EN中文

Arid Land Geography >

2025 , Vol. 48 >Issue 12: 2183 - 2196

DOI: https://doi.org/10.12118/j.issn.1000-6060.2025.210

Land Use and Carbon Cycle

Carbon budget balance and carbon compensation zoning of land use in Xinjiang’s counties

  • Xiujuan SHI ,
  • Zhiqiang WANG
Expand
  • College of Public Administration, Xinjiang Agricultural University, Urumqi 830052, Xinjiang, China

Received date: 2025-04-23

  Revised date: 2025-06-25

  Online published: 2026-03-11

Fold

Abstract

Xinjiang, a resource-rich region in China, faces interconnected challenges under the “Dual Carbon” strategy: Resource exploitation, ecological conservation, and carbon emission reduction. Analyzing land-use carbon budgets and their balancing mechanisms provides a theoretical basis for optimizing regional low-carbon land use. This study quantified county-level carbon budgets from 2000 to 2023, including carbon absorption, carbon emissions, the ecological support coefficient (ESC), and the economic contribution coefficient (ECC), across 96 counties in Xinjiang. Social network analysis was employed to characterize spatial correlations of carbon emissions, and a carbon-balance-oriented zoning framework was developed. Spatial overlay analysis integrated carbon balance zoning with major functional zoning to delineate carbon compensation zones. Key findings include: (1) A growing disparity between carbon emissions (surging from 60.28×106 t to 677.81×106 t) and absorption, forming a core-periphery spatial structure radiating from urban hubs; post-2020, carbon absorption declined significantly, displaying an inverse spatial pattern to emissions. (2) ESC exhibited persistent decline from 2000 to 2023, while ECC showed marked spatial heterogeneity. (3) The carbon emission network demonstrated high density (0.877) and polycentric dispersion, with core nodes dominating carbon flows. (4) Four functional zones were identified: Low-carbon optimization zones (12), high-carbon control zones (25), ecological conservation zones (22), and carbon sequestration core zones (37). Overlaying these with major functional zoning yielded 10 carbon compensation zones. To address socio-ecological conflicts in achieving carbon neutrality, Xinjiang requires spatially differentiated governance, regional collaborative emission reduction, and ecological compensation mechanisms.

Key words： Xinjiang counties; carbon budget balance; carbon compensation zoning; major function-oriented zones; social network analysis

Cite this article

Xiujuan SHI , Zhiqiang WANG . Carbon budget balance and carbon compensation zoning of land use in Xinjiang’s counties[J]. Arid Land Geography, 2025 , 48(12) : 2183 -2196 . DOI: 10.12118/j.issn.1000-6060.2025.210

气候变化已成为人类可持续发展面临的最严峻挑战之一。《巴黎协定》确立了全球温控目标（1.5~2 ℃），截至2021年底，全球136个国家承诺“碳中和”，推动全球碳减排形成广泛共识[1]。作为负责任大国，中国明确提出“2030年前碳达峰、2060年前碳中和”目标，标志着我国进入碳减排的关键攻坚期。在这一进程中，土地利用/覆盖变化（LUCC）被广泛认为是区域碳排放的关键驱动因素之一，研究表明其贡献了全球约25%的人为温室气体净排放量[2]。因此，深入探究区域土地利用碳减排路径，不仅需关注总量控制，区域协同减排机制（如碳补偿）的建立至关重要。准确核算碳排放是相关研究的基础，主要方法包括现场测量[3]、排放系数法[4]、模型模拟[5]及遥感估算[6]等。在此基础上，学者们从多尺度（全球[7]、国家[8]、省级[9]、城市群[10]）和多维度（碳排放强度、时空演变、驱动机制、优化策略[11-13]）展开了深入探讨。其中，土地利用碳排放的时空效应（特别是碳源/汇动态平衡）、驱动机制及优化调控是当前研究热点。然而，现有研究多集中于宏观尺度，对更能精准反映区域内部差异、作为政策直接实施单元县级尺度的关注严重不足[14-16]。这主要受限于县域层面系统碳排放数据的获取难度与方法适用性。值得注意的是，利用DMSP/OLS等夜间灯光数据与人类活动/能源消耗的高度相关性，结合遥感技术进步，学者们发展了在微观尺度（如城市、县域）估算能源相关碳排放的有效方法[17-18]，为填补县域数据空白，理解碳排放的精细分布与驱动提供了重要工具。
然而，当前研究仍存在显著局限：县域碳收支系统研究匮乏，尽管方法上有所突破，但聚焦县域尺度、系统核算土地利用相关碳源/汇、揭示其净排放时空格局的研究仍然较少[19]。缺乏基于区域碳收支、资源禀赋与发展定位的科学分区，未能与主体功能区等空间管控政策结合，在关键实施尺度上形成可操作的生态补偿与协同减排方案。新疆兼具广袤国土与丰富能源，其碳减排成效对国家至关重要，亦在发展中面临生态保护压力。协调土地利用、优化碳收支并建立差异化碳补偿机制，是支撑“双碳”战略落地的关键。本研究立足于县域尺度的系统评估与分区，旨在填补该区域在国家能源与生态安全格局中的研究空白。

1 数据与方法

1.1 研究区概况

新疆位于我国西北边疆，总面积166.49×104 km2（约占国土面积1/6）。2023年，地区生产总值（GDP）1.91×1012元，常住人口2.60×107人，行政区涵盖108个县级单元。属温带大陆性气候，其显著特征表现为强烈的气温年较差与日较差，冬季寒冷，夏季炎热，水资源空间分异显著，年降水量稀少。地貌呈“三山夹两盆”格局，戈壁、荒漠与草地占比约90%，土地储备资源丰富，是全国能源战略核心区，风能、太阳能开发潜力居全国首位。作为“丝绸之路经济带”核心区，其地理区位与资源禀赋对国家能源安全及边疆稳定具有战略意义，然而生态脆弱性约束要求发展模式需兼顾可持续性（图1）。鉴于新疆生产建设兵团12个团场级单元数据可获性约束，本研究基于数据完整性原则，将研究对象界定为96个地方县级单元（图1，表1）。
图1 研究区示意图

注：基于自然资源部标准地图服务网站审图号为GS(2023)2767号的标准地图制作，底图边界无修改。图中数字1~96为本研究涉及的96个县域单元编号，其具体名称与编号对应关系见表1。下同。

Fig. 1 Schematic diagram of the study area

表1 研究区县（区）级行政单元

Tab. 1 County and district administrative units of the study area

编号 县（区） 编号 县（区） 编号 县（区） 编号 县（区） 编号 县（区）
1 天山区 21 呼图壁县 40 温宿县 59 麦盖提县 78 巩留县
2 沙依巴克区 22 玛纳斯县 41 库车市 60 岳普湖县 79 新源县
3 新市区 23 奇台县 42 沙雅县 61 伽师县 80 昭苏县
4 水磨沟区 24 吉木萨尔县 43 新和县 62 巴楚县 81 特克斯县
5 头屯河区 25 木垒哈萨克自治县 44 拜城县 63 塔什库尔干塔吉克自治县 82 尼勒克县
6 达坂城区 26 博乐市 45 乌什县 64 和田市 83 塔城市
7 米东区 27 阿拉山口市 46 阿瓦提县 65 和田县 84 乌苏市
8 乌鲁木齐县 28 精河县 47 柯坪县 66 墨玉县 85 额敏县
9 独山子区 29 温泉县 48 阿图什市 67 皮山县 86 沙湾市
10 克拉玛依区 30 库尔勒市 49 阿克陶县 68 洛浦县 87 托里县
11 白碱滩区 31 轮台县 50 阿合奇县 69 策勒县 88 裕民县
12 乌尔禾区 32 尉犁县 51 乌恰县 70 于田县 89 和布克赛尔蒙古自治县
13 高昌区 33 若羌县 52 喀什市 71 民丰县 90 阿勒泰市
14 鄯善县 34 且末县 53 疏附县 72 伊宁市 91 布尔津县
15 托克逊县 35 焉耆回族自治县 54 疏勒县 73 奎屯市 92 富蕴县
16 伊州区 36 和静县 55 英吉沙县 74 霍尔果斯市 93 福海县
17 巴里坤哈萨克自治县 37 和硕县 56 泽普县 75 伊宁县 94 哈巴河县
18 伊吾县 38 博湖县 57 莎车县 76 察布查尔锡伯自治县 95 青河县
19 昌吉市 39 阿克苏市 58 叶城县 77 霍城县 96 吉木乃县
20 阜康市

1.2 数据来源

本研究数据涵盖土地利用、气候降水、社会经济及行政边界矢量数据，具体来源如下：（1） 土地利用与气候降水数据源自中国科学院资源环境科学与数据中心，含2000、2005、2010、2015、2020、2023年30 m分辨率遥感影像空间分布。（2） 社会经济数据整合自新疆96个县（区）2000—2023年《新疆统计年鉴》与《国民经济与社会发展统计公报》；碳排放数据引自中国碳排放核算数据库（CEADs）县域清单[20]；夜间灯光数据采用Wu等校正的DMSP/OLS数据集[21]。（3） 行政边界矢量数据获取自自然资源部2023年标准地图[22]。（4） 依据《新疆维吾尔自治区国土空间规划（2021—2035年）》主体功能区划，将全疆划分为城镇发展区（24）、农产品保障区（22）及生态屏障区（50）3类主体功能区，构建了分区治理框架。缺失数据通过线性插值或趋势外推法补全。

1.3 研究方法

1.3.1 DMSP/OLS夜间灯光数据反演碳排放量

由于我国能源消费统计缺乏县级数据，本研究参考相关研究[23]，借助中国碳核算数据库数据与DMSP/OLS夜间灯光数据构建县域尺度碳排放拟合方程，实现县级能源碳排放的估算，计算公式为：
${Y}_{ij}=\alpha \times {X}_{ij}+b$
式中：Yij为县域i在j年的能源消费碳排放模拟值；$\alpha $为回归系数；Xij为县域i在j年经校正后所有建成区的夜间灯光影像像素亮度值总和；b为常数项。
夜间灯光遥感数据表征的辐射亮度与能源消费碳排放强度存在显著线性正相关关系。其中拟合方程为Yij=1030.7Xij+100403,R2为0.81，数据能够满足研究需求。

1.3.2 基于InVEST模型计算碳吸收量

本研究采用InVEST模型[24]，基于2000—2023年期间多期土地利用数据，通过对地上生物量、地下生物量、土壤有机碳及死亡有机质4类碳库的量化评估，构建新疆县域尺度碳汇时空动态数据集，计算公式为：
${C}_{\mathrm{t}\mathrm{o}\mathrm{t}\mathrm{a}\mathrm{l}}={C}_{{i}_{\_\mathrm{a}\mathrm{b}\mathrm{o}\mathrm{v}\mathrm{e}}}+{C}_{{i}_{\_\mathrm{b}\mathrm{e}\mathrm{l}\mathrm{o}\mathrm{w}}}+{C}_{{i}_{\_\mathrm{s}\mathrm{o}\mathrm{i}\mathrm{l}}}+{C}_{{i}_{\_\mathrm{d}\mathrm{e}\mathrm{a}\mathrm{d}}}$
式中：${C}_{\mathrm{t}\mathrm{o}\mathrm{t}\mathrm{a}\mathrm{l}}$为区域的总碳吸收量；${C}_{{i}_{\_\mathrm{a}\mathrm{b}\mathrm{o}\mathrm{v}\mathrm{e}}}$为第i种土地利用类型的地上生物量碳吸收量；${C}_{{i}_{\_\mathrm{b}\mathrm{e}\mathrm{l}\mathrm{o}\mathrm{w}}}$为第i种土地利用类型的地下生物量碳吸收量；${C}_{{i}_{\_\mathrm{s}\mathrm{o}\mathrm{i}\mathrm{l}}}$为第i种土地利用类型的土壤碳吸收量；${C}_{{i}_{\_\mathrm{d}\mathrm{e}\mathrm{a}\mathrm{d}}}$为第i种土地利用类型的死亡有机质碳吸收量。
碳密度是评估生态系统碳汇功能的核心指标，直接反映区域的碳库容量与碳中和潜力。研究引用2010s中国陆地生态系统碳密度数据集[25]、新疆地区[26]开展的碳储量研究案例，并参考Giardina等[27]和Alam等[28]提出的方法，采用气候因子（气温、降水）校正与本地参数迁移对新疆县域各类土地利用类型碳库进行修正，最终得到新疆各县域土地利用类型碳密度数据库（表2）。
表2 新疆县域各类土地利用类型碳库

Tab. 2 Carbon pools of various land use types in Xinjiang　　　/Mg·hm-2

土地利用类型 ${C}_{{i}_{\_\mathrm{a}\mathrm{b}\mathrm{o}\mathrm{v}\mathrm{e}}}$ ${C}_{{i}_{\_\mathrm{b}\mathrm{e}\mathrm{l}\mathrm{o}\mathrm{w}}}$ ${C}_{{i}_{\_\mathrm{s}\mathrm{o}\mathrm{i}\mathrm{l}}}$ ${C}_{{i}_{\_\mathrm{d}\mathrm{e}\mathrm{a}\mathrm{d}}}$
耕地 1.96 6.83 59.32 0.65
林地 27.52 11.62 92.67 4.54
草地 2.98 6.74 55.07 1.26
水域 1.45 0.66 0.00 0.00
建设用地 2.59 2.11 0.00 0.00
未利用地 1.19 1.26 26.24 0.00

注：${C}_{{i}_{\_\mathrm{a}\mathrm{b}\mathrm{o}\mathrm{v}\mathrm{e}}}$为第i种土地利用类型的地上生物量碳吸收量；${C}_{{i}_{\_\mathrm{b}\mathrm{e}\mathrm{l}\mathrm{o}\mathrm{w}}}$为第i种土地利用类型的地下生物量碳吸收量；${C}_{{i}_{\_\mathrm{s}\mathrm{o}\mathrm{i}\mathrm{l}}}$为第i种土地利用类型的土壤碳吸收量；${C}_{{i}_{\_\mathrm{d}\mathrm{e}\mathrm{a}\mathrm{d}}}$为第i种土地利用类型的死亡有机质碳吸收量。

1.3.3 碳平衡生态承载系数

碳平衡生态承载系数（ESC）是量化区域生态系统在维持碳收支平衡状态下可持续承载人类活动碳排放能力的核心指标，其本质是衡量自然碳汇能力对人为碳排放的消纳阈值[29]，计算公式为：
$\mathrm{E}\mathrm{S}{\mathrm{C}}_{i}=\frac{\mathrm{C}{\mathrm{A}}_{i}}{\mathrm{C}\mathrm{A}}/\frac{{C}_{i}}{C}$
式中：CAi、CA分别为i县域单元和全区的碳吸收量；Ci、C分别为i县域单元和全区的碳排放量。若$\mathrm{E}\mathrm{S}{\mathrm{C}}_{i}>1$，则表明i区县生态系统处于碳盈余状态，具备承载新增排放的潜力；反之，则表明该区县生态系统超载，需通过碳补偿或减排恢复平衡。

1.3.4 碳平衡经济贡献系数

碳平衡经济贡献系数（ECC）是量化区域经济系统在维持碳收支平衡约束下单位碳排放所创造的经济价值核心指标，是反映低碳转型过程中经济增长与碳减排的协同效率[30]，计算公式为：
$\mathrm{E}\mathrm{C}{\mathrm{C}}_{i}=\frac{{G}_{i}}{G}/\frac{{C}_{i}}{C}$
式中：Gi、G分别为i县域单元和全区的GDP。若$\mathrm{E}\mathrm{C}{\mathrm{C}}_{i}>1$，则表明i区县经济系统在碳平衡约束下实现正向净收益；若$\mathrm{E}\mathrm{C}{\mathrm{C}}_{i}<1$，则表明i区县碳减排成本超过经济收益，需优化产业结构。

1.3.5 县域碳排放社会网络分析

社会网络分析法是基于“关系数据”就关系网络进行分析的科学方法[31]，通过采用图论和矩阵方法描述关系模式并探究这些关系模式对结构中成员或整体的影响[32]。参考王丽蓉等[33]的研究，引入碳排放量、常住人口、GDP、地理距离对传统引力模型进行修正，进而测度县域碳排放量空间关联引力强度，修正后的引力模型为：
${F}_{xy}={K}_{xy}\times \frac{\sqrt[3]{{G}_{x}{P}_{x}{E}_{x}}\times \sqrt[3]{{G}_{y}{P}_{y}{E}_{y}}}{\left(\frac{{D}_{xy}}{{g}_{x}-{g}_{y}}\right)},{K}_{xy}=\frac{{E}_{x}}{{E}_{x}+{E}_{y}}$
式中：Fxy为县域间的引力值；x和y分别为x县域和y县域；Kxy为x县域对y县域碳排放关联的贡献率；G为各县域的GDP；P为常住人口；E为碳排放量；Dxy为县域之间的地理距离；g为人均GDP。
依据公式（5）构建新疆96县域碳排放引力矩阵，并以各行算术平均值为阈值进行二值化，生成具有方向异质性的邻接矩阵，从而定量揭示碳排放的空间协同特征。

1.4 技术路线图

本研究以新疆96个县域作为研究区，在“双碳”战略目标指引下，以土地利用碳收支平衡为目标，从“总量规模、社会经济、生态环境、角色定位”4个维度构建碳平衡分区框架；并从主体功能区角度探究研究区碳补偿分区变化，根据分区结果提出区域间碳补偿方案，有针对性地提出区域碳补偿分区优化发展策略，研究技术路线如图2所示。
图2 技术路线图

注：ESC为碳平衡生态承载系数；ECC为碳平衡经济贡献系数。

Fig. 2 Methodological framework

2 结果与分析

2.1 碳收支时间演变特征分析

2000—2023年研究区碳排放总量与碳吸收总量呈现显著异质性（图3）。碳排放总量表现为指数型增长模式，由基准年的60.28×106 t激增至2023年的677.81×106 t，23 a间绝对增量达617.53×106 t，年均复合增长率达9.87%。碳排放2次跃升拐点2010、2023年与国家能源基地建设周期高度重合。以乌鲁木齐、克拉玛依能源枢纽为碳排放热核，随地理距离增加呈梯度递减特征，空间基尼系数达0.63（P<0.05）。相较之下，前20 a碳吸收总量从94.78×106 t微增至95.64×106 t，净变化量为0.87×106 t（增幅0.92%，其年际波动幅度低于±1.5%），2023年减至93.62×106 t；生态空间压缩、林地质量退化、气候胁迫是碳吸收量减少了2.02×106 t的根本动因。
图3 2000—2023年新疆县域碳收支总量变化

Fig. 3 Changes in the total carbon budget of county-level regions in Xinjiang from 2000 to 2023

2.1.1 碳排放量时空演变特征分析

2000—2023年新疆各县域土地利用碳排放空间分布如图4所示。基于ArcGIS平台，采用自然断点法将2000年碳排放量划分为5级，对后续等间隔期数据实施统一阈值分级，以揭示县域碳排放的时空分异规律。2000年仅轮台县、鄯善县为碳排放高值区，其碳排放量分别为3.41×106 t、3.40×106 t。2005年碳排放高值区的数量增加至10个，高值区碳排放总量占全区碳排放总量的35.8%；碳排放低值区数量减少至47个。2010年碳排放呈现急剧增长趋势，全区碳排放量由2005年的105.6×106 t增加至2010年的194.0×106 t。碳排放高值区数量增长至24个，高值区碳排放总量占全区碳排放总量的61.2%；碳排放低值区数量由2005年的47个减少至2010年的4个。2015年全区碳排放量由2010年的194.0×106 t增加至2015年的298.0×106 t，碳排放量出现量级增长趋势。其中，碳排放高值区数量增长至44个，高值区碳排放总量占全区碳排放总量的76.6%，2015年“丝绸之路核心区”建设推动能源项目向沙雅县、吉木萨尔县等县域扩散，加速碳排放空间连片化。2020年碳排放量继续保持增长趋势，全区碳排放总量增长至415.2×106 t。其中，碳排放高值区数量增长至67个，高值区碳排放总量占全区碳排放总量的86.3%，其空间格局呈现“单核-多核-全域扩散”的分布特征，吉木萨尔县、拜城县因承接“疆内产业转移示范区”政策，引入煤电、煤化工项目，驱动碳排放跃升。2023年研究区碳排放量为677.81×106 t，增长率达63.23%，其中碳排放高值区数量占比最大，库车市-轮台县-库尔勒市沿南疆铁路形成油气输送管网枢纽，催生高排放产业廊道；克拉玛依区、鄯善县依托油田资源形成开采-炼化产业集群，构成北疆排放极核。
图4 2000—2023年新疆县域土地利用碳排放量空间分布

Fig. 4 Spatial distributions of carbon emissions by land use in Xinjiang’s counties from 2000 to 2023

研究基于2000年碳排放量基准值，筛选2005、2010、2015、2020、2023年6个时段碳排放增长量前10位县域（图4）。2000—2023年研究区碳排放增长呈显著空间集聚，前10位县域贡献了31.8%的增量。动态格局显示，传统能源县域持续主导，新兴承接县域因产业转移跻身前列，而转型县域的退出印证了政策干预的有效性。同时，天山北坡经济带碳吸收能力因生态空间被挤占而弱化，揭示了绿洲承载力与开发强度的根本矛盾。

2.1.2 碳吸收量时空演变特征分析

将2000—2023年6期土地利用数据及碳库参数导入InVEST模型，生成96县域碳吸收量空间格局。结果显示，碳吸收高值区与碳排放高值区呈反向分布，且与林地高覆盖区高度吻合（图5）。以2000年自然断点法分级结果为基准，对后续等间隔期数据实施统一阈值分级，揭示碳吸收的时空分异规律。进一步对2000—2023年研究区碳吸收变化量进行统计分析可以发现，2000—2020年碳吸收量呈缓慢增长趋势，碳吸收总量增加了0.87×106 t，其空间分布格局较为稳定，未出现量级增加或减少，这一时期通过封沙育林、造林种草、工程固沙等手段，生态环境有所恢复，林地的生态效益得以凸显，碳吸收量呈上升态势。2020—2023年碳吸收量呈下降趋势，碳吸收总量减少了2.02×106 t，生态治理形成的碳汇增量难以抵消由社会经济快速发展导致的碳排放总量激增，煤炭露天开采区生态退化与草地超载过牧，存在显著的生态-经济权衡效应。
图5 2000—2023年新疆县域土地利用碳吸收量空间分布

Fig. 5 Spatial distributions of carbon absorption by land use in Xinjiang’s counties from 2000 to 2023

研究基于2000年碳吸收量基准值，筛选2005、2010、2015、2020、2023年6个时段碳吸收增长量前10位县域（图5）。研究区碳吸收增长呈现显著空间极化，前10个县域贡献了全区41.3%的碳汇增量。阿克陶县、阿合奇县、吉木乃县、和布克赛尔蒙古自治县、和硕县碳吸收增量持续领跑，成为区域碳汇核心。乌什县2020年退出前10榜单，与经济林扩张使单位面积碳吸收量下降有关，需在生态工程设计中平衡经济与生态目标。然而，未标注县域中，巴楚县、布尔津县、哈巴河县等9个农牧区因草地退化导致碳吸收量下降4%~20%，亟须建立退化生态系统预警机制。

2.2 碳平衡生态承载率时空演变特征分析

本研究基于碳平衡生态承载系数模型，测算了新疆96个县域2000—2023年6个基准年的生态承载率，进而采用自然断点法进行5级梯度划分，通过专题图揭示其空间演变规律（图6）。
图6 2000—2023年新疆县域碳平衡生态承载率空间分布

Fig. 6 Spatial distributions of ecological carrying capacity of carbon balance in Xinjiang’s counties from 2000 to 2023

整体上看，2000—2023年碳平衡生态承载率总体呈下降趋势，其中西部县域减少幅度最大，整体形成以碳平衡生态承载率高值区包围低值区的特征。具体来看：2000年碳平衡生态承载率高值区为阿合奇县等10个县域；低值区（承载率<0.01）以沙依巴克区、独山子区、克拉玛依区、阜康市为核心。2005年碳平衡生态承载率高值区由2000年的10个减少至4个，阿合奇县由277.12减少至34.06，碳平衡生态承载能力减弱，碳平衡生态承载率低值区持续向外蔓延。2010年碳平衡生态承载率高值区减少至2个，碳平衡生态承载率小于1的县域增加至44个。2015年碳平衡生态承载率高值区减少至1个，碳平衡生态承载率低值区占比高达92.7%，这一时期能源基地建设导致碳排放量增长，超出生态承载力阈值。2023年高碳生态承载地区在23 a间都出现了跨量级的变化，生态系统碳减排能力越来越弱。

2.3 碳平衡经济贡献率时空演变特征分析

本研究以新疆县域碳平衡为对象，通过构建碳平衡经济贡献系数指标体系，解析其与经济发展的动态耦合关系。基于2000—2023年夜间灯光数据反演碳排放，计算得出新疆96个县域在6个基准年的经济碳平衡系数（图7）。
图7 2000—2023年新疆县域碳平衡经济贡献率空间分布

Fig. 7 Spatial distributions of the economic contribution rate of carbon balance in Xinjiang’s counties from 2000 to 2023

整体来看，2000—2023年碳平衡经济贡献率极差达195倍（0.1~19.5），揭示能源富集区与贫困县的撕裂。碳平衡经济贡献率高值区分布广泛，空间分布分散，主要位于省会城市或经济较为发达的地区。克拉玛依区以油气产业为主要占比，单位工业增加值碳排强度高，形成“高贡献-高排放”路径依赖；乌鲁木齐由于政策红利致使工业园集中，碳排放高值区集中。哈密风光电基地通过能源外送获得高经济收益，但碳排放留在本地；而南疆县域低碳排放却因产业薄弱，难以通过碳补偿机制获益，凸显区域公平缺失，高碳排放区的扩大和各地区实现碳平衡的压力越来越大。

2.4 县域碳排放网络分析

因2023年常住人口数据缺失，故本研究以2020年碳排放清单为基准，构建新疆96县的空间交互效应网络模型（96×96），并借助Gephi v0.9.2实现可视化。网络拓扑结构中，节点半径对应介数中心度，色温对应特征向量中心度，边权对应标准化的空间交互引力，由此呈现碳排放协同效应的异质性空间结构图8。社会网络分析结果显示：新疆县域碳排放网络密度达0.877，远超一般省级关联水平，表明新疆县域间能源-产业依存度极高；网络中心势测度呈现核心区（如乌鲁木齐都市圈）向边缘区（南疆3地州）的梯度扩散特征（图8）。
图8 2020年新疆县域碳排放网络空间关联关系

Fig. 8 Spatial correlation network of carbon emissions in Xinjiang’s counties in 2020

深入分析网络中不同县域的角色，郑航等[34]对县域碳排放空间关联网络进行聚类分析，运用CONCOR迭代收敛法，选择收敛标准为0.2，最大分割密度为2。全省96个县域被划分为4个板块（表3）。
表3 2020年新疆县域碳排放凝聚子群识别标准及特征

Tab. 3 Identification criteria and characteristics of carbon emission cohesive subgroups in Xinjiang’s counties in 2020

板块 分类 关键特征
板块1 净受益板块 内部密度极高，依赖外部资源输入
板块2 净受益板块 内部高度封闭，流入略高于流出
板块3 净溢出板块 内部松散，资源单向向外输出
板块4 经纪人板块 连接板块1和板块2，控制关键资源流动路径
第1个模块为强“净受益板块”，内部密度极高，依赖外部资源输入；第2个板块为弱“净受益板块”，内部高度封闭，流入略高于流出；第3个板块为“净溢出板块”，内部松散，资源单向向外输出，如准东开发区电力输往受益板块，形成“资源诅咒”；第4个板块为“经纪人板块”，流出略高于流入，其核心功能是桥梁作用，控制关键资源流动路径。由于各板块流出与流入均未达到双向均衡（即流出约等于流入且均显著高于平均），因此研究区未出现双向溢出板块。

2.5 碳平衡分区

本研究基于碳排放量、碳吸收量、ESC、ECC及空间网络聚类特征5个指标，结合县域发展禀赋异质性，将96个县域划分为低碳优化区、高碳管控区、生态保育区与碳汇核心区4类功能分区（表4）。其中，研究区由12个低碳优化区、25个高碳管控区、22个生态保育区、37个碳汇核心区组成。
表4 碳平衡分区划分依据

Tab. 4 Criteria for carbon balance zoning

区域类型 区域划分依据 空间功能特征
低碳优化区 ECC<1，ESC<1，CAi<Ci 呈“高排放-低效益”特征：碳排放总量与经济产出效率倒挂，生态本底脆弱性显著，是网络中的“净溢出板块”
高碳管控区 ECC>1，ESC<1，CAi<Ci 呈“高排放-高增长”特征：能源密集型产业集聚，生态赤字持续扩大，是网络中的“经纪人板块”
生态保育区 ECC<1，ESC>1，CAi<Ci 呈“低经济-高生态”特征：碳汇经济转化效率不足，生态系统服务价值突出，是网络中的弱“净受益板块”
碳汇核心区 ECC<1，ESC>1，CAi>Ci 呈“强碳汇-稳生态”特征：自然碳库储量优势显著，碳抵消贡献度突出，是网络中的强“净受益板块”

注：ESC为碳平衡生态承载率；ECC为碳平衡经济贡献率；CAi为i县域单元的碳吸收量；Ci为i县域单元的碳排放量。

低碳优化区的县共有12个，占比12.5%，该区域土地面积占比最小，约占研究总面积的3.46%，经济发展水平较高，GDP占比24.53%，该区域平均ESC为0.3，平均ECC为0.85，属于网络中的“净溢出板块”。该类县域，其持续提升的路径在于推进绿色技术创新与清洁能源转型。
高碳管控区县域共25个，占比26.0%，仅次于碳汇核心区，土地面积占比21.79%，经济发展水平高，GDP占比45.86%，该区域平均ESC为0.71，平均ECC为1.62，属于网络中的“经纪人板块”。该类县域城市化与开发强度高、人口密集，亟须通过优化产业结构、提升能效以实现碳减排。
生态保育区的县共有22个，占比22.9%，该区域土地面积占比32.51%，经济发展水平低，GDP占比13.72%。该区域平均ESC为2.25，平均ECC为0.64，属于网络中的弱“净受益板块”。该区域呈现出“低经济贡献、高生态承载”的特征。尽管经济发展滞后，但其优越的生态本底维持了系统平衡，体现了生态安全与低碳转型的协同演进。
碳汇核心区的县数量最多，达到37个，占总数的38.5%，该区域的土地面积相对较大，占比42.23%，经济发展水平略低，GDP占比15.89%。该区域平均ESC为1.57，平均ECC为0.63，属于网络中的强“净受益板块”。该类县域经济发展滞后、碳排放水平较低，但碳汇资源丰富，对维系全省碳平衡及保障水源涵养、水土保持等生态功能至关重要。

2.6 碳补偿分区

本研究基于新疆“十五五”低碳目标与空间治理需求，通过空间叠置分析法将碳平衡分区与主体功能区划融合，结合社会网络拓扑与模块化聚类结果，将新疆县域重构为10个“功能-治理”型碳补偿协同单元（图9）。
图9 2020年新疆县域碳补偿分区示意图

Fig. 9 Schematic diagram of carbon compensation zoning for Xinjiang’s counties in 2020

（1） 高碳管控区-城镇发展功能区：该区域包含12个空间分布较散、集中于天山北坡的县域。其社会经济活跃，开发强度与碳排放（占比15.14%）均居首位，高度依赖传统能源的快速城市化与工业集聚带来了巨大的资源环境压力，亟需结合自身特点制定多维低碳转型策略。
（2） 高碳管控区-农产品供给保障区：该区域包括9个县，主要位于新疆中部，分布较为分散，绝大多数位于地势平坦地区，农业基础良好，生产力较高。然而，人类活动影响强烈，农业生产集约化，农资投入强度高，加工能耗大，导致碳排放比例相对较高（12.2%）。
（3） 高碳管控区-生态安全屏障区：该区域包括5个县，主要位于北疆地区。该区域经济较为发达，但作为生态安全屏障区碳吸收功能不足，面临着生态保护的压力。需坚持生态保护、低碳发展的原则，在保障区域生态安全的前提下，形成生态保护与绿色增收相互促进的良性发展格局。
（4） 低碳优化区-城镇发展功能区：该区域包含乌鲁木齐周边的9个县，呈现高经济贡献（2.12）与低生态承载（0.21）特征。其工业集聚、能源依赖性强，碳源优化潜力显著，应以碳源系统调控与空间平衡为核心，推动碳排放强度下降与经济发展动态平衡。
（5） 低碳优化区-生态安全屏障区：该区域包括2个县，分别为阿拉山口市、伊吾县，且碳排放经济贡献率和生态承载率水平均较低，作为生态安全屏障区但碳吸收功能不足，面临着经济发展与生态保护的双重压力。
（6） 碳汇核心区-城镇发展功能区：该区域包括3个县，分别为和田市、泽普县和温泉县。应依托特色资源推动产业发展，同步增强碳汇与控制碳排放，以实现区域产业的低碳平衡转型。
（7） 碳汇核心区-农产品供给保障区：该区域涵盖伊犁河谷7个县域，生态承载（0.42）与经济贡献系数（0.48）均为各区最低，但碳汇与农业基础良好。其发展关键在于实施“固碳增产双优”战略，通过用地养地结合达成碳补偿。
（8） 碳汇核心区-生态安全屏障区：该区域包括28个县，所占面积最大，绝大部分位于南疆地区，碳汇资源丰富，平均生态承载系数较高（1.96），生态功能重要但脆弱。为弥补该区域因生态保护而导致的发展受限，有必要通过碳补偿机制给予其经济或政策支持。
（9） 生态保育区-农产品供给保障区：该区域包括6个县，分别为呼图壁县、库车市、玛纳斯县、沙湾市、鄯善县、托克逊县。该区域在吸收和存储CO2方面有较高的潜力，农业活动是有效的碳汇途径，具备显著的优化潜力，可通过改进生产实践进一步提升其固碳能力。
（10） 生态保育区-生态安全屏障区：该区域包括15个县，主要为阿勒泰地区的各县域。平均生态承载系数较高（2.97），通过加强水土流失与荒漠化治理，可在维护该区域高稳定性碳汇系统的同时，增强其碳汇功能与生态保护作用。

3 讨论

本研究通过时序-空间多维解析，揭示新疆县域碳平衡空间分异受“地貌-经济-制度”3元驱动。自然地理基底主导碳汇格局，塔里木盆地南缘依托昆仑山冰雪融水维系林地碳汇，而准噶尔盆地腹地因干旱胁迫致生态调节功能衰减，印证“南高-中低”的碳吸收空间分异；区域发展梯度驱动碳排极化，天山北坡经济带以全疆23%的国土面积贡献67%的碳排放，与南疆3地州形成量级差异，凸显“核心-外围”结构的经济根源；行政资源配置强化空间失衡，乌鲁木齐、昌吉重点开发区获72%的能源基础设施投资，网络分析中鄯善县等经纪人板块掌控全疆58%碳流，加剧轮台县等净溢出板块的碳泄漏成本。布尔津县等低碳优化区应发展生态旅游替代畜牧业，试点草畜碳汇交易；塔河下游生态屏障区应耦合水权交易与碳汇市场，破解“水-碳”协同困境。通过构建“丝绸之路核心区碳交易中心”，重点解决鄯善县等经纪人板块管网过境碳税缺失问题；推行“碳税-绿电补贴”联动机制，定向补偿民丰县等南疆低碳汇高贫困县。通过各方努力，促进新疆各县域的碳排放协同治理，实现区域协同创新发展，为未来实现“双碳”目标奠定坚实基础。

4 结论

（1） 2000—2023年碳排放与碳吸收呈现显著时空异质性。碳排放量增长达10.2倍，形成核心城市辐射的“核心-外围”结构；碳吸收量空间分异显著，呈“南高-西中-中低”格局。
（2） ESC持续衰减，高值区生态调节功能衰退超80%；ECC区间为0.1~19.5，空间分异以县域净碳排放差异为主导（q=0.73）。
（3） 碳排放空间关联网络密度达0.877，具有复杂网络拓扑特征；CONCOR聚类识别3类功能板块：净受益板块、净溢出板块与经纪人板块。
（4） 基于碳吸收量、碳排放量、ESC、ECC及网络角色5个指标构建分区框架，将全区划分为低碳优化区（12）、高碳管控区（25）、生态保育区（22）及碳汇核心区（37）；叠加主体功能区形成10类碳补偿区，依据分区特征制定差异化低碳土地利用策略。

References

Publishing order | Descend order by publishing year | Descend order by cited within
[1]
王新令. 积极应对气候变化, 推动清洁低碳转型——《2030年前碳达峰行动方案》解读[J]. 中国电业, 2021(12): 22-25.

[Wang Xinling. Actively addressing climate change and promoting clean and low-carbon transition: Interpretation of the action plan for carbon peaking before 2030[J]. China Electric Power, 2021(12): 22-25.]

[2]
Intergovernmental Panel on Climate Change. Climate change 2013: The physical science basis[R]. Cambridge: Cambridge University Press, 2013.

[3]
Hunter M L, Clark L, Frei R J, et al. Carbon emissions from active horticulture peat extraction sites in Canada: Five years of field-based measurements[C]// European Geosciences Union General Assembly 2024. Vienna, Austria: EGU General Assembly 2024, 2024: 6373, doi: 10.5194/egusphere-egu24-6373.

[4]
Li S Y, Yao L L, Zhang Y C, et al. China’s provincial carbon emission driving factors analysis and scenario forecasting[J]. Environmental and Sustainability Indicators, 2024, 22: 100390, doi: 10.1016/j.indic.2024.100390.

[5]
Lawrence P J, Lawrence D M, Hurtt G C. Attributing the carbon cycle impacts of CMIP5 historical and future land use and land cover change in the Community Earth System Model (CESM1)[J]. Journal of Geophysical Research: Biogeosciences, 2018, 123(5): 1732-1755.

DOI

[6]
Bovensmann H, Buchwitz M, Burrows J P, et al. A remote sensing technique for global monitoring of power plant CO2 emissions from space and related applications[J]. Atmospheric Measurement Techniques, 2010, 3(4): 781-811.

DOI

[7]
Qin J X, Duan W L, Zou S, et al. Global energy use and carbon emissions from irrigated agriculture[J]. Nature Communications, 2024, 15(1): 3084, doi: 10.1038/s41467-024-47383-5.

PMID

[8]
Cheng Y X, Tang Y Q, Zhou B, et al. Spatiotemporal analysis of national carbon emission and regional carbon simulation in China[J]. Environmental Science and Pollution Research, 2024, 31(7): 10702-10716.

DOI

[9]
Wang Y L, Wang W, Chen Y, et al. Projection of ecological water consumption under carbon emission in Chinese provinces[J]. Journal of Cleaner Production, 2024, 448: 141630, doi: 10.1016/j.jclepro.2024.141630.

[10]
Chen Y Z, Lu H W, Li J, et al. Effects of land use cover change on carbon emissions and ecosystem services in Chengyu urban agglomeration, China[J]. Stochastic Environmental Research and Risk Assessment, 2020, 34(8): 1197-1215.

DOI

[11]
章登锋. 长江经济带土地利用碳排放时空特征及影响因素分析[D]. 武汉: 华中农业大学, 2023.

[Zhang Dengfeng. Spatial-temporal characteristics and influencing of land use carbon emissions in the Yangtze River economic belt[D]. Wuhan: Huazhong Agricultural University, 2023.]

[12]
陈靖松, 张建军, 李金龙, 等. 京津冀地区碳排放时空格局变化及其驱动因子[J]. 生态学报, 2024, 44(6): 2270-2283.

[Chen Jingsong, Zhang Jianjun, Li Jinlong, et al. Spatio-temporal pattern of carbon emissions and its driving factors in the Beijing-Tianjin-Hebei region[J]. Acta Ecologica Sinica, 2024, 44(6): 2270-2283.]

[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

[Yi Dan, Ou Minghao, Guo Jie, et al. Progress and prospect of research on land use carbon emissions and low-carbon optimization[J]. Resources Science, 2022, 44(8): 1545-1559.]

DOI

[14]
李寒雨, 毛春梅. 碳中和目标下长三角城市群碳收支时空分异与碳补偿量化研究[J]. 环境保护科学, 2024, 50(5): 67-75.

[Li Hanyu, Mao Chunmei. Quantifying spatial and temporal divergence of carbon balance and carbon offset in the Yangtze River Delta urban agglomeration under the carbon neutrality coal[J]. Environmental Protection Science, 2024, 50(5): 67-75.]

[15]
程番苑, 石培基, 张韦萍, 等. 主体功能区视角下兰西城市群碳收支时空分异及碳补偿分区——基于DMSP/OLS和NPP/VIIRS夜间灯光数据[J]. 环境科学学报, 2023, 43(11): 398-410.

[Cheng Fanyuan, Shi Peiji, Zhang Weiping, et al. Temporal and spatial differentiation of carbon budget and carbon compensation zoning in the county of Lanzhou-Xining urban agglomeration from the perspective of main functional area: Based on the DMSP/OLS and NPP/VIIRS nighttime light data[J]. Acta Scientiae Circumstantiae, 2023, 43(11): 398-410.]

[16]
Zhang Y, Li J, Liu S, et al. Spatiotemporal effects and optimization strategies of land-use carbon emissions at the county scale: A case study of Shaanxi Province, China[J]. Sustainability, 2024, 16(10): 4104, doi: 10.3390/su16104104.

[17]
Liu X, Ou J, Wang S, et al. Estimating spatiotemporal variations of city-level energy-related CO2 emissions: An improved disaggregating model based on vegetation adjusted nighttime light data[J]. Journal of Cleaner Production, 2018, 177: 101-114.

DOI

[18]
Wang Y, Li G. Mapping urban CO2 emissions using DMSP/OLS ‘city lights’ satellite data in China[J]. Environment and Planning A: Economy and Space, 2017, 49(2): 248-251.

DOI

[19]
Shan Y, Liu J, Liu Z, et al. An emissions-socioeconomic inventory of Chinese cities[J]. Scientific Data, 2019, 6(1): 1-10.

DOI

[20]
Chen J D, Gao M, Cheng S L, et al. County-level CO2 emissions and sequestration in China during 1997—2017[J]. Scientific Data, 2020, 7: 391, doi: 10.1038/s41597-020-00736-3.

[21]
Wu Y, Shi K, Chen Z, et al. Developing improved time-series DMSP-OLS-like data (1992—2019) in China by integrating DMSP-OLS and SNPP-VIIRS[J]. IEEE Transactions on Geoscience and Remote Sensing, 2021, 60: 1-14.

[22]
自然资源部. 标准地图服务系统(审图号: GS(2023)2767)[EB/OL]. [2025-02-18]. http://bzdt.ch.mnr.gov.cn/browse.

[Ministry of Natural Resources. Standard map service system (approval map number: GS(2023)2767)[EB/OL]. [2025-02-18]. http://bzdt.ch.mnr.gov.cn/browse.]

[23]
Lü Q, Liu H B, Wang J T, et al. Multiscale analysis on spatiotemporal dynamics of energy consumption CO2 emissions in China: Utilizing the integrated of DMSP-OLS and NPP-VIIRS nighttime light datasets[J]. Science of the Total Environment, 2020, 703: 134394, doi: 10.1016/j.scitotenv.2019.134394.

[24]
Wang Z, Zeng J, Chen W X. Impact of urban expansion on carbon storage under multi-scenario simulations in Wuhan, China[J]. Environmental Science and Pollution Research, 2022, 29(30): 45507-45526.

DOI

[25]
徐丽, 何念鹏, 于贵瑞. 2010s中国陆地生态系统碳密度数据集[J]. 中国科学数据(中英文网络版), 2019, 4(1): 90-96.

[Xu Li, He Nianpeng, Yu Guirui. A dataset of carbon density in Chinese terrestrial ecosystems(2010s)[J]. China Scientific Data, 2019, 4(1): 90-96.]

[26]
傅楷翔, 贾国栋, 余新晓, 等. 耦合PLUS-InVEST-Geodector模型的新疆地区碳储量时空变化及驱动机制分析[J]. 环境科学, 2024, 45(9): 5416-5430.

[Fu Kaixiang, Jia Guodong, Yu Xinxiao, et al. Analysis of temporal and spatial carbon stock changes and driving mechanism in Xinjiang region by coupled PLUS-InVEST-Geodector model[J]. Environmental Science, 2024, 45(9): 5416-5430.]

[27]
Giardina C P, Ryan M G. Evidence that decomposition rates of organic carbon in mineral soil do not vary with temperature[J]. Nature, 2000, 404(6780): 858-861.

DOI

[28]
Alam S A, Starr M, Clark B J F. Tree biomass and soil organic carbon densities across the Sudanese woodland savannah: A regional carbon sequestration study[J]. Journal of Arid Environments, 2013, 89: 67-76.

DOI

[29]
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

[Yuan Shaofeng, Tang Yiyu. Spatial differentiation of land use carbon emission in the Yangtze River economic belt based on low carbon perspective[J]. Economic Geography, 2019, 39(2): 190-198.]

DOI

[30]
赵荣钦, 张帅, 黄贤金, 等. 中原经济区县域碳收支空间分异及碳平衡分区[J]. 地理学报, 2014, 69(10): 1425-1437.

DOI

[Zhao Rongqin, Zhang Shuai, Huang Xianjin, et al. spatial variation of carbon budget and carbon balance zoning of central plains economic region at county-level[J]. Acta Geographica Sinica, 2014, 69(10): 1425-1437.]

DOI

[31]
刘华军, 刘传明, 孙亚男. 中国能源消费的空间关联网络结构特征及其效应研究[J]. 中国工业经济, 2015(5): 83-95.

[Liu Huajun, Liu Chuanming, Sun Yanan. Spatial correlation network structure of energy consumption and its effect in China[J]. China Industrial Economics, 2015(5): 83-95.]

[32]
刘军. 整体网分析—UCINET软件使用指南[M]. 上海: 格致出版社&上海人民出版社, 2021: 1-11.

[Liu Jun. Whole network analysis: A practical guide to UCINET software[M]. Shanghai: Truth & Wisdom Press & Shanghai People’s Publishing House, 2021: 1-11.]

[33]
王丽蓉, 石培基, 尹君锋, 等. 碳中和视角下甘肃省县域碳收支时空分异与国土空间分区优化[J]. 环境科学, 2024, 45(7): 4101-4111.

[Wang Lirong, Shi Peiji, Yin Junfeng, et al. Spatio-temporal differentiation of county carbon budget and territorial space optimization zoning strategy in Gansu Province from the perspective of carbon neutrality[J]. Environmental Science, 2024, 45(7): 4101-4111.]

[34]
郑航, 叶阿忠. 空间关联网络结构特征的减排效应: 基于城市群视角[J]. 环境科学, 2022, 43(10): 4401-4407.

[Zheng Hang, Ye Azhong. Carbon emission reduction effect of spatial correlation network structure characteristics: From the perspective of urban agglomeration[J]. Environmental Science, 2022, 43(10): 4401-4407.]

Options
Outlines

/

〈 〉