胡夢(mèng)姍，葉長(zhǎng)盛，董 倩，劉 彥

東華理工大學(xué)地球科學(xué)學(xué)院，江西 南昌 330013

二氧化碳排放、全球變暖等問(wèn)題嚴(yán)重威脅了世界各國(guó)經(jīng)濟(jì)及城市的可持續(xù)發(fā)展，受到社會(huì)各界的廣泛關(guān)注.快速的城鎮(zhèn)化及工業(yè)化促使能源消耗一直處于較高水平[1]，實(shí)現(xiàn)低碳發(fā)展是應(yīng)對(duì)全球氣候變暖的有效模式.制定合理有效的減排政策，需明確各區(qū)域碳排放現(xiàn)狀與挑戰(zhàn).在此背景下，改變傳統(tǒng)碳排放的量化指標(biāo)，引入碳足跡深度指數(shù)并將其可視化，可直觀地反映能源消耗對(duì)城市存量資本的影響程度[2]，為制定區(qū)域低碳發(fā)展的減排政策提供理論依據(jù)和決策參考.碳足跡深度是指碳生態(tài)赤字背景下吸納1 年碳排放量理論上所需占用土地面積的倍數(shù)，代表吸納碳排放所消耗的存量資本.碳足跡深度指數(shù)由三維碳足跡改進(jìn)模型[3]計(jì)算所得，該模型通過(guò)整合碳赤字/盈余[4]，統(tǒng)計(jì)自然環(huán)境中資源的流量及存量，將碳足跡的廣度、深度分別定義為吸納碳排放占用的自然流量資本及存量資本.當(dāng)流量資本不足以容納年際碳排放量時(shí)，將會(huì)消耗存量資本作為補(bǔ)充.研究表明，武漢市、南昌市、長(zhǎng)沙市均處于存量資本消耗階段[5]，因此該文以碳足跡深度指數(shù)為核心進(jìn)行探討.

國(guó)內(nèi)外學(xué)者對(duì)碳排放相關(guān)量化的研究主要包括以下三方面：①碳足跡的核算是國(guó)內(nèi)外普遍認(rèn)可的碳排放評(píng)估方法，主要有生命周期評(píng)價(jià)法[6]、IPCC 方法[7]及夜間燈光數(shù)據(jù)反演法[8]等；②碳排放影響因素包括經(jīng)濟(jì)發(fā)展、人口、技術(shù)、政策等，主要采用隨機(jī)性環(huán)境影響評(píng)估模型[9]、拉氏指數(shù)分解模型[10]等；③對(duì)碳排放量預(yù)測(cè)提出優(yōu)化方案，多運(yùn)用灰色模型[11]、環(huán)境庫(kù)茲涅茨曲線[12]等進(jìn)行預(yù)測(cè).就碳足跡深度的應(yīng)用而言，國(guó)內(nèi)學(xué)者如鄭德鳳等[5]研究表明，2000—2016年我國(guó)省際碳足跡深度高值區(qū)主要集中于東部沿海和中部，吸納碳排放所占用的流量資本和存量資本存在地域互補(bǔ)性；曹慧博等[13]計(jì)算了我國(guó)海岸帶的存量資本，發(fā)現(xiàn)中北部地區(qū)的存量資本消耗普遍較大，廣西壯族自治區(qū)、廣東省、福建省3 個(gè)省份則相對(duì)較低，且經(jīng)濟(jì)發(fā)展、城市規(guī)模、環(huán)境污染和區(qū)際交流是存量資本消耗的驅(qū)動(dòng)因素；熊鷹等[14]在洞庭湖區(qū)以土地利用類型為切入點(diǎn)量化各地類的存量資本，結(jié)果表明，洞庭湖區(qū)除林地之外的其他土地利用類型均存在自然存量資本的消耗，并表現(xiàn)為高生態(tài)赤字.現(xiàn)有成果為后續(xù)研究提供了豐富的切實(shí)參考.

已有研究多從國(guó)家層面[15]或省級(jí)層面[16]展開(kāi)，較少以市級(jí)尺度分析.此外，將同類型城市進(jìn)行對(duì)比的相關(guān)研究尚不多見(jiàn).多數(shù)學(xué)者分析了各因素對(duì)計(jì)算總量的影響，但無(wú)論是碳排放量或是碳足跡深度均是累積變化過(guò)程，單純的線性相關(guān)會(huì)掩蓋各影響因素作用的異質(zhì)性，空間分位數(shù)模型能夠?qū)⑻甲阚E深度劃分為不同分位點(diǎn)，依次探討各影響因素對(duì)不同分位點(diǎn)碳足跡深度的作用力，也可剖析各影響因素與碳足跡深度的低、中、高值間的關(guān)聯(lián)性有何差異.同時(shí)，我國(guó)重點(diǎn)行業(yè)領(lǐng)域碳排放量的增長(zhǎng)[17]會(huì)對(duì)“綠水青山就是金山銀山”“‘山水林田湖草’是生命共同體”“構(gòu)建人與自然和諧共生的現(xiàn)代化”等生態(tài)發(fā)展建設(shè)產(chǎn)生深遠(yuǎn)影響，因此碳足跡深度也是各行業(yè)碳排放量對(duì)生態(tài)反饋的重要表征方式.

該研究借用三維碳足跡改進(jìn)模型獲取長(zhǎng)江中游省會(huì)城市的碳足跡深度指數(shù)，引入夜間燈光數(shù)據(jù)進(jìn)行擬合[18]，分析比較2010—2019 年武漢市、南昌市、長(zhǎng)沙市碳足跡深度的時(shí)空演變特征，并運(yùn)用空間分位數(shù)模型深入探討研究區(qū)不同分位點(diǎn)碳足跡深度各影響因素的作用水平.研究結(jié)果可為長(zhǎng)江中游省會(huì)城市自然存量資本的耗費(fèi)測(cè)算及可視化提供借鑒，同時(shí)從統(tǒng)計(jì)學(xué)角度實(shí)證分析碳足跡深度的影響因素，又可為長(zhǎng)江中游省會(huì)城市碳中和目標(biāo)的實(shí)現(xiàn)及低碳減排政策的制定提供參考依據(jù).

1 研究區(qū)概況

在長(zhǎng)江中游城市群中，武漢市、長(zhǎng)沙市和南昌市3 個(gè)省會(huì)城市以“品”字型分布，是3 個(gè)都市圈的“首位城市”和“核心力量”，推動(dòng)了周邊區(qū)域和三省經(jīng)濟(jì)的高質(zhì)量發(fā)展，同時(shí)也是“中部崛起”的增長(zhǎng)極.2010—2019 年，武漢市能源消耗在研究期內(nèi)達(dá)到了較高的使用水平；南昌市原煤及焦炭使用量處于增長(zhǎng)態(tài)勢(shì)，尤其焦炭使用量由117.35 ×104t 增至131.09× 104t；長(zhǎng)沙市工業(yè)總產(chǎn)值不斷增長(zhǎng)，位列三市之首.在城鎮(zhèn)建設(shè)擴(kuò)張和經(jīng)濟(jì)快速發(fā)展的同時(shí)，土地利用結(jié)構(gòu)不斷變化，城市碳匯能力隨之降低，因此碳排放效應(yīng)對(duì)城市自然資本的掠奪性消耗，造成了十分嚴(yán)峻的生態(tài)壓力.

2 數(shù)據(jù)來(lái)源與研究方法

2.1 數(shù)據(jù)來(lái)源及影響因素選取

能源數(shù)據(jù)、社會(huì)經(jīng)濟(jì)數(shù)據(jù)來(lái)源于2011—2020 年《武漢市統(tǒng)計(jì)年鑒》《南昌市統(tǒng)計(jì)年鑒》《長(zhǎng)沙市統(tǒng)計(jì)年鑒》.標(biāo)準(zhǔn)煤折算系數(shù)、碳排放系數(shù)分別來(lái)源于《中國(guó)能源統(tǒng)計(jì)年鑒》《IPCC 國(guó)家溫室氣體清單指南》.林地及草地?cái)?shù)據(jù)來(lái)源于2010—2019 年中國(guó)科學(xué)院資源環(huán)境科學(xué)與數(shù)據(jù)中心.

參考已有研究，該文選取人口密度[8]〔ln (PD)，人/km2〕、工業(yè)總產(chǎn)值[18]〔ln (GIOV)，萬(wàn)元〕、能源總量[19]〔TE，t/(104元)〕、人均碳排放(PCCE，t/人)作為碳足跡深度指數(shù)的影響因素.其中，人口密度既體現(xiàn)了人們對(duì)自然資源的需求，也映射了人們對(duì)生態(tài)承載力的“掠奪”.工業(yè)中的能源消耗在三大產(chǎn)業(yè)中占較大比重，輕工業(yè)、重工業(yè)或制造業(yè)都無(wú)法避免能源的終端消費(fèi)及中間消費(fèi).能源總量是能源消耗量的直觀體現(xiàn)，也是各類碳排放總量的數(shù)據(jù)依托.對(duì)于自然存量資本的消耗，不僅從人口、能源、工業(yè)等影響間接體現(xiàn)，也需要驗(yàn)證人均碳排放量對(duì)存量資本消耗是否存在直接影響.

2.2 研究方法

2.2.1 碳足跡深度計(jì)算

三維碳足跡改進(jìn)模型[5]融合了碳盈余和碳赤字，統(tǒng)計(jì)了自然環(huán)境中資源的流量和存量，引入了碳足跡廣度和深度(分別表示吸納碳排放所需的流量資本和存量資本).碳足跡廣度是指在碳生態(tài)承載力范圍內(nèi)實(shí)際占用的生態(tài)生產(chǎn)性土地面積，代表吸納碳排放所占用的流量資本；碳足跡深度是指碳生態(tài)赤字背景下吸納1 年碳排放量理論上所需占用土地面積的倍數(shù)，代表吸納碳排放所消耗的存量資本.碳足跡廣度和深度可視為圓柱體的底面和柱高(見(jiàn)圖1)，考慮武漢市、南昌市、長(zhǎng)沙市均處于存量資本消耗階段[5]，因此僅探討區(qū)域碳足跡深度的變化過(guò)程.各指標(biāo)的計(jì)算公式：

式中：CEFdepth為區(qū)域碳足跡深度，反映區(qū)域存量資本的消耗程度；CEF 為能源消費(fèi)的碳足跡，hm2；CEC 為能源消費(fèi)的碳生態(tài)承載力，hm2；CE 為能源消費(fèi)的碳排放總量，t；Qei為第i種能源的終端消費(fèi)量，t；Sei為第i種能源的標(biāo)準(zhǔn)煤折算系數(shù)；Dei為第i種能源的碳排放系數(shù)，根據(jù)數(shù)據(jù)的可獲取性，選取原煤(0.755 9)、焦炭(0.855 0)、燃料油(0.618 5)、汽油(0.553 8)、柴油(0.592 1)、煤油(0.571 4)、液化石油氣(0.504 2)等能源；CS 為林地和草地的碳匯總量，t；Af為區(qū)域林地面積，hm2；Ag為區(qū)域草地面積，hm2；NEPf和NEPg分別為林地和草地的固碳能力，取值分別為3.809 6 和0.948 2 t/hm2[20]；Pf和Pg分別為全球林地和草地的碳匯比例，分別為82.72%和17.28%.

2.2.2 夜間燈光數(shù)據(jù)應(yīng)用與處理

該研究結(jié)合DMSP_OLS V4(1992—2013 年)與VIIRS_VNL V2(2012—2020 年)原始數(shù)據(jù)，分別是第4版本DMSP 年度數(shù)據(jù)和第2 版本VIIRS 年度數(shù)據(jù)，均下載于EOG 網(wǎng)站(https://eogdata.mines.edu/products/vnl).將獲取的DMSP 年度數(shù)據(jù)進(jìn)行校正，對(duì)VIIRS 年度數(shù)據(jù)進(jìn)行降噪，提取兩套數(shù)據(jù)的重合年份(2012 年、2013 年)數(shù)據(jù)進(jìn)行敏感度分析，選取最優(yōu)擬合參數(shù)；進(jìn)而根據(jù)選取的最優(yōu)參數(shù)將二者合成DMSP(1992—2020 年)數(shù)據(jù)集.根據(jù)學(xué)者們總結(jié)出的共有線性、指數(shù)、多項(xiàng)式、對(duì)數(shù)、冪函數(shù)等5 種模型[21](見(jiàn)表1)，構(gòu)建擬合碳估算與夜間燈光之間的函數(shù)，在此基礎(chǔ)上選取擬合度較好的模型進(jìn)行空間可視化.

表1 碳估算和夜間燈光擬合函數(shù)的模型歸納Table 1 Models of fitting function between carbon estimation and nighttime lights

經(jīng)查閱，線性、多項(xiàng)式、對(duì)數(shù)、冪函數(shù)等形式的擬合精度更好.研究區(qū)域從縣域、城市群、省域、流域等角度出發(fā)，碳相關(guān)估算值均能較好地?cái)M合夜間燈光數(shù)據(jù)，實(shí)現(xiàn)空間可視化，可歸納出以下幾類(見(jiàn)表2).

表2 國(guó)內(nèi)學(xué)者應(yīng)用案例歸納Table 2 Summary of domestic scholars' application cases

通過(guò)參考相關(guān)研究[18,21-25]，為使碳足跡深度指數(shù)空間可視化，同樣擬合夜間燈光數(shù)據(jù).經(jīng)相關(guān)性分析發(fā)現(xiàn)，2010—2019 年長(zhǎng)江中游省會(huì)城市所有區(qū)縣(共310 個(gè)樣本量)的實(shí)際碳足跡深度均與夜間燈光DN 值呈顯著相關(guān)，擬合度為0.876 0，擬合結(jié)果在1%水平(雙側(cè))上相關(guān)顯著.初步擬合公式為

式中，y為碳足跡深度，x為夜間燈光數(shù)據(jù)的DN 值.

考慮到武漢市、南昌市、長(zhǎng)沙市經(jīng)濟(jì)發(fā)展水平及資源本底存在差異，因此在參考已有研究[25]的基礎(chǔ)上，有必要對(duì)三市的初步擬合結(jié)果依次進(jìn)行修正，運(yùn)用武漢市(130 個(gè)樣本量)、南昌市(90 個(gè)樣本量)、長(zhǎng)沙市(90 個(gè)樣本量)各自區(qū)縣的碳足跡深度及相應(yīng)夜間燈光DN 值依次進(jìn)行擬合，通過(guò)比對(duì)線性、指數(shù)、多項(xiàng)式、對(duì)數(shù)、冪函數(shù)等函數(shù)結(jié)果，顯示多項(xiàng)式函數(shù)擬合優(yōu)度較高，公式分別為

式中，y1、y2、y3分別為武漢市、南昌市、長(zhǎng)沙市的碳足跡深度，x1、x2、x3分別為武漢市、南昌市、長(zhǎng)沙市夜間燈光數(shù)據(jù)的DN 值.通過(guò)擬合結(jié)果與實(shí)際數(shù)值比對(duì)發(fā)現(xiàn)，均方根誤差(RMSE)為1.803 7，平均相對(duì)誤差(MRE)為0.59%.因此，引入夜間燈光數(shù)據(jù)能夠較好地?cái)M合長(zhǎng)江中游省會(huì)城市的碳足跡深度指數(shù)，通過(guò)可視化區(qū)域碳足跡深度指數(shù)，借此分析研究區(qū)存量資本消耗程度的空間分布及區(qū)域差異.

2.2.3 熱點(diǎn)分析

Getis-Ord Gi*指數(shù)在于識(shí)別出具有統(tǒng)計(jì)顯著性聚類的區(qū)域，反映高值要素是否能夠成為具有顯著統(tǒng)計(jì)意義的熱點(diǎn).利用Gi*算法對(duì)碳足跡深度的空間分布進(jìn)行熱點(diǎn)分析，設(shè)置置信度在99%以上的高值為極熱團(tuán)，置信度在95%～99%之間的高值區(qū)域?yàn)榇螣釄F(tuán).獲取研究區(qū)碳足跡深度指數(shù)的極熱團(tuán)與次熱團(tuán)，可直觀體現(xiàn)存量資本消耗較大區(qū)域的空間分布，將其與研究區(qū)行政區(qū)劃進(jìn)行匹配分析，對(duì)于存在大面積極熱團(tuán)與次熱團(tuán)的區(qū)縣具有生態(tài)管控的重要警示意義.Getis-Ord Gi*指數(shù)的計(jì)算公式見(jiàn)文獻(xiàn)[26].

2.2.4 空間分位數(shù)模型及指數(shù)歸一化

分位數(shù)回歸可以描述自變量對(duì)不同分位點(diǎn)因變量的影響，與普通線性最小二乘法回歸相比，該模型估計(jì)值不受異常值影響，更加具有穩(wěn)健性.可以不考慮同方差和正態(tài)分布假設(shè)，能夠全面地反映自變量對(duì)因變量的影響趨勢(shì)情況.碳足跡深度反映了區(qū)域?qū)Υ媪抠Y本的“掠奪”，對(duì)生態(tài)可持續(xù)發(fā)展造成負(fù)面影響，為提出切實(shí)有效的措施建議，需要探討研究區(qū)碳足跡深度指數(shù)增長(zhǎng)過(guò)程中各影響因素的作用程度.該文運(yùn)用空間分位數(shù)模型，分析人口密度、工業(yè)總產(chǎn)值、能源總量、人均碳排放量對(duì)0.1～0.9 分位點(diǎn)碳足跡深度的作用水平，并與線性回歸結(jié)果進(jìn)行對(duì)比，具體公式見(jiàn)文獻(xiàn)[27].為深入剖析碳足跡深度增長(zhǎng)累積過(guò)程中各影響因素的作用差異，有必要對(duì)區(qū)域碳足跡深度指數(shù)歸一化處理，歸一化公式如下：

式中，yij為第i年j地區(qū)碳足跡深度標(biāo)準(zhǔn)化后的值，xij為第i年j地區(qū)碳足跡深度實(shí)際值，maxxij為區(qū)域內(nèi)碳足跡深度的最大值，minxij為區(qū)域內(nèi)碳足跡深度的最小值.

3 結(jié)果與討論

3.1 長(zhǎng)江中游省會(huì)城市碳足跡深度時(shí)空演變

2010—2019 年，武漢市、南昌市、長(zhǎng)沙市碳足跡深度指數(shù)均呈上升趨勢(shì)(見(jiàn)圖2)，研究結(jié)果與長(zhǎng)江中游城市的碳?jí)毫Τd狀態(tài)[28]相符.2010—2019 年，武漢市歸一化碳足跡深度指數(shù)由0.616 9 增至0.744 9，由主城區(qū)向外呈環(huán)狀擴(kuò)散，向北擴(kuò)張至黃坡區(qū)及新洲區(qū)，向南蔓延至漢南區(qū)，武漢市是我國(guó)重要的工業(yè)基地，各年能源消耗量顯著，區(qū)域生態(tài)系統(tǒng)壓力較大.2010—2019 年，南昌市歸一化碳足跡深度指數(shù)由0.474 0 升至0.558 2，區(qū)域歸一化碳足跡深度指數(shù)以遞增趨勢(shì)上漲，整體分布以南昌市中心城區(qū)向四周不斷擴(kuò)張，并在安義縣及進(jìn)賢縣等自然資源較為優(yōu)渥的區(qū)域內(nèi)呈現(xiàn)部分高值聚集，由于南昌市現(xiàn)階段還處于化石能源為主導(dǎo)的能源消費(fèi)結(jié)構(gòu)，碳排放量與碳匯變化的不同步性加劇了碳足跡深度的增長(zhǎng).2010—2019 年，長(zhǎng)沙市歸一化碳足跡深度指數(shù)由0.420 8 增至0.598 4，區(qū)域碳足跡深度高值呈橫向發(fā)展，由長(zhǎng)沙市中心城區(qū)向?qū)庎l(xiāng)市的北部及瀏陽(yáng)市的中部蔓延，碳足跡深度的劇烈增長(zhǎng)對(duì)城市生態(tài)環(huán)境造成了不可避免的破壞.

武漢市、南昌市、長(zhǎng)沙市各區(qū)縣歸一化碳足跡深度指數(shù)的變化情況見(jiàn)表3.結(jié)果表明，2010—2019 年武漢市各區(qū)縣歸一化碳足跡深度指數(shù)差異變化顯著，2010 年江漢區(qū)及硚口區(qū)的歸一化碳足跡深度指數(shù)高達(dá)1，發(fā)展至2019 年武漢市主城區(qū)存在6 個(gè)區(qū)域的歸一化碳足跡深度指數(shù)位于高值，經(jīng)董捷等[29]對(duì)武漢市各區(qū)縣碳減排責(zé)任分?jǐn)偟膭澏ㄑ芯拷Y(jié)果可知，武漢市主城區(qū)在承擔(dān)著更大碳減排責(zé)任的同時(shí)也反映了其對(duì)存量資本的“掠奪”.2010—2019 年南昌市的歸一化碳足跡深度高值區(qū)域?yàn)榍嘣谱V區(qū)、西湖區(qū)及東湖區(qū)，這些地區(qū)均為南昌市中心城區(qū)，區(qū)域城鎮(zhèn)化起步較早，是早期工業(yè)園區(qū)的誕生地，并優(yōu)先發(fā)展重工業(yè)，建立電力、建材等新興工業(yè)[30]，因而碳足跡深度相對(duì)較高.2010—2019 年長(zhǎng)沙市各區(qū)縣碳足跡深度增幅有所減緩，體現(xiàn)了工業(yè)產(chǎn)業(yè)升級(jí)、能源結(jié)構(gòu)優(yōu)化、節(jié)能降耗持續(xù)推進(jìn)的良好發(fā)展態(tài)勢(shì)，其中芙蓉區(qū)、天心區(qū)及開(kāi)福區(qū)歸一化碳足跡深度指數(shù)較大，經(jīng)過(guò)長(zhǎng)期的建設(shè)和培育，這些地區(qū)已擁有優(yōu)越的軌道交通裝備產(chǎn)業(yè)集群[31]，在城鎮(zhèn)化及工業(yè)化快速發(fā)展的背景下碳足跡深度指數(shù)呈現(xiàn)高值.

表3 武漢市、南昌市、長(zhǎng)沙市各區(qū)縣歸一化碳足跡深度指數(shù)Table 3 Normalized carbon footprint depth index of each district and county in Wuhan,Nanchang and Changsha

2010 年，長(zhǎng)江中游省會(huì)城市歸一化碳足跡深度指數(shù)呈現(xiàn)武漢市＞南昌市＞長(zhǎng)沙市的特征，武漢市歸一化碳足跡深度指數(shù)為長(zhǎng)沙市的1.47 倍，由于武漢市人均碳排放量比長(zhǎng)沙市高1 t 以上，因此武漢市整體的碳足跡深度指數(shù)較高.2015 年、2019 年長(zhǎng)江中游省會(huì)城市歸一化碳足跡深度指數(shù)表現(xiàn)為武漢市＞長(zhǎng)沙市＞南昌市，而長(zhǎng)沙市在“十二五”期間通過(guò)帶動(dòng)大批生產(chǎn)性服務(wù)業(yè)發(fā)展，使二產(chǎn)和三產(chǎn)同步呼應(yīng)，工業(yè)總產(chǎn)值再創(chuàng)新高，能源消耗的碳排放總量也加速涌起，自然存量資本消耗加大，碳足跡深度指數(shù)超越南昌市.

3.2 長(zhǎng)江中游省會(huì)城市碳足跡深度空間特征

2010—2019 年，武漢市、南昌市、長(zhǎng)沙市歸一化碳足跡深度指數(shù)均在1%的顯著性水平下呈現(xiàn)鄰域分布的特征.武漢市與長(zhǎng)沙市的正向聚集不斷加強(qiáng)，南昌市的高值關(guān)聯(lián)程度先增強(qiáng)后減弱(見(jiàn)表4).由2007 年及2012 年我國(guó)各區(qū)域各產(chǎn)業(yè)群的碳關(guān)聯(lián)度研究可知，我國(guó)中部城市是碳關(guān)聯(lián)度最大的區(qū)域，承擔(dān)著我國(guó)碳減排的主要責(zé)任[32]，因此有必要獲取長(zhǎng)江中游省會(huì)城市碳足跡深度高值的位置分布(見(jiàn)圖3).2010—2019 年，武漢市碳足跡深度極熱團(tuán)表現(xiàn)為擴(kuò)張趨勢(shì)，且次熱團(tuán)包圍著極熱團(tuán)向四周呈地毯式蔓延，直至將武漢市主城區(qū)全面覆蓋.南昌市碳足跡深度的高值于極熱團(tuán)集簇顯著，而較高值在周邊區(qū)縣呈現(xiàn)部分聚集態(tài)勢(shì)，熱點(diǎn)團(tuán)于中心城區(qū)擴(kuò)張至新建區(qū)及南昌縣，整體趨勢(shì)向南北方向延伸.長(zhǎng)沙市碳足跡深度極熱團(tuán)則以顯著的“東—西”橫向發(fā)展，寧鄉(xiāng)市及瀏陽(yáng)市擁有豐富的碳匯能力，旅游業(yè)發(fā)展促使區(qū)域產(chǎn)業(yè)鏈逐漸完善[33]，推動(dòng)了第三產(chǎn)業(yè)發(fā)展，使區(qū)域內(nèi)呈現(xiàn)較小范圍的極熱團(tuán)，在與中心城區(qū)極熱團(tuán)的相連區(qū)域內(nèi)，次熱團(tuán)的衍生也體現(xiàn)了中心城區(qū)經(jīng)濟(jì)建設(shè)的發(fā)展引領(lǐng).

表4 武漢市、南昌市、長(zhǎng)沙市歸一化碳足跡深度指數(shù)的全局自相關(guān)性Table 4 Autocorrelation results of normalized carbon footprint depth index in Wuhan,Nanchang and Changsha

對(duì)武漢市、南昌市、長(zhǎng)沙市歸一化碳足跡深度指數(shù)的空間趨勢(shì)面進(jìn)行分析，結(jié)果(見(jiàn)圖4)表明，武漢市、南昌市、長(zhǎng)沙市東西及南北方向均呈現(xiàn)“中間高、兩邊低”的空間分布特征.2010—2019 年，武漢市歸一化碳足跡深度指數(shù)在空間分布上表現(xiàn)為西部高于東部、南部高于北部，且圖4 中各離散點(diǎn)的Z軸數(shù)值不斷升高.南昌市趨勢(shì)線中部增長(zhǎng)顯著，而西部及南部相較于東部及北部略高，整體呈現(xiàn)緩慢上升趨勢(shì).長(zhǎng)沙市歸一化碳足跡深度指數(shù)在空間分布上表現(xiàn)為西部大于東部、南部大于北部，中心城區(qū)的Z軸高度跨度較大，歸一化碳足跡指數(shù)漲幅較為明顯.長(zhǎng)江中游省會(huì)城市歸一化碳足跡深度指數(shù)的整體空間分布顯示，在東西方向上表現(xiàn)為“中間高、兩邊低”，而南北方向上則由“北高南低”發(fā)展為“中間低、兩邊高”的分布格局，且北部明顯高于南部，兩條趨勢(shì)線均不斷上升，長(zhǎng)江中游省會(huì)城市歸一化碳足跡深度指數(shù)不斷增長(zhǎng)，區(qū)域內(nèi)存量資本消耗加大，長(zhǎng)江中游省會(huì)城市生態(tài)系統(tǒng)正承受著巨大壓力，維護(hù)生態(tài)承載力是當(dāng)前的迫切問(wèn)題.

3.3 碳足跡深度影響因素分析

為更好地反映長(zhǎng)江中游省會(huì)城市碳足跡深度各影響因素的作用程度，該研究選擇0.1～0.9 共9 個(gè)分位點(diǎn)進(jìn)行回歸分析.普通最小二乘法線性回歸(OLS)與空間分位數(shù)回歸(SQR)的擬合度(R)2均大于0.87，擬合效果較好，且各影響因素在以上兩種回歸結(jié)果下的相關(guān)系數(shù)存在明顯差異，因此僅以線性回歸反映相關(guān)性水平并不充分(見(jiàn)表5).空間分位數(shù)回歸選用bootstrap 隨機(jī)抽樣，迭代400 次，獲取更為精確的標(biāo)準(zhǔn)誤差，分位數(shù)越大，碳足跡深度(自然存量資本消耗)數(shù)值越高.

表5 空間分位數(shù)模型回歸結(jié)果Table 5 Results of spatial quantile model regression

a) 對(duì)于人口密度〔ln (PD)〕，線性回歸與分位數(shù)回歸系數(shù)方向一致，均通過(guò)5%的顯著性水平檢驗(yàn).在中低值區(qū)間(0.1～0.5 分位點(diǎn))，人口密度對(duì)碳足跡深度的影響逐漸加強(qiáng)，相關(guān)系數(shù)(R)由3.895 8 增至4.928 3；而中高值區(qū)間(0.6～0.9 分位點(diǎn))，隨著碳足跡深度的增加，人口密度對(duì)其影響程度逐漸減弱.人口越多，對(duì)能源需求量越大，由此會(huì)顯著促進(jìn)碳足跡深度低值的增長(zhǎng)；而當(dāng)碳足跡深度達(dá)高值時(shí)，人口規(guī)模越大，人均資源越少，能源稀缺，將會(huì)提高城市能源利用效率[34]，減緩人口密度對(duì)碳足跡深度的促進(jìn)影響.

b) 對(duì)于工業(yè)總產(chǎn)值〔ln (GIOV)〕，其與碳足跡深度為正向關(guān)系，均通過(guò)了10%的顯著性水平.從碳足跡深度的低值(0.1～0.3 分位點(diǎn))、中值(0.4～0.6 分位點(diǎn))、高值(0.7～0.9 分位點(diǎn))來(lái)看，隨著碳足跡深度分位點(diǎn)的增長(zhǎng)，工業(yè)總產(chǎn)值的正向影響不斷加強(qiáng).在各分位點(diǎn)中，工業(yè)總產(chǎn)值與0.8 分位點(diǎn)的碳足跡深度相關(guān)性(R=0.420 9)最強(qiáng).現(xiàn)如今，各市工業(yè)能源消耗仍以原煤為主，且工業(yè)是碳減排經(jīng)濟(jì)性最高的領(lǐng)域[35]，因此工業(yè)產(chǎn)業(yè)布局的優(yōu)化調(diào)整對(duì)碳減排及減緩碳足跡深度均是重要舉措.

c) 對(duì)于能源總量(TE)，線性回歸系數(shù)與各分位點(diǎn)相關(guān)系數(shù)符號(hào)同步，均位于10%的顯著性水平下.能源總量對(duì)碳足跡深度中低值(0.1～0.5 分位點(diǎn))的正向影響不斷降低，于碳足跡深度0.6 分位點(diǎn)處增長(zhǎng)后持續(xù)降至更低.在碳足跡深度0.1 分位點(diǎn)處，能源強(qiáng)度的影響最為強(qiáng)烈(R=1.763 5)，反映了在自然存量資本消耗初期，能源消費(fèi)量的增長(zhǎng)是存量資本耗費(fèi)的重要原因，而到存量資本消耗后期，受產(chǎn)業(yè)結(jié)構(gòu)優(yōu)化調(diào)整、綠色能源使用比例上升的影響，能源總量對(duì)碳足跡深度的作用逐漸減弱.

d) 人均碳排放(PCCE)各分位點(diǎn)均達(dá)到1%的顯著性水平，人均碳排放與碳足跡深度中低值(0.1～0.4分位點(diǎn))的相關(guān)系數(shù)不斷減小，對(duì)碳足跡深度中高值(0.5～0.9 分位點(diǎn))的影響程度不斷加劇.其中人均碳排放量對(duì)0.8 分位點(diǎn)碳足跡深度的影響最大(R=4.862 0)，人均碳排放量越多，對(duì)碳生態(tài)承載力造成的壓力越大，進(jìn)而需要更多的自然流量資本補(bǔ)足，而當(dāng)流量資本不足以吸納碳排放量時(shí)，對(duì)存量資本的消耗將不可避免.

該研究尚存些許不足，影響因素暫未考慮政策方面[36]，僅從人口、工業(yè)、能源消耗等角度選取，在今后的研究中將會(huì)更加完善.

4 結(jié)論

a) 2010—2019 年，武漢市、南昌市、長(zhǎng)沙市碳足跡深度指數(shù)均呈上升趨勢(shì).2010 年，長(zhǎng)江中游省會(huì)城市歸一化碳足跡深度指數(shù)呈現(xiàn)武漢市＞南昌市＞長(zhǎng)沙市的特征，2015 年及2019 年長(zhǎng)江中游省會(huì)城市歸一化碳足跡深度指數(shù)均表現(xiàn)為武漢市＞長(zhǎng)沙市＞南昌市.三市的歸一化碳足跡深度高值范圍均以城市的中心城區(qū)向四周擴(kuò)張，碳足跡深度不斷增長(zhǎng)，區(qū)域存量資本消耗嚴(yán)重.

b) 2010—2019 年，武漢市、南昌市、長(zhǎng)沙市歸一化碳足跡深度指數(shù)均在1%的顯著性水平下呈現(xiàn)高值聚集的特征，極熱團(tuán)基本完全覆蓋中心城區(qū)，次熱團(tuán)包圍著極熱團(tuán)向四周蔓延.由空間趨勢(shì)面分析可知，長(zhǎng)江中游省會(huì)城市歸一化碳足跡深度指數(shù)在東西方向上表現(xiàn)為“中間高、兩邊低”，而南北方向上則由“北高南低”發(fā)展為“中間低、兩邊高”的分布格局，且北部明顯高于南部，兩條趨勢(shì)線均不斷上升.

c) 人口密度對(duì)碳足跡深度的影響表現(xiàn)為先升后降，對(duì)碳足跡深度高值(0.8～0.9 分位點(diǎn))的促進(jìn)作用低于其余分位點(diǎn)；工業(yè)總產(chǎn)值對(duì)碳足跡深度的影響呈波動(dòng)上升趨勢(shì)，對(duì)存量資本高值消耗的促進(jìn)作用最為顯著；隨著分位點(diǎn)的增長(zhǎng)，能源總量的影響程度持續(xù)下降，能源總量是存量資本消耗初期的重要原因；人均碳排放對(duì)碳足跡深度的影響表現(xiàn)為先降后升，人均碳排放量越多，存量資本的消耗越大.

5 建議

長(zhǎng)江中游省會(huì)城市要不斷進(jìn)行科技創(chuàng)新，提高能源利用效率，打破工業(yè)能源效率的限制空間，提升清潔能源使用比例，制定不同區(qū)域的節(jié)能減排政策.

a) 對(duì)于武漢市，能源消費(fèi)過(guò)高及碳生態(tài)承載力過(guò)低是碳足跡深度較高的根本原因，工業(yè)生產(chǎn)普遍存在低效的生產(chǎn)設(shè)施和高煤炭依賴度.建議：①積極發(fā)展產(chǎn)業(yè)轉(zhuǎn)型，將產(chǎn)生直接碳排放的設(shè)備裝置更換為低碳乃至零碳設(shè)施，節(jié)約并循環(huán)利用化石能源，從根本上減少碳排放量；②合理優(yōu)化土地利用結(jié)構(gòu)，通過(guò)涵養(yǎng)水源、控制建設(shè)用地?zé)o序占用、設(shè)立生態(tài)保護(hù)紅線等措施，有效緩解林地及草地面積的破壞及惡化，增強(qiáng)碳生態(tài)承載力.

b) 對(duì)于南昌市，能源利用效率不足對(duì)南昌市的碳足跡深度造成了根本的負(fù)面影響，傳統(tǒng)的化石能源使用較為粗放，造成資源的浪費(fèi)和環(huán)境污染問(wèn)題日益嚴(yán)峻.建議：①南昌市工業(yè)園區(qū)分布較為零散，引導(dǎo)工業(yè)向開(kāi)發(fā)區(qū)集中，產(chǎn)業(yè)向功能區(qū)集中，形成多循環(huán)工業(yè)體系；②為降低碳足跡深度，在減小能源消費(fèi)量的同時(shí)，對(duì)符合規(guī)劃、不改變途徑的前提下，現(xiàn)有工業(yè)用地通過(guò)提高土地利用效率和增加容積率的用地，并不再增加土地價(jià)款，避免工業(yè)用地的零散分布，減少對(duì)生態(tài)用地的侵蝕.

c) 對(duì)于長(zhǎng)沙市，依托于較好的林地面積，碳生態(tài)承載力相對(duì)充裕，但仍存在城市發(fā)展建設(shè)及工業(yè)化對(duì)碳足跡深度的影響處于難以逆轉(zhuǎn)的困境.建議：①為更好地建設(shè)低碳城市，在其產(chǎn)業(yè)發(fā)展方面應(yīng)加大力度發(fā)展綠色產(chǎn)業(yè)，著重投資第三產(chǎn)業(yè)，將低碳理念貫穿產(chǎn)業(yè)發(fā)展的始終；②對(duì)高產(chǎn)能、低能耗、高附加值的低碳產(chǎn)業(yè)開(kāi)辟綠色通道，打造低碳技術(shù)，促進(jìn)低碳空間轉(zhuǎn)型發(fā)展.