中国沿海地区能源碳排放时空演变特征及影响因素研究

高 鹤,宋雪亚

(1.中国黄金集团资产管理有限公司,北京 100011; 2.大连海事大学 航运经济与管理学院,辽宁 大连 116026)

一、引 言

人类健康与良好的生态环境息息相关,而全球气候变暖所带来的各种社会生态问题极大程度上威胁着人类健康。世界各国为应对全球气候变化问题相应提出低碳行为措施,纷纷将国家的经济发展转变为以“低能耗、低污染和低排放”为特征的模式,中国更是向世界承诺努力在2030年前实现“碳达峰”及2060年前实现“碳中和”。改革开放以来,中国的经济飞速发展,尤其是沿海城市凭借廉价资源、区位优势、优惠政策,以全国1/10不到的面积和人口,创造出全国一半以上的经济总量,成为全国和区域性的增长极,主导着经济社会发展的命脉。然而中国沿海地区开发给沿海地区各城市环境带来的负外部效应逐渐凸显,人类健康和生存环境都受到了较大的危害。因此,分析沿海地区能源碳排放的空间分布特征,探究沿海地区的能源碳排放变化特征的影响效应,有助于沿海地区经济高速-能源低碳利用模式的开发,启发沿海地区寻找适合自己的低碳发展道路,对减缓中国碳排放的压力具有重大意义。

国内外学者使用各种空间技术对碳排放的时空分布特征及影响因素进行了研究。在碳排放的重心迁移方面,有学者发现中国碳排放的重心分布方向为东南方向,碳排放强度重心与经济重心变动方向一致向西北方向迁移,其原因是碳排放强度重心与经济重心之间存在高度负相关关系,经济重心在一定程度上抑制碳排放强度重心向北移动[1-2]。在空间相关性分析方面,中国城市碳排放强度的空间相关性呈现出显著聚集,城市碳排放空间集聚性增强的同时集聚水平在缩小[3],且中国东部地区碳排放总量高于西部地区碳排放总量[4]。在识别碳排放的影响因素方面,许多学者基于IPAT等式[5]和扩展STIRPAT模型[6]分析碳排放影响因素,发现中国的碳排放变化主要是由人口因素、经济发展因素[7]、产业结构及能源强度[8]等因素引起的,且主要驱动碳排放的因素是经济发展[9],主要抑制碳排放的因素是能源强度[10-11]。

综上所述,碳排放问题是国内外学者研究的热点,但现有研究中存在以下不足:1)由于中国的碳排放体系并不完善,国家仅公布各省的碳排放数据,市级层面的碳排放数据很难得到准确的估算,因此我国学者大多数是从国家层面或者省级层面对碳排放进行研究;2)目前相关研究大部分使用单一方法探究能源碳排放空间分布状态,同时从时间和空间上去分析碳排放的时空演变的研究较少;3)传统因子分析模型分析相关性普遍存在共线性问题,虽然很多学者在研究中考虑使用添加控制变量等方法减弱因子共线性,但是通过该种方法探究的因子相关性往往存在较大误差。因此,本文采用较为新颖的视角,以沿海地区113个地级以上城市为对象展开分析,研究对象从传统的省级层面具体到市级层面,在新的经济环境下,综合重心迁移模型和探索性空间数据模型对能源碳排放进行双维度研究,并选择地理探测模型探究沿海地区各城市能源碳排放的影响因素,不仅能有效避免使用传统因子分析模型存在的共线性问题,还能更准确地探测各影响因素对能源碳排放的影响程度,最终助力“双碳”目标早日实现。

二、研究方法与数据来源

(一)研究方法

1．重心迁移模型

在重心迁移模型中,假设某地区由n个单元组成,其中第m个单元的中心坐标为(Xi,Yi),指标值为Ei,则该区域的重心坐标Ti(xi,yi)的计算公式如下:

(1)

(2)

本文中,Ei(i=1,2,…,113)为y沿海地区第i个城市某年份的碳排放总量。从第t年到第t+1年,该区域某属性的重心移动距离的计算公式如下:

(3)

式中:C为常数,是把地理坐标单位(1°)转化为平面距离(km)的系数,取值111.111。另外,为深入探究沿海地区能源碳排放在空间上的方向分布情况,本文还使用标准差椭圆对沿海地区能源碳排放数据进行分析,具体方法参考文献[12]。

2．探索性空间数据分析

本文基于沿海地区能源碳排放数据,借助ArcGIS 10.8软件,采用探索性空间数据分析(Exploratory Spatial Data Analysis,ESDA)方法探究沿海地区的碳排放的空间集聚性和关联性。探索性空间数据分析的核心是空间自相关的测度,主要包括全局空间自相关和局部空间自相关[13]。全局空间自相关用来描述碳排放在研究区域内空间关联性的总体特征,通常用全局空间自相关指数(Global Moran’s I)表示,计算公式为

(4)

局部空间自相关能够对局部的空间聚集特征进行识别,本文采用局部空间自相关指数(Local Moran’s I)表示位于不同空间城市的高值集聚区和低值集聚区,其计算公式为

(5)

Ii为正值时,表示该区域单元周围相似值(高值或低值)的空间集聚;Ii为负值时,则表示非相似值的空间集聚。采用LISA图进行直观展示,将具有显著性的空间集聚单元划分为“高-高集聚型”区域、“低-低集聚型”区域、“高-低集聚型”区域、“低-高集聚型”区域4类,其余为不显著区域。

3．地理探测模型

地理探测器的核心思想是如果某个自变量对某个因变量有影响,那么自变量的空间分布和因变量的空间分布应该趋于一致[14]。参考已有研究,本文运用地理探测器方法中的因子探测及交互作用探测进行研究。因子探测主要用q值度量,其计算公式为

(6)

(二)数据来源

1．碳排放数据

本文选取沿海地区辽宁、河北、天津、山东、江苏、上海、浙江、福建、广东、广西和海南等11个省份共113个地级以上城市为研究对象。考虑到以化石能源为代表的传统能源燃烧是能源碳排放形成的主要原因,本文整合了2006—2020年沿海地区煤炭、焦炭、原油、汽油、煤油、柴油、燃料油、天然气和电力九类能源的消耗量,并依据各类能源的热量转换系数和碳排放系数计算沿海地区能源碳排放量。由于中国城市尺度的碳排放核算方法和体系并不完善,各类能源的热量转换系数和碳排放系数参考已有文献[18]。

2．指标选取与数据来源

结合扩展的STIRPAT模型及现有研究,本文从规模结构、产业投资和能源强度等方面选取与碳排放联系较为密切的7个指标,即经济发展、产业结构、人口规模、土地城镇化、能源强度、外商投资和环境规制。1)经济发展(X1),以人均GDP表示;2)产业结构(X2),以第二产业产值占GDP的比例表示;3)人口规模(X3),以年末总人口数量表示;4)土地城镇化(X4),以建成区面积占行政区总面积的比例表示,城镇化水平的衡量可以从人口城镇化、土地城镇化、经济城镇化和社会城镇化四个维度进行[19],为避免经济变量之间存在多重共线性,本文重点使用土地城镇化表征城镇化水平对碳排放的影响;5)能源强度(X5),以地区能源消费总量与地区生产总值的比例表示;6)外商投资(X6),对外开放能有效优化国际资源配置,是提高我国国际合作与经济增长的重要引擎,且对外开放程度对工业碳排放具有正向的推动作用[20-21],本文选取外商投资用以表征对外开放程度对碳排放的影响,以当年实际利用外商直接投资总额表示;7)环境规制(X7),由于环境规制有力地抑制了城市碳排放强度增长[22],且环境规制能通过抑制技术发展水平和调整产业结构等路径间接作用碳排放[23-24],因此,本文参考任晓松等[25]的方法,环境规制数据由工业废水排放量、工业SO2排放量及工业烟尘排放量计算得到。

本文数据主要来源于2007—2021年各城市的《国民经济和社会发展统计公报》《中国城市统计年鉴》《中国统计年鉴》和《中国环境统计年鉴》。

三、中国沿海地区能源碳排放时空格局演变特征分析

(一)沿海地区能源碳排放特征

本文选择研究时期内等间隔年份和起始年份为代表年份(2006年、2010年、2015年和2020年)。为直观展示2006—2020年沿海地区能源碳排放的时空分布特征,采用ArcGIS软件中的自然断点法将2006年沿海地区能源碳排放总量划分为五个等级,并根据研究时期内实际演变数据进行相应的调整,最终将沿海地区能源碳排放划分为以下五个等级:低度碳排放(0～500.00万t)、较低度碳排放(500.01万～1100.00万t)、中度碳排放(1100.01万～2500.00万t)、较高度碳排放(2500.01万～4000.00万t)、高度碳排放(4000.01万t及以上)。2006—2020年沿海地区能源碳排放总量分布特征如图1所示。

整体来看,沿海地区在研究时期内时空演变规律显著,即各城市能源碳排放总量逐年显著增加,其中环渤海区域与长三角区域变化最大,而东南沿海区域、珠三角区域及西南沿海区域的变化较小。这可能与我国以环渤海和长三角地区为重化工业基地相关,重化工产业占比大,“高投入、高能耗”的粗放型生产特点突出,能源消费结构以煤炭为主,导致能源碳排放量大幅度上升;而东南沿海区域、珠三角区域和西南沿海区域是我国经济转型发展的前沿地带,产业结构不断优化升级,节能减排工作做得相对较好,能源碳排放总量变化较小。

从局部空间分布上看,天津、上海和南京在较早年份就显现出高度碳排放的特征,随后在2020年高度碳排放区域增加了苏州、杭州、宁波、广州、深圳、佛山、东莞和钦州。对比各年份的碳排放分布图,中度、较高度和高度碳排放三个等级的城市由2006年的20个逐渐增加至2020年的47个,能源碳排放的显著增加对我国在2030年前实现“碳达峰”的目标具有一定的促进作用。

(二)能源碳排放的重心迁移及标准差椭圆分析

运用重心迁移模型对沿海地区能源碳排放的重心进行计算并利用标准差椭圆将计算数据可视化,可以直观看到其在研究时期内在具体的研究区域上的空间重心位置点移动变化的特征,从而揭示时间段内沿海地区能源碳排放重心的空间动态移动变化规律,进而能够测度沿海地区各城市能源碳排放在发展中的空间差异。本文采用ArcGIS软件中的空间分析模块对沿海地区能源碳排放进行重心分析,得到2006—2020年沿海地区能源碳排放的重心坐标、移动距离及方向,见表1。

由表1可知,沿海地区能源碳排放整体变动范围为东经117.67°～118.11°、北纬31.73°～32.14°,重心总计迁移197.46 km,平均移动速度为13.16 km/年。从重心移动方向和距离看,沿海地区能源碳排放重心整体向西南方向移动,其空间移动轨迹可分为三个阶段:1)2006—2009年向西南方向移动,相邻年份间移动的距离为8.57 km～16.18 km,这一阶段能源碳排放重心移动幅度较小,说明各城市能源碳排放变动相对均衡。2)2009—2013年向东北方向移动,该时期的重心移动恰好与2006—2009年抵消,因此沿海地区能源碳排放在2006—2013年间的变动相对稳定。3)2013—2020年向西南方向移动,沿海地区能源碳排放移动主要是该阶段导致的,特别是2013—2014年与2019—2020年间重心移动距离高达32.70 km和39.97 km,表明沿海地区能源消耗在沿海南部城市所排放的二氧化碳较多。2013—2014年迁移原因可能是该时期我国正大力推进珠江三角洲建设为“粤港澳大湾区”且西南省份积极参与全球经济分工;2019—2020年迁移主要受新冠肺炎疫情影响,沿海北部城市在封城政策的影响下碳排放显著减少。

沿海地区能源碳排放的标准差椭圆分布情况如图2所示,2006—2020年沿海地区能源碳排放的标准差椭圆主要位于环渤海沿海区域、长三角沿海区域和东南沿海区域,标准差椭圆呈现“东北—西南”分布格局。在研究期内,标准差椭圆的面积明显增大,说明沿海地区能源碳排放的发展态势并不稳定,空间差异性较为明显。从半轴长度来看,长半轴长度由2006年1064.29 km扩大至2019年1091.87 km,短半轴长度由351.01 km扩大至374.84 km,说明沿海地区各城市的能源碳排放呈现空间发散的趋势,总体上沿海地区能源碳排放重心偏向于南方,整体变化趋势南方大于北方。

(三)基于ESDA的能源碳排放时空格局演变特征

1．能源碳排放时空格局演变总体特征

计算沿海地区能源碳排放的全局自相关Moran’s I指数,结果见表2。表2中所有序列的全局Moran’s I指数的p值均小于显著性水平0.01,通过显著性检验,数据结果全部通过Z值检验,具有一定的统计学意义。2006—2020年,沿海地区能源碳排放全局Moran’s I指数均大于0,集中于0.135～0.204之间,表明在研究期间沿海地区各城市之间能源碳排放呈现空间正相关,能源碳排放高度排放区域呈集聚状态。沿海地区能源碳排放的全局Moran’s I指数由2006年的0.135调整为2020年的0.166,呈现递增趋势,说明沿海地区各城市的能源碳排放空间相关性表现为不断加强的趋势。

2．能源碳排放时空格局演变局部特征

借助ArcGIS软件对沿海地区能源碳排放进行局部空间自相关分析,得出2006年、2010年、2015年和2020年沿海地区能源碳排放局部空间自相关聚类,如图3所示。由图3可知:

1)2006—2020年沿海地区能源碳排放空间格局基本上保持稳定。苏州、广州、深圳和东莞从2006年以来就保持为“高-高集聚型”区域,即能源碳排放高值集聚区;在2015年上海、无锡、中山和佛山转变为“高-高集聚型”区域,2020年南通由“低-高集聚型”区域转向“高-高集聚型”区域;而中山在2020年从“高-高集聚型”区域转向不显著区域,排除数据误差等原因,这可能是由于该地区的产业快速发展和城市化水平提高等原因使该地区出现集聚变化。

2)“低-低集聚型”区域在本文中的含义是能源碳排放低值集聚区域。在2006—2020年沿海地区能源碳排放的演变过程中,显著的“低-低集聚型”区域主要分布在西南沿海地区,如南宁、柳州、梧州、北海、防城港、钦州、贵港、玉林、百色、贺州、来宾和崇左;除西南沿海区域外,温州、湛江、茂名和梅州也稳定于“低-低集聚”区域;到2020年“低-低集聚”区域包含温州、南平、梅州、潮州、揭阳、汕头、贺州、梧州、柳州和百色。

3)“高-低集聚型”仅出现在2006年的汕头和2020年的钦州,其他年份均未出现“高-低集聚型”区域,而“低-高集聚型”区域稳定在廊坊、舟山、嘉兴、湖州、镇江和惠州等。

总的来说,沿海地区能源碳排放“高-高集聚型”区域的时空变化显著,呈现出逐渐扩张趋势,而“低-低集聚”区域分布动态呈现紧缩趋势,“高-低集聚型”和“低-高集聚型”区域的分布都较为稳定,表明沿海地区能源碳排放的空间分布具有较强的空间集聚性,即空间集聚性显著。

四、基于地理探测模型的能源碳排放影响因素分析

(一)因子探测结果分析

由于地理探测器软件要求自变量为类型量,而本文中所研究的影响因子都为数值型连续变量,因此,在使用地理探测器对沿海地区能源碳排放的影响因子进行分析之前,首先利用ArcGIS软件中的自然断点法对自变量进行离散化处理。本文将各因素自然间断为五个层级,随后将离散化的自变量值代入GeoDetector软件,得到沿海地区能源碳排放因子探测结果,见表3。由表3可知,2006—2020年,经济发展、土地城镇化、外商投资和环境规制对沿海地区能源碳排放具有显著影响,而能源强度和人口规模对因变量的影响较弱,2010年、2015年和2020年产业结构对能源碳排放的影响未通过显著性检验。由此可知,沿海地区能源碳排放单个影响因子主要是外商投资、土地城镇化、经济发展和环境规制,次要影响因子为人口规模和能源强度,产业结构并不是沿海地区能源碳排放的主要原因。

(二)交互作用探测结果分析

交互作用探测主要是为了识别不同的因子交互是否会增加或减弱对能源碳排放的解释力,本文使用地理探测器中的交互作用因子探测进一步探究沿海地区能源碳排放空间分异机理。沿海地区能源碳排放因子交互作用的结果见表4。从表4结果中发现:1)对比单因子探测和交互因子探测的结果,所有交互因子对能源碳排放空间分析的影响力都有明显增强,说明沿海地区能源碳排放的空间分异结果是由经济发展、产业结构、人口规模、土地城镇化、能源强度、外商投资和环境规制等多因素非线性耦合的结果;2)2006—2020年,经济发展和土地城镇化、经济发展和外商投资、经济发展和环境规制、土地城镇化和外商投资以及外商投资和环境规制等交互因子对沿海地区能源碳排放产生双因子增强作用,除能源强度在部分年份具有双因子增强效应外,其他交互因子均对沿海地区能源碳排放产生非线性增强效应,表明经济发展、土地城镇化、外商投资和环境规制等关键交互因子对沿海地区能源碳排放的空间分异格局具有明显的因子叠加效应。

五、结论与建议

本文基于2006—2020年沿海地区能源碳排放数据,借助重心迁移模型和探索性空间数据分析模型,在时间维度和空间维度探究沿海地区各城市能源碳排放的空间格局演变特征,并在此基础上利用地理探测器分析其空间分异的关键影响因素,结果表明:第一,沿海地区能源碳排放的时空演变规律整体显著,各城市的能源碳排放总量逐年显著增加,环渤海区域和长三角区域增加幅度较大,其余沿海城市增加幅度较小。能源碳排放重心整体向西南方向移动,标准差椭圆主要位于环渤海区域、长三角区域和东南沿海区域,其空间分布格局呈“东北—西南”方向。第二,沿海地区能源碳排放的全局Moran’s I指数均为正数,各城市之间能源碳排放呈现空间正相关,“高-高集聚型”区域呈现出逐渐扩张趋势,“低-低集聚型”区域呈现紧缩趋势,“高-低集聚型”和“低-高集聚型”区域的分布都较为稳定,“高-低集聚型”仅出现在2006年的汕头和2020年的钦州,其他年份均未出现“高-低集聚型”区域,而“低-高集聚型”区域稳定在廊坊、舟山、嘉兴、湖州、镇江和惠州等。第三,经济发展、土地城镇化、外商投资和环境规制等关键交互因子对沿海地区能源碳排放的空间分异格局具有明显的因子叠加效应,其空间分异结果主要是由外商投资、土地城镇化、经济发展和环境规制引起,且影响程度逐渐减弱。基于上述研究,本文提出以下建议:

第一,沿海地区各城市应实施差异化碳减排措施。沿海地区能源碳排放呈现出显著的空间差异性,针对不同层级的碳排放,各级部门应通过不同侧重点去制定和实施与该地区发展相符的碳减排措施。如高度碳排放、较高度碳排放及中度碳排放地区应将重心放在控制能源碳排放绝对量;低度碳排放和较低度碳排放区域应注重推广和应用现有高新技术,引进更先进的技术,充分有效地利用沿海地区能源资源禀赋优势,优化传统能源与可再生能源的使用比例。

第二,政府部门应当适当提高环境准入规制,对外商投资进行有选择的引进和利用。环境规制是促进产业协调发展的重要手段,适当提高环境准入规制,能够有效引导沿海城市的龙头企业将创新投入转向环保技术投入。沿海地区各城市应该借助其区位优势,加速对外贸易发展,将引资模式从单纯吸引外商直接投资转向有条件地选择和利用外资,以此优化外资投入结构,引导外资更多地流向绿色环保型产业。

第三,沿海地区更应优化土地城镇化、经济发展和能源碳排放之间的耦合协同关系。规模结构、产业投资和能源强度各方面的影响因子对能源碳排放具有较为复杂的影响机制,处理好城镇化、经济发展与碳减排之间的关系,使土地城镇化水平与经济发展水平同地区的资源环境承载能力相适应,不仅能够促进沿海地区实现低碳发展,还能推进落实国家“碳达峰、碳中和”目标工作,从而实现经济发展与碳排放共赢。