【《中国省域的碳排放量影响因素的实例研究》7900字（论文）】

中国省域的碳排放量影响因素的实例研究目录TOC\o"1-3"\h\u21270中国省域的碳排放量影响因素的实例研究 1120681.1研究数据 2162861.1.1数据来源 2116991.1.2影响因素选取 273251.1.3数据检验与处理 475041.2空间加权的地理因子分析实例研究 620601.2.1空间权重的确定 6168401.2.2加权相关系数矩阵 995891.2.3方差贡献率 1030071.2.4因子载荷矩阵 1164361.3空间相似的地理因子分析案例研究 1250211.3.1空间权重的确定 13209641.3.2各个省市的空间相关程度度量 1333031.3.3多变量的相似系数矩阵 13157521.3.4方差贡献率 14320211.3.5因子载荷矩阵 1599361.3.6公共因子得分 16中国国内生产总值（GDP）居世界第二位，能源消费和进口数量已超过美国成为世界第一；社会经济快速发展，对各种能源需求量大，导致我国碳排放量持续增加，在全球气候变化中占有不小的份额ADDINEN.CITEADDINEN.CITE.DATA[38,39]；能源短缺、环境污染、生态破坏问题日益突出。我国能源消费结构以煤炭为主，也是最大的温室气体排放国，客观上，中国面临着减少碳排放、维护生态安全等的巨大压力。2013年国家生态文明建设示范区中将碳排放强度规定为约束性指标，2014年，中国政府还正式提出，碳排放有望在2030年左右达到峰值。减少碳排放已成为国际社会的重要议题，低碳发展经济社会也成为建设美丽中国的重要内容，实施节能减排政策已成为我国走可持续发展道路的必然选择ADDINEN.CITE<EndNote><Cite><Author>李慧敏</Author><Year>2021</Year><RecNum>61</RecNum><DisplayText><styleface="superscript">[40]</style></DisplayText><record><rec-number>61</rec-number><foreign-keys><keyapp="EN"db-id="v2599xfaox2527etxp6xz5z59v92vdvewppa"timestamp="1620720429">61</key></foreign-keys><ref-typename="Music">61</ref-type><contributors><authors><author><styleface="normal"font="default"charset="134"size="100%">李慧敏</style></author><author><styleface="normal"font="default"charset="134"size="100%">杨旭</style></author><author><styleface="normal"font="default"charset="134"size="100%">吴相利</style></author></authors><secondary-authors><author><styleface="normal"font="default"charset="134"size="100%">等</style></author></secondary-authors></contributors><titles><title><styleface="normal"font="default"charset="134"size="100%">时空视角下能源密集型产业结构演变的碳排放效应</style></title></titles><pages>2018-2028</pages><volume>41</volume><num-vols>5</num-vols><dates><year>2021</year></dates><publisher><styleface="normal"font="default"charset="134"size="100%">环境科学学报</style></publisher><urls></urls><language>Chinese</language></record></Cite></EndNote>[40]。有许多因素会影响碳排放，但许多因素之间可能存在关联。多变量降维可以简化中国省域碳排放量的影响因素，并且量化各类影响因素的重要程度。本文以除西藏、香港、澳门和台湾的中国30个省域为研究对象，选取我国碳排放量的影响因素，并运用因子分析、空间加权的地理因子分析、空间相似的地理因子分析进行实例分析。1.1研究数据1.1.1数据来源本实例研究选取了我国30个省、市、自治区作为研究区域（香港、西藏、台湾以及澳门缺少完整数据）。实例研究所需的能源消费量和影响因素等数据来源于《中国能源统计年鉴》（2019）、国家统计局的《中国统计年鉴》（2019）、各省区2019年的地方统计年鉴和《中国人口和就业统计年鉴》。1.1.2影响因素选取国内外学者针对碳排放影响因素开展多方面研究ADDINEN.CITE<EndNote><Cite><Author>谢守红</Author><Year>2014</Year><RecNum>32</RecNum><DisplayText><styleface="superscript">[41,42]</style></DisplayText><record><rec-number>32</rec-number><foreign-keys><keyapp="EN"db-id="v2599xfaox2527etxp6xz5z59v92vdvewppa"timestamp="1620562906">32</key></foreign-keys><ref-typename="JournalArticle">17</ref-type><contributors><authors><author><styleface="normal"font="default"charset="134"size="100%">谢守红</style></author><author><styleface="normal"font="default"charset="134"size="100%">王利霞</style></author><author><styleface="normal"font="default"charset="134"size="100%">邵珠龙</style></author></authors></contributors><titles><title><styleface="normal"font="default"charset="134"size="100%">国内外碳排放研究综述</style></title><secondary-title><styleface="normal"font="default"charset="134"size="100%">干旱区地理</style></secondary-title></titles><periodical><full-title>干旱区地理</full-title></periodical><pages>720-730</pages><volume>37</volume><number>4</number><dates><year>2014</year></dates><urls></urls><language>Chinese</language></record></Cite><Cite><Author>Yeqing</Author><Year>2014</Year><RecNum>33</RecNum><record><rec-number>33</rec-number><foreign-keys><keyapp="EN"db-id="v2599xfaox2527etxp6xz5z59v92vdvewppa"timestamp="1620563025">33</key></foreign-keys><ref-typename="JournalArticle">17</ref-type><contributors><authors><author>ChengYeqing</author><author>WangZheye</author><author>YeXinyue</author><author>etal</author></authors></contributors><titles><title>SpatiotemporaldynamicsofcarbonintensityfromenergyconsumptioninChina</title><secondary-title>JournalofGeographicalSciences</secondary-title></titles><periodical><full-title>JournalofGeographicalSciences</full-title></periodical><pages>631-650</pages><volume>24</volume><number>4</number><dates><year>2014</year></dates><urls></urls><language>english</language></record></Cite></EndNote>[41,42]，众多国内外文献都认为碳排放与能源结构ADDINEN.CITE<EndNote><Cite><Author>Freitas</Author><Year>2011</Year><RecNum>34</RecNum><DisplayText><styleface="superscript">[43]</style></DisplayText><record><rec-number>34</rec-number><foreign-keys><keyapp="EN"db-id="v2599xfaox2527etxp6xz5z59v92vdvewppa"timestamp="1620563195">34</key></foreign-keys><ref-typename="JournalArticle">17</ref-type><contributors><authors><author>LucianoCharlitaDeFreitas</author><author>ShinjiKaneko</author></authors></contributors><titles><title>DecomposingthedecouplingofCO2emissionsandeconomicgrowthinBrazil</title><secondary-title>EcologicalEconomics</secondary-title></titles><periodical><full-title>EcologicalEconomics</full-title></periodical><pages>1459-1469</pages><volume>70</volume><number>8</number><dates><year>2011</year></dates><urls></urls><language>english</language></record></Cite></EndNote>[43]、经济增长ADDINEN.CITE<EndNote><Cite><Author>Wang</Author><Year>2014</Year><RecNum>35</RecNum><DisplayText><styleface="superscript">[44,45]</style></DisplayText><record><rec-number>35</rec-number><foreign-keys><keyapp="EN"db-id="v2599xfaox2527etxp6xz5z59v92vdvewppa"timestamp="1620563283">35</key></foreign-keys><ref-typename="JournalArticle">17</ref-type><contributors><authors><author>ShaojianWang</author><author>ChuanglinFang</author><author>HaitaoMa</author><author>YangWang</author><author>JingQin</author></authors></contributors><titles><title>Spatialdifferencesandmulti-mechanismofcarbonfootprintbasedonGWRmodelinprovincialChina</title><secondary-title>JournalofGeographicalSciences</secondary-title></titles><periodical><full-title>JournalofGeographicalSciences</full-title></periodical><pages>612-630</pages><volume>24</volume><number>4</number><dates><year>2014</year></dates><urls></urls><language>english</language></record></Cite><Cite><Author>Coondoo</Author><Year>2002</Year><RecNum>63</RecNum><record><rec-number>63</rec-number><foreign-keys><keyapp="EN"db-id="v2599xfaox2527etxp6xz5z59v92vdvewppa"timestamp="1620730687">63</key></foreign-keys><ref-typename="JournalArticle">17</ref-type><contributors><authors><author>DCoondoo</author><author>SDinda</author></authors></contributors><titles><title><styleface="normal"font="default"size="100%">CausalityBetweenIncomeandEmission:aCountryGroup</style><styleface="normal"font="default"charset="134"size="100%">－</style><styleface="normal"font="default"size="100%">specificEconometricAnalysis</style></title><secondary-title>EcologicalEconomics</secondary-title></titles><periodical><full-title>EcologicalEconomics</full-title></periodical><pages>351-367</pages><number>40</number><dates><year>2002</year></dates><urls></urls><language>english</language></record></Cite></EndNote>[44,45]、人口规模ADDINEN.CITE<EndNote><Cite><Author>Das</Author><Year>2014</Year><RecNum>36</RecNum><DisplayText><styleface="superscript">[46,47]</style></DisplayText><record><rec-number>36</rec-number><foreign-keys><keyapp="EN"db-id="v2599xfaox2527etxp6xz5z59v92vdvewppa"timestamp="1620563361">36</key></foreign-keys><ref-typename="JournalArticle">17</ref-type><contributors><authors><author>AparnaDas</author><author>SaikatKumarPaul</author></authors></contributors><titles><title><styleface="normal"font="default"size="100%">CO2emissionsfromhouseholdconsumptioninIndiabetween1993-94and2006-07</style><styleface="normal"font="default"charset="134"size="100%">：</style><styleface="normal"font="default"size="100%">Adecompositionanalysis</style></title><secondary-title>EnergyEconomics</secondary-title></titles><periodical><full-title>EnergyEconomics</full-title></periodical><pages>90-105</pages><volume>41</volume><dates><year>2014</year></dates><urls></urls><language>english</language></record></Cite><Cite><Author>York</Author><Year>2003</Year><RecNum>62</RecNum><record><rec-number>62</rec-number><foreign-keys><keyapp="EN"db-id="v2599xfaox2527etxp6xz5z59v92vdvewppa"timestamp="1620730493">62</key></foreign-keys><ref-typename="JournalArticle">17</ref-type><contributors><authors><author>RYork</author><author>EARosa</author><author>TDieta</author></authors></contributors><titles><title>IPATandIMPACT:AnalyticToolsforUnpackingtheDrivingForcesofEnvironmentalImpacts</title><secondary-title>EcologicalEconomics</secondary-title></titles><periodical><full-title>EcologicalEconomics</full-title></periodical><pages>351-365</pages><number>3</number><dates><year>2003</year></dates><urls></urls><language>english</language></record></Cite></EndNote>[46,47]之间存在关系ADDINEN.CITEADDINEN.CITE.DATA[48-50]。并且，不同于以往碳排放量与人口、经济发展、能源的宏观关系，本文的实例研究选取了产业结构ADDINEN.CITE<EndNote><Cite><Author>Xiaoqing</Author><Year>2011</Year><RecNum>42</RecNum><DisplayText><styleface="superscript">[51,52]</style></DisplayText><record><rec-number>42</rec-number><foreign-keys><keyapp="EN"db-id="v2599xfaox2527etxp6xz5z59v92vdvewppa"timestamp="1620564700">42</key></foreign-keys><ref-typename="JournalArticle">17</ref-type><contributors><authors><author>ZhangXiaoqing</author><author>RenJianlan</author></authors></contributors><titles><title>Therelationshipbetweencarbondioxideemissionsandindustrialstructureadjustmentinshandongprovince</title><secondary-title>EnergyProcedia</secondary-title></titles><periodical><full-title>EnergyProcedia</full-title></periodical><pages>1121-1125</pages><number>5</number><dates><year>2011</year></dates><urls></urls><language>english</language></record></Cite><Cite><Author>沈杨</Author><Year>2020</Year><RecNum>43</RecNum><record><rec-number>43</rec-number><foreign-keys><keyapp="EN"db-id="v2599xfaox2527etxp6xz5z59v92vdvewppa"timestamp="1620564780">43</key></foreign-keys><ref-typename="Music">61</ref-type><contributors><authors><author><styleface="normal"font="default"charset="134"size="100%">沈杨</style></author><author><styleface="normal"font="default"charset="134"size="100%">汪聪聪</style></author><author><styleface="normal"font="default"charset="134"size="100%">高超</style></author></authors><secondary-authors><author><styleface="normal"font="default"charset="134"size="100%">等</style></author></secondary-authors></contributors><titles><title><styleface="normal"font="default"charset="134"size="100%">基于城市化的浙江省湾区经济带碳排放时空分布特征及影响因素分析</style></title></titles><pages>329-342</pages><volume>35</volume><dates><year>2020</year></dates><publisher><styleface="normal"font="default"charset="134"size="100%">自然资源学报</style></publisher><urls></urls><language>Chinese</language></record></Cite></EndNote>[51,52]、人口聚集、城镇建设、对外开放ADDINEN.CITE<EndNote><Cite><Author>李建豹</Author><Year>2015</Year><RecNum>44</RecNum><DisplayText><styleface="superscript">[53]</style></DisplayText><record><rec-number>44</rec-number><foreign-keys><keyapp="EN"db-id="v2599xfaox2527etxp6xz5z59v92vdvewppa"timestamp="1620564873">44</key></foreign-keys><ref-typename="Music">61</ref-type><contributors><authors><author><styleface="normal"font="default"charset="134"size="100%">李建豹</style></author><author><styleface="normal"font="default"charset="134"size="100%">黄贤金</style></author><author><styleface="normal"font="default"charset="134"size="100%">吴常艳</style></author></authors><secondary-authors><author><styleface="normal"font="default"charset="134"size="100%">等</style></author></secondary-authors></contributors><titles><title><styleface="normal"font="default"charset="134"size="100%">中国省域碳排放影响因素的空间异质性分析</style></title></titles><pages>21-28</pages><volume>35</volume><dates><year>2015</year></dates><publisher><styleface="normal"font="default"charset="134"size="100%">经济地理</style></publisher><urls></urls><language>Chinese</language></record></Cite></EndNote>[53]、技术进步ADDINEN.CITEADDINEN.CITE.DATA[54,55]、教育提升ADDINEN.CITE<EndNote><Cite><Author>文亚妮</Author><Year>2021</Year><RecNum>47</RecNum><DisplayText><styleface="superscript">[56]</style></DisplayText><record><rec-number>47</rec-number><foreign-keys><keyapp="EN"db-id="v2599xfaox2527etxp6xz5z59v92vdvewppa"timestamp="1620565124">47</key></foreign-keys><ref-typename="JournalArticle">17</ref-type><contributors><authors><author><styleface="normal"font="default"charset="134"size="100%">文亚妮</style></author></authors></contributors><titles><title><styleface="normal"font="default"size="100%">FDI</style><styleface="normal"font="default"charset="134"size="100%">、产业结构优化对碳减排的影响研究</style></title><secondary-title><styleface="normal"font="default"charset="134"size="100%">上海节能</style></secondary-title></titles><periodical><full-title>上海节能</full-title></periodical><pages>253-265</pages><number>03</number><dates><year>2021</year></dates><urls></urls><language>Chinese</language></record></Cite></EndNote>[56]等影响因素变量。需要说明的是，本文的实例研究只考虑了能源消费活动产生的碳排放，在选取影响因素变量时没有考虑生物质能焚烧产生的碳排放量ADDINEN.CITE<EndNote><Cite><Author>王喜</Author><Year>2016</Year><RecNum>71</RecNum><DisplayText><styleface="superscript">[57]</style></DisplayText><record><rec-number>71</rec-number><foreign-keys><keyapp="EN"db-id="v2599xfaox2527etxp6xz5z59v92vdvewppa"timestamp="1620742709">71</key></foreign-keys><ref-typename="Music">61</ref-type><contributors><authors><author><styleface="normal"font="default"charset="134"size="100%">王喜</style></author><author><styleface="normal"font="default"charset="134"size="100%">张艳</style></author><author><styleface="normal"font="default"charset="134"size="100%">秦耀辰</style></author></authors><secondary-authors><author><styleface="normal"font="default"charset="134"size="100%">等</style></author></secondary-authors></contributors><titles><title><styleface="normal"font="default"charset="134"size="100%">我国碳排放变化影响因素的时空分异与调控</style></title></titles><pages>158-165</pages><volume>36</volume><num-vols>8</num-vols><dates><year>2016</year></dates><publisher><styleface="normal"font="default"charset="134"size="100%">经济地理</style></publisher><urls></urls><language>Chinese</language></record></Cite></EndNote>[57]以及森林的碳吸收量等等。目前，中国各省市的能源资源禀赋、能源结构及经济发展水平具有很大差异ADDINEN.CITE<EndNote><Cite><Author>仲云云</Author><Year>2018</Year><RecNum>67</RecNum><DisplayText><styleface="superscript">[58]</style></DisplayText><record><rec-number>67</rec-number><foreign-keys><keyapp="EN"db-id="v2599xfaox2527etxp6xz5z59v92vdvewppa"timestamp="1620741497">67</key></foreign-keys><ref-typename="JournalArticle">17</ref-type><contributors><authors><author><styleface="normal"font="default"charset="134"size="100%">仲云云</style></author></authors></contributors><titles><title><styleface="normal"font="default"charset="134"size="100%">中国省际能源消费碳排放的区域差异与时空演变特征</style></title><secondary-title><styleface="normal"font="default"charset="134"size="100%">生态经济</style></secondary-title></titles><periodical><full-title>生态经济</full-title></periodical><pages>30-33,39</pages><volume>34</volume><number>4</number><dates><year>2018</year></dates><urls></urls><language>Chinese</language></record></Cite></EndNote>[58]。科学合理地研究中国省域层面的碳排放量的影响因素，可以为减少省域能源消费、实现低碳经济转型提供数据支持与理论依据。综上，本文省域碳排放量的影响因素变量选取如下：（1）经济发展水平：经济发展与能源密不可分，这将导致能源需求的增加，但经济发展推动的技术进步可以使单位GDP能耗下降，因此碳排放强度将表现出下降趋势，每个省的人均GDP能够反映居民生活水平的提高，因此可以用来衡量地区经济发展水平。本文使用人均GDP作为影响因素变量。（2）产业结构：中国正处于高速发展时期，随之而来的是能源需求与能源消耗的攀升，从而影响了碳排放。当前，国民经济的产业结构由劳动密集型产业为主的低级结构，向以知识和技术密集型产业为主的高级结构调整和转变。本文采用各地区第一、二、三产业的增加值与GDP的比值表示各地区的产业结构。（3）能源结构：从上一节知，不同类型化石能源的碳含量是不同的，不同类型能源消耗造成的碳排放量差别很大。本文选取了煤炭、石油、天然气比重表示能源消费结构因素。（4）人口：人口增加将导致能源消耗增加，将导致碳排放增加。一方面，人口集聚可以通过成本优化效应带来经济活动和生产要素的空间集聚，共享基础设施，从而提高资源利用效率。同时也可以减排成本降到最低，有利于政府部门的集中监管。另一方面，人口增加也将需求更多的能源，从而导致碳排放增加。在城市化水平较低的情况下，城市扩张是粗放的。扩张城市用地和推进基础设施建设将带来大量能源消耗，这将增加碳排放。随着中国城镇化进程的不断推进，产业结构发生了变化，经济开始向集约化方向发展，资源利用效率得到提高，碳排放强度不断下降。其次，随着经济的发展，人们的环保意识不断提高，人们开始追求低碳生活方式，这也将导致碳排放量的下降。本文用各地区年末常住人口数量以及其与行政区划面积的比值（人口聚集）两个变量作为影响因素中的人口变量，选取各地区城镇人口与年末常住人口的比值表示影响因素中的人口结构变量。（5）城市建设：城市建设将带来大量的能源消耗，居民住房和城市基础设施建设的增加，将对钢铁、水泥等重工化产品产生大量需求，从而增加碳排放量；发达地区将逐渐走向城市集约化发展，带来碳排放强度下降。本文用城镇化率表示这一指标。（6）对外开放：对外开放程度高的地区经济发展水平普遍较高。对外开放可以为地区经济发展带来先进的技术及管理经验，促进东道国的技术创新，从而提高地区资源使用效率。不过，也有可能将高污染、高耗能的产业转移至东道国，导致东道国的碳排放量增加。进出口贸易总额、外商投资总额表示对外开放水平。（7）科学技术进步：提高技术创新能力，提高企业资源利用效率，从而影响碳排放量。但是，“回弹效应”认为技术进步不一定总能实现节能减排ADDINEN.CITE<EndNote><Cite><Author>Huang</Author><Year>2010</Year><RecNum>48</RecNum><DisplayText><styleface="superscript">[59]</style></DisplayText><record><rec-number>48</rec-number><foreign-keys><keyapp="EN"db-id="v2599xfaox2527etxp6xz5z59v92vdvewppa"timestamp="1620565777">48</key></foreign-keys><ref-typename="JournalArticle">17</ref-type><contributors><authors><author>BoHuang</author><author>BoWu</author><author>MichaelBarry</author></authors></contributors><titles><title>Geographicallyandtemporallyweightedregressionformodelingspatio-temporalvariationinhouseprices</title><secondary-title>InternationalJournalofGeographicalInformationScience</secondary-title></titles><periodical><full-title>InternationalJournalofGeographicalInformationScience</full-title></periodical><pages>383-401</pages><volume>24</volume><number>3</number><dates><year>2010</year></dates><urls></urls><language>english</language></record></Cite></EndNote>[59]，技术进步的偏向和技术进步的不同路径可能会对碳排放强度产生不同影响。本文选择科技支出、发明专利申请授权数、单位GDP能耗衡量各个地区的技术创新水平。（8）教育水平：教育可以提高人力资本整体水平，使经济得以高质量发展，人们环保意识得到提高，导致碳排放强度下降。本文选取各地区教育支出、平均受教育年限表示教育水平。其中，为上学、小学、初中、高中、大专及以上分别设置的受教育年限为：0年、6年、9年、12年、15年，平均受教育年限的计算公式为：H=其中，L1表示未上学的人数，L2表示接受小学教育的人数，，L3表示接受初中教育的人数，L据此，本文的碳排放影响因素变量如表4-1：表4-SEQ表4-\*ARABIC1碳排放量影响因素变量表一级指标二级指标符号一级指标二级指标符号能源结构煤炭能源消费比重x经济发展人均GDPx石油能源消费比重x城市建设城市建设用地面积x天然气能源消费比重x对外开放外商投资总额x人口人口规模x进出口贸易总额x人口集聚x科学技术单位GDP能耗x城市人口占比x科技支出x产业结构第一产业生产总值贡献率x发明专利申请授权量x第二产业生产总值贡献率x教育水平人均教育支出x第三产业生产总值贡献率x平均受教育年限x1.1.3数据检验与处理1.1.3.1空间自相关测度本文构建了面向区域化变量的地理因子分析方法，所以要对上一节中选取的众多影响因素变量进行空间自相关性的检验，保证每个影响因素变量的值都是与地理位置有关的随机函数。本文选用Moran’sI指数测度每个影响因素变量的空间自相关性，即变量在整个研究区域内的空间聚集程度。Moran’sI指数的具体阐述见第二章。本文的实例研究选取的18个变量的Moran’sI系数的测度结果如表4-2。表4-SEQ表4-\*ARABIC2变量的Moran’sI结果表变量z-scorep-value变量z-scorep-value煤炭能源消费比重2.25380.0242人均GDP2.72870.0063石油能源消费比重2.82970.0047城市建设用地面积1.66820.0953天然气能源消费比重2.51490.0119外商投资总额1.68440.0931年末常住人口2.28770.0222进出口贸易总额2.07630.0379人口集聚2.59610.0094单位GDP能耗3.12390.0018城市人口占比2.85120.0044科技支出1.89120.0586第一产业生产总值贡献率2.02440.0429发明专利申请授权量1.73940.0911第二产业生产总值贡献率2.12180.0339人均教育支出1.82340.0682第三产业生产总值贡献率1.72760.0841平均受教育年限2.85780.0043当Z>1.65且p<0.10时，我们认为该影响因素变量通过了显著性检验，存在空间自相关性。本实例研究选取的18个影响因素变量均通过空间自相关检验，即均具有空间自相关性，它们受到空间相关性的重要影响，空间分布格局并不是表现出随机分布的特征，而是具有一定给的空间聚集性。基于此，因子分析直接运用于这18个区域化变量是有偏或非最优的，本实例研究尝试对这18个影响因素变量利用地理因子分析方法进行降维处理。1.1.3.2数据标准化处理本文对各个变量进行正向的Min-Max的标准化，不改变数据的分布规律和分布方向。1.1.3.3KMO和Bartlett检验在进行因子分析之前，要对研究变量进行适应性测试，即KMO和Bartlett球形检验。标准化后的30个省市的18个影响因素变量建立3018的原始数据矩阵的KMO检验和Bartlett球形检验的结果如表4-3。Bartlett球形检验显著性水平一般以0.05为标准，当KMO检验的值大于0.7时，表明这些影响因素变量可以进行因子分析。表4-SEQ表4-\*ARABIC3KMO和Bartlett检验结果表KMO检验Bartlett检验近似卡方dfSig.0.744837.3891530可以看出，KMO值大于0.7，且Bartlett球形检验显著性水平为0，表明数据存在一定的相关性，可以用因子分析方法进行研究。1.2空间加权的地理因子分析实例研究空间加权的地理因子分析方法将空间加权的思想融入到因子分析中，针对某一特定的地理现象，根据这一地理现象的空间异质性，确定其解释变量在不同地理位置的空间权重，在多个区域化变量降维过程中，提高权重比较大的地理位置处解释变量的重要性，相应地减小权重比较小的地理位置处解释变量的影响。本节以中国30个省域（除西藏、香港、澳门和台湾）为研究对象，选取我国碳排放量的影响因素，并运用空间加权的地理因子分析进行实例分析，下面将展开阐述各部分的主要内容和重要结果。1.2.1空间权重的确定1.2.1.1碳排放量计算大气中的碳排放绝大部分来自人类活动消耗的化石能源，因此能源消费活动产生的碳排放量是计算碳排放量的主要部分ADDINEN.CITE<EndNote><Cite><Author>钱萍</Author><Year>2019</Year><RecNum>70</RecNum><DisplayText><styleface="superscript">[60]</style></DisplayText><record><rec-number>70</rec-number><foreign-keys><keyapp="EN"db-id="v2599xfaox2527etxp6xz5z59v92vdvewppa"timestamp="1620742431">70</key></foreign-keys><ref-typename="JournalArticle">17</ref-type><contributors><authors><author><styleface="normal"font="default"charset="134"size="100%">钱萍</style></author><author><styleface="normal"font="default"charset="134"size="100%">马彩虹</style></author></authors></contributors><titles><title><styleface="normal"font="default"charset="134"size="100%">中国能源消费碳排放时空动态变化</style></title><secondary-title><styleface="normal"font="default"charset="134"size="100%">西南大学学报：自然科学版</style></secondary-title></titles><periodical><full-title>西南大学学报：自然科学版</full-title></periodical><pages>93-100</pages><volume>41</volume><number>10</number><dates><year>2019</year></dates><urls></urls><language>Chinese</language></record></Cite></EndNote>[60]。对于碳排放量，学者们使用不同的方法来估算碳排放量。例如，张德英ADDINEN.CITE<EndNote><Cite><Year>2005</Year><RecNum>65</RecNum><DisplayText><styleface="superscript">[61]</style></DisplayText><record><rec-number>65</rec-number><foreign-keys><keyapp="EN"db-id="v2599xfaox2527etxp6xz5z59v92vdvewppa"timestamp="1620738692">65</key></foreign-keys><ref-typename="Hearing">14</ref-type><contributors></contributors><titles><title><styleface="normal"font="default"charset="134"size="100%">我国工业部门碳源排碳量估算方法研究</style></title><secondary-title><styleface="normal"font="default"charset="134"size="100%">张德英</style></secondary-title></titles><dates><year>2005</year></dates><pub-location><styleface="normal"font="default"charset="134"size="100%">北京</style></pub-location><publisher><styleface="normal"font="default"charset="134"size="100%">北京林业大学</style></publisher><urls></urls><language>Chinese</language></record></Cite></EndNote>[61]使用模拟碳排放系统、系统仿真等方法计算碳排放量；马忠海ADDINEN.CITE<EndNote><Cite><Year>2003</Year><RecNum>66</RecNum><DisplayText><styleface="superscript">[62]</style></DisplayText><record><rec-number>66</rec-number><foreign-keys><keyapp="EN"db-id="v2599xfaox2527etxp6xz5z59v92vdvewppa"timestamp="1620738985">66</key></foreign-keys><ref-typename="Hearing">14</ref-type><contributors></contributors><titles><title><styleface="normal"font="default"charset="134"size="100%">中国几种主要能源温室气体排放系数的比较评价研究</style></title><secondary-title><styleface="normal"font="default"charset="134"size="100%">马忠海</style></secondary-title></titles><dates><year>2003</year></dates><pub-location><styleface="normal"font="default"charset="134"size="100%">北京</style></pub-location><publisher><styleface="normal"font="default"charset="134"size="100%">中国原子能科学研究院</style></publisher><urls></urls><language>Chinese</language></record></Cite></EndNote>[62]通过估算不同能源的碳排放系数来计算碳排放量。本文使用联合国政府间气候变化专门委员会（IPCC）在2006年公布的《国家温室气体排放清单指南》中的碳排量估算公式ADDINEN.CITE<EndNote><Cite><Author>IPCC</Author><Year>2006</Year><RecNum>49</RecNum><DisplayText><styleface="superscript">[63]</style></DisplayText><record><rec-number>49</rec-number><foreign-keys><keyapp="EN"db-id="v2599xfaox2527etxp6xz5z59v92vdvewppa"timestamp="1620565888">49</key></foreign-keys><ref-typename="Generic">13</ref-type><contributors><authors><author>IPCC</author></authors></contributors><titles><title>2006IPCCguidelinesfornationalgreenhousegasinventories</title></titles><dates><year>2006</year></dates><pub-location>Kanagawa</pub-location><publisher>InstituteforGlobalEnvironmentalStrategics</publisher><urls></urls><language>english</language></record></Cite></EndNote>[63]估算各省2018年的碳排放量，公式为：C=其中，C表示能源燃烧产生的碳排放总量，（t）；Ei表示第i种能源消费量，（t）；Fi表示第i种能源的碳排放系数。原始能源消费量换算为标准煤，各类能源换算系数摘自《中国能源统计年鉴》（2019）。能源排放系数参考国家发展和改革委员会能源研究所ADDINEN.CITE<EndNote><Cite><Author>中国气候变化对策协调小组办公室</Author><Year>2007</Year><RecNum>50</RecNum><DisplayText><styleface="superscript">[64]</style></DisplayText><record><rec-number>50</rec-number><foreign-keys><keyapp="EN"db-id="v2599xfaox2527etxp6xz5z59v92vdvewppa"timestamp="1620566083">50</key></foreign-keys><ref-typename="Generic">13</ref-type><contributors><authors><author><styleface="normal"font="default"charset="134"size="100%">中国气候变化对策协调小组办公室</style></author><author><styleface="normal"font="default"charset="134"size="100%">国家发展和改革委员会能源研究所</style></author></authors></contributors><titles><title><styleface="normal"font="default"charset="134"size="100%">中国温室气体清单研究</style></title></titles><dates><year>2007</year></dates><pub-location><styleface="normal"font="default"charset="134"size="100%">北京</style></pub-location><publisher><styleface="normal"font="default"charset="134"size="100%">中国环境科学出版社</style></publisher><urls></urls><language>Chinese</language></record></Cite></EndNote>[64]，煤炭、石油、天然气的碳排放系数分别为：0.75、0.58、0.44。依据上述方法，得到2018年中国各省市碳排放量分布图4-1。图4-SEQ图4-\*ARABIC12018年中国省域的碳排放量分布图注：西藏、香港、澳门和台湾不在本文实例研究范围内。在碳排放量高低的平均分级的基础上进行调整，将本文研究的30个省市依据碳排放量划分为5个等级（104t）：超轻型<8000、轻型8000~16000、中型16000~24000、重型24000~32000、超重型>32000。2018年碳排放量属于超轻型的省市有北京市、天津市、吉林省、上海市等13个省市，轻型的省市有黑龙江省、浙江省等10个省市，中型的省市有辽宁省、江苏省、广东省，重型的有河北省、山西省、内蒙古自治区，超重型的有山东省。整体上，青海省的碳排放量处于最低，山东省的碳排放量最高。1.2.1.2空间加权系数空间加权系数的取值与具体研究问题有密切的联系，且赋予权重的方法也依据具体研究问题确定。在空间加权的地理因子分析方法中采用加权系数的目的是提高权重比较大的地理样本处的重要性。在第三章间加权的地理因子分析的方法原理阐述中已经介绍，可以依据表征研究的地理现象的值或者依据各个地理样本与这一地理现象发生位置的地理距离确定各个地理样本处的空间加权值。本文在中国省域的碳排放量的影响因素的实例研究时，空间加权值根据表征这一地理现象的值各个省市的碳排放量为指导来确定，对碳排放量的数值进行合理分级，等级越高的碳排放量赋予的权重越高。自然断点法是基于聚类分析中的单变量分类方法ADDINEN.CITE<EndNote><Cite><Author>蔡一乐</Author><Year>2021</Year><RecNum>51</RecNum><DisplayText><styleface="superscript">[65]</style></DisplayText><record><rec-number>51</rec-number><foreign-keys><keyapp="EN"db-id="v2599xfaox2527etxp6xz5z59v92vdvewppa"timestamp="1620566258">51</key></foreign-keys><ref-typename="Music">61</ref-type><contributors><authors><author><styleface="normal"font="default"charset="134"size="100%">蔡一乐</style></author><author><styleface="normal"font="default"charset="134"size="100%">曹诗颂</style></author><author><styleface="normal"font="default"charset="134"size="100%">杜明义</style></author></authors><secondary-authors><author><styleface="normal"font="default"charset="134"size="100%">等</style></author></secondary-authors></contributors><titles><title><styleface="normal"font="default"charset="134"size="100%">中国地级市人为热总量的估算及驱动因素分析</style></title></titles><pages>405-418</pages><volume>23</volume><dates><year>2021</year></dates><publisher><styleface="normal"font="default"charset="134"size="100%">地球信息科学学报</style></publisher><urls></urls><language>Chinese</language></record></Cite></EndNote>[65]，在一定的分级数下，通过计算类间的数据断点，使类中的差异最小化，类之间的差异最大化，它的优势在于对数据中的相似值进行最有效的区分。本文将各个省市的碳排放量利用数据分布特征采用自然断点法分为五个等级，碳排放量从高到地的各个省市的空间加权系数分别为：5，4，3，2，1，各个省市的空间加权系数如图4-2。图4-SEQ图4-\*ARABIC2各个省市的空间加权值分布图注：西藏、香港、澳门和台湾不在本文实例研究范围内。确定各个地理样本的空间加权值之后，将其引入到加权相关系数公式（3-1）中，衡量区域化变量之间的加权相关性。1.2.2加权相关系数矩阵本实例研究依据公式（3-1）计算18个影响因素变量的加权相关系数，构建加权相关系数矩阵R'图4-SEQ图4-\*ARABIC3加权相关系数矩阵的热力图上图中，加权相关系数值的背景颜色越深，加权相关系数的数值越大，说明两个区域化变量具有较强的加权相关性。图4-3中背景颜色深加权相关系数值很多，说明本实例研究的18个区域化变量含有较多的重叠信息，有必要进行地理因子分析进行降维。空间加权的地理因子分析方法在此加权相关系数矩阵的基础上，求取加权相关系数矩阵的特征值和特征向量、计算累计方差贡献率并且确定公共因子个数、方差最大正交旋转因子载荷矩阵、计算公共因子得分，得到多个区域化变量的降维结果。1.2.3方差贡献率本实例研究通过空间相似的地理因子分析方法得到18个影响因素变量降维结果解释的方差贡献率如表4-4。表4-SEQ表4-\*ARABIC4空间加权的地理因子分析的方差贡献率表成分初始旋转后特征值方差贡献率%累计方差贡献率%方差贡献率%累计方差贡献率%18.282946.0246.0230.0530.0523.686120.4866.4911.4441.4931.77149.8476.3429.8971.3741.48778.2681.6010.1081.4750.88121.9089.508.0389.5060.53262.9692.4670.41842.3291.7880.30821.7196.4