2024, Vol. 45
2. 重庆工商大学公共管理学院, 重庆 400067;
3. 重庆财经学院公共管理学院, 重庆 401320;
4. 生态环境空间信息数据挖掘与大数据集成重庆市重点实验室, 重庆 401320
, ZHOU Qi-gang2
, LI Hui3,4 , WU Long-jiang1,4 , MAO Yong-fa1,4 , XIA Yu-song1,4 , CHEN Fang-yan1,4
2. School of Public Administration, Chongqing Technology and Business University, Chongqing 400067, China;
3. School of Public Administration, Chongqing University of Finance and Economics, Chongqing 401320, China;
4. Chongqing Key Laboratory of Ecological Spatial Information Data Mining and Big Data Integration, Chongqing 401320, China
随着经济快速发展和快速城市化, 能源消费量和碳排放量持续增长, 全球气候变暖进程加快, 土地利用变化剧烈, 自然灾害频发, 碳排放问题已成为全球变暖的主要原因之一[1~3], 是当今社会面临的最具挑战性的问题之一[4, 5]. 碳排放问题会阻碍经济高质量发展, 造成生态环境问题, 影响社会生活[6]. 2020年, 我国提出“力争2030年前二氧化碳排放达到峰值, 努力争取2060年前实现碳中和目标”, 2022年, 党的二十大报告指出：“完善碳排放统计核算制度, 健全碳排放权市场交易制度. 提升生态系统碳汇能力, 积极参与应对气候变化全球治理”. 现有研究表明, 土地利用变化对碳排放/碳吸收影响极大, 仅次于能源消耗[7], 而区域间的差异性导致不同区域间碳收支能力不同, 随着社会经济快速发展和区域协调发展战略推进, 区域与区域之间表现出复杂空间关联特征[8], 识别土地利用碳收支的区域差异特征和时空变化规律对于促进区域系统发展具有重要意义[9].
测算土地利用碳收支的方法众多, 包括通过联合国政府间气候变化专门委员会（International Panel on Climate Change）的IPCC清单法（碳排放估算模型）和土地利用碳排放系数法（直接碳排放估算模型）构建碳收支核算体系[10], 以及利用二三产业生产总值和单位GDP能耗计算碳收支量[11], 其余方法还包括利用遥感数据如夜间灯光数据和归一化植被覆盖指数（normalized difference vegetetion index, NDVI）等数据开发算法模型进行碳收支核算[2, 12, 13], 采用IPCC清单法和土地利用碳排放系数法, 有利于避免区域间能源使用情况和土地利用碳吸收系数的差异, 保证碳收支测度结果的准确性[2]. 随着中国经济不断发展, 区域间的技术、人员和资本等要素流通较快, 已经突破了传统的地理邻近限制, 形成了更复杂的网络结构特征[6], 而在识别研究对象的空间关联关系方面, 大多数学者采用基尼系数[14]、泰尔指数[15]、变异系数[16]、核密度函数估计[17]、空间变差函数[18]、空间自相关检验[19~21]、收敛性检验[22]和Markov链[23]等方法探究空间关系, 然而, 目前上述研究多是基于“属性数据”对研究对象的空间关系进行探讨, 而非“关系数据”, 受限于地理空间上的邻近和距离关系的度量, 未能很好体现出复杂的整体和个体网络结构, 而空间网络关联研究的更大价值在于网络结构特征[6, 24~29]. 部分学者突破传统给空间计量方法研究视角限制, 采用社会网络分析法能够探讨碳排放空间关联关系[9], 而社会网络分析法能够突破“属性数据”的限制, 针对“关系数据”的网络特征展开分析[27, 30], 在研究尺度上涉及国家[31]、城市群[32]、流域[33]和社区[34]等, 而在研究内容上, 涉及范围较广, 包括碳排放[35]、城市绿色创新效率[36]、经济韧性[37]和生态福利绩效[38]等；考虑空间集聚效应问题[39], 引入核心-边缘结构模型对重庆主城都市区的碳收支空间关联网络进行分析, 相关学者如滕堂伟等[36]和李德立等[40]都采用了核心-边缘结构方法进行研究.
基于此, 本文以重庆主城都市区21个区县为研究对象, 探究2000~2020年重庆主城都市区碳收支时空变化情况, 结合碳收支差异, 利用引力模型, 探索重庆主城都市区的空间关联特征及差异性具有重要意义, 以期为重庆主城都市区减污降碳, 走绿色发展道路提供理论依据.
1 材料与方法 1.1 研究区概况重庆市位于西南地区, 重庆主城都市区位于重庆市西部, 西接四川, 东临湖南和湖北, 南依贵州, 介于东经105°17′~107°43′, 北纬28°27′~30°26′之间（图 1）. 全区总面积约为28 657 km2, 占重庆市总面积的34.78%, 共21个区县, 由9个“中心城区”和12个“主城新区”共同组成. 研究区地形以山地和丘陵为主, 地处川东平行岭谷区, 地势由西向东逐步升高, 属于典型的亚热带季风气候, 常年平均气温为16~18℃, 常年降水量在1 000~1 400 mm. 2020年, 总人口为1 951.2万人, 占全市的57.17%, 地区生产总值达到19 242.72亿元, 占全市的76.96%. 2021年, 《成渝地区双城经济圈建设规划纲要》提出优化重庆主城和成都功能布局, 全面提升发展能级和综合竞争力, 引领带动双城经济圈发展. 而近年来, 重庆主城都市区迅速发展, 在成渝地区双城经济圈中, 重庆主城都市区具有重要的战略地位, 但近年来, 建设用地规模扩大和人口数量增加, 二氧化碳排放量增多, 对当地的生态环境造成不好影响, 针对都市区, 协调好区内的净碳排放空间关联关系, 对促进重庆以及成渝地区双城经济圈的高质量发展具有重要意义.
|
图 1 重庆主城都市区示意 Fig. 1 Schematic of Chongqing metropolitan area |
本研究主要以重庆主城都市区21个区县为研究对象, 选取2000年、2005年、2010年、2015年和2020年土地利用类型数据（China land cover dataset, CLCD）, 来源于文献[41], 分辨率为30m（表 1）. 收集能源终端消费量、重庆市及区县人口数和国内生产总值（GDP）等社会经济统计数据, 来源于2000年、2005年、2010年、2015年和2020年的《重庆统计年鉴》《中国能源统计年鉴》《中国城市统计年鉴》, 按照全国土地利用分类标准, 将土地利用数据分类为耕地、林地、草地、水域、未利用地和建设用地这6类, 所有空间数据的投影均采用CGCS2000_3_Degree_GK_Zone_36, 分辨率为30 m.
|
表 1 数据来源 Table 1 Introduction of data sources |
1.3 研究方法 1.3.1 土地利用碳收支核算
通过IPCC清单法和碳吸收系数法测算土地利用碳排放和碳吸收量, 土地利用净碳排放量等于土地利用碳排放量与碳吸收量的差值（土地利用碳排放量为正, 碳吸收量为负）[7].
|
(1) |
式中, C表示土地利用净碳排放量（104 t）, Ce和Cl分别表示某地区的土地利用碳排放量和碳吸收量（104 t）.
1.3.2 土地利用碳收支基尼系数测算方法本研究采用Dagum基尼系数（Gini coefficient）来表示某指标的区域差异及均衡程度[42, 43]. 具体公式如下：
|
(2) |
式中, xi和xj分别表示区域i和区域j的某一指标；x表示研究区内全部区县净碳排放的平均值；n表示县域单元像本总数, 即n = 21. 取值区间为[0, 1], 数值越大, 表明区域差异程度越大. [0, 0.2）表示高度平均或绝对平均；[0.2, 0.3）表示相对平均；[0.3, 0.4）表示比较合理；[0.4, 0.5）表示差异偏大；[0.5, 1）表示高度不平均.
1.3.3 土地利用碳收支空间关联网络模型引力模型是演化自万有引力模型, 主要应用于社会科学研究, 运用引力模型, 可以更好地反映区域间的净碳排放间的相互作用, 深入刻画各区域间的净碳排放关联关系[44~46]. 具体公式如下：
|
(3) |
|
(4) |
式中, F表示两个物体之间的引力, G表示万有引力常数, M表示物体1的质量, m表示物体2的质量, r表示质心间的距离. Fij表示区域i和区域j之间的引力, K表示引力常数, 取值为1, Qi表示区域i的净碳排放量；Qj表示区域j的净碳排放量；Dij表示两区域质心之间的距离, r为引力衰减指数, 取值为2.
由公式（5）计算出区域间碳收支的关联矩阵. 为了便于碳收支网络特征的分析, 本文将碳收支关联矩阵转化为二值矩阵I, 以2000年净碳排放关联强度平均值（0.58）作为阈值, 高于阈值的赋值为1, 表示两个城市间存在碳收支关联关系；低于阈值的赋值为0, 表示两个城市间不存在碳收支关联关系[35], 如公式（5）所示：
|
(5) |
本研究将重庆主城都市区的碳收支关联关系视为一个空间网络系统, 各个区县作为网络节点, 区县间的碳收支关联关系为节点与节点之间的连线, 在网络构建的基础上, 进行整体网络结构特征和个体网络结构特征的分析, 同时进行核心-边缘结构的构建.
（1）整体网络结构特征 本研究采用网络密度（density）、网络效率（efficiency）、网络关联度（connectedness）和网络关系数这4个指标来分析重庆主城都市区的土地利用碳收支的整体网络关联程度[6, 28, 36].
网络效率指的是碳收支空间关联网络关联关系中存在一定程度的冗余程度[24]. 具体公式如下：
|
(6) |
式中, E表示网络效率, k和max（k）分别表示对称可达点对数及最大对称可达点对数（个）.
网络关联度指的是碳收支网络的稳健性, 强度网络内不可达点对数对空间网络的影响, 当网络关联度为1时, 空间关联网络内所有节点均可产生空间关联[28], 具体公式如下：
|
(7) |
式中, C表示网络关联度, V表示网络内部不可达点数, N表示区县数量（个）.
网络关系数反映的空间关联网络中各节点形成的网络关系数, 关系数越多, 网络密度越高[6], 而网络密度反映的是碳收支空间关联网络的紧密程度, 密度越大, 区域间的净碳排放关联性越强[36], 具体公式如下：
|
(8) |
式中, D表示网络密度, L表示实际关联关系数, N表示区县数量（个）.
（2）个体网络结构特征 本研究采用度数中心度、中介中心度和接近中心度对空间关联网络个体特征进行反映.
度数中心度反映一个城市在空间关联网络中的地位, 度数中心度越大, 越接近空间关联网络的中心位置, 说明城市在整体网络中愈发充当中心行动者的角色, 影响较大[24, 31]. 具体公式如下：
|
(9) |
式中, CRD表示度数中心度, n表示网络中与某特定节点相连的其他节点的数目（个）, N表示区县数量（个）.
中介中心度反映节点在空间关联网络中的中介作用, 中介中心度越高, 该城市对其他城市的碳收支调节作用越强[24]. 具体公式如下：
|
(10) |
式中, CRB表示中介中心度, dij表示区域i与区域j之间的捷径距离, N表示区县数量（个）.
接近中心度指的是网络中某一城市不受其他城市“控制”的能力, 值越高, 表明其在网络中与其他城市更容易传递信息和资源等要素的流动. 在网络中, 接近中心度刻画的是城市与城市之间最短路径距离, 度数中心度是测算城市与其他城市直接连接的路径数量[24], 具体公式如下：
|
(11) |
式中, CAP表示接近中心度, bjk（i）= gjk（i）/gjk, 表示经过节点i并且连接节点j与成员k的捷径数gjk（i）与两节点之间捷径总数gjk之比.
（3）“核心-边缘”分析 “核心-边缘”理论最初由弗里德曼首次提出, 是由核心区和边缘区共同组成的空间系统[47]. “核心-边缘”结构[48]是中心紧密相连, 外围疏散的城市间相互联系形成的特殊结构[49]. 其能够反映在多维要素流动作用下, 不同节点城市在不同网络中的中心性, 可以将区域划分为核心行动者和边缘行动者, 关系密切的核心行动者构成有凝聚力的子群体, 边缘行动者之间的关系是松散的, 反映各城市在网络中的地位[36, 50].
2 结果与分析 2.1 土地利用碳收支时空变化分析根据公式（1）计算得到2000~2020年重庆主城都市区的21个区县（市和区）的净碳排放量, 通过归一化和自然断点法, 将研究区分为高净碳排放区（0.65~1）、较高净碳排放区（0.36~0.65）和低净碳排放区（0.00~0.36）.
从表 2和图 2可以看出, 研究区20年间的土地利用净碳排放量总体呈上升趋势, 且呈“V”字型；空间分布上, 呈现“南北高, 东西较高, 中部低”的特征. 2000~2020年, 研究区土地利用净碳排放量上升了645.28×104t, 年均增长率为2.83%, 其中, 2000~2010年, 都市区的净碳排放增长幅度较大, 年均增长率为4.72%, 2010~2020年, 都市区的净碳排放量总体上升, 但年均增长率有所降低, 为0.98%, 其变化的主要原因是前期都市区的城市扩张等侵占了碳汇空间, 2014年后, 重庆正式启动碳排放权交易工作, 加大对碳排放的控制, 降低了碳排放量, 同时研究区土地利用净碳排放的空间分布格局与区域发展政策和能源使用等密切相关, 值得关注的是研究区高净碳排放区规模逐渐扩大, 特别是永川区、渝北区和大足区等, 相继转变为高净碳排放区.
|
|
表 2 2000~2020年重庆主城都市区土地利用净碳排放量1） Table 2 Net carbon emissions from land use in Chongqing metropolitan area from 2000 to 2020 |
|
图 2 重庆主城都市区土地利用净碳排放量空间分布 Fig. 2 Spatial distribution of net carbon emissions from land use in Chongqing metropolitan area |
通过公式（2）, 得到重庆市主城都市区的各个主体功能区的净碳排放量基尼系数结果.
2000~2020年间, 重庆主城都市区的总体基尼系数呈下降趋势[图 3（a）], 不同类型区的组内基尼系数变化差异明显[图 3（c）], 其组内基尼系数整体呈下降趋势[图 3（d）]. 总体基尼系数降低11.42%, 区内净碳排放差异由相对平均演变为高度平均, 由于重庆主城都市区以整体打造推进成渝地区双城经济圈建设, 促进都市区间的净碳排放空间差异缩小, 趋向均衡. 但是在此过程中, 不同功能区变化有明显的差异, 重点开发区组内各趋向差异呈上升趋势, 而重点功能区组内各区县差异呈下降趋势, 农产品主产区组内各区县差异相对稳定；不同类型间的基尼系数均呈下降趋势, 整体呈现碳收支的均衡下降, 主要是重点开发区注重于城市化发展, 导致碳排放增加, 而拉大区县碳收支差异；而以保护为主的重点生态功能区和农产品主产区由于政策和技术等原因, 使得区内碳吸收增加, 从而缩小区域碳收支差异. 在实施节能减排等政策后, 各主体功能区间的碳收支关系具有协调性, 各功能区产业变化呈现较好的一致性.
|
图 3 重庆主城都市区主体功能区Dagum基尼系数变动情况 Fig. 3 Changes in Gini coefficient in main functional areas of Chongqing metropolitan area |
基于公式（4）, 利用ArcGIS和Excel得到重庆主城都市区土地利用净碳排放的空间关联关系网络（图 4）, 通过自然断点法, 分级为一级、二级、三级和四级, 分级级数越高, 代表区域间的土地利用净碳排放引力越大.
|
图 4 重庆主城都市区土地利用净碳排放空间关联网络 Fig. 4 Spatial correlation network of net carbon emissions from land use in Chongqing metropolitan area |
2000~2020年间, 重庆主城都市区的土地利用碳收支空间关联网络结构由松散的“多核心”结构演变为“中心团”结构. 2000年, 重庆主城都市区的净碳排放空间关联关系中, 形成以中心城区为主要核心, 周边区县为次级中心区的相对松散的网络结构, 与本世纪初重庆市的社会经济发展的中心城区为引领, 周边区县为中心进行扩散的社会经济发展形态相一致；到2020年, 都市区的土地利用净碳排放空间关联程度逐渐加强, 由最初的多个核心转变为“中心团”核心, 这表明重庆市主城都市区内各区域的土地利用净碳排放存在普遍的空间溢出关系, 且关系不断加强. 值得注意的是, 2020年都市区的净碳排放空间关联主要集中在中心城区, 周边区县的净碳排放空间关联程度较弱, 主要原因是中心城区的发展迅速, 经济联系紧密, 交通相对便捷, 净碳排放的空间关联程度较强.
2.3.1 土地利用碳收支的整体网络结构演变分析基于公式（6）~（8）, 通过Ucinet得到研究区21个城市间的净碳排空间整体网络结构.
从图 5可以看出, 2000~2020年间, 重庆主城都市区的土地利用碳收支的整体网络结构趋于复杂和稳定, 其网络关系数越来越多, 网络密度逐年增大. 20年间, 研究区的网络密度和网络关系数的提升幅度较大, 均呈上升趋势, 网络密度上升了0.43, 网络关联数提升了180个, 空间关联性和网络紧密性越来越强, 主要是因为研究区内的净碳排放领域合作加强, 空间相互作用得到强化. 由于网络冗余路径减少, 总体下降了0.35, 网络健康度得到提升；同时, 网络关联度在2005~2010年间直线提升, 主要是因为在这期间, 重庆主城都市区发展迅速, 交通便捷促进了区域间技术、能源和人口的流通, 使得空间网络稳定性得到加强, 同时, 成渝地区双城经济圈建设和乡村振兴等措施促进区域间的碳减排合作, 研究区的经济水平提升, 能源结构优化, 区县间相互加强, 空间关联性加强, 整体网络更加稳健.
|
图 5 2000~2020年重庆主城都市区净碳排放整体关联网络结构变化 Fig. 5 Changes in the overall network structure of net carbon emissions in Chongqing metropolitan area from 2000 to 2020 |
通过公式（9）~（11）计算, 并对重庆主城都市区的网络中心性进行分析（表 3）, 以揭示重庆主城都市区内各区县在净碳排放空间关联网络中的地位和作用.
|
|
表 3 2000~2020年重庆主城都市区净碳排放中心性分析结果 Table 3 Analysis of net carbon emission centrality in Chongqing metropolitan area from 2000 to 2020 |
（1）度数中心度 2000~2020年间, 重庆主城都市区各区县的度数中心度均大幅度增加, 表明各区县在净碳排放空间关联网络中的地位和作用增强, 特别是中心城区的影响力上升显著, 在整个净碳排放网络中担当中心行动者的角色（表 3）. 20年间, 以中心城区为主的度数中心度总体增加了81, 主要是中心城区经济基础稳固, 发展水平高, 地理位置上具有优越性, 在净碳排放空间关联网络中促进中心团结构的形成, 对周边区县的影响较大；而随着经济向高质量方向转变, 非中心城区的区县在净碳排放空间关联网络中的中心性也有所提升, 但中心度仍低于中心城区的区县. 值得注意的是, 江津区、合川区和涪陵区的度数中心度变化较显著, 上升幅度为10, 向中心城区地位逼近, 主要是随着成渝地区双城经济圈的加快建设, 对非中心城区的发展提供了机会, 而这3个区县经济基础相对较好, 在净碳排放网络结构的地位提升较快.
（2）中介中心度 20年间, 重庆主城都市区的中心城区中介中心度值总体大幅度降低, 单一区县对其他区县的净碳排放调节和“桥梁”作用减弱, 重庆主城都市区作为整体发挥作用, 区县间由相互影响转为互相配合的角色（表 3）. 2000~2020年间, 中心城区的中介中心值总体减弱71.85, 但仍比非中心城区高出18.53, 渝北区的中介中心度值下降最大, 总体降低了29.78, 表明中心城区单一区县对全区域的净碳排放的独立调节作用逐渐减弱, 更多地表现为区域整体调节作用. 值得注意的是, 中心城区中, 大渡口区的中介中心度始终为0, 对周边区县的净碳排放调节作用不明显, 主要是大渡口区的重要支柱企业搬迁后, 该区对周边的调节作用不明显；而非中心城区中, 南川区和长寿区的中介中心度值均为0, 主要原因是这两个区县地理位置较远, 位于网络的边缘, 无法有效地影响其他区县的土地利用碳排放.
（3）接近中心度 2000~2020年间, 重庆主城都市区各区县的接近中心度总体呈下降趋势, 各个区域间的受控制作用下降, 协调配合能力增强, “中心行动者”的能力显现, 区域一体化特征突出. 2000~2020年间, 中心城区的接近中心度值总体下降了283, 非中心城区下降了412. 在中心城区中, 大渡口区的接近中心度值下降最多, 下降了35, 而非中心城区中, 接近中心度值下降最多的为长寿区, 下降了38. 主要是重庆主城都市区注重城乡融合发展, 逐渐形成区域发展一体化格局, 共同应对减碳, 其中大渡口区的工业向外搬迁, 对其经济影响大. 值得注意的是, 在非中心城区中, 南川区的接近中心度值下降了25, 表明南川区受其他区县控制的作用减弱, 主要是南川区积极融入到成渝地区双城经济圈和主城都市区的建设中, 积极发展区内工业、产业和旅游业等, 促进经济上升, 对净碳排放的控制能力加强.
2.4 土地利用碳收支的核心-边缘密度演变分析基于核心-边缘结构, 通过Usenet和ArcGIS得到重庆主城都市区的核心-边缘密度结果.
2000~2020年间, 重庆主城都市区的净碳排放联系的紧密程度整体上升, 核心区中的中心城区和非中心城区关系加强（表 4）. 20年间, 重庆主城都市区的净碳排放核心区密度增加了0.35, 核心区-边缘区的密度增加了0.34, 随着城乡发展逐渐融合, 重庆主城都市区的各个区县均参与到碳排放治理中. 重庆主城都市区的净碳排放边缘区密度总体下降, 且逐渐向核心区转变, 表明都市区的净碳排放空间关联关系逐渐向高度一体化发展, 空间分布整体呈现的“大集聚, 小集聚”的特征（图 6）. 值得注意的是, 2000~2020年间, 涪陵区和潼南区由边缘区转变为核心区, 密度分别提升了0.13和0.08, 在净碳排放空间关联网络中, 这两个区县在净碳排放空间关联网络中的作用增强, 能够协助都市区减少碳排放量, 增强碳汇量, 南川区、荣昌区和长寿区等区县仍然为边缘区, 主要受地理位置和区县经济结构影响.
|
|
表 4 2000~2020年重庆主城都市区净碳排放核心-边缘密度矩阵 Table 4 Core-edge density matrix of net carbon emission in the Chongqing metropolitan area from 2000 to 2020 |
|
图 6 重庆主城都市区核心-边缘结构分布 Fig. 6 Core-periphery structure distribution of Chongqing metropolitan area |
本研究尝试探究了重庆主城都市区的土地利用碳收支时空变化情况, 并通过基尼系数、引力模型、社会网络分析, 对重庆主城都市区的土地利用碳收支空间关联网络的时空演变情况进行了研究, 对实现重庆主城都市区的可持续发展具有重要意义, 但仍然存在部分问题, 具体如下.
（1）在研究可行性方面, 已有学者针对不同对象的空间关联网络演变进行了大量研究, 吉雪强等[6]、张明斗等[24]、黄冬春等[32]和郑航等[51]针对碳排放、水资源利用效率和生态效率等开展研究, 本研究探索重庆主城都市区的土地利用碳收支的空间关联网络演变问题具有可行性；在研究方法可行性上, 参考李璐等[7]和向书江等[52]的研究, 本文采用IPCC清单法和土地利用碳排放系数法进行碳排放和碳吸收量的计算, 进一步测算土地利用碳收支量具有可行性, 而基于土地利用碳收支进行空间差异状况的研究主要用到了基尼系数、引力模型和社会网络分析法, 具有一定的创新性和可行性.
（2）从研究结果来看, 重庆主城都市区的土地利用碳收支空间关联关系在加强, 王晓平等[35]的研究表明, 重庆的碳排放关联关系越来越紧密. 向书江等[53]的研究发现重庆市主城九区的建设用地规模集聚增加, 这与本研究的碳收支量上升的结果相互支持. 楚英豪等[54]的研究发现, 2011~2020年间, 重庆市的碳排放总量随着能源消费总量的提升而上升, 但碳排放强度放缓, 而重庆市的生态环境局发布的《重庆市应对气候变化白皮书（2020年）》中提到, 相比2015年, 重庆市2020年碳排放强度下降超过22%, 而吴一帆等[55]对长江经济带的二氧化碳净排放的研究中发现重庆属于净碳排放区域. 在本次研究中, 碳收支总量总体上升, 表明在都市区内, 仍然需要以降低碳排放量, 保护碳汇资源为目标. 欧名豪等[56]的研究结果发现2020年, 重庆市城市的整体协调发展水平逐渐提升为高水平, 何红等[57]的研究也发现, 2010~2020年间, 重庆中心城区的经济度数中心度位于成渝地区双城经济圈第一, 中心地位作用总体提升. 康宽等[58]的研究发现, 长江上游城市的碳足迹总体基尼系数和组内基尼系数均呈下降趋势, 逐渐趋于均衡, 这和本研究基尼系数部分的变化趋势较为一致, 这三项研究结果均可支持本研究的结果, 重庆主城都市区的净碳排放空间关联网络结构的稳定性、紧密性和健康性提高, 而各个区县间相互配合, 共同参与到减碳工作中, 一体化程度突显. 从Zhao等[50]的研究结果可知, 成渝城市群的碳排放核心区范围不断扩大, 而边缘区域逐渐减少, 这和本研究的重庆主城都市区的核心-边缘结构变化规律一致.
（3）本研究存有几处不足之处, 由于数据的可获取性, 大部分数据均来自2000、2005、2010、2015和2020年的《重庆市统计年鉴》《中国能源统计年鉴》《中国城市统计年鉴》等. 本研究时间年限为2000~2020年, 无法开展近2年的研究, 未来需要考虑通过遥感或新的模型测算土地利用碳收支；针对引力模型的选取, 大部分文献均选择了改进的引力模型进行研究, 相比于原始引力模型, 改进引力模型的结果更能够准确反映土地利用碳收支在空间上的相互作用；在研究尺度的选择方面, 本研究仅针对重庆主城都市区自身以及区县级展开了研究, 未来可选择城市群尺度和乡镇尺度；在理论研究方面, 未来可构建区域空间关联网络的演变理论框架, 为区域空间关联演变研究和实际的国土空间规划等提供支撑.
4 结论（1）重庆主城都市区的土地利用净碳排放呈“南北高, 东西较高, 中部低”的特征, 上升趋势明显, 高净碳排放区规模逐渐扩大.
（2）重庆主城都市区的净碳排放的总体空间差异趋向均衡, 但以开发为主的重点开发区的组内基尼系数逐渐增大, 空间差异明显大于重点生态功能区和传统农产品区. 从组间基尼系数结果看, 农产品主产区、重点生态功能区和重点开发区三者的净碳排放空间差异在缩小, 各个区县的净碳排放空间关系协调性增强.
（3）2000~2020年间, 重庆主城都市区的土地利用碳收支空间关联网络结构由“多核心”结构演变为“中心团”结构, 整体网络结构变复杂且更加稳健, 空间关联紧密度增强.
（4）在净碳排放个体空间关联网络中, 重庆主城都市区的各个区县均能够发挥重要作用, 随着“双碳”目标的提出, 都市区的各个区县由相互影响转为相互配合, 共同治理生态环境, 一体化程度加强, “中心行动者”的能力显现.
（5）重庆主城都市区的净碳排放的核心-边缘密度的空间分布整体呈现的“大集聚, 小集聚”的特征, 边缘区逐渐向核心区转变, 规模不断扩大, 但边缘区内部的密度减小, 有部分区县常年处于边缘区.
| [1] |
冯薇, 赵荣钦, 谢志祥, 等. 碳中和目标下土地利用碳排放效率及其时空格局——以黄河流域72个地级市为例[J]. 中国土地科学, 2023, 37(1): 102-113. Feng W, Zhao R Q, Xie Z X, et al. Land use carbon emission efficiency and its spatial-temporal pattern under carbon neutral target: a case study of 72 cities in the Yellow River Basin[J]. China Land Science, 2023, 37(1): 102-113. |
| [2] |
孔凡斌, 曹露丹, 徐彩瑶. 县域碳收支核算与碳综合补偿类型分区——以钱塘江流域为例[J]. 经济地理, 2023, 43(3): 150-161. Kong F B, Cao L D, Xu C Y. Measurement of carbon budget and type partition of carbon comprehensive compensation in the Qiantang River Basin[J]. Economic Geography, 2023, 43(3): 150-161. |
| [3] |
李缘缘, 魏伟, 周俊菊, 等. 中国土地利用碳排放变化及协调分区[J]. 环境科学, 2023, 44(3): 1267-1276. Li Y Y, Wei W, Zhou J J, et al. Changes in land use carbon emissions and coordinated zoning in China[J]. Environmental Science, 2023, 44(3): 1267-1276. DOI:10.3969/j.issn.1000-6923.2023.03.028 |
| [4] |
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. |
| [5] |
刘贤赵, 李阳. 县域尺度下长株潭地区城市化与碳排放的关系[J]. 环境科学, 2023, 44(12): 6664-6679. Liu X Z, Li Y. Relationship between urbanization and carbon emissions in the Chang-Zhu-Tan region at the county level[J]. Environmental Science, 2023, 44(12): 6664-6679. |
| [6] |
吉雪强, 刘慧敏, 张跃松. 中国省际土地利用碳排放空间关联网络结构演化及驱动因素[J]. 经济地理, 2023, 43(2): 190-200. Ji X Q, Liu H M, Zhang Y S. Spatiotemporal evolution and driving factors of spatial correlation network structure of China's land-use carbon emission[J]. Economic Geography, 2023, 43(2): 190-200. |
| [7] |
李璐, 夏秋月, 董捷, 等. 武汉城市圈县域空间横向碳生态补偿研究——基于土地利用碳收支差异[J]. 生态学报, 2023, 43(7): 2627-2639. Li L, Xia Q Y, Dong J, et al. County-level carbon ecological compensation of Wuhan urban agglomeration under carbon neutrality target: based on the difference in land use carbon budget[J]. Acta Ecologica Sinica, 2023, 43(7): 2627-2639. |
| [8] |
刘华军, 贾文星. 中国区域经济增长的空间网络关联及收敛性检验[J]. 地理科学, 2019, 39(5): 726-733. Liu H J, Jia W X. Spatial network correlation and convergence test of regional economic growth in China[J]. Scientia Geographica Sinica, 2019, 39(5): 726-733. |
| [9] |
方大春, 王琳琳. 我国碳排放空间关联的网络特征及其影响因素研究[J]. 长江流域资源与环境, 2023, 32(3): 571-581. Fang D C, Wang L L. Network characteristics and influencing factors of spatial correlation of carbon emissions in China[J]. Resources and Environment in the Yangtze Basin, 2023, 32(3): 571-581. |
| [10] |
廖祥, 杨鑫, 牛振生. 成渝城市群陆地碳排放时空变化及效应研究[J]. 环境科学与技术, 2023, 46(1): 211-225. Liao X, Yang X, Niu Z S. Spatio-temporal changes and effects on terrestrial carbon emission in Chengdu-Chongqing urban agglomeration[J]. Environmental Science & Technology, 2023, 46(1): 211-225. |
| [11] |
王争光. 京津冀地区土地利用碳中和及国土空间优化研究[D]. 石家庄: 河北地质大学, 2022. Wang Z G. Study on carbon neutral land use and land space optimization in Beijing-Tianjin-Hebei region[D]. Shijiazhuang: Hebei GEO University, 2022. |
| [12] | Chen J D, Gao M, Cheng S L, et al. County-level CO2 emissions and sequestration in China during 1997-2017[J]. Scientific Data, 2020, 7(1): 391. DOI:10.1038/s41597-020-00736-3 |
| [13] |
孟士婷, 黄庆旭, 何春阳, 等. 区域碳固持服务供需关系动态分析——以北京为例[J]. 自然资源学报, 2018, 33(7): 1191-1203. Meng S T, Huang Q X, He C Y, et al. Mapping the changes in supply and demand of carbon sequestration service: a case study in Beijing[J]. Journal of Natural Resources, 2018, 33(7): 1191-1203. |
| [14] | Wang S Y, Zhang Y X, Yao X R. Research on spatial unbalance and influencing factors of ecological well-being performance in China[J]. International Journal of Environmental Research and Public Health, 2021, 18(17). DOI:10.3390/ijerph18179299 |
| [15] | Wang R, Feng Y. Research on China's ecological welfare performance evaluation and improvement path from the perspective of high-quality development[J]. Mathematical Problems in Engineering, 2020, 2020. DOI:10.1155/2020/5476089 |
| [16] |
孟雪, 狄乾斌, 季建文. 京津冀城市群生态绩效水平测度及影响因素[J]. 经济地理, 2020, 40(1): 181-186, 225. Meng X, Di Q B, JI J W. Measurement on the level of the urban ecological performance and analysis of influential factors in Beijing-Tianjin-Hebei urban agglomeration[J]. Economic Geography, 2020, 40(1): 181-186, 225. |
| [17] | 林木西, 耿蕊, 李国柱. 省域生态福利绩效水平的空间非均衡性研究——基于MLD指数与分布动态学模型[J]. 东岳论丛, 2019, 40(10): 73-83. |
| [18] | 胡美娟. 综合福利视角下城市生态福利绩效演化过程、机制与路径优化[D]. 南京: 南京师范大学, 2020. |
| [19] |
李成宇, 张士强, 张伟, 等. 中国省际生态福利绩效测算及影响因素研究[J]. 地理科学, 2019, 39(12): 1875-1883. Li C Y, Zhang S Q, Zhang W, et al. Measurement and influencing factors of inter-provincial ecological well-being performance in China[J]. Scientia Geographica Sinica, 2019, 39(12): 1875-1883. |
| [20] |
邓远建, 杨旭, 陈光炬, 等. 中国生态福利绩效水平的空间非均衡及动态演进[J]. 中国地质大学学报(社会科学版), 2020, 20(4): 115-127. Deng Y J, Yang X, Chen G J, et al. Spatial unbalanced and dynamic evolution of China's ecological welfare performance level[J]. Journal of China University of Geosciences (Social Sciences Edition), 2020, 20(4): 115-127. |
| [21] | Hu M J, Sarwar S, Li Z J. Spatio-temporal differentiation mode and threshold effect of Yangtze River Delta urban ecological well-being performance based on network DEA[J]. Sustainability, 2021, 13(8). DOI:10.3390/su13084550 |
| [22] |
杜慧彬, 黄立军, 张辰, 等. 中国省级生态福利绩效区域差异性分解和收敛性研究[J]. 生态经济, 2019, 35(3): 187-193. Du H B, Huang L J, Zhang C, et al. Research on the regional differences decomposition and convergence mechanism of ecological well-being performance[J]. Ecological Economy, 2019, 35(3): 187-193. |
| [23] | Yao L, Yu Z N, Wu M Y, et al. The spatiotemporal evolution and trend prediction of ecological wellbeing performance in China[J]. Land, 2020, 10(1). DOI:10.3390/land10010012 |
| [24] |
张明斗, 翁爱华. 长江经济带城市水资源利用效率的空间关联网络及形成机制[J]. 地理学报, 2022, 77(9): 2353-2373. Zhang M D, Weng A H. Spatial correlation network and its formation mechanism of urban water utilization efficiency in the Yangtze River Economic Belt[J]. Acta Geographica Sinica, 2022, 77(9): 2353-2373. |
| [25] |
张明斗, 张震. 长三角城市群城市经济韧性的空间关联网络研究[J]. 地理与地理信息科学, 2023, 39(1): 69-79. Zhang M D, Zhang Z. Spatial correlation network of urban economic resilience in the Yangtze River Delta urban agglomeration[J]. Geography and Geo-Information Science, 2023, 39(1): 69-79. DOI:10.3969/j.issn.1672-0504.2023.01.010 |
| [26] |
赵林, 曹乃刚, 韩增林, 等. 中国生态福利绩效空间关联网络演变特征与形成机制[J]. 自然资源学报, 2022, 37(12): 3183-3200. Zhao L, Cao N G, Han Z L, et al. Evolution characteristics and formation mechanism of spatial correlation network of ecological well-being performance in China[J]. Journal of Natural Resources, 2022, 37(12): 3183-3200. |
| [27] |
冯颖, 侯孟阳, 姚顺波. 中国粮食生产空间关联网络的结构特征及其形成机制[J]. 地理学报, 2020, 75(11): 2380-2395. Feng Y, Hou M Y, Yao S B. Structural characteristics and formation mechanism of spatial correlation network of grain production in China[J]. Acta Geographica Sinica, 2020, 75(11): 2380-2395. DOI:10.11821/dlxb202011008 |
| [28] |
吉雪强, 张跃松. 长江经济带种植业碳排放效率空间关联网络结构及动因[J]. 自然资源学报, 2023, 38(3): 675-693. Ji X Q, Zhang Y S. Spatial correlation network structure and motivation of carbon emission efficiency in planting industry in the Yangtze River Economic Belt[J]. Journal of Natural Resources, 2023, 38(3): 675-693. |
| [29] |
刘华军, 刘传明, 孙亚男. 中国能源消费的空间关联网络结构特征及其效应研究[J]. 中国工业经济, 2015(5): 83-95. Liu H J, Liu C M, Sun Y N. Spatial correlation network structure of energy consumption and its effect in China[J]. China Industrial Economics, 2015(5): 83-95. |
| [30] | Oliveira M, Gama J. An overview of social network analysis[J]. WIREs: Data Mining and Knowledge Discovery, 2012, 2(2): 99-115. DOI:10.1002/widm.1048 |
| [31] |
蔡秀亭, 吕洁华, 王成齐. 中国森林生态安全空间关联的网络特征及其驱动机制[J]. 自然资源学报, 2022, 37(8): 2137-2152. Cai X T, Lyu J H, Wang C Q. The network characteristics and driving mechanism of the spatial correlation of forest ecological security in China[J]. Journal of Natural Resources, 2022, 37(8): 2137-2152. |
| [32] |
黄冬春, 王兆峰. 长江中游城市群旅游生态效率空间网络结构演变及其效应[J]. 长江流域资源与环境, 2023, 32(11): 2326-2337. Huang D C, Wang Z F. Evolution of spatial network structure of tourism eco-efficiency and its effect of urban agglomeration in the middle reaches of Yangtze River[J]. Resources and Environment in the Yangtze Basin, 2023, 32(11): 2326-2337. |
| [33] |
王纪凯, 张峰, 油建盛, 等. 黄河流域工业绿色水资源效率空间网络关联特征[J]. 地理科学, 2023, 43(6): 1032-1042. Wang J K, Zhang F, You J S, et al. Correlation characteristics of spatial network of industrial green water resources efficiency in the Yellow River Basin[J]. Scientia Geographica Sinica, 2023, 43(6): 1032-1042. |
| [34] |
邹晴晴, 王勇, 李广斌. 基于SNA的新型集中社区公共空间网络结构优化[J]. 地理科学进展, 2016, 35(7): 829-838. Zou Q Q, Wang Y, Li G B. Network structure optimization of public space in new concentrated communities based on SNA[J]. Progress in Geography, 2016, 35(7): 829-838. |
| [35] |
王晓平, 冯庆, 宋金昭. 成渝城市群碳排放空间关联结构演化及影响因素[J]. 中国环境科学, 2020, 40(9): 4123-4134. Wang X P, Feng Q, Song J Z. The spatial association structure evolution of carbon emissions in Chengdu-Chongqing urban agglomeration and its influence mechanism[J]. China Environmental Science, 2020, 40(9): 4123-4134. DOI:10.3969/j.issn.1000-6923.2020.09.045 |
| [36] |
滕堂伟, 潘雅君, 王胜鹏, 等. 长三角地区城市绿色创新效率网络空间结构演化及影响因素[J]. 长江流域资源与环境, 2023, 32(7): 1335-1348. Teng T W, Pan Y J, Wang S P, et al. Evolution and driving factors of spatial network structure of green innovation efficiency in Yangtze River Delta[J]. Resources and Environment in the Yangtze Basin, 2023, 32(7): 1335-1348. |
| [37] |
汪永生. 中国海洋经济韧性发展的空间网络结构研究[J]. 地域研究与开发, 2023, 42(3): 7-12. Wang Y S. Development and spatial structure of China's marine economic resilience[J]. Areal Research and Development, 2023, 42(3): 7-12. |
| [38] |
夏美君, 李健, 闫永蚕. 京津冀城市群生态福利绩效时空格局及演进特征[J]. 生态环境学报, 2023, 32(4): 814-824. Xia M J, Li J, Yan Y C. Spatial-temporal patterns and evolution characteristics of ecological well-being performance in Beijing-Tianjin-Hebei urban agglomeration[J]. Ecology and Environmental Sciences, 2023, 32(4): 814-824. |
| [39] |
郑航, 叶阿忠. 空间关联网络结构特征的减排效应: 基于城市群视角[J]. 环境科学, 2022, 43(10): 4401-4407. Zheng H, Ye A Z. Carbon emission reduction effect of spatial correlation network structure characteristics: from the perspective of urban agglomeration[J]. Environmental Science, 2022, 43(10): 4401-4407. |
| [40] |
李德立, 邵驿童, 周丹, 等. 基于社会网络方法的中国森林公园旅游效率空间结构特征分析[J]. 世界林业研究, 2021, 34(5): 116-122. Li D L, Shao Y T, Zhou D, et al. Spatial structure of forest park tourism efficiency in China based on social network analysis[J]. World Forestry Research, 2021, 34(5): 116-122. |
| [41] | Yang J, Huang X. The 30 m annual land cover dataset and its dynamics in China from 1990 to 2019[J]. Earth System Science Data, 2021, 13(8): 3907-3925. DOI:10.5194/essd-13-3907-2021 |
| [42] |
张金萍, 秦耀辰, 张丽君, 等. 黄河下游沿岸地市CO2排放的时空分异[J]. 地理研究, 2012, 31(12): 2229-2239. Zhang J P, Qin Y C, Zhang L J, et al. The spatio-temporal differentiation of CO2 emissions in cities along the lower Yellow River[J]. Geographical Research, 2012, 31(12): 2229-2239. |
| [43] |
张卓群, 张涛, 冯冬发. 中国碳排放强度的区域差异、动态演进及收敛性研究[J]. 数量经济技术经济研究, 2022, 39(4): 67-87. Zhang Z Q, Zhang T, Feng D F. Study on regional differences, dynamic evolution and convergence of carbon emission intensity in China[J]. The Journal of Quantitative & Technical Economics, 2022, 39(4): 67-87. |
| [44] |
朱永明, 贾宗雅. 城市经济高质量发展的空间联系及其特征研究——以中原城市群为例[J]. 生态经济, 2022, 38(12): 82-88. Zhu Y M, Jia Z Y. Research on the spatial connections and characteristics of high-quality economic development of cities: a case study of the central plains urban agglomeration[J]. Ecological Economy, 2022, 38(12): 82-88. |
| [45] |
常建波, 付兴涛, 郑美君, 等. 能源消耗碳排放的时空演变与预测: 基于山西省夜间灯光数据[J]. 环境科学与技术, 2023, 46(3): 81-89. Chang J B, Fu X T, Zheng M J, et al. Temporal and spatial evolution and prediction of energy consumption carbon emissions based on night light data in Shanxi Province[J]. Environmental Science & Technology, 2023, 46(3): 81-89. |
| [46] |
涂建军, 徐桂萍, 姜莉, 等. 成渝地区双城经济圈流空间网络特征[J]. 西南大学学报(自然科学版), 2022, 44(1): 12-23. Tu J J, Xu G P, Jiang L, et al. Characteristics of flow spatial network in the Chengdu-Chongqing economic circle[J]. Journal of Southwest University (Natural Science Edition), 2022, 44(1): 12-23. |
| [47] |
郭文炯. "资源诅咒"的空间结构解析: 核心边缘理论视角[J]. 经济地理, 2014, 34(3): 17-23. Guo W J. Analysis of the spatial structure of "resource curse": based on the core-periphery theory[J]. Economic Geography, 2014, 34(3): 17-23. |
| [48] | Wang Z S, Xie W C, Zhang C Y. Towards COP26 targets: characteristics and influencing factors of spatial correlation network structure on U.S. carbon emission[J]. Resources Policy, 2023, 81. DOI:10.1016/j.resourpol.2022.103285 |
| [49] | Xing M L, Liu X J, Luo F Z. How does the development of urban agglomeration affect the electricity efficiency of resource-based cities?—An empirical research based on the fsQCA method[J]. Socio-Economic Planning Sciences, 2023, 86. DOI:10.1016/j.seps.2022.101479 |
| [50] | Zhao F F, Qian S, Zhao X. Collaborative governance of carbon reduction in urban agglomerations in the China Yangtze River Economic Belt based on a spatial association network[J]. Ecological Indicators, 2023, 154. DOI:10.1016/j.ecolind.2023.110663 |
| [51] |
郑航, 叶阿忠. 城市群碳排放空间关联网络结构及其影响因素[J]. 中国环境科学, 2022, 42(5): 2413-2422. Zheng H, Ye A Z. Spatial correlation network structure and influencing factors of carbon emission in urban agglomeration[J]. China Environmental Science, 2022, 42(5): 2413-2422. |
| [52] |
向书江, 杨春梅, 谢雨琦, 等. 近20年重庆市主城区碳排放的时空动态演进及其重心迁移[J]. 环境科学, 2023, 44(1): 560-571. Xiang S J, Yang C M, Xie Y Q, et al. Spatiotemporal dynamic evolution and gravity center migration of carbon emissions in the main urban area of Chongqing over the past 20 years[J]. Environmental Science, 2023, 44(1): 560-571. |
| [53] |
向书江, 张骞, 王丹, 等. 近20年重庆市主城区碳储量对土地利用/覆被变化的响应及脆弱性分析[J]. 自然资源学报, 2022, 37(5): 1198-1213. Xiang S J, Zhang Q, Wang D, et al. Response and vulnerability analysis of carbon storage to LUCC in the main urban area of Chongqing during 2000-2020[J]. Journal of Natural Resources, 2022, 37(5): 1198-1213. |
| [54] |
楚英豪, 李京, 王鹏, 等. 区域减污降碳协同控制研究——以重庆为例[J]. 工程科学与技术, 2024, 56(1): 183-194. Chu Y H, Li J, Wang P, et al. Research on synergistic control of regional CO2 and air pollutant emissions reduction in China: a study of Chongqing[J]. Advanced Engineering Sciences, 2024, 56(1): 183-194. |
| [55] |
吴一帆, 许杨, 唐洋博, 等. 长江经济带二氧化碳净排放时空演变特征及脱钩效应[J]. 环境科学, 2023, 44(3): 1258-1266. Wu Y F, Xu Y, Tang Y B, et al. Temporal and spatial characteristics of net CO2 emissions and decoupling analysis in Yangtze River Economic Belt[J]. Environmental Science, 2023, 44(3): 1258-1266. |
| [56] |
欧名豪, 叶欣, 吴文俊, 等. 高质量发展视角下长江经济带协调发展水平时空演变特征研究[J]. 长江流域资源与环境, 2023, 32(9): 1806-1821. Ou M H, Ye X, Wu W J, et al. Spatial-temporal evolution characteristics of coordinated development level of Yangtze River Economic Belt from perspective of high-quality development[J]. Resources and Environment in the Yangtze Basin, 2023, 32(9): 1806-1821. |
| [57] |
何红, 李孝坤, 奂璐迪, 等. 成渝双城经济圈城市经济联系网络结构演变研究[J]. 地域研究与开发, 2022, 41(4): 32-37. He H, Li X K, Huan L D, et al. Study on evolution of urban economic connection network structure in Chengdu-Chongqing twin cities economic circle[J]. Areal Research and Development, 2022, 41(4): 32-37. |
| [58] |
康宽, 陈景帅, 郭沛. "双碳"目标下长江经济带城市碳足迹压力非均衡性研究[J]. 长江流域资源与环境, 2023, 32(3): 537-547. Kang K, Chen J S, Guo P. Disequilibrium study of city carbon footprint pressure in Yangtze River Economic Belt under "dual carbon" target[J]. Resources and Environment in the Yangtze Basin, 2023, 32(3): 537-547. |