2025, Vol. 46
气候系统监测及多项指标表明, 全球气候变暖仍在持续, 平均气温不断走高[1], 不仅导致一系列极端天气事件还严重威胁着人体健康. 在此背景下, 2020年中国提出了“碳达峰”与“碳中和”目标, 并将其纳入生态文明建设整体布局. “双碳”目标的提出, 为今后一段时期我国生态文明建设和高质量发展提供了方向指引, 也推动了碳源/汇监测、碳中和路径、低碳技术等成为全社会关注的热点. 通过分析碳收支详实且有效的背景数据, 时空演变规律以及驱动机制作用时空异质性, 可为地方政府因地制宜地构建自然资源体系、积极响应低碳发展战略提供支撑.
对于碳排和碳汇核算来说, 我国尚无直接监测数据, 已有的碳收支评估主要基于“自上而下”的清单法、模型评估法或通量法[2~4], 欧美等发达国家已经开展了基于大气观测和反演的监测、验证与支撑方法体系研究. 相对而言, 我国碳排/汇监测评估仍是当前亟需重点研究的关键问题. 与碳收支监测比, 碳盈亏时空分布和驱动因素研究较为成熟, 目前研究表明, 我国近20 a碳亏损呈现出先快后慢的增加趋势, 空间分布呈现出“北高南低, 东多西少”的格局[5], 但近几年西部地区碳亏损显著增加[6]. 驱动因素集中在人口规模[7, 8]、能源强度[9, 10]、经济发展[11]和产业结构[12]等社会经济因素, 其中经济规模扩张是现代碳排放大幅度增加的主要原因[11, 13, 14]. 但是, 对于碳源/汇时空变化及二者关系的综合考量, 以及影响碳源/汇关系的驱动因素空间异质性等问题, 还没有得到广泛关注, 这不利于因地制宜地制定碳中和策略. 在驱动因子研究方面, 已有的研究方法主要通过模型法（例如STIRPAT模型、地理加权回归模型）和等式法（例如IPAT等式、Kaya恒等式）对驱动因子进行分解[15], 以上方法不仅忽略了自然本底因子这一重要因素对碳源/汇的作用效果, 且仅依靠面板数据分析使得研究成果同具体空间规划联动受阻, 削弱了研究成果对区域发展政策的指导作用. 本文选择因子分析模型和GTWR模型结合的方法, 从驱动因子库中聚合强度靠前的驱动因子, 分析县域碳盈亏驱动因子作用机制.
研究尺度上, 国内关于碳源/汇的监测评估多以城市群[16]和省域[17]为主, 县域尺度研究多为碳排放评估[18~20], 对碳汇的计算和评估尺度多以生态系统[21]、海洋[22]和特定地理区域为主[23], 如西南地区、黄土高原和长江流域等, 对全国行政尺度碳汇潜力研究成果较少[24], 研究尺度较粗, 无统一尺度, 同时忽视了不同土地利用方式下各类功能空间存在的碳源/汇作用均质性和异质性特征. 陕西省横跨3个气候区, 自然禀赋差异明显且与我国其他省份相比具有更为复杂的社会经济条件[25], 位于其境内的秦岭是中国南北的分界线, 陕西省碳盈亏时空分布及其驱动因子的空间异质性可以反映中国北、西、南部地区的差异.
基于上述事实, 本文以陕西省107个县为例, 在相对更精细化的县域尺度及陕西省特有的不同地貌单元尺度上, 揭示不同土地利用类型的碳源/汇时空格局及其关系变化特征. 由于土地利用转移在短期内较为缓慢, 为了突出结果间的差异, 因此计算2000年、2010年和2020年农业空间、城镇空间、生态空间的碳源/汇数据, 运用空间自相关、冷热点分析、标准差椭圆和LISA-时间路径一系列探索性时空数据的方法研究碳盈亏的综合特征, 选用GTWR模型探析驱动因子作用效果的时空异质性, 以期为陕西省碳中和策略制定提供科学依据, 构建全面诊断并剖析碳中和及其时空异质性的指标体系, 预期可为相关区域, 如西北地区其他欠发达地区乃至全国相似气候区低碳发展提供借鉴.
1 研究区概况与数据来源 1.1 研究区陕西省位于我国西北地区, 土地面积20.56万km2, 2022年底常住人口3 956万人, 地区生产总值32 773亿元. 全省辖10个地级市和杨凌农业高新技术产业示范区, 共计107个县（区）. 据自然地理特征差异, 陕西境内自北而南分为4个地貌单元（图 1）即：陕北沙漠高原、陕北黄土高原、关中断陷盆地和陕南秦巴山地.
|
图 1 研究区示意 Fig. 1 Schematic of the study area |
陕北沙漠高原区主要分布在最北部长城以北地区, 位于毛乌素沙漠的南缘, 属温带干旱半干旱气候, 主要植被类型为温带灌木半灌木. 陕北黄土高原, 延安市以北风沙区, 水土流失极为严重, 生态环境相当脆弱；以南的丘陵沟壑区山区植被覆盖率高, 畜牧业较为发达, 塬面平坦适宜农作物生长. 主要气候类型是暖温带半干旱或半湿润气候, 植被类型是温带草原. 陕北地区矿产资源极其丰富, 能源化工产业是该区域发展的支柱产业. 关中平原属于暖温带半干旱或半湿润气候, 关中断陷盆位于暖温带, 植被类型主要是南部落叶栎林, 是陕西省人口集中地和经济发展核心区域. 陕南秦巴山地, 盆地属于北亚热带湿润气候、山地大部属于暖温带湿润气候, 植被主要为北亚热带落叶常绿阔叶混交林地带, 是陕西省重点生态保护区, 拥有多个国家级自然保护区.
1.2 研究数据来源考虑到2000年、2010年和2020年县域数据的可用性和准确性, 本项目中使用的数据包括土地利用数据、能源消耗数据、气象数据、地形地貌数据、植被数据、农业作物产量数据和社会经济数据等, 数据来源见表 1. 部分缺失数据通过相邻年份代替或者平滑计算得到.
|
表 1 数据类型及来源 Table 1 Data type and source |
2 研究方法
本文主要分为4个步骤（图 2）, 即基础数据库的构建（包括碳源/汇数据库和碳盈亏驱动因子数据库）、碳盈亏时空格局探索、驱动因子时空异质性研究和陕西省多尺度减排增汇策略分析.
|
图 2 陕西省碳盈亏驱动因素及时空异质性 Fig. 2 Driving factors and spatiotemporal heterogeneity of carbon neutrality in Shaanxi Province |
城镇空间（建设用地）作为碳源, 生态空间（林地、草地和湿地）作为碳汇, 农业空间（耕地）既作为碳源又作为碳汇, 分别定量计算不同国土规划空间的2000年、2010年和2020年的二氧化碳排放和吸收, 形成面向县域国土空间碳排/汇清单后作差得到碳盈亏, 评估各县域碳盈亏时空演变趋势.
2.1.1 陕西省碳排量计算（1）农业空间碳排 县域农业空间碳排主要来自化肥的使用[26], 其他主要来自农业生产过程中的灌溉、机械使用和农药耗用等导致的碳排.
（2）城镇空间碳排 城镇空间主要包括城镇建设空间、工矿建设空间以及部分乡级政府驻地的开发建设空间[27] . 城镇空间碳排主要通过化石能源消耗数量以及相应的碳排放系数间接估算[28], 由于陕西省能源消费结构主要以煤炭为主, 本文主要采用综合能源消费量和碳排放系数的乘积来进行计算.
2.1.2 陕西省碳汇量计算（1）农业空间碳汇 耕地的碳吸收计算主要依据耕地上种植的农作物产量数据[29]. 目前学界普遍使用的农作物经济系数和碳吸收率一般来自王修兰[30]的研究结果, 平均含水率来自方精云等[31]的研究成果, 汇总见表 2.
|
|
表 2 农作物碳汇参数 Table 2 Parameters of crop carbon sink |
（2）生态空间碳汇 本文依据国家发改委于2022年3月发布的《生态产品总值核算规范（试行）》中不同植被和湿地类型及土壤固碳速率参数, 计算林地、草地和湿地碳吸收, 忽略无法形成稳定碳汇的荒漠生态系统[32], 采用固碳速率法分别对上述3种生态用地碳吸收量进行估算.
上述计算过程具体公式见表 3.
|
|
表 3 碳排/汇计算公式 Table 3 Formula for calculating carbon emissions and sinks |
2.1.3 碳盈亏计算
碳盈亏是碳排量和碳汇量之间的差值, 它可以表达区域内部碳排/汇之间的平衡关系[33], 对于区域减排、增效提质至关重要[34]. 其计算公式为：
|
(1) |
式中, Cb为碳盈亏量；Csk为碳汇量；Cse为碳排放量. 当Cb > 0时表示区域碳汇量大于碳排量, 即研究时段内研究区处于碳盈余状态；当Cb < 0时表示区域碳排量大于碳汇, 即碳亏；当Cb=0时表示研究区产生的碳排刚好能被完全吸收, 达到相对“零排放”, 即碳中和.
2.2 陕西省碳盈亏时空格局演变时空数据分析（ESTDA）包含一系列空间数据分析方法, 其核心是空间关联的时空演进测度, 可以对各县域碳盈亏情况的时空分布格局的时间过程进行描述和可视化, 判断其为空间聚集或分异[35].
2.2.1 时空聚类特征分析（1）空间自相关 全局Moran's I指数是度量空间相互联系与空间差异常用的指数, 通用于区域碳排[36]和碳汇[37]的时空变化研究, 可衡量县域碳盈亏空间聚类特征. Moran's I的值域范围为[-1, 1], 若给定显著性水平, 为正时说明观测值之间存在正相关, 空间上呈聚集分布, 反之亦反；仅当Moran's I接近期望值-1/（n-1）时, 在空间上随机分布.
（2）冷热点分析 利用Getis-Ord Gi*统计指数进行冷热点分析, 通过计算各要素的Z值和P值来判断空间高值区与低值区的集聚[38], 如果Z值为正且显著时, 表示周围的值相对较高（高于均值）, 即高值空间集聚, 反之亦反.
2.2.2 时空变化特征分析标准差椭圆模型（SDE）用于描述地理要素空间分布整体特征. 通过重心、方位角和面积等参数, 从整体空间角度解释分布特征, 可反映碳盈亏空间上整体分布情况[39]. 通过对比长时间序列结果, 观察碳盈亏在时间推移中的演化过程.
2.2.3 时空跃迁特征LISA-时间路径是Moran散点图中以LISA坐标时间迁移特性为基础, 刻画碳盈亏在局部区域内时空协同变化, 确定碳盈亏局部空间差异的时空动态性, 以实现碳盈亏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. 县域单元的LISA坐标由碳盈亏量的标准化值及其空间滞后量组成, 通过相应时间点的LISA坐标移动来度量LISA坐标在2个时间点的转移[40], 即：
|
(2) |
式中, (yi，t) 为i市（区）在t年的碳盈亏量标准化值, (yLi，t) 为i市（区）在t年的空间滞后量. LISA时间路径的几何特征通常用相对长度（Γi）和弯曲度（Δi）表示, 二者的表达式分别为：
|
(3) |
|
(4) |
式中, T为年度间隔, Li，t为i县在时间t的LISA坐标, 即(yi，t，y Li，t)，d(Li，t，Li，t+1) 为i县从时间t至t + 1的移动距离, 其他变量含义同上. Γi大于1, 表示i县具有动态的局部空间依赖关系和局部空间结构, 反之亦反. Δi越大, 表明LISA时间路径越弯曲, 即i县在方向上有波动的碳盈亏增长过程和局部空间依赖演化过程, 反之, 则受影响越小, 碳盈亏稳定性越强.
2.3 驱动因子时空异质性分析以碳盈亏为因变量分析2000年、2010年和2020年陕西省碳盈亏时空变化的驱动因素（表 4）, 对遥感数据进行分区统计, 计算平均值后, 形成对应年份县域数据属性表, 基于Python对数据进行Min-Max标准化和VIF检验, 经过因子分析, 筛选得出对陕西省县域碳盈亏影响较大的驱动因子.
|
|
表 4 碳盈亏驱动因素时空分析指标体系 Table 4 Spatiotemporal analysis of carbon neutrality driving factors |
选用GTWR模型进行回归, 和传统的回归模型相比, 在处理空间数据时可以解决由于解释变量空间位置的不同所带来的空间非平稳性问题[41], 从而揭示自然本地因子对碳中和时空布局的影响；和GWR相比, GTWR模型引入了时间差异的维度, 探究不同时期不同因子对时空格局的驱动影响. 基本表达式如下所示：
|
(5) |
式中, yi为第i个样本点的因变量值, (ui，vi)为第i个样本点的经纬度, ti为观测时间, xik为第i个样本点的第k个解释变量, εi为模型误差项, β0(ui，vi，ti)为第i个样本点的回归常数, βk(ui，vi，ti)xik为第i个样本点的第k个解释变量的回归系数. 回归系数的表达式如下所示：
|
(6) |
式中, W(ui，vi，ti)为时空位置i的权重, GTWR模型通过时空权重矩阵构建来决定其他样本点值对回归样本点的影响权重, 其形式为对角矩阵, 表示为：
|
(7) |
2000年、2010年和2020年陕西省年碳排/碳汇总量如图 3. 从时间上看, 陕西省碳排放总量从2 981万t增长至8 254万t, 碳汇总量从3 535万t增长至4 920万t. 在2010年陕西省几乎处于碳中和状态, 碳排量和碳汇量差值仅为3 296 t, 这和我国从2000年开始对经济发展和环境保护予以同等关注密不可分, 2000~2020年陕西省保持碳汇量稳步提高. 国家从2000年开始实施西部大开发战略, 加上陕西省本身旱涝灾害带来不利影响, 在过去的20 a, 陕西省人类活动和经济发展的能源消耗比较大, 最终表现为碳排增长速率提升和碳汇增长速率下降, 碳盈余逐渐转变为碳亏损的趋势特征.
|
图 3 陕西省2000、2010和2020年碳盈亏趋势 Fig. 3 Carbon profit and loss trends in Shaanxi Province in 2000, 2010, and 2020 |
研究期内陕西省四大地貌单元均呈现碳排放和碳汇逐年增长的情况（图 4）, 碳亏主要集中在关中平原和长城沿线风沙区且碳亏损“长城沿线风沙区” > “关中平原”, 而黄土丘陵沟壑区和秦巴山区虽处于碳盈但盈余量逐渐减少且碳盈余“秦巴山区” > “黄土丘陵沟壑区”, 总之, 四大地貌区碳中和进程任重道远. 2000年关中平原处于碳盈余的状态, 在2010年处于几乎碳中和状态, 但是核心城市辐射带动能力不够, 城市经济梯度差距过大, 支柱产业趋同明显等问题的存在, 随着时间的推移, 经济社会发展和资源环境矛盾日渐突出, 到2020年碳亏高达3 398万t.
|
图 4 陕西省四大地貌区域研究期碳盈亏 Fig. 4 Carbon profit and loss in the study period of the four geomorphological regions in Shaanxi Province |
黄土高原丘陵沟壑区自然生态环境禀赋相对较差, 地质灾害频发, 水土流失严重, 土壤肥力下降, 除对经济造成损失以外, 还降低了人类生活质量, 从而形成了恶性循环[35]. 随着国家全面实施退耕还林还草工程, 区域植被覆盖度显著增加, 碳汇量从2000年的454万t, 增长至650万t, 最后至801万t, 但碳排增加量平均每10 a增加415万t, 远远大于碳汇, 碳盈的优势逐渐减弱.
秦巴山区过去20 a均处于较高水平的碳盈余状态, 一方面是由于西部大开发战略和脱贫攻坚战略使得该区域连片特困地区经济不断增长, 基础设施和生态环境明显改善, 另一方面是秦巴山区水系发达, 森林覆盖率高达53%, 是国家重点生物多样性及水源涵养生态功能区, 碳汇基础条件优势明显.
长城沿线风沙区自然承载力较差, 碳汇基础能力薄弱的同时作为国家大型优质资源区, 陕西省煤炭等化石能源的主产地, 一直处于高碳排的状态, 导致该区成为陕西省减排增汇的重难点区域. 但是在过去20 a整个风沙区实现了从“沙进人退”到“绿进沙退”的转变[42], 生态环境不断转好, 碳汇总量从455万t到651万t最后到801万t, 但其经济起步较晚且主要产业多是化工产业, 碳亏总量627万t到1 149万t, 再到3 062万t, 是陕西省碳亏损的主要聚集地.
3.1.3 县级尺度通过自然断点法将县域碳盈亏结果分为7类并可视化（图 5）, 分别为极度碳亏、高度碳亏（盈）、中度碳亏（盈）和轻度碳亏（盈）. 由图 5可知, 2000年各县级单元碳中和进程差异明显, 且在地理空间位置上呈显著的集聚格局. 2000年碳盈余的平均值为8万t, 标准差为55万t. 其中62个城市的碳盈余平均值超过全县域平均水平, 27个城市处于碳亏状态, 主要分布于陕北黄土丘陵沟壑区. 2000~2010年县域单元碳排放量逐渐增长, 全省的平均值由正转负, 由碳盈转变为碳亏, 出现碳亏损的城市增加7个, 关中平原地区是主要增加区域. 2010~2020年, 碳亏损数值急剧增加, 平均值由31 t增加至31万t, 碳排放高水平城市数量增长明显, 且由中部地区向陕北地区转移. 研究期内, 碳亏损量最大的始终是位于长城沿线风沙区的神木市, 碳盈最多的是位于秦巴山区的柞水县, 与地貌区分布空间格局一致.
|
图 5 陕西省县域2000、2010和2020年碳盈亏 Fig. 5 Carbon profit and loss in counties of Shaanxi Province in 2000, 2010, and 2020 |
计算各县级单元的全局Moran's I指数和Getis-Ord Gi*统计指数, 综合分析2000~2020年碳盈亏的时空格局的聚集特征. 结果如表 5所示, 随着时间的推移, 县域单元的碳盈亏在空间上“俱乐部效应”越来越显著. Getis-Ord Gi*统计指数（图 6）反映出热点区域主要分布在关中地区, 显著冷点区域和极显著冷点区域都分布在陕北, 主要集中在府谷县、神木县、榆阳区和横山区, 因此陕西省减排增汇需要关注减排增汇潜力巨大的陕北.
|
|
表 5 2000年、2010年和2020年全局莫兰指数 Table 5 Global Moran's I in 2000, 2010, and 2020 |
|
图 6 陕西省研究期内冷热点分布 Fig. 6 Distribution of hot and cold spots in Shaanxi Province during the study period |
本研究期内, 陕西省碳盈亏标准差椭圆（SDE）呈明显的“东北-西南”向分布（图 7）, 其重心始终位于泾阳县, 由泾阳县边界（X：337 972.40, Y：3 682 288.89）向北偏东转移至泾阳县内部（X：341 261.99, Y：3 691 293.14）, 最后向南偏东移至泾阳县与渭城区交界处（X：343 647.53, Y：3 682 208.01）, 方向性特征较为显著, 方位角表明陕西省碳盈亏移动的方向由东北转变为东南. 2000~2020年, 转角变动小, 重心迁移不明显, 表明陕西省碳盈亏处于较为稳定的状态, 由此可知陕西省碳盈亏时空变化始终处于稳定状态.
|
图 7 陕西省碳盈亏标准差椭圆 Fig. 7 Standard deviation ellipse of carbon profit and loss in Shaanxi Province |
采用自然断点法, 将时间路径相对长度和弯曲度由高到低分别划分为4种类型：高相对长度（弯曲度）、较高相对长度（弯曲度）、较低相对长度（弯曲度）、低相对长度（弯曲度）（图 8）, 2000~2020年, 陕西省碳盈亏约有68%属于低相对长度和低弯曲度, 且二者分布格局大致相同, 所以陕西省碳盈亏的空间结构稳定性强.
|
图 8 2000~2020年陕西省LISA时间路径 Fig. 8 LISA time path of Shaanxi Province from 2000 to 2020 |
从相对长度来看, 高相对长度的有榆阳区、横山区和靖边县3个区域, 表明碳盈亏空间结构在研究时期内具有强烈的波动性, 以上区域均位于长城沿线风沙区, 原因在于近10 a, 西部大开发被赋予新的重任, 在政策的支撑下这些地区经济快速发展, 且主要以高碳排放的第二产业为主, 同时区域生态环境脆弱, 碳汇量严重不足, 这就造成了碳亏总量急剧增加. 较高相对长度区域包括渭城区、韩城市、临渭区和蒲城县, 区域碳盈亏空间结构具有较强的动态性；相反府谷县、神木市、米脂县和定边县等共计27个区县有较低的相对长度, 区域的空间结构比较稳定；长安区、渭城区、富平县和乾县等另外73个县域呈现出低相对长度的状态, 甚至均小于1, 这表明其稳定性较强.
从弯曲度看, 陈仓区、雁塔区和渭滨区呈现出高弯曲度, 这表明这3个区域具有较强波动性的碳亏损增长和局部空间依赖变化过程[43]. 渭滨区弯曲度最大, 主要是因为其毗邻陕、甘两省交界处, 受周边城市经济社会发展影响较大. 雁塔区作为西部综合排名第一的市辖区, 长期以来的支柱产业是商业消费[44], 虽然经过多年持续升级改造, 已趋于平稳, 但仍易受经济大环境波动影响. 府谷县、神木市、黄陵县和王益区等7个区县具有较高弯曲度, 表明这些地区空间依赖方向上具有较大波动性. 弯曲度较低区域集中在子洲县、宝塔区、宜川县和富县等18个区县, 碳盈亏空间依赖的波动性不强, 不易受到周边区域的影响. 莲湖区、碑林区和灞桥区等其他79个区县具有低弯曲度, 其中弯曲度最低的县为镇安县, 原因主要是其坐落于秦岭深处, 与世隔绝, 因此空间变迁依赖过程最稳定.
3.3 陕西省碳盈亏驱动因子及时空异质性上述结果可知, 陕西省碳盈亏分布格局存在一定的时空非平稳性, 为探寻其背后的驱动因子及其时空异质性, 需要构建GTWR模型, 分析不同时间点和不同空间格局下[45]的碳盈亏驱动因素及规律.
3.3.1 驱动因子预处理在使用GTWR模型之前, 对面板数据进行预处理, 以保证结果的有效性. 对表 4中21个指标项进行Min-Max归一化和共线性检验后进行VIF因子独立性检验, 剔除显著离群的因子. 结果显示, X5、X13、X14和X20的VIF系数均大于5, 预测其与其他变量之间相关性较高, 剔除.
3.3.2 驱动因素因子分析为了减少数据的冗余, 进一步对驱动因子进行降维处理, 将多变量聚合成几个独立的公共因子[46]. 选取综合得分数据绝对值较大（解释力最大）的2~3个指标命名6个主成分（表 6）. PC1共同起到主要作用的是建设用地面积占比、城镇化率和人均GDP等与建设用地相关的因素, 因此, 将PC1命名为城镇建设；PC2由坡度、海拔和耕地面积占比等自然因素主导, PC2命名为自然资源；同理, PC3为人类活动包括退耕还林面积、年平均降水量和人均GDP, PC4为能源消耗：人口密度和万元GDP消耗；PC5为产业发展：第三产业增加值占比和人均GDP；PC6为生态保护：植被种类、全社会固定资产投资和植被覆盖度.
|
|
表 6 驱动因素因子分析法综合得分 Table 6 Composite score of driving factor factorial analysis |
3.3.3 基于GTWR模型的驱动因子空间异质性
为了比较模型估计结果的优劣, 本文采用香港中文大学黄波教授团队开发的ArcGIS中GTWR插件[47], 以碳盈亏为因变量, 将上述6个主成分（PC1~PC6）分别进行OLS和GTWR两种模型的估计, 两者的R2结果分别为0.22和0.69, GTWR模型结果明显较优, 因此选用GTWR模型对碳盈亏驱动因素分年份计算相关系数, 按照相等间距法分类统一比较影响力的大小, 结果如图 9.
|
图 9 2000、2010和2020年陕西省碳盈亏驱动因子GTWR相关系数空间分布 Fig. 9 Spatial distribution of GTWR correlation coefficients of carbon profit and loss drivers in Shaanxi Province in 2000, 2010 and 2020 |
城镇建设对碳中和影响：从时间上看, 在2000年、2010年和2020年这3个时间内, 陕西省城镇建设对碳中和均产生了负向影响, 尤其是在陕北生态环境脆弱的地区. 随着陕西省城镇化率从22.27%增加至59.43%, 意味着对资源和基础设施的占用增加, 碳排放不断增加的同时, 生态用地也被转化成为生活或生产用地, 碳汇功能得到了削弱, 因此陕西省减排增汇目标的压力呈上升趋势. 从空间上看, 城镇建设对碳中和进程呈现出从南到北负向影响先增后减, 然后逐渐增大到区域最大, 主要是因为城镇建设对碳盈亏的影响和当地情况有关, 陕北地区发展依赖本地丰富的矿产资源, 城镇建设能源消耗量远远大于关中地区和陕南地区.
自然资源对碳中和的驱动作用：在研究期内经历了一个由负转正且整体增长的过程, 具有最为明显的空间异质性. 长城沿岸风沙区则一直呈现出负向驱动, 因为随着坡度和海拔的提升, 其他地区在一定范围内物种多样性会增加, 但是在支离破碎的陕北地区, 坡度越大意味着水土流失越严重, 从而加重经济贫困. 陕西省其他地区, 尤其是东部地区, 包括商南县和丹凤县等, 自然资源对碳盈余的正向驱动影响越来越大, 这得益于陕西省围绕“山青、水净、坡绿”的目标, 逐步推行生态环境保护, 陕西省绿化覆盖率达到39.32%, 生态脱贫取得显著成效, 自然资源逐渐丰富的同时, 对碳中和逐渐产生积极影响, 且正向驱动作用逐渐增加, 这也说明统筹本地自然禀赋, 因地制宜, 探索符合当地的发展模式是绿色低碳发展的关键.
人类活动对碳盈亏的影响：在研究时间段内均为负值, 且整体上呈现出负向影响逐渐加深的趋势, 表明人为因素在碳中和的进程中起着越来越重要的作用. 其中变化最明显的是位于陕南秦巴山区的宁强县和镇坪县. 宁强县人类活动的影响由负转正, 这表明人类活动可以通过对自然的改造加快碳中和发展进程, 出台和实施相关扶持政策能有效支持区域绿色发展；镇坪县的影响由正转负, 则表明公共部门的环保支出超出一定范围后对私人部门的环保投资产生了挤出效应[45], 对增加碳汇量有一定的限制. 对于全省来说, 陕西省居民点和工矿用地16 a来增加了32.6%[48], 随着人类活动对生态空间的挤占, 使得区域土地利用结构变化剧烈, 导致区域固碳能力下降, 人类活动的增加会增加对资源的消耗, 从而使碳排放量增加, 使得人类活动对碳中和的负面影响增加.
能源消耗对碳盈亏的作用方向不一：在陕南和陕北出现了不同的变化趋势, 能源消耗在2000年产生负向影响, 该阶段能源消耗结构粗放, 没有重视对环境的影响. 值得注意的是, 2010~2020年陕南秦巴山区出现正向驱动且驱动作用进一步增加, 主要是因为在2010年陕南地区实施了移民搬迁政策, 减少独户安置, 加上近几年高新技术的创新, 风力、水力发电技术的发展和清洁能源在陕南的广泛使用, 从而提高了地区能源利用效率, 这也证明合理使用能源可对碳中和产生正向影响. 而陕北地区负面驱动逐渐扩大, 陕北地区和关中地区作为陕西经济发展的主要区域, 集中了大量的高碳企业, 能源使用成本上升且能源系统具有显著的发展惯性[49], 即使在陕北地区进行一系列负排放技术项目, 能源消耗量仍无法与温室气体排放脱钩.
在研究时间内, 产业发展对碳盈亏的影响在陕北长城沿线风沙区和陕北黄土高原地区始终是负向影响, 这和该地区支柱产业为能源化工企业密不可分, 这类产业的发展无法避免对环境污染, 需要更多的生态承载力来中和高碳排, 但是这些区域自然基础过于薄弱, 所以其产业发展对碳中和的负向影响愈来愈大. 关中地区和陕南秦巴山区由于自然条件优越, 在2000年和2010年产业发展对碳中和进程起到了促进作用, 但是随着社会经济的不断发展, 第二产业占比明显提高, 该区域与其他区域经济发展水平差异变大, 产业发展增加了碳排的同时减缓了碳汇量的增加, 对碳中和进程影响由正转负, 且影响力有逐渐增强的趋势.
生态保护对碳盈亏的影响总体上来说是正向作用, 但是在2000年的府谷县植被覆盖度的提高反而致使碳排放增加, 这是由于森林砍伐和过度放牧等其他干扰, 使得部分地区的植被产生了更多的碳排放. 随着我国生态文明的不断建设, 增强生态系统调节气候和固碳释氧的能力, 陕西省从本世纪开始实行“三化一片林”绿色家园建设和重点区域绿化等工程, 逐步启动关中大地园林化、陕北高原大绿化和陕南山地森林化, 退耕还林工程覆盖全省10市102个县区, 研究期内植被指数提高19.5%, 2020年陕西省植被覆盖度高达73.29%, 尤以陕北退耕还林区和风沙区增加最为显著, 因此在陕北地区应巩固生态保护成果, 大力实施退耕还林、三北防护林建设、京津风沙源治理等工程, 保护陕北长城沿线生态修复区. 与此同时, 陕南地区始终处于正向中低值区, 这表明生态保护在陕南地区出现了“虹吸效应”, 过度强调生态保护反而会抑制碳盈余的增加.
4 讨论 4.1 陕西省碳盈亏时空演变陕西省在2000~2020年碳排放呈现增长趋势, 这与行叶蓓[50]的研究成果一致, 碳排放总量增长了3倍左右, 和该研究成果中1999~2021年的22 a增长了7倍略有不同, 一方面因为时间跨度不同, 另一方面是计算方法不同, 本文基于不同的国土空间自下而上计算碳排, 已有研究中应用了碳排放因子法, 使得研究成果偏高. 碳汇也呈现增长趋势, 但仅增加了1.3倍, 远不及碳排放增长速率, 且2000~2010年增速大于2010~2020年, 这与戴林琳等[51]研究结果相同, 因此陕西省从碳盈余转为碳亏损, 亏损最多的区域在榆林市府谷县和神木县等矿产资源富集城市, 这与宋苑震等 [9]的研究结果一致.
陕西省碳盈亏具有鲜明的空间特征, 这与各县域具有明确的发展定位密不可分, 因此需要从不同尺度实施相关的配套政策, 对于神木和府谷资源型城市应重视环境保护, 大力发展绿色经济, 实现低碳发展, 在不同类型的城市采取有效的措施如阶梯式碳税和不同地区采用不同的碳交易政策等. 碳盈余且稳定性较强区域, 巩固现有的稳定性；碳盈余且波动性较强的区域, 坚守已有成果, 健全生态补偿机制, 促进区域间横向生态补偿制度建立；高碳排且高波动性的城市地区应充分重视相邻市区之间的联系, 区域协同发展能有效减少碳排；碳亏损但稳定性较强的区域, 在各行各业实施重大变革, 从而打破固有的碳增汇减格局.
4.2 陕西省碳盈亏驱动因素作用机制城镇建设和人类活动的影响程度都得到了不同程度的加强, 这说明人为因素对碳中和目标的实现正发挥着越来越大的作用, 对于政府而言要在宏观上制定合理的碳减排政策, 探索碳增汇奖励机制, 并对政策的执行进行监督.
自然资源虽然在短期内不会发生剧烈变化, 但其作用效果最具有明显的空间分异, 自然禀赋一定程度上决定了区域减排增汇潜力, 资源型且生态脆弱的县域, 在经济规模快速膨胀时期, 要着重考虑脆弱的生态本底, 实施节能减排政策, 推广高效节能技术, 警惕步入“先污染后治理”的老路.
能源消耗和产业发展也是影响碳盈亏时空分布的重要驱动因子. 研究时段内二者的重要性增加, 但作用效果变化趋势相反, 能源消耗在陕西省南部出现了正向影响, 产业结构影响则主要呈现出由正转负, 这就要求区域重视绿色产业的发展, 以加快生态文明建设为主线, 坚持以人为本, 全面协调可持续发展.
综上所述, 不同的地貌单元应结合已有的自然本底特色, 向不同的低碳发展道路倾斜. 长城沿线风沙区作为陕北能源化工工业带, 工业减排措施是该区域发展的重要任务, 实施节能减排政策, 推广高效节能技术, 鼓励工业将一部分资金应用于发展CCUS技术. 陕南秦巴山区要在严守生态保护红线的基础上重视绿色产业的发展, 全面协调可持续发展, 走生态旅游兴县, 生态农业富县的道路. 黄土丘陵沟壑区在未来的发展中应以增加碳汇为主, 修复湿地、森林和草原等生态系统, 推广节水农业、有机农业和农田林果一体化, 提高农田的储碳能力. 关中平原的减排增汇应以城市绿化为重点, 增加城市绿化和绿地建设, 提高城市空气质量, 坚持发展节能产业, 优化产业结构, 打造绿色低碳产业园.
4.3 不足与展望本文建立陕西省县域碳源/汇数据库和碳盈亏驱动因子数据库, 填补陕西省县域层面碳汇清单空白的同时, 丰富了土地利用碳排放的研究尺度, 通过ESTDA和GTWR模型研究了陕西省县域碳盈亏的时空演变规律和社会、经济、政策尤其是自然驱动因子的时空异质性, 厘清相关因子在时空上作用程度的差异. 本研究成果不仅有助于陕西省在相关行业减排、高能耗企业转型和新兴绿色产业落地等低碳链条构建中提供翔实有效的背景数据, 碳盈亏时空异质性指标体系还提供了分步骤、分区域和分类型的战略支撑, 从而制定有针对性的发展政策. 但仍有以下不足：①受到统计数据发布滞后的限制, 研究区大部分社会经济数据只更新到2020年, 为了突出驱动因子的异质性, 选择10 a一期的时间间隔, 但通过研究2000年、2010年和2020年区域碳盈亏空间分布和驱动因素的空间异质性可以得到规律性的结论, 对区域的高质量发展具有一定的参考意义, 在未来的研究中, 将时间尺度间隔年限减少, 从而得出更有说服力的碳盈亏发展规律. ②受研究尺度限制, 运行GTWR模型时栅格数据按照县域行政区划求取了平均值, 削弱了数据的精度, 因此在未来的研究中, 尝试加入格网尺度研究, 探究格网精度下, 碳盈亏的时空演变格局和驱动因子及其时空异质性.
5 结论（1）2000、2010和2020年, 陕西省碳排放分别为2 681万、4 600万和8 254万t, 碳汇量为3 535万、4 600万和4 920万t, 从碳盈余854万t到几乎碳中和（差3 296 t）, 最后碳亏损3 334万t, 呈现出碳排和碳汇同时增长的趋势, 但碳排增长速率远远大于碳汇, 从空间上看, 县域碳盈亏总量呈现“南盈北亏”, 由陕南到陕北波动式变由盈到亏的格局, 碳亏损集中在长城沿线风沙区和关中平原区, 秦巴山区及黄土丘陵沟壑区则呈现出碳盈余, 与全省碳排/汇增长趋势一致, 亏损的区域在研究期内更加亏损, 而盈余区域盈余量逐渐减少.
（2）陕西省县域碳盈亏空间集聚效应明显, 全局莫兰指数呈上升趋势, 冷点主要集中在陕北长城沿线风沙区, 时空变化特征呈现“东北-西南”方向分布, LISA-时间长度和弯曲度, 约有68%区域属于低水平, 上述结果综合表明, 陕西省碳盈亏在研究期内空间结构和局部空间依赖性大体上较稳定.
（3）时空异质性结果从整体上看, 城镇建设、自然资源（主要指坡度和海拔）、人类活动、产业发展和能源消耗这5项指标对碳中和进程有负向影响, 而生态保护为正向指标；从局部上看, 值得注意的是, 城镇建设和人类活动对碳中和负向驱动越来越来大, 能源消耗在镇坪县、宁强县等区域对碳盈亏产生正向驱动, 且正向影响有进一步扩散的趋势.
| [1] | Chen L, Msigwa G, Yang M Y, et al. Strategies to achieve a carbon neutral society: a review[J]. Environmental Chemistry Letters, 2022, 20(4): 2277-2310. DOI:10.1007/s10311-022-01435-8 |
| [2] |
丁超, 贾子杰, 王振华, 等. 基于生命周期评价的UHPC碳排放控制潜力评估[J]. 硅酸盐通报, 2023, 42(4): 1242-1251. Ding C, Jia Z J, Wang Z H, et al. UHPC carbon emission control potential based on life cycle assessment[J]. Bulletin of the Chinese Ceramic Society, 2023, 42(4): 1242-1251. |
| [3] |
吴强, 张园园, 张明月. 中国畜牧业碳排放的量化评估、时空特征及动态演化: 2001-2020[J]. 干旱区资源与环境, 2022, 36(6): 65-71. Wu Q, Zhang Y Y, Zhang M Y. Quantitative assessment, temporal and spatial characteristics and dynamic evolution of China's animal husbandry carbon emissions[J]. Journal of Arid Land Resources and Environment, 2022, 36(6): 65-71. |
| [4] |
朴世龙, 何悦, 王旭辉, 等. 中国陆地生态系统碳汇估算: 方法、进展、展望[J]. 中国科学: 地球科学, 2022, 65(6): 1010-1020. Piao S L, He Y, Wang X H, et al. Estimation of China's terrestrial ecosystem carbon sink: Methods, progress and prospects[J]. Science China Earth Sciences, 2022, 65(4): 641-651. |
| [5] | 李艳芹, 李宗尧. 空间计量方法下我国碳排放的时空格局及影响因素研究[J]. 统计理论与实践, 2022(3): 10-18. |
| [6] | 冯小芝, 冯志昕, 岳昊江, 等. 中国县域二氧化碳排放及时空分布测度——基于夜光灯数据和贝叶斯优化-提升回归树模型[A]. 见: 2021年(第七届)全国大学生统计建模大赛获奖论文集(一)[C]. 天津: 中国统计教育学会, 教育部高等学校统计学类专业教学指导委员会, 全国应用统计专业学位研究生教育指导委员会, 2021. |
| [7] |
田娟娟, 张金锁. 基于地理探测器的中国碳排放时空分布特征及驱动因素研究[J]. 生态经济, 2022, 38(7): 13-20, 27. Tian J J, Zhang J S. Research on spatial-temporal distribution and the driving factors of CO2 emissions in China based on geographic detector[J]. Ecological Economy, 2022, 38(7): 13-20, 27. |
| [8] | Khan I, Hou F J, Le H P. The impact of natural resources, energy consumption, and population growth on environmental quality: fresh evidence from the United States of America[J]. Science of the Total Environment, 2021, 754. DOI:10.1016/j.scitotenv.2020.142222 |
| [9] |
宋苑震, 曾坚, 王森, 等. 中国县域碳排放时空演变与异质性[J]. 环境科学, 2023, 44(1): 549-559. Song Y Z, Zeng J, Wang S, et al. Spatial-temporal evolution and heterogeneity of carbon emissions at county-level in China[J]. Environmental Science, 2023, 44(1): 549-559. |
| [10] | Bekhet H A, Matar A, Yasmin T. CO2 emissions, energy consumption, economic growth, and financial development in GCC countries: Dynamic simultaneous equation models[J]. Renewable and Sustainable Energy Reviews, 2017, 70: 117-132. DOI:10.1016/j.rser.2016.11.089 |
| [11] | Neves S A, Marques A C, Patrício M. Determinants of CO2 emissions in European Union countries: Does environmental regulation reduce environmental pollution?[J]. Economic Analysis and Policy, 2020, 68: 114-125. DOI:10.1016/j.eap.2020.09.005 |
| [12] | Huang J B, Chen X, Yu K Z, et al. Effect of technological progress on carbon emissions: new evidence from a decomposition and spatiotemporal perspective in China[J]. Journal of Environmental Management, 2020, 274. DOI:10.1016/j.jenvman.2020.110953 |
| [13] | Kong H J, Shi L F, Da D, et al. Simulation of China's carbon emission based on influencing factors[J]. Energies, 2022, 15(9). DOI:10.3390/en15093272 |
| [14] |
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. DOI:10.11821/dlxb202112016 |
| [15] |
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. |
| [16] |
周姝含. 东北三省碳源/碳汇时空分布与碳盈亏预测研究[D]. 大连: 辽宁师范大学, 2023. Zhou S H. Spatio-temporal distribution of carbon source/sink and carbon deficit prediction in Northeast China[D]. Dalian: Liaoning Normal University, 2023. |
| [17] |
陈帝伯, 魏伟, 周俊菊, 等. 中国省域碳源/碳汇强度及碳盈亏的空间演变[J]. 经济地理, 2023, 43(1): 159-168. Chen D B, Wei W, Zhou J J, et al. Spatial evolution of China's provincial carbon source/sink intensity and carbon surplus and deficit[J]. Economic Geography, 2023, 43(1): 159-168. |
| [18] |
余文梦, 张婷婷, 沈大军. 基于随机森林模型的我国县域碳排放强度格局与影响因素演进分析[J]. 中国环境科学, 2022, 42(6): 2788-2798. Yu W M, Zhang T T, Shen D J. County-level spatial pattern and influencing factors evolution of carbon emission intensity in China: A random forest model analysis[J]. China Environmental Science, 2022, 42(6): 2788-2798. DOI:10.3969/j.issn.1000-6923.2022.06.034 |
| [19] |
祁慧博, 沈欣懿, 龙飞, 等. 浙江省县域碳排放的时空格局与影响因素研究[J]. 长江流域资源与环境, 2023, 32(4): 821-831. Qi H B, Shen X Y, Long F, et al. Study on spatial-temporal pattern and influencing factors of county carbon emissions in Zhejiang province[J]. Resources and Environment in the Yangtze Basin, 2023, 32(4): 821-831. |
| [20] |
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. Spatio-temporal 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. |
| [21] | Qi H B, Shen X Y, Long F, et al. Spatial-temporal characteristics and influencing factors of county-level carbon emissions in Zhejiang province, China[J]. Environmental Science and Pollution Research, 2023, 30(4): 10136-10148. |
| [22] |
刘坤, 张慧, 孔令辉, 等. 陆地生态系统碳汇评估方法研究进展[J]. 生态学报, 2023, 43(10): 4294-4307. Liu K, Zhang H, Kong L H, et al. An overview of terrestrial ecosystem carbon sink assessment methods towards achieving carbon neutrality in China[J]. Acta Ecologica Sinica, 2023, 43(10): 4294-4307. |
| [23] |
陈小龙, 狄乾斌, 侯智文, 等. 海洋碳汇研究进展及展望[J]. 资源科学, 2023, 45(8): 1619-1633. Chen X L, Di Q B, Hou Z W, et al. Research progress and prospect of marine carbon sink[J]. Resources Science, 2023, 45(8): 1619-1633. |
| [24] |
胡剑波, 张宽元. 国内外碳汇研究的特征、脉络与展望——基于CiteSpace的知识图谱分析[J]. 兰州财经大学学报, 2023, 39(2): 9-24. Hu J B, Zhang K Y. Characteristics, trends, and prospects of domestic and international carbon sink research——knowledge graph analysis based on CiteSpace[J]. Journal of Lanzhou Commercial College, 2023, 39(2): 9-24. |
| [25] |
朱海, 黄观文, 张菊清. 顾及气候差异的区域加权平均温度模型——以中国陕西为例[J]. 测绘学报, 2021, 50(3): 356-367. Zhu H, Huang G W, Zhang J Q. A regional weighted mean temperature model that takes into account climate differences: taking Shaanxi, China as an example[J]. Acta Geodaetica et Cartographica Sinica, 2021, 50(3): 356-367. |
| [26] |
杨青林, 赵荣钦, 赵涛, 等. 县域尺度农业碳排放效率与粮食安全的关系[J]. 中国农业资源与区划, 2023, 44(2): 156-169. Yang Q L, Zhao R Q, Zhao T, et al. Elationship between agricultural carbon emission efficiency and food security at county scale[J]. Chinese Journal of Agricultural Resources and Regional Planning, 2023, 44(2): 156-169. |
| [27] | 刘月红. 国土空间规划中城镇空间和城镇开发边界的划定[J]. 华北自然资源, 2023(3): 157-160. |
| [28] |
张赫, 于丁一, 王睿, 等. 面向低碳生活的县域城镇空间结构优化研究[J]. 规划师, 2020, 36(24): 12-20. Zhang H, Yu D Y, Wang R, et al. Strategies on county spatial structure planning under the guidance of household CO2 emission reduction[J]. Planners, 2020, 36(24): 12-20. |
| [29] |
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 |
| [30] |
王修兰. 二氧化碳、气候变化与农业[M]. 北京: 气象出版社, 1996. Wang X L. CO2, climate change and agriculture[M]. Beijing: China Meteorological Press, 1996. |
| [31] | 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, 37(6): 804-812. |
| [32] |
杨元合, 石岳, 孙文娟, 等. 中国及全球陆地生态系统碳源汇特征及其对碳中和的贡献[J]. 中国科学: 生命科学, 2022, 52(4): 534-574. Yang Y H, Shi Y, Sun W J, et al. Terrestrial carbon sinks in China and around the world and their contribution to carbon neutrality[J]. Science China Vitae, 2022, 52(4): 534-574. |
| [33] |
周姝含, 曹永强, 么嘉棋, 等. 东北三省碳源/汇和碳盈亏时空分布与影响因素[J]. 生态学报, 2023, 43(22): 9266-9280. Zhou S H, Cao Y Q, Yao J Q, et al. Spatio-temporal distribution and influencing factors of carbon source/sink, carbon surplus and deficit in three northeast provinces[J]. Acta Ecologica Sinica, 2023, 43(22): 9266-9280. |
| [34] |
王喜, 鲁丰先, 秦耀辰, 等. 河南省碳源碳汇的时空变化研究[J]. 地理科学进展, 2016, 35(8): 941-951. Wang X, Lu F X, Qin Y C, et al. Spatial and temporal changes of carbon sources and sinks in Henan Province[J]. Progress in Geography, 2016, 35(8): 941-951. |
| [35] |
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. |
| [36] | 刘婕. 制造业集聚背景下区域碳排放时空格局演变——以浙江省为例[J]. 生产力研究, 2022(8): 33-38. |
| [37] |
陈罗烨, 薛领, 雪燕. 中国农业净碳汇空间集聚与分异[J]. 生态环境学报, 2015, 24(11): 1777-1784. Chen L Y, Xue L, Xue Y. Spatial Agglomeration and variation Of China's agricultural net carbon sink[J]. Ecology and Environmental Sciences, 2015, 24(11): 1777-1784. |
| [38] |
李子辉, 张亚, 巴永, 等. 云南省植被固碳能力与产水、土壤保持服务冷热点识别[J]. 中国环境科学, 2024, 44(2): 1007-1019. Li Z H, Zhang Y, Ba Y, et al. Cold and hot spots identification for carbon sequestration capacity, water yield and soil conservation services of vegetation in Yunnan Province[J]. China Environmental Science, 2024, 44(2): 1007-1019. |
| [39] |
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. |
| [40] | Wang Y N, Niu Y J, Li M, et al. Spatial structure and carbon emission of urban agglomerations: Spatiotemporal characteristics and driving forces[J]. Sustainable Cities and Society, 2022, 78. DOI:10.1016/j.scs.2021.103600 |
| [41] |
陈怡平, 张义. 黄土高原丘陵沟壑区乡村可持续振兴模式[J]. 中国科学院院刊, 2019, 34(6): 708-716. Chen Y P, Zhang Y. Sustainable model of rural vitalization in hilly and gully region on loess plateau[J]. Bulletin of Chinese Academy of Sciences, 2019, 34(6): 708-716. |
| [42] |
米朝娟, 周自翔, 刘婷, 等. 陕北长城沿线植被恢复与生态系统防风固沙服务模拟分析[J]. 生态学报, 2022, 42(19): 7884-7897. Mi Z J, Zhou Z X, Liu T, et al. Simulation analysis of vegetation restoration and ecosystem wind prevention and sand fixation service along the Great Wall in Northern Shaanxi[J]. Acta Ecologica Sinica, 2022, 42(19): 7884-7897. |
| [43] |
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. |
| [44] | 刘智慧, 薛瑛, 程兴. 西安市雁塔区构建全域秦创原的实践与探索[J]. 新西部, 2022(6): 197-200. |
| [45] |
唐建荣, 苏苏. 区域生态效率的测度及其影响因素研究——基于GTWR模型的实证分析[J]. 生态经济, 2023, 39(5): 154-162. Tang J R, Su S. Study on the pattern and influencing factors of regional ecological efficiency: an empirical analysis based on GTWR model[J]. Ecological Economy, 2023, 39(5): 154-162. |
| [46] |
刘照德, 詹秋泉, 田国梁. 因子分析综合评价研究综述[J]. 统计与决策, 2019, 35(19): 68-73. Liu Z D, Zhan Q Q, Tian G L. Research review on comprehensive evaluation of factor analysis[J]. Statistics & Decision, 2019, 35(19): 68-73. |
| [47] | Wang S Q, Sun P L, Sun H Y, et al. Spatiotemporal variations of carbon emissions and their driving factors in the yellow river basin[J]. International Journal of Environmental Research and Public Health, 2022, 19(19). DOI:10.3390/ijerph191912884 |
| [48] | Wei Y M, Chen K Y, Kang J N, et al. Policy and management of carbon peaking and carbon neutrality: a literature review[J]. Engineering, 2022, 14: 52-63. |
| [49] |
李登科, 王钊. 气候变化和人类活动对陕西省植被NPP影响的定量分析[J]. 生态环境学报, 2022, 31(6): 1071-1079. Li D K, Wang Z. Quantitative analysis of the impact of climate change and human activities on vegetation NPP in Shaanxi Province[J]. Ecology and Environmental Sciences, 2022, 31(6): 1071-1079. |
| [50] |
行叶蓓. 陕西省碳排放脱钩效应与碳达峰预测分析[D]. 延安: 延安大学, 2023. Xing Y B. Carbon emission decoupling effect and carbon peak prediction analysis in Shaanxi Province[D]. Yan'an: Yan'an University, 2023. |
| [51] |
戴林琳, 封昌炜, 周子杰, 等. 中国县域尺度碳收支的时空演变研究[J]. 生态经济, 2023, 39(11): 31-39, 59. Dai L L, Feng C W, Zhou Z J, et al. Temporal and spatial evolution of carbon budget at county scale in China[J]. Ecological Economy, 2023, 39(11): 31-39, 59. |