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*

袁 青 郭 冉 冷 红 宋世一 YUAN Qing, GUO Ran, LENG Hong, SONG Shiyi

0 引言

为了实现我国社会经济的持续发展以及进一步降低碳排放的双重目标，提高碳排放的使用价值和质量至关重要[1]。“碳排放效率”作为衡量碳排放质量的重要概念及考察指标，已逐渐成为低碳领域的研究热点。与关注城市整体碳排放水平的指标不同，碳排放效率指标关注社会经济发展水平与碳排放间的关系，并由此判断城市的发展状态。较高的碳排放效率意味着城市处于较为理想的、高质量的低碳发展阶段。近十几年来，快速的城镇化进程导致我国城市空间形态发生结构性改变，空间形态对碳排放效率的影响机制引起学界广泛关注。大量既有研究已表明，城市空间形态会藉由改变用地规模、类型等方式影响地区经济发展的集聚效应和规模效应，影响城市经济收益水平[2-3]、医院和学校的建设规模和布局方式及道路交通系统和城市管网建设等[4-5]，进而作用于城市各类碳排放总量[6-7]。但目前城市空间形态对碳排放效率影响研究主要集中于大中型城市，对于中小城市的研究尚未完全开展。县域作为中小城市的主要行政单元，容纳了我国约75%的人口，创造了近60%的经济总量[8]，同时也产生了全国约半数的碳排放[9]，是我国实现低碳发展的重要支柱。近年来，我国县域中小城市受快速城镇化影响明显，城市空间形态变化剧烈。因此，探究县域中小城市空间形态对碳排放效率的影响，对明确中小城市低碳发展方向、实现高质量发展具有极大的现实意义。

在既有研究中，以省域、城市群、地级市等尺度开展的碳排放效率研究成果相对较为丰富，对于县域中小城市碳排放效率研究具有重要的借鉴意义。碳排放效率是衡量碳排放价值的重要考察指标，虽然其内涵和测算方法因研究目的的不同存在差异，但可大致分为狭义碳排放效率和广义碳排放效率两类。狭义碳排放效率主要通过碳排放所创造的经济收益情况对碳排放价值进行衡量，多采用GDP与碳排放量的比值进行量化[10-11]，在相关研究中也常使用碳生产率[12]、碳排放性能[13]等名称进行表述。而广义碳排放效率除根据经济收益对碳排放价值进行衡量外，还会根据碳排放所创造的其他类型收益对碳排放价值进行评估[14-16]。目前，学界普遍认可通过体现居民生活福祉水平的社会收益与碳排放的比值对碳排放价值进行量化，通常采用由联合国开发计划署构建的人类发展指数模型（HDI）对城市社会收益进行评估。也就是说城市碳排放收益可通过碳排放创造的经济收益和社会收益两种角度进行衡量。但进一步分析不难发现，既有研究中的广义碳排放效率测算方法具有一定的局限性，仅适用于部分省和直辖市，而我国县域中小城市则很难直接采用既有方法开展相关研究。

当前学界针对城市空间形态与碳排放效率的关系已开展了一定数量的实证研究，结果表明复杂度及紧凑度对碳排放效率具有明显的作用效应。相关研究认为两者主要是通过改变城市碳排放水平从而对碳排放效率产生影响。较为复杂且不规则的空间形态和边界形态会显著影响日常通勤距离[17]以及交通拥堵的可能性[18]；而紧凑的空间形态在影响城市交通部门碳排放的同时，也与建筑物采暖、制冷等能耗密切相关，进而对建筑部门碳排放产生重要影响[19]。但目前的研究多集中在区域、省域和城市层面，对于规模等级相对较低的县域中小城市的研究十分有限。同时，大城市的实证结论在县域中小城市中是否适用，也值得进一步的探讨。

综上，本文以探究县域中小城市空间形态对碳排放效率的影响为主要目的，基于中小城市的特征改进现有研究中的广义碳排放效率测算方法，利用空间格局分析法度量城市空间形态，最终通过构建面板数据模型分析2005—2020年间长三角地区44个县域中小城市空间形态对碳排放效率的影响。研究结果以期为中小城市低碳发展方向提供指引，并为实现高质量发展提供抓手。

1 研究对象与数据来源

1.1 研究对象

长三角地区现辖上海、浙江、江苏、安徽四省，是我国经济最具活力、城镇分布密度最高、吸纳外来人口最多的地区之一[20]。近年来随着城市化进程的加快，长三角地区县域中小城市已聚集了相当规模的人口，在基础设施、公共服务、居民生活方式等方面与大城市愈发相近，空间形态转变现象明显，地区能源消耗和碳排放强度逐年递增。截至2017年，长三角地区县级中小城市共计166个[8]，考虑研究结果的普适性及数据的完备程度，本文采用分层抽样法最终选定44个县级行政单位作为长三角地区县域中小城市的代表，其中，浙江19个，江苏15个，安徽10个。这些城市在研究周期内总体上经历了由工业主导型城市向二三产均衡型城市转变的过程，目前44个研究对象多为工业主导型城市。

1.2 数据来源

本研究的核心数据包括2005—2020年长三角地区44个县域中小城市空间形态数据、社会经济统计数据及碳排放总量数据。其中，城市空间形态数据采用中国科学院资源环境科学数据中心提供的4期Landsant TM/ETM遥感影像解译数据，经裁剪、重分类等处理后在FragStats 4.2软件中计算获得；社会经济数据来源于各省、市、县历年统计年鉴及国民经济和社会发展统计公报。鉴于我国中小城市层面碳排放数据的缺乏，本研究结合既有研究中学者提出的相关方法进行碳排放总量核算[21]，分别对工业部门、交通部门[22]和建筑部门[23]三个部门进行碳排放量计算，最终取其总和获得到研究所需的城市碳排放总量数据。

2 研究方法

2.1 碳排放效率指数测算

本研究根据城市能源消耗产生的期望收益类型[24-25]以及现阶段中国县域中小城市统计数据现状，改进适用于县域中小城市的碳排放效率测算方法。如前文所述，本研究采用广义碳排放效率的概念，从碳排放创造的经济收益和社会收益两个角度分别衡量碳排放价值，使用碳排放经济效率指数和碳排放社会效率指数予以表征，可以表示为：

碳排放经济效率指数=经济收益/碳排放总量

碳排放社会效率指数=社会收益/碳排放总量

具体而言，碳排放经济效率指数以城市获得的经济收益衡量碳排放价值，通过经济收益与碳排放总量之比进行量化。本研究选择GDP总量作为城市经济收益的评价指标。碳排放社会效率指数以居民获得的社会收益衡量碳排放价值，通过社会收益与碳排放总量之比进行量化。基于国内外相关研究，本文选择联合国开发计划署构建的人类发展指数模型（human development index，HDI）作为社会收益的计算模型，该模型由健康、教育及生活水平三个维度的单项指标复合而成。然而，现阶段我国县域中小城市统计数据无法完全满足HDI模型的数据要求。因此，考虑到数据的可得性及合理性，本文在既有研究的基础上根据中小城市特征及数据统计体系现状对碳排放社会效率测算方法进行了改进，对原模型中的三个单项指标进行了替代选取[26-27]。具体而言，各类医疗卫生机构数量、床位数、卫生技术人员数量作为评价地区医疗条件的代表指标，可以综合反映地区健康水平[16]；各类学校数量、在校生数量、教师数量作为衡量教育资源的指标，可以综合反映地区教育水平[16]；公共设施用地占比体现了公共服务水平、公路总里程数体现了中小城市交通系统建设情况、居民人均住房建筑面积体现了生活条件，三个指标可以综合反映地区生活水平[28]。

根据上述公式进行碳排放经济效率指数和碳排放社会效率指数的计算。在计算前，首先采用中值法对所有样本城市在统计年度的经济收益（BCE）、社会收益（BCS）及碳排放总量（TCE）进行标准化处理，消除不统一的量纲；其次，用熵值法计算各社会收益指标（Ii）的权重（pi），消除人为因素对权重设定的影响，并将各收益指标加权相加得到各样本城市在统计年度的总社会收益。至此进行碳排放经济效率指数（ICEE）和碳排放社会效率指数（ICSE）的计算。

碳排放经济效率指数（ICEE）计算公式如下：

式中，Ii为碳排放经济收益指标GDP总量的标准化数值，ITCE为碳排放总量的标准化数值。

碳排放社会效率指数（ICSE）计算公式如下：

式中，Ii为碳排放社会收益指标各类医疗卫生机构数量、医疗卫生机构床位总数、每千人卫生技术人员数量、各类学校数量、每千人在校生数量、每千人教师数量、公共设施用地占比、每千人所拥有的公路总里程数、居民人均住房建筑面积的标准化数值，Pi为各项指标在社会收益中的权重。

2.2 城市空间形态量化

城市空间形态通常指城市内部各实体要素通过多样组合方式表现出来的差异化的空间状态，常用容积率、街道高宽比、天空开阔度等指标量化[29-30]。然而，针对城市发展变化过程中，在更大规模尺度上城市的空间格局、结构形式和发展模式等方面的特征，即宏观层面的城市空间形态，既有研究多借助景观生态学中的空间格局分析法（又称景观格局分析法）进行分析[31-33]。本研究中的城市空间形态即指宏观层面的城市空间形态，使用空间格局分析法并选择相应指数对其进行计算（表1）[23,33-34]，主要从聚集程度、复杂程度等方面分析城市发展过程中空间形态的变化特征。相应指数采用圆形特征值法进行定量分析[35-36]，即认为圆形是最紧凑、最规则的形状，通过比较城市形状与相同面积的圆形之间的偏离程度来测量其紧凑程度和复杂程度，越接近圆形的紧凑度越高、复杂度越低，反之则紧凑度越低、复杂度越高。指数的具体计算过程在FragStats 4.2软件中完成。

2.3 城市空间形态对碳排放效率影响判定

表1 城市空间形态指数及其描述Tab.1 description of urban form indexes

本研究采用面板数据模型进行城市空间形态对碳排放效率影响的量化分析。以表1中的6个指数作为解释变量，碳排放经济效率指数和碳排放社会效率指数分别作为被解释变量构建模型。首先检测解释变量间是否存在多重共线性，这是模型进行回归估计的前提。进而对数据进行F检验以确定模型是否选择混合截面数据回归。若检验结果为不符合，则进一步对数据进行豪斯曼（Hausman）检验，以确定模型为固定效应模型或随机效应模型。至此确定面板数据模型的具体形式后，进行城市空间形态对碳排放效率影响判定。

进一步对具有相关关系的城市空间形态指数与各类碳排放、经济收益、社会收益进行回归分析，通过拟合函数关系方程计算决定系数R2，以确定城市空间形态指数对碳排放效率的影响机理。相关统计学分析采用StataSE 15软件完成。

3 结果与分析

3.1 碳排放效率与城市空间形态变化特征分析

样本城市的碳排放经济效率指数及碳排放社会效率指数的变化情况如图1所示，两个指数均呈上升的变化趋势，表明同等量的碳排放对经济收益和社会收益的贡献率逐渐提高，城市低碳发展状态向好。对比同一样本城市两种效率的变化情况发现，在研究周期内，碳排放经济效率指数的增长幅度均大于碳排放社会效率指数的增长幅度，说明碳排放对地区经济发展水平的提升效果，相较于提升公共服务水平和改善居民生活质量而言更为显著。

样本城市空间形态变化情况如图2所示。在研究周期内，相较于2005年，2020年斑块结合度（COHESION）升高以及斑块数量（NP）降低，表明城市破碎化程度下降，空间发展的填充程度升高，城市经历了由破碎化分布向连片分布的演变过程。填充与合并促进了更多连续斑块的产生，空间形态更趋于聚集和紧凑，是较为理想的城市空间形态发展状态。而周长面积分形维数（PAFRAC）、景观形状指数（LSI）及平均形状指数（SHAPE_MN）均不同程度升高，说明样本城市用地边界形态愈来愈趋于不规则，总体上城市形状与圆形的偏离程度增大，空间形态更趋于复杂，存在一定的形态缺陷。最大斑块指数（LPI）降低，可能是受遥感解译精度的影响，在斑块不连通的情况下，导致值偏低[39]。

3.2 面板数据模型回归结果分析

在确定模型的具体形式之前，首先需要计算解释变量城市空间形态指数间的相关系数及其对应的P值，以判断解释变量间是否存在多重共线性。检验结果如表2所示，相关系数均小于0.8，表明解释变量间不存在多重共线性问题，可以进行面板数据模型构建。

图1 2005—2020年碳排放经济效率指数和碳排放社会效率指数变化情况Fig.1 changes in CO2 economic efficiency and CO2 social efficiency, 2005—2020

图2 2005和2020年研究对象各城市空间形态指数情况（受篇幅所限仅展示起止年份）Fig.2 changes in landscape metrics of 44 cities in the Yangtze River Delta, 2005 and 2020

为确定模型形式和效应形式，首先应判别是否选择混合截面数据模型。对碳排放经济效率指数、碳排放社会效率指数两个被解释变量均进行F检验，检验结果一致，均拒绝原假设混合截面模型（表3）。因此，需进一步对两个模型进行豪斯曼检验以判别是否选择随机效应模型，检验结果如表4所示，P统计量均未通过5%显著性水平检验，表明接受了模型为随机效应模型的原假设，故两个模型均选择随机效应模型进行面板数据回归较为合适。

为使解释变量对被解释变量的影响更为直观，等式两端取自然对数建立模型，至此分别建立碳排放经济效率指数、碳排放社会效率指数与城市空间形态指数间的面板数据模型。

其中，i为城市，t为时点，β0为常数，β1~β7为各变量的系数，εit为随机扰动项。

利用随机效应模型对本研究数据进行分析，表5给出了两个模型的最终回归结果。结果表明，在模型1中，斑块的聚集程度、复杂程度以及破碎化程度会对城市碳排放经济效率造成显著影响，碳排放经济效率指数会随城市用地斑块间连结度和聚集程度的升高、用地斑块形状复杂程度和用地斑块破碎化程度的降低呈现上升趋势。在模型2中，碳排放社会效率受斑块复杂程度和破碎化程度的影响显著，用地斑块形状复杂程度和破碎化程度的降低会促进碳排放社会效率指数的增长，但同时碳排放社会效率也会在一定程度上受到最大斑块面积的约束。

表2 解释变量的相关系数Tab.2 correlation coefficients of the independent variables

表3 F检验结果Tab.3 results of F-test

表4 豪斯曼（Hausman）检验结果Tab.4 results of Hausman test

表5 面板数据模型估计结果Tab.5 results of the panel data model estimation

表6 中小城市空间形态变量与各类碳排放、经济收益、社会收益的非线性拟合决定系数R2Tab.6 determination coefficient of nonlinear fitting between urban form variables and indicators of small and mediumsized citiesz

3.3 城市空间形态对碳排放效率的影响机理分析

为进一步分析城市空间形态对碳排放效率的影响机理，本文在上述研究的基础上，尝试拟合斑块结合度（COHESION）、景观形状指数（LSI）和斑块数（NP）三个城市空间形态变量与三类碳排放及经济收益、社会收益的最优函数关系方程，并通过比较决定系数R2值进行影响机制分析。R2越大，则表明回归方程拟合度越好。

由表6可知，斑块的聚集程度（COHESION）会对三类碳排放和经济收益产生影响，且对交通碳排放的影响最为显著（R2为0.482），这表明斑块的聚集程度对碳排放经济效率的影响主要是通过改变交通碳排放量这一途径实现的。斑块的复杂程度（LSI）和破碎化程度（NP）对三类碳排放、经济收益和社会收益均会产生影响。就斑块的复杂程度而言，分别比较三类碳排放与经济收益和社会收益的R2，发现交通碳排放量的R2为0.475，明显高于经济收益和社会收益的R2（0.215和0.395），表明斑块复杂度对交通碳排放量具有较强的影响作用，并通过改变交通碳排放量的方式最终影响了碳排放经济效率和碳排放社会效率。对于斑块的破碎化程度，同样分别比较三类碳排放与经济收益和社会收益的R2，发现破碎化程度对三类碳排放、经济收益和社会收益的作用程度较为相近，无明显差异。

4 结论与建议

县域中小城市作为未来城镇化发展的“主阵地”，开展城市空间形态对碳排放效率影响研究，可为现阶段中小城市低碳发展提供一种新的思路。基于上述对2005—2020年间长三角地区44个县域中小城市空间形态对碳排放效率影响的实证研究，本文得到如下结论并据此对长三角地区县域中小城市未来低碳发展提出相关建议。

高紧凑度的城市空间形态对提高中小城市碳排放经济效率具有促进作用，影响机理分析表明趋于紧凑的空间形态主要通过改变交通部门碳排放这一方式影响碳排放经济效率，这与大城市层面研究结果相一致[26]。中小城市普遍具有行政、文化及商业娱乐中心布局相对集中的空间特征，因此，趋于紧凑的空间形态能够更好地发挥空间集聚效应和组合效应，提升生产生活功能上的便利程度，减少居民日常出行产生的交通碳排放。因此，建议长三角地区县域中小城市通过强化结构性填充式开发的策略提高形态和功能两方面的紧凑程度，以降低交通部门碳排放。构建“街区—地块—建筑”三个层级的填充式开发策略，对未充分利用的土地及建筑进行再开发，重点关注具有一定基础设施但开发利用不充分的城市建成区域。兼顾长三角地区县域中小城市功能布局相对集中的空间特征，在填充开发的功能选择方面强化功能集聚效应，满足居民多样化的生活需求，减少私家车出行频率及相应碳排放。

降低中小城市空间形态的复杂程度和破碎化程度有助于提高碳排放经济效率和碳排放社会效率。这主要是由于样本城市中工业主导型城市较多，货物运输量大，复杂程度越高、越趋于不规则的空间形态，机动车辆的行驶时间和距离相对越多[27]。同时，城市用地被分割得越破碎的空间形态，居民生活被分散到不同斑块的比例越高，交通活动能耗相应越高。此外，也有研究表明更高复杂度和破碎化的城市空间形态会加剧道路系统、供排水管网等基础设施的建设投入，增加碳排放[40]。研究建议调整空间组织模式以发挥空间形态在提升碳排放效率方面的积极作用效应。由于空间形态的复杂程度和破碎化程度会受地块划分方式及街区形状规则程度的影响，因此，密路网小街区的空间组织模式对于抑制中小城市交通碳排放，提高碳排放效率具有较大潜力。对于中心城区，既有的道路网密度和街区尺度虽较符合密路网小街区的低碳发展模式，但需警惕因地块规模过小导致破碎化程度过高，进而加剧交通碳排放的情况。可根据中心城区地块功能分布、空间使用特征及交通负荷等，调整道路等级确定慢行区域规模，改善支路以下等级道路机动车通行能力低的情况，降低交通碳排放。对于新区建设，应转变“宽道路大街区”的道路体系构建模式，在延续长三角地区县域中小城市空间形态肌理的同时，对地块最小规模限制进行调整，减少不必要的绕行，提升绿色出行可能性，以提高城市碳排放效率。