资源型地区碳排放时空演变和影响因素分析

苏宇凡,刘珺,孟鑫,张和生

(太原理工大学 矿业工程学院,太原 030024)

0 引言

2020年9月习近平总书记宣布中国二氧化碳排放力争在2030年前达到峰值,努力争取2060年前实现碳中和。资源型地区是以本地区矿产、森林等自然资源开采和加工为主导产业的区域[1],作为降碳减排发展的重要主体,资源型地区长期在资源采掘加工业的主导下建立了独特的产业结构、经济体系和特殊的社会、文化、生态环境[2],探讨长时间维度下碳排放空间特征及驱动因素对制定因地制宜的降碳减排策略具有重要意义。

当前已有众多学者对碳排放时空演变进行了一系列研究。苏泳娴等[3]发现我国碳排放有着“东部沿海城市高高集聚,西部欠发达城市低低集聚”的空间聚类特征;杜海波等[4]研究表明黄河流域内部碳排放总量呈中游>下游>上游的地理分异特征;李建豹等[5]发现江苏省人口城镇化与能源消费CO2排放耦合协调度存在明显的区域差异,空间格局较为稳定;周玄德等[6]研究发现湖北省各县域碳排放呈以武汉为核心向周围不断辐射的圈层格局。上述研究分别从国家、流域、省份、县域角度对碳排放空间特征进行了探讨,但缺乏针对资源型地区碳排放时空特征的分析。

探究碳排放影响因素有助于制定切实有效的减排措施。周翼等[7]分析发现城市化对建设用地碳排放具有驱动与制动的双重作用;卢奕亨等[8]构建面板Tobit模型研究发现社会层面因素对四川省农业碳排放的贡献大于经济层面因素;于博等[9]用空间滞后模型与空间误差模型探究哈长城市群县域碳排放影响因素,发现城市经济水平和人口密度因素与碳排放显著正相关;牛亚文等[10]研究结果表明城市化水平与第一产业比重对长株潭地区县域土地利用碳排放影响作用明显。上述研究结果证实了不同区域碳排放的主导驱动力存在一定差异,而当前对资源型地区碳排放影响因素分析不足。

山西省是我国煤炭生产与火力发电重要基地,其煤炭储量占全国三分之一以上,是我国典型的资源型省份,长期的资源开采与加工带来了大量碳排放,以山西省为例研究资源型地区碳排放具有代表性意义。由于以往研究鲜有专门针对资源型区域碳排放时空格局及影响因素探讨,本文基于2001-2020年夜间灯光数据与土地利用/覆盖(land use/cover change,LUCC)数据,从县域角度,研究山西省碳排放空间关联特征与时空演变格局,并探索碳排放的影响因素,为有效掌握和合理治理区域碳排放提供依据。

1 研究区域与数据

1.1 研究区概况

研究区域为山西省,地处黄土高原东翼,其范围为34°36′N～40°44′N,110°15′E～114°32′E,全省面积156 700 km2。山西省拥有11个地级市,煤炭资源储量居全国之首,在其117个县、区级行政单元中,就有94个分布着煤炭,是典型的资源型省份。山西省能源局公布《全省生产煤矿生产能力公告》显示2020年山西省共有生产煤矿668处,合计产能10.456亿吨(图1)。煤炭的开采与加工带来了大量碳排放。

图1 2020年山西省煤炭产量图

1.2 数据来源与预处理

1)遥感数据。①扩展NPP-VIIRS夜间灯光数据(2001-2020)。从美国国家海洋和大气管理局(National Oceanic and Atmospheric Administration,NOAA)官网(https://ngdc.noaa.gov/eog)下载DMSP-OLS夜间灯光数据(2001-2013)和NPP-VIIRS夜间灯光数据(2013-2020),空间分辨率分别为900 m和450 m,依照Chen等[11]提出的方法处理得到的扩展NPP-VIIRS夜间灯光数据集(2001-2020),空间分辨率为500 m。该数据集具有和NOAA提供的年度合成NPP-VIIRS夜间灯光数据相似的时空分布格局,且时间范围更广,能较好地进行长时间序列研究。基于山西省县级行政单元边界,裁切得到山西省夜间灯光数据,为保证碳排放估算精度[12],研究采用Lambert投影坐标系,将山西省夜间灯光数据的空间分辨率重采样至1 000 m。②MCD12Q1数据(2001-2020)。考虑到本研究涉及时间序列较长,LUCC数据选用MCD12Q1数据,从美国国家航天航空局(National Aeronautics and Space Administration,NASA)官网(https://ladsweb.modaps.eosdis.nasa.gov/search/)下载。该数据是MODIS三级产品,空间分辨率为500 m。MCD12Q1数据提供有五大土地覆盖分类数据集,本研究采用国际地圈生物圈计划(international geosphere-biosphere programme,IGBP)的全球植被分类方案,其全球分类精度达到75.0%[13]。当前已有研究证实该数据可以达到进行统计分析的要求。曹明等[14]研究表明MODIS土地覆盖数据产品在大尺度土地覆盖监测中有重要的应用价值;Liang等[15]以安徽省为例利用GlobeLand 30 m数据集对MCD12Q1的分类标准进行精度验证,结果表明IGBP分类面积精度达到99.35%,空间精度达到78.66%,满足区域研究的需求。基于山西省县级行政单元边界,裁切得到山西省土地利用数据,为保证碳排放计算准确性,根据《土地利用现状分类》(GB/T 21010-2017),将数据重分类为水系、林地、草地、耕地、建设用地和未利用地6类,采用Lambert投影坐标系将数据空间分辨率重采样至1 000 m。

2)统计数据。①山西省能源消费数据(2001-2020)。该数据来源于国家统计局官网(https://data.stats.gov.cn/)和《中国能源统计年鉴》,包含煤炭、焦炭、原油、汽油、煤油、柴油、燃料油、天然气、电力共9类能源消费数据,用于计算山西省能源消费碳排放量。②山西省各地区经济人口数据(2001-2020)。该数据来源于《山西统计年鉴》,用于分析碳排放影响因素,其中常住人口数、城镇人口数单位为万人,地区生产总值、第一产业产值、第二产业产值单位为万元。

2 研究方法

2.1 碳排放计算

研究碳排放计算方法可分为直接碳排放计算和间接碳排放估算两种。采用碳排放系数直接计算除建设用地外的土地利用碳排放(水系、林地、草地、耕地、未利用地),计算如式(1)所示。

(1)

式中:Cu表示除建设用地外,其余地类的碳排放值;Bi表示第i个地类面积;Ki表示第i个地类的碳排放系数。

结合研究区域的经纬度和地理状况,水系、林地、草地、耕地、未利用地的碳排放系数如表1所示。

表1 不同地类的碳排放系数

基于联合国政府间气候变化专门委员会(Intergovernmental Panel on Climate Change,IPCC)提出的温室气体清单法间接估算建设用地的碳排放。建设用地是人类主要活动的区域,能源消耗是建设用地土地利用过程中最主要的碳排放来源,二者相关性较高[19]。由于采用建设用地面积估算碳排放不能反映真实状况,因此本文参考现有研究[20-22],采用能源消费碳排放代表建设用地碳排放量。

2.2 基于夜间灯光数据的碳排放模拟

由于县域能源消费统计数据难以获取,本文采用夜间灯光数据将山西省能源消费碳排放空间化至县域尺度。夜间灯光数据中像元值的大小反映夜间灯光强弱,被称为夜间灯光亮度值。综合分析发现,2001-2020年期间,在全省范围内,山西省夜间灯光亮度值越大,能源消费碳排放量越高,二者之间存在某种联系。假设全省尺度上夜间灯光亮度值与碳排放量之间关系与像素尺度保持一致,考虑到降尺度模型反演精度的问题,选用不含截距的一元二次多项式拟合,关系如式(2)所示。

(2)

式中:Cp(j)表示第j年山西省能源消费碳排放量;L(j)表示第j年山西省夜间灯光亮度总值,即所有像元值之和;a、b为常数系数。

山西省能源消费碳排放量与夜间灯光亮度值的拟合结果如图2所示。二者在0.01水平上显著相关,R2值为0.991 4,说明能源消费碳排放量与夜间灯光亮度值具有强相关性。考虑到碳排放模拟值的精确性与可靠性,对能源消费碳排放量模拟值与统计值进行对比。

图2 能源消费碳排放量与夜间灯光亮度值拟合关系

如图3所示,均方根误差(RMSE)为736.828×105t,平均相对误差(MRE)为8.33%。结果表明,采用夜间灯光亮度值模拟能源消费碳排放精度良好,可基于此做进一步研究。

图3 能源消费碳排放量模拟值与统计值对比

受回归函数误差影响,模拟的单个像元碳排放量总和与统计数据不符,因此需要在像素尺度上对数据进行校正,如式(3)所示。

(3)

2.3 探索性空间数据分析

研究采用全局莫兰指数(Moran’s I)和局部莫兰指数(local Moran’s I)研究碳排放在山西省县域尺度下的关联性。

全局莫兰指数用于反映碳排放量的整体聚集效应,其值位于[-1,1]间,当值为0时表示碳排放的聚集性在空间上不具相关性,大于0为正相关,表明碳排放在山西省县域尺度上有聚集特征,小于0为负相关,表明碳排放在山西省县域尺度上有分散特征。

局部莫兰指数用于分析不同区县之间的碳排放量的相互影响,其取值范围不限于[-1,1],大于0表明碳排放空间正相关,小于0表明空间负相关。对局部莫兰指数进行Z检验,检验结果显著为正表示该地区为碳排放高值集聚区,显著为负表示该地区为碳排放低值区。检验结果用LISA聚集图直观表现出来,进一步的展现碳排放的空间依赖性和异质性。

2.4 SLOPE趋势分析

SLOPE趋势分析是采用一元线性回归模型对一组随时间变化的变量进行回归分析,并预测其变化趋势,是研究长时序变化趋势的重要方法。本文采用SLOPE趋势分析探究山西省县域CO2排放的线性倾向。SLOPE值[23]的正负分别代表碳排放的增长趋势与降低趋势,值越大表示该地区碳排放增长越迅猛。

2.5 影响因子探测

研究采用地理探测器分析不同影响因素对山西省县域碳排放的影响。地理探测器是探测空间分异性以及揭示其背后驱动因子的一种新的统计学方法,此方法无线性假设,既可以探测数值型数据,也可以探测定性数据,拥有能探测两因子交互作用的优点。因子探测通常采用q值度量[24],其值位于[0,1]间,q值越大,表明该影响因素对碳排放的解释力越强,反之则越弱。

3 结果分析

3.1 山西省县域碳排放空间关联特征

如图4所示,2001-2020年山西省县域碳排放全局莫兰指数介于0.21至0.37间,表明山西省碳排放在县域尺度上具有较强的空间聚集性。20年间山西省碳排放总量总体呈上升趋势,历经3次增衰阶段,2001-2007年碳排放上升,2007-2009年下降,2009-2014年上升,2014-2016下降,2016-2020呈碳排放增速逐渐放缓的上升趋势。碳排放空间聚集程度对碳排放增长速率有一定程度的影响。

图4 2001-2020年山西省县域碳排放全局莫兰指数与碳排放

如图5所示,近20年来,山西省碳排放聚类变化不大,其中大同市云冈区,朔州市平鲁区、怀仁市,太原市市辖区,晋中市榆次区等为主要的“高-高”聚集区;大同市新荣区,太原市阳曲县为主要的“低-高”聚集区。全省整体呈现出北部与中部聚类显著,东南部聚类不显著的格局,从县域尺度研究进一步说明了山西省碳排放聚类形式主要是“高-高”和“低-高”聚集。

图5 山西省县域碳排放LISA图

3.2 山西省县域碳排放时空格局演变

为探究山西省碳排放演变情况,采用SLOPE趋势分析求得山西省117个区县20年间碳排放倾向值,采用间断法将碳排放变化类型分为5类:下降趋势型、较慢增长型、中速增长型、较快增长型、迅猛增长型。由图6可以看出,忻州市偏关县、太原市古交市、运城市河津市、临汾市汾西县等为碳排放下降趋势型地区,占山西省总面积的5.88%,这些地区经济发展水平相对较低,工业基础设施建设相对落后,人口迁移现象明显,能源消费的低姿态致使其碳排放量在20年间波动频繁,总体呈下降趋势;中速增长型和较快增长型主要分布在迅猛增长型周边;大同市云岗区、朔州市朔城区、忻州市忻府区、晋中市榆次区、长治市潞城区、运城市盐湖区、太原市尖草坪区等地区碳排放迅猛增长,占山西省总面积的5.49%,这些地区多为区域发展中心,人口与产业聚集效应明显,能源的高消耗与高排放受到城市与工业经济快速发展的刺激,后续碳减排策略的制定需重点关注这些区域。

图6 山西省县域碳排放变化趋势图

进一步研究山西省县域碳排放演变格局,参考已有研究[25],采用最佳自然断裂法对山西省县域碳排放量分类,共分为5类:低碳排放(<3.08×106t)、较低碳排放(3.08×106～8.15×106t)、中等碳排放(8.15×106～1.715×107t)、较高碳排放(1.715×107～2.834×107t)、高碳排放(>2.834×107t)。

如图7所示,山西省县域碳排放量呈现出明显的地域分布差异规律,有着“中间高,两侧低”的特点。早年山西省碳排放以大同市云冈区(原南郊区和矿区)和太原市万柏林区为核心增加并向周围扩散。2012年山西省北部区域碳排放强度升高明显,此后山西省北部高值碳排放区域逐步向南延伸至与中部相连,形成以“大同市云岗区-朔州市朔城区-太原市市辖区”为核心的碳排放聚集带。除此之外,碳排放也在以“孝义市-介休市”和“长治市潞州区-晋城市泽州县”为核心的两大区域内聚集。碳排放低值区主要集中在临汾市所辖大宁县等县域、吕梁市岚县周围。

从碳排放时空演变来看,针对山西省碳排放量 “中间高,两侧低”的时空格局,碳减排策略的制定需着重关注山西省中间区域。碳减排策略的实施需因地制宜,一方面,碳排放重点关注区域可以通过产业结构调整等方式抑制本地碳排放的增长;另一方面,周边地区可以优化土地利用,增强林地、草地的碳汇能力增强碳吸收效果,促进区域整体“碳中和”的实现。

3.3 碳排放影响因素分析

参考现有研究成果[26],考虑到县级区域的数据可获取性,选取2001年、2004年、2008年、2012年、2016年、2020年共6年的人口规模、城市化水平、GDP、第一产业占比、第二产业占比、土地利用程度综合指数、人均占地面积7类数据,运用分位数法分别重分类,分别采用地理探测器的单因子探测和交互作用探测分析7个因素对碳排放量的影响。

人口规模用地区常住人口数表示,单位为万人。GDP为地区生产总值,单位为万元。城市化水平由城镇人口数占常住人口数比重表示,单位为%。第一、二产业占比由第一、二产业产值占地区生产总值比重表示,单位为%。人均占地面积由地区总面积与地区常住人口数比值表示,单位为m2/人。土地利用程度综合指数计算方法参照庄大方等[27]的研究。

单因子探测结果如表2所示,7个影响因子可从人口规模和城市化水平(X1、X2)、经济发展水平(X3)、产业结构(X4、X5)、土地规模和利用情况(X6、X7)这4个方面讨论其对山西省碳排放的影响。

1)人口规模和城市化水平。人口规模和城市化水平对碳排放的影响力较为显著,从时间上看,X1和X2对碳排放的解释力都有增高的趋势,值得注意的是2016年X2的解释力超过X3,成为当年影响力最大的影响因子。人口的增加和城市化水平的提升会使区域产业集聚,交通繁杂,城市基础设施建设投入加大,这些都会致使碳排放升高[28]。

2)经济发展水平。整体来看,X3的影响力最大,在时间上呈现出先上升再下降最后上升的趋势。2008-2016年山西省碳排放增速逐步放缓,经济增长对碳排放的影响力也逐渐减弱,但经济发展水平仍然是山西省碳排放的主要影响因素。

3)产业结构。从时间序列来看,X4和X5的影响力都呈现出2001-2008年高、2012-2020年低的特点。2012年党的十八大以来,山西省加快推进经济结构战略性调整,产业结构不断演变优化,X4影响力较大,X5影响力持续走低。第一产业中农业和林业的发展会增强区域碳汇能力,而第二产业的改革会促进区域碳减排。

4)土地规模和利用情况。2001-2020年,X6对碳排放的解释力在0.080～0.239间波动,X7的解释力在2008-2012年下降,其余时间段稳步上升,2020年最高达到0.466。一方面,建设用地的扩张使得区域能源消耗加剧,致使碳排放量增加;另一方面,建设用地面积增加会造成该区域整体碳汇能力的减弱,碳排放得不到有效抑制。综上分析,可以通过增加土地绿化面积,提升区域及邻近地区碳汇能力来推进山西省“碳中和”目标的实现。

交互作用探测可以识别不同影响因子间的交互作用,即评估两个影响因子共同作用时对碳排放的解释力是增强还是减弱。分别对2001年、2004年、2008年、2012年、2016年和2020年共6期影响因子交互作用结果进行排序,每年选取交互作用影响力大的前6项,如表3所示。

结果显示,在交互作用分析下各影响因子作用显著增强。单因素分析中解释力较低的土地利用程度综合指数和其他因子交互作用后对碳排放影响明显。

从时间序列来看,早期山西省发展“一煤独大”,以煤炭为代表的第二产业高速发展,第二产业占比和其他因素共同作用对山西省碳排放的贡献度较大,2012年后“第二产业+其他因素”的交互作用逐渐弱化,这表明山西省自2012年开始推进的产业结构优化初见成效,改革取缔大量高污染低能效的企业使得能源消费碳排放增速逐渐放缓,产业结构调整能有效促进碳减排。与此同时,山西省大力建设城市公共基础设施,城市化进程加快,致使“城市化水平+其他因素”主导的交互作用对碳排放的解释力增强。除此之外,山西农林牧渔业稳步发展,土地碳汇能力提升对区域碳排放起抑制作用,“第一产业+其他因素”主导的交互作用对碳排放的影响进一步增强。

4 结束语

本文以夜间灯光数据、LUCC数据、山西省能源消费数据及经济人口数据等多元数据为数据源,采用夜间灯光模拟、碳排放系数法、温室气体清单法计算得到2001-2020年20年间山西省县域碳排放量,借助探索性空间数据分析、SLOPE趋势分析、地理探测器的单因子探测与交互作用探测研究碳排放时空格局及影响因素,主要结论如下。

1)2001-2020年,山西省碳排放总量总体呈上升趋势。具体来看,2001-2007年碳排放上升,2007-2009年下降,2009-2014年上升,2014-2016下降,2016-2020呈碳排放增速逐渐放缓的上升趋势。

2)山西省县域碳排放聚类形式主要是“高-高”聚集和“低-高”聚集,碳排放空间分布上有着“中间高,两侧低”的特征,20年来逐渐形成以“大同市云岗区-朔州市朔城区-太原市市辖区”为核心的碳排放聚集带。碳排放迅猛增长地区多为区域发展中心,占全省总面积的5.49%,后续碳减排策略的制定需重点关注这些区域。

3)从影响因素分析,山西省这一典型的资源型地区碳排放主要受经济发展水平主导,人口规模及城市化水平的影响次之,土地规模和利用情况的影响最不显著。交互因子探测结果显示土地利用和其他因子交互作用后对碳排放影响显著增强。2012年后“第二产业+其他因素”的交互作用逐渐弱化,“第一产业+其他因素”主导的交互作用对碳排放的影响进一步增强,表明2012年后山西省大力推动产业结构调整对碳减排促进作用明显,第二产业对碳排放的影响力大幅减弱,第一产业的发展有效抑制了碳排放的增长。

本研究基于长时间序列且易获取的夜间灯光数据与LUCC数据研究山西省县域碳排放,有效弥补了小尺度统计数据的缺失问题,着重探讨了资源型地区在特殊的社会形态与生态环境下碳排放的空间分布格局,分析了独特的产业结构和经济体系下碳排放的驱动力大小有何不同,为后续资源型地区探究低碳减排和可持续发展提供了参考。今后,可以使用空间分辨率更高的遥感数据对资源型地区碳排放进一步精细化探究。