中国省域隐含碳排放及其驱动机理时空演变分析
崔盼盼, 张艳平, 张丽君*, 孙莹莹, 郑智成, 王伟, 徐晓霞
河南大学环境与规划学院,河南 开封 475004
*通信作者简介:张丽君(1985- ),女,博士,讲师,主要从事区域可持续发展研究。E-mail: zlj7happy@163.com

第一作者简介:崔盼盼(1990- ),女,河南焦作人,硕士研究生,主要从事城镇化与可持续发展研究。E-mail: cuipan3353@163.com

摘要

隐含碳排放研究是探索绿色低碳生活方式与推进生态文明建设的重要基础之一。论文基于投入产出分析法与城镇居民消费数据核算2002—2012年中国大陆30个省(除港澳台、西藏外)的城镇居民隐含碳排放,在分析城镇居民隐含碳排放时空演变特征的基础上,运用LMDI-Ⅰ加法数量分解模型分析城镇居民消费隐含碳排放的驱动机制及空间分异特征。研究结果表明:除吉林省外,其余各省的隐含碳排放呈增加趋势;消费水平提高是隐含碳排放量增加的主要因素,其高值主要聚集在北部沿海地区;人口规模对隐含碳排放变化具有双向效应,其强正向作用区与人口分界线所划分的东半壁逐渐趋于一致;导致多数省份隐含碳排放量下降的决定因素是隐含碳排放强度效应,空间差异不大;居民生活方式的变化对隐含碳排放变动的贡献不大,但其空间演变特征较为复杂。总之,各省隐含碳排放特征及其驱动机制存在差异,未来减排侧重点应有所不同。

关键词: 隐含碳排放; 投入产出法; LMDI-Ⅰ方法; 居民生活方式; 中国
中图分类号:X502 文献标志码:A 文章编号:1000-3037(2018)05-0879-14
Analysis on the Spatial and Temporal Evolution of Indirect Carbon Emissions and Its Driving Mechanism in China
CUI Pan-pan, ZHANG Yan-ping, ZHANG Li-jun, SUN Ying-ying, ZHENG Zhi-cheng, WANG Wei, XU Xiao-xia
College of Environment and Planning, Henan University, Kaifeng 475004, China
Abstract

The study of indirect carbon emissions is one of the important foundations for exploring the low-carbon lifestyle and promoting the development of ecological civilization. This paper counted the indirect carbon emissions of the urban residents of 30 provinces (except Hong Kong, Macao, Taiwan and Tibet) based on the input-output analysis and the consumption data of urban residents from 2002 to 2012. Based on the analysis of temporal and spatial evolution characteristics of indirect carbon emissions of urban residents, the paper used the LMDI-I addition form, which belongs to the LMDI method, to quantitatively analyze the driving mechanisms of indirect carbon emissions and its spatial and temporal evolution. The research results showed that the indirect carbon emissions in all provinces showed increasing trends except in Jilin Province. The spatial pattern changes went through the initial phase, the initial differentiation phase, and the rapid evolution phase, and the spatial differentiation degree first declined and then rose. The consumption level is a main factor for indirect carbon emissions’ increasing, and the high value areas mainly gathered in the northern coastal area. The size of the population has a two-way effect on the indirect carbon emissions, and the area of higher positive effect gradually becomes the eastern region which is the same as the area divided by the Hu Huanyong Population Line. The most important factor that caused the reduction of carbon emissions in most provinces is the indirect carbon emission intensity effect with little spatial difference. The changes of residents’ lifestyle contributed little to the indirect carbon emissions, but its spatial evolution characteristics are complicated. According to the differences of four driving mechanisms, the provinces can be divided into vital emission reduction zones, key emission reduction zones and emission reduction concern area. In general, there are differences in the indirect carbon emission characteristics and the driving mechanisms among provinces, and the focus in the future for indirect emission reduction should be different.

Keyword: indirect carbon emissions; input-output method; LMDI-Ⅰ method; residents’ lifestyle; China

国家新型城镇化规划(2014— 2020年)中指出要把生态文明理念全面融入城镇化进程, 推动形成绿色低碳的生产生活方式。隐含碳排放研究是探索绿色低碳生活方式与推进生态文明建设的重要基础之一。然而, 城镇化的发展必然会引起经济、消费、人口、空间等方面规模的扩大以及结构的变化, 对碳排放的影响具有长期和复杂的特点[1]。随着人口城镇化质量的研究日益受到关注[2], 如何保证居民生活水平提高、居民生活方式转变的同时实现隐含碳排放适度增长成为国内外学者研究的焦点。

科学核算隐含碳排放是实现低碳发展的首要环节。隐含碳排放不同于直接能源使用产生的直接碳排放, 指居民消费的商品和服务在整个生命周期过程中产生的碳排放, 包括生产和最终分解过程中产生的碳排放[3], 直接碳排放与隐含碳排放在数量上的比较存在争议, 少数学者认为直接碳排放多于隐含碳排放[4], 但多数学者研究表明隐含碳排放多于直接碳排放[5, 6, 7, 8]。目前测算隐含碳排放的方法主要包括消费品生命周期法[9, 10]、消费者生活方式方法[11, 12]、投入产出方法。由于前两种方法在应用时对数据要求较高, 数据的收集需要花费大量的时间、金钱、劳力等, 数据的选择由人工操作, 可能会导致不切实际的分析, 因此, 相对于生命周期法和消费者生活方式方法而言, 投入产出分析法应用更为普遍, 如Zhu等[13]、Fan等[3]、Markak等[6]、刘晔等[14]均以投入产出方法为基础对隐含碳排放进行研究。

探究隐含碳排放的驱动机制是制定低碳经济发展战略的基本依据。在碳排放影响因素分析中, 目前研究中多应用面板模型[15]、空间计量模型[16, 17]、地理加权回归模型[18]、STIRPAT模型[19]等方法, 影响因素涵盖了人口、经济、产业、空间、居民消费、能源消费等的规模及结构方面; 在隐含碳排放影响因素分析中, 有学者采用灰色关联分析方法[20]、多元回归分析方法[7], 但是为了定量计算出各因素对隐含碳排放变化的贡献值, 结构分 解[13, 21]与指数分解[22, 23]的应用更为广泛。考虑到LMDI方法具有完全分解即不存在残差、时间可逆即满足时间的反演检验、能处理零值等优点, 使分解结果更具有说服力[24], 因此本文采用此方法。其应用思路主要分为两种:一种是将各区域或部门的总体指标变动分解为该区域或部门的相关影响因素, 然后归纳分析所有区域或部门的相关影响因素存在的一般规律[25, 26, 27, 28, 29, 30, 31, 32, 33]; 另一种思路为将较大区域或部门总体指标的变动首先分解为次级区域或部门的影响, 然后将次级区域或部门的影响分解为相关变量的研究[34, 35]。第二种思路从总体指标出发, 侧重分析次级区域或部门对总体指标的影响, 在探索次级区域或部门对总体指标作用的程度和规律方面具有重要的作用, 但不关注某个区域或部门的影响机制, 在剖析各区域或部门的影响因素方面存在欠缺, 而第一种思路能够较好地解决此问题, 所以本文沿用第一种思路。

由于不同地区的城镇化进程存在空间异质性、相关性和外溢性[1], 各因素对碳排放的影响也具有显著的空间异质性, 但是目前对同一影响因素区域差异及演变趋势方面的研究较为薄弱, 对于城镇化发展及居民生活方式变化对碳排放产生影响的相关论述也较少。因此对城镇化背景下省域隐含碳排放的各影响因素进行时空演变分析, 可以更好地了解各省隐含碳排放驱动机制的作用大小及规律, 也有助于对省域隐含碳排放驱动机制进行横向和纵向比较, 从而识别出关键减排区域及减排因素。

鉴于此, 本文依据各省投入产出表, 采用投入产出法核算城镇居民隐含碳排放, 分析城镇化快速发展大背景下隐含碳排放的时空演变特征, 在对我国各地区2002— 2012年隐含碳排放变化分析的基础上, 运用LMDI-Ⅰ 加法数量分解模型分析了城镇化发展进程中隐含碳排放变化的驱动机制, 为了深入分析驱动因素, 研究了各驱动因素在不同时段上对隐含碳排放作用的差异及其空间格局的演变趋势, 以期为形成绿色低碳的生活方式、制定因地而异、“ 共同但有区别” 的隐含碳减排政策提供参考。

1 数据来源与研究方法
1.1 数据来源

本研究涉及的数据主要包括各省投入产出表、分行业能源消费数据、城镇居民人均消费、城镇人口数据, 由于投入产出表逢2和7每5 a发布一次, 所以本文在时间上选取了2002、2007、2012年3个节点。其中投入产出表来自《中国地区投入产出表》, 分行业能源消费数据、城镇居民消费数据、城镇人口数据来自各省统计年鉴。由于港澳台及西藏地区的相关数据无法获得, 所以不在本文研究范围内。

1.2 研究方法

1.2.1 投入产出法

各省城镇居民消费隐含碳排放的计算公式为:

Ej=Dj×(I-Aij)-1(1)

C=k=18(Ek×Fk)(2)

式中:Ej为投入产出表中j部门的隐含碳排放强度(万t/万元), 表示j产业单位产出所需要的所有产业部门的完全碳排放; Dj为投入产出表中j部门能源消耗直接碳排放强度(万t/万元); (I-A)-1为列昂惕夫逆矩阵, 也称完全需求系数矩阵, 其中Aij为直接能源消耗系数矩阵, I为与A同阶的单位矩阵; C为城镇居民消费隐含碳排放量(万t); k为城镇居民的消费类别, k=1, 2, …, 8, 即各省统计年鉴中对每个家庭日常生活支出的统计, 包括食品、衣着、居住、家庭设备用品及服务、医疗保健、交通和通信、教育文化娱乐服务、其他商品和服务八大类; Ek为城镇居民k消费类型的隐含碳排放强度(万t/万元); Fk为城镇居民k消费类型的消费量(万元)。

计算的具体步骤为:1)为了使投入产出表中包括的产业部门与各省分行业能源消费总量中的部门相对应, 本文将原来的42个产业部门合并为29个部门; 2)为了使城镇居民八大消费类别支出与投入产出表中的产业部门相对应, 即得到jk的对应关系, 本文在参考相关文献[22, 36]的基础上, 结合数据的实际情况, 得出其对应关系(表1)。每种消费类别的碳排放强度等于相关产业部门的平均碳排放强度, 从而得出EkEj的对应关系。需要指出的是, 在合并投入产出表中的产业部门时, 本文将第三产业中除了批发零售和住宿餐饮业外的其他产业合并为其他行业, 其中包括卫生、社会保障和社会福利业部门, 因此医疗保健与其他商品和服务两种消费类别的碳排放强度的计算均涉及了其他行业; 计算各部门的直接碳排放强度Dj时, 由于难以获得各分行业、分类别的能源消费, 因此采用能源消耗总量(标煤消耗量)来计算, 标煤折算成CO2系数为2.493 kg/kg[37]

表1 城镇居民八大消费类别支出对应的产业部门 Table 1 The corresponding industry sectors to eight categories of consumption expenditure of urban residents

1.2.2 LMDI-Ⅰ 分析方法

为了反映城镇化快速发展背景下隐含碳排放的内在机理, 本文选取了能够反映城镇化进程的4个变量, 包括人口规模、消费水平、隐含碳排放强度、居民生活方式4个变量构建隐含碳排放恒等式, 其中人口规模、消费水平分别用城镇常住人口、城镇人均消费量表示, 居民生活方式用城镇居民消费结构即每种类别的人均消费量占总的人均消费的比重表示, 隐含碳排放强度由投入产出方法及进一步的归并得出, 即式(2)中的Ek

2015年Ang从3个维度对LMDI方法进行总结[38], 即基于权重的不同, LMDI方法分为LMDI-Ⅰ 和LMDI-Ⅱ (LMDI-Ⅰ 与LMDI-Ⅱ 相比, 权重较为简单); 基于被分解目标的不同, LMDI方法分为数量对象和强度对象(数量对象的分解结果为绝对量, 表示绝对水平; 强度对象的分解结果为相对比率, 具有效率的含义); 基于分解过程的不同, LMDI方法具有加法和乘法形式(二者的分解结果具有一致性, 且可以相互转化, 但加法分解更适合于数量对象, 强度对象不具有累加求和性, 因此乘法分解更适合于强度对象); 从而得出8个模型。

Ang指出在实际应用时, 模型1和模型8是首选模型, 其中模型1为适用于被分解对象为数量对象的LMDI-Ⅰ 中的加法形式, 本文将其简称为LMDI-Ⅰ 加法数量分解模型, 模型8为适用于被分解对象为强度对象的LMDI-Ⅱ 方法中的乘法形式。由于本文被分解的目标城镇居民消费隐含碳排放量是数量指标, 而非强度指标, 所以采用LMDI-Ⅰ 中的加法形式进行驱动机制的探究(表2)。

表2 隐含碳排放LMDI-Ⅰ 加法数量因素分解 Table 2 LMDI-Ⅰ addition quantity decomposition of indirect carbon emissions
2 结果分析
2.1 城镇居民隐含碳排放变化特征

2.1.1 城镇居民隐含碳排放时间变化特征

2002— 2012年全国多数省份隐含碳排放在总体上呈增加趋势, 年均增长率为正。从数量的变化趋势看, 可分为逐渐上升、波动上升与波动下降3种。如图1所示, 江西、北京、辽宁等19个省份的隐含碳排放量呈现逐渐上升的趋势, 2012年的隐含碳排放量明显高于2002年的值, 青海、湖北、陕西等10省的隐含碳排放量呈波动上升趋势, 而吉林为全国唯一一个呈现波动下降变化趋势的省份。从年均增长率看, 2002— 2012年间除吉林省外其他地区的年均增长率均为正, 其中江苏、河北两省因为城镇居民消费总量及隐含碳排放强度增长较快, 所以年均增长率最大, 均高于20%, 而内蒙古、贵州、宁夏的年均增长率最小, 均低于1%。

图1 2002— 2012年城镇居民隐含碳排放变化趋势Fig. 1 The trend of indirect carbon emissions of urban residents from 2002 to 2012

将各省隐含碳排放量与年均增长率结合起来, 可以发现各省隐含碳排放量与年均增长率两者的变化情况并不匹配, 因此将全国各省的隐含碳排放划分为4种模式, 即高排放高增长模式, 如:江苏、河北、山东、辽宁等; 高排放低增长模式, 如:广东; 低排放高增长模式, 如:北京、上海、新疆、福建等; 低排放低增长模式, 如:宁夏、贵州、内蒙古等。总体而言, 双高模式多为人口或经济大省, 双低模式多为经济落后省份, 且发展动力不足, 低高模式多为人口或经济规模较小, 但发展势头强劲的省份, 高低模式多为人口和消费大省, 发展速度慢但发展基础好的省区。

2.1.2 城镇居民隐含碳排放的空间分布及演变特征

本文采用Quartile分类方法将隐含碳排放初步划分为轻型、中型、重型、超重型4类(图2)。2002— 2012年间隐含碳排放的空间格局变化经历了起始阶段、初步分化阶段以及快速演进3个阶段。第一, 起始阶段(2002年)以轻型和中型为主, 重型和超重型省份较少 [图2(a)]。全国43%的省份属于轻型, 主要位于西部和南部地区, 属于中型的省份有10个, 主要分布于中东部及西南地区, 在空间上呈现区域集聚的特点, 而属于重型的省份主要集聚在北部地区, 有3个省份属于超重型, 分别为安徽、吉林、广东。第二, 初步分化阶段(2003— 2007年)隐含碳排放的空间格局变化较2002年变化显著 [图2(b)]。中部地区为重型凸起地区, 与2002年相比, 属于重型的省份在数量上增加了6个; 属于轻型的省份明显减少, 只有青海、天津、甘肃等5个省份为轻型; 除了广东、吉林外, 2007年北部沿海的辽宁、河北和山东也跃进到超重型范围内, 辽宁由2002年的重型演化为超重型, 河北和山东由2002年的中型演化为超重型, 说明5 a间这两省的隐含碳排放显著增加。第三, 快速演进阶段(2008— 2012年)隐含碳排放空间分异更加明显且具有区域集聚的特征 [图2(c)]。属于超重型的省份数量明显增多, 由原来的北部沿海区域向东扩展至中东部地区以及四川省, 与初步分化阶段的重型区域分布格局基本一致, 而其他3类在省份数量上相差不大, 属于轻型的省份主要位于西部地区, 中型主要位于南部地区, 重型主要分布在我国的边陲地区。

图2 城镇居民隐含碳排放空间分布
注:审图号为GS(2016)2885。
Fig. 2 Spatial distribution of urban residents’ indirect carbon emissions

2002— 2012年全国隐含碳排放的空间动态变化主要具有以下特征:1)除了安徽和内蒙古外, 其余省份的碳排放类型都呈正向发展(等级依次增加, 或保持不变); 2)北部沿海及其周围地区隐含碳排放增长较快, 而西北部地区排放类型主要为轻型或中型, 变化幅度不大, 例如青海、宁夏、甘肃等省份, 吉林和广东作为超重型区稳定度最高; 3)2002— 2012年隐含碳排放量呈现从西到东、从南到北逐渐增加的分布规律。高值区主要分布在环渤海、珠三角、长三角等经济发达地区, 具有逐渐向东部及黄河中下游移动的变化趋势, 低值区主要分布于经济较为落后的西部地区, 而中部地区为高值和低值的过渡带; 4)2002、2007、2012年省级间变异系数分别为0.862、0.638、0.863, 隐含碳排放的区域分异程度呈现先下降再上升的变化趋势。

2.2 省域隐含碳排放驱动机制分析

2.2.1 省域隐含碳排放驱动机制差异分析

2002— 2012年间, 全国城镇居民隐含碳排放变化量呈现东高西低的特点(图3)。10 a间隐含碳排放量增加较多的区域主要位于东部沿海地区, 尤其是江苏、河北、山东3个省份, 增加量超过了1× 108 tC, 而西北、东北及西南地区隐含碳排放量增加较少。结合前文所述, 可以发现, 隐含碳排放增量最多的省份并不是隐含碳排放最多的省份, 这主要是因为各省份隐含碳排放的基础存在差异, 导致隐含碳排放的增长空间不同。

图3 2002— 2012年隐含碳排放增量及各分解效应Fig. 3 The increment and decomposition effects of indirect carbon emissions from 2002 to 2012

隐含碳排放驱动因素的作用方向及大小不同。消费水平是导致各省隐含碳排放增加的主要因素, 而多数省份的隐含碳排放强度效应对隐含碳排放的增加起到负向作用, 且多数地区隐含碳排放强度的负向作用大于消费水平的正向作用。居民生活方式效应与人口规模效应对隐含碳排放的影响相对较小。除了安徽和吉林外, 其余省份的人口规模效应均为正值, 多数省份的居民生活方式效应为负值, 居民生活方式效应的绝对值小于人口规模的绝对值, 可见居民生活方式的减排潜力还没有完全发挥出来。虽然各影响因素具有明显的区域差异, 但从总体看来, 东部比西部、北部比南部地区的隐含碳排放更容易受到这4种因素的影响。

各省隐含碳排放的变化量由以上4个因素决定, 而各效应的大小不仅受到该因素的影响, 也受到其他因素的制约。结合原始数据, 可以发现几个有悖直觉, 但却有着重要含义的现象:1)隐含碳排放强度下降大的地区, 却不是隐含碳排放强度效应强的地区。如隐含碳排放强度下降最大的省区宁夏, 其隐含碳排放强度效应弱于多个省份, 这主要是因为宁夏属于经济欠发达地区, 城镇居民消费总量较少, 隐含碳排放占全国的份额比较小, 即使有先进的技术, 其隐含碳排放下降的空间有限, 因此隐含碳排放强度效应弱于多个省份, 而广东与此情况相反。2)人口规模效应强的地区, 人口数量的增加值反而不大。如山西省的人口规模效应仅次于广东、河北、江苏、山东、河南、上海, 但其人口规模变化并不大, 这主要是因为山西省的产业结构重型化, 隐含碳排放强度较高, 从而导致人均隐含碳排放量较大。3)消费水平效应高的省份, 消费水平增加量却小。如河北省, 与其他省份相比, 10 a间城镇居民消费水平增加值较低, 但其消费水平效应仅次于广东和江苏两省, 其原因为河北省的隐含碳排放强度变化为正, 且居于全国首位, 从而强化了消费水平的变化对隐含碳排放的影响。这些现象的存在说明在制定减排政策时, 不仅要注重分解指标的落实, 更要加强对各分解指标相关制约因素的研究。

2.2.2 隐含碳排放驱动机制的时空演变分析

1)人口规模效应

2002— 2012年人口规模对隐含碳排放变化具有双向效应, 但起正向作用的省份居多, 且正向高值区的范围逐渐扩大(图4)。从两个时段的区域差异上看, 2002— 2007年除了安徽、吉林外, 其余的省份人口规模效应均为正值, 高值区主要聚集在人口密集的中部地区及南部的云南、广东和湖南地区, 尤其是广东省, 人口规模效应最明显, 其值达到了0.245× 108 tC [图4(a)]。2007— 2012年全国人口规模效应均为正值, 相较于2002— 2007年, 高值区范围显著扩大, 由原来的集聚模式转为相对均衡状态, 其中广东省和河北省人口规模效应最强, 均超过了0.3× 108 tC [图4(b)]。

图4 2002— 2012年人口规模效应时空演变趋势Fig. 4 Spatial and temporal evolution of population size effect from 2002 to 2012

从空间变动上看, 2002— 2012年间多数地区的人口规模效应对隐含碳排放的增加起到正向作用, 且正向作用较强的区域和我国的人口分界线(胡焕庸线)所划分的东部区域逐渐趋于一致, 由于东半壁区域自身具有高的人口机械增长率、自然增长率以及人口城镇化率, 加上影响人口规模效应的其他因素如人均隐含碳排放量、隐含碳排放强度的增加等的综合作用, 从而导致人口增加对东部地区隐含碳减排造成的压力更大; 人口规模效应的高值区主要为北部沿海地区及长江流域地区, 对比隐含碳排放的空间分布(图2), 可以看出高值区逐渐与隐含碳排放的重型及超重型区趋于一致, 可见城镇人口的增加对隐含碳排放量的增加具有重要影响; 广东省的人口规模效应始终居于全国首位, 吉林、安徽两省则由负转正, 说明这三省应着重关注人口问题。

2)消费水平效应

全国各省的消费水平效应对隐含碳排放的增加均起拉动作用, 空间差异逐渐增大(图5)。从两个时段的区域差异上看, 2002— 2007年消费水平效应的差异较小, 北部及中部地区位于0.2× 108~0.4× 108 tC的范围内, 高值区主要是广东、吉林、山东及辽宁省, 均位于东部沿海经济发达地区; 低值区主要聚集在西北及南部欠发达地区 [图5(a)]。2007— 2012年北部沿海及其周围经济发展较快的地区消费水平的正向效应十分明显, 呈现相对突出的空间格局, 广东省依然是全国消费效应最高的省份 [图5(b)]。

图5 2002— 2012年消费水平效应时空演变趋势Fig. 5 Spatial and temporal evolution of consumption level effect from 2002 to 2012

从空间变动上看, 2002— 2012年, 消费水平效应的增排高值聚集区逐渐显现, 北部沿海地区的消费水平效应整体上升, 在空间上连成片, 这是由于北部沿海地区借助国家的优惠政策及自身的区位优势, 经济发展速度加快, 居民的边际消费倾向增加, 因此对隐含碳排放的影响较大, 从而增加了隐含碳减排的压力; 消费水平效应低值分布区空间范围逐渐缩小, 西部和东南部形成消费水平效应凹陷区, 但两处凹陷区形成的原因存在差异, 前者是由于消费水平上升较少, 后者主要是因为先进的技术导致的隐含碳排放强度较小, 从而间接地导致消费水平效应较小; 部分地区因其消费水平变化不大, 消费水平效应较为稳定, 如青海、甘肃等地; 此外, 吉林省的消费水平效应在减弱, 但减弱的强度不明显, 其原因并非居民的消费水平下降, 而是由于隐含碳排放强度下降幅度较大。

3)隐含碳排放强度效应

隐含碳排放强度效应是导致多数省份隐含碳排放量下降的决定因素, 对碳减排起着重要的作用, 其空间差异不大(图6)。从两个时段的区域差异上看, 2002— 2007年多数省份的隐含碳排放强度效应抑制了本省隐含碳排放量的增加, 呈现南北“ 双核” 高值减排区的空间分布格局, 北部主要为内蒙古、山西和陕西地区, 南部为广东地区, 而东、中、西均有高值增排作用区分布 [图6(a)]。2007— 2012年隐含碳排放强度效应的增排区主要分布在东部沿海与西部的青海地区, 而强减排区在东部及南部呈分散状分布, 在空间上未形成带状或片状, 其中减排作用最明显的省份为吉林和山东, 均分布在北部地区 [图6(b)]。

图6 2002— 2012年隐含碳排放强度效应时空演变趋势Fig. 6 Spatial and temporal evolution of indirect carbon emission intensity effect from 2002 to 2012

从空间变动上看, 隐含碳排放强度效应为负的省份数量逐渐增多, 且隐含碳排放强度效应的高减排区在逐渐向南移, 这主要是因为近年来科技不仅取得了飞速的发展, 而且技术的引进、传播等方面的模式逐渐成熟, 但总体来说南方要优于北方; 西北部地区的空间格局相对稳定, 东部地区空间格局变化显著, 这主要是因为西北部地区城镇化、工业化的进程及水平慢于东部, 落后的技术导致经济发展速度慢于碳排放增长速度, 经济发展方式有待转变, 而东部地区则相反; 在隐含碳排放强度效应始终为负的省份中, 广东、内蒙古、陕西三省的减排作用呈下滑态势, 其主要原因为隐含碳排放强度下降幅度逐渐减少, 贵州、吉林、云南三省的减排作用增强, 其主要原因为产业结构及能源结构不断优化, 导致隐含碳排放强度下降幅度较大, 其余地区的减排作用则相对稳定。

4)居民生活方式效应

居民生活方式效应对隐含碳排放数量变化的影响在全国范围内整体偏低, 作用有正有负, 时空演变复杂(图7)。从两个时段的区域差异上看, 2002— 2007年东部沿海地区的居民生活方式对隐含碳排放的增加起促进作用, 其中上海、浙江、辽宁、山西的增量效应明显, 而内蒙古、陕西、河南、湖南的居民生活方式减量效应明显 [图7(a)]。在居民生活方式效应为正的区域, 多数省份的食品、家庭设备及用品、文教娱乐服务消费有利于碳减排; 在居民生活方式效应为负的区域, 多数省份的衣着、文教娱乐服务消费有利于碳减排。2007— 2012年北部地区及西南地区的居民生活方式具有较强的正向效应, 负向效应区从西北向东南方向呈带状延伸, 值得注意的是云南省和吉林省分别为10 a间居民生活方式效应的最大值与最小值 [图7(b)]。在居民生活方式效应为正的地区, 多数省份的家庭设备及用品消费、文教娱乐服务消费有利于碳减排; 在居民生活方式效应为负的地区, 多数省份的医疗保健、居住及文教娱乐服务消费有利于碳减排。

图7 2002— 2012年居民生活方式效应时空演变趋势Fig. 7 Spatial and temporal evolution of resident’ lifestyle effect from 2002 to 2012

从空间变动上看, 东部沿海地区的居民生活方式效应对隐含碳排放起着先促进后抑制的作用, 而西南地区逐渐成为增排高值区, 说明此区域居民的生活方式朝着高碳化的方向发展; 增排作用区与减排作用区转换速度快, 起到减排作用的区域逐渐增多, 且强减排区呈现由北向东移动的变化态势, 这主要是因为随着城镇化的发展, 居民消费不仅在“ 量” 的基础上越来越注重“ 质” 的消费, 也越来越注重生活方式的绿色化; 整体上减排区多于增排区, 山西的正向增排作用在减弱, 吉林、广东、重庆的负向减排作用在增强, 这主要是因为绿色生活、绿色消费理念逐渐在全国盛行, 消费结构的逐渐优化促进了隐含碳排放量的下降。

从以上4种效应的分析可知, 各省隐含碳排放的驱动机制存在差异。根据此差异可将各省分为重点减排区、关键减排区以及减排关注区。重点减排区为4种因素均对隐含碳排放增加的拉动作用较大的地区, 如河北等省; 关键减排区的增排因素主要是人口规模效应与消费水平效应, 如广东等省; 减排关注区主要为单因素主导区, 其中吉林、辽宁等地是以消费效应为主的驱动模式, 浙江、青海等地是以隐含碳排放强度效应为主的驱动模式, 云南、四川等地是以居民生活方式效应为主的驱动模式。

3 结论

本文通过分析隐含碳排放及其作用机理的时空演变过程与特征, 主要结论如下:

1)10 a间全国多数省份隐含碳排放量显著增加, 年均增长率为正, 但各省隐含碳排放变化与年均增长率的变化趋势并不完全一致; 其空间格局变化经历了起始阶段、初步分化阶段、快速演进阶段, 且具有多数省份呈正向发展、空间分异程度呈现先降再升等演化特点。未来减排不仅要注重数量上的下降, 构建家庭和个人隐含碳排放标准, 也要注重区域上的差别, 加强对东部、中部地区隐含碳排放量的关注, 发挥区域优势。

2)隐含碳排放驱动因素的作用方向及大小不同。消费水平效应与人口规模效应是促使隐含碳排放增加的重要因素, 隐含碳排放强度与居民生活方式变化对隐含碳排放的作用因地而异。多数省份的消费水平效应在逐渐增强, 高值区主要聚集在北部沿海地区; 人口规模的正向作用高值区范围有扩大的趋势, 且强正向效应区与由人口分界线所划分的东部区域逐渐趋于一致; 隐含碳排放强度效应的空间差异不大; 居民生活方式效应的时空演变较为复杂, 起到减排作用的省份多于增排作用的省区。

3)减少居民消费隐含碳排放任重道远。根据减排侧重点的不同, 可将减排区域分为重点减排区、关键减排区以及减排关注区。重点减排区的未来减排路径选择不仅要关注人口问题, 也要关注技术与消费问题。关键减排区的未来减排既要合理控制城镇人口数量, 优化人口结构, 同时也要抑制奢侈型消费。在减排关注区中, 以消费水平效应为主的省区, 应在保证居民生活质量的前提下正确引导城镇居民的消费观念, 提倡适度消费与绿色消费; 以隐含碳排放强度为主要驱动因素的省区, 应鼓励技术创新、增加资金投入力度; 以居民生活方式效应为主的省区, 应拓新具有“ 低排放” 特征的消费领域, 促进消费结构的优化和升级, 从而构建具有低碳特征的生活方式。此外, 在制定减排政策时, 不能仅针对各效应进行简单的调整, 应结合各省的实际情况, 系统考察各种因素的联动关系, 兼顾效率与公平, 从而促进减排目标的实现。

The authors have declared that no competing interests exist.

参考文献
[1] 秦耀辰, 荣培君, 杨群涛, . 城市化对碳排放影响研究进展[J]. 地理科学进展, 2014, 33(11): 1526-1534.
[QIN Y C, RONG P J, YANG Q T, et al. Research progress of impact of urbanization on carbon emissions. Progress in Geography, 2014, 33(11): 1526-1534. ] [本文引用:2]
[2] 薛德升, 曾献君. 中国人口城镇化质量评价及省际差异分析[J]. 地理学报, 2016, 71(2): 194-204.
[XUE D S, ZENG X J. Evaluation of China’s urbanization quality and analysis of its spatial pattern transformation based on the modern life index. Acta Geographica Sinica, 2016, 71(2): 194-204. ] [本文引用:1]
[3] FAN J, GUO X M, MARINOVA D, et al. Embedded carbon footprint of Chinese urban households: Structure and changes[J]. Journal of Cleaner Production, 2012, 33(8): 50-59. [本文引用:2]
[4] VRINGER K, BLOK K. The direct and indirect energy requirements of households in the Netherland s[J]. Energy Policy, 1995, 37(10): 893-910. [本文引用:1]
[5] BIN S, DOWLATABADI H. Consumer lifestyle approach to US energy use and the related CO2 emissions[J]. Energy Policy, 2005, 33(2): 197-208. [本文引用:1]
[6] MARKAKI M, BELEGRI-ROBOLI A, SARAFIDIS Υ, et al. The carbon footprint of Greek households (1995-2012)[J]. Energy Policy, 2017, 100: 206-215. [本文引用:2]
[7] ALA-MANTILA S, HEINONEN J, JUNNILA S. Relationship between urbanization, direct and indirect greenhouse gas emissions, and expenditures: A multivariate analysis[J]. Ecological Economics, 2014, 104(3): 129-139. [本文引用:2]
[8] MIEHE R, SCHEUMANN R, JONES C M, et al. Regional carbon footprints of households: A German case study[J]. Environment, Development and Sustainability, 2016, 18(2): 577-591. [本文引用:1]
[9] HEINONEN J, JUNNILA S. Implications of urban structure on carbon consumption in metropolitan areas[J]. Environmental Research Letters, 2011, 6(1): 014018. doi: DOI:10.1088/1748-9326/6/1/014018. [本文引用:1]
[10] 刘晶茹, PETERS G P, 王如松, 等. 综合生命周期分析在可持续消费研究中的应用[J]. 生态学报, 2007, 27(12): 5331-5336.
[LIU J R, PETERS G P, WANG R S, et al. Hybrid life-cycle analysis and its applications in sustainable consumption researches. Acta Ecologica Sinica, 2007, 27(12): 5331-5336. ] [本文引用:1]
[11] 杨选梅, 葛幼松, 曾红鹰. 基于个体消费行为的家庭碳排放研究[J]. 中国人口·资源与环境, 2010, 20(5): 35-40.
[YANG X M, GE Y S, ZENG H Y. The household carbon emission analysis under individual consumer behavior. China Population, Resources and Environment, 2010, 20(5): 35-40. ] [本文引用:1]
[12] FENG Z H, ZOU L L, WEI Y M. The impact of household consumption on energy use and CO2 emissions in China[J]. Energy, 2010, 36(1): 656-670. [本文引用:1]
[13] ZHU Q, PENG X Z, WU K Y. Calculation and decomposition of indirect carbon emissions from residential consumption in China based on the input-output model[J]. Energy Policy, 2012, 48(3): 618-626. [本文引用:2]
[14] 刘晔, 刘丹, 张林秀. 中国省域城镇居民碳排放驱动因素分析[J]. 地理科学, 2016, 36(5): 691-696.
[LIU Y, LIU D, ZHANG L X. Driving factors analysis of carbon emissions in Chinese provincial urban households. Scientia Geographica Sinica, 2016, 36(5): 691-696. ] [本文引用:1]
[15] ALAM S, FATIMA A, BUTT M S. Sustainable development in Pakistan in the context of energy consumption demand and environmental degradation[J]. Journal of Asian Economics, 2007, 18(5): 825-837. [本文引用:1]
[16] 程叶青, 王哲野, 张守志, . 中国能源消费碳排放强度及其影响因素的空间计量[J]. 地理学报, 2013, 68(10): 1418-1431.
[CHENG Y Q, WANG Z Y, ZHANG S Z, et al. Spatial econometric analysis of carbon emission intensity and its driving factors from energy consumption in China. Acta Geographica Sinica, 2013, 68(10): 1418-1431. ] [本文引用:1]
[17] 刘莉娜, 曲建升, 黄雨生, . 中国居民生活碳排放的区域差异及影响因素分析[J]. 自然资源学报, 2016, 31(8): 1364-1377.
[LIU L N, QU J S, HUANG Y S, et al. Analyze on the spatial-temporal pattern and influence factors of Chinas per capita household carbon emissions. Journal of Natural Resources, 2016, 31(8): 1364-1377. ] [本文引用:1]
[18] 李建豹, 黄贤金, 吴常艳, . 中国省域碳排放影响因素的空间异质性分析[J]. 经济地理, 2015, 35(11): 21-28.
[LI J B, HUANG X J, WU C Y, et al. Analysis of spatial heterogeneity impact factors on carbon emissions in China. Economic Geography, 2015, 35(11): 21-28. ] [本文引用:1]
[19] 黄蕊, 王铮, 丁冠群, . 基于STIRPAT模型的江苏省能源消费碳排放影响因素分析及趋势预测[J]. 地理研究, 2016, 35(4): 781-789.
[HUANG R, WANG Z, DING G Q, et al. Trend prediction and analysis of influencing factors of carbon emissions from energy consumption in Jiangsu Province based on STIRPAT model. Geographical Research, 2016, 35(4): 781-789. ] [本文引用:1]
[20] 刘莉娜, 曲建升, 曾静静, . 灰色关联分析在中国农村家庭碳排放影响因素分析中的应用[J]. 生态环境学报, 2013, 22(3): 498-505.
[LIU L N, QU J S, ZENG J J, et al. Application of gray relational analysis method in the influencing factor analysis of China’s rural household carbon emissions. Ecology & Environmental Sciences, 2013, 22(3): 498-505. ] [本文引用:1]
[21] 吴开亚, 王文秀, 张浩, . 上海市居民消费的间接碳排放及影响因素分析[J]. 华东经济管理, 2013, 27(1): 1-7.
[WU K Y, WANG W X, ZHANG H, et al. Indirect carbon emissions of Shanghai’s residents consumption and its influence factors. East China Economic Management, 2013, 27(1): 1-7. ] [本文引用:1]
[22] 黄芳, 江可申. 我国居民生活消费碳排放的动态特征及影响因素分析[J]. 系统工程, 2013, 63(1): 52-60.
[HUANG F, JIANG K S. An analysis of the dynamic characteristics and the influential factors of carbon emissions from residential consumptions in China. Systems Engineering, 2013, 63(1): 52-60. ] [本文引用:2]
[23] ZHA D L, ZHOU D Q, ZHOU P. Driving forces of residential CO2, emissions in urban and rural China: An index decomposition analysis[J]. Energy Policy, 2010, 38(7): 3377-3383. [本文引用:1]
[24] ANG B W. Decomposition analysis for policy making in energy: Which is the preferred method?[J]. Energy Policy, 2004, 32(9): 1131-1139. [本文引用:1]
[25] TIMILSINA G R, SHRESTHA A. Factors affecting transport sector CO2 emissions growth in Latin American and Caribbean countries: An LMDI decomposition analysis[J]. International Journal of Energy Research, 2009, 33(4): 396-414. [本文引用:1]
[26] JEONG K, KIM S. LMDI decomposition analysis of greenhouse gas emissions in the Korean manufacturing sector[J]. Energy Policy, 2013, 62(9): 1245-1253. [本文引用:1]
[27] LIU L C, FAN Y, WU G, et al. Using LMDI method to analyze the change of China’s industrial CO2, emissions from final fuel use: An empirical analysis[J]. Energy Policy, 2007, 35(11): 5892-5900. [本文引用:1]
[28] ZHAO M, TAN L R, ZHANG W G, et al. Decomposing the influencing factors of industrial carbon emissions in Shanghai using the LMDI method[J]. Energy, 2010, 35(6): 2505-2510. [本文引用:1]
[29] 王长建, 汪菲, 张虹鸥. 新疆能源消费碳排放过程及其影响因素——基于扩展的Kaya恒等式[J]. 生态学报, 2016, 36(8): 2151-2163.
[WANG C J, WANG F, ZHANG H O. The process of energy-related carbon emissions and influencing mechanism research in Xinjiang. Acta Ecologica Sinica, 2016, 36(8): 2151-2163. ] [本文引用:1]
[30] 张旺, 周跃云. 北京能源消费排放CO2增量的分解研究——基于IDA法的LMDI技术分析[J]. 地理科学进展, 2013, 32(4): 514-521.
[ZHANG W, ZHOU Y Y. An empirical analysis of the increment of CO2 emission from energy consumption in Beijing: Based on LMDI technique of IDA method. Progress in Geography, 2013, 32(4): 514-521. ] [本文引用:1]
[31] 朱勤, 魏涛远. 居民消费视角下人口城镇化对碳排放的影响[J]. 中国人口·资源与环境, 2013, 23(11): 21-29.
[ZHU Q, WEI T Y. Impacts of urbanization on carbon emissions from perspective of residential consumption. China Population, Resources and Environment, 2013, 23(11): 21-29. ] [本文引用:1]
[32] 曲建升, 刘莉娜, 曾静静, . 中国城乡居民生活碳排放驱动因素分析[J]. 中国人口·资源与环境, 2014, 24(8): 33-41.
[QU J S, LIU L N, ZENG J J, et al. An analysis on driving factors of China’s urban and rural household carbon emissions. China Population, Resources and Environment, 2014, 24(8): 33-41. ] [本文引用:1]
[33] 陶玉国, 黄震方, 吴丽敏, . 江苏省区域旅游业碳排放测度及其因素分解[J]. 地理学报, 2014, 69(10): 1438-1448.
[TAO Y G, HUANG Z F, WU L M, et al. Measuring carbon dioxide emissions for regional tourism and its factor decomposition: A case study of Jiangsu Province. Acta Geographica Sinica, 2014, 69(10): 1438-1448. ] [本文引用:1]
[34] TAN Z F, LI L, WANG J J, et al. Examining the driving forces for improving China’s CO2 emission intensity using the decomposing method[J]. Applied Energy, 2011, 88(12): 4496-4504. [本文引用:1]
[35] 王锋, 冯根福, 吴丽华. 中国经济增长中碳强度下降的省区贡献分解[J]. 经济研究, 2013(8): 143-155.
[WANG F, FENG G F, WU L H. Regional contribution to the decline of national carbon intensity in China’s economic growth. Economic Research, 2013(8): 143-155. ] [本文引用:1]
[36] 董会娟, 耿涌. 基于投入产出分析的北京市居民消费碳足迹研究[J]. 资源科学, 2012, 34(3): 494-501.
[DONG H J, GENG Y. Study on carbon footprint of the household consumption in Beijing based on input-output analysis. Resources Science, 2012, 34(3): 494-501. ] [本文引用:1]
[37] 张金萍, 秦耀辰, 张艳, . 城市CO2排放结构与低碳水平测度——以京津沪渝为例[J]. 地理科学, 2010, 30(6): 874-879.
[ZHANG J P, QIN Y C, ZHANG Y, et al. Measurement of urban CO2 emission structure and low-carbon stand ard—A case study for Beijing, Tianjin, Shanghai and Chongqing cites. Scientia Geographica Sinica, 2010, 30(6): 874-879. ] [本文引用:1]
[38] ANG B W. LMDI decomposition approach: A guide for implementation[J]. Energy Policy, 2015, 86: 233-238. [本文引用:1]