2025, Vol. 46
2. 江西师范大学鄱阳湖湿地与流域研究教育部重点实验室, 南昌 330022
2. Key Laboratory of Poyang Lake Wetland and Watershed Research, Ministry of Education, Jiangxi Normal University, Nanchang 330022, China
推进新型城镇化高质量发展是经济社会建设的必然趋势和现代化的必由之路[1, 2]. 随着城镇化的快速发展, 城镇居民生活方式和消费行为发生改变, 消费水平快速上升, 生活能耗领域有较大的减排潜力[3 ~ 5]. 《国家新型城镇化规划（2014-2020）》中指出新型城镇化建设需要坚持“生态文明, 绿色低碳”的基本原则, 把生态文明理念全面融入城镇化进程, 推动形成绿色低碳的生产生活方式和城市建设运营模式. 这诠释了在新型城镇化发展的背景下, 城镇居民生活低碳节能的重要性和必要性. 为此, 如何实现新型城镇化与城镇居民生活能耗低碳化有序、适度以及协调发展, 不仅是值得探讨的理论问题, 更是亟待解决的现实问题.
新型城镇化和城镇居民生活能耗低碳化之间相互影响和相互作用. 一方面, 新型城镇化对城镇居民生活能耗低碳化会产生重要影响. 新型城镇化水平快速发展, 城镇消费群体扩大, 进一步激发了城镇居民的能源消费潜力, 在一定程度上会促进城镇居民生活能耗碳排放. 新型城镇化也会促进资金、人才和技术等资源集聚, 推动低碳技术进步, 提高能源利用效率, 从而对城镇居民生活能耗低碳化产生积极作用[6, 7]. 并且新型城镇化是人地和谐、高效低碳且生态环保的城镇化, 强调要推动能源清洁低碳安全高效利用, 开展绿色生活创建行动, 具有显著的生态效益, 能够助力城镇居民生活能耗碳减排[8, 9]. 另一方面, 城镇居民生活能耗低碳化对新型城镇化具有反馈推动作用. 从消费端看, 城镇居民生活能耗低碳发展可以推动供给侧结构性改革, 有利于培育新的经济增长点, 从而进一步提升新型城镇化发展质量. 同时, 城镇居民生活能耗碳减排的开展和投入对绿色专利发明与环保科技创新起到促进作用, 也能对新型城镇化的高质量发展起促进作用[10]. 因此, 在我国新型城镇化水平持续上升、城镇居民生活能耗增长以及大力推行绿色发展战略的背景下, 研究新型城镇化和城镇居民生活能耗低碳化的耦合协调关系及其特征具有重要意义.
关于城镇化与居民生活能耗碳排放的研究主要集中于以下3个方面：一是探讨城镇化发展对居民生活能耗碳排放增长的驱动作用或抑制作用. 如Li等[11]研究发现城镇化对居民直接和间接二氧化碳排放具有促进作用. 李怡涵等[12]研究发现城镇化率会抑制中国家庭生活基本能耗和碳排放升高；二是分析城镇化对居民生活能耗碳排放影响的时空异质性. 李艳梅等[13]研究发现城镇化发展对中国东部和东北地区省域家庭碳排放的影响较大. 赵金彩等[14]研究发现城镇化率对中原经济区北部、东部和南部地区的城市居民直接碳排放影响较大, 而对西部地区的影响相对较小；三是探讨城镇化背景下居民生活能耗碳减排的路径. 曹翔等[15]提出各地政府在推进新型城镇化中应致力于促进城乡居民生活能源结构清洁化, 引导居民形成低碳生活方式.
综上可知, 现有研究常集中于传统城镇化对居民生活能耗碳排放的单向作用, 缺乏对于新型城镇化与城镇居民生活能耗低碳化之间双向协同关系的探讨. 其次, 在空间分析方面多集中于空间关联与差异的截面特征, 而空间维度的总体研究和时间维度的静态研究对时空特征的揭示相对有限. 最后, 关于新型城镇化与城镇居民生活能耗低碳化的障碍因子研究较为薄弱, 有待进一步深入探讨.
基于此, 以中国大陆30个省（自治区、直辖市）作为研究对象, 未包括中国西藏、台湾、香港和澳门的数据（以下简称省域或者省份）, 在构建新型城镇化与城镇居民生活能耗低碳化评价指标体系基础上, 分析各个系统的时空演变特征, 并进一步探讨两个系统耦合协调度整体和局部的时空格局演化特征, 揭示影响其发展的障碍因子, 以期为应对新型城镇化建设、城镇居民生活能耗低碳化以及两系统协调发展问题提供科学的理论和数据支撑.
1 指标体系构建、数据与方法 1.1 指标体系构建新型城镇化与城镇居民生活能耗低碳化耦合协调程度分析建立在两者水平测度基础之上, 因此构建指标体系是测度两者耦合协调程度的重要内容. 目前针对新型城镇化指标体系的研究较多, 但并未形成统一的评价指标框架. 本文基于《国家新型城镇化规划（2014-2020年）》中的论述, 并结合相关研究成果[16 ~ 20], 遵循系统性、全面性及可操作性原则, 从人口、经济、社会、生态、空间和城乡统筹度这6个维度出发, 选取23个指标对各省份新型城镇化发展水平进行衡量, 具体评价指标体系如表 1所示. 城镇居民生活能耗低碳化评价指标体系参考相关研究[21 ~ 24], 分别从碳排放规模（碳排放总量）、人均碳排放量、碳排放强度、碳排放密度（单位土地面积碳排放量）以及单位能源消耗碳排放量这5个方面进行衡量. 因为当以上指标的值越大, 对城镇居民生活能耗低碳化系统产生的负向影响越大, 值越小则对该系统产生的负向作用越小, 故将这些指标定为负向指标, 具体评价指标体系如表 2所示.
|
表 1 新型城镇化评价指标体系及其权重1） Table 1 Evaluation index system for new-type urbanization and its weights |
|
|
表 2 城镇居民生活能耗低碳化评价指标体系及其权重1） Table 2 Evaluation index system for the low-carbonization of the living energy consumption of urban residents and its weights |
1.2 数据来源
选取2005~2021年中国30个省份面板数据为样本, 数据来源于各年的《中国统计年鉴》《中国能源统计年鉴》《中国环境统计年鉴》以及各省统计年鉴等. 此外, 为确保数据的完整性, 本研究对于缺失数据采用插值法或外延法进行处理. 考虑到数据的完整性和可获得性, 不包含中国港澳台地区和西藏自治区数据.
1.3 研究方法 1.3.1 碳排放系数法参考IPCC提供的方法计算城镇居民生活能耗碳排放量, 计算原理是用各省份城镇居民生活直接能源消费量乘以相应的碳排放系数. 计算公式如下：
|
(1) |
式中, Cdir表示城镇居民直接能源消费碳排放量；Ei表示第i种类能源的消费量；Fi表示第i种类能源的碳排放系数.
1.3.2 熵值法熵值法能够对数据进行客观赋权, 较为客观地反映各指标的实际情况和重要性, 具有较高的准确度[25]. 采用熵值法测度新型城镇化（U1）与城镇居民生活能耗低碳化（U2）两个系统的指标权重和综合发展指数, 其具体计算过程为：
（1）数据标准化处理 采用极差法对两系统的各个指标进行标准化处理, 以消除指标体系中不同数据间的量纲差异, 将指标的绝对值转化为相对值.
对于正向指标：
|
(2) |
对于负向指标：
|
(3) |
式中, X′ij表示数据标准化后的值；Xij表示第i省份第j个指标的原始值；max(Xj)和min(Xj)分别表示第j个指标的最大值与最小值.
（2）对各个指标权重进行计算
|
(4) |
|
(5) |
|
(6) |
|
(7) |
式中, Yij表示各项指标在评价单元中的比例；m表示样本数；ej表示指标信息熵；dj表示信息冗余度；Wj表示指标权重.
（3）计算综合发展指数
|
(8) |
耦合协调度模型是用于分析两个或两个以上系统的相互影响程度和系统之间彼此作用关系的方法[26, 27]. 耦合协调度值越大, 则表明两系统之间的耦合情况越好, 且整个系统结构越趋于稳定, 反之则表明两系统之间的耦合情况越差且整个系统趋于无序[28]. 钱志权等[29]运用耦合协调度模型分析长三角城市群新型城镇化与低碳发展的耦合协调关系. 李建豹等[30]基于耦合协调度模型探究江苏省人口城镇化与能源消费CO2排放的耦合协调度. 新型城镇化与城镇居民生活能耗低碳化两个系统相互影响、相互作用, 因此本文运用耦合协调度模型来衡量两者的交互作用关系. 模型计算公式如下：
|
(9) |
|
(10) |
|
(11) |
式中, C表示耦合程度, 表现交互作用强度. T表示综合评价值, 表现协调程度. D表示新型城镇化与城镇居民生活能耗低碳化的耦合协调度. U1表示新型城镇化系统的水平, U2表示城镇居民生活能耗低碳化系统的水平. α、β表示待定系数, 且α + β = 1, 考虑到新型城镇化和城镇居民生活能耗低碳化对社会发展同等重要, 将α和β分别设置为0.5. 参考现有研究成果[31 ~ 33], 将耦合协调度划分为以下类型：失调衰退[0, 0.5]、基本协调（0.5, 0.6]、中度协调（0.6, 0.7]、良好协调（0.7, 0.8]和优质协调（0.8, 1].
1.3.4 核密度估计核密度估计属于非参数检验方法, 主要用于对随机变量的概率密度分布进行估计, 用连续的密度曲线描述随机变量的分布形态 [34, 35]. 计算公式如下：
|
(12) |
式中, N表示观测值的个数；h表示带宽；Xi表示独立同分布的样本观测值；x表示观测值的均值；K()表示核函数, 采用高斯核密度函数.
1.3.5 探索性时空数据分析探索性时空数据分析（ESTDA）方法是一系列空间数据分析方法和技术的集合, 可以实现时空交互分析, 本文借助ESTDA方法研究新型城镇化与城镇居民生活能耗低碳化耦合协调度的时空格局演化特征[36, 37]. 其中, 全局Moran's I指数可以用于全局空间自相关分析, 描述耦合协调度在空间上的整体分布状况[38]. LISA时间路径可以揭示研究单元局部空间结构的动态特征、局部空间依赖方向的波动性以及研究单元空间整合性的动态变化, 其几何特征主要通过相对长度、弯曲度以及转移方向来描述[39, 40]. LISA时间路径的相对长度、弯曲度、转移方向以及全局Moran's I指数的计算公式见参考文献[41, 42]. LISA时空跃迁可以反映省域与邻域空间关系随时间变化的规律, 被划分为4种跃迁类型[43, 44], 具体如表 3所示.
|
|
表 3 LISA时空跃迁类型 Table 3 Types of LISA spatio-temporal transition |
1.3.6 障碍度模型
新型城镇化与城镇居民生活能耗低碳化的耦合协调发展与两个子系统及其要素关系密切, 为了有效、有针对性地促进系统间协调发展, 引入障碍度模型识别各因子及准则层的障碍程度[45]. 模型计算公式如下：
|
(13) |
|
(14) |
|
(15) |
式中, X′ij和Wj的含义如前文；Tij表示指标偏离度；Oij表示基础指标障碍度, 值越大表明该因子对新型城镇化、城镇居民生活能耗低碳化的影响越大；Hij表示准则层障碍度.
2 结果与分析 2.1 各子系统综合发展水平分析如图 1所示, 从曲线分布位置看, 新型城镇化水平核密度曲线演进呈现右移变化趋势, 说明研究期间新型城镇化水平明显提升且发展趋势向好. 从主峰演进态势看, 波峰高度下降, 波幅宽度略微增大, 说明各省份新型城镇化水平数据分布趋于分散, 地区差异有所扩大. 从分布延展性看, 存在右拖尾现象且右拖尾逐年拉长, 表明分布延展性呈现扩大趋势, 高于均值的省份数量逐渐增多. 从极化现象看, 新型城镇化核密度曲线呈单峰. 城镇居民生活能耗低碳化的核密度曲线重心偏右, 说明低值省份较少, 整体水平较高, 主要得益于中国采取比较严格的节能减排措施. 从主峰演进态势看, 波峰高度先上升后下降再上升后下降, 表明城镇居民生活能耗低碳化水平数值分布呈现集中和分散交替变化的趋势. 从分布延展性看, 存在左拖尾现象, 区域发展呈现非均衡状态. 从极化现象看, 双峰形态明显, 主峰和侧峰并存.
|
图 1 新型城镇化和城镇居民生活能耗低碳化核密度 Fig. 1 Kernel density maps for new-type urbanization and the low-carbonization of the living energy consumption of urban residents |
基于新型城镇化指数和城镇居民生活能耗低碳化指数测算结果, 结合耦合协调度模型, 对新型城镇化和城镇居民生活能耗低碳化两系统的耦合协调度进行测算, 结果如图 2所示. 2005~2021年新型城镇化和城镇居民生活能耗低碳化的耦合协调发展水平上升趋势明显, 全国层面耦合协调度由2005年的0.553波动上升至2021年的0.714, 耦合协调类型由基本协调变为良好协调. 耦合协调度增长率呈波动下降趋势, 这表明两个系统整体上相互适应, 有序协调关系随时间推移逐渐增强.
|
图 2 新型城镇化和城镇居民生活能耗低碳化耦合协调度及增长率 Fig. 2 Coupling coordination degree and its growth rate between new-type urbanization and the low-carbonization of the living energy consumption of urban residents |
由图 3可知, 新型城镇化和城镇居民生活能耗低碳化的耦合协调度呈现出明显的空间集聚特征, 且具有东高西低和南高北低的分布特点. 由于社会经济发展阶段、资源环境禀赋以及政策导向存在差异, 各省份新型城镇化和城镇居民生活能耗低碳化耦合协调度存在差异性. 北京市（0.735）、上海市（0.766）和江苏省（0.745）等地耦合协调度均值相对较高, 均处于良好协调, 两个系统总体上较好地实现了高质量的同步发展. 内蒙古自治区（0.571）、贵州省（0.584）和黑龙江省（0.586）等地耦合协调度均值相对较低, 均处于基本协调, 两个系统之间协调性有待加强. 贵州省、重庆市和云南省等地耦合协调度增长幅度相对较大, 2021年与2005年相比分别增加了0.249、0.214和0.207.
|
基于自然资源部标准地图服务网站下载审图号为GS（2023）2763号的标准地图制作, 底图无修改, 下同 图 3 新型城镇化和城镇居民生活能耗低碳化耦合协调类型空间演化特征 Fig. 3 Characteristics of spatial evolution of coupling coordination types of new-type urbanization and the low-carbonization of the living energy consumption of urban residents |
从年度上来看, 在2005年各省份耦合协调度普遍低于0.6, 其中超过0.6的省份有6个, 处于良好协调类型的省份有2个. 耦合协调度高的省份主要分布在东部沿海经济发达地区, 主要原因可能在于东部地区社会经济发展迅速, 新型城镇化建设起步较早, 且城镇居民生活能耗碳减排稳步推进. 2005~2010年间, 中度协调类型的省份数量明显增多, 由2005年的4个上升至2010年的16个, 其中变化明显的区域主要集中于长江经济带和环渤海地区. 2010~2015年间, 耦合协调度空间格局变化较为明显, 西部地区变化最为显著, 多数省份耦合协调类型由基本协调变为中度协调. 在2021年, 耦合协调类型以中度协调和良好协调为主, 大多数省份的耦合协调度较2005年均有大幅度增长, 如中度协调类型的省份数量由2005年的4个增长为2021年的12个, 良好协调类型的省份数量由2005年的2个增长至2021年的16个.
2.2.3 空间关联特征采用全局Moran's I指数进一步综合反映2005~2021年新型城镇化和城镇居民生活能耗低碳化耦合协调度的空间关联程度和集聚特征, 具体结果如表 4所示. 全局Moran's I指数在各年份均为正值且均通过了1%水平的显著性检验, 这表明省份间的耦合协调度存在较强的空间正相关性, 即存在耦合协调度高值集聚和低值集聚的情况. 从变化趋势来看, 全局Moran's I指数有所增长, 表明耦合协调度的空间关联性有所增强.
|
|
表 4 新型城镇化和城镇居民生活能耗低碳化耦合协调度全局Moran's I指数 Table 4 Global Moran's I index of coupling coordination degree between new-type urbanization and the low-carbonization of the living energy consumption of urban residents |
2.2.4 LISA时空动态特征分析
（1）LISA时间路径几何特征 全局空间自相关从整体空间格局上反映新型城镇化和城镇居民生活能耗低碳化耦合协调度的集聚特征, LISA时间路径和LISA时空跃迁可以进一步反映局部的时空动态特征. 新型城镇化与城镇居民生活能耗低碳化耦合协调度的LISA时间路径相对长度、弯曲度以及转移方向空间分布格局如图 4所示, 其中相对长度和弯曲度依据自然断裂点法分为五类. 相对长度呈由东南地区向外围递增的趋势, 说明东南地区耦合协调度具有较为稳定的局部空间结构. 相对长度小于1的省份总共有19个, 占比为63.33%. 内蒙古自治区、黑龙江省以及海南省等地相对长度较大, 分别为1.749、1.636和1.563, 均大于1.5, 表明具有更加动态的局部空间结构. 安徽省、河南省、湖北省以及江苏省等地的值均不足0.6, 分别为0.587、0.578、0.568和0.565, 表明局部空间结构稳定性较强. 这反映出耦合协调度的局部空间结构稳定性存在较大区域差异, 而这种差异的存在能够为政策措施的精准实施提供依据.
|
图 4 新型城镇化和城镇居民生活能耗低碳化耦合协调度的LISA时间路径 Fig. 4 LISA time path of coupling coordination degree between new-type urbanization and the low-carbonization of living energy consumption of urban residents |
弯曲度均值为3.339, 大于均值的省份有12个. 在空间分布上, 弯曲度呈由中间向外围递增的趋势, 高值区主要分布于西部地区, 表明西部地区耦合协调度具有较为动态的空间依赖方向. 山西省（12.776）弯曲度最大, 其次是青海省（6.389）和海南省（6.330）, 反映出以上地区耦合协调度在空间依赖方向上的波动性较强. 弯曲度较小的省份包括北京市（1.381）、安徽省（1.494）和重庆市（1.494）, 以上地区的空间依赖方向稳定性较强.
耦合协调度协同增长（0°~90°和180°~270°）的省份共有22个, 占所有省份数量的73.33%, 表明耦合协调度呈现出较强的空间整合性. 其中, 正向协同增长（0°~90°）的省份有14个, 主要分布于南方地区, 呈现出耦合协调度协同高速增长的特点. 负向协同增长（180°~270°）的省份有8个, 主要集中于东北和华北地区, 呈现耦合协调度协同低速增长的特征.
（2）LISA时空跃迁 运用时空跃迁方法构建转移概率矩阵（表 5）, 进一步刻画中国新型城镇化与城镇居民生活能耗低碳化耦合协调度局部空间关联类型的时序变化特征. 2005~2021年, 4种时空跃迁类型中发生概率最大的为Ⅳ型, 即省域自身和邻域随时间推移均不发生跃迁为最普遍的类型, 表明耦合协调度分布存在一定的路径依赖和空间锁定特征. 其中, LLt→LLt+1的发生概率最大, 为0.441 7, 跃迁次数为212次. Ⅰ型、Ⅱ型和Ⅲ型的发生概率分别为0.029 2、0.025 0、0.004 2, 即仅自身发生跃迁、仅邻域发生跃迁或二者均发生跃迁的概率之和为5.84%.
|
|
表 5 局部Moran's I转移概率矩阵 Table 5 Local Moran's I transfer probability matrices |
2.3 障碍因子分析
运用障碍度模型分别测算2005~2021年新型城镇化与城镇居民生活能耗低碳化各指标的障碍度, 以此探寻推动两者协调发展的途径. 受篇幅所限, 仅列出2005年、2010年、2015年以及2021年两个系统指标的障碍度测算结果.
2.3.1 新型城镇化障碍因子分析由图 5可知, 经济城镇化障碍度最大, 始终位于第一位, 平均障碍度达34.77%, 表明经济城镇化建设是新型城镇化发展的重要准则, 也是制约新型城镇化与城镇居民生活能源消费碳排放耦合协调水平提升的重要因素. 城乡统筹度的障碍度始终最小, 障碍度均值为0.96%. 从6个准则的变化趋势上看, 空间城镇化障碍度呈显著的波动上升趋势, 从2005年的25.96%上升至2021年的31.63%, 年均增长率为1.24%. 经济城镇化、社会城镇化以及生态城镇化的障碍度呈小幅波动下降趋势, 而人口城镇化和城乡统筹度的障碍度变化不明显. 可见, 提高新型城镇化发展水平可以将经济城镇化和空间城镇化建设作为重点, 同时也协调社会城镇化以及人口城镇化等方面的发展情况, 进而推动新型城镇化与城镇居民生活能耗低碳化耦合协调水平提升.
|
图 5 新型城镇化准则层障碍度 Fig. 5 Obstacle degree of new-type urbanization criterion layer |
仅根据准则层障碍度分析中国新型城镇化发展障碍因子可能会掩盖具体指标之间的障碍度差异, 因此, 计算出各个具体指标障碍度（表 6）. 建成区面积占比（X19）障碍度均值最大, 为23.48%. 生活垃圾无害化处理率（X18）障碍度均值最小, 为0.30%, 主要原因在于生活垃圾无害化处理率相对较高. 2005年和2010年前五位障碍因子相同, 分别是建成区面积占比（X19）、人均地方财政收入（X6）、规模以上工业总产值（X8）、城镇职工基本医疗保险年末参保人数（X10）以及居民人均可支配收入（X5）, 主要来自于经济城镇化准则. 在2015年, 规模以上工业总产值（X8）的障碍度位居第二, 超过人均地方财政收入（X6）的障碍度, 表明规模以上工业总产值对新型城镇化建设的障碍作用增强. 在2021年, 卫生机构床位数（X11）变为位居第五, 前四位指标排序与2015年相同. 建成区面积占比（X19）障碍度始终位于首位, 说明该指标对新型城镇化建设的阻碍作用最大. 建成区面积占比的大小直接反映了新型城镇化水平和进程, 需要合理规划和管理建成区的发展, 以促进新型城镇化建设. 因此, 在具体指标方面, 应重点关注建成区面积占比（X19）、人均地方财政收入（X6）以及规模以上工业总产值（X8）等指标, 增强措施实施的精准性与有效性, 从而提高新型城镇化与城镇居民生活能耗低碳化的耦合协调度.
|
|
表 6 新型城镇化指标层障碍度 Table 6 Obstacle degree of new-type urbanization index layer |
2.3.2 城镇居民生活能耗低碳化
城镇居民生活能耗低碳化障碍度结果如表 7所示, 各指标障碍度均值排序依次为：单位能源消耗碳排放量（X5） > 人均碳排放量（X2） > 碳排放强度（X3） > 碳排放规模（X1） > 碳排放密度（X4）. 其中, 单位能源消耗碳排放量（X5）障碍作用最强, 均值为29.13%, 在2010年和2015年均居于首位. 可见, 发展节能减排技术, 控制单位能源消耗碳排放量是推动城镇居民生活节能低碳的重要举措. 碳排放密度（X4）障碍度最小, 均值为3.34%. 人均碳排放量（X2）、碳排放强度（X3）以及碳排放规模（X1）障碍度均值分别为25.44%、22.47%以及19.62%, 故应加强对于各省份城镇居民生活能耗碳排放总量、人均碳排放量以及碳排放强度等指标的监测, 因地制宜采取措施抑制碳排放量增长, 降低碳排放强度, 提高该系统水平, 从而促进新型城镇化与城镇居民生活能耗低碳化的耦合协调度提高.
|
|
表 7 城镇居民生活能耗低碳化指标层障碍度 Table 7 Obstacle degree of index layer of the low-carbonization of the living energy consumption of urban residents |
3 讨论
（1）新型城镇化和城镇居民生活能耗低碳化两个系统的发展水平均呈上升趋势, 且都存在区域差异. 其中, 新型城镇化水平核密度曲线分布呈现右移变化趋势, 波峰高度下降, 右拖尾逐年拉长, 呈现单峰特征, 反映出该系统水平整体呈上升的变化趋势, 地区差异有所扩大. 城镇居民生活能耗低碳化核密度曲线分布重心偏右, 波峰高度波动变化, 存在左拖尾现象, 且双峰形态明显, 表明该系统整体发展水平较高, 呈现非均衡状态.
（2）从新型城镇化和城镇居民生活能耗低碳化耦合协调度的时序特征来看, 两个系统的耦合协调度稳步提升, 耦合协调类型由2005年的基本协调转变为2021年的良好协调, 有序协调关系随时间推移逐渐增强. 北京市（0.735）、上海市（0.766）和江苏省（0.745）等地耦合协调度均值相对较高, 均处于良好协调状态. 在整体空间特征方面, 耦合协调度具有东高西低和南高北低的分布特点, 存在显著的空间正相关性且空间关联性有所增强. 在局部空间格局演化中, 耦合协调度的局部空间结构和局部空间依赖方向较为稳定, 呈现出较强的空间整合性. 省域自身和邻域的耦合协调度随时间推移均不发生跃迁的概率最大, 存在一定的转移惰性.
（3）从障碍度分析来看, 在新型城镇化准则层中, 经济城镇化平均障碍度（34.77%）最大, 是影响新型城镇化与城镇居民生活能耗低碳化耦合协调度的重要因素. 在新型城镇化的具体指标方面, 建成区面积占比、人均地方财政收入、规模以上工业总产值三个指标的障碍度较大. 在城镇居民生活能耗低碳化指标中, 单位能源消耗碳排放量障碍作用最强, 均值为29.13%, 碳排放密度障碍作用最弱, 均值为3.34%.
4 结论（1）充分发挥系统之间的相互促进作用. 引导新型城镇化建设有序推进, 借助城镇化发展红利推动城镇居民生活能源领域碳减排, 通过政策支持、环境规制、宣传教育等手段激励推广减排提质, 弱化其对城镇居民生活能源消费碳排放系统的负面影响. 不断扩大城镇居民生活能耗低碳化系统对新型城镇化的正向反馈作用, 以显著的技术变革和能源结构转型作为支撑进行需求侧管理, 有步骤、有计划地推动节能型和低碳型生活消费方式形成, 促进新型城镇化发展.
（2）各省应根据发展实际, 结合障碍因子, 明确自身发展目标, 制定适宜的措施, 走具有特色的优质协同发展道路. 北京市、上海市和江苏省等耦合协调度较高的地区可以进一步以城镇化带动城镇居民生活能源消费领域的低碳发展, 在全国的耦合协调发展中充分发挥先导作用, 引领其他地区发展. 内蒙古自治区、贵州省和青海省等耦合协调度较低的地区, 在推动新型城镇化的过程中, 需夯实经济基础, 提高资源环境承载力, 加快推动能源变革, 提高能源利用效率和清洁能源比例, 促进城镇居民生活能耗碳减排.
（3）聚焦区域间的差异化治理, 建立跨区域、多维度的协同合作机制. 充分发挥空间互动效应来促进新型城镇化与城镇居民生活能耗低碳化耦合协调度的区域协调发展, 耦合协调度低值区可以加强与耦合协调度高值区在经济、人口、技术等方面的交流与合作. 同时综合考虑整体空间格局的关联特点, 并结合局部空间结构、局部空间依赖方向以及协同增长特征等, 推动区域间的协同发展.
| [1] |
陈明星, 叶超, 陆大道, 等. 中国特色新型城镇化理论内涵的认知与建构[J]. 地理学报, 2019, 74(4): 633-647. Chen M X, Ye C, Lu D D, et al. Cognition and construction of the theoretical connotation for new-type urbanization with Chinese characteristics[J]. Acta Geographica Sinica, 2019, 74(4): 633-647. |
| [2] |
方创琳. 中国新型城镇化高质量发展的规律性与重点方向[J]. 地理研究, 2019, 38(1): 13-22. Fang C L. Basic rules and key paths for high-quality development of the new urbanization in China[J]. Geographical Research, 2019, 38(1): 13-22. |
| [3] |
曲建升, 刘莉娜, 曾静静, 等. 中国居民生活碳排放增长路径研究[J]. 资源科学, 2017, 39(12): 2389-2398. Qu J S, Liu L N, Zeng J J, et al. A study on growth path for China's household CO2 emissions[J]. Resources Science, 2017, 39(12): 2389-2398. |
| [4] |
万文玉, 赵雪雁, 王伟军. 中国城市居民生活能源碳排放的时空格局及影响因素分析[J]. 环境科学学报, 2016, 36(9): 3445-3455. Wan W Y, Zhao X Y, Wang W J. Spatial-temporal patterns and impact factors analysis on carbon emissions from energy consumption of urban residents in China[J]. Acta Scientiae Circumstantiae, 2016, 36(9): 3445-3455. |
| [5] | Wu S, Hu S G, Frazier A E, et al. China's urban and rural residential carbon emissions: Past and future scenarios[J]. Resources, Conservation and Recycling, 2023, 190. DOI:10.1016/j.resconrec.2022.106802 |
| [6] |
张腾飞, 杨俊, 盛鹏飞. 城镇化对中国碳排放的影响及作用渠道[J]. 中国人口·资源与环境, 2016, 26(2): 47-57. Zhang T F, Yang J, Sheng P F. The impacts and channels of urbanization on carbon dioxide emissions in China[J]. China Population, Resources and Environment, 2016, 26(2): 47-57. DOI:10.3969/j.issn.1002-2104.2016.02.007 |
| [7] |
李硕硕, 刘耀彬, 骆康. 环鄱阳湖县域新型城镇化对碳排放强度的空间溢出效应[J]. 资源科学, 2022, 44(7): 1449-1462. Li S S, Liu Y B, Luo K. Spatial spillover effect of new-type urbanization on carbon emission intensity in counties around the Poyang Lake[J]. Resources Science, 2022, 44(7): 1449-1462. |
| [8] | Yu B B. Ecological effects of new-type urbanization in China[J]. Renewable and Sustainable Energy Reviews, 2021, 135. DOI:10.1016/j.rser.2020.110239 |
| [9] | Zhao C, Wang B. How does new-type urbanization affect air pollution? Empirical evidence based on spatial spillover effect and spatial Durbin model[J]. Environment International, 2022, 165. DOI:10.1016/j.envint.2022.107304 |
| [10] | Peng S, Wang X, Du Q, et al. Evolution of household carbon emissions and their drivers from both income and consumption perspectives in China during 2010-2017[J]. Journal of Environmental Management, 2023, 326. DOI:10.1016/j.jenvman.2022.116624 |
| [11] | Li Y M, Zhao R, Liu T S, et al. Does urbanization lead to more direct and indirect household carbon dioxide emissions? Evidence from China during 1996-2012[J]. Journal of Cleaner Production, 2015, 102: 103-114. DOI:10.1016/j.jclepro.2015.04.037 |
| [12] |
李怡涵, 牛叔文, 沈义, 等. 中国人口发展对家庭生活基本能耗及碳排放的影响分析[J]. 资源科学, 2014, 36(5): 988-997. Li Y H, Niu S W, Shen Y, et al. The impact of population development on basic household energy consumption and carbon emissions[J]. Resources Science, 2014, 36(5): 988-997. |
| [13] |
李艳梅, 张红丽. 城市化对家庭CO2排放影响的区域差异——基于中国省级面板数据的分析[J]. 资源科学, 2016, 38(3): 545-556. Li Y M, Zhang H L. Regional differences in the impact of urbanization on household carbon dioxide emissions based on panel data for 30 provinces in China[J]. Resources Science, 2016, 38(3): 545-556. |
| [14] |
赵金彩, 钟章奇, 卢鹤立, 等. 基于夜间灯光的城市居民直接碳排放及影响因素——以中原经济区为例[J]. 自然资源学报, 2017, 32(12): 2100-2114. Zhao J C, Zhong Z Q, Lu H L, et al. Urban residential CO2 emissions and its determinants: a case study of Central Plains Economic Region[J]. Journal of Natural Resources, 2017, 32(12): 2100-2114. DOI:10.11849/zrzyxb.20161068 |
| [15] |
曹翔, 高瑀, 刘子琪. 农村人口城镇化对居民生活能源消费碳排放的影响分析[J]. 中国农村经济, 2021(10): 64-83. Cao X, Gao Y, Liu Z Q. The impact of urbanization of rural residents on carbon emissions from household energy consumption[J]. Chinese Rural Economy, 2021(10): 64-83. |
| [16] | Cai J, Li X P, Liu L J, et al. Coupling and coordinated development of new urbanization and agro-ecological environment in China[J]. Science of the Total Environment, 2021, 776. DOI:10.1016/j.scitotenv.2021.145837 |
| [17] | Lin B Q, Zhu J P. Impact of China's new-type urbanization on energy intensity: a city-level analysis[J]. Energy Economics, 2021, 99. DOI:10.1016/j.eneco.2021.105292 |
| [18] |
王兆峰, 汪倩. 长江经济带新型城镇化对旅游业碳排放的门槛效应研究[J]. 长江流域资源与环境, 2022, 31(1): 13-24. Wang Z F, Wang Q. Threshold effect of new urbanization on tourism carbon emission in Yangtze River Economic Belt[J]. Resources and Environment in the Yangtze Basin, 2022, 31(1): 13-24. |
| [19] |
赵建吉, 刘岩, 朱亚坤, 等. 黄河流域新型城镇化与生态环境耦合的时空格局及影响因素[J]. 资源科学, 2020, 42(1): 159-171. Zhao J J, Liu Y, Zhu Y K, et al. Spatiotemporal differentiation and influencing factors of the coupling and coordinated development of new urbanization and ecological environment in the Yellow River Basin[J]. Resources Science, 2020, 42(1): 159-171. |
| [20] |
冯俊华, 王倩, 郑广文. 黄河流域科技创新与新型城镇化耦合协调发展测度[J]. 地球科学与环境学报, 2022, 44(5): 826-838. Feng J H, Wang Q, Zheng G W. Calculation on coupling and coordinated development of scientific-technological innovation and new urbanization in Yellow River Basin, China[J]. Journal of Earth Sciences and Environment, 2022, 44(5): 826-838. |
| [21] | Shen L Y, Huang Y L, Huang Z H, et al. Improved coupling analysis on the coordination between socio-economy and carbon emission[J]. Ecological Indicators, 2018, 94: 357-366. |
| [22] | Chen J D, Li Z W, Dong Y Z, et al. Coupling coordination between carbon emissions and the Eco-Environment in China[J]. Journal of Cleaner Production, 2020, 276. DOI:10.1016/j.jclepro.2020.123848 |
| [23] |
丁学谦, 吴群, 刘向南, 等. 土地利用、经济高质量发展与碳排放耦合协调度及影响因素——来自中国282个地级市的经验研究[J]. 资源科学, 2022, 44(11): 2233-2246. Ding X Q, Wu Q, LIU X N, et al. Coupling and coordination degree of land use, high-quality economic development, and carbon emissions and influencing factors in China: An empirical study of 282 prefecture-level cities[J]. Resources Science, 2022, 44(11): 2233-2246. DOI:10.18402/resci.2022.11.06 |
| [24] |
刘崇刚, 孙伟, 张落成. 长江三角洲碳排放与植被覆盖耦合协调时空格局及影响因素分析[J]. 地理科学, 2023, 43(1): 142-151. Liu C G, Sun W, Zhang L C. Spatio-temporal pattern of coupling coordination degree between carbon emissions and vegetation cover and its influencing factors of the Yangtze River Delta[J]. Scientia Geographica Sinica, 2023, 43(1): 142-151. |
| [25] |
王凌青, 王雪平, 方华军, 等. 青藏高原典型区域资源环境与社会经济耦合分析[J]. 环境科学学报, 2021, 41(6): 2510-2518. Wang L Q, Wang X P, Fang H J, et al. Coupling relationship between resource environment and social economy development in typical regions of Qinghai-Tibet Plateau[J]. Acta Scientiae Circumstantiae, 2021, 41(6): 2510-2518. |
| [26] | Yang C, Zeng W, Yang X. Coupling coordination evaluation and sustainable development pattern of Geo-Ecological environment and urbanization in Chongqing municipality, China[J]. Sustainable Cities and Society, 2020, 61. DOI:10.1016/j.scs.2020.102271 |
| [27] |
范擎宇, 杨山, 胡信. 耦合视角下长三角地区城镇化协调度的时空特征及交互机制[J]. 地理研究, 2020, 39(2): 289-302. Fan Q Y, Yang S, Hu X. Temporal and spatial characteristics and interaction process of urbanization coordination in the Yangtze River Delta region from the perspective of coupling[J]. Geographical Research, 2020, 39(2): 289-302. |
| [28] |
王勇, 孙瑞欣. 土地利用变化对区域水—能源—粮食系统耦合协调度的影响——以京津冀城市群为研究对象[J]. 自然资源学报, 2022, 37(3): 582-599. Wang Y, Sun R X. Impact of land use change on coupling coordination degree of regional water-energy-food system: a case study of Beijing-Tianjin-Hebei Urban Agglomeration[J]. Journal of Natural Resources, 2022, 37(3): 582-599. |
| [29] |
钱志权, 韩佳银. 长三角城市群新型城镇化与低碳发展耦合过程与机理[J]. 长江流域资源与环境, 2023, 32(11): 2285-2297. Qian Z Q, Han J Y. Coupling process and mechanism of new-type urbanization and low-carbon development in Yangtze River Delta Urban Agglomeration[J]. Resources and Environment in the Yangtze Basin, 2023, 32(11): 2285-2297. |
| [30] |
李建豹, 黄贤金, 揣小伟, 等. 江苏省人口城镇化与能源消费CO2排放耦合协调度时空格局及影响因素[J]. 经济地理, 2021, 41(5): 57-64. Li J B, Huang X J, Chuai X W, et al. Spatial-temporal pattern and influencing factors of coupling coordination degree between urbanization of population and CO2 emissions of energy consumption in Jiangsu Province[J]. Economic Geography, 2021, 41(5): 57-64. |
| [31] |
蔡绍洪, 谷城, 张再杰. 西部新型城镇化与乡村振兴协调的时空特征及影响机制[J]. 中国农业资源与区划, 2022, 43(12): 202-213. CAI S H, GU C, ZHANG Z J. Spatial and temporal characteristics and influencing mechanism of coordination between new-type urbanization and rural revitalization in western China[J]. Chinese Journal of Agricultural Resources and Regional Planning, 2022, 43(12): 202-213. |
| [32] |
田云, 卢奕亨. 中国省域新型城镇化与农业碳排放效率的耦合协调关系[J]. 华中农业大学学报(社会科学版), 2023(4): 33-46. Tian Y, Lu Y H. Coupling coordination between new-type urbanization and agricultural carbon emission efficiency in China's provinces[J]. Journal of Huazhong Agricultural University (Social Sciences Edition), 2023(4): 33-46. |
| [33] |
徐维祥, 李露, 周建平, 等. 乡村振兴与新型城镇化耦合协调的动态演进及其驱动机制[J]. 自然资源学报, 2020, 35(9): 2044-2062. Xu W X, Li L, Zhou J P, et al. The dynamic evolution and its driving mechanism of coordination of rural rejuvenation and new urbanization[J]. Journal of Natural Resources, 2020, 35(9): 2044-2062. |
| [34] | Ke N, Lu X H, Kuang B, et al. Regional disparities and evolution trend of city-level carbon emission intensity in China[J]. Sustainable Cities and Society, 2023, 88. DOI:10.1016/j.scs.2022.104288 |
| [35] |
张卓群, 张涛, 冯冬发. 中国碳排放强度的区域差异、动态演进及收敛性研究[J]. 数量经济技术经济研究, 2022, 39(4): 67-87. Zhang Z Q, Zhang T, Feng D F. Study on regional differences, dynamic evolution and convergence of carbon emission intensity in China[J]. The Journal of Quantitative & Technical Economics, 2022, 39(4): 67-87. |
| [36] | Rey S J, Janikas M V. STARS: Space-time analysis of regional systems[J]. Geographical Analysis, 2006, 38(1): 67-86. |
| [37] |
孔旻蔚, 胡宏, 张宏韫, 等. 2000—2020年长三角地区城市低碳竞争力时空演化[J]. 地理研究, 2023, 42(10): 2713-2737. Kong M W, Hu H, Zhang H Y, et al. Spatio-temporal evolution of urban low-carbon competitiveness in the Yangtze River Delta from 2000 to 2020[J]. Geographical Research, 2023, 42(10): 2713-2737. |
| [38] | Zhang C Y, Zhao L, Zhang H T, et al. Spatial-temporal characteristics of carbon emissions from land use change in Yellow River Delta region, China[J]. Ecological Indicators, 2022, 136. DOI:10.1016/j.ecolind.2022.108623 |
| [39] | Rey S J. Space-time patterns of rank concordance: Local indicators of mobility association with application to spatial income inequality dynamics[J]. Annals of the American Association of Geographers, 2016, 106(4): 788-803. |
| [40] |
向书江, 杨春梅, 谢雨琦, 等. 近20年重庆市主城区碳排放的时空动态演进及其重心迁移[J]. 环境科学, 2023, 44(1): 560-571. Xiang S J, Yang C M, Xie Y Q, et al. Spatiotemporal dynamic evolution and gravity center migration of carbon emissions in the main urban area of Chongqing over the past 20 years[J]. Environmental Science, 2023, 44(1): 560-571. |
| [41] |
尹君锋, 石培基, 黄万状, 等. 甘肃省县域乡村振兴与新型城镇化耦合协调发展的时空分异特征及影响因素[J]. 自然资源学报, 2023, 38(8): 2148-2168. Yin J F, Shi P J, Huang W Z, et al. Spatiotemporal differentiation characteristics and influencing factors of coupling coordinated development of rural revitalization and new urbanization at the county level in Gansu province[J]. Journal of Natural Resources, 2023, 38(8): 2148-2168. |
| [42] |
尹上岗, 马志飞, 李在军. 长三角地区住宅售租比时空格局演变及影响机制[J]. 地理研究, 2021, 40(6): 1701-1715. Yin S G, Ma Z F, Li Z J. Spatio-temporal pattern evolution and influence mechanism of housing price-to-rent ratio in the Yangtze River Delta[J]. Geographical Research, 2021, 40(6): 1701-1715. |
| [43] |
李健, 刘舒琪, 王晓祺. 中国交通运输碳排放强度时空交互特征及跃迁机制[J]. 环境科学, 2024, 45(6): 3433-3445. Li J, Liu S Q, Wang X Q. Spatiotemporal interaction characteristics and transition mechanism of carbon intensity in China's transportation industry[J]. Environmental Science, 2024, 45(6): 3433-3445. |
| [44] | Liu X J, Jin X B, Luo X L, et al. Quantifying the spatiotemporal dynamics and impact factors of China's county-level carbon emissions using ESTDA and spatial econometric models[J]. Journal of Cleaner Production, 2023, 410. DOI:10.1016/j.jclepro.2023.137203 |
| [45] |
朱丽, 曹梦莹, 刘瑞杰. "双碳"目标下煤炭资源型城市能源转型评价与障碍因子[J]. 环境科学, 2024, 45(12): 6858-6869. Zhu L, Cao M Y, Liu R J. Evaluation of energy transition and barrier factors in coal resource cities under carbon neutral and peak carbon goals[J]. Environmental Science, 2024, 45(12): 6858-6869. |