成渝地区双城经济圈土地利用碳排放时空演变及差异化碳补偿

引用本文

邓元杰, 陈航, 明鹭, 海宜峰, 马爱婷, 张梅, 吉则丁的 null, 彭明鸿. 成渝地区双城经济圈土地利用碳排放时空演变及差异化碳补偿[J]. 环境科学, 2026, 47(9): 5925-5935.

DENG Yuan-jie, CHEN Hang, MING Lu, HAI Yi-feng, MA Ai-ting, ZHANG Mei, JI Ze-ding-di, PENG Ming-hong. Spatial-temporal Evolution of Land-use Carbon Emissions and Differentiated Carbon Compensation in the Chengdu-Chongqing Economic Circle[J]. Environmental Science, 2026, 47(9): 5925-5935.

成渝地区双城经济圈土地利用碳排放时空演变及差异化碳补偿

邓元杰, 陈航, 明鹭, 海宜峰, 马爱婷, 张梅, 吉则丁的 null, 彭明鸿

四川轻化工大学经济学院，自贡 643000

收稿日期: 2025-07-05; 修订日期: 2025-10-02

基金项目: 国家级大学生创新创业训练计划项目（202510622017）；四川省大学生创新训练计划项目（S202410622069）

作者简介: 邓元杰（1992~），男，博士，副教授，主要研究方向为资源经济与环境管理，E-mail：ecodyj@suse.edu.cn

摘要: 厘清土地利用碳排放的时空差异及其碳补偿机制，对于优化区域低碳发展路径和实现碳达峰、碳中和目标具有重要意义. 以成渝地区双城经济圈144个县（市、区）为研究对象，基于2000~2022年土地利用、农业生产、能源消耗及社会经济数据，构建县域尺度的碳收支核算模型与碳补偿测算框架，系统分析土地利用碳排放与碳吸收的时空演变特征，并定量评估碳补偿的空间分异格局及其与土地利用结构、经济发展水平的耦合关系. 结果表明：①研究区碳排放总量由2000年的4.95×10⁷ t快速攀升至2010年的峰值1.20×10⁸ t，随后逐步降至2022年的1.04×10⁸ t. 碳排放高值区集中于成都、重庆主城区及周边核心区域，而秦巴山区和川西生态保护区则表现出较强的碳汇功能，区域总碳汇量在2022年达到5.79×10⁷ t，较2000年增加9.96×10⁵ t. ②碳补偿格局呈现“核心-边缘”梯度分异，核心城市因建设用地扩张排放强度较高，武侯区2022年碳排放量达5.14×10⁶t，成为主要支付主体；而生态与农业优势区则凭借较强的固碳能力获得补偿，其中宣汉县碳汇量达1.6×10⁶ t，补偿收益居前. ③土地利用碳排放、经济发展与碳补偿之间存在显著空间耦合关系. 尽管部分经济发达区碳排放强度下降，但绝对排放量依然偏高；相较之下，生态功能区因人类活动强度较低、土地利用方式稳定而保持较强碳汇潜力，导致区域碳排放责任与碳补偿能力之间存在明显错配. 研究结论可为成渝地区双城经济圈精准实施碳减排政策与构建差异化碳补偿机制提供科学支撑.

关键词: 土地利用碳排放碳补偿时空差异成渝地区双城经济圈（CCEC）

Spatial-temporal Evolution of Land-use Carbon Emissions and Differentiated Carbon Compensation in the Chengdu-Chongqing Economic Circle

DENG Yuan-jie , CHEN Hang , MING Lu , HAI Yi-feng , MA Ai-ting , ZHANG Mei , JI Ze-ding-di , PENG Ming-hong

School of Economics, Sichuan University of Science & Engineering, Zigong 643000, China

Abstract: Understanding the spatial-temporal heterogeneity of land-use carbon emissions and corresponding carbon compensation mechanisms is essential for optimizing regional low-carbon development pathways and achieving carbon peak and neutrality targets. This study investigates 144 counties within the Chengdu-Chongqing Economic Circle (CCEC) during 2000-2022 by establishing a county-level carbon accounting framework and a compensation valuation model based on land use, agricultural production, energy consumption, and socioeconomic data. The results indicate that: ① Total carbon emissions increased sharply from 4.95×10⁷ t in 2000 to a peak of 1.20×10⁸ t in 2010 before declining to 1.04×10⁸ t in 2022. High-emission zones were concentrated in the core areas of Chengdu and Chongqing, while the Qinba Mountains and western Sichuan served as major carbon sinks. Total carbon sequestration reached 5.79×10⁷ t in 2022, representing an increase of 9.96×10⁵ t compared with that in 2000. ② Carbon compensation exhibited a pronounced "core-periphery" gradient: Urban cores, exemplified by Wuhou District with emissions of 5.14×10⁶ t in 2022, were the primary compensation payers, whereas ecological and agricultural regions benefitted from strong sequestration capacity. Xuanhan County, with a sequestration volume of 1.6×10⁶ t, ranked among the leading compensation recipients. ③ A strong spatial coupling existed between carbon emissions, economic development, and carbon compensation. Although carbon intensity declined in economically developed areas, absolute emissions remained high, whereas ecological function zones maintained stable carbon sink capacities owing to low human disturbance and relatively stable land use. This imbalance intensified the spatial mismatch between emission responsibilities and compensation capacities. The findings provide robust scientific evidence for implementing targeted emission reduction policies and refining differentiated carbon compensation mechanisms in the CCEC.

Key words: land use carbon emissions carbon compensation spatial-temporal variation Chengdu-Chongqing Economic Circle (CCEC)

全球气候治理已将减缓温室气体排放置于核心议程. 《巴黎协定》明确要求控制本世纪升温幅度不超过1.5 ℃，而联合国可持续发展目标（SDG 13）进一步将“应对气候变化”列为优先行动方向^[1]. 最新IPCC第六次评估报告指出，2010~2019年全球年均CO₂排放量比1990年高出54%，迫切需要各国协同减排^[2]. 在“双碳”目标指引下，中国承诺力争于2030年前碳达峰、努力争取2060年前碳中和，减排压力与日俱增^[3，4]. 土地利用碳排放因与耕地、林地、建设用地变化密切相关，已成为除能源部门外增速最快的碳源之一，约占全球人为碳排放的11%~14%^[2]. 其中，随着城市扩张、农业集约化和生态退化等问题日益突出，土地利用变化引发的碳排放呈显著上升趋势^[5]. 因此，构建有效的碳减排机制势在必行，其中碳补偿作为应对区域碳不平衡和外部性的重要制度安排，能够通过经济激励调动地方主体参与低碳发展的积极性^[6，7]. 在“双碳”战略背景下，厘清土地利用碳排放与碳补偿的空间关系，不仅有助于量化碳收支格局，也为推动生态-经济协调发展提供现实路径^[8].

基于上述背景，近年来土地利用碳排放成为学术界关注的热点. 已有研究从不同尺度、不同方法对土地利用碳排放开展了系统探讨，大致可分为以下4类：一是聚焦土地利用类型与碳排放之间的定量关系，构建碳核算模型评估各地类的碳源/碳汇效应^[9]；二是基于空间分析方法，揭示碳排放在区域尺度上的空间格局与演变趋势^[10]；三是探讨碳排放的驱动机制，从自然、社会经济和政策等多维视角分析土地利用碳排放的内在逻辑^[11，12]；四是引入情景模拟、系统动力学和随机森林等方法预测未来碳排放变化^[13，14]. 虽然上述研究从不同角度丰富了土地利用碳排放的理论与方法体系，但总体上仍存在以下不足：其一，当前多数研究聚焦于碳排放演化特征与形成机制，对其反向作用于区域经济发展格局的反馈效应关注较少；其二，尽管已有学者尝试将土地利用碳排放核算结果与碳补偿标准进行量化衔接，但相关研究多集中于省域或流域等宏观层面^[15，16]，在县域尺度上系统揭示碳排放空间异质性与补偿机制之间联动关系的实证研究仍相对薄弱；其三，现有碳补偿研究较少充分考虑区域发展不平衡背景下生态贡献能力与经济承受能力的差异^[17，18]，难以实现碳排放责任与补偿能力的动态协同匹配，从而影响补偿机制的公平性与可操作性. 因此，有必要在精细化空间尺度上深入探讨土地利用碳排放与碳补偿之间的耦合机制，为差异化和可执行的区域低碳治理政策提供实证支持.

成渝地区双城经济圈是我国西部人口最稠密且产业梯度最为丰富的区域，兼具长江上游生态屏障与国家战略新兴增长极双重定位. 近年来，该区城市化率迅速提升，建设用地快速扩张与退耕还林等重大生态工程并行推进，呈现出“高排放-高吸收”并存的典型格局^[18]. 选择成渝地区双城经济圈作为研究区，一方面可利用其显著的地形差异与经济分化特征检验碳补偿机制的适用性；另一方面，该区已被纳入国家“三区三线”国土空间管控，为实施差异化低碳政策提供了制度契机. 值得注意的是，当前已有部分学者探究了成渝地区双城经济圈的碳排放问题，为本研究提供了重要基础. 如韦彦汀等^[19]系统刻画了成渝城市群碳排放的时空特征及驱动因素，魏中胤等^[20]对成渝城市群土地利用变化引致的碳收支变化及其驱动因子进行了精细化核算与风险分区识别，揭示了典型区域的碳收支高风险格局，邓元杰等^[21]从碳平衡分区视角描绘了成渝地区双城经济圈碳源/碳汇格局. 然而，当前研究多聚焦于排放核算与驱动识别，围绕县域精细尺度将碳收支平衡与差异化碳补偿标准进行量化联动、并与区域经济发展差异及生态贡献能力实现协同匹配的实证证据仍显不足，因而在成渝地区双城经济圈开展针对性的补偿机制检验与政策评估具有现实必要性.

基于此，本研究以成渝地区双城经济圈144个县（市、区）为单元，综合2000~2022年土地利用、农业生产、能源消费与社会经济数据：构建县域尺度的土地利用碳收支核算体系，揭示碳排放与碳吸收的时空演变特征；引入经济承受能力与排放阈值，建立差异化碳补偿测算模型；并划分支付区、受偿区和均衡区，提出区域低碳治理与碳补偿路径优化的政策建议. 相较于既有研究，研究的创新性主要体现在3个方面：其一，在分析碳排放演化特征的同时，系统考察其对区域经济格局的反馈作用；其二，在已有研究多集中于宏观尺度的基础上，将碳收支核算结果与碳补偿标准量化联动，并落实到县域这一精细化空间尺度；其三，充分考虑区域经济发展差异与生态贡献能力，引入经济承受能力约束参数，探索碳排放责任与补偿能力的动态协同匹配，从而增强碳补偿机制的公平性与可操作性. 本研究通过精细化碳收支核算与差异化补偿机制构建，旨在为成渝地区双城经济圈实现低碳转型与区域协调发展提供实证支撑，也为类似山地-盆地复合区的生态补偿政策设计提供参考借鉴.

1 研究区概况及数据来源 1.1 研究区概况

成渝地区双城经济圈位于中国西南腹地，长江上游核心区域，东接鄂湘、南连黔滇、西通藏青、北邻陕甘，处于“一带一路”与长江经济带交汇处，地跨四川盆地丘陵区、川西高原和秦巴山地三大地貌单元，是推动成渝地区高质量发展的主要区域^[22]. 截至2022年地区生产总值达7.758万亿元，占全国比例的6.4%，占西部地区比例的30.2%，其规划范围包含重庆市9个中心城区、12个主城新区和万州、黔江、梁平、丰都、垫江、忠县6个区（县）以及开州、云阳、彭水、石柱的部分地区，四川省15个地级市，其辖下113个行政县，总占地面积约为18.5万km²，共涉及144个区县（图 1）.

图 1 研究区概况 Fig. 1 Overview of the study area

1.2 数据来源

本研究所使用的土地利用数据为China Land Cover Dataset（CLCD）数据集（https://zenodo.org/records/8176941），该数据精度达79.31%，具有较高可信度^[23]. 而后通过ArcGIS 10.7平台对原始数据实施裁剪、重分类及分辨率统一处理，提取出研究区2000年、2005年、2010年、2015年和2022年这5个时相的6个地类数据. 所有空间数据均经WGS_1984_UTM_Zone_48N投影系统校准，分辨率统一为100 m.

基础地理信息数据基于国家基础地理信息中心发布的1∶100万全国基础地理数据库（http://www.webmap.cn），依据《成渝地区双城经济圈建设规划纲要》划定的地理范围进行矢量化构建，从而获取得到研究区行政单元边界.

社会经济数据来源于研究年份的《中国县域统计年鉴》《四川省统计年鉴》《重庆市统计年鉴》，能源消费基础数据采自国务院发展研究中心发布的《中国能源统计年鉴》2000~2022年度附录，包括标准煤换算系数和化石能源标准煤换算系数等关键参数，需要说明的是，四川省能源消费数据已更新至2022年，因此本文直接采用2022年相关数据；而重庆市分能源品类的能源消费数据公开统计至2019年，考虑到数据可得性和核算口径的一致性，本文采用重庆市2019年能源消费数据近似替代2022年数据，并在碳排放核算过程中保持统一处理. 碳排放量核算基准参数严格参照联合国政府间气候变化专门委员会（IPCC）发布的《2006年国家温室气体清单指南》技术规范，直接采用其中化石燃料品类的标准排放系数作为计算依据.

2 研究方法

本研究以县域行政边界构建空间分析基准网格，深入分析不同土地利用类型的碳源/汇特征. 在碳汇方面，考虑了耕地、林地、草地、水域和未利用地，耕地主要核算农作物碳吸收；在碳源方面，考虑建设用地和耕地，建设用地主要核算能源消耗碳排放，耕地主要核算农业生产过程中产生的碳排放. 此处耕地具有碳源和碳汇双重属性^[24].

2.1 碳吸收计算

（1）林地、草地、水域、未利用地碳吸收计算采用如下公式^[11]：

C_{n} = S_{n} \times α_{n}

(1)

式中，C_n为第n种土地类型的碳吸收量，S_n为第n种土地类型的面积，α_n为第n种地类碳吸收系数. 碳吸收系数如表 1所示.

表 1 碳吸收系数 Table 1 Carbon absorption coefficients

（2）耕地碳吸收在对碳吸收的计算中，本研究借鉴了赵荣钦等^[30]的研究成果. 计算采用如下公式：

C I_{c r o p} = \sum_{i} C I_{c r o p - i} = \sum_{i} C_{c r o p - i} \times (1 - P_{w a t e r - i}) \times \frac{Y_{e c o - i}}{H_{c r o p - i}}

(2)

式中，CI_crop为作物生育期光合作用碳吸收量；CI_crop_-i为第i种作物的碳吸收量；Y_eco-_i为第i种作物的作物产量；C_crop-_i为第i种作物通过光合作用合成单位有机质（干重）的碳吸收率（由于部分年份及部分区县没有公布具体稻谷、小麦和玉米等粮食作物以及花生、油菜籽等油料作物的产量，所以该部分通过结合当年总产量并运用加权平均法计算出粮食综合碳吸收率）；P_water-_i为第i种农作物的含水率（局限性与计算方法同上）；H_crop-_i为第i种农作物的经济系数（局限性与计算方法同上）. 本研究主要考虑粮食、油料、麻类和烟叶这4类农作物的碳吸收量. 表 2为各农作物的经济系数、碳吸收率和含水率，相关系数参考文献[31~34].

表 2 主要农作物经济系数、碳吸收率和含水率^1） Table 2 Economic coefficients, carbon sequestration, and water content of major crops

2.2 碳排放计算

（1）耕地碳排放本研究将人类在耕种中的生产活动作为耕地的碳排放来源，主要包括了农业机械总动力、化肥使用量、农作物播种面积、农膜使用样、农药使用量和灌溉面积等产生的碳排放. 计算采用如下公式^[30]：

\begin{array}{l} C E_{m a c h} = S_{m a c h} \times P + P_{m a c h} \times Q \\ C E_{f e r t} = G_{f e r t} \times A \end{array}

(3)

式中，CE_mach为农机的碳排放；CE_fert为化肥的碳排放；S_mach为农业机械总动力；P_mach为农作物播种面积；G_fert为化肥使用量. 由于部分区县的农膜、灌溉面积、农药使用量缺失，所以通过全国每年的不同类别的农业碳排放数据^[35]的比例计算出成渝地区各个县域的碳排放数据. P、Q和A值分别为0.18 kg·kW^-1、16.47 kg·hm^-2和0.895 kg·kg^-1，数据分别来源于West等^[36]和美国橡树岭国家实验室（ORNL）.

（2）建设用地碳排放本研究采用间接估算方法^[37，38]对土地利用过程中人类生产生活活动所产生的能源消耗及其碳排放进行量化分析. 在能源类型筛选过程中，基于现实条件，对原煤、焦炭、原油、燃料油、汽油、煤油、柴油及天然气这8种主要能源进行了深入分析. 计算采用如下公式：

E_{p} = \sum E_{j} = \sum (m_{j} \times n_{j} \times θ_{j})

(4)

式中，E_p为建设用地所释放的碳排放量，E_j则为各种化石能源产生的碳排放量，m_j为第j种化石能源的消费量，n_j为《中国能源统计年鉴》附录中的各类化石能源转化为标准煤的系数，θ_j为IPCC《国家温室气体排放清单指南》^[39]中第j种化石能源的碳排放系数，表 3为各类能源对标准煤换算系数和碳排放系数.

表 3 各类能源对标准煤换算系数和碳排放系数^1） Table 3 Standard coal conversion factors and carbon emission factors for various energy sources

由于成渝地区双城经济圈的统计年鉴没有公布具体的能源消费量，各县域的能源消费量通过将县域GDP与全省GDP的比例作为权重进行估算^[40]，碳排放系数则参考现有研究成果.

2.3 碳补偿基准值确定

本研究以净碳排放量，即碳源与碳汇之间的差额，作为确定碳补偿基准值的核心依据^[41]. 具体而言，若某区域的碳汇量超过其碳源量，则表明该地区具备显著的生态固碳功能，不仅能够有效中和本地碳排放，还能为邻近区域提供额外的碳汇支持，因而应获得相应的经济补偿；反之，则需支付补偿资金. 其计算公式如下^[42]：

L_{i} = E_{i} - S_{i}

(5)

式中，L_i为i地区土地利用净碳排放量；E_i为i地区的碳排放量，S_i为i地区碳吸收量. 若L_i > 0，则该地区应支付碳补偿资金，L_i < 0时，则该地区应获得碳补偿资金.

鉴于各区县经济发展水平和发展模式存在显著差异，导致净碳排放量呈现较大异质性，若仅以净碳排放量作为碳补偿计算依据，而忽视区域经济承受能力，将导致补偿结果出现系统性偏差. 为提升碳补偿机制的公平性与可操作性，本研究引入区域碳排放阈值作为调整参数，通过差异化设定各地区的碳排放基准值，有效降低区域间经济差异对补偿结果的影响，使碳补偿方案更贴近实际发展需求. 测算公式如下^[30]：

$ P_i=\text { ECC } \times D=\left( {\frac{G_i}{G} \mathord{\left/ {\vphantom {\frac{G_i}{G} \frac{C_i}{C}}} \right. } \frac{C_i}{C}} \right) \times D $

(6)

式中，P_i为各县域单元的碳排放阈值，ECC为各区域碳排放经济贡献系数，D为2022年成渝地区双城经济圈各县域单元碳排放平均值，G_i和G分别为2022年各县域单元生产总值和成渝地区双城经济圈生产总值，C_i和C分别为2022年各县域和成渝地区双城经济圈总碳排放量.

不仅各县级行政区域的净碳排放量存在显著差异，其碳排放强度在时间和空间维度上也呈现出明显的异质性. 为此，研究结合不同县域在2000年和2022年的碳排放强度数据，对碳排放量进行了修正，具体方法如下^[25]：

E_{c i}^{1} = E_{c i} \times (\frac{G_{t 1 - i}}{G_{t 2 - i}} - \frac{G_{T 1}}{G_{T 2}} + 1) \times \frac{G_{t 1 - i}}{G_{T}}

(7)

式中， $E_{c i}^{1}$ 为修正之后第i个县域的碳排放量，G_t1-_i和G_t2-_i分别为2022年和2000年第i个县的碳排放强度，G_T1和G_T2分别为2022年和2000年成渝地区双城经济圈的总碳排放强度，G_T为2022年成渝地区双城经济圈县域单元平均碳排放强度. 经过修正后碳补偿基准值如下^[25]：

L_{i}^{1} = E_{c i}^{1} - S_{c i} - P_{i}

(8)

式中， $L_{i}^{1}$ 为修正后碳补偿基准值，修正后的优点是：碳补偿率和碳排放强度与实际情况更加接近，如果 $L_{i}^{1}$ < 0则该区县需要获得碳补偿资金，如果 $L_{i}^{1}$ > 0则该区县区需要支付碳补偿资金.

2.4 碳补偿价值计算

本研究在余光辉等^[42]的研究基础上对模型进行了修正，得到的碳补偿价值计算方法如下^[30]：

M_{i} = |L_{i}^{1}| \times δ \times r = |E_{c i}^{1} - S_{c i} - P_{i}| \times δ \times r

(9)

式中，M_i为第i个区县获得或支付的碳补偿资金（10⁴元·a^-1）； $δ$ 为单位碳的价格[10⁴元·（10⁴ t）^-1]；r为碳补偿系数. 单位碳的价格计算方法如下^[30]：

δ = \frac{(P_{m a x} + P_{m i n})}{2} \times \frac{G_{p 1}}{G_{p 2}}

(10)

式中，P_max和P_min分别为目前国内碳汇价格的最大值[105×10⁴元·（10⁴ t）^-1]和最小值[71×10⁴元·（10⁴ t）^-1]；G_p1为成渝地区双城经济圈2022年人均GDP为7.75×10⁴元；G_p2为全国2022年人均GDP为8.57×10⁴元.

经济发展水平会导致碳补偿能力的差异，因此进一步修正碳补偿系数，这里采用改进后的Peal生长曲线模型表示. 公式如下^[30]：

r_{i} = \frac{A_{i}}{1 + a e^{- b t}}

(11)

式中，r_i为第i个区县的碳补偿系数；A_i为第i个地区的碳补偿能力，即第i个区县GDP与成渝地区双城经济圈的总GDP的比值；a、b为常数1；e为固定常数，约等于2.718 28；t为2022年成渝地区双城经济圈的恩格尔系数（根据四川省统计年鉴和重庆市统计年鉴估算得出）.

3 结果与分析 3.1 碳吸收与碳排放核算结果 3.1.1 碳吸收时间特征

本研究综合评估了耕地及其他土地利用类型（主要为林地、草地等生态用地）的碳汇能力（图 2）. 总体而言，2000~2022年期间区域总碳汇量呈现波动上升趋势，2022年总碳汇量（5.79×10⁷ t）显著高于2000年，净增长达9.96×10⁵ t.

图 2 碳吸收时间变化 Fig. 2 Temporal changes in carbon sequestration

分类型看，农业碳汇量在研究期内大幅下降之后缓慢回升. 2000年农业碳汇量达到峰值（3.50×10⁷ t），至2022年已减少1.25×10⁶ t，这一下降趋势可能与化肥施用量与农药喷洒量直接有关，与耕地面积减少间接相关. 值得注意的是，自2005年起，农业碳汇量呈现缓慢回升迹象，长期来看存在恢复至初期水平的潜力. 相比之下，以林地、草地为主的生态用地碳汇能力则表现出持续增长趋势，2022年其碳汇量（2.42×10⁷ t）较2000年显著增加了2.24×10⁶ t.

3.1.2 碳吸收空间特征

采用周嘉等^[25]的分类方法，将全域碳吸收分为4个等级：①低于全域平均碳吸收量的50%；②位于全域平均碳吸收量的50%~100%；③位于全域平均碳吸收量的100%~150%；④高于全域平均碳吸收量的150%. 再通过ArcGIS软件将划分等级的碳吸收数据进行可视化处理，如图 3所示.

图 3 碳吸收空间分布 Fig. 3 Spatial distribution of carbon sequestration

成渝地区双城经济圈碳汇空间分布呈现显著的“东高西低”特征. 高值区主要集中于重庆市东南部；低值区则主要分布于成都市主城区及重庆主城区. 这种空间分布结构是由于建设用地高度集聚在上述核心城市区域，导致生态用地（林地、草地）与耕地占比相对较低，这两类地类（生态用地和耕地）是区域主要碳汇.

从区县来看，宣汉县的碳汇量在研究期内持续位居首位. 其突出的碳汇能力主要由高达60%的生态用地所致，生态用地贡献的碳吸收占该县总碳吸收67%. 2022年，宣汉县碳汇量达1.6×10⁶ t，显著高于位列第二的万州区（差值达5.5×10⁵ t）. 万州区同样依托其高比例（约65%）的生态用地，使其碳汇能力长期稳居第二. 另一方面，四川盆地丘陵区的中江县、三台县及安岳县，凭借其丰富的耕地资源（耕地占比均 > 40%），农业碳汇贡献突出，常年位列区域农业碳汇前3.

3.1.3 碳排放时间特征

碳排放核算涵盖了能源消耗碳排放与农业生产过程碳排放（图 4）. 总体而言，研究区碳排放总量呈先上升后下降的趋势，碳排放总量从2000年的4.95×10⁷ t到2010年的峰值1.20×10⁸ t，随后稳步下降至2022年的1.08×10⁸ t. 分类型看，能源消耗碳排放与碳排放总量变化趋势保持一致，能源排放量由2000年的4.57×10⁷ t快速攀升至2010年的1.15×10⁸ t，随后下降至2022年的1.04×10⁸ t. 农业生产碳排放则表现为“缓慢增长-小幅回落”的波动模式，从2000年逐步增至2015年的4.58×10⁶ t，之后回落至2022年的4.05×10⁶ t. 值得注意的是，2010年后两类碳排放均进入下降通道，在一定程度上印证了节能减排政策的有效性. 然而，能源消耗碳排放始终占据区域总排放量的90%以上，凸显了持续推进能源结构低碳化转型对实现“双碳”目标的极端重要性.

图 4 排放时间变化 Fig. 4 Temporal changes in carbon emissions

3.1.4 碳排放空间特征

采用与碳吸收同样的分类方法将碳排放空间划分为4个等级，如图 5所示. 从空间分布来看，成渝地区双城经济圈碳排放呈现显著的区域差异. 碳排放高值区主要集中于成都市主城区和重庆市主城区；碳排放低值区则主要分布在四川盆地边缘的山地区域. 整体上，碳排放呈现从市中心高值区向周边低值区递减的趋势.

图 5 碳排放空间分布 Fig. 5 Spatial distribution of carbon emissions

具体到区县层面，2022年碳排放量最高的为成都市武侯区（5.14×10⁶ t）和重庆市渝北区（2.84×10⁶ t）. 此外，宜宾市翠屏区、重庆市涪陵区等区域中心城市的碳排放水平也相对较高. 与之形成鲜明对比的是，靠近川西南山地生态屏障区的区县碳排放普遍较低，且低值区县在空间上较为集中，主要分布于四川省遂宁市、南充市辖区，以及雅安市、乐山市等盆周山区. 遂宁、南充等地碳排放较低，主要原因是其经济发展仍较大程度依赖农业生产，工业化和城镇化水平相对较低，能源消耗总量较小；雅安、乐山等盆周山区则得益于优良的生态环境和高植被覆盖率，工业活动强度有限，因此碳排放水平也较低.

3.2 碳收支区域均衡性与碳补偿率特征

以2022年碳排放/碳吸收为数据基底，在ArcGIS 10.7中绘制了碳收支区域均衡性与碳补偿率，如图 6所示.

图 6 碳收支区域均衡性与碳补偿率 Fig. 6 Carbon balance regional equilibrium and carbon offset rates

碳收支区域均衡性特征可通过净碳排放量衡量，该指标为碳排放与碳吸收的差值. 当结果为正值时表征碳赤字，负值则对应碳盈余. 图 6（a）为净碳排放量空间分布，核心都市区净碳排放处于高位水平，成都、重庆主城较高的能源消耗与碳汇能力薄弱形成叠加效应，持续推升净碳排放总量. 净碳排放量在43~152万t间的区县主要集中于盆地内部经济后发区域. 东北部和西南部大多呈现负净碳排放量，这表明这些地区碳排放小于碳吸收. 综合分析表明，成渝地区双城经济圈净碳排放分布呈现以下特征：一是净碳排放量大的区县如武侯区、渝中区等是成渝地区双城经济圈发展速度较快、人类经济活动频繁的地区；二是净碳排放量低的区域基本位于成渝地区双城经济圈边缘地带，位于四川盆地的盆周山的县域单元大多经济发展落后，生态环境良好、植被密度高.

碳补偿率即碳吸收与总碳排放的比值，可以反映区县的碳排放压力状况，碳补偿率越高，表明碳汇能力越强. 区域的经济发展不平衡导致了碳补偿率的显著空间差异，图 6（b）中显示两个都市圈是碳补偿率较低的区域，而由中心都市圈向外扩散，碳补偿率逐步递增，在空间上层次明显. 碳补偿率较高的地区主要聚集在雅安片区和乐山片区，这些区域同属小凉山高生态价值区，均以中山峡谷地形、超高森林覆盖率和丰富生物多样性为特征，是长江上游重要水源涵养地和碳汇功能区，但经济发展相对落后，因而碳补偿率较高. GDP较高的地区则碳补偿率较低，尤其是二三产业占比较高的地区，碳补偿率更低，如武侯区、渝中区等.

3.3 补偿标准及碳补偿额

本研究通过碳补偿模型测算发现（图 7），成渝地区双城经济圈碳补偿额度呈现显著空间差异. 从空间分布上看，需要支付大量补偿金额的位于成都市和重庆市主城区以及宜宾市城区等. 需要支付的碳补偿资金最多是武侯区，需支付932万元，这是由于其碳排放较高并且碳补偿率较低. 其次，双流区、渝北区也需支付较多补偿金，分别为203万元、170万元. 相对而言，获得碳补偿资金的地区数量较多，几乎包围两个核心都市区，其中，获得补偿资金位居前列的是射洪市和宣汉县，分别是72万元和52万元.

图 7 碳补偿值分布 Fig. 7 Distribution of carbon offset values

进一步，本研究根据碳补偿价值差异将研究区县划分为重点支付区、重点受偿区和均衡区（表 4），重点支付区是经济发展较发达的地区，主要包括成都市主城区、重庆市主城区、涪城区和翠屏区等地区；重点受偿区主要包括射洪市、宣汉县、万州区、綦江区、云阳县、丰都县、南川区和江津区等；均衡区则包括除这两类之外的地区. 分析净碳排放与碳补偿价值的关系可知：重点支付区主要集中在净碳排放为正的区县，而重点受偿区多为净碳排放为负的区县；区县的净碳排放值与其碳补偿资金呈正相关，即排放越多支付越多，排放越少受偿越多.

表 4 成渝地区双城经济圈空间碳补偿分区 Table 4 Spatial carbon offset zoning in CCEC

4 讨论 4.1 成渝地区双城经济圈土地利用碳排放时空演变

本研究基于2000~2022年土地利用数据，系统刻画了成渝地区双城经济圈县域尺度土地利用碳排放的时空演化特征. 结果显示，碳排放总量自2000年的4.95×10⁷ t快速上升至2010年的1.20×10⁸ t峰值后趋于下降，至2022年降至1.04×10⁸ t，呈现“先增后减”的典型阶段性特征. 这一趋势验证了“双碳”目标引导下的产业结构调整和能源结构优化对碳减排的实质性影响，与邓元杰等^[21]关于成渝地区碳排放实证研究结论基本一致，也反映出相较于延安市“波动性增长”的情形^[43]，成渝地区双城经济圈减排政策更具系统性与成效性.

空间格局上，碳排放呈现出“中心高源、边缘高汇”的双极分布格局，成都和重庆主城区为高排放核心，秦巴山区、川西高原等生态屏障区则表现出显著的碳汇优势. 这一特征与张娜等^[44]对长江经济带城市群的研究相符，说明城市发展程度与碳排放存在强相关性，但成渝地区双城经济圈的“双核极化”现象更为显著，体现出区域发展不平衡与土地利用结构失衡的叠加效应.

时间维度上，高排放区县数量从2000年的约60个减至2022年不足30个，体现出城市更新、节能减排政策等带来的空间收缩与集约化效应，这一变化趋势与珠三角地区“碳排放集中化”发展路径^[45]虽相似，但成渝地区双城经济圈的减排过程更多依赖于生态功能区的固碳能力提升而非完全依赖技术优化，呈现出“生态牵引型”减排路径.

此外，碳吸收总量虽总体变化不大（8.51×10⁶~8.54×10⁶ t），但碳汇结构发生显著调整：高植被覆盖区域贡献超过60%的区域碳汇，与易丹等^[27]对生态系统固碳能力结构的研究结论一致，表明退耕还林、生态修复等生态工程在改善土地碳汇功能方面发挥了关键作用.

4.2 基于成渝地区双城经济圈碳补偿及其与土地利用碳排放、经济发展的关系

本研究通过构建碳补偿模型，在厘清土地利用碳排放空间差异基础上，定量测算了县域碳补偿标准与碳补偿价值，发现其呈现明显的“高排核心-高补边缘”梯度空间特征：补偿支付责任主要集中于成都、重庆等都市核心区，而秦巴山区、川西丘陵等生态优势区则成为补偿受益者. 这一空间格局与赵荣钦等^[30]提出的“碳排放责任-碳汇能力错位”的区域补偿逻辑相契合，但本研究进一步在县域尺度上揭示了城市化推进与碳汇空间重构之间的张力，强化了补偿机制的微观适配性.

土地利用结构与碳补偿需求之间存在强耦合性. 研究表明，建设用地扩张是碳排放增加的主要来源，高强度开发区域碳补偿压力大，而林地、草地占比高的县域则因碳汇优势获得高补偿收益. 这一结论与唐鑫行等^[46]在哈尔滨市的相关发现保持一致，即“土地利用格局决定碳收支结构”，再次印证土地结构优化对于区域低碳发展的关键性.

此外，本研究还揭示了经济发展与碳排放之间“未脱钩”的现实困境：以金牛区为代表的高GDP地区碳排放占比虽有下降（从2.3%降至2%），但绝对量仍居高位，说明区域经济结构仍需深度绿色转型. 这一现象与周汝波^[47]在广东的研究形成呼应，反映出在经济发展过程中存在“隐性碳负担转移”的问题. 而在边缘区域，经济活动强度低与生态功能强实现了低排放与高补偿的协同，进一步说明碳补偿机制应在空间上体现“生态权利与发展权利”的再平衡逻辑.

本研究引入碳排放阈值调整参数，对各县经济承受能力进行修正，弥补了传统碳补偿方案对发展差异考虑不足的问题，提升了制度公平性与操作性. 然而，相较于马明娟等^[48]提出的动态调节机制，当前补偿模型仍以静态指标为主，难以快速响应政策演化与产业转移带来的碳格局变化，未来应在“时序适应性”方面持续优化.

4.3 研究局限性与未来展望

本研究仍存在以下两方面局限性：首先，碳收支核算主要依赖土地利用、农业和能源等宏观统计数据，未涵盖林草覆盖变化、土壤碳储量动态等微观碳库要素，可能低估部分生态系统的真实碳汇能力，从而影响核算结果的精度与科学性；其次，碳补偿机制的构建虽引入了碳排放阈值参数以增强制度公平性，但尚未充分量化区域生态保护的机会成本与外部性收益，未能全面反映不同区县承担生态保护责任所付出的真实代价，可能导致补偿标准在空间分配上的偏差.

未来研究可从以下两个方面进一步完善：一是融合遥感监测、生态情景模拟等技术手段，构建更高分辨率、多维度的碳收支核算体系，提升数据精度和动态响应能力；二是引入生态服务价值评估与农业碳汇交易机制，建立以“生态贡献-补偿支付”相匹配的差异化动态补偿制度，推动生态保护激励机制从定量补偿向功能激励转型.

5 政策建议

结合成渝地区双城经济圈的空间分区特征与碳补偿测算结果，应推进因区施策、精准治理的差异化碳补偿政策体系. 对于成都、重庆等高排放核心区，建议将碳排放强度和总量双控目标纳入地方政府考核，严控建设用地无序扩张，并通过推进工业绿色升级、交通清洁化改造和建筑能效提升，减少碳源扩张压力. 同时，应探索将碳补偿支付与新增建设用地、能源消费和碳排放量挂钩，形成“多排多补、增排增付”的动态责任机制，并通过财政专项资金和区域碳市场收益，确保补偿资金的长期稳定来源. 对于秦巴山区、川西丘陵等生态碳汇优势区，应依托其碳汇能力，建立以实际固碳量为基础的横向财政转移支付制度，并推动县域层面参与农业、林业碳汇的核算和碳交易试点，扩大生态产品市场化变现渠道. 鼓励地方创新碳汇管理模式，如“碳票”“碳托管”“碳保险”等，提升生态补偿的多元收益和抗风险能力. 在碳收支基本平衡区，应定期开展碳收支滚动评估，建立动态补偿调节系数，并推动这些区域成为补偿资金撮合和交易的中介枢纽，实现区域内部的资源优化配置. 建议尽快制定和完善统一的县域碳收支核算标准和补偿分配规则，依托数字化平台实现碳收支全流程数据监管与绩效考核，并引入第三方评估和社会监督，保障碳补偿政策的公正性和透明度. 最后，应将碳补偿政策与乡村振兴、产业升级和生态保护等区域发展战略有机衔接，促进生态优势真正转化为经济和社会发展的内生动力，为成渝地区双城经济圈高质量、低碳转型提供可持续制度保障.

6 结论

（1）2000~2022年，成渝地区双城经济圈碳排放总量呈现“先增后减”的阶段性演化，总量由4.95×10⁷ t升至2010年峰值1.20×10⁸ t，2022年降至1.04×10⁸ t. 空间上，碳排放高度集中于成都、重庆等城市核心区，秦巴山区与川西丘陵等生态功能区则构成碳汇高值区，生态工程显著提升了区域固碳能力，形成“中心高源-边缘高汇”的格局.

（2）区域碳补偿分布具有梯度性与结构性，核心城市区因建设用地扩张承担主要补偿责任，生态与农业优势区则依托碳汇功能成为主要受偿对象. 基于净碳排放量构建的差异化碳补偿模型有效识别了空间异质性补偿路径.

（3）土地利用碳排放、经济发展与碳补偿能力之间呈现显著耦合关系. 部分发达区虽碳强度下降但排放总量仍高，尚未实现“脱钩”；生态功能区因人类活动强度低、土地利用稳定，长期处于碳补偿净受益地位. 上述空间错配凸显了构建差异化、可持续碳补偿机制的现实必要性，对推动区域低碳公平转型具有重要意义.

参考文献

[1]	The General Assembly. Transforming our world: the 2030 agenda for sustainable development[EB/OL]. https://digitallibrary.un.org/record/3923923?v=pdf#files, 2015-10-21.
[2]	IPCC. Climate change 2021: the physical science basis[M]. Cambridge: Cambridge University Press, 2023.
[3]	徐政, 左晟吉, 丁守海. 碳达峰、碳中和赋能高质量发展: 内在逻辑与实现路径[J]. 经济学家, 2021(11): 62-71. Xu Z, Zuo S J, Ding S H. Carbon peak, carbon neutrality empowers high-quality development: internal logic and realization path[J]. Economist, 2021(11): 62-71.
[4]	张希良, 黄晓丹, 张达, 等. 碳中和目标下的能源经济转型路径与政策研究[J]. 管理世界, 2022, 38(1): 35-51. Zhang X L, Huang X D, Zhang D, et al. Research on the pathway and policies for China's energy and economy transformation toward carbon neutrality[J]. Journal of Management World, 2022, 38(1): 35-51.
[5]	吉雪强, 刘慧敏, 张跃松. 中国省际土地利用碳排放空间关联网络结构演化及驱动因素[J]. 经济地理, 2023, 43(2): 190-200. Ji X Q, Liu H M, Zhang Y S. Spatiotemporal evolution and driving factors of spatial correlation network structure of China's land-use carbon emission[J]. Economic Geography, 2023, 43(2): 190-200.
[6]	陈儒, 姜志德. 农户低碳农业生产生态补偿标准研究[J]. 干旱区资源与环境, 2018, 32(9): 63-70. Chen R, Jiang Z D. Study on ecological compensation standard for farmers' low carbon agricultural production[J]. Journal of Arid Land Resources and Environment, 2018, 32(9): 63-70.
[7]	熊振兴. 碳足迹税、生态补偿与资源型经济产业转型[J]. 经济经纬, 2022, 39(3): 89-96. Xiong Z X. Carbon footprint tax, ecological value compensation and industrial transformation of a resource-based economy[J]. Economic Survey, 2022, 39(3): 89-96.
[8]	李倩娜, 姚娟, 熊长江. 理性与道德双重驱动: 游客碳补偿意愿影响机理研究——基于新疆天山世界自然遗产地的调查[J]. 干旱区资源与环境, 2024, 38(1): 60-68. Li Q N, Yao J, Xiong C J. The dual drives of rationality and morality: the mechanism in tourists' willingness to pay for carbon compensation[J]. Journal of Arid Land Resources and Environment, 2024, 38(1): 60-68.
[9]	杨静媛, 张明, 多玲花, 等. 江西省土地利用碳排放空间格局及碳平衡分区[J]. 环境科学研究, 2022, 35(10): 2312-2321. Yang J Y, Zhang M, Duo L H, et al. Spatial pattern of land use carbon emissions and carbon balance zoning in Jiangxi Province[J]. Research of Environmental Sciences, 2022, 35(10): 2312-2321.
[10]	韩方红, 高凡, 何兵, 等. 1990~2020年阿克苏河流域土地利用碳排放时空轨迹与影响因素[J]. 环境科学, 2024, 45(6): 3297-3307. Han F H, Gao F, He B, et al. Exploring the spatial and temporal trajectories of land use carbon emissions and influencing factors in the Aksu River basin from 1990 to 2020[J]. Environmental Science, 2024, 45(6): 3297-3307. DOI:10.13227/j.hjkx.202305243
[11]	陈靖松, 张建军, 李金龙, 等. 京津冀地区碳排放时空格局变化及其驱动因子[J]. 生态学报, 2024, 44(6): 2270-2283. Chen J S, Zhang J J, Li J L, et al. Spatio-temporal pattern of carbon emissions and its driving factors in the Beijing-Tianjin-Hebei region[J]. Acta Ecologica Sinica, 2024, 44(6): 2270-2283.
[12]	黄汉志, 贾俊松, 张振旭. 江西县域土地利用变化碳排放时空演变及其影响因素[J]. 生态学报, 2023, 43(20): 8390-8403. Huang H Z, Jia J S, Zhang Z X. Spatiotemporal pattern evolution and influencing factors of land-use carbon emissions in counties, Jiangxi Province[J]. Acta Ecologica Sinica, 2023, 43(20): 8390-8403.
[13]	凯吾沙·塔依尔, 黎华, 古丽米热·艾尔肯, 等. FLUS与灰色预测模型支持下的乌鲁木齐地区碳排放时空演变与预测[J]. 水土保持学报, 2023, 37(4): 214-226. Tayier K, Li H, Aierken G, et al. Spatio-temporal evolution and prediction of carbon emissions in Urumqi region based on FLUS and grey prediction model[J]. Journal of Soil and Water Conservation, 2023, 37(4): 214-226.
[14]	张圆圆, 陈方媛, 许翔, 等. 基于县域尺度的福建省土地利用碳排放效应分析[J]. 环境科学研究, 2023, 36(7): 1446-1456. Zhang Y Y, Chen F Y, Xu X, et al. Investigation on county-scale carbon emission effect of land use in Fujian Province[J]. Research of Environmental Sciences, 2023, 36(7): 1446-1456.
[15]	Yang S F, Fu W J, Hu S G, et al. Watershed carbon compensation based on land use change: evidence from the Yangtze River Economic Belt[J]. Habitat International, 2022, 126. DOI:10.1016/j.habitatint.2022.102613
[16]	韩磊, 刘洁, 胡紫洁, 等. 基于土地利用变化的陕西省碳排放时空特征及碳补偿[J]. 生态学报, 2025, 45(20): 10036-10047. Han L, Liu J, Hu Z J, et al. Study on the spatio-temporal characteristics of carbon emissions and carbon compensation in Shaanxi Province based on land use change[J]. Acta Ecologica Sinica, 2025, 45(20): 10036-10047.
[17]	王文治, 胡雍, 张晓宇. 中国省域碳排放责任分配方法比较与碳补偿设计[J]. 资源科学, 2023, 45(10): 1913-1930. Wang W Z, Hu Y, Zhang X Y. Comparison of carbon emission responsibility allocation methods and carbon compensation design among provinces in China[J]. Resources Science, 2023, 45(10): 1913-1930.
[18]	Xiong S W, Yang F, Li J Y, et al. Temporal-spatial variation and regulatory mechanism of carbon budgets in territorial space through the lens of carbon balance: a case of the middle reaches of the Yangtze River urban agglomerations, China[J]. Ecological Indicators, 2023, 154. DOI:10.1016/j.ecolind.2023.110885
[19]	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.
[20]	魏中胤, 涂建军, 肖林, 等. 成渝城市群国土空间碳收支精细核算与驱动因子监测研究[J]. 自然资源学报, 2025, 40(5): 1294-1311. Wei Z Y, Tu J J, Xiao L, et al. Detailed accounting of territorial carbon budgets and monitoring of driving factors in the Chengdu-Chongqing Urban Agglomeration[J]. Journal of Natural Resources, 2025, 40(5): 1294-1311.
[21]	邓元杰, 陈航, 海宜峰, 等. 成渝双城经济圈土地利用碳排放空间格局及碳平衡分区[J]. 水土保持通报, 2024, 44(5): 337-346. Deng Y J, Chen H, Hai Y F, et al. Spatial patterns of carbon emission from land use and carbon balance partitioning in Chengdu-Chongqing Economic Zone[J]. Bulletin of Soil and Water Conservation, 2024, 44(5): 337-346.
[22]	莫远明. "十四五"开局与成渝地区双城经济圈高质量发展[J]. 重庆理工大学学报(社会科学), 2021, 35(4): 8-18. Mo Y M. The starting point of Fourteenth Five-Year Plan and the high quality development of Chengdu-Chongqing Economic Circle[J]. Journal of Chongqing University of Technology (Social Science), 2021, 35(4): 8-18.
[23]	Yang J, Huang X. The 30 m annual land cover dataset and its dynamics in China from 1990 to 2019[J]. Earth System Science Data, 2021, 13(8): 3907-3925. DOI:10.5194/essd-13-3907-2021
[24]	Medeiros A D S, Cesário F V, Dos Santos T C, et al. Differences in the storage of soil organic carbon in Brazil's agricultural land: a meta-analysis[J]. CATENA, 2025, 249. DOI:10.1016/j.catena.2024.108680
[25]	周嘉, 王钰萱, 刘学荣, 等. 基于土地利用变化的中国省域碳排放时空差异及碳补偿研究[J]. 地理科学, 2019, 39(12): 1955-1961. Zhou J, Wang Y X, Liu X R, et al. Spatial temporal differences of carbon emissions and carbon compensation in china based on land use change[J]. Geographical Science, 2019, 39(12): 1955-1961.
[26]	王修兰. 二氧化碳、气候变化与农业[M]. 北京: 气象出版社, 1996. Wang Xiulan. CO₂, climate change and agriculture[M]. Beijing: China Meteorological Press, 1996.
[27]	易丹, 欧名豪, 郭杰, 等. 土地利用碳排放及低碳优化研究进展与趋势展望[J]. 资源科学, 2022, 44(8): 1545-1559. Yi D, Ou M H, Guo J, et al. Progress and prospect of research on land use carbon emissions and low-carbon optimization[J]. Resources Science, 2022, 44(8): 1545-1559.
[28]	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, 50(6): 804-812. Fang J Y, Guo Z D, Piao S L, et al. Terrestrial vegetation carbon sinks in China, 1981-2000[J]. Science in China Series D: Earth Sciences, 2007, 50(9): 1341-1350.
[29]	郑永超, 文琦. 宁夏自治区土地利用变化及碳排放效应[J]. 水土保持研究, 2020, 27(1): 207-212. Zheng Y C, Wen Q. Change of land use and the carbon emission effect of Ningxia Autonomous Region[J]. Research of Soil and Water Conservation, 2020, 27(1): 207-212.
[30]	赵荣钦, 刘英, 马林, 等. 基于碳收支核算的河南省县域空间横向碳补偿研究[J]. 自然资源学报, 2016, 31(10): 1675-1687. Zhao R Q, Liu Y, Ma L, et al. County-level carbon compensation of Henan Province based on carbon budget estimation[J]. Journal of Natural Resources, 2016, 31(10): 1675-1687.
[31]	王梁, 赵杰, 陈守越. 山东省农田生态系统碳源、碳汇及其碳足迹变化分析[J]. 中国农业大学学报, 2016, 21(7): 133-141. Wang L, Zhao J, Chen S Y. Analysis of ecosystem carbon sources/sinks and carbon footprint in farmland ecosystem of Shandong Province[J]. Journal of China Agricultural University, 2016, 21(7): 133-141.
[32]	许萍萍, 赵言文, 陈颢明, 等. 江苏省农田生态系统碳源/汇、碳足迹动态变化[J]. 水土保持通报, 2018, 38(5): 238-243. Xu P P, Zhao Y W, Chen H M, et al. Dynamic change of carbon source/sink and carbon footprint of farmland ecosystem in Jiangsu Province[J]. Bulletin of Soil and Water Conservation, 2018, 38(5): 238-243.
[33]	佘玮, 黄璜, 官春云, 等. 我国主要农作物生产碳汇结构现状与优化途径[J]. 中国工程科学, 2016, 18(1): 114-122. She W, Huang H, Guan C Y, et al. The current carbon sink structure of China's staple crop production and its optimization approach[J]. Strategic Study of CAE, 2016, 18(1): 114-122.
[34]	谢婷, 张慧, 苗洁, 等. 湖北省农田生态系统温室气体排放特征与源/汇分析[J]. 农业资源与环境学报, 2021, 38(5): 839-848. Xie T, Zhang H, Miao J, et al. Greenhouse gas emission characteristics and source/sink analysis of farmland ecosystem in Hubei Province[J]. Journal of Agricultural Resources and Environment, 2021, 38(5): 839-848.
[35]	温涛, 孙鹏翔, 张林. 中国农业碳排放的动态演进与区域格局[J]. 经济地理, 2024, 44(10): 165-175. Wen T, Sun P X, Zhang L. Dynamic evolution and regional pattern of agricultural carbon emissions in China[J]. Economic Geography, 2024, 44(10): 165-175.
[36]	West T O, Marland G. A synthesis of carbon sequestration, carbon emissions, and net carbon flux in agriculture: comparing tillage practices in the United States[J]. Agriculture, Ecosystems & Environment, 2002, 91(1-3): 217-232.
[37]	李颖, 黄贤金, 甄峰. 江苏省区域不同土地利用方式的碳排放效应分析[J]. 农业工程学报, 2008, 24(S2): 102-107. Li Y, Huang X J, Zhen F. Effects of land use patterns on carbon emission in Jiangsu Province[J]. Transactions of the CSAE, 2008, 24(S2): 102-107.
[38]	曹周亮, 张欣蓉, 员学锋, 等. 基于土地利用变化的陕西省县域碳排放时空变化及影响因素研究[J]. 水土保持通报, 2022, 42(5): 376-385. Cao Z L, Zhang X R, Yuan X F, et al. Spatio-temporal variation and influencing factors of CO₂ emission at county scale in Shaanxi Province based on land use change[J]. Bulletin of Soil and Water Conservation, 2022, 42(5): 376-385.
[39]	Eggelston S, Buendia L, Miwa Ket al. 2006 IPCC guidelines for national greenhouse gas inventories[M]. Geneva: IPCC, 2006.
[40]	陈慧灵, 蒋莉莎, 王振波. 黄河流域土地利用碳排放与生态系统服务价值时空耦合及影响因素[J]. 环境科学, 2025, 46(6): 3536-3545. Chen H L, Jiang L S, Wang Z B. Spatial temporal coupling and influencing factors of land-use carbon emissions and ecosystem service value in the Yellow River Basin[J]. Environmental Science, 2025, 46(6): 3536-3545. DOI:10.13227/j.hjkx.202404136
[41]	卢俊宇, 黄贤金, 戴靓, 等. 基于时空尺度的中国省级区域能源消费碳排放公平性分析[J]. 自然资源学报, 2012, 27(12): 2006-2017. Lu J Y, Huang X J, Dai L, et al. Spatio-temporal scale analysis on the equality of energy consumption carbon emission distribution in China[J]. Journal of Natural Resources, 2012, 27(12): 2006-2017.
[42]	余光辉, 耿军军, 周佩纯, 等. 基于碳平衡的区域生态补偿量化研究——以长株潭绿心昭山示范区为例[J]. 长江流域资源与环境, 2012, 21(4): 454-458. Yu G H, Geng J J, Zhou P C, et al. Quantitative research of regional ecological compensation based on carbon balance-take Zhaoshan demonstration area of Changzhutan Green Heart as an example[J]. Resources and Environment in the Yangtze Basin, 2012, 21(4): 454-458.
[43]	杜国启. 延安市土地利用碳排放与碳排放风险时空变化分析[J]. 河南科技, 2025, 52(1): 102-106. Du G Q. Temporal and spatial variation analysis of carbon emission and carbon emission risk in Yan'an City[J]. Henan Science and Technology, 2025, 52(1): 102-106.
[44]	张娜, 孙芳城, 胡钰苓, 等. 长江经济带三大城市群土地利用碳排放的区域差异及空间收敛性[J]. 环境科学, 2024, 45(8): 4656-4669. Zhang N, Sun F C, Hu Y L, et al. Regional difference and spatial convergence of land use carbon emissions in Three Urban Agglomerations of Yangtze River Economic Belt[J]. Environmental Science, 2024, 45(8): 4656-4669. DOI:10.13227/j.hjkx.202309059
[45]	杨金海. 基于土地利用的县域碳排放动态演变及其影响因素研究——以珠三角地区为例[D]. 广州: 广州大学, 2022. Yang J H. Study on the dynamic evolution of county carbon emissions and its influencing factors based on land use the Pearl River Delta as an example[D]. Guangzhou: Guangzhou University, 2022.
[46]	唐鑫行, 邵帅, 国林娜, 等. 哈尔滨市土地利用碳排放演变及预测分析[J]. 农业与技术, 2025, 45(4): 89-95.
[47]	周汝波. 文化创意产业园的空间演化及发展策略——以广州市为例的实证研究[J]. 决策与信息, 2024(1): 39-51. Zhou R B. The spatial evolution and development path of cultural and creative industrial parks: an empirical study of Guangzhou[J]. Decision & Information, 2024(1): 39-51.
[48]	马明娟, 李强, 周文瑞. 碳中和视域下黄河流域碳生态补偿研究[J]. 人民黄河, 2021, 43(12): 5-11. Ma M J, Li Q, Zhou W R. Study of carbon ecological compensation in Yellow River Basin based on carbon neutrality[J]. Yellow River, 2021, 43(12): 5-11.


环境科学 2026, Vol. 47 Issue (9): 5925-5935	PDF