黄河流域横跨我国东、中、西部三大地带，无论是在生态安全保障方面还是在经济社会发展推动上，都占据十分重要的地位^[1]. 虽然近年来黄河流域治理取得巨大成就，但仍存在生态环境脆弱、水资源短缺、流域高质量发展不充分等问题^[2]. 黄河流域生态保护和高质量发展于2019年9月提升为国家层面重大战略^[2，3]. 2021年10月，在《黄河流域生态保护和高质量发展规划纲要》确定了要打造以生态保护为前提具有独特优势的现代产业体系，并着力推动中下游地区产业低碳发展，说明兼顾生态与发展是黄河流域高质量发展的重中之重. 本文分别针对土地利用碳排放总量和ESV进行时空量化评估，并探讨两者间的空间交互作用，研究对土地利用结构的调整、流域规划管制方案的编制和差异化生态保护政策的制定具有重要的参考意义.

近年来黄河流域的经济迅猛发展，土地利用方式发生着翻天覆地的变化. 土地利用的变化推动了碳排放量的快速增长，包括直接碳排放和间接碳排放两个方面，直接碳排放是指采伐森林、建设用地无序扩张和农田耕作等土地利用类型转变或保持的碳排放；间接碳排放则是指土地利用类型上所承载的工矿用地排放和交通尾气等人为碳排放^[4]. 从20世纪90年代开始，国内外学者开始运用不同的方法对土地利用碳排放的核算、效应、特征、影响因素与其未来趋势预测进行研究，研究区域涵盖国家、流域和市域等不同尺度^[5~8]；为更加直观地发现研究区域地类结构和发展水平的差异，较多学者也展开了对土地利用碳排放效率^[9，10]和强度^[11，12]的研究. 在土地利用碳排放核算这一基础研究中，多使用排放系数法^[13，14]、因素分解法^[15]和遥感估算法^[16]等方法. 已有研究多从能源强度^[17]、人口干扰^[18]和土地类型转变^[19]等角度探究土地利用碳排放的剧增原因和驱动机制. 本文旨在确定各种土地利用类型碳排放量，主要关注人类行为引起的不同土地利用方式所产生的碳排放和碳吸收.

人类在生产生活过程当中从自然生态系统中获取的各种利益与福祉称之为生态系统服务（ESV），涵盖了既可以直接感知的有形物质产品供给以及无形的服务提供^[20]. 土地利用变化能够对生态系统提供的服务功能起着决定性作用. 为了使ESV具有可对比性，从而更加珍视生态环境保护，将从自然中获得的利益进行货币化得到生态系统服务价值^[21，22]. 目前主要利用当量因子法、利益转移法和ESV指数法来计算土地利用变化下的ESV，研究内容主要聚焦ESV时空格局^[23~25]、模拟预测^[26~28]、ESV之间权衡协同关系^[29，30]、ESV时空相关性^[31~33]和ESV与碳排放研究^[34，35]等方面. 如王丹等^[36]运用当量因子法得出南四湖流域2000~2018年ESV时空格局，并发现碳排放强度和ESV强度存在空间显著负相关性，且局部明显地聚集现象. 日益频繁的土地利用活动深刻影响生态系统服务的持续有效供应，现有成果证实了土地利用碳排放与ESV之间具有空间相关性，但主要基于高精度的网格尺度，多尺度探究土地利用碳排放与ESV的空间关系非常有必要；且不同类型空间关联背后的影响机制需要深入地实证探讨. 了解生态系统服务与土地利用碳排放两者空间分布的同质性和异质性，探讨这种空间交互关系的影响机制，能够展现生态和地理过程在县域尺度的空间效应，对于制定以生态保护为导向的土地利用政策至关重要.

黄河流域在我国扮演着重要的生态安全屏障角色，同时也是经济发展的重要区域和粮食生产的关键基地之一^[1，37]. 探讨如何保护黄河流域生态环境，推动实现节能减排，具有重大战略意义. 鉴于此，本研究以黄河流域为案例，利用县域尺度土地利用数据和统计资料，探究2000~2020年间土地利用变化过程中碳排放总量和ESV总量的时空演变特征，并对两者的空间交互作用及其影响因素进行研究. 本文结论可为平衡社会发展与生态环境的关系提供一定的参考，以及向黄河流域迈向绿色低碳发展之路提供科学支撑.

本文划定的研究区域主要涵盖在保留黄河流域县级行政区域完整的前提下，参照黄河水利委员会划定的自然流域范围，再加入黄河下游以黄河干流水量为供水水源的地区（图 1）. 研究区域整体呈“几”字型，地势西部高，东部低，由西向东逐级下降，涵盖9个省区、74个地级市（自治州、盟）和498个县（县、自治县、旗、自治旗、县级市、市辖区）.

图 1

Fig. 1

图 1 研究范围示意 Fig. 1 Study area

本文的土地利用数据主要来自武汉大学黄昕团队，该数据是基于Landsat数据，结合随机森林分类器得到分类结果，空间分辨率为30 m. 碳排放估算方面，本文从《中国能源统计年鉴》附录中查找的标准煤换算系数、化石能源标准煤换算系数和2000~2020年能源消耗数据；从《2006IPCC国家温室气体清单指南》中获得了关于化石能源碳排放系数的具体数值；社会经济类数据主要通过各省份、县市统计年鉴以及政府工作报告中获取；降水数据基于中国科学院资源环境科学与数据中心1 km数据，结合2020县级行政区划得出；NDVI数据其分辨率1 km，来自中国科学院资源环境科学与数据中心提供的SPOT/VEGETATION PROBA-V 1 KM PRODUCTS数据产品.

本研究在得到黄河流域2000~2020年各县不同类型用地面积基础上，估算各类型用地的直接碳排放量. 计算方法为不同类型用地面积和相应的碳排放系数相乘再求和，公式如下：

(1)

式中，E_K表示直接碳排放总量；e_i表示不同用地类型i的碳排放总量；S_i和δ_i分别表示不同用地类型i的面积及碳排放系数（表 1）.

表 1 (Table 1)

表 1 各类土地利用类型碳排放系数 Table 1 Carbon emission coefficient of various land use types 土地利用类型 林地 草地 耕地 水域 未利用地 碳排放系数/t·hm-2 -0.644 -0.022 0.422 -0.253 -0.005

表 1 各类土地利用类型碳排放系数 Table 1 Carbon emission coefficient of various land use types

因建设用地碳排放为主要碳源，建设用地碳排放量将基于2000~2020年中国化石能源消耗的面板数据采用碳排放系数法间接估算^[38，39]. 其中选取的能源消耗种类为原煤、焦炭、煤油、原油、柴油、汽油、燃料油、天然气和电力这9种，并结合能源消耗数据、标准煤换算系数和碳排放系数进行估算，具体数据见表 2. 由于黄河流域内大多省的统计年鉴没有公布各市的能源消费量，各县域的能源消费量数据通过县域GDP和全省GDP比值来间接测算，碳排放系数通过结合已有研究成果和不同土地类型进行确定^[40，41]. 最后将其他用地类型碳排放量与建设用地碳排放量求和，并赋值于研究区域中，即可得出研究区域土地利用碳排放时空演变情况.

表 2 (Table 2)

表 2 各类能源标准煤换算系数和碳排放系数 Table 2 Conversion coefficients and carbon emission coefficients of various energy standard coals 能源类型 原煤 焦炭 煤油 原油 柴油 汽油 燃料油 天然气 电力 标准煤换算系数/tec·t-1 0.714 3 0.971 4 1.471 4 1.424 8 1.457 1 1.471 4 1.428 6 1.214 3 0.404 0 碳排放系数 0.755 9 0.855 0 0.571 4 0.585 7 0.592 1 0.553 8 0.618 5 0.448 3 0.793 5

表 2 各类能源标准煤换算系数和碳排放系数 Table 2 Conversion coefficients and carbon emission coefficients of various energy standard coals

本文以生态环境保护为目标，基于黄河流域各县土地利用类型面积数据，并参考陈万旭等^[24]采用利益转移法得出县域各土地利用类型的ESI系数研究（表 3）. 依据不同土地利用类型的面积与相应的生态系统功能ESI系数进行相乘以及加权求和，得到各县的ESV总量. 公式如下：

(2)

表 3 (Table 3)

表 3 各类土地利用类型与各类生态系统功能ESI系数 Table 3 ESI coefficients of various land use types and various ecosystem functions 类型 亚类 林地 草地 耕地 湿地 水域 未利用地 供应服务 食物生产 33.00 43.00 100.00 36.00 53.00 2.00 原材料生产 100.00 12.00 13.00 8.00 12.00 1.34 调节服务 气体调节 100.00 35.00 17.00 56.00 12.00 1.39 气候调节 30.00 12.00 7.00 100.00 15.00 0.96 水文调节 22.00 8.00 4.00 72.00 100.00 0.37 废物处理 12.00 9.00 9.00 97.00 100.00 1.75 支持服务 保持土壤 100.00 56.00 37.00 50.00 10.00 4.23 维持生物多样性 100.00 41.00 23.00 82.00 76.00 8.87 文化服务 提供美学景观 44.00 19.00 4.00 100.00 95.00 5.12

表 3 各类土地利用类型与各类生态系统功能ESI系数 Table 3 ESI coefficients of various land use types and various ecosystem functions

式中，W_ij表示第i种土地利用类型的第j类生态系统功能ESI系数；LA_(i，t)表示第i种土地利用类型在t时间面积；m为9，表示生态系统功能数量；n为7，表示土地利用类型数量（其中将湿地与水域区分计算）

运用全局双变量Moran's I探索黄河流域县域尺度土地利用的碳排放量与ESV之间的空间关系，并利用双变量LISA图对局部空间相关性进行可视化，最终探究出土地利用碳排放与ESV之间空间聚类和离散结果，即空间相关关系. 计算公式如下：

(3)

(4)

式中，I和I_i分别表示土地利用碳排放与ESV的全局双变量Moran's I和局部双变量Moran's I. n表示研究区域县域个数，w_ij为n × n空间权矩阵，x_i和x_j表示县域的属性值，x表示属性值的平均值，S²表示方差.

基于LISA集聚图将黄河流域土地利用碳排放总量和ESV之间的空间相关性设为高-高、高-低、低-高和低-低这4类，为了探究出土地利用碳排放与ESV之间不同类型空间集聚模式的影响因素差异，本文构建了多项式Logit模型，方程如下：

(5)

式中，Logit(P₁/ P₂)表示对数化任意两种类型概率比值；δ_自表示自然环境因子，是指坡度和植被覆盖度（NDVI）；δ_社表示社会经济因子，包括GDP、单位面积GDP、地方财政一般预算支出、地方产业结构、能源利用效率和人口；β_t表示参数向量，其中t=1，2，3.

将低土地利用碳排放-低ESV的类比作为高-高、低-高和低-低这3种类型的参照，构建了回归方程以便分析：

(6)

(7)

(8)

土地利用方式的改变是影响碳排放量的重要因素. 图 2显示了2000~2020年间黄河流域碳排放的动态变化特征. 从总量来看，2000、2010和2020年这3 a土地利用碳排放总量分别为8.76×10⁷、2.15×10⁸和2.46×10⁸ t，20 a间增长了1.58×10⁸ t（约2.8倍），且土地利用碳排放总量增长速率的特点为“先快后慢”. 由表 4可知，建设用地的碳排放量增加为主要原因. 耕地的碳源作用在减弱，林地作为黄河流域主要碳汇并逐年增加，其余用地碳吸收变化较小，原因可能在于农业生产技术的发展带来的生产效率大幅提高，让碳汇的优势开始显现，且退耕还林政策在黄河流域产生了一定成效. 从省域尺度的时空演变来看，20 a间县域土地利用碳排放的低值稳定分布在甘肃、青海和四川这三省，少数位于陕西中部、山西北部. 随着城镇化水平不断提高、能源开发强度持续加大，在2010年和2020年，高值区开始在内蒙古、宁夏和陕西北部等能源丰富地区大面积聚集，在山西、河南和山东这三省呈现局部聚集整体分散的格局. 县级尺度上，碳排放总量高的县域分布于内蒙古、宁夏、陕西和山西等主要核心城市区域，并由离散趋向于聚集，其碳排放总量高于8.14×10⁵ t的县域占比从2.4%升至15.63%，且2020年几乎整个宁夏县域碳排放量都达到3.98×10⁵ t以上. 碳排放低于39.7万t以下的县域从449个减少为325个，其主要位于青海、甘肃和四川等省份中林地山地面积较大的地区，其总体格局从片状逐渐趋于块状、带状零散分布. 20 a间碳排放量最低值位于四川省松潘县，平均每年产生-2.27×10⁵ t碳汇.

图 2

Fig. 2

图 2 2000~2020年黄河流域县域土地利用碳排放总量空间变化规律 Fig. 2 Spatial variation of total land use carbon emissions in counties of the Yellow River Basin from 2000 to 2020

表 4 (Table 4)

表 4 黄河流域土地利用碳排放量结果×105/t Table 4 Results of land use carbon emissions in the Yellow River Basin×105/t 年份 林地 草地 耕地 水域 未利用地 建设用地 总碳排放 2000 -81.51 -15.18 123.90 -2.98 -0.69 852.79 876.33 2010 -85.59 -15.47 115.41 -3.67 -0.64 2 143.07 2 153.11 2020 -91.47 -15.14 112.23 -3.84 -0.65 2 454.51 2 455.64 2000~2020年碳排放变化量 9.96 -0.04 -11.67 0.86 -0.04 1 601.72 1 579.31

表 4 黄河流域土地利用碳排放量结果×105/t Table 4 Results of land use carbon emissions in the Yellow River Basin×105/t

随着土地利用的变化同时带来了ESV的时空动态演变. 通过计算得出2000、2010和2020年这3 a的ESV总量分别为3.03×10⁶、3.06×10⁶和3.05×10⁶万元，总体较为稳定，有小幅度先上升后下降的波动变化. 由表 5可知，各类用地ESV占比来看，草地、林地和耕地是ESV总量的主要构成部分，从高到低分别占比52.98%、25.16%和18.65%以上. 20 a间林地、水域ESV及其占比呈稳定增长，其他类型用地呈现下降趋势. 其因主要与黄河生态保护政策实施有关，使更多其他的土地利用方式转换为林地和水域. 图 3呈现了黄河流域ESV这20 a间的动态时空演变趋势. 可以看出黄河流域县域ESV空间差异明显，西部ESV整体高于东部. 从省级的时空变迁角度出发，ESV低于0.40亿元的地区连片分布在山东、河南、陕西和宁夏等省（区）的重点城市区域，2020年区域面积占比高达58.03%，应更注重生态环境修复与保护. ESV处于0.4亿~1.04亿元的地区在甘肃、宁夏、陕西北部和山西北部呈岛状分布，ESV高于1.04亿元的地区镶嵌其周围. ESV高于2.26亿元的地区平均占比4.54%，稳定位于青海、四川和内蒙古等黄河流域边缘生态质量更高地区. 从县域层面上，20 a间ESV最低值皆为陕西省西安市的市辖区，该地区地形平坦、建设用地密集且生态破坏程度大. 青海省曲麻莱县ESV皆为最高值，平均每年提供9.88亿元的生态系统服务价值，与其多山地林地和人类活动较少有关. 2000~2020年，由于生态保护取得成效，山东省黄河入海口处县域ESV高于0.4亿元数量增加；2010~2020年甘肃北部县域ESV高于1.04亿元数量以及宁夏北部县域ESV低于0.40亿元数量增加，内蒙古县域ESV高于4.68亿元数量减少. 其余地区变化不明显.

表 5 (Table 5)

表 5 黄河流域土地利用ESV结果 Table 5 ESV results of land use in the Yellow River Basin 年份 项目 单位 林地 草地 耕地 湿地 水域 未利用地 总价值 2000 ESV ×109元 6.85 16.21 6.28 0.03 0.56 0.36 30.29 占比 % 22.61 53.52 20.73 0.10 1.85 1.19 100 2010 ESV ×109元 7.19 16.52 5.85 0.01 0.69 0.33 30.59 占比 % 23.50 54.00 19.13 0.03 2.26 1.08 100 2020 ESV ×109元 7.68 16.17 5.69 0.01 0.72 0.25 30.52 占比 % 25.16 52.98 18.65 0.03 2.36 0.82 100 2000~2020年ESV变化量 ×109元 0.83 -0.04 -0.59 -0.02 0.16 -0.11 0.23

表 5 黄河流域土地利用ESV结果 Table 5 ESV results of land use in the Yellow River Basin

图 3

Fig. 3

图 3 2000~2020年黄河流域县域ESV时空演变 Fig. 3 Spatio temporal evolution of ESV in counties of the Yellow River Basin from 2000 to 2020

基于双变量空间自相关模型，利用GeoDa4.0软件，将黄河流域县域土地利用碳排放与ESV之间进行空间关联分析（表 6）. 得出土地利用碳排放与ESV之间具有较为显著的空间负相关性，表明对于一般县域来说，土地利用碳排放高，其ESV就低，反之ESV高的县域，其土地利用碳排放量低.

表 6 (Table 6)

表 6 土地利用碳排放与ESV全局空间自相关数据 Table 6 Global spatial autocorrelation data of land use carbon emissions and ESV 年份 Moran's I指数 P值 Z得分 2000 -0.180 < 0.001 -9.068 0 2010 -0.166 < 0.001 -7.846 6 2020 -0.127 < 0.001 -6.237 0

表 6 土地利用碳排放与ESV全局空间自相关数据 Table 6 Global spatial autocorrelation data of land use carbon emissions and ESV

再将土地利用碳排放与ESV的LISA集聚图进行对比分析（图 4），其中黄色区域表示当地土地利用碳排放量与生态系统服务价值两者都低的地区；蓝色区域表示该区域土地利用碳排放量低，但生态系统服务价值高；绿色区域表示该县土地利用碳排放量高，但生态系统服务价值低；红色区域表示该县土地利用碳排放量高，同时生态系统服务价值也高. 经过分析得到：一是20 a间高-高类县域聚集区主要分布在内蒙古南部、宁夏东部、陕西北部中黄河流经的县域. 其中高-高类县域聚集区20 a间数量有所增加；该类地区高ESV是因黄河流域能为当地提供较高的生态系统调节服务价值. 虽然该地区临近水域，具有定量碳汇来源，但由于过度开发矿产资源、不合理发展重工业，造成土地利用碳排放量相对较高. 二是低-低集聚区主要分布山西、陕西和甘肃的黄土高原沟壑区，并零散分布于低-高聚集区附近；从数量上来看，2000~2010年间低-低类型的县域数量明显增加，且在2000~2020年逐渐从东西两端连接成条带状，可能是受人类活动影响导致大量林地消失，水土流失和沙漠化等生态环境问题出现从而引起ESV降低，其碳排放量低的原因为黄土高原土壤贫瘠、地势崎岖不平、生态环境脆弱和水资源匮乏不便于经济发展. 三是2000~2020年间低-高类型的县域聚集连片分布在青海、四川和以及甘肃西部，少数环绕低-低类型区域附近呈岛状分布；从地形角度分析，山地和高原等地势崎岖地区是低-高聚集主要地区，其基础设施建设难度大，交通不便，经济基础比较落后. 四是高-低聚集区主要在宁夏沿黄城市群、呼包鄂榆城市群、西安、郑州和太原这类具有显著发展活力、经济更活跃和城镇化建设重点的区域；大部分聚集区位于平原地区，地理区位优势明显，且伴随着城镇化进程的加快，20 a间高-低类型县市数量增加.

图 4

Fig. 4

图 4 2000~2020年黄河流域县域土地利用碳排放与ESV的LISA集聚 Fig. 4 LISA agglomeration of land use carbon emissions and ESV in counties of the Yellow River Basin from 2000 to 2020

影响土地利用碳排放与ESV空间相关关系的因素众多. 如李玉玲等^[19]研究了人口、能源碳排放强度、土地规模、能源强度以及经济发展水平这5个方面的因素对碳排放与经济增长脱钩的贡献；马远等^[42]选取了人均GDP、技术投入、能源结构、产业结构、土地利用和政府干预这6个维度探讨土地利用碳排放的主要影响因素及程度. 在ESV时空分异影响因素研究中，王奕淇等^[43]选取了年均降雨量、单位面积GDP、土地垦殖率和人口密度这4个主导变量. 本文充分借鉴文献[19，37，42~45]，考虑到可选取的影响因素数量众多，会出现多重共线性的问题，利用逐步回归的方法筛选出主导因子，将解释程度较高的因子引入模型中. 最终选取了4个社会经济因子（表 7）：人均GDP、地方财政一般预算支出、能源利用效率和人口总量；3个自然环境因子：土地垦殖率、降雨量和NDVI（植被覆盖度）.

表 7 (Table 7)

表 7 空间自相关关系影响因素的解释变量描述 Table 7 Explanatory variable description of the influencing factors of the spatial autocorrelation relationship 项目 变量 测度指标 均值 标准差 社会经济因子 人均GDP 每人平均GDP/万元·人-1 3.93 5.65 地方财政一般预算支出 2020年县域地方财政一般预算支出/亿元 30.31 16.14 能源利用效率 2020年单位GDP能耗 0.60 0.48 人口总量 2020年县域常住人口/万人 23.84 33.23 自然环境因子 土地垦殖率 2020年耕地面积占行政单元总面积比例/% 12.74 16.47 降雨量 2020年县域年平均降水/mm 169.40 212.88 NDVI 2020年县域平均NDVI 0.65 0.16

表 7 空间自相关关系影响因素的解释变量描述 Table 7 Explanatory variable description of the influencing factors of the spatial autocorrelation relationship

运用多项式Logit回归模型对土地利用碳排放与ESV空间相关性影响因素进行分析（表 8）. 从多项式Logit回归模型拟合优度看，模型卡方（Chi²）统计量为301.05，其伪决定系数R²（pseudo R²）为0.756 5，证明模型拟合程度相对较好，在1%统计水平上显著.

表 8 (Table 8)

表 8 以低土地利用碳排放与生态系统服务价值为参照的多项式Logit回归结果 Table 8 Polynomial Logit regression results based on low ecosystem service value and low land use carbon emissions as a reference 变量 高⁃高类型 高⁃低类型 低⁃高类型 人均GDP 0.519* 0.567** 0.097 地方财政一般预算支出 0.01 -0.207** 0.005 能源利用效率 -6.391* -6.39** 0.847 人口总量 -0.045 0.216*** 0.061** 土地垦殖率 0.026 -0.115* -0.214*** 降雨量 -0.041* -0.052** 0.007 NDVI -19.722* -14.366 0.166 N 149 pseudo R2 0.756 5 Chi2 301.05 1）*、**和***表示在10%、5%和1%统计水平上显著

表 8 以低土地利用碳排放与生态系统服务价值为参照的多项式Logit回归结果 Table 8 Polynomial Logit regression results based on low ecosystem service value and low land use carbon emissions as a reference

据表 8结果所示，以低-低集聚型为对照，在高-高类型模型中，有人均GDP、能源利用效率、降雨量和NDVI这4个变量显著，回归系数分别为0.519、-6.391、-0.041和-19.722. 其中前1个变量与高-高聚集区显著正相关，后3个变量与其显著负相关，地方财政一般预算支出、人口总量、产业结构、土地垦殖率和高-高类型区县相关性较弱. 说明经济发展越好的地区土地利用碳排放与生态系统服务价值的正相关性越高. 通过计算可知，人均GDP每增加一个单位，高-高类地区相对于低-低类地区发生比率为exp（0.519）=1.68倍. 但如果县域对能源依赖程度越低、降雨量越少且植被覆盖度越低，高ESV与高碳排放同时存在的概率更小. 这是因为降雨量少、植被覆盖度低的区域，生态环境越脆弱，不利于当地经济健康发展，土地利用碳排放量相对较低.

高-低类模型中，有人均GDP、地方财政一般预算支出、能源利用效率、人口总量、土地垦殖率和降雨量这6项变量显著，回归系数分别为0.567、-0.207、-6.39、0.216、-0.115和-0.052. 其中人均GDP、人口总量与高-低聚集区模型显著正相关，地方财政一般预算支出、能源利用效率、土地垦殖率、降雨量与高-低聚集区模型显著负相关，NDVI与高-低聚集区不具有相关性. 由此证明，当同时位于低ESV区域时，人均GDP增长、人口越多且能源利用效率、公共支出、土地垦殖率和降雨量越低的地区土地利用碳排放量就会显著增加，因为随着当地经济发展水平的提高、人口的增加会提升人类活动强度，土地利用变化更大，碳排放量也随之升高，且对能源依赖程度的增加也会提高土地利用碳排放量.

在低-高类型模型中，只有人口总量和土地垦殖率两个变量显著，回归系数分别为0.061和-0.214. 人口总量与低-高聚集区模型显著正相关，土地垦殖率与其显著负相关，其他变量与低-高聚集区分布不具有相关性. 当同时位于低土地利用碳排放地区时，ESV值更高的地区人口分布更加聚集. 人口总量每增加一个单位，低-高类地区相对于低-低类地区发生比率为exp（0.061）=1.06倍，说明低-高类地区资源稍丰富一些，更适宜居住. 反之，土地垦殖率的提高，可能侵占能提供较高生态系统服务的林草地，导致碳汇的减少，提高了土地利用碳排放量.

已有研究证实了地区土地利用碳排放与ESV之间存在空间相关性，但这些研究没有定量地去探讨这种空间关系的影响机制. 本文从宏观层面上探讨了黄河流域县域尺度土地利用碳排放总量与ESV总量的时空异质性，并基于两个变量分布的一致性与差异性划分出4类区域，未来的发展可以此为基础分区域调控土地利用发展以及制定ESV提升政策，服务流域高质量发展. 对于一致性高的高-高类型县域，重点在于协调经济发展与生态环境保护的矛盾，继续维持生态系统服务供给能力的同时，制定严格的碳减排方案. 对于差异性明显的县域来说，高-低类型县域需要控制建设用地总量，提高土地利用效率，逐步修复生态环境以及践行绿化行动；低-高类型县域则应关注自然生态资源，继续维持和提升其生态系统服务供给能力，通过充分利用生态保护政策、完善基础设施来打造特色生态旅游. 但本文仍存在不足，碳排放以及ESV都具有多维性和不确定性，计算过程中碳排放系数没有考虑区域差异性，数据主要基于10 a间隔，需要细致的面板数据才能更准确把握变化动态过程，这些都需要未来继续深入地展开研究.

（1）随着建设用地的不断扩张，这20 a间黄河流域土地利用碳排放总量增长，不断增加的县域集中分布在内蒙古、宁夏、陕西北部等能源丰富地区，在山西、河南、山东呈现局部聚集整体分散的格局.

（2）黄河流域ESV总量这20 a间有小幅度的波动变化，其中草地、林地和耕地为ESV主要贡献者. ESV高值区主要分布在青海、四川和内蒙古等黄河流域范围内的边缘县域，最高的县域一直是青海曲麻莱县；ESV低值区在山东半岛城市群、中原城市群、关中平原城市群和宁夏沿黄等城市群，少部分集聚在兰西城市群和呼包鄂榆城市群，ESV最低值稳定分布在西安市辖区，主要与当地经济发展水平和地形有关.

（3）碳排放与ESV存在显著的空间负相关性，高-高类主要分布在内蒙古南部、宁夏东部、陕西北部的县域，且向呼包鄂榆城市群西南边扩散，与临近水源、倚能倚重有关. 低-低类主要分布在生态本底差、发展受限的黄土高原沟壑区，20 a间该类县区数量明显增加，且从东西两端连接成条带状. 低-高类分布在青海、四川以及甘肃西部，少数在黄土高原低-低类附近岛状分布. 高-低类主要在西安、郑州、太原以及宁夏沿黄、呼包鄂榆城市群，随着城市发展20 a间高-低类型县区数量增加.

（4）同为ESV低县域，经济发展水平越好、人口越多的区域，其碳排放量更容易增加. 以土地利用碳排放量低-ESV低类作为参照，人均GDP、能源利用效率、降雨量与高-高类、高-低类显著负相关，说明大部分碳排放量高县域人口相对密集且降雨量少，其对能源依赖性更高. 而低-高类地区与人口总量呈正相关，当同时位于低土地利用碳排放地区时，ESV值更高的地区人口分布更加聚集；而土地垦殖率的提高，可能侵占能提供较高生态系统服务的林草地，降低了区域生态系统服务价值.