中国能源消费碳排放强度及其影响因素的空间计量，本文主要内容关键词为：中国论文,强度论文,因素论文,能源消费论文,空间论文，此文献不代表本站观点，内容供学术参考，文章仅供参考阅读下载。
DOI：10.11821/d1xb201310011
修订日期：2013-06-05
1 引言
应对气候变化已成为全球共同面临的环境挑战，减少
排放，推行低碳经济已成为世界各国的共识[1]。近几十年来，随着我国经济的持续增长，快速城市化和工业化拉动的能源消费长期处于高位增长态势，由此引发世界各国对我国碳排放的高度关注，并要求中国承担更大份额的减排任务。根据国际能源署(IEA，2009)统计数据，2007年中国已超过美国成为全球第一大排放国，受经济持续增长和产业转型长期性的影响，我国排放总量还会继续增长，这无疑会给我国在碳减排的国际谈判中带来越来越大的外交压力。在此背景下，中国政府承诺到2020年碳排放强度较2005年降低40%～45%，并将碳排放强度作为一个约束性指标纳入中国国民经济和社会发展中长期规划，表明中国能源政策已将由强调能源效率向优化能源结构的转变。这一目标的实现有赖于全国层面的社会经济和产业结构的实质性转型，更有赖于省区层面节能减排的具体行动。中国地域广阔，不同省区资源禀赋、人口规模、经济发展水平和产业结构等存在较大的差异性，能源结构也存在很大差别。在全国碳减排目标框架下，需要阐明中国省级尺度能源消费碳排放强度的时空分布及演变特征，识别碳排放强度的主要影响因素，为制定合理的碳减排差异化政策提供较为科学的参考依据。
碳排放强度是指单位GDP产生的碳排放量，是衡量能源利用质量和碳排放效率的一个很重要的指标。近年来，国外学者已从不同视角采用不同方法分析了碳排放强度及其动因。Greening等采用自适应加权划分指数探讨了100个OECD国家不同部门的碳排放强度，认为生产部门能源强度是影响碳排放强度的主要因素[2-5]。Schipper等采用因素分解方法分析了13个IEA国家9个部门的碳排放强度，并解释了其下降的成因[6]。Obas和Anthony通过对非洲一些国家碳排放强度的分解，认为能源强度、能源类型和经济结构是影响碳排放强度的主要因素[7]。Bhattacharyya发现能源强度下降是决定碳排放强度下降的主要原因[8]。Simone应用卡亚公式和对数比较方法对比分析了奥地利和捷克的碳排放强度，发现能源强度和能源结构对碳排放强度有很重要的影响[9]。然而，Nag和Ang等认为人均收入的增长才是碳排放强度增大的主要原因，且它们之间存在倒“U”字形的关系[10-11]。此外，Davis等认为影响碳排放强度变化的主要因素是气候变化，而不是能源结构调整[12]。针对如何降低碳排放强度，Divid认为生物能源是未来50年降低碳排放强度的关键，寻找稳定和可持续清洁能源替代化石能源依然是将来研究的难题[13]。Simone等认为生物能源对于能源平衡和降低碳排放强度有很重要的作用[14]。此外，Stern等在分析投入产出率和技术等的基础上，预测和对比分析了中国和印度的碳排放强度，指出中国比印度更难实现碳减排目标，因此需制定更严厉的政策保障未来的可持续发展[15]。
自1999年提出碳减排目标以来，中国的碳排放强度引起国内外学者的关注，针对碳排放强度的估算、区域差异及成因分析做了较为深入的研究。岳超和谭丹等基于美国橡树岭国家实验室二氧化碳信息分析中心公布的中国碳排放数据，采用泰尔指数方法得出我国中西部地区碳排放强度远高于东部地区的结论[16-17]；Clarke-Sather等采用变异系数、基尼系数、泰尔指数对东、中、西三区域的碳强度差异进行了分析，结论表明碳排放强度并不表现显著的区域间差异[18]；杨骞和刘华军对泰尔指数进行了四区域分解得出碳排放强度的区域差异主要来源于四大区域内部的结论[19]；赵雲泰使用空间自相关分析方法研究了1997-2007年碳排放强度的空间格局演变，结论表明省级尺度碳排放强度呈现正相关的空间集聚分布，碳强度的“冷点”区相对稳定，主要集中在东部和南部沿海地区，“热点”区从大西北转至黄河中游和东北地区[20]。而在碳排放影响因素的研究中，多数学者侧重于单一因素的影响，如魏巍贤和杨芳的研究表明技术进步对我国的减排具有促进作用[21]；李丽平的研究表明贸易顺差导致排放增加[22]；姚奕认为外商直接投资(FDI)能够有效地降低各地区的碳排放强度[23]。仅有少数学者分析多因素对碳排放的影响，杜立民认为重工业比重、城市化水平和煤炭消费比重对我国的排放都具有显著正的影响，经济发展水平和人均排放量之间则存在倒U型关系[24]；杨骞和刘华军则认为能源强度、能源结构、人均GDP、产业结构是造成碳排放水平差异的重要因素[25]。随着空间计量经济学方法被广泛接受，使用空间计量手段进行实证研究的学者数量正呈现指数级增长[26]，并逐渐被应用到碳排放研究领域，如郑长德和刘帅的研究表明经济增长与碳排放呈现正相关关系[27]；徐海平认为碳排放与人均收入呈现倒“U”型曲线关系[28]。
上述研究从不同空间尺度和视角分析了碳排放强度的时空特征及其影响因素，为节能减排和低碳经济发展提供有益的参考。但是，已有研究大多数基于传统统计理论假定的计量经济学方法，将研究单元视为相互独立且均质的个体，忽略了邻域单元间的空间联系和相关性。根据Tobler的地理学第一定律，任何事物之间都是相互联系的且相近者相似[29]，地理位置邻近的空间对象，其属性值趋于相似。空间自相关方法可通过空间权重矩阵刻画任一地域单元及其邻域单元间的空间关系与关联程度，因此，应用该方法能够阐明能源碳排放强度的空间关联程度，并揭示其空间分布模式[30]；而空间面板计量模型通过嵌套空间和时间效应，阐明各因素对能源碳排放时空格局变化的影响，使设定的影响因素空间回归模型更符合实际[31]。基于此，本文采用空间自相关分析方法揭示中国能源碳排放强度时空格局演变特征，借助空间面板计量模型探讨其主要影响因素，旨在为中央和地方政府制定差异化碳减排政策和发展低碳经济提供科学依据。
2 研究方法与数据来源
2.1 碳排放强度测算
化石燃料的燃烧是排放的主要来源，由于缺少直接的监测数据，已有的研究一般采用能源的消耗量来估算排放量。本文采用联合国政府间气候变化专门委员会(IPCC)提供的方法估算的排放总量[32]，选取天然气、柴油、煤油、汽油、燃料油、原油、焦炭和煤炭等8类主要化石能源，以各类能源的消费总量乘以各自的平均低位发热量与排放系数获得的排放量，表达式如下：
2.2 空间自相关分析
空间自相关分析不仅可以揭示碳强度的时空变化特征，而且也是正确设定空间面板模型的必要条件，本文采用全域空间自相关(Global Moran's I)和局域空间自相关来刻画碳排放强度空间集聚特征，并运用时空跃迁(Space-time transitions)测度法阐明其空间自相关类型变化[33]。
2.2.1 全域空间自相关 反映省区碳排放强度空间关联程度的总体特征，采用Global Moran's I统计量，其值介于-1和1之间，表达式如下：
2.2.2 局域空间自相关 反映每个省区与相邻省区之间的空间关联程度，通过莫兰散点图可将其划分为HH(高—高)、HL(高—低)、LH(低—高)和LL(低—低)四种类型，其中，HH(LL)集聚型表示相邻省区间存在正的空间自相关，且存在高(低)碳排放强度省区的空间集聚效应。HL(LH)表示相邻省区间存在负的空间自相关，高(低)碳排放强度省区被低(高)碳排放强度省区包围。
2.3 空间面板计量模型
面板数据有信息量大、包含更多的变化以及变量之间共线性较弱的特点，使用面板数据会获得更高的自由度，从而可增加参数估计的有效性[34]。由于每个时间断面的省区之间碳排放强度存在空间自相关性(空间依赖)，可以在普通面板数据模型的基础上，通过融入空间和时间效应的空间面板计量模型探讨各选定因素对省区碳排放强度时空格局变化的影响[35]。
2.3.1 模型设定 目前主要有三种：空间滞后模型、空间误差模型和空间Durbin模型[36]，这三种模型分别对应不同的空间交互效应的设定方式。
(1)空间滞后模型(SLM)。如果空间交互效应或空间自相关性来源于区域间贸易、劳动力、资本、技术和知识流动等实质的相关性，可以通过加入因变量的空间滞后因子进行分析[37]。
(2)空间误差模型(SEM)。在模型设定过程中，很可能会遗漏一些与被解释变量有关的变量(变量具有隐蔽性或无法准确量化)，而这些变量存在空间自相关性，同时区域间可能存在随机误差冲击空间溢出效应，例如某一空间单元的要素波动会通过空间传导机制波及到其他地区。因此在某些情况下忽略误差的空间自相关性也会造成模型设定的偏误。
(3)空间Durbin模型(SDM)。空间滞后模型与空间误差模型的一个缺点在于数据的空间模式也许不是仅用内生的交互效应或具有自相关性的扰动项就可以解释的，而是可能需要同时动用内生的交互效应、外生的交互效应以及具有自相关性的误差项[35]。
式中：γ是k维列向量；表示空间滞后解释变量的系数。
2.3.2 模型估计与检验 根据Elhorst提出的空间面板计量模型的估计与检验框架，估计与检验的过程应该着重回答两个问题：应该选择哪种空间面板模型和应该包括哪种固定效应[38]。
(1)对不考虑空间交互效应的传统混合面板数据模型进行估计与检验，然后对模型的残差进行空间自相关性检验，判断SLM与SEM哪个更适合描述数据以及模型中应该包括哪种固定效应。非空间面板数据模型的估计采用普通最小二乘法(OLS)，残差的空间自相关性通常采用拉格朗日乘数及其稳健形式(LMlag，LMerror，R-LMlag，R-LMerror)进行检验[35]，固定效应则采用似然比检验。模型拟合效果除采用传统的拟合优度检验
和自然对数似然函数值(LogLikelihood，LogL)外，还给出不考虑固定效应影响的Corrected 。
(2)检验SDM能否简化为SLM或SEM，可被简化为空间误差模型的零假设为
∶γ+δβ=0，经过Wald或似然比(LR)检验，如果结果通过了0.05显著性水平则拒绝原假设。可被简化为空间滞后模型的零假设为：γ=0，经过Wald或似然比(LR)检验，如果结果通过了0.05显著性水平则拒绝原假设，SDM的估计采用极大似然估计。
(3)LeSage & Pace指出空间回归模型中使用点估计的方法检验是否存在空间溢出效应会导致错误的结论，应在截面模型的背景下使用偏微分来检验变量的直接效应(direct effects)和空间溢出效应(spillover effects)[36]。Elhorst将这种方法推广到了空间面板模型，并以SDM为例阐释了它的原理[38]。将SDM改写为向量形式，如下式：
式中：误差项
包括
和固定效应，以第k个解释变量为自变量对上式进行求导，可以得到如下偏微分矩阵：
式中：直接效应被定义为右手边矩阵主对角线元素的平均值，反映截面单元第k个变量对该截面单元因变量的边际效应；间接效应则被定义为除主对角线以外的元素的平均值，反映截面单元第k个变量对其他单元因变量的边际效应或所有其他截面单元的第k个变量对某一单元因变量的影响。
2.4 研究单元、数据来源和变量选择
2.4.1 研究单元 参与碳排放强度估算及空间计量分析的研究单元共30个省区，包括21个省、4个直辖市和5个自治区(由于缺乏数据，未包括台湾省、西藏自治区、香港和澳门特别行政区)。
2.4.2 碳排放总量估算的原始数据 各省区天然气、柴油、煤油、燃料油、原油、焦炭、煤炭等能源的消费量数据来自历年的《中国能源统计年鉴》；各类能源的平均低位发热量由《中国能源统计年鉴2011》附录4得到；各类能源的排放系数由《2006年国家温室气体清单指南》得到；各省历年的GDP总量来源于《中国统计年鉴》，并换算成1997年的不变价。
2.4.3 空间面板模型自变量的选择 碳排放强度受技术水平、能源结构、经济结构、人口结构等众多因素的影响，参照已有研究成果[39，40]，本文以碳排放强度(CI)作为因变量，选取总人口(TP)、人均GDP(PGDP)、能源强度(EI)、能源结构(ES)、产业结构(IS)、城市化率(UR)、外贸开放度(TO)和外商直接投资(FDI)等8个因素作为自变量，构建碳排放强度及其影响因素的空间面板模型。其中，各省人口数据为各省区上年年末人口数与本年年末人口数的算术平均数；能源强度用能源消费量与GDP的比值表示；能源结构用煤炭占全部能源的比重表示；产业结构用第二产业占地区生产总值的比重表示；城市化率用城镇人口占总人口的比重表示；贸易开放度用进出口总额占地区生产总值的比重来表示；外商直接投资用FDI占GDP的比重表示。以上相关数据除FDI源自商务部统计资料外，其他均来源于历年的《中国统计年鉴》和《中国能源统计年鉴》。
图1 1997-2010年中国碳排放总量和碳排放强度
Fig.1 China′s carbon emissions and carbon emission intensity in 1997-2010
图2 1997-2010年中国碳排放强度全域Moran′s I指数
Fig.2 Global Moran′s I of China′s carbon emission intensity in 1997-2010
3 中国能源消费碳排放强度时空演变特征
3.1 时序演变特征
(1)碳排放强度总体呈下降的趋势(图1)。1997-2010年，中国能源消费碳排放量从4.16 Gt逐年增加到11.29 Gt(1 Gt=109t)，年均增长率为7.15%，而GDP年均增长率为11.72%(GDP以1997年不变价计算)，GDP增长速度超过碳排放总量的增长速度，因而在研究期内，虽然碳排放总量逐年上升，碳排放强度仍呈现逐年下降的趋势，由1997年的5.43 t/万元下降到2010年的3.49 t/万元。
(2)碳排放强度具有明显的空间集聚特征。基于GeoDa软件，计算1997-2010年中国碳排放强度的全域Moran′s I指数，采用随机排列法构造正态分布以检验其显著性(图2)。该时期内中国碳排放强度全域Moran's I指数均为正值，且其正态统计量z值均通过0.05水平的显著性检验(伴随概率P均小于0.05)，表明在整个研究期间省区间的碳排放强度呈现显著的空间自相关特征，即碳排放强度较高的省区和较低的省区均趋于相邻。同时，观察Moran's I曲线的走势，1997-2000年Moran's I指数小幅震荡下降，伴随概率稳定在0.3左右，表明碳排放强度的集聚程度有所下降但不明显；2000-2010年Moran's I指数显著上升(伴有小幅震荡)，伴随概率相比前一时段均显著减小，表明碳排放强度的空间集聚特征更为显著。因此，从总体上看，整个研究期内全域Moran's I指数呈现波动型上升的趋势，表明中国省区碳排放强度的集聚程度增强，碳排放强度相似的省区在空间上趋于集中分布。
图3 1997、2000、2010年中国能源消费碳排放强度空间格局
Fig.3 Spatial patterns of China′s carbon emission intensity in 1997,2000 and 2010
图4 1997、2000、2010年中国碳排放强度Moran′s I散点空间分布图
Fig.4 Spatial patterns of Moran scatterplots of China′s carbon intensity in 1997,2000 and 2010
3.2 空间格局演变特征
(1)空间分布呈北高南低特征。根据全域Moran's I指数时段特征，基于ArcGIS技术平台，按照碳排放强度数值进行分级，分别绘制1997、2000、2010年中国省区碳排放强度的空间分布图(图3)。分析图3可知，中国省区碳排放强度的空间差异明显，总体呈北高南低的特征：1997年山西和贵州的碳排放强度最高，新疆、甘肃、内蒙古、宁夏、辽宁、吉林等地处西北与东北的省区碳排放强度也比较高，海南、浙江、福建、广东、广西等南方沿海省区的碳排放强度最低。2000年，山西碳排放强度最高，内蒙古、贵州和宁夏次之，低碳排放强度的省区较1997年增加了江苏和湖南，总体上依然呈现北高南低的态势。2010年宁夏碳强度最高，其次是贵州和山西，低碳排放强度的省区数量增长较多，包括江西、湖北、四川、重庆等内陆省区，北高南低的格局更为清晰。统计分析各等级省区分布可知，碳排放强度介于3～14间的省区所占比重由1997年的76.7%分别下降到2000的70%和2010的53.3%，碳排放强度大于14的省区数量基本保持稳定，而碳排放强度小于3的省区所占的比例由1997年的16.7%分别提高到2000的23.3%和2010的43.3%。高碳排放强度省区数量的减少和低碳排放强度省区的大幅度增加，进一步佐证了我国能源消费碳排放强度持续下降的客观现实。
(2)碳排放强度的集聚趋势增强，并具有一定程度的空间锁定或路径依赖。为揭示中国省区碳排放强度的局部空间相关性，根据全域Moran's I指数时段特征，借助GeoDa软件和ArcGIS平台，绘制1997、2000、2010年中国省区碳排放强度的Moran's I散点空间分布图(图4)。分析图4可知，碳排放强度的局域空间集聚特征明显，总体以HH集聚和LL集聚类型为主，其中HH集聚的省区主要分布在中国西北内陆和东北地区，LL集聚的省区则集中分布于东部沿海地带，但是各类型省区的数量和空间分布存在区域性动态变化特征。具体表现为：1997年，碳排放强度属于HH型和LL型的省区分别为9个和14个，占全国省区总数的77%，而HH型和LH型的省区仅占23%，表明中国碳排放强度在空间分布上呈现明显的二元结构。2000年，HH和LL省区分别减少了1个和2个，说明该时期中国省区碳排放强度的空间集聚程度有所减弱。2010年与2000年相比，LL型省区增加了4个，HH型的省区则减少了2个，说明碳排放强度较低的省区空间集聚程度有所增强，中国省区碳排放强度的空间差异有进一步缩小的趋势。
为进一步阐明碳排放强度空间集聚特征，采用时空跃迁测度法，可将中国30省区划分为4种类型，通过不同时段各类型所含省区数量的增减反映其时空跃迁规律：Ⅰ型表示某一省区的相对跃迁；Ⅱ型表示空间邻近省区的跃迁；Ⅲ型表示某一省区及其邻近省区均发生跃迁；Ⅳ型表示均保持稳定。具体跃迁形式可用时空跃迁矩阵表示(表2)。由表2可以清楚地看出，时空跃迁矩阵主对角线上的元素皆为Ⅳ型跃迁的省区，1997-2010年三个时段Ⅳ型跃迁省区占全部省区的比重分别为90%、77%和87%，表明中国省区碳排放强度的分布具有一定的空间锁定或路径依赖特征；而各时段跃迁至LL型省区的比重分别40%、53%和53%，表明碳排放强度较低省区的集聚程度有进一步增强的趋势。
表2 时空跃迁矩阵
Tab.2 Space-time transition matrices
4 中国能源消费碳排放强度的影响因素分析
中国省区能源碳排放强度呈现显著的空间自相关性，表明省际间的碳排放强度存在空间交互效应。然而，传统的计量经济学模型未能嵌套空间交互效应，可能导致模型设定与估算结果的偏误，而空间面板模型则嵌套了空间效应和时间效应，能够判别自变量是否具有溢出效应，可通过对自变量的误差冲击分析和空间自相关分析，使设定的空间回归模型更符合实际，并阐明自变量的溢出效应对因变量的空间影响[31]。为慎重起见，本文分别采用传统混合面板模型、SLM、SEM和SDM进行统计检验，通过对比分析所选模型的估计与检验结果，选择最优模型，定量甄别中国能源消费碳排放强度的主要影响因素。首先，应用无空间交互效应的传统混合面板数据模型进行估计和残差检验(表3)，对比分析SEM和SLM的估计结果，判断SEM和SLM是否比非空间模型优越。其次，由于SLM和SEM是非嵌套模型(non-nested model)，在模型选择上应该慎重，应进一步考虑SDM的检验结果[36]，并依据∶γ=0和∶γ+δβ=0两个假设的检验结果来判断SDM可否被简化为SEM或SLM。这两个检验均遵循自由度为k的
分布，具体可以采用Wald和LR进行。如果不能拒绝∶γ=0的假设，则SDM可被简化为SLM，SLM为最优模型；如果不能拒绝：γ+δβ=0的假设，则SDM可被简化为SEM，SEM为最优模型；如果两个假设都被拒绝，则SDM模型为最优模型[41]。
零假设为空间固定效应联合显著的LR检验结果(555.9565，P=0.0000)表明双向固定效应优于空间固定效应，另一 LR检验结果(57.4087，P=0.000)表明时间固定效应联合显著的零假设也不成立，即双向固定效应同样优于时间固定效应。此外，从表3中可以看出，LMlag与LMerror均未通过10%的显著性检验，R-LMlag和R-LMerror都通过了5%的显著性水平检验，表明模型估计的残差存在空间自相关性，SLM和SEM均优于无空间交互效应的传统混合面板数据模型。但是，仅凭借此检验结果不能确定是采用SLM或SEM，还需要进一步考虑SDM估算和检验结果(表4)。分析表4，空间滞后(Spatial Lag)和空间误差(Spatial Error)的Wald及LR检验结果显示，LMlag、R-LMlag、LMerror、R-LMerror等4种检验均通过了1%的显著性水平，因此SDM不能被简化为SLM和SEM，同时，对比表3和表4，可以看出SDM的拟合效果要优于SLM和SEM。据此，本文选择嵌套时间和空间双向固定效应的SDM阐释各因素对碳排放强度时空格局的影响。
表3 传统混合面板数据模型估计结果
Tab.3 Estimation results of traditional pooled panel data model
注：***、**和*分别表示1%、5%和10%的显著性水平
表4 SDM的估计与检验结果
Tab.4 Estimation and test results of the SDM
注：***、**和*分别表示1%、5%和10%的显著性水平
一般而言，SDM中给出了双向固定效应的估计值，但是由于模型中纳入了空间滞后解释变量与被解释变量，不能直接反映其边际效应，其估计值也难以准确衡量自变量对因变量的直接影响[36]。因此，需要采用偏微分方程(7)计算各自变量的直接效应和间接效应[38]，SDM估计与检验结果如表4。其中，ES、EI、UR和IS等4个因素均通过了1%显著性水平检验，而其他4个因素如TP、PGDP、TO和FDI等均未通过显著性检验。据此，可以认为ES、EI、UR和IS是影响中国碳排放强度时空格局的主要因素。分析表4可知：
(1)ES、EI、UR和IS的弹性系数分别为7.246105、2.095377、0.036719和0.033355，说明这4个因素对中国省区碳排放强度具有积极影响，而其空间滞项的弹性系数分别为-0.78034、-0.52500、-0.01547和-0.09924，表明相邻省区的ES、EI、UR和IS变化对本省区的碳排放强度产生消极影响。
(2)ES、EI、UR和IS的直接效应分别为7.2272、2.0856、0.0365和0.0325。其中，ES和EI两个因素的直接效应最大，是影响省区碳排放强度的关键因素，且ES和EI每正向变化1%，会导致本省区碳排放强度分别提高7.2272%和2.0856%；而UR和IS的直接效应远小于ES和EI，对中国省区碳排放强度时空格局影响也相对较小，且UR和IS每正向变化1%，会导致本省区碳排放强度分别提高0.0365%和0.0325%。ES、EI、UR和IS的间接效应分别为-0.2375、-0.3775、-0.0132和-0.1028，说明这4个因素有负的空间溢出效应，即某一省区ES、EI、UR和IS变化对相邻省区的碳排放强度或相邻省区ES、EI、UR和IS变化对本省区碳排放强度均产生消极影响。ES、EI、UR和IS每正向变化1%，会导致本省区或相邻省区碳排放强度分别降低0.2375%、0.3775%、0.0132%和0.1028%。
(3)ES、EI、UR和IS的弹性系数及其直接效应的数值略有差异，其原因是存在反馈效应(弹性系数-反馈效应=直接效应)，即某一省区通过影响相邻省区的碳排放强度再反过来影响本省区的碳排放强度。这种反馈效应一部分来自空间滞后被解释变量，另一部分则来自空间滞后解释变量。进一步分析表4可以发现，ES、EI、UR和IS的反馈效应分别为0.018905、0.009777、0.000219和0.000855，这种反馈效应分别源于4个因素的空间滞后变量(W*lnES、W*lnEI、W*lnUR或W*lnIS)和空间被解释变量(W*lnCI)的交互作用形成的综合效应。
5 结论与讨论
5.1 结论
(1)从时序变化看，1997-2010年中国能源消费碳排放总量持续增加，但是由于经济增长速度远高于碳排放量的增速，能源消费碳排放强度总体上呈现逐年下降的趋势。从全局空间自相关看，中国省区碳排放强度在空间分布上呈现明显的南高北低的地域性特征：山西、宁夏与贵州的碳强度一直处于较高的水平；然而低碳强度的省份数量也在不断增加，除一些沿海省份如浙江、广东、福建外，重庆、湖北、四川等内陆省份也加入了低碳强度的行列。从局域空间自相关性看，中国省区碳排放强度呈现出显著的地带性空间集聚特征，HH集聚的省区主要分布在我国的西北内陆和东北地区，LL集聚的省区则主要分布于东部沿海地带，且随着时间的推移集聚程度有明显增强的趋势，同时碳排放强度的高值集聚区与低值集聚区呈现出一定程度的路径依赖或空间锁定。
(2)空间面板计量模型估算与检验结果表明，ES、EI、UR和IS均通过了1%显著性水平的检验，其直接效应分别为7.2272、2.0856、0.0365和0.0325，是影响中国省区碳排放强度时空格局演变的主要因素，且具有较显著的空间自相关性和空间溢出效应。某一省区ES、EI、UR或IS的增强不仅会提高本省区碳排放强度，而且可能通过空间传导机制引起邻近省区碳强度的降低。
5.2 讨论
碳排放问题是全球关注的热点和学术研究前沿领域，包含复杂的科学问题，既有指标选取和评判标准的科学性问题，也有研究方法的适用性和合理性问题，而这些在学术界还未形成统一的认识。本文参照IPCC提供的方法，估算了中国及各省区能源消费碳排放强度，并采用空间自相关和空间面板计量等模型方法进行的实证研究，较好地揭示了中国省区碳排放强度时空格局演变特征及其动力因子，可为中央或地方政府制定差异化碳减排政策提供科学依据。但是，省区碳排放强度的空间自相关分析中，主要依据已有案例研究成果，采用空间邻接关系K确定空间权重，未能考虑经济、贸易、人力和资本流动等对空间权重的影响。因此，如何更为科学地判别空间权重、估算距离摩擦系数及考虑经济、人力和资本流等的空间影响，尚值得研究。另一方面，鉴于省区间碳排放强度具有显著的空间自相关性，应用嵌套时间效应和空间效应的SDM模型，能定量甄别中国省区碳排放强度时空格局演变的关键因素，阐明各因素变化对省区碳排放强度的宏观影响[41]，但是难以定量刻画碳排放强度与各因素变化的空间对应关系及其耦合作用机制。此外，现有的空间面板模型考虑到了系统内部空间单元间的相关性，但是边界处的空间单元还受到系统外与之相邻的空间单元的影响，如何将这些影响纳入模型也是需要深入研究的问题。
我国正处于城市化和工业化的快速发展阶段，经济增长对能源消费的刚性需求将会保持高位增长态势，由此产生的碳排放将会对经济、社会和环境的持续发展形成较大压力。在应对全球气候变化、发展低碳经济和碳减排的目标框架下，如何促进经济和产业的实质性转型，实现经济发展与环境保护协调发展，是我国当前面临的重大挑战，是需要政府部门和学术界给予更多关注的重要科学问题。既需要学术界深入开展碳排放过程、格局及作用机理的创新性研究，为经济、社会和环境的持续发展提供理论支撑和科学依据，更需要中央和地方政府立足于区域发展的科学实践，制定能源利用与差异化碳减排政策。
一方面，对于高度依赖能源的西北、东北和中西部省区，应以产业结构优化调整为核心，推进清洁型生产，逐步改变以煤为主的高消耗、高污染能源消费结构，降低能源强度和优化能源结构，促进经济增长方式和发展模式的实质性转变；对于经济和产业转型较有成效的东部沿海地区，应继续培育和发展新能源、新材料、高新技术和高端服务业等新兴产业，发展循环经济，实现产业的生态链接，走质量与效率并重、绿色、低碳、节约型可持续之路。另一方面，充分发挥政府的宏观调控作用，依据各省区经济发展和产业转型的阶段性，因地制宜制定碳减排差异化政策，东部沿海地区应承担更多的碳减排任务，以保障中西部地区的顺利转型；同时考虑碳排放强度影响因素的空间交互效应，采取统筹规划、整合资源、信息共享和互通有无的协同控制策略，既能有效促进地方经济持续发展，又能保障我国节能减排目标的实现。