資源型地區碳排放時空演變和影響因素分析

蘇宇凡,劉珺,孟鑫,張和生

(太原理工大學 礦業工程學院,太原 030024)

0 引言

2020年9月習近平總書記宣布中國二氧化碳排放力爭在2030年前達到峰值,努力爭取2060年前實現碳中和。資源型地區是以本地區礦產、森林等自然資源開采和加工為主導產業的區域[1],作為降碳減排發展的重要主體,資源型地區長期在資源采掘加工業的主導下建立了獨特的產業結構、經濟體系和特殊的社會、文化、生態環境[2],探討長時間維度下碳排放空間特征及驅動因素對制定因地制宜的降碳減排策略具有重要意義。

當前已有眾多學者對碳排放時空演變進行了一系列研究。蘇泳嫻等[3]發現我國碳排放有著“東部沿海城市高高集聚,西部欠發達城市低低集聚”的空間聚類特征;杜海波等[4]研究表明黃河流域內部碳排放總量呈中游>下游>上游的地理分異特征;李建豹等[5]發現江蘇省人口城鎮化與能源消費CO2排放耦合協調度存在明顯的區域差異,空間格局較為穩定;周玄德等[6]研究發現湖北省各縣域碳排放呈以武漢為核心向周圍不斷輻射的圈層格局。上述研究分別從國家、流域、省份、縣域角度對碳排放空間特征進行了探討,但缺乏針對資源型地區碳排放時空特征的分析。

探究碳排放影響因素有助于制定切實有效的減排措施。周翼等[7]分析發現城市化對建設用地碳排放具有驅動與制動的雙重作用;盧奕亨等[8]構建面板Tobit模型研究發現社會層面因素對四川省農業碳排放的貢獻大于經濟層面因素;于博等[9]用空間滯后模型與空間誤差模型探究哈長城市群縣域碳排放影響因素,發現城市經濟水平和人口密度因素與碳排放顯著正相關;牛亞文等[10]研究結果表明城市化水平與第一產業比重對長株潭地區縣域土地利用碳排放影響作用明顯。上述研究結果證實了不同區域碳排放的主導驅動力存在一定差異,而當前對資源型地區碳排放影響因素分析不足。

山西省是我國煤炭生產與火力發電重要基地,其煤炭儲量占全國三分之一以上,是我國典型的資源型省份,長期的資源開采與加工帶來了大量碳排放,以山西省為例研究資源型地區碳排放具有代表性意義。由于以往研究鮮有專門針對資源型區域碳排放時空格局及影響因素探討,本文基于2001-2020年夜間燈光數據與土地利用/覆蓋(land use/cover change,LUCC)數據,從縣域角度,研究山西省碳排放空間關聯特征與時空演變格局,并探索碳排放的影響因素,為有效掌握和合理治理區域碳排放提供依據。

1 研究區域與數據

1.1 研究區概況

研究區域為山西省,地處黃土高原東翼,其范圍為34°36′N～40°44′N,110°15′E～114°32′E,全省面積156 700 km2。山西省擁有11個地級市,煤炭資源儲量居全國之首,在其117個縣、區級行政單元中,就有94個分布著煤炭,是典型的資源型省份。山西省能源局公布《全省生產煤礦生產能力公告》顯示2020年山西省共有生產煤礦668處,合計產能10.456億噸(圖1)。煤炭的開采與加工帶來了大量碳排放。

圖1 2020年山西省煤炭產量圖

1.2 數據來源與預處理

1)遙感數據。①擴展NPP-VIIRS夜間燈光數據(2001-2020)。從美國國家海洋和大氣管理局(National Oceanic and Atmospheric Administration,NOAA)官網(https://ngdc.noaa.gov/eog)下載DMSP-OLS夜間燈光數據(2001-2013)和NPP-VIIRS夜間燈光數據(2013-2020),空間分辨率分別為900 m和450 m,依照Chen等[11]提出的方法處理得到的擴展NPP-VIIRS夜間燈光數據集(2001-2020),空間分辨率為500 m。該數據集具有和NOAA提供的年度合成NPP-VIIRS夜間燈光數據相似的時空分布格局,且時間范圍更廣,能較好地進行長時間序列研究?；谏轿魇】h級行政單元邊界,裁切得到山西省夜間燈光數據,為保證碳排放估算精度[12],研究采用Lambert投影坐標系,將山西省夜間燈光數據的空間分辨率重采樣至1 000 m。②MCD12Q1數據(2001-2020)?？紤]到本研究涉及時間序列較長,LUCC數據選用MCD12Q1數據,從美國國家航天航空局(National Aeronautics and Space Administration,NASA)官網(https://ladsweb.modaps.eosdis.nasa.gov/search/)下載。該數據是MODIS三級產品,空間分辨率為500 m。MCD12Q1數據提供有五大土地覆蓋分類數據集,本研究采用國際地圈生物圈計劃(international geosphere-biosphere programme,IGBP)的全球植被分類方案,其全球分類精度達到75.0%[13]。當前已有研究證實該數據可以達到進行統計分析的要求。曹明等[14]研究表明MODIS土地覆蓋數據產品在大尺度土地覆蓋監測中有重要的應用價值;Liang等[15]以安徽省為例利用GlobeLand 30 m數據集對MCD12Q1的分類標準進行精度驗證,結果表明IGBP分類面積精度達到99.35%,空間精度達到78.66%,滿足區域研究的需求?；谏轿魇】h級行政單元邊界,裁切得到山西省土地利用數據,為保證碳排放計算準確性,根據《土地利用現狀分類》(GB/T 21010-2017),將數據重分類為水系、林地、草地、耕地、建設用地和未利用地6類,采用Lambert投影坐標系將數據空間分辨率重采樣至1 000 m。

2)統計數據。①山西省能源消費數據(2001-2020)。該數據來源于國家統計局官網(https://data.stats.gov.cn/)和《中國能源統計年鑒》,包含煤炭、焦炭、原油、汽油、煤油、柴油、燃料油、天然氣、電力共9類能源消費數據,用于計算山西省能源消費碳排放量。②山西省各地區經濟人口數據(2001-2020)。該數據來源于《山西統計年鑒》,用于分析碳排放影響因素,其中常住人口數、城鎮人口數單位為萬人,地區生產總值、第一產業產值、第二產業產值單位為萬元。

2 研究方法

2.1 碳排放計算

研究碳排放計算方法可分為直接碳排放計算和間接碳排放估算兩種。采用碳排放系數直接計算除建設用地外的土地利用碳排放(水系、林地、草地、耕地、未利用地),計算如式(1)所示。

(1)

式中:Cu表示除建設用地外,其余地類的碳排放值;Bi表示第i個地類面積;Ki表示第i個地類的碳排放系數。

結合研究區域的經緯度和地理狀況,水系、林地、草地、耕地、未利用地的碳排放系數如表1所示。

表1 不同地類的碳排放系數

基于聯合國政府間氣候變化專門委員會(Intergovernmental Panel on Climate Change,IPCC)提出的溫室氣體清單法間接估算建設用地的碳排放。建設用地是人類主要活動的區域,能源消耗是建設用地土地利用過程中最主要的碳排放來源,二者相關性較高[19]。由于采用建設用地面積估算碳排放不能反映真實狀況,因此本文參考現有研究[20-22],采用能源消費碳排放代表建設用地碳排放量。

2.2 基于夜間燈光數據的碳排放模擬

由于縣域能源消費統計數據難以獲取,本文采用夜間燈光數據將山西省能源消費碳排放空間化至縣域尺度。夜間燈光數據中像元值的大小反映夜間燈光強弱,被稱為夜間燈光亮度值。綜合分析發現,2001-2020年期間,在全省范圍內,山西省夜間燈光亮度值越大,能源消費碳排放量越高,二者之間存在某種聯系。假設全省尺度上夜間燈光亮度值與碳排放量之間關系與像素尺度保持一致,考慮到降尺度模型反演精度的問題,選用不含截距的一元二次多項式擬合,關系如式(2)所示。

(2)

式中:Cp(j)表示第j年山西省能源消費碳排放量;L(j)表示第j年山西省夜間燈光亮度總值,即所有像元值之和;a、b為常數系數。

山西省能源消費碳排放量與夜間燈光亮度值的擬合結果如圖2所示。二者在0.01水平上顯著相關,R2值為0.991 4,說明能源消費碳排放量與夜間燈光亮度值具有強相關性?？紤]到碳排放模擬值的精確性與可靠性,對能源消費碳排放量模擬值與統計值進行對比。

圖2 能源消費碳排放量與夜間燈光亮度值擬合關系

如圖3所示,均方根誤差(RMSE)為736.828×105t,平均相對誤差(MRE)為8.33%。結果表明,采用夜間燈光亮度值模擬能源消費碳排放精度良好,可基于此做進一步研究。

圖3 能源消費碳排放量模擬值與統計值對比

受回歸函數誤差影響,模擬的單個像元碳排放量總和與統計數據不符,因此需要在像素尺度上對數據進行校正,如式(3)所示。

(3)

2.3 探索性空間數據分析

研究采用全局莫蘭指數(Moran’s I)和局部莫蘭指數(local Moran’s I)研究碳排放在山西省縣域尺度下的關聯性。

全局莫蘭指數用于反映碳排放量的整體聚集效應,其值位于[-1,1]間,當值為0時表示碳排放的聚集性在空間上不具相關性,大于0為正相關,表明碳排放在山西省縣域尺度上有聚集特征,小于0為負相關,表明碳排放在山西省縣域尺度上有分散特征。

局部莫蘭指數用于分析不同區縣之間的碳排放量的相互影響,其取值范圍不限于[-1,1],大于0表明碳排放空間正相關,小于0表明空間負相關。對局部莫蘭指數進行Z檢驗,檢驗結果顯著為正表示該地區為碳排放高值集聚區,顯著為負表示該地區為碳排放低值區。檢驗結果用LISA聚集圖直觀表現出來,進一步的展現碳排放的空間依賴性和異質性。

2.4 SLOPE趨勢分析

SLOPE趨勢分析是采用一元線性回歸模型對一組隨時間變化的變量進行回歸分析,并預測其變化趨勢,是研究長時序變化趨勢的重要方法。本文采用SLOPE趨勢分析探究山西省縣域CO2排放的線性傾向。SLOPE值[23]的正負分別代表碳排放的增長趨勢與降低趨勢,值越大表示該地區碳排放增長越迅猛。

2.5 影響因子探測

研究采用地理探測器分析不同影響因素對山西省縣域碳排放的影響。地理探測器是探測空間分異性以及揭示其背后驅動因子的一種新的統計學方法,此方法無線性假設,既可以探測數值型數據,也可以探測定性數據,擁有能探測兩因子交互作用的優點。因子探測通常采用q值度量[24],其值位于[0,1]間,q值越大,表明該影響因素對碳排放的解釋力越強,反之則越弱。

3 結果分析

3.1 山西省縣域碳排放空間關聯特征

如圖4所示,2001-2020年山西省縣域碳排放全局莫蘭指數介于0.21至0.37間,表明山西省碳排放在縣域尺度上具有較強的空間聚集性。20年間山西省碳排放總量總體呈上升趨勢,歷經3次增衰階段,2001-2007年碳排放上升,2007-2009年下降,2009-2014年上升,2014-2016下降,2016-2020呈碳排放增速逐漸放緩的上升趨勢。碳排放空間聚集程度對碳排放增長速率有一定程度的影響。

圖4 2001-2020年山西省縣域碳排放全局莫蘭指數與碳排放

如圖5所示,近20年來,山西省碳排放聚類變化不大,其中大同市云岡區,朔州市平魯區、懷仁市,太原市市轄區,晉中市榆次區等為主要的“高-高”聚集區;大同市新榮區,太原市陽曲縣為主要的“低-高”聚集區。全省整體呈現出北部與中部聚類顯著,東南部聚類不顯著的格局,從縣域尺度研究進一步說明了山西省碳排放聚類形式主要是“高-高”和“低-高”聚集。

圖5 山西省縣域碳排放LISA圖

3.2 山西省縣域碳排放時空格局演變

為探究山西省碳排放演變情況,采用SLOPE趨勢分析求得山西省117個區縣20年間碳排放傾向值,采用間斷法將碳排放變化類型分為5類:下降趨勢型、較慢增長型、中速增長型、較快增長型、迅猛增長型。由圖6可以看出,忻州市偏關縣、太原市古交市、運城市河津市、臨汾市汾西縣等為碳排放下降趨勢型地區,占山西省總面積的5.88%,這些地區經濟發展水平相對較低,工業基礎設施建設相對落后,人口遷移現象明顯,能源消費的低姿態致使其碳排放量在20年間波動頻繁,總體呈下降趨勢;中速增長型和較快增長型主要分布在迅猛增長型周邊;大同市云崗區、朔州市朔城區、忻州市忻府區、晉中市榆次區、長治市潞城區、運城市鹽湖區、太原市尖草坪區等地區碳排放迅猛增長,占山西省總面積的5.49%,這些地區多為區域發展中心,人口與產業聚集效應明顯,能源的高消耗與高排放受到城市與工業經濟快速發展的刺激,后續碳減排策略的制定需重點關注這些區域。

圖6 山西省縣域碳排放變化趨勢圖

進一步研究山西省縣域碳排放演變格局,參考已有研究[25],采用最佳自然斷裂法對山西省縣域碳排放量分類,共分為5類:低碳排放(<3.08×106t)、較低碳排放(3.08×106～8.15×106t)、中等碳排放(8.15×106～1.715×107t)、較高碳排放(1.715×107～2.834×107t)、高碳排放(>2.834×107t)。

如圖7所示,山西省縣域碳排放量呈現出明顯的地域分布差異規律,有著“中間高,兩側低”的特點。早年山西省碳排放以大同市云岡區(原南郊區和礦區)和太原市萬柏林區為核心增加并向周圍擴散。2012年山西省北部區域碳排放強度升高明顯,此后山西省北部高值碳排放區域逐步向南延伸至與中部相連,形成以“大同市云崗區-朔州市朔城區-太原市市轄區”為核心的碳排放聚集帶。除此之外,碳排放也在以“孝義市-介休市”和“長治市潞州區-晉城市澤州縣”為核心的兩大區域內聚集。碳排放低值區主要集中在臨汾市所轄大寧縣等縣域、呂梁市嵐縣周圍。

從碳排放時空演變來看,針對山西省碳排放量 “中間高,兩側低”的時空格局,碳減排策略的制定需著重關注山西省中間區域。碳減排策略的實施需因地制宜,一方面,碳排放重點關注區域可以通過產業結構調整等方式抑制本地碳排放的增長;另一方面,周邊地區可以優化土地利用,增強林地、草地的碳匯能力增強碳吸收效果,促進區域整體“碳中和”的實現。

3.3 碳排放影響因素分析

參考現有研究成果[26],考慮到縣級區域的數據可獲取性,選取2001年、2004年、2008年、2012年、2016年、2020年共6年的人口規模、城市化水平、GDP、第一產業占比、第二產業占比、土地利用程度綜合指數、人均占地面積7類數據,運用分位數法分別重分類,分別采用地理探測器的單因子探測和交互作用探測分析7個因素對碳排放量的影響。

人口規模用地區常住人口數表示,單位為萬人。GDP為地區生產總值,單位為萬元。城市化水平由城鎮人口數占常住人口數比重表示,單位為%。第一、二產業占比由第一、二產業產值占地區生產總值比重表示,單位為%。人均占地面積由地區總面積與地區常住人口數比值表示,單位為m2/人。土地利用程度綜合指數計算方法參照莊大方等[27]的研究。

單因子探測結果如表2所示,7個影響因子可從人口規模和城市化水平(X1、X2)、經濟發展水平(X3)、產業結構(X4、X5)、土地規模和利用情況(X6、X7)這4個方面討論其對山西省碳排放的影響。

1)人口規模和城市化水平。人口規模和城市化水平對碳排放的影響力較為顯著,從時間上看,X1和X2對碳排放的解釋力都有增高的趨勢,值得注意的是2016年X2的解釋力超過X3,成為當年影響力最大的影響因子。人口的增加和城市化水平的提升會使區域產業集聚,交通繁雜,城市基礎設施建設投入加大,這些都會致使碳排放升高[28]。

2)經濟發展水平。整體來看,X3的影響力最大,在時間上呈現出先上升再下降最后上升的趨勢。2008-2016年山西省碳排放增速逐步放緩,經濟增長對碳排放的影響力也逐漸減弱,但經濟發展水平仍然是山西省碳排放的主要影響因素。

3)產業結構。從時間序列來看,X4和X5的影響力都呈現出2001-2008年高、2012-2020年低的特點。2012年黨的十八大以來,山西省加快推進經濟結構戰略性調整,產業結構不斷演變優化,X4影響力較大,X5影響力持續走低。第一產業中農業和林業的發展會增強區域碳匯能力,而第二產業的改革會促進區域碳減排。

4)土地規模和利用情況。2001-2020年,X6對碳排放的解釋力在0.080～0.239間波動,X7的解釋力在2008-2012年下降,其余時間段穩步上升,2020年最高達到0.466。一方面,建設用地的擴張使得區域能源消耗加劇,致使碳排放量增加;另一方面,建設用地面積增加會造成該區域整體碳匯能力的減弱,碳排放得不到有效抑制。綜上分析,可以通過增加土地綠化面積,提升區域及鄰近地區碳匯能力來推進山西省“碳中和”目標的實現。

交互作用探測可以識別不同影響因子間的交互作用,即評估兩個影響因子共同作用時對碳排放的解釋力是增強還是減弱。分別對2001年、2004年、2008年、2012年、2016年和2020年共6期影響因子交互作用結果進行排序,每年選取交互作用影響力大的前6項,如表3所示。

結果顯示,在交互作用分析下各影響因子作用顯著增強。單因素分析中解釋力較低的土地利用程度綜合指數和其他因子交互作用后對碳排放影響明顯。

從時間序列來看,早期山西省發展“一煤獨大”,以煤炭為代表的第二產業高速發展,第二產業占比和其他因素共同作用對山西省碳排放的貢獻度較大,2012年后“第二產業+其他因素”的交互作用逐漸弱化,這表明山西省自2012年開始推進的產業結構優化初見成效,改革取締大量高污染低能效的企業使得能源消費碳排放增速逐漸放緩,產業結構調整能有效促進碳減排。與此同時,山西省大力建設城市公共基礎設施,城市化進程加快,致使“城市化水平+其他因素”主導的交互作用對碳排放的解釋力增強。除此之外,山西農林牧漁業穩步發展,土地碳匯能力提升對區域碳排放起抑制作用,“第一產業+其他因素”主導的交互作用對碳排放的影響進一步增強。

4 結束語

本文以夜間燈光數據、LUCC數據、山西省能源消費數據及經濟人口數據等多元數據為數據源,采用夜間燈光模擬、碳排放系數法、溫室氣體清單法計算得到2001-2020年20年間山西省縣域碳排放量,借助探索性空間數據分析、SLOPE趨勢分析、地理探測器的單因子探測與交互作用探測研究碳排放時空格局及影響因素,主要結論如下。

1)2001-2020年,山西省碳排放總量總體呈上升趨勢。具體來看,2001-2007年碳排放上升,2007-2009年下降,2009-2014年上升,2014-2016下降,2016-2020呈碳排放增速逐漸放緩的上升趨勢。

2)山西省縣域碳排放聚類形式主要是“高-高”聚集和“低-高”聚集,碳排放空間分布上有著“中間高,兩側低”的特征,20年來逐漸形成以“大同市云崗區-朔州市朔城區-太原市市轄區”為核心的碳排放聚集帶。碳排放迅猛增長地區多為區域發展中心,占全省總面積的5.49%,后續碳減排策略的制定需重點關注這些區域。

3)從影響因素分析,山西省這一典型的資源型地區碳排放主要受經濟發展水平主導,人口規模及城市化水平的影響次之,土地規模和利用情況的影響最不顯著。交互因子探測結果顯示土地利用和其他因子交互作用后對碳排放影響顯著增強。2012年后“第二產業+其他因素”的交互作用逐漸弱化,“第一產業+其他因素”主導的交互作用對碳排放的影響進一步增強,表明2012年后山西省大力推動產業結構調整對碳減排促進作用明顯,第二產業對碳排放的影響力大幅減弱,第一產業的發展有效抑制了碳排放的增長。

本研究基于長時間序列且易獲取的夜間燈光數據與LUCC數據研究山西省縣域碳排放,有效彌補了小尺度統計數據的缺失問題,著重探討了資源型地區在特殊的社會形態與生態環境下碳排放的空間分布格局,分析了獨特的產業結構和經濟體系下碳排放的驅動力大小有何不同,為后續資源型地區探究低碳減排和可持續發展提供了參考。今后,可以使用空間分辨率更高的遙感數據對資源型地區碳排放進一步精細化探究。