長三角城市群多部門碳排放的時空特征、影響要素與空間規劃響應研究

摘 要 從碳排放總量及工業、民用、交通、電力四部門排放量出發，可視化分析長三角城市群碳排放的時空特征，構建模型分析其影響要素，并從國土空間規劃的視角提出響應策略。首先，對1990—2021年長三角碳排放進行時空數據可視化；其次，通過空間自相關分析碳排放空間協同性；再次，考慮國土空間規劃分區，采用改進STIRPAT模型遴選出社會經濟、建成環境方面對總量、地均碳排放的顯著影響因子及其彈性系數；最后，提出針對長三角地區碳減排的空間規劃策略。結果表明，碳排放以區域性中心城區為聚集，城市化水平、人口要素、人均財富等要素會促進區域碳排放。基于此，提出碳排放分區劃定、低碳產業引導、用地分類與格局優化等空間響應策略。

關 鍵 詞 碳排放；STIRPAT模型；國土空間規劃；時空特征；長三角

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

0 引言

在“碳達峰、碳中和”（以下簡稱“雙碳”）目標下，區域與城市的碳排放成為重要議題。長三角地區碳排放總量大且密集，作為全國經濟發展的先行地區，其在雙碳實施路徑中已制定了相關政策與實施辦法。《上海市碳達峰實施方案》確定上海市于2030年前實現碳達峰，并以此制定“碳達峰十大行動”[1]；2021年，浙江省率先頒布的《浙江省碳達峰碳中和科技創新行動方案》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《碳達峰實施方案》。基于長三角三省一市碳排放的行動與長三角一體化的發展目標，分析長三角地區的碳排放的時空特征，聚焦影響碳排放的具體因素，從而落實碳減排的各項行動與目標，可以對區域一體化乃至全國的雙碳目標實施提供借鑒。

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，對于展示城市群內部的分異規律有著重要作用。目前時空碳排放數據來源主要有基于溫室氣體清單指南的估算法[2]、環境監測站或手持二氧化碳監測儀器[3]、渦度相關技術[4]和衛星監測技術[5]等。此外，城市碳排放時空特征通常是計算總量，鮮有研究區分各個碳排放部門，而長三角地區在全國工業發展較快、人均生活水平較高、電力轉移較多的現狀則為分部門研究提供了必要性。

在區域層面，國內外學者從城市群[6-7]、市域[8]、縣域[9]等尺度研究碳減排與空間規劃的關系。在城市群的層面，空間規劃更加側重城市群內部城市之間如何協同實現公平與效率兼顧的發展[7]，而雙碳目標應更加注重各層級、各類規劃的銜接與支撐，全面提升城市群的綜合減碳效能。學者研究表明，空間規劃方面對碳排放的影響要素主要包括城市空間形態[10]、土地利用[11]、人口密度[12]、建成環境[13]等。這些要素在城市群內部同樣具有差異性，所以需要對城市群內部差異化的地區發展開展針對性研究。龔利等[14]采用STIRPAT模型，分析能源消費碳排放量與人口、人均GDP、外商直接投資等影響因素之間的關系，并將投入—產出模型融入其中技術層面的影響因素。在空間方面，Li等[15]采用極限梯度提升和多尺度地理加權回歸模型，研究了城市的社會經濟和城市形態驅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劃中各個要素的重要性，并進行科學調控起到重要的支撐作用。

作為引領性的結構調整式的減排途徑，空間規劃具有不可替代的碳約束作用，是達成區域長遠碳約束目標的系統性、根本性途徑[16]，因而識別影響因素并引導各部門減碳，能夠響應低碳空間規劃要求，并為落實“雙碳”目標做出努力。總的來說，區域城市群的碳排放研究集中于總量與城市群內區域尺度的研究，在分部門、分產業研究方面存在空缺；在空間規劃引導方面，也缺乏基于地域、產業部門的策略。

因此，本文從長三角區域雙碳目標下空間規劃的需求出發，依托中國多尺度排放清單模型MEIC數據及統計年鑒數據，利用GIS空間數據與面板數據分析1990—2021年長三角區域碳排放的時空特征及其空間變化熱點，進而通過改進STIRPAT模型回歸分析長三角碳排放時空變化的影響因素，最終以空間規劃的策略形式響應以引導長三角的一體化融合與空間低碳發展。

1 數據來源與研究方法

1.1 研究區域概況

長三角地區包含江蘇省、浙江省、安徽省與上海市4個省級行政單位，為我國經濟發展最活躍、開放程度最高、創新能力最強的區域之一[17]。2023年，長三角地區以全國3.74%的國土面積和16.00%的人口，創造了全國24.2%的經濟總量，地區生產總值之和約為30.5萬億元。

1.2 數據來源

各部門碳排放數據依托中國多尺度排放清單模型MEIC，其中包括1990—2021年的省級排放數據，以及利用ArcGIS軟件構建的分辨率0.25?經緯度的2011—2020年MEIC排放數據。MEIC是基于自下而上技術方法構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、農業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，篩選其中屬于長三角的區域。在改進STIRPAT研究模型中的其他數據中，路網信息來源于OpenStreetMap公開數據集，土地利用采用當年源自 Landsat 的年度中國土地覆蓋數據集（CLCD）[19]，各個縣市社會經濟主要指標來源于當地的統計年鑒與政府公報。由于多元數據的統計年限不一，STIRPAT分析采用2017年數據。

1.3 研究方法

1.3.1 時空碳排放計算與可視化方法

對經過預處理的長三角二氧化碳分部門排放柵格數據進行投影處理，疊加長三角縣級行政邊界數據，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，直觀呈現長三角部門碳排放隨時空變化的規律。

1.3.2 區域碳排放空間特征分析方法

在空間上，要成為具有顯著統計學意義的熱點，要素應具有高值，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（Moran's I）量化長三角地區排放空間自相關，并繪制基于高低值聚類與z-score分析的冷熱點圖，反映長三角地區各部門碳排放協同性。全局空間自相關描述的是研究區域內測算單元屬性與周圍測算單元內空間要素的依賴程度，采用Moran's I指數來判斷區域內要素整體性的聚散程度[21]。局部空間自相關用于分析空間某要素與相鄰要素的相關程度。表征其在內部空間及鄰域范圍內的聚集狀態[22]，為后期碳排放管控區進行劃分。

1.3.3 影響要素分析的STIRPAT模型

為探究影響環境要素的更多影響因子，Dietz和Rosa在IPAT模型的基礎上發展出STIRPAT模型[23]，該模型是IPAT模型的擴展形式。在總量STIRPAT模型的基礎上，基于高質量發展的需求進行了地均模型分析。

現有文獻研究表明，二氧化碳排放量是由多種因素共同作用決定的[24-29]。針對研究地區的具體情況，本文改進STIRPAT模型，添加了建成環境因素與社會經濟因素，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、電力、交通、民用）地均和總量的排放格局，解釋變量在STIRPAT模型變量的基礎上根據需要改進，引入多個與建成環境、國土空間規劃相關的影響因素。這些因素分為社會經濟因素與建成環境因素。

①人口規模（P）。人口規模是影響碳排放量的一個重要因素。通常情況下，人口的增長會導致碳排放量的增加，特別是在人口超過環境承載能力時，可能會對生態環境造成破壞，進而增加碳排放。由于數據可得性的限制，本文選擇戶籍人口作為衡量人口規模的數據源。

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

③技術水平（T）。技術的不斷進步可以提高能源利用的效率，進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、能源利用效率，以及碳捕獲技術等。

④產業結構（I）。不同產業部門對資源的消耗模式各不相同，因此地區三次產業結構的差異會導致碳排放量的不同。特別是第二產業，在三次產業中碳排放占比最大，其占比越高，碳排放量也相應越高。

⑤交通與土地（R）。交通領域的碳排放占總碳排放量的相當比例，為10%—20%之間。考慮到軌道交通與飛機的碳排放具有區域性，且在縣域層面難以準確量化，因此我們選擇縣域路網密度作為量化交通碳排放的指標。

⑥農業空間（A）。這包括耕地、園地等各類農業用地面積。雖然農業空間是國土空間規劃中重點保護的用地類型，但耕作過程中也會產生碳排放，盡管農作物在一定程度上能吸收碳排放。

⑦生態空間（G）。生態空間包括林地、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城鎮空間（U）。這里指的是建設用地面積。隨著城市化水平的提升，更多的能源被用于生產和生活，這也會對碳排放產生影響。

綜上所述，本文改進STIRPAT模型的碳排放影響因素回歸分析公式為：

通常寫作對數形式，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、電力、交通、民用）總量或地均的排放量；P、A、T、I、L、U、G、R為各類社會經濟因素、建成環境因素的影響因子（見表1）；a為常數項，b1 、b2 、b3 ……b8是待測參數，ε為隨機誤差。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，部分指標采用地均指標。

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，包含社會經濟因素及建成環境因素兩大類。

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年長三角各省（直轄市）各部門碳排放量及2020年長三角地區各省市碳排放量分別如圖1和表2所示。

長江以北地區的民用建筑碳排放顯著高于以南地區，沿海地區碳排放量高于內陸地區，長三角地區生活能耗與碳排放總量呈現上升趨勢，交通部門的碳排放空間特征與工業部門的情況非常相似。具體來說，工業部門上海市和蘇州市在長三角地區工業碳排放最高，形成以上海蘇州為中心向內陸周邊遞減的空間特征。在交通部門，上海市、蘇州市、杭州市作為地區內部的交通樞紐城市碳排放最高。在電力部門，上海市、寧波市、鎮江市電力碳排放最高。在電力部門碳排放存在由沿海向內陸遞減的趨勢。總結得出：（1）人口密集、經濟發達的省會城市、交通樞紐城市碳排放量較高；（2）在民用建筑領域，長三角地區碳排放量北方顯著高于南方；（3）除民用建筑領域外，碳排放量存在以上海為中心，從沿海向內陸遞減的趨勢（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的中國碳排放數據[31-32]中，長三角地區的碳排放總量及各部門碳排放量總體呈上升趨勢。20世紀90年代，江蘇省的碳排放總量是其他三省市的近2倍，這主要歸因于當時江蘇省工業化進程的快速推進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，這反映了當時長三角地區整體經濟的快速發展和工業化水平的同步提升（見圖2）。

進入21世紀以來，上海市的碳排放量相對較為穩定，這可能與上海市較早開始實施嚴格的環保政策和產業結構調整有關。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化、城市化進程加速，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的工業擴張影響。長三角民用碳排放量一直處于穩定低位并緩慢增長，30年內從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定有關。相比之下，長三角交通、工業、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展、能源消耗大幅增加和能源結構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 全局空間自相關分析

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

2.3.2 長三角碳排放局部空間自相關分析結果

以市縣區為研究單位，在總量的角度上，高值聚集型（以下簡稱“HH型”：該區域及周邊區域碳排放均較高）、低值聚集型（以下簡稱“LL型”：該區域及周邊區域碳排放均較低）都是組團積聚型分布，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。低值包含高值異常型（以下簡稱“HL型”：該區域碳排放較高，該區域周邊地區碳排放較低）及高值包含低值異常型（以下簡稱“LH型”：該區域碳排放較低，該區域周邊地區碳排放較高）零星分布，其中LH型主要零星分布于HH型周邊地區，HL型相對較少（見圖4）。

從部門角度，HH型主要以組團積聚式分布，在四部門中，電力、交通、工業部門的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型同樣以組團式積聚分布，主要分布于安徽南部與浙江南部的內陸城市。四部門中非顯著型區域（以下簡稱“NN型”：沒有明顯的聚類特征）占據所有市縣區的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（見圖5）。

基于空間自相關分析結果進行冷熱點分析，冷熱點分析結果與局部空間自相關分析結果相似，四部門的熱點區域同樣呈現組團積聚式分布，其中熱點區域與HH型高度重合。冷點區域同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陸城市。

3 基于STIRPAT的影響因子分析

3.1 模型回歸分析

數據處理采用SPSS Statistics 24，對于選定的影響因素面板數據無量綱化，以消除不同類型數據大小對于回歸分析的影響；由于各因子差距過大且有正負向因素，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，可得碳排放驅動因子的彈性系數[33]。對長三角地區縣域碳排放總量、地均碳排放量與碳排放影響因素進行多元回歸分析采用SPSS的分析結果如表5所示。調整后總量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，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 關鍵影響要素識別

從回歸結果來看，模型模擬的效果顯著且與實際情況具有高度的一致性。就彈性系數而言，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業結構作用不顯著外，其他6個影響要素也與地均碳排放呈正相關。

通過偏最小二乘法回歸擬合得到長三角地區縣域碳排放總量與各變量的多元線性模型。就彈性系數而言，P、A、T、L、U、R這6項要素均會促進長三角地區縣域碳排放總量增加，彈性系數為0.108—0.475；G要素減少長三角地區的碳排放總量。縣級年末戶籍人口、人均GDP、每10元GDP消耗的標準煤噸數、工業增加值占GDP比例、道路總長度、耕地面積、林灌草與水體面積、建設用地面積每增加1%，將引起長三角地區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據，重點分析2020年的碳排放空間分布和2017年建成環境、社會環境面板數據，可視化其時空分布特征，基于改進STIRPAT模型回歸分析影響因素，并提出針對性的空間規劃建議。研究結果表明：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域性碳排放中心向外擴散，并存在沿海較高、內陸較低的空間分異規律；從碳排放空間自相關來看，局部空間自相關顯著，分布模式均為聚集模式，其中工業聚集模式最明顯。通過溯源在碳減排過程中既需要關注社會經濟發展，也要關注城市建成環境因素。在與碳排放相關的不同的因素中可分別著力，提出相應策略。

（1） 城市群管理中落實部門減排

由于碳排放的路徑不同且長三角地區各部門碳排放特征差異顯著，著力于部門減排能有效轉換目標、技術、政策，針對不同原因提出減排策略。從四部門碳排放特征看，工業和電力部門是減排重點。其中，電力部門可從優化電源結構、倡導綠色生產生活、提升用電效率3方面入手：貫徹低碳技術創新改造，減少化石能源依賴，建設以可再生能源發電、新能源為主的新型電力系統，使風電、太陽能發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部門而言，可從提高技術水平、打造低碳產業集群、關注減排重點領域3方面著力。

（2） 管控分區劃定與協作減排

通過本文對長三角地區碳排放的時空特征分析，可將長三角地區的城市分為4個區域，促進情況相似、地理位置相近的城市共同落實減排策略。第1個區域為以上海、蘇州為中心沿長江向杭州、南京等省會城市擴展的長三角經濟發達地區，減排策略側重于共建平臺下的技術提升、產業類型置換、低碳生活倡導及電源結構優化；第2個區域為長三角沿海地區，減排策略側重于產業結構調整、交通運輸智能化及能源結構優化，可實行交通與工業減排的協同措施；第3個區域為除去以上2類區域的長江以北區域，在減排策略上側重于技術創新，在能源結構優化上尤以冬季取暖能源為重；第4個區域則是非沿海的長江以南區域，策略上可引進一批技術、搭建合作關系，從而落實低碳技術創新改造。

（3） 空間協同的地區分類與政策引導

根據研究中長三角地區區縣在碳排放上自相關類型的不同，可分別在4個部門中劃分5類地區，“HH型”為核心減排類地區，“HL型”、“LH型”為發展提升類地區，“LL型”為綜合改良類地區，“NN型”為因需調整類地區，對每個類別的地區提出不同的雙碳策略。在核心減排區，工業減碳壓力大，空間規劃上推進科技園、產業園等適宜集中地區間的協作科技創新，集中生產要素，進而減少產品運輸碳排放；在發展提升區，應注重可實現相鄰縣區間的碳交易，集中規劃長三角碳交易市場，提升綠色發展水平；在綜合改良區，注重產業結構及其對應的空間規劃調整，重點規劃商業商務、居住區，減少低效工業區面積，以促進雙碳進程中的發展水平提升；在因需調整區則針對各個部門的情況，給出空間規劃策略。同時，從局部空間自相關分析及冷熱點分析可看出上海市中心區及各大城市作為主要的電力、交通、民用的熱點集中區域，其在減排中應作為其分區中的引領城市。

5 結語

根據本文研究，可見影響碳排放的社會經濟因素與建成環境因素多樣，且影響因素隨時間變化而變化的可能性較大。基于此，本文提出在城市運行中落實部門減排、管控分區劃定與協作減排、空間自相關中的地區分類與政策引導、碳排放影響溯源減排的空間策略，在今后長三角的發展過程中也需要在立足區域特征的前提下，明確關鍵影響因子，從而達成區域雙碳目標。此外，本文在數據獲取上存在一定的局限性，同時研究結論受數據年限、統計方式等的限制，可能存在偏誤，未來需進一步獲取完整的人口數據，并結合衛星與監測數據等進行輔助研究。

（感謝同濟大學創新創業學生團隊成員陳迪菲、蔡燦、邵雨辰、于禾在數據準備和圖文編輯方面的工作。）

參考文獻 References

[1]胡鞍鋼. 中國實現2030年前碳達峰目標及主要途徑[J]. 北京工業大學學報（社會科學版），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[J]. 湖泊科學，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測的低碳城市研究進展與思考[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. 城市碳排放規律及基于CO2響應系數的無限長線源擴散模型研究[D]. 徐州：中國礦業大學，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. 全球碳盤點衛星遙感監測方法、進展與挑戰[J]. 遙感學報，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劃策略研究[D]. 株洲：湖南工業大學，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”目標下的城市群國土空間規劃路徑與治理機制[J]. 環境保護，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. 雙碳目標下的廣州國土空間規劃編制思考[C]//面向高質量發展的空間治理——2021中國城市規劃年會論文集. 北京：中國建筑工業出版社，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劃方法探索[J]. 城市規劃學刊，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模型的能源消費碳排放的影響因素研究——以長三角地區為例[J]. 工業技術經濟，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. 空間規劃的碳排放約束機制與治理框架[J]. 西部人居環境學刊，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]國家發展改革委，住房城鄉建設部. 長江三角洲城市群發展規劃（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排放清單在空氣質量模式中的應用研究[J]. 中國環境科學，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統計量的空間自相關理論發展和方法改進[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. 地理學第一定律之爭及其對地理學理論建設的啟示[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. 基于國家耕地質量等別指數和空間自相關的蘇北地區耕地保護分區[J]. 農業資源與環境學報，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. 中國工業碳排放及其影響因素灰色預測分析——基于STIRPAT模型[J]. 北京交通大學學報（社會科學版），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——基于面板數據STIRPAT-Alasso模型實證研究[J]. 生態經濟，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. 城市化進程、環境規制與大氣污染——基于STIRPAT模型的實證分析[J]. 工業技術經濟，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：基于擴展的STIRPAT模型[J]. 中國人口·資源與環境，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. 中國城鎮碳排放的區域差異和影響因素[J]. 中國人口·資源與環境，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. 中國發展低碳經濟的影響因素研究——基于擴展的STIRPAT模型分析[J]. 審計與經濟研究，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年能源消費碳排放驅動因子分析及趨勢預測——基于STIRPAT模型[J]. 資源科學，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.

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