EN中文

经济地理 >

2020 , Vol. 40 >Issue 11: 29 - 38

DOI: https://doi.org/10.15957/j.cnki.jjdl.2020.11.004

区域经济与理论方法

中国CO2排放的空间分异与驱动因素——基于198个地级及以上城市数据的分析

  • 王兴民 , 1, 2 ,
  • 吴静 1, 2 ,
  • 白冰 1, 2 ,
  • 王铮 , 2, 3, ※
展开
  • 1.中国科学院 科技战略咨询研究院，中国 北京 100190
  • 2.中国科学院大学 公共政策与管理学院，中国 北京 100049
  • 3.华东师范大学 地理信息科学教育部重点实验室，中国 上海 200062
※王铮（1954—），男，云南陆良人，博士，研究员，博士生导师。主要研究方向为城市与区域管理、理论经济地理学。E-mail：。

王兴民（1987—），男，山东平邑人，博士研究生。主要研究方向为城市经济与区域科学、环境经济与政策。E-mail：。

收稿日期: 2019-09-20

  修回日期: 2020-07-23

  网络出版日期: 2025-04-22

基金资助

国家自然科学基金面上项目(41871219)

国家自然科学基金面上项目(41671396)

国家重点研发计划(973)

收起

Spatial Differentiation and Driving Factors of CO2 Emissions：Analysis Based on 198 Cities at Prefecture Level and Above in China

  • WANG Xingmin , 1, 2 ,
  • WU Jing 1, 2 ,
  • BAI Bing 1, 2 ,
  • WANG Zheng , 2, 3, ※
Expand
  • 1. Institutes of Science and Development，Chinese Academy of Sciences，Beijing 100190，China
  • 2. School Public Policy and Management，University of Chinese Academy of Sciences，Beijing 100049，China
  • 3. Key Laboratory of Geographic Information Science，East China Normal University，Shanghai 200062，China

Received date: 2019-09-20

  Revised date: 2020-07-23

  Online published: 2025-04-22

Fold

摘要

国家减排目标和政策的落实需要城市的深度参与和有力执行。但是，城市的CO2排放存在空间分异性，且驱动因素及其贡献度各有不同。文章综合运用排放系数法、变异系数法、K-means聚类和地理探测器等方法，对城市尺度的中国CO2排放空间分异与驱动因子进行探究，结论如下：①中国城市层面的CO2排放存在明显的空间分异，排放强度的空间分异性较为显著，而排放量的空间分异性相对较小，且以非资源型城市CO2排放强度的城市间差异最大。②能源强度是资源型和北方城市CO2排放空间分异的主导驱动因子，城市经济规模是非资源型和南方城市CO2排放空间分异的主导驱动因子，其他驱动因子的决定力排序和决定力大小则各有不同。③产业结构及其高级化水平对各类城市CO2排放空间分异的决定力均较小，城市经济密度对资源型和北方城市的CO2排放空间分异的决定力较小。④影响资源型和北方城市CO2排放空间分异的关键交互因子均包含能源强度，而影响非资源型和南方城市CO2排放空间分异的关键交互因子比较复杂，不存在对城市CO2空间分异格局起关键性决定作用的交互因子。⑤一些决定力微弱的因子在与其他因子叠加后，会产生非线性增强，会显著提高其对城市CO2排放空间分异的决定力水平。

关键词： 减排; CO2排放; 驱动因素; 地理探测器; 能源强度; 产业结构; 资源型城市

本文引用格式

王兴民 , 吴静 , 白冰 , 王铮 . 中国CO2排放的空间分异与驱动因素——基于198个地级及以上城市数据的分析[J]. 经济地理, 2020 , 40(11) : 29 -38 . DOI: 10.15957/j.cnki.jjdl.2020.11.004

Abstract

The implementation of China's Emission reduction targets and policies requires the deep participation and strong implementation of cities. However,due to the differences in city scale,structure and technology level,there are spatial differentiation in urban CO2 emissions,the driving factors and contribution. In this paper,the methods of emission coefficient,coefficient of variation,K-means clustering and GeoDetector are used to explore the spatial differentiation and driving factors of urban CO2 emissions in China. The conclusions are as follows: 1) There are obvious spatial differentiation of urban CO2 emissions in China,and the spatial differentiation of emission intensity are more significant,while the spatial differentiation of emissions are relatively small; moreover,the differences of CO2 emission intensity in non-resource-based cities are the greatest among cities. 2) Energy intensity is the dominant driving factor for spatial differentiation of CO2 emissions in resource-based cities and Northern cities. Urban economic scale is the dominant driving factor for spatial differentiation of CO2 emissions in non-resource-based cities and Southern cities,while the ranking and contribution of other driving factors are different. 3) The industrial structure and the upgrading of industrial structure have less decisive power on spatial differentiation of CO2 emissions,and the economic density of cities has less decisive power spatial differentiation of CO2 emissions in resource-based cities and Northern cities. 4) The key interaction factors including energy intensity affect the spatial differentiation of carbon emissions in resource-based cities and Northern cities; while the key interaction factors affecting the spatial differentiation of carbon dioxide emissions in non-resource-based cities and Southern cities are more complex,and there is no spatial superposition of single factor with other factors,which plays a key role in the spatial differentiation of urban CO2. 5) Some driving factors with weak determinants will be non-linear enhanced when they are superimposed with other factors. These interactive factors will significantly improve the determinants of spatial differentiation of urban CO2 emissions. The above conclusions are of great significance for different cities to formulate differentiated low-carbon policies.

Key words： emission reduction; CO2 emissions; driving factors; GeoDetector; energy intensity; industrial structure; resource-based city

全球气候变化的有效治理需要城市层面的深度和广泛参与[1-2]。中国作为世界上最大的CO2排放国家之一，在CO2减排目标和政策的落实中也需要城市政府的有力执行[3-4]。但是不同城市由于在城市类型、发展阶段、经济规模与结构，以及技术水平等方面存在差异，导致不同城市CO2排放水平、排放强度及其影响因素不尽相同，甚至具有显著差异[5-8]。因此，有必要在城市尺度对中国CO2排放的空间分异与驱动因素进行探究，以制定更为科学和针对性的低碳发展政策，即针对空间分异性程度较高的一类城市或驱动因素制定更具差异性或弹性的低碳政策，甚至给予地方更大的政策自由度；针对空间分异性程度较低的一类城市或驱动因素制定更具同一性或刚性的低碳政策。
空间分异是地理现象的基本特征之一。当前针对中国CO2排放空间分异性的研究多集中在省级层面[5-6,9]。原因就在于，中国能源消费清单数据多集中在国家、省级和大城市层面，地级城市长期以来缺少相对完善的能源平衡表。这也是导致在中国城市层面CO2排放研究大多聚焦于个案研究的原因之一。但随着CO2排放监测、报告和核查资料的不断完善以及估算方法的改进，具有不同质量城市尺度的CO2排放空间数据得以发展，从而开启在城市尺度上探究CO2排放空间分异性的研究[3,10-12]。这些研究表明，在不同城市之间以及城市内部均存在不同程度的CO2排放空间分异性。在认识到CO2排放具有空间分异性的同时，有些学者也认识到导致这种空间分异性的原因具有差异性和多样性。如Ouyang等的研究表明，尽管日本和中国的CO2排放在城市化进程中表现出相似的刚性增长特征，但两国在人均CO2排放、能源结构和能源强度等因素上存在显著差异[13]。这也意味着不同国家或城市层面应该制定不同的低碳政策，以更为有效地抑制碳排放，减缓全球气候变化的速度[14]。在方法上，这些研究多采用比较或统计计量的方法，这些方法在研究具有异质性的空间数据时存在一定的缺陷。因为用全局模型分析具有异质性的空间CO2排放数据将掩盖空间CO2排放的异质性特征，分析结果可能会被空间数据的混杂效应所干扰，甚至得出错误的结论[12,15]。因此，有必要运用专门的分析工具对中国城市尺度的CO2排放空间分异现象进行研究，而地理探测器正是分析空间异质性和对空间数据进行探索性分析的有力工具之一[15]。
本文基于中国城市层面的能源和社会经济数据，并运用碳排放系数法、变异系数法、K-means聚类法和地理探测器等研究方法，分析中国城市层面CO2排放量和排放强度的空间分异状况，并分区域探索CO2排放空间分异的驱动因素，以期可以正确识别不同类型城市和不同区域CO2排放的主导驱动因素，为中国的绿色发展、能源政策和城市分类管理提供科学依据。

1 研究方法与数据来源

1.1 研究方法

为了对中国地级以上城市CO2排放空间分异的状况和驱动因素进行探索分析，本文将研究分为三个步骤：首先，运用碳排放系数方法计算中国城市能源消费的CO2排放量。其次，根据计算得到的城市CO2排放量和排放强度的空间分布特征，将全国分成不同类别或区域，并运用变异系数法测度全国、不同类型和不同区域城市CO2排放量和排放强度的空间分异状况。最后，根据样本数据的统计分布规律确定探测因子的聚类数目，并运用K-means聚类法将主要驱动因子进行分类或分级；在此基础上，运用中国地级以上城市的CO2排放和经济社会数据，采用地理探测器方法和GeoDetector软件计算各因素对中国城市尺度CO2排放分异格局的决定力水平q值，探测中国城市尺度CO2排放空间分异格局的驱动因素，并展开进一步分析和阐释。

1.1.1 城市尺度的CO2排放核算

化石能源的消费和燃烧是城市CO2排放的主要来源，本文采用碳排放系数方法计算中国城市能源消费的CO2排放量。CO2排放系数法的计算公式如（1）式所示：
Q C O 2 = ∑ i = 1 n K i · E i
式中： E i为第i种能源品种的能源使用量，可按标准统一折算为标准煤；系数 K i为第i种能源品种的CO2排放系数。各种能源折算成标准煤的参考系数和CO2排放系数见表1。其中，标准煤折算系数来源于《中国能源统计年鉴（2017）》，碳排放系数则主要来源于《综合能耗计算通则》（GB/T 2589-2008）和《省级温室气体清单编制指南》（发改办气候[2011]1041号），并参照了秦耀辰等[16]研究中推荐的参考值。
表1 不同能源品种的标准煤折算系数和CO2排放系数

Tab.1 Standard coal conversion coefficient and CO2 emission coefficient of different energy types

能源品种 标准煤折算系数（kgce/kg） CO2排放系数（104t/104t） 能源品种 标准煤折算系数（kgce/kg） CO2排放系数（104t/104t）
原煤 0.7143 2.492 燃料油 1.4286 2.219
洗精煤 0.9000 2.631 液化石油气 1.7143 1.828
其他洗煤 0.2857 2.492 天然气 1.2143 2.162
煤制品 0.6000 2.631 液化天然气 1.7572 2.660
焦炭 0.9714 2.977 炼厂干气 1.5714 1.654
其他焦化产品 1.3000 2.341 其他石油制品 1.2000 2.126
原油 1.4286 2.104 焦炉煤气 0.6143 kgce/m3 1.288
汽油 1.4714 1.988 高炉煤气 0.1286 kgce/m3 7.523
煤油 1.4714 2.051 其他煤气 0.3571 kgce/m3 1.288
柴油 1.4571 2.167 其他燃料 2.4567

1.1.2 城市尺度的CO2排放空间分异测度

变异系数是衡量不同样本数据观测值变异程度的一个统计量，被广泛用于衡量城镇化、经济、人口、环境等地理数据时空动态的差异程度[17-18]。变异系数的优点是可以消除单位和平均数不同对结果造成的影响。本文运用变异系数（CV）测度不同类型和不同区域城市尺度的CO2排放量和排放强度的区域差异状况及其程度。
C V = S X ¯ × 100 % = 1 X ¯ ∑ i = 1 n X i - X ¯ 2 n - 1 1 2 × 100 %
式中： C V为研究样本的CO2排放变异系数；S为研究样本CO2排放量或排放强度的标准差的无偏估计； X -为研究样本的CO2排放量或排放强度的平均值； X i为研究样本的第i个城市的CO2排放量或排放强度；n为研究样本的城市个数。

1.1.3 探测因子分类或分级

K-means聚类法是一种迭代求解的聚类分析算法。不同城市的CO2排放受到城市经济总量、发展水平、产业与能源结构、空间经济效率与技术水平等方面的综合影响。为此，本文在综合以往理论与实证研究基础上，选取4类因素8项指标，具体见表2。同时，根据样本数据的统计分布规律，确定样本数据的分类或分级数目，进而运用K-means聚类法对样本数据进行分类或分级。
表2 中国城市尺度的CO2排放空间分异格局驱动因素指标体系

Tab.2 Index system of driving factors about spatial differentiation pattern of urban CO2 emissions in China

驱动因素 探测因子 指标解释
总量因素 城市经济规模（GRP） 地区生产总值（单位：万元）
城市人口规模（URS） 市区常住人口（单位：万人）
发展水平 人均收入水平（PGRP） 人均地区生产总值（单位：元）
产业结构高级化（HIS） 第三产业增加值与第二产业增加值之比（单位：%）
结构因素 产业结构（INS） 第二产业占城市地区生产总值的比重（单位：%）
能源消费结构（ECS） 煤炭能源占能源消费总量的比重（单位：%）
效率因素 能源强度（ECI） 单位地区生产总值的能耗（单位：t/万元）
城市经济密度（UED） 地区生产总值与行政区土地面积的比值（单位：万元/km2）

1.1.4 空间分异格局的驱动因子探测

地理探测器最初被用于探测地理空间分区因素对疾病风险的影响机理[19]。由于传统的统计方法假设较多，而地理探测器模型在应用时没有过多的假设条件，可以克服统计方法处理变量的局限性，因此被广泛应用于社会经济因素和自然环境因素的影响机理研究。本文主要运用地理探测器的因子探测识别中国城市尺度CO2排放空间分异格局的主导驱动因子，再通过交互作用探测，以不同解释因子与因变量的多重空间叠加分析，探寻中国城市尺度CO2排放空间分异格局的关键交互因子。
①因子探测。因子探测的核心思想是比较某一环境因素和地理事物的变化在空间上是否具有显著的一致性，若环境因素和地理事物的变化具有一致性，则说明这种环境因素对地理事物的发生和发展具有决定意义。比如，探测某因子X在多大程度上解释了中国城市尺度的CO2排放Y的空间分异，用q值度量，其表达式为：
q = 1 - ∑ h = 1 L N h σ h 2 N σ 2 = 1 - S S W S S T S S W = ∑ h = 1 L N h σ h 2 ,   S S T = N σ 2
式中：h（h=1，…，L）表示探测因子X的分层或分级；Nh和N分别表示层（级）h和全区的单元数； σ h 2和 σ 2分别是层（级）h和全区的Y值的方差；SSW和SST分别为层（级）内方差之和和全区总方差。q的值域为[0,1]，q值越大表示自变量X对属性Y的解释力越强，反之则越弱，q值表示X解释了100×q%的Y。
②交互作用探测。交互作用探测用于判定不同影响因子对于中国城市尺度CO2排放空间分异格局的交互作用，探索关键交互因子并分析其空间叠加交互效应。识别不同因子Xs之间的交互作用，即评估因子X1和X2共同作用时是否会增加或减弱对因变量Y的解释力，或这些因子对Y的影响是否是相互独立的。评估的方法是首先分别计算两种因子X1和X2对Y的q值： q X 1和 q X 2，并且计算它们发生交互作用时的q值： q X 1 ⋂ X 2，并对 q X 1、 q X 2与 q X 1 ⋂ X 2进行比较。通过比较 q X 1、 q X 2与 q X 1 ⋂ X 2值的大小，可以判断两个因子交互作用对中国城市尺度CO2排放空间分异格局的影响与单个因子对中国城市尺度CO2排放分异格局的影响是更强还是更弱。两个因子之间的关系可分为以下几类：
Ⅰ.若 q X 1 ⋂ X 2 < m i n q X 1 , q X 2，说明因子 X 1和 X 2交互后非线性减弱；
Ⅱ.若 m i n q X 1 , q X 2 < q X 1 ⋂ X 2 < m a x q X 1 , q X 2，说明 X 1和 X 2交互后单线性减弱；
Ⅲ.若 q X 1 ⋂ X 2 > m a x q X 1 , q X 2且 q X 1 ⋂ X 2 < q X 1 + q X 2，说明 X 1和 X 2交互后互相增强；
Ⅳ.若 q X 1 ⋂ X 2 > q X 1 + q X 2，说明 X 1和 X 2交互后非线性加强；
Ⅴ.若 q X 1 ⋂ X 2 = q X 1 + q X 2，说明 X 1和 X 2相互独立。

1.2 数据来源

本研究所需的中国城市层面的能源消费数据，绝大部分来源于各地州市的2017年统计年鉴，部分城市的能源消费数据来源于所在省份的2017年统计年鉴。由于统计资料的限制，本文共获得198个地级及以上城市的20种能源消费数据。其他与城市有关的经济、人口、产业结构、行政区面积等基础数据分别来源于《中国城市统计年鉴（2017）》和《中国城市建设统计年鉴（2016）》，或在以上基础数据基础上计算而得。

2 中国地级以上城市CO2排放的空间分异特征分析

本研究中的198个地级及以上城市绝大多数位于东部和中部地区，这也是中国经济与人口的主要聚集区。在2016年，这198个地级及以上城市共计排放86.41亿 t CO2。由图1可以看出，中国地级以上城市CO2排放总量和排放强度在空间分布格局上具有不一致性。其中，由图1a可知，CO2排放量最高的城市主要集中在华北、华东和重庆等地区，以上地区是全国主要的资源型省份和工业制造业中心，这也是导致这些城市CO2排放量较高的主要原因。而由图1b可知，中国城市尺度的CO2排放强度空间格局呈现由东南向西北增强的趋势。从整体来看，中国城市CO2排放量和排放强度较高的城市大多位于北方地区和西北地区 ① ，存在比较明显的南北分异。
图1 中国地级以上城市CO2排放总量和排放强度空间分布

Fig.1 Spatial distribution of total CO2 emission and emission intensity in prefectural cities of China

此外，根据估算结果，CO2排放量在15 000万t以上城市有11个，其中CO2排放量最高的是河北省唐山市，达到26 022.26万t，其他依次是邯郸、南京、东营、长治、苏州、滨州、上海、重庆、宁波、淄博；10 000~14 999万t的城市有10个，分别是济宁、天津、包头、太原、徐州、大连、安阳、潍坊、泉州、平顶山。以上城市的绝大多数属于资源型城市。同时，在CO2排放强度方面，排放强度在10.01 t CO2 /万元以上的城市有7个，依次是嘉峪关、长治、阳泉、莱芜、哈密、克拉玛依和淮北，其中嘉峪关市最高，达到25.43 t CO2/万元；排放强度在5.01~10.00 t CO2/万元的城市有15个，依次是朔州、晋城、昌吉、淮南、忻州、滨州、运城、邯郸、吐鲁番、东营、马鞍山、延安、平顶山、安阳和银川。以上这些城市几乎都是资源型城市。根据城市的CO2排放总量和排放强度的对数数据，绘制得到2016年中国各城市CO2排放总量和排放强度联合分布图，如图2。从图2中可以看出，资源型城市与非资源型城市在CO2排放的空间分异性程度更为明显。图中红色区域的城市基本是资源型城市，这些城市的CO2排放量和排放强度均较高。且整体来看，城市的CO2排放强度与CO2排放总量之间存在很强的正相关性。因此，本研究将同时考虑城市类型和区域因素，将城市分为资源型城市和非资源型城市 ① ，以及北方城市和南方城市分别予以探究。
图2 中国地级以上城市CO2排放量与排放强度联合分布图

Fig.2 Distribution map of CO2 emission and emission intensity in prefecture-level cities of China

从变异系数的分析结果来看，在2016年，全部城市CO2排放量的变异系数为1.149，小于CO2排放强度变异系数1.486，这表明中国城市尺度的CO2排放量区域差异程度小于排放强度的区域差异，如图3。从城市类型来看，资源型城市CO2排放量的变异系数与排放强度的变异系数差别甚微，分别为1.046和1.000，而非资源型城市的CO2排放量与排放强度的变异系数却相差很大，分别为1.185和1.887。这说明非资源型城市CO2排放量和排放强度的差异均显著大于资源型城市，且非资源型城市内部的CO2排放强度的差异更是显著大于CO2排放量的差异。因此，中国城市层面的CO2 低碳政策应该因地制宜，即不同类型的城市采取不同的减排措施；且由于资源型城市的CO2排放量和排放强度均较高，具有更大的减排空间，所以中国城市CO2减排的重点应该继续放在资源型城市。而从城市所属区域来看，北方城市CO2排放量的变异系数小于CO2排放强度的变异系数，分别为0.855和1.178，而南方城市则正好相反，即南方城市的CO2排放量的变异系数大于CO2排放强度的变异系数，其值分别为1.378和1.074。这说明北方城市CO2排放量的差异更小，而南方城市在CO2排放强度的差异更小。
图3 中国城市尺度CO2排放量和排放强度的变异系数

Fig.3 Variation coefficients of urban scale about CO2 emissions and emission intensity in China

综上来看，中国城市尺度CO2排放强度的空间分异性更为显著，而CO2排放量的空间分异性相对较小，但以非资源型城市CO2排放强度的内部差异最大。究其原因，在于资源型城市具有一定的城市同构性，即资源型城市在城市规模、产业结构和技术水平方面具有很高的相似性，导致均具有较高的CO2排放总量和排放强度；而非资源型城市则相反，不仅城市规模差异甚大，而且在发展阶段、产业结构、技术水平和环境规制强度方面也差异巨大，从而使得城市间具有较大的排放强度差异[20-24]。而从区域角度看，北方城市是重要的煤炭消费区和冬季供暖区，且煤炭、钢铁型城市多聚集于北方，因此，北方城市具有更高的CO2排放量和排放强度；而南方地区的城市平均发展水平相对更高，具有更高的经济和技术水平，且南方拥有丰富的水力资源，是中国水电的聚集地，因此，南方城市在CO2排放量和排放强度方面相对较低[5,25]。

3 因子探测结果与分析

对于不同类型和不同区域的城市，究竟是什么因素主导了城市尺度的CO2排放空间分异格局?本研究基于表2中的4类因素8项指标，采用地理探测器模型，并运用GeoDetector软件计算各驱动因子对城市CO2排放空间分异格局的决定力q值（图4，表3）。
图4 中国地级以上城市CO2排放空间分异驱动因子的决定力分布

Fig.4 Determinant distribution of driving factors for spatial differentiation of CO2 emissions in prefectural cities of China

表3 中国地级以上城市CO2排放空间分异的交互作用因子探测结果

Tab.3 Detection of interaction factor for spatial differentiation of CO2 emissions in prefectural cities of China

探测因子 全部
城市		 资源型
城市		 非资源
型城市		 北方
城市		 南方
城市
q G R P ⋂ U R S 0.210 0.368 0.343 0.243 0.451
q G R P ⋂ P G R P 0.272 0.413 0.382 0.251 0.464
q G R P ⋂ H I S 0.184 0.313 0.327 0.164 0.414
q G R P ⋂ I N S 0.226 0.492 0.360 0.281 0.467
q G R P ⋂ E C S 0.326 0.573 0.473 0.332 0.638
q G R P ⋂ E C I 0.641 0.873 0.493 0.766 0.456
q G R P ⋂ U E D 0.252 0.500 0.424 0.219 0.505
q U R S ⋂ P G R P 0.334 0.473 0.494 0.339 0.628
q U R S ⋂ H I S 0.134 0.212 0.258 0.210 0.299
q U R S ⋂ I N S 0.163 0.352 0.278 0.251 0.368
q U R S ⋂ E C S 0.353 0.523 0.519 0.468 0.730
q U R S ⋂ E C S 0.535 0.709 0.421 0.655 0.337
q U R S ⋂ I N S 0.197 0.398 0.353 0.285 0.409
q P G R P ⋂ H I S 0.162 0.177 0.271 0.217 0.359
q P G R P ⋂ I N S 0.242 0.248 0.363 0.291 0.461
q P G R P ⋂ E C S 0.350 0.426 0.508 0.390 0.690
q P G R P ⋂ E C I 0.498 0.716 0.382 0.560 0.333
q P G R P ⋂ U E D 0.244 0.265 0.323 0.280 0.355
q H I S ⋂ I N S 0.072 0.128 0.091 0.120 0.132
q H I S ⋂ E C S 0.231 0.228 0.375 0.240 0.506
q H I S ⋂ E C I 0.317 0.460 0.176 0.350 0.102
q H I S ⋂ U E D 0.136 0.112 0.271 0.112 0.295
q I N S ⋂ E C S 0.296 0.375 0.378 0.418 0.402
q I N S ⋂ E C I 0.327 0.552 0.162 0.417 0.061
q I N S ⋂ U E D 0.167 0.194 0.271 0.192 0.264
q E C S ⋂ E C I 0.459 0.600 0.377 0.510 0.300
q E C S ⋂ U E D 0.258 0.460 0.416 0.405 0.454
q E C I ⋂ U E D 0.462 0.604 0.357 0.526 0.276

3.1 中国城市尺度CO2排放空间分异格局的因子探测

由图4可知，从全部城市来看，影响中国城市尺度CO2排放空间分异格局的驱动因子从大到小依次是：能源强度（ECI，0.265）>城市经济规模（GRP，0.165）>能源消费结构（ECS，0.161）>人均收入水平（PGRP，0.129）>城市人口规模（URS，0.113）>城市经济密度（UED，0.090）>产业结构（INS，0.012）>产业结构高级化（HIS，0.009）。由此可知，能源强度是研究样本中全部城市CO2排放量空间分异格局的主导驱动因子，城市经济规模、能源消费结构、人均收入水平和城市人口规模在其中也发挥着重要作用，而产业结构和产业结构高级化在CO2排放量空间分异格局中的决定力最小。
从城市类型来看，资源型和非资源型城市CO2排放量空间分异的主导驱动因子及其决定力方面存在显著不同。对于资源型城市CO2排放量空间分异格局起主导作用的因子是能源强度，其q值为0.428；此外，城市经济规模、能源消费结构、城市人口规模和人均收入水平等4个驱动因子在其中发挥重要作用，其q值分别是0.299、0.196、0.182和0.127；其他3个驱动因子的决定力较弱。而非资源型城市CO2排放量空间分异格局的主导驱动因子则是城市经济规模，其q值为0.301；其他驱动因子依据决定力大小依次是城市人口规模、能源消费结构、人均收入水平、城市经济密度、能源强度、产业结构高级化和产业结构，其q值分别为0.227、0.223、0.215、0.196、0.106、0.050和0.012。由此可知，不同类型城市CO2排放量空间分异的驱动因子存在差异，且同一驱动因子的决定力也有所不同。这说明，资源型城市的CO2排放量空间分异主要是由能源强度驱动的，并受到城市经济规模、能源消费结构、城市人口规模和人均收入水平等因素的影响；而非资源型城市CO2排放量空间分异则主要受到城市经济规模的影响，同时，还受到城市人口规模、能源消费结构、人均收入水平、城市经济密度和能源强度等因素的共同作用。这也表明中国资源型城市的能源消费仍主要依赖化石能源，而且数据显示，2016年研究样本中66个资源型城市的能源消费量占总能源消费量的44.34%。
从城市所属区域来看，北方城市与南方城市在CO2排放量空间分异格局的主导驱动因子及其决定力也存在显著差异。对于北方城市CO2排放量空间分异格局起到主导作用的是能源强度，其q值为0.287；另外4个较为重要的驱动因子分别是能源消费结构、人均收入水平、城市经济规模和城市人口规模，其q值分别是0.155、0.133、0.123和0.121。而南方城市则有所不同，对其CO2排放空间分异起到主导作用的驱动因子是城市经济规模，其q值是0.385；此外，城市人口规模、人均收入水平、能源消费结构和城市经济密度也在其中发挥重要作用，其q值分别是0.273、0.256、0.248和0.217。这说明，北方城市CO2排放量空间分异格局的主导驱动因子是能源强度，而南方城市的主导驱动因子则是城市经济规模，且各驱动因子对南北方城市的决定力水平也有所不同。同时，因子探测还可以发现，产业结构高级化、产业结构在各种层面对城市CO2排放空间分异的决定力均较小，城市经济密度则对全部城市、资源型城市和北方城市的CO2排放空间分异的决定力较小。这也充分证明，城市CO2排放不仅存在空间分异性，且导致这种空间分异性的原因也具有差异性和多样性。

3.2 中国城市尺度CO2排放空间分异格局的交互作用探测

城市CO2排放量空间分异格局的驱动因子在两两空间叠加后形成的交互作用结果见表3。从表3中可以看出，所有交互因子对城市尺度CO2排放空间分异的决定力水平相对于单个因子都有所增强。其中，从全部城市来看，对城市CO2排放空间分异性决定力水平最高的关键交互因子是GRP∩ECI，这表明城市经济规模和能源强度在空间叠加后，对城市CO2排放空间格局起到主导作用，决定力达到0.641；而决定力水平较高的交互作用因子URS∩ECI、PGRP∩ECI、ECS∩ECI和ECI∩UED中也均包含能源强度，这说明包含能源强度的关键交互因子对城市CO2排放空间分异格局具有更为重要的空间叠加效应。同时，产业结构高级化、产业结构和城市经济密度等因子虽然单个因子决定力较小，但在与其他因子空间叠加后，呈现交互效应大幅度跃升的现象。
而从城市类型来看，对资源型城市CO2排放空间分异的决定力最高的关键交互因子是GRP∩ECI、PGRP∩ECI、URS∩ECI，这说明能源强度在与经济规模、人均收入水平和城市人口规模空间叠加后，对资源型城市CO2排放空间分异起到关键性的决定作用。另外，产业结构高级化、产业结构和城市经济密度在与其他因子空间叠加后，会产生非线性增强作用，呈现交互作用大幅提升的现象。而对非资源型城市而言，则不存在一个对CO2排放空间分异性起显著决定力的关键交互因子，其中，最大的5个关键交互因子依次是URS∩ECS、PGRP∩ECS、URS∩PGRP、GRP∩ECI、GRP∩ECS，这说明城市经济规模、城市人口规模、城市人均收入水平和能源消费结构等因素在空间叠加后，会对非资源型城市CO2排放空间分异起到重要的决定作用。另外，产业结构、产业结构高级化在与其他因子空间叠加后，也会产生很强的非线性增强，将在很大程度上提高其对非资源型城市CO2排放空间分异的决定力水平。
从城市所属区域来看，对北方城市CO2排放空间分异的决定力最高的关键交互因子依次是GRP∩ECI、URS∩ECI，这说明能源强度在与城市经济规模和城市人口规模空间叠加后，会对北方城市的CO2排放量空间分异起到关键性的决定作用。此外，产业结构高级化、产业结构和城市经济密度，虽然这些因子的决定力较小，但在与其他因子空间叠加后，会产生非线性增强作用，会在很大程度上提升其对北方城市CO2排放空间分异的决定力水平。而对南方城市CO2排放空间分异的决定力水平最高的关键交互因子是GRP∩ECS、URS∩PGRP、PGRP∩ECS，这说明能源消费结构、人均收入水平在与城市经济规模和城市人口规模等因子在空间叠加后，会对南方城市CO2排放空间分异起到关键性的决定作用。此外，对于南方城市，产业结构高级化和产业结构虽然本身的决定力较小，但在与其他因子空间叠加后，同样会产生非线性增强作用，将在很大程度上提升其对南方城市CO2排放空间分异的决定力水平。

4 结论与政策启示

4.1 主要结论

空间分异是地理现象的基本特征之一。本文在综合运用碳排放系数法、变异系数法、K-means聚类法和地理探测器等研究方法基础上，计算了中国城市能源消费的CO2排放量，并测度出研究样本中全部城市、资源型城市和非资源型城市、南方城市与北方城市的CO2碳排放量和排放强度的空间分异状况。最后，运用地理探测器模型对中国城市尺度CO2排放空间分异的驱动因素进行了因子探测和交互作用探测。综合以上分析，所得结论如下：
①中国城市尺度的CO2排放存在明显的空间分异性，且不同城市类型和不同区域的城市CO2排放量与排放强度之间的差异程度有所不同。其中，中国城市CO2排放强度的空间分异性较为显著，而CO2排放量的空间分异性相对较小，但以非资源型城市CO2排放强度的城市间差异最大。
②由单因子探测可知，中国不同城市类型、不同区域的城市CO2排放量空间分异格局的主导驱动因子及其决定力水平存在显著差异。其中，能源强度是资源型城市和北方城市CO2排放量空间分异的主导驱动因子；而城市经济规模是非资源型城市和南方城市CO2排放量空间分异的主导驱动因子。同时，产业结构高级化、产业结构对各类型城市CO2排放空间分异的决定力均较小，城市经济密度则对资源型城市和北方城市的CO2排放空间分异的决定力较小。其他驱动因子的决定力排序和决定力大小则各有不同。这说明城市CO2排放是一个受多种因素共同作用形成的结果，且受到城市本身特点及其所在区域差异的影响。
③由因子交互作用探测可知，所有交互因子对城市CO2排放空间分异的决定力相对于单个因子都有所增强。其中，影响资源型城市和北方城市的关键交互因子都包含能源强度，且能源强度在与经济规模、人均收入水平和城市人口规模空间叠加后，对资源型城市的碳排放空间分异起到关键性的决定作用；而能源强度在与城市经济规模、城市人口规模等因素空间叠加后，会对北方城市CO2排放空间分异起到关键性决定作用。
影响非资源型城市和南方城市CO2排放空间分异的关键交互因子比较复杂。不存在单一因子与其他因子空间叠加后，对城市的CO2排放空间分异性起决定性影响的关键交互因子。对于非资源型城市而言，各交互因子的决定力水平均有限，仅城市经济规模、城市人口规模、城市人均收入水平和能源消费结构等因素空间叠加后，会对非资源型城市CO2排放空间分异起到重要的决定作用。而对于南方城市而言，能源消费结构、人均收入水平在与城市经济规模和城市人口规模等因子空间叠加后，会对南方城市的CO2排放空间分异起到关键性的决定作用。
④因子探测与交互作用探测表明，一些原本对城市CO2排放空间分异性决定力微弱的因子在与其他因子空间叠加后，会产生非线性增强作用，将在很大程度上提高其对城市CO2排放空间分异的决定力水平，但仍然相对较小。因此，要特别重视一些微弱因子的变动及其非线性增强作用。

4.2 政策启示

正是由于CO2排放存在空间分异性，且导致这种空间分异性的驱动因素也存在一定的差异，因此，在城市尺度对中国CO2排放的空间分异与驱动因素进行探究，对不同类型和不同区域的城市进行分类管理，并制定更具匹配性的差异化政策具有重要的意义。根据本文的主要结论，可得以下政策启示。
①资源型城市和北方城市CO2排放的空间分异性较低，说明这些城市在经济、产业结构、能源消费结构和技术水平上更为相似，因此，对这些城市可以制定更为同一性或者刚性的低碳政策；而非资源型城市和南方城市的CO2排放空间分异性较大，说明这些城市在上述各方面的差异更大，所以需要考虑这些城市间的差异性，尊重地方发展的自主性，并对于这些城市制定更具弹性的低碳政策。
②由因子探测和交互作用探测可知，产业结构高级化、产业结构等因素在各层面对城市CO2排放分异的决定力均较小，因此，可以针对这些因素制定更为同一性或者刚性的产业政策。城市经济密度对资源型城市和北方城市CO2排放空间分异的决定力均最小，由此可以推动资源型城市和北方城市实施“紧凑城市”发展战略。而其他因素由于对城市CO2排放空间分异的决定力较大，需要制定更具差异性和弹性的政策，如提倡绿色消费，通过财政补贴等方式鼓励企业提高生产工艺或技术水平，鼓励地方“因地制宜”地推动绿色发展。
③在因子探测和交互作用探测中发现，一些原本对城市CO2排放空间分异性决定力微弱的因子在与其他因子空间叠加后，会产生非线性增强作用。由此可知，城市经济—能源—环境系统是一个复杂的非线性系统，城市的CO2治理是一个复杂的系统工程。因此，城市的绿色发展政策应该特别重视经济总量、结构、空间效率、技术水平和环境规制政策的协调与配合。
最后，本文是基于城市尺度的空间数据所做的分析，有利于揭示省级尺度研究中所掩盖的城市层面的空间分异特征[26]。尽管本研究在数据和测度指标方面存在一定的缺陷，比如能源消费结构的测度是基于煤炭占能源消费总量的比重，由此会掩盖某些城市主要是依赖石油能源消费，但仍然可以反映中国城市尺度的基本空间分异状况。另外，尽管地理探测器在分析具有空间异质性的数据方面具有优势，但这也是该方法的缺陷。因为地理探测器方法只能探测出各驱动因素对空间分异格局的决定力水平，不能估算出这些驱动因素对城市层面CO2排放的贡献度大小，这就需要运用其他研究方法进行后续的探究。

参考文献

原文顺序 | 文献年度倒序 | 文中引用次数倒序
[1]
Yuli Shan, Dabo Guan, Jianghua Liu, et al. Methodology and applications of city level CO2,emission accounts in China[J]. Journal of Cleaner Production, 2017,161:1 215-1 225.

[2]
James B. AngCO2 emissions,research and technology transfer in China[J]. Ecological Economics, 2009, 68(10):2658-2 665.

[3]
Shan Yuli, Guan Dabo, Hubacek Klaus, et al. City-level climate change mitigation in China[J]. Science advances, 2018, 4(6):1-15.

[4]
Zhifu Mi, Yunkun Zhang, Dabo Guan, et al. Consumption-based emission accounting for Chinese cities[J]. Applied Energy, 2016, 184(12):1073-1 081.

[5]
方叶兵, 王礼茂, 牟初夫, 等. 中国石油终端利用碳排放空间分异及影响因素[J]. 资源科学, 2017, 39(12):2233-2 246.

[6]
赵领娣, 吴栋. 中国能源供给侧碳排放核算与空间分异格局[J]. 中国人口·资源与环境, 2018, 28(2):48-58.

[7]
Donglan Z, Dequn Z, Peng Z. Driving forces of residential CO2 emissions in urban and rural China:An index decomposition analysis[J]. Energy Policy, 2010, 38(7):3377-3 383.

[8]
Xinwanghao Xu, Hong Huo, Jingru Liu, et al. Patterns of CO2 emissions in 18 central Chinese cities from 2000 to 2014[J]. Journal of Cleaner Production, 2018,172:529-540.

[9]
Yuli Shan, Jianghua Liu, Zhu Liu, et al. New provincial CO2 emission inventories in China based on apparent energy consumption data and updated emission factors[J]. Applied Energy, 2016, 184(12):742-750.

[10]
Inmaculada Martínez-Zarzoso, Antonello Maruotti. The impact of urbanization on CO2 emissions:evidence from developing countries[J]. Ecological Economics, 2011, 70(7):1344-1 353.

[11]
Yunyu Tian, Weiqi Zhou. How do CO2 emissions and efficiencies vary in Chinese cities? Spatial variation and driving factors in 2007[J]. Science of the Total Environment, 2019,675:439-452.

[12]
Peijun Rong, Lijun Zhang, Yaochen Qin. Spatial differentiation of daily travel carbon emissions in small-and medium-sized cities:an empirical study in Kaifeng,China[J]. Journal of Cleaner Production, 2018,197:1 365-1 373.

[13]
Xiaoling Ouyang, Boqiang Lin. Carbon dioxide (CO2) emissions during urbanization:a comparative study between China and Japan[J]. Journal of Cleaner Production, 2017,143:356-368.

[14]
Chun-Ping Chang, Minyi Dong, Bo Sui. Driving forces of global carbon emissions:from time and spatial-dynamic perspectives[J]. Economic Modelling, 2019,77:134-149.

[15]
王劲峰, 徐成东. 地理探测器:原理与展望[J]. 地理学报, 2017, 72(1):116-134.

DOI

[16]
秦耀辰, 等. 低碳城市研究的模型与方法[M]. 北京: 科学出版社, 2013.

[17]
丁悦, 蔡建明, 任周鹏, 等. 基于地理探测器的国家级经济技术开发区经济增长率空间分异及影响因素[J]. 地理科学进展, 2014, 33(5):657-666.

DOI

[18]
程钰, 任建兰, 陈延斌, 等. 中国环境规制效率空间格局动态演变及其驱动机制[J]. 地理研究, 2016, 35(1):123-136.

DOI

[19]
Wang J F, Li X H, Christakos G, et al. Geographical detectors‐Based health risk assessment and its application in the neural tube defects study of the Heshun Region,China[J]. International Journal of Geographical Information Science, 2010, 24(1):107-127.

[20]
Bofeng Cai, Huanxiu Guo, Libin Cao, et al. Local strategies for China' s carbon mitigation:an investigation of Chinese city-level CO2 emissions[J]. Journal of Cleaner Production, 2018,178:890-902.

[21]
Bofeng Cai, Yong Geng, Weishan Yang, et al. How scholars and the public perceive a “low carbon city” in China[J]. Journal of Cleaner Production, 2017,149:502-510.

[22]
Cole M A, Elliott R J R, Shimamoto K. Industrial characteristics,environmental regulations and air pollution:an analysis of the UK manufacturing sector[J]. Journal of Environmental Economics & Management, 2005, 50(1):121-143.

[23]
Feng K, Hubacek K, Sun L, et al. Consumption-based CO2 accounting of China's megacities:the case of Beijing,Tianjin,Shanghai and Chongqing[J]. Ecological Indicators, 2014,47:26-31.

[24]
Han Chen, Wenying Chen. Carbon mitigation of China' s building sector on city-level:pathway and policy implications by a low-carbon province case study[J]. Journal of Cleaner Production, 2019,224:207-217.

[25]
Jing Tian, Yuli Shan, Heran Zheng, et al. Structural patterns of city-level CO2 emissions in Northwest China[J]. Journal of Cleaner Production, 2019,223:553-563.

[26]
王兴民, 吴静, 王铮, 等. 中国城市CO2排放核算及其特征分析[J]. 城市与环境研究, 2020(1):67-80.

Options
文章导航

/

〈 〉