环境科学学报  2018, Vol. 38 Issue (7): 2894-2901
基于空间回归模型的中国碳排放空间差异模拟    [PDF全文]
潘竟虎1 , 赵轩茹2     
1. 西北师范大学地理与环境科学学院, 兰州 730070;
2. 湖南科技大学资源环境与安全工程学院, 湘潭 411201
摘要: 以中国碳排放数据库的多年分省碳排放数据为基础,选取植被指数NDVI、夜间灯光影像DMSP-OLS、生产总值、工业总产值和人口数5项指标,采用1 km×1 km格网,运用空间滞后回归模型对中国2000年和2013年的碳排放进行时空分布模拟,并对空间模拟结果进行误差分析及纠正,获得地均碳排放强度的空间分布图,以弥补传统碳排放统计空间展示效果差、空间分辨率低等缺陷.结果发现,中国碳排放的空间分布格局差异显著,地均碳排放强度分布呈现由东部地区向中西部地区逐渐递减的阶梯状区域分布差异,东部地区的碳排放高值聚集区域大致呈现面状聚集分布特征,区域之间碳排放的差异较小,西部省会城市、工矿城市与农村地区碳排放量差异显著.2013年的地均碳排放强度明显高于2000年,且高值区域的分布范围明显扩大,低值区域分布范围面积明显减少.
关键词: 碳排放     空间回归模型     空间差异     中国    
Spatial difference simulation of China's carbon emissions using spatial regression models
PAN Jinghu1 , ZHAO Xuanru2    
1. College of Geography and Environmental Science, Northwest Normal University, Lanzhou 730070;
2. School of Resources Environmental and Security Engineering, Hunan University of Science and Technology, Xiangtan 411201
Received 24 November 2017; received in revised from 3 January 2018; accepted 3 January 2018
Supported by the National Natural Science Foundation of China (No.41661025), the Project of Educational Commission of Gansu Province(No.2016A-001) and the Research Ability Promotion Project for Young Teachers of Northwest Normal University(No.NWNU-LKQN-16-7)
Biography: PAN Jinghu(1974—), male, professor(Ph.D.), E-mail:panjh_nwnu@nwnu.edu.cn
*Corresponding author: PAN Jinghu, E-mail:panjh_nwnu@nwnu.edu.cn
Abstract: Accurately simulating spatial distribution of carbon emission is vitally important to make policies for reducing carbon emission (CE) and provide basic outlines to develop low carbon economy and constitute low carbon development programming in the future. Five influential factors of CE were selected to derive the CE intensity per unit area, which were vegetation index (NDVI), global steady night lighting data (DMSP-OLS), GDP, industrial gross domestic product and population data. The spatial leg models were established to simulate the spatial distribution of China's CE with 1 km×1 km grids, based on the data of the provincial CE in China Emission Accounts and Datasets (CEAD). The accuracy of the models was tested using error analysis, and the predicted value is corrected according to provincial statistics of CE. Spatial distribution of China's CE in 2000 and 2013 were examined, and the spatial-temporal difference of CE was analyzed. The gridding results of CE can make up the shortcoming of low spatial resolution of traditional statistical data, and describe the spatial feature and real distribution of CE with more details. Result showed that there were several distinct distribution characteristics for the CE intensity per unit land area, which were as follows:there were distinct regional differences distribution characteristics, which mainly showed that it became smaller from the eastern China to the central and western China. The high value area of CE in the eastern coastal area in the whole presents the characteristics of widespread aggregated distribution, and the spatial difference of CE among regions is small. In the western provinces, there are significant differences in CE among the capital cities, industrial and mining cities and rural areas. Therefore, the government should enact reasonable carbon reduction targets in different region.The intensity of CE in 2013 was obviously greater than that in 2000.
Key words: carbon emission     spatial regression     spatial difference     China    
1 引言(Introduction)

由人类活动导致的CO2等温室气体排放所引发的全球气候变暖问题是迄今人类社会面临的最大环境问题之一, 温室气体的大量排放除引致重大自然灾害外, 还会影响世界经济秩序和政治格局, 成为人类在21世纪所面临的最复杂挑战之一(刘燕华等, 2008).中国正处于工业化和城市化加速推进时期, 长期以来粗放的经济增长方式使得化石能源迅速枯竭, 以煤炭为主的能源消费结构, 也导致碳排放持续增长, 环境问题愈加严重.国际能源署IEA的统计数据显示, 中国的CO2排放量在2007年超过美国, 成为全球碳排放最大的国家, CO2减排压力巨大.转变经济发展方式, 实现绿色低碳发展, 建设生态文明成为国家的重大战略(马忠玉等, 2017).国内外学者针对中国的碳排放问题开展了大量研究, 从研究内容来看, 主要集中在碳排放量测度(Liu et al., 2015)、碳排放影响因素分析(Feng et al., 2012)、碳排放与产业发展及能源演变过程的关系(Lindner et al., 2013a)、碳排放绩效(Lindner et al., 2013b)、有效的减排措施(Liu et al., 2013)等.从研究方法来看, 大多采用碳排放系数法估计碳排放量(崔琦等, 2016);采用Divisia、突变级数、STIRPAT分解等方法研究排放变化的影响因素(邓吉祥等, 2014);采用DEA模型测算CO2排放绩效.从研究尺度来看, 既有针对全国、省域的宏观大尺度研究, 也有针对地区、城市等小尺度的研究案例.但由于中国现阶段各地区资源禀赋、社会经济发展水平、能源结构、技术效率、城市化率等严重不平衡, 各地区的CO2排放特点亦不尽相同, 同样的减排政策在实施过程中对不同地区的影响是不一样的(王雅楠等, 2016).碳排放不能仅关注总量增减, 而应更多地研究碳排放空间格局的动态演化.分析不同地区碳排放强度空间差异及其主要因素, 将有助于各地区制定科学的、有针对性的、差别化的碳减排政策, 寻找适当的减排空间, 具有非常重要的理论和现实意义(颜艳梅等, 2016).

近年来有学者尝试借助遥感影像或利用空间计量方法研究区域碳排放.如苏泳娴(2013)Shi等(2016)采用DMSP-OLS夜间灯光影像, 估算了中国省级和城市单元的碳排放强度.郭忻怡等(2016)利用夜间灯光影像和NDVI数据, 采用空间滞后模型模拟了江苏省碳排放量的空间分布.王雅楠等(2016)采用地理加权回归GWR分析了城镇化、工业结构和能源强度对省域CO2排放影响的空间差异.但现有研究较少关注中国碳排放的空间分异特征及空间集聚与溢出效应, 且多数仅从区域或者行业角度出发分析省域间的碳排放空间差异, 结果无法落实到“点(空间格网)”上.基于遥感影像的研究结果可以使碳排放以栅格的尺度展示, 但又无法得到影响因素的空间差异.基于此, 本文将中国划分为1 km×1 km的格网, 综合利用DMSP-OLS夜间灯光影像数据、NDVI遥感影像产品和社会经济统计数据, 采用空间回归模型对2000年和2013年碳排放的空间分布进行模拟, 以期准确识别区域碳排放的空间分异特征, 为区域层面上制定有效的碳减排政策提供科学依据.

2 研究方法与数据来源(Methods and data sources) 2.1 研究方法

空间回归分析分为地理加权回归分析和二阶回归分析两种, 地理加权回归考虑了空间对象的位置差异, 二阶回归则考虑了空间对象间的相互作用.由于碳排放的分布存在不同程度的空间集聚, 并非随机分布, 经典的线性回归模型无法满足研究需求(刘玉等, 2016), 因此, 本文选择二阶回归方法, 表达式为(Knegt et al., 2010):

(1)

式中, Y为行政单元的碳排放量, 其变化不仅与邻接单元的因变量有关, 也与自变量有关系;X是行政单元内的碳排放影响因子(自变量);ρ为空间回归系数, 表示邻近空间单元的被解释变量对本空间单元的被解释变量的影响;W1W2分别是自变量、残差的空间权重矩阵;β为解释变量的回归系数;μ为残差项;λ为残差项的空间回归系数;ε为随机误差.

根据ρβλ的不同取值, 可以得到空间滞后模型(SLM)和空间误差模型(SEM).本文选择8邻域的邻接方式来构建空间权重矩阵W, 当单元ij间具有共同边界或共享一个顶点时, 二者属于邻接关系, 其权重Wij=1, 否则不相邻, Wij=0.

2.2 数据来源及处理

当前中国能源统计数据存在着“横向不可比, 纵向不可加”的突出问题(马忠玉等, 2017), 特别是分省区能源消费总量和结构的统计数据差异非常大, 这就给分省区的碳排放估算带来很大难度.虽然国内外针对中国碳排放量的评估研究较多, 但因为不同学者和机构采用的数据来源、估算方法、碳排放源的分类及能源碳排放系数存在较大差异, 导致所得到的中国碳排放量的计算结果相差很大.国家统计局依据第三次全国经济普查的结果修正了2000年来中国能源消费总量和结构统计数据, 上调了能源消费总量及煤炭消费占能源消费总量的比重, 这为估算碳排放时使用的基础数据产生了较大影响.为了同国家修正后的能源统计数据口径保持一致, 本文采用2000年以来的分省区碳排放数据作为研究对象.文中的碳排放数据获取自中国碳排放数据库CEAD(http://www.ceads.net/), 该数据库由英国、美国、中国等多国科研人员共同开发完成, 提供包含全国及30个省区市(不包括台湾省、香港和澳门特别行政区)的碳排放数据.

各城市的GDP数据、人口数据和工业总产值数据均来自于相应年份的《中国城市统计年鉴》, 并统计至地级市单元.为了保持行政单元空间完整性和两时点上数据间的可比较性, 地级市统计数据均以2013年的地级行政区为标准进行分析, 最终得到344个地级行政单元参与分析.西藏的山南和林芝地区统计数据缺乏, 不列入研究范围.行政区划取自国家基础地理信息中心1:400万数据库(http://www.ngcc.cn/).2000年和2014年的植被指数NDVI数据来源于中科院地理空间数据云平台(http://www.gscloud.cn/), 空间分辨率为1 km.DMSP-OLS夜间灯光数据获取自网站(http://ngdc.noaa.gov/eog/dmsp/downloadV4composites.html), 本文采用的是稳定灯光值的DMSP-OLS夜间灯光数据, 已经剔除了噪声污染所致的灰度值小于0的像元, 空间分辨率为1 km.采用潘竟虎等(2016)提出的NVI降饱和指数去除夜间灯光数据的饱和现象.为了增强夜间灯光卫星影像对中国碳排放估算的精确程度, 本文采用Liu等(2012)提出的方法, 对2000—2013年DMSP-OLS稳定夜间灯光影像数据开展相互校正、年内融合和年际间校正等预处理.此外, 由于多传感器获取的长时间序列DMSP-OLS夜间灯光影像数据在不同年度间缺乏连续性, 本文采用不变目标区域法进行校正, 降低了DMSP-OLS夜间灯光影像间的不稳定和不连续现象.将所有空间数据统一投影到Albers等积圆锥投影系下, 使得数据可以叠置分析, 并使面积变形最小.

3 碳排放的空间分布模拟(Spatial distribution simulation of carbon emission) 3.1 空间回归模型优度比较

区域碳排放的影响因素众多, 在进行格网化空间模拟时, 需要尽可能地综合考虑各种自然和人为因素, 并兼顾数据的可获取性及易于定量化和空间化的要求(刘永伟等, 2015), 最终确定2000年和2013年两个年份的归一化差值植被指数NDVI、DMSP-OLS夜间灯光数据、GDP、工业总产值、人口5个指标作为碳排放影响因素的自变量, 进行空间回归模型的比较, 选择最优空间回归模型.经过回归分析, 普通最小二乘线性回归模型(OLS)、SLM和SEM模型的回归结果见表 1.对空间回归模型优度的评价指标包括:决定系数R2、自然对数似然函数值(log(Likelihood), logL)、赤池信息准则(Akake Information Criterion, AIC), 施瓦茨准则(Schwartz Criterion, SC)等.其中, R2的取值范围是[0, 1], R2越接近1, 表明模型的回归拟合效果越好.此外, logL值越大, 同时AIC和SC值越小, 空间回归模型的回归效果越好(娄明华等, 2017).对于最优空间回归模型的选择, 在OLS的基础上, 还需判断拉格朗日乘数(Lagrange Multiplier, LM)和稳健拉格朗日乘数(Robust Lagrange Multiplier, R-LM)的显著性, 二者的值越大, 说明模型的回归效果越好(吴玉鸣等, 2008).

表 1 OLS、SLM与SEM模型优度比较 Table 1 Goodness comparison among OLS, SLM and SEM

表 1可知, 两个年份上SLM模拟和SEM模拟的p值均为0.001, 说明二者都通过了显著性检验, 但两个年份上SLM模型的R2和logL值都大于SEM模型, 并且SLM模型的AIC和SC值更小;同时, 两个年份上SLM模型的拉格朗日乘子LM和鲁棒性拉格朗日乘子RLM值也都比SEM模型的相应值要高, 表明SLM模型模拟碳排放的回归结果更好.综合分析和比较, 本文选择空间滞后模型对碳排放量进行空间回归.

3.2 碳排放量和影响因子的格网化

现有的碳排放数据只能精确到省级统计单元, 加之碳排放统计数据和人口、GDP、产业产值等社会经济统计数据都有区域内均匀分布而区域间突变分布的特点, 这将直接影响模拟结果精度, 因此, 需要将研究区划分为格网进行模拟, 并将各个变量进行格网化处理.由于研究区面积较大, 所以在遵循提高模拟精度和减少数据量的前提下, 考虑到NDVI、夜间灯光影像数据的分辨率都是1 km, 本文选择1 km的格网进行碳排放空间模拟研究, 具体步骤如下.

以1:400万中国行政区矢量图为基础, 利用ArcGIS的fishnet功能创建1 km×1 km的格网, 得到中国大陆有效格网数为9451423的标准格网.将2000年和2013年的碳排放数据赋值到省级研究区图层上, 再将GDP、工业总产值和人口数据赋值到地级研究区图层上, 然后对上述图层均进行面转栅格和栅格转点的操作, 之后将点数据图层与标准格网图层进行相交, 最终获得研究区2000年和2013年基于格网的碳排放、GDP、工业总产值和人口矢量图.为了相交后能得到单一的属性值, 在多边形图层转栅格时, 分辨率设置值应与网格大小相同(即1 km).对NDVI和DMSP-OLS栅格数据的处理, 采用栅格转点和相交等方法获得基于格网的矢量数据.尽管栅格数据分辨率也为1 km, 但与格网无法精确匹配, 因此, 在栅格转点后使其先与格网相交, 再将相同格网中的属性值统计其平均值, 即可得到单一属性值, 从而方便SLM建模.最后, 利用ArcGIS的空间连接操作, 得到SLM模拟所需要的各个矢量图层.

3.3 空间自回归建模 3.3.1 全局空间自相关分析

运用空间自相关指数分别对2000年和2013年研究区格网化碳排放量进行空间自相关分析.利用GeoDa软件计算全局Moran′s I指数, 选择既能解决问题又计算简便的Rook准则(Das et al., 2017), 即按上下左右邻接建立;然后计算得到2000年碳排放值的Moran′s I值为0.9718, 2013年碳排放的Moran′s I值为0.9677, 两个年份上Moran′s I值的计算结果在5%的显著性水平上都通过了检验, 说明全国碳排放量的空间正相关特征十分显著, 也再次证明采用SLM模型进行空间模拟是适宜的.

3.3.2 空间滞后模型的建立

以格网化后的中国碳排放量为因变量, 以GDP、人口、工业总产值、植被指数NDVI和夜间灯光数据DMSP/OLS为自变量建立空间滞后模型:

(2)

式中, y为因变量即碳排放量;Wy为空间权重矩阵, 这里可以使用计算Moran′s I时建立的邻接矩阵;ρ表示空间滞后变量Wy的空间回归系数, 用来表明碳排放分布的空间相互影响作用;x1~x5分别表示GDP等自变量影响因素值;β1~β5分别表示GDP等自变量因素的回归系数;ε表示随机误差.最终以此建立2000年和2013年碳排放模拟的SLM模型.

利用GeoDa软件中的Regression建模工具, 分别对2000年和2013年数据进行SLM回归分析, 结果如表 2所示.表 2中第2列回归系数反映了GDP等自变量对碳排放量的贡献率, 其中, Wy的回归系数反映了碳排放量所固有的空间相关性, 无论是2000年还是2013年Wy的回归系数值都接近于1, 这说明格网间碳排放量的自相关性极高.此外, 回归模拟结果报告显示, 2000年的模型拟合优度R2为0.9910, 2013年为0.9908, 足以说明模型中自变量对于因变量的解释效果很好.回归结果进一步证实了选用空间滞后模型回归方法的合理性.

表 2 碳排放空间滞后模型的回归系数 Table 2 Regression coefficient of SLM

表 2中可看出, 2000年人口、工业总产值、NDVI植被指数和DMSP/OLS夜间灯光强度的回归系数都为正值, 说明这些因素与碳排放量是正相关关系, 而GDP的回归系数为负值, 即与碳排放量呈负相关, 且正负相关都是显著的.分析表 2可知, 同2000年一样, 2013年的碳排放量与人口、工业总产值、NDVI植被指数及DMSP/OLS夜间灯光强度均呈正相关关系, 与GDP则呈负相关, 且正负相关都是显著的.需要注意的是, 2000年和2013年的GDP均与碳排放呈负相关, 这看上去似乎与实际情况不一致, 究其原因, 一方面已有学者(肖荣等, 2013)研究发现, 全国和不同区域GDP与碳排放存在“倒U型”与“正U型”的不同关系, 随着中国森林面积的持续增长, 以及中国经济发展越来越注重和追求提高经济增长质量和效益, 碳排放与GDP增长逐步脱钩;另一方面, 两个年份上GDP的回归系数均很小, 所以可以认为是对整个模型模拟的修正.将表 2中的回归系数带入空间滞后模型方程(式(2))中, 即可得到2000年及2013年的基于格网的中国碳排放模拟值.

3.4 误差分析与校正

根据模拟值与真值之间的误差的绝对值, 可以验证模型的模拟精确度.误差率计算公式为:

(3)

式中, γ为相对误差绝对值, y为碳排放的模拟值, y为碳排放的真值也就是统计值.

为了了解SLM模型模拟的精度, 分别从全国和省级两个尺度进行检验.根据中国碳排放数据库, 2000年全国碳排放总量为3214.07 Mt, SLM模拟的碳排放量是3370.27 Mt, 误差率为4.86%;2013年全国碳排放总量为10025.47 Mt, SLM模拟的碳排放量是10966.86 Mt, 误差率为9.39%.通过比较各省区碳排放量相对误差的绝对值, 可进一步检验SLM模型的模拟效果.利用公式(3)分别对2000年和2013年各省区碳排放模拟值的相对误差值进行计算, 发现2000年各省区SLM模拟相对误差绝对值的平均值为19.82%, 2013年为21.27%, 全国大部分省区模拟相对误差的绝对值在30%以内, 整体来看, SLM模型模拟的精度较高, 说明利用SLM模型进行碳排放模拟是可行、适合并准确的.

对于碳排放的模拟结果采用分省区的修正方式, 构建各省区的修正系数, 对各格网单元的模拟结果进行修正和调整, 以使各省区模拟的碳排放量与碳排放数据库实际统计的碳排放量完全吻合, 据此即得到了修正后全国范围内1 km×1 km格网单元的碳排放量.修正公式为(李翔等, 2017):

(4)

式中, E′jt为第j个省区第i个格网单元修正后的碳排放量;Eji为模拟得到的第j个省区第i个格网单元的碳排放量;cj为第j个省区的修正系数;Pj为第j个省区的碳排放统计值;为第j个省区的碳排放量模拟值(取平均值).

由于纠正系数是按省区为单位计算的, 所以同一省域内格网的纠正系数相同.利用公式(4), 在ArcGIS中借助属性表的字段计算功能, 修正各格网的模拟值, 最终得到2000年和2013年碳排放模拟纠正值, 并利用此模拟值进行格网化碳排放时空分布规律的研究.

4 碳排放的时空分布格局(Spatial and temporal distribution pattern of carbon emission)

利用校正后的格网碳排放模拟值和各地级单元的面积数据, 在ArcGIS中按平均值统计各地级碳排放单元的碳排放模拟值, 并计算地均碳排放强度(单位为t·km-2), 再按等比间隔将其分为10级(图 1).

图 1 中国碳排放的空间分布 (a.2000年;b.2013年) Fig. 1 Spatial distribution of carbon emission in China

分析2000年的中国碳排放空间分布图(图 1a)可知, 地均碳排放强度极高值(大于2560 t·km-2)的分布地区很少, 强度大于640 t·km-2的区域主要分布在长三角核心区、冀南、冀东、山东半岛东部、河南中北部、珠三角核心区、四川盆地和湖北中部.强度为160.1~320 t·km-2和320.1~640 t·km-2的区域分布面积很大, 集中分布在京津冀、鲁豫皖大部、浙江、广东大部、四川东部、关中、长株潭、武汉、晋中、兰西、辽中南, 分散分布在中、西部省会城市及重要工矿城市.强度为80.1~160 t·km-2的区域分布更为广泛, 中国碳排放强度大于80 t·km-2的区域全部分布在昌都-扎兰屯一线以东.碳排放强度较低的地区分布也相对集中, 主要在西北地区.2013年地均碳排放强度分布规律显然比2000年更为复杂(图 1b), 地均碳排放强度大于2560 t·km-2的区域较之2000年面积大幅增加, 基本形成了4个连片分布的碳排放核心区:冀鲁豫皖交界、长三角、泛珠三角和四川盆地.强度在1280.1~2560 t·km-2和640.1~1280 t·km-2的区域也大大增加, 分布面积在京津冀周围地区和沿海地区有显著增长.强度为320.1~640 t·km-2和160.1~320 t·km-2的区域分布则较为广泛, 分布范围由沿海向内陆扩展.其中, 碳排放强度大于640 t·km-2的区域除西部的四川盆地外, 几乎全部集中分布在东经110°以东和北纬45°以南的地区.强度为80.1~160 t·km-2的区域面积减少最多, 且分布范围也向西北方向有所扩张.碳排放强度为0~10 t·km-2的地区分布趋于集中, 内蒙古锡林郭勒盟和阿拉善盟变化显著.

综合来看:①2013年的地均碳排放强度明显高于2000年, 且高值区域(≥160 t·km-2)的分布范围明显扩大, 分布面积也明显增大, 而低值区域(<20 t·km-2)分布范围面积明显减少, 但分布范围并未发生明显的空间转移.②从全国角度看, 无论是2000年还是2013年, 地均碳排放强度分布呈现由东部地区向中西部地区逐渐递减的阶梯状区域分布差异, 但也有部分地区出现明显的反差, 比如克拉玛依、乌鲁木齐、嘉峪关、金昌等地.东部地区的碳排放高值聚集区域大致呈现面状分布特征, 区域之间碳排放的差异较小.而在西部地区, 省会城市、工矿城市与农村地区碳排放量差异显著.③地均碳排放强度存在着分布空间“俱乐部”趋同的集聚现象, 此现象在极高值和极低值的分布范围内体现得更为显著, 2000年的碳排放极低值“俱乐部”分布在新疆东南部、青海、内蒙古西部地区, 极高值“俱乐部”则集聚在河北-河南-山东、上海-江苏和广州-深圳一带;2013年的极低值“俱乐部”成员有所减少, 集聚中心是新疆东南部-青海, 极高值分布范围明显增大, 集聚区中心有冀鲁豫皖、泛长三角地区、珠三角沿海、成都平原、武汉.④从微观角度看, 各省内地均碳排放强度分布也存在着一定的分布规律, 强度由省会城市向周边城市递减, 呈极核式分布特点, 但除个别省外, 递减梯度总是西部大于东部地区, 西部地区的极核现象更为明显.

5 讨论与政策启示(Discussion and policy implication)

本文依据CEAD的碳排放数据, 利用空间滞后模型模拟了中国2000年和2013年的碳排放分布, 较好地揭示了碳排放强度时空格局, 但仍存在一些不足, 有待进一步研究.首先, CEAD的碳排放估算数据主要依据几种化石能源消费量估算得来, 实际上碳排放也会通过工业生产过程、土地利用等多种方式产生, 通过间接计算的方法获得的碳排放数据不可避免地会产生一定的误差.目前学界对于中国碳排放量的估计结果尚存在很大差异, 而且统计和估算结果难以落实到地级和更小的行政单元, 尽管本文采用了认可度较高的CEAD数据, 但模拟结果的准确性还需在较小的尺度上进行更多案例研究来校验.

其次, 本文只采用了被学界广为采用、且易于空间化和获得统计数据的5个因子, 未来可在保证数据精度的条件下, 引入更多影响因子, 使得模型模拟结果更加全面和准确.由于现阶段中国区域社会经济发展严重不平衡, 不同区域的碳排放数量、特点和影响因素也不尽相同, 同样的碳减排政策在实施过程中可能对不同区域产生完全不同的影响效果.下一步可通过构建联立方程等方式, 进一步探讨各因素与碳排放的双向反馈机制, 全面掌握碳排放强度的影响因素及影响机制.此外, 本文研究显示两个时点上NDVI均与碳排放强度正相关, 这与刘永伟等(2015)的研究结论一致, 尽管相关系数很小.这是因为没有考虑农业生产的碳排放, 还是其他原因所致, 尚需通过更多年份、更多尺度的案例加以观察分析.

最后, 研究方法上, 虽然本文实现了1 km格网的中国碳排放时空格局的模拟, 然而由于空间化需要对碳排放数据进行重新分配, 可能会导致格网自身的空间自相关性增加, 尽管这样的增加迎合了以省级为统计尺度的碳排放分布规律, 但会对模型的模拟结果产生一些影响.尝试对模型进行局部修正, 以便使结果更为准确, 应当是今后研究的重要方向.另外, 在空间权重矩阵的选择上, 本文采用空间邻接关系确定权重, 并未考虑区域间经济发展、贸易规模、人力水平和资本流动等对权重的影响, 如何科学地制定空间权重系数、估算距离影响系数等, 值得进一步研究.

碳排放的空间异质性是中国现阶段CO2排放的重要属性, 所以碳减排政策相应地也须因地制宜.各地区资源、环境、产业结构、人力、物质、生态等资本和社会发展水平差异致使碳排放空间分布格局发生变异.作为制定节能减排策略的主要依据, 碳排放量的科学估算及其空间分布可以帮助制定因地制宜的差别化减排措施.就全国范围而言, 未来东部发达地区应严格控制碳排放总量, 鉴于目前城市群集聚区域是东部碳排放主要来源的实际情况, 应控制好这些区域碳排放的溢出与发散效应, 借助区域合作, 促使城市群内部各节点城市进行分工合作, 实现资源最优组合, 强化碳排放强度对碳排放份额的发散效应.另外, 要从规划源头优化城市功能布局, 推进低碳城市建设, 达到区域碳平衡.随着东部产业向中西部转移速度的提升, 中部的内蒙古、安徽、山西等省区逐渐成为碳排放增加最为明显的区域, 必须严格限制碳排放的强度, 以能源、重工业为主的地区, 如呼包鄂榆地区、晋冀鲁豫交界地带、皖北、苏北等, 影响其碳排放强度的主导因素是能源结构及能源的利用效率, 因此, 碳减排策略必须将重点放在优化能源结构和引入高效利用能源的新技术上.而对于那些以技术密集型和劳动密集型产业、服务业、轻工业、旅游业等为主导产业的地区, 如武汉、中原城市群、安徽沿江地区、鄱阳湖周边、哈长、长株潭等, 其碳减排策略则应该聚焦于调整产业结构, 加速淘汰高耗能行业落后的生产能力及工艺装备, 提升升级改造传统高碳产业的力度, 重点鼓励以高新技术为代表的低能耗、低污染、技术密集型产业, 不断增强自主创新的能力, 以单位产值能耗持续下降为目标, 全力培育以低碳为核心的产业体.

西部地区目前总体的碳排放量较小, 但部分地区增幅明显, 如成渝地区、关中-天水城市群、滇中城市群、兰州-西宁城市群、天山北坡城市群、银川平原城市群、河西走廊部分工矿城市、贵阳等.西部地区应充分利用后发优势, 从源头上加强对地均碳排放强度和人均碳排放量的控制与监管, 大力发展水力、太阳能、风能等清洁能源, 稳步推进煤炭等高碳排放系数能源使用的降低, 大力开展新能源基础设施建设, 加强重点城市化地区碳排放的控制力度, 形成区域产业技术升级与产业结构优化的倒逼机制.还要紧密结合当地的自然环境特点, 以提供生产原料为主导产业, 大力发展特色农业、特色林业、特色旅游业, 提升自然生态系统对碳的吸收能力.此外, 未来的碳减排应遵循从区域到家庭再到个人、从宏观到中观再到微观的逐步协同、逐步精准的过程.将基于区域的战略与基于个人的碳减排政策措施相结合, 方能实现碳排放量减少的控制目标.碳排放空间相关很强的事实也提示我们在制定总体减排政策时, 应当分区域、分省域确定合理的碳减排目标, 尤其对相邻的省份须制定协同配合的碳减排计划.

6 结论(Conclusions)

1) 选择空间回归模型对中国碳排放量进行回归分析, 并对回归模型进行了优选, 发现最优空间回归模型的模拟结果与碳排放数据库数据的相对误差小于10%.与经典线性回归模型相比, 空间回归模型的模拟精度更高.

2) DMSP-OLS夜间灯光遥感数据、植被指数NDVI、地区生产总值、人口和工业总产值是碳排放的重要影响因素, 利用空间滞后回归模型获得了2000年和2013年1 km×1 km格网尺度的中国碳排放量, 弥补了传统碳排放统计行政区化、空间展示效果差、空间分辨率低等缺陷.

3) 中国碳排放的空间分布格局差异显著, 地均碳排放强度存在着空间俱乐部趋同的集聚现象, 呈现由东部地区向中西部地区逐渐递减的阶梯状区域分布差异.东部地区碳排放高值聚集区域多为面状分布, 区域之间碳排放的差异较小, 而在西部地区, 省会城市、工矿城市与农村地区碳排放量的差异显著.2013年的地均碳排放强度明显高于2000年, 且高值区的分布范围显著扩大, 低值区面积明显减少.

参考文献
曹子阳, 吴志峰, 匡耀求, 等. 2015. DMSP/OLS夜间灯光影像中国区域的校正及应用[J]. 地球信息科学学报, 2015, 17(9): 1092–1102.
崔琦, 杨军, 董琬璐, 等. 2016. 中国碳排放量估计结果及差异影响因素分析[J]. 中国人口·资源与环境, 2016, 26(2): 35–41.
Das M, Ghosh S K. 2017. Measuring Moran's I in a cost-efficient manner to describe a land-cover change pattern in large-scale remote sensing imagery[J]. IEEE Journal of Selected Topics in Applied Earth Observations & Remote Sensing, 99: 1–9.
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): 189–200. DOI:10.11849/zrzyxb.2014.02.001
Feng K, Hubacek K, Siu Y, et al. 2012. Analyzing drivers of regional carbon dioxide emissions for China[J]. Journal of Industrial Ecology, 16(4): 600–611. DOI:10.1111/j.1530-9290.2012.00494.x
郭忻怡, 闫庆武, 谭晓悦, 等. 2016. 基于DMSP/OLS与NDVI的江苏省碳排放空间分布模拟[J]. 世界地理研究, 2016, 25(4): 102–110.
Knegt H J, Langevelde F, Coughenour M B, et al. 2010. Spatial autocorrelation and the scaling of species-environment relationships[J]. Ecology, 91(8): 2455–2465. DOI:10.1890/09-1359.1
李翔, 陈振杰, 吴洁璇, 等. 2017. 基于夜间灯光数据和空间回归模型的城市常住人口格网化方法研究[J]. 地球信息科学报, 2017, 19(10): 1298–1305.
Lindner S, Zhu L, Guan D, et al. 2013a. CO2 Emissions from China's power sector at the province level:Consumption versus production perspectives[J]. Renewable and Sustainable Energy Reviews, 19: 164–172. DOI:10.1016/j.rser.2012.10.050
Lindner S, Legault J, Guan D. 2013b. Disaggregating the electricity sector of china's input-output table for improved environmental life-cycle assessment[J]. Economic Systems Research, 25(3): 300–320. DOI:10.1080/09535314.2012.746646
刘燕华, 葛全胜, 何凡能, 等. 2008. 应对国际CO2减排压力的途径及我国减排潜力分析[J]. 地理学报, 2008, 63(7): 675–682. DOI:10.11821/xb200807001
刘永伟, 闫庆武. 2015. 基于SLM模型的中国碳排放格网化空间分布模拟[J]. 地理与地理信息科学, 2015, 31(3): 76–80.
刘玉, 唐秀美, 潘瑜春, 等. 2016. 黄淮海地区县域粮食单产的空间溢出效应及影响因素分析[J]. 农业工程学报, 2016, 32(9): 299–307. DOI:10.11975/j.issn.1002-6819.2016.09.042
Liu Z, Guan D, Crawford-Brown D, et al. 2013. Energy policy:A low-carbon roadmap for China[J]. Nature, 500: 143–145. DOI:10.1038/500143a
Liu Z, Guan D, Wei W, et al. 2015. Reduced carbon emission estimates from fossil fuel combustion and cement production in China[J]. Nature, 524(7565): 335–338. DOI:10.1038/nature14677
Liu Z, He C, Zhang Q, et al. 2012. Extracting the dynamics of urban expansion in China using DMSP-OLS nighttime light data from 1992 to 2008[J]. Landscape & Urban Planning, 106(1): 62–72.
娄明华, 张会儒, 雷相东, 等. 2017. 基于空间自相关的天然蒙古栎阔叶混交林林木胸径-树高模型[J]. 林业科学, 2017, 53(6): 67–76. DOI:10.11707/j.1001-7488.20170608
马忠玉, 肖宏伟. 2017. 基于卫星夜间灯光数据的中国分省碳排放时空模拟[J]. 中国人口·资源与环境, 2017, 27(9): 143–150.
潘竟虎, 李俊峰. 2016. 基于夜间灯光影像的中国电力消耗量估算及时空动态[J]. 地理研究, 2016, 35(4): 627–638.
Shi K, Chen Y, Yu B, et al. 2016. Modeling spatiotemporal CO2 (carbon dioxide) emission dynamics in China from DMSP-OLS nighttime stable light data using panel data analysis[J]. Applied Energy, 168(4): 523–533.
苏泳娴, 陈修治, 叶玉瑶, 等. 2013. 基于夜间灯光数据的中国能源消费碳排放特征及机理[J]. 地理学报, 2013, 68(11): 1513–1526. DOI:10.11821/dlxb201311007
王雅楠, 赵涛. 2016. 基于GWR模型中国碳排放空间差异研究[J]. 中国人口·资源与环境, 2016, 26(2): 27–34.
吴玉鸣, 李建霞. 2008. 中国省域能源消费的空间计量经济分析[J]. 中国人口·资源与环境, 2008, 18(3): 93–98.
肖容, 李阳阳. 2013. 经济增长、城乡收入差距与碳排放的关系[J]. 西安财经学院学报, 2013, 26(1): 16–21.
颜艳梅, 王铮, 吴乐英, 等. 2016. 中国碳排放强度影响因素对区域差异的作用分析[J]. 环境科学学报, 2016, 36(9): 3436–3444.