市域国土空间碳排放测算及低碳化发展效率差异

图1 研究思路框架图

Fig. 1 Research framework

1.4 研究方法

本文主要通过建立“国土空间—碳排放”对应关系，测算国土空间碳排放，基于多源大数据实现市域国土空间碳排放在地块空间的表达，并通过分区统计获得乡镇、区县单元的碳排放总量。以此为基础构建国土空间低碳化发展效率测度方法，分析不同空间单元低碳化发展的空间差异特征。在结果分析中，采用自然断点分级法将空间碳排放及低碳化效率水平结果由高到底划分为五个等级，突出空间单元内部相似性与外部差异性。

1.4.1 市域国土空间碳排放测算方法

国土空间碳排放测算主要有两种方法，一种是自下而上方法，根据每一地块实际消耗能源计算的碳排放；另一种是自上而下方法，根据统计数据或者夜间灯光等数据计算各个部门碳排放后，通过空间化方法分配到每一个空间单元上^[12]。一般来说，前者更为准确，但是所有地块的能源消耗数据难以获取，一般用来测度微观尺度或一个部门的用地碳排放；后者由于数据容易获取，使用更加普遍，但是空间化的方法差异性较大，而大数据和空间模型能提高空间分配的精度^[13]。本文采用自上而下和自下而上相结合的测算方法，进一步从建立“国土空间—碳排放”的对应关系、构建碳排放测算体系深入分析，并在保证数据可得性、权威性的同时提高空间化结果的准确性。

（1）建立“国土空间—碳排放”对应关系

为城市碳排放清单与国土空间规划相互衔接，并反映社会经济活动的影响，本文选取国土空间要素载体，从消费端角度重新归纳《IPCC温室气体排放指南》中的碳排放部门^[14]，划分为工业、建筑、交通、农业、废弃物处理、碳汇六个部门，基于终端消费活动产生碳排放的空间场所，建立市域“国土空间—碳排放”的对应关系（图2）。

图2

图2 “国土空间—碳排放”对应关系

Fig. 2 "Territorial space-carbon emissions" corresponding relationship

（2）构建碳排放测算体系

本文碳排放测算方法主要借鉴《IPCC国家温室气体清单指南》及《省级温室气体清单编制指南》，基于终端碳排放活动水平及活动系数从工业 $C_{E}$ 、建筑 $C_{B}$ 、交通 $C_{T}$ 、农业 $C_{F}$ 、废弃物处理 $C_{W}$ 、碳汇 $C_{A}$ 六个部门测算市域碳排放总量 $C$ 。测算的温室气体主要包含CO₂、CH₄、N₂O，最终按照IPCC中的GWP数据转化为CO₂当量值。

（1）

C = C_{E} + C_{B} + C_{T} + C_{F} + C_{W} + C_{A}

工业部门碳排放主要源自工业化石能源燃烧和工业生产过程中材料的化学或物理转化释放的碳排放。工业能源碳排放主要按照工业行业年消耗燃烧的能源种类及数量测算，由于工业生产过程中工艺的复杂性导致相关系数难以获取，根据水泥、钢铁、玻璃、合成氨的产品产量推算其碳排放量。

（2）

C_{E} = \sum^{} E f_{m, n} \times C f_{m, n} + \sum_{k} E p_{k} \times C p_{k}

式中： $C_{E}$ 为工业部门碳排放量（万t）；m为工业行业类型；n为行业内能源消耗类型； $E f_{m, n}$ 为m行业的n种能源消耗量（t）； $C f_{m, n}$ 为m行业的n种能源碳排放系数，根据能源燃烧的低位发热量、单位热值含碳量、氧化率计算^[15]； $E p_{k}$ 为工业产品类型； $C p_{k}$ 为生产单位重量工业产品碳排放系数^[16]。

建筑部门碳排放主要考虑居住建筑及商业公共建筑运行期间消耗天然气、液化石油气、电力能源产生的碳排放量。

（3）

C_{B} = E g_{n g} \times C g_{n g} + E g_{l p g} \times C g_{l p g} + (E e_{e p - h} + E e_{e p - b}) \times C e_{e p}

式中： $C_{B}$ 为建筑部门碳排放总量（万t）； $E g_{n g} 、 E g_{l p g} 、 E e_{e p - h} 、 E e_{e p - b}$ 分别为天然气、液化石油气、居民建筑、商业建筑的电力消耗量（万kW·h）； $C g_{n g} 、 C g_{l p g} 、 C e_{e p}$ 为对应的碳排放系数^[17]。

交通部门的碳排放测算根据市域内交通运输结构进行测算，包含货运、城际客运、城市客运。货运及城际客运的碳排放量依据运输方式的年周转量计算。城市客运的碳排放量则根据人群日常出行使用的交通工具构建测算体系。

（4）

C_{T} = C_{f t} + C_{i p t} + C_{u p t} = \sum^{} T_{f t} \times C_{f t} + \sum^{} T_{p t} \times C_{p t} + \sum^{} T_{t d} \times C_{t d}

式中： $C_{T}$ 为交通部门碳排放总量（万t）， $C_{f t} 、 C_{i p t} 、 C_{u p t}$ 为货运、城际客运、城市客运的碳排放量（万t）；f为铁路、公路、水路运输； $T_{f t} 、 T_{p t}$ 为货运及城际客运各交通方式的周转量； $C_{f t} 、 C_{p t}$ 为各交通方式单位周转量的碳排放系数^[18,19]； $t$ 为公交车、出租车、轨道交通等交通工具类型； $T_{t d}$ 为各交通工具的年行驶里程（万km）； $C_{t d}$ 为其百公里碳排放系数^[20,21]。

农业部门碳排放来源于种植业中农地耕作、农用物资使用。同时，畜牧业中动物肠道发酵、粪便管理产生的碳排放也不容忽视。

（5）

C_{F} = C_{c f} + C_{s f}

式中： $C_{F}$ 为农业部门碳排放总量（万t）； $C_{c f}$ 为种植业碳排放量（万t），根据耕地面积及其单位面积碳排放量计算农地耕作时产生的碳排量^[22,23]，农用物资使用碳排放量则根据物资年消耗量及其碳排系数测算^[24]； $C_{s f}$ 为畜牧业碳排放量（万t），基于各种动物年存栏量及其对应活动的碳排放系数进行碳排放测算^[15]。

废水、固体废弃物处理过程产生的CO₂、CH₄也是市域碳排放的重要来源。废水碳排放量包含工业废水和生活废水中甲烷排放，固体废弃物包含生活废弃物和工业废弃物，其中生活废弃物处理碳排放源于垃圾焚烧、填埋处理，而工业废弃物的综合处置利用率达到95%，因此不纳入碳排放测算范围。

（6）

C_{W} = C_{l w} + C_{s w}

式中： $C_{W}$ 为废弃物处理的碳排放总量（万t）； $C_{l w}$ 为废水处理碳排放量（万t），工业废水的甲烷排放根据COD排放量及其单位CH₄生产能力计算^[15]，因缺少生活污水的有机物含量的统计数据，本文以人口数及人均有机物含量进行甲烷排放量的推算^[25]； $C_{s w}$ 为生活废弃物处理碳排放量（万t），生活废弃物的碳排放根据市域垃圾焚烧、填埋处理的比例，结合相应参数进行测算^[15]。

林地、草地、水域等非建设用地及农作物是市域的碳汇主体。因相关植被调查数据难以获取，本文以单位面积的碳吸收量测算林地、草地^[26]、水域^[27]、未利用地^[4]的碳汇量。

（7）

C_{A} = C_{l} + C_{i c} = \sum_{j} A_{j} \times C l_{j} + \sum_{x} c a_{x} \times Y_{x} \times (1 - w c_{x}) / H I_{x}

式中： $C_{A}$ 为市域碳汇总量（万t）； $C_{l}$ 为非建设用地的碳吸收量（万t）； $C_{i c}$ 为农作物的碳吸收量（万t）；j为各类非建设用地； $A_{j}$ 为各用地面积（hm²）； $C l_{j}$ 为对应用地的碳排放系数；x为各农作物类型； $c a_{x} 、 Y_{x} 、 w c_{x} 、 H I_{x}$ 分别为各种农作物的碳吸收率、经济产量、含水量、经济系数^[28]。

（3）碳排放空间化方法

为反映人和地要素活动产生碳排放的差异，突出市域碳排放规模结构，依据不同用地人类活动特征，针对各碳排部门选取合适的空间分配指标，利用多源大数据，设计不同的碳排放空间化方法，分配获得市域国土空间碳排放总量与各个地块碳排放量（表2）。

表2 基于多源数据的国土空间碳排放分配方法

Table 2 Territorial spatial carbon emission allocation method based on multi-source data

碳排放		国土空间类型	分配指标	分配方法
工业	采矿业	采矿用地	行业POI数据产品产量数据	统计对应地块内包含各类行业POI的数量比例，通过各类工业产品产量修正能源消耗量，按照最终参数分配碳排放量，最后累加综合^[29]
	工业生产制造	工业用地
	供应业	公用设施用地
建筑	居民生活	城镇居住用地农村宅基地	户数	依据地块户数比例分配碳排放量^[13]
建筑	商业服务与公共管理	商业服务业用地公共管理与公共服务用地	商业服务设施POI 公共管理设施POI	统计对应地块内包含各类设施POI的数量比例，按照比例分配碳排放量，最后累加综合^[13]
交通	货运城际客运城市客运	交通运输用地	城市道路数据交通设施POI数据	根据运输长度比例，分配铁路、水路以及轨道交通用地碳排放量；运用标准道路长度法，通过设施POI密度修正交通活动强度，按照最终参数分配碳排放量^[30]
农业	种植业	耕地、园地	土地利用面积	根据地块面积比例分配碳排放量^[29]
农业	畜牧业	设施农用地	土地利用面积	根据地块面积比例分配碳排放量^[29]
废弃物	工业排废	工业用地	土地利用面积	根据地块面积比例分配碳排放量
废弃物	生活排废	公用设施用地	土地利用面积	根据地块面积比例分配碳排放量
碳汇	非建设用地	林地、草地、水域、未利用地	土地利用面积	根据地块面积直接测算碳排放量
碳汇	农作物	耕地、园地	土地利用面积	根据地块面积比例分配碳排放量

新窗口打开| 下载CSV

1.4.2 国土空间低碳化发展效率测度方法

低碳化发展效率是表示国土空间单元绿色低碳发展水平高低的指标^[31]。为探索空间单元在地域范围内“双碳”战略实施的有效性，统筹社会经济发展与生态保护的协调关系，从经济、社会、生态复合维度构建国土空间低碳化发展效率测度方法。既定的空间单元创造经济价值的同时会产生一定的碳排放，而实现高收益、低消耗的低碳经济是低碳发展的主要方向；同时，资源消耗的有限性赋予人群不同的碳排权益及减碳责任，而营造公平与绿色的社会发展环境对于塑造低碳化发展格局具有重要作用；另外，高强度的经济活动产生的碳排放对资源环境带来的负外部性导致自然生态的碳汇效率与碳排放水平难以匹配，对生态平衡产生影响^[32]。基于以上分析，本文构建经济低碳化发展效率指数（Economic low-carbon development efficiency index，ELDEI）、社会摊碳责任效率指数（Social share-carbon responsibility efficiency index，SSREI）、生态碳汇效率指数（Ecological carbon-sink efficiency index，ECEI），通过空间单元自身低碳化发展水平与区域整体发展水平对比的方法测度低碳化发展效率。具体计算公式如下：

（1）经济低碳化发展效率指数

在低碳经济发展方面，提升能源效率是现阶段保持经济增长的同时实现碳减排目标的主要途径^[33]。GDP是衡量地区经济状况的核心指标，碳排放规模则反映了能源消费特征，以空间单元在市域范围的GDP比率与碳排放比率的比值，衡量其产生一定碳排放量的同时创造的经济效益，表现空间单元经济发展的低碳效率程度^[34]。

（8）

E L D E I = \frac{G_{i}}{G} / \frac{C_{i}}{C}

式中： $G_{i} 、 G$ 分别为各空间单元、市域范围的地区生产总值（万元）； $C_{i} 、 C$ 分别为各空间单元、市域碳排放总量（万t）。

$E L D E I$ 值越大，空间单元的经济低碳化发展水平越高。当 $E L D E I$ >1，则表明某一空间单元的碳排放水平低于经济产出水平，因而其经济低碳化发展水平较高；当 $E L D E I$ <1，则表明某一空间单元的碳排放水平高于经济产出水平，因而其经济低碳化发展水平较低。

（2）社会摊碳责任效率指数

考虑人群平等的碳排放权力和应承担的减碳责任^[35]，基于碳减排责任公平分摊原则，将人均碳排放量和地均碳排放量纳入摊碳责任效率指数计算中，测度某一空间单元人均碳资源消耗及碳排放密度在全域范围的相对水平，反映该单元享有的碳排放权力及其分摊的碳减排责任，以保证空间单元资源合理分配下的社会低碳化发展。

（9）

S S R E I = \frac{1}{0.7 \times \frac{{\bar{Y}}_{p i}}{{\bar{Y}}_{p}} + 0.3 \times \frac{{\bar{Y}}_{s i}}{{\bar{Y}}_{s}}}

式中： ${\bar{Y}}_{p i} 、 {\bar{Y}}_{p}$ 分别为各空间单元、市域人均碳排放量（t/人）； ${\bar{Y}}_{s i} 、 {\bar{Y}}_{s}$ 为各空间单元、市域地均碳排放量（万t/hm²）。其中，根据文献确定人均碳排放量和地均碳排放量权重为0.7和0.3^[35]，主要考虑人群的碳消费及责任分摊。

$S S R E I$ 值越大，空间单元的社会低碳化发展水平越高。当 $S S R E I$ >1时，则表明某一空间单元人均碳资源消耗及碳排放密度占比低于全域平均水平，其分摊的碳减排责任较小，拥有的碳排放额度及预算空间处于优势发展地位。当 $S S R E I$ <1时，则表明某一空间单元人均碳资源消耗及碳排放密度占比高于全域平均水平，其分摊的碳减排责任较大，应分配更少的碳排放额度及预算发展空间。

（3）生态碳汇效率指数

生态环境的碳吸收是自然界的生物系统对于碳排放的协调平衡，以空间单元内碳汇率与碳排率的比值，衡量地域范围内排放一定比例的碳所对应比例的碳吸收，反映空间单元的生态碳汇水平。

（10）

E C E I = \frac{{C_{A}}_{i}}{C_{A}} / \frac{C_{i}}{C}

式中： ${C_{A}}_{i} 、 C_{A}$ 分别为各空间单元、市域范围的年碳汇量（万t）； $C_{i} 、 C$ 分别为各空间单元、市域范围的年碳排放量（万t）。

$E C E I$ 值越大，空间单元对于碳排放的生态消纳能力越强，生态碳汇水平越高。当 $E C E I$ >1，则表明某一空间单元的碳吸收比例大于碳排放比例，说明其对碳排放的生态消纳能力较强，生态碳汇水平较高；反之，若 $E C E I$ <1，则表明某一空间单元的碳汇比例小于碳排放比例，说明其碳排放的生态消纳能力较弱，生态碳汇水平较低。

（4）低碳化发展综合效率指数

为揭示全域空间单元在经济、社会、生态方面低碳化发展综合水平特征，构建综合效率指数，计算公式如下：

（11）

Y_{C A I} = α_{E L D E I} Y_{E L D E I} + α_{S S R E I} Y_{S S R E I} + α_{E C E I} Y_{E C E I}

式中： $Y_{C A I}$ 为空间单元低碳化发展综合效率指数值； $α_{E L D E I} 、 α_{S S R E I} 、 α_{E C E I}$ 为各指数的权重； $Y_{E L D E I} 、 Y_{S S R E I} 、 Y_{E C E I}$ 为各指数值。通过专家打分并参考相关文献最终设定经济低碳化发展效率指数、社会摊碳责任效率指数、生态碳汇效率指数的权重分别为0.4、0.4、0.2^[36]，综合效率指数越高说明该空间单元经济低碳化发展水平和生态碳汇水平较高，且承担较低的社会摊碳责任，整体呈现绿色向好的发展状态，在市域范围内低碳化发展水平较高。

2 结果分析

2.1 苏州市国土空间碳排放特征

根据测算，苏州市2020年二氧化碳排放总量约为2.38亿t（表3）。其中，工业部门的碳排放量最高，为1.93亿t，占比为81.32%，其碳排放活动由工业用地和公用设施用地所承载，碳排放量分别为12431.46万t和6905.31万t，分别占比52.29%和30.25%，说明传统能源在能源结构中仍占据主要部分，体现了工业高能耗、高碳排的生产模式。其次是居民生活的能耗碳排放量达到0.29亿t，包括城镇居住用地、农村宅基地、商业服务业用地及公共管理与公共服务用地，其碳排放量分别为767.06万t、537.13万t、1030.09万t与548.48万t，共占比12.12%，电力使用是碳排放主要来源。交通出行带来的碳排放量为0.14亿t，占比为5.98%。苏州碳汇资源较少，碳汇量约0.025亿t，占比为1.06%，碳汇主体主要包含非建设用地及经济作物。

表3 市域国土空间碳排放量

Table 3 Carbon emissions in the city level territorial space

部门	国土空间类型	CO₂排放量/万t	部门排放总量/万t	比例/%
工业	工业用地	12430.46	19334.77	81.32
工业	公用设施用地	6905.31	19334.77	81.32
建筑	城镇居住用地	767.06	2882.76	12.21
	农村宅基地	537.13
	商业服务业用地	1030.09
	公共管理与公共服务用地	548.48
交通	交通运输用地	1421.44	1421.44	5.98
农业	耕地、园地	94.68	100.70	0.42
农业	设施农用地	6.02	100.70	0.42
废弃物	工业用地	1.02	288.30	1.21
废弃物	公用设施用地	287.28	288.30	1.21
碳汇	耕地、园地	71.96	-251.86	-1.06
碳汇	林地、草地、水域	179.9	-251.86	-1.06
合计		23776.11	23776.11	100.00

新窗口打开| 下载CSV

通过多源地理空间数据分配获得市域地块尺度碳排放量（图3a），整体介于36.05万~256.94万t，地块高值主要分布在长江沿线，特别是张家港市的产业用地；较高值在高值周围分布，中值区包含工业、商业服务业等用地，主要在主城区分散分布，较低值区在市域内连片分布，低值区主要为大型水体或林地、园地等碳汇主体。以区县、乡镇尺度统计各行政单元的碳排放量（图3b、图3c）。区县尺度下整体碳排放量介于414.57万~9712.55万t，平均值为2377.61万t。空间上形成“一带两心”的分布特征，在市区主城区形成低值核心。其中，姑苏区碳排放量最低；4个县级市和吴江区形成自南向北递增的中高值带半包围在低值区外，并在张家港形成高值核心。乡镇街道尺度下空间单元的碳排放量介于23.66万~3094.77万t，低、较低值区占比80.41%，中值区占比10.31%，较高、高值区占比9.28%，具有极值差异特征。空间上表现出“一主两次”的结构。以张家港市城区街道为高值核心，在太仓和昆山市的产业集镇形成南北两个次核心，中值区开放式衔接在高值区外围。较低值区在县级市和吴江区乡镇、苏州工业园区街道片区集聚；低值区在主城区街道广泛连片分布，并延伸到大型水体毗邻的乡镇。

图3

图3 苏州市国土空间碳排放特征

Fig. 3 Characteristics of territorial spatial carbon emissions in Suzhou

2.2 苏州市国土空间低碳化发展效率空间差异

2.2.1 经济低碳化发展效率空间差异

通过经济低碳化发展效率指数衡量市域区县及乡镇单元的经济低碳发展水平（图4），具体分析如下：（1）区县单元整体经济低碳化发展效率指数值介于0.33~5.81间，ELDEI>1的区县数量共7个，占比70%。整体具有“两核两片”的空间结构，在苏州市区及昆山市形成中高值片区，以苏州工业园区和虎丘区为两个高值核心，说明其生产模式较为高效，经济低碳化发展水平较高。ELDEI<1的空间单元主要是北部的张家港市、太仓市及常熟市，组合形成低值片区。（2）乡镇单元整体经济低碳化发展效率指数值介于0.09~8.46之间，ELDEI>1的乡镇数量占比67%。空间上整体呈现“双核集聚，边缘包围”的分布特征，以虎丘区横塘和苏州工业园区斜塘街道为高值双核心，较高、中值区开放性围绕在高值区外围，形成中心集聚态势。较低值区在市区边缘乡镇组团分布，并扩展至常熟市城区街道、昆山市远郊乡镇。ELDEI<1的乡镇单元在市域北部连片分布，在市域南部水网密集区分散，总体呈现出向市区包围的态势。（3）究其原因，区县产业功能定位的不同，带来各区县经济低碳化发展水平差异。边缘乡镇相对低级的产业结构及传统能源结构依赖，导致其经济低碳化发展效率相对劣势。

图4

图4 区县、乡镇尺度国土空间经济低碳化发展效率指数

Fig. 4 Economic low-carbon development efficiency index for territorial space at the county and township scales

2.2.2 社会摊碳责任效率空间差异

通过社会摊碳责任效率指数衡量国土空间碳资源消耗及其分摊的碳减排责任，反映空间单元社会低碳化发展的相对水平（图5），具体分析结果如下：（1）以区县为单元统计整体社会摊碳责任效率指数值介于0.28~2.92之间，SSREI>1的区县单元共8个，占比80%。空间上整体表现出“辐射降低”的分布特征，以虎丘区和吴中区为高值核心，向外辐射降低，在张家港市和太仓市形成两个低值点，其碳排放空间相对占用较多，分摊较大的碳减排责任。（2）乡镇尺度的社会摊碳责任效率指数值介于0.12~6.94之间，SSREI>1的乡镇单元占比73.2%。空间分布上呈现“一主多次，低值成片”的格局，即以太湖附近街道为主核心，较高值开放式环绕在市区主城区外围，形成多个次核心；中值区与次核衔接，由在市区主城街道向四周扩展延伸至昆山主城区和太湖附近街道，并在常熟主城区街道分散。较低值区在市区中心街道、边缘乡镇及常熟乡镇单元形成多个组团。SSREI<1的乡镇单元主要成片分布在太仓及张家港市区范围。（3）较高的人均碳资源消耗及碳排放密度产生过高的碳份额，分摊较多的碳减排责任；部分乡镇的生产、生活活动相对的碳排成本、碳排需求较高，因而乡镇地区的碳排权益往往受到限制，同时也需承担更多的碳减排责任。

图5

图5 区县、乡镇尺度国土空间社会摊碳责任效率指数

Fig. 5 Social share-carbon responsibility efficiency index in territorial space at the county and township scales

2.2.3 生态碳汇效率空间差异

通过生态碳汇效率指数衡量市域空间单元的生态碳汇水平（图6），具体分析结果如下：（1）区县尺度下整体生态碳汇效率指数值介于0.27~5.28间，ECEI>1的区县单元共6个，占比60%。整体呈现出“一带三心”的空间特征，以市区边缘区县和昆山、常熟市共同形成中高值环形带，其生态碳汇能力处于较强水平；同时，对由姑苏区和苏州工业园区形成的低值组团核心成包围的态势；另外在张家港、太仓市形成北部、东部两个低值核心，其生态消纳与碳排放不相适应，表现出低效的生态碳汇水平。（2）乡镇单元的生态碳汇效率指数值介于0.09~45.47之间，数值差异反映出空间单元生态碳汇能力水平的不均衡性。空间上具有“一核多点，环城铺展”的分布特征。生态碳汇效率指数较高的乡镇街道在大型水体附近集聚，并在太湖形成高值片区，中值区成点式分散在市域内。较低值区围绕在各市主城区外，主要由长江与阳澄湖连线乡镇延伸衔接成北部片区，在市域南部水网乡镇形成南部片区。ECEI<1的空间单元在中心城区街道及邻近乡镇铺展成片。（3）自然生态本底作为碳汇主体，为空间生态碳汇能力提供了基础，但缺乏生态网络完整性塑造导致空间生态碳汇水平差异明显；同时，城区的连片蔓延对生态空间造成了挤压，影响了碳排放与碳吸收的协调性。

图6

图6 区县、乡镇尺度国土空间生态碳汇效率指数

Fig. 6 Ecological carbon-sink efficiency index for territorial space at the county and township scales

2.2.4 低碳化发展综合效率空间差异

通过低碳化发展综合效率指数体现空间单元在市域内相对的低碳化综合发展水平（图7），具体分析结果如下：（1）区县单元的低碳化发展综合效率指数值介于0~0.76之间。空间上呈现“一核两片”的片区集聚特征，主要分为中高值和低值片区。其中，市区和昆山市形成中高值片区，并在虎丘区、苏州工业园区、吴中区形成高值核心，说明其经济低碳化发展和生态碳汇水平较高，碳减排责任较小；中值区主要有姑苏区、吴江区和昆山市，需进一步提高低碳化程度。低值区则主要分布在市域北部，以张家港市综合效率指数最低，其发展对碳资源的依赖较高，低碳化综合发展水平较低。（2）乡镇单元的整体综合效率指数值介于0.01~0.72之间，整体低碳化发展综合效率指数差异较大。空间分布上呈现“多中心”的结构特征，高值单元主要在太湖附近及市区主要街道形成主核心，较高值分布在高值核心外围，向东延伸至昆山市核心街道形成东西向轴线；中值区成楔状分布在较高值中间，并在常熟城区街道集聚；较低值区主要在吴江区水网密集的乡镇及常熟乡镇组团分布。低值区在张家港市和太仓市范围内片区集聚。（3）区县层面的碳源碳汇空间连片组合且比例适宜，并基于一定碳资源创造了较高的社会经济价值，拥有良好的低碳化发展条件；部分乡镇单元空间类型较为单一，缺少融合连片布局，碳源碳汇未能较好的协调，且经济产出依赖于高碳消耗，是区域整体低碳化发展的主要矛盾点。

图7

图7 区县、乡镇尺度国土空间低碳化发展综合效率指数

Fig. 7 Low-carbon development comprehensive efficiency index for territorial space at the county and township scales

3 结论与讨论

3.1 结论

本文构建了市域国土空间碳排放测算方法，测算了苏州市国土空间碳排放水平，运用低碳化发展效率模型进一步分析了国土空间在经济、社会、生态维度下低碳化发展效率的空间差异，主要结论如下。

（1）通过建立“国土空间—碳排放”对应关系，测算国土空间碳排放，基于高精度、细粒度的地理空间大数据实现市域国土空间碳排放空间化，并测度了区县、乡镇不同空间尺度的碳排放水平。秉承生态文明建设可持续发展观，构建低碳化发展效率测度方法衡量国土空间经济低碳化发展效率、社会摊碳责任效率、生态碳汇效率的空间差异，以衡量行政单元在“双碳”战略中的实施地位。为构建低碳可持续发展国土空间格局，助力“双碳”目标实现提供一定启示。

（2）苏州市域国土空间碳排放总量为2.38亿t。其中，工业碳排放占比81.32%，反映了对于传统能源的使用依赖性较高，对应于工业用地的碳排放量最高。生态资源对碳排放的消纳作用较微弱。区县单元的碳排放总量差值较大，呈现“一带两心”的空间结构，以张家港碳排放量最高。乡镇尺度下空间单元的碳排放具有一定的城乡差异，空间分布上呈现“一主两次，低值连片”的格局特征，市区中心街道及毗邻水体的乡镇碳排量较低，主要是乡镇的产业类型及人口活动强度不同，带来碳资源的消耗差异。

（3）苏州市国土空间低碳化发展综合效率指数数值差异较大，在区县尺度上具有较显著地域差异，呈现“一核两片”的空间集聚特征；在乡镇尺度上呈现出“多中心”的结构特征，具有较明显的城乡分异特征。其中，经济低碳化发展效率、社会摊碳责任效率指数在空间分布上具有一定的空间重合性，均在中心城区高值集聚，且相较于经济低碳化发展效率，社会摊碳责任效率高值分布的范围更加延展，主要反映了国土空间单元经济、社会低碳化发展水平的城乡差距；生态碳汇效率指数的空间分布与城市的自然生态格局息息相关，高值单元在大型水体处集聚，具有成片集聚分异的特征，主要反映了国土空间生态碳汇能力的空间尺度差异。

3.2 讨论

为实现“双碳”目标，将绿色低碳理念融入国土空间治理。（1）在减排控碳方面，增强地类碳排管控，严控高碳工业用地供给及产能效率，保障清洁能源供给项目用地分配，提高低碳排、高碳汇地类比例。统筹市域碳资源分配，优化空间功能布局，加快各县级单元绿色交通及市政设施建设，推动清洁能源在地化生产使用。（2）在提升经济低碳化发展效率方面，注重不同空间单元之间的协同创新发展，带动地方产业升级，并增强传统产业集镇的经济效率。推动城区街道商业服务型经济提升，重视生态资源丰富地区的旅游生态型经济发展，构建绿色循环经济发展体系。（3）以碳排空间管控，提升社会摊碳责任效率为目标塑造复合集约的建设空间，着眼于老城区的有机更新、低碳空间挖掘；推动县级市产城融合，打造复合集约的空间格局。此外，引导城区过饱和人口、生产生活资源的外向疏解，加速远郊乡镇的就地城镇化，促进日常生活便利化，农业生产低碳绿色化，降低碳资源消耗。（4）为提高生态碳汇效率，基于地域的自然本底特色构建生态安全格局，贯彻落实生态修复，基于公园城市理念保障城区生态品质，加强农田林网建设提高乡镇生态消纳能力。最后，注意碳汇、碳源融合比例及组合方式，统筹协调分配市域碳资源，提升全域各单元的互通联系，促进碳排放份额横向疏解，保证低碳化发展综合水平稳步提升，构建公平和谐、协调共进国土空间格局。

目前，国土空间碳排放测算体系尚未完全统一，也没有绝对准确的碳排放统计值。本文测算的苏州市域2020年碳排放结果为2.378亿t，而中国碳核算数据库（CEADs）公布的苏州市2019年碳排放总量为2.312亿t，但该数据库2020年的碳排放数据暂未发布，研究测算值与CEADs 2019年数据相比略有增长，符合实际情况。另外，本文将基于国土空间统计的区县碳排放总量与基于统计数据的碳排放总量相比对，具有较小误差。因此，本文的碳排放测算方法具有较强的科学性和可靠性。经济社会发展水平相对较高的地区，其经济、社会低碳化发展效率也较高，但其生态碳汇能力往往较低，说明国土空间低碳化发展效率的差异特征遵循地域社会经济发展的特征规律，且社会经济的快速发展往往会牺牲生态环境效益，反映出国土空间低碳化发展的不均衡性。

碳排放具有流动扩散、累积变化的特征，基于时空演变视角下的国土空间低碳化发展效率分析还有待进一步研究。此外，国土空间规划视角下的碳排放治理需依据国土空间低碳发展水平的差异特征，从微观的尺度完善细化城市碳排放治理手段，注重基层空间精细化治理与跨区域的整体协同，构建低碳绿色国土空间格局，助力“双碳”目标的实现。

参考文献

原文顺序

文献年度倒序

文中引用次数倒序

被引期刊影响因子

[1]

熊健, 卢柯, 姜紫莹, 等.

“碳达峰、碳中和”目标下国土空间规划编制研究与思考

城市规划学刊, 2021, (4): 74-80.

[XIONG

, LU

, JIANG

Z Y

, et al.

Study and thoughts on territorial spatial planning under the goal of "carbon emissions peak and carbon neutrality"

Urban Planning Forum, 2021, (4): 74-80.]

[2]

王海鲲, 张荣荣, 毕军.

中国城市碳排放核算研究: 以无锡市为例

中国环境科学, 2011, 31(6): 1029-1038.

[WANG

H K

, ZHANG

Y Y

, BI

Carbon accounting for Chinese cities: A case of Wuxi city

China Environmental Science, 2011, 31(6): 1029-1038.]

[3]

顾朝林

城市碳排放清单及其规划应用研究

南方建筑, 2013, (4): 4-12.

[GU

C L

Research on urban carbon emissions inventory and its application in planning

South Architecture, 2013, (4): 4-12.]

[4]

石洪昕, 穆兴民, 张应龙, 等.

四川省广元市不同土地利用类型的碳排放效应研究

水土保持通报, 2012, 32(3): 101-106.

[SHI

H X

, MU

X M

, ZHANG

Y L

, et al.

Effects of different land use pattern on carbon emission in Guangyuan city of Sichuan province

Bulletin of Soil and Water Conservation, 2012, 32(3): 101-106.]

[5]

姜洋, 何永, 毛其智, 等.

基于空间规划视角的城市温室气体清单研究

城市规划, 2013, 37(4): 50-56, 67.

[JIANG

, HE

, MAO

Q Z

, et al.

City-level greenhouse gas emission inventory from a spatial planning perspective

City Planning Review, 2013, 37(4): 50-56, 67.]

[6]

LONG

, ZHANG

Z L

, LIANG

, et al.

Spatially explicit carbon emissions at the county scale

Resources, Conservation and Recycling, 2021, 73: 105706, https://doi.org/10.1016/j.resconrec.2021.105706.

URL [本文引用: 1]

[7]

曾紫琪, 王芳, 冯艳芬, 等.

碳中和视角下广东省城市低碳发展效率空间分异及其驱动机制

广州大学学报: 自然科学版, 2022, 21(3): 74-80, 88.

[ZENG

Z Q

, WANG

, FENG

Y F

, et al.

Spatial variation in urban low-carbon development efficiency and its driving mechanism in Guangdong from a carbon neutral harmonized perspective

Journal of Guangzhou University: Natural Science Edition, 2022, 21(3): 74-80, 88.]

[8]

窦睿音, 焦贝贝, 张文洁, 等.

西部资源型城市绿色发展效率时空分异与驱动力

自然资源学报, 2023, 38(1): 238-254.

DOI:10.31497/zrzyxb.20230115 [本文引用: 1]

绿色发展是资源型城市高质量转型的重要体现。通过构建绿色发展效率评价体系，基于MinDs模型、泰尔指数、地理探测器等方法，测算2001—2019年西部资源型城市绿色发展效率时空分异特征，分析其驱动因素。结论如下：（1）西部资源型城市绿色发展效率以2015年为界，呈“先升后降”变化，西北、广西的资源型城市整体上升，西南和内蒙古的资源型城市近年呈下降趋势，成长型城市发展较为稳定，成熟型和再生型城市2017年后下降明显，衰退型城市呈上升趋势；（2）西部资源型城市绿色发展效率表现为极低和极高区间数量少、中间得分数量多的正态分布特征；（3）绿色发展效率空间非均衡的问题较为严重，其中，西北与西南地区的成熟型城市的变化是导致绿色发展效率差异扩大的主要原因；（4）经济发展、城市化、城市规模和技术创新能够显著提升西部资源型城市绿色发展效率，不同空间范围和不同生命周期下的资源型城市绿色发展效率驱动因素各有特点。研究对提升西部各类资源型城市绿色发展效率有实际意义。

[DOU

R Y

, JIAO

B B

, ZHANG

W J

, et al.

Research on spatiotemporal heterogeneity and driving forces of green development efficiency in resource-based cities of Western China

Journal of Natural Resources, 2023, 38(1): 238-254.]

DOI:10.31497/zrzyxb.20230115 URL [本文引用: 1]

[9]

杨颖

四川省低碳经济发展效率评价

中国人口·资源与环境, 2012, 22(6): 52-56.

[YANG

Research on evaluation of Sichuan low-carbon economy efficiency

China Population, Resources and Environment, 2012, 22(6): 52-56.]

[10]

胡剑波, 高鹏, 左鹏飞.

中国碳排放福利绩效区域差异及其贡献度研究

经济问题, 2018, (11): 54-60.

[HU

J B

, GAO

, ZUO

P F

Study on the regional differences and contribution rate of China's carbon emissions welfare performance

On Economic Problems, 2018, (11): 54-60.]

[11]

潘竟虎, 张永年.

中国能源碳足迹时空格局演化及脱钩效应

地理学报, 2021, 76(1): 206-222.

DOI:10.11821/dlxb202101016 [本文引用: 1]

利用DMSP-OLS夜间灯光数据和碳排放统计数据,构建碳排放面板数据模型,模拟了2000—2013年中国的碳排放量。运用探索性时空数据分析（ESTDA）框架体系,从时空交互视角分析2001—2013年碳足迹的空间格局和时空依赖动态演化;利用改进的Tapio脱钩模型对3个时间段336个地级单元环境碳负荷与经济增长之间的脱钩效应进行综合分析。研究表明：① 2000—2013年,中国的碳排放在时空演变上既表现出稳中有进的总体特征,也存在快速增长的阶段特征。② 碳足迹和碳赤字均呈逐年增长趋势,年均增长率分别为4.82%和5.72%;碳足迹和碳赤字整体北方大于南方,不同的行政单元尺度下碳足迹和碳赤字空间异质性特征明显。各地级单元碳足迹变异系数逐步增大,存在极为显著的空间自相关特征。③ LISA时间路径相对长度北方大于南方,且呈由沿海地区向中西部地区递增的趋势;LISA时间路径弯曲度整体上则由沿海地区向内陆地区递减。④ 综合脱钩指数整体以弱脱钩型为主,但弱脱钩型城市数量持续减少,扩张连接、扩张负脱钩区域数量逐渐增多且向中西部及东北地区聚集分布;全国平均脱钩弹性值逐步增长,变异系数持续下降。

[PAN

J H

, ZHANG

Y N

Spatiotemporal patterns of energy carbon footprint and decoupling effect in China

Acta Geographica Sinica, 2021, 76(1): 206-222.]

DOI:10.11821/dlxb202101016 [本文引用: 1]

The global environment issue resulting from carbon emissions has aroused worldwide concern for governments, the public and scientific communities. A precise measurement of the time-resolved and spatial distribution characteristics of carbon dioxide (CO2) and carbon footprint as well as its long-period evolution mechanism, can help clarify the relationship between environmental carbon load and economic growth, and are critical references to the formulation of scientific carbon emission reduction targets with reasonable and differential emission reduction policies. In this study, the mainland of China is taken as the research object. According to the quantitative correlations between DMSP-OLS nighttime light image data and carbon emission statistics, the carbon emission panel data model was simulated for China's carbon emissions in the period 2000-2013, and then the spatiotemporal evolving trend and spatial distribution characteristics of carbon emissions in the 14-year research period were discussed using Theil-Sen Median trend analysis and Mann-Kendall test method. Based on the framework of exploratory spatial-temporal data analysis (ESTDA), the spatial pattern and spatiotemporal dynamic evolution of carbon footprint from 2001 to 2013 were analyzed from the perspective of spatiotemporal interaction. In the three periods, the decoupling effect between environmental carbon load and economic growth of 336 prefecture-level cities were analyzed using the improved Tapio decoupling model. The results show that the overall carbon emissions in China had been on the rise from 2000 to 2013, in which the stable-slow rise type was dominant. China's carbon footprint and carbon deficit increased year by year, and the central and western regions became the focus of the growth of carbon footprint and carbon deficit from 2001 to 2013. At different administrative city scales, the spatial distribution pattern of carbon footprint and carbon deficit show obvious administrative orientated and spatial zonal differentiation characteristics. The annual average of global Moran's I index of each level unit is 0.491, which indicates that there is a significant spatial auto-correlation feature in the carbon footprint of China's prefecture-level units. The relative length of the LISA time path is greater in the north than in the south, and it tends to increase from the coastal areas to the central and western regions. The curvature of LISA time path decreases from coastal areas to inland areas on the whole. The curvature of northeast and central regions is higher, while that of eastern and western regions is lower. There is a different trend of the decoupling effect of environmental carbon load in China. Meanwhile the expansion-connection and expansion of negative decoupling regions continuously increased and spatially agglomerated, presenting an "E"-shaped distribution pattern from the north to the south. The national average decoupling elastic value is gradually increasing, while the coefficient of variation continues to decline, and the decoupling type has a significant evolution trend. Therefore, the unbalanced trend of economic growth and carbon emissions in China will continue for a certain period.

[12]

CAI

, SHI

, REN

, et al.

The need for urban form data in spatial modeling of urban carbon emissions in China: A critical review

Journal of Cleaner Production, 2021, 319: 128792, https://doi.org/10.1016/j.jclepro.2021.128792.

DOI:10.1016/j.jclepro.2021.128792 URL [本文引用: 1]

[13]

ZHENG

Y Q

, DU

S H

, ZHANG

X Y

, et al.

Estimating carbon emissions in urban functional zones using multi-source data: A case study in Beijing

Building and Environment, 2022, 212: 108804, https://doi.org/10.1016/j.buildenv.2022.108804.

URL [本文引用: 3]

[14]

郑德高, 吴浩, 林辰辉, 等.

基于碳核算的城市减碳单元构建与规划技术集成研究

城市规划学刊, 2021, (4): 43-50.

[ZHENG

D G

, WU

, LIN

C H

, et al.

The formulation of urban carbon reduction unit and integrated planning methodology based on carbon accounting

Urban Planning Forum, 2021, (4): 43-50.]

[15]

国家发展和改革委员会应对气候变化司. 省级温室气体清单编制指南(试行). 北京, 2010.

[本文引用: 4]

[Department of Climate Change, National Development and Reform Commission. Guidelines for the provincial greenhouse gas inventories (for trial implementation). Beijing, 2010.]

[本文引用: 4]

[16]

杨欣, 蔡银莺, 张安录.

武汉城市圈碳排放的时空格局及影响因素分解研究: 基于2001—2009年市级面板数据的实证

长江流域资源与环境, 2013, 22(11): 1389-1396.

[YANG

, CAI

Y Y

, ZHANG

A L

Spatial-temporal characteristics and affecting factors decomposition of carbon emission in Wuhan urban circle from 2001 to 2009

Resources and Environment of the Yangtze River Basin, 2013, 22(11): 1389-1396.]

[17]

屈金凤, 楚春礼, 鞠美庭, 等.

居民生活能源消费碳排放驱动因素分解: 以天津市为例

生态经济, 2017, 33(4): 38-42.

[QU

J F

, CHU

C L

, JU

M T

, et al.

Factor decomposition of carbon emissions from household energy consumption: A case study of Tianjin

Ecological Economy, 2017, 33(4): 38-42.]

[18]

孟凡强

铁路实现绿色发展的路径探讨

铁路节能环保与安全卫生, 2019, 9(5): 14-17.

[MENG

F Q

Discussion on the path of realizing green development of railway

Railway Energy Saving & Environmental Protection & Occupational Safety and Health, 2019, 9(5): 14-17.]

[19]

魏艳旭, 孙根年, 马丽君, 等.

中国旅游交通碳排放及地区差异的初步估算

陕西师范大学学报: 自然科学版, 2012, 40(2): 76-84.

[WEI

Y X

, SUN

G N

, MA

L J

, et al.

Estimating the carbon emissions and regional differences of tourism transport in China

Journal of Shaanxi Normal University: Natural Science Edition, 2012, 40(2): 76-84.]

[20]

XIA

C Y

, XIANG

M T

, FANG

, et al.

Spatial-temporal distribution of carbon emissions by daily travel and its response to urban form: A case study of Hangzhou, China

Journal of Cleaner Production, 2020, 257: 120797, https://doi.org/10.1016/j.jclepro.2020.120797.

DOI:10.1016/j.jclepro.2020.120797 URL [本文引用: 1]

[21]

赵敏, 张卫国, 俞立中.

上海市居民出行方式与城市交通CO₂排放及减排对策

环境科学研究, 2009, 22(6): 747-752.

[ZHAO

, ZHANG

W G

, YU

L Z

Resident travel modes and CO₂ emissions by traffic in Shanghai city

Research of Environmental Sciences, 2009, 22(6): 747-752.]

[22]

WEST

T O

, MARLAND

A synthesis of carbon sequestration, carbon emissions, and net carbon flux in agriculture: Comparing tillage practices in the United States

Agriculture Ecosystems & Environment, 2002, 91(1-3): 217-232.

DOI:10.1016/S0167-8809(01)00233-X URL [本文引用: 1]

[23]

杜金霜, 付晶莹, 郝蒙蒙.

基于生态网络效用的昭通市“三生空间”碳代谢分析

自然资源学报, 2021, 36(5): 1208-1223.

DOI:10.31497/zrzyxb.20210510 [本文引用: 1]

解析“三生空间”碳代谢有助于实现区域“三生空间”要素整合和结构优化,是寻求城市绿色低碳发展的有效途径之一。以昭通市为例,通过计算垂直方向上碳通量,构建水平方向的碳流模型,系统分析了2010—2018年“三生空间”碳代谢的时空分布,利用生态网络分析方法评价了“三生空间”演化对城市碳代谢的综合影响。结果显示:（1）2010—2018年间昭通市垂直方向上净碳通量和水平方向上净碳流均为负值,“三生空间”演化对昭通市碳代谢平衡产生了消极作用,造成碳排放量的增加。（2）“三生空间”用地在碳代谢系统中的生态关系以限制掠夺关系为主,生态空间被生活空间和生产空间挤占,影响了昭通市的碳代谢平衡。（3）整体生态效用函数J的值为0.85,小于1,说明“三生空间”演化对区域整体碳代谢平衡的综合作用是消极的,这与净碳流显示的结果相同。研究结果可为昭通市国土空间利用优化与低碳发展提供理论依据,这种研究方法可为国土空间优化与“三生空间”优化提供前期支持。

[DU

J S

, FU

J Y

, HAO

M M

Analyzing the carbon metabolism of "Production-Living-Ecological" space based on ecological network utility in Zhaotong

Journal of Natural Resources, 2021, 36(5): 1208-1223.]

DOI:10.31497/zrzyxb.20210510 URL [本文引用: 1]

[24]

邱子健, 靳红梅, 高南, 等.

江苏省农业碳排放时序特征与趋势预测

农业环境科学学报, 2022, 41(3): 658-669.

[QIU

Z J

, JIN

H M

, GAO

, et al.

Temporal characteristics and trend prediction of agricultural carbon emission in Jiangsu province, China

Journal of Agro-Environment Science, 2022, 41(3): 658-669.]

[25]

赵荣钦, 黄贤金, 彭补拙.

南京城市系统碳循环与碳平衡分析

地理学报, 2012, 67(6): 758-770.

DOI:10.11821/xb201206004 [本文引用: 1]

城市是人类能源活动和碳排放的集中地,开展城市系统碳循环研究有助于深入了解城市在区域碳循环过程中的地位和作用。本文集成了城市碳储量和碳通量的核算方法,并以南京市为例开展了城市系统碳循环与碳平衡的实证研究。结论如下:① 南京市城市碳储量呈缓慢上升趋势,2009 年为6937 万t,其中自然碳储量占88%,且总量基本保持稳定;人为碳储量(特别是城市绿地和建筑物碳库) 呈大幅增长趋势;② 垂直碳输入通量以植物光合作用和水域碳吸收为主,历年来基本稳定;水平碳输入通量大幅增长,2009 年为3043 万t,其中能源和木材碳输入呈增长趋势,而食物碳输入则呈下降趋势;③ 垂直碳输出通量呈增长趋势,2009年为3295 万t,其中化石能源碳排放占近80%,自然过程仅占6%;水平碳输出通量以能源制品、水产品和含碳废弃物为主,其总量呈明显下降趋势;④ 南京市历年城市碳输出均高于碳输入,且两者的差额呈现扩大趋势。总体而言,“隐流碳和加工需求碳”的比重有所下降,说明碳的利用率有所提升;⑤ 南京市碳补偿率明显下降,这表明自然生态系统的碳吸收能力不足以补偿人为活动的碳排放,城市碳循环压力在不断加大。

[ZHAO

R Q

, HUANG

X J

, PENG

B Z

Research on carbon cycle and carbon balance of Nanjing urban system

Acta Geographica Sinica, 2012, 67(6): 758-770.]

DOI:10.11821/xb201206004 [本文引用: 1]

Cities are areas where human energy activities and carbon emission concentrated. The study on carbon cycle of urban system is helpful to understand the role of cities in the regional carbon cycle process, and can provide theoretical reference for establishing urban carbon emission estimation standard and low-carbon urban development pattern. Based on the method of IPCC and other researches, systematic urban carbon storage and carbon flux estimation methods was established, carbon cycle of urban system of Nanjing city was studied, and carbon storage, carbon flux and carbon balance of Nanjing city were analyzed. The main conclusions can be drawn as follows. (1) The total carbon storage of Nanjing city presented a slow rising trend. In 2009, the total carbon storage was 6937?104 t, in which natural carbon storage accounted for 88%. Human carbon storage, especially the carbon pool in urban greenbelt and buildings presented a drastically increasing trend. (2) Vertical carbon input flux of Nanjing city mainly included photosynthesis and water carbon absorption. Lateral carbon input flux rapidly increased and reached 3043?104 t, in which carbon input by energy and timber increased and carbon input by food deceased. (3) Vertical carbon output flux rapidly increased and reached 3295?104 t, in which carbon emission by fossil energy use accounted for nearly 80%, but carbon from natural process only accounted for 6%, indicating that human carbon emission constituted the main part of urban vertical carbon flux. Lateral carbon output flux presented a declining trend, which included energy products, aquatic products and organic waste. (4) In the past years, the carbon output was higher than carbon input of Nanjing city, and the balance between them showed an expanding trend. Generally, the percentage of hidden carbon flow and the carbon needed for manufacturing decreased, which indicated that the carbon efficiency was increasing. (5) Carbon compensation rate of Nanjing city obviously decreased, which indicated that the terrestrial carbon sink function of Nanjing city were not enough to compensate the anthropogenic carbon emissions, and the carbon balance of Nanjing city was seriously disturbed, which caused the increase of carbon cycle pressure.

[26]

谢鸿宇, 陈贤生, 林凯荣, 等.

基于碳循环的化石能源及电力生态足迹

生态学报, 2008, 28(4): 1729-1735.

[XIE

H Y

, CHEN

X S

, LIN

K R

, et al.

The ecological footprint analysis of fossil energy and electricity

Acta Ecologica Sinica, 2008, 28(4): 1729-1735.]

[27]

段晓男, 王效科, 逯非, 等.

中国湿地生态系统固碳现状和潜力

生态学报, 2008, 28(2): 463-469.

[DUAN

X N

, WANG

X K

, LU

, et al.

Carbon sequestration and its potential by wetland ecosystems in China

Acta Ecologica Sinica, 2008, 28(2): 463-469.]

DOI:10.1016/S1872-2032(08)60025-6 URL [本文引用: 1]

[28]

韩召迎, 孟亚利, 徐娇, 等.

区域农田生态系统碳足迹时空差异分析: 以江苏省为案例

农业环境科学学报, 2012, 31(5): 1034-1041.

[HAN

Z Y

, MENG

Y L

, XU

, et al.

Temporal and spatial difference in carbon footprint of regional farmland ecosystem: Taking Jiangsu province as a case

Journal of Agro-Environment Science, 2012, 31(5): 1034-1041.]

[29]

CHUAI

X W

, FENG

J X

High resolution carbon emissions simulation and spatial heterogeneity analysis based on big data in Nanjing city, China

Science of the Total Environment, 2019, 686: 828-837, https://doi.org/10.1016/j.scitotenv.2019.05.138.

DOI:10.1016/j.scitotenv.2019.05.138 URL [本文引用: 2]

[30]

王堃, 高佳佳, 田贺忠, 等.

基于POI兴趣点的排放清单空间分配方法

中国环境科学, 2017, 37(6): 2377-2382.

[WANG

, GAO

J J

, TIAN

H Z

, et al.

An emission inventory spatial allocatemethod based on POl data

China Environmental Science, 2017, 37(6): 2377-2382.]

[31]

秦炳涛, 柳佳男.

长三角绿色发展效率时空演变及空间溢出分析: 基于Super-SBM模型和Tobit回归

生态经济, 2022, 38(11): 64-71.

[QIN

B T

, LIU

J N

Analysis on spatial and temporal evolution and spatial spillover of green development efficiency in the Yangtze river delta: Based on Super-SBM model and Tobit regression

Ecological Economy, 2022, 38(11): 64-71.]

[32]

李璐, 董捷, 徐磊, 等.

功能区土地利用碳收支空间分异及碳补偿分区: 以武汉城市圈为例

自然资源学报, 2019, 34(5): 1003-1015.

DOI:10.31497/zrzyxb.20190508 [本文引用: 1]

开展功能区土地利用碳收支评估并构建碳补偿分区优化框架,对于制定适应各功能区低碳策略、指导补偿额度流向、推动区域协调发展具有重要现实意义。以武汉城市圈县域为基本单元,在分析主体功能区划下土地利用碳收支空间分异特征的基础上,借助标准显示性比较优势指数法、SOM-K-means模型、二维关联矩阵等方法,对武汉城市圈进行了碳补偿类型区划分及优化。结果表明：武汉城市圈各县域土地利用碳排放总量地区差异显著,呈现“西高东低,中心最高”空间分布格局;主体功能区划下土地利用碳排放、碳吸收均具有明显空间分异特征,碳吸收与碳排放呈现出一定程度的相对空间分布趋势;武汉城市圈共有16个碳补偿支付区、11个碳补偿获补区以及12个碳补偿平衡区;结合主体功能区规划战略目标,最终形成7类碳补偿空间优化区,并对每一类型区提出了相应的低碳发展方向及策略。

[LI

, DONG

, XU

, et al.

Spatial variation of land use carbon budget and carbon compensation zoning in functional areas: A case study of Wuhan Urban Agglomeration

Journal of Natural Resources, 2019, 34(5): 1003-1015.]

DOI:10.31497/zrzyxb.20190508 URL [本文引用: 1]

[33]

林伯强, 孙传旺.

如何在保障中国经济增长前提下完成碳减排目标

中国社会科学, 2011, (1): 64-76, 221.

[LIN

B Q

, SUN

C W

How can China achieve its carbon emission reduction target while sustaining economic growth

Social Sciences in China, 2011, (1): 64-76, 221.]

[34]

卢俊宇, 黄贤金, 戴靓, 等.

基于时空尺度的中国省级区域能源消费碳排放公平性分析

自然资源学报, 2012, 27(12): 2006-2017.

DOI:10.11849/zrzyxb.2012.12.002 [本文引用: 1]

为深入了解各省级区域能源消费碳排放的差异性和公平性,论文通过对基尼系数内涵的扩展,构建碳排放公平性评价模型,计算1996-2008年能源消费碳排放的生态基尼系数和经济基尼系数,结果表明:从生态角度,能源消费碳排放的不公平程度逐渐减小,但仍然处于"高度不平均"状态;从经济角度,能源消费碳排放的不公平程度先上升后下降,位于"相对平均"区间。同时,提出经济贡献系数和生态承载系数以评价2008年各个省级区域能源消费碳排放的公平性和差异性,利用贡献系数矩阵对各个区域进行类型划分,阐述各个类别的特点,以期为国家制定区域差别化的节能减排政策提供依据,提升应对气候变化的整体能力。

[LU

J Y

, HUANG

X J

, DAI

, et al.

Spatio-temporal scale analysis on the equality of energy consumption carbon emission distribution in China

Journal of Natural Resources, 2012, 27(12): 2006-2017.]

[35]

王秋贤, 高志强, 宁吉才.

基于公平的中国省域碳排放差异模型构建探讨: 以中国2010年碳排放为例

资源科学, 2014, 36(5): 998-1004.

[WANG

Q X

, GAO

Z Q

, NING

J C

Model building discussions on the provincial differences of carbon emissions in China based on fairness for 2010

Resources Science, 2014, 36(5): 998-1004.]

[36]

董捷, 魏旭华, 陈恩.

土地利用碳排放地域差异下减排责任分摊研究: 以武汉城市圈为例

长江流域资源与环境, 2019, 28(4): 872-882.

[DONG

, WEI

X H

, CHEN

Research on the liability sharing of carbon emission reduction under the regional difference of land use carbon emission: A case study in Wuhan Urban Agglomeration

Resources and Environment in the Yangtze Basin, 2019, 28(4): 872-882.]