2025, Vol. 46
2. 南京财经大学政府管理研究中心，南京 210023;
3. 河海大学公共管理学院，南京 211100;
4. 浙江财经大学公共管理学院，杭州 310018
2. Government Management Research Centre, Nanjing University of Finance & Economics, Nanjing 210023, China;
3. School of Public Administration, Hohai University, Nanjing 211100, China;
4. School of Public Administration, Zhejiang University of Finance & Economics, Hangzhou 310018, China
中国已成为世界最大的碳排放国, 为降低碳排放, 2020年, 中国政府提出力争于2030年前达到碳排放峰值, 努力争取2060年前实现碳中和. 陆地生态系统碳汇是实现碳中和的重要组成部分. 目前, 生态系统碳汇成为减少碳排放的重要方法, 缓解全球气候变暖的重要途径[1]. 县域作为中国行政管理体系的基本单元, 是管理和规划的最佳单元[2]. 开展县域碳汇时空特征及其影响因素分析, 有助于掌握碳汇时空演化规律及其影响机制, 对实现碳中和目标具有重要意义, 为减排增汇政策的制定提供科学依据.
随着“双碳”目标的提出, 碳汇的相关研究明显增加. 从研究内容上, 主要研究碳汇的时空特征[3~6]、影响因素[7~10]及潜力[11~14]. 吴东清等[9]分析了2001~2020年西藏碳源、碳汇时空特征及影响因素, 发现碳汇区主要分布在东部与南部林地地区, 影响碳汇的主要因素包括高程、温度与降水. Zhang等[12]预测了2002~2017年中国南部地区单位面积的碳汇承载力. 从研究碳汇类型上, 主要研究森林生态系统碳汇[11, 12, 15, 16]、农田生态系统碳汇[8, 17~19]、草地生态系统碳汇[20~22]、城市生态系统碳汇[23~25]、陆地生态系统碳汇[1, 26~28]和海洋生态系统碳汇[29~32]等. Ke等[11]分析了中国森林碳汇的潜力. 宾津佑等[8]测算了2010~2020年广东省农田生态系统碳源汇效应时空演变规律, 并分析了其主要驱动因素. 彭云峰等[21]总结了中国草地碳汇的时空格局及影响因素. 石铁矛等[23]总结了城市生态系统碳汇核算方法. Yang等[1]分析了陆地生态系统碳汇对碳中和的贡献. Li等[29]估算了1990~2015年海洋碳汇和陆地碳汇, 并预测了不同气候情景下2020~2099年海洋碳汇和陆地碳汇. 从研究尺度上, 目前碳汇研究主要集中在全球尺度[30, 31]、国家尺度[16, 33, 34]、省域尺度[9, 15, 35]和市域尺度[3, 7, 8, 36], 而对县域尺度碳汇研究相对较少[37]. Zhang等[30]使用自适应数据分析方法研究了过去30 a全球海洋碳汇的季节尺度到10 a尺度的时空变化. Lin等[16]基于139个国家的数据, 构建面板阈值模型验证了森林碳汇与经济发展之间存在“U”型关系. 付伟等[15]测算了1993~2018年中国省域森林碳汇量, 并分析了其外溢效应和影响因素. 许庆等[3]分析了徐州植被碳汇的时空变化特征. 从研究方法上, 研究碳汇影响因素的方法主要包括LMDI因素分解模型[8]、地理加权回归模型[5]、空间杜宾模型[15, 26, 35]、地理探测器[9]、通径分析[7]、面板数据分析[17]和双重差分法[34]等.
学者对碳汇开展了大量研究, 为本研究奠定了重要基础. 但仍需从以下方面加强：一是多研究单一类型生态系统碳汇, 研究陆地生态系统碳汇的较少, 而研究陆地生态系统碳汇, 有助于准确地掌握碳汇状况. 二是研究尺度主要集中在全球、国家、省域和市域, 对县域尺度研究较少, 而县域尺度是中国资源可持续利用与管理的最佳尺度[38]. 各县域社会经济和自然环境之间存在明显的差异, 导致县域碳汇差异明显[39]. 碳汇存在尺度效应, 县域尺度碳汇的特征与其他尺度不同, 县域尺度的碳汇差异大于地市及以上尺度[40]. 开展县域尺度碳汇时空特征及其影响因素研究, 有利于更加精确地掌握县域尺度碳汇情况, 制定符合县域尺度的减碳增汇政策. 盐城市生态系统具有很好的典型性和代表性, 兼具湿地、海洋、森林、农田、草地和城市生态系统, 已是国际湿地城市、国家森林城市和国家生态文明建设示范区. 因此, 本文以盐城市10个县域为研究对象, 分析1990~2020年盐城市县域碳汇时空特征及其影响因素, 揭示盐城市县域碳汇变化的时空规律及其影响机制, 以期为制定盐城市生态系统碳汇能力巩固提升实施方案提供科学依据, 对于相似县域具有重要的参考与借鉴意义. 本研究的主要贡献为：①现有研究多分析单一类型生态系统碳汇, 本研究分析了盐城市陆地生态系统碳汇, 有助于准确地掌握碳汇状况；②以往研究尺度多为市域以上尺度, 本研究分析了盐城市县域碳汇, 弥补了县域尺度研究较少的不足.
1 材料与方法 1.1 研究区概括盐城市位于32°34′~34°28′N, 119°27′~120°54′E, 地处江淮平原东部, 地形皆为平原, 大部分地区海拔不足5 m, 土地面积16 931 km2. 地处亚热带向暖温带的过渡区, 是中国南北的连接区. 生态系统类型多样, 主要生态系统类型包括：城市生态系统、湿地生态系统、森林生态系统、农田生态系统和海洋生态系统. 湿地类型齐全, 连片分布面积大, 保护层级完整, 2022年荣获“国际湿地城市”称号. 森林覆盖面积为25.846×104 hm2, 森林覆盖率为15.26%, 2019年被授予“国家森林城市”称号, 2021年被生态环境部命名为国家生态文明建设示范区. 盐城市主要包括滨海县、大丰区、东台市、阜宁县、建湖县、开发区、射阳县、亭湖区、响水县和盐都区等10个县域.
1.2 数据来源盐城市矢量数据和1990~2020年30 m分辨率的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. 地区生产总值、第二产业比例、常住人口和土地面积等数据来源于1991~2021年的《盐城市统计年鉴》.
1.3 研究方法 1.3.1 碳汇核算碳汇包括植被碳吸收、土壤碳吸收和水域碳吸收. 植被碳吸收和土壤碳吸收包括的土地类型如表 1所示. 水域碳吸收主要包括水域和海涂. 碳汇计算公式如下[41]：
|
(1) |
|
表 1 土壤和植被碳汇系数1）/t·km-2·a-1 Table 1 Carbon sink coefficient of soil and vegetation/t·km-2·a-1 |
式中, C为碳汇量, CSi为i的碳汇能力, Ai为i的面积. 土壤和植被碳汇能力见表 1.
1.3.2 标准差椭圆标准差椭圆用于测度碳汇空间分布整体特征, 其基本参数包括沿X轴和沿Y轴的标准差、转角θ构成, 沿X轴和沿Y轴的标准差可表征其离散程度, 转角θ可表征碳汇空间分布的主趋势方向.
沿X轴和沿Y轴的标准差为：
|
(2) |
|
(3) |
式中, σX为沿X轴的标准差, σY为沿Y轴的标准差；n为县域单元总数；
转角θ计算公式如下：
|
(4) |
式中, θ为转角, 其他变量含义同式（2）.
1.3.3 多尺度地理加权回归（MGWR）模型MGWR（multiscale geographically weighted regression）模型针对每个解释变量选择最优带宽进行回归, 能够较真实地模拟不同解释变量的尺度效应, 其计算公式为[43~45]：
|
(5) |
式中, yi、xij和εi为县域i的碳汇量、解释变量和随机误差项, β0为截距, （ui, vi）为i点的空间位置；j为解释变量个数；bwj为第j个解释变量回归系数的带宽, βbwj为回归系数.
2 结果与讨论 2.1 碳汇时间特征 2.1.1 碳汇总量变化由图 1可知, 盐城市碳汇量总体呈增加趋势, 碳汇变化大致可分为两个阶段：第一个阶段1990~2005年, 碳汇量增加相对缓慢阶段. 第二个阶段2005~2020年, 碳汇量增加较快阶段, 尤其是2005~2010年增加较快. 实施江苏沿海大开发战略, 加强推进沿海滩涂开发利用, 增加了耕地和林地面积, 退耕退草还湖有一定成效, 水体面积增加较快. 同时, 盐城开始向集约型、可持续方向发展. 从县域尺度看, 大丰区的碳汇量最大, 开发区的碳汇量最小. 大丰区湿地面积较大, 湿地碳汇量明显高于其他县域. 开发区面积明显小于其他县域, 碳汇用地面积较小. 大丰区、射阳县和东台市变化趋势与盐城市碳汇量总体变化趋势相似.
|
图 1 1990~2020年盐城市县域碳汇量 Fig. 1 Carbon sinks at the county level in the Yancheng City from 1990 to 2020 |
由图 2可知, 以标准差测度的碳汇量的绝对差异总体呈波动上升趋势, 1990年标准差最小, 为72 268.350, 2010年标准差最大, 为104 016.730, 增加了43.931%. 大致可分为3个阶段：1990~2005年, 标准差波动上升, 表明1990~2005年碳汇的绝对差异波动增加；2005~2010年, 标准差快速上升, 表明2005~2010年碳汇的绝对差异快速增加, 由于2005~2010年间大丰区、射阳县和东台市的碳汇量增加较快与其他县域的碳汇量差距增大；2010~2020年标准差缓慢下降, 表明2010~2020年碳汇的绝对差异缓慢减小. 以变异系数测度的碳汇的相对差异总体也呈波动上升趋势, 1995年变异系数最小, 为0.561, 2010年最大, 为0.639, 增加了13.904%. 以变异系数测度的碳汇量的相对差异与以标准差测度的碳汇量的绝对差异变化趋势基本一致.
|
图 2 1990~2020年盐城市县域碳汇差异 Fig. 2 Differences in carbon sinks among counties in the Yancheng City from 1990 to 2020 |
运用核密度研究碳汇的动态分布特征, 选用Epanechnikov函数, 选取1990年、2000年、2010年和2020年, 绘制盐城市碳汇核密度曲线（图 3）. 1990~2020年碳汇密度分布曲线右拖尾现象增强, 表明1990~2020年高于平均碳排放的县域数量增加. 碳汇核密度曲线右移, 表明各县域碳汇呈增大趋势. 核密度曲线由“尖峰型”变为“宽峰型”, 表明各县域碳汇呈趋异趋势. 曲线形状呈“双峰”模式, 且呈增强趋势, 表明各县域碳汇存在不均衡现象, 且呈增强趋势.
|
图 3 1990~2020年盐城市县域碳汇核密度估计 Fig. 3 Kernel density estimation of carbon sinks at the county level in the Yancheng City from 1990 to 2020 |
采用自然断点法, 将碳汇分为4类（图 4）, 由图 4可知, 1990年, 开发区的碳汇量最小, 为1.209万t, 大丰区的碳汇量最大, 为25.749万t. 较高值区主要分布在盐城沿海地区, 包括大丰区、射阳县和东台市, 由于以上县域湿地和耕地面积较大, 且东台市的森林资源较丰富. 2000年盐城市各县域碳汇空间分布与1990年相同, 表明1990~2000年间盐城市各县域碳汇空间格局稳定. 2010年, 阜宁县碳汇类型降低一级, 其他县域的碳汇空间类型与2000年相同, 因此, 2000~2010年间盐城市各县域碳汇空间格局较为稳定. 2020年盐城市各县域碳汇空间分布与2010年相同, 表明2010~2020年间碳汇空间格局稳定. 综上所述, 1990~2020年盐城市碳汇高值区主要分布在盐城沿海地区, 且碳汇空间格局较为稳定.
|
图 4 1990~2020年盐城市县域碳汇空间分布 Fig. 4 Spatial distribution of carbon sinks at the county level in the Yancheng City from 1990 to 2020 |
为探究盐城市碳汇总体趋势, 对各县域碳汇进行趋势分析（图 5）. 1990年盐城市的碳汇拟合曲线在东西向上和南北向上, 均略呈弧型, 表明1990年盐城市的碳汇, 在东西向上, 中部碳汇量较小, 东部碳汇量大于西部. 在南北向上, 中部碳汇量较小, 南部碳汇量大于北部. 2000年盐城市的碳汇拟合曲线在东西向上, 自西向东总体呈增加趋势, 在南北向上, 略呈弧形, 表明中部碳汇量较小, 南部碳汇量大于北部. 与1990年相比, 东西向碳汇量差异增大, 南北向碳汇量差异变化不大. 与2000年相比, 2010年盐城市东部地区碳汇增加较快, 东西差异进一步增大. 南部地区碳汇增加比北部地区快, 南北差异增大. 与2010年相比, 2020年西部地区碳汇量增加相对较快, 东西差异缩小. 北部地区碳汇量增加也相对较快, 南北差异缩小. 综上所述, 1990~2020年盐城市碳汇量总体呈东高西低, 南高北低的空间分布特征.
|
图 5 1990~2020年盐城市县域碳汇趋势分析 Fig. 5 Trend analysis of carbon sinks at the county level in the Yancheng City from 1990 to 2020 |
为深入分析碳汇空间分布的多维特征, 绘制盐城市各县域碳汇的标准差椭圆（图 6）. 由图 6可知, 每个标准差椭圆所覆盖区域的碳汇占盐城市碳汇的68%, 面积约占盐城市总面积的39%, 总体位于盐城市的中东部地区, 主要包括大丰区、亭湖区、射阳县和滨海县, 以上县域碳汇量较大, 应重点加强以上县域碳汇的管理, 巩固提升其碳汇能力. 2020年碳汇空间格局变化比其他年份大, 主要由于2020年响水县和滨海县的碳汇量增幅较大. 其他年份碳汇总体空间格局较为稳定. 由表 2可知, 碳汇标准差椭圆中心主要分布在120.219°~120.250°E、33.478~33.517°N之间的东南-西北向的条带上, 表明碳汇空间格局演化以东南-西北向为主.
|
图 6 1990~2020年盐城市县域碳汇标准差椭圆 Fig. 6 Standard deviation ellipse of carbon sinks at the county level in the Yancheng City from 1990 to 2020 |
|
|
表 2 1990~2020年盐城市县域碳汇的标准差椭圆参数1） Table 2 Standard deviation ellipse parameters of carbon sinks at the county level in the Yancheng City from 1990 to 2020 |
由表 2和图 7可知, 1990~1995年, 盐城市碳汇标准差椭圆的中心向西南移动0.025 km, 移动距离最小, 平均每年移动0.005 km, 表明1990~1995年盐城市西南部碳汇量有增加趋势, 但增加幅度较小；1995~2000年, 中心向东南移动0.514 km, 平均每年移动0.103 km, 与1990~1995年相比, 中心移动距离明显增加, 可能是由于1995年盐城市加强沿海滩涂建设, 推进海洋工程开放基地建设, 盐城市沿海县域碳汇增加较快. 2000~2005年, 中心向西南移动0.203 km, 平均每年移动0.041 km；2005~2010年, 中心向东南移动1.197 km, 平均每年移动0.239 km, 与2000~2005年相比, 移动幅度明显增大, 可能是由于2009年江苏沿海开发上升为国家战略, 盐城发展列入国家发展战略, 加强沿海地区建设. 2010~2015年, 中心向西北移动0.719 km, 平均每年移动0.144 km；2015~2020年, 中心向西北移动最大, 为2.537 km, 平均每年移动0.507 km, 表明2015~2020年盐城市西北部碳汇量增加较明显, 可能是由于强力推进射阳港、滨海港和陈家港建设, 开展港口的生态修复, 响水县、滨海县和射阳县的碳汇量增长速度高于盐城市其他县域. 综上所述, 1990~2020年盐城市碳汇标准差椭圆的中心基本以10 a为周期, 移动较大距离.
|
图 7 1990~2020年盐城市县域碳汇标准差椭圆中心移动 Fig. 7 Geometric center shift of the standard deviation ellipse of carbon sinks at the county level in the Yancheng City from 1990 to 2020 |
由表 2可知, 沿X轴的标准差总体呈波动下降趋势, 由1990年的26.395 km, 减少到2020年的25.563 km, 减少了0.832 km, 表明碳汇沿X轴方向呈极化趋势. 沿X轴的标准差基本以10 a为周期, 把研究期分为3个阶段：1990~2000年、2000~2010年和2010~2020年, 沿X轴的标准差均表现为先增加后减小, 且该波动变化呈增强趋势. 沿Y轴的标准差大致可分为2个阶段：1990~2005年, 沿Y轴的标准差呈减小趋势, 由1990年的80.163 km, 减少到2005年的79.463 km, 减少了0.701 km, 表明1990~2005年碳汇沿Y轴方向呈极化趋势. 2005~2020年, 沿Y轴的标准差波动增加, 由2005年的79.463 km, 波动增加到2020年的82.239 km, 增加了2.776 km, 尤其是2020年增加较多, 比2015年增加了2.493 km, 表明2020年碳汇沿Y轴方向呈分散趋势且较强. 由转角变化可知, 转角在142.671°~143.458°间变化, 碳汇空间分布总体呈东南-西北格局, 转角有略微的增加趋势, 碳汇方位变化较小.
碳汇的密度指数总体呈增加趋势, 由1990年的75.828 t·km-2, 增加到2020年的100.511 t·km-2, 增加了32.551%, 由于2009年盐城发展列入国家发展战略, 未利用地的开发, 增加了盐城市湿地面积、林地面积和耕地面积, 进而增加了碳汇量. 碳汇的形状指数变化大致可分为2个阶段：1990~2005年, 形状指数略呈增加趋势, 表明碳汇的空间分布形态呈“圆化”趋势, 碳汇的方向趋势减弱. 2005年增加到最大, 为0.331, 表明2005年碳汇的方向趋势最弱. 2005~2020年, 形状指数呈波动下降趋势, 2020年下降到最小值, 为0.311, 表明碳汇的空间分布形态呈“扁化”趋势, 碳汇的方向趋势增强, 2020年碳汇的方向趋势最强. 1995年相似系数最大为1.000, 2010年相似系数最小为0.977, 下降了0.023, 1995~2020年的相似系数均大于0.977, 表明碳汇空间格局总体上相对稳定.
2.3 碳汇影响因素分析 2.3.1 变量选择碳汇受多种因素的影响, 本文借鉴现有研究并结合盐城市实际[5, 10], 以各县域碳汇量为被解释变量, 从经济水平、人口密度、产业结构和土地利用强度等方面选择解释变量, 其中, 经济水平用人均地区生产总值（gross domestic product, GDP）表示, 人口密度用常住人口与县域总面积的比值表示, 产业结构用第二产业占GDP的比例表示, 土地利用强度用县域建设用地面积占县域总面积的比例表示[5]. 为消除量纲的影响, 采用Z值标准化方法进行归一化处理. 由于盐城市各县域碳汇和影响因素存在空间异质性, 因此, 运用地理加权回归模型（geographically weighted regression, GWR）和多尺度地理加权回归模型（MGWR）分析2020年盐城市县域碳汇的影响因素. 同时, 考虑盐城市各县域碳汇和影响因素存在时间异质性和空间异质性, 构建时空地理加权回归模型（geographically and temporally weighted regression, GTWR）, 分析1990~2020年盐城市县域碳汇的影响因素.
2.3.2 模型选择由表 3可知, MGWR模型的拟合优度R2和调整后R2均大于GWR模型和GTWR模型, 且AICc值小于GWR模型和GTWR模型, 表明MGWR模型的拟合结果优于GWR模型和GTWR模型. MGWR模型的有效参数数量和残差平方和均小于GWR模型和GTWR模型, 表明MGWR模型使用较少的参数可模拟更符合实际的结果. 由表 4可知, GWR模型和GTWR模型中各变量最优带宽分别为362.110和0.500, MGWR模型中第二产业比例的最优带宽为136.630明显小于其他变量的最优带宽, 表明第二产业比例对碳汇的作用尺度相对较小. MGWR模型中其他变量的最优带宽与GWR模型中的差别不大.
|
|
表 3 地理加权回归模型、多尺度地理加权回归模型与时空地理加权回归模型的诊断信息 Table 3 Analytical information of GWR, MGWR, and GTWR models |
|
|
表 4 地理加权回归模型、多尺度地理加权回归模型与时空地理加权回归模型各变量带宽 Table 4 Bandwidth of each variable for GWR, MGWR, and GTWR models |
由表 5可知, 从系数均值的绝对值可知, 对碳汇影响由大到小依次是第二产业比例、人口密度、人均GDP和土地利用强度. 从标准差可知, 第二产业比例的标准差最大, 表明碳汇与第二产业比例关系的变异程度最大. 由MGWR估计结果可知, 第二产业比例、人口密度、人均GDP在所有地区均显著, 而土地利用强度在所有地区均不显著. 综上所述, 第二产业比例是影响碳汇的最重要因素, 降低第二产业比例, 优化产业结构是增加碳汇的重要途径. 该研究结果与张赫等[5]的研究结果一致.
|
|
表 5 MGWR模型回归系数的统计描述 Table 5 Statistical description for the MGWR model coefficient |
由图 8可知, 第二产业比例系数均为负且显著, 自西北向东南总体呈增加趋势, 表明降低第二产业比例, 有助于增加碳汇, 自西北向东南的负向作用减弱. 第二产业比例系数取值在-1.072 1~-1.061 4之间, 均值为-1.066 8, 表明第二产业比例每增加1%, 碳汇量降低1.066 8%, 第二产业比例是影响碳汇量的重要影响因素. 第二产业比例对碳汇的负向影响的差异不大. 响水县的第二产业比例系数的绝对值最大, 由于响水县是除开发区外盐城市第二产业比例最高的县域. 东台市的第二产业比例系数的绝对值最小, 由于东台市的第二产业比例相对较低, 森林资源丰富, 同时具备森林生态系统、湿地生态系统和海洋生态系统.
|
图 8 MGWR模型回归系数的空间分布 Fig. 8 Spatial distribution of coefficients in the MGWR model |
人均GDP系数均为正且显著, 自西北向东南总体呈增加趋势, 表明提高经济水平, 有助于增加碳汇, 自西北向东南的正向作用增强. 人均GDP系数取值在0.532 1~0.533 3之间, 均值为0.532 7, 表明人均GDP每增加1%, 碳汇量增加0.532 7%. 人均GDP对碳汇的正向作用差异不大. 东台市的人均GDP系数最大, 响水县的最小. 人均GDP相对较高地区, 更加注重环境保护, 有助于减排增汇, 因此, 应转变经济发展方式, 注重环境保护.
人口密度系数均为负且显著, 自西北向东南总体呈增加趋势, 表明降低人口密度, 有助于增加碳汇, 自西北向东南的负向作用减弱. 人口密度系数取值在-0.692 7~-0.692 0之间, 均值为-0.692 4, 表明人口密度每增加1%, 碳汇量降低0.692 4. 人口密度对碳汇的负向作用的差异不大. 响水县人口密度系数的绝对值最大, 东台市的最小. 人口密度过大, 一定程度上会影响碳汇用地, 降低碳汇用地数量和质量, 导致碳汇量减小. 因此, 应适当控制人口密度, 提高人口素质, 增强人们环保意识.
土地利用强度系数较小, 均为正, 但不显著, 自西北向东南总体呈增加趋势, 表明土地利用强度对碳汇作用不明显, 自西北向东南土地利用强度的正向作用增强. 由于盐城市的建设用地主要由耕地转换而来, 耕地主要通过土地开发、土地复垦和土地整理获得, 盐城市后备土地资源丰富, 实行严格的耕地占补平衡政策, 因此, 土地利用强度对碳汇作用不明显, 应增加生态用地面积, 加强保护湿地和林地等高碳汇用地类型.
3 建议基于以上研究结果, 提出增加碳汇的建议如下：
首先, 盐城市县域碳汇存在明显空间差异和不均衡现象, 应依据各县域碳汇现状, 制定差异化的县域碳汇政策. 例如盐城市沿海地区湿地生态系统碳汇量较大, 应完善湿地保护制度, 积极推进退化湿地的生态恢复工程. 加强湿地碳库建设, 防止湿地的过度开放利用, 限制农业围垦. 优化湿地保护修复机制, 提高湿地治理能力. 东台市森林资源丰富, 碳汇量较大, 应加强沿海防护林和河湖圩堤防护林建设, 加强退化林修复力度, 加快实施低产低效林改造, 提高森林质量和固碳能力. 其次, 第二产业比例是影响盐城市县域碳汇的最重要因素, 应优化产业结构, 促进产业转型升级, 降低县域第二产业比例. 适当控制人口密度, 改善人口结构, 提高人口素质, 增强人们对县域碳汇用地的保护意识. 转变县域经济发展方式, 发展低碳经济, 优化经济结构, 注重经济高质量发展, 促进减碳增汇. 增加县域生态用地面积, 加强保护湿地和林地等高碳汇用地类型. 最后, 分步骤有次序地推进县域碳汇用地保护, 构建县域碳汇补偿机制, 将碳汇的生态价值转换为资产价值, 提高各县域参与碳汇保护的积极性. 建立县域碳汇基金, 为碳汇用地保护提供资金支持, 引导低碳技术推广应用.
4 结论（1）盐城市碳汇总体呈增加趋势, 从1990年的128.439万t, 增加到2020年的170.248万t. 碳汇量的绝对差异波动上升, 相对差异与绝对差异变化趋势基本一致. 盐城市各县域碳汇存在不均衡现象, 且呈增加趋势.
（2）1990~2020年碳汇存在明显空间差异, 高值区主要分布在盐城沿海地区, 碳汇空间格局较为稳定, 总体呈东高西低, 南高北低的空间分布特征. 1990~2020年碳汇空间格局演化以东南-西北向为主, 碳汇标准差椭圆中心主要分布在120.219°~120.250°E、33.478°~33.517°N之间, 基本以10 a为周期, 移动较大距离. 2015~2020年盐城市西北部碳汇量增加较明显.
（3）碳汇受第二产业比例、人均GDP、人口密度和土地利用强度的影响程度不同, 且存在空间异质性. 第二产业比例和人口密度对碳汇具有明显的负向影响, 降低第二产业比例, 是增加碳汇的重要途径. 人均GDP对碳汇具有明显的正向作用. 土地利用强度对碳汇具有正向作用, 但不明显.
| [1] | 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 Life Sciences, 2022, 65(5): 861-895. DOI:10.1007/s11427-021-2045-5 |
| [2] |
李建豹, 揣小伟, 周艳. 江苏省县域碳排放时空演化及影响因素分析[J]. 生态经济, 2023, 39(7): 36-44. Li J B, Chuai X W, Zhou Y. The spatiotemporal pattern evolution and influencing factors of carbon emissions at the county level in Jiangsu Province[J]. Ecological Economy, 2023, 39(7): 36-44. |
| [3] |
许庆, 秦凯, 鹿凡, 等. 煤炭资源枯竭转型城市植被碳汇变化观测: 以徐州为例[J]. 煤炭学报, 2023, 48(7): 2916-2924. Xu Q, Qin K, Lu F, et al. Observational study on the change of vegetation carbon sink in cities with depleted coal resources in transition: Xuzhou as an example[J]. Journal of China Coal Society, 2023, 48(7): 2916-2924. |
| [4] |
王本礼, 王也, 曾超群. 长株潭绿心地区碳汇用地时空演变研究[J]. 经济地理, 2023, 43(6): 176-182, 210. Wang B L, Wang Y, Zeng C Q. Spatiotemporal evolution of carbon sink land in Changsha-Zhuzhou-Xiangtan Greenheart Area[J]. Economic Geography, 2023, 43(6): 176-182, 210. |
| [5] |
张赫, 彭千芮, 王睿, 等. 中国县域碳汇时空格局及影响因素[J]. 生态学报, 2020, 40(24): 8988-8998. Zhang H, Peng Q R, Wang R, et al. Spatiotemporal patterns and factors influencing county carbon sinks in China[J]. Acta Ecologica Sinica, 2020, 40(24): 8988-8998. |
| [6] |
薛秀峰, 张仕超, 赵修杰. 近20a三峡库区(重庆段)县域尺度耕地利用碳源/汇时空演化特征[J]. 长江流域资源与环境, 2024, 33(4): 882-894. Xue X F, Zhang S C, Zhao X J. Spatio-temporal evolution characteristics of carbon source/sink for cultivated land use at county level in the Three Gorges Reservoir Area (Chongqing Section) in recent 20 years[J]. Resources and Environment in the Yangtze Basin, 2024, 33(4): 882-894. |
| [7] |
华朗钦, 张方敏, 翁升恒, 等. 1982—2020年安徽省净生态系统生产力时空格局变化及其成因[J]. 生态学报, 2023, 43(17): 7237-7251. Hua L Q, Zhang F M, Weng S H, et al. Spatio-temporal pattern changes and attribution analysis of net ecosystem productivity in Anhui Province from 1982 to 2020[J]. Acta Ecologica Sinica, 2023, 43(17): 7237-7251. |
| [8] |
宾津佑, 唐小兵. 广东省农田生态系统碳源汇效应时空分异及驱动因素[J]. 水土保持通报, 2023, 43(3): 382-389. Bin J Y, Tang X B. Spatio-temporal differentiation and driving factors of farmland ecosystem carbon source-sink effects in Guangdong Province[J]. Bulletin of Soil and Water Conservation, 2023, 43(3): 382-389. |
| [9] |
吴东清, 侯伟, 桑会勇, 等. 西藏植被碳源/汇时空变化特征及其影响因子分析[J]. 测绘科学, 2022, 47(8): 105-113, 134. Wu D Q, Hou W, Sang H Y, et al. Analysis of spatio-temporal variation of vegetation carbon sources/sinks in Tibet and its impact factors[J]. Science of Surveying and Mapping, 2022, 47(8): 105-113, 134. |
| [10] |
杨卫东, 曾联波, 李想. 碳汇效应及其影响因素研究进展[J]. 地球科学进展, 2023, 38(2): 151-167. Yang W D, Zeng L B, Li X. Advances in research of carbon sinks and their influencing factors evaluation[J]. Advances In Earth Science, 2023, 38(2): 151-167. |
| [11] | Ke S F, Zhang Z, Wang Y M. China's forest carbon sinks and mitigation potential from carbon sequestration trading perspective[J]. Ecological Indicators, 2023, 148. DOI:10.1016/j.ecolind.2023.110054 |
| [12] | Zhang X M, Brandt M, Yue Y M, et al. The carbon sink potential of southern china after two decades of afforestation[J]. Earth's Future, 2022, 10(12). DOI:10.1029/2022EF002674 |
| [13] |
马寅秋, 李佳慧, 曹巍, 等. 京津冀地区退耕还林还草碳增汇潜力及贡献预估[J]. 地理学报, 2024, 79(3): 732-746. Ma Y Q, Li J H, Cao W, et al. Projecting the carbon sink potential and contribution of Grain for Green Program in the Beijing-Tianjin-Hebei region[J]. Acta Geographica Sinica, 2024, 79(3): 732-746. |
| [14] |
陈浮, 张莞悦, 华子宜, 等. 耕地系统增产—降污—固碳多效协同: 机制、潜力及技术路径[J]. 中国土地科学, 2023, 37(12): 1-13. Chen F, Zhang W Y, Hua Z Y, et al. Multi-effect synergy of production increase-pollution reduction-carbon sequestration in cultivated land system: mechanism, potential and technical pathways[J]. China Land Science, 2023, 37(12): 1-13. |
| [15] |
付伟, 李龙, 罗明灿, 等. 省域视角下中国森林碳汇空间外溢效应与影响因素[J]. 生态学报, 2023, 43(10): 4074-4085. Fu W, Li L, Luo M C, et al. Spatial spillover effects and influencing factors of forest carbon sink in China from provincial perspective[J]. Acta Ecologica Sinica, 2023, 43(10): 4074-4085. |
| [16] | Lin B Q, Ge J M. Does institutional freedom matter for global forest carbon sinks in the face of economic development disparity?[J]. China Economic Review, 2021, 65. DOI:10.1016/j.chieco.2020.101563 |
| [17] | Li S L, Wang Z Z. The effects of agricultural technology progress on agricultural carbon emission and carbon sink in China[J]. Agriculture, 2023, 13(4). DOI:10.3390/agriculture13040793 |
| [18] |
贯君, 张少鹏, 任月, 等. 中国农业净碳汇时空分异与影响因素演进分析[J]. 中国环境科学, 2024, 44(2): 1158-1170. Guan J, Zhang S P, Ren Y, et al. Random forest model-assisted evaluation of spatiotemporal differentiation of China's agricultural net carbon sink and evolution of influencing factors[J]. China Environmental Science, 2024, 44(2): 1158-1170. |
| [19] |
张露, 何雨霏, 陈坦, 等. 2011-2020年汾渭平原农田生态系统碳足迹的时空格局演变[J]. 生态环境学报, 2023, 32(6): 1149-1162. Zhang L, He Y F, Chen T, et al. The spatial and temporal pattern evolution of carbon footprint of farmland ecosystem in Fenwei Plain from 2011 to 2020[J]. Ecology and Environmental Sciences, 2023, 32(6): 1149-1162. |
| [20] | Lyu X, Li X B, Wang K, et al. Strengthening grassland carbon source and sink management to enhance its contribution to regional carbon neutrality[J]. Ecological Indicators, 2023, 152. DOI:10.1016/j.ecolind.2023.110341 |
| [21] |
彭云峰, 常锦峰, 赵霞, 等. 中国草地生态系统固碳能力及其提升途径[J]. 中国科学基金, 2023, 37(4): 587-602. Peng Y F, Chang J F, Zhao X, et al. Grassland carbon sink in China and its promotion strategies[J]. Bulletin of National Natural Science Foundation of China, 2023, 37(4): 587-602. |
| [22] |
孙倩, 张美玲, 王鑫婧, 等. 不同气候情景下甘肃草地碳收支时空模拟与预测[J]. 环境科学, 2023, 44(10): 5842-5851. Sun Q, Zhang M L, Wang X J, et al. Spatiotemporal simulation and prediction of grassland carbon budget in Gansu under different climate scenarios[J]. Environmental Science, 2023, 44(10): 5842-5851. |
| [23] |
石铁矛, 王迪, 汤煜, 等. 城市生态系统碳汇固碳能力计算方法与影响因素研究进展[J]. 应用生态学报, 2023, 34(2): 555-565. Shi T M, Wang D, Tang Y, et al. Research progress on calculation method and impact factors of carbon sequestration capacity in urban ecosystems[J]. Chinese Journal of Applied Ecology, 2023, 34(2): 555-565. |
| [24] |
项子源, 王钧, 王伟民. 亚热带城市高温对城市生态系统碳通量的抑制作用研究[J]. 生态环境学报, 2020, 29(9): 1810-1821. Xiang Z Y, Wang J, Wang W M. Study on high temperature constraints on urban ecosystem carbon fluxes in a subtropical city[J]. Ecology and Environmental Sciences, 2020, 29(9): 1810-1821. |
| [25] |
闫涓涛, 王钧, 鲁顺子, 等. 深圳市快速城市化对城市生态系统碳动态的影响研究[J]. 生态环境学报, 2017, 26(4): 553-560. Yan J T, Wang J, Lu S Z, et al. Impacts of rapid urbanization on carbon dynamics of urban ecosystems in Shenzhen[J]. Ecology and Environmental Sciences, 2017, 26(4): 553-560. |
| [26] | 康宽, 郭沛, 裴璇. 中国生态碳汇的时空格局及影响因素[J]. 统计与决策, 2023, 39(14): 157-162. |
| [27] | Xu X J, Liu J, Jiao F S, et al. Ecological engineering induced carbon sinks shifting from decreasing to increasing during 1981-2019 in China[J]. Science of the Total Environment, 2023, 864. DOI:10.1016/j.scitotenv.2022.161037 |
| [28] |
周怡婷, 严俊霞, 刘菊, 等. 2000~2021年黄土高原生态分区NEP时空变化及其驱动因子[J]. 环境科学, 2024, 45(5): 2806-2816. Zhou Y T, Yan J X, Liu J, et al. Spatio-temporal variation in NEP in ecological zoning on the Loess Plateau and its driving factors from 2000 to 2021[J]. Environmental Science, 2024, 45(5): 2806-2816. |
| [29] | Li C Y, Huang J P, Ding L, et al. Estimation of oceanic and land carbon sinks based on the most recent oxygen budget[J]. Earth's Future, 2021, 9(7). DOI:10.1029/2021ef002124 |
| [30] | Zhang M, Cheng Y Y, Bao Y, et al. Seasonal to decadal spatiotemporal variations of the global ocean carbon sink[J]. Global Change Biology, 2022, 28(5): 1786-1797. |
| [31] | Terhaar J, Frölicher T L, Joos F. Southern Ocean anthropogenic carbon sink constrained by sea surface salinity[J]. Science Advances, 2021, 7(18). DOI:10.1126/sciadv.abd5964 |
| [32] |
张风轩, 贺义雄, 王燕炜, 等. 海洋碳汇对碳排放信息披露的激励效应——博弈视角下考虑购买价格的分析[J]. 中国环境科学, 2023, 43(9): 4975-4987. Zhang F X, He Y X, Wang Y W, et al. Incentive effects of marine carbon sink on carbon emission disclosure: An analysis considering purchase price from a game-theoretic perspective[J]. China Environmental Science, 2023, 43(9): 4975-4987. |
| [33] |
童荣鑫, 梁迅, 关庆锋, 等. 2000—2020年中国陆地土壤碳储量及土地管理碳汇核算[J]. 地理学报, 2023, 78(9): 2209-2222. Tong R X, Liang X, Guan Q F, et al. Estimation of soil carbon storage change from land use and management at a high spatial resolution in China during 2000-2020[J]. Acta Geographica Sinica, 2023, 78(9): 2209-2222. |
| [34] | Ge J M, Lin B Q. Does the Kyoto Protocol as an international environmental policy promote forest carbon sinks?[J]. Journal of Global Information Management, 2022, 30(6). DOI:10.4018/JGIM.289651 |
| [35] |
刘俊霞, 丁忠民. 中国农业减碳增汇的时空分异特征及影响因素识别[J]. 农村经济, 2023(8): 57-67. Liu J X, Ding Z M. The characteristics of spatio-temporal differentiation and identification of influencing factors: carbon reduction and sink enhancement of agriculture in China[J]. Rural Economy, 2023(8): 57-67. |
| [36] |
胡景心, 沙青娥, 刘慧琳, 等. 珠江三角洲二氧化碳源汇演变特征及驱动因素[J]. 环境科学, 2023, 44(12): 6643-6652. Hu J X, Sha Q E, Liu H L, et al. Evolution characteristics and driving forces of carbon dioxide emissions and sinks in the Pearl River Delta Region, China[J]. Environmental Science, 2023, 44(12): 6643-6652. |
| [37] |
纪荣婷, 黄言秋, 程虎, 等. "绿水青山就是金山银山"实践创新基地碳汇量核算及碳排放影响因素研究: 以浙江省宁海县为例[J]. 生态与农村环境学报, 2022, 38(8): 1002-1009. Ji R T, Huang Y Q, Cheng H, et al. Calculation of carbon sink and influencing factors of carbon emission in the "Lucid waters and lush mountains are invaluable assets" practice and innovation bases: the case study of ninghai county[J]. Journal of Ecology and Rural Environment, 2022, 38(8): 1002-1009. |
| [38] |
王静, 郭旭东. 我国县级尺度土地可持续利用的科学调控[J]. 地理科学进展, 2002, 21(3): 216-222. Wang J, Guo X D. A study of scientific regulation of sustainable land use at county scale in China[J]. Progress in Geography, 2002, 21(3): 216-222. |
| [39] |
张杰, 陈海, 刘迪, 等. 基于县域尺度土地利用碳排放的时空分异及影响因素研究[J]. 西北大学学报(自然科学版), 2022, 52(1): 21-31. Zhang J, Chen H, Liu D, et al. The spatial and temporal variation and influencing factors of land use carbon emissions at county scale[J]. Journal of Northwest University (Natural Science Edition), 2022, 52(1): 21-31. |
| [40] |
刘颂, 张浩鹏. 多尺度城市绿地碳汇实现机理及途径研究进展[J]. 风景园林, 2022, 29(12): 55-59. Liu S, Zhang H P. Research progress of the mechanism and approach of carbon sink in urban green space at multiple scales[J]. Landscape Architecture, 2022, 29(12): 55-59. |
| [41] |
李建豹. 城镇化碳排放效应及调控策略研究[M]. 南京: 南京大学出版社, 2021. Li J B. Carbon emission effect and control strategy of urbanization[M]. Nanjing: Nanjing University Press, 2021. |
| [42] |
揣小伟. 沿海地区土地利用变化的碳效应及土地调控研究——以江苏沿海为例[D]. 南京: 南京大学, 2013. Chuai X W. Carbon effect caused by landuse changes and its land use control in coastal regions-the case study of coastal region in Jiangsu Province[D]. Nanjing: Nanjing University, 2013. |
| [43] |
黄沣爵, 汤俊卿, 林华丽, 等. 基于多尺度地理加权回归模型的城市建成环境对共享单车空间分布影响研究[J]. 地理研究, 2023, 42(9): 2405-2418. Huang F J, Tang J Q, Lin H L, et al. Built environment effects on the spatio-temporal distribution of shared bikes based on multi-scale geographic weighted regression[J]. Geographical Research, 2023, 42(9): 2405-2418. |
| [44] | Fotheringham A S, Yu H C, Wolf L J, et al. On the notion of 'bandwidth' in geographically weighted regression models of spatially varying processes[J]. International Journal of Geographical Information Science, 2022, 36(8): 1485-1502. |
| [45] | Fotheringham A S, Yang W B, Kang W. Multiscale geographically weighted regression (MGWR)[J]. Annals of the American Association of Geographers, 2017, 107(6): 1247-1265. |