成渝城市群土地利用碳排放时空异质性及影响因素分析

赖德琳,胡 燕,王玉贵*

(1.西南土地资源评价与监测教育部重点实验室,四川成都 610066;2.四川师范大学地理与资源科学学院,四川成都 610066)

0 引言

因碳排放引起的气候变化是国内外学者关注的热点话题[1].从土地利用视角出发,探究区域土地利用碳排放时空演变趋势,对于区域低碳转型具有重要意义.目前针对土地利用碳排放的相关研究包括碳核算、时空格局分析、影响因素分析等.张余等[2]基于遥感数据探究东北三省土地利用碳排放差异,发现区域碳排放差异显著,且土地利用强度对于碳排放影响最大.赵强等[3]结合地理探测器对中部地区碳排放进行分析,显示地区生产总值和第二生产总值对碳排放解释力最强.成渝城市群是我国高质量发展的重要增长极,人口和城镇分布密集,土地利用变化较为显著.目前不少学者从城市群整体或局部区域对碳排放进行了相关研究.如王晓平等[4]探讨了成渝城市群碳排放空间关联性,研究位于碳排放网络的中心地位的重要城市.袁霄等[5]基于不同土地利用类型数据测算重庆市土地利用碳排放强度并揭示其时空演变规律.

总体而言,现有关于土地利用碳排放的研究已较丰富,但仍存在不足.有关土地利用碳排放的研究主要集中在全国及省域层面,或相对成熟的城市群,对成渝城市群这类新兴发展的城市群关注度尚有不足.此外,各区域碳排放时空特征以及影响因素异质性特征均有差异,需要进一步关注区域不同发展阶段差异,从时空角度和非均衡性进行深层次研究.基于此,依据成渝城市群2005—2019年土地利用数据,测度分析成渝城市群碳排放的时空特征,剖析影响因素时空非均衡性特征,以期在双碳目标指向下,为城市群绿色低碳提供科学参考.

1 研究区概况

成渝城市群以成都、重庆为核心,地形较为复杂.2019年,成渝城市群常住人口达10 670.6万人,占全国总人口的7.6%;地区生产总值达66 756亿元,占国内生产总值的6.76%,是我国西部地区发展水平最高、发展潜力较大的城镇化区域.为分析区域碳排放差异及其来源,按照《四川省新型城镇化规划(2014—2020年)》对四川省城镇化的规划,可将成渝城市群划分为四个区域,分别为重庆市、成都平原城市群(包括成都、绵阳、德阳、乐山、遂宁、雅安、资阳、眉山市)、川东北城市群(包括南充、广安、达州市)、川南城市群(包括宜宾、泸州、自贡、内江市).

2 研究方法及数据来源

2.1 研究方法

2.1.1 土地利用碳排放测算 土地利用碳排放[6]可分为直接碳排放和间接碳排放.直接碳排放主要指耕地、林地、草地、水域和未利用地的碳排放.间接碳排放主要指建设用地产生的碳排放.

(1)土地利用直接碳排放.计算公式如下:

C1=Σei×δi

(1)

式中,C1表示直接碳排放总量,i代表各类土地利用类型,ei为各类土地利用类型的面积,δi表示各类土地利用类型的碳排放(吸收)系数.根据已有研究成果[7-8],耕地、林地、草地、水域和未利用地的碳排放系数分别为0.442、-0.626 5、-0.021、-0.253、-0.000 5 tC/hm2.

(2)土地利用间接碳排放.建设用地碳排放量主要通过土地利用过程中的能源消耗进行间接估算,计算公式如下:

E=∑A×Bj×βj

(2)

式中,E代表建设用地排放总量,A代表各类能源的总消费量,Bj表示第j种能源转换为标准煤的折算系数,βj表示第j种能源的碳排放系数(各类能源标准煤换算系数与碳排放系数,见表1).由于市级的能源消耗数据的不可获得性,参考现有研究成果[9],以单位GDP能耗数据为基础估算各市的建设用地碳排放量.计算公式如下

表1 各类能源标准煤换算系数与碳排放系数Tab.1 Conversion coefficient and carbon emission coefficient of various energy standard coal

C2=E×Econs∕∑Econs=E×GDPn×Dn∕∑(GDPn×Dn)

(3)

式中,C2表示第n市建设用地排放总量,Econs代表第n市能源消耗总量,GDPn为第n市当年地区生产总值,Dn为第n市单位GDP能耗.单位GDP能耗和地区生产总值数据按照2005年的当量价进行计算.

2.1.2 Dagum基尼系数 Dagum基尼系数分解法[10]是通过分解总体基尼系数进行细化区域发展差异的变化趋势,以此揭示区域发展差异的大小、来源与演变趋势的模型,利用Dagum基尼系数对土地利用碳排放进行区域总体差异、区域内差异、区域间差异及贡献差异性分析,具体计算步骤参考张莹[11].

2.1.3 时空地理加权回归模型 时空地理加权回归模型(GTWR)[12]将时间要素融入空间以分析区域观测值,弥补了GWR只考虑空间影响的不足.参考已有研究[13-14],选取人口规模等4个影响因子(表2),采用GTWR模型分析了成渝城市群土地利用碳排放影响因素特征,具体方法参考唐建荣等[15].在构建GTWR模型前,利用SPSS回归分析方法对标准化后的变量进行多重共线性检验,可见4个解释变量的VIF值均低于10,且容差均大于0.1,均通过多重共线性检验.

表2 土地利用碳排放时空分异影响因素及回归拟合结果Tab.2 Influencing factors of the spatial-temporal variation of land use carbon emissions and regression fitting results

2.2 数据来源

土地利用数据来源武汉大学杨杰[16]团队提供的土地利用数据集(https://essd.copernicus.org/articles/13/3907/2021/),总体精度达80%,空间分辨率为30 m.考虑到2019年后,各地市由于受到复杂的国际国内形势以及新冠肺炎疫情影响,相关社会经济指标不具备普遍性,因此本研究所选取的数据时间范围为2005—2019年.其中人口规模、地区生产总值、城镇化率、能源消耗等数据主要来自对应年份的《中国能源统计年鉴》《四川统计年鉴》《重庆统计年鉴》.

3 结果分析

3.1 土地利用碳排放时空格局分析

2005—2019年,成渝城市群碳排放总量呈逐步增加的趋势,增幅达115.2%,年均增幅为7.6%.从空间上(图1)看,位于城市群两极的“成都—重庆”双核心碳排放量较高,除乐山、宜宾外,其他中部及边缘城市碳排放相对较低.2005年,成都市和重庆市碳排放量占比约为17.08%和35.82%;资阳市和雅安市的排放量相对较小,只占到1.01%和1.58%.2019年,成都市和重庆市碳排放量占比为19.44%和35.72%;资阳市和雅安市碳排放量占比与2005年基本保持一致,各市碳排放分布不均衡,是未来碳减排关注的重点.

图1 土地利用碳排放总量及强度时空变化Fig.1 spatial-temporal variation in total and intensity of land-use carbon emissions

利用碳排放总量与地区生产总值的比值测算碳排放强度.由图1可知,2005—2019年区域碳排放强度逐步降低.2012年,除雅安市以外各市碳排放强度均大于0.4 t,而2019年除乐山、内江外,各市碳排放强度均小于0.4 t,碳排放的增长速率整体小于GDP的增长速率.研究期间碳排放下降幅度最大是成都市,为79%,这是由于成都市经济结构趋于良性发展,土地利用以及能源利用效率有所提高.下降幅度最小的是内江市,为51%,一方面城市能源结构不合理且能源消耗量大,同时也归结于其经济发展水平较其余城市相对落后.

3.2 土地利用碳排放区域差异及分解

运用Dagum基尼系数方法测算2005—2019年成渝城市群碳排放的区域差异并予以分解(图2).从区域总体差异层面看,基尼系数演变大致可分为四个阶段:2005—2010年表现为波动下降趋势;2010—2013年呈现逐步上升趋势;2013—2016年整体呈现下降后逐渐上升趋势;2016—2019年呈现小幅度下降趋势.综合来看,基尼系数集中变化在0.46～0.53范围,呈波动上升趋势,年均上升率为0.64%,区域碳排放不均衡性存在扩大趋势.各区域基尼系数值均有所上升,区域内差异表现为不同程度的扩张态势.区域内差异均值表现为成都平原城市群>川东北城市群>川南城市群.

图2 区域总体、区域内及区域间基尼系数Fig.2 Regional population and intraregional and interregional Gini coefficients

由于成都平原城市群内部城市众多,经济发展水平、能源消费结构差异较大,极化效应导致区域内部碳排量不均衡度增大.相比较而言,川东北城市群、川南城市群的内部差距相对较小,源于区域内部城市土地利用结构相似,因此碳排放量差异较为均衡.区域间差异可分为三个等级.重庆-成都平原城市群、重庆-川东北城市群、重庆-川南城市群为第一等级,基尼系数超过0.4的警戒值,碳排放区间差距悬殊;成都平原城市群-川东城市群、成都平原城市群-川南城市群为第二等级,系数未超过0.4的警戒值,碳排放差异处于相对平均和合理的阶段;川南-川东北为第三梯度,基尼系数低于0.15,处于绝对平均阶段,区域间土地利用碳排放水平趋于一致.

从区域差异来源及贡献分解结果来看(表3),区域内差异总体上呈现微升态势,变化幅度为6.3%;超变密度呈波动上升趋势,变化幅度为0.96%;区域间差异变化呈小幅度起伏趋势,变化幅度为3.4%.总体来看,区域内差异、超变密度对成渝城市群土地利用碳排放的贡献较小,平均贡献度分别为18.41%、14.03%;区域间差异贡献较大,平均贡献率为67.55%.对于土地利用碳排放区域差异问题应从解决区域间差异角度出发,关注区域间协调发展问题.

表3 区域差异来源及贡献分解Tab.3 Sources of regional differences and breakdown of contributions

3.3 土地利用碳排放影响因素分析

通过ArcGIS 10.3时空地理加权回归分析模块,考虑空间异质性和时间效应后,GTWR模型R2与调整R2均高于0.99,拟合优度提升较大.以AIC准则和拟合优度R2作为模型置信度评价指标,可见R2提升0.033,残差下降了1.377 9,AICc降低了50.294 4,能较好地测度解释变量对因变量的影响(表4).采用自然断点法对土地利用碳排放影响因素时空格局分析,可见各解释变量的回归系数呈现空间异质性(图3).

图3 GTWR模型回归系数空间分布Fig.3 Spatial distribution of the regression coefficients of the GTWR model

表4 模型精度评价Tab.4 Model Precision Evaluation

3.3.1 人口规模 人口规模对土地利用碳排放影响最为显著.2005年,系数高值区主要分布在达州和重庆,低值区集中于成都平原城市群.至2019年高值区转向北部地区,而低值区主要集中在西南部地区.从系数均值来看,低值区主要分布在雅安、乐山以及眉山市.这类区域人口集聚的正向效应促使资源共享利用率高,或区域内部资源禀赋较弱,人口集聚水平较低,土地利用压力较小.高值区主要分布在达州、绵阳、南充及重庆市,源于人口密度提升,拥挤效应突出,土地生态承载力负担加重,碳排放量不断增长.

3.3.2 经济发展水平 经济发展水平对土地利用碳排放呈现正向作用,随着时间推移影响力趋于衰弱,呈现环境库兹涅倒“U”型曲线(EKC)关系,且处于倒“U”型曲线右侧拐点位置.2005年、2012年经济发展水平系数空间格局基本一致,呈现沿成渝城市群轴线“由西至东”逐步增加的梯度式空间特征;2019年空间格局表现为交错分布的不均衡特征.从均值来看,系数较低的区域分布在成都平原城市群西南地区.一方面,区域产业结构、能源消费结构优化升级,能够抑制碳排放量的增加;另一方面,一些区域经济规模不大,碳排放量进一步降低.系数高值区主要集中在达州、重庆、南充市.这些区域在经济发展的过程中,大规模扩张建设用地,高能耗产业和重工业比重较大,导致碳排放量增加过快.

3.3.3 能源强度 能源强度对于土地利用碳排放驱动效力逐步提高.2005—2019年,能源强度回归系数高值区由成渝城市群东部转移到西部地区,低值区域由西部转移到东部区域.整体而言,能源强度对于雅安、成都、重庆影响力较大,而对于泸州、达州影响力较小.值得注意的是,虽然高、低值区域空间格局均发生了显著变化,但回归系数整体上仍表现出上升的趋势.目前原煤和焦炭是成渝城市群主要能源类型,消耗总额占比仍居高不下,进一步提高清洁能源的比重是当务之急.

3.3.4 城市化水平 2005—2019年,城市化水平对碳排放影响力逐步显著.初期城市化阶段,产生的规模效应和集聚效应有一定的减排效益,但随着城市化进程的进一步发展,土地承载的生活和经济活动增多,工业能源消费增长,致碳排放大幅增长,回归系数逐步增大.高值区由成渝城市群西部地区扩散到重庆市以及川南城市群南部地区,这与城市化发展水平时空跃进进程基本一致.重庆市等城市化较快的地区对于人口、资源吸引效应强,对碳排放造成较大负担.

4 结论

以成渝城市群为研究对象,测度成渝城市群土地利用碳排放,剖析了土地利用碳排放时空演化特征、区域差异,并运用GTWR模型分析影响因素特征.研究结论如下:

(1)2005—2019年,成渝城市群碳排放总量逐步增长,区域减碳压力较大,空间上存在显著差异,“成都-重庆”土地利用碳排放贡献度高于中部及边缘城市.碳排放强度由0.92 t下降到0.31 t,经济发展与碳排放互动关系呈向好趋势.

(2)土地利用碳排放总体差异呈波动上升趋势.区域内差异均有不同程度的扩张态势,区域间差异均值高达67.55%,是总体差异的主要来源.

(3)人口规模是区域土地利用碳排放最重要的影响因素,整体呈现“倒N”型曲线关系.经济发展水平仍是重要解释变量,但其影响呈现边际效益递减特征.城市化水平、能源强度对区域土地碳排放的具有较为显著正向影响,且影响力不断上升.

(4)成渝城市群在发展的过程中仍面临着严峻的减碳压力,要以各区域实际情况为基础,因地制宜制定不同的低碳发展战略.充分发挥人口集聚的节能减排效应,优化建设用地空间格局,提高城市管理效率;加强核心技术研究,进一步提高清洁能源的使用比重;提高能源使用效率,推动经济绿色低碳转型发展.