黄河流域能源消费二氧化碳排放时空格局及其影响因素

张佳丽; 武荣伟

doi:10.13205/j.hjgc.202512016

黄河流域能源消费二氧化碳排放时空格局及其影响因素

doi: 10.13205/j.hjgc.202512016

张佳丽¹,
武荣伟^1,2, ,

1. 重庆工商大学公共管理学院, 重庆 400067;
2. 兰州交通大学测绘与地理信息学院, 兰州 730070

基金项目:

重庆市社科基金博士项目（2022BS080）；重庆工商大学高层次人才科研启动项目（2356028）；重庆工商大学校级项目（1956027，2152030）

详细信息

作者简介:
张佳丽（2000—），女，硕士研究生在读，主要研究方向为城市与区域规划。zhangjiali@ctbu.edu.cn

通讯作者:
武荣伟（1989—），男，副教授，博士，主要研究方向为人口地理、城市与区域规划。rongwei@ctbu.edu.cn

计量
- 文章访问数: 6
- HTML全文浏览量: 2
- PDF下载量: 0
- 被引次数: 0
出版历程
- 收稿日期: 2024-08-13
- 录用日期: 2024-10-13
- 修回日期: 2024-09-20
- 网络出版日期: 2026-01-09

Spatio-temporal pattern and influencing factors of CO₂ emissions from energy consumption in the Yellow River Basin

ZHANG Jiali¹,
WU Rongwei^{1,2
, ,}

1. School of Public Administration, Chongqing Technology and Business University, Chongqing 400067, China;
2. Faculty of Geomatics, Lanzhou Jiaotong University, Lanzhou 730070, China

摘要

摘要: 通过黄河流域2000—2022年能源消费数据、人口栅格数据与夜间灯光数据，估算黄河流域地级行政区（以下简称“城市”）CO₂排放量；采用探索性时空数据分析方法，揭示人均CO₂排放的时空格局；借助STIRPAT模型，利用空间面板数据回归方法，揭示黄河流域城市人均CO₂排放的影响因素。结果表明：1）黄河流域人均CO₂排放呈现中游地区高，上游与下游地区低的分布特征；2）2000—2022年，黄河流域城市人均CO₂排放量时空动态呈现总体稳定，局部变化的特征。总体稳定体现在，人均CO₂时空凝聚率为81.5%，未发生关联形态转移的城市占主导地位；局部动态体现在，资源型城市以及部分经济发达地区城市人均CO₂空间关联结构发生变迁，从两类时空跃迁的子类型来看，Type1（10.8%）>Type2（7.7%），表明部分黄河流域城市人均CO₂存在空间关联锁定；3）空间面板数据回归结果表明：黄河流域经济增长与人均CO₂排放量呈正相关；城镇化水平、人口规模、第三产业增加值占GDP比重、固定资产投资占GDP比重、进出口总额占GDP比重与人均CO₂排放呈负相关；而第二产业增加值占GDP比重对人均CO₂排放关系尚不确定。研究结果为黄河流域各地区深度合作、协同减排提供了决策参考，有助于推动黄河流域实现生态保护与高质量发展。
- 人均CO₂排放 /
- 地级城市尺度 /
- ESTDA /
- 区域差异 /
- 黄河流域
Abstract: The Yellow River Basin is an important ecological barrier and energy base in China. Promoting carbon emissions reduction in the Yellow River Basin is of great significance for China to achieve the Dual Carbon Goals. Utilizing energy consumption， population distribution data， and nighttime light data spanning 2000 to 2022 in the Yellow River Basin， this study estimated CO₂ emissions for prefecture-level administrative regions （referred to as cities）. The spatiotemporal pattern of per capita CO₂ emissions was analyzed using exploratory spatiotemporal data analysis （ESTDA） methods. Additionally， an extended STIRPAT model and panel data regression techniques were employed to identify factors influencing per capita CO₂ emissions in these cities. The findings indicate： 1） Per capita CO₂ emissions in the Yellow River Basin exhibit a spatial pattern with higher emissions in the middle reaches， and lower emissions in the upstream and downstream regions. 2） From 2000 to 2022， the spatiotemporal dynamics of per capita CO₂ emissions in cities of the Yellow River Basin generally remained stable with some local changes. The overall stability was reflected in the fact that， from 2000 to 2022， the spatiotemporal cohesion rate of per capita CO₂ emissions was 81.5%， with the dominant proportion not experiencing a change in the associated patterns. Local dynamics were reflected in the shift in spatial association structures of per capita CO₂ emissions in resource-based cities and some economically developed cities. Among the two types of spatiotemporal transitions， Type 1 （10.8%） > Type 2 （7.7%）， indicating that some cities in the Yellow River Basin have experienced spatial association lock-in for per capita CO₂ emissions. 3） The spatial panel regression results show that economic growth is positively correlated with per capita CO₂ emissions in the Yellow River Basin. Urbanization level， population size， the share of the tertiary industry in GDP， the share of fixed asset investment in GDP， and the share of total import and export value in GDP are negatively correlated with per capita CO₂ emissions. The relationship between the secondary industry’s value-added share in GDP and per capita CO₂ emissions remains uncertain. Additionally， the widespread spatial interaction among cities in the Yellow River Basin and the significant spatial lag effect positively promoted per capita CO₂ emissions. Therefore， when formulating low-carbon development strategies， regional differences and spatial interactions should be considered， and each province or region should develop targeted emission reduction policies based on its specific characteristics. The research findings provide decision-making references for deep cooperation and coordinated emission reduction across various regions of the Yellow River Basin， helping to promote ecological protection and high-quality development in the basin.
- per capita CO₂ emissions /
- prefecture level city /
- ESTDA /
- regional differences /
- the Yellow River Basin

HTML全文

参考文献(33)

[1]	IPCC. Summary for Policymakers［M］//MASSON-DELMOTTE V，ZHAI P，PIRANI A，et al. Climate Change 2021：The Physical Science Basis. Contribution of Working Group Ⅰ to the Sixth Assessment Report of the Intergovernmental Panel on Climate Change. Cambridge，United Kingdom； New York，NY，USA：Cambridge University Press，2021：3-32.
[2]	SUN Y. Impact of human activities on climate system：an interpretation of Chapter Ⅲ of WGⅠ report of IPCC AR6［J］. Transactions of Atmospheric Sciences，2021，44（5）：654-657. 孙颖. 人类活动对气候系统的影响：解读 IPCC 第六次评估报告第一工作组报告第三章［J］. 大气科学学报，2021，44（5）：654-657.
[3]	REN H Y，DU R L，XIE G L，et al. Research status of influencing factors and identification methods of carbon emissions in China［J］. Environmental Engineering，2023，41（10）：195-203. 任宏洋，杜若岚，谢贵林，等. 中国碳排放影响因素及识别方法研究现状［J］. 环境工程，2023，41（10）：195-203.
[4]	LIU C M，QIAN X Y. Prediction of carbon emissions from energy consumption in China under the"dual carbon" goal［J］. Resources Science，2023，45（10）：1931-1946. 刘春梅，钱啸吟.“双碳” 目标下中国能源消费碳排放量预测［J］. 资源科学，2023，45（10）：1931-1946.
[5]	XIA S Y，YANG Y. Spatial and temporal differentiation of carbon balance and carbon compensation zoning in the Beijing-Tianjin-Hebei urban agglomeration based on main functional zones［J］. Acta Geographica Sinica，2022，77（3）：679-696. 夏四友，杨宇. 基于主体功能区的京津冀城市群碳收支时空分异与碳补偿分区［J］. 地理学报，2022，77（3）：679-696.
[6]	CHEN Z M，WU S M，MA W B，et al. Driving forces of carbon dioxide emission for China's cities：empirical analysis based on extended STIRPAT Model［J］. China Population，Resources and Environment，2018，28（10）：45-54. 陈占明，吴施美，马文博，等. 中国地级以上城市二氧化碳排放的影响因素分析：基于扩展的 STIRPAT 模型［J］. 中国人口・资源与环境，2018，28（10）：45-54.
[7]	KONG X Y，LI Q. Research progress of spatial estimation of energy carbon emissions［J］. Science of Surveying and Mapping，2022，47（8）：146-156. 孔潇扬，李琦. 能源碳排放的空间估算研究进展［J］. 测绘科学，2022，47（8）：146-156.
[8]	SU Y X，CHEN X Z，YE Y Y，et al. The characteristics and mechanisms of carbon emissions from energy consumption in China using DMSP/OLS night light imageries［J］. Acta Geographica Sinica，2013，68（11）：1513-1526. 苏泳娴，陈修治，叶玉瑶，等. 基于夜间灯光数据的中国能源消费碳排放特征及机理［J］. 地理学报，2013，68（11）：1513-1526.
[9]	CHEN J D，GAO M，CHENG S L，et al. County-level CO₂emissions and sequestration in China during 1997-2017［J］. Scientific Data，2020，7（1）：1-14.
[10]	GHOSH T，ELVIDGE C D，SUTTON P C，et al. Creating a Global Grid of Distributed Fossil Fuel CO₂ Emissions from Nighttime Satellite Imagery［J］. Energies，2010，3（12）：1895-1913.
[11]	OU J，LIU X，LI X，et al. Evaluation of NPP-VIIRS nighttime light data for mapping global fossil fuel combustion co₂emissions：a comparison with DMSP-OLS nighttime light data［J］. PLoS One，2015，10（9）：e0138310.
[12]	GUO B，XIE T T，ZHANG W C，et al. Rasterizing CO₂emissions and characterizing their trends via an enhanced population-light index at multiple scales in China during 2013-2019［J］. Science of the Total Environment，2023，905：166312.
[13]	DU H B，WEI W，ZHANG X Y，et al. Spatio-temporal evolution and influencing factors of energy-related carbon emissions in the Yellow River Basin：based on the DMSP/OLS and NPP/VIIRS nighttime light data［J］. Geographical Research，2021，40（7）：2051-2065. 杜海波，魏伟，张学渊，等. 黄河流域能源消费碳排放时空格局演变及影响因素：基于 DMSP/OLS 与 NPP/VIIRS 夜间灯光数据［J］. 地理研究，2021，40（7）：2051-2065.
[14]	WU Y，SHI K，CHEN Z，et al. Developing improved time-series DMSP-OLS-Like data（1992-2019）in China by integrating DMSP-OLS and SNPP-VIIRS［J］. IEEE Transactions on Geoscience and Remote Sensing，2022，60：1-14.
[15]	CHENG Y，WANG Z，YE X，et al. Spatiotemporal dynamics of carbon intensity from energy consumption in China［J］. Journal of Geographical Sciences，2014，24（6）：1109-1124.
[16]	ELVIDGE C D，ZISKIN D，BAUGH K E，et al. A fifteen-year record of global natural gas flaring derived from satellite data［J］. Energies，2009，2（3）：595-622.
[17]	CHEN H，ZHANG X，WU R，et al. Revisiting the environmental Kuznets curve for city-level CO₂emissions：based on corrected NPP-VIIRS nighttime light data in China［J］. Journal of Cleaner Production，2020，268：121575.
[18]	YE X，REY S. A framework for exploratory space-time analysis of economic data［J］. The Annals of Regional Science，2013，50（1）：315-339.
[19]	ANSELIN L. Local indicators of spatial association—LISA［J］. Geographical Analysis，1995，27（2）：93-115.
[20]	REY S J，MURRAY A T，ANSELIN L. Visualizing regional income distribution dynamics［J］. Letters in Spatial and Resource Sciences，2011，4（1）：81-90.
[21]	YORK R，ROSA E A，DIETZ T. STIRPAT，IPAT and ImPACT：analytic tools for unpacking the driving forces of environmental impacts［J］. Ecological Economics，2003，46（3）：351-365.
[22]	WANG S J，XIE Z H，WANG Z H. The spatiotemporal pattern evolution and influencing factors of CO₂ emissions at the county level of China［J］. Acta Geographica Sinica，2021，76（12）：3103-3118. 王少剑，谢紫寒，王泽宏. 中国县域碳排放的时空演变及影响因素［J］. 地理学报，2021，76（12）：3103-3118.
[23]	CHEN J Q，LI X S，GENG Y W，et al. Mechanism analysis and empirical research on urbanization and carbon emissions in China：based on the perspective of economic development，population transfer，and urban expansion［J］. Journal of Natural Resources，2024，39（6）：1399-1417. 陈姜全，李效顺，耿艺伟，等. 中国城镇化与碳排放机制分析及实证研究：基于经济发展、人口转移和城镇扩张视角［J］. 自然资源学报，2024，39（6）：1399-1417.
[24]	LIU J，GE X，ZHAO Z Y. Research on spatio-temporal evolution of carbon emissions in North China urban agglomeration and its influencing factors［J］. Environmental Engineering，2023，41（10）：204-212. 刘杰，葛潇，赵振宇. 华北城市群碳排放时空演变格局及影响因素研究［J］. 环境工程，2023，41（10）：204-212.
[25]	WEN H X，CHEN Z，YANG Q，et al. Driving forces and mitigating strategies of CO₂emissions in China：a decomposition analysis based on 38 industrial sub-sectors［J］. Energy，2022，245：123262.
[26]	MO M，HAN S L. Does foreign trade contribute to carbon emissions？ Based on the empirical test of ASEAN countries［J］. Journal of Guangxi University（Philosophy and Social Science），2021，43（4）：122-128. 莫敏，韩松霖. 对外贸易会加剧碳排放吗？基于东盟国家的实证检验［J］. 广西大学学报（哲学社会科学版），2021，43（4）：122-128.
[27]	ZHANG H. Strategic interaction of regional environmental regulation：an explanation on the universality of incomplete enforcement of environmental regulation［J］. China Industrial Economics，2016（7）：74-90. 张华. 地区间环境规制的策略互动研究：对环境规制非完全执行普遍性的解释［J］. 中国工业经济，2016（7）：74-90.
[28]	ZHANG H M，YUAN P F，ZHU Z S. The decoupling effect and emission reduction path of carbon emissions in the Yellow River Basin［J］. Resources Science，2022，44（1）：59-69. 张华明，元鹏飞，朱治双. 黄河流域碳排放脱钩效应及减排路径［J］. 资源科学，2022，44（1）：59-69.
[29]	MIAO C H，HU Z Q，GENG F J，et al. Characteristics of economic evolution and the influencing factors of resource-dependent cities in China：the role of path dependence，vulnerability and path creation［J］. Geographical Research，2018，37（7）：1268-1281. 苗长虹，胡志强，耿凤娟，等. 中国资源型城市经济演化特征与影响因素：路径依赖、脆弱性和路径创造的作用［J］. 地理研究，2018，37（7）：1268-1281.
[30]	WANG L C，YANG T T. Types and spatiotemporal change characteristics of population shrinking county seats in the Yellow River Basin［J］. Resources Science，2024，46（2）：336-351. 王录仓，杨婷婷. 黄河流域人口收缩县城类型及其时空演化特征［J］. 资源科学，2024，46（2）：336-351.
[31]	WU R W，WANG Y X，WANG H Y，et al. Spatio-temporal patterns and determinants of highly skilled talents in China，2010-2020［J］. World Regional Studies，2024，33（5）：987-999. 武荣伟，王远鑫，王堠崟，等. 2010—2020 年中国县域高技能人才时空格局及其影响因素［J］. 世界地理研究，2024，33（5）：987-999.
[32]	HAN S S，MIAO C H，LI Y C. Effects of urban polycentric spatial structure on carbon emissions in the Yellow River Basin［J］. Geographical Research，2023，42（4）：936-954. 韩帅帅，苗长虹，李奕灿. 黄河流域城市多中心空间结构对碳排放的影响研究［J］. 地理研究，2023，42（4）：936-954.
[33]	ZHANG K Y，ZHANG Y. The evolution of regional economic disparity in the Yellow River Basin at different spatial scales［J］. Economic Geography，2020，40（7）：1-11. 张可云，张颖. 不同空间尺度下黄河流域区域经济差异的演变［J］. 经济地理，2020，40（7）：1-11.