帅 红,张憬怡,钟小敏,叶玮怡,李煜连,张欣惠

(湖南师范大学地理科学学院,中国 长沙 410081)

全球气候变暖已成为世界面临的重大环境问题,而人类活动造成的温室气体大量排放是全球变暖的重要原因[1,2]。我国2019年碳排放总量占全球比重达29%[3],减排压力巨大。为积极应对这一挑战,我国在第75届联合国大会上提出碳达峰碳中和目标[4]。尽管我国碳减排工作稳步推进[5],但仍存在能源结构、产业结构单一和经济增长方式不合理等减排难点[6],减排任务十分艰巨。而长江中游城市群作为中国特大城市群之一[7],积极创建绿色发展先行区,为我国实现减排目标作出了积极贡献。县域是我国经济社会发展和政策落实的基本空间单元[8],也是实现“双碳”目标的关键行政单元[9]。因此,从县域尺度对长江中游城市群展开碳减排研究,对实现区域及全国节能控排,促进碳减排政策制定和实施的科学性、可操作性具有重要意义[10]。

近年来,诸多学者从不同视角,运用多种方法对碳排放总量[11]、碳排放强度[12]、碳足迹[13]、碳交易[14]、碳排放的时空特征及其驱动因子[15-17]等方面展开了大量研究。研究尺度涵盖全球[18]、国家[19]、省级[20]、市级[21]等。研究范围涉及农业[22]、工业[23]、商业[24]、旅游业[25]、交通运输业[26]等各行业,并延伸到了能源领域[21],涉及领域愈加广泛。DMSP/OLS与NPP/VIIRS两种夜间灯光数据,凭借数据成果开放、覆盖范围广等优势,被广泛应用于经济评估[27]、人口分布[28]、电力消耗[29]、城市扩张[30]等领域,此外,运用夜间灯光数据估算模拟能源消费碳排放也有诸多案例,如张慧琳[31]运用DMSP/OLS夜间灯光数据模拟1997—2012年在省级、市级、县级尺度上的中国能源消费碳排放量,并且运用改进的时空动态STIRPAT模型,揭示了人口总量、劳动力人口、城市化率、人均GDP对碳排放表现为正向驱动作用;苏旭冉等[32]基于DMSP/OLS夜间灯光数据反演的1992—2012年京津冀能源消费碳排放数据,运用空间滞后模型揭示了碳排放影响机制存在阶段性特征,城镇化水平和人口规模始终表现为正向效应,固定资产投资与社会劳动生产率对其正向效应逐渐凸显,经济发展水平由正向效应转变为负向效应。LIU等[33]将DMSP/OLS与NPP/VIIRS两类夜间灯光数据整合,探讨了多尺度下的黄河下游影响区能源消费碳排放时空动态,运用LMDI分解法证实了经济规模和能源消耗强度是其重要驱动因子。

总体而言,目前已取得较为系统的碳排放研究成果,但还存在以下不足:在研究视角上,多基于国家、省级和市级尺度,细化到县域尺度的研究较少,尤其是对于长江中游城市群这一特殊地域单元的研究较为鲜见;在研究方法上,多基于2013年前DMSP/OLS夜间灯光数据,难以对近期以及长时间序列碳排放进行动态监测,且DMSP/OLS和NPP/VIIRS数据在像元亮度、空间分辨率上差异较大,如何将两类夜间灯光数据结合,较精确地反演县域尺度的长时间序列碳排放是目前的瓶颈所在;在研究内容上,多采用面板回归模型研究影响因子对碳排放空间分布的影响,而关于影响因子间的交互效应对碳排放空间分布影响的研究较为少见。因此,本文选择长江中游城市群微观尺度下县域层面为研究区域,将2000—2019年DMSP/OLS和NPP/VIIRS夜间灯光数据相结合,基于重新构建的长时间序列的DMSP/OLS夜间灯光数据集,模拟出长江中游城市群县域能源消费碳排放数据,并通过空间自相关探讨其时空演变格局,运用地理探测器探究其影响因子及各因子间的交互作用,以期为长江中游城市群实现碳达峰碳中和目标及碳减排政策的制定提供科学依据。

1 研究区域与研究方法

1.1 研究区概况

长江中游城市群承东启西,连通南北,地跨3省31市229个县(区),是以武汉城市圈、长株潭城市群和鄱阳湖生态经济区为主体的国家首个批复的跨区域特大型城市群,是长江经济带的主体部分[7]。本文以长江中游城市群229个县(区)为研究区(图1),研究区面积326 100 km2,山地、平原交错,地形复杂,属于亚热带季风气候,自然资源丰富;截至2019年,229个县(区)年末总人口约13 248万人,占全国总人口9.46%;地区生产总值约86 102.6亿元,占全国9.21%;能源消耗量约803 Mt,占全国16.52%;碳排放量达768 Mt,占全国5.45%。长江中游城市群城镇化和工业化快速推进,能源消费和碳排放量增加迅速,碳减排任务艰巨[34],因此,实现低碳绿色发展是其必经之路。

注:本图基于自然资源部标准地图(审图号:GS(2020)4619号)绘制而成,底图无修改。

图2 长江中游城市群能源消费碳排放变化趋势

图3 长江中游城市群县域能源消费碳排放量空间分布

1.2 研究方法

1.2.1 夜间灯光数据拟合矫正 本文对DMSP/OLS年度夜间灯光数据进行辐射矫正、年内融合及年际间校正[35],利用NPP/VIIRS月度夜间灯光数据计算出年度数据,并对其进行消除异常值矫正[36]。DMSP/OLS数据时间跨度为1992—2013年,NPP/VIIRS数据为2012年4月至今,为保证对碳排放长时间序列的研究,需将两种数据进行结合。因此,通过幂函数建立2012—2013年DMSP/OLS夜间灯光数据与NPP/VIIRS夜间灯光数据的非线性关系,运用敏感度分析确定出最优拟合参数a为30.8,b为0.53,将NPP/VIIRS年度数据通过a和b计算拟合成2014—2019年DMSP/OLS年度数据,结合2000—2013年已矫正的DMSP/OLS年度夜间灯光数据,形成2000—2019年长时间序列的DMSP/OLS年度夜间灯光数据集[37]。

拟合DMSP=a×NPPb。

(1)

1.2.2 能源消费碳排放核算与模拟 基于江西省、湖北省和湖南省的能源消费数据测算其能源消费碳排放量,采用IPCC(2006)确定的各类能源碳排放系数,参考张慧琳计算碳排放的方法[31],选取9种主要能源(原煤、焦炭、原油、汽油、煤油、柴油、燃料油、天然气及电力),进行省级能源消费碳排放核算,计算公式如下:

(2)

式中:i为能源种类;EFi为碳排放系数;ENi为能源消费量(按折标煤计算)。9种能源的折标准煤系数和能源碳排放系数见表1。

表1 各类能源碳排放系数

建立夜间灯光总值数据与能源消费统计碳排放数据相关关系模型,进行能源消费碳排放模拟。考虑到降尺度模型反演精度,该研究采用不含截距的线性模型[38]。由表2可以看出其拟合系数R2均高于0.9,说明长江中游3省夜间灯光总值与能源统计碳排放数据呈显著相关。

表2 长江中游城市群省级能源消费碳排放拟合结果

不含截距的线性模型见式(3),由此计算各像元和各省份的模拟碳排放量:

Eij=K×DNij,

(3)

式中:Eij为i省份第j年的碳排放量;DNij为i省份第j年的夜间灯光总值。

为提高碳排放数据精度,运用碳排放模拟值和能源消费统计碳排放数据修正各像元和各省级能源消费碳排放数据,通过降尺度反演得出长江中游城市群能源消费碳排放的空间化数据[16],最终,运用ArcGIS软件统计出长江中游城市群县域能源消费碳排放数据。修正公式为

FCct=TCnt×(NCct/NCnt),

(4)

式中:FC为最终碳排放数据;TC为能源统计碳排放数据;NC为估算碳排放值;c为某一像元;n为省份;t为年份。

1.2.3 空间自相关分析 采用空间自相关可反映区域碳排放的空间集聚特征[39],本文运用全局空间自相关系数(Moran’sI指数)来表征区域总体的空间关联度和差异度:I>0呈正相关,I<0呈负相关;I值越大,表明研究区碳排放的空间关联度越强,反之,空间差异性越强。同时,本文采用局部自相关系数(Local Moran’sI指数)来表征区域局部单元与相邻单元之间碳排放空间集聚模式:I>0,表明相邻区域间存在高(低)集聚;I<0,表明相邻区域间高(低)碳排放区域被低(高)碳排放区域所包围。计算公式如下:

1)全局自相关:

(5)

2)局部自相关:

(6)

1.2.4 地理探测器 地理探测器是探测地理因子空间分异性及其背后影响因子作用的统计学方法,被广泛应用于与空间分异性相关的环境、自然及社会等多个领域[40]。本文参考相关研究成果[41,42],并考虑到数据可得性,选取2000,2005,2010,2015和2019年共5期长江中游城市群各县(区)数据,以长江中游城市群县域能源碳排放量为因变量,6个指标作为自变量:技术水平,用碳排放强度(CI)表征,指标为各县(区)碳排放量占地区生产总值比重;经济发展水平(GDP),指标为各县(区)地区生产总值;产业结构(IS),指标为各县(区)第二产业占地区生产总值比重;人口规模(POP),指标为各县(区)年末总人口;城镇化水平(UR),指标为各县(区)城镇化率;公共支出(PE),指标为各县(区)一般公共预算支出,应用地理探测器中的因子探测与交互作用探测,定量分析影响长江中游城市群县域能源消费碳排放量的各影响因子,并揭示各影响因子的相对重要性及各因子间的交互作用。

1)因子探测:通常用q值衡量各影响因子X对目标因子Y的解释力,q的范围为[0,1],q值越大表示影响因子X对目标因子Y的解释力越强。其表达式为

(7)

2)交互作用探测:通常用q值:q(X1∩X2)表示各影响因子之间的交互作用,探测两个因子在共同作用时对目标因子Y的影响是否相关。

1.3 数据来源

本文研究数据主要包括省级能源消费数据、夜间灯光数据和辅助数据。省级能源消费数据来源于2000—2019年《中国能源统计年鉴》。夜间灯光数据来源于NOAA网站NGDC数据中心(https://www.ngdc.noaa.gov/eog/download.html)中的DMSP/OLS年度稳定夜间灯光数据和NPP/VIIRS月度夜间灯光数据。辅助数据主要包括各级行政边界数据和229个县(区)的经济社会数据,其中,各级行政边界数据来源于国家基础地理信息中心网站(http://www.ngcc.cn),经济社会数据来源于2000—2019年《中国县域统计年鉴》及武汉、长沙和南昌等31市统计年鉴。

2 结果与分析

2.1 时间演变特征

从长江中游城市群整体层面来看,2000—2019年长江中游城市群能源消费碳排放呈波动上升趋势,碳排放量由2000年的297 Mt增至2019年的768 Mt,年均增长率达5.12%,以2011年为拐点,增速由快变慢,呈现出收敛态势,但未达到碳峰值。这表明2011年后长江中游城市群发展重心转移,对其碳减排具有重要影响。具体来看:第一阶段(2000—2011年)碳排放呈逐年增长态势且增速强劲,年均增长率达9.29%,原因在于长江中游城市群在发展初期以经济增长为导向,经济增长带来的能源消耗使得碳排放量增加显著;第二阶段(2012—2014年)碳排放出现负增长态势,2011年后长江中游城市群发展转移至“绿色可持续”,发展重心转移至倡导低碳减排的发展方式、促进资源集约高效利用和高度重视长江流域生态环境修护,其发展理念的转变使得碳减排成效显著;第三阶段(2015—2019年)碳排放呈波动增长,表明2015年后长江中游城市群绿色发展起势见效,但仍存在低碳绿色转型任务繁重、长江污染治理基础不牢固[43]等问题,因此碳排放呈现波动性特征。

从长江中游城市群内部三大次级城市群来看,碳排放量从大到小为武汉城市圈、长株潭城市群、鄱阳湖生态经济区,与其内部经济发展水平相吻合。具体来看:武汉城市圈碳排放量以2011年为拐点先增后减,表明由高污染高耗能加工制造业向高新技术产业转型升级对抑制碳排放成效显著;长株潭城市群碳排放呈现“快速上升—下降—波动”的特征,长株潭城市群通过产业结构转型升级及生态修复综合治理等对碳排放产生抑制作用,但近年来区域协调度不高、产业布局分散、资源共享水平不高等问题凸显,碳减排受阻;鄱阳湖生态经济区碳排放量逐年增长但增速放缓,表明其基本形成生态与经济协调发展新模式,但仍有较大减排空间。总体来说,武汉城市圈和长株潭城市群碳排放对长江中游城市群碳排放贡献减弱,而鄱阳湖生态经济区的贡献增强。

2.2 空间演变特征

2.2.1 空间分异特征 长江中游城市群县域能源消费碳排放存在明显的空间分异特征,2000—2019年碳排放“核心—边缘”结构逐渐凸显,形成了以省会城市及其周边县(区)为核心的三大高密度碳排放中心。2000年县域碳排放水平均较低,碳排放高值区仅在武汉市部分区;2005年碳排放沿武汉市各区向周边扩散,长沙市部分县(区)出现碳排放高值区;2010年上述范围继续扩大,向心集聚与外围扩散并存,形成武汉、长沙两大碳排放中心,且南昌市部分县(区)首次出现高碳排放;2015年以南昌为中心向外围扩张明显,并形成以武汉、长沙和南昌为中心的“核心—边缘”结构;2019年持续发育并向外围扩散,最终形成了以省会城市及其周边县(区)为核心的三大高密度碳排放区。这表明省会城市及其周边县(区)的碳减排对长江中游城市群整体碳减排具有重要作用。

2.2.2 空间自相关分析 通过对长江中游城市群县域能源消费碳排放空间全局自相关分析发现,2000—2019年其碳排放数据均通过P<0.01的显著性检验,且全局Moran’sI指数均大于0,Z值均大于5.9,说明其碳排放呈显著空间正相关。由表3可以看出,全局Moran’sI指数呈波动下降趋势但降速放缓,说明其空间关联程度总体呈减弱趋势但渐趋稳定,主要原因在于2015年前各城市专注自身发展,产业结构重合度高,加之中心城市带动辐射作用不足,导致区域间联系较弱,但2015年后实施跨区域发展战略,且以钢铁、建材和汽车等为主要产业的局面逐步改善,未来研究区碳排放空间关联程度有望加强。

表3 长江中游城市群县域能源消费碳排放全局Moran’s I指数

为进一步研究长江中游城市群县域能源消费碳排放的空间关联程度,对其2000—2019年进行局部自相关分析。如图4所示,县域碳排放空间集聚模式主要为高高集聚和低低集聚,空间分布呈现均质性。高高集聚区分布范围较稳定,主要为以武汉和长沙市为核心的高高集聚。2000年高高集聚区主要在武汉市,规模较小;2005年高高集聚区范围扩大,长沙市首次作为高高集聚区出现,并初步形成以武汉、长沙为核心的高高集聚;2010年上述格局加强,高高集聚区范围达到最大;2010年后高高集聚区范围减小,但仍主要分布在武汉和长沙市。表明武汉和长沙市前期依托碳密集型产业处于社会经济发展高速发展阶段[43],碳排放量攀升较快,但2010年后开始向低碳绿色发展方式转变,碳减排成效明显,未来有望退出高高集聚区。低低集聚区由片状分布转为块状分布,低低集聚有所减少,后期主要分布在咸宁市、抚州市、吉安市、株洲市、衡阳市等下辖的成长型资源县(区)。表明各成长型资源县(区)正处于资源开发利用和经济快速发展阶段,且承接省会所属县(区)的碳密集型产业转移[44],碳排放加剧,将逐步退出低低集聚区。低高集聚区主要分布在紧邻高高集聚区的县(区),与高高集聚区总是呈现出邻接分布的特征,并随时间的推移分布范围有所减小。高低集聚区没有表现出一定的规律性。

图4 长江中游城市群县域能源消费碳排放LISA聚类

2.3 影响因素分析

2.3.1 单因子探测结果 单因子探测结果显示,各自变量对长江中游城市群县域能源消费碳排放均有一定的影响,其中影响碳排放分布格局的主导因子始终是经济发展水平,其次是人口规模和公共支出,碳排放强度、城镇化水平与产业结构对碳排放的影响较弱(表4)。

表4 单因子探测结果

1)经济发展水平。经济发展水平对长江中游城市群县域能源消费碳排放的影响先增强后减弱,q值2015年增至0.504 2,2019年下降至0.419 1。经济发展水平对研究区碳排放呈正向驱动作用,对其贡献率极高。2000年实施中部崛起战略,长江中游城市群县域进入快速发展模式,存在高能耗、高排放、发展粗放等问题,经济发展水平对碳排放的正向驱动作用不断增强;2015年后,长江中游城市群实施《长江中游城市群发展规划》,各县(区)着力发展先进制造业、孕育战略性新兴产业、提升现代服务业发展水平,积极推进经济结构转型,促进可持续的经济发展方式形成,未来对碳排放的正向驱动作用有望继续减弱,但经济发展水平仍将是影响长江中游城市群县域碳排放的主要因子。

2)人口规模与公共支出。人口规模对长江中游城市群县域碳排放的解释力总体呈增强态势,q值从2000年的0.133 2增至2019年的0.373 1;长江中游城市群县域年末总人口从2000年12 060.61万人增长至2019年的13 248.07万人,人口增速较快,并且随着一体化战略的推进,长江中游城市群各县(区)联系日渐加强,跨区域人口活动日渐频繁,碳排放量随之增加,在此背景下,长江中游城市群人口规模对碳排放的解释力将进一步加强。公共支出对长江中游城市群县域碳排放的解释力呈现波动性,q值在0.209 2—0.386 3区间波动;政府对基础设施等的投入刺激了地方经济发展,呈现正向驱动作用;而对技术创新的投入促进了效率优化,呈现负向抑制作用;两者此消彼长,使得公共支出对碳排放呈现波动性的特点。

3)碳排放强度、产业结构与城镇化水平。碳排放强度表征技术水平,对县域碳排放的解释力呈减弱趋势,这与减排技术具有滞后性有关;但各县(区)依托武汉东湖、长株潭、鄱阳湖三大国家自主创新示范区实现创新资源集成,努力提高技术水平,碳减排技术对碳排放的抑制作用有望凸显。产业结构和城镇化水平对县域碳排放的解释力均呈波动性特点,q值分别介于0.028 8—0.104 3和0.064 4—0.149 4。以高污染高耗能产业为主的第二产业必然引起碳排放增加,但各县(区)推动先进制造业基地建设,逐步向现代产业体系迈进,未来将对碳排放将产生负向抑制作用。人口城镇化为人口持续向城镇集中的过程,具有阶段性的特点,因此城镇化水平对碳排放的影响呈现波动性特点。

2.3.2 交互因子探测结果 将每期影响因子交互叠加形成15对交互因子,结果显示,各期交互因子对长江中游城市群县域能源消费碳排放的解释力明显增强,主要表现为非线性增强和双因子增强,说明研究区能源消费碳排放的空间分布是各影响因子共同作用的结果。

分别将各期交互因子的q值进行排序,选取排名前5的交互因子得到表5。从表5可知,各期均为GDP与其他因子的交互作用对长江中游城市群县域能源消费碳排放影响力较强,表明推动经济结构转型升级将会有效抑制碳排放,但其短期内转变较困难,这将是研究区碳减排的瓶颈所在;各期交互因子最高的均为GDP∩CI(0.95—0.97),远高于其他影响因子间的交互作用,说明经济发展水平和技术水平的交互作用对研究区能源消费碳排放的空间分异起主导作用。从交互作用年际变化上看,GDP∩CI对研究区碳排放的解释力从0.97降至0.95,而GDP∩UR,GDP∩IS,GDP∩POP和GDP∩PE交互因子上升显著,表明经济发展和技术水平的交互作用对其影响减弱,但经济发展水平与城镇化水平、产业结构、人口规模和公共支出的共同作用对其影响增强。因此,注重多因子的共同作用可有效实现长江中游城市群县域能源消费碳减排。

表5 交互因子探测结果

3 结论与讨论

3.1 结论

本文将DMSP/OLS与NPP/VIIRS两套夜间灯光数据相衔接,结合省级能源消费碳排放数据,反演出长时间序列的长江中游城市群县域尺度能源消费碳排放数据,揭示了其碳排放的时空演变特征,并基于地理探测器探讨了其影响机制及机制间的交互效应。主要结论如下:

1)2000—2019年长江中游城市群县域能源消费碳排放总体呈上升趋势,碳排放量由2000年的297 Mt增至2019年的768 Mt,以2011年为拐点增速由快变慢,呈现出收敛趋势,但并未达到碳峰值。其中,长江中游城市群内部三大城市群县域能源消费碳排放从大到小为武汉城市圈、长株潭城市群、鄱阳湖生态经济区,武汉城市圈和长株潭城市群各县(区)对研究区碳排放贡献在2011年后逐步减弱,而鄱阳湖生态经济区对其碳排放贡献逐年增强。

2)长江中游城市群县域碳排放存在明显的空间分异特征,“核心—边缘”结构逐渐凸显,形成了以省会城市及周边县(区)为核心的三大高碳排放区。县域碳排放呈现显著的正向空间自相关,空间关联度呈减弱趋势但渐趋稳定;空间集聚模式主要为高高集聚和低低集聚,但两大集聚区范围均有减少,高高集聚区主要分布在武汉和长沙市各县(区),低低集聚区主要分布在咸宁市、抚州市、吉安市、株洲市和衡阳市部分县(区)。

3)长江中游城市群县域能源消费碳排放是多因子共同作用的结果。经济发展水平始终是主导因子,人口规模和公共支出也对碳排放的影响力较强,碳排放强度、城镇化水平与产业结构对碳排放的影响相对较弱。各影响因子交互作用对县域碳排放的解释力明显增强,GDP与其他因子的交互作用对碳排放的贡献率最强,其他交互因子的贡献率相对较弱。

3.2 讨论

通过长江中游城市群县域碳排放影响机制对接其碳减排政策,长江中游城市群各县(区)应抓住“十四五”窗口期,以高水平县(区)为先导转变经济发展方式,制定合理人口政策以及优化地方财政支出结构为重点实现碳减排。经济发展水平对碳排放呈正向驱动作用,但短期内实现各县(区)经济转型较困难,应结合三大省会城市及其周边县(区)的碳减排对长江中游城市群整体碳减排的作用及省会城市现有基础,以武汉、长沙和南昌所辖县(区)为先导,分别以“光芯屏端网”等新能源开发、燃油汽车电动化智能转化和有序开发新能源汽车为重点,发挥武汉东湖、湘江新区及赣江新区的引领作用,以高水平县(区)碳减排实现整体碳减排;人口规模及人口跨区域活动的增加会导致碳排放增多,但单一控制人口增长并不是有效途径,应结合当下长江中游城市群人口红利逐渐消失的现状以及各县(区)差异,推动人口向节能减排技术研究方面流动,改善人口教育结构;同时推动县(区)人口适当向城镇集中,实现规模和集聚效应,推动碳减排。公共支出通过对企业技术创新以及绿色基础设施的财政支持,对碳减排产生作用,因此要优化财政支出结构,同时确保财政支持落实到县(区)乃至乡镇政府,促进长江中游城市群高碳排放县(区)向低碳排放转型。

本文基于DMSP/OLS和NPP/VIIRS两套夜间灯光数据,构建了2000—2019年长时间序列的DMSP/OLS夜间灯光数据集,并结合省级能源消费数据,反演出长江中游城市群县域能源消费碳排放数据,提高了数据的精确性和实效性。但文章还存在一些不足:首先,由于县域尺度数据获取受限,缺乏真实县域能源消费碳排放数据,因此该数据缺乏稳健性检验;其次,碳排放近年来呈现收敛态势,而夜间灯光数据近乎线性增强,如何更精确地运用夜间灯光数据模拟碳排放,是今后碳研究的重要突破方向。