论文部分内容阅读
摘要 以我国城市化快速发展和高强度人类扰动的长三角地区作为研究区域，以区域土地利用状况和碳排放量信息为关键数据源，利用景观格局指数定量分析长三角地区1990-2010年城市斑块大小、形状、规则性、破碎化程度、交通耦合度等城市形态特征对区域碳排放的影响。研究结果表明长三角地区碳排放存在明显的空间分异性，总体呈现中东南和西北部高、东北部次之、西南部最低的特征。1990-2010年区域碳排放量均呈快速增长趋势，其中 1990-1995、1995-2000、2000-2005和2005-2010的平均增长率分别为40.55%、24.47%、70.71%和51.43%。研究时段内，道路密度（RD）、交通耦合度（CF）和最大斑块指数（LPI）对区域碳排放一直存在显著影响，表明长三角地区城市形态主要通过路网交通产生作用，进而影响碳排放。不同时间段，城市形态对碳排放的影响不尽一致，这可能与城市化的不同阶段经济发展水平存在差异有关。城市化初级阶段，区域碳排放量随着用地面积和道路密度的增加呈增加的趋势，而随着城市斑块数量、斑块聚合度和道路缓冲区的增加，碳排放量呈现减少的趋势。和1990、2000年相比，2010年增加了平均城市斑块最近邻距离（ENN_MN）对碳排放的影响，并且呈负相关，说明增加城市斑块最近邻距离有利于减少碳排放。就当前来看，增加道路缓冲区面积和斑块临近距离，减少城市最大斑块面积是当前从城市形态角度减少碳排放的有效途径。研究结果可加深对城市形态与区域碳排放的客观认识，对于优化城市形态、控制区域碳排放具有实证案例和借鉴意义。
关键词 城市形态；区域碳排放；长三角地区；景观格局指数；逐步回归分析
中图分类号 X24 文献标识码 A 文章编号 1002-2104（2015）11-0044-08
大气中的CO2浓度显著增加，打破了生物圈-大气圈之间原有的碳平衡，引发了全球变暖、海平面上升等一系列重大环境问题，严重威胁着各国经济的可持续发展和国家生态安全[1]。已有研究表明，全球化石燃料燃烧和土地利用变化所引起的大气中CO2浓度增加是导致全球气候变暖的直接原因[2-3]。作为人类活动对地表影响最深刻的区域，仅占全球陆地面积2.4%的城市区域产生了全球80%以上的CO2排放量[4]。近年来随着全球对低碳经济的重视，各国为达到减排目标，开始关注区域碳排放及其影响因素研究。
目前关于区域碳排放及其影响因素的研究主要集中两个方面：一是从能源、交通等单方面揭示家庭出行或能源消耗对区域碳排放的影响[5-6]，研究城市形态与交通、居民、工业布局和碳排放量变化的关系，以及评估区域碳排放的差异及影响机制[7-10]；探讨在生产、交通、人口集聚、土地利用等方面挖掘碳减排的潜力[11-12]；二是研究替代能源、能源价格、技术进步和产业结构等多因素对碳排放量的影响[13]。然而以城市人口快速增长及土地利用空间结构显著变化为特征的城市化进程带来城市土地利用的空间结构或形态（城市形态）的演变对区域碳排放具有显著影响[14]。合理的城市形态对于减少交通拥堵，实现节能减排，最大限度地降低CO2对全球气候变化的潜在影响具有重要意义[15]。Chen等[16]和Ou 等[17]利用面板数据分析方法定量分析城市形态对碳排放的影响。但现有研究中土地利用模式及城市空间结构对区域碳排放影响的时空异质性并未得到充分的重视。
鉴于此，本文以我国城市化快速发展和高强度人类扰动的长江三角洲地区（简称长三角地区）作为研究区域，以区域土地利用状况和区域碳排放信息为关键数据源，利用典型景观格局指数来定量分析长三角地区1990-2010年城市斑块大小、形状、规则性、破碎化程度、交通耦合度等城市形态特征对于碳排放的影响。研究结果可加深对城市形态与区域碳排放的客观认识，对于优化城市形态、降低区域碳排放强度具有实证案例和借鉴意义。
1 研究数据与方法
1.1 研究区概况
长三角地区（118°20′-123°25′ E，28°45′-33°25′ N）位于我国东部沿海，现辖上海市、江苏省和浙江省以包含上海、南京和杭州等在内的16个城市为核心区，共涵盖“两省一市”25个城市，区域总面积21.07万km2（图1）。作为我国经济发展最具活力，城镇分布密度最高的地区之一，长三角地区以全国2.1%的土地面积和11%的人口，创造了21.7%的国内生产总值（GDP），24.5%的财政收入以及47.2%的进出口总额[18]。然而，城市化与工业化进程的加快使得长三角地区能源消耗和碳排放强度逐年递增，严重威胁着区域社会经济的可持续性。随着城市的快速发展，长三角地区能源消费量从1985年的2 553.21万t标准煤增加至2013年的11 160.87万t标准煤[19]。长三角地区土地利用及能源消耗的显著变化对区域CO2排放总量及格局有显著影响。
1.2 数据来源和处理
本研究关键数据源包括长三角地区1990-2010年（每五年一期）基础地理信息数据，土地利用/覆盖（LUCC）、道路分布、碳排放总量及社会经济统计等数据（表1）。其中土地利用分类体系采用中国科学院资源环境科学数据中心提供的土地利用一级分类，包括耕地、林地、草地、水域、城乡建筑用地和未利用地六大类。其中1990， 1995， 2000和2005年LUCC数据来自中国科学院资源环境科学数据中心，2010年LUCC数据由华东师范大学上海市城市化生态过程与生态恢复重点实验室研究团队解译获得[20]。道路分布信息基于TM遥感影像解译获得，并利用长三角地区高速公路地图集对解译道路网数据进行校正[21]。
长三角地区0.1°× 0.1°二氧化碳排放数据来自于欧盟联合研究中心（JRC）和荷兰环境评估机构（PBL）联合发布的全球大气研究排放数据库（EDGAR）。基于美国能源信息局（IEA）、美国国家海洋和大气管理局（NOAA）和中国国家统计局（NSB）公布的能源消费和水泥产量数据，EDGAR采用《2006年IPCC国家温室气体清单指南》（IPCC方法）计算包括中国在内的全球214个国家和地区的CO2排放量[22-23]。EDGAR CO2排放计算范围包含能源活动CO2排放，也包含了部分工业过程CO2排放以及部分非能源利用CO2排放和燃料自燃排放[24]。由于EDGAR目前只能提供2000-2010年长三角地区0.1°× 0.1°二氧化碳排放的空间栅格数据，本研究收集了长三角地区25个城市的人口和GDP数据，基于单城市的碳排放回归模型，获取了长三角地区25个城市1990和1995年的碳排放水平。以杭州和南京市为例，回归模型拟合精度（R2）均达0.98以上。由于1990年以后国家对浙江台州和江苏泰州（1996年升格为地级市）等城市进行了行政区划的调整，因此本研究1990和1995年的数据为建市前的数据。 1.3 研究方法
1.3.1 城市形态的定量表征：景观格局指数
景观格局指数是指能够高度浓缩景观格局信息，反映景观结构组成和空间配置某些方面特征的定量指标[25]。随着遥感技术（RS）和地理信息系统（GIS）的进步，利用景观格局指数量化城市土地利用模式和空间特征[26]，进一步评估城市形态具有重要的实证意义。本文结合长三角地区区域特点，参考已有研究的指标选取准则，在景观格局指数的选择上，选取6个一级指标/7个二级指标（表2），量化长三角地区1990-2010年的城市形态及其变化情况。
1.3.2 城市形态与区域碳排放相关性判定
本研究从城市层面上分析了长三角地区25个城市形态与碳排放总量的时空变异特征。在此基础上，采用逐步回归分析方法模拟城市形态对区域碳排放量的影响。本文选择表2中7个景观指标作为回归模型的自变量，1990，2000，2010年的碳排放量作为因变量，分阶段进行逐步回归分析。每个阶段分别筛选出对碳排放量影响较为显著的景观指标，并确定它们之间的定量关系和作用的相对大小；每引入一个自变量对此前引入的自变量进行重新检验，直到选入的自变量都显著、而未被选入的自变量都不显著为止，从而建立起一系列包含不同景观指标变量的多元线性回归方程，并根据不同的F检验临界值（引入和剔除因子检验）最终确定最合理的1990/2000/2010年逐步回归分析模型，得到入选变量的回归系数，对应的判决系数（R2），及p值等，最后对回归结果进行显著性判断。
2 结 果
2.1 长三角地区碳排放量的时空分布特征
长三角地区碳排放空间分布差异明显，总体上呈中东南和西北部高、东北部次之、西南部最低的特征。从省级行政区划来看，上海市>江苏省>浙江省。同一时期不同地区碳排放量差异较大。1990年，长三角地区碳排放最高值出现在上海市，紧邻的江苏苏州、无锡、常州和浙江省嘉兴、湖州等城市碳排放量为10-40 百万吨（Mt），随着与上海的距离由近至远碳排放量依次递减。碳排放总量小于5 Mt的城市全部位于浙江省，最小值出现在舟山市（图2）。2010年，上海市，江苏省的南京、徐州、扬州、镇江、无锡、苏州，浙江省的杭州、宁波、台州、温州市为长三角地区碳排放总量的主要高值区，均超过40 Mt，其中上海市最高达到420.84 Mt，占长三角地区区域碳排放总量的30.12%。碳排放的空间分布特征总体上与长三角地区经济发展规模的空间格局一致。经济规模对碳排放变动具有增量效应，是推动碳排放增加的主要因素[27]。
研究期间长三角地区碳排放呈现显著快速上升的趋势，从1990年的308.99 Mt增加到2010年的1 397.38 Mt，增长352.24%，其中 1990-1995年、1995-2000年、2000-2005年、2005-2010年的平均增长率分别为40.55%、24.47%、70.71%、51.43%。这期间，不同城市间增长速率存在明显差异：上海市，江苏省的南京、苏州、无锡、徐州市，浙江省的杭州、宁波、台州市，增幅均超过143%，其中上海市的增幅最大，2010年碳排放总量约为1990年的8倍；增速相对较慢的城市有江苏省的连云港、泰州市，浙江省的丽水、衢州市等；浙江省的舟山市增幅最小。
进一步分析表明自上世纪90年代以来，我国四个阶段不同经济增长方式的差异是碳排放波动的重要原因，特别是其中2000-2004年"高投入、高排放、低效率"的经济增长方式直接导致了碳排放的显著增加[28]。经济发展以及产业结构的不合理是研究期间长三角地区碳排放快速增长的主要原因。此外，居民消费水平、人口城市化率、人口规模三个因素对我国碳排放总量的变化影响明显。现阶段我国居民消费水平与人口结构变化对碳排放的影响力已高于人口规模变化的影响力，居民消费水平与消费模式等人文因素的变化有可能成为我国碳排放的新增长点[29]。2000年之后，随着长三角地区城市化进程的加快，居民消费水平、人口城市化率、人口规模显著增加，也是碳排放增加的重要原因。
2.2 长三角地区城市形态和景观格局的时空变化特征
研究期间，长三角地区25个城市的CA值均快速增长（图3-a），城市建设用地面积从1990年的160.38万km2增至2010年的280.15万km2，整体增速为74.68%，表明以上海为代表的长三角地区城市群经历了快速城市化过程，土地利用/覆被发生较大变化，建设用地快速扩张。上海市，江苏南京、无锡市，浙江嘉兴等市的NP值呈整体下降趋势，表明城市斑块数量在减少，景观破碎化程度降低；江苏徐州市，浙江湖州、金华、丽水、衢州、舟山、温州、台州等市的NP值呈整体上升趋势，表明城市斑块数量在增多，景观破碎化程度增加；江苏省的淮安、连云港、宿迁、盐城、扬州等市的NP值无明显变化。需要指出的是，虽然长三角地区25个城市的LPI值基数不同，但所有城市均呈现增加趋势，尤其是2005-2010年增长最显著，如上海市，江苏南京、常州、苏州、泰州、无锡市，浙江省的杭州、嘉兴、宁波、绍兴等市（图3-b）。LPI值的增加表明城市斑块连片面积变大，内部生境增大。从空间上看，上海市和江苏省的PARA_MN和ENN_MN值偏低，表明上海市和江苏省各市的形状普遍较规则、分离度整体较低；从时间上看，1990-2000年25个城市的PARA_MN值没有显著变化，2005-2010年呈显著增加的趋势，表明各市2005年后呈现形状越来越不规则、分离度增高的趋势。其余城市的ENN_MN值呈整体下降趋势，表明城市化快速发展整体提高了长三角地区的城市斑块间邻近度。
由于只获取了1990/2000/2010年三期的道路分布数据，因此仅展示长三角地区这三个时间段RD和CF值的趋势变化图（图3-c和图3-d）。其中CF值逐年增加的有江苏南京、淮安、连云港、宿迁、徐州、盐城、扬州市，浙江湖州、嘉兴等市；CF值整体下降的有浙江绍兴、台州、温州等市；先增后减的有上海市，江苏泰州市，浙江杭州、金华、丽水、衢州、舟山等市；先减后增的有江苏常州、南通、镇江等市。表明各地交通发展在时间、空间上均表现出差异性。 2.3 城市形态对区域碳排放影响的空间差异
本文将研究期间长三角地区的城市碳排放和城市形态信息，分别在时间（1990-2010年）和空间（25个城市）尺度开展时间上的纵向和区域上横向的相关性分析。研究结果表明：①时间上RD、CF、LPI对于城市碳排放量一直存在显著影响。其中LPI对碳排放的影响非常显著，但不同时期的影响不同。1990年对碳排放的影响呈负相关，2000和2010年则呈正相关，说明碳排放量在1990年时随着斑块聚合度的增加而减少，而2000年之后则随着斑块聚合度的增加而增加。以高碳排放城市上海为例，城市化率高达88.02%，最大斑块指数最高（2000年占长三角地区的28.8%）。人们向城市化水平高的区域集中，相应的基础配套设施等相应增加，从而将若干小斑块聚集成一个大斑块。大量的城市斑块过于集中，城市斑块连片面积增大，造成区域碳排放增加。减少城市最大斑块面积，可以构建多中心斑块共同发展的城市形态来控制长三角地区碳排放总量。RD对碳排放影响比较显著，呈正相关，即区域碳排放随着RD的增加而增加，说明随着交通密度的增加碳排放量不断增加。以江苏南京市为例，道路密度逐年增加（增幅219.31%）与碳排放量的增长趋势（增幅272.56%）呈现一致，南京经济和城市化水平相当高，城镇空间的扩张带动道路密度的增加对区域碳排放产生突出影响。CF对碳排放影响也比较显著，呈负相关，即区域碳排放随着CF的增加而减少，说明道路缓冲区的增加有利于减少碳排放。苏北尤其是徐州市CF小（1990年仅为0.22），碳排放量大（占江苏省的15.2%），作为华东地区重要经济增长极的徐州市，更注重以GDP增加为主的粗放型经济发展方式，而忽略道路缓冲区面积的改善；浙江省南部衢州、丽水等市CF大（占长三角地区的24.6%），碳排放量小（占长三角地区的1.2%），两市森林覆盖率分别高达80.8%，凭借自然条件优势扩大道路缓冲区面积，增加了产业扩张的发展机会，保持着经济型强的可持续发展环境。②同一时间段、不同景观格局指数对碳排放量的影响不同。1990年CA、NP、LPI、RD、CF五个因素影响碳排放量，其中CA和RD对碳排放的影响呈正相关，NP、LPI、CF则呈负相关；2000年LPI、RD、CF三个因素影响碳排放量，LPI和RD呈正相关，CF呈负相关；2010年CA、LPI、RD、CF、ENN_MN五个因素影响碳排放量，CA、LPI、RD呈正相关，ENN_MN和CF呈负相关。
在此基础上，选择长三角地区1990，2000，2010年的碳排放量数据作为因变量，7个景观格局指数作为自变量，进一步开展逐步线性回归分析，建立区域碳排放逐步回归方程（表3）。本研究对入选变量与碳排放量所作的回归分析结果显示，R2值均在0.62以上，F检验下的p值显著，且均小于0.001，模拟结果均较为理想。
3 结论与讨论
长三角地区25个城市的碳排放量无论是时间还是空间上均表现出明显的异质性。空间上总体呈中东南和西北部高、东北部次之、西南部最低的特征。经济发展方式与碳排放强度变化之间存在内在联系，经济发展方式变化中有许多不利于降低碳排放强度的因素[30]。从时间上看，1990-2010年长三角地区25个城市的碳排放量均呈现快速上升的趋势，各地增长率出现差异。变化主要取决于1990-2010年中国经济的高速发展驱动碳排放量增加；而各地产业结构、经济发展水平的不平衡是导致碳排放量上升幅度出现差异的主要原因。
研究周期内，代表城市形态的7个景观指标中RD、CF、LPI对城市碳排放一直存在影响，说明本地区城市形态主要通过路网交通产生作用，进而影响碳排放。交通运输已成为全球石油消耗和温室气体排放最重要的因素，我国道路系统的能源消耗量占了整个交通运输部门能源消耗量的50%以上[31]。根据彭觅等[32]的研究结果，不同水平单位 GDP 的碳排放影响因素差异很大，高于全国平均单位 GDP 碳排放量的省份、其影响因素以工业行业结构为主，低于全国平均单位 GDP 碳排放量的省份、其影响因素以交通和生活为主。研究区域上海市、江苏省、浙江省的平均单位 GDP 碳排放量均低于全国平均水平，与本文的结论相符合。LPI对于碳排放量具有一定的影响，但不同时期影响不同。2000年之后，碳排放量随着斑块聚合度的增加而增加。这种趋势变化，表明当前城市规划中应考虑斑块的聚合度，城市斑块过于集中易造成碳排放增加。
不同时间段，城市形态对碳排放的影响不同，这可能与城市化的不同阶段经济发展水平存在差异相关。1990年CA、NP、LPI、RD、CF五个因素影响碳排放量，其中CA和RD对碳排放的影响呈正相关，NP、LPI、CF则呈负相关。城市化初级阶段，碳排放量随着用地面积和道路密度的增加呈增加的趋势，和Chen et al.的分析结果一致；而随着城市斑块数量、斑块聚合度和道路缓冲区的增加，碳排放量呈减少的趋势。2000年仅有三个指标LPI、RD、CF对碳排放存在显著影响，LPI和RD呈正相关，CF呈负相关。说明这个时期的碳排放量随着斑块聚合度和交通密度的增加呈增加的趋势，而随着道路缓冲区的增加呈减少的趋势。与1990年相比，2010年的影响指标有CA、LPI、RD、CF、ENN_MN，其中CA、RD、CF对碳排放的影响没有变化，说明建设用地和道路密度的增加始终促进碳排放，道路缓冲区面积的增加有利于减少碳排放。所不同的是，从1990年到2000、2010年，LPI对碳排放的影响由负相关变为正相关，说明随着城市化进程的加快，斑块聚合度逐渐促进碳排放。和1990、2000年相比，2010年增加了ENN_MN对碳排放的影响，并且呈负相关，说明增加城市斑块最近邻距离有利于减少碳排放。
开展城市形态与区域碳排放的定量分析研究，可为控制区域碳排放提供另一种思维和途径。通过城市规划和空间优化构建一个理想的城市形态可能是处理碳排放问题的一个极为重要的方法。就当前来看，增加道路缓冲区面积，增加城市斑块临近距离，减少城市最大斑块的面积是当前从城市形态角度减少碳排放的有效途径。因此可以构建多中心斑块共同发展的城市形态来控制长三角地区的碳排放总量。 （编辑：尹建中）
参考文献（References）
[1]IPCC WGI AR5 2013. Working Group I Contribution to the IPCC Fifth Assessment Report Climate Change 2013： The Physical Science Basis. Summary for Policymakers. Twelfth Session of Working Group [EB/OL].[2013-09-30].http：//www.climatechange2013.org/images/uploads/WGIAR5SPM_Approved27Sep2013.pdf.
[2]Boden T A， Marland G， Andres R J. Global， Regional， and National Fossilfuel CO2 Emissions [J]. Carbon Dioxide Information Analysis Center， Oak Ridge National Laboratory， US Department of Energy， Oak Ridge， Tenn.， USA， 2009， 10.
[3]Nordbo A， Jrvi L， Haapanala S， et al. Fraction of Natural Area as Main Predictor of Net CO2 Emissions from Cities [J]. Geophysical Research Letters， 2012， 39（20）： 1-5.
[4]Churkina G. Modeling the Carbon Cycle of Urban Systems[J]. Ecological Modelling， 2008， 216（2）： 107-113.
[5]Glaeser E L， Kahn M E. The Greenness of Cities： Carbon Dioxide Emissions and Urban Development [J]. Journal of Urban Economics， 2010， 67（3）： 404-418.
[6]马静， 刘志林， 柴彦威， 等. 城市形态与交通碳排放：基于微观个体行为的视角[J]. 国际城市规划， 2013，（2）： 19-24. [Ma Jing， Liu Zhilin， Chai Yanwei， et al. Urban Form and Carbon Emissions from Urban Transport： Based on the the Analysis of Individual Behavior[J]. Urban Planning International， 2013，（2）： 19-24.]
[7]刘占成， 王安建， 于汶加， 等. 中国区域碳排放研究[J]. 地球学报， 2010， 31（5）： 727-732. [Liu Zhancheng， Wang Anjian， Yu Wenjia， et al. Research on Regional Carbon Emissions in China[J]. Acta Geoscientica Sinica， 2010， 31（5）： 727-732.]
[8]张润森， 濮励杰， 文继群， 等. 建设用地扩张与碳排放效应的库兹涅茨曲线假说及验证[J]. 自然资源学报， 2012，（5）： 723-733. [Zhang Runsen， Pu Lijie， Wen Jiqun， et al. Hypothesis and Validation on the Kuznets Curve of Construction Land Expansion and Carbon Emission Effect[J]. Journal of Natural Resources， 2012，（5）： 723-733.]
[9]赵荣钦， 陈志刚， 黄贤金， 等. 南京大学土地利用碳排放研究进展[J]. 地理科学， 2012， 32（12）： 1473-1480. [Zhao Rongqin， Chen Zhigang， Huang Xianjin， et al. Research Progresses of Land Use Carbon Emission in Nanjing University[J]. Scientia Geographica Sinica， 2012， 32（12）： 1473-1480.]
[10]李宇， 王喆， 王菲， 等. 城市碳排放的评估方法：影响要素和过程研究[J]. 自然资源学报， 2013， 28（9）： 1637-1648. [Li Yu， Wang Zhe， Wang Fei， et al. A Review of Assessment Methods， Influencing Factors and Process on Urban Carbon Emissions[J]. Journal of Natural Resources， 2013， 28（9）： 1637-1648.]
[11]Albrecht J， Franois D， Schoors K. A Shapley Decomposition of Carbon Emissions Without Residuals [J]. Energy Policy， 2002， 30（9）： 727-736. [12]Gomi K， Shimada K， Matsuoka Y， et al. Scenario Study for a Regional Lowcarbon Society [J]. Sustainability Science， 2007， 2（1）： 121-131.
[13]De Bruyn S M， van den Bergh J C， Opschoor J B. Economic Growth and Emissions： Reconsidering the Empirical Basis of Environmental Kuznets Curves [J]. Ecological Economics， 1998， 25（2）： 161-175.
[14]Jabareen Y R. Sustainable Urban Forms Their Typologies， Models， and Concepts [J]. Journal of Planning Education and Research， 2006， 26（1）： 38-52.
[15]武俊奎. 城市规模， 结构与碳排放[D]. 上海：复旦大学， 2012.[Wu Junkui. City Size， Spatial Structure and Carbon Emissions[D]. Shanghai： Fudan University， 2012.]
[16]Chen Y， Li X， Zheng Y， et al. Estimating the Relationship Between Urban Forms and Energy Consumption： A Case Study in the Pearl River Delta， 2005-2008[J]. Landscape and Urban Planning， 2011， 102（1）： 33-42.
[17]Ou J， Liu X， Li X， et al. Quantifying the Relationship Between Urban Forms and Carbon Emissions Using Panel Data Analysis[J]. Landscape Ecology， 2013， 28（10）： 1889-1907.
[18]国家发展改革委. 长江三角洲地区区域规划[EB/OL]. [2014-06-04]. http：//www.sdpc.gov.cn/zcfb/zcfbghwb/201006/W020140221367550405937.pdf. [National Development and Reform Commission. Yangtze River Delta Regional Planning [EB/OL]. [2014-06-04]. http：//www.sdpc.gov.cn/zcfb/zcfbghwb/201006/W020140221367550405937. pdf.]
[19]上海市统计局. 上海统计年鉴2014[M]. 北京：中国统计出版社， 2014. [Shanghai Statistics Bureau. Shanghai Statistical Yearbook 2014[M]. Beijing： China Statistics Press， 2014.]
[20]周翔， 陈亮， 象伟宁. 苏锡常地区建设用地扩张过程的定量分析[J]. 应用生态学报， 2014， 25（5）： 1422-1430. [Zhou Xiang， Chen Liang， Xiang Weining. Quantitative Analysis of the Builtup Area Expansion in SuXiChang Region， China[J]. Chinese Journal of Applied Ecology， 2014， 25（5）： 1422-1430.]
[21]曹武星， 罗飞雄， 韩骥， 等. 快速城市化地区交通主干道对景观格局变化的影响[J]. 地球信息科学学报， 2014，（6）：898-906. [Cao Wuxing， Luo Feixiong， Han Ji， et al. The Impact of Road Development on Landscape Pattern Change in Rapidly Urbanizing Area[J]. Journal of Geoinformation Science， 2014，（6）：898-906.]
[22]Joint Research Center. Global Emissions EDGAR v4.2 FT2010[R]. 2013. http：//edgar.jrc.ec.europa.eu/overview.php？v=42FT2010.
[23]朱松丽. 中国二氧化碳排放数据比较分析[J]. 气候变化研究进展， 2013，9（4）： 266-274. [Zhu Songli. Comparison and Analysis on CO2 Emissions Data for China[J]. Progressus Inquisitiones De Mutatione Climatis， 2013，9（4）： 266-274.]
[24]Netherlands Environmental Assessment Agency. Trends in Global CO2 Emissions： 2014. Report[R]. www.pbl.nl/en or edgar.jrc.ec.europa.eu，2014. [25]邬建国. 景观生态学：格局、过程、尺度与等级[M]. 北京： 高等教育出版社， 2000. [Wu Jianguo. Landscape Ecology： Pattern， Process， Scale and Hierarchy[M]. Beijing： Higher Education Press， 2000.]
[26]Alberti M， Waddell P. An Integrated Urban Development and Ecological Simulation Model[J]. Integrated Assessment， 2000， 1（3）： 215-227.
[27]胡初枝， 黄贤金， 钟太洋， 等. 中国碳排放特征及其动态演进分析[J]. 中国人口·资源与环境， 2008， 18（3）：38-42. [Hu Chuzhi， Huang Xianjin， Zhong Taiyang， et al. Character of Carbon Emission in China and Its Dynamic Development Analysis[J]. China Population， Resources and Environment， 2008， 18（3）：38-42.]
[28]宋德勇， 卢忠宝. 中国碳排放影响因素分解及其周期性波动研究[J]. 中国人口·资源与环境， 2009，19（3）： 18-24. [Song Deyong， Lu Zhongbao. The Factor Decomposition and Periodic Fluctuations of Carbon Emission in China[J]. China Population， Resources and Environment， 2009，19（3）： 18-24.]
[29]朱勤， 彭希哲， 陆志明， 等. 人口与消费对碳排放影响的分析模型与实证[J]. 中国人口·资源与环境， 2010，（2）： 98-102. [Zhu Qin， Peng Xizhe， Lu Zhiming， et al. Analysis Model and Empirical Study of Impacts from Population and Consumption on Carbon Emissions[J]. China Population， Resources and Environment， 2010，（2）： 98-102.]
[30]张友国. 经济发展方式变化对中国碳排放强度的影响[J]. 经济研究， 2010， （4）： 120-133. [Zhang Youguo. Economic Development Pattern Change Impact on China’s Carbon Intensity[J]. Economic Research Journal， 2010， （4）： 120-133.]
[31]王伟林， 黄贤金. 区域碳排放强度变化的因素分解模型及实证分析：以江苏省为例[J]. 生态经济， 2008， （3）： 32-35. [Wang Weilin， Huang Xianjin. Decompositions Model of Factors and Substantiation Analysis of Area Carbon Dioxide Emissions Intensity Change： Take Jiangsu Province as an Example[J]. Ecological Economy， 2008， （3）： 32-35.]
[32]彭觅， 吕斌， 张纯， 等. 中国能源碳排放的区域差异及其影响因素分析[J]. 城市发展研究， 2010， 17（7）： 6-11. [Peng Mi， Lv Bin， Zhang Chun， et al. On the Spatial Differentia of Carbon Emissions in Energy and its Influencing Factors on Provincial Level in China[J]. Urban Studies， 2010， 17（7）： 6-11.]
Abstract Based on the regional land use information and carbon emission data from 1990 to 2010， this paper analyses the relationship between urban forms and regional carbon emissions in the Yangtze River Delta （YRD） where suffers from intensive human disturbance and rapid urbanization. Urban forms are characterized by landscape metrics including the size， shape， regularity， fragmentation and traffic coupling factor of urban patches. The results show that，① the carbon emissions in YRD show significant spatial heterogeneities with high value in the middle， the southeast and northwest and low value in the southwest；② the carbon emissions increase rapidly from 1990 to 2010 with the average growth rate of 40.55%（1990-1995）， 24.47%（1995-2000）， 70.71%（2000-2005） and 51.43%（2005-2010） respectively；③ road density （RD）， traffic coupling factor （CF） and the largest urban patch index （LPI） have the most significant impacts on regional carbon emissions which illustrated that urban forms affect the carbon emissions mainly through a wide variety of transportation；④ the urban forms affect carbon emissions differently during the various stages of urbanization process. In the primary stage of urbanization， the growth of total urban areas and road density caused the increase of regional carbon emissions， while the increase of urban patch numbers， degree of polymerization and road buffer could reduce the regional carbon emissions. Compared with 1990 and 2010， the increasing mean euclidean nearest neighbor distance （ENN_MN） in 2010 was negatively correlated with carbon emissions which could reduce the carbon emissions. Currently， it’s an efficient way from the perspective of urban forms by increasing the areas of road buffer， urban patches’ nearest neighbor distance and reducing the areas of the largest urban patches to control the gross amounts of carbon emissions. The results could provide further objective understanding of urban forms and regional carbon emissions as an empirical case and significant reference for optimizing urban forms and controlling regional carbon emissions.
Key words urban forms； regional carbon emissions； Yangtze River Delta； landscape metrics； stepwise regression analysis
关键词 城市形态；区域碳排放；长三角地区；景观格局指数；逐步回归分析
中图分类号 X24 文献标识码 A 文章编号 1002-2104（2015）11-0044-08
大气中的CO2浓度显著增加，打破了生物圈-大气圈之间原有的碳平衡，引发了全球变暖、海平面上升等一系列重大环境问题，严重威胁着各国经济的可持续发展和国家生态安全[1]。已有研究表明，全球化石燃料燃烧和土地利用变化所引起的大气中CO2浓度增加是导致全球气候变暖的直接原因[2-3]。作为人类活动对地表影响最深刻的区域，仅占全球陆地面积2.4%的城市区域产生了全球80%以上的CO2排放量[4]。近年来随着全球对低碳经济的重视，各国为达到减排目标，开始关注区域碳排放及其影响因素研究。
目前关于区域碳排放及其影响因素的研究主要集中两个方面：一是从能源、交通等单方面揭示家庭出行或能源消耗对区域碳排放的影响[5-6]，研究城市形态与交通、居民、工业布局和碳排放量变化的关系，以及评估区域碳排放的差异及影响机制[7-10]；探讨在生产、交通、人口集聚、土地利用等方面挖掘碳减排的潜力[11-12]；二是研究替代能源、能源价格、技术进步和产业结构等多因素对碳排放量的影响[13]。然而以城市人口快速增长及土地利用空间结构显著变化为特征的城市化进程带来城市土地利用的空间结构或形态（城市形态）的演变对区域碳排放具有显著影响[14]。合理的城市形态对于减少交通拥堵，实现节能减排，最大限度地降低CO2对全球气候变化的潜在影响具有重要意义[15]。Chen等[16]和Ou 等[17]利用面板数据分析方法定量分析城市形态对碳排放的影响。但现有研究中土地利用模式及城市空间结构对区域碳排放影响的时空异质性并未得到充分的重视。
鉴于此，本文以我国城市化快速发展和高强度人类扰动的长江三角洲地区（简称长三角地区）作为研究区域，以区域土地利用状况和区域碳排放信息为关键数据源，利用典型景观格局指数来定量分析长三角地区1990-2010年城市斑块大小、形状、规则性、破碎化程度、交通耦合度等城市形态特征对于碳排放的影响。研究结果可加深对城市形态与区域碳排放的客观认识，对于优化城市形态、降低区域碳排放强度具有实证案例和借鉴意义。
1 研究数据与方法
1.1 研究区概况
长三角地区（118°20′-123°25′ E，28°45′-33°25′ N）位于我国东部沿海，现辖上海市、江苏省和浙江省以包含上海、南京和杭州等在内的16个城市为核心区，共涵盖“两省一市”25个城市，区域总面积21.07万km2（图1）。作为我国经济发展最具活力，城镇分布密度最高的地区之一，长三角地区以全国2.1%的土地面积和11%的人口，创造了21.7%的国内生产总值（GDP），24.5%的财政收入以及47.2%的进出口总额[18]。然而，城市化与工业化进程的加快使得长三角地区能源消耗和碳排放强度逐年递增，严重威胁着区域社会经济的可持续性。随着城市的快速发展，长三角地区能源消费量从1985年的2 553.21万t标准煤增加至2013年的11 160.87万t标准煤[19]。长三角地区土地利用及能源消耗的显著变化对区域CO2排放总量及格局有显著影响。
1.2 数据来源和处理
本研究关键数据源包括长三角地区1990-2010年（每五年一期）基础地理信息数据，土地利用/覆盖（LUCC）、道路分布、碳排放总量及社会经济统计等数据（表1）。其中土地利用分类体系采用中国科学院资源环境科学数据中心提供的土地利用一级分类，包括耕地、林地、草地、水域、城乡建筑用地和未利用地六大类。其中1990， 1995， 2000和2005年LUCC数据来自中国科学院资源环境科学数据中心，2010年LUCC数据由华东师范大学上海市城市化生态过程与生态恢复重点实验室研究团队解译获得[20]。道路分布信息基于TM遥感影像解译获得，并利用长三角地区高速公路地图集对解译道路网数据进行校正[21]。
长三角地区0.1°× 0.1°二氧化碳排放数据来自于欧盟联合研究中心（JRC）和荷兰环境评估机构（PBL）联合发布的全球大气研究排放数据库（EDGAR）。基于美国能源信息局（IEA）、美国国家海洋和大气管理局（NOAA）和中国国家统计局（NSB）公布的能源消费和水泥产量数据，EDGAR采用《2006年IPCC国家温室气体清单指南》（IPCC方法）计算包括中国在内的全球214个国家和地区的CO2排放量[22-23]。EDGAR CO2排放计算范围包含能源活动CO2排放，也包含了部分工业过程CO2排放以及部分非能源利用CO2排放和燃料自燃排放[24]。由于EDGAR目前只能提供2000-2010年长三角地区0.1°× 0.1°二氧化碳排放的空间栅格数据，本研究收集了长三角地区25个城市的人口和GDP数据，基于单城市的碳排放回归模型，获取了长三角地区25个城市1990和1995年的碳排放水平。以杭州和南京市为例，回归模型拟合精度（R2）均达0.98以上。由于1990年以后国家对浙江台州和江苏泰州（1996年升格为地级市）等城市进行了行政区划的调整，因此本研究1990和1995年的数据为建市前的数据。 1.3 研究方法
1.3.1 城市形态的定量表征：景观格局指数
景观格局指数是指能够高度浓缩景观格局信息，反映景观结构组成和空间配置某些方面特征的定量指标[25]。随着遥感技术（RS）和地理信息系统（GIS）的进步，利用景观格局指数量化城市土地利用模式和空间特征[26]，进一步评估城市形态具有重要的实证意义。本文结合长三角地区区域特点，参考已有研究的指标选取准则，在景观格局指数的选择上，选取6个一级指标/7个二级指标（表2），量化长三角地区1990-2010年的城市形态及其变化情况。
1.3.2 城市形态与区域碳排放相关性判定
本研究从城市层面上分析了长三角地区25个城市形态与碳排放总量的时空变异特征。在此基础上，采用逐步回归分析方法模拟城市形态对区域碳排放量的影响。本文选择表2中7个景观指标作为回归模型的自变量，1990，2000，2010年的碳排放量作为因变量，分阶段进行逐步回归分析。每个阶段分别筛选出对碳排放量影响较为显著的景观指标，并确定它们之间的定量关系和作用的相对大小；每引入一个自变量对此前引入的自变量进行重新检验，直到选入的自变量都显著、而未被选入的自变量都不显著为止，从而建立起一系列包含不同景观指标变量的多元线性回归方程，并根据不同的F检验临界值（引入和剔除因子检验）最终确定最合理的1990/2000/2010年逐步回归分析模型，得到入选变量的回归系数，对应的判决系数（R2），及p值等，最后对回归结果进行显著性判断。
2 结 果
2.1 长三角地区碳排放量的时空分布特征
长三角地区碳排放空间分布差异明显，总体上呈中东南和西北部高、东北部次之、西南部最低的特征。从省级行政区划来看，上海市>江苏省>浙江省。同一时期不同地区碳排放量差异较大。1990年，长三角地区碳排放最高值出现在上海市，紧邻的江苏苏州、无锡、常州和浙江省嘉兴、湖州等城市碳排放量为10-40 百万吨（Mt），随着与上海的距离由近至远碳排放量依次递减。碳排放总量小于5 Mt的城市全部位于浙江省，最小值出现在舟山市（图2）。2010年，上海市，江苏省的南京、徐州、扬州、镇江、无锡、苏州，浙江省的杭州、宁波、台州、温州市为长三角地区碳排放总量的主要高值区，均超过40 Mt，其中上海市最高达到420.84 Mt，占长三角地区区域碳排放总量的30.12%。碳排放的空间分布特征总体上与长三角地区经济发展规模的空间格局一致。经济规模对碳排放变动具有增量效应，是推动碳排放增加的主要因素[27]。
研究期间长三角地区碳排放呈现显著快速上升的趋势，从1990年的308.99 Mt增加到2010年的1 397.38 Mt，增长352.24%，其中 1990-1995年、1995-2000年、2000-2005年、2005-2010年的平均增长率分别为40.55%、24.47%、70.71%、51.43%。这期间，不同城市间增长速率存在明显差异：上海市，江苏省的南京、苏州、无锡、徐州市，浙江省的杭州、宁波、台州市，增幅均超过143%，其中上海市的增幅最大，2010年碳排放总量约为1990年的8倍；增速相对较慢的城市有江苏省的连云港、泰州市，浙江省的丽水、衢州市等；浙江省的舟山市增幅最小。
进一步分析表明自上世纪90年代以来，我国四个阶段不同经济增长方式的差异是碳排放波动的重要原因，特别是其中2000-2004年"高投入、高排放、低效率"的经济增长方式直接导致了碳排放的显著增加[28]。经济发展以及产业结构的不合理是研究期间长三角地区碳排放快速增长的主要原因。此外，居民消费水平、人口城市化率、人口规模三个因素对我国碳排放总量的变化影响明显。现阶段我国居民消费水平与人口结构变化对碳排放的影响力已高于人口规模变化的影响力，居民消费水平与消费模式等人文因素的变化有可能成为我国碳排放的新增长点[29]。2000年之后，随着长三角地区城市化进程的加快，居民消费水平、人口城市化率、人口规模显著增加，也是碳排放增加的重要原因。
2.2 长三角地区城市形态和景观格局的时空变化特征
研究期间，长三角地区25个城市的CA值均快速增长（图3-a），城市建设用地面积从1990年的160.38万km2增至2010年的280.15万km2，整体增速为74.68%，表明以上海为代表的长三角地区城市群经历了快速城市化过程，土地利用/覆被发生较大变化，建设用地快速扩张。上海市，江苏南京、无锡市，浙江嘉兴等市的NP值呈整体下降趋势，表明城市斑块数量在减少，景观破碎化程度降低；江苏徐州市，浙江湖州、金华、丽水、衢州、舟山、温州、台州等市的NP值呈整体上升趋势，表明城市斑块数量在增多，景观破碎化程度增加；江苏省的淮安、连云港、宿迁、盐城、扬州等市的NP值无明显变化。需要指出的是，虽然长三角地区25个城市的LPI值基数不同，但所有城市均呈现增加趋势，尤其是2005-2010年增长最显著，如上海市，江苏南京、常州、苏州、泰州、无锡市，浙江省的杭州、嘉兴、宁波、绍兴等市（图3-b）。LPI值的增加表明城市斑块连片面积变大，内部生境增大。从空间上看，上海市和江苏省的PARA_MN和ENN_MN值偏低，表明上海市和江苏省各市的形状普遍较规则、分离度整体较低；从时间上看，1990-2000年25个城市的PARA_MN值没有显著变化，2005-2010年呈显著增加的趋势，表明各市2005年后呈现形状越来越不规则、分离度增高的趋势。其余城市的ENN_MN值呈整体下降趋势，表明城市化快速发展整体提高了长三角地区的城市斑块间邻近度。
由于只获取了1990/2000/2010年三期的道路分布数据，因此仅展示长三角地区这三个时间段RD和CF值的趋势变化图（图3-c和图3-d）。其中CF值逐年增加的有江苏南京、淮安、连云港、宿迁、徐州、盐城、扬州市，浙江湖州、嘉兴等市；CF值整体下降的有浙江绍兴、台州、温州等市；先增后减的有上海市，江苏泰州市，浙江杭州、金华、丽水、衢州、舟山等市；先减后增的有江苏常州、南通、镇江等市。表明各地交通发展在时间、空间上均表现出差异性。 2.3 城市形态对区域碳排放影响的空间差异
本文将研究期间长三角地区的城市碳排放和城市形态信息，分别在时间（1990-2010年）和空间（25个城市）尺度开展时间上的纵向和区域上横向的相关性分析。研究结果表明：①时间上RD、CF、LPI对于城市碳排放量一直存在显著影响。其中LPI对碳排放的影响非常显著，但不同时期的影响不同。1990年对碳排放的影响呈负相关，2000和2010年则呈正相关，说明碳排放量在1990年时随着斑块聚合度的增加而减少，而2000年之后则随着斑块聚合度的增加而增加。以高碳排放城市上海为例，城市化率高达88.02%，最大斑块指数最高（2000年占长三角地区的28.8%）。人们向城市化水平高的区域集中，相应的基础配套设施等相应增加，从而将若干小斑块聚集成一个大斑块。大量的城市斑块过于集中，城市斑块连片面积增大，造成区域碳排放增加。减少城市最大斑块面积，可以构建多中心斑块共同发展的城市形态来控制长三角地区碳排放总量。RD对碳排放影响比较显著，呈正相关，即区域碳排放随着RD的增加而增加，说明随着交通密度的增加碳排放量不断增加。以江苏南京市为例，道路密度逐年增加（增幅219.31%）与碳排放量的增长趋势（增幅272.56%）呈现一致，南京经济和城市化水平相当高，城镇空间的扩张带动道路密度的增加对区域碳排放产生突出影响。CF对碳排放影响也比较显著，呈负相关，即区域碳排放随着CF的增加而减少，说明道路缓冲区的增加有利于减少碳排放。苏北尤其是徐州市CF小（1990年仅为0.22），碳排放量大（占江苏省的15.2%），作为华东地区重要经济增长极的徐州市，更注重以GDP增加为主的粗放型经济发展方式，而忽略道路缓冲区面积的改善；浙江省南部衢州、丽水等市CF大（占长三角地区的24.6%），碳排放量小（占长三角地区的1.2%），两市森林覆盖率分别高达80.8%，凭借自然条件优势扩大道路缓冲区面积，增加了产业扩张的发展机会，保持着经济型强的可持续发展环境。②同一时间段、不同景观格局指数对碳排放量的影响不同。1990年CA、NP、LPI、RD、CF五个因素影响碳排放量，其中CA和RD对碳排放的影响呈正相关，NP、LPI、CF则呈负相关；2000年LPI、RD、CF三个因素影响碳排放量，LPI和RD呈正相关，CF呈负相关；2010年CA、LPI、RD、CF、ENN_MN五个因素影响碳排放量，CA、LPI、RD呈正相关，ENN_MN和CF呈负相关。
在此基础上，选择长三角地区1990，2000，2010年的碳排放量数据作为因变量，7个景观格局指数作为自变量，进一步开展逐步线性回归分析，建立区域碳排放逐步回归方程（表3）。本研究对入选变量与碳排放量所作的回归分析结果显示，R2值均在0.62以上，F检验下的p值显著，且均小于0.001，模拟结果均较为理想。
3 结论与讨论
长三角地区25个城市的碳排放量无论是时间还是空间上均表现出明显的异质性。空间上总体呈中东南和西北部高、东北部次之、西南部最低的特征。经济发展方式与碳排放强度变化之间存在内在联系，经济发展方式变化中有许多不利于降低碳排放强度的因素[30]。从时间上看，1990-2010年长三角地区25个城市的碳排放量均呈现快速上升的趋势，各地增长率出现差异。变化主要取决于1990-2010年中国经济的高速发展驱动碳排放量增加；而各地产业结构、经济发展水平的不平衡是导致碳排放量上升幅度出现差异的主要原因。
研究周期内，代表城市形态的7个景观指标中RD、CF、LPI对城市碳排放一直存在影响，说明本地区城市形态主要通过路网交通产生作用，进而影响碳排放。交通运输已成为全球石油消耗和温室气体排放最重要的因素，我国道路系统的能源消耗量占了整个交通运输部门能源消耗量的50%以上[31]。根据彭觅等[32]的研究结果，不同水平单位 GDP 的碳排放影响因素差异很大，高于全国平均单位 GDP 碳排放量的省份、其影响因素以工业行业结构为主，低于全国平均单位 GDP 碳排放量的省份、其影响因素以交通和生活为主。研究区域上海市、江苏省、浙江省的平均单位 GDP 碳排放量均低于全国平均水平，与本文的结论相符合。LPI对于碳排放量具有一定的影响，但不同时期影响不同。2000年之后，碳排放量随着斑块聚合度的增加而增加。这种趋势变化，表明当前城市规划中应考虑斑块的聚合度，城市斑块过于集中易造成碳排放增加。
不同时间段，城市形态对碳排放的影响不同，这可能与城市化的不同阶段经济发展水平存在差异相关。1990年CA、NP、LPI、RD、CF五个因素影响碳排放量，其中CA和RD对碳排放的影响呈正相关，NP、LPI、CF则呈负相关。城市化初级阶段，碳排放量随着用地面积和道路密度的增加呈增加的趋势，和Chen et al.的分析结果一致；而随着城市斑块数量、斑块聚合度和道路缓冲区的增加，碳排放量呈减少的趋势。2000年仅有三个指标LPI、RD、CF对碳排放存在显著影响，LPI和RD呈正相关，CF呈负相关。说明这个时期的碳排放量随着斑块聚合度和交通密度的增加呈增加的趋势，而随着道路缓冲区的增加呈减少的趋势。与1990年相比，2010年的影响指标有CA、LPI、RD、CF、ENN_MN，其中CA、RD、CF对碳排放的影响没有变化，说明建设用地和道路密度的增加始终促进碳排放，道路缓冲区面积的增加有利于减少碳排放。所不同的是，从1990年到2000、2010年，LPI对碳排放的影响由负相关变为正相关，说明随着城市化进程的加快，斑块聚合度逐渐促进碳排放。和1990、2000年相比，2010年增加了ENN_MN对碳排放的影响，并且呈负相关，说明增加城市斑块最近邻距离有利于减少碳排放。
开展城市形态与区域碳排放的定量分析研究，可为控制区域碳排放提供另一种思维和途径。通过城市规划和空间优化构建一个理想的城市形态可能是处理碳排放问题的一个极为重要的方法。就当前来看，增加道路缓冲区面积，增加城市斑块临近距离，减少城市最大斑块的面积是当前从城市形态角度减少碳排放的有效途径。因此可以构建多中心斑块共同发展的城市形态来控制长三角地区的碳排放总量。 （编辑：尹建中）
参考文献（References）
[1]IPCC WGI AR5 2013. Working Group I Contribution to the IPCC Fifth Assessment Report Climate Change 2013： The Physical Science Basis. Summary for Policymakers. Twelfth Session of Working Group [EB/OL].[2013-09-30].http：//www.climatechange2013.org/images/uploads/WGIAR5SPM_Approved27Sep2013.pdf.
[2]Boden T A， Marland G， Andres R J. Global， Regional， and National Fossilfuel CO2 Emissions [J]. Carbon Dioxide Information Analysis Center， Oak Ridge National Laboratory， US Department of Energy， Oak Ridge， Tenn.， USA， 2009， 10.
[3]Nordbo A， Jrvi L， Haapanala S， et al. Fraction of Natural Area as Main Predictor of Net CO2 Emissions from Cities [J]. Geophysical Research Letters， 2012， 39（20）： 1-5.
[4]Churkina G. Modeling the Carbon Cycle of Urban Systems[J]. Ecological Modelling， 2008， 216（2）： 107-113.
[5]Glaeser E L， Kahn M E. The Greenness of Cities： Carbon Dioxide Emissions and Urban Development [J]. Journal of Urban Economics， 2010， 67（3）： 404-418.
[6]马静， 刘志林， 柴彦威， 等. 城市形态与交通碳排放：基于微观个体行为的视角[J]. 国际城市规划， 2013，（2）： 19-24. [Ma Jing， Liu Zhilin， Chai Yanwei， et al. Urban Form and Carbon Emissions from Urban Transport： Based on the the Analysis of Individual Behavior[J]. Urban Planning International， 2013，（2）： 19-24.]
[7]刘占成， 王安建， 于汶加， 等. 中国区域碳排放研究[J]. 地球学报， 2010， 31（5）： 727-732. [Liu Zhancheng， Wang Anjian， Yu Wenjia， et al. Research on Regional Carbon Emissions in China[J]. Acta Geoscientica Sinica， 2010， 31（5）： 727-732.]
[8]张润森， 濮励杰， 文继群， 等. 建设用地扩张与碳排放效应的库兹涅茨曲线假说及验证[J]. 自然资源学报， 2012，（5）： 723-733. [Zhang Runsen， Pu Lijie， Wen Jiqun， et al. Hypothesis and Validation on the Kuznets Curve of Construction Land Expansion and Carbon Emission Effect[J]. Journal of Natural Resources， 2012，（5）： 723-733.]
[9]赵荣钦， 陈志刚， 黄贤金， 等. 南京大学土地利用碳排放研究进展[J]. 地理科学， 2012， 32（12）： 1473-1480. [Zhao Rongqin， Chen Zhigang， Huang Xianjin， et al. Research Progresses of Land Use Carbon Emission in Nanjing University[J]. Scientia Geographica Sinica， 2012， 32（12）： 1473-1480.]
[10]李宇， 王喆， 王菲， 等. 城市碳排放的评估方法：影响要素和过程研究[J]. 自然资源学报， 2013， 28（9）： 1637-1648. [Li Yu， Wang Zhe， Wang Fei， et al. A Review of Assessment Methods， Influencing Factors and Process on Urban Carbon Emissions[J]. Journal of Natural Resources， 2013， 28（9）： 1637-1648.]
[11]Albrecht J， Franois D， Schoors K. A Shapley Decomposition of Carbon Emissions Without Residuals [J]. Energy Policy， 2002， 30（9）： 727-736. [12]Gomi K， Shimada K， Matsuoka Y， et al. Scenario Study for a Regional Lowcarbon Society [J]. Sustainability Science， 2007， 2（1）： 121-131.
[13]De Bruyn S M， van den Bergh J C， Opschoor J B. Economic Growth and Emissions： Reconsidering the Empirical Basis of Environmental Kuznets Curves [J]. Ecological Economics， 1998， 25（2）： 161-175.
[14]Jabareen Y R. Sustainable Urban Forms Their Typologies， Models， and Concepts [J]. Journal of Planning Education and Research， 2006， 26（1）： 38-52.
[15]武俊奎. 城市规模， 结构与碳排放[D]. 上海：复旦大学， 2012.[Wu Junkui. City Size， Spatial Structure and Carbon Emissions[D]. Shanghai： Fudan University， 2012.]
[16]Chen Y， Li X， Zheng Y， et al. Estimating the Relationship Between Urban Forms and Energy Consumption： A Case Study in the Pearl River Delta， 2005-2008[J]. Landscape and Urban Planning， 2011， 102（1）： 33-42.
[17]Ou J， Liu X， Li X， et al. Quantifying the Relationship Between Urban Forms and Carbon Emissions Using Panel Data Analysis[J]. Landscape Ecology， 2013， 28（10）： 1889-1907.
[18]国家发展改革委. 长江三角洲地区区域规划[EB/OL]. [2014-06-04]. http：//www.sdpc.gov.cn/zcfb/zcfbghwb/201006/W020140221367550405937.pdf. [National Development and Reform Commission. Yangtze River Delta Regional Planning [EB/OL]. [2014-06-04]. http：//www.sdpc.gov.cn/zcfb/zcfbghwb/201006/W020140221367550405937. pdf.]
[19]上海市统计局. 上海统计年鉴2014[M]. 北京：中国统计出版社， 2014. [Shanghai Statistics Bureau. Shanghai Statistical Yearbook 2014[M]. Beijing： China Statistics Press， 2014.]
[20]周翔， 陈亮， 象伟宁. 苏锡常地区建设用地扩张过程的定量分析[J]. 应用生态学报， 2014， 25（5）： 1422-1430. [Zhou Xiang， Chen Liang， Xiang Weining. Quantitative Analysis of the Builtup Area Expansion in SuXiChang Region， China[J]. Chinese Journal of Applied Ecology， 2014， 25（5）： 1422-1430.]
[21]曹武星， 罗飞雄， 韩骥， 等. 快速城市化地区交通主干道对景观格局变化的影响[J]. 地球信息科学学报， 2014，（6）：898-906. [Cao Wuxing， Luo Feixiong， Han Ji， et al. The Impact of Road Development on Landscape Pattern Change in Rapidly Urbanizing Area[J]. Journal of Geoinformation Science， 2014，（6）：898-906.]
[22]Joint Research Center. Global Emissions EDGAR v4.2 FT2010[R]. 2013. http：//edgar.jrc.ec.europa.eu/overview.php？v=42FT2010.
[23]朱松丽. 中国二氧化碳排放数据比较分析[J]. 气候变化研究进展， 2013，9（4）： 266-274. [Zhu Songli. Comparison and Analysis on CO2 Emissions Data for China[J]. Progressus Inquisitiones De Mutatione Climatis， 2013，9（4）： 266-274.]
[24]Netherlands Environmental Assessment Agency. Trends in Global CO2 Emissions： 2014. Report[R]. www.pbl.nl/en or edgar.jrc.ec.europa.eu，2014. [25]邬建国. 景观生态学：格局、过程、尺度与等级[M]. 北京： 高等教育出版社， 2000. [Wu Jianguo. Landscape Ecology： Pattern， Process， Scale and Hierarchy[M]. Beijing： Higher Education Press， 2000.]
[26]Alberti M， Waddell P. An Integrated Urban Development and Ecological Simulation Model[J]. Integrated Assessment， 2000， 1（3）： 215-227.
[27]胡初枝， 黄贤金， 钟太洋， 等. 中国碳排放特征及其动态演进分析[J]. 中国人口·资源与环境， 2008， 18（3）：38-42. [Hu Chuzhi， Huang Xianjin， Zhong Taiyang， et al. Character of Carbon Emission in China and Its Dynamic Development Analysis[J]. China Population， Resources and Environment， 2008， 18（3）：38-42.]
[28]宋德勇， 卢忠宝. 中国碳排放影响因素分解及其周期性波动研究[J]. 中国人口·资源与环境， 2009，19（3）： 18-24. [Song Deyong， Lu Zhongbao. The Factor Decomposition and Periodic Fluctuations of Carbon Emission in China[J]. China Population， Resources and Environment， 2009，19（3）： 18-24.]
[29]朱勤， 彭希哲， 陆志明， 等. 人口与消费对碳排放影响的分析模型与实证[J]. 中国人口·资源与环境， 2010，（2）： 98-102. [Zhu Qin， Peng Xizhe， Lu Zhiming， et al. Analysis Model and Empirical Study of Impacts from Population and Consumption on Carbon Emissions[J]. China Population， Resources and Environment， 2010，（2）： 98-102.]
[30]张友国. 经济发展方式变化对中国碳排放强度的影响[J]. 经济研究， 2010， （4）： 120-133. [Zhang Youguo. Economic Development Pattern Change Impact on China’s Carbon Intensity[J]. Economic Research Journal， 2010， （4）： 120-133.]
[31]王伟林， 黄贤金. 区域碳排放强度变化的因素分解模型及实证分析：以江苏省为例[J]. 生态经济， 2008， （3）： 32-35. [Wang Weilin， Huang Xianjin. Decompositions Model of Factors and Substantiation Analysis of Area Carbon Dioxide Emissions Intensity Change： Take Jiangsu Province as an Example[J]. Ecological Economy， 2008， （3）： 32-35.]
[32]彭觅， 吕斌， 张纯， 等. 中国能源碳排放的区域差异及其影响因素分析[J]. 城市发展研究， 2010， 17（7）： 6-11. [Peng Mi， Lv Bin， Zhang Chun， et al. On the Spatial Differentia of Carbon Emissions in Energy and its Influencing Factors on Provincial Level in China[J]. Urban Studies， 2010， 17（7）： 6-11.]
Abstract Based on the regional land use information and carbon emission data from 1990 to 2010， this paper analyses the relationship between urban forms and regional carbon emissions in the Yangtze River Delta （YRD） where suffers from intensive human disturbance and rapid urbanization. Urban forms are characterized by landscape metrics including the size， shape， regularity， fragmentation and traffic coupling factor of urban patches. The results show that，① the carbon emissions in YRD show significant spatial heterogeneities with high value in the middle， the southeast and northwest and low value in the southwest；② the carbon emissions increase rapidly from 1990 to 2010 with the average growth rate of 40.55%（1990-1995）， 24.47%（1995-2000）， 70.71%（2000-2005） and 51.43%（2005-2010） respectively；③ road density （RD）， traffic coupling factor （CF） and the largest urban patch index （LPI） have the most significant impacts on regional carbon emissions which illustrated that urban forms affect the carbon emissions mainly through a wide variety of transportation；④ the urban forms affect carbon emissions differently during the various stages of urbanization process. In the primary stage of urbanization， the growth of total urban areas and road density caused the increase of regional carbon emissions， while the increase of urban patch numbers， degree of polymerization and road buffer could reduce the regional carbon emissions. Compared with 1990 and 2010， the increasing mean euclidean nearest neighbor distance （ENN_MN） in 2010 was negatively correlated with carbon emissions which could reduce the carbon emissions. Currently， it’s an efficient way from the perspective of urban forms by increasing the areas of road buffer， urban patches’ nearest neighbor distance and reducing the areas of the largest urban patches to control the gross amounts of carbon emissions. The results could provide further objective understanding of urban forms and regional carbon emissions as an empirical case and significant reference for optimizing urban forms and controlling regional carbon emissions.
Key words urban forms； regional carbon emissions； Yangtze River Delta； landscape metrics； stepwise regression analysis