地理科学进展 2016 , 35 (6): 747-757 https://doi.org/10.18306/dlkxjz.2016.06.008

研究论文

近20年来中国能源消费碳排放时空格局动态

高长春¹^,, 刘贤赵¹^,²^,^*^,, 李朝奎², 张勇¹, 余光辉¹, 宿庆³, 田艳林¹

1. 湖南科技大学建筑与城乡规划学院,湖南湘潭 411201
2. 湖南科技大学地理空间信息技术国家地方联合工程实验室,湖南湘潭 411201
3. 湖南科技大学生命科学学院,湖南湘潭 411201

Spatiotemporal dynamics of carbon emissions by energy consumption in China from 1995 to 2014

GAO Changchun¹^,, LIU Xianzhao¹^,²^,^*^,, LI Chaokui², ZHANG Yong¹, YU Guanghui¹, SU Qing³, TIAN Yanlin¹

1. College of Architecture and Urban Planning, Hunan University of Science and Technology, Xiangtan 411201, Hunan, China
2. National-Local Joint Engineering Laboratory of Geo-Spatial Information Technology, Hunan University of Science and Technology, Xiangtan 411201, Hunan, China
3. College of Life Science, Hunan University of Science and Technology, Xiangtan 411201, Hunan, China

通讯作者: 刘贤赵(1970-),男,湖南隆回人,教授,硕导,研究方向为环境变化与可持续发展,E-mail: xianzhaoliu@sina.com。

基金资助: 教育部人文社会科学项目(14YJAZH050)湖南省社会科学基金项目(14YBA170)湖南省研究生科研创新基金项目(CX2016B542)

作者简介:

作者简介：高长春(1989-),男,河南周口人,硕士生,研究方向为RS与GIS应用及区域可持续发展,E-mail: changchungao@sina.cn。

展开

摘要

CO₂等温室气体引起的全球气候变暖是对人类社会可持续发展的严峻挑战。基于IPCC提供的参考方法,在对中国大陆30个省区(不含西藏)能源消费碳排放量估算的基础上,运用ESTDA框架,通过ESDA、LISA时间路径、时空跃迁和标准差椭圆等方法,从时空耦合的角度分析了1995-2014年中国能源消费碳排放时空格局动态性。结果表明：①近20年来中国省域碳排放具有显著的空间正相关性,碳排放空间差异呈先缩小后扩大的趋势;②LISA时间路径分析显示,中国大部分省区的局部空间结构具有较强的稳定性,1995-2001年和2002-2014年2个时段相对长度都小于平均长度的省区均为18个,大部分南方省区在空间依赖方向上的波动性呈增强趋势,而北方大多数省区则保持相对稳定;③出现协同运动的省区由1995-2001年的13个下降到2002-2014年的10个,表明中国碳排放空间格局具有一定的空间整合性,但呈减弱趋势;④中国省域碳排放的局部空间关联模式和集聚特征具有较强的稳定性,表现为一定的路径依赖或空间锁定特征;⑤碳排放重心在113.739°~114.324°E、34.475°~35.036°N之间变动,整体上有向西北方向移动的趋势。中国碳排放空间分布呈东北—西南格局,且有逐步向正北—正南转变的趋势。中国碳减排的重点是加快发展清洁能源与提高能效并重,优化能源结构和促进各省区产业结构转型,制定差异化的省域碳减排政策,建立碳交易制度。

关键词： 碳排放 ; 时空动态 ; LISA时间路径 ; 标准差椭圆 ; 时空跃迁

Abstract

Global warming due to greenhouse gases (such as CO₂) emissions posts serious challenges to the sustainable development of the human society. Based on the reference method provided by the Intergovernmental Panel on Climate Change, this study calculated the CO₂ emissions of energy consumption in 30 provinces of China (excluding Tibet) from 1995 to 2014. Using exploratory spatial data analysis (ESDA), LISA time path, spatiotemporal transitions, and standard deviation ellipse analysis methods, the authors analyzed the spatiotemporal dynamics of carbon emissions of energy consumption. The results show that: (1) there was a significant positive spatial correlation of carbon emissions of energy consumption in China’s provinces during 1995-2014. The inter-provincial carbon emissions differences first decreased then increased; (2) by means of LISA time path analysis, this study found that the majority of the Chinese provinces had a stable spatial structure of carbon emissions. Eighteen provinces had shorter than average time path lengths in 1995-2001 and 2002-2014. The majority of the southern provinces showed a fluctuating spatial dependence with increasing amplitude over time, while most of the northern provinces showed a relatively stable trend; (3) according to the directional Moran scatter plot, the number of provinces that showed the same trend decreased from 13 in 1995-2001 to 10 in 2002-2014, indicating that the spatial coherence of carbon emissions change at the provincial level had weakened; (4) spatial correlation patterns and clustering of carbon emissions by energy consumption at the provincial level were relatively stable and showed certain degree of path-dependence or lock-in character; (5) carbon emissions gravity center was between 113.739°~114.324°E, 34.475°~35.036°N and was moving to the northwest. The spatial distribution of provincial emissions presented a northeast-southwest pattern, and had the tendency of shifting to a north-south pattern. The focus of carbon emission reduction in China is to accelerate the development of clean energy, improve energy efficiency, promote the optimization and upgrading of energy and industrial structures in all provinces, make differentiated carbon emission reduction policies for different provinces, and establish carbon trading market.

Keywords： carbon emissions ; spatiotemporal dynamics ; LISA time path ; standard deviation ellipse ; spatiotemporal transitions

PDF (4774KB) 元数据多维度评价相关文章收藏文章

本文引用格式导出 EndNote Ris Bibtex

高长春, 刘贤赵, 李朝奎, 张勇, 余光辉, 宿庆, 田艳林. 近20年来中国能源消费碳排放时空格局动态[J]. , 2016, 35(6): 747-757 https://doi.org/10.18306/dlkxjz.2016.06.008

GAO Changchun, LIU Xianzhao, LI Chaokui, ZHANG Yong, YU Guanghui, SU Qing, TIAN Yanlin. Spatiotemporal dynamics of carbon emissions by energy consumption in China from 1995 to 2014[J]. 地理科学进展, 2016, 35(6): 747-757 https://doi.org/10.18306/dlkxjz.2016.06.008

1 引言

气候变暖是当前可持续发展面临的巨大挑战(荣培君等, 2016),如何减少CO₂等温室气体已成为世界各国面临的共同问题。CO₂是温室气体最重要的组成部分(秦耀辰等, 2014),气候变暖至少有66%以上是与人类活动排放的CO₂相关(王少剑等, 2015)。因此,减缓气候变暖的关键在于减少CO₂排放(简称碳排放,下同)。据2012年国际能源署报道,中国已于2007年成为世界上最大的碳排放国,并且受工业化和城市化快速推进的影响,碳排放量还可能更高。为此,中国政府在2009年哥本哈根联合国气候大会上,承诺到2020年碳排放强度在2005年的基础上下降40%~45%,这必将使中国面临巨大的国际减排压力。省区是中国碳减排的实施区,也是碳减排配额分配的主体。因此,此减排目标的实现不仅需要考虑国家层面的碳排放总量,更应该从省域视角把握碳排放空间格局的时空动态特征以及省区间碳排放的空间依赖性和异质性,以便制定符合中国省域碳排放自身特点的差异化减排策略。

基于此背景,不少学者从不同视角、不同尺度,采用不同方法对中国碳排放问题进行了大量研究,并取得了丰硕成果。如谭丹等(2008)和张雷等(2010)分析了中国东、中、西三大区域碳排放的差异性。汪宏韬(2010)、宋杰鲲(2012)、范丹(2013)和邓吉祥等(2014)采用LMDI指数分解法对中国不同尺度的碳排放进行了分析,认为经济发展是碳排放增加的最主要驱动因素;但Liu等(2010)认为各因素对中国省域碳排放的影响方向和程度均存在差异性。李波等(2011)和张彬等(2011)利用Kaya恒等式探讨了中国碳排放的主要驱动因素,并且根据这些因素进行模糊聚类,将中国分为四大区域。此外,渠慎宁等(2010)利用STIRPAT模型对中国碳排放峰值进行了预测。

尽管上述研究对中国能源消费碳排放问题做了大量探讨并取得了重要成果,但大多是将研究单元视为相互独立且均质的个体,忽略了研究单元碳排放的空间依赖性和异质性。近年来,已有不少学者(赵雲泰等, 2011; Chuai et al, 2012; Huang et al, 2013; 程叶青等, 2013)采用探索性空间数据分析(Exploratory Spatial Data Analysis, ESDA)方法从空间相关的视角对中国碳排放的空间分布格局和差异性进行了相关研究。例如,赵雲泰等(2011)采用空间自相关分析发现,中国碳排放强度的低值聚集区主要集中在东部和南部沿海地区,高值聚集区由西北地区逐渐向黄河中游及东北地区迁移。Huang等(2013)认为中国人均碳排放具有显著的空间依赖性,且使用经济权重能够加强相邻区域间的空间依赖性。Chuai等(2012)指出中国省域尺度碳排放的空间依赖性具有“极化”现象,高—高聚集区呈扩大趋势,而低—低聚集区则相反。由于ESDA仅能从空间维度分析碳排放的空间格局及区域差异,从而在一定程度上忽视了研究单元碳排放的时间维度(Goodchild et al, 2008)。而近年Rey等(2006)提出的探索性时空数据分析(Exploratory Time-space Data Analysis, ESTDA)能有效地将时间维度整合到空间数据分析中去,并从时空交互的角度探讨碳排放的时空格局问题。但目前鲜有从时空耦合的视角对中国碳排放空间格局动态性的研究,本文以中国大陆(除西藏以外)30个省区(含自治区、直辖市)为研究对象,基于ESTDA框架,运用ESDA、LISA时间路径、时空跃迁及标准差椭圆等分析方法,从时空耦合的视角研究中国能源消费碳排放空间格局的时空动态变化,以期为制定中国“共同但有区别”的省域碳减排政策提供科学依据。

2 数据来源与研究方法

2.1 数据来源

计算30个省区1995-2014年碳排放量所用的8种化石能源(原煤、焦炭、原油、汽油、煤油、柴油、燃料油和天然气)消费数据主要来自《中国能源统计年鉴》(1996-2015年)。其中,海南2002年和宁夏2000-2002年的化石能源消费数据统计不完整,作者根据其前后年份数据进行插值获取;重庆和四川的人口数据分别来源于《重庆统计年鉴》和《四川省统计年鉴》;矢量空间数据来源于国家科技基础条件平台——国家地球系统科学数据共享平台(http://www.geodata.cn),原数据为县级行政区划数据,对其合并获得省级尺度数据。

2.2 研究方法

2.2.1 碳排放量计算方法

利用IPCC提供的参考方法估算中国30个省区1995-2014年化石能源消费的碳排放量,其计算公式为：

$\begin{matrix} C = \overset{n}{\sum_{i = 1}} E_{i} \times e_{i} \times P_{i} \times \frac{44}{12} \end{matrix}$ (1)

式中： $\begin{matrix} C \end{matrix}$ 表示某省化石能源消费产生的碳排放量; $\begin{matrix} E_{i} \end{matrix}$ 代表第 $\begin{matrix} i \end{matrix}$ 类化石能源的消费量; $\begin{matrix} e_{i} \end{matrix}$ 表示第 $\begin{matrix} i \end{matrix}$ 类化石能源的标准煤折算系数(见2013年《中国能源统计年鉴附录4》); $\begin{matrix} P_{i} \end{matrix}$ 表示第 $\begin{matrix} i \end{matrix}$ 类化石能源的碳排放系数,根据《IPCC2006国家温室气体清单指南》中提供的缺省值计算得到(赵敏等, 2009); $\begin{matrix} n \end{matrix}$ 为能源种类; $\begin{matrix} \frac{44}{12} \end{matrix}$ 是CO₂与碳的分子量之比。由于无法获得重庆市在1997年之前的能源消费数据(因该市在1997年之前隶属于四川省),采用人口占比分配法(汪浩等, 2014)将计算获得的原四川省1995-1996年的碳排放量分摊到重庆市和四川省。

2.2.2 全局空间自相关与局部空间自相关

全局空间自相关能够反映空间关联程度的总体特征,可度量中国省域能源消费碳排放在整体上的空间依赖和差异程度,全局Moran’s I指数的表达式为：

$\begin{matrix} I = \frac{n \overset{n}{\sum_{i = 1}} \overset{n}{\sum_{j = 1}} W_{ij} (y_{i} - \overset{̅}{y}) (y_{j} - \overset{̅}{y})}{\overset{n}{\sum_{i = 1}} \overset{n}{\sum_{j = 1}} W_{ij} \overset{n}{\sum_{i = 1}} (y_{i} {- \overset{̅}{y})}^{2}} \end{matrix}$ (2)

式中：n为省区总数;y_i和y_j分别为i省和j省的碳排放量; $\begin{matrix} \overset{̅}{y} \end{matrix}$ 为所有省碳排放量的平均值; $\begin{matrix} W_{ij} \end{matrix}$ 为空间权重矩阵,基于Rook邻接关系获得。考虑到海南省是一个孤立的岛屿,在生成权重矩阵时定义其与广东、广西相邻。I值范围为[-1, 1],其值为正且越趋向于1时,表示碳排放呈正相关且总体空间差异越小,也即碳排放较高(较低)的省域在空间上集聚;其值等于0,则表示碳排放随机分布(不相关);若其值为负且接近-1,则表示某省与其周边省区的碳排放具有显著的空间差异性。

局部Moran’s I是全局Moran’s I的分解形式,可用于进一步度量某省区与其周边省区的空间关联模式及其空间差异程度,其计算公式为：

$\begin{matrix} I_{i} = Z_{i} \sum W_{ij} Z_{j} \end{matrix}$ (3)

式中： $\begin{matrix} Z_{i} \end{matrix}$ 和 $\begin{matrix} Z_{j} \end{matrix}$ 为i省和j省的标准化碳排放; $\begin{matrix} W_{ij} \end{matrix}$ 为空间权重矩阵。局部Moran’s I与Moran散点图的4个象限均分别对应4种不同的局部关联类型,即HH(高—高)、HL(高—低)、LH(低—高)和LL(低—低)。其中,HH(LL)表示相邻的省区间具有空间正相关关系,即碳排放较高(或低)的省区具有空间集聚效应;HL(LH)表示相邻的省区间具有空间负相关关系,即碳排放较高(低)的省区被碳排放较低(高)的省区所包围。

2.2.3 LISA时间路径

LISA时间路径是基于LISA坐标在Moran散点图中的时间迁移特性,来刻画省域碳排放在局部区域范围内的时空协同变化以及确定碳排放局部空间差异的时空动态性,以实现省域单元碳排放值及其滞后随时间的成对移动,从而使静态的局部空间依赖转化为动态的连续表达(Ye et al, 2013)。具体方法是,每个省域单元的LISA坐标由碳排放量的标准化值及其空间滞后量组成,LISA坐标在2个时间点的转移通过相应2个时间点的LISA坐标的移动来测度,即[(y_i_,1, yL_i_,1),(y_i_,2, yL_i_,2),…,(y_i_,_t, yL_i_,_t)]。其中,y_i_,_t为i省在t年的碳排放量标准化值,yL_i_,_t为i省在t年的空间滞后量。LISA时间路径的几何特征通常用相对长度( $Γ ˜ i$ )和弯曲度( $∆ i$ )表示,二者的表达式分别为(Rey et al, 2010)：

新窗口打开

$\begin{matrix} {\tilde{Γ}}_{i} = \frac{n \times \overset{T - 1}{\sum_{t = 1}} d (L_{i, t}, L_{i, t + 1})}{\overset{n}{\sum_{i = 1}} \overset{T - 1}{\sum_{t = 1}} d (L_{i, t}, L_{i, t + 1})} \end{matrix}$ (4)

$\begin{matrix} ∆_{i} = \frac{\overset{T - 1}{\sum_{t = 1}} d (L_{i, t}, L_{i, t + 1})}{d (L_{i, t}, L_{i, T})} \end{matrix}$ (5)

式中：T为年度间隔; $\begin{matrix} L_{i, t} \end{matrix}$ 为i省在时间t的LISA坐标,即 $\begin{matrix} (y_{i, t}, y L_{i, t}) \end{matrix}$ ; $\begin{matrix} d (L_{i, t}, L_{i, t + 1}) \end{matrix}$ 为i省从时间t到t+1的移动距离;其他变量含义同前文。 $\begin{matrix} {\tilde{Γ}}_{i} \end{matrix}$ 大于1,表示i省具有更加动态的局部空间依赖关系和局部空间结构(或相对长度大于平均长度),反之亦然。 $\begin{matrix} ∆_{i} \end{matrix}$ 越大,表明LISA时间路径越弯曲,即i省在方向上具有更加波动的碳排放增长过程和局部空间依赖演化过程,也就是i省受局部结构的时空依赖效应(邻域空间效应)影响就越大;反之,则受到的影响越小,碳排放稳定性越强。

2.2.4 LISA时空跃迁

LISA提供了从局部的视角揭示研究单元间的空间依赖性(Anselin, 1995),Rey(2001)在此基础上根据不同时段Moran散点图中各研究单元间局部空间关联类型的转移情况,提出了时空跃迁(space-time transition)。

时空跃迁分为4种类型：类型Ⅰ、类型Ⅱ、类型Ⅲ和类型Ⅳ。类型Ⅰ表示仅省区自身发生跃迁,包括HH_t→LH_t₊₁、HL_t→LL_t₊₁、LH_t→HH_t₊₁、LL_t→HL_t₊₁;类型Ⅱ表示仅省区的相邻省份发生跃迁,包括HH_t→HL_t₊₁、HL_t→HH_t₊₁、LH_t→LL_t₊₁、LL_t→LH_t₊₁;类型Ⅲ表示省区自身及其相邻省份均发生跃迁,包括HH_t→LL_t₊₁、HL_t→LH_t₊₁、LL_t→HH_t₊₁、LH_t→HL_t₊₁;类型Ⅳ表示省区自身与相邻省份均保持稳定,包括HH_t→HH_t₊₁、HL_t→HL_t₊₁、LL_t→LL_t₊₁、LH_t→LH_t₊₁。根据Moran散点时空跃迁4种类型的划分,Moran散点图的空间稳定性可以表示为(Rey, 2001)：

$\begin{matrix} S_{t} = \frac{F_{0, t}}{n} \end{matrix}$ (6)

式中： $\begin{matrix} F_{0, t} \end{matrix}$ 表示在 $\begin{matrix} t \end{matrix}$ 时间段内发生类型Ⅳ跃迁的省域数量; $\begin{matrix} n \end{matrix}$ 为所有可能发生跃迁的省区数量。 $\begin{matrix} S_{t} \end{matrix}$ 的取值范围是[0, 1],其值越大,表示空间稳定性越强;反之亦然。

2.2.5 标准差椭圆分析

标准差椭圆(Standard Deviational Ellipse,SDE)是以中心、主轴(长轴)、辅轴(短轴)、方位角为基本参数,定量描述研究对象空间分布整体特征及时空演变过程的空间统计方法(Lefever, 1926)。该方法以地理要素空间分布的重心为中心,分别计算其在x方向和y方向上的标准差,以确定其长轴和短轴。SDE的空间分布范围表示地理要素空间分布的主体区域,重心表示地理要素空间分布的相对位置,方位角反映地理要素分布的主趋势方向(即正北方向沿顺时针旋转到椭圆长轴的角度),长轴和短轴分别表示地理要素在主趋势方向和次要方向上的离散程度。上述各参数的计算公式如下：

重心： $\begin{matrix} (\overset{̅}{X}, \overset{̅}{Y}) = (\frac{\overset{n}{\sum_{i = 1}} w_{i} x_{i}}{\overset{n}{\sum_{i = 1}} w_{i}}, \frac{\overset{n}{\sum_{i = 1}} w_{i} y_{i}}{\overset{n}{\sum_{i = 1}} w_{i}}) \end{matrix}$ (7)

方位角：

$\begin{matrix} tanθ = ((\overset{n}{\sum_{i = 1}} w_{i}^{2} {\tilde{x}}_{i}^{2} - \overset{n}{\sum_{i = 1}} w_{i}^{2} {\tilde{y}}_{i}^{2}) + \\ \frac{\sqrt{{(\overset{n}{\sum_{i = 1}} w_{i}^{2} {\tilde{x}}_{i}^{2} - \overset{n}{\sum_{i = 1}} w_{i}^{2} {\tilde{y}}_{i}^{2})}^{2} - 4 \overset{n}{\sum_{i = 1}} w_{i}^{2} {\tilde{x}}_{i}^{2} {\tilde{y}}_{i}^{2}})}{2 \overset{n}{\sum_{i = 1}} w_{i}^{2} {\tilde{x}}_{i} {\tilde{y}}_{i}} \end{matrix}$ (8)

x轴标准差： $\begin{matrix} σ_{x} = \sqrt{\frac{\overset{n}{\sum_{i = 1}} {(w_{i} {\tilde{x}}_{i} cosθ - w_{i} {\tilde{y}}_{i} sinθ)}^{2}}{\overset{n}{\sum_{i = 1}} w_{i}^{2}}} \end{matrix}$ (9)

y轴标准差： $\begin{matrix} σ_{y} = \sqrt{\frac{\overset{n}{\sum_{i = 1}} {(w_{i} {\tilde{x}}_{i} sinθ - w_{i} {\tilde{y}}_{i} cosθ)}^{2}}{\overset{n}{\sum_{i = 1}} w_{i}^{2}}} \end{matrix}$ (10)

上述各式中： $\begin{matrix} x_{i}, y_{i} \end{matrix}$ 为研究区域各单元的中心坐标; $\begin{matrix} w_{i} \end{matrix}$ 为研究单元的权重; $\begin{matrix} \overset{,}{X} \overset{̅}{Y} \end{matrix}$ 为重心坐标; $\begin{matrix} θ \end{matrix}$ 为椭圆方位角,即正北方向顺时针旋转到椭圆长轴所形成的夹角; $\begin{matrix} {\tilde{x}}_{i} \end{matrix}$ , $\begin{matrix} {\tilde{y}}_{i} \end{matrix}$ 分别为各研究单元中心坐标到重心的坐标偏差; $\begin{matrix} σ_{x} \end{matrix}$ , $\begin{matrix} σ_{y} \end{matrix}$ 分别为沿x轴和y轴的标准差。

3 结果与分析

3.1 碳排放格局总体变化

图1显示,1995-2014年全局Moran’s I指数均为正值,且均通过了P=0.05的显著性检验,表明中国省域能源消费碳排放呈显著的空间正相关关系,即碳排放较高的省区和较低的省区在空间上均趋于相邻。从全局Moran’s I指数随时间的变化趋势看,1995-2001年其值波动上升,到2001年达到最大值(0.2615),说明中国省域碳排放的空间趋同性不断增强;而在2002-2014年则波动下降,表明中国省域能源消费碳排放的空间差异呈逐步扩大的趋势。

显示原图| 下载原图ZIP| 生成PPT

图1 1995-2014年中国碳排放全局Moran’s I指数

Fig.1 Global Moran’s I of China’s carbon emission, 1995-2014

3.2 LISA时间路径变化

根据全局Moran’s I指数的时间变化特征,选取1995-2001和2002-2014年2个时段进行LISA时间路径分析。

3.2.1 几何特征

由于LISA时间路径的几何特征可用于揭示中国省域碳排放局部空间结构的动态性及空间依赖方向上的波动性,本文采用自然断点法和手动分类法将1995-2001年LISA时间路径相对长度从低到高划分成4个等级,即低相对长度(0.361~0.622)、中等相对长度(0.623~1.000)、较高相对长度(1.001~1.297)和高相对长度(1.298~2.913);对2002-2014年LISA时间路径相对长度采用手动分类法^（2个时段所用分类方法不同,是因为2个时段相对长度范围不一样,导致采用相同分类方法得出的4个等级区间范围不一致,不具有可比性。因此,为使2个时段的4个等级具有可比性,对第2个时间段采用手动分类法,使得4个等级的区间范围与第1个时段保持一致。^）进行分级,且分类等级和区间范围与1995-2001年保持一致。图2a显示,1995-2001年,山东、辽宁和湖南为高相对长度省份,说明其局部空间结构具有强烈的动态性;较高相对长度省区包括北京、黑龙江、吉林、山西、江苏、四川、重庆、湖北和广东,表明上述省区的局部空间结构具有较强的动态性;新疆、甘肃、青海、安徽、江西和广西等6省区为低相对长度,说明其局部空间结构的稳定性最强;其他省区则为中等相对长度,表明属于其具有较稳定的局部空间结构。而在2002-2014年,高相对长度的省区由1995-2001年的3个增加到了8个(图2b),说明强波动性的省区数量呈上升趋势,且这些省区主要分布在东北地区及华北平原,原因在于“振兴东北”和“中原崛起”战略的实施,为其的经济发展提供了政策保障,但同时带来很多环境问题。其中,黑龙江和吉林为东北老工业基地,以高碳排放的第二产业为主,受“振兴东北”战略的影响,碳排放量快速增加;河南经济发展较快,GDP总量已跃居第五位,碳排放量也于2014年跃居到第五位;山西和内蒙古的经济发展则高度依赖于煤炭资源。因此,由于政策原因导致上述省区的局部空间结构具有强烈的动态性。较高相对长度的省区数量呈下降趋势,原因在于受政策的影响,黑龙江、吉林和山西等省区由较高相对长度变为高相对长度。中等相对长度的省区数量虽然没有改变,但逐步向东南沿海迁移,说明东南沿海省区的局部空间结构趋于相对稳定,主要是因为东南沿海省区有着相似的碳排放水平。2个时段相对长度小于平均长度的省区均为18个,占全部省区比例的60%,说明整体上中国省域碳排放的局部空间结构具有较强的稳定性。

显示原图| 下载原图ZIP| 生成PPT

图2 LISA时间路径相对长度的空间分布

Fig.2 Spatial distribution of relative length of the LISA time path

同样,采用自然断点法将1995-2001年LISA时间路径弯曲度从低到高划分为4个等级,低弯曲度(1.163~2.226)、中等弯曲度(2.226~3.607)、较高弯曲度(3.608~6.575)和高弯曲度(6.576~31.121);对2002-2014年LISA时间路径弯曲度则采用手动分类法进行分级,且分类等级和区间范围与1995-2001年相一致。由图3知,1995-2001年,山东为高弯曲度省份,表明山东省具有最强波动性的碳排放增长和局部空间依赖变化过程;较高弯曲度的省区包括辽宁、湖北、广西及新疆,其碳排放增长和局部空间依赖变化波动性较强;东南沿海省区及西部地区的大部分省区均属于低弯曲度省区,具有波动性较弱的碳排放增长和局部空间依赖变化过程;其他省区为中等弯曲度。而在2002-2014年,安徽省取代1995-2001年的山东省成为弯曲度最大省份,云南省也为高弯曲度,在空间依赖方向上具有最强波动性的省区呈增加趋势;较高弯曲度的省区从1995-2001年的4个增加到了6个,分别为吉林、河南、浙江、重庆、湖南和贵州;中等弯曲度省区数量基本保持不变,而低弯曲度省区数量呈现下降趋势,即具有波动性较弱的碳排放增长和局部空间依赖变化过程的省区量在减少。从空间分布上看,中国南部地区绝大部分省区的弯曲度呈增加趋势,即在空间依赖方向上的波动性呈增强趋势,而中国北部的多数省区弯曲度等级处于相对稳定的态势,即在空间依赖方向上的波动性趋于相对稳定。

显示原图| 下载原图ZIP| 生成PPT

图3 LISA时间路径弯曲度的空间分布

Fig.3 Spatial distribution of tortuosity of the LISA time path

3.2.2 移动方向

LISA移动方向可以分析,中国碳排放空间格局变化空间整合性。根据各省区在2个时间点的LISA坐标计算可得到LISA移动方向,基于平均水平将其分成4种类型：0°~90°方向(高—高态势),表示省区自身及其相邻省区的碳排放均保持高增长趋势;90°~180°方向(低—高态势),表示省区自身碳排放呈低增长趋势,而其相邻省区呈高增长趋势;180°~270°方向表示(低—低态势),即省区自身及其相邻省区的碳排放均呈低增长趋势;270°~360°方向(高—低态势),表示省区自身碳排放呈高增长趋势而其相邻省区则呈低增长态势。其中,0°~90°方向为协同高增长趋势,180°~270°方向是协同低增长趋势,这两种协同增长趋势表示省区及其相邻省区呈整合的空间动态性。

由图4知,1995-2001年,协同高增长的省区共有8个,分别为北京、上海、河北、山西、河南、内蒙古、福建和海南,呈协同高增长趋势;协同低增长的省区共有5个,分别为吉林、湖北、四川、甘肃和广西,呈协同低增长趋势。表明在1995-2001年时间段中国碳排放空间格局演化具有较弱的空间整合性。而在2002-2014年,协同高增长的省区仅为4个,且均分布在西北内陆,原因是随着2000年西部大开发战略的实施,西北内陆省区的经济发展较快,化石能源消费量快速增加,导致碳排放增加较快;协同低增长的省区为6个,分别为北京、天津、重庆、河南、湖南和贵州。2个时段对比得出：协同高增长和协同低增长的省区从1995-2001年的13个下降到2002-2014年的10个,表明中国碳排放空间格局变化具有一定的空间整合性,且这种空间整合性呈减弱趋势。

显示原图| 下载原图ZIP| 生成PPT

图4 LISA时间路径移动方向的空间分布

Fig.4 Spatial distribution of movement direction of the LISA time path

3.3 LISA时空跃迁分析

上述LISA时间路径分析能够揭示各省域LISA坐标的变化大小及变化趋势,但无法反映Moran散点图中局部空间关联类型的相互转移。因此,作者进一步采用时空跃迁分析法探讨中国省域碳排放局部空间关联类型的转移特征。

由表1知,最普遍的跃迁是类型Ⅳ,发生该类型跃迁的省区占全部省区的83.3%,即Moran散点图的空间稳定性为0.833,而类型Ⅲ发生跃迁的省域为0。此外,在1995-2014年2个时段中,仅省区自身或仅相邻省区发生跃迁(类型Ⅰ、类型Ⅱ)的省区数均为5个,且多数分布在中西部地区,说明东部省区碳排放局部空间关联结构的稳定性高于中西部省区。这表明中国省域碳排放的局部空间关联结构存在较强的稳定性,且东部省区高于中西部省区,说明省域碳排放时空跃迁具有一定的路径依赖或空间锁定特征。

表1 Moran散点图的时空跃迁矩阵

Tab.1 Spatiotemporal transition matrices of Moran scatterplots

时段		HH	LH	LL	HL
1995-2001年	HH	Ⅳ(冀晋辽苏浙皖鲁豫)	Ⅰ(吉)	Ⅲ	Ⅱ
	LH	Ⅰ(蒙沪)	Ⅳ(京津闽赣琼陕)	Ⅱ(渝)	Ⅲ
	LL	Ⅲ	Ⅱ	Ⅳ(桂贵滇甘青宁新)	Ⅰ
	HL	Ⅱ	Ⅲ	Ⅰ(湘)	Ⅳ(黑鄂粤川)
2002-2014年	HH	Ⅳ(冀晋蒙辽苏皖鲁豫)	Ⅰ	Ⅲ	Ⅱ
	LH	Ⅰ	Ⅳ(京津吉沪闽赣琼陕)	Ⅱ	Ⅲ
	LL	Ⅲ	Ⅱ(黑宁)	Ⅳ(湘桂渝贵滇甘青)	Ⅰ(新)
	HL	Ⅱ(浙)	Ⅲ	Ⅰ(川)	Ⅳ(鄂粤)

新窗口打开

3.4 标准差椭圆分析结果

为进一步揭示中国碳排放重心的迁移变化以及高碳排放省区的空间分布,采用SDE法进行互补分析。由表2和图5知,近20年来中国省域碳排放重心分布在113.739°~114.324°E,34.475°~35.036°N之间,并位于中国几何中心(103.50°E, 36°N)的东南方向,表明中国东部和南部省域碳排放量较高。造成东部省域碳排放较高的原因主要有：一是东部省域经济总量大,占全国经济总量的一半以上,经济高速发展的同时伴随着化石能源的大量消耗;二是从产业结构上看,整体上东部省域第二产业比重超过51%(刘占成等, 2010),而第二产业属于高耗能、高碳排放产业。南部省域碳排放较高主要因为中国经济发达的省区绝大部分分布在南部,而经济发展是碳排放增加的最主要原因(许士春等, 2012)。因此,无论从碳排放总量还是从经济实力上看,在制定减排政策时东部和南部省区都应承担更多的减排责任。从重心移动轨迹看,中国省域碳排放重心总体上向西北方向移动,近20年来移动距离为71.111 km,其中,1995-1997年,重心向西北方向迁移了14.878 km;1997-2000年,重心向东南方向迁移了19.249 km;2000-2003年,重心向西南方向移动了41.525 km;2003-2006年,重心向东北方向迁移21.759 km;2006-2012年,重心向西北方向迁移56.459 km;2012-2014年,重心向西北方向迁移了26.183 km。

显示原图| 下载原图ZIP| 生成PPT

图5 中国省域碳排放标准差椭圆分布

Fig.5 Carbon emissions standard deviation ellipses of provinces in China

从方位角θ的变化看,近20年来θ整体上呈波动减小的趋势,首先从1995年的31.217°增加到1997年的31.622°,然后持续减小到2012年的23.081°,最后增加到2014年的24.076°,表明近20年来中国碳排放的空间分布呈现出东北—西南格局,但这种格局整体上呈弱化的态势,逐步向正北—正南方向转变。

表2 中国省域碳排放标准差椭圆参数变化

Tab.2 Change of standard deviation ellipse model parameters of provinces in China

年份	重心坐标			重心迁移			长轴/km	短轴/km	方位角/º
年份	经度/º		纬度/º				方向	距离/km	速率/(km/a)
1995	114.326	34.781					1115.813	828.860	31.217
1997	114.201	34.829		西北	14.878	7.439	1125.253	842.417	31.662
2000	114.324	34.707		东南	19.249	6.416	1106.473	852.441	28.085
2003	114.031	34.475		西南	41.525	13.842	1064.669	841.258	25.710
2006	114.226	34.493		东北	21.759	7.253	1072.872	822.912	25.655
2009	114.018	34.600		西北	25.990	8.663	1064.949	851.448	25.156
2012	113.940	34.913		西北	35.841	11.947	1068.673	898.957	23.081
2014	113.739	35.036		西北	26.183	13.092	1061.124	965.540	24.076

新窗口打开

从主轴方向上看,主半轴标准差由1995年的1115.813 km降到2014年的1061.124 km,表明近20年中国省域碳排放在主要方向上出现极化现象。其中1995-2006年主半轴标准差由1115.813 km降到1072.872 km,表明该时段省域碳排放在东北—西南方向上出现极化现象,主要原因在于西部大开发战略和振兴东北老工业基地战略实施之前,西南地区省域经济基础薄弱,东北三省经济增长缓慢,而经济发展是碳排放增加的最主要因素(许士春等, 2012),由此导致碳排放差距也在增大;虽然2000年西部大开发战略和2003年振兴东北老工业基地战略的实施使上述省区经济有了较快的发展,但与其他省区的相对差距仍处于扩大阶段,进而导致碳排放差距也在扩大;2009-2012年主半轴标准差由1064.949 km升到1068.673 km,表明该时段省域碳排放在东北—西南方向上出现分散,主要是由于经西部大开发战略和振兴东北老工业基地战略几年的实施,西南地区省域经济基础薄弱的状况有了很大改善,东北地区经济也取得较快的发展,能源消费量持续增加,导致碳排放量增速加快。另外,受2008年经济危机的影响,东部各省域经济发展速度有所放缓,能源消费碳排放的增速也呈下降趋势。从辅轴方向上看,辅半轴标准差由1995年的828.86 km升到2014年的965.540 km,表明近20年中国省域碳排放在次要方向上出现极化。其中1997-2006年辅半轴标准差由842.417 km降到822.912 km,表明该时段省域碳排放在西北—东南方向上出现极化,原因在于江苏、安徽等省域碳排放量大幅增加,而甘肃、青海等省域的碳排放量增长缓慢;2009-2014年辅半轴标准差由851.448 km上升到965.540 km,表明该时段省域碳排放在西北—东南方向上出现分散,主要是由于西北部新疆、内蒙古和陕西等省域碳排放量的快速增加所致。2009-2014年新疆、内蒙古的经济增长基本上仍以“高投入、高消耗、高排放”的粗放式增长为主,而且高度依赖于煤炭的消耗。据统计,新疆煤炭消费比重在65%以上(新疆维吾尔自治区统计局, 2015),内蒙古甚至高达80%以上(内蒙古自治区统计局, 2015),而煤炭又属于高碳排放能源,导致新疆和内蒙古的碳排放量快速增长。因此,在新疆和内蒙古积极调整能源消费结构,推进节能减排政策,发展低碳经济具有重要意义。

4 结论与讨论

4.1 结论

(1) 1995-2014年全局Moran’s I指数均为正值,并随时间呈先升后降的趋势,且均通过5%显著性检验,表明中国省域碳排放具有显著的空间正相关关系,即碳排放较高或较低的省区在空间上均趋于相邻。

(2) LISA时间路径的相对长度分析表明,局部空间结构具有强波动性和强稳定性的省区数量均呈下降趋势。从整体上看,1995-2001年和2002-2014年2个时段相对长度小于平均长度的省区均为18个,说明大多数省区的局部空间结构具有较强的稳定性。弯曲度分析表明大部分南方省区的弯曲度呈增加趋势,即在空间依赖方向上的波动性呈增强趋势;而北方大多数省区的弯曲度等级处于相对稳定的态势,即在空间依赖方向上的波动性基本保持相对稳定。

(3) LISA时间路径的移动方向类型中,中国碳排放出现协同运动的省区由1995-2001年的13个下降到2002-2014年的10个,表明中国碳排放空间格局变化具有一定的空间整合性,但呈减弱趋势。1997-2001年,协同高增长的省区分别为北京、上海、河北、山西、河南、内蒙古、福建和海南,协同低增长的省区分别为吉林、湖北、四川、甘肃和广西。而2002-2014年,协同高增长的省区分布在西北内陆,协同低增长的省区分别为北京、天津、重庆、河南、湖南和贵州。

(4) 从Moran散点的时空跃迁分析看,在1995-2001年和2002-2014年2个时段中,类型Ⅳ跃迁的省区占全部省区的83.3%,即Moran散点图的空间稳定性均为0.833,且2个时段中均无发生类型Ⅲ跃迁的省区,表明中国省域碳排放的局部空间关联模式存在较强的稳定性,省区要改变自身的相对位置非常困难,即具有一定的路径依赖或空间锁定特征。

(5) 近20年来,中国碳排放重心在113.739°~114.324°E,34.475°~35.036°N之间变动,各年份碳排放重心均位于中国几何中心的东南方向,但整体上碳排放重心有向西北方向移动的趋势,表明虽然东部和南部省区的碳排放较高,但近年来西北地区省域碳排放增速高于其他区域的省区。近20年,中国碳排放的标准差椭圆总体上变化幅度不大,基本上覆盖了绝大部分碳排放较高的省区,省域碳排放的空间分布呈现出东北—西南格局,且有逐步向正北—正南方向转变的态势。中国碳排放重心位于其几何重心的东南方向,表明东部和南部沿海碳排放比重大,在制定减排政策时应承担更多的减排责任。中国碳排放重心向西北方向移动与西部大开发战略的实施有密切相关。新疆、内蒙古、陕西等省域经济发展高度依赖煤炭资源,而煤炭又属于高碳排放能源,导致经济快速发展的同时释放大量的温室气体。

4.2 讨论

本文从时空融合的角度研究中国碳排放问题,以期为制定“共同但有区别”的碳减排政策提供可借鉴的依据。对于西部和中部省区应以优化产业结构为核心,推广清洁能源,逐步降低煤炭消费比重,降低能源强度和优化能源消费结构,促进经济增长方式的实质性转变;对于东部省区应发展新能源、高新技术及高端服务业,发展循环经济,走低碳、节约型可持续发展之路。但是,本文在碳排放的空间自相关分析中,主要参考已有研究成果,采用Rook邻接关系确定空间权重,未考虑经济、贸易、科技水平和资本流动等因素对空间权重的影响。未来,可以尝试使用经济权重、K最邻近等多种方法确定空间权重矩阵,用不同空间权重分析碳排放空间依赖格局变化,以便相互验证研究结论的稳定性和科学性。此外,受数据可获得性的限制,本文只能以省区为研究对象进行分析,空间尺度较大,从而忽略了小尺度导致碳排放研究出现的波动性和差异性。在未来的碳排放研究中关注尺度效应,进行多尺度对比研究,从而发现隐藏在尺度差异中的碳排放空间格局特征,也是课题组今后主要的研究方向。

The authors have declared that no competing interests exist.

参考文献

原文顺序

文献年度倒序

文中引用次数倒序

被引期刊影响因子

[1]	程叶青, 王哲野, 张守志, 等. 2013. 中国能源消费碳排放强度及其影响因素的空间计量 [J]. 地理学报, 68(10): 1418-1431. https://doi.org/10.11821/dlxb201310011 URL Magsci [本文引用: 1] 摘要碳排放所引起的全球气候变化对人类经济社会发展带来了严峻的挑战。中国政府承诺到2020 年GDP碳排放强度较2005 年降低40%~45%,这一目标的实现有赖于全国层面社会经济和产业结构的实质性转型,更有赖于省区层面节能减排的具体行动。基于联合国政府间气候变化专门委员会(IPCC) 提供的方法,本文估算了全国30 个省区1997-2010 年碳排放强度,采用空间自相关分析方法和空间面板计量模型,探讨了中国省级尺度碳排放强度的时空格局特征及其主要影响因素,旨在为政府制定差异化节能减排的政策和发展低碳经济提供科学依据。研究结果表明:① 1997-2010 年,中国能能源消费CO<sub>2</sub>排放总量从4.16 Gt 增加到11.29Gt,年均增长率为7.15%,而同期GDP年均增长率达11.72%,碳排放强度总体上呈逐年下降的态势;② 1997-2010 年,碳排放强度的Moran's I 指数呈波动型增长,说明中国能源消费碳排放强度在省区尺度上具有明显的空间集聚特征,且集聚程度有不断增强的态势,同时,碳排放强度高值集聚区和低值集聚区表现出一定程度的路径依赖或空间锁定;③ 空间面板计量模型分析结果表明,能源强度、能源结构、产业结构和城市化率对中国能源消费碳排放强度时空格局演变具有重要影响;④ 提高能源利用效率,优化能源结构和产业结构,走低碳城市化道路,以及实行节能减排省区联动策略是推动中国实现节能减排目标的重要途径。 [Cheng Y Q, Wang Z Y, Zhang S Z, et al.2013. Spatial econometric analysis of carbon emission intensity and its driving factors from energy consumption in China [J]. Acta Geographica Sinica, 68(10): 1418-1431.] https://doi.org/10.11821/dlxb201310011 URL Magsci [本文引用: 1] 摘要碳排放所引起的全球气候变化对人类经济社会发展带来了严峻的挑战。中国政府承诺到2020 年GDP碳排放强度较2005 年降低40%~45%,这一目标的实现有赖于全国层面社会经济和产业结构的实质性转型,更有赖于省区层面节能减排的具体行动。基于联合国政府间气候变化专门委员会(IPCC) 提供的方法,本文估算了全国30 个省区1997-2010 年碳排放强度,采用空间自相关分析方法和空间面板计量模型,探讨了中国省级尺度碳排放强度的时空格局特征及其主要影响因素,旨在为政府制定差异化节能减排的政策和发展低碳经济提供科学依据。研究结果表明:① 1997-2010 年,中国能能源消费CO<sub>2</sub>排放总量从4.16 Gt 增加到11.29Gt,年均增长率为7.15%,而同期GDP年均增长率达11.72%,碳排放强度总体上呈逐年下降的态势;② 1997-2010 年,碳排放强度的Moran's I 指数呈波动型增长,说明中国能源消费碳排放强度在省区尺度上具有明显的空间集聚特征,且集聚程度有不断增强的态势,同时,碳排放强度高值集聚区和低值集聚区表现出一定程度的路径依赖或空间锁定;③ 空间面板计量模型分析结果表明,能源强度、能源结构、产业结构和城市化率对中国能源消费碳排放强度时空格局演变具有重要影响;④ 提高能源利用效率,优化能源结构和产业结构,走低碳城市化道路,以及实行节能减排省区联动策略是推动中国实现节能减排目标的重要途径。
[2]	邓吉祥, 刘晓, 王铮. 2014. 中国碳排放的区域差异及演变特征分析与因素分解 [J]. 自然资源学报, 29(2): 189-200. https://doi.org/10.11849/zrzyxb.2014.02.001 URL 摘要在研究近16a（1995-2010年）中国八大区域碳排放特征及其演变规律的基础上，采用LMDI分解方法，将碳排放的影响效应分解为人口规模效应、经济发展效应、能源强度效应和能源结构效应，探讨中国碳排放区域差异变化的原因与规律。结果表明：①八大区域碳排放量和人均碳排放量均呈逐年上升趋势；②东北、京津和东部沿海地区碳排放比重逐年下降，其它地区正好相反或维持不变；③经济发展效应对碳排放有最强正影响，能源强度效应对碳排放有最强负影响；④人口规模效应对包含直辖市的区域碳排放有较大的正影响，经济发展效应对经济发达地区的碳排放正效应弱于其它地区，能源强度效应对经济结构调整活跃地区的碳排放有较强的抑制作用，能源结构效应受宏观经济形式与能源政策影响，对碳排放的影响有较大波动。 [Deng J X, Liu X, Wang Z.2014. Characteristics analysis and factor decomposition based on the regional difference changes in China’s CO₂ emission [J]. Journal of Natural Resources, 29(2): 189-200.] https://doi.org/10.11849/zrzyxb.2014.02.001 URL 摘要在研究近16a（1995-2010年）中国八大区域碳排放特征及其演变规律的基础上，采用LMDI分解方法，将碳排放的影响效应分解为人口规模效应、经济发展效应、能源强度效应和能源结构效应，探讨中国碳排放区域差异变化的原因与规律。结果表明：①八大区域碳排放量和人均碳排放量均呈逐年上升趋势；②东北、京津和东部沿海地区碳排放比重逐年下降，其它地区正好相反或维持不变；③经济发展效应对碳排放有最强正影响，能源强度效应对碳排放有最强负影响；④人口规模效应对包含直辖市的区域碳排放有较大的正影响，经济发展效应对经济发达地区的碳排放正效应弱于其它地区，能源强度效应对经济结构调整活跃地区的碳排放有较强的抑制作用，能源结构效应受宏观经济形式与能源政策影响，对碳排放的影响有较大波动。
[3]	范丹. 2013. 中国能源消费碳排放变化的驱动因素研究: 基于LMDI-PDA分解法 [J]. 中国环境科学, 33(9): 1705-1713. Magsci 摘要将DEA中基于能源投入的Shephard距离函数引入到LMDI分解模型中,建立了1995~2010年中国6大产业能源消费碳排放7因素分解模型.研究结果显示, 产业结构效应、经济产出效应、人口规模效应、能源绩效效应对碳排放的增加具有一定的拉动作用,其中经济产出效应的累积贡献率最大为135%,产业结构效应、人口规模效应、能源绩效效应对碳排放累积贡献率分别为10.74%、9.39%、0.65%;潜在能源强度效应对碳排放下降的累积贡献率最大为54.6%,说明产业能源强度的调整空间较大,且抑制效应逐年增强;能源结构效应、能源技术进步效应对我国碳减排的累积贡献率分别为0.2%和1.04%,贡献微弱,亟待提高;从产业层面研究发现,农林牧渔业、建筑业、批发零售和住宿餐饮业和其他行业的低碳发展较好,工业、交通运输仓储和邮政业低碳发展不佳,工业始终是我国碳排放的主要来源. [Fan D.2013. Driving factors of carbon emissions from energy consumption in China: Based on LMDI-PDA method [J]. China Environmental Science, 33(9): 1705-1713.] Magsci 摘要将DEA中基于能源投入的Shephard距离函数引入到LMDI分解模型中,建立了1995~2010年中国6大产业能源消费碳排放7因素分解模型.研究结果显示, 产业结构效应、经济产出效应、人口规模效应、能源绩效效应对碳排放的增加具有一定的拉动作用,其中经济产出效应的累积贡献率最大为135%,产业结构效应、人口规模效应、能源绩效效应对碳排放累积贡献率分别为10.74%、9.39%、0.65%;潜在能源强度效应对碳排放下降的累积贡献率最大为54.6%,说明产业能源强度的调整空间较大,且抑制效应逐年增强;能源结构效应、能源技术进步效应对我国碳减排的累积贡献率分别为0.2%和1.04%,贡献微弱,亟待提高;从产业层面研究发现,农林牧渔业、建筑业、批发零售和住宿餐饮业和其他行业的低碳发展较好,工业、交通运输仓储和邮政业低碳发展不佳,工业始终是我国碳排放的主要来源.
[4]	李波, 张俊飚, 李海鹏. 2011. 中国农业碳排放时空特征及影响因素分解 [J]. 中国人口·资源与环境, 21(8): 80-86. https://doi.org/10.3969/j.issn.1002-2104.2011.08.013 URL 摘要农业生产所导致碳排放大幅增加以及引发的环境问题,越来越受到人们的关注。本研究基于农业生产中6个主要方面的碳源,测算了我国1993-2008年农业碳排放量。发现自1993年以来我国农业碳排放处于阶段性的上升态势,总体上可分为快速增长期、缓慢增长期、增速反弹回升期、增速明显放缓期等四个变化阶段。其中农业碳排放总量和强度年平均增长率分别为4.08%、2.38%。农业碳排放总量较高地区主要集中在农业大省,农业碳排放强度较高地区主要集中在发达城市、东部沿海发达省份和中部农业大省。进一步通过Kaya恒等式变形对农业碳排放影响因素进行分解研究,结果表明,效率因素、结构因素、劳动力规模因素对碳排放量具有一定的抑制作用,1994-2008年与基期相比分别累计实现12.95%、26.62%、33.29%的碳减排,而农业经济发展则对农业碳排放具有较强推动作用,累计产生154.94%的碳增量。最后,据此提出促进农业减排的政策建议。 [Li B, Zhang J B, Li H P.2011. Research on spatial-temporal characteristics and affecting factors decomposition of agricultural carbon emission in China [J]. China Population, Resources and Environment, 21(8): 80-86.] https://doi.org/10.3969/j.issn.1002-2104.2011.08.013 URL 摘要农业生产所导致碳排放大幅增加以及引发的环境问题,越来越受到人们的关注。本研究基于农业生产中6个主要方面的碳源,测算了我国1993-2008年农业碳排放量。发现自1993年以来我国农业碳排放处于阶段性的上升态势,总体上可分为快速增长期、缓慢增长期、增速反弹回升期、增速明显放缓期等四个变化阶段。其中农业碳排放总量和强度年平均增长率分别为4.08%、2.38%。农业碳排放总量较高地区主要集中在农业大省,农业碳排放强度较高地区主要集中在发达城市、东部沿海发达省份和中部农业大省。进一步通过Kaya恒等式变形对农业碳排放影响因素进行分解研究,结果表明,效率因素、结构因素、劳动力规模因素对碳排放量具有一定的抑制作用,1994-2008年与基期相比分别累计实现12.95%、26.62%、33.29%的碳减排,而农业经济发展则对农业碳排放具有较强推动作用,累计产生154.94%的碳增量。最后,据此提出促进农业减排的政策建议。
[5]	刘占成, 王安建, 于汶加, 等. 2010. 中国区域碳排放研究 [J]. 地球学报, 31(5): 727-732. URL [本文引用: 1] [Liu Z C, Wang A J, Yu W J, et al.2010. Research on regional carbon emissions in China [J]. Acta Geoscientica Sinica, 31(5): 727-732.] URL [本文引用: 1]
[6]	内蒙古自治区统计局. 2015. 内蒙古统计年鉴2015[M]. 北京: 中国统计出版社. [本文引用: 1] [Inner Mongolia Autonomous Region Bureau of Statistics. 2015. Inner Mongolia statistical yearbook 2015[M]. Beijing, China: China Statistics Press.] [本文引用: 1]
[7]	秦耀辰, 荣培君, 杨群涛, 等. 2014. 城市化对碳排放影响研究进展 [J]. 地理科学进展, 33(11): 1526-1534. https://doi.org/10.11820/dlkxjz.2014.09.009 URL Magsci [本文引用: 1] 摘要城市化是全球发展的趋势,而城市化进程对温室气体尤其是二氧化碳排放的影响受到学术界的广泛关注.本文在全面系统梳理国内外文献及相关研究成果的基础上,从碳排放研究的起源与发展、研究内容与研究方法等方面对当前国内外研究现状进行了归纳和评述.从中看出:国内外的研究内容主要集中于城市化和碳排放的关系、城市化对碳排放影响的宏观及微观因素,以及城市化对碳排放的作用机理等方面;研究方法以定量分析为主,除基础的IPAT模型、STIRPAT模型之外,时空地理加权回归模型、指数分解、结构分解、多指标面板数据聚类分析等方法也广泛应用.总体而言,城市化进程对碳排放的影响是一个长期且复杂的过程,涉及诸多因素,目前的研究已逐渐深入、研究方法也多有创新,但仍需丰富研究视角、完善研究体系,更好地为城市化发展策略提供科学依据,为低碳城市发展奠定基础. [Qin Y C, Rong P J, Yang Q T, et al.2014. Research progress of impact of urbanization on carbon emissions [J]. Progress in Geography, 33(11): 1526-1534.] https://doi.org/10.11820/dlkxjz.2014.09.009 URL Magsci [本文引用: 1] 摘要城市化是全球发展的趋势,而城市化进程对温室气体尤其是二氧化碳排放的影响受到学术界的广泛关注.本文在全面系统梳理国内外文献及相关研究成果的基础上,从碳排放研究的起源与发展、研究内容与研究方法等方面对当前国内外研究现状进行了归纳和评述.从中看出:国内外的研究内容主要集中于城市化和碳排放的关系、城市化对碳排放影响的宏观及微观因素,以及城市化对碳排放的作用机理等方面;研究方法以定量分析为主,除基础的IPAT模型、STIRPAT模型之外,时空地理加权回归模型、指数分解、结构分解、多指标面板数据聚类分析等方法也广泛应用.总体而言,城市化进程对碳排放的影响是一个长期且复杂的过程,涉及诸多因素,目前的研究已逐渐深入、研究方法也多有创新,但仍需丰富研究视角、完善研究体系,更好地为城市化发展策略提供科学依据,为低碳城市发展奠定基础.
[8]	渠慎宁, 郭朝先. 2010. 基于STIRPAT模型的中国碳排放峰值预测研究 [J]. 中国人口·资源与环境, 20(12): 10-15. URL [本文引用: 1] [Qu S N, Guo C X.2010. Forecast of China’s carbon emissions based on STIRPAT model [J]. China Population, Resources and Environment, 20(12): 10-15.] URL [本文引用: 1]
[9]	荣培君, 杨群涛, 秦耀辰. 2016. 中国省域能源消耗碳排放安全评价 [J]. 地理科学进展, 35(4): 487-495. URL [本文引用: 1] 摘要碳排放安全评价和预测在应对全球气候变化、实现区域可持续发展方面有重要意义。根据1996-2012年统计数据,基于压力—响应模型,从经济、社会、环境3个层面构建省域能源消费碳排放安全评价指标体系,分析了中国能源消费碳排放安全的时空分异,并运用GM(1,1)方法进行预测。结果表明:1996-2012年,中国碳排放安全综合指数在临界安全区间内呈现波动下降趋势。其中,压力系统指数与综合指数变化态势趋于一致,响应系统指数表现为上升趋势;多数省区处于临界安全状态,亚安全状态省区逐渐消失,安全等级差的省区出现南移现象;大部分省区压力系统恶化的同时响应系统好转;区域间碳排放安全差距逐渐缩小,高压力低响应的区域大量减少。预测发现,2020年全国大部分省区处于临界安全或以下状态,碳排放安全情况不容乐观。 [Rong P J, Yang Q T, Qin Y C.2016. Energy-related carbon emission security at the provincial level in China [J]. Progress in Geography, 35(4): 487-495.] URL [本文引用: 1] 摘要碳排放安全评价和预测在应对全球气候变化、实现区域可持续发展方面有重要意义。根据1996-2012年统计数据,基于压力—响应模型,从经济、社会、环境3个层面构建省域能源消费碳排放安全评价指标体系,分析了中国能源消费碳排放安全的时空分异,并运用GM(1,1)方法进行预测。结果表明:1996-2012年,中国碳排放安全综合指数在临界安全区间内呈现波动下降趋势。其中,压力系统指数与综合指数变化态势趋于一致,响应系统指数表现为上升趋势;多数省区处于临界安全状态,亚安全状态省区逐渐消失,安全等级差的省区出现南移现象;大部分省区压力系统恶化的同时响应系统好转;区域间碳排放安全差距逐渐缩小,高压力低响应的区域大量减少。预测发现,2020年全国大部分省区处于临界安全或以下状态,碳排放安全情况不容乐观。
[10]	宋杰鲲. 2012. 基于LMDI的山东省能源消费碳排放因素分解 [J]. 资源科学, 34(1): 35-41. Magsci 摘要近年来山东省在经济发展取得显著成绩的同时也出现了碳排放量增加问题。本文基于《2006年IPCC国家温室气体清单指南》测算了各种能源的碳排放系数,并对山东省2000年-2009年能源消费碳排放量进行测算。运用对数平均迪氏分解(Logarithmic Mean Divisia Index, LMDI)方法将山东省能源消费碳排放分解为人口、人均财富、产业结构、能源消费强度和能源消费结构等五方面效应。结果表明,以2000年为基期,截止2009年除能源消费强度因素的累积效应为负值外,其余四种因素的累积效应均为正值。从逐年效应来看,人均财富是碳排放增加的最大拉动因素,人口仅有微弱的拉动作用,能源消费强度对碳排放具有较强的抑制作用,能源消费结构、产业结构对碳排放量具有一定的作用,但其作用方向尚不稳定。针对分析结果,提出了相关建议。 [Song J K.2012. Factor decomposition of carbon emissions from energy consumption of Shandong Province based on LMDI [J]. Resources Science, 34(1): 35-41.] Magsci 摘要近年来山东省在经济发展取得显著成绩的同时也出现了碳排放量增加问题。本文基于《2006年IPCC国家温室气体清单指南》测算了各种能源的碳排放系数,并对山东省2000年-2009年能源消费碳排放量进行测算。运用对数平均迪氏分解(Logarithmic Mean Divisia Index, LMDI)方法将山东省能源消费碳排放分解为人口、人均财富、产业结构、能源消费强度和能源消费结构等五方面效应。结果表明,以2000年为基期,截止2009年除能源消费强度因素的累积效应为负值外,其余四种因素的累积效应均为正值。从逐年效应来看,人均财富是碳排放增加的最大拉动因素,人口仅有微弱的拉动作用,能源消费强度对碳排放具有较强的抑制作用,能源消费结构、产业结构对碳排放量具有一定的作用,但其作用方向尚不稳定。针对分析结果,提出了相关建议。
[11]	谭丹, 黄贤金. 2008. 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, 18(3): 54-57. https://doi.org/10.3969/j.issn.1002-2104.2008.03.010 URL 摘要随着我国社会经济的迅速发展，能源消耗和环境问题日益严重，特别是由于碳排放带来的温室效应已经成为全世界关注的焦点问题。全球气候变暖已经对人类社会的可持续发展带来了严峻的挑战，深度触及了农业和粮食安全、水资源安全、生态安全和公共卫生安全。为此。在测算我国东部、中部以及西部三大地区的碳排放总量的基础上。分析三大地区碳排放的特征和差异。结果表明我国东部地区的碳排放量最大、中部地区次之、西部最少。并且从碳排放的增长速度上看．东部地区增速最快，中部最慢；采用灰色关联度方法分析三大地区生产总值与碳排放之间的关系，进而解释它们之间碳排放存在差异的原因，并针对上述的研究结论提出减少我国碳排放的政策建议。以为我国发展低碳经济服务。 [Tan D, Huang X J.2008. 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, 18(3): 54-57.] https://doi.org/10.3969/j.issn.1002-2104.2008.03.010 URL 摘要随着我国社会经济的迅速发展，能源消耗和环境问题日益严重，特别是由于碳排放带来的温室效应已经成为全世界关注的焦点问题。全球气候变暖已经对人类社会的可持续发展带来了严峻的挑战，深度触及了农业和粮食安全、水资源安全、生态安全和公共卫生安全。为此。在测算我国东部、中部以及西部三大地区的碳排放总量的基础上。分析三大地区碳排放的特征和差异。结果表明我国东部地区的碳排放量最大、中部地区次之、西部最少。并且从碳排放的增长速度上看．东部地区增速最快，中部最慢；采用灰色关联度方法分析三大地区生产总值与碳排放之间的关系，进而解释它们之间碳排放存在差异的原因，并针对上述的研究结论提出减少我国碳排放的政策建议。以为我国发展低碳经济服务。
[12]	汪浩, 陈操操, 潘涛, 等. 2014. 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, 35(1): 385-393. URL [本文引用: 1] [Wang H, Chen C C, Pan T, et al.2014. County scale characteristics of CO₂ emission’s spatial-temporal evolution in the Beijing-Tianjin-Hebei metropolitan region [J]. Environmental Science, 35(1): 385-393.] URL [本文引用: 1]
[13]	汪宏韬. 2010. 基于LMDI的上海市能源消费碳排放实证分析 [J]. 中国人口·资源与环境, 20(5): 143-146. URL 摘要能源利用不仅为经济活动提供动力还大量排放二氧化碳。本文建立上海能源消费碳排放的LMDI分解模型,从经济规模、产业结构、能源强度和产业碳排放系数四个影响因素着手,实证研究了1995-2005上海分三次产业的能源消费碳排放变化机理。研究表明:经济快速增长是上海碳排放增加的主导因素,能源强度下降是抑制碳排放增长的重要因素。产业结构、能源结构优化有利于控制碳排放,而重工业化、能源结构高碳化会增加碳排放。基于实证结果和上海市情,本文最后就上海未来控制碳排放提出相关的政策建议。 [Wang H T.2010. Logarithmic mean divisia index model and the carbon emission mechanism of energy sector in Shanghai [J]. China Population, Resources and Environment, 20(5): 143-146.] URL 摘要能源利用不仅为经济活动提供动力还大量排放二氧化碳。本文建立上海能源消费碳排放的LMDI分解模型,从经济规模、产业结构、能源强度和产业碳排放系数四个影响因素着手,实证研究了1995-2005上海分三次产业的能源消费碳排放变化机理。研究表明:经济快速增长是上海碳排放增加的主导因素,能源强度下降是抑制碳排放增长的重要因素。产业结构、能源结构优化有利于控制碳排放,而重工业化、能源结构高碳化会增加碳排放。基于实证结果和上海市情,本文最后就上海未来控制碳排放提出相关的政策建议。
[14]	王少剑, 刘艳艳, 方创琳. 2015. 能源消费CO₂排放研究综述 [J]. 地理科学进展, 34(2): 151-164. https://doi.org/10.11820/dlkxjz.2015.02.004 Magsci [本文引用: 1] 摘要气候变化已成为当前国际社会所关注的热点问题,而CO<sub>2</sub>排放是影响全球变暖的主要因素。本文基于多学科视角,综合运用文献资料法、对比分析法,梳理了CO<sub>2</sub>排放的估算方法、排放强度、排放绩效、排放影响因素和未来排放模拟方法的研究进展,分析了存在的主要问题,并展望了下一步的研究重点与方向。结果表明,CO<sub>2</sub>排放研究发展迅速并且成果丰富,CO<sub>2</sub>排放是不同因素众多变量之间相互作用、相互依赖的一个综合复杂的系统工程;多学科融合框架下地理与空间因素重视不足,研究尺度以全球化、国际化为主,多尺度研究逐步凸显并开始关注尺度效应,但省级、城市尺度的面板研究仍匮乏;面板数据逐步受到关注,动态分析对比评价仍待完善。未来研究在变量选取上应更加全面细化,尝试多尺度综合分析,逐步凸显城市碳排放研究,需更加关注理论结合本地化实践,运用系统的思维和方法掌握差异化趋势研究。 [Wang S J, Liu Y Y, Fang C L.2015. Review of energy-related CO₂ emission in response to climate change [J]. Progress in Geography, 34(2): 151-164.] https://doi.org/10.11820/dlkxjz.2015.02.004 Magsci [本文引用: 1] 摘要气候变化已成为当前国际社会所关注的热点问题,而CO<sub>2</sub>排放是影响全球变暖的主要因素。本文基于多学科视角,综合运用文献资料法、对比分析法,梳理了CO<sub>2</sub>排放的估算方法、排放强度、排放绩效、排放影响因素和未来排放模拟方法的研究进展,分析了存在的主要问题,并展望了下一步的研究重点与方向。结果表明,CO<sub>2</sub>排放研究发展迅速并且成果丰富,CO<sub>2</sub>排放是不同因素众多变量之间相互作用、相互依赖的一个综合复杂的系统工程;多学科融合框架下地理与空间因素重视不足,研究尺度以全球化、国际化为主,多尺度研究逐步凸显并开始关注尺度效应,但省级、城市尺度的面板研究仍匮乏;面板数据逐步受到关注,动态分析对比评价仍待完善。未来研究在变量选取上应更加全面细化,尝试多尺度综合分析,逐步凸显城市碳排放研究,需更加关注理论结合本地化实践,运用系统的思维和方法掌握差异化趋势研究。
[15]	新疆维吾尔自治区统计局. 2015. 新疆统计年鉴2015[M]. 北京: 中国统计出版社. [本文引用: 1] [Statistic Bureau of Xinjiang Uygur Autonomous Region. 2015. Xinjiang statistical yearbook 2015[M]. Beijing, China: China Statistics Press.] [本文引用: 1]
[16]	许士春, 习蓉, 何正霞. 2012. 中国能源消耗碳排放的影响因素分析及政策启示 [J]. 资源科学, 34(1): 2-12. Magsci [本文引用: 2] 摘要运用LMDI加和分解法,从我国整体、不同行业、工业内不同部门的角度探讨我国碳排放的影响因素。研究发现：整体上,我国碳排放的主要驱动因素是经济产出效应,对碳排放的整体贡献为148.49%；其次是人口规模效应,整体贡献为9.65%；最后是能源结构效应,整体贡献为1.36%；我国碳排放的主要抑制因素是能源强度效应,对碳排放的整体贡献为-53.43%；产业结构效应有抑制作用,整体贡献为-6.07%,潜力没有显现出来；从不同产业的角度研究发现,农林牧渔业、建筑业整体上“低碳”发展状态较好,工业、交通运输仓储和邮政业、批发零售业和住宿餐饮业、其他行业“低碳”发展状态不佳；我国碳排放的主要来源是工业,通过工业内不同行业的比较发现,电力蒸汽及水生产供应业、石油加工及炼焦业、黑色金属冶炼及压延加工业、化学原料及化学制品制造业、非金属矿物制品业等行业是我国碳排放的来源。对此,从能源利用效率、能源结构、产业结构、经济增长方式等方面提出相应的政策启示。 [Xu S C, Xi R, He Z X.2012. Influential factors and policy implications of carbon emissions for energy consumption in China [J]. Resources Science, 34(1): 2-12.] Magsci [本文引用: 2] 摘要运用LMDI加和分解法,从我国整体、不同行业、工业内不同部门的角度探讨我国碳排放的影响因素。研究发现：整体上,我国碳排放的主要驱动因素是经济产出效应,对碳排放的整体贡献为148.49%；其次是人口规模效应,整体贡献为9.65%；最后是能源结构效应,整体贡献为1.36%；我国碳排放的主要抑制因素是能源强度效应,对碳排放的整体贡献为-53.43%；产业结构效应有抑制作用,整体贡献为-6.07%,潜力没有显现出来；从不同产业的角度研究发现,农林牧渔业、建筑业整体上“低碳”发展状态较好,工业、交通运输仓储和邮政业、批发零售业和住宿餐饮业、其他行业“低碳”发展状态不佳；我国碳排放的主要来源是工业,通过工业内不同行业的比较发现,电力蒸汽及水生产供应业、石油加工及炼焦业、黑色金属冶炼及压延加工业、化学原料及化学制品制造业、非金属矿物制品业等行业是我国碳排放的来源。对此,从能源利用效率、能源结构、产业结构、经济增长方式等方面提出相应的政策启示。
[17]	张彬, 姚娜, 刘学敏. 2011. 基于模糊聚类的中国分省碳排放初步研究 [J]. 中国人口·资源与环境, 21(1): 53-56. https://doi.org/10.3969/j.issn.1002-2104.2011.01.010 URL 摘要探索低碳发展的道路,既要注意到发展模式的普适性,也要考虑模式的适应性。在中国,从1980年开始CO2的排放总量就不断上涨。但是由于地区之间经济发展水平、生活水平以及环境状况之间存在很大差异,沿海与内陆、东中西部碳排放的驱动因素差异较大,因此在实施低碳发展时,必须考虑影响区域碳排放驱动因素的差异,从而有针对性地制定减排策略。本文从环境经济学角度出发,基于碳排放的驱动因素,利用Kaya模型研究分析例如影响中国碳排放的主要因素——人口、人均国民生产总值和单位国民生产总值碳排放量,并将此三项指标作为模糊聚类指标,将中国按碳排放驱动因素分为4大区域,并针对各区域提出实现低碳发展的相关政策建议。最后,本文对应用该方法将中国按照碳排放驱动因素进行区划的优点与不足做了进一步的讨论。 [Zhang B, Yao N, Liu X M.2011. Preliminary fuzzy clustering analysis on carbon emission in different provinces of China [J]. China Population, Resources and Environment, 21(1): 53-56.] https://doi.org/10.3969/j.issn.1002-2104.2011.01.010 URL 摘要探索低碳发展的道路,既要注意到发展模式的普适性,也要考虑模式的适应性。在中国,从1980年开始CO2的排放总量就不断上涨。但是由于地区之间经济发展水平、生活水平以及环境状况之间存在很大差异,沿海与内陆、东中西部碳排放的驱动因素差异较大,因此在实施低碳发展时,必须考虑影响区域碳排放驱动因素的差异,从而有针对性地制定减排策略。本文从环境经济学角度出发,基于碳排放的驱动因素,利用Kaya模型研究分析例如影响中国碳排放的主要因素——人口、人均国民生产总值和单位国民生产总值碳排放量,并将此三项指标作为模糊聚类指标,将中国按碳排放驱动因素分为4大区域,并针对各区域提出实现低碳发展的相关政策建议。最后,本文对应用该方法将中国按照碳排放驱动因素进行区划的优点与不足做了进一步的讨论。
[18]	张雷, 黄园淅, 李艳梅, 等. 2010. 中国碳排放区域格局变化与减排途径分析 [J]. 资源科学, 32(2): 211-217. Magsci 摘要作为世界能源消费大国，中国的碳排放问题不仅体现在总量增长方面，而且也体现在碳排放的空间格局变化方面。从大区地域系统变化来看：东部地区的碳排放始终在全国占据着主导地位；中部地区碳排放在全国的比重表现出稳中有降的态势；西部地区比重虽较小，但基本保持着上升趋势。从省（区、市）级变化来看：1953年以来，碳排放的区域差异不断增大，并且其变化可以分为3个阶段：1952年为起始阶段、1953年-1980年为初级分化阶段、1981年-2005年为快速演进阶段。本文试图通过产业-能源关联和能源-碳排放关联两个基本评价模型，解析中国碳排放区域格局变化的原因。分析结果表明：①产业结构的演进决定着一次能源消费的基本空间格局；②地区产业结构多元化程度越是走向成熟，其一次能源消费的增速也就越是减缓；③缓慢的一次能源消费结构变化是难以降低地区碳排放增长的关键所在。因此，加快产业结构演进速率以逐步减缓地区一次能源消费总量增长，以及最大限度地改善各地区、特别是东部地区的一次能源供应结构，是有效控制区域碳排放增长的关键。 [Zhang L, Huang Y X, Li Y M, et al.2010. An investigation on spatial changing pattern of CO₂ emissions in China [J]. Resources Science, 32(2): 211-217.] Magsci 摘要作为世界能源消费大国，中国的碳排放问题不仅体现在总量增长方面，而且也体现在碳排放的空间格局变化方面。从大区地域系统变化来看：东部地区的碳排放始终在全国占据着主导地位；中部地区碳排放在全国的比重表现出稳中有降的态势；西部地区比重虽较小，但基本保持着上升趋势。从省（区、市）级变化来看：1953年以来，碳排放的区域差异不断增大，并且其变化可以分为3个阶段：1952年为起始阶段、1953年-1980年为初级分化阶段、1981年-2005年为快速演进阶段。本文试图通过产业-能源关联和能源-碳排放关联两个基本评价模型，解析中国碳排放区域格局变化的原因。分析结果表明：①产业结构的演进决定着一次能源消费的基本空间格局；②地区产业结构多元化程度越是走向成熟，其一次能源消费的增速也就越是减缓；③缓慢的一次能源消费结构变化是难以降低地区碳排放增长的关键所在。因此，加快产业结构演进速率以逐步减缓地区一次能源消费总量增长，以及最大限度地改善各地区、特别是东部地区的一次能源供应结构，是有效控制区域碳排放增长的关键。
[19]	赵敏, 张卫国, 俞立中. 2009. 上海市能源消费碳排放分析 [J]. 环境科学研究, 22(8): 984-989. URL [本文引用: 1] 摘要根据联合国政府间气候变化专门委员会(IPCC)2006年版碳排放计算指南中的计算公式和碳排放系数缺省值,计算了上海市1994─2006年能源消费碳排放量. 结果表明:1994年以来碳排放量逐年增加,碳排放强度不断下降,由1994年的2.51 t/(104 元)降到2006年的1.07 t/(104 元). 通过比较2005年上海与全国以及主要经济大国间的碳排放量、碳排放强度和人均碳排放量发现,上海市能源消费碳排放量占全国的3.5%;碳排放强度低于全国和全球水平,但比英国、德国、日本高;人均碳排放量为2.7 t/a,是全国和全球平均水平的2倍多,低于美国、澳大利亚和加拿大. 从能源利用效率、经济增长方式、能源结构以及经济结构等角度分析了碳排放强度下降的原因,其中能源结构调整引起的平均碳排放系数下降和第三产业比重上升是主要原因. [Zhao M, Zhang W G, Yu L Z.2009. Carbon emissions from energy consumption in Shanghai City [J]. Research of Environmental Sciences, 22(8): 984-989.] URL [本文引用: 1] 摘要根据联合国政府间气候变化专门委员会(IPCC)2006年版碳排放计算指南中的计算公式和碳排放系数缺省值,计算了上海市1994─2006年能源消费碳排放量. 结果表明:1994年以来碳排放量逐年增加,碳排放强度不断下降,由1994年的2.51 t/(104 元)降到2006年的1.07 t/(104 元). 通过比较2005年上海与全国以及主要经济大国间的碳排放量、碳排放强度和人均碳排放量发现,上海市能源消费碳排放量占全国的3.5%;碳排放强度低于全国和全球水平,但比英国、德国、日本高;人均碳排放量为2.7 t/a,是全国和全球平均水平的2倍多,低于美国、澳大利亚和加拿大. 从能源利用效率、经济增长方式、能源结构以及经济结构等角度分析了碳排放强度下降的原因,其中能源结构调整引起的平均碳排放系数下降和第三产业比重上升是主要原因.
[20]	赵雲泰, 黄贤金, 钟太洋, 等. 2011. 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, 32(11): 3145-3152. URL [本文引用: 1] [Zhao Y T, Huang X J, Zhong T Y, et al.2011. Spatial pattern evolution of carbon emission intensity from energy consumption in China [J]. Environmental Science, 32(11): 3145-3152.] URL [本文引用: 1]
[21]	Anselin L.1995. Local indicators of spatial association: LISA [J]. Geographical Analysis, 27(2): 93-115. URL [本文引用: 1]
[22]	Chuai X W, Huang X J, Wang W J, et al.2012. Spatial econometric analysis of carbon emissions from energy consumption in China [J]. Journal of Geographical Sciences, 22(4): 630-642. https://doi.org/10.1007/s11442-012-0952-z Magsci [本文引用: 1] 摘要 Abstract<br/><p class="a-plus-plus">Based on energy consumption data of each region in China from 1997 to 2009 and using ArcGIS9.3 and GeoDA9.5 as technical support, this paper made a preliminary study on the changing trend of spatial pattern at regional level of carbon emissions from energy consumption, spatial autocorrelation analysis of carbon emissions, spatial regression analysis between carbon emissions and their influencing factors. The analyzed results are shown as follows. (1) Carbon emissions from energy consumption increased more than 148% from 1997 to 2009 but the spatial pattern of high and low emission regions did not change greatly. (2) The global spatial autocorrelation of carbon emissions from energy consumption increased from 1997 to 2009, the spatial autocorrelation analysis showed that there exists a “polarization” phenomenon, the centre of “High-High” agglomeration did not change greatly but expanded currently, the centre of “Low-Low” agglomeration also did not change greatly but narrowed currently. (3) The spatial regression analysis showed that carbon emissions from energy consumption has a close relationship with GDP and population, R-squared rate of the spatial regression between carbon emissions and GDP is higher than that between carbon emissions and population. The contribution of population to carbon emissions increased but the contribution of GDP decreased from 1997 to 2009. The carbon emissions spillover effect was aggravated from 1997 to 2009 due to both the increase of GDP and population, so GDP and population were the two main factors which had strengthened the spatial autocorrelation of carbon emissions.</p><br/>
[23]	Goodchild M F, Glennon A.2008. Representation and computation of geographic dynamics[C]//Hornsby K S, Yuan M. Understanding dynamics of geographic domains. Boca Raton, FL: CRC Press: 13-30. [本文引用: 1]
[24]	Huang B, Meng L N.2013. Convergence of per capita carbon dioxide emissions in urban China: A spatio-temporal perspective [J]. Applied Geography, 40: 21-29. https://doi.org/10.1016/j.apgeog.2013.01.006 URL Magsci [本文引用: 1] 摘要 Carbon dioxide (CO2)-emission dynamics are critical to inter-governmental climate negotiations. Previous studies have noted a gradual equalization of per capita CO2 emissions across developed countries: that is, CO2 emissions converge across developed countries. However, they have ignored the effects of spatio-temporal dynamics on such convergence. In this paper, we address this gap in understanding the regional convergence of CO2 emissions by considering the spatio-temporal dynamics underlying the data. An empirical analysis of CO2 emissions in urban China based on our spatio-temporal model shows that overall, per capita CO2 emissions in these areas increased and converged from 1985 to 2008. The proposed convergence model provides greater explanatory power than its conventional counterpart due to the specification of spatio-temporal dependency. Our results reveal the dynamics of spatial effects in the convergence model, thus identifying the role of spatial effects in a disaggregated manner. The convergence rate increases when considering its spatio-temporal dependency. This 'catching-up' in the convergence of CO2 emissions indicates an increasing trend in such emissions in China, although the Chinese government has taken many measures to reduce CO2 emissions. These results should motivate policy makers to reflect on whether current policies actually reduce carbon emissions. (c) 2013 Elsevier Ltd. All rights reserved.
[25]	Lefever D W.1926. Measuring geographic concentration by means of the standard deviational ellipse [J]. American Journal of Sociology, 32(1): 88-94. https://doi.org/10.1086/214027 URL [本文引用: 1] 摘要 Many social problems involve the geographic location of the social factors concerned. To know the characteristics of the areas in which these factors appear is to throw light on the entire situation. A statistical method for measuring the concentration of unit locations on a"
[26]	Liu L C, Wang J N, Wu G, et al.2010. China’s regional carbon emissions change over 1997-2007 [J]. International Journal of Energy and Environment, 1(1): 161-176. URL
[27]	Rey S J.2001. Spatial empirics for economic growth and convergence [J]. Geographical Analysis, 33(3): 195-214. https://doi.org/10.1111/j.1538-4632.2001.tb00444.x URL [本文引用: 1] 摘要 This paper suggests some new empirical strategies for analyzing the evolution of regional income distributions over time and space. These approaches are based on extensions to the classical Markov transition matrices that allow for a more comprehensive analysis of the geographical dimensions of the transitional dynamics. This is achieved by integrating some recently developed local spatial statistics within a Markov framework. Insights to not only the frequency with which one economy may transition across different classes in the income distribution, but also how those transitions may or may not be spatially dependent are provided by these new measures. A number of indices are suggested as ways to characterize the space-time dynamics and are illustrated in a case study of U. S. regional income dynamics over the 1929鈥1994 period.
[28]	Rey S J, Janikas M V.2006. STARS: Space-time analysis of regional systems [J]. Geographical Analysis, 38(1): 67-86. https://doi.org/10.1007/978-3-642-03647-7_6 URL 摘要 Space-Time Analysis of Regional Systems (STARS) is an open source package designed for dynamic exploratory analysis of data measured for areal units at multiple points in time. STARS consists of four core analytical modules: [1] ESDA: exploratory spatial data analysis; [2] Inequality measures; [3] Mobility metrics; [4] Spatial Markov. Developed using the Python object oriented scripting language, STARS lends itself to three main modes of use. Within the context of a command line interface (CLI), STARS can be treated as a package which can be called from within customized scripts for batch oriented analyses and simulation. Alternatively, a graphical user interface (GUI) integrates most of the analytical modules with a series of dynamic graphical views containing brushing and linking functionality to support interactive exploration of the spatial, temporal and distributional dimensions of socioeconomic and physical processes. Finally, the GUI and CLI modes can be combined for use from the Python shell to facilitate interactive programming and access to the many libraries contained within Python. This paper provides an overview of the design of STARS, its implementation, functionality and future plans. A selection of its analytical capabilities are also illustrated that highlight the power and flexibility of the package.
[29]	Rey S J, Ye X Y.2010. Comparative spatial dynamics of regional systems [C]//Páez A, Gallo J, Buliung R N, et al. Progress in spatial analysis: Methods and applications. Berlin & Heidelberg, Germany: Springer: 441-463. [本文引用: 1]
[30]	Ye X Y, Rey S J.2013. A framework for exploratory space-time analysis of economic data [J]. The Annals of Regional Science, 50(1): 315-339. https://doi.org/10.1007/s00168-011-0470-4 URL [本文引用: 1] 摘要 The development of exploratory spatial data analysis methods is an active research domain in the field of geographic information science (GIS). At the same time, the coupled space-time attributes of economic phenomena are difficult to be represented and examined. Both GIS and economic geography are faced with the challenges of dealing with the temporal dynamics of geographic processes and spatial dynamics of economic development across scales and dimensions. This paper thus suggests a novel way to generalize the characteristics and the structure of space-time data sets, using regional economic data as the example. Accordingly, a reasonable number of general questions (data analysis tasks) can be abstracted. Then, tools (methods) may be suggested on that basis. The cross-fertilization between exploratory spatial data analysis (ESDA) and spatial economics is also identified and illustrated by the capabilities of these components, which have uncovered some interesting patterns and trends in the spatial income data of China and the United States. Through exploratory analysis of economic data, the detection of rich details of underlying geographical and temporal processes would be the first step toward such cross-fertilization. In addition, this exploratory analytical framework can be applied to other data sets that are also measured for areal units at multiple points in time. Copyright Springer-Verlag 2013

中国能源消费碳排放强度及其影响因素的空间计量

2013

... 尽管上述研究对中国能源消费碳排放问题做了大量探讨并取得了重要成果,但大多是将研究单元视为相互独立且均质的个体,忽略了研究单元碳排放的空间依赖性和异质性.近年来,已有不少学者(赵雲泰等, 2011; Chuai et al, 2012; Huang et al, 2013; 程叶青等, 2013)采用探索性空间数据分析(Exploratory Spatial Data Analysis, ESDA)方法从空间相关的视角对中国碳排放的空间分布格局和差异性进行了相关研究.例如,赵雲泰等(2011)采用空间自相关分析发现,中国碳排放强度的低值聚集区主要集中在东部和南部沿海地区,高值聚集区由西北地区逐渐向黄河中游及东北地区迁移.Huang等(2013)认为中国人均碳排放具有显著的空间依赖性,且使用经济权重能够加强相邻区域间的空间依赖性.Chuai等(2012)指出中国省域尺度碳排放的空间依赖性具有“极化”现象,高—高聚集区呈扩大趋势,而低—低聚集区则相反.由于ESDA仅能从空间维度分析碳排放的空间格局及区域差异,从而在一定程度上忽视了研究单元碳排放的时间维度(Goodchild et al, 2008).而近年Rey等(2006)提出的探索性时空数据分析(Exploratory Time-space Data Analysis, ESTDA)能有效地将时间维度整合到空间数据分析中去,并从时空交互的角度探讨碳排放的时空格局问题.但目前鲜有从时空耦合的视角对中国碳排放空间格局动态性的研究,本文以中国大陆(除西藏以外)30个省区(含自治区、直辖市)为研究对象,基于ESTDA框架,运用ESDA、LISA时间路径、时空跃迁及标准差椭圆等分析方法,从时空耦合的视角研究中国能源消费碳排放空间格局的时空动态变化,以期为制定中国“共同但有区别”的省域碳减排政策提供科学依据. ...

中国能源消费碳排放强度及其影响因素的空间计量

2013

中国碳排放的区域差异及演变特征分析与因素分解

2014

中国碳排放的区域差异及演变特征分析与因素分解

2014

中国能源消费碳排放变化的驱动因素研究: 基于LMDI-PDA分解法

2013

中国能源消费碳排放变化的驱动因素研究: 基于LMDI-PDA分解法

2013

中国农业碳排放时空特征及影响因素分解

2011

中国农业碳排放时空特征及影响因素分解

2011

中国区域碳排放研究

2010

... 为进一步揭示中国碳排放重心的迁移变化以及高碳排放省区的空间分布,采用SDE法进行互补分析.由表2和图5知,近20年来中国省域碳排放重心分布在113.739°~114.324°E,34.475°~35.036°N之间,并位于中国几何中心(103.50°E, 36°N)的东南方向,表明中国东部和南部省域碳排放量较高.造成东部省域碳排放较高的原因主要有：一是东部省域经济总量大,占全国经济总量的一半以上,经济高速发展的同时伴随着化石能源的大量消耗;二是从产业结构上看,整体上东部省域第二产业比重超过51%(刘占成等, 2010),而第二产业属于高耗能、高碳排放产业.南部省域碳排放较高主要因为中国经济发达的省区绝大部分分布在南部,而经济发展是碳排放增加的最主要原因(许士春等, 2012).因此,无论从碳排放总量还是从经济实力上看,在制定减排政策时东部和南部省区都应承担更多的减排责任.从重心移动轨迹看,中国省域碳排放重心总体上向西北方向移动,近20年来移动距离为71.111 km,其中,1995-1997年,重心向西北方向迁移了14.878 km;1997-2000年,重心向东南方向迁移了19.249 km;2000-2003年,重心向西南方向移动了41.525 km;2003-2006年,重心向东北方向迁移21.759 km;2006-2012年,重心向西北方向迁移56.459 km;2012-2014年,重心向西北方向迁移了26.183 km. ...

中国区域碳排放研究

2010

2015

... 从主轴方向上看,主半轴标准差由1995年的1115.813 km降到2014年的1061.124 km,表明近20年中国省域碳排放在主要方向上出现极化现象.其中1995-2006年主半轴标准差由1115.813 km降到1072.872 km,表明该时段省域碳排放在东北—西南方向上出现极化现象,主要原因在于西部大开发战略和振兴东北老工业基地战略实施之前,西南地区省域经济基础薄弱,东北三省经济增长缓慢,而经济发展是碳排放增加的最主要因素(许士春等, 2012),由此导致碳排放差距也在增大;虽然2000年西部大开发战略和2003年振兴东北老工业基地战略的实施使上述省区经济有了较快的发展,但与其他省区的相对差距仍处于扩大阶段,进而导致碳排放差距也在扩大;2009-2012年主半轴标准差由1064.949 km升到1068.673 km,表明该时段省域碳排放在东北—西南方向上出现分散,主要是由于经西部大开发战略和振兴东北老工业基地战略几年的实施,西南地区省域经济基础薄弱的状况有了很大改善,东北地区经济也取得较快的发展,能源消费量持续增加,导致碳排放量增速加快.另外,受2008年经济危机的影响,东部各省域经济发展速度有所放缓,能源消费碳排放的增速也呈下降趋势.从辅轴方向上看,辅半轴标准差由1995年的828.86 km升到2014年的965.540 km,表明近20年中国省域碳排放在次要方向上出现极化.其中1997-2006年辅半轴标准差由842.417 km降到822.912 km,表明该时段省域碳排放在西北—东南方向上出现极化,原因在于江苏、安徽等省域碳排放量大幅增加,而甘肃、青海等省域的碳排放量增长缓慢;2009-2014年辅半轴标准差由851.448 km上升到965.540 km,表明该时段省域碳排放在西北—东南方向上出现分散,主要是由于西北部新疆、内蒙古和陕西等省域碳排放量的快速增加所致.2009-2014年新疆、内蒙古的经济增长基本上仍以“高投入、高消耗、高排放”的粗放式增长为主,而且高度依赖于煤炭的消耗.据统计,新疆煤炭消费比重在65%以上(新疆维吾尔自治区统计局, 2015),内蒙古甚至高达80%以上(内蒙古自治区统计局, 2015),而煤炭又属于高碳排放能源,导致新疆和内蒙古的碳排放量快速增长.因此,在新疆和内蒙古积极调整能源消费结构,推进节能减排政策,发展低碳经济具有重要意义. ...

2015

城市化对碳排放影响研究进展

2014

... 气候变暖是当前可持续发展面临的巨大挑战(荣培君等, 2016),如何减少CO₂等温室气体已成为世界各国面临的共同问题.CO₂是温室气体最重要的组成部分(秦耀辰等, 2014),气候变暖至少有66%以上是与人类活动排放的CO₂相关(王少剑等, 2015).因此,减缓气候变暖的关键在于减少CO₂排放(简称碳排放,下同).据2012年国际能源署报道,中国已于2007年成为世界上最大的碳排放国,并且受工业化和城市化快速推进的影响,碳排放量还可能更高.为此,中国政府在2009年哥本哈根联合国气候大会上,承诺到2020年碳排放强度在2005年的基础上下降40%~45%,这必将使中国面临巨大的国际减排压力.省区是中国碳减排的实施区,也是碳减排配额分配的主体.因此,此减排目标的实现不仅需要考虑国家层面的碳排放总量,更应该从省域视角把握碳排放空间格局的时空动态特征以及省区间碳排放的空间依赖性和异质性,以便制定符合中国省域碳排放自身特点的差异化减排策略. ...

城市化对碳排放影响研究进展

2014

基于STIRPAT模型的中国碳排放峰值预测研究

2010

... 基于此背景,不少学者从不同视角、不同尺度,采用不同方法对中国碳排放问题进行了大量研究,并取得了丰硕成果.如谭丹等(2008)和张雷等(2010)分析了中国东、中、西三大区域碳排放的差异性.汪宏韬(2010)、宋杰鲲(2012)、范丹(2013)和邓吉祥等(2014)采用LMDI指数分解法对中国不同尺度的碳排放进行了分析,认为经济发展是碳排放增加的最主要驱动因素;但Liu等(2010)认为各因素对中国省域碳排放的影响方向和程度均存在差异性.李波等(2011)和张彬等(2011)利用Kaya恒等式探讨了中国碳排放的主要驱动因素,并且根据这些因素进行模糊聚类,将中国分为四大区域.此外,渠慎宁等(2010)利用STIRPAT模型对中国碳排放峰值进行了预测. ...

基于STIRPAT模型的中国碳排放峰值预测研究

2010

中国省域能源消耗碳排放安全评价

2016

中国省域能源消耗碳排放安全评价

2016

基于LMDI的山东省能源消费碳排放因素分解

2012

基于LMDI的山东省能源消费碳排放因素分解

2012

我国东、中、西部地区经济发展与碳排放的关联分析及比较

2008

我国东、中、西部地区经济发展与碳排放的关联分析及比较

2008

县域尺度的京津冀都市圈CO₂排放时空演变特征

2014

... 式中：

\begin{matrix} C \end{matrix}

表示某省化石能源消费产生的碳排放量;

\begin{matrix} E_{i} \end{matrix}

代表第

\begin{matrix} i \end{matrix}

类化石能源的消费量;

\begin{matrix} e_{i} \end{matrix}

表示第

\begin{matrix} i \end{matrix}

类化石能源的标准煤折算系数(见2013年《中国能源统计年鉴附录4》);

\begin{matrix} P_{i} \end{matrix}

表示第

\begin{matrix} i \end{matrix}

类化石能源的碳排放系数,根据《IPCC2006国家温室气体清单指南》中提供的缺省值计算得到(赵敏等, 2009);

\begin{matrix} n \end{matrix}

为能源种类;

\begin{matrix} \frac{44}{12} \end{matrix}

是CO₂与碳的分子量之比.由于无法获得重庆市在1997年之前的能源消费数据(因该市在1997年之前隶属于四川省),采用人口占比分配法(汪浩等, 2014)将计算获得的原四川省1995-1996年的碳排放量分摊到重庆市和四川省. ...

县域尺度的京津冀都市圈CO₂排放时空演变特征

2014

... 式中：

\begin{matrix} C \end{matrix}

表示某省化石能源消费产生的碳排放量;

\begin{matrix} E_{i} \end{matrix}

代表第

\begin{matrix} i \end{matrix}

类化石能源的消费量;

\begin{matrix} e_{i} \end{matrix}

表示第

\begin{matrix} i \end{matrix}

类化石能源的标准煤折算系数(见2013年《中国能源统计年鉴附录4》);

\begin{matrix} P_{i} \end{matrix}

表示第

\begin{matrix} i \end{matrix}

类化石能源的碳排放系数,根据《IPCC2006国家温室气体清单指南》中提供的缺省值计算得到(赵敏等, 2009);

\begin{matrix} n \end{matrix}

为能源种类;

\begin{matrix} \frac{44}{12} \end{matrix}

基于LMDI的上海市能源消费碳排放实证分析

2010

基于LMDI的上海市能源消费碳排放实证分析

2010

能源消费CO₂排放研究综述

2015

能源消费CO₂排放研究综述

2015

中国能源消耗碳排放的影响因素分析及政策启示

2012

中国能源消耗碳排放的影响因素分析及政策启示

2012

基于模糊聚类的中国分省碳排放初步研究

2011

基于模糊聚类的中国分省碳排放初步研究

2011

中国碳排放区域格局变化与减排途径分析

2010

中国碳排放区域格局变化与减排途径分析

2010

上海市能源消费碳排放分析

2009

... 式中：

\begin{matrix} C \end{matrix}

表示某省化石能源消费产生的碳排放量;

\begin{matrix} E_{i} \end{matrix}

代表第

\begin{matrix} i \end{matrix}

类化石能源的消费量;

\begin{matrix} e_{i} \end{matrix}

表示第

\begin{matrix} i \end{matrix}

类化石能源的标准煤折算系数(见2013年《中国能源统计年鉴附录4》);

\begin{matrix} P_{i} \end{matrix}

表示第

\begin{matrix} i \end{matrix}

类化石能源的碳排放系数,根据《IPCC2006国家温室气体清单指南》中提供的缺省值计算得到(赵敏等, 2009);

\begin{matrix} n \end{matrix}

为能源种类;

\begin{matrix} \frac{44}{12} \end{matrix}

上海市能源消费碳排放分析

2009

... 式中：

\begin{matrix} C \end{matrix}

表示某省化石能源消费产生的碳排放量;

\begin{matrix} E_{i} \end{matrix}

代表第

\begin{matrix} i \end{matrix}

类化石能源的消费量;

\begin{matrix} e_{i} \end{matrix}

表示第

\begin{matrix} i \end{matrix}

类化石能源的标准煤折算系数(见2013年《中国能源统计年鉴附录4》);

\begin{matrix} P_{i} \end{matrix}

表示第

\begin{matrix} i \end{matrix}

类化石能源的碳排放系数,根据《IPCC2006国家温室气体清单指南》中提供的缺省值计算得到(赵敏等, 2009);

\begin{matrix} n \end{matrix}

为能源种类;

\begin{matrix} \frac{44}{12} \end{matrix}

1999-2007年中国能源消费碳排放强度空间演变特征

2011

1999-2007年中国能源消费碳排放强度空间演变特征

2011

Local indicators of spatial association: LISA

1995

... LISA提供了从局部的视角揭示研究单元间的空间依赖性(Anselin, 1995),Rey(2001)在此基础上根据不同时段Moran散点图中各研究单元间局部空间关联类型的转移情况,提出了时空跃迁(space-time transition). ...

Spatial econometric analysis of carbon emissions from energy consumption in China

2012

2008

Convergence of per capita carbon dioxide emissions in urban China: A spatio-temporal perspective

2013

Measuring geographic concentration by means of the standard deviational ellipse

1926

... 标准差椭圆(Standard Deviational Ellipse,SDE)是以中心、主轴(长轴)、辅轴(短轴)、方位角为基本参数,定量描述研究对象空间分布整体特征及时空演变过程的空间统计方法(Lefever, 1926).该方法以地理要素空间分布的重心为中心,分别计算其在x方向和y方向上的标准差,以确定其长轴和短轴.SDE的空间分布范围表示地理要素空间分布的主体区域,重心表示地理要素空间分布的相对位置,方位角反映地理要素分布的主趋势方向(即正北方向沿顺时针旋转到椭圆长轴的角度),长轴和短轴分别表示地理要素在主趋势方向和次要方向上的离散程度.上述各参数的计算公式如下： ...

China’s regional carbon emissions change over 1997-2007

2010

Spatial empirics for economic growth and convergence

2001

... 时空跃迁分为4种类型：类型Ⅰ、类型Ⅱ、类型Ⅲ和类型Ⅳ.类型Ⅰ表示仅省区自身发生跃迁,包括HH_t→LH_t₊₁、HL_t→LL_t₊₁、LH_t→HH_t₊₁、LL_t→HL_t₊₁;类型Ⅱ表示仅省区的相邻省份发生跃迁,包括HH_t→HL_t₊₁、HL_t→HH_t₊₁、LH_t→LL_t₊₁、LL_t→LH_t₊₁;类型Ⅲ表示省区自身及其相邻省份均发生跃迁,包括HH_t→LL_t₊₁、HL_t→LH_t₊₁、LL_t→HH_t₊₁、LH_t→HL_t₊₁;类型Ⅳ表示省区自身与相邻省份均保持稳定,包括HH_t→HH_t₊₁、HL_t→HL_t₊₁、LL_t→LL_t₊₁、LH_t→LH_t₊₁.根据Moran散点时空跃迁4种类型的划分,Moran散点图的空间稳定性可以表示为(Rey, 2001)： ...

STARS: Space-time analysis of regional systems

2006

Comparative spatial dynamics of regional systems

2010

... LISA时间路径是基于LISA坐标在Moran散点图中的时间迁移特性,来刻画省域碳排放在局部区域范围内的时空协同变化以及确定碳排放局部空间差异的时空动态性,以实现省域单元碳排放值及其滞后随时间的成对移动,从而使静态的局部空间依赖转化为动态的连续表达(Ye et al, 2013).具体方法是,每个省域单元的LISA坐标由碳排放量的标准化值及其空间滞后量组成,LISA坐标在2个时间点的转移通过相应2个时间点的LISA坐标的移动来测度,即[(y_i_,1, yL_i_,1),(y_i_,2, yL_i_,2),…,(y_i_,_t, yL_i_,_t)].其中,y_i_,_t为i省在t年的碳排放量标准化值,yL_i_,_t为i省在t年的空间滞后量.LISA时间路径的几何特征通常用相对长度(

\begin{matrix} {\tilde{Γ}}_{i} \end{matrix}

)和弯曲度(

\begin{matrix} ∆_{i} \end{matrix}

)表示,二者的表达式分别为(Rey et al, 2010)： ...

A framework for exploratory space-time analysis of economic data

2013

\begin{matrix} {\tilde{Γ}}_{i} \end{matrix}

)和弯曲度(

\begin{matrix} ∆_{i} \end{matrix}

)表示,二者的表达式分别为(Rey et al, 2010)： ...

〈

〉

近20年来中国能源消费碳排放时空格局动态

Spatiotemporal dynamics of carbon emissions by energy consumption in China from 1995 to 2014

1 引言

2 数据来源与研究方法

2.1 数据来源

2.2 研究方法

3 结果与分析

3.1 碳排放格局总体变化

3.2 LISA时间路径变化

3.3 LISA时空跃迁分析

3.4 标准差椭圆分析结果

4 结论与讨论

4.1 结论

4.2 讨论

参考文献 文献选项 原文顺序 文献年度倒序 文中引用次数倒序 被引期刊影响因子

参考文献

原文顺序

文献年度倒序

文中引用次数倒序

被引期刊影响因子