長江中游城市群縣域能源消費碳排放時空演變及其影響因素分析

帥 紅,張憬怡,鐘小敏,葉瑋怡,李煜連,張欣惠

(湖南師范大學地理科學學院,中國 長沙 410081)

全球氣候變暖已成為世界面臨的重大環境問題,而人類活動造成的溫室氣體大量排放是全球變暖的重要原因[1,2]。我國2019年碳排放總量占全球比重達29%[3],減排壓力巨大。為積極應對這一挑戰,我國在第75屆聯合國大會上提出碳達峰碳中和目標[4]。盡管我國碳減排工作穩步推進[5],但仍存在能源結構、產業結構單一和經濟增長方式不合理等減排難點[6],減排任務十分艱巨。而長江中游城市群作為中國特大城市群之一[7],積極創建綠色發展先行區,為我國實現減排目標作出了積極貢獻?？h域是我國經濟社會發展和政策落實的基本空間單元[8],也是實現“雙碳”目標的關鍵行政單元[9]。因此,從縣域尺度對長江中游城市群展開碳減排研究,對實現區域及全國節能控排,促進碳減排政策制定和實施的科學性、可操作性具有重要意義[10]。

近年來,諸多學者從不同視角,運用多種方法對碳排放總量[11]、碳排放強度[12]、碳足跡[13]、碳交易[14]、碳排放的時空特征及其驅動因子[15-17]等方面展開了大量研究。研究尺度涵蓋全球[18]、國家[19]、省級[20]、市級[21]等。研究范圍涉及農業[22]、工業[23]、商業[24]、旅游業[25]、交通運輸業[26]等各行業,并延伸到了能源領域[21],涉及領域愈加廣泛。DMSP/OLS與NPP/VIIRS兩種夜間燈光數據,憑借數據成果開放、覆蓋范圍廣等優勢,被廣泛應用于經濟評估[27]、人口分布[28]、電力消耗[29]、城市擴張[30]等領域,此外,運用夜間燈光數據估算模擬能源消費碳排放也有諸多案例,如張慧琳[31]運用DMSP/OLS夜間燈光數據模擬1997—2012年在省級、市級、縣級尺度上的中國能源消費碳排放量,并且運用改進的時空動態STIRPAT模型,揭示了人口總量、勞動力人口、城市化率、人均GDP對碳排放表現為正向驅動作用;蘇旭冉等[32]基于DMSP/OLS夜間燈光數據反演的1992—2012年京津冀能源消費碳排放數據,運用空間滯后模型揭示了碳排放影響機制存在階段性特征,城鎮化水平和人口規模始終表現為正向效應,固定資產投資與社會勞動生產率對其正向效應逐漸凸顯,經濟發展水平由正向效應轉變為負向效應。LIU等[33]將DMSP/OLS與NPP/VIIRS兩類夜間燈光數據整合,探討了多尺度下的黃河下游影響區能源消費碳排放時空動態,運用LMDI分解法證實了經濟規模和能源消耗強度是其重要驅動因子。

總體而言,目前已取得較為系統的碳排放研究成果,但還存在以下不足:在研究視角上,多基于國家、省級和市級尺度,細化到縣域尺度的研究較少,尤其是對于長江中游城市群這一特殊地域單元的研究較為鮮見;在研究方法上,多基于2013年前DMSP/OLS夜間燈光數據,難以對近期以及長時間序列碳排放進行動態監測,且DMSP/OLS和NPP/VIIRS數據在像元亮度、空間分辨率上差異較大,如何將兩類夜間燈光數據結合,較精確地反演縣域尺度的長時間序列碳排放是目前的瓶頸所在;在研究內容上,多采用面板回歸模型研究影響因子對碳排放空間分布的影響,而關于影響因子間的交互效應對碳排放空間分布影響的研究較為少見。因此,本文選擇長江中游城市群微觀尺度下縣域層面為研究區域,將2000—2019年DMSP/OLS和NPP/VIIRS夜間燈光數據相結合,基于重新構建的長時間序列的DMSP/OLS夜間燈光數據集,模擬出長江中游城市群縣域能源消費碳排放數據,并通過空間自相關探討其時空演變格局,運用地理探測器探究其影響因子及各因子間的交互作用,以期為長江中游城市群實現碳達峰碳中和目標及碳減排政策的制定提供科學依據。

1 研究區域與研究方法

1.1 研究區概況

長江中游城市群承東啟西,連通南北,地跨3省31市229個縣(區),是以武漢城市圈、長株潭城市群和鄱陽湖生態經濟區為主體的國家首個批復的跨區域特大型城市群,是長江經濟帶的主體部分[7]。本文以長江中游城市群229個縣(區)為研究區(圖1),研究區面積326 100 km2,山地、平原交錯,地形復雜,屬于亞熱帶季風氣候,自然資源豐富;截至2019年,229個縣(區)年末總人口約13 248萬人,占全國總人口9.46%;地區生產總值約86 102.6億元,占全國9.21%;能源消耗量約803 Mt,占全國16.52%;碳排放量達768 Mt,占全國5.45%。長江中游城市群城鎮化和工業化快速推進,能源消費和碳排放量增加迅速,碳減排任務艱巨[34],因此,實現低碳綠色發展是其必經之路。

注:本圖基于自然資源部標準地圖(審圖號:GS(2020)4619號)繪制而成,底圖無修改。

圖2 長江中游城市群能源消費碳排放變化趨勢

圖3 長江中游城市群縣域能源消費碳排放量空間分布

1.2 研究方法

1.2.1 夜間燈光數據擬合矯正 本文對DMSP/OLS年度夜間燈光數據進行輻射矯正、年內融合及年際間校正[35],利用NPP/VIIRS月度夜間燈光數據計算出年度數據,并對其進行消除異常值矯正[36]。DMSP/OLS數據時間跨度為1992—2013年,NPP/VIIRS數據為2012年4月至今,為保證對碳排放長時間序列的研究,需將兩種數據進行結合。因此,通過冪函數建立2012—2013年DMSP/OLS夜間燈光數據與NPP/VIIRS夜間燈光數據的非線性關系,運用敏感度分析確定出最優擬合參數a為30.8,b為0.53,將NPP/VIIRS年度數據通過a和b計算擬合成2014—2019年DMSP/OLS年度數據,結合2000—2013年已矯正的DMSP/OLS年度夜間燈光數據,形成2000—2019年長時間序列的DMSP/OLS年度夜間燈光數據集[37]。

擬合DMSP=a×NPPb。

(1)

1.2.2 能源消費碳排放核算與模擬 基于江西省、湖北省和湖南省的能源消費數據測算其能源消費碳排放量,采用IPCC(2006)確定的各類能源碳排放系數,參考張慧琳計算碳排放的方法[31],選取9種主要能源(原煤、焦炭、原油、汽油、煤油、柴油、燃料油、天然氣及電力),進行省級能源消費碳排放核算,計算公式如下:

(2)

式中:i為能源種類;EFi為碳排放系數;ENi為能源消費量(按折標煤計算)。9種能源的折標準煤系數和能源碳排放系數見表1。

表1 各類能源碳排放系數

建立夜間燈光總值數據與能源消費統計碳排放數據相關關系模型,進行能源消費碳排放模擬?？紤]到降尺度模型反演精度,該研究采用不含截距的線性模型[38]。由表2可以看出其擬合系數R2均高于0.9,說明長江中游3省夜間燈光總值與能源統計碳排放數據呈顯著相關。

表2 長江中游城市群省級能源消費碳排放擬合結果

不含截距的線性模型見式(3),由此計算各像元和各省份的模擬碳排放量:

Eij=K×DNij,

(3)

式中:Eij為i省份第j年的碳排放量;DNij為i省份第j年的夜間燈光總值。

為提高碳排放數據精度,運用碳排放模擬值和能源消費統計碳排放數據修正各像元和各省級能源消費碳排放數據,通過降尺度反演得出長江中游城市群能源消費碳排放的空間化數據[16],最終,運用ArcGIS軟件統計出長江中游城市群縣域能源消費碳排放數據。修正公式為

FCct=TCnt×(NCct/NCnt),

(4)

式中:FC為最終碳排放數據;TC為能源統計碳排放數據;NC為估算碳排放值;c為某一像元;n為省份;t為年份。

1.2.3 空間自相關分析 采用空間自相關可反映區域碳排放的空間集聚特征[39],本文運用全局空間自相關系數(Moran’sI指數)來表征區域總體的空間關聯度和差異度:I>0呈正相關,I<0呈負相關;I值越大,表明研究區碳排放的空間關聯度越強,反之,空間差異性越強。同時,本文采用局部自相關系數(Local Moran’sI指數)來表征區域局部單元與相鄰單元之間碳排放空間集聚模式:I>0,表明相鄰區域間存在高(低)集聚;I<0,表明相鄰區域間高(低)碳排放區域被低(高)碳排放區域所包圍。計算公式如下:

1)全局自相關:

(5)

2)局部自相關:

(6)

1.2.4 地理探測器 地理探測器是探測地理因子空間分異性及其背后影響因子作用的統計學方法,被廣泛應用于與空間分異性相關的環境、自然及社會等多個領域[40]。本文參考相關研究成果[41,42],并考慮到數據可得性,選取2000,2005,2010,2015和2019年共5期長江中游城市群各縣(區)數據,以長江中游城市群縣域能源碳排放量為因變量,6個指標作為自變量:技術水平,用碳排放強度(CI)表征,指標為各縣(區)碳排放量占地區生產總值比重;經濟發展水平(GDP),指標為各縣(區)地區生產總值;產業結構(IS),指標為各縣(區)第二產業占地區生產總值比重;人口規模(POP),指標為各縣(區)年末總人口;城鎮化水平(UR),指標為各縣(區)城鎮化率;公共支出(PE),指標為各縣(區)一般公共預算支出,應用地理探測器中的因子探測與交互作用探測,定量分析影響長江中游城市群縣域能源消費碳排放量的各影響因子,并揭示各影響因子的相對重要性及各因子間的交互作用。

1)因子探測:通常用q值衡量各影響因子X對目標因子Y的解釋力,q的范圍為[0,1],q值越大表示影響因子X對目標因子Y的解釋力越強。其表達式為

(7)

2)交互作用探測:通常用q值:q(X1∩X2)表示各影響因子之間的交互作用,探測兩個因子在共同作用時對目標因子Y的影響是否相關。

1.3 數據來源

本文研究數據主要包括省級能源消費數據、夜間燈光數據和輔助數據。省級能源消費數據來源于2000—2019年《中國能源統計年鑒》。夜間燈光數據來源于NOAA網站NGDC數據中心(https://www.ngdc.noaa.gov/eog/download.html)中的DMSP/OLS年度穩定夜間燈光數據和NPP/VIIRS月度夜間燈光數據。輔助數據主要包括各級行政邊界數據和229個縣(區)的經濟社會數據,其中,各級行政邊界數據來源于國家基礎地理信息中心網站(http://www.ngcc.cn),經濟社會數據來源于2000—2019年《中國縣域統計年鑒》及武漢、長沙和南昌等31市統計年鑒。

2 結果與分析

2.1 時間演變特征

從長江中游城市群整體層面來看,2000—2019年長江中游城市群能源消費碳排放呈波動上升趨勢,碳排放量由2000年的297 Mt增至2019年的768 Mt,年均增長率達5.12%,以2011年為拐點,增速由快變慢,呈現出收斂態勢,但未達到碳峰值。這表明2011年后長江中游城市群發展重心轉移,對其碳減排具有重要影響。具體來看:第一階段(2000—2011年)碳排放呈逐年增長態勢且增速強勁,年均增長率達9.29%,原因在于長江中游城市群在發展初期以經濟增長為導向,經濟增長帶來的能源消耗使得碳排放量增加顯著;第二階段(2012—2014年)碳排放出現負增長態勢,2011年后長江中游城市群發展轉移至“綠色可持續”,發展重心轉移至倡導低碳減排的發展方式、促進資源集約高效利用和高度重視長江流域生態環境修護,其發展理念的轉變使得碳減排成效顯著;第三階段(2015—2019年)碳排放呈波動增長,表明2015年后長江中游城市群綠色發展起勢見效,但仍存在低碳綠色轉型任務繁重、長江污染治理基礎不牢固[43]等問題,因此碳排放呈現波動性特征。

從長江中游城市群內部三大次級城市群來看,碳排放量從大到小為武漢城市圈、長株潭城市群、鄱陽湖生態經濟區,與其內部經濟發展水平相吻合。具體來看:武漢城市圈碳排放量以2011年為拐點先增后減,表明由高污染高耗能加工制造業向高新技術產業轉型升級對抑制碳排放成效顯著;長株潭城市群碳排放呈現“快速上升—下降—波動”的特征,長株潭城市群通過產業結構轉型升級及生態修復綜合治理等對碳排放產生抑制作用,但近年來區域協調度不高、產業布局分散、資源共享水平不高等問題凸顯,碳減排受阻;鄱陽湖生態經濟區碳排放量逐年增長但增速放緩,表明其基本形成生態與經濟協調發展新模式,但仍有較大減排空間?？傮w來說,武漢城市圈和長株潭城市群碳排放對長江中游城市群碳排放貢獻減弱,而鄱陽湖生態經濟區的貢獻增強。

2.2 空間演變特征

2.2.1 空間分異特征 長江中游城市群縣域能源消費碳排放存在明顯的空間分異特征,2000—2019年碳排放“核心—邊緣”結構逐漸凸顯,形成了以省會城市及其周邊縣(區)為核心的三大高密度碳排放中心。2000年縣域碳排放水平均較低,碳排放高值區僅在武漢市部分區;2005年碳排放沿武漢市各區向周邊擴散,長沙市部分縣(區)出現碳排放高值區;2010年上述范圍繼續擴大,向心集聚與外圍擴散并存,形成武漢、長沙兩大碳排放中心,且南昌市部分縣(區)首次出現高碳排放;2015年以南昌為中心向外圍擴張明顯,并形成以武漢、長沙和南昌為中心的“核心—邊緣”結構;2019年持續發育并向外圍擴散,最終形成了以省會城市及其周邊縣(區)為核心的三大高密度碳排放區。這表明省會城市及其周邊縣(區)的碳減排對長江中游城市群整體碳減排具有重要作用。

2.2.2 空間自相關分析 通過對長江中游城市群縣域能源消費碳排放空間全局自相關分析發現,2000—2019年其碳排放數據均通過P<0.01的顯著性檢驗,且全局Moran’sI指數均大于0,Z值均大于5.9,說明其碳排放呈顯著空間正相關。由表3可以看出,全局Moran’sI指數呈波動下降趨勢但降速放緩,說明其空間關聯程度總體呈減弱趨勢但漸趨穩定,主要原因在于2015年前各城市專注自身發展,產業結構重合度高,加之中心城市帶動輻射作用不足,導致區域間聯系較弱,但2015年后實施跨區域發展戰略,且以鋼鐵、建材和汽車等為主要產業的局面逐步改善,未來研究區碳排放空間關聯程度有望加強。

表3 長江中游城市群縣域能源消費碳排放全局Moran’s I指數

為進一步研究長江中游城市群縣域能源消費碳排放的空間關聯程度,對其2000—2019年進行局部自相關分析。如圖4所示,縣域碳排放空間集聚模式主要為高高集聚和低低集聚,空間分布呈現均質性。高高集聚區分布范圍較穩定,主要為以武漢和長沙市為核心的高高集聚。2000年高高集聚區主要在武漢市,規模較小;2005年高高集聚區范圍擴大,長沙市首次作為高高集聚區出現,并初步形成以武漢、長沙為核心的高高集聚;2010年上述格局加強,高高集聚區范圍達到最大;2010年后高高集聚區范圍減小,但仍主要分布在武漢和長沙市。表明武漢和長沙市前期依托碳密集型產業處于社會經濟發展高速發展階段[43],碳排放量攀升較快,但2010年后開始向低碳綠色發展方式轉變,碳減排成效明顯,未來有望退出高高集聚區。低低集聚區由片狀分布轉為塊狀分布,低低集聚有所減少,后期主要分布在咸寧市、撫州市、吉安市、株洲市、衡陽市等下轄的成長型資源縣(區)。表明各成長型資源縣(區)正處于資源開發利用和經濟快速發展階段,且承接省會所屬縣(區)的碳密集型產業轉移[44],碳排放加劇,將逐步退出低低集聚區。低高集聚區主要分布在緊鄰高高集聚區的縣(區),與高高集聚區總是呈現出鄰接分布的特征,并隨時間的推移分布范圍有所減小。高低集聚區沒有表現出一定的規律性。

圖4 長江中游城市群縣域能源消費碳排放LISA聚類

2.3 影響因素分析

2.3.1 單因子探測結果 單因子探測結果顯示,各自變量對長江中游城市群縣域能源消費碳排放均有一定的影響,其中影響碳排放分布格局的主導因子始終是經濟發展水平,其次是人口規模和公共支出,碳排放強度、城鎮化水平與產業結構對碳排放的影響較弱(表4)。

表4 單因子探測結果

1)經濟發展水平。經濟發展水平對長江中游城市群縣域能源消費碳排放的影響先增強后減弱,q值2015年增至0.504 2,2019年下降至0.419 1。經濟發展水平對研究區碳排放呈正向驅動作用,對其貢獻率極高。2000年實施中部崛起戰略,長江中游城市群縣域進入快速發展模式,存在高能耗、高排放、發展粗放等問題,經濟發展水平對碳排放的正向驅動作用不斷增強;2015年后,長江中游城市群實施《長江中游城市群發展規劃》,各縣(區)著力發展先進制造業、孕育戰略性新興產業、提升現代服務業發展水平,積極推進經濟結構轉型,促進可持續的經濟發展方式形成,未來對碳排放的正向驅動作用有望繼續減弱,但經濟發展水平仍將是影響長江中游城市群縣域碳排放的主要因子。

2)人口規模與公共支出。人口規模對長江中游城市群縣域碳排放的解釋力總體呈增強態勢,q值從2000年的0.133 2增至2019年的0.373 1;長江中游城市群縣域年末總人口從2000年12 060.61萬人增長至2019年的13 248.07萬人,人口增速較快,并且隨著一體化戰略的推進,長江中游城市群各縣(區)聯系日漸加強,跨區域人口活動日漸頻繁,碳排放量隨之增加,在此背景下,長江中游城市群人口規模對碳排放的解釋力將進一步加強。公共支出對長江中游城市群縣域碳排放的解釋力呈現波動性,q值在0.209 2—0.386 3區間波動;政府對基礎設施等的投入刺激了地方經濟發展,呈現正向驅動作用;而對技術創新的投入促進了效率優化,呈現負向抑制作用;兩者此消彼長,使得公共支出對碳排放呈現波動性的特點。

3)碳排放強度、產業結構與城鎮化水平。碳排放強度表征技術水平,對縣域碳排放的解釋力呈減弱趨勢,這與減排技術具有滯后性有關;但各縣(區)依托武漢東湖、長株潭、鄱陽湖三大國家自主創新示范區實現創新資源集成,努力提高技術水平,碳減排技術對碳排放的抑制作用有望凸顯。產業結構和城鎮化水平對縣域碳排放的解釋力均呈波動性特點,q值分別介于0.028 8—0.104 3和0.064 4—0.149 4。以高污染高耗能產業為主的第二產業必然引起碳排放增加,但各縣(區)推動先進制造業基地建設,逐步向現代產業體系邁進,未來將對碳排放將產生負向抑制作用。人口城鎮化為人口持續向城鎮集中的過程,具有階段性的特點,因此城鎮化水平對碳排放的影響呈現波動性特點。

2.3.2 交互因子探測結果 將每期影響因子交互疊加形成15對交互因子,結果顯示,各期交互因子對長江中游城市群縣域能源消費碳排放的解釋力明顯增強,主要表現為非線性增強和雙因子增強,說明研究區能源消費碳排放的空間分布是各影響因子共同作用的結果。

分別將各期交互因子的q值進行排序,選取排名前5的交互因子得到表5。從表5可知,各期均為GDP與其他因子的交互作用對長江中游城市群縣域能源消費碳排放影響力較強,表明推動經濟結構轉型升級將會有效抑制碳排放,但其短期內轉變較困難,這將是研究區碳減排的瓶頸所在;各期交互因子最高的均為GDP∩CI(0.95—0.97),遠高于其他影響因子間的交互作用,說明經濟發展水平和技術水平的交互作用對研究區能源消費碳排放的空間分異起主導作用。從交互作用年際變化上看,GDP∩CI對研究區碳排放的解釋力從0.97降至0.95,而GDP∩UR,GDP∩IS,GDP∩POP和GDP∩PE交互因子上升顯著,表明經濟發展和技術水平的交互作用對其影響減弱,但經濟發展水平與城鎮化水平、產業結構、人口規模和公共支出的共同作用對其影響增強。因此,注重多因子的共同作用可有效實現長江中游城市群縣域能源消費碳減排。

表5 交互因子探測結果

3 結論與討論

3.1 結論

本文將DMSP/OLS與NPP/VIIRS兩套夜間燈光數據相銜接,結合省級能源消費碳排放數據,反演出長時間序列的長江中游城市群縣域尺度能源消費碳排放數據,揭示了其碳排放的時空演變特征,并基于地理探測器探討了其影響機制及機制間的交互效應。主要結論如下:

1)2000—2019年長江中游城市群縣域能源消費碳排放總體呈上升趨勢,碳排放量由2000年的297 Mt增至2019年的768 Mt,以2011年為拐點增速由快變慢,呈現出收斂趨勢,但并未達到碳峰值。其中,長江中游城市群內部三大城市群縣域能源消費碳排放從大到小為武漢城市圈、長株潭城市群、鄱陽湖生態經濟區,武漢城市圈和長株潭城市群各縣(區)對研究區碳排放貢獻在2011年后逐步減弱,而鄱陽湖生態經濟區對其碳排放貢獻逐年增強。

2)長江中游城市群縣域碳排放存在明顯的空間分異特征,“核心—邊緣”結構逐漸凸顯,形成了以省會城市及周邊縣(區)為核心的三大高碳排放區?？h域碳排放呈現顯著的正向空間自相關,空間關聯度呈減弱趨勢但漸趨穩定;空間集聚模式主要為高高集聚和低低集聚,但兩大集聚區范圍均有減少,高高集聚區主要分布在武漢和長沙市各縣(區),低低集聚區主要分布在咸寧市、撫州市、吉安市、株洲市和衡陽市部分縣(區)。

3)長江中游城市群縣域能源消費碳排放是多因子共同作用的結果。經濟發展水平始終是主導因子,人口規模和公共支出也對碳排放的影響力較強,碳排放強度、城鎮化水平與產業結構對碳排放的影響相對較弱。各影響因子交互作用對縣域碳排放的解釋力明顯增強,GDP與其他因子的交互作用對碳排放的貢獻率最強,其他交互因子的貢獻率相對較弱。

3.2 討論

通過長江中游城市群縣域碳排放影響機制對接其碳減排政策,長江中游城市群各縣(區)應抓住“十四五”窗口期,以高水平縣(區)為先導轉變經濟發展方式,制定合理人口政策以及優化地方財政支出結構為重點實現碳減排。經濟發展水平對碳排放呈正向驅動作用,但短期內實現各縣(區)經濟轉型較困難,應結合三大省會城市及其周邊縣(區)的碳減排對長江中游城市群整體碳減排的作用及省會城市現有基礎,以武漢、長沙和南昌所轄縣(區)為先導,分別以“光芯屏端網”等新能源開發、燃油汽車電動化智能轉化和有序開發新能源汽車為重點,發揮武漢東湖、湘江新區及贛江新區的引領作用,以高水平縣(區)碳減排實現整體碳減排;人口規模及人口跨區域活動的增加會導致碳排放增多,但單一控制人口增長并不是有效途徑,應結合當下長江中游城市群人口紅利逐漸消失的現狀以及各縣(區)差異,推動人口向節能減排技術研究方面流動,改善人口教育結構;同時推動縣(區)人口適當向城鎮集中,實現規模和集聚效應,推動碳減排。公共支出通過對企業技術創新以及綠色基礎設施的財政支持,對碳減排產生作用,因此要優化財政支出結構,同時確保財政支持落實到縣(區)乃至鄉鎮政府,促進長江中游城市群高碳排放縣(區)向低碳排放轉型。

本文基于DMSP/OLS和NPP/VIIRS兩套夜間燈光數據,構建了2000—2019年長時間序列的DMSP/OLS夜間燈光數據集,并結合省級能源消費數據,反演出長江中游城市群縣域能源消費碳排放數據,提高了數據的精確性和實效性。但文章還存在一些不足:首先,由于縣域尺度數據獲取受限,缺乏真實縣域能源消費碳排放數據,因此該數據缺乏穩健性檢驗;其次,碳排放近年來呈現收斂態勢,而夜間燈光數據近乎線性增強,如何更精確地運用夜間燈光數據模擬碳排放,是今后碳研究的重要突破方向。