市區(qū)碳排放時空演變及其影響因素研究

何嘉欣

（廣州欣達環(huán)?？萍加邢薰荆瑥V東 廣州 510000）

0 引言

當今經濟社會的發(fā)展往往依賴于對能源的耗費，這在一定程度上造成了二氧化碳的大面積與大規(guī)模排放，從而引發(fā)資源環(huán)境問題。城市碳排放重量占全球75%左右，我國有大約80%的碳排放是來源于市區(qū)，所以對市區(qū)碳排放情況的時空演變分析至關重要。

1 研究方法與數據來源

1.1 碳排放量測算

采用某地區(qū)城市群當中多個地級市面板數據，根據城市統(tǒng)計年鑒與能源消費情況，掌握城市能源消耗的總量，其中包含了對煤和石油的消耗，依靠BP 碳排放計算器中的二氧化碳排放系數，對碳排放總量、人均與地均排放量加以測算分析，相應計算如式（1）至式（3）所示。

式中：Cij——第i 個研究單元第j 年的碳排放總量；Nij——i 單元j 年地均碳排放量；Mij——i 單元j 年人均碳排放量；Lij——第i 單元第j 年土地面積；Mij——同樣條件下的人口數量；2.439——碳排放系數。

根據上述條件代入式（1），即可完成碳排放總量的計算分析[1]。

1.2 空間自相關模型

根據市區(qū)碳排放情況，采用ESDA 方法進行碳排放空間關聯(lián)特征的分析，該方法也叫作空間數據分析法，一般是針對存在空間依賴性或者異質性數據，以市區(qū)空間關聯(lián)作為關鍵，從中提出的空間數據分析方法，完成對市區(qū)碳排放空間關聯(lián)分析，借助方法的全局空間自相關與局部空間自相關情況，完成碳排放空間關聯(lián)分析。其中全局空間自相關計算如式（4）所示。

式中：n——市區(qū)數量；Xi——市區(qū)i 的觀測值；—樣本的平均值；Wij——空間權重矩陣。

公式當中的S2計算如式（5）所示。

全域空間自相關取值[-1，1]，當取值接近于1，說明該指標具有空間正自相關的關系，也就是說碳排放量偏高或者偏低的城市會呈現出空間集聚的特征。當取值接近于0 時，說明碳排放量會呈現出隨機分布的狀態(tài)。取值接近于-1 時，說明碳排放量呈現出空間負相關的關系，城市與城市間的碳排放有著一定的差異。

為更好地識別局部碳排放情況的集聚區(qū)位，通常可使用局部空間自相關法，按照散點圖獲得LISA 空間聚類圖，以此用于識別市區(qū)碳排放的熱點與冷點區(qū)域[2]。

1.3 時空地理加權回歸模型

該模型簡稱GTWR 模型，它能夠突破以往的GWR模型樣本量受限問題，保持樣本數據的穩(wěn)定性，將時間維度根據實際情況引入模型中，從而解決時空間的平穩(wěn)性問題，使數據判斷與預估更有效。具體模型如式（6）所示。

當β＞0 時，說明X 與Y 之間屬于正相關的關系；β＜0 時，說明X 和Y 之間屬于負相關的關系。式（6）中εi屬于隨機擾動項。本文采用了高斯函數法，使時空維度信息能夠被有效結合在一起，具體情況如式（7）所示。

其中：ij 指的是樣本城市，λ 和μ 都是用來衡量空間距離影響的比例因子。公式當中的bST指的是時空權函數的帶寬情況，該模型與公式也是計算碳排放總量的重要公式。

1.4 指標選取與數據來源

按照IPAT 理論，本文認為城市化發(fā)展進程中環(huán)境壓力一般會受城市人口規(guī)模、貧富情況、技術水平幾方面影響，所以指標的選擇需要從“人口”“經濟”“技術”幾部分入手，人口指標上選擇和碳排放有關聯(lián)的指標，比如“人口規(guī)模”；經濟方面選擇“經濟發(fā)展水平”“城市化率”指標；技術上選擇“工業(yè)結構”與“能源強度”指標。根據城市統(tǒng)計年鑒與EPS 數據平臺獲得統(tǒng)計年鑒數據，掌握城市人均GDP 和第二產業(yè)比重情況，從而了解單位土地面積與人口的碳排放量。

2 市區(qū)碳排放時空特征

依據上文提到的碳排放量計算公式，計算某地區(qū)內多個城市在10 年間的碳排放總量情況、地均與人均碳排放量。2008—2018 年間市區(qū)碳排放總量整體呈現出逐年上漲的趨勢，碳排放總量從5 億t 上升到6.6 億t，增速達到了1500 萬t/年。市區(qū)的碳排放量在2017 年有所下降，說明該城市在發(fā)展期間加大了對生態(tài)環(huán)保事業(yè)的重視，同時著力于節(jié)能產業(yè)與綠色建筑的發(fā)展，這在一定程度上減少了碳排放量的生成。碳排放量與土地面積有關，市區(qū)地均碳排放量從5600t/km2上升到2018 年的9800t/km2，當城市土地面積擴大時，土地對于碳排放有所稀釋效果，所以地均碳排放量將會有所減少。

整體來看市區(qū)碳排放總量在這10 年間有著逐漸增長的發(fā)展趨勢，碳排放集中于經濟發(fā)展水平較高、人口聚集以及工業(yè)產業(yè)區(qū)域，這會造成人均與地均碳排放量的波動上漲[3]。

3 市區(qū)碳排放空間關聯(lián)特征

3.1 全域空間自相關特征

根據城市面板數據計算市區(qū)全局莫蘭指數，具體如表1 所示。

表1 市區(qū)碳排放全局莫蘭指數

市區(qū)碳排放總量與地均排放全局莫蘭指數為負值，說明十年來市區(qū)碳排放情況分散于不同地區(qū)。人均碳排放指數全局莫蘭指數有所上升，說明期間有著空間正自相關性，人均碳排放比較相近的區(qū)域產生了集聚效應。

總體來看，市區(qū)碳排放有著明顯的空間關聯(lián)性，碳排放總量和地均排放量具有地市間的差異，人均排放量在空間集聚效應下比較穩(wěn)定[4]。

3.2 局部空間自相關特征

對城市碳排放總量展開局部空間自相關研究。碳排放總量中的城市在這十年內沒有產生明顯的“高高”或“低低”集聚，而是有著比較穩(wěn)定的“高-低”集聚或者“低-高”集聚，市區(qū)內會消耗較多能源，但不會造成周圍地區(qū)碳排放量的增加。表2 為不同能源折標準煤參考系數情況，需根據表中數據進行能源耗費情況的計算。表2 中1kgce 指的是1kg 標準煤當量，液態(tài)與氣態(tài)能源會采用kg 或m3為計量單位。

表2 能源折標準煤參考系數

4 碳排放總量影響因素的時空異質性

從上文提到的人口、經濟、技術幾方面分析碳排放影響因素，采用最小二乘法提出沒有顯著影響的因素，將“工業(yè)結構”影響因素剔除后，剩下的4 個驅動因子都會對碳排放有影響，方差膨脹因子小于10。利用時空地理加權回歸分析，自動優(yōu)化模型帶寬，時空距離參數比值是1，對驅動因子展開回歸計算，時空地理加權回歸模型的AIC 結果是-754.155，模型擬合度R2結果為0.999407。采用最小二乘法后，將模型擬合度提升0.01557，再將模型AIC 結果下降416.27，此時GTWR 方法對于回歸模型的分析結果有著一定的提升。圖1 為能源強度與經濟發(fā)展水平驅動因素回歸系數的時間演化情況，圖2 為人口規(guī)模與城市化率的時間演化情況[5]。

圖1 能源強度與經濟發(fā)展水平GTWR 回歸系數隨時間演化的小提琴圖

圖2 人口規(guī)模與城市化率GTWR 回歸系數隨時間演化的小提琴圖

綜合不同影響因素的實際情況，得知“能源強度”、“經濟發(fā)展水平”以及“人口規(guī)?！边@幾項因素都對市區(qū)碳排放有著正向影響作用，作用強度基本保持于1 的城市化水平的正向影響相對偏弱。具體情況如下：①能源強度驅動效力是所有影響因素中最顯著的一個，該因素對碳排放的平均回歸系數達到了1.0310，說明正向影響十分明顯，十年間能源強度的回歸系數只是呈現出幅度較小的增長，但離散程度有所增大，說明不同市區(qū)的區(qū)位不一樣，資源優(yōu)勢會讓產業(yè)結構與能源消耗有著明顯的差異。比如城市采取煤改氣的政策，使煤炭消費量有所降低，但技術限制導致產業(yè)的轉型還不夠徹底，煤炭依然在能源消費中占據著較大的比重，從而引發(fā)了市區(qū)之間經濟發(fā)展不平衡的現狀。②經濟發(fā)展水平對于碳排放量的控制有著一定的驅動力，該指標的回歸系數是0.9797，說明經濟發(fā)展水平與碳排放之間有著正相關的關系，離散程度整體為先減小再增大?！笆晃濉币?guī)劃中明確的提出了關于減排的要求，這讓城市經濟發(fā)展水平導致的碳排放影響程度比較相近，后續(xù)經濟發(fā)展水平依然是碳排放的最主要正向因素。③人口規(guī)模的平均回歸系數是0.9743，離散程度不斷減小，說明城市人口增加會擴大生產規(guī)模，導致能源與資源的消耗逐漸加劇。④城市化水平的回歸系數是0.1234，說明市區(qū)存在減排效益源于城市發(fā)展?？臻g分布上能源強度回歸系數有著兩邊高、中間低的特點，市區(qū)碳排放有著空間自相關性，回歸系數的較快增長可以說明社會經濟的發(fā)展促進產業(yè)升級與轉型，但是無法對碳排放形成明顯的正向作用[6]。

5 結語

總而言之，當前城市發(fā)展提出了讓市區(qū)成為城市群發(fā)展的重要動力源的要求，市區(qū)是人口密集且產業(yè)基礎雄厚的地區(qū)，市區(qū)經濟發(fā)展水平較高，人口規(guī)模較大，在追求城市經濟發(fā)展的同時也要注重生態(tài)環(huán)境與經濟之間的相互協(xié)調。