随着全球经济的快速增长，工业化和城镇化的加速推进，全球温室气体排放量持续增加.据IPCC第四次评估报告指出，过去的50年间全球平均气温升高，90%以上与人类燃烧化石燃料排放的温室气体有关(IPCC，2006).其中，CO₂作为重要的温室气体之一，在气候变暖过程中，至少66%以上的温室气体与人类活动排放的CO₂有关(王少剑等，2015).荷兰环境评估署于2008年6月17日发布CO₂排放量报告，中国已成为世界上最大的碳排放国家，约占据了全球总量的24%(舒娱琴，2012)，这导致我国政府在与其他国家在能源消费方面的谈判中处于极不利的地位.为了使各国在未来的国际碳排放谈判中处于有利地位，全球都在积极制定碳减排政策，以期降低碳排放水平(胡艳兴等，2015).从中国应对气候变化的政策与行动(2011)中可以得知，中国政府在“十一五”规划中提出了到2010年全国各省的单位GDP能耗(能源强度)要平均降低20%，并且承诺到2020年，单位GDP碳排放强度要比2005年下降40%~50%；“十二五”规划中则要求2015年实现能源强度下降16%等多个减排目标，可见中国政府在减缓全球气候变暖进程中将发挥重要作用(Cheng et al.，2014；程叶青等，2013).“十一五”期间，中国加快转变经济发展方式，通过调整优化产业结构和能源结构、节约能源提高能效、增加碳汇等多种途径控制温室气体排放，取得了显著成效.从中美气候变化联合声明中可以发现，中国预计到2030年左右二氧化碳排放达到峰值，并计划到2030年非化石能源占一次能源消费的比重提高到20%左右(郭朝先，2014).

在2030 年左右碳排放量达到峰值前，如何保持经济平稳快速增长的同时，又有效降低能源消费的碳排放量，是需要解决的关键问题.因此，探寻一条低碳发展道路，不仅是国家及各级政府关注的热点问题，也是学术界关注的焦点.近年来，国内学者对中国能源消费的碳排放研究较多，从内容来看，大多数研究还是集中在时间断面上进行碳排放研究(赵云泰等，2011)；从方法来看，大多采用普通线性回归模型进行碳排放的影响因素分析(邓吉祥等，2014)，少有采用空间手段的.综述前人的研究成果，主要有两个方面的缺陷，其一是大多数研究只从时间断面上去分析我国各省份能源消费碳排放的特征，忽略了时间的连续性；其二，研究偏向于采用普通线性回归模型.为了弥补上述两个缺陷，本文采用自然正交函数(EOF，Empirical Orthogonal Function)去解决利用探索性分析工具(ESDA，Exploratory Spatial Data Analysis)只能解决时间断面数据的不足，从而初步探讨我国能源消费碳排放连续的长时间序列的空间演化过程(Martinez et al.，2013; Yang et al.，2010)；再者，本文在参阅大量文献的基础上，采用频度统计法筛选出国内学者研究得出的影响碳排放最主要的几大因素，依据Tobler(1970)的地理学第一定律，采用地理加权回归(GWR，Geographically Weighted Regresion)模型将空间特性要素纳入进行分析(Wang et al.，2014；白景峰等，2014；胡艳兴等，2015)，从而将这些因素的空间分异展现出来.本文基于空间计量地理视角，对中国省域能源消费碳排放量的时空演化特征及影响碳排放量的因素进行驱动力分析，以期为国家和各省份政府制定区域差异的碳减排政策提供科学参考依据.

本文以中国22个省份、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，其中，西藏自治区、台湾、香港和澳门特别行政区由于数据不全或统计口径不一致，不在本研究范围之内).本文计算碳排放量(下文如没有特殊说明，文中碳排放量均指能源消费碳排放量，且文中所指的能源不含作为原料的能源)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)》，碳排放量影响因素统计数据来自《中国统计年鉴(1998—2013)》或《中国能源统计年鉴(1998—2013)》.其中，各年份GDP采用1997年不变价国内生产总值换算得到，各种化石能源的折标煤系数(单位均以标煤计)分别为(国家统计局工业交通统计司、国家发展和改革委员会能源局，2013)：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和天然气1.33×10^-3 t·m^-3.

国内外学者普遍采用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来计算化石能源消费的碳排放量.该方法的原理是通过将各种化石能源终端消费量根据折标煤系数折算为标准煤消费量，然后利用换算后的标准煤消费量乘以碳排放系数，最后相加求得碳排放量，特别需要指出的是，本文所提到的碳排放仅仅指终端能源消费碳排放.计算公式(IPCC，2006)为：

式中，CT为各类能源消费的碳排放总量(t)；EN_i为第i类能源经过折算后的标准煤消费量(t)；EF_i为第i类能源的碳排放系数；i表示能源种类数目.各类能源的碳排放系数均来自于IPCC的碳排放计算指南缺省值，并经过计算得到.本文采用的各类能源的碳排放系数依次为(IPCC，2006)：煤炭0.7559、焦炭0.8556、原油0.5860、汽油0.5538、煤油0.5743、柴油0.5918、燃料油0.6182和天然气0.4483.

参考国内已有划分碳排放分级标准的研究(张雷等，2010；胡艳兴等，2015)，定义碳排放变动指数，即碳排放末期与基期的差值和碳排放基期值比值.由于计算得出的碳排放指数值多集中分布于1~4之间，只有极个别省份碳排放变动指数为小于1或大于4，故本文在参考上述学者研究基础上，采用以下分级标准：将碳排放变动值<1定为碳排放稳定区域，将碳排放变动值在1~2之间定为碳排放基本稳定区域，将碳排放变动值在2~3之间定为碳排放增长区域，将碳排放变动值在3~4之间定为碳排放快速增长区域，将碳排放变动值>4定为碳排放飞速增长区域.

探索性空间分析方法(ESDA)中空间自相关包括全局和局域Moran′s I指数(Anselin，1999)，本文引入全局Moran′s I指数以探测中国各省域碳排放量的空间变化特征.公式为：

由于篇幅所限，式中各指数的含义参见文献(Anselin，1999).全局Moran′s I指数的取值范围在-1~1之间，正值表示碳排放量高(或低)的省份在空间上表现出明显的集聚特性，负值表示各省份与周围相邻省份的碳排放量具有显著的空间差异.当全局Moran′s I指数越趋近于1时，碳排放量的总体差异越小，否则空间差异越大.

自然正交函数(EOF)，也称特征向量分析、主成分分析或经验正交函数，通常用来分析研究区某一变量的时空变化特性.利用EOF方法正交展开后，其特征向量表示的是空间样本，即空间模态；主成分代表的是时间变化，也称为时间系数.因此，地学中通常将EOF分析称为时空分解(Bjornsson et al.，1977; Monahan et al.，2009; Sanjeev et al.，2007；白景锋等，2014).

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)为：

式中，Y_i为因变量，α₀为回归常数，ε_i是随机误差，n为研究省份总个数，x_ij为自变量，(S_i，T_i)是第i个省份的空间地理位置坐标(作为地理加权)；α_j(S_i，T_i)为第i个省份上的第k个回归参数，是地理位置函数; α_j随着区位的变化而变化.根据地理加权回归模型理论和计算方法，运用GWR研究碳排放量的具体思路为：先对各个省份的碳排放量的空间结构特征进行检验，以消除基础数据的空间不稳定性；其次是选择核函数，构建核函数的最关键问题是如何选择最优带宽.本文利用Fotheringham等(2000)提出的AIC(赤池信息准则)来确定最优带宽，然后构建中国省域碳排放量的GWR模型进行模拟，并根据模拟和模型检验结果进行分析讨论.运用GWR模型研究中国省域碳排放量的区域差异及其驱动因子，可以将数据的空间特性纳入模型中，更加客观实际地探测数据的空间非平稳性.

由图 1可知，在研究期内，处于基本稳定和增长类型的省份最多，分别为12个和8个，表明我国省域碳排放量整体上处于增长状态，但其增长速度有减缓趋势，同时也从侧面反映了我国在碳减排进程中取得了一定的绩效.我国省域碳排放稳定的省份为北京市和上海市，主要原因是：首先北京市产业优化调整、第三产业比重不断提升(李云燕等，2014)，带动该地区产业碳排放绩效提升.其次是自2008年后，诸如首钢等重碳排放企业迁出北京，这一举措也从一定程度上减缓了北京市能源消费的碳排放增长速度.上海市碳排放量增长速率较慢的原因主要与上海市产业结构调整的步伐和产业发展速度有关，主要是集中体现在外延性经济增长模式向内涵型经济增长模式转变的速度(赵敏等，2009).内蒙古自治区和宁夏回族自治区是我国西部重要的煤炭储备基地，随着近年来能源(主要是煤炭和电力)工业的快速发展，以高耗能为主的重化工、冶炼等产业得以加快成长并逐渐成为区域发展的支柱产业，碳排放量逐年加大，这些区域的经济水平虽然靠这些高耗能的产业有所提高，但其碳排放强度也在持续提高，因此，这些省份是国家在制定碳减排政策时需要重点考虑的省份，不能以破坏环境或大量消耗能源来换取区域经济的飞速发展.值得注意的是，海南省亦属于碳排放飞速增长的区域，这可能与其本身碳排放基数较小有关，需引起重视.

图 1(Figure 1)

图 1 1997—2012年中国省域碳排放量变动(国审字(2015)第3584号) Fig. 1 Change of carbon emission of every province in China from 1997 to 2012

本文基于Queen标准的一阶空间权重矩阵，利用GeoDa 095i软件的空间分析功能，对全国1997—2012年30个省份的碳排放量进行全局空间自相关分析，得出各年份的全局Moran′s I指数(图 2).由图 2可知，1997—2012年，中国省域能源消费碳排放量的全局Moran′s I指数都是正值，表明碳排放量具有高值集聚和低值集聚的空间特性.1997—2003年间，Moran′s I指数处于波动状态，表现出先增大后减小的趋势，在2003年达到了研究段内的最低值0.2475，表明在2003年各区域的集聚现象最不明显.2003—2005年碳排放量的全局Moran′s I指数持续走高，2005年达到了最高值0.2963.从2005年后，Moran′s I指数表现出持续下降的态势，各省份能源消费碳排放量的空间集聚特性减弱，具有明显的溢出效应，各省份碳排放量的总体空间差异有所扩大.Moran′s I指数虽然自2005年后呈现出持续下降趋势，但直到2012年其值才小于2003年的值.

图 2(Figure 2)

图 2 1997—2012年各省份碳排放量的全局Moran′s I指数 Fig. 2 Global Moran′s I of carbon emissions from every province in China from 1997 to 2012

利用各省份1997—2012年的碳排放量面板数据的标准化矩阵进行EOF展开分析，EOF展开的特征向量表示各省份碳排放量的空间分布.所有特征向量场的极大值中心是碳排放量增大或减小异常变化的最敏感区域.此外，特征向量之间互相正交，第一模态的特征向量反映碳排放量距平的平均状态，其余模态的特征向量则反映不同尺度碳排放量距平的变化状态，与特征向量对应的时间系数则是特征向量的权重，反映了不同年份对这种空间分布贡献的大小(白景峰等，2014).全国各省份碳排放量的特征向量收敛性较快，其中，前2个特征向量的累积方差贡献率分别为79.62%和85.24%，因此，可以用前2个特征向量来表示碳排放量的时空结构.

EOF第一模态的方差贡献率为79.62%，EOF第一模态反映了各省份碳排放量的总体空间分布特征(图 3a).第一模态的特征向量值有正有负，极大值出现在四川省，并且四川省周围各省份其值也相对较高.碳排放量以四川省为中心向南北方向扩散，低值区集中分布在西北地区和珠三角地区.

图 3(Figure 3)

图 3 中国省域碳排放量的EOF第一模态空间分布(a. 国审字(2015)第3584号)及其对应的标准化时间系数序列(b) Fig. 3 Spatial distribution of the first EOF mode(a) and its time coefficient(b) of carbon emission of every province in China from 1997 to 2012

第一模态反映了中国省域碳排放量增长的空间年代变化.碳排放量第一模态的时间系数(图 3b)呈现出明显的变化特征.时间系数从1997—2004年均是负值，并且时间系数的绝对值持续减小，表明1997年这类碳排放量的空间分布最为典型.这一时期东北老工业基地及中部地区碳排放量增长速度较快，而西北地区及东南沿海地带省份碳排放量增长速度相对缓慢.从2005年开始，时间系数全为正值，且绝对值在不断增大.这一时期西北地区及东南地区碳排放增长速度增大，而四川省毗邻省份碳排放量增长速度有所减缓.

第二模态的方差贡献率为5.62%.从图 4可知，碳排放量增长速度表现出西南地区和东南沿海地区较快，而夹在这两个区域中间省份碳排放量增长速度较慢的态势.与第一模态相比，这一模态的负值省份相对较多.除了珠三角地区和西南地区有2个正值中心外，其余省份基本全为负值，占了研究省份的60%以上.

图 4(Figure 4)

图 4 中国省域碳排放量的EOF第二模态空间分布(a. 国审字(2015)第3584号)及其对应的标准化时间系数序列(b) Fig. 4 Spatial distribution of the second EOF mode(a) and its time coefficient(b) of carbon emission of every province in China from 1997 to 2012

第二模态的时间系数相比第一模态更具有年际变化特征，2002年以前时间系数为负，2002—2010年间，时间系数为正，而2011和2012年的时间系数为负，且其绝对值变化幅度非常大.第二模态的时间系数反映了中国省域碳排放量的年际异常特征.如在东北老工业基地实施碳减排政策的过程中，新疆维吾尔自治区却表现出碳排放量飞速增长的异动.北京市和上海市在全国各省份碳排放量增长加速的时候，却表现出碳排放量增长速度放慢的异动.

由图 2可知，中国省域碳排放量之间存在着空间自相关特性，并不是随机分布的，说明可以利用GWR模型来揭示碳排放量影响因素的空间分布状况.结合已有学者的研究(程叶青等，2013；邓吉祥等，2014；胡艳兴等，2015；王少剑等，2015；Wang et al.，2014)，把1997年和2012年的截面数据相减，计算相关指标的变化.采用频度统计法，选取可能对碳排放量有影响的因素，分别为人均GDP变化量、总人口变化量、能源消耗强度(煤炭消费量/能源消费总量)变化量、人口老龄化率(65岁以上人口占总人口数的比重)变化量、第二产业比重变化量、城镇化率变化量和贸易开放程度(进出口总额占地区生产总值的比重)变化量.

首先利用标准差标准化方法将各项指标进行标准化处理，然后利用SPSS提供的逐步回归方法将标准化后的指标进行共线性检验.结果显示，上述7个指标共线性统计量的VIF只有老龄化率变化量的值大于10，说明人口老龄化率变化量不适合作为碳排放量的影响因素，留下其余6项指标进行GWR建模与分析.利用最小二乘法(OLS)模型对省域碳排放量进行全局回归分析，得到了能源消耗强度变化量的决定系数为-0.1102，总人口变化量的决定系数为0.5358，人均GDP变化量的决定系数为0.2707，二产比重变化量的决定系数为0.1660，城镇化率变化量的决定系数为0.2512，贸易开放程度变化量的决定系数为0.1448.OLS模型和GWR模型的拟合结果如表 1所示.由表 1中R²、AICc及残差平方和(Akaike，1974)可知，GWR模型拟合的结果更加合理.

表 1(Table 1)

表 1 OLS模型与GWR模型参数估计及检验结果 Table 1 Global OLS and GWR estimation results

表 1 OLS模型与GWR模型参数估计及检验结果 Table 1 Global OLS and GWR estimation results 模型 AICc R2 Adjusted R2 残差平方和 残差Moran′I 指数 OLS模型 101.4399 0.776 0.6456 21.18 -0.0088 GWR模型 90.4316 0.8262 0.7867 20.99 -0.0046

由图 5可知，中国省域碳排放量的影响因素的重要程度从大到小依次为：总人口变化量、人均GDP变化量、城镇化率变化量、第二产业比重变化量、贸易开放程度变化量和能源消耗强度变化量.①总人口变化量对各省份碳排放量变化影响最大，且为正相关关系，其影响程度由东北到西南依次降低.高值区位于东三省和内蒙古自治区，低值区集中分布于我国最南部的省份.这也与已有研究结果(胡艳兴等，2015；Wang et al.，2014)相对应，胡艳兴等(2015)通过GWR方法计算得出人口变化对碳排放量影响最敏感的省份为黑龙江省；而人口变化对碳排放量影响最小的省份为海南省.②人均GDP变化量对碳排放量的影响程度仅次于总人口数变化量，表明人均GDP的增加是导致碳排放量增加的主要影响因素之一.由图 5可知，人均GDP在不同省份对碳排放量的影响程度不同，大致呈现出从北到南依次降低的趋势.人均GDP对碳排放量影响最敏感的地区为新疆，影响最小的省份集中分布在云南、广西、广东及海南等地.从人均GDP与碳排放量变化量的关系可以看出，新疆每增加1%的人均GDP，其所承受的碳排放压力也比其他省份更大.③城镇化率变化量与前两个影响因素相比，其趋势明显不同，呈现出从西到东影响程度依次降低的趋势.城镇化率回归系数的高值区集中分布在新疆、青海、四川、云南、广西、海南等省份，这些地区的共同特点是城镇化率普遍较低，这些省份近年来随着经济发展，城镇化率提高较快，相应的对碳排放量增长的影响也较为明显.城镇化率回归系数的低值区集中分布在东北三省，东北三省的城镇化率在1997年分别为辽宁省54.24%、黑龙江省51.54%和吉林省49.68%，而到2012年时，其城镇化率分别为65.65%、56.9%、53.7%.从1997年到2012年的城镇化率变化可以看出，除辽宁省城镇化率提高较快外，其余2个省份变化极小，表明城镇化率提高并不是影响东北三省碳排放量的最主要原因.④第二产业比重对碳排放量也表现出正相关关系，与前3个影响因素相比，其影响程度已明显降低.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是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增加的主要原因.如第二产业比重回归系数低值区的海南省，其第二产业在国内生产总值中所占比重极低，但其碳排放量却在快速的增长.⑤贸易开放程度变化量是几个正相关变量中对碳排放量影响程度最小的一个，其变化趋势与第二产业比重变化量的趋势大致相同.沿海地带各省份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.⑥能源消耗强度变化量虽然是这几个影响因素中影响程度最小的，却是唯一一个回归系数是负值的影响因素.表明能源消耗强度的提高会抑制碳排放量的增长，并且能源消耗强度对碳排放量变化的区域间影响差异不是十分明显.能源消耗强度对碳排放量影响的敏感区域集中分布于东北三省，虽然东北三省能源资源比较丰富，但从1997—2012年其能源消耗强度明显降低，黑龙江、辽宁和吉林在1997年能源消耗强度值分别为2.376、2.645和2.995，而到了2012年分别下降为0.932、0.947和0.791.从东北三省由东向西、从北向南，能源消耗强度对碳排放量的影响力在逐渐缩小，能源消耗强度回归系数绝对值的最小值集中分布在新疆.

图 5(Figure 5)

图 5 中国省域碳排放的GWR模型回归系数空间分布(国审字(2015)第3584号) Fig. 5 Spatial distribution of regression coefficients of carbon emission of every province in China

1)中国省域碳排放量表现出收敛的动态趋势，空间集聚特性减弱，具有明显的溢出效应，在碳减排的过程中，全国各省份碳排放量的总体空间差异在逐步缩小.

2)EOF第一模态结果表明：碳排放量以四川省为中心向南北方向扩散，低值区集中分布在西北地区和珠三角地区；第二模态反映了碳排放量增长速度，表现出西南地区和东南沿海地区较快，而中部省份碳排放量增长较慢的态势.

3)1997—2012年间，影响中国各省份能源消费碳排放量的各因素的重要程度在空间上存在明显的差异，其中，总人口变化量是最主要的驱动因素.此外，影响碳排放量的诸多因素中，大多都具有明显的纬度或经度地带性规律.

4)从1997—2012年间的碳排放类型可以看出，全国各大经济区的总体减排趋势较为相似，碳排放总量基本都呈现出低-中-高演进的格局；从全国整体格局来看，碳减排形势较为严峻的区域主要为北部沿海区域、大西北和黄河中游经济区.

5)由于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，东西部发展差异明显，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.因此，应根据地区经济发展水平、产业结构特点、节能潜力、环境容量等进行综合考量，因地制宜开展节能减排实践，制定差异化的工业节能减排政策措施.在淘汰落后产能及节能减排技改资金安排等方面，充分考虑东部与中西部的地区差异；在节能减排技术装备推广、能源消耗和主要污染物排放总量控制等方面，充分考虑重点行业与一般行业的差异；在节能减排服务、“绿色”采购、“绿色”信贷等方面，充分考虑大企业与中小企业的差异.

6)研究显示，EOF可以较好地将碳排放量的时间序列与空间变化结合起来，探寻碳排放量的时空演变规律；而GWR模型可以很好地消除传统回归模型不能将空间要素纳入分析的缺陷，并且可以更加直观地显示每个分析单元上各因素的回归系数.

由于受环境数据可获得性的限制，本文只能以省份作为研究对象进行分析，空间尺度较大，难免会降低其中某些影响因素对小尺度单元的敏感性.如果以经济区为研究单元，得出的结果能更加准确地反映出客观规律，这也是课题组今后主要的研究方向.此外，本文影响因素只选择了社会经济统计数据，没有将自然影响因素考虑进去，这些需要在以后的研究中更深入探讨，但不影响本文结论的参考价值.