低碳经济视角下区域碳排放时空差异与驱动因素分析
来源:用户上传
作者:单子丹 项朝霞 李云竹
摘 要： 伴随内蒙古自治区工业经济的快速发展，能源消耗与生态环境的矛盾日益凸显。如何兼顾能源合理消费、生态环境维护及地区经济的可持续发展成为亟待解决的问题。本文选取2017年内蒙古省101个县域碳排放数据作为研究单元，采用IPCC方法测量碳排放量，分析时空地理效应在内蒙古碳排放影响因素研究中的作用，探究出县域之间碳排放量的空间分布差异及驱动因素。实证研究发现：空间经济计量模型可以很好地应用到省级内部县域碳排放空间特征分析即影响因素研究;人均GDP、居民消费水平、产业结构和财政收入等均不利于低碳经济的发展，大力推进新兴技术产业发展是推动绿色低碳经济发展的重要保障。为各县域及国家低碳经济发展提供重要的理论意义。
关 键 词： 县域碳排放;截面数据分析;空间自相关检验;多元线性回归
DOI： 10.16315/j.stm.2020.02.012
中图分类号： F273.5 文献标志码： A
Empirical test and time-space measurement model on carbon emissions
in the background of low-carbon economy：based on the cross-section
data of 101 counties in Inner Mongolia
SHAN Zi-dan1，2， XIANG Zhao-xia1， LI Yun-zhu1
（1.School of Economics and Management， Harbin University of Science and Technology ， Harbin 150040， China;
2.High-tech Industrial Development Research Center， Harbin University of Science and Technology， Harbin 150040， China）
Abstract： With the rapid development of Inner Mongolias industrial economy， the contradiction between energy and energy consumption and the ecological environment has become increasingly prominent. How to balance energy consumption， ecological environment maintenance and sustainable economic development has become an urgent problem to be solved. It selects the carbon emission data of 101 counties in Mongolia in the past five years as the research unit， The IPCC method was used to measure carbon emissions， and the role of space-time effects in the study of carbon emission factors in Inner Mongolia was analyzed to explore the spatial distribution differences and driving factors of carbon emissions between counties.The empirical study finds that the spatial econometric model can be applied to the analysis of the spatial characteristics of the countys internal carbon emissions， that is， the influencing factors; per capita GDP， household consumption level， industrial structure and fiscal revenue are not conducive to the development of low-carbon economy. Vigorously promoting the development of emerging technology industries is an important guarantee for promoting the development of a green and low-carbon economy. It provides important theoretical significance for the development of low-carbon economy in counties and countries.
Keywords： county carbon emissions; cross-sectional data analysis; spatial autocorrelation test; multiple linear regression
氣候变暖在全球十大环境问题中位居首位。近几十年来，温室气体的排放量不断上升，造成全球气温也在持续上升，严重影响人类未来可持续发展[1]。我国近两年多次提出节能减排，明确制定经济与环境和谐发展的目标与计划。内蒙古自治区主要以火力发电，是典型的能源消耗大省，能源消费对煤炭的依赖度超过90%，为全国6个依赖程度最高的省区之一[2]。这种过度依赖煤炭的消费结构造成了严重的环境问题，最突出表现为碳排放极为严重。这是不可持续的能源消费方式。据报道，内蒙古的人均CO2排放量已居全国第一，处于“高碳消耗”状态，是比较典型的高碳经济区。其在“十三五”规划中明确提出加强控制能源消耗总量，实施节能减排策略，并提出减少碳排放的目标，将总碳排放控制任务和强度减少目标具体分解到每个地区;因此，研究内蒙古碳排放驱动因素有着至关重要的实际意义。 目前有关碳排放空间影响因素的研究主要集中在5个方面：碳排放空间分布及驱动因素研究方法进行研究。其具体可分为“因素分解法”、“情景分析法”和“计量模型法”等。指数分解法在当前研究碳排放影响因素中较为常见，其大多采用时间序列数据，因而碳排放水平也大多基于时间顺序来进行研究。在应用迪氏指数时，学者们更喜欢对数平均Divisia指数分解法（LMDI）。如曹俊文等[3]分别运用LMDI和M-R分解模型从时间和空间2个角度分析了碳排放差异的驱动效应，结果表明各省份碳排放与平均水平之间存在明显差异，差异来源主要为第二产业。张克勇等[4]运用LMDI分解法对京津冀2000—2015年CO2排放的空间特征及变化因素进行了研究，结果表明其CO2排放差异不断扩大，收入效应、能源结构、能源利用效率和交通强度差距是主要原因。许多学者把计量方法和模型结合起来分析影响碳排放的因素，使其结果更加多元化。David等[5]以英国城市中575户家庭为样本，通过自下而上的方法估算和分析了花园中的碳排放量以及存储的有机碳，房屋中使用的能源每年产生的二氧化碳排放量以及通过家庭调查评估了个人交通工具的碳排放，并通过土壤采样和植被调查估算了有机碳储存量。
部分学者针对具体产业分析了碳排放空间影响因素。如郑佳佳[6]利用中国30个省份制造业的碳排放数据，通过Theil指数和空间自相关性分析了其空间分布特征，就其影响因素进行实证研究，结果表明制造业碳排放具有显著的空间相关性，在区域内和区域间差异均呈现一致的增长趋势。陈儒等[7]等运用空间分析技术探索了区域农业碳补偿的时序特征和空间分布状态，且运用ESDA空间分析技术发现碳排放与碳汇的空间分布格局呈现出一致性变动特征。
学者就某些特定碳排放影响因素进行了具体分析。如张翠菊等[8]通过1997—2012年的中国省域数据，探析了能源禀赋和技术进步对碳排放强度的空间影响效应，通过空间面板计量模型的实证分析，结果表明能源禀赋正向影响碳排放，技术进步会提高碳排放效率。Xu等[9]利用结构分解分析（SDA）方法，分解了影响中国江苏省二氧化碳排放量增加的因素，结果发现主要原因为转移和投资效应。
有引起学者以中国大陆各省为研究载体，重点研究空间碳排放的演化影响因素。武红[10]基于空间经济计量理论与方法对中国大陆省级行政单元进行了碳排放时空格局、演变机理等研究。吴贤荣等[11]利用方向距离函数测算了中国大陆31个省区农业碳排放影子价格，计算结果发现中国各省域农业碳减排潜力水平相对稳定，且省区的农业碳减排潜力水平受到相邻省区的发展情况影响。
除以上研究外，部分学者对碳排放影响因素进行了预测分析。邱立新等[12]基于市群协调发展的角度，应用地理加权回归模型和一般均衡模型，预测了中国城市群碳排放在未来30年的空间分布特征趋势和影响因素。王勇等[13]运用拓展的STIRPAT模型对中国碳排放行业及其9个细分行业的碳排放峰值进行了情景预测。Muhammad[14]将STIRPAT模型与协整理论相结合具体分析了分析了城镇化对CO2排放的影响。
综合以上研究现状，目前在针对某一区域碳排放影响因素研究分析时，大多学者采用时间序列数据或面板数据探索碳排放变化趋势，而忽略了截面数据对碳排放量差异与产生根源的测算效果。就涉及利用空间计量学研究区域碳排放影响因素的文献而言，大多学者以中国省级或中国地级单位为研究对象，很少针对区域级的县域作为一个经济体进行碳排放研究，造成空间计量经济学的应用范围在目前相对狭窄，在县域范围内研究低碳经济非常少，而在低碳经济框架下全面分析县域经济的可持续发展更是少之又少;因此，有必要以县域为研究对象进行碳排放影响因素的具体研究。内蒙古自治区自然资源丰富，人口众多，如盛产煤炭的鄂尔多斯市、钢铁产业发达的包头市以及人口密集的呼和浩特市等，且其主要依托于火力发电。空间计量是一门新型的边缘学科，近年在许多领域的运用比较密集，针对内蒙古自治区为典型能源消耗大省这一特殊经济体，本文将空间地理因素引入到碳排放的影响因素分析中，深入研究内蒙古自治区内部各分支空间上的联系对其碳排放的影响程度，补充空间计量經济学的研究范围，对未来把省级作为一个单位总体来研究其内部各县域碳排放影响因素提供参考。
1 研究理论与设计
1.1 研究理论
1.1.1 可持续发展理论
可持续发展理论是指既满足当代人的需要，又不对后代人满足其需要的能力构成危害的发展。其具体包含3个基本原则：公平性原则。即机会选择的平等性。可持续发展的公平性原则包括本代人的公平即代内之间的横向公平和代际公平性，即世代之间的纵向公平性。可持续发展要求当代人在考虑自己的需求与消费的同时，也要对未来各代人的需求与消费负起历史的责任，因为同后代人相比，当代人在资源开发和利用方面处于一种无竞争的主宰地位。各代人之间的公平要求任何一代都不能处于支配的地位，即各代人都应有同样选择的机会空间。对传统能源而言，当代人不可以不可以无限制的消费，就清洁空气而言，当代人需要尽量减少温室气体排放;持续性原则。资源环境是人类生存与发展的基础和条件，资源的持续利用和生态系统的可持续性是保持人类社会可持续发展的首要条件。这就要求人们根据可持续性的条件调整自己的生活方式，在生态可能的范围内确定自己的消耗标准，要合理开发、合理利用自然资源，使再生性资源能保持其再生产能力，非再生性资源不至过度消耗并能得到替代资源的补充，环境自净能力能得以维持。研究碳排放的核心目的还是要控制传统能源的消费，因此研究碳排放量是满足可持续发展理论中的持续性原则的;共同性原则。可持续发展关系到全球的发展。要实现可持续发展的总目标，必须争取全球共同的配合行动，这是由地球整体性和相互依存性所决定的;因此，致力于达成既尊重各方的利益，又保护全球环境与发展体系的国际协定至关重要。实现可持续发展就是人类要共同促进自身之间、自身与自然之间的协调，这是人类共同的道义和责任。碳排放量的不断上升将问题愈来愈严重，每个人都有义务为降低碳排放做出相应的贡献。 1.1.2 县域经济理论
相比于区域经济，县域经济研究内容更加具体。其是以县城为中心，涉及到周边各乡镇及农村，是区域经济理论发展的具体分支。在区域经济理论发展的基础上，县域经济理论通过统筹及合理配置当地社会资源，根据实际发展情况探索出具有当地特色、适合不同县级地区发展的县域经济发展模式。县域经济是国民经济的基本单元，是宏观经济与微观经济的结合。其发展涉及到一、二、三产业各部门。县域经济的发展是低碳经济发展的基础。县域经济的节能减排发展是全国乃至全社会节能减排、低碳经济发展的重要基础，因此县域低碳经济的发展必须得到重视。县域低碳经济的发展受到地理位置、科技水平、资源禀赋、人力资源等因素的影响，增加确定碳排放影响因素的复杂性，必须通过经济学理论方法，探索有不同特点的县域碳排放影响因素，促进县域低碳经济发展。
1.2 研究设计
1.2.1 数据来源及样本选取
根据碳排放可能影响因素，除了相关研究的方向外，主要选择以下变量作为影响内蒙古自治区碳排放的主要指标。由于本文研究对象为内蒙古自治区101个县域，在数据处理过程中需要获取各县域具体指标，如指标“居民消费水平”需要用到各县域T时期的人口数量及居民消费总额，而该项数据不能及时对外公布，因此仅可以选取2017年数据作为最新样本数据源。数据主要来源于《内蒙古统计年鉴》、《内蒙古经济社会调查年鉴》、《中国县域统计年鉴》等。被解释变量选取内蒙古自治区101个旗县区的人均碳排放量，记为AC。被解释变量主要选取以下几个指标：
1）人均GDP。经济发展是影响能源消费的主要因素，因此选取内蒙古自治区101个旗县区人均GDP作为被解释变量，考察其与人均碳排放间的关系，记作AGDP。
2）产业结构。由于第二产业与能源消费关系较为密切，因此选取第二产业占总GDP比重即二产业结构也作为解释变量，记作DG。
3）财政收入。各地财政收入的主要依靠产业与该地产业结构及能源消费结构均存在相关关系，因此也作为考察人均碳排放的解释变量，记作FR。
4）消费水平。各旗县居民消费水平及购买商品种类等均会直接或间接对人均碳排放产生影响，因此选取消费品零售总额直接反映了一定时期内人民物质文化生活水平的提高情况，是衡量人均碳排放的一个很重要的指标，记作TCG。
5）居民收入水平，城镇常住居民人均可支配收入可衡量城镇地区居民收入水平，而城镇居民收入水平直接影响其消费商品种类，继而影响其购买商品的排碳量，所以也可作为人均碳排放的衡量指标，记作AUP。
关于数据处理需做以下说明：由于统计年鉴部分县域数据缺失等原因，缺失数据采取前后两年数据中位数方法进行补充，因此数据可能存在一些误差。另GDP数据根据内蒙古各县域的GDP和区域GDP指数计算GDP平减指数，以消除区域GDP的价格因素，从而计算出各城市的实际区域GDP。最后将除产业结构外其余数据全部作对数处理，剔除数据间的差异性。
1.2.2 研究方法
1）碳排放测算模型。本文采用IPCC提供的方法计算碳排放量，选取具有普遍代表性的一次能源（原煤，天然气和石油消耗）来测算内蒙古自治区101个县域的能源消耗量，基础数据均由2017年《内蒙古省统计年鉴》及《内蒙古省县域统计年鉴》计算而来，计算公式如下：
Cα=∑ 3 i=1 Ei×Ci。 （1）
其中：Cα是α县域碳排放总量，Ei是该县域第i种能源的总消耗量，Ci是第i种能源的碳排放系数（依据国家发改委规定的化石燃料的碳排放系数）。本文主要考虑煤炭、石油和天然气，因此i的最大取值为3。在计算过程中先将煤炭、石油、天然气折算为统一计量单位“碳标准煤”，再根据上式计算出内蒙古省101个县域的碳排放量。
2）全局空间自相关检验。在全局空间自相关（Global Spatial Auto-correlation）是基于整体的视角，研究区域内主体活动空间分布情况的一种方法，具体分析依托于空间矢量数据在区域内表现的空间分布特征。MoransI指数常用于全局层面空间的分布特征和模式的测度，反映了全局内相邻区单元经济要素的自相关程度。表达式如下：
MoransI= n∑ n i=1 ∑ n j=1 wij（xi-x ）（xj-x ） ∑ n i=1 ∑ n j=1 wij∑ n i=1 （xi-x ）2 。 （2）
设S2= 1 n ∑ i （xi-x ）2，即S代表xi或xj的标准差，则式（2）转化为
MoransI= n∑ n i=1 ∑ n j=1 wij（xi-x ）（xj-x ） S2∑ n i=1 ∑ n j=1 wij 。 （3）
其中：n是观察点的数量，wij代表空间权重矩阵中的元素，xi，xj分别表示空间中主体的观测值。MoransI的取值范围为[-1，1]。当MoransI的取值处于[0，1]时，全局空间中的属性之间存在正相关，并且值越大，空间相关性越强，当MoransI的值接近1时，观测值的属性显示该区域具有很强的一致性[15]。
就Moran’s Ι而言，可以使用標准化统计量Z来测试n个区域的空间自相关性。Z值计算公式如下：
Z= I-E（I） Var（I） = ∑ n j≠i，j≠1 wij（d）（xj-x i） Si wi（n-1-wi）/（n-2） 。 （4）
其中：E（I）以及Var（I）代表MoransI的期望和方差值，其中E（I）=-1/（n-1）。当Z值为正时，表明该空间区域存在正相关，即相似区域具有空间聚集现象;当Z值为负时，表明该区域存在负相关，相似区域趋于分散。Z值为0时，观测值是随机分布的。 1.2.3 空间计量经济模型
空间计量经济模型的基本思想是通过把空间权重矩阵 W 添加到基本线性回归模型Y=βX+ε中，将其相关值进行修正，并检验经济单位之间是否存在空间相互作用及相互作用程度的大小。本文引用空间滞后模型（spatial lag model，SLM）和空间误差模型（spatial error model，SEM），引入空间权重矩阵对初始模型修正，并运用广义最小二乘法进行估计。
1）空间滞后模型。SLM常用于测量邻近地区的经济活动行为对整个区域所产生的影响，一些学者还称其为混合空间自回归模型[18]。表达式如下：
y =ρ Wy + X β+ε。
（5）
其中：ε～N（0，σ2In）， y 为n×1阶向量， X 是模型的解释变量，为n×k阶数据矩阵， W 表示空间权重矩阵，ρ为空间自回归系数，是空间滞后因变量 Wy 的系数，相邻区域变量y的加权平均表示为 Wy 。
2）空间误差模型。由于随机误差的存在，使得在测量周边地区相关变量时产生的不确定性因素会对本地经济变量产生一定程度影响，SEM模型可以很好地解决这一问题，它表示某区域的因变量被假设取决于附近区域因变量中无法解释或不可预测的成分。其基本模型可以表示为
Y= X β+ε，
ε=λ W ε+μ。 （6）
其中：λ表示自回归系数，代表样本中观测值的空间依赖性效应大小; W 是空间权重矩阵，ε代表回归残差向量， W ε是空间滞后误差项。μ 是服从正态分布的随机误差项向量，表示因变量的误差影响对邻近区域观测值的影响。式（6）可以改写为如下形式：
Y =λ WY + X β-λ WY β+μ。 （7）
式（7）表示具有一组附加空间滞后外生变量（ WX ）和一组K个非线性系数约束的空间滞后模型。空间自回归系数λ与回归系数β的乘积应等于 WX 系数的负数。由于为空间滞后模型设计的测试会与空间误差模型产生强烈冲突，因此在实践中的检验说明会因为误差模型与“纯”空间滞后模型之间的相似性变得更复杂。
2 实证分析
2.1 内蒙古自治区县域碳排放空间自相关性检验
根据各旗县人均碳排放数据对其全局自相关性MoransI指标进行统计，生成一阶ROOK权重矩阵后，由全局自相关测算指标MoransI值得到内蒙古自治区旗县人均碳排放存在较强全局空间自相关性，且通过P=0.001检验，如图1所示。
由于内蒙古人均碳排放全局空间自相关性较强，碳排放的聚集性较为明显，而仅由全局自相关性无法进一步判断局部区域碳排放关联性，因此需要进一步进行局域自相关性检验，如图2所示。首先运用局部空间LISA指标，进行局部显著性区域（The Significance M）的统计。P值是显着性检验的水平。图2中的深色部分，即局部空间聚类特征通过了5%的显着性水平，这显示了空间聚类的特征。P值越小，说明该区域的空间聚类特征越明显。
由图2可知人均碳排放集聚性较强区域基本集中在东部兴安盟与呼伦贝尔等地，中部呼和浩特市与乌兰察布盟部分等旗县。
进一步对区域聚集方式进行统计，得到其局域LISA聚集图，如图3所示。从图3即可观察出目前内蒙古各旗县碳排放具体集聚情况。
由图3具体聚集区域得到，在乌兰察布盟、呼和浩特市及包头市部分地区出现H-H型局部聚集区域，这些区域人均碳排放呈现集体较高的特点，说明碳排放出现了高度空间溢出性及联动性;而东部地区即兴安盟及呼伦贝尔盟大部分地区出现了L-L型聚集区域，即该区域内旗县人均碳排放量普遍偏低，且也出现了空间溢出性。中部地区出现碳排放量较高的集聚发展是由三地工业较为密集且消耗化石型燃料总数较大所导致的，即使进行人均也无法消除总体联动性的偏高碳排放趋势。
2.2 模型估计及结果分析
构建空间模型，首先需要进行普通最小二乘法估计，利用其结果识别空间自相关的类型，再选取相应空间模型进行估计。根据所选取的指标建立OLS模型，估计结果：
ln AC= β0+β1ln AGDP+β2DG+β3ln FR+
β4ln TCG+β5ln AUP+ε。 （8）
由表1可知，该拟合精度相对较高，R2值为0.752 040，说明该模型拟合优度较好，整体显著且误差項正态分布。F统计量在概率6.327 18e-008下为10.322 8，通过检验。
回归误差项的MoransI值P<1%显著性水平下值为5.187 3，表示出高强度的空间自相关性。由空间统计量（lag）及（error），可得出两者均通过P<1%的显著性检验，且LM-ERROR值较显著。进一步判断R-LMLAG和R-LMERROR值，得知R-LM（error）通过P<1%检验且较为显著，但是R-LM（lag）值未通过P<1%显著性检验，因此，很明显，需要进一步选择空间误差模型，即SEM模型，从而继续进行估计。同时对自然对数似然函数值（LogL），赤池信息准则（AIC）和施瓦茨准则（Schwarz criterion）分别进行估计，得出LogL值为-137.934，结果表明负值是较好，表明契合较好。相对就AIC、SC取正值较好，但值不宜过大，该结果表明正值稍大，这两项拟合精度较差。总体OLS估计结果较好。
最后对各变量系数及检验结果进行分析，其中人均GDP、财政收入、消费水平、二产业结构等指标均对人均碳排放产生正向影响，即促进碳排放。而其中人均GDP与社会消费品零售总额两项对于人均碳排放的推动作用较为显著，而只有居民收入水平目前呈现抑制作用，且该抑制作用还较为不显著。人均GDP较为显著也变相的说明内蒙古目前是典型的能源主导型经济模式，发展方式较为粗放。而目前居民收入水平呈现差别性发展，不同旗县间居民收入水平相差较大，同时购买商品种类差异化也较大，因此导致目前居民收入在一些地区制约碳排放而一些地区显著推动，总体呈现推动态势但统计值较差。根据OLS估计结果，空间误差变量比空间滞后变量结果显著，因此加入空间误差变量，利用空间误差模型进一步进行估计，结果如表2所示： 比较SEM估计与OLS估计结果，可看出加入空间误差变量的LAMBDA后，估计从各指标上均比OLS准确。首先拟合优度R2增加为为0.789 987，表明拟合准确度增加，相对于OLS估计，LogL值增加显著，除此之外AIC、SC估计也都大幅度降低，一般情况下，当出现AIC和SC都降低时，可视为模型的解释能力有较大幅度的提升，并且通常认为减小幅度比较大时（大于2以上），会明显改善模型拟合效果，因此可以得出SLM估计之后非常明显得增强了模型的解释能力。模型主要解释变量的P值均有所优化，其中人均GDP及居民消费水平仍是主要影響人均碳排放的方面，除此之外二产业结构也通过P值检验，对于人均碳排放的正向影响变得较为显著。
3 结果讨论
根据空间误差模型实证研究分析可得：产业结构仍然是碳排放的主要驱动因素。目前内蒙古地区产业结构仍呈现第二产业为主的特点，下一步需要继续优化升级内蒙古产业结构，继续着手降低第二产业比重;财政收入对碳排放影响较为显著。财政收入直接体现一个地区的主导产业及经济发展方式，很明显由于内蒙古自治区财政收入很大一部分来源于大中型工业企业及能源类行业，所以直接影响内蒙古人均碳排放水平。应合理利用财政收入政策的杠杆作用，大力发展三产中的高新技术产业，积极鼓励新能源技术发展，逐步用风力发电替代传统高耗能的火力发电，同时引进高学历人才，逐步改善某些地区“靠资源吃饭”的发展现状;居民消费水平和人均GDP也是碳排放的主要驱动因素。研究表明总人口和人均GDP的增加会造成碳排放量的增加，经济增长、人口增加与碳减排是负相关的。目前内蒙古地区经济发展为主要依托于能源消耗的粗放式经济发展模式，应在缩小盟市、旗县经济差距的同时，对某些发展过快、能源消耗为主的旗县加快调整，根据县域碳排放空间差异分布影响因素的根源使该县域相应的降低碳排放。另外目前居民消费品也倾向于购买一些高耗能型企业生产产品，而消费低碳型环保型产品的意识十分淡薄。需普及一些环保产品的消费，鼓励低碳消费;政府应加强推广低碳型产品的力度，例如目前大力推广的节能家电的补贴等。未来还可继续推广太阳能相关产品，随着收入水平及生活质量的提高，向居民宣扬健康，安全和绿色消费的理念。发展低碳经济，必须在消费领域制定合理的政策，引导低碳消费趋势，促进低碳消费成为社会发展的风向标，倡导低碳绿色消费的观念和生活方式;空间误差模型拟合效果要比一般OLS效果好，具有较强说服力，空间经济计量模型适用于内蒙古地区县域碳排放影响因素分析，可以更加准确地在探索出在空间地理因素影响作用下碳排放的驱动因素，对内蒙古自治区碳减排做出合理有效的参考建议与意见。
4 结论
本文基于2017年内蒙古自治区101个县域碳排放数据，引入空间地理因素的影响作用，对内蒙古碳排放进行全局与局域空间自相关检验，探究内蒙古自治区内部各县域空间上的联系对碳排放的影响作用程度;构建空间计量模型，对内蒙古县域碳排放因素进行最小二乘回归估计。结果发现空间误差作用大于空间滞后作用，因此选择构建内蒙古地区县域碳排放的空间误差模型（Spatial Error Model，SEM），进一步估计，最终确定内蒙古地区碳排放影响的主要因素及碳排放空间分布差异的根本原因，为政府实现碳减排提供合理有效的参考意见。省级内部县域产业是城乡经济发展的重要过渡点，但县域产业对高碳排放产业的依赖性导致县域产业发展与碳减排不能和谐发展。将全局自相关检验与空间经济计量模型应用到省级内部县域间的碳排放空间分布特征分析与驱动因素研究可以深入分析碳排放内在原因和空间地理分布特点，为以省级作为经济单位的碳减排提供新思路。实证研究表明人均GDP、居民消费水平、产业结构和财政收入均不利于低碳经济的发展。解决问题的关键还是要大力发展环境友好型的新兴技术产业，如新能源、新能源汽车等技术近年快速增长;大数据背景下电子信息产业的快速发展，当下热点“区块链”完美地与碳减排相结合，形成“XCU碳汇链”;因此，在解决碳排放问题时，新兴技术产业的发展成为推进绿色经济发展的重要保障。内蒙古地区101县域碳排放影响因素的空间计量研究可对各县域及国家低碳经济发展提供重要的理论意义。
参考文献：
[1] 樊婧.内蒙古地区碳排放核算方法及影响因素分析研究[J].内蒙古科技与经济，2018（17）：41.
[2] 王永琴，周叶，张荣.碳排放影响因子与碳足迹文献综述：基于研究方法视角[J].环境工程，2017，35（1）：155.
[3] 曹俊文，曾康.基于LMDI和M-R分解模型的长江经济带碳排放驱动效应研究[J].环境污染与防治，2019，41（8）：992.
[4] 张克勇，刘县美，郭丕斌，方婕，姚建明.京津冀交通部门CO2排放的时空差异及影响因素[J].系统工程，2019，37（5）：12.
[5] DAVID A，KATHERINE N I，JILL L E，et al.Measurement and analysis of household Carbon：The case of a UK City[J].Applied Energy，2016，164：871.
[6] 郑佳佳.中国制造业碳排放的时空变化与影响因素分析[J].南京财经大学学报，2019（2）：48.
[7] 陈儒，邓悦，姜志德.基于修正碳计量的区域农业碳补偿时空格局[J].经济地理，2018，38（6）：168.
[8] 张翠菊，张宗益，覃明锋.能源禀赋、技术进步与碳排放强度：基于空间计量模型的研究[J].系统工程，2016，34（11）：47.
[9] XU SC，ZHANG L，LIU YT，et al.Determination of the factors that influence increments in CO2 emissions in Jiangsu， China using the SDA method[J]. Journal of Cleaner Production，2017，142.
[10] 武红.中国省域碳减排：时空格局、演变机理及政策建议：基于空间计量经济学的理论与方法[J].管理世界，2015（11）：3.
[11] 吴贤荣，张俊飚，程琳琳，等.中国省域农业碳减排潜力及其空间关联特征：基于空间权重矩阵的空间Durbin模型[J].中国人口·资源与环境，2015，25（6）：53.
[12] 邱立新，徐海涛.基准情境与干扰情境下中国典型城市碳排放趋势预测[J].城市问题，2019（3）：12.
[13] 王勇，毕莹，王恩东.中国工业碳排放达峰的情景预测与减排潜力评估[J].中国人口·资源与环境，2017，27（10）：131.
[14] MUHAMMAD S，NANTHAKUMAR L.How urbanizationaffects CO2 emissions in Malaysia？ The application of STIRPAT model[J].Renewable and Sustainable Energy Reviews，2016，57：83.
[15] 刁璟璐.河北省经济增长的空间计量研究[D].北京：华北电力大学，2013：1.
[编辑：厉艳飞]
收稿日期： 2019-09-16
基金项目： 国家自然科学基金资助项目（71402041）;黑龙江省哲学社科研究规划项目（18GLB026）;哈尔滨市创新人才基金项目（RC2017QN014007）; 校级“理工英才”计划科学研究项目（LGYC2018JC055）
作者简介： 单子丹（1980—），女，教授，博士生导师;
项朝霞（1995—），女，硕士研究生;
李云竹（1996—），女，硕士研究生.
转载注明来源:https://www.xzbu.com/8/view-15274305.htm
