文章快速检索     高级检索
  中国环境管理  2024, Vol. 16 Issue (6): 104-114  
0

引用本文 

付伟, 巩海秀, 李龙, 张贝贝, 陈建成. 西部家庭消费间接碳排放动态演进及空间关联网络结构特征[J]. 中国环境管理, 2024, 16(6): 104-114.
FU Wei, GONG Haixiu, LI Long, ZHANG Beibei, CHEN Jiancheng. Dynamic Evolution of Indirect Carbon Emissions from Household Consumption and Characteristics of Spatial Linkage Network Structure in Western China[J]. Chinese Journal of Environmental Management, 2024, 16(6): 104-114.

基金项目

国家自然科学基金项目(72264035);云南省兴滇英才青年人才专项项目

作者简介

付伟(1986—),女,博士,研究方向为生态经济与可持续发展,E-mail: fuweiynlzd@126.com.
西部家庭消费间接碳排放动态演进及空间关联网络结构特征
付伟 1, 巩海秀 1, 李龙 1, 张贝贝 1, 陈建成 2     
1. 西南林业大学经济管理学院,云南昆明 650233;
2. 北京林业大学经济管理学院,北京 100083
摘要: 绿色低碳的生活和生产方式是实现经济社会可持续发展的重要路径。家庭消费间接碳排放作为碳排放增长的新兴分支,由此展开空间关联网络研究,将为西部家庭因地制宜实施碳减排措施提供科学依据。本文结合投入产出法和消费者生活方式方法测算出2012—2021年西部地区10个省(区)的家庭消费间接碳排放量并分析其动态演进及空间关联情况。结果表明:①西部家庭消费间接碳排放量整体上升趋势变缓,城镇和乡村两者碳排放总量存在较大差异。②西部家庭消费间接碳排放空间关联网络整体呈现周期性波动趋势,网络结构相对松散,等级差异较明显,其中甘肃、贵州、内蒙古、陕西等处于关联网络中心位置,与其余区域存在密切的空间关联效应。③西部家庭消费间接碳排放空间关联网络通过板块间传导与溢出效应建立。甘肃、陕西等交通枢纽位置的省份多为要素的主要受益方,经济发展水平较高的省(区)多为要素的主要溢出方。西部家庭消费间接碳排放空间关联的紧密程度亟待提升,板块间联动效应和跨区域网络效应也应进一步提高,以促进西部地区家庭碳减排协同发展。
关键词: 家庭消费间接碳排放    动态演进    空间关联网络    社会网络分析    
Dynamic Evolution of Indirect Carbon Emissions from Household Consumption and Characteristics of Spatial Linkage Network Structure in Western China
FU Wei1 , GONG Haixiu1 , LI Long1 , ZHANG Beibei1 , CHEN Jiancheng2     
1. School of Economics and Management, Southwest Forestry University, Kunming 650000, China;
2. School of Economics and Management, Beijing Forestry University, Beijing 100083, China
Abstract: Green and low-carbon way of life and production is an important path for sustainable economic and social development. As an emerging branch of carbon emission growth, the study of the spatial correlation network of indirect carbon emissions from household consumption will provide a scientific basis for the implementation of carbon-reducing measures by households in western China according to local conditions. This paper combines the input-output method and the consumer lifestyle method to measure the indirect carbon emissions from household consumption in 10 provinces (autonomous regions) in the western region from 2012 to 2021, and analyzes their dynamic evolution and spatial correlation. The results show that: ① The overall rising trend of indirect carbon emissions from household consumption in the west has slowed down, and there is a big difference between the total carbon emissions in towns and villages. ② The overall indirect carbon emissions from household consumption in the west show obvious cyclical fluctuation trend, the network structure is relatively loose, the network hierarchical differences are more obvious, in which Gansu, Guizhou, Inner Mongolia, Shaanxi and other provinces (autonomous regions) are at the center of the associated network, not only having close spatial correlation with other provinces, but also playing the role of "intermediary". ③ The main mode of action in the spatial correlation network of indirect carbon emissions from household consumption in the west is inter-plate transmission and spillover effects. Gansu, Shaanxi and other provinces in the transportation hub location are the main beneficiaries of each factor, and the provinces (autonomous regions) with higher economic development level are the main spillover of each factor. The closeness of the spatial correlation of indirect carbon emissions from household consumption in the west needs to be urgently improved, and the inter-plate linkage effect and cross-regional network effect should be further improved, in order to promote the synergistic development of indirect carbon emission reduction from household consumption in the western region.
Keywords: indirect carbon emissions from household consumption    dynamic evolution    spatial association network    social network analysis    
引言

碳排放及全球气候变化是影响人类社会可持续发展的重大问题 [1],目前,中国二氧化碳排放量已超过美国、欧盟等发达国家或地区,成为碳排放第一大国 [2, 3],亟须采取相应减排措施,推动自身高质量发展。2022年,习近平总书记在中国共产党第二十次全国代表大会上指出,我国要加快发展方式绿色转型,推动形成绿色低碳的生产方式和生活方式 [4]。以往关于碳排放的研究大多聚焦于工业生产部门,忽视了居民经济活动产生的碳排放,有学者认为这部分碳排放已赶超工业部门,成为各国CO2增加的关键驱动要素,尤其是在扩大内需战略和经济社会快速转型的双轮驱动下,家庭生活方式发生改变,释放大量消费需求,导致家庭消费碳排放量大幅度增长,家庭消费碳排放主要由直接能源消耗和间接能源消耗两部分构成,后者占据家庭碳排放总量的80% [5-7]。因此本文选择以家庭消费间接碳排放为突破口,因地制宜提出针对性减排措施。在家庭消费水平方面,西部地区虽与中东部地区存在较大差距,但在新时代西部大开发新格局的影响下,家庭消费增长潜力大,所以新时代西部地区要想“弯道超车”,缓解节能减排和扩大内需之间存在的矛盾,势必要从家庭间接消费这个未来碳排放的关键点出发,摸清西部家庭消费间接碳排放家底,明确西部大开发、脱贫攻坚和乡村振兴等重大国家战略决策对于西部家庭消费结构变化的影响,提出差异化减排对策,进而保障西部地区经济与生态协同发展。

家庭消费碳排放的相关研究主要围绕着家庭消费碳排放内涵、核算方法和空间特征等方面展开 [8-14]。在家庭消费碳排放的内涵方面,定义尚未明确统一,多数学者根据研究目标和对象不同从以下角度进行定义:一是从“碳足迹”概念入手,将其视作衡量与居民家庭有关的活动对全球变暖的贡献,即测度居民家庭活动造成的直接及间接温室气体排放 [15, 16]。二是从能源需求的视角入手,将其界定为由居民家庭直接和间接能源需求所引起的温室气体排放 [17, 18]。三是从“生命周期”概念入手,将其定义为居民家庭消费的产品和服务在其整个生命周期过程中产生的CO2排放。四是从居民家庭终端消费角度入手,将其定义为居民家庭能源使用过程中产生的直接CO2排放和为其提供生活消费品的相关行业在生产过程中产生的间接CO2排放 [19-23]。本文将家庭消费间接碳排放定义为居民家庭在日常生活中消费的非能源产品和在服务生产过程中产生的CO2排放。

家庭消费间接碳排放的核算主要包括生命周期评价法、消费者生活方式方法和投入产出法。生命周期评价法是指通过获取产品或服务在生命周期内所有的输入及输出数据,测算得出总的适用于衡量产品和服务层面的碳排放量 [24],但在边界确定方面比较复杂。消费者生活方式方法是通过分析个人或家庭整体消费在生活中所产生的直接或间接的能源消耗,来评估CO2的排放量 [25],该方法在测算中容易低估间接能耗的影响效应。投入产出法能够综合反映经济系统内各部门直接和间接的碳排放关系,减少系统边界划定造成的问题。三种方法虽然各有优点但均未能全面测算家庭消费间接碳排放,因此,为最大限度地保证测算的科学性和准确性,本文决定结合投入产出分析法和消费者生活方式方法进行西部地区家庭消费间接碳排放的核算。在空间特征方面,随着研究视角的微观发展,空间因素被应用到家庭消费碳排放的时空格局演变特征的研究中,目前国内外学者对于家庭消费碳排放的研究已经关注到碳排放的区域差异性 [26, 27]和空间依赖性方面 [28-30],这些研究在邻近地理范围中揭示家庭消费碳排放具有空间效应,并对邻近区域家庭消费碳排放区域差异进行分析。

以上研究虽在家庭消费碳排放方面积累了丰硕成果,但对家庭消费间接碳排放的关注度较少,空间层面的研究也存在相应局限性。尤其是在区域协调发展战略的影响下,经济社会发展空间关联性不断增强 [31],碳排放的空间效应超越以往的地理邻近限制,呈现出明显的空间网络特征 [32, 33],而以往关于家庭消费碳排放空间特征的探究主要局限于地理邻近视角属性数据,缺乏空间依赖特征的关系数据分析。据此,本文主要从研究视角、测算方式以及空间结构三方面进行拓展,研究视角方面聚焦间接碳排放视角下西部家庭消费层面,测算方式采取投入产出分析法和消费者生活方式方法相结合的方式提升测算精度,空间结构方面打破地理邻近区域限制,从全局性关系数据和网络角度考察家庭消费间接碳排放空间关联网络特征并逐年分析变化情况,以期为西部地区“双碳”目标的实现提供参考。

1 研究方法与数据来源 1.1 家庭消费间接碳排放量测算

本文参考史琴琴等 [34]的做法,将中国投入产出表和按行业分能源消费表中的家庭生活消费划分八大类型,如表 1所示。

表 1 家庭消费支出类型与行业对应情况

西部地区家庭消费间接碳排放量结合消费者生活方式方法和投入产出法进行测算,具体计算公式如下:

(1)
(2)
(3)

式中:DEi代表第i类家庭消费支出类型对应的相关行业的能源消耗碳排放强度(单位:tCO2/ 万元),用相关行业CO2排放量与行业总产值之比表示;n代表家庭消费支出类型对应的相关行业部门个数;DE i, n代表第i类家庭消费支出类型对应的第n个行业部门的CO2排放量(单位:104 tCO2);Gi, n代表第i类家庭消费支出类型对应的第n个行业部门的产值(单位:万元);A代表投入产出表的直接消耗系数矩阵;I代表与A阶数相同的单位矩阵,(I-A-1代表完全需求系数矩阵,即Leontief逆矩阵;CIi代表第i类家庭消费支出类型对应的隐含碳排放强度(单位:tCO2/ 万元);Eid代表家庭间接碳排放量(单位:tCO2);EXi代表第i类家庭消费支出(单位:元);i代表 8类家庭消费支出类型。

1.2 空间关联网络分析方法

空间关联网络的理论基础是空间相互作用理论及社会网络理论 [31],空间相互作用理论可以看作在特定的前提条件下和特定空间范围内“要素流”的动态流动 [35],所形成的空间相互作用力。家庭消费间接碳排放要素在空间相互作用力影响下会形成以西部各省(自治区)为节点的空间网络联结效应。社会关联网络能够根据不同区域在经济、社会和碳排放等方面的联系构建空间关联网络,因此分析西部地区家庭消费间接碳排放空间关联网络结构特征能够准确把握其空间关联效应。

1.2.1 空间关联网络模型构建

在分析西部地区家庭消费间接碳排放空间关联网络结构特征前,参考已有研究 [35]构建家庭消费间接碳排放空间关联网络矩阵。引入修正的引力模型测度家庭消费间接碳排放空间关联强度见式(4):

(4)

式中:Qij代表各省(自治区)之间家庭消费间接碳排放的空间关联强度;CGPe代表各省(自治区)的家庭消费间接碳排放、地区生产总值、总人口和人均生产总值;Dij代表各省(自治区)间的地理距离。构建出西部地区家庭消费间接碳排放空间关联网络矩阵,另外将各引力值与每行的引力均值进行比较,大于均值的为1,否则为0。

1.2.2 空间关联网络指标构建

本文在构建空间关联网络模型的基础上,从整体分析、个体分析和聚类分析三个角度构建指标体系对空间关联特征展开量化分析(表 2)。

表 2 整体和个体网络结构特征指标

(1)整体网络结构指标。参考文献[31]选用网络关系数、密度、关联度、网络等级度和网络效率作为指标分析。网络关系数和密度分别反映网络中各节点空间关联关系的数量和紧密程度,网络关系数和密度越高,空间关联性越强。网络关联度反映空间关联网络的稳健性,数值越高,孤立省份越少,当网络关联度为1时,表明空间关联网络内各节点均存在空间关联,网络稳健性较强。网络等级度反映地位差异,等级度越高,代表节点在空间关联网络中的控制作用越强。网络效率反映空间关联网络的连接效率,网络效率越低,关联越多,空间关联网络越稳定。

(2)个体网络结构指标。选用点度中心度、中介中心度和接近中心度3个指标。点度中心度指节点在空间网络中的中心程度,数值越高就越接近空间关联网络的中心位置,对相连的其他节点影响力越大。中介中心度指节点在空间关联网络中的连通能力,数值越高表明中介作用越大,对其他节点的调节作用越显著。接近中心度指网络中节点不受其他节点的控制程度,数值越高节点间要素交流更频繁。

(3)聚类特征指标。空间关联网络聚类结构特征通过空间聚类来描述网络的内部结构状态以及各节点在关联网络中的角色和地位 [36, 37]。块模型是聚类分析的主要方法,参考Wasserman等 [38]的评价规则将网络中的节点划分为不同的板块,分析各板块在空间关联网络中的相互作用 [39, 40]。其中,“双向溢出”板块同时兼顾内外的接收和溢出关系,注重内部沟通,“净受益”板块接收关系数远大于发出关系数,受益明显,“净溢出”板块相反,接收关系数远小于发出关系数,处于受益赤字状态,“经纪人”板块充当板块间沟通联系的“桥梁”。

1.3 研究对象与数据来源

西部地区包括宁夏、云南、四川、陕西、贵州、内蒙古、广西、青海、甘肃和新疆(由于重庆和西藏存在部分数据缺失,故未纳入研究范围),总面积约为678.16万km2,占全国总面积的70.6%,是我国重要的经济地带和脱贫攻坚的重要区域,2021年西部地区总产值达到24万亿元,约占全国的21.1%。西部地区虽然疆域开阔,但内部地区的经济发展呈现严重非均衡性特征,严重阻碍了西部地区可持续发展。西部地区要想守住生态文明建设“排头兵”位置,亟须协调好节能减排与扩大内需之间的矛盾,抓住家庭消费间接碳排放这一突破口,制定区域差异性家庭减排政策,促进区域协调发展。

西部地区家庭八大消费类型对应的能源消费数据源自各省(自治区)统计年鉴和《中国能源统计年鉴》,行业产值数据取自《中国地区投入产出表》分行业能源消费,家庭消费数据和人口数据来自各省(自治区)统计年鉴、调查年鉴及统计公报,由于投入产出表仅公布了2002年、2007年、2012年和2017年的数据,其余年份参考Liu等 [41]方法调整,西部地区各省(自治区)间的距离利用ArcGIS软件distance功能计算。

2 结果与分析 2.1 西部地区家庭消费间接碳排放量动态演进特征

本文结合投入产出分析法和消费者生活方式方法,对2012—2021年西部地区的家庭消费间接碳排放量进行测算。

2.1.1 西部地区家庭消费间接碳排放总量演进分析

在2012—2021年研究期间,西部地区年均家庭消费间接碳排放总量(图 1)为87 341.40万tCO2,整体呈现逐年增加的趋势,年均增长率为5.88%。其中,城镇家庭消费间接碳排放占比为67% 左右,年均增长率为6.70%,乡村家庭消费间接碳排放占比为33% 左右,增加趋势较平缓。西部地区生态位势独特,整体经济社会发展水平落后于东、中部地区且城乡生活方式和消费水平存在差异,导致城镇家庭消费碳排放显著高于乡村碳排放。

图 1 2012—2021年西部城乡家庭消费间接碳排放

从家庭消费支出的八大消费类型碳排放来看,城乡家庭消费间接碳排放总量均有增加趋势(图 2图 3),其中,食品、居住、医疗保健、文教娱乐和交通通信的碳排放占比较大。在城镇家庭消费间接碳排放中,食品、衣着和医疗保健的消费碳排放占比在下降,居住、家庭设备用品和交通通信的消费碳排放占比在增加。在乡村家庭消费间接碳排放中,食品、衣着和医疗保健的消费碳排放占比存在不同程度的降低,居住、家庭设备用品、文教娱乐和交通通信的消费碳排放占比有所增加。随着城市化进程和整体经济生活水平的提升、物流配送的迅速发展与私家车数量的增加,城乡家庭居民在居住和交通通信的消费支出大幅提高。在城乡家庭消费间接碳排放中,居住和交通通信消费碳排放占比增加最显著。

图 2 2012—2021年西部城镇家庭消费间接碳排放构成
图 3 2012—2021年西部乡村家庭消费间接碳排放构成
2.1.2 西部地区各省(自治区)家庭消费间接碳排放量演进分析

西部地区10个省(自治区)可按照家庭消费间接碳排放水平划分为4个梯队:第一梯队为四川省,四川省凭借较高的经济发展水平和消费水平位居西部地区首位。第二梯队为内蒙古、广西、贵州、云南和陕西,5个省(自治区)的家庭消费间接碳排放水平仅次于四川且彼此间差距较小。第三梯队为新疆和甘肃,相较于第一、二梯队,新疆和甘肃的经济和社会发展则相对落后。第四梯队为青海和宁夏,青海和宁夏的经济发展水平和人口数量均位于西部地区尾部,因此家庭消费间接碳排放量最低。

增速方面,虽然青海和甘肃的家庭消费间接碳排放总量较低,但年均增长率仍保持较高水平,其中青海的年均增长率为18.11%,宁夏的年均增长率为12.07%,广西、贵州、云南、陕西和新疆的年均增长率在5% 以上,内蒙古、四川和宁夏的年均增长率则在4% 以下。另外,在西部地区的10个省(自治区)中,家庭消费间接碳排放量均表现为城镇高于乡村,由图 4可以看出,2012—2021年西部地区各省(自治区)城乡家庭消费间接碳排放均呈现上升趋势。除四川省的个别年份外,研究期间内西部地区各省(自治区)城乡家庭消费间接碳排放之间的差距逐渐增大,这也充分显示在城市化进程背景下城乡间的居民消费水平差距逐渐拉大。

图 4 2012—2021年西部各省(自治区)城乡家庭消费间接碳排放
2.2 西部地区空间关联网络结构分析

为进一步探究西部家庭消费间接碳排放的空间结构特征,本文运用NETDRAW对西部地区家庭消费间接碳排放空间关联结构进行可视化分析,分别从整体关联网络特征、个体关联网络特征和聚类结构特征三个角度展开。

2.2.1 空间关联网络整体结构特征分析

西部家庭消费间接碳排放空间关联网络的整体结构特征结果显示(图 5表 3),网络关联数整体呈现波动变化趋势,研究期内最大值为29,远小于最大关联数90(10 × 9),说明西部地区家庭消费间接碳排放整体空间关联程度不够紧密,仍有较大提升空间。网络密度呈现“增加—减少—增加—减少”的周期性波动特征,平均数值较低维持在0.29左右,说明在研究期内西部地区各省(自治区)间的空间关联网络结构相对松散,内部关联亟待加强,可以通过提高资金、低碳技术、人才等关联要素在区域间流动的效率,促进区域经济发展,实现协调减排。

图 5 西部家庭消费间接碳排放空间关联网络拓扑图
表 3 西部家庭消费间接碳排放空间关联网络整体结构特征

网络关联度数值稳定为1,说明关联网络的稳健性较好且内部无不可达点数,西部地区各省(自治区)家庭消费间接碳排放联系密切,每个网络节点都可相互联结形成空间关联和溢出效应。网络等级度从2012年的0.744上升到2021年的0.868,整体呈现波动上升趋势,说明西部地区家庭消费间接碳排放空间关联网络内部的等级结构紧密,中心地位的节点对网络的控制作用加强,关联网络由以甘肃、陕西、贵州、广西、内蒙古、四川多中心协同发展的格局演变为以甘肃、四川、陕西少数省份主导的格局,这主要是因为西部地区经济水平差异导致要素流动不均衡。网络效率数值为0.63,整体呈小幅度下降趋势,说明空间关联网络内部连线有所减少,在一定程度上阻碍要素流通。

2.2.2 空间关联网络个体结构特征分析

西部地区家庭消费间接碳排放空间关联网络的个体结构特征指标数值借助Ucinet6.3软件计算得出,即点度中心度、接近中心度和中介中心度,由于篇幅限制仅截取2012年、2017年和2021年三年数据(表 4)。

表 4 西部家庭消费间接碳排放空间关联网络点度中心度

从点度中心度来看,可以将2012—2013年西部地区家庭消费碳排放划分为两个梯队。第一梯队包括甘肃、贵州、内蒙古、陕西、四川和云南,第二梯队包括广西、宁夏、青海和新疆。第一梯队省(自治区)的点度中心度均高于平均值,位于空间关联网络的中心位置,对要素吸引力较强。结果表明这些省(自治区)的经济和交通区位较好,能够发挥中心区位优势,通过对外溢出技术、资金等要素带动其余地区经济发展和绿色转型的同时吸纳人才提高内部生活和生产质量及效率。第二梯队省(自治区)的点度中心度均低于平均值,位于关联网络的边缘位置,与其他地区联系较少。结果表明这些省(自治区)人口较少、城镇化水平低、交通区域优势不足,导致能源消耗少,在一定程度上阻碍要素流动。2014—2018年,内蒙古、甘肃和陕西点度中心度位居前列,凭借自身资源优势和政策支持占据空间关联网络的中心位置。2019—2021年,陕西、甘肃、四川和云南与西部其他地区的关联程度较强,对家庭消费间接碳排放产生重要影响。整体而言,研究期间西部家庭消费间接碳排放空间关联网络呈现小幅度的变动情况,位于中心位置的省(自治区)出现交替,说明对西部地区家庭消费间接碳排放空间关联网络影响较大的省(自治区)差距不大,会随着经济的发展出现变化。

从接近中心度来看,2012—2013年,甘肃、贵州、内蒙古、陕西和四川的接近中心度均高于均值,而贵州省的接近中心度从2014年开始降低,云南省的接近中心度从2020年开始大于均值。接近中心度的高低能够反映各省(自治区)与关联网络中心的接近程度,数值越高越接近关联网络“中心行动者”的地位,能够与其余省(自治区)快速建立联系。上述省(自治区)中四川和陕西凭借较高的经济发展水平和向内接收劳动力等要素,向外溢出低碳技术和资金。甘肃、贵州和内蒙古凭借区位优势及政策支持,接收其他省份(自治区)的资金和先进技术并与其他省份建立关联。贵州省的“接近”地位在周边省(自治区)的蓬勃发展下逐步被代替,然而随着生态文明建设重要程度的提升,云南省作为西部生态文明建设的排头兵,与其他省份的联系在逐渐增多。

从中介中心度来看,2012—2013年,甘肃、贵州、内蒙古和陕西4个省(自治区)的中介中心度均高于均值,2014年以后,贵州的中介中心度降低,2017— 2019年四川的中介中心度大于均值。中介中心度的高低能够反映各省(自治区)空间关联网络的连通程度,数值越高“中介”效应越强。甘肃、内蒙古和陕西凭借交通区位优势和政策红利,成为周边省(自治区)要素交流的枢纽。“十三五”期间四川省的经济和区位优势凸显,成为西南发展中心,吸引资金、技术、人才等要素汇集,要素借助四川省的“平台”向其他区域扩散。四川省凭借“中介中心”地位为要素间交流提供信息、技术等多方面的支持,逐渐成为西部地区家庭消费间接碳排放空间关联网络的交流“桥梁”。

2.2.3 空间关联网络聚类结构特征分析

为了进一步探究家庭消费间接碳排放空间内部的角色和关联关系,本文采用Ucinet6.3软件中的CONCOR模块,将西部地区家庭消费间接碳排放空间关联网络划分为4个板块,结果如表 5所示。

表 5 西部家庭消费间接碳排放空间关联网络块模型结果

从整体情况上看,2013年块模型结果显示,甘肃和贵州的板块接收数(12)均大于溢出数(3),属于净受益板块,因为两省份区位、经济和资源优势直接影响家庭消费间接碳排放要素流动,吸引劳动力、产业等要素流入并成为主受益方。宁夏、青海和新疆的板块接收数(1)远低于溢出数(8),属于净溢出板块,因为自身基础设施和发展限制对要素吸引力弱,主要借助板块内部劳动力和资源溢出来提升居民收入。陕西、内蒙古和四川的板块接收数和溢出数差异小,更注重板块内部要素流动,因此属于双向溢出板块,因为其省内(自治区内)经济、资源、交通、基础设施较完善,既能够与外部保持要素密切流动又能兼顾内部发展。2017年甘肃仍然是主要受益省份,2021年陕西和内蒙古演变为净受益板块,贵州、四川等省份成为净溢出板块,甘肃的中介作用加强。整体来看,西部地区家庭消费间接碳排放空间聚类特征明显,板块间接收和溢出效应显著,空间极化集中在少数资源禀赋优势的省(自治区)。

从时间变化上看,与2013年相比,2017年贵州由净受益板块转为双向溢出板块,原因是贵州处于长江经济带西部中心,作为要素交流的交通枢纽,在自身发展的过程中也会促进资金和技术等要素流动,间接影响周边省(自治区)的家庭消费情况。宁夏由净溢出板块转入双向溢出板块行列,原因是国家对于民族地区的支持及经济协调发展战略的实施使宁夏经济得到发展,得以吸引周边要素流入。内蒙古由双向溢出板块转入净溢出板块,原因是经济协调发展战略使内蒙古对外部要素的吸引力下降。与2017年相比,2021年家庭消费间接碳排放空间关联网络的结构发生变动,四川和云南由经纪人板块转为净溢出板块,要素的流动也随之加快。甘肃由净受益板块转入经纪人板块,原因是甘肃经济的发展速度减缓,内蒙古和陕西分散部分流入甘肃省的要素。内蒙古由净溢出板块转入净受益板块,是由于国家政策支持促进内蒙古经济发展,吸引外部要素的流入。

3 结论与讨论

本文结合投入产出分析法和消费者生活方式方法对2012—2021年西部家庭消费间接碳排放进行测算,在探究碳排放动态演进情况的基础上,利用社会网络分析法分析空间关联网络结构特征。

3.1 结论

西部家庭消费间接碳排放整体呈现上升趋势,但增长趋势变缓,城镇和乡村间存在较大差距,居住和交通通信的消费碳排放作为其中占比较大的领域存在不断增长的趋势。各省(自治区)家庭消费间接碳排放差异显著,其中四川省凭借自身经济和消费优势位居第一梯队。

西部家庭消费间接碳排放整体上呈现明显的空间关联效应,其中整体网络结构呈现周期性波动趋势,网络关联个数和网络密度的均值分别为26.2和0.29,表明各省(自治区)空间关联紧密程度不高,要素流通不充分,而网络等级度增加表明等级梯度提高,四川、甘肃等对网络控制力增强。个体网络结构中,甘肃、贵州、内蒙古、陕西和四川经济和区位优势位居西部前列对要素掌控能力较强,处于空间网络主导地位,而新疆、青海和宁夏人口少且消费水平低处于网络的边缘区域。空间聚类方面,以板块间要素的传导和溢出效应为主,板块内部的关联效应较少,其中甘肃、陕西为净受益板块,两省凭借自身区位和经济优势吸引要素流入,故交通区位优越的省(自治区)多为要素的主要受益方,经济发展水平较高的省(自治区)多为要素的主要溢出方。

3.2 讨论

现有关于家庭消费碳排放的研究大多将研究视角固定在碳排放的影响因素方面,空间相关性和溢出效应的考察也多集中于地理邻近区域,对不同省(自治区)家庭消费碳排放的空间依赖特征缺乏分析。因此,本文在研究区域和研究方法的选择及研究视角的切入等方面进行拓展。研究结果显示西部家庭消费间接碳排放具有显著空间关联网络特征,能源消耗、工业生产和交通通信等人类经济社会活动是家庭消费碳排放的主要来源 [40],经济上的空间关联带动家庭消费碳排放相关要素的空间流动,从而带来碳排放的空间关联。空间关联网络的研究结果与谭灵芝和刘华军等 [42, 43]一致,认为提高资源、技术、劳动力、资金等相关要素流动,能够缓解能源压力促进基础设施建设,推动区域协调发展,从而转变居民消费方式和观念,最终实现协同减排。但目前西部家庭消费间接碳排放空间关联网络的网络关联数量较少,需要进一步采取相关措施加强西部各省(自治区)关联关系,促进相关要素流动。

另外,本文仍存在如下不足有待深入分析:①西部家庭消费间接碳排放的测算综合使用投入产出和消费者生活方式方法,整体的测算过程虽然是准确且科学的,但对于不同收入家庭的消费支出情况并没有进行细分,在消费者异质性方面有待深入探究。②本文对西部家庭消费间接碳排放空间关联网络的内部结构进行探究,但没有考虑外部省份(自治区)的关联关系,网络结构在外部省份(自治区)的冲击下是否会变化,也是未来优化的方向。③在西部地区不同的自然资源、经济发展水平和社会条件下,家庭消费间接碳排放空间关联网络是否会受到影响,如何根据网络结构制定合适的家庭消费碳减排策略,仍是研究的重要方向。

参考文献
[1]
樊杰, 李平星. 基于城市化的中国能源消费前景分析及对碳排放的相关思考[J]. 地球科学进展, 2011, 26(1): 57-65.
[2]
徐斌, 陈宇芳, 沈小波. 清洁能源发展、二氧化碳减排与区域经济增长[J]. 经济研究, 2019, 54(7): 188-202.
[3]
厉以宁, 朱善利, 罗来军, 等. 低碳发展作为宏观经济目标的理论探讨——基于中国情形[J]. 管理世界, 2017(6): 1-8.
[4]
习近平. 高举中国特色社会主义伟大旗帜为全面建设社会主义现代化国家而团结奋斗[N]. 人民日报, 2022-10-26(001).
[5]
ZHANG H W, SHI X P, WANG K Y, et al. Intertemporal lifestyle changes and carbon emissions: evidence from a China household survey[J]. Energy economics, 2020, 86: 104655. DOI:10.1016/j.eneco.2019.104655
[6]
吴开亚, 王文秀, 张浩, 等. 上海市居民消费的间接碳排放及影响因素分析[J]. 华东经济管理, 2013, 27(1): 1-7.
[7]
LIU J Y, MURSHED M, CHEN F Z, et al. An empirical analysis of the household consumption-induced carbon emissions in China[J]. Sustainable production and consumption, 2021, 26: 943-957. DOI:10.1016/j.spc.2021.01.006
[8]
BELAID F, RAULT C. Energy expenditure in Egypt: Empirical evidence based on a quantile regression approach[J]. Environmental modeling & assessment, 2021, 26(4): 511-528.
[9]
QU J S, ZENG J J, LI Y, et al. Household carbon dioxide emissions from peasants and herdsmen in northwestern arid-alpine regions, China[J]. Energy policy, 2013, 57: 133-140. DOI:10.1016/j.enpol.2012.12.065
[10]
KOK R, BENDERS R M J, MOLL H C. Measuring the environmental load of household consumption using some methods based on input–output energy analysis: a comparison of methods and a discussion of results[J]. Energy policy, 2006, 34(17): 2744-2761. DOI:10.1016/j.enpol.2005.04.006
[11]
ZHANG X L, LUO L Z, SKITMORE M. Household carbon emission research: an analytical review of measurement, influencing factors and mitigation prospects[J]. Journal of cleaner production, 2015, 103: 873-883. DOI:10.1016/j.jclepro.2015.04.024
[12]
BIN S, DOWLATABADI H. Consumer lifestyle approach to US energy use and the related CO2 emissions[J]. Energy policy, 2005, 33(2): 197-208. DOI:10.1016/S0301-4215(03)00210-6
[13]
BICKNELL K B, BALL R J, CULLEN R, et al. New methodology for the ecological footprint with an application to the New Zealand economy[J]. Ecological economics, 1998, 27(2): 149-160. DOI:10.1016/S0921-8009(97)00136-5
[14]
XIA Y, WANG H J, LIU W D. The indirect carbon emission from household consumption in China between 1995-2009 and 2010-2030: a decomposition and prediction analysis[J]. Computers & industrial engineering, 2019, 128: 264-276.
[15]
KENNY T, GRAY N F. A preliminary survey of household and personal carbon dioxide emissions in Ireland[J]. Environment international, 2009, 35(2): 259-272. DOI:10.1016/j.envint.2008.06.008
[16]
冯玲, 吝涛, 赵千钧. 家庭能耗与碳足迹研究进展[J]. 生态科学, 2010, 29(2): 161-170.
[17]
PAPATHANASOPOULOU E. Household consumption, associated fossil fuel demand and carbon dioxide emissions: the case of Greece between 1990 and 2006[J]. Energy policy, 2010, 38(8): 4152-4162. DOI:10.1016/j.enpol.2010.03.043
[18]
LIU L C, WU G, WANG J N, et al. China' s carbon emissions from urban and rural households during 1992-2007[J]. Journal of cleaner production, 2011, 19(15): 1754-1762. DOI:10.1016/j.jclepro.2011.06.011
[19]
KERKHOF A C, BENDERS R M J, MOLL H C. Determinants of variation in household CO2 emissions between and within countries[J]. Energy policy, 2009, 37(4): 1509-1517. DOI:10.1016/j.enpol.2008.12.013
[20]
ZHANG X L, WANG Y. How to reduce household carbon emissions: a review of experience and policy design considerations[J]. Energy policy, 2017, 102: 116-124. DOI:10.1016/j.enpol.2016.12.010
[21]
HUANG Y Z, SHIGETOMI Y, CHAPMAN A, et al. Uncovering household carbon footprint drivers in an aging, shrinking society[J]. Energies, 2019, 12(19): 3745. DOI:10.3390/en12193745
[22]
王悦, 李锋, 陈新闯, 等. 典型社区家庭消费碳排放特征与影响因素——以北京市为例[J]. 生态学报, 2019, 39(21): 7840-7853.
[23]
ZHOU X Y, GU A L. Impacts of household living consumption on energy use and carbon emissions in China based on the input–output model[J]. Advances in climate change research, 2020, 11(2): 118-130. DOI:10.1016/j.accre.2020.06.004
[24]
付伟, 罗明灿, 陈建成. 碳足迹及其影响因素研究进展与展望[J]. 林业经济, 2021, 43(8): 39-49.
[25]
彭璐璐. 中国居民消费间接碳排放时空分布及电子商务驱动下的排放趋势分析[D]. 北京: 北京林业大学, 2020.
[26]
JIANG L, DING B W P, SHI X N, et al. Household energy consumption patterns and carbon emissions for the megacities―evidence from Guangzhou, China[J]. Energies, 2022, 15(8): 2731. DOI:10.3390/en15082731
[27]
SONG C, ZHAO T, XIAO Y E. Temporal dynamics and spatial differences of household carbon emissions per capita of China's provinces during 2000-2019[J]. Environmental science and pollution research, 2022, 29(21): 31198-31216. DOI:10.1007/s11356-021-17921-5
[28]
JONES C M, KAMMEN D M. Quantifying carbon footprint reduction opportunities for U.S. households and communities[J]. Environmental science & technology, 2011, 45(9): 4088-4095.
[29]
申俊, 孙涵, 成金华. 中国城镇居民完全能源消费的空间计量分析[J]. 资源科学, 2016, 38(3): 439-449.
[30]
李艳梅, 张红丽. 城市化对家庭CO2排放影响的区域差异——基于中国省级面板数据的分析[J]. 资源科学, 2016, 38(3): 545-556.
[31]
吉雪强, 张跃松. 长江经济带种植业碳排放效率空间关联网络结构及动因[J]. 自然资源学报, 2023, 38(3): 675-693.
[32]
王峥, 程占红. "双碳"目标下中国服务业碳强度时空交互特征及跃迁机制[J]. 地理学报, 2023, 78(1): 54-70.
[33]
李爱, 王雅楠, 李梦, 等. 碳排放的空间关联网络结构特征与影响因素研究: 以中国三大城市群为例[J]. 环境科学与技术, 2021, 44(6): 186-193.
[34]
史琴琴, 鲁丰先, 陈海, 等. 中原经济区城镇居民消费间接碳排放时空格局及其影响因素[J]. 资源科学, 2018, 40(6): 1297-1306.
[35]
ULMAN E L. American Commodity Flow: A Geographical Interpretation of Rail and Water Traffic based on Principles of Spatial Interchange[M]. Seattle: University of Washington Press, 1957.
[36]
程慧, 徐琼, 赵梦亚. 中国旅游生态效率的空间关联网络结构及其影响因素研究[J]. 生态科学, 2020, 39(5): 169-178.
[37]
吉雪强, 刘慧敏, 张跃松. 中国省际土地利用碳排放空间关联网络结构演化及驱动因素[J]. 经济地理, 2023, 43(2): 190-200.
[38]
WASSERMAN S, FAUST K. Social Network Analysis: Methods and Applications[M]. Cambridge: Cambridge University Press, 1994: 219-220.
[39]
郑航, 叶阿忠. 城市群碳排放空间关联网络结构及其影响因素[J]. 中国环境科学, 2022, 42(5): 2413-2422.
[40]
何艳秋, 陈柔, 朱思宇, 等. 中国农业碳排放空间网络结构及区域协同减排[J]. 江苏农业学报, 2020, 36(5): 1218-1228.
[41]
LIU X Y, WANG X E, SONG J N, et al. Indirect carbon emissions of urban households in China: patterns, determinants and inequality[J]. Journal of cleaner production, 2019, 241: 118335. DOI:10.1016/j.jclepro.2019.118335
[42]
谭灵芝. 我国土地要素产出空间关联网络特征及其效应研究[J]. 商业研究, 2018(6): 41-51.
[43]
刘华军, 刘传明, 孙亚男. 中国能源消费的空间关联网络结构特征及其效应研究[J]. 中国工业经济, 2015(5): 83-95.