2025, Vol. 46
作为世界能源消费大国, 中国自2006年起成为世界碳排放最大的国家, 碳排放量达到世界碳排放的30%, 引起了国际社会的广泛关注[1, 2]. 面对国际舆论压力, 中国政府在2009年将减排任务作为约束性指标纳入国民经济和社会发展中长期规划, 并且承诺在2030年实现碳达峰与2060年实现碳中和[3]. 然而, 以重工业为主的产业结构使得中国化石能源消费居高不下, 能否实现既定的碳减排目标仍然存在不确定性. 已有研究表明, 土地利用所产生的碳排放约占全球碳排放总量的1/3并且已经成为气候变暖的主要推动力[4]. 因此, 研究区域土地利用碳排放是缓解碳排放压力的重要工作.
土地利用碳排放核算是进行减排责任划分的前提. 常用的土地利用碳排放的核算方法主要有模型模拟法、样地清查法和碳排放系数法. 模型模拟法以高时空分辨率的遥感数据作为基础, 模拟过程需要大量样本数据验证结果的可靠性, 参数因子的选择对模拟结果的影响较大, 通常适用于大尺度碳排放的研究[5]. 样地清查法主要是测算不同土地类型的植被或土壤碳密度进而推算碳排放量, 调查周期较长且需要耗费大量的人力、物力, 往往适用于较小尺度的碳排放计算[6]. 碳排放系数法是根据土地利用遥感数据和人类活动水平数据对不同土地利用类型碳排放量核算的一种方式, 由于计算方法简单、基础数据获取容易被广泛使用[7, 8]. 冯薇等[9]基于土地利用现状数据, 利用碳排放系数法测算了2005~2020年黄河流域72个地级城市土地利用碳收支, 发现黄河流域净碳排放量呈明显上升趋势, 并且碳排放效率的空间聚类特征明显；张娜等[10]利用碳排放系数法分析了长江经济带土地利用碳排放的区域差异, 发现各城市群的排放特征不同但总体上趋于平衡. 碳排放系数法未能充分考虑到区域间自然环境和社会发展的差异性, 不能准确反映区域之间碳排放量的差别, 因此有学者将碳排放系数进行修正或与经验参数模型相结合以获得更精确的核算结果[11, 12].
探究土地利用碳排放的影响因素是准确制定减排政策的重要途径. 由于社会、经济及发展历史的差异, 不同区域土地利用碳排放的影响因素也有所不同, 很多学者使用空间计量模型及因素分解模型分析区域土地利用碳排放的驱动因素及作用机制. Yang等[13]利用时空地理加权回归方法分析陕西省土地利用碳排放的影响因素, 发现人口密度与土地利用碳排放显著正相关. 李志英等[14]利用地理探测器法对云南省土地利用碳排放的驱动因素进行了分析, 结果表明建设用地扩张是促进碳排放增长的主要要素. Meng等[15]借助LMDI模型对近30年黄河流域9个省份的土地利用碳排放的影响因素进行分析, 发现人口密度、经济规模和土地利用结构等因素促进土地利用碳排放, 并且在不同阶段的主导因素不同. 因此, 影响土地利用碳排放的因素需要根据区域社会经济特征进行具体分析.
近年来土地利用碳排放的研究逐渐丰富, 空间尺度从国家[16]、省域[17]尺度不断精细化至城市[18]和县域尺度[19]；研究热点集中于上海[20]和重庆[21]等核心城市或城市群[22], 但在省级层面上将城市和栅格尺度的对比分析研究相对较少. 城市是区域发展与社会生产活动的中心, 也是碳减排行动实施的基本行政单元, 起到上下衔接和实施传导的关键作用, 研究其范围的碳排放对于满足不同规划主体诉求及支撑低碳发展策略的纵向衔接和横向协调至关重要[23]. 单一城市的碳排放研究结果能够确定较为准确的碳排放结果, 但无法进行城市与城市之间的横向比较；以城市群为研究范围的研究可以对城市间碳排放展开对比, 但却难以支撑省在碳减排行动中的统筹调控, 不利于区域化减排政策的制定, 在省级层面上对不同尺度单元碳排放进行比较分析可为制定差异化的减排政策提供科学依据.
作为中国东部地区人口密集的重工业大省, 经济的快速增长和城市化水平的迅速攀升导致山东省的能源消费量和碳排放量一直位于全国前列[24, 25], 同时, 由于海陆交界面的特殊生态环境及亚欧大陆桥桥头堡的经济地位使得山东省碳排放对黄河流域生态保护和高质量发展起着至关重要的作用[26]. 如何在保证经济增长的前提下实现碳减排是山东省目前亟待解决的难题. 本文基于土地利用遥感数据和社会经济数据, 构建改进的多元参数土地利用碳排放核算体系, 计算2000~2020年山东省及其16个地级市的土地利用碳排放总量并分析其时空演变特征, 利用基尼系数探索栅格尺度土地利用碳排放的空间不均衡性, 并且采用对数平均迪氏指数法（LMDI）分析不同发展阶段山东省及其16地市土地利用碳排放的影响因素. 本文从多个尺度来分别探究, 对因地制宜制定全面合理的低碳经济发展措施、政策具有理论与现实意义, 以期为实现土地优化利用和发展低碳经济提供数据支持.
1 材料与方法 1.1 研究区概况山东省地处黄河下游（114°47′~122°42′E、34°22′~38°24′N）, 土地总面积15.78万km2. 全省共包含16个地级市, 从西向东依次为：济宁、菏泽、聊城、德州、滨州、东营、临沂、枣庄、济南、泰安、淄博、潍坊、日照、青岛、烟台和威海. 进入21世纪以来, 山东省社会经济进入高速发展阶段, GDP从2000年的8 278.06亿元增长至2020年的73 129.00亿元, 年均增长率保持在11.51%, 2020年末常住人口数达到10 165万人.
1.2 数据来源本文使用的土地利用类型数据来源于中国年度土地覆盖数据集（https://zenodo.org/record/8176941）, 植被净初级生产力数据（NPP）来源于MOD17A3HGF产品数据（https://earthexplorer.usgs.gov/）, 社会经济数据如人口、GDP、能源消费和农作物产量等主要来源于历年《中国能源统计年鉴》《山东省统计年鉴》及各城市统计年鉴与统计公报. 由于2019年莱芜市并入济南市, 为保证数据的可比性, 本文将莱芜市和济南市进行合并研究.
1.3 研究方法 1.3.1 碳排放的核算借鉴已有研究的分类标准[27, 28], 本文将山东省土地利用类型分为6类：耕地、林地、草地、水体、建设用地和未利用地, 并且将建设用地视为碳源, 林地、草地、水体及未利用地视为碳汇, 由于耕地具有碳源与碳汇双重属性[29], 分别计算其碳排放和碳吸收量.
草地、水体和未利用地的碳排放参考IPCC提出的碳排放系数法进行估算, 计算公式如下[30]：
|
(1) |
式中, Ct表示草地、水体和未利用地的碳排放量, i表示土地利用类型, Ti表示第i种土地利用类型的面积, δi表示第i种土地利用类型的碳排放系数, 草地、水体和未利用地的碳排放系数分别取-2.10×10-3、-6.13×10-5和-5.00×10-4 kg·（m2·a）-1[31].
山东省耕地碳排放包括5个部分：农业生产过程中投入化肥引起的碳排放、农业生产过程中投入农药引起的碳排放、农业生产过程中投入农膜引起的碳排放、农业翻耕引起的有机碳流失形成的碳排放和农业灌溉过程中形成的碳排放[32~34], 计算公式如下[35]：
|
(2) |
式中, Ef表示耕地的碳排放量, Si表示第i种农田投入品的使用量, θi表示为农业生产中第i种农田投入品的碳排放系数, 在本文中, 化肥、农药、农膜、农业机械和农业灌溉的碳排放系数（以C计）分别取值0.86 kg·kg-1、4.93 kg·kg-1、5.18 kg·kg-1、312.60 kg·kW-1和20.48 kg·hm-2[36].
农作物生长过程中进行光合作用而固碳[11], 依据山东省主要农作物的生长周期和种植特征, 耕地碳吸收量的计算公式如下[11]：
|
(3) |
式中, Cf表示作物生长过程中的碳吸收量, Ci表示第i种作物光合作用合成的每单位有机物（干重）的碳吸收率, Wi表示第i种作物的含水率, Yi表示第i种作物的经济产量, Ei表示第i种作物经济系数. 各类作物的经济系数、碳吸收率和含水量如表 1所示.
|
表 1 山东省主要农作物的作物系数 Table 1 Crop coefficient of main crops in Shandong Province |
森林是陆地生态系统中最重要的碳库, 森林碳吸收对中国总碳吸收量的贡献率达到67.8%[37, 38], 其碳吸收量与平均植被净初级生产力和林地面积有关, 具体计算公式如下[39]：
|
(4) |
式中, Cw表示林地固碳量, NPP表示林地平均净初级生产力（以C计, g·m-2）, S表示林地面积（m2）.
建设用地碳排放量通常用能源消费二氧化碳排放量来表征[30]. 由于缺乏城市层面的能源数据, 学者通常以工业产值、建筑业产值和城乡居民人口数等社会经济数据作为各个城市能源消费的分配系数[12], 利用排放因子法估算建设用地碳排放量, 计算公式如下[40]：
|
(5) |
式中, Ec表示建设用地碳排放量, i表示能源类型, 本文选取原煤、焦炭、原油、汽油、煤油、柴油、燃料油和天然气8种能源, ei表示第i种能源的消耗量, vi表示第i种能源的标准煤转换系数, ωi表示第种i能源的碳排放系数. 相关系数的取值见表 2.
|
|
表 2 不同能源类型的标准煤转换系数和碳排放系数 Table 2 Carbon emission coefficient and conversion factor to standard coal from different types of energy |
1.3.2 基尼系数
洛伦兹曲线和基尼系数早期用于衡量一个地区或国家人口收入的差异[41, 42]. 本文利用洛伦兹曲线和基尼系数分析了栅格尺度土地利用碳排放的空间不均衡性. 将洛伦兹曲线和理想等分线之间区域的面积设为A, 洛伦兹曲线右下方区域的面积为B, A除以（A+B）所得商即为基尼系数. 根据洛伦兹曲线, 基尼系数的计算公式如下[43]：
|
(6) |
式中, Gini表示基尼系数, n表示网格的数量, xi表示网格数占网格总数的10%、20%和30%等的累计量, yi表示相应网格中碳排放的累计量.
1.3.3 LMDI因素分解模型LMDI模型由于能够将目标变量的变化分解为几个驱动因素的组合, 具有避免残差项和数据零值的优势, 是一种分析碳排放驱动因素的常用方法[44, 45]. 由于能源消耗是山东省的土地利用碳排放主要来源, 因此本文充分考虑了能源结构和能源效率对土地利用碳排放的影响, 将土地利用碳排放分解为：能源结构、能源效率、经济发展、人口密度和建设用地规模5个因素. 具体公式如下：
|
(7) |
式中, C表示土地利用碳排放, E表示能源消耗量, GDP表示国民生产总值, P表示人口数量, S表示建设用地面积, ES=C/E表示能源结构, EI=E/GDP表示能源效率, GI=GDP/P表示经济发展, PS=P/S表示人口密度.
|
(8) |
式中, ΔC表示历年各个影响因素产生的碳排放较基准年累计产生的总效应, C0和Ct分别表示基期和第t时期的土地利用碳排放. ΔES、ΔEI、ΔGI、ΔPS和ΔS分别表示各影响因素从基期到第t时期各驱动因素影响下的分效应, 即能源结构效应、能源效率效应、经济发展效应、人口密度效应和建设用地规模效应.
2 结果与分析 2.1 土地利用变化特征研究期内山东省各土地利用类型面积变化显著并且存在明显差异（图 1和图 2）, 尤以建设用地最为突出, 快速的城市化使得建设用地面积从2000年的2.28万km2增加到2020年的3.44万km2, 增幅达51.04%. 退耕还林及退耕还湖政策的实施使得水体和林地面积分别从2000年的0.29万km2、0.67万km2增加到2020年的0.50万km2、0.78万km2, 增长率达到69.68%和15.75%. 相应地, 耕地面积从2000年的11.78万km2减少到2020年的10.63万km2, 降幅为9.78%. 草地和未利用地面积从0.37万km2和0.21万km2减少到0.22万km2和0.04万km2, 分别减少了41.36%和80.89%. 研究期内耕地面积持续减少, 建设用地面积持续增加, 并且增减量均表现先增大后减小的特征.
|
图 1 2000~2020年山东省土地利用类型分布示意 Fig. 1 Spatial distribution of land use types in Shandong Province from 2000 to 2020 |
|
图 2 2000~2020年山东省土地利用类型面积变化 Fig. 2 Land use changes in Shandong Province from 2000 to 2020 |
从土地利用类型间的转化来看, 2000~2010年山东省各土地利用类型总转移量为1.09万km2, 占全省总面积的6.99%（图 3）. 其中, 耕地转出规模最大（0.75万km2）, 占总转移面积的68.97%, 主要流向建设用地（0.54万km2）、水体（0.11万km2）和草地（0.05万km2）. 其次是草地（0.12万km2）, 主要流向耕地（0.09万km2）和林地（0.02万km2）. 2010~2020年山东省土地利用类型的总转移量达到1.25万km2, 占山东省总面积的7.97%. 耕地仍然是面积转移最为显著的土地类型, 共转出0.78万km2, 主要流向建设用地（0.55万km2）、林地（0.12万km2）和水体（0.06万km2）. 此外, 0.14万km2的草地被转移到耕地（0.09万km2）和林地（0.04万km2）, 分别占草地转出面积的62.96%和30.07%.
|
图 3 2000~2020年山东省土地利用转移矩阵弦图 Fig. 3 Chord diagram of land use transfer matrix in Shandong Province from 2000 to 2020 |
从土地利用类型转移的空间分布来看（图 4）, 耕地向建设用地的转移主要集中在临沂（0.13万km2）、烟台（0.12万km2）和菏泽（0.09万km2）, 在空间上呈现向心聚拢的状态. 草地向耕地、林地以及林地向耕地、草地的转移主要发生在济南、淄博, 共转移用地0.02万km2. 未利用地向水体的转移主要集中在东营（0.04万km2）, 占未利用地转移总量的22.13%.
|
1、2、3、4、5和6分别表示耕地、林地、草地、水体、未利用地和建设用地, “→”表示转移过程, A、B和C表示发生土地转移较为剧烈的地区 图 4 2000~2020年山东省土地利用转移的空间分布 Fig. 4 Spatial distribution of land use conversion in Shandong Province from 2000 to 2020 |
受能源消费总量持续增加的影响, 2000~2020年山东省土地利用碳排放量保持持续上升趋势, 从2000年的52.70×106 t增加到2020年的352.97×106 t, 年均增长率为9.98%. 不同时间段山东省的碳排放增长速率有明显差异, 总体上呈现出先迅速增加后缓慢增长的特点（图 5）. 其中, 建设用地是主要的碳源, 占山东省碳排放总量的90%以上, 2020年山东省建设用地碳排放量达到404.73×106 t. 由于种植技术进步, 山东省耕地在化肥、农药和其他农业投入要素的消耗量不断增加的情况下仍然表现出显著的碳汇功能, 碳汇量从2000年的24.17×106 t增加至2020年的47.66×106 t, 在一定程度上遏制了碳排放的上升. 林地是山东省的重要碳汇, 林地碳吸收量从2000年2.51×106 t增加到2020年的4.09×106 t. 水体碳吸收量呈先减小后增加的趋势, 草地和未利用地的碳吸收量则逐年下降. 研究期内建设用地碳排放量的迅速上升是推动山东省碳排放增加的主要原因, 而耕地和林地起到显著的碳汇效应是减少土地利用碳排放的关键因素.
|
图 5 2000~2020年山东省各土地利用类型碳排放量变化 Fig. 5 Carbon emissions from different land use types in Shandong Province from 2000 to 2020 |
栅格尺度（3 km×3 km）土地利用碳排放显示, 研究期内山东省的碳吸收区面积不断减小, 碳排放区的面积不断增大（图 6）. 2000年山东省的碳吸收区主要分布在济南、泰安和菏泽, 面积为4.42万km2（占山东省总面积的28.32%）；中、高碳排放区零星分布在青岛南部及济南、淄博的中部市区, 面积仅占全省1.43%. 2020年山东省碳吸收区面积下降到1.01万km2（占山东省总面积的6.42%）, 而中高碳排放区面积较2000年增加了近20倍, 达到3.20万km2（占全省总面积的20.50%）, 主要分布在济南、淄博和青岛等城市. 从空间变化来看, 碳吸收区主要从外围被逐渐蚕食转化为低碳排放区, 而中、高碳排放区以城镇建设用地为中心沿着交通路线向外扩张, 以稳定的速度取代邻近的低碳排放区.
|
图 6 2000~2020年栅格尺度土地利用碳排放的时空分布 Fig. 6 Distribution of land use carbon emissions at a grid scale from 2000 to 2020 |
研究期内山东省碳排放的空间差异始终较大（基尼系数均大于0.5）, 但集中分布状态有下降趋势（图 7）. 排放量最高的10%的栅格碳排放量从2000年的21.92×106 t增加到2020年的135.04×106 t, 而占全省土地利用碳排放总量的占比则从42.17%下降到38.30%, 基尼系数从2000年的0.56下降至2015年的0.51. 2015年以来, 碳减排政策的实施使得高碳排放区碳排放增速得到遏制, 基尼系数开始相对稳定.
|
图 7 2000~2020年山东省土地利用碳排放分布的洛伦兹曲线 Fig. 7 Lorenz curve for the distribution of land use carbon emissions in Shandong Province from 2000 to 2020 |
从城市尺度来看, 山东省各城市的土地利用碳排放在研究期内持续上升, 但由于城市间经济基础和产业结构的差异, 土地利用碳排放量及碳排放增长速率表现出明显的不同（图 8和图 9）. 由于建设用地面积广且能源消耗量高, 济南、青岛及烟台的土地利用碳排放量始终位于前列, 2020年达到135.95×106 t, 占全省碳排放总量的38.51%. 而能源结构和产业结构调整使得三市的碳排放量增长速率处于较低水平（年均增长率为9.41%）. 由于具有碳吸收能力的耕地面积占比高、建设用地规模相对较小以及能源消费总量低, 聊城、菏泽及滨州的土地利用碳排放量始终处于较低水平, 2020年碳排放量为35.94×106 t（占全省碳排放量的10.32%）, 但增长速率高（年均增长率为14.83%）. 总体来说, 研究期内山东省各城市的土地利用碳排放呈现东高西低、增长率呈现西高东低的空间分布格局.
|
图 8 2000~2020年山东省16城市土地利用碳排放时空格局 Fig. 8 Spatial-temporal pattern of land use carbon emissions in 16 cities in Shandong Province from 2000 to 2020 |
|
图 9 2000~2020年山东省16城市土地利用碳排放年均增长率变化 Fig. 9 Average annual growth rate of land use carbon emissions in 16 cities in Shandong Province from 2000 to 2020 |
不同的因素对土地利用碳排放的影响作用不同, 并且在不同阶段其影响结果也有差异（图 10）. 总体上讲, 经济发展和建设用地规模效应促进了山东省土地利用碳排放的增加, 而能源结构、能源效率和人口密度效应则抑制土地利用碳排放.
|
图 10 2000~2020年各影响因素的碳排放驱动效应变化 Fig. 10 Changes in the driving effect of carbon emissions of each influencing factor from 2000 to 2020 |
经济发展和建设用地扩张是山东省土地利用碳排放增加最主要的因素, 但在不同时期作用强度有所差别. 研究期内经济发展导致土地利用碳排放增加了364.32×106 t, 对碳排放增加量的贡献率达到121.33%, 其中又以2005~2010年间的促进作用最为突出（贡献率达到171.26%）. 建设用地扩张对土地利用碳排放的促进作用也十分显著, 本研究期内导致土地利用碳排放增加了100.26×106 t, 贡献率为33.38%, 相比而言建设用地对碳排放的促进效应在2010~2020年期间更为突出, 导致64.13×106 t的碳排放增加额（贡献率为75.90%）. 能源结构对土地利用碳排放总体上呈现抑制作用, 研究期内山东省进行了产业结构的优化与升级, 以天然气为主的清洁能源的占比从2000年的0.37%增长至2020年的4.31%, 从而减少了33.39×106 t碳排放, 贡献率达到-11.12%. 山东省能源利用效率显著提高, 能源强度从2000年的1.32 t·万元-1下降至2020年的0.81 t·万元-1, 抑制了60.55×106 t的碳排放. 城市人口的规模效应能够促进公共基础设施的完善以及知识溢出和劳动力等集聚经济的形成, 从而提升生产效率, 人口密度对山东省土地利用碳排放始终呈抑制作用, 累计减少了70.37×106 t碳排放.
从城市层面来看, 不同因素对土地利用碳排放的作用方向和作用强度差别较大（图 11）. 其中, 能源结构对济南、青岛、烟台和淄博等经济发达地区土地利用碳排放的抑制作用表现突出, 2010~2020期间减少了青岛市碳排放, 贡献值达到-11.61×106 t（贡献率为-46.14%）. 能源效率在2000~2010年和2010~2020年期间对土地利用碳排放的作用方向完全不同, 前一阶段主要表现为抑制作用而后一阶段主要表现为促进作用, 并以青岛和烟台两城市表现最为明显（从减少6.65×106 t的碳排放到增加23.42×106 t的碳排放）, 这是由于能源效率的提升会降低生产成本从而引发能源消费需求的增加, 从而导致碳排放增加. 经济发展在不同时期对各个城市土地利用碳排放都起到促进作用, 并且在2000~2010年期间成为推动青岛、烟台、淄博和东营土地利用碳排放增长最主要的因素, 经济发展导致城市碳排放量分别增加39.27×106、37.39×106、25.94×106和23.78×106 t, 同时产业结构的调整使得经济发展对济南、青岛和烟台等地区的土地利用碳排放的主导作用逐渐减弱. 人口密度对绝大部分城市的土地利用碳排放表现为抑制作用, 而建设用地规模一直呈现促进作用.
|
（a）2000~2010年, （b）2010~2020年；ES、EI、GI、PS和S分别表示能源结构、能源效率、经济发展、人口密度和建设用地规模 图 11 2000~2020年山东省16城市各影响因素的碳排放驱动效应变化 Fig. 11 Changes in the driving effect of carbon emissions by influencing factors in 16 cities in Shandong Province from 2000 to 2020 |
本研究期内山东省的建设用地面积持续增加但耕地面积持续减少, 建设用地的增加主要来自于耕地, 这主要是因为以第二产业为主的产业结构决定了山东省经济快速发展与建设用地尤其是工业用地的扩张具有较高水平的共性, 第二产业的发展是山东省建设用地增加最主要的原因. 同时, 土地利用类型面积的改变与区域发展政策密切相关. 2009年国务院正式通过《黄河三角洲高效生态经济区发展规划》政策, 建议加大力度推进交通和水利等基础设施的建设以助力经济高效发展, 基础设施的完善刺激了产业集群的增加, 从而导致建设用地扩张. 耕地是山东省最主要的碳汇, 但近年来耕地大量流失特别是耕地向建设用地的转化导致山东省碳储存潜力大大下降, 因此, 推进土地集约化使用、严格控制建设用地对耕地的占用是未来土地利用管控的重要内容.
由于化石能源消费的持续增加, 研究期内山东省碳排放总量上升但增长量有所下降. 以重化工业为主的产业结构使得山东省交通设施用地、工业用地及其它相关建设用地等成为区域最主要的碳源. 山东省2011年颁布了《山东省“十二五”节能减排综合性工作实施方案》, 大力推进节能减排措施的落实, 耕地和林地碳汇量的增加有效抵消了建设用地的碳排放, 碳排放的增长速率放缓, 但能源消费强度仍然高于全国平均水平. 因此, 改善产业结构, 转变经济增长方式, 通过引入先进技术和高水平人力资源降低区域碳排放是目前碳减排工作的重要方向.
从碳排放的时空演变及LMDI分析结果来看, 山东省碳排放呈现排放量东高西低、增长率西高东低的空间分布格局, 各地级市碳排放的影响因素差异显著. 青岛、烟台和济南等城市的碳排放量高但增速低, 建设用地扩张对碳排放增长的贡献大, 未来城市发展应当严格控制建设用地的无序扩张, 构建低碳城市空间结构；人口密度抑碳作用弱, 适当提高人口密度, 发挥人口规模效应和集聚效应是重要的减排手段. 聊城、菏泽和滨州等城市碳排放增速远高于其他城市, 是未来碳排放的重点防控区域；能源结构是碳排放增加最主要的驱动因素. 因此应强化对碳排放状况的全面监测与积极治理, 调整以煤炭和重工业为主导的传统经济模式, 推进化工、电力、钢铁等高耗能产业的转型升级, 致力于提高能源使用效率, 关注对风力及光伏发电等新能源、新技术的开发和探索.
4 结论（1）尽管耕地仍然是山东省的主要土地利用类型（占全省土地面积70%以上）, 但耕地面积持续下降, 从2000年的11.78万km2减少到2020年的10.63万km2, 是主要的土地利用转出类型. 建设用地是主要的土地利用转入类型（主要由耕地转入）, 建设用地面积从2000年的2.28万km2增加到2020年的3.44万km2, 2015年后增长速度逐渐减缓.
（2）山东省土地利用碳排放量持续增加, 从2000年的52.70×106 t增加到2020年的352.97×106 t, 但增长率明显下降. 建设用地是主要的碳源, 耕地和林地主要起碳汇作用, 研究期内建设用地的碳排放量和耕地、林地的碳吸收量均呈上升趋势. 从空间分布来看, 山东省土地利用碳排放栅格尺度上的空间不均衡性逐渐下降并趋于稳定, 城市尺度上土地利用碳排放量表现为东高西低, 碳排放增长率表现为西高东低的分布特征.
（3）不同因素对山东省土地利用碳排放的影响效应不同. 经济发展和建设用地规模对碳排放具有促进作用, 贡献率达到121.33%和33.39%, 能源结构、能源效率和人口密度则呈抑制作用, 贡献率分别为-11.12%、-20.17%和-23.43%. 城市层面上, 山东省绝大部分城市的土地利用碳排放随能源结构的改善而受到抑制, 并且在经济发达地区的抑制效果突出；能源效率对各城市土地利用碳排放的影响存在显著地域差异, 在经济发展成熟的地区表现为促进效应, 在发展处于基础阶段的城市表现为抑制效应.
| [1] |
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. DOI:10.3969/j.issn.1000-6923.2024.04.006 |
| [2] |
李梓赫, 周冬梅, 江晶, 等. 甘肃省土地利用碳排放时空演变特征及影响因素[J]. 环境科学, 2024, 45(9): 5040-5048. Li Z H, Zhou D M, Jiang J, et al. Spatial and temporal evolution characteristics of carbon emission from land use and influencing factors in Gansu Province[J]. Environmental Science, 2024, 45(9): 5040-5048. |
| [3] |
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. |
| [4] |
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. |
| [5] |
刘坤, 张慧, 孔令辉, 等. 陆地生态系统碳汇评估方法研究进展[J]. 生态学报, 2023, 43(10): 4294-4307. Liu K, Zhang H, Kong L H, et al. An overview of terrestrial ecosystem carbon sink assessment methods towards achieving carbon neutrality in China[J]. Acta Ecologica Sinica, 2023, 43(10): 4294-4307. |
| [6] |
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. |
| [7] | He J J, Zhang P Y. Evaluation of carbon emissions associated with land use and cover change in Zhengzhou City of China[J]. Regional Sustainability, 2022, 3(1): 1-11. DOI:10.1016/j.regsus.2022.03.002 |
| [8] | Li W, Chen Z J, Li M C, et al. Carbon emission and economic development trade-offs for optimizing land-use allocation in the Yangtze River Delta, China[J]. Ecological Indicators, 2023, 147. DOI:10.1016/j.ecolind.2023.109950 |
| [9] |
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. |
| [10] |
张娜, 孙芳城, 胡钰苓, 等. 长江经济带三大城市群土地利用碳排放的区域差异及空间收敛性[J]. 环境科学, 2024, 45(8): 4656-4669. Zhang N, Sun F C, Hu Y L, et al. Regional difference and spatial convergence of land use carbon emissions in three urban agglomerations of Yangtze River Economic Belt[J]. Environmental Science, 2024, 45(8): 4656-4669. |
| [11] | Rong T Q, Zhang P Y, Zhu H R, et al. Spatial correlation evolution and prediction scenario of land use carbon emissions in China[J]. Ecological Informatics, 2022, 71. DOI:10.1016/j.ecoinf.2022.101802 |
| [12] | Zhou Y, Chen M X, Tang Z P, et al. Urbanization, land use change, and carbon emissions: quantitative assessments for city-level carbon emissions in Beijing-Tianjin-Hebei region[J]. Sustainable Cities and Society, 2021, 66. DOI:10.1016/j.scs.2020.102701 |
| [13] | Yang Y J, Li H Y. Monitoring spatiotemporal characteristics of land-use carbon emissions and their driving mechanisms in the Yellow River Delta: a grid-scale analysis[J]. Environmental Research, 2022, 214. DOI:10.1016/j.envres.2022.114151 |
| [14] |
李志英, 朱晓珊, 杨丽, 等. 云南省土地利用碳排放时空演变特征及影响因素[J]. 水土保持通报, 2023, 43(5): 297-303, 311. Li Z Y, Zhu X S, Yang L, et al. Spatial-temporal evolution characteristics and influencing factors of carbon emissions in Yunnan Province based on land use changes[J]. Bulletin of Soil and Water Conservation, 2023, 43(5): 297-303, 311. |
| [15] | Meng Q X, Zheng Y N, Liu Q, et al. Analysis of spatiotemporal variation and influencing factors of land-use carbon emissions in nine provinces of the Yellow River Basin based on the LMDI model[J]. Land, 2023, 12(2). DOI:10.3390/land12020437 |
| [16] | Yang F, He F N, Li S C, et al. A new estimation of carbon emissions from land use and land cover change in China over the past 300 years[J]. Science of the Total Environment, 2023, 863. DOI:10.1016/j.scitotenv.2022.160963 |
| [17] |
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 |
| [18] |
王亚娟, 翟晨曦, 刘彩玉, 等. 宁夏土地利用碳排放时空差异及影响因素分析[J]. 环境科学, 2024, 45(9): 5049-5059. Wang Y J, Zhai C X, Liu C Y, et al. Analysis of spatiotemporal differences and influencing factors of land use carbon emissions in Ningxia[J]. Environmental Science, 2024, 45(9): 5049-5059. |
| [19] |
黄汉志, 贾俊松, 张振旭. 江西县域土地利用变化碳排放时空演变及其影响因素[J]. 生态学报, 2023, 43(20): 8390-8403. Huang H Z, Jia J S, Zhang Z X. Spatiotemporal pattern evolution and influencing factors of land-use carbon emissions in counties, Jiangxi Province[J]. Acta Ecologica Sinica, 2023, 43(20): 8390-8403. |
| [20] | Wang Y, Fan H, Wang H M, et al. High-carbon expansion or low-carbon intensive and mixed land-use? Recent observations from megacities in developing countries: a case study of Shanghai, China[J]. Journal of Environmental Management, 2023, 348. DOI:10.1016/j.jenvman.2023.119294 |
| [21] |
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. |
| [22] | Yu Z Q, Chen L Q, Tong H X, et al. Spatial correlations of land-use carbon emissions in the Yangtze River Delta region: a perspective from social network analysis[J]. Ecological Indicators, 2022, 142. DOI:10.1016/j.ecolind.2022.109147 |
| [23] |
张振龙, 侯琰珍, 孙鸿鹄. 市域国土空间碳排放测算及低碳化发展效率差异[J]. 自然资源学报, 2023, 38(6): 1464-1481. Zhang Z L, Hou Y Z, Sun H H. Calculation of carbon emissions and the difference of low-carbon development efficiency on city territorial space[J]. Journal of Natural Resources, 2023, 38(6): 1464-1481. |
| [24] | Yang H, Lu Z N, Shi X P, et al. How well has economic strategy changed CO2 emissions? Evidence from China's largest emission province[J]. Science of the Total Environment, 2021, 774. DOI:10.1016/j.scitotenv.2021.146575 |
| [25] | Zhou K L, Yang J N, Yang T, et al. Spatial and temporal evolution characteristics and spillover effects of China's regional carbon emissions[J]. Journal of Environmental Management, 2023, 325. DOI:10.1016/j.jenvman.2022.116423 |
| [26] |
王奕淇, 孙学莹. 黄河流域生态系统服务价值时空演化及影响因素[J]. 环境科学, 2024, 45(5): 2767-2779. Wang Y Q, Sun X Y. Spatiotemporal evolution and influencing factors of ecosystem service value in the Yellow River Basin[J]. Environmental Science, 2024, 45(5): 2767-2779. |
| [27] |
曹周亮, 张欣蓉, 员学锋, 等. 基于土地利用变化的陕西省县域碳排放时空变化及影响因素研究[J]. 水土保持通报, 2022, 42(5): 376-385. Cao Z L, Zhang X R, Yuan X F, et al. Spatio-temporal variation and influencing factors of CO2 emission at county scale in Shaanxi Province based on land use change[J]. Bulletin of Soil and Water Conservation, 2022, 42(5): 376-385. |
| [28] |
苗欣然, 李泽红, 王梦媛. 粮食供应安全下东北黑土区耕地利用系统韧性时空演变——以齐齐哈尔市为例[J]. 资源科学, 2023, 45(9): 1801-1816. Miao X R, Li Z H, Wang M Y. Spatiotemporal changes of cultivated land use system resilience in the black soil region of Northeast China under food supply security: a case study of Qiqihar City[J]. Resources Science, 2023, 45(9): 1801-1816. |
| [29] |
柳可, 张安录. 耕地利用效率研究进展——基于文献计量视角[J]. 资源科学, 2023, 45(3): 494-511. Liu K, Zhang A L. Research progress and hotspots of cultivated land use efficiency in China and internationally: based on a bibliometric analysis[J]. Resources Science, 2023, 45(3): 494-511. |
| [30] | Lin Q W, Zhang L, Qiu B K, et al. Spatiotemporal analysis of land use patterns on carbon emissions in China[J]. Land, 2021, 10(2). DOI:10.3390/land10020141 |
| [31] | Zhang C Y, Zhao L, Zhang H T, et al. Spatial-temporal characteristics of carbon emissions from land use change in Yellow River Delta region, China[J]. Ecological Indicators, 2022, 136. DOI:10.1016/j.ecolind.2022.108623 |
| [32] |
郝小雨. 基于碳足迹的黑龙江垦区农业生态系统碳源/汇时空变化[J]. 中国农业资源与区划, 2022, 43(8): 64-73. Hao X Y. Spatiotemporal variation of carbon source/sink in agricultural ecosystem based on carbon footprint in Heilongjiang land reclamation areas[J]. Chinese Journal of Agricultural Resources and Regional Planning, 2022, 43(8): 64-73. |
| [33] |
于卓卉, 毛世平. 中国农业净碳排放与经济增长的脱钩分析[J]. 中国人口•资源与环境, 2022, 32(11): 30-42. Yu Z H, Mao S P. Analysis of the decoupling of China's agricultural net carbon emissions from its economic growth[J]. China Population, Resources and Environment, 2022, 32(11): 30-42. |
| [34] |
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. |
| [35] |
付伟, 徐媛媛, 王福利, 等. 中国省域农田生态系统碳足迹时空演变分析[J]. 生态经济, 2024, 40(1): 88-94. Fu W, Xu Y Y, Wang F L, et al. Temporal and spatial evolution of carbon footprint of farmland ecosystems in China[J]. Ecological Economy, 2024, 40(1): 88-94. |
| [36] | Wu H J, Deng K L, Dong Z F, et al. Comprehensive assessment of land use carbon emissions of a coal resource-based city, China[J]. Journal of Cleaner Production, 2022, 379. DOI:10.1016/j.jclepro.2022.134706 |
| [37] | Huang Y, Sun W J, Qin Z C, et al. The role of China's terrestrial carbon sequestration 2010-2060 in offsetting energy-related CO2 emissions[J]. National Science Review, 2022, 9(8). DOI:10.1093/nsr/nwac057 |
| [38] | Song Z L, Liu H Y, Strömberg C A E, et al. Contribution of forests to the carbon sink via biologically-mediated silicate weathering: a case study of China[J]. Science of the Total Environment, 2018, 615: 1-8. DOI:10.1016/j.scitotenv.2017.09.253 |
| [39] | Cheng J, Huang C B, Gan X T, et al. Can forest carbon sequestration offset industrial CO2 emissions? A case study of Hubei Province, China[J]. Journal of Cleaner Production, 2023, 426. DOI:10.1016/j.jclepro.2023.139147 |
| [40] |
魏燕茹, 陈松林. 福建省土地利用碳排放空间关联性与碳平衡分区[J]. 生态学报, 2021, 41(14): 5814-5824. Wei Y R, Chen S L. Spatial correlation and carbon balance zoning of land use carbon emissions in Fujian Province[J]. Acta Ecologica Sinica, 2021, 41(14): 5814-5824. |
| [41] |
庞军, 许昀, 石媛昌, 等. 我国能源资源税改革对城乡居民的收入分配效应——基于CGE模型的分析[J]. 中国环境科学, 2020, 40(6): 2729-2740. Pang J, Xu Y, Shi Y C, et al. Income distribution effects of China's energy resource tax reform on urban and rural households—an analysis based on CGE model[J]. China Environmental Science, 2020, 40(6): 2729-2740. |
| [42] |
赵政楠, 茹少峰. 黄河流域生态补偿的时空格局、区域差异及分布动态演进[J]. 环境科学, 2024, 45(10): 5853-5867. Zhao Z N, Ru S F. Spatial-temporal situation, regional differences, and dynamic evolution of the distribution of ecological compensation in the Yellow River Basin[J]. Environmental Science, 2024, 45(10): 5853-5867. |
| [43] | Bai L, Lu X, Yin S S, et al. A recent emission inventory of multiple air pollutant, PM2.5 chemical species and its spatial-temporal characteristics in central China[J]. Journal of Cleaner Production, 2020, 269. DOI:10.1016/j.jclepro.2020.122114 |
| [44] | Huang Y M, Wang Y, Peng J T, et al. Can China achieve its 2030 and 2060 CO2 commitments? Scenario analysis based on the integration of LEAP model with LMDI decomposition[J]. Science of the Total Environment, 2023, 888. DOI:10.1016/j.scitotenv.2023.164151 |
| [45] |
刘颖, 王远, 朱琳. 长三角地区建筑业碳排放变化的时空特征及影响因素分析[J]. 中国环境科学, 2023, 43(12): 6677-6688. Liu Y, Wang Y, Zhu L. Analyzing carbon emissions in the Yangtze River Delta's construction industry: spatiotemporal characteristics and influencing factors[J]. China Environmental Science, 2023, 43(12): 6677-6688. |