环渤海城市群碳收支格局驱动因素及协调分区

引用本文

单婧, 孙茂凯, 王磊, 王鑫鹏, 李璇, 耿其明, 庞娇, 闫丰, 陈亚恒. 环渤海城市群碳收支格局驱动因素及协调分区[J]. 环境科学, 2026, 47(10): 6724-6737.

SHAN Jing, SUN Mao-kai, WANG Lei, WANG Xin-peng, LI Xuan, GENG Qi-ming, PANG Jiao, YAN Feng, CHEN Ya-heng. Driving Factors and Coordinated Zoning of the Carbon Budget Pattern in the Bohai Rim Urban Agglomeration[J]. Environmental Science, 2026, 47(10): 6724-6737.

环渤海城市群碳收支格局驱动因素及协调分区

单婧¹, 孙茂凯², 王磊², 王鑫鹏³, 李璇², 耿其明², 庞娇⁴, 闫丰⁵, 陈亚恒⁵

1. 河北农业大学资源与环境科学学院，保定 071001;
2. 河北省地质实验测试中心，保定 071025;
3. 中国农业大学资源与环境科学学院，北京 100193;
4. 河北农业大学渤海学院，沧州 061100;
5. 河北农业大学国土资源学院，保定 071001

收稿日期: 2025-07-01; 修订日期: 2025-10-29

基金项目: 河北省矿产资源与生态环境监测重点实验室项目（HBMREEM202601）；河北省社会科学基金项目（HB24YJ007，HB23YJ008）

作者简介: 单婧（2003~），女，硕士研究生，主要研究方向为碳排放管理及国土综合整治，E-mail：2414264271@qq.com

通信作者: 闫丰, E-mail：yanfeng@hebau.edu.cn; 陈亚恒, E-mail：chenyaheng@126.com

摘要: 环渤海城市群作为北方经济发展核心区，明晰其碳收支演变对区域低碳协同发展具有重要战略意义. 基于EDGAR资源及净生态系统生产力（NEP）数据，揭示了环渤海城市群市域尺度下2000~2023年碳收支格局，并测算了2001年、2012年和2023年的碳排放经济贡献系数（ECC）和碳生态承载系数（ESC），衡量其能源利用效率和碳汇能力，并利用最优参数地理探测器（OPGD）识别碳平衡空间分异性的主要驱动因素，最后融合国土空间规划中的主体功能区对环渤海城市群市域尺度进行碳平衡优化分区. 结果表明：①2000~2023年环渤海城市群碳排放表现为中间高四周低的分布格局，而碳吸收则呈北高南低的空间分布特征；OPGD结果显示，人均GDP（X₅）和人口密度（X₆）对碳收支的单因子解释力显著，且交互因子对碳收支影响程度相对于单个影响因子均有明显增强. ②ECC表现出先上升后下降的变化趋势，且呈现出高值区零散分布、低值区成片聚集的空间分布格局，而ESC则表现出北高南低的空间分布特征. ③基于ECC、ESC与主体功能区划的碳平衡分区显示，经济发展区-重点开发区覆盖较广，碳汇发展区-优化开发区集中于京津等市域，综合优化区-重点开发区市域数量有所增加. 研究结果为环渤海城市群低碳政策制定提供了理论支撑和决策依据.

关键词: 碳收支时空格局协调分区最优参数地理探测器（OPGD）环渤海城市群

Driving Factors and Coordinated Zoning of the Carbon Budget Pattern in the Bohai Rim Urban Agglomeration

SHAN Jing¹ , SUN Mao-kai² , WANG Lei² , WANG Xin-peng³ , LI Xuan² , GENG Qi-ming² , PANG Jiao⁴ , YAN Feng⁵ , CHEN Ya-heng⁵

1. School of Resources and Environmental Science, Hebei Agricultural University, Baoding 071001, China;
2. Hebei Provincial Geological Experiment and Testing Center, Baoding 071025, China;
3. School of Resources and Environment, China Agricultural University, Beijing 100193, China;
4. Bohai College, Hebei Agricultural University, Cangzhou 061100, China;
5. College of Land and Resources, Hebei Agricultural University, Baoding 071001, China

Abstract: As a pivotal economic development zone in northern China, the Bohai Rim urban agglomeration holds significant strategic importance for regional low-carbon synergistic development through clarifying the evolution of its carbon budget. Utilizing EDGAR datasets and net ecosystem productivity (NEP) data, this study reveals the carbon budget patterns at the municipal scale within the Bohai Rim region from 2000 to 2023. It calculates the economic contribution coefficient of carbon emissions (ECC) and ecological support capacity coefficient of carbon (ESC) for the years 2001, 2012, and 2023 to assess energy utilization efficiency and carbon sink capacity. Furthermore, the optimal parameters-based Geodetector (OPGD) is employed to identify key driving factors behind spatial differentiation in carbon balance. Finally, integrated with major function-oriented zones in territorial spatial planning, the study proposes optimized carbon balance zoning at the municipal scale across the Bohai Rim urban agglomeration. The results show that: ① From 2000 to 2023, the carbon emissions of the Bohai Rim Urban Agglomeration presented a distribution pattern of being higher in the middle and lower in the surrounding areas, while the carbon absorption showed a spatial distribution feature of being higher in the north and lower in the south. The OPGD results indicated that per capita GDP (X₅) and population density (X₆) had significant single-factor explanatory power for the carbon balance, and the interaction factors had a significantly stronger influence on the carbon balance compared to that of individual factors. ② ECC exhibited a trend of rising first and then falling and presented a spatial distribution pattern of scattered high-value areas and concentrated low-value areas, while ESC showed a spatial distribution feature of being higher in the north and lower in the south. ③ The carbon balance zoning based on ECC, ESC, and the main functional zoning showed that the economic development area—key development area covered a wide area, while the carbon sink development area—optimized development area was concentrated in cities such as Beijing and Tianjin, and the comprehensive optimization area—key development area had an increasing number of city regions. The research results provide theoretical support and decision-making basis for the formulation of low-carbon policies in the Bohai Rim Urban Agglomeration.

Key words: carbon budget space-time pattern coordinated zoning optimal parameters-based Geodetector (OPGD) Bohai Rim Urban Agglomeration

碳排放量快速增长导致的全球变暖是当今人类社会面临的重大挑战^[1]，经济社会发展和生态环境之间的矛盾不断激化^[2]，实现经济社会转型和低碳可持续发展成为各国亟待解决的重要问题^[3]. 2016年国际条约《巴黎协定》的签署具有里程碑意义，形成了全球气候治理新格局，使得碳减排路径及发展模式的探索成为世界各国关注的主要内容^[4]，而中国作为全球最大的碳排放国，2020年在第七十五届联合国大会上明确提出“力争于2030年前碳达峰、努力争取2060年前碳中和”的行动目标^[5]. 在快速城镇化和工业化的背景下，城市作为人类社会对地表影响最显著的区域，虽仅占全球陆地面积2.4%，却能产生全球80%以上的二氧化碳排放量^[6]，控制其高强度碳排放是实现碳达峰和区域高质量发展的关键^[7]，揭示城市群碳排放和碳吸收的时空分异格局，可为区域实现高质量绿色发展提供理论依据.

国内外在碳收支领域研究广泛^[8]，但多集中在碳收支的空间异质性分析^[9]，涵盖省、市和县等多尺度，多采用演化博弈^[10]、碳收支核算^[11]、空间分析^[12]、社会网络分析^[13]和碳平衡区划^[14]等方法刻画其时空格局与平衡特征. 在碳收支驱动因子研究方面，对数平均迪式指数分析法^[15]、动态面板回归模型^[16]、偏最小二乘法^[17]等模型在驱动分析中应用广泛，相较而言最优地理探测器模型（OPGD）不仅能够量化单个因子对目标变量的影响程度，还可以明晰不同因子间的交互驱动作用^[18]，可以将空间数据离散化和分析尺度优化纳入考虑^[19]，在探究碳收支空间异质性驱动因素中比一般统计量更能揭示因果关系特征. 综合来看，关于碳收支的研究尺度多聚焦单一城市或县域，对城市群的整体探究相对较少，而城市群作为区域经济增长的关键引擎^[20，21]，掌握其碳排放和碳吸收现状对制定低碳减排的发展战略至关重要；其次以往研究多聚焦于单因子驱动机制对碳收支的线性响应，对多因子的交互耦合作用的非线性叠加机制解析尚有空白；再者碳平衡区划研究与国土空间规划体系衔接不足，有待细化同一功能区内的碳平衡特征，进而为区域低碳减排提供科学支撑.

环渤海城市群是中国经济社会发展的重要增长极，其人口密度高、资源开发利用早、重工业密集，城市化与碳减排协同发展压力大，区域资源环境承载力与生态保护之间的矛盾突出^[22]. 基于此，本文以环渤海城市群作为研究区，探究其2000~2023年间碳排放和碳吸收的空间分异格局，利用OPGD模型明晰环渤海44个城市碳收支对不同变量间的差异化响应，揭示多因子非线性增强或减弱效应；并选取2001年、2012年和2023年对ECC和ESC进行测算，揭示区域碳生产力和碳汇吸收能力，并在此基础上对各市域开展优化分区；以期为环渤海的碳减排提供新的路径，助力“双碳”目标与区域高质量协同发展的双重实现.

1 研究区概况

环渤海城市群以京津冀为核心，辽东半岛和山东半岛为两翼，主要包括北京、天津两大直辖市及河北、山东和辽宁[图 1（a）]，该地区东临渤海与黄海，西接华北平原与太行山脉，地缘优势显著，起着贯穿南北、承东启西的作用，地势总体呈西北高东南低的空间分布特征[图 1（b）]，地形以平原和丘陵为主，属温带季风气候，四季分明. 环渤海经济圈已成为中国北方经济增长的主要驱动力，被视为继珠江三角洲和长江三角洲之后的中国第三大经济中心^[23]，其资源禀赋良好，且产业体系健全，城市化和工业化进程快，人类活动频繁，土地资源供需矛盾突出，生态空间破碎化加剧，人类社会活动和生态变化之间的紧张关系不断加剧^[24]，加快产业转型和升级，推动减污降碳协同增效，解析碳收支状况的时空异质性及驱动机制，对促进环渤海城市群高质量发展至关重要.

图 1 环渤海城市群地理区位及地形特征 Fig. 1 Geographical location and topographic feature of the Bohai Rim Urban Agglomeration

2 材料与方法 2.1 数据来源与处理

根据EDGAR资源（欧盟委员会全球大气排放数据库，EDGAR_2024_GHG of October 2024）提取环渤海城市群共44个市域，其中莱芜市数据缺失，参考与其经济发展水平相近的日照市碳排放强度进行拟合回归补全. 本文数据来源如表 1所示，且所有数据均在ArcGIS软件中统一处理为WGS_1984坐标系.

表 1 数据来源^1） Table 1 Data source

2.2 研究方法 2.2.1 碳吸收

NEP指绿色植被在单位时间内能够固定大气中CO₂的量，当NEP > 0时，植被所吸收的CO₂量大于土壤所排放的CO₂量，此时表现为碳汇，反之，表现为碳源.

N E P = N P P - R_{h}

(1)

式中，NPP表示植被净初级生产力，R_h表示土壤异养呼吸，采用张梅等^[25]建立的模型计算：

R_{h} = 0.616 3 R_{s}^{0.7918}

(2)

式中，R_h和R_s（均以C计）单位均为kg·（m²·a）^-1. R_s表示土壤呼吸，采用Chen等^[26]研究结果进行估算：

R_{s} = 1.55 e^{0.031 T} \times \frac{P}{P + 0.68} \times \frac{S O C}{S O C + 2.23}

(3)

式中，R_s（以C计）表示年土壤呼吸[kg·（m²·a^-1）]；T表示年均气温（℃）；P表示年降水量（m）；SOC表示0~20 cm表层土壤碳密度^[27]（以C计，kg·m^-2）.

2.2.2 最优参数地理探测器模型

陆地生态系统碳储量受气候、地形、植被等多种因素共同影响，本文选取17个驱动因子分析环渤海城市群碳储量空间分异性的驱动力^[28]，参数优化包括变量空间尺度优化和离散型参数优化，利用单因子和双因子交互作用探测器揭示各因子对碳储量空间分异的驱动大小.

（1）因子探测因子探测主要用于识别造成空间分异性的驱动因子，公式如下：

q = 1 - \frac{\sum_{h = 1}^{L} N_{h} σ_{h}^{2}}{N σ^{2}} = 1 - \frac{S S W}{S S T}

(4)

式中，q为各个变量对碳储量空间分异程度的解释力；L为变量因子的分类数； $N_{h}$ 和N为不同分级区域和全区域的样本数； $σ_{h}^{2}$ 和 $σ^{2}$ 为不同分级区域和全区域的碳收支变化方差；SSW为分级区域方差之和；SST为全区域总方差.

（2）交互作用探测在多个变量因子共同作用时，双因子交互的q值可以明晰其是提升或降低了对碳储量的解释力. 由表 2可知交互作用探测可分为5种类型^[29].

表 2 两个变量之间的交互作用的类型 Table 2 Type of interaction between two variables

判断区间	交互类型
$q (X 1 ⋂ X 2) < M i n [q (X 1), q (X 2)]$	非线性减弱
$M i n [q (X 1), q (X 2)] < q (X 1 ⋂ X 2) < M a x [q (X 1), q (X 2)]$	单因子非线性减弱
$q (X 1 ⋂ X 2) > M a x [q (X 1), q (X 2)]$	双因子增强
$q (X 1 ⋂ X 2) = q (X 1) + q (X 2)$	独立
$q (X 1 ⋂ X 2) > q (X 1) + q (X 2)$	非线性增强

表 2 两个变量之间的交互作用的类型 Table 2 Type of interaction between two variables

2.2.3 ECC和ESC

碳排放经济贡献系数（economy contributive coefficient，ECC）从经济利益的角度表征碳生产力，量化评估区域碳排放与经济增长之间的关系^[30].

E C C = \frac{G_{i} / G}{C_{i} / C}

(5)

式中，G_i和C_i分别表示第i个城市的GDP和碳排放量，G和C分别表示环渤海城市群总GDP和总碳排放量.

碳生态承载系数（ecological support coefficient，ESC）是某市碳吸收占环渤海城市群碳吸收的比例与该市碳排放占环渤海城市群碳排放比例的商，表示该市的碳汇能力^[31].

E S C = \frac{C S_{i} / C S}{C_{i} / C}

(6)

式中，CS_i和C_i分别表示第i个城市碳吸收和碳排放，CS和C分别表示环渤海城市群的总碳吸收和总碳排放.

3 结果与分析 3.1 碳排放和碳吸收空间分异格局及多元驱动力解析 3.1.1 碳排放空间分异格局及驱动因素

图 2为2000年、2010年和2023年这3个典型年份城市群碳排放的空间分布，为便于各年份内部空间差异的可视化比较，每年均采用自然间断点法独立划分为6个排放等级. 观察发现：在研究的3个年份中，碳排放均呈现出中间高四周低的显著空间格局. 在2001年高值区多集中在北京市、天津市和唐山市等地，城市扩张迅速、能源需求量大、交通与物流活动密集，受多方面共同作用致使其碳排放量高，而辽宁省整体碳排放量相对较低，可能与城区工厂外迁和市区中存在的大量行道树与绿化带有关；2012年天津市和唐山市的碳排放量仍居首位，且多年居高不下，其中山东省和河北省各市域碳排放都有所增加，期间城市化进程迅速，追求经济效益显著，但清洁能源尚未规模化，导致碳排放快速增长；值得注意的是在2023年部分市域碳排放有所好转，阜新市、锦州市、盘锦市、丹东市和威海市等地积极关停炼钢和煤炭等落后产业，进行能源替代和产业升级，技术创新和政策引导明显，可见区域碳减排效果显著.

图 2 2001年、2012年和2023年环渤海城市群碳排放空间分异特征对比 Fig. 2 Comparison of the spatial differentiation characteristics of carbon emissions in the Bohai Rim Urban Agglomeration in 2001, 2012, and 2023

为实现跨年度分析，人为设定固定区间，消除年份间的断点差异，将各年份碳排放数据转换为相对值R，计算每个城市“当年碳排放量/该年份所有城市碳排放最大值”的比值，按比值划分6个等级，区间在[0，0.167）为一级，表示相对较低；[0.167，0.333）为二级，表示较低；[0.333，0.5）为三级，表示中等偏低；[0.5，0.667）为四级，表示中等偏高；[0.667，0.833）为五级，表示较高；[0.833，1）为六级，表示相对最高. 分析发现：在2001年碳排放高等级区（5~6级）多分布在研究区中南部，而在2012年和2023年高等级区则多集中在唐山市等研究区中部，且研究区外围等级相对较低，特别是辽宁和河北两省北部，多为一级区域. 在3个典型年份城市群碳排放等级，整体上均呈中间高四周低的空间格局.

驱动因素方面从气象因子、地形因子、植被指数和社会经济等方面选取18个解释变量，对其进行单因子和双因子交互探测. 碳排放对单因子的差异化响应显著[图 3（a）]，其中人均GDP（X₃）的q值最高，在图 3（a）中表现为红色方柱，余下白色方柱长短表示其他变量对碳排放的影响大小，城镇化率（X₂）、年均气温（X₅）、高新企业数量（X₁）和人口密度（X₄）的解释力（q值）均超过30%，相较而言余下变量对碳排放的驱动较弱，可见人类活动对碳排放的强驱动力. 双因子交互结果表明，大部分变量间组合表现为双因子增强和非线性增强的关系[图 3（b）]，其中城镇化率（X₂）∩人口密度（X₄）、人均GDP（X₃）∩高程（X₁₀）、人均GDP（X₃）∩地表温度LST（X₈）等组合表现为非线性增强，且人均GDP（X₃）与人口密度（X₄）的双因子增强q值达到0.895 9，而人均GDP（X₃）∩人口密度（X₄）、人均GDP（X₃）∩高新企业数量（X₁）等表现为双因子增强. 人均GDP（X₃）无论在单因子探测还是双因子交互作用中，对碳排放均表现为强驱动力，但对碳排放综合影响的强度和方向有所不同，可见不同变量间的复杂耦合机制对碳排放的影响显著，特别是人类活动层面的驱动尤为强烈.

图 3 碳排放驱动因子及其交互作用探测结果 Fig. 3 Detection results of driving factors and their interactions for carbon emissions

3.1.2 碳吸收空间分异格局及驱动因素

由图 4可知，在2000~2023年环渤海城市群碳吸收呈北高南低的空间分布格局，碳吸收能力有所增加，且碳汇面积逐渐扩大. 在2001年碳吸收能力整体相对较弱，高值区多在承德市和辽宁东部沿海城市分布，低值区则集中分布在京津冀及山东省，其中北京市碳吸收量低至-858.96×10⁴ t；2012年全域范围内各市碳吸收能力显著提升，在空间上表现为中间低四周高的分布特征，正值分布范围不断得到扩大，在承德市和朝阳市为碳吸收能力强，但天津市、沧州市和东营市仍为低碳汇区，其土壤盐碱化问题突出，植被覆盖率低，生态系统的碳汇能力较弱；2023年碳吸收低值区有所增加，主要在研究区南部和北部部分市域集中分布，而承德和铁岭为显著高值区，其通过政策引导将生态劣势转化为碳汇优势，可见生态修复工程规模化效果显著.

图 4 环渤海城市群2001、2012、2023年碳吸收空间分异特征对比 Fig. 4 Comparison of spatial differentiation characteristics of carbon absorption in the Bohai Rim Urban Agglomeration in 2001, 2012, and 2023

不同解释变量对环渤海城市群碳吸收的贡献率（q值）差异化明显[图 5（a）]，其中人口密度（X₄）的q值最高，其次是人均GDP（X₃）和地貌类型（X₁₈），当然高程（X₁₀）、新企业数量（X₁）和年均气温（X₅）对碳吸收的解释力亦不容忽视，解释力在10%以上. 双因子探测结果表明，大部分变量组合表现为非线性增强和双因子增强的关系，少部分表现为单因子非线性减弱[图 5（b）]. 人均GDP（X₃）∩人口密度（X₄）、年均气温（X₅）∩人口密度（X₄）和人均GDP（X₃）∩地貌类型（X₁₈）表现为双因子增强，人均GDP（X₃）∩新企业数量（X₁）的非线性增强q值达到0.963 2，NPP-VIRS夜间灯光数据（X₁₅）∩人口密度（X₄）表现为单因子非线性减弱，高新企业数量（X₁）∩人均GDP（X₃）和年均降水（X₆）∩人均GDP（X₃）等表现为非线性增强. 相较于碳排放而言，碳吸收对自然因子和人类活动的交互作用响应强烈.

图 5 碳吸收驱动因子及其交互作用探测结果 Fig. 5 Detection results of driving factors and their interactions for carbon sinks

3.2 碳排放经济贡献系数ECC和碳生态承载系数ESC

在2001~2023年间碳排放经济贡献系数（ECC）空间异质性显著（图 6），呈现出高值区零散分布、低值区成片聚集的空间分布格局，且系数呈现先上升后下降的减少趋势. 2001年系数介于0.248~4.451，高值区多分布在北京市、沈阳市、盘锦市和青岛市，说明其具有较高的能源利用率和碳生产能力，低值区则集中在张家口市、铁岭市和莱芜市等地，根植于其传统产业惯性与能源消费结构；而2012年高值区域逐渐扩大，增加了东营市、威海市和大连市，低值区相对2001年有所减少，可见传统产业绿色改造和能效提升显著，使得能源利用率得到有效提升；2023年ECC略有回升，高值区仍主要集中在北京市、威海市和青岛市，低值区多分布在研究区边缘，可见区域发展不平衡，跨市域的能源规划衔接不足，打破行政壁垒，加强区域协调势在必行.

图 6 环渤海城市群碳排放经济贡献系数空间分异 Fig. 6 Spatial differentiation of the economic contribution coefficient of carbon emissions in the Bohai Rim Urban Agglomeration

在2000~2023年间碳生态承载系数（ESC）空间差异明显（图 7），呈现出北高南低的空间分布格局，整体生态承载力有所提高. 2001年以张家口市-北京市-天津市-唐山市为分界线，界限以南低值区呈片状分布，而界限以北多为高值区，特别是本溪市、抚顺市、盘锦市等地，其资源禀赋较强，且生物多样性基础良好，生态承载力好；2012年低值区分布范围有所扩大，但仍集中在研究区南部，高值区则有一定程度的转变，特别是承德市增加显著，升幅较大，得益于其优越的自然本底条件和京津风沙源治理工程的不断展开；2023年研究区全域多为低值区，仅承德市为显著高值区且ESC高达17.179，碳汇占比远超碳排放，可见塞罕坝林场的固碳效益显著，生态承载力有所增强.

图 7 环渤海城市群碳生态承载系数空间分异 Fig. 7 Spatial differentiation of carbon ecological carrying coefficient in the Bohai Rim Urban Agglomeration

3.3 碳平衡协调分区 3.3.1 碳平衡分区

根据碳排放经济贡献系数和碳生态承载系数，将环渤海城市群各市域划分为4种类型，分别为低碳保持区（ECC > 1且ESC > 1）、经济发展区（ECC < 1且ESC > 1）、碳汇发展区（ECC > 1且ESC < 1）和综合优化区（ECC < 1且ESC < 1），本文选取2001年、2012年和2023年这3个时间节点对环渤海城市群市域尺度下的碳平衡分区进行对比分析（见表 3）.

表 3 碳平衡分区统计 Table 3 Carbon balance zoning statistics

分区类型	2001年	2012年	2023年
低碳保持区	保定市、本溪市、沧州市、大连市、德州市、东营市、廊坊市、盘锦市、青岛市、沈阳市和威海市（共11个）	大连市、丹东市、德州市、抚顺市、锦州市、盘锦市、青岛市、沈阳市、威海市和烟台市（共10个）	大连市、丹东市、德州市、东营市、菏泽市、锦州市、廊坊市、盘锦市、沈阳市、石家庄市、威海市和烟台市（共12个）
经济发展区	鞍山市、朝阳市、承德市、丹东市、抚顺市、阜新市、菏泽市、衡水市、葫芦岛市、锦州市、莱芜市、辽阳市、秦皇岛市、日照市、铁岭市和营口市（共16个）	本溪市、朝阳市、承德市、阜新市、菏泽市、葫芦岛市、辽阳市、秦皇岛市、铁岭市、营口市和张家口市（共11个）	本溪市、沧州市、朝阳市、承德市、抚顺市、阜新市、衡水市、葫芦岛市、秦皇岛市、铁岭市、邢台市和营口市（共12个）
碳汇发展区	北京市、济南市、石家庄市、天津市和烟台市（共5个）	保定市、北京市、东营市、济南市、廊坊市、石家庄市、天津市和淄博市（共8个）	保定市、北京市、济南市、青岛市、天津市和淄博市（共6个）
综合优化区	滨州市、邯郸市、济宁市、聊城市、临沂市、泰安市、唐山市、潍坊市、邢台市、枣庄市、张家口市和淄博市（共12个）	鞍山市、滨州市、沧州市、邯郸市、衡水市、济宁市、莱芜市、聊城市、临沂市、日照市、泰安市、唐山市、潍坊市、邢台市和枣庄市（共15个）	鞍山市、滨州市、邯郸市、济宁市、莱芜市、辽阳市、聊城市、临沂市、日照市、泰安市、唐山市、潍坊市、枣庄市和张家口市（共14个）

表 3 碳平衡分区统计 Table 3 Carbon balance zoning statistics

在2000~2023年间低碳保持区市域数量呈先减后增趋势（图 8），多集中在辽宁省和河北省中部，以及山东省北部沿海地区，但至2012年其分布格局转变明显，锦州市、抚顺市和丹东市由经济发展区转为低碳保持区，期间三市积极响应辽宁省“十四五”能源规划，对锦州市和抚顺市等老工业基地进行产业结构升级，并调整能源消费结构，能源利用率和碳生产能力加强，但其自然地理条件优越，森林覆盖率高，湿地资源丰富，加之人为干预进行科学造林和抚育，促使其拥有较高的碳汇能力；2023年低碳保持区增加了廊坊市、石家庄市和菏泽市等地，而抚顺市又转回经济发展区，其经济增效放缓，碳生产力增长乏力，未来亟需对能源结构进行优化，加强政策引领和技术创新支持.

图 8 环渤海城市群市域碳平衡分区 Fig. 8 Regional carbon balance zoning of the Bohai Rim Urban Agglomeration

经济发展区数量逐年减少，多分布在研究区北部，包括承德市、秦皇岛市、朝阳市、葫芦岛市和阜新市等，其经济发展相对滞后，人为干扰较少，生态系统碳汇能力较好，在发展经济的同时，要兼顾对生态环境资源的保护，在提高碳排放经济效益的同时，也要进一步增强碳排放的消纳作用. 碳汇发展区数量表现为先增后减的增长趋势，集中在河北和山东两省，特别是北京市、济南市和石家庄市多年来长期保持较强的能源利用率和碳生产能力，但高强度的城市化导致生态空间萎缩，碳汇能力相对较低，对其展开产业协同治理和生态空间重构对提升碳汇能力尤为关键. 综合优化区分布市域数量呈先增后减趋势，主要分布在唐山市、邯郸市、临沂市和潍坊市等地，河北和山东两省作为我国北方重要的工业和农业大省，产业结构重型化制约低碳转型，生态本地脆弱制约碳汇提升，经济发展和生态保护尚未实现协同发展，是调整能源结构和落实低碳减排的重点区域.

3.3.2 碳平衡优化分区

为了深入优化环渤海城市群地区碳平衡分区，综合主体功能区分区情况与碳排放经济贡献率、碳吸收生态承载系数将京津冀地区碳平衡分区进一步细化，可以进一步得到反映地区主体功能与碳汇情况的16个分区（表 4）.

表 4 碳平衡优化分区统计^1） Table 4 Statistics of carbon balance optimization zones

分区类型	2001年	2012年	2023年
低碳保持区-重点生态功能区	—	丹东市	丹东市
低碳保持区-农产品主产区	沧州市和德州市	德州市和锦州市	德州市、菏泽市和锦州市
低碳保持区-重点开发区	保定市、本溪市、东营市、廊坊市、盘锦市和威海市	抚顺市、盘锦市和威海市	东营市、廊坊市、盘锦市和威海市
低碳保持区-优化开发区	大连市、青岛市和沈阳市	大连市、青岛市、沈阳市和烟台市	大连市、沈阳市、石家庄市和烟台市
经济发展区-重点生态功能区	朝阳市、承德市、丹东市和阜新市	朝阳市、承德市、阜新市和张家口市	朝阳市、承德市和阜新市
经济发展区-农产品主产区	菏泽市、衡水市、锦州市和铁岭市	菏泽市和铁岭市	沧州市、衡水市、铁岭市和邢台市
经济发展区-重点开发区	鞍山市、抚顺市、葫芦岛市、莱芜市、辽阳市、秦皇岛市、日照市和营口市	本溪市、葫芦岛市、辽阳市、秦皇岛市和营口市	本溪市、抚顺市、葫芦岛市、秦皇岛市和营口市
经济发展区-优化开发区	—	—	—
碳汇发展区-重点生态功能区	—	淄博市	淄博市
碳汇发展区-农产品主产区	—	—	—
碳汇发展区-重点开发区	—	保定市、东营市和廊坊市	保定市
碳汇发展区-优化开发区	北京市、济南市、石家庄市、天津市和烟台市	北京市、济南市、石家庄市和天津市	北京市、济南市、青岛市和天津市
综合优化区-重点生态功能区	泰安市、张家口市和淄博市	泰安市	泰安市和张家口市
综合优化区-农产品主产区	邯郸市、聊城市、临沂市、邢台市和枣庄市	沧州市、邯郸市、衡水市、聊城市、临沂市、邢台市和枣庄市	邯郸市、聊城市、临沂市和枣庄市
综合优化区-重点开发区	滨州市、济宁市和廊坊市	鞍山市、滨州市、济宁市、莱芜市、日照市和潍坊市	鞍山市、滨州市、济宁市、莱芜市、辽阳市、日照市和潍坊市
综合优化区-优化开发区	唐山市	唐山市	唐山市
1）“—”表示该分区无市域分布

表 4 碳平衡优化分区统计^1） Table 4 Statistics of carbon balance optimization zones

低碳保持区. 2001年低碳保持区包括低碳保持区-农产品主产区、低碳保持区-重点开发区和低碳保持区-优化开发区这3类，而在2012年后仅新增丹东市表现为低碳保持区-重点生态功能区（图 9），其资源环境承载力较低，不具备大规模高强度工业化城镇化开发的条件，增强其生态产品生产能力尤为关键. 低碳保持区-农产品主产区集中在德州市和锦州市，其耕地相对较多，农业发展条件较好，以提供农产品为主要功能，以保障国家粮食安全. 低碳保持区-重点开发区市域数量表现为先增后减态势，多分布在盘锦市和威海市，其生态条件好，碳汇功能突出，且能源利用效率和碳生产力较好. 低碳保持区-优化开发区在2001年和2012年多分布在大连市、烟台市和青岛市等地，在2023年新增了石家庄市，归根于其系统性推进生态修复、产业绿色转型以及制度创新.

图 9 环渤海城市群市域碳平衡优化分区 Fig. 9 Optimal zoning of urban carbon balance in the Bohai Rim Urban Agglomeration

经济发展区. 经济发展区-重点生态功能区多分布在朝阳市、承德市和阜新市，其碳汇能力强，生态系统十分重要，但能源利用率和碳生产力有待提升，亟需限制大规模高强度工业化城镇化开发. 经济发展区-农产品主产区指其具备较好的农业生产条件，以提供农产品为主体功能，但碳生产力低的区域，多集中在菏泽市和铁岭市，在2023年增加了沧州市和邢台市，得益于科技创新驱动盐碱地治理和特色农业规模化发展，其成为河北省重要的农产品主产区. 经济发展区-重点开发区是经济发展区的主要分布类型，多分布在辽宁省和山东省，包括葫芦岛市、辽阳市和营口市等8个市域，2012年减少了鞍山市、抚顺市和日照市等市域，而2023年又新增了抚顺市，其有较强的经济基础，具有一定的科技创新能力和较好的发展潜力，但能源利用率相对较低.

碳汇发展区. 在2001年碳汇发展区仅有碳汇发展区-优化开发区一类，其综合实力较强，经济规模较大，区域一体化基础较好，能源利用率较高，多分布在北京市、石家庄市和天津市等市域. 而在2012年后则新增了碳汇发展区-重点生态功能区和碳汇发展区-重点开发区，特别是碳汇发展区-重点生态功能区仅淄博市，位于黄河下游，承担着水源涵养与水土保持的重任，且其能源利用效率与碳汇能力上呈现显著的不平衡性，未来需进一步深化“能源-碳汇”协同增效，为工业城市生态转型提供范本；2012年碳汇发展区-重点开发区包括保定市、东营市和廊坊市，而至2023年范围有所减少，仅保定市一个，其能源利用率相对较高，具备较强的经济基础，有一定的科技创新能力和较好的发展潜力.

综合优化区. 综合优化区-重点生态功能区多在泰安市和张家口市，亟待进行工业化城镇化开发的城市化地区，能源利用效率和碳汇能力均有待提升. 综合优化区-农产品主产区呈先增后减态势，在2012年市域数量共7个，多集中在河北和山东两省，而2023年范围有所缩小，集中在邯郸市、聊城市、临沂市和枣庄市，其粮食与蔬菜产能突出，农业产业链完善，但高碳生产方式与生态功能弱化导致的碳汇能力相对较低. 综合优化区-重点开发区市域数量逐年增加，2001年仅滨州市、济宁市和廊坊市，到2023年则增加至7个，其工业基础雄厚且清洁能源潜力大，值得注意的是其重工业路径依赖与生态治理短板制约其绿色转型，未来进行产业升级、能源替代、碳汇提升对区域可持续发展至关重要. 综合优化区-优化开发区多年来仅唐山市一个，属于典型的资源型重工业城市，其碳汇能力弱、能源利用率低的困境本质是重工业路径依赖与低碳转型滞后的结构性矛盾.

4 讨论 4.1 碳收支时空分异格局及驱动因素分析

环渤海城市群碳排放在2000~2023年间表现为中间高四周低的空间分布格局，高值区多集中在北京市、天津市和唐山市等地，从三地分别来看，北京市作为首都，其人口密度大^[32]，产业集聚性高，综合作用使得其碳排放量高；天津市产业升级滞后，经济发展和生态保护的协调度较低^[33]，且港口作业对柴油等高碳燃料依赖性高，碳排放强度较大；唐山市作为重工业基地，能源密集型产业集中，产业转型困难，其碳放量多年居高不下^[34]. 碳吸收在空间上表现为北高南低的分布特征，且碳汇面积逐渐扩大，特别是在承德市和朝阳市等地碳吸收能力强，其中承德市积极实施荒山荒地防护林、生态廊道绿化和矿山复绿等工程，碳汇能力高^[35]，而碳吸收负值区多集中在天津市、盘锦市和泰安市等地，值得注意的是在2023年，碳吸收能力得到大幅提升，且北京市、沧州市和邢台市等地在2023年由负值转为正值，期间多地加快产业结构优化，着力提高了区域可持续发展能力和低碳水平^[36].

为进一步明晰环渤海城市群各市域碳收支能力变化的影响因素，利用OPGD揭示变量对碳排放和碳吸收时空分异的解释力，考察各影响因子是否存在交互驱动关系. 在单因子探测中，人均GDP和人口密度对碳排放和碳吸收表现出显著的解释力，环境库茨涅茨曲线方法认为经济增长与碳排放之间呈现倒U型曲线关系^[37]，当然节能减排的政策对经济的快速增长也有一定的约束作用. 交互探测结果表明因子组合间的贡献率往往有较大的影响能力，其中城镇化率（X₂）∩人口密度（X₄）和人均GDP（X₃）∩高程（X₁₀）等组合类型对碳排放表现为非线性增强，而城镇化率（X₂）∩人口密度（X₄）和人均GDP（X₃）∩高程（X₁₀）对碳吸收表现为双因子非线性增强. 就人类活动和自然因素相较而言，人类活动对碳收支具有较强的驱动力，包括直接与间接作用^[38]，未来可充分发挥人类活动的主观能动性，做到生态效益、经济效益和社会效益三结合，实现低碳绿色可持续的发展模式^[39，40]. 环渤海城市群作为继长江三角洲和珠江三角洲之后中国经济增长的第三极，要积极响应习近平总书记的呼吁“推动形成优势互补高质量发展的区域经济布局”^[41]，优化产业结构加快第三产业发展，并关注环境与社会的良性互动^[42]，提升减污降碳效能.

4.2 碳平衡协调分区分析

依据碳排放量、ESC和ECC等指标的测算，综合考量区域碳平衡的原则，并参考已有的碳平衡分区依据和标准^[43~45]，将环渤海城市群各市域分为4种类型，分别为低碳保持区、经济发展区、碳汇发展区和综合优化区，并选取2001年、2012年和2023年3个时间段进行对比分析，揭示其动态变化.

低碳保持区中大连市、盘锦市和沈阳市等市域能源利用效率和碳生产力较高，产出规模对沈阳市和大连市工业碳排放贡献程度显著^[46]，且辽西北农牧交错区发展趋势较好，NDVI增加的面积占比达90.8%^[47]，植被覆盖度高，碳汇能力强. 而经济发展区中的承德市、秦皇岛市和朝阳市等市域的经济发展相对滞后，且可再生能源开发较晚，尚未充分转化为经济优势，但传统产业的衰退促使其积极发展林下经济，在一定程度上增强了生态系统的碳汇能力. 北京市、天津市和济南市多年处于碳汇发展区，碳排放经济贡献系数高，但生态承载力相对较弱，其中建设用地的扩张以及人口密集活动长期对周边自然生态系统造成扰动和胁迫^[48]，亟待推进城市更新与低效用地修复，增强生态系统碳汇功能. 综合优化区的空间异质性显著，地区分布变化显著，2012年增加了鞍山市、沧州市和衡水市等地，其主导产业依赖高耗能行业，且能源结构单一、利用效率低、环境污染严重，致使其形成“高碳-低效-弱承载力”的困局，至2023年综合优化区数量仍高达14个市域，占比31.81%，未来应积极发展低碳新兴产业、降低煤炭依赖、提升能源利用效率，并发挥政策引领进行生态修复与环境治理，从多重路径探索实现增汇减排.

碳平衡分区划分的最终目的是在碳排放和碳吸收之间实现利益均衡，推动城市区域内的碳公平和协同减排^[49]，在不同功能区空间属性的能源利用效率和碳排放具有差异性，公平性减排增汇对区域绿色低碳发展至关重要^[50]，面向“双碳”目标和“两山”理论，亟需因地制宜调整能源结构、优化产业结构布局、展开生态修复与环境治理，以推动环渤海城市群低碳转型和高质量发展.

5 结论

（1）2001年、2012年、2023年碳排放呈现中间高四周低的空间格局，而碳吸收则呈北高南低的空间分布特征；OPGD结果显示，人均GDP（X₅）和人口密度（X₆）对碳排放和碳吸收的单因子解释力显著，且两因素交互后对碳收支状况的解释力大于单因素，可见不同变量间的复杂耦合机制对碳排放和碳吸收的驱动作用显著.

（2）对环渤海城市群3个不同时间段进行市域尺度下的ECC和ESC分析，ECC呈现出高值区零散分布、低值区成片聚集的空间分布格局，ESC则表现出北高南低的空间分布特征，且整体生态承载力有所提高.

（3）基于ECC和ESC对环渤海城市群建立碳平衡分区，其中低碳保持区市域数量呈先减后增趋势，经济发展区逐年减少，碳汇发展区和综合优化区则表现为先增后减的增长趋势；并进一步叠加主体功能区划分标准，将其划分为16个分区，通过空间精细化治理，将低碳目标转化为区域发展动能.

参考文献

[1]	吕倩, 张林野, 雒瑶. 黄河流域县域土地利用碳排放时空格局及碳平衡分区[J]. 环境科学, 2025, 46(10): 6209-6220. Lü Q, Zhang L Y, Luo Y. Spatiotemporal pattern and carbon balance zoning of county land use carbon emissions in the Yellow River Basin[J]. Environmental Science, 2025, 46(10): 6209-6220. DOI:10.13227/j.hjkx.202409082
[2]	Wang S, Xu Q L, Yi J H. Multi-scale identification of driving forces for landscape ecological risk: a case study of the basin containing three plateau lakes in Yunnan, China[J]. Ecological Indicators, 2025, 170. DOI:10.1016/j.ecolind.2024.113037
[3]	Gao Z, Ye J M, Zhu X W, et al. Characteristics of spatial correlation network structure and carbon balance zoning of land use carbon emission in the Tarim River Basin[J]. Land, 2024, 13(11). DOI:10.3390/land13111952
[4]	Shao Q K, Fu J D, Huang F Q, et al. Low-carbon territorial spatial detailed planning in the context of climate change: a case study of the Wenzhou Garden Expo Park Area, China[J]. Atmosphere, 2024, 15(11). DOI:10.3390/atmos15111334
[5]	吴春英, 陈飞平, 徐先堂, 等. 长江中游经济区土地利用碳排放变化及协调分区[J]. 环境科学, 2025, 46(12): 7438-7449. Wu C Y, Chen F P, Xu X T, et al. Land use carbon emission change and coordination zoning in the Middle Reaches of Yangtze River Economic Zone[J]. Environmental Science, 2025, 46(12): 7438-7449.
[6]	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, 65(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 Life Sciences, 2022, 65(5): 861-895.
[7]	任旭, 赵振宇. 中国碳排放脱钩效应空间特征及影响因素: 以中国七大城市群为例[J]. 环境科学, 2026, 47(1): 9-22. Ren X, Zhao Z Y. Spatial characteristics and influencing factors of China's carbon emission decoupling effect: a case study of the Seven Major Urban Agglomerations in China[J]. Environmental Science, 2026, 47(1): 9-22. DOI:10.13227/j.hjkx.202412053
[8]	Pang Q, Xu J, Zhou Y, et al. Spatial mismatch and drivers of carbon sequestration services supply-demand in China[J]. Ecological Indicators, 2025, 173. DOI:10.1016/j.ecolind.2025.113389
[9]	王诗逸, 李艳, 杨佳钰, 等. 杭州都市圈碳收支的土地利用变化驱动和优化[J]. 环境科学, 2024, 45(8): 4670-4682. Wang S Y, Li Y, Yang J Y, et al. Land use change driving and optimization of carbon budget in Hangzhou Metropolitan Area[J]. Environmental Science, 2024, 45(8): 4670-4682. DOI:10.13227/j.hjkx.202309054
[10]	李存斌, 白木仁, 董佳. 碳中和目标下京津冀区域协同碳减排演化博弈[J]. 环境科学, 2025, 46(6): 3473-3484. Li C B, Bai M R, Dong J. Evolutionary game of Beijing-Tianjin-Hebei Regional synergistic carbon emission reduction under carbon neutrality target[J]. Environmental Science, 2025, 46(6): 3473-3484. DOI:10.13227/j.hjkx.202410111
[11]	陈芳焱, 周启刚, 夏玉松, 等. 县级尺度下重庆市碳收支时空分异及碳综合补偿分区[J]. 水土保持研究, 2025, 32(4): 256-265, 278. Chen F Y, Zhou Q G, Xia Y S, et al. Spatiotemporal differentiation of carbon budget and comprehensive carbon compensation zoning at the county level in Chongqing[J]. Research of Soil and Water Conservation, 2025, 32(4): 256-265, 278.
[12]	Yang H F, Zhai G F, Ge Y F, et al. Spatial-temporal difference of urban carbon budget and carbon compensation optimization partition from the perspective of spatial planning[J]. Land, 2025, 14(2). DOI:10.3390/land14020414
[13]	郭文强, 史瑞雪, 雷明, 等. 中国省际碳排放空间关联网络结构特征及碳平衡分区[J]. 生态学报, 2024, 44(18): 8003-8020. Guo W Q, Shi R X, Lei M, et al. Structural characteristics and carbon-balanced zoning of spatial correlation network of inter-provincial carbon emissions in China[J]. Acta Ecologica Sinica, 2024, 44(18): 8003-8020.
[14]	Wu J W, Liu C G, Guo H, et al. Examining intra-city carbon budget and carbon balance zoning based on firm-level big data: a case study of Nanjing, China[J]. Ecological Indicators, 2024, 166. DOI:10.1016/j.ecolind.2024.112304
[15]	孙伟, 陈钰彬, 林希雅. 基于LMDI和K均值聚类法的省级碳排放驱动机制分析[J]. 环境科学, 2025, 46(10): 6142-6151. Sun W, Chen Y B, Lin X Y. Analysis of provincial carbon emission driving mechanisms based on the LMDI and K-means clustering method[J]. Environmental Science, 2025, 46(10): 6142-6151. DOI:10.13227/j.hjkx.202408082
[16]	聂承静, 李艺璇, 杜辉, 等. 多维城镇化与碳排放的非线性关系及其驱动机制[J]. 环境科学, 2025, 46(6): 3524-3535. Nie C J, Li Y X, Du H, et al. Nonlinear relationship between multidimensional urbanization and carbon emissions and its driving mechanisms[J]. Environmental Science, 2025, 46(6): 3524-3535. DOI:10.13227/j.hjkx.202311060
[17]	义欣, 张正勇, 刘琳, 等. 聚类分析视角下的中国省域碳排放时空格局及驱动因素分析[J]. 生态学报, 2024, 44(11): 4558-4573. Yi X, Zhang Z Y, Liu L, et al. Spatiotemporal pattern and driving factors of carbon emissions in Chinese provinces from the perspective of cluster analysis[J]. Acta Ecologica Sinica, 2024, 44(11): 4558-4573.
[18]	武爱彬, 陈辅国, 尤海舟, 等. 京津冀地区植被净初级生产力时空变化特征及影响因素分析[J]. 环境科学, 2025, 46(11): 6957-6968. Wu A B, Chen F G, You H Z, et al. Characterization of spatial and temporal changes in net primary productivity of vegetation in Beijing-Tianjin-Hebei Region and analysis of influencing Factors[J]. Environmental Science, 2025, 46(11): 6957-6968. DOI:10.13227/j.hjkx.202411179
[19]	冯平, 杨旺, 李建柱, 等. 滦河流域植被覆盖变化及其对自然和人为因素的响应[J]. 应用生态学报, 2025, 36(4): 1222-1232. Feng P, Yang W, Li J Z, et al. Vegetation cover changes and their responses to natural and anthropogenic factors in the Luanhe River Basin[J]. Chinese Journal of Applied Ecology, 2025, 36(4): 1222-1232.
[20]	邹艳芬, 黄美娟, 黄和平, 等. 长江中游城市群碳排放的时空演变及其影响因素研究[J]. 长江流域资源与环境, 2025, 34(5): 976-992. Zou Y F, Huang M J, Huang H P, et al. Spatiotemporal evolution and associated influencing factors of carbon emissions in the Middle Reaches of the Yangtze River Urban Agglomerations[J]. Resources and Environment in the Yangtze Basin, 2025, 34(5): 976-992.
[21]	Zhou Z Q, Jiang P, Chen S. Decomposition of carbon emission drivers and carbon peak forecast for Three Major Urban Agglomerations in the Yangtze River Economic Belt[J]. Sustainability, 2025, 17(6). DOI:10.3390/su17062689
[22]	李德, 刘百桥, 孟伟庆, 等. 基于多维数据的环渤海海岸带地区生态韧性评价及其尺度依赖性分析[J]. 生态学杂志, 2025, 44(3): 1038-1047. Li D, Liu B Q, Meng W Q, et al. Multidimensional data-based assessment of ecological resilience in the Bohai Sea coastal zone and its scale dependency analysis[J]. Chinese Journal of Ecology, 2025, 44(3): 1038-1047.
[23]	Tang X T, Qu W J, Zhang J H, et al. Driving mechanism of urban expansion in the Bohai Rim urban agglomeration from the perspective of spatiotemporal dynamic analysis[J]. Scientific Reports, 2024, 14(1). DOI:10.1038/s41598-024-82436-1
[24]	Guo T T, Wang X M. Effects of industrial structure on the green utilization efficiency of urban land: a case study of the Bohai Rim Region, China[J]. Sustainability, 2024, 16(17). DOI:10.3390/su16177832
[25]	张梅, 黄贤金, 揣小伟, 等. 中国净生态系统生产力空间分布及变化趋势研究[J]. 地理与地理信息科学, 2020, 36(2): 69-74. Zhang M, Huang X J, Chuai X W, et al. Spatial distribution and changing trends of net ecosystem productivity in China[J]. Geography and Geo-Information Science, 2020, 36(2): 69-74.
[26]	Chen H, Zhu Q A, Peng C H, et al. The impacts of climate change and human activities on biogeochemical cycles on the Qinghai-Tibetan Plateau[J]. Global Change Biology, 2013, 19(10): 2940-2955. DOI:10.1111/gcb.12277
[27]	解宪丽, 孙波, 周慧珍, 等. 中国土壤有机碳密度和储量的估算与空间分布分析[J]. 土壤学报, 2004, 41(1): 35-43. Xie X L, Sun B, Zhou H Z, et al. Organic carbon density and storage in soils of China and spatial analysis[J]. Acta Pedologica Sinica, 2004, 41(1): 35-43.
[28]	Xu D H, Zhang K, Cao L H, et al. Driving forces and prediction of urban land use change based on the geodetector and CA-Markov model: a case study of Zhengzhou, China[J]. International Journal of Digital Earth, 2022, 15(1): 2246-2267. DOI:10.1080/17538947.2022.2147229
[29]	王劲峰, 徐成东. 地理探测器: 原理与展望[J]. 地理学报, 2017, 72(1): 116-134. Wang J F, Xu C D. Geodetector: principle and prospective[J]. Acta Geographica Sinica, 2017, 72(1): 116-134.
[30]	李安佳, 尹旭, 魏慧. 京津冀区县土地利用碳排放时空演化及其驱动因子[J]. 环境科学, 2025, 46(9): 5391-5402. Li A J, Yin X, Wei H. Spatiotemporal evolution of carbon emission from land use and its driving factors at the county in Beijing-Tianjin-Hebei[J]. Environmental Science, 2025, 46(9): 5391-5402.
[31]	周汝波, 洪武扬. 社会网络分析视角下广东省土地利用碳排放空间关联与碳平衡优化分区[J]. 环境科学, 2025, 46(9): 5403-5414. Zhou R B, Hong W Y. Spatial correlation and optimization zoning of carbon emission from land use in Guangdong province from the perspective of social network analysis[J]. Environmental Science, 2025, 46(9): 5403-5414. DOI:10.13227/j.hjkx.202408268
[32]	史娜娜, 韩煜, 王琦, 等. 北京市植被覆盖度时空变化特征及其对城市化的响应[J]. 环境科学, 2024, 45(9): 5318-5328. Shi N N, Han Y, Wang Q, et al. Spatial and temporal characteristics of fractional vegetation cover and its response to urbanization in Beijing[J]. Environmental Science, 2024, 45(9): 5318-5328. DOI:10.13227/j.hjkx.202308265
[33]	王霞, 张海霞, 蔡昂祖, 等. 京津冀降碳-减污-扩绿系统耦合协调及时空演化[J]. 环境工程技术学报, 2025, 15(4): 1127-1136. Wang X, Zhang H X, Cai A Z, et al. Coupling coordination and spatiotemporal evolution of Carbon Reduction-Pollution Reduction-Green Expansion system in Beijing-Tianjin-Hebei region[J]. Journal of Environmental Engineering Technology, 2025, 15(4): 1127-1136.
[34]	孙逸航, 艾东, 帕茹克·吾斯曼江, 等. 河北省土地利用碳排放时空格局及分区管控研究[J]. 中国农业大学学报, 2025, 30(5): 1-16. Sun Y H, Ai D, Paruke W, et al. Study on the spatio-temporal patterns and zone management of the carbon emissions from land use in Hebei Province[J]. Journal of China Agricultural University, 2025, 30(5): 1-16.
[35]	贺军亮, 韦锐, 李丽, 等. 基于时间序列植被指数资料的承德市植被覆盖时空演变分析[J]. 水文地质工程地质, 2020, 47(6): 91-98. He J L, Wei R, Li L, et al. Temporal and spatial evolution of vegetation cover in Chengde based ontime series NDVI data[J]. Hydrogeology and Engineering Geology, 2020, 47(6): 91-98.
[36]	Li Y C. Path-breaking industrial development reduces carbon emissions: evidence from Chinese Provinces, 1999-2011[J]. Energy Policy, 2022, 167. DOI:10.1016/j.enpol.2022.113046
[37]	刘泽珺, 鞠美庭. 基于STIRPAT模型的北方某滨海城市碳达峰情景分析[J]. 环境科学, 2025, 46(9): 5524-5534. Liu Z J, Ju M T. Scenario analysis of carbon peaking in a northern coastal city based on the STIRPAT model[J]. Environmental Science, 2025, 46(9): 5524-5534. DOI:10.13227/j.hjkx.202409185
[38]	高爽, 王少剑. 国土空间碳收支研究综述[J]. 生态学报, 2025, 45(19): 9770-9782. Gao S, Wang S J. Characteristics, progress and prospect in research on territorial space carbon budget[J]. Acta Ecologica Sinica, 2025, 45(19): 9770-9782.
[39]	杨柯柯, 陈文波, 熊秋林, 等. 2000—2020年赣南地区人类活动对生态系统服务的影响[J]. 应用生态学报, 2025, 36(6): 1627-1638. Yang K K, Chen W X, Xiong Q L, et al. Influences of human activities on ecosystem services in south of Jiangxi Province, China during 2000-2020[J]. Chinese Journal of Applied Ecology, 2025, 36(6): 1627-1638.
[40]	Guo M S, Zhou N Q, Cai Y, et al. Quantitative estimation of vegetation carbon source/sink and its response to climate variability and anthropogenic activities in Dongting Lake Wetland, China[J]. Remote Sensing, 2025, 17(14). DOI:10.3390/rs17142475
[41]	孙艺璇, 程钰, 张含朔. 环渤海地区产业绿色转型时空演变特征与影响因素研究[J]. 生态经济, 2019, 35(12): 44-52, 78. Sun Y X, Cheng Y, Zhang H S. Study on characteristics of spatio-temporal evolution and influencing factors of industrial green transformation in Bohai Rim Region[J]. Ecological Economy, 2019, 35(12): 44-52, 78.
[42]	王丽艳, 戴毓辰, 宋顺锋. 区域协调发展战略下推进环渤海大湾区建设的逻辑与时序探讨[J]. 城市发展研究, 2020, 27(8): 44-50. Wang L Y, Dai Y C, Song S F. Discussion on the logical approach and time sequence of promoting the construction of Bohai Greater Bay Area under the strategy of regional coordinated development[J]. Urban Development Studies, 2020, 27(8): 44-50.
[43]	李卓娜, 杨洋, 朱晓东. 基于土地利用变化的江苏省碳排放时空差异与碳平衡分区[J]. 环境保护科学, 2024, 50(1): 120-132. Li Z N, Yang Y, Zhu X D. Spatial-temporal differences of carbon emissions and carbon balance zoning in Jiangsu based on land use change[J]. Environmental Protection Science, 2024, 50(1): 120-132.
[44]	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.
[45]	庞娇, 黄雪寒, 单婧, 等. 京津冀县域碳收支格局及碳平衡分区优化[J]. 环境科学, 2025, 46(4): 1974-1984. Pang J, Huang X H, Shan J, et al. Optimization of carbon balance zoning and pattern in Beijing-Tianjin-Hebei Counties[J]. Environmental Science, 2025, 46(4): 1974-1984. DOI:10.13227/j.hjkx.202403287
[46]	宝玉宁, 仲弘历, 于晓曼, 等. 沈阳-大连工业能源碳排放驱动因素及隐含碳流动[J]. 生态学杂志, 2025, 44(8): 2771-2778. Bao Y N, Zhong H L, Yu X M, et al. Driving forces of industrial carbon emission and embodied carbon flows in Shenyang and Dalian[J]. Chinese Journal of Ecology, 2025, 44(8): 2771-2778.
[47]	唐吉喆, 徐梦冉, 莫宇, 等. 生态地理分区视角下的辽宁省植被归一化植被指数的时空变化[J]. 应用生态学报, 2023, 34(12): 3271-3278. Tang J Z, Xu M R, Mo Y, et al. Spatial and temporal variation in normalized difference vegetation index of vegetation in Liaoning Province from the perspective of ecogeographic zoning[J]. Chinese Journal of Applied Ecology, 2023, 34(12): 3271-3278.
[48]	王辰星, 王泽童, 杨淼, 等. 基于生态网络构建与生态系统韧性的超大城市生态修复空间识别——以北京市为例[J]. 生态学报, 2025, 45(10): 4626-4637. Wang C X, Wang Z T, Yang M, et al. Identification of ecological restoration spaces based on ecological network construction and ecological resilience in mega city: a case of Beijing[J]. Acta Ecologica Sinica, 2025, 45(10): 4626-4637.
[49]	谭德明, 谭卓成, 李家裕, 等. 基于碳平衡分区的多目标土地利用格局优化——以长株潭城市群为例[J]. 水土保持通报, 2025, 45(1): 276-285. Tan D M, Tan Z C, Li J Y, et al. Multi-objective land use pattern optimization based on carbon balance zoning——A case study of Changsha-Zhuzhou-Xiangtan uban agglomeration[J]. Bulletin of Soil and Water Conservation, 2025, 45(1): 276-285.
[50]	王丽蓉, 石培基, 尹君锋, 等. 碳中和视角下甘肃省县域碳收支时空分异与国土空间分区优化[J]. 环境科学, 2024, 45(7): 4101-4111. Wang L R, Shi P J, Yin J F, et al. Spatio-temporal differentiation of county carbon budget and territorial space optimization zoning strategy in Gansu Province from the perspective of Carbon Neutrality[J]. Environmental Science, 2024, 45(7): 4101-4111. DOI:10.13227/j.hjkx.202306117


环境科学 2026, Vol. 47 Issue (10): 6724-6737	PDF