摘 要 從碳排放總量及工業(yè)、民用、交通、電力四部門排放量出發(fā)，可視化分析長三角城市群碳排放的時空特征，構(gòu)建模型分析其影響要素，并從國土空間規(guī)劃的視角提出響應(yīng)策略。首先，對1990—2021年長三角碳排放進(jìn)行時空數(shù)據(jù)可視化；其次，通過空間自相關(guān)分析碳排放空間協(xié)同性；再次，考慮國土空間規(guī)劃分區(qū)，采用改進(jìn)STIRPAT模型遴選出社會經(jīng)濟(jì)、建成環(huán)境方面對總量、地均碳排放的顯著影響因子及其彈性系數(shù)；最后，提出針對長三角地區(qū)碳減排的空間規(guī)劃策略。結(jié)果表明，碳排放以區(qū)域性中心城區(qū)為聚集，城市化水平、人口要素、人均財富等要素會促進(jìn)區(qū)域碳排放?；诖?，提出碳排放分區(qū)劃定、低碳產(chǎn)業(yè)引導(dǎo)、用地分類與格局優(yōu)化等空間響應(yīng)策略。

關(guān) 鍵 詞 碳排放；STIRPAT模型；國土空間規(guī)劃；時空特征；長三角

文章編號 1673-8985（2024）04-0040-08 中圖分類號 TU984 文獻(xiàn)標(biāo)志碼 A DOI 10.11982/j.supr.20240406

0 引言

在“碳達(dá)峰、碳中和”（以下簡稱“雙碳”）目標(biāo)下，區(qū)域與城市的碳排放成為重要議題。長三角地區(qū)碳排放總量大且密集，作為全國經(jīng)濟(jì)發(fā)展的先行地區(qū)，其在雙碳實(shí)施路徑中已制定了相關(guān)政策與實(shí)施辦法?！渡虾Ｊ刑歼_(dá)峰實(shí)施方案》確定上海市于2030年前實(shí)現(xiàn)碳達(dá)峰，并以此制定“碳達(dá)峰十大行動”[1]；2021年，浙江省率先頒布的《浙江省碳達(dá)峰碳中和科技創(chuàng)新行動方案》為我國首5cAabmJvohA7tDoKRHatjA==個省級雙碳行動方案，此后江蘇省、安徽省也于2022年分別印發(fā)《碳達(dá)峰實(shí)施方案》?；陂L三角三省一市碳排放的行動與長三角一體化的發(fā)展目標(biāo)，分析長三角地區(qū)的碳排放的時空特征，聚焦影響碳排放的具體因素，從而落實(shí)碳減排的各項(xiàng)行動與目標(biāo)，可以對區(qū)域一體化乃至全國的雙碳目標(biāo)實(shí)施提供借鑒。

碳排放的時空特征有助于識別碳排放的時空變化趨勢與高低值范圍，對于展示城市群內(nèi)部的分異規(guī)律有著重要作用。目前時空碳排放數(shù)據(jù)來源主要有基于溫室氣體清單指南的估算法[2]、環(huán)境監(jiān)測站或手持二氧化碳監(jiān)測儀器[3]、渦度相關(guān)技術(shù)[4]和衛(wèi)星監(jiān)測技術(shù)[5]等。此外，城市碳排放時空特征通常是計算總量，鮮有研究區(qū)分各個碳排放部門，而長三角地區(qū)在全國工業(yè)發(fā)展較快、人均生活水平較高、電力轉(zhuǎn)移較多的現(xiàn)狀則為分部門研究提供了必要性。

在區(qū)域?qū)用妫瑖鴥?nèi)外學(xué)者從城市群[6-7]、市域[8]、縣域[9]等尺度研究碳減排與空間規(guī)劃的關(guān)系。在城市群的層面，空間規(guī)劃更加側(cè)重城市群內(nèi)部城市之間如何協(xié)同實(shí)現(xiàn)公平與效率兼顧的發(fā)展[7]，而雙碳目標(biāo)應(yīng)更加注重各層級、各類規(guī)劃的銜接與支撐，全面提升城市群的綜合減碳效能。學(xué)者研究表明，空間規(guī)劃方面對碳排放的影響要素主要包括城市空間形態(tài)[10]、土地利用[11]、人口密度[12]、建成環(huán)境[13]等。這些要素在城市群內(nèi)部同樣具有差異性，所以需要對城市群內(nèi)部差異化的地區(qū)發(fā)展開展針對性研究。龔利等[14]采用STIRPAT模型，分析能源消費(fèi)碳排放量與人口、人均GDP、外商直接投資等影響因素之間的關(guān)系，并將投入—產(chǎn)出模型融入其中技術(shù)層面的影響因素。在空間方面，Li等[15]采用極限梯度提升和多尺度地理加權(quán)回歸模型，研究了城市的社會經(jīng)濟(jì)和城市形態(tài)驅(qū)動因素對二氧化碳排放的不同重要性、空間多尺度變異和空間異質(zhì)性，從時空尺度分析碳排放的影響因素。這些模型對于明確城市群低碳規(guī)劃中各個要素的重要性，并進(jìn)行科學(xué)調(diào)控起到重要的支撐作用。

作為引領(lǐng)性的結(jié)構(gòu)調(diào)整式的減排途徑，空間規(guī)劃具有不可替代的碳約束作用，是達(dá)成區(qū)域長遠(yuǎn)碳約束目標(biāo)的系統(tǒng)性、根本性途徑[16]，因而識別影響因素并引導(dǎo)各部門減碳，能夠響應(yīng)低碳空間規(guī)劃要求，并為落實(shí)“雙碳”目標(biāo)做出努力。總的來說，區(qū)域城市群的碳排放研究集中于總量與城市群內(nèi)區(qū)域尺度的研究，在分部門、分產(chǎn)業(yè)研究方面存在空缺；在空間規(guī)劃引導(dǎo)方面，也缺乏基于地域、產(chǎn)業(yè)部門的策略。

因此，本文從長三角區(qū)域雙碳目標(biāo)下空間規(guī)劃的需求出發(fā)，依托中國多尺度排放清單模型MEIC數(shù)據(jù)及統(tǒng)計年鑒數(shù)據(jù)，利用GIS空間數(shù)據(jù)與面板數(shù)據(jù)分析1990—2021年長三角區(qū)域碳排放的時空特征及其空間變化熱點(diǎn)，進(jìn)而通過改進(jìn)STIRPAT模型回歸分析長三角碳排放時空變化的影響因素，最終以空間規(guī)劃的策略形式響應(yīng)以引導(dǎo)長三角的一體化融合與空間低碳發(fā)展。

1 數(shù)據(jù)來源與研究方法

1.1 研究區(qū)域概況

長三角地區(qū)包含江蘇省、浙江省、安徽省與上海市4個省級行政單位，為我國經(jīng)濟(jì)發(fā)展最活躍、開放程度最高、創(chuàng)新能力最強(qiáng)的區(qū)域之一[17]。2023年，長三角地區(qū)以全國3.74%的國土面積和16.00%的人口，創(chuàng)造了全國24.2%的經(jīng)濟(jì)總量，地區(qū)生產(chǎn)總值之和約為30.5萬億元。

1.2 數(shù)據(jù)來源

各部門碳排放數(shù)據(jù)依托中國多尺度排放清單模型MEIC，其中包括1990—2021年的省級排放數(shù)據(jù)，以及利用ArcGIS軟件構(gòu)建的分辨率0.25?經(jīng)緯度的2011—2020年MEIC排放數(shù)據(jù)。MEIC是基于自下而上技術(shù)方法構(gòu)建的排放清單模型框架，模型涵蓋了固定燃燒源、工藝過程源、移動源、溶劑使用源、農(nóng)業(yè)源和廢棄物處理源等6大類人為排放源[18]。

空間信息均基于全國縣級行政分區(qū)，篩選其中屬于長三角的區(qū)域。在改進(jìn)STIRPAT研究模型中的其他數(shù)據(jù)中，路網(wǎng)信息來源于OpenStreetMap公開數(shù)據(jù)集，土地利用采用當(dāng)年源自 Landsat 的年度中國土地覆蓋數(shù)據(jù)集（CLCD）[19]，各個縣市社會經(jīng)濟(jì)主要指標(biāo)來源于當(dāng)?shù)氐慕y(tǒng)計年鑒與政府公報。由于多元數(shù)據(jù)的統(tǒng)計年限不一，STIRPAT分析采用2017年數(shù)據(jù)。

1.3 研究方法

1.3.1 時空碳排放計算與可視化方法

對經(jīng)過預(yù)處理的長三角二氧化碳分部門排放柵格數(shù)據(jù)進(jìn)行投影處理，疊加長三角縣級行政邊界數(shù)據(jù)，計算得出各行政單位分部門排放情況；并采用柱狀圖與折線圖等方式，直觀呈現(xiàn)長三角部門碳排放隨時空變化的規(guī)律。

1.3.2 區(qū)域碳排放空間特征分析方法

在空間上，要成為具有顯著統(tǒng)計學(xué)意義的熱點(diǎn)，要素應(yīng)具有高值，且被其他同樣具有高值的要素包圍[20]。基于此，本文主要采用全局莫蘭指數(shù)（Moran's I）量化長三角地區(qū)排放空間自相關(guān)，并繪制基于高低值聚類與z-score分析的冷熱點(diǎn)圖，反映長三角地區(qū)各部門碳排放協(xié)同性。全局空間自相關(guān)描述的是研究區(qū)域內(nèi)測算單元屬性與周圍測算單元內(nèi)空間要素的依賴程度，采用Moran's I指數(shù)來判斷區(qū)域內(nèi)要素整體性的聚散程度[21]。局部空間自相關(guān)用于分析空間某要素與相鄰要素的相關(guān)程度。表征其在內(nèi)部空間及鄰域范圍內(nèi)的聚集狀態(tài)[22]，為后期碳排放管控區(qū)進(jìn)行劃分。

1.3.3 影響要素分析的STIRPAT模型

為探究影響環(huán)境要素的更多影響因子，Dietz和Rosa在IPAT模型的基礎(chǔ)上發(fā)展出STIRPAT模型[23]，該模型是IPAT模型的擴(kuò)展形式。在總量STIRPAT模型的基礎(chǔ)上，基于高質(zhì)量發(fā)展的需求進(jìn)行了地均模型分析。

現(xiàn)有文獻(xiàn)研究表明，二氧化碳排放量是由多種因素共同作用決定的[24-29]。針對研究地區(qū)的具體情況，本文改進(jìn)STIRPAT模型，添加了建成環(huán)境因素與社會經(jīng)濟(jì)因素，用以探究城市碳排放格局的影響因子。本文的被解釋變量為二氧化碳四部門（工業(yè)、電力、交通、民用）地均和總量的排放格局，解釋變量在STIRPAT模型變量的基礎(chǔ)上根據(jù)需要改進(jìn)，引入多個與建成環(huán)境、國土空間規(guī)劃相關(guān)的影響因素。這些因素分為社會經(jīng)濟(jì)因素與建成環(huán)境因素。

①人口規(guī)模（P）。人口規(guī)模是影響碳排放量的一個重要因素。通常情況下，人口的增長會導(dǎo)致碳排放量的增加，特別是在人口超過環(huán)境承載能力時，可能會對生態(tài)環(huán)境造成破壞，進(jìn)而增加碳排放。由于數(shù)據(jù)可得性的限制，本文選擇戶籍人口作為衡量人口規(guī)模的數(shù)據(jù)源。

②人均財富（A）。人均GDP常被用作衡量人均財富增長的指標(biāo)。在長三角地區(qū)，由于處于工業(yè)化中期階段，產(chǎn)業(yè)轉(zhuǎn)移和產(chǎn)業(yè)轉(zhuǎn)入并存，人均財富的變化對碳排放有著重要影響。

③技術(shù)水平（T）。技術(shù)的不斷進(jìn)步可以提高能源利用的效率，進(jìn)而降低單位能源的碳排放量。單位能耗碳排放量受多種因素影響，包括碳排放系數(shù)、能源利用效率，以及碳捕獲技術(shù)等。

④產(chǎn)業(yè)結(jié)構(gòu)（I）。不同產(chǎn)業(yè)部門對資源的消耗模式各不相同，因此地區(qū)三次產(chǎn)業(yè)結(jié)構(gòu)的差異會導(dǎo)致碳排放量的不同。特別是第二產(chǎn)業(yè)，在三次產(chǎn)業(yè)中碳排放占比最大，其占比越高，碳排放量也相應(yīng)越高。

⑤交通與土地（R）。交通領(lǐng)域的碳排放占總碳排放量的相當(dāng)比例，為10%—20%之間?？紤]到軌道交通與飛機(jī)的碳排放具有區(qū)域性，且在縣域?qū)用骐y以準(zhǔn)確量化，因此我們選擇縣域路網(wǎng)密度作為量化交通碳排放的指標(biāo)。

⑥農(nóng)業(yè)空間（A）。這包括耕地、園地等各類農(nóng)業(yè)用地面積。雖然農(nóng)業(yè)空間是國土空間規(guī)劃中重點(diǎn)保護(hù)的用地類型，但耕作過程中也會產(chǎn)生碳排放，盡管農(nóng)作物在一定程度上能吸收碳排放。

⑦生態(tài)空間（G）。生態(tài)空間包括林地、灌木地、草地和水體等面積。這些綠地和水體是重要的碳匯聚集地，具有固碳作用。大面積的綠地和水體可以有效地吸收碳排放。

⑧城鎮(zhèn)空間（U）。這里指的是建設(shè)用地面積。隨著城市化水平的提升，更多的能源被用于生產(chǎn)和生活，這也會對碳排放產(chǎn)生影響。

綜上所述，本文改進(jìn)STIRPAT模型的碳排放影響因素回歸分析公式為：

通常寫作對數(shù)形式，為：

lnYi=a+b1·ln+b2·lnA+b3·lnT+b4·lnI+b5·lnL+b6·lnG+b8·lnu+ε（2）

式中：Yi為二氧化碳四部門（工業(yè)、電力、交通、民用）總量或地均的排放量；P、A、T、I、L、U、G、R為各類社會經(jīng)濟(jì)因素、建成環(huán)境因素的影響因子（見表1）；a為常數(shù)項(xiàng)，b1 、b2 、b3 ……b8是待測參數(shù)，ε為隨機(jī)誤差。由于縣域面積大小不一，而縣域面積對于碳排放量影響較大，部分指標(biāo)采用地均指標(biāo)。

表1展示了列入方程的可能影響碳排放總量的因素及可能影響地均碳排放量的因素，包含社會經(jīng)濟(jì)因素及建成環(huán)境因素兩大類。

2 長三角城市群部門碳排放的時空特征

2.1 總量與部門碳排放空間分布

2020年，長三角地區(qū)上海市、江蘇省、安徽省、浙江省碳排放量分別為15 000萬t、7 000萬t、38 000萬t、36 000萬t，占全國碳排放總量的百分比分別為1.49%、6.97%、3.78%、3.59%，2021年長三角各?。ㄖ陛犑校└鞑块T碳排放量及2020年長三角地區(qū)各省市碳排放量分別如圖1和表2所示。

長江以北地區(qū)的民用建筑碳排放顯著高于以南地區(qū)，沿海地區(qū)碳排放量高于內(nèi)陸地區(qū)，長三角地區(qū)生活能耗與碳排放總量呈現(xiàn)上升趨勢，交通部門的碳排放空間特征與工業(yè)部門的情況非常相似。具體來說，工業(yè)部門上海市和蘇州市在長三角地區(qū)工業(yè)碳排放最高，形成以上海蘇州為中心向內(nèi)陸周邊遞減的空間特征。在交通部門，上海市、蘇州市、杭州市作為地區(qū)內(nèi)部的交通樞紐城市碳排放最高。在電力部門，上海市、寧波市、鎮(zhèn)江市電力碳排放最高。在電力部門碳排放存在由沿海向內(nèi)陸遞減的趨勢?？偨Y(jié)得出：（1）人口密集、經(jīng)濟(jì)發(fā)達(dá)的省會城市、交通樞紐城市碳排放量較高；（2）在民用建筑領(lǐng)域，長三角地區(qū)碳排放量北方顯著高于南方；（3）除民用建筑領(lǐng)域外，碳排放量存在以上海為中心，從沿海向內(nèi)陸遞減的趨勢（見表3）。

2.2 長三角部門碳排放變化趨勢

在1990—2021年中國多尺度排放清單模型MEIC的中國碳排放數(shù)據(jù)[31-32]中，長三角地區(qū)的碳排放總量及各部門碳排放量總體呈上升趨勢。20世紀(jì)90年代，江蘇省的碳排放總量是其他三省市的近2倍，這主要?dú)w因于當(dāng)時江蘇省工業(yè)化進(jìn)程的快速推進(jìn)和能源消耗的大幅增加。與此同時，上海市、江蘇省、浙江省的碳排放總量與增長趨勢均相近，這反映了當(dāng)時長三角地區(qū)整體經(jīng)濟(jì)的快速發(fā)展和工業(yè)化水平的同步提升（見圖2）。

進(jìn)入21世紀(jì)以來，上海市的碳排放量相對較為穩(wěn)定，這可能與上海市較早開始實(shí)施嚴(yán)格的環(huán)保政策和產(chǎn)業(yè)結(jié)構(gòu)調(diào)整有關(guān)。浙江省和安徽省在前10年的碳排放增長幅度較大，這主要受到兩省工業(yè)化、城市化進(jìn)程加速，以及能源消耗快速增長的影響。而江蘇省則始終處于碳排放的快速增長中，可能是受江蘇省持續(xù)的工業(yè)擴(kuò)張影響。長三角民用碳排放量一直處于穩(wěn)定低位并緩慢增長，30年內(nèi)從29 043萬t增長至40 733萬t，增長了40%。這可能與居民生活水平的提高和能源使用方式的相對穩(wěn)定有關(guān)。相比之下，長三角交通、工業(yè)、電力部門的碳排放量分別增長了821%、381%、998%，這主要受到這些部門快速發(fā)展、能源消耗大幅增加和能源結(jié)構(gòu)變化等多重因素的影響。

2.3 碳排放空間特征性分析

2.3.1 全局空間自相關(guān)分析

從近10年的全局空間自相關(guān)系數(shù)來看，長三角地區(qū)的二氧化碳排放格局的莫蘭指數(shù)（Moran's I）均大于0，p值均小于0.01，檢測結(jié)果顯著，二氧化碳排放分布模式趨近于聚集模式。在經(jīng)歷了開始幾年莫蘭指數(shù)的緩慢下降后，近兩年莫蘭指數(shù)趨于穩(wěn)定，表明近年來，長三角地區(qū)碳排放的集中程度有所降低，近兩年聚集程度相對穩(wěn)定（見圖3）。

2.3.2 長三角碳排放局部空間自相關(guān)分析結(jié)果

以市縣區(qū)為研究單位，在總量的角度上，高值聚集型（以下簡稱“HH型”：該區(qū)域及周邊區(qū)域碳排放均較高）、低值聚集型（以下簡稱“LL型”：該區(qū)域及周邊區(qū)域碳排放均較低）都是組團(tuán)積聚型分布，其中，HH型分布于長江下游周邊城市，例如上海、蘇州、南通等，LL型主要位于浙江南部及安徽西部和南部的縣市區(qū)。低值包含高值異常型（以下簡稱“HL型”：該區(qū)域碳排放較高，該區(qū)域周邊地區(qū)碳排放較低）及高值包含低值異常型（以下簡稱“LH型”：該區(qū)域碳排放較低，該區(qū)域周邊地區(qū)碳排放較高）零星分布，其中LH型主要零星分布于HH型周邊地區(qū)，HL型相對較少（見圖4）。

從部門角度，HH型主要以組團(tuán)積聚式分布，在四部門中，電力、交通、工業(yè)部門的HH型主要位于上海市及周邊蘇州、無錫等地的市縣中，且分布模式較為類似，民用部門的HH型的分布與其他部門有所不同。LL型同樣以組團(tuán)式積聚分布，主要分布于安徽南部與浙江南部的內(nèi)陸城市。四部門中非顯著型區(qū)域（以下簡稱“NN型”：沒有明顯的聚類特征）占據(jù)所有市縣區(qū)的70%左右。LH型和HL型呈零星分布，且在四部門中均位于長三角的中部地區(qū)（見圖5）。

基于空間自相關(guān)分析結(jié)果進(jìn)行冷熱點(diǎn)分析，冷熱點(diǎn)分析結(jié)果與局部空間自相關(guān)分析結(jié)果相似，四部門的熱點(diǎn)區(qū)域同樣呈現(xiàn)組團(tuán)積聚式分布，其中熱點(diǎn)區(qū)域與HH型高度重合。冷點(diǎn)區(qū)域同LH型和HL型類似，呈零星分布，主要分布于安徽南部與浙江西部的內(nèi)陸城市。

3 基于STIRPAT的影響因子分析

3.1 模型回歸分析

數(shù)據(jù)處理采用SPSS Statistics 24，對于選定的影響因素面板數(shù)據(jù)無量綱化，以消除不同類型數(shù)據(jù)大小對于回歸分析的影響；由于各因子差距過大且有正負(fù)向因素，因而在模型之外還增加了一步無量綱化過程。本文回歸擬合采用偏最小二乘法，可得碳排放驅(qū)動因子的彈性系數(shù)[33]。對長三角地區(qū)縣域碳排放總量、地均碳排放量與碳排放影響因素進(jìn)行多元回歸分析采用SPSS的分析結(jié)果如表5所示。調(diào)整后總量R2=0.676，地均R2=0.561，也通過了1%在方差分析（ANOVA）中的顯著性檢驗(yàn)，解釋變量之間多重共線性程度較低（VIF＜10）。地均F值為31.720，總量F值為51.105。

3.2 關(guān)鍵影響要素識別

從回歸結(jié)果來看，模型模擬的效果顯著且與實(shí)際情況具有高度的一致性。就彈性系數(shù)而言，碳排放總量模型中6個影響要素起到增加的作用，1個作用不顯著，1個起到減少作用，地均碳排放模型中除了產(chǎn)業(yè)結(jié)構(gòu)作用不顯著外，其他6個影響要素也與地均碳排放呈正相關(guān)。

通過偏最小二乘法回歸擬合得到長三角地區(qū)縣域碳排放總量與各變量的多元線性模型。就彈性系數(shù)而言，P、A、T、L、U、R這6項(xiàng)要素均會促進(jìn)長三角地區(qū)縣域碳排放總量增加，彈性系數(shù)為0.108—0.475；G要素減少長三角地區(qū)的碳排放總量?？h級年末戶籍人口、人均GDP、每10元GDP消耗的標(biāo)準(zhǔn)煤噸數(shù)、工業(yè)增加值占GDP比例、道路總長度、耕地面積、林灌草與水體面積、建設(shè)用地面積每增加1%，將引起長三角地區(qū)縣域碳排放總量變化0.177%、0.475%、0.108%、0.034%、0.201%、0.145%、0.203%、-0.084%。

4 總結(jié)與討論

本文采用1990—2021年的中國多尺度排放清單模型MEIC的長三角三省一市四部門碳排放數(shù)據(jù)，重點(diǎn)分析2020年的碳排放空間分布和2017年建成環(huán)境、社會環(huán)境面板數(shù)據(jù)，可視化其時空分布特征，基于改進(jìn)STIRPAT模型回歸分析影響因素，并提出針對性的空間規(guī)劃建議。研究結(jié)果表明：從部門碳排放差異來看，長三角部門碳排放差異巨大，電力、工業(yè)為主要排放部門；從碳排放空間分異來看，以上海、南京、杭州、合肥等直轄市、省會城市碳排放為區(qū)域性碳排放中心向外擴(kuò)散，并存在沿海較高、內(nèi)陸較低的空間分異規(guī)律；從碳排放空間自相關(guān)來看，局部空間自相關(guān)顯著，分布模式均為聚集模式，其中工業(yè)聚集模式最明顯。通過溯源在碳減排過程中既需要關(guān)注社會經(jīng)濟(jì)發(fā)展，也要關(guān)注城市建成環(huán)境因素。在與碳排放相關(guān)的不同的因素中可分別著力，提出相應(yīng)策略。

（1） 城市群管理中落實(shí)部門減排

由于碳排放的路徑不同且長三角地區(qū)各部門碳排放特征差異顯著，著力于部門減排能有效轉(zhuǎn)換目標(biāo)、技術(shù)、政策，針對不同原因提出減排策略。從四部門碳排放特征看，工業(yè)和電力部門是減排重點(diǎn)。其中，電力部門可從優(yōu)化電源結(jié)構(gòu)、倡導(dǎo)綠色生產(chǎn)生活、提升用電效率3方面入手：貫徹低碳技術(shù)創(chuàng)新改造，減少化石能源依賴，建設(shè)以可再生能源發(fā)電、新能源為主的新型電力系統(tǒng)，使風(fēng)電、太陽能發(fā)電成為新增電力需求主體。對于上海碳排放占比最高的工業(yè)部門而言，可從提高技術(shù)水平、打造低碳產(chǎn)業(yè)集群、關(guān)注減排重點(diǎn)領(lǐng)域3方面著力。

（2） 管控分區(qū)劃定與協(xié)作減排

通過本文對長三角地區(qū)碳排放的時空特征分析，可將長三角地區(qū)的城市分為4個區(qū)域，促進(jìn)情況相似、地理位置相近的城市共同落實(shí)減排策略。第1個區(qū)域?yàn)橐陨虾?、蘇州為中心沿長江向杭州、南京等省會城市擴(kuò)展的長三角經(jīng)濟(jì)發(fā)達(dá)地區(qū)，減排策略側(cè)重于共建平臺下的技術(shù)提升、產(chǎn)業(yè)類型置換、低碳生活倡導(dǎo)及電源結(jié)構(gòu)優(yōu)化；第2個區(qū)域?yàn)殚L三角沿海地區(qū)，減排策略側(cè)重于產(chǎn)業(yè)結(jié)構(gòu)調(diào)整、交通運(yùn)輸智能化及能源結(jié)構(gòu)優(yōu)化，可實(shí)行交通與工業(yè)減排的協(xié)同措施；第3個區(qū)域?yàn)槌ヒ陨?類區(qū)域的長江以北區(qū)域，在減排策略上側(cè)重于技術(shù)創(chuàng)新，在能源結(jié)構(gòu)優(yōu)化上尤以冬季取暖能源為重；第4個區(qū)域則是非沿海的長江以南區(qū)域，策略上可引進(jìn)一批技術(shù)、搭建合作關(guān)系，從而落實(shí)低碳技術(shù)創(chuàng)新改造。

（3） 空間協(xié)同的地區(qū)分類與政策引導(dǎo)

根據(jù)研究中長三角地區(qū)區(qū)縣在碳排放上自相關(guān)類型的不同，可分別在4個部門中劃分5類地區(qū)，“HH型”為核心減排類地區(qū)，“HL型”、“LH型”為發(fā)展提升類地區(qū)，“LL型”為綜合改良類地區(qū)，“NN型”為因需調(diào)整類地區(qū)，對每個類別的地區(qū)提出不同的雙碳策略。在核心減排區(qū)，工業(yè)減碳壓力大，空間規(guī)劃上推進(jìn)科技園、產(chǎn)業(yè)園等適宜集中地區(qū)間的協(xié)作科技創(chuàng)新，集中生產(chǎn)要素，進(jìn)而減少產(chǎn)品運(yùn)輸碳排放；在發(fā)展提升區(qū)，應(yīng)注重可實(shí)現(xiàn)相鄰縣區(qū)間的碳交易，集中規(guī)劃長三角碳交易市場，提升綠色發(fā)展水平；在綜合改良區(qū)，注重產(chǎn)業(yè)結(jié)構(gòu)及其對應(yīng)的空間規(guī)劃調(diào)整，重點(diǎn)規(guī)劃商業(yè)商務(wù)、居住區(qū)，減少低效工業(yè)區(qū)面積，以促進(jìn)雙碳進(jìn)程中的發(fā)展水平提升；在因需調(diào)整區(qū)則針對各個部門的情況，給出空間規(guī)劃策略。同時，從局部空間自相關(guān)分析及冷熱點(diǎn)分析可看出上海市中心區(qū)及各大城市作為主要的電力、交通、民用的熱點(diǎn)集中區(qū)域，其在減排中應(yīng)作為其分區(qū)中的引領(lǐng)城市。

5 結(jié)語

根據(jù)本文研究，可見影響碳排放的社會經(jīng)濟(jì)因素與建成環(huán)境因素多樣，且影響因素隨時間變化而變化的可能性較大。基于此，本文提出在城市運(yùn)行中落實(shí)部門減排、管控分區(qū)劃定與協(xié)作減排、空間自相關(guān)中的地區(qū)分類與政策引導(dǎo)、碳排放影響溯源減排的空間策略，在今后長三角的發(fā)展過程中也需要在立足區(qū)域特征的前提下，明確關(guān)鍵影響因子，從而達(dá)成區(qū)域雙碳目標(biāo)。此外，本文在數(shù)據(jù)獲取上存在一定的局限性，同時研究結(jié)論受數(shù)據(jù)年限、統(tǒng)計方式等的限制，可能存在偏誤，未來需進(jìn)一步獲取完整的人口數(shù)據(jù)，并結(jié)合衛(wèi)星與監(jiān)測數(shù)據(jù)等進(jìn)行輔助研究。

（感謝同濟(jì)大學(xué)創(chuàng)新創(chuàng)業(yè)學(xué)生團(tuán)隊(duì)成員陳迪菲、蔡燦、邵雨辰、于禾在數(shù)據(jù)準(zhǔn)備和圖文編輯方面的工作。）

參考文獻(xiàn) References

[1]胡鞍鋼. 中國實(shí)現(xiàn)2030年前碳達(dá)峰目標(biāo)及主要途徑[J]. 北京工業(yè)大學(xué)學(xué)報（社會科學(xué)版），2021，21（3）：1-15.

HU An'gang. China's goal of peaking carbon dioxide emissions before 2030 and the main ways to achieve it[J]. Journal of Beijing University of Technology （Social Sciences Edition）， 2021， 21（3）： 1-15.

[2]李雨晨，秦宇，楊柳，等. 長江上游大中型水庫碳排放量估算與分析：以IPCC國家溫室氣體清單指南為基礎(chǔ)[J]. 湖泊科學(xué)，2023，35（1）：131-144.

LI Yuchen， QIN Yu， YANG Liu， et al. Estimation and analysis of carbon emissions from large and medium-sized reservoirs in the upper reaches of the Yangtze River： based on the IPCC guidelines for national greenhouse gas inventories[J]. Journal of Lake Sciences， 2023， 35（1）： 131-144.

[3]趙俊，王迪，付士磊. 基于二氧化碳通量監(jiān)測的低碳城市研究進(jìn)展與思考[J]. 城市建筑空間，2022，29（5）：243-245.

ZHAO Jun， WANG Di， FU Shilei. Research pro-gress and reflections on low-carbon cities based on carbon dioxide flux monitoring[J]. Urban Architecture and Space， 2022， 29（5）： 243-245.

[4]孟天佑. 城市碳排放規(guī)律及基于CO2響應(yīng)系數(shù)的無限長線源擴(kuò)散模型研究[D]. 徐州：中國礦業(yè)大學(xué)，2015.

MENG Tianyou. Research on urban carbon emission patterns and infinite long line source diffusion model based on CO2 response coeffi-cient[D]. Xuzhou： China University of Mining and Technology， 2015.

[5]劉良云，陳良富，劉毅，等. 全球碳盤點(diǎn)衛(wèi)星遙感監(jiān)測方法、進(jìn)展與挑戰(zhàn)[J]. 遙感學(xué)報，2022，26（2）：243-267.

LIU Liangyun， CHEN Liangfu， LIU Yi， et al. Satellite remote sensing monitoring methods， progress， and challenges for global carbon inventory[J]. Journal of Remote Sensing， 2022， 26（2）： 243-267.

[6]彭競霄. 長株潭城市群碳排放仿真模擬及低碳空間規(guī)劃策略研究[D]. 株洲：湖南工業(yè)大學(xué)，2021.

PENG Jingxiao. Simulation of carbon emissions and low-carbon spatial planning strategies for the Changsha-Zhuzhou-Xiangtan urban agglomeration[D]. Zhuzhou： Hu'nan University of Technology， 2021.

[7]王偉，鄒偉，張國彪，等. “雙碳”目標(biāo)下的城市群國土空間規(guī)劃路徑與治理機(jī)制[J]. 環(huán)境保護(hù)，2022，50（s1）：64-69.

WANG Wei， ZOU Wei， ZHANG Guobiao， et al. Land spatial planning path and governance mechanism for urban agglomerations under the "dual carbon" goal[J]. Environmental Protection， 2022， 50（s1）： 64-69.

[8]鄢金明，王建軍. 雙碳目標(biāo)下的廣州國土空間規(guī)劃編制思考[C]//面向高質(zhì)量發(fā)展的空間治理——2021中國城市規(guī)劃年會論文集. 北京：中國建筑工業(yè)出版社，2021：525-532.

YAN Jinming， WANG Jianjun. Thoughts on the compilation of Guangzhou's territorial spatial planning under the dual carbon goal[C]//Spatial governance for high-quality development - proceedings of the 2021 China Annual National Planning Conference. Beijing： China Architecture & Building Press， 2021： 525-532.

[9]張赫，王睿，于丁一，等. 基于差異化控碳思路的縣級國土空間低碳規(guī)劃方法探索[J]. 城市規(guī)劃學(xué)刊，2021（5）：58-65.

ZHANG He， WANG Rui， YU Dingyi， et al. Exploring low-carbon planning methods for county-level territorial space based on differentiated carbon control ideas[J]. Urban Planning Forum， 2021（5）：58-65.

[10]DONG J， LI C. Structure characteristics and influencing factors of China's carbon emission spatial correlation network： a study based on the dimension of urban agglomerations[J]. Science of the Total Environment， 2022， 853： 158613.

[11]WANG G Z， HAN Q， DE VRIES B. The multi-objective spatialptj5G97CwERm5OCvKclfzgKgLhrqffNHTb4QHjCaeLs= optimization of urban land use based on low-carbon city planning[J]. Ecological Indicators， 2021， 125： 107540.

[12]ZHANG A X， DENG R G. Spatial-temporal evolution and influencing factors of net carbon sink efficiency in Chinese cities under the background of carbon neutrality[J]. Journal of Cleaner Production， 2022， 365： 132547.

[13]HONG S F， HUI E C， LIN Y Y. Relationship between urban spatial structure and carbon emissions： a literature review[J]. Ecological Indicators， 2022， 144： 109456.

[14]龔利，屠紅洲，龔存. 基于STIRPAT模型的能源消費(fèi)碳排放的影響因素研究——以長三角地區(qū)為例[J]. 工業(yè)技術(shù)經(jīng)濟(jì)，2018，37（8）：95-102.

GONG Li， TU Hongzhou， GONG Cun. Research on influencing factors of carbon emissions from energy consumption based on STIRPAT model - taking the Yangtze River Delta as an example[J]. Journal of Industrial Technological Economics， 2018， 37（8）： 95-102.

[15]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： 104028.

[16]閆鳳英，楊一葦. 空間規(guī)劃的碳排放約束機(jī)制與治理框架[J]. 西部人居環(huán)境學(xué)刊，2021，36（3）：37-45.

YAN Fengying， YANG Yiwei. Carbon emission constraint mechanism and governance framework for spatial planning[J]. Journal of Human Settlements in West China， 2021， 36（3）： 37-45.

[17]國家發(fā)展改革委，住房城鄉(xiāng)建設(shè)部. 長江三角洲城市群發(fā)展規(guī)劃（2015—2030）[R]. 2016.

National Development and Reform Commission， Ministry of Housing and Urban-Rural Development. Yangtze River Delta urban agglomera-tion development plan （2015-2030）[R]. 2016.

[18]何斌，梅士龍，陸琛莉，等. MEIC排放清單在空氣質(zhì)量模式中的應(yīng)用研究[J]. 中國環(huán)境科學(xué)，2017，37（10）：3658-3668.

HE Bin， MEI Shilong， LU Chenli， et al. Application of MEIC emission inventory in air quality modeling[J]. China Environmental Science， 2017， 37（10）： 3658-3668.

[19]GONG P， CHEN B， LI X C， et al. Mapping essential urban land use categories in China （EULUC-China）： preliminary results for 2018[J].Science Bulletin， 2020， 65（3）： 182-187.

[20]陳彥光. 基于Moran統(tǒng)計量的空間自相關(guān)理論發(fā)展和方法改進(jìn)[J]. 地理研究，2009，28（6）：1449-1463.

CHEN Yanguang. Development and improvement of spatial autocorrelation theory based on Moran's statistic[J]. Geographical Research， 2009， 28（6）： 1449-1463.

[21]孫俊，潘玉君，和瑞芳，等. 地理學(xué)第一定律之爭及其對地理學(xué)理論建設(shè)的啟示[J]. 地理研究，2012，31（10）：1749-1763.

SUN Jun， PAN Yujun， HE Ruifang， et al. The debate on the first law of geography and its enlightenment to the construction of geographical theory[J]. Geographical Research， 2012， 31（10）： 1749-1763.

[22]林彤，高建崗，王亞華. 基于國家耕地質(zhì)量等別指數(shù)和空間自相關(guān)的蘇北地區(qū)耕地保護(hù)分區(qū)[J]. 農(nóng)業(yè)資源與環(huán)境學(xué)報，2023，40（3）：525-533.

LIN Tong， GAO Jian'gang， WANG Yahua. Farmland protection zoning in northern Jiangsu based on national farmland quality grade index and spatial autocorrelation[J]. Journal of Agricultural Resources and Environment， 2023， 40（3）： 525-533.

[23]YORK R， ROSA E A， DIETZ T. STIRPAT， IPAT and ImPACT： analytic tools for unpacking the driving forces of environmental impacts[J]. Ecological Economics， 2003（3）： 46.

[24]王瑛，何艷芬. 中國省域二氧化碳排放的時空格局及影響因素[J]. 世界地理研究，2020，29（3）：512-522.

WANG Ying， HE Yanfen. Spatio-temporal pattern and influencing factors of carbon dioxide emissions in China's provinces[J]. World Geographic Research， 2020， 29（3）： 512-522.

[25]任曉松，趙國浩. 中國工業(yè)碳排放及其影響因素灰色預(yù)測分析——基于STIRPAT模型[J]. 北京交通大學(xué)學(xué)報（社會科學(xué)版），2014，13（4）：18-24.

REN Xiaosong， ZHAO Guohao. Gray prediction analysis of China's industrial carbon emissions and its influencing factors - based on the STIRPAT model[J]. Journal of Beijing Jiaotong University （Social Science Edition）， 2014， 13（4）： 18-24.

[26]陳邦麗，徐美萍. 中國碳排放影響因素分析——基于面板數(shù)據(jù)STIRPAT-Alasso模型實(shí)證研究[J]. 生態(tài)經(jīng)濟(jì)，2018，34（1）：20-24.

CHEN Bangli， XU Meiping. Analysis of the influencing factors of China's carbon emissions - empirical research based on the STIRPAT-Alasso model of panel data[J]. Ecological Economy， 2018， 34（1）： 20-24.

[27]高明，吳雪萍，郭施宏. 城市化進(jìn)程、環(huán)境規(guī)制與大氣污染——基于STIRPAT模型的實(shí)證分析[J]. 工業(yè)技術(shù)經(jīng)濟(jì)，2016，35（9）：110-117.

GAO Ming， WU Xueping， GUO Shihong.Urbanization process， environmental regulation and air pollution - based on the empirical analysis of the STIRPAT model[J]. Industrial Technology Economy， 2016， 35（9）： 110-117.

[28]陳占明，吳施美，馬文博，等. 中國地級以上城市二氧化碳排放的影響因素分析：基于擴(kuò)展的STIRPAT模型[J]. 中國人口·資源與環(huán)境，2018，28（10）：45-54.

CHEN Zhanming， WU Shimei， MA Wenbo， et al. Analysis of the influencing factors of carbon dioxide emissions in cities above the prefecture level in China： based on the extended STIRPAT model[J]. China Population， Resources and Environment， 2018， 28（10）： 45-54.

[29]宋德勇，徐安. 中國城鎮(zhèn)碳排放的區(qū)域差異和影響因素[J]. 中國人口·資源與環(huán)境，2011，21（11）：8-14.

SONG Deyong， XU An. Regional differences and influencing factors of urban carbon emissions in China[J]. China Population， Resources and Environment， 2011， 21（11）： 8-14.

[30]孫敬水，陳稚蕊，李志堅. 中國發(fā)展低碳經(jīng)濟(jì)的影響因素研究——基于擴(kuò)展的STIRPAT模型分析[J]. 審計與經(jīng)濟(jì)研究，2011，26（4）：85-93.

SUN Jingshui， CHEN Zhirui， LI Zhijian. Research on the influencing factors of China's development of low-carbon economy - based on the analysis of the extended STIRPAT model[J]. Audit and Economic Research， 2011， 26（4）： 85-93.

[31]BO Z， DAN T， MENG L， et al. Trends in China's anthropogenic emissions since 2010 as the consequence of clean air actions[J]. Atmospheric Chemistry and Physics， 2018， 18（19）： 14095-14111.

[32]LI M， LIU H， GENG G， et al. Anthropogenic emission inventories in China： a review[J]. National Science Review， 2017， 4（6）： 834-866.

[33]張樂勤，李榮富，陳素平，等. 安徽省1995年—2009年能源消費(fèi)碳排放驅(qū)動因子分析及趨勢預(yù)測——基于STIRPAT模型[J]. 資源科學(xué)，2012，34（2）：316-327.

ZHANG Leqin， LI Rongfu， CHEN Suping， et al. Analysis and trend prediction of driving factors of energy consumption carbon emissions in Anhui Province from 1995 to 2009 - based on the STIRPAT model[J]. Resource Science， 2012， 34（2）： 316-327.

基金項(xiàng)目：中國青年自然科學(xué)基金項(xiàng)目“基于人工智能的城市PM2.5時空格局、影響機(jī)制與規(guī)劃響應(yīng)研究”（編號52108060）；上海市科技支撐雙碳專項(xiàng)“面向區(qū)域碳中和的超大城市規(guī)劃設(shè)計關(guān)鍵技術(shù)”（編號22DZ1207800）；上海市啟明星人才項(xiàng)目“長三角城市群CO2與PM2.5協(xié)同減排下的空間規(guī)劃技術(shù)研究”（編號22QB1404900）資助。