黄河流域碳排放量及影响因素的时空异质性研究

孙才志，曾庆雨

（1.教育部人文社科重点研究基地辽宁师范大学海洋经济与可持续发展研究中心，辽宁大连 116029；2.辽宁省海洋经济高质量发展高校协同创新中心，辽宁大连 116029；3.辽宁师范大学地理科学学院，辽宁大连 116029）

黄河流域是我国重要的能源、化工、原材料和基础工业基地，也是我国碳排放重点地区和生态治理重点区域［1］。 2021 年3 月，习近平总书记在中央财经委员会第九次会议上指出，要把碳达峰、碳中和纳入生态文明建设整体布局［2］。 2022 年6 月28 日，生态环境部等四部门联合印发《黄河流域生态环境保护规划》［3］，提出黄河流域2030 年前实现碳排放达峰，生态系统质量和稳定性全面提升。 碳达峰目标和生态文明建设互为支撑、相互促进。 一方面，生态文明建设是实现碳达峰目标的基础，高水平生态文明建设能促进经济绿色低碳发展、优化资源配置，推动高质量发展；另一方面，发展低碳经济是推动流域生态文明建设的重要路径。水生态文明建设作为生态文明发展的重要环节，是推动黄河流域经济社会高质量发展和实现碳达峰的重要影响因素［4］。 因此，研究黄河流域碳排放量影响因素时空异质性，对推动黄河流域的生态文明特别是水生态文明建设、实现黄河流域生态保护和高质量发展具有重要现实意义。

当前对碳排放量影响因素的研究主要采用对数平均迪氏指数（LMDI） 分解法［5］、 Kaya 恒等式［6］、STIRPAT 模型［7］等方法，研究范围包括工业［8］和农业［9］等部门、流域［7］、省域［10］、城市群［11］、市域［12］和县域［13］等不同尺度。 有学者采用经典地理加权回归（GWR）模型［14］和时空地理加权（GTWR）模型［12］，分别对碳排放量及其影响因素时空异质性进行研究。 通过梳理文献发现，目前对碳排放量影响因素的研究大多侧重于全局平均作用强度的估计，而GWR 模型和GTWR 模型所有自变量带宽（带宽是衡量影响因素空间异质性的指标，带宽越小空间异质性越强）相同，无法反映各影响因素空间尺度差异，而多尺度地理加权回归（MGWR）模型则允许不同自变量拥有不同带宽，可真实有效地反映影响因素的空间异质性。 鉴于此，本文以黄河流域地级市为研究对象，利用MGWR 模型研究其碳排放量影响因素的时空异质性，以期为黄河流域生态保护和高质量发展提供参考。

1 研究区概况

黄河全长5 464 km，流经青海、四川、甘肃、宁夏、内蒙古、山西、陕西、河南、山东9 个省（区），涉及69个地级行政单位，流域面积约为79.5 万km2。 黄河流域横跨我国西部、中部和东部，流域内城市经济发展水平差异较大。 黄河流域9 个省（区）2020 年总人口4.21亿，占全国总人口的29.83%；2021 年地区生产总值28.6 万亿元，约占全国的1／4。 黄河流域是我国煤炭主要生产和供应基地，煤炭产量约占全国煤炭总产量的70%。 化石燃料燃烧是碳排放的主要来源，因此黄河流域面临巨大的碳减排压力。

2 数据来源与研究方法

2.1 变量选取与数据来源

Shi 等［15］研究表明，地级市尺度的GDP、人口和城市化对碳排放量影响较大，因此本研究选取GDP、人均GDP、年末总人口、人口密度和土地城市化率5 个指标作为自变量，研究其对碳排放量的影响。 研究时段为2000—2019 年，研究对象为黄河流域地级市，流域外部区域不在本研究范围内。 为保证数据一致性，本研究采用的所有数据均从分辨率为1 km×1 km 的卫星遥感影像按黄河流域边界范围内提取得到。 用于提取城市建设用地面积的夜间灯光数据来自美国国家环境信息中心（https：／／eogdata.mines.edu／products／vnl／），用于计算城市行政区土地总面积的空间数据来自中国科学院资源环境科学数据中心（http：／／www.resdc.cn），人口空间分布数据来自WorldPop（https：／／dx.doi.org／10.5258／SOTON／WP00674），CO2排放空间分布数据来自《人为二氧化碳开源数据清单（ODIAC）》［16］，GDP 空间分布数据来自全球高分辨率实际国内生产总值栅格数据［17］。 对处理后的自变量进行多重共线性检验，各指标的方差膨胀系数（VIF）均小于10，不存在显著共线性。

2.2 研究方法

2.2.1土地城市化率计算

根据土地城市化的内涵［18］，本研究用城市建设用地面积与城市行政区土地总面积的比例表征土地城市化率。 利用DMSP-OLS 和NPP-VIIRS 夜间灯光数据集，提取城市建设用地面积［19］。 处理步骤：1）DMSP-OLS数据集（2000—2013 年）相互校准［20］、年内融合［21］和年际校正［21］；2）NPP-VIIRS 数据集（2013—2019 年）背景噪声和异常值去除［22］、年度数据合成［23］和年际校正［21］；3）根据DMSP-OLS 与NPP-VIIRS 数据集在2013 年数据重叠的特点，建立二者之间的回归关系，得到校正后的DMSPOLS 数据集（2000—2019 年）；4）采用伪不变特征法［24］提取城市建设用地面积。

2.2.2全局空间自相关性分析

全局莫兰指数（Global Moran’s I）根据要素位置和要素属性值来度量要素的空间相关联程度，计算公式［25］为

式中：I为全局空间自相关指数，n为地级市总数，xi和xj分别为地级市i和地级市j的样本值，x-为样本值的平均值，Wij为空间权重。

2.2.3局部空间自相关性分析

采用ArcGIS 的Anselin Local Moran’s I 工具，识别具有高值或低值要素的空间聚类情况，公式［25］为

式中：zi和zj分别为地级市i和地级市j的碳排放量标准化值，Ii为地级市i的局部空间自相关指数。

2.2.4GWR 和MGWR 模型

GWR 模型表达式［26］为

式中：yi为地级市i的碳排放量，（ui，vi）为地级市i的空间地理位置坐标，β0（ui，vi）为地级市i的截距，βk（ui，vi）为地级市i的第k个影响因素的回归系数，xik为地级市i的第k个影响因素的值，εi为误差项，K为影响因素总数。

MGWR 模型表达式［27］为

可以看出，MGWR 模型的每个回归系数都是基于局部回归得到的，带宽具备特异性，这是MGWR 模型与GWR 模型最大的不同。

3 结果与分析

3.1 黄河流域碳排放量的时空格局及空间关联差异分析

3.1.1黄河流域碳排放量时空格局

黄河流域地级市平均碳排放量由2000 年的112.14万t 增至2019 年的361.25 万t（见图1）。 2011 年之前增速较快，之后增速变慢。 碳排放量高值区主要位于上游与中游交错地带的鄂尔多斯市等地级市，整体呈东高西低的空间分布格局（见图2）。

3.1.2碳排放量空间自相关性分析

图1 2000—2019 年黄河流域地级市平均碳排放量

图2 黄河流域典型年碳排放量及变化速度空间分布

采用全局莫兰指数表征黄河流域碳排放量空间自相关性（其计算结果见表1），全局莫兰指数均为正值，且通过显著性水平为0.05 的显著性检验，表明黄河流域地级市碳排放量存在显著正向空间自相关特征，即碳排放量水平接近的区域在空间上集中分布。

表1 全局莫兰指数I 计算结果

采用ArcGIS 软件中的Anselin Local Moran's I 工具进行局部自相关性分析，结果见图3。 高-高值区主要分布在黄河上游与中游交错地带（鄂尔多斯市、榆林市和吕梁市）、中游与下游的交错地带（运城市、三门峡市），低-低值区主要位于青海省西宁市和黄南藏族自治州。

图3 黄河流域典型年碳排放量局部空间自相关性

3.2 模型对比与尺度分析

采用Pearson 法对黄河流域碳排放量及影响因素进行相关性分析，结果见图4（*、**、***分别表示通过显著性水平为0.10、0.05、0.01 的显著性检验）。碳排放量与GDP、年末总人口、土地城市化率的相关性均通过显著性水平为0.01 的显著性检验，成显著正相关关系，GDP 与碳排放量的相关系数最大。 人口密度与碳排放量的相关性在2010 年和2019 年分别通过显著性水平为0.10和0.05 的显著性检验。

图4 黄河流域典型年碳排放量与影响因素的相关关系

由空间自相关分析结果可知碳排放量有显著空间集聚特征，说明碳排放量与影响因素之间不满足普通最小二乘法要求，即区域之间相互独立的假设不成立。 因此，需引入空间差异分析模型对经典线性模型进行改进。 采用GWR 模型和MGWR 模型对碳排放量及其影响因素异质性进行研究，结果见表2。 MGWR 模型的IAICc（修正的赤池信息准则值）和IRSS（残差平方和）均比GWR 模型的小，说明MGWR 模型优于GWR 模型；MGWR 模型的R2（拟合优度）和调整R2均大于GWR 模型的，说明MGWR模型拟合效果优于GWR 模型。 因此，MGWR 模型可降低模型残差的空间自相关性，是研究黄河流域地级市碳排放量影响因素空间异质性的较优模型。

表2 GWR 模型和MGWR 模型对比

GWR 模型和MGWR 模型变量带宽对比见表3。GWR 模型变量带宽数值较大，不具有空间异质性。MGWR 模型的GDP 带宽最小，说明其具有显著空间异质性；土地城市化率的带宽从2014 年开始减小，说明其空间异质性逐步显现；常数项表示区位因素对碳排放量的影响程度，其带宽2001—2013 年较小，表明在此期间区位因素对黄河流域地级市碳排放量的影响具有空间异质性；人均GDP、年末总人口和人口密度的带宽较大，为全局尺度，说明这些因素对碳排放量的影响不具有空间异质性。

表3 GWR 模型和MGWR 模型变量带宽对比

地级市拟合优度R2反映各影响因素对黄河流域地级市碳排放量的解释程度。 黄河流域MGWR 模型地级市R2空间分布见图5，可知黄河流域各地级市R2均在0.72 以上；2019 年94.74%的地级市R2大于0.80，说明各影响因素对黄河流域地级市碳排放量空间分布特征具有较强解释程度；黄河中下游地区的地级市R2相对较小，说明中下游地区地级市碳排放量还存在其他影响因素。

图5 黄河流域MGWR 模型地级市拟合优度R2空间分布

3.3 基于MGWR 模型的黄河流域碳排放量影响因素异质性分析

利用MGWR 模型计算2000—2019 黄河流域碳排放量各影响因素回归系数年平均值，结果见图6。 由Pearson 相关性分析可知，碳排放量与人均GDP 没有显著相关性，因此碳排放量影响因素异质性分析不包括人均GDP。 按回归系数大小排序：GDP＞人口规模＞土地城市化率＞人口密度。 GDP、人口规模和土地城市化率为正效应，人口密度为负效应。

图6 基于MGWR 模型的黄河流域碳排放量影响因素回归系数

黄河流域碳排放量与GDP 回归系数空间分布见图7。 GDP 的回归系数随时间减小，即正效应强度逐年减弱，说明黄河流域各地级市在发展经济的同时，建设绿色低碳城市，可持续发展意识加强。 正效应强度自东南向西北增强，说明黄河流域上游地区城市经济发展对碳排放量增加的贡献较大，这与张华明等［28］的观点一致。 原因是上游地区经济相对落后，碳减排能力提升难度较大［29］；下游地区经济相对发达，生态保护和发展水平较高［30］，碳减排能力较强［29］。

图7 黄河流域典型年碳排放量与GDP 回归系数空间分布

黄河流域碳排放量与年末总人口回归系数空间分布见图8。 人口规模正向影响碳排放量，说明城市人口规模扩大，居民能源消耗总量增长，会增大城市碳排放量。 回归系数高值区自东向西移动至中部后向南收缩。 2015 年后，正效应最强的区域位于黄河流域南部的西安市等地级市，说明以西安为核心的经济发展水平较高的地区，由经济发展和人口激增带来的碳排放量高的问题较为突出。

图8 黄河流域典型年碳排放量与年末总人口回归系数空间分布

由于人口密度对碳排放量的影响为负效应，因此人口密度与碳排放量的回归系数绝对值越大，负效应越强。 选择具有显著相关关系的2014 年、2017 年和2019 年的回归系数进行空间分布分析（见图9）。 可以看出，人口密度负效应强度从西南向东北部增强，较强地区位于黄河流域下游以及中上游北部鄂尔多斯市及周边地级市，说明经济发展水平较高的城市规划合理、公共资源集聚，人口集聚有利于碳减排。

图9 黄河流域典型年碳排放量与人口密度回归系数空间分布

黄河流域典型年碳排放量与土地城市化率回归系数空间分布见图10。 由于2000 年和2001 年碳排放量与土地城市化率回归结果不显著，因此选择具有显著性的2002 年回归系数进行分析。 土地城市化率的回归系数平均值从2000 年的0.198 上升至2019 年的0.382，其中经历2001—2002 年和2013—2015 年2 个上升期。 正效应强度自东向西逐渐增强，说明黄河上游地区土地城市化率的提高使碳排放量增大。 该空间分布格局是以下因素共同作用的结果：1）上游地区土地城市化基础薄弱，随着西部大开发战略的实施，需要更多的城市建设用地以发展工业企业，而工业企业以煤炭为主要燃料，导致碳排放量增加；2）城市建设用地扩张的主要来源是耕地（由2002 年和2019 年土地利用分类图［31］可知），而耕地整体表现为碳汇［32］，耕地转化为城市建设用地导致陆地生态系统碳汇能力下降；3）黄河上游地区碳减排能力低、提升难度大［29］；4）黄河下游地区城市发展较为完善，城市建设用地扩张空间有限，土地城市化率的影响较弱。

图10 黄河流域典型年碳排放量与土地城市化率回归系数空间分布

4 结论

在我国2030 年前实现碳达峰目标与黄河流域生态保护和高质量发展重大国家战略实施背景下，本文利用莫兰指数对黄河流域地级市碳排放量与影响因素的空间自相关特征进行分析。 运用MGWR 模型，从经济、人口、土地城市化率等方面对碳排放量影响因素时空异质性进行研究，结论如下。

1）黄河流域地级市碳排放量呈上升趋势，具有显著空间集聚特征。 高-高值集聚区主要位于黄河上中游交错地带的鄂尔多斯市、榆林市、吕梁市，中下游交错地带的运城市和三门峡市；低-低值集聚区位于黄河上游青海省西宁市和黄南藏族自治州等。

2）MGWR 模型的IAICc和IRSS值比GWR 模型的小，R2和调整R2值比GWR 模型的大，说明利用该模型研究黄河流域地级市碳排放量影响因素时空异质性优于GWR 模型。 由MGWR 模型得出：GDP 具有显著的空间异质性，土地城市化率的空间异质性从2014 年开始显现，人口规模和人口密度在地级市尺度上空间异质性较弱。

3）按回归系数大小排序：GDP＞人口规模＞土地城市化率＞人口密度。 GDP、人口规模和土地城市化率呈显著正效应，人口密度呈显著负效应。 空间分布上，GDP 的正效应强度从东南向西北逐渐增强，人口规模的正效应强度自东向西移动至中部后向南收缩，人口密度的负效应强度自西南向东北递增，土地城市化率的正效应强度自东南向西北递增。