土地利用碳排放空间关联性及碳平衡分区——以关中平原城市群为例

徐聪宝，谢明希，刘 丹，宋佃星，2*

（1.宝鸡文理学院 地理与环境学院，陕西 宝鸡 721013；
2.宝鸡文理学院 陕西省灾害监测与机理模拟重点实验室，陕西 宝鸡 721013）

随着经济的发展，由碳污染引起的社会环境问题越来越受到人类重视。作为大气环境中碳排放的主要源头之一，土地利用产生的碳排放问题不容小觑。据2019年IPCC发布的《气候变化与土地特别报告》，土地利用过程中产生的碳排放是仅次于化石能源的第二大排放源［1］。据统计，城市包揽了80%以上的碳排放量。作为人类社会生活的中心，城市的发展牢牢依托于能源消耗，因此也就成了碳排放产生的多发区。城市群作为一个巨大的城市群体系统，需要高强度的交互作用支撑，这一交互作用则是以人口、生产生活、大气循环、技术文化传播等“流”的形式在各个城市间体现出来，而碳排放会伴随此“流”在多个城市间蔓延扩散，使得城市间的生态环境息息相关，进而形成了庞大又错综复杂的碳关联关系网络。在此背景下，根据城市碳收支差异，研究城市群碳排放空间关联网络结构，能更好地把握区域碳排放现状，制定合理的碳减排政策来实现低碳发展。近年来关中平原城市群随着城市化及工业化发展，土地利用类型转变，能源消耗量逐渐增多，土地利用产生的碳排放急剧增加，因此，研究碳排放关联结构对该城市群实现低碳绿色发展有一定的理论实践意义。

目前，国内外对于土地利用碳排放的研究主要集中在碳排放量的核算及机理、碳排放强度及效应、影响因素等方面［2-10］。在研究尺度上，大多以国家、省市等较大尺度为主［7-13］；
在土地利用碳排放量核算上，往往忽略了未利用地、其他农用地上的畜牧养殖等产生的碳排放［11］，在实践应用层面存在一定局限性；
在时空特征研究方面，现有文献主要集中在空间差异、空间溢出、空间依赖［11-14］；
越来越多的学者开始关注碳收支及碳平衡分区［14-15］，并引入基尼系数来衡量区域碳排放的差异，为区域协同减排提供思路；
在碳排放空间关联关系上，大多采用空间计量法、地理加权法及网络分析法等［13-16］来研究碳排放的空间转移规律，但空间计量方法在碳排放应用过程中存在局限性，不能反映出区域之间复杂多变的相互联系。引力模型主要应用在投资区位选择、人口、空间布局［17-18］等方面，在应用过程中，学者们根据实际情况修正模型，将公路里程、耗费时间等因素引入距离因素的测度中［13-15］，使得引力模型在空间关联关系研究方面逐渐起到了主导作用；
对影响因素的研究大多采用因素分解法，如对数平均迪氏指数法（LMDI）［9，16］、Kaya恒等式［9］、STIRPAT模型［19］及空间计量经济模型［10］等方法，但这些方法和模型忽视了区域之间及空间相邻区域之间的相互影响。目前，土地利用碳排放研究主要集中在较为发达的区域，涉及城市群的研究较少且多集中于经济实力较强的地区；
在碳排放测算上常常忽略农作物生长发育产生的量，且关于关中平原城市群土地利用碳排放空间关联性方面的研究尚未见报道，因此，本文通过测度城市群碳收支的差异，构建历年碳排放引力矩阵，运用UNCIET软件中的社会网络分析法及QAP回归分析法研究了该城市群碳关联关系及其影响因素，并结合碳收支、空间关联特征进行了碳平衡分区，旨在为碳减排的实现提供实践依据。

1.1 研究区域概况

关中平原城市群是西部地区第2大城市群，总国土面积达10.71万km2。截至2020年，该城市群常住人口达4345万人。基于地理情况和人口规模现状，关中平原城市群是“人地关系”矛盾突出的西部典型城市群。考虑到数据的可获取性，为统一研究区范围内城市等级，本文以关中平原城市群11个地级市为研究对象。

1.2 研究方法

1.2.1 土地利用碳排放量测算 土地兼具碳源和碳汇功能，由于研究期跨度较大，土地利用分类标准有差异，参考魏燕茹［15］的处理方法，结合关中平原城市群的实际情况，确定以下8种土地利用类型：耕地、园地、林地、草地、其他农用地、建设用地、未利用地以及水域。

1.2.1.1 碳源测算 耕地上的碳源主要考虑农业生产活动、农作物生长过程中所产生的碳源［11］，测算公式为：

式(1)中：C1为耕地碳排放总量；
Ei分别为农用地化肥使用折纯量、农用塑料薄膜使用量、农业机械总动力、农业灌溉面积及农作物播种面积［11］，相应的碳排放系数δi分别为0.8956 kg/kg、5.18 kg/kg、0.18 kg/kW、266.48 kg/hm2、16.47 kg/hm2。

其他农用地上的碳源主要考虑畜牧养殖及人类农业活动所引起的，测算公式为：

式(2)中：C2为畜牧养殖的碳排放量；
Qi分别为猪、牛、羊、家禽、马、驴、骡；
ωi为各类牲畜的碳排放系数，具体来源于《IPCC国家温室气体排放清单指南》［11］；
S0、μ分别为其他农用地面积及碳排放系数。

建设用地上的碳排放主要由生产生活所消耗的能源以及人类各类社会活动所引起。由于城市能源消耗数据缺乏，因此参考景侨楠等［21］的自上而下的测算方法，测算步骤如下：

首先，根据能源平衡表里中间转化与终端消费部分的数据，计算出相应省份的能源消耗碳排放量，公式为：

式(3)中：C3表示省级能源消耗碳排放总量；
Fi表示能源i的消耗量；
σi表示能源i的排放因子，其具体数值如表1所示。

表1 化石能源种类及排放因子

在计算出各省碳排放的基础上，按照一定的分配原则分配到各个城市，具体公式为：

式（4）中：Cc指城市能源消耗量；
Cp指相应省份能源消耗总量；
P指相对应的分配系数，分配系数通过各城市相应的分配指标占全省比例进行确定。本文对景侨楠等［21］的分配方式进行了简化处理，具体见表2。

表2 能源消耗类别及分配指标

人类活动产生的碳排放主要指人类新陈代谢所产生的碳排放，其测算公式为：

式（5）中：C4为人类活动碳排放量；
P为人口数量；
μ为人均碳排放系数（79 kg/a）。

1.2.1.2 碳汇测算 耕地上的碳汇主要来源于农作物生长过程中利用光能进行光合作用所吸收的碳量，其测算公式为：

式（6）中：E1为耕地的碳吸收量；
Mi为农作物的碳吸收率；
Bi、Ti分别为农作物的经济产量和经济系数，其相关数据参考《省级温室气体清单编制指南》［11］，具体如表3所示。

表3 农作物的碳吸收率和经济系数

园地、林地、草地、水域以及未利用地的碳吸收量的测算公式为：

式（7）中：E2为其他土地的碳吸收量；
Ai为不同地类的面积；
εi为不同地类的碳吸收系数。综合其他学者的研究成果及区域性差异，相关碳吸收系数分别取0.730 t/hm2（园地）、0.644 t/hm2（林地）、0.021 t/hm2（草地）、0.253 t/hm2（水域）、0.005 t/hm2（未利用地）［4-16］。

1.2.2 土地利用碳排放碳平衡分区评价指标

1.2.2.1 碳排放基尼系数 本文采用基尼系数测量城市群各城市碳排放补偿率之间的差异，其测算公式为：

式（8）中：zi、zj分别表示城市i、j的基尼系数；
n表示城市总数；
z表示各城市基尼系数的均值。Gini越小，表示城市间的差异越小。当Gini小于0.3时，表示各城市处于碳协调的最佳状态；
当Gini大于0.3且小于0.4时，表示各城市处于勉强碳协调状态；
当Gini大于0.4且小于0.6时，表示各城市处于碳不协调的警报状态；
当Gini大于0.6时，表示各城市处于完全不协调的危险状态。

1.2.2.2 碳排放生态承载系数 该系数用于衡量各城市碳汇能力的大小，其测算公式为：

式（9）中：Si、S分别表示城市的碳吸收及全区域的碳吸收；
Ci、C分别表示城市的碳排放及全区域的碳排放。当ESC小于1时，表示该城市的碳吸收率较低，碳汇能力弱；
当ESC大于1时，表示该城市的碳吸收率较高，碳汇能力强。

1.2.3 土地利用碳排放空间关联网络构建 为了探究城市群土地利用碳排放关联关系，本文采用由物理学的万有引力定律演化而来的引力模型来实现，该模型在探究空间相互作用领域应用广泛。本文将碳排放量、地区生产总值及参数k引入模型，来更好地反映城市群内各城市之间的碳排放关联程度，具体模型为：

式（10）中：yij表示任意2个城市之间的引力；
Dij表示任意2个城市之间的空间距离；
P、T、G分别表示城市的年末人口数、碳排放量、地区生产总值。

基于上述模型，计算出该城市群碳排放量引力矩阵，取矩阵每一行数据的平均值作为基准点，高于基准点则赋值为1，表示2个城市之间碳排放关联较强；
反之赋值为0，表示2个城市之间碳排放关联较弱，以此构建出城市群碳排放关联关系的二值矩阵［13］。

1.2.4 土地利用碳排放空间关联网络特征指标 为了更好地分析网络特征及每个行动者在网络中的地位，并把握城市群内各城市之间的碳关联关系，本文通过以下指标进行测度。

1.2.4.1 整体网络特征指标 网络密度用于分析网络中行动者之间联系的紧密度，数值越大，表示行动者之间的联系越频繁；
网络关联度用于分析网络稳定性的高低，若网络中任意2个行动者之间都能产生联系，表示该网络的稳定性较高；
网络等级用于分析每个行动者在网络中地位等级的大小，反映各成员的支配地位；
网络效率是指网络存在多余关系的程度，数值越大，表示网络中各行动者之间联系越疏松，网络结构稳定性越差［13］。

1.2.4.2 个体网络特征指标 度数中心度用于衡量一个行动者与其他行动者产生联系的机会大小，数值越大，表示该行动者与其他行动者之间能产生较多的联系，并居于网络的中心地位；
中介中心度用于衡量一个行动者位于其他任意2个行动者之间的机会大小，数值越大，表示该行动者越有能力控制其他行动者之间产生的联系；
接近中心度用于分析任意一个行动者的行为受其他行动者干扰程度的大小，数值越高，表示该行动者越容易受到其他行动者的影响［13］。

1.2.5 空间聚类分析 运用块模型方法，即将团体分块，来研究板块内外部行动者之间的关系，该方法是空间聚类分析中常用的一种方法。本文用此方法，并借鉴David等［22］的评价方法来更好地分析网络的结构，具体评价原则如表4所示，其中，gs表示板块内部行动者的个数，g表示网络中所有行动者的个数。

表4 板块评价原则

1.2.6 QAP回归分析法 QAP回归分析是用来分析多个矩阵与某一矩阵间的回归关系的一种方法［13］。本文用此方法来探究影响城市群土地利用碳排放空间关联关系的因素。所选影响因素是表示城市间关系的因素，一般的统计回归方法不能对这些因素进行参数估计以及统计检验，而QAP回归分析法恰好能够解决这一问题。在进行QAP回归分析之前，需要进行QAP相关性分析，来筛选出符合条件的因素，以此作为回归分析的指标，其基本回归模型为：

式（11）中：Y表示城市群土地利用碳排放空间关联矩阵，Xi指影响关联关系的因素矩阵。

本文假定关中平原城市群土地利用碳排放空间关联关系的影响因素分别是由地理位置所决定的空间邻近关系、人口规模、能源消耗水平、产业结构以及经济水平；
其中，空间相邻矩阵X1是根据2个城市在地理空间位置上是否相邻决定，2个城市相邻记为1，否则记为0；
X2是城镇化率差异；
X3是能源消耗差异，以城市单位GDP能耗差异来表征；
X4表示产业结构差异，以二、三产业占比差异来表征；
X5表示经济水平差异，以城市人均GDP差异来表征。取城市群各城市每个指标在研究期内的平均值的差值来建立差值矩阵，并用Z-score方法对差值矩阵进行了去量纲化处理，使其标准化成均值为0、标准差为1的矩阵，以便相互比较［23］。

1.3 数据来源

主要数据来源于各省及城市2001—2021年的《统计年鉴》；
能源数据来源于2001—2021年的《中国能源统计年鉴》；
土地利用数据来自遥感影像解译成果和第二次全国土地利用变更数据；
引力模型数据中的距离是由ArcGIS软件测算各城市中心点之间的连线得出。

2.1 土地利用碳排放时空特征分析

通过测算2000—2020年关中平原城市群土地利用碳排放量，绘制出碳排放量的变化趋势（图1）。

图1 2000—2020年关中平原城市群土地利用碳排放量的变化趋势

由图1可知，总体来看，关中平原城市群2000—2020年土地利用净碳排放量呈递增趋势，累计增加约36658万t，年均增长幅度为8.60%；
碳源变化趋势与其基本吻合；
碳汇量增幅较小。首先，在2000—2006年，城市群城镇化水平大幅提高，能源消耗量剧增且建设用地面积不断扩大，使得建设用地碳排放量逐年升高，碳排放总量不断升高，加上土地利用方式的变化，使得净碳排放量逐年增加，其年均增长幅度为12.98%；
其次，在2006—2007年，能源消耗量小幅减少，加上农业机械化水平提升，使得农业生产水平升高，农作物产量有所增加，使得土地利用净碳排放量小幅下降；
2007年以来，关中平原城市群土地利用净碳排放量整体出现较为明显的增长，经济发展速度的加快及能源消费量的剧增，使得碳排放量逐年上升，并在2020年达到最高值，但受疫情等不可抗因素的影响，其增长率有所下降。

在土地利用类型角度上，建设用地上的碳排放量占比均高于97%，是最主要的碳源；
农用地碳排放量占比较小，对碳排放总量的贡献较小。在碳吸收方面，其他土地利用方式的碳吸收作用相比于农作物而言较弱，耕地上各种农作物的碳吸收量是总碳吸收量的主要贡献来源，其占比均高于77%，但总碳吸收量较碳排放量来说还是太少，因此为了减少碳排放量，仍需增加碳汇量。

城市群土地利用碳排放空间分布特征大体呈东高西低，将碳排放量按低度排量（≤2900万t），中度排量（2900万~5800万t）、中高度排量（5800万~8700万t）和高度排量(≥8700万t)4个等级来划分（图2）。由图2可知，除了西安、宝鸡、咸阳、运城及临汾的碳排放在研究期内有明显的增长趋势外，其余城市均保持较为稳定的状态。其中西安、运城及临汾的碳排放增长跨度大，所处的强度等级范围变化显著。

图2 2000—2020年关中平原城市群土地利用碳排放量的空间分布情况

2.2 土地利用碳排放碳收支分析

根据上述数据进行关中平原城市群土地利用碳收支核算，具体结果如图3所示。由图3可知，研究期内，城市群碳补偿率整体呈下降趋势，且均低于21%，表明城市群的碳汇量远远不足以弥补碳源量，因此表现为净碳源。就各城市而言，除天水因多为生态用地，碳源较少，碳补偿率呈增长趋势外，其余城市随着碳源的增加，其相应的碳补偿率大体上均呈下降趋势。总的来看，西安、咸阳等经济水平较高的城市，因为能源消耗大，产业结构调整，碳排放量较多，碳补偿率比天水、平凉等经济较为落后且产业结构单一的城市低。碳排放基尼系数波动变化，研究期内均小于0.5，在2001—2002年，基尼系数高于0.4，处于警报状态，表明此时的碳汇与碳源不协调。随着土地利用结构和能源利用的调整，2002年之后，碳基尼系数均小于0.4，表明城市群碳源与碳汇较为协调。但在2012—2020年，基尼系数整体呈上升趋势，表明城市群各城市之间的碳排放量差距有所增大，城市间协同减排力度仍需加大。

通过计算出碳排放生态承载系数，运用Arc-GIS软件绘制出其空间分布图，如图4所示。由图4可知，研究期内，城市群各城市生态承载系数差异较大，基本呈现出西高东低的分布特征。天水、平凉、庆阳、咸阳、渭南、商洛的生态承载系数始终大于1，这些城市的碳汇能力较强；
铜川的生态承载系数波动变化，碳排放量变化不定，总体上碳汇能力较强；
而宝鸡的生态承载系数变化较大且逐年降低，表明该城市碳排放量增加，碳汇能力减弱，减排压力增加；
西安、运城、临汾这些经济水平高、能源消耗量大的城市碳排放量大，生态承载系数始终小于1，碳汇能力弱，需要加大碳汇来弥补高碳排。

图4 土地利用碳排放生态承载系数的空间分布

2.3 土地利用碳排放空间关联结构的实证分析

2.3.1 空间关联网络整体结构特征演化 根据引力模型构建了关中平原城市群2000—2020年土地利用碳排放空间关联矩阵，并通过UNCIET软件绘制了2000及2020年的空间关联网络图（图5、图6）。可以看出，各城市之间土地利用碳排放量的空间关联关系特征逐渐明显，且随着时间的推移形成以西安、运城和咸阳为核心，向四周城市发散的空间形态。

图5 2000年关中平原城市群土地利用碳排放空间关联网络图

图6 2020年关中平原城市群土地利用碳排放空间关联网络图

根据土地利用碳排放关联矩阵，分别计算历年的整体网络特征指标，并绘制出变化趋势图（图7）。由图7可知，网络密度整体上呈波动下降趋势且数值较低，表明城市群城市之间的碳关联关系少，紧密度较低，城市群为实现碳减排仍需促进城市间相互协作。网络关联度均为1，表明城市群任意2个城市间都存在碳关联关系，但网络密度较小，表明各城市间虽然都存在普遍的碳关联关系，但关系数较少。网络等级度有小幅降低，并在2006年趋于平缓，表示碳排放网络空间结构的等级下降，处于支配地位的城市权力缩减，城市间碳排放的联系逐渐增多。网络效率增长趋势较为明显，说明各城市间碳关联关系逐渐松散，网络结构越来越不稳定，仍需加强城市间的碳减排合作。

图7 关中平原城市群土地利用碳排放空间关联网络整体特征指标

2.3.2 空间关联网络个体结构特征演化 选取2000和2020年的数据进行个体网络特征指标测度，来揭示各城市在关中平原城市群的定位和作用，如表5所示。

表5 关中平原城市群土地利用碳排放空间关联网络个体特征指标

由表5可知，从度数中心度来看，2000年西安、运城、咸阳、宝鸡及天水这5个城市的值较高，表明这5个城市在网络中与其他城市产生的碳关联关系较多，因而处于核心地位。而2020年网络中心位置是西安、咸阳和运城，其余城市均处于边缘位置。20年间，城市群中心—边缘结构有所改变，而西安、咸阳及运城仍位于网络的中心，这3个中心城市的碳排放对处于网络边缘的城市影响较大。因此，在实现碳减排过程中，应重点关注这3个中心城市，充分发挥其辐射和带动作用。

从接近中心度来看，在近20年间，各城市接近中心度的排名情况与度数中心度基本一致，位于网络中心的城市为西安、咸阳及运城，且指标值较高，表明这3个城市会通过加快与其他城市的前后关联来产生碳排放联系。此外大部分城市的指标值都有所下降，表明这些城市在网络中很容易受到其他城市的影响，关联网络不稳定。

从中介中心度来看，对网络中其他城市间关系控制程度较强的是西安、咸阳及运城，且西安和咸阳的指标值增长幅度显著，表明其对其他城市的控制强度有所加强，并在网络中起到了“桥”的作用。为了实现区域碳减排目标，可通过加强管控这些城市，有效阻滞城市间的碳交流，从而削弱城市间碳排放关联关系。

总的来看，城市群土地利用碳排放空间关联网络表现出较为明显的“两极分化”特征，位于网络中心位置的城市，对网络有绝对的掌控与支配权，而位于网络边缘位置的城市则一直处于被动位置，受中心城市影响较大。因此，在碳减排过程中，首先要重点关注中心城市的碳排放，充分发挥其“涓滴效应”来带动边缘城市的发展。

2.3.3 空间关联网络聚类分析 根据关中平原城市群土地利用碳排放空间关联网络特性，运用UNCIET中的CONCOR迭代收敛法，取集中标准为0.2，最大切分深度为2，将关中平原城市群划分成4个板块，具体划分情况如表6所示；
并计算各板块密度值，如表7所示。

表6 2020年关中平原城市群土地利用碳排放空间关联网络聚类分析

表7 关中平原城市群土地利用碳排放空间关联网络板块密度值

由表6~表7可知，关中平原城市群土地利用碳排放空间关联网络板块内外部关系数均占网络中相应总关系数的25.71%，表明城市群各城市间存在空间集聚及溢出效应。第一板块包括西安、运城和临汾，实际内部关系比要大于期望内部关系比，3个城市内外部存在集聚及溢出关系，且接受的关系中以接收内部关系为主，为典型的“双向溢出板块”；
第二板块有商洛、渭南和铜川，实际内部关系比较期望内部关系比大，这3个城市的集聚关系数远远大于溢出关系数，且集聚关系主要以接收其他板块城市溢出的关系为主，为“净受益板块”；
第三板块包括咸阳和宝鸡，实际内部关系比要比期望内部关系比大，这2个城市之间以及与其他板块城市之间都有集聚及溢出关系，总体上与其他板块城市联系更多，也属于“双向溢出板块”；
第四板块包括天水、平凉和庆阳，实际内部关系比要比期望内部关系比小，这3个城市的集聚效应主要通过其他板块城市的溢出关系来表现，多与其他板块城市联系，内部之间联系较少，为“经纪人板块”。

总的来看，第一、三板块发出的碳排放关系数较多，且主要集中于西安、咸阳和运城，表明这类经济水平较高、资源相对丰富的城市在网络中对其他城市的碳排放影响较大。板块之间相互溢出关系以外部城市为主，城市群城市之间存在比较优势。由此得出，各个板块聚类特征显著，但多与外部空间关系较为密切，自身内部空间关系较为松散，少数经济资源禀赋的城市在网络中占据主要位置。

2.4 关中平原城市群土地利用碳排放空间关联网络的影响因素

2.4.1 QAP相关性分析 通过UNCIET软件来执行QAP相关性分析，设置10000次随机置换，得到如表8所示结果。

表8 影响因素的QAP相关性分析结果

由表8可知，空间邻近关系、能源消耗差异均在1%的水平下显著，人均GDP差异在5%的水平下显著，城镇化率差异在10%的水平下显著，产业结构效果不显著。表明空间邻近关系、城镇人口比例差异、能源消耗差异以及经济水平差异均为关中平原城市群土地利用碳排放空间关联关系的重要影响因素，且相关系数均为正，表明这4个因素对碳排放的空间关联关系均表现为正向促进。

为防止因素之间出现共线性问题，通过因素之间的相关性分析进行检验。检验结果发现，经济水平与城镇人口比例之间存在着0.856的相关性。而QAP回归方法可以有效处理此类问题，因此，采用该方法进行影响因素的回归性分析。

2.4.2 QAP回归分析 基于相关性分析结果，运用UNCIET软件来执行QAP回归分析，同样设置10000次随机置换，得到如表9所示结果。

表9 影响因素的QAP回归分析结果

由表9可知，调整后的判别系数为0.339，且通过了1%的显著性水平检验，这表明空间邻接关系矩阵、城镇化率差异矩阵、能源消耗差异矩阵以及经济水平差异矩阵可解释关中平原城市群土地利用碳排放空间关联关系的33.9%。空间邻近关系矩阵的回归系数通过了1%的显著性检验且为正，表明该因素对关联关系起到了明显的促进作用；
能源消耗差异矩阵、经济水平差异矩阵分别在5%、10%水平下与碳排放空间关联关系呈显著正相关，说明这2个因素在一定程度上对碳关联关系产生影响，各城市能源消耗水平差距越大、经济发展水平差异越大，越能对城市间碳关联关系产生促进作用；
而城镇化率差异矩阵的回归系数未通过显著性检验，说明该因素对碳关联关系目前未有显著影响，但是随着城市人口流动、经济贸易往来等，其影响力度会有所提升。

2.5 关中平原城市群土地利用碳平衡分区

根据关中平原城市群土地利用碳排放量、碳补偿率、生态承载系数以及空间网络关联特征将城市群划分为以下4个区域，为城市群城市间协同碳减排提供思路。

（1）碳汇功能区：生态承载系数大于1且碳排放量小于3500万t，包括铜川、渭南、商洛、天水、平凉、庆阳。这些城市处于“净受益板块”及“经纪人板块”，碳吸收率较大，碳汇能力强，能接收其他城市的碳排放，减排压力小。

（2）低碳优化区：生态承载系数大于1，碳排放量大于3500万t且小于7000万t，包括咸阳。该城市处于“双向溢出板块”，碳汇能力较强，但碳排放量仍需加以控制，加强对碳汇的保护。

（3）碳源控制区：生态承载系数小于1，碳排放量大于3500万t且小于7000万t，包括宝鸡。该城市碳汇能力弱，不足以补偿碳源，减排压力大，需要进一步调整能源消耗结构以及经济发展方式，进一步加强生态保护。

（4）高碳控制区：生态承载系数小于1，碳排放量大于7000万t，包括西安、运城、临汾。这些城市经济水平高，能耗大，碳排放量极高，处于“双向溢出板块”，在网络中处于中心地位，实现低碳目标，最主要的是控制好这些城市的碳源。

3.1 结论

（1）从碳排放量来看，关中平原城市群2000—2020年土地利用净碳排放量呈递增趋势，碳源变化趋势与其基本吻合，碳汇增幅较小。总体呈现出东高西低的分布特征。碳源的主要贡献来源是建设用地，碳汇主要来自耕地上各种农作物。

（2）从碳平衡来看，关中平原城市群碳补偿率较低且逐年降低，表现为净碳源；
除个别经济水平较低的城市外，其他城市的碳补偿率均呈下降趋势；
碳排放基尼系数波动变化，整体上处于较为协调状态；
各城市的生态承载系数差异较大，基本呈现出西高东低的分布特征。

（3）从整体网络结构特征来看，2000—2020年关中平原城市群城市间的土地利用碳排放空间关联关系特征逐渐显著，随着时间的推移形成以西安、咸阳和运城为核心，向四周城市发散的空间形态。网络密度逐渐下降，表明各城市之间的关系紧密度不高，城市间碳排放的相互影响和相互联系持续加深，各城市之间的碳排放联系逐渐减弱，网络结构变得越来越松散、简单。

（4）从个体网络结构特征来看，城市群土地利用碳排放空间关联网络“两极分化”特征显著；
西安、咸阳和运城居于网络中心位置，在网络中也发挥着“桥”的作用；
天水、平凉等经济发展迟缓的城市居于网络边缘位置，碳关联关系不均衡，关联网络结构不稳定。

（5）从空间聚类分析来看，关中平原城市群土地利用碳排放可以划分为4个板块，第一、三板块均为“双向溢出板块”，第二板块为“净受益板块”，第四板块为“经纪人板块”，各板块聚类特征表现显著，但多与外部空间关系较为密切，自身内部空间关系较为松散。

（6）从QAP回归分析来看，地理空间邻近、能源消耗差异及经济水平差异对城市群土地利用碳排放空间关联具有显著的正向促进作用，而城镇人口比例差异对土地利用碳排放空间关联关系的影响较弱。

3.2 讨论

在土地利用碳排放量测算上，选取的碳排放系数虽然参考了众多学者的研究，并且较为符合关中平原城市群的自然条件，但是最终结果还是会受到植被类型等外界因素的干扰而影响其准确性；
此外，受数据获取性限制，建设用地上的碳排放仅考虑了化石能源消耗引起的，未能考虑农村生物能消耗引起的，后续研究中可以根据城市群的实际情况深入分析，探究更精确的符合城市群的碳排放机制及相关系数。在碳平衡分区上，本文仅考虑了生态方面，后续可以进一步考虑融入经济、社会等多因素进行区划。在引力模型构建过程中，虽然引入了碳排放量和生产总值，但城市间关联的要素并未全面考虑到，因而也将成为后续研究的指向。在影响因素上，关中平原城市群各个城市的碳排放具有较独特的特征，经济水平与能源结构可能是导致这种差异的关键原因，应该因地制宜地制定区域协同减排策略。

猜你喜欢关中平原行动者城市群与异质性行动者共生演进：基于行动者网络理论的政策执行研究新路径贵州社会科学(2022年8期)2022-10-12关中平原人为土形成的历史探析农学学报(2022年1期)2022-07-14长三角城市群今年将有很多大动作领导决策信息(2018年7期)2018-05-22基于三角模型的关中5市土地生态安全区域差异分析安徽农业科学(2018年5期)2018-05-14《关中平原城市群发展规划》获批发布新西部(2018年3期)2018-03-21我国第7个城市群建立建筑科技(2018年1期)2018-02-16把省会城市群打造成强增长极领导决策信息(2017年10期)2017-05-17敬仰中国大地上的绿色行动者绿色中国(2016年1期)2016-06-05在广仁寺延河·绿色文学(2016年8期)2016-05-14从国外经验看我国城市群一体化组织与管理区域经济评论(2015年4期)2015-12-21

推荐访问:关中 为例 排放