黃河流域碳排放量及影響因素的時空異質性研究

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海洋經濟與可持續發展研究中心，遼寧大連 116029；2.遼寧省海洋經濟高質量發展高校協同創新中心，遼寧大連 116029；3.遼寧師范大學地理科學學院，遼寧大連 116029）

黃河流域是我國重要的能源、化工、原材料和基礎工業基地，也是我國碳排放重點地區和生態治理重點區域［1］。 2021 年3 月，習近平總書記在中央財經委員會第九次會議上指出，要把碳達峰、碳中和納入生態文明建設整體布局［2］。 2022 年6 月28 日，生態環境部等四部門聯合印發《黃河流域生態環境保護規劃》［3］，提出黃河流域2030 年前實現碳排放達峰，生態系統質量和穩定性全面提升。 碳達峰目標和生態文明建設互為支撐、相互促進。 一方面，生態文明建設是實現碳達峰目標的基礎，高水平生態文明建設能促進經濟綠色低碳發展、優化資源配置，推動高質量發展；另一方面，發展低碳經濟是推動流域生態文明建設的重要路徑。水生態文明建設作為生態文明發展的重要環節，是推動黃河流域經濟社會高質量發展和實現碳達峰的重要影響因素［4］。 因此，研究黃河流域碳排放量影響因素時空異質性，對推動黃河流域的生態文明特別是水生態文明建設、實現黃河流域生態保護和高質量發展具有重要現實意義。

當前對碳排放量影響因素的研究主要采用對數平均迪氏指數（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［8］和農業［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。 有學者采用經典地理加權回歸（GWR）模型［14］和時空地理加權（GTWR）模型［12］，分別對碳排放量及其影響因素時空異質性進行研究。 通過梳理文獻發現，目前對碳排放量影響因素的研究大多側重于全局平均作用強度的估計，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性的指標，帶寬越小空間異質性越強）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性，以期為黃河流域生態保護和高質量發展提供參考。

1 研究區概況

黃河全長5 464 km，流經青海、四川、甘肅、寧夏、內蒙古、山西、陜西、河南、山東9 個省（區），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，流域內城市經濟發展水平差異較大。 黃河流域9 個省（區）2020 年總人口4.21億，占全國總人口的29.83%；2021 年地區生產總值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和供應基地，煤炭產量約占全國煤炭總產量的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 數據來源與研究方法

2.1 變量選取與數據來源

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、年末總人口、人口密度和土地城市化率5 個指標作為自變量，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，流域外部區域不在本研究范圍內。 為保證數據一致性，本研究采用的所有數據均從分辨率為1 km×1 km 的衛星遙感影像按黃河流域邊界范圍內提取得到。 用于提取城市建設用地面積的夜間燈光數據來自美國國家環境信息中心（https：／／eogdata.mines.edu／products／vnl／），用于計算城市行政區土地總面積的空間數據來自中國科學院資源環境科學數據中心（http：／／www.resdc.cn），人口空間分布數據來自WorldPop（https：／／dx.doi.org／10.5258／SOTON／WP00674），CO2排放空間分布數據來自《人為二氧化碳開源數據清單（ODIAC）》［16］，GDP 空間分布數據來自全球高分辨率實際國內生產總值柵格數據［17］。 對處理后的自變量進行多重共線性檢驗，各指標的方差膨脹系數（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

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

2.2.2全局空間自相關性分析

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

式中：I為全局空間自相關指數，n為地級市總數，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為空間權重。

2.2.3局部空間自相關性分析

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的碳排放量標準化值，Ii為地級市i的局部空間自相關指數。

2.2.4GWR 和MGWR 模型

GWR 模型表達式［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，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，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。

MGWR 模型表達式［27］為

可以看出，MGWR 模型的每個回歸系數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 結果與分析

3.1 黃河流域碳排放量的時空格局及空間關聯差異分析

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

采用全局莫蘭指數表征黃河流域碳排放量空間自相關性（其計算結果見表1），全局莫蘭指數均為正值，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特征，即碳排放量水平接近的區域在空間上集中分布。

表1 全局莫蘭指數I 計算結果

采用ArcGIS 軟件中的Anselin Local Moran's I 工具進行局部自相關性分析，結果見圖3。 高-高值區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（運城市、三門峽市），低-低值區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行相關性分析，結果見圖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、年末總人口、土地城市化率的相關性均通過顯著性水平為0.01 的顯著性檢驗，成顯著正相關關系，GDP 與碳排放量的相關系數最大。 人口密度與碳排放量的相關性在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關系

由空間自相關分析結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，即區域之間相互獨立的假設不成立。 因此，需引入空間差異分析模型對經典線性模型進行改進。 采用GWR 模型和MGWR 模型對碳排放量及其影響因素異質性進行研究，結果見表2。 MGWR 模型的IAICc（修正的赤池信息準則值）和IRSS（殘差平方和）均比GWR 模型的小，說明MGWR 模型優于GWR 模型；MGWR 模型的R2（擬合優度）和調整R2均大于GWR 模型的，說明MGWR模型擬合效果優于GWR 模型。 因此，MGWR 模型可降低模型殘差的空間自相關性，是研究黃河流域地級市碳排放量影響因素空間異質性的較優模型。

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 模型變量帶寬數值較大，不具有空間異質性。MGWR 模型的GDP 帶寬最小，說明其具有顯著空間異質性；土地城市化率的帶寬從2014 年開始減小，說明其空間異質性逐步顯現；常數項表示區位因素對碳排放量的影響程度，其帶寬2001—2013 年較小，表明在此期間區位因素對黃河流域地級市碳排放量的影響具有空間異質性；人均GDP、年末總人口和人口密度的帶寬較大，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性。

表3 GWR 模型和MGWR 模型變量帶寬對比

地級市擬合優度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解釋程度；黃河中下游地區的地級市R2相對較小，說明中下游地區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年平均值，結果見圖6。 由Pearson 相關性分析可知，碳排放量與人均GDP 沒有顯著相關性，因此碳排放量影響因素異質性分析不包括人均GDP。 按回歸系數大小排序：GDP＞人口規模＞土地城市化率＞人口密度。 GDP、人口規模和土地城市化率為正效應，人口密度為負效應。

圖6 基于MGWR 模型的黃河流域碳排放量影響因素回歸系數

黃河流域碳排放量與GDP 回歸系數空間分布見圖7。 GDP 的回歸系數隨時間減小，即正效應強度逐年減弱，說明黃河流域各地級市在發展經濟的同時，建設綠色低碳城市，可持續發展意識加強。 正效應強度自東南向西北增強，說明黃河流域上游地區城市經濟發展對碳排放量增加的貢獻較大，這與張華明等［28］的觀點一致。 原因是上游地區經濟相對落后，碳減排能力提升難度較大［29］；下游地區經濟相對發達，生態保護和發展水平較高［30］，碳減排能力較強［29］。

圖7 黃河流域典型年碳排放量與GDP 回歸系數空間分布

黃河流域碳排放量與年末總人口回歸系數空間分布見圖8。 人口規模正向影響碳排放量，說明城市人口規模擴大，居民能源消耗總量增長，會增大城市碳排放量。 回歸系數高值區自東向西移動至中部后向南收縮。 2015 年后，正效應最強的區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濟發展水平較高的地區，由經濟發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人口回歸系數空間分布

由于人口密度對碳排放量的影響為負效應，因此人口密度與碳排放量的回歸系數絕對值越大，負效應越強。 選擇具有顯著相關關系的2014 年、2017 年和2019 年的回歸系數進行空間分布分析（見圖9）。 可以看出，人口密度負效應強度從西南向東北部增強，較強地區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，說明經濟發展水平較高的城市規劃合理、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果不顯著，因此選擇具有顯著性的2002 年回歸系數進行分析。 土地城市化率的回歸系數平均值從2000 年的0.198 上升至2019 年的0.382，其中經歷2001—2002 年和2013—2015 年2 個上升期。 正效應強度自東向西逐漸增強，說明黃河上游地區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果：1）上游地區土地城市化基礎薄弱，隨著西部大開發戰略的實施，需要更多的城市建設用地以發展工業企業，而工業企業以煤炭為主要燃料，導致碳排放量增加；2）城市建設用地擴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），而耕地整體表現為碳匯［32］，耕地轉化為城市建設用地導致陸地生態系統碳匯能力下降；3）黃河上游地區碳減排能力低、提升難度大［29］；4）黃河下游地區城市發展較為完善，城市建設用地擴張空間有限，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空間分布

4 結論

在我國2030 年前實現碳達峰目標與黃河流域生態保護和高質量發展重大國家戰略實施背景下，本文利用莫蘭指數對黃河流域地級市碳排放量與影響因素的空間自相關特征進行分析。 運用MGWR 模型，從經濟、人口、土地城市化率等方面對碳排放量影響因素時空異質性進行研究，結論如下。

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城市和三門峽市；低-低值集聚區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性優于GWR 模型。 由MGWR 模型得出：GDP 具有顯著的空間異質性，土地城市化率的空間異質性從2014 年開始顯現，人口規模和人口密度在地級市尺度上空間異質性較弱。

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