中国私家车碳排放空间格局及其影响因素的ESDA-GWR分析

潘竟虎

(西北师范大学地理与环境科学学院，甘肃 兰州　730070)



中国私家车碳排放空间格局及其影响因素的ESDA-GWR分析

潘竟虎

(西北师范大学地理与环境科学学院，甘肃 兰州730070)

摘要：利用探索性空间数据分析(ESDA)和地理加权回归模型(GWR)，对2012年全国312个地级及以上城市私家车碳排放的空间分异格局、总体趋势、空间异质性和驱动因素进行研究。结果表明，中国地级城市私家车碳排放空间分异显著，碳排放总量呈现中部>东部>西部、中部>北方>南方的变化趋势，人均碳排放量表现为东高西低、北高南低的态势，地均碳排放量则呈现南高北低、东高西低的态势。人均储蓄存款余额对私家车人均碳排放的影响最大，其次是人均GDP和城镇居民可支配收入，且影响因素具有明显的经度或纬度地带性规律。

关键词：私家车碳排放；探索性空间数据分析(ESDA)；地理加权回归模型(GWR)；空间异质性

自20世纪90年代以来,我国土地和房地产市场快速发展,城市中以“单位制”为主体的“职住合一”模式逐渐消失,“职住分离”诱发了巨大的交通需求,居民收入水平快速增加也拉动我国城市机动车保有量的急速上升,其中大城市私家车保有量约占城市机动车保有量的80%。城市私家车保有量的飞速增加、交通拥堵引起的车速减慢以及燃料燃烧效率偏低等,均使得城市交通的能源消耗、碳排放量和大气污染问题日益突出[1],城市交通的环境成本大大提高。国外有关私家车碳排放的研究相对较早,加之部分发达国家从20世纪90年代即开始征收碳税,关于居民出行的交通碳排放研究比较成熟,研究内容主要包括家庭特征、城市空间结构特征与私家车出行碳排放的关系,城市人口密度对城市私家车碳排放的影响,居民收入水平、经济发展水平与私家车碳排放之间的关系等[2-3]。私家车碳排放的核算研究方法主要有回归分析法、结构方程模型、蒙特卡洛法、投入产出法和碳排放调控模型等[4-6]。在我国,2000年以来碳排放问题才逐渐受到关注,碳排放核算与碳税设计也成为学界研究的热点问题[7]。总体来看,国内针对私家车碳排放、碳税相关问题的系统性研究尚处于起步阶段,学者们针对私家车碳排放量的测算、城市居民出行碳排放的影响因素、不同交通方式碳排放的比较、私家车碳税设计、私家车碳排放控制对策等问题进行了研究[8-10],但对私家车碳排放的空间分异格局少有研究。国内研究方法多采用基于经济学理论的统计模型,GIS空间分析也较少见。从研究对象看,或针对单个城市,或以省级为基本研究单元,缺乏中观层面上的研究,以地级城市为单元的时空分异研究更是鲜见。

当前,低碳城市已经成为国内外政界、学术界和企业界关注的热点,但已有研究尚集中在相关理念界定和设计原则分析上,缺乏定量化的实证研究。按人均GDP衡量,我国已成为中上等收入水平国家,城市中私家车拥有量短期内必然会以井喷式的速度上升。中国实行市管县体制,地级市均为所在区域的经济、文化中心,在地级市整体层面上探索私家车碳排放的空间分异格局,有助于认清区域私家车碳排放的空间特征,对政府因地制宜地实行差别化的调控政策有着重要的参考意义。基于此,以2012年中国312个地级及以上城市为对象,运用GIS空间分析手段分析私家车碳排放的时空分异格局及驱动因素的空间异质性,以期为相关政策制定提供科学借鉴。

1数据来源与研究方法

1.1数据来源

我国实行(地级)市管县的行政体制,地级行政区的管辖范围相对较为稳定。考虑到统计数据的可获取性和行政单元空间完整性,以2012年地级行政区为尺度进行分析,不包括台湾、香港和澳门地区。为保持空间的连续性和便于分析,将4个直辖市和个别属于省直辖的县级行政区也纳入分析的范畴。此外,新疆、西藏和青海由于私家车保有量数据缺失,其地级单元没有纳入研究范围。数据来源于《中国县(市)社会经济统计年鉴2012》[11]与《中国区域经济统计年鉴2012》[12]。行政界线和城市位置信息等获取自国家基础地理信息中心1∶400万数据库。

1.2研究方法

1.2.1CO2排放计算方法

政府间气候变化专门委员会(IPCC)指南提出了2种交通能源消费的碳排放核算方法[13]:自上而下法,即依据国家或区域范围内的交通燃料销售数据,乘以燃料碳排放系数得到碳排放量;自下而上法,即依据不同交通方式的行车里程,乘以单位里程的燃料消费量获得燃料消费总量,再与燃料碳排放系数相乘得到碳排放量。因无法得到准确的私家车消耗燃料销售数据,故只能采用自下而上法，计算公式[14]为

EC=CF×CE。

(1)

式(1)中,EC为CO2年排放量,kg;CF为年燃料消耗量,TJ;CE为排放系数,kg·TJ-1。

CF=DT×Fh×DF×Fnc。

(2)

式(2)中,DT为年行驶里程,km;Fh为平均百公里油耗量,L;DF为燃油密度,kg·L-1;Fnc为燃料净热值,TJ·Gg-1。以93#汽油作为私家车燃料,以CO2计算,IPCC指南中提供的汽油排放系数为69 300 kg·TJ-1,汽油的净热值为 44.3 TJ·Gg-1,即44.3×10-6TJ·kg-1。由于受天气、车流量、路况、人流量、驾驶员的操作习惯以及红绿灯数量差异的影响,不同城市私家车百公里油耗量也各不相同,通过参考前人研究结果[14]及对兰州市中心城区私家车驾驶人员的调查,采用8.5 L计算。据前人调查得到的数据[14-15],私家车的年行驶里程在1.5×104km左右。

1.2.2位序-规模分析

1949年ZIPF[16]提出了城市位序-规模分布法则,采用该法则分析私家车碳排放的城市差异，计算公式为

lnDRE，i=lnDRE，1-qlnri。

(3)

式(3)中,DRE，i为第i个城市的私家车碳排放量,kg;DRE，1为排放量排名第1的城市私家车碳排放量,kg;lnDRE，1是一个常数,体现城市体系等级最高的城市在位序-规模二维坐标系纵轴上的截距;ri为第i个城市的位序;q为回归曲线的斜率,其值的大小可以反映城市私家车碳排放结构的变化,若其值变大,说明规模集中的力量大于分散的力量,反之则说明分散的力量大于集中的力量。

1.2.3探索性数据分析(ESDA)

采用基于GIS平台的ESDA技术,包括全局Moran′s I指数和局域Moran′s I指数(LISA)。引入局部自相关的G系数(Getis-OrdGi*)来判别不同空间位置上的高值与低值集聚状况，其计算公式详见文献[17]。

1.2.4地理加权回归模型(GWR)

GWR对经典回归模型进行了改进与加工,充分考虑了影响因素变量的空间位置,容许局部回归的参数估计值,计算公式[18]为

(4)

式(4)中,yi为观测值；(Si,Ti)为第i个城市的空间地理位置坐标，作为地理加权;α0(Si,Ti)为第i个城市的回归常数;αj(Si,Ti)为第i个城市的第j个回归参数,是地理位置函数;n为独立变量个数;xij为独立变量xj在第i个城市的值;εi为随机误差。运用GWR模型研究中国地级城市私家车碳排放量的区域差异及其驱动因子,可将数据的空间特性纳入模型,以更客观地探测数据的空间非平稳性。

2私家车碳排放空间分异特征

2.1总体分异特征

2.1.1位序-规模分析

2012年中国地级及以上城市私家车碳排放总量、人均碳排放和地均碳排放的位序-规模回归曲线如图1所示。

图1　2012年中国地级及以上城市碳排放的位序-规模分析

回归拟合的决定系数R2均在0.8以上,显著性水平P<0.01,说明拟合度较好。图1表明,中国地级城市私家车碳排放符合位序-规模分布,说明城市之间私家车碳排放的差异巨大,位序靠前城市的私家车碳排放明显高于位序靠后城市的碳排放,这意味着位序靠前城市面临更大的节能减排压力。

2.1.2空间分异格局

依据ArcGIS软件中的自然断点分类法绘制私家车碳排放空间分布分级图(图2),该分级方法可以使得类内的方差最小而类间的方差最大。由图2可见,2012年有67个地级单元私家车碳排放>1 Gg,城市数量仅占地级单元总数的21%,但其排放量占研究单元总排放量的62%,集中分布在京津冀、山东、长三角、珠三角以及呼和浩特-包头-鄂尔多斯-榆林地区,散布在东南沿海和安徽、黑龙江等省区;其中,北京市私家车碳排放量最大,高达11.44 Gg,其次是成都、天津和深圳市,均在5 Gg以上;碳排放>4 Gg的城市还有广州、昆明、苏州和上海。私家车碳排放最高的城市(北京)碳排放量是最低的地级单元(神农架林区)的1 003倍。

较之总排放量而言,人均碳排放高值区在空间分布上更为集中,形成华北地区中部、内蒙古西部和长三角3大连片区。2012年有45个地级单元人均碳排放量>0.3 kg。其中,内蒙古乌海市最高,达0.713 kg;其次是昆明市和阿拉善盟;人均碳排放量>0.5 kg的城市还包括鄂尔多斯、北京、钦州和东营。人均碳排放量低的城市大多位于华中、西南地区东部和西北地区南部。人均碳排放最高的城市(乌海)碳排放量是最低城市(绥化)的68倍。

就地均碳排放量来看,高排放城市集中在沿海地区,散布在中部多个省份。2012年有86个地级单元地均碳排放量>100 kg·km-2。其中,深圳市最高,达2 530 kg·km-2;其次是东莞、佛山和厦门;地均碳排放量>600 kg·km-2的城市还包括北京、中山、广州和上海。地均碳排放最高的城市(深圳)碳排放量是最低城市(甘孜)的14 016倍。总体来看,京津冀、山东半岛、江浙和珠三角私家车碳排放总量、人均碳排放量和地均碳排放量均很高,应是控制私家车数量、降低碳排放和倡导绿色出行的重点地区。

与其他国家相比,我国私家车碳减排问题存在着一定的特殊性,我国人口基数庞大导致汽车需求量巨大,加之受国人消费观念转变的影响,城市私家车拥有量普遍偏高;此外,我国城市间发展极不平衡,不同城市间经济发展水平差异巨大,使得不能用同一标准衡量所有城市,客观上要求对不同类别城市的私家车碳减排问题进行具体分析。为此,在前人研究[19]的基础上,以品牌进入密度和数量、GDP、人均收入、“211”高校数量、“全球500强”数量、机场吞吐量、城市排名、使领馆数量以及国际航线数量等作为主要指标,将中国城市划分为一线、二线、三线、四线、五线和民族地区城市6种类型，计算各类城市的私家车碳排放均值情况(表1)。结果发现,私家车碳排放总量、人均碳排放量和地均碳排放量呈按一线、二线、三线、四线、五线、民族地区城市的顺序依次递减态势,尤其是一线城市的碳排放总量和地均碳排放量均远高于其他类型城市。这表明私家车已经同住房一样,成为拥有雄厚经济基础、庞大中产阶层人群、可观政治文化教育医疗资源的“前线”城市追逐现代生活品位的必需品,限制碳排放理应从一线城市着手。

图2　2012年中国地级及以上城市私家车碳排放分级示意图

表12012年中国各类城市私家车碳排放统计值

Table 1Statistics of carbon emissions from private cars in those cities in 2012

城市分级城市数年碳排放总量/Gg人均碳排放量/kg地均碳排放量/(kg·km-2)一线193.6200.337488.411二线361.7830.288230.930三线570.9340.21299.417四线600.4850.14649.776五线1180.3320.13135.665民族地区220.2360.1289.354

2.1.3宏观趋势特征

采用ArcGIS软件中的全局趋势分析方法,以正西和正南方向作为X和Y轴,分别以碳排放总量、人均碳排放量和地均碳排放量为Z轴,制作三维透视图,将透视角度合理旋转，用以揭示中国地级单元私家车碳排放空间特征及其趋势(图3)。在空间分布上,2012年碳排放总量空间分异呈现中部>东部>西部、中部>北方>南方的趋势,中部地区的碳排放相对较高。人均碳排放量表现为东高西低、北高南低的态势,且南北差异大于东西差异。地均碳排放量则呈现出南高北低、东高西低的态势,南北差异略大于东西差异。总体而言,人均碳排放的区域差异最为明显。

2.2空间相关性

分别计算基于边邻接(rook)标准和广义邻接(queen)标准的各阶空间权重矩阵的全局Moran′s I值,来考察中国私家车碳排放的总体空间相关程度。经GeoDa软件计算,碳排放总量、人均碳排放量和地均碳排放量的全局Moran′s I值分别为0.256 6、0.432 3和0.367 6,而且3个指标Moran′s I的正态统计量Z值均超过0.05置信水平的临界值1.96,表明全国地级单元私家车碳排放存在着全局空间自相关特征,私家车碳排放量较高的地级单元趋于集聚,私家车碳排放量较低的地级单元也趋于集聚。采用GS+软件构造距离权重矩阵,计算不同距离带内的点数据间的Moran′s I值,结果发现312个地级单元的平均距离在240 km左右开始出现空间自相关。

为进一步分析各地级单元在空间上的相互关联类型,依据样本单元与其相邻单元的空间关系,在0.05显著水平下,将各单元归为下述4类:高-高,即地级单元自身与相邻单元碳排放均较高,两者呈显著正相关;低-低,即地级单元自身与相邻单元碳排放均较低,两者呈显著正相关;低-高,即自身碳排放较低,而相邻单元碳排放较高;高-低,即自身碳排放较高,而相邻单元碳排放较低,两者呈显著负相关。从各关联类型地级单元数量分布来看,碳排放总量:低-低(28)>高-高(23)>低-高(6)>高-低(3);人均碳排放:低-低(67)>高-高(31)>低-高(8)>高-低(6);地均碳排放:低-低(68)>高-高(16)>低-高(6)>高-低(5)。这说明中国地级单元私家车碳排放呈现非均衡的发展格局,表现在碳排放高的地级单元往往也和碳排放高的地级单元为邻,而碳排放低的地级单元则大多也与碳排放低的地级单元为邻。碳排放总量的高-高聚集区域在空间上聚为3片:冀中-山东半岛、长三角和珠三角;低-低聚集区域则集中在甘肃和川滇西部。人均碳排放的高-高聚集区域则在碳排放总量格局的基础上增加内蒙古西部-甘肃酒泉地区;低-低聚集区域则大面积集中于长江中游、黄淮和川北-陇中南地区。地均碳排放的高-高聚集区域很小且趋于分散,低-低聚集区域主要分布在东北北部、陕甘宁、云贵桂和湘鄂赣等地区，低-高聚集区域多分布在高-高聚集区域周围,高-低聚集区域则多分布在低-低聚集区域外缘。

图3　2012年中国地级及以上城市私家车碳排放分布趋势

3基于地理加权回归的私家车碳排放驱动力分析

由前文空间自相关分析可知,碳排放的空间分布并非完全呈随机分布,而是呈现较显著的空间集聚性和异质性,这说明私家车碳排放不再符合普通最小二乘法(OLS)所要求的样本间须相互独立的假设,换言之,基于OLS的经典线性回归模型所估计的结果和推论很可能不够可靠,必须引入空间因素(空间差异性和空间依赖性)对经典线性模型加以修正。地理加权回归(GWR)模型可以解决因空间位置导致的因变量与自变量间关系的局部变异,从而减小模型残差的空间自相关性。由于私家车碳排放量大小直接取决于私家车保有量,以私家车人均碳排放量为因变量,综合考虑数据的科学性、完整性与可获取性,选取10个指标作为影响私家车碳排放的解释变量。首先将各指标进行标准差标准化处理，应用逐步回归法剔除共线性指标,选取容忍度大于0.7的人均GDP、城镇化率、城镇居民人均可支配收入、城镇居民人均消费支出、恩格尔系数、路网密度、人均居住面积和人均储蓄存款余额8个指标作为解释变量,建立GWR模型,采用自适应(adaptive)核函数使赤池信息准则(AICc)最小的带宽法进行局域估计。所选8个指标OLS模型的决定系数R2为0.805,残差平方和(residual squares)为9.13,而利用GWR分析的决定系数R2为0.851,残差平方和为2.27,这说明GWR模型对因变量的解释更为合理。

从私家车人均碳排放的局部系数估计结果来看,影响中国地级城市私家车人均碳排放的因素重要程度在空间上存在较大差异。私家车人均碳排放的解释变量重要程度由高到低依次为人均储蓄存款余额、人均GDP、城镇居民可支配收入、人均居住面积、城镇化率、路网密度、恩格尔系数和城镇居民人均消费支出。GWR模型可以解释私家车人均碳排放变异的72.8%～91.6%,AICc值为602.32,其回归方程通过了0.001 的显著性水平检验。GWR模型估计的变量回归系数中,城镇居民可支配收入和人均储蓄存款余额为正值,城镇居民人均消费支出和恩格尔系数为负值。

人均储蓄存款余额对人均碳排放的影响最大,呈正相关,表明老百姓实际富裕程度对私家车保有量的增加起到最直接的影响作用。人均储蓄存款余额对人均碳排放的影响程度空间上自西南向东北递减,高值区位于西南地区,该区多为少数民族聚集的山地丘陵地区,私家车保有量主要依靠居民储蓄的增长拉动,这些地区私家车更多地是一种身份、地位和成功的象征。低值区分布于东部沿海和东北地区,这些地区多为地势较为平坦的平原区,私家车更多地承担了交通工具的职能。

绝大多数地级市人均GDP回归系数为正值,人均GDP对私家车人均碳排放的影响程度在空间上自北向南依次减弱,高值区出现在陕甘宁、内蒙古西部和山西等地,这些地区多为能源和矿产资源集中输出地,即所谓的“高碳经济”地区,煤炭、石油、天然气、电力和化工等高耗能产业发展迅速，推动了人均GDP快速增长;低值区主要分布在广东省,产业升级转型已基本完成,其经济发展因素对私家车人均碳排放的驱动作用较小。

城镇居民可支配收入的回归系数为正值,对私家车人均碳排放的影响程度在空间上总体呈现自南向北依次增加的趋势,高值区出现在云南、广西西南部以及吉林和辽宁的东部沿边地区,低值区则分布于甘肃、山西、陕西北部和内蒙古中西部。受传统置业观念的影响,住房是城市居民首要的大宗消费品,在满足住房需求的前提下,购买私家车成为位列第2的重要需求。人均居住面积对人均碳排放的影响程度在空间上呈现以低值区为中心的环状分布特征。上海、江苏和浙江所辖部分一线城市因房价较高,其人均住房面积系数为较小的负值。

除甘肃河西走廊、宁夏和内蒙古西部部分城市外,其余地级城市城镇化率的回归系数均为负值,表明城镇化水平的提高并不是私家车人均碳排放的正向影响因素,反而会降低私家车的人均碳排放,这或许是由于城镇化率提升导致城镇人口的增速高于私家车碳排放增速所致。高值区出现在2个完全相反的地域,即城镇化水平不高的西南地区和城镇化率较高的东北地区。

路网密度、恩格尔系数和城镇居民人均消费支出这3个变量对私家车人均碳排放的正向影响较小。绝大多数地级市路网密度的回归系数为负值,其影响程度在空间上自西向东逐渐降低。绝大多数地级市恩格尔系数的回归系数为负值,表明生活水平越高(恩格尔系数低)的城市,其私家车碳排放量越大。值得注意的是,城镇居民人均消费支出的回归系数为负值,说明居民人均消费支出越多,私家车碳排放反而越小,这可能是因为对于绝大多数城市而言,汽车消费在居民总消费中的比例并不大,用于其他消费的支出增加,必然会限制私家车消费的支出,从而降低人均碳排放。

4讨论

4.1政策启示

国际能源组织(IEA)2011年发布的《全球能源展望》年度报告中指出,世界2/3的碳排放量由交通和电力供热贡献[20]。西方国家的发展经验显示,当城市步入工业化中后期,伴随着人口和私家车的增长,以及以“去重工业化”和“软化”为特点的产业结构转型,由居民交通出行所产生的碳排放占比将不断上升。由于公共交通可达性的受限,即使政府实施公交优先等措施,在居民收入增加的大背景下,私家车保有量预计仍会持续上升。笔者建议:(1)控制私家车。采取在市中心减少机动车道、增加自行车道和步行道及限号出行等措施,降低私家车在城市居民出行中的比例。(2)引导消费结构。引导消费者更多地选择小排量汽车和绿色能源汽车。(3)施行碳税试点。由于私家车碳排放所产生的外部性属于消费外部性,不同于生产外部性,在人均碳排放、地均碳排放很高的城市进行碳税试点,对大排量私家车征收科学合理的碳税,可达到既节能减排又不增加中低收入人群负担的目的,比之行政管制更为有效。(3)倡导低碳生活。通过政策引导来提倡节能减排的生活方式,提高居民节能意识。(4)注重空间溢出效应。该研究也表明,私家车碳排放存在空间关联和邻近溢出效应,因此在制定调控措施时,要区域联动,共同发力。

4.2不足与展望

IPCC指南中提供了温室气体排放量的测算思路,然而具体到某个国家或地区,由于数据获取的途径和精度不同,其计算结果自然存在一定的不确定性。该不确定性主要来自于燃料消费量和碳排放系数2个因素,在缺乏中国碳排放系数的情况下,该研究只能采用缺省值。私家车百公里油耗量和年行驶里程主要来自于调查数据,该研究对这些指标均采用较保守的数值。此外,文中未考虑不同排量私家车碳排放的差异,有研究显示年行驶里程与城市形态、人口密度、公共交通等有密切关系,年行驶里程存在较大的地区差异[21]。由于购买力水平和环保意识等因素的差异,百公里油耗量也可能存在地区差异,这些问题有待今后深入研究。

参考文献：

[1]张艳芳,位贺杰.西安市工业内部碳排放的拉动效应与空间分异[J].生态与农村环境学报,2015,31(3):293-300.

[2]HANDY S.Smart Growth and the Transportation-Land Use Connection:What Does the Research Tell Us?[J].International Regional Science Review,2005,28(2):146-167.

[3]BREHENY M.The Compact City and Transport Energy Consumption[J].Transactions of the Institute of British Geographers,1995,20(1):81-101.

[4]HANKEY S,MARSHALL J D.Impacts of Urban Form on Future US Passenger-Vehicle Greenhouse Gas Emissions[J].Energy Policy,2010,38(9):4880-4887

[5]DRUCKMAN A,JACKSON T.The Carbon Footprint of UK Households 1990-2004:A Socio-Economically Disaggregated,Quasi-Multi-Regional Input-Output Model[J].Ecological Economics,2009,68(7):2066-2077.

[6]HICKMAN R,ASHIRU O,BANISTER D.Transport and Climate Change:Simulating the Options for Carbon Reduction in London[J].Transport Policy,2010,17(2):110-125.

[7]王晓霞,南灵.基于LMDI模型的陕西省能源消费碳排放压力解耦分析[J].生态与农村环境学报,2014,30(3):311-316.

[8]刘恺.北京市私家车保有量的计量经济学分析[J].山西财经大学学报,2012,34(2):3-4.

[9]龙瀛,毛其智,杨东峰,等.城市形态、交通能耗和环境影响集成的多智能体模型[J].地理学报,2011,66(8):1033-1044.

[10]上官筱燕,孙瑞红.九寨沟景区内居民私家车碳排放研究[J].中国人口·资源与环境,2013,23(5):140-142.

[11]国家统计局农村社会经济调查司.中国县(市)社会经济统计年鉴2012[M].北京:中国统计出版社,2013:183-416.

[12]国家统计局综合司.中国区域经济统计年鉴2012[M].北京:中国统计出版社,2013:191-420.

[13]IPCC.2006 IPCC Guidelines for National Greenhouse Gas Inventories[EB/OL].(2008-07-12)[2015-03-04].http:∥www.ipcc-nggip.iges.or.Jp/public/gl/invs1.html.

[14]赵敏,张卫国,俞立中.上海市居民出行方式与城市交通CO2排放及减排对策[J].环境科学研究,2009,22(6):747-752.

[15]李永芳,钱宇彬.我国家用轿车运行成本分析[J].汽车与配件,2008,28(2):52-54.

[16]ZIPF G K.Human Behaviour and the Principle of Least Effort[M].MA：Addison-Wesley Reading,1949:32-41.

[17]ANSELIN L,SYABRI I,KHO Y.GeoDa:An Introduction to Spatial Data Analysis[J].Geographical Analysis,2006,38(1):5-22.

[18]白景锋,张海军.基于EOF和GWR模型的中原经济区经济增长的时空分析[J].地理研究,2014,33(7):1230-1238.

[19]丁祖昱.中国房地产依赖度的城市分异研究[J].华东师范大学学报:哲学社会科学版,2013,45(3):121-127.

[20]杨上广,王春兰,刘淋.上海家庭出行碳排放基本特征、空间模式及影响因素研究[J].中国人口·资源与环境,2014,24(6):148-153.

[21]HUO H,ZHANG Q,HE K,etal.Vehicle-Use Intensity in China:Current Status and Future Trend[J].Energy Policy,2012,43(3):6-16.

(责任编辑： 许素)

ESDA-GWR Analysis of Spatial Pattern of Carbon Emission From Private Cars and Its Influencing Factors in China.

PANJing-hu

(College of Geography and Environmental Science, Northwest Normal University, Lanzhou 730070, China)

Abstract:A study was carried out on spatial differentiation pattern, general trend, spatial heterogeneity and driving factors of carbon emission from private cars in 312 cities of prefecture or above level in 2012, using the exploratory spatial data analysis (ESDA) and the geographic weight regression (GWR) model. Results show that spatial difference in carbon emission from private cars is significant between the cities, displaying a general trend of Central China >East China >West China, and Central China >North China >South China, in terms of total volume of carbon emission, East China >West China, and North China > South China in terms of per capita carbon emission, and East China >West China, and South China > North China in terms of carbon emissions per unit area of land. GWR analysis shows that the driving factor of the per capita carbon emission from private cars also varied between cities of prefecture-or above levels in China. Per capita saving deposit is the major factor affecting the per capita carbon emissions from private cars, and the latter is closely related to the former. Per capita gross domestic product (GDP) comes the second, also has a positive relationship with carbon emission and then is followed by disposable income of urban residents, per capita living space, urbanization rate, density of the road network and Engel′s coefficient. Per capital annual expenditure of urban residents on consumption has the least influence. The influencing factors of carbon emission from private cars in the cities of prefecture or above levels in China show a clear latitudinal zonality or longitudinal zonality.

Key words:carbon emission from private cars；ESDA;GWR；spatial heterogeneity;China

作者简介：潘竟虎(1974—),男,甘肃嘉峪关人,副教授,博士,研究方向为生态环境遥感。E-mail: panjh-nwnu@nwnu.edu.cn

DOI：10.11934/j.issn.1673-4831.2016.02.015

中图分类号：TU984；F512

文献标志码：A

文章编号：1673-4831(2016)02-0270-07

基金项目：国家自然科学基金(41361040,41271184);甘肃省高校基本科研业务费项目(2014-63)

收稿日期：2015-03-04