环境科学  2024, Vol. 45 Issue (9): 5027-5039   PDF    
引用本文
黄怀玉, 龚直文, 陈小娟, 霍然, 王倩倩. 基于土地利用碳收支差异的重庆市碳补偿优先区识别[J]. 环境科学, 2024, 45(9): 5027-5039.
HUANG Huai-yu, GONG Zhi-wen, CHEN Xiao-juan, HUO Ran, WANG Qian-qian. Identification of Priority Areas for Carbon Compensation in Chongqing Based on the Difference in Land Use Carbon Budget[J]. Environmental Science, 2024, 45(9): 5027-5039.
基于土地利用碳收支差异的重庆市碳补偿优先区识别
黄怀玉1,2, 龚直文1,2, 陈小娟1,2, 霍然1,2, 王倩倩1,2     
1. 西北农林科技大学经济管理学院, 杨陵 712100;
2. 西北农林科技大学资源经济与环境管理研究中心, 杨陵 712100
收稿日期: 2023-09-08; 修订日期: 2023-12-19
基金项目: 陕西省自然科学基础研究计划一般项目（2023-JC-YB-192）；陕西林业科技创新专项（SXLK2023-05-1）
作者简介: 黄怀玉（1999~）, 女, 博士研究生, 主要研究方向为生态经济与低碳土地利用, E-mail：hhy2021@nwafu.edu.cn
通信作者: 龚直文, E-mail：gongzhiwen@nwafu.edu.cn
摘要: 探索土地利用碳收支时空规律及平衡特征, 测度碳补偿价值并划定碳补偿类型分区, 为进一步加强生态补偿体系建设与“双碳”目标任务的衔接提供科学参考. 利用2000 ~ 2020年的重庆市土地覆盖数据, 在分析土地利用碳收支时空动态及其平衡关系特征的基础上, 借助修正后的碳补偿模型测度横向补偿标准, 运用标准显性比较优势指数法和K-means聚类分析法划分碳补偿支付区和受偿区. 结果表明：①2000 ~ 2020年重庆市土地利用碳吸收总量缓慢增长, 碳排放量持续显著增加, 净碳排放呈现“中心高、两翼低”的分布格局. ②变异系数均值为0.602, 碳排放经济贡献系数与碳生态承载系数分别集中在0.64 ~ 1.14之间和0.00 ~ 32.86之间. 区县间碳排放与经济效益的贡献程度差距较小, 但存在碳供需错配现象. ③碳补偿价值空间差异明显, 总计碳支付、碳受偿金额分别为10.98×108元与6.34×108元, 最终确定为8个重点支付区、7个一般支付区、3个重点受偿区和20个一般受偿区. 研究结果可为不同类型的碳补偿区域实施差异化发展策略提供借鉴, 提高区域生态环境协同治理能力并推动碳中和目标实现.
关键词: 土地利用      碳收支      碳补偿      碳中和      重庆     
Identification of Priority Areas for Carbon Compensation in Chongqing Based on the Difference in Land Use Carbon Budget
HUANG Huai-yu1,2 , GONG Zhi-wen1,2 , CHEN Xiao-juan1,2 , HUO Ran1,2 , WANG Qian-qian1,2     
1. College of Economics and Management, Northwest A&F University, Yangling 712100, China;
2. Center for Resource Economics and Environmental Management, Northwest A&F University, Yangling 712100, China
Abstract: This study aimed to explore the spatiotemporal patterns and balance characteristics of land use carbon budget, measure the value of carbon compensation, and delineate carbon compensation type zoning to provide scientific reference for further strengthening the connection between the construction of an ecological compensation system and the "dual carbon" target task. Based on the land cover data of Chongqing from 2000 to 2020, this study analyzed the spatiotemporal dynamics and balance relationship characteristics of the land use carbon budget. By using the revised carbon compensation model to measure the horizontal compensation standards, the normalized revealed comparative advantage (NRCA) index and K-means clustering analysis method were used to divide the carbon compensation area. The research results demonstrated that: ① the total land use carbon sequestration in Chongqing grew slowly from 2000 to 2020, whereas carbon emissions continued to increase significantly, and the net carbon emissions showed a distribution pattern of "high in the center and low in the two wings." ② The average coefficient of variation in Chongqing was 0.602, and the carbon emission economy contributive coefficient and carbon ecological support coefficient were concentrated between 0.64-1.14 and 0.00-32.86, respectively. The difference in the contribution of carbon emissions and economic benefits between districts and counties was relatively small, but there was a mismatch between carbon supply and demand. ③ A significant spatial difference existed in the value of carbon compensation, with a total of 1.098 billion yuan in carbon payment and 634 million yuan in carbon compensation, respectively. Moreover, it was ultimately determined that there were eight key payment areas, seven general payment areas, three key compensation areas, and 20 general compensation areas. In conclusion, the research results can provide a reference for implementing differentiated development strategies in different types of carbon compensation regions, improve the collaborative governance capacity of the regional ecological environment, and promote the achievement of carbon neutrality goals.
Key words: land use      carbon budget      carbon compensation      carbon neutrality      Chongqing     

近年来碳排放量增多引起的全球气候变暖问题不仅严重威胁到生态环境的高质量发展, 还会影响到人类社会的可持续发展, 缓解温室气体排放逐渐成为全世界面临的重大挑战[1]. 随着工业化和城市化的不断发展, 人类对土地利用空间的改造是全球大气中碳含量快速增加的重要原因[2], 土地利用变化产生的碳排放量已经占人类活动碳排放总量的1/3, 仅次于化石燃料燃烧[3]. 目前, 中国已成为世界上最大的碳排放国, 占全球温室气体排放总量的29%, 不同地区碳排放不平衡的问题尤为突出[4]. 为此, 中国政府制定了到2030年实现二氧化碳排放峰值, 到2060年实现碳中和的发展目标. 根据此目标, 中国不仅要注重对碳排放总量的控制, 还要考虑区域之间碳减排的公平和效率, 从而达到二氧化碳排放的收支平衡. 碳补偿就是缓解碳供需矛盾的重要手段之一, 受到社会各界的高度重视.

减少温室气体排放的核心问题是经济, 建立健全碳汇生态补偿机制是实现碳减排的关键[5]. 碳补偿作为低碳经济背景下生态补偿研究的新兴领域, 其本质是协调经济发展与生态保护, 促进区域协同减排[6]. 碳补偿类型分区可以指导补偿额度的优先流动方向, 是实施横向碳补偿制度的先决条件. 现阶段对碳补偿的研究日趋增多, 国际上对森林碳补偿及其潜力[7, 8]、湿地碳补偿[9]、社区碳补偿[10]以及碳补偿成本[11]进行了探索性研究, 为构建系统完善的碳补偿模型与方法提供了重要参考. 中国学者也从理论和实践两个层面对碳补偿进行了相关研究. 赵荣钦等[12]从理论视角对碳补偿的内涵和本质特征进行界定, 构建区域碳补偿理论框架并归纳总结了多种补偿机制和模式；王立国等[13]比较了不同机制下旅游经营者的碳补偿意愿；钟诗雨等[14]基于投入产出模型对各地区碳减排的成本进行估算；吴立军等[15]基于碳中和目标提出了两套碳生态补偿方案, 为统筹生态治理与经济发展提供了新方法. 从碳补偿的计算方法来看, 目前主要有3种方法. 一是基于碳汇价值角度, 根据碳汇增加产生的价值来确定补偿标准. 二是从补偿意愿的角度, 借助调查问卷来确定补偿标准. 例如, 陈儒等[16]使用调查中获得的农民数据计算了中国各省的农业碳补偿费用. 三是以生产活动中碳汇的盈亏来衡量碳生态补偿标准. 如果碳汇过剩, 那么该区域应获得生态补偿金额, 否则应支付补偿金额[17]. 从碳补偿的实践应用方向来看, 学界研究侧重于碳汇交易补偿[18]、基于林地期望价值的碳汇造林补偿[19]、结合农业碳计量与条件价值评估法的农业碳补偿[16]以及采用净碳排放量作为核算标准的森林碳补偿等[20]. 关于补偿分区的研究领域仍处于探索阶段, 主要采用福利成本法、生态补偿优先级、比较优势指数和多因素综合评价指标等方法对区域碳补偿进行分区规划[21, 22].

以上成果极大丰富了碳补偿及其分区领域的研究, 但仍存在一些不足. 一是从行政尺度来看, 主要在省域、各地市之间以及流域尺度上确定碳支付和碳受偿地区[22, 23], 还有学者基于主体功能区划探讨差别化的碳补偿方案[24]. 中国人口众多, 地区之间差异明显, 不同地区碳排放水平及碳补偿机制千差万别, 从区县尺度关注某个特定区域的碳补偿更有利于精准识别补偿主客体, 同时也是因地制宜制定差异化减排政策的需要. 二是仅利用土地利用碳排放量与碳吸收量之差的绝对值作为碳补偿基准值, 没有考虑不同地区之间经济水平和资源禀赋的差异, 这将导致最终的补偿结果失去真实性. 三是目前西南地区的横向碳补偿制度尚未确立, 科学确定不同区域碳补偿额度、提升补偿资金使用效率已成为推动区域公平发展亟待解决的问题.

基于此, 本文以重庆市各区县为研究对象, 采用2000 ~ 2020年的土地覆盖数据, 分析土地利用碳收支的时空动态、区域差异及其平衡关系特征, 衡量区域碳供给和碳需求水平, 并运用修正后的碳补偿模型核算碳补偿价值, 界定支付与受偿主体, 综合考虑碳收支规模、碳排放经济贡献程度、碳生态承载力和国土空间开发程度等因素, 识别碳补偿类型分区, 以期为重庆市及同类型山地城市完善碳补偿机制提供决策参考, 破解经济发展与环境保护之间的困境.

1 材料与方法 1.1 研究区概况

重庆市（105°11'~110°11' E、28°10'~32°13' N）位于中国西南部, 下辖38个县（区）级行政单元, 国土空间面积约为8.24万km2. 该地区属于青藏高原与长江中下游平原的过渡地带, 地势东北和东南高, 中部和西部较低, 地貌以低山和丘陵为主；境内具备长江与嘉陵江两大水系, 耕地与林地是主要的土地利用类型（图 1）. 2022年全市实现地区生产总值29 129亿元, 年末全市城镇常住人口总计2 280万人, 林地面积总计46 840 km2（约7 026万亩）, 森林覆盖率也逐渐提高到55.04%. 目前, 重庆市内部处于生态环境保护与经济社会发展的对立之中, 形成了“一区两群”的发展分布格局, 包含主城都市区、渝东北三峡库区城镇群和渝东南武陵山区城镇群, 其中, 主城都市区包含中心城区和主城新区等21个区县.

图 1 研究区概况 Fig. 1 Study area

1.2 数据来源

本文选取重庆市38个区县为研究对象, 主要分析土地利用碳排放时空格局及平衡特征, 进行碳补偿价值核算及分区类型构建. 其中, 2000年、2010年和2020年的三期土地覆盖数据来源于30 m空间分辨率的全球地表覆盖数据集（http://globeland30.org/）, 总体精度达到85.72%, 并将该数据集的土地利用类型重分类为耕地、林地、草地、水域、建设用地和未利用地这6个一级地类. 重庆市行政边界矢量数据来源于全国1∶100万基础地理数据库；高程数据来自地理空间数据云网站（www.gscloud.cn）；社会经济数据主要来源于《重庆统计年鉴》（2000 ~ 2020年）、各区县统计年鉴（2000 ~ 2020年）和《国民经济和社会发展统计公报》（2000 ~ 2020年）等.

1.3 研究方法 1.3.1 土地利用碳收支测算方法

基于碳排放-吸收角度, 土地利用净碳排放量为碳源与碳汇之差, 结合李缘缘等[25]的研究, 本文以耕地和建设用地这两种土地利用类型作为主要碳源, 把林地、草地、水域和未利用地当作碳吸收的载体. 因此, 土地利用净碳排放的计算公式为：

(1)

式中, CEi为第i个区县的土地利用净碳排放量；CEa和CEb分别为碳吸收量与碳排放量；Ak为第k种土地利用类型（林地、草地、水域和未利用地）的面积, αk为第k种土地利用类型的碳吸收系数；B为耕地面积, μ为耕地的碳排放系数. 此处采用苑韶峰等[26]的研究成果, 根据经纬度和地理状况的分类, 解决系数的区域差异问题. 重庆市耕地、林地、草地、水域和未利用地的碳排放（吸收）系数分别为0.469、-0.605、-0.021、-0.025和-0.003 t·hm-2（正值表示碳排放, 负值表示碳吸收）. Ec为建设用地碳排放量, 由于建设用地承载了人类进行的各种生产活动, 因此其产生的碳排放量需要通过能源消耗量来间接计算[27].

在《重庆统计年鉴》（2000 ~ 2020年）中主要有7类化石能源消费, 不同能源的折标煤系数及碳排放转换系数如表 1所示[28]. 建设用地碳排放量的计算公式为：

(2)
表 1 折标煤系数及碳排放转换系数1） Table 1 Standard coal conversion coefficient and carbon emission conversion coefficient

式中, CS为重庆市7类化石能源的总碳排放量；mj为第j种化石能源消费量；βj为折标煤系数；rj为碳排放转换系数. 由于区县级能源数据获得的困难性, 根据范建双等[29]的研究方法, 采用单位GDP能耗法测算各区县建设用地碳排放量, 计算公式为：

(3)

式中, Ec为第i个区县的建设用地碳排放量；Ei为区县i的能耗消费总量；GDPi为区县i当年的地区生产总值；Di为区县i的单位GDP能耗. 为消除通货膨胀等价格因素的影响, 每年的GDP和单位GDP能耗以2000年不变价计算.

1.3.2 土地利用碳收支平衡分析方法

本文选取变异系数来衡量碳排放的区域差异状况, 其可以消除不同样本之间测量尺度和量纲对结果的影响, 计算值越大表明数据差异性越大, 反之亦然[30]. 具体计算公式为：

(4)

式中, CV为变异系数, xi为第i个区县的碳排放指标；x是重庆市平均碳排放指标；n为区县个数.

碳排放的经济贡献系数（economy contributive coefficient, ECC）可以用来评估低碳经济程度与碳生产力大小, 从而评价区域间碳排放经济贡献的公平性, 该方法能从经济利益的视角量度区域内碳排放的差异[31], 计算公式为：

(5)

式中, Gi和Ci分别为区县i的GDP和土地利用碳排放量；G和C分别为重庆市的GDP和土地利用碳排放总量. 若ECC > 1, 则表明该区县的经济贡献率大于碳排放贡献率, 碳排放的经济效率与能源利用效率相对较高；反之亦然.

碳生态承载系数（ecological support coefficient, ESC）通常用来表示某个地区碳吸收占总研究区的比例与该区碳排放占总研究区比例的商, 从碳收支的角度来衡量区域碳吸收能力的大小, 其表达式为：

(6)

式中, CAi和Ci分别为区县i的土地利用碳吸收量和碳排放量；CA和C分别为重庆市的土地利用碳吸收和碳排放总量. 若ESC > 1, 则表明该区县土地利用碳吸收产生的贡献高于碳排放的贡献, 其对重庆市其他地区的碳排放能发挥积极的吸纳作用, 具有较高的碳补偿率；反之亦然.

1.3.3 碳补偿模型

碳中和视角下, 土地利用产生的碳排放反映地区经济发展对生态环境的需求水平, 而碳吸收则反映地区生态产品的供给能力, 碳供需平衡才能推动碳中和目标实现[15]；若碳供需出现错配现象则需要建立并实施碳补偿机制[22]. 因此, 本文以土地利用净碳排放作为地区是否获得碳补偿的确定依据, 若碳汇量小于碳源量, 说明该地区生态系统没有足够的盈余量吸收非本地区溢出的碳排放, 则需要支付碳补偿金额；反之是碳受偿区, 可以获得碳补偿资金.

然而在实际情况中, 仅根据土地利用净碳排放的绝对量计算碳补偿标准可能会使最终结果出现一定偏差, 究其原因, 一是目前世界上大多数地区的排放量远远超过吸收量, 如果基于二者绝对差值的平衡关系构建碳补偿模型, 则支付与受偿之间可能存在失衡[17]. 二是重庆市不同区县的土地利用类型和经济发展模式都各有特点, 导致净碳排放量具有明显的差异特征, 若仅考虑以此作为碳补偿的确定依据, 则忽视了地区资源禀赋和经济承受能力对补偿资金的影响问题, 最终的补偿结果将有失公平性、合理性与现实操作性. 因此, 本文将基于科技水平、人口数量、土地面积和经济水平等差异性指标依次对碳补偿基准值进行修正, 以确定最终的碳补偿标准.

（1）基于净碳排放数据偏差和碳排放效率区域差异的基准值修正  通过设定一个碳排放临界值Pi, 削弱各区县的碳排放总量；通过考虑不同区县间碳排放强度的时空差异, 科学度量碳排放强度较高的地区需要支付更多补偿资金的情况, 从而合理修正区县i的碳排放量. 具体公式为：

(7)
(8)
(9)

式中, Li'为第一次修正后的碳补偿基准值；ECC和D分别为重庆市2020年的碳排放经济贡献系数和碳排放均值；CEb'为修正后的碳排放量；Gt1-i和Gt2-i分别为2020年和2010年第i个区县的单位GDP碳排放；GT1和GT2分别为2020年和2010年重庆市的单位GDP碳排放；GT为2020年平均单位GDP碳排放.

（2）考虑区域人口数量和土地面积对碳补偿基准值作进一步修改：

(10)
(11)

式中, Li″为第二次修正后的碳补偿基准值, Li″ > 0时, 该地区为碳补偿区；Li″ < 0时, 该地区为碳受偿区. ηi为碳排放系数；Ri为区县i的常住人口数量；Mi为区县i的土地面积. 该系数可表示区县所允许达到的碳排放程度, 系数越高说明该区县允许存在更大的碳排放, 反之则越小.

（3）在碳补偿的实践过程中, 不同地区的经济发展水平和人们生活水平有所差异, 这将导致各区县的碳补偿能力存在差异. 因此, 为了进一步考虑各地区的实际支付能力, 有必要根据不同地区的经济发展水平来确定碳补偿系数. 本文引入改进的Pearl生长曲线模型（S型生长曲线）, 得到最终碳补偿的具体计算公式如下：

(12)
(13)

式中, Hi为获得或支付的碳补偿资金；∂为单位碳价格；γi为碳补偿系数；Ai为区县i的碳补偿能力, 即i区县GDP与重庆市总GDP之比；a和b为常数, 此处取1；t为2020年重庆市恩格尔系数的倒数. 目前, 碳的支付衡量标准还未形成统一意识, 作为西部地区唯一的碳市场试点省市, 重庆早在2014年就正式启动了地方碳市场试点运行. 因此, 此处以重庆碳市场2020年的成交量和成交金额推算出CO2的价格为21.38元·t-1, 即单位碳价格为78.39元·t-1.

1.3.4 碳补偿类型分区方法

碳补偿机制的完善需保障区域间的公平性, 合理配置补偿资金. 本文尝试将比较优势理论引入碳补偿分区类型的判别, 选取重庆市各区县碳收支总量、碳排放经济贡献系数、碳生态承载系数和国土空间开发强度（建设用地面积占国土空间面积的比例）这4个指标分别表征不同区县的总量规模、经济、生态和资源结构属性, 利用标准显性比较优势指数（normalized revealed comparative advantage index, NRCA index）衡量各区县属性的比较优势, 为碳补偿类型分区提供依据, 使各区域在发展过程中实现优势互补, 缓解经济发展与生态保护的矛盾. 计算公式如下：

(14)

式中, Xji为i区县j属性的指标值；Xj为所有区县j属性的总指标值；Xi为i区县所有属性的总指标值；X为所有区县及属性的总指标值. 若NRCAji > 0, 表示区县此属性具有比较优势, 反之表示不具有比较优势.

在区分支付区和受偿区的基础上, 基于各属性比较优势指数结果, 采用K-means聚类模型将重庆市碳补偿类型划分为重点支付区（重点受偿区）和一般支付区（一般受偿区）. K-means是一个简单与高效的聚类算法, 有助于科学确定最佳聚类数目, 并根据确定的数目任意选取样本点作为分类的初始中心, 通过反复迭代的过程划分数据集, 使得同一类别组内差异最小.

2 结果与分析 2.1 土地利用碳收支时空特征

根据碳排放系数法及单位GDP能耗法, 计算2000 ~ 2020年重庆市及其“一区两群”各土地利用类型所产生的碳排放与碳吸收（表 2和表 3）. 总体来看, 重庆市碳排放量呈现持续增加态势, 本研究期间碳排放量总计增长了3 729.09×104 t. 2000 ~2010年碳排放增长速度较快, 后10 a增长率仅为13.32%, 这与现有研究的结果一致[32]. 究其原因, 2000 ~2010年之间, 经济建设的迫切需求势必会增加对城市居民点、交通用地和工矿用地的需求, 三峡库区移民的迁建工程使得大量碳汇用地被建设用地占用, 加上三峡大坝于2006年修建完成, 这期间加剧了对粗放型能源的使用, 导致碳排放量居高不下. 2010年后, 受“十二五”规划中调整优化产业结构与节能减排的政策约束, 碳排放增长速度逐步下降. 在碳源结构中, 建设用地碳排放量占总碳源量的比例均在87%以上, 相对耕地而言, 建设用地是碳排放的主要载体. 其中, 主城都市区建设用地产生的碳排放量最大, 其碳排放增加量（2 881.89×104 t）占全市总增加量（3 738.36×104 t）的77.09%, 其次是渝东北城镇群（18.14%）. 在碳汇结构中, 研究期间碳吸收总量缓慢增长, 平均增长率为1.43%, 呈现相对稳定的状态. 林地碳吸收量逐渐增加, 在渝东北城镇群表现最为明显, 其碳吸收增长量（3.85×104 t）占全市增长量（6.14×104 t）的62.70%, 其次是渝东南城镇群；而草地的碳汇量逐渐减少, 水域和未利用地的碳汇贡献十分微小.

表 2 2000 ~ 2020年重庆市分区域土地利用碳排放×104/t Table 2 Land use carbon emissions in Chongqing from 2000 to 2020×104/t

表 3 2000 ~ 2020年重庆市分区域土地利用碳吸收×104/t Table 3 Land use carbon absorption in Chongqing from 2000 to 2020×104/t

为直观分析2000 ~ 2020年重庆市土地利用碳排放的区域差异, 对净碳排放从低到高按5个水平类型进行划分：低水平碳排放（< 28×104 t）、中低水平碳排放（28×104 ~ 50×104 t）、中等水平碳排放（50 ×104~ 90×104 t）、中高水平碳排放（90 ×104~ 170×104 t）和高水平碳排放（> 170×104 t）. 总体而言, 净碳排放呈现“中心高、两翼低”的分布格局, 如图2（a） ~ 2（c）, 这主要与重庆的地形地势特点密切相关. 高水平碳排放区主要集中在中心城区, 2000年与2010年净碳排放量排名前3位均为沙坪坝区、九龙坡区和渝中区；2020年逐渐扩散到主城新区, 其中涪陵区的净碳排放量最高, 达到303.55×104 t, 其次是江津区（277.27×104 t）和渝中区（280.08×104 t）. 在同一片主城都市区, 涪陵区和江津区具备经济和产业辐射带动效应的同时, 往往更容易承担经济发达地区落后产业的转移, 这显著增加了碳排放量. 低水平碳排放区主要分布在生态本底良好的城口、巫溪和酉阳等渝东北和渝东南区, 这是因为这些区域多以山地和林地为主, 人类活动干扰强度低.

图 2 2000 ~ 2020年重庆市土地利用净碳排及其增量空间分布 Fig. 2 Spatial distribution of land use net carbon emissions and increments in Chongqing from 2000 to 2020

为进一步分析重庆市近20年不同区县土地利用碳排放的变化特征, 在图 2（d）对其净碳排放增量进行空间可视化表达, 可以看出各区县的净碳排放增长程度不尽相同, 且增长量从两冀地区到主城都市区逐渐升高. 涪陵区的增量最大, 2020年比2000年增加了238.63×104 t；其次是江津区和永川区. 城口县的增量最小, 仅为8.02×104 t, 其次是酉阳县（14.30×104 t）和巫溪县（14.94×104 t）. 已有研究表明, 经济发展水平、产业结构及城镇化水平等因素对地区碳排放具有显著影响[33], 截至2020年, 主城都市区所产生的GDP占全市总GDP的77.04%, 城镇人口和第二产业产值分别占比69.76%和78.95%, 区域内城镇化进程加快, 随之而来的是农地非农化现象, 同时大量人口在城市聚集会造成对建设用地的过度开发, 这将促使土地利用类型转变进而引起碳排放增加. 渝东南和渝东北等山区城镇群更多分布着林地和草地, 建设用地面积较少, 固碳增汇能力较强, 因此碳排放量相比于主城都市区要少得多, 但东北部仍然存在碳排放量大幅增加的现象, 主要体现在万州区, 这与袁霄等研究结果一致[34]. 万州区地处三峡库区经济中心, 城市化工业化水平较高, 其碳排放量的显著增加与地理位置、交通运输、基础设施建设和政府基本规划等因素密切相关.

2.2 土地利用碳收支平衡特征

基于公式（4）计算得出各区域的碳排放变异系数, 结果如表 4所示. 本研究期内, 重庆市及其“一区两群”的碳排放变异系数均呈现上升-下降的态势, 渝东北城镇群碳排放变异系数的均值为0.721, 高于其他区域, 其次是重庆全市和主城都市区, 说明渝东北各区县土地利用碳排放的内部差异十分明显, 其不平衡性更为突出. 渝东南地区的变异系数最小, 研究期间均未超过0.2, 表明其碳排放量分布较为均匀. 总体来看, 重庆市土地利用碳排放区域差异明显, 处于差距较大与相对不平衡状态.

表 4 2000 ~ 2020年重庆市土地利用碳排放变异系数 Table 4 Variation coefficient of land use carbon emissions in Chongqing from 2000 to 2020

碳排放经济贡献系数（ECC）一般用来衡量单位碳排放与经济效益的关系, 其空间分布如图3（a） ~ 3（c）所示. 2000 ~ 2020年重庆市ECC值集中在0.64 ~ 1.14之间, ECC值大于1的区县单元数量逐渐增加, 由2000年的13个区县增加至2020年的16个区县, 表明能源利用效率不断增强. 研究期内, 渝东南地区的ECC值较低, 尤其是酉阳县和彭水县, 产生碳排放的同时未能提高相应的经济效益, 但由于政策规划及经济发展影响, 其ECC值也逐渐上升. 渝中、大渡口、南岸和江北等主城都市区的经济贡献率始终处于重庆市领先位置, 其碳排放经济效率相比其他区县较高.

图 3 2000 ~ 2020年重庆市碳排放经济贡献系数与碳生态承载系数 Fig. 3 Economy contributive coefficient and ecological support coefficient in Chongqing from 2000 to 2020

生态承载系数（ESC）用来衡量区县碳补偿率大小和碳供需错配程度, 反映各区县碳汇贡献的公平性, 计算结果如图3（d） ~ 3（f）所示. 2000 ~ 2020年重庆市碳生态承载系数处于0.00 ~ 32.86之间, 存在区县间碳供需错配较为严重的现象. 具体而言, 主城都市区所有区县（南川区除外）的ESC值均小于1, 表明碳吸收比例明显小于碳排放比例, 固碳增汇能力较低, 碳排放强度高. 其余区县的ESC值均大于1且逐渐增大, 表明碳汇能力逐渐增强. 在ESC值大于1的区县中, 城口县的碳汇能力较强, 其ESC值从2000年的24.42增长至2020年的32.86, 上升幅度最大, 其次是酉阳县和巫溪县.

从以上分析可以看出, 重庆市碳收支区域平衡性呈现以下特征：一是重庆市区县间碳排放差异程度较大, 主城都市区与渝东南和渝东北地区分化严重；二是重庆市各区县的碳排放经济贡献水平与生态承载能力不匹配, 区县间出现碳供需错配现象, 这也意味着各区县单元的碳补偿价值将存在差异.

2.3 碳补偿价值核算

本文采用改进后的碳补偿模型测算2020年重庆市各区县的碳补偿标准, 结果如表 5所示. 渝中区、涪陵区和九龙坡区需要支付的碳补偿额度较高, 北碚区和铜梁区的支付额度较低. 渝中区的土地利用强度位居重庆市第一, 地区内部的土地利用类型以碳源地类为主, 建设用地面积占渝中区总面积的74.97%, 林地和草地面积十分微小, 固碳能力低下；加上常住人口数排名相对靠后, 碳排放量却处于前列, 这表明足够少的人口产生了超额碳排放, 因此需要支付更多的补偿资金. 北培区国土空间面积较小, 虽然碳收支总量规模处于中上水平, 但碳排放经济贡献系数较高, 导致碳补偿的支付标准偏低. 对于受偿区而言, 武隆区、秀山县和石柱县获得的碳补偿额度较高, 而大足区和璧山区的受偿额度较低. 出现这一现象的原因是武隆区不仅碳生态承载系数高, 国土空间面积较大且碳收支量偏低, 而且以较少的常住人口数创造了更多的地区生产总值, 抓住发展机会的同时还能提高排放效率, 在经过碳补偿模型修正后可以获得更多的碳补偿金额. 大足区和璧山区虽然属于主城新区, 碳排放量、人口规模和经济发展水平处于中游, 但是国土空间面积较小, 经过修正后还具备少量的碳排放盈余, 因此补偿标准相对较低. 总体而言, 重庆市共有15个区县需要支付碳补偿金额, 且大都位于主城都市区, 总计支付额度10.98×108元；有23个区县应该获得碳补偿金额, 总计6.34×108元. 支付区碳汇用地面积小导致碳吸收量少, 城镇化进程加快引起碳排放量不断增加, 经济发展水平与碳承载力存在失衡现象, 运用补偿支付方式可以有效保障生态保护的公平性和可持续性, 并缓解支付区产生的环境负外部性. 受偿区经济发展缓慢, 工业发展受限, 同时大多位于重点生态功能区, 其生态系统质量较为健康, 应该获得碳补偿. 支付金额占该区县GDP总量的比例处于0.04% ~ 0.33%之间, 对各级地方政府的经济压力并不大, 使得横向碳补偿在具体实践中具有一定的现实可行性.

表 5 重庆市各区县碳补偿价值与GDP占比情况 Table 5 Carbon compensation value and the proportion of GDP in various districts and counties of Chongqing

2.4 碳补偿类型分区

根据碳收支总量规模、经济、生态和资源结构这4个属性的指标值, 运用标准显性比较优势指数测算重庆市各区县各属性的比较优势指数, 采用K-means聚类模型对其进行聚类分析, 最终得到重点支付区、一般支付区、重点受偿区和一般受偿区这4种分区类型（表 6）.

表 6 重庆市各属性比较优势指数及碳补偿类型分区 Table 6 NCRA index of various attributes and carbon compensation type zoning in Chongqing

重点支付区由渝中、涪陵和九龙坡等8个区县组成, 该类型区县经济发展水平位于重庆市前列（占GDP总量的42%）, 碳收支总量规模属性具有明显的比较优势, 使得其他属性优势（例如经济属性的NRCA指数）被相对弱化；同时碳生态承载系数均处于比较劣势, 资源环境压力极大, 经济与生态存在严重不平衡的现象. 重点支付区属于经济发达区和资本富集区, 在今后的发展中, 单纯地控制建设用地扩张很难抑制碳排放量增长, 需要充分发挥人才和技术优势, 发展技术密集型产业, 改变能源消费类型, 发展绿色清洁能源, 促进土地利用集约化. 例如涪陵区三次产业结构比为7∶55∶38, 在产业结构中依旧是以第二产业为主, 更需要优化产业结构, 提高碳排放效率和能源使用效率.

一般支付区包含江北、渝北和长寿等7个区县, 碳收支总量和经济发展水平仅次于重点支付区, 国土空间开发程度较高, 这些区县应该在承担碳补偿支付责任的同时, 要通过限定碳排放量来反控建设用地扩展, 提高企业准入的环境门槛, 增强资源环境承载能力；此外, 处于经济快速增长阶段的主城新区要利用好中心城区的资源辐射效应, 重视技术创新所带来的减排增量, 保持发展与低碳的平衡.

重点受偿区包括城口县、巫溪县和酉阳县, 该类型区县以生态保护和绿色发展为主, 碳的生态承载系数具有极强的比较优势（占比55%）, 国土空间开发程度较低, 但经济发展缓慢, 碳补偿金额对于缓解当地经济损失的影响较大. 有效的生态资源可以通过吸引资本、科技和人才等要素上山入林, 为了促进产业与生态协同发展, 重点受偿区可以依托自然资源优势, 在保护碳汇资源的同时, 增强生态产品价值实现效率, 大力发展林下经济等绿色富民产业, 促进生态优势转化为经济优势, 减少对补偿资金的依赖.

一般受偿区由武隆、秀山和石柱等20个区县组成, 这些区县与重点受偿区类似, 在碳补偿过程中也应得到足够的关注和重视. 在今后的发展中, 要避免走“先发展, 后治理”的老路, 做好承接经济发达地区产业转移的工作, 加速淘汰或严控落后产能；部分主城新区在维持生态环境的同时, 还具备经济增长的发展潜力, 相对于直接的经济补偿, 采取政策扶持等方式更具有直接效益.

3 讨论

对比本文和其他研究, 既有相同点又有部分差异. 从重庆市碳排放的增长过程来看, 其在2010年之前经历了大幅度增长的过程, 而在2010年之后变为缓慢上升, 这是因为重庆具有特殊的政策优势以及优越的基础条件, 前10 a由于经济建设的迫切需求不断以超常的速度推进工业化与城镇化, 这必将导致地区经济活动强度的增大以及消耗更多的化石能源, 从而使碳排放保持高速增长；后10 a开始践行绿色发展理念, 构建低碳经济循环体系, 因此导致碳排放增长率逐步下降. 此现象与廖祥等[35]认为成渝城市群净碳排放量增速最快的时间段为2000 ~ 2005年, 而2015 ~ 2020年增速减缓具有相似性, 同时还与全国的碳排放发展历程相当[36]. 碳汇高值区主要分布在渝东北城镇群（如巫山县和巫溪县）, 沙坪坝、九龙坡和渝中等区县属于高水平碳排放区, 这都与现有研究的结果一致[37, 38]. 虽然碳排放增长速度有所下降, 但重庆市碳源与碳汇还存在着极大的差距, 地区空间差异明显, 现阶段实现降碳减排和固碳增汇任务依然任重道远.

碳排放反映一个地区经济发展对生态环境的需求水平, 碳吸收则反映其生态产品的供给能力, 只有碳供需平衡才能推动碳中和目标实现. 重庆市碳排放的变异系数较高, 各区县的碳排放经济贡献系数与碳生态承载能力不匹配, 导致区域碳供需失衡, 这就需要明确补偿主客体、补偿标准和补偿优先序来缓解失衡现象. 目前已有学者针对三峡库区重庆段的生态补偿进行测度, 研究对象和使用方法的差异性使得研究结果也不尽相同. 赵旭等[39]基于调查数据采用选择实验法对三峡屏障区居民的生态补偿意愿进行研究, 得出移民的人均补偿支付区间上限为392.97元, 但此结果更具有主观意愿；官冬杰等[40]结合理论损失成本和生态系统服务价值得出巫山县和巫溪县的补偿额度较大, 而渝北区、江北区、江津区和北碚区的补偿额度较小, 这与本文局部研究结果的补偿方向相互印证. 然而, 其得出重庆三峡库区的人均生态补偿额度最高为24 771元, 据估算巫溪县的补偿额甚至高达96×108元, 显然该计算结果偏高. 王陶等[41]研究认为涪陵、渝中、江北和沙坪坝等11个区县需要支付生态补偿, 而武隆、巫山、巫溪、云阳和奉节等14个区县是获补区, 这与本文研究的结果较为一致. 鄂施璇等[42]研究发现三峡库区应获碳补偿资金最高的是奉节县（0.69×106元）, 支付碳补偿金额较高的是渝北区（0.15×108元）, 然而, 该研究结果存在的问题是补偿数额在支付区和获补区的地区生产总值中所占的比例极小, 这将导致通过碳补偿实现低碳和公平发展的预期目标不一致, 即理论与现实之间存在冲突. 因此, 与之前的研究相比, 本文的结果更符合预期, 补偿金额对当地政府造成较小压力的同时, 也能成为各区县节能减排的动力, 同时与张仕超等[43]基于森林覆盖率指标得出重庆市生态补偿支付金额为8.72×108元相差不大. 在碳补偿类型分区的划分上, 相较于以往研究, 依据碳补偿率[44]、净碳排放[20]或引入生态补偿优先级来确定率先支付或受偿的地区[45~47], 本文从碳收支总量、碳排放经济效益、碳生态承载力和国土空间结构等4个属性构建碳补偿分区格局, 综合考虑了多方面因素对碳补偿分区的影响, 弥补了现有研究的不足, 同时更有利于调动区域之间协同减排增汇的积极性.

本文仍存在进一步完善之处. 一是在选取碳排放/吸收系数时, 只根据地区差异对其进行修正, 未能全面考虑不同类型与不同质量土地的碳排放/吸收能力；二是与欧盟等相对成熟的市场相比, 中国碳市场刚刚起步, 碳税政策仍处于研究酝酿阶段, 本文以重庆碳市场成交的单位碳价格为依据, 由于时间差异会导致碳补偿价值存在一定偏差, 但碳补偿的主客体不会受到太大影响. 最后, 现行生态补偿仅靠资金的形式是不可持续的, 今后应从技术补偿和政策补偿等方面对碳补偿模式加以探讨和研究, 以进一步提高补偿的现实指导作用.

4 结论

（1）2000 ~ 2020年, 重庆市碳吸收能力不断增强, 但增长速度较为缓慢, 平均增长率仅为1.43%；碳排放呈现“大幅上升-缓慢上升”的发展态势, 总计增长3 729.09×104 t. 其中, 建设用地是主要碳源, 林地碳吸收量的比例最大, 碳汇与碳源之间的差距仍然较大. 净碳排放呈现以主城都市区为高值中心, 向两翼逐渐降低的“核心-外围”空间结构, 各区县的净碳排放增长程度不尽相同, 主城都市区的增长幅度最为剧烈, 主要体现在涪陵区、江津区和永川区, 渝东南地区的增长幅度较小且相对均匀, 渝东北各区县的净碳排放增长量存在空间差异性.

（2）2000 ~ 2020年碳排放变异系数结果显示, 重庆市碳排放处于不平衡状态, 其变异系数的均值为0.602；相较全市而言, 渝东北各区县碳排放的内部差异更为显著, 其次是主城都市区, 而渝东南地区的碳排放量分布较为均匀. 碳排放经济贡献系数大于1的区县数量不断增加, 呈现出由中心高、两翼低逐步发展为中心高东南低、东北次之的空间特征. 碳生态承载系数大于1的区县约占重庆市的36.84%, 较高值区分布在城口县和巫溪县, 低值区包括渝中区和大渡口区等, 空间分布格局比较稳定. 整体来看, 碳排放经济贡献水平与碳生态承载能力存在较大差距, 区县间出现碳供需错配现象.

（3）2020年重庆市各区县碳补偿价值存在较大的空间差异性, 共有15个区县属于碳排放赤字区, 总计支付碳补偿金额为10.98×108元, 渝中区的支付额度最高（2.61×108元）, 北碚区最低（0.17×108元）. 其余23个区县为碳排放盈余区, 获得的碳补偿金额达到6.34×108元, 武隆区的受偿额度最高（0.54×108元）, 大足区最低（157.11×104元）.

（4）根据各区县4个属性的NRCA指数值, 将2020年重庆市碳补偿分区划分为4种类型, 共有8个重点支付区、7个一般支付区、3个重点受偿区和20个一般受偿区. 重点支付区的碳收支总量规模较大, 经济发展水平较高, 重点受偿区属于经济欠发达但碳汇资源丰富的城口县、巫溪县和酉阳县.

参考文献
[1] 王雅楠, 赵涛. 基于GWR模型中国碳排放空间差异研究[J]. 中国人口·资源与环境, 2016, 26(2): 27-34.
Wang Y N, Zhao T. Study on spatial difference of carbon emissions in China based on GWR model[J]. China Population, Resources and Environment, 2016, 26(2): 27-34. DOI:10.3969/j.issn.1002-2104.2016.02.004
[2] Zhang R S, Matsushima K, Kobayashi K. Can land use planning help mitigate transport-related carbon emissions? A case of Changzhou[J]. Land Use Policy, 2018, 74: 32-40. DOI:10.1016/j.landusepol.2017.04.025
[3] 杨旭, 刘贤赵. 长株潭城市群地类转移的碳传导效应与预测[J]. 环境科学, 2022, 43(12): 5850-5860.
Yang X, Liu X Z. Temporal and spatial differences in carbon conduction and prediction effect of land type transfer in Chang-Zhu-Tan urban agglomeration[J]. Environmental Science, 2022, 43(12): 5850-5860.
[4] Zhai T L, Wu L K, Chen Y M, et al. Ecological compensation in the context of carbon neutrality: a case involving service production-transmission and distribution-service consumption[J]. LAND, 2022, 11(12). DOI:10.3390/land11122321
[5] Jing X D, Tian G L, Li M R, et al. Research on the spatial and temporal differences of China's provincial carbon emissions and ecological compensation based on land carbon budget accounting[J]. International Journal of Environmental Research and Public Health, 2021, 18(24). DOI:10.3390/ijerph182412892
[6] 夏四友, 杨宇. 基于主体功能区的京津冀城市群碳收支时空分异与碳补偿分区[J]. 地理学报, 2022, 77(3): 679-696.
Xia S Y, Yang Y. Spatio-temporal differentiation of carbon budget and carbon compensation zoning in Beijing-Tianjin-Hebei urban agglomeration based on the plan for major function-oriented zones[J]. Acta Geographica Sinica, 2022, 77(3): 679-696.
[7] Rocha T D A, Silva L B, Alves E B B M, et al. Carbon footprint in an educational institution and compensation potential in urban forests[J]. Environmental Development, 2023, 46. DOI:10.1016/j.envdev.2023.100860
[8] St-Laurent G P, Hagerman S, Hoberg G. Barriers to the development of forest carbon offsetting: insights from British Columbia, Canada[J]. Journal of Environmental Management, 2017, 203: 208-217.
[9] Sapkota Y, White J R. Carbon offset market methodologies applicable for coastal wetland restoration and conservation in the United States: a review[J]. Science of the Total Environment, 2020, 701. DOI:10.1016/j.scitotenv.2019.134497
[10] Terwel B W, Ter Mors E. Host community compensation in a carbon dioxide capture and storage (CCS) context: comparing the preferences of Dutch citizens and local government authorities[J]. Environmental Science & Policy, 2015, 50: 15-23.
[11] Ropo M, Mustonen H, Knuutila M, et al. Considering embodied CO2 emissions and carbon compensation cost in life cycle cost optimization of carbon-neutral building energy systems[J]. Environmental Impact Assessment Review, 2023, 101. DOI:10.1016/j.eiar.2023.107100
[12] 赵荣钦, 刘英, 李宇翔, 等. 区域碳补偿研究综述: 机制、模式及政策建议[J]. 地域研究与开发, 2015, 34(5): 116-120.
Zhao R Q, Liu Y, Li Y X, et al. Overview of regional carbon compensation: mechanism, pattern and policy suggestions[J]. Areal Research and Development, 2015, 34(5): 116-120. DOI:10.3969/j.issn.1003-2363.2015.05.022
[13] 王立国, 丁晨希, 彭剑峰, 等. 森林公园旅游经营者碳补偿意愿的影响因素比较[J]. 经济地理, 2020, 40(5): 230-238.
Wang L G, Ding C X, Peng J F, et al. Comparison of factors affecting tourism operators' carbon offset willingness of forest parks[J]. Economic Geography, 2020, 40(5): 230-238.
[14] 钟诗雨, 张晓敏, 吴佳, 等. 基于碳减排成本的我国省域碳补偿机制[J]. 环境科学, 2023, 44(8): 4637-4646.
Zhong S Y, Zhang X M, Wu J, et al. Carbon offsetting mechanism of China province based on carbon reduction cost[J]. Environmental Science, 2023, 44(8): 4637-4646.
[15] 吴立军, 田启波. 碳中和目标下中国地区碳生态安全与生态补偿研究[J]. 地理研究, 2022, 41(1): 149-166.
Wu L J, Tian Q B. Study on regional carbon ecological security and ecological compensation in China under carbon neutralization target[J]. Geographical Research, 2022, 41(1): 149-166.
[16] 陈儒, 姜志德. 农户低碳农业生产生态补偿标准研究[J]. 干旱区资源与环境, 2018, 32(9): 63-70.
Chen R, Jiang Z D. Study on ecological compensation standard for farmers' low carbon agricultural production[J]. Journal of Arid Land Resources and Environment, 2018, 32(9): 63-70.
[17] 赵荣钦, 刘英, 马林, 等. 基于碳收支核算的河南省县域空间横向碳补偿研究[J]. 自然资源学报, 2016, 31(10): 1675-1687.
Zhao R Q, Liu Y, Ma L, et al. County-level carbon compensation of Henan Province based on carbon budget estimation[J]. Journal of Natural Resources, 2016, 31(10): 1675-1687. DOI:10.11849/zrzyxb.20151291
[18] 毕文泰, 李宗泽, 陈素云. "双碳"目标下农业碳汇交易与粮食主产区利益补偿机制研究[J]. 价格理论与实践, 2023(1): 161-164, 204.
Bi W T, Li Z Z, Chen S Y. Research on agricultural carbon trade and benefit compensation mechanism in major grain-producing areas under the "dual carbon" goal[J]. Price: Theory & Practice, 2023(1): 161-164, 204.
[19] 董捷, 曾咪. 基于碳汇收益和木材收益损失的碳汇造林补偿标准研究[J]. 浙江农业学报, 2022, 34(4): 790-800.
Dong J, Zeng M. Research on compensation standard for carbon sequestration afforestation based on carbon sequestration income and loss of wood income[J]. Acta Agriculturae Zhejiangensis, 2022, 34(4): 790-800. DOI:10.3969/j.issn.1004-1524.2022.04.15
[20] 孔凡斌, 曹露丹, 徐彩瑶. 基于碳收支核算的钱塘江流域森林碳补偿机制[J]. 林业科学, 2022, 58(9): 1-15.
Kong F B, Cao L D, Xu C Y. Compensation mechanism for forest carbon sink in the Qiantang River Basin based on carbon revenue and expenditure accounting[J]. Scientia Silvae Sinicae, 2022, 58(9): 1-15.
[21] 李洁, 宋晓谕, 吴娜, 等. 渭河流域甘肃段生态补偿成本测度与分区[J]. 经济地理, 2018, 38(1): 180-186.
Li J, Song X Y, Wu N, et al. Payments for ecosystem services based on invest model and cost-benefit analysis——a case of Weihe River Basin in Gansu Province[J]. Economic Geography, 2018, 38(1): 180-186.
[22] 孔凡斌, 曹露丹, 徐彩瑶. 县域碳收支核算与碳综合补偿类型分区——以钱塘江流域为例[J]. 经济地理, 2023, 43(3): 150-161.
Kong F B, Cao L D, Xu C Y. Measurement of carbon budget and type partition of carbon comprehensive compensation in the Qiantang River Basin[J]. Economic Geography, 2023, 43(3): 150-161.
[23] Huang H Q, Zhou J. Study on the spatial and temporal differentiation pattern of carbon emission and carbon compensation in China's provincial areas[J]. Sustainability, 2022, 14(13). DOI:10.3390/su14137627
[24] Wang W X, Wang W J, Xie P C, et al. Spatial and temporal disparities of carbon emissions and interregional carbon compensation in major function-oriented zones: a case study of Guangdong Province[J]. Journal of Cleaner Production, 2020, 245. DOI:10.1016/j.jclepro.2019.118873
[25] 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
[26] 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.
[27] 于博, 杨旭, 吴相利. 哈长城市群县域碳排放空间溢出效应及影响因素研究——基于NPP-VIIRS夜间灯光数据的实证[J]. 环境科学学报, 2020, 40(2): 697-706.
Yu B, Yang X, Wu X L. Study on spatial spillover effects and influencing factors of carbon emissions in county areas of Ha-Chang City group: evidence from NPP-VIIRS nightlight data[J]. Acta Scientiae Circumstantiae, 2020, 40(2): 697-706.
[28] 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.
[29] 范建双, 虞晓芬, 周琳. 南京市土地利用结构碳排放效率增长及其空间相关性[J]. 地理研究, 2018, 37(11): 2177-2192.
Fan J S, Yu X F, Zhou L. Carbon emission efficiency growth of land use structure and its spatial correlation: a case study of Nanjing City[J]. Geographical Research, 2018, 37(11): 2177-2192.
[30] 周翼虎, 方婷婷, 李丽. 基于TAM-TPB框架的农户宅基地退出决策机理研究[J]. 资源科学, 2021, 43(1): 148-160.
Zhou Y H, Fang T T, Li L. Decision-making mechanism of farmers'homestead exit based on the TAM-TPB framework[J]. Resources Science, 2021, 43(1): 148-160.
[31] 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
[32] 王子钒, 蔡雨微, 罗仕伟, 等. 成渝城市群碳排放时空趋势特征及影响因素分析[J]. 环境科学与技术, 2023, 46(4): 205-215.
Wang Z F, Cai Y W, Luo S W, et al. Temporal and spatial trend of carbon emission and its influencing factors in Chengdu-Chongqing urban agglomeration[J]. Environmental Science & Technology, 2023, 46(4): 205-215.
[33] 张苗, 吴萌. 土地利用对碳排放影响的作用机制和传导路径分析——基于结构方程模型的实证检验[J]. 中国土地科学, 2022, 36(3): 96-103.
Zhang M, Wu M. Analysis on the mechanism and transmission path of the impact of land use on carbon emissions: empirical test based on structural equation model[J]. China Land Science, 2022, 36(3): 96-103.
[34] 袁霄, 倪九派, 谢德体. 重庆市县域空间土地利用碳排放的时空格局分析[J]. 应用基础与工程科学学报, 2021, 29(1): 25-38.
Yuan X, Ni J P, Xie D T. Spatial-temporal pattern analysis of land use-related carbon emissions in Chongqing based on county space[J]. Journal of Basic Science and Engineering, 2021, 29(1): 25-38.
[35] 廖祥, 杨鑫, 牛振生. 成渝城市群陆地碳排放时空变化及效应研究[J]. 环境科学与技术, 2023, 46(1): 211-225.
Liao X, Yang X, Niu Z S. Spatio-temporal changes and effects on terrestrial carbon emission in Chengdu-Chongqing urban agglomeration[J]. Environmental Science & Technology, 2023, 46(1): 211-225.
[36] 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.
[37] 毛永发, 周启刚, 王陶, 等. 耦合PLUS-InVEST-Geodector模型的三峡库区碳储量时空变化及其定量归因[J]. 长江流域资源与环境, 2023, 32(5): 1042-1057.
Mao Y F, Zhou Q G, Wang T, et al. Spatial-temporal variation of carbon storage and its quantitative attribution in the three gorges reservoir area coupled with PLUS-InVEST Geodector model[J]. Resources and Environment in the Yangtze Basin, 2023, 32(5): 1042-1057.
[38] 孙秀锋, 施开放, 吴健平. 县级尺度的重庆市碳排放时空格局动态[J]. 环境科学, 2018, 39(6): 2971-2981.
Sun X F, Shi K F, Wu J P. Spatiotemporal dynamics of CO2 emissions in Chongqing: an empirical analysis at the county level[J]. Environmental Science, 2018, 39(6): 2971-2981.
[39] 赵旭, 池辰, 何伟军. 基于选择实验法的三峡屏障区居民生态补偿支付意愿研究[J]. 长江流域资源与环境, 2020, 29(1): 101-112.
Zhao X, Chi C, He W J. Analysis of the people's willingness to pay for ecological compensation in the Three Gorges Barrier area based on the choice experiments[J]. Resources and Environment in the Yangtze Basin, 2020, 29(1): 101-112.
[40] 官冬杰, 龚巧灵, 刘慧敏, 等. 重庆三峡库区生态补偿标准差别化模型构建及应用研究[J]. 环境科学学报, 2016, 36(11): 4218-4227.
Guan D J, Gong Q L, Liu H M, et al. Differential model establishment and its application of ecological compensation standard in the Three Gorges Reservoir of Chongqing[J]. Acta Scientiae Circumstantiae, 2016, 36(11): 4218-4227.
[41] 王陶, 周启刚, 毛永发, 等. 基于碳收支的三峡库区生态补偿分区及测度研究[J]. 水土保持研究, 2023, 30(4): 394-403.
Wang T, Zhou Q G, Mao Y F, et al. Study on ecological compensation zoning and measurement in the Three Gorges Reservoir area based on carbon revenue and expenditure[J]. Research of Soil and Water Conservation, 2023, 30(4): 394-403.
[42] 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.
[43] 张仕超, 刘竞宇, 冉龙池, 等. 基于提高森林覆盖率目标的跨区县横向生态补偿与供需对接——以重庆市为例[J]. 生态学报, 2023, 43(11): 4651-4663.
Zhang S C, Liu J Y, Ran L C, et al. Cross-county horizontal ecological compensation and supply-demand docking to increase forest coverage: a case study of Chongqing[J]. Acta Ecologica Sinica, 2023, 43(11): 4651-4663.
[44] 李建豹, 陈红梅, 张彩莉, 等. 长三角地区碳源碳汇时空演化特征及碳平衡分区[J]. 环境科学, 2024, 45(7): 4090-4100.
Li J B, Chen H M, Zhang C L, et al. Spatiotemporal evolution characteristics of carbon sources and carbon sinks and carbon balance zoning in the Yangtze River Delta region[J]. Environmental Science, 2024, 45(7): 4090-4100.
[45] 李璐, 夏秋月, 董捷, 等. 武汉城市圈县域空间横向碳生态补偿研究——基于土地利用碳收支差异[J]. 生态学报, 2023, 43(7): 2627-2639.
Li L, Xia Q Y, Dong J, et al. County-level carbon ecological compensation of Wuhan urban agglomeration under carbon neutrality target: based on the difference in land use carbon budget[J]. Acta Ecologica Sinica, 2023, 43(7): 2627-2639.
[46] Yang G C, Shang P P, He L C, et al. Interregional carbon compensation cost forecast and priority index calculation based on the theoretical carbon deficit: China as a case[J]. Science of the Total Environment, 2019, 654: 786-800.
[47] 胡剑波, 王青松. 基于碳平衡的民族地区生态补偿量化研究[J]. 广西民族研究, 2019(6): 145-154.
Hu J B, Wang Q S. An quantitative study on ecological compensation in ethnic minority areas based on carbon balance[J]. Guangxi Ethnic Studies, 2019(6): 145-154.