中国大陆省域人均CO2排放影响因素的空间异质性研究

卢 玉，陈晓平

(福建师范大学 数学与统计学院，福建 福州 350117)

0 引言

近年来，全球气候变暖加剧，空气污染严重，气候的变化与人类的的健康息息相关[1]。CO2排放量的增加导致的环境问题已经成为人们关注的焦点。中国一直是CO2排放大国，《BP世界能源统计年鉴》2021年版中指出，2020年中国的CO2排放总量为99×108t，比2019年CO2排放量增加近1×108t，增长率为0.6%，在全球CO2排放中的比例为31%。中国很早就意识到环境污染日益严重的问题，积极推进CO2减排工作，并在2020年做出了“力争2030年前CO2排放达到峰值，努力争取2060年前实现碳中和”的承诺。CO2减排将会对各行业产生积极的影响[2，3]。各国都在积极应对CO2减排工作，中国也采取了一系列措施促进CO2减排。

目前，CO2排放的研究多涉及到清洁能源消费、工业和农业等部门的CO2减排工作、碳减排相关驱动因素研究等[4-8]。学者们关于CO2排放影响因素的研究很广泛。例如，胡雷[9]利用对数迪氏平均指数分解方法(LMDI)研究城镇化对CO2排放的影响机理，发现城镇化导致的经济增长是人均CO2排放增加的主要拉动因素；潘佳佳和李廉水[10]利用同样的方法将工业CO2排放的影响因素分解为人口因素、经济发展、能源消费结构和能源强度因素。马晓钰等[11]利用STIRPAT模型研究人口规模、城市化水平、年龄结构、收入水平、能源消费结构、产业结构对CO2排放的影响；陈占明等[12]利用扩展的STIRPAT模型研究人口规模、第二产业产值占比、采暖需求和城镇化率对CO2排放的影响；Du等[13]将绿色技术创新引入CO2排放的影响因素中，结果表明绿色技术创新对收入水平的影响存在单一的门槛效应，人均GDP、城市化水平、产业结构、贸易开放程度和能源消费结构也对CO2排放有显著影响；Zandi等[14]在研究贸易自由化在CO2排放中的作用时发现贸易自由化对环境退化有积极的影响，并导致增加环境恶化。同样，经济增长和能源消费也有积极的和对环境退化有重大影响。已有关于CO2排放影响因素的研究对本研究提供了启示。

事实上，各因素对人均CO2排放分布的影响具有明显的区域性特征。当前关于CO2排放的相关研究往往忽略了不同影响因素的空间作用尺度差异。常见的最小二乘回归(OLS)等全局回归模型不能测度不同区域自变量对因变量影响的差异性[15]，地理加权回归(GWR)模型中虽然利用变系数可以展示不同区域自变量与因变量的关系变化，但所有自变量的带宽都是相同的，这无法展示现实生活中各影响因素的真实空间过程[16]。而多尺度地理加权回归(MGWR)模型弥补了以上各模型的不足，在一定程度上可以处理全局和局部的空间作用尺度问题[17]。MGWR模型通常用于研究影响因素的地理空间上的差异化特征，探究影响因素在空间上的演变[18-21]。

本研究运用多尺度地理加权回归模型(MGWR)探究各因素对中国省域人均CO2排放的影响性质与强度，揭示影响因素在空间上作用尺度及影响效果的异质性，以便为CO2减排相关政策措施的实施提供依据。

1 数据与方法

1.1 数据来源

本研究CO2的计算根据张晓梅和庄贵阳[22]计算CO2排放总量的方法得到，即将3种一次能源消费量乘以各自的CO2排放系数得到各种能源的CO2排放量，将它们加总得到CO2排放总量。根据相关研究[23，24]及数据的易获取性，选定的解释变量除了常见的能源强度、人均社会消费品总额、人均固定资产投资额和第三产业增加值与第二产业增加值比值(人均社会消费品总额、人均固定资产投资额都是经过以 2013年为基年的GDP平减指数调整后的数据)外，本研究引入数字经济指数和新型城镇化指数作为解释变量。

中国信息通信研究院(CNY)发布的2020年《中国数字经济发展白皮书》中指出数字经济的关键要素是数字化的知识和信息，核心驱动力是数字技术，重要载体是现代信息网络，是一个将实体经济与数字技术相融合，重构新型经济形态的过程。据中国信息通信研究院发布的2020年《中国数字经济发展白皮书》显示，中国2020年数字经济规模为39.2×1012元，比2019年增加3.3×1012元，占GDP的38.6%，增长速度高达9.7%。随着数字经济的快速发展，对数字经济的测度和衡量成为学者们关心的问题。研究表明数字经济有利于缓解环境压力，改善环境质量[25]。Li等[26]研究发现CO2排放和数字经济之间呈“倒U型”非线性关系，支持环境库兹涅茨曲线(EKC)假说。这表明数字经济与CO2排放间存在相关关系。因此，本研究引入数字经济作为解释变量探究数字经济的发展是否可以为碳减排提供动力。

中国近年来积极探索以人为本的新型城镇化形式，即“集约、高效、城乡一体化、和谐、可持续”的城镇化模式[27]。新型城镇化对CO2排放的影响也是学者们研究的问题。Sun等[28]基于中国30个省份的面板数据建模发现城镇化与碳排放效率呈“倒U型”关系；Shi等[29]以环境库兹涅茨曲线为基础分析中国32个省份碳排放与城市化率之间的三阶段动态关系；杨晓军和陈洁[30]表明城镇化与CO2排放存在长期的均衡关系，城镇化对CO2排放影响呈现地区间差异；周葵和戴小文[31]研究发现城市化率与碳排放之间长期存在驱动关系，城市化率的提高将引起碳排放量的增加。因此，本研究也将新型城镇化作为人均CO2排放的影响因素引入，探究新型城镇化对人均CO2排放的影响效果。

本研究中数字经济指数和新型城镇化指数通过借鉴前人的相关研究[32-35]构建相应的指标评价体系，利用熵值法[36]计算得到。其相应的指标评价体系如表1和表2所示。本研究相关数据来源于《中国统计年鉴》、各省份统计年鉴、互联网发展统计报告、工业与信息化部发布数据等。本研究所涉及的30个省份不包括台湾、香港、澳门和西藏地区。

表1 数字经济指数评估体系

表2 新型城镇化指数评估体系

1.2 研究方法

MGWR模型的公式如下：

(1)

式中：(ui,vi)是样本点i的坐标；β0(ui,vi)是模型在样本点i的截距；βbwj(ui,vi)是样本点i在第j个变量处的回归系数；εi是随机误差项[21]。MGWR模型每个变量都有不同的带宽，可以反映不同变量在不同空间作用尺度上的回归系数，即MGWR模型的每个回归系数βbwj都是基于局部回归得到的。通常来说，带宽越大，则该变量的空间异质性越小，反之则空间异质性越大[20]。本研究使用的核函数和带宽选择准则分别是二次核函数和AICc准则。

MGWR模型可以看成是一个广义可加模型，通常采用后退拟合算法拟合各个平滑项。该算法要求对所有的平滑项设定一个初始值，然后再去不断优化初始值，最终收敛于某个值。常用的初始化有4种：经典GWR估计、半参数GWR估计、最小二乘估计、初始值均设为0[19]。经典GWR模型估计收敛速度比较快，本研究选择以经典GWR估计作为初始估计。

MGWR模型估计共有两种准则，分别是SOC-f和SOC-RSS。在SOC-f收敛准则中，前一次回归系数和后一次回归系数相差最大不超过收敛值，收敛准则更加严格。当回归系数估计值变化程度小于1×10-5时，认为模型拟合完成。而在SOC-RSS收敛准则中，前后两次回归的残差平方和相差最大不会超过收敛值，该收敛准则较宽松。本研究选择更严格的SOC-f收敛准则。MGWR模型的具体拟合过程在Yu关于该模型的文献中有详细论述[37]。本研究采用MGWR模型分析时并不考虑回归系数的实际经济意义，只考虑其相对大小的比较，所以本研究所有变量在模型拟合前均做了标准化处理。

2 模型建立与结果分析

2.1 变量的描述性统计

本研究利用MGWR模型对人均CO2排放影响因素的空间异质性进行分析，在建模前首先对所有变量做描述性统计(表3)。

表3 变量描述性统计表

2.2 变量多重共线性检验

MGWR模型对变量是否存在多重共线性要求较高，故本研究对所有解释变量做多重共线性检验。一般认为，当VIF(方差膨胀因子)大于10时，变量间存在多重共线性，此时会使结果产生偏差。由表4可知，所有解释变量的VIF都小于10，所以认为本研究选取的解释变量不存在多重共线性。

根据《内科学》呼吸系统疾病教学大纲，选择慢性阻塞性肺疾病、支气管哮喘、胸腔积液、肺炎作为教学内容，选择住院患者的代表性病例进行授课[3-4]。

表4 解释变量多重共线性检验结果

2.3 模型结果分析

MGWR模型拟合结果的相关指标如表5所示。MGWR模型调整为0.828，表明模型拟合效果较好；模型的AICc值为281.375，残差平方和为29.563；有效参数数量为38.261，说明该模型使用较少的参数得到了比较接近真实值的回归结果；模型变量带宽取值丰富，每个变量都有专属的带宽取值。

变量带宽可以衡量各个过程的空间作用尺度，并反映出影响因素对人均CO2排放的差异。空间作用尺度越大表明该影响因素作用效果的空间异质性越小，反之，空间异质性越大。由表5可知，能源强度的空间作用尺度均为45(<50)，说明其对人均CO2排放的作用效果空间异质性较大。新型城镇化指数和人均社会消费品总额的空间作用尺度都为51，这两者作用效果的空间异质性相对来说适中，回归系数在空间上较不平稳。人均固定资产投资额和数字经济指数的空间作用尺度分别为66和72，两者的空间异质性相对来说较大。第三产业增加值与第二产业增加值比值的空间作用尺度为94，该变量对人均CO2排放作用效果的空间异质性较小，回归系数在空间上较平稳。

表5 MGWR模型拟合结果

2.4 影响因素的空间异质性分析

本研究采用MGWR模型对人均CO2排放及其影响因素进行回归，各影响因素的回归系数描述统计如表6所示。各影响因素对不同省人均CO2排放的影响呈现出特定的回归系数，差异较大。新型城镇化指数、能源强度均正向影响人均CO2排放，

表6 MGWR回归系数统计描述

而其他因素对人均CO2排放的影响是双向的。均值反映了各影响因素对人均CO2排放贡献程度的平均指数。从回归系数均值的正负两方面来看，新型城镇化指数、能源强度、人均社会消费品总额对人均CO2排放的影响为正，其他变量为负。从回归系数均值的绝对值来看，能源强度对人均CO2排放的影响最大，其次是新型城镇化指数，影响强度最弱的是数字经济指数。

所有影响因素均有样本点具有显著性。新型城镇化指数与能源强度显著性样本占比大于90%，在大部分范围内显著。人均固定资产投资额的显著性样本占比为70%，其在一半以上的样本点范围内显著。常数项和第三产业增加值与第二产业增加值比值的显著性样本占比低于50%，仅有40%，说明其回归系数显著的样本点范围不足一半。数字经济指数的显著性样本占比在10%，表明其回归系数只在局部范围内显著。

本研究重点关注在解释变量上显著的样本点，所以只绘制了影响因素回归系数P值小于0.1的样本点空间分布地图(图1)。

图1(a)所示为数字经济指数对人均二氧化碳排放影响的回归系数图。数字经济指数对人均CO2排放有显著的抑制作用。回归系数在-0.313 57～-0.262 98，只有北京、河北、宁夏这3个地区的回归系数是显著的。这表明，中国大部分地区数字经济指数的提高并不会促进人均CO2排放的减少，只有极少数地区数字经济指数的提高伴随着人均CO2排放的减少。随着数字经济的发展，居民的环保意识增强，企业更加注重社会责任，更倾向于使用清洁能源和可再生能源，使用环境友好型技术，所以其对人均CO2排放的影响是负向的。表明数字经济指数与CO2排放减少可以同时存在，实现共生发展。即随着数字经济指数的提高，人均CO2排放量减少。

图1(b)所示为新型城镇化指数对人均CO2排放影响的回归系数图。回归系数在0.213 874～1.076 215。新型城镇化指数对人均CO2排放有显著的促进作用，即在推进新型城镇化的进程中，新型城镇化指数的提高会促进人均CO2排放的增加。回归系数的高值区主要是青海、吉林、内蒙古、黑龙江、山东和江西等省份。这种现象可能的原因是在推进新型城镇化的进程中，一些高新技术产业的发展会带来对环境的负面影响，公众将更多注意力放在提高新型城镇化指数上，而忽略了对环境的关注，因此对人均CO2排放量的影响作用更大。低值区主要集中在一些南方省份，包括广东、广西、福建、江苏等。南方省份往往更注重经济发展，经济发展水平高，所以其新型城镇化指数较高，此时会将注意力转移到环境身上，以求实现成本最小化而收益最大化，即将新型城镇化指数提高的同时对环境的破坏和影响达到最小。这表明中国要实现新型城镇化指数提高的同时减少CO2排放还需继续努力，将关注点放在环境保护方面。

图1(c)所示能源强度对人均CO2排放影响的回归系数图。回归系数在0.113 878～1.117 294，能源强度对人均CO2排放有显著的正向作用，除了浙江和福建地区的回归系数不显著外，其余各省均是显著的。回归系数最大的是北京，回归系数为1.721 294，北京是中国的首都，经济发展水平极高，伴随着较高的能源消费，所以该地区能源强度对人均CO2排放的影响较大。其次是河北，回归系数为1.108 197，河北是中国的重工业地区，环境质量较低，能源消耗较多；宁夏地区的回归系数也较大，回归系数为1.721 294，宁夏和河北类似，也是工业地区，所以消耗能源量较大。能源强度是单位GDP所消耗的能源，是经济发展水平的一个衡量。能源强度越大，则代表单位GDP 所消耗的能源越多，反映了较高的经济水平，而经济水平的快速增长在初期往往以牺牲环境为代价，所以经常伴随着环境的破坏。同时，大量能源的消耗，也伴随着大量CO2的排放，所以能源强度的增加往往意味着环境质量的降低，即其会促进人均CO2排放量的增加。

图1(d)所示人均社会消费品总额对人均CO2排放影响的回归系数图。回归系数在0.332 023～1.149 339，其对人均CO2排放量有显著的促进作用。作用强度呈现由东北向北部和中西部逐渐增强的趋势。影响强度最大的是青海，其回归系数为1.149 339，其次是内蒙古和河北，回归系数分别是0.940 418和0.888 627。生产与消费紧密相连，两者相互促进，生产促进消费，消费又会反向促进生产。随着人均社会消费品总额的提高，会促进企业加大生产，消耗更多的物质，从而导致CO2排放增加。

图1(e)所示人均固定资产投资额对人均CO2排放影响的回归系数图。回归系数在-0.818 891～0.364 118，其对人均CO2排放有显著的双向作用。显著的地区主要集中在东北、南方地区和部分中部地区。人均固定资产投资的增加会促进经济增长，进一步增加居民收入并促进技术进步，为能源消费总量的增加提供了路径，进而为促使人均CO2排放量增长提供了基础。同时，一些地区人均固定资产投资额的增加代表着经济水平的提高，此时会更注重对环境的保护，有利于人均CO2排放量的减少。

图1(f)所示为第三产业增加值与第二产业增加值比值对人均CO2排放影响的回归系数图。回归系数在-0.599 995～0.534 771，其对人均CO2排放有显著的双向作用，显著的地区主要集中在东北、部分西部地区和南方地区。只有安徽、江苏和山西3省份对人均CO2排放有促进作用，其余省份对人均CO2排放都具有抑制作用。中国正处于产业改革升级的阶段，第二产业往往是重工业、制造业等，会导致环境恶化和人均CO2排放增多，第三产业更多的是服务业。近年来中国在加快转变产业结构，目的就是改善环境质量，减少CO2排放，减少温室效应。

3 结论与讨论

本研究的结论如下：(1)MGWR模型具有较好的拟合效果，调整为0.828。(2)MGWR模型得到的影响因素空间作用尺度表明：第三产业增加值与第二产业增加值比值的空间作用尺度最大，其次是数字经济指数、人均固定资产投资额、新型城镇化指数和人均社会消费品总额，能源强度空间作用尺度具有很大的局限性。在本研究中，以上各影响因素的作用尺度分别为94、72、66、51、51和45。(3)MGWR模型得到的各因素对人均CO2排放的影响效果方面，能源强度是影响人均CO2排放的最主要因素，其次是新型城镇化指数。人均社会消费品总额影响较大，人均固定资产投资额和第三产业增加值与第二产业增加值比值对于人均CO2排放的影响较小，而数字经济影响最弱。(4)MGWR模型得到的各影响因素回归系数表明各因素都对地区人均CO2排放的影响效果存在着空间异质性。其中新型城镇化指数和能源强度都为正向作用，两者显著的样本点均占93.33%，数字经济指数、人均社会消费品总额、人均固定资产投资额、第三产业增加值与第二产业增加值比值既存在正向作用也存在负向作用，在空间上呈现两极分化，显著的样本点占比分别为10%、26.67%、70%和40%。其中数字经济指数显著的样本点中都对人均CO2排放呈现负向作用；人均社会消费品总额显著的样本点中都对人均CO2排放呈现正向作用；人均固定资产投资额显著的样本点中对人均CO2排放呈现双向作用；第三产业增加值与第二产业增加值比值显著的样本点中对人均CO2排放呈现双向作用。

根据中国省域人均CO2排放影响因素的空间异质性，各地区可因地制宜，制定有针对性的策略促进CO2减排工作进程。数字经济指数对人均CO2排放具有显著的抑制作用，这与前人相关研究中数字经济可以改善环境质量的结论是一致的[25]。各地区应加快提高数字经济指数，以此来促进CO2减排工作的进程。新型城镇化指数对人均CO2排放显著的促进作用，这与前人相关研究中城镇化率促进CO2排放的结论也相一致[30，31]。在当前阶段，各地区在加快促进新型城镇化进程中，要注重对环境的影响，不可以牺牲环境为代价换来新型城镇化水平的提高。能源强度对人均CO2排放具有显著的促进作用，要使用清洁能源，节约使用不可再生能源。人均社会消费品总额对人均CO2排放具有显著的促进作用，公众应减少不必要的消费，这将有助于促进CO2减排；人均固定资产投资额、第三产业增加值与第二产业增加值比值均对人均CO2排放具有显著的双向作用，各地区应根据实际情况采取相应的措施，以此缓解CO2排放增加的情况，加大对环境保护的投资，加快转变产业结构，对重工业地区加大环保力度。