2018, Vol. 38
[PDF全文]
2. 上海交通大学, 安泰经济与管理学院, 上海 200030;
3. 东北农业大学, 国际文化教育学院, 哈尔滨 150030
2. Antai College of Economics and Management, Shanghai Jiaotong University, Shanghai 200030;
3. International Culture Education College, Northeast Agricultural University, Harbin 150030
20世纪90年代以来, 全球性气候变暖、生态环境持续恶化及自然灾害的频繁发生已经成为全人类共同面临的巨大挑战.从能源消费压力视角定量考察能源消费对碳排放的影响及其结构特征, 对于揭示能源消费可持续发展的动力学机制, 进而制定有针对性和可操作性的碳减排政策, 具有重要的现实意义(Treffers et al., 2005；Shimada et al., 2007).不同学者从不同角度对此进行了研究, 例如, 从我国不同产业与能源消费碳排放的关系视角, 采用碳足迹和碳排放强度分析法揭示正处于社会转型时期的中国能源消费方式对人口发展的影响(赵荣钦等, 2010)；从消费视角定量研究中国东北三省消费型碳排放量与生产型碳排放量的空间差异, 对各省级或地市级单位制定更好的碳排放指标具有现实指导意义(耿丽敏等, 2012)；从人口增长视角研究人口增长与碳排放的关系, 对于揭示人口变化对碳排放的影响具有重要的意义(金瑞庭, 2013)；从我国能源消费碳排放增长的驱动因素视角分析居民能源消费碳排放的相关驱动因素, 对于揭示居民生活能源碳排放的关键因素具有重要的意义(万文玉等, 2016)；从时空耦合角度分析我国能源消费碳排放的空间格局变化, 可为我国制定“共同但有区别”的省域碳排放政策提供科学的依据(高长春等, 2016)；从农田系统碳排放视角研究中国东北三省农田生态系统碳排放驱动因素及其影响程度, 可为农田系统的可持续发展和农田碳排放政策的制定提供科学的参考(范大莎等, 2017)；从市域空间的视角分析中国城市的碳排放空间分布特征, 可为快速城市化进程中的中国城市低碳发展策略的选择提供参考(杨青林等, 2017)；从建设用地集约利用与碳排放效率关系分析入手, 通过构建建设用地集约评价体系可为各省建设用地集约利用、建设低碳社会提供参考(袁凯华等, 2017)；从碳排放强度的趋势和集聚特征视角分析省域间的碳排放的空间传导路径, 可为各省间制定联合减排方案提供借鉴(赵巧芝等, 2018).尽管能源消费碳排放引起了国内外众多学者的关注, 然而这些研究选取的对象和案例基本都是以省域或全国为基本研究单元.中国作为一个碳排放大国, 国内不同区域间存在着很大的碳排放的消费差异.因此, 本文以东北地区各地级市为基本研究单位, 分析能源消费碳排放时空演变特征, 在此基础上明晰东北三省能源消费碳排放的空间分布及地区差异, 并进一步探索能源消费碳排放的主要驱动因素及对区域碳排放的影响程度, 以期为东北三省实现2020年“十三五”规划的节能减排目标提供依据.
2 数据来源与研究方法(Data source and methods) 2.1 研究区与数据来源本文以东北三省36个地级市为研究对象, 所需数据主要来源于2005—2014年《黑龙江统计年鉴》、《吉林统计年鉴》、《辽宁统计年鉴》和《中国城市年鉴》及其他相关地级市年鉴与统计报表.本文计算的碳排放量均为能源消费碳排放量, 所用的8种化石燃料的折标煤系数来自国家统计局能源统计司, 碳排放系数源自《2006IPCC碳排放计算指南》.
2.2 研究方法 2.2.1 能源消费碳排放计算模型东北三省能源消费碳排放量主要根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来计算.此方法是将各种化石能源终端消费量折算成标准煤消费量, 然后利用换算后得到的标准煤消费量乘以碳排放系数, 最后相加得出碳排放量, 其计算公式如下所示：
|
(1) |
式中, CT为各种能源消费的碳排放总量(t)；ENi为第i类能源经过折算后的标准煤消费量(t)；EFi为第i类能源的碳排放系数；i表示能源种类数目.各种化石能源的折标煤系数(来自国家统计局能源统计司, 2014)与碳排放系数(来自于IPCC的碳排放计算指南缺省值, 并经过计算得到)如表 1所示.
| 表 1 主要能源折算标煤系数与碳排放系数 Table 1 Contracted coal coefficient and carbon emission coefficient of main energy |
 |
本文利用基于GIS技术平台的空间探索性分析技术(ESDA), 其中, ESDA是利用统计学原理、图形及图表等信息对空间信息的性质进行分析的一种“数据驱动”方法(杨宇等, 2014).采用全局Moran′s I指数分析整个研究区域的空间模式和度量属性值在整个区域空间的分布势态, 其中, 全局Moran′s I指数的范围为[-1, 1], 越接近1, 代表探索数据在空间上表现出明显的集聚特性, 总体的空间差异越小；越接近-1, 代表各区域与周围地区的能源消费碳排放量具有显著的空间差异, 总体的空间差异越大(胡艳兴等, 2015).计算模型指数见公式(2).
|
(2) |
式中, I(d)是Moran′s I指数, 
局部Moran′s I可以解释空间地域单元与其临近空间单元属性特征值之间的相似性(Ding et al., 2017).Anselin等(2005)提出局部空间自相关方法来衡量某一区域与周围地区之间的空间差异程度及显著性, 并结合LISA聚集图等形式研究空间分布规律, 其公式见式(3).
|
(3) |
在特定的置信水平下, 局部Moran′s I指数大于0时, 存在局部空间自相关性, 表示相似值发生聚集；局部Moran′s I指数小于0时, 存在负的局部空间自相关性, 表示不相似的值发生聚集.
2.2.3 冷热点分析按照Jenks最佳自然断裂法分别对3个年份的局域Gi*统计值进行空间聚类, 并根据Gi*统计值数值大小依次划分为热点、次热点、次冷点和冷点区.利用ArcGIS软件平台提供的Getis-Ord Gi*指数计算东北三省能源消费碳排放量的聚集程度, 得到能源消费碳排放量的热点及冷点, 探索不同区域对于全局自相关的贡献率(蒋自然等, 2017), 具体公式见(4).
|
(4) |
|
(5) |
式中, wij表示各地级市i和j之间的空间权重, E(Gi*)和Var(Gi*)分别为Gi*的数学期望和变异数.数据集中的每个要素返回的Gi*统计就是Z值.对于具有显著统计学意义的正的Z得分, 结果显示, 若Z值越高, 高值(热点)的聚类就越紧密.Z值反映了空间数据在一定范围内的高值与低值的积聚效应.
2.2.4 标准差椭圆分析本文利用标准差椭圆分析东北地区能源消费碳排放的空间特征, 标准差椭圆是分析空间分布方向性特征的经典方法之一, 使用标准差椭圆可以从全局的、空间的角度定量解释经济要素空间分布的中心性、展布性、方向性和空间形态等整体性特征.标准差椭圆有以下基本要素：中心点、长半轴、短半轴和方位角.其中, 椭圆中心表示地理要素空间分布的相对位置, 方位角表示发展的主趋势方向, 长轴代表地理要素在主趋势方向上的离散程度的核心边缘结构, 短轴代表地理要素在次要方向上的离散程度(林小标等, 2017).假设一个区域由n个子区域构成, (xi, yi)为第i个区域的经纬度坐标, wi表示能源消费碳排放的不同区域的权重, 则标准差椭圆主要要素的计算公式为:
|
(6) |
|
(7) |
|
(8) |
|
(9) |
式中, xi和yi分别表示标准差椭圆中心点的横、纵坐标；CTi表示第i个区域的能源消费碳排放量；σx和σy分别表示标准差椭圆的长、短轴的距离；θ表示标准差椭圆的方向角度, 是由正北沿顺时针方向与椭圆长轴的夹角.标准差椭圆的长半轴表示能源消费碳排放的分布方向, 短半轴表示能源消费碳排放的分布范围, 标准差椭圆的长短轴比例越大(扁率越大), 表示能源消费碳排放的方向越明显, 反之, 标准差椭圆长短轴比较接近, 则能源消费碳排放的方向不明显.
2.2.5 地理加权回归(GWR)模型本研究以东北三省36个地级市域为单位, 以各地级市能源消费碳排放量(Y)为因变量, 选取5个影响因子作为自变量, 其中, 人均生产总值(PGDP)代表人们生活水平与地区的经济发展状况, 总人口数(POP)代表人口增长情况, 老龄化(AGI)代表地区人口构成情况, 用第二产业产值与第三产业产值比表示产业结构(I), 用非农业人口占总人口的比重来表示城市化率(U).建立的GWR模型见式(10).
|
(10) |
式中, Yi为因变量, βi为随着指标地理位置(u, v)变化而变化的回归系数, εi为第i个区域的随机误差.GWR模型的空间权函数选择固定型空间核计算, 并利用赤池信息准则(AIC)来确定最优带宽(李国志等, 2017).
3 结果与分析(Results and analysis) 3.1 能源消费碳排放从图 1可以看出, 2005—2014年东北地区能源消费碳排放总量呈明显的上涨趋势.东北三省能源消费碳排放量从大到小依次为辽宁省、黑龙江省、吉林省(图 1a).2014年辽宁省、黑龙江省、吉林省能源消费碳排放量分别达到20266、9914、6411万t, 较2005年的增长幅度分别为39.0%、44.8%、48.9%.与黑龙江省和吉林省的能源消费碳排放量相比, 辽宁省的能源消费碳排放量相对最多, 但增长速度较慢.与辽宁省和黑龙江省的能源消费碳排放量相比, 吉林省的能源消费碳排放量相对最少, 但增长速度较快.从图 1b可以看出, 大连市的能源消费碳排放量从2005年的2165万t增长到2014年的3094万t, 涨幅为42.9%.虽然大连市的能源消费碳排放量从2012年开始逐年减少, 但相较辽宁省其他各市仍是能源消费碳排放最多的城市之一；此外, 2014年鞍山市的能源消费碳排放量较2005年的减少幅度达到26.1%.从图 1c可以看出, 大庆市是黑龙江省能源消费碳排放量最大的城市, 但较2005年的增长幅度最小, 涨幅为12.7%；大兴安岭市是黑龙江省能源消费碳排放量最小的城市, 较2005年的涨幅为150%；双鸭山市的能源消费碳排放量较2005年涨幅最大, 为206.4%；鹤岗市和牡丹江市的能源消费碳排放量较2005年呈减少趋势.从图 1d可以看出, 吉林市是吉林省能源消费碳排放量最多的城市, 较2005年的涨幅为28.7%；白城市的能源消费碳排放量较2005年增长幅度最大, 涨幅为308.47%；松原市的能源消费碳排放量较2005年的降幅为29.6%.
 |
| 图 1 2005—2014年东北三省能源消费碳排放量变化趋势(a.东北地区省级尺度, b.辽宁省市级尺度, c.黑龙江省市级尺度, d.吉林省市级尺度) Fig. 1 The trend of energy consumption carbon emissions in three provinces of Northeast China(a.provincial scale in Northeast China, b.urban scale of Liaoning Province, c.urban scale of Heilongjiang Province, d.urban scale of Jilin Province) |
全局自相关分析的目的是对某属性的空间关联和空间差异程度进行评价, 通常采用全局Moran′s I指数来表征全局空间自相关统计量的估计.由表 2可知, 2005—2014年, Moran′s I指数均大于0, 且Z值均大于1.96.Moran′s I指数均大于0反映出研究区域始终表现出相对集聚的态势.此外, Moran′s I指数除在2007年及2011年有小幅增长外, 其他年份均持续下降, 这表明近10年间东北三省能源消费碳排放量的空间聚集特征在不断减弱, 在2005年达到最大值0.3345.10年间碳排放Moran′s I指数在波动下降, 这也从侧面反映了区域节能减排的过程中, 各个地区减排执行力度的差异导致各地之间的碳排放量整体差异正在逐渐拉大.
| 表 2 2005—2014年东北三省能源消费碳排放量全局Moran′s I指数 Table 2 Global Moran′s I index of energy consumption carbon emissions in three northeastern provinces from 2005 to 2014 |
|
为了进一步表达东北三省市域各地区碳排放量在空间位置上的相互关联关系, 本文选取了2005、2010和2014年作为样本年份, 根据样本年份各地区与其周围相邻地域的空间关系, 利用ArcGIS显示在地图上, 具体见图 2.
 |
| 图 2 东北三省能源消费碳排放量的LISA集聚图 Fig. 2 LISA cluster map of energy consumption carbon emissions in three northeastern provinces |
从图 2可以看出, 高值区集中在辽宁省, 主要是由于辽宁省地理区位优越, 对外贸易发达.能源消费碳排放量始终处于高-低区的是黑龙江省的大庆市, 表明大庆市自身碳排放量较高, 而相邻地区碳排放量较低, 二者之间是负相关关系.2005—2010年, 沈阳、锦州、盘锦等城市一直处于碳排放量的高-高区, 沈阳在2005—2010年与相邻地区碳排放量均较高, 二者之间是正相关关系.2010—2014年, 黑龙江省的鸡西市处于高-低区, 空间上表现出重心较高四周较低的负相关关系.辽宁的盘锦及锦州地区处在高-高区域, 盘锦及锦州地区与相邻地区碳排放量均较高, 二者之间是正相关关系, 主要原因是该市经济发展水平较高, 人口密度较大.
3.3 冷热点分析利用热点分析可以在全局空间自相关的基础上进一步检测出指标属性在空间集聚的明显位置和区域相关程度, 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2005、2010、2014年东北三省能源消费碳排放量的区域空间相互关联系数Gi*, 并将所得结果进行空间化.
Getis-Ord Gi*计算结果显示(图 3), 在选取的2005、2010和2014年中, 辽宁省的热点区域分别为2、2、5个, 冷点区域分别为2、2、1个.2014年辽宁省的热点区域除大连市外还增加了沈阳市、辽阳市和本溪市.这是由于辽宁省的能源资源较为丰富, 并且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, 辽宁省的能源生产已经不能满足能源消耗, 加之是重工业基地, 因此, 碳排放主要集中在工业碳排放和居民生活耗能方面.2014年吉林省的热点区域增加了吉林市, 2005、2010、2014年3个时间段吉林省的冷点区域分别为3、4、4个.吉林省能源消费碳排放主要集中工业力量雄厚、自然资源及矿产资源丰富的长春市和吉林市.2014年黑龙江省的热点区域除大庆市外还增加了鸡西地区, 2005、2010、2014年3个时间段黑龙江省的冷点区域分别为7、4、5个.黑龙江省是重要的能源工业基地, 2009年正值全球经济危机, 国家为了拉动经济增长, 采取扩大内需、启动大量公共基础设施等措施来刺激经济发展, 使得能源消耗大大增加, 从而引起碳排放的增加, 进而导致能源强度对碳排放的抑制作用越来越大；到2010年之后又出现波动, 但总体趋势还处于对碳排放的抑制作用.
 |
| 图 3 东北三省能源消费碳排放量的空间格局热点演化 Fig. 3 Hotspots evolution of spatial pattern of energy consumption carbon emissions in three northeastern provinces |
根据东北地区各地级市空间位置坐标和能源消费碳排放量, 运用ArcGIS10.2软件计算空间重心及标准差椭圆, 并对其进行叠加比较, 从而得到东北地区不同时期能源消费碳排放的重心演变路径与标准差椭圆趋势.2005、2008、2011和2014年东北三省能源消费碳排放量的重心变化过程如图 4所示.从图 4a可以看出, 由于2005—2011年黑龙江省和吉林省的能源消费碳排放量呈增加趋势, 导致东北三省能源消费碳排放重心纬度呈上升趋势, 但2011—2014年间辽宁省能源消费碳排放量增长幅度较大, 导致东三省的能源消费碳排放重心纬度有所下降.从图 4b可以看出, 辽宁省的能源消费碳排放重心的经度呈下降趋势, 从2005年的122.623°E下降到2014年122.540°E, 下降0.083°.辽宁省能源消费碳排放重心的纬度在2005—2011年呈下降趋势, 主要是由于大连周边城市的碳排放量增长较大, 但2011—2014年大连及周边城市(大连、营口、葫芦岛、盘锦、鞍山)的经济增长速度减慢, 能源消费碳排放量增长较慢, 而其余城市(铁岭、沈阳、抚顺、本溪)的能源消费碳排放量增长幅度较大, 导致辽宁省能源消费碳排放量重心的纬度上升.从图 4c可以看出, 黑龙江省的能源消费碳排放重心的纬度呈下降趋势, 从2005年的46.248°N下降到2014年的46.110°N, 下降了0.138°；但从2011年起有所回落, 能源消费碳排放年变化率逐年减少.黑龙江省能源消费碳排放重心纬度下降的主要原因是哈尔滨、齐齐哈尔、大庆、牡丹江等低纬度城市的能源消费碳排放量增长占比较大.从图 4d可以看出, 吉林省能源消费碳排放重心的纬度呈先上升后下降的趋势, 但经度呈下降趋势, 从2005年的126.005°E下降到2014年的125.894°E, 下降了0.111°.2005—2014年间, 长春、吉林、通化、四平等城市的能源消费碳排放量逐年增加, 导致吉林省的能源消费碳排放重心的经度呈现下降趋势.
 |
| 图 4 2005—2014东北三省能源消费碳排放量的重心变化过程(a.东北地区省级尺度, b.辽宁省市级尺度, c.黑龙江省市级尺度, d.吉林省市级尺度) Fig. 4 The change process of the center of gravity of the energy consumption carbon emissions in the three northeastern provinces from 2005 to 2014(a.provincial scale in northeast China, b.urban scale of Liaoning Province, c.urban scale of Heilongjiang Province, d.urban scale of Jilin Province) |
本文采用标准差椭圆分析了2005、2008、2011和2014年东北三省能源消费碳排放量的发展方向, 能源消费碳排放量的SDE参数在不同时期变化过程如图 5所示.从省级尺度上看, 东北地区能源消费碳排放方向性明显, 主轴方向始终为“西南-东北”方向, 旋转角度逐渐减小, 有往北旋转的趋势.能源消费碳排放的短轴逐渐增加, 表示碳排放的覆盖范围逐步增加.从市级尺度上看, 辽宁省能源消费碳排放方向性明显, 2005—2011年主轴方向向东旋转, 2011—2014年主轴方向从2011年的45.01°变成2014年的43.52°, 向北旋转了1.49°.辽宁省的能源消费碳排放范围逐年增加, 2011—2014年间变化增长最快.黑龙江省能源消费碳排放方向明显, 主轴方向有往北偏移的趋势, 2005—2008年能源消费碳排放范围增加最快.吉林省能源消费碳排放方向性明显, 主轴方向有逐步向东旋转的趋势, 但能源消费碳排放的范围在逐步减少.
 |
| 图 5 2005—2014东北三省能源消费碳排放量的SDE参数不同时期变化过程(a.东北地区省级尺度, b.辽宁省市级尺度, c.黑龙江省市级尺度, d.吉林省市级尺度) Fig. 5 The change of SDE parameters of energy consumption carbon emissions for different periods in three northeastern provinces from 2005 to 2014(a.provincial scale in Northeast China, b.urban scale of Liaoning Province, c.urban scale of Heilongjiang Province, d.urban scale of Jilin Province) |
借鉴对碳排放量影响因素已有的研究, 结合东北三省地区自身特点, 本文最终选取人均GDP(PGDP)、总人口数(POP)、老龄化(AGI)、城市化率(U)、产业结构(I)5个因子作为影响碳排放量的主要因素, 并利用SPSS软件对主要影响因子与碳排放量进行相关性分析(万文玉等, 2016).
结合表 5碳排放量的主要影响因素与碳排放的相关性分析结果, 从图 6可以看出, 2005—2014年10年间老龄化与碳排放量的相关系数逐年增加, 人均GDP与碳排放量的相关系数最大且变化幅度最小, 城市化率与碳排放量的相关系数最小, 产业化结构与碳排放量的相关系数的变化幅度最大.
| 表 5 各主要影响因素与碳排放量相关性分析 Table 5 Correlation analysis of the main influencing factors and carbon emissions |
|
 |
| 图 6 2005—2014年东北地区碳排放量主要影响因素与碳排放量相关性结果分析(a.相关系数随时间变化趋势；b.相关系数均值；c.相关系数方差) Fig. 6 The correlation between the main influence factors of carbon emissions and carbon emissions in three northeastern provinces from 2005 to 2014(a. the variation trend of correlation coefficient with time, b. mean value of correlation coefficient, c. correlation coefficient variance) |
本文选取影响东北三省能源消费碳排放变化的主要因素, 即人口总数、人均GDP、老龄化、产业结构、城市化率等, 并采用GWR模型分析各主要影响因子对能源消费碳排放变化的影响程度.由相关系数计算结果可得, 所选取的主要影响因子之间不存在多重共线性问题(Akaike, 1974).此外, 为了避免变量间存在的相关性对模型分析结果产生影响, 在GWR建模前应用最小二乘法(OLS)对市域能源消费碳排放量进行分析, 结果如表 6所示.将OLS和GWR模型模拟结果的残差进行空间自相关检验, 结果显示, GWR的残差自相关性比OLS的更小.GWR的AICC值与OLS的AICC值差距大于3, 表明采用GWR模型的拟合结果较OLS更加合理.
| 表 6 GWR模型与OLS模型拟合结果对比 Table 6 GWR model with OLS model fitting results contrast |
|
利用ArcGIS软件把模型中各影响因子的回归系数显示在图形上, 能够直观地展示各回归系数在空间上的变化过程.回归系数的意义在于解释变量对因变量的影响程度(李国志等, 2017).因此, 本研究运用空间关系模型中的GWR模块, 分析各影响因子回归系数的空间分布, 以便揭示选取的5个影响因子对能源消费碳排放影响程度的空间变化规律.
从东北三省能源消费碳排放的局部系数图可以看出, 5个解释变量在东北三省36个地级市的参数估计的结果均各不相同, 5个解释变量对能源消费碳排放量的影响程度由大到小依次为：人均GDP>产业结构>总人口数>城市化率>老龄化率(图 7).从空间上看, 大兴安岭、黑河一直处于高值区, 辽宁省环渤海区处于低值区；黑龙江省大多数地区处于高值区, 辽宁省大多数城市处于低值区.这说明针对碳减排而言, 黑龙江省的产业结构有待于优化, 第三产业的比重有待于提高, 而辽宁省环渤海地区产业结构对能源消费碳排放量的影响低于黑龙江、吉林两省的原因是由于该地区通过加大产业结构调整力度, 培育发展新兴第三产业, 充分发挥了第三产业在低碳排放中的先天优势, 促进了产业结构升级和碳排放减少协同推进.2005—2014年, 人均GDP的影响程度在空间结构上变化较大, 但整体趋势上看从西北向东南逐渐增加, 由人民生活水平的人均GDP指标分析说明, 在东北三省, 随着人民生活水平的提高, 能源消费水平随之增加, 从而推动碳排放量的增加.从数值上看, 人口因素对能源消费碳排放的影响程度从2005—2014年有增大趋势, 在高值区保持稳定的情况下, 低值区范围在渐渐缩小, 中等值区在扩大, 说明在研究区内, 地级市人口因素对能源消费碳排放量的影响趋于一致.老龄化表现出南高北低的趋势, 主要由于黑龙江省位于我国东北部纬度较高位置, 闭塞偏僻的地理位置、匮乏的投资环境、外部投资不到位等原因导致大量人口迁移到交通便利、经济发达的沿海地区, 从而导致辽宁省地区老龄化现象高于黑龙江地区.其次, 老龄化对能源消费碳排放影响最敏感的区域集中在辽宁省大连市及黑龙江省大庆市.主要原因是这两个地区工业化程度较高, 城市居民享有良好的基础设施、医疗卫生保健、住房交通等条件, 平均寿命明显增长.城市化率的回归系数有正值有负值, 说明各地的城市化率对能源消费碳排放量的影响差异较大.2005—2014年, 城市化率高值越来越大, 低值越来越小, 说明研究区内城市化率对能源消费碳排放的影响空间差异越来越显著.通过对比发现, 城市化率与能源消费碳排放呈负相关关系的地区其城市化率水平不高, 城市化率与能源消费碳排放呈正相关关系的地区其城市化水平较高, 因此, 对于城市化率回归系数低值区尤其是黑龙江省当务之急是要在城市化水平稳步推进的同时, 走出一条有利于城市化发展的绿色低碳新型城镇化道路.
 |
| 图 7 2005—2014年东北三省能源消费碳排放的GWR模型回归系数空间分布(a. AGI, b. PGDP, c. POP, d. U, e. I) Fig. 7 Spatial distribution regression coefficients of agro-eceosystems carbon emissions in ten years in three northeastern provinces from 2005—2014 |
1) 2005—2014年, 东北地区能源消费碳排放量从大到小依次为辽宁省、黑龙江省、吉林省.
2) 2005—2014年, 东北三省能源消费碳排放量存在比较显著的全局空间正相关, 存在多个在统计学上通过显著性检验的热点和冷点, 热点区主要有辽宁省的大连市、沈阳市、辽阳市和本溪市, 黑龙江省的大庆市和鸡西地区, 以及吉林省的吉林市；冷点地区主要集中在黑龙省东北地区的大兴安岭市、黑河市、伊春市和佳木斯市等, 辽宁省的朝阳市和丹东市, 吉林省的白城市、松原市、辽源市和延边市.
3) 2005—2014年, 在省级尺度上东北三省的能源消费碳排放重心有往东偏移的趋势, 2005—2014年在地市级尺度上辽宁省和吉林省的能源消费碳排放重心有往西偏移的趋势, 黑龙江省的能源消费碳排放重心有往南偏移的趋势.
4) 从省级尺度上看, 东北地区能源消费碳排放主轴方向始终为“西南-东北”, 主轴方向有往北旋转的趋势.
5) 东北地区能源消费碳排放量的主要驱动因素按影响程度由大到小依次为：人均GDP>产业结构>总人口数>城市化率>老龄化.
Akaike H. 1974. IEEE Xplore Abstract-A new look at the statistical model identification[J]. IEEE Transactions on Automatic Control, 19(6): 716.
DOI:10.1109/TAC.1974.1100705
|
Anselin L, Syabri I, Kho Y. 2005. GeoDa:An introduction to spatial data analysis[J]. Geographical Analysis, 38(1): 5–22.
|
Ding Y, Niu S. 2017. Spatial difference analysis of residential energy consumption, income and carbon emissions in China[J]. International Journal of Energy Sector Management, 11(4): 541–556.
DOI:10.1108/IJESM-01-2016-0004
|
范大莎, 杨旭, 吴相利, 等. 2017. 东北三省农田生态系统碳排放时空分异特征及驱动因素研究[J]. 环境科学学报, 2017, 37(7): 2797–2804.
|
高长春, 刘贤赵, 李朝奎, 等. 2016. 近20年来中国能源消费碳排放时空格局动态[J]. 地理科学进展, 2016, 35(6): 747–757.
|
耿丽敏, 付加锋, 宋玉祥. 2017. 东北三省消费型碳排放的差异分析[J]. 资源科学, 2017, 34(8): 1445–1451.
|
胡艳兴, 潘竟虎, 陈蜒, 等. 2015. 基于ESDA和GWR的中国地级及以上城市四化协调发展时空分异格局[J]. 经济地理, 2015, 35(5): 45–54.
|
蒋自然, 曹有挥, 叶士琳. 2017. 长江三角洲地区门户功能演化与驱动机理[J]. 地理科学, 2017, 37(7): 987–996.
|
金瑞庭.2013.中国城市人口空间结构变动对碳排放影响的研究[D].上海: 复旦大学
http://www.wanfangdata.com.cn/details/detail.do?_type=degree&id=Y2706056 |
李国志, 刘美瑜. 2017. 中国城镇居民直接碳排放因素分解研究[J]. 环境影响评价, 2017, 39(4): 93–96.
|
林小标, 郑衡泌, 伍世代, 等. 2017. 两汉侯国时空特征及其影响因素分析[J]. 地理学报, 2017, 72(4): 723–736.
|
Shimada K, Tanaka Y, Gomi K, et al. 2007. Developing a long-term local society design methodology towards a low-carbon economy:An application to Shiga Prefecture in Japan[J]. Energy Policy, 35(9): 4688–4703.
DOI:10.1016/j.enpol.2007.03.025
|
Treffers D J, Faaij A P C, Spakman J, et al. 2005. Exploring the possibilities for setting up sustainable energy systems for the long term:two visions for the Dutch energy system in 2050[J]. Energy Policy, 33(13): 1723–1743.
DOI:10.1016/j.enpol.2004.02.011
|
万文玉, 赵雪雁, 王伟军. 2016. 中国城市居民生活能源碳排放的时空格局及影响因素分析[J]. 环境科学学报, 2016, 36(9): 3445–3455.
|
杨青林, 赵荣钦, 邢月, 等. 2017. 中国城市碳排放的空间分布特征研究[J]. 环境经济研究, 2017, 2(1): 70–81.
|
杨宇, 刘毅. 2014. 基于DEA-ESDA的中国省际能源效率及其时空分异研究[J]. 自然资源学报, 2014, 29(11): 1815–1825.
DOI:10.11849/zrzyxb.2014.11.001 |
袁凯华, 梅昀, 陈银蓉, 等. 2017. 中国建设用地集约利用与碳排放效率的时空演变与影响机制[J]. 资源科学, 2017, 39(10): 1882–1895.
|
赵巧芝, 闫庆友, 赵海蕊, 等. 2018. 中国省域碳排放的空间特征及影响因素[J]. 北京理工大学学报, 2018, 20(1): 9–16.
|
赵荣钦, 黄贤金, 钟太洋. 2010. 中国不同产业空间的碳排放强度与碳足迹分析[J]. 地理学报, 2010, 65(9): 1048–1057.
|