長江中游省會城市碳足跡深度時空演變及其影響因素

胡夢姍，葉長盛，董 倩，劉 彥

東華理工大學(xué)地球科學(xué)學(xué)院，江西 南昌 330013

二氧化碳排放、全球變暖等問題嚴重威脅了世界各國經(jīng)濟及城市的可持續(xù)發(fā)展，受到社會各界的廣泛關(guān)注.快速的城鎮(zhèn)化及工業(yè)化促使能源消耗一直處于較高水平[1]，實現(xiàn)低碳發(fā)展是應(yīng)對全球氣候變暖的有效模式.制定合理有效的減排政策，需明確各區(qū)域碳排放現(xiàn)狀與挑戰(zhàn).在此背景下，改變傳統(tǒng)碳排放的量化指標，引入碳足跡深度指數(shù)并將其可視化，可直觀地反映能源消耗對城市存量資本的影響程度[2]，為制定區(qū)域低碳發(fā)展的減排政策提供理論依據(jù)和決策參考.碳足跡深度是指碳生態(tài)赤字背景下吸納1 年碳排放量理論上所需占用土地面積的倍數(shù)，代表吸納碳排放所消耗的存量資本.碳足跡深度指數(shù)由三維碳足跡改進模型[3]計算所得，該模型通過整合碳赤字/盈余[4]，統(tǒng)計自然環(huán)境中資源的流量及存量，將碳足跡的廣度、深度分別定義為吸納碳排放占用的自然流量資本及存量資本.當流量資本不足以容納年際碳排放量時，將會消耗存量資本作為補充.研究表明，武漢市、南昌市、長沙市均處于存量資本消耗階段[5]，因此該文以碳足跡深度指數(shù)為核心進行探討.

國內(nèi)外學(xué)者對碳排放相關(guān)量化的研究主要包括以下三方面：①碳足跡的核算是國內(nèi)外普遍認可的碳排放評估方法，主要有生命周期評價法[6]、IPCC 方法[7]及夜間燈光數(shù)據(jù)反演法[8]等；②碳排放影響因素包括經(jīng)濟發(fā)展、人口、技術(shù)、政策等，主要采用隨機性環(huán)境影響評估模型[9]、拉氏指數(shù)分解模型[10]等；③對碳排放量預(yù)測提出優(yōu)化方案，多運用灰色模型[11]、環(huán)境庫茲涅茨曲線[12]等進行預(yù)測.就碳足跡深度的應(yīng)用而言，國內(nèi)學(xué)者如鄭德鳳等[5]研究表明，2000—2016年我國省際碳足跡深度高值區(qū)主要集中于東部沿海和中部，吸納碳排放所占用的流量資本和存量資本存在地域互補性；曹慧博等[13]計算了我國海岸帶的存量資本，發(fā)現(xiàn)中北部地區(qū)的存量資本消耗普遍較大，廣西壯族自治區(qū)、廣東省、福建省3 個省份則相對較低，且經(jīng)濟發(fā)展、城市規(guī)模、環(huán)境污染和區(qū)際交流是存量資本消耗的驅(qū)動因素；熊鷹等[14]在洞庭湖區(qū)以土地利用類型為切入點量化各地類的存量資本，結(jié)果表明，洞庭湖區(qū)除林地之外的其他土地利用類型均存在自然存量資本的消耗，并表現(xiàn)為高生態(tài)赤字.現(xiàn)有成果為后續(xù)研究提供了豐富的切實參考.

已有研究多從國家層面[15]或省級層面[16]展開，較少以市級尺度分析.此外，將同類型城市進行對比的相關(guān)研究尚不多見.多數(shù)學(xué)者分析了各因素對計算總量的影響，但無論是碳排放量或是碳足跡深度均是累積變化過程，單純的線性相關(guān)會掩蓋各影響因素作用的異質(zhì)性，空間分位數(shù)模型能夠?qū)⑻甲阚E深度劃分為不同分位點，依次探討各影響因素對不同分位點碳足跡深度的作用力，也可剖析各影響因素與碳足跡深度的低、中、高值間的關(guān)聯(lián)性有何差異.同時，我國重點行業(yè)領(lǐng)域碳排放量的增長[17]會對“綠水青山就是金山銀山”“‘山水林田湖草’是生命共同體”“構(gòu)建人與自然和諧共生的現(xiàn)代化”等生態(tài)發(fā)展建設(shè)產(chǎn)生深遠影響，因此碳足跡深度也是各行業(yè)碳排放量對生態(tài)反饋的重要表征方式.

該研究借用三維碳足跡改進模型獲取長江中游省會城市的碳足跡深度指數(shù)，引入夜間燈光數(shù)據(jù)進行擬合[18]，分析比較2010—2019 年武漢市、南昌市、長沙市碳足跡深度的時空演變特征，并運用空間分位數(shù)模型深入探討研究區(qū)不同分位點碳足跡深度各影響因素的作用水平.研究結(jié)果可為長江中游省會城市自然存量資本的耗費測算及可視化提供借鑒，同時從統(tǒng)計學(xué)角度實證分析碳足跡深度的影響因素，又可為長江中游省會城市碳中和目標的實現(xiàn)及低碳減排政策的制定提供參考依據(jù).

1 研究區(qū)概況

在長江中游城市群中，武漢市、長沙市和南昌市3 個省會城市以“品”字型分布，是3 個都市圈的“首位城市”和“核心力量”，推動了周邊區(qū)域和三省經(jīng)濟的高質(zhì)量發(fā)展，同時也是“中部崛起”的增長極.2010—2019 年，武漢市能源消耗在研究期內(nèi)達到了較高的使用水平；南昌市原煤及焦炭使用量處于增長態(tài)勢，尤其焦炭使用量由117.35 ×104t 增至131.09× 104t；長沙市工業(yè)總產(chǎn)值不斷增長，位列三市之首.在城鎮(zhèn)建設(shè)擴張和經(jīng)濟快速發(fā)展的同時，土地利用結(jié)構(gòu)不斷變化，城市碳匯能力隨之降低，因此碳排放效應(yīng)對城市自然資本的掠奪性消耗，造成了十分嚴峻的生態(tài)壓力.

2 數(shù)據(jù)來源與研究方法

2.1 數(shù)據(jù)來源及影響因素選取

能源數(shù)據(jù)、社會經(jīng)濟數(shù)據(jù)來源于2011—2020 年《武漢市統(tǒng)計年鑒》《南昌市統(tǒng)計年鑒》《長沙市統(tǒng)計年鑒》.標準煤折算系數(shù)、碳排放系數(shù)分別來源于《中國能源統(tǒng)計年鑒》《IPCC 國家溫室氣體清單指南》.林地及草地數(shù)據(jù)來源于2010—2019 年中國科學(xué)院資源環(huán)境科學(xué)與數(shù)據(jù)中心.

參考已有研究，該文選取人口密度[8]〔ln (PD)，人/km2〕、工業(yè)總產(chǎn)值[18]〔ln (GIOV)，萬元〕、能源總量[19]〔TE，t/(104元)〕、人均碳排放(PCCE，t/人)作為碳足跡深度指數(shù)的影響因素.其中，人口密度既體現(xiàn)了人們對自然資源的需求，也映射了人們對生態(tài)承載力的“掠奪”.工業(yè)中的能源消耗在三大產(chǎn)業(yè)中占較大比重，輕工業(yè)、重工業(yè)或制造業(yè)都無法避免能源的終端消費及中間消費.能源總量是能源消耗量的直觀體現(xiàn)，也是各類碳排放總量的數(shù)據(jù)依托.對于自然存量資本的消耗，不僅從人口、能源、工業(yè)等影響間接體現(xiàn)，也需要驗證人均碳排放量對存量資本消耗是否存在直接影響.

2.2 研究方法

2.2.1 碳足跡深度計算

三維碳足跡改進模型[5]融合了碳盈余和碳赤字，統(tǒng)計了自然環(huán)境中資源的流量和存量，引入了碳足跡廣度和深度(分別表示吸納碳排放所需的流量資本和存量資本).碳足跡廣度是指在碳生態(tài)承載力范圍內(nèi)實際占用的生態(tài)生產(chǎn)性土地面積，代表吸納碳排放所占用的流量資本；碳足跡深度是指碳生態(tài)赤字背景下吸納1 年碳排放量理論上所需占用土地面積的倍數(shù)，代表吸納碳排放所消耗的存量資本.碳足跡廣度和深度可視為圓柱體的底面和柱高(見圖1)，考慮武漢市、南昌市、長沙市均處于存量資本消耗階段[5]，因此僅探討區(qū)域碳足跡深度的變化過程.各指標的計算公式：

式中：CEFdepth為區(qū)域碳足跡深度，反映區(qū)域存量資本的消耗程度；CEF 為能源消費的碳足跡，hm2；CEC 為能源消費的碳生態(tài)承載力，hm2；CE 為能源消費的碳排放總量，t；Qei為第i種能源的終端消費量，t；Sei為第i種能源的標準煤折算系數(shù)；Dei為第i種能源的碳排放系數(shù)，根據(jù)數(shù)據(jù)的可獲取性，選取原煤(0.755 9)、焦炭(0.855 0)、燃料油(0.618 5)、汽油(0.553 8)、柴油(0.592 1)、煤油(0.571 4)、液化石油氣(0.504 2)等能源；CS 為林地和草地的碳匯總量，t；Af為區(qū)域林地面積，hm2；Ag為區(qū)域草地面積，hm2；NEPf和NEPg分別為林地和草地的固碳能力，取值分別為3.809 6 和0.948 2 t/hm2[20]；Pf和Pg分別為全球林地和草地的碳匯比例，分別為82.72%和17.28%.

2.2.2 夜間燈光數(shù)據(jù)應(yīng)用與處理

該研究結(jié)合DMSP_OLS V4(1992—2013 年)與VIIRS_VNL V2(2012—2020 年)原始數(shù)據(jù)，分別是第4版本DMSP 年度數(shù)據(jù)和第2 版本VIIRS 年度數(shù)據(jù)，均下載于EOG 網(wǎng)站(https://eogdata.mines.edu/products/vnl).將獲取的DMSP 年度數(shù)據(jù)進行校正，對VIIRS 年度數(shù)據(jù)進行降噪，提取兩套數(shù)據(jù)的重合年份(2012 年、2013 年)數(shù)據(jù)進行敏感度分析，選取最優(yōu)擬合參數(shù)；進而根據(jù)選取的最優(yōu)參數(shù)將二者合成DMSP(1992—2020 年)數(shù)據(jù)集.根據(jù)學(xué)者們總結(jié)出的共有線性、指數(shù)、多項式、對數(shù)、冪函數(shù)等5 種模型[21](見表1)，構(gòu)建擬合碳估算與夜間燈光之間的函數(shù)，在此基礎(chǔ)上選取擬合度較好的模型進行空間可視化.

表1 碳估算和夜間燈光擬合函數(shù)的模型歸納Table 1 Models of fitting function between carbon estimation and nighttime lights

經(jīng)查閱，線性、多項式、對數(shù)、冪函數(shù)等形式的擬合精度更好.研究區(qū)域從縣域、城市群、省域、流域等角度出發(fā)，碳相關(guān)估算值均能較好地擬合夜間燈光數(shù)據(jù)，實現(xiàn)空間可視化，可歸納出以下幾類(見表2).

表2 國內(nèi)學(xué)者應(yīng)用案例歸納Table 2 Summary of domestic scholars' application cases

通過參考相關(guān)研究[18,21-25]，為使碳足跡深度指數(shù)空間可視化，同樣擬合夜間燈光數(shù)據(jù).經(jīng)相關(guān)性分析發(fā)現(xiàn)，2010—2019 年長江中游省會城市所有區(qū)縣(共310 個樣本量)的實際碳足跡深度均與夜間燈光DN 值呈顯著相關(guān)，擬合度為0.876 0，擬合結(jié)果在1%水平(雙側(cè))上相關(guān)顯著.初步擬合公式為

式中，y為碳足跡深度，x為夜間燈光數(shù)據(jù)的DN 值.

考慮到武漢市、南昌市、長沙市經(jīng)濟發(fā)展水平及資源本底存在差異，因此在參考已有研究[25]的基礎(chǔ)上，有必要對三市的初步擬合結(jié)果依次進行修正，運用武漢市(130 個樣本量)、南昌市(90 個樣本量)、長沙市(90 個樣本量)各自區(qū)縣的碳足跡深度及相應(yīng)夜間燈光DN 值依次進行擬合，通過比對線性、指數(shù)、多項式、對數(shù)、冪函數(shù)等函數(shù)結(jié)果，顯示多項式函數(shù)擬合優(yōu)度較高，公式分別為

式中，y1、y2、y3分別為武漢市、南昌市、長沙市的碳足跡深度，x1、x2、x3分別為武漢市、南昌市、長沙市夜間燈光數(shù)據(jù)的DN 值.通過擬合結(jié)果與實際數(shù)值比對發(fā)現(xiàn)，均方根誤差(RMSE)為1.803 7，平均相對誤差(MRE)為0.59%.因此，引入夜間燈光數(shù)據(jù)能夠較好地擬合長江中游省會城市的碳足跡深度指數(shù)，通過可視化區(qū)域碳足跡深度指數(shù)，借此分析研究區(qū)存量資本消耗程度的空間分布及區(qū)域差異.

2.2.3 熱點分析

Getis-Ord Gi*指數(shù)在于識別出具有統(tǒng)計顯著性聚類的區(qū)域，反映高值要素是否能夠成為具有顯著統(tǒng)計意義的熱點.利用Gi*算法對碳足跡深度的空間分布進行熱點分析，設(shè)置置信度在99%以上的高值為極熱團，置信度在95%～99%之間的高值區(qū)域為次熱團.獲取研究區(qū)碳足跡深度指數(shù)的極熱團與次熱團，可直觀體現(xiàn)存量資本消耗較大區(qū)域的空間分布，將其與研究區(qū)行政區(qū)劃進行匹配分析，對于存在大面積極熱團與次熱團的區(qū)縣具有生態(tài)管控的重要警示意義.Getis-Ord Gi*指數(shù)的計算公式見文獻[26].

2.2.4 空間分位數(shù)模型及指數(shù)歸一化

分位數(shù)回歸可以描述自變量對不同分位點因變量的影響，與普通線性最小二乘法回歸相比，該模型估計值不受異常值影響，更加具有穩(wěn)健性.可以不考慮同方差和正態(tài)分布假設(shè)，能夠全面地反映自變量對因變量的影響趨勢情況.碳足跡深度反映了區(qū)域?qū)Υ媪抠Y本的“掠奪”，對生態(tài)可持續(xù)發(fā)展造成負面影響，為提出切實有效的措施建議，需要探討研究區(qū)碳足跡深度指數(shù)增長過程中各影響因素的作用程度.該文運用空間分位數(shù)模型，分析人口密度、工業(yè)總產(chǎn)值、能源總量、人均碳排放量對0.1～0.9 分位點碳足跡深度的作用水平，并與線性回歸結(jié)果進行對比，具體公式見文獻[27].為深入剖析碳足跡深度增長累積過程中各影響因素的作用差異，有必要對區(qū)域碳足跡深度指數(shù)歸一化處理，歸一化公式如下：

式中，yij為第i年j地區(qū)碳足跡深度標準化后的值，xij為第i年j地區(qū)碳足跡深度實際值，maxxij為區(qū)域內(nèi)碳足跡深度的最大值，minxij為區(qū)域內(nèi)碳足跡深度的最小值.

3 結(jié)果與討論

3.1 長江中游省會城市碳足跡深度時空演變

2010—2019 年，武漢市、南昌市、長沙市碳足跡深度指數(shù)均呈上升趨勢(見圖2)，研究結(jié)果與長江中游城市的碳壓力超載狀態(tài)[28]相符.2010—2019 年，武漢市歸一化碳足跡深度指數(shù)由0.616 9 增至0.744 9，由主城區(qū)向外呈環(huán)狀擴散，向北擴張至黃坡區(qū)及新洲區(qū)，向南蔓延至漢南區(qū)，武漢市是我國重要的工業(yè)基地，各年能源消耗量顯著，區(qū)域生態(tài)系統(tǒng)壓力較大.2010—2019 年，南昌市歸一化碳足跡深度指數(shù)由0.474 0 升至0.558 2，區(qū)域歸一化碳足跡深度指數(shù)以遞增趨勢上漲，整體分布以南昌市中心城區(qū)向四周不斷擴張，并在安義縣及進賢縣等自然資源較為優(yōu)渥的區(qū)域內(nèi)呈現(xiàn)部分高值聚集，由于南昌市現(xiàn)階段還處于化石能源為主導(dǎo)的能源消費結(jié)構(gòu)，碳排放量與碳匯變化的不同步性加劇了碳足跡深度的增長.2010—2019 年，長沙市歸一化碳足跡深度指數(shù)由0.420 8 增至0.598 4，區(qū)域碳足跡深度高值呈橫向發(fā)展，由長沙市中心城區(qū)向?qū)庎l(xiāng)市的北部及瀏陽市的中部蔓延，碳足跡深度的劇烈增長對城市生態(tài)環(huán)境造成了不可避免的破壞.

武漢市、南昌市、長沙市各區(qū)縣歸一化碳足跡深度指數(shù)的變化情況見表3.結(jié)果表明，2010—2019 年武漢市各區(qū)縣歸一化碳足跡深度指數(shù)差異變化顯著，2010 年江漢區(qū)及硚口區(qū)的歸一化碳足跡深度指數(shù)高達1，發(fā)展至2019 年武漢市主城區(qū)存在6 個區(qū)域的歸一化碳足跡深度指數(shù)位于高值，經(jīng)董捷等[29]對武漢市各區(qū)縣碳減排責任分攤的劃定研究結(jié)果可知，武漢市主城區(qū)在承擔著更大碳減排責任的同時也反映了其對存量資本的“掠奪”.2010—2019 年南昌市的歸一化碳足跡深度高值區(qū)域為青云譜區(qū)、西湖區(qū)及東湖區(qū)，這些地區(qū)均為南昌市中心城區(qū)，區(qū)域城鎮(zhèn)化起步較早，是早期工業(yè)園區(qū)的誕生地，并優(yōu)先發(fā)展重工業(yè)，建立電力、建材等新興工業(yè)[30]，因而碳足跡深度相對較高.2010—2019 年長沙市各區(qū)縣碳足跡深度增幅有所減緩，體現(xiàn)了工業(yè)產(chǎn)業(yè)升級、能源結(jié)構(gòu)優(yōu)化、節(jié)能降耗持續(xù)推進的良好發(fā)展態(tài)勢，其中芙蓉區(qū)、天心區(qū)及開福區(qū)歸一化碳足跡深度指數(shù)較大，經(jīng)過長期的建設(shè)和培育，這些地區(qū)已擁有優(yōu)越的軌道交通裝備產(chǎn)業(yè)集群[31]，在城鎮(zhèn)化及工業(yè)化快速發(fā)展的背景下碳足跡深度指數(shù)呈現(xiàn)高值.

表3 武漢市、南昌市、長沙市各區(qū)縣歸一化碳足跡深度指數(shù)Table 3 Normalized carbon footprint depth index of each district and county in Wuhan,Nanchang and Changsha

2010 年，長江中游省會城市歸一化碳足跡深度指數(shù)呈現(xiàn)武漢市＞南昌市＞長沙市的特征，武漢市歸一化碳足跡深度指數(shù)為長沙市的1.47 倍，由于武漢市人均碳排放量比長沙市高1 t 以上，因此武漢市整體的碳足跡深度指數(shù)較高.2015 年、2019 年長江中游省會城市歸一化碳足跡深度指數(shù)表現(xiàn)為武漢市＞長沙市＞南昌市，而長沙市在“十二五”期間通過帶動大批生產(chǎn)性服務(wù)業(yè)發(fā)展，使二產(chǎn)和三產(chǎn)同步呼應(yīng)，工業(yè)總產(chǎn)值再創(chuàng)新高，能源消耗的碳排放總量也加速涌起，自然存量資本消耗加大，碳足跡深度指數(shù)超越南昌市.

3.2 長江中游省會城市碳足跡深度空間特征

2010—2019 年，武漢市、南昌市、長沙市歸一化碳足跡深度指數(shù)均在1%的顯著性水平下呈現(xiàn)鄰域分布的特征.武漢市與長沙市的正向聚集不斷加強，南昌市的高值關(guān)聯(lián)程度先增強后減弱(見表4).由2007 年及2012 年我國各區(qū)域各產(chǎn)業(yè)群的碳關(guān)聯(lián)度研究可知，我國中部城市是碳關(guān)聯(lián)度最大的區(qū)域，承擔著我國碳減排的主要責任[32]，因此有必要獲取長江中游省會城市碳足跡深度高值的位置分布(見圖3).2010—2019 年，武漢市碳足跡深度極熱團表現(xiàn)為擴張趨勢，且次熱團包圍著極熱團向四周呈地毯式蔓延，直至將武漢市主城區(qū)全面覆蓋.南昌市碳足跡深度的高值于極熱團集簇顯著，而較高值在周邊區(qū)縣呈現(xiàn)部分聚集態(tài)勢，熱點團于中心城區(qū)擴張至新建區(qū)及南昌縣，整體趨勢向南北方向延伸.長沙市碳足跡深度極熱團則以顯著的“東—西”橫向發(fā)展，寧鄉(xiāng)市及瀏陽市擁有豐富的碳匯能力，旅游業(yè)發(fā)展促使區(qū)域產(chǎn)業(yè)鏈逐漸完善[33]，推動了第三產(chǎn)業(yè)發(fā)展，使區(qū)域內(nèi)呈現(xiàn)較小范圍的極熱團，在與中心城區(qū)極熱團的相連區(qū)域內(nèi)，次熱團的衍生也體現(xiàn)了中心城區(qū)經(jīng)濟建設(shè)的發(fā)展引領(lǐng).

表4 武漢市、南昌市、長沙市歸一化碳足跡深度指數(shù)的全局自相關(guān)性Table 4 Autocorrelation results of normalized carbon footprint depth index in Wuhan,Nanchang and Changsha

對武漢市、南昌市、長沙市歸一化碳足跡深度指數(shù)的空間趨勢面進行分析，結(jié)果(見圖4)表明，武漢市、南昌市、長沙市東西及南北方向均呈現(xiàn)“中間高、兩邊低”的空間分布特征.2010—2019 年，武漢市歸一化碳足跡深度指數(shù)在空間分布上表現(xiàn)為西部高于東部、南部高于北部，且圖4 中各離散點的Z軸數(shù)值不斷升高.南昌市趨勢線中部增長顯著，而西部及南部相較于東部及北部略高，整體呈現(xiàn)緩慢上升趨勢.長沙市歸一化碳足跡深度指數(shù)在空間分布上表現(xiàn)為西部大于東部、南部大于北部，中心城區(qū)的Z軸高度跨度較大，歸一化碳足跡指數(shù)漲幅較為明顯.長江中游省會城市歸一化碳足跡深度指數(shù)的整體空間分布顯示，在東西方向上表現(xiàn)為“中間高、兩邊低”，而南北方向上則由“北高南低”發(fā)展為“中間低、兩邊高”的分布格局，且北部明顯高于南部，兩條趨勢線均不斷上升，長江中游省會城市歸一化碳足跡深度指數(shù)不斷增長，區(qū)域內(nèi)存量資本消耗加大，長江中游省會城市生態(tài)系統(tǒng)正承受著巨大壓力，維護生態(tài)承載力是當前的迫切問題.

3.3 碳足跡深度影響因素分析

為更好地反映長江中游省會城市碳足跡深度各影響因素的作用程度，該研究選擇0.1～0.9 共9 個分位點進行回歸分析.普通最小二乘法線性回歸(OLS)與空間分位數(shù)回歸(SQR)的擬合度(R)2均大于0.87，擬合效果較好，且各影響因素在以上兩種回歸結(jié)果下的相關(guān)系數(shù)存在明顯差異，因此僅以線性回歸反映相關(guān)性水平并不充分(見表5).空間分位數(shù)回歸選用bootstrap 隨機抽樣，迭代400 次，獲取更為精確的標準誤差，分位數(shù)越大，碳足跡深度(自然存量資本消耗)數(shù)值越高.

表5 空間分位數(shù)模型回歸結(jié)果Table 5 Results of spatial quantile model regression

a) 對于人口密度〔ln (PD)〕，線性回歸與分位數(shù)回歸系數(shù)方向一致，均通過5%的顯著性水平檢驗.在中低值區(qū)間(0.1～0.5 分位點)，人口密度對碳足跡深度的影響逐漸加強，相關(guān)系數(shù)(R)由3.895 8 增至4.928 3；而中高值區(qū)間(0.6～0.9 分位點)，隨著碳足跡深度的增加，人口密度對其影響程度逐漸減弱.人口越多，對能源需求量越大，由此會顯著促進碳足跡深度低值的增長；而當碳足跡深度達高值時，人口規(guī)模越大，人均資源越少，能源稀缺，將會提高城市能源利用效率[34]，減緩人口密度對碳足跡深度的促進影響.

b) 對于工業(yè)總產(chǎn)值〔ln (GIOV)〕，其與碳足跡深度為正向關(guān)系，均通過了10%的顯著性水平.從碳足跡深度的低值(0.1～0.3 分位點)、中值(0.4～0.6 分位點)、高值(0.7～0.9 分位點)來看，隨著碳足跡深度分位點的增長，工業(yè)總產(chǎn)值的正向影響不斷加強.在各分位點中，工業(yè)總產(chǎn)值與0.8 分位點的碳足跡深度相關(guān)性(R=0.420 9)最強.現(xiàn)如今，各市工業(yè)能源消耗仍以原煤為主，且工業(yè)是碳減排經(jīng)濟性最高的領(lǐng)域[35]，因此工業(yè)產(chǎn)業(yè)布局的優(yōu)化調(diào)整對碳減排及減緩碳足跡深度均是重要舉措.

c) 對于能源總量(TE)，線性回歸系數(shù)與各分位點相關(guān)系數(shù)符號同步，均位于10%的顯著性水平下.能源總量對碳足跡深度中低值(0.1～0.5 分位點)的正向影響不斷降低，于碳足跡深度0.6 分位點處增長后持續(xù)降至更低.在碳足跡深度0.1 分位點處，能源強度的影響最為強烈(R=1.763 5)，反映了在自然存量資本消耗初期，能源消費量的增長是存量資本耗費的重要原因，而到存量資本消耗后期，受產(chǎn)業(yè)結(jié)構(gòu)優(yōu)化調(diào)整、綠色能源使用比例上升的影響，能源總量對碳足跡深度的作用逐漸減弱.

d) 人均碳排放(PCCE)各分位點均達到1%的顯著性水平，人均碳排放與碳足跡深度中低值(0.1～0.4分位點)的相關(guān)系數(shù)不斷減小，對碳足跡深度中高值(0.5～0.9 分位點)的影響程度不斷加劇.其中人均碳排放量對0.8 分位點碳足跡深度的影響最大(R=4.862 0)，人均碳排放量越多，對碳生態(tài)承載力造成的壓力越大，進而需要更多的自然流量資本補足，而當流量資本不足以吸納碳排放量時，對存量資本的消耗將不可避免.

該研究尚存些許不足，影響因素暫未考慮政策方面[36]，僅從人口、工業(yè)、能源消耗等角度選取，在今后的研究中將會更加完善.

4 結(jié)論

a) 2010—2019 年，武漢市、南昌市、長沙市碳足跡深度指數(shù)均呈上升趨勢.2010 年，長江中游省會城市歸一化碳足跡深度指數(shù)呈現(xiàn)武漢市＞南昌市＞長沙市的特征，2015 年及2019 年長江中游省會城市歸一化碳足跡深度指數(shù)均表現(xiàn)為武漢市＞長沙市＞南昌市.三市的歸一化碳足跡深度高值范圍均以城市的中心城區(qū)向四周擴張，碳足跡深度不斷增長，區(qū)域存量資本消耗嚴重.

b) 2010—2019 年，武漢市、南昌市、長沙市歸一化碳足跡深度指數(shù)均在1%的顯著性水平下呈現(xiàn)高值聚集的特征，極熱團基本完全覆蓋中心城區(qū)，次熱團包圍著極熱團向四周蔓延.由空間趨勢面分析可知，長江中游省會城市歸一化碳足跡深度指數(shù)在東西方向上表現(xiàn)為“中間高、兩邊低”，而南北方向上則由“北高南低”發(fā)展為“中間低、兩邊高”的分布格局，且北部明顯高于南部，兩條趨勢線均不斷上升.

c) 人口密度對碳足跡深度的影響表現(xiàn)為先升后降，對碳足跡深度高值(0.8～0.9 分位點)的促進作用低于其余分位點；工業(yè)總產(chǎn)值對碳足跡深度的影響呈波動上升趨勢，對存量資本高值消耗的促進作用最為顯著；隨著分位點的增長，能源總量的影響程度持續(xù)下降，能源總量是存量資本消耗初期的重要原因；人均碳排放對碳足跡深度的影響表現(xiàn)為先降后升，人均碳排放量越多，存量資本的消耗越大.

5 建議

長江中游省會城市要不斷進行科技創(chuàng)新，提高能源利用效率，打破工業(yè)能源效率的限制空間，提升清潔能源使用比例，制定不同區(qū)域的節(jié)能減排政策.

a) 對于武漢市，能源消費過高及碳生態(tài)承載力過低是碳足跡深度較高的根本原因，工業(yè)生產(chǎn)普遍存在低效的生產(chǎn)設(shè)施和高煤炭依賴度.建議：①積極發(fā)展產(chǎn)業(yè)轉(zhuǎn)型，將產(chǎn)生直接碳排放的設(shè)備裝置更換為低碳乃至零碳設(shè)施，節(jié)約并循環(huán)利用化石能源，從根本上減少碳排放量；②合理優(yōu)化土地利用結(jié)構(gòu)，通過涵養(yǎng)水源、控制建設(shè)用地無序占用、設(shè)立生態(tài)保護紅線等措施，有效緩解林地及草地面積的破壞及惡化，增強碳生態(tài)承載力.

b) 對于南昌市，能源利用效率不足對南昌市的碳足跡深度造成了根本的負面影響，傳統(tǒng)的化石能源使用較為粗放，造成資源的浪費和環(huán)境污染問題日益嚴峻.建議：①南昌市工業(yè)園區(qū)分布較為零散，引導(dǎo)工業(yè)向開發(fā)區(qū)集中，產(chǎn)業(yè)向功能區(qū)集中，形成多循環(huán)工業(yè)體系；②為降低碳足跡深度，在減小能源消費量的同時，對符合規(guī)劃、不改變途徑的前提下，現(xiàn)有工業(yè)用地通過提高土地利用效率和增加容積率的用地，并不再增加土地價款，避免工業(yè)用地的零散分布，減少對生態(tài)用地的侵蝕.

c) 對于長沙市，依托于較好的林地面積，碳生態(tài)承載力相對充裕，但仍存在城市發(fā)展建設(shè)及工業(yè)化對碳足跡深度的影響處于難以逆轉(zhuǎn)的困境.建議：①為更好地建設(shè)低碳城市，在其產(chǎn)業(yè)發(fā)展方面應(yīng)加大力度發(fā)展綠色產(chǎn)業(yè)，著重投資第三產(chǎn)業(yè)，將低碳理念貫穿產(chǎn)業(yè)發(fā)展的始終；②對高產(chǎn)能、低能耗、高附加值的低碳產(chǎn)業(yè)開辟綠色通道，打造低碳技術(shù)，促進低碳空間轉(zhuǎn)型發(fā)展.