辽中城市群县域能源相关碳排放与可持续低碳转型：时空演化及空间溢出效应

《Sustainability》：County-Level Energy-Related Carbon Emissions and Sustainable Low-Carbon Transition in the Central-Southern Liaoning Urban Agglomeration: Spatiotemporal Evolution and Spatial Spillover Effects

　　

对于老工业城市群，低碳规划需要更精细空间尺度的排放信息，但县域能源统计数据往往不完整。本研究以中国东北典型重工业区域——辽中城市群（Central-Southern Liaoning Urban Agglomeration）为对象，通过结合社会经济面板数据与经过校正的类DMSP-OLS（Defense Meteorological Satellite Program-Operational Linescan System）夜间灯光数据，重建了2005—2024年73个县域单元能源相关碳排放（energy-related carbon emissions, CE）。在此基础上，采用全局与局部空间自相关（Global and Local Spatial Autocorrelation, Moran's I）、Moran散点图、传统马尔可夫（Markov）与空间马尔可夫（Spatial Markov）转移矩阵，以及基于STIRPAT（Stochastic Impacts by Regression on Population, Affluence, and Technology）框架的空间杜宾模型（Spatial Durbin Model, SDM）考察碳排放的空间格局、转移过程及驱动因素。结果表明：研究期内碳排放持续增长，虽增速放缓但未观测到明显区域峰值；全局Moran's I由2005年的0.627升至2024年的0.675，表明县域碳排放空间集聚程度增强；传统马尔可夫矩阵显示强状态持续性，对角线概率介于0.8793~0.9852，空间马尔可夫结果进一步表明被高排放邻域包围的县域面临更大向上转移压力；SDM中空间自回归系数ρ=0.537且在1%水平显著，人均GDP（GDPPC）与人口规模（POP）的直接效应为负，第二产业占比（SEC）增加本地排放但间接效应为负，公共财政支出（PE）与本地排放正相关；空间上高排放县集中分布于沈阳、鞍山、辽阳、大连等工业核心周边，东部生态县则维持较低排放水平。上述发现为老工业区差异化低碳治理提供了县域尺度证据。

论文解读：辽中城市群县域能源相关碳排放与可持续低碳转型的时空演化及空间溢出效应研究

研究背景与意义

在中国提出2030年前碳达峰与2060年前碳中和目标背景下，老工业城市群的低碳规划亟需更精细尺度的碳排放信息。然而现有统计体系中能源消费需求数据多仅公布至省或地级市层面，县域尺度时间序列数据严重缺失，限制了差异化的低碳治理政策制定。辽中城市群（亦称沈阳经济区）作为东北老工业基地的典型代表，钢铁、装备制造、石化、能源开采及港口物流等能源密集型产业高度集聚，形成明显的碳排放热点，同时东部山地与北部农区又具生态涵养功能，县域间异质性极强。既有研究多聚焦省市级尺度，少有同时完成县域能源相关碳排放重建、邻域条件转移概率分析及空间溢出机制检验的工作。因此，研究人员通过开展县域尺度碳排放重建与空间计量分析，旨在揭示辽中城市群碳排放的时空演化规律、状态持续性及社会经济驱动因子的直接与溢出效应，为老工业区域可持续低碳转型提供县域尺度的实证依据与分区施策参考。本文发表于《Sustainability》。

主要技术方法概述

研究人员选取辽中城市群10个地级市下辖73个县级行政单元为研究对象，时间跨度为2005—2024年。采用Harvard Dataverse发布的V7版校正类DMSP-OLS夜间灯光（Nighttime Light, NTL）数据集（融合SNPP-VIIRS扩展至2024年），以各地级市能源相关碳排放（化石燃料消费及外购电力折算，不含工业过程排放等非能源源项）为基准，建立零截距线性拟合关系将市级排放按县域总数字数（Total Digital Number, TDN）比例分配至各县，完成县域CE重建。基于重建面板数据，计算一阶Queen邻接空间权重矩阵并行行标准化，进行全局与局部空间自相关（Moran's I及LISA聚类）分析；将县域CE按混合样本四分位数划为4种排放状态（State 1~4），构建传统马尔可夫转移概率矩阵及引入邻域排放环境（按空间滞后四分位划为4类邻域）的空间马尔可夫条件转移矩阵；以lnCE为因变量，ln(GDPPC)、ln(POP)、SEC（二产占比）、ln(PE)（公共预算支出）、ln(HS)（城乡居民储蓄年末余额）为自变量，建立对数线性STIRPAT扩展的空间杜宾模型（SDM）并采用双向固定效应估计，通过LM检验、Hausman检验、LR与Wald检验确定模型适用性，进而分解直接效应、间接（溢出）效应与总效应。

研究结果

3.1 县域能源相关碳排放的时空特征（Spatiotemporal Characteristics of Energy-Related Carbon Emissions）

研究人员借助ArcMap按自然断点法可视化2005、2011、2017及2024年县域CE空间分布并结合统计描述发现：研究期内区域总排放总体上升但增速后期明显放缓，未出现明确峰值；空间格局由早期较分散逐步演化为沿沈阳—鞍山—辽阳—营口轴线及大连沿海形成连片高排放带，西部与中部工业带为高排放集中区，东部本溪、丹东山区（如宽甸、桓仁）及北部昌图等农区维持低排放，核心—边缘极化结构加强。

3.2 辽中城市群县域碳排放影响因素分析（Analysis of Factors Influencing County-Level Carbon Emissions）

3.2.1 全局空间自相关（Global Spatial Autocorrelation）

全局Moran's I在2005—2024年间均为正且p<0.01，由2005年0.627增至2024年0.675，证实县域CE存在显著且逐渐增强的空间正自相关（集聚）。

3.2.2 局部空间自相关（Local Spatial Autocorrelation）

LISA聚类与Moran散点图显示High-High（高—高）簇集中于沈阳主城区、鞍山铁东、大连部分沿海及沈鞍辽营工业走廊，Low-Low（低—低）簇稳定分布于东部生态县与北部农业县；盘锦兴隆台等呈High-Low（高—低）孤立高值，新民、辽中等呈Low-High（低—高）受周边高排放溢出影响，识别出明确的空间俱乐部收敛特征。

3.3 空间溢出效应与驱动因子异质性（Spatial Spillover Effects and Heterogeneity of Driving Factors）

3.3.1 空间溢出效应（Spatial Spillover Effects）

SDM估计中空间自回归系数ρ=0.537（p<0.01），拒绝非空间面板适用性。效应分解显示：ln(GDPPC)直接效应显著为负（较发达核心区产业升级与服务化伴随相对低能耗强度，但二次GDPPC项不显著故不支持正式EKC转折点判定）；ln(POP)直接效应显著为负、间接效应不显著（人口集聚核心区具一定集聚效率）；SEC直接效应显著为正、间接（溢出）效应显著为负（本地二产推高排放，但邻域二产专业化可通过共享基础设施与能效溢出关联降低周边排放，非鼓励盲目扩张重化工业）；ln(PE)直接及总效应显著为正、间接不显著（地方基建与产业扶持类财政扩张伴生较高能源需求）；ln(HS)各效应均不显著。VIF均<3.24排除严重多重共线性干扰。

3.3.2 驱动因子空间异质性（Spatial Heterogeneity of Driving Factors）

不同功能县响应各异：核心市区GDPPC负向效应较明显，重工业走廊SEC正向驱动突出，生态县受邻域溢出小且维持低排放稳态，体现需分区施策。

3.4 能源相关碳排放的空间转移概率分析（Spatial Transition Probability Analysis of Energy-Related Carbon Emissions）

传统马尔可夫矩阵对角元（状态持续性）分别为State1:0.9157、State2:0.8793、State3:0.9191、State4:0.9852，高排放态最难向下转移且无跨非相邻态跃迁，具路径锁定。空间马尔可夫结果显示：低排放邻域（Category1）强化低排放县停留概率（State1→State1达0.9562）；随邻域排放水平升高（Category2~4），低/中排放县向上转移概率递增，高排放邻域（Category4）使中低排放县更易向上跃迁且高排放态更趋锁定，证实邻域排放环境影响县域自身状态演变。

讨论与结论总结（翻译并浓缩原文Conclusions）

研究人员得出结论：（1）2005—2024年辽中城市群县域能源相关碳排放总体增长但增速渐缓，未见明确区域峰值，高排放聚集于沈鞍大等工业核，东部生态县排放低且稳。（2）碳排放呈显著核心—边缘结构与西高东低梯度，全局Moran's I由0.627升至0.675，High-High与Low-Low簇分别表现俱乐部收敛与空间路径依赖。（3）人均GDP与人口规模直接效应为负但不能佐证已达EKC转折点；二产占比直接效应为正而空间滞后项为负，经相关性及VIF诊断非严重多重共线性所致；公共支出具正当地效应无显著溢出。（4）传统马尔可夫显示强状态持续（State4持续概率0.9852），空间马尔可夫表明低排邻域稳低排、高排邻域促上迁并强化高排锁定。研究强调应结合核心城市技术溢出、重工业走廊低碳升级、生态县保护及跨区域协同治理制定差异化减排策略，以支撑老工业基地可持续转型。