2025, Vol. 46
气候变化是全球面临的共同挑战, 2011~2020年全球平均气温较第一次工业革命后（1850~1900年）升高了1.09℃[1], 引发了温室效应等环境问题.诺贝尔物理学奖得主真锅淑郎的气候模型也证明了二氧化碳（CO2）浓度持续升高是全球温度上升的主要原因. 中国作为目前全世界最大的碳排放国, CO2排放量约占全球碳排放量的30%, 在全球减排和减缓气候变化方面发挥着重要作用. 面对国际舆论和当前气候环境压力, 中国政府承诺2030年我国将实现碳达峰, 2060年实现碳中和. 为此, 我国一些经济发达的城市已率先开始转型, 朝着碳达峰目标稳步迈进, 相关研究指出已有38城主动达峰[2]；但我国一些依靠资源产业发展的地区, 在绿色低碳转型和环境约束方面面临着经济发展与环境保护的双重困境. 由于地理位置和气候条件的影响, 我国农牧交错区分布着丰富的资源和物产, 其中许多城市是我国重要的能源资源战略保障基地；且近30 a来每10 a增温0.32℃, 明显高于全国和全球增长率[3], 因此也是首当其冲受到全球气候变化影响的敏感区, 其减排效益和转型发展直接关系到我国“双碳”目标的实现. 鉴于减排行动始终由地方政府开展, 因此有必要从区域角度识别历史排放趋势和减排潜力, 为决策者提供具体的区域信息来制定有效的减排政策.
目前针对区域CO2排放的研究内容主要集中在时空变化特征[4, 5]、驱动因素[6~8]、脱钩效益[9]及减排潜力评估[10, 11]等方面. 在驱动因素研究中, 有学者采用中国碳核算数据库（CEADs）的碳排放数据作为数据源[2, 12]；但CEADs仅包含1997~2019年290个城市的数据, 存在部分区域数据缺失问题. 随着遥感技术的发展, 利用夜间灯光（nighttime light, NTL）数据估算区域CO2排放受到了广泛关注, 被认为具有巨大的应用潜力和优势[13], 能够解决城市尺度碳排放数据缺失问题. 学术界利用该方法对我国多个区域的CO2排放时空变化进行了深入研究, 如京津冀[14]、珠三角[15]和长三角[16]等. 并且, 针对NTL数据估算CO2排放存在的精度问题, 部分学者通过提出结合人口数据为无夜间灯光探测地区分配CO2排放[17]、分区域构建估算模型[18]和引入社会经济数据[19]等方法优化了估算精度. 与此同时, 一些学者利用超效率松弛测度（slack-based measure, SBM）模型、边际减排成本[20]、构建指标体系[21]和情景分析[22]等方法来评估减排潜力, 并提出了相应的减排路径或建议.
尽管现有研究为准确量化区域CO2排放时空变化和探究城市减排路径提供了一定的研究基础, 但在以下几个方面还可以被进一步完善. 首先是CO2排放时空特征研究的范围大多局限于经济发达或人口密度高的地区, 忽略了对农牧交错区这类具有重要生态和能源战略地位但人口密度较低、发展不均衡区域的研究；且存在研究时间跨度较短[23, 24]、无法全面反映区域CO2排放长期动态变化的问题. 其次是区域CO2排放数据精度方面；省级统计CO2排放数据的核算存在能源种类不全[25]、火力发电行业数据缺失[26, 27]和排放因子不一致[28]导致省级数据不准确的问题；而市县尺度的CO2排放估算大多仅采用NTL数据进行全局建模[29, 30], 缺乏不同行业间的精细建模. 最后, 在目前CO2排放时空变化特征相关的研究中, 较少涉及基于定量化的减排潜力评估提供政策建议[31], 而现有的减排潜力评估多应用于省级尺度或单一行业, 缺少针对市级尺度的研究.
鉴于此, 本文在优化省级统计CO2排放数据核算精度的基础上, 通过结合土地利用、NTL和省级CO2排放数据构建分行业的碳排放空间化模型, 准确识别研究区市级尺度的CO2排放时空变化特征, 并综合碳排放效率和减排潜力指数对研究区的城市进行分类, 提出有针对性的减排路径. 通过系统揭示1995~2020年我国北方农牧交错区的CO2排放时空变化规律, 明确不同类型城市的减排重点, 以期为深化我国能源供应和高碳排放地区的历史排放变化趋势及减排潜力区域特征的机制性认识、优化农牧交错区城市发展路径和推进我国资源型城市绿色转型提供有益借鉴.
1 材料与方法 1.1 研究区概况本文综合Shi等[32]提供的2010年农牧交错区边界、1995~2020年年均降水量300~450 mm的范围以及我国北方资源型城市分布区域, 在确保地级市行政边界完整性的基础上划定了如图 1所示的农牧交错区研究范围, 共包括黑龙江、吉林、内蒙古、河北、山西、陕西、甘肃和宁夏等9省的24个地级市, 面积为635 945 km2. 介于我国农耕区和畜牧区的交错地带, 也是从干旱地区向湿润地区的过渡地带, 年均降水量300~450 mm, 年均温2~8℃, 海拔高度介于-40~3 234 m；地貌上包括长城沿线沙化区、水源涵养区和黄土丘陵沟壑区, 是我国中东部地区的重要生态屏障；拥有丰富的矿产资源和可再生资源, 也是国家能源安全战略和实现可持续发展的重要主体.
|
图 1 研究区概况 Fig. 1 Map of the study area |
本文所用数据主要包括栅格数据、能源统计数据、社会经济统计数据和矢量边界数据这4类, 基本信息和数据来源如表 1所示. 由于研究区范围内的地级市行政区划在1995~2020年有所调整, 为保持数据一致性, 制图时的行政区划统一使用2019年数据, 但在相关城市的数据计算和统计时采用当年实际辖区范围；同时考虑到时效性和数据可获取性, 用于评估减排潜力的投入产出数据为2010~2020年；其余数据的年份均为1995~2020年. 此外, 表中栅格数据空间分辨率均为1 km, 1995年的人口数据通过插值补全.
|
表 1 数据来源 Table 1 Data sources |
1.3 研究方法
本研究基于像元尺度CO2排放数据识别农牧交错区碳排放时空变化特征, 并基于定量化的减排潜力评估提供差异化的减排建议. 首先通过优化CO2排放空间化模型获得精度最高的CO2排放数据；其次从时间和空间维度, 结合全局莫兰指数（Moran's I）和热点分析探究研究区CO2排放特征；最后综合SBM模型和减排潜力指数计算的结果, 采用四象限法对城市分类并提供相应的减排建议. 具体技术路线如图 2所示.
|
TDN表示各省夜间灯光总亮度值, 为无量纲单位 图 2 本研究采用的方法框架 Fig. 2 Methodological framework used in this study |
（1）各省电力和热力排放系数计算 电力和热力在消耗过程并不会产生碳排放, 其终端消费的碳排放主要是指在发电和发热时所需化石能源生产时造成的碳排放. 由于各省生产电力和热力的能源结构与生产效率存在较大差异, 所以其排放系数需要单独计算. 因此, 本文参考Li等[34]的方法计算研究区9个省1995~2020年的电力和热力排放系数, 具体方法如式（1）所示. 其中若存在一部分热力被输入用作发电, 则先计算热力排放系数再将其用于后续电力排放系数的计算.
|
(1) |
式中, k表示电/热力, i表示能源种类, CFkp表示生产过程中的电/热力排放系数, m表示火力发电/供热部门, EimT表示其他能源生产电/热力的输入量, CFic表示其他能源的碳排放系数, EkG表示火力发电量/生产的总热量.
（2）能源消费碳排放计算 本文基于研究区所涉9省的终端能源消费数据计算其碳排放量, 采用Liu等[35]的方法确定各类能源的碳排放系数（表 2）, 参考Shan等[28]的方法选取了20种能源, 计算公式如下：
|
(2) |
|
|
表 2 各类能源碳排放系数1） Table 2 Carbon emission coefficient of different types of energy |
式中, i表示能源类型；j分别表示：“农、林、牧、渔业”、“工业”、“建筑业”、“交通运输、仓储和邮政业”、“批发和零售业、住宿和餐饮业”、“城镇生活消费”和“乡村生活消费”这7个部门；Eij表示能源i在j部门的消耗量（万t或108 m3）, EkjG表示电力或热力在j部门的消耗量；LCi表示能源i的平均低位热值（kJ·kg-1或kJ·m-3）；CCi表示能源i的单位热值含碳量（kg·GJ-1）；Oi表示碳氧化率（%）；
（1）仅使用NTL数据空间化碳排放 利用杜海波等[29]的方法, 使用NTL数据与省级能源消费数据进行分时间段拟合, 得到研究区1995~2020年像元尺度的CO2排放数据, 具体方法如式（3）所示.
|
(3) |
式中, y表示省级能源消费碳排放量；x表示各省夜间灯光总亮度值（total digital number, TDN）；a表示拟合系数.
（2）结合人口数据和NTL数据空间化碳排放 此方法利用人口数据为无光照区域分配碳排放, 能有效解决这些区域碳排放被忽略的问题. 本文首先根据孙中昶等[36]的建成区数据区分城市和农村地区, 再参考Liu等[17]的方法利用式（4）进行计算.
|
(4) |
式中, i表示省份；CO2Lgi和CO2Dgi分别表示有照明和无照明区域的CO2排放值；CO2LUi、CO2LRi和CO2DRi分别表示城市有照明区域、农村有照明和无照明区域的估算CO2排放值；SLLi表示各省的TDN, Lpi表示夜间灯光的像元值；SPLUi、SPLRi和SPDRi表示城市有照明区域、农村有照明和无照明区域掩膜所得LandScan人口数据的总和；PDpi表示无照明区域人口栅格数据的像元值；CO2Ui和CO2Ri分别表示各省城市地区（工业、建筑、商业、交通和城市居民消费）和农村地区（农、林、牧、渔业和农村居民消费）的统计CO2排放量；PUi和PRi分别表示各省城市和农村人口的统计数据.
（3）结合土地利用数据和NTL数据空间化碳排放 已有研究表明NTL与CO2排放的相关性在不同行业存在较大差异, 采用全局统一的拟合方法会产生较大误差[19, 37]. 因此本文参考Wei等[18]的方法结合NTL数据和土地利用数据进行分组回归分析, 主要分为3个部分：首先分别提取1995~2020年土地利用数据的城镇用地、其他建设用地、耕地和农村居民点, 再使用此数据分别掩膜NTL数据, 形成城市地区、工业地区和农村地区的NTL数据, 并分别统计各省在这3个地区的TDN. 第二步将前文所计算的省级分部门能源消费CO2排放数据分别汇总为服务业、工业和农业的CO2排放. 最后再分别计算各省1995~2020年城市地区、工业地区和农村地区的TDN与服务业、工业和农业CO2排放量之间的比值, 并将每个地区与对应行业的数据按比值大小分3组进行线性拟合. 这种分组拟合方法的R2远高于按省份或年份进行拟合, 相应的结果及具体方法流程图如图 2所示.
1.3.3 空间聚集特征分析（1）空间自相关分析 本文采用全局Moran's I刻画各县的碳排放在整个区域内的空间相关性, 计算公式如下：
|
(5) |
式中, n表示县级行政单元的数量；xi和xj分别表示县级行政单元i和j的碳排放量；x表示各县级单元碳排放量的平均值；wij表示邻近县级单元i和j的空间权重矩阵.
（2）热点分析 本文使用热点分析来探测县域碳排放量的高值和低值在空间上的聚集情况, 具体的计算公式如式（6）所示.
|
(6) |
式中, Gi*为z得分；xj表示县域j的碳排放量；wij表示县域i和j之间的空间权重；n表示研究区内县的总数；X和S分别表示研究区县域碳排放的平均值和标准差.
1.3.4 城市碳排放效率与碳排放潜力估算（1）超效率SBM模型 非期望产出的超效率SBM模型能够实现对决策单元的绝对排序, 提高准确性[38]. 结合相关文献和SBM模型的要求[21, 39], 本文分别选取了资本、劳动力、土地和能源作为投入指标, 产出指标包含期望产出和非期望产出. 其中投入指标的固定资本存量基于全市固定资产投资数据采用9.6%的折旧率[40]通过永续盘存法估算得来, 其余指标如表 3所示.
|
|
表 3 非期望产出的超效率SBM模型的相关指标 Table 3 Relevant indicators for super-efficient SBM model of the undesirable output |
假设x、y和b分别表示投入、期望产出和非期望产出变量, SBM模型表达式如式（7）所示, 具体计算在MATLAB中完成.
|
(7) |
式中, ρ*表示所计算的各地级市碳排放效率值；m、s1和s2分别表示投入、期望产出和非期望产出指标的类别数；si-、sr+和sk-分别表示决策单元的投入、期望产出和非期望产出的松弛变量；xio、yro和bko分别表示决策单元的投入量、期望产出量和非期望产出量；xij、yrj和bkj分别表示决策单元j中前沿面上的理想投入量、期望产出量和非期望产出量；λ为权重向量.
（2）减排潜力指数 公平与效率原则是分配区域CO2排放配额和确定减排目标的重要原则[41], 因此基于公平性与效率性构建的指标体系近年来被用于评估减排潜力. 本文使用Chen等[42]提出的方法计算减排潜力指数来表征城市的减排潜力, 其值越大表明在综合考虑地区经济发展水平的基础上, 可以实现最大程度地降低CO2排放的能力越强.具体的表达式为：
|
(8) |
式中, Ii, t表示城市i在年份t的减排潜力；ω表示权重, 本文设为0.5；Equity表示减排公平性指数, PC表示CO2排放量, PP表示人均生产总值；Efficiency表示减排效率性指数；CI表示碳排放强度；Pb表示CO2的影子价格, 由Xu等[43]提供的代码在MATLAB中计算获得.
2 结果与讨论 2.1 碳排放空间化模型精度检验为检验本文空间化模型所得结果的精度和有效性, 本文使用中国城市温室气体工作组（China city greenhouse gas working group, CCG）提供的城市级CO2排放数据进行相关性分析. 该数据整合了中国高分辨率排放网格化数据（China high resolution emission gridded Data, CHRED）、城市层面的各类官方统计数据和现场调研数据. CHRED数据被认为是中国目前与省级能源普查数据拟合精度最高的自下而上的CO2排放估算数据[44], 而CCG进一步完善了该数据, 更符合实际情况且具有更高的精度. 因此将CCG的2020年城市CO2排放数据与本文所估算的市级尺度CO2排放数据进行拟合精度验证. 结果显示（图 3）, 综合NTL和土地利用数据空间化碳排放的结果与CCG数据相似度最高, 线性拟合R2达到了0.92, 相较于其他两个空间化模型有着更优的精度. 由此可见, 本研究的空间化模型具有较高的精度, 可以使用该模型进行区域CO2排放估算及进一步的时空变化特征和减排路径分析.
|
图 3 与自下而上方法所得数据进行碳排放估算精度验证 Fig. 3 Validation of the estimation accuracy of CO2 emission with data from bottom-up methods |
由图 4可以看出, 1995~2020年农牧交错区的碳排放呈现以下变化特征. 第一, 碳排放总量呈逐年上升趋势, 从1995年的17 629.13万t增加到2020年的101 450.8万t. 其中2005~2010年增速最快, 增长率为55.25%, 这一时期的碳排放增加主要是由经济增长所主导；2010~2015年增速最慢, 为29.8%, 这与我国整体的碳排放量变化呈相似的规律[45], 主要是受能源效率提高、经济增长减速和消费模式改变所影响. 第二, 人均碳排放量也呈增长趋势, 从1995年的人均3.50 t增加到了2020年的人均16.62 t；且增长速率从1995~2000年的22.55%持续增长到了2005~2010年的48.99%, 在2010~2015年增速下降为29.45%, 但随后5 a增长率又提升到了51.17%. 主要原因可能是2016年后, 我国经济增速放缓后所采取的一系列投资政策刺激了与煤炭和天然气消费增长相关的碳排放增长[46]. 以上数据也意味着农牧交错区的碳排放在总体上仍处于增长阶段, 还未达到碳峰值, 这与Shan等[2]所得的结果一致. 最后, 值得注意的是, 研究区的碳排放强度在1995~2015年持续下降了68.03%, 但在2020年有所反弹. 煤炭在我国能源结构中的份额从2007年的68%下降到了2016年的62%[47], 因此碳排放强度减少可能是受能源结构调整和能源效率提升的影响；而在2020年出现的碳排放强度反弹可能是由于自2016年以来国家新一轮基础设施投资导致对高耗能行业的需求增加以及可再生能源增长放缓[48].
|
图 4 1995~2020年农牧交错区碳排放总量、强度和人均碳排放量变化 Fig. 4 Changes in total carbon emissions, intensity, and per capita carbon emissions in the farming-pastoral ecotone from 1995 to 2020 |
为了更好地分析研究区内的时空变化特征, 本文可视化了1995~2020年研究区市级尺度的碳排放和年均增长率（图 5）；可以看出, 在此期间研究区各城市的碳排放量存在明显差异且在时间尺度上经历了较大变化. 1995年碳排放总量最靠前的城市是大同和大庆, 2000年为大同, 2005年为包头, 2010年为包头和朔州, 2015年为榆林, 2020年为榆林和包头. 大同、大庆、包头、朔州和榆林也是研究区碳排放的主要贡献者, 在研究期间排放量占全区碳排放总量的41.65%. 就各市的增长率而言, 研究区内所有城市在1995~2020年碳排放均呈增长趋势, 其中大同、大庆、阜新、松原和白银的年均碳排放增长率分别为0.10%、0.88%、1.47%、4.18%和4.39%, 远低于其他城市. 兴安盟和承德的增长率最高, 分别为18.74%和18.40%；承德在2015~2020年的增长最为突出, 在2015年之前始终位于碳排放量最低的梯队, 但在2020年跃升到靠前的第三梯队, 碳排放量超过了大同. 城市碳排放的异质性反映了能源结构和经济结构的差异与变化. 在2000年之前, 大同都是研究区内碳排放量最高的城市；但在2000~2005年, 大同和阜新的碳排放量均出现了下降. 究其原因, 自1998年12月5日《国务院关于关闭非法和布局不合理煤矿有关问题的通知》发布, 加之煤炭资源逐渐枯竭, 2001年起大同和阜新就被迫关闭了大量煤矿企业；且2002年1月1日起煤炭开始实行市场定价, 在境外低价煤的国内市场不断扩大的竞争优势下, 依赖资源采矿和运输形成的单一产业结构发展困境导致了大同和阜新在此期间碳排放量分别减少了333.93万t和1 595.18万t. 而包头承接“呼包银”经济带重要节点的区位优势以及作为我国实施西部大开发战略的重点地区[49], 伴随着经济发展和铁矿、煤炭等资源的大量开发.在2000年, 包头的碳排放量从1995年的1 164.9万t增加到了2 109.33万t, 成为仅次于大同和大庆的碳源城市, 2005年又迅速增加到4 763.14万t成为了研究区内碳排放量最多的城市. 此后, 得益于“榆林煤”的品质优势和开采、运输成本低的市场优势, 伴随着煤炭产量由2006年的1.16亿t逐年攀升到2015年的3.6亿t, 榆林的碳排放量也从2005年的2 638.07万t增加到了2015年的8 951.22万t；在“十二五”期间, 超过包头成为了研究区内碳排放量最多的城市, 一直持续到2020年. 除了榆林煤炭需求增加外, 还与这一时期榆林资源开发方式粗放、煤炭就地转化率较低和能源利用率有待提升等因素有着密切关系. 2015年榆林的碳排放强度（以CO2计）为3.64 t·万元-1, 而包头市在2010~2015年期间碳排放强度从2010年的2.95 t·万元-1下降到了2015年1.56 t·万元-1.
|
图 5 1995~2020年农牧交错区城市尺度碳排放量变化 Fig. 5 Changes in carbon emissions at the prefectural scale in the farming-pastoral ecotone from 1995 to 2020 |
通过式（5）可以计算出1995~2020年农牧交错区碳排放的全局Moran's I值以及相应的Z、P值（表 4）. 可以看出, 1995~2020年研究区的碳排放Moran's I值均大于0且P值均在0.01的置信水平下显著, 证实了其具有显著的空间正相关性, 高值或低值集聚的城市在空间上相互邻近. Moran's I值在1995~2000年有所增长, 表明研究区碳排放的空间正相关性增强, 空间聚集特征有所强化；但在2000~2005年有下降趋势, 此后2005~2020年又从0.11持续增长到了0.22. 因此, 为了进一步了解碳排放的局部差异变化, 有必要进行热点分析. 热点分析相较于局部Moran's I的优势在于会将局部总和与总体进行比较, 更能体现出时间尺度上局部相对于研究区整体的变化.
|
|
表 4 1995~2020年农牧交错区县域碳排放的全局Moran's I Table 4 Global Moran's I of county carbon emissions in the farming-pastoral ecotone from 1995 to 2020 |
总体而言, 农牧交错区的能源消费碳排放冷热点分布格局在研究期内相对稳定但也呈现出较明显的区域变化；热点地区主要集中在晋陕蒙三省交界附近, 冷点则主要分布在陕甘边界的延安和庆阳附近（图 6）. 具体而言, 1995年热点区主要集中在山西省的大同和朔州、黑龙江省的大庆及其周围地区, 其中置信度为99%的热点区主要位于大同和朔州的交界处以及大庆东南部县区. 到2000年, 大同和朔州置信度为99%的热点区域显著扩大, 相比1995年增长了185.6%, 而大庆的热点区域显著缩小. 2005年热点区聚集度的下降对应了全局Moran's I的减少, 大同和朔州在2000年置信度为99%的热点区大多数都转变为了置信度95%的热点区和不显著区, 且包头和呼和浩特南部的县区出现了新的热点区. 2010年朔州和大同再次出现置信度99%的热点区聚集, 主要原因是2010年朔州城镇化水平提高和新兴产业培育带动了城市发展[50], 第三产业产值相比2005年增长了4.61倍. 2015年热点区相比2010年增长了16.35%, 其中置信度为99%的热点区增长了51.46%, 主要分布在榆林北部、呼和浩特南部和朔州北部地区. 2020年热点区的聚集程度进一步加强, 集中分布在榆林北部和包头南部. 冷点区域所在的延安和庆阳是我国天然气资源供应和后备基地、全国能源资源城市, 经济结构虽也以第二产业为主；但较早开始实施生态环境保护措施和产业布局调整, 环境管制较强, 故而碳排放量相对较低. 与2010年相比, 2020年研究区的冷点分布范围扩大了2.62倍, 原因可能在于产业结构的调整升级, 如庆阳通过促进能源转型和文旅产业融合创造了新的经济增长点后从不显著区变为了冷点区.
|
图 6 1995~2020年农牧交错区县域碳排放冷热点分布 Fig. 6 Cold and hot spot analysis of county carbon emissions in the farming-pastoral ecotone from 1995 to 2020 |
为了针对不同类型的城市提出有针对性的减排措施, 本文通过综合各城市2010~2020年碳排放效率和减排潜力指数的平均值将研究区的城市划分为：“高效率高潜力型”、“低效率高潜力型”、“高效率低潜力型”和“低效率低潜力型”这4类, 具体分类及其空间分布情况如图 7所示.
|
图 7 基于碳排放效率和减排潜力指数的农牧交错区城市分类及空间分布情况 Fig. 7 City classification and spatial distribution of the farming-pastoral ecotone based on carbon emission efficiency and reduction potential indices |
结果表明, 榆林、吕梁、包头、呼和浩特、通辽和大庆属于“高效率高潜力型”城市, 碳排放效率与减排潜力指数均高于研究区所有城市的平均值. 以大庆和包头为例, 大庆的碳排放效率最高, 为1.24；包头的减排潜力指数最高, 为0.76. 其中, 大庆的碳排放强度为所有城市均值的一半, 而人均碳排放和GDP分别为均值的1.28倍和2.61倍；包头的GDP最高且CO2影子价格低于平均值. 这意味着这类城市普遍经济发展情况较好, 且能够以较少的CO2排放取得较高的经济增长、付出较低的成本就可以取得较好的减排效果. 因此, 这类城市未来应借助经济优势大力投资可再生能源和绿色技术, 平衡经济发展和资源利用之间的关系, 提高经济发展质量.
中卫、吴忠、忻州、朔州、大同和阜新属于“低效率高潜力型”城市, 其特征是碳排放效率低于总体平均值而减排潜力指数高于总体平均值. 其中忻州和朔州的碳排放效率分别为0.45和0.69, 而减排潜力指数分别为0.61和0.76. 这是由于这些城市的人均碳排放和碳排放强度水平较高, 存在经济发展质量低和生产效率低的问题；但CO2影子价格同样偏低, 说明这些城市仍处于能源结构调整可带来较大减排效益的阶段. 因此, 未来减排的方向应当是着重提高能源效率和优化能源结构, 并大力扶持新兴和接续替代产业的发展, 逐步增强可持续发展能力.
庆阳、延安、赤峰、朝阳和齐齐哈尔属于“高效率低潜力型”城市, 即碳排放效率高于总体平均值而减排潜力指数低于总体平均值的城市. 其中, 庆阳和延安作为典型代表, 碳排放强度分别为平均值的0.23倍和0.18倍, 但CO2影子价格却是平均值的2.78倍和3.45倍. 原因是这些城市的GDP在研究区内处于中等水平, 经济发展后劲足, 资源开发和产业发展仍处于上升阶段；但由于地形和文化保护因素, 面临较大的土地资源配置难题, 减排成本较高. 因此, 这类城市未来应通过产业布局优化和技术创新加快推进新型工业化, 积极发展经济的同时严格环境影响评价, 维护好经济发展和环境保护的平衡.
“低效率低潜力型”城市是指碳排放效率与减排潜力指数都低于总体平均值的城市, 如白银、固原、白城、张家口、承德和松原, 这类城市的人均GDP、人均碳排放和碳排放强度都低于平均值, 资源开发利用已处于稳定阶段, 但城市发展对矿产资源的依赖程度较高, 减排空间较小、成本较高. 因此, 未来减排的重点应是首先通过开发和应用绿色技术以及产业融合实现不依赖传统能源工业来促进经济发展, 同时逐步淘汰落后的工业产能和升级改造工业锅炉来降低碳排放, 未来再进一步推进产业结构调整升级、延伸产业链条, 形成更多支柱型接续替代产业.
3 结论本文基于多源遥感数据探究了农牧交错区碳排放时空变化特征及其聚集特征, 利用碳排放效率和减排潜力指数将研究区的城市分为4类, 并分别提出了对应的减排建议. 结合土地利用、NTL和省级能源消费数据的碳排放空间化模型是高精度的区域碳排放估算模型. 1995~2020年农牧交错区碳排放总量及人均排放量均呈逐渐增长趋势, 但碳排放强度呈降低趋势. 在研究区内, 1995~2000年大同碳排放最多, 2005~2010年为包头, 2015~2020年为榆林. 在研究期内, 碳排放热点区主要在晋陕蒙交界区, 冷点区则在2010年之后从延安扩大到了庆阳及其邻市. 此外, 农牧交错区的城市可以被划分为包含榆林和吕梁等的“高效率高潜力型”、包含中卫和吴忠等的“低效率高潜力型”、包含庆阳和延安等的“高效率低潜力型”及包括白银和固原等的“低效率低潜力型”.
| [1] | Dias A C, Arroja L. Comparison of methodologies for estimating the carbon footprint-case study of office paper[J]. Journal of Cleaner Production, 2012, 24: 30-35. DOI:10.1016/j.jclepro.2011.11.005 |
| [2] | Shan Y L, Guan Y R, Hang Y, et al. City-level emission peak and drivers in China[J]. Science Bulletin, 2022, 67(18): 1910-1920. DOI:10.1016/j.scib.2022.08.024 |
| [3] |
刘孟竹, 王彦芳, 裴宏伟. 退耕还林(草)背景下中国北方农牧交错带土地利用及碳储量变化[J]. 中国沙漠, 2021, 41(1): 174-182. Liu M Z, Wang Y F, Pei H W. The changes of land use and carbon storage in the northern farming-pastoral ecotone under the background of returning farmland to forest (grass)[J]. Journal of Desert Research, 2021, 41(1): 174-182. |
| [4] |
苏泳娴, 陈修治, 叶玉瑶, 等. 基于夜间灯光数据的中国能源消费碳排放特征及机理[J]. 地理学报, 2013, 68(11): 1513-1526. Su Y X, Chen X Z, Ye Y Y, et al. The characteristics and mechanisms of carbon emissions from energy consumption in China using DMSP/OLS night light imageries[J]. Acta Geographica Sinica, 2013, 68(11): 1513-1526. |
| [5] |
韦彦汀, 李思佳, 张华. 成渝城市群碳排放时空特征及其影响因素[J]. 中国环境科学, 2022, 42(10): 4807-4816. Wei Y T, Li S J, Zhang H. Temporal-spatial evolution of carbon emission and driving factors in the Chengdu-Chongqing urban agglomeration[J]. China Environmental Science, 2022, 42(10): 4807-4816. |
| [6] |
王正, 樊杰. 能源消费碳排放的影响因素特征及研究展望[J]. 地理研究, 2022, 41(10): 2587-2599. Wang Z, Fan J. The characteristics and prospect of influencing factors of energy-related carbon emissions: based on literature review[J]. Geographical Research, 2022, 41(10): 2587-2599. DOI:10.11821/dlyj020210715 |
| [7] |
吴健生, 晋雪茹, 王晗, 等. 中国碳排放及影响因素的市域尺度分析[J]. 环境科学, 2023, 44(5): 2974-2982. Wu J S, Jin X R, Wang H, et al. Analysis of carbon emissions and influencing factors in China based on city scale[J]. Environmental Science, 2023, 44(5): 2974-2982. |
| [8] |
徐英启, 程钰, 王晶晶, 等. 中国低碳试点城市碳排放效率时空演变与影响因素[J]. 自然资源学报, 2022, 37(5): 1261-1276. Xu Y Q, Cheng Y, Wang J J, et al. Spatio-temporal evolution and influencing factors of carbon emission efficiency in low carbon city of China[J]. Journal of Natural Resources, 2022, 37(5): 1261-1276. |
| [9] |
张赫, 黄雅哲, 王睿, 等. 中国县域碳排放脱钩关系及其时空特征演变[J]. 资源科学, 2022, 44(4): 744-755. Zhang H, Huang Y Z, Wang R, et al. Decoupling and spatiotemporal change of carbon emissions at the county level in China[J]. Resources Science, 2022, 44(4): 744-755. |
| [10] | Gao P, Yue S J, Chen H T. Carbon emission efficiency of China's industry sectors: from the perspective of embodied carbon emissions[J]. Journal of Cleaner Production, 2021, 283. DOI:10.1016/j.jclepro.2020.124655 |
| [11] |
胡剑波, 王楷文. 中国省域碳排放效率时空差异及空间收敛性研究[J]. 管理学刊, 2022, 35(4): 36-52. Hu J B, Wang K W. Study on temporal and spatial differences and spatial convergence of provincial carbon emission efficiency in China[J]. Journal of Management, 2022, 35(4): 36-52. |
| [12] |
刘元欣, 贺铄, 江雅婧, 等. 中国四大城市群碳排放驱动因素时空分解研究[J]. 气候变化研究进展, 2024, 20(2): 231-241. Liu Y X, He S, Jiang Y J, et al. Spatial-temporal decomposition of carbon emissions in China's four major urban agglomerations[J]. Climate Change Research, 2024, 20(2): 231-241. |
| [13] | Wang M D, Li R, Zhang M G, et al. Mapping high-resolution energy consumption CO2 emissions in China by integrating nighttime lights and point source locations[J]. Science of the Total Environment, 2023, 900. DOI:10.1016/j.scitotenv.2023.165829 |
| [14] | Zhang X R, Cai Z Y, Song W, et al. Mapping the spatial-temporal changes in energy consumption-related carbon emissions in the Beijing-Tianjin-Hebei region via nighttime light data[J]. Sustainable Cities and Society, 2023, 94. DOI:10.1016/j.scs.2023.104476 |
| [15] |
王艳军, 王孟杰, 柳林, 等. DMSP/OLS夜光数据的珠三角碳排放时空差异性分析[J]. 遥感学报, 2022, 26(9): 1824-1837. Wang Y J, Wang M J, Liu L, et al. Analyzing the spatiotemporal differences of carbon emission in the Pearl River Delta using DMSP/OLS nighttime light images[J]. National Remote Sensing Bulletin, 2022, 26(9): 1824-1837. |
| [16] |
梁归, 林跃胜, 方凤满. 环境规制视角下长三角地区碳排放的时空效应[J]. 环境科学研究, 2023, 36(4): 848-856. Liang G, Lin Y S, Fang F M. Temporal and spatial effects of carbon emissions in the Yangtze River Delta from the perspective of environmental regulation[J]. Research of Environmental Sciences, 2023, 36(4): 848-856. |
| [17] | Liu X P, Ou J P, Wang S J, et al. Estimating spatiotemporal variations of city-level energy-related CO2 emissions: an improved disaggregating model based on vegetation adjusted nighttime light data[J]. Journal of Cleaner Production, 2018, 177: 101-114. DOI:10.1016/j.jclepro.2017.12.197 |
| [18] | Wei W, Zhang X Y, Zhou L, et al. How does spatiotemporal variations and impact factors in CO2 emissions differ across cities in China? Investigation on grid scale and geographic detection method[J]. Journal of Cleaner Production, 2021, 321. DOI:10.1016/j.jclepro.2021.128933 |
| [19] | Zhou Y, Chen M X, Tang Z P, et al. City-level carbon emissions accounting and differentiation integrated nighttime light and city attributes[J]. Resources, Conservation and Recycling, 2022, 182. DOI:10.1016/j.resconrec.2022.106337 |
| [20] | Wu F, Wang S Y, Zhou P. Marginal abatement cost of carbon dioxide emissions: the role of abatement options[J]. European Journal of Operational Research, 2023, 310(2): 891-901. DOI:10.1016/j.ejor.2023.03.015 |
| [21] |
冯冬, 李健. 京津冀区域城市二氧化碳排放效率及减排潜力研究[J]. 资源科学, 2017, 39(5): 978-986. Feng D, Li J. Research of the carbon dioxide emission efficiency and reduction potential of cities in the Beijing-Tianjin-Hebei Region[J]. Resources Science, 2017, 39(5): 978-986. |
| [22] | Xiao H J, Zhou Y, Zhang N, et al. CO2 emission reduction potential in China from combined effects of structural adjustment of economy and efficiency improvement[J]. Resources, Conservation and Recycling, 2021, 174. DOI:10.1016/j.resconrec.2021.105760 |
| [23] |
狄乾斌, 侯智文, 陈小龙. 基于夜间灯光数据的中国海岛县碳排放时空分异及影响因素研究[J]. 地理与地理信息科学, 2022, 38(6): 23-28. Di Q B, Hou Z W, Chen X L. Spatial and temporal differentiation of carbon emissions and its influencing factors based on nighttime light data for island counties in China[J]. Geography and Geo-Information Science, 2022, 38(6): 23-28. |
| [24] |
牛亚文, 赵先超, 胡艺觉. 基于NPP-VIIRS夜间灯光的长株潭地区县域土地利用碳排放空间分异研究[J]. 环境科学学报, 2021, 41(9): 3847-3856. Niu Y W, Zhao X C, Hu Y J. Spatial variation of carbon emissions from county land use in Chang-Zhu-Tan area based on NPP-VIIRS night light[J]. Acta Scientiae Circumstantiae, 2021, 41(9): 3847-3856. |
| [25] |
郝瑞军, 魏伟, 刘春芳, 等. 中国能源消费碳排放的空间化与时空动态[J]. 环境科学, 2022, 43(11): 5305-5314. Hao R J, Wei W, Liu C F, et al. Spatialization and spatio-temporal dynamics of energy consumption carbon emissions in China[J]. Environmental Science, 2022, 43(11): 5305-5314. |
| [26] |
武爱彬, 赵艳霞, 郭小平, 等. 基于土地利用和夜间灯光数据的京津冀区域碳排放时空分异研究[J]. 地理与地理信息科学, 2022, 38(6): 36-42. Wu A B, Zhao Y X, Guo X P, et al. Spatio-temporal differentiation of carbon emissions in the Beijing-Tianjin-Hebei region based on land use and nighttime light data[J]. Geography and Geo-Information Science, 2022, 38(6): 36-42. |
| [27] |
武娜, 沈镭, 钟帅. 基于夜间灯光数据的晋陕蒙能源消费碳排放时空格局[J]. 地球信息科学学报, 2019, 21(7): 1040-1050. Wu N, Shen L, Zhong S. Spatio-temporal pattern of carbon emissions based on nightlight data of the Shanxi-Shaanxi-Inner Mongolia region of China[J]. Journal of Geo-Information Science, 2019, 21(7): 1040-1050. |
| [28] | Shan Y L, Guan D B, Zheng H R, et al. Data descriptor: China CO2 emission accounts 1997-2015[J]. Scientific Data, 2018, 5. DOI:10.1038/sdata.2017.201 |
| [29] |
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. |
| [30] | Meng X, Han J, Huang C. An improved vegetation adjusted nighttime light urban index and its application in quantifying spatiotemporal dynamics of carbon emissions in China[J]. Remote Sensing, 2017, 9(8). DOI:10.3390/rs9080829 |
| [31] | Shi K F, Chen Y, Li L Y, et al. Spatiotemporal variations of urban CO2 emissions in China: a multiscale perspective[J]. Applied Energy, 2018, 211: 218-229. DOI:10.1016/j.apenergy.2017.11.042 |
| [32] | Shi W J, Liu Y T. Farming-pastoral ecotone boundaries dataset of northern China (1970-2010)[J/OL]. Digital Journal of Global Change Data Repository, doi: 10.3974/geodb.2018.05.05.V1. |
| [33] | Li S J, Cao X, Zhao C C, et al. Developing a pixel-scale corrected nighttime light dataset (PCNL, 1992-2021) combining DMSP-OLS and NPP-VIIRS[J]. Remote Sensing, 2023, 15(16). DOI:10.3390/rs15163925 |
| [34] | Li L Y, Yang J. A new method of energy-related carbon dioxide emissions estimation at the provincial-level: a case study of Shandong Province, China[J]. Science of the Total Environment, 2020, 700. DOI:10.1016/j.scitotenv.2019.134384 |
| [35] | Liu Z, Guan D B, Wei W, et al. Reduced carbon emission estimates from fossil fuel combustion and cement production in China[J]. Nature, 2015, 524(7565): 335-338. DOI:10.1038/nature14677 |
| [36] | 孙中昶, 孙洁, 郭华东, 等. 中国城市2020年建成区数据集[EB/OL]. http://www.doi.org/10.11922/sciencedb.j00001.00332, 2021-12-15. |
| [37] | Shi K F, Chen Z Q, Cui Y Z, et al. NPP-VIIRS nighttime light data have different correlated relationships with fossil fuel combustion carbon emissions from different sectors[J]. IEEE Geoscience and Remote Sensing Letters, 2021, 18(12): 2062-2066. DOI:10.1109/LGRS.2020.3014956 |
| [38] |
徐英启, 程钰, 王晶晶. 中国资源型城市碳排放效率时空演变与绿色技术创新影响[J]. 地理研究, 2023, 42(3): 878-894. Xu Y Q, Cheng Y, Wang J J. The impact of green technological innovation on the spatiotemporal evolution of carbon emission efficiency of resource-based cities in China[J]. Geographical Research, 2023, 42(3): 878-894. |
| [39] | Du J, Liang L, Zhu J. A slacks-based measure of super-efficiency in data envelopment analysis: a comment[J]. European Journal of Operational Research, 2010, 204(3): 694-697. DOI:10.1016/j.ejor.2009.12.007 |
| [40] |
张军, 吴桂英, 张吉鹏. 中国省际物质资本存量估算: 1952-2000[J]. 经济研究, 2004, 39(10): 35-44. Zhang J, Wu G Y, Zhang J P. The estimation of China's provincial capital stock: 1952-2000[J]. Economic Research Journal, 2004, 39(10): 35-44. |
| [41] | Zhou P, Wang M. Carbon dioxide emissions allocation: a review[J]. Ecological Economics, 2016, 125: 47-59. DOI:10.1016/j.ecolecon.2016.03.001 |
| [42] | Chen L, Liu S Y, Cai W G, et al. Retrospective carbon reduction potential of residential buildings in China based on equity and efficiency coupling[J]. Building and Environment, 2023, 242. DOI:10.1016/j.buildenv.2023.110588 |
| [43] | Xu L, Yang J, Cheng J X, et al. How has China's low-carbon city pilot policy influenced its CO2 abatement costs? Analysis from the perspective of the shadow price[J]. Energy Economics, 2022, 115. DOI:10.1016/j.eneco.2022.106353 |
| [44] | Wang M S, Cai B F. A two-level comparison of CO2 emission data in China: evidence from three gridded data sources[J]. Journal of Cleaner Production, 2017, 148: 194-201. DOI:10.1016/j.jclepro.2017.02.003 |
| [45] | Shi Q R, Zheng B, Zheng Y X, et al. Co-benefits of CO2 emission reduction from China's clean air actions between 2013-2020[J]. Nature Communications, 2022, 13(1). DOI:10.1038/s41467-022-32656-8 |
| [46] | Zheng J L, Mi Z F, Coffman D, et al. The slowdown in China's carbon emissions growth in the new phase of economic development[J]. One Earth, 2019, 1(2): 240-253. DOI:10.1016/j.oneear.2019.10.007 |
| [47] | Guan D B, Meng J, Reiner D M, et al. Structural decline in China's CO2 emissions through transitions in industry and energy systems[J]. Nature Geoscience, 2018, 11(8): 551-555. DOI:10.1038/s41561-018-0161-1 |
| [48] | Zhang Y X, Zheng X Z, Cai W J, et al. Key drivers of the rebound trend of China's CO2 emissions[J]. Environmental Research Letters, 2020, 15(10). DOI:10.1088/1748-9326/aba1bf |
| [49] |
张维阳, 段学军, 于露, 等. 现代工业型与传统资源型城市能源消耗碳排放的对比分析——以无锡市与包头市为例[J]. 经济地理, 2012, 32(1): 119-125. Zhang W Y, Duan X J, Yu L, et al. Comparisons and analysis of the carbon emissions from energy consumption between the resources-Based industrial citie and the modern industrial city——a case study on Wuxi and Baotou[J]. Economic Geography, 2012, 32(1): 119-125. |
| [50] |
丁翔. 基于地矿统筹的煤炭城市产业转型研究——以山西省朔州市为例[D]. 北京: 中国地质大学(北京), 2018. Ding X. Study on industrial transforming of coal mining city based on integrated strategy of local government and mining enterprises——a case of Shuozhou city, Shanxi province[D]. Beijing: China University of Geosciences (Beijing), 2018. |