EN中文

Economic geography >

2024 , Vol. 44 >Issue 5: 161 - 171

DOI: https://doi.org/10.15957/j.cnki.jjdl.2024.05.017

Coupling Relationship Between Urban Land Development and Carbon Emission Performance in Jiangsu Province

  • FENG Xinhui ,
  • LI Yan , ※ ,
  • YU Er ,
  • YANG Jiayu ,
  • LEI Kaige
Expand
  • School of Public Affairs / Institute of Land Science and Property，Zhejiang University，Hangzhou 310058，Zhejiang，China

Received date: 2023-09-11

  Revised date: 2024-01-07

  Online published: 2024-09-14

Fold

Abstract

Exploration of the coupling relationship between urban land development and carbon emission performance is significant for achieving a positive interaction between land development and carbon emission reduction. Taking Jiangsu Province as the research area,this paper constructs and measures the evaluation index system of urban land development in each city from 2003 to 2021,and evaluates its carbon emission performance using a super-efficient SBM model. It analyzes the coupling relationship between urban land development index and carbon emission performance,and identifies the key factors affecting their coordinated development by the means of grey correlation model. The results indicate that: 1) From 2003 to 2021,the average urban land development index in Jiangsu Province experienced a process which was first decreasing and then increasing,the gap among cities narrows continuously. 2) Jiangsu's average carbon emission performance showed a fluctuating upward trend and presented a spatial distribution pattern that changed from "high in the east of Jiangsu and low in the west of Jiangsu" to a balanced development. 3) The coupling coordination degree between urban land development and carbon emission performance showed the fluctuating upward trend from 0.531 in 2003 to 0.642 in 2021,and remained in the coordinated development stage after 2020. In the later stage of the research period,nine cities were in the coordinated development stage,Nanjing,Lianyungang,and Huai'an were in the transitional stage,and Changzhou was in the disorder decline stage. In addition,most of cities were in the coupling coordination states of strong negative decoupling and strong decoupling. 4) The impacts of land development scale and economic development on the coupling coordination degree were relatively high,while the influences of land social and ecological development were relatively weak. Based on the impact degree of various indicators of urban land development,it proposes targeted policy recommendations to promote the low-carbon development of urban land.

Key words： urbanization; urban land development; carbon emission performance; coupling coordination degree; decoupling model; low-carbon transition; coordinated development

Cite this article

FENG Xinhui , LI Yan , YU Er , YANG Jiayu , LEI Kaige . Coupling Relationship Between Urban Land Development and Carbon Emission Performance in Jiangsu Province[J]. Economic geography, 2024 , 44(5) : 161 -171 . DOI: 10.15957/j.cnki.jjdl.2024.05.017

近20年，中国快速推进的城镇化进程导致了土地利用的深刻转型与空间重构。由于经济发展和人口增长的需求，城市土地开发程度不断提高，使建设用地无序扩张、生态空间压缩等问题日益突出。同时，作为人类基本的生产要素，城市土地开发的深入不仅反映了城市社会经济结构与空间布局的变化历程，也深刻影响着城市系统的碳平衡[1]。为实现《巴黎协定》的承诺，中国政府提出了在2030年前碳排放量达到峰值，在2060年前实现碳中和的“双碳”目标。城市是碳减排的关键地域单元[2]，合理探究城市土地开发与碳排放绩效的协调发展特征，以实现土地开发与碳减排的良性互动，是推动“双碳”目标实现的必然路径。
土地开发的概念源自农业生产，表示由人类活动或社会经济投入所带来的农业产量提升程度[3]。随着城镇化浪潮自20世纪以来逐渐席卷全球，城镇化水平被普遍视为评估国家或地区发展的重要指标之一，土地开发的概念也由传统农业逐渐延伸至城市建设用地、工业用地等方面[4]。相应地，Gong等将城市土地开发定义为在一定技术经济条件下，城市土地资源优化利用和土地管理策略改善所带来的社会、经济、环境等产出提高的程度[5]。在概念逐渐明晰的基础上，学者们开始通过一系列方法测度城市土地开发程度，并将其作为城市空间管控的重要组成部分。所用到的研究思路主要分为两种：一种是以建设用地占比[6]、容积率[7]等单一指标来量化；另一种则认为城市土地开发是区域内社会、经济、自然等要素相互影响的结果，包括多维特征[8]，故倾向于构建多层次的指标体系进行评估。如Wang等从土地利用强度、经济强度等6个方面筛选了32个指标用于测度中国5个发达城市的土地开发程度[9]，一定程度上为之后的相关研究提供了科学范例。
随着中国进一步融入全球经济和城镇化进程的持续推进，城市土地开发需求急剧增加，碳排放量也随之不断提升。碳排放绩效能够反映在社会生产过程中经济要素的投入产出关系，是衡量城市低碳发展的重要指标[10]。现有研究关于如何量化碳排放绩效已有大量讨论。根据测度方式可分为单要素与全要素评价两类：①以碳生产率[11]、碳排放强度[12]等简易指标表征碳排放绩效。这些指标在实际研究中便于计算，但不能有效反映CO2产生背后的投入产出过程，具有片面性[13]。在能源环境约束趋紧的条件下，将能源、劳动力、资本等经济投入，碳排放和GDP等产出同时纳入的全要素碳排放绩效能够更准确地估测经济发展方式是否符合节能减排与经济增长的“双赢”要求[14]。②以DEA方法为代表的模型被逐渐开发用于具体测算决策单元的全要素碳排放绩效[15]。但传统的DEA模型未考虑投入产出过程中存在的松弛性问题，也难以区分非期望产出与期望产出[16]。因此，Tone等[17]开发了SBM模型，其在目标函数中引入松弛变量，有效解决了DEA模型的缺陷，从而提高了碳排放绩效测度的精确性。
作为关联人类社会经济和自然环境的耦合系统，土地利用管理在城市碳减排过程中发挥着重要作用。已有研究表明，合理的土地利用规划能有效降低城市碳排放，从而提升碳排放绩效[18]。随着多源数据的普及，越来越多的学者开始从土地利用结构[19]、土地利用规模[20]等视角剖析土地利用与碳排放绩效的关系。如张玥等以中国30个省级行政区为例，分析了土地利用隐性转型与碳排放的空间关联[1]。尽管这些研究为从土地利用角度探索城市低碳转型路径提供了新见解，但其所用到的大多为单要素碳排放绩效指标。这些指标聚焦于生产过程的产出端而忽视了投入产出要素间的相互关联，难以有效反映CO2产生背后的投入产出过程[21]。
综上，尽管相关研究日益丰富，但仍有一些缺陷待解决：①在城市土地开发测度方面未形成科学定论，不同指标体系在不同区域的适用性仍待考究。②尽管城市土地开发是土地系统的重要特征且相关研究已表明其会显著影响全生命周期碳排放[22]，但在分析土地利用要素和碳排放绩效的因果关系时却鲜有被考虑，理论机制缺乏深入剖析。③在研究方法上，现存研究在探究土地利用与碳排放绩效的关联作用时，大多以单要素指标衡量区域碳排放绩效，且都集中于土地利用特征对于碳排放绩效的单向影响，鲜有从耦合视角出发[23]，探究城市土地开发与碳排放绩效的协调发展特征。因此，本文以江苏省13个地级及以上城市为例，基于耦合协调模型与脱钩模型分析城市土地开发与碳排放绩效的协调发展特征，并从城市土地开发的角度提出有效的碳减排方案，为促进城市土地低碳利用提供参考。

1 理论框架

1.1 城市土地开发的多维解释框架

城市土地开发是指在一定技术经济条件下，城市土地资源优化利用和土地管理策略改善所带来的社会、经济、环境等产出提高的程度[5]。基于此定义，本文从3个角度解析城市土地开发的内涵。从需求端看，城市土地开发体现了由社会经济发展需求增长引致的土地规模扩张与混合利用；从供给端看，城市土地开发是一个兼具复杂性、多元性、层次性的演进过程，反映了人类综合利用城市土地所带来的各类产出[24]；从空间上看，城市土地开发不仅包括城市在二维平面上的扩张过程，还包括人类在城市土地上建设的住宅、绿地、商铺等建筑，其真正承载了人类的社会经济活动，并持续创造社会、经济与生态效益。因此，城市土地开发是一个涵盖规模、社会、经济、生态4个维度的综合性概念（图1）。
图1 城市土地开发与碳排放绩效耦合协调机制

Fig.1 Coupling mechanism between urban land development and carbon emission performance

1.2 城市土地开发与碳排放绩效的耦合协调机制

全要素碳排放绩效是城市发展过程中各类社会经济要素投入与期望经济产出以及非期望碳排放产出间关系变化的结果[25]。这种投入产出过程是城市土地开发与碳排放绩效耦合协调关系形成的基础：社会经济要素投入为城市土地开发带来了源动力，而经济产出与环境问题则是城市土地开发造成的结果（图1）。因此，有必要提高土地资源利用效率，以最小的投入产生最大的经济产出与最小的环境问题，这是提高碳排放绩效的根本途径。
从城市土地开发的各个维度来看，土地开发规模提升的典型特征是建设用地的扩大，从而为各种经济社会活动提供充足的土地空间。这一过程导致城市地区劳动力的积累和资本投入的提高。同时，随着工业用地的开发，生态碳汇用地的缩减，城市碳排放量相应提升，从而影响碳排放绩效。土地社会化开发反映了城市人民生活的价值取向。随着城市不断发展，人们对于更优化的城市土地结构、更便利的交通设施和更绿色的城市环境的追求不断深化，这将促进城市减少污染能源投入比例，提高资本投入效率，以营造一个更宜居的城市空间。同时，公共交通的普及也能有效减少生活碳排放[26]，从而改善碳排放绩效。土地经济化开发主要表现在农业活动向工业、服务业活动的转化和城市经济结构的转型升级。土地规模经济带动了产业集聚，从而增加期望产出。但与此同时，工业产值的增加也产生了一定量的碳排放。随着经济结构的进一步优化，以第三产业为主导的经济模式能够有效缓解城市碳失衡[27]，最终提升碳排放绩效。土地生态化开发的本质是城市土地资源的再配置。环保投资的增加使城市绿地得到有效保护和适度扩张，这将促进城市良性碳循环。
而碳排放绩效作为政府绩效指标之一，能够约束和引导城市土地开发过程。随着节能减排逐渐作为刚性指标用以推进城市低碳开发，较高的碳排放绩效意味着更节能、高效的投入产出模式，这要求地方政府杜绝“摊大饼”式的城市扩张，合理控制土地开发规模；同时促进土地社会化开发，推进基础设施建设；合理调整土地经济化开发结构；提高土地生态化开发深度，以实现土地开发与碳减排的良性互动。

2 研究区、方法与数据

2.1 研究区概况

江苏省位于中国东部沿海，下辖13个地级及以上城市，按照区域差异可划分为苏北（徐州、连云港、宿迁、淮安、盐城）、苏中（扬州、泰州、南通）、苏南（南京、镇江、常州、无锡、苏州）3个地区。江苏在过去十几年间经历了快速的城镇化过程，是中国城镇化的先行者。在此期间，其社会经济活动所产生的碳排放量也不断提升，全省碳排放总量由2003年的2.18亿t增加至2021年的6.19亿t，经济发展与碳减排的矛盾日益突出。因此，探究江苏城市土地开发与碳排放绩效的耦合关系可为其他落后城市或区域的低碳转型提供经验借鉴。此外，虽然江苏经济实力总体较强，但各市的发展状况仍有极大差异，区域发展不协调问题突出。分析不同城市土地开发程度和碳排放绩效水平，可为协调区域低碳一体化发展提供依据。

2.2 研究方法

2.2.1 城市土地开发指数评价指标体系

参考先前研究成果[5,9]，本文构建了一个多维评价指标体系用于评估江苏省各城市的土地开发指数（表1）。其中：①土地开发规模提升最典型的特征是建设用地扩张，故选择建成区面积占比作为评价指标之一。其次，城市人口密度的增长会提高对于建设用地的需求，是土地开发规模提升的主要动力，故人口密度被选为表征土地开发规模的指标之一。此外，土地利用强度反映了人类对各用地类型开发的深度，是能够反映土地开发规模的代表性指标之一[28]。②土地社会化开发是指城市土地在开发过程中提供的各种空间承载，物质和精神保障的能力，故对应选取人均道路面积、每万人拥有公共汽电车和房地产开发投资额3项指标[2-3]，分别代表土地开发为市民提供的交通运输、公共服务和居住承载能力。③土地经济化开发的目标是更高效地利用城市土地以获得更高经济产出，故选择地均GDP、地均财政总收入来反映土地开发所带来的经济产出与政府收入。此外，工业与农业依然是目前中国城市发展主要依赖的产业类型，故选择年末耕地总面积、工业生产增加值占比2项指标来表征[4]。④土地生态化开发主要是通过环保投资使城市生态空间得到有效保护，故对应选择人均绿地面积、建成区绿化覆盖率、园林绿地面积占比3项指标来表征。此外，本文对所有二级指标进行共线性检验，结果表明指标间的相关系数均小于0.75，且方差膨胀因子均小于10，即指标间不存在多重共线性问题。为了消除各指标的量纲差异，本文对所有基础数据进行了标准化。在此基础上，分别采用层次分析法和熵权法对各指标赋权，并基于最小信息熵原理对主客观权重进行综合[29]，以确定最终权重。最后，采用综合评价法测度各城市的土地开发指数。
表1 城市土地开发指数评价指标体系

Tab.1 Evaluation index system of urban land development

一级指标 权重 二级指标 指标含义 权重
开发规模 0.225 建成区面积占比（%） 实际已成片开发建设、市政公用设施和公共设施基本具备
区域的面积占城市总面积的比值		 0.574
人口密度（人/km2） 城市单位土地面积居住的人口数量 0.177
土地利用程度（-） 人类对于各用地类型开发的深度，具体计算方式见冯新惠等的研究[28] 0.249
社会化开发 0.170 人均道路面积（m2/人） 城市道路用地总面积与总人口的比值 0.299
每万人拥有公共汽电车（标台/万人） 按城市人口计算的每万人平均拥有的公共汽电车辆标台数 0.158
房地产开发投资额（万元） 房屋建筑物和配套服务设施统一开发的投资额 0.543
经济化开发 0.306 地均GDP（万元/km2） 城市单位面积GDP 0.367
地均财政总收入（亿元/km2） 城市单位面积国家财政参与社会产品分配所取得的收入 0.185
年末耕地总面积（hm2） 年末可用于种植农作物、经常进行耕锄的田地总面积 0.212
工业生产增加值占比（%） 工业增加值与GDP的比值 0.236
生态化开发 0.299 人均绿地面积（m2/人） 城市人口平均占有公共绿地的面积 0.195
建成区绿化覆盖率（%） 各类型绿地绿化垂直投影面积占建成区面积的比值 0.311
园林绿地面积占比（%） 年末用作园林和绿化的各种绿地面积占建成区面积的比值 0.494

2.2.2 超效率SBM模型

SBM模型能弥补传统DEA方法忽视非期望产出而导致的效率测度误差问题。此外，其在目标函数中引入松弛变量，有效解决了投入产出过程中出现的松弛性问题。但经典的SBM模型计算所得的效率值落在[0,1]的范围内，这导致当多个决策单元的效率均处于最大化时，无法对其进行有效排序，故本文引入超效率SBM模型来测度各城市的碳排放绩效，该模型计算所得的效率值可以超过1，能够对所有决策单元进行有效排序。具体计算公式见张展等的研究[30]。

2.2.3 耦合协调模型

耦合是指两个或两个以上系统在外界和自身的各种作用下彼此影响的现象。基于城市土地开发与碳排放绩效之间的耦合作用，本文引入耦合协调模型测度两者在变化过程中的交互关系。同时耦合协调度还能定量评估二者协调发展的水平。耦合协调度越高，代表二者协调发展程度越高，越呈现一种良性循环关系。其具体表达式见Tan等的研究[23]。本文根据计算所得的耦合协调度将各城市的发展分为3个阶段[23]：当0<Di≤0.4时，该城市处于失调衰退阶段，当0.4<Di≤0.6时，该城市处于磨合过渡阶段，当0.6<Di<1时，该城市处于协调发展阶段。

2.2.4 脱钩模型

本文采用Tapio脱钩模型来刻画研究时段内各市土地开发与碳排放绩效之间交互影响的复杂关系。该模型依托于变化率进行计算，能够反映二者在时间维度上的相对变化情况，是对耦合协调模型的补充。该模型的具体表达式和脱钩状态的界定方式见李咏华等的研究[31]。

2.2.5 灰色关联模型

灰色关联模型可以基于较小的样本量分析两个系统之间的相关程度，以此识别影响目标变量的关键因素。本文将各城市的耦合协调度作为母序列，城市土地开发的评价指标作为特征序列，利用该模型识别影响城市土地开发与碳排放绩效协调发展的关键因素。具体表达式见郑德凤等的研究[32]。

2.3 数据来源与处理

在城市土地开发测度方面，本文所使用的2003—2021年土地利用数据来源于杨杰等的研究[33]。社会经济数据来源于《江苏统计年鉴》和各市统计年鉴。在碳排放绩效测度方面，本文基于投入产出的全要素视角测算江苏省各城市的碳排放绩效，将劳动力、资本、能源视为投入要素，生产总值视为期望产出，碳排放量视为非期望产出。其中，劳动力投入由城市年初与年末就业人数的均值表征；资本投入由资本存量表征，因统计年鉴未直接提供资本存量数据，本文利用永续盘存法进行计算[34]，并将其平减为2000年不变价的可比序列；因各城市在能源消费统计数据方面存在出入与部分缺失，本文参考前人做法[35]，将城市全年用电总量作为能源投入。期望产出由各城市的GDP表征，为降低通货膨胀的影响，同样将GDP折算为2000年不变价。各城市的碳排放量参考周迪等[36]，将石油、天然气、电力等能源消耗乘以对应排放系数进行测算。上述数据均来源于相应年份的各类统计年鉴。

3 结果与分析

3.1 城市土地开发指数时空变化特征

从整体来看，江苏的平均城市土地开发指数在2003—2021年先下降后上升，其在2006年达到最低值0.296，而在随后的6年间快速上升至0.352，并逐渐保持平稳态势（图2）。从各区域来看，尽管苏北地区的城市土地开发指数在研究时段内普遍偏低，但呈现有序上升的趋势。该地区城镇化水平相对较低，在研究时段早期以农、渔业为主导产业。故其土地开发各项指标均低于区域平均水平。但中央和地方政府的政策倾斜与丰富的资源优势使该地区土地开发指数迅速提升，以徐州、盐城为代表的城市分别依赖各自丰富的交通、海洋等资源推进工业化，积极实现土地多用途开发，带动了土地开发规模与经济化开发水平的提升。苏中地区的土地开发指数呈“U形”变化特征：在2003—2007年处于缓慢下降状态，而2007—2021年则呈现快速上升的趋势。该地区相对稀缺的土地资源在很大程度上限制了城市土地开发的规模。随着省政府“苏中快速崛起”方针的提出，该地区通过产业转型改善了当地的工业化水平，同时也不断完善基础设施建设，进而提高了区域土地社会化与经济化开发的水平。苏南地区的土地开发指数缓慢下降，由2003年的0.502下降至2021年的0.421，但仍处于“领跑”位置。作为“长三角经济区”的核心区域，该地区已逐渐步入城镇化后期阶段，城市开发模式由增量开发逐渐转为存量开发，故土地开发各项指标的增速明显放缓。
图2 江苏省市域2003—2021年城市土地开发指数变化

Fig.2 Change of urban land development index in 13 cities of Jiangsu Province from 2003 to 2021

江苏的城市土地开发指数总体呈“北低南高”的分布格局（图3）。2003年，土地开发指数高值区主要集中南京、无锡和苏州，低值区则以连云港、淮安和盐城为代表。2012年，土地开发指数高值区数量有所增加。一方面苏南地区的高值区不断向北扩张，以扬州为代表的苏中城市的土地开发指数显著提高；另一方面苏北地区以徐州为中心形成了新的增长极，并逐渐带动周边城市实现跨越式发展。到2021年，土地开发指数高值区在数量保持稳定的同时开始呈现多极化分布格局。苏南地区城市扩张速度显著放缓，苏北地区宿迁、盐城等城市的土地开发不断深化，地区间差异进一步缩小。
图3 江苏省市域2003—2021年城市土地开发指数分级格局

Fig.3 Spatial distribution pattern of urban land development index in 13 cities of Jiangsu Province from 2003 to 2021

3.2 碳排放绩效时空演变特征

从整体来看，江苏的平均碳排放绩效在2003—2021年波动上升，由2003年的0.741逐渐提升至2021年的0.927（图4）。从各区域来看，苏北地区的碳排放绩效呈现明显的两阶段变化：2003—2008年为缓慢波动期，碳排放绩效由2003年的0.681小幅下降至2008年的0.657。而在2008年后，该地区经济低碳转型初具成效，一系列低碳项目的落实极大地推动了该地区减污降碳协同增效，碳排放绩效快速提升至0.887。苏中地区的碳排放绩效波动上升，由2003年的0.745小幅提升至2021年的1.014。发展基础偏弱等原因致使该地区城市存在产业结构不够合理、缺乏优势主导产业等问题。为进一步发展经济，该地区承接了一部分来自苏南地区的工业企业，在提高生产力的同时也带来了一定额度的碳排放增量，导致了碳排放绩效的波动。苏南地区的碳排放绩效在2003—2010年持续上升，随后进入平稳阶段。该地区较好的经济水平与工业基础为其产业结构转型提供了充足资金。尽管南京、常州等城市在投入端有着巨大基数，以工业为主导的经济结构产生了巨大的碳排放，导致其初始年份的碳排放绩效处于低位，但一系列减排增效政策的落实有效推动了这些城市生产模式的低碳化转型，在整体上实现了该地区碳排放绩效的跨越式发展。
图4 江苏省市域2003—2021年碳排放绩效变化

Fig.4 Change of carbon emission performance in 13 cities of Jiangsu Province from 2003 to 2021

江苏大部分城市的碳排放绩效在2003—2021年有较明显的提升（图5）。2003年，区域碳排放绩效呈“东高西低”的分布格局，高值区集中在江苏东部的盐城、无锡和苏州，低值区主要分布在苏北地区的连云港、淮安以及苏南地区的南京。2012年，在“十二五”规划的指导下，江苏大力推进低碳减排政策，碳排放绩效低值区数量显著减少，沿运河城镇轴分布城市的碳排放绩效得到有效改善，三大地区的差距也随之缩小。到2021年，碳排放绩效高值区数量持续增多，低值区数量不断减小，苏北地区在低碳城市建设方面成效显著，区域整体碳排放绩效出现向高值区收敛的趋势。
图5 江苏省市域2003—2021年碳排放绩效空间分布格局

Fig.5 Spatial distribution pattern of carbon emission performance in 13 cities of Jiangsu Province from 2003 to 2021

3.3 城市土地开发和碳排放绩效的耦合关系与协调发展特征

江苏的耦合协调度均值由2003年的0.531波动上升至2021年的0.642，且在2020年之后稳定步入协调发展阶段（图6）。从城市尺度来看，尽管南京的耦合协调度自2005年步入协调发展阶段后波动较大，但该现象随着城市土地开发指数的逐渐稳定而缓和。苏州和无锡的城市土地开发指数和碳排放绩效一直处于较高的水平。虽然在19年间二者也有一定程度的变化，使得耦合协调度小幅下降，但并不影响苏州和无锡一直处于协调发展阶段。连云港和淮安的经济基础较薄弱，工业模式粗放，碳排放量相对较高，在很长的一段时期内处于失调衰退阶段。但随着低碳发展理念的不断深入，二者的城市土地开发指数和碳排放绩效都有所上升，耦合协调度也随之不断提高，逐渐步入磨合过渡阶段。常州的耦合协调度以年均2.32%的跌幅不断降低，从磨合过渡阶段反向演变为失调衰退阶段，亟需通过强而有力的改革措施优化这一现状。
图6 江苏省市域2003—2021年耦合协调度变化

Fig.6 Change of coupling coordination degree between urban land development and carbon emission performance in 13 cities of Jiangsu Province from 2003 to 2021

2003—2021年，强负脱钩和强脱钩是江苏的主要脱钩状态，分别占研究区市域总量的26.07%和24.79%（图7），这表明江苏各城市的土地开发指数和碳排放绩效在很多时候呈相反的变化趋势，以南京、盐城等城市为代表。值得注意的是，扩张负脱钩市域在研究区的占比也高达15.38%，尤其在研究时段中期频繁出现。自“十一五”规划提出之后，节能减排的理念在江苏各城市不断深化，诸如镇江、扬州等城市陆续落实各具特色的低碳转型方案，有效推动了城市土地开发指数与碳排放绩效的协同增长。此外，虽然苏北地区徐州、淮安等城市的土地开发相对落后，但多次出现弱脱钩甚至扩张连接的脱钩状态，与其耦合协调度的上升趋势相呼应，充分展现了经济结构低碳调整带来的实际功效。
图7 江苏省市域2003—2021年城市土地开发与碳排放绩效的脱钩状态

Fig.7 Decoupling status between urban land development and carbon emission performance in 13 cities of Jiangsu Province from 2003 to 2021

3.4 影响城市土地开发和碳排放绩效协调发展的关键因素

从一级指标的识别结果来看（图8a），土地开发规模和土地经济化开发对耦合协调度的影响较大，尤其是盐城、连云港等仍处于快速城镇化阶段的城市，土地开发规模的影响程度分别高达0.837、0.831。而土地经济化开发主要是淮安、南通和苏州等城市影响力度较大，灰色关联度分别为0.895、0.891和0.810。此外，虽然土地社会化开发和生态化开发的平均影响程度为0.628和0.668，在4个一级指标中相对较低，但依然是城市低碳发展不可忽视的重要方面。尤其在徐州、宿迁等城市，这些指标仍具有重要的影响地位，需得到管理者的重视。
图8 江苏省市域城市土地开发—级指标、二级指标对耦合协调度的影响程度

注：图中Xi指表1中的第i项二级指标。

Fig.8 Influence degree of primary indicators and secondary indicators of urban land development on the coupling coordination degree in 13 cities of Jiangsu Province

从二级指标的识别结果来看（图8b），在苏州、南京、无锡等经济较为发达的城市，地均GDP和地均财政收入等经济化开发指标以及园林绿地面积占比等生态化开发指标对耦合协调度有较大影响，土地开发规模二级指标的影响力则相对较低。而在连云港和常州等城市，土地开发对耦合协调度的影响程度整体较高，平均灰色关联度分别高达0.766和0.746，位列研究区前二。其中土地利用程度、地均GDP等指标影响程度相对较高。而在徐州、淮安等城市，年末耕地总面积、人口密度和土地利用程度的影响力相对较高，表明这些城市主要依赖规模扩张以及第一产业发展经济。

3.5 政策建议

碳排放绩效的实质是经济活动过程中的投入产出效率，是一种结果指标[25]。而城市土地开发涉及经济生产、社会生活和土地利用等多方面的内容，是一种过程性指标，相对易于影响或改善。因此，本文定量确定了城市土地开发相关指标在不同城市对耦合协调度的影响程度，并在识别关键影响因素的基础上，以2021年各市所处的耦合协调发展阶段为参考，提出更具针对性的城市土地管理以及低碳开发建议（表2）。
表2 江苏省各市土地低碳开发建议

Tab.2 Low-carbon development suggestions for 13 cities of Jiangsu Province

区域 城市 耦合协调发展阶段 政策建议
苏北 徐州 协调发展阶段 应在城市土地开发规模扩张的同时，合理布局建设用地，提高资本存量利用率。同时，充分依托城市比较优势，增强土地社会化、生态化开发水平。此外，还应重点加强对于耕地碳汇的保护，促进碳减排/增汇，实现城市土地开发与碳减排的良性互动
盐城
宿迁
连云港 磨合过渡阶段 在城市土地开发规模扩张的同时，合理布局建设用地，将资源高效利用和能源低碳转型纳入城市空间发展规划，加强土地开发与自然环境的互动，充分利用城市特有的资源环境，有效提高土地生态化开发程度，实现从磨合过渡阶段向协调发展阶段的飞跃
淮安
苏中 南通 协调发展阶段 应继续推进“跨江融合”战略，充分利用来自苏南地区的财政、技术和劳动力支持，促进产业由“高耗能、高碳排”模式向“低耗能、低碳排”模式的转化。同时，还应注重低碳政策的连续性和有效性，保持城市土地开发程度和碳排放绩效逐步上升的势头，减缓二者耦合协调度的波动，最终实现协调发展
扬州
泰州
苏南 无锡 协调发展阶段 应进一步调整产业结构，不断做大低能耗、低排放的绿色GDP，从而降低能源投入，以低碳产业和高新技术支撑城市财政。同时，应进一步规划城市园林绿地景观，保护关键生态用地以促进低碳循环
苏州
镇江
南京 磨合过渡阶段 应致力于提高已有建设用地的集约利用程度，优化城市形态，形成多中心式空间布局，以减少中心城区人口密度过高带来的能耗；同时加速产业低碳化转型，推动工业企业外迁，提高第三产业占比，并通过江北新区等地的绿色低碳示范园区建设提高土地经济化开发效率，从而进一步减少强脱钩与强负脱钩状态的频率
常州 失调衰退阶段 应当积极探索传统产业转型升级、新旧动能接续转换的可持续发展路径，大力发展智能制造、新能源等具有常州特色的新兴产业，以降低高污染工业生产增加值的占比，在提高土地开发程度的同时优化土地经济化开发模式，扭转失调衰退的局面

4 结论与讨论

4.1 结论

本文分析了城市土地开发与碳排放绩效的耦合协调机制，并以江苏省13个地级以以上城市为例，通过构建评价指标体系和超效率SBM模型评估各城市的土地开发指数和碳排放绩效。在此基础上，将耦合与脱钩过程相结合，分析城市土地开发与碳排放绩效的耦合关系与协调发展特征。最后，基于灰色关联模型探究影响二者协调发展的关键因素。主要结论如下：
①2003—2021年，江苏的平均城市土地开发指数经历了先下降后上升的变化过程，在空间上呈现“北低南高”的格局。苏北地区的城市土地开发指数在研究时段内普遍偏低，但呈现有序上升的良好趋势；苏中地区的土地开发指数呈“U形”变化特征，其中2003—2007年处于缓慢下降阶段，2007—2021年则呈快速上升的趋势；苏南地区的土地开发指数缓慢下降。
②江苏的平均碳排放绩效波动上升，在空间上呈现由“东高西低”向均衡发展转变的分布格局。苏北地区的碳排放绩效呈现明显的两阶段变化：2003—2008年为缓慢波动期，在这之后为快速提升期；苏中地区碳排放绩效的变化趋势与研究区整体相似；苏南地区的碳排放绩效则在2003—2010年持续上升，随后进入平稳转型阶段。
③江苏城市土地开发与碳排放绩效的耦合协调度均值由2003年的0.531波动上升至2021年的0.642，在2020年之后稳定处于协调发展阶段。在研究时段末期，无锡、苏州等9个城市处于协调发展阶段，南京、连云港和淮安处于磨合过渡阶段，常州倒退至失调衰退阶段，亟需通过有力的改革措施优化这一现状。同时，强负脱钩和强脱钩是江苏的主要脱钩状态。
④在研究时段内，土地开发规模以及土地经济化开发对耦合协调度的影响程度相对较高，土地社会化开发和生态化开发的影响力相对较弱，但在徐州、宿迁等城市仍处于重要的影响地位。通过量化城市土地开发一级、二级指标对于各市耦合协调度的影响，本文提出了针对性的政策建议，可为优化城市土地开发模式，促进土地低碳利用提供指导。

4.2 讨论

本文在以下3个方面有所突破和创新：①理论上，提出了城市土地开发的四维分析框架，并阐述了城市土地开发与碳排放绩效的耦合协调机制，能为实现城市土地开发与碳减排的良性互动提供理论参考。②方法上，一方面构建了多维城市土地开发评价体系，能够更准确地反映城市土地开发特征；另一方面将耦合协调模型和脱钩模型相结合，揭示了城市土地开发和碳排放绩效在时间尺度上的协调发展特征，能为以后的研究提供方法借鉴。③在应用价值上，通过灰色关联模型定量识别了影响城市土地开发和碳排放绩效协调发展的关键因素，并从城市土地开发的角度针对不同城市提出了具体的政策建议，可为城市土地资源低碳可持续利用提供方向性指导，比以往研究中仅通过定性描述提出的政策建议更具科学性。但遗憾的是，本文提出的技术路径的适用性在其他类型的区域仍未得到检验。在未来的研究中，可以考虑应用本文所提出的研究框架去比较更多的城市样本，甚至是更大空间尺度的地区或国家。

References

Publishing order | Descend order by publishing year | Descend order by cited within
[1]
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.

[2]
Koide R, Kojima S, Nansai K, et al. Exploring carbon footprint reduction pathways through urban lifestyle changes:A practical approach applied to Japanese cities[J]. Environmental Research Letters, 2021, 16(8):084001.

[3]
Liiri M, Hasa M, Haimi J, et al. History of land-use intensity can modify the relationship between functional complexity of the soil fauna and soil ecosystem services-A microcosm study[J]. Applied Soil Ecology, 2012, 55:53-61.

[4]
Yin G Y, Lin Z L, Jiang X L, et al. How do the industrial land use intensity and dominant industries guide the urban land use?Evidences from 19 industrial land categories in ten cities of China[J]. Sustainable Cities and Society, 2020,53:101978.

[5]
Gong J Z, Chen W L, Liu Y S, et al. The intensity change of urban development land:Implications for the city master plan of Guangzhou,China[J]. Land Use Policy, 2014, 40:91-100.

[6]
Simwanda M, Murayama Y. Spatiotemporal patterns of urban land use change in the rapidly growing city of Lusaka,Zambia:Implications for sustainable urban development[J]. Sustainable Cities and Society, 2018, 39:262-274.

[7]
Guo J, Sun B X, Qin Z, et al. A study of plot ratio/building height restrictions in high density cities using 3D spatial analysis technology:A case in Hong Kong[J]. Habitat International, 2017, 65:13-31.

[8]
刘艳军, 于会胜, 刘德刚, 等. 东北地区建设用地开发强度格局演变的空间分异机制[J]. 地理学报, 2018, 73(5):818-831.

DOI

[9]
Wang S J, Fang C L, Wang Y, et al. Quantifying the relationship between urban development intensity and carbon dioxide emissions using a panel data analysis[J]. Ecological Indicators, 2015, 49:121-131.

[10]
Gao S, Sun D Q, Wang S J. Do development zones increase carbon emission performance of China's cities ?[J]. Science of the Total Environment, 2023,863:160784.

[11]
He Q, Wei F, Deng X, et al. Spatiotemporal pattern of carbon productivity and carbon offset potential in Chinese counties[J]. Science of the Total Environment, 2022, 846:157153.

[12]
Guan D B, Klasen S, Hubacek K, et al. Determinants of stagnating carbon intensity in China[J]. Nature Climate Change, 2014, 4(11):1017-1023.

[13]
王少剑, 高爽, 黄永源, 等. 基于超效率SBM模型的中国城市碳排放绩效时空演变格局及预测[J]. 地理学报, 2020, 75(6):1316-1330.

DOI

[14]
Chen J D, Xu C, Huang S, et al. Adjusted carbon intensity in China:Trend,driver,and network[J]. Energy, 2022,251:123916.

[15]
Li Y J, Hou W H, Zhu W W, et al. Provincial carbon emission performance analysis in China based on a Malmquist data envelopment analysis approach with fixed-sum undesirable outputs[J]. Annals of Operations Research, 2021, 304(1-2):233-261.

[16]
Cheng Z H, Li L S, Liu J, et al. Total-factor carbon emission efficiency of China's provincial industrial sector and its dynamic evolution[J]. Renewable and Sustainable Energy Reviews, 2018, 94:330-339.

[17]
Tone K, Toloo M, Izadikhah M. A modified slacks-based measure of efficiency in data envelopment analysis[J]. European Journal of Operational Research, 2020, 287(2):560-571.

[18]
Shu H, Xiong P P. Reallocation planning of urban industrial land for structure optimization and emission reduction:A practical analysis of urban agglomeration in China's Yangtze River Delta[J]. Land Use Policy, 2019, 81:604-623.

DOI

[19]
游和远, 张津榕, 夏舒怡. 面向碳排放效率的多目标土地利用结构与布局优化研究——以杭州市萧山区为例[J]. 中国土地科学, 2023, 37(6):74-83.

[20]
黄贤金, 张秀英, 卢学鹤, 等. 面向碳中和的中国低碳国土开发利用[J]. 自然资源学报, 2021, 36(12):2995-3006.

DOI

[21]
Wang Q W, Chiu Y H, Chiu C R. Non-radial metafrontier approach to identify carbon emission performance and intensity[J]. Renewable and Sustainable Energy Reviews, 2017, 69:664-672.

[22]
Wang G Z, Han Q, de Vries B. The multi-objective spatial optimization of urban land use based on low-carbon city planning[J]. Ecological Indicators, 2021,125:107540.

[23]
Tan S K, Liu Q, Han S Y. Spatial-temporal evolution of coupling relationship between land development intensity and resources environment carrying capacity in China[J]. Journal of Environmental Management, 2022, 301:113778.

[24]
Shu C, Xie H L, Jiang J F, et al. Is urban land development driven by economic development or fiscal revenue stimuli in China ?[J]. Land Use Policy, 2018, 77:107-115.

[25]
王少剑, 王泽宏, 方创琳. 中国城市碳排放绩效的演变特征及驱动因素[J]. 中国科学:地球科学, 2022, 52(8):1613-1626.

[26]
Pereira R P T, Ribeiro G M, Filimonau V. The carbon footprint appraisal of local visitor travel in Brazil:A case of the Rio de Janeiro-São Paulo itinerary[J]. Journal of Cleaner Production, 2017, 141:256-266.

[27]
Wang Z H, Yin F C, Zhang Y X, et al. An empirical research on the influencing factors of regional CO2 emissions:Evidence from Beijing city,China[J]. Applied Energy, 2012, 100:277-284.

[28]
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.

[29]
冯雨雪, 李广东. 青藏高原城镇化与生态环境交互影响关系分析[J]. 地理学报, 2020, 75(7):1386-1405.

DOI

[30]
张展, 廖小平, 李春华, 等. 湖南省县域农业生态效率的时空特征及其影响因素[J]. 经济地理, 2022, 42(2):181-189.

DOI

[31]
李咏华, 高欣芸, 姚松, 等. 长三角城市群核心地区碳平衡压力与新型城镇化脱钩关系[J]. 经济地理, 2022, 42(12):72-81.

DOI

[32]
郑德凤, 徐文瑾, 姜俊超, 等. 中国水资源承载力与城镇化质量演化趋势及协调发展分析[J]. 经济地理, 2021, 41(2):72-81.

DOI

[33]
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

[34]
张军, 吴桂英, 张吉鹏. 中国省际物质资本存量估算:1952-2000[J]. 经济研究, 2004(10):35-44.

[35]
Zhang H. Effects of electricity consumption on carbon intensity across Chinese manufacturing sectors[J]. Environmental Science and Pollution Research, 2019, 26(26):27414-27434.

DOI

[36]
周迪, 周丰年, 王雪芹. 低碳试点政策对城市碳排放绩效的影响评估及机制分析[J]. 资源科学, 2019, 41(3):546-556.

DOI

Options
Outlines

/

〈 〉