京津冀地区县域碳排放时空变化及其影响因素

引用本文

温泽华, 陈雨琦, 李远航, 闫丰, 卢佳驹, 马鹰, 陈亚恒. 京津冀地区县域碳排放时空变化及其影响因素[J]. 环境科学, 2026, 47(10): 6738-6750.

WEN Ze-hua, CHEN Yu-qi, LI Yuan-hang, YAN Feng, LU Jia-ju, MA Ying, CHEN Ya-heng. Spatiotemporal Variations and Influencing Factors of Carbon Emissions in Counties of the Beijing-Tianjin-Hebei Region[J]. Environmental Science, 2026, 47(10): 6738-6750.

京津冀地区县域碳排放时空变化及其影响因素

温泽华¹, 陈雨琦¹, 李远航², 闫丰², 卢佳驹¹, 马鹰², 陈亚恒²

1. 河北农业大学资源与环境科学学院，保定 071000;
2. 河北农业大学国土资源学院，保定 071000

收稿日期: 2025-09-09; 修订日期: 2025-11-14

基金项目: 河北省社会科学基金项目（HB23YJ008）

作者简介: 温泽华（2000~），男，硕士研究生，主要研究方向为区域碳排放变化，E-mail：1563446709@qq.com

通信作者: 陈亚恒, E-mail：chenyaheng@126.com

摘要: 厘清碳排放时空演变与驱动机制是落实差异化“双控”政策、推进区域“双碳”战略的科学前提. 基于2002~2022年京津冀地区199个县区的碳排放数据，并引入最优参数地理探测器（OPGD），从时间和空间这两个维度分析京津冀县域碳排放的分布格局和演变特征，并探查主要影响因子. 结果表明，2002~2022年京津冀地区碳排放量随时间总体波动上升，但增速在不断下降，年均增长率为5.08%；空间上，2002~2022年京津冀地区碳排放保持“东南高、西北低”的空间格局；全局Moran's I指数均为正值，表现出高度显著（P < 0.01）的空间集聚性；并证实了植被覆盖度（FVC）和夜间灯光总量是影响碳排放变化的主要影响因子，且两个因子交互后的解释力最强. 从县域级入手，更准确地分析了京津冀地区2002~2022年21 a内碳排放的时空异质性及主要影响因素，可为京津冀各区县制定差异化减排政策提供量化依据，促进了区域协同降碳与高质量协同发展.

关键词: 碳排放县域尺度时空变化最优参数地理探测器（OPGD）京津冀

Spatiotemporal Variations and Influencing Factors of Carbon Emissions in Counties of the Beijing-Tianjin-Hebei Region

WEN Ze-hua¹ , CHEN Yu-qi¹ , LI Yuan-hang² , YAN Feng² , LU Jia-ju¹ , MA Ying² , CHEN Ya-heng²

1. College of Resource and Environmental Sciences, Hebei Agricultural University, Baoding 071000, China;
2. College of Land and Resources, Hebei Agricultural University, Baoding 071000, China

Abstract: Clarifying the spatiotemporal evolution and driving mechanisms of carbon emissions is a scientific prerequisite for implementing differentiated dual-control policies and advancing regional dual-carbon strategies. Based on carbon emission data from 199 counties and districts in the Beijing-Tianjin-Hebei region from 2002 to 2022 and incorporating the Optimal Parameters-based Geodetector (OPGD), this study analyzes the spatial distribution patterns and evolution characteristics of county-level carbon emissions in the region from both temporal and spatial dimensions, while identifying key influencing factors. The results indicate that from 2002 to 2022, carbon emissions in the region fluctuated upward overall but at a decelerating rate, with an average annual growth rate of 5.08%. Spatially, the region maintained a "high in southeast, low in northwest" pattern from 2002 to 2022. The global Moran's I index consistently yielded positive values, indicating highly significant (P < 0.01) spatial clustering. Vegetation cover (FVC) and total nighttime light intensity were confirmed as primary drivers of carbon emission changes, with their interaction demonstrating the strongest explanatory power. By adopting a county-level approach, this study provides a more precise analysis of the spatiotemporal heterogeneity and key drivers of carbon emissions in the Beijing-Tianjin-Hebei region over the 21-year period from 2002 to 2022. It offers quantitative evidence for formulating differentiated emission reduction policies across counties and districts within the region, thereby promoting coordinated regional carbon reduction efforts and high-quality collaborative development.

Key words: carbon emissions county-level scale spatiotemporal variation optimal parameters-based Geodetector (OPGD) Beijing-Tianjin-Hebei region

碳排放是指人类活动向大气中释放以二氧化碳为主的温室气体，其不断累积正引发全球气候变暖、极端天气频发等一系列环境危机^[1，2]. 面对日益恶劣的环境和不断攀升的大气CO₂浓度，政府间气候变化专门委员会（Intergovernmental Panel on Climate Change，IPCC）提出各国必须在本世纪中叶前实现净零排放^[3]. 在此目标下，我国在2020年9月22日的联合国大会上宣布，中国将在气候治理方面做出更大努力，力争到2030年实现碳达峰，努力争取到2060年实现碳中和^[4]. 碳减排更是被提升为国家长期战略的核心议题，因此研究碳排放规律并加以控制，不仅是履行减缓全球变暖的责任所在，也是推动经济社会全面绿色转型、实现高质量发展的必由之路.

近年来，许多学者分别从时间、空间、影响因素等方面对碳排放的变化规律展开分析^[5~7]. 时间上，常使用Sen趋势分析^[8]+Mann-Kendall（MK）检验^[9，10]分析碳排放的趋势，Sen趋势分析法以稳健的中位数斜率刻画排放量的升降速率，MK检验则给出这一趋势的统计显著性，二者结合可有效过滤异常值干扰. 空间上，使用ArcGIS等工具绘制空间分布图，然后通过自然断点法、几何间隔分级法等手段分析区域差异，揭示其空间分布格局，并且引入空间自相关分析，刻画碳排放空间格局，既能量化全域层面的集聚情况，又可局部识别冷、热点分布^[11]. 不仅如此，有的学者进一步借助标准差椭圆与重心迁移模型刻画碳排放的空间扩散方向与迁移轨迹，为区域差异化治理提供依据^[12~14]. 如向书江^[15]研究发现，重庆市主城区建筑业碳排放在2005~2020年间整体向东南偏移，且标准差椭圆逐年扩张，碳排放扩散程度持续加剧. 因此，利用ArcGIS软件和GeoDa软件绘制县域尺度碳排放空间分布图、空间自相关图、标准差椭圆和重心迁移路径，可以从时间和空间这两个方面完整地分析碳排放规律.

为了进行碳排放的影响因素分析，当前有：指数分解分析（index decomposition analysis，IDA）、结构分解分析（structural decomposition analysis，SDA）、最优参数地理探测器（optimal parameters-based Geodetector，OPDG）、随机回归影响模型（stochastic impacts by regression on population，affluence，and technology，STIRPAT）等方法，前人研究多采用IDA^[16，17]和SDA^[18，19]，其中IDA中的LMDI（对数平均迪氏指数分解法）^[20]，被广泛应用于碳排放归因研究中^[21]，表 1为以上常用模型方法及特点. 地理探测器模型作为近年应用频率增长较快的影响因素分析模型，刘战豫等^[22]基于地理探测器模型对河南省县域碳排放进行因子探测，发现经济规模、人口密度与能源强度均为显著主导因子，且任意两因子交互作用的q值均高于单一因子，表现出双因子增强或非线性增强效应. 孔倩倩等^[23]将地理探测器交互探测应用于长沙县，验证了“人口密度∩土地开发吸引力”对混合利用度的解释力远高于单一人口密度或单一土地开发吸引力，说明因子间交互作用不可忽视. 这说明地理探测器能很好地揭示碳排放的因子交互和空间异质性.

表 1 碳排放影响因素研究方法对比 Table 1 Comparative study of methods for analyzing carbon emission influencing factors

当前研究大多聚焦于省域或地级市尺度^[24~26]，尽管这种大尺度的分析研究能在一定程度上把握碳排放整体趋势，但县域之间不同的经济特征、自然条件存在明显差异，导致此类尺度下的研究会忽略县区差异带来的影响^[27]. 县域作为政策落地与资源配置的基本单元，其碳排放格局直接决定省级乃至国家减排方案的可操作性与精准性. 因此，从县域尺度对碳排放展开分析研究势在必行.

基于此，本文针对2002~2022年京津冀199个县级行政区，进行长时间序列、小区划尺度碳排放变化研究，将研究单元细化至县域尺度；结合高分辨遥感数据与社会经济数据，兼顾人类活动与自然条件因素，系统揭示县域碳排放的空间特性. 为京津冀地区及相似一体化城市群制定科学合理的碳排策略、促进碳汇格局协同优化提供科学依据和理论参考，促进国家“双碳”目标的达成.

1 材料与方法 1.1 研究区概况

京津冀地区（北纬36°01′~42°37′，东经113°04′~119°53′）位于中国华北平原东北部，濒临渤海，是中国三大世界级城市群之一. 研究区包括北京市（16区）、天津市（16区）及河北省（11地级市167县区）的共计199个县区，总面积21.8万km²（图 1）. 属温带季风气候，四季分明，年平均气温8~14℃，年降水量400~800 mm；地形以平原为主，西北部为燕山-太行山地，东南部为滨海冲积平原，形成“山地-平原-海”阶梯状格局. 截至2024年，京津冀地区的GDP为11.539 4万亿元，占全国GDP总量的8.55%，常住人口1.12亿人，总城镇化率71.6%，其中北京市87.6%、天津市85.1%、河北省58.3%. 北京市人均GDP为河北省的2.4倍，区域内部发展差异显著，导致能源消费与碳排放强度各县区分布不均. 唐山市、邯郸市等重工业密集区单位GDP碳排放强度达全国平均水平的2.1倍，与“双碳”目标冲突，导致经济-生态失衡；大气污染物与碳排放的跨域传输效应显著，北京市PM_2.5来源中，区域传输占比20%~35%；除河北省张家口市、承德市外，煤炭占一次能源消费比例仍达60%. 京津冀城市群作为中国北方经济核心区与生态环境敏感区，碳排放占北方地区总量的35%，本地区碳排放协同控制成效直接影响全国碳达峰进程^[28]；探索特大城市群“产业转移-生态补偿”联动机制，能为全球类似区域提供低碳转型参考.

图 1 京津冀地区县域地理分布示意 Fig. 1 Overview of the study area

1.2 数据来源

本研究使用到的数据包括碳排放数据、行政边界数据、DEM数据、气温数据、年鉴面板数据和FVC数据等.

京津冀地区碳排放数据来源于CGER（Center for Global Environmental Research）提供的高分辨率化石燃料CO₂排放栅格数据整理的中国区县尺度数据集. 该数据集的原始数据为分辨率1 km×1 km的年度栅格图像，覆盖时间跨度为2000~2022年，核算范围包括化石燃料燃烧、水泥生产过程中产生的碳排放.

行政边界来源于中国科学院资源环境科学与数据平台（http://www.resdc.cn），栅格数据分辨率为1 km×1 km；高程和坡度等DEM数据均来源于哥白尼DEM地形（Copernicus DEM）数据（https://panda.copernicus.eu/panda），分辨率为30 m×30 m.

人口密度、城镇化率、人均GDP、地区生产总值、第二产业增加值等县域尺度社会经济面板数据来源于京津冀各省、市、县2002~2022年《统计年鉴》，而比如产业结构等无法直接从年鉴上获得的数据则使用第二产业增加值和地区生产总值的比值来表示. 其中部分缺失数据采用插值法补齐.

平均气温、FVC等自然数据均来源于国家青藏高原科学数据中心平台（https://data.tpdc.ac.cn/home）. 逐年平均气温基于彭守璋^[29]的中国1 km分辨率逐月平均气温数据集中的逐月平均气温数据计算；逐年FVC数据基于高吉喜等^[30]的逐月平均FVC数据计算.

夜间灯光总量数据来源于Wu研究团队的开源数据^[31]，栅格数据分辨率为1 km×1 km，目前已更新到2023年.

1.3 研究方法 1.3.1 重心计算

重心迁移模型根据樊杰^[32]等研究的经济重心计算，利用重心迁移模型对京津冀地区的县级碳排放进行空间变化趋势研究. 其公式如下：

X_{i} = \sum_{i = 1}^{n} M_{i} x_{i} / \sum_{i = 1}^{n} M_{i}, Y_{i} = \sum_{i = 1}^{n} M_{i} y_{i} / \sum_{i = 1}^{n} M_{i}

(1)

式中， $X_{i}$ 为第 $i$ 年的京津冀碳排放的重心经度， $Y_{i}$ 为第 $i$ 年的重心纬度； $M_{i}$ 为第i年的碳排放量； $x_{i}$ 、 $y_{i}$ 分别为第i年该地区的中心经、纬度坐标.

1.3.2 重心空间区位年际移动距离

重心空间移动距离是指某一研究因子（如经济重心、产业重心、生态系统重心等）在连续两个年份的重心坐标之间的直线距离，最早于1874年引入社会经济领域，用于研究美国人口重心移动与人口分布移动轨迹^[33]，后续被广泛应用于分析各种空间格局变化.

公式^[34]如下：

D_{(j + 1) - j} = R \times \sqrt[]{(y_{j + 1} - y_{j})^{2} + (x_{j + 1} - x_{j})^{2}}

(2)

式中， $D_{(j + 1) - j}$ 表示第j+1年的重心坐标相较于第j年重心坐标的移动距离；（ $x_{j + 1}$ ， $x_{j}$ ）、（ $y_{j + 1}, y_{j}$ ）分别表示第j年和第j+1年的区域重心所在空间的X轴和Y轴坐标；R为常数，取111.111 km.

1.3.3 旋转角度

θ = a r c t a n [\frac{(\sum_{i = 1}^{n} {\tilde{x}}_{i}^{2} - \sum_{i = 1}^{n} {\tilde{y}}_{i}^{2}) + \sqrt[]{{(\sum_{i = 1}^{n} {\tilde{x}}_{i}^{2} - \sum_{i = 1}^{n} {\tilde{y}}_{i}^{2})}^{2} + 4 \times {(\sum_{i = 1}^{n} {\tilde{x}}_{i} {\tilde{y}}_{i})}^{2}}}{2 \sum_{i = 1}^{n} {\tilde{x}}_{i} {\tilde{y}}_{i}}]

(3)

X轴长度：

σ_{x} = \sqrt[]{2} \sqrt[]{\frac{\sum_{i = 1}^{n} ({\tilde{x}}_{i} c o s θ - {\tilde{y}}_{i} {s i n θ)}^{2}}{n}}

(4)

Y轴长度：

σ_{y} = \sqrt[]{2} \sqrt[]{\frac{\sum_{i = 1}^{n} ({\tilde{x}}_{i} {s i n θ + c o s θ)}^{2}}{n}}

(5)

式中， ${\tilde{x}}_{i}$ 与 ${\tilde{y}}_{i}$ 为平均中心与XY坐标偏差.

1.3.4 空间自相关检验

由于各区县发展水平不同，碳排放存在差异，但不同区县经济存在关联，为考察区域内某种属性变量之间的依赖性，因此，本研究利用GeoDa软件的空间分析工具^[35]，计算全局Moran's I指数与局部Moran's I指数分别在宏观视角分析整个研究区内空间数据的自相关性，判断宏观变量是否呈现聚类、离散或随机分布模式，深入到区域内部的每一个角落，揭示不同地理位置上空间变量的关联特性，是识别热点区域、冷点区域以及空间异质性分布的关键手段，考察整个空间序列及某区域附近的空间聚集情况.

全局Moran's I指数计算公式如下：

I = \frac{n \sum_{i = 1}^{n} \sum_{j = 1}^{n} w_{i j} (x_{i} - \bar{x}) (x_{j} - \bar{x})}{\sum_{i = 1}^{n} \sum_{j = 1}^{n} w_{i j} \sum_{i = 1}^{n} {(x_{i} - \bar{x})}^{2}}

(6)

局部Moran's I指数计算公式如下：

I_{i} = \frac{n \sum_{i = 1}^{n} \sum_{j = 1}^{n} w_{i j} (x_{i} - \bar{x}) (x_{j} - \bar{x})}{(\sum_{i = 1}^{n} (x_{i} {- \bar{x})}^{2}) \sum_{i} \sum_{j} w_{i j}}

(7)

式中， $I$ 表示全局Moran's I指数， $I_{i}$ 表示局部Moran's I指数. n表示本研究县域的个数，n=199； $x_{i}$ 和 $x_{j}$ 分别表示研究区域i和研究区域j的观测值也就是碳排放值； $\bar{x}$ 表示研究区域内碳排放的均值； $w_{i j}$ 表示指标准化空间权重矩阵.

全局Moran's I值在[-1, 1]范围内，Moran's I > 0表示空间呈正相关，空间集聚分布，越接近于1，空间关联性就越强；Moran's I < 0表示空间呈负相关，空间离散分布；Moran's I = 0表示空间不相关，空间呈现随机分布.

局部莫兰指数的含义与全局莫兰指数类似，Moran's I > 0表示区域i高（低）值被周围的高（低）值包围；Moran's I < 0表示区域i的高（低）值被周围的低（高）值包围.

1.3.5 最优参数地理探测器

使用最优参数地理探测器模型中的因子探测和交互探测来探究碳排放变化中各个影响因子影响力的高低. 因子探测可以探究各个自变量对于因变量的解释强度，交互作用探测可以对两个自变量的组合后，会否增强/减弱对因变量的影响进行分析^[36].

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

(8)

式中，q（0≤q≤1）为各个影响因子对碳排放变化的影响力大小，L为影响因子的分类数，N和σ²为总样本量和总方差，N_h和σ_h²为h层的样本数和方差.

交互作用探测用来量化两个驱动因子组合作用下对因变量Y的解释力大小，进而评估是否会增强/减弱对因变量的影响，交互作用共有5种类型，详请见表 2.

表 2 交互作用类型 Table 2 Types of interaction

判断依据	交互作用
$q (X 1 ⋂ X 2) < m i n [q (X 1), q (X 2)]$	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 交互作用类型 Table 2 Types of interaction

2 结果与分析 2.1 京津冀地区县域碳排放时空变化特征 2.1.1 京津冀地区县域碳排放时间变化趋势特征

由图 2可知，2002~2022年北京市、天津市以及河北省各县区碳排放总体均呈上升趋势，中期波动下降. 2002~2007年，碳排放持续上升，其中河北省碳排放占比54.38%，年均增速达10.2%，成为京津冀碳排放主体；2008~2012年是京津冀地区碳排放增长最快的时期，处于碳排放快速扩张阶段，年均增长率为8.46%，2013年达到阶段峰值，2014~2016年，碳排放呈现波动式下降，年均增长率为-0.045%. 2017~2022年，碳排放量呈现先上升，至2021年达到峰值：77.15×10⁶ t（北京市）、62.91×10⁶ t（天津市）和165.44×10⁶ t（河北省），于2022年出现持续下降的趋势.

图 2 碳排放时间变化规律 Fig. 2 Patterns of carbon emissions over time

2.1.2 京津冀地区县域碳排放空间变化趋势特征

为实现京津冀县域碳排放的等级划分，本研究采用自然断点法，结合2002~2022年整个研究周期内碳排放数据的分布特征，选取2002年、2007年、2012年、2017年和2022年这5个具有代表性的年份，以京津冀县域为研究单元开展各年份碳排放数据的空间分析；同时参考前人相关研究成果^[37]，将自然断点后的京津冀县域碳排放取整并划分为5个等级，保证了各县域碳排放数据的全覆盖性和可比性.

从2002~2022年，京津冀地区的碳排放总体空间分布变化显著，所有县的碳排放均有所增加，总体呈现“东南高-西北低”的分布特征. 碳排放区域主要分布在中腹部和东南部人类活动密集区，且具有明显扩张趋势（图 3）. 其中，北京市朝阳区、海淀区、西城区，天津市滨海新区，河北省石家庄市下辖长安区、新华区等主城区和井陉县、平山县，邯郸市下辖武安市、丛台区以及工业发达的唐山市丰润区、迁安市等县域碳排放空间分布扩张明显，是京津冀地区的几大主要碳源核心，是高值区域辐射到毗邻县域的扩散方式. 同时，京津冀地区的西北部县区，尤其是北部山区县在这21 a期间始终保持低碳排放（< 0.5×10⁶ t）水平，县域之间碳排放差异较大，2002年张家口市康保县与北京市朝阳区之间差异最大，变化范围介于0.026×10⁶~7.114×10⁶ t之间，2022年承德市鹰手营子矿区与天津市滨海新区碳排放差异最大，变化范围介于0.043×10⁶~18.854×10⁶ t之间.

图 3 碳排放空间分布 Fig. 3 Spatial distribution of carbon emissions

为探究京津冀地区的碳排放动态演变情况，采用ArcGIS软件中标准差椭圆方法，对碳排放的方向分布和重心迁移情况进行分析（图 4）. 从重心迁移情况来看，京津冀地区碳排放重心经纬度由2002年的（116°34′09″，39°12′84″）转移至2022年的（116°40′02″，39°18′00″），迁移轨迹的累积距离约为11.128 km，重心位置在廊坊市霸州市内变动. 根据重心迁移轨迹，可以看出，2002~2017年碳排放重心向东北方向移动，2017~2022年则呈现出相反方向即西南方向转移的态势. 从标准差椭圆变化情况看（表 3），旋转角度逐渐增大，于2017~2022年间呈减小趋势，由40.05°变为42.4°，椭圆面积则先由2002年的72 831.21 km²扩张至2007年的73 789.69 km²，2012年略微收缩至73 697.89 km²，最后又扩张至2022年的74 258.15 km². 由此可以看出，京津冀地区碳排放表现出先扩张后缩小再扩张的变化特征，整体上是增长的趋势. 同时，碳排放重心迁移幅度较小，始终位于霸州市境内. 说明研究期内京津冀地区碳排放空间分布虽有所调整，但整体格局相对稳定.

图 4 2002~2022年碳排放标准差椭圆及重心迁移轨迹 Fig. 4 Standard deviation ellipse and center of gravity migration trajectory of carbon emissions from 2002 to 2022

表 3 2002~2022年碳排放标准差椭圆参数 Table 3 Standard deviation ellipse parameters for carbon emissions from 2002 to 2022

2.1.3 京津冀地区县域碳排放自相关分析

（1）全局自相关为研究地区与其周边地区的平均关联程度，考察数据是否存在空间依赖性，对2002~2022年京津冀199个区县碳排放进行空间自相关分析，碳排放全局Moran's I指数结果见表 4.

表 4 2002~2022年碳排放Moran's I及其检验结果 Table 4 Carbon emissions Moran's I and its verification results from 2002 to 2022

2002~2022年期间京津冀县域尺度碳排放全局Moran's I显示出下降的趋势，后略有波动逐渐趋于稳定（表 4），从中可以看出京津冀地区县域碳排放在2002~2022年期间，所有的全局Moran's I值均大于0.3，最大的Z值出现在2004年，达到10.153 8，最小的Z值为8.939 3，且显著性水平为P < 0.01，通过显著性检验，全局Moran's I和Z值变化表明京津冀地区的碳排放存在显著的空间聚集状态.

由表 5和图 5可知，2002~2022年，分布在第一和第三象限的区县较多，而分布在第二和第四象限的区县较少，京津冀县域碳排放的全局空间自相关正相关特征贯穿始终，高值（“高-高”）与低值（“低-低”）聚类主导散点分布，反映区域碳排放空间结构以“聚类”为核心，整体上呈现了“正相关、强聚集”的分布状态.

表 5 莫兰散点图四象限含义 Table 5 Meaning of the four quadrants in the Moran scatter plot

图 5 局部Moran's I散点图 Fig. 5 Local Moran's I scatter plot

（2）局部自相关分析 LISA（local indicators of spatial association）图是一种可视化局部Moran's I的方法. 表示地区属性的相互关系，更清晰反映出区县碳排放的空间聚集区域. 如图 6所示，2002~2022年的聚类格局呈现“低-低”聚类主导演化：2002年“低-低”聚类包括30个县域，随着时间变化，2007年增多至33个县域，2012年达37个县域后长期稳定、数量上没有增长；“高-高”聚类从2002年的14个县域逐步增至2012年的17个县域后保持不变，“低-高、高-低”两类异质聚类区域数量占比极低，整体以“相似值聚集”为主，低碳排放县域集群持续强化，高排放聚集区规模有限，后期聚类数量与范围逐渐固定.

图 6 碳排放空间相关性分析 Fig. 6 Carbon emission spatial correlation analysis

具体城市来看，2002年“低-低”聚集区大多集中在河北省承德市、张家口市的北部县区、邢台市大部分县区，邯郸市部分县区以及太行山区沿线的保定市涞源县和阜平县；“高-高”聚集区主要分布在北京市和天津市两地. 2007年，原本承德市、张家口市的北部县区“低-低”聚集区逐渐减少变为不显著聚类地区，北京市和天津市“高-高”聚集区面积增多. 到2012年，邯郸市东部、石家庄市、衡水市和沧州市下辖县区的“低-低”聚集区数量均有增加；北京市“高-高”聚集区没有变化，天津市扩散至环渤海地带. 2017年京津冀地区“高-高”聚集区和“低-低”聚集区基本稳定，没有变化. 2022年，“低-低”聚集区增加了河北省保定市顺平县，同时，邢台市内丘县由“低-低”变为不显著聚类. 而“高-高”聚集区相较于2017年从面积上看没有增加，仍位于北京市和天津市环渤海地带.

2.2 影响因素分析 2.2.1 连续型因子离散化

本研究结合经济、社会和自然条件等因素，并遵循可比性（县域之间的数据是否具有可比性，且数据应尽可能具备连续性）、可获取性（数据的可获取性和真实性是研究是否具备可靠性的核心要素. 由于京津冀共有199个县区，数量众多，且不同的区域数据也存在一定的差异化，因此研究过程中需保证数据的真实性和严谨性）和系统性（在构建研究指标体系时，不同层级的指标应具备明确且合理的维度区分，并且不同维度的指标之间需存在紧密的逻辑关联，才能够从多个层面对研究对象进行全面表征）等原则，同时依据地理探测器原理及前人研究^{[12，38，39]}，在人口、经济、能源、地形、生态和气候等因素中选取了9个代表性影响因子（表 6）进行探测分析.

表 6 地理探测器指标选取 Table 6 Selection of geophysical detector parameters

利用R语言软件中GD包，计算每个影响因子在不同分类方法（几何间隔分级法、自然断点分级法、等宽分级法和分位数分级法）和分类数（4~9类）下的q值，筛选出影响因子q值最高的分级方法和分级层数，以获得最优的空间离散化，最终确定的离散参数如表 7所示：人口密度、坡度和高程采用几何间隔法各分9级；夜间灯光总量以几何间隔法分5级；FVC以几何间隔法分7级；人均GDP、年平均气温分别采用自然间断法分6级和9级；城镇化率使用等宽法分6级；产业结构则基于分位数法分9级.

表 7 连续型因子离散化结果 Table 7 Continuous type factor discretization results

2.2.2 单因子探测

结果如表 8所示，所有驱动因子均对碳排放数据呈现显著解释作用（P < 0.01），但是不同的因子对碳排放变化的影响程度存在显著差异，各因子对京津冀地区县域碳排放的解释力如下：FVC（0.562） > 夜间灯光总量（0.532） > 人均GDP（0.291） > 城镇化率（0.265） > 年平均气温（0.188） > 产业结构（0.152） > 人口密度（0.140） > 高程（0.125） > 坡度（0.119）.

表 8 单因子探测分析结果 Table 8 Results of one-way detection analysis

FVC和夜间灯光总量解释力最强均超过0.5，前者FVC高代表植被碳汇强，也就意味着县域净排放量被“拉低”，高低FVC区间的碳排放差距被放大；而后者精准刻画人类活动强度，这使得二者为京津冀地区县域碳排放变化的主要驱动因子，很大程度上决定了县域尺度碳排放的空间分异. 人均GDP、城镇化率两个因子解释力大于0.25，为次级驱动因子. 人口密度、产业结构、坡度、高程和年平均气温这5个因子解释力相对较低.

2.2.3 交互因子探测

与单因子探测相比，交互探测可以进一步判断因子对碳排放变化的解释力是增强还是减弱，结果显示，研究区内任意两个影响因子对碳排放空间分异的解释力均显著高于单因子作用，表现为非线性增强或双因子增强，未出现减弱或独立现象，表明区域碳足迹具有多因子协同驱动特征（图 7）. 从社会经济因子来看，人口密度（X₁）、城镇化率（X₂）、人均GDP（X₄）和夜间灯光总量（X₅）等变量在与其他因子交互时，其解释力显著提升. 其中，X₁∩X₅、X₂∩X₅、X₃∩X₅和X₈∩X₉这4组的交互值最高，X₁∩X₅的交互值高达0.749 7，X₂∩X₅的交互值同样接近0.75，高达0.749 5，X₃∩X₅的交互值为0.730 2略低于前两组但仍处于高位，而X₈∩X₉属于自然因子交互，交互值为0.722 5. 类似地，X₂∩X₈、X₂∩X₉、X₄∩X₅、X₄∩X₉、X₅∩X₇和X₅∩X₈的交互值均大于0.6. 综合来看，人口密度（X₁）、城镇化率（X₂）和夜间灯光总量（X₅）等社会经济因子在与自然因子[如高程（X₇）、气温（X₉）和FVC（X₈）]交互时，其解释力显著提升，表明京津冀地区碳足迹的空间分异是“人口-经济-自然”多维耦合作用的结果.

图 7 交互因子探测分析结果 Fig. 7 Interaction factor detection analysis results

3 讨论 3.1 碳排放时间变化分析

2002~2022年京津冀地区县域碳排放总体呈上升趋势，这与前人研究结论一致^[40]，2002~2013年京津冀地区碳排放持续增长，主要原因除“十五”、“十一五”计划的重工业扩张导致碳排放量陡增外，在这一阶段，我国申办奥运会成功，北京市及周边天津市、唐山市的经济飞速增长，同时经济增长所带来的城市扩张和大量的能源消耗，也导致了碳排放的持续上升^[41]；2014~2016年，国家在这一阶段出台《生态文明体制改革总体方案》，明确绿色发展的制度框架，构建“源头严防、过程严管、后果严惩”的生态文明治理体系，碳排放呈现明显下降趋势，这表明京津冀地区贯彻落实党的十八大生态文明建设“绿色发展”理念，逐步推动经济与生态协同发展，在绿色转型和节能方面取得了一定的成功；2017~2020年，“十三五”计划后期，京津冀地区高能耗项目激增，导致第二产业能耗快速回升，此阶段碳排放量上升明显. 2021年和2022年得益于三年行动计划及“双碳”目标中“碳达峰”方案落地，京津冀非化石能源消费提升，碳排放量下降^[42]. 由此可见，碳排放并非只是受经济发展、回落变化的被动结果，它同样被政策导向与国家级重大活动所影响.

3.2 碳排放空间分布特征

2002~2022年，京津冀碳排放总体呈现“东南高-西北低”的分布特征，东南、中部排放数值高，西北排放数值低，空间差异较大. 京津冀中部北京市下辖各区、天津市下辖各区碳排放数值较高，北部燕山山脉的山区县（康保县、张北县、尚义县、崇礼区、丰宁满族自治县、隆化县、围场满族蒙古族自治县、平泉市、承德县）、西部太行山脉的县域（阜平县、曲阳县、唐县，石家庄市灵寿县、鹿泉区、行唐县、元氏县、赞皇县及邢台市大部分县区、邯郸市部分县区），在这21a期间始终保持低碳排放水平.

而张家口市宣化区碳排放量高是由于早年河钢集团宣钢公司的高产能、高耗能、高排碳，以及长期的传统火电产业，且2010年国家为了京冀协同治理，将首都钢铁部分产能转移至张家口，更是加剧了本地排放压力，导致张家口市宣化区21 a间的碳排放水平持续略高于其他山区市、县，达到了中等碳排放级别^[43].

2002~2022年期间，京津冀县域尺度碳排放重心迁移路径稳定、迁移距离有限，标准差椭圆变化正常. 全局Moran's I，2002~2004年指数持续变大，2004年达到峰值后显示出波动下降的趋势，至2010年后逐渐趋于稳定（变化值< 0.001），这一趋势可能归因于京津冀地区的协同发展战略的推进，北京市、天津市及河北省部分高排放市区进行产能削减和产业调整、搬迁，而低排放区域则承接转移的产业，受到北京市和天津市等碳排放核心区域的辐射影响. 局部Moran's I分析结果表明，近21 a来“高-高”聚集区基本分布在北京市和天津市，原因可能在于这两个核心城市区域经济活动和人口的高度集中. 并且以上地区存在大型工厂，产生碳排放量较多，即使后续国家进行疏解非首都功能，但依旧能源消耗量大；在2012年之前，河北省张家口市宣化区、秦皇岛市海港区、承德市双滦区及保定市定州市为“高-低”聚集区，其后大多变为不显著区域，其中承德市、张家口市，该类地区的地形主要是山地丘陵区，对其发展施加了显著的限制，所以专注于发展第三产业，特别是旅游业，能耗减少，远离高碳排放聚集区，因此，该地区形成了长期的“低-低”聚集区以及不显著集聚区域. 而2017年后北京市“高-高”聚集区面积稳定不变可能：一方面与自身经济发展有关，不断提高发展新能源技术，减少碳排放；另一方面，《北京城市总体规划（2016年~2035年）》明确人口总量上限、生态控制线、城市开发边界，城市发展从“扩张性规划”转向“优化空间结构”. 因此，在之后的生态建设、环境保护中要重点关注碳排放持续增加的县区，同时也要保护好低碳排放区域.

3.3 碳排放影响因素分析

最优参数地理探测器中单因子探测显示，FVC对碳排放的解释力最高，夜间灯光总量次之. 表明夜间灯光总量与FVC为京津冀地区碳排放的主要影响因素，尤其是FVC，单因子探测值为0.562，这是因为，在京津冀地区西北山地森林、草原，东部平原农田的生态环境下，FVC的增加，会同时导致碳排放减少和碳吸收的增加，直接且强力地影响碳排放数值；夜间灯光总量与工业、交通等社会发展程度因子直接挂钩，且为高度城市化区域的京津冀城市群，其碳排放受夜间灯光总量影响更大. 其中，夜间灯光总量指标是县域人类活动强度及能源消耗的代理指标，并非直接影响碳排放变化. 夜间灯光总值和能源消费碳排放相关系数为0.970，具有较好的线性相关性，且决定系数R²达0.868~0.945^[44，45]，满足代理指标有效性要求，因此本研究将夜间灯光总量作为“碳排放”主导因子引入探测模型.

交互探测结果显示，夜间灯光总量与人口密度、城镇化率和产业结构，FVC与年平均气温之间交互解释力极强（q值> 0.7），其中夜间灯光总量与人口密度的交互值最高，显示出“人口-经济活动”在空间上高度叠加时，对碳排放产生显著放大效应即人口越稠密、夜间经济越活跃，碳排放越多^[46]. 夜间灯光总量与城镇化率交互值次之，表明当城镇化水平高的区域同时具有强烈夜间经济信号时，碳排放的空间差异会被急剧放大^[47，48]. 产业结构和夜间灯光总量的交互值为0.730 2略低于前两组但仍处于高位，说明产业类型与区域经济规模的耦合作用并非线性叠加，而是通过产业技术和能源结构之间的差异，对碳排放变化产生显著的非线性调节，研究显示，产业结构每提升1%，人均碳排放量下降0.12%，碳排放强度下降0.082%^[49]. 夜间灯光总量与FVC之间的交互则反映了经济-自然之间的“此消彼长”：夜间灯光高值区的建设用地扩张导致植被覆盖下降，碳汇减少，碳排放随之增加. 而FVC与年平均气温属于自然因子交互，交互值为0.722 5，表明气候条件与生态系统状态的耦合对碳汇能力具有显著调节作用，抑制了碳排放^[50]. 探测结果进一步验证了夜间灯光总量与FVC在碳排放影响因素中的主导地位.

3.4 与长三角、珠三角之间碳排放研究对比

为验证本文结论的跨区普适性，引用已发表的最优参数地理探测器结果，对京津冀、长三角、珠三角三大城市群进行对比验证（表 9）. 尽管各地主导单因子略有差异，但“人类活动代理变量×生态变量/经济变量”的高阶交互机制在三区域均成立（q > -0.5），表明“生态-经济”空间耦合主导县域碳排放差异的结论具有跨城市群适用性.

表 9 三大城市群县域碳排放主导因子对比 Table 9 Comparative analysis of dominant factors in county-level carbon emissions across three major urban agglomerations

4 结论

（1）从时间上看，2002~2022年京津冀地区的碳排放量总体呈现波动上升趋势，在2015年略微降低，并在2021年达到峰值，2022年碳排放量开始下降；在此趋势下，三地的年均增长率由2010年的峰值10%~20%，转为2022年的-0.6%~0.8%.

（2）从空间上看，2002~2022年京津冀地区碳排放主要集中在中部及东部沿海地区，整体呈现“东南高-西北低”的空间格局；碳排放标准差椭圆，整体呈现由西南向东北延伸的分布格局，2022年重心较2002年向东北方移动，表明东北部碳排放增加. 此外，京津冀地区县域碳排放表现出以“高-高”和“低-低”空间自相关为主的稳定空间集聚格局；其中，“低-低”聚类关联紧密，“高-高”聚类的空间范围则相对集中.

（3）影响因素方面，通过对9种影响因子进行探测分析发现，单因子探测中，FVC和夜间灯光总量是影响碳排放空间分异的最主要因素（q > 0.5，P < 0.01），城镇化率、人口密度、夜间灯光总量三者对于京津冀地区碳排放是正向影响，FVC和升级后的产业结构对京津冀地区碳排放是负向影响，人均GDP短期上升对碳排放是正向影响但在高GDP城市比如北京市，人均GDP持续上升呈脱钩趋势后则是负向影响. 交互因子探测中，夜间灯光总量和人口密度交互后解释力最强.

参考文献

[1]	Liu Y X, Jiang Y J, Liu H, et al. Driving factors of carbon emissions in China's municipalities: a LMDI approach[J]. Environmental Science and Pollution Research, 2022, 29(15): 21789-21802. DOI:10.1007/s11356-021-17277-w
[2]	李辉, 孙少龙, 贾玉婷, 等. 三峡库区土地利用碳收支时空格局及碳平衡管理分区[J]. 环境科学, 2026, 47(1): 112-124. Li H, Sun S L, Jia Y T, et al. Spatial-temporal pattern of carbon budget in land use and zoning for carbon balance management in the three gorges reservoir region[J]. Environmental Science, 2026, 47(1): 112-124. DOI:10.13227/j.hjkx.202412063
[3]	Tong D, Zhang Q, Zheng Y X, et al. Committed emissions from existing energy infrastructure jeopardize 1.5 ℃ climate target[J]. Nature, 2019, 572(7769): 373-377. DOI:10.1038/s41586-019-1364-3
[4]	Zhang H N, Zhang X P, Yuan J H. Driving forces of carbon emissions in China: a provincial analysis[J]. Environmental Science and Pollution Research, 2021, 28(17): 21455-21470. DOI:10.1007/s11356-020-11789-7
[5]	张盈盈, 刘旻霞, 潘竟虎, 等. 甘南高寒草甸碳收支时空格局及动态模拟[J]. 生态学报, 2024, 44(13): 5542-5553. Zhang Y Y, Liu M X, Pan J H, et al. Spatial and temporal characteristics of the alpine meadow carbon budget in Gannan, China[J]. Acta Ecologica Sinica, 2024, 44(13): 5542-5553.
[6]	杜海波, 杨山, 李振亚, 等. 碳中和目标下长三角碳源/汇时空特征及其影响因素[J]. 环境科学, 2024, 45(12): 6848-6857. Du H B, Yang S, Li Z Y, et al. Spatio-temporal characteristics and influencing factors of carbon sources/sinks in the Yangtze River delta under carbon neutrality target[J]. Environmental Science, 2024, 45(12): 6848-6857. DOI:10.13227/j.hjkx.202312107
[7]	刘文利, 姜亮亮, 刘冰, 等. 中国植被碳源/汇时空演变特征及其驱动因素[J]. 生态学报, 2024, 44(4): 1456-1467. Liu W L, Jiang L L, Liu B, et al. Spatio-temporal evolution characteristics and driving factors analysis of vegetation carbon sources/sinks in China[J]. Acta Ecologica Sinica, 2024, 44(4): 1456-1467.
[8]	He X J, Guan D J, Yang X, et al. Quantifying the trends and affecting factors of CO₂ emissions under different urban development patterns: an econometric study on the Yangtze river economic belt in China[J]. Sustainable Cities and Society, 2024, 107. DOI:10.1016/j.scs.2024.105443
[9]	Duy D N, Himmelbauer J. A two-step approach for trend detection in injection molding: Mann-Kendall test and decision trees[J]. Procedia Computer Science, 2025, 253: 2003-2013. DOI:10.1016/j.procs.2025.01.262
[10]	Ruan J H, Qin Z Y, Qian S Y, et al. A hybrid method for assessing the city emission status toward carbon peak[J]. Urban Climate, 2024, 55. DOI:10.1016/j.uclim.2024.101927
[11]	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.
[12]	穆佳音, 王金满, 刘彪, 等. 资源型城市碳排放演变及影响因素研究进展[J]. 煤炭学报, 2024, 49(S2): 1130-1142. Mu J Y, Wang J M, Liu B, et al. Research progress on the evolution and influencing factors of carbon emissions in resource-based cities[J]. Journal of China Coal Society, 2024, 49(S2): 1130-1142.
[13]	张青青, 曲衍波, 展凌云, 等. 中国粮食生产碳排放动态演进及驱动效应[J]. 地理学报, 2023, 78(9): 2186-2208. Zhang Q Q, Qu Y B, Zhan L Y, et al. Dynamic evolution and driving effects of carbon emissions from grain production in China[J]. Acta Geographica Sinica, 2023, 78(9): 2186-2208.
[14]	陈怡, 凌莉, 古圳威, 等. 陕西省碳排放时空格局演变及其影响因素[J]. 中国环境科学, 2024, 44(4): 1826-1839. Chen Y, Ling L, Gu Z W, et al. Spatio-temporal evolution and influencing factors of carbon emissions in Shaanxi province[J]. China Environmental Science, 2024, 44(4): 1826-1839.
[15]	向书江. 近20年土地利用/覆被变化对重庆市主城区碳储量和碳排放的影响[D]. 重庆: 西南大学, 2023. Xiang S J. Impacts of LUCC ON carbon storage and carbon emissions in the main urban area of Chongqing over the past 20 years[D]. Chongqing: Southwest University, 2023.
[16]	Akbostancı E, Tunç G İ, Türüt-Aşık S. CO₂ emissions of turkish manufacturing industry: a decomposition analysis[J]. Applied Energy, 2011, 88(6): 2273-2278. DOI:10.1016/j.apenergy.2010.12.076
[17]	Wang Q, Zhao M M, Li R R. Decoupling sectoral economic output from carbon emissions on city level: a comparative study of Beijing and Shanghai, China[J]. Journal of Cleaner Production, 2019, 209: 126-133. DOI:10.1016/j.jclepro.2018.10.188
[18]	Cansino J M, Román R, Ordóñez M. Main drivers of changes in CO₂ emissions in the Spanish economy: a structural decomposition analysis[J]. Energy Policy, 2016, 89: 150-159. DOI:10.1016/j.enpol.2015.11.020
[19]	Das A, Paul S K. CO₂ emissions from household consumption in India between 1993-94 and 2006-07: a decomposition analysis[J]. Energy Economics, 2014, 41: 90-105. DOI:10.1016/j.eneco.2013.10.019
[20]	Ang B W, Choi K H. Decomposition of aggregate energy and gas emission intensities for industry: a refined divisia index method[J]. The Energy Journal, 1997, 18(3): 59-73. DOI:10.5547/ISSN0195-6574-EJ-Vol18-No3-3
[21]	杨顺顺. 中国产业部门碳排放增长的结构性动因——基于SDA与LMDI耦合分解法[J]. 资源科学, 2024, 46(5): 881-894. Yang S S. Structural drivers of carbon emission growth in China's industrial sectors: a decomposition method by coupling SDA and LMDI[J]. Resources Science, 2024, 46(5): 881-894.
[22]	刘战豫, 安慧, 张俊杰. 基于地理探测器的河南省碳排放时空演变及影响因素分析[J]. 辽宁工业大学学报(社会科学版), 2024, 26(1): 26-31.
[23]	孔倩倩, 王婷. 长沙县农村居民点用地混合利用评价及影响因素分析[J]. 中国农业资源与区划, 2025, 46(4): 103-114. Kong Q Q, Wang T. Evaluation and influencing factors of mixed use of rural residential land in Changsha county[J]. Chinese Journal of Agricultural Resources and Regional Planning, 2025, 46(4): 103-114.
[24]	吴健生, 晋雪茹, 王晗, 等. 中国碳排放及影响因素的市域尺度分析[J]. 环境科学, 2023, 44(5): 2974-2982. Wu J S, Jin X R, Wang H, et al. Analysis of carbon emissions and influencing factors in China based on city scale[J]. Environmental Science, 2023, 44(5): 2974-2982. DOI:10.13227/j.hjkx.202205326
[25]	林利平, 张悟移. 粮食主产区农业生态效率时空特征、驱动因素及提升路径[J]. 资源科学, 2025, 47(2): 402-416. Lin L P, Zhang W Y. Spatiotemporal characteristics, driving factors, driving factors, and improvement paths of agricultural ecological efficiency in the main grain producing areas of China[J]. Resources Science, 2025, 47(2): 402-416.
[26]	刘贤赵, 高长春, 宋炎, 等. 湖南市域化石能源消费碳排放时空格局及驱动因素[J]. 生态学报, 2017, 37(7): 2476-2487. Liu X Z, Gao C C, Song Y, et al. Temporal-spatial carbon emission patterns caused by fossil energy consumption at the city level in Hunan Province, China and the factors driving their composition[J]. Acta Ecologica Sinica, 2017, 37(7): 2476-2487.
[27]	张守忠, 吴相利, 张旖琳. 东北三省县区能源消费碳排放时空变化与影响因素研究[J]. 中国环境科学, 2025, 45(10): 5907-5920. Zhang S Z, Wu X L, Zhang Y L. Spatio-temporal changes and influence factors of energy-related carbon emissions at county-level in Northeast China[J]. China Environmental Science, 2025, 45(10): 5907-5920.
[28]	高威, 魏建飞, 李强. 碳排放约束下京津冀地区建设用地利用效率时空演化特征与影响因素研究[J]. 地理与地理信息科学, 2022, 38(5): 88-95. Gao W, Wei J F, Li Q. Spatio-temporal evolution and influencing factors of construction land use efficiency in Beijing-Tianjin-Hebei region under carbon emission constraint[J]. Geography and Geo-Information Science, 2022, 38(5): 88-95.
[29]	彭守璋. 中国1 km分辨率逐月平均气温数据集(1901-2024)[DS]. 2025.
[30]	高吉喜, 史园莉, 张宏伟, 等. 中国区域250米植被覆盖度数据集(2000-2024)[DS]. 2025.
[31]	Wu Y Z, Shi K F, Chen Z Q, et al. Developing improved time-series DMSP-OLS-Like Data (1992-2019) in China by integrating DMSP-OLS and SNPP-VIIRS[J]. IEEE Transactions on Geoscience and Remote Sensing, 2022, 60. DOI:10.1109/TGRS.2021.3135333
[32]	樊杰, 陶普曼W. 中国农村工业化的经济分析及省际发展水平差异[J]. 地理学报, 1996, 51(5): 398-407. Fan J, Taubmann W. An analysis of the economic features and regional difference of China's rural industrialization[J]. Acta Geographica Sinica, 1996, 51(5): 398-407.
[33]	高向东. 中国流动人口省际迁移距离及变化[J]. 人口研究, 2018, 42(6): 25-34. Gao X D. Trends in inter-provincial migration distance in China[J]. Population Research, 2018, 42(6): 25-34.
[34]	高军波, 谢文全, 韩勇, 等. 1990~2013年河南省县域人口、经济和粮食生产重心的迁移轨迹与耦合特征——兼议与社会剥夺的关系[J]. 地理科学, 2018, 38(6): 919-926. Gao J B, Xie W Q, Han Y, et al. The evolutionary trend and the coupling relation of gravity center moving of county-level population distribution, economical development and grain production during 1990-2013 in Henan province[J]. Scientia Geographica Sinica, 2018, 38(6): 919-926.
[35]	夏圣洁, 陈慧儒, 张钧韦, 等. 生态用地动态演变与热环境的空间自相关分析——以山西中部城市群为例[J]. 中国环境科学, 2024, 44(2): 1032-1040. Xia S J, Chen H R, Zhang J W, et al. Spatial autocorrelation analysis of ecological land dynamic evolution and thermal environment: a case study of Shanxi central urban agglomeration[J]. China Environmental Science, 2024, 44(2): 1032-1040.
[36]	林妍敏, 李文慧, 南雄雄, 等. 基于地理探测器的宁夏贺兰山植被覆盖度时空分异及驱动因子[J]. 应用生态学报, 2022, 33(12): 3321-3327. Lin Y M, Li W H, Nan X X, et al. Spatial-temporal differentiation and driving factors of vegetation coverage in Ningxia Helan Mountain based on geodetector[J]. Chinese Journal of Applied Ecology, 2022, 33(12): 3321-3327.
[37]	Wang C Q, Ibrahim H, Wu F H, et al. Spatial and temporal evolution patterns and spatial spillover effects of carbon emissions in China in the context of digital economy[J]. Journal of Environmental Management, 2025, 373. DOI:10.1016/j.jenvman.2024.123811
[38]	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.
[39]	杨屹, 苏越. 关中平原城市群碳收支时空分异特征及碳平衡驱动因素[J]. 中国环境科学, 2025, 45(7): 4034-4051. Yang Y, Su Y. Spatial and temporal variability of carbon budget in Guanzhong Plain urban agglomeration and the driving factors of carbon balance[J]. China Environmental Science, 2025, 45(7): 4034-4051.
[40]	夏诗雨. 基于夜间灯光数据的京津冀能源消费碳排放时空变化与驱动力研究[D]. 成都: 成都理工大学, 2023. Xia S Y. Spatio-temporal variation and driving forces of carbon emis sions from energy consumption in Beijing-Tianjin-Hebei region based on night light data[D]. Chengdu: Chengdu University of Technology, 2023.
[41]	李俊峰, 李广. 实施能源"双控"是打赢打好污染防治攻坚战的制度保障[J]. 环境与可持续发展, 2020, 45(6): 150-152. Li J F, Li G. Controlling quantity and intensity of energy and resources consumptionis the guarantee for controlling pollution[J]. Environment and Sustainable Development, 2020, 45(6): 150-152.
[42]	李思佳, 杨谨, 方丹, 等. 基于产业链视角的京津冀区域碳排放影响因素研究[J]. 生态学报, 2023, 43(9): 3473-3487. Li S J, Yang J, Fang D, et al. The influencing factors of carbon emissions in Beijing-Tianjin-Hebei urban agglomeration from the perspective of industrial chain[J]. Acta Ecologica Sinica, 2023, 43(9): 3473-3487.
[43]	刘天昊, 冀正欣, 段亚明, 等. "双碳"目标下张家口市"三生"空间格局演化及碳效应研究[J]. 北京大学学报(自然科学版), 2023, 59(3): 513-522. Liu T H, Ji Z X, Duan Y M, et al. Spatial pattern evolution and carbon effect of production-living-ecological space in Zhangjiakou city under carbon peak and carbon neutrality goals[J]. Acta Scientiarum Naturalium Universitatis Pekinensis, 2023, 59(3): 513-522.
[44]	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.
[45]	张紫涵, 夏楠, 唐玉倩, 等. 不同空间尺度下中国土地利用碳排放时空演变特征及影响因素分析[J]. 环境科学, 2026, 47(6): 3529-3544. Zhang Z H, Xia N, Tang Y Q, et al. Analysis of the spatio-temporal evolution characteristics and influencing factors of carbon emissions from land use in China at different spatial scales[J]. Environmental Science, 2026, 47(6): 3529-3544. DOI:10.13227/j.hjkx.202505003
[46]	何文举, 张华峰, 陈雄超, 等. 中国省域人口密度、产业集聚与碳排放的实证研究——基于集聚经济、拥挤效应及空间效应的视角[J]. 南开经济研究, 2019(2): 207-224. He W J, Zhang H F, Chen X C, et al. An empirical study about population density, economic agglomeration and carbon emission state of Chinese provinces: based on the perspective of agglomeration economy effects, congestion effects and spatial effects[J]. Nankai Economic Studies, 2019(2): 207-224.
[47]	Sun L, Mao X L, Feng L, et al. Investigating the direct and spillover effects of urbanization on energy-related carbon dioxide emissions in China using nighttime light data[J]. Remote Sensing, 2023, 15(16). DOI:10.3390/rs15164093
[48]	Zhao B B, Deng M, Lo S, et al. Estimating built-up area carbon emissions through addressing regional development disparities with population and nighttime light data[J]. Applied Energy, 2024, 369. DOI:10.1016/j.apenergy.2024.123582
[49]	原嫄, 席强敏, 孙铁山, 等. 产业结构对区域碳排放的影响——基于多国数据的实证分析[J]. 地理研究, 2016, 35(1): 82-94. Yuan Y, Xi Q M, Sun T S, et al. The impact of the industrial structure on regional carbon emission: empirical evidence across countries[J]. Geographical Research, 2016, 35(1): 82-94.
[50]	Wu X M, Duan Y F, An S. Spatiotemporal evolution of coupling coordination degree between economy and habitat quality in the Shandong peninsula urban agglomeration: Grid scale based on night-time lighting data[J]. Sustainability, 2025, 17(17). DOI:10.3390/su17177861
[51]	廖铮潇, 席广亮, 张嵌玮, 等. 碳汇潜力视角下的长三角城市群碳排放空间关联网络时空演变及驱动因素[J]. 陕西师范大学学报(自然科学版), 2025, 53(5): 1-14. Liao Z X, Xi G L, Zhang Q W, et al. Spatial and temporal evolution and driving factors of spatial correlation network of carbon emissions in the Yangtze River Delta urban agglomeration from the perspective of carbon sink potential[J]. Journal of Shaanxi Normal University (Natural Science Edition), 2025, 53(5): 1-14.
[52]	林晓洁. 基于多源数据的珠三角城市群碳排放时空演变及驱动机制研究[D]. 广州: 广东工业大学, 2023. Lin X J. Spatial-temporal evolution and driving mechanism of carbon dioxide emissions in the Pearl River Delta urban agglomeration based on multi-source data and multi-scale perspectives[D]. Guangzhou: Guangdong University of Technology, 2023.


环境科学 2026, Vol. 47 Issue (10): 6738-6750	PDF