城市居民生活碳排放及影響因素的時空異質性

許嘉俊 ,楊曉軍 ,李 睿 (.武漢大學經濟與管理學院,湖北 武漢 430072；2.中南財經政法大學經濟學院,湖北 武漢 430073)

隨著中國經濟發展以及居民消費水平不斷提高,居民生活碳排放已成為中國最大的碳排放來源.聯合國氣候變化政府間專家委員會(IPCC)的第六次評估報告顯示,居民消費產生的碳排放量占中國碳排放總量的40%～50%.現有碳排放的研究主要集中在時空特征和影響因素兩方面.在時空特征方面,已有研究主要聚焦于總碳排放或生產側碳排放,而較少研究居民生活碳排放.其中,絕大部分文獻基于省級層面數據探討居民生活碳排放的時空格局[1-4],少數文獻聚焦于特定區域的城市[5-6].在影響因素方面,現有文獻通?；贗PAT 或STIRPAT 模型,將人口、經濟和技術等要素作為碳排放的主要影響因素[7-9].此外,也有文獻采用對數平均權重分解法(LMDI)定量解析各影響要素對碳排放變化的貢獻[10].在采取計量回歸模型研究中,絕大部分是基于全局線性模型考察各影響因素的作用,側重于全局平均處理效應的估計,但未能考察模型參數在局部空間的時空異質性特征[11-14].

綜上,基于2006～2020 年中國城市居民生活碳排放數據,本文使用地圖可視化和莫蘭指數分析中國城市居民生活碳排放的時空演變特征,運用橢圓標準差和空間馬爾科夫鏈刻畫城市居民生活碳排放的空間路徑遷移,采用時空地理加權(GTWR)模型探究各影響因素對不同城市在不同發展階段的居民生活碳排放的作用效果,旨在為城市居民生活碳減排策略提供啟示,以實現更加精準化的減排效果.

1 研究方法與數據來源

1.1 研究方法

1.1.1 居民生活碳排放量測算 由于各地級市并未公布居民生活碳排放數據,本文借鑒丁凡琳等[15]、曹翔等[16]的做法,從用電、用氣、交通和供暖4 個方面測算居民生活碳排放量,具體公式為:

式中:Ci為城市i 的居民生活碳排放總量;CEi為用電碳排放量;CGi為用氣碳排放量;CTi為交通碳排放量;CHi為供暖碳排放量.具體地,

式中:CEi為城市i 的居民生活用電量;EF1a為城市所屬電網a 的碳排放因子;a 取值范圍為1～6,代表中國的六大電網.

式中:GC1i和GC2i分別為城市i 的家庭液化氣和煤油氣用量;NVI1和NVI2分別為其發熱值(50179MJ/t和 51498MJ/t);EF2和 EF3分別為其碳排放因子(0.06307kg/MJ 和0.0561kg/MJ);M3為煤氣的密度(0.45kg/m3).

式中: Bni分別為城市i 公交車、出租車和私家車的數量;Ln、 λn和EF4n分別為其年行程里程數、百公里耗油數和碳排放系數(2.314kg/L).

式中:Si為城市i 的家庭供暖面積;Ni為城市i 單位面積供暖的耗煤量;EF5為標準煤的碳排放因子(2.46kgCO2/kg).

1.1.2 空間自相關 基于中國城市居民生活碳排放量,本文運用空間自相關分析,探索居民生活碳排放的空間關聯特征.空間自相關分析用于確定空間上的依賴關系,一般采用莫蘭指數來衡量,主要包括全局空間自相關和局域空間自相關.本文采用全局莫蘭指數,以衡量居民生活碳排放總體空間相關性.為進一步識別局部居民生活碳排放的集聚區位,采用局部空間自相關方法,綜合局部的顯著水平和散點圖可得到LISA 空間聚類地圖,用以識別城市居民生活碳排放高-高集聚區和低-低集聚區,具體計算公式可參照范丹等[17].

1.1.3 標準差橢圓 標準差橢圓是一種用于表示地理數據空間分布方向性特征的可視化工具.通過觀察以橢圓中心、方位角、長半軸、短半軸為基本參數的空間分布橢圓來定量描述研究對象的空間分布態勢與演化特征[18].由橢圓中心作為起點,計算要素x坐標和y坐標的標準差,從而定義橢圓.利用標準差橢圓可以查看地理數據的中心性、展布性、方位、形狀與密集性.本文使用ArcGIS10.2 軟件計算居民生活碳排放數據的標準差橢圓,并進一步分析城市居民生活碳排放中心的時空遷移特征,具體公式參照郭政等[18].

1.1.4 空間馬爾科夫鏈 在傳統的馬爾科夫鏈中,轉移概率只取決于當前狀態,而空間馬爾科夫鏈引入了空間鄰域的概念,還考慮了鄰域類型對轉移概率的影響,即轉移概率不僅依賴于當前狀態,還依賴于鄰域的狀態.本文采用空間馬爾科夫鏈衡量考慮相鄰城市影響下某城市居民生活碳排放等級是否發生轉移及其概率,以更好地反映中國城市居民生活碳排放的動態演進,具體公式參照穆學青等[19].

1.1.5 時空地理加權回歸模型 Huang 等[20]在地理加權回歸(GWR)模型的基礎上加入時間效應,構建了時空地理加權回歸模型(GTWR),該模型能夠從時間和空間兩個維度上捕捉不同參數的變異情況,從而能夠識別時空非平穩性.為此,本文采用GTWR模型,探究各影響因素對不同城市在不同發展階段的城市居民生活碳排放的作用效果,具體公式參照Huang 等[20].

1.1.6 核密度估計 核密度估計是一種研究空間不等值分布的工具,它使用密度曲線來描述變量在不同年份的分布模式.本文采用核密度估計法來繪制GTWR 模型系數的動態分布及演變趨勢,具體計算公式參照崔丹等[21].

1.2 指標選取與數據來源

1.2.1 指標選取 對于居民生活碳排放影響因素的選擇,本文依據Dietz 等[22]提出的STIRPAT 模型,采用人口密度反映人口因素;采用實際人均GDP(以2006 年為基期進行平減處理)來表示經濟發展水平;采用地級市的研發投入占GDP 的比重作為技術投入指標.此外,將對外開放水平、產業結構和環境規制強度等變量也引入模型[23].其中,借鑒楊友才等[24]的研究,采用實際使用外資(以2006 年為基期進行平減處理)衡量對外開放水平;參考曹翔等[16]的做法,采用第三產業和第二產業增加值之比衡量產業結構;借鑒陳詩一等[23]的研究,采用各地級市政府工作報告的環保詞頻衡量環境規制強度.

1.2.2 數據來源 考慮到變量的可獲得性或統計口徑的一致性,本文的研究樣本為2006～2020 年中國283個城市的面板數據(不包括西藏、港澳臺地區).相關數據主要來自于歷年《中國城市統計年鑒》、《中國城市建設統計年鑒》、《中國區域經濟統計年鑒》以及各地級市統計年鑒、國民經濟與社會發展統計公報和政府工作報告等資料.碳排放系數來源于聯合國政府間氣候變化專門委員會(IPCC)2006年公布的排放系數表,六大電網的碳排放因子數據來源于《中國區域電網二氧化碳基準線排放因子》.為消除數據的異方差,本文對變量進行了對數化處理,個別缺失數據采用插值法填補.

2 結果與討論

2.1 居民生活碳排放的時空特征

2.1.1 城市居民生活碳排放的時空分布 根據四分位數將城市居民生活碳排放量劃分為4 個等級,分別為低排放、較低排放、較高排放和高排放,以分析中國城市居民生活碳排放的時空分布特征,如圖1所示.

圖1 中國城市居民生活碳排放的時空格局Fig.1 The spatial and temporal dynamics of carbon emission in urban households in China

總體上看,2006～2020 年中國城市居民生活碳排放呈現逐年增長趨勢,年均碳排放量從2006年的343 萬t 增長到2020 年的829 萬t,年均增長率為6.51%.這表明,促進消費側的碳減排應被視為中國當前實現雙碳目標的一個重要任務.從空間分布看,總體呈現東高西低的分布特征,尤其是2016年以后,北京、上海和廣州居民生活碳排放均達到5000 萬t 以上;西部的河池市低于100 萬t.具體來看,2006年居民生活碳排放較高的城市主要分布在東部的上海、北京、天津和廣東等地.其中,上海市的居民生活碳排放量最高,為6381.16 萬t;而低值城市主要分布在西部的甘肅、廣西和寧夏等地,其中,甘肅省隴南市的居民生活碳排放量最低,為16.94 萬t.相較于2006 年,2011 年中國城市年均居民生活碳排放增長了44.03%.高值依然分布在北京、上海、天津和廣東等地,其中,北京代替上海成為最高值的城市,居民生活碳排放量達到7968.94 萬t;低值主要分布在甘肅、江西和廣西等地,其中甘肅省定西市的居民生活碳排放量最低,為34.19 萬t.相較于2011年,2016 年中國城市年均居民生活碳排放增長了42.41%.高低值分布的地區總體沒有發生變化,其中甘肅省金昌市的居民生活碳排放量最低,為64.76 萬t.相較于2016 年,2020 年中國城市年均居民生活碳排放增長速度變緩,增長率為17.98%,這表明在中國居民生活碳排放總體增長的同時,其增長速度開始下降.

2.1.2 城市居民生活碳排放的空間關聯特征 采用莫蘭指數對中國城市居民生活碳排放的空間關聯特征進行了評估,結果表明,2006～2020 年城市居民生活碳排放的全局莫蘭指數均為正值,且滿足1%的顯著性水平下,這意味著城市居民生活碳排放水平的空間分布并不是隨機的,而是在空間上呈現一定的聚集特征.由圖2 可知,樣本期間中國城市居民生活碳排放的空間集聚特征大體一致,主要呈現高-高集聚和低-低集聚并存的格局.具體來看,高-高集聚區域主要分布在東部沿海的山東省和三大城市群,即京津冀、長三角和珠三角城市群,這一集聚現象可以歸因于這些地區具有較高的人口規模和經濟發展水平,導致能源需求持續增長,從而推高了城市居民生活的碳排放水平.同時,樣本期間高-高聚集的城市數量從38 個增加到43 個,這表明越來越多的城市成為高排放區域,加入了高-高俱樂部.低-低集聚區域主要分布在西部地區的甘肅省、四川省和云南省,這是由于西部地區具有較低的人口密度和城市化水平,其能源需求相對較小.樣本期間,低-低聚集城市數量由34 個減至19 個,表明低排放的城市碳排放也逐漸增長,退出低-低俱樂部.

圖2 中國城市居民生活碳排放的LISA 集聚圖Fig.2 LISA cluster maps of carbon emission in urban households in China

2.1.3 城市居民生活碳排放重心的時空遷移 利用ArcGIS10.2軟件對中國2006～2020年城市居民生活碳排放的標準差橢圓和重心移動軌跡進行可視化表達.根據圖3 得出以下結論:1)從標準差橢圓的形狀來看,城市居民生活碳排放的標準差橢圓呈現北(偏東)南(偏西)方向.短半軸長度由2006 年的739.82km 縮減至2020 年的735.32km,長半軸長度由1070.94km 縮小至1018.97km,說明中國城市居民生活碳排放無論在南北還是東西方向上都更為收斂,呈現向心集聚的趨勢.樣本期間,標準差橢圓的面積總共縮小了5.43%,說明中國城市居民生活碳排放存在著空間收斂趨勢.轉角由2006 年的42.27°擴大至2020 年的44.32°,逐漸呈現以東西方向為主導的空間分布.2)從重心分布來看,中國城市居民生活碳排放的重心在 115.05～115.72°E、32.81～33.07°N 范圍內變動,相比中國的幾何中心(103.40°E、36.03°N),重心向東南偏移,說明中國東部和南部地區城市的居民生活碳排放量高于西部與北部地區.3)從重心的遷移軌跡來看,樣本期內,中國城市居民生活碳排放的分布重心從安徽省阜陽市逐漸向西南轉移,最終在2020 年轉移至河南省駐馬店市,累計遷移了68.97km.這是由于樣本期間,東北地區的居民生活碳排放不斷減少,而西部地區的碳排放不斷增加,導致重心向西南方向不斷遷移.

圖3 中國城市居民生活碳排放的分布方向與路徑轉移Fig.3 The direction and path of the distribution of carbon emission in urban households in China

2.1.4 城市居民生活碳排放的動態演進 為直觀地反映城市居民生活碳排放的動態演進,采用空間馬爾科夫鏈研究相鄰城市居民生活碳排放等級是否發生轉移以及其轉移的概率大小.由表1 可見,1)不同鄰地水平下城市居民生活碳排放的狀態轉移呈現較大差異,因此鄰地城市碳排放水平對于本城市的狀態轉移具有重大的影響.2)對角線上的概率最大,且遠大于向上和向下的概率,說明當前中國城市居民生活碳排放具有較強的穩定性,大部分城市并未發生狀態轉移.具體來看,隨著鄰地城市碳排放的增長,對角線上的概率呈現下降趨勢.例如,當鄰地城市為低排放時,維持相同類型的概率高達93.4%,當鄰地城市為較低排放時,概率下降為86.4%,當鄰地城市為較高排放時,概率進一步下降為79.0%.這說明鄰地城市居民生活碳排放會影響本城市的穩定性.3)非對角線上的概率在一定程度上取決于鄰地城市碳排放類型.其中,當鄰地城市為低排放時,低排放與較低排放城市向上轉移的概率(6.6%、6.7%)明顯低于其鄰地城市為較高排放時的概率(21.0%、15.0%),而從較低排放向下轉移的概率(6.7%)則明顯低于其在較高排放中的概率(1.8%).當鄰地城市為高排放時,由于樣本較小導致了較大的區別.總體而言,鄰地城市的碳排放水平與向上轉移的概率呈正相關,但與向下轉移的概率呈負相關,說明城市居民碳排放具有顯著的空間效應,將對鄰地城市碳排放的動態演進起到關鍵影響.

表1 空間馬爾科夫鏈轉移概率矩陣Table 1 The transfer probability matrix of the spatial Markov chain

2.2 居民生活碳排放影響因素的時空異質性

2.2.1 GTWR 模型實證結果及檢驗 當影響因素之間存在多重共線性時,GTWR 模型所求得系數的時空變化可能會被夸大,這將導致估計偏誤.因此,首先基于最小二乘法(OLS)結果進行多重共線性檢驗.結果表明所有變量的方差膨脹因子(VIF)都遠遠小于10,變量之間不存在多重共線性,這說明GTWR 模型的結果是可靠的.

由表2 可知,各變量系數值圍繞OLS 系數值波動,但變化范圍很大.除了產業結構升級對居民生活碳排放的影響在所有城市和年份都為正值外,其他變量系數的最大和最小符號都是相反.例如,人口密度系數的最小值和最大值分別為-0.326 和0.697,這意味著人口集聚增加1%會導致一些城市的二氧化碳排放量減少0.326%,但在另一個城市卻會增加0.697%.而OLS 模型中人口密度的系數值為0.181,僅從整體平均水平上反映了全國范圍內人口密度變動對居民生活碳排放的影響.GTWR 模型能更準確地捕捉不同因素對居民生活碳排放的異質性影響,相比之下,OLS 模型掩蓋了這種異質性.

表2 GTWR 模型和OLS 模型估計結果的描述性統計Table 2 Descriptive statistics of GTWR model and OLS estimation results

為保證模型系數時空非平穩性的顯著性,遵照已有文獻采取以下2 類檢驗[25]:一是將OLS 各變量系數的2 倍標準誤與GTWR 估計值的四分位數進行比較,后者的數值越大,表明空間非平穩性越大;二是使用非參數的Wilcoxon 符號秩檢驗GTWR 模型各變量的系數估計值與OLS 估計值之間是否存在明顯差異.兩種檢驗的結果如表3 所示.這些結果表明,GTWR 模型的回歸系數與OLS 回歸系數有明顯不同,即GTWR 模型的系數顯示出明顯的時空異質性.

表3 時空非平穩性檢驗結果Table 3 Results of the spatial and temporal non-stationarity test

2.2.2 影響因素的時間變化趨勢 采用核密度估計法展示各變量系數值的分布動態和演變趨勢,如圖4 所示,人口密度的系數值主要為正值.2006 年,系數值在0.3 處出現了一個顯著的波峰,這意味著在大多數城市中,人口密度每增加1%,會導致居民生活碳排放增加0.3%.人口密度的系數隨著時間推移呈現逐漸左移趨勢.這表明隨著城市居民低碳意識不斷增強,人口集聚對居民生活碳排放的影響程度逐漸下降,這可能是由于中國城市基礎設施和城市規劃的持續改善,逐漸降低了由于人口集聚所伴隨的交通出行、用電和用氣所產生的碳排放.

圖4 各影響因素系數的分布動態和演變趨勢Fig.4 The Distribution dynamics and evolution trends of coefficients for the driving forces

類似地,經濟發展的系數值也主要為正值.2006年系數的波峰位于0.7 處,這意味著在大多數城市中,經濟發展水平每增加1%,居民生活碳排放會增加0.7%.經濟發展通常伴隨著生活能源消耗的增加、商業活動的擴大和生活水平的提高,從而導致居民生活碳排放的增加.樣本期間,波峰的位置呈現逐漸左移的趨勢,在2020 年縮小至0.6,這可能是由于中國經濟增長方式正向綠色低碳的轉變[26],從而導致經濟發展所帶來的碳排放減少.

技術投入的系數值在樣本期間大多為負值,說明技術進步是中國城市居民生活碳減排的重要驅動力.2006 年系數的波峰位于-0.05,這意味著在大多數城市中,技術投入每增加1%,有助于居民生活碳排放減少0.05%.值得注意的是,少數城市的技術投入反而會促進居民生活碳排放.這是由于技術變革所帶來的減排效應也可能會被資本深化和產出增長所帶來的碳排放抵消甚至超過,導致能源回彈效應顯現[27].樣本期間,技術投入系數呈現整體向左移動趨勢,表明城市技術投入的轉化效率逐漸提高,對中國城市居民生活碳減排的影響程度逐漸增強.

對外開放的系數值在樣本期間內基本均為正值,但影響程度相對較小.這可能是由于對外開放在一定程度上改變居民的消費習慣和生活方式,例如進口商品數量增多和旅游交流機會增加,都會相應地增加能源消耗和碳排放.2006 年系數的波峰位于0.2 處,這意味著在大多數城市中,對外開放程度每增加1%,將導致居民生活碳排放增加0.2%.樣本期間,對外開放的系數整體向左移動,這表明城市對外開放水平對居民生活碳排放的影響逐漸減小.由此可見,隨著經濟發展、研發投入和環境規制水平的提升,對外開放水平帶來的技術效應將開始發揮作用[28],從而抵消部分碳排放增長.

產業結構的系數全部為正值,說明產業結構升級在中國的所有城市都將增加居民生活碳排放量.隨著第三產業比重增加,城市居民的消費能力也在逐步提升,他們更有可能參與高能耗和高碳排放的活動,進而產生更多的碳排放量.2006 年系數的波峰位于0.6,這意味著在大多數城市中,產業結構每升級1%,將導致居民生活碳排放增加0.6%.樣本期間,產業結構的系數逐漸由一個波峰變為兩個波峰,在2020 年分別位于0.5 和0.9,不同城市間產業結構升級的影響逐漸分異,這可能是城市間的居民消費結構、基礎設施和交通系統等差異共同作用所致.

環境規制的系數大多為負值,然而,2006 年系數的波峰位于0 處,說明環境規制在大部分城市對居民生活碳減排起到的作用并不是很明顯.究其原因,環境規制的有效性受到合規執行和執法力度的限制.如果環境規制的執行不嚴格或執法力度不足,居民可能會繼續進行高碳排放的行為,使環境規制實施的效果降低.樣本期間,環境規制的系數值整體逐漸向左移動,這說明環境規制在中國城市居民生活碳減排中開始發揮作用.隨著政府對環境保護和碳減排的重視程度不斷提升,環境政策得到了更多的關注和支持,政府采取了更為多樣化和有力的措施來推動居民減少生活碳排放.

2.2.3 影響因素的空間異質性 使用Arcgis10.2軟件,依據自然斷點原則,對各變量的年均系數值進行空間異質性分析,如圖5 所示.人口密度的回歸系數以正值為主,表明中國城市人口密度增加會直接增加能源消耗和碳排放.具體來看,高值系數主要集中分布在東北地區與南部地區,前者由于冬季氣溫低,供暖設施需求量大,人口密度增加需要提供更多燃煤鍋爐、暖氣片等傳統供暖設施,進而產生大量碳排放;后者由于夏季氣溫較高,對空調等降溫設備的需求較大,人口密度增加會產生更大的電量需求,進而增加碳排放.少量負值系數的城市分布在長三角城市群,這可能是由于這些城市的工業化和城市化程度較高,其經濟結構更加多元化和高端化,城市人口集聚會產生外部性,通過提高公共交通共享、資源利用效率和共享污染控制設施來減少碳排放.

圖5 各影響因素回歸系數的空間分布Fig.5 The spatial distribution of the regression coefficients for the driving forces

經濟發展的回歸系數值在所有城市均為正值,表明中國城市經濟發展會增加居民生活碳排放.具體來看,高值系數主要分布在甘肅省和廣西,經濟每增長1%,居民生活碳排放將增長0.7%以上.甘肅省和廣西的經濟增長方式較為粗放,傾向于使用傳統能源,且消費模式轉變較慢,這些因素共同作用導致了經濟發展伴隨著較高的居民生活碳排放.相對而言,西南地區的重慶市、四川省和云南省的系數值較低,經濟每增長1%,居民生活碳排放增長0.3%左右.這可能是由于這部分城市消費能力不足,因而經濟發展帶來的居民生活碳排放較少.

技術投入的回歸系數以負值為主,表明城市技術投入能降低居民生活碳排放.東部城市的技術投入對居民生活碳減排具有最明顯的作用,技術投入每增長1%,居民生活碳排放會降低0.2%;中部城市的技術投入也為負值,然而效果較弱,技術投入每增長1%,居民生活碳排放降低約0.1%;西部城市技術投入的效果最差,在大部分城市都將導致居民生活碳排放的增加;東北地區城市技術投入的效果更不明顯,甚至在有些城市會導致居民生活碳排放的增加.究其原因在于,東部城市在科技創新和技術應用方面相對較發達,有更多的機會和資源用于研發和應用低碳技術,如清潔能源技術、節能技術、能源效率提升技術等,可以幫助居民減少能源消耗和碳排放.而西部地區的技術投入可能主要集中在傳統能源開發和生產活動方面,這反而促進了能源消費,進而導致居民生活碳排放的增加.

對外開放的回歸系數在所有城市均為正值,表明其對居民生活碳排放有正向影響,但是存在顯著的空間差異.具體而言,對外開放的系數值呈現明顯的南高北低特征.高值系數主要位于重慶市、四川省、浙江省和上海市,這些地區的城市對外開放水平每增長1%,居民生活碳排放會增加0.3%.這可能與對外開放帶來的消費觀念和生活方式轉變有關,該城市居民可能更加傾向于追求高品質生活和消費,注重享受和個性化需求,包括可能增加對高能耗、高排放的產品和服務的需求,如豪華汽車、高能耗的家電設備等,進而增加居民生活碳排放.相對而言,北方城市的對外開放系數值較低,對外開放水平每增長1%,僅導致居民生活碳排放增加0.1%.

類似地,產業結構對所有城市居民生活碳排放都有正向影響,但是存在顯著的空間差異.產業結構的系數值呈現明顯的東高西低特征.高值系數主要分布在長三角城市群,這些地區的產業結構每升級1%,將會導致居民碳排放增加1.2%以上.長三角城市群的第三產業占比相對較高,將伴隨著大量的消費需求,因此產生了較高的居民生活碳排放.而西部廣西的產業結構升級僅導致居民碳排放增加0.3%,這可能是由于西部地區城市居民的消費能力相對較弱.

環境規制在大部分城市都能促進居民生活碳減排.東部沿海和東北城市的環境規制對居民生活碳減排具有顯著抑制作用,環境規制每增長1%,居民生活碳排放會降低0.2%以上.究其原因在于,東部沿海城市往往具有更高的環境意識和環保教育水平,居民更有可能采取低碳生活方式,以響應環境規制的要求;東北三省作為中國重工業聚集區,近年來成為全國碳減排工作的重點,因此高強度的環境規制以及執行程度抑制了東北城市居民生活碳排放.

2.3 政策建議

中國城市居民生活碳排放依舊出現逐年增加的態勢,但增長速度出現了下降的趨勢.這表明中國在居民生活碳減排方面取得了一些成效,然而還需要進一步深化減排措施,以確保持續有效地降低需求側碳排放.具體而言,在用電方面,推廣使用太陽能和風能等可再生能源,提倡激勵購置高效節能家電,減少用電能耗.在用氣方面,推廣天然氣取暖和烹飪鼓勵居民使用高效燃氣鍋爐、燃氣熱水器等設備.在交通方面,擴展公共交通網絡,提倡電動汽車和電動自行車的使用以減少私家車碳排放.在供暖方面,推廣清潔供暖技術,提高建筑能效,減少供暖需求.

其次,城市居民生活碳排放呈現東高西低的空間格局,政府應該積極促進城市間碳排放的收斂.如建立跨區域碳減排合作平臺,分享碳減排經驗和技術;東部地區的經驗和技術可以向西部地區傳授,幫助其更快地實現碳減排目標;政府通過經濟激勵、技術指導和信息共享等方面促進城市之間的合作交流;共享與監測碳排放源數據,促使城市更全面了解自身排放情況,加快碳減排策略的制定和執行.

最后,由于城市居民碳排放影響因素具有顯著的空間異質性,各地區應根據實際情況,制定差異化和精準化的碳減排策略.在人口密度影響較強的東北和南部地區,應加強流動控制,推廣低碳技術和綠色交通;甘肅、廣西等地應重點發展綠色產業,實現可持續經濟發展;全國范圍內加大低碳技術投入,尤其在西部地區,以促進碳減排;各地應平衡對外開放與環保標準,引進低碳技術;東部地區應注重降低產業結構升級帶來的碳排放;東部沿海和東北地區應強化環境規制,加強環保宣傳和污染治理.

3 結論

3.1 中國城市居民生活碳排放逐年增加,2006～2020 年均增長率為6.51%,2020 年城市平均居民生活碳排放量達到829 萬t.居民生活碳排放呈現東高西低的空間非均衡分布,然而隨著時間推移,東西差異逐漸縮小.

3.2 城市居民生活碳排放水平的空間分布呈現顯著的空間聚集特征.高-高集聚的區域主要分布在東部沿海的山東省和三大城市群,即京津冀、長三角和珠三角城市群,而低-低集聚的區域主要分布在西部地區的甘肅省、四川省和云南省.此外,高-高集聚的城市逐年增多,而低-低集聚的城市逐年減少.

3.3 城市居民生活碳排放存在空間收斂趨勢.分布重心向東南偏移,中國東部和南部地區城市的居民生活碳排放量高于西部與北部地區.重心從安徽省的阜陽市逐漸向西南轉移,最終在2020 年轉移至河南省的駐馬店市,累計遷移了68.97km.

3.4 城市居民生活碳排放的影響因素存在明顯的時空差異,在不同區域及不同發展階段內,影響因素的作用強度各不相同.人口密度和經濟發展在大多城市都導致了碳排放增加,但影響作用逐年減弱;技術投入在大多城市都促進了碳減排,且影響作用逐年增強;對外開放在大多城市都導致了碳排放增加,但影響力度小于其他變量,且逐年減弱;產業結構升級在所有城市所有階段都導致了碳排放增加,影響作用在城市間逐漸分異;環境規制在大部分城市都能促進碳減排,且影響作用逐年增強.