期刊佳文 | 基于夜间灯光数据的中国城市群能源消费碳排放时空演变及影响因素研究

人类活动产生的大规模能源消费所排放的二氧化碳被公认是全球气候变暖的重要因素之一，对地表自然环境和人类社会可持续发展产生深远影响[1]，共同应对全球气候变化已经成为国际共识[2]。中国是世界上最大的能源消费国，2021年中国能源消费量占全球总消费的26.5%，二氧化碳排放量居世界首位，同时也是受全球气候变化影响最显著的国家之一[3]。中国高度重视气候变化问题，积极承担碳减排责任，在巴黎气候大会上承诺到2030年单位国内生产总值碳排放比2005年下降60%～65%，同时力争在2030年实现碳达峰，2060年实现碳中和[4]。2022年10月，党的二十大报告提出，积极稳妥推进碳达峰碳中和。中国城市群是新型城镇化的空间主体和经济社会发展战略核心区[5]，同时又是诸多生态环境问题高度敏感区[6]。作为碳中和责任主体，城市群是我国统筹协调“发展与保护”以及实现“双碳”目标的重要着力点[7]。因此，科学测算中国城市群能源消费碳排放，并分析其时空演变特征及影响因素，是从更精细的尺度推动减污降碳的重要课题，能为制定和实施碳减排策略提供科学依据，对生态环境保护和区域协调发展具有重要意义。

碳排放相关研究一直是学术界热点话题，学者们对碳排放问题展开了一系列的科学研究。碳排放研究内容主要集中在碳排放的测算[8]、时空格局[9-10]、驱动因素[11-12]、转移特征[13-14]、模拟预测[15-16]和碳交易[17-18]等方面；碳排放研究尺度以全国[19]、区域[20]和省级[21]为主，市级[22]、县级[23]碳排放研究也逐渐受到学者们的重视；碳排放研究方法主要包括对碳排放量进行测算的碳排放系数法[24]、实测法[25]和模型法[26]，对碳排放空间分布进行分析的探索性空间数据分析方法[27]、重心迁移[28]等方法和对碳排放影响因素进行分析的STIRPAT模型[29]、LMDI分解[30]、地理探测器[31]等方法。多数研究主要基于能源消费统计数据估算全国、省级碳排放，市、县域及以下区域能源统计数据缺失给其碳排放研究带来了困难。遥感技术的快速发展，使全球夜间灯光数据的获取更加便利，夜间灯光数据能够直接反映人类社会活动，广泛应用于城市人口、经济发展、城市化进程等研究，同时也被证实可用于碳排放估算研究，弥补了市、县域及以下区域统计数据不全的缺点。因此，学者们开始利用夜间灯光数据估算区域碳排放，如苏泳娴等[32]利用DMSP/OLS夜间灯光数据估算了1992-2010年中国大陆地级市碳排放量，并对碳排放总量、碳排放密度、内在影响机理进行分析，结果表明经济增长是促进碳排放的主要因素，提高能源利用效率、优化能源结构和产业结构能够有效抑制碳排放增长；ZHAO等[33]对DMSP/OLS和NPP/VIIRS两种夜间灯光数据进行整合，并利用整合数据研究中国城市居民碳排放时空演变与影响因素，结果表明极端天气事件和能源利用效率对碳排放具有重要的影响；赵强等[34]基于NPP-VIIRS夜间灯光数据对2012-2019年中部地区碳排放量进行计算，并分析碳排放的时空变化和影响因素，发现中部地区碳排放分布存在差异，经济要素是影响中部地区碳排放的主导因素。

前述研究全面地分析了能源碳排放相关情况，为我国制定和实施碳减排策略提供了有力的支撑，但在以下方面可以继续进行深入研究：由于缺少市、县域尺度及以下能源统计数据，使碳排放研究多数集中在全国，省级和行业尺度，无法为市、县域及以下区域制定差异化碳减排策略提供科学依据；夜间灯光数据广泛应用于碳排放相关领域，研究尺度细化，但研究对象大多数是单个城市或多个城市，从中国城市群角度关注能源碳排放的研究较少；目前多数研究侧重对碳排放影响因素单独进行分析，忽略了影响因素之间的交互作用对碳排放产生的间接影响。因此，本文基于2012-2020年的NPPVIIRS夜间灯光数据和能源消耗数据，模拟估算出中国19个城市群能源消费碳排放量，探究中国城市群能源消费碳排放时空演变特征和影响因素；采用全局莫兰指数、热点分析法、标准差椭圆法直观地刻画中国城市群能源碳排放时空演变特征；利用地理探测器模型探究经济、人口、科学发展和交通影响因子及因子交互作用对碳排放空间分异的影响，以期为今后各地区制定有针对性、差异化的碳减排策略提供参考。

本文以中国“十四五”规划纲要提到的19个城市群为研究对象，从市级尺度分析能源消费碳排放的动态时空特征及影响因素。根据ZHOU等[35]的研究，将中国19个城市群划分为6个区域，分别为东北（哈长城市群、辽中南城市群）、北方（京津冀城市群、呼包鄂榆城市群、晋中城市群）、西北（天山北坡城市群、宁夏沿黄城市群、兰西城市群、关中平原城市群）、东部（山东半岛城市群、长江三角洲城市群、粤闽浙沿海城市群）、中南（中原城市群、长江中游城市群、珠江三角洲城市群、北部湾城市群）、西南（成渝城市群、滇中城市群、黔中城市群）。

本文数据来源主要包括：第一，NPP-VIIRS夜间灯光数据来自科罗拉多矿业大学提供的夜间灯光遥感数据（https://eogdata.mines.edu/products/vnl/）；第二，能源消费数据来自《中国能源统计年鉴》和各省份统计年鉴；第三，社会经济数据来自《中国城市统计年鉴》、各市州统计年鉴及社会发展统计公报。缺失的数据采用线性插值法补齐。

2022年美国国家海洋和大气管理局地球观测小组（EOG）发布了Annual VNLV2.1数据，Annual VNL V2.1数据是Annual VNL V2数据的升级版本，是以月为增量进行合成的年度数据，过滤了生物质燃烧、极光和背景噪声等无关特征，同时也修正了某些暗地区光特征的丢失。为了使数据的稳定性和连续性更高，本文对Annual VNL V2.1数据进行投影、剪裁、去除短暂光源和背景噪声，并根据中国19个城市群城市边界进行灯光亮度值统计。

（1）能源消费碳排放计算。根据各个省份能源消费统计数据测算其碳排放量，利用IPCC公布的《2006温室气体排放清单》来确定各类能源碳排放系数。本文参考苏泳娴等[32]计算碳排放的方法选取10种主要能源计算二氧化碳的排放量，公式如下：

（2）能源消费碳排放模拟。根据已有研究表明，能源消费碳排放总量与同一区域夜间灯光数据之间线性相关性较好[32]。因此，本文利用校正后的夜间灯光数据与根据能源消费量所测的碳排放数据之间建立相关关系。同时，考虑降尺度模型反演的精度问题，数据拟合模型采用无常数项线性方程，公式如下：

全局自相关借助全局莫兰指数识别研究区整体碳排放空间相关性，判断碳排放在空间上是否存在集聚性。全局莫兰指数计算公式如下：

式中：n为研究区域总数；x_i、x_j为城市i和j的碳排放量；为研究区内所有碳排放的均值；W_ij为空间权重矩阵。

全局莫兰指数取值在-1和1之间，通过全局莫兰指数值可以分析碳排放空间关联特性。全局莫兰指数值大于0时表示空间正相关，等于0时表示空间不相关，小于0时表示空间负相关。显著性检验可使用标准化统计量Z检验来实现，其计算公式如下：

考虑碳排放不仅受地理距离的空间影响，还与地区间经济发展密切相关。本文空间权重矩阵采用经济地理嵌套空间权重矩阵，公式如下：

热点分析是一种局部空间自相关指标，可以更直观分析城市碳排放的空间分布特征，探究碳排放高值或低值的空间集聚情况和区域相关程度。计算公式如下：

标准差椭圆（SDE）是度量经济地理要素空间分布的重要工具，能够准确反映要素的空间密集程度以及空间分布特征。本文运用此方法揭示碳排放重心迁移轨迹和离散趋势，具体公式如下：

式（11）～（16）中：是椭圆重心的地理坐标，w_i为城市i的空间权重，本文以城市碳排放量为权重，代表空间区位距离分布重心的相对坐标；θ为标准差椭圆方位角，指正北方向顺时针旋转与标准差椭圆长轴的夹角；σ_x、σ_y表示椭圆x、y轴的标准差；S为标准差椭圆面积。

地理探测器常用于探测空间分异性并揭示因子驱动作用，在自然、社会和环境领域被广泛应用。本文运用地理探测器中的因子探测和交互作用探测来分析中国19个城市群各影响因子及其交互作用对碳排放的影响。因子探测用q值衡量，表达式如下：

为衡量模型应用效果，保证碳排放量模拟值的准确性，将2012-2020年中国30个省份的能源消费碳排放量统计值与模拟值进行精度比照，并计算各个省份碳排放量估算的平均相对误差，结果如图1和表3所示。由图1可见，夜间灯光数据模拟碳排放量的平均相对误差绝对值最大为23.02%，最小为9.26%。而李通等[36]在夜间灯光数据与电力消耗的研究中，1995年和2005年平均相对误差绝对值分别为27.61%和33.49%，说明本文碳排放估算模型可靠，估算精度较高。由表3可知，各省份2012-2020年能源消费碳排放估算值平均相对误差均在10%以内，进一步表明，夜间灯光数据可用于研究能源消费碳排放量，模拟精度较高，模拟结果可信。

由图2可知，2012-2020年中国19个城市群能源消费碳排放总量整体波动上升，变化范围为102.86亿～165.71亿吨。进一步分析表明，2012-2013年碳排放总量有所增加，但在2013-2016年碳排放总量呈现小幅度下降，原因在于2012年后，国家经济发展以速度变化、结构优化、动力转化来促使我国能源结构的变化，如提高能源密集型行业生产效率、转变能源密集型行业消费需求，进而促进碳减排。之后随着经济快速发展，碳排放总量不断上升。我国六大区域碳排放总量占比也呈现地理分异特征。从图2不难看出，2012-2020年东部地区碳排放总量占比最大，在30%左右波动，北方地区碳排放总量占比保持在22%左右，二者是我国碳排放的主要来源地。东部和北方经济快速发展，能源消耗量增加，进而拉动碳排放量增长。中南地区占比稳定，西南和西北地区碳排放量占比均不到10%，其中西南地区占比最小。东北地区在研究期内碳排放总量占比逐步下降，从2012年的12.63%降至2020年的9.61%，主要原因在于我国持续推进生态环境修复，积极调整产业结构，东北重工业逐步衰退，碳排放量逐渐降低。

由图3可知，在中国19个城市群中，长江三角洲、京津冀、山东半岛和晋中城市群碳排量明显高于其他城市群，兰西、滇中、天山北坡和北部湾城市群碳排放量较低。不同城市群在研究期内碳排放量变化不尽相同，有的先缓慢降低再迅速增加，如辽中南、呼包鄂榆、长江中游和关中平原城市群；有的先缓慢增长再迅速增长，如成渝、粤闽浙沿海和黔中城市群。但整体来看各城市群2020年碳排放量均大于2012年碳排放量。各个城市群碳排放变化差异与其所处的地理位置、经济发展水平、宏观调控政策以及内部城市之间相互作用密不可分。

基于夜间灯光数据模拟出2012-2020年中国城市群碳排放空间分布格局，如图4所示。整体来看，研究期内，我国北方、东北和东部地区碳排放量较高，中南、西南和西北地区碳排放较低，中南地区碳排放有增加趋势，城市群碳排放量存在明显的空间差异。具体来看，2012年碳排放量高值区域分布在京津冀、晋中、山东半岛、辽中南和长江三角洲城市群，分别是天津市、唐山市、忻州市、上海市、青岛市和沈阳市等，碳排放总量值均高于1.371亿吨，同时我国北部以及西南地区形成了碳排放量副高值集聚区，如京津冀和山东半岛城市群、长江三角洲城市群东部、珠江三角洲和哈长城市群中部、呼包鄂榆城市群西南部以及成渝城市群东部。2016年碳排放量高值区有所减少，主要表现为晋中城市群、辽中南城市群；碳排放量副高值区也有所减少，主要分布在晋中城市群、呼包鄂榆和山东半岛城市群东南部，低碳排放量区域扩大，主要表现为长江中游城市群。2020年碳排放高值区域增加，主要表现为成渝城市群中的重庆市；副高值区逐渐集中，呼包鄂榆城市群等级变化明显。随着我国城镇化和工业化快速发展，碳排放高值区以及副高值区将面临巨大的环境压力。

为进一步探究中国城市群碳排放空间演变特征，本文用重心位置和标准差椭圆来刻画城市群碳排放高值热点区与空间离散程度，如图5所示。从重心分布变化来看，2012-2020年城市群碳排放重心在115.24˚E～115.54˚E、34.55˚N～35.10˚N之间变化，与中国几何中心（103°E、36°N）相比，重心向东南方向偏移，表明中国东部和南部地区碳排放量高于西部和北部。从重心迁移路径变化来看，2012-2016年碳排放重心在山东省菏泽市内并向东南方向移动，2016-2020年碳排放重心离开菏泽市向西北方向转移。碳排放重心由东南向西北方向移动，一方面，2012年以来，东南方向产业逐步转移至中部和西部地区，工业经济加速发展，使我国能源消耗量提高，碳排放量快速增长；另一方面，相较东南地区，西北地区经济发展水平低，产业发展模式粗放，且“两高一剩”企业较多，碳排放量较大。2012-2020年中国城市群碳排放的标准差椭圆方位角由16.88˚增加至17.58˚，说明城市群碳排放存在东北—西南分布趋势，短半轴长度由471.33千米减少到469.36千米，长半轴长度由344.04千米减小至343.76千米，说明中国城市群碳排放在东西南北方向上均逐渐收敛，且南北方向收敛强度相对更大，同时空间分布向心力降低。标准差椭圆面积先减少后增大，表明碳排放空间分布呈现分散到集聚再到分散的态势。

2012-2020年中国城市群碳排放全局莫兰指数计算结果如表4所示。由表4可知，研究期内碳排放全局莫兰指数均大于0，且P值均通过了显著性检验，表明中国城市群碳排放呈显著的空间正相关。为探究研究区内碳排放空间集聚情况，利用热点分析算法做进一步研究，城市群碳排放冷热点空间分布图如图6所示。从时间维度来看，2012-2020年碳排放热点区与次热点区域范围在不断扩大，冷点区域范围有所减小。从空间分布来看，碳排放热点区与次热点区主要分布在晋中、京津冀、山东半岛、中原、辽中南、长江三角洲、珠江三角洲城市群；碳排放冷点区与次冷点区主要分布在天山北坡、兰西、宁夏沿黄、成渝、北部湾、长江中游、呼包鄂榆、滇中、黔中、哈长城市群，分布范围广泛。整体来看，我国碳排放冷热点呈现“北方地区热点集聚，南方地区冷点集聚”空间分布格局。

本文参考相关文献，从经济、人口、科学、交通四个方面探究中国城市群碳排放影响因素，影响因素指标包括：经济要素选取地区生产总值（X₁）、人口要素为年平均人口（X₂）、科学发展要素为科学技术支出（X₃）、交通要素为公路客运量（X₄），使用地理探测器对影响碳排放的要素进行分析。

表5报告了碳排放单因子探测结果。从因子的解释力来看，在研究期内，对城市碳排放发挥主要作用的因子整体保持不变，地区生产总值的解释力最强，对碳排放空间分异的影响力也最强；科学技术支出的解释力次之，对碳排放也产生显著影响；年平均人口与公路客运量的解释力相对较低。从影响因子时间变化特征来看，地区生产总值对碳排放空间分异的整体影响力最强且呈波动变化；科学技术支出对碳排放的影响力整体呈波动下降，由2012年的0.335下降至2020年的0.247；2012-2020年年平均人口对碳排放的空间分异影响力总体呈增加的趋势，2020年影响力增加幅度较大，由0.290增加至0.368；公路客运量的影响力整体呈先降低后增加的态势，变化幅度不大。从探测因子分类来看，经济要素对城市碳排放的空间分异影响力最强，表现为地区生产总值有较高的解释力。经济发展水平是影响碳排放的主要因素，随着经济发展速度的增长与放缓，碳排放量表现出不同程度的增长与停滞。其次为科学发展要素和人口要素。科学技术是碳排放的重要影响因素，绿色科学技术创新发展对改善高耗能产业结构至关重要。人口增长使生活能源消费量增加，进而促进碳排放量增加。交通要素的影响力相对较弱。城市客运交通碳排放是城市碳排放的重要来源，提高交通碳排放效率对降低碳排放、促进区域高质量发展具有重要意义。

表6报告了2012-2020年碳排放影响因子交互作用q值多年平均值，各影响因子交互作用均表现为双因子增强或非线性增强。整体来看，碳排放影响因子双因子作用q值较单因子作用q值有所提高，交互作用q值多年均值排名前三的因子组合分别为地区生产总值（X₁）∩年平均人口（X₂）、地区生产总值（X₁）∩科学技术支出（X₃）、地区生产总值（X₁）∩公路客运量（X₄），表明了经济发展对城市能源碳排放空间分异起主导作用。

表7为2012年、2014年、2016年、2018年和2020年影响因子交互作用探测结果，从表7中可以看出，在不同时期地区生产总值（X₁）∩公路客运量（X₄）交互作用q值均处于较高水平，表明经济发展与交通运输共同作用对城市碳排放影响较大。从时间维度来看，地区生产总值与其他三个因子交互作用对城市碳排放影响起主导作用，且主导作用先增强后减弱。党的十八大以来，我国经济快速发展，城镇化速度加快，经济发展、人口、交通、科学发展对城市能源消费碳排放贡献度越来越高。

本文基于2012-2020年的NPP-VIIRS夜间灯光数据和能源消耗数据，模拟估算出中国19个城市群能源消耗碳排放量，探究中国城市群能源消费碳排放时空演变特征，并从经济、人口、科学发展和交通方面对碳排放影响因素进行分析，主要结论如下。

（1）2012-2020年中国19个城市群能源消费碳排放总量整体呈波动上升趋势，碳排放总量由2012年的102.86亿吨增加至2020年的165.71亿吨；东部地区碳排放占比最大且占比稳定，北方次之，东北地区在研究期内碳排放总量占比逐步下降，西南和西北地区碳排放占比较小，占比均不到10%；研究期内长江三角洲、京津冀、山东半岛和晋中城市群碳排量明显高于其他城市群，兰西、滇中、天山北坡和北部湾城市群碳排放量较低。

（2）中国城市群碳排放量存在明显的空间差异，北方、东北和东部地区碳排放量较高，中南、西南和西北地区碳排放量较低，但中南地区碳排放等级有增加趋势，并且随着时间的推移，城市群碳排放呈现东北—西南分布趋势。

（3）中国城市群碳排放呈显著的空间正相关；碳排放热点区与次热点区域范围在不断扩大，主要分布在晋中、京津冀、山东半岛、中原、辽中南、长江三角洲、珠江三角洲城市群；碳排放冷点区与次冷点区分布广泛，主要分布在天山北坡、兰西、宁夏沿黄、成渝、北部湾、长江中游、呼包鄂榆、滇中、黔中、哈长城市群，整体呈现“北方地区热点集聚，南方地区冷点集聚”空间分布格局。

（4）中国城市群碳排放空间分布受多种因素影响，地区生产总值是影响碳排放的主导因子；科学技术支出对碳排放空间分异影响力也十分显著，整体呈下降趋势；年平均人口与交通客运量对碳排放影响相对较弱，各因子在交互作用下对碳排放的影响力均显著增强，地区生产总值与其他三个因子交互作用对能源碳排放影响起主导作用。

基于以上结论，本文得到如下政策启示：①坚持寻求低碳发展新路径，推动发展方式绿色转型。在推动国家经济发展过程中，及时淘汰高碳化的能源产业体系，优化调整产业内部结构，合理分配资源，提高能源利用率，促进经济高质量发展。②制定有针对性、差异化的区域碳减排策略，促进碳减排工作高效实施。不同地区的城市群处于不同的发展阶段，且自身资源禀赋不尽相同，制定碳减排策略应当根据当地实际情况，不能一概而论。同时，加强各地区之间的交流合作，促进不同区域低碳协同发展。③推动科学技术创新，构建新型能源产业结构体系。安全高效、绿色低碳的新型能源产业体系是未来的发展方向，科学技术创新是新型能源体系构建的关键动力。加快构建新型能源产业结构体系，要加大绿色低碳技术攻关，大力研发、推广新能源低碳技术，促进产业高质量发展。