2023, Vol. 44
2. 成都市国土规划地籍事务中心, 成都 610072;
3. 重庆地质矿产研究院, 重庆 401120
2. Chengdu Land Planning and Cadastral Affairs Center, Chengdu 610072, China;
3. Chongqing Institute of Geology and Mineral Resources, Chongqing 401120, China
CO2大量排放引起气候变暖问题已经成为全球关注的焦点, 给自然-人类社会可持续发展造成了巨大挑战[1, 2].减缓CO2等温室气体排放, 推动低碳经济发展是世界各国解决气候变暖的共同途径[3].自改革开放以来, 中国工业化和城市化的快速发展导致能源消耗和碳排放的持续增加, 严重阻碍了国家生态文明建设步伐[4].据国际能源署(IEA)的统计数据, 2018年中国CO2排放量高达9.48 Gt, 约占全球总量的28.61%[5].当前中国作为世界最大碳排放国家之一, 面临着国内经济发展和国际碳减排责任的双重考验, 并在2020年联合国大会上提出了2030年前实现碳达峰和2060年前实现碳中和的“双碳”目标[6].城市作为人类活动最密集、最活跃的区域, 既是全球碳循环的最大驱动力, 也是承担碳减排任务的主体[7], 因此科学分析城市碳排放时空动态特征是合理制定差异化减排政策的重要基础.
目前, 国内外学者针对碳排放问题做了大量研究, 内容侧重在碳排放核算[8, 9]、碳排放模拟预测[10~12]、碳排放影响因素[13~15]以及碳足迹[16~18]等方面, 基于ESTDA框架探讨城市碳排放时空动态演进的研究尚不多见; 相关研究区域也多集中在京津冀[19]、长三角[20, 21]、中部地区[22, 23]和东部沿海城市[24, 25]等地区, 针对西部地区城市碳排放的研究相对较少, 特别是像重庆这种山地城市还未见报道; 研究基本单元以省域[26~28]、市域[29, 30]或县域[31, 32]为主, 鲜见案例以乡域为单元研究城市碳排放.事实上, 碳排放空间格局是自身单元与邻域单元动态空间效应共同作用的结果, 即使在同一省(市、县), 各乡域单元的碳排放也会存在差异, 乡域是中国行政管理体制中的最小组成单元, 对于实现城市低碳经济发展和区域“双碳”目标具有重要作用, 因此从这一空间尺度可以更加清晰地探讨城市碳排放的时空格局动态特征.综上, 有必要从乡级尺度分析我国西部地区的城市碳排放时空格局动态变化, 这既是制定城市差异化减排策略的科学依据, 又是对现有碳排放研究向更小尺度上的延伸拓展.
21世纪初以来, 国家“西部大开发”重大战略与“三峡库区建设”重大工程的实施推动着西部地区经济快速发展, 城市碳排放量迅速增长[33].重庆市地处我国内陆西南部, 属于西部地区典型的山地城市, 作为长江上游地区的重要经济中心、西部大开发重要的战略支点、“一带一路”和长江经济带重要联结点, 在过去20年间人口加速聚集, 能源消耗急剧增长, 城市规模不断扩张, 尤其是主城区的能源消耗和碳排放强度较高, 具有典型的碳排放时空特征, 面临着十分严峻的碳减排任务.鉴于此, 本文以重庆市主城区为例, 基于土地利用和能源消耗数据, 在采用碳排放系数法估算出2000~2020年主城区153个乡镇街道碳排放量的基础上, 运用ESTDA框架, 通过LISA时间路径、时空跃迁以及标准差椭圆模型等方法, 从时空交互的角度探讨近20年主城区乡域碳排放的时空演进特征及重心迁移, 这对于深刻理解西部山地城市碳排放的时空格局变化规律和制定“双碳”战略实施方案具有重要意义.本文针对重庆市的案例研究, 以期供西部其他同类型山地城市借鉴, 并为城市绿色低碳发展、节能减排以及未来制定差异化减排政策提供参考依据.
1 材料与方法 1.1 研究区概况重庆主城区是全市的政治、经济、文化、交通和金融中心, 包括渝中、渝北、江北、沙坪坝、南岸、北碚、九龙坡、大渡口与巴南区等9个城区(图 1).地形地貌以山地和丘陵为主, 台地和平坝分布较少, 形成“两江四山”的格局, 属于西南地区典型的山地城市[34].主城辖区面积5 466 km2, 截止到2020年, 常住人口达1 036万人(占全市32%), 城镇化率高达92.63%, 地区生产总值9 822亿元(占全市39%).
|
图 1 重庆市主城区地理位置及行政区划 Fig. 1 Geographical location and administrative division map of the main urban area of Chongqing |
土地利用数据来源于中国科学院资源环境科学与数据中心(http://www.resde.cn), 分辨率30 m×30 m, 包括耕地、林地等6个一级地类和水田、旱地等24个二级地类, 经重分类后得到耕地、林地、草地、水域、建设用地和未利用地等六大类, 得到2000、2005、2010、2015和2020年这5期土地利用数据.能源终端消耗量数据来源于《中国能源统计年鉴》(2001~2021年).矢量行政界线数据来源于国家基础地理信息中心(http://www.ngcc.cn).
1.3 研究方法 1.3.1 土地利用的碳排放量估算本文采用碳排放系数法对主城区碳排放进行估算, 主要包括耕地、林地、草地、水域、建设用地和未利用地等6种地类, 其中碳排放为建设用地和耕地, 碳吸收为林地、草地、水域和未利用地.其公式如下：
|
式中, E为碳排放总量; i为第i种地类; ei为第i种地类的碳排放量; Ai为第i种地类面积; βi为第i种地类的碳排放系数(碳排放为正, 碳吸收为负), 取值参考已有研究成果来确定(表 1).
|
表 1 各土地利用类型的碳排放系数及文献来源 Table 1 Carbon emission coefficients and literature sources for each land use type |
(1) 耕地碳排放系数的确定 耕地的碳排放需要考虑两方面, 一是农业生产和灌溉过程产生大量CO2和CH4等温室气体, 二是农作物生育期间通过光合作用能够吸收一定的CO2[35].根据Cai等[36]的研究表明农作物碳排放系数为0.429 t·hm-2, 何勇等[37]的研究表明农作物碳吸收系数为0.007 t·hm-2, 由此计算得到耕地净碳排放系数为0.422 t·hm-2, 再参考其他学者对重庆市及其周边相似区域的研究成果[38, 39], 为减少单一误差给研究结果带来的负面影响, 最后取上述研究中系数的平均值做法[40, 47], 即为0.447 t·hm-2.
(2) 林地碳排放系数的确定 重庆市主城区位于亚热带, 林地资源类型较为丰富.方精云等[41]的研究表明林地碳排放系数为-0.644 t·hm-2, 又根据其他学者对重庆市及其周边相似区域的研究[42, 43], 综上研究成果, 本文最后取上述研究中系数的平均值[40, 47], 即为-0.623 t·hm-2.
(3) 草地碳排放系数的确定 方精云等[41]的研究表明草地碳排放系数为-0.022 t·hm-2, 结合其他学者对重庆市周边相似区域的研究[42, 43], 彭文甫等[44]和李璐等[45]分别对四川省和武汉市的草地排放系数取值为-0.020 5 t·hm-2和-0.022 t·hm-2, 其变化范围不大, 故本文取平均值[40, 47], 即为-0.021 t·hm-2.
(4) 水域碳排放系数的确定 通常情况下水域被认为是碳汇, 根据李璐等[45]、赖力[46]和孙赫等[47]的研究所确定水域碳排放系数分别为-0.298、-0.253和-0.252 t·hm-2, 取其上述研究结果的平均值[40, 47], 故本文选取水域碳排放系数为-0.268 t·hm-2.
(5) 建设用地碳排放系数的确定 建设用地碳排放系数是根据间接估算方法得到[28], 取值和能源消耗密切相关, 不同区域的能源使用情况存在较大差异, 本研究考虑重庆市能源使用的实际情况, 为减少统计误差给研究结果带来的负面影响, 能源种类选取应该尽可能覆盖全面, 包括原煤、洗精煤、其他洗煤、焦炭、焦炉煤气、高炉煤气、其他煤气、其他焦化产品、原油、汽油、煤油、柴油、燃料油、液化石油气、其他石油制品、天然气、热力和电力等18种生产生活所需的能源, 各类能源标准煤转化系数和对应的碳排放系数分别参考文献[48, 49]的数据(见表 2), 最终计算出重庆市建设用地的碳排放系数为71.356 t·hm-2, 参考肖红艳等[42]和卢娜[50]的研究, 本文取值较为合理.间接估算方法的计算公式为：
|
|
|
表 2 各类能源标准煤换算系数与碳排放系数1) Table 2 Standard coal conversion factor and carbon emission factor for various energy sources |
式中, Econs为建设用地的碳排放总量; mi为第i种能源的终端消耗量; ni为第i种能源的标准煤换算系数; αi为第i种能源的碳排放系数.
(6) 未利用地碳排放系数的确定 主城区未利用地面积较少, 且主要为沼泽地和裸岩石砾地类型.参考魏燕茹等[25]、赖力[46]和范建双等[51]的研究, 取其上述研究结果的平均值[40, 47], 故本文选取-0.005 t·hm-2作为未利用地碳排放系数.
1.3.2 探索性时空数据分析方法在传统的探索性空间分析(ESDA)框架基础上, Rey等[52]将时间和空间进行有效地整合, 实现时空交互分析, 提出了探索性时空数据分析(ESTDA), 更加完善了对地理事物的综合过程和时空格局分析.
(1) LISA时间路径 LISA时间路径是基于LISA坐标在Moran's I散点图中的时间迁移特性, 来刻画乡域碳排放在局部区域范围内的时空协同变化以及确定碳排放局部空间差异的时空动态性, 以实现乡域单元碳排放值及其滞后随时间的成对移动, 从而使静态的局部空间依赖转化为动态的连续表达[53].具体方法是, 每个乡域单元的LISA坐标由碳排放量的标准化值及其空间滞后量组成, LISA坐标在2个时间点的转移通过相应2个时间点的LISA坐标的移动来测度, 即[(yi, 1, yVi, 1), (yi, 2, yVi, 2), …, (yi, t, yVi, t)], 式中, yi, t为i乡镇街道在t年的碳排放标准化值, yVi, t为i乡镇街道在t年的空间滞后量.LISA时间路径分析包括几何特征(相对长度Li和弯曲度Ci)以及平均移动方向γi[54], 计算公式如下:
|
式中, T为时间间隔; (Vi, t, Vi, t+1)为i乡镇街道在时刻t的LISA坐标; d(Vi, t, Vi, t+1)为i乡镇街道从时刻t~t+1的移动距离; Li为i乡镇街道的相对长度; Ci为i乡镇街道的弯曲度; γi为i乡镇街道的平均移动方向. Li数值越大表示i乡镇街道具有更加动态的局部空间依赖关系和空间结构. Ci数值越大表明LISA时间路径越弯曲, 即i乡镇街道具有更加波动的碳排放增长过程以及更加动态的局部空间依赖; 反之, 则i乡镇街道受局部结构的空间依赖效应就越小, 碳排放稳定性越强.
(2) LISA时空跃迁 LISA首先提供了从局部的视角揭示研究单元间的空间依赖性[55].Rey[56]随后根据不同时段Moran's I散点图中各单元局部空间关联类型的转移情况, 提出了时空跃迁的概念.
时空跃迁反映Moran's I散点图的时空演化, 共分为4种类型[57].类型Ⅰ表示乡镇街道单元自身和领域随时间推移都没有发生跃迁, 全部位于转移矩阵的主对角线上; 类型Ⅱ表示乡镇街道单元自身的跃迁, 但是领域不跃迁, 包括HHtLHt+1、HLtLLt+1、LHtHHt+1和LLtHLt+1; 类型Ⅲ表示乡镇街道单元自身不跃迁, 但是领域跃迁, 包括HHtHLt+1、HLtHHt+1、LHtLLt+1和LLtLHt+1; 类型Ⅳ表示乡镇街道单元自身和领域均发生跃迁, 又分为类型ⅣA和类型ⅣB.类型ⅣA表示乡镇街道单元自身和领域的跃迁方向一致, 包括HHtLLt+1和LLtHHt+1; 类型ⅣB表示乡镇街道单元自身和领域的跃迁方向相反, 包括HLtLHt+1和LHtHLt+1.此外Rey等[58]定义了时空变迁(flux)和时空凝聚(cohesion)的概念, 其公式如下.
时空变迁为：
|
时空凝聚为：
|
式中, Y1、Y2、Y3和Y4A分别为研究时段内类型Ⅰ、Ⅱ、Ⅲ和ⅣA的跃迁数量; m为研究单元总数.
1.3.3 标准差椭圆标准差椭圆(standard deviational ellipse, SDE)是一种衡量地理要素分布特征和时空演变的空间统计方法[59], 主要参数包括分布重心、主轴(长轴)、辅轴(短轴)和方位角等, 计算详细过程参考宋永永等[60]的研究.SDE的空间分布范围表示地理要素空间分布的主体区域, 重心表示地理要素空间分布的相对位置, 方位角反映地理要素分布的主趋势方向(即正北方向按顺时针旋转到椭圆长轴所形成的夹角), 长轴和短轴分别表示地理要素在主方向和次要方向上的离散程度.
2 结果与分析 2.1 主城区碳排放全局空间自相关性检验由GeoDa软件计算出2000、2005、2010、2015和2020年主城区碳排放的全局Moran's I指数分别为0.430、0.432、0.349、0.261和0.339, 结果均为正值, 且通过显著性检验(P＜0.05), 表明各乡镇街道碳排放之间在时空分布上不是完全随机状态, 而是呈现出显著的空间正相关性, 即碳排放高(低)值的乡镇(街道)在空间上趋于集聚在高(低)值附近.从全局Moran's I指数的变化趋势来看, 2000~2015年总体呈下降趋势, 由2000年的0.430下降到2015年的0.261, 表明该时段乡镇街道碳排放的空间趋同性不断减弱; 在2015~2020年出现上升趋势, 说明该期间乡镇街道碳排放空间趋同性逐渐增强, 碳排放相似的乡镇街道在空间上更趋向于集聚分布.
2.2 LISA时间路径变化分析 2.2.1 几何特征分析LISA时间路径的几何特征能够揭示主城区碳排放局部空间结构的动态性以及空间依赖方向上的波动性[61].本文采用自然间断点分级法(Jenks)将相对长度从低到高划分成4个等级, 即低相对长度(0.171~0.735)、中等相对长度(0.736~1.408)、较高相对长度(1.409~2.272)和高相对长度(2.273~3.854).图 2显示, 长生桥镇、双凤桥街道、鸳鸯街道、鱼嘴镇和龙兴镇等5个乡镇街道为高相对长度, 说明其局部空间结构具有最强的动态性; 较高相对长度包括花园路街道、曾家镇和王家街道等22个乡镇街道, 表明上述乡镇街道的局部空间结构具有较强的动态性; 石井坡街道、新山村街道和东阳街道等69个乡镇街道为中等相对长度, 表明其具有较稳定的局部空间结构; 柳荫镇、大湾镇和茨竹镇等57个乡镇街道为低相对长度, 说明其局部空间结构的稳定性最强.综上, 低相对长度和中等相对长度的乡镇街道共计126个(占比82%), 表明近20年整体上主城区乡域碳排放的局部空间结构较为稳定.从空间分布来看, 整体呈“北低-中高-南低”的格局, 北部和南部的乡域具有较为稳定的局部空间结构, 多集中在渝北和巴南, 其原因是这些区域多为资源型和老工业基地, 碳排放量始终较高, 转型压力大, 导致局部空间结构不易发生改变; 中部的乡域具有更加动态的局部空间结构, 多集中在沙坪坝、渝中、江北和南岸, 这可能是因为一方面近些年这些区域的经济快速发展导致居民生活水平和社会消费水平显著提高, 消费内容日趋丰富、消费量逐渐增大, 由生存型隐含碳排放发展为奢侈型隐含碳排放[62]; 另一方面房地产和汽车工业等产业的快速发展, 带动了采掘业、石油和金属加工业、建材业等高碳制造业的急剧膨胀, 从而导致碳排放显著增加, 使得区域碳排放的局部空间结构动态性较大.
|
图 2 LISA时间路径相对长度的空间分布 Fig. 2 Spatial distribution of relative length of the LISA time path |
此外, 本文通过自然间断点分级法将弯曲度从低到高划分4个等级, 低弯曲度(1.001~1.591)、中等弯曲度(1.592~2.723)、较高弯曲度(2.724~4.977)和高弯曲度(4.978~10.812).由图 3可知, 姜家镇、寸滩街道和天星寺镇为高弯曲度乡镇街道, 表明这3个乡镇街道碳排放增长具有最强波动性和局部空间依赖变化过程; 较高弯曲度包括回兴街道、双河口镇和柳荫镇等12个乡镇街道, 其碳排放增长和局部空间依赖变化波动性较强; 北温泉街道、井口街道和石板镇等36个乡镇街道为中等弯曲度, 具有波动性较弱的碳排放增长和局部空间依赖变化过程; 覃家岗街道、石油路街道和花园路街道等102个乡镇街道均属于低弯曲度乡镇街道, 其碳排放增长和局部空间依赖变化波动性最弱.综上, 低弯曲度和中等弯曲度的乡镇街道共计138个(占比90%), 表明整体上主城区碳排放增长和局部空间依赖变化过程较为稳定.从空间分布上看, 弯曲度呈“西北低-东南高”的格局, 弯曲度较大的乡镇多集中在巴南区, 表明这些乡镇碳排放具有较强的空间依赖性. 王少剑等[13]研究表明第二产业发展对碳排放增长具有较强推动作用, 据统计数据显示, 2020年第二产业对巴南区经济增长贡献率高达60.5%, 巴南区一直作为重庆市的老工业基地, 长期对外开放和招商引资, 兴建工业园区, 发挥出良好的集聚效应, 全区经济社会发展的同时导致乡域碳排放迅速增长, 并表现出较强的空间依赖性.弯曲度较小的乡域多分布于渝中、江北和沙坪坝等, 其原因是上述城区的第二产业比重较小, 分别占9.6%、21.4%和31.8%, 工业碳排放的影响较小, 使得乡镇碳排放局部空间依赖变化过程较为稳定.
|
图 3 LISA时间路径弯曲度的空间分布 Fig. 3 Spatial distribution of tortuosity of the LISA time path |
LISA移动方向可以反映碳排放空间格局变化的整合性[61].根据各乡镇街道LISA坐标计算得到LISA平均移动方向, 分为4种类型：0°~90°方向(高-高态势), 表示乡镇街道自身及其相邻乡镇街道的碳排放均保持高增长趋势; 90°~180°方向(低-高态势), 表示乡镇街道自身碳排放呈低增长趋势, 而其相邻乡镇街道呈高增长趋势; 180°~270°方向表示(低-低态势), 即乡镇街道自身及其相邻乡镇街道的碳排放均呈低增长趋势; 270°~360°方向表示(高-低态势), 表明乡镇街道自身碳排放呈高增长趋势而其相邻乡镇街道则呈低增长态势.其中0°~90°方向为协同高增长趋势, 180°~270°方向是协同低增长趋势, 这两种协同增长趋势表示乡镇街道及其相邻乡镇街道呈整合的空间动态性.
本研究结果显示(图 4), 2000~2020年协同高增长(0°~90°)的乡镇街道共有38个, 呈协同高增长趋势; 协同低增长(180°~270°)的乡镇街道共计75个, 呈协同低增长趋势.两种协同增长类型的乡镇街道共计113个(占比74%), 说明近20年主城区乡镇街道碳排放空间格局变化具有较强的空间整合性.从空间分布来看, 协同性增长型的乡镇街道分布呈片状集中分布, 从这点也能表明主城区乡域碳排放会受到邻域的影响, 表现出较强的空间整合性.
|
图 4 LISA时间路径平均移动方向的空间分布 Fig. 4 Spatial distribution of average movement direction of the LISA time path |
LISA时间路径分析仅仅揭示各乡镇街道LISA坐标的变化大小及变化趋势, 但无法反映Moran's I散点图中局部空间关联类型的相互转移特征, 随后Rey[56]提出的Moran's I转移概率矩阵和时空跃迁有效解决了这一问题, 因此本文利用其提出的概率转移矩阵和时空跃迁来探究主城区乡域碳排放局部空间关联类型的转移特征和演化过程.
由表 3可知, 2000~2005、2005~2010、2010~2015和2015~2020年4个时段的Moran's I散点保持在同一象限内(类型Ⅰ)的概率均在70%左右, 说明主城区乡域碳排放存在一定的转移惰性, 类型不易改变, 具有较强的路径依赖和空间锁定特征.4个时段的类型Ⅱ和Ⅲ占比均在10%左右, 表明主城区乡域碳排放局部时空关联类别间存在一定的转移概率, 其中LHtLLt+1和HLtLLt+1转移概率多数在20%以上, 而LHtHHt+1和HLtHHt+1转移概率多数在20%以下, 表明与高值俱乐部集聚趋势相对比, 低值俱乐部集聚趋势会表现得更加明显.4个时段的类型Ⅳ占比均小于6%, 表明主城区乡域碳排放发生跳跃转移型的概率很低.
|
|
表 3 主城区碳排放Moran's I转移概率矩阵与时空跃迁/% Table 3 Moran's I transition probability matrix and spatiotemporal transition of carbon emissions/% |
根据各类型跃迁数量计算, 得到4个时段的时空凝聚指数(SC)均大于70%, 时空变迁指数(SF)均小于30%, 进一步说明主城区乡域碳排放局部空间关联模式具有较强的稳定性, 即存在一定的路径依赖或空间锁定特征.随着时间推移, 时空凝聚指数呈下降趋势, 时空变迁指数呈上升趋势, 表明主城区乡域碳排放空间格局的路径依赖和锁定特征逐渐弱化.根据跃迁类型的转移概率可知, 主城区乡域碳排放在一定程度上会受到邻域空间溢出效应影响.
2.4 主城区碳排放的重心迁移及标准差椭圆分析本文为进一步揭示主城区碳排放重心的迁移变化以及高碳排放乡域的空间分布, 采用SDE法进行补充探讨.由表 4和图 5可知, 近20年主城区碳排放重心分布在106°30′43″~106°32′42″E, 29°33′34″~29°35′56″N之间, 位于全区几何中心(106°38′34″E, 29°36′03″N)的西南方向, 表明主城区的西部和南部乡域碳排放量较高, 这是因为从经济水平和社会消费因素看, 西部地区经济发展水平较高, 经济高速发展的同时伴随着大量能源的消耗; 同时西部地区社会消费增长会带动能源需求扩大, 从而促进城市居民生活能源碳排放量提高.从产业结构和资源禀赋因素看, 南部地区第二产业比重较大, 第二产业属于高耗能、高碳排放产业, 加之南部地区原煤、铁矿、石油和天然气等矿产资源丰富, 自然资源禀赋能力越强, 考虑成本距离, 则向邻近乡域输入的资源就越多, 使得生产规模会相应扩大, 势必造成南部地区的碳排放较高.因此, 在制定差异化减排政策时西部和南部乡域都应该承担更多的减排任务.
|
|
表 4 主城区碳排放标准差椭圆参数 Table 4 Ellipse parameters of carbon emission standard deviation of towns (streets) in the main urban area |
|
图 5 主城区碳排放标准差椭圆分布及重心移动轨迹 Fig. 5 Ellipse distribution of carbon emission standard deviation and the movement trajectory of the center of gravity of the township streets in the main urban area |
从重心移动轨迹看, 主城区碳排放重心整体上向东北方向移动, 表明主城区东部和北部乡域的碳排放增长速度高于平均水平.近20年移动距离共计6.32 km, 具体表现为2000~2005年重心向东北方向迁移了0.84 km; 2005~2010年重心向西北方向迁移了1.26 km; 2010~2015年重心向东北方向迁移了1.84 km; 2015~2020年重心向东北方向迁移了2.38 km.
从方位角变化看, 近20年呈先减小后增大的趋势.首先从2000年的178.2°减小到2005年的3.1°, 然后持续增大到2020年的36.4°, 表明近20年主城区碳排放的空间格局由“西北-东南”转变为“东北-西南”.
从主轴方向上看, 长轴由2000年的40.10 km缩小至2005年的39.48 km, 表明该时段主城区碳排放在“东北-西南”方向上出现向心集聚现象, 这是因为经济发展作为碳排放增长的主导因素之一[5], 在国家西部大开发战略实施之初, 西南和东北乡域经济基础薄弱, 发展速度较慢, 碳排放较低, 而中部乡域经济发展较快, 碳排放较高, 促使碳排放呈向心集聚.2005~2020年长轴由39.48 km扩大到44.71 km, 表明该时段主城区碳排放在“东北-西南”方向上呈现发散, 其原因是西部大开发战略实施一定阶段后, 实施成效逐渐凸显, 近些年西南和东北乡域原先经济基础薄弱的态势得到极大改善, 经济发展取得长足进步, 导致碳排放增速加快, 逐渐缩小和中部乡域的差距, 使得碳排放呈发散现象.
从辅轴方向上看, 短轴由2000年的27.83 km增加到2020年的35.23 km, 表明近20年主城区碳排放在“西北-东南”方向上呈现发散, 主要原因是一方面从经济发展看, 近些年北碚和渝北经济发展快速, 导致西北部乡域碳排放量增长较快; 另一方面从产业结构看, 作为老工业基地的巴南对第二产业具有高度依赖性, 近些年不断招商引资, 吸引大量重工业企业集聚, 导致对能源消耗需求较大, 使得碳排放表现出发散趋势.
3 讨论本文从小尺度单元计算了城市碳排放的时空动态格局.以往研究很少有过从如此小的空间尺度研究城市碳排放, 关于城市碳排放的文献大多是以县域为基本研究单元, 例如于博等[63]以县域为基本单元, 在县级尺度下对哈长城市群碳排放的空间溢出效应及影响因素进行了研究.谭显春等[64]利用县域GDP、人口和省级能耗指标对县级尺度下广东省碳排放量进行了核算.Jin等[65]研究分析了江苏省县域城市旅游业碳排放流量的流入、流出和净流量的空间格局.事实上, 高长春等[61]明确指出不能忽略小尺度导致碳排放研究产生的波动性及差异性; 李璐等[45]在对武汉城市圈开展碳排放研究展望中明确指出, 考虑到县域内部也存在一定的差异性, 后续研究工作应该进一步以乡镇作为基本单元, 以提高减排政策的现实指导作用.因此本文尝试对现有碳排放研究向更小尺度的延伸拓展, 对现有研究现状进行补充完善, 在减排政策制定方面对城市碳排放时空动态格局具有较微观尺度的科学依据.
本研究发现2000~2020年主城区乡域碳排放存在显著的空间正相关性, 并且这种正相关程度在近5年得到增强, 因此未来在制定碳减排政策时应该优先考虑该关联性, 在区域协调发展的大背景下, 加强乡域之间要素流动、产业合作和优化调整, 使乡域产业发展具有联动特征, 同时加大对绿色产业的扶持, 完善乡域合作互助机制与利益补偿机制, 达到碳减排目的, 实现国家“双碳”战略目标.由本文的LISA时间路径和时空跃迁结果可知, 乡域碳排放在空间地理分布上具有较强的路径依赖性, 并且局部空间结构具有较强的稳定性和整合性, 各个乡域碳排放受到邻域空间影响, 这一相似结果同样在赵桂梅等[66]、潘竟虎等[67]和王少剑等[68]分别对省域、市域和县域的碳排放研究中得到体现.从SDE分析结果来看, 西部和南部乡域是未来碳减排的重点区域, 一方面加强对该区域碳排放状况的有效监测与治理, 加大碳排放的约束性, 优化以煤炭、重工业为主的传统经济发展路径, 促进化工、电力和钢铁等高耗能产业转型升级, 实现能源利用效率, 达到减排成效; 另一方面建议倡导低碳化的居民消费模式和生活方式, 优化消费结构, 提高居民低碳意识, 形成绿色环保的社会良好氛围.最后, 城市低碳发展除了限制高碳排放之外, 还应尽力提高区域碳汇[69].林地和草地是碳汇的重要载体, 建议完善区域生态补偿机制、补偿标准和实施体系, 通过退耕还林和植树造林等途径有效增加区域生态系统碳汇.
目前关于碳排放的测算方法并不唯一, 学术界尚未形成统一标准的核算方法.例如杜海波等[5]基于DMSP/OLS与NPP/VIIRS夜间灯光数据, 研究了2000~2018年黄河流域能源消费碳排放的时空变化特征; 莫惠斌等[70]同样利用DMSP/OLS与NPP/VIIRS夜间灯光数据反演得到2000~2017年黄河流域县域碳排放数据, 并对其时空格局与空间效应进行了探析; 刘华军等[32]根据中国碳核算公共数据库CEADs(www.ceads.net)提供的县域单元碳排放数据, 分析了1997~2017年中国碳排放的空间格局; 侯勃等[31]利用碳排放系数法测算出上海市各区的碳排放量, 探讨了上海市碳排放时空异质性探测及影响因素.上述测算方法都具有一定优势和不足：夜间灯光数据集虽然能较好地长时间动态监测碳排放特征, 但是夜间灯光数据亮度值与碳排放量之间的准确关系需要更深入的研究[5]; CEADs碳排放数据库具有涵盖全面, 时间跨度大等优点, 但是统计基本单元针对县域, 缺乏对更小尺度单元的统计[67]; 碳排放系数法的优点在于数据易获取、计算方便, 缺点则是碳排放系数存在一定差异性和局限性[25], 缺乏考虑区域经济发展水平、资源禀赋和能源消耗强度造成的碳排放系数年际差异影响.本文的碳排放系数参考取值来源于已有研究文献, 选取重庆市及其周边相似区域的研究成果, 为减少单一误差给研究结果带来的负面影响, 采取计算平均值方法, 这种做法在其他学者研究中得到体现[40, 47], 具有一定的合理性, 但没有实地采样、勘测准确性高[14].为进一步提高研究结果的准确性, 后续研究应该根据主城区的实际情况对碳排放系数进行深入分析, 并且考虑年际差异的影响, 得到更适于主城区的碳排放系数.此外受文章篇幅所限, 在本文研究成果的基础上, 后续研究工作将会进一步选取相应驱动因子变量, 通过相关模型和研究方法进行驱动机制定量分析, 系统全面分析主城区乡域碳排放时空演变的深层次诱因, 也将是后续研究的重点方向.
4 结论(1) 2000~2020年主城区碳排放全局Moran's I指数均为正值, 且均通过显著性检验(P＜0.05), 表明主城区碳排放呈显著的空间正相关, 即碳排放较高或较低的乡镇街道在空间上均趋于相邻.
(2) LISA时间路径分析表明, 2000~2020年低、中等相对长度的乡镇街道数共计126个(占比82%), 表明主城区乡域碳排放的局部空间结构具有较强的稳定性; 低、中等弯曲度的乡镇街道数共计138个(占比90%), 说明主城区乡域碳排放在空间依赖方向上的波动性较为稳定; 协同增长类型的乡镇街道数共计113个(占比74%), 表明主城区乡域碳排放格局具有较强的空间整合性.
(3) LISA时空跃迁分析表明, 2000~2020年4个时段的时空凝聚指数均大于70%, 时空变迁指数均小于30%, 说明主城区乡域碳排放局部空间关联模式存在较强的稳定性, 即具有一定的路径依赖或空间锁定特征.
(4) 2000~2020年主城区碳排放重心分布在106°30′43″~106°32′42″E, 29°33′34″~29°35′56″N之间, 位于全区几何中心(106°38′34″E, 29°36′03″N)的西南方向, 表明西部和南部乡域碳排放量较高; 重心整体上向东北方向迁移, 移动距离为6.32 km, 表明东部和北部乡域的碳排放增长速度高于平均水平; 主城区碳排放的空间格局由“西北-东南”转变为“东北-西南”, 长轴由2000年的40.10 km扩大至2020年的44.71 km, 短轴由2000年的27.83 km增加到2020年的35.23 km.
| [1] |
蒋自然, 金环环, 王成金, 等. 长江经济带交通碳排放测度及其效率格局(1985~2016年)[J]. 环境科学, 2020, 41(6): 2972-2980. Jiang Z R, Jin H H, Wang C J, et al. Measurement of traffic carbon emissions and pattern of efficiency in the yangtze river economic belt (1985-2016)[J]. Environmental Science, 2020, 41(6): 2972-2980. |
| [2] |
王晓锋, 袁兴中, 陈槐, 等. 河流CO2与CH4排放研究进展[J]. 环境科学, 2017, 38(12): 5352-5366. Wang X F, Yuan X Z, Chen H, et al. Review of CO2 and CH4 emissions from rivers[J]. Environmental Science, 2017, 38(12): 5352-5366. |
| [3] |
刘婷婷, 王晓锋, 袁兴中, 等. 快速城市化区河流温室气体排放的时空特征及驱动因素[J]. 环境科学, 2019, 40(6): 2827-2839. Liu T T, Wang X F, Yuan X Z, et al. Spatial-temporal characteristics and driving factors of greenhouse gas emissions from rivers in a rapidly urbanizing area[J]. Environmental Science, 2019, 40(6): 2827-2839. |
| [4] |
王少剑, 田莎莎, 蔡清楠, 等. 产业转移背景下广东省工业碳排放的驱动因素及碳转移分析[J]. 地理研究, 2021, 40(9): 2606-2622. Wang S J, Tian S S, Cai Q N, et al. Driving factors and carbon transfer of industrial carbon emissions in Guangdong province under the background of industrial transfer[J]. Geographical Research, 2021, 40(9): 2606-2622. |
| [5] |
杜海波, 魏伟, 张学渊, 等. 黄河流域能源消费碳排放时空格局演变及影响因素——基于DMSP/OLS与NPP/VIIRS夜间灯光数据[J]. 地理研究, 2021, 40(7): 2051-2065. Du H B, Wei W, Zhang X Y, et al. Spatio-temporal evolution and influencing factors of energy-related carbon emissions in the Yellow River Basin: based on the DMSP/OLS and NPP/VIIRS nighttime light data[J]. Geographical Research, 2021, 40(7): 2051-2065. |
| [6] |
张卫建, 严圣吉, 张俊, 等. 国家粮食安全与农业双碳目标的双赢策略[J]. 中国农业科学, 2021, 54(18): 3892-3902. Zhang W J, Yan S J, Zhang J, et al. Win-win strategy for national food security and agricultural double-carbon goals[J]. Scientia Agricultura Sinica, 2021, 54(18): 3892-3902. DOI:10.3864/j.issn.0578-1752.2021.18.009 |
| [7] |
石龙宇, 许通, 高莉洁, 等. 可持续框架下的城市低碳社区[J]. 生态学报, 2018, 38(14): 5170-5177. Shi L Y, Xu T, Gao L J, et al. Low carbon community research under sustainability context[J]. Acta Ecologica Sinica, 2018, 38(14): 5170-5177. |
| [8] | Sun W, Huang C C. How does urbanization affect carbon emission efficiency? Evidence from China[J]. Journal of Cleaner Production, 2020, 272. DOI:10.1016/j.jclepro.2020.122828 |
| [9] | Samuel C N, Venkatadri U, Diallo C, et al. Robust closed-loop supply chain design with presorting, return quality and carbon emission considerations[J]. Journal of Cleaner Production, 2020, 247. DOI:10.1016/j.jclepro.2019.119086 |
| [10] |
王少剑, 高爽, 黄永源, 等. 基于超效率SBM模型的中国城市碳排放绩效时空演变格局及预测[J]. 地理学报, 2020, 75(6): 1316-1330. Wang S J, Gao S, Huang Y Y, et al. Spatio-temporal evolution and trend prediction of urban carbon emission performance in China based on super-efficiency SBM model[J]. Acta Geographica Sinica, 2020, 75(6): 1316-1330. |
| [11] | Ning Y D, Chen K K, Zhang B Y, et al. Energy conservation and emission reduction path selection in China: a simulation based on bi-level multi-objective optimization model[J]. Energy Policy, 2020, 137. DOI:10.1016/j.enpol.2019.111116 |
| [12] | Li X, Li Y P. A multi-scenario ensemble simulation and environmental input-output model for identifying optimal pollutant-and CO2-emission mitigation scheme of Guangdong province[J]. Journal of Cleaner Production, 2020, 262. DOI:10.1016/j.jclepro.2020.121413 |
| [13] |
王少剑, 黄永源. 中国城市碳排放强度的空间溢出效应及驱动因素[J]. 地理学报, 2019, 74(6): 1131-1148. Wang S J, Huang Y Y. Spatial spillover effect and driving forces of carbon emission intensity at city level in China[J]. Acta Geographica Sinica, 2019, 74(6): 1131-1148. |
| [14] |
李磊, 陈浩, 朱弈, 等. 城镇河流CO2及CH4排放与市政排水管网污水输入的关联影响[J]. 环境科学, 2020, 41(7): 3392-3401. Li L, Chen H, Zhu Y, et al. Relationship between CO2 and CH4 emissions in urban rivers and sewage discharging from a municipal drainage network[J]. Environmental Science, 2020, 41(7): 3392-3401. |
| [15] | Quan C G, Cheng X J, Yu S S, et al. Analysis on the influencing factors of carbon emission in China's logistics industry based on LMDI method[J]. Science of the Total Environment, 2020, 734. DOI:10.1016/j.scitotenv.2020.138473 |
| [16] |
郑德凤, 刘晓星, 王燕燕, 等. 中国省际碳足迹广度、深度评价及时空格局[J]. 生态学报, 2020, 40(2): 447-458. Zheng D F, Liu X X, Wang Y Y, et al. Assessment of carbon footprint size, depth and its spatial-temporal pattern at the provincial level in China[J]. Acta Ecologica Sinica, 2020, 40(2): 447-458. |
| [17] | Yang Y T, Qu S, Cai B F, et al. Mapping global carbon footprint in China[J]. Nature Communications, 2020, 11(1). DOI:10.1038/s41467-020-15883-9 |
| [18] | Burtscher L, Barret D, Borkar A P, et al. The carbon footprint of large astronomy meetings[J]. Nature Astronomy, 2020, 4(9): 823-825. DOI:10.1038/s41550-020-1207-z |
| [19] |
吕倩, 刘海滨. 京津冀县域尺度碳排放时空演变特征——基于DMSP/OLS夜间灯光数据[J]. 北京理工大学学报(社会科学版), 2019, 21(6): 41-50. Lv Q, Liu H B. Spatio-temporal evolution characteristics of county scale carbon emissions in Beijing-Tianjin-Hebei region-a study based on DMSP/OLS nighttime light data[J]. Journal of Beijing Institute of Technology (Social Sciences Edition), 2019, 21(6): 41-50. |
| [20] |
李建豹, 黄贤金, 揣小伟, 等. 长三角地区碳排放效率时空特征及影响因素分析[J]. 长江流域资源与环境, 2020, 29(7): 1486-1496. Li J B, Huang X J, Chuai X W, et al. Spatio-temporal characteristics and influencing factors of carbon emissions efficiency in the Yangtze River Delta region[J]. Resources and Environment in the Yangtze Basin, 2020, 29(7): 1486-1496. |
| [21] |
郭艺, 曹贤忠, 魏文栋, 等. 长三角区域一体化对城市碳排放的影响研究[J]. 地理研究, 2022, 41(1): 181-192. Guo Y, Cao X Z, Wei W D, et al. The impact of regional integration in the Yangtze River Delta on urban carbon emissions[J]. Geographical Research, 2022, 41(1): 181-192. |
| [22] |
张利国, 王占岐, 李冰清. 湖北省土地整治项目碳效应核算及其分析[J]. 自然资源学报, 2018, 33(11): 2006-2019. Zhang L G, Wang Z Q, Li B Q. Carbon effect accounting and analysis of land consolidation in Hubei Province[J]. Journal of Natural Resources, 2018, 33(11): 2006-2019. |
| [23] |
朱鹏祥. 低碳视角下的城市碳排放时空分布特征与空间管控研究——以合肥市为例[D]. 合肥: 安徽建筑大学, 2020. Zhu P X. Spatial distribution characteristics and spatial control of urban carbon emissions from a low-carbon perspective——Take Hefei City as an example[D]. Hefei: Anhui Jianzhu University, 2020. |
| [24] |
杨国清, 朱文锐, 文雅, 等. 20年来广东省土地利用碳排放强度与效率空间分异研究[J]. 生态环境学报, 2019, 28(2): 332-340. Yang G Q, Zhu W R, Wen Y, et al. Spatial differentiation in the intensity and efficiency of carbon emission from land use in Guangdong province in past two decades[J]. Ecology and Environmental Sciences, 2019, 28(2): 332-340. |
| [25] |
魏燕茹, 陈松林. 福建省土地利用碳排放空间关联性与碳平衡分区[J]. 生态学报, 2021, 41(14): 5814-5824. Wei Y R, Chen S L. Spatial correlation and carbon balance zoning of land use carbon emissions in Fujian Province[J]. Acta Ecologica Sinica, 2021, 41(14): 5814-5824. |
| [26] |
张帅, 袁长伟, 赵小曼. 中国交通运输碳排放空间聚类与关联网络结构分析[J]. 经济地理, 2019, 39(1): 122-129. Zhang S, Yuan C W, Zhao X M. Spatial clustering and correlation network structure analysis of transportation carbon emissions in China[J]. Economic Geography, 2019, 39(1): 122-129. |
| [27] |
刘贤赵, 郭若鑫, 张勇, 等. 中国省域碳排放空间依赖结构的非参数估计及其实证分析[J]. 中国人口·资源与环境, 2019, 29(5): 40-51. Liu X Z, Guo R X, Zhang Y, et al. Nonparametric estimation and empirical analysis of spatial dependence structure of provincial carbon emissions in China[J]. China Population, Resources and Environment, 2019, 29(5): 40-51. |
| [28] |
周嘉, 王钰萱, 刘学荣, 等. 基于土地利用变化的中国省域碳排放时空差异及碳补偿研究[J]. 地理科学, 2019, 39(12): 1955-1961. Zhou J, Wang Y X, Liu X R, et al. Spatial temporal differences of carbon emissions and carbon compensation in China based on land use change[J]. Scientia Geographica Sinica, 2019, 39(12): 1955-1961. |
| [29] |
刘贤赵, 高长春, 宋炎, 等. 湖南市域化石能源消费碳排放时空格局及驱动因素[J]. 生态学报, 2017, 37(7): 2476-2487. Liu X Z, Gao C C, Song Y, et al. Temporal-spatial carbon emission patterns caused by fossil energy consumption at the city level in Hunan Province, China and the factors driving their composition[J]. Acta Ecologica Sinica, 2017, 37(7): 2476-2487. |
| [30] |
苏凯, 陈毅辉, 范水生, 等. 市域能源碳排放影响因素分析及减碳机制研究——以福建省为例[J]. 中国环境科学, 2019, 39(2): 859-867. Su K, Chen Y H, Fan S S, et al. Influencing factors and reduction mechanism of carbon emissions at the city-range: an empirical study on Fujian province[J]. China Environmental Science, 2019, 39(2): 859-867. |
| [31] |
侯勃, 岳文泽, 王腾飞. 中国大都市区碳排放时空异质性探测与影响因素——以上海市为例[J]. 经济地理, 2020, 40(9): 82-90. Hou B, Yue W Z, Wang T F. Spatiotemporal heterogeneity pattern and influencing factors of carbon emission in metropolitan areas of China: a case of Shanghai[J]. Economic Geography, 2020, 40(9): 82-90. |
| [32] |
刘华军, 邵明吉, 吉元梦. 中国碳排放的空间格局及分布动态演进——基于县域碳排放数据的实证研究[J]. 地理科学, 2021, 41(11): 1917-1924. Liu H J, Shao M J, Ji Y M. The spatial pattern and distribution dynamic evolution of carbon emissions in China: empirical study based on county carbon emission data[J]. Scientia Geographica Sinica, 2021, 41(11): 1917-1924. |
| [33] |
王睿, 张赫, 强文丽, 等. 基于城镇化的中国县级城市碳排放空间分布特征及影响因素[J]. 地理科学进展, 2021, 40(12): 1999-2010. Wang R, Zhang H, Qiang W L, et al. Spatial characteristics and influencing factors of carbon emissions in county-level cities of China based on urbanization[J]. Progress in Geography, 2021, 40(12): 1999-2010. |
| [34] |
张骞, 高明, 杨乐, 等. 1988-2013年重庆市主城九区生态用地空间结构及其生态系统服务价值变化[J]. 生态学报, 2017, 37(2): 566-575. Zhang Q, Gao M, Yang L, et al. Changes in the spatial structure of ecological land and ecosystem service values in nine key districts of Chongqing City over the past 25 years[J]. Acta Ecologica Sinica, 2017, 37(2): 566-575. |
| [35] |
周思宇, 郗凤明, 尹岩, 等. 东北地区耕地利用碳排放核算及驱动因素[J]. 应用生态学报, 2021, 32(11): 3865-3871. Zhou S Y, Xi F M, Yin Y, et al. Accounting and drivers of carbon emission from cultivated land utilization in Northeast China[J]. Chinese Journal of Applied Ecology, 2021, 32(11): 3865-3871. |
| [36] | Cai Z C, Kang G D, Tsuruta H, et al. Estimate of CH4 emissions from year-round flooded rice fields during rice growing season in China[J]. Pedosphere, 2005, 15(1): 66-71. |
| [37] | 何勇, 姜允迪, 丹利, 等. 中国气候、陆地生态系统碳循环研究[M]. 北京: 气象出版社, 2006. |
| [38] |
蓝家程, 傅瓦利, 袁波, 等. 重庆市不同土地利用碳排放及碳足迹分析[J]. 水土保持学报, 2012, 26(1): 146-150, 155. Lan J C, Fu W L, Yuan B, et al. Analysis of land use patterns on carbon emission and carbon footprint in Chongqing city[J]. Journal of Soil and Water Conservation, 2012, 26(1): 146-150, 155. |
| [39] |
石洪昕, 穆兴民, 张应龙, 等. 四川省广元市不同土地利用类型的碳排放效应研究[J]. 水土保持通报, 2012, 32(3): 101-106. Shi H X, Mu X M, Zhang Y L, et al. Effects of different land use patterns on carbon emission in Guangyuan City of Sichuan Province[J]. Bulletin of Soil and Water Conservation, 2012, 32(3): 101-106. |
| [40] |
何海珊, 赵宇豪, 吴健生. 低碳导向下土地覆被演变模拟——以深圳市为例[J]. 生态学报, 2021, 41(21): 8352-8363. He H S, Zhao Y H, Wu J S. Simulation of urban landscape pattern under the influence of low carbon: a case study of Shenzhen[J]. Acta Ecologica Sinica, 2021, 41(21): 8352-8363. |
| [41] |
方精云, 郭兆迪, 朴世龙, 等. 1981~2000年中国陆地植被碳汇的估算[J]. 中国科学D辑: 地球科学, 2007, 50(6): 804-812. Fang J Y, Guo Z D, Piao S L, et al. Terrestrial vegetation carbon sinks in China, 1981-2000[J]. Science in China Series D: Earth Sciences, 2007, 50(9): 1341-1350. |
| [42] |
肖红艳, 袁兴中, 李波, 等. 土地利用变化碳排放效应研究——以重庆市为例[J]. 重庆师范大学学报(自然科学版), 2012, 29(1): 38-42. Xiao H Y, Yuan X Z, Li B, et al. The effects of land use changes on carbon emission C: take Chongqing as an example[J]. Journal of Chongqing Normal University (Natural Science), 2012, 29(1): 38-42. |
| [43] |
王刚, 张华兵, 薛菲, 等. 成都市县域土地利用碳收支与经济发展关系研究[J]. 自然资源学报, 2017, 32(7): 1170-1182. Wang G, Zhang H B, Xue F, et al. Relations between land use carbon budget and economic development at county level in Chengdu city[J]. Journal of Natural Resources, 2017, 32(7): 1170-1182. |
| [44] |
彭文甫, 周介铭, 徐新良, 等. 基于土地利用变化的四川省碳排放与碳足迹效应及时空格局[J]. 生态学报, 2016, 36(22): 7244-7259. Peng W F, Zhou J M, Xu X L, et al. Effect of land use changes on the temporal and spatial patterns of carbon emissions and carbon footprints in the Sichuan Province of Western China, from 1990 to 2010[J]. Acta Ecologica Sinica, 2016, 36(22): 7244-7259. |
| [45] |
李璐, 董捷, 徐磊, 等. 功能区土地利用碳收支空间分异及碳补偿分区——以武汉城市圈为例[J]. 自然资源学报, 2019, 34(5): 1003-1015. Li L, Dong J, Xu L, et al. Spatial variation of land use carbon budget and carbon compensation zoning in functional areas: a case study of Wuhan urban agglomeration[J]. Journal of Natural Resources, 2019, 34(5): 1003-1015. |
| [46] |
赖力. 中国土地利用的碳排放效应研究[D]. 南京: 南京大学, 2010. Lai L. Carbon emission effect of land use in China[D]. Nanjing: Nanjing University, 2010. |
| [47] |
孙赫, 梁红梅, 常学礼, 等. 中国土地利用碳排放及其空间关联[J]. 经济地理, 2015, 35(3): 154-162. Sun H, Liang H M, Chang X L, et al. Land use patterns on carbon emission and spatial association in China[J]. Economic Geography, 2015, 35(3): 154-162. |
| [48] | 国家统计局能源统计司. 中国能源统计年鉴(2001~2021年)[M]. 北京: 中国统计出版社, 2002. |
| [49] | Eggleston H S, Buendia L, Miwa K, et al. 2006 IPCC guidelines for national greenhouse gas inventories[M]. Kanagawa: IGES, 2006. |
| [50] |
卢娜. 土地利用变化碳排放效应研究[D]. 南京: 南京农业大学, 2011. Lu N. The research on carbon emission effects of land use change[D]. Nanjing: Nanjing Agricultural University, 2011. |
| [51] |
范建双, 虞晓芬, 周琳. 南京市土地利用结构碳排放效率增长及其空间相关性[J]. 地理研究, 2018, 37(11): 2177-2192. Fan J S, Yu X F, Zhou L. Carbon emission efficiency growth of land use structure and its spatial correlation: a case study of Nanjing city[J]. Geographical Research, 2018, 37(11): 2177-2192. |
| [52] | Rey S J, Janikas M V. STARS: space-time analysis of regional systems[J]. Geographical Analysis, 2006, 38(1): 67-86. |
| [53] | Ye X Y, Rey S. A framework for exploratory space-time analysis of economic data[J]. The Annals of Regional Science, 2013, 50(1): 315-339. |
| [54] | Rey S J. Space-time patterns of rank concordance: local indicators of mobility association with application to spatial income inequality dynamics[J]. Annals of the American Association of Geographers, 2016, 106(4): 788-803. |
| [55] | Anselin L. Local indicators of spatial association-LISA[J]. Geographical Analysis, 1995, 27(2): 93-115. |
| [56] | Rey S J. Spatial empirics for economic growth and convergence[J]. Geographical Analysis, 2001, 33(3): 195-214. |
| [57] | Rey S J, Murray A T, Anselin L. Visualizing regional income distribution dynamics[J]. Letters in Spatial and Resource Sciences, 2011, 4(1): 81-90. |
| [58] | Ye X Y, Carroll M C. Exploratory space-time analysis of local economic development[J]. Applied Geography, 2011, 31(3): 1049-1058. |
| [59] | Shi Y S, Matsunaga T, Yamaguchi Y, et al. Long-term trends and spatial patterns of PM2.5-induced premature mortality in South and Southeast Asia from 1999 to 2014[J]. Science of the Total Environment, 2018, 631-632: 1504-1514. |
| [60] |
宋永永, 薛东前, 夏四友, 等. 近40a黄河流域国土空间格局变化特征与形成机理[J]. 地理研究, 2021, 40(5): 1445-1463. Song Y Y, Xue D Q, Xia S Y, et al. Change characteristics and formation mechanism of the territorial spatial pattern in the Yellow River Basin from 1980 to 2018, China[J]. Geographical Research, 2021, 40(5): 1445-1463. |
| [61] |
高长春, 刘贤赵, 李朝奎, 等. 近20年来中国能源消费碳排放时空格局动态[J]. 地理科学进展, 2016, 35(6): 747-757. Gao C C, Liu X Z, Li C K, et al. Spatiotemporal dynamics of carbon emissions by energy consumption in China from 1995 to 2014[J]. Progress in Geography, 2016, 35(6): 747-757. |
| [62] |
崔盼盼, 赵媛, 张丽君, 等. 基于不同需求层次的中国城镇居民消费隐含碳排放时空演变机制[J]. 生态学报, 2020, 40(4): 1424-1435. Cui P P, Zhao Y, Zhang L J, et al. Spatio-temporal evolution and driving mechanism of per capita indirect carbon emissions based on different demand levels from urban residents' consumption in China[J]. Acta Ecologica Sinica, 2020, 40(4): 1424-1435. |
| [63] |
于博, 杨旭, 吴相利. 哈长城市群县域碳排放空间溢出效应及影响因素研究——基于NPP-VⅡRS夜间灯光数据的实证[J]. 环境科学学报, 2020, 40(2): 697-706. Yu B, Yang X, Wu X L. Study on spatial spillover effects and influencing factors of carbon emissions in county areas of Ha-Chang city group: evidence from NPP-VⅡRS nightlight data[J]. Acta Scientiae Circumstantiae, 2020, 40(2): 697-706. |
| [64] |
谭显春, 赖海萍, 顾佰和, 等. 主体功能区视角下的碳排放核算——以广东省为例[J]. 生态学报, 2018, 38(17): 6292-6301. Tan X C, Lai H P, Gu B H, et al. Carbon emission accounting from the perspective of main functional areas: a case study of Guangdong Province[J]. Acta Ecologica Sinica, 2018, 38(17): 6292-6301. |
| [65] | Jin C, Cheng J Q, Xu J, et al. Self-driving tourism induced carbon emission flows and its determinants in well-developed regions: a case study of Jiangsu Province, China[J]. Journal of Cleaner Production, 2018, 186: 191-202. |
| [66] |
赵桂梅, 赵桂芹, 陈丽珍, 等. 中国碳排放强度的时空演进及跃迁机制[J]. 中国人口·资源与环境, 2017, 27(10): 84-93. Zhao G M, Zhao G Q, Chen L Z, et al. Research on spatial and temporal evolution of carbon emission intensity and its transition mechanism in China[J]. China Population, Resources and Environment, 2017, 27(10): 84-93. |
| [67] |
潘竟虎, 张永年. 中国能源碳足迹时空格局演化及脱钩效应[J]. 地理学报, 2021, 76(1): 206-222. Pan J H, Zhang Y N. Spatiotemporal patterns of energy carbon footprint and decoupling effect in China[J]. Acta Geographica Sinica, 2021, 76(1): 206-222. |
| [68] |
王少剑, 谢紫寒, 王泽宏. 中国县域碳排放的时空演变及影响因素[J]. 地理学报, 2021, 76(12): 3103-3118. Wang S J, Xie Z H, Wang Z H. The spatiotemporal pattern evolution and influencing factors of CO2 emissions at the county level of China[J]. Acta Geographica Sinica, 2021, 76(12): 3103-3118. |
| [69] |
李彦旻, 沈育生, 王世航. 基于土地利用变化的安徽省陆地碳排放时空特征及效应[J]. 水土保持学报, 2022, 36(1): 182-188. Li Y M, Shen Y S, Wang S H. Spatio-temporal characteristics and effects of terrestrial carbon emissions based on land use change in Anhui province[J]. Journal of Soil and Water Conservation, 2022, 36(1): 182-188. |
| [70] |
莫惠斌, 王少剑. 黄河流域县域碳排放的时空格局演变及空间效应机制[J]. 地理科学, 2021, 41(8): 1324-1335. Mo H B, Wang S J. Spatiotemporal evolution and spatial effect mechanism of carbon emission at county level in the Yellow River Basin[J]. Scientia Geographica Sinica, 2021, 41(8): 1324-1335. |