空权重函数带宽.
1.2 变量选取 1.2.1 被解释变量本文研究的基本对象是电力行业碳排放,由于电力行业碳排放量无法直接获取,需要通过碳排放测算的方法来获取电力行业的碳排放量[35]. 本文选取IPCC碳清单法计算电力行业碳排放量,将电力行业的主要燃烧物分为八大类,分别为：原煤、焦炭、原油、汽油、煤油、柴油、燃料油和天然气,具体计算公式如下：
|
(15) |
式中,CO2为电力行业碳排放量；Ei为用于电力生产的第i种能源的消费量；NCVi表示第i种能源的能源平均低位发热量；CEFi表示第i种能源单位热值含碳量；COFi表示第i种能源碳氧化率；44和12为二氧化碳和碳的相对分子质量.
1.2.2 解释变量环境规制是指由于化石能源燃烧以及大量工业活动所造成的污染,主要通过政府对上述行为进行直接和间接干预,达到控制污染物和改善生态环境,实现经济与环境协调可持续发展. 本文将环境规制分为3种不同类型,分别为命令型环境规制、市场型环境规制和自愿型环境规制. 命令型环境规制主要由政府主导,通过一些法律法规的实施,迫使企业缩减其生产规模,从而减少污染物的排放. 本文选取环境行政处罚案件、环保法规和规章数量来表示命令型环境规制；市场型环境规制主要由政府利用市场机制设置,旨在借助市场调节,来引导企业不断改变企业内部的环保决策,通过经济刺激来激励企业减排. 因此选取工业污染治理投资、城镇环境基础设施投资来表示市场型环境规制；自愿型环境规制是建立在公众自愿参与的基础上,不具有强制性,政府可以作为合作伙伴参与其中或置身于事外. 本文选取环境事件和环境信访数来表示自愿型环境规制. 根据所选取的指标采用熵值法[36]分别计算得到命令型环境规制、市场型环境规制和自愿型环境规制的综合得分. 熵值法计算步骤过程如下.
第一步,对数据进行无量纲化处理. 采用极差值法计算,正向指标和负向指标的计算公式分别如下.
正向指标：
|
(16) |
负向指标：
|
(17) |
式中,Xij为第j个指标中第i个评价对象的标准值,xij为第j个指标中第i个评价对象的原始值,xmax和xmin分别为第j个指标中的最大值和最小值. 为了满足取对数的要求,全部指标平移处理,平移幅度为0.000 1.
第二步,计算第j个指标项下第pij个项目指标值的比值pij,其公式为：
|
(18) |
第三步,计算第j个指标的熵值ej,公式为：
|
(19) |
第四步,确定第j个指标的熵权wj,公式为：
|
(20) |
第五步,确定环境规制综合得分,公式为：
|
(21) |
经济发展水平(PGDP)：随着经济的发展,人们对生活质量要求的不断提高,发展绿色低碳循环经济成为工业生产过程中的必然要求. 人均GDP可以间接地反映一个国家和地区的经济发展水平和人民生活水平,因此选取人均地区生产总值作为经济发展水平的代理指标.
产业结构(IS)：第二产业是促进中国国民经济发展水平的核心,也是三大产业中碳排放总量最大的行业[37],合理优化产业结构,加快推进绿色低碳发展,坚决遏制高耗能、高排放项目的发展,能够有效地促进碳排放量的下降,对节能减排起到积极的作用,因此选取第二产业总值占地区生产总值比例为产业结构的代理指标.
能源强度(EI)：能源的开发利用是经济社会发展的重要条件,也是碳排放的主要来源. 在实现经济合理有效提升的同时控制能源消耗和碳排放,提高能源利用效率是重要的举措. 由于能源强度是评估能源利用效率的关键指标,选取能源消费总量占地区生产总值比值为能源强度的代理指标[38].
技术水平(TL)：在持续经济增长导致大量能源资源紧缺和环境污染问题频发的背景下,发挥科技创新是降低碳排放的主要措施之一. 研究表明技术水平的提升能够有效改善二氧化碳的排放[39],而技术水平的进步需要大规模的研发投入. 因此本文选取中国各地区研究与试验发展(R&D)经费支出占地区生产总值的比值为技术水平的代理指标[40].
发电结构(PS)：有研究表明可再生能源能够有效地抑制碳排放[41],大力发展新能源,实施可再生能源替代,加快构建新型电力系统能够有效降低电力行业碳排放量,因此选取各地区火力发电量占全部发电量的比值为发电结构的代理指标[42].
1.3 数据来源本文选取2003~2019年中国30个省(市、自治区)的面板数据(中国香港、澳门、台湾省和西藏资料暂缺). 被解释变量的数据来源于《中国能源统计年鉴》《省级温室气体清单编制指南》；解释变量和控制变量的数据均来源于相对应年份的《中国环境统计年鉴》《中国环境年鉴》《中国统计年鉴》《中国能源统计年鉴》《中国电力年鉴》以及中国统计局(http://www.stats.gov.cn/). 其中各别缺失的数据均通过线性插值法将其补全. 文中各变量的具体详情见表1.
|
表 1 变量的描述性统计 Table 1 Descriptive statistics of variables |
2 结果与讨论 2.1 中国环境规制的时空特征 2.1.1 中国环境规制的动态演变分析
2003~2019年期间不同类型环境规制强度均呈波动式变化,存在明显的区域差异性. 本文选取2003年、2005年、2010年、2015年和2019年为研究截面,绘制中国30个省(市、自治区)命令型、市场型和自愿型环境规制强度核密度估计图,展示其在2003~2019年期间的动态演变趋势,如图1所示.
|
图 1 2003~2019年3种环境规制强度动态演进趋势 Fig. 1 Trends in the dynamic evolution of the three types of environmental regulation from 2003 to 2019 |
2003~2019年命令型环境规制强度的核密度分布曲线整体变化浮动较小. 从核密度分布曲线峰度变化来看,2003~2019年期间出现了由宽峰向尖峰发展的趋势,且变化趋势十分明显,其中2015年尖峰特征明显,这一现象表明命令型环境规制强度在低值区域集聚情况明显,地区间相对差距逐渐缩小. 从核密度曲线形状来看,随着时间的推移,无明显的双峰或多峰变化趋势,右侧的延长度呈缩短又延长的态势,表明命令型环境规制强度部分省(市、自治区)的命令环境规制强度显著高于其他省(市、自治区).
2003~2019年市场型环境规制强度的核密度分布曲线随着时间的推移向右平移,较为直观地反映出市场型环境规制呈一种增强的趋势. 从核密度分布曲线波峰变化来看,随着时间的推移,波峰的高度呈下降的趋势,曲线宽度逐渐趋于扁平,表明市场型环境规制强度低值区域的集聚属性逐渐降低. 从核密度分布曲线的形状来看,市场型环境规制强度没有明显的双峰或多峰,右侧的延长度变化明显,表明市场型环境规制强度地区之间具有明显的差异性特征.
2003~2015年自愿型环境规制强度的核密度分布曲线在2015年小幅度向左移动,且曲线位置基本保持不变,说明自愿型环境规制强度在2015年出现减弱的趋势,但整体发展趋势稳定. 从核密度分布曲线波峰变化来看,2003~2010年峰值逐年上升,2010~2015年峰值下降,2015~2019年峰值上升,说明自愿型环境规制强度高值地区集聚特征明显,地区间差异性呈缩小的趋势. 曲线左尾延长度变化明显,表明自愿型环境规制强度存在动态收敛性特征.
2.1.2 中国环境规制的空间转移特征分析本文选取2003年、2005年、2010年、2015年和2019年为5个特征时间点,分别做出3种环境规制强度重心迁移轨迹及标准差椭圆图,如图2.
|
基于自然资源部标准地图服务网站 GS(2023)2767号标准地图制作,底图边界无修改 图 2 3种环境规制强度重心迁移轨迹及标准差椭圆图 Fig. 2 Migration trajectories of the center of gravity and standard deviation ellipses for the three environmental regulatory intensities |
从2003~2019年内5个特征年份的重心分布来看,命令型环境规制强度的重心在111.541°~113.376°E、31.030°~35.942°N变动；市场型环境规制强度的重心在114.013°~115.363°E、32.576°~34.459°N变动；自愿型环境规制强度的重心在111.713°~112.237°E、33.929°~34.266°N变动,相比于中国几何中心点103°E、36°N,命令型、市场型和自愿型环境规制强度的重心位于中国几何中心点的东、南方向,表明3种环境规制强度在中国东部和南部地区的作用强度明显高于西部地区. 3种环境规制强度重心迁移轨迹不明显,重心主要分布在中国河南省.
2003~2019年命令型环境规制强度标准差椭圆均主要位于中国东部和中部地区,逐渐呈现出西北-东南的空间分布格局. 从标准差椭圆长短半轴变化趋势来看,2003~2019年期间,长和短半轴处于先增大后缩小的态势,其变化范围分别为：1 060.099~1 413.894 km、683.392~1 054.814 km；标准差椭圆面积也呈先增大后减小态势,这一现象表明命令型环境规制强度空间分布格局处于由分散到集中的过程. 从转角θ的变化趋势来看,转角θ从2003年的20.360°增加至2019年的178.534°,这一现象表明命令型环境规制强度空间分布格局由“东北-西南”转变为“西北-东南”.
2003~2019年市场型环境规制强度标准差椭圆均主要位于中国东部和中部地区,基本呈现出东北-西南的空间分布格局. 从标准差椭圆长短半轴变化趋势来看,长和短半轴变化趋势均为“减小-增大-减小”的趋势,其变化范围分别为：3 499.127~3 714.152 km、740.761~888.703 km；标准差椭圆面积也呈“减小-增大-减小”的态势,这一现象表明市场型环境规制强度空间分布处于“集中-分散-集中”的过程. 从转角θ的变化趋势来看,2003~2010年转角θ缩小至7.453°,2010~2019年转角θ扩大至11.409°,这一现象表明在东北-西南空间格局上市场型环境规制强度相对较强.
2003~2019年自愿型环境规制强度标准差椭圆均主要位于中国东部和中部地区,基本呈现出东北-西南的空间分布格局. 从标准差椭圆长短半轴变化趋势来看, 2003~2019年期间自愿型环境规制的长半轴呈先增大后减小的变化趋势,短半轴呈“减小-增大-减小”的变化趋势,两者的变化范围分别为：1 174.244~1 201.330 km和1 026.498~1 040.848 km；标准差椭圆面积呈先增大后减小的态势,这一现象表明自愿型环境规制强度在空间上的分布格局处于由分散到集聚的过程. 从转角θ的变化趋势来看,自愿型环境规制强度的转角θ变化趋势为“缩小-增大-缩小”的态势,其变化范围为：33.393°~36.545°,这一现象表明研究期内自愿型环境规制强度仍表现为东北-西南的空间分布格局.
2.2 中国电力行业碳排放的时空特征 2.2.1 中国电力行业碳排放动态演变分析2003~2019年期间电力行业碳排放量呈上升趋势,东、中、西部地区年均增长率分别为：5.179%、5.455%、9.256%. 本文选取2003年、2005年、2010年、2015年和2019年为研究截面,绘制中国30个省(市、自治区)电力行业碳排放量核密度估计图,展示其在2003~2019年内的动态演变趋势,如图3所示.
|
图 3 2003~2019年中国电力碳排放量动态演进趋势 Fig. 3 Dynamic evolution of China's electricity carbon emissions from 2003 to 2019 |
从核密度分布曲线位置的平移来看,2003~2019年间,核密度分布曲线随着时间的推动向右平移,较为直观地反映出中国电力行业碳排放量处于较快的增长趋势. 从核密度分布曲线波峰变化来看,随着时间的推移,波峰的高度呈下降的趋势,曲线宽度趋于扁平,表明中国电力行业碳排放量地区间相对差距在逐渐增大,低值区域的集聚属性逐渐降低. 从核密度分布曲线的形状来看,中国电力行业碳排放量没有明显的双峰或多峰,右侧的延长度逐年拉长,分布延展性存在逐渐拓宽的趋势,表明中国电力行业碳排放量地区之间具有明显的差异性特征.
2.2.2 中国电力行业碳排放的空间转移特征分析本文选取2003年、2005年、2010年、2015年和2019年为5个特征时间点,分别做出中国电力行业碳排放量的重心迁移轨迹及标准差椭圆图,如图4所示.
|
基于自然资源部标准地图服务网站 GS(2023)2767号标准地图制作,底图边界无修改 图 4 中国电力行业碳排放量标准差椭圆与重心迁移轨迹图 Fig. 4 Migration trajectory of the standard deviation ellipse from the center of gravity for China's power sector carbon emissions |
从2003~2019年内5个特征年份的重心分布来看,中国电力行业碳排放量的重心在113.150°~114.734°E、34.445°~35.602°N变动,相比于中国几何中心点103°E、36°N,中国电力行业碳排放量重心位于中国几何中心点的东、南方向,表明中国东部和南部各个省域电力行业碳排放量高于西部区域电力行业碳排放量. 从中国电力行业碳排放量的重心迁移轨迹及方向来看,中国电力行业碳排放量分布的重心逐渐向西北地区移动且重心主要分布在河南省内.
2003~2019年中国电力行业碳排放量标准差椭圆均主要位于中国东部和中部地区. 从标准差椭圆长短半轴来看,中国电力行业碳排放量的标准差椭圆长半轴先减小后增大,从2003年的1 068.875 km减小至2015年的1 052.818 km,随后增加至2019年的1 136.902 km；短半轴变化趋势逐渐增大,从2003年的805.307 km增大至2 019年的981.060 km；标准差椭圆面积呈增大的趋势,表明中国电力行业碳排放量在空间上存在分散的现象. 从转角θ的变化趋势来看,中国电力行业碳排放量的转角θ整体呈现出先减小后增大态势,从2003年21.514°减小至2010年13.373°,随后增加至2019年129.528°,在东北-西南的空间分布格局上不断减弱,逐步向西北-东南方向发展,这一现象表明随着中国西部大开发,电力行业碳排放量逐渐从东部地区转向中西部地区.
综上,中国电力行业碳排放量空间分布上逐渐出现分散的趋势,其中东部地区电力行业碳排放仍处于高位,中部和西部地区电力行业碳排放相对较少,且电力行业碳排放量的重心逐渐向西北地区迁移,这与Wang等[43]研究的结果一致.
2.3 中国环境规制对电力行业碳排放的影响 2.3.1 模型的拟合效果及相关检验为进一步研究环境规制政策在时间和空间维度上对中国电力行业碳排放影响的时空异质性. 本文以电力行业碳排放量为被解释变量,3种环境规制强度为解释变量,经济发展水平(PGDP)、产业结构(IS)、能源强度(EI)、技术水平(TL)和发电结构(PS)为控制变量,运用时空地理加权回归模型对2003~2019年中国各省(市、自治区)电力行业碳排放驱动因素的参数进行估计. 本文参考Wang等[38]的做法,在运用GTWR模型之前,为消除数据的异方差,对数据进行了取自然对数处理. 此外,为避免多重共线性问题的存在,运用Stata软件对各变量进行相关分析,发现方差膨胀因子(VIF)均在7.5以内,排除了多重共线性的影响,如表2所示.
|
|
表 2 多重共线性检验结果 Table 2 Results of multiple covariance test |
为进一步检验GTWR模型回归效果,本文参考Dong等[44,45]的做法,对GTWR回归结果的残差进行空间自相关检验,如表3所示. 通过表3可知,所有年份的残差均为随机分布状态,这表明该模型的回归结果良好具有较高的可信度.
|
|
表 3 残差空间自相关检验结果1) Table 3 Residual spatial autocorrelation test results |
2.3.2 中国环境规制对电力行业碳排放影响的时空异质性特征
模型估计结果如表4所示,GTWR模型的R2和矫正后R2分别为0.943和0.942,AICc为-325.189,各参数表明该模型拟合效果良好. 从表4中可以看出,各变量的回归系数变化较大,表明中国30个省(市、自治区)各变量在时间和空间上都具有显著的非平稳性,需从局部探讨环境规制对电力行业碳排放影响的时空异质性. 因此通过ArcGIS软件将2003年、2005年、2010年、2015年和2019年解释变量的回归系数通过可视化的方式展示出来,如图5,能够直观地看到回归系数的时空变化.
|
|
表 4 GTWR模型的估计结果 Table 4 Estimation results of GTWR model |
|
基于自然资源部标准地图服务网站 GS(2023)2767号标准地图制作,底图边界无修改 图 5 2003 ~2019年3种环境规制回归系数空间分布 Fig. 5 Spatial distribution of regression coefficients for three types of environmental regulation from 2003 to 2019 |
从时间的变化趋势来看,回归系数有正负值,下分位数、中位数和上分位数均为正值,大部分省(市、自治区)的回归系数呈先增大后减小的变化趋势,说明命令型环境规制对电力行业碳排放的影响整体呈正向促进作用. 本研究期内,吉林、浙江、安徽、福建、江西、河南、湖北、湖南、广东、重庆和贵州的回归系数均为正值,表明命令型环境规制在上述省(市、自治区)中对电力行业碳排放的影响呈正向促进作用,因此政府应严格执行节能减排法规标准,注重实施强度. 从空间变化趋势来看, 2003~2019年期间,命令型环境规制对电力行业碳排放促进作用影响较大的区域逐渐由东南地区转至北方地区,导致上述结果的原因一方面是由于东南地区经济发展水平与工业化程度较高,使得工业化过程中环境污染问题严重；另一方面是由于随着北方地区经济的崛起,在经济利益面前,短期内企业往往多选择扩大生产规模和加快能源利用来抵消环境标准提高所带来的折损.
2.3.2.2 市场型环境规制对电力行业碳排放的影响从时间的变化趋势来看,市场型环境规制下分位数、中位数和上分位数均为正值,表明市场型环境规制对电力行业碳排放的影响整体呈正向促进作用,大多数省(市、自治区)回归系数呈先减小后增大的变化趋势. 从空间的变化趋势来看,中高值区域主要分布在中部和东部地区,低值区域主要分布在西北地区. 这一现象表明在中国大多数省(市、自治区)政府补贴信息不够公开透明,金额具有一定的随意性,且使用的过程中监管力度下降,补贴的资金无法及时到达补贴企业的手中,而拿到补贴的企业在获得资金后大部分用于扩大生产而不是环保创新,从而无益于电力行业碳减排. 因此,目前单靠单一的环境规制手段,对电力行业碳减排的作用是有限的,需要进一步借助其他措施,该结果与Liu等[46]研究的结果相一致.
2.3.2.3 自愿型环境规制对电力行业碳排放的影响从时间的变化趋势来看,自愿型环境规制下分位数和中位数为负值,上分位数为正值,且最大最小值之差相对较大,大多数省(市、自治区)回归系数的变化趋势呈先减小后增大的态势,说明自愿型环境规制对电力行业碳排放的影响存在正向促进和负向抑制作用. 考察期内,北京、天津、河北、内蒙古、辽宁、福建、江西、山东、广东、广西和海南回归系数均为负值,这一现象表明自愿型环境规制在上述省(市、自治区)起到负向抑制作用. 从空间的变化趋势来看,高值区域逐渐向西北地区迁移,低值区域逐渐向东部迁移,这一现象表明东部地区的负向抑制作用明显高于西北地区,由此可见东部经济发达的地区,民众环保意识强烈,西北地区民众的环保意识较为淡薄,因此政府需要加强自身引导作用,树立正确的价值观导向,强调民众的自愿性,提高参与度,使市民能够对社会污染起到监督的作用.
2.3.2.4 控制变量经济发展水平对电力行业碳排放的影响,下分位数为负值,中位数和上分位数均为正值,整体呈正向促进作用,高值区域逐渐向北方地区迁移,这一现象表明随着经济发展水平的提升,北方地区成为我国工业产业转移的重要区域,因此北方地区应随着经济规模的扩大,制定适合的地区经济发展策略. 产业结构和能源强度对电力行业碳排放的影响,下分数、中位数和上分位数均为正值,整体呈正向促进作用,其中产业结构中高值区域逐渐向东部地区迁移,而能源强度中高值区域逐渐从南方地区向中东部地区迁移,这一现象反映出在东部地区,优化产业结构和能源强度是降低电力行业碳排放的关键因素. 技术水平对电力行业碳排放的影响,下分位数和中位数均为负值,上分位数为正值,整体呈负向效应,低值区域主要集中在华北地区,这一现象表明在华北地区京津冀是科技创新、高端前沿产业的发展高地,山东、辽宁等省形成的环渤海经济圈,已成为中国北部地区对外开放的新前沿. 发电结构对电力行业碳排放的影响,下分位数、中位数和上分位数均为正值,整体呈正向促进作用,考察期内高值区域和次高值区域逐渐从东部地区向中西部地区迁移. 导致这一现象的原因,一方面是由于黄土高原为中国主要的煤炭资源产地,在电力能源生产上主要以火力发电为主,要想减缓这些省份的电力行业碳排放,需要不断地提升煤炭利用率、电力传输的利用效率以及优化电力结构；另一方面西南地区虽以水电为主,但由于水电稳定性较差,受上游来水偏枯的影响,使水力发电能力持续下降,火力发电持续发力.
3 建议与展望 3.1 建议3种类型环境规制对电力行业碳排放的影响具有明显的区域差异性,为实现电力行业双碳目标,应因地制宜,加强制定适应碳减排目标的环境规制,统筹好3种环境规制的制定实施与能源消费、产业结构、发电结构调整及经济水平提升的关系,增进不同政策之间的协调性. 基于此,提出以下建议.
(1)制定差别化、包容式的协调发展和协调减排政策,落实好已出台的能耗双控优化政策,建立健全碳排放双控管理制度,完善碳排放目标考核机制. 由于各省经济发展水平、电源结构、产业结构和能源消费结构各不相同,基于各省发展特点,制定差异化碳排放总量和碳排放强度考核指标,并结合各省进展情况进行动态调整.
(2)完善环境规制政策体系,合理选择环境规制工具. 针对环境规制执行过程中所涉及到的各级政府与企业,建立相应的监督监管机制,提高环境立法和监管力度,避免相关政策在执行过程中由于各方利益主体博弈,导致环境规制执行力不足. 各省应因地制宜,建立健全市场型环境规制制度建设,充分发挥市场机制的作用,激发市场激励型环境规制的减排潜力. 制定更加侧重于清洁能源开发利用的激励政策,持续加大科技创新尤其是碳中和关键技术的资金支持力度. 碳中和关键技术的研发及提高清洁能源的开发利用率是推动电力行业碳减排的核心. 政府应制定一定的能源补贴政策,鼓励电力行业的技术创新,加大清洁能源的开发力度. 健全能源电力价格形成和成本疏导机制,健全辅助服务市场交易机制,引导各类型电源充分参与系统调节. 同时,逐步实施征收碳税,将碳税收入用于重点领域节能、电能替代和关键能源技术攻关的资金投入和补贴.
(3)宣传低碳发展理念和政策,积极开展绿色生活创建活动,培育公众绿色、健康和安全消费习惯,鼓励公众践行绿色低碳行为,减少电力碳排放,助力我国双碳目标的实现.
3.2 展望不同类型环境规制对电力行业碳排放的影响机制是值得深入研究的课题,本研究从时间和空间的角度切入,对不同类型环境规制的影响作用进行定量分析,但受客观条件的限制及主观认识的不足,本研究仍存在较大的改进空间：第一,从指标构建来看,限于数据的可获得性,本研究不同类型环境规制指标体系主要基于传统意义的生态环保与污染防治,针对电力行业碳排放,目前的指标体系还很难全面刻画3种环境规制的全部内涵,因此构建更为全面、合理的指标体系值得进一步探索. 第二,从研究尺度来看,本文在省域层面的研究尺度不够精细,在运用GTWR模型时,采用各省(市、自治区)的省会经纬度来代替整个省的空间位置,尤其对于经纬度跨度较大的省份而言,做法较为粗糙. 在后续研究中,可将研究范围缩小,尺度下沉,着眼于市级层间.
4 结论(1)对不同类型环境规制而言,时间上,市场型环境规制强度核密度曲线呈现出“向右移动”的运动轨迹,区域间差异呈扩大态势,命令型、自愿型环境规制强度区域间差异呈缩减态势；空间上,命令型环境规制强度逐渐呈现出西北-东南的空间分布格局,市场型和自愿型环境规制强度均呈东北-西南空间分布格局.
(2)对电力行业碳排放而言,在时间上,核密度曲线表现出“向右移动”的运动轨迹,区域间差异呈扩大态势,2003~2019年期间电力行业碳排放量呈上升趋势,东、中、西部地区年均增长率分别为：5.179%、5.455%、9.256%；空间上,逐渐呈西北-东南空间分布格局,且重心向西北地区迁移.
(3)3种环境规制与其他控制变量对不同地区电力行业碳排放的影响具有明显的时空异质性. 从时间上看,命令型环境规制回归系数主要为正值,大多省(市、自治区)回归系数呈先增大后减小的趋势,对电力行业碳排放的影响呈正向促进作用；市场型环境规制回归系数主要为正值,对电力行业碳排放的影响整体呈正向促进作用,大多数省(市、自治区)回归系数呈先减小后增大的趋势；自愿型环境规制回归系数主要为负值,对电力行业碳排放的影响整体呈负向抑制作用,大多数省(市、自治区)回归系数变化趋势呈先减小后增大的趋势；经济水平、能源强度、产业结构和发电结构回归系数整体为正值,对电力行业碳排放的影响呈正向促进作用；技术水平对电力行业碳排放主要以负向效应为主. 从空间上看,命令型环境规制与经济发展水平逐渐对北方各省影响较大(促进)；市场型环境规制与能源强度逐渐对中东部各省影响较大(促进)；自愿型环境规制对东部各省影响较大(抑制)；产业结构对东部各省影响较大(促进)；技术水平对华北地区各省影响较大(抑制)；发电结构对中西部各省影响较大(促进).
| [1] | Wei W D, Zhang P F, Yao M T, et al. Multi-scope electricity-related carbon emissions accounting: a case study of Shanghai[J]. Journal of Cleaner Production, 2020, 252: doi: 10.1016/j.jclepro.2019.119789.. |
| [2] |
胡壮丽, 罗毅初, 蔡航. 城市电力行业碳排放测算方法及减碳路径[J]. 上海交通大学学报, 2024, 58(1): 82-90. Hu Z L, Luo Y C, Cai H. A method for carbon emission measurement and a carbon reduction path of urban power sector[J]. Journal of Shanghai Jiao Tong University, 2024, 58(1): 82-90. |
| [3] | Cui H R, Zhao T, Wu R R. CO2 emissions from China's power industry: policy implications from both macro and micro perspectives[J]. Journal of Cleaner Production, 2018, 200: 746-755. DOI:10.1016/j.jclepro.2018.07.330 |
| [4] |
李苗苗, 郝兆兴, 孙玉涛, 等. 公共创新政策更有利于成熟期企业创新？——一个A股上市公司的实证[J]. 系统管理学报, 2023, 32(6): 1270-1282. Li M M, Hao Z X, Sun Y T, et al. Are public innovation policies more conducive to innovation of mature enterprises: evidence from an a-share listed enterprise[J]. Journal of Systems & Management, 2023, 32(6): 1270-1282. |
| [5] |
杨柳勇, 张泽野. 绿色信贷政策对企业绿色创新的影响[J]. 科学学研究, 2022, 40(2): 345-356. Yang L Y, Zhang Z Y. The impact of green credit policy on corporate green innovation[J]. Studies in Science of Science, 2022, 40(2): 345-356. DOI:10.3969/j.issn.1003-2053.2022.02.016 |
| [6] | Li L, Tan Z F, Wang J H, et al. Energy conservation and emission reduction policies for the electric power industry in China[J]. Energy Policy, 2011, 39(6): 3669-3679. DOI:10.1016/j.enpol.2011.03.073 |
| [7] | Wang Z H, Zhang B, Zeng H L. The effect of environmental regulation on external trade: empirical evidences from Chinese economy[J]. Journal of Cleaner Production, 2016, 114: 55-61. DOI:10.1016/j.jclepro.2015.07.148 |
| [8] | Zhao X L, Yin H T, Zhao Y. Impact of environmental regulations on the efficiency and CO2 emissions of power plants in China[J]. Applied Energy, 2015, 149: 238-247. DOI:10.1016/j.apenergy.2015.03.112 |
| [9] | Qin Y R. Does environmental policy stringency reduce CO2 emissions？Evidence from high-polluted economies[J]. Journal of Cleaner Production, 2022, 341: doi: 10.1016/j.jclepro.2022.130648.. |
| [10] | Neves S A, Marques A C, Patrício M. Determinants of CO2 emissions in European Union countries: does environmental regulation reduce environmental pollution？[J]. Economic Analysis and Policy, 2020, 68: 114-125. DOI:10.1016/j.eap.2020.09.005 |
| [11] |
赵明轩, 吕连宏, 张保留, 等. 中国能源消费、经济增长与碳排放之间的动态关系[J]. 环境科学研究, 2021, 34(6): 1509-1522. Zhao M X, Lü L H, Zhang B L, et al. Dynamic relationship among energy consumption, economic growth and carbon emissions in China[J]. Research of Environmental Sciences, 2021, 34(6): 1509-1522. |
| [12] |
李振冉, 宋妍, 岳倩, 等. 基于SFA-CKC模型评估中国碳排放效率[J]. 中国人口·资源与环境, 2023, 33(4): 46-55. Li Z R, Song Y, Yue Q, et al. Evaluation of carbon emission efficiency in China based on the SFA-CKC model[J]. China Population, Resources and Environment, 2023, 33(4): 46-55. |
| [13] | Cai L Y, Luo J, Wang M H, et al. Pathways for municipalities to achieve carbon emission peak and carbon neutrality: a study based on the LEAP model[J]. Energy, 2023, 262: doi: 10.1016/j.energy.2022.125435.. |
| [14] | Zhao X L, Ma Q, Yang R. Factors influencing CO2 emissions in China's power industry: co-integration analysis[J]. Energy Policy, 2013, 57(12): 89-98. |
| [15] | Cong R G, Wei Y M. Potential impact of (CET) carbon emissions trading on China's power sector: a perspective from different allowance allocation options[J]. Energy, 2010, 35(9): 3921-3931. DOI:10.1016/j.energy.2010.06.013 |
| [16] | Shi W, Tang W W, Qiao F W, et al. How to reduce carbon dioxide emissions from power systems in Gansu Province—analyze from the life cycle perspective[J]. Energies, 2022, 15(10). DOI:10.3390/en15103560 |
| [17] |
玉琦彤. 中国电力行业碳排放脱钩效应情景模拟[J]. 环境科学与技术, 2021, 44(6): 194-200. Yu Q T. Scenario simulation of decoupling effect of carbon emission in China's power industry[J]. Environmental Science & Technology, 2021, 44(6): 194-200. |
| [18] |
王喜平, 王素静. 碳交易政策对我国钢铁行业碳排放效率的影响[J]. 科技管理研究, 2022, 42(1): 171-176. Wang X P, Wang S J. Impact of carbon trading policy on carbon emission efficiency of China's steel industry[J]. Science and Technology Management Research, 2022, 42(1): 171-176. |
| [19] |
宋亚植, 李银, 李仲飞. 基于产出效率的中国钢铁行业碳配额分配方案[J]. 资源科学, 2023, 45(2): 333-343. Song Y Z, Li Y, Li Z F. Carbon quota scheme for China's iron and steel industry based on output efficiency[J]. Resources Science, 2023, 45(2): 333-343. |
| [20] | Zhang W, Li G X, Uddin M K, et al. Environmental regulation, foreign investment behavior, and carbon emissions for 30 provinces in China[J]. Journal of Cleaner Production, 2020, 248: doi: 10.1016/j.jclepro.2019.119208.. |
| [21] | Pei Y, Zhu Y M, Liu S X, et al. Environmental regulation and carbon emission: the mediation effect of technical efficiency[J]. Journal of Cleaner Production, 2019, 236: doi: 10.1016/j.jclepro.2019.07.074.. |
| [22] |
郭庆宾, 刘琪, 张冰倩. 不同类型环境规制对国际R&D溢出效应的影响比较研究——以长江经济带为例[J]. 长江流域资源与环境, 2017, 26(11): 1752-1760. Guo Q B, Liu Q, Zhang B Q. A comparative study on the influence of different types of environmental regulation on international R&D spillovers: a case study of the Yangtze River Economic Belt[J]. Resources and Environment in the Yangtze Basin, 2017, 26(11): 1752-1760. |
| [23] |
张建磊, 申攀登, 何琳, 等. 异质性环境规制对中国纺织服装业碳排放的影响[J]. 纺织学报, 2023, 44(10): 149-156. Zhang J L, Shen P D, He L, et al. Impact of heterogeneous environmental regulations on carbon emissions with China's textile and garment industry[J]. Journal of Textile Research, 2023, 44(10): 149-156. |
| [24] | Chen H D, Du Q X, Huo T F, et al. Spatiotemporal patterns and driving mechanism of carbon emissions in China's urban residential building sector[J]. Energy, 2023, 263: doi: 10.1016/j.energy.2022.126102.. |
| [25] |
江岳坤, 石鹏娟. 中国市域城乡收入差距时空演化及影响因素[J]. 干旱区地理, 2024, 47(1): 147-157. Jiang Y K, Shi P J. Spatiotemporal evolution and its affecting factors of urban-rural income gap at the city-level scale in China[J]. Arid Land Geography, 2024, 47(1): 147-157. |
| [26] | Long R Y, Bao S Y, Wu M F, et al. Overall evaluation and regional differences of green transformation: analysis based on “government-enterprise-resident” three-dimensional participants perspective[J]. Environmental Impact Assessment Review, 2022, 96: doi: 10.1016/j.eiar.2022.106843.. |
| [27] |
李波, 王春妤, 张俊飚. 中国农业净碳汇效率动态演进与空间溢出效应[J]. 中国人口·资源与环境, 2019, 29(12): 68-76. Li B, Wang C Y, Zhang J B. Dynamic evolution and spatial spillover of China's agricultural net carbon sink[J]. China Population, Resources and Environment, 2019, 29(12): 68-76. |
| [28] |
周婷, 马姣娇, 徐颂军. 2003~2013年中国湿地变化的空间格局与关联性[J]. 环境科学, 2020, 41(5): 2496-2504. Zhou T, Ma J J, Xu S J. Spatial patterns and spatial autocorrelations of wetland changes in China during 2003-2013[J]. Environmental Science, 2020, 41(5): 2496-2504. |
| [29] |
彭文斌, 曹笑天, 苏昌贵, 等. 长江中游城市群碳效率时空演化特征——基于三阶段SBM-DEA模型[J]. 生态学报, 2023, 43(9): 3532-3545. Peng W B, Cao X T, Su C G, et al. Spatio-temporal evolutionary characteristics of carbon efficiency in the middle reaches of the Yangtze River urban agglomeration based on a three-stage SBM-DEA model[J]. Acta Ecologica Sinica, 2023, 43(9): 3532-3545. |
| [30] | 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. |
| [31] | Wang H, Zhao X G, Ren L Z, et al. The impact of technological progress on energy intensity in China (2005-2016): evidence from a geographically and temporally weighted regression model[J]. Energy, 2021, 226: doi: 10.1016/j.energy.2021.120362.. |
| [32] | Chen Y, Tian W T, Zhou Q, et al. Spatiotemporal and driving forces of ecological carrying capacity for high-quality development of 286 cities in China[J]. Journal of Cleaner Production, 2021, 293: doi: 10.1016/j.jclepro.2021.126186.. |
| [33] | Liu J G, Li S J, Ji Q. Regional differences and driving factors analysis of carbon emission intensity from transport sector in China[J]. Energy, 2021, 224: doi: 10.1016/j.energy.2021.120178.. |
| [34] |
沈杨, 汪聪聪, 高超, 等. 基于城市化的浙江省湾区经济带碳排放时空分布特征及影响因素分析[J]. 自然资源学报, 2020, 35(2): 329-342. Shen Y, Wang C C, Gao C, et al. Spatio-temporal distribution and its influencing factors of carbon emissions in economic zone of Zhejiang Bay Area based on urbanization[J]. Journal of Natural Resources, 2020, 35(2): 329-342. |
| [35] |
王常凯, 谢宏佐. 中国电力碳排放动态特征及影响因素研究[J]. 中国人口·资源与环境, 2015, 25(4): 21-27. Wang C K, Xie H Z. Analysis on dynamic characteristics and influencing factors of carbon emissions from electricity in China[J]. China Population, Resources and Environment, 2015, 25(4): 21-27. |
| [36] | Lin B Q, Zhou Y C. Measuring the green economic growth in China: influencing factors and policy perspectives[J]. Energy, 2022, 241: doi: 10.1016/j.energy.2021.122518.. |
| [37] | Du Y W, Liu Y X, Hossain M A, et al. The decoupling relationship between China's economic growth and carbon emissions from the perspective of industrial structure[J]. Chinese Journal of Population, Resources and Environment, 2022, 20(1): 49-58. |
| [38] | Wang Y N, Niu Y J, Li M, et al. Spatial structure and carbon emission of urban agglomerations: spatiotemporal characteristics and driving forces[J]. Sustainable Cities and Society, 2022, 78: doi: 10.1016/j.scs.2021.103600.. |
| [39] | Luan B J, Huang J B, Zou H. Domestic R&D, technology acquisition, technology assimilation and China's industrial carbon intensity: evidence from a dynamic panel threshold model[J]. Science of the Total Environment, 2019, 693: doi: 10.1016/j.scitotenv.2019.07.242.. |
| [40] | Li Z H, Wu H W, Wu F. Impacts of urban forms and socioeconomic factors on CO2 emissions: a spatial econometric analysis[J]. Journal of Cleaner Production, 2022, 372: doi: 10.1016/j.jclepro.2022.133722.. |
| [41] | Zheng H Y, Song M L, Shen Z Y. The evolution of renewable energy and its impact on carbon reduction in China[J]. Energy, 2021, 237: doi: 10.1016/j.energy.2021.121639.. |
| [42] | Wang X, Fan F Y, Liu C H, et al. Regional differences and driving factors analysis of carbon emissions from power sector in China[J]. Ecological Indicators, 2022, 142: doi: 10.1016/j.ecolind.2022.109297.. |
| [43] | Wang X P, Du L. Carbon emission performance of China's power industry: regional disparity and spatial analysis[J]. Journal of Industrial Ecology, 2017, 21(5): 1323-1332. |
| [44] | Dong F, Zhang Y Q, Zhang X Y, et al. Exploring ecological civilization performance and its determinants in emerging industrialized countries: a new evaluation system in the case of China[J]. Journal of Cleaner Production, 2021, 315: doi: 10.1016/j.jclepro.2021.128051.. |
| [45] | Dong F, Li J Y, Wang Y, et al. Drivers of the decoupling indicator between the economic growth and energy-related CO2 in China: a revisit from the perspectives of decomposition and spatiotemporal heterogeneity[J]. Science of the Total Environment, 2019, 685: 631-658. |
| [46] | Liu L, Li M Y, Gong X J, et al. Influence mechanism of different environmental regulations on carbon emission efficiency[J]. International Journal of Environmental Research and Public Health, 2022, 19(20). DOI:10.3390/ijerph192013385 |