陕西省土地利用碳排放变化及预测研究

冯颖 马桂英

（西北政法大学，陕西 西安 710122）

1 引言

近年来，全球气候逐渐变暖、气温逐年上升、极端天气频频发生，生态环境面临着严峻考验。我国幅员辽阔，且作为人口大国，社会经济活动较为频繁。我国土地资源较为丰富，人类经济活动在土地利用过程中产生的碳排放影响较大。同时，我国作为世界上最大的发展中国家和碳排放大国，正式提出了要在2030 年实现碳达峰、2060 年实现碳中和的目标。“双碳”目标的实现要从各个方面进行发力，土地利用碳排放是最基础的一个层面，极有必要对土地利用过程中产生的碳排放进行研究。陕西省是我国西部地区的重要经济载体，研究其土地利用碳排放变化具有重要意义。

目前对于土地利用碳排放的研究成果比较多，主要体现在以下几个方面。一是碳排放影响因素的研究。张炎治等利用结构路径分解的方法，认为需求规模、煤炭消费、能源效率和直接消耗系数变化构成碳排放增加的关键路径［1］。王少剑通过STIRPAT 模型和环境库茨涅茨曲线（EKC）研究得出经济发展与人均碳排放之间呈现倒“N”型曲线关系［2］。杜海波等在DMSP/OLS 与NPP/VIIRS 夜间灯光数据的基础上研究发现，经济发展水平对碳排放空间分异的影响力始终保持最强［3］。二是碳排放与经济增长关系的研究。武红等研究发现，碳排放是经济增长的格兰杰（Granger）原因，但经济增长并不是碳排放的Granger 原因［4］。齐绍洲等运用Tapio 脱钩模型研究发现，人均GDP 每升高1%，碳排放总量会上升1.246 7%［5］。赵明轩等通过建立面板向量自回归模型（PVAR）等分析方法，得出二氧化碳排放与经济增长呈双向因果关系，经济增长对二氧化碳排放均产生正向冲击［6］。三是能源与碳排放之间的经济增长关系的研究。杨嵘等利用脱钩模型研究发现，我国西部地区经济规模的高速增长是导致碳排放量增加的主导力量，能源利用效率的提高会减少碳排量的产生［7］。米国芳等利用“尾效”模型，发现不管有无碳排放约束，能源消费结构的矛盾仍然是制约中国经济增长的主导因素。同时由于碳排放的限制，能源消费结构对于中国经济增长的制约将进一步加强［8］。四是碳减排机制与政策方面的研究。刘传明等研究发现，碳排放权交易政策通过市场收益诱导效应、技术创新激励效应、政府支持效应等会实现碳减排［9］。董直庆等通过双重差分模型和空间计量方法，得出了碳排放权交易政策可以降低本地碳排放，其碳减排效应会逐年增强，并且同期本地碳交易政策实施可以形成邻地示范效应，推动相邻地区碳减排的结论［10］。五是碳排放量测算及预测的方法。较为典型的研究方法主要有DEA 分析法、灰色关联度分析法、碳排放系数法、LMDI 分解法等。吴贤荣通过构建DEA-Malmquist 效率指数，分析了农业Malmquist 碳排放效率指数及其分解指数的省域差异及变动趋势［11］。王永哲采用灰色关联分析方法对吉林省2000—2012 年能源消费人均碳排放量相关影响因素的关联度进行分析，并且采用GM（1，1）预测模型对人均碳排放量进行了预测［12］。唐洪松利用碳排放系数法对我国西北地区土地利用碳排放量进行测算，并总结出了生态效率的测算方法［13］。初巧智通过运用Tapio 脱钩模型测算了黑龙江省农业碳排放的脱钩系数［14］。

以上对碳排放的研究内容和研究方法，集中体现了碳排放成因、碳排放与经济增长的关系、碳减排路径机制以及碳减排政策。目前采用碳排放测算的主流方法比较丰富，相比较而言，碳排放系数法以及灰色关联度分析法能更好地计算碳排放量，并进行预测分析。因此，本文采用碳排放系数法、灰色关联度分析法对陕西省碳排放进行分析及预测。

2 研究区概况及数据来源

2.1 研究区概况

2021 年，陕西省GDP 为29 800.98 亿元。其中，第一产业2 409.39 亿元，第二产业13 802.52 亿元，第三产业13 589.07 亿元。2020 年年底，陕西省能源消费总量达到13 512 万t（万t 标准煤）。陕西省土地资源及矿产资源丰富，且土地利用类型较为丰富。根据2020 年陕西省统计年鉴数据，全省各类土地利用面积见表1。

表1 2020 年陕西省各类土地利用面积万hm2

2.2 数据来源

本文主要数据来自陕西省统计年鉴、陕西省国土资源公报和陕西省自然资源公报，样本期为2010—2020 年。其中大部分数据可直接从统计年鉴查到，对于一些无法直接从年鉴中获取的数据，可以通过简单计算得出。

3 研究方法

3.1 碳排放系数选取

根据相关学者的研究成果并结合陕西省实际情况，依据我国《省级温室气体清单编制指南（试行）》中的国家标准以及有关西北地区的标准，选取碳排放系数。

3.2 土地利用碳排放量测算方法

根据碳排放源活动水平和碳排放系数，计算出土地利用碳排放的数值，形成具体年度不同土地利用类型的碳排放清单。本文借鉴王桂波、南灵［15］的计算方法，并且结合魏媛、简小玉［16］的研究，确定土地利用碳排放核算为碳源和碳汇两部分。其中，计算碳源得到碳排放量，碳源主要是建设用地；计算碳汇得到碳吸收量，碳汇主要包括林地、草地、园地和水域及水利设施用地。通过计算碳源和碳汇得到净碳排放量。其中农用地既是碳源又是碳汇，农用地作为碳源，主要体现在农业机械使用、农用地化肥使用、塑料薄膜使用过程中的碳排放行为。农用地作为碳汇，主要体现在农作物生长期间光合作用，其碳排放量较小，本文不展开详细研究。

农用地碳排放量计算公式为［15］：

式中，Ef为农用地碳排放量，万t；G1为耕地播种面积，hm2；G2为农业机械总动力，kW；G3为农用地化肥使用折纯量，t；G4为农用塑料薄膜使用量，kg；A，B，C，D 分别为对应的碳排放转换系数。

在参照前人研究的基础上，并结合陕西省实际情况确定农用地相关指标的碳排放转换系数，见表2。

表2 农用地相关指标碳排放转换系数

建设用地碳排放量计算公式为［15］：

式中，EC为建设用地碳排放量，万t；H 为单位GDP能耗，吨标准煤/万元；GDP′为第二产业值、第三产业值之和；GDP1为第二产业值，亿元；GDP2为第三产业值，亿元；K 为煤炭消费系数，取值为0.747 6。

建设用地相关指标碳排放转换系数见表3。

表3 建设用地相关指标碳排放转换系数

碳汇主要来自林地、园地、牧草地、水域及未利用地和耕地，计算公式为［15］：

式中，Ci为第i 类土地碳吸收量，万t；Gi为第i 类土地面积，hm2；fi为碳吸收率，t/hm2。

各类土地利用碳吸收率见表4。

表4 各土地利用类型碳吸收率

3.3 土地利用碳排放量灰色关联度分析法

灰色关联度分析法［24］（Gery Relational Analysis）是灰色系统分析方法的一种。它的原理是根据因素之间发展趋势的相同或相异趋势，来衡量因素之间的关联程度。通过灰色关联度分析法来测算土地利用变化和碳排放之间的关联度，方便后期进行土地利用碳排放测算及预测。

3.4 灰色预测模型GM（1，1）

GM（1，1）模型可对数据少、序列不完整及可靠性低的数据进行预测，它不考虑分布规律或变化趋势，适用于指数增长性的中短期预测。其预测公式如下：

公式（5）为一阶线性微分方程，公式（6）为微分方程所对应的时间响应函数，其中a，b 为通过最小二乘法拟合得到的待定系数［25］。

4 结果分析

4.1 土地利用类型变化分析

土地利用类型变化会引起碳排放量的增减。2000—2020 年陕西省各土地利用类型变化统计分析结果如图1 所示。

图1 2000—2020 年陕西省土地利用类型变化统计

如图1 所示，2000—2020 年，陕西省耕地面积呈下降趋势；园地面积呈现缓慢上升趋势；林地面积在陕西省总用地面积中占比最大，其面积呈现缓慢上升趋势；草地面积仅次于林地和耕地，但呈现缓慢下降趋势；工矿用地呈现缓慢增加趋势；交通运输用地、水域及水利设施用地、未利用地面积呈现波动发展趋势。

4.2 土地利用碳排放量关联度分析

用灰色关联度分析法计算出土地利用类型与净碳排放量的关联度，具体见表5。

表5 各单一土地利用类型与土地利用碳排放量关联度

由表5 可知，8 种土地利用类型与碳排放量都存在线性关系。其中，建设用地碳排放量关联度为0.968 6，排名第1 位，关联度最强，其余依次为农用地、耕地、水域及水利设施用地、草地、未利用地、园地、林地。

4.3 土地利用碳排放量分析

根据上文碳排放量计算公式，结合2010—2020年陕西省土地利用变化数据，计算陕西省10 年间土地利用碳排放变化量，计算结果见表6。

表6 2010—2020 年陕西省各类型土地利用碳排放量万t

表6 表明，在研究时期内，陕西省土地利用净碳排放量从2010 年的6 848.54 万t 增加到2020 年的10 517.79 万t，共增长了3 669.25 万t，年均约增长366.93 万t。从整体的变化趋势来看，陕西省土地利用净碳排放量呈增加趋势。碳排放量由大到小的土地利用类型排序为建设用地、农用地、耕地、未利用地、水域及水利设施用地、草地、园地、林地。

其中，农用地作为主要的碳源，碳排放量从2010 年的1 762.49 万t 增长到2020 年的1 808.27万t。2013—2014 年农用地碳排放量减少103.39 万t；2016—2017 年农用地碳排放量减少8.11 万t；2017—2018 年农用地碳排放量减少22.45 万t；2018—2019 年农用地碳排放量减少242.92 万t；2019—2020 年农用地碳排放量减少5.49 万t。总体来看，农用地碳排放量呈不同幅度下降态势，2018—2019 年下降量尤为明显。2013 年农用地碳排放量数值最大，自2013 年之后，农用地碳排放量缓慢下降。截至2020 年，农用地的碳排放量基本恢复到2010 年。

建设用地碳排放量呈现逐年上升趋势，由2010年的5 600.03 万t 增加到2020 年的9 226.88 万t，10 年间碳排放增值数量为3 626.85 万t，平均每年约增加362.69 万t。但2019—2020 年建设用地碳排放量有所下降，减少71.48 万t。

耕地整体碳排放量较平稳，呈现出碳排放量逐年缓慢下降的趋势，10 年间耕地碳排放量减少0.74 万t。

园地的碳吸收量呈缓慢下降趋势，但下降趋势不明显，10 年间碳吸收量下降2.01 万t。

林地的碳吸收量也呈缓慢下降趋势，下降趋势也不明显，10 年间碳吸收量下降3.62 万t。

草地的碳吸收量呈波动状态。2010—2011 年呈增加趋势，碳吸收量增加1.44 万t；2011—2015 年碳吸收量又缓慢下降，但下降幅度不明显；2016—2020年草地碳吸收量稳定。

水域及水利设施用地和未利用地的碳吸收量呈稳定趋势。

4.4 陕西省土地利用碳排放量预测分析

根据灰色预测模型，结合MATLAB 软件测算出后验差c，小误差概率p，得出c 和p 都满足精度的等级要求。因此，建立GM（1，1）模型。灰色关联预测模型构建结果见表7。

表7 灰色关联预测模型构建结果

在分析构建GM（1，1）模型的模型精度等级后，进一步进行灰色模型预测值的测算，以2010 年为基期年，以5 年为间隔，分别预测2030—2060 年陕西省碳排放量，具体预测结果见表8。

表8 灰色预测模型预测2030—2060 年陕西省碳排放量万t

由表8 可知，陕西省净碳排放量预测值呈逐年上升趋势，2030 年净碳排放量预测值为15 443.40万t，2060 年净碳排放量预测值为42 606.17 万t。

其中，建设用地碳排放量所占比重最大。建设用地碳排放量预测值与净碳排放量预测值呈正相关增长关系，建设用地2030 年碳排放量预测值为14 454.52 万t，2060 年碳排放量预测值为53 117.28 万t，碳排放量预测值增长速度快、数量大，需引起高度重视。

农用地碳排放量预测值呈现逐年下降趋势，2030 年农用地碳排放量预测值为1 758.39 万t，2060 年农用地碳排放量预测值为1 327.06 万t。虽然农用地碳排放量预测值减少数量较少，但呈下降趋势，与农用地面积减少有一定关系。

园地、林地、草地、水域及水利设施用地、未利用地作为主要碳汇，其碳汇作用虽呈减弱态势，但不太明显，2030—2060 年间，碳汇作用减弱程度微乎其微，说明碳汇作用相对稳定。

综上，2030—2060 年间陕西省净碳排放量预测值呈增加趋势，建设用地碳排放量预测值增加尤为显著，农用地碳排放量预测值呈下降态势，主要碳汇碳吸收量预测值基本平稳。

5 研究结论和建议

5.1 研究结论

经过灰色关联度分析法得出，研究区8 种土地利用类型与净碳排放量都存在线性关系。其中，建设用地碳排放量关联度最强，其余依次为农用地、耕地、水域及水利设施用地、草地、未利用地、园地、林地。

陕西省土地利用净碳排放量从2010 年的6 848.54 万t 增加到2020 年的10 517.79 万t。总体而言，陕西省土地利用碳排放量呈上升趋势，碳排放量主要来自建设用地和农用地，碳吸收主要来自林地和草地。

利用灰色预测模型GM（1，1）可得，陕西省2030年净碳排放量预测值为15 443.40 万t，2060 年净碳排放量预测值为42 606.17 万t，整体碳排放量预测值呈现上升态势。其中，建设用地碳排放量预测值上升趋势最为显著，但农用地碳排放量预测值呈下降趋势。

5.2 对策建议

陕西省当前处于经济快速发展的时期，需要走低碳发展道路。针对当前陕西省实际碳排放情况以及碳排放的发展趋势，提出促进陕西省土地利用减排降碳的对策建议如下：

优化土地利用结构，减少碳排放量。建设用地、交通运输用地是土地利用碳排放量的主导因素，因此要将“双碳”目标融入城乡土地利用空间规划中。通过改进和完善城市住房制度，达成供需平衡，避免盲目扩张建设用地面积而导致粗放式的土地利用方式，通过结合陕西省用地特点，对城乡用地进行结构调整和空间优化，有效配置空间资源，推动土地集约节约利用。

严格落实耕地保护制度，确保耕地面积不减少。严格控制各类项目建设用地占用耕地，特别是高标准农田，确保实现耕地“占补平衡”。积极稳妥地推进土地开发，增加有效的耕地面积。通过土地流转等制度建设积极推进农村土地利用多元化，加快农村和农业结构全面升级，促进农业和农村经济发展。

增加碳汇面积。加强生态建设，推进森林、湿地资源保护，重点加强防护林建设。通过加强黄土高原水土流失综合治理，严格依法执行水土保持方案审批制度，有效控制人为水土流失现象，并通过加快园林绿地和环保设施建设，提高城市绿化水平。