中國服務業碳排放強度時空格局及影響因素

王凱 唐小惠 甘暢 劉浩龍

摘要服務業碳排放強度是衡量服務業生態文明建設質量的重要標尺。首先，基于IPCC碳排放核算方法對1995—2018年中國服務業碳排放強度進行測算；其次，運用空間自相關分析探討中國服務業碳排放強度的空間關聯特征；最后，借助EKC曲線和IPAT模型，以人口密度、經濟發展水平、技術水平、產業結構和能源結構為解釋變量，運用地理加權回歸模型對中國服務業碳排放強度進行影響因素分析。研究結果表明：①1995—2018年中國服務業碳排放強度均值由1. 43 t/萬元下降至0. 22 t/萬元，年均降幅為3. 53%，1995—2000年為高速下降階段，2000—2018年為緩慢下降階段；空間上呈現出“北高南低、西高東低”的分布格局，多數省份的服務業碳排放強度低于全國平均水平。②中國服務業碳排放強度存在顯著空間正向相關性，表現為先增強后減弱再增強的演變特征；空間關聯類型以H-H型集聚和L-L型集聚為主，空間關聯格局優化趨向顯著，L-H型集聚和H-L型集聚的省份不斷減少，L-L型集聚的省份不斷增多。③各影響因素對服務業碳排放強度均存在顯著影響，產業結構和能源結構產生正向影響，人口集聚、經濟發展水平和技術水平產生負向影響；影響程度由強到弱依次為技術水平、產業結構、能源結構、經濟發展水平和人口密度。因此，各級政府應通過自下而上落實各項節能減排舉措、建立健全區域協作機制、提高資源配置效率等途徑謀求服務業低碳化發展。

關鍵詞 服務業；碳排放強度；時空格局；影響因素；地理加權回歸

中圖分類號F719文獻標識碼A文章編號1002-2104（2021）08-0023-09DOI：10. 12062/cpre. 20200435

基金項目：湖南省自然科學基金項目“世界遺產地景區企業低碳行為的影響機理及優化路徑：張家界案例”（批準號：2018JJ2259）；湖南省國內一流培育學科建設項目“地理學”（批準號：5010002）。

溫室氣體排放是引致全球氣候變暖的重要原因，世界各國圍繞全球氣候變暖的博弈持續加劇。中國作為最大的發展中國家，面臨溫室氣體減排和低碳產業競爭的雙重壓力與挑戰，在外部國際輿論壓力和國家政策的支持下，第一產業和第二產業早已率先走上節能減排之路。新世紀以來，中國服務業產值逐年攀升，服務業已成為助推中國國民經濟高質量發展的重要支撐。隨著工農業節能減排的邊際效益日益遞減，充分挖掘服務業的節能減排潛力已成為學界和業界的重要內容。在產業發展和能源合理利用的雙重約束下，服務業碳排放強度是衡量服務業節能減排成效的重要指標。探尋中國服務業碳排放強度的時空格局及其影響因素對于充分挖掘服務業減排潛力、合理規劃服務業發展方向、加速服務業生態文明建設進程具有重要意義。

1文獻綜述

碳排放強度作為衡量經濟發展與生態環境之間和諧關系的重要標尺，已被廣泛應用于工農業[1-4]以及區域經濟、城市經濟發展[5-6]的生態影響評估中，研究內容包括碳排放強度測算[7]、時空演變特征刻畫[8]、空間效應檢驗[9-10]以及驅動因素探討[11]等諸多方面。受限于服務業發展對資源環境影響的認識偏差和服務業能源消費數據的獲取難度[12]，服務業碳排放的相關研究起步較晚，研究主題大多拘囿于服務業碳排放量[13]和碳排放效率[14-16]的測度，并逐漸延伸至時空格局[17-18]、影響因素[19-21]和驅動機制[22]等方面；研究尺度多基于宏觀層面，諸如全球[17]、國家[19]、省域[15]等，中、微觀尺度較少涉及；研究方法上，服務業碳排放量和碳排放效率的測度分別以IPCC碳排放核算方法[12]和數據包絡分析方法[16]占據主流，影響因素和驅動機制的研究主要是基于LMDI模型[19]或EKC模型[18]進行簡單因素分解。其中：Isabela等[23]和Wang等[24]分別運用投入產出分析法和數據包絡分析方法測算了西班牙和中國的服務業碳排放量和碳排放效率；王凱等基于IPCC碳排放核算方法對中國服務業人均碳排放量進行核算，指出中國服務業人均碳排放量持續上升，且東部地區服務業人均碳排放量顯著高于中西部地區[18]；Yuan等利用投入產出分解子系統探析了區域服務業的碳排放模式和驅動機制，指出需求和技術是影響北京市服務業碳排放量變化的主要因素[25]。

前述研究為文章拓寬研究視角、深化研究內容奠定了堅實的理論基礎，但也存在明顯不足：首先，服務業碳排放的研究大多局限于碳排放量或碳排放效率，忽視了服務業經濟增長與能源消耗之間動態關系的探討；其次，盡管部分學者對服務業碳排放量或者碳排放效率的影響因素進行了初步剖析，但影響因素選取較片面，實證分析也有待深入。鑒于此，文章引入碳排放強度這一將經濟增長和能源消耗有效聯接的重要生態平衡衡量指標，基于IPCC碳排放核算方法對中國1995—2018年服務業碳排放強度進行測度，并運用空間自相關等方法探尋其時空格局演變特征，最后借助EKC曲線和IPAT模型合理選取解釋變量，采用地理加權回歸模型對其影響因素進行深入探討，以期為制定和落實各項服務業節能減排舉措、建立健全區域減排協作機制等提供有益啟示。

2研究方法與數據來源

2. 1研究方法

2. 1. 1服務業碳排放強度測算

式中：i表示省份；t表示年份；j表示能源消費類型；Ait為i省份第t年的服務業碳排放總量；Eijt為i省份第t年第j類能源的消費量；αj為第j類能源的碳排放系數，即每消耗1kg第j類能源所產生的碳排放量；Qit為i省份第t年的服務業碳排放強度；Yit為i省份第t年的服務業產值。能源消費類型由《中國能源統計年鑒》[27]獲取，各類型能源的碳排放系數根據其平均低位發熱量以及《2006年IPCC溫室氣體排放清單指南》中所使用的碳排放因子[26]計算得出（表1）。

2. 1. 2服務業碳排放強度空間關聯特征分析

采用空間自相關分析法來剖析中國服務業碳排放強度的空間關聯特征。運用全局空間自相關（Global Mo？ ran’s I）對其空間相關性進行檢驗，以刻畫其空間自相關特征的演變趨勢。運用局部空間自相關（Local Moran’s I）來探析各省份與其相鄰省份服務業碳排放強度的空間關聯類型與空間關聯格局，公式如下：

2. 2數據來源

文章測算了1995—2018年中國30個省份的服務業碳排放強度，西藏、香港、澳門和臺灣地區由于數據獲取困難，故未包括在此次研究范圍之內。各類型能源的碳排放因子來源于《2006年IPCC溫室氣體排放清單指南》，碳排放系數根據其平均低位發熱量及其碳排放因子計算得出。相關數據來源于1996—2019年《中國統計年鑒》《中國能源統計年鑒》《中國第三產業統計年鑒》和各省份統計年鑒，個別缺失數據采用鄰近年份數值進行線性插補。

3實證分析

3. 1服務業碳排放強度測算

從時間上看，1995—2018年，中國服務業碳排放強度均值由1. 43 t/萬元下降至0. 22 t/萬元，年均降幅為3. 53%。吉林、內蒙古、甘肅等西部和東北省份的服務業碳排放強度處于較高水平，在研究期內下降幅度均在2. 00 t/萬元以上，對中國總體服務業碳排放強度降低的貢獻較大。江蘇、浙江、安徽等省份的服務業碳排放強度在研究基期已低于全國平均水平，且在研究期內長期處于較低水平，下降幅度均在0. 50 t/萬元以下。分階段來看，1995—2000年（高速下降階段），服務業碳排放強度由1. 43 t/萬元降至0. 76 t/萬元，年均降幅為9. 37%，下降幅度較大；2000—2018年（緩慢下降階段），服務業碳排放強度由0. 76 t/萬元下降至0. 22 t/萬元，年均下降速度為3. 74%，呈小幅度平穩下降趨勢。這一方面得益于國家總體節能減排方略的強力推進和服務業節能減排政策體系的不斷完善，也與各級政府充分意識到國內生態環境的嚴峻形勢和節能減排的迫切需要，嚴格落實能源消費總量控制目標，促進能源消費結構調整升級密切相關。

從空間上看，中國服務業碳排放強度呈現“北高南低、西高東低”的分布格局（圖1）。東部各省份服務業碳排放強度均較低，為服務業碳排放低強度區；西部各省份服務業碳排放強度相對較高，為服務業碳排放高強度區；中部和東北地區服務業碳排放高強度省份和低強度省份同時存在，為服務業碳排放高強度區和低強度區的過渡地帶。多數省份的服務業碳排放強度均值低于全國平均水平，其中：北京、上海、廣東等12個省份的服務業碳排放強度均值在0. 50 t/萬元以下；內蒙古、吉林、貴州等5個省份的服務業碳排放強度均值在1. 00 t/萬元以上。值得注意的是，天津的服務業碳排放強度在研究基期居全國前列，與其所擁有的產業結構優勢不符，原因在于其在研究基期尚未開始產業轉移、經濟發展主要依靠高耗能產業，此后逐步將能源密集型產業轉移至內蒙古、甘肅等地，并通過政策、資金扶持大力發展服務業，加上能源利用技術水平顯著提升，服務業碳排放強度由2. 84 t/萬元下降至0. 11 t/萬元，由高強度區躋身于低強度區行列。

3. 2服務業碳排放強度空間格局演化

3. 2. 1全局空間格局演化

1995—2018年，中國服務業碳排放強度的全局Mo？ ran’s I值均大于零，并在[0. 22，0. 50]內大致經歷了“上升—下降—上升”3個階段（表2），表明中國服務業碳排放強度存在顯著空間正向相關性，且其相關性強弱呈現先增強后減弱再增強的演變特征。分階段來看：1995—2007年，全局Moran’s I指數在[0. 22，0. 50]內波動上升，服務業碳排放強度空間正向相關性增強，空間集聚特征顯著增強；2007—2014年，全局Moran’s I指數在[0. 29，0. 50]內波動下降，服務業碳排放強度空間正向相關性出現短暫性減弱態勢，空間集聚特征減弱；2014—2018年，全局Moran’s I指數在[0. 29，0. 34]內持續上升，服務業碳排放強度空間正向相關性不斷增強，空間集聚特征又再次增強。

3. 2. 2局部空間格局演化

分別繪制1995、2002、2010和2018年的Moran’s I散點圖（圖2），將各省份服務業碳排放強度的空間關系劃分為4種類型：L-L（低-低）型、L-H（低-高）型、H-L（高-低）型和H-H（高-高）型。4個時間截面中，L-L型、L-H型、H-L型和H-H型省份數量所占比例分別為39%、21%、6%和33%，L-L型和H-H型共占72%，L-H型和H-L型共占28%，表明中國服務業碳排放強度存在明顯空間聚類現象。H-H型和L-L型分布廣泛，是服務業碳排放強度空間關聯的主要類型，且空間集聚格局優化趨勢漸顯，L-L型省份數量逐漸增多，并逐漸向西、向北擴散；L-H型和H-L型省份數量逐漸減少，由無規律分散分布逐漸轉向在中部地區的少數省份集中分布，形成H-H型和L-L型之間的“隔離分異”地帶。

（1）H-H型省份占比無明顯變化，主要分布于西部和東北地區，這與服務業碳排放高強度省份的空間分布格局基本一致。其中：內蒙古、青海、新疆和貴州4省份始終處于H-H型集聚區，為中國服務業碳排放高強度集聚核心區；吉林、遼寧、云南、甘肅、寧夏等鄰近省份在H-H型集聚區中頻次高，與內蒙古、青海、新疆和貴州4省份共同構成中國服務業碳排放高強度集聚區。

（2）L-L型省份占比由1995年的33%提升至2018年的39%，主要分布于東部和中部地區且始終連接成片，并逐漸由東部地區向中部地區擴散，這與服務業碳排放低強度省份的空間分布格局基本一致。其中：江蘇、浙江、安徽、福建、江西、山東和河南7省份始終處于L-L型集聚區，為中國服務業碳排放低強度集聚核心區；北京、天津和上海等鄰近省份在L-L型集聚區中的頻次較高，與江蘇、浙江、安徽、福建、江西、山東和河南等7省份共同構成中國服務業碳排放低強度集聚區。

（3）L-H型省份占比由1995年的30%下降至2018年的21%，主要分布于西部地區，并由無規律分散分布向西部地區集中分布轉變。其中：四川始終處于L-H型集聚區，河北、湖南、廣東等省份在L-H型集聚區中頻次較高。上述省份服務業碳排放強度較低，與鄰近的內蒙古、貴州、青海等碳排放高強度省份形成空間分異，在空間格局上呈現出中間低、四周高的分布形態。

（4）H-L型省份占比始終較低，主要包括天津、上海、山西、湖北和廣東5個省份，上述省份在研究期內都經歷過服務業高碳排放強度階段，與鄰近的北京、江西、江蘇等碳排放低強度省份形成空間分異，在空間格局上呈現中間高、四周低的分布形態。同時，這5個省份分別在不同年份由H-L型轉變為L-L型，原因在于研究期內這些省份服務業碳排放強度明顯降低，與鄰近的福建、江蘇、江西等碳排放低強度省份連接成片，形成L-L型集聚，使得L-L型集聚區范圍不斷擴大。

3. 3服務業碳排放強度影響因素分析3. 3. 1影響因素選取

EKC曲線和IPAT模型均強調人口密度、富裕程度和技術水平對環境的重要影響[5，28]。人口密度通過規模效應和集聚效應分別促使能源消費總量增加和人均消費量降低[6]。EKC曲線表明，財富增長的過程也是環境質量變化的過程[5]。技術水平通過提高能源利用效率降低單位GDP所產生的能源消耗[5-6]。產業結構優化是衡量服務業發展層次的重要標尺，服務業的發展層次對生態環境和能源利用具有重要影響[4-6]。能源結構對服務業碳排放強度產生直接影響，煤炭、石油等化石能源過多使用將導致大量二氧化碳排放，而風能等清潔能源的污染程度較低[4]。

綜上所述，參照EKC曲線和IPAT模型，同時參考劉賢趙等[5]和王少劍等[6]等的研究成果，選取人口密度、經濟發展水平、技術水平、產業結構和能源結構5個解釋變量對服務業碳排放強度進行影響因素分析（圖3）。分別以各省份的人口密度（萬人/km2）、人均GDP（萬元）、研究與事業發展經費支出占地區生產總值比重（%）、第三產業產值占GDP比重（%）和服務業煤炭消費量占能源消費總量的比重（%）予以表征[5-6]。

3. 3. 2影響因素的時空異質性分析

選取研究基期和末期兩個時間截面對服務業碳排放強度進行地理加權回歸分析，根據回歸結果（圖4）對各影響因素進行詳細分析：

（1）人口密度。人口密度與服務業碳排放強度的關系由在全國范圍內均存在負向影響逐漸轉變為正向影響，僅甘肅、青海和新疆3省份在2018年呈現微弱負向影響，影響程度由由南向北遞增轉變為由北向南遞增。人口密度對碳排放的影響表現為規模效應和集聚效應，規模效應促使碳排放總量增加，集聚效應則使得人均碳排放量降低[4]。研究期內，集聚效應逐漸強于規模效應，人口密度與服務業碳排放強度的關系逐漸轉移至EKC曲線右側；影響程度大小與各省份的人口密度并不一致，這表明集聚效應并不是隨人口密度的增加呈直線上升，可能與不同人口密度下規模效應和集聚效應的不同強弱態勢有關。

（2）經濟發展水平。經濟發展水平對服務業碳排放強度的影響由正向轉變為負向，影響程度總體呈現由西北向東南遞增態勢。經濟發展通過速度加快和方式轉變對碳排放施加影響，前者可能引致碳排放總量的急速攀升，導致碳排放強度居高不下，而后者則更多通過發展方式優化和發展質量提升來降低碳排放強度，這表明國內生態環境形式的日益嚴峻、節能減排意識的逐漸增強，使得各級政府逐漸摒棄高耗能發展方式，經濟發展對服務業碳排放強度的抑制作用逐漸顯露；影響程度由西北向東南遞增也與中國東西部地區經濟發展水平基本吻合。

（3）技術水平。技術水平對服務業碳排放強度始終呈現顯著負向影響，影響程度由東向西遞增。技術水平提升是降低能源損耗和提高能源利用效率的關鍵因素，技術進步對碳排放強度的抑制效用顯著；影響程度由東向西遞增的分布格局與技術水平相反，說明技術水平低下導致的能源利用效率低是目前中西部地區服務業碳排放強度高居不下的主要原因，也從側面印證了提高技術水平將是未來中西部地區服務業節能減排的重要抓手。

（4）產業結構。產業結構對服務業碳排放強度始終呈現顯著正向影響，影響程度由由北向南遞增轉變為由南向北遞增。當前中國產業結構亟待轉型升級，產業結構的正向外部示范效應并不明顯，因而未對服務業碳排放強度產生抑制作用；影響程度大小的空間分異變化與各省份所處的產業結構調整階段相關，產業結構調整初期，服務業盲目擴張導致碳排放強度較大，而隨著發展方式的優化升級，產業結構對碳排放強度的正向影響減弱，因此，在研究基期南部省份的影響程度較強，研究末期轉變為北部省份的影響程度較強。

（5）能源結構。能源結構對服務業碳排放強度始終呈現顯著正向影響，影響程度總體呈現由東北向西北和西南遞增的態勢。在空間分布上影響程度雖然有所變化，但從各省份的回歸系數來看，能源結構對服務業碳排放強度的影響程度變化較小。這表明在全國范圍內，不合理的能源消費結構是服務業碳排放強度降低的重要阻礙，以煤炭為代表的強污染性能源的過度消費嚴重阻礙服務業碳排放強度降低。

4結論與啟示

基于1995—2018年服務業能源消費數據，運用IPCC碳排放核算方法對中國30個省份的服務業碳排放強度進行測算，并運用空間自相關分析和地理加權回歸模型等方法對中國服務業碳排放強度時空演變特征及其影響因素進行分析，主要研究結論及政策建議如下：

（1）1995—2018年，中國服務業碳排放強度顯著降低，服務業碳排放強度均值由1. 43 t/萬元下降至0. 22 t/萬元，年均下降幅度為3. 53%，1995—2000年為高速下降階段，2000—2018年為緩慢下降階段；空間上呈現“北高南低、西高東低”的分布格局，東部為服務業碳排放低強度區，西部為服務業碳排放高強度區，中部和東北地區為服務業碳排放高強度區和低強度區的過渡地帶，多數省份的服務業碳排放強度低于全國平均水平。因此，首先國家層面應制定服務業減排長期目標和短期目標，并分級落實到各省；其次各省應嚴格執行中央減排政策和規劃，精準定位、合理施策，積極探索差異化的服務業減排政策和措施，東部服務業碳排放低強度省份應打造服務業生態產業集群；中西部服務業碳排放高強度省份應以轉換能源結構為重點，淘汰高能耗產業。

（2）中國服務業碳排放強度存在顯著空間正向相關性，表現為先增強后減弱再增強的演變特征；服務業碳排放強度空間依賴特征顯著，空間關聯類型以H-H型集聚和L-L型集聚為主，空間關聯格局優化趨向顯著，L-H型集聚和H-L型集聚的省份不斷減少，L-L型集聚的省份不斷增多，并逐漸由東部地區向中部地區擴散。因此，應建立健全區域協作機制，促進中央和地方各級政府之間的協作，明確東、中、西部地區的服務業減排優勢和劣勢，推動東、中、西部地區區域協調聯動減排；東部服務業碳排放低強度省份應充分發揮示范作用，增強對中、西部地區的技術溢出；中、西部服務業碳排放高強度省份應合理借鑒東部服務業碳排放低強度省份的服務業減排經驗，在聯防聯治機制下謀求服務業可持續發展長效共贏。

（3）人口密度、經濟發展水平、技術水平、產業結構和能源結構對服務業碳排放強度均存在顯著影響。產業結構和能源結構產生正向影響，人口集聚、經濟發展水平和技術水平產生負向影響；影響程度由強到弱依次為：技術水平>產業結構>能源結構>經濟發展水平>人口密度。因此，各級政府均應提高資源配置效率，摒棄高消耗、高投入、高污染的傳統發展模式，走綠色、低碳、環保的循環發展道路；充分發揮人口集聚、經濟發展和規模報酬遞增帶來的減排效應，積極推廣太陽能和風能等新能源，加速能源消費結構調整升級；通過財政扶持、稅收減免和人才激勵等措施推動服務業低碳減排技術的發展，加速服務業低碳技術應用和推廣，利用現代科技助推服務業可持續發展。

文章引入碳排放強度對中國服務業經濟增長和能源消耗的長期動態關系進行有效探析，對于中國轉變服務業發展方式具有重要意義。但本研究也存在以下不足：第一，服務業碳排放強度演變涉及國家宏觀調控、產業結構升級等國家和區域聯動因素，此次研究基于省際層面，將各省份作為一個獨立樣本來探討其時空格局演變，尚未明晰中國整體服務業碳排放強度的演化特征；第二，此次研究選用地理加權回歸模型進行影響因素分析，由于模型限制，僅截取了研究基期和研究末期兩個時間截面進行回歸分析，尚未充分考慮各影響因素的時序演變特征，以上均是后續研究的重點。

參考文獻

[1]韓會慶，王世堯，馬庚，等.我國農業碳排放強度與農業經濟空間相關性研究[J].水土保持研究，2018，25（5）：269-274，281.

[2]顏廷武，田云，張俊飚，等.中國農業碳排放拐點變動及時空分異研究[J].中國人口？資源與環境，2014，24（11）：1-8.

[3]趙濤，田莉，許憲碩.天津市工業部門碳排放強度研究：基于LM？ DI-Attribution分析方法[J].中國人口·資源與環境，2015，25（7）：40-47.

[4]田華征，馬麗.中國工業碳排放強度變化的結構因素解析[J].自然資源學報，2020，35（3）：639-653.

[5]劉賢趙，高長春，張勇，等.中國省域碳強度空間依賴格局及其影響因素的空間異質性研究[J].地理科學，2018，38（5）：681-690.

[6]王少劍，黃永源.中國城市碳排放強度的空間溢出效應及驅動因素[J].地理學報，2019，74（6）：1131-1148.

[7]阿依吐爾遜·沙木西，艾力西爾·亞力坤，劉曉曼，等.烏魯木齊土地利用碳排放強度時空演變研究[J].中國農業資源與區劃，2020，41（2）：139-146.

[8]夏四友，趙媛，許昕，等.近20年來中國農業碳排放強度區域差異、時空格局及動態演化[J].長江流域資源與環境，2020，29（3）：596-608.

[9]ZHAO X T，WESLEY B，JERALD J，et al. Spatial analysis of Chi？ na province-level CO2 emission intensity[J]. Renewable and sus？ tainable energy reviews，2014（33）：1-10.

[10]趙桂梅，耿涌，孫華平，等.中國省際碳排放強度的空間效應及其傳導機制研究[J].中國人口·資源與環境，2020，30（3）：49-55.

[11]TANG Z，MEI Z，LIU W，et al. Identification of the key factors af？ fecting Chinese carbon intensity and their historical trends using random forest algorithm[J]. Journal of geographical sciences，2020，30（5）：743-756.

[12]王凱，李娟，席建超.中國服務業能源消費CO2排放及其因素分解[J].環境科學研究，2013，26（5）：576-582.

[13]RUI X，TATSUYA H，YUKO K，et al. Estimating energy service demand and CO2emissions in the Chinese service sector at provin？ cial level up to 2030[J]. Resources，conservation and recycling，2018，134（7）：347-360.

[14]MULDER P，DE GROOT H L F，PFEIFFER B. Dynamics and de？ terminants of energy intensity in the service sector：a cross？coun？ try analysis，1980—2005[J]. Ecological economics，2014，100（4）：1-15.

[15]王許亮，王恕立，滕澤偉.中國服務業碳生產率的空間收斂性研究[J].中國人口·資源與環境，2020，30（2）：70-79.

[16]王恕立，滕澤偉，劉軍.中國服務業生產率變動的差異分析：基于區域及行業視角[J].經濟研究，2015，50（8）：73-84.

[17]王許亮，王恕立.服務業能源生產率變遷及收斂性分析：基于全球40個經濟體細分行業數據的經驗研究[J].數量經濟技術經濟研究，2018，35（1）：42-59.

[18]王凱，肖燕，劉浩龍，等.中國服務業CO2排放的時空特征與EKC檢驗[J].環境科學研究，2016，29（2）：306-314.

[19]王凱，李娟，唐宇凌，等.中國服務業能源消費碳排放量核算及影響因素分析[J].中國人口·資源與環境，2013，23（5）：21-28.

[20]LAM T N T，WAN K K W，WONG S L，et al. Impact of climate change on commercial sector air conditioning energy consumption in subtropical Hong Kong[J]. Applied energy，2009，87（7）：2321-2327.

[21]LI L，XUE F，KE P. A spatial panel analysis of carbon emissions，economic growth and high？technology industry in China[J]. Struc？ tural change and economic dynamics，2019（6）：83-92.

[22]MA M，CAI W. Do commercial building sector-derived carbon emissions decouple from the economic growth in tertiary industry：a case study of four municipalities in China[J]. The science of the total environment，2019，650（1）：822-834.

[23]ISABELA B，MARIA L. Structural decomposition analysis and in？ put–output subsystems：changes in CO2emissions of Spanish ser？ vice sectors（2000—2005）[J]. Ecological economics，2011，70（11）：2012-2019.

[24]WANG R，HAO J X，WANG C，et al. Embodied CO2emissions and efficiency of the service sector：evidence from China[J]. Jour？ nal of cleaner production，2020，274（20）：116-129.

[25]YUAN R，ZHAO T，XU J. A subsystem input-output decomposi？ tion analysis of CO2emissions in the service sectors：a case study of Beijing，China[J]. Environment development and sustainabili？ ty，2017，19（6）：2181-2198.

[26]IPCC. IPCC guidelines for national green gas inventories：volumeⅡ[EB/OL]. Kanagawa：IGES，（2008-07-20）[2012-08-19]. http：www.ipcc.ch/ipccreports/Methodology-reports.htm.

[27]中華人民共和國國家統計局.中國能源統計年鑒[M]北京：中國統計出版社，2010.

[28]王永剛，王旭，孫長虹，等.IPAT及其擴展模型的應用研究進展[J].應用生態學報，2015，26（3）：949-957.

Temporal？spatial evolution and influencing factors of carbon emission intensity of China？s service industry

WANG Kai1，TANG Xiaohui1，GAN Chang1，LIU Haolong2

（1. College of Tourism， Hunan Normal University， Changsha Hunan 410081， China； 2. Institute of Geographic Sciences and Natural Resources Research， Chinese Academy of Sciences， Beijing 100101， China）

AbstractThe carbon emission intensity of the service industry is an important index to measure the harmonious relationship between the development of service industry and the ecological environment. First， the carbon emission intensity of China？s service industry was calculated from 1995 to 2018 by means of the reference approach introduced by the IPCC. Then， spatial auto？correlation was used to an？ alyze its spatial correlation feature. Finally， based on the EKC and the IPAT model， taking population density， economic development， technology， industrial structure and energy structure as explanatory variables， this study assessed the influencing factors of the carbon emission intensity of China？s service industry by means of the GWR model. The results showed that：①The carbon emission intensity of China？s service industry decreased from 1.43 tons per 10 000 yuan to 0.22 tons per 10 000 yuan during 1995-2018 with an average an？ nual decrease of 3.53%. The period of high？speed descent was 1995 to 2000， and the period of slow descent was 2000 to 2018. The car？ bon emission intensity of China？s service industry was high in the northwestern region while low in the southeastern region， and that in most provinces was below the national average.②There was significant spatial positive auto？correlation of carbon emission intensity of China？s service industry. The spatial positive auto？correlation went through three stages： strengthening， weakening and strengthening again. The main spatial correlation types of carbon emission intensity of China？s service industry were？H？H？and？L？L？agglomeration models. The spatial agglomeration of carbon emission intensity in China？s service industry presented an obvious trend of optimization； the provinces with？L？H？and？H？L？agglomeration model decreased， while the ones with？L？L？agglomeration model increased and spread from the eastern region to the central region.③Each influencing factor had significant influence on the carbon emission intensity of the service industry. Industrial structure and energy structure had positive effect on the carbon emission intensity of the service industry， while population density， economic development and technology had obvious negative effect on it and technology was the most impor？ tant factor affecting the carbon emission intensity of the service industry. The degree of influence was shown in a descending order of technology， industrial structure， energy structure， economic development， and population density. Therefore， the central government and local governments should implement energy？saving and emission？reduction measures from the bottom up， establish and improve region？ al cooperation mechanisms， and improve the efficiency of resource allocation to achieve low？carbon development of the service industry. Key wordsservice industry； carbon emission intensity； temporal？spatial evolution； influencing factor； GWR model

（責任編輯：于杰）