2024, Vol. 45
2. 南京财经大学政府管理研究中心, 南京 210023;
3. 南京大学地理与海洋科学学院, 南京 210023;
4. 云南师范大学地理学部, 昆明 650050
2. Government Management Research Centre, Nanjing University of Finance & Economics, Nanjing 210023, China;
3. College of Geography and Oceanography Sciences, Nanjing University, Nanjing 210023, China;
4. Faculty of Geography, Yunnan Normal University, Kunming 650050, China
全球变暖引起了国际社会的关注, 二氧化碳排放被认为是引起全球变暖的重要原因[1]. 而中国已成为全球最大的碳排放国[2]. 作为发展中大国, 中国政府主动提出一系列的碳减排政策. 2020年, 提出2030年前达到碳排放峰值, 力争2060年前实现碳中和. 党的二十大提出推进绿色低碳发展, 积极稳妥推进碳达峰碳中和. 中国城镇化和工业化仍处于较快发展阶段, 未来碳减排压力较大[3 ~ 5]. 因此, 开展碳源碳汇时空特征及碳平衡分区研究, 掌握碳源碳汇的时空演化规律, 对促进区域低碳协调发展, 提高减碳增汇政策的科学性、针对性、可操作性和实现“双碳”目标具有重要意义.
许多学者针对碳排放开展大量研究, 主要集中在碳排放的时空特征[6 ~ 12]、影响因素[7, 8, 13 ~ 16]和情景模拟[9, 17 ~ 20]等方面. 韦彦汀等[7]分析了2008~2018年成渝城市群碳排放时空特征及其影响因素, 发现碳排放存在明显的区域差异, 各城市碳排放影响因素存在时空异质性. 李建豹等[8]分析了2000~2017年江苏省县域碳排放时空演化及影响因素, 发现碳排放呈增加趋势, 高值区分布在苏南地区, 经济水平和人口规模对碳排放具有明显的促进作用. Xu等[15]运用双重差分模型, 分析中国能源节约和碳减排政策对碳排放的影响, 发现能源节约和碳减排政策的实施有助于降低碳排放, 且随着时间推移降碳效应增强. Yang等[16]分析区域数字经济发展对碳排放的影响, 发现区域数字经济发展有助于降低碳排放强度. 时朋飞等[17]设置5种情景, 预测2022~2040年长江经济带旅游业碳排放, 发现5种情景下碳排放均呈“先增加、后降低”的趋势. Yao等[19]从土地利用规划和能源结构调整两方面, 设置3种情景, 预测2020~2060年深圳碳排放, 发现碳排放峰值可能出现在2025~2030年.
“双碳”目标提出后, 有关碳汇的研究逐渐增多, 主要集中在：城市生态系统碳汇[21]、农田生态系统碳汇[22 ~ 25]、森林生态系统碳汇[26 ~ 31]、草地生态系统碳汇[32]和陆地生态系统碳汇[33 ~ 38]等. 石铁矛等[21]介绍了城市生态系统碳汇固碳能力的测算方法. 王莉等[23]分析了2010~2020年河南农田生态系统碳汇时空特征. 朱建华等[26]测算了1999~2018年中国森林生态系统碳汇, 并模拟了2050~2059年森林生态系统碳储量. Alaniz等[28]分析了2000~2019年全球森林碳源碳汇的时空分布格局. Lyu等[32]以内蒙古自治区的3种类型草原为例, 分析了2000~2019年净生态系统生产力和碳排放情况, 并运用时空地理加权回归模型探究了草地碳汇增加的潜在机制. 朴世龙等[34]阐述了陆地生态系统碳汇在“碳中和”目标中的作用.
现有研究已取得了丰硕成果, 为本研究提供了借鉴. 但仍存在以下不足：一是多数学者仅关注碳排放问题, 对碳汇的研究较少, 而“碳中和”目标的实现, 必须加强碳汇的相关研究；二是多数研究仅关注单一植被类型的碳汇, 对整体陆地生态系统碳汇研究较少. 只有研究整体陆地生态系统碳汇, 才能更加准确地掌握碳汇现状, 制定符合实际的碳中和发展战略.
长三角地区主要包括上海市、江苏省、浙江省和安徽省的41个市（图 1）, 它是中国经济发展水平最高的地区, 碳排放量高[39 ~ 41], 由2000年的16 197.44万t, 增加到2020年的59 699.67万t, 增长率为6.74%. 碳汇由2000年的1 267.05万t, 增加到2020年的1 457.96万t, 增长率为0.70%, 远低于碳排放增长率. 碳汇量远低于碳排放量, 碳中和目标实现任务艰巨. 长三角地区是中国最大的城市群, 也是世界第六大城市群. 2019年, 国务院正式批复《长三角生态绿色一体化发展示范区总体方案》, 强调长三角地区应率先探索, 将生态优势转化为经济社会发展优势, 而实现“双碳”目标是推动长三角一体化的内在要求, 掌握长三角地区碳源碳汇时空演化规律, 有助于“双碳”目标的实现. 2000年以来, 长三角地区城镇化水平快速提高, 碳排放量快速增加. 由于数据的可获得性, 研究时段选择2000~2020年. 因此, 本文以长三角地区41个市为研究对象（图 1）, 分析2000~2020年长三角地区碳源和碳汇的时空演化特征, 探究碳补偿率、碳排放经济贡献系数和碳生态承载系数的时空演化特征, 并基于碳排放经济贡献系数和碳生态承载系数, 对长三角地区进行碳平衡分区, 以期为制定差异化的减碳增汇政策提供科学依据. 本研究的主要贡献为：①从碳源和碳汇两方面研究了长三角地区碳源碳汇时空演化特征, 弥补了碳汇研究较少的不足. ②以往研究多测算单一类型碳汇, 本研究测算了长三角地区的陆地生态系统碳汇, 有利于准确掌握碳汇现状.
|
图 1 长三角地区示意 Fig. 1 Study area in the Yangtze River Delta region |
长三角地区行政边界矢量数据和2000~2020年30 m × 30 m分辨率的土地利用数据源自中国科学院资源环境科学与数据中心. 社会经济数据源自2001~2021年的《中国城市统计年鉴》. 基于长三角地区行政边界矢量数据, 使用ArcGIS 10.6对1 km × 1 km分辨率的全球碳排放栅格数据[42]进行掩膜提取和分区统计, 获得2000~2020年长三角地区各市的碳排放数据.
1.2 研究方法 1.2.1 碳汇估算方法本文中碳汇主要包括植被碳吸收、土壤碳吸收和水域碳吸收. 植被碳吸收主要包括林地、耕地、草地和建设用地. 土壤碳吸收主要包括耕地、林地、草地、水域、海涂、城镇用地、农村居民点和其他建设用地. 水域碳吸收主要包括水域和海涂. 具体计算方法详细见文献[43].
1.2.2 碳补偿率碳补偿率（carbon compensation rate, CCR）是某市的碳吸收与碳排放的比值, 表征该市的碳减排压力, 计算公式如下：
|
(1) |
式中, CSi和Ci分别表示某市的碳吸收和碳排放；当CCR > 1, 则表明该市表现为碳汇；当CCR < 1, 则表明该市表现为净碳源.
1.2.3 碳排放经济贡献系数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, 计算方法如下[44, 45]：
|
(2) |
式中, Gi和Ci分别表示某市的GDP和碳排放, G和C分别表示长三角地区的GDP和碳排放. 当ECC > 1, 则表明该市具有相对较高的能源利用效率和碳生产力；当ECC < 1, 则表明该市具有相对较低的能源利用效率和碳生产力.
1.2.4 碳生态承载系数碳生态承载系数（ecological support coefficient, ESC）是某市碳吸收占长三角地区碳吸收的比例与该市碳排放占长三角地区碳排放比例的商, 表征该市的碳汇能力, 计算公式如下[44 ~ 46]：
|
(3) |
式中, CSi和Ci分别表示某市的碳吸收和碳排放, CS和C分别表示长三角地区的碳吸收和碳排放. 当ESC > 1, 则表明该市具有相对较高的碳汇能力；当ESC < 1, 则表明该市具有相对较低的碳汇能力.
2 结果与讨论 2.1 碳排放时空演变特征 2.1.1 碳排放时间特征由图 2可知, 长三角地区碳排放总体上呈增加趋势, 经历了2个阶段：2000~2011年, 碳排放快速增加, 2009~2010年, 增幅明显较大, 可能是2008~2010年实施的“4万亿计划”, 投资重点流向重大基础设施建设、民生工程和房地产产业等高碳排放领域, 导致碳排放增速明显；2011~2020年, 碳排放波动上升阶段. 2011~2017年碳排放增速较小, 2012年以后, 经济增长放缓, 能源消耗增速减小, 碳排放增速较小. 2020年, 碳排放增长缓慢, 主要由于2019年底, 新冠肺炎暴发, 2020年实施一系列疫情防控措施, 人口流动和经济活动减少[47]. 上海市、江苏省、浙江省和安徽省的碳排放均呈增加趋势. 江苏省碳排放最大, 其后依次为浙江省、安徽省和上海市. 江苏省占长三角地区碳排放的比例最大, 由2000年的40.36%, 增加到2020年的44.07%. 江苏省与其他省市的差距逐渐增大, 由于江苏省的重工业和制造业等高耗能产业所占比例较高, 能源消费量较大, 碳排放增加较快[48].
|
图 2 2000~2020长三角地区碳排放 Fig. 2 Carbon emissions in the Yangtze River Delta region from 2000 to 2020 |
采用核密度研究碳排放演进趋势, 选用Epanechnikov函数, 选取2000年、2010年和2020年, 绘制长三角地区碳排放核密度曲线（图 3）, 采用相同方法可得到图 6. 由图 3可知, 碳排放密度分布曲线存在右拖尾现象, 表明部分市的碳排放远高于平均碳排放. 2000~2020年右拖尾增加, 表明各市碳排放的差异增大. 碳排放密度分布曲线右移, 表明长三角地区各市碳排放呈增加趋势. 由峰度变化可知, 2000~2020年长三角地区碳排放由“尖峰型”转换为“宽峰型”, 表明各市碳排放离散程度增加, 有趋异趋势, 可能是由于长三角地区各市碳排放增速存在差异, 导致部分市偏离峰值；由曲线形状可知, 碳排放呈“单峰模式”, 表明各市碳排放主要集中在峰值附近.
|
图 3 2000~2020年长三角地区碳排放核密度估计 Fig. 3 Kernel density estimation of carbon emissions in the Yangtze River Delta region from 2000 to 2020 |
将2000年、2010年和2020年长三角地区碳排放数据与长三角地区矢量数据链接, 利用自然断点法, 将其分为4级, 得到图 4. 从中可知, 2000年, 黄山的碳排放最小, 为37.05万t, 上海的碳排放最大, 为2 026.99万t, 最大值是最小值的54.71倍, 表明长三角地区碳排放差异较大. 较小值区主要分布在安徽和浙西南地区, 包括黄山、池州、亳州、宣城、六安、淮北、铜陵、滁州、蚌埠、丽水、衢州、舟山和宿迁. 较大值区主要分布在上海、苏州和宁波. 上海是长三角地区的核心城市, 人口较多, 消耗的物质资源较多, 经济发展水平较高, 经济发展对能源的依赖较强, 导致碳排放量较高. 苏州紧靠上海, 受上海的辐射带动作用的影响, 经济发展水平较高, 能源消耗量较大, 碳排放量较高. 宁波是华东地区的重要能源和重化工业基地, 碳排放量较大. 黄山作为旅游城市, 注重环境保护, 以旅游业带动的第三产业为主, 因此, 碳排放量远低于其他市. 2010年, 黄山的碳排放仍最小, 为121.54万t, 上海的碳排放仍最大, 为6 526.63万t, 最大值是最小值的53.70倍. 与2000年相比, 2010年宁波退出碳排放高值区, 碳排放低值区新增加了阜阳、宿州、安庆、湖州、芜湖、绍兴、马鞍山、连云港和淮安. 2020年碳排放空间分布与2010年相同, 表明2010~2020年间碳排放空间格局较稳定.
|
图 4 2000~2020年长三角地区碳排放空间分布 Fig. 4 Spatial distribution of carbon emissions in the Yangtze River Delta region from 2000 to 2020 |
由图 5可知, 2000~2020年碳汇总体呈增加趋势, 大致可分为两个阶段：2000~2015年, 碳汇缓慢增加, 可能是由于2000年以来, 长三角地区城镇化水平快速提高, 城镇地区快速扩张, 碳汇用地空间受到挤压, 因此, 碳汇增长缓慢. 2015~2020年, 碳汇增速加快, 由于长三角地区城镇区域快速扩张的阶段已基本结束, 同时, 国家加强了对碳汇用地的保护. 浙江省的碳汇量最大, 由于浙江省多山地和丘陵, 生态环境较好, 是“两山”理论的发源地, 实施严格的生态保护政策, 城镇化扩张受到限制, 林地面积占总面积的64%以上, 林地碳汇能力较强. 2015年以后, 上海市的碳汇增长速度最快, 由于近年来上海市加大了城市绿化建设, 城市绿化面积大幅度增加, 碳汇量增长速度较快.
|
图 5 2000~2020年长三角地区碳汇 Fig. 5 Carbon sinks in the Yangtze River Delta region from 2000 to 2020 |
由图 6可知, 碳汇密度分布曲线存在右拖尾现象, 但右拖尾减小, 表明部分市的碳汇大于平均碳汇, 碳汇的差异减小. 2010年碳汇密度分布曲线左侧右移, 右侧左移, 表明2010年长三角地区碳汇低值增加, 碳汇高值减少. 波高降低, 波宽缩小, 但变化不明显, 表明碳汇呈趋异趋势, 但不明显. 碳汇的曲线形状变化不大, 仍呈“单主峰, 多次峰”的“多峰模式”, 表明碳汇仍存在不均衡现象. 与2010年相比, 2020年曲线由“单主峰, 多次峰”的“多峰模式”, 逐渐演化为“单主峰, 单次峰”的“双峰模式”. 2010~2020年长三角地区各市碳汇由“尖峰型”发展为“宽峰型”, 且变化明显, 表明各市碳汇有趋异趋势.
|
图 6 2000~2020年长三角地区碳汇核密度估计 Fig. 6 Kernel density estimation of carbon sinks in the Yangtze River Delta region from 2000 to 2020 |
由图 7可知, 2000年, 铜陵的碳汇最小, 为3.56万t, 丽水的碳汇最大, 为113.57万t, 最大值是最小值的31.90倍, 表明长三角地区碳汇差异较大. 铜陵矿产资源丰富, 作为老工业城市, 碳排放量较大, 碳汇用地空间较小, 碳汇量较小. 丽水作为碳中和先行示范区, 森林资源丰富, 占浙江省的20%以上, 资源配置较好, 碳汇量较大. 碳汇较高值区主要分布在杭州和丽水. 碳汇较低值区主要分布在铜陵、舟山、淮北、淮南、嘉兴、镇江、泰州、常州、马鞍山、蚌埠、南通、无锡、亳州、扬州、上海、连云港、芜湖、宿州和南京. 2010年, 铜陵的碳汇仍最小, 丽水的碳汇仍最大. 与2000年相比, 2010年, 碳汇较高值区不变, 碳汇较低值区增加了宿迁, 表明2000~2010年碳汇的空间格局较稳定. 与2010年相比, 2020年, 碳汇较高值区仍不变, 扬州、无锡、上海、南京和宿迁退出碳汇较低值区. 综上所述, 2000~2020年碳汇空间格局较稳定.
|
图 7 2000~2020年长三角地区碳汇空间分布 Fig. 7 Spatial distribution of carbon sinks in the Yangtze River Delta region from 2000 to 2020 |
由图 8可知, 长三角地区碳补偿率总体呈下降趋势, 由2000年的7.82%下降到2020年的2.44%, 表明长三角地区碳吸收远不能补偿碳排放, 表现为净碳源. 2000年浙江省碳补偿率最高, 为13.34%, 2005年安徽省碳补偿率超过浙江省, 为8.67%, 成为长三角地区碳补偿率最高的省份. 由于安徽省农业生产功能较强, 农业碳汇量较高. 林地面积较大, 碳汇能力较强, 碳汇量较高. 与长三角其他省市相比, 安徽省经济发展水平相对较低, 碳排放量相对较小, 碳补偿率相对较高. 浙江省的经济发展水平提高较快, 对能源依赖较强, 与安徽省相比, 浙江省的碳排放增加较快. 上海市碳补偿率一直最低, 主要由于上海市是长三角地区经济最发达的地区, 经济发展对能源依赖较强, 碳排放量较大.
|
图 8 2000~2020年长三角地区碳补偿率 Fig. 8 Carbon compensation rate in the Yangtze River Delta region from 2000 to 2020 |
为进一步分析长三角地区碳补偿率的差异来源, 将长三角地区分为上海市、江苏省、浙江省和安徽省4省市, 测度2000~2020年长三角地区碳补偿率的Dagum基尼系数（表 1）. 由表 1可知, 总体基尼系数由2000年的0.66, 波动下降到2020年的0.62, 表明长三角地区碳补偿率的总体差异较大, 且差异水平呈波动下降趋势, 各市碳排放与碳吸收处于高度不协调状态. 2000~2020年区域间差异的平均贡献率最高, 为41.20%, 表明区域间差异是长三角地区碳补偿率差异的主要来源, 缩小区域间差异是解决长三角地区碳补偿率不均衡问题的关键. 其次为区域内差异和超变密度, 平均贡献率分别为29.80%和29.00%. 区域间差异和区域内差异呈波动下降趋势, 超变密度差异基本保持不变.
|
表 1 2000~2020年长三角地区碳补偿率的Dagum基尼系数及其分解结果 Table 1 Dagum Gini coefficent and its decomposition of carbon compensation rate in the Yangtze River Delta region from 2000 to 2020 |
从区域内基尼系数可知, 2000~2020年碳补偿率的区域内差异减小. 2000年安徽省各市碳补偿率的区域差异最大, 为0.63, 2000年以后, 浙江省各市碳补偿率的区域差异最大, 区域内差异的平均值为0.59, 上海市的最小, 为0.00, 安徽省和江苏省的处于中间水平. 安徽省和浙江省各市碳补偿率的区域内基尼系数呈波动下降趋势, 由2000年的0.63和0.59, 下降到2020年0.57和0.58, 表明安徽省和浙江省各市碳补偿率的区域差异减小. 江苏省碳补偿率的区域内基尼系数呈波动上升趋势, 由2000年的0.30增加到2020年的0.34, 表明江苏省各市碳补偿率的区域差异呈波动增大趋势.
从区域间基尼系数可知, 上海市和安徽省之间各市碳补偿率的差异最大, 平均值为0.93, 由2000年的0.94, 下降到2020年的0.86. 安徽省与浙江省之间各市碳排放的差异最小, 平均值为0.60, 由2000年的0.62, 下降到2020年的0.59. 区域间基尼系数总体波动下降, 表明长三角地区各省市间碳补偿率的区域差异呈波动下降趋势.
由图 9可知, 长三角地区各市碳补偿率存在明显的区域差异, 呈西高东低, 南高北低的空间特征. 2000年, 黄山和丽水的碳补偿率大于1, 分别为154.06%和135.57%, 表现为碳汇. 黄山作为旅游城市, 生态环境较好, 碳排放量相对较小, 林地面积相对较大, 碳汇能力较强, 碳汇量相对较高, 碳补偿率相对较大. 丽水经济发展水平相对较低, 碳排放量相对较少, 森林资源丰富, 碳汇能力较强, 碳汇量相对较大, 碳补偿率相对较大. 其他市的均小于1, 表现为净碳源. 上海市的碳补偿率最小, 为0.82%. 2010年, 长三角地区各市碳补偿率均小于1, 表明长三角地区各市均表现为净碳源. 丽水的碳补偿率最高, 为54.36%, 上海的碳补偿率仍最低, 为0.29%, 与2000年相比, 各市碳补偿率的类型基本未发生变化, 即便类型发生变化, 也是在相邻类型间转化, 表明2000~2010年长三角地区碳补偿率的空间格局较为稳定. 2020年长三角地区碳补偿率的空间分布与2010年相同. 综上所述, 2000~2020年间碳补偿率的空间格局较稳定.
|
图 9 2000~2020年长三角地区碳补偿率空间分布 Fig. 9 Spatial distribution of carbon compensation rate in the Yangtze River Delta region from 2000 to 2020 |
由图 10可知, 2000年, 碳排放经济贡献系数在0.13~2.34之间, 表明各市碳排放贡献与经济贡献存在不均衡现象. 碳排放经济贡献系数较高值主要分布在长三角中南部地区, 包括上海、黄山、无锡、杭州和绍兴, 表明以上市的碳生产力和能源利用效率比长三角地区其他市高. 而淮安、淮南、铜陵、淮北和马鞍山的碳排放经济贡献系数相对较低. 15个市的碳排放经济贡献系数大于1. 2010年, 碳排放经济贡献系数大于1的市数量增加到18个, 32个市的碳排放经济贡献系数均比2000年高, 表明2000~2010年长三角大部分地区的碳生产力和能源利用效率呈增加趋势, 可能是由于随着城镇化水平的提高, 管理水平和技术水平提高. 上海和无锡退出较高值区, 马鞍山退出较低值区. 2020年, 碳排放经济贡献系数大于1的市数量增加到22个, 24个市的碳排放经济贡献系数均比2010年增加, 表明2010~2020年间多数地区的碳生产力和能源利用效率呈增加趋势. 可能是由于2011年碳排放强度目标纳入到“十二五”发展规划, 政府实施更加严格的环境规制, 推动产业转型与产业升级, 促进碳生产力和能源利用效率的增加[49]. 碳排放经济贡献系数的较高值区与较低值区与2010年相同, 表明2010~2020年碳排放经济贡献系数的空间格局较稳定.
|
图 10 2000~2020年长三角地区碳排放经济贡献系数空间分布 Fig. 10 Spatial distribution of economy contributive coefficients of carbon emissions in the Yangtze River Delta region from 2000 to 2020 |
由图 11可知, 2000年碳生态承载系数存在明显的空间差异, 总体上呈西高东低, 南高北低的空间特征, 西部和南部明显高于东部和北部, 主要由于西南部多山地, 生态环境较好. 黄山的碳生态承载系数最高, 为19.69, 上海的碳生态承载系数最低, 为0.11, 最高值是最低值的178.27倍, 表明长三角地区碳生态承载系数差异较大. 黄山作为旅游城市, 注重环境保护, 碳汇量相对较大, 而以第三产业为主, 碳排放量相对较小, 因此, 碳生态承载系数最高. 虽然近年来上海增加城市绿化建设, 碳汇量增加较快, 但其碳排放增加远超过碳汇, 导致碳生态承载系数最低. 碳生态承载系数大于1的市有19个, 表明以上市碳生态承载能力较强. 2010年碳生态承载系数空间分布变化不大, 即便变化也是在相邻等级间转化, 表明2000~2010年期间碳生态承载系数空间格局较稳定. 丽水的碳生态承载系数最高, 为19.60, 上海的碳生态承载系数最低, 为0.10, 最高值为最低值的196倍, 表明长三角地区碳生态承载系数仍存在较大差异. 丽水碳汇量最大, 碳排放量相对较小, 碳生态承载能力较强. 与2000年相比, 33个市的碳生态承载系数增加, 表明2000~2010年期间, 随着环境保护和低碳政策的实施, 长三角大部分地区的碳生态承载能力增强. 2020年, 碳生态承载系数空间分布与2010年的相同, 表明2010~2020年长三角地区碳生态承载系数空间格局较稳定.
|
图 11 2000~2020年长三角地区碳生态承载系数空间分布 Fig. 11 Spatial distribution of carbon ecological support coefficient in the Yangtze River Delta region from 2000 to 2020 |
依据碳排放经济贡献系数和碳生态承载系数, 借鉴现有研究[46, 50], 将2020年长三角地区各市分为4种类型（图 12）, 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）. 由图 12可知, 低碳保持区主要包括：亳州、黄山、宿迁、盐城、杭州、湖州、金华、丽水、衢州、绍兴、台州和温州等12市, 占长三角地区数量的29.27%. 以上市的碳排放经济贡献系数和碳生态承载系数均较高, 能源利用效率和碳生产力均较高, 碳汇能力较强, 经济发展与自然资源保护相对均衡. 丽水、黄山和衢州的ESC均大于6, 明显高于其他市, 碳汇能力较强, 应将生态优势转化为经济社会发展优势, 提高能源利用效率和碳生产力. 杭州和绍兴的ECC大于1.5, 明显高于其他市, 能源利用效率和碳生产力较高, 应重点提高其碳汇能力. 其他市应在保护好自然资源环境的基础上, 保持低碳经济和环境保护的协调发展.
|
括号内的数值表示对应类型市的数量 图 12 2020年长三角地区碳平衡分区 Fig. 12 Carbon balance zoning in the Yangtze River Delta region in 2020 |
经济发展区主要分布在安徽省的西部和中北部, 包括：阜阳、六安、安庆、池州、宣城、滁州、蚌埠、宿州和淮安等9市, 占长三角地区数量的21.95%. 以上市经济发展相对落后, 碳排放经济贡献系数较低, 能源利用效率和碳生产力较低, 但碳生态承载系数较高, 碳汇能力较强. 经济发展区中的市应在保护生态资源和环境, 确保生态碳汇功能的前提下, 借鉴低碳保持区发展经验, 引进先进低碳技术, 发展低碳产业, 以提高能源利用效率和碳生产力, 同时, 充分发挥碳汇功能.
碳汇发展区主要包括：合肥、芜湖、常州、南京、南通、无锡、扬州、镇江、上海和舟山等10市, 占长三角地区数量的24.39%. 以上市的碳排放经济贡献系数较高, 能源利用效率和碳生产力较高, 但碳生态承载系数较低, 碳汇能力较弱. 碳吸收能力较低, 经济发展水平相对较高, 技术水平相对较高, 能源资源得到有效利用, 能源利用效率较高, 碳生产力较高. 上海、无锡和南京的碳生态承载系数偏低, 以上市经济发展水平较高, 吸引了大量的人口, 为满足生产生活需要, 增加基础设施建设, 建成区面积迅速扩张, 导致生态用地面积减少, 碳汇能力较弱. 人口密度较大, 产业相对集中布局, 产生集聚效应, 使得基础设施和能源利用效率较高. 加强土地用途管控, 严格控制建设用地扩张, 保护生态用地, 提高其碳汇能力.
综合优化区主要包括：淮北、淮南、马鞍山、铜陵、连云港、苏州、泰州、徐州、嘉兴和宁波等10市, 占长三角地区数量的24.39%. 以上市的碳排放经济贡献系数和碳生态承载系数均较低, 能源利用效率和碳生产力较低, 碳汇能力较弱. 经济建设和生态环境保护存在一定的提升空间, 应将提高碳汇能力和碳生产力并重, 保护碳汇用地的同时, 控制碳排放增加, 坚持低碳发展.
3 结论（1）2000~2020年长三角地区碳排放总体上呈增加趋势, 2000~2011年增速较快, 2011~2020年碳排放波动上升. 长三角地区碳排放区域差异较大, 空间格局较为稳定, 较小值区主要分布在安徽和浙西南地区, 较大值区主要分布在上海和苏州. 2000~2020年长三角地区碳汇增加缓慢. 碳汇区域差异较大, 空间格局较稳定, 存在不均衡现象, 铜陵的碳汇量最小, 丽水的碳汇量最大. 碳源与碳汇之间的差距仍较大, 应在不断增大碳汇的同时, 减少碳排放, 争取早日实现碳中和.
（2）碳补偿率总体呈下降趋势, 由2000年的7.82%下降到2020年的2.44%, 表明长三角地区碳吸收远不能补偿碳排放, 表现为净碳源. 2000~2020年区域间差异的平均贡献率最高, 为0.41, 表明区域间差异是长三角地区碳补偿率差异的主要来源, 缩小区域间差异是解决长三角地区碳补偿率不均衡问题的关键. 各市碳补偿率呈西高东低, 南高北低的空间特征. 碳排放经济贡献系数存在明显的空间差异, 较低值主要分布在安徽省, 较高值主要分布在长三角中南部地区. 2000~2020年碳排放经济贡献系数呈增加趋势, 碳排放经济贡献系数大于1的市数由2000年的15个增加到2020年的22个, 表明长三角地区的碳生产力和能源利用效率呈增加趋势. 碳生态承载系数呈西高东低、南高北低的空间特征. 碳生态承载系数大于1的市数约占长三角地区的50%. 2000~2020年长三角地区大部分市的碳生态承载能力呈不断增强趋势.
（3）依据碳排放经济贡献系数和碳生态承载系数, 将长三角地区各市分为低碳保持区、经济发展区、碳汇发展区和综合优化区. 低碳保持区应在保护好碳汇用地的基础上, 大力发展第三产业, 推动产业转型和产业升级, 使产业向低碳化发展, 确保生态保护与低碳产业协调发展. 经济发展区应借鉴低碳保持区发展经验, 加强低碳技术投资, 从低碳保持区引入先进低碳技术. 同时, 应充分发挥其碳汇功能. 碳汇发展区应坚持国土空间规划引领, 划定落实各类生态空间, 加强国土用途管制, 进行生态系统全要素保护, 提高碳汇能力. 综合优化区应坚持提高碳汇能力和碳生产力并重, 严格控制生态用地转化为城镇用地和农业用地, 加强生态保护和生态修复, 提高生态系统碳汇能力, 加强高碳产业控制, 提高企业的准入门槛, 从源头上控制“三高”企业进入, 推动产业低碳化发展, 提高能源利用效率和碳生产力.
| [1] | Duan C C, Zhu W J, Wang S G, et al. Drivers of global carbon emissions 1990-2014[J]. Journal of Cleaner Production, 2022, 371. DOI:10.1016/j.jclepro.2022.133371 |
| [2] | Xiu J, Zang X Q, Piao Z, et al. China's low-carbon economic growth: an empirical analysis based on the combination of parametric and nonparametric methods[J]. Environmental Science and Pollution Research, 2023, 30(13): 37219-37232. |
| [3] | Duan H Y, Sun X H, Song J N, et al. Peaking carbon emissions under a coupled socioeconomic-energy system: Evidence from typical developed countries[J]. Resources, Conservation and Recycling, 2022, 187. DOI:10.1016/j.resconrec.2022.106641 |
| [4] | Fang K, Li C L, Tang Y Q, et al. China's pathways to peak carbon emissions: new insights from various industrial sectors[J]. Applied Energy, 2022, 306. DOI:10.1016/j.apenergy.2021.118039 |
| [5] |
王少剑, 谢紫寒, 王泽宏. 中国县域碳排放的时空演变及影响因素[J]. 地理学报, 2021, 76(12): 3103-3118. Wang S J, Xie Z H, Wang Z H. The spatiotemporal pattern evolution and influencing factors of CO2 emissions at the county level of China[J]. Acta Geographica Sinica, 2021, 76(12): 3103-3118. DOI:10.11821/dlxb202112016 |
| [6] |
张赫, 黄雅哲, 王睿, 等. 中国县域碳排放脱钩关系及其时空特征演变[J]. 资源科学, 2022, 44(4): 744-755. Zhang H, Huang Y Z, Wang R, et al. Decoupling and spatiotemporal change of carbon emissions at the county level in China[J]. Resources Science, 2022, 44(4): 744-755. |
| [7] |
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. DOI:10.3969/j.issn.1000-6923.2022.10.039 |
| [8] |
李建豹, 揣小伟, 周艳. 江苏省县域碳排放时空演化及影响因素分析[J]. 生态经济, 2023, 39(7): 36-44. Li J B, Chuai X W, Zhou Y. The spatiotemporal pattern evolution and influencing factors of carbon emissions at the county level in Jiangsu Province[J]. Ecological Economy, 2023, 39(7): 36-44. |
| [9] |
田鹏, 汪浩瀚, 李加林, 等. 中国海洋渔业碳排放时空变化特征及系统动态模拟[J]. 资源科学, 2023, 45(5): 1074-1090. Tian P, Wang H H, Li J L, et al. Spatiotemporal variation characteristics and system dynamic simulation of China's marine fishery carbon emissions[J]. Resources Science, 2023, 45(5): 1074-1090. |
| [10] |
宋苑震, 曾坚, 王森, 等. 中国县域碳排放时空演变与异质性[J]. 环境科学, 2023, 44(1): 549-559. Song Y Z, Zeng J, Wang S, et al. Spatial-temporal evolution and heterogeneity of carbon emissions at county-level in China[J]. Environmental Science, 2023, 44(1): 549-559. |
| [11] |
向书江, 杨春梅, 谢雨琦, 等. 近20年重庆市主城区碳排放的时空动态演进及其重心迁移[J]. 环境科学, 2023, 44(1): 560-571. Xiang S J, Yang C M, Xie Y Q, et al. Spatiotemporal dynamic evolution and gravity center migration of carbon emissions in the main urban area of Chongqing over the past 20 years[J]. Environmental Science, 2023, 44(1): 560-571. |
| [12] |
郝瑞军, 魏伟, 刘春芳, 等. 中国能源消费碳排放的空间化与时空动态[J]. 环境科学, 2022, 43(11): 5305-5314. Hao R J, Wei W, Liu C F, et al. Spatialization and spatio-temporal dynamics of energy consumption carbon emissions in China[J]. Environmental Science, 2022, 43(11): 5305-5314. |
| [13] |
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. |
| [14] |
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. |
| [15] | Xu T T, Kang C Y, Zhang H. China's efforts towards carbon neutrality: does energy-saving and emission-reduction policy mitigate carbon emissions?[J]. Journal of Environmental Management, 2022, 316. DOI:10.1016/j.jenvman.2022.115286 |
| [16] | Yang Z, Gao W J, Han Q, et al. Digitalization and carbon emissions: How does digital city construction affect China's carbon emission reduction?[J]. Sustainable Cities and Society, 2022, 87. DOI:10.1016/j.scs.2022.104201 |
| [17] | 时朋飞, 王梦君, 陶春艳, 等. 长江经济带旅游业碳排放影响因素与峰值预测[J]. 统计与决策, 2023, 39(12): 90-95. |
| [18] |
苗安康, 袁越, 吴涵, 等. 中国省域碳达峰路径与政策[J]. 环境科学, 2023, 44(8): 4623-4636. Miao A K, Yuan Y, Wu H, et al. Pathway and policy for China's provincial carbon emission peak[J]. Environmental Science, 2023, 44(8): 4623-4636. |
| [19] | Yao Y, Sun Z H, Li L L, et al. CarbonVCA: a cadastral parcel-scale carbon emission forecasting framework for peak carbon emissions[J]. Cities, 2023, 138. DOI:10.1016/j.cities.2023.104354 |
| [20] | Sun W, Huang C C. Predictions of carbon emission intensity based on factor analysis and an improved extreme learning machine from the perspective of carbon emission efficiency[J]. Journal of Cleaner Production, 2022, 338. DOI:10.1016/j.jclepro.2022.130414 |
| [21] |
石铁矛, 王迪, 汤煜, 等. 城市生态系统碳汇固碳能力计算方法与影响因素研究进展[J]. 应用生态学报, 2023, 34(2): 555-565. Shi T M, Wang D, Tang Y, et al. Research progress on calculation method and impact factors of carbon sequestration capacity in urban ecosystems[J]. Chinese Journal of Applied Ecology, 2023, 34(2): 555-565. |
| [22] |
李远航, 郝兴明, 张静静, 等. 近17 a阿克苏绿洲农田净碳汇功能的时空变化[J]. 干旱区研究, 2022, 39(4): 1303-1311. Li Y H, Hao X M, Zhang J J, et al. Spatial and temporal variation of net carbon sink function of farmland in Aksu oasis in the past 17 years[J]. Arid Zone Research, 2022, 39(4): 1303-1311. |
| [23] |
王莉, 刘莹莹, 张亚慧, 等. 河南省农田生态系统碳源/汇时空分布及影响因素分解[J]. 环境科学学报, 2022, 42(12): 410-422. Wang L, Liu Y Y, Zhang Y H, et al. Spatial and temporal distribution of carbon source/sink and decomposition of influencing factors in farmland ecosystem in Henan Province[J]. Acta Scientiae Circumstantiae, 2022, 42(12): 410-422. |
| [24] |
赵明月, 刘源鑫, 张雪艳. 农田生态系统碳汇研究进展[J]. 生态学报, 2022, 42(23): 9405-9416. Zhao M Y, Liu Y X, Zhang X Y. A review of research advances on carbon sinks in farmland ecosystems[J]. Acta Ecologica Sinica, 2022, 42(23): 9405-9416. |
| [25] | Campo J. Warming to increase cropland carbon sink[J]. Nature Climate Change, 2023, 13(2): 121-122. |
| [26] |
朱建华, 田宇, 李奇, 等. 中国森林生态系统碳汇现状与潜力[J]. 生态学报, 2023, 43(9): 3442-3457. Zhu J H, Tian Y, Li Q, et al. The current and potential carbon sink in forest ecosystem in China[J]. Acta Ecologica Sinica, 2023, 43(9): 3442-3457. |
| [27] | He X, Chen L Y, Huang Y. A study of forest carbon sink increment from the perspective of efficiency evaluation based on an inverse DEA model[J]. Forests, 2022, 13(10). DOI:10.3390/f13101563 |
| [28] | Alaniz A J, Carvajal M A, Marquet P A, et al. Analyzing the spatiotemporal patterns of forests carbon sink and sources between 2000 and 2019[J]. Earth's Future, 2022, 10(11). DOI:10.1029/2021ef002560 |
| [29] | Xu C, Wang B J, Chen J D. Forest carbon sink in China: linked drivers and long short-term memory network-based prediction[J]. Journal of Cleaner Production, 2022, 359. DOI:10.1016/j.jclepro.2022.132085 |
| [30] | Kong L Q, Lu F, Rao E M, et al. Carbon sink under different carbon density levels of forest and shrub, a case in Dongting lake basin, China[J]. Remote Sensing, 2022, 14(11). DOI:10.3390/rs14112672 |
| [31] | Zhao N, Wang K Q, Yuan Y N. Toward the carbon neutrality: Forest carbon sinks and its spatial spillover effect in China[J]. Ecological Economics, 2023, 209. DOI:10.1016/j.ecolecon.2023.107837 |
| [32] | Lyu X, Li X B, Wang K, et al. Strengthening grassland carbon source and sink management to enhance its contribution to regional carbon neutrality[J]. Ecological Indicators, 2023, 152. DOI:10.1016/j.ecolind.2023.110341 |
| [33] | Piao S L, He Y, Wang X H, et al. Estimation of China's terrestrial ecosystem carbon sink: methods, progress and prospects[J]. Science China Earth Sciences, 2022, 65(4): 641-651. DOI:10.1007/s11430-021-9892-6 |
| [34] |
朴世龙, 岳超, 丁金枝, 等. 试论陆地生态系统碳汇在"碳中和"目标中的作用[J]. 中国科学: 地球科学, 2022, 65(7): 1419-1426. Piao S L, Yue C, Ding J Z, et al. Perspectives on the role of terrestrial ecosystems in the 'carbon neutrality' strategy[J]. Science China Earth Sciences, 2022, 65(6): 1178-1186. |
| [35] |
周广胜, 周梦子, 周莉, 等. 中国陆地生态系统增汇潜力研究展望[J]. 科学通报, 2022, 67(31): 3625-3632. Zhou G S, Zhou M Z, Zhou L, et al. Advances in the carbon sink potential of terrestrial ecosystems in China[J]. Chinese Science Bulletin, 2022, 67(31): 3625-3632. |
| [36] |
许小明, 张晓萍, 何亮, 等. 黄土丘陵区不同恢复植被类型的固碳特征[J]. 环境科学, 2022, 43(11): 5263-5273. Xu X M, Zhang X P, He L, et al. Carbon sequestration characteristics of different restored vegetation types in Loess Hilly Region[J]. Environmental Science, 2022, 43(11): 5263-5273. |
| [37] | Ruehr S, Keenan T F, Williams C, et al. Evidence and attribution of the enhanced land carbon sink[J]. Nature Reviews Earth & Environment, 2023, 4(8): 518-534. |
| [38] | Wang M, Hu Z W, Wang X T, et al. Spatio-temporal variation of carbon sources and sinks in the Loess Plateau under different climatic conditions and land use types[J]. Forests, 2023, 14(8). DOI:10.3390/f14081640 |
| [39] |
方叶林, 程雪兰, 苏雪晴, 等. 一体化进程对旅游经济的空间溢出效应——以长三角城市群为例[J]. 地理科学, 2021, 41(9): 1546-1555. Fang Y L, Cheng X L, Su X Q, et al. The spatial spillover effect of integration progress on tourism economy: a case study of the Yangtze River Delta urban agglomeration[J]. Scientia Geographica Sinica, 2021, 41(9): 1546-1555. |
| [40] |
范擎宇, 杨山, 胡信. 耦合视角下长三角地区城镇化协调度的时空特征及交互机制[J]. 地理研究, 2020, 39(2): 289-302. Fan Q Y, Yang S, Hu X. Temporal and spatial characteristics and interaction process of urbanization coordination in the Yangtze River Delta region from the perspective of coupling[J]. Geographical Research, 2020, 39(2): 289-302. |
| [41] |
朱奕衡, 杨山, 尹上岗, 等. 长三角地区人口城镇化的空间极化过程及其演变格局研究[J]. 地理科学进展, 2022, 41(12): 2218-2230. Zhu Y H, Yang S, Yin S G, et al. Process of change of the spatial polarization of population urbanization in the Yangtze River Delta region[J]. Progress in Geography, 2022, 41(12): 2218-2230. DOI:10.18306/dlkxjz.2022.12.003 |
| [42] | Oda T, Maksyutov S, Andres R J. The open-source data inventory for anthropogenic CO2, version 2016 (ODIAC2016): a global monthly fossil fuel CO2 gridded emissions data product for tracer transport simulations and surface flux inversions[J]. Earth System Science Data, 2018, 10(1): 87-107. DOI:10.5194/essd-10-87-2018 |
| [43] |
李建豹. 城镇化碳排放效应及调控策略研究[M]. 南京: 南京大学出版社, 2021. Li J B. Carbon emission effect and control strategy of urbanization[M]. Nanjing: Nanjing University Press, 2021. |
| [44] |
赵荣钦, 张帅, 黄贤金, 等. 中原经济区县域碳收支空间分异及碳平衡分区[J]. 地理学报, 2014, 69(10): 1425-1437. Zhao R Q, Zhang S, Huang X J, et al. Spatial variation of carbon budget and carbon balance zoning of Central Plains Economic Region at county-level[J]. Acta Geographica Sinica, 2014, 69(10): 1425-1437. DOI:10.11821/dlxb201410003 |
| [45] |
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. DOI:10.11849/zrzyxb.2012.12.002 |
| [46] |
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. DOI:10.3969/j.issn.1000-6923.2023.03.028 |
| [47] |
黄若琳, 朱云, 张冰瑶, 等. 污染减排及新冠肺炎对广州空气质量影响分析[J]. 环境科学学报, 2023, 43(1): 204-215. Huang R L, Zhu Y, Zhang B Y, et al. Impact assessment of emission control policies and COVID-19 pandemic on air quality improvement in Guangzhou[J]. Acta Scientiae Circumstantiae, 2023, 43(1): 204-215. |
| [48] |
义白璐, 韩骥, 周翔, 等. 区域碳源碳汇的时空格局——以长三角地区为例[J]. 应用生态学报, 2015, 26(4): 973-980. Yi B L, Han J, Zhou X, et al. Spatiotemporal pattern of carbon sources and sinks in Yangtze River Delta region, China[J]. Chinese Journal of Applied Ecology, 2015, 26(4): 973-980. |
| [49] |
李建豹, 黄贤金, 揣小伟, 等. 长三角地区碳排放效率时空特征及影响因素分析[J]. 长江流域资源与环境, 2020, 29(7): 1486-1496. Li J B, Huang X J, Chuai X W, et al. Spatio-temporal characteristics and influencing factors of carbon emissions efficiency in the Yangtze River Delta region[J]. Resources and Environment in the Yangtze Basin, 2020, 29(7): 1486-1496. |
| [50] |
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. |