中国碳排放强度的时空演进及跃迁机制

赵桂梅+赵桂芹+陈丽珍+孙华平

摘要 面对气候变化所带来的生存危机以及环境治理的复杂状况，对中国碳排放强度时空演进的动态监测与预警治理的研究是实现碳排放强度下降目标的关键。文章测算1997—2015年中国大陆30个省区碳排放强度的空間面板数据，采用探索性时空数据分析（ESTDA）方法对中国碳排放强度的空间相关性、集聚特征及其时空跃迁进行空间统计分析，借助分位数回归与时空跃迁嵌套模型，揭示在时间和空间推移的双重作用下中国各省区碳排放强度的时空跃迁机制。研究结果表明：①中国30个省区的碳排放强度在时空分布上并不是完全随机状态，各个省区碳排放强度之间具有显著的空间相关性特征，碳排放强度的变动趋势会受到其相临近省区碳排放强度的影响，省域间的碳排放强度在空间分布上呈现“集聚”与“分异”并存的时空演进特征。②中国碳排放强度空间集聚趋势增强，具有高度的凝固性和较低的流动性，10个高碳排放强度省区碳排放强度的稳定性将成为制约中国碳排放强度整体跃迁的重点省区，相关省区的跃迁性将成为驱动中国碳排放强度整体跃迁的关键省区。③各省区的碳排放强度空间集聚过程中存在时空跃迁的驱动模式和制约模式，分位数回归模型能够很好地解释各驱动因素对碳排放强度时空跃迁的驱动机制，不同响应阶段的驱动因素的分位数与碳排放强度时空跃迁类型之间具有很强的嵌套性。④根据各省区碳排放强度时空演进及其跃迁机制的分析结果，进一步提出加强对关键省区碳排放强度的有效监测与治理，加大碳排放的约束力度等差异化的碳减排调控措施。

关键词 碳排放强度；时空格局演进；探索性时空分析；驱动因素；跃迁机制

中图分类号 X32；F062.2

文献标识码 A文章编号 1002-2104（2017）10-0084-10DOI：10.12062/cpre.20170609

如何减少二氧化碳等温室气体排放，实现可持续发展目标已成为世界各国面临的共同问题[1-2]。中国已成为世界上二氧化碳排放量最大的发展中国家，省区是中国碳减排实施的主要区域，也是碳减排配额分配的关键主体。因此，要顺利实现国家层面碳排放强度下降的总体减排目标，更应该关注各省区碳排放强度的时空演进特征，以及准确地监测各省区间碳排放强度的空间相关性和分异性，以便于制定符合中国省域自身特点的碳减排调控政策，合理地推进各省区的减排进程。

1 文献综述

国内外学者研究发现，寻求在不同时间和空间尺度上碳减排的优化路径是实现经济发展新常态下中国绿色低碳转型的近、中、远期目标的关键问题[3-5]。由于小尺度的空间差异对宏观经济波动更敏感，实现中国碳排放强度下降目标的国家任务必须分解到各省区[6]。有学者对中国各省区的碳排放强度进行了比较研究，揭示了中国碳排放强度区域发展及其减排难度的差异性[7-8]。近年来，一些学者从空间效应的视角对中国碳排放的空间演进格局进行相关研究，发现中国碳排放存在空间锁定的困境[9-10]。也有学者分别利用省级面板数据[11]、时间序列数据[12]，对中国碳排放强度的CKC曲线进行时空计量检验，探讨中国碳排放强度的演进趋势。由此可见，在实现碳排放强度下降过程中如何合理划分区域，识别出关键省域，进而采取针对性的政策至关重要。国内外学者研究成果为揭示中国碳排放强度空间分布及其演进特征奠定了良好的研究基础，但对中国碳排放强度时空演进的关键过程探讨不足[13-14]。由此，本文采用Rey提出的探索性时空数据分析方法，从时空交互的角度探讨中国碳排放强度时空演进的特征，借助分位数回归与时空跃迁嵌套模型深入研究各省区碳排放强度时空跃迁的驱动因素、跃迁机制，进一步厘清中国碳排放强度的阶段性特征及其演进趋势，为有针对性地制定中国“共同但有区别”的省域碳减排政策提供决策依据。

2 研究方法及模型构建

2.1 探索性时空数据分析方法

引入探索性时空数据分析（Exploratory Spatial Temporal Data Analysis， ESTDA）方法揭示中国30个省区之间碳排放强度时空格局演进的关键问题。具体的分析指标为：

（1） 全局空间自相关指数。

采用Patrick Alfred Pierce Moran提出的全局空间自相关Global Morans I指数测度中国碳排放强度在整体上的空间相关性和分异性，计算公式为：

式中，n为总省区数；yi，t，yj，t为分别为t期省区i和省区j的碳排放强度；y—t为全部省区碳排放强度的平均值；Wij为空间权重矩阵，选择相邻近空间权重矩阵（KNearest Neighbor Spatial Weights）方法获得。把直接的邻居确定为邻近关系，如果地区i与j有共同边界（ j≠i），则Wij=1 ，否则Wij=0 。在中国省级地理单元中，其中海南省与其他各省在地理上并不相邻，在生成权重矩阵时设定其与广东、广西两省邻接。

Morans I指数结果介于[-1， 1]之间，当0

对全局自相关Global Morans I的结果进行Z值显著性的统计检验，计算公式为：

式中，Var（I）是Global Morans I指数的理论方差，E（I）=1n-1为理论期望。如果Z>0且通过Z值显著性的统计检验，则说明中国碳排放强度在空间分布上具有显著的正相关性。

（2）局部空间自相关指数。

Global Morans I能够刻画中国碳排放强度在空间分布上的相关性，进一步采用局部空间统计方法测度中国各省区之间碳排放强度的空间分异性。局域空间自相关是将Global Morans I指数分解到各个省区单元即Local Morans I指数，对于某个省区空间单元i有：

式中，Zi=Xi-X—σ表示通过标准化变换后每行的和为1且非对称性的权重矩阵。

通过绘制各省区碳排放强度Local Morans I散点图识别各个省区与其他邻近省区之间的相互关系。分布在第一象限（HH类型）和第三象限（LL类型）说明观测省区自身和周边地区的碳排放强度水平均较高或较低，相邻省区碳排放强度空间分布具有集聚特征；第二象限（LH类型）和第四象限（HL类型）说明观测省区自身碳排放强度水平较低，周边地区较高或较低，相邻省区碳排放强度空间分布具有分异特征。

2.2 时空跃迁测度方法

采用Rey等提出时空跃迁（Spacetime Transition）方法测度不同时段各省区之间局部空间关联类型的转移情况[15]。根据各区域自身与邻域单元之间的碳排放强度转移状态将时空跃迁划分为：某一区域碳排放强度的相对跃迁（自身跃迁-邻域稳定）；空间邻近区域碳排放强度的跃迁（自身稳定-邻域跃迁）；某一区域及其邻近区域碳排放强度均发生跃迁（自身跃迁-邻域跃迁）；某一区域及其邻近区域碳排放强度均保持稳定（自身稳定—邻域稳定）四种类型。各省区碳排放强度的空间稳定性计算方法为：

式中，F0，t表示在t研究时间段内观测省区碳排放强度呈现“自身稳定-鄰域稳定”跃迁的省区数量；n为所有可能发生跃迁的省区数量。St[0，1]，如果St值越大，则表明中国碳排放强度的空间稳定性越强，跃迁阻力与困境越大。

2.3 分位数回归模型

Koenkel & Pxassett提出的分位数回归思想是计量经济学研究的前沿方向之一。分位数回归能够对碳排放强度驱动因素的条件分布进行细致地刻画，不需要模型具备很强的分布假设。通过加权误差绝对值最小的方法计算得到碳排放强度驱动因素分位数回归的参数估计结果，同时，分位数回归的估计过程将具有较强的稳健性，并且不易受异常值的波动影响。此外，分位数回归的结果能够与不同时空跃迁的类型之间进行深度嵌套，嵌套结果可以很好地揭示各驱动因素对区域碳排放强度时空跃迁的作用机制。

3 指标选取及数据来源

3.1 碳排放强度的计算方法

本研究选取的时间窗口为1997—2015年，由于西藏地区缺失数据较多，不予以考虑，同时不将港澳台地区计算在内，最终以中国30个省区为研究对象。首先，根据IPCC推荐的方法[16]估算中国30个省区1997—2015年化石能源消费的二氧化碳排放量，具体公式为：

其中，CEi为碳排放量的估算值；i为化石能源的种类，i=1，2，…，8；Ei为化石能源的消费量；SCCi为化石能源的折标煤系数；CEFi为碳排放系数，如表1所示。

碳排放强度是二氧化碳排放总量与经济发展水平之比（单位：万t/亿元），因此，中国各省区碳排放强度计算公式为：

其中，j代表观测省区，CI代表碳排放强度；CE代表二氧化碳排放量；GDP代表经济发展水平，数据来源于《中国统计年鉴》，并按照2005年不变价格进行调整。

3.2 碳排放强度的驱动因素

在考虑中国碳排放强度时空演进特征的基础上，建立碳排放强度驱动因素的分位数回归模型，进一步揭示中国各省区碳排放强度的时空跃迁机制。以碳排放强度作为因变量，所考察的分位自变量包括人口规模、经济发展水平、能源强度、产业结构、城镇化水平、对外开放水平等驱动因素。

（1）人口规模（P）。

随着人口规模的不断增长，地区能源消费需求将持续增加，由此导致能源消费产生的二氧化碳排放量也将上升。马晓钰等都从不同角度论证了人口规模的不断扩大对二氧化碳排放增长存在较大影响[17]。同时，也有学者认为，人口规模的增长能够促进技术进步，实现技术效应，从而在一定程度上可以减轻对环境的负面作用。本文采用各省区的总人口表示人口规模（单位：万人），并取对数形式，记为ln（P）。

（2）经济发展水平（PGDP）。

由于人均收入水平反映地区经济发展的阶段性特征，进而表征不同的能耗特征及对环境质量的影响。赵爱文、柴麒敏等研究发现人均GDP增加是碳排放増加的一个重要原因，随着GDP的增加碳排放强度将呈现下降-上升-再下降的变化趋势，因此推行低碳经济至关重要[18-19]。本文经济发展水平指标是根据各年名义GDP转换为以2005年为基期、剔除物价影响后的各省区人均GDP实际值，并取对数形式，记为ln（PGDP）。

（3）能源强度（EI）。

能源强度通常反映一个国家或地区的能源消费总量与经济发展水平之间的关系。在经济发展水平相同的情况下，如果地区能源强度增加就意味着该地区能耗水平的上升，将导致该地区的二氧化碳排放量的增加。唐建荣、潘雄锋等都用不同的计量方法论证了降低能源强度，提高能源效率对降低碳强度的推动作用[20-21]。本文采用各省区能源消费总量与GDP比值表示地区能源消耗强度（单位：吨标准煤/ 万元），并对其取对数形式，记为ln（EI）。

（4）产业结构（IS）。

产业结构变动是地区经济发展水平的重要标志，产业结构的生态化对碳减排目标的实现有着重要的驱动作用。吴振信、原嫄等研究表明中国正处于工业化的中期发展阶段，各省区的重工业比重持续上升对中国二氧化碳的减排目标将产生重要影响[22-23]。鲁沛、曹丽斌等实证研究结果表明如果地区产业结构的高碳化不能得到有效的调整，现阶段中国经济增长速度的提升难以推动各省区碳排放强度的大幅下降[24-25]。本文采用第二产业产值与GDP比值表示产业结构，并取对数形式，记为ln（IS）。

（5）城镇化水平（UR）。

城镇化水平反映一个地区城镇化所达到的程度。在加快城镇基础设施建设以及产业布局调整的情况下，中国城镇化水平已经进入快速发展阶段。国家统计局发布数据显示：中国城镇化率由2005年的42.99%提升至2016年的57.35%。易艳春、田泽永等研究认为城市化水平的提升将引致二氧化碳排放量的增长[26-27]。但相比农村地区，城市有更多的机会实现规模经济和产业集聚，从而能够更有效地利用和分配资源，提高能源使用效率。因此，如何合理提升城市化水平对建设碳中性城市，降低碳排放强度至关重要。本研究遵循林伯强、刘希颖的思路[28]，以非农业人口占人口总数的比重衡量各省的城市化水平，并取对数形式，记为ln（UR）。endprint

（6）对外开放水平（OPEN）。

对外开放是中国经济增长的引擎，但对外开放水平的提升对中国碳减排存在双重影响。张友国、金春雨研究认为，对外开放促使发展中国家降低环境标准以提高国际竞争力，从而沦为发达国家的“污染避难所”[29-30]。刘飞宇等研究认为，引入外商直接投资对于中国城市环境污染的影响表现为“污染光环”和“污染天堂”的双重效应[31]。本研究以各地区外商投资企业年底注册投资总额来表示对外开放水平（单位：亿美元），并取对数形式，记为ln（OPEN）。

此外，经济发展水平数据来源于历年《中国统计年鉴》，能源消费量相关数据来源于历年《中国能源统计年鉴》，第二产业相关数据来源于历年《中国工业统计年鉴》，非农业人口和总人口数据来源于历年《中国人口统计年鉴》《中国人口与就业统计年鉴》以及《中国城市（镇） 生活与价格年鉴》，各地区外商投资企业年底注册登记情况数据来源于历年《中国统计年鉴》。

4 中国碳排放强度的时空演进分析

4.1 全局空间自相关性的检验

采用探索性时空数据计量分析方法，借助Open GeoDa1.2软件对1997—2015年中国30个省区碳排放强度的空间面板数据进行自相关性的检验，如图1所示。各年度中国碳排放强度的Global Morans I均为正值，且LISA的正态统计量Z值均通过0.05显著性水平的检验，表明中国30个省区的碳排放强度在时空分布上并不是完全随机状态，各个省区碳排放强度之间具有显著的空间相关性特征，各个省区碳排放强度的变动趋势会受到其相临近省区碳排放强度的影响。

4.2 局部空间自相关检验

采用局部空间统计方法，将全局空间自相关Global Morans I指数分解到各个省区单元，反映中国30个省区碳排放强度与各自相邻近省区碳排放强度具有同一属性的集聚（HH或LL）或者分异（HL或LH）时空演进特征。1997年和2015年中国30个地区碳排放强度Local Morans-I散点图，如图2所示。

1997年和2015年中国30个省区碳排放强度Local Morans I结果对应的省区，如表2所示。第一象限（H-H）和第三象限（L-L）象限表明观测省区碳排放强度的空间分布存在较强的正相关性及空间集聚性；第二象限（H-L）和第四象限（L-H）象限表明观测省区碳排放强度的空间分布存在较强的负相关及空间分异性。中国省域间的碳排放强度具有一定的相关性，在空间分布上呈现“集聚”与“分异”并存的时空演进特征。

4.3 各省区碳排放强度的时空跃迁

进一步通过不同时段各空间集聚类型所含省区数量的变动状况反应各省区碳排放强度时空跃迁的规律，如表3所示。第一种变迁形式表现为观测省域在不同考察时期内移到相邻象限的变化，主要跃迁形式为HH→LH（吉林、湖北）、HH→HL（黑龙江）、LH→HH（云南）、LH→LL（0个省域）、HL→LL（甘肃、湖南、广东）、HL→HH（0个省域）、LL→LH（0个省域）以及LL→HL（0个省域）；第二种变迁形式表现为观测省区在不同考察时期内转移到不相邻象限的变动，主要跃迁形式为LH→HL（0个省域）、HH→LL（0个省域）、HL→LH（江苏）以及LL→HH（0个省域）；第三种变迁形式表现为观测省域在不同考察时期内所属象限未发生明显变化，区域内部碳排放强度水平较低（高），临近区域碳排放强度水平较高（低），两者之间碳排放强度的空间分布差异程度较大，主要跃迁形式表现为LH→LH（北京、天津、宁夏、青海、重庆、广西、海南）、HL→HL（四川、贵州）；第四种变迁形式表现为观测省域在不同考察时期内所属象限一直未发生变化，区域内部和临近地区的碳排放强度水平较高（低），两者之间碳排放强度的空间分布差异程度较小，主要跃迁形式表现为HH→HH（陕西、山东、河南、安徽、内蒙古、辽宁、河北、山西）的省区多为资源型省份和老工业基地，碳排放强度始终较高，转型压力大；跃迁形式表现为LL→LL（上海，浙江，江西，福建，新疆）的省区主要为经济发达、能源利用率高的地区（上海、浙江、福建）或工业化进程滞后的地区（新疆），碳排放强度较低。显然，如果属于第三、四种变迁的观测省域数较多，而属于第一、二种变迁的观测省域数量较小，则说明观测省区碳排放强度的时空演进过程中未出现跃迁，具有较大程度的稳定性。在研究期间内，时空跃迁矩阵主对角线上的元素均为保持稳定的省区，属于第三、四种变迁的共有22个省区，包括10个高碳排放强度省区，12个低碳排放强度省区，约占观测单元总数的73.3%。这个结果表明，中国碳排放强度空间集聚趋势增强，具有高度的凝固性和较低的流动性，10个高碳排放强度省区碳排放强度的稳定性将成为制约中国碳排放强度整体跃迁的重点省区。属于第一、二种变迁类型的共有8个省区，约占观测省区总数的26.7%，相关省区的跃迁性将成为驱动中国碳排放强度整体跃迁的关键省区。

5 中国碳排放强度的时空跃迁机制

5.1 各驱动因素的分位数回归

根据分位数回归模型的分位值划分出高分位响应（0.1—0.5）与低分位响应（0.6—0.9）两种类型。进一步根據不同分位点驱动因素系数为正负值划分出低分位驱动、低分位制约、高分位驱动和高分位制约的四种碳排放强度驱动因素分位响应类型。由此，中国碳排放强度时空跃迁驱动因素的回归结果表明：人均收入水平（PGDP）在

低分位阶段（0.1—0.3）与高分位阶段（0.6—0.8）系数为负且通过显著性检验，说明中国经济整体上是粗放型发展模式，人均收入水平（PGDP）对碳排放强度变动呈现阻碍作用；产业结构（IS）在各分位点上（0.1—0.9）表现出对碳排放强度变动的促进作用；能源强度（EI）在低分位阶段（0.1—0.5）阻碍碳排放强度变动的作用，对外开放水平（OPEN）在高分位阶段（0.6—0.9）促进碳排放强度变动的作用；城镇化水平（UR）和人口规模（P）在低分位阶段（0.1—0.4）保持对碳排放强度的持续促进作用，高分位阶段（0.6—0.9）城镇化水平和人口规模则转向对碳排放强度跃迁的制约作用，如表4所示。endprint

5.2 时空跃迁与分位数回归的嵌套

分位数回归模型能够很好地解释各驱动因素对碳排放强度时空跃迁的驱动机制，不同响应阶段的驱动因素的分位数与碳排放强度时空跃迁类型之间具有很强的嵌套性，如表5所示。

进一步通过碳排放强度时空跃迁类型与各驱动因素低/高分位数回归模型的嵌套方法，揭示中国各省区碳排放强度时空跃迁的演变机制，如图3和图4所示。

在低分位制约模式中，经济发展水平（PGDP）与能源强度（EI）是地区碳排放强度实现跃迁的重要制约因素。此模式下当地人均收入的增加以及技术水平的提高有助于北京、天津、宁夏、青海、重庆、广西、海南（LH→LH）和上海、浙江、江西、福建、新疆（LL→LL）等地区保持自身低碳排放强度状态的稳定，对当地碳排放强度向高水平状态跃迁产生制约作用。在低分位驱动模式中，产业结构（IS）、城镇化水平（UR）和人口规模（P）是驱动碳排放强度时空跃迁最显著的因素，其中产业结构影响最明显，而城镇化水平（UR）和人口规模（P）影响相对较小，此模式下产业结构驱动云南（LH→HH）等地区碳排放强度向高水平状态跃迁，将阻碍中国碳排放强度下降目标的实现。

在高分位制约模式中，城镇化水平（UR）、人口规模（P）和经济发展水平（GDPPC）对地区碳排放强度跃迁的阻碍作用显著。随着人口规模的不断增加，城镇化水平以及经济发展水平提高，将制约甘肃、湖南、广东（HL→LL）、江苏（HL→LH）、吉林、湖北（HH→LH）等地区向低碳排放强度水平跃迁。在高分位驱动模式中，对外开放水平（OPEN）、产业结构（IS）对此类地区碳排放强度跃迁产生显著的促进作用，其中对外开放水平（OPEN）影响系数最高，说明对外开放水平和产业结构对陕西、山东、河南、安徽、内蒙古、辽宁、河北、山西（HH→HH）、四川、贵州（HL→HL）、黑龙江（HH→HL）等地区碳排放强度状态的稳定产生较大的促进作用。同时，对外开放水平对地区碳减排的影响存在着“临界效应”，即当对外开放达到一定临界水平时，将会对该地区碳排放强度时空跃迁产生比较显著的促进作用，进而实现碳排放强度下降的减排目标。

6 结论及政策建议

为制定“共同但有区别”的碳减排调控政策提供可借鉴的依据，文章采用探索性时空数据分析方法分析1997—2015年中国30个省区碳排放强度的时空演进特征。研究结果显示中国30个省区碳排放强度在时空分布上具有显著的空间相关性的特征，各省区碳排放强度的变动趋势会受到其相临近省区碳排放强度的影响。各省区碳排放强度呈现“集聚”与“分异”并存的时空演进特征，中国政府为实现降低碳排放强度的国际承诺减排目标，需加强对关键省区碳排放强度的有效监测与治理，加大碳排放的约束力度。

根据各省区碳排放强度时空演进及其跃迁机制分析结果，进一步采取差异化的碳减排措施。对于具有较强时空稳定性的上海、浙江、江西、福建、新疆、北京、天津、宁夏、青海、重庆、广西、海南等低碳排放强度集聚地区，经济发展水平是主要驱动因素。通过增加地区的人均收入，重视新能源科技的应用与推广，提高能源的利用效率，保持地区低碳排放强度的稳定性，同时，提升该类省区对相邻省区技术溢出的辐射作用，进而实现协同减排的目标。对于具有较强的时空稳定性陕西、山东、河南、安徽、内蒙古、辽宁、河北、山西、四川、贵州、黑龙江等高碳排放强度集聚地区，可以通过提高该地区对外开放水平，优化外商直接投资的结构，突破对外开放对地区碳减排驱动作用的“临界效应”，进而从根本上扭转该地区高碳排放强度“空间锁定”的要素制约困境。鉴于人口规模、城镇化水平对于甘肃、湖南、广东、江苏、吉林、湖北等地区向低碳排放强度水平跃迁的制约作用，通过调控人口规模，构建碳中性城市等方式，进一步破除该地区碳排放强度跃迁的“资源诅咒”现象。同时，云南省应着重发展现代服务业和高新技术产业，优化产业结构，促进生态要素在产业间及地区间合理配置与流动，进一步提升地区的碳减排水平。

参考文献（References）

[1]牛文元. 可持续发展理论的内涵认知——纪念聯合国里约环发大会20周年[J]. 中国人口·资源与环境， 2012， 22（5）：9-14.[NIU Wenyuan. The connotation of sustainable development theory to commemorate the 20 anniversary of the United Nations Rio Conference[J]. China population， resources and environment， 2012， 22 （5）： 9-14.]

[2]秦大河， STOCKER T. IPCC第五次评估报告第一工作组报告的亮点结论[J]. 气候变化研究进展， 2014， 10（1）：1-6.[QIN Dahe，STOCKER T. The high lights results of the first working group report in IPCC fifth assessment report[J]. Progressus inquisitiones de mutatione climatis，2014， 10 （1）： 1-6.]

[3]辜胜阻， 曹誉波， 王敏. 跨越“中等收入陷阱”的路径选择[J]. 商业经济研究， 2012（14）： 4-5.[GU Shengzu， CAO Yubo， WANG min. The path choice of crossing the ‘middle income trap[J]. Business economics research， 2012 （14）： 4-5.]

[4]ROZENBERG-J， HALLEGATTE S. The impacts of climate change on poverty in 2030 and the potential from rapid， inclusive， and climateinformed development[M]. New York： Social Science Electronic Publishing， 2015： 87-92.endprint

[5]洪银兴. 以创新的经济发展理论阐释中国经济发展[J]. 中国社会科学， 2016（11）： 28-35.[HONG Yinxing. The development of Chinas economy based on the theory of innovative economic development[J]. China social sciences， 2016（11）： 28-35.]

[6]郑玉歆. 我国节能目标的系统思考[C]//中国系统工程学会社会经济系统工程2011学术研讨会. 2011.[ZHENG Yuxin. Systematic thinking of Chinas energy saving target[C]// 2011 Symposium of Systems Engineering & Society Economic System Engineering in China. 2011.]

[7]李善同， 许召元. 中国各地区能源强度差异的因素分解[J]. 中外能源， 2009， 14（8）：1-10.[LI Shantong， XU Zhaoyuan. Factors decomposition of energy intensity differences in China[J]. Foreign energy， 2009， 14 （8）： 1-10.]

[8]屈超， 陈甜. 中国2030年碳排放强度减排潜力测算[J]. 中国人口·资源与环境， 2016， 26（7）： 62-69.[QU Chao， CHEN Tian. Measurement of China carbon emission reduction potential in 2030[J]. China population， resources and environment， 2016， 26 （7）： 62-69.]

[9]CHUAI-X， HUANG X， LAI L， et al. Land use structure optimization based on carbon storage in several regional terrestrial ecosystems in China[J]. Environmental science & policy， 2013， 25（25）： 50-61.

[10]程叶青，王哲野，张守志，等. 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 Yeqing， WANG Zheye， ZHANG Shouzhi，et al. Spatial measurement of carbon emission intensity and its influencing factors of energy consumption in China[J]. Acta geographica sinica， 2013， 68 （10）： 1418-1431.]

[11]赵桂梅，陈丽珍，孙华平，等. 基于异质性收敛的中国碳排放强度脱钩效应研究[J]. 华东经济管理， 2017（4）： 97-103.[ZHAO Guimei， CHEN Lizhen，SUN Huaping，et al. Study on the decoupling effect of Chinas carbon emissions intensity based on heterogeneous convergence[J]. East China economic management， 2017（4）： 97-103.]

[12]路正南，郝文麗，杨雪莲. 基于低碳经济视角的我国碳排放强度影响因素分析[J]. 科技管理研究， 2016， 36（3）：240-245.[LU Zhengnan， HAO Wenli， YANG Xuelian. Analysis of influencing factors of carbon emission intensity in China based on low carbon economy[J]. Science and technology management research， 2016， 36 （3）： 240-245.]

[13]武红. 中国多尺度区域碳减排——格局.机理及路径[M].北京：中国发展出版社， 2014.[WU Hong. Multiscale carbon emission reduction in China： pattern， mechanism and path[M]. Beijing： China Development Press， 2014.]

[14]高长春， 刘贤赵， 李朝奎， 等. 近20年来中国能源消费碳排放时空格局动态[J]. 地理科学进展， 2016， 35（6）： 747-757.[GAO Changchun， LIU Xianzhao， LI Chaokui， et al. Spatial and temporal patterns of carbon emissions in Chinas energy consumption in recent 20 years[J]. Progress in geographical science， 2016， 35 （6）： 747-757.]

[15]REY-S J， JANIKAS M V. STARS： spacetime analysis of regional systems[J]. Geographical analysis， 2006， 38（1）： 67-86.endprint

[16]AMSTELA-V. IPCC 2007 guidelines for national greenhouse gas inventories[M]. Arlington： Institute for Global Environmental Strategies，2006.

[17]马晓钰， 李强谊， 郭莹莹. 我国人口因素对二氧化碳排放的影响——基于STIRPAT模型的分析[J]. 人口与经济， 2013（1）： 44-51.[MA Xiaoyu， LI Qiangyi， GUO Yingying. The effect of population factors on carbon dioxide emissions in China： an analysis based on STIRPAT model[J]. Population and economy， 2013（1）： 44-51.]

[18]赵爱文， 李东. 碳排放与能源消费和经济增长的灰色关联分析[J]. 环境保护科学， 2012， 38（3）： 64-67.[ZHAO Aiwen， LI Dong. Grey correlation analysis of carbon emissions and energy consumption and economic growth[J]. Environmental protection science， 2012， 38 （3）： 64-67.]

[19]柴麒敏. 分解中国碳排放峰值[J]. 中国经济报告， 2015（7）： 54-56.[CHAI Qimin. China decomposition of carbon emissions to peak[J]. China economic report， 2015（7）： 54-56.]

[20]唐建荣， 程静， 姜翠芸. 能源强度与最优经济增长的耦合研究——基于生产要素可替视角[J]. 软科学， 2015， 29（11）： 110-114.[TANG Jianrong， CHEN Jing， JIANG Cuiyun. Coupling study of energy intensity and optimal economic growth： based on the perspective of productive factors[J]. Soft science， 2015， 29 （11）： 110-114.]

[21]潘雄锋， 潘仙友， 李昌昱. 低碳约束对能源强度的倒逼机制研究[J]. 当代经济科学， 2016， 38（6）： 34-43.[PAN Xiongfeng， PAN Xianyou， LI Changyu. Study on the mechanism of low carbon constraint on energy intensity[J]. Contemporary economic science， 2016， 38（6）： 34-43.]

[22]吴振信， 谢晓晶， 王书平. 经济增长、产业结构对碳排放的影响分析——基于中国的省际面板数据[J]. 中国管理科学， 2012， 20（3）： 161-166.[WU Zhenxin， XIE Xiaojing， WANG Shuping. Analysis of the impact of economic growth and industrial structure on carbon emissions： based on provincial panel data in China[J]. Chinese journal of management science， 2012， 20 （3）： 161-166.]

[23]原嫄， 席強敏， 孙铁山， 等. 产业结构对区域碳排放的影响——基于多国数据的实证分析[J]. 地理研究， 2016， 35（1）： 82-94.[YUAN yuan， XI Qiangmin， SUN Tieshan， et al. Influence of industrial structure on carbon emissions from the empirical analysis of multinational data[J]. Geographical research， 2016， 35 （1）： 82-94.]

[24]鲁沛. 中国产业结构对碳排放影响的实证研究[D]. 沈阳：辽宁大学， 2015.[LU Pei. Empirical study on the impact of Chinas industrial structure on carbon emissions[D].Shenyang： Liaoning University， 2015： 42-48.]

[25]曹丽斌， 蔡博峰， 王金南. 中国城市产业结构与CO2排放的耦合关系[J]. 中国人口·资源与环境， 2017， 27（2）： 10-14.[CAO Libin， CAI Bofeng， WANG Jinnan. Coupling relationship between urban industrial structure and CO2 emissions in China[J]. China population， resources and environment， 2017， 27 （2）： 10-14.]

[26]易艳春， 高玉芳. 城市化与中国碳排放的实证研究[J]. 统计与信息论坛， 2013， 28（3）： 63-67.[YI Yanchun， GAO Yufang. Empirical research on Chinese city and carbon emissions[J]. Statistics and information forum， 2013， 28 （3）： 63-67.]endprint

[27]田澤永， 张明. 外商直接投资与城市化对中国碳排放的影响研究——基于我国省级行政区际视角[J]. 科技管理研究， 2015， 35 （15）： 240-244.[TIAN Zeyong，ZHANG Ming. Study on the impact of foreign direct investment and urbanization on Chinas carbon emissions： based on the perspective of provincial administrative region in China[J]. Science and technology management research， 2015， 35 （15）： 240-244.]

[28]林伯强， 刘希颖. 中国城市化阶段的碳排放： 影响因素和减排策略[J]. 经济研究， 2010（8）： 66-78.[LIN Boqiang， LIU Xiying. Carbon emissions in Chinas urbanization stage： influencing factors and mitigation strategies[J]. Economic research journal， 2010（8）： 66-78.]

[29]金春雨， 王伟强. “污染避难所假说”在中国真的成立吗——基于空间VAR模型的实证检验[J]. 国际贸易问题， 2016（8）： 108-118.[JIN Chunyu， WANG Weiqiang. ‘Pollution Haven Hypothesis in China is really established：based on the empirical test of the spatial VAR Model[J].International trade issues， 2016（8）： 108-118.]

[30]张友国. 碳排放视角下的区域间贸易模式： 污染避难所与要素禀赋[J]. 中国工业经济， 2015（8）： 5-19.[ZHANG Youguo. Interregional trade patterns from the perspective of carbon emissions： pollution haven and factor endowment[J]. China industrial economyics， 2015（8）： 5-19.]

[31]刘飞宇， 赵爱清. 外商直接投资对城市环境污染的效应检验——基于我国285个城市面板数据的实证研究[J]. 国际贸易问题， 2016（5）： 130-141.[LIU Feiyu， ZHAO Aiqing. Effect of foreign direct investment on urban environmental pollution： an empirical study based on panel data of 285 cities in China[J]. Journal of international trade， 2016（5）： 130-141.]endprint