中國碳排放強度的時空演進及躍遷機制

趙桂梅+趙桂芹+陳麗珍+孫華平

摘要 面對氣候變化所帶來的生存危機以及環境治理的復雜狀況，對中國碳排放強度時空演進的動態監測與預警治理的研究是實現碳排放強度下降目標的關鍵。文章測算1997—2015年中國大陸30個省區碳排放強度的空間面板數據，采用探索性時空數據分析（ESTDA）方法對中國碳排放強度的空間相關性、集聚特征及其時空躍遷進行空間統計分析，借助分位數回歸與時空躍遷嵌套模型，揭示在時間和空間推移的雙重作用下中國各省區碳排放強度的時空躍遷機制。研究結果表明：①中國30個省區的碳排放強度在時空分布上并不是完全隨機狀態，各個省區碳排放強度之間具有顯著的空間相關性特征，碳排放強度的變動趨勢會受到其相臨近省區碳排放強度的影響，省域間的碳排放強度在空間分布上呈現“集聚”與“分異”并存的時空演進特征。②中國碳排放強度空間集聚趨勢增強，具有高度的凝固性和較低的流動性，10個高碳排放強度省區碳排放強度的穩定性將成為制約中國碳排放強度整體躍遷的重點省區，相關省區的躍遷性將成為驅動中國碳排放強度整體躍遷的關鍵省區。③各省區的碳排放強度空間集聚過程中存在時空躍遷的驅動模式和制約模式，分位數回歸模型能夠很好地解釋各驅動因素對碳排放強度時空躍遷的驅動機制，不同響應階段的驅動因素的分位數與碳排放強度時空躍遷類型之間具有很強的嵌套性。④根據各省區碳排放強度時空演進及其躍遷機制的分析結果，進一步提出加強對關鍵省區碳排放強度的有效監測與治理，加大碳排放的約束力度等差異化的碳減排調控措施。

關鍵詞 碳排放強度；時空格局演進；探索性時空分析；驅動因素；躍遷機制

中圖分類號 X32；F062.2

文獻標識碼 A文章編號 1002-2104（2017）10-0084-10DOI：10.12062/cpre.20170609

如何減少二氧化碳等溫室氣體排放，實現可持續發展目標已成為世界各國面臨的共同問題[1-2]。中國已成為世界上二氧化碳排放量最大的發展中國家，省區是中國碳減排實施的主要區域，也是碳減排配額分配的關鍵主體。因此，要順利實現國家層面碳排放強度下降的總體減排目標，更應該關注各省區碳排放強度的時空演進特征，以及準確地監測各省區間碳排放強度的空間相關性和分異性，以便于制定符合中國省域自身特點的碳減排調控政策，合理地推進各省區的減排進程。

1 文獻綜述

國內外學者研究發現，尋求在不同時間和空間尺度上碳減排的優化路徑是實現經濟發展新常態下中國綠色低碳轉型的近、中、遠期目標的關鍵問題[3-5]。由于小尺度的空間差異對宏觀經濟波動更敏感，實現中國碳排放強度下降目標的國家任務必須分解到各省區[6]。有學者對中國各省區的碳排放強度進行了比較研究，揭示了中國碳排放強度區域發展及其減排難度的差異性[7-8]。近年來，一些學者從空間效應的視角對中國碳排放的空間演進格局進行相關研究，發現中國碳排放存在空間鎖定的困境[9-10]。也有學者分別利用省級面板數據[11]、時間序列數據[12]，對中國碳排放強度的CKC曲線進行時空計量檢驗，探討中國碳排放強度的演進趨勢。由此可見，在實現碳排放強度下降過程中如何合理劃分區域，識別出關鍵省域，進而采取針對性的政策至關重要。國內外學者研究成果為揭示中國碳排放強度空間分布及其演進特征奠定了良好的研究基礎，但對中國碳排放強度時空演進的關鍵過程探討不足[13-14]。由此，本文采用Rey提出的探索性時空數據分析方法，從時空交互的角度探討中國碳排放強度時空演進的特征，借助分位數回歸與時空躍遷嵌套模型深入研究各省區碳排放強度時空躍遷的驅動因素、躍遷機制，進一步厘清中國碳排放強度的階段性特征及其演進趨勢，為有針對性地制定中國“共同但有區別”的省域碳減排政策提供決策依據。

2 研究方法及模型構建

2.1 探索性時空數據分析方法

引入探索性時空數據分析（Exploratory Spatial Temporal Data Analysis， ESTDA）方法揭示中國30個省區之間碳排放強度時空格局演進的關鍵問題。具體的分析指標為：

（1） 全局空間自相關指數。

采用Patrick Alfred Pierce Moran提出的全局空間自相關Global Morans I指數測度中國碳排放強度在整體上的空間相關性和分異性，計算公式為：

式中，n為總省區數；yi，t，yj，t為分別為t期省區i和省區j的碳排放強度；y—t為全部省區碳排放強度的平均值；Wij為空間權重矩陣，選擇相鄰近空間權重矩陣（KNearest Neighbor Spatial Weights）方法獲得。把直接的鄰居確定為鄰近關系，如果地區i與j有共同邊界（ j≠i），則Wij=1 ，否則Wij=0 。在中國省級地理單元中，其中海南省與其他各省在地理上并不相鄰，在生成權重矩陣時設定其與廣東、廣西兩省鄰接。

Morans I指數結果介于[-1， 1]之間，當0

對全局自相關Global Morans I的結果進行Z值顯著性的統計檢驗，計算公式為：

式中，Var（I）是Global Morans I指數的理論方差，E（I）=1n-1為理論期望。如果Z>0且通過Z值顯著性的統計檢驗，則說明中國碳排放強度在空間分布上具有顯著的正相關性。

（2）局部空間自相關指數。

Global Morans I能夠刻畫中國碳排放強度在空間分布上的相關性，進一步采用局部空間統計方法測度中國各省區之間碳排放強度的空間分異性。局域空間自相關是將Global Morans I指數分解到各個省區單元即Local Morans I指數，對于某個省區空間單元i有：

式中，Zi=Xi-X—σ表示通過標準化變換后每行的和為1且非對稱性的權重矩陣。

通過繪制各省區碳排放強度Local Morans I散點圖識別各個省區與其他鄰近省區之間的相互關系。分布在第一象限（HH類型）和第三象限（LL類型）說明觀測省區自身和周邊地區的碳排放強度水平均較高或較低，相鄰省區碳排放強度空間分布具有集聚特征；第二象限（LH類型）和第四象限（HL類型）說明觀測省區自身碳排放強度水平較低，周邊地區較高或較低，相鄰省區碳排放強度空間分布具有分異特征。

2.2 時空躍遷測度方法

采用Rey等提出時空躍遷（Spacetime Transition）方法測度不同時段各省區之間局部空間關聯類型的轉移情況[15]。根據各區域自身與鄰域單元之間的碳排放強度轉移狀態將時空躍遷劃分為：某一區域碳排放強度的相對躍遷（自身躍遷-鄰域穩定）；空間鄰近區域碳排放強度的躍遷（自身穩定-鄰域躍遷）；某一區域及其鄰近區域碳排放強度均發生躍遷（自身躍遷-鄰域躍遷）；某一區域及其鄰近區域碳排放強度均保持穩定（自身穩定—鄰域穩定）四種類型。各省區碳排放強度的空間穩定性計算方法為：

式中，F0，t表示在t研究時間段內觀測省區碳排放強度呈現“自身穩定-鄰域穩定”躍遷的省區數量；n為所有可能發生躍遷的省區數量。St[0，1]，如果St值越大，則表明中國碳排放強度的空間穩定性越強，躍遷阻力與困境越大。

2.3 分位數回歸模型

Koenkel & Pxassett提出的分位數回歸思想是計量經濟學研究的前沿方向之一。分位數回歸能夠對碳排放強度驅動因素的條件分布進行細致地刻畫，不需要模型具備很強的分布假設。通過加權誤差絕對值最小的方法計算得到碳排放強度驅動因素分位數回歸的參數估計結果，同時，分位數回歸的估計過程將具有較強的穩健性，并且不易受異常值的波動影響。此外，分位數回歸的結果能夠與不同時空躍遷的類型之間進行深度嵌套，嵌套結果可以很好地揭示各驅動因素對區域碳排放強度時空躍遷的作用機制。

3 指標選取及數據來源

3.1 碳排放強度的計算方法

本研究選取的時間窗口為1997—2015年，由于西藏地區缺失數據較多，不予以考慮，同時不將港澳臺地區計算在內，最終以中國30個省區為研究對象。首先，根據IPCC推薦的方法[16]估算中國30個省區1997—2015年化石能源消費的二氧化碳排放量，具體公式為：

其中，CEi為碳排放量的估算值；i為化石能源的種類，i=1，2，…，8；Ei為化石能源的消費量；SCCi為化石能源的折標煤系數；CEFi為碳排放系數，如表1所示。

碳排放強度是二氧化碳排放總量與經濟發展水平之比（單位：萬t/億元），因此，中國各省區碳排放強度計算公式為：

其中，j代表觀測省區，CI代表碳排放強度；CE代表二氧化碳排放量；GDP代表經濟發展水平，數據來源于《中國統計年鑒》，并按照2005年不變價格進行調整。

3.2 碳排放強度的驅動因素

在考慮中國碳排放強度時空演進特征的基礎上，建立碳排放強度驅動因素的分位數回歸模型，進一步揭示中國各省區碳排放強度的時空躍遷機制。以碳排放強度作為因變量，所考察的分位自變量包括人口規模、經濟發展水平、能源強度、產業結構、城鎮化水平、對外開放水平等驅動因素。

（1）人口規模（P）。

隨著人口規模的不斷增長，地區能源消費需求將持續增加，由此導致能源消費產生的二氧化碳排放量也將上升。馬曉鈺等都從不同角度論證了人口規模的不斷擴大對二氧化碳排放增長存在較大影響[17]。同時，也有學者認為，人口規模的增長能夠促進技術進步，實現技術效應，從而在一定程度上可以減輕對環境的負面作用。本文采用各省區的總人口表示人口規模（單位：萬人），并取對數形式，記為ln（P）。

（2）經濟發展水平（PGDP）。

由于人均收入水平反映地區經濟發展的階段性特征，進而表征不同的能耗特征及對環境質量的影響。趙愛文、柴麒敏等研究發現人均GDP增加是碳排放増加的一個重要原因，隨著GDP的增加碳排放強度將呈現下降-上升-再下降的變化趨勢，因此推行低碳經濟至關重要[18-19]。本文經濟發展水平指標是根據各年名義GDP轉換為以2005年為基期、剔除物價影響后的各省區人均GDP實際值，并取對數形式，記為ln（PGDP）。

（3）能源強度（EI）。

能源強度通常反映一個國家或地區的能源消費總量與經濟發展水平之間的關系。在經濟發展水平相同的情況下，如果地區能源強度增加就意味著該地區能耗水平的上升，將導致該地區的二氧化碳排放量的增加。唐建榮、潘雄鋒等都用不同的計量方法論證了降低能源強度，提高能源效率對降低碳強度的推動作用[20-21]。本文采用各省區能源消費總量與GDP比值表示地區能源消耗強度（單位：噸標準煤/ 萬元），并對其取對數形式，記為ln（EI）。

（4）產業結構（IS）。

產業結構變動是地區經濟發展水平的重要標志，產業結構的生態化對碳減排目標的實現有著重要的驅動作用。吳振信、原嫄等研究表明中國正處于工業化的中期發展階段，各省區的重工業比重持續上升對中國二氧化碳的減排目標將產生重要影響[22-23]。魯沛、曹麗斌等實證研究結果表明如果地區產業結構的高碳化不能得到有效的調整，現階段中國經濟增長速度的提升難以推動各省區碳排放強度的大幅下降[24-25]。本文采用第二產業產值與GDP比值表示產業結構，并取對數形式，記為ln（IS）。

（5）城鎮化水平（UR）。

城鎮化水平反映一個地區城鎮化所達到的程度。在加快城鎮基礎設施建設以及產業布局調整的情況下，中國城鎮化水平已經進入快速發展階段。國家統計局發布數據顯示：中國城鎮化率由2005年的42.99%提升至2016年的57.35%。易艷春、田澤永等研究認為城市化水平的提升將引致二氧化碳排放量的增長[26-27]。但相比農村地區，城市有更多的機會實現規模經濟和產業集聚，從而能夠更有效地利用和分配資源，提高能源使用效率。因此，如何合理提升城市化水平對建設碳中性城市，降低碳排放強度至關重要。本研究遵循林伯強、劉希穎的思路[28]，以非農業人口占人口總數的比重衡量各省的城市化水平，并取對數形式，記為ln（UR）。endprint

（6）對外開放水平（OPEN）。

對外開放是中國經濟增長的引擎，但對外開放水平的提升對中國碳減排存在雙重影響。張友國、金春雨研究認為，對外開放促使發展中國家降低環境標準以提高國際競爭力，從而淪為發達國家的“污染避難所”[29-30]。劉飛宇等研究認為，引入外商直接投資對于中國城市環境污染的影響表現為“污染光環”和“污染天堂”的雙重效應[31]。本研究以各地區外商投資企業年底注冊投資總額來表示對外開放水平（單位：億美元），并取對數形式，記為ln（OPEN）。

此外，經濟發展水平數據來源于歷年《中國統計年鑒》，能源消費量相關數據來源于歷年《中國能源統計年鑒》，第二產業相關數據來源于歷年《中國工業統計年鑒》，非農業人口和總人口數據來源于歷年《中國人口統計年鑒》《中國人口與就業統計年鑒》以及《中國城市（鎮） 生活與價格年鑒》，各地區外商投資企業年底注冊登記情況數據來源于歷年《中國統計年鑒》。

4 中國碳排放強度的時空演進分析

4.1 全局空間自相關性的檢驗

采用探索性時空數據計量分析方法，借助Open GeoDa1.2軟件對1997—2015年中國30個省區碳排放強度的空間面板數據進行自相關性的檢驗，如圖1所示。各年度中國碳排放強度的Global Morans I均為正值，且LISA的正態統計量Z值均通過0.05顯著性水平的檢驗，表明中國30個省區的碳排放強度在時空分布上并不是完全隨機狀態，各個省區碳排放強度之間具有顯著的空間相關性特征，各個省區碳排放強度的變動趨勢會受到其相臨近省區碳排放強度的影響。

4.2 局部空間自相關檢驗

采用局部空間統計方法，將全局空間自相關Global Morans I指數分解到各個省區單元，反映中國30個省區碳排放強度與各自相鄰近省區碳排放強度具有同一屬性的集聚（HH或LL）或者分異（HL或LH）時空演進特征。1997年和2015年中國30個地區碳排放強度Local Morans-I散點圖，如圖2所示。

1997年和2015年中國30個省區碳排放強度Local Morans I結果對應的省區，如表2所示。第一象限（H-H）和第三象限（L-L）象限表明觀測省區碳排放強度的空間分布存在較強的正相關性及空間集聚性；第二象限（H-L）和第四象限（L-H）象限表明觀測省區碳排放強度的空間分布存在較強的負相關及空間分異性。中國省域間的碳排放強度具有一定的相關性，在空間分布上呈現“集聚”與“分異”并存的時空演進特征。

4.3 各省區碳排放強度的時空躍遷

進一步通過不同時段各空間集聚類型所含省區數量的變動狀況反應各省區碳排放強度時空躍遷的規律，如表3所示。第一種變遷形式表現為觀測省域在不同考察時期內移到相鄰象限的變化，主要躍遷形式為HH→LH（吉林、湖北）、HH→HL（黑龍江）、LH→HH（云南）、LH→LL（0個省域）、HL→LL（甘肅、湖南、廣東）、HL→HH（0個省域）、LL→LH（0個省域）以及LL→HL（0個省域）；第二種變遷形式表現為觀測省區在不同考察時期內轉移到不相鄰象限的變動，主要躍遷形式為LH→HL（0個省域）、HH→LL（0個省域）、HL→LH（江蘇）以及LL→HH（0個省域）；第三種變遷形式表現為觀測省域在不同考察時期內所屬象限未發生明顯變化，區域內部碳排放強度水平較低（高），臨近區域碳排放強度水平較高（低），兩者之間碳排放強度的空間分布差異程度較大，主要躍遷形式表現為LH→LH（北京、天津、寧夏、青海、重慶、廣西、海南）、HL→HL（四川、貴州）；第四種變遷形式表現為觀測省域在不同考察時期內所屬象限一直未發生變化，區域內部和臨近地區的碳排放強度水平較高（低），兩者之間碳排放強度的空間分布差異程度較小，主要躍遷形式表現為HH→HH（陜西、山東、河南、安徽、內蒙古、遼寧、河北、山西）的省區多為資源型省份和老工業基地，碳排放強度始終較高，轉型壓力大；躍遷形式表現為LL→LL（上海，浙江，江西，福建，新疆）的省區主要為經濟發達、能源利用率高的地區（上海、浙江、福建）或工業化進程滯后的地區（新疆），碳排放強度較低。顯然，如果屬于第三、四種變遷的觀測省域數較多，而屬于第一、二種變遷的觀測省域數量較小，則說明觀測省區碳排放強度的時空演進過程中未出現躍遷，具有較大程度的穩定性。在研究期間內，時空躍遷矩陣主對角線上的元素均為保持穩定的省區，屬于第三、四種變遷的共有22個省區，包括10個高碳排放強度省區，12個低碳排放強度省區，約占觀測單元總數的73.3%。這個結果表明，中國碳排放強度空間集聚趨勢增強，具有高度的凝固性和較低的流動性，10個高碳排放強度省區碳排放強度的穩定性將成為制約中國碳排放強度整體躍遷的重點省區。屬于第一、二種變遷類型的共有8個省區，約占觀測省區總數的26.7%，相關省區的躍遷性將成為驅動中國碳排放強度整體躍遷的關鍵省區。

5 中國碳排放強度的時空躍遷機制

5.1 各驅動因素的分位數回歸

根據分位數回歸模型的分位值劃分出高分位響應（0.1—0.5）與低分位響應（0.6—0.9）兩種類型。進一步根據不同分位點驅動因素系數為正負值劃分出低分位驅動、低分位制約、高分位驅動和高分位制約的四種碳排放強度驅動因素分位響應類型。由此，中國碳排放強度時空躍遷驅動因素的回歸結果表明：人均收入水平（PGDP）在

低分位階段（0.1—0.3）與高分位階段（0.6—0.8）系數為負且通過顯著性檢驗，說明中國經濟整體上是粗放型發展模式，人均收入水平（PGDP）對碳排放強度變動呈現阻礙作用；產業結構（IS）在各分位點上（0.1—0.9）表現出對碳排放強度變動的促進作用；能源強度（EI）在低分位階段（0.1—0.5）阻礙碳排放強度變動的作用，對外開放水平（OPEN）在高分位階段（0.6—0.9）促進碳排放強度變動的作用；城鎮化水平（UR）和人口規模（P）在低分位階段（0.1—0.4）保持對碳排放強度的持續促進作用，高分位階段（0.6—0.9）城鎮化水平和人口規模則轉向對碳排放強度躍遷的制約作用，如表4所示。endprint

5.2 時空躍遷與分位數回歸的嵌套

分位數回歸模型能夠很好地解釋各驅動因素對碳排放強度時空躍遷的驅動機制，不同響應階段的驅動因素的分位數與碳排放強度時空躍遷類型之間具有很強的嵌套性，如表5所示。

進一步通過碳排放強度時空躍遷類型與各驅動因素低/高分位數回歸模型的嵌套方法，揭示中國各省區碳排放強度時空躍遷的演變機制，如圖3和圖4所示。

在低分位制約模式中，經濟發展水平（PGDP）與能源強度（EI）是地區碳排放強度實現躍遷的重要制約因素。此模式下當地人均收入的增加以及技術水平的提高有助于北京、天津、寧夏、青海、重慶、廣西、海南（LH→LH）和上海、浙江、江西、福建、新疆（LL→LL）等地區保持自身低碳排放強度狀態的穩定，對當地碳排放強度向高水平狀態躍遷產生制約作用。在低分位驅動模式中，產業結構（IS）、城鎮化水平（UR）和人口規模（P）是驅動碳排放強度時空躍遷最顯著的因素，其中產業結構影響最明顯，而城鎮化水平（UR）和人口規模（P）影響相對較小，此模式下產業結構驅動云南（LH→HH）等地區碳排放強度向高水平狀態躍遷，將阻礙中國碳排放強度下降目標的實現。

在高分位制約模式中，城鎮化水平（UR）、人口規模（P）和經濟發展水平（GDPPC）對地區碳排放強度躍遷的阻礙作用顯著。隨著人口規模的不斷增加，城鎮化水平以及經濟發展水平提高，將制約甘肅、湖南、廣東（HL→LL）、江蘇（HL→LH）、吉林、湖北（HH→LH）等地區向低碳排放強度水平躍遷。在高分位驅動模式中，對外開放水平（OPEN）、產業結構（IS）對此類地區碳排放強度躍遷產生顯著的促進作用，其中對外開放水平（OPEN）影響系數最高，說明對外開放水平和產業結構對陜西、山東、河南、安徽、內蒙古、遼寧、河北、山西（HH→HH）、四川、貴州（HL→HL）、黑龍江（HH→HL）等地區碳排放強度狀態的穩定產生較大的促進作用。同時，對外開放水平對地區碳減排的影響存在著“臨界效應”，即當對外開放達到一定臨界水平時，將會對該地區碳排放強度時空躍遷產生比較顯著的促進作用，進而實現碳排放強度下降的減排目標。

6 結論及政策建議

為制定“共同但有區別”的碳減排調控政策提供可借鑒的依據，文章采用探索性時空數據分析方法分析1997—2015年中國30個省區碳排放強度的時空演進特征。研究結果顯示中國30個省區碳排放強度在時空分布上具有顯著的空間相關性的特征，各省區碳排放強度的變動趨勢會受到其相臨近省區碳排放強度的影響。各省區碳排放強度呈現“集聚”與“分異”并存的時空演進特征，中國政府為實現降低碳排放強度的國際承諾減排目標，需加強對關鍵省區碳排放強度的有效監測與治理，加大碳排放的約束力度。

根據各省區碳排放強度時空演進及其躍遷機制分析結果，進一步采取差異化的碳減排措施。對于具有較強時空穩定性的上海、浙江、江西、福建、新疆、北京、天津、寧夏、青海、重慶、廣西、海南等低碳排放強度集聚地區，經濟發展水平是主要驅動因素。通過增加地區的人均收入，重視新能源科技的應用與推廣，提高能源的利用效率，保持地區低碳排放強度的穩定性，同時，提升該類省區對相鄰省區技術溢出的輻射作用，進而實現協同減排的目標。對于具有較強的時空穩定性陜西、山東、河南、安徽、內蒙古、遼寧、河北、山西、四川、貴州、黑龍江等高碳排放強度集聚地區，可以通過提高該地區對外開放水平，優化外商直接投資的結構，突破對外開放對地區碳減排驅動作用的“臨界效應”，進而從根本上扭轉該地區高碳排放強度“空間鎖定”的要素制約困境。鑒于人口規模、城鎮化水平對于甘肅、湖南、廣東、江蘇、吉林、湖北等地區向低碳排放強度水平躍遷的制約作用，通過調控人口規模，構建碳中性城市等方式，進一步破除該地區碳排放強度躍遷的“資源詛咒”現象。同時，云南省應著重發展現代服務業和高新技術產業，優化產業結構，促進生態要素在產業間及地區間合理配置與流動，進一步提升地區的碳減排水平。

參考文獻（References）

[1]牛文元. 可持續發展理論的內涵認知——紀念聯合國里約環發大會20周年[J]. 中國人口·資源與環境， 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第五次評估報告第一工作組報告的亮點結論[J]. 氣候變化研究進展， 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]辜勝阻， 曹譽波， 王敏. 跨越“中等收入陷阱”的路徑選擇[J]. 商業經濟研究， 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]洪銀興. 以創新的經濟發展理論闡釋中國經濟發展[J]. 中國社會科學， 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]鄭玉歆. 我國節能目標的系統思考[C]//中國系統工程學會社會經濟系統工程2011學術研討會. 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， 許召元. 中國各地區能源強度差異的因素分解[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， 陳甜. 中國2030年碳排放強度減排潛力測算[J]. 中國人口·資源與環境， 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]程葉青，王哲野，張守志，等. 中國能源消費碳排放強度及其影響因素的空間計量[J]. 地理學報， 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]趙桂梅，陳麗珍，孫華平，等. 基于異質性收斂的中國碳排放強度脫鉤效應研究[J]. 華東經濟管理， 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，楊雪蓮. 基于低碳經濟視角的我國碳排放強度影響因素分析[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]武紅. 中國多尺度區域碳減排——格局.機理及路徑[M].北京：中國發展出版社， 2014.[WU Hong. Multiscale carbon emission reduction in China： pattern， mechanism and path[M]. Beijing： China Development Press， 2014.]

[14]高長春， 劉賢趙， 李朝奎， 等. 近20年來中國能源消費碳排放時空格局動態[J]. 地理科學進展， 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]馬曉鈺， 李強誼， 郭瑩瑩. 我國人口因素對二氧化碳排放的影響——基于STIRPAT模型的分析[J]. 人口與經濟， 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]趙愛文， 李東. 碳排放與能源消費和經濟增長的灰色關聯分析[J]. 環境保護科學， 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. 分解中國碳排放峰值[J]. 中國經濟報告， 2015（7）： 54-56.[CHAI Qimin. China decomposition of carbon emissions to peak[J]. China economic report， 2015（7）： 54-56.]

[20]唐建榮， 程靜， 姜翠蕓. 能源強度與最優經濟增長的耦合研究——基于生產要素可替視角[J]. 軟科學， 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]潘雄鋒， 潘仙友， 李昌昱. 低碳約束對能源強度的倒逼機制研究[J]. 當代經濟科學， 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]吳振信， 謝曉晶， 王書平. 經濟增長、產業結構對碳排放的影響分析——基于中國的省際面板數據[J]. 中國管理科學， 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， 孫鐵山， 等. 產業結構對區域碳排放的影響——基于多國數據的實證分析[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]魯沛. 中國產業結構對碳排放影響的實證研究[D]. 沈陽：遼寧大學， 2015.[LU Pei. Empirical study on the impact of Chinas industrial structure on carbon emissions[D].Shenyang： Liaoning University， 2015： 42-48.]

[25]曹麗斌， 蔡博峰， 王金南. 中國城市產業結構與CO2排放的耦合關系[J]. 中國人口·資源與環境， 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]易艷春， 高玉芳. 城市化與中國碳排放的實證研究[J]. 統計與信息論壇， 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， 張明. 外商直接投資與城市化對中國碳排放的影響研究——基于我國省級行政區際視角[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]林伯強， 劉希穎. 中國城市化階段的碳排放： 影響因素和減排策略[J]. 經濟研究， 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， 王偉強. “污染避難所假說”在中國真的成立嗎——基于空間VAR模型的實證檢驗[J]. 國際貿易問題， 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]張友國. 碳排放視角下的區域間貿易模式： 污染避難所與要素稟賦[J]. 中國工業經濟， 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]劉飛宇， 趙愛清. 外商直接投資對城市環境污染的效應檢驗——基于我國285個城市面板數據的實證研究[J]. 國際貿易問題， 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