基于夜間燈光數(shù)據(jù)的湖南省縣域碳排放時(shí)空格局及影響因素研究

趙先超, 彭競(jìng)霄, 胡藝覺, 張子兮

基于夜間燈光數(shù)據(jù)的湖南省縣域碳排放時(shí)空格局及影響因素研究

趙先超, 彭競(jìng)霄, 胡藝覺, 張子兮

湖南工業(yè)大學(xué)城市與環(huán)境學(xué)院, 株洲 412007

研究碳排放的時(shí)空格局演變及影響因素對(duì)指導(dǎo)制定差異化的碳減排政策具有重要意義?；谝归g燈光數(shù)據(jù), 在估算湖南省各縣區(qū)碳排放量的基礎(chǔ)上, 結(jié)合空間統(tǒng)計(jì)、空間自相關(guān)、熱點(diǎn)分析、地理加權(quán)回歸、GIS等方法研究了湖南省縣域碳排放的空間分異、時(shí)空格局特征與影響因素。研究結(jié)果表明: (1)2013—2017年, 湖南省能源消費(fèi)碳排放總體上呈現(xiàn)東高西低的空間格局, 碳排放主要集中于區(qū)域的市轄區(qū), 縣域碳排放最高點(diǎn)在長沙市市轄區(qū); (2)湖南省能源消費(fèi)碳排放存在較為顯著的空間正相關(guān), 全省縣域尺度能源消費(fèi)碳排放全局Moran's I指數(shù)整體呈現(xiàn)出逐年上升的趨勢(shì), 各市的市轄區(qū)在中心相互輻射, 表現(xiàn)出顯著的集聚現(xiàn)象, 并形成了碳排放“高-高型”分布特征; (3)湖南省能源消費(fèi)碳排放量的冷熱點(diǎn)格局表現(xiàn)出湘南地區(qū)冷點(diǎn)擴(kuò)張, 湘中地區(qū)熱點(diǎn)擴(kuò)張的演變趨勢(shì), 從2013年到2017年, 熱點(diǎn)區(qū)與次熱點(diǎn)區(qū)由11個(gè)升至13個(gè), 湘中地區(qū)與其他地區(qū)的冷熱點(diǎn)差距在逐步拉大; (4)影響湖南省縣域能源消費(fèi)碳排放量的4個(gè)影響因素與碳排放均表現(xiàn)為正相關(guān)性, 其影響程度依次為人口、人均GDP、第二產(chǎn)業(yè)比重與單位GDP能耗。

縣域尺度; 夜間燈光數(shù)據(jù); 碳排放量; 時(shí)空格局; 湖南省

0 前言

全球氣候變暖是當(dāng)前世界各國所面臨的巨大挑戰(zhàn)之一。IPCC(Intergovernmental Panel on Climate Change)第四次評(píng)估報(bào)告顯示, 化石能源消費(fèi)產(chǎn)生的二氧化碳等溫室氣體是造成全球氣候變暖的主要原因[1]。作為一個(gè)負(fù)責(zé)任的國家, 在哥本哈根世界氣候大會(huì)期間, 中國政府承諾到2020年單位國內(nèi)生產(chǎn)總值二氧化碳排放比2005年下降 40%至45%。對(duì)節(jié)能減排目標(biāo)而言, 碳減排與碳排放分配需考慮不同地區(qū)的經(jīng)濟(jì)發(fā)展水平與能源消耗情況。從這個(gè)層面上講, 科學(xué)估算某一地區(qū)碳排放并在此基礎(chǔ)上進(jìn)行時(shí)空格局及影響因素研究對(duì)于指導(dǎo)區(qū)域碳減排、低碳轉(zhuǎn)型發(fā)展工作則顯得尤為重要。

當(dāng)前, 國內(nèi)外諸多學(xué)者對(duì)能源碳排放驅(qū)動(dòng)因素[2]、碳排放時(shí)空格局動(dòng)態(tài)[3-6]以及空間相關(guān)性與差異性[7-9]等問題進(jìn)行了大量研究。從總體上看, 現(xiàn)有研究成果多側(cè)重于省域或市域尺度的碳排放估算與時(shí)空格局動(dòng)態(tài)分析, 縣域尺度的碳排放估算與分析較少。然而, 對(duì)區(qū)域碳排放時(shí)空格局動(dòng)態(tài)研究來講, 研究尺度較大會(huì)導(dǎo)致難以更加準(zhǔn)確地反映出區(qū)域內(nèi)部碳排放的時(shí)空格局特征, 而細(xì)化到縣級(jí)尺度則可以進(jìn)一步科學(xué)、準(zhǔn)確地反映碳排放時(shí)空演變特征, 從而為區(qū)域具體的碳減排政策制定提供更有效的參考。正是在這一背景下, 國內(nèi)已有部分成果開始涉及縣域尺度的碳排放研究, 比較有代表性的成果主要有: 蘇泳嫻基于DMSP/OLS夜間燈光影像實(shí)現(xiàn)了以市級(jí)為基礎(chǔ)單元的我國碳排放估算[10]; 孫秀鋒基于空間分辨率為1km的碳排放柵格數(shù)據(jù)計(jì)算了重慶38個(gè)區(qū)縣的碳排放數(shù)據(jù), 并探討了重慶縣級(jí)尺度碳排放的區(qū)域差異和空間格局演變特征[11]; 汪浩運(yùn)用人口占比分配法計(jì)算了京津冀都市圈縣級(jí)區(qū)域的二氧化碳排放量數(shù)據(jù), 并對(duì)其空間格局和空間依賴性進(jìn)行研究[12]; 郭忻怡則綜合DMSP/OLS夜間燈光影像和NDVI數(shù)據(jù), 構(gòu)建了碳排放的空間滯后回歸模型并開展江蘇省碳排放的空間分布模擬[13]。綜合來看, 目前多數(shù)研究碳排放時(shí)空格局動(dòng)態(tài)的成果主要針對(duì)國家、省級(jí)以及市級(jí)等中宏觀尺度[11], 僅有少數(shù)研究縣級(jí)尺度的碳排放時(shí)空格局動(dòng)態(tài), 且主要集中在東部地區(qū), 對(duì)于中西部地區(qū)的案例研究卻鮮見涉及。進(jìn)一步來看, 現(xiàn)有縣域碳排放的計(jì)算多是基于夜間燈光數(shù)據(jù)來進(jìn)行, 這一方法可以很好的彌補(bǔ)縣域尺度碳排放相關(guān)數(shù)據(jù)不易獲取的缺點(diǎn), 且已被國內(nèi)外學(xué)者證明夜間燈光數(shù)據(jù)可用于進(jìn)行碳排放量的估算, 但現(xiàn)有研究均是利用DMSP/OLS夜間燈光數(shù)據(jù)進(jìn)行估算, 這一數(shù)據(jù)在2013年以后停止更新, 不適用于近期研究, 而NPP/VIIRS夜間燈光影像可以彌補(bǔ)2013年以后數(shù)據(jù)的空白[13-15]。

隨著工業(yè)化水平的提高與城市化進(jìn)程的加快, 作為我國中部地區(qū)“兩型社會(huì)”建設(shè)綜合配套改革試驗(yàn)區(qū)建設(shè)的重點(diǎn)依托省份之一, 湖南省對(duì)于能源的需求必然是急劇、大量增長的, 由此產(chǎn)生的碳排放也會(huì)顯著提高, 而湖南省缺煤少油少氣的現(xiàn)狀, 迫使湖南省需要走低碳環(huán)保、集約高效的綠色發(fā)展之路, 這也給正在處于快速工業(yè)化進(jìn)程中的湖南省帶來了嚴(yán)峻挑戰(zhàn)[16]。當(dāng)前, 湖南各市域乃至縣域的產(chǎn)業(yè)結(jié)構(gòu)、經(jīng)濟(jì)發(fā)展和能源消費(fèi)等差異較大, 所體現(xiàn)的碳排放格局也明顯不同, 區(qū)域內(nèi)部的關(guān)系與差異, 必然會(huì)對(duì)湖南省碳排放的時(shí)空格局動(dòng)態(tài)產(chǎn)生深遠(yuǎn)的影響。本文即以此為切入點(diǎn), 從縣域尺度出發(fā), 基于夜間燈光數(shù)據(jù), 利用空間統(tǒng)計(jì)、空間自相關(guān)、熱點(diǎn)分析、地理加權(quán)回歸與GIS等方法探討湖南省縣域尺度碳排放的區(qū)域時(shí)空格局特征與影響因素, 有利于在理論層面充實(shí)縣域尺度的碳排放研究成果, 在實(shí)踐層面可以為湖南省兩型社會(huì)建設(shè)與碳減排策略提供一定的科學(xué)依據(jù), 從而有利于針對(duì)性的提出與湖南省各縣市相適應(yīng)的碳減排政策。

1 研究區(qū)概況

湖南省屬于中部六省之一, 位于長江中游, 洞庭湖以南, 地跨東經(jīng)108°47′—114°15′、北緯 24°38'—30°08′之間, 東鄰江西, 西接重慶、貴州, 南靠廣東、廣西, 北連湖北。轄區(qū)東西寬667 km, 南北長774 km, 幅員面積21.18萬km2。截止2017年, 下轄13個(gè)地級(jí)市和1個(gè)自治州(122個(gè)縣、市、區(qū))。需要特別說明的是, 考慮到地級(jí)市轄區(qū)面積普遍較小, 基于研究需要以及更好地進(jìn)行地圖形象化展示, 本文合并各市市轄區(qū)(即把市轄區(qū)視為一個(gè)研究區(qū)), 即在具體碳排放計(jì)算與分析時(shí)以湖南省100個(gè)縣、縣級(jí)市、市轄區(qū)(以下統(tǒng)稱為縣區(qū))作為研究對(duì)象(圖1)。

2 數(shù)據(jù)來源與研究方法

2.1 數(shù)據(jù)來源及處理

數(shù)據(jù)來源包括NPP/VIIRS夜間燈光影像以及湖南省100個(gè)縣區(qū)的統(tǒng)計(jì)數(shù)據(jù)。

(1)NPP/VIIRS夜間燈光影像。采用的2013—2017年VIIRS/DNB年月平均燈光輻射數(shù)據(jù), 來源于美國國家地球物理數(shù)據(jù)中心(NGDC)下屬的地球觀測(cè)小組(EOG)(https://www.ngdc.noaa.gov/eog/viirs/ download＿monthly.html)。該數(shù)據(jù)相比DMSP/OLS夜間燈光數(shù)據(jù), 不存在像元值過度飽和問題, 其在軌檢驗(yàn)校正程序上也大幅提高了影像的清晰度, 但NPP/VIIRS原數(shù)據(jù)并沒有過濾背景噪聲, 本文主要借鑒Ma的方法去除極小值以及背景噪聲[17], 得到穩(wěn)定的夜間燈光數(shù)據(jù), 并將月數(shù)據(jù)利用柵格計(jì)算器計(jì)算組合為年合成影像。經(jīng)過校正裁剪后的湖南省夜間燈光影像如圖2所示。

(2)統(tǒng)計(jì)數(shù)據(jù)。湖南省能源消費(fèi)碳排放時(shí)空格局與影響因素研究所涉及到的數(shù)據(jù)主要來源于《湖南省統(tǒng)計(jì)年鑒》, 包括2013—2017年的湖南省各縣(市、區(qū))的人口、GDP、人均GDP、綜合能源消費(fèi)量等數(shù)據(jù)。

圖1 湖南省100個(gè)縣區(qū)示意圖

Figure 1 The location diagram of 100 hundred districts in Hunan Province

圖2 湖南省2017年夜間燈光影像

Figure 2 Night light images in 2017 in Hunan Province

2.2 研究方法

2.2.1 碳排放量測(cè)算

采用聯(lián)合國政府間氣候變化專門委員會(huì)(Inter-governmental Panel on Climate Change, IPCC)《國家溫室氣體排放清單指南》[1]中提供的能源消耗碳排放計(jì)算公式1展開。

式中,為碳排放量;E為第類能源的消耗量;δ為第類能源的碳排放系數(shù)。

2.2.2 夜間燈光數(shù)值與碳排放量擬合

研究表明, 同一區(qū)域的碳排放總量與夜間燈光總量之間有較好的相關(guān)性[18-19]?；诖? 本文將校正后的夜間燈光數(shù)據(jù)裁剪后得到湖南省各縣區(qū)夜間燈光數(shù)據(jù), 統(tǒng)計(jì)出湖南省夜間燈光數(shù)據(jù)總值(TDN), 并與相應(yīng)年份的碳排放總量進(jìn)行擬合分析(式2), 擬合結(jié)果在0.01水平上顯著相關(guān),2為0.8545, 碳排放量與夜間燈光值的關(guān)系如式3:

=0.2268×+7022.8(式2)

C=0.0306×(式3)

式中,為碳排放總量;C為第個(gè)縣區(qū)單元的碳排放量;為校正后的湖南省夜間燈光數(shù)據(jù)總值;為第個(gè)縣區(qū)單元的夜間燈光數(shù)值。

2.2.3 空間自相關(guān)

為探討湖南省縣域碳排放之間潛在的空間依賴、空間關(guān)聯(lián)和差異程度, 運(yùn)用Moran's I 指數(shù)與熱點(diǎn)分析(Getis-Ord Gi*)對(duì)湖南省縣域碳排放空間自相關(guān)進(jìn)行研究, 其中Moran's I 指數(shù)包括全局Moran's I 指數(shù)(Global Moran's I)和局部Moran's I指數(shù)(Anselin Local Moran's I)。

(1)全局 Moran's I 指數(shù)。

全局 Moran's I 指數(shù)可度量空間鄰接縣區(qū)碳排放量的相關(guān)集聚程度, 全局Moran's I指數(shù)介于-1至1之間, Moran's I指數(shù)大于0表示存在空間正相關(guān), 其值趨向于1時(shí), 表示碳排放總體空間相關(guān)性越明顯, 即碳排放較高(或較低)的縣區(qū)單元呈現(xiàn)空間集聚分布; Moran's I指數(shù)小于0表示縣域碳排放與周圍縣區(qū)存在顯著差異, 其值越趨近于-1, 即表示縣域碳排放在空間上差異越大; 等于0則表示不存在空間關(guān)聯(lián)性, 即縣域碳排放空間模式呈隨機(jī)性。

(2)局部Moran's I指數(shù)。

全局Moran's I指數(shù)僅能揭示湖南省縣域碳排放在整體上的空間集聚程度, 不能反映各縣區(qū)與相鄰縣區(qū)之間碳排放的空間相關(guān)性及集聚類型, 而局部Moran's I指數(shù)能彌補(bǔ)上述不足。根據(jù)所得的結(jié)果值可將縣區(qū)劃分成HH(高值聚類)、HL(高值被低值包圍)、LH(低值被高值包圍)與LL(低值聚類)四種情況, 如Moran's I指數(shù)為正,為正, 即縣區(qū)位于HH(高值聚類)象限。

(3)熱點(diǎn)分析。

熱點(diǎn)分析可揭示全局Moran's I指數(shù)所掩蓋的局部不穩(wěn)定性, 并在全局空間自相關(guān)的基礎(chǔ)上進(jìn)一步測(cè)算碳排放在空間集聚的具體位置和區(qū)域相關(guān)程度[6], 且熱點(diǎn)分析對(duì)權(quán)重的敏感度高于局部空間自相關(guān)分析的敏感度。通過其結(jié)果, 可以得出熱點(diǎn)區(qū)或冷點(diǎn)區(qū)在空間上發(fā)生聚類的位置, 識(shí)別具有統(tǒng)計(jì)顯著性的熱點(diǎn)和冷點(diǎn)。

2.2.4 地理回歸加權(quán)模型(Geographical Weighted Regression, GWR)

為探討湖南省縣域碳排放的區(qū)域差異及其背后的驅(qū)動(dòng)因素, 考慮影響因素變量的空間位置與碳排放的空間回歸關(guān)系, 運(yùn)用地理加權(quán)回歸模型進(jìn)行模擬研究。其公式如下:

式中,Z表示因變量;0是回歸常數(shù);為縣區(qū)單元數(shù); (A,B)表示第個(gè)縣區(qū)的地理位置坐標(biāo)(作為地理加權(quán));i(A,B)表示第個(gè)縣區(qū)上的第個(gè)回歸系數(shù), 是地理位置函數(shù);e是隨機(jī)誤差。其中, 加權(quán)時(shí)采用高斯函數(shù)(ADAPTIVE)構(gòu)建加權(quán)函數(shù), 帶寬采用信息準(zhǔn)則(AIC)法與核密度估計(jì)。

3 結(jié)果與分析

3.1 各縣區(qū)碳排放的整體時(shí)空格局

2013—2017年, 湖南省碳排放呈現(xiàn)持續(xù)增長的趨勢(shì), 為更好地在橫向上比較湖南省各縣區(qū)碳排放的空間格局和在縱向上比較碳排放的時(shí)空轉(zhuǎn)變, 將湖南省各縣區(qū)碳排放量根據(jù)自然間斷點(diǎn)分級(jí)法進(jìn)行統(tǒng)一調(diào)整劃分, 即將湖南省的各縣區(qū)劃分為四類不同的碳排放區(qū)(見圖3): 1)重度碳排放型: 年碳排放量規(guī)模超過300萬t; 2)中度碳排放型: 年碳排放量規(guī)模為100—300萬t; 3)一般碳排放型: 年碳排放量規(guī)模為30—100萬t; 4)輕度碳排放型: 年碳排放量規(guī)模為小于30萬t。

基于上述劃分標(biāo)準(zhǔn), 湖南省縣域能源消費(fèi)碳排放存在顯著的空間差異, 碳排放總體上呈中高四周低的格局, 具有較為明顯的聚集現(xiàn)象, 重度碳排放區(qū)域和輕度碳排放區(qū)域都較為集中。

圖3 2013—2017年湖南省縣域能源消費(fèi)碳排放量

Figure 3 The carbon emissions from energy consumption in Hunan Province from 2013 to 2017

從年度上看, 2013年, 湖南省各縣區(qū)能源消費(fèi)碳排放量中, 重度碳排放型有6個(gè), 中度碳排放型有8個(gè), 一般碳排放型有22個(gè), 輕度碳排放型有64個(gè), 分別占比為6%、8%、22%與64%。其中重度碳排放型中碳排放最高的是長沙市市轄區(qū)(1967.85萬t), 其次為長沙縣(559.88萬t), 這些縣區(qū)碳排放量較大與其人口、經(jīng)濟(jì)高度集聚有關(guān); 碳排放最低的縣區(qū)是古丈縣(2.91萬t), 其次為雙牌縣(3.00萬t), 均低于3萬t, 這些區(qū)域支柱產(chǎn)業(yè)多為農(nóng)業(yè)或旅游服務(wù)業(yè), 經(jīng)濟(jì)發(fā)展對(duì)耗能產(chǎn)業(yè)的依賴較小, 從而在較大程度上影響其成為湖南省能源消費(fèi)碳排放的低值區(qū)。2017年, 湖南省各縣區(qū)中重度碳排放型有7個(gè), 依次長沙市市轄區(qū)(2462.95萬t)、長沙縣(901.96萬t)與湘潭市市轄區(qū)(678.37萬t)。多數(shù)縣區(qū)碳排放較2013年均有不同程度的增加, 如重度碳排放的縣區(qū)由2013年的6個(gè)上升到2017年的7個(gè), 中度碳排放的縣區(qū)由2013年的8個(gè)上升到2017年的12個(gè), 而一般碳排放型由22個(gè)降到45個(gè), 輕度碳排放的縣區(qū)由2013年的64%下降到2017年的36%。其中, 常德市市轄區(qū)與衡陽市市轄區(qū)由中度碳排放型變?yōu)橹囟忍寂欧判? 瀏陽市、張家界市市轄區(qū)、醴陵市、吉首市市轄區(qū)和湘潭縣由一般碳排放型轉(zhuǎn)為中度碳排放型, 其中, 郴州市市轄區(qū)由原來的重度碳排放型轉(zhuǎn)變?yōu)橹卸忍寂欧判? 溆浦縣、石門縣、臨湘市等33個(gè)縣區(qū)由輕度碳排放型轉(zhuǎn)為了一般碳排放型, 這與湖南省城鎮(zhèn)化、經(jīng)濟(jì)、人口快速發(fā)展緊密相關(guān)。

從湖南省能源消費(fèi)碳排放量變化趨勢(shì)看, 湖南省縣區(qū)能源消費(fèi)碳排放年均增長率前十位與后十位的縣區(qū)如圖4所示。從圖中可以看出, 湖南省100個(gè)縣區(qū)的能源消費(fèi)碳排放呈現(xiàn)出不同的變化趨勢(shì), 變化趨勢(shì)分異明顯, 其中年均變化速率為增加的縣區(qū)有85個(gè), 年均變化速率為下降的縣區(qū)則有15個(gè), 整體偏上升趨勢(shì), 平均變化速率為16.26 %。根據(jù)各縣區(qū)能源消費(fèi)碳排放的年均變化速率的差異可以分成三類: 1)增長趨勢(shì)型(增長率大于5%), 即縣區(qū)2013—2017年碳排放年均變化速率整體呈增長趨勢(shì), 共71個(gè), 其中增長最為顯著的是新田縣(94.88%)、石門縣(77.05%)、南縣(70.73%)等。究其原因一方面可能是由于碳排放基數(shù)較小, 如古丈縣2013年能源消費(fèi)碳排放量僅為6.43萬t, 能源消費(fèi)增長導(dǎo)致碳排放的增加, 極易形成較高的年均增長率; 另一方面, 經(jīng)濟(jì)的快速發(fā)展使這些區(qū)域不可避免的經(jīng)歷著快速的城市化進(jìn)程, 同時(shí)也承接著省會(huì)所屬縣區(qū)等部分城市高耗能工業(yè)企業(yè)的產(chǎn)業(yè)轉(zhuǎn)移, 導(dǎo)致對(duì)能源、交通等需求增多, 碳排放也隨之增長。2)穩(wěn)定趨勢(shì)型(增長率小于5%, 大于-5%), 即縣區(qū)2013—2017年能源消費(fèi)碳排放年均變化速率整體波動(dòng)幅度不大, 年均變化速率呈穩(wěn)定趨勢(shì), 共21個(gè), 如婁底市市轄區(qū)(0. 19%)、嘉禾縣(0.19%)、冷水江市(-1.20%)與臨武縣(1.46%)。3)下降趨勢(shì)型(增長率小于-5%), 即縣區(qū)2013—2017年能源消費(fèi)碳排放年均變化速率整體呈下降趨勢(shì), 共8個(gè), 其中韶山市(-13.56%)下降幅度最大, 其次為安仁縣(-11.48%)、江永縣(-10.79%)、永興縣(-8.22%)、汝城縣(-8.09%)等。

3.2 碳排放空間自相關(guān)分析

基于Queen標(biāo)準(zhǔn)的一階空間權(quán)重矩陣, 利用ArcGIS10.2軟件的空間分析功能, 對(duì)湖南省2013—2017年100個(gè)縣區(qū)的能源消費(fèi)碳排放量進(jìn)行全局空間自相關(guān)分析, 得出各年份的全局 Moran's I 指數(shù)(見表1)。

圖4 2013—2017年湖南省縣域能源消費(fèi)碳排放年均增長率前十的縣區(qū)(a)與后十的縣區(qū)(b)

Figure 4 The front 10 districts (a) and behind 10 districts(b) of average annual growth rate for carbon emissions from energy consumption in Hunan Province from 2013 to 2017

由表1可知, 2013—2017年間, 湖南省縣域碳排放之間存在著空間正相關(guān)關(guān)系, 各年全局Moran's I指數(shù)值均為正值, 且都通過了p值小于0.01, z值大于2.58的顯著性水平檢驗(yàn)。這表明湖南省內(nèi)相鄰縣區(qū)的碳排放呈現(xiàn)極為顯著的空間自相關(guān), 即湖南省縣域碳排放在空間上呈現(xiàn)極為顯著的集聚現(xiàn)象, 碳排放量較高(或較低)的縣區(qū)相互鄰近。從時(shí)間上看, 湖南省縣域能源消費(fèi)碳排放量空間自相關(guān)Moran's I指數(shù)在整體上呈現(xiàn)上升的趨勢(shì), 空間相關(guān)性逐年增加, 其中2017年為峰值(0.2635), 從側(cè)面說明了湖南省不同縣區(qū)之間的碳排放量總體差異近幾年在逐漸縮小。

檢驗(yàn)全局Moran's I指數(shù)僅能從整體上判斷和識(shí)別湖南省能源消費(fèi)碳排放的空間分異, 無法揭示其內(nèi)部碳排放的空間集聚特征。為進(jìn)一步表達(dá)各縣區(qū)碳排放量在內(nèi)部空間位置上的相互關(guān)聯(lián)關(guān)系, 依次選取2013、2015 和2017年3個(gè)時(shí)間截面對(duì)湖南省縣域尺度能源消費(fèi)碳排放進(jìn)行局部空間自相關(guān)(Local Moran's I)分析?？芍? 基于Queen標(biāo)準(zhǔn)空間權(quán)重矩陣的湖南省縣域能源消費(fèi)碳排放量差距并不顯著, 僅出現(xiàn)高-高型(High-High Cluster), 顯示僅長沙市市轄區(qū)、湘潭市市轄區(qū)、株洲市市轄區(qū)、長沙縣、寧鄉(xiāng)縣滿足5%的顯著性水平。從整體上看, 這些區(qū)域能源消費(fèi)量較大, 又屬于經(jīng)濟(jì)相對(duì)發(fā)達(dá)區(qū)。從時(shí)間變化來看, 長沙市市轄區(qū)、株洲市市轄區(qū)、湘潭市市轄區(qū)與長沙縣一直處于高-高型, 寧鄉(xiāng)縣則在2017年從局部相關(guān)性不顯著轉(zhuǎn)為高-高型。以上分析表明, 湖南省縣域能源消費(fèi)碳排放雖然全局空間自相關(guān)顯著, 但在存在局部自相關(guān)區(qū)域體現(xiàn)并不明顯, 說明湖南省內(nèi)部縣域能源消費(fèi)碳排放量與其周邊縣區(qū)的碳排量差距不大, 同時(shí)也體現(xiàn)了局部空間自相關(guān)分析較全局分析的優(yōu)勢(shì)所在。

表1 湖南省縣域能源消費(fèi)碳排放量空間自相關(guān) Moran's I 指數(shù)(2013—2017)

3.3 碳排放熱點(diǎn)分析

利用ArcGIS10.2計(jì)算2013、2015和2017年3個(gè)時(shí)間截面的湖南省縣域能源消費(fèi)碳排放量空間相互關(guān)聯(lián)系數(shù)Gi*, 并按照自然間斷點(diǎn)分級(jí)法對(duì)Gi*統(tǒng)計(jì)值數(shù)值劃分為熱點(diǎn)區(qū)、次熱點(diǎn)區(qū)、次冷點(diǎn)區(qū)和冷點(diǎn)區(qū)4個(gè)等級(jí), 得到湖南省縣域能源消費(fèi)碳排放量的空間格局熱點(diǎn)演化圖(圖5)。相比于局部空間自相關(guān), 熱點(diǎn)分析對(duì)于能源消費(fèi)碳排放量的集聚狀態(tài)反映的更加明顯。

從整體上來看, 湖南省縣域能源消費(fèi)碳排放的冷熱點(diǎn)格局在湘中地區(qū)轉(zhuǎn)化體現(xiàn)較為明顯。從2013年到2017年, 碳排放量熱點(diǎn)略微擴(kuò)張, 熱點(diǎn)區(qū)由2013年的7個(gè)升至9個(gè), 次熱點(diǎn)區(qū)維持4個(gè)不變, 次冷點(diǎn)區(qū)由2013年的26個(gè)變?yōu)?0個(gè), 冷點(diǎn)區(qū)則增加了4個(gè), 變化較為顯著, 其中湘中地區(qū)的株洲市和瀏陽市由次熱點(diǎn)區(qū)轉(zhuǎn)變?yōu)闊狳c(diǎn)區(qū), 醴陵縣和桃江縣由次冷點(diǎn)區(qū)變?yōu)榇螣狳c(diǎn)區(qū), 衡陽縣、婁底市市轄區(qū)和桃源縣由冷點(diǎn)區(qū)轉(zhuǎn)變?yōu)榇卫潼c(diǎn)區(qū), 而湘南地區(qū)由2013年的宜章縣、臨武縣、郴州市市轄區(qū)、桂陽縣、永興縣和資興市6個(gè)縣區(qū)以及雙峰縣共7個(gè)次冷點(diǎn)區(qū)轉(zhuǎn)變?yōu)槔潼c(diǎn)區(qū), 這應(yīng)該與這些地區(qū)近年來能源消費(fèi)碳排放量的增加或減小有關(guān)。從2013年到2017年碳排放量的冷熱點(diǎn)格局變化來看, 整體表現(xiàn)出湘南地區(qū)冷點(diǎn)擴(kuò)張, 湘中地區(qū)熱點(diǎn)擴(kuò)張的趨勢(shì), 這也表明了湖南省縣域能源消費(fèi)碳排放量在整體上差距在逐步擴(kuò)大, 而在局部地區(qū)較為集聚, 且差距在局部縮小。

圖5 2013—2017年湖南省縣域能源消費(fèi)碳排放量的空間格局熱點(diǎn)演化

Figure 5 Hot spot evolution of spatial patterns for carbon emissions from energy consumption in Hunan Province from 2013 to 2017

3.4 碳排放主要影響因素分析

為進(jìn)一步分析湖南省縣域能源消費(fèi)碳排放量空間差異背后的驅(qū)動(dòng)因素, 繼續(xù)利用ArcGIS10.2對(duì)湖南省100縣區(qū)能源消費(fèi)碳排放的影響因素進(jìn)行地理加權(quán)回歸分析。參考相關(guān)成果[16,20], 主要選取人口(用常住人口數(shù)量表征)、經(jīng)濟(jì)(用人均GDP表征)、技術(shù)水平(用單位GDP能耗表征)與工業(yè)結(jié)構(gòu)(用第二產(chǎn)業(yè)結(jié)構(gòu)所占比重表征)等四個(gè)因素來分別研究其對(duì)碳排放量空間差異的影響。為避免某一年份時(shí)間截面上數(shù)據(jù)的誤差, 將2013—2017年(單位GDP能耗數(shù)據(jù)為2013-2016年)各年份的4個(gè)指標(biāo)求取平均值進(jìn)行GWR分析, 得到湖南省縣域碳排放量各影響因素的GWR模型回歸系數(shù)空間分布圖(圖6)。由圖可知, 4個(gè)因素的回歸系數(shù)均為正, 說明各因素與碳排放均呈正相關(guān)關(guān)系, 其中人口的影響最為顯著, 其次依次是人均GDP、第二產(chǎn)業(yè)比重、單位GDP能耗。

圖6 GWR模型四大影響因素的回歸系數(shù)空間分布

Figure 6 Spatial distribution of regression coefficient for four influence factors of GWR model

從人口回歸系數(shù)來看, 其影響程度整體呈現(xiàn)東北高西南低的格局, 高值區(qū)主要集中于湘中湘北長株潭岳陽益陽一帶, 低值區(qū)則聚集在湘西邵陽懷化吉首一帶, 碳排放量受人口影響最大、回歸系數(shù)最高的是湘陰縣, 碳排放量受人口影響最小、回歸系數(shù)最低的是隆回縣; 人均GDP對(duì)碳排放量的影響僅次于人均GDP, 說明人均GDP增長對(duì)碳排放量的增加也較為明顯, 人均GDP對(duì)碳排放量的敏感區(qū)域主要也集中在湖南湘西北一帶, 同時(shí)湘中湘北部分縣區(qū)也較為集聚, 其中碳排放量受人均GDP影響最多、敏感度最高、回歸系數(shù)最大的是石門縣, 碳排放量受人均GDP影響最少、敏感度最低、回歸系數(shù)最小的是桂東縣。

第二產(chǎn)業(yè)比重對(duì)能源消費(fèi)碳排放量的回歸系數(shù)較人均GDP和人口的有所降低, 其回歸系數(shù)在空間上呈現(xiàn)出由湘西北向湘東南遞增的趨勢(shì), 說明在其他因素相等的情況下, 湘南地區(qū)碳排放量受第二產(chǎn)業(yè)比重的影響最大, 回歸系數(shù)最高的縣區(qū)為汝城縣, 湘西地區(qū)碳排放量受第二產(chǎn)業(yè)比重的影響最小, 回歸系數(shù)最低的縣區(qū)為龍山縣; 單位GDP能耗回歸系數(shù)最低的是懷化邵陽地區(qū)的溆浦縣、新邵縣和邵東縣, 回歸系數(shù)自西北到東南一線向東北和西南逐漸增大, 呈現(xiàn)出中部向東北和西南遞增的趨勢(shì), 其回歸系數(shù)最高的縣區(qū)為城步縣。

4 討論與結(jié)論

本文在基于夜間燈光數(shù)據(jù)并估算湖南省100個(gè)縣區(qū)碳排放量的基礎(chǔ)上, 結(jié)合空間自相關(guān)、熱點(diǎn)分析方法、地理加權(quán)回歸以及ArcGIS技術(shù)手段研究了湖南省縣域碳排放量的空間自相關(guān)性、熱點(diǎn)區(qū)及集聚特性與影響因素。結(jié)果表明:

(1)2013—2017年, 湖南省縣域能源消費(fèi)碳排放存在顯著的空間差異, 總體上呈東高西低的格局, 且碳排區(qū)域具有明顯的聚集現(xiàn)象, 其碳排放最高點(diǎn)在長沙市市轄區(qū), 同時(shí)遠(yuǎn)郊縣區(qū)碳排放增長率高于主城轄區(qū)。

(2)湖南省縣域尺度能源消費(fèi)碳排放各年全局Moran's I指數(shù)值均為正, 存在極為顯著的空間正相關(guān)。2013—2017年, 湖南省全局Moran's I指數(shù)整體上呈現(xiàn)出逐年上升的趨勢(shì), 這說明不同縣區(qū)碳排放的空間集聚程度逐漸升高。

(3)湖南省縣域能源消費(fèi)碳排放量之間差距并不顯著, 僅出現(xiàn)高-高型, 顯示僅5個(gè)縣區(qū)滿足5%的顯著性水平, 表明湖南省內(nèi)部縣域碳排放量與其周邊縣區(qū)的碳排量差距不大。

(4)湖南省縣域能源消費(fèi)碳排放的冷熱點(diǎn)格局由東高西低逐漸轉(zhuǎn)向中高四周低的態(tài)勢(shì), 表現(xiàn)出湘南地區(qū)冷點(diǎn)擴(kuò)張, 湘中地區(qū)熱點(diǎn)擴(kuò)張的趨勢(shì)。從2013年到2017年, 熱點(diǎn)區(qū)與次熱點(diǎn)區(qū)由11個(gè)升至13個(gè), 冷點(diǎn)區(qū)則增加了4個(gè), 湘中地區(qū)與其他地區(qū)的冷熱點(diǎn)差距在逐步拉大。

(5)影響湖南省縣域能源消費(fèi)碳排放量的4個(gè)影響因素與碳排放均呈正相關(guān)關(guān)系, 其影響程度的大小依次為人口>人均GDP >第二產(chǎn)業(yè)比重>單位GDP能耗。

值得注意的是, 碳排放量不僅只是由能源消費(fèi)碳排放一種構(gòu)成, 并且由于縣域?qū)用鏀?shù)據(jù)獲取受限, 加之夜間燈光數(shù)據(jù)在不同區(qū)域的特色地理位置以及數(shù)據(jù)矯正方法上的局限性, 現(xiàn)研究只能以之示意整體, 這在以后需要深入進(jìn)行研究補(bǔ)充。為了確保碳排放模擬值的準(zhǔn)確性, 將湖南省夜間燈光數(shù)據(jù)總值與相應(yīng)年份碳排放總量的擬合度(0.8545)與蘇泳嫻等[10](擬合度0.818)和武娜等[21](擬合度0.8650)的研究對(duì)比, 結(jié)果較為一致, 可見建立的擬合模型可靠性較高。此外, 對(duì)比國內(nèi)其他以省域[22]、市域[10]、縣域[11]尺度碳排放空間自相關(guān)的相關(guān)研究, 從總體上看, 不管是在省域尺度、市域尺度還是縣域尺度, 我國碳排放的全局Moran's I指數(shù)均為正值, 這與湖南省縣域尺度能源消費(fèi)碳排放的全局Moran's I指數(shù)表現(xiàn)基本一致, 而湖南省碳排放局部自相關(guān)未呈現(xiàn)出明顯的“HL”、“LH”和“LL”的空間集聚類型, 這可能與研究尺度與空間依賴對(duì)象不同有關(guān), 從而呈現(xiàn)比較平衡且不顯著的空間分布格局。

[1] IPCC. Climate Change 2007: The AR4 Synthesis Report[M]. Geneva: Intergovernmental Panel on Climate Change, 2007.

[2] LIU Yansui, YAN Bin, ZHOU Yang. Urbanization, economic growth, and carbon dioxide emissions in China: a panel cointegration and causality analysis. Journal of Geographical Sciences, 2016, 26(2): 131–152.

[3] MA Chun, JU Meiting, ZHANG Xiaochun, et al. Energy consumption and carbon emissions in a coastal city in China[J]. Procedia Environmental Sciences, 2011, 4: 1–9.

[4] HE Jiankun, DENG Jing, SU Mingshan, et al. CO2emission from China’s energy sector and strategy for its control[J]. Energy, 2010, 35(11): 4494–4498.

[5] ROUT U K, A Vo. Energy and emissions forecast of China over a long-time horizon[J]. Energy, 2011, 36(1): 1–11.

[6] 胡艷興, 潘竟虎, 王怡睿. 基于ESDA-GWR的1997—2012年中國省域能源消費(fèi)碳排放時(shí)空演變特征[J]. 環(huán)境科學(xué)學(xué)報(bào), 2015, 35(6): 1896–1906.

[7] 王文秀, 匡耀求, 黃寧生. 廣東省能源消費(fèi)碳排放空間自相關(guān)分析[J]. 環(huán)境科學(xué)與技術(shù), 2014, 37(3): 180– 187+193.

[8] 胡雪瑤, 焦文獻(xiàn), 陳興鵬, 等. 河南省能源消費(fèi)碳排放動(dòng)態(tài)變化及空間分異[J]. 地域研究與開發(fā), 2017, 36(4): 147–152.

[9] 馬彩虹, 鄒淑燕, 趙晶, 等. 西北地區(qū)能源消費(fèi)碳排放時(shí)空差異分析及地域類型劃分[J]. 經(jīng)濟(jì)地理, 2016, 36(12): 162–168.

[10] 蘇泳嫻, 陳修治, 葉玉瑤, 等. 基于夜間燈光數(shù)據(jù)的中國能源消費(fèi)碳排放特征及機(jī)理[J]. 地理學(xué)報(bào), 2013, 68(11): 1513–1526.

[11] 孫秀鋒, 施開放, 吳健平. 縣級(jí)尺度的重慶市碳排放時(shí)空格局動(dòng)態(tài)[J]. 環(huán)境科學(xué), 2018, 39(6): 2971–2981.

[12] 汪浩, 陳操操, 潘濤, 等. 縣域尺度的京津冀都市圈CO2排放時(shí)空演變特征[J]. 環(huán)境科學(xué), 2014, 35(1): 385–393.

[13] 郭忻怡, 閆慶武, 譚曉悅, 等. 基于DMSP/OLS與NDVI的江蘇省碳排放空間分布模擬[J]. 世界地理研究, 2016, 25(4): 102–110.

[14] ELVIDGE C D, IMHOF M L, BAUGH K E, et al. Night time lights of the world: 1994-1995[J]. ISPRS Journal of Photogrammetry and Remote Sensing, 2001, 56(2): 81–99.

[15] RAUPACH M, RAYNER P, PAGET M. Regional variations in spatial structure of night lights, population density and fossil fuel CO2emissions[J]. Energy Policy, 2009, 2: 61–65.

[16] 劉賢趙, 高長春, 宋炎, 等. 湖南市域化石能源消費(fèi)碳排放時(shí)空格局及驅(qū)動(dòng)因素[J]. 生態(tài)學(xué)報(bào), 2017, 37(7): 2476–2487.

[17] MA Ting, ZHOU Chenghu, TAO Pei, et al. Responses of Suomi-NPP VIIRS-derived nighttime lights to socioe-conomic activity in China’s cities[J]. Remote Sensing Letters, 2014, 5 (2) : 165–174.

[18] 顧羊羊, 喬旭寧, 樊良新, 等. 夜間燈光數(shù)據(jù)的區(qū)域能源消費(fèi)碳排放空間化[J]. 測(cè)繪科學(xué), 2017, 42(2): 140–146.

[19] 蘇泳嫻. 基于DMSP/OLS夜間燈光數(shù)據(jù)的中國能源消費(fèi)碳排放研究[D]. 廣州: 中國科學(xué)院研究生院(廣州地球化學(xué)研究所), 2015.

[20] 趙先超. 湖南省能源消費(fèi)碳排放的系統(tǒng)分析與復(fù)合調(diào)控[D]. 長沙: 湖南師范大學(xué), 2014.

[21] 武娜, 沈鐳, 鐘帥. 基于夜間燈光數(shù)據(jù)的晉陜蒙能源消費(fèi)碳排放時(shí)空格局[J]. 地球信息科學(xué)學(xué)報(bào), 2019, 21(7): 1040–1050.

[22] 胡艷興, 潘竟虎, 李真, 等. 中國省域能源消費(fèi)碳排放時(shí)空異質(zhì)性的EOF和GWR分析[J]. 環(huán)境科學(xué)學(xué)報(bào), 2016, 36(5): 1866–1874.

Spatial-temporal pattern and influence factors of county carbon emissions in Hunan Province based on nightlight data

ZHAO Xianchao, PENG Jingxiao, HU Yijue, ZHANG Zixi

College of Urban and Environmental Sciences, Hunan University of Technology, Zhuzhou 412007, China

Studying the spatiotemporal pattern evolution and influence factors of carbon emissions is a great significance to guide the formulation of differentiate carbon emission reduction policies. Based on the nightlight data, we estimated the carbon emissions of each county in Hunan Province by combining with spatial statistics, spatial autocorrelation, hot spot analysis, geographic weighted regression, GIS and other methods to study the spatial differentiation, spatial and temporal pattern characteristics and influencing factors. The results show that: (1) From 2013 to 2017, the carbon emissions of energy consumption in Hunan Province generally showed a spatial pattern of high in the east and low in the west. Carbon emissions were mainly concentrated in the regional municipal jurisdictions, and the highest point of county carbon emissions was in the municipal jurisdiction of Changsha. (2) There was a significant spatial positive correlation between the energy consumption carbon emissions of Hunan Province. The overall Moran's I index of the county-level energy consumption carbon emissions of the province showed an upward trend year by year. The municipal districts of each city radiated each other in the center, showing a significant agglomeration phenomenon, and formed the "high-high" distribution characteristics of carbon emissions. (3) The cold-hot state of energy consumption carbon emissions in Hunan Province showed the expansion of cold spots in southern Hunan and the evolution of hot spots in central Hunan. From 2013 to 2017, the number of hot spots and sub-spots rose from 11 to 13. The difference between the cold-hot spots in the central region and other regions was gradually widening. (4) The four factors that affect the carbon emission of energy consumption in Hunan Province are positively correlated with the carbon emission, and their influence degrees are population, GDP per capita, the proportion of the secondary industry in turn and energy consumption per unit GDP.

county scale; nightlight data; carbon emissions; spatio-temporal pattern; Hunan Province

10.14108/j.cnki.1008-8873.2022.01.011

趙先超, 彭競(jìng)霄, 胡藝覺,等. 基于夜間燈光數(shù)據(jù)的湖南省縣域碳排放時(shí)空格局及影響因素研究[J]. 生態(tài)科學(xué), 2022, 41(1): 91–99.

ZHAO Xianchao, PENG Jingxiao, HU Yijue, et al. Spatial-temporal pattern and influence factors of county carbon emissions in Hunan Province based on nightlight data[J]. Ecological Science, 2022, 41(1): 91–99.

F127; F205

A

1008-8873(2022)01-091-09

2020-05-08;

2020-05-31

國家統(tǒng)計(jì)局科學(xué)研究重點(diǎn)項(xiàng)目(2019LZ27); 湖南省社科基金(20JD026); 湖南省研究生科研創(chuàng)新基金資助項(xiàng)目(CX2018B738); 湖南省大學(xué)生創(chuàng)新訓(xùn)練項(xiàng)目(S202011535032)

趙先超(1983—), 男, 山東鄆城人, 博士, 教授, 主要從事低碳生態(tài)規(guī)劃與低碳發(fā)展模擬等方面的研究, E-mail: zhaoxianchao1983@163.com