环境科学学报  2017, Vol. 37 Issue (3): 1178-1184
中国省域碳排放强度的集聚效应和辐射效应研究    [PDF全文]
张翠菊1 , 张宗益2,3    
1. 重庆工商大学经济学院, 重庆 400067;
2. 重庆大学经济与工商管理学院, 重庆 400030;
3. 西南财经大学金融学院, 成都 611130
摘要: 估算了中国1997-2013年30个省(市、自治区)的碳排放强度数据,并利用全局Moran's I指数、局域Moran's I指数以及莫兰散点图从集聚效应和辐射效应两个角度考察了我国区域碳排放强度空间分布特征.结果显示:①集聚效应:我国省域碳排放强度具有明显的空间集聚特征,碳排放强度水平相似区域倾向于相邻分布;另外,碳排放强度空间分布呈现不断优化的趋势,即“低-低”集聚不断增加,“高-高”集聚逐渐减少.②辐射效应:内蒙古、宁夏和山西等省对周边地区的碳排放强度具有明显的正向辐射效应,广东、福建和浙江等省对周边地区碳排放强度具有明显的负向辐射效应.最后,据此提出政策建议.
关键词: 碳排放强度     Moran's I指数     集聚效应     辐射效应    
Agglomeration effect and radiation effect of provincial carbon emission intensity in China
ZHANG Cuiju1 , ZHANG Zongyi2,3    
1. School of Economics, Chongqing Technology and Business University, Chongqing 400067;
2. School of Economics and Business Administration, Chongqing University, Chongqing 400030;
3. School of Finance Southwestern University of Finance and Economics, Chengdu 611130
Received 18 May 2016; received in revised from 23 Jun 2016; accepted 23 Jun 2016
Supported by the National Natural Science Foundation of China(No.G0301)
*Corresponding author: Biography: ZHANG Cuiju(1982—), female, Ph.D., lecturer, E-mail: crystalzcj@163.com
Abstract: This study estimated the provincial carbon emission intensity data in China from 1997 to 2013, and used Global Moran's I, Local Moran's I and Moran's Scatter Diagram to examine the spatial distribution features of China's regional carbon emission intensity from the perspectives of both agglomeration effect and radiation effect. The results indicate that China's provincial carbon emission intensity shows a marked feature of spatial agglomeration, as regions of similar level of carbon emission intensity tend to be geographically adjacent to each other. Moreover, the spatial distribution of carbon emission intensity shows a tendency of continuous improvement, as evidenced by the fact that "low-low" agglomeration is increasing while "high-high" agglomeration is decreasing. Provinces such as Inner Mogolia, Ningxia Autonomous Region and Shanxi exert an obvious positive radiation effect on the carbon emission intensity of neighboring regions, while provinces such Guangdong, Fujian and Zhejiang bring negative radiation effect to the carbon emission intensity of neighboring regions. Finally, advices on policy making are proposed based on the above-mentioned results and analysis.
Key words: carbon emission intensity     Moran's I index     agglomeration effect     radiation effect    
1 引言(Introduction)

碳排放强度指单位经济产出所需的碳排放量, 可以有效的反映出一个国家或地区经济发展、技术进步以及能源利用效率等的水平, 且符合减排同时兼顾经济增长的前提, 适合于发展中国家作为碳减排指标(Jotze, 2006Jotze et al., 2007孙传旺, 2010).2009年, 中国将该指标作为减排目标纳入政府文件中, 并将约束性指标纳入国民经济和社会发展中长期规划中.并于2014年, 进一步明确了降低单位能耗、二氧化碳排放量以及其他主要污染物排放量的具体约束性目标.

自减排指标出台以来, 我国的碳排放强度呈逐年下降趋势, 取得了卓有成效的成果.同时, 省域间碳排放强度的差异却在逐渐扩大(胡宗义等, 2015杨搴和刘华军, 2013), 只有充分认识和理解区域间存在的差异, 并针对性的出台产业和能源政策, 才能公平有效的实现减排目标.鉴于此, 学术界对于我国碳排放强度的区域差异进行了较深入的研究, 研究重点主要集中于测算差异程度、差异来源、影响因素等问题.其中, 差异来源是要回答我国碳排放强度总体差异主要来源于区域间还是区域内, 一部分学者认为区域间碳排放强度差异是导致地区总体差异的主要来源(石蕾和李洋, 2013孙耀华等, 2012), 且贡献率呈现出扩大的趋势(刘华军和赵浩, 2012);也有学者则提出我国省域碳排放强度差异主要是区域内部差异导致的(杨搴和刘华军, 2012岳超等, 2010).另外, 对于区域碳排放强度差异的成因认为主要有地区间能源强度(邓吉祥等, 2014陈诗一, 2011)、能源结构(仲伟周等, 2014)、工业化程度(许广月, 2013赵云泰, 2011)、能源禀赋等(蔡荣生和刘传阳, 2013王艺明等, 2014).

以上研究将区域看作是相互独立的个体, 假设相邻区域之间不存在任何联系, 显然与事实不符.随着空间计量经济学的发展, 学者开始从集聚效应和辐射效应角度研究了城市化、经济增长、国际贸易等的分布特征问题(祁金立, 2003魏浩, 2010Caber Borras et al., 2007Ping, 2004等).而对于碳排放问题的研究则较少涉及, 姚奕等(2011) 程叶青等(2014) 冯宗宪等(2014) 利用全局Moran′s I指数的研究证实了我国区域碳强度的空间相关性, 但仅仅局限于简单阐述, 缺乏区域碳排放强度空间分布特征的深入研究, 对于不同省份在集聚效应中发挥的作用更是空白.鉴于此, 本文运用探索性空间数据分析方法考察中国碳排放强度地区空间分布特征.首先, 利用全局Moran′s I指数和莫兰散点图分析区域碳排放强度的集聚效应;然后, 通过测算局域Moran′s I指数进一步讨论省域碳排放强度的辐射效应, 以便了解不同省份在碳排放强度集聚中的作用及贡献程度, 为我国制定差别化的碳减排政策提供建议.

2 数据与方法(Datas and methods) 2.1 碳排放强度估算

世界银行发布的年度报告提出, 大部分国家中的碳排放70%来源于常规能源消耗, 在以煤炭消费为主的国家, 这一比例甚至达到了90%以上.2006年IPCC在《国家温室气体清单指南》也提出温室气体的增加除了自然界自身产生的之外, 主要来源于人类对化石燃料的燃烧, 并提出了根据燃料燃烧数量和燃烧因子测算计算碳排放量(IPCC, 2007).本文选择了煤炭、焦炭、原油、燃料油、汽油、煤油、柴油和天然气8种化石能源消费量以及IPCC提供的碳排放系数来估算我国30个省份的碳排放数据(由于数据缺乏, 西藏自治区、台湾、香港和澳门特别行政区在区域及省域角度的研究均未包括在内), 计算公式如下:

(1)

式中, C代表估算的碳排放量;i表示各种化石能源;E代表各化石能源的消费量;SCC和CEF分别表示化石能源的折标系数以及碳排放系数, 具体数值如表 1所示.进一步, 利用估算的碳排放量与当地实际GDP(1997年不变价格计算)的比值得出碳排放强度.

表 1 碳排放估算方法涉及指标及系数 Table 1 Index and cofficient used in calculating carbon emissions
2.2 探索性空间统计方法

探索性空间数据分析(exploratory spatial data analysis, ESDA)方法是空间数据分析(spatial data analysis, SDA)技术的一种, 该方法旨在利用统计学原理和图标方法对观测以识别对象空间信息的性质, 直观的了解观测对象存在的空间联系、集聚以及异质性等空间特征(Anselin, 1999).ESDA方法的应用一般采用Moran′s I指数来完成, 主要有全局指标和局域两种指标(Anselin, 19881995) , 具体定义如下:

(1) 全局Moran′s I指数(集聚效应指标)

全局Moran′s I指数是用来考察观测对象全局的空间相关性, 该指标反映了在地理分布上邻近的区域单元的空间特征, 分为空间集聚、空间离散和空间随机3种.对于本研究来说, 全局Moran′s I指数反映了区域间碳排放强度是否存在“马太效应”, 即碳排放强度水平相当的区域是否在地理分布上倾向于集聚的问题, 计算公式为:

(2)

式中, W表示空间权重矩阵, 这里利用0-1邻接矩阵来设置, 其中因为海南独特的地理位置, 按照一般做法设定其与广西、广东相邻.Moran′s I指数的取值范围为[-1, 1], 当 Moran′s I>0时, 表明存在空间正相关, Moran′s I<0, 则表示存在空间负相关, 其取值越大说明空间集聚程度越高.

(2) 局部Moran′s I指数(辐射效应指标)

全局Moran′s I指数虽然可以反映观测对象在空间的集聚程度, 但对于其内部分布特征则无法体现.而局部Moran′s I指数(local Moran′s I)则可以弥补这一点, 其不仅可以分析每个区域单元的集聚程度和集聚种类, 还可以量化每个区域单元对于全局空间自相关的贡献程度, 并且评估出空间自相关在多大程度上掩盖了局部的不稳定性.local Moran′s I指数由Anselin(1995) 提出, 其计算公式为:

(3)

local Moran′s I的取值及检验规则为:当local Moran′s I>0, 表明该空间单元与邻近单元的属性值相似(“高-高”或“低-低”), 当local Moran′s I<0, 表明该空间单元与邻近单元属性值相异(“高-低”或“低-高”), 其取值的越大, 说明这个区域单元对相邻单元的辐射效应越大.

另外, Anselin(1996) 提出的Moran′s散点图(Moran scatter)也被广泛使用, Moran散点图可以用来分析全局空间的内部结构和局部空间的集聚性, 通过衡量观测单元属性和相邻单元的相近(正相关)或差异(负相关)程度来完成.Moran散点图将整个空间联系分解为4个笛卡儿象限, 分别表示省际区域与邻近区域之间的4种不同类型的局部空间联系模式(徐建华, 2006), 散点图不仅可以验证观测对象空间依赖性, 而且可以直观的识别空间分布中存在哪些实体及数量.

3 中国省域碳排放强度空间分布特征 (Spatial distribution characteristics of carbon emission intensity in China) 3.1 中国省域碳排放强度的全局空间特征:集聚效应

利用matlab软件计算得到1997—2013年我国碳排放强度的全局Moran′s I指数(见表 2)都大于0, 标准化检验值Z均为正且均大于1.96, 即拒绝了原假设, 因此中国区域的碳排放强度的空间分布并非是完全随机的状态, 而是呈现出显著的空间集聚特征, 即呈现显著的“马太效应”特征.至表明中国区域碳排放强度的变迁受到了空间相关性因素的强烈影响, 忽略空间因素会导致模型估计与实证结论的偏差.

表 2 1997—2013我国区域碳排放强度的全局Moran′ s I统计值 Table 2 Global Moran′s I of China′s carbon emission intensity(1997—2013)

从发展历程来看, 中国30个省份的碳排放强度的空间自相关大致经历了“降、升、降”的发展历程:①1997—2003年, 空间自相关表现稳中有降的态势, 全局Moran′s I指数从1997年的0.3039下降到2003年的0.2296.②2004—2006年, 空间自相关表现为急剧增强的态势, 全局Moran′s I指数从2004年的0.3011增长到2006年的0.3644.③2007—2013年, 全局Moran′s I指数在从2007年的0.3251, 升至2008年的0.3456后, 之后经历了新一轮的下降态势, 2013年下降到0.3026.其中, 中国省域碳排放强度的空间集聚有5个重要的时间点, 分别在1997、2003、2006、2008和2013年, 后续将在这几个时间节点进行进一步分析.

那么, 中国碳排放强度空间集聚的具体结构是怎样的呢?具有怎样的变化趋势呢?接下来, 将通过绘制散点图从上述5个时间节点来进行比较分析, 考察中国区域碳排放强度空间集聚的具体结构及其变化情况, 进一步了解碳排放强度的空间分布特征.图 1中为绘制的1997、2003、2006、2008和2013年的碳排放强度Moran′s散点图, 其中第一象限表示碳排放强度较高地区与同为高值区域相邻;第三象限则是碳排放强度较低地区周围同为低值区域;第二、四象限则表示相异碳排放强度的省区相邻的状态.从历年的碳排放强度散点图来看, 分布于第一、三象限较多, 第二、四象限的省份则较少, 从而更加直观的印证了我国碳排放强度的空间集聚性.

图 1 1997—2013年中国碳排放强度莫兰散点图 Fig. 1 EC sscatter diagram of China′s carbon emission intensity(1997—2013)

为了更清晰的了解每个省份的空间分布情况, 将散点图不同象限所对应的省份汇总至表 3中, 4个象限所对应的省份及变化情况如下:(1) “低-低”集聚型.天津、广西、湖南、山东、湖北、安徽、上海、江西、江苏、浙江、广东、福建、海南13个省份一直都是“低-低”集聚区域, 2003年增加了重庆和北京, 2008年又增加了云南, 可以看出, “低-低”集聚的范围在不断扩大.(2) “高-高”集聚型.1997年山西、宁夏、内蒙古、甘肃、新疆、吉林、辽宁、黑龙江、陕西、河北、青海都属于“高-高”集聚型, 从省份构成来看, “高-高”集聚包括煤炭大省山西、东北三省以及大部分的西部地区.而东北三省的黑龙江和辽宁陆续在2003年和2013年从该区域转入低-高区域, 说明其碳排放强度具有优化的趋势.(3) “低-高”集聚型.河南和四川一直处于该区域, 1997年重庆和北京也在该区域, 2003年成为低-低集聚, 2006年云南也由该区域转入“低-高”集聚区域.(4) “高-低”集聚型, 这一区域在1997、2003、2008、2013年都是只有贵州一个省份, 在2006年云南短暂的转至该区域, 但很快就转为“低-低”区域.

表 3 1997—2013年莫兰散点图对应省份 Table 3 Corresponding provinces of Moran′s scatter diagram(1997—2013)

总的说来, 碳排放强度较低的区域多集中在我国东部地区, 1997年低-低集聚的13个省份中, 8个地处东部;而碳排放强度较高的区域则多集中我国西部地区, 以2013年为例, 高-高集聚中的6个省份都在西部区域, 只有两个在其他区域.从空间集聚的变化趋势来看, 我国省域碳排放强度空间集聚有不断优化的趋势, 即不断由高集聚转变为低集聚, 具体表现为低-低集聚型地区不断扩大, 高-高集聚型则在逐渐减少, 其中低-低集聚型由1997年的13个增加到2013年的16个, 高-高集聚型则由11个减少到了8个省.

3.2 中国省域碳排放强度的局部空间特征:辐射效应

进一步通过计算各省碳排放强度的local Moran′s I指数, 鉴于local Moran′s I>0时才可能出现空间集聚性, 这里只考察local Moran′s I>0的情况, 并通过地区所属区域以及其local Moran′s I指数显著程度来判断该地区的辐射效应.具体方法为:若考察地区属于“高-高”集聚型, 且通过了显著性检验则说明该地区对周边地区的正向带动作用较大, 若属于“低-低”集聚型且通过了显著性检验则表示该地区对周边地区的负向带动作用较大.

表 4中列出了通过显著性检验的省区及其local Moran′s I值.从整体看, 在1997—2013年中的5个时间点上, 东部地区多位于“低-低”集聚型, 西部地区则多位于“高-高”集聚型.在“高-高”集聚型中, 内蒙古、宁夏、山西和甘肃一直是碳排放强度较高的地区.以2013年为例, 4个省份的local Moran′s I分别为7.8084、8.2484、3.2909和2.6303;另外陕西的local Moran′s I也在不断增大, 2013年已达2.6993, 说明内蒙古、宁夏、山西、陕西和甘肃的极化效应明显, 即这些地区对推高周边地区碳排放强度的带动作用显著.其中, 山西的情况比较特殊, 一直处于“高-高”集聚且辐射作用明显.而且其他local Moran′s I较高的省份均与之相邻, 唯一在“高-高”集聚区域的东部省份河北也与山西相邻, 所以我们认为能源禀赋在区域碳排放强度演变中产生了重要影响.从“低-低”集聚型来看, 该区域的省份在不断增加, 从1997年的11个增加到了2013年的14个, 说明空间集聚对我国碳排放强度降低的积极作用在不断扩大;其中广东、福建和浙江的辐射作用最强, 这3个省份都处于我国东部沿海地区, 经济发展水平、技术水平等都较发达, 对周边的带动作用明显.

表 4 1997—2013年局部Moran′s I指数值 Table 4 Local Moran index value(1997—2013)
4 对策(Strategies)

1) 加强区域合作力度, 共同推进低碳经济的发展.我国区域间碳排放存在的显著空间依赖性, 这就要求区域之间充分认识空间交互作用, 关注周边区域的减排政策及相关要素变动影响, 通过构建信息共享等途径实现技术、人力等区域溢出功能, 增强区域间合作力度, 共同推进低碳经济的发展.

2) 根据区域发展阶段, 因地制宜制定碳减排差异化政策.从区域碳排放的空间分布格局来看, 我国西北地区的能源效率较低, 单元经济产出的能源消耗和碳排放量都较高, 这些地区应着力于产业结构转型, 优化经济增长模式, 逐渐摆脱“高投入、高能耗、高污染”的经济增长方式;我国东部沿海地区的经济发展水平较高, 能源效率的水平也较高, 可以率先培育、发展新材料、新能源、高新技术以及高端服务业等新兴产业, 推广、宣传、利用清洁技术和能源, 而后推广至西部以及其他地区.

3) 加强能源富裕地区监管力度, 降低其能源依赖程度.能源丰裕地区可供利用的能源比较丰富, 能源密集性产业具有比较优势, 更倾向于生产能源开发、加工等能源依赖性强、附加值低的初级产品, 最终形成了高碳发展路径.同时, 能源禀赋对周边地区的碳排放强度还呈现显著的空间溢出效应, 推高其碳排放强度, 并进一步影响全国数据.所以, 政府在制定节能减排策略时, 重视能源丰裕地区的低碳政策引导, 改变其过分依赖能源的经济增长方式, 并加强关注能源禀赋的扩散作用, 出台相应的政策措施促进能源良性流动.

5 结论(Conclusions)

1) 我国省域碳排放强度具有显著的空间相关性, 观察期内我国省域碳排放强度均通过了5%以上的显著性检验, 且系数均为正, 说明我国省域碳排放强度空间分布并非是完全随机的状态, 而是具有显著的空间依赖特征, 相似碳排放强度水平的省域倾向于集聚分布.

2) 我国碳排放强度的空间集聚呈现出逐渐优化的态势.观察期内的碳排放强度散点图显示, “低-低”集聚型的规模不断扩大, “高-高”集聚型的规模在逐渐减少.

3) 不同省份在碳排放强度的空间集聚中所扮演的角色和贡献具有明显差异.其中, “高-高”集聚中的内蒙古、宁夏、山西和甘肃等地对推高周边地区碳排放强度的带动作用强烈, “低-低”集聚中的广东、福建和浙江等省对碳排放强度的负向带动作用较强.这说明碳排放强度较高的地区是节能减排工作的重点, 这些地区不仅本地区的碳排放效率较低, 还会通过空间传导机制辐射到周边地区, 增加周边地区的碳排放强度.

参考文献
[${referVo.labelOrder}] Anselin L. 1988. Spatial Econometrics:Methods and Models[M]. Berlin: Springer: 143–178.
[${referVo.labelOrder}] Anselin L. 1995. Local indicators of spatial association-LISA[J]. Geographical Analysis, 27(2) : 93–115.
[${referVo.labelOrder}] Anselin L.1999.Interactive techniques and exploratory spatial date analysis//Longley P A,GodchildM F,Maguire D J. Geographical Information Systems (2nd ed)[M]. New York:John Wiley&Sons Press.253-266
[${referVo.labelOrder}] Cabrer-Borras B, Serrano-Domingo G. 2007. Innovation and R&D spillover effects in Spanish regions:A spatial approach[J]. Research Policy, 36(9) : 1357–1371. DOI:10.1016/j.respol.2007.04.012
[${referVo.labelOrder}] 蔡荣生, 刘传阳. 2013. 碳排放强度差异与能源禀赋的关系——基于中国省级面板数据的实证分析[J]. 烟台大学学报(哲学社会科学版), 2013, 26(1) : 104–110.
[${referVo.labelOrder}] 程叶青, 王哲野. 2012. 中国能源消费碳排放强度及其影响空间计量[J]. 地理学报, 2012, 68(10) : 1418–1431.
[${referVo.labelOrder}] 陈诗一. 2011. 中国碳排放强度的波动下降模式及经济解释[J]. 世界经济, 2011(4) : 124–143.
[${referVo.labelOrder}] 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, 2014, 29(2) : 190–200.
[${referVo.labelOrder}] 冯宗宪, 王凯莹. 2014. 中国省域碳强度集群的空间统计分析[J]. 资源科学, 2014, 36(7) : 1462–1468.
[${referVo.labelOrder}] 胡宗义, 唐李伟, 苏静. 2015. 省域碳排放强度的收敛性与动态演进[J]. 资源科学, 2015, 37(1) : 142–151.
[${referVo.labelOrder}] IPCC.2007.Contribution of Working Group to the A Fourth Assessment Report of the Intergovermental Panel on Climate Change[R]. Cambridge:Cambridge University Press
[${referVo.labelOrder}] Jotze F.2006.Quantifying Unicertainties for Emission targets Economics and Environment[R].Australia National University Working Paper, No.0603
[${referVo.labelOrder}] Jotze F, Pezzey J C V. 2007. Optimal Intensity Targets for Greenhouse Gas Emissions Trading Under Uncertainty[J]. Envionmental Resource Econimy, 38(2) : 259–284. DOI:10.1007/s10640-006-9078-z
[${referVo.labelOrder}] 刘华军, 赵浩. 2012. 中国二氧化碳排放强度的地区差异分析[J]. 统计研究, 2012, 29(6) : 47–50.
[${referVo.labelOrder}] Ping J L, Green C J, Zartnan R E, et al. 2004. Expilring spatial dependence of cotton yield using global and local autocorrelation statistics[J]. Field Crops Reseach, 89 : 219–236. DOI:10.1016/j.fcr.2004.02.009
[${referVo.labelOrder}] 祁金立. 2003. 城市化集聚效应和辐射效应分析[J]. 暨南学报(哲学社会科学版), 2003, 25(5) : 30–34.
[${referVo.labelOrder}] 魏浩. 2010. 中国30个省市对外贸易的集聚效应和辐射效应研究[J]. 世界经济, 2010, 68 : 68–84.
[${referVo.labelOrder}] 岳超, 胡雪洋, 贺灿飞, 等. 2010. 1995-2007年我国省区碳排放及碳强度的分析-碳排放与社会发展[J]. 北京大学学报(自然科学版), 2010, 46(4) : 510–516.
[${referVo.labelOrder}] 石蕾, 李洋. 2013. 中国区域经济增长的碳排放强度差异及其敛散性[J]. 北京理工大学学报(社会科学版), 2013, 15(2) : 34–38.
[${referVo.labelOrder}] 孙传旺, 刘希颖, 林静. 2010. 碳强度约束下中国全要素生产率测算与收敛性研究[J]. 金融研究, 2010, 6 : 17–33.
[${referVo.labelOrder}] 孙耀华, 仲伟周, 庆东瑞. 2012. 基于Theil指数的中国省际间碳排放强度差异分析[J]. 财贸研究, 2012(3) : 1–7.
[${referVo.labelOrder}] 王艺明, 张佩, 蔡昌达. 2014. 低碳经济下中国碳排放强度收敛性的实证检验[J]. 厦门大学学报(哲学社会科学版), 2014(2) : 120–128.
[${referVo.labelOrder}] 许广月. 2013. 碳强度俱乐部收敛性:理论与证据-简论中国碳强度降低目标的合理性和可行性[J]. 管理评论, 2013, 25(4) : 48–58.
[${referVo.labelOrder}] 杨搴, 刘华军. 2013. 中国二氧化碳排放分布的随机收敛研究-基于地区部门和行业层面数据的实证分析[J]. 中南财经政法大学学报, 2013, 4 : 70–78.
[${referVo.labelOrder}] 杨搴, 刘华军. 2012. 中国碳强度分布的地区差异与收敛性-基于1995-2009年省际数据的实证研究[J]. 当代财经, 2012(2) : 87–98.
[${referVo.labelOrder}] 姚奕, 倪勤. 2011. 中国地区碳强度与FDI的空间计量分析-基于空间面板模型的实证研究[J]. 经济地理, 2011, 31(9) : 1432–1438.
[${referVo.labelOrder}] 仲伟周, 张金灿, 南士敬. 2014. 中国碳排放强度的驱动因素、区域差异及变化趋势分析[J]. 科技进步与对策, 2014, 31(21) : 17–31.
[${referVo.labelOrder}] 赵云泰, 黄贤金, 钟太阳, 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, 2011, 32(11) : 3145–3152.