黃河流域碳排放量及影響因素的時空異質(zhì)性研究

孫才志，曾慶雨

（1.教育部人文社科重點研究基地遼寧師范大學(xué)海洋經(jīng)濟(jì)與可持續(xù)發(fā)展研究中心，遼寧大連 116029；2.遼寧省海洋經(jīng)濟(jì)高質(zhì)量發(fā)展高校協(xié)同創(chuàng)新中心，遼寧大連 116029；3.遼寧師范大學(xué)地理科學(xué)學(xué)院，遼寧大連 116029）

黃河流域是我國重要的能源、化工、原材料和基礎(chǔ)工業(yè)基地，也是我國碳排放重點地區(qū)和生態(tài)治理重點區(qū)域［1］。 2021 年3 月，習(xí)近平總書記在中央財經(jīng)委員會第九次會議上指出，要把碳達(dá)峰、碳中和納入生態(tài)文明建設(shè)整體布局［2］。 2022 年6 月28 日，生態(tài)環(huán)境部等四部門聯(lián)合印發(fā)《黃河流域生態(tài)環(huán)境保護(hù)規(guī)劃》［3］，提出黃河流域2030 年前實現(xiàn)碳排放達(dá)峰，生態(tài)系統(tǒng)質(zhì)量和穩(wěn)定性全面提升。 碳達(dá)峰目標(biāo)和生態(tài)文明建設(shè)互為支撐、相互促進(jìn)。 一方面，生態(tài)文明建設(shè)是實現(xiàn)碳達(dá)峰目標(biāo)的基礎(chǔ)，高水平生態(tài)文明建設(shè)能促進(jìn)經(jīng)濟(jì)綠色低碳發(fā)展、優(yōu)化資源配置，推動高質(zhì)量發(fā)展；另一方面，發(fā)展低碳經(jīng)濟(jì)是推動流域生態(tài)文明建設(shè)的重要路徑。水生態(tài)文明建設(shè)作為生態(tài)文明發(fā)展的重要環(huán)節(jié)，是推動黃河流域經(jīng)濟(jì)社會高質(zhì)量發(fā)展和實現(xiàn)碳達(dá)峰的重要影響因素［4］。 因此，研究黃河流域碳排放量影響因素時空異質(zhì)性，對推動黃河流域的生態(tài)文明特別是水生態(tài)文明建設(shè)、實現(xiàn)黃河流域生態(tài)保護(hù)和高質(zhì)量發(fā)展具有重要現(xiàn)實意義。

當(dāng)前對碳排放量影響因素的研究主要采用對數(shù)平均迪氏指數(shù)（LMDI） 分解法［5］、 Kaya 恒等式［6］、STIRPAT 模型［7］等方法，研究范圍包括工業(yè)［8］和農(nóng)業(yè)［9］等部門、流域［7］、省域［10］、城市群［11］、市域［12］和縣域［13］等不同尺度。 有學(xué)者采用經(jīng)典地理加權(quán)回歸（GWR）模型［14］和時空地理加權(quán)（GTWR）模型［12］，分別對碳排放量及其影響因素時空異質(zhì)性進(jìn)行研究。 通過梳理文獻(xiàn)發(fā)現(xiàn)，目前對碳排放量影響因素的研究大多側(cè)重于全局平均作用強(qiáng)度的估計，而GWR 模型和GTWR 模型所有自變量帶寬（帶寬是衡量影響因素空間異質(zhì)性的指標(biāo)，帶寬越小空間異質(zhì)性越強(qiáng)）相同，無法反映各影響因素空間尺度差異，而多尺度地理加權(quán)回歸（MGWR）模型則允許不同自變量擁有不同帶寬，可真實有效地反映影響因素的空間異質(zhì)性。 鑒于此，本文以黃河流域地級市為研究對象，利用MGWR 模型研究其碳排放量影響因素的時空異質(zhì)性，以期為黃河流域生態(tài)保護(hù)和高質(zhì)量發(fā)展提供參考。

1 研究區(qū)概況

黃河全長5 464 km，流經(jīng)青海、四川、甘肅、寧夏、內(nèi)蒙古、山西、陜西、河南、山東9 個?。▍^(qū)），涉及69個地級行政單位，流域面積約為79.5 萬km2。 黃河流域橫跨我國西部、中部和東部，流域內(nèi)城市經(jīng)濟(jì)發(fā)展水平差異較大。 黃河流域9 個?。▍^(qū)）2020 年總?cè)丝?.21億，占全國總?cè)丝诘?9.83%；2021 年地區(qū)生產(chǎn)總值28.6 萬億元，約占全國的1／4。 黃河流域是我國煤炭主要生產(chǎn)和供應(yīng)基地，煤炭產(chǎn)量約占全國煤炭總產(chǎn)量的70%。 化石燃料燃燒是碳排放的主要來源，因此黃河流域面臨巨大的碳減排壓力。

2 數(shù)據(jù)來源與研究方法

2.1 變量選取與數(shù)據(jù)來源

Shi 等［15］研究表明，地級市尺度的GDP、人口和城市化對碳排放量影響較大，因此本研究選取GDP、人均GDP、年末總?cè)丝凇⑷丝诿芏群屯恋爻鞘谢? 個指標(biāo)作為自變量，研究其對碳排放量的影響。 研究時段為2000—2019 年，研究對象為黃河流域地級市，流域外部區(qū)域不在本研究范圍內(nèi)。 為保證數(shù)據(jù)一致性，本研究采用的所有數(shù)據(jù)均從分辨率為1 km×1 km 的衛(wèi)星遙感影像按黃河流域邊界范圍內(nèi)提取得到。 用于提取城市建設(shè)用地面積的夜間燈光數(shù)據(jù)來自美國國家環(huán)境信息中心（https：／／eogdata.mines.edu／products／vnl／），用于計算城市行政區(qū)土地總面積的空間數(shù)據(jù)來自中國科學(xué)院資源環(huán)境科學(xué)數(shù)據(jù)中心（http：／／www.resdc.cn），人口空間分布數(shù)據(jù)來自WorldPop（https：／／dx.doi.org／10.5258／SOTON／WP00674），CO2排放空間分布數(shù)據(jù)來自《人為二氧化碳開源數(shù)據(jù)清單（ODIAC）》［16］，GDP 空間分布數(shù)據(jù)來自全球高分辨率實際國內(nèi)生產(chǎn)總值柵格數(shù)據(jù)［17］。 對處理后的自變量進(jìn)行多重共線性檢驗，各指標(biāo)的方差膨脹系數(shù)（VIF）均小于10，不存在顯著共線性。

2.2 研究方法

2.2.1土地城市化率計算

根據(jù)土地城市化的內(nèi)涵［18］，本研究用城市建設(shè)用地面積與城市行政區(qū)土地總面積的比例表征土地城市化率。 利用DMSP-OLS 和NPP-VIIRS 夜間燈光數(shù)據(jù)集，提取城市建設(shè)用地面積［19］。 處理步驟：1）DMSP-OLS數(shù)據(jù)集（2000—2013 年）相互校準(zhǔn)［20］、年內(nèi)融合［21］和年際校正［21］；2）NPP-VIIRS 數(shù)據(jù)集（2013—2019 年）背景噪聲和異常值去除［22］、年度數(shù)據(jù)合成［23］和年際校正［21］；3）根據(jù)DMSP-OLS 與NPP-VIIRS 數(shù)據(jù)集在2013 年數(shù)據(jù)重疊的特點，建立二者之間的回歸關(guān)系，得到校正后的DMSPOLS 數(shù)據(jù)集（2000—2019 年）；4）采用偽不變特征法［24］提取城市建設(shè)用地面積。

2.2.2全局空間自相關(guān)性分析

全局莫蘭指數(shù)（Global Moran’s I）根據(jù)要素位置和要素屬性值來度量要素的空間相關(guān)聯(lián)程度，計算公式［25］為

式中：I為全局空間自相關(guān)指數(shù)，n為地級市總數(shù)，xi和xj分別為地級市i和地級市j的樣本值，x-為樣本值的平均值，Wij為空間權(quán)重。

2.2.3局部空間自相關(guān)性分析

采用ArcGIS 的Anselin Local Moran’s I 工具，識別具有高值或低值要素的空間聚類情況，公式［25］為

式中：zi和zj分別為地級市i和地級市j的碳排放量標(biāo)準(zhǔn)化值，Ii為地級市i的局部空間自相關(guān)指數(shù)。

2.2.4GWR 和MGWR 模型

GWR 模型表達(dá)式［26］為

式中：yi為地級市i的碳排放量，（ui，vi）為地級市i的空間地理位置坐標(biāo)，β0（ui，vi）為地級市i的截距，βk（ui，vi）為地級市i的第k個影響因素的回歸系數(shù)，xik為地級市i的第k個影響因素的值，εi為誤差項，K為影響因素總數(shù)。

MGWR 模型表達(dá)式［27］為

可以看出，MGWR 模型的每個回歸系數(shù)都是基于局部回歸得到的，帶寬具備特異性，這是MGWR 模型與GWR 模型最大的不同。

3 結(jié)果與分析

3.1 黃河流域碳排放量的時空格局及空間關(guān)聯(lián)差異分析

3.1.1黃河流域碳排放量時空格局

黃河流域地級市平均碳排放量由2000 年的112.14萬t 增至2019 年的361.25 萬t（見圖1）。 2011 年之前增速較快，之后增速變慢。 碳排放量高值區(qū)主要位于上游與中游交錯地帶的鄂爾多斯市等地級市，整體呈東高西低的空間分布格局（見圖2）。

3.1.2碳排放量空間自相關(guān)性分析

圖1 2000—2019 年黃河流域地級市平均碳排放量

圖2 黃河流域典型年碳排放量及變化速度空間分布

采用全局莫蘭指數(shù)表征黃河流域碳排放量空間自相關(guān)性（其計算結(jié)果見表1），全局莫蘭指數(shù)均為正值，且通過顯著性水平為0.05 的顯著性檢驗，表明黃河流域地級市碳排放量存在顯著正向空間自相關(guān)特征，即碳排放量水平接近的區(qū)域在空間上集中分布。

表1 全局莫蘭指數(shù)I 計算結(jié)果

采用ArcGIS 軟件中的Anselin Local Moran's I 工具進(jìn)行局部自相關(guān)性分析，結(jié)果見圖3。 高-高值區(qū)主要分布在黃河上游與中游交錯地帶（鄂爾多斯市、榆林市和呂梁市）、中游與下游的交錯地帶（運(yùn)城市、三門峽市），低-低值區(qū)主要位于青海省西寧市和黃南藏族自治州。

圖3 黃河流域典型年碳排放量局部空間自相關(guān)性

3.2 模型對比與尺度分析

采用Pearson 法對黃河流域碳排放量及影響因素進(jìn)行相關(guān)性分析，結(jié)果見圖4（*、**、***分別表示通過顯著性水平為0.10、0.05、0.01 的顯著性檢驗）。碳排放量與GDP、年末總?cè)丝?、土地城市化率的相關(guān)性均通過顯著性水平為0.01 的顯著性檢驗，成顯著正相關(guān)關(guān)系，GDP 與碳排放量的相關(guān)系數(shù)最大。 人口密度與碳排放量的相關(guān)性在2010 年和2019 年分別通過顯著性水平為0.10和0.05 的顯著性檢驗。

圖4 黃河流域典型年碳排放量與影響因素的相關(guān)關(guān)系

由空間自相關(guān)分析結(jié)果可知碳排放量有顯著空間集聚特征，說明碳排放量與影響因素之間不滿足普通最小二乘法要求，即區(qū)域之間相互獨立的假設(shè)不成立。 因此，需引入空間差異分析模型對經(jīng)典線性模型進(jìn)行改進(jìn)。 采用GWR 模型和MGWR 模型對碳排放量及其影響因素異質(zhì)性進(jìn)行研究，結(jié)果見表2。 MGWR 模型的IAICc（修正的赤池信息準(zhǔn)則值）和IRSS（殘差平方和）均比GWR 模型的小，說明MGWR 模型優(yōu)于GWR 模型；MGWR 模型的R2（擬合優(yōu)度）和調(diào)整R2均大于GWR 模型的，說明MGWR模型擬合效果優(yōu)于GWR 模型。 因此，MGWR 模型可降低模型殘差的空間自相關(guān)性，是研究黃河流域地級市碳排放量影響因素空間異質(zhì)性的較優(yōu)模型。

表2 GWR 模型和MGWR 模型對比

GWR 模型和MGWR 模型變量帶寬對比見表3。GWR 模型變量帶寬數(shù)值較大，不具有空間異質(zhì)性。MGWR 模型的GDP 帶寬最小，說明其具有顯著空間異質(zhì)性；土地城市化率的帶寬從2014 年開始減小，說明其空間異質(zhì)性逐步顯現(xiàn)；常數(shù)項表示區(qū)位因素對碳排放量的影響程度，其帶寬2001—2013 年較小，表明在此期間區(qū)位因素對黃河流域地級市碳排放量的影響具有空間異質(zhì)性；人均GDP、年末總?cè)丝诤腿丝诿芏鹊膸捿^大，為全局尺度，說明這些因素對碳排放量的影響不具有空間異質(zhì)性。

表3 GWR 模型和MGWR 模型變量帶寬對比

地級市擬合優(yōu)度R2反映各影響因素對黃河流域地級市碳排放量的解釋程度。 黃河流域MGWR 模型地級市R2空間分布見圖5，可知黃河流域各地級市R2均在0.72 以上；2019 年94.74%的地級市R2大于0.80，說明各影響因素對黃河流域地級市碳排放量空間分布特征具有較強(qiáng)解釋程度；黃河中下游地區(qū)的地級市R2相對較小，說明中下游地區(qū)地級市碳排放量還存在其他影響因素。

圖5 黃河流域MGWR 模型地級市擬合優(yōu)度R2空間分布

3.3 基于MGWR 模型的黃河流域碳排放量影響因素異質(zhì)性分析

利用MGWR 模型計算2000—2019 黃河流域碳排放量各影響因素回歸系數(shù)年平均值，結(jié)果見圖6。 由Pearson 相關(guān)性分析可知，碳排放量與人均GDP 沒有顯著相關(guān)性，因此碳排放量影響因素異質(zhì)性分析不包括人均GDP。 按回歸系數(shù)大小排序：GDP＞人口規(guī)模＞土地城市化率＞人口密度。 GDP、人口規(guī)模和土地城市化率為正效應(yīng)，人口密度為負(fù)效應(yīng)。

圖6 基于MGWR 模型的黃河流域碳排放量影響因素回歸系數(shù)

黃河流域碳排放量與GDP 回歸系數(shù)空間分布見圖7。 GDP 的回歸系數(shù)隨時間減小，即正效應(yīng)強(qiáng)度逐年減弱，說明黃河流域各地級市在發(fā)展經(jīng)濟(jì)的同時，建設(shè)綠色低碳城市，可持續(xù)發(fā)展意識加強(qiáng)。 正效應(yīng)強(qiáng)度自東南向西北增強(qiáng)，說明黃河流域上游地區(qū)城市經(jīng)濟(jì)發(fā)展對碳排放量增加的貢獻(xiàn)較大，這與張華明等［28］的觀點一致。 原因是上游地區(qū)經(jīng)濟(jì)相對落后，碳減排能力提升難度較大［29］；下游地區(qū)經(jīng)濟(jì)相對發(fā)達(dá)，生態(tài)保護(hù)和發(fā)展水平較高［30］，碳減排能力較強(qiáng)［29］。

圖7 黃河流域典型年碳排放量與GDP 回歸系數(shù)空間分布

黃河流域碳排放量與年末總?cè)丝诨貧w系數(shù)空間分布見圖8。 人口規(guī)模正向影響碳排放量，說明城市人口規(guī)模擴(kuò)大，居民能源消耗總量增長，會增大城市碳排放量。 回歸系數(shù)高值區(qū)自東向西移動至中部后向南收縮。 2015 年后，正效應(yīng)最強(qiáng)的區(qū)域位于黃河流域南部的西安市等地級市，說明以西安為核心的經(jīng)濟(jì)發(fā)展水平較高的地區(qū)，由經(jīng)濟(jì)發(fā)展和人口激增帶來的碳排放量高的問題較為突出。

圖8 黃河流域典型年碳排放量與年末總?cè)丝诨貧w系數(shù)空間分布

由于人口密度對碳排放量的影響為負(fù)效應(yīng)，因此人口密度與碳排放量的回歸系數(shù)絕對值越大，負(fù)效應(yīng)越強(qiáng)。 選擇具有顯著相關(guān)關(guān)系的2014 年、2017 年和2019 年的回歸系數(shù)進(jìn)行空間分布分析（見圖9）。 可以看出，人口密度負(fù)效應(yīng)強(qiáng)度從西南向東北部增強(qiáng)，較強(qiáng)地區(qū)位于黃河流域下游以及中上游北部鄂爾多斯市及周邊地級市，說明經(jīng)濟(jì)發(fā)展水平較高的城市規(guī)劃合理、公共資源集聚，人口集聚有利于碳減排。

圖9 黃河流域典型年碳排放量與人口密度回歸系數(shù)空間分布

黃河流域典型年碳排放量與土地城市化率回歸系數(shù)空間分布見圖10。 由于2000 年和2001 年碳排放量與土地城市化率回歸結(jié)果不顯著，因此選擇具有顯著性的2002 年回歸系數(shù)進(jìn)行分析。 土地城市化率的回歸系數(shù)平均值從2000 年的0.198 上升至2019 年的0.382，其中經(jīng)歷2001—2002 年和2013—2015 年2 個上升期。 正效應(yīng)強(qiáng)度自東向西逐漸增強(qiáng)，說明黃河上游地區(qū)土地城市化率的提高使碳排放量增大。 該空間分布格局是以下因素共同作用的結(jié)果：1）上游地區(qū)土地城市化基礎(chǔ)薄弱，隨著西部大開發(fā)戰(zhàn)略的實施，需要更多的城市建設(shè)用地以發(fā)展工業(yè)企業(yè)，而工業(yè)企業(yè)以煤炭為主要燃料，導(dǎo)致碳排放量增加；2）城市建設(shè)用地擴(kuò)張的主要來源是耕地（由2002 年和2019 年土地利用分類圖［31］可知），而耕地整體表現(xiàn)為碳匯［32］，耕地轉(zhuǎn)化為城市建設(shè)用地導(dǎo)致陸地生態(tài)系統(tǒng)碳匯能力下降；3）黃河上游地區(qū)碳減排能力低、提升難度大［29］；4）黃河下游地區(qū)城市發(fā)展較為完善，城市建設(shè)用地擴(kuò)張空間有限，土地城市化率的影響較弱。

圖10 黃河流域典型年碳排放量與土地城市化率回歸系數(shù)空間分布

4 結(jié)論

在我國2030 年前實現(xiàn)碳達(dá)峰目標(biāo)與黃河流域生態(tài)保護(hù)和高質(zhì)量發(fā)展重大國家戰(zhàn)略實施背景下，本文利用莫蘭指數(shù)對黃河流域地級市碳排放量與影響因素的空間自相關(guān)特征進(jìn)行分析。 運(yùn)用MGWR 模型，從經(jīng)濟(jì)、人口、土地城市化率等方面對碳排放量影響因素時空異質(zhì)性進(jìn)行研究，結(jié)論如下。

1）黃河流域地級市碳排放量呈上升趨勢，具有顯著空間集聚特征。 高-高值集聚區(qū)主要位于黃河上中游交錯地帶的鄂爾多斯市、榆林市、呂梁市，中下游交錯地帶的運(yùn)城市和三門峽市；低-低值集聚區(qū)位于黃河上游青海省西寧市和黃南藏族自治州等。

2）MGWR 模型的IAICc和IRSS值比GWR 模型的小，R2和調(diào)整R2值比GWR 模型的大，說明利用該模型研究黃河流域地級市碳排放量影響因素時空異質(zhì)性優(yōu)于GWR 模型。 由MGWR 模型得出：GDP 具有顯著的空間異質(zhì)性，土地城市化率的空間異質(zhì)性從2014 年開始顯現(xiàn)，人口規(guī)模和人口密度在地級市尺度上空間異質(zhì)性較弱。

3）按回歸系數(shù)大小排序：GDP＞人口規(guī)模＞土地城市化率＞人口密度。 GDP、人口規(guī)模和土地城市化率呈顯著正效應(yīng)，人口密度呈顯著負(fù)效應(yīng)。 空間分布上，GDP 的正效應(yīng)強(qiáng)度從東南向西北逐漸增強(qiáng)，人口規(guī)模的正效應(yīng)強(qiáng)度自東向西移動至中部后向南收縮，人口密度的負(fù)效應(yīng)強(qiáng)度自西南向東北遞增，土地城市化率的正效應(yīng)強(qiáng)度自東南向西北遞增。