环境科学  2024, Vol. 45 Issue (6): 3389-3401   PDF    
“双碳”目标下城市形态对碳排放的影响:以长江经济带为例
冯新惠, 李艳, 王诗逸, 余迩, 杨佳钰, 吴能君     
浙江大学公共管理学院,土地科学与不动产研究所,杭州 310058
摘要: 明晰城市形态对于碳排放的影响机制, 是实现城市碳减排的重要前提. 以长江经济带为例, 在阐述城市形态对于碳排放作用机制的基础上, 利用多源数据定量评估城市形态, 并分别采用空间计量模型和地理探测器在全局和分区域尺度评估2005~2020年城市形态对于碳排放的影响. 结果表明:①2005~2020年, 碳排放量由2 365.31 Mt上升至4 230.67 Mt, 但增速呈逐渐放缓的趋势. 其在空间上呈现两极分布格局, 高值区主要集中在上海和重庆等核心城市, 低值区集中在四川和云南西部地区. ②建设用地面积在15年间整体扩张, 建设用地人口密度呈下降趋势;城市破碎度不断降低且各市之间差异逐渐缩小;城市形状的平均规则程度有所提升, 且各市紧凑度显著增加. ③城市规模在全局尺度对碳排放有显著的正向作用, 城市破碎度在2005年对碳排放有显著负向效应, 但在随后年份负效应减弱, 城市紧凑度指标在研究时段内与碳排放呈显著负相关性. ④斑块类型面积、斑块密度和有效网格大小对上游城市碳排放的影响最为显著;有效网格大小、平均周长面积比和斑块类型面积在中游城市影响程度较高;有效网格大小、同类邻接百分比和最大斑块指数则是促进下游城市碳减排的关键因素. 不同区域城市应当综合考虑各城市形态指标对于碳排放的影响, 继而优化其城市形态以推动可持续发展.
关键词: “双碳”目标      城市形态      碳排放      空间计量模型      地理探测器      长江经济带     
Impacts of Urban Form on Carbon Emissions Under the Goal of Carbon Emission Peak and Carbon Neutrality: A Case Study of the Yangtze River Economic Belt
FENG Xin-hui , LI Yan , WANG Shi-yi , YU Er , YANG Jia-yu , WU Neng-jun     
Institute of Land Science and Property, School of Public Affairs, Zhejiang University, Hangzhou 310058, China
Abstract: Clarifying the mechanism of influence of urban form on carbon emissions is an important prerequisite for achieving urban carbon emission reduction. Taking the Yangtze River Economic Belt as an example, this study elaborated on the general mechanism of urban form on carbon emissions, used multi-source data to quantitatively evaluate the urban form, and explored the impacts of urban form indicators on carbon emissions from 2005 to 2020 at global and sub-regional scales with the help of spatial econometric models and geodetector, respectively. The results showed that: ① The carbon emissions of the Yangtze River Economic Belt increased from 2 365.31 Mt to 4 230.67 Mt, but the growth rate gradually decreased. Its spatial distribution pattern was bipolar, with high-value areas mainly distributed in core cities such as Shanghai and Chongqing and low-value areas concentrated in the western regions of Sichuan and Yunnan. ② The area of construction land in the study area expanded over the past 15 years, but the population density of construction land had been decreasing. The degree of urban fragmentation was decreasing, and the difference between cities was also progressively narrowing. The average regularity of urban shape improved, and the compactness increased significantly. ③ All indicators of urban scale had significant positive effects on carbon emissions at the global scale, urban fragmentation had a significant negative effect in 2005, and the effective mesh size (MESH) indicator of urban compactness showed a significant negative correlation with carbon emissions in the study period. ④ Total class area, patch density, and effective mesh size had the most significant impacts on carbon emissions in upstream cities. Effective mesh size, mean perimeter-area ratio, and total class area had higher influences in midstream cities. Effective mesh size, percentage of like adjacencies, and largest patch index were the key factors to promote carbon reduction in downstream cities. Cities in different regions should comprehensively consider the impacts of various urban form indicators on carbon emissions and then optimize their urban form to promote sustainable development.
Key words: the goal of carbon emission peak and carbon neutrality      urban form      carbon emission      spatial econometric model      geodetector      the Yangtze River Economic Belt     

全球气候变暖直接或间接引发了海平面上升等一系列危害, 从而严重威胁到世界社会经济体系乃至人类生存本身[1~3]. 而人类活动导致以二氧化碳和甲烷等为代表的温室气体的大量排放, 则是造成全球气候变暖的主要原因[4]. 作为各种人类社会经济活动的核心载体, 仅占全球总土地面积约3%的城市地区消耗了世界约75%的能源, 并贡献了全球约80%的碳排放[5]. 21世纪以来, 中国经历了快速的城镇化与工业化过程, 城市土地规模不断扩张的同时, 城市形态也发生着巨变, 继而显著影响城市碳排放乃至区域碳平衡[6, 7]. 作为世界上最大的CO2排放国, 中国政府在《巴黎协定》中承诺CO2排放量在2030年达到峰值, 在2060年前实现碳中和[8]. 城市作为碳减排的关键地域单元[9], 明晰城市形态对于碳排放的影响机制, 继而优化城市空间布局, 是在基础层面推动“双碳”目标实现的重要抓手与必经之路, 具有重要的理论与实际价值.

城镇化是一个复杂而系统的过程, 城镇化进程的推进伴随着区域生产生活方式、土地利用结构和经济增长模式等多层面的转变[10, 11]. 为了采取更为有效的碳减排措施, 学者们试图从不同角度探究城镇化对于碳排放的影响. 如Sadorsky[12]以16个新兴国家为例, 通过STIRPAT模型证实了城市富裕程度以及人口基数的提升会造成碳排放的持续增长;袁凯华等[13]基于环境库兹涅兹曲线理论, 发现城市建设用地扩张与碳排放量存在显著的倒U型关系;张希良等[14]研究表明中国城市产业升级与结构调整等措施能够有效提升能源使用效率, 继而贡献超过60%的碳减排量. 尽管诸如市场转型、产业升级和技术创新等传统社会经济措施的碳减排功效已经得到广泛认可[15], 但城市形态优化以及空间结构调整在国家或区域低碳转型过程中起到的作用依然不能被忽视[16]. 城市形态通常指各种城市要素与社会经济活动的空间安排[17], 与城市扩张规模、基础设施建设和土地资源配置等方面关系密切, 进而直接或间接影响城市碳排放量[18, 19]. 随着多源数据的广泛运用, 各国学者开始从城市规模、紧凑性和空间结构复杂性等角度定量评估城市形态, 并以此解析城市形态对于碳排放的影响机制. 如Shi等[20]基于中国264个城市面板数据开展的研究表明, 城市形态复杂程度与二氧化碳排放量有着显著的高度相关性;Muñiz等[21]通过对比美国主要城市的建设用地密度以及城市空间结构, 提出多中心的城市结构具有更为明显的碳减排效用;Ou等[22]以中国北京、上海、天津和广州这4个特大城市为例, 基于传统计量模型得出了更为紧凑的城市扩张模式有助于减少城市碳排放的结论. 此外, 还有学者尝试从更为微观的住宅规划[23]和交通网络[24]等视角探究城市形态对于碳排放的作用模式, 一定程度上加深了学界对于城市形态与碳排放关系的理解.

总体而言, 目前关于城市形态与碳排放之间关系的研究在逐渐丰富的同时, 仍存在一些不足:在研究对象层面, 一部分学者仅仅基于特大城市或发达城市的案例, 探究城市形态对于碳排放的影响机制, 缺乏对于欠发达或较为落后城市的考量. 还有一部分研究虽然使用了遍布全国的城市样本, 但在实际分析时却忽视了不同区域城市之间存在的空间异质性[25]. 在研究方法层面, 学者们大多基于传统计量模型探究城市形态的作用机制, 忽略了城市之间在空间尺度上的相关性[26], 容易造成估计结果与实际情况的偏差. 鉴于此, 本文以长江经济带作为典型研究区域, 在阐述城市形态对于碳排放一般作用机制的基础上, 从城市规模、破碎度、形状和紧凑度这4个层面量化城市形态, 并运用空间计量模型在全局尺度分析城市形态对于碳排放的影响效应, 基于地理探测器探究城市形态指标影响效应的空间异质性, 最后从空间结构优化的角度针对不同区域城市提出相应的碳减排政策建议. 其研究结果可为调整与优化城市空间布局, 促进城市低碳发展提供科学借鉴.

1 城市形态对于碳排放的作用机制

中国城镇化推进的过程本质上是城市空间结构动态演化的过程[27]. 随着人口和资本等社会经济要素的不断流入, 城市形态也在相应发生改变以在空间上承载越来越活跃的社会经济活动. 因此, 城市形态的转变往往与城市内部社会经济系统的革新与变迁相呼应[28], 并综合影响城市土地利用、建筑、交通和工业园区等多元要素的空间配置与使用效率, 最终对城市二氧化碳排放带来深刻影响. 城市形态作为一个综合性的概念, 反映了城市扩张在空间意义上的多维特征[29], 本文沿用前人研究成果, 从规模、破碎度、形状和紧凑度这4个层面对其进行定量描述[30], 同时主要从工业发展、生活居住和城市交通这3个方面剖析城市形态与城市多源碳排放关联的作用机制(图 1).

图 1 城市形态对于碳排放的作用机制 Fig. 1 Impact mechanism of urban form on carbon emissions

城市规模是城市形态最直观的特征, 大量研究表明城市用地的扩张会直接导致能源消耗、工业生产和交通流量的大幅增加, 同时迫于人口集聚的居住压力, 城市会频繁采取建设活动, 从而产生更多碳排放[31]. 在这种模式下, 城市消耗大量能源为其经济发展提供内生动力, 而社会经济发展将导致生产生活需求进一步加大, 反过来促进更多的能源消费需求, 形成一种高能耗的恶性循环. 此外, 人口密度的提升会促进基础设施建设和扩大制造业市场, 带来能源密集型和劳动力密集型产业的扩张, 致使能源使用效率低下, 进一步增加碳排放[32]. 城市破碎度对于碳排放的影响则具有显著的时空异质性, 这与城市所处的发展阶段密切相关. 城市经济水平较低时, 破碎度的降低可能是由于城市的快速扩张, 兼并了城郊的农业设施以进行工业活动, 这将带来碳排放量的增加[33]. 而在城镇化水平较高的地区, 破碎的城市空间布局将减少基础设施和公共交通系统的可达性, 在增加运输成本的同时加剧私人汽车的使用需求, 消耗更多的能源[34]. 从城市形状的角度来看, 城市空间布局的规则程度与各功能片区的连通性直接相关, 一方面会直接影响人们生活通勤的距离与时间[35], 另一方面也与城市道路交通的拥堵程度间接关联, 继而作用于生活与交通碳排放. 城市紧凑度是描述城市空间结构的核心概念之一, 其对于碳排放的影响被证明存在一定的阈值效应. 具体而言, 紧凑的城市开发方式会增加城市土地利用强度, 不仅会提高城市居民生活居住所使用暖气、电力和燃气等资源的效率, 也有利于工业产业的高度集聚, 形成规模效应以减少能源消耗. 但过于紧凑的开发会造成城市人口压力的骤增, 过高密度的路网与建筑布局在造成交通拥堵的同时, 也会加剧城市热岛效应与空气污染, 从而增加城市碳排放[29].

2 材料与方法 2.1 研究区概况

长江经济带横跨中国东中西三大区域, 按长江上中下游划分可将其分为3个区域(图 2), 上游地区包括重庆、四川、云南和贵州, 中游地区包括江西、湖北以及湖南, 下游地区包括上海、江苏、浙江和安徽[36], 总面积约205.23万km2, 占中国国土面积约21.4%, 人口和GDP总量均超过全国的40%, 是中国国土开发与经济布局“T”型空间结构战略中一条极其重要的一级发展轴[37]. 作为中国除沿海开放地区外经济密度最大的经济地带, 长江经济带城市规模迅速扩张, 整体城镇化水平较高, 是中国社会经济发展最为核心的区域之一. 但与此同时, 多年城镇化与工业化进程的快速推进使得长江经济带成为中国主要的碳排放区域. 其碳排放量占全国总量的37.5%, 并逐渐呈刚性增长的趋势, 从2003年的8.01亿t快速升至2019年的16.66亿t, 年平均增长率高达6.94%, 经济增长与碳减排的矛盾日益突出. 如何在保障科学发展的同时有针对性地优化各区域城市形态, 探索上中下游地区联动减排机制成为其实现低碳转型的关键.

基于自然资源部标准地图服务系统下载的审图号GS(2016)1612标准地图制作, 底图无修改 图 2 长江经济带行政区划 Fig. 2 Administrative divisions of the Yangtze River Economic Belt

2.2 数据来源与处理

本文以长江经济带127个城市为研究单元, 探究2005~2020年间城市形态对于碳排放的影响效应, 所用到的数据主要包括3类:各市碳排放数据来源于中国城市温室气体工作组(http://www.cityghg.com/), 该数据集整合了中国高空间分辨率排放网格数据CHRED3.0、城市层面各类官方数据以及现场调研资料, 具有较好的准确性与科学性;土地利用数据来源于Yang等[38]的研究成果(https://zenodo.org/record/8176941), 该数据集(分辨率为30 m)将土地利用分为耕地、有林地、灌木林地、草地、水域、冰原、裸地、人工地表以及湿地这9类, 并通过了多种方式的精度检验, 可靠性较高. 人工地表是指由人类活动形成的由沥青、混凝土、沙石、砖瓦、玻璃以及其他建材覆盖的地表覆盖类型, 不包括建设用地内部连片绿地和水体, 其特性与我国自然资源部确定的城乡建设用地相似. 因此, 本文基于ArcGIS 10.3平台分别提取各个城市的人工地表作为城市用地, 并基于Fragstats 4.2软件计算相关城市形态指标;社会经济数据来源于2005~2020年的《中国城市统计年鉴》以及各市统计年鉴.

2.3 研究方法 2.3.1 核密度估计

核密度估计是一种估计未知密度函数的非参数估计方法[39], 其基于频率分布图直观地描述目标变量的演进规律及其阶段分布特征. 因此, 本文采用核密度估计中常用的Guassian核函数来分析2005~2020年长江经济带各区域城市碳排放的演变趋势及其时序特征. 其表达式为:

(1)
(2)

式中, n为长江经济带城市数量;xi为各样本观测值;x为观测值的均值;h为带宽;fx)为核密度计算函数;Kx)为核函数.

2.3.2 城市形态量化

城市形态即城市内部各实体要素在空间层面通过多样组合方式表现出来的差异化状态[40], 既包括街道和建筑等微观层面下的特征[23], 也包括建设用地空间格局、城市用地结构和城市发展模式等宏观层面的考量[20~22]. 本文所探讨的城市形态主要在宏观层面展开. 而在量化方法上, 景观指标是衡量与生态和社会经济功能相关的各种空间景观特征的关键指标[41], 可以加强人们对于城市发展所导致环境影响的理解, 因此被广泛用于表征城市空间模式的变化过程[20, 42, 43]. 本文根据现有研究, 从城市规模、破碎度、形状和紧凑度这4个层面对应选择7个景观指标来量化城市形态. 此外, 由于城市形态还包括社会经济要素的空间布局, 而城市人口不仅是衡量城市社会经济发展的主要因素, 还是城市规模扩张的核心特征之一[44, 45]. 因此, 本文选择建设用地人口密度作为城市形态的表征指标. 各指标的含义如表 1所示.

表 1 城市形态的量化指标 Table 1 Quantitative indicators of urban form

2.3.3 空间计量回归模型

城市碳排放在前人的研究中被证实存在显著的地理空间依赖性[46], 为了选择最佳的计量模型以估计城市形态对于碳排放的影响, 本文首先通过Moran's I检验在长江经济带区域内城市碳排放是否具有显著的空间自相关性[47]. 根据空间相关性的检验结果, 本文考虑采用普通最小二乘模型(ordinary least square, OLS)、空间滞后模型(spatial lag model, SLM)以及空间误差模型(spatial error model, SEM)分析城市形态指标对于碳排放的影响效应.

(1)OLS模型属于全局线性回归模型, 其基于全部解释变量值估计因变量的值, 并用最小二乘法估计多元线性回归方程的未知参数[48]. OLS回归结果的方差膨胀因子(VIF)可以检验解释变量之间所可能具有的多重共线性. 其表达形式为:

(3)

式中, yi为被解释变量;i为样本量;Xij为解释变量;β0为常数项;βj为第j个回归参数;εi为随机误差项.

(2)SLM模型在分析城市碳排放影响因素时考虑到了其所具有的空间自相关性, 使用空间滞后项评估空间相互作用, 侧重于揭示城市碳排放在地理空间上所可能具有的扩散效应[49]. 其模型设定为:

(4)

式中, y为被解释变量;ρ为空间滞后系数;Wy为空间权重矩阵, 本文采用queen contiguity规则生成;X为外生解释变量矩阵;β为待估系数;ε为随机误差项.

(3)SEM模型使用空间误差项测算邻近城市单元的被解释变量误差冲击对本市的影响程度[50], 其模型表述为:

(5)

式中, y为被解释变量;X为外生解释变量矩阵;β为待估系数;λ为空间误差系数, 用以反映随机误差项存在的空间依赖性;Wu为空间权重矩阵;uε均为随机误差项.

2.3.4 地理探测器

长江经济带横跨我国东部、中部和西部三大经济区, 覆盖城市众多, 上中下游城市在发展水平与能源消费结构上存在明显差异, 导致了不同区域间城市碳排放存在显著的空间异质性[51]. 地理探测器作为探索空间分异的统计学新方法[52], 可有效检测要素具有的空间异质性, 并识别长江经济带不同区域城市形态对于碳排放的独立影响程度. 其表达式为:

(6)

式中, q为城市形态指标对碳排放的解释程度, 取值范围为[0, 1], 值越大表明该指标对城市碳排放的解释程度越大, 即影响程度越高, 反之则越弱. 其通过z统计量来反映这种影响的显著性;L为总分层数;nhn分别为第h层的样本量和样本总量;σh2σ2分别为第h层样本和总样本的方差.

3 结果与分析 3.1 碳排放时空演变特征

长江经济带碳排放量在15年间整体呈持续上升的态势, 由2005年的2 365.31 Mt提升至2020年的4 230.67 Mt, 总体增长78.86%. 2005~2010年, 长江经济带城镇化与工业化快速推进, 建设用地持续扩张, 带来了巨大的碳排放产出, 增速高达46.44%. 而在2010~2015年间, 区域能源经济结构开始逐步调整, 城市扩张速度有所放缓, 碳排放增速下降至15.22%. 2015年后, 随着《长江经济带发展规划纲要》的正式印发, 进一步明确了长江经济带生态优先和可持续发展的责任, 低碳理念逐渐融入各市的城市总体规划, 使得碳排放增速进一步放缓至6%, 逐渐向碳达峰的目标迈进. 从区域异质性角度来看(图 3), 上游地区核密度曲线波峰在15年间不断下降, 表明区域内部各市碳排放差异性持续增大, 曲线右拖尾的延长则表明该区域内碳排放处于高值区的城市比例有所增长. 中游地区碳排放总量相对较少, 约占研究区碳排放总量的23.08%. 核密度曲线在研究期内始终呈现单一波峰, 表明该区域各市碳排放始终处于极化状态;曲线波峰在2005~2010年间明显右移, 表明该区域城市碳排放经历了明显的整体上升过程, 一方面原因在于下游地区传统制造业的转移使得中游地区在短时间内承接了大量的高排放和高能耗工业企业, 带来了碳排放的急剧增长. 另一方面“中部崛起”战略的提出带动了中游地区城市在建设用地规模、交通设施等方面的快速建设, 也产生了一定的碳排放增量. 在随后的10 a中, 曲线波峰整体趋于稳定, 表明各城市碳排放得到了有效地控制. 下游地区在经济投入、城市发展水平和工业化程度等层面处于绝对领先水平, 是研究区碳排放的重心区域, 2020年占区域碳排放总量的比例高达50.86%. 其核密度曲线的变化趋势虽然和上游地区相似, 但在实际排放量上, 2020年下游地区城市平均碳排放为52.48 Mt远高于上游地区的23.19 Mt.

图 3 长江经济带各区域碳排放时间序列演变特征 Fig. 3 Evolution characteristics of carbon emissions in time series in different regions of the Yangtze River Economic Belt from 2005 to 2020

从空间分布来看(图 4), 长江经济带碳排放呈现明显的两极分布格局, 高值区主要集中在下游的上海、苏州以及上游的重庆等核心城市. 随着多年经济快速发展, 以上城市的建设用地规模已经趋于饱和. 为了疏解城市人口就业压力以及实现能源结构绿色转型, 以上大型城市在过去的15年间不断发挥自身的辐射作用, 向周边城市输出社会经济要素的同时, 也推动了工业企业的外迁, 虽然直接拉动了周边城市经济的发展, 但也间接增加了其碳排放的产出, 导致碳排放高值区以两极为中心不断扩张. 碳排放低值区主要集中在上游的四川以及云南西部地区, 以上城市由于自然条件的限制以及生态保护的刚性要求, 建设用地扩张速度缓慢, 难以开展大规模的工业活动, 需要在有限的建设条件内合理提高经济与社会生活水平.

神农架林区因缺乏数据, 未在图中标识;基于自然资源部标准地图服务系统下载的审图号GS(2016)1612标准地图制作, 底图无修改 图 4 2005~2020年长江经济带碳排放空间分布特征 Fig. 4 Spatial distribution characteristics of carbon emissions in the Yangtze River Economic Belt from 2005 to 2020

3.2 城市形态演变特征

从城市规模角度来看(表 2), 长江经济带建设用地人口密度和建设用地面积之间存在相反的变化趋势. 区域平均CPD在15年间小幅下降10.49%, 代表区域人口数量与建设用地面积之间存在异速增长关系[53]. 而建设用地在2005~2020年间整体明显扩张, 平均CA由2005年的29 456.82 hm2提高至2020年的45 000.93 hm2, 增长率为52.77%, 平均LPI也从0.68增长至1.44, 整体提高112.9%. 但与此同时, CA和LPI的标准差也分别增长47.57%和65.39%, 这表明区域城市规模增长幅度的差异性逐渐扩大. 从城市破碎度来看, 研究区PD均值与标准差均持续下降, 表明区域各城市破碎度在不断降低的同时, 相互之间存在的差异性也在逐渐缩小. 主要原因在于城市建设用地的扩张使得核心城区与新城区逐渐连接, 而在城市外围的乡镇地区, “合村并居”举措的推行促进了乡镇生活用地在空间上的逐步融合[54], 从而减少了细碎斑块的数量. 而在城市形状方面, 平均PAFRAC变化幅度相对较小, 但平均PARA_MN由2005年的57.78逐步下降至2020年的51.57, 表明区域城市形状规则程度有所提升. 从城市紧凑度来看, 虽然平均PLADJ小幅下降, 但平均MESH由265.52 hm2提高至840.16 hm2, 增长率高达216.42%, 表明随着城镇化进程的逐渐深入, 区域各城市紧凑性提升显著, 城市形态聚合程度不断增长, 越来越呈现集聚式分布格局.

表 2 2005~2020年长江经济带城市形态指标描述性统计 Table 2 Descriptive statistics of urban form indicators in the Yangtze River Economic Belt from 2005 to 2020

3.3 城市形态对碳排放的影响效应

本文基于2005、2010、2015和2020年这4个时间节点, 在全局和分区域尺度探究城市形态对于碳排放的影响效应. 在进行回归之前, 本文首先采用OLS模型进行多重共线性检验, 结果表明4个年份解释变量的VIF最大值均小于10, 即解释变量之间不存在冗余和多重共线性问题. 其次, 本文对数值较大的变量做对数化处理以避免模型可能存在的异方差性. 同时, Moran's I在4个年份内均显著为正(表 3), 表明长江经济带城市碳排放存在显著的空间自相关性, 应采用具有空间效应的计量模型进行影响效应评估. 在此基础上, 极大似然LM-lag以及LM-error检验均显著, 进一步证实了显著空间滞后以及空间误差效应的存在;稳健LM-error相对于稳健LM-lag在统计上更为显著, 表明SEM模型的解释能力优于SLM模型. 此外, SEM模型的拟合优度(R2)和对数似然值(LogL)均高于SLM模型, 赤池信息准则值(AIC)和施瓦茨准则值(SC)均低于SLM模型, 进一步表明SEM模型的拟合效果更佳. 因此, 本文主要选择SEM模型在全局尺度探究城市形态对于碳排放的影响效应, SLM模型用于辅助观测空间溢出效应.

表 3 全局尺度模型空间相关性检验结果1) Table 3 Results of spatial correlation tests at the global level

全局尺度的空间计量模型估计结果如表 4所示. 城市规模三项指标的回归系数在研究时段内均显著为正, 表明城市规模的增长将带来碳排放量的显著提升. 在很长一段时间内, 高度集聚的制造业是长江经济带的核心经济支柱, 其对于土地空间的过量需求迫使城郊耕地和生态用地大量转换为工业用地以发展制造业. 但由于经济、政策和制度层面的落后, 以上新兴工业用地缺乏先进能源技术和高端人才去摆脱低能效和高能耗的发展模式, 导致了碳排放的大量产生. 而人口的集聚会逐渐产生“拥挤效应”[55], 2018年, 长江经济带人口占全国总人口的比例高达42.9%, 大量人口的生活、工作和通勤等活动不仅加剧了对于能源消费的需求, 还间接导致了城市土地承载压力的提升, 同时削弱了城市绿地所能提供的碳存储能力. 此外, 城市核心斑块占比的提升会引发中心城区人流量的攀升, 造成交通的拥堵, 致使额外消耗更多的燃料. 因此, 单核发展的城市形态将不利于城市碳减排, 这与Ou等[22]的研究结果类似. 城市破碎度指标仅在2005年对于碳排放具有显著负向作用, 主要是因为该年研究区仍处于快速城镇化阶段, 经济基础较好的城市以一种“摊大饼”的模式向外迅速蔓延, 合并了城郊诸多细碎建设用地斑块, 在一定程度上减少了城市破碎度. 但这种无序的扩张模式将不断挤压城市周围的其他用地类型, 带来更大的资源消耗. 而在破碎度较高的城市, 其城镇化水平往往相对落后, 分散式的城市空间布局不利于开展规模化的工业活动, 从而变相减少了碳排放的增量. 城市紧凑度指标中的MESH在研究时段内与碳排放有显著负相关性, 这在前人的研究中也得到广泛证实[29, 56]. 更加紧凑的城市空间结构一方面将提高各类基础设施的可达性, 减少城市机动车的流通量. 另一方面, 也能有效提高城市土地利用强度与能源利用效率, 这将有助于碳排放的减少. 其余城市形态指标在全局回归中未被证实对于碳排放具有显著影响, 可能的原因在于长江经济带城市样本较多, 且上中下游城市在发展模式和社会经济水平等方面存在显著的空间异质性, 干扰了全局回归的结果. 同时, 相关研究也表明城市形态对于碳排放的实际影响具有一定的复杂性与阶段性[31], 线性模型可能无法准确评估其关联作用. 因此, 本文进一步引入地理探测器, 探究城市形态在上中下游3个区域对于碳排放的影响.

表 4 全局尺度空间计量模型估计结果1) Table 4 Results of spatial econometric models at the global level

地理探测器结果如图 5所示. 对于上游城市, CA对于碳排放的影响程度始终处于高位, 平均影响程度高达0.658, 尤其是在2015年达到0.790. 此外, PD和MESH的影响程度也相对较高, 平均影响程度分别为0.368和0.340. 对于中游城市而言, MESH和PARA_MN对于碳排放有着较高的影响程度, 平均影响程度分别为0.696和0.604. 此外, CA对于碳排放的影响同样不能被忽视, 其平均影响程度依然高达0.597, 位列所有指标第3位. 对于下游城市而言, MESH对于碳排放同样具有极高的影响力, 平均影响程度为0.828. PLADJ虽然平均影响程度为0.755, 位列所有指标第二位, 但其影响程度却处于持续下降趋势. 相反, LPI的影响程度由2005年的0.552逐步提高至2020年的0.850, 是影响下游城市碳排放的重要因素之一.

Ⅰ、Ⅱ和Ⅲ分别表示长江经济带上游地区、中游地区和下游地区, A、B、C和D分别表示2005、2010、2015和2020年;所有解释变量均通过5%显著性检验 图 5 2005~2020年长江经济带城市形态指标对于碳排放的影响程度 Fig. 5 Impacts of urban form indicators on carbon emissions in the Yangtze River Economic Belt from 2005 to 2020

4 讨论 4.1 城市形态对碳排放影响的区域差异与一般规律

长江经济带上游尤其是川滇黔地区是研究区城镇化发展的短板区域, 其城镇化率低于中国平均水平, 还存在部分相对贫困与落后的城市. 在这种背景下, 城市整体规模的提升是碳排放的决定因素, 由城市规模提升间接引起的城市破碎化加剧, 紧凑度下降是辅助因素(图 6). 具体而言, 城镇化水平相对落后的地区将主要依赖城市规模扩张为工业活动提供更多的承载空间以发展经济, 同时通过出让土地的方式满足当地政府的财政需求. 这种依托土地财政, 盲目提升城市规模的粗放发展模式将会导致建设用地的无序蔓延, 在增加更多工业活动的同时消耗大量能源, 从而产生更多碳排放. 此外, 长江上游地区地形多以高原、山区和盆地为主, 由于缺乏合理科学的空间规划, 城市规模的扩张会间接加剧城郊建设用地的破碎化现象, 同时降低城市紧凑度, 这将导致交通、工业和基础设施等利用效率低下, 进而增加碳排放.

图 6 长江经济带城市形态影响碳排放的区域差异与一般规律 Fig. 6 Regional differences and general rules of urban form influencing carbon emissions in the Yangtze River Economic Belt

长江中游城市群是长江经济带中游发展的核心区域, 也是中国近10年来打造的重量级新兴经济增长极, 城镇化水平在研究区内处于中上游水平. 在该区域, 城市形态对于碳排放的影响机制可以归纳为以城市紧凑度与城市形状为主, 以城市规模为辅. 具体而言, 伴随着城镇化水平的提高, 较好的经济与工业基础使得该区域逐渐摆脱了土地财政的发展模式, 建设用地扩张速度得到了有效的控制. 因此, 城市规模对于碳排放的影响程度对比上游城市而言相对较低. 此外, 在城市规模逐渐稳定的背景下, 城市形状的塑造以及紧凑度的提升对于碳排放的影响程度不断加强. 随着“西部大开发”和“中部崛起”等国家战略的颁布与落实, 中游城市规划建设了一批交通基础设施与工业产业园区, 吸引了大量人口与资本的流入. 过量的人口负担加剧了城市形态的分散性与不规则性. 分散的城市结构造成了城市内部功能空间的割裂, 提高了潜在交通出行以及物质运输的需求, 从而导致了更高的能源消耗与交通碳排放. 而不规则的城市形状则会造成交通的拥堵[57], 尤其是在长沙和武汉等核心城市拥堵的现象更为严重, 也在很大程度上导致交通碳排放的产生.

长江经济带下游地区作为中国经济发展最活跃的区域之一, 拥有领先全国的城镇化与工业化水平, 多数城市的建设用地扩张已经基本稳定. 尤其是上海等大型城市, 其城镇化发展已较为成熟. 因此, 相比于中游城市, 城市紧凑度在该区域对于碳排放的影响更为强烈. 此外, 城市规模对于碳排放的影响效应有所增强, 但不同于上游城市依托建设用地扩张发展经济的模式, 下游城市则更多注重于城市中心区域(核心斑块)的建设与发展, 例如杭州、上海和南京等城市的中央商务区(CBD)建设规划. 但需要注意的是, 随着该区域多数城市逐渐步入城镇化成熟阶段[58], 过于紧凑的城市形态以及单核发展的城市结构意味着密集的城市建筑物与交通设施布局, 这将导致交通拥堵、热岛效应、环境污染和能源消耗等一系列城市病[59~61]. 因此, 根据不同城市的人口、经济和社会发展规模, 因地制宜地确定城市紧凑程度, 同时发展多中心的城市空间结构将是下游地区城市低碳转型的关键.

4.2 政策建议

依据前文研究结果, 以及对于长江经济带不同类型区域关键影响机制和规律的分析与归纳, 本文现针对不同区域提出有针对性的城市形态优化建议.

(1)上游城市应当有效控制城市整体规模, 合理利用其充足的劳动力和自然资源, 推动优势产业不断集聚, 进一步形成分工科学的产业合作体系以提高投入产出效率, 从而减少能源的过度消耗. 此外, 应当通过有效的空间规划手段, 在提高城市紧凑度的同时, 缓解城市周边建设用地的破碎化现象, 以保护城郊优质耕地和林地等碳汇用地, 促进区域碳减排/增汇, 从而实现城市开发与碳减排的良性互动.

(2)中游城市应当进一步改善交通节点的空间布局, 优化城市基础设施的空间配置, 增强各功能空间的联系程度与可达性, 以形成更为规则和紧凑的城市空间格局, 从而实际减少居民日常移动的时间与距离成本. 此外, 还应当积极转变经济发展方式, 促进产业结构低碳化转型, 推动工业行业向低能耗和高效率方向发展, 依托有限的城市空间实现经济发展的提质增效.

(3)下游城市应当合理调整城市功能分区, 诸如上海和南京等大型城市应当适当降低城市紧凑度, 并联合周边中小城市逐渐疏导城市职能, 优化城市空间配置, 以形成多中心式空间布局, 减少城市能源消耗. 此外, 该区域还应当注重优化城市道路布局, 在确保基础设施可达性的基础上适当控制城市道路密度, 同时进一步合理规划公共交通路线, 以减少城市居民对于机动车的使用需求.

4.3 不足与展望

在大力推进“双碳”目标的背景下, 如何推动城市发展向低碳可持续模式转变, 实现社会经济生态的和谐共进, 是中国当前面临的重大问题和挑战. 城市形态和城市土地利用作为城市发展格局的重要基石, 其调整与优化将直接或间接影响城市未来可持续发展的潜力. 本文以中国最重要的经济轴线长江经济带为例, 分别从全局和分区域尺度详细探究了城市形态对于碳排放的影响机制, 并根据各区域情况提出了相应的城市空间结构优化策略, 可为城市低碳可持续发展提供方向性指导. 但仍受到数据获取等方面的限制, 存在一些局限性:本文利用多个景观指标以及建设用地人口密度来具体量化城市形态, 但这并不能完全涵盖城市形态的多元特征, 在未来的研究中可以考虑使用诸如交通耦合度和建筑密度等更为多样的指标来丰富城市形态的量化. 此外, 本文主要基于4个时间节点的相关数据展开探讨, 可能会造成评估结果的微量偏差, 在未来可以考虑使用时间跨度更大且更具有连续性的数据以提高估计结果的准确性和实际性.

5 结论

(1)长江经济带碳排放量在15年间呈持续上升的态势, 由2005年的2 365.31 Mt提升至2020年的4 230.67 Mt, 总体增长78.86%. 得益于经济结构调整和相关政策颁布等多种因素, 其增速则由46.44%逐渐下降至6%. 上游地区碳排放量差异性持续增大, 高值区比例有所增长;中游地区碳排放总量相对较少, 各市碳排放量呈现由明显上升到有效控制的变化趋势;下游地区是研究区碳排放的核心区域, 碳排放总量占比超过50%, 整体变化趋势则与上游地区相似. 其在空间上则呈现明显的两极分布格局, 高值区集中在上海和重庆等核心城市, 低值区集中在四川和云南西部地区.

(2)2005~2020年长江经济带建设用地面积整体明显扩张, 建设用地人口密度则呈下降趋势;区域各城市破碎度在不断降低的同时, 相互之间的差异也在逐渐缩小. 随着城镇化进程的逐渐深入, 区域城市形状的平均规则程度有所提升, 且各市紧凑度显著增加, 愈发呈现集聚式分布格局.

(3)全局尺度的空间计量模型结果显示:长江经济带城市碳排放具有显著的空间自相关性, 城市规模指标斑块类型面积、最大斑块指数和建设用地人口密度会对碳排放产生显著的正向驱动作用, 斑块密度在2005年对于碳排放存在显著的负向效应, 但在随后年份负效应减弱, 城市紧凑度指标中的有效网格大小在研究时段内与碳排放呈现显著的负相关性.

(4)针对不同区域的地理探测器结果表明:长江经济带城市形态指标对于碳排放的影响效应具有显著的空间异质性. 斑块类型面积、斑块密度和有效网格大小对于上游城市碳排放的影响效应最为显著;有效网格大小、平均周长面积比和斑块类型面积在中游城市对于碳排放有着较高的影响程度;有效网格大小、同类邻接百分比和最大斑块指数则是促进下游城市碳减排的关键因素. 不同区域城市应当综合考虑不同城市形态指标对于碳排放的关键影响机制与规律, 继而有针对性地优化城市形态以促进城市低碳可持续发展.

参考文献
[1] Moss R H, Edmonds J A, Hibbard K A, et al. The next generation of scenarios for climate change research and assessment[J]. Nature, 2010, 463(7282): 747-756. DOI:10.1038/nature08823
[2] Diffenbaugh N S, Burke M. Global warming has increased global economic inequality[J]. Proceedings of the National Academy of Sciences of the United States of America, 2019, 116(20): 9808-9813.
[3] 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.
Yi D, Ou M H, Guo J, et al. Progress and prospect of research on land use carbon emissions and low-carbon optimization[J]. Resources Science, 2022, 44(8): 1545-1559.
[4] 夏四友, 杨宇. 基于主体功能区的京津冀城市群碳收支时空分异与碳补偿分区[J]. 地理学报, 2022, 77(3): 679-696.
Xia S Y, Yang Y. Spatio-temporal differentiation of carbon budget and carbon compensation zoning in Beijing-Tianjin-Hebei Urban Agglomeration based on the Plan for Major Function-oriented Zones[J]. Acta Geographica Sinica, 2022, 77(3): 679-696.
[5] Shi F C, Liao X, Shen L Y, et al. Exploring the spatiotemporal impacts of urban form on CO2 emissions: evidence and implications from 256 Chinese cities[J]. Environmental Impact Assessment Review, 2022, 96. DOI:10.1016/j.eiar.2022.106850
[6] 陈明星, 程嘉梵, 周园, 等. 碳中和的缘起、实现路径与关键科学问题: 气候变化与可持续城市化[J]. 自然资源学报, 2022, 37(5): 1233-1246.
Chen M X, Cheng J F, Zhou Y, et al. Origin, realization path and key scientific issues of carbon neutrality: climate change and sustainable urbanization[J]. Journal of Natural Resources, 2022, 37(5): 1233-1246.
[7] Liu Z, Deng Z, He G, et al. Challenges and opportunities for carbon neutrality in China[J]. Nature Reviews Earth & Environment, 2022, 3(2): 141-155.
[8] 刘燕华, 李宇航, 王文涛. 中国实现"双碳"目标的挑战、机遇与行动[J]. 中国人口·资源与环境, 2021, 31(9): 1-5.
Liu Y H, Li Y H, Wang W T. Challenges, opportunities and actions for China to achieve the targets of carbon peak and carbon neutrality[J]. China Population, Resources and Environment, 2021, 31(9): 1-5.
[9] 刘竹, 耿涌, 薛冰, 等. 城市能源消费碳排放核算方法[J]. 资源科学, 2011, 33(7): 1325-1330.
Liu Z, Geng Y, Xue B, et al. A calculation method of CO2 emission from urban energy consumption[J]. Resources Science, 2011, 33(7): 1325-1330.
[10] 秦耀辰, 荣培君, 杨群涛, 等. 城市化对碳排放影响研究进展[J]. 地理科学进展, 2014, 33(11): 1526-1534.
Qin Y C, Rong P J, Yang Q T, et al. Research progress of impact of urbanization on carbon emissions[J]. Progress in Geography, 2014, 33(11): 1526-1534. DOI:10.11820/dlkxjz.2014.11.009
[11] 沈杨, 汪聪聪, 高超, 等. 基于城市化的浙江省湾区经济带碳排放时空分布特征及影响因素分析[J]. 自然资源学报, 2020, 35(2): 329-342.
Shen Y, Wang C C, Gao C, et al. Spatio-temporal distribution and its influencing factors of carbon emissions in economic zone of Zhejiang Bay Area based on urbanization[J]. Journal of Natural Resources, 2020, 35(2): 329-342.
[12] Sadorsky P. The effect of urbanization on CO2 emissions in emerging economies[J]. Energy Economics, 2014, 41: 147-153. DOI:10.1016/j.eneco.2013.11.007
[13] 袁凯华, 甘臣林, 杨慧琳, 等. 建设用地扩张与碳排放增长的EKC验证及特征分解研究——以武汉市为例[J]. 中国土地科学, 2019, 33(1): 56-64.
Yuan K H, Gan C L, Yang H L, et al. Validation of the EKC and characteristics decomposition between construction land expansion and carbon emission: a case study of Wuhan City[J]. China Land Science, 2019, 33(1): 56-64.
[14] 张希良, 黄晓丹, 张达, 等. 碳中和目标下的能源经济转型路径与政策研究[J]. 管理世界, 2022, 38(1): 35-51.
Zhang X L, Huang X D, Zhang D, et al. Research on the pathway and policies for China's energy and economy transformation toward carbon neutrality[J]. Journal of Management World, 2022, 38(1): 35-51. DOI:10.3969/j.issn.1002-5502.2022.01.003
[15] Wang S J, Liu X P, Zhou C S, et al. Examining the impacts of socioeconomic factors, urban form, and transportation networks on CO2 emissions in China's megacities[J]. Applied Energy, 2017, 185: 189-200. DOI:10.1016/j.apenergy.2016.10.052
[16] 舒心, 夏楚瑜, 李艳, 等. 长三角城市群碳排放与城市用地增长及形态的关系[J]. 生态学报, 2018, 38(17): 6302-6313.
Shu X, Xia C Y, Li Y, et al. Relationships between carbon emission, urban growth, and urban forms of urban agglomeration in the Yangtze River Delta[J]. Acta Ecologica Sinica, 2018, 38(17): 6302-6313.
[17] Fang C L, Wang S J, Li G D. Changing urban forms and carbon dioxide emissions in China: a case study of 30 provincial capital cities[J]. Applied Energy, 2015, 158: 519-531. DOI:10.1016/j.apenergy.2015.08.095
[18] Zhang J L, Chen F, Wang Z J, et al. Spatiotemporal patterns of carbon emissions and taxi travel using GPS data in Beijing[J]. Energies, 2018, 11(3). DOI:10.3390/en11030500
[19] Wang S J, Wang J Y, Fang C L, et al. Estimating the impacts of urban form on CO2 emission efficiency in the Pearl River Delta, China[J]. Cities, 2019, 85: 117-129. DOI:10.1016/j.cities.2018.08.009
[20] Shi K F, Xu T, Li Y Q, et al. Effects of urban forms on CO2 emissions in China from a multi-perspective analysis[J]. Journal of Environmental Management, 2020, 262. DOI:10.1016/j.jenvman.2020.110300
[21] Muñiz I, Dominguez A. The impact of urban form and spatial structure on per capita carbon footprint in U.S. Larger Metropolitan Areas[J]. Sustainability, 2020, 12(1). DOI:10.3390/su12010389
[22] Ou J P, Liu X P, Li X, et al. Quantifying the relationship between urban forms and carbon emissions using panel data analysis[J]. Landscape Ecology, 2013, 28(10): 1889-1907. DOI:10.1007/s10980-013-9943-4
[23] Debbage N, Shepherd J M. The urban heat island effect and city contiguity[J]. Computers, Environment and Urban Systems, 2015, 54: 181-194. DOI:10.1016/j.compenvurbsys.2015.08.002
[24] Jiang J J, Ye B, Ma X M, et al. Controlling GHG emissions from the transportation sector through an ETS: institutional arrangements in Shenzhen, China[J]. Climate Policy, 2016, 16(3): 353-371. DOI:10.1080/14693062.2014.1003526
[25] Zhu E Y, Qi Q Y, Chen L S, et al. The spatial-temporal patterns and multiple driving mechanisms of carbon emissions in the process of urbanization: a case study in Zhejiang, China[J]. Journal of Cleaner Production, 2022, 358. DOI:10.1016/j.jclepro.2022.131954
[26] 王睿, 张赫, 强文丽, 等. 基于城镇化的中国县级城市碳排放空间分布特征及影响因素[J]. 地理科学进展, 2021, 40(12): 1999-2010.
Wang R, Zhang H, Qiang W L, et al. Spatial characteristics and influencing factors of carbon emissions in county-level cities of China based on urbanization[J]. Progress in Geography, 2021, 40(12): 1999-2010.
[27] 范秋芳, 王劲草, 王杰. 城市空间结构演化的减排效应: 内在机制与中国经验[J]. 城市问题, 2021(12): 87-96.
[28] 张玥, 代亚强, 陈媛媛, 等. 土地利用隐性转型与土地利用碳排放空间关联研究[J]. 中国土地科学, 2022, 36(6): 100-112.
Zhang Y, Dai Y Q, Chen Y Y, et al. The study on spatial correlation of recessive land use transformation and land use carbon emission[J]. China Land Science, 2022, 36(6): 100-112.
[29] Li Z, Wang F, Kang T T, et al. Exploring differentiated impacts of socioeconomic factors and urban forms on city-level CO2 emissions in China: Spatial heterogeneity and varying importance levels[J]. Sustainable Cities and Society, 2022, 84. DOI:10.1016/j.scs.2022.104028
[30] Fan C J, Tian L, Zhou L, et al. Examining the impacts of urban form on air pollutant emissions: evidence from China[J]. Journal of Environmental Management, 2018, 212: 405-414.
[31] Hong S F, Hui E C M, Lin Y Y. Relationship between urban spatial structure and carbon emissions: a literature review[J]. Ecological Indicators, 2022, 144. DOI:10.1016/j.ecolind.2022.109456
[32] Yang C, Zhao S Q. Scaling of Chinese urban CO2 emissions and multiple dimensions of city size[J]. Science of the Total Environment, 2023, 857. DOI:10.1016/J.SCITOTENV.2022.159502
[33] 滕菲, 王艳军, 王孟杰, 等. 长三角城市群城市空间形态与碳收支时空耦合关系[J]. 生态学报, 2022, 42(23): 9636-9650.
Teng F, Wang Y J, Wang M J, et al. Spatiotemporal coupling relationship between urban spatial morphology and carbon budget in Yangtze River Delta urban agglomeration[J]. Acta Ecologica Sinica, 2022, 42(23): 9636-9650.
[34] Sun J N, Zhou T, Wang D. Relationships between urban form and air quality: a reconsideration based on evidence from China's five urban agglomerations during the COVID-19 pandemic[J]. Land Use Policy, 2022, 118. DOI:10.1016/j.landusepol.2022.106155
[35] Wang J Y, Wang S J, Li S J. Examining the spatially varying effects of factors on PM2.5 concentrations in Chinese cities using geographically weighted regression modeling[J]. Environmental Pollution, 2019, 248: 792-803. DOI:10.1016/j.envpol.2019.02.081
[36] 王光耀, 赵中秋, 祝培甜, 等. 长江经济带乡村功能区域差异及类型划分[J]. 地理科学进展, 2019, 38(12): 1854-1864.
Wang G Y, Zhao Z Q, Zhu P T, et al. Regional differences and types of rural functions in the Yangtze River Economic Belt[J]. Progress in Geography, 2019, 38(12): 1854-1864. DOI:10.18306/dlkxjz.2019.12.003
[37] 李建豹, 黄贤金. 基于空间面板模型的碳排放影响因素分析——以长江经济带为例[J]. 长江流域资源与环境, 2015, 24(10): 1665-1671.
Li J B, Huang X J. Analysis of influential factors of carbon emission based on spatial panel models—A case study for Yangtze River Economic Belt[J]. Resources and Environment in the Yangtze Basin, 2015, 24(10): 1665-1671. DOI:10.11870/cjlyzyyhj201510007
[38] 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:10.5194/essd-13-3907-2021
[39] 王耕, 李素娟, 马奇飞. 中国生态文明建设效率空间均衡性及格局演变特征[J]. 地理学报, 2018, 73(11): 2198-2209.
Wang G, Li S J, Ma Q F. Spatial equilibrium and pattern evolution of ecological civilization construction efficiency in China[J]. Acta Geographica Sinica, 2018, 73(11): 2198-2209. DOI:10.11821/dlxb201811011
[40] 袁青, 郭冉, 冷红, 等. 长三角地区县域中小城市空间形态对碳排放效率影响研究[J]. 西部人居环境学刊, 2021, 36(6): 8-15.
Yuan Q, Guo R, Leng H, et al. Research on the impact of urban form of small and medium-sized cities on carbon emission efficiency in the Yangtze River Delta[J]. Journal of Human Settlements in West China, 2021, 36(6): 8-15.
[41] Ou J P, Liu X P, Wang S J, et al. Investigating the differentiated impacts of socioeconomic factors and urban forms on CO2 emissions: Empirical evidence from Chinese cities of different developmental levels[J]. Journal of Cleaner Production, 2019, 226: 601-614. DOI:10.1016/j.jclepro.2019.04.123
[42] Liu X P, Liang X, Li X, et al. A future land use simulation model (FLUS) for simulating multiple land use scenarios by coupling human and natural effects[J]. Landscape and Urban Planning, 2017, 168: 94-116. DOI:10.1016/j.landurbplan.2017.09.019
[43] 佘倩楠, 贾文晓, 潘晨, 等. 长三角地区城市形态对区域碳排放影响的时空分异研究[J]. 中国人口·资源与环境, 2015, 25(11): 44-51.
She Q N, Jia W X, Pan C, et al. Spatial and temporal variation characteristics of urban forms' impact on regional carbon emissions in the Yangtze River Delta[J]. China Population, Resources and Environment, 2015, 25(11): 44-51. DOI:10.3969/j.issn.1002-2104.2015.11.006
[44] 金丹, 戴林琳. 中国人口城镇化与土地城镇化协调发展的时空特征与驱动因素[J]. 中国土地科学, 2021, 35(6): 74-84.
Jin D, Dai L L. Temporal and spatial characteristics and driving factors of coordinated development between population urbanization and land urbanization in China[J]. China Land Science, 2021, 35(6): 74-84.
[45] 黄莘绒, 管卫华, 陈明星, 等. 长三角城市群城镇化与生态环境质量优化研究[J]. 地理科学, 2021, 41(1): 64-73.
Huang X R, Guan W H, Chen M X, et al. Urbanization and optimization of the Yangtze River Delta urban agglomeration[J]. Scientia Geographica Sinica, 2021, 41(1): 64-73.
[46] 莫惠斌, 王少剑. 黄河流域县域碳排放的时空格局演变及空间效应机制[J]. 地理科学, 2021, 41(8): 1324-1335.
Mo H B, Wang S J. Spatio-temporal evolution and spatial effect mechanism of carbon emission at county level in the Yellow River Basin[J]. Scientia Geographica Sinica, 2021, 41(8): 1324-1335.
[47] 许玉洁, 刘曙光. 黄河流域绿色创新效率空间格局演化及其影响因素[J]. 自然资源学报, 2022, 37(3): 627-644.
Xu Y J, Liu S G. Spatial pattern evolution and influencing factors of green innovation efficiency in the Yellow River Basin[J]. Journal of Natural Resources, 2022, 37(3): 627-644.
[48] 刘永强, 龙花楼. 黄淮海平原农区土地利用转型及其动力机制[J]. 地理学报, 2016, 71(4): 666-679.
Liu Y Q, Long H L. Land use transitions and their dynamic mechanism in the Huang-Huai-Hai Plain[J]. Acta Geographica Sinica, 2016, 71(4): 666-679.
[49] 魏素豪, 李晶, 李泽怡, 等. 中国农业竞争力时空格局演化及其影响因素[J]. 地理学报, 2020, 75(6): 1287-1300.
Wei S H, Li J, Li Z Y, et al. Spatio-temporal evolution and its influencing factors of China's agricultural competitiveness[J]. Acta Geographica Sinica, 2020, 75(6): 1287-1300.
[50] 周侃, 殷悦, 陈妤凡. 城市群水污染物排放的驱动因素及尺度效应[J]. 地理学报, 2022, 77(9): 2219-2235.
Zhou K, Yin Y, Chen Y F. Driving factors and scale effects of water pollutant discharge in the urban agglomeration[J]. Acta Geographica Sinica, 2022, 77(9): 2219-2235.
[51] 赵凡, 罗良文. 长江经济带产业集聚对城市碳排放的影响: 异质性与作用机制[J]. 改革, 2022(1): 68-84.
Zhao F, Luo L W. The impact of industrial agglomeration on urban carbon emissions in the Yangtze River Economic Belt: heterogeneity and action mechanism[J]. Reform, 2022(1): 68-84.
[52] 王劲峰, 徐成东. 地理探测器: 原理与展望[J]. 地理学报, 2017, 72(1): 116-134.
Wang J F, Xu C D. Geodetector: Principle and prospective[J]. Acta Geographica Sinica, 2017, 72(1): 116-134.
[53] 王成新, 王波涛, 王翔宇. 基于结构视角的中国人口城市化与土地城市化异速增长研究[J]. 中国人口·资源与环境, 2016, 26(8): 135-141.
Wang C X, Wang B T, Wang X Y. Study on population urbanization and land urbanization allometric growth in China based on the structure[J]. China Population, Resources and Environment, 2016, 26(8): 135-141. DOI:10.3969/j.issn.1002-2104.2016.08.018
[54] 王兆林, 朱婉晴, 杨庆媛. 近30年中国合村并居研究综述与展望[J]. 中国土地科学, 2021, 35(7): 107-116.
Wang Z L, Zhu W Q, Yang Q Y. Research review and prospects for village consolidation in China in the past 30 years[J]. China Land Science, 2021, 35(7): 107-116.
[55] 何文举, 张华峰, 陈雄超, 等. 中国省域人口密度、产业集聚与碳排放的实证研究——基于集聚经济、拥挤效应及空间效应的视角[J]. 南开经济研究, 2019(2): 207-225.
He W J, Zhang H F, Chen X C, et al. An empirical study about population density, economic agglomeration and carbon emission state of Chinese provinces: Based on the perspective of agglomeration economy effects, congestion effects and spatial effects[J]. Nankai Economic Studies, 2019(2): 207-225.
[56] Ruparathna R, Hewage K, Karunathilake H, et al. Climate conscious regional planning for fast-growing communities[J]. Journal of Cleaner Production, 2017, 165: 81-92. DOI:10.1016/j.jclepro.2017.07.092
[57] Cai M, Shi Y, Ren C, et al. The need for urban form data in spatial modeling of urban carbon emissions in China: a critical review[J]. Journal of Cleaner Production, 2021, 319. DOI:10.1016/j.jclepro.2021.128792
[58] 冯新惠, 李艳, 余迩, 等. 长三角城市群碳排放绩效与土地利用强度时空格局及协调发展特征[J]. 农业工程学报, 2023, 39(3): 208-218.
Feng X H, Li Y, Yu E, et al. Spatiotemporal pattern and coordinating development characteristics of carbon emission performance and land use intensity in the Yangtze River Delta Urban Agglomeration[J]. Transactions of the Chinese Society of Agricultural Engineering, 2023, 39(3): 208-218.
[59] 周丽霞, 吴涛, 蒋国俊, 等. 长三角地区PM2.5浓度对土地利用/覆盖转换的空间异质性响应[J]. 环境科学, 2022, 43(3): 1201-1211.
Zhou L X, Wu T, Jiang G J, et al. Spatial heterogeneity of PM2.5 concentration in response to land use/cover conversion in the Yangtze River Delta region[J]. Environmental Science, 2022, 43(3): 1201-1211.
[60] 程育恺, 戴海夏, 张蕴晖, 等. 长三角地区2017~2020年臭氧浓度时空分布与人群健康效益评估[J]. 环境科学, 2023, 44(2): 719-729.
Cheng Y K, Dai H X, Zhang Y H, et al. Spatial and temporal distribution characteristics of ozone concentration and population health benefit assessment in the Yangtze River Delta region from 2017 to 2020[J]. Environmental Science, 2023, 44(2): 719-729.
[61] 冯新惠, 李艳, 余迩, 等. 环太湖城市群土地利用转型及其生态环境效应[J]. 长江流域资源与环境, 2023, 32(6): 1238-1253.
Feng X H, Li Y, Yu E, et al. Land use transition and associated eco-environmental effects in the Taihu Lake City Cluster[J]. Resources and Environment in the Yangtze Basin, 2023, 32(6): 1238-1253.