基于核密度估计矿业碳排放动态演变及因素研究

Research on the Dynamic Evolution and Factors of Mining Carbon Emissions Based on Kernel Density Estimation

摘要: 作为工业的重要组成部分，矿业在实现中国2030年“碳达峰”和2060年“碳中和”目标的过程中面临巨大的减排压力。矿业活动强度和技术创新对碳排放有显著影响，但矿业规模结构和能源结构对碳排放的具体影响尚未得到充分研究。为此，本文旨在探讨矿业结构与碳排放之间的关系。我们使用核密度估计方法分析了中国及其东部、中部和西部地区的矿业碳排放强度，并采用Panel-VAR模型分析了影响矿业碳排放强度的因素。研究结果表明，中国及东部、中部地区的矿业碳排放强度均呈现不同程度的下降趋势，其中经济发达的东部地区的降幅最为显著。全国范围内，大中型矿山比例、单位矿山平均产矿量以及能源消费结构是影响矿业碳排放强度的关键因素，但这些因素在不同地区的影响程度存在差异。

Abstract: As an important part of industry, the mining industry faces huge pressure to reduce emissions in the process of achieving China’s “carbon peak” in 2030 and “carbon neutrality” in 2060. The intensity of mining activities and technological innovation have a significant impact on carbon emissions, but the specific impact of mining scale structure and energy structure on carbon emissions has not been fully studied. To this end, this paper aims to explore the relationship between mining structure and carbon emissions. We used the kernel density estimation method to analyze the mining carbon emission intensity of China and its eastern, central and western regions, and used the Panel-VAR model to analyze the factors affecting the mining carbon emission intensity. Research results show that the carbon emission intensity of mining in China and the eastern and central regions has shown a downward trend to varying degrees, with the most significant decline in the economically developed eastern region. Nationwide, the proportion of large and medium-sized mines, average mineral production per unit mine, and energy consumption structure are key factors affecting the carbon emission intensity of the mining industry, but the impact of these factors varies in different regions.

1. 引言

矿业作为第二产业的重要组成部分，支撑了许多其他行业的发展，并保障了国家资源的安全。然而，矿业在资源开采过程中会产生废气、废水、废渣等污染物，同时还伴随土地破坏、植被损害和碳排放等环境问题。因此，矿业的绿色发展成为亟待解决的任务。

自2003年起，中国便着手建立绿色矿业的理论基础，并于2008年发布了《全国矿产资源规划(2008-2015年)》，明确了绿色矿业的发展目标，力争到2020年建立基本的绿色矿山格局。2018年，中国自然资源部发布了包括非金属矿、化工、黄金、煤炭、砂石、陆上石油天然气、水泥炭岩、冶金和有色金属等多个行业的绿色矿山建设规范。这些规范旨在促进资源合理利用、节能减排、生态环境保护及矿地和谐。到2020年，绿色矿山建设的评价指标涵盖矿区环境、资源开发方式、资源综合利用、节能减排、科技创新及企业管理等六个方面，其中节能减排对矿山的能耗和废弃物排放提出了明确要求。同时，2016年制定的《工业绿色发展规划(2016~2020年)》要求，到2020年工业碳排放强度应比2015年降低15%以上，绿色低碳能源的消耗比例达到15%以上。这使得矿业在面对巨大减排压力的同时，也承担了实现中国可持续发展战略和节能减排目标的重要任务。

碳排放的影响因素包括经济、能源、人口、城镇化和产业结构等。研究显示，Li等[1]通过对二氧化碳排放与经济增长关系的聚类分析发现，同一集群内的国家可以从彼此的经验中学习，而不同集群的国家则需根据自身情况进行分析。Chontanawat等[2]的研究表明，人口和经济的快速增长是碳排放上升的主要原因，而能源利用效率的提升对碳排放强度有抑制作用。Zhang等[3]发现，能源强度对中国碳排放的影响最大，能源结构和产业结构的影响相对较小。Sadorsky等[4]则指出，城镇化对温室气体排放的影响不显著，但应关注其长期影响。

在行业层面，研究发现建筑业碳排放的关键因素包括“技术因素”，其对减少碳排放的影响最为显著，而“供应链协调因素”影响较小[5]。Shen等[6]的研究发现，降低城市规模、控制城市扩张和优化土地使用可以减少碳排放。Wang等[7]指出建设用地规模对碳排放的影响显著，并存在空间异质性。Chen等[8]研究表明，中国建筑运行阶段的碳排放在空间分布上差异显著。Xu等[9]利用社会网络分析发现，交通工具的碳排放效率总体较低，并且存在明显的时空异质性。其他研究还表明，电力部门的碳排放驱动因素表现出时空异质性[10]，数字经济的发展对碳减排有显著的空间溢出效应[11]。

目前，探究碳排放影响因素的方法多种多样，包括IPAT模型、LMDI模型、STIRPAT模型、结构性因素分解法(SDA)、向量自回归模型(VAR)、空间计量模型和地理加权回归模型等。Peng等[12]利用IPAT模型对建筑业碳排放进行因素分解和短期预测。Yang等[13]基于湖南省数据构建LMDI模型，分析了多种因素对碳排放的影响。Wen等[14]通过STIRPAT方法研究了商业部门碳排放的影响因素。Liu等[15]使用面板分位数STIRPAT模型检验了不同因素对碳排放的影响。Chen等[16]运用LMDI和SDA模型分析了城乡居民家庭碳排放的影响。Xu等[17]采用SDA方法对江苏省碳排放增长的驱动因素进行了分解。

此外，一些研究使用VAR、空间计量模型和地理加权回归模型等方法探讨碳排放的影响因素。Ayfer等[18]利用PVAR模型研究了国际旅游业对经济增长和碳排放的影响。Yu等[19]基于面板数据构建PVAR模型，考察了进口文化商品、收入、人力资本、能源消费与碳排放的动态关系。Meng等[20]结合STIRPAT模型、GWR和地理探测器模型，分析了中国城市碳排放的原因及其影响。Pang等[21]结合门槛回归模型和地理加权回归，揭示了产业结构和城镇化对碳排放的整体及局部影响。Wang等[22]构建空间计量模型研究了二氧化碳的集聚效应和技术减排效应。这些研究为深入理解和解决碳排放问题提供了多角度的分析框架和实证依据。

根据对现有文献的初步分析，当前关于矿业碳排放的研究大多集中在整个行业层面，缺乏对不同区域碳排放动态演变的深入探讨。此外，现有研究主要关注能源消费量、工业产值、就业规模和能源结构等因素，而对矿业规模结构对碳排放的影响研究较少。为填补这些研究空白，本研究将中国根据经济发展水平和矿业活动强度划分为不同区域，开展矿业碳排放的时空演变分析，旨在揭示中国矿业能源消费引发的碳排放变化规律。此外，本研究还将探讨中国矿业规模结构、能源消费与碳排放之间的动态关系，并对影响中国矿业碳排放的各类因素进行深入分析。

2. 研究方法和数据来源

2.1. 变量描述

2.1.1. 大中型矿山所占比例(TPLM)

大中型矿山比例是指设计生产规模达到大中型的矿山数量占全部矿山数量的比值，用于表示矿山企业规模开采和集约化生产经营程度。大中型矿山比例计算方法为：

$TPL{M}_M=\left(L_M+M_M\right)/T_M$

式中$TPL{M}_M$ 为全国大中型矿山比例，$L_M$ 为大型矿山数量，$M_M$ 为中型矿山数量，$T_M$ 为矿山总量。

2.1.2. 单个矿山平均产矿量(ACSM)

单个矿山平均产矿量是全国矿业总产矿量与矿山总数的比值，反映了矿业的规模结构，矿业规模越大，低碳绿色技术越先进，矿业结构越合理，越能实现低碳绿色环保。矿山平均矿业产值的计算方法为：

$ACS{M}_M=I{O}_M/T_M$

式中$ACS{M}_M$ 为单个矿山平均产矿量，$I{O}_M$ 为矿业总产矿量，$T_M$ 为矿山总量。

2.1.3. 矿业能源消费结构(MECS)

本文选取的矿业能源消费结构是非煤炭消费量占能源总量的比值，能源消费结构中非煤炭能源占比越大，结构越合理，越低碳，矿业能源消费结构计算公式为：

$MEC{S}_{CET}={\displaystyle \sum }_{i=1}^n{S}_i$

式中，$MEC{S}_{CET}$ 为矿业能源消费结构，$S_i$ 为一次性能源生产量中，非煤炭消费量占能源总量的比重。

2.1.4. 矿业碳排放强度(MCEI)

碳排放强度是指单位GDP的二氧化碳排放量，即二氧化碳排放量/GDP，体现了碳排量和经济增长的相互关系，是经济绿色可持续发展的重要评价指标[23]。借鉴区域碳排放强度的含义，本文定义矿业碳排放总量与矿业工业总产值的比值作为矿业碳排放强度。

$MCEI=TMCE/TVMI$

式中，$MCEI$ 为矿业碳排放强度，$TMCE$ 为矿业碳排放总量，$TVMI$ 为矿业工业总产值。

2.2. 研究方法

2.2.1. 核密度估计

本文为了考察中国以及中国东部、中国中部和中国西部等各区域碳排放强度随时间整体演变情况，引入核密度估计方法。核密度估计(kernel density estimation, KDE)法是对随机变量的概率密度进行估计，反映了随机变量在时间趋势上的密度演化趋势，不需要进行任何参数的假设模型[24]。假设数据x1，x2，…，xn取自连续分布f(x)，在任意一点x处的一种核密度估计定义为：

$f\left(x\right)=\frac{1}{nh}{\displaystyle {\sum }_{i=1}^n{w}_i}=\frac{1}{nh}{\displaystyle {\sum }_{i=1}^{n}K\left(\frac{x-X_i}{h}\right)}$ (1)

式(1)中，n是观测值的个数(即本研究中30个省市自治区)；h为窗宽或平滑参数；$X_i$ 为独立同分布特征的矿业碳排放强度值；x为它的均值。$K\left(\frac{x-X_i}{h}\right)$ 为核函数(本文用高斯核函数)，它应该满足以下条件[25]。

$\{\begin{array}{c}\underset{x\to \infty }{\lim }K\left(x\right)=0\\ K\left(x\right)\ge 0\\ \underset{-\infty }{\overset{\infty }{{\displaystyle \int }}}K\left(x\right)=1\\ \sup K\left(x\right)<\infty \\ \underset{-\infty }{\overset{\infty }{{\displaystyle \int }}}{K}^2\left(x\right)<\infty \end{array}$ (2)

2.2.2. GMM-PVAR

选取面板向量自回归模型是因为该模型包括了固定效应的动态面板模型，可以将所有变量皆视为内生变量。即面板向量自回归模型同时兼备面板数据估计方法以及向量自回归模型两者的优点，并且可在一定程度上降低向量自回归模型对于时间序列长度的限制要求，通过考虑个体效应和时间效应涵盖的个体差异性和不同截面的共同冲击[26]，基于此，本文建立如下的PVAR模型。

$Y_{i,t}={\gamma }_0+{\displaystyle {\sum }_{j=1}^p{\gamma }_j{Y}_{i,t-j}+{\alpha }_i+{\beta }_t+{\epsilon }_{i,t}}$ (3)

式子(3)中，i = 1, 2, …, 30表示省份i；t = 2003, 2004, …, 2018表示年份；Y表示四个核心变量，即TPLM、ACSM、MECS以及MCEI；${\gamma }_0$ 指的是是截距项向量；p指的是滞后阶数；${\gamma }_j$ 表示滞后j阶的参数矩阵；${\alpha }_i$ 代表的是个体固定效应的变量，反映样本在截面上的个体异质性；${\beta }_t$ 为时间效应，反映各变量的时间趋势变化；${\epsilon }_{i,t}$ 为随机干扰项。

2.3. 数据来源

本文以中国矿业碳排放强度为研究对象。为了进一步分析矿业碳排放强度的时空差异性，除了以中国为研究对象，还将中国划分为三个地区，分别是东部地区、中部地区和西部地区，东部地区：北京、天津、河北、上海、江苏、浙江、福建、山东、广东、海南，共10个省份。中部地区：山西、辽宁、吉林、黑龙江、安徽、江西、河南、湖北、湖南，共9个省份。西部地区：内蒙古、广西、重庆、四川、云南、贵州、陕西、甘肃、宁夏、青海、新疆，共11个省份。

考虑到统计数据的完整性与可获取性，因《中国国土资源统计年鉴》到目前为止仅更新到2018年，因此本文研究所选用数据为2003~2018年期间除港、澳、台以及西藏自治区以外的全国30个省市自治区矿业生产及能源消费碳排放数据。其中指标大中型矿山所占比例、单个矿山平均产矿量以及矿业工业产值均来源于《中国国土资源统计年鉴》，矿业能源消费结构数据以及矿业碳排放强度数据均来源于中国碳排放数据库(CEADs)。针对年鉴中个别地区的个别年份数据缺失的情况，本文通过线性插值进行补齐。为消除或减少不同数据异方差对模型结果的影响，本文对以上指标数据进行了对数处理。

3. 实证分析

3.1. 碳排放动态演化

核密度估计可以描述研究对象的某一特征的时空演变过程。本文使用核密度估计方法刻画中国以及东部地区、中部地区和西部地区碳排放强度的分布特征，主要是关注相应的核密度曲线的分布位置、主峰分布形态、分布延展性以及波峰数目等关键属性，反映矿业碳排放强度的时空演变过程。相应的动态演进特征表现报告在表1当中，具体的核密度估计结果汇报在图1当中。

Table 1. Dynamic evolution characteristics of carbon emission intensity

表1. 碳排放强度动态演进特征

region	分布位置	主峰分布形态	分布延展性	波峰数目
Full Sample	左移	高度上升、宽度变小	右拖尾、延展收敛	单峰或双峰
Eastern	左移	高度上升、宽度变小	右拖尾、延展收敛	多峰
Central	左移	高度下降、宽度变大	右拖尾、延展收敛	单峰或双峰
Western	略微右移	高度上升、宽度不变	右拖尾、延展收敛	单峰或双峰

自“十一五”规划开始，减排降碳已成为我国国民经济发展的重要约束性目标，矿业碳排放强度和碳排放量逐渐呈现下降趋势。从数据分析图(图1)可以看出，全国范围内矿业碳排放强度的核密度曲线总体左移，表明我国在矿业碳排放控制方面取得了初步成效，节能减排工作正在取得阶段性成果。特别是在东部和中部地区，这些区域的核密度曲线也显示出不同程度地左移，说明这些地区的矿业低碳减排工作进展显著，有助于实现“碳达峰”和“碳中和”的目标。

然而，西部地区的情况相较于东部和中部存在显著差异。从核密度图中可以看到，西部地区的矿业碳排放强度表现出两个阶段的变化趋势：首先在2015年相较于2010年，核密度曲线出现了右移，表明该地区矿业活动加强，无论是碳排放量还是碳排放强度均有所增加，减排压力较大；随后到2018年，

Figure 1. Estimated carbon emission density for the whole country and the eastern, central and western regions

图1. 全国以及东、中以及西部地区碳排放核密度估计

核密度曲线又出现了左移，这表明随着矿业产业结构的转型升级，西部地区在矿业绿色高质量发展方面有所进步，减排效果得到改善。

从全国层面的分析来看，核密度曲线的主峰高度上升且宽度变窄，意味着不同区域矿业碳排放强度之间的绝对差异正在逐渐缩小。东部地区的表现与全国范围相似；而中部地区的核密度曲线主峰高度下降且宽度增大，这表明中部地区的矿业碳排放强度在区域内部存在较大的离散程度。这种情况的出现与不同区域的产业基础差异以及碳达峰路径选择的难易程度有关。在西部地区，核密度曲线主峰高度上升但宽度保持不变，这表明碳排放强度高值区域逐年增多，可能是由于一些发展相对滞后的城市正在迅速发展，但尚未实现高质量发展。

全国及东部、中部和西部地区的核密度曲线普遍出现了右拖尾现象，即某些城市的碳排放强度显著高于同一地区内的其他城市。同时，全国及中部和西部地区的分布逐渐收敛，表明矿业碳排放强度出现极端值的可能性在降低。而东部地区的核密度曲线显示出分布延展收敛性较差，表明该区域内极端值与平均值之间的差距仍未逐渐缩小。

在样本期内，全国及中部和西部地区的核密度曲线曾出现双峰现象，但这一现象主要集中在样品初期，随着时间的推移逐渐演变为单峰。这表明这些区域内部的两极分化特征在整体上趋于减弱，区域间的差异逐渐减小。然而，东部地区的核密度曲线则呈现多峰现象，显示出较为明显的空间极化趋势。这说明在东部地区，矿业碳排放强度的区域差异依然较大，存在较强的空间极化现象。

3.2. 碳排放因素分析

本文建立了PVAR模型来分析采矿碳排放的影响因素。模型构建包括以下步骤：第一，面板数据的平稳性检验和协整检验；第二，PVAR模型最优滞后阶数的选择；第三，PVAR模型的稳健性检验；第四，PVAR模型的GMM估计；第五，各变量的格兰杰因果关系检验。

3.2.1. 面板数据的平稳性检验和协整检验

在构建PVAR模型之前，为避免“伪回归”出现，本文使用LLC检验、IPS检验、Fisher ADF检验以及Fisher PP检验四种单位根检验方法，检验数据的稳定性，结果如表2所示，全国地区的lnTPLM、lnACSM、lnMECS和lnMCEI有部分序列未通过单位根检验，但在一阶差分后均能通过平稳性检验，为一阶差分平稳序列，满足建立PVAR模型的基本条件，东部、中部以及西部地区一阶差分通过了平稳性检验，为一阶差分平稳序列，由于篇幅的限制将不再呈现。

Table 2. Panel data unit root test results

表2. 面板数据单位根检验结果

Variables	LLC检验	IPS检验	Fisher ADF检验	Fisher PP检验	conclusion
lnTPLM	−15.5075^***	−5.5698^***	282.5751^***	113.7473^***	平稳
dlnTPLM	−15.2664^***	−11.2739^***	428.3000^***	592.2186^***	平稳
lnACSM	−5.3905^***	−2.9925^***	79.4430^**	75.9072^*	平稳
dlnACSM	−8.2296^***	−9.7031^***	205.1443^***	391.9453^***	平稳
lnMECS	−8.9536^***	−5.1748^***	155.8336^***	122.9256^**	平稳
dlnMECS	−6.0779^***	−10.3256^***	149.4248^***	481.5731^***	平稳
lnMCEI	−5.5246^***	−3.4841^***	53.6798	67.6834	非平稳
dlnMCEI	−5.0052^***	−10.8209^***	116.7391^***	472.0157^***	平稳

注：^***p < 0.01，^**p <0.05，^*p < 0.1。

3.2.2. 最优滞后阶数的确定

在构建矿业碳排放强度影响因素的PVAR模型之前，需要确定其模型的最优滞后阶数，根据AIC、BIC和HQIC准则确定模型最优滞后阶数，一般采用各准则对应的最小值则为该准则选择的最优滞后阶数。全国及东部、中部以及西部地区的面板向量自回归模型最优滞后阶数如表3所示，其PVAR模型的最优滞后阶数均为1阶。

Table 3. Selection of optimal lag order for PVAR model

表3. PVAR模型最优滞后阶数的选择

区域	lag	BIC	AIC	HQIC
Full Sample	1	−274.387^*	−44.088^*	−136.566^*
	2	−198.941	−26.217	−95.575
Eastern	1	−218.685^*	−58.697^*	−123.214^*
	2	−174.776	−54.785	−103.173

续表

Central	1	−210.543^*	−57.299^*	−118.782^*
	2	−161.795	−46.862	−92.975
Western	1	−228.386^*	−62.298^*	−129.497^*
	2	−169.347	−44.781	−95.181

3.2.3. 稳健性检验

图2从左到右依次是全国、东部、中部和西部地区四个变量的稳健性检验结果，从稳健性检验可以看出，全国以及东部、中部和西部地区的4个变量的单位根特征值均小于1，全部落在单位圆内，表明所建立的PVAR模型是稳定有效的，变量之间存在长期稳定的关系。

Figure 2. Robustness test

图2. 稳健性检验

3.2.4. 格兰杰因果检验

本文对单个矿山平均产矿量、矿业能源消费结构、矿业能源消费强度以及矿业碳排放强度采用格兰杰因果检验，以验证各变量是否存在因果关系。表4结果表明：

Table 4. Granger causality test for the whole and between regions

表4. 整体和区域间的格兰杰因果检验

Equation	Excluded	Prob
		Full Sample	Eastern	Central	Western
dlnMCEI	dlnTPLM	0.089	0.005	0.402	0.018
	dlnACSM	0.000	0.000	0.000	0.845
	dlnMECS	0.002	0.241	0.000	0.178
	ALL	0.000	0.000	0.000	0.095

从表4可以看出，在全样本和子样本中都发现了变量之间的异质性效应。在全样本中，矿业碳排放强度与大中型矿山所占比例、单个矿山平均产矿量以及矿业能源消费结构存在格兰杰因果关系；地区间的情况互不相同，东部地区的大中型矿山所占比例和单个矿山平均产矿量与矿业碳排放强度存在格兰杰因果关系，中部地区的单个矿山平均产矿量和矿业能源消费结构与矿业碳排放强度存在格兰杰因果关系，而西部地区仅有大中型矿山所占比例与矿业碳排放强度存在格兰杰因果关系。这可能是因为东中西部地区资源禀赋不同，在水、电、交通方面存在较大差异。

4. 结论

本文以2010至2018年中国省级矿业面板数据为基础，进行了不同尺度的矿业碳排放分析。通过核密度估计函数，对矿业碳排放强度和碳排放密度进行了动态演变分析；同时，构建了矿业碳排放影响的面板自回归(PVAR)模型，对全国及东部、中部和西部地区年度矿业结构和能源结构升级对碳排放强度的影响进行了实证研究。具体结论如下：

首先，从动态演进角度来看，中国及东部和中部地区的矿业碳排放强度均显示出不同程度的下降趋势，这表明我国在减排降碳方面取得了一定的积极成效。然而，各地区的表现差异较大。特别是西部地区，由于其发展相对滞后，面临高质量发展的压力，减排降碳任务较重，因此在样本时间段内，碳排放强度略有上升。全国及中西部地区的动态演进特征相似，初期存在一定的碳排放强度两极分化现象，但随着时间的推移，这种两极分化现象逐渐减弱，最终在样本期末表现出明显的单峰特征。

其次，从面板自回归模型的分析结果来看，各地区碳排放强度的影响因素存在显著的差异性。在全国范围内，大中型矿山所占比例、单个矿山的平均产矿量以及矿业能源消费结构是影响矿业碳排放强度的关键因素，且这些因素均对碳排放强度有显著的负向影响。具体而言，大中型矿山比例越高、单个矿山平均产矿量越大、矿业能源消费结构中非煤炭能源占比越高，矿业碳排放强度就越低，这表明矿业规模结构的优化和能源结构的改进对减少碳排放有重要作用。然而，东部、中部和西部地区的分析结果存在差异，这主要是由于这些地区在工业发展水平、资源禀赋和经济结构方面存在显著差异。

总结而言，虽然全国范围内矿业碳排放强度整体呈现下降趋势，但区域间差异明显，特别是西部地区的减排任务较重。针对不同区域的碳排放强度影响因素分析，可以为制定更具针对性的减排政策提供有力支持。通过优化矿业规模结构和能源结构，提升减排效果，将有助于实现更为均衡的区域发展与环保目标。