EN中文

Economic geography >

2026 , Vol. 46 >Issue 2: 92 - 102

DOI: https://doi.org/10.15957/j.cnki.jjdl.2026.02.009

Spatiotemporal Differentiation of Land Use Carbon Emissions in Counties of Wuhan Urban Circle and Its Influencing Factors

  • TANG Wenbin , 1 ,
  • LIU Huiqin 1 ,
  • LIU Ye 2
Expand
  • 1. School of Economics and Management，Changsha University of Science and Technology，Changsha 410076，Hunan，China
  • 2. Rail Transit Division，China Communications Construction Company，Beijing 101300，China

Received date: 2023-06-20

  Revised date: 2025-01-23

  Online published: 2026-04-10

Fold

Abstract

Based on the direct and indirect carbon emission measurement models, this article estimates the land use carbon emissions in Wuhan urban circle at county level from 2013 to 2019, and analyzes the spatial and temporal differentiation characteristics and influencing factors of land use carbon emissions using spatial exploratory analysis tools, multi-scale geographically-weighted regression model (MGWR), and NPP-VIIRS nighttime light data. The empirical results show that: 1) Carbon emissions from land use in Wuhan urban circle declined slightly each year from 2013 to 2015, increased slightly in 2016, and have been increasing significantly each year since 2017. 2) The overall land use carbon emissions in the Wuhan urban circle exhibit a pattern which is higher in the central region and lower in the surrounding areas, with Wuhan, Huangshi and Xiaogan as the main sources of carbon emissions. 3) There is a significant positive correlation in the spatial distribution of land use carbon emissions across the study areas, and the correlation strength increases year by year, forming the spatial characteristics of high-high agglomeration centered on the main urban area of Wuhan City and low-low agglomeration centered on Huanggang City. 4) Among the four main factors influencing land use carbon emissions, the level of economic development and the degree of land construction and development have a positive influence, while energy efficiency and population density have a negative influence.

Key words： land use; carbon emissions; multi-scale geographically weighted regression; nighttime light data; Wuhan urban circle

Cite this article

TANG Wenbin , LIU Huiqin , LIU Ye . Spatiotemporal Differentiation of Land Use Carbon Emissions in Counties of Wuhan Urban Circle and Its Influencing Factors[J]. Economic geography, 2026 , 46(2) : 92 -102 . DOI: 10.15957/j.cnki.jjdl.2026.02.009

随着城市化进程的不断提速，我国逐渐形成了以长三角、珠三角、京津冀等为代表的七大城市圈，有力支撑了经济社会高质量发展。城市圈的划定加大了圈内城市间的联系和自由度，促进了彼此间的技术进步与协同发展，加快了产业、人口和经济活动的大量汇聚，但同时也带来了碳排放急剧上升、环境问题愈加突出等矛盾。因此，从城市圈视角测度土地利用的碳排放量，分析其时空分异特征及影响因素，对推动区域乃至全国绿色低碳发展、实现“碳中和”的国土空间规划管理具有重要意义。
目前，国内外有关碳排放的研究已形成了较为系统的方法和理论体系，研究的时间和空间尺度较为广泛，用于实证的研究方法也很丰富，许多学者基于地理学[1]、生态学[2]、管理学[3]、环境资源学[4]等视角分别对此进行了探讨。从研究尺度来看，已有成果在碳排放的宏观、中观、微观层面均有涉及，但主要体现在国家和省域层面[3,5]。例如，Dong等测算了长江经济带内108个城市的碳排放情况，并检验了该区域内碳排放与土地利用效率、产业转型三者之间的关系[6]。县域作为国土空间规划的重要单元[7]，是碳中和目标的关键承担者和执行者[8]。但是，由于我国县级行政区碳排放统计信息尚未完全公开，有关城市圈内县域尺度土地利用碳排放的研究较为鲜见。从数据来源来看，Elvidge等最早证明了碳排放量与夜间灯光亮度数值具有相关关系，为夜间灯光数据估算碳排放量提供了可靠的理论支持[9]。近年来，许多学者运用DMSP-OLS夜间灯光数据，并结合统计数据对区域碳排放进行了估算[11-12]，虽然取得了不错的结果，但仍存在以下缺陷：①该数据仅限于1992—2013年，无法将碳排放分析延伸到最近年份；②由于内部灯光校正方法存在偏差，可能出现精度不高的问题。与之相比，由美国国家海洋大气管理局（NOAA）发布的夜间灯光数据（NPP-VIIRS）清晰度和敏感度较高，且时间跨度可以从2012年延伸至当前[9]。例如，在黄河流域能源消费碳排放时空特征演变[1]、华北平原集中供暖碳排放时空分异特征分析[12]等研究中，均采用了此数据库，但将其应用于县域层面土地利用碳排放估算的研究仍有限。从研究方法来看，目前有关碳排放量的核算方法尚未形成统一的标准，根据适用尺度同样可分为宏观、中观和微观3个层次[13]。其中，宏观尺度核算方法适用于国家或区域的碳排放评估，包括物料平衡法[2]、因素分解法[14]和排放系数法[15]；中观尺度的核算方法适用于较小的行政区域或特定的土地利用类型，常采用模型模拟法[16]和遥感估算法核算碳排放[15-16]；微观尺度的核算方法主要针对具体的土地利用单元或小范围区域，通常包含实测法[17]和样地清查法[18]。微观尺度方法虽然精度高，但存在观测成本高、应用范围窄等问题。
土地利用作为城市碳排放调控的关键，深入研究其碳排放的影响因素对于制定有效的碳减排政策至关重要。在已有关于碳排放影响因素分析的研究中，学者们普遍采用地理探测器[19]、STIRPAT模型[20]和LMDI分解[21]等方法来识别人口、经济和技术等方面的主要影响因素，如经济发展速度、能源强度、城市化、科技进步、人口规模和土地利用结构。研究表明，人口、经济发展水平和科技水平是影响中国省域和城市群碳排放强度的关键因素[22]。事实上，碳排放在不同发展阶段会受到不同驱动因素的影响，且这些因素在不同地区表现出一定的差异性。例如，陈帝伯等认为中国省域的碳盈亏驱动因素经历了从经济和产业结构向人口、科技和城市化因素的转变[23]；Meng等揭示了黄河流域九省区土地利用碳排放主导因素的动态变化，尤其是能源使用效率的抑制作用随时间呈现出减弱趋势[24]。尽管如此，当前考虑空间异质性的有关土地利用碳排放影响因素的研究仍然较为有限。
综上，国内外关于土地利用碳排放的理论研究近年来已取得长足的发展，但在城市圈县域土地利用碳排放的测算方法及其影响因素分析上仍存在一些不足。因此，本文拟从以下方面作进一步研究：①结合宏观尺度的排放系数法及中观尺度的遥感估算法，采用NPP-VIIRS夜间灯光数据和土地利用动态数据，对2015—2019年武汉城市圈县域尺度的土地利用碳排放进行测算；②运用全局和局部空间自相关分析方法研究县域碳排放的区域差异和空间格局；③基于多尺度地理加权回归（MGWR）模型和ArcGIS、GeoDa软件，研究经济发展水平、人口密度、土地建设开发程度和能源效率等因素对县域土地利用碳排放影响的空间异质性。

1 研究方法与数据来源

1.1 土地利用碳排放估算方法

①直接碳排放。直接碳排放一般是指人类在耕地、林地、草地、水域以及其他未利用地上所产生的碳排放，其估算公式[5]为：
${C}_{1}=\sum \sum {C}_{ij}=\sum \sum \left({S}_{ij}·{\delta }_{j}\right)$
式中：C1表示城市圈所有县域的直接碳排放总量；i表示县域区；j表示土地利用类型；Cij表示第i个县域内第j类土地产生的直接碳排放量；Sij表示第i个县域内第j类的土地面积； ${\delta }_{j}$表示第j类土地的碳排放或碳吸收系数。
②间接碳排放。间接碳排放主要是指在建设用地上承载的人为碳排放，主要来源于原煤、天然气、液化石油气等能源消耗，其估算公式[10]为：
${C}_{2}=\sum \sum {C}_{km}=\sum \sum {Q}_{km}·{\alpha }_{m}·{\beta }_{m}$
式中：C2表示城市圈所有地级市的间接碳排放总量；k表示地级市；m表示化石能源种类；Ckm表示第k个地级市的第m类化石能源产生的碳排放量；Qkm表示第k个地级市的第m类化石能源终端消耗量；αm表示第m类化石能源的折算标准煤系数；βm表示第m类化石能源的碳排放系数。
由于县级层面的能源消耗数据一般难以完整获取，所以不能直接用式（2）来汇总统计各县域的间接碳排放总量。已有研究表明，夜间灯光数据与碳排放具有线性相关关系[1,10,19]，因此本文利用矫正后的夜间灯光数据与统计部门公布的地级市间接碳排放数据来推算县域间接碳排放量总量，其具体公式为：
${C}_{2}^{\text{'}}=\sum \sum {C}_{kn}=\sum \sum \left(\frac{D{N}_{kn}}{D{N}_{k}}·{C}_{k}\right)$
式中：Ckn表示隶属于第k个地级市的第n个县域的间接碳排放量；DNkn表示隶属于第k个地级市的第n个县域的夜间灯光亮度值；DNk表示第k个地级市的夜间灯光亮度值；Ck为第k个地级市的间接碳排放量。
③土地利用碳排放总量。汇总直接碳排放与间接碳排放，即可得到各县域的碳排放总量。计算公式为：
$C={C}_{1}+{C}_{2}={C}_{1}+{C}_{2}^{\text{'}}$
式中：C为武汉城市圈的土地利用碳排放总量。

1.2 土地利用碳排放影响因素分析方法

①莫兰指数。为了探究武汉城市圈碳排放的空间关联度及其显著性，本文采用全局莫兰指数来测度样本的总体自相关性。不同县域的空间自相关水平可能会有显著差异，即存在空间异质性，因此需作局部空间自相关分析，以探究各县域与相邻区域在碳排放方面的空间相关性与集聚类型。
②多尺度地理加权回归模型。地理加权回归（GWR）模型通过建立空间范围内每个位置的局部回归方程，探索研究对象在某一尺度下的空间特征及相关驱动因素，并用以预测其未来的变化趋势。而多尺度地理加权回归（MGWR）模型是在经典GWR模型的基础上，允许每个变量的带宽不同，并通过变量特定的带宽反映其空间尺度，降低模型估计的偏差[25]。

1.3 研究区概况与数据来源

武汉城市圈地处我国中部，以武汉为中心、黄石为副中心，涵盖鄂州、黄冈等9个城市（图略），是长江中游最具有发展潜力的城市圈，也是湖北省产业最密集的区域。本文根据2020年的《中国城市统计年鉴》，将武汉主城区的9个区统称为武汉城区，最终选取武汉城市圈的40个县、县级市、市辖区（简称“县域”）作为研究对象。
本文的数据来源主要是：①省级、市级、县级行政界线矢量数据来源于国家基础地理信息中心；②NPP-VIIRS夜间灯光遥感影像数据来源于NOAA网站NGDC数据中心，其空间分辨率为15"；③土地利用数据来自武汉大学黄昕研究团队发布的1985—2019年土地覆被数据[26]；④武汉城市圈县域土地利用碳排放测算及影响因素指标所涉及的数据，为避免新冠疫情对碳排放水平造成的异常干扰，确保数据的代表性与一致性，本研究选取疫情前的2014—2019年作为研究时段，所用数据来源包括《湖北统计年鉴》《中国县域统计年鉴》、湖北省各市州统计年鉴、统计公报及各级统计局发布的相关资料。

2 实证分析

2.1 碳排放时间分异特征

通过对2013—2019年湖北省土地利用现状栅格（30 m×30 m）进行掩膜提取、重分类等操作，得到各地类在不同县域网格上的空间分布，进而计算出40个县域不同地类的面积。建设用地碳排放测算采用IPCC建议的能源碳排放系数[10]，结合其他有关不同类型土地（耕地[27]、林地[28]、草地[27,29]、水域[30]、未利用地[27,31]）碳排放系数的已有研究成果，并考虑武汉城市圈的实际情况，确定最终各类土地的碳排放系数（表1）。
表1 能源及土地利用类型碳排放系数

Tab.1 Carbon emission coefficients for energy and land use types

能源消耗类型 标准煤折算系数 碳排放系数 土地利用类型 碳排放系数
原煤 0.7143（kgce/kg） 0.7559（kgC/kgce） 耕地 0.0479[kgC/（m2·a）]
煤油 1.4286（kgce/kg） 0.5714（kgC/kgce） 林地 -0.0644[kgC/（m2·a）]
液化石油气 1.7132（kgce/kg） 0.5042（kgC/kgce） 草地 -0.0210[kgC/（m2·a）]
天然气 1.3300（kgce/m3） 0.4483（kgC/kgce） 水域 -0.0253[kgC/（m2·a）]
电力 0.1230（kgce/kW·h） 0.9372（kgC/kgce） 未利用地 -0.0005[kgC/（m2·a）]
热力 0.0341（kgce/MJ） 1.8350（kgC/kgce）

2.1.1 武汉城市圈碳排放量整体变化趋势

根据式（1）、式（2）及表1相关数据，分别计算出武汉城市圈2013—2019年碳排放并绘制变化趋势图（图1）。由图1可知：①2013—2019年武汉城市圈的总碳排放量从4870.90万t增长到10719.68万t，增幅约为120%。具体来看，2013—2015年，武汉城市圈的总碳排放量从4870.90万t降到4602.38万t，年均下降2.80%。这表明在“双碳”目标提出之前，武汉城市圈已经通过早期的节能减排政策和措施取得了一定的减排成效。这种下降趋势为未来的“双碳”目标实现奠定了基础。然而，2016—2019年，碳排放量从4708.61万t迅速增长至10719.68万t，年均增长率高达31.65%。这一快速增长趋势可能反映了武汉城市圈经济的快速发展，同时也表明其碳排放正逐步接近峰值。这不仅凸显了武汉城市圈在经济上的强劲发展潜力，也为推动绿色转型提供了重要契机。②研究期内武汉城市圈的直接碳排放量和间接碳排放量表现出不同的变化趋势。其中，直接碳排放量呈波动状态，尽管总体略有下降，但在2016年出现了较大反弹。事实上，直接碳排放的波动主要归因于耕地、林地、水域等土地利用类型的变化。2016年出现的反弹可能是由于耕地扩张、林地减少、水域退化等因素的综合作用。相比之下，间接碳排放呈明显的增长趋势。一方面这是由于建设用地面积的持续扩张，以武汉市为例，根据2020年《武汉统计年鉴》，其建成区面积从2013年的534.28 km2增长至2019年的812.39 km2。另一方面则是因为随着城镇化和工业化水平的提高，各类能源消耗量显著增加，导致碳排放量不断上升。具体来看，武汉市规模以上工业的能源消费量在2013年为4872.01万t，而到2019年这一数字攀升至5354.99万t，反映出工业化进程中能源需求的持续快速增长。
图1 2013—2019年武汉城市圈碳排放变化趋势

Fig.1 Trends of carbon emissions in Wuhan urban circle in 2013-2019

同时，土地利用碳排放的大小也可以由碳源与碳汇的差值来决定，一般将耕地和建设用地视为碳源，而林地、草地、水域以及未利用地视为碳汇。通过对武汉城市圈各地级市碳源和碳汇进行汇总统计，得到2013—2019年武汉城市圈碳源、碳汇及土地利用碳排放总量（表2）。其中，未利用地产生的碳排放与其他土地利用类型产生的碳排放存在较大的数量级差距，因此后续研究暂不考虑未利用地所产生的碳排放。
表2 武汉城市圈2013—2019年碳排放量(万t)

Tab.2 Carbon emissions in Wuhan urban circle from 2013 to 2019(10000 tons)

年份 耕地 建设用地 碳源 林地 草地 水域 未利用地 碳汇 合计
2013 164.0657 4825.3864 4989.4521 -108.0390 -0.1070 -10.4026 -0.0002 -118.5504 4870.9035
2014 163.6684 4820.9446 4984.6130 -108.2500 -0.0934 -10.3950 -0.0002 -118.7398 4865.8746
2015 162.8155 4558.7049 4721.5204 -108.5882 -0.0817 -10.4719 -0.0002 -119.1432 4602.3786
2016 163.1262 4663.8373 4826.9635 -108.0313 -0.0710 -10.2482 -0.0002 -118.3520 4708.6130
2017 162.1552 7317.6362 7479.7914 -108.7294 -0.0679 -10.2167 -0.0002 -119.0155 7360.7774
2018 162.4079 8979.8756 9142.2835 -108.7529 -0.0656 -9.8267 -0.0002 -118.6466 9023.6383
2019 162.4189 10675.766 10838.1844 -108.7618 -0.0590 -9.6804 -0.0002 -118.5028 10719.6837
从总体来看，2013—2019年武汉城市圈碳排放总量从4870.9035万t增加到10719.6837万t，年均增长率为13.96%。具体而言，2013—2015年武汉城市圈的碳排放量逐年降低，2016年小幅上升，自2017年开始碳排放量呈逐年大幅增长趋势。这种阶段性变化可能是由于2013—2015年，武汉市通过积极调整产业结构，有效降低了第二产业的能源消耗强度，从而使能源消耗活动产生的碳排放总量略有减少。然而，随着第三产业规模的进一步扩大和经济的快速增长，从2017年开始，总碳排放量又出现了大幅度增加，这一统计结果与杨武等的研究结论[32]基本一致。
从碳源来看，2013—2019年武汉城市圈建设用地与耕地的碳排放与整体碳排放的变化趋势保持一致，为先降后升，其中建设用地产生的碳排放变化幅度较大，而耕地的碳排放变化幅度较小；作为碳汇的林地产生的碳吸收基本上趋于稳定，而草地、水域产生的碳吸收尽管期间偶有波动，但主要表现为递减趋势。因此整体而言，2013—2019年武汉城市圈碳源大幅增加，碳汇小幅降低，碳汇与碳源的比值明显下降。该结果表明近年来武汉城市圈碳汇贡献变化不大，土地利用结构和国土空间的优化治理情况不够理想，需要加强生态保护和土地调整措施，这与董捷等的研究结论[33]基本一致。

2.1.2 武汉城市圈各县域碳排放量变化趋势

根据式（4），将各地级市的直接碳排放量和间接碳排放量合并，得到各市域的总碳排放量（图2）。借鉴已有研究成果[34]，本文以校正后的2013—2019年NPP-VIIRS夜间灯光数据为基础，统计武汉、黄冈、黄石和咸宁等9个城市的夜间灯光总值与相应年份的CO2排放量，然后进行回归分析（表3）。
图2 城市层面2013—2019年碳排放趋势

Fig.2 Carbon emission trends of 9 cities in 2013-2019

表3 武汉城市圈城市间接碳排放拟合方程

Tab.3 Fitting equation of indirect carbon emissions of cities in Wuhan urban circle

城市 回归方程 R²
孝感 y=0.03395x-1884 0.9512***
黄冈 y=0.02898x-2208 0.9861***
咸宁 y=0.02974x-1084 0.9801***
黄石 y=0.06148x-2370 0.9027***
仙桃 y=0.02742x-278.5 0.9775***
潜江 y=0.03209x-406.5 0.9783***
天门 y=0.02791x-237.3 0.9840***
鄂州 y=0.06150x-2370 0.9030***
武汉 y=0.03869x-4408 0.8611**

注：y代表拟合的能源消耗碳排放量，x代表市域TDN值，***和**分别表示在1%和5%水平下通过显著性检验。

由图2可知，研究期内武汉城市圈各市的碳排放量表现出不同的变化趋势。2013—2016年，9个城市的碳排放呈现一定程度的上下波动；而从2017年开始，所有城市的碳排放均有不同幅度的增长，其中武汉、孝感、黄冈及咸宁4个城市呈现大幅增长趋势，其余5个城市仅为小幅增长。由表3可知，武汉城市圈9个地级市碳排放与夜间灯光数据的拟合度R2均在0.85以上，其中黄冈市甚至达到0.9861，表明夜间灯光数据与碳排放具有较强的相关性，可用于武汉城市圈县域尺度的碳排放测算。

2.2 碳排放空间分异特征

2.2.1 空间演变特征分析

根据式（3）和式（4），可以由地级市的数据进一步估算出其下属的各县域间接碳排放量，并最终汇总得武汉城市圈40个县域的土地利用碳排放总量。根据自然间断点法，本文将武汉城市圈40个县域的碳排放划分为5个等级：低、较低、中等、较高和高。通过ArcGIS软件对2013、2015、2017和2019年4个年份的碳排放数据进行可视化并绘制各县域碳排放量分布图（图3）。
图3 武汉城市圈县域碳排放量空间分布演变

Fig.3 Distribution of carbon emissions in Wuhan urban circle at county level

由图3可知，2013—2019年武汉城市圈县域碳排放存在显著的空间差异性，总体呈现出中部高、四周低的格局。其中，高碳排放地区的分布由中部向四周扩散，而低碳排放地区从四周成片地区逐渐缩减为零散的几个区。具体来说，武汉城区的碳排放量始终最高，2019年达到1994.54万t；而黄冈市英山县的碳排放始终最低。以上县域碳排放排名结果与中国碳核算数据库（CEADs）中的县级城市碳排放排名情况基本一致[35]。武汉城区始终是碳排放的核心区域，远高于其他地区。这主要是因为武汉城区是武汉城市圈的经济、交通和工业中心，集中了大量的高能耗产业和密集的交通网络。同时，武汉城区的辐射效应不仅带动了武汉市其他几个区，还带动了周边地区（如鄂州、黄石、孝感等）的经济发展，因此也导致了碳排放的扩散。外围县域，如黄冈、咸宁、仙桃等原本以农业为主，碳排放量较低。然而，随着武汉城市圈的整体发展，这些地区逐渐面临工业化和城市化的压力，导致碳排放量上升。截至2019年，22个低碳排放区仅剩下12个。这一变化反映了外围地区在经济发展与生态环境保护之间的权衡，同时也表明低碳排放区域在空间上逐渐被中、高碳排放区域取代。

2.2.2 空间相关性分析

①全局空间相关性分析。利用GeoDa软件计算2013—2019年武汉城市圈县域尺度总碳排放量的全局莫兰值及相应的Z值和P值（表4）。
表4 武汉城市圈县域碳排放空间自相关莫兰指数

Tab.4 Moran's index of spatial autocorrelation of carbon emissions in Wuhan urban circle at county level

年份 2013 2014 2015 2016 2017 2018 2019
Moran's I 0.2234 0.2240 0.2240 0.2273 0.2529 0.2563 0.2687
Z值 3.1770 3.1600 3.1945 3.2626 3.5037 3.4793 3.5454
P值 0.0014 0.0015 0.0014 -0.0011 0.0004 0.0005 0.0003
由表4可知，2013—2019年的莫兰值均为正，且在99%的置信水平下全部显著，因此武汉城市圈县域尺度碳排放具有显著的空间正相关性，即碳排放总量相似的地区表现为集中分布。同时，在研究期内随着时间的推移，全局莫兰指数呈上升趋势，2019年达到0.2687，说明碳排放相似的地区规模聚集效应在不断加强。进一步，绘制2013、2015、2017和2019年的莫兰指数散点图（图略），发现其位于第一和第三象限的样本个数分别占总量的73%、68%、70%和68%，表明在研究期内武汉城市圈碳排放总量空间相关性略有波动，但总体上基本稳定，集聚状态显著。
②局部空间相关性分析。为了进一步分析研究区内碳排放的空间集聚特征，再次运用GeoDa软件进行局部空间自相关分析，绘制上述4个年份的LISA集聚图（图4）。
图4 武汉城市圈县域碳排放LISA集聚演变

Fig.4 LISA agglomeration map of carbon emissions in Wuhan urban circle at county level

由图4可知，2013—2019年武汉城市圈碳排放的空间格局总体未发生很大变化，具有显著空间相关关系的县域为10~11个，主要表现为高高集聚、低低集聚及低高集聚。高高集聚区占显著性区域的54.5%，主要分布于城市圈中西部，与其周边地区的空间差异较小，并产生正向空间溢出效应。这是由于武汉市主城区与周边地区形成了高高集聚中心并相互辐射，类似于经济学中的“极化—扩散”效应。武汉主城区作为城市圈的中心，更容易聚集和消耗大量能源资源，从而产生更多的碳排放。低低集聚地区主要分布于城市圈的东部黄冈市，这部分地区与周边城市的差异较小，碳排放均表现为低位。低高聚集未表现出明显的规律特征。

2.3 基于MGWR模型的碳排放影响因素分析

在指标选取上，由于人均GDP（P_GDP）的增长对碳排放具有规模效应[18]，故本文选取P_GDP作为衡量地区经济发展水平的指标；以往研究通常选择人口规模或人口密度来衡量人口与碳排放之间的关系，相对而言，人口密度考虑了人口增长和能源消耗的复杂关系，更符合研究实际，故本文选取人口密度作为变量之一；在研究土地建设开发程度对碳排放的影响时，通常会考虑已建设用地面积、建筑物数量、土地利用类型的多样性等指标，故本文采用建设用地面积占比来表征土地建设开发程度；能源效率的提升往往意味着技术的创新和进步，从而有效降低碳排放，因此本文以此指标来分析技术进步对土地利用碳排放的影响。结合现有研究，并考虑县域尺度数据的可获取性，本文以碳排放（C）作为因变量，以经济发展水平（P_GDP）、人口密度（PD）、土地建设开发程度（PUA）和能源效率（EIR）4个指标作为自变量，通过空间回归分析探究武汉城市圈县域碳排放的影响因素及其空间异质性。
为确保结果的准确性，在进行MGWR分析之前，先对指标进行无量纲处理，以消除不同量纲对结果的影响。检验结果显示（表5），所有指标的VIF值低于7.5，平均VIF值仅为1.24，表明变量之间不存在多重共线性现象。
表5 相关变量定义及其统计性描述

Tab.5 Definition of relevant variables and their statistical descriptions

变量 含义 单位 VIF
C 碳排放量 万t -
P_GDP 人均GDP 亿元/万人 1.1724
PUA 建设用地面积占总面积的比例 % 1.2624
PD 单位面积人口数量 人/km2 1.3320
EIR 单位能源消耗量所产生的GDP 万元/t 标准煤 1.1859
为了分析武汉城市圈县域碳排放影响因素在空间上的相似性和差异性，本文首先使用GWR模型进行回归分析，然后再采用MGWR模型分析的结果作进一步比较。其中，GWR分析的AICc为30.2860，调整R2为0.897，而MGWR分析的AICc为28.4400，调整R2为0.905。根据AICc判断准则，较小的AICc值表示模型性能更好，因此MGWR模型在研究武汉城市圈碳排放影响因素方面更具优势。为了更直观地展示结果，将Local R2的空间分布情况进行可视化（图5）。
图5 2019年MGWR模型Local R2空间分布

Fig.5 Spatial distribution of Local R2 of GWR model in 2019

由图5可知，武汉城市圈整体的Local R2范围在0.9041~0.9409之间，表明各县域的模型拟合度性能较好，且出现了明显的集聚现象。最高值位于南部地区的通城和崇阳县，说明上述影响因素指标对这些城市碳排放的解释力最好。
基于MGWR模型的分析结果表明，经济发展水平、土地建设开发程度与碳排放呈正相关，其中土地建设开发程度对碳排放的影响程度更大；能源效率和人口密度对碳排放产生负向影响。同样，进一步对各影响因素的回归系数依其空间分布进行可视化（图6）。
图6 各影响因素回归系数空间分布

Fig.6 Spatial distribution of regression coefficients for each influencing factor

由图6可知，经济发展水平的回归系数取值范围为-0.0131~0.3677，整体呈现出城市圈西北部向东南部逐渐递减的格局，且西北部地区的系数为正，东南部地区的系数为负。碳排放量受经济发展水平正向影响最大的是安陆市，最小的是武穴市，回归系数相差0.3808，说明经济发展水平对碳排放的影响存在较大的空间差异性。碳排放随着P_GDP上升而增加的地区主要集中在城市圈的西北部地区，这可能是因为这些地区以重工业为主，经济发展方式仍为粗放模式，依靠高能耗、高污染、高排放的产业带动经济发展，使碳排放居高不下。
土地建设开发程度回归系数取值范围为0.9133~0.9147，表明其对碳排放的整体影响程度较大，且呈现出自西向东逐渐递减的格局。高值区主要集中于潜江、天门、仙桃和孝感市的中西部地区，低值区主要在黄冈市的东南地区，碳排放量受土地建设开发程度影响最大的是潜江市，最小的是黄梅县，但回归系数仅相差0.0014，说明土地建设开发程度对碳排放影响的空间差异较小。土地建设开发程度是衡量空间城镇化的重要指标，土地资源作为中国政府财政收入的主要来源之一，往往容易被政府用于拉动地方GDP，从而使得城市建设用地面积大幅增长。此外，城镇化通常是通过对其他类型的土地进行建设开发来实现，例如对那些本可以用来固碳的林地和草地开展房地产建设开发，最终导致碳汇的流失和碳源的增长。
能源效率回归系数取值范围为-0.2435~-0.1827，表明能源效率对碳排放量呈负向影响，且由西向东递增。高值区主要位于黄梅和蕲春县等地区，低值区主要位于天门和潜江市，其中碳排放量受能源效率影响最小的是潜江市，最大的是黄梅县，回归系数相差0.0608，表明能源效率对碳排放量的影响在空间存在异质性。这种差异可能与武汉城市圈内不同县域的经济发展水平、产业结构、能源结构和碳排放政策等多种因素有关。例如，东部地区重点发展的科技创新类高端产业和战略性新兴产业，如光电子信息、生命健康、智能制造等，普遍倾向于采用更为清洁、高效的能源使用方式。这些产业的集聚和升级，在推动能源效率提升的同时，大幅度降低了碳排放量。相反，潜江市等西部地区仍主要依赖于使用传统能源的化工、建材等高耗能产业，以致能源效率的提升存在瓶颈，碳排放的降低幅度有限。
尽管有学者认为，人口密度与土地利用碳排放呈正相关，但也有研究表明这种关系实际上表现为一种倒U型曲线[36]，即在某个临界点之前，碳排放会随着人口密度的增加而增加，但超过这个点之后，人口密度的增加反而会带来碳排放的减少。究其原因，主要是人口密度对碳排放产生的影响具有双重性：一方面，人口密度增加导致人类活动更加频繁，进而引发更大的市场需求和能源消耗，增加了土地利用的碳排放；另一方面，高人口密度地区通常拥有更好的经济发展水平和市场潜力，城市人口的集聚效应和规模效应有助于刺激技术进步，进而不断提高生产效率和资源利用效率。武汉城市圈的人口密度回归系数取值范围为-0.0851~-0.0837，表明它对土地利用碳排放产生负向影响，但影响幅度较小。显然，武汉城市圈的人口密度对碳排放的影响已进入上述临界点之后，形成这一结果的主要原因是该区域集中了湖北省，乃至全国的区位、人才资源、产业集群和科技教育等多方面优势，形成了集约化的发展模式，有效促进了碳排放的降低，这与Zhou等对长江经济带[37]以及魏俊超等对广州市[38]的研究结果是一致的。另外，从人口密度对武汉城市圈土地利用碳排放影响的空间分布来看，整体呈现出东南地区较低、西北地区较高的格局，但不同区域之间的差异相对较小。
为了进一步分析在不同碳排放类型下，上述各因素对碳排放的影响是否存在差异，本文对直接碳排放和间接碳排放进行分组回归，并与总碳排放回归结果进行对比（表6）。
表6 碳排放回归分析结果对比

Tab.6 Comparison of carbon emission regression results

变量 总碳排放 直接碳排放 间接碳排放
回归系数 P值 AICc 回归系数 P值 AICc 回归系数 P值 AICc
P_GDP 0.0740 0.0020 28.4400 0.0680 0.0000 78.3390 0.0730 0.0020 28.9250
EIR -0.2200 0.0150 -0.2020 0.2630 -0.2170 0.0220
PUA 0.9140 0.0000 0.4210 0.0000 0.9150 0.0000
PD -0.0840 0.0030 -0.0660 1.4360 -0.0850 0.0030
由表6可知，经济发展水平（P_GDP）与总碳排放、直接碳排放和间接碳排放均为正相关，这意味着随着经济发展水平的提高，不论是在耕地、林地等用地类型上的直接碳排放，还是在建设用地上的间接碳排放，都呈增长趋势。因此，在促进经济发展的同时，需要特别关注土地利用的变化和能源消耗的碳足迹。能源效率（EIR）对总碳排放和间接碳排放有显著的负向影响，表明提高能源利用效率能够有效减少建设用地上的碳排放，而对耕地和林地上的直接碳排放影响不显著，可能因为直接碳排放主要受土地利用方式影响。土地建设开发程度（PUA）对所有类型的碳排放都有显著的正向影响，其中对间接碳排放的影响最大。同时，人口密度对直接碳排放的影响不显著，但是对总碳排放和间接碳排放有显著的负向作用，即高人口密度有助于减少碳排放，尤其是在建设用地上的碳排放，说明集约化的土地利用、有效的城市规划与技术进步是减少碳排放的重要途径。

3 结论与建议

3.1 研究结论

本文使用间接碳排放与直接碳排放测算模型，对2013—2019年武汉城市圈40个县域的土地利用碳排放进行了估算，并通过空间探索性分析方法和MGWR模型，对其时空分异特征和影响因素进行了可视化分析，得出以下结论：①2013—2015年武汉城市圈各县域的土地利用碳排放逐年小幅下降，而在2016年略有上升，自2017年之后呈逐年大幅度增长趋势，2019年达到10719.68万t。2013—2019年年均增长率为13.96%。②研究期内，武汉城市圈土地利用的低碳排放区域范围显著减小，而中、高碳排放区域范围均有较大增加，其中中等碳排放区域范围增加最为显著。③武汉市是武汉城市圈土地利用的高碳排放中心，另外黄石、孝感和咸宁市也是该区域内碳排放的主要来源地。④40个县域的土地利用碳排放在空间上呈现出高高集聚、低低集聚和低高集聚3种形态。其中，高高集聚区域主要集中在武汉、孝感和仙桃市，低低集聚分布较为稳定，主要集中在黄石市，低高集聚分布未呈现明显规律特征。⑤各因素对土地利用碳排放的影响并不一致，经济发展水平、土地建设开发程度与碳排放呈正相关，能源效率、人口密度与碳排放呈负向相关，其中土地建设开发程度的影响程度最大。另外，各因素对土地利用碳排放的影响在空间上存在异质性，由西往东分别呈现出递增或者递减的格局。

3.2 政策建议

根据上述研究结论，本文提出以下政策建议：
①优化产业结构与能源结构，提高能源效率。在经济增长放缓的新常态下，努力推动产业结构转型升级、能源结构优化和能源效率提高，是实现“双碳”目标的必要条件。在产业结构方面，应持续推进武汉都市圈中心主城区的功能结构优化调整和产业转型升级，加强非中心城市职能向外围疏解，形成职能梯度分工、产业紧密合作的城市结构格局。在能源结构方面，应充分利用各县域的自然条件和资源禀赋，大力发展水电、氢能、风电、光伏发电等清洁能源，推进能源结构优化，提高清洁能源比重，以减少对化石燃料的依赖。在能源效率方面，应普及节能技术和设备，强化能源管理体系，以提高能源利用效率。具体而言，对于人口众多、城镇化率高的县域，如武汉和黄石市，应促进第三产业的结构转型，推动传统服务业从“高碳”向“低碳”转变。政策制定者应引导资本投资于低碳技术和产业，并通过财政和税收激励措施，加速高碳行业的绿色升级。对于严重依赖能源消耗的重工业型城市，如潜江、天门和应城等地区，地方政府应制定严格的碳减排目标，重点控制工业用地碳排放，鼓励企业加大能源效率研发投入及清洁能源开发力度；加快紫云山、通山大幕山、团风上进山、罗田平坦原等抽水蓄能电站项目的投资建设，同时把握全球氢能产业的发展趋势，将武汉城市圈建设成为全国氢能产业枢纽，从而进一步推动能源消费向清洁、低碳方向转变。
②加强国土空间规划与生态保护。国土空间规划与生态保护的强化是实现碳减排的关键。在土地利用策略上，需根据不同地区的经济发展阶段，合理利用自然资源、生态环境和经济基础，制定系统性和差异化的规划。对于经济发达县域，如武汉城区、鄂州市等，应重点实施集约式高效开发，发挥人口聚集效应，同时推动公共交通为导向的城市发展模式，优化新增建设用地的利用，并提升存量土地的再利用效率，以降低土地利用的碳排放。对于以农业生态为主的县域，如云梦县、武穴市等，应重点加强生态环境保护，同时在加强耕地保护、守住耕地红线的前提下，实施退耕还林、还湖等措施，扩大林地和水域面积，增强碳汇功能。
③加大政策支持力度与提高公众参与度。政策支持与公众参与构成了推动碳减排政策实施的重要保障。政府应制定一系列具有约束力的法规和标准，以确保碳减排措施的规范化、制度化。在此基础上，相关政府部门建立相应的碳减排激励机制，并形成制度化文件，如税收减免制度、绿色信贷制度等，从而降低企业和个人在低碳转型中的成本，激发市场主体的减排动力。此外，公众教育也不可忽视，可以通过环保宣传和教育活动，提升公众的环保意识，引导居民形成低碳生活方式，形成政府引导、市场运作、公众参与的多元化共治格局；建立完善的碳排放监测和评估体系，对碳减排政策的实施效果进行定期评估，确保政策的科学性和有效性。

3.3 讨论

本文结合排放系数法和遥感估算法，采用NPP-VIIRS夜间灯光数据和土地利用动态数据对武汉城市圈县域尺度的土地利用碳排放进行了测算，运用空间自相关分析和多尺度地理加权回归（MGWR）模型深入探讨了碳排放的区域差异和空间格局，对其他县域土地利用碳排放测算和影响因素研究有一定的借鉴意义。研究结果表明，近年来武汉城市圈碳排放总量显著增长，空间分布呈现中部高、四周低的格局，与杨武等和中国碳核算数据库（CEADs）的研究结论基本一致，验证了本文方法的可行性及结论的可靠性[32,35]。
本文仍存在一定的局限性，需要在未来研究中进一步完善。首先，尽管利用夜间灯光数据拟合了武汉城市圈市域的间接碳排放，但由于夜间灯光亮度值呈现近似线性增长，而碳排放增速却逐渐放缓，这种非线性关系可能会影响模拟结果的准确性。因此，未来如何更精确地利用夜间灯光数据模拟碳排放值得持续探讨。其次，本文的研究范围局限于武汉城市圈，缺乏与其他城市圈的对比分析，未来可扩展至更多区域，以验证研究方法及结论的普适性和推广价值。最后，土地利用碳排放的影响因素较为复杂，未来的研究可引入更多涉及社会经济、环境政策等方面的变量，并采用机器学习方法，进一步揭示各因素之间的相互作用及影响机制。

References

Publishing order | Descend order by publishing year | Descend order by cited within
[1]
杜海波, 魏伟, 张学渊, 等. 黄河流域能源消费碳排放时空格局演变及影响因素——基于DMSP/OLS与NPP/VIIRS夜间灯光数据[J]. 地理研究, 2021, 40(7):2051-2065.

DOI

[2]
Li Z, Sun Z, Chen Y, et al. The net GHG emissions of the China Three Gorges Reservoir:I. Pre-impoundment GHG inventories and carbon balance[J]. Journal of Cleaner Production, 2020, 256:120635.

DOI

[3]
Dumortier J, Elobeid A. Effects of a carbon tax in the United States on agricultural markets and carbon emissions from land-use change[J]. Land Use Policy, 2021, 103:105320.

DOI

[4]
Kang Y Q, Zhao T, Yang Y Y. Environmental Kuznets curve for CO2 emissions in China:A spatial panel data approach[J]. Ecological Indicators, 2016, 63:231-239.

DOI

[5]
吉雪强, 刘慧敏, 张跃松. 中国省际土地利用碳排放空间关联网络结构演化及驱动因素[J]. 经济地理, 2023, 43(2):190-200.

DOI

[6]
Dong Y, Jin G, Deng X. Dynamic interactive effects of urban land-use efficiency,industrial transformation,and carbon emissions[J]. Journal of Cleaner Production, 2020, 270:122547.

DOI

[7]
吴志强. 国土空间规划的五个哲学问题[J]. 城市规划学刊, 2020(6):7-10.

[8]
王睿, 张赫, 冯兰萌. 中国县域规模结构对居民生活碳排放的影响关系研究——关键要素及代表性指标[J]. 现代城市研究, 2021(2):126-132.

[9]
Elvidge C D, Baugh K E, Zhizhin M, et al. Why VIIRS data are superior to DMSP for mapping nighttime lights[J]. Proceedings of the Asia-Pacific Advanced Network, 2013, 35.DOI:10.7125/APAN.35.7.

[10]
苏泳娴, 陈修治, 叶玉瑶, 等. 基于夜间灯光数据的中国能源消费碳排放特征及机理[J]. 地理学报, 2013, 68(11):1513-1526.

[11]
Lu H, Liu G. Spatial effects of carbon dioxide emissions from residential energy consumption:A county-level study using enhanced nocturnal lighting[J]. Applied Energy, 2014, 131:297-306.

DOI

[12]
Cui Y, Zhang W, Wang C, et al. Spatiotemporal dynamics of CO2 emissions from central heating supply in the North China Plain over 2012-2016 due to natural gas usage[J]. Applied Energy, 2019, 241:245-256.

DOI

[13]
易丹, 欧名豪, 郭杰, 等. 土地利用碳排放及低碳优化研究进展与趋势展望[J]. 资源科学, 2022, 44(8):1545-1559.

DOI

[14]
陈瑞敏, 马晓君, 李宜良. 黄河流域五大增长极碳排放脱钩效应——基于GDIM的因素分解[J]. 中国环境科学, 2024, 44(5):2853-2866.

[15]
Ni G, Fang Y, Niu M, et al. Spatial differences, dynamic evolution and influencing factors of China's construction industry carbon emission efficiency[J]. Journal of Cleaner Production, 2024, 448:141593.

DOI

[16]
Baumann M, Gasparri I, Piquer-Rodríguez M, et al. Carbon emissions from agricultural expansion and intensification in the Chaco[J]. Global Change Biology, 2017, 23(5):1902-1916.

DOI PMID

[17]
刘天蔚, 边晓燕, 吴珊, 等. 电力系统碳排放核算综述与展望[J]. 电力系统保护与控制, 2024, 52(4):176-187.

[18]
Yu X, Kai A, Yang Y, et al. Forest carbon storage trends along altitudinal gradients in Beijing,China[J]. Journal of Resources and Ecology, 2014, 5(2):148-156.

DOI

[19]
牛亚文, 赵先超, 胡艺觉. 基于NPP-VIIRS夜间灯光的长株潭地区县域土地利用碳排放空间分异研究[J]. 环境科学学报, 2021, 41(9):3847-3856.

[20]
王少剑, 谢紫寒, 王泽宏. 中国县域碳排放的时空演变及影响因素[J]. 地理学报, 2021, 76(12):3103-3118.

DOI

[21]
孙彩凤, 姜巍, 高卫东. 山东省土地利用碳排放变化的时空特征及影响因素分析[J]. 环境科学, 2025, 46(1):30-40.

[22]
高国力, 文扬, 王丽, 等. 基于碳排放影响因素的城市群碳达峰研究[J]. 经济管理, 2023, 45(2):39-58.

[23]
陈帝伯, 魏伟, 周俊菊, 等. 中国省域碳源/碳汇强度及碳盈亏的空间演变[J]. 经济地理, 2023, 43(1):159-168.

DOI

[24]
Meng Q, Zheng Y, Liu Q, et al. Analysis of spatiotemporal variation and influencing factors of land-use carbon emissions in nine provinces of the Yellow River Basin based on the LMDI model[J]. Land, 2023, 12(2):437.

DOI

[25]
沈体雁, 于瀚辰, 周麟, 等. 北京市二手住宅价格影响机制——基于多尺度地理加权回归模型(MGWR)的研究[J]. 经济地理, 2020, 40(3):75-83.

DOI

[26]
Yang J, Huang X. The 30 m annual land cover dataset and its dynamics in China from 1990 to 2019[J]. Earth System Science Data, 2021, 13(8):3907-3925.

DOI

[27]
孙赫, 梁红梅, 常学礼, 等. 中国土地利用碳排放及其空间关联[J]. 经济地理, 2015, 35(3):154-162.

[28]
苑韶峰, 唐奕钰. 低碳视角下长江经济带土地利用碳排放的空间分异[J]. 经济地理, 2019, 39(2):190-198.

DOI

[29]
张润森, 濮励杰, 文继群, 等. 建设用地扩张与碳排放效应的库兹涅茨曲线假说及验证[J]. 自然资源学报, 2012, 27(5):723-733.

DOI

[30]
范建双, 虞晓芬, 周琳. 南京市土地利用结构碳排放效率增长及其空间相关性[J]. 地理研究, 2018, 37(11):2177-2192.

DOI

[31]
孙贤斌. 安徽省会经济圈土地利用变化的碳排放效益[J]. 自然资源学报, 2012, 27(3):394-401.

[32]
杨武, 王贲, 项定先, 等. 武汉市能源消费碳排放因素分解与低碳发展研究[J]. 中国人口·资源与环境, 2018, 28(S1):13-16.

[33]
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[J]. 长江流域资源与环境, 2019, 28(4):872-882.

[34]
Zhao J, Ji G, Yue Y, et al. Spatio-temporal dynamics of urban residential CO2 emissions and their driving forces in China using the integrated two nighttime light datasets[J]. Applied Energy, 2019, 235:612-624.

DOI

[35]
Chen J, Gao M, Cheng S, et al. County-level CO2 emissions and sequestration in China during 1997-2017[J]. Scientific Data, 2020, 7(1):391.

DOI

[36]
Ribeiro H V, Rybski D, Kropp J P. Effects of changing population or density on urban carbon dioxide emissions[J]. Nature Communications, 2019, 10(1):3204.

DOI PMID

[37]
Zhou C, Wang S, Wang J. Examining the influences of urbanization on carbon dioxide emissions in the Yangtze River Delta,China:Kuznets curve relationship[J]. Science of The Total Environment, 2019, 675:472-482.

DOI

[38]
魏俊超, 梅志雄, 马君杰, 等. 广州市土地利用碳排放时空演变及影响因素[J]. 水土保持研究, 2024, 31(4):298-307.

Options
Outlines

/

〈 〉