鄧光耀 陳剛剛

1.蘭州財經(jīng)大學(xué)甘肅經(jīng)濟(jì)發(fā)展數(shù)量分析研究中心 甘肅蘭州 730020；2.蘭州財經(jīng)大學(xué)統(tǒng)計學(xué)院 甘肅蘭州 730020

近年來，氣候變暖的加劇在全球引發(fā)了一系列經(jīng)濟(jì)、社會和環(huán)境問題，已經(jīng)嚴(yán)重威脅著人類的生存和可持續(xù)發(fā)展。人類活動產(chǎn)生的能源消耗碳排放是溫室氣體的主要來源，也是導(dǎo)致全球氣候變暖的主要原因之一[1]?！栋屠鑵f(xié)定》呼吁全球溫室氣體排放盡快達(dá)峰，以21世紀(jì)后半葉實現(xiàn)全球凈零排放為長遠(yuǎn)碳減排目標(biāo)，以締約方國家自主決定貢獻(xiàn)為近期目標(biāo)[2]。根據(jù)能源統(tǒng)計數(shù)據(jù)，中國的能源消費總量和能源消費碳排放量分別從1980年的5.86 億噸標(biāo)準(zhǔn)煤和7.4 億噸增加到2020年的49.8 億噸標(biāo)準(zhǔn)煤和99 億噸，2020年能源消費碳排放量占全球總排放量的30.9%[3]。為了對全球生態(tài)文明和構(gòu)建人類命運共同體做出中國貢獻(xiàn)，2020年9月22日，國家主席習(xí)近平在第75 屆聯(lián)合國大會一般性辯論上發(fā)表重要講話時提出，中國將提高國家自主貢獻(xiàn)力度，采取更加有力的政策和措施，CO2力爭于2030年前達(dá)到峰值，努力爭取2060年前實現(xiàn)碳中和。

城市群作為國家工業(yè)化和城鎮(zhèn)化轉(zhuǎn)型發(fā)展到高級階段的產(chǎn)物，是國家和地區(qū)經(jīng)濟(jì)發(fā)展的增長極[4]。當(dāng)前國內(nèi)外學(xué)者針對中國城市群碳排放的研究主要集中在長三角[5]、珠三角[6]、京津冀[7,8]等經(jīng)濟(jì)發(fā)達(dá)的城市群，對于中、西部城市群碳排放的研究較少。蘭州—西寧城市群（下述簡稱“蘭西城市群”）作為我國西部重要的跨省區(qū)城市群，是我國西部重要的生態(tài)屏障，也是黃河上游重要的工業(yè)和能源基地，正處于經(jīng)濟(jì)體制轉(zhuǎn)型和產(chǎn)業(yè)結(jié)構(gòu)優(yōu)化升級的關(guān)鍵時期，同時，該地區(qū)也是生態(tài)環(huán)境保護(hù)和污染防治的重點區(qū)域[9]。蘭西城市群的綠色轉(zhuǎn)型無論對推進(jìn)黃河流域高質(zhì)量發(fā)展，還是對甘、青兩省加強環(huán)境治理和生態(tài)保護(hù)都具有重要的現(xiàn)實意義，因此，對蘭西城市群能源消費碳排放問題展開研究必要且迫切。

夜間燈光數(shù)據(jù)與能源消費碳排放之間存在較強的相關(guān)性，這為利用夜間燈光數(shù)據(jù)估算碳排放提供了科學(xué)依據(jù)。如Elvidge 等和Doll 等早期研究發(fā)現(xiàn)，夜間燈光亮度值（Digital Number，DN）與碳排放具有較強的相關(guān)性[10]，二者的擬合優(yōu)度達(dá)到0.84[11]。Zhao 等研究發(fā)現(xiàn)當(dāng)DN 值介于3 到50 之間時DN 值與CO2線性相關(guān)，當(dāng)DN 值介于51 到63 之間時DN 值與CO2指數(shù)相關(guān)[12]。蘇泳嫻研究發(fā)現(xiàn)DN 值與CO2之間存在較強的線性相關(guān)關(guān)系，擬合優(yōu)度達(dá)到0.818[13]。馬忠玉和肖宏偉構(gòu)建了中國分省DN 值與人均碳排放和單位面積碳排放之間的時空地理加權(quán)回歸模型，發(fā)現(xiàn)兩個模型整體效果較好，擬合優(yōu)度分別達(dá)96.74%和99.24%[14]。因此，利用夜間燈光數(shù)據(jù)估算區(qū)域碳排放量具有一定的科學(xué)性和可行性。

目前，國內(nèi)外學(xué)者利用夜間燈光數(shù)據(jù)對能源消費碳排放的研究主要集中在碳排放估算[7][8][13][15?18]、時空分布特征[7][8][13][16?18]以及影響因素[7][16][18]等主題上。蘇旭冉和藺雪芹基于DMSP/OLS 夜間燈光影像，對京津冀地區(qū)的能源消費碳排放進(jìn)行了估算，發(fā)現(xiàn)1992—2012年該地區(qū)碳排放呈增長趨勢，人口規(guī)模和城鎮(zhèn)化水平是碳排放增長的主要推動力[7]。Cui 等基于NPP/VIIRS 夜間燈光影像，估算了2012—2016年華北地區(qū)集中供熱碳排放，結(jié)果表明，北京、天津、石家莊和青島碳排量最多[15]。于博等利用NPP/VIIRS夜間燈光影像，對哈爾濱—長沙城市群縣級尺度碳排放量進(jìn)行模擬研究，發(fā)現(xiàn)該城市群2012—2016年碳排放總量呈下降趨勢，碳排放表現(xiàn)出顯著空間正自相關(guān)，人口密度和經(jīng)濟(jì)水平對碳排放具有顯著的正向影響[16]。呂倩和劉海濱利用DMSP/OLS 和NPP/VIIRS 夜間燈光影像，分別對京津冀縣級尺度（2000—2013年）和黃河流域多級尺度（1995—2016年）能源消費碳排放進(jìn)行模擬研究，發(fā)現(xiàn)京津冀縣級尺度碳排放的空間正自相關(guān)性在不斷減弱[8]，黃河流域多尺度碳排放的空間正自相關(guān)性在不斷增強[17]。杜海波等利用DMSP/OLS 與NPP/VIIRS 夜間燈光影像，對黃河流域碳排放量進(jìn)行模擬研究，發(fā)現(xiàn)2000—2018年黃河流域碳排放總量在不斷上升，但增長速度呈下降趨勢，經(jīng)濟(jì)發(fā)展水平為碳排放空間分異的主導(dǎo)因子[18]。

能源消費碳排放受到經(jīng)濟(jì)發(fā)展水平、人口狀況、能源強度、產(chǎn)業(yè)結(jié)構(gòu)、城鎮(zhèn)化水平、投資結(jié)構(gòu)等諸多因素的影響[5?7][16][18?21]，既有關(guān)于碳排放影響因素的研究大多從空間異質(zhì)性的角度出發(fā)，一般基于結(jié)構(gòu)分解模型和計量檢驗對碳排放影響因素和影響機制進(jìn)行分析驗證，對多個影響因子的空間分異格局解釋力相對重要性判定關(guān)注不足[22]，影響因子之間可能存在的復(fù)雜交互作用亦需進(jìn)一步深化。地理探測器作為探測空間分異性、揭示其背后驅(qū)動力的一組統(tǒng)計學(xué)方法，通過分別計算和比較各單因子的驅(qū)動力及兩因子疊加后的驅(qū)動力，可以判斷兩因子是否存在交互作用，以及交互作用的強弱、方向、線性還是非線性等（兩因子疊加交互效應(yīng)既包括相乘關(guān)系，也包括其他關(guān)系，只要有關(guān)系，就能檢驗出來）[23]。因此，運用地理探測器方法可以對區(qū)域碳排放空間分異格局的主導(dǎo)驅(qū)動因子進(jìn)行探測識別與驅(qū)動力判斷排序，并深入分析關(guān)鍵交互因子的存在性及其對碳排放空間分異格局的多重空間疊加交互效應(yīng)。

上述研究成果為夜間燈光數(shù)據(jù)模擬區(qū)域碳排放提供了諸多有益借鑒，但仍有幾點不足：利用夜間燈光數(shù)據(jù)模擬碳排放的研究主要集中在國家層面和經(jīng)濟(jì)較發(fā)達(dá)的地區(qū)，對西部欠發(fā)達(dá)地區(qū)的研究較少，針對蘭西城市群碳排放的研究尚處于空白；夜間燈光數(shù)據(jù)主要采用DMSP/OLS 或NPP/VIIRS 單一尺度，時間跨度較短，將兩種數(shù)據(jù)相互校正為同尺度的長時間序列研究較少；對碳排放影響因素的研究大多選擇空間計量模型進(jìn)行分析，忽視了影響因子交互疊加效應(yīng)對碳排放空間分異的作用?；诖耍疚倪x擇蘭西城市群為研究區(qū)域，通過校正長時間序列夜間燈光影像，空間化模擬了蘭西城市群能源消費碳排放量，并從縣級尺度視角出發(fā)，利用空間趨勢分析、探索性空間數(shù)據(jù)分析以及地理探測器等方法對蘭西城市群碳排放時空分布特征、空間關(guān)聯(lián)特征以及驅(qū)動因素展開研究。

本文的研究在理論和實踐意義上均存在創(chuàng)新。理論意義：（1）通過校正長時間序列夜間燈光數(shù)據(jù)，為模擬更小尺度碳排放數(shù)據(jù)提供科學(xué)的數(shù)據(jù)支持；（2）從縣級尺度視角出發(fā)，選擇蘭西城市群為研究區(qū)域，彌補蘭西城市群碳排放研究的空白，為我國西部城市群碳排放研究提供示范參考。實踐意義：（1）利用校正后的夜間燈光數(shù)據(jù)空間化模擬碳排放，解決了蘭西城市群縣域碳排放數(shù)據(jù)缺乏的問題；（2）借助地理探測器方法研究碳排放影響因素問題，克服了空間計量模型無法識別影響因素交互效應(yīng)對碳排放空間分異驅(qū)動力的不足。

一、研究區(qū)概況與數(shù)據(jù)預(yù)處理

(一)研究區(qū)概況

2018年3月，國務(wù)院印發(fā)《蘭州—西寧城市群發(fā)展規(guī)劃》，蘭西城市群是指以蘭州市和西寧市為紐帶的我國西部重要的跨?。ǜ拭C省和青海?。┏鞘腥篬24]，也是黃河上游重要的新型城鎮(zhèn)化區(qū)域，位于34°51′～37°38′N，99°1′～105°38′E 之間，主要包括甘肅省4 個地州市和青海省5 個地州市共39 個縣區(qū)（圖1），總面積約9.7×104km2，占甘肅、青海兩省總面積的36.7%。蘭西城市群人口規(guī)模和地區(qū)生產(chǎn)總值在甘青兩省舉足輕重，2019年年末總?cè)丝诩s1 257 萬人，地區(qū)生產(chǎn)總值達(dá)到5 578.35 億元，分別占甘肅、青海兩省的38.62%和47.74%，是甘青兩省重要的人口集聚地和經(jīng)濟(jì)增長極。以黃河穿城而過的金城蘭州和海藏咽喉西寧構(gòu)成的蘭西城市群地理位置得天獨厚，發(fā)展區(qū)位優(yōu)勢明顯，不僅是甘肅省和青海省經(jīng)濟(jì)發(fā)展的重要載體，而且是全國“兩縱三橫”城鎮(zhèn)化格局路橋通道西北段的中心地區(qū)，更是我國向西開發(fā)、聯(lián)通內(nèi)地和支撐絲綢之路經(jīng)濟(jì)帶發(fā)展的重要平臺，對維護(hù)國家生態(tài)安全、促進(jìn)西部地區(qū)繁榮穩(wěn)定具有重要的戰(zhàn)略意義[25]。

圖1 蘭西城市群縣區(qū)

(二)數(shù)據(jù)來源

DMSP/OLS 夜間燈光影像始于20世紀(jì)70年代，最初是美國國防氣象局為了氣象監(jiān)測所建，由于OLS 傳感器具有較強的光電放大能力，可以探測到地表極光、城鎮(zhèn)燈光、汽車尾燈、漁火以及火災(zāi)等近紅外輻射，因此，該傳感器獲取的夜間燈光影像被廣泛用來研究人類活動[26]。DMSP/OLS 夜間燈光影像發(fā)布較早，包括由6 個不同傳感器獲取的1992—2013年34 期年度穩(wěn)定燈光影像，但其存在像元值過飽和、空間分辨率低（1km）以及不同的傳感器在獲取影像時不連續(xù)等問題。

NPP/VIIRS 夜間燈光影像始于2012年，空間分辨率可達(dá)500 米，分為年度均值影像和月度均值影像兩種，可探測夜間的月光、星光、城市燈光與大氣輝光等微弱的可見光輻射，且經(jīng)星上校準(zhǔn)后影像質(zhì)量顯著提高，但年度影像只有兩期（2015 和2016年），月度均值影像自2012年4月起每月一期，且月度影像存在負(fù)值、極高值與不穩(wěn)定光源等不足之處。因此，在使用DMSP/OLS 和NPP/VIIRS 夜間燈光影像進(jìn)行研究之前，必須對其存在的問題進(jìn)行處理和校正[27]。

本文所使用數(shù)據(jù)類型及來源見表1。

表1 數(shù)據(jù)來源

(三)夜間燈光影響預(yù)處理

1.DMSP/OLS 影像預(yù)處理

第一步，對全球1992—2013年DMSP/OLS 夜間燈光影像進(jìn)行投影轉(zhuǎn)換、影像裁剪與重采樣，得到中國區(qū)域DMSP/OLS 夜間燈光影像。第二步，選擇黑龍江省鶴崗市為不變目標(biāo)區(qū)域，以F162006 輻射定標(biāo)夜間燈光影像為參考影像，34 期穩(wěn)定夜間燈光影像為待校正影像[26]，選擇擬合優(yōu)度最高的二次函數(shù)對傳感器進(jìn)行相互校正。第三步利用平均值法對不同傳感器獲取DMSP/OLS 夜間燈光影像進(jìn)行年內(nèi)融合，得到1992—2013年DMSP/OLS年度夜間燈光影像。第四步，假設(shè)衛(wèi)星在前一年捕捉到的夜間燈光第二年不會消失，即認(rèn)為在連續(xù)兩年的夜間燈光影像中，第二年DN 值應(yīng)該不小于第一年DN 值[28]，利用柵格計算器對年內(nèi)融合后的夜間燈光影像進(jìn)行年際間連續(xù)性校正，得到具有可比性和連續(xù)性的DMSP/OLS 尺度中國區(qū)域1992—2013年夜間燈光影像。

2.NPP/VIIRS 影像預(yù)處理

第一步，對全球2012—2019年NPP/VIIRS月度夜間燈光影像進(jìn)行投影轉(zhuǎn)換、影像裁剪與重采樣，得到中國區(qū)域NPP/VIIRS 夜間燈光影像。第二步，由于NPP/VIIRS 夜間燈光影像存在負(fù)值，借鑒周翼等[27]的校正方法，利用DMSP/OLS年度影像對NPP/VIIRS月度影像的負(fù)值予以消除，然后合成年度均值影像。第三步，利用NOAA/NGDC 發(fā)布的消除了不穩(wěn)定光源與背景值的NPP/VIIRS年度夜間燈光影像（2015年和2016年），選擇冪函數(shù)對2012—2019年NPP/VIIRS年度均值影像進(jìn)行相對輻射校正，使各年度均值影像之間具有可比性。第四步，利用二值化方法去除NPP/VIIRS年度均值影像中的不穩(wěn)當(dāng)光源和背景噪聲，然后采用降值法對極高值進(jìn)行消除，最后依據(jù)DMSP/OLS 影像連續(xù)性校正的原則，對NPP/VIIRS年度均值影像進(jìn)行連續(xù)性校正，得到具有可比性和連續(xù)性的NPP/VIIRS 尺度中國區(qū)域2012—2019年年度夜間燈光影像。

3.DMSP/OLS 與NPP/VIIRS 影像相互校正

通過統(tǒng)計中國縣級行政單元夜間燈光影像的總燈光值（Total Digital Number，TDN），對2012年和2013年NPP/VIIRS 影像進(jìn)行DMSP/OLS 尺度校正，構(gòu)建了DMSP/OLS 與NPP/VIIRS 影像縣級TDN 值的回歸關(guān)系，回歸結(jié)果如表2所示。

表2 2012年和2013年DMSP/OLS 與NPP/VIIRS 擬合結(jié)果

選擇擬合優(yōu)度最高的二次函數(shù)作為兩類夜間燈光影像相互融合的校正模型，校正方程如公式（1）：

其中，y為2012—2013年DMSP/OLS 夜間燈光影像TDN 值，x為2012—2013年NPP/VIIRS 夜間燈光影像TDN 值。

最后，基于所建立的校正模型對2014—2019年NPP/VIIRS 影像進(jìn)行DMSP/OLS 尺度時間序列連續(xù)性校正，得到2014—2019年DMSP/OLS 尺度夜間燈光影像，再與前面已經(jīng)校正好的1992—2013年DMSP/OLS 影像進(jìn)行合并，就可以得到中國區(qū)域1992—2019年DMSP/OLS 尺度長時間序列夜間燈光影像。

4.校正評價

有研究表明，中國省級尺度上的TDN 值與GDP 之間具有顯著的正線性相關(guān)關(guān)系[27]。因此，對中國各省份（不包含臺灣地區(qū)）2005年和2019年的TDN 值與GDP 值進(jìn)行線性擬合（圖2），可以發(fā)現(xiàn)，2005年和2019年在省級尺度上TDN 值對GDP 的擬合優(yōu)度分別為0.86 和0.85，說明TDN 值對GDP 具有較好的擬合能力，驗證了本文校正的夜間燈光影像具有較高的可信度，也為后續(xù)研究提供了可靠的數(shù)據(jù)支撐。

圖2 2005年和2019年省份TDN 值（106）與GDP（108 元）擬合結(jié)果

二、研究方法

(一)碳排放測算模型構(gòu)建及精度檢驗

1.碳排放測算模型

基于甘肅和青海省1995—2019年的能源消費統(tǒng)計數(shù)據(jù)，參考蘇泳嫻等[19]計算碳排放的方法，本文選取了9 種主要能源測算其碳排放量，測算公式如下：

其中，En表示甘肅省和青海省當(dāng)年第n種能源消費量（104t 標(biāo)準(zhǔn)煤），Kn為第n種能源的CO2排放系數(shù)（104t碳）/（104t 標(biāo)準(zhǔn)煤）。本文所使用的9 種能源消耗折算標(biāo)準(zhǔn)煤系數(shù)和CO2排放系數(shù)見表3。

表3 燃料消耗碳排放系數(shù)

2.碳排放模擬模型

基于本文校正的中國區(qū)域DMSP/OLS 尺度的夜間燈光影像，統(tǒng)計了1995—2019年甘肅省和青海省省級行政單元內(nèi)的TDN 值，并計算了甘、青兩省碳排放統(tǒng)計值與TDN 值之間的相關(guān)系數(shù)，分別為0.97 和0.98，均呈現(xiàn)較高的相關(guān)關(guān)系，說明二者存在某種特定的聯(lián)系，也進(jìn)一步證實了利用夜間燈光影像可以較好地模擬能源消費碳排放量，這與相關(guān)學(xué)者[11][16]的研究結(jié)果一致。

由于同一地區(qū)TDN 值與碳排放統(tǒng)計值具有較好的相關(guān)性[19]，本文假設(shè)TDN 值與碳排放統(tǒng)計值存在正線性相關(guān)性，且省級和縣級尺度上的相關(guān)關(guān)系與像元尺度上的相關(guān)關(guān)系具有一致性[8]。利用1995—2019年甘肅省和青海省的TDN 值與碳排放統(tǒng)計值構(gòu)建碳排放模擬模型，考慮降尺度到柵格單元的精度問題[18]，采用無截距項的線性模型，如公式（3）所示：

其中，CSi為i年碳排放模擬值，TDNi為校正后相應(yīng)區(qū)域i年所有穩(wěn)定燈光影像像元DN值總和，a為回歸系數(shù)，甘肅、青海兩省1995—2019年碳排放模擬結(jié)果如圖3所示。

圖3 1995—2019年甘肅(a)和青海(b)碳排放統(tǒng)計值（105t）與TDN 值（105）擬合結(jié)果

由圖3中的擬合結(jié)果可知，TDN 值與碳排放統(tǒng)計值具有良好的線性相關(guān)性，甘、青兩省的擬合優(yōu)度均高達(dá)0.99，因此，利用夜間燈光影像模擬碳排放的假設(shè)前提是成立的，二者存在正向線性相關(guān)關(guān)系。

3.模擬精度檢驗

基于圖3中的擬合方程計算得到甘、青兩省的能源消費碳排放模擬值，為確保模擬值的精確性，進(jìn)一步計算了甘、青兩省碳排放統(tǒng)計值與模擬值的相對誤差（表4），進(jìn)行模擬結(jié)果的精度檢驗。

表4 甘肅、青海兩省1995—2019年碳排放量模擬精度檢驗表

由精度檢驗表4可以發(fā)現(xiàn)，碳排放統(tǒng)計值與模擬值的相對誤差最大的為1995年的20.90%，最小的為2000年的0.18%，其中，有14 個年份的相對誤差小于10%，相對誤差均值為10.03%，這小于一些學(xué)者[8][17][19][29]的研究結(jié)果。

4.碳排放模擬修正模型

為了減小相對誤差，進(jìn)一步提高模擬的精度，同時保證空間統(tǒng)計單元的一致，采用省級碳排放零誤差法對單位像元上的碳排放模擬值進(jìn)行修正[29]。構(gòu)建夜間燈光影像模擬的碳排放比例系數(shù)，然后將碳排放模擬值乘以相應(yīng)的比例系數(shù)，使碳排放模擬值與統(tǒng)計值相同，最終得到空間化碳排放數(shù)據(jù)（圖4）。其計算方法如下：

圖4 1995—2019年蘭西城市群縣域碳排放空間化模擬結(jié)果

式中，Rn表示第n年碳排放比例系數(shù)，CEn為第n年碳排放統(tǒng)計值，CSn為第n年碳排放模擬值，Cs,n,k為第n年第k個柵格單元上分布的碳排放量，Cx,n,k為第k個柵格單元上分布的碳排放模擬值。

圖4可以直觀展示蘭西城市群縣域碳排放的高低以及不同縣區(qū)的空間差異性，1995—2019年蘭西城市群碳排放圍繞蘭州市和西寧市呈向心聚集與外圍擴(kuò)散并存態(tài)勢。具體來看，1995—2000年間，蘭西城市群碳排放整體處于較低水平，且分布范圍較?。?005年以后，蘭州與西寧碳排放不斷串聯(lián)并向周邊擴(kuò)散，白銀市的碳排放擴(kuò)散明顯；2019年，出現(xiàn)3 個明顯的高碳排區(qū)，分布在蘭州市、西寧市和白銀市。

(二)變異系數(shù)

通過變異系數(shù)來度量蘭西城市群碳排放的相對差異程度，其計算公式如下：

CiinˉCCV

式中，Ci表示i縣區(qū)的碳排放量，n為研究區(qū)縣區(qū)個數(shù)，為蘭西城市群39 個縣區(qū)的平均碳排放量；CV表示變異系數(shù)，其值越大表明蘭西城市群碳排放的相對差異越大。

(三)探索性數(shù)據(jù)分析方法

1.全局空間自相關(guān)

全局Moran'sI指數(shù)能有效反映蘭西城市群整體碳排放空間集聚情況，從而揭示整個城市群碳排放空間分布特征。Moran'sI介于[?1,1]之間，大于0 表示空間正相關(guān)，且越接近1，正相關(guān)性越強，即高碳排（或低碳排）縣區(qū)之間的空間集聚性越強；接近0 表示鄰接縣區(qū)單元不相關(guān)，即區(qū)域碳排放在空間上呈隨機分布模式；小于0 表示空間負(fù)相關(guān)，且越接近?1，負(fù)相關(guān)性越強，即區(qū)域碳排放與周圍縣區(qū)的差異性越明顯[7][30]。計算公式如下：

式中，I表示全局Moran'sI指數(shù)，n為研究區(qū)縣區(qū)總個數(shù)，xi和xj為i和j縣區(qū)的碳排放值，為縣區(qū)碳排放均值。wij為空間權(quán)重矩陣，用來刻度蘭西城市群各縣區(qū)的空間鄰接或鄰近關(guān)系，本文采用基于鄰接概念的Queen 空間權(quán)重矩陣，即采用擁有公共邊界為相鄰原則建立蘭西城市群縣域的空間關(guān)系，公式如下：

可以通過以下Z統(tǒng)計量對Moran'sI指數(shù)的顯著性進(jìn)行檢驗：

其中，E(I)為Moran'sI指數(shù)的數(shù)學(xué)期望，Var(I)為Moran'sI指數(shù)的方差。

2.局部空間自相關(guān)

借助局部Moran'sI指數(shù)和LISA 聚類對蘭西城市群碳排放空間關(guān)聯(lián)和集聚特征進(jìn)行研究，局部Moran'sI指數(shù)如下：

式中，Ii表示局部Moran'sI指數(shù)，zi和zj分別為縣區(qū)i和j的碳排放標(biāo)準(zhǔn)化值，wij為蘭西城市群縣區(qū)空間權(quán)重矩陣。

(四)地理探測器

本文利用地理探測器來揭示蘭西城市群碳排放空間分異性的驅(qū)動力。其核心思想如下：如果自變量X（碳排放影響因子）對因變量Y（碳排放量）具有重要影響，那么兩個變量的空間分布應(yīng)該趨于一致，其空間一致性程度可通過q統(tǒng) 計量來測度自變量X對因變量Y的解釋力，計算公式如下[31]：

式中，m=1,2,···K為碳排放影響因子X的分類，N為蘭西城市群縣區(qū)數(shù)量，Nm為影響因子X的m類包含的縣區(qū)數(shù)，δ2m和 δ2分別為類m和整個城市群碳排放值的方差，δ2m和 δ2分別為分類m的 方差與總方差，和S S T=Nδ2分別為各類別方差之和與整個城市群總方差。q∈[0,1]，q=0時，表示碳排放呈隨機分布，q值 越大，碳排放的空間分異越明顯，說明影響因子對碳排放的解釋力就越大，q值表示X解釋了100×q%的Y。關(guān)于q值是否顯著，可通過以下F統(tǒng)計量進(jìn)行檢驗[23]：

三、結(jié)果分析

(一)碳排放時間序列變化

1.碳排放總量

如圖5所示，1995—2019年，蘭西城市群碳排放總量整體呈增長趨勢，增長速度表現(xiàn)出明顯的階段特征，碳排放總量從36.23×106t 增長至116.61×106t，增長了3.22 倍。根據(jù)碳排放量及其增長速度的變化趨勢，本文將1995—2019年碳排放變化情況分為以下三個階段進(jìn)行分析。

圖5 1995—2019年蘭西城市群碳排放量及增長情況

第一階段（1995—2002年）：碳排放量處于緩慢增長階段，碳排放增長速度呈波動起伏狀態(tài)。碳排放量由1995年的36.23×106t 增長為2002年的46.92×106t，7年間碳排放總量共增長10.69×106t，增長了1.30 倍，碳排放年均增長速度為3.15%。長期以來，該地區(qū)一直延續(xù)著高投入、高消耗、高排放的粗放式發(fā)展模式，在經(jīng)濟(jì)增長的同時，鋼鐵、有色金屬、石化、化工、水泥、煤電等高耗能重工業(yè)加速發(fā)展，對化石能源的需求也不斷增長，勢必導(dǎo)致碳排放量不斷上升。第二階段（2002—2013年）：碳排放量處于快速增長階段，碳排放量從2002年的46.92×106t 上升為2013年的111.88×106t，11年間碳排放總量共增長64.96×106t，增長了2.38 倍。在此階段，碳排放增長速度經(jīng)歷了“M”型變化過程，年均增長速度為7.88%。自從國家實施西部大開發(fā)以來，甘青兩省經(jīng)濟(jì)加速前進(jìn)，此階段蘭西城市群正處于工業(yè)化的快速發(fā)展時期，實現(xiàn)經(jīng)濟(jì)增長仍是該地區(qū)所面臨的最大任務(wù)，其所處的發(fā)展階段和老工業(yè)基地的地位客觀上決定了該階段碳排放處于快速增長狀態(tài)。同時隨著人口的增長，城鎮(zhèn)化進(jìn)程加快以及人們生活水平的提高，建筑和生活耗能也大幅上升，也加速了碳排放的進(jìn)一步增長。第三階段（2013—2019年）：碳排放量基本維持在同一水平，碳排放增長速度相對較低。在此期間，碳排放量出現(xiàn)了兩個明顯的峰值，分別為2015年的114.34×106t 和2019年的116.61×106t；增長速度呈先下降后上升的趨勢，年均增長速度為1.28%，增長速度從2013年的4.92%下降為2016年的?0.37%，之后處于緩慢低增長狀態(tài)，2019年增長速度為1.67%。這與其經(jīng)濟(jì)發(fā)展重心由早期追求經(jīng)濟(jì)快速發(fā)展轉(zhuǎn)為提高經(jīng)濟(jì)發(fā)展質(zhì)量與效益、優(yōu)化經(jīng)濟(jì)結(jié)構(gòu)密切相關(guān)，也與能源使用效率的提升、清潔能源的開發(fā)以及節(jié)能減排政策的落實密不可分，此階段能源消費碳排放增速持續(xù)放緩。

2.縣級尺度碳排放量

如圖6所示，1995—2019年，蘭西城市群縣級尺度碳排放呈增長趨勢，碳排放的最低值和最高值分別由13.4×104t 和425.4×104t 增長為103.2×104t 和1 051.4×104t，最低縣域和最高縣域碳排放分別增長8.46 倍和2.47 倍。

圖6 1995—2019年蘭西城市群縣域碳排放量空間分布

具體來看，1995年高碳排區(qū)域主要集中在甘肅蘭州市主城區(qū)（西固區(qū)、城關(guān)區(qū)、七里河區(qū)）和白銀市白銀區(qū)，次高區(qū)域分布在西寧市縣區(qū)、蘭州市周圍縣域、白銀平川區(qū)和靖遠(yuǎn)縣，青海省縣區(qū)碳排放處于較低水平，整體表現(xiàn)出東高西低的分布特征。2000年，由于甘肅所屬縣區(qū)碳排放體量高于青海省所屬縣區(qū)，盡管增速相差不大，但高碳排區(qū)域還是集中在蘭州市主城區(qū)和白銀市白銀區(qū)，次高區(qū)有白銀市平川區(qū)、靖遠(yuǎn)縣和蘭州市永登縣，東高西低的分布特征也更加明顯。2005年，由于蘭州市區(qū)的碳排放增長速度遠(yuǎn)高于同期其他縣區(qū)，導(dǎo)致碳排放最高區(qū)域一直集中在蘭州市主城區(qū)，次高區(qū)為白銀市白銀區(qū)和蘭州市永登縣，但其他縣域碳排放都處于增長狀態(tài)。

2010—2019年，高碳排區(qū)域一直集中在蘭州市主城區(qū)，次高區(qū)變化較大。在2010年，次高區(qū)有西寧市主城區(qū)（城北區(qū)、城西區(qū)、城東區(qū)和城中區(qū)）、湟中縣和大通縣，蘭州市紅古區(qū)、永登縣和榆中縣，白銀市白銀區(qū)、平川區(qū)和靖遠(yuǎn)縣；同時，碳排放增長較為明顯的縣區(qū)有海東市互助縣、蘭州市皋蘭縣、臨夏州永靖縣、定西市安定區(qū)、隴西縣、臨洮縣和白銀市景泰縣，這些縣域多圍繞在蘭州市和西寧市周圍，表明二者碳排放具有區(qū)域溢出效應(yīng)。2015年，蘭西城市群縣區(qū)的碳排放增速較之前明顯下降，而受到碳排放基數(shù)的影響，除西寧市縣區(qū)以外，甘肅省縣域碳排放明顯高于青海省縣域。2019年，碳排放圍繞蘭州市主城區(qū)和西寧市主城區(qū)逐漸分層分布的趨勢尤為明顯，就整個區(qū)域而言，雖然東高西低態(tài)勢依然明顯，但東西分層差異有所減?。ㄆ渲泻|市平安區(qū)、樂都區(qū)和民和縣變化較為明顯）。

以上結(jié)果表明，人口數(shù)量較多和經(jīng)濟(jì)發(fā)展水平較高的縣區(qū)碳排放量較高，反之則較低。究其原因，人口數(shù)量越多、經(jīng)濟(jì)發(fā)展水平越高的縣區(qū)對能源消費量也越高，因此能源消費碳排放量也越高。

3.碳排放強度

如圖7所示，2005—2019年，蘭西城市群碳排放強度整體上呈下降趨勢。其中，碳排放強度下降幅度最大的5 個縣區(qū)為臨夏州臨夏市、西寧市城西區(qū)、城東區(qū)、海東市化隆縣和蘭州市七里河區(qū)，分別為83.2%、82.5%、78.7%、75.5%和74.9%；碳排放強度下降最多的5 個縣區(qū)為海東市化隆縣、蘭州市榆中縣、定西市安定區(qū)、臨夏市和臨洮縣，每萬元碳排放量分別下降了6.6t、6.5t、6.2t、6.1t 和6.0t。而海北州海晏縣、黃南州尖扎縣、海南州貴南縣、西寧市大通縣、海南州共和縣以及定西市渭源縣共6 個縣的碳排放強度呈先上升后下降的趨勢，分別在2010年或2015年達(dá)到峰值，下降速度比較緩慢。

圖7 2005、2010、2015、2019年蘭西城市群縣域碳排放強度

具體來看，2005年，碳排放強度最高的為西寧市湟源縣，達(dá)到9.7 t/萬元，最低的海北州海晏縣為2.5 t/萬元；2010年碳排放強度最高的是蘭州市榆中縣，為9.4 t/萬元，最低的西寧市城中區(qū)為2.2 t/萬元；2015年碳排放強度最高值為臨夏州永靖縣的7.6 t/萬元，最低值為蘭州市城關(guān)區(qū)的1.3 t/萬元；到2019年，碳排放強度最高和最低的縣區(qū)仍然為臨夏州永靖縣和蘭州市城關(guān)區(qū)，分別為5.0 t/萬元和1.0 t/萬元?？傊瑹o論從單位GDP 碳排放強度下降幅度和凈下降量，還是碳排放強度最高值與最低值的變化來看，2005—2019年，蘭西城市群碳排放強度的下降趨勢都非常明顯，說明近年來該地區(qū)經(jīng)濟(jì)總體上發(fā)展向好，技術(shù)進(jìn)步使得能源利用效率得到了一定程度的提高。

(二)碳排放空間分布特征

1.正態(tài)性檢驗

對蘭西城市群1995年和2019年的縣級尺度碳排放模擬值進(jìn)行正態(tài)性檢驗，圖8為碳排放模擬值經(jīng)過對數(shù)變換后的正態(tài)QQ 圖?？梢钥闯觯瑪?shù)據(jù)集近似呈直線分布，即認(rèn)為蘭西城市群縣級尺度碳排放近似服從正態(tài)分布，可以對其進(jìn)行空間趨勢分析。

圖8 正態(tài)QQ 圖

2.空間趨勢分析

為了進(jìn)一步探討蘭西城市群縣域尺度碳排放空間分布特征，本文選取1995年和2019年柵格尺度（圖9）和分區(qū)統(tǒng)計（圖10）下的碳排放數(shù)據(jù)分析空間變化趨勢。圖中，X 軸正方向為東，Y 軸正方向為北，Z 軸為碳排放量，XY 平面上的桿高代表柵格（縣區(qū)）單元上碳排放值的大小，將高點分別投影到XZ 平面和YZ 平面上。在圖9中，XY 平面上的39 個樣本點分別代表蘭西城市群39 個縣區(qū)，利用二次函數(shù)分別對XZ 平面和YZ 平面上的投影點進(jìn)行擬合，XZ 平面上的擬合曲線代表東西方向上碳排放的分布特征，YZ 平面上的擬合曲線代表南北方向上碳排放的分布特征[8]。

圖9 1995年和2019年蘭西城市群柵格尺度碳排放空間分布趨勢

圖10 1995年和2019年蘭西城市群縣域碳排放空間趨勢

從1995年和2019年的空間趨勢來看，1995年蘭西城市群縣域碳排放由南向北呈“倒U 形”曲線，東西方向呈現(xiàn)“東高西低”的態(tài)勢；1995年與2019年的分布趨勢相同，即蘭西城市群碳排放一直表現(xiàn)出東高西低，中部高、南北低的空間分布態(tài)勢，蘭西城市群高碳縣域多集中在蘭州市和西寧市周圍人口密集、經(jīng)濟(jì)較發(fā)達(dá)區(qū)域，且甘肅省所屬縣域碳排放要高于青海省所屬縣域的碳排放，表明研究區(qū)的差異并沒有顯著改變，這與蘭西城市群縣域碳排放的總體分布特征相符。

(三)碳排放空間關(guān)聯(lián)特征

由圖11可知，1995—2019年，蘭西城市群縣域碳排放差異演變趨勢雖然在2001—2004、2010—2011和2016—2017年三個時間段經(jīng)歷了短暫增長過程，但總體表現(xiàn)出縮小的趨勢。變異系數(shù)從1995年的1.015 縮小至2019年的0.700，表明在此期間，蘭西城市群縣域碳排放的差異在不斷縮小。從全局空間自相關(guān)分析來看，1995—2019年，蘭西城市群縣域碳排放全局Moran'sI指數(shù)呈現(xiàn)出波浪增長的態(tài)勢，總體增長趨勢明顯，從1995年的0.225 增長至2019年的0.489，說明蘭西城市群縣域碳排放存在明顯的空間正自相關(guān)性，且表現(xiàn)出逐步擴(kuò)大的趨勢。在全局Moran'sI統(tǒng)計值中，只有1995年的Z-Score 大于1.96 且p-value 小于0.05，其他年份的Z-Score 均大于2.58，且p-value 都小于0.01，表明蘭西城市群縣域碳排放存在顯著的空間集聚分布模式。隨著我國“西部大開發(fā)戰(zhàn)略”的實施、“蘭白都市經(jīng)濟(jì)圈”與“西寧都市經(jīng)濟(jì)圈”發(fā)展格局的形成以及“蘭西城市群發(fā)展建設(shè)”的推進(jìn)，蘭西城市群整體得到了前所未有的發(fā)展機遇，能源消費碳排放也顯著增長。但是，從空間布局來看，蘭州市主城區(qū)和西寧市主城區(qū)仍然是蘭西城市群社會經(jīng)濟(jì)發(fā)展的中心，同樣也是高碳排區(qū)，加上蘭州市和西寧市對周圍縣區(qū)人口、經(jīng)濟(jì)等的“虹吸效應(yīng)”，這種特征在短期內(nèi)不會改變，甚至?xí)尸F(xiàn)出增強的趨勢。

圖11 1995—2019年蘭西城市群碳排放變異系數(shù)和全局Moran's I 指數(shù)

從圖12可以看出，蘭西城市群縣域碳排放表現(xiàn)出顯著正自相關(guān)集聚分布為主的空間關(guān)聯(lián)特征，具體表現(xiàn)為：1995年，碳排放屬于高～高聚集縣區(qū)為4 個，低～低聚集的縣區(qū)有7 個，占顯著性集聚總數(shù)的84.6%，屬于低～高聚集的縣區(qū)為2 個，占總數(shù)的15.4%；2000年，高～高聚集的縣區(qū)增加到5 個，其他均同1995年一致；2005年，高～高聚集和低～低聚集的縣區(qū)分別減少到3 個和6 個，占顯著性集聚總數(shù)的90%，低～高聚集的縣區(qū)減少到1 個，占顯著性集聚總數(shù)的10%；2010年，高～高聚集的縣區(qū)又增加到5 個，其他均同2005年一致；2015年，高～高聚集和低～低聚集的縣區(qū)均為6 個，占顯著性集聚總數(shù)的100%，低～高聚集的縣區(qū)減少到0 個；2019年，低～低聚集的縣區(qū)減少到5 個，其他均同2015年一致；1995—2019年，沒有出現(xiàn)高～低聚集的縣區(qū)。

圖12 1995—2019年蘭西城市群縣域碳排放LISA 聚類

從具體的空間位置可以看出，1995年，高～高聚集縣區(qū)主要集中在蘭州市七里河區(qū)、西固區(qū)、安寧區(qū)和榆中縣，這些縣區(qū)人口較多、經(jīng)濟(jì)發(fā)展水平較其他縣區(qū)要高，因此碳排放量偏高；自身碳排放最高的蘭州市城關(guān)區(qū)沒有表現(xiàn)出高～高聚集，是由于鄰接的蘭州市皋蘭縣碳排放較低造成的；低～低聚集的縣區(qū)主要分布在青海省的共和縣、湟源縣、貴德縣、尖扎縣、同仁縣、循化縣和化隆縣，這些縣區(qū)主要以第一產(chǎn)業(yè)為主、地廣人稀且經(jīng)濟(jì)發(fā)展水平相對落后，碳排放量低；低～高聚集的縣區(qū)為蘭州市皋蘭縣和白銀市景泰縣，主要是由于皋蘭縣毗鄰蘭州市城關(guān)區(qū)、西固區(qū)、安寧區(qū)和榆中縣等高碳排區(qū)，景泰縣毗鄰白銀市白銀區(qū)和平川區(qū)等高碳排區(qū)，但其自身的碳排放量較低，因此出現(xiàn)了低～高聚集。

2000年，蘭州市城關(guān)區(qū)的碳排放增長較快，使得城關(guān)區(qū)由不顯著轉(zhuǎn)變?yōu)楦摺呔奂黄渌寂欧偶厶卣骱?995年相同，沒有發(fā)生顯著變化。2005年，蘭州市西固區(qū)和城關(guān)區(qū)由高～高聚集轉(zhuǎn)變?yōu)椴伙@著，這是由于毗鄰西固區(qū)的蘭州市紅古區(qū)、永登縣和臨夏州永靖縣的碳排放增長明顯，西固區(qū)轉(zhuǎn)變?yōu)椴伙@著，而城關(guān)區(qū)是由于毗鄰的蘭州市七里河區(qū)、西固區(qū)屬高碳排放區(qū)，而鄰接的皋蘭縣碳排放相對較低造成的；白銀市景泰縣由低～高聚集轉(zhuǎn)變?yōu)椴伙@著，西寧市湟源縣由低～低聚集轉(zhuǎn)變?yōu)椴伙@著，這是由于景泰縣和湟源縣自身碳排放的增加導(dǎo)致的。2010年，蘭州市城關(guān)區(qū)和西固區(qū)由不顯著再次轉(zhuǎn)變?yōu)楦摺呔奂汀?015年碳排放集聚類型主要表現(xiàn)在蘭州市皋蘭縣由低～高聚集轉(zhuǎn)變?yōu)椴伙@著，可能的原因是皋蘭縣自身碳排放的增長所致；其他碳排放集聚特征和2010年相同，沒有發(fā)生顯著變化。2019年，由于海東市化隆縣碳排放增長相對較快，使得其由低～低聚集轉(zhuǎn)變?yōu)椴伙@著，其他碳排放集聚特征和2015年相同，沒有發(fā)生顯著變化。

總體而言，1995—2019年，蘭西城市群縣域碳排放的局部自相關(guān)較為穩(wěn)定，聚集類型主要以高～高型和低～低型為主，且高～高型主要集中在蘭州市主城區(qū)，低～低型分布在青海省黃南州和海南州。究其原因，區(qū)域內(nèi)甘肅省會蘭州市作為西北工業(yè)重鎮(zhèn)，其碳排放遠(yuǎn)高于其他地市，且經(jīng)濟(jì)發(fā)展水平相對較高，人口集聚分布，產(chǎn)業(yè)發(fā)展水平較高，形成較高的碳排放，由此形成地理空間位置碳排放高～高型模式；青海省黃南州和海南州人口稀少，經(jīng)濟(jì)總量偏低，各縣區(qū)的碳排放均較低，碳排放在地理空間上表現(xiàn)為低～低型模式。

(四)碳排放影響因素研究

本文的結(jié)果分析前三部分詳細(xì)地描述了蘭西城市群碳排放時空分布特征，但是仍未分析究竟是哪些因素導(dǎo)致了蘭西城市群縣域碳排放量在時空上的變化，因此本部分進(jìn)一步利用地理探測器模型研究其影響因素，探究各因素作用的強弱以及各因素之間的交互作用。

1.指標(biāo)選取

依據(jù)指標(biāo)選取的科學(xué)性，并考慮蘭西城市群縣域尺度數(shù)據(jù)的可獲得性，本文選擇2005年、2010年、2015年和2019年4 個年份作為樣本年，著重探討并深入分析以下7 個影響因子對碳排放的影響，對影響因子的具體含義進(jìn)行如下界定：包括經(jīng)濟(jì)發(fā)展水平（GDP），指標(biāo)選取GDP；人口密度（PD），指標(biāo)選取單位平方公里上的人口數(shù)（年末常住總?cè)丝跀?shù)/行政區(qū)面積）；產(chǎn)業(yè)結(jié)構(gòu)（IS），指標(biāo)選取第二、三產(chǎn)業(yè)占GDP 的比重；能源強度（EI），指標(biāo)選取單位GDP 能源消費量；城鎮(zhèn)化水平（UR），指標(biāo)選取非農(nóng)業(yè)人口占總?cè)丝诘谋戎?；財政支出（FE），指標(biāo)選取地方財政一般預(yù)算支出占GDP 的比重；企業(yè)個數(shù)（IL），指標(biāo)選取規(guī)模以上工業(yè)企業(yè)個數(shù)。分別選取2019年份蘭西城市群39 個縣區(qū)截面數(shù)據(jù)，如圖13所示。

圖13 2019年蘭西城市群縣域尺度碳排放影響因素空間分布

由于地理探測器擅長自變量為類型變量、因變量為數(shù)值型變量的分析[23]，因此，借助Arcgis10.8，利用分位數(shù)法對各樣本年的碳排放影響因子進(jìn)行類別化處理為5 類（圖13），并將其賦值為數(shù)字1、2、3、4、5 作為類別層次標(biāo)識，然后將影響蘭西城市群碳排放空間分異的影響因子引入地理探測器，得到各探測模塊的結(jié)果，提取單因子探測和交互作用探測模塊的結(jié)果，對碳排放影響因素的單獨解釋力和交互作用驅(qū)動力進(jìn)行分析。

2.單因子探測結(jié)果

如表5所示，在樣本年份期，對蘭西城市群碳排放起主導(dǎo)作用的因子大致相同，經(jīng)濟(jì)發(fā)展水平對蘭西城市群碳排放空間分異的影響力始終最強；地方財政支出、企業(yè)個數(shù)和產(chǎn)業(yè)結(jié)構(gòu)對碳排放也具有顯著的影響力；城鎮(zhèn)化水平、人口密度和能源強度對碳排放空間分異的影響相對較弱。

表5 單因子探測結(jié)果

經(jīng)濟(jì)發(fā)展水平對蘭西城市群碳排放空間分異的解釋力一直處于主導(dǎo)地位，但長期來看，其解釋力在緩慢減弱，2005年的q 值最高為0.710，2019年下降至0.649。近年來，技術(shù)的變革使得能源使用效率大幅提升（能源強度對碳排放的解釋力也在減弱），加之碳減排政策的推動，碳排放增速放緩，經(jīng)濟(jì)增長對碳排放的解釋力也在相對減弱，但經(jīng)濟(jì)增長帶動的能源消耗仍舊是蘭西城市群碳排放的主要來源。而人口密度對碳排放空間分異的驅(qū)動力比較穩(wěn)定，q 值一直徘徊在0.266 左右，這與蘭西城市群大部分縣區(qū)人口密度較小密切相關(guān)，蘭西城市群高人口密度的地區(qū)主要聚集在蘭州市主城區(qū)和西寧市主城區(qū)，主城區(qū)不僅人口眾多、面積狹小，而且對周圍城市具有很強的人口“虹吸效應(yīng)”。

地方財政支出和產(chǎn)業(yè)結(jié)構(gòu)的q 值分別介于0.493～0.619 與0.263～0.512 之間，從這兩個指標(biāo)的數(shù)據(jù)結(jié)構(gòu)來看，地方財政支出和產(chǎn)業(yè)結(jié)構(gòu)具有較強的階段性，從而對碳排放空間分異的影響也呈現(xiàn)出階段特征。第二產(chǎn)業(yè)比重的下降勢必會影響到第三產(chǎn)業(yè)的比重，而地方財政支出也具有很強的政策導(dǎo)向 。企業(yè)個數(shù)的解釋力呈先增長后下降的態(tài)勢，q 值在2010年達(dá)到最大為0.621，到2019年下降為0.435，這可能與蘭西城市群企業(yè)轉(zhuǎn)型發(fā)展相關(guān)，規(guī)模以上工業(yè)企業(yè)個數(shù)減少，從而對碳排放的解釋力度也在減弱。

城鎮(zhèn)化水平的解釋力趨于增強，q 值從2005年的0.208 上升至2019年的0.336，2005—2015年處于緩慢增長，2015—2019年增長較快。蘭西城市群處于西部內(nèi)陸，大部分縣區(qū)城鎮(zhèn)化進(jìn)程緩慢，隨著“西部大開發(fā)” “促進(jìn)中西部地區(qū)崛起”等戰(zhàn)略的實施以及“蘭州—白銀都市經(jīng)濟(jì)圈”和“西寧都市經(jīng)濟(jì)圈”的形成，加速了蘭西城市群城市化進(jìn)程，從而帶來大量能源消耗拉動了碳排放增長。

3.交互作用探測結(jié)果

在厘清了各影響因子對蘭西城市群碳排放空間分異單獨的解釋力之后，接下來分析以上7 個影響因子之間的交互作用對碳排放空間分異的影響力。本文分別對4 期影響因子交互作用結(jié)果進(jìn)行排序，將交互作用影響力位于前十的因子組合整理到表6。

表6 2005—2019年影響因子交互作用探測結(jié)果

結(jié)果顯示，影響因子經(jīng)過兩兩交互以后，對蘭西城市群碳排放空間分異的解釋力較任何單一影響因子的解釋力，均得到了顯著的增強。特別地，城鎮(zhèn)化水平、人口密度和能源強度的單因子解釋力相對較弱，但通過交互作用以后，q 值得到明顯提升。具體來看，2005年城鎮(zhèn)化水平與人口密度的單因子探測q 值相對較低，分別為0.208 和0.266，但GDP∩UR、GDP∩PD 對碳排放的影響力達(dá)到0.801 和0.809；2019年人口密度和能源強度的單因子探測q 值為0.267 和0.282，但PD∩IL、IL∩EI 的解釋力達(dá)到0.937 和0.916，各因子在交互作用下均比單因子的解釋力更強。影響因子在兩兩交互作用以后，q 值大于0.9 的有5 對，分別為2005年的GDP∩EI（0.912），2015年的GDP∩IS（0.902），2019年的PD∩IL（0.937）、IL∩IS（0.924）和IL∩EI（0.916）?？梢园l(fā)現(xiàn)，能源強度、產(chǎn)業(yè)結(jié)構(gòu)和人口密度等單獨發(fā)揮解釋力的作用有限，但與經(jīng)濟(jì)發(fā)展水平等主導(dǎo)因子交互以后，對碳排放的解釋力得到了飛躍性的提升，這說明含有能源強度、產(chǎn)業(yè)結(jié)構(gòu)和人口密度的交互因子，對蘭西城市群碳排放空間分異格局具有重要的多重空間疊加效應(yīng)。

為了更直觀地看出主導(dǎo)交互因子在時間序列中的變化趨勢，本文繪制了主導(dǎo)交互因子雷達(dá)圖（圖14），可以發(fā)現(xiàn)，不同時間段，q 值最大的交互因子不同，2005、2010、2015 和2019年，q 值最大的交互因子分別為GDP∩EI（0.912）、EI∩IL（0.837）、GDP∩IS（0.902）和PD∩IL（0.937）。GDP∩EI、FE∩EI 和GDP∩PD 的解釋力逐漸減弱，q 值分別從2005年的0.912、0.815 和0.809 下降至2019年的0.764、0.706 和0.728。PD∩IL、IL∩IS 和GDP∩IL 的解釋力逐漸增強，q 值分別從2005年的0.662、0.734、0.785 上升至2019年的0.937、0.924 和0.886，且PD∩IL 的變化幅度最大。EI∩IL 和FE∩IL 的解釋力先減弱后增強，且在2019年解釋力明顯增強，q 值也最高，分別達(dá)到0.916 和0.883。GDP∩IS 和UR∩IL 的解釋力在2015年最強，q 值分別為0.902 和0.806。因此，GDP 與能源強度、企業(yè)個數(shù)、產(chǎn)業(yè)結(jié)構(gòu)、城鎮(zhèn)化水平所主導(dǎo)的交互作用是碳排放持續(xù)增長的主要推動力。

圖14 2005—2019年主導(dǎo)交互因子影響力

四、結(jié)論與政策建議

更小尺度的碳排放核算為實現(xiàn)碳減排目標(biāo)提供了數(shù)據(jù)基礎(chǔ)，本文模擬的碳排放具有較高的精度，可以為蘭西城市群政府部門制定系統(tǒng)化、差異化、精細(xì)化的減排措施以及將減排任務(wù)具體到縣級行政單元提供較為科學(xué)的參考依據(jù)，也能為我國西部城市群碳排放研究提供示范參考。

(一)主要結(jié)論

本文通過校正融合中國區(qū)域長時間序列DMSP/OLS 與NPP/VIIRS 夜間燈光影像，空間化模擬了1995—2019年蘭西城市群的能源消費碳排放量。從縣級尺度視角出發(fā)，利用空間趨勢分析、變異系數(shù)分析、探索性空間數(shù)據(jù)分析以及地理探測器等，對蘭西城市群碳排放的時空分布特征、空間關(guān)聯(lián)特征以及影響因素等進(jìn)行研究，得出以下結(jié)論。

第一，從總量看，1995—2019年蘭西城市群碳排放總量呈增長趨勢，增長速度整體呈先上升后下降的趨勢，表現(xiàn)出明顯的階段特征。碳排放量從1995年的36.23×106t 上升到2019年的116.61×106t，24年增長了80.38×106t，增長了3.22 倍；碳排放年平均增長速度為4.79%。

第二，從縣域看，1995—2019年間，蘭西城市群縣域碳排放增長明顯，碳排放（104t）區(qū)間由1995年的[13.4,425.4]增長為2019年的[103.2,1 051.4]，最低縣域（海南州貴南縣）和最高縣域（蘭州市城關(guān)區(qū)）分別增長8.46 倍和2.47 倍，碳排放量分別增長48.92×104t 和625.95×104t。從碳排放強度看，2005—2019年，蘭西城市群絕大多數(shù)縣區(qū)的單位GDP 碳排放強度呈持續(xù)下降的態(tài)勢，碳排放強度（ t/萬元）區(qū)間由2005年的[4.2,9.7]下降為2019年的[1.6,5.0]。

第三，從時空分布看，1995—2019年，蘭西城市群碳排放一直表現(xiàn)出東高西低，中部高、南北低的空間分布態(tài)勢，高碳縣域多集中在蘭州市和西寧市周圍人口密集、經(jīng)濟(jì)較發(fā)達(dá)的區(qū)域；蘭西城市群縣域碳排放存在顯著的空間差異性和空間正自相關(guān)性，但差異在不斷縮小，空間正自相關(guān)性呈現(xiàn)出逐步擴(kuò)大的趨勢；碳排放的局部自相關(guān)比較穩(wěn)定，以高—高聚集和低—低聚集為主導(dǎo)，且高—高聚集主要集中在蘭州市主城區(qū)，低—低聚集集中在青海省黃南州和海南州。

第四，蘭西城市群碳排放空間分異受到多種因素的綜合影響。經(jīng)濟(jì)發(fā)展水平對蘭西城市群碳排放空間分異的影響力始終最強，地方財政支出、企業(yè)個數(shù)和產(chǎn)業(yè)結(jié)構(gòu)對碳排放也具有顯著的影響力，城鎮(zhèn)化水平、人口密度和能源強度對碳排放的影響相對較弱；2019年各影響因子對碳排放空間分異的解釋力從大到小依次為：經(jīng)濟(jì)發(fā)展水平（0.649）>地方財政支出（0.560）>企業(yè)個數(shù)（0.435）>產(chǎn)業(yè)結(jié)構(gòu)（0.372）>城鎮(zhèn)化水平（0.336）>能源強度（0.282）>人口密度（0.267）。影響因子經(jīng)過兩兩交互以后，影響力較任何單一影響因子的解釋力，均得到了顯著的增強，2005年、2010年、2015年和2019年q 值最大的交互因子分別為GDP∩EI（0.912）、EI∩IL（0.837）、GDP∩IS（0.902）和PD∩IL（0.937）；經(jīng)濟(jì)發(fā)展水平與能源強度、企業(yè)個數(shù)、產(chǎn)業(yè)結(jié)構(gòu)、城鎮(zhèn)化水平所主導(dǎo)的交互作用是碳排放持續(xù)增長的主要推動力。

(二)政策建議

伴隨著“西部大開發(fā)” “促進(jìn)中西部地區(qū)崛起”戰(zhàn)略的實施，“絲綢之路經(jīng)濟(jì)帶”的建設(shè)以及“蘭西城市群建設(shè)”的持續(xù)推進(jìn)，蘭西城市群的經(jīng)濟(jì)體量勢必會持續(xù)擴(kuò)大，在保持GDP 持續(xù)增長的前提下，有必要對產(chǎn)業(yè)結(jié)構(gòu)、能源強度、城鎮(zhèn)化水平和財政支出等影響因子進(jìn)行宏觀調(diào)控，使其與主導(dǎo)因子之間的交互作用力得到削弱，從而使得碳排放增速持續(xù)放緩，碳排放總量早日達(dá)峰?；诮Y(jié)論，提出以下政策建議。

1.立足資源稟賦和區(qū)位優(yōu)勢，優(yōu)化能源結(jié)構(gòu)

對于蘭西城市群來說，以煤炭為主的能源消費結(jié)構(gòu)難以在短期內(nèi)轉(zhuǎn)變，在提升能源利用效率的同時，應(yīng)大力發(fā)展新能源，充分發(fā)揮區(qū)域內(nèi)太陽能、風(fēng)能等得天獨厚的資源優(yōu)勢，著力增加光伏發(fā)電、太陽能熱發(fā)電、風(fēng)電、抽水蓄能發(fā)電等非化石能源供給，持續(xù)提升非化石能源及清潔能源的使用比重。從碳排放空間分布和集聚特征來看，碳減排重點既要落在以“蘭白都市經(jīng)濟(jì)圈”為主的高碳排區(qū)，也要落在碳排放強度較高的湟源縣、榆中縣和永靖縣等縣區(qū)，加快調(diào)整產(chǎn)業(yè)結(jié)構(gòu)、優(yōu)化能源結(jié)構(gòu)，大力淘汰落后產(chǎn)能、優(yōu)化存量產(chǎn)能。

2.創(chuàng)新綠色供暖技術(shù)，推廣低碳生活方式

冬季集中供暖是蘭西城市群碳排放調(diào)控的重點，提高集中供熱能源使用效率，減少供熱過程中的熱量損失，創(chuàng)新綠色供暖技術(shù)，減少煤炭使用量，從供給側(cè)降低碳排放量。同時，蘭西城市群需協(xié)同發(fā)展、統(tǒng)籌規(guī)劃，根據(jù)各縣區(qū)資源環(huán)境承載力與國土空間規(guī)劃，合理控制人口密度與城鎮(zhèn)開發(fā)力度，加快低碳縣城創(chuàng)建，對縣城建筑、基礎(chǔ)設(shè)施進(jìn)行低碳化改造，完善縣城低碳管理和運營模式，推廣低碳生活方式。

3.完善低碳經(jīng)濟(jì)政策，提高能源利用效率

經(jīng)濟(jì)增長是蘭西城市群碳排放增長的主要驅(qū)動力，而甘、青兩省作為全國經(jīng)濟(jì)發(fā)展水平相對落后的地區(qū)，碳減排政策的實施需從低碳經(jīng)濟(jì)的視角出發(fā)，在保持經(jīng)濟(jì)增長的前提下，提升能源使用效率，優(yōu)化產(chǎn)業(yè)結(jié)構(gòu)，鼓勵技術(shù)變革，實現(xiàn)城市群低碳、綠色發(fā)展。政府部門建立符合市場經(jīng)濟(jì)要求的節(jié)能金融機制和綠色金融改革政策，引導(dǎo)行業(yè)和企業(yè)的低碳轉(zhuǎn)型和實際運作。同時，要立足區(qū)域（蘭州、西寧）科學(xué)城，積極引進(jìn)國際低碳技術(shù)與專家人才，加大能源領(lǐng)域技術(shù)創(chuàng)新，提高能源利用效率。