2024, Vol. 45
2. 兰州大学经济学院, 兰州 730000
2. School of Economics, Lanzhou University, Lanzhou 730000, China
据测算, 在工业化和城镇化进程的推动下, 全球土地利用造成的CO2排放量占人类活动碳排放总量的1/3[1], 土地利用对温室效应的贡献率约为24%[2], 是影响我国实现碳减排目标的关键因素. 有研究结果表明土地利用是影响碳循环过程的重要因素[3, 4], 不合理的土地利用结构会影响不同地类的碳源、碳汇功能, 如土壤储存碳和植被固碳能力下降等[5, 6]. 另外, 土地利用方式和强度的改变对能源消费格局变迁、区域碳循环速率都会产生重要影响[7]. 因此, 加强土地利用碳排放的研究, 有利于从土地利用规划和产业结构调控等方面推动土地的可持续化利用, 有利于构建生态文明建设新格局, 有利于“双碳”目标的实现, 对促进区域绿色低碳经济发展具有一定的现实意义.
目前, 国内外学者针对土地利用碳排放开展了一系列研究, 主要集中在土地利用碳排放的核算 [8]、强度或效率[9, 10]、与经济增长的关系[11]、时空分异特征研究[12~16]和影响因素[16~18], 以及碳补偿与预测[19]和低碳视角下的土地利用优化研究[20~22]等. 即通过微观角度测算土地利用带来的碳通量, 过渡到中观角度的土地利用碳排放时空格局及其影响因素研究, 继而从宏观角度提出土地利用减排路径. 其中, 土地利用碳排放影响因素研究中提到的影响因子主要包括经济发展水平、人口密度、城镇化水平、产业结构和能源消费结构等[16, 18, 23], 用到的研究方法有LMDI分解方法、面板数据回归、投入产出分析和STIRPAT模型等[15, 21, 24, 25]. 有学者根据IPCC温室气体清单中的土地利用模式, 建立不同土地利用类型的碳排放系数, 并在通过直接或间接计算方法揭示土地利用碳排放时空变化的基础上, 探讨了其空间关联特征. 如孙赫等[26]运用空间自相关方法探讨全国省级尺度土地利用碳排放强度的空间关联特征, 结果表明碳排放强度高值集聚区集中于沿海, 低值集聚区迁向内陆.
以上较为丰富的研究成果为本文土地利用碳排放的研究与分析提供了基础, 具有重要的参考价值, 但仍存在改进空间：①现有研究多基于国家、省级等较大尺度或独立的行政单元进行土地利用碳排放研究, 较少拓展到以城市为基本单元将跨行政区域的城市群作为研究对象. ②传统的收敛模型将各研究区域视作完全独立、没有相互作用的个体, 在研究区域差异收敛变化过程中未考虑地理空间效应的作用[27]. 基于以上两点, 本文以长江经济带三大城市群的70个城市样本为基本单元, 采用核密度估计方法和空间收敛模型对其土地利用碳排放动态演化、区域差异及收敛特征进行研究.
1 材料与方法 1.1 研究区域在城市协调发展的大背景下, 城市群逐渐成为加强城市之间优势互补、统筹东中西经济协调发展以及推动“双循环”新发展战略有效实施的重要基地. 本文选取长江经济带东、中、西部具有代表性的长江三角洲城市群、长江中游城市群和成渝城市群为研究对象（图 1）, 城市样本参照《长江三角洲城市群发展规划》[2016]1176号、《长江中游城市群发展规划》[2015]738号以及《成渝城市群发展规划》[2016]910号. 其中, 长江三角洲城市群作为“一带一路”和长江经济带的重要交汇点, 以上海为核心城市, 包括江苏、浙江和安徽3个省的26个城市, 在国家现代化建设和开放格局中的战略地位至关重要；以武汉为核心城市长江中游城市群, 包括湖北、湖南和江西三省31个城市, 是促进中部地区崛起战略的重点区域, 由于仙桃、潜江和天门的数据统计缺失比较严重, 所以选择将其剔除；成渝城市群由成都、重庆组成双中心辐射带动四川其余14个地级市以及重庆大部分区县在内的川渝两地发展, 是西部地区经济文化发展较好的唯一特大城市群.
|
图 1 长江经济带三大城市群 Fig. 1 Three urban agglomerations in the Yangtze River Economic Belt |
长江经济带三大城市群土地利用数据来自中国科学院资源环境科学与数据中心（http://www.resdc.cn/Datalist1.aspx?FieldTyepID=1, 3）Landsat TM人工目视解译数据, 采样为30 m的地类栅格, 通过ArcGIS10.7软件分地区统计土地利用类型图, 获取各城市各类土地利用面积数据. 能源数据来源于2011~2021年《中国能源统计年鉴》（各省份能源平衡表）, 各城市单位GDP能耗数据、农业生产活动及其他社会经济数据主要来源于2011~2021年《中国城市统计年鉴》《中国城市建设统计年鉴》以及各省市统计年鉴和统计局网站. 城市绿色专利授权量来源于国家知识产权局（SIPO）专利检索数据库. 个别缺失的数据通过相邻年份数据的线性插值填充.
2 研究方法 2.1 碳排放估算方法结合长江经济带三大城市群土地利用状况, 分类标准参照中国科学院土地利用分类体系, 将土地利用类型分为耕地、林地、草地、水域、建设用地（城乡、工矿、居民用地）和未利用地. 其中, 林地、草地、水域和未利用地为碳汇, 建设用地和耕地为碳源（因在化肥、农膜和农药的使用和生产以及农业灌溉和农机运输等活动中产生的碳排放远远大于碳吸收, 所以耕地作为碳汇的碳吸收量可以忽略不计）.
2.1.1 碳吸收计算参考以往研究[24, 28~30], 林地、草地、水域和未利用地的碳吸收采用直接系数法测算. 计算公式为：
|
(1) |
式中, E1为土地利用的碳吸收量；i为土地类型；Ti为第i类土地利用面积（hm2）；δi为第i类土地利用的碳吸收系数. 根据现有研究[24, 28~30], 并结合长江经济带三大城市群实际情况, 本文将林地、草地、水域和未利用地的碳吸收系数分别确定为-0.644、-0.021、-0.218和-0.005 t·hm-2.
2.1.2 耕地碳排放计算耕地碳排放主要来源于耕作过程中的各种投入, 如化肥的施用、农药和地膜的消耗和农业机械的使用等. 公式如下：
|
(2) |
式中, E2为耕地碳排放量；G1、G2、G3、G4、G5和G6分别为化肥折纯量、农药使用量、农用地膜使用量、农机总动力、有效灌溉面积以及农作物播种面积；g1、g2、g3、g4、g5和g6分别为对应的碳排放转换系数[31, 32], 如表 1.
|
表 1 耕地碳排放转换系数 Table 1 Conversion coefficient of cultivated land carbon emission |
2.1.3 建设用地碳排放计算
由于人类的生产和生活活动在建设用地利用过程中的碳排放效应主要通过消费大量能源产生. 因此, 本研究对其碳排放量采用间接估算的方法. 计算公式为：
|
(3) |
式中, Eb为b省（市）的建设用地碳排放；Ej为某城市各种能源的碳排放, j为能源类型, 本文选取8种主要能源：原煤、焦炭、汽油、原油、煤油、柴油、燃料油和天然气；mj为不同能源终端消费量；cj为2022年《中国能源统计年鉴》附录中各种能源折算成标准煤的系数；σj为联合国政府间IPCC《国家温室气体排放清单指南》[33]中各能源的碳排放系数. cj和σj取值如表 2.
|
|
表 2 不同能源标准煤折算系数和碳排放系数 Table 2 Standard coal conversion coefficients and carbon emission coefficients of different energy |
由于各城市能源消耗数据的不可获取性, 参考已有研究成果[3, 16, 34], 以单位GDP能耗数据为基础, 折算各城市建设用地碳排放总量. 各城市能源消费总量可以通过单位GDP能耗间接获得, 并且建设用地的能源消费是能耗中最主要的. 因此, 省内各市能源消费比重可以在一定程度上反映各市建设用地碳排放情况. 其计算公式为：
|
(4) |
式中, E3为b省n市的建设用地碳排放总量；En为n市能源消耗总量；GDPn为n市当年地区生产总值；Pn为n市单位GDP能耗.
2.1.4 土地利用碳排放总量计算土地利用碳排放总量为各用地类型碳排放量与碳吸收量的总和：
|
(5) |
式中, CE为土地利用碳排放总量, 即土地利用净碳排放量, 本文中统称为土地利用碳排放.
2.2 空间β收敛模型收敛是指随着时间的推移, 土地利用碳排放较高的区域以更高的下降速度以赶上土地利用碳排放较低的区域, 并且两者之间的差距逐渐缩小, 最终达到相同的稳态水平. 本文基于综合空间计量理论和面板数据模型的优点, 引入空间面板模型开展收敛性分析, 构建分别基于空间滞后模型（SAR）、空间误差模型（SEM）和空间杜宾模型（SDM）的绝对β收敛和条件β收敛[35]. 绝对β收敛模型如下：
|
(6) |
|
(7) |
|
(8) |
式中, cei, t+1和cei, t分别为i城市t+1和t时期的土地利用碳排放量；
条件β收敛模型与绝对β收敛模型的区别在于是否控制了其他影响因素, 即讨论在对土地利用碳排放具有重要影响的一系列条件下, 区域土地利用碳排放是否表现出收敛趋势, 具体模型如下：
|
(9) |
|
(10) |
|
(11) |
式中, Xi, t为影响土地利用碳排放的一系列控制变量；δ为参数向量；ψ为控制变量的空间滞后系数, 其他符号含义与绝对β收敛模型一致.
3 土地利用碳排放的时空格局分析 3.1 土地利用碳源和碳汇结构变化通过土地利用碳排放测算结果可以看出（表 3）, 2010~2020年, 长江经济带土地利用碳排放量呈现先增后减的趋势. 2010~2017年, 碳排放总量从3.24 × 108 t增长到3.91×108 t；2017~2020年, 长江经济带土地利用碳排放总量减少为3.56 × 108 t. 一方面, 耕地和建设用地两大碳源中, 建设用地对碳排放量的贡献较大, 占95%左右, 并且其比例逐渐增加, 而耕地碳排放比例呈下降趋势. 另一方面, 林地、草地、水域和未利用地这4种碳汇中, 林地占碳吸收量的比例最大, 约94.04%, 其次是水域, 草地和未利用地的碳吸收占比较小.
|
|
表 3 长江经济带土地利用碳源和碳汇结构变化 Table 3 Changes in carbon source and carbon sink structure of land use in the Yangtze River Economic Belt |
由图 2可以看出, 三大城市群的土地利用碳源及碳汇结构同长江经济带总体相似, 建设用地和林地分别占碳排放量、碳吸收量的比例最大, 并且在研究期内波动较小. 碳源结构中, 就2010~2020年平均耕地碳排放占比而言, 长江中游城市群最大, 成渝城市群次之, 长江三角洲城市群最小, 但是其比例均未超过7%. 碳汇结构中, 就水域碳吸收占比而言, 长江三角洲城市群远大于长江中游城市群和成渝城市群, 高达12%左右, 其原因是长江三角洲平原地势低平坦荡、河网如织、湖荡众多以及高耗水的工业较少；成渝城市群的林地占比最高, 因为成渝地区总体以山地丘陵为主；草地和未利用地的碳吸收量在三大城市群碳吸收总量中占比都很小, 其中未利用地占比不足0.1%. 同时, 根据三大城市群的土地利用碳排放和碳吸收的绝对量可知, 4类碳汇的碳吸收对于两类碳源的碳排放作用很小.
|
（a）碳源结构, （b）碳汇结构；1.长江三角洲城市群, 2.长江中游城市群, 3.成渝城市群 图 2 城市群土地利用碳源和碳汇结构变化 Fig. 2 Changes in carbon source and carbon sink structure of land use in urban agglomeration |
具体分析各城市群碳源、碳汇结构变化可以发现如下特征：①长江三角洲城市群, 由于城镇化的主导趋势, 建设用地碳排放占比增长、耕地碳排放占比减少, 而林地碳吸收占比增加是因为改革开放后浙江地区实施的限额采伐、林业生产责任制等生态保护措施, 以及各地区对生态建设工程的高度重视. ②长江中游城市群, 土地利用碳排放变化主要体现在建设用地的增长与耕地的减少, 其他地类结构变化均不显著. ③成渝城市群, 建设用地碳排放增加同样是受到城市化的影响, 而水域碳汇作用增强说明其江河湖泊水系整治成效显著.
3.2 土地利用碳排放时序差异的动态演进采用核密度估计法绘制出长江经济带及其三大城市群土地利用碳排放分布曲线（图 3）, 以此揭示土地利用碳排放的动态演进特征. 长江经济带总体层面上, 其分布曲线经历了“右移-左移”的变化过程, 其原因是建设用地能源消耗引起的碳排放量逐年增加, 而林地和水域作为主要碳汇, 其碳吸收量却没有明显增加. 同时, 右移幅度较小表示碳排放增势缓慢, 因为2010年后, 我国政府提出建设长江经济带绿色生态廊道, 强调产业升级和降低经济发展能源消耗水平. 主峰高度上升, 宽度先拓宽后变窄, 表明城市之间绝对差异存在先扩大后缩小的趋势. 波峰数量可以看出存在较为明显的主峰与次峰共存现象, 曲线次峰峰度逐渐陡峭, 说明长江经济带土地利用碳排放具有两极或多极分化现象.
|
横坐标为土地利用碳排放数据标准化后的数值 图 3 土地利用碳排放动态演进 Fig. 3 Dynamic evolution of land use carbon emissions |
城市群层面：①从分布位置和形态来看, 2010~2020年, 长江三角洲和成渝城市群核密度曲线主峰值均先上升后下降, 主峰的宽度先增大后减少, 表明城市之间的绝对差异先扩大后缩小. 长江中游城市群峰值持续上升, 宽度在研究期内总体上减少, 说明碳排放绝对差距为缩小趋势. 分布曲线呈现明显的“右移-左移”变化趋势, 碳排放先增后减. ②从延展性来看, 三大城市群的曲线右侧拖尾显著, 但未见抬厚的现象, 说明城市群内部各城市之间差异没有继续扩大的趋势. 因为在城市群内各城市单元之间的合作日益紧密的背景下, 行政边界和初始禀赋对要素流动的影响逐渐减弱, 会降低核密度曲线的波动性和分布状态的异质性. ③从波峰数量来看, 长江三角洲城市群分布曲线具有明显的“一主一小”双峰格局, 土地利用碳排放存在分散的区域集聚特征. 长江中游和成渝城市群核密度曲线基本由多峰构成, 存在由多峰向双峰转变的趋势, 侧峰数量逐渐减少且高度总体上降低, 宽度变大, 表明土地利用碳排放多极化现象在逐渐减弱.
3.3 土地利用碳排放的空间分布特征为了更加直观地了解城市群内部土地利用碳排放情况, 利用ArcGIS软件自然间断点法将2010、2013、2016和2020年各城市单元的碳排放量分为5个层级, 得到三大城市群的土地利用碳排放空间格局（图 4）.
|
图 4 土地利用碳排放空间分布 Fig. 4 Spatial distribution of land use carbon emissions |
（1）长江三角洲城市群 2010年, 作为中心城市的上海的土地利用碳排放量达到最高层级, 并在研究期内一直处于最高层级. 到2013年, 南京、合肥和扬州的土地利用碳排放量均有跨层上升, 分别从第三级上升到第四级、第二级上升到第三级以及第一级上升到第二级, 其他部分城市的碳排量也都有较大幅度的增加. 根据图 2的基础数据可知, 2010~2013年内, 建设用地碳排放增加了10.01%, 并且未利用地碳吸收量减少约26.79%. 因此, 城市群内大多数城市的土地利用碳排放大幅度增加是因为随着长江三角洲城市群经济发展和城市化进程的加速, 原有建设用地的扩大, 同时增加了更多的建设用地集聚区, 导致上海及其辐射范围内城市的土地利用碳排放增加较为显著. 到2016年, 盐城有短暂的增加趋势, 但其他各个城市的土地利用碳排放变化均较小. 同样由各地类碳排放测算结果可知, 2013~2016年内, 耕地碳排放量由648.28万t减少到617.15万t. 所以在此期间土地利用碳排放变化量较小的原因可能是长江三角洲城市群在此时期内的城镇扩展主要依靠农业用地流转加速, 将耕地流转为建设用地, 并未进一步新扩展建设用地. 到2020年, 大部分城市的土地利用碳排放均逐渐减少, 但其幅度未跨越层级, 仅有安庆从第二层级下降到第一层级. 其原因是各地区在低碳经济的发展模式下, 着力解决传统能源产能过剩、能源综合系统运行效率低下等突出问题, 持续推进能源供给侧结构性改革, 纠正能源配置扭曲, 调整产业结构等措施初见成效.
（2）长江中游城市群 2010年, 其中心城市武汉的土地利用碳排放量是最多的, 达到第五级, 并在以后时期一直保持高排放. 到2013年, 大部分城市土地利用碳排放均有跨层级增加, 如荆州、娄底和萍乡等, 而宜昌出现碳排放减少的现象. 由于宜昌是三峡工程所在地, 其水电清洁能源优势突出, 并且在此期间, 宜昌磷化工循环经济发展模式初步建成, 合成氨、水泥熟料和黄磷等产品综合能耗有较大程度降低, 且达到国内先进水平, 化工、冶金、建材三大耗能行业节能减排工作走在全国和全省前列. 到2016年, 各城市土地利用碳排放持续上升, 长沙和湘潭土地利用碳排放量增加到第四级, 常德也发生跨层级式增长, 从第一层级上升到第二层级. 相比长江三角洲城市群2013~2016年各城市土地利用碳排放变化量较小的现象, 长江中游城市群内各城市土地利用碳排放的持续上升是因为其经济发展和城市化进程相对缓慢, 导致建设用地在此期间仍在继续扩展. 到2020年, 大部分城市的土地利用碳排放量均有下降趋势, 如荆州、常德和宜昌等, 其中湘潭从第四层级又减少到第三层级, 其原因是近几年我国对节能减排和低碳经济发展重要性的持续强调.
（3）成渝城市群 2010年, 其核心城市重庆的土地利用碳排放占据第五级；到2013年, 作为成渝城市群的另一核心城市成都达到第五级, 其他城市土地利用碳排放均有增加, 如绵阳从第一层级上升到第二层级；到2016年, 常德有增加趋势, 而绵阳的土地利用碳排放量又减少到最低层级, 乐山也从最初的第二层级下降到最低层级；到2020年, 在大部分城市的土地利用碳排放在逐渐减少的同时, 绵阳和乐山的土地利用碳排放量却又回升到第二层级, 其原因可能是这两个城市同样作为环成都城市圈和成渝发展主轴上的两个副中心城市, 其发展水平受到核心城市不同程度的辐射和虹吸效应, 导致其土地利用效益不稳定.
4 空间收敛性分析以上分析表明长江经济带城市群土地利用碳排放存在明显的差异, 低碳经济发展不平衡不充分, 但随着时间的推移, 差异有所减小. 为进一步研究城市群土地利用碳排放内部差异的变化情况和增速的追赶趋势, 对长江经济带及三大城市群的土地利用碳排放分别进行β收敛性检验, 若不存在收敛现象, 将不利于区域低碳经济的协同发展, 继而影响长江经济带总体碳减排目标的实现. 其中, 绝对β收敛具有严格的假设前提条件, 即所有区域的技术、产业结构、经济发展等处于相同水平下, 主要分析城市群内部城市的增长速度是否趋同, 以研究土地利用碳排放相对较低地区是否有追赶较高地区的趋势；条件β收敛考虑了不同区域之间在技术、产业结构和经济发展水平等方面的差异, 具体分析城市群内部城市能否收敛于自身的稳定水平, 它允许土地利用碳排放水平较高与较低地区的差距存在, 并且具备各自的收敛路径. 同时, 不同控制变量和地理空间效应对土地利用碳排放收敛的影响都是值得人们研究和探讨的问题.
4.1 空间自相关分析本文预先采用Moran's I检验土地利用碳排放的空间相关性, 以此保证后续收敛检验模型设定的准确性.
4.1.1 全局空间自相关通过2010~2020年长江经济带土地利用碳排放的全局Moran's I可以看出（表 4）, 指数均大于0, 且都通过95%的显著水平检验, 说明土地利用碳排放高（低）的城市呈集聚发展态势, 即具有显著的空间正相关性. 同时, 考察期内全局Moran's I指数值呈波动式下降趋势, 从2010年的0.470减少至2020年的0.259, 表明土地利用碳排放情况相似城市的空间相互作用逐渐减弱, 但总体上仍处于显著的集聚状态.
|
|
表 4 2010~2020年长江经济带土地利用碳排放全局空间自相关结果 Table 4 Global spatial autocorrelation results of carbon emissions from land use in the Yangtze River Economic Belt from 2010 to 2020 |
4.1.2 局部空间自相关
全局Moran's I不能反映具体城市之间的空间关系, 因此本研究通过计算70个城市样本2010、2013、2016和2020年的局部Moran's I, 借助ArcGIS软件绘制LISA集聚图进一步揭示各城市群内部城市的空间关联特征（图 5）. 2010年, 高值集聚中心主要分布在长江三角洲城市群内的上海、无锡、南京、宁波和杭州, 此外还包括长江中游城市群的武汉、长沙和成渝城市群内的成都, 这些地区由于在持续追求经济增长目标的同时忽视了生态环境的重要性造成土地利用结构不合理, 从而导致高碳排放. 低-低集聚区主要分布在长江中游和成渝城市群, 低-高集聚区只有舟山, 且不存在高-低集聚区. 2010~2013年, 高-高集聚区主要增加常州、绍兴和合肥这3个城市, 仍都属于长江三角洲城市群, 说明这一时期内, 长江三角洲城市群内部一些城市受到高排放城市的影响. 长江中游和成渝城市群内某些低值集聚中心消失, 如益阳和雅安. 此外, 由于金华临近处于低-高集聚区的舟山, 其低-高集聚特征也开始显著. 2013~2016年, 长江三角洲城市群内高-高集聚区无较大变化, 而低-低集聚区在长江中游和成渝城市群内呈现组团发展趋势, 低值孤立点仍然只有舟山和金华两个城市. 到2020年, 低-低集聚区仍出现在长江中游和成渝城市群, 但低-低集聚区数量明显减少, 说明其集聚范围收缩, 重庆出现新的高值孤立点. 总之, 随着时间的推移, 长江经济带土地利用碳排放的集聚特征有逐渐减弱的趋势, 这与全局Moran's I结果相适应.
|
图 5 土地利用碳排放LISA集聚 Fig. 5 LISA aggregation of land use carbon emissions |
从空间相关性检验结果可以看出（表 5）：在绝对β收敛中, 长江经济带LM（error）和LM（lag）都通过1%的显著性水平检验, R-LM检验也通过, 但R-LM（lag）的I统计量大于R- LM（error）, 且LR检验不显著, 因此长江经济带在进行土地利用碳排放绝对β收敛分析时采用SAR更优. 同理可以判断出长江三角洲、长江中游和成渝城市群分别选择SEM、SAR和SAR. 条件β收敛空间相关性检验结果显示, 除长江三角洲城市群选择SEM外, 长江经济带、长江中游和成渝城市群均采用SDM更为合适. 同时, 根据Hausman检验确定本研究的空间β收敛分析均采用固定效应模型.
|
|
表 5 空间相关性检验1） Table 5 Spatial correlation test |
4.2.1 绝对β收敛分析
长江经济带及各城市群土地利用碳排放的绝对β收敛结果表明（表 6）：①长江经济带及三大城市群均存在绝对β收敛, 并且在1%的置信水平下收敛系数β均显著为负, 这表明如果不考虑一系列经济和社会等因素对土地利用CO2排放的影响, 土地利用碳排放水平与其增长率呈负向相关, 从而证明低土地利用碳排放地区对高碳排放地区具有追赶效应. 长期来看, 随着时间的推移, 区域内部土地利用碳排放差距将逐渐缩小, 长江经济带及三大城市群土地利用碳排放会收敛于稳态水平. ②长江经济带及各城市群土地利用碳排放的收敛速度不同, 收敛速度分别为4.57%、3.37%、4.77%和4.60%. 其中, 只有长江三角洲城市群低于长江经济带平均水平, 因为其土地利用碳排放在2010~2020年间减少量已经相对较大, 即离均衡状态距离较近, 根据收敛原理可知, 与其均衡状态距离越近, 收敛速度越慢. 而长江中游和成渝城市群存在较高的收敛速度, 其原因是城市群内部各城市虽然前期土地利用碳排放较高, 具有更大的空间进行产业调整和优化, 碳排放下降速度会更快. ③长江经济带及各城市群表现出不同的空间效应. 长江经济带、长江中游和成渝城市群存在被解释变量的空间滞后, 系数ρ均通过1%的显著性水平检验, 其值分别为0.283 5、0.310 3和-1.255 4, 表明长江中游城市群土地利用碳排放变化率受到其他城市土地利用碳排放变化率的正向空间溢出的影响, 而成渝城市群受到负向空间溢出的影响, 其原因是在推进区域协同减排治理方面, 长江中游城市群内部协调效果较明显, 各城市之间有效发挥了积极辐射作用. 此外, 长江三角洲城市群存在空间误差滞后, 空间误差系数为-1.2372, 且通过了1%的显著性水平检验, 意味着在观察期内的土地利用碳排放演变过程中, 城市群内各城市土地利用碳排放变化率与相邻城市间及整个系统内的土地利用碳排放变化呈负相关关系.
|
|
表 6 绝对β收敛结果1） Table 6 Absolute β convergence results |
4.2.2 条件β收敛分析
（1）变量设定 依据相关理论假设并综合现有研究中土地利用碳排放的影响因素[36~39], 本文选取以下变量讨论土地利用碳排放的条件β收敛趋势（表 7）. ①经济发展水平（PGDP）：经济发展水平可以反映一个城市的发展状况, 但不同经济发展阶段的能源消费水平和产业结构特征有所不同, 而建设用地的碳排放量是通过能源消费间接测算得到, 因此, 区域经济发展水平会影响土地利用碳排放. 本文选取人均GDP来代表地区经济发展水平. ②城镇化水平（UR）：城镇化水平是衡量经济发展情况的重要指标, 虽然发展水平越高, 对产能升级、绿色投入的推动就越强, 对降低碳排放量的余力越大, 但城镇化也是区域土地利用格局和强度改变的根本驱动力. 本研究选择以二三产就业人员占总就业人数比重表示城镇化水平. ③产业结构（STR）：第二产业与第三产业之间的用地发生转移影响碳源/碳汇比例, 产业结构升级、产业集聚与区域经济增长收敛性的相互作用在一定程度上也会影响土地利用碳排放水平的收敛趋势, 本文选择第二产业增加值占GDP比重衡量地区产业结构. ④人口密度（POPD）：人口数量增加导致人类生产生活活动过程中能源消费增加, 最终会体现在土地承载的能源消耗带来的碳排放量增加上, 因而本研究将人口密度指标作为影响变量. ⑤环境规制（ER）：土地利用不仅消耗大量自然资源, 而且通过人类活动产生大量污染物. 在绿色发展理念下, 环境规制影响建设用地集约水平, 使用搜索的方式计算每年政府工作报告中“环保”词汇占总词数比例表征环境规制. ⑥绿色技术创新（GTI）：绿色技术创新可以提高能源利用的效率和推动清洁能源或可再生能源的发展, 进而影响土地利用碳排放. 本文用绿色发明专利和绿色实用新型专利总申请数作为地区绿色技术创新水平. ⑦政府干预（GOV）：在一定程度上, 政府倾斜性的减碳政策和技术扶持政策会促进相对落后地区技术、知识、创新等要素的积累, 从而使落后地区能够合理利用土地, 缩小区域差距, 实现土地利用CO2排放趋于收敛, 本文选取地区一般预算支出衡量政府干预.
|
|
表 7 变量描述与说明 Table 7 Variable description and explanation |
（2）结果分析 由表 8条件β收敛估计结果可知, 第一, 存在条件β收敛态势. 收敛系数β分别为-0.434 9、-0.313 5、-0.612 8和-0.542 8, 且通过1%的显著性水平检验, 表明在考虑了经济发展水平、城镇化水平、产业结构、人口密度和环境规制等因素后, β收敛态势仍然存在. 第二, 长江经济带及各城市群的条件β收敛速度均大于绝对β收敛速度. 说明考虑土地利用碳排放的各影响因素之后, 各区域能以较高的速度收敛于自身的稳定水平, 但各区域的稳态水平可能存在较大差异, 并且长江三角洲城市群的收敛速度仍然最低. 第三, 与绝对β收敛分析相比, 长江经济带、长江中游和成渝城市群的空间相关形式由SAR转变成SDM, 而长江三角洲城市群仍然保持SEM空间效应. 此外, 空间滞后系数ρ及空间误差系数λ均通过1%的显著性水平.
|
|
表 8 条件β收敛结果1） Table 8 Conditional β convergence results |
从各控制变量来看, 长江经济带区域内的本城市土地利用碳排放变化率受到其他城市人口密度（POPD）的正向空间溢出影响, 即相邻地区人口密度的增加将导致本地区土地利用碳排放增速上升, 因为人口密度的增加会促进相邻城市的人口流出, 从而使得本城市由于人类生产活动引起的能源消耗上升. 此外, 经济发展水平、城镇化水平、产业结构和环境规制等其它因素对土地利用碳排放变化率的影响具有区域差异性.
经济发展水平（PGDP）, 长江经济带整体上的空间溢出作用显著；长江三角洲城市群的系数显著为负, 表明经济发展水平提高对土地利用碳排放增长率具有抑制作用, 有利于促进土地利用碳排放收敛趋势；长江中游城市群的系数显著为正, 说明其经济发展水平提升仍然依赖于工业生产部门；成渝城市群的系数和空间溢出效应均未通过显著性检验. 由以上结果分析可以发现, 可能存在某一临界值, 当人均GDP小于临界值时, 土地利用碳排放会随着经济发展水平的提高而增加, 但随着经济发展水平的进一步提高, 人均GDP超过临界值后, 提升经济发展水平, 对土地利用碳排放的增长率会有一定程度的控制作用[40].
城镇化水平（UR）和产业结构（STR）, 长江中游和成渝城市群内的本城市土地利用碳排放变化率受到相邻城市城镇化水平和产业结构的正向空间溢出影响, 表明相邻城市城镇化水平和产业结构的提升将导致本地区土地利用碳排放增速上升, 其进程可以缩小与稳态水平的距离, 从而有利于缩小区域内土地利用碳排放差异. 长江中游和成渝城市群产业结构对其自身土地利用碳排放变化率的影响均未通过显著性检验, 但城镇化水平的作用显著且方向相反. 具体而言, 长江中游城市群城镇化水平对其土地利用碳排放增长率的影响通过了1%的显著性检验, 系数为正, 由于城镇化进程促使劳动力向二三产业转移以及城市土地的大规模开发, 导致由生产生活活动引起的能源消耗增加, 因此城镇化水平提高将导致土地利用碳排放增速上升；成渝城市群城镇化水平对其土地利用碳排放增速的影响显著为负, 说明虽然城镇化程度越高, 碳排放量越大, 但随着工业化水平的提升和产业结构的优化升级, 碳排放增速会逐步降低. 这与齐昕等[41]运用“环境库兹涅茨曲线”理论证实城镇化水平与碳排放之间存在着较为明显的倒“U”型曲线关系的结论相一致.
环境规制（ER）, 长江三角洲城市群环境规制对土地利用碳排放增长率的影响为正, 并通过5%的显著性检验, 与长江经济带整体效应一致, 因为环境规制的提高主要表现在对生态环境的末端治理, 但并未消除大气污染问题, 而且治理过程中也会产生大量CO2气体. 长江中游城市群环境规制的空间影响系数显著为正, 同样与长江经济带整体空间效应一致, 说明本城市土地利用碳排放变化率受到相邻城市环境规制的正向空间溢出影响, 造成这种现象的原因是相邻城市环境规制强度提高后, 部分污染密集型和高排放的企业为逃避由其带来的环境经济成本, 并且考虑到与本市在产业结构、消费习惯等方面的相似性, 会选择将企业向本市转移, 造成本城市土地利用碳排放增长率加速[42, 43].
绿色技术创新（GTI）, 长江经济带整体上的空间影响系数显著为负, 但对各城市群内的城市本身和相邻城市的土地利用碳排放变化率的影响均未通过显著性检验, 表明企业技术的外溢、转移和扩散使其缺乏创新动力, 致使绿色技术创新动力不足, 缺乏较强的低碳技术研发意愿[44].
政府干预（GOV）, 长江经济带和成渝城市群政府干预的提升对本地区土地利用碳排放变化率的影响为正, 且通过5%的显著性水平检验, 表明政府想通过财政手段鼓励高新技术产业发展、提升企业科技水平, 以此加快高碳产业低碳化和低碳产业低污染化进程的效果并不理想, 反而提高了土地利用碳排放增速, 因为企业在低碳化运作下的代价、收益存在不对等的情况, 环境资源与经济利益之间的尖锐矛盾会导致政府鼓励的低碳政策失灵[45]. 相反, 其空间系数均显著为负, 说明相邻城市的财政支出提升显著降低了本地土地利用碳排放量增长率, 证明成渝城市群各城市之间在财政支出和碳减排工作中为良性竞争[46].
5 讨论近年来, “低碳化”已经成为长江经济带城市群区域政策和规划的必要指向与发展趋势, 而土地作为新型城镇化的物质载体, 如何将“低碳减排”的理念贯彻落实到土地利用的优化配置上, 是构建资源节约型和环境友好型城市群不可忽略的问题. 在此现实背景下, 实现生态环境与土地利用的协调融合、增强区域发展的平衡性, 成为长江经济带可持续发展的必然选择. 因此, 本文以城市为基本单元, 科学测算长江经济带2010~2020年土地利用碳排放, 并在考虑地理空间效应的条件下对土地利用碳排放收敛特征进行研究, 对长江经济带三大城市群土地利用结构调整优化及经济低碳发展具有重要意义. 基于研究结果, 未来降低土地利用碳排放可从以下4点给予考虑.
一是优化土地利用结构, 管控建设用地规模, 同时加强林地、水域等碳汇空间保护. 城市建设扩张的同时要兼顾生态环境, 确保合理控制各项用地类型面积的开发规模与边界, 加强对林地、草地等碳汇功能的保护, 增加绿地面积和森林覆盖率, 适度实施退耕还林还草、还湖还湿, 限制森林采伐, 通过植树造林改善未利用地, 从而夯实环境基础, 保证城市的良性循环发展.
二是利用空间溢出效应, 推进长江经济带各地区土地利用碳排放的共同减少. 基于各城市群的空间结构, 优化土地利用碳排放的空间互动环境, 畅通区域间资源要素流动路径, 如发挥长江中游城市群土地利用碳排放低阶区对邻近地区的正向溢出作用, 实现地区之间的协同减排. 此外, 长江经济带碳减排实施过程中应充分重视土地利用碳排放存在的空间交互作用, 关注邻近地区的要素变化和减排政策影响, 可通过搭建信息共享平台, 实现人力资源、清洁能源技术等区域溢出红利, 从而加强区域间合作, 协同推动低碳经济发展.
三是顺应区域收敛之势, 制定差异化减排政策, 缩小土地利用碳排放区域差异. 首先, 探索制定适用于长江经济带不同城市群的土地利用碳排放标准, 尝试建立碳汇空间占用与补偿平衡机制. 其次, 长江经济带及各城市群具有显著的β收敛特征, 可以加强各城市群内的区域合作, 充分发挥各自优势, 共同治理污染等问题, 有效推进减排政策的实施. 最后, 虽然长江经济带、长江中游和成渝城市群内各城市之间的土地利用碳排放差距较大, 但土地利用碳排放较高地区对较低地区具有较快的追赶趋势. 长江三角洲城市群需要进一步提高土地利用碳排放偏高地区对低阶地区的追赶速度, 通过地区间人才引进与培养、互相合作学习以及实施更为严格的环境规制加快不同地区土地利用碳排放的收敛, 使其能较快地自动收敛到其自身稳态水平.
四是继续加大绿色技术创新和政府财政支持, 发挥其对土地利用碳排放收敛的正向作用. 其一, 加快科技成果的转化, 降低其发挥碳减排效果的滞后性, 在稳步减排的同时缩减土地利用的资源成本, 提高土地利用效率. 其二, 经济发达地区在注重转变经济增长方式的同时可借助政府支持加快实施创新驱动战略, 打造以各城市群中心城市为核心的科技创新中心；经济发展水平较低的地区需加大政府支持力度, 加快优化土地利用结构, 增强政府干预的碳抑制作用, 如提高区域环境监管水平, 为绿色用地产业提供优惠等鼓励政策.
6 结论（1）土地利用视角碳排放测算结果显示, 林地、水域、草地和未利用地的碳吸收相较于耕地和建设用地的碳排放而言较小. 其中, 建设用地是最主要的碳源, 碳排放贡献率维持在95%左右, 并且其碳排放逐渐增加, 而耕地碳排放比例不断下降, 占比由5.55%下降到4.60%. 林地为主要碳汇, 其碳吸收占比高达约94%, 水域占比约5%, 而草地和未利用占比不到1%.
（2）长江经济带地区跨度较大, 三大城市群的土地利用碳排放特征存在差异. 不同城市群的核密度曲线呈现不同的分布形态、延展性以及极化特征, 但总体上逐渐向平衡趋势演变.
（3）长江经济带2010~2020年土地利用碳排放整体上呈现先增后减和东高西低的时空特征. 具体而言, 上海、武汉、成都和重庆均属于所在城市群的中心城市, 其土地利用碳排放量稳居最高层级, 分别达到2 817.26、2 732.55、2 665.71和2 386.90万t, 城市经济发展水平与生态环境之间还未建立起稳固的耦合机制. 同时, 工业较为发达的地区, 如南京、苏州和长沙等, 其土地利用碳排放总量也处于较高层级, 为1 500万t左右.
（4）长江经济带及三大城市群的土地利用碳排放均存在显著的绝对β收敛和条件β收敛, 且条件收敛速度均大于绝对收敛速度, 长江三角洲城市群的收敛速度最慢, 其绝对收敛和条件收敛速度分别为0.033 7和0.034 2. 在各控制变量中, 除人口密度的空间效应作用相同外, 三大城市群的经济发展水平、城镇化水平、产业结构和环境规制等因素对土地利用碳排放增长率的影响具有区域差异性.
| [1] | Houghton R A, Hackler J L. Emissions of carbon from forestry and land-use change in tropical Asia[J]. Global Change Biology, 1999, 5(4): 481-492. DOI:10.1046/j.1365-2486.1999.00244.x |
| [2] | Goldewijk K K, Ramankutty N. Land cover change over the last three centuries due to human activities: the availability of new global data sets[J]. GeoJournal, 2004, 61(4): 335-344. DOI:10.1007/s10708-004-5050-z |
| [3] |
孙贤斌. 安徽省会经济圈土地利用变化的碳排放效益[J]. 自然资源学报, 2012, 27(3): 394-401. Sun X B. Effects of carbon emission by land use patterns in Hefei's economic circle of Anhui province[J]. Journal of Natural Resources, 2012, 27(3): 394-401. |
| [4] | Stuiver M. Atmospheric carbon dioxide and carbon reservoir changes[J]. Science, 1978, 199(4326): 253-258. DOI:10.1126/science.199.4326.253 |
| [5] |
李波, 刘雪琪, 梅倩, 等. 湖北省农地利用方式变化的碳效应特征与空间差异[J]. 中国人口·资源与环境, 2018, 28(10): 62-70. Li B, Liu X Q, Mei Q, et al. Study on carbon effects and spatial differences based on changes of agricultural land use in Hubei province[J]. China Population, Resources and Environment, 2018, 28(10): 62-70. |
| [6] |
杨皓然, 吴群. 不同政策方案下的南京市土地利用碳排放动态模拟[J]. 地域研究与开发, 2021, 40(3): 121-126. Yang H R, Wu Q. Dynamic simulation of carbon emissions from land use in Nanjing city under different policy scenarios[J]. Areal Research and Development, 2021, 40(3): 121-126. |
| [7] |
彭文甫, 周介铭, 徐新良, 等. 基于土地利用变化的四川省碳排放与碳足迹效应及时空格局[J]. 生态学报, 2016, 36(22): 7244-7259. Peng W F, Zhou J M, Xu X L, et al. Effect of land use changes on the temporal and spatial patterns of carbon emissions and carbon footprints in the Sichuan province of western China, from 1990 to 2010[J]. Acta Ecologica Sinica, 2016, 36(22): 7244-7259. |
| [8] | Liu Z, Guan D B, Wei W, et al. Reduced carbon emission estimates from fossil fuel combustion and cement production in China[J]. Nature, 2015, 524(7565): 335-338. DOI:10.1038/nature14677 |
| [9] |
周嘉, 杨琳, 董美娜, 等. 基于土地利用的哈尔滨市2004-2012年碳排放强度变化分析[J]. 地理科学, 2015, 35(3): 322-327. Zhou J, Yang L, Dong M N, et al. Carbon emissions intensity change analysis based on land use in Harbin city from 2004 to 2012[J]. Scientia Geographica Sinica, 2015, 35(3): 322-327. |
| [10] |
冯薇, 赵荣钦, 谢志祥, 等. 碳中和目标下土地利用碳排放效率及其时空格局——以黄河流域72个地级市为例[J]. 中国土地科学, 2023, 37(1): 102-113. Feng W, Zhao R Q, Xie Z X, et al. Land use carbon emission efficiency and its spatial-temporal pattern under carbon neutral target: A case study of 72 cities in the Yellow River Basin[J]. China Land Science, 2023, 37(1): 102-113. |
| [11] |
黄鑫, 邢秀为, 程文仕. 土地利用碳排放与GDP含金量的脱钩关系及驱动因素[J]. 地域研究与开发, 2020, 39(3): 156-161. Huang X, Xie X W, Cheng W S. Decoupling and driving factors related analysis between the carbon emissions of different land use types and GDP gold content[J]. Areal Research and Development, 2020, 39(3): 156-161. |
| [12] |
苑韶峰, 唐奕钰. 低碳视角下长江经济带土地利用碳排放的空间分异[J]. 经济地理, 2019, 39(2): 190-198. Yuan S F, Tang Y Y. Spatial differentiation of land use carbon emission in the Yangtze River Economic Belt based on low carbon perspective[J]. Economic Geography, 2019, 39(2): 190-198. |
| [13] |
李彦旻, 沈育生, 王世航. 基于土地利用变化的安徽省陆地碳排放时空特征及效应[J]. 水土保持学报, 2022, 36(1): 182-188. Li Y M, Shen Y S, Wang S H. Spatio-temporal characteristics and effects of terrestrial carbon emissions based on land use change in Anhui province[J]. Journal of Soil and Water Conservation, 2022, 36(1): 182-188. |
| [14] |
牛亚文, 赵先超, 胡艺觉. 基于NPP-VIIRS夜间灯光的长株潭地区县域土地利用碳排放空间分异研究[J]. 环境科学学报, 2021, 41(9): 3847-3856. Niu Y W, Zhao X C, Hu Y J. Spatial variation of carbon emissions from county land use in Chang-Zhu-Tan area based on NPP-VIIRS night light[J]. Acta Scientiae Circumstantiae, 2021, 41(9): 3847-3856. |
| [15] | Xu Q, Dong Y X, Yang R. Urbanization impact on carbon emissions in the pearl river delta region: Kuznets curve relationships[J]. Journal of Cleaner Production, 2018, 180: 514-523. DOI:10.1016/j.jclepro.2018.01.194 |
| [16] |
张杰, 陈海, 刘迪, 等. 基于县域尺度土地利用碳排放的时空分异及影响因素研究[J]. 西北大学学报(自然科学版), 2022, 52(1): 21-31. Zhang J, Chen H, Liu D, et al. The spatial and temporal variation and influencing factors of land use carbon emissions at county scale[J]. Journal of Northwest University (Natural Science Edition), 2022, 52(1): 21-31. |
| [17] |
边蕊, 赵安周, 刘宪锋, 等. 关中平原城市群土地利用变化对碳储量的影响[J]. 环境科学, 2024, 45(6): 3260-3269. Bian R, Zhao A Z, Liu X F, et al. Impact of land use change on carbon storage in urban agglomerations in the Guanzhong Plain[J]. Environmental Science, 2024, 45(6): 3260-3269. |
| [18] |
马海良, 丁元卿, 庞庆华. 武汉市湖泊水域利用转变及其碳排放影响[J]. 长江流域资源与环境, 2020, 29(2): 369-375. Ma H L, Ding Y Q, Pang Q H. Utilization change of lake and its carbon emission in Wuhan city[J]. Resources and Environment in the Yangtze Basin, 2020, 29(2): 369-375. |
| [19] |
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]. Scientia Geographica Sinica, 2019, 39(12): 1955-1961. |
| [20] |
路昌, 雷国平, 周浩, 等. 松嫩平原肇源县土地利用结构低碳优化研究[J]. 水土保持研究, 2016, 23(5): 310-315, 321. Lu C, Lei G P, Zou H, et al. Study on optimization of low carbon-based land use structure in Zhaoyuan county of Songnen plain[J]. Research of Soil and Water Conservation, 2016, 23(5): 310-315, 321. |
| [21] |
张苗, 甘臣林, 陈银蓉. 基于SBM模型的土地集约利用碳排放效率分析与低碳优化[J]. 中国土地科学, 2016, 30(3): 37-45. Zhang M, Gan C L, Chen Y R. Carbon emission efficiency analysis and low carbon optimization for urban land intensive use based on SBM model[J]. China Land Science, 2016, 30(3): 37-45. |
| [22] |
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. |
| [23] |
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. |
| [24] |
王亮. 盐城市土地利用变化碳排放效益及影响因素分解研究[J]. 生态科学, 2015, 34(5): 122-128. Wang L. Research for decomposition results of impact factors about carbon emission by land use patterns in Yancheng City[J]. Ecological Science, 2015, 34(5): 122-128. |
| [25] |
张江艳. 基于扩展STIRPAT模型LMDI分解的碳排放脱钩因素[J]. 环境科学, 2024, 45(6): 1888-1897. Zhang J Y. Research on carbon emission decoupling factors based on STIRPAT model and LMDI decomposition[J]. Environmental Science, 2024, 45(6): 1888-1897. |
| [26] |
孙赫, 梁红梅, 常学礼, 等. 中国土地利用碳排放及其空间关联[J]. 经济地理, 2015, 35(3): 154-162. Sun H, Liang H M, Chang X L, et al. Land use patterns on carbon emission and spatial association in China[J]. Economic Geography, 2015, 35(3): 154-162. |
| [27] |
赵可, 徐唐奇, 李平, 等. 不同规模城市土地利用效率的差异及收敛性研究[J]. 干旱区资源与环境, 2015, 29(12): 1-6. Zhao K, Xu T Q, Li P, et al. Disparities and convergence of land productivity of different scale cities: Based on panel data of 265 cities in China[J]. Journal of Arid Land Resources and Environment, 2015, 29(12): 1-6. |
| [28] |
俞超, 张丽琴, 唐殿明. 基于清单算法的湖北省土地利用碳排放效应和趋势分析[J]. 水土保持研究, 2014, 21(4): 168-172. Yu C, Zhang L Q, Tang D M. Analysis on effects of land use on carbon emission and the trend in Hubei province based on IPCC inventory[J]. Research of Soil and Water Conservation, 2014, 21(4): 168-172. |
| [29] |
石敏俊, 王妍, 张卓颖, 等. 中国各省区碳足迹与碳排放空间转移[J]. 地理学报, 2012, 67(10): 1327-1338. Shi M J, Wang Y, Zhang Z Y, et al. Regional carbon footprint and interregional transfer of carbon emissions in China[J]. Acta Geographica Sinica, 2012, 67(10): 1327-1338. |
| [30] |
苏雅丽, 张艳芳. 陕西省土地利用变化的碳排放效益研究[J]. 水土保持学报, 2011, 25(1): 152-156. Su Y L, Zhang Y F. Study on effects of carbon emission by land use patterns of Shaanxi Province[J]. Journal of Soil and Water Conservation, 2011, 25(1): 152-156. |
| [31] |
朱巧娴, 梅昀, 陈银蓉, 等. 基于碳排放测算的湖北省土地利用结构效率的DEA模型分析与空间分异研究[J]. 经济地理, 2015, 35(12): 176-184. Zhu Q X, Mei Y, Chen Y R, et al. Regional differentiation characteristics and optimization of the structural efficiency of land use in Hubei province based on the carbon emissions[J]. Economic Geography, 2015, 35(12): 176-184. |
| [32] | 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, 2002, 91(1-3): 217-232. |
| [33] | Eggleston H S, Buendia L, Miwa K, et al. 2006 IPCC Guidelines for National Greenhouse Gas Inventories[M]. Tokyo: Preparation of the National Greenhouse Gas Inventories Plan, 2006. |
| [34] |
鄂施璇, 李琴, 张露洋. 三峡库区1980~2021年土地利用碳排放格局及碳补偿[J]. 水土保持通报, 2023, 43(1): 300-306. E S X, Li Q, Zhang L Y. Land use carbon emission pattern and carbon compensation in Three Gorges Reservoir Area during 1980-2021[J]. Bulletin of Soil and Water Conservation, 2023, 43(1): 300-306. |
| [35] |
张卓群, 张涛, 冯冬发. 中国碳排放强度的区域差异、动态演进及收敛性研究[J]. 数量经济技术经济研究, 2022, 39(4): 67-87. Zhang Z Q, Zhang T, Feng D F. Study on regional differences, dynamic evolution and convergence of carbon emission intensity in China[J]. The Journal of Quantitative & Technical Economics, 2022, 39(4): 67-87. |
| [36] |
刘春英, 檀斯园, 王骏博, 等. 长江中下游典型区域土地利用碳排放风险——以江西省九江市为例[J]. 水土保持通报, 2023, 43(1): 341-349. Liu C Y, Tan S Y, Wang J B, et al. Carbon emission risk from land use in typical regions of Middle and Lower Yangtze River: A case study at Jiujiang city, Jiangxi province[J]. Bulletin of Soil and Water Conservation, 2023, 43(1): 341-349. |
| [37] | Feldman M P, Audretsch D B. Innovation in cities: implications for innovation[J]. European Economic Review, 1999, 43(2): 409-429. |
| [38] |
张友国. 经济发展方式变化对中国碳排放强度的影响[J]. 经济研究, 2010, 45(4): 120-133. Zhang Y G. Economic development pattern change impact on China's carbon intensity[J]. Economic Research Journal, 2010, 45(4): 120-133. |
| [39] |
卢新海, 陈丹玲, 匡兵. 区域一体化背景下城市土地利用效率指标体系设计及区域差异——以长江中游城市群为例[J]. 中国人口·资源与环境, 2018, 28(7): 102-110. Lu X H, Chen D L, Kuang B. Indicator system design and regional difference of urban land use efficiency under the background of regional integration: A case of urban agglomeration in the middle reaches of the Yangtze River[J]. China Population, Resources and Environment, 2018, 28(7): 102-110. |
| [40] | 姚璐, 王书华, 赵雯雯. 金融集聚与环境规制的"本地—邻地"绿色创新效应[J]. 西南民族大学学报(人文社会科学版), 2023, 44(1): 113-124. |
| [41] |
齐昕, 郭薛南. 新兴经济体国家城镇化发展对碳排放影响的比较研究[J]. 生态经济, 2022, 38(3): 101-108. Qi X, Guo X N. A Comparative study of the impact of urbanization on carbon emissions in emerging economies[J]. Ecological Economy, 2022, 38(3): 101-108. |
| [42] | Shen J, Wei Y D, Yang Z. The impact of environmental regulations on the location of pollution-intensive industries in China[J]. Journal of Cleaner Production, 2017, 148: 785-794. |
| [43] |
崔建鑫, 赵海霞. 长江三角洲地区污染密集型产业转移及驱动机理[J]. 地理研究, 2015, 34(3): 504-512. Cui J X, Zhao H X. Spatial relocation of pollution-intensive industry and the mechanism in Yangtze River Delta[J]. Geographical Research, 2015, 34(3): 504-512. |
| [44] |
戴一鑫, 王译潇. 企业异地扩张、技术获取与企业创新——基于上市公司设立子公司的经验证据[J]. 中国地质大学学报(社会科学版), 2023, 23(1): 102-115. Dai Y X, Wang Y X. Enterprise cross-regional expansion, technology acquisition and enterprise innovation-based on empirical evidence of listed companies establishing subsidiaries[J]. Journal of China University of Geosciences (Social Sciences Edition), 2023, 23(1): 102-115. |
| [45] |
金乐琴. 中国低碳发展: 市场失灵与产业政策创新[J]. 北京行政学院学报, 2010(1): 56-59. Jin Y Q. China's low-carbon development: market failure and industrial policy innovation[J]. Journal of Beijing Administrative College, 2010(1): 56-59. |
| [46] |
盛明科, 甘纪平. 论低碳经济发展背景下我国能源政策的失灵与矫正[J]. 吉首大学学报(社会科学版), 2010, 31(6): 79-83. Sheng M K, Gan J P. On the failure of China's energy policy and its correction under the background of low-carbon economy[J]. Journal of Jishou University (Social Sciences Edition), 2010, 31(6): 79-83. |