计量地理学实验报告

计量地理学实验报告一、实验目的掌握空间数据预处理、探索性空间数据分析（ESDA）的原理与操作方法，理解普通最小二乘回归（OLS）与地理加权回归（GWR）的差异，掌握GWR模型的构建、参数估计与结果解读方法；以我国省域碳排放为研究对象，量化分析碳排放的空间集聚特征与影响因素的空间异质性，为区域碳减排政策制定提供量化支撑。二、实验环境与数据来源2.1实验环境软件工具包括ArcGIS10.8（用于空间数据匹配、GWR模型运行与结果可视化）、GeoDa1.20（用于空间权重矩阵构建、ESDA分析、OLS回归与空间依赖性检验）、Stata17（用于描述性统计、多重共线性检验）；硬件为台式计算机，操作系统为Windows10，处理器为IntelCorei7-10700，内存16GB。

2.2数据来源

（1）空间数据：2020年全国省级行政矢量数据（shp格式），来自国家基础地理信息中心公开的1:100万基础地理信息数据库，包含34个省级行政区矢量边界，坐标系统为WGS84。（2）属性数据：①被解释变量：省域碳排放总量（万吨），来自中国碳核算数据库（CEADs）2020年分省能源消费碳排放核算结果，核算范围覆盖化石燃料燃烧、水泥生产等工业过程碳排放，数据精度符合学术研究标准；②解释变量：常住人口（万人）、人均GDP（元/人，2015年不变价）、第二产业增加值占GDP比重（%，简称产业结构）、城镇化率（%，城镇常住人口占比）来自《中国统计年鉴2021》，单位GDP能耗（吨标准煤/万元，简称能源强度）来自《中国能源统计年鉴2021》，所有数据均为2020年年度数据。

2.3样本说明

剔除数据缺失的西藏自治区、香港特别行政区、澳门特别行政区、台湾省，最终得到30个省级行政区作为研究样本，覆盖我国东、中、西三大区域，具有区域代表性。三、实验原理3.1探索性空间数据分析（ESDA）ESDA是通过空间自相关检验识别地理要素空间集聚特征的方法，分为全局空间自相关与局部空间自相关两类。（1）全局空间自相关：用于判断地理要素在整体空间上的集聚程度，常用指标为莫兰指数（Moran’sI），计算公式为：

其中，n为样本数量，xi、xj分别为第i、j个样本的属性值，x为属性值的均值，Wij为空间权重矩阵的元素，表征样本i与j的空间邻接关系。本实验采用Queen邻接权重，即两个行政区有共同边界或顶点时Wij=

其中，为属性值的方差。根据局部莫兰指数的正负与显著性，可将集聚模式分为四类：高-高（H-H，自身高值、周边高值）、低-低（L-L，自身低值、周边低值）、高-低（H-L，自身高值、周边低值）、低-高（L-H，自身低值、周边高值）。

3.2普通最小二乘回归（OLS）

OLS是全局线性回归的经典方法，假设变量关系在空间上具有均质型，模型形式为：S

其中，为常数项，为第个解释变量的全局回归系数，为解释变量个数，为随机误差项，服从独立同分布的正态假设。OLS的局限性在于无法捕捉地理要素的空间异质性，当变量关系存在空间差异时，估计结果存在偏差。

3.3地理加权回归（GWR）

GWR是将空间位置嵌入回归参数的局部线性回归方法，通过对每个样本点进行加权最小二乘估计，得到各样本点的局部回归系数，能够有效捕捉变量关系的空间异质性，模型基本形式为：β0βkk

其中，(ui,vi)为第i个样本的空间坐标（经纬度），β0(ui,

其中，dij为样本i与j的欧氏距离，b为带宽参数。带宽采用AICc准则选择，即选择使AICc值最小的带宽，AICc值越小表示模型拟合效果越优。4.1数据预处理与描述性统计（1）空间数据匹配：打开ArcGIS10.8，导入省级矢量图层，通过“连接与关联”工具，以省级行政区编码为唯一标识，将整理好的Excel格式属性数据连接到矢量图层属性表中，验证匹配率为100%，30个样本全部匹配成功。

（2）变量变换：为消除异方差影响，对碳排放总量、常住人口、人均GDP、能源强度4个连续型变量取自然对数，分别命名为lnC、lnP、lnAGDP、lnEI；产业结构（IND）、城镇化率（UR）为比例变量，保留原始水平值。

（3）多重共线性检验：使用Stata17计算所有解释变量的方差膨胀因子（VIF），结果显示表1变量描述性统计（三线表）变量符号变量含义最小值最大值均值标准差碳排放总量自然对数8.4911.019.870.68常住人口自然对数6.589.608.210.76人均GDP自然对数（2015年价）10.5611.8611.190.37第二产业增加值占比（%）15.8046.3037.826.24能源强度自然对数-1.510.60-0.560.51城镇化率（%）53.1589.3063.899.784.2探索性空间数据分析4.2.1全局空间自相关使用GeoDa1.20构建Queen邻接空间权重矩阵，计算2020年省域碳排放（）的全局莫兰指数，结果为，，，在1%的显著性水平下拒绝“无空间自相关”的原假设，说明我国省域碳排放存在显著的正向空间集聚特征，即碳排放高的省份周边往往也是高值省份，碳排放低的省份周边往往也是低值省份，空间依赖性明显。

4.2.2局部空间自相关

为进一步明确碳排放的空间集聚格局，计算局部莫兰指数（LISA），在5%的显著性水平下，集聚分布结果如下：

①高-高（H-H）集聚区：共6个省份，分别为河北省、山东省、江苏省、上海市、浙江省、河南省，主要分布在华北平原与长江三角洲接壤地带。该区域人口密集、产业结构偏重、能源消费总量大，且省际产业转移、能源流动频繁，碳排放呈现连片高值特征，是我国碳减排的重点管控区域。lnCI=②低-低（L-L）集聚区：共7个省份，分别为青海省、甘肃省、宁夏回族自治区、贵州省、云南省、广西壮族自治区、海南省，主要分布在西南、西北生态功能区及海岛省份。该区域人口规模小、产业发展相对滞后，碳排放总量低，且周边省份碳排放也处于较低水平，是我国生态碳汇的主要承载区。③低-高（L-H）集聚区：共2个省份，为北京市、海南省。北京市自身碳排放总量低（2020年为9235万吨），但周边河北省、天津市均为碳排放高值省份，属于“中心低、外围高”的异质性特征，主要原因是北京已完成产业转型升级，高耗能产业大量外迁，而周边区域仍以重化工业为主；海南省自身碳排放总量低（4987万吨），北部相邻的广东省为碳排放高值省份，同样属于L-H集聚类型。④高-低（H-L）集聚区：共2个省份，为四川省、陕西省，均位于西南、西北内陆地区。两省因人口规模大、能源产业发达，碳排放总量较高（四川32145万吨、陕西27896万吨），但周边的青海、甘肃、贵州、云南等省份碳排放总量较低，呈现“中心高、外围低”的极化特征。剩余13个省份的局部莫兰指数未通过5%的显著性检验，碳排放空间集聚特征不明显。

4.3全局OLS回归分析

为对比GWR模型的拟合效果，首先构建全局OLS回归模型，以为被解释变量，、、、、为解释变量，回归结果及空间依赖性检验如表2所示。

表2OLS回归结果与空间诊断（三线表）lnClnPlnA变量/指标系数值标准误t值P值常数项-3.2150.876-3.670.0010.7820.06512.030.0000.4210.0785.400.0000.0270.0093.000.0060.6130.0827.480.0000.0120.0062.000.047模型拟合指标调整R空间依赖性诊断LM-Lag=12.34（P=0.000）LM-Error=8.76（P=0.003）--OLS回归结果显示，所有解释变量的系数均为正，且至少在5%的显著性水平下显著，符合理论预期：人口规模的弹性系数最大（0.782），说明常住人口每增加1%，碳排放总量平均增加0.782%；其次是能源强度（0.613），能源强度每上升1%，碳排放平均增加0.613%；人均GDP的弹性系数为0.421，说明经济发展水平每提升1%，碳排放平均增加0.421%；产业结构每提高1个百分点，碳排放平均增加2.7%；城镇化率每提高1个百分点，碳排放平均增加1.2%。

空间诊断结果显示，LM-Lag和LM-Error统计量均在1%的显著性水平下显著，说明OLS模型的残差存在显著的空间依赖性，全局均质的OLS估计无法捕捉碳排放的空间异质性，估计结果存在偏差，因此需要采用考虑空间异质性的GWR模型进行分析。

4.4GWR模型构建与结果分析

4.4.1模型拟合与验证

使用ArcGIS10.8的地理加权回归工具，选择自适应高斯核函数，以AICc最小化为准则选择最优带宽，最终得到最优近邻样本数为8（即每个局部回归使用距离最近的8个样本作为权重计算依据）。GWR模型的整体拟合结果显示，全局为0.956，调整为0.938，较OLS模型的0.895提升了4.3个百分点；AICc值为-41.23，较OLS模型的-23.45降低了17.78，说明GWR模型的拟合效果显著优于OLS模型，能够更好地解释省域碳排放的影响机制。

为验证GWR模型是否有效消除了空间依赖性，对GWR的残差进行全局莫兰指数检验，结果显示残差的莫兰指数为0.042，，，未通过显著性检验，说明GWR模型的残差不存在空间自相关，模型已经充分解释了碳排放的空间依赖性，估计结果可靠。

4.4.2回归系数的空间异质性分析

GWR模型为每个样本点生成了独立的回归系数，各变量系数的统计特征如表3所示，空间分布特征如下：R2R2表3GWR回归系数统计特征（三线表）变量符号最小值最大值均值标准差常数项-5.234-1.127-3.1821.0250.5210.9470.7680.1120.1870.6340.4020.1350.0080.0460.0250.0100.3920.8210.6010.124-0.0070.0310.0110.009（1）人口规模（lnP）的空间异质性：人口规模的回归系数全部为正，说明人口增长对碳排放的正向影响具有普遍性，但影响强度存在显著的空间差异，系数范围为0.521-0.947，均值与OLS全局估计值接近。空间分布上，高值区主要集中在东部沿海省份，包括广东省、福建省、浙江省、江苏省，系数均在0.85以上，其中广东省最高（0.947），主要原因是东部沿海省份是人口流入集中地，常住人口中外来务工人员占比高，人口集聚带动住房、交通、消费等领域的能源需求增长，且消费型碳排放占比不断提升，人口对碳排放的拉动效应更强；低值区主要集中在西北省份，包括新疆维吾尔自治区、青海省、甘肃省，系数均在0.6以下，其中青海省最低（0.521），主要原因是西北省份人口规模小、人口流出多，且碳排放以工业生产排放为主，人口变动对碳排放总量的影响相对较弱。

（2）经济发展水平（lnAGDP）的空间异质性：人均GDP的回归系数全部为正，说明当前我国各省份经济发展仍未实现与碳排放的完全脱钩，经济增长仍会带动碳排放增加，系数范围为0.187-0.634，均值为0.402。空间分布呈现“北高南低、内陆高沿海低”的特征，高值区主要集中在华北、东北及内蒙古等重工业省份，包括河北省、山东省、辽宁省、内蒙古自治区、山西省，系数均在0.55以上，其中河北省最高（0.634），这些省份的经济增长高度依赖钢铁、化工、煤炭等能源密集型产业，单位GDP的碳排放强度高，经济发展的碳代价大；低值区主要集中在东南沿海发达省份，包括上海市、江苏省、浙江省、广东省，系数均在0.3以下，其中上海市最低（0.187），这些省份已进入后工业化阶段，产业结构以高新技术产业、现代服务业为主，经济增长的能源依赖度低，碳排放与经济增长的脱钩效应初步显现。

（3）产业结构（IND）的空间异质性：第二产业占比的回归系数全部为正，说明第二产业比重提升是碳排放增加的重要驱动因素，系数范围为0.008-0.046，均值为0.025，即第二产业占比每提高1个百分点，碳排放增加0.8%-4.6%。空间分布上，高值区主要集中在东北、中西部资源型省份，包括黑龙江省、吉林省、山西省、内蒙古自治区、陕西省，系数均在0.035以上，其中黑龙江省最高（0.046），这些省份的第二产业以重化工业、采掘业为主，工业能源消费占全社会能源消费的比重超过70%，产业结构调整的碳减排潜力巨大；低值区主要集中在东部沿海服务业发达省份，包括北京市、上海市、广东省、海南省，系数均在0.015以下，其中北京市最低（0.008），这些省份的第三产业占比已超过60%，第二产业以先进制造业、高新技术产业为主，单位产值能耗低，产业结构变动对碳排放的影响较弱。

（4）能源强度（ln5.1实验结论第一，我国省域碳排放存在显著的正向空间集聚特征，全局莫兰指数为0.327（P<0.01），高值集聚区集中在华北、华东接壤的6个省份，低值集聚区集中在西南、西北的7个省份，空间依赖性明显，碳减排存在区域联动效应。第三，GWR模型的拟合效果显著优于OLS模型（调整提升4.3个百分点，AICc降低17.78），且残差不存在空间自相关，估计结果可靠。各影响因素对碳排放的影响均存在显著的空间异质性：人口规模的影响从东向西递减，经济发展水平的影响呈现“北高南低、内陆高沿海低”，产业结构的影响在东北、中西部资源型省份最强，能源强度的影响在西北、华北能源省份最显著，城镇化的影响则呈现“中西部正向拉动、东部负向减排”的分化特征。

5.2政策启示

基于省域碳排放的空间集聚特征与影响因素的空间异质性，我国碳减排政策应避免“一刀切”，实施差异化、协同化的减排策略：R一是强化区域协同减排机制。针对高-高集聚区的华北、华东省份，建立跨区域碳减排协同治理框架，统一高耗能产业准入标准，推进区域能源市场、碳市场一体化建设，实现减碳成本的跨区域分摊；针对低-低集聚区的西南、西北省份，加大生态补偿力度，支持生态碳汇项目开发，将生态优势转化为发展优势。二是实施差异化减排路径。东部沿海发达省份（上海、江苏、浙江、广东等）应重点推进产业高端化、数字化转型，进一步提升能源利用效率，深化城镇化的集约减排效应，率先实现碳达峰；华北、东北重工业省份（河北、山东、辽宁、山西等）应将能源强度下降作为核心抓手，加快重化产业绿色升级，推进能源结