基于多源數(shù)據(jù)的城市用地強(qiáng)度對碳排放的影響研究
——以青島市為例

張雪潔， 王成新， 苗 毅， 王建事， 李夢程

(1. 山東師范大學(xué) 地理與環(huán)境學(xué)院， 山東 濟(jì)南 250358；2. 山東省高校人地協(xié)調(diào)與綠色發(fā)展協(xié)同創(chuàng)新中心， 山東 濟(jì)南 250358)

城市土地利用變化是影響區(qū)域碳排放的重要因素[1,2]。不同城市發(fā)展階段背景下，城市用地結(jié)構(gòu)與強(qiáng)度存在顯著的時空差異性[3]。據(jù)此，在城市發(fā)展與“雙碳”目標(biāo)的雙重背景下，關(guān)注城市用地變化對碳排放的影響具有理論與現(xiàn)實(shí)意義。

由此，相關(guān)研究受到了多領(lǐng)域?qū)W者的共同關(guān)注，研究成果呈現(xiàn)出成熟化、豐富化、體系化態(tài)勢。眾多學(xué)者從國家、城市群、城鎮(zhèn)等不同尺度分析了碳排放與城市用地之間的關(guān)系[4-7]，提出不同的土地利用類型對碳排放的影響作用不同。大量研究選用重心轉(zhuǎn)移模型[8]、熱點(diǎn)分析[5]、社會網(wǎng)絡(luò)分析[9]或灰色模型[10]等方法，探討了不同城市用地類型下碳排放的核算與時空分異[3,11,12]、基于用地類型轉(zhuǎn)換的碳排放變化及其驅(qū)動機(jī)理[13]以及如何預(yù)測模擬土地利用碳排放[14-16]等，并取得了豐碩成果。如魏燕茹[9]、李彥旻[10]等分別分析了安徽省、福建省、廣州市的土地利用碳排放時空特征及其影響因素；吳巍等[17]依據(jù)美國的調(diào)查數(shù)據(jù)，預(yù)測了碳排放隨用地的變化情況，發(fā)現(xiàn)高密度住宅區(qū)碳排放更多?？傮w來看，現(xiàn)有研究大多基于多時空尺度，圍繞城市用地的碳排放核算、分布與預(yù)測展開，而從全域與局部兩個層面出發(fā)，分析時空維度下城市用地強(qiáng)度對碳排放的影響作用變化情況，探索不同城市發(fā)展階段下驅(qū)動要素的變化規(guī)律，仍是碳排放研究領(lǐng)域需要不斷深入的問題。

由此，基于現(xiàn)有研究，考慮城市人文屬性[18]，引入興趣點(diǎn)(POI)等多源數(shù)據(jù)來彌補(bǔ)傳統(tǒng)數(shù)據(jù)的不足，成為碳排放分析的發(fā)展趨勢之一[19]。同時，已有大量研究證實(shí)，POI數(shù)據(jù)在表達(dá)城市土地利用強(qiáng)度方面具有獨(dú)特的優(yōu)勢。因地制宜是中國“碳中和”的實(shí)現(xiàn)方式之一，在分析區(qū)域異質(zhì)性時，縣級單位比省、市級單位更加有效，對于規(guī)劃針對性更強(qiáng)。因此基于多源數(shù)據(jù)，以青島市縣域?yàn)榛驹u價單元，運(yùn)用三維空間曲面插值分析、核密度分析及GWTR模型，研究城市用地強(qiáng)度對碳排放的影響，并進(jìn)行不同城市發(fā)展階段下碳排放驅(qū)動因素及趨勢規(guī)律的初步探索，以期為低碳城市建設(shè)和“雙碳”背景下的城市科學(xué)規(guī)劃、區(qū)域高質(zhì)量發(fā)展提供決策參考。

1 研究區(qū)概況

青島市是中國東部沿海地區(qū)的區(qū)域性中心城市，在環(huán)渤海經(jīng)濟(jì)圈等多項(xiàng)戰(zhàn)略規(guī)劃中具有重要的功能定位。青島市總面積11 282 km2，位于東經(jīng)119°30′～121°00′、北緯35°35′～37°09′，下轄7區(qū)3市(市南區(qū)、市北區(qū)、李滄區(qū)、嶗山區(qū)、黃島區(qū)、城陽區(qū)、即墨區(qū)、膠州市、平度市和萊西市)，城區(qū)人口434萬，2020年總?cè)丝谕黄? 000萬，建成區(qū)面積638.4 km2(圖1)。

圖1 研究區(qū)示意圖Fig.1 Diagram for the study area注：該圖基于自然資源部標(biāo)準(zhǔn)地圖服務(wù)網(wǎng)站下載的審圖號為GS(2019)3266的標(biāo)準(zhǔn)地圖制作，底圖無修改。

自2010年以來，青島市的城鎮(zhèn)化率超過65%，并于2016年進(jìn)入城市化后期(圖2)，是中國特大城市。同時，青島市于2012年成為全國第二批、山東省第一座低碳試點(diǎn)城市。伴隨著青島市城市建設(shè)用地面積與利用強(qiáng)度的急速增長，如何平衡城市用地結(jié)構(gòu)發(fā)展與碳排放有效控制是當(dāng)前亟待解決的問題之一。

圖2 青島市城鎮(zhèn)化率與人口變化Fig.2 Urbanization rate and population change in Qingdao City

2 假設(shè)模型與數(shù)據(jù)來源

2.1 假設(shè)模型：庫茲涅茨比較曲線

庫茲涅茨曲線最早被用于解釋經(jīng)濟(jì)發(fā)展與不平等收入間的倒“U”型變化關(guān)系：隨著經(jīng)濟(jì)的不斷發(fā)展，收入分配狀況先趨于惡化，再逐步改善，最后達(dá)到比較公平的收入分配狀況，呈顛倒的U的形狀。后期該假說也被應(yīng)用于交通[20]、工業(yè)化[21]、生態(tài)環(huán)境[22]等領(lǐng)域，且已有研究證實(shí)了建設(shè)用地與碳排放之間存在庫茲涅茨曲線特征[23]，并將該理論引入到用地與碳排放的探索中，而城市用地強(qiáng)度與碳排放之間是否存在該特征仍有待進(jìn)一步探索。

在假設(shè)模型中，研究參照EKC模型原理及其相關(guān)成果，結(jié)合阿隆索地租模型中的分類對比原理，用城市土地利用強(qiáng)度表征x軸，y軸為碳排放指數(shù)，將城市土地利用強(qiáng)度對碳排放指數(shù)的影響可視化。

基于以上操作和對當(dāng)前研究成果的查閱，研究提出以下假設(shè)(圖3)：①隨著城市土地利用強(qiáng)度的提高，碳排放指數(shù)先呈上升趨勢且增速較快，然后跨過臨界值(碳排放指數(shù)到達(dá)峰值)，碳排放情況得到改善，最后逐步降低，最終達(dá)到低碳排放的目標(biāo)；②商業(yè)、工業(yè)以及居住三類用地對碳排放的影響各不相同。預(yù)測工業(yè)用地強(qiáng)度在提升初期對碳排放的影響將超過商業(yè)用地與居住用地，且較快達(dá)到峰值，而商業(yè)用地強(qiáng)度在提升后期將會有效控制碳排放情況，表現(xiàn)為碳排放數(shù)據(jù)隨商業(yè)用地強(qiáng)度的提升而快速降低。

圖3 庫茲涅茨比較曲線Fig.3 Kuznets comparison curve

2.2 數(shù)據(jù)來源與預(yù)處理

研究數(shù)據(jù)主要來源于高德地圖開放平臺(https://restapi.amap.com/v3/place/text?parameters)、中國科學(xué)院資源環(huán)境科學(xué)數(shù)據(jù)中心(http://www.resdc.cn/Datalist1.aspx?FieldTyepID=1,3)以及CEADs中國碳核算數(shù)據(jù)庫(https://www.ceads.net.cn/data/county?#1059)。從高德地圖開放平臺可獲取到2010年到2017年的青島市POI數(shù)據(jù)集，同時，利用中國科學(xué)院資源環(huán)境科學(xué)數(shù)據(jù)中心的同年份區(qū)間的Landsat陸地衛(wèi)星系列遙感數(shù)據(jù)，提取城市建成區(qū)對POI數(shù)據(jù)進(jìn)行輔助檢驗(yàn)，使數(shù)據(jù)清洗更加科學(xué)，確保POI數(shù)據(jù)可以有效表征該城市土地利用分布結(jié)構(gòu)以及土地利用強(qiáng)度。最終，對篩選后的POI數(shù)據(jù)進(jìn)行類型識別與歸納，以此判定商業(yè)用地、工業(yè)用地和居住用地強(qiáng)度。

縣級市的碳排放數(shù)據(jù)來源于CEADs中國碳核算數(shù)據(jù)庫。該數(shù)據(jù)庫中2010年到2017年縣域尺度下的碳排放數(shù)據(jù)是基于DMSP/OLS和NPP/VIIRS衛(wèi)星圖像，通過粒子群優(yōu)化-反向傳播(PSO-BP)算法估算得到的，是相關(guān)研究中碳排放數(shù)據(jù)的常用來源[24,25]。此外，2010—2017年間，青島市行政區(qū)劃由7區(qū)5市調(diào)整合并為7區(qū)3市，本研究以2017年區(qū)劃情況為準(zhǔn)。

3 研究方法

3.1 三維空間曲面插值分析

空間插值分析能夠?qū)㈦x散數(shù)據(jù)轉(zhuǎn)換為連續(xù)數(shù)據(jù)。二維平面地理空間內(nèi)，樣本的平面坐標(biāo)代表離散數(shù)據(jù)的坐標(biāo)；三維空間內(nèi)，第三維數(shù)據(jù)代表離散點(diǎn)屬性或高程。本文基于Matlab平臺，通過調(diào)用griddata函數(shù)來實(shí)現(xiàn)三維空間曲面插值，用以分析三維視角下青島市縣域碳排放指數(shù)的演變特征。其調(diào)用格式為[26]：

Z=griddata(X,Y,Z,XI,YI,′method′)

(1)

其中，Z為X、Y的構(gòu)造插值函數(shù)，此時存在響應(yīng)數(shù)據(jù)點(diǎn)(XI,YI)，該處函數(shù)值為ZI=g(XI,YI)。Matlab中的′method′可選用線性插值、三次多項(xiàng)式插值、最近鄰插值以及Matlab隨機(jī)數(shù)據(jù)點(diǎn)插值四類。經(jīng)比較，隨機(jī)數(shù)據(jù)點(diǎn)插值所產(chǎn)生的三維曲面效果最好，因此采用Matlab隨機(jī)數(shù)據(jù)點(diǎn)插值法。

3.2 核密度估計(jì)

核密度估計(jì)(kernel density estimation，KDE)是基于一定范圍內(nèi)要素密度的空間平滑操作，它是通過將離散點(diǎn)數(shù)據(jù)轉(zhuǎn)換為有密度變化的圖層來識別要素的空間分布特征。選用ArcGIS的核密度估計(jì)工具，進(jìn)行重分類后POI點(diǎn)要素空間分布的可視化。二維空間的核密度方程為[27]：

(2)

式中：h為閾值；n為閾值范圍內(nèi)點(diǎn)數(shù)；(x-xi)2+(y-yi)2為(xi,yi)與(x,y)之間的離差。

在計(jì)算過程中，對于核密度的搜索半徑，在默認(rèn)值(2 588 m)的基礎(chǔ)上分別增減不同長度進(jìn)行試驗(yàn)。多次調(diào)試得到閾值在2 500 m時，圖像數(shù)據(jù)平滑度較好且局部特征明顯。

3.3 全局空間自相關(guān)分析

空間自相關(guān)分析是基于地理學(xué)第一定律，以空間視角分析事物是否存在自相關(guān)性的方法。全局空間自相關(guān)表征空間整體中事物分布的集聚程度[28]：

(3)

式中：n為觀測值數(shù)量；zi、zj為位置i與j的觀測值；Wij為空間權(quán)重；σ為要素屬性與平均值的均差。

在假設(shè)的顯著性水平下，I為正值表示事物存在集聚現(xiàn)象，I為負(fù)值表示相鄰地區(qū)之間存在較大差異，若I趨近于0，則說明該事物呈隨機(jī)分布。

3.4 GTWR模型

時空地理加權(quán)回歸(GTWR)模型是基于地理加權(quán)回歸(GWR)模型的優(yōu)化改進(jìn)模型。它在GWR關(guān)注空間異質(zhì)性的基礎(chǔ)上，引入時間坐標(biāo)，充分考慮了時空非平穩(wěn)性。本文采用該模型分析局部視角下城市用地強(qiáng)度對碳排放指數(shù)的影響作用[29]：

(4)

式中：(μi,vi,ti)是第i個樣本點(diǎn)的時空坐標(biāo)，μi、vi、ti分別為第i個樣本點(diǎn)的經(jīng)度、緯度和時間；β0(μi,vi,ti)為常數(shù)項(xiàng)，表示第i個樣本點(diǎn)的回歸常數(shù)；xik為第k個自變量在第i點(diǎn)的值；εi為殘差；βk(μi,vi,ti)xik為第i個樣本點(diǎn)的第k個回歸參數(shù)。

回歸參數(shù)由位置與時間共同決定，其中時空權(quán)重由高斯函數(shù)與bi-square空間權(quán)函數(shù)得到。GTWR模型與GWR模型在帶寬的選擇方法上具有一定的一致性，均采取AICC法則獲取最佳帶寬。

4 結(jié)果分析

4.1 碳排放時空分布特征

基于Matlab軟件，運(yùn)用三維空間曲面插值法，對2010年、2013年及2017年的青島市碳排放指數(shù)進(jìn)行插值三維可視化，得到圖4。

圖4 三維空間曲面插值圖Fig.4 3D space surface interpolation

圖4中，X軸為經(jīng)度，Y軸為緯度，碳排放指數(shù)則用Z軸表示，等值線落在XY面。分析可知，青島市碳排放總體呈現(xiàn)北高南低的格局，并隨時間的推移略有變化?；谇媪Ⅲw視角可知，2010年研究區(qū)西北方向的碳排放較少，排放主要集中在東北方向；而在2010—2013年間，西北方向碳排放指數(shù)急速上升，青島市碳排放三維空間曲面進(jìn)而由“山峰狀”轉(zhuǎn)化為一直延續(xù)到2017年的“鞍部狀”，低值區(qū)由“西北—東南”一線變?yōu)椤拔髂稀獤|南”一帶；2013—2017年間，碳排放量逐漸趨于穩(wěn)定且呈緩慢下降趨勢。表明平度市與萊西市的碳排放一直處于較高水平，而青島市六區(qū)的生態(tài)環(huán)保要求較高，碳排放量較低?；谧鴺?biāo)切割面分析，三維曲面的各個平面落點(diǎn)變化各不相同：XZ面上的指數(shù)型增長曲線于2017年呈現(xiàn)出 “U”形，YZ面中的曲線逐漸趨于上凸形，表明青島市碳排放的重點(diǎn)區(qū)域具有向北聚集的趨勢。因此，青島市碳排放指數(shù)的動態(tài)發(fā)展具有明顯的時空異質(zhì)性。

4.2 土地利用強(qiáng)度分布特征

運(yùn)用ArcGIS軟件試驗(yàn)了多種帶寬，確定2 500 m為研究區(qū)POI點(diǎn)核密度分析的可視化最優(yōu)帶寬(圖5)。

由圖5可知，青島市商業(yè)用地、工業(yè)用地以及居住用地的強(qiáng)度均具有明顯的時空異質(zhì)性。在時間維度上，三類用地2017年的核密度值總體顯著高于2010年的情況。在空間維度上，青島市全域呈現(xiàn)出明顯的不同規(guī)模的以市南區(qū)、市北區(qū)及各區(qū)政府所在地為核心的多中心模式；從各區(qū)縣來看，主要表現(xiàn)為中心-外圍結(jié)構(gòu)特征，且高值區(qū)的分布具有高度一致性與趨向性，集中分布于青島市東岸城區(qū)(市南區(qū)、市北區(qū)、李滄區(qū)、嶗山區(qū))、北岸城區(qū)(城陽區(qū))和西海岸新區(qū)沿海地區(qū)以及其余各市城區(qū)與跨區(qū)交通要道周圍。從三類用地強(qiáng)度來看，商業(yè)用地呈現(xiàn)擴(kuò)張趨勢，工業(yè)用地雖無顯著的結(jié)構(gòu)演替，但是西海岸新區(qū)沿海地區(qū)的工業(yè)強(qiáng)度提升明顯，而居住用地與商業(yè)用地相反，2017年的分布結(jié)構(gòu)較2010年更為集聚。

圖5 三類用地強(qiáng)度的核密度分布(單位：個/m2)Fig.5 Nuclear density distribution of three types of land use intensity (unit: 個/m2)

4.3 相關(guān)分析

4.3.1空間自相關(guān)分析

全局莫蘭指數(shù)可以有效判斷在整個區(qū)域上要素所有的空間單元與周邊地區(qū)的關(guān)聯(lián)度。本文基于GeoDa平臺計(jì)算了所有要素全年份的全局莫蘭指數(shù)(表1)，以探索各要素本身是否受空間影響。

表1 莫蘭指數(shù)Tab.1 Moran index

由表1可知，碳排放指數(shù)的I值大于0，且p值小于0.01，表明碳排放指數(shù)在空間上呈正相關(guān)，即碳排放高值地區(qū)在空間上更為聚集。而土地利用強(qiáng)度方面，p值均大于0.1，即數(shù)據(jù)本身的空間相關(guān)性極弱，結(jié)果不具有顯著性。因此，縣域尺度上的商業(yè)用地、工業(yè)用地以及居住用地強(qiáng)度幾乎不受城市用地自身空間布局的影響，故研究這三類用地對碳排放的影響作用更為科學(xué)。

4.3.2相關(guān)性分析

不同用地類型與碳排放之間的正負(fù)影響不同，不同時間下單一用地與碳排放之間的關(guān)系也相差較大。為探索青島市不同類型用地強(qiáng)度對碳排放量影響作用的變化情況，利用Stata 16軟件分別對2010年、2013年及2017年的歸一化數(shù)據(jù)進(jìn)行散點(diǎn)擬合(圖6)。

圖6 碳排放指數(shù)和土地利用強(qiáng)度的散點(diǎn)擬合Fig.6 Scatter fitting of carbon emission index and land use intensity

對比假設(shè)模型發(fā)現(xiàn)，結(jié)果與原假設(shè)存在一定的差異。2010年，僅商業(yè)用地?cái)M合線呈現(xiàn)倒“U”形，表明商業(yè)用地在提高初期對碳排放量具有促進(jìn)作用，當(dāng)土地利用強(qiáng)度提高到一定程度，碳排放量達(dá)到峰值；峰值過后，商業(yè)用地分布越密集的地區(qū)，碳排放量越少。這是因?yàn)橥恋乩贸跗?，商業(yè)聚集對人口吸引力較強(qiáng)，巨大的人流使得該地碳排放指數(shù)升高，當(dāng)土地利用強(qiáng)度達(dá)到一定門檻，該地經(jīng)濟(jì)發(fā)展良好，城市對生態(tài)要求逐步提高，因而碳排放指數(shù)逐漸降低。

土地利用對碳排放的影響。總體上， 2010年工業(yè)用地與居住用地強(qiáng)度的提升加大了該地的碳排放，這與制造業(yè)的發(fā)展和人口的增加密切相關(guān)。2013年的擬合結(jié)果與假設(shè)模型相似度較高：三類用地對碳排放的正向影響將會在峰值后轉(zhuǎn)為負(fù)向影響。但是，比較三類用地可以發(fā)現(xiàn)，在土地利用強(qiáng)度提升初期，居住用地的強(qiáng)度增加對碳排放的影響要大于商業(yè)與工業(yè)用地，且居住用地的峰現(xiàn)時間比工業(yè)、商業(yè)用地有所提前；在用地強(qiáng)度提升后期，居住用地與商業(yè)用地?cái)M合線的斜率顯著低于工業(yè)用地。這是因?yàn)槿丝谠龆鄬μ寂欧诺脑龃笞饔么嬖陂撝?，若超過該閾值，居住人口增多，碳排放量反而趨于降低。2017年，土地利用對碳排放的影響作用擬合線由倒U開始轉(zhuǎn)變，工業(yè)用地與居住用地強(qiáng)度在碳排放達(dá)到最低值后繼續(xù)提升，使得碳排放量產(chǎn)生了明顯提升。綜上所述，隨著時間推移，商業(yè)用地對碳排放的作用趨于減弱，而工業(yè)用地對碳排放的作用愈發(fā)顯著。因此，青島市第二產(chǎn)業(yè)的發(fā)展對碳排放強(qiáng)度有促進(jìn)作用，工業(yè)方面的節(jié)能減排將會是重中之重。已有研究表明，產(chǎn)業(yè)結(jié)構(gòu)調(diào)整和技術(shù)進(jìn)步能降低碳排放強(qiáng)度，因此，工業(yè)碳減排不僅應(yīng)聚焦于核心城區(qū)，還應(yīng)關(guān)注所有工業(yè)分布區(qū)[29,30]。

4.4 空間異質(zhì)性分析

為探索城市用地結(jié)構(gòu)對碳排放影響的局部相關(guān)性，考慮到“地理第一定律”的影響，使用GTWR模型進(jìn)行空間異質(zhì)性分析[31]，結(jié)果見表2，表中R2與校正后的R2均高于0.95，表明該回歸模型優(yōu)度較高，模型結(jié)果(圖7)能夠較為科學(xué)地揭示影響作用的空間異質(zhì)性。

表2 GTWR參數(shù)信息Tab.2 GTWR parameter information

圖7 基于多要素GTWR模型的回歸系數(shù)時空分布Fig.7 Spatial and temporal distribution of regression coefficients based on multi-factor GTWR model

圖7為GTWR模型中三類用地強(qiáng)度的擬合系數(shù)分布。由圖7可知，不同時期的不同用地強(qiáng)度對碳排放的影響力存在空間分異，具體來看：①商業(yè)用地強(qiáng)度對碳排放的影響力較為穩(wěn)定，其正向高值區(qū)一直集中分布于青島市北部地區(qū)，如平度市，截至2017年，該地區(qū)常住人口城鎮(zhèn)化率突破40%，戶籍人口城鎮(zhèn)化率僅為30%，當(dāng)城市處在發(fā)展初期，其商業(yè)用地強(qiáng)度的增強(qiáng)會對人口、資源形成吸引，從而造成較大的碳排放負(fù)擔(dān)；負(fù)值地區(qū)數(shù)量增加、范圍擴(kuò)大，且主要集中在青島市東岸城區(qū)和北岸城區(qū)；擬合系數(shù)絕對值較低的區(qū)縣集中在即墨區(qū)、膠州市和黃島區(qū)，這些區(qū)域的商業(yè)用地強(qiáng)度對碳排放量的影響較低。②工業(yè)用地對碳排放的影響相對突出，并以正向影響為主，空間上亦存在較明顯的差異性。正向高值區(qū)趨于分布在青島市外圍區(qū)縣，2010年正向高值區(qū)為城陽區(qū)、即墨區(qū)、李滄區(qū)與市北區(qū)，嶗山區(qū)與膠州市的工業(yè)用地對碳排放影響不顯著；2013年李滄區(qū)碳排放對工業(yè)用地強(qiáng)度的敏感性明顯提升；2017年高值區(qū)形成了以城陽區(qū)為中心，即墨區(qū)、李滄區(qū)、市北區(qū)與嶗山區(qū)為外圍的半環(huán)模式，該區(qū)域碳排放量對工業(yè)用地的響應(yīng)較為明顯。③居住用地在研究期限內(nèi)對碳排放的影響力變化較大。回歸系數(shù)絕對值較低的區(qū)域集中于膠州市附近，且數(shù)量趨于減少，城陽區(qū)與即墨區(qū)波動明顯。負(fù)向高值區(qū)由青島港(市南區(qū))向周圍擴(kuò)散，由東部沿海地區(qū)向西部逐漸轉(zhuǎn)移；正向高值區(qū)穩(wěn)定在青島市北部縣市。隨著時間推移，回歸系數(shù)絕對值變化越來越大，表明碳排放對居住用地的變化越來越敏感，受其影響愈發(fā)明顯。

為探討青島市碳排放對土地利用的具體響應(yīng)模式，助力青島市實(shí)現(xiàn)高質(zhì)量發(fā)展、高品質(zhì)生活與高效能治理，基于擬合系數(shù)的時空分布，凝練各類用地強(qiáng)度在不同區(qū)縣范圍內(nèi)對碳排放的作用程度與主導(dǎo)驅(qū)動要素(圖8)。

圖8 青島市碳排放主導(dǎo)驅(qū)動要素分析Fig.8 Analysis of main driving factors of carbon emissions in Qingdao City

對于青島市碳排放在土地利用方面的主導(dǎo)驅(qū)動要素，雖然各區(qū)縣具有空間差異性，但各區(qū)縣隨時間變化表現(xiàn)穩(wěn)定。具體來看，中部的市北區(qū)、市南區(qū)、李滄區(qū)、城陽區(qū)、嶗山區(qū)以及膠州市的碳排放強(qiáng)度一直受工業(yè)用地強(qiáng)度影響較大，上述市區(qū)是青島市面積最小的6個縣級單位，但卻是經(jīng)濟(jì)發(fā)展最突出的地區(qū)。市南區(qū)是青島市的商務(wù)區(qū)、旅游區(qū)，同時也是青島的政治、經(jīng)濟(jì)、文化中心；市北區(qū)是青島市的商業(yè)區(qū)，與市南區(qū)同屬老城區(qū)；李滄區(qū)由老工業(yè)區(qū)向商業(yè)區(qū)轉(zhuǎn)型，已成為青島市北部的商業(yè)中心。這三個區(qū)與膠州市依托青島港、膠州灣與眾多交通要道，成為青島市的門戶、交通樞紐，其商業(yè)與交通運(yùn)輸業(yè)的發(fā)展愈漸成熟且綠色可持續(xù)，因此工業(yè)用地?cái)U(kuò)張將對該區(qū)域碳排放產(chǎn)生明顯的促進(jìn)作用。嶗山區(qū)的中心是新興的商務(wù)區(qū)，背靠嶗山風(fēng)景區(qū)，旅游、商務(wù)是該區(qū)的主導(dǎo)產(chǎn)業(yè)，工業(yè)用地在此處布局會導(dǎo)致嶗山區(qū)碳排放量大幅增長。而城陽區(qū)是新興的高新產(chǎn)業(yè)區(qū)，碳排放對其工業(yè)用地的敏感度遠(yuǎn)遠(yuǎn)高于商業(yè)與居住用地。平度市和萊西市屬于青島的外圍市區(qū)，以第一產(chǎn)業(yè)為主導(dǎo)產(chǎn)業(yè)，仍處在城鎮(zhèn)化的快速增長階段，在研究時段內(nèi)人口的快速增長與集聚增大了兩市的碳排放負(fù)擔(dān)。對比2010年與2017年的主導(dǎo)驅(qū)動要素發(fā)現(xiàn)，土地利用層面中，推動即墨區(qū)碳排放量增大的主導(dǎo)驅(qū)動要素由工業(yè)用地轉(zhuǎn)為居住用地，這是因?yàn)?010年即墨區(qū)的定位是以商貿(mào)為主體特色的沿海開放型中等城區(qū)，工業(yè)用地的布局給該區(qū)的環(huán)境保護(hù)造成了一定困擾。而2017年即墨區(qū)作為青島都市圈核心區(qū)的北翼，已形成較為成熟的先進(jìn)制造業(yè)帶與國技工貿(mào)發(fā)展帶，成為以商貿(mào)、輕工業(yè)、旅游和農(nóng)副產(chǎn)品出口加工為主導(dǎo)產(chǎn)業(yè)的現(xiàn)代化中等城區(qū)，工業(yè)用地的變化對碳排放的影響減弱，居住用地的正向影響開始顯露。

負(fù)向主導(dǎo)驅(qū)動要素的變化主要集中于青島市東岸城區(qū)和北岸城區(qū)，在2010年，該地區(qū)商業(yè)用地強(qiáng)度越高，碳排放指數(shù)越低，而在2017年，碳排放指數(shù)對居住用地的敏感性更強(qiáng)。該區(qū)域作為青島市的經(jīng)濟(jì)中心，在2010年到2017年間迅速發(fā)展，城鎮(zhèn)化率突破95%，高強(qiáng)度的商業(yè)用地對碳排放的影響甚微，居住用地內(nèi)的人口對高質(zhì)量發(fā)展的要求越來越高，高經(jīng)濟(jì)條件下的人口集聚帶來的環(huán)境優(yōu)化效應(yīng)越發(fā)顯著，即居住用地對碳排放的負(fù)向效應(yīng)逐漸變大。平度市與萊西市屬于青島市的遠(yuǎn)郊發(fā)展區(qū)，但其發(fā)展方向截然不同。平度市以農(nóng)業(yè)為主導(dǎo)產(chǎn)業(yè)，雖注重工礦區(qū)的規(guī)劃，但工業(yè)發(fā)展緩慢且分布松散；2010年后，平度市城市工業(yè)建設(shè)用地面積增長甚微，但是工業(yè)用地強(qiáng)度提升較快，即平度市近年來工業(yè)分布逐漸集聚，這對碳排放指數(shù)起到了一定的削弱作用。萊西市于2002年被定位為青島北部重要的工業(yè)城市，主要關(guān)注加工業(yè)與新興工業(yè)的發(fā)展，同時注重產(chǎn)業(yè)升級。高質(zhì)量工業(yè)用地強(qiáng)度的提高在為萊西市的經(jīng)濟(jì)帶來機(jī)遇的同時，并未增加該市的生態(tài)環(huán)境壓力，可在“雙碳”背景下促進(jìn)該市的節(jié)能減排。

5 結(jié)論與討論

5.1 結(jié) 論

在城鎮(zhèn)化快速發(fā)展以及“雙碳”目標(biāo)背景下，研究城市土地利用對碳排放的影響具有重要意義。采用2010年、2013年和2017年的POI與碳排放指數(shù)，運(yùn)用ArcGIS、Geoda、Matlab以及Stata多個軟件，分別從全局和局部視角研究了青島市縣域商業(yè)用地、工業(yè)用地與居住用地對碳排放的影響作用，并進(jìn)一步探索了碳排放在城市用地方向的主導(dǎo)驅(qū)動力。

1) 青島市碳排放指數(shù)的時空分布具有明顯的異質(zhì)性。總體曲面從“山峰狀”變?yōu)椤鞍安繝睢?，高值區(qū)從東北萊西市向西北平度市轉(zhuǎn)移，低值區(qū)位于青島市東南方位，且市南區(qū)、市北區(qū)、李滄區(qū)、嶗山區(qū)附近碳排放指數(shù)一直較為穩(wěn)定。商業(yè)用地、工業(yè)用地以及居住用地的用地結(jié)構(gòu)具有明顯的空間差異，呈現(xiàn)不同規(guī)模的多中心分布，高值區(qū)主要位于環(huán)膠州灣地區(qū)，次中心分布在各區(qū)市政府駐地附近；用地強(qiáng)度隨時間推移存在不同程度的增強(qiáng)。

2) 在全局與局部視角下，碳排放指數(shù)與土地利用皆密切相關(guān)。從全局視角分析可知，青島市三類用地對碳排放的影響各不相同，單一用地在不同時段內(nèi)的影響作用也存在差異。商業(yè)用地對碳排放的作用趨于減弱，而工業(yè)用地對碳排放的作用愈發(fā)顯著。對比假設(shè)模型，發(fā)現(xiàn)土地利用強(qiáng)度對碳排放的影響作用較為復(fù)雜，不同年份內(nèi)即不同的發(fā)展階段中，碳排放對各類用地的敏感程度相差較大，推進(jìn)與削弱作用所表現(xiàn)的波動較大。從局部特征來看，不同時期的不同用地對碳排放的影響存在空間分異。商業(yè)用地對青島北部與中心城區(qū)的碳排放影響較強(qiáng)，且影響范圍逐年擴(kuò)大；工業(yè)用地對碳排放指數(shù)的影響越來越突出，且以促進(jìn)碳排放為主；居住用地的影響作用波動較大，其對碳排放產(chǎn)生較高負(fù)向影響的區(qū)域由東部沿海地區(qū)向西部逐漸轉(zhuǎn)移。

3) 商業(yè)用地、工業(yè)用地以及居住用地共同影響著青島市碳排放指數(shù)的時空演變?？梢园l(fā)現(xiàn)，同一地區(qū)的碳排放往往受多種因素的影響，但處在不同階段的不同城市定位背景下，其主導(dǎo)驅(qū)動要素有著明顯的規(guī)律。經(jīng)濟(jì)較為發(fā)達(dá)的地區(qū)，工業(yè)用地分布將對其生態(tài)環(huán)境造成較大負(fù)擔(dān)，而對處于城鎮(zhèn)化快速發(fā)展階段的城市來說，居住用地強(qiáng)度的不斷增長產(chǎn)生的生態(tài)負(fù)效應(yīng)更加顯著。

5.2 討 論

在“雙碳”目標(biāo)背景下，研究不同土地利用類型對碳排放的影響作用，進(jìn)而分析不同城市發(fā)展階段下碳排放在用地方面的主導(dǎo)驅(qū)動要素，對推動城市節(jié)能減排，助力城市早日實(shí)現(xiàn)“雙碳”目標(biāo)意義重大。以青島市為例，從碳排放指數(shù)與土地利用強(qiáng)度的時空分異切入，創(chuàng)新性地利用空間自相關(guān)模型與GTWR模型，從全局與局部兩個視角研究土地利用對碳排放的驅(qū)動作用，分析了時間與空間兩個維度的變化，進(jìn)而認(rèn)識到不同城市發(fā)展階段的差異性。因此，本文是對以往研究中較多關(guān)注時間、空間分異特征，忽略全局、局部相結(jié)合的全面性和不同城市發(fā)展階段的差異性作進(jìn)一步補(bǔ)充和豐富。

已有研究雖已證實(shí)了POI數(shù)據(jù)在測度土地利用方面的科學(xué)性[32,33]，而且它還能夠彌補(bǔ)傳統(tǒng)遙感數(shù)據(jù)對土地利用人文屬性的忽略，但是在研究對碳排放的影響過程中，POI數(shù)據(jù)還是存在一定的局限性。在通過Landsat數(shù)據(jù)對POI數(shù)據(jù)進(jìn)行數(shù)據(jù)優(yōu)化、校正與清洗時，發(fā)現(xiàn)POI數(shù)據(jù)不足以全面定量描繪城市建設(shè)用地中公共管理與公共服務(wù)用地、物流倉儲用地、公用設(shè)施用地、綠地與廣場用地的強(qiáng)度，因此，這四類用地對碳排放產(chǎn)生的影響作用仍有待進(jìn)一步探索。同時，在使用Stata進(jìn)行散點(diǎn)擬合，分析全局影響時可以發(fā)現(xiàn)，雖然擬合結(jié)果與青島市市情符合度較高，能夠反映一定的實(shí)際問題，但是從數(shù)理結(jié)果分析發(fā)現(xiàn)，其擬合效果較差，這與較少的樣本量有關(guān)。在今后的研究中，大范圍、小尺度評價單元的土地利用對碳排放的影響也許能刻畫出更為精準(zhǔn)的結(jié)果，并更有助于梳理其間的影響關(guān)系與驅(qū)動機(jī)理。