中国三大城市群公路货运碳排放时空特征分析——基于NPP-VIIRS数据的研究

吕倩，王涛

(1.北京信息科技大学 信息管理学院，北京 100192；2.北京市工贸技师学院 机电分院，北京 100097)

0 引言

由温室气体排放引起的全球气候变暖是当今人类社会面临的共同挑战。作为世界上最大的发展中国家和最大的碳排放国，我国主动应对气候变化，积极承担国际减排责任[1]。交通运输部门作为仅次于工业部门和能源供应部门的第三大温室气体排放源[2-3]，是中国节能减排的重要领域[4]。然而相较于更强调清洁化能源使用的客运[3]，我国货物运输在碳减排目标实现上还存在种种问题[5]。2019年全国货物量构成中，公路货运占比72.88%，支撑了中国大部分的货物运输[6]。与此同时，城市作为物质交换和能源消耗最集中的区域，承担着大量交通运输任务[7]。城市群在促进货运繁荣发展的同时，也承担着巨大的减排压力。由此可见，精准化估算城市群公路货运碳排放时空分布特征，对于有效控制城市交通运输业碳排放量、尽早实现中国碳达峰目标具有重要现实意义。

众多研究采取“自下而上”方法结合统计数据计算不同尺度的货运碳排放量[5,8,9]。欧国立等[10]指出京津冀地区货运碳排放存在较大的地区差异；欧阳斌等[11]提出低碳交通运输要以公路货运为突破重点。Zhang等[12]进一步指出精准化测量公路交通碳排放仍然存在障碍，需要统一计量标准和口径。与此同时，为了提高估算精准性，越来越多学者考虑采用遥感数据估算碳排放量[13-15]。具体到货运部门，Tian等[16]结合美国国防气象卫星计划线性扫描业务系统(defense meteorological satellite program—operational linescan system，DMSP-OLS)夜间灯光数据对省级公路货运量进行拟合，结果表明二者紧密相关；Shi等[17]则指出修正后的美国国家极轨运行环境卫星系统预备计划可见光红外成像辐射仪(national polar-orbiting operational environmental satellite system preparatory project—visible infrared imaging radiometer suite，NPP-VIIRS)数据比DMSP-OLS数据更适合于货运量的建模。总体而言，众多研究表明夜间灯光数据是模拟公路货运量的有效工具，但并没有进一步对夜间灯光数据能否模拟公路货运碳排放量进行分析。

已有不少学者对货运碳排放时空演变特征进行了广泛研究[18-20]，如余跃武等[21]从省级尺度探讨了公路货运碳排放重心转移轨迹；王勇等[22]则对东北三省公路、铁路等不同运输方式的碳排放进行研究。在此基础上，郑梦柳等[23]尝试采用设置权重得到市级货运周转量，但权重测算方法具有一定的局限性。

本文选取京津冀、长江三角洲(长三角)和珠江三角洲(珠三角)三大城市群作为研究对象，以NPP-VIIRS夜间灯光数据为切入点，系统分析2012-2020年三大城市群公路货运碳排放时空演变特征，拟为精准制定交通碳减排政策提供数据基础，并选取典型城市作为城市碳达峰示范，旨在为其他城市群提供借鉴和参考。

1 数据来源与研究方法

1.1 研究区域

本文借鉴中国城市群已有研究成果[24]，选取京津冀、长三角和珠三角为研究对象，包含8个省(直辖市)共54个城市。

1.2 数据来源

本文所使用的NPP-VIIRS数据均来源于美国国家地理数据中心(National Geophysical Data Center，NGDC)官方网站。经过预处理，可以得到中国2012-2020年校正后的NPP-VIIRS夜间灯光数据集。校正后遥感影像像元亮度值(digital number，DN)总值如图1所示。

图1 校正后2012-2020年NPP-VIIRS 数据DN总值

2012-2020年三大城市群的公路货运周转量来源于《中国统计年鉴》；单位能耗来源于《交通运输行业发展统计公报》；碳排放因子数据来源于《中国能源统计年鉴》等。

1.3 模型与分析

1.3.1 城市群碳排放估算模型构建

本研究采用燃料消耗量法测算2012-2020年三大城市群公路货运碳排放量：

(1)

进一步，使用NPP-VIIRS数据和公路货运碳排放统计数据构建城市群碳排放估算模型。估算假设条件参考了施开放[25]等的假设基础，即DN值与碳排放量存在着一种紧密的相关性，如式(2)所示。三大城市群NPP-VIIRS数据和公路货运碳排放的统计关系如表1所示。其中a、b、c分别为估算公式系数；R2为拟合优度。

(2)

式中NDN为像元值。

表1 三大城市群NPP-VIIRS数据与公路货运碳排放拟合关系

由表1可知，三大城市群NPP-VIIRS数据与公路货运碳排放的拟合优度分别达到了0.676 2、0.936 2和0.558 5，表明模型估计效果良好，结果有效，NPP-VIIRS数据与公路货运碳排放存在显著的相关性，这与原假设具有一致性。

为验证本文碳排放估算模型的可靠性，选用国内生产总值GDP作为比较指标进行稳健性检验，具体拟合公式如式(3)所示。GDP与公路货运碳排放的统计关系如表2所示。

CG=aNGDP2+bNGDP+c

(3)

式中NGDP为国内生产总值。

表2 三大城市群GDP与公路货运碳排放拟合关系

由表2 可知，除珠三角城市群GDP与公路货运碳排放拟合优度0.674 3略高于NPP-VIIRS数据的0.558 5，京津冀和长三角城市群NPP-VIIRS数据估算公路货运碳排放的效果均优于使用GDP估算的效果。

进一步计算京津冀、长三角和珠三角城市群使用本文模型估算碳排放量与统计碳排放量的均方根误差，分别为210.98、25.32和90.03，误差水平较低。由此可见基于NPP-VIIRS数据估算城市群公路货运碳排放模拟精度良好，可以用来开展进一步研究。

为保证空间统计单元碳排放量的一致性，本文对栅格尺度碳排放进行线性调整，生成省级尺度碳排放零误差模型(空间分辨率为1 km×1 km)，使DN像元值能够代表栅格尺度碳排放：

(4)

Cgridq=Cgrid0·KC

(5)

式中：KC为q省的调整系数；Cq和C0分别为q省的碳排放统计值和反演值；Cgridq和Cgrid0分别为q省调整后的碳排放栅格统计值和栅格反演值。本文以所得碳排放反演值进行后续空间分布方向性分析。

1.3.2 空间分布方向性分析

空间分布方向性分析可以揭示地理元素的空间分布性特征，标准差椭圆法(the standard deviational ellipse method，SDE)是其中的经典方法之一[26-28]，主要用椭圆的圆心、轴线和旋转角度来表示元素的分布特征。在SDE方法中，椭圆的大小反映要素的集中程度，椭圆的长轴表示要素分布的主导方向，X轴与Y轴之间差值越大，表明地理要素的方向性越强。本文采用标准差椭圆法分析公路货运碳排放的空间分布性特征。具体计算公式如下：

(6)

(7)

(8)

(9)

(10)

(11)

(12)

(13)

1.3.3 线性倾向分析

为明确公路货运碳排放的时间变化趋势，利用线性倾向估计进行碳排放时间趋势分析。线性倾向值即SLOPE值用最小二乘法估计，如式(14)所示：

(14)

式中：k为碳排放倾向值；n为总年份数，在本文中取值为9；i为年份序号，本文中2012年为第1年，后续年份依次取值；Ci代表第i年对应的碳排放量。

表3 碳排放倾向值等级划分标准

2 结果与讨论

2.1 栅格尺度

依据省级尺度碳排放零误差模型得到2012-2020年三大城市群栅格尺度下公路货运碳排放分布。总体来看，2012-2020年三大城市群公路货运碳排放均呈散发增长趋势。京津冀城市群碳排放主要集中在河北省南部和天津市，并逐步呈现星网状增长特征。长三角城市群碳排放2012年主要在西部的安徽省区域，而2020年则呈现出整体星网状散发增强趋势。2012-2020年珠三角城市群碳排放以广州和深圳为中心呈现散发增强趋势，广州和深圳仍然是珠三角的工业、经济和物流运输中心，对于其他城市辐射程度有限。可以发现，三大城市群栅格尺度碳排放分布特征与区域公路货运水平现实相符。

2.2 市级尺度

2.2.1 总体特征

三大城市群公路货运碳排放总量由2012年的1 599.25万t增长为2020年的1 830.31万t，具体如图2所示，全国占比由26%增长为30.54%，表明了这些区域碳达峰目标的实现及减排压力巨大。

图2 三大城市群公路货运碳排放量总体特征

2.2.2 区域差异

三大城市群公路货运碳排放存在显著的区域差异特征，如表4所示。京津冀城市群碳排放最高的城市为唐山市，也即该区域的重要减排城市。长三角城市群碳排放高的城市由合肥市增加了上海市、舟山市和苏州市，呈现两点状分布。珠三角城市群碳排放最高的城市为广州市，其次为佛山市、东莞市和深圳市，以此为中心向周边城市辐射。

表4 三大城市群公路货运碳排放区域差异

2.3 碳排放变化趋势

按照线性倾向估计方法计算得出三大城市群54个城市的SLOPE值，进一步按照自然断点法得到2012-2020年城市公路货运碳排放增长类型，如表5所示。

表5 三大城市群碳排放总量增长类型

由表5可知，三大城市群54个城市中，1个城市属于较快增长型，10个城市属于中速增长型，7个城市属于缓慢增长型，其余36个城市属于较慢增长型。

2.4 碳排放分布方向特征

采用SDE方法描述三大城市群空间分布方向性特征，得出椭圆的面积、中心点、X轴长度、Y轴长度和椭圆的方向角度如表6所示。

表6 碳排放分布方向性参数

对于京津冀城市群来说，公路货运碳排放整体呈现向西北方向移动趋势，生成的椭圆主趋势向廊坊、保定和石家庄方向偏移。对于长三角城市群来说，公路货运碳排放整体呈现向东北方向移动趋势，生成的椭圆主趋势向苏州、上海方向偏移。对于珠三角城市群来说，公路货运碳排放整体呈现向东北方向移动趋势，生成的椭圆主趋势向广州、东莞和深圳方向偏移。

3 结束语

本文综合运用NPP-VIIRS夜间灯光数据，结合统计数据，构建三大城市群公路货运碳排放估算模型，估计效果良好。卫星遥感数据和统计数据可以为城市群精细化碳排放估算和预测提供良好支撑。针对城市统计数据的局限性，与郑梦柳等[23]学者采用依据省级数据设置权值得到市级货运碳排放不同，本文采用NPP-VIIRS遥感数据对市级公路货运碳排放进行栅格级模拟估算，相比Kellner等[29]学者提出的依据“距离”分配货运碳排放，更具有客观性和时效性。研究结果表明，栅格尺度来看，2012-2020年京津冀城市群碳排放主要集中在河北省南部和天津；长三角城市群碳排放呈现出整体星网状散发增强趋势；珠三角城市群碳排放则以广州和深圳为中心呈现散发增强趋势。京津冀城市群碳排放重心整体向西北方向移动；长三角城市群碳排放重心整体向东北方向移动；珠三角城市群碳排放重心整体向东北方向移动。与曾晓莹等[18]学者的研究结论相似，华东和华北是货运碳排放大区，上海、天津和广州是高碳城市。在珠三角城市群中，广州是主要的公路货运碳排放城市，这与黄莹等[30]学者的研究具有相似性。相比余跃武等[21]从省级尺度分析我国公路货运碳排放方向性特征，曾晓莹等[18]学者从省级层面分析交通碳排放时空特征，本文从更精细的城市群尺度入手，指出公路货运方向性分布趋势，拟为精准制定交通碳减排政策提供数据基础。

随着卫星遥感技术的不断发展，政府部门应积极利用多源夜间灯光数据，和统计数据相结合构建城市群公路货运碳排放动态监测系统，为城市群乃至全国的交通运输碳排放动态监测和政策制定提供借鉴和参考。同时，针对京津冀城市群货运结构以公路为主的现状，应持续优化运输结构、实现多式联运；长三角和珠三角应进一步依靠其区位优势，提高城乡物流配送效率，实现公路货运绿色低碳转型。考虑到唐山市作为资源型城市，货运需求旺盛，重点需要优化其产业结构和货运结构，淘汰更新老旧柴油货车，实现节能减排；合肥市、上海市、舟山市和苏州市应持续推进货物运输“公转铁”、“公转水”，实现低碳降耗的货运结构；广州市、佛山市、东莞市和深圳市应积极发展多式联运，推动清洁能源使用，并进一步推动船舶和港口绿色改造。