武漢城市圈土地利用碳排放時空演變及驅動因素

鄧靈穎, 李紅波

(華中農業大學 公共管理學院, 武漢 430070)

21世紀以來,經濟飛速發展導致溫室氣體排放量激增,氣候變化尤其是氣候變暖成為全球關注的焦點問題。根據國際能源署發布的數據,中國在2009年已經成為全球第一大碳排放國[1-2]?；谶@一嚴峻形勢,中國在第75屆聯合國大會上做出承諾,二氧化碳排放力爭于2030年前達到峰值,在2060年實現碳中和。湖北作為生態大省在承擔中部地區經濟崛起發展壓力的同時,還肩負著碳減排的重任。湖北省自然資源保護與開發“十四五”規劃中提到目前湖北還存在資源粗放式利用、土地粗放式開發等制約經濟發展與自然資源保護的瓶頸,亟須創新以節約和保護為目標的高效資源利用方式,探索協同推進生態優先與綠色可持續的經濟發展新路徑,以期為區域碳減排增匯提供可行的經驗方法。

當前,城市群成為空間發展的主要形態。武漢城市圈作為湖北省的核心發展區域,以占全省31.2%的土地面積創造了60%以上的生產總值。作為長江中游三大城市群之一,武漢城市圈在城市化與工業化的過程中對資源和能源有較強的依賴性,因此其碳排放呈現逐年增加趨勢。隨著各城市之間的產業轉移和產業協作逐步活躍,城市圈內部物質能量交換愈發復雜,城市間的碳排放關聯更加緊密。開展以城市群為單元的碳排放研究可以明晰城市群的碳排放規律,了解城市群發展與碳減排之間的矛盾,為城市群經濟發展與碳減排增匯提供科學指導。

目前國內外學者針對土地利用碳排放展開了豐富的研究[3-6]。這些研究主要集中于區域碳排放核算方法[7]、碳排放影響因素[8]、碳排放時空特征[9]、區域碳補償分區等方面,如楊欣等[10]在計算武漢城市圈碳排放總量和碳排放強度的基礎上,運用LMDI模型分解了武漢城市圈碳排放影響因素,結果顯示,能源結構、能源效率抑制碳排放,經濟水平對碳排放起促進作用;李璐等[11]在剖析土地利用碳收支分異特征的基礎上,借助SOM-K-means方法劃分碳補償區并構建碳補償評價體系,最終得到7類碳補償優化分區;董捷等[12]以3 E模型為約束,構建IFCAM模型嘗試制定武漢城市圈各縣區的碳減排責任空間分配方案。Shuai等[13]采用STIRPAT模型分析了1990—2011年125個國家的人口、富裕程度和技術對碳排放的影響程度,得出在全球層面碳排放的關鍵影響因子是富裕程度,其次是技術和人口。Liu等[14]在采用SBM模型核算2001—2019年長三角地區碳排放效率的基礎上,運用QAP回歸分析其影響因素。Hong等[15]介紹了1961—2017年全球土地利用排放的國家、過程、溫室氣體和產品的具體清單,采用改進的KAYA恒等式分解了驅動排放的關鍵因素,并評估了結果對不同核算假設的不確定性和敏感性。針對碳排放影響因素的研究方法大致上可以分為兩類:基于因素分解分析的方法和基于計量經濟學的回歸分析方法[16-17]。與分解分析法相比,計量經濟分析法多采用回歸分析工具來構建模型,可以靈活選擇變量,以隨機變量的形式引入隨機因子,從而使結論更具針對性。因此,計量經濟分析方法得到了更多學者的認可,更適合本文的研究目標。

武漢城市圈作為中部地區具代表性的城市群,其經濟發展以及碳減排路徑對其他城市群具有一定的示范引領作用及借鑒意義。明晰各城市碳排放量的影響因素對制定碳減排政策、分配碳減排任務具有現實指導意義。因此,本文以武漢城市圈為研究區域,通過構建土地利用碳排放測算模型及時空地理加權回歸模型,探究武漢城市圈土地利用碳排放空間差異性及其影響因素的時空異質性,為區域制定低碳經濟發展政策提供具有一定參考價值的依據。

1 數據與方法

1.1 數據來源

本研究的數據包括2000年、2010年、2020年的土地利用柵格數據和社會經濟數據。土地利用柵格數據來源于中國科學院資源環境科學數據中心(http:∥www.resdc.cn/),空間分辨率為30 m,參考《土地利用現狀分類》標準(GB/T21010-2017),將研究區土地利用類型重分類為耕地、林地、草地、水域、建設用地和未利用地6個一級地類。能源消費、社會經濟數據來源于湖北省統計局(http:∥tjj.hubei.gov.cn/)公布的統計年鑒。

1.2 研究方法

1.2.1 土地利用碳排放估算 本文將土地利用類型分為碳源和碳匯兩類,其中,具有碳匯作用的地類包括耕地、林地、草地、水域和未利用地;發揮碳源作用的地類有建設用地和耕地。不同的土地利用方式其碳排放效應也不同,因此本文根據不同地類的利用特點來估算碳排放量。

耕地作為人類進行農業生產經營活動的載體時表現為碳源,如農業化肥施用、農業機械使用、農膜使用和灌溉等,計算公式為:

Et=Ef+Em+Ei+Ea

(1)

式中:Et為耕地碳排放;Ef,Em,Ei,Ea分別為農田化肥生產、農業機械生產使用、灌溉和農膜使用過程帶來的碳排放。

式(1)可分解為:

Et=GfA+(AmB+WmC)+AiD+FaE

(2)

式中:A,B,C,D,E為轉換系數,其值參考自張俊峰等[18]研究,分別為857.54 kg/mg,16.47 kg/hm2,0.18 kg/kW,266.48 kg/hm2,3.84 kg/mg。Gf,Am,Wm,Ai,Fa分別為農業化肥使用量、農作物種植面積、農業機械總動力、灌溉面積、農膜使用量。

建設用地是重要的碳源,對應的碳排放主要來自工業能源消耗,但由于本文研究的部分地級市統計年鑒中缺少能源消耗量數據,因此本文參考王桂波等[19]的研究,采用二三產業產值與單位GDP能耗的乘積反映建設用地碳排放量。計算公式如下:

ECO2=GDP2,3HK

(3)

式中:ECO2為建設用地的碳排放量;H為單位GDP能耗(t標準煤/萬元);K為煤炭的能源消耗碳排放系數(tC/t)。

本文運用固定系數法測算耕地、林地、草地、水域及未利用地的碳匯量(表1),由于這幾種地類的碳匯能力隨時間的改變不大,且國內關于這幾類用地的碳排放研究有大量數據支撐,因此本文運用碳匯系數估算土地利用碳匯量。估算公式如下:

表1 不同土地利用類型碳排放系數Table 1 Coefficient of carbon emission of different land use patterns

Ti=Sifi

(4)

式中:Ti,Si,fi分別表示第i種土地利用方式的碳排放量、面積、碳排放系數。耕地碳排放系數來自陳泮勤等[20]的研究成果,林地碳排放系數來自蘇雅麗等[21]的研究成果,水域和未利用地的碳排放系數分別來自段曉男等[22]和賴力[23]的研究結果。草地的碳排放系數參考張俊峰等[18]的研究成果,針對武漢城市圈改良草地和人工草地占比較大這一現狀,對方精云等[24]估算的草地碳排放系數進行修正,得到城市圈草地碳排放系數為-0.024 t/(hm2·a)。

1.2.2 時空地理加權回歸模型 時空地理加權回歸模型是在地理加權回歸模型的基礎上提出的,GWR模型中自變量的回歸參數隨空間地理位置變化而變化,而GTWR模型中自變量的回歸參數隨著時空位置的變化而變化。因此該模型相對GWR模型能較好地描述變量與因變量之間的時空關系。由于武漢城市圈碳排放呈不均衡的時空分布特征,碳排放具有時空非平穩性,在研究武漢城市圈碳排放效應時,有必要從局部探討武漢城市圈碳排放的時空異質性。

GTWR模型的基本表達式如下所示:

(5)

式中:(ui,vi)表示第i個樣本點的經緯度;ti表示觀測時間;yi表示第i個樣本點的因變量值;Xik表示第i個樣本點的第k個解釋變量。εi為模型誤差項,β0(ui,vi,ti)代表第i個樣本點的回歸常數,βk(ui,vi,ti)表示第i個樣本點的第k個解釋變量的回歸系數。

2 結果與分析

2.1 武漢城市圈土地利用碳排放分析

通過研究2000—2020年武漢城市圈各類土地碳排放量(表2),結果表明:凈碳排放隨著年份增加而增加,從2000年的3 129.69萬t增加到2020年的14 590.51萬t,增長了約5倍。建設用地為主要碳源,其碳排放量占碳排放總量的90%以上,并且隨著時間變化呈快速增長趨勢;耕地的碳排放量呈現先增后減趨勢,2010年耕地碳排放達153.48萬t;而發揮碳匯作用的地類中,林地的碳匯能力最強,其碳匯強度隨時間變化幅度不大;其次為水域,其碳匯量隨時間變化呈先增后減趨勢。

表2 2000-2020年武漢城市圈各類用地碳排放Table 2 Carbon emissions of different land use types from 2000 to 2020 in Wuhan metropolitan area 104 tC

將城市圈碳排放、碳匯按照地類一一對應空間化,并根據各地類面積計算出碳排放及碳匯密度,結果如圖1,圖2所示。

圖1 武漢城市圈2000年、2010年、2020年碳排放密度空間變化

圖2 武漢城市圈2000年、2010年、2020年碳匯密度空間變化

通過武漢城市圈碳排放密度空間分布(圖1)結果表明,高碳排放土地利用斑塊在研究早期多集中分布于武漢市以及各市的中心城區,在2010年以后逐漸向武漢城市圈的西北、東南方向轉移。高碳排放斑塊相較2000年增加了43.69%,其明顯的空間分布特征表現在多分布于水源附近。研究期內耕地的碳排放密度先增后減,而建設用地碳排放密度在研究期內增幅達到224.02%,可以看出耕地造成的碳排放遠低于建設用地對碳排放的貢獻度。

觀察武漢城市圈碳匯密度空間分布(圖2)結果表明,高碳匯土地利用斑塊主要分布在武漢城市圈的南部、北部以及東北部。研究期內,碳匯斑塊總面積減少了2.39%,總碳匯斑塊的平均碳匯密度減少了0.14%。武漢城市圈中心城區碳匯斑塊顯著減少,碳匯斑塊增加區域分布在城市圈西部以及東部。

2.2 碳排放驅動因素分析

2.2.1 數據檢驗 本文運用時空地理加權回歸模型(GTWR)研究武漢城市圈碳排放的驅動因素及其空間異質性,將碳排放作為被解釋變量,選取城市化水平、產業結構、碳排放強度、經濟發展水平、人口集聚程度、技術水平和建設用地占比7類因素作為解釋變量。首先對這7類因素進行共線性診斷將方差膨脹因子(VIF)值過高的碳排放強度因素剔除,再對剩下的6類因素進行顯著性檢驗,發現均對碳排放量具有顯著影響,且方差膨脹因子(VIF)<10,不存在多重共線性。各變量的指標解釋及方差膨脹因子如表3所示。

表3 研究指標及其解釋Table 3 Research indicators and interpretation

利用ArcGIS時空地理加權回歸分析模塊,自動設置最優帶寬,時空距離參數比值設置為1,進行影響因素回歸系數計算、分析。選取AIC準則和擬合優度R2作為模型置信度評價指標,結果見表4。從擬合優度來看,R2和調整后R2均高于0.9,表明時空地理加權回歸模型能夠較好地測度解釋變量對因變量的影響。

表4 GTWR相關參數Table 4 Related parameters of GTWR

2.2.2 驅動因素的時空異質性分析 (1) 通過觀察2000—2020年各驅動因素回歸系數變化圖(圖3)結果表明,研究區域內的城市化回歸系數既有正向又有負向且回歸系數跨度較大,表明城市化進程在一定程度上會加劇碳排放,城鎮居民相對農村居民消耗的能源更高,隨著城鎮人口的增加城鎮人類活動難以避免地會造成更多碳排放。但在研究期內湖北響應國家發展低碳經濟的號召,積極建設資源節約、環境友好型城市,倡導低碳綠色生活方式從而使城市化水平對碳排放的影響不斷降低。

圖3 2000-2020年各驅動因素回歸系數變化

(2) 人口聚集程度對碳排放基本上呈現正向影響,說明人口的增加會造成更高的能源與資源的消耗,從而影響區域的碳排放水平。大部分城市的人口集聚系數隨時間推移不斷下降,這是由于人口的集聚帶來的產業與生產要素的集中會提高能源與資源的利用效率,從而使區域碳排放量相對降低。

(3) 經濟發展水平對碳排放的貢獻十分明顯且均為正向影響。隨著時間的推移,低碳經濟的發展模型愈發完善,低碳政策成效愈發顯著,使得經濟發展水平系數呈現不斷下降的趨勢。

(4) 產業結構對碳排放的影響在研究期間基本呈現不斷增加的趨勢。隨著二三產業的生產活動強度不斷提高,加劇了煤炭資源、水資源及土地資源的消耗,從而造成更高的碳排放量。

(5) 技術水平對碳排放呈現明顯的正向作用,并且在研究期間呈先增后減的趨勢。其原因可能是在研究初期隨著城市化進程加快對能源的需求量更大,導致碳排放量不斷增加;而隨著產業結構的轉型及生產技術的提高,單位GDP能耗不斷下降造成碳排放量也逐漸降低。

(6) 在研究期間,建設用地占比對碳排放大多呈負向影響,但總體上呈現逐年遞增的趨勢。究其原因可能是由于城市建設用地在研究期間內快速擴張,但又受到集約利用的影響,使得研究后期建設用地的使用更加集約高效。

2.2.3 驅動影響因素空間異質性分析 將各影響因素回歸系數通過ArcGIS進行可視化,得到各影響因素回歸系數的時空分布圖。結果表明,城市化水平對碳排放的影響(圖4)呈現西北較高東部較低的格局。城市化水平對潛江市的碳排放貢獻率最大,其次是武漢市、孝感市,較弱的有黃岡市和黃石市。從變化趨勢來看,大部門城市相關系數逐年下降,而仙桃市及潛江市回歸系數經歷了由負轉正的過程,其原因是研究初期城市化帶來的集中規模經營對碳排放具有抑制作用,而研究后期隨著產業規模的擴大及城市化占用建設用地數量增加,城市化對碳排放起正向促進作用。

圖4 城市化水平及產業結構回歸系數時空分布

產業結構的回歸系數(圖4)主要呈現兩邊高中間低的格局。武漢城市圈主城區的產業結構回歸系數一直較小,這是由于二三產業較多集中在遠離武漢城市圈中心城區的偏遠地級市。產業結構對天門市的碳排放影響最大,其次是仙桃市、孝感市和潛江市。表明這些城市承擔了更多鋼鐵、水泥等化工產品的生產活動,從而導致更高的碳排放。

經濟發展水平對碳排放的影響(圖5)呈現由西向東逐漸遞減的格局。其中,經濟發展水平對碳排放影響最大的城市是潛江市,其次是天門及仙桃。研究期內,武漢市及孝感市的經濟發展水平回歸系數呈現逐年下降并由正轉負的趨勢,說明研究初期經濟發展對碳排放有促進作用,隨著高速經濟發展模式向綠色可持續經濟發展的轉變,經濟發展水平對碳排放呈現一定的抑制作用。

圖5 經濟發展水平及人口集聚程度回歸系數時空分布

人口聚集程度對碳排放的影響(圖5)呈現西北部偏高東北部偏低的特點。人口集聚水平對天門的碳排放影響最大,其次是仙桃、潛江及咸寧。從變化趨勢來看,除鄂州、黃石的人口集聚程度回歸系數逐年遞增外,其余城市的回歸系數隨年份增加不斷減小,這是因為人口集中導致資源與生產要素在空間聚集,從而提高了資源的利用率達到降低碳排放的效果。

技術水平對碳排放的影響(圖6)呈現東北部偏高南部偏低的格局。技術水平對鄂州市的碳排放影響最大,其次為武漢和孝感,較低的是咸寧市。隨著時間推移,孝感市、咸寧市的系數逐年減小,說明提升技術水平有利于提高能源利用效率,降低碳排放。武漢市、黃岡市的回歸系數呈增加趨勢,表明技術水平對該區域的碳排放影響作用不斷增強,有必要優化調整該區域的能源結構。

圖6 技術水平及建設用地占比回歸系數時空分布

建設用地占比對碳排放的影響(圖6)基本上呈東高西低格局。建設用地占比對潛江市的碳排放影響最大,其次是黃石市和黃岡市。在研究初期,建設用地對潛江、黃石、黃岡、咸寧及鄂州的碳排放均為正向影響,這是由于這些城市在早期發展過程存在粗放擴張建設用地、低效率利用土地等問題,隨著年份增加,城市土地利用規劃要求集約利用建設用地,有效提高了建設用地的利用效率,從而降低建設用地占比對碳排放的影響。

3 討 論

本文按照不同用地類型分別核算了3期武漢城市圈土地利用碳排放量,并探討了碳排放量的空間分布格局及影響因素的時空異質性。研究發現,武漢城市圈各地市的碳排放差異顯著,整體上碳排放逐年增加,其中建設用地碳排放強度增加幅度最為明顯。由于本研究在核算碳匯時采用系數法,且研究期內不同用地類型的面積變化幅度較小,因此碳匯量的變化也很小。

通過以上分析,結果表明不同時間階段各城市碳排放主導因素有明顯變化。這說明了各地區存在發展不均衡的問題,因此,在區域碳減排任務的分配以及制定碳減排策略時應有針對性地考慮地域實際情況及發展特點。如鄂州市、武漢市、孝感市碳排放受技術水平影響較大,針對這些地區的碳減排措施可以以推廣綠色環保的生產技術為主,同時可以開發使用風能、光伏等低碳能源來降低碳排放。此外,天門市、仙桃市及潛江市碳排放受產業結構影響較大,應調整當地二三產業比例,推進產業結構升級轉型。

4 結 論

(1) 武漢城市圈土地利用碳排放呈逐年增加趨勢。建設用地為主要碳源,其碳排放量占碳排放總量的90%以上,并隨時間增長快速增加;林地為主要碳匯,其碳匯量變化相對穩定。從空間分布來看,研究期間高碳排放斑塊不斷增加,并逐漸由主城區向西北、西南方向轉移;高碳匯斑塊面積不斷減少,且多分布于武漢城市圈遠城區。

(2) 2000—2020年,建設用地占比對碳排放的影響程度不斷增加,城市化水平、人口集聚程度對碳排放的影響程度不斷降低。產業結構、經濟發展水平及技術水平對碳排放的影響呈現波動變化的趨勢。

(3) 武漢城市圈碳排放的影響因素存在較明顯的空間異質性,最主要的影響因素是產業結構,其次是技術水平及建設用地占比。各類影響因素對不同區域的碳排放影響不盡相同,說明各地區的差異化發展造成當地碳排放主導驅動因素存在差別。