EN中文

经济地理 >

2025 , Vol. 45 >Issue 2: 80 - 90

DOI: https://doi.org/10.15957/j.cnki.jjdl.2025.02.008

城市地理与新型城镇化

西部河谷城市空间结构对碳排放量的影响

  • 张新红 ,
  • 王诗涵 ,
  • 董建红 , ※ ,
  • 张娜 ,
  • 李晶
展开
  • 兰州理工大学 建筑与设计艺术学院，中国甘肃 兰州 730050
※ 董建红（1985—），男，博士，副教授，硕士生导师，研究方向为生态城市与规划。E-mail：

张新红（1981—），男，博士，副教授，硕士生导师，研究方向为城市与区域规划。E-mail：

收稿日期: 2024-02-22

  修回日期: 2024-07-10

  网络出版日期: 2025-05-12

基金资助

国家自然科学基金项目(42261034)

收起

Influences of Urban Spatial Structure on Carbon Emissions for the Western Valley Cities

  • ZHANG Xinhong ,
  • WANG Shihan ,
  • DONG Jianhong , ※ ,
  • ZHANG Na ,
  • LI Jing
Expand
  • School of Architecture & Art Design，Lanzhou University of Technology，Lanzhou 730050，Gansu，China

Received date: 2024-02-22

  Revised date: 2024-07-10

  Online published: 2025-05-12

Fold

摘要

科学认知城市空间结构对碳排放的影响，对明晰城市碳减排路径具有重要意义。文章选择组团结构鲜明的34个西部河谷城市为研究对象，采用2010—2020年的多元经济社会数据，在解析其碳排放量与空间结构分布特征的基础上，借助固定效应多元回归分析模型探究城市空间结构对碳排放量的影响。研究发现：①城市碳排放总量和均量均呈现出南北高而中间低的分布格局，11年间总量与均量变化的差异性均较大。②基于空间集中与集聚指数可将城市空间结构划分为4种类型，11年内大部分城市的空间结构相对保持稳定，但其空间分布具有明显的地域差异性。③案例对比、基准回归和稳健检验分析均表明，紧凑（多中心）空间结构有利于降低西部河谷城市的碳排放总量、人均碳排放量和地均碳排放量。但异质性检验分析得出，紧凑型空间结构仅有利于西南河谷城市和用地规模中等城市的碳减排，紧凑多中心空间结构仅有利于人口规模小的城市降低碳排放量。

关键词： 城市空间结构; 碳排放量; 集聚; 紧凑多中心空间结构; 人口规模

本文引用格式

张新红 , 王诗涵 , 董建红 , 张娜 , 李晶 . 西部河谷城市空间结构对碳排放量的影响[J]. 经济地理, 2025 , 45(2) : 80 -90 . DOI: 10.15957/j.cnki.jjdl.2025.02.008

Abstract

Scientifically understanding the influences of spatial structure on carbon emissions is is crucial for identifying the pathways to urban carbon emission reduction. Taking 34 western valley cities with distinctive group structures as samples, and based on the panel data of western valley from 2010 to 2020, this study analyzes carbon emissions and its distribution characteristics of spatial structure, and employs a fixed-effect multiple regression analysis model to explore the influences of urban spatial structure on carbon emissions. It's found that: 1) Both total and average values of urban carbon emissions show a uneven distribution pattern which is high in the north and south of research area, and low in the middle of research area, with large variations in the changes of total and average values in 2010-2020. 2) Based on the concentration index and agglomeration index, the urban spatial structure can be classified into four types. The spatial structure of most cities remained stable relatively in 2010-2020, but their spatial distribution exhibited obvious geographical differences. 3) According to the case comparison, baseline regression and robustness tests, it indicates that compact (polycentric) spatial structure is conducive to reducing total, per capita and per square kilometer carbon emissions in western cities in the valley. However, the heterogeneity test analysis concludes that the compact spatial structure is only conducive to carbon emission reduction for the southwest of research area and cities with medium land use, the compact polycentric spatial structure is only conducive to carbon emission reduction in cities with small population sizes.

Key words： urban spatial structure; carbon emissions; cluster; compact and polycentric spatial structure; population size

自2020年9月我国宣示“碳达峰碳中和”的“双碳”目标以来，其已成为推动中国高质量发展的重要驱动力。城市作为碳排放生产的主要地域空间，是高能耗高排放的集中地，更是节能减排和低碳发展的主战场[1]。2021年10月，国务院发布的《2030年前碳达峰行动方案》提出重点实施的城乡建设碳达峰行动中，明确要求“推动城市组团式发展，科学确定建设规模，控制新增建设用地过快增长”，以推进城乡建设绿色低碳转型。西方国家相关研究证明，城市空间结构对碳排放存在深远影响，即使在短期内不分明，但这种既定的影响一旦形成将很难改变[2-3]；城市空间结构与碳排放之间虽不存在直接关联，但主要通过居民行为这一中介因素作用于碳排放[4]。国内研究也已指出，空间结构对城市有一定的锁定作用，低效的空间结构会导致城市碳排放量的不断增加[5]，城市可以通过统筹高效的空间规划与合理的用地布局有效避免高碳排模式[6-7]。
自1989年Newman等人研究证明城市密度、用地混合度与交通能源消耗呈负相关关系以来[8]，学者们开始关注城市空间结构与能源消耗或碳排放量之间的关系，大多从城市密度[9]、城市规模[10]、用地功能混合[11]等不同视角展开。其中，国外学术界关于该领域的研究虽已取得一系列丰硕成果，但相关结论差异较大、一致性不佳[12]；国内相关研究始于2010年前后，学者们最初从低碳城市规划的实践应用角度定性探讨了空间结构对碳排放的影响[13]，近年来则普遍运用定量分析方法开展了一系列实证研究。就研究对象而言，部分研究以全国或区域多个城市为样本，从多中心结构[14]、空间形态[15]、城市规模[16]等不同视角探讨了空间结构对城市碳排放的影响；也有学者选择广州[17]、杭州[18]、青岛[19]等单个城市为案例，解析了影响城市碳排放的建成环境因素（如建筑密度、形状指数、路网密度）及其作用机制；另有研究以多个城市群为样本，探析其空间结构对碳排放影响的时空差异[20]。但样本城市数量的不同很大程度上决定了研究方法的选择，单个城市的研究主要利用Kaya恒等式与LMDI分解法[21]、地理加权回归[18]等方法开展，而多样本城市（群）的研究主要基于构建的面板数据，借助固定效应回归[16]、线性（逐步）回归[22]等多元回归分析方法和社会网络分析方法[23]进行。就研究维度而言，城市空间结构测度出现了分项测度与综合测度两种情形，前者选取诸如人口密度[24]、城市规模[24]、用地功能混合[25]、居住密度[24]、路网密度[26]等单一指标；而后者往往选取多个单一指标，将其归纳为紧凑度[27]、破碎度[27]、复杂度[28]、蔓延度[29]等复合指标。同时，碳排放量数据的使用也出现了分项与整体两种情况，前者采用诸如交通碳排放[30]、家庭碳排放[31]、生活碳排放[32]、建筑碳排放[33]等数据，主要基于统计年鉴数据、实地调查数据和网络采集数据等核算得到；后者则普遍采用CEADs[34]、EDGAR[20]、CHRED[35]等已有碳排放数据平台中的相关城市数据。从研究尺度来看，在单个城市的研究中，空间结构测度与碳排放量核算具体到了县区或街道尺度，但多样本城市（群）的研究却停留于整个市域或全部市辖区尺度。从研究结论来看，分项测度指标的研究表明，城市用地扩张是产生大量碳排放的重要原因[36]，人口密度增加会扩大碳排放规模[37]，而路网密度和交叉口密度[38]的提高有利于降低交通碳排放，研究结论较为一致。而有关紧凑性、破碎度、多中心结构等综合测度指标研究得出的结论却不尽相同，早期研究论证了紧凑集聚的模式利于城市碳减排[39]或分散的结构利于低碳化发展[40]，但近期研究得出了较为辩证的结论，认为土地集约利用有助于降低人均碳排放，但建设用地的集中成片反而导致较高的人均、地均碳排放强度[22]。破碎度对城市碳排放量的影响不能局限于空间结构本身，其对碳排放量的影响与城市经济发展水平、城镇化程度密切相关[41]。多中心结构对城市碳排放量的正负向影响也结论不一[42]，并出现了影响不显著的情况[43]；同时也有研究表明，单中心或多中心城市均能有效减少碳排放量，只是作用途径不同[44]。
总体而言，国内关于城市空间结构与碳排放量关系的研究已取得一系列有价值的学术成果，研究对象与方法愈益聚焦和深化，研究维度与结论也日益多元和丰富，但有关特定类型城市和西部城市的研究还较为少见；同时，在关于多样本城市的研究中，空间结构测度与碳排放量核算的地域边界仍与城市实体地域边界差距较大。为此，本文选择组团结构鲜明、地域分布广泛的34个西部河谷城市为案例，利用2010—2020年城市建成区所在市辖区的碳排放量、空间结构指数、人口规模等多元经济社会数据，在解析其碳排放量与空间结构分布特征的基础上，借助固定效应多元回归分析方法，探究空间结构对西部河谷城市碳排放量的影响，以期为此类城市构建低碳发展格局、实现绿色低碳发展，以及西部地区的生态文明建设和国家“双碳”战略的深入推进提供理论参考和实证借鉴。

1 研究对象、方法与数据

1.1 研究对象

河谷城市是指城市主体在河谷中形成和发育，且其发育受到河谷地形及其周围山地或丘陵较为强烈的直接限制的城市[45]。它们在我国西部地区分布广泛，具有很强的典型性和区域性，囿于自然地理环境，城市布局大多呈组团结构[46]。就西部河谷城市的数量与分布而言，兰州、西宁、宝鸡、重庆、贵阳、广元、河池等地级及以上城市就多达30余个，而以舟曲、永登、汶川、北川、芦山和望谟等为代表的县城数量则更多，在西部大部分省（自治区、直辖市）均有分布，如四川的川东峡谷、甘肃的陇中和陇东南地区、青海的河湟谷地、陕西的陕北和陕南地区、贵州西北部地区和广西西部地区等。作为西部地区城市体系的重要组成部分，西部大开发战略实施20多年来其经济社会得以快速发展，人口与产业不断集聚，城市用地规模日益扩张。以兰州市为例，2020年末全市GDP和城镇人口分别达2886.7亿元和437.2万人，为2000年的9.3和1.5倍。其中，主城四区的GDP、常住人口和建成区面积分别为2185.5亿元、305.0万人和235.0 km²，分别为2000年的8.7、1.8和1.4倍。在近30年的快速发展过程中，多维度、长时间和大规模的发展转型导致西部河谷城市深刻的自然环境响应，表现为资源的大量消耗、生态环境的恶化、空间组织的无序及其导致的高碳化。因此，在新型城镇化、生态文明建设和碳达峰碳中和等国家战略纵深推进的背景下，科学认知西部河谷城市碳排放的影响因素及其内在机制，对于推动城市构建低碳发展格局、实现绿色低碳发展显得十分重要而迫切。

1.2 研究方法

1.2.1 固定效应多元回归分析模型

为探究西部河谷城市空间结构对碳排放的影响，参考已有研究[14]，本文基于34个西部河谷城市2010—2020年的多元面板数据构建固定效应多元回归模型。具体公式如下：
C E i t = α + β 1 P o l y i t + β 2 X ' + C i t y i + Y e a r t + ε i t
式中：被解释变量CEit表示城市i第t年的碳排放总量，稳健分析时依次使用人均碳排放量、地均碳排放量和单位工业产值碳排放量替换；核心解释变量Polyit代表城市空间结构，采用集中化指数和集聚化指数表达；β1为其影响系数；X′为其他控制变量，即可能影响碳排放量的其他因素，如人口规模、人口密度、土地利用、经济发展水平和工业总产值等指标；β2为其影响系数；Cityi、Yeart分别控制个体（城市）、时间（年份）的固定效应，其中城市固定效应主要捕捉不随时间变化的城市间差异，如地理特征、政策环境等影响碳排放量和空间结构的因素，年份固定效应主要控制随时间变化且影响所有城市的变量，如经济周期、政策因素和宏观经济变化等；α为常数项，即自变量为0时的基准水平；εit为随机误差项，是其他可能影响被解释变量但未被模型捕捉的因素。
图1 西部河谷城市的空间分布及主要城市地形特征

Fig.1 Spatial distribution of western valley cities and topographic characteristics of major cities

1.2.2 城市空间结构测度方法

借鉴Anas等的空间结构测度方法[47]和已有研究[14]，从空间集中化和空间集聚化2个维度对城市空间结构进行概念化。空间集中化描述人口远离城市中心的变化程度，程度越高表明城市空间结构的单中心性越强；空间集聚化识别城市在主中心外围是否形成了次中心，程度越高说明人口在主中心外围的分布越集聚，形成次中心的可能性越高。为此，采用集中指数（Aci）和基尼指数（Gini）分别测度空间集中化和空间集聚化，前者用以衡量人口从城市中心（CBD）向城市边缘的累计增长速度，指数越大说明城市空间结构越集中，反之则说明空间结构越不集中；后者衡量人口在城市中分布的不均衡程度，指数越大说明空间结构越集聚（紧凑），反之则越分散（蔓延）。2个空间结构指数计算方法如下：
A c i = ∑ i = 1 n E i - 1 A i - ∑ i = 1 n E i A i - 1
G i n i = ∑ i = 1 n E i A i - 1 - ∑ i = 1 n E i - 1 A i
式中：Ei代表i区的累计人口比例；Ai代表i区的累计土地面积比例；n表示人口统计单元的数量。Aci指数计算中每个区域i的排序是按照其到城市CBD距离由小到大进行的，而Gini指数计算中每个区域i是按照人口密度由低到高排序的。

1.3 数据来源与指标选取

1.3.1 数据来源

作为城市经济、社会和人口等活动的高密度地区，市辖区更为接近城市实体地域范围，加之我国主要统计年鉴中经济社会数据多以县级行政单位为基本统计单元，为便于获取研究方法中涉及的相关数据，本文以2020年西部河谷城市主城区所在市辖区为基本单元汇总求得34个城市的碳排放量、人口规模、工业总产值等数据。
①碳排放量数据。来自欧盟联合研究中心和荷兰环境评估机构联合发布的全球大气研究排放数据库EDGAR（https://edgar.jrc.ec.europa.eu），它是按照能源类型核算，范围包括能源活动碳排放、部分工业过程碳排放和部分非能源与燃料自燃碳排放，是目前广泛使用、可信度高且能够提取长时序各城市碳排放量的数据库之一[17]。
②人口栅格数据。用于计算2个空间结构指数，来自美国橡树岭国家实验室发布的人口栅格数据集Landscan（https://landscan.ornl.gov），它是通过整合土地利用、道路、坡度、基础设施等信息，结合各地区人口普查和行政区划数据，利用多元分区密度模型以权重形式将人口普查数据分配至1km分辨率的像元上。该数据因高精度和较长的可提取时序已被广泛应用[48]。
③城市POI数据。用于确定城市CBD位置，以辅助计算空间集中指数。通过Bigemap平台获取，包括餐饮、购物、宾馆、生活服务、休闲娱乐、金融和商务大厦等七类POI数据，经核密度分析后确定城市的CBD位置。
④社会经济数据。作为控制变量使用的人口规模、建成区面积、人均GDP、工业总产值等数据，来自34个城市相应年份的省、市统计年鉴（公报）或《中国城市统计年鉴》。

1.3.2 指标选取

除利用以上数据直接求得的指标外，用于稳健分析的人均碳排放量、地均碳排放量和单位工业产值碳排放量3个指标，通过城市碳排放总量分别除以城市人口规模、用地规模和工业总产值求得；控制变量中的人口密度通过城市人口规模除以城市用地面积求得。多元回归分析时，为尽可能消除异方差和数量级差异的影响，除2个空间结构指数之外，其他指标均作自然对数处理。各变量的描述性统计见表1。
表1 指标的描述性统计

Tab.1 Descriptive statistics of indicators

变量 定义 单位 数量 平均值 标准差 最小值 最大值
lnCE 碳排放量 g 374 28.95 1.148 26.47 31.33
lnCEpp 人均碳排放量 g/人 374 15.19 0.849 13.31 17.40
lnCEpl 地均碳排放量 g/km² 374 21.38 1.145 19.14 24.02
lnCEpi 单位工业产值碳排放量 g/万元 374 14.44 1.128 11.50 17.53
Aci 空间集中指数 - 374 0.484 0.162 0.046 0.764
Gini 空间集聚指数 - 374 0.804 0.099 0.333 0.963
lnPop 人口规模 人 374 13.76 0.696 12.63 15.85
lnPopden 人口密度 人/km² 374 6.187 1.007 4.603 8.295
lnBuilt 建成区面积 km² 374 4.230 0.900 2.565 7.356
lnGdpper 人均GDP 万元/人 374 1.456 0.536 -0.335 3.311
lnIndu 工业总产值 万元 374 14.29 1.308 10.40 18.24

2 城市碳排放量与空间结构的分布特征

2.1 碳排放量的分布特征

2010—2020年，西部河谷城市的碳排放总量整体呈上升趋势，排放总规模由2.05亿t增加到2.67亿t，年均增速约为563.64万t，但城市间的增减变化存在显著差异。从均量来看，人均碳排放量、地均碳排放量和单位工业产值碳排放量在城市间的变化差异更大。为此，采用自然断点法将2010和2020年34个城市的碳排放总量和均量划分为5个等级进行分析，以便揭示城市碳排放量的空间分布特征。

2.1.1 总量分布特征

图2a和图2b表明，2010和2020年西部河谷城市的碳排放总量呈现出南北高而中间低的分布格局。其中，碳排放总量最高等级的3个城市分别为南方的六盘水、南宁和北方的兰州；5个第二等级城市中，南、北方城市各有2个，即来宾与贵阳、宝鸡与平凉。相对而言，位居研究区中部的11个川渝城市中除重庆、宜宾为第二、三等级外，其余9个城市均处于碳排放总量较低的第四和第五等级。从具体变化过程来看，11年间34个城市的碳排放总量变化具有明显的差异性（图2c）。其中，仅兰州的碳排放总量保持持续增长，河池与广元的碳排放总量有增有减、整体呈负增长，而其余31个城市均呈现出增加多、减少少的波动上升趋势，尤其是2012—2016年的增减变化较多。
图2 西部河谷城市碳排放总量的空间分布变化

Fig.2 Spatial variation in total carbon emissions for the western valley cities

2.1.2 均量分布特征

研究期内西部河谷城市的人均碳排放量增速较快，其中尤以长期处于前两位的平凉市和六盘水为最，前者从2010年的23.15 t/人增加到2020年的36.18 t/人，后者则从22.19 t/人增加到28.53 t/人。就空间分布而言，人均碳排放量也整体呈现出南北高而中间低的分布格局（图3a、图3b）。除最高等级的平凉和六盘水外，第二等级有2个南方城市和1个北方城市，2010年为来宾、南宁和宝鸡，2020年变化为来宾、崇左和宝鸡。11个川渝城市中除广元为第三等级外，其余10个城市均为第四、第五等级。同时，人均碳排放量的变化具有较大的差异性，平凉、六盘水、宝鸡和兰州4个城市基本为持续增长，而南宁、贵阳、河池、遵义和梧州5个城市基本为持续减少，其余25个城市则增减变化较多，其中崇左、内江、安康等13个城市的人均碳排放量整体增长，而汉中、百色、桂林等12个城市整体减少（图3c）。
图3 西部河谷城市人均碳排放量的空间分布变化

Fig.3 Spatial variation in per capita carbon emissions for the western valley cities

2010和2020年城市地均碳排放量的空间分布特征与人均碳排放量相类似，但数量多寡略有差异（图4a、图4b）。其中，最高等级的城市一直为兰州，2020年第二等级城市在2010年西宁、桂林、贵阳和六盘水的基础上增加了平凉，11个川渝城市中除重庆外均处于第四和第五等级。研究期内除河池和广元最终为负增长外，其余32个城市地均碳排放量整体增速较快且变化趋势较为一致，呈现增加—减少—增加的态势（图4c）。
图4 西部河谷城市地均碳排放量的空间分布变化

Fig.4 Spatial variation in per square kilometer carbon emissions for the western valley cities

虽然单位工业产值碳排放量与人均、地均碳排放量在增速变化上表现出相反的特征，但空间分布特征较为相似，数量多寡也有差异（图5a、图5b）。2020年的第一等级城市在2010年六盘水的基础上增加了平凉，第二等级城市由2010年的5个（平凉、宝鸡、兰州、贵阳和汉中）减少为2020年的4个（平凉、宝鸡、兰州和南宁），11个川渝城市中除宜宾、自贡为第三等级外，其余9个城市均处于第四和第五等级。从变化过程看，六盘水、贺州和广元等9个城市保持持续减少；南宁、来宾和桂林3个城市有增有减、整体呈正增长，而其余的平凉、柳州、宝鸡等22个城市均为减多增少的负增长（图5c）。
图5 西部河谷城市单位工业产值碳排放量的空间分布变化

Fig.5 Spatial variation in per unit of industrial output carbon emissions for the western valley cities

2.2 空间结构的分布特征

以34个城市空间集中指数Aci和空间集聚指数Gini的中位数为标准，分别将2010和2020年的所有样本城市分配到4个象限（图6），以便直观描述西部河谷城市空间结构的类型特征。需要说明的是，此方法划定的空间结构具有相对性，不能用其孤立地分析其中某一城市的空间结构特征，只有在对比分析中才具有实际意义。基于此，第一象限内城市表达的含义为：相较于第三、第四象限其空间集中程度更高、形态较为紧凑，相较于第二、第三象限其空间集聚程度更高，因而为紧凑单中心结构。据此，第二、三、四象限的城市可分别界定为分散单中心、分散多中心和紧凑多中心结构。
图6 2010和2020年西部河谷城市市辖区空间结构分类

Fig.6 Spatial structure classification for the western valley cities in 2010 and 2020

以2020年为例，第一象限的13个紧凑单中心城市具有高集中和高集聚度的特点，人口密度最高为895.78人/km²，在各省份均有分布，主要位于陕甘交界处以及广西壮族自治区；第二象限的4个分散单中心城市具有高集中度和低集聚度的特点，人口密度为307.97人/km²，分布在陕西和广西两省区；第三象限的13个分散多中心城市具有低集中度和低集聚度的特点，人口密度为401.12人/km²，零散分布于甘肃、陕西、四川、贵州和广西5省区；第四象限的4个紧凑多中心城市具有低集中度和高集聚度的特点，人口总量最少，人口密度为351.93人/km²，主要分布在甘肃、四川和广西3省区的东部。对比2010和2020年的分类结果发现，大多数西部河谷城市空间结构较为稳定，所在象限并未发生改变，仅有兰州、重庆、汉中等8个城市空间结构发生了变化，这与其人口和用地规模的增长变化密不可分。由于我国西部河谷城市的主城区一般由老城旧址发展而来，虽然掣肘于河流、山体等自然地理环境，但部分城市发展到一定阶段后因用地扩张需求，直接跨越河谷地形约束向外围寻求新的发展空间，如延安的出谷削山营造新城，百色和崇左的跨河建桥开拓新区等。这些城市人口与用地规模的增长以及进而引发的空间要素变化，一定程度上影响了上述指标测度的空间结构。

3 城市空间结构对碳排放量的影响分析

3.1 碳排放量与空间结构的关联分析

基于上文对城市碳排放量与空间结构分布特征的分析，从四类空间结构中各选取1个代表性城市，对比其11年间人均碳排放、地均碳排放和单位工业产值碳排放的增量，以对比判断哪种类型的空间结构有利于降低碳排放。考虑到城市规模的可比性和11年空间结构类型的恒定，最终选取贺州、来宾、天水和安康4个城市，它们的人口规模和用地规模较为相近，且不是显著具有高能耗、高碳排特征的工业型或资源型城市。同时，为更好地图示化表达5个原始数据（表2），采用极差归一化法对其进行无量纲化处理。图7表明，不论是降低人均和地均碳排放增量，还是减少单位工业产值碳排放增量，紧凑多中心的贺州均显著优于其他3个城市，最不具有优势的是分散单中心的安康。对于其他两个城市而言，紧凑单中心的天水在降低人均、地均碳排放增量两个方面占据优势，而分散多中心的来宾仅在降低单位工业产值碳排放增量方面相对占优。总体而言，紧凑型空间结构有利于西部河谷城市的碳减排，尤其是紧凑多中心空间结构，这也与国内已有关于非特定类型城市的研究结论较为一致[14]。
表2 2010—2020年四类空间结构城市的碳排放增量

Tab.2 Carbon emission increment from four types of urban spatial structure in 2010 and 2020

空间结构 代表城市 人口规模
（万人）		 用地规模
（km²）		 人均碳排放增量
（t/人）		 地均碳排放增量
（t/km²）		 单位工业产值碳排放增量
（t/万元）
紧凑多中心 贺州 106 5513.07 158917.23 61454381.94 -5183130.26
紧凑单中心 天水 121 3640.85 256286.58 80703518.77 -1301212.24
分散多中心 来宾 93 4403.67 434392.61 155549192.62 -1588861.82
分散单中心 安康 89 3631.03 4852991.56 1070403735.22 3358539.18
图7 4个代表城市的减碳优势对比

Fig.7 Comparison of carbon emission reduction advantages of four representative cities

3.2 碳排放量与空间结构的回归分析

为检验上文判断，并进一步量化分析西部河谷城市空间结构对碳排放量的影响，使用公式（1）依次进行基准回归、稳健检验和异质性检验分析。

3.2.1 基准回归分析

表3列（1）为仅加入2个核心解释变量（Aci与Gini）和固定效应后得到的回归分析结果，列（2）为加入所有控制变量后的基准回归分析结果。对比两列结果可以看出，无论控制变量多寡，空间集中指数Aci、空间集聚指数Gini均较显著为正和为负，说明紧凑多中心空间结构有利于降低西部河谷城市的碳排放总量。
表3 基准回归与稳健检验分析结果

Tab.3 Results of baseline regression and robustness test

变量 （1） lnCE （2） lnCE （3） lnCEpp （4） lnCEpl （5） lnCEpi （6） lnCE （7） lnCE
Aci 0.094*（0.0520） 0.094*（0.0526） 0.094*（0.0526） 0.094*（0.0526） 0.147（0.1203） 0.649***（0.2257） 0.090*（0.0529）
Gini -0.166*（0.0928） -0.178*（0.0939） -0.178*（0.0939） -0.178*（0.0939） -0.242（0.2148） -0.176*（0.0932） -0.531（0.4913）
lnPop -0.008（0.4649） -1.008**（0.4649） -1.008**（0.4649） -1.458（1.0631） 0.115（0.4636） -0.069（0.4725）
lnPopden 0.020（0.4575） 0.020（0.4575） 1.020**（0.4575） 0.085（1.0464） -0.092（0.4559） 0.079（0.4650）
lnBuilt -0.034（0.0382） -0.034（0.0382） -0.034（0.0382） -0.054（0.0875） 0.028（0.0451） -0.102（0.1012）
lnGdpper -0.033（0.0408） -0.033（0.0408） -0.033（0.0408） -1.107***（0.0932） -0.027（0.0405） -0.031（0.0409）
lnIndu 0.019（0.0134） 0.019（0.0134） 0.019（0.0134） -0.031（0.0307） 0.016（0.0134） 0.019（0.0134）
Aci*lnBuilt -0.128**（0.0508）
Gini*lnBuilt 0.085（0.1169）
常数项 30.736***（0.0805） 30.647***（3.3865） 30.647***（3.3865） 30.647***（3.3865） 39.380***（7.7445） 29.488***（3.3898） 31.357***（3.5253）

注：***、**和*分别为1%、5%和10%水平上的显著性；括号内数值为标准误。表4同。

3.2.2 稳健检验分析

借鉴已有研究[49]，稳健检验分析一方面将碳排放总量依次替换为人均碳排放量、地均碳排放量和单位工业产值碳排放量进行回归分析。表3列（3）和列（4）中Aci都显著为正，Gini都显著为负，说明紧凑多中心空间结构有利于降低西部河谷城市的人均碳排放量和地均碳排放量。列（5）的结果却明显不同，Aci与Gini均未通过显著性检验，说明空间结构对单位工业产值碳排放量的影响不显著，也就无法发现何种空间结构能够降低城市的单位工业产值碳排放量。另一方面加入Aci、Gini分别与城市建成区面积的交互项后做回归分析。列（6）表明，加入Aci与城市建成区面积的交互项后，Gini依然较为显著，且Aci的显著性明显增强，说明此情形下紧凑多中心空间结构对降低西部河谷城市的碳排放量更为显著。列（7）表明，加入Gini与城市建成区面积的交互项后，Aci虽依然显著，但Gini不再显著，说明此情形下城市中心数量的多寡影响碳排放量。

3.2.3 异质性检验分析

我国西部地区面积广阔，城市间自然地理环境和社会经济发展差异大。地理区划中的南北方城市在地理环境、经济社会、历史文化等方面存在显著差异，这会对城市人口和经济社会活动的空间分布产生直接影响。虽然回归分析模型以城市固定效应的方式尽可能抵消了不随时间变化因素的影响，但这些因素的影响客观上始终存在，会造成显著的组间差异，从而带来异质性。同时，西部河谷城市在发展程度、体量大小上的差异也很显著，由此面临着不同地区、不同规模河谷城市的空间结构对碳排放量的影响是否一致，以及要进行碳减排需采取的空间规划策略应有何差异等问题。为此，在将所有样本城市按照所在地区、人口规模和用地规模进行分类的基础上，继续利用公式（1）探析西部河谷城市空间结构影响碳排放量的异质性（表4）。
表4 异质性检验结果

Tab.4 Results of heterogeneity tests

变量 （8） lnCE （9） lnCE （10） lnCE （11） lnCE （12） lnCE （13） lnCE （14） lnCE （15） lnCE
Aci 0.114 0.100 0.583** 0.015 -0.012 0.026 0.133 -0.005
（0.0712） （0.0632） （0.2752） （0.0561） （0.0621） （0.0344） （0.1365） （0.1010）
Gini 0.030 -0.203* -1.036** -0.000 0.066 -0.017 -0.510** -0.016
（0.1177） （0.1139） （0.4484） （0.1012） （0.1238） （0.0578） （0.2565） （0.2698）
lnPop -0.340 -1.093*** -0.155 17.994*** 8.277*** 0.084** 0.246 7.774***
（0.2993） （0.1014） （1.1471） （3.7242） （0.1905） （0.0377） （0.7516） （0.2511）
lnPopden 0.115 1.101*** 0.234 -18.340*** -8.232*** -0.176*** 0.180 -7.743***
（0.2467） （0.0277） （1.0064） （3.8689） （0.2022） （0.0508） （0.6900） （0.1964）
lnBuilt 0.070 -0.043 -0.277 -0.004 -0.020 0.024 -0.107 0.055
（0.0471） （0.0512） （0.1988） （0.0625） （0.0352） （0.0384） （0.0862） （0.0483）
lnGdpper -0.246*** -0.016 -0.417 -0.043 -0.016 -0.006 -0.030 -0.139*
（0.0788） （0.0468） （0.2658） （0.0436） （0.0510） （0.0408） （0.0747） （0.0747）
lnIndu -0.008 0.025 0.171** -0.001 -0.029* -0.003 0.032 0.021
（0.0160） （0.0167） （0.0658） （0.0154） （0.0164） （0.0136） （0.0271） （0.0231）
常数项 34.761*** 28.980*** 28.243** -117.181*** -37.111*** 28.880*** 23.938*** -35.544***
（2.9415） （1.3242） （10.6565） （29.8639） （1.4816） （0.5794） （6.7404） （2.5425）
样本量 88 286 73 120 181 165 154 55
首先，依据我国划分南北地理分界的秦岭—淮河线，将34个城市分为西北与西南两类城市分别进行回归。表4列（8）表明，对8个西北河谷城市而言，空间集中指数Aci和空间集聚指数Gini表征的空间结构无法显著影响西北城市的碳排放量，但人均GDP显著为负说明城市发展水平越高其碳排放量越低。列（9）表明，26个西南河谷城市的Aci不显著而Gini显著为负，说明紧凑型空间结构有利于降低其碳排放量。
其次，参考《关于调整城市规模划分标准的通知》（国发〔2014〕51号），按照城市市辖区人口总量将样本城市划分为小城市（<50万人）、中等城市（50~100万人）和大城市（≥100万人），并分别进行回归分析。列（10）表明，小城市的Aci显著为正、Gini显著为负，说明紧凑多中心空间结构更有利于降低其碳排放量。列（11）和列（12）表明，中等城市和大城市的Aci与Gini均不显著，无法找到何种空间结构有利于降低其碳排放量；但人口规模显著为正、人口密度显著为负，表明城市人口规模小而密度大更有利于中等城市和大城市的碳减排，这也与列（10）表明的结果具有一定程度的趋同性，意味着空间组织集约紧凑是其绿色低碳发展的必然选择。
最后，利用“自然断点法”将所有样本城市按照用地面积划分为三类，并分别进行回归分析。列（13）和列（15）表明，用地规模小与用地规模大的河谷城市的Aci和Gini均不显著，同样无法找到何种空间结构有利于降低其碳排放量；但人口规模显著为正、人口密度显著为负，表明城市人口规模小而密度大更有利于这两类城市的碳减排，这与中等城市和大城市（人口规模）的分析结果一致。此外，人均GDP对大城市碳排放量的影响也较为显著，再次说明城市发展水平越高其碳排放量越低。列（14）表明，对中等用地规模的河谷城市而言，Gini显著为负，而Aci不显著，仅能说明紧凑型空间结构有利于降低其碳排放量。
通过以上3类回归分析得出以下结论：①基准回归分析中无论控制变量多寡，紧凑多中心的空间结构有利于降低西部河谷城市的碳排放总量。②分别替换被解释变量碳排放总量后，紧凑多中心的空间结构不仅有利于降低人均碳排放量，也有利于降低地均碳排放量。③加入交互项的分析表明，纳入建成区面积时紧凑多中心空间结构对城市碳减排更为显著。④城市分类后的异质性检验分析表明，紧凑多中心空间结构仅有利于人口规模小的城市降低碳排放量，紧凑型空间结构有利于西南河谷城市和中等用地规模城市的碳减排。简而言之，紧凑型空间结构整体有利于西部河谷城市的碳减排，抑或是大部分西部河谷城市，尤其是紧凑多中心结构的城市，也印证了上文关联分析的判断结果。这与我国高质量发展背景下城市要推进存量规划、紧凑发展的政策措施，以及《2030年前碳达峰行动方案》明确提出的“城市组团式发展”的政策要求相符。

4 结论与讨论

4.1 结论

在生态文明建设、新型城镇化和碳达峰碳中和等国家战略深入推进的背景下，城市成为碳排放生产的关键地域和节能降污减排的主战场。科学认知城市碳排放影响因素的内在作用机制，对其构建绿色低碳发展格局具有重要的理论价值。针对国内学术界鲜有关注特定类型城市和西部城市的空间结构与碳排放关系的现状，本文选择组团结构鲜明、地域分布广泛的西部河谷城市为研究对象，采用2010—2020年的碳排放量、空间结构指数以及人口、GDP等多元经济社会数据，在借助GIS可视化技术分析城市碳排放量与空间结构分布特征的基础上，运用固定效应多元回归分析模型探究了城市空间结构对碳排放量的影响。主要结论如下：①不论碳排放总量还是人均碳排放量、地均碳排放量和单位工业产值碳排放量，西部河谷城市均呈现出南北高而中间低的分布格局，并且11年间碳排放总量与三类均量变化的地区差异性较大。②基于空间结构指数可将西部河谷城市的空间结构划分为4种类型，即紧凑单中心、紧凑多中心、分散多中心和分散单中心，其空间分布具有一定的地域差异性；11年内大多数河谷城市的空间结构相对保持稳定，仅有8个城市发生了变化。③案例对比分析、基准回归分析和稳健检验分析均表明，紧凑（多中心）空间结构有利于降低西部河谷城市的碳排放总量、人均碳排放量和地均碳排放量。但异质性检验进一步表明，紧凑型空间结构仅有利于西南河谷城市和中等用地规模城市的碳减排，紧凑多中心空间结构仅有利于人口规模小的城市降低碳排放量。
综上，对西部河谷城市而言，构建紧凑（多中心）的空间结构能够有效降低其碳排放量，但不同地区、规模的城市存在着一定的差异性。为落实好国家《2030年前碳达峰行动方案》《关于全面推进美丽中国建设的意见》等政策，在存量土地开发、城市更新行动的背景下，西部河谷城市需结合产业发展、生态修复、空间治理等条件因地因城精准施策，总体上要通过合理控制新增建设用地以实现集约紧凑式发展，同时也要通过存量用地功能提升、高品质人居环境建设、公用设施科学配置等措施推动多组团齐头并进，构建起集约高效、绿色低碳、宜居宜业的空间格局，以减少土地空间低效利用带来的高碳排。例如，对于人口规模较小的城市，一是要在严守“三区三线”避免盲目增设新区或开发园区的前提下，强化城市主中心的现代服务功能；二是要提升组团的人居环境品质、产业发展质量、人口承载能力等，确保组团用地的集约高效使用；三是要完善城市道路系统建设，提升组团间的可达性和便捷性，以期引导居民践行绿色高效的生产生活方式，并最终达成绿色低碳、生态宜居、安全健康等目标为导向的美丽城市建设。

4.2 讨论

本文选取特定类型的西部河谷城市为研究对象，同时将数据核算边界细化至建城区所在的市辖区，完善了城市空间结构与碳排放关系研究的案例对象和数据核算维度。但仍需在以下3个方面进行改进：①异质性检验分析中发现，人口规模、人口密度和人均GDP等控制变量显著影响不同类型城市的碳排放量，其中的人口规模和人口密度也在特定维度刻画了城市空间结构，但囿于篇幅未能开展进一步分析。②鉴于加入建成区交互项的分析结果，未来在保证数据可获得性的前提下，可以城市实体地域为边界范围，采用反映路网结构、用地强度、中心度、形态特征等维度的空间结构指标，深入探析城市多维空间结构对碳排放量的影响。③回归分析中的控制变量尚不够全面，未能顾及反映政策制度、技术创新、交通出行等方面的指标，如资源利用率、专利授权量、机动车拥有量等，后续研究可就此进行深化，以便更好地解释分析结果，并测度城市空间结构与碳排放量关系及影响。

参考文献

原文顺序 | 文献年度倒序 | 文中引用次数倒序
[1]
王凯, 陈明. 中国绿色城镇化的认识论[J]. 城市规划学刊, 2021(1):10-17.

[2]
Camagni R, Gibelli M, Rigamonti P. Urban mobility and urban form:The social and environmental costs of different patterns of urban expansion[J]. Ecological Economics, 2002, 40(2):199-216.

[3]
Holden E. Ecological footprints and sustainable urban form[J]. Journal of Housing and the Built Environment, 2004, 19(1):91-109.

[4]
Liu C, Qing S. An empirical analysis of the influence of urban form on household travel and energy consumption[J]. Computers,Environment and Urban Systems, 2011,35:347-357.

[5]
潘海啸, 汤諹, 吴锦瑜, 等. 中国“低碳城市”的空间规划策略[J]. 城市规划学刊, 2008(6):57-64.

[6]
熊健, 卢柯, 姜紫莹, 等. “碳达峰、碳中和”标下国土空间规划编制研究与思考[J]. 城市规划学刊, 2021(4):74-80.

[7]
郑德高, 吴浩, 林辰辉, 等. 基于碳核算的城市减碳单元构建与规划技术集成研究[J]. 城市规划学刊, 2021(4):43-50.

[8]
Newman P W G, Kenworthy J R. Gasoline consumption and cities:A comparison of U.S. cities with a global survey[J]. Journal of the American Planning Association, 1989(55):24-37.

[9]
Hong J, Goodchild A. Land use policies and transport emissions:Modeling the impact of trip speed,vehicle characteristics and residential location[J]. Transportation Research Part D, 2014,26:47-51.

[10]
Ewing R, Rong F. The impact of urban form on U.S. residential energy use[J]. Housing Policy Debate, 2008, 19(1):1-30.

[11]
Sim L L, Choo Malone-Lee L, Chin K H L. Integrating land use and transport planning to reduce work-related travel:A case study of Tampines Regional Centre in Singapore[J]. Habitat International, 2001,25:399-414.

[12]
Burgalassi D, Luzzati T. Urban spatial structure and environmental emissions:A survey of the literature and some empirical evidence for Italian NUTS-3 regions[J]. Cities, 2015,49:134-148.

[13]
秦波, 邵然. 低碳城市与空间结构优化:理念、实证和实践[J]. 国际城市规划, 2011, 26(3):72-77.

[14]
韩帅帅, 苗长虹, 李奕灿. 黄河流域城市多中心空间结构对碳排放的影响研究[J]. 地理研究, 2023, 42(4):936-954.

DOI

[15]
孙瑜. 城市空间形态与碳排放的关系研究[D]. 杭州: 浙江大学, 2022.

[16]
魏洪波. 城市规模等要素对碳排放的影响研究[D]. 哈尔滨: 哈尔滨工业大学, 2019.

[17]
何小钰, 庄雅烨, 邱穗萱, 等. 城市三维空间结构对碳排放影响的尺度效应分析[J]. 生态学报, 2024(2):1-13.

[18]
梁静宜. 长三角地区城市紧凑度与碳排放的时空互动关系研究[D]. 杭州: 浙江大学, 2023.

[19]
张鑫. 青岛西海岸新区碳排放空间分布特征及其优化策略[D]. 西安: 西安建筑科技大学, 2023.

[20]
方丹, 杨谨, 陈绍晴. 城市群多中心发展的碳减排效应及其作用机制[J]. 中国人口·资源与环境, 2023, 33(9):45-58.

[21]
王颖. 武汉市国土空间碳排放时空演变及情景模拟研究[D]. 武汉: 中国地质大学(武汉), 2023.

[22]
田达睿, 杨帅, 关冲, 等. 城市空间集聚性与居民生活碳排放相关性探索——基于全国110个城市数据的分析[J]. 城市规划, 2023, 47(7):76-85.

[23]
俞洁, 张勇, 李清瑶. 长三角碳排放空间关联网络结构特征及演化机制[J]. 自然资源学报, 2024, 39(2):372-391.

DOI

[24]
王桂新, 武俊奎. 城市规模与空间结构对碳排放的影响[J]. 城市发展研究, 2012, 19(3):89-95,112.

[25]
Eggimann S. The potential of implementing superblocks for multifunctional street use in cities[J]. Nature Sustainability, 2022, 5(5):406-414.

DOI PMID

[26]
杨文越, 梁斐雯, 曹小曙. 多尺度建成环境对居民通勤出行碳排放的影响——来自广州的实证研究[J]. 地理研究, 2020, 39(7):1625-1639.

DOI

[27]
丛建辉. 碳中和愿景下中国城市形态的碳排放影响效应研究——基于289个地级市的数据分析[J]. 贵州社会学, 2021(9):125-134.

[28]
史方晨. 可持续发展视角下城市形态对碳排放的影响研究[D]. 重庆: 重庆大学, 2022.

[29]
方时姣, 张柯. 长江经济带城市蔓延对能源碳排放的影响研究——来自夜间灯光的经验证据[J]. 学习与实践, 2022(10):30-39.

[30]
杨文越, 曹小曙. 居住自选择视角下的广州出行碳排放影响机理[J]. 地理学报, 2018, 73(2):346-361.

DOI

[31]
黄经南, 李丹哲, 韩笋生. 武汉市家庭碳排放的空间分布特征研究[J]. 现代城市研究, 2015(10):108-116.

[32]
张赫, 于丁一, 王睿, 等. 面向低碳生活的县域城镇空间结构优化研究[J]. 规划师, 2020, 36(24):12-20.

[33]
冷红, 宋世一. 严寒地区城市形态对建筑用电能耗影响实证研究[J]. 建筑学报, 2021(Sup1):108-113.

[34]
林辰辉, 朱雯娟, 张永波, 等. “双碳”目标下的国土空间规划方法研究与实践——以天津市为例[J]. 城市规划学刊, 2022(Sup2):229-234.

[35]
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.

DOI

[36]
Hong S F, Hui E C M, Lin Y Y. Relationship between urban spatial structure and carbon emissions:A literature review[J]. Ecological Indicators, 2022,144:109456.

[37]
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.

[38]
Ji Q F, Li C C, Makvandi M, et al. Impacts of urban form on integrated energy demands of buildings and transport at the community level:A comparison and analysis from an empirical study[J]. Sustainable Cities and Society, 2022,79:103680.

[39]
Wang S, Liu X, Zhou C, 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(1):189-200.

[40]
方创琳, 祁巍锋. 紧凑城市理念与测度研究进展及思考[J]. 城市规划学刊, 2007(4):65-73.

[41]
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.

[42]
Yuan M, Song Y, Huang Y, et al. Exploring the association between urban form and air quality in China[J]. Journal of Planning Education and Research, 2018, 38(4):413-426.

[43]
Sat N A. Polycentricity in a developing world:A micro-regional analysis for morphological polycentricity in Turkey[J]. GeoScape, 2018, 12(2):64-75.

[44]
钟娟, 冯慧敏, 魏彦杰. “中心—外围”视角下城市碳排放转移的经济脱碳效应——基于长三角地区地级及以上城市数据的实证分析[J]. 城市问题, 2024(3):65-78.

[45]
杨永春, 汪一鸣. 中国西部河谷型城市地域结构与形态研究[J]. 地域研究与开发, 2000(4):58-61.

[46]
杨永春. 中国西部河谷型城市的发展与空间结构研究[M]. 兰州: 兰州大学出版社, 2003.

[47]
Anas A, Arnott R, Small K A. Urban spatial structure[J]. Journal of Economic Literature, 1998, 36(3):1426-1464.

[48]
文余源, 刘洋, 邢晓旭, 等. 人口收缩视角下中国产业集聚与城市人口规模演化及其关系[J]. 经济地理, 2023, 43(11):115-125.

DOI

[49]
戴宏伟, 杨宏昌. 中国城市群空间结构对科技创新的影响[J]. 经济地理, 2023, 43(12):36-47.

DOI

Options
文章导航

/

〈 〉