人类活动带来的CO₂排放是全球气温升高的主要原因, 同时对全球生态安全带来了不利影响^{[1 ~ 3]}.因此各国都在积极采取行动以缓解气候变化带来的负面影响, 我国也承诺力争2030年前CO₂排放达到峰值, 并在2060年前实现碳中和^{[4, 5]}.在我国行政区划的设置对社会生产方式规模、人口聚集, 以及生态环境建设等相关政策的发布与实施都有重要约束作用^[6], 进而对碳收支的时空变化特征带来影响, 因此, 在全国碳减排的目标框架下, 深入分析我国不同行政尺度下的碳收支数量和时空变化特征, 对理解我国碳排放与碳吸收的区域差异性具有重要意义, 同时也能够为我国不同区域制定减排等政策提供决策支持^[7].

碳吸收是指将游离的CO₂等温室气体固化, 并储存起来, 深度学习网络、数学模型和数据反演等是当前学术界用来估算陆地生态系统碳吸收量的主要方法, 例如, Wang等^[8]利用基于深度学习网络的农作物遥感作物分割的碳吸收量估计方法, 可在复杂农业区域具有更好的特征提取和可转移学习能力.周姝含等^[9]利用改进的CASA模型（carnegie ames stanford approach, CASA）对东北三省2000~2020年间自然碳汇进行了估算.Chen等^[10]基于粒子群优化-反向传播（PSO-BP）方法把DMSP/OLS和NPP/VIIRS两套遥感卫星数据进行校正和转换, 反演得出1997~2017年中国县级市能源相关碳排放数据和植被碳吸收量数据.何源等^[11]利用CASA模型、Raich土壤呼吸模型和Shiyomi放牧模型构建内蒙古锡林郭勒典型草原的系统动力学模型, 利用模型分析各个碳库之间的流量从而估算固碳量.

碳排放和碳吸收都是一个长期的过程, 且存在明显的区域差异性, 由于行政区域既是碳减排的执行区域, 也是碳减排的分配主体, 因此, 对于不同行政尺度下碳收支的时空变化特征的研究是当前的研究焦点.在国家尺度上, 王丽丽^[12]运用Theil指数和ESTDA框架等方法分析过去20年中国碳排放强度时空演变特征；肖英等^[13]对2005~2020年间各省能源消费的碳排放量进行核算, 得出以2015年为界, 呈先上升后下降的趋势, 并且碳排放量高的省份主要集中于东部沿海或经济发展程度较高的地区, 在空间分布上呈现“东高西低”的特征.在区域尺度上, 宋青等^[14]基于SBM模型测度长三角地区的碳排放效率, 结合探索性空间分析方法对长三角地区碳排放效率的时空特征进行探究, 结果表明碳排放效率空间差异明显, 表现出较强的正相关性；李琦^[15]采用STGCN预测模型对碳排放进行预测, 结果表明未来各省市碳排放量总体保持平稳下降态势, 增长速度持续放缓, 个别省市碳排放保持稳定；Zhou等^[16]基于IPCC国土排放核算方法, 分析研究大湾区11个城市及其周边地区的碳排放特征.在城市尺度上, 杨清可等^[17]选取LISA时空转移矩阵探究城市碳排放强度空间集聚类型的动态跃迁过程；邓玉娇等^[18]利用相关性分析和模型模拟方法, 分析广东省植被固碳量的时空分布特征及其对气象条件的响应规律；赵先超等^[19]基于碳均衡视角, 利用碳收支测算模型, 估算并模拟分析湖南省碳排放与碳吸收的时空差异.

综合来看, 国内外现有成果的研究视角, 尤其是针对我国碳收支时空格局研究多在单一尺度进行区域差异性分析^{[20 ~ 23]}, 较少关注碳收支时空格局在不同尺度下的差异性和对研究尺度变化的敏感性.此外, 在不同行政尺度下, 中国的碳收支特征存在较大差异, 这些差异的存在反映了不同地区的发展水平、产业结构和自然资源等方面的差异^{[24 ~ 28]}.针对以上几点问题, 本文基于气象数据、遥感数据、土地覆盖数据和统计数据等, 对不同尺度下碳收支的时空动态格局进行比较分析, 并进一步探讨时空变化特征和影响因素, 为协调不同行政尺度政府制定和实施差异化减排政策提供数据支持, 有助于加速实现“碳中和”目标.

本研究采用的数据主要包括用于计算碳排放量和碳吸收量的数据, 其中碳排放量数据来源为中国碳核算数据库, 国家统计局和各省、市、县统计年鉴^[29], 包括我国30个省及其市、县的排放量.省级尺度时间跨度为2000~2019年, 市级和县级时间跨度为2000~2017年, 受数据质量影响, 该数据不包括西藏自治区和港、澳、台地区的结果.用于计算碳吸收的数据包括NDVI、土地覆盖和气象数据等, 时间跨度为2000~2021年, 数据来源为NASA官网和中国气象局国家气象信息中心.以上数据已经在国内外期刊得到了广泛的认可和使用^{[30 ~ 33]}, 通过借助这些可靠的数据, 本文能够更准确和可信地分析和阐述研究问题.

由于研究时间跨度较大, 我国不少市和县的行政边界发生变化, 本文在统计过程中已经对行政边界出现变化和改名的市和县按照最新的行政边界划分和名称进行了统一整合, 以确保数据间的一致性.

（1）碳吸收量计算  由光合作用方程可知, 植被每生产1 kg有机物, 能固定1.62 kg的CO₂, 且干物质中碳的含量约占NPP总量的45%.所以由植被NPP, 通过转换系数（1.62/0.45）, 便可以计算出碳吸收量.估算公式如下：

(1)

植被NPP估算基于陆地生态系统碳汇模型（CASA模型）.模型所用土地覆盖数据选取2000~2021年MOD12Q1数据产品, 时间分辨率为16 d, 空间分辨率为500 m.在本文中, 土地覆盖类型被划分为8个主要类别（水体, 森林, 草地, 农田, 城市和建筑, 作物/自然植被镶嵌, 湿地, 低植被覆盖土地）.NDVI数据选取MOD13A1数据, 空间分辨率为500 m.通过数据预处理和空间插值后, 获得与土地覆盖数据分辨率相同的逐月NDVI栅格数据.气象数据基于2000~2021年全国720个标准气象站的月平均气温和月降水资料以及全国102个辐射站的月辐射资料.对数据进行空间插值和掩膜提取后, 生成与土地覆盖数据分辨率相同的逐月气象栅格数据^[34].

CASA模型估算NPP由两个因素确定：光合有效辐射（APAR）和光能利用率（ε）, 估算公式如下：

(2)

式中, APAR(x, t)表示像元x在t月份吸收的光合有效辐射, ε(x, t)表示像元x在t月份的实际光能利用率.其中植被光合有效辐射通过太阳总辐射和植被对光合有效辐射比计算, 实际光能利用率主要受光能和水分的影响, 其值随植被类型的不同而不同^[35].

（2）碳压力指数计算  碳压力指数（carbon pressure index, CPI）是指碳排放和碳吸收的比值, 用来量化在不同行政尺度下碳排放对碳吸收的压力^[36].计算公式如下：

(3)

式中, CPI表示碳压力指数；ERCE表示能源消费碳排放；VCS表示植被碳吸收量.

（3）时空热点分析  时空热点分析是地理信息系统领域重要的研究方向, 旨在揭示地理区域内某一现象在时空上的集聚或分散趋势.本文采用Arcgis Pro新兴时空热点分析方法分析全国碳收支的热点和冷点趋势, 基于Getis-Ord G_i^*统计方法计算每个地理单元及其领域内值的高低聚集性, 判断时空热点, 同时引入Mann-Kendall趋势检验, 以捕捉时空数据的趋势变化.以确定碳排放和碳吸收高值区和低值区在空间上发生聚类的位置^{[37, 38]}.

Getis-Ord G_i^*统计量计算公式如下：

(4)

式中, G_i^*表示地理单元i的Getis-Ord G_i^*统计量, n表示研究区内分析要素的总数, x_j表示要素j的属性值, w_i，j表示i, j之间的空间权重, X为所有要素平均值, s为标准差.

Mann-Kendall趋势检验用于评估时空数据中的变化趋势, Mann-Kendall趋势检验统计量计算公式如下：

(5)

式中, sgn（x_j-x_i）为符号函数, 表示数据变化的方向.通过S的正负来判断时空数据的趋势方向.

当统计量服从正态分布, 方差计算公式如下：

(6)

(7)

通过Mann-Kendall趋势分析, 得到对应的Z得分和P值.如果Z值大于1.65则表明时间序列处于升趋势；若Z值低于-1.65则表示时间序列处于下降趋势；若Z值接近于零, 则表明随时间序列的变动不存在明显变化.根据Z得分和P值对碳排放量的冷点和热点趋势的显著性进行归类, 分为新增、连续、加强、持续、逐渐减少、分散、振荡和历史等16种冷热点模式^{[39, 40]}.

如图 1所示, 植被碳吸收量较高的区域多分布于云南、广西、广东、福建和台湾等南方地区, 而西北地区的西藏、青海等植被碳吸收量较低, 东北沿海地区的植被碳吸收量普遍高于内地.原因在于南方地区通常拥有较为湿润的气候、较长的植被生长季节和丰富的土壤资源, 有利于植物生长和固碳过程, 相比之下, 西北地区由于高原气候、干旱和寒冷的气候条件、高海拔和脆弱的生态环境导致植被生长较为困难, 植被碳吸收量较低.东北沿海地区有较为适宜的气候条件和土壤质量, 同时还有一定程度的植被恢复和生态保护措施.如图 2所示, 基于计算数据分析2000~2021年植被碳吸收量变化特征, 平均值为1.13×10⁴ t·a^-1, 每个时期植被碳吸收量的离散程度相差不大, 平均值逐渐增大, 全国植被碳吸收总量呈上升趋势.主要原因与我国生态工程建设的年限有关, 大规模植树造林、退耕还林还草等工程主要发生在2000年以后.因此, 在初期植被碳储量逐年上升, 在2003年后呈现波动上升的稳定状态.

图 1

Fig. 1

基于自然资源部标准地图服务网站下载的审图号为GS（2023）2767号的标准地图制作, 底图无修改, 下同 图 1 全国2000~2021年平均碳吸收量 Fig. 1 National average carbon absorption from 2000 to 2021

图 2

Fig. 2

图 2 全国碳吸收总量逐年变化 Fig. 2 National carbon absorption changes year by year

如图 3所示, 以省级为单位分析发现, 在2000~2009年间, 全国各省份碳排放量在这10 a存在不同程度的增长, 区域差异较为明显, 碳排放量较高的省份逐渐由东部向中西部扩散.各省平均增长率在4.06%~14.85%之间, 其中, 宁夏、内蒙古、云南和甘肃等地, 具有较高的平均增长率, 宁夏最高为72.63%.北京、上海、江苏和广东等地, 虽然在十年间碳排放量较高, 但平均增长率较低.在2010~2019年间, 北京、上海、河南和云南等地的碳排放量呈现出下降趋势, 实现负增长, 云南增长率仅为3.5%.工业化程度较高的省份, 如广东、江苏和山东等仍表现出持续增长, 内蒙古、新疆和甘肃也有着较大的增幅.省域差异有减弱趋势, 但我国碳排放较高省份与碳排放较低省份的空间聚集格局在10年间基本没有发生变化, 部分省份之间碳排放量仍有较大差异, 原因在于部分省份尽管碳排放下降, 但由于经济规模任然较大, 仍存在较高的碳排放水平, 而一些碳排放较低的省份, 由于发展相对较慢, 总体碳排放量较低.

图 3

Fig. 3

图 3 全国省级碳排放量 Fig. 3 National provincial carbon emissions

如图 4所示, 以市级为单位分析发现, 市级尺度碳排放演变趋势与省级尺度结果差距较大.中国城市碳排放总量呈现先增加后趋于稳定的增长趋势, 在2000~2009年间, 碳排放量快速增长, 2010~2017年间, 碳排放量增速减慢, 部分城市出现负增长, 年平均增长率不足0.2%.中西部地区碳排放显著增长, 空间分布差异呈逐步缩小趋势, 且空间聚集不断加强, 碳排放量较高的城市主要聚集分布在华北和华东地区, 并且呈现逐渐向外辐射状态.值得注意的是, 对比省级尺度, 不少省份在市级尺度下有更加显著的空间分布, 例如青海在省级尺度下未出现高碳排放区域, 而在市级尺度下, 出现高碳排放市域, 存在显著的空间差异.大型城市具有更高的碳排放量, 如北京、上海、广州和深圳.长三角城市碳排放总量年平均值超过976.46×10⁶ t, 其中上海市碳排放量为历年所有城市中最高, 高达223.50×10⁶ t, 最大增长率达94%.碳排放量分布呈现出明显的“北高南低, 东高西低”的空间差异.以上变化主要得益于经济增长对能源需求的影响, 在2000~2013年期间全球经济增长迅速, 尤其是中国和其他新兴经济体的快速崛起, 带动了全球能源消费的大幅增加, 以北京、上海和广州等地碳排放量快速增加并逐渐向周边省份辐射, 2013年以后, 我国产业和能源结构的变化, 如能源密集型行业的减排、生产效率的提高和消费需求的转变等, 减缓了CO₂排放总量和人均CO₂排放量的增长速度, 使得碳排放量在2013~2017年间有所下降.

图 4

Fig. 4

图 4 全国市级碳排放量 Fig. 4 National municipal carbon emissions

如图 5所示, 以县级为单位分析发现, 碳排放效率空间差异明显, 且存在不均衡现象, 同时随着我国中西部落后县域碳排放量不断增长, 县域之间碳排放的差异越来越小, 缩小趋势较为明显, 并且这种趋势随着时间的推移在不断加强, 2000~2017年全国县级碳排放量平均值介于0~48.67×10⁶ t之间, 绝大部分县碳排放量平均值介于0~7×10⁶ t之间, 但从空间布局分析, 高碳排放县域仍集中于东部和沿海地区的一些工业园区, 低碳排放县域集中于西部地区, 并且短期内未发生变化.不同尺度对比发现, 部分城市在省级或市级尺度下为明显的高碳排放区域, 而在更小的尺度下, 出现部分地区为低排放区域, 以重庆市为例, 碳排放量在省级尺度为高碳排放区域, 并逐年增强, 而在更小的县级尺度下, 出现部分县域为低碳排放区域, 原因在于在市级尺度上, 由于城市化和工业化的集中, 碳排放在城市核心区域显著集中, 总体碳排放量较高, 而在更小的县级尺度上, 包含发展水平相对均衡的区域, 部分县域发展较慢, 碳排放量较低.

图 5

Fig. 5

图 5 全国县级碳排放量 Fig. 5 National county-level carbon emissions

如图 6所示, 以省级为单位分析发现, CPI较高省份主要集中分布在北京和上海周边, 受经济发展水平、产业结构、能源利用、森林覆盖和政策的影响, 空间分布特征与市级尺度碳排放分布特征相似, 各省之间CPI差值变化较少, 区域差异较为明显.2000~2009年间各省CPI出现上升和波动, 平均值在0~20.12之间, 北京、上海和天津CPI远大于其他各省, 其中北京在2000~2004年之间CPI呈下降趋势, 之后开始上升但整体波动不大.2010~2019年间各省CPI平均值在0~26.05之间, 北京和上海的CPI在十年间相对稳定, 北京的CPI在7左右波动, 而上海的CPI在25~30之间波动.广东、重庆、内蒙古和新疆的CPI逐年上升, 新疆CPI增幅高达157.38%.

图 6

Fig. 6

图 6 全国省级CPI空间分布 Fig. 6 National provincial CPI spatial distribution

如图 7所示, 以市级为单位分析发现, 2000~2017年各市CPI平均值介于0~40.40之间, 2000~2009呈现波动增长趋势, 2010~2019出现小幅降低, 数值变化趋于稳定.在北京、河北、天津和上海等地的CPI较高, 增幅也相对较大, 超过0.3 a^-1.黑龙江、云南和青海的CPI较低, 增幅较小.CPI较高的多数分布在沿海发达地区, 少数西北地区城市的CPI也较高, 其中吐鲁番市CPI最高, 原因为阿尔金山脉、祁连山脉周围无碳吸收量数据, 导致在该区域的吐鲁番市、酒泉市和巴音郭楞蒙古自治州等市CPI明显高于其他地区.对比市级尺度下的碳排放量分布特征可知, 中西部地区在2010~2017年间碳排放量较高, 但CPI值较低且未出现明显变化, 说明在2010~2017年间中西部地区城市碳吸收量总体呈逐年上升状态.

图 7

Fig. 7

图 7 全国市级CPI空间分布 Fig. 7 Spatial distribution of municipal CPI across the country

如图 8所示, 以县级为单位分析发现, CPI空间分布变化与市级尺度变化较为相似.北京、上海和珠三角的CPI最高, 其周围地区受其辐射影响, CPI也逐年增高, 其原因在于北京、上海和珠三角地区都是城市化进度最为迅速的地区, 中国的经济中心, 拥有较为发达的经济体系和产业链, 对碳排放比值产生影响.周边地区受到经济带动, 吸引了大量的投资和人口流动, 从而带动了周边地区的经济发展和消费需求, 碳排放较高, 进而对CPI产生影响.而在西北地区的两个异常CPI较高点是因为该县级区域上的碳吸收量缺少所导致.对比县级尺度下的碳排放分布特征, 部分地区例如内蒙古与黑龙江部分县域, 碳排放较高, 但CPI值较低, 说明该县域碳吸收量与碳排放量较为持平.

图 8

Fig. 8

图 8 全国县级CPI空间分布 Fig. 8 National county-level CPI spatial distribution

如图 9和图 10所示, 利用Getis-Ord G_i^*统计方法和Mann-Kendall趋势检验对全国碳吸收量和不同行政尺度下碳排放量进行冷热点空间格局演化状况分析.

图 9

Fig. 9

图 9 植被固碳量新兴时空热点分析 Fig. 9 Analysis of emerging spatiotemporal hotspots of vegetation carbon sequestration

图 10

Fig. 10

图 10 全国省、市、县碳排放新兴时空热点分析 Fig. 10 Analysis of emerging spatial and temporal hotspots of carbon emissions in provinces, cities and counties across the country

植被碳吸收量：全国冷热点空间分布总体表现为“东热西冷”的空间格局, 热点区由福建省向中部蔓延, 冷点区由新疆省向中部蔓延.数据上除了未检测到模式外, 逐渐减少的冷点占比最多为25.98%, 其次是加强热点占比18.22%, 加强热点说明我国目前植被固碳能力处于增长趋势, 逐渐减少的冷点说明植被固碳量小区域的聚类强度在减小, 进一步印证了我国碳汇量正在加强.加强的热点主要分布在福建、贵州、广东、云南和吉林东部等地区, 说明现阶段碳汇主力主要分布在该区域；冷点多分布于西北地区, 需通过制定相关政策和加大绿化面积等措施加强西北地区的固碳能力.

碳排放量：从不同行政尺度下碳排放冷热点分析可见, 空间分布特征基本保持一致, 在空间上呈现聚集特征, 占主导地位的为连续热点、振荡的热点和逐渐减少的冷点.省级尺度主要为振荡的热点（54%）；市级尺度主要为连续热点（25%）；县级尺度主要为连续热点（23.80%）, 碳排放的总趋势依旧呈现聚集现象.连续热点主要分布在华北和华东地区；振荡的热点主要分布在中部地区, 逐渐减少的冷点主要分布在西北部和东北部边缘地区.省级尺度和市级尺度对比发现, 振荡的热点变成了逐渐减少的冷点、连续热点和未检测到模式/其他, 振荡的热点在时间轴上存在历史冷点, 具有不稳定性, 因此进行更小的行政尺度划分导致该区域冷点或热点模式改变.市级尺度和县级尺度对比发现, 更小的尺度使得部分热点区发生变化, 上海和北京附近地区呈现加强的热点, 四川部分县转变为连续热点.

中国地域广泛, 各地的气候、资源和产业结构存在显著差异, 使得不同尺度的碳排放强度具有空间相关性和溢出效应, 碳排放强度区域聚集现象凸显, 统一的减排政策无法充分考虑到以上多样性.所以碳减排政策的制定不能仅靠某一城市在空间上单独发挥作用, 应综合考虑因素建立行之有效、公平公正的碳排放量分配方案.一方面积极推动区域间协调合作, 缩小区域碳排放强度差异, 促进减排政策的实施；另一方面, 加强碳减排规划相关管理工作并建立利益协调机制, 在明确减排任务的前提下, 尽可能减少碳排放的负外部性影响, 实现碳减排协同治理和经济可持续发展的平衡与协调^[41].

首先, 制定差异化的碳排放配额, 考虑地区的经济发展水平和资源禀赋, 建立差异化的碳排放配额制度, 以确保减排政策的公平性和有效性.其次因地制宜地制定协同碳减排的措施^[42].考虑各个地区的市级情况, 推动区域协调合作, 缩小碳排放强度差异, 促进减排政策的顺利实施.然后完善碳排放产权交易市场, 通过市场机制倒逼企业创新减少碳排放量, 打破行政壁垒和自身集聚效应的限制.需要特别关注避免“一刀切”政策, 政府应充分考虑区域差异, 避免采取过于激进或过于保守的“一刀切”的政策制定方式^{[43 ~ 45]}.

此外, 针对中、东部地区仍具有通过增加碳吸收来抵消碳排放的可能性, 未来政策可以进一步鼓励和支持这些区域开展碳吸收项目.包括推动森林保护和植树造林计划, 以及在城市和工业领域推广低碳技术, 鼓励企业实施碳捕集和碳固定技术.同时, 政府可以注重建立碳吸收的激励机制, 包括制定差异化的碳补贴政策, 根据项目的生态效益和碳吸收量给予相应的激励.这样的市场机制将推动碳吸收项目的规模化和经济化发展, 促进碳中和目标的实现, 以吸引更多的投资和参与^{[46 ~ 50]}.

（1）在2000~2021年间, 我国单位面积年平均植被碳吸收量逐年增大, 在2010年后呈现不断上升趋势.受气候条件、生态环境和土地利用等因素影响, 碳吸收量较高地区多分布于南部沿海城市, 中西部碳吸收量较低.2000~2017年间, 不同行政尺度下碳排放总量均呈逐年上升特征.地图分布呈现出明显的“北高南低, 东高西低”的空间差异.碳排放强度整体呈下降趋势.不同尺度碳排放的时空格局出现明显的分异情况, 较小的行政尺度更能揭示地区碳排放的空间分布特征.

（2）不同行政尺度下, CPI呈现增长率逐年下降的增长状态, 在2010年后逐渐趋于稳定.CPI在不同行政尺度下的时空分布和碳排放较为相似, 较高区域集中在华南和华北地区, 碳排放对碳吸收的压力逐渐向中西部减弱, 部分地区由于碳吸收量较大, 在碳排放较高的情况下, CPI值较低.

（3）冷热点分析我国碳吸收加强热点占比较大, 植被固碳能力的趋势逐渐变强, 时空分布总体表现为“东热西冷”的空间格局.碳排放冷热点空间分布呈现聚集特征, 不同行政尺度下冷热点空间分布不同, 省级尺度主要为振荡的热点（54%）, 市级尺度主要为连续热点（25%）, 县级尺度主要为连续热点（23.80%）.

（4）由于不同尺度间碳排放存在显著分布差异, 在制定碳减排政策时, 应优先考虑省内不同地市之间协调排放, 避免“一刀切”政策, 同时, 中、东部区域可通过增加碳吸收来抵消碳排放实现碳中和.