中国省域净碳汇效率时空演变及影响因素研究

任悦宁 ，张建勋 ，董宏杰 ，董旭娟,

（1.太原理工大学 建筑学院，山西 太原，030024；2.天津大学 建筑学院，天津 300072；3.西安建筑科技大学 西部绿色建筑国家重点实验室，陕西 西安 710055）

全球气候变暖问题日益严重，为防止未来气候变化幅度超过自然生态系统和经济社会发展所能承受的极限，造成不可逆转的后果，全球展开了关于低碳环境保护的研究（IPCC 2018）[1]。中国为建立健全绿色低碳循环发展经济体系在七十五届联合国大会上正式提出碳达峰、碳中和目标，其中如何兼顾经济发展与低碳目标是中国作为发展中国家重要的研究问题之一。

为兼顾经济发展和低碳目标，国内学者在构建模型计算碳源/碳汇总量和探析不同区域碳源/碳汇时空特征的基础上，进一步对碳排放脱钩关系、碳效率、净碳汇效率等内容进行研究。碳排放脱钩关系的研究从县域[2]、旅游业[3]、土地利用[4]等不同层面剖析中国碳排放与经济发展之间的关系，引导差异化控碳以实现碳中和目标。碳效率研究从国家、区域[5-6]、城市[7-8]、产业[9]等不同层面使用非径向模型进行低碳经济可持续发展评价，并将得到的评价结果使用空间计量模型等多种方法探究时空格局演变及影响因素[8]，以平衡经济发展与环境保护。净碳汇效率可以被理解为一种以较少的劳动资本投入和最小的环境代价达到经济效益最大的能力，即在投入产出不变的情况下，对环境的负面影响越小，则净碳汇效率越高。净碳汇效率相比较于碳效率的研究，在考虑碳排放的基础上增加了碳汇变化的影响，全面分析城市经济发展与生态环境之间的关系是否健康，对宏观调整发展结构以实现碳中和具有重要的意义。

对于净碳汇效率的研究，ZHANG 等[10]从空间相关视角出发，使用空间计量模型分析地级市城市净碳汇效率的影响因素，这种分析方法尽管能从整体上分析空间的相关性以及空间溢出效应，但是当分析的对象存在异质性特点时，容易将其异质性特点掩盖，导致结果被混合效应干扰[11]。因此，本文考虑异质性特征，对中国省级区域净碳汇效率进行宏观研究，直观地展现经济发展效率现状及其演变特征，分析不同因素对净碳汇效率的区域异质性影响，以便能够合理地配置资源，为各省实现低碳可持续发展提供区域政策参考。

1 数据和方法

1.1 研究区域与数据来源

1.1.1 研究区域

中国按照省、自治区、直辖市将全国划分为34 个省级行政单位，由于西藏自治区能源统计数据的缺失，以及台湾、香港、澳门地区面板数据的缺失，选取除这4 个区域外的30 个省份作为研究区域进行分析。

1.1.2 数据来源

采用2010—2020 年中国30 个省份的面板数据对净碳汇效率进行测算，在此基础上使用空间相关分析法分析净碳汇效率的空间格局，结合地理探测器探究净碳汇效率的影响因素。研究过程中共用到遥感、面板、行政边界三类数据，具体如表1 所示。

表1 数据来源

1.1.3 变量计算

（1）碳排放。各省份碳排放计量依据IPCC 2006 核算清单推荐的方法，数据采用历年《中国能源统计年鉴》中的地区能源平衡表。终端能源消费量包括27 种化石能源和电力、热力消费数据，并选择合适的碳排放因子进行计算，公式为：

式中：CE代表省份所有能源消耗碳排放量；i表示能源类型；ADi表示活动数据，即第i种能源的消耗量，百万吨；EFi表示第i种化石燃料的排放因子。本文采用的能源排放系数参考IPCC 收录的各种燃料的CO2排放系数[13]，热力排放系数的选取参考范凤岩[14]的研究，电力碳排放因子调整为最新的0.581 0 吨二氧化碳/兆瓦时[15]，其他能源碳排放因子参考陶东[16]的研究。

（2）碳汇。碳汇测算使用植被净初级生产力NPP数据，来源于美国国家航空航天局NASA 的MOD17A3HGF年度全球500 米产品（网址为https://ladsweb.modaps.eosdis.nasa.gov/），通 过MOD12Q1 和MOD15A2 两个上级数据输入得到[17]。算法通过读取MOD12Q1 获取土地覆盖类型（图1），读取MOD15A2H 获得叶面积指数（leaf area index）和光合有效辐射分数（fraction of absorbed photosynthetically active radiation），并输入气候数据，计算以8 天为单位的MOD17A2（MOD17 算法假设FPAR和LAI 在给定的8 天内没有变化），每年年底由8 天的MOD17A2 计算MOD17A3。

图1 MOD17A3HGF算法流程

使用ArcGIS 10.8 对MODIS 数据进行处理和计算，得到NPP 数据。通过研究MOD17A3HGF 的算法，数据无效值区域被识别为常年冰雪、贫瘠、稀疏的植物（岩石、苔原、沙漠），根据数据无效值区域的性质和占研究区域的比例，认为其缺失值对研究整体碳汇时空变化影响较小，因此忽略数据无效值部分进行分析。

（3）净碳汇效率。在计算碳排放、碳汇的基础上，使用超效率SBM 模型对各省份的净碳汇效率进行测度，通过设置投入、期望产出、不良产出构建模型[18]。选择劳动力、资本和能源作为投入要素，确定国民经济生产总值GDP 和碳汇量作为理想的产出要素，将二氧化碳排放量作为不良的产出搭建模型，如表2 所示。

表2 净碳汇效率测算指标

1.2 研究方法

1.2.1 超效率SBM模型

由于考虑非期望产出的超效率SBM 模型（Slack Based Model）对净碳汇效率的测度能够考虑松弛变量和不良产出，并且产生的效率值会超过1，克服了以往有效单位效率值为1 时无法比较的缺陷[19]，故使用超效率SBM 模型测度净碳汇效率，公式如下：

式中：中国净碳汇效率的决策单元DMU 为n个，其中投入变量为x，期望产出为y以及非期望产出为z；s-、sg、sb分别为投入、期望产出和非期望产出的松弛变量。

1.2.2 空间相关分析

空间自相关模型作为地理学和统计学知识融合的模型，能够分析空间上是否存在一定的关系，可用于分析净碳汇效率的时空特征。本文基于ArcGIS 10.8 通过莫兰指数衡量全局空间自相关：当Moran’s I 为正数时，表示在空间上呈集聚分布；当Moran’s I 为负数时，表示在空间上呈分散分布。使用聚类与异常值分析测度净碳汇效率在局部空间上的集聚和分散情况。冷热点分析Getis-Ord Gi*能够进一步识别空间分布时集聚、分散或是随机的，通过冷热点分析能够识别省域净碳汇效率热点与冷点的空间分布，Gi*(d)值为正表示高值集聚，即“热点区”；反之为低值集聚，即“冷点区”。

1.2.3 地理探测器

WANG 等[20-21]提出地理探测器这一探测空间分异的方法，能够探索自变量及因变量在空间分布上的相似性，并且能够分析两因子之间的相互作用关系，以及作用关系的强弱。由于净碳汇效率影响因素的内生性和共线性问题严重，使用该方法的优势在于其原理保证了其对多自变量的共线性免疫。因子探测主要分析不同影响因素对研究区域净碳汇效率空间格局的解释程度[22-23]。计算公式如下：

式中：q为影响要素对净碳汇效率的解释程度；n、σ2分别表示样本总量和方差；nh、σh分别表示第h层（h=1,2,…,L）的样本量和样本方差。q的取值范围为[0,1]，值越接近1 意味着该因子对省域净碳汇效率的影响越大，反之越弱。

2 净碳汇效率时空演变特征

2.1 碳源、碳汇及净碳汇效率总体特征

在计算碳排放量、碳汇量基础上测度净碳汇效率，分别对三者总量变化及时空分布特征进行分析，并探究三者的时空变化特征是否具有一定的关联性[24]。

2010—2020 年中国碳排放总量呈现波动上升趋势，碳排放总量从8 361.44 百万吨上升至12 001.60 百万吨，增长率为43.53%，具体表现为：2010—2014 年碳排放量增长较快；2014—2016 年，碳排放量增速减缓且出现下降趋势；2016—2020 年，碳排放量增速加快并持续增长[25-28]。2010—2020 年中国碳汇总量呈现波动上升趋势，碳汇量从3 330.07 百万吨上升至3 659.08 百万吨，增长了9.88%，具体表现为：2010—2013 年，碳汇总量呈现增长趋势；2013—2017 年，碳汇总量较为稳定，基本保持不变；2017—2020 年，碳汇总量波动上升[29-30]。总体来说全国碳汇总量增长相较于碳排放总量较为缓慢（图2）。

图2 2010—2020年中国碳汇量和碳排放量变化图

在碳排放与碳汇计算基础上结合社会经济数据，利用考虑非期望产出的超效率SBM 模型，并借助MaxDEA 软件测算全国30 个省份2010—2020 年的净碳汇效率。根据结果（图3）可知：中国净碳汇效率值总体偏低，区域差异性明显，呈现净碳汇效率西南及东北区域高，中间偏东区域低的格局（以中国人口地理界限为轴，两端高中间低）；青海、云南、黑龙江、内蒙古、四川、福建、海南（高值＞0.55）属于全国净碳汇效率的高值区域，天津、山东、江苏、河北、宁夏、浙江、河南（低值＜0.3）属于全国净碳汇效率的低值区域。

图3 2010年、2015年、2020年中国省域碳源、碳汇及净碳汇效率空间分布

2010—2020年净碳汇效率整体处于上升趋势。其中：浙江、山东、广西、海南、新疆呈现明显的下降趋势；天津、山西等中国人口地理界限的东侧中部多个省份呈现明显的上升趋势，属于人口较多、人口密度较大区域，可以侧面说明人的主观能动性对净碳汇效率存在影响，通过宏观调控人的行为活动可以提升净碳汇效率；而其余省份的变化趋势不显著（图4）。

图4 2010—2020年净碳汇效率演变

分析碳源/碳汇和净碳汇效率时空特征（图3）可以发现，净碳汇效率的低值分布与碳排放量的高值分布相似，而净碳汇效率的高值分布与碳汇水平的高值分布相似，通过宏观调整各影响因素控制碳排放量与碳汇量直接影响净碳汇效率。因此改善生态环境和减少固定人口基数下人们必要活动产生的碳排放，对净碳汇效率的影响较为有限；而社会发展等由人力形成的要素影响作用较大，因此人口密度较高地区对生态环境影响较多，效率值相对较低且人口密度较大的东中部地区具有较高的提升空间。

2.2 净碳汇效率空间格局分析

2.2.1 空间总体格局

使用ArcGIS 10.8 对中国省域净碳汇效率空间特征进行空间自相关分析，采用全局莫兰指数刻画净碳汇效率的空间相关性。2010—2018 年净碳汇效率呈现显著的空间自相关性，Moran’s I 指数均大于零且在95%的水平上通过显著性检验，指数波动较小（图5）。但是，2019—2020 年莫兰指数呈现负数。猜测导致2019 年和2020 年空间自相关分析异常是由于北京、上海两个地区净碳汇效率在2019—2020 年突然增高，经检验，若北京、上海两地数据保持之前数值，莫兰指数降低，但空间上仍然存在集聚特征。通过分析北京、上海投入产出指标可以发现，变化较为明显的指标是GDP 的增长、二氧化碳排放的降低以及碳汇水平保持在较高水平，可以发现最大经济增长的同时保证高水平的碳汇量以及较低的碳排放量，净碳汇效率就会显著增高。

图5 2010—2020年莫兰指数与平均净碳汇效率趋势变化

通过计算平均净碳汇效率（表3）可知，2010—2012年净碳汇效率呈现降低趋势；2012—2017 年基本没有发生变化，处于平稳状态；2017—2020 年呈现持续增长趋势。平均净碳汇效率与净碳汇效率的空间集聚程度出现负相关的现象，净碳汇效率升高莫兰指数降低，净碳汇效率降低莫兰指数升高。猜测净碳汇效率的高低与自然环境和社会发展息息相关，但是通过政策推出、工业污染治理、节能环保支出、产业结构等要素的调整，不同区域可以提升净碳汇效率，此时随着净碳汇效率的提升，空间集聚效应将会减弱。

表3 Moran’s I指数空间相关性分析

2.2.2 空间集聚特征

使用ArcGIS 10.8 对省级区域净碳汇效率进行高/低聚类分析，可得区域净碳汇效率存在低聚类模式。在此基础上进行热点分析（Getis-Ord Gi*），通过冷热点的空间分布可以看出，净碳汇效率值冷点集聚于中国的东部地区，即以北京为中心的京津冀“首都经济圈”（即北京、天津、河北等地）与以上海为中心的“长江三角洲经济带”（即上海、江苏、浙江等地）。净碳汇效率热点集聚于云南、海南等地，分为两种类型，一种是人口密度低的人稀地广区域，如新疆、青海；另一种是碳汇能力强且城市化水平较低的区域，如四川、贵州、云南。

通过冷热点的时序变化（图6）发现，2010—2020 年中国净碳汇效率值的冷热点集聚程度逐渐下降。2010—2020 年净碳汇效率值冷点区域从集聚区域北侧开始一直减少，到2020 年冷点以河南、安徽为中心呈现集聚特征。2010—2015 年净碳汇效率值热点从新疆、四川消失，演变为云南、贵州、广西等地分布的格局，2015—2020年热点逐渐消失。全国净碳汇效率整体呈现提升状态，低值省份逐渐减少。

图6 2010年、2015年、2020年中国省域净碳汇效率的热点分析

如图7 所示，在净碳汇效率全局自相关分析的基础上，进行空间聚类与异常值分析（Anselin Local Moran’s I）发现：2010—2020 年中国省域净碳汇效率存在显著的空间自相关关系，变化不明显，高—低集聚和低—低集聚是主要的局部空间自相关类型，另外也存在高—高集聚类型。高—低集聚主要存在于中国的北部地区，如内蒙古、陕西等省份；低—低集聚存在于中国的东部地区，以北京、上海为中心的周边省份，如河北、山西、河南、山东、安徽、江苏、浙江等省份。高—高集聚现象多存在于中国的西部地区，如四川、云南、贵州等省份。高—低集聚和低—低集聚区域基本没有变化，而高—高集聚由新疆转向四川等地后又出现在新疆，变化不稳定。

图7 2010年、2015年、2020年中国省域净碳汇效率的LISA集聚图

西南地区城市化水平较低，建成区域占比较少，绿化覆盖植物固碳能力较强，且能源消费结构较为清洁，制造工业的集聚程度较低使得该地区的净碳汇效率较高。而东部地区城市建设水平一方面挤占了植物生长空间，降低了植物固碳水平，另一方面二、三产业的发展能源消耗高、排放强度大，使得东部地区成为低—低集聚的集中区域。西部地区净碳汇效率较低，该区域碳汇水平一般，碳排放相对较高，能源消费水平随着城市发展得到较大提高，但能源利用和降碳技术的改进相对发达地区具有滞后性，在一定时期内碳排放水平突破路径依赖的瓶颈具有难度。

3 净碳汇效率影响因素分析

3.1 净碳汇效率影响因素选取

既有研究从城市化发展[31-39]、环境规制[40-42]等方面对碳效率进行研究，其中对于经济产业结构的研究次数最多，经济发展水平、社会投资水平、城市建设情况和科学技术进步均是研究关注的重要内容，此外，人口城市化率、人口密度、劳动产业结构、工业污染治理、科学技术投资也是研究关注的内容，少数研究者关注到交通水平影响人们的生活生产效率。

为全面分析不同要素对净碳汇效率的影响，结合既有研究选取以下变量作为中国净碳汇效率的潜在影响因素（表4）。

表4 变量和指标说明

依据要素性质及其属性从城市发展水平、产业结构现状、金融投资水平和技术发展情况4 个维度进行分析。其中对于经济产业结构的分析与多数已有研究不同，并非单一使用第二产业经济比值进行研究，而是采用第三产业产值与第二产业产值的比值表征经济产业结构，并分析产业结构调整对净碳汇效率的影响。

3.2 净碳汇效率影响因素分析

在我国省域净碳汇效率空间分异及空间集聚特征的基础上，使用地理探测器的因子探测与双因子交互探测，识别影响净碳汇效率的主导因素以及分析双因子交互区域差异化影响作用。使用ArcGIS 10.8 中提供的自然间断点分级法，将选取的12 个影响因素指标进行数据离散化处理，均分为5 个层级，并运用地理探测器方法计算，探究其影响强度及影响的空间异质性特征。

3.2.1 主导因素识别

通过地理探测器的因子探测分析这些因素，判断其对净碳汇效率是否存在影响，其中q值代表自变量X对属性Y的解释能力，q值越大表示X对Y的解释力越强，反之则越弱。首先针对2010 年、2015 年、2020 年净碳汇效率的影响因素均进行因子探测分析，12 个因素均通过5%的显著性检验，可以看出净碳汇效率的主要影响因素虽然个别顺序调整但是基本没有发生改变，因此进一步细致地分析采用最新2020 年的数据。

通过数据整理得出，q值大于0.1 的有9 个影响因素，影响程度从大到小依次为X1＞X10＞X6＞X5＞X7＞X2＞X12＞X11＞X4，如表5 所示。

表5 中国省域净碳汇效率影响因子探测结果

影响程度最高的因素是人口城市化率，即城市人口与总人口的比值，人口城市化率为30%～70%为城市化中期阶段，多数省份均处于这个阶段，城市化速度快，城市发展的同时工业化也在加速发展，工业能耗增加，随着大量农村人口涌入城市，生活能耗也在不断增加[27]；紧接着是工业污染治理，工业污染治理完成投资是净碳汇效率提升的重要因素，提高工业污染治理投资可以减少产业发展时产生的二氧化碳；经济发展产业结构，即第三产业GDP 与第二产业GDP 占比情况，其变化对发展与环境两者关系具有直接影响作用，是净碳汇效率的重要影响因素。社会投资水平、经济发展水平、公共预算支出这3 个因素q值较小，但均具有显著性，是影响净碳汇效率的因素之一。

3.2.2 交互作用探测

交互探测用来识别不同影响因素之间的交互作用，评估两个因子共同作用是否增强对净碳汇效率的解释力。通过计算两个自变量对因变量的q值，两自变量交互的q值，q值间相互比较，分为非线性减弱、单因子非线性增强、双因子增强、独立、非线性增强5 种探测结果。

选用2020 年的数据经过地理探测器交互探测后发现，各影响因素在净碳汇效率空间格局的演化过程中存在交互作用，不同影响因素两两之间交互后的解释力明显增强，没有出现减弱现象，且多数因子与其他空间因子相互叠加后会产生非线性增强作用，表明净碳汇效率是多种因素共同作用的结果（图8）。

图8 交互作用探测结果

其中，单因子解释力最强的是人口城市化率（q=0.530），其次是工业污染治理（q=0.481），与其余因子交互后作用更强，说明净碳汇效率空间格局主要受人口城市化率和工业污染治理与其他因子的共同作用。节能环保支出（q=0.063）、经济产业结构（q=0.070）在单因子探测中影响力最弱，但是与其他因子交互作用后影响力呈现非线性增强；生活交通水平（q=0.299）单因子影响力一般，但与其余因子交互作用后影响力呈现非线性增强。说明节能环保支出与其他因素相互作用可以提高净碳汇效率；经济产业结构对社会经济发展与碳排放类型起到重要影响作用，通过调整经济产业结构能够提高净碳汇效率；生活交通水平能够对人们生产生活起到促进作用，但是需要与城市经济发展相匹配。节能环保支出和经济产业结构交互（q=0.822），说明经济产业结构和环保支出的合理安排可以高效地提高净碳汇效率；经济发展水平和人口城市化率交互（q=0.790），说明城市人口聚集城市促进经济发展，造成生态环境变化以及污染排放，但单一的经济发展水平对净碳汇效率的影响并不显著，而与城市化水平结合后，更能够反映人类活动对环境的影响。

双因子交互探测中城市化水平与工业污染治理的交互效应最大（q=0.895），因此，在城市发展的同时应该注重工业污染治理，才能实现工业可持续性发展；其次是经济发展产业结构与外资强度（q=0.887）、经济发展产业结构与科学技术投资（q=0.868），因此，需要调整产业结构的同时和外资强度与科学技术投资相结合，利用有效的资源实现可持续发展的效益最大化。

4 结论与建议

4.1 结论

本研究采用超效率SBM 模型对中国30 个省份的净碳汇效率进行估算，从地理空间角度分析净碳汇效率的时空分布特征，应用地理探测器研究影响净碳汇效率的社会经济因素及其相互作用，主要的研究结论如下所示。

（1）从时空变化上可以看出，中国碳排放总量与碳汇总量均在持续增长，碳汇总量增长速度较慢，碳排放总量增长速度较快，两者增长速度相差较大，反映出多数省份经济发展与环境保护的关系仍然在发展阶段。2010—2020 年全国净碳汇效率整体处于上升趋势，但总体偏低，并且区域差异性明显，呈现净碳汇效率西南及东北区域高，中间及东部沿海区域低的格局；热点区域显著减少，冷点区域减少并向南移动，主要集聚于河南、安徽等地。

（2）通过因子探测分析可以发现，城市化水平、工业污染治理、经济发展产业结构、生活交通水平、从业人员产业结构、人口密度、科学技术进步、节能环保支出、城市建设情况、外资强度、经济发展水平、科学技术投资12 个因素均对净碳汇效率具有解释作用，其中，城市化水平、工业污染治理和经济发展产业结构是净碳汇效率空间分异的主要解释因子，而外资强度、人均经济发展水平和节能环保支出的空间分异解释力最小。

（3）通过分析因素的相互作用发现，净碳汇效率的提高是城市发展、产业结构、金融投资、技术进步等多种要素共同作用的结果，影响因素之间均存在双因子交互作用增强效应，双因子交互作用对净碳汇效率的影响均大于单因子的影响，其中城市化水平与工业污染治理的交互效应最大，其次是经济发展产业结构与外资强度、科学技术投资的交互效应。

不同地区因素的影响作用有一定的差异性，因此需要根据区域差异化特征制定发展计划，提高政策和计划的精准性和有效性，以实现碳中和目标。使用地理探测器分析影响因素对净碳汇效率的交互影响，从碳排放及碳汇变化角度，结合碳排放控制潜力与碳汇增长潜力对省域层面碳中和发展进行宏观的控制与调整，为实现科学可持续发展，提供有益参考。

4.2 建议

以上对净碳汇效率的研究可宏观展现中国各省份经济发展与环境保护之间的关系及可持续发展效益，为实现碳中和目标，净碳汇效率的优化策略应该结合区域特征以及影响机制差异而有所侧重，因此，根据净碳汇效率的空间分异性提出差异化优化建议。

（1）加强对东中部地区的宏观调控。根据净碳汇效率的空间格局以及效率值特征可知，效率值相对较低且人口密度较大的东中部地区具有较高的提升空间，应该加强辽宁、河北、山东、江苏、浙江等东中部地区对各要素的宏观调控，保证要素之间相互协调，提升净碳汇效率达成低碳发展的高效状态。

（2）给予西南和东北区域更多的发展机会。净碳汇效率提升最显著的途径是碳源和碳汇两个方面同时作用，从碳汇的角度看，西南和东北区域碳汇总量高，净碳汇效率较高且经济不发达，最可能实现碳中和。中国中部和东部地区经济发展速度较快，二氧化碳排放量持续增加，可以将更多的发展机会和发展空间向西南和东北区域如云南、黑龙江等转移。

（3）合理利用产业结构调整和环境规制工具。产业结构和其他要素交互作用影响大，为有效提高净碳汇效率，在促进产业结构升级的同时，与外资强度、科学技术投资配合调整，积极引导企业提升环保技术占创新投入的比值；采取差异化的环境规制工具，根据不同省份城市化水平调整工业污染治理水平，加大环境监管力度和鼓励绿色创新。

本文从宏观调控角度，通过分析影响因素的分层异质性探究各要素对净碳汇效率的影响强度和交互影响效应，但是没有细致地说明各因素怎样协同调整才能达到最佳状态，即经济效益最大的情况下环境代价最小以及成本投入最小，其影响机理有待进一步深入研究。