EN中文

地理研究 >

2019 , Vol. 38 >Issue 6: 1464 - 1480

DOI: https://doi.org/10.11821/dlyj020190096

研究论文

建成环境对城市居民日常出行碳排放的影响——以开封市248个居住区为例

  • 荣培君 , 1, 2 ,
  • 张丽君 , 2 ,
  • 秦耀辰 2 ,
  • 李阳 1, 2 ,
  • 郑智成 2
展开
  • 1. 河南财经政法大学旅游与会展学院,城乡协调发展河南省协同创新中心,郑州 450046
  • 2. 河南大学环境与规划学院,开封 475004
通讯作者：张丽君（1985-）,女,河南南阳人,博士,讲师,主要研究方向为区域可持续发展。 E-mail:

作者简介：荣培君（1986-）,女,河南开封人,博士,讲师,主要研究方向为区域可持续发展。 E-mail:

收稿日期: 2019-01-29

  要求修回日期: 2019-05-06

  网络出版日期: 2019-06-12

基金资助

国家自然科学基金项目（41671536）

国家社会科学基金项目（17BJL065）

中国博士后科学基金面上项目（2017M622333）

河南省科技厅软科学项目（41901588）

收起

Impact of built environment on carbon emissions from daily travel of urban residents: A case study of 248 residential areas in Kaifeng

  • RONG Peijun , 1, 2 ,
  • ZHANG Lijun , 2 ,
  • QIN Yaochen 2 ,
  • LI Yang 1, 2 ,
  • ZHENG Zhicheng 2
Expand
  • 1. College of Tourism and Exhibition/ Collaborative Innovation Center on Urban and Rural Harmonious Development of Henan Province, Henan University of Economics and Law, Zhengzhou 450046 , China
  • 2. College of Environment and Planning, Henan University, Kaifeng 475004, Henan, China

Received date: 2019-01-29

  Request revised date: 2019-05-06

  Online published: 2019-06-12

Copyright

《地理研究》编辑部 所有
Fold

摘要

居住区是居民日常生活最基本的空间单元,其建成环境对出行碳排放的影响是学术界关注的焦点。基于大样本调查数据核算居民各类出行碳排放,通过POI抓取、空间句法、网络分析等方法识别开封市主城区成规模的248个居住区的建成环境特征,借助核密度和GWR等方法剖析居住区尺度居民各类出行碳排放的空间分异规律。结果表明：① 城市内部居民出行碳排放空间差异显著,居住区公共服务供给的公平性问题突出,外圈层快速扩张区域应作为城市碳减排工作的关键区域;② 居住区尺度能较好地揭示建成环境对出行碳排放的影响,路网设计、建筑密度、土地利用混合度等因素对各类出行碳排放的作用机理差异较大,作用强度亦存在不同方向上的空间渐进规律;③ 根据出行碳排放结构及其对应的建成环境指标可识别出外层高密度欠通达低混合型居住区碳排放水平较高,内层低密度高通达高混合型居住区碳排放水平较低。研究结果可为居住区空间重构和城市碳排放的分区规划与治理提供科学依据。

关键词： 出行碳排放; 居住区; 建成环境; 影响机理; 空间分异

本文引用格式

荣培君 , 张丽君 , 秦耀辰 , 李阳 , 郑智成 . 建成环境对城市居民日常出行碳排放的影响——以开封市248个居住区为例[J]. 地理研究, 2019 , 38(6) : 1464 -1480 . DOI: 10.11821/dlyj020190096

Abstract

Residential area is the most basic unit of residential daily life, and the impact of its built environment on daily travel carbon emissions is a major concern within academic field. We accounted all kinds of carbon emissions from residential daily travel based on a large number of sample questionnaire data, identified the built environment characteristics of 248 residential areas in the main urban area of Kaifeng city by POI capture, network analysis, spatial syntax and other methods, and analyzed the spatial distribution and the differentiation mechanism of carbon emissions of various types of residents in residential areas by means of nuclear density and GWR. The results show that: (1) There is a significant spatial difference in urban residents' travel carbon emissions, and there is a great difference in the fairness of public service supply in residential areas. (2) The study in residential area scale can better reveal the impact of built environment on travel carbon emissions. Location, accessibility, road network design, building density and land use mix degree, etc. have significant impacts on the residential daily travel carbon emissions. However, for different travel purposes, the impacts of these factors are quite different. What's more, there is a spatial asymptotic difference in the impact intensity in different directions. (3) According to the carbon emission grade combination of various purposes and corresponding built environment indexes, it can be identified that the carbon emission level of outer high-density under-accessible low-mixed residential areas is of high emissions, and that of inner low-density high-accessible high-mixed residential areas is of low emissions. The results can provide a scientific basis for the spatial reconstruction of residential areas and the zoning planning and governance of urban carbon emissions.

Key words： travel carbon emissions; residential area; built environment; impact mechanism; spatial differentiation

1 引言

在城市化快速发展和气候持续变暖背景下,城市空间组织和肌理的优化成为绿色发展研究的重要议题[1,2]。居住区是居民日常活动最基本的空间单元,其建成环境会对居民的生活方式和行为习惯产生锁定效应[3,4,5]。然而城市蔓延、无序开发、“以车为本”和利益至上等城市规划和建设问题依然严重制约着居民的低碳出行[6,7]。因此,如何进行城市社区因地制宜的分区治理,使之既能有效应对气候变化和空气污染,又能保持城市不断发展和居民生活质量不受影响,成为政府和学界面临的关键挑战和亟待解决的重要问题[8,9]。
建成环境是指日常生活中与人们生活、工作、休憩有关的人造空间[10]。城市建成环境对居民出行的影响引起了学术界的广泛关注。在都市区层面,密度（density）、可达性（accessibility）和邻近度（proximity）是三个较为常用的建成环境指标,三者往往与交通能耗和CO2排放存在负向相关关系,学者们从而提出精明增长和紧凑型城市发展策略是减少二氧化碳的有效手段[11,12,13,14]。但也有学者认为这些研究未能消除能源价格、城市规模和城市不同发展阶段等关键外部因素的影响而对此提出质疑[15]。在社区层面,20世纪末国外基本上已经具有了较为系统的指标体系。居住密度（residential density）、步行可达性（pedestrian accessibility）、公交可达性（transit accessibility）和商业可达性（neighborhood shopping）是最早被公认用来刻画社区建成环境的指标[16]。随着尽端路口密度（percentage of cul-de-sac）和十字交叉口密度（percentage of 4-way intersection）等路网设计指标的引入[17],密度（Density）、多样性（Diversity）和设计（Design）三个维度,即“3D”体系初步形成[18]。随后,距公交站点距离（distance to transit）和目的地可达性（destination accessibility）两个维度也引起关注[19],最终形成了“5D”体系,为以后的研究提供了较为统一的思路。国内外诸多研究表明：一方面,圈层或郊区化程度[20,21]会促进出行碳排放的增加;另一方面,地铁、公交、共享单车等公共交通的便利程度[22,23]、居住地的土地混合度[24,25]和社区人口密度[26,27]会对出行碳排放产生较强的负向影响。但是这些因素对不同目的的出行行为,其作用机理又显现出不同程度的差异[28]。
目前,建成环境对城市居民出行碳排放的影响存在不同程度的争议,主要集中于两个方面的问题：第一,建成环境对居民出行碳排放到底有没有起到主要或者决定性的作用?第二,哪种尺度的研究更利于揭示建成环境对居民出行碳排放的作用?这个尺度体现在建成环境的空间尺度,也体现在研究对象的个体、家庭和居住区/社区的差异。而后者又是回答前者问题的基础。一个不争的事实是在研究居民的认知、偏好、决策等思考和行为模式时,个体或者家庭的微观解剖可能使结果更精细和准确。然而,在研究居住区尺度的问题时,如果真正把居住区本身作为基本单元,以多个居住区为研究对象,很有可能发现更有价值的规律。事实上,已有研究选择典型小区进行居民个体层面的研究较为普遍,鲜有把居住区当作一个具有相似属性的整体来看待,这样很有可能会突出个体社会经济因素的影响而降低建成环境的作用。但是近几年,随着时空行为理论的不断发展,自选择理论在居住区的适用性不断被证实,即同一居住区是由相似社会经济特征的特定居民群体组成,并且有近乎一致的建成环境[29,30]。这些结论为将居住区作为独立基本单元来揭示建成环境对出行碳排放的影响提供了坚实的理论支撑。
基于此,研究以典型中小城市为突破口,将开封市主城区所有规模以上、住房类型一致的248个居住区作为研究对象,开展成规模小区的全覆盖研究。通过大样本调查、百度POI、规划图件和遥感影像获取基础数据,进行居民出行碳排放的核算和建成环境指标的挖掘,探索其空间分异规律。以期更精确地揭示建成环境对居民碳排放的影响机理,为低碳社区和低碳城市的空间治理提供数据和理论支撑。

2 研究区概况与研究方法

2.1 研究对象

2.1.1 研究区概况 开封市位于黄河中下游,地处河南省中东部和豫东大平原的中心部位。以开封为研究区域主要基于以下考虑：第一,开封是著名的历史文化名城,具有2400多年的历史,有八朝古都之称,北宋时期曾是世界上最繁华的大都市。历史的巨大变迁和发展的不断变革,使开封的建成环境具有历史叠加的厚度,更有新老城区的城市二元结构特征,还存在丰富的生活形态和多样的居住区类型。第二,开封是中原城市群核心区的中心城市之一,城市化发展迅速。开封的城镇化率从1988年的18%上升至2018年的48%,私家机动车的数量近三年以平均17%的速度增长,居民出行方式变化明显。第三,开封属于占全国绝大多数的中小城市,不仅为本探索性的研究提供了可能,也可以为其他众多的同类城市提供参考和借鉴。
2.1.2 居住区的界定及选取 借鉴国外居民低碳发展的经验和标准,居住区比社区在规划设计、物业及能源管理方面有更强的可操作性,因此本研究选取居住区而非行政单元的社区为研究对象。“居住区”在一些建筑学和城乡规划学的文献中也被称为“住区”“住宅区”,但是在《城市居住区规划设计规范》中其实包含居住组团、居住区和居住小区三个层级。此外,一些文献中还用到“小街坊住区”“住宅街坊”“街道社区”“街道（住宅）小区”等概念,其所指对象基本一致,即“由城市道路或居住区道路划分,无固定规模的住宅用地”。因为本研究需要尽可能多的覆盖所有类型、多个数量的居住区,因此将住房类型、建造年代一致的封闭或开放居住组团,以及由末级道路围成的街道小区均列为研究对象。具体选取遵循人口大于1000人或者面积大于1 km2的同类型建筑构成的居住用地以及入住率高于10%两个原则。根据遥感影像和实地考察相结合的方式,共识别出符合条件的开封市主城区的248个居住区（图1）。
Fig. 1 Spatial distribution of samples

图1 样本居住区空间分布

2.2 研究方法

2.2.1 居民出行碳排放核算方法 国际上通用的出行碳排放的核算方法是基于燃料[31]和基于距离[32,33]的碳排放系数法。其中,国外因不同出行类别耗能的统计数据较为详细,故基于燃料的碳排放系数法应用较为广泛。而中国由于居民日常出行的能源统计数据和交通能耗标准的缺失,因此基于距离的出行碳排放核算方法较为适用。
在分出行目的计算时,采用基于距离的核算方法[34]。以国际上通用的1周为时间周期,各类碳排放的计算公式为：
C E p = ∑ i = 1 n D i × R i × T i × 2 × F i （1）
式中：CEp为家庭每周各类出行目的所产生的碳排放（kg）;n为该类出行的人数;i为该类出行的家庭成员;Di为该类出行的距离（km）;Ri为每天往返的次数;Ti为每周该类活动的天数;Fi为各类交通工具的碳排放因子（gCO2/km）。
在计算总碳排放时,为避免不同能耗强度的机动车使用同一碳排放强度的问题,选用基于燃料和基于距离相结合的方法。对于私家汽车和摩托车产生的碳排放采用基于燃料的方法进行核算,其公式为：
C E fuel = Q i × F i ÷ 4 （2）
式中：CEfuel为每周私家交通使用汽油、柴油和CNG的碳排放量（kg）;Qi为每月使用的汽油、柴油和CNG的体积（l）;Fi为燃料的碳排放系数,其中汽油为2.32 kg/l、柴油为2.67 kg/l、CNG为0.002 kg/l[31]。
对于采用电动车、出租车、单位集体接送车和公共汽车所产生的碳排放采用式（1）的计算方法,而后将不同出行方式的碳排放求和得到家庭总出行碳排放。
2.2.2 居住区建成环境指标选取及度量方法 （1）居住区密度指标包括人口密度、建筑密度和容积率几类[35],其中容积率比单纯的建筑密度又增加了小区楼层高度的因素,更有利于反映居住区的建筑和人口的密度。通过规划资料、遥感影像与实地调研,获取开封市建成区的容积率,其公式为：
V = S t S l = ∑ S b × n S l （3）
式中：V为容积率;St为地上建筑总面积;Sl为用地面积;Sb为建筑基地面积;n为建筑楼层数。
（2）道路可达性是城市网络形态的一种重要表现形式,选取全局整合度来反映开封市居住区可达性的情况,公式为[36]：
R A i = ∑ j = 1 n d   ij ( n - 1 ) （4）
式中：RAi为全局整合度值;MDi为平均深度值。
（3）各类设施密度是居住区功能形态的重要表现形式。具体指居住区500米半径范围内的公交站点、餐饮购物点、教育资源、生活服务场所等类型设施的数量。关于缓冲区范围的选择,500 m、800 m和1000 m较为常用。考虑到开封是中小城市的典型代表,且在问卷中设置了居民能接受的步行距离的选项,选择500 m以内和500~800 m的占82%,同时考虑到缓冲区测量的是直线距离,居民的实际出行距离要远于此,因此本研究选取500 m作为缓冲区半径。
（4）信息熵是国内外普遍认可的一种测量土地利用混合度的方法,其计算公式为[37]：
T h = ( - 1 ) ∑ i = 1 n ( b i / a ) ln ( b i / a ) （5）
式中：Th代表土地利用混合度;a指500 m缓冲区内影响居民出行的全部用地类型的总面积;bi指缓冲区内某一类用地类型的面积;n为用地类型数量。参考相关文献[37],与居民出行相关的用地类型包括居住用地、工业用地、公共管理与公共服务设施用地、商业服务业设施用地、城市道路用地等类型。
（5）交叉路口密度是道路设计维度较为常用的指标。研究采用500 m缓冲区范围内的十字路口和丁字路口数量的总和。根据矢量化的道路数据,采用ArcMap的网络分析模块实现计算。
（6）区位一方面可以体现居住区地理位置的圈层性及商圈可达性,另一方面在很大程度上反映了房价水平,从而体现居民的收入和消费水平。研究采用居住区的几何中心到市中心的距离来计算居住区的区位形态,其中市中心选取标志性建筑——鼓楼来代表。
2.2.3 空间统计分析方法 （1）核密度分析主要用于计算要素在其周围邻域中的密度,通过探析其分布密度在空间上的特征来反映该要素的分散或集聚状态。公式如下[38]：
f ( x ) = ( 1 / n h d ) ∑ i = 1 n k [ ( x - x i ) / h ] （6）
式中：f（x）为核密度估计值;x为网格中心处的核密度;xi为样本点的核密度;n为阈值范围内的居住区个数;h为阈值;d为数据维度; k [ ( x - x i ) / h ] 为核函数。
（2）地理加权回归（Geographical Weighted Regression,GWR）对传统的经典回归模型进行了改进与加工,充分考虑了影响因素的空间位置,提供局部回归的参数估计值,可以更加客观实际地探测数据的空间非平稳性。计算公式为[39]：
y i = α 0 ( S i , T i ) + ∑ j = 1 n α j ( S i , T i ) x ij + ε i （7）
式中：yi为第i个居住区的出行碳排放平均值;(Si, Ti)为第i个居住区几何中心的地理坐标;a0(Si, Ti)为第i个居住区的回归常数;aj(Si, Ti)为第i个居住区的第j个回归参数;n为建成环境指标个数;xij为独立变量xj在第i个居住区的值;ei为方程的随机误差。

2.3 数据来源

2.3.1 问卷调查 根据遥感影像和实地观测,将居住区按照人口规模大小分为A、B、C三个等级,其中A类居住区（89个）,人口规模为100~300户,样本数为每小区15户;B类居住区,人口规模为300~600户（118个）,样本数为每小区20户;C类居住区（41个）,人口规模为600户以上,样本数为每小区30户。这样能保证均大于国家调查的抽样数量标准。每个居住区采用入户或小区内访谈的形式随机调查,问卷内容涉及家庭的基本社会经济属性特征、家庭成员通勤、接送孩子上下学、购物、娱乐等活动的主要出行方式、时间、距离、往返次数等信息。2016—2017年,项目组共获取有效样本4925份。需要说明的是,为保证样本间的可对比性及对教育资源分布合理性的有效研究,研究选取的家庭均为有学龄孩子且没有职住异地或从事送货员、司机等交通依赖性职业的成员。
2.3.2 POI数据 研究通过获取百度地图的POI数据进行居住区土地利用混合度的计算,各类数据准确度采用该类百度POI数据与实地勘察结果存在误差的个数除以该类实地勘察总数量（表1）。检验结果显示,各类兴趣点数据完整性和准确性达到95%以上,整体来看数据准确可靠。
Tab. 1 Classification of POI species involved in this study

表1 本研究涉及到的POI种类划分

一级分类 二级分类 具体内容
公共管理服务设施 教育服务 幼儿园、小学、初中、高中
交通设施 公交站点
商业服务设施 娱乐设施 景区、KTV、城市公园、游乐场
餐饮购物 各类餐厅、星级酒店、超级市场、购物中心、副食店、菜市场
生活服务 汽车服务、家政服务、报刊亭、物流点、洗衣店、摄影店、健身房洗浴中心等
2.3.3 遥感影像和基础图件 研究采用的遥感影像为Google航拍图,时间为2017年10月,分辨率为0.49 m。首先采用控制点方式进行几何矫正,结合ArcGIS 10.2和ENVI 5.0软件,提取开封市建成区,并对居住区、建筑和道路进行矢量化处理,进而构建开封市主城区居住区/道路数据库。基于空间分析方法的模型基础,获取表征居住区建成环境的各种参数（可达性、混合度、区位条件等）,同时结合其强大的多元数据整合、数据分析与可视化表达能力,分析并表征各因素的分异机制。此外,为获取居住区的空间形态和城市的行政区划及土地利用情况数据,从开封市规划局城建档案馆获取各居住区的总平图及经济技术指标,从开封市城市勘探设计院获取主城区土地利用现状图和行政区划图。

3 居住区及出行碳排放特征描述

3.1 居住区社会经济属性特征

开封城墙是城市历史的见证也是影响城市交通的重要建筑。以开封城墙为边界将建成区划分为老城区和新城区,根据前述居住区界定原则,开封市主城区共有248个居住区,其中老城区有71个居住区,新城区有177个居住区。以每个居住区各因素的平均值建立开封城市居住区数据库,从而对居住区的属性特征加以剖析（表2）。
Tab. 2 Comparison of basic attributes of residential areas in new and old areas

表2 新老区居住区基本属性对比

指标 分类 老城区(%) 新城区(%) 指标 分类 老城区(%) 新城区(%)
住房类型 商品房 23.0 51.1 平均楼层（层） ≤ 3 32.0 9.0
单位集资房 9.9 17.0 4~6 59.2 62.9
经济适用房 1.4 8.4 7~11 9.9 14.0
私人自建房 64.8 18.5 ≥ 12 0.0 14.0
拆迁安置房 0.0 4.9 建造年代（年） 1980以前 4.2 2.2
建筑面积 50~100 54.9 26.4 1981—1990 23.9 7.9
100~150 36.6 59.0 1991—2000 45.1 39.3
150~200 8.5 8.4 2001—2010 25.3 39.9
200以上 0.0 6.2 2010以后 1.4 10.7
家庭月收入（元） ≤ 3000 14.1 1.7 小汽车拥有量（辆） ≤ 0.5 56.3 21.9
3000~6000 49.3 27.5 0.5~1 35.2 61.8
6000~9000 26.6 57.3 1~1.5 7.1 11.2
9000~12000 7.0 13.5 1.5~2 1.4 5.1

注：若一个小区是商品房和拆迁安置房混合,因房价受到一定影响,因此该小区认定为拆迁安置房小区。

从居住区类型来看,具有如下特征：第一,私人建房在开封市老城区中占比为64.8%,是老城区最主要的住房类型,且在新城区中也占比18.5%,这些居住区基本上是街道社区（内城棚户区）以及城乡结合部未被开发的私宅;第二,商品房是新城区的主要住房类型,占比为51.1%;第三,单位集资房也在新老城区分别占比9.9%和17.0%,其中老旧家属院多是大型企业的单位集资房,而随着20世纪90年代末开封市大量企业的衰败,近10年的家属院是以机关事业单位为主集资建造的;第四,开封的经济适用房基本是在21世纪初建成的,因此大多分布于新城区,但为了使居民生活方便,又建设在离中心城区不远的圈层中。
从平均楼层来看,开封的高层（12~30层）和超高层（31层以上）建筑不多,以低层（1~3层）和多层（4~6层）住宅为主,且开封老城区基本没有高层住宅,新城区中的高层住宅均是2000年以后新建的商品房或者安置房小区。事实上,很多小区存在两种或多种楼层住宅相混合的现象。
从家庭平均建筑面积来看,新城区的大户型住宅比例远高于老城区,尤其是户均居住面积在200 m2以上的住宅只存在于新城区。这与市场经济条件下居民改善居住条件的诉求和能力相吻合,但也成为低碳城市构建的制约因素之一。
从居住区户均家庭月收入情况来看,平均家庭月收入在3000元以下的居住区仅占5.8%,基本是在老城区的街道社区和新城区中未被开发的城郊农村私宅社区;平均家庭月收入在3000~9000元的居住区是开封市居住区的主体,占80.0%;收入在12000元以上的居住区仅占3.1%,基本都在新城区中。需要说明的是,在收入项,居民填写时会存在保守填写的现象,尤其是对奖金、福利等容易忽略,且高收入群体顾虑更多,因此统计结果可能会存在数值偏低的现象。
从居住区的建造年代情况可以看出,新老城区的居住区建成年代有显著的差别,老城区2000年以前建造的居住区有73.2%,新城区2001年以后建造的居住区占50.6%,2010年以后建成的居住区在老城区只有一个。1980年代末和1990年代初建成时间较长的小区基本在老城区及以东区域。
此外,小汽车拥有量在各居住区之间存在较大差异,其中高档商品房小区或者别墅小区的户均小汽车拥有量超过1.5辆,而一些街道社区、老旧商品房小区的户均小汽车拥有量不足0.5辆。

3.2 居住区建成环境特征

根据相关文献[20,21,22,23,24,25,26,27],主要考察居住密度、居住区周边土地利用混合度及各主要类型设施的分布情况（图2）,其类别划分采用自然断裂点法。
Fig. 2 Spatial distribution of built environment index of residential area

图2 居住区建成环境指标的空间分布

在土地利用方面,根据城市发展进程,开封市高容积率的居住区几乎都分布于新城区和城市的外圈层,均为2010年以后新建的商品房或单位小区。土地利用的混合度可以体现居住区综合生活设施供给的便利性。其中混合度较高的是市中心附近街道小区和商品房小区。混合度较低的是城乡结合带的城郊居住区以及外圈层的部分小区,这些小区以拆迁安置房、经济适用房和新建商品房为主。
在交通方面,有31个居住区500 m缓冲区内没有公交站点,多数是因为居住区不临二级以上道路或者较为偏僻造成公交线路不能途经。根据空间句法得到每条道路的全局整合度,将围成居住区的若干条道路整合度的平均值作为居住区的可达性指标。其中,通达性较好的居住区以老城区偏南部为中心,通达性较差的小区基本分布在城市的外圈层。随着西区的快速发展,开封正在向多中心城市转变,但从道路可达性来看,目前依然是单中心同心环的发展模式,在这种情况下,城市的圈层结构依然会在社会经济和生态环境方面有所体现。此外,周边道路设计较为合理（交叉路口数量较多）的居住区有一定的空间集聚效应,主要分布于老城区中部、城市偏东北部、北城门外、西城墙外和老城外西南角区域。交叉路口数量较少的居住区基本分布在城市的外圈层,其中,里仁居、药厂家属院、橡树庄园等几个居住区周边500 m缓冲区内交叉路口数不足10个,虽然个别小区周边有其他规划建设的道路,但截至调研期间并未开始建设。
在商业服务设施方面,餐饮购物是居民日常生活不可或缺且发生频率较高的活动,对居民的生活方式和出行方式有重要影响。周边餐饮购物场所较多的居住区大多分布于老城区及其以东开发较成熟的区域内,西区主要在个别大型商场所在地附近,如三毛购物广场、开元广场等区域。休闲娱乐设施最密集的是老城区中心一带,但是因为开封市环城游憩带的开发,城墙周边的休闲娱乐设施也较为丰富。生活服务设施密集的小区基本上全部集中于老城区及东临开发较早的区域。
在教育资源方面,不同的居住区500 m缓冲区内的幼儿园、小学和中学数量差异显著。周边学校密集的区域一部分分布于中心城区和东部老城区,另一部分分布于向西开发较早的三条主干道两侧：即郑开大道、晋安路和汉兴路。但是城市近几年重点开发的城市西北区域鲜有学校分布。从数据来看,四分之一左右的小区500 m缓冲区内尚无一所幼儿园,以新城区居多。此外,老城区内周边没有小学的居住区占29.58%,新城区这一比例为63.48%。

3.3 居住区出行碳排放特征

在进行全局自相关探索时,发现休闲出行碳排放的正态统计量Z值小于0.05的置信水平的临界值（1.96）,P值大于0.05,未能通过显著性检验,说明其空间依赖效应较弱,故只进行了除此之外的通勤、通学和购物出行的核密度分析。通过ArcGIS 10.2的空间分析模块,得出开封市居住区出行碳排放的核密度分布情况（图3）。从中可知,城市内部居民各类出行碳排放差异较大,空间集聚效应明显,证明空间位置对其有一定的锁定效应。但是从多中心极核来看,区位并非决定因素,说明建造时间、功能混合度、建筑密度等因素综合影响使之形成目前的格局。其中,总出行碳排放、通勤和通学出行碳排放布局较为相似,只存在程度上的差异。这三类均存在多核的高值区,大多分布于城西新建开发区,但城东的外圈层也存在较大的极核。购物出行碳排放的核密度分布与之不同,不存在较大极核,但在城市各区域都分散有小面积的高值集聚区,说明购物场所的辐射范围有限,其便利程度受市场调控影响较大。
Fig. 3 Kernel density distribution of residential carbon emissions in Kaifeng

图3 开封市居住区出行碳排放的核密度分布

3.4 不同出行碳排放结构的居住区建成环境特征

将居民出行碳排放的主要构成部分通勤、通学和购物休闲出行的碳排放水平按照等分法分别分为高、中、低三个层次,排列组合后形成27种类型的出行碳排放,其空间分布情况如图4所示。不同出行碳排放结构类型的居住区对应的建成环境特征如表3所示。
Fig. 4 Spatial distribution of travel carbon emission structure types

图4 出行碳排放结构类型空间分布
注：出行碳排放结构类别的三个字母依次代表通勤、通学和购物娱乐三类出行碳排放的层级,H、M、L分别代表高、中、低,为避免分类结果过于复杂,将购物和休闲两类占比相对较低又属于可支配活动的出行碳排放合并为一类。

Tab. 3 Built environment characteristics of carbon emission structure with different types of residential travel

表3 不同出行碳排放结构类型居住区的建成环境特征

碳排放
结构类别		 容积率 离市中心
距离(km)		 通达性
整合度		 周边交叉
路口(个)		 周边公交
站点(个)		 周边学校(个) 周边餐饮购
物设施(个)		 土地利用
混合度
HHH 2.96 6.96 0.13 18.29 0.96 1.33 19.95 1.17
HHM 2.53 5.20 0.15 27.60 0.86 2.23 35.21 1.27
HHL 2.54 5.56 0.13 24.36 1.23 3.02 55.63 1.18
HMH 2.43 5.31 0.14 45.16 0.96 4.05 22.21 1.18
HML 2.09 4.53 0.15 56.32 1.96 4.16 68.32 1.36
HLH 1.89 5.36 0.15 42.36 2.58 6.93 29.65 1.20
HLM 1.95 5.11 0.16 62.45 3.26 5.35 35.16 1.26
HLL 1.56 4.95 0.14 57.13 3.75 6.87 75.28 1.39
MHH 1.73 3.68 0.17 30.36 1.34 2.05 17.36 1.19
MHM 1.62 4.65 0.19 28.52 3.65 2.16 34.26 1.23
MHL 1.35 3.96 0.19 50.45 2.96 1.95 40.26 1.30
MMH 1.63 4.87 0.18 19.93 2.65 4.13 36.63 1.20
MMM 1.52 4.52 0.20 46.52 3.17 5.12 35.11 1.26
MML 1.46 3.56 0.17 49.35 4.06 6.02 70.03 1.38
MLH 1.53 3.95 0.21 51.23 3.12 3.06 42.69 1.21
MLM 1.42 4.90 0.20 50.63 2.58 3.58 34.36 1.32
MLL 1.46 3.68 0.19 69.11 3.95 4.06 69.84 1.35
LHH 0.96 2.19 0.24 39.42 1.02 2.06 44.33 1.34
LHM 1.09 2.08 0.23 40.26 2.69 1.95 23.63 1.27
LHL 1.21 2.36 0.26 70.42 2.35 2.22 71.36 1.44
LMH 1.05 2.05 0.23 55.26 3.06 2.16 39.96 1.20
LMM 1.07 1.85 0.25 53.36 4.27 2.04 34.12 1.25
LML 1.15 1.09 0.24 73.56 3.89 1.66 61.39 1.45
LLH 1.18 2.23 0.23 85.28 4.62 6.92 21.96 1.20
LLM 0.93 1.84 0.24 78.34 4.35 7.23 33.98 1.34
LLL 0.95 1.95 0.22 79.49 4.02 7.12 72.13 1.48
从中看出,HHH、HHM、HMH、HMM、MHH均分布于城市外圈层,各类出行碳排放水平均较高,而从建成环境指标来看,这几类居住区属于外层高密度欠通达低混合型居住区,说明此类居住区职住分离现象严重、教育资源滞后程度较高、购物休闲设施欠缺。相反,LLL、LMM、LLM、MLL、LML型居住区各类出行碳排放水平均较低,且基本分布在老城区内,而这些居住区从建成环境指标来看,属于内层低密度高通达高混合型居住区,反映了老城区发展相对成熟,居民生活便利程度较高。

4 影响机理分析

4.1 综合影响

目前,关于出行碳排放微观机理的研究主要存在家庭/个体和社区两种尺度,因为数据获取的限制,家庭/个体尺度的分析较为丰富。基于自选择理论在中国居住区适用性的验证及本研究拟揭示问题的本质,将每一个居住区视为独立的基本单元,进行建成环境效应的模拟。为选取出主要影响因素并消除共线性问题,采用逐步向后回归分析的方法进行分析。为便于因素间的对比,以样本的平均值作为居住区的属性表征,首先分析社会经济因素对居民出行碳排放的影响,各类出行碳排放的最终模拟结果见表4的模型I。从中看出,社会经济因素中的小汽车拥有量和户主年龄对各类出行碳排放影响均较为显著,居民收入只对通学碳排放有显著影响,户均住宅面积对各类出行碳排放的影响均未能通过显著性检验。需要说明的是,以往有学者将出行距离、机动车出行概率、出行频率等行为偏好特征纳入社会经济因素的范畴进行分析,且这些因素对出行碳排放的贡献率较高。但是这些指标是本研究进行碳排放核算的基础,为保证变量间具有统计意义上的独立性,未将其纳入影响因素。在模型II加入建成环境因素后,模型的拟合优度R2明显提升,证明居住区尺度的建成环境对居民日常出行碳排放存在较强锁定效应。各建成环境指标对不同类别出行碳排放的影响机制亦存在较大差异,其中对总出行碳排放影响显著的指标有距市中心的距离、居住密度、交叉路口数、公交站点密度、土地利用混合度及教育设施密度。
Tab. 4 Regression results of residential daily travel carbon emissions

表4 居民日常出行碳排放的回归结果

影响因素 模型 I 模型II
总出行 通勤 通学 购物 休闲 总出行 通勤 通学 购物 休闲
家庭月收入 - - 0.051 - - - - 0.062 - -
建造年代 0.123 0.109 - - 0.081 0.106 0.101 - - 0.083
家庭小汽车拥有量 0.074 0.095 0.037 0.060 0.052 0.083 0.076 0.043 0.056 0.054
户主年龄 -0.133 -0.075 -0.071 -0.099 -0.076 -0.106 -0.083 -0.065 -0.102 -0.079
户主学历 - 0.099 - - 0.106 - 0.085 - - 0.098
距市中心距离 0.008 0.222 - 0.042 -0.156
居住密度 -0.048 - - - -0.073
通达性 - -0.056 - - -
交叉路口数 -0.142 -0.062 -0.046 - -0.147
公交站点密度 -0.108 - - - -
土地利用混合度 -0.106 - - - -
餐饮购物设施密度 - - - -0.213 -
娱乐设施密度 - - - - -0.164
教育设施密度 -0.043 - -0.151 - -0.072
R2 0.259 0.247 0.135 0.142 0.198 0.716 0.711 0.580 0.693 0.535

注：“-”表示未通过5%置信水平下的显著性检验。

4.2 建成环境对居民出行碳排放作用机理的空间差异

根据上述结果,以总出行碳排放为例,选择对其有显著影响的6个因素构建地理加权回归模型,使用AIC准则法进行模型的检验。结果得到R2为0.71,AICc为136.52,而进行OLS分析时,R2为0.69,说明地理加权回归的拟合结果优于全局回归分析的结果。为增强可视化效果,将GWR结果中各变量的参数值进行了普通克里金插值（图5）。
Fig. 5 Spatial distribution of regression coefficient of influence factors on built environment in the GWR model of residential travel carbon emissions

图5 居民出行碳排放建成环境效应的GWR参数估计空间分布

从结果可以看出,各参数值的空间渐进规律明显。其中,区位因素对居民出行碳排放的影响是自南向北递增,土地利用混合度回归系数的绝对值也呈现同样的规律。究其原因,开封城市南郊以空军机场为界基本已经没有可以扩展的空间,而向北有连霍高速和黄河大堤,因此在南北向扩张的过程中,连霍高速以南的复兴大道和东京大道的城郊区域成为了仅有的可开发空间,存在大量城郊自建房和新开发高层商品房小区,但是各类公共和商业设施跟进滞后,居民生活便利程度较差。公交站点密度和建筑密度的参数值规律较为相似,其绝对值均是从西北向东南递增。事实上东南区域是建成时间较早的区域,各类设施相对完善,但是也基本属于停滞发展区域,说明该区域居民对公交的依赖程度更高,此外缺乏大型的购物中心、便民服务网点等设施也是对居民出行影响较大的因素之一。从教育资源参数的绝对值可以看出,开封市在向省会郑州快速扩张的过程中,西部新城区在建造大量商品房的同时,教育资源的及时跟进将对碳减排发挥重要作用。相反,小区周边的交叉路口数参数的绝对值自西向东递增,说明其对东区居民影响更大,这与老旧城区人口密度较大且早期建造的道路较为狭窄,容易造成拥堵有较大关系。

5 结论与讨论

本文尝试以城市发展周期较长、城镇化进程较快的典型中小城市开封为案例区,以主城区内所有成规模的居住区为研究对象,通过大样本调查数据和高分辨率遥感影像,探索居民各类出行碳排放的空间分异规律,剖析居住区尺度建成环境对居民出行碳排放的影响。得到以下结论：
（1）城市内部居民出行碳排放空间差异显著,居住区公共服务供给的公平性差异较大。基于自选择理论,研究将居住区视为基本单元,以其样本的平均值作为居住区的属性表征,发现各居住区的社会经济属性、建成环境指标和碳排放水平均存在较大差异。随着城市的不断扩张,外圈层的土地利用混合度较低,生活服务功能未能平衡发展,教育、就业等资源供给滞后,故城市外圈层快速扩张区域应成为低碳减排工作的关键区域。
（2）居住区尺度能较好地揭示建成环境对居民出行碳排放的影响。建成环境对居民出行碳排放的影响存在尺度上的差异,若从个体尺度研究,把相似建成环境的同一个居住区内的个体剥离开来,就必然突出了个体社会经济因素的作用,从而使研究倾向于得出建成环境对居民出行碳排放的影响微乎其微的结论,而本研究恰恰证实了情景化生活方式理论在居民出行碳排放研究中的适用性,验证了居住环境对居民行为的锁定效应,且居住区尺度建成环境的影响大于个体和家庭尺度。
（3）居民碳排放及建成环境的综合类型划分可为碳排放分区治理提供新的思路。碳减排政策的不断细化是必然趋势,也是科学有效减排的关键。虽然国家提出“分区治理”的指导性意见,但是如何分区依然存在较大的不确定性。在目前发达国家已经提倡“零碳社区”的背景下,中国如何将居住区进行科学划分并制定针对性的减排策略至关重要。传统的将居住区定性分类或单指标分类方法对低碳社区的治理存在局限性,居住区的建成环境因素的综合作用是造成居民行为模式和碳排放状况差异的重要制约因素。根据居住区各类碳排放等级组合及主要建成环境指标可识别出外层高密度欠通达低混合型、内层低密度高通达高混合型等类型的典型居住区,能够较为系统地整合与居民碳排放相关的空间形态因素,为社区的低碳可持续发展提供科学的理论支撑。
（4）建成环境对居民出行碳排放的空间渐进作用规律可为新城区建设和老城区治理提供借鉴。新建区域中的非重点区域应注重各类设施在市场调节滞后情况下的政府支持;新建区域中的黄金地带应注重一系列教育资源的及时跟进。老城区中的保持活力区域应注重街道管理以保持道路的畅通性;老城区中的发展停滞区域需要保障公共交通的供给。此外,教育资源是一个特殊和复杂的问题,一方面,要克服城市蔓延和“以车为本”的城市开发建设模式,避免造成学生通勤距离的增加、城市交通压力的增大、机动车环境下的安全隐患及家庭生活品质的降低;另一方面,优质教育资源的稀缺和不均衡问题仍需要行政力量和市场力量的共同干预和调节。
需要指出的是,因数据获取难度较大,本研究只采用一个时间截面的数据进行了探索,未来若能根据预留邮箱和电话获取后续数据,比如基于已有调查进行跟踪,重点调查拆迁安置居民及其他城市内部流动居民的出行行为特征变化,对比研究后或许能更进一步揭示建成环境对居民出行碳排放的影响。

The authors have declared that no competing interests exist.

参考文献

原文顺序 | 文献年度倒序 | 文中引用次数倒序
[1]
方创琳, 鲍超, 黄金川, 等. 中国城镇化发展的地理学贡献与责任使命. 地理科学, 2018, 38(3): 321-331.

[Fang Chuanglin, Bao Chao, Huang Jinchuan, et al.Contribution, responsibility and mission of geography on China's urbanization development. Scientia Geographica Sinica, 2018, 38(3): 321-331.]

[2]
Zhou Q, Leng G, Huang M.Impacts of future climate change on urban flood volumes in Hohhot in northern China: Benefits of climate change mitigation and adaptations. Hydrology & Earth System Sciences, 2018, 22(1): 305-316.

[3]
Heinonen J, Jalas M, Juntunen J K, et al.Situated lifestyles: I. How lifestyles change along with the level of urbanization and what the greenhouse gas implications are: A study of Finland. Environmental Research Letters, 2013, 8(2): 1-13.

[4]
Heinonen J, Jalas M, Juntunen J K, et al.Situated lifestyles: II. The impacts of urban density, housing type and motorization on the greenhouse gas emissions of the middle income consumers in Finland. Environmental Research Letters, 2013, 8(3): 1402-1416.

[5]
荣培君, 张丽君, 杨群涛, 等. 中小城市家庭生活用能碳排放空间分异: 以开封市为例. 地理研究, 2016, 35(8): 1495-1509.

[Rong Peijun, Zhang Lijun, Yang Quntao.Spatial differentiation patterns of carbon emissions from residential energy consumption in small and medium-sized cities: A case study of Kaifeng. Geographical Research, 2016, 35(8): 1495-1509.]

[6]
Shi K, Chen Y, Li L, et al.Spatiotemporal variations of urban CO2 emissions in China: A multiscale perspective. Applied Energy, 2018, 211(12): 218-229.

DOI

[7]
黄经南, 高浩武, 韩笋生. 道路交通设施便利度对家庭日常交通出行碳排放的影响: 以武汉市为例. 国际城市规划, 2015, 30(3): 97-105.

[Huang Jingnan, Gao Haowu, Han Sunsheng.The effect of traffic facilities accessibility on household commuting caused carbon emission: A case study of Wuhan city, China. Urban Planning International, 2015, 30(3): 97-105.]

[8]
Xie R, Fang J, Liu C.The effects of transportation infrastructure on urban carbon emissions. Applied Energy, 2017, 196(2): 199-207.

DOI

[9]
Fremstad A, Underwood A, Zahran S.The environmental impact of sharing: Household and urban economies in CO2 emissions. Ecological Economics, 2018, 145(9): 137-147.

DOI

[10]
申犁帆, 王烨, 张纯, 等. 轨道站点合理步行可达范围建成环境与轨道通勤的关系研究: 以北京市44个轨道站点为例. 地理学报, 2018, 73(12): 2423-2439.

[Shen Lifan, Wang Ye, Zhang Chun, et al.Relationship between built environment of rational pedestrian catchment areas and URT commuting ridership: Evidence from 44 URT stations in Beijing. Acta Geographica Sinica, 2018, 73(12): 2423-2439.]

[11]
Lee S, Lee B.The influence of urban form on GHG emissions in the U.S. household sector. Energy Policy, 2014, 68(1): 534-549.

DOI

[12]
Muñiz I, Sánchez V.Urban spatial form and structure and greenhouse-gas emissions from commuting in the metropolitan zone of Mexico Valley. Ecological Economics, 2018, 147(2): 353-364.

DOI

[13]
Denant-Boemont L, Gaigné Carl, Gaté Romain.Urban spatial structure, transport-related emissions and welfare. Journal of Environmental Economics and Management, 2018, 89(2): 29-45.

DOI

[14]
Zhou C, Wang S.Examining the determinants and the spatial nexus of city-level CO2 emissions in China: A dynamic spatial panel analysis of China's cities. Journal of Cleaner Production, 2018, 171(10): 917-926.

DOI

[15]
Jones C, Kammen D M.Spatial distribution of U.S. household carbon footprints reveals sub-urbanization undermines greenhouse gas benefits of urban population density. Environmental Science & Technology, 2014, 48(2): 895-902.

[16]
Holtzclaw J.Using Residential Patterns and Transit to Decrease Auto Dependence and Costs. San Francisco, CA: Natural Resources Defense Council, 1994.

[17]
Cervero R, Gorham R.Commuting in transit versus automobile neighborhoods. Journal of the American Planning Association, 1995, 61(2): 210-225.

DOI

[18]
Cervero R, Kockelman K.Travel demand and the 3Ds: Density, diversity, and design. Transportation Research Part D Transport & Environment, 1997, 2(3): 199-219.

[19]
Ewing R.Travel and the built environment: A synthesis. Transportation Research Record, 2001, 1780(1): 265-294.

[20]
曹小曙, 杨文越, 黄晓燕. 基于智慧交通的可达性与交通出行碳排放: 理论与实证. 地理科学进展, 2015, 34(4): 418-429.信息与通信技术的发展推动了智慧交通建设,并将进一步提高城市交通可达性和影响居民出行。在全球应对气候变化、减少碳排放的共识背景下,由于"智慧交通—可达性—出行行为(碳排放)"间复杂的影响作用机制,已有的研究难以判断智慧化背景下的城市交通可达性提高将增加抑或减少出行碳排放。如何通过提高城市交通可达性来缓解交通拥堵,保障城市交通运输系统的有效运行,并提高居民出行效率,减少出行碳排放是当前中国智慧交通发展面临的关键问题之一。针对以上科学问题,本文尝试提出基于智慧交通的可达性与交通出行碳排放的理论框架,并以广州为研究案例地,研究了社区居民通勤碳排放特征及其影响机理,社区出行低碳指数格局及其影响因素的空间异质性,以及基于碳排放—位置分配模型的公共中心规划支持系统设计与应用,可为今后的相关研究提供借鉴。

DOI

[Cao Xiaoshu, Yang Wenyue, Huang Xiaoyan.Accessibility and CO2 emissions from travel of smart transportation: Theory and empirical studies. Progress in Geography, 2015, 34(4): 418-429.]

[21]
黄晓燕, 刘夏琼, 曹小曙. 广州市三个圈层社区居民通勤碳排放特征: 以都府小区、南雅苑小区和丽江花园为例. 地理研究, 2015, 34(4): 751-761.

[Huang Xiaoyan, Liu Xiaqiong, Cao Xiaoshu.Commuting carbon emission characteristics of community residents of three spheres: A case study of three communities in Guangzhou city. Geographical Research, 2015, 34(4): 751-761.]

[22]
Yang Y, Wang C, Liu W L.Urban daily travel carbon emissions accounting and mitigation potential analysis using surveyed individual data. Journal of Cleaner Production, 2018, 192(5): 821-834.

DOI

[23]
Ma J, Zhou S H, Mitchell G.CO2 emission from passenger travel in Guangzhou, China: A small area simulation. Applied Geography, 2018, 98(7): 121-132.

DOI

[24]
Cao X S, Yang W Y.Examining the effects of the built environment and residential self-selection on commuting trips and the related CO2 emissions: An empirical study in Guangzhou, China. Transportation Research Part D, 2017, 52(3): 480-494.

DOI

[25]
Alexander R, Christian H R, Joachim S.GHG emissions in daily travel and long-distance travel in Germany: Social and spatial correlates. Transportation Research Part D, 2016, 49(9): 25-43.

DOI

[26]
杨文越, 李涛, 曹小曙. 广州市社区出行低碳指数格局及其影响因素的空间异质性. 地理研究, 2015, 34(8): 1471-1480.

[Yang Wenyue, Li Tao, Cao Xiaoshu.The spatial pattern of community travel low carbon index(CTLCI) and spatial heterogeneity of the relationship between CTLCI and influencing factors in Guangzhou. Geographical Research, 2015, 34(8): 1471-1480.]

[27]
Tirumalachetty S, Kockelman K M, Nichols B G.Forecasting greenhouse gas emissions from urban regions: Microsimulation of land use and transport patterns in Austin, Texas. Journal of Transport Geography, 2013, 33: 220-229.

DOI

[28]
Baiocchi G, Creutzig F, Minx J, et al.A spatial typology of human settlements and their CO2 emissions in England. Global Environmental Change, 2015, 34(9): 13-21.

DOI

[29]
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. 地理学报, 2018, 73(2): 346-361.

[Yang Wenyue, Cao Xiaoshu.The influence mechanism of travel-related CO2 emissions from the perspective of residential self-selection: A case study of Guangzhou. Acta Geographica Sinica, 2018, 73(2): 346-361.]

[30]
周素红, 宋江宇, 宋广文. 广州市居民工作日小汽车出行个体与社区双层影响机制. 地理学报, 2017, 72(8): 1444-1457.

[Zhou Suhong, Song Jiangyu, Song Guangwen.Examining the dual-levels impact of neighbourhood and individual variables on car use on weekdays in Guangzhou. Acta Geographica Sinica, 2017, 72(8): 1444-1457.]

[31]
Jain D, Tiwari G.How the present would have looked like? Impact of non-motorized transport and public transport infrastructure on travel behavior, energy consumption and CO2 emissions: Delhi, Pune and Patna. Sustainable Cities & Society, 2016, 22(9): 1-10.

[32]
Ma J, Mitchell G, Heppenstall A.Exploring transport carbon futures using population microsimulation and travel diaries: Beijing to 2030. Transport Research: Part D, 2015, 37(5): 108-122.

DOI

[33]
柴彦威, 肖作鹏, 刘志林. 基于空间行为约束的北京市居民家庭日常出行碳排放的比较分析. 地理科学, 2011, 31(7): 843-849.

[Chai Yanwei, Xiao Zuopeng, Liu Zhiling.Comparative analysis on CO2 emission per household in daily travel based on spatial behavior constraints. Scientia Geographica Sinica, 2011, 31(7): 843-849.]

[34]
Rong P J, Zhang L J, Qin Y C, et al.Spatial differentiation of daily travel carbon emissions in small- and medium-sized cities: An empirical study in Kaifeng, China. Journal of Cleaner Production, 2018, 197(6): 1365-1373.

DOI

[35]
秦波, 田卉. 社区空间形态类型与居民碳排放: 基于北京的问卷调查. 城市发展研究, 2014, 21(6): 15-20.

[Qin Bo, Tian Hui.The impact of neighborhood spatial form on household carbon emissions: Based on the study in Beijing. Urban Development Studies, 2014, 21(6): 15-20.]

[36]
Jabbari M, Fonseca F, Ramos R.Combining multi-criteria and space syntax analysis to assess a pedestrian network: The case of Oporto. Journal of Urban Design. 2018, 23(1): 23-41.

DOI

[37]
满洲, 赵荣钦, 袁盈超, 等. 城市居住区周边土地混合度对居民通勤交通碳排放的影响: 以南京市江宁区典型居住区为例. 人文地理, 2018, 33(1): 70-75.

[Man Zhou, Zhao Rongqin, Yuan Yingchao, et al.Impact of land-mixing degree of residential area on carbon emissions of commuting: A case study of typical residential district, Jiangning District, Nan jing. Human Geography, 2018, 33(1): 70-75.]

[38]
谢宏, 李颖灏, 韦有义. 浙江省特色小镇的空间结构特征及影响因素研究.地理科学, 2018, 38(8): 1283-1291.

[Xie Hong, Li Yinghao, Wei Youyi.Influencing factors and spatial distribution of the characteristic towns in Zhejiang province. Scientia Geographica Sinica, 2018, 38(8): 1283-1291.]

[39]
胡艳兴, 潘竟虎, 王怡睿. 基于ESDA-GWR的1997—2012年中国省域能源消费碳排放时空演变特征. 环境科学学报, 2015, 35(6): 1896-1906.利用1997—2012年《中国能源统计年鉴》和《中国统计年鉴》相关数据,结合重心转移、ESDA及GWR等模型和方法,分析了近16年间中国省域能源消费碳排放量的空间相关性、异质性及影响因素,根据碳排放量划分标准将各省份划分为不同的碳排放区.结果表明:16年间碳排放量的重心向西迁移;我国省域碳排放量存在较为显著的空间正相关,自相关性在整体上表现出先增大后减小的趋势.2001年全局Moran's <em>I</em>指数达到最高值,为0.3012;能源消费碳排放量的冷热点格局表现出冷点扩张、热点被压缩的趋势;影响碳排放量的6个因素的影响程度由大到小依次为:总人口>人均GDP >煤炭消耗比重>全社会固定资产投资>第二产业比重>人口老龄化率,只有人口老龄化率这一指标表现出负相关性;近16年我国省域碳排放量的空间格局发生了显著变化,2012年已有13个省份属于超重型碳排放区,表明我国要加强碳减排的力度.

[Hu Yanxing, Pan Jinghu, Wang Yirui.Spatial-temporal evolution of provincial carbon emission in China from 1997 to 2012 based on ESDA and GWR model. Acta Scientae Circumstantiae, 2015, 35(6): 1896-1906.]

Options
文章导航

/

〈 〉