EN中文

经济地理 >

2025 , Vol. 45 >Issue 11: 192 - 201

DOI: https://doi.org/10.15957/j.cnki.jjdl.2025.11.019

三农、土地与生态

能源资源型区域碳排放高分辨率时空演变规律和驱动因素——以吐哈国家能源基地为例

  • 陈琳 , 1, 2, 3 ,
  • 李华姣 , 4, ※
展开
  • 1.北京理工大学 管理学院，中国 北京 100101
  • 2.中国科学院 工程热物理研究所，中国 北京 100190
  • 3.中国科学院 长时规模储能重点实验室，中国 北京 100190
  • 4.中国地质大学（北京） 经济管理学院，中国 北京 100083
※李华姣（1986—），女，博士，教授，研究方向为资源环境管理与数据挖掘。E-mail：

陈琳（1982—），女，硕士，副研究员，研究方向为气候变化与能源经济。E-mail：

收稿日期: 2025-07-18

  修回日期: 2025-10-21

  网络出版日期: 2025-12-23

基金资助

科技部重大科研项目(SQ2021xjkk01800)

收起

High-resolution Spatiotemporal Evolution and Driving Factors of Carbon Emission in Energy Resource-intensive Areas: Taking the Turpan-Hami National Energy Base as a Case

  • CHEN Lin , 1, 2, 3 ,
  • LI Huajiao , 4, ※
Expand
  • 1. The School of Management，Beijing Institute of Technology，Beijing 100101，China
  • 2. The Institute of Engineering Thermophysics，Chinese Academy of Science，Beijing 100190，China
  • 3. Key Laboratory of Long-Duration and Large-Scale Energy Storage(Chinese Academy of Science)，Beijing 100190，China
  • 4. School of Economics and Management，China University of Geosciences，Beijing 100083，China

Received date: 2025-07-18

  Revised date: 2025-10-21

  Online published: 2025-12-23

Fold

摘要

能源资源型地区对化石能源存在较强的依赖性，易形成“刚性”的产业路径依赖和“功能锁定”，从而导致化石能源的大量消耗与碳排放规模的扩大。文章以吐哈国家能源基地为研究对象，通过系统的边界界定和数据收集，建立了高分辨率碳排放核算体系，定量分析了吐哈基地的碳排放主体、种类、规模及分布情况，并构建了高精度的1 km×1 km网格碳排放数据集。研究发现：①吐哈基地在空间上形成了明显的高碳排放聚类区，主要集中在高昌区、鄯善县北部及伊州区中部，这与其区域发展差异密切相关。②吐哈基地碳排放重心的空间形态及其迁移与其GDP、人口和工业分布具有一致性。③从影响因素看，2010年前碳排放量经历显著变化，与政策调控、工业化城镇化进程及能源消费等因素密切相关；2010年后，碳排放变化趋势趋于稳定，但仍存在波动性，电力行业、重工业等能源密集型行业仍需加强监管和技术创新。文章不仅为资源型地区碳排放现状及其演化规律研究提供了新的分析视角和方法，还为进一步开展碳排放监测和研究奠定了重要的数据和技术基础。

关键词： 能源资源; 高分辨率; 碳排放; 标准差椭圆; 核密度估计; 吐哈盆地

本文引用格式

陈琳 , 李华姣 . 能源资源型区域碳排放高分辨率时空演变规律和驱动因素——以吐哈国家能源基地为例[J]. 经济地理, 2025 , 45(11) : 192 -201 . DOI: 10.15957/j.cnki.jjdl.2025.11.019

Abstract

Energy resource-intensive areas have a strong dependence on fossil fuels, often forming "rigid" industrial path dependencies and "functional lock-ins," which inevitably lead to the consumption of large amounts of fossil fuels and the generation of large-scale carbon emissions. This study takes the Turpan-Hami National Energy Base as the object. Through systematic boundary demarcation and data collection, a high-resolution carbon emission accounting system was established. We analyzed the main carbon emitters, types, scales, and distribution of carbon emissions in the Turpan-Hami Base quantitatively, and constructed a high-precision 1 km×1 km grid carbon emission basic dataset. It was found that the Turpan-Hami Energy Base has formed distinct high-carbon emission clustering areas in space, mainly concentrated in the Gaochang District, the northern part of Shanshan County, and the central part of Yizhou District, which is closely related to the regional development differences. The spatial pattern and migration trend of the carbon emission centroid were further revealed by the standard deviation ellipse method, and it was found to be consistent with the distribution of GDP, population, and industry. Based on the kernel density estimation method, the spatiotemporal evolution features of carbon emissions in the Turpan-Hami Base were further studied. The results show that before 2010, carbon emissions underwent significant changes, which were closely related to policy regulation, the process of industrialization and urbanization, and energy consumption. After 2010, the trend of carbon emission changes tended to stabilize, but there were still fluctuations. High-emission industries such as the power industry, heavy industry, and energy sector still need to strengthen supervision and technological innovation. This study provides a new analytical perspective and method for the current situation and evolution fratures of carbon emissions in resource-based areas and lays an important foundation of data and methodology for further carbon emission monitoring and research. Next, we will get high-resolution socioeconomic data to achieve alignment with existing high-resolution datasets, so as to enable in-depth analyses.

Key words： energy resources; high-resolution; carbon emissions; standard deviational ellipse (SDE) method; kernel density estimation (KDE); Turpan-Hami Basin

中国作为负责任大国，一直是气候治理的积极倡导者和参与者。2020年9月22日，习近平总书记在第七十五届联合国大会一般性辩论上作出庄严承诺：“中国将提高国家自主贡献力度，采取更加有力的政策和措施，二氧化碳排放力争于2030年前达到峰值，努力争取在2060年前实现碳中和”。“双碳目标”的提出，为我国的节能减排工作明确了奋斗目标。资源型城市为我国城镇化和工业化的发展做出了历史贡献，但其产业结构所面临的高耗能、高污染、高排放的趋势性压力尚未得到根本解决。能源资源型地区对化石能源存在较强的依赖性，往往形成“刚性”的产业路径依赖和“功能锁定”，从能源资源开采及深加工的技术、资金和人员等所有生产要素到生产和管理等制度框架长期锁定在能源资源密集型产业上，不可避免地消耗了大量化石能源，导致了大规模碳排放量的产生。
资源禀赋理论强调，区域发展应因地制宜，立足本地要素禀赋与比较优势[1]。吐哈国家能源基地（以下简称“吐哈基地”）作为新疆三大能源基地之一，同时拥有大型煤炭、油气和风光清洁能源，是国家煤炭能源基地重点建设区域，扮演着能源保供压舱石和能源转型重要示范区等重要角色。吐哈基地的煤炭、石油和天然气资源量分别为9044亿t、15.75亿t和3650亿m3，占新疆总量的41.30%、7.21%和2.64%[2]。其中，煤炭资源预测量为全疆第一位，特别是三塘湖、淖毛湖地区的煤炭是世界罕见的富油煤资源，其品质远优于国家标准，是煤化工的理想原料。根据新疆“十四五”规划，吐哈基地被定位为国家大型煤炭煤电煤化工基地，承担“疆电外送”“疆煤外运”、现代煤化工等重大工程。目前，吐哈基地共有7个工业园区，主导产业结构为煤电煤化工，汇集了约720家企业。园区规模以上企业占两市规模以上工业企业增加值总量的82.43%，能源资源产业集聚效应显著。与此同时，这种依赖于单一传统化石能源禀赋的快速发展模式，导致碳排放规模持续高速增长，高碳问题与绿色高质量发展的矛盾日益尖锐。2020年，吐哈基地碳排放强度为全疆第一，增速仅次于昌吉地区[3]。在双碳国家战略背景下，吐哈基地高质量建设需要平衡能源矿产资源开发利用与生态环境、气候变化的矛盾与挑战，绿色低碳发展势在必行。
本文致力于突破传统依托统计数据分析方法的局限，以实现对能源资源密集型地区碳排放空间分布和影响因素的精准识别和刻画。首先，提出针对能源密集型地区碳排放高分辨率时空演化模型方法，界定和分析能源密集型区域碳排放核算的系统边界，确定核算范围和核算内容；然后，收集、整理能源密集型区域能源消费的历史数据，结合遥感技术和IPCC排放因子法，定量核算能源密集型区域碳排放主体、种类、规模和分布情况，识别核算范围内碳源，建立网格化碳排放基础数据集；最后，考察能源密集型区域的碳排放变化特征，甄别碳排放的关键环节和驱动因素，揭示其时空演化规律。

1 文献综述

探讨不同尺度区域的碳排放特征规律，是碳排放研究的重要前沿方向。已有研究在国家[4]、省域[5]、城市[6-7]、县域[8-9]等尺度开展了碳核算方法学及实证分析。资源型地区是践行国家应对气候变化战略行动及实现碳达峰和碳中和目标的关键区域[10]。针对资源型地区，学者们已广泛开展了碳排放特征[10]、减排效应[3]等研究。当前，能源资源型区域是碳减排的重点对象，尽管零碳风能、太阳能发电的成本竞争力持续提升，但由于对化石能源发展路径的依赖，以及对可再生能源量的充裕性与质的稳定性的存疑[11]，能源资源型地区碳减排仍受到严重制约。由于当地产业分布不均匀，仅通过粗粒度的统计数据难以精准捕捉内在规律，进而有的放矢，进行针对性治理。
调查研究虽在一定程度上弥补了统计数据细致性的不足[12]，但其成本和样本代表性难以得到有效解决，而以栅格化为分析单元的GIS高分辨率数据作为统计数据的有效补充和精准分析的依据，已广泛用于资源环境监测和生态环境治理等方面[13-16]，同时也成为全球碳排放追踪和治理的重要技术手段。Doll等利用美国国防气象卫星项目DMSP/OLS的夜间灯光数据分配FFCO2排放量，编制了1995年全球尺度CO2高分辨率排放清单[17]；随后Rayner等通过同化模型构建了全球尺度化石能源数据同化系统[18]。
近几年，我国高分辨率CO2排放清单取得了一系列进展，例如全球燃料燃烧CO2排放清单（PKU-CO2）[19]、中国高空间分辨率网格数据（CHRED）[20]，全球点源尺度炼油厂CO2排放[21]等。高分辨率碳排放数据平台的搭建和深入研究，有助于明确重点排放区域并发现隐藏的排放源，为制定差异化减排策略、评估减排措施有效性提供了必要基础[22]。

2 研究设计

2.1 研究对象与数据来源

2.1.1 研究对象

吐哈基地是国家规划的九大煤电基地之一，地域上涵盖吐鲁番市（高昌区、鄯善县、托克逊县）与哈密市（伊州区、巴里坤哈萨克自治县、伊吾县）。本文碳排放核算的空间边界即为整个吐哈基地，面积约为12万km²。

2.1.2 数据来源

本文采用的人口数据是来自LandScan的2000—2021年1 km分辨率栅格数据，图1显示了该时期吐哈基地GDP和人口变化情况；土地利用数据来自武汉大学杨杰和黄昕教授团队制作的30 m分辨率栅格数据；高分辨率碳排放数据采用的是CO2空间网格数据（ODIAC），该数据是基于《世界能源统计年鉴》的统计数据，严格遵循IPCC指南的碳排放核算方法，进行各地区总碳排放计算，并根据夜间灯光遥感数据以及电厂点源数据进行栅格分配，通过与其他排放清单（如CDIAC、EDGAR清单数据）进行对比验证确保数据的真实性。各类经济统计数据（能源消费总量、GDP、地区总人口、地区城镇人口数、机动车车辆保有量、城镇建设用地面积等来自吐鲁番、哈密两市统计年鉴。由于各项数据库更新程度不同，其中土地利用数据、耕地破碎化指数、哈密统计年鉴的最新数据均截至2021年，为对齐数据收集年份，确保高分辨率栅格化核算的准确度，最终确定研究时期为2000—2021年。具体见表1。
表1 数据类型及来源

Tab.1 Data description for analyzing carbon emission evolution characteristics and socioeconomic driving factors

数据名称 时间序列 空间分辨率 数据来源
人口数据 2000—2021年 1000 m https://landscan.ornl.gov
土地利用数据 2000—2021年 30 m https://zenodo.org/record/8176941
GDP数据 2000—2021年 1000 m https://doi.org/10.1038/s41597-022-01322-5
高分辨率碳排放数据 2000—2021年 - ODIAC Fossil fuel emission dataset
耕地破碎化指数、建设用地面积 2000—2021年 1000 m 基于土地利用数据构建得到
各类经济统计数据（能源消费总量、地区总人口、地区城镇人口数、机动车车辆拥有量、城镇建设用地面积等） 2000—2021年 - 由吐鲁番、哈密两市统计年鉴得到，机动车辆拥有量、城镇建设用地面积以及能源总量3个指标的公开2000—2021年的年份数据并未完整，对其进行拟合作为补充数据
煤力发电厂点源数据、其他高耗能行业重点企业 截至2021年 - 煤力发电厂点源数据： https://datasets.wri.org/dataset/globalpowerplantdatabase
图1 2000—2021年吐哈基地GDP和人口变化趋势

Fig.1 Temporal trends of GDP and population in the Turpan-Hami Base, 2000-2021

2.2 研究方法

2.2.1 高分辨率碳排放数据的空间聚类特征分析

本文从高分辨率的视角，利用莫兰指数（Moran's I）分析吐哈基地网格化碳排放的空间聚类特征。Moran's I指数方法是用于统计分析空间分布特征和揭示空间分布集聚性和对比差异性的有效研究手段，通过空间自相关统计来显示吐哈能源基地碳排放的空间聚类特征。Moran's I指数包括全局Moran's I指数和局部Moran's I指数（LISA）。

2.2.2 高分辨率碳排放的重心空间形态分析

为进一步分析吐哈基地碳排放空间分布的重心以及在东西、南北方位的重心偏移情况，了解吐哈基地碳排放重心偏移趋势，基于标准差椭圆方法开展吐哈基地网格化碳排放重心空间形态分析。
标准差椭圆方法利用空间统计方法和地理要素的空间分布特征来揭示各种现象的空间分布，定量解释要素的中心性、分散性、方向性和空间形态，描述要素在时间和空间上的分布情况，依据椭圆的中心、主轴、次轴和方位角确定要素活动主导趋势的发展方向。其中，中心代表重心，方位角显示主趋势的方向，而沿主轴的标准差反映了在这个主要方向上的变化。主轴方向对应着经济属性集中的方向，而次轴方向则代表着不集中的方向。通过比较不同年份吐哈基地碳排放的标准差椭圆，可以观察到椭圆覆盖范围和形状的变化，从而推断吐哈基地碳排放的分布和变化趋势。

2.2.3 碳排放高分辨率演化特征分析

①线性倾向估计法。为了进一步揭示吐哈基地碳排放的时间变化趋势，本文采用倾向值（SLOPE）测算2000—2021年网格化碳排放的变化斜率，研究吐哈基地碳排放量在时间序列上的变化。同时，利用最小二乘方法估算线性倾向值，计算公式如下：
S L O P E = n · ∑ i = 1 n x i C i - ∑ i = 1 n x i ∑ i = 1 n C i n · ∑ i = 1 n x i 2 - ∑ i = 1 n x i 2
式中： n为年份的个数，即为22； x i为第 i年，以2000年为基准年； C i为第 i年的碳排放量。SLOPE值是指碳排放量上升或下降的速度，也就是碳排放变化趋势的斜率。如果SLOPE>0，那么碳排放量随时间推移呈现上升的态势；如果SLOPE=0，那么碳排放量随时间推移无明显变化；如果SLOPE<0，那么碳排放量随时间推移而降低。为了更好地划分碳排放量的增长速度，本文对像元尺度增长趋势进行划分，共分为9类（表2）。
表2 碳排放增长类型划分及标准

Tab.2 Classification criteria for carbon emission growth types

增长类型 SLOPE值
下降趋势显著 <-500
中速下降型 [-500，-200]
缓慢下降型 -200~-1
趋势不显著 0
缓慢增长型 1~200
中速增长型 200~500
较快增长型 500~1000
迅猛增长型 1000~5000
增长趋势显著 >500
②核密度曲线。为更好地研究吐哈基地碳排放强度随时间的分布动态和发展规律，本文选用核密度估计对吐哈基地网格化碳排放数据进行分析。核密度估计是一种估计随机变量概率密度函数的非参数方法，通过对变量进行概率密度估计，用连续的密度曲线描述变量的特征趋势。

3 结果分析

3.1 能源资源型区域网格化碳排放的空间分布特征

3.1.1 碳排放空间聚类特征分析

①区域尺度排放特征分析。图2展示了2005、2010、2015和2021年吐哈基地高分辨率网格化碳排放空间分布特征。2000、2005、2010、2015、2020和2021年6个年份吐哈基地碳排放特征全局自相关指数可由指数由各年份吐哈基地1 km×1 km碳排放格网数据计算得出。各年份全局Moran's I指数中最大值为0.0194，最小值为-0.0939，均位于0值附近，表明吐哈基地的碳排放全局自相关不明显，整体呈现随机分布格局；P值均大于0.05，Z指数均小于1.650，最大值为0.688，最小值为0.134，说明吐哈基地碳排放没有形成明显的空间聚集特征。
图2 吐哈基地1 km×1 km网格化碳排放空间分布演变

Fig.2 1 km×1 km gridded carbon emissions in the the Turpan-Hami Base

②格网尺度排放特征分析。为进一步分析吐哈基地的碳排放分布特征，本文利用ODIAC吐哈基地碳排放格网数据进行局部Moran's I指数分析。选取2000、2005、2010、2015和2021年5个年份进行1 km×1 km格网排放特征变化分析（图3）。结果显示，2000年吐哈基地碳排放的高—高聚类特征区主要集中分布在高昌区北部、鄯善县北部和伊州区中部，在其余区县内零散分布小面积聚类区，表明2000年吐哈基地碳排放聚类特征明显。2005年，高—高聚类区的主体分布范围与2000年基本一致，但聚集程度有所减弱，同时基地总排放量上升。这表明2000—2005年原有的高值聚类区周边开始出现新的小型聚类区，导致了空间格局的分散化。2010年，吐哈基地碳排放高—高聚类区分布在托克逊县北部、高昌区北部、鄯善县北部和伊州区中部，相较于2005年，这些高—高聚类区整体分布进一步松散，各区域中小面积高—高聚类特征区的数量和面积进一步增加。2015年，吐哈基地碳排放高—高聚类区集中分布在托克逊县北部、高昌区北部、鄯善县北部和伊州区中部，在达坂城区、巴里坤哈萨克自治县南部和伊吾县部分区域分布众多小面积高—高聚类区，同2010年高—高聚类区整体面积持平。到2021年，吐哈基地碳排放高—高聚类区集中分布在托克逊县北部、高昌区北部、鄯善县北部和伊州区中部，在达坂城区、巴里坤哈萨克自治县南部和伊吾县部分区域分布小面积高—高聚类区，同2015年的高—高聚类区的位置和面积几乎保持一致，说明吐哈基地碳排放空间聚类特征趋于稳定。
图3 吐哈基地碳排放空间聚类分布演变

Fig.3 Spatial clustering distribution of carbon emissions in the Turpan-Hami Base

总体来看，吐哈基地碳排放高—高聚集区集中分布在高昌区、鄯善县北部以及伊州区中部，在其他区县内仅有零星分布。图4展示了2000、2005、2010、2015和2021年5个年份吐哈基地碳排放空间高聚类区域面积统计结果，从中看出2010年碳排放高聚类区面积为6489 km²，相较于2005年增加了1920 km²；在2010年之后，碳排放高聚类区域面积保持稳定。高昌区和伊州区中部分别对应吐鲁番市和哈密市的经济发展中心，城市建设加快、人口数增大、能源消耗增加等因素造成碳排放量增加，从而在这些地区形成高碳排放聚类区。
图4 不同年份吐哈基地碳排放高—高聚类区域面积统计

Fig.4 Area of high-high carbon emission clusters in the Turpan-Hami Base

3.1.2 碳排放重心空间形态分析

基于2000—2021年高分辨率碳排放1km×1km格网数据，本文利用标准差椭圆方法分析吐哈基地碳排放的空间分布特征（图5）。总体来看，吐哈基地碳排放的空间分布呈明显的“西—东”走向。具体而言，2000—2021年吐哈基地碳排放重心发生了4次明显偏移，重心整体朝向正东方向迁移，且都在伊州区内。2000年，吐哈基地的碳排放重心位于（91.48574°E，42.89349°N），形成一个标准差椭圆，其长半轴为296.64 km，短半轴为42.83 km，方位角为92.20°；到2002年，重心移动至（91.72541°E，42.86500°N），总共向正东偏南方向移动了26.65 km，长半轴增加了20.56 km，短半轴增加了2.67 km，显示出吐哈基地整体碳排放分散性增加；到2004年，重心移动至（91.81703°E，42.85615°N），向正东方向偏移了10.19 km，长半轴增加了2.89 km，短半轴增加了3.19 km，显示出吐哈基地整体碳排放分布的分散性继续增加；到2005年，重心移动至（91.96371°E，42.84124°N），相较于2004年，向正东偏南方向偏移了16.31 km，长半轴减少了6.86 km，短半轴增加了1.29 km，显示吐哈基地的整体碳排放在东西方向上有所集中，在南北方向上有所分散；到2010年，重心移动至（92.28912°E，42.80680°N），相较于2005年，向正东偏南方向偏移了36.18 km，长半轴增加了6.47 km，短半轴增加了2.83 km，显示出吐哈基地整体碳排放分布的分散性进一步增加。在2010年以后，碳排放分布格局趋于稳定。
图5 2000—2021年吐哈基地碳排放标准差椭圆分布

Fig.5 Standard deviational ellipse distribution of carbon emissions in the Turpan-Hami Base，2000-2021

3.2 能源资源型区域网格化碳排放的时间演化特征

3.2.1 碳排放规模的时间变化趋势

基于吐哈基地网格化碳排放数据集，本文分析了该区域2000—2021年碳排放变化情况（图6）。结果显示，2000—2021年吐哈基地碳排放量呈明显增长趋势，22年间增长了约6.4887亿t，相比2000年增长了约1.113倍，年均增长5.06%。分时段来看，2000—2003年碳排放量波动较小，维持在6.00亿t左右。在此期间，吐鲁番市和哈密市的经济结构相对稳定，主要依赖农业和轻工业，工业化进程较慢。随后的2003—2009年，碳排放量逐渐增加，达到接近10.00亿t的高点。该时期吐哈基地GDP总值从139亿元增长到282亿元，增长超过2倍；电力生产和供应业在这一时期也有明显增长，说明在此期间经济和工业活动的增加虽推动了吐哈基地经济发展，但也导致了碳排放量的增加。2010—2017年，尽管整体保持在较高水平，但未出现明显的波动。进入2018—2021年，碳排放量再次显著增长，特别是在2021年达到最高值，年均增加约0.50亿t。可能原因是，吐鲁番地区工业主要集中在煤炭开采、洗选业、有色金属冶炼，而哈密地区工业主要集中在采矿业和制造业，这些工业都是该地区直接或间接的碳排放来源。
图6 2000—2021年吐哈基地碳排放量变化特征

Fig.6 Annual carbon emissions curve in the Turpan-Hami Base

整体来看，吐哈基地碳排放量的上升趋势反映了区域经济活动的快速发展和工业化进程的加速。尽管存在一些年度波动和调整，如2002和2010年存在一定程度的下降，这两年分别是“十五”计划和“十二五”计划的初期，该时期政府虽出台相关政策调整了产业结构，使得碳排放量在短时间内有一定程度的下降，但总体的长期增长趋势仍然十分显著。为了实现可持续发展目标，未来需要采取更多有效的政策和技术措施来控制和减少碳排放。

3.2.2 碳排放区域分布的时间变化趋势

由图7可知，2000—2021年吐哈基地不同时期不同区域的碳排放量变化态势各异。具体来看，2000—2005年吐鲁番和哈密市的中心市区碳排放量呈现出显著的增长态势，而两市的其他非中心区域则呈现缓慢下降趋势。这种空间分异与经济活动高度集中在中心市区直接相关。从季度变化来看，春季碳排放量最为稳定，几乎无变化，这很可能源于该季节处于工业生产淡季，整体活动水平维持在低位平稳状态。夏、秋两季，部分市区的碳排放量出现缓慢增长，可能与季节性生产需求增加有关；冬季，大部分市区的碳排放量呈现出缓慢下降趋势，这可能是由于清洁供暖政策的推广或能效提升措施发挥了作用。整体而言，碳排放的季节性波动体现了该地区工业活动和能源消费模式的特点。
图7 不同时期吐哈基地像素尺度碳排放增长空间分布演化

Fig.7 Some typical annual pixel-scale carbon emission growth trend types in the Turpan-Hami Base

2005—2009年，吐哈基地市区碳排放量处于缓慢升高的趋势。哈密市区的碳排放增长尤为明显，这主要归因于当地两家燃煤电厂的持续运行，导致碳排放量持续增加。经济活动的持续扩展和新建工业项目的投入使用是这一阶段碳排放量增长的主要驱动力。在此期间，吐鲁番市新增一家高耗能重点企业，助推了碳排放量增长。
2009—2010年，吐哈基地碳排放趋势出现分化：吐鲁番市缓慢下降，而哈密市则显著上升，尤其在市区的电厂附近。这表明哈密的碳排放深受燃煤电厂影响，而吐鲁番的下降可能得益于政策调控或其他经济结构调整。2011—2015年，区域碳排放呈现出先升后降的动态变化。2011—2012年，碳排放继续增长。其直接原因是能源基础设施的快速扩张：据统计，在此期间哈密市新增了4座燃煤电厂，吐鲁番市也增加了3座发电厂及1家高耗能重点企业。这些新增的高耗能项目在短期内显著推高了碳排放量。然而，从2013年开始，随着清洁能源的推广与新能源电厂的建设，吐鲁番和哈密市的市区碳排放均转为缓慢下降态势。这表明区域能源结构开始转型，减少了对传统燃煤发电的依赖，从而对碳减排产生了积极影响。
2015—2016年，吐鲁番和哈密市的碳排放量呈现下降态势，这段时期的下降可能与政策对清洁能源的倾斜以及对传统煤力发电的限制有关。2016—2017年，吐鲁番市的小部分区域碳排放量呈现下降态势，但大面积区域则呈现上升趋势。同时，哈密市新建了一个燃煤电厂，碳排放量普遍上升。2017—2021年，吐鲁番和哈密市区的碳排放量均呈现上升态势。清洁能源政策虽然逐步推行，但传统能源使用的惯性依然显著，市区碳排放量的上升反映出经济增长对能源需求的增加，而高耗能重点企业和发电厂等的数量与碳排放量不断上升有很大的相关性，传统煤力发电的使用和高耗能企业的日常工业活动共同导致了碳排放的显著回升。

3.3 网格化碳排放密度曲线

综合国家政策以及当地发展情况等因素，本文绘制了2000—2021年吐哈基地网格化碳排放核密度曲线图（图8）。从整体趋势与中心移动看，曲线密度函数的中心点在2000—2021年持续右移，这表明吐哈基地的碳排放强度存在明显的增强趋势。这一趋势主要源于电力需求的增长带动发电量攀升，加之国家支持下的经济快速发展、产业结构优化及居民生活水平提高。从峰值变化与多极分布看，2000年的核密度曲线主峰高度为历年最高，此后峰值虽逐年递减，但始终维持较高水平，同时峰宽基本稳定或略有增加。曲线形态呈现“多峰”与“尖峰”特征，表明碳排放强度存在显著的多极分化现象，且该现象在研究时段内未见缓和。从分布延展看，曲线呈现出明显的右拖尾形态，且数据区间随年份扩大，尖峰持续右移。这说明吐哈基地不断涌现出更高强度的碳排放集中点，导致碳排放强度的内部差异逐年扩大。同时，峰值降低也意味着碳排放强度的空间聚集程度有所下降，分布趋于分散。
图8 2000—2021年吐哈基地网格化碳排放密度曲线

Fig.8 Grid-based carbon emission density curves for the Turpan-Hami Base in 2000-2021

3.4 碳排放空间分布相关因素分析

通过吐哈基地区域GDP和人口的标准差椭圆分布与变化趋势，分析二者与碳排放的变化趋势的空间分布相关性。图9展示了吐哈基地2000、2004、2008、2012、2016和2020年6个年份的GDP和人口标准差椭圆分布情况，以及2021年煤电厂和高能耗行业重点企业分布情况。整体来看，吐哈基地GDP标准差椭圆的重心在伊州区东部略微偏移，与该地区碳排放重心分布趋势一致，表明吐哈基地碳排放空间分布情况与该地区的GDP分布存在一致性关系。该地区人口标准差椭圆的重心在伊州区与鄯善县交界处偏移，与该地区碳排放重心分布略有偏差。考虑到吐哈基地煤电厂和其他高耗能行业分布特征，2000—2021年该地区东部煤电厂数量大于西部地区，造成了吐哈基地碳排放重心相较于人口分布重心稍向东偏，但是2010年之后吐哈基地鄯善县及其西部其他高耗能行业重点企业陆续建立，吐哈基地的碳排放重心位置逐渐趋于稳定。同时，该地区人口分布标准差椭圆的短半轴在2000—2012年变化较大，表明吐哈基地人口分布在南北方向上聚集性增大，在2012年之后人口标准差椭圆趋于稳定，这与碳排放分布标准差椭圆变化趋势一致，说明二者间存在一定相关性。
图9 吐哈基地GDP和人口标准差椭圆及煤电厂和高能耗行业重点企业空间分布

Fig.9 Standard deviational ellipse distribution of GDP and population in the Turpan-Hami Base, along with the spatial distribution of coal-fired power plants and key high-energy-consumption industries

4 结论与建议

4.1 结论

本文界定了吐哈基地碳排放核算系统边界，明确了核算的具体范畴和内容体系，构建了1 km×1 km的高空间分辨率的网格化碳排放数据集，并借助卫星遥感、社会经济等数据定量核算了碳排放主体、种类、规模和分布情况，据此分析了吐哈基地碳排放的演化特征。主要结论如下：
①构建了吐哈盆地国家能源基地1 km×1 km网格化碳排放数据集。ODIAC数据集首次将夜间灯光数据和单个电厂排放/位置信息整合起来，计算化石燃料CO2排放量和空间分布状态。一方面，利用夜间灯光数据提供了广泛而连续的观测覆盖，能够捕捉到那些不易被传统监测手段所遗漏的小型排放源；另一方面，单个发电厂信息的整合则确保了数据在重点排放源上的高精度和准确性。基于ODIAC数据库，生成一套2000—2021年吐哈盆地国家能源基地1 km×1 km碳排放数据集。
②识别了高昌区、鄯善县北部以及伊州区中部为高碳排放聚类区。为揭示吐哈能源基地空间排放特征，本研究使用全局莫兰指数和局部莫兰指数方法，通过空间自相关统计显示出吐哈能源基地各年份在全域上和局部区县上没有形成明显的空间聚类特征，而在1 km×1 km 空间分辨率碳排放格网上，形成了集中在高昌区、鄯善县北部以及伊州区中部的高碳排放聚类区，这与吐哈能源基地内部的区域发展差异有关。
③揭示了吐哈能源基地碳排放中心向正东方向迁移的规律和驱动因素。使用标准差椭圆法揭示了吐哈能源基地各年份碳排放重心的空间形态，并进一步基于GDP、人口、工业等数据开展吐哈能源基地碳排放空间分布相关因素分析。结果发现，碳排放重心朝向正东方向迁移，且都在伊州区内，变化趋势同吐哈能源基地GDP、人口重心分布以及煤电厂和一些高耗能行业重点企业数量分布相符，表明吐哈能源基地碳排放空间分布重心同经济发展重心存在一致性。
④发现了与工业和电力生产轨迹强相关的排放演化规律。为分析吐哈能源基地时间排放特征，本研究使用核密度估计法，分析了吐哈基地2000—2021年碳排放量的时间变化。2000—2021年，吐哈基地的碳排放量经历了显著变化。早期，随着经济活动的不断增加和煤电厂以及其他高耗能行业重点企业的兴建，碳排放量快速增长，反映了工业和电力生产对区域碳排放的显著影响。如果要在未来有效控制和减少区域碳排放，必须加快现役煤电机组的节能降碳改造，加大清洁能源的使用力度。

4.2 建议

①加强吐哈基地碳减排统筹管理，推进跨区域协同治理。由于吐哈基地碳排放高—高聚集区域较为稳定，主要聚集在高昌区、鄯善县北部以及伊州区中部，建议跳出行政区和同质化的减排策略，针对高—高聚焦的区域，成立碳减排联合行动小组，充分运用高分辨率碳排放数据为依据，构建栅格尺度的协同减排策略和政策保障。
②探寻吐哈基地社会经济东向迁移与碳排放的脱钩路径。当前，吐哈基地人口、经济、高排放企业的重心东移与碳排放在时空上存在着强耦合的特征，想要实现有效碳减排，需要从政策角度，在东向迁移过程中，减少高耗能、高污染产业的比重，增加高新技术产业和现代服务业的比重，提高产业附加值，降低单位GDP的碳排放强度。
③夯实吐哈基地先行示范作用，打造能源转型和能碳联动产业链。作为重要的能源基地，需要充分发挥吐哈基地多资源联动的优势，在化石能源清洁高效利用、大容量风电、高效光伏等领域布局科技项目，推动先进低碳技术示范和推广；推进燃料用煤减量替代，提高绿电消费比重，推广煤改气、煤改电工程；支持吐哈盆地煤电企业开展碳捕集、利用和封存示范，提前布局CCUS相关产业链。

参考文献

原文顺序 | 文献年度倒序 | 文中引用次数倒序
[1]
蒋庆哲, 刘杨, 蒲欣宇, 等. 零碳园区建设的系统路径、发展模式及治理生态[J]. 中国人口·资源与环境, 2025, 35(5):13-23.

[2]
库力孜那. 新疆吐哈盆地二氧化碳地质封存潜力分析[D]. 乌鲁木齐: 新疆大学, 2016.

[3]
包佳玉, 李祥龙, 胡启文, 等. 新疆能源消费碳排放时空特征及能源结构调整路径探讨[J]. 干旱区研究, 2024, 41(2):345-356.

[4]
Mi Z F, Zheng J L, Meng J, et al. Economic development and converging household carbon footprints in China[J]. Nature Sustainability, 2020, 3(7):529-537.

DOI

[5]
韩梦瑶, 刘卫东, 谢漪甜, 等. 中国省域碳排放的区域差异及脱钩趋势演变[J]. 资源科学, 2021, 43(4):710-721.

DOI

[6]
徐维祥, 郑金辉, 周建平, 等. 资源型城市转型绩效特征及其碳减排效应[J]. 自然资源学报, 2023, 38(1):39-57.

DOI

[7]
陆杉, 李雯. 技术创新对能源利用效率影响的空间效应与机制——基于中国278个地级以上城市的面板数据[J]. 中南大学学报(社会科学版), 2024, 30(2):101-113.

[8]
余文梦, 张婷婷, 沈大军. 基于随机森林模型的我国县域碳排放强度格局与影响因素演进分析[J]. 中国环境科学, 2022, 42(6):2788-2798.

[9]
刘华军, 邵明吉, 吉元梦. 中国碳排放的空间格局及分布动态演进——基于县域碳排放数据的实证研究[J]. 地理科学, 2021, 41(11):1917-1924.

DOI

[10]
王宇杰, 段霄东, 薛颖, 等. 中国资源型城市碳排放特征、达峰态势及驱动因素分析[J]. 生态经济, 2025, 41(3):43-49.

[11]
潘家华, 吉治璇. 可再生能源产—储—用多功能融合的零碳单元体形态特征与方案构建[J]. 中国人口·资源与环境, 2025, 35(5):1-12.

[12]
Zhou J, Ma H, Wang S. Household consumption carbon emissions under different urbanization levels—A study based on micro-survey data[J]. Cities, 2025, 158:105630.

[13]
吴大放, 吴钊骏, 李升发, 等. 粤北山区耕地非粮化演变特征及其影响因素[J]. 经济地理, 2023, 43(8):144-153.

DOI

[14]
安国强, 韩颖新, 高宁, 等. 山东省生态系统服务价值量及均衡度的空间分异规律[J]. 中国人口·资源与环境, 2021, 31(10):9-18.

[15]
Huang Z, Bao Y, Mao R, et al. Big geodata reveals spatial patterns of built environment stocks across and within cities in China[J]. Engineering, 2024, 34:143-153.

DOI

[16]
曾志伟, 杨华, 宁启蒙, 等. 洞庭湖区土地利用强度演变及其对生态系统服务的影响[J]. 经济地理, 2022, 42(9):176-185.

DOI

[17]
Doll C N H, Muller J P, Elvidge C D, et al. Night-time imagery as a tool for global mapping of socioeconomic parameters and greenhouse gas emissions[J]. AMBIO, 2000, 29 (3):157-162.

DOI

[18]
Rayner P J, Raupach M R, Paget M, et al. A new global gridded data set of CO2 emissions from fossil fuel combustion:Methodology and evaluation[J]. Journal of Geophysical Research:Atmospheres, 2010, 115(D19):D19306.

[19]
马立, 王璟煦, 张迪迪, 等. 高时空分辨率FFCO2排放清单的构建方法及研究展望[J]. 地理学报, 2022, 77(3):650-664.

DOI

[20]
蔡博峰, 王金南, 杨姝影, 等. 中国城市CO2排放数据集研究——基于中国高空间分辨率网格数据[J]. 中国人口·资源与环境, 2017, 27(2):1-4.

[21]
Lei T, Guan D, Shan Y, et al. Adaptive CO2 emissions mitigation strategies of global oil refineries in all age groups[J]. One Earth, 2021, 4(8):1114-1126.

DOI

[22]
高阳, 张磊, 黄安, 等. 高时空分辨率FFCO2排放清单的构建方法及研究展望[J]. 环境科学研究, 2022, 35(5):123-135.

Options
文章导航

/

〈 〉