基于地理加權(quán)回歸的省域碳排放影響因素研究

楊青，彭若慧，劉星星*，曹蘭娟,2

1.武漢理工大學(xué)安全科學(xué)與應(yīng)急管理學(xué)院

2.浙大寧波理工學(xué)院機(jī)電與能源工程學(xué)院

氣候變化是當(dāng)今人類面臨的重大挑戰(zhàn)，應(yīng)對(duì)氣候變化已經(jīng)成為全球共識(shí)，全球各國(guó)和地區(qū)均需要大幅提升自主貢獻(xiàn)目標(biāo)，加大碳減排力度[1]。然而隨著我國(guó)成為全球碳減排領(lǐng)域的主要國(guó)家之一，我國(guó)的碳排放量變化趨勢(shì)也逐漸成為全球關(guān)注的焦點(diǎn)，積極應(yīng)對(duì)氣候變化并早日實(shí)現(xiàn)碳達(dá)峰是我國(guó)對(duì)國(guó)際社會(huì)的一項(xiàng)重要承諾[2-4]。然而中國(guó)幅員遼闊，不同區(qū)域的碳排放及其驅(qū)動(dòng)因素存在差異性，因此，探討碳排放影響的區(qū)域特征對(duì)各地區(qū)低碳政策的制定具有一定的指導(dǎo)意義[5]。

目前，眾多學(xué)者對(duì)區(qū)域碳排放量及其影響因素進(jìn)行了大量研究。如Wang等[6]研究發(fā)現(xiàn)，能源強(qiáng)度對(duì)碳排放量的影響在發(fā)達(dá)地區(qū)最大，城市化水平、產(chǎn)業(yè)結(jié)構(gòu)和對(duì)外貿(mào)易的便利程度對(duì)欠發(fā)達(dá)地區(qū)的碳排放量影響較大。Xu等[7]研究發(fā)現(xiàn)，黃河中游、東北和西北地區(qū)的資源供給對(duì)區(qū)域經(jīng)濟(jì)增長(zhǎng)產(chǎn)生不利影響，從而間接影響該地區(qū)的碳排放量。馬忠等[8]運(yùn)用假設(shè)抽取法（HEM）研究了中國(guó)區(qū)域間碳排放關(guān)聯(lián)分析，結(jié)果表明，較發(fā)達(dá)沿海地區(qū)和發(fā)展中區(qū)域在減排方面承擔(dān)的責(zé)任更大，對(duì)能源的需求也更高，這導(dǎo)致碳排放量增加，尤其是石化、電力、蒸汽、熱水、燃?xì)?、供水等行業(yè)對(duì)碳排放的影響較大。鄔娜等[9]對(duì)“一帶一路”的沿線國(guó)家碳排放EKC檢驗(yàn)及脫鉤關(guān)系開展研究，結(jié)果表明沿線國(guó)家人均能源消費(fèi)量隨著人均GDP的增長(zhǎng)而下降，而人均碳排放量則隨著人均GDP的增長(zhǎng)而上升。李艷紅[10]以經(jīng)濟(jì)、能源、人口和環(huán)境要素構(gòu)建山東省能源消耗碳排放系統(tǒng)仿真模型，進(jìn)行單維度情景與多維度綜合情景仿真模擬，發(fā)現(xiàn)產(chǎn)業(yè)結(jié)構(gòu)、科技投入與能源結(jié)構(gòu)調(diào)整能夠有效促進(jìn)碳減排，尤其是清潔技術(shù)投入作用顯著，多因素協(xié)同比單因素調(diào)整更有作用。崔盼盼等[11]運(yùn)用LMDI-Ⅰ分解方法解析中國(guó)能源行業(yè)各區(qū)域碳減排過程，遵循“減排有效性-碳排放強(qiáng)度貢獻(xiàn)-省份綜合貢獻(xiàn)-減排有效性與省份綜合貢獻(xiàn)關(guān)系”的思路，發(fā)現(xiàn)各省份間的減排路徑存在顯著差異。劉彤等[12]研究城鎮(zhèn)化建設(shè)的不同階段對(duì)建筑業(yè)碳排放量的影響，發(fā)現(xiàn)在城鎮(zhèn)化進(jìn)程中，短期內(nèi)容易促進(jìn)建筑業(yè)碳排放量的增加，而在長(zhǎng)期發(fā)展過程中，一旦城鎮(zhèn)化發(fā)展達(dá)到轉(zhuǎn)折點(diǎn)，將會(huì)抑制建筑業(yè)碳排放。

目前，碳排放研究多集中于基于序列數(shù)據(jù)和面板數(shù)據(jù)的碳排放預(yù)測(cè)[13-14]、基于回歸分析和指標(biāo)體系的碳排放評(píng)價(jià)[15-16]、碳排放政策情景演化[17]等，碳排放空間效應(yīng)分析則較為薄弱，而碳排放地理空間差異分析是碳減排路徑解析與碳政策優(yōu)化的重要支撐[18]。當(dāng)前，我國(guó)生態(tài)文明建設(shè)和城鎮(zhèn)化發(fā)展正進(jìn)入由量變到質(zhì)變的關(guān)鍵時(shí)期，如何檢驗(yàn)各省（區(qū)、市）的碳排放量及其影響因素并采取措施達(dá)到減排效果，從而實(shí)現(xiàn)我國(guó)區(qū)域經(jīng)濟(jì)的協(xié)調(diào)發(fā)展，已成為亟須解決的難題。

為探索區(qū)域發(fā)展與碳減排的空間演化關(guān)系，筆者從人口、能源消費(fèi)、城鎮(zhèn)化建設(shè)發(fā)展3個(gè)因素中選取2007——2017年30個(gè)省（區(qū)、市）的人口規(guī)模、化石能源消費(fèi)總量、電力消費(fèi)總量、城市公共汽電車輛和主要建材消耗量5個(gè)變量，利用地理加權(quán)回歸方法從空間效應(yīng)視角對(duì)我國(guó)省域碳排放量進(jìn)行深入分析，并根據(jù)所得結(jié)論提出相應(yīng)的減排措施和政策建議。

1 數(shù)據(jù)來源與方法

以30個(gè)?。▍^(qū)、市）為研究對(duì)象（西藏和港澳臺(tái)缺乏數(shù)據(jù)），選取2007年、2012年和2017年作為時(shí)間節(jié)點(diǎn)，分析碳排放量及影響因素的空間差異性。

1.1 變量選擇

影響碳排放量的因素眾多，包括人口因素、經(jīng)濟(jì)水平、城鎮(zhèn)化水平、工業(yè)結(jié)構(gòu)、外貿(mào)程度、能源消費(fèi)等[19]。在選擇指標(biāo)變量時(shí)主要考慮以下3個(gè)方面：1）我國(guó)是一個(gè)人口規(guī)模巨大、各地區(qū)能源生產(chǎn)和消費(fèi)不均衡的國(guó)家，不同發(fā)展地區(qū)的人口因素和能源消費(fèi)對(duì)碳排放量的影響值得深入研究和討論；2）在國(guó)家的“十四五”規(guī)劃和2035年遠(yuǎn)景目標(biāo)中大力倡導(dǎo)發(fā)展城鎮(zhèn)化建設(shè)和生態(tài)文明建設(shè)，其中建筑業(yè)和城市公共交通發(fā)展占有不可忽視的地位，鑒于此探究這兩大因素對(duì)碳排放量的影響；3）碳排放量影響因素眾多，而地理加權(quán)回歸方法對(duì)多個(gè)變量的多重共線性的要求較高，因此在選擇變量時(shí)要著重考慮各變量之間是否存在高度多重共線性。綜上，選擇2007——2017年30個(gè)?。▍^(qū)、市）的人口規(guī)模、電力消費(fèi)總量、化石能源消費(fèi)總量、城市公共汽電車輛和主要建材消耗總量作為自變量，分別探究這5個(gè)因素對(duì)碳排放量影響的空間差異性。

1.2 碳排放量測(cè)算及數(shù)據(jù)來源

對(duì)于二氧化碳排放量的測(cè)算，目前國(guó)際上現(xiàn)有比較權(quán)威的是根據(jù)《2006年IPCC國(guó)家溫室氣體清單指南》中能源部分所提供的基準(zhǔn)方法，即二氧化碳的排放量可以根據(jù)各種能源消費(fèi)量和對(duì)應(yīng)的碳排放系數(shù)計(jì)算求得，其計(jì)算公式如下：

式中：y為二氧化碳排放量；Ek為第k種化石燃燒消耗量；fk為第k種化石燃料的二氧化碳排放系數(shù)。

參考文獻(xiàn)[20]中的方法計(jì)算fk， 公式如下：

式中：qk、mk和ok分別為第k種化石燃料的低發(fā)熱量、碳含量因子和碳氧化因子。

鑒于中國(guó)能源的結(jié)構(gòu)以煤炭為主，石油和天然氣次之。因此，考慮數(shù)據(jù)缺失的問題，最終選擇原煤、焦炭、天然氣等7種能源消費(fèi)量來計(jì)算二氧化碳排放量。化石能源消費(fèi)總量數(shù)據(jù)來源于《中國(guó)能源統(tǒng)計(jì)年鑒》，電力消費(fèi)總量、人口規(guī)模、城市公共汽電車輛等數(shù)據(jù)來源于中經(jīng)網(wǎng)統(tǒng)計(jì)數(shù)據(jù)庫(kù)（https://db.cei.cn/），主要建材消耗總量數(shù)據(jù)來源于《中國(guó)建筑業(yè)統(tǒng)計(jì)年鑒》。

1.3 研究方法

1.3.1 空間自相關(guān)

碳排放空間相關(guān)性用Moran's I指數(shù)來衡量，Moran's I 指 數(shù) 分 為 全 局 Moran's I 指 數(shù) 和 局部Moran's I指數(shù)。其中全局 Moran's I指數(shù)可以用于研究整體區(qū)域碳排放量的空間相關(guān)性，局部Moran's I指數(shù)可以用于研究各?。▍^(qū)、市）與其鄰近?。▍^(qū)、市）之間的碳排放量的空間相關(guān)性[21]。

全局Moran's I指數(shù)計(jì)算公式如下：

式中：I為全局Moran's I指數(shù)； ωij為空間權(quán)重函數(shù)；yi和yj分別為?。▍^(qū)、市）i和j的碳排放量；yˉ 為各?。▍^(qū)、市）碳排放量的平均值；n為?。▍^(qū)、市）的數(shù)量。

局部Moran's I指數(shù)計(jì)算公式如下：

式中Ii為?。▍^(qū)、市）i的 Moran's I指數(shù)。

1.3.2 地理加權(quán)回歸

地 理 加 權(quán) 回 歸 （geographically weighted regression，GWR）是Fotheringham等在傳統(tǒng)最小二乘法（ordinary least squares，OLS）模型的基礎(chǔ)上將數(shù)據(jù)的地理位置加入回歸參數(shù)中，同時(shí)考慮相鄰點(diǎn)的空間權(quán)重，允許局部參數(shù)估計(jì)的地學(xué)統(tǒng)計(jì)方法[22]。GWR用于描述碳排放量影響因素的空間異質(zhì)性，公式如下：

式中： ( μi,vi)為省（區(qū)、市）i的空間地理位置； β0為(μi,vi)處的固定效應(yīng)截距；Xil為?。▍^(qū)、市）i的影響因素l的取值； βl為Xil的回歸系數(shù)； εi為隨機(jī)誤差。

2 結(jié)果與分析

2.1 省域碳排放量空間分布特征

按照《中國(guó)統(tǒng)計(jì)年鑒》對(duì)省域進(jìn)行劃分，將30個(gè)?。▍^(qū)、市）按照東部地區(qū)(北京、天津、河北、山東、上海、江蘇、浙江、福建、廣東、海南)，東北地區(qū)(遼寧、吉林、黑龍江)，中部地區(qū)(山西、河南、湖北、湖南、安徽、江西)，西部地區(qū)(內(nèi)蒙古、廣西、重慶、四川、貴州、云南、陜西、甘肅、青海、寧夏、新疆)進(jìn)行劃分[21]。根據(jù)上述地區(qū)劃分情況對(duì)30個(gè)?。▍^(qū)、市）2007年、2012年和2017年碳排放量情況進(jìn)行分析，結(jié)果見圖1。

圖1中各年度按碳排放量由高到低排序，可見碳排放量分布從西南到東北總體呈遞增趨勢(shì)，東北地區(qū)的遼寧和東部地區(qū)的河北、山東、江蘇在11年間一直是碳排放量較高的地區(qū)，其次是中部地區(qū)，西部地區(qū)除內(nèi)蒙古的碳排放量較高外，其余地區(qū)的碳排放量均較低。

圖1 碳排放量空間分布結(jié)果Fig.1 Spatial distribution results of carbon emission

2007年絕大部分?。▍^(qū)、市）的碳排放量處于3 195～55 400 萬 t，各?。▍^(qū)、市）間的差異較小。而2012年東部沿海地區(qū)的碳排放量增長(zhǎng)顯著，西部地區(qū)的碳排放量增長(zhǎng)緩慢，東西部地區(qū)間碳排放量差異明顯。2017年碳排放量的空間格局差異更為顯著，碳排放量最高的山東與碳排放量最低的海南之間相差約 110 719 萬 t。

2.2 空間自相關(guān)結(jié)果分析

通過對(duì)2007年、2012年和2017年碳排放量進(jìn)行全局空間自相關(guān)分析，得出這3年的全局Moran's I指數(shù)分別為0.37、0.35和0.32，均在0.3以上，表明這3年內(nèi)30個(gè)省（區(qū)、市）碳排放量呈空間正相關(guān)性，即相似碳排放量的區(qū)域存在一定的集聚性。

為具體分析各?。▍^(qū)、市）在2007年、2012年和2017年的碳排放量空間差異性，對(duì)其進(jìn)行局部空間自相關(guān)分析，將各個(gè)地區(qū)分為高-高型聚集區(qū)、高-低型聚集區(qū)、低-高型聚集區(qū)、低-低型聚集區(qū)、不顯著5類，結(jié)果見圖2。

由圖2可知，2007年，7個(gè)?。▍^(qū)、市）的碳排放量具有顯著的空間自相關(guān)性，山東、河北、山西、河南為高-高型聚集區(qū)，在此類聚集區(qū)主要是中原城市群，是全國(guó)城市群體規(guī)模最大、人口最密集、工業(yè)化進(jìn)程較高的區(qū)域，總能源消耗與人均能源消耗均處于較高水平。新疆和四川為低-低型聚集區(qū)，該類地區(qū)的經(jīng)濟(jì)發(fā)展水平較低，能源較為匱乏。安徽為低-高型聚集區(qū)，即安徽的碳排放量與周邊?。▍^(qū)、市）的碳排放量相比較小，主要是因?yàn)榘不瘴挥谥胁科系貐^(qū)，取暖能耗量小，且能源生產(chǎn)和消耗量較低。到2012年，7個(gè)?。▍^(qū)、市）的碳排放量具有顯著的空間自相關(guān)性，其中遼寧轉(zhuǎn)變?yōu)楦?高型聚集區(qū)，該地區(qū)的轉(zhuǎn)變與東北老工業(yè)基地振興戰(zhàn)略相關(guān)，安徽則不再為低-高型聚集區(qū)。而到2017年，6個(gè)省（區(qū)、市）的碳排放量具有顯著的空間自相關(guān)性，其中山西、河北、山東、河南仍為高-高型聚集區(qū)，四川仍為低-低型聚集區(qū)，而新疆則變?yōu)楦?低型聚集區(qū)，新疆地區(qū)的變化與當(dāng)?shù)氐闹饕茉聪M(fèi)結(jié)構(gòu)變化有關(guān)。

圖2 碳排放量局部空間自相關(guān)結(jié)果Fig.2 Local spatial autocorrelation results of carbon emission

總而言之，各?。▍^(qū)、市）11年間的碳排放量空間差異性明顯，山西、河北、山東、河南長(zhǎng)年處于高-高型聚集區(qū)；新疆、四川長(zhǎng)年處于低-低型聚集區(qū)，但是該聚集區(qū)較不穩(wěn)定，容易發(fā)生變化；安徽在一段時(shí)間為低-高型聚集區(qū)，而高-低型聚集區(qū)的?。▍^(qū)、市）較少。

2.3 地理加權(quán)回歸模型分析

對(duì)2007年、2012年和2017年的碳排放影響因素進(jìn)行最小二乘法分析，結(jié)果表明各變量的方差膨脹因子（variance inflation factor，VIF）均為 0～10，即各因素之間不存在高度共線性，可以進(jìn)行地理加權(quán)回歸分析。利用ArcGIS 10.6軟件對(duì)2007年、2012年和2017年各?。▍^(qū)、市）的數(shù)據(jù)進(jìn)行地理加權(quán)回歸分析，帶寬選擇AICc(更正后的Akaike信息準(zhǔn)則)，核類型選擇FIXED（固定的），回歸結(jié)果見表1。從表1可以看出，擬合效果較好。此外，以分析區(qū)域的省會(huì)城市（或直轄市）經(jīng)緯度為位置參考，運(yùn)用Matlab 2016軟件進(jìn)行各個(gè)區(qū)域的影響因素回歸系數(shù)可視化，結(jié)果見圖3～圖7。

表1 GWR模型的估計(jì)結(jié)果Table 1 Estimation results of GWR Model

2.3.1 人口規(guī)模

如圖3所示，2007年、2012年和2017年，30個(gè)?。▍^(qū)、市）的人口規(guī)?；貧w系數(shù)為0.019～0.538，逐年增大，均為正值，表明對(duì)碳排放量的正向促進(jìn)作用逐年增大，同時(shí)空間差異性較大。2007年人口規(guī)模對(duì)碳排放量的影響程度從東北到西南遞增，而2012年和2017年影響程度變?yōu)閺臇|南到西北遞增。2007年影響高值區(qū)為青海和新疆，到2012年影響高值區(qū)變?yōu)樾陆⑶嗪?、甘肅和內(nèi)蒙古，而2017年影響高值區(qū)則變?yōu)樾陆?、?nèi)蒙古和黑龍江，其他地區(qū)的影響作用也較強(qiáng)。總的來說，11年間的人口規(guī)模對(duì)碳排放量的影響程度較大，且呈現(xiàn)穩(wěn)定的正相關(guān)關(guān)系。

圖3 人口規(guī)模回歸系數(shù)Fig.3 Regression coefficient of population size

2.3.2 電力消費(fèi)總量

如圖4所示，2007年、2012年和2017年，30個(gè)省（區(qū)、市）的電力消費(fèi)總量回歸系數(shù)為1.185～1.858，逐年增大，且均為正值，表明對(duì)碳排放量的正向促進(jìn)作用逐年增大。11年間的空間差異變化較大，2007年和2017年電力消費(fèi)總量對(duì)碳排放量的影響程度均是從西南到東北遞增，而2012年的影響程度則從南到北遞增。2007年和2017年的影響程度高值區(qū)均為黑龍江、吉林和遼寧，而2012年的影響程度高值區(qū)除東北三省以外，還包括內(nèi)蒙古?？偟膩砜?，11年間電力消費(fèi)總量回歸系數(shù)均較大，對(duì)碳排放量的影響很顯著，尤其是東北三省長(zhǎng)年處于高值區(qū)，這主要與當(dāng)?shù)卮罅康拿禾?、石油等高碳排放能源用于火力發(fā)電有關(guān)。

圖4 電力消費(fèi)總量回歸系數(shù)Fig.4 Regression coefficient of total power consumption

2.3.3 化石能源消費(fèi)總量

如圖5所示，2007年、2012年和2017年，30個(gè)?。▍^(qū)、市）的化石能源消費(fèi)總量回歸系數(shù)為2.198～2.333，對(duì)碳排放量的影響程度均是從北到南遞增，是對(duì)碳排放量影響最為顯著的因素。2007年影響程度高值區(qū)有廣西、廣東、福建和海南，2012年影響程度高值區(qū)為廣西、廣東、福建等南部地區(qū)，到2017年影響程度高值區(qū)又變?yōu)樵颇?、廣西、廣東和海南，影響程度高值區(qū)比2012年有所減少?？傮w來看，每年各?。▍^(qū)、市）的回歸系數(shù)均相差不大，呈穩(wěn)定的正相關(guān)關(guān)系，這是因?yàn)樘寂欧诺闹饕獊碓礊榛茉聪M(fèi)，而各?。▍^(qū)、市）的能源消費(fèi)結(jié)構(gòu)有所不同，對(duì)碳排放量的影響程度也有所差異。

圖5 化石能源消費(fèi)總量回歸系數(shù)Fig.5 Regression coefficient of total fossil energy consumption

2.3.4 城市公共汽電車輛

如圖6所示，2007年、2012年和2017年30個(gè)省（區(qū)、市）的城市公共汽電車輛回歸系數(shù)均較小，對(duì)碳排放量的影響不大。2007年城市公共汽電車輛對(duì)碳排放量的影響程度從東北到西南遞增，影響程度高值區(qū)為新疆、青海、四川和云南等地區(qū)。2012年的影響程度從東南到西北遞增，與碳排放量呈負(fù)相關(guān)，其中對(duì)碳排放抑制作用最強(qiáng)的是新疆。2017年的影響程度從東到西遞增，影響程度高值區(qū)則變?yōu)樾陆颓嗪?。總而言之?1年間城市公共汽電車輛對(duì)碳排放量的影響并不顯著，呈不穩(wěn)定的正負(fù)相關(guān)關(guān)系。

圖6 城市公共汽電車輛回歸系數(shù)Fig.6 Regression coefficient of urban buses and trolley buses

2.3.5 主要建材消耗總量

如圖7所示，2007年主要建材消耗總量對(duì)碳排放量的影響程度從西南到東北遞增，2012年的影響程度從東北到西南遞增，2017年的影響程度則又轉(zhuǎn)變?yōu)閺奈髂系綎|北遞增。2007年的主要建材消耗總量回歸系數(shù)為負(fù)值，對(duì)碳排放有較小的抑制作用，其中影響程度較強(qiáng)的省份是黑龍江和吉林。2012年的回歸系數(shù)為正值，對(duì)碳排放有正向促進(jìn)作用，其中影響作用較強(qiáng)的是新疆、青海和云南，但是對(duì)碳排放量的影響并不顯著。2017年的回歸系數(shù)為負(fù)值，對(duì)碳排放有抑制作用，黑龍江、吉林和遼寧對(duì)碳排放的抑制作用較強(qiáng)?？偟膩砜?，11年間的回歸系數(shù)并不穩(wěn)定，對(duì)省域碳排放量的影響也有所差別。究其原因，2007——2012年，國(guó)家城鎮(zhèn)化發(fā)展迅速，以平均每年1.35個(gè)百分點(diǎn)的速度發(fā)展，導(dǎo)致建筑業(yè)碳排放量增加，對(duì)碳排放量的影響從負(fù)相關(guān)轉(zhuǎn)變?yōu)檎嚓P(guān)，而在2012年以后城鎮(zhèn)化發(fā)展達(dá)到轉(zhuǎn)折點(diǎn)，同時(shí)國(guó)家大力推行建筑業(yè)碳減排政策，對(duì)建筑業(yè)碳排放量有所抑制，因此在2017年又轉(zhuǎn)變?yōu)樨?fù)相關(guān)性。

圖7 主要建材消耗總量回歸系數(shù)Fig.7 Regression coefficient of total consumption of main building materials

3 對(duì)策建議

本研究結(jié)果表明，2007年、2012年和2017年30個(gè)?。▍^(qū)、市）的影響因素對(duì)碳排放量的回歸系數(shù)存在明顯的時(shí)空差異性，為進(jìn)一步因地制宜地開展碳減排，可從以下方面著手。

（1）重點(diǎn)控制碳排放量常年較大的?。▍^(qū)、市），規(guī)范優(yōu)化全國(guó)碳交易市場(chǎng)。省域碳排放量具有一定的空間聚集性和空間差異度，如山東、山西、河北等省份，應(yīng)根據(jù)該地區(qū)的發(fā)展需求制定減排方案，對(duì)碳排放量差距較大的?。▍^(qū)、市）制定省間碳交易政策。

（2）打破居民傳統(tǒng)的消費(fèi)觀念，提高居民的綠色消費(fèi)水平和低碳消費(fèi)意識(shí)。人口規(guī)模對(duì)碳排放量的影響程度較大，且逐年增長(zhǎng)，應(yīng)在居民的居住地積極宣傳低碳消費(fèi)理念，呼吁居民主動(dòng)參與到低碳行動(dòng)中，提高大眾的節(jié)能減排意識(shí)。

（3）調(diào)整能源結(jié)構(gòu)，提高清潔能源技術(shù)創(chuàng)新發(fā)展。電力消費(fèi)和化石能源消費(fèi)是碳排放量的主要來源，東北地區(qū)的電力消費(fèi)總量和南部地區(qū)的化石能源消費(fèi)總量對(duì)碳排放量的影響程度最強(qiáng)，這主要是因?yàn)楸狈降貐^(qū)火力發(fā)電和南方地區(qū)能源消費(fèi)結(jié)構(gòu)單一所致。因此，應(yīng)適當(dāng)降低我國(guó)火力發(fā)電的需求，根據(jù)各省域的發(fā)展?fàn)顩r和方向合理利用和分配能源，不斷提高清潔能源技術(shù)的創(chuàng)新發(fā)展，建立可持續(xù)能源消費(fèi)模式。

（4）打造綠色建筑產(chǎn)業(yè)，合理推行城市公共出行政策。從城鎮(zhèn)化建設(shè)發(fā)展的視角出發(fā)，城市公共汽電車輛和主要建材消耗總量對(duì)于省域碳排放量在一定時(shí)期內(nèi)有較強(qiáng)的影響，并呈現(xiàn)不穩(wěn)定的正負(fù)相關(guān)關(guān)系。由此可見，城鎮(zhèn)化建設(shè)發(fā)展對(duì)于推動(dòng)綠色減排的效果并不穩(wěn)定，仍需要國(guó)家分階段擬定漸進(jìn)式的碳減排規(guī)劃，大力提倡和宣傳綠色建筑的觀點(diǎn)，合理推行城市公共交通政策，結(jié)合城鎮(zhèn)居民出行情況和交通狀況，規(guī)劃與推動(dòng)綠色出行方案。

4 結(jié)論與展望

（1）2007——2017年省域碳排放量總體分布從西南到東北呈遞增趨勢(shì)，全局 Moran's I指數(shù)均在0.3以上，表明各省域碳排放量具有明顯的空間聚集性，其中高-高型聚集區(qū)主要集中在山西、河北、山東、河南，低-低型聚集區(qū)主要集中在四川、新疆等地區(qū)。

（2）各影響因素的回歸系數(shù)隨時(shí)間和空間變化的差異性較為顯著，電力消費(fèi)總量和化石能源消費(fèi)總量對(duì)省域碳排放量具有很強(qiáng)的正向促進(jìn)作用，人口規(guī)模對(duì)省域碳排放量也有一定的正向促進(jìn)作用，但城市公共汽電車輛和主要建材消費(fèi)總量對(duì)省域碳排放量的影響并不穩(wěn)定。

省域碳排放量是多種因素共同作用的結(jié)果，國(guó)家在制定碳達(dá)峰規(guī)劃與碳減排目標(biāo)時(shí)，應(yīng)結(jié)合各?。▍^(qū)、市）的人口因素、能源消費(fèi)和城鎮(zhèn)化建設(shè)發(fā)展的情況，合理規(guī)劃碳減排，為全球應(yīng)對(duì)氣候變化作出更大的綠色貢獻(xiàn)。但是省域碳排放量的影響因子眾多，筆者僅選擇5個(gè)變量進(jìn)行了研究，后續(xù)將會(huì)進(jìn)行更加深入的研究，為我國(guó)的碳減排措施提供有效參考。