基于时空地理加权回归模型的中国碳排放驱动因素实证研究

肖宏伟，易丹辉

（1．国家信息中心 经济预测部，北京100045；2．中国人民大学 统计学院，北京100872）

一、引 言

近年来，中国工业化、城镇化进程的加快，中国经济发展迅速，但是环境污染问题日益严峻。2013年初，突如其来的雾霾笼罩了中国华北、东北、西部和江南部分城市，尤其是长三角、珠三角和京、津、冀、鲁等区域，大气污染十分严重，给工业生产、交通运输和人们健康带来了较大影响。严重的雾霾天气再度警示中国气候变化加剧，其中人类活动导致的二氧化碳排放增加是气候变化最主要的影响因素，因此，控制二氧化碳排放势在必行。研究碳排放增长的驱动因素成为了近年来学术界的热点，在碳排放影响因素的研究中，已有大量文献对其进行了研究。随着空间计量经济学的发展，在中国碳排放领域亦引起了一定的关注，国内学者开始运用空间计量模型对中国碳排放进行研究，如朱平辉等运用空间面板模型对中国区域或者工业环境库兹涅茨曲线进行分析［1－5］。由于中国地域广阔，区域之间存在显著差异，同样的政策对于不同区域的影响效果亦存在差异，即碳排放驱动因素存在空间异质性。在对空间异质性的研究中，目前用得最多的是地理加权回归模型，Brunsdon等提出了地理加权回归模型，由于其能刻画不同空间位置的变异性，目前得到广泛的应用，尤其在房地产领域应用比较多［6－9］。在中国碳排放领域，宋帮英等人对中国省域碳排放量与经济发展进行了实证研究，通过地理加权回归模型（GWR）引入空间效应，结果显示，地理加权回归模型相比最小二乘回归模型具有明显的优势，影响碳排放量各驱动因素在省级区域空间上存在显著差异。经济发展水平、产业结构与碳排放量在省级区域空间上均呈正相关，人口、外商直接投资与碳排放量在各省级区域上既有负相关也有正相关，能源价格与碳排放量之间关系不显著［10］。由于地理加权回归模型为截面数据的回归，得出能源价格上涨导致碳排放增加与现实不符的结论。Gelfand等则在地理加权回归模型的基础上加入了时间效应，从而在时间和空间两个维度上对不同空间单元的参数变异进行捕捉［11－13］。时空地理加权回归模型目前应用较少，从已有文献来看，主要应用在房地产领域。基于时空地理加权回归模型的中国碳排放实证研究还未出现。本文运用时空地理加权回归模型（GTWR）对碳排放空间异质性进行研究，将时间维度引入地理加权回归模型，从时空角度对碳排放各驱动因素的不同影响程度进行分析，使得估计更加有效，从而挖掘出影响区域碳排放增长的驱动因素，进而有针对性地制定差异化区域碳减排政策。

二、时空地理加权回归模型

在对空间异质性的研究中，目前用得最多的是地理加权回归模型，但是地理加权回归模型所用的数据为截面数据，在实证研究过程中，为了减少截面数据部分指标波动异常，通常采用同一指标多年数据的平均值来建立地理加权回归模型。地理加权回归模型虽然考虑了空间效应和空间异质性，但是由于截面数据样本量有限，在实际应用过程中存在一些问题。如解释变量过多时，要考虑解释变量及其空间外溢效应在不同空间地理位置的异质性，建立包含解释变量空间滞后项的地理加权回归模型，由于参数过度，导致不能估计模型参数。时空地理加权回归模型则可以解决地理加权回归模型中存在的上述问题，将时间维度引入到地理加权回归模型，使得估计更加有效。从理论和实证的角度来看，时空地理加权回归模型的优势更加明显，将其引入碳排放空间计量研究，为空间异质性检验提供了新的方法。

考虑解释变量在不同空间地理位置的异质性，可以建立时空地理加权回归模型（GTWR）如下：

为了分析解释变量及其空间外溢效应在不同空间地理位置的异质性，建立包含解释变量空间滞后项的时空地理加权回归模型（GTWR）如下：

时空距离dijST为：

其中（ui，vi）为中国30个省份（因西藏数据缺失，不包括在内）的经度、维度，bST为时空权函数的带宽，通过交叉验证确定最优带宽。

Dietz等建立了STIRPAT（stochastic impacts by regression on population，affluence and technology）模型［14－15］。本文对STIRPAT模型进行扩展，将城镇化率、产业结构、能源消费结构、能源价格、对外开放水平分别引入模型，扩展后的STIRPAT模型表达形式如式（5）、式（6）：

其中CS为碳排放规模，单位为万吨碳，CI为碳排放强度，单位为吨碳／万元。P为人口因素，单位为万人；UR为城镇化率，用城镇人口比重表示，单位为%；GDPPC为经济发展水平，用人均GDP表示，单位为元／人；EI为能源强度，即技术因素，用单位GDP能耗表示，单位为吨标准煤／万元；IS为产业结构，用第二产业生产总值占地区生产总值的比重表示，单位为%；ECS为能源消费结构，用煤炭消费量占能源消费总量比重表示，单位为%；EP为能源价格，用各地区工业品出厂价格指数表示；OPEN为对外开放水平，用各地区外商投资企业年底注册登记情况（投资总额）表示，单位为亿美元。

为了研究人口规模、城镇化率、人均GDP、能源强度、产业结构、能源消费结构、能源价格、对外开放水平及其空间外溢效应在不同区域的异质性，建立包含解释变量空间滞后项的时空地理加权回归模型（GTWR）。以碳排放规模的自然对数Ln（CS）和以碳排放强度的自然对数Ln（CI）为被解释变量，包含解释变量空间滞后项的时空地理加权回归模型如式（7）、式（8）：

三、区域碳排放时空加权回归模型分析

由于人口规模、城镇化率、人均GDP、能源强度、产业结构、能源消费结构、能源价格、对外开放水平对碳排放规模和碳排放强度的贡献不同，而且不同驱动因素的空间外溢作用差异大，为进一步研究各驱动因素及其外溢效应在不同区域的异质性，需要运用时空加权回归模型（GTWR）对不同时间各区域碳排放影响因素进行测度。以碳排放规模为例，从图1、图2可以看出，碳排放规模呈现出不均衡分布的时空差异，碳排放具有时空非平稳性。因此，要深入研究碳排放驱动因素的时空动态变化规律，需要运用时空地理加权回归模型（GTWR）来测度其时空动态差异。

基于2006－2011年省级区域面板数据，运用时空加权回归模型（GTWR）对不同时间各区域碳排放影响因素参数进行估计，以碳排放规模的自然对数ln（CS）为被解释变量的时空地理加权回归模型，其碳排放规模影响因素参数估计结果描述如表1所示。以碳排放强度的自然对数ln（CI）为被解释变量时空地理加权回归模型，其碳排放强度影响因素参数估计结果描述统计如表2所示。

图1 2006年碳排放规模地区差异（单位：万吨）

图2 2011年碳排放规模地区差异（单位：万吨）

表1 以碳排放规模的自然对数ln（CS）为被解释变量的GTWR参数估计描述统计（最优带宽＝1．179 8）

在进行GTWR分析之前，先要确定最优带宽，根据高斯函数法的时空权函数得出，以碳排放规模的自然对数ln（CS）和碳排放强度的自然对数ln（CI）为被解释变量的GTWR模型最优带宽分别为1．179 8和1．179 4。从描述统计结果来看，人口规模、城镇化率、人均GDP、能源强度、产业结构、能源消费结构、能源价格、对外开放水平及其空间滞后变量的各个系数变异较大，说明在研究区域碳排放规模和碳排放强度时，各个省域碳排放驱动因素均有较大差异，需要从局部考虑区域碳排放规模和碳排放强度中的时空异质性，GTWR把时间和空间差异同时考虑，具有明显的优势。限于篇幅，各驱动因素及其外溢效应在不同区域的参数估计结果不一一列出，感兴趣的读者可以和笔者联系。

表2 以碳排放强度的自然对数ln（CI）为被解释变量的GTWR参数估计描述统计（最优带宽＝1．179 4）

从以碳排放规模的自然对数ln（CS）和碳排放强度的自然对数ln（CI）为被解释变量的时空地理加权回归分析结果来看，大部分解释变量的时空系数估计值显著，且系数的符号与预期一致。下文将基于时空地理加权回归模型的估计结果，讨论区域碳排放的影响因素对碳排放影响的空间差异。

1．人口规模对碳排放影响的时空变异。ln（P）估计系数反映了不同区域人口规模对本区域碳排放增长贡献和邻近省域人口规模外溢效应之和。整体看来，人口规模及外溢效应对本区域碳排放规模扩大和碳排放强度减少的影响从东到西递减，呈现出一定的梯度分布。在以碳排放规模的自然对数ln（CS）为被解释变量的时空地理加权回归模型中人口规模ln（P）估计系数除新疆地区外，其他地区均显著为正，在以碳排放强度的自然对数ln（CI）为被解释变量的时空地理加权回归模型中人口规模ln（P）估计系数大部分地区显著为负。人口规模空间滞后W＊ln（P）估计系数反映了本区域人口规模对本区域碳排放增长的影响，依然表现出一定的空间梯度分布，东部发达地区和西部经济发展水平低的地区人口规模对碳排放增长影响大。

2．城镇化率对碳排放影响的时空变异。ln（CS）估计系数反映了不同区域城镇化率对本区域碳排放增长贡献和邻近省域城镇化率外溢效应之和。整体看来，城镇化率及外溢效应对本区域碳排放扩大主要集中在东部和中部，而城镇化率及外溢效应对本区域碳排放规模减少主要集中在西部地区，北京、上海、江苏等地人口规模及外溢效应对其碳排放强度增加影响大，呈现出一定的梯度分布。城镇化率空间滞后W＊ln（CS）估计系数反映了本区域城镇化率对本区域碳排放增长的影响，不同区域间存在着显著的空间差异。其中北京、天津、河北、上海、江苏、浙江等东部地区的估计系数为负，说明东部地区城镇化率已经很高，加上这些地区主要是以第三产业服务业为主，在加快转变经济发展方式的背景下，其碳排放规模不会随着城镇化水平的提高而增加，相反会随着能源消费结构的优化和能源利用效率的提高而减少，东部发达地区和西部经济发展水平低的地区城镇化率对碳排放强度减少有促进作用。内蒙古、黑龙江、江西、湖北、湖南、陕西等地的估计系数为正，说明这些以工业为主导产业的中西部地区，在城镇化率提高的背景下，大部分就业劳动力转移到工业产业中，引起碳排放规模的增加。

3．经济发展对碳排放影响的时空变异。ln（GDPPC）估计系数反映了不同区域经济发展对本区域碳排放增长贡献和邻近省域经济发展外溢效应之和。整体看来，经济发展及外溢效应对本区域碳排放增加主要集中在东部和北部，呈现出一定的梯度分布。经济发展空间滞后W＊ln（GDPPC）估计系数反映了本区域经济发展对本区域碳排放规模增长的影响，不同区域间存在着显著的空间差异，其中广西、贵州、云南、陕西等西部地区的估计系数较高，说明经济发展是影响碳排放最主要的因素。东部发达地区和西部经济发展水平低的地区对碳排放强度增加有较大影响，尤其是西部地区随着工业化进程的加快，碳排放规模明显偏高，其区域经济发展方式有待优化。

4．能源强度对碳排放影响的时空变异。ln（EI）估计系数反映了不同区域技术进步对本区域碳排放增长贡献和邻近省域技术进步外溢效应之和。技术进步及外溢效应对本区域碳排放规模影响较大的省份有浙江、福建、湖北、四川、云南、青海等地。上海、江苏、浙江、安徽、福建、江西、湖北、湖南、广东、广西、四川、贵州等地技术进步及外溢效应对其碳排放强度减少影响大。整体看来，技术进步及外溢效应对本区域碳排放增加主要集中在中部和西部，呈现梯度分布。技术进步空间滞后W＊ln（EI）估计系数反映了本区域技术进步对本区域碳排放增长的影响，不同区域间存在着显著的空间差异，其中北京、天津、河北、山西等东部地区的估计系数较高，说明技术进步是影响碳排放规模较为关键的因素，尤其是东部地区随着城镇化进程的加快，碳排放规模明显偏大，其能源效率亟待提高。

5．产业结构对碳排放影响的时空变异。ln（IS）估计系数反映了不同区域产业结构对本区域碳排放增长贡献和邻近省域产业结构外溢效应之和。产业结构及外溢效应对本区域碳排放影响较大的省份有北京、内蒙古、吉林、黑龙江、甘肃等地。整体看来，产业结构及外溢效应对本区域碳排放规模扩大主要集中在东北部，呈现出一定的梯度分布。产业结构空间滞后W＊ln（IS）估计系数反映了本区域产业结构对本区域碳排放增长的影响，不同区域间存在着显著的空间差异，其中河北、山西、上海、江苏等东部地区的估计系数较高，说明产业结构优化是降低碳排放规模的关键因素，尤其是东部地区随着工业化进程的加快，碳排放规模明显偏高，其产业结构亟待优化。

6．能源消费结构对碳排放影响的时空变异。ln（ECS）估计系数反映了不同区域能源消费结构对本区域碳排放增长贡献和邻近省域能源消费结构外溢效应之和。能源消费结构及外溢效应对本区域碳排放影响较大的省份有北京、天津、河北、山西等地。整体看来，能源消费结构及外溢效应对本区域碳排放影响大的区域主要集中在东部，呈现出一定的梯度分布。能源消费结构空间滞后 W＊ln（ECS）估计系数反映了本区域能源消费结构对本区域碳排放增长的影响，不同区域间存在着显著的空间差异。上海、江苏、浙江、安徽等东部地区的估计系数较高，说明能源消费结构优化是降低碳排放规模的关键因素，尤其是东部地区随着工业化进程的加快，碳排放规模明显偏高，其能源消费结构急需优化。

7．能源价格对碳排放影响的时空变异。ln（EP）估计系数反映了不同区域能源价格对本区域碳排放增长贡献和邻近省域能源价格外溢效应之和。整体看来，能源价格及外溢效应对本区域碳排放强度减少的影响呈现出一定的梯度分布，其中对本区域碳排放规模影响较大的省份有上海、江苏、浙江、安徽等地。上海、江苏、浙江、安徽、湖北等地能源价格及外溢效应对其碳排放强度减少影响大。能源价格空间滞后 W＊ln（EP）估计系数反映了本区域能源价格对本区域碳排放增长的影响，不同区域间存在着显著的空间差异，大部分地区系数为负，与实际相符，说明适当对能源价格进行调控有利于区域碳减排。

8．对外开放对碳排放影响的时空变异。ln（OPEN）估计系数反映了不同区域对外开放对本区域碳排放增长贡献和邻近省域对外开放外溢效应之和。整体看来，对外开放及外溢效应对本区域碳排放规模影响大的区域主要集中在西部，呈现出一定的梯度分布，上海、江苏、浙江、安徽、山东、河南、湖北、海南等地对外开放及外溢效应对其碳排放强度减少有促进作用。对外开放空间滞后 W＊ln（OPEN）估计系数反映了本区域对外开放对本区域碳排放增长的影响，不同区域间存在着显著的空间差异，河北、山西、河南等地区的系数显著为正，说明外商投资越多，碳排放规模越大，原因是这些地区外商主要投资于第二产业，需要对外商投资结构进行优化，达到经济增长与碳减排共赢。辽宁、广东等地区系数为负，说明这些地区在外商投资方面加大了审查力度，实现了经济与环境双赢，外商投资越多，越有利于中国碳减排。

四、结论与政策建议

本文将时空地理加权回归模型（GTWR）引入碳排放空间计量研究，为空间异质性检验提供了新的方法。利用2006—2011年中国省级面板数据，运用时空地理加权回归模型（GTWR）对扩展的STIRPAT模型进行了估计，证实了碳排放驱动因素及其外溢效应在不同区域之间存在空间异质性，实证考察了各驱动因素对碳排放规模和碳排放强度影响的时空差异。研究显示：无论是从以碳排放规模的自然对数ln（CS），还是从以碳排放强度的自然对数ln（CI）为被解释变量的时空地理加权回归模型碳排放强度影响因素参数估计来看，各个参数的波动性较为稳定，大部分解释变量的时空系数估计值显著，且系数的符号与预期一致，说明运用GTWR把时间和空间差异同时考虑具有明显的优势。从各驱动因素对碳排放影响作用大小和外溢效应可以看出，要想实现区域差异化碳减排，需要充分考虑空间异质性和外溢性。现对区域碳减排的实施过程提出如下建议：

第一，逐步提高碳排放约束水平，针对不同区域实施总量控制方式落实节能减排。中国在哥本哈根会议上承诺到2020年实现单位GDP碳排放量较2005年降低40%～50%的减排目标。“十二五”规划中提出要实现单位GDP能耗和二氧化碳排放分别下降16%和17%。在社会经济发展速度、行业经济增长等其他指标约束下，区域层面实施碳排放总量控制成为碳减排的第一要务。因此需加强对区域碳排放的有效规划，加大碳排放的约束力度。

第二，稳步推进城镇化发展，防止区域间同质化竞争而导致碳排放增加。虽然中国城镇化进程取得了一定的成绩，但是区域间的城镇化进程差异大，不少区域相继加速发展，已经出现同质化竞争的现象。区域间城镇化进程的同质化竞争导致部分城市为了追求城镇化水平的提高，以“摊大饼”式的粗放型发展模式扩大城镇规模，因此需要根据不同城镇的环境自净能力合理规划布局，将城市规模控制在生态临界规模以下，提高资源配置效率，进而降低资源消耗和提高环境的承载能力。

第三，调整能源消费结构，转变经济发展方式，坚持走低碳发展之路。目前中国经济的快速发展是碳排放增长的主导因素，在经济发展到一定阶段，经济发展与碳排放保持着高度的相关性，经济快速发展引起的碳排放上升在一定程度是难以避免的。因此，中国目前碳减排不能寄希望于控制经济发展规模。在既要保持国民经济又好又快地发展，又要减缓碳排放的双重挑战下，根本出路在于调整能源消费结构，转变经济发展方式，坚持走低碳发展之路，减缓由于区域经济发展水平快速增长引起的碳排放增长。

第四，完善能源价格形成机制，适当运用价格杠杆作用控制碳排放。大部分区域能源价格的上涨有助于碳排放的减少，虽然能源价格的变化对碳排放的减少作用小，但是意义重大。继续完善能源价格机制，逐步形成发电和售电价格由市场决定、输配电价由政府制定的电价机制。建立反映资源稀缺性程度和市场供求关系的天然气价格形成机制，运用价格杠杆作用控制日益紧张的能源消费量和日趋增长的碳排放量。

第五，充分发挥空间溢出效应，通过区域示范效应引导区域碳减排。空间溢出效应主要通过被解释变量和解释变量的空间滞后项进行传递，人口规模、城镇化率、人均GDP、能源强度、产业结构、能源消费结构、能源价格、对外开放水平直接效应与间接效应的比例差异较大。要想实现碳减排，需要充分考虑空间异质性和外溢性，需要在区域差异化碳排放的基础上，稳步推进东部发达地区和西部经济发展水平低的地区城镇化进程，加大东部地区技术创新的步伐，优化东部地区产业结构升级和能源消费结构，适度提高西部地区能源价格来控制碳排放的快速增长。在扩大对外开放的同时，加大辽宁、广东等地区对外商投资的甄别，实现区域经济发展与碳减排的双赢。

［1］ 朱平辉，袁加军，曾五一．中国工业环境库兹涅茨曲线分析——基于空间面板模型的经验研究［J］．中国工业经济，2010（6）．

［2］ 姚奕，倪勤．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（9）．

［3］ 郑周胜，黄慧婷．地方政府行为与环境污染的空间面板分析［J］．统计与信息论坛，2011（10）．

［4］ 陈德湖，张津．中国碳排放的环境库兹涅茨曲线分析——基于空间面板模型的实证研究［J］．统计与信息论坛，2012（5）．

［5］ 肖宏伟，易丹辉．中国区域工业碳排放空间计量研究［J］．山西财经大学学报，2013（8）．

［6］ Brunsdon C，Fotheringham A S，Charlton M E．Geographically Weighted Regression：A Method for Exploring Spatial Nonstationarity［J］．Geographical Analysis，1996，28（4）．

［7］ Brunsdon C，Fotheringham A S，Charlton M．Some Notes on Parametric Significance Tests for Geographically Weighted Regression［J］．Journal of Regional Science，1999，39（3）．

［8］ Stewart Fotheringham A，Charlton M，Brunsdon C．The Geography of Parameter Space：An Investigation of Spatial Nonstationarity［J］．International Journal of Geographical Information Systems，1996，10（5）．

［9］ Fotheringham A S，Brunsdon C，Charlton M．Geographically Weighted Regression［M］．New York：Wiley，2002．

［10］宋帮英，苏方林．中国省域碳排放量与经济发展的GWR实证研究［J］．财经科学，2010（4）．

［11］Gelfand A E，Kim H J，Sirmans C F，et al．Spatial Modeling with Spatially Varying Coefficient Processes［J］．Journal of the American Statistical Association，2003，98（462）．

［12］Huang B，Zhang L，Wu B．Spatiotemporal Analysis of Rural－urban Land Conversion［J］．International Journal of Geographical Information Science，2009，23（3）．

［13］Huang B，Wu B，Barry M．Geographically and Temporally Weighted Regression for Modeling Spatio－temporal Variation in House Prices［J］．International Journal of Geographical Information Science，2010，24（3）．

［14］Dietz T，Rosa E A．Rethinking the Environmental Impacts of Population，Affluence and Technology［J］．Human Ecology Review，1994（1）．

［15］Dietz T，Rosa E A．Effects of Population and Affluence on CO2Emissions［J］．Proceedings of the National Academy of Sciences，1997，94（1）．