全球变暖是当前世界各国所面临的巨大挑战之一，减少CO₂排放、推进低碳经济已成为世界各国的共识(Solomon et al., 2008；刘燕华等，2008).大多数学者认为温室效应加剧是全球变暖的一个最主要原因(Kleme et al.， 2009；Wang et al., 2014)，并且发现人类活动是加剧温室效应最主要的原因(Duro et al., 2006).能源消费、人口增加及经济快速增长，导致全球碳排放量急剧增加，是加剧全球气候变暖的主要驱动力.在这样的背景下，许多新的政策和观念应用而生，如“低碳经济”、“低碳产业”、“低碳发展”和“低碳生活”等(Wang et al., 2014；Duro et al., 2006).2007年以来，我国能源消费量和碳排放量均超越美国居世界第一，随着我国经济和城市化的快速发展，能源消耗与碳排放量将持续增加，必将使我国面临经济发展与碳减排的双重压力，也使我国将来在国际碳排放谈判中处于不利地位.2009年11月25日，国务院总理温家宝向全世界公布我国到2020年单位国内生产总值CO₂排放量较2005年下降40%~45%，并将其作为约束性指标纳入到国民经济和社会发展的长期规划中，这表明中国能源消费政策必须由强调能源效率向优化能源结构发生转变(程叶青等，2013).如何使经济增长与碳排放相协调发展，不仅是各级政府关注的重点，同时也是学术界关注的焦点.在碳排放影响因素的研究中，大多采用的是国内外学者提出的因素分解法，常见模型有LMDI(Ang，2003)、Kaya公式(Kaya，1990)、IPAT模型(Ehrlich et al., 1971)等，我国学者将上述模型引入到中国不同省份或全国进行了研究.从研究尺度来看，主要分为全国、省域、分区域或分行业，例如，赵云泰等(2011)利用ESDA技术分析了全国1997—2007年碳排放强度的空间格局变化；谭丹等(2008)对我国东、中、西三大区域的碳强度差异进行了分析；赵志耘等(2012)基于各行业部门的数据研究了2000—2009年间各驱动因素对我国碳排放量变化的影响；焦文献等(2012)研究了甘肃省能源消费的碳排放量变化及其影响因素.从研究方法来看，大多数采用传统的分解模型，如黄蕊等(2013)采用STIRPAT模型研究了重庆市能源消费碳排放影响因素；张彬等(2011)利用Kaya模型研究了影响中国省域碳排放的主要因素.在国内研究碳排放量影响因素方面，大多数学者基本采用传统的LMDI、Kaya、IPAT和STIRPAT等全局模型，而这些模型往往会掩盖各区域的空间差异，并且忽视了空间位置对碳排放的各种影响因素的重要性.根据Tobler(1970)地理学第一定律，任何事物或现象都存在相关性，并且这种相关性与事物间的距离有关，越临近的事物间相关性越高.

基于此，本文利用ESDA技术分析中国各省域1997—2012年能源消费碳排放量的时空格局演变特征，结合将空间特性纳入模型的GWR模型分析影响碳排放的因素，以期为国家和地方政府因地制宜的制定区域差异化的碳减排政策提供科学参考.

本着数据的可靠性、可获得性及方法科学性的原则，以中国22个省、4个直辖市和4个自治区为研究对象(为了下文描述方便，统一称为省区；西藏自治区、台湾省、香港和澳门特别行政区由于数据不全或统计口径不一致，不在研究范围内).本文计算碳排放量所用到的8种化石燃料的终端消费量数据来自于《中国能源统计年鉴(1998—2013)》，总人口、GDP、产业结构、煤炭消耗比重等影响碳排放量的各因子数据均来自于《中国统计年鉴(1998—2013)》或《中国能源统计年鉴(1998—2013)》.其中，GDP采用1997年不变价国内生产总值计算得到，各种化石能源的折标煤系数(国家统计局能源统计司，2013)分别为(均以标准煤计)：煤炭0.7143 t · t^-1、焦炭0.9714 t · t^-1、原油1.4286 t · t^-1、燃料油1.4286 t · t^-1、汽油1.4714 t · t^-1、煤油1.4714 t · t^-1、柴油1.4574 t · t^-1、天然气1.33×10^-3 t · m^-3.

目前，国内外计算碳排放量主要是依据联合国政府间气候变化专门委员会(IPCC)提出的碳排放量计算方法(IPCC，2008).该方法在国内被演化为两种模型，一种是通过将各种化石能源终端消费量根据折标煤系数折算成标准煤消费量，然后用换算后的标准煤消费量乘以各自的碳排放系数，最后相加即可得到总的碳排放量；另一种是根据各种化石能源的终端消费量的平均低位发热量与IPCC提供的各种化石能源的CO₂排放系数的乘积来计算总的碳排放量.虽然上述两种方法在形式上有所不同，但其原理与意义是相同的.本文选取第一种方法来计算化石能源的碳排放量，其计算公式(IPCC，2008)为：

本文参考借鉴力学原理，引入重心这一概念.重心又被称为加权平均中心，即研究区内特定时刻某一特定属性值在空间平面上力矩达到平衡的点.在研究实际问题的过程中，通常是利用空间对象的几何坐标不同从而赋予不同的权重，将各个对象的属性值(产值、人口等)加权求取平均中心并比较结果，从而分析研究对象的区域空间格局差异.其计算公式为(陆张维等，2013)：

本文采用基于GIS技术平台的空间探索性分析手段(ESDA)，包括全局Moran′s I指数和局域Moran′s I指数(LISA).ESDA是利用统计学原理和图形及图表等相互结合对空间信息的性质进行分析、鉴别的一种“数据驱动”方法(高凯等，2010；马荣华等，2007；Sridharan et al., 2007).其中，全局空间自相关主要用来分析区域总体的空间关联和空间差异程度.全局Moran′s I指数通常用来表征全局空间自相关统计量的估计(马荣华等，2007)，全局Moran′I指数的取值范围为〖-1，1〗，正值表示能源消费碳排放量较高(或较低)的区域在空间上显著集聚，负值则表明区域能源消费碳排放量与其周边省份的能源消费碳排放量具有显著的空间差异，全局Moran′I越趋近于1，总体的空间差异越小，否则空间差异越大.Anselin 提出局部空间自相关的方法来衡量某一区域与周边之间的空间差异程度及显著性，并结合Moran散点图或局部空间自相关(Local Indicators of Spatial Association，LISA)集聚图等形式研究空间分布规律.在指定的显著性水平下，局部Moran′s I大于0表明存在正的局部空间自相关，相似值发生集聚；否则表明存在负的局部空间自相关，不相似的值发生集聚.上述两个指数的计算公式见参考文献(Anselin et al., 2006).利用ArcGIS 9.3软件平台提供的G^*_i指数计算在不同空间位置上某一属性值的高值和低值的聚集情况.由于篇幅所限，其计算公式参见文献(Anselin，1999).

利用地理加权回归(GWR)模型对中国省域碳排放量进行空间回归分析，其模型如下：①如果区域碳排放量的影响因素的所有回归参数不会随着空间地理位置的改变而变化，则可以利用的模型为最小二乘法(OLS)全局空间回归模型，计算公式(徐建华，2010)见式(3)；②地理加权回归模型(GWR)充分考虑了影响因素变量的空间位置，允许局部回归的参数估计值，对OLS模型进行了改进与加工，公式(徐建华，2010)见式(4).

本文以各省份1997—2012年每年的碳排放量为权重，计算出每一年的碳排放量重心，以期挖掘出碳排放量的空间结构特征及其变动情况.中国省域碳排放量1997年的重心在安阳市滑县，2000年的重心移动到了新乡市长垣县，2005年的重心在新乡市封丘县，2010年的重心移动到了新乡市原阳县，而2012年的重心在新乡市新乡县，将上述几个重心点用平滑曲线连接起来，可以发现碳排放量的轨迹基本是沿着顺时针方向旋转了180°(图 1).从整体来看，碳排放量的重心转移趋势是向西移动的，按照年均移动距离来算，碳排放量移动的距离在逐渐扩大.上述结果表明，西部地区省份的碳排放量增加速度要高于全国其他省份.

图 1(Fig.1)

图 1 1997—2012中国省域碳排放量重心转移情况 Fig.1 Gravity center migration of carbon emission in provinces of China from 1997 to 2012

本文首先根据Rook标准和Queen标准的各阶空间权重矩阵，计算了中国各省份能源消费碳排放量的全局Moran′s I指数，得出基于Queen标准的一阶空间权重矩阵计算得到的全局Moran′s I指数最大，因此，本文在后期利用Geoda 095i软件的计算过程中均采用了Queen标准的一阶空间权重矩阵.然后利用Geoda 095i软件的空间分析功能，对全国30个省份1997—2012年的碳排放量进行全局空间自相关分析，计算出各年份的全局Moran′I指数(表 1).

表 1(Table 1)

表 1 1997—2012年各省份碳排放量全局Moran′I指数 Table 1 Global Moran′I of carbon emission in provinces of China from 1997 to 2012

表 1 1997—2012年各省份碳排放量全局Moran′I指数 Table 1 Global Moran′I of carbon emission in provinces of China from 1997 to 2012 年份 1997年 1998年 1999年 2000年 2001年 2002年 2003年 2004年 Moran′s I 0.2693 0.2547 0.2961 0.2918 0.3012 0.2787 0.2475 0.2742 年份 2005年 2006年 2007年 2008年 2009年 2010年 2011年 2012年 Moran′s I 0.2963 0.2736 0.2724 0.2709 0.2593 0.2677 0.2599 0.2410

由表 1可知，1997—2012年间，全国省域碳排放量之间存在着空间正相关关系，这种空间正相关关系在整体上呈现出先增大后减小的趋势.该趋势表明：自1997年来，全国碳排放量的空间集聚特性在不断增强，到2001年达到了最高值0.3012.从2002年以后，基本呈现出持续下降的趋势，唯独2005年出现了一个高值区，表明省域碳排放量的空间集聚水平整体在下降，也从侧面说明全国的碳减排过程中，各个省份之间的碳排放量总体差异在逐渐缩小.

为了进一步表达各省份碳排放量在空间位置上的相互关联关系，本文选取1997、2000、2010和2012年作为样本年份，根据样本年份各省份与其周围相邻省域的空间关系，在5%显著性水平下，把各个省份单元划归为以下4类(图 2)：①高-高：各省份自身与相邻省份碳排放量均较高，二者呈现出正相关关联特征；②低-低：各省份自身与相邻省份碳排放量均较低，二者呈显著正相关关联；③低-高：各省份自身碳排放量较低，而相邻省份碳排放量较高，空间上表现出中心较低而四周较高的负相关关联特征；④高-低：各省份自身碳排放量较高，而相邻省份碳排放量较低，二者负相关关联特征显著，空间上表现为中心较高而四周较低的关联特征.由图 2可知，中国省域碳排放量表现出不均衡的发展格局，多数碳排放量高的省份与其他碳排放量高的省份相邻，碳排放低的省份与碳排放量低的省份相邻.全国省域碳排放量的高-高区域主要集中在山东、河南、河北、江苏和辽宁的环渤海地区.尤其是山东省，1997—2012年间，山东省都是全国唯一一个始终处于碳排放量高-高区域的省份，主要原因是山东省是一个工业大省，并且是全国人口第二大省，产业结构属于偏重工业型，石化、油田、钢铁及居民消耗导致山东省碳排量处在高-高区域也符合实际情况.除山东以外，河南、河北和辽宁等省份的能源资源都较为丰富，并且都属于重要的能源基地，随着工业化和城市化的快速发展及经济的持续增长，这些省份的能源生产已经不能满足能源消耗，加之这些省份属于重工业基地，碳排放量主要集中在工业碳排放和居民生活耗能方面.全国省域碳排放量的低-低区域重要集中在西北地区，以新疆、青海和甘肃为代表省份.1997—2012年稳定的碳排放量低-低省份主要是新疆和青海，甘肃省只有在2000年处在低-低区域.就西北地区整体而言，除了极个别城市外，其他地区资源都不是特别丰富.随着西部大开发战略的实施及经济的发展，碳排放量虽然从1997—2012年有所增加，但其碳排放量与东部地区相比，差距还是非常大.全国省域碳排放量的低-高区域主要为北京市和天津市，内蒙古自治区在2000年也短暂的处在低-高区域.主要原因是北京、天津本身是我国的直辖市，虽然经济发展水平较高、人口密度较大，但相比其他省份，其基数较小，并且这两个直辖市的经济并非依靠以工业为主的第二产业，第三产业才是主导这两个城市经济快速增长的主要原因.1997年北京市和天津市第三产业所占比重分别为54.5%和42.1%(国家统计局，2013)，而到了2012年，所占比重分别达到了76.5%和47%，这力证了第三产业才是推动这两个城市经济快速发展的主要动因.另一个原因是：北京和天津被河北省所包围，河北省又是国内首屈一指的碳排放大省，从而与北京和天津形成鲜明对比，从侧面推进“京津”地区朝着碳排放量的低-高区发展.省域碳排放量的高-低区在1997年和2000年都有一个省份，即广东省.但在2010年和2012年全国已没有了碳排放量的高-低区，这表明我国各省份能源消费碳排放量差距正在逐步缩小.

图 2(Fig.2)

图 2 1997—2012中国省域碳排放量的LISA集聚图(图审字(2015)第0600号) Fig.2 LISA cluster map of carbon emission in provinces of China from 1997 to 2012

利用热点分析可以在全局空间自相关的基础上进一步侦测出指标属性在空间集聚的明显位置和区域相关程度，寻找哪些省份对于全局自相关的贡献值更高，并且可以揭示全局Moran′s I指数的空间自相关在何种程度上掩盖了局部的不稳定性.本文计算了1997、2000、2010和2012年全国各省份碳排放量的区域空间相互关联系数G^*_i，并利用ArcGIS 9.3软件将所得结果进行空间化.按照Jenks最佳自然断裂法(徐建华，2010)分别对4个年份的局域G^*_i统计值进行空间聚类，按照G^*_i统计值数值大小依次划分为冷点、次冷点、次热点和热点区，由此得到了省域碳排放量空间格局热点演变图(图 3).相比图 2，图 3对于碳排放量的集聚状态反映的更加明显.从整体来看，中国省域碳排放量的冷热点格局并未发生实质性的转变，没有打破东北高-西南低的态势，但在局部省份，各类型的转化还是较为明显的.从1997年到2000年，碳排放量变化的态势是热点被压缩，如内蒙古自治区、黑龙江、安徽都由热点区转为次热点区，宁夏回族自治区由次热点区转化为次冷点区，甘肃和重庆由次冷点区转为冷点区，上述这些省份的碳排放量有减小的趋势；2000—2010年，碳排放量整体又表现出上升的趋势，内蒙古、安徽由次热点区转为热点区，宁夏由次冷点区转为次热点区，这3个省份的碳排放量有升高趋势，只有黑龙江省由次热点区转为次冷点区；2010—2012年，省域碳排放量的冷热格局已基本稳定成型，只有安徽一个省份发生了变化，从热点区转为次热点区.从1997年到2012年碳排放量的整体格局变化来看，表现出冷点扩张、热点被压缩，这表明我国各省份能源消费碳排放量差距在逐步被缩小.

图 3(Fig.3)

图 3 1997—2012年全国省域碳排放量的空间格局热点演化(图审字(2015)第0600号) Fig.3 Evolution of spatial pattern in hotspot areas of carbon emission in provinces of China from 1997 to 2012

利用ArcGIS 9.3提供的空间自相关工具(Spatial Autocorrelation)对1997、2000、2010和2012年碳排放量平均值进行计算，得出其Moran′s I指数为0.2675，说明中国省域碳排放量在空间上并不是随机分布的，而是存在着空间自相关性，且表现出较为显著的空间集聚特征，这为利用GWR模型解释我国各省份能源消费碳排放量的影响因素提供了可能.

本文以中国省域能源消费碳排放量为因变量，通过共线性检验等方法，选择了人均GDP、总人口、煤炭消耗比重(煤炭消费量/能源消费总量)、人口老龄化率(主要是指65岁以上人口占总人口数的比重，2000年和2010年老龄化率以当年人口普查数据获得，1997年和2012年的老龄化率根据当年抽样调查的65岁以上人口占总抽样调查人数的比重获得)、第二产业比重及全社会固定资产投资等6个指标作为GWR模型回归分析的解释变量.为了避免某个时间截面上数据的误差，将上述各年份的6个指标求取平均值进行回归分析.首先，利用ArcGIS 9.3软件提供的最小二乘法(OLS)模型对省域能源消费碳排放量进行了全局回归分析，得到了人均GDP的固定系数为0.4588，总人口的固定系数为0.8563，煤炭消耗比重的固定系数为0.4509，全社会固定资产投资的固定系数为0.4136，人口老龄化的固定系数为-0.0694，第二产业比重的固定系数为0.1532，表明这6个解释变量中除了人口老龄化外其他因素对碳排放量均存在着正相关关系，同时还得到OLS回归模型的R²为0.7126，Adjusted R²为0.6424，AICc值为61.4303.利用地理加权回归模型(GWR)得出的R²为0.8391，Adjusted R²为0.7483，AICc值为51.6308.并且将OLS和GWR模型模拟结果的残差进行了空间自相关检验，其Moran′s I指数分别为0.0098和0.0031，表明GWR的残差自相关性比OLS的更小.由R²值可知，GWR的模拟结果比OLS的结果更加合理，并且GWR模型的AICc值与OLS的AICc值差距大于3(Akaike，1974)，再次证明GWR的拟合结果优于OLS.

从全国省域碳排放量的局部系数(图 4)来看，6个解释变量在各个省份的参数估计的结果均各不相同，除了人口老龄化有负值外，其余指标的回归系数均为正，表明各个解释变量对省域碳排放量的影响存在空间差异，在6个解释变量中，它们对碳排放量的影响程度由大到小依次为：总人口>人均GDP>煤炭消耗所占比重>全社会固定资产投资>第二产业比重>人口老龄化率.图 4中总人口回归系数表现出北高南低的特征，并且在几个解释变量中，总人口对碳排放的影响最为显著而且呈现出明显的正相关特性，表明人口增加是全国省域碳排放量增强的最主要原因.从回归系数的值可以看出，总人口在不同省份对碳排放量的影响程度不同，其中，人口增加对碳排放量影响最敏感的省域为黑龙江省，在黑龙江省，每当总人口数目改变1%，与之相对应的碳排放量就改变1.18%;人口对碳排放量影响最小的省份为海南省.人均GDP对碳排放量的影响也呈现出较为显著的正相关，相比总人口对各省份碳排量的影响，人均GDP对碳排放量的影响没有总人口显著，但依旧呈现出了与总人口相似的北高南低的态势.人均GDP对碳排放量影响最为敏感的省份为新疆，并向东南部逐渐减弱，人均GDP对碳排放量回归系数最小的省集中分布在华南地区及华东地区的福建省.新疆的人均GDP回归系数最高，达到了0.6047，其原因主要是国家自2000年以来实施西部大开发政策，新疆作为重点发展省份，经济迅速增长，人均GDP也快速增长.煤炭消耗比重对各省域碳排放量的影响仅次于总人口和人均GDP.煤炭消耗比重与碳排量之间也呈现出较为显著的空间正相关关系，表明煤炭消耗比重的提高会增加碳排放量，而且煤炭消耗比重对碳排放量增加的影响的区域差异也十分明显.煤炭消耗比重对碳排放量影响的敏感区域集中分布于东北三省，主要原因是东北地区能源资源比较丰富，而且自1997年始，一直处在快速工业化的进程中，必然使生产单位GDP所需的能源消耗增加，这也导致东北三省碳减排压力持续增大.从东北三省由东向西、从北向南，煤炭消耗比重对碳排放量的影响在逐渐缩小，煤炭消耗比重回归系数最小值集中分布在华南地区的贵州、广西和海南及西南地区的云南和西北地区的新疆，表明这些区域煤炭资源所占比重对能源 消耗的影响较小.全社会固定资产投资对能源消费碳排放量的影响趋势与煤炭消耗比重的影响趋势除贵州省和广西自治区外一模一样，表明全社会固定资产投资的增加同样也会促进碳排放量的增长.沿海地带固定资产投资的回归系数普遍较高，这些省份可以吸引很多投资者进行投资开发，势必会增加对能源与人力的消耗，从侧面助推碳排放量的增长，这些地区也是碳排放量需要控制的敏感区域.与前4个影响因素相比，第二产业比重虽然对碳排放量也表现出正相关关系，但回归系数明显减小.第二产业比重在空间上呈现出从东北到西南依次递减的趋势，回归系数最高的区域依然在东北老工业基地区域，这些地区自改革开发以来，一直靠快速推进工业化进程来带动经济发展，从而导致这些地区整体的回归系数普遍较高.就全国角度而言，第二产业比重回归系数较低，表明第二产业已不是造成碳排放量的主要原因.人口老龄化率是唯一一个对碳排放量起抑制作用的解释变量.人口老龄化回归系数值最低的省份为新疆，自西向东，回归系数依次增大.分析其原因，主要是随着老龄化程度的加深，老龄化人口对消费的抑制作用比较明显，从而导致老龄化水平的提升带来碳排放量的降低.新疆与东部沿海地区相比，城镇化率较低，农村老人不存在退休这一说法，老人不得不从事以前的工作，从而使农村老人在医疗和保健等方面的消费持续增大，带来的效应就是碳排放量的增加，而东部沿海地区由于老人要退休，所以不存在上述问题.

图 4(Fig.4)

图 4 1997—2012年中国省域碳排放的GWR模型回归系数空间分布(图审字(2015)第0600号) Fig.4 Spatial distribution of regression coefficients of carbon emission in provinces of China from 1997 to 2012

将碳排放量按照一定的标准划分，可以将全国的各个省份划分为不同的碳排放区，根据划分的碳排放区可以横向比较各省区的碳排放量及在时间尺度上纵向比较碳排放群的空间转变.参考张雷等(2010)对国内省域碳排放量的划分标准对各个省份进行了划分，划分标准为：

第一类：年碳排放量规模超过1×10⁸ t，则该省份为超重碳排放型；第二类：年碳排放量规模为3×10⁷ ~9.999×10⁷ t，则该省份为重碳排放型；第三类：年碳排放量规模为1×10⁷ ~2.999×10⁷ t，则该省份为一般碳排放型；第四类：年碳排放量规模为小于1×10⁷ t，则该省份为轻碳排放型.

由图 5可知，从1997—2012年，中国各省区间的碳排放量空间格局发生了显著变化.1997年，全国没有一个省份属于超重碳排放量省区，有17 个省份属于碳排放量重型排放区，这些省份主要分布在东北、华北、华中和华东地区，而轻型碳排放量省份只有3个，分别为宁夏、青海和海南；从1997年到2000年，碳排放量的格局未发生显著改变，只有湖南省发生显著变化，其碳排放量有所减小，从1997年的3.329×10⁷ t减小到2000年2.765×10⁷ t；从2000年开始，中国进入了快速工业化时代，随之而来的是碳排放量的空间格局也发生了质的改变，到2010年，中国已没有轻型碳排放量的省区，一般型碳排放量省区也被挤压的只剩下青海和海南，有10个省份步入了超重型碳排放区，分别为湖北、浙江、 广东、内蒙古、河南、江苏、辽宁、山西、河北和山东(按照碳排放量由小到大依次排列)，并且在空间分布上全部位于我国东北部和东部沿海省份；从2010年到2012年，超重型碳排放区又加入了两位新成员，分别为新疆和黑龙江，新疆也成为了西部地区唯一一个超重型排放区的省份.从整体来看，我国各省份碳排放总量在不约而同的持续增长，这使中国在与其他各国在碳减排谈判中处于不利地位，所以各省份必须强力实施减排政策.

图 5(Fig.5)

图 5 1997—2012年中国各省域碳排放量的时空变化(图审字(2015)第0600号) Fig.5 Spatial and temporal variation of carbon emission in provinces of China from 1997 to 2012

本研究根据IPCC提出的碳排放量模型计算了各个省份的化石能源消费的碳排放量，并初步探讨了省域碳排放量的空间区域格局、影响因素及碳排放区的划分.但碳排放量不仅仅只是由化石能源消费导致的，加之受数据获取所限，现在研究只能以省份为单元进行测度，很难细化到地级市单元，这在以后需要深入进行研究.中国各区域所处的经济发展阶段、产业结构、资源禀赋等方面存在差异，东西发展差异明显，不同地区节能减排技术和管理经验存在差异，同时东部地区“三高”产业加速向中西部地区转移，中西部地区面临更大的经济发展压力，尤其是内蒙古、宁夏、新疆等煤化工高耗能项目集中的地区.本文定量揭示了总人口、能源消费结构和人均GDP对碳排放量有正相关效应，这就不得不考虑难道继续要牺牲环境来拉动经济增长？虽然经济增长对能源消费而言是刚性需求，为保证经济持续增长并对环境带来较小压力，就不得不促进经济和产业结构的实质性转型，从而实现经济增长与环境保护相协调发展.首先政府进行宏观调控，依据各省份经济发展程度和产业结构特征，因地制宜的制定碳减排政策.其次，对于化石能源消费依赖程度比较高的省份，应该加快优化产业结构的步伐，推进清洁能源的生产和使用.本文选择碳排放量的影响因素较少，其他影响因素有待进一步研究，但不影响本文结论的参考价值.

本文利用1997—2012年中国能源统计年鉴和中国统计年鉴，结合IPCC提出的碳排放量计算公式，测算了中国各省份每年的碳排放量，并根据计算结果将中国省份划分了4个碳排放区.利用ESDA技术分析了中国省域碳排放量的相关性、热点区及集聚特性，运用GWR模型分析了总人口、人均GDP、能源消费结构、第二产业比重和人口老龄化率等因素对省域能源消费碳排放量的影响.结果表明：碳排放量存在较为显著的空间正相关，自相关在整体上表现出先增大后减小的趋势；碳排放量的冷热点格局表现出冷点扩张、热点被压缩的趋势；影响碳排放量的5个因素的影响程度由大到小依次为：总人口>人均GDP>煤炭消耗比重>全社会固定资产投资>第二产业比重>人口老龄化率，在这几个因素中，只有人口老龄化率表现出负相关性；省域碳排放量的空间格局发生显著变化，2012年已有13个省份属于超重型碳排放区，占了研究省份的43%.