基于SLM模型的中国碳排放格网化空间分布模拟

刘 永 伟，闫 庆 武

(1.中山大学地理科学与规划学院，广东 广州 510275；2.中国矿业大学环境与测绘学院，江苏 徐州 221116)



基于SLM模型的中国碳排放格网化空间分布模拟

刘 永 伟1,2，闫 庆 武2*

(1.中山大学地理科学与规划学院，广东 广州 510275；2.中国矿业大学环境与测绘学院，江苏 徐州 221116)

以美国橡树岭国家实验室二氧化碳信息分析中心的中国碳排放数据、统计年鉴中的分省化石能源消费与水泥产量数据为基础，选取NDVI植被指数、DMSP/OLS夜间灯光数据、GDP、工业总产值、人口5个指标，对中国2000年及2010年的分省碳排放结果采用5 km×5 km格网，运用空间滞后回归模型(SLM)进行空间分布模拟，并对空间模拟结果进行误差分析及纠正，获得2000年及2010年地均碳排放强度空间分布图。结果表明，中国地均碳排放强度存在以下特征：区域差异分布特征明显，主要表现为从东部地区向中西部地区逐渐变小；存在几个明显高值热点及低值冷点区域；随着时间的推移，地域差异特征越发明显，冷点和热点区域分布特征更加显著；2010年各地区地均碳排放强度明显大于2000年。

碳排放；SLM模型；格网化；空间分布

0 引言

20世纪90年代以来，国际社会普遍认为人类活动产生的温室气体特别是CO2是导致全球变暖的主要原因，CO2减排问题成为关注的焦点[1,2]。为了应对CO2排放，1992年国际社会通过了全球气候变化的基本框架公约——《联合国气候变化框架公约》，至2013年底，框架公约共举行了十九次缔约方会议，为应对全球气候变化做出了极大贡献。

目前，国内对碳排放的研究主要集中在以下方面：1)碳排放量的测算及其因素分解模型实证分析：徐国良等以中国碳排放数据为基础，通过建立因素分解模型对碳排放的影响因素进行了研究[3]；2)碳排放与社会发展、产业发展及能源演变过程的关系研究：吴振信等基于中国省级面板数据，对经济增长和产业结构对碳排放的影响进行了分析[4]；3)不同生态系统的碳储量研究：刘世荣等对森林土壤碳过程相关问题进行了研究[5]；4)中国特定区域碳排放研究、碳排放数量比较及预测研究：北京大学方精云教授研究组对中国及世界主要国家的碳排放、碳排放与社会发展等问题进行了分析，并对中国2050年的碳排放量进行了预测[6-9]。

目前，对中国碳排放数量分布的研究集中于碳排放数据获取途径的创新及模型方法的改进，考虑碳排放空间自相关性的研究较少。为了得到中国碳排放空间分布模拟结果，以5 km×5 km格网为基础，选取NDVI植被指数、DMSP/OLS夜间灯光数据、GDP、工业总产值、人口5个影响因素指标，采用空间滞后回归模型(SLM)进行空间分布预测模拟，以求获得更加详细具体的碳排放分布规律与特点。

1 数据与研究方法

1.1 数据来源及处理

碳排放总量数据来源于美国能源部橡树岭国家实验室二氧化碳信息分析中心(CDIAC)[10]公布的2000年及2010年中国内地(不包括台湾省、香港及澳门特别行政区，因西藏无能源消费数据，亦不含西藏地区)的碳排放数据，将CO2量转换为碳的量，同时单位用吨表示(即tC)；能源消费数据主要来自于《中国能源统计年鉴》；各省水泥产量主要来自于《中国统计年鉴》。首先将CDIAC的化石燃料燃烧及水泥生产碳排放数据按照能源消费量及水泥产量的比例进行分摊的方法，获得各省的化石燃料燃烧及水泥生产碳排放数据；然后将两者相加最终得到研究区各省2000年及2010年碳排放数据。

2000年及2010年NDVI植被指数数据来源于中国科学院计算机网络信息中心国际科学数据镜像网站(http：www.gscloud.cn)；DMSP/OLS夜间灯光数据下载于NOAA网站(http://ngdc.noaa.gov/eog/dmsp/downloadV4composites.html)；GDP数据和工业总产值数据主要来源于《中国城市统计年鉴》，统计到市级单元；人口数据来源于第五、第六次全国人口普查资料，统计到市级单元。由于数据的获取源不同，导致数据的投影坐标存在差异，考虑到中国的特点，为使投影面积变形最小，将所有研究要素(包括研究区格网)的投影均转换成亚洲北部阿尔伯斯等积割圆锥投影(Asia North Albers Equal Area Conic)。

1.2 研究方法

采用空间回归分析中的空间滞后模型对碳排放进行研究。空间回归分析主要适用于对空间问题进行分析，其从一般的回归分析入手，主要在两方面进行延伸，即考虑空间对象位置个性差异的地理加权回归分析和考虑空间对象之间相互作用的二阶回归分析。由于碳排放并非随机分布，而是存在不同程度的空间集聚，经典的线性回归模型(CLRM)难以满足研究需求，而空间回归分析中的空间滞后回归模型(SLM)则考虑了因变量的空间相关性[11]，即考虑了某一空间单元上碳排放量不仅与自变量有关，还与相邻区域单元的碳排放量有关，因此采用SLM模型对中国碳排放分布规律进行研究更加准确。

空间滞后模型：

y=ρWy+Xβ+ε,ε～N(0,σ2I)

(1)

式中：y是因变量，其变化不仅与邻接单元的因变量有关，也与解释变量有关；W为空间权重矩阵；X表示解释变量的n×k阶矩阵；ε是白噪声；ρ和β为变量系数。

2 中国碳排放空间分布模拟

2.1 碳排放量及影响因子的格网化

因数据仅能精确统计到省级单元，导致碳排放出现省内均匀分布而省间突变分布的特点，为解决这一问题，实现对中国碳排放时空分布的格网化模拟，将研究区划分为5km×5km的格网进行研究。建立分布格网时，尽可能综合考虑各种自然和人为因素，兼顾数据的可获取性及满足定量化、空间化的要求[12]，最终选取2000年及2010年两年的NDVI植被指数、DMSP/OLS夜间灯光数据、GDP、工业总产值及人口5个指标进行处理。

以1∶400万中国行政区矢量图为基础，裁剪出研究范围(不包括西藏自治区、香港和澳门特别行政区、台湾省及南海诸岛等岛屿地区)，在ArcGIS中，以研究区为边界建立5km×5km格网，最终得到格网数为336 475个的研究区标准格网。

将2000年及2010年的碳排放数据赋值到省级研究区图层上，与研究区标准格网进行套合，最终获得2000年及2010年基于5km×5km格网的碳排放矢量图；将GDP、工业总产值及人口数据赋值到市级研究区图层上，通过密度计算、相交等步骤，最终获得研究区2000年及2010年基于格网的GDP、工业总产值和人口矢量图；通过重采样、栅格转点及空间连接等功能，获得研究区2000年及2010年基于格网的NDVI植被指数、DMSP/OLS夜间灯光数据矢量图。最终，使用ArcGIS的空间连接功能建立SLM建模所需的矢量图层。

2.2 空间自回归建模

为了使碳排放量具有可比性，使用地均碳排放强度(即单位面积的碳排放量)进行研究。进行空间自回归建模时，首先计算基于省区的地均碳排放强度的全局空间自相关指数(Moran′sI)，以确定碳排放是否具有空间集聚性。经计算2000年Moran′sI值为0.127，2010年为0.1664，且都通过了显著性水平为0.05的假设检验，表明中国碳排放并非随机分布，而是存在不同程度的空间集聚，因此采用SLM模型进行研究具有可行性。

以研究区格网图层中的碳排放量为因变量，以NDVI植被指数、DMSP/OLS夜间灯光、GDP、工业总产值及人口为自变量建立空间滞后模型：

y=ρWy+x1β1+x2β2+x3β3+x4β4+x5β5+ε

(2)

式中：y表示碳排放量；W为空间权重矩阵，即以Rook准则建立的一阶权重矩阵；x1～x5分别表示NDVI植被指数等影响因素值；ρ表示空间滞后变量Wy的回归系数，以此确定碳排放分布的空间相互效应；ε为白噪声；β1～β5分别表示NDVI植被指数等影响因素的回归系数。最终建立2000年及2010年碳排放研究的SLM模型。

运用GeoDa软件对2000年及2010年数据进行空间滞后模型回归，结果如表1、表2所示。2000年模型拟合优度R2为0.9496，2010年为0.9548，R2值越接近1，表明模型中自变量对于因变量的解释效果越好，自变量与因变量具有显著的相关性。表中第一列中碳排放空间滞后变量W_碳的回归系数反映了碳排放数据所固有的相关性，这种相关性是根据邻近单元格平均值计量的，2000年及2010年W_碳的值均较大，说明各格网的碳排放之间存在着显著的空间自相关性，进一步证明了选用空间滞后模型进行研究的可行性和合理性。

表1 2000年空间滞后模型回归系数

Table1RegressioncoefficientofSLMin2000

变量回归系数标准误差Z值P值W＿碳0．86110．00081060．34700．0000人口0．02050．000826．60050．0000GDP0．05590．001344．11540．0000工业总产值0．00730．00089．40230．0000NDVI植被指数0．24900．007333．94890．0000DMSP/OLS夜间灯光-0．02210．0005-47．39590．0000

表2 2010年空间滞后模型回归系数

Table 2 Regression coefficient of SLM in 2010

变量回归系数标准误差Z值P值W＿碳0．87790．00081124．67200．0000人口0．01230．000525．34900．0000GDP0．10860．001667．31840．0000工业总产值-0．00170．0002-7．65130．0000NDVI植被指数0．00860．000516．02060．0000DMSP/OLS夜间灯光0．40520．014627．69940．0000

表1中2000年人口、GDP、工业总产值及NDVI植被指数的回归系数为正值，与碳排放量呈正相关，仅有DMSP/OLS夜间灯光数据与碳排放量呈负相关，且正负相关性都是显著的。表2中2010年的人口、GDP、NDVI植被指数及DMSP/OLS夜间灯光数据的回归系数为正值，与碳排放量呈正相关，仅有工业总产值的回归系数为负值，与碳排放量呈负相关，且正负相关性都是显著的。值得注意的是，2000年的DMSP/OLS夜间灯光数据与碳排放量呈负相关、2010年的工业总产值与碳排放量呈负相关，这似乎与实际情况不符；但是仔细分析发现，其回归系数值都比较小，对碳排放值的模拟贡献较小，可以认为其所呈现出的负相关是对整个模型模拟值的修正。将表1及表2中的回归系数带入式(2)，最终得到2000年及2010年的碳排放模拟值。

2.3 误差分析及纠正

2.3.1 误差分析 对SLM模型的整体模拟情况进行分析：2000年原始碳排放总量为915 434 098.86 t，模型模拟的碳排放总量为889 872 643.31 t，误差率为2.79%，模拟效果整体较好；2010年原始碳排放总量为2 260 001 429.71 t，模型模拟的碳排放总量为2 156 612 858.92 t，误差率为4.57%，模拟效果整体较好。通过对比各省碳排放量相对误差的绝对值，进一步分析模型的模拟精度，误差检验公式为：

(3)

运用式(3)分别对2000年及2010年各省碳排放模拟值的相对误差值进行计算，并将各省的相对误差绝对值进行分类显示。2000年各省相对误差绝对值的平均值为24.12%，2010年为22.62%，大部分地区误差绝对值在35%之内，整体模拟精度较高，表明了模型的准确性及合理性。

以各省统计碳排放量为横轴、模拟值为纵轴，作图1所示的散点图，进一步研究模型模拟数据能否反映原始数据隐藏的信息。分析发现，模拟数据较好地反映了统计数据的分布规律，模拟值与统计值具有明显的线性关系，表明使用SLM模型进行碳排放模拟的精度和准确性均较高。

图1 碳排放统计值与模拟值散点图

Fig.1 The scatter diagram of statistics and simulation value of carbon emission

2.3.2 误差纠正 为使各省的碳排放模拟值和统计值一致，利用各省碳排放统计数据进行纠正，公式如下：

(4)

采用以上纠正方法，对每个格网的碳排放模拟值进行统计纠正，最终得到纠正后的2000年及2010年研究区格网碳排放模拟值。

3 碳排放时空分布规律研究

以数据纠正后的各格网碳排放量为基础，将研究区地均碳排放强度(保留一位小数，单位为t/km2)按等比间隔分为0～10、10.1～20、20.1～40、40.1～80、80.1～160、160.1～320、320.1～640、640.1～1 280、1 280.1～2 560、>2 560共10级，作图2所示的地均碳排放强度分布图。

图2 地均碳排放强度分布

Fig.2 The distribution of carbon emission intensity per unit area of land

对2000年分布图进行分析：地均碳排放强度大于2 560 t/km2的极高值区域仅分布在上海市及深圳市大部分地区；1 280.1～2 560 t/km2的高值区域分布较广，主要分布在广州市部分地区，东莞市南部，上海市、苏州市及嘉兴市交界地区，无锡市大部分地区，北京市、天津市及廊坊市相连的大片区域；640.1～1 280 t/km2的较高值地区主要分布在沈阳市、盘锦市、鞍山市及大连市的集中连片区域，北京、天津及其相邻的廊坊市、唐山市及沧州市部分地区，石家庄市，太原市，济南市、淄博市、青岛市及威海市部分地区，郑州市部分地区，南京市、镇江市、常州市、苏州市及嘉兴市集中连片的大面积区域，武汉市大部分地区，厦门市沿海部分地区，汕头市沿海地区，佛山市、东莞市、中山市、珠海市大部分地区及广州周边地区组成的大片区域；0～10 t/km2的极低值地区主要分布在新疆的东南大部分地区，青海省大部分地区，甘肃省酒泉市部分地区，内蒙古的阿拉善盟大部分地区及锡林郭勒盟西南地区；10.1～20 t/km2的较低值地区主要分布在新疆西北部地区，酒泉市、海北藏族自治州、海东地区、黄南藏族自治州、果洛藏族自治州及玉树藏族自治州的集中连片区域；其余地区强度适中，分布较为分散，主要分布在中部及东北部地区，东部地区也有较大面积分布。

对2010年分布图进行分析：地均碳排放强度大于2 560 t/km2的极高值区域分布范围扩大，主要分布在广州市、东莞市、佛山市及深圳市的大面积连片区域，汕头市小面积区域，厦门市中部地区，上海市、苏州市、无锡市大部分地区及嘉兴市北部的大面积区域，天津市大部分地区及北京市中部地区；1 280.1～2 560 t/km2的高值区域面积增加极快，主要分布在中山市大部分地区，佛山市、广州市、惠州市的周边地区，汕头市大部分地区及其周边的揭阳市、潮州市部分地区，厦门市部分地区及泉州市南部，温州市中部地区，辽宁省大部分地区，扬州市、泰州市、南通市、镇江市、南京市及常州市大部分地区，徐州市、枣庄市、济宁市、泰安市、济南市及淄博市的集中条带状区域，郑州市、邯郸市、石家庄市及太原市的大部分地区，北京市、天津市及其相邻的沧州市和廊坊市部分地区，沈阳市及大连市大部分地区，成都市部分地区；640.1～1 280 t/km2的较高值地区范围变化最大、面积增加最多，主要分布在辽宁省的锦州市、盘锦市、辽阳市、鞍山市及营口市大面积区域，河北省、山东省及江苏省剩余地区，山西省东南部周边地区，陕西省西安市，河南省大部分地区，安徽省淮北市、淮安市、合肥市及马鞍山市部分地区，浙江省大部分地区，成都市周边地区及内江市大部分地区，武汉市周边地区，长沙市及湘潭市大部分地区，福建省及广东省沿海大部分地区，海南省海口市；0～10 t/km2的极低值地区分布范围变化不大但分布面积减少，主要分布在新疆维吾尔自治区的东南部地区且呈零星分布，青海省西北部分地区，酒泉市部分地区，内蒙古自治区的阿拉善盟大部分地区；10.1～20 t/km2的较小值分布区域面积减小，主要在维吾尔自治区呈离散分布，青海省的中部地区，酒泉市部分地区，阿拉善盟周边地区及锡林郭勒盟西北地区；其余的地均碳排放强度适中地区分布范围最广，主要分布在东北地区及中国中部地区。

综合以上分析，总结地均碳排放强度的时空分布规律如下：1)地均碳排放强度沿行政区界线突变的特征完全消失，省级行政区内部高低差异明显，更加符合实际情况；2)2010年地均碳排放强度明显高于2000年，大于1 200 t/km2的高值分布区域明显增多、分布面积明显增大，0～10 t/km2的地区明显减少；3)2000年及2010年地均碳排放强度均呈现明显的地域分布差异特征，即东部地区最高、中部和东北地区次之，西部地区最低，总体呈现出由东部地区向中西部地区递减的阶梯状分布趋势，且2010年的阶梯状分布趋势更明显；4)地均碳排放强度存在几个明显的高值热点区域及低值冷点区域，2000年主要有环“北京-天津”高值热点区、环上海高值热点区及环广州高值热点区，低值冷点区域主要分布在“新疆西部-青海-内蒙古东部”、内蒙古东北部，2010年的高值热点区域范围增大，主要有环“北京-天津”、环“上海-苏州”、环“广州-东莞”、“石家庄-邯郸”、“徐州-济南”、环成都、环武汉高值热点区，低值冷点区域范围减小，主要分布在“新疆东北-内蒙古西北-甘肃西部-青海西北”的广大区域内。

4 结论与讨论

本研究将CDIAC碳排放数据按照各省能源消费量及水泥产量比例进行分摊，获得各省2000年及2010年碳排放数据。以此为基础，选取DMSP/OLS夜间灯光数据、NDVI植被指数、人口、工业总产值及GDP等影响因素，基于研究区5 km×5 km格网，采用空间滞后回归模型对中国碳排放量进行了模拟，经验证，模型的模拟误差较小、精度较高，对碳排放的模拟具有合理性。按照统计数据对碳排放量进行误差纠正，利用纠正后的数据对2000年及2010年中国碳排放空间分布规律进行了研究，得出中国碳排放空间分布的一般规律。

虽然通过一系列的方法与技术得到了研究区基于5 km×5 km格网的碳排放时空分布规律，但是由于对碳排放数据重新分配后，格网本身的空间自相关性增加，尽管这种增加符合以省为统计单元的分布规律，但对模型的模拟会产生一定影响。在今后研究中，应尝试对模型进行局部修正，使结果更加准确。

[1] 张志强,曲建升,曾静静.温室气体排放评价指标及其定量分析[J].地理学报,2008,63(7):693-702.

[2] 丁仲礼,段晓男,葛全胜,等.2050年大气CO2浓度控制:各国排放权计算[J].中国科学(D辑:地球科学),2009,39(8):1009-1027.

[3] 徐国泉,刘则渊,姜照华.中国碳排放的因素分解模型及实证分析:1995-2004[J].中国人口·资源与环境,2006,16(6):158-161.

[4] 吴振信,谢晓晶,王书平.经济增长、产业结构对碳排放的影响分析——基于中国的省际面板数据[J].中国管理科学,2012,20(3):161-166.

[5] 刘世荣,王晖,栾军伟.中国森林土壤碳储量与土壤碳过程研究进展[J].生态学报,2011,31(19):5437-5448.

[6] 王少鹏,朱江玲,岳超,等.碳排放与社会经济发展——碳排放与社会发展Ⅱ[J].北京大学学报(自然科学版),2010,3(4):505-509.

[7] 岳超,王少鹏,朱江玲,等.2050年中国碳排放量的情景预测——碳排放与社会发展Ⅳ[J].北京大学学报(自然科学版),2010,46(4):517-524.

[8] 岳超,胡雪洋,贺灿飞,等.1995—2007年我国省区碳排放及碳强度的分析——碳排放与社会发展Ⅲ[J].北京大学学报(自然科学版),2010,46(4):510-516.

[9] 朱江玲,岳超,王少鹏,等.1850—2008年中国及世界主要国家的碳排放——碳排放与社会发展Ⅰ[J].北京大学学报(自然科学版),2010,46(4):497-504.

[10] CARBON DIOXIDE INFORMATION ANALYSIS CENTER.Global Regional and National Fossil-Fuel CO2Emissions[Z].

[11] 洪国志,胡华颖,李郇.中国区域经济发展收敛的空间计量分析[J].地理学报,2010,65(12):1548-1558.

[12] 霍霄妮,李红,孙丹峰,等.北京耕地土壤重金属空间自回归模型及影响因素[J].农业工程学报,2010,26(5):78-82.

Spatial Distribution Simulation of Carbon Emission with Grid Transformation Based on SLM in China

LIU Yong-wei1，2,YAN Qing-wu2

(1.SchoolofGeographyandPlanning，SunYat-SenUniversity，Guangzhou510275; 2.CollegeofEnvironmentandSpatialInformatics,ChinaUniversityofMining&Technology,Xuzhou221116,China)

Along with the development of the economy and society,research on the spatial distribution of carbon emission is becoming the hot issues of GIS science and physical geography.Based on the date of the carbon emission in CDIAC,Chinese provincial fossil energy consumption and cement output,selecting NDVI vegetation index,DMSP/OLS,GDP,industrial output and population,5 influence factors of carbon emissions,the results of Chinese carbon emission in 2000 and 2010 were processed with 5 km×5 km grids,the SLM was established to simulate the spatial distribution,and the accuracy of the model was provided by testing the accuracy and error analysis.Finally we got the spatial distribution of intensity of carbon emission unit area of land in 2000 and 2010.The results showed that there were several distinct distribution characteristics for the intensity of carbon emissions unit area of land,which were as follows:there were distinct regional differences distribution characteristics,which mainly showed that it became smaller from the eastern areas to the middle-western areas;there were few obvious high value hotspots areas and low value cold spots areas,and as time went on,the features of regional differences were more obvious,and the distribution characteristics of hotspot areas and cold spot areas were more significant;the intensity of carbon emissions unit area of land in 2010 was obviously greater than that in 2000.

carbon emission;SLM;grid transformation;spatial distribution

2014-09-19；

2015-01-04

全国统计科学研究计划项目(2012LY186)；中央高校基本科研业务专项项目(2011QNB15)；国土环境与灾害监测国家测绘地理信息局重点实验室开放基金项目(LEDM2012B09)

刘永伟(1988-)，男，博士研究生，主要研究方向为GIS应用。*通讯作者E-mail:3403175@163.com

10.3969/j.issn.1672-0504.2015.03.015

F205

A

1672-0504(2015)03-0076-05