EN中文

GEOGRAPHICAL SCIENCE >

2025 , Vol. 45 >Issue 9: 2024 - 2034

DOI: https://doi.org/10.13249/j.cnki.sgs.20240716

Influence mechanism and spatial heterogeneity of urbanization process on carbon balance in coastal areas

  • Liu Zhenhang , 1, 2 ,
  • Chi Yuan 2 ,
  • Ouyang Lyuyin 1, 2 ,
  • Li Yanping 2 ,
  • Liu Dahai , 3, *
Expand
  • 1. Institute of Marine Development, Ocean University of China, Qingdao 266100, Shandong, China
  • 2. Key Laboratory of Coastal Science and Integrated Management, First Institute of Oceanography, Ministry of Natural Resources, Qingdao 266061, Shandong, China
  • 3. School of Public Administration and Policy, Renmin University of China, Beijing 100872, China

Received date: 2024-07-09

  Revised date: 2025-03-05

  Online published: 2025-09-25

Supported by

National Key Research and Development Program of China(2023YFC3108103)

Jiangsu Province Marine Science and Technology Innovation Project(JSZRHYKJ202203)

Copyright

Copyright reserved © 2025.
Fold

Abstract

Coastal areas are now economic zones with strong comprehensive strength, high population density, and strategic significance due to rapid urbanization. Nevertheless, urbanization is also a major contributor to local ecological pressure overload, which has significantly altered the regional carbon cycle process. Developing strategies to attain carbon neutrality requires an understanding of how the urbanization process affects the carbon balance. In this study, we evaluated the effects of urbanization rate and nine urbanization process characterization elements on the carbon balance of 53 prefectural-level coastal cities between 2003 and 2022 using structural equation model and geographically and temporally weighted regression. The findings indicate that: 1) Over the past two decades, the carbon balance of coastal areas has exhibited distinct regional distribution characteristics. Northern coastal cities have mostly become net carbon emitters, while southern cities generally act as carbon sinks. 2) Urbanization has a net negative impact on carbon balance, indicated by a total effect of −0.178. The effect size of the characteristic elements of urbanization level was land use (−0.556), ecological quality (0.345), population size (−0.212), energy consumption (−0.277), environmental governance (−0.029), industrial structure (−0.102), technological innovation (−0.006), economic growth (−0.080), and foreign investment (−0.129). 3) The urbanization rate, land use, population size, and other factors have varying impacts across different coastal cities, contributing to the spatial heterogeneity of the carbon balance. Among them, according to the annual change trend, the regression coefficient of the urbanization rate has been increasing over the past two decades. Hence, to achieve a win-win situation between socio-economic development and ecological and environmental protection, it is imperative to strengthen the guidelines of green urbanization, implement the differentiated carbon balance reconstruction strategy, and promote the sustainable development of coastal areas.

Key words： urbanization; carbon balance; structural equation model; geographically and temporally weighted regression; spatial heterogeneity

Cite this article

Liu Zhenhang , Chi Yuan , Ouyang Lyuyin , Li Yanping , Liu Dahai . Influence mechanism and spatial heterogeneity of urbanization process on carbon balance in coastal areas[J]. GEOGRAPHICAL SCIENCE, 2025 , 45(9) : 2024 -2034 . DOI: 10.13249/j.cnki.sgs.20240716

城镇化在推动经济增长、激发内部需求和促进区域发展方面扮演着重要角色[1-2]。据研究表明，改革开放以来中国城镇化对经济增长的贡献率总体保持增长趋势，由1978年的7.15%上升到2019年的15.86%[3]。然而，城镇化进程所带来的人口基数增长、土地利用变化、化石能源利用等活动，也对气候变化产生推动作用。从碳排放看，城市能源需求不断增加，大量化石燃料被消耗，使能源活动排放量约占3/4的全球温室气体总排放量[4]；同时，土地开发建设日益加剧，地表覆盖变化使生态系统存储在土壤表层中的碳被释放[5]；从碳增汇看，城镇化侵占大量自然生态系统，威胁着生态系统功能，增加了对生态系统服务的需求[6]。城镇化对局地气候运转也有强烈影响，如热岛效应、降水空间分配不均等[7-9]，间接使生态系统固碳受到干扰。因此，探究城镇化进程对碳平衡的影响机制有重要意义。
城镇化与碳平衡之间的影响机制是一个复杂系统问题，涉及人口流动、产业结构、土地利用、能源消费等诸多因素。已有关于城镇化与碳平衡的研究主要侧重2个方面：一是城镇化对碳平衡的影响作用[10-11]。Yang等结合生态系统服务级联和DPSIR模型，分析了城市化对碳储量供需平衡的影响[12]。韩沅刚等考察了新型城镇化政策对城市碳平衡的影响及其潜在机制[13]；二是城镇化与碳平衡的时空耦合[14-15]。李咏华等基于Tapio脱钩模型及脱钩追赶模型，探讨了长三角城镇化建设与碳平衡压力的动态演化关系[16]。这些研究在内容上，尚无从空间关联角度探讨城镇化进程对碳平衡影响机制的研究，即城镇化进程是一种人类改造空间的行为，碳平衡是一种自然维持空间的状态，二者间势必具有复杂多维的空间关联性；在方法上，已有研究或基于城镇化水平综合指数构建来定量分析二者耦合关系，或以少量指标表征来刻画二者作用机制，缺乏系统的影响机制模型进行探索。
沿海地区作为国家经济增长的核心，城镇化进程极为迅速。面向碳中和目标，沿海地区亟须缓解城镇化发展过程中带来的碳失衡。因此，本文通过影响机制解析、模型定量识别和空间异质性分析3部分，辨析城镇化进程对碳平衡的影响机制，识别不同沿海城市碳平衡空间异质性的主导驱动因子，为沿海地区低碳城市发展和气候政策制定提供科学依据。

1 理论框架构建

城镇化进程与碳平衡之间的根本关系实际是“人地关系”的具体体现。大规模人类活动在空间上最直接表现形式具象为城镇化。城镇化既是加强人类对国土空间节约利用的过程，也是局部空间生态压力过载的主导因素，深刻改变区域碳循环过程。因此，系统分析城镇化进程对碳平衡影响机制，有助于沿海地区碳循环回归“自然”状态（图1）。
图1 城镇化进程对碳平衡的影响机制分析

Fig. 1 Analysis of impact mechanism of urbanization process on carbon balance

从碳循环过程角度看，国土空间分为碳排空间和碳汇空间。在空间主体上，碳排放空间主要集中在人类活动频繁的城市、工业区等。碳汇空间主要覆盖森林、湿地、海洋等生态系统；在空间关联上，城镇化进程中的化石能源消耗和土地利用变化等活动不断扩大碳排空间。自然生态系统则通过生物地球化学过程持续固存大气中的碳，进而增加碳汇空间，抑制碳排空间增长；在管理方式上，二者是由“减排增汇+综合管理”来实现碳平衡状态。
社会−经济−自然复合生态系统，是人与自然和谐共生的一种形态[17]。城镇化作为人类主导的一种发展模式，通过对不同空间要素施加干扰，影响其正常状态变化，从而对社会、经济和自然3个子系统产生干扰。城镇化进程的本质内涵是工业化、城镇化与现代化有序进行或叠加进行的复杂过程[18]。换而言之，城镇化进程包含3层含义，即人口自农村向城镇集中和第一产业人口向第二、三产业人口转换以及城镇空间和要素扩张[19]。3层含义分别对应3个子系统的主要影响路径，每条影响路径由多种要素指标综合调控形成。因此，各要素指标与碳平衡间的耦合效应和传导机制共同驱动着城镇化进程影响下的碳平衡时空分布。根据涉及要素间传导机制与否，本文将影响机制类型分为直接影响和间接影响。
直接影响是城镇化进程表征要素径直产生的碳排或碳汇。城镇空间扩张过程将生态用地转化为住宅或基础设施用地，释放了储存在土壤中的碳，导致了生态系统碳汇能力降低[5,20]；城镇人口密度上升引起了能源需求增加，使得化石能源被大量消耗，从而导致非自然状态下的碳排放量快速增长；在产业方面，城镇化进程下的人地矛盾加剧了农民显性失业[21]，低端制造业和服务业构成了接收这部分人口再就业的主体产业，且农民平均受教育程度较低，令经济增长方式趋向于粗放型增长，衍生出大量高碳排产业。在资金方面，根据“污染避难所”假说，中国廉价劳动力吸引了许多外商投资在制造业、化工等高碳排领域。但考虑到不同地域经济发展差异，外商投资对碳平衡的影响效果具有不确定性。相对而言，间接影响是城镇化进程表征要素经过社会−经济−自然反馈机制，与其他要素共同作用后所产生的碳排或碳汇。大量不透水表面会吸收和储存热量，形成热岛效应[8]，导致城镇地区的生态质量发生显著变化，间接使生态系统碳汇能力减弱；此外，沿海地区城镇化水平高于其他地区，政府将采取严格政策措施来提升生态系统碳汇能力和加强企业碳排放量管制程度。部分企业会转向研发并应用绿色低碳技术，减少生产成本[22]，从而赢得市场竞争力和长远发展的双重优势。

2 研究区域、方法与数据

2.1 研究区概况

本文“沿海地区”特指中国53个沿海地级市（不含儋州市、三沙市、港澳台数据）。受季风影响，大部分城市属于亚热带季风气候或温带季风气候，南北年均温度和降水量差异显著，气候条件总体适宜。根据《中国城市统计年鉴 2023》[23]显示，截至2022年底，沿海地区常住人口达到26 843万人，城镇化率普遍高于50%以上，国内生产总值为379 948亿元。此外，沿海地区在港口、海洋渔业和滨海旅游等资源开发与利用方面具有重要地位。

2.2 研究方法

1）碳平衡测算。碳平衡比（CBR）表征了碳排空间（CES）和碳汇空间（CSS）的匹配程度[24]。其中，全球大气研究排放数据库提供了3种主要温室气体（CO2、CH4、N2O）的排放量估算①。在其碳排放格网数据的基础上，碳排空间通过研究区行政边界分区计算各市级碳排放量；碳汇空间利用不同地类面积乘以对应碳吸收系数，得出各地类碳吸收量。
$ CB{R_{ij}} = CS{S_{ij}}/\displaystyle\sum {CS{S_{ij}}} \Big /(CE{S_{ij}}/\displaystyle\sum {CE{S_{ij}}} ) $
$ CS{S_{ij}} = \displaystyle\sum\limits_{k = 1}^n {{A_k}{{ \times }}{\alpha _k}} $
式中，CBRij为i年j地区碳平衡比；CESij为i年j地区碳排放量；CSSij为i年j地区碳吸收量；Ak为第k种地类面积；αk为第k种地类碳吸收系数；n为地类数目。根据已有研究[25-26]，本文耕地、森林、灌木、草地、水域湿地和裸地的碳吸收系数取值为0.130 t/（hm2·a）、5.770 t/（hm2·a）、0.161 t/（hm2·a）、0.138 t/（hm2·a）、0.298 t/（hm2·a）、0.005 t/（hm2·a）。
2）结构方程模型。采用结构方程模型[27]分析城镇化进程对碳平衡的影响机制。城镇化水平衡量指标为城镇化率，指代某一区域城镇化所达到的程度。结合理论框架，本文又选取9个城镇化进程中影响碳平衡的表征要素，包括土地利用[28]、人口规模、能源消费[29]、产业结构、技术创新、经济增长和外商投资7个观测变量，以及生态质量和环境治理2个潜变量（表1）。
表1 社会−经济−自然复合生态系统视角下城镇化进程影响碳平衡的表征要素

Table 1 Impact element of urbanization process on carbon balance under socio-economic-natural complex ecosystem perspective

目标层 准则层 要素层 指标层 单位
　　注：—为无量纲数据。
城镇化
进程		 城镇化水平 城镇化率（UR） 非农业人口占比 %
自然子系统 土地利用（A11） 土地利用程度指数[28] —
生态质量（A12） 地表温度（B11） ℃
干度指数（B12） —
归一化植被指数（B13） —
社会子系统 人口规模（A21） 人口密度 人/km2
能源消费（A22） 能源消费总量[29] 2.93×1012 J
环境治理（A23） 建成区绿化覆盖率（B21） %
人均公园绿地面积（B22） m2/人
经济子系统 产业结构（A31） 二三产业产值比 —
技术创新（A32） 万人拥有专利数 件/万人
经济增长（A33） 人均GDP 元
外商投资（A34） 外商直接投资 102万美元
3）时空地理加权回归。时空地理加权回归（GTWR）[30]通过为每个样本点赋予不同权重捕捉面板数据在时空上的局部变异性。本文权重采用文献[30]的高斯函数法确定。

2.3 数据来源

本文采用2003—2022年中国53个沿海地级市的面板数据作为研究样本。数据主要来源于2004—2023年《中国城市统计年鉴》[23]，部分缺失数据通过插值法进行填补。土地利用数据来源于《中国年度土地覆盖数据集（Annual China land cover dataset, CLCD）》②。根据本文研究需求，将该数据集的土地利用类型合并为耕地、森林、灌木、草地、水域湿地、裸地和建设用地；干度指数和归一化植被指数利用Google Earth Engine选取研究区的Landsat系列遥感影像③，经过去云、水体掩膜和均值合成等预处理后进行波段计算获取。地表温度数据是根据MODIS数据④处理后获取。

3 结果分析

3.1 城镇化进程与碳平衡特征的时空分异

就城镇化进程而言，20 a来沿海地区城镇化发展较为快速。除锦州、葫芦岛、揭阳、茂名、湛江、钦州和北海以外，其余沿海城市的城镇化程度均已超过50%。长三角地区变化幅度尤为明显。就碳平衡特征而言，以长江口为南北分界，除丹东、营口、葫芦岛和唐山之外，北方沿海城市碳平衡能力始终低于1.0，表现出较强的碳排放强度；除宁波、汕头、深圳、东莞、广州、中山、珠海和湛江之外，南方的碳平衡能力始终高于1.0，表现出较强的碳吸收能力（图2）。这种分布态势形成源于地理要素与经济发展的相互作用，即北方区域地形平坦，国土空间开发利用处于较高水准，且偏向农业和重工业方向发展。生产空间的扩张使得大量生态空间被压缩，限制了碳汇空间的支撑潜力；南方区域丘陵起伏，可利用开发空间受限，倾向于集约节约式的土地利用模式，保留了大面积的生态林业基础，成为可持续的碳汇空间，且经济发展趋向于服务业和轻工业集中，抑制了城镇化进程中碳排空间的规模上限。从碳平衡变化来看，沿海地区碳平衡的整体变化趋势不具有明显的偏向性。其中，25个沿海城市受城镇化进程中自然和人为影响，20 a来碳平衡能力整体向好发展。
图2 2003年和2022年各沿海城市城镇化进程与碳平衡比值

1.锦州；2.盘锦；3.丹东；4.葫芦岛；5.营口；6.大连；7.唐山；8.秦皇岛；9.天津；10.沧州；11.滨州；12.东营；13.烟台；14.威海；15.潍坊；16.青岛；17.日照；18.连云港；19.盐城；20.南通；21.上海；22.嘉兴；23.杭州；24.绍兴；25.宁波；26.舟山；27.台州；28温州；29.宁德；30.福州；31.莆田；32.泉州；33.厦门；34.漳州；35.潮州；36.汕头；37.揭阳；38.汕尾；39.惠州；40.深圳；41.东莞；42.广州；43.中山；44.珠海；45.江门；46.阳江；47.茂名；48.湛江；49.北海；50钦州；51.防城港；52.海口；53.三亚；不含儋州市、三沙市、港澳台数据

Fig. 2 Urbanization process, carbon balance ratio of coastal cities in 2003 and 2022

3.2 城镇化对碳平衡的影响路径

本文利用AMOS 26.0对理论模型进行修正和估计。其中，参考修正指标（MI）值，按降序增加各变量方差之间关系。同时，针对回归系数不显著路径，实行先删除再回归策略。通过“增+减”2种原则来进行筛选。最终，最优模型各项指标均符合拟合标准（表2）。
表2 模型拟合度评价

Table 2 Model fitting degree evaluation

模型 CMIN/DF RMSEA AGFI GFI CFI NFI TLI
　　注：CMIN为卡方值；DF为自由度；RMSEA为渐近残差平方和的平方根；AGFI为调整的拟合优度指数；GFI为拟合优度指数；CFI为比较拟合指数；NFI为规范拟合指数；TLI为逐步拟合指数；不含儋州市、三沙市、港澳台数据。
最优模型 2.803 0.041 0.961 0.986 0.990 0.984 0.976
标准模型 < 3.000 < 0.080 > 0.900 > 0.900 > 0.900 > 0.900 > 0.900
从直接效应来看，直接效应值为原因变量到结果变量的路径系数。城镇化水平与碳平衡之间的路径系数为−0.084，表明了城镇化每增加1个标准单位，碳平衡减少0.084个标准单位（表3）。这意味着沿海地区城镇化进程对碳平衡干扰的总体趋势为抑制作用。聚焦到城镇化进程影响碳平衡的表征要素中，A11（土地利用）、A12（生态质量）、A21（人口规模）、A22（能源消费）、A31（产业结构）和A34（外商投资）的路径系数分别为−0.239、0.345、−0.159、−0.325、0.090和0.235。在影响效果方面，A12、A31和A34对碳平衡具有促进作用，A11、A21和A22则有抑制作用。在影响程度方面，各要素路径系数的绝对值由大到小依次为A12 >A22 >A11 >A34 >A21 >A31。A12和A22的干扰幅度要高于其他要素，体现出城镇化进程中生态质量提升与能源消费降低对改善沿海地区碳平衡的重要作用。
表3 城镇化进程影响沿海地区碳平衡路径

Table 3 Urbanization process affects carbon balance pathways in coastal areas

影响路径 标准化系数 显著性 影响路径 标准化系数 显著性
　　注：***、**、*分别代表在显著性水平0.1%，1%和5%的水平下显著；不含儋州市、三沙市、港澳台数据。
城镇化率→碳平衡比 −0.084 ** 能源消费→碳平衡比 −0.325 ***
城镇化率→土地利用 −0.099 * 能源消费→生态质量 0.122 ***
城镇化率→人口规模 0.413 *** 能源消费→环境治理 −0.192 ***
城镇化率→环境治理 0.465 *** 环境治理→生态质量 −0.085 **
城镇化率→产业结构 −0.274 *** 产业结构→碳平衡比 0.090 **
城镇化率→技术创新 0.491 *** 产业结构→土地利用 0.211 ***
城镇化率→经济增长 0.390 *** 产业结构→生态质量 −0.247 ***
城镇化率→外商投资 0.326 *** 产业结构→外商投资 −0.079 **
土地利用→碳平衡比 −0.239 *** 技术创新→环境治理 0.531 ***
土地利用→生态质量 −0.771 *** 技术创新→经济增长 0.369 ***
土地利用→能源消费 0.164 *** 技术创新→能源消费 −0.140 ***
土地利用→环境治理 0.179 *** 经济增长→土地利用 0.227 ***
生态质量→碳平衡比 0.345 *** 经济增长→能源消费 0.268 ***
人口规模→碳平衡比 −0.159 *** 经济增长→生态质量 0.350 ***
人口规模→土地利用 0.165 *** 外商投资→碳平衡比 0.235 ***
人口规模→生态质量 0.158 *** 外商投资→土地利用 0.219 ***
人口规模→产业结构 −0.096 ** 外商投资→生态质量 −0.214 ***
人口规模→技术创新 0.183 *** 外商投资→能源消费 0.540 ***
人口规模→经济增长 −0.149 *** 外商投资→经济增长 0.235 ***
人口规模→外商投资 0.279 ***
从间接效应来看，间接效应值为所有从内生变量出发，通过中介变量结束于结果变量的路径的系数乘积之和。城镇化水平对碳平衡的间接影响为−0.094。针对城镇化进程中的各表征要素，A11、A21、A22、A23（环境治理）、A31、A32（技术创新）、A33（经济增长）以及A34的路径系数分别为−0.317、−0.053、0.048、−0.029、−0.192、−0.006、−0.080以及−0.364（表4）。影响效果方面，A22对沿海地区碳平衡具有积极作用，A11、A21、A23、A31、A32、A33和A34具有消极作用。影响程度方面，各要素路径系数的绝对值由大到小依次为A34>A11 >A31 >A33 >A21 >A22 >A23>A32。不同于直接效应，间接效应中各子系统相互促进、相互抑制，传导过程削弱了单一要素对碳平衡结果的主导作用。这不仅说明了在社会−经济−自然复合系统内，城镇化进程对碳平衡的传导路径具有复杂关联性，也要求通过综合分析确定适宜措施，最大限度地提高人工干预碳平衡的再形成效果，最小化潜在的负面影响。
表4 城镇化进程对沿海地区碳平衡的直接效应、间接效应和总效应

Table 4 Direct, indirect and total effects of urbanization process on carbon balance in coastal areas

UR A11 A12 A21 A22 A23 A31 A32 A33 A34
　　注：UR为城镇化率；A11、A12、A21、A22、A23、A31、A32、A33、A34分别为土地利用、生态质量、人口规模、能源消费、环境治理、产业结构、技术创新、经济增长、外商投资；不含儋州市、三沙市、港澳台数据。
直接效应 −0.084 −0.239 0.345 −0.159 −0.325 0 0.090 0 0 0.235
间接效应 −0.094 −0.317 0 −0.053 0.048 −0.029 −0.192 −0.006 −0.080 −0.364
总效应 −0.178 −0.556 0.345 −0.212 −0.277 −0.029 −0.102 −0.006 −0.080 −0.129
综上所述，沿海地区城镇化水平对碳平衡的总影响效应为−0.178（表4）。各表征要素路径系数的绝对值按降序为土地利用、生态质量、能源消耗、人口规模、外商投资、产业结构、经济增长、环境治理和技术创新。在影响效应协同分析中，能源消费、产业结构和外商投资呈反向性，如能源消费直接效应为抑制，间接效应为促进；其余要素表现出一致性。

3.3 驱动因子的空间异质性分析

通过Z-score标准化消除不同变量之间的量纲差异；再开展相关分析，发现各解释变量的方差膨胀因子均为10以内，保证了面板数据中不存在多重共线性问题。采用OLS、GWR、GTWR[30]进行碳平衡空间异质性的驱动因子识别。根据拟合结果显示，OLS、GWR、GTWR的R 2分别为0.441、0.843和0.860；AIC准则分别为7117.03、5899.75和5851.44。由此可知，GWR和GTWR的拟合显著优于OLS。GTWR的R 2高于GWR，AIC值低于GWR。
运用GTWR探讨了2003—2022年沿海地区城镇化对碳平衡影响的空间异质性，平均回归系数的时空变化如图3所示。据此可知，城镇化率对碳平衡的影响幅度为(−9.383, 6.657]，且从年均变化趋势看，近20 a中城镇化率的回归系数呈上升趋势。这种异质性形成源于多个方面：部分沿海城市通过采取环境规制，促使供给端提高新能源和清洁能源的应用强度，需求端调整国民经济产业结构，生态端开展退耕还林、绿色建筑和生态恢复等措施。与之相反，一些沿海城市未进行有效管控，快速城镇化使碳汇空间受到扰动与碳排空间持续扩张。
图3 2003—2022年碳平衡驱动因子的影响系数空间分布

不含儋州市、三沙市、港澳台数据

Fig. 3 Spatial distribution of influence coefficients for carbon balance driving factors, 2003–2022

土地利用与碳平衡回归系数整体为负，表明区域土地利用程度越高，碳平衡失衡的可能性就越大。由图3b可知，盐城市是土地利用回归系数最大的沿海城市。针对生态质量要素，地表温度回归系数由南向北呈现“促进−弱抑制−强抑制−弱抑制”起伏相间；干度指数回归系数有渐变趋势，表现为南部强抑制、中部促进和北部弱抑制；归一化植被指数回归系数的分布倾向整体性，上海以北地区均呈现强抑制效果，浙沪一带转为促进效果。
人口规模变化是城镇化进程的核心现象之一。由图3f可知，人口密度系数正向绝对值最大的沿海城市是杭州市。丹东市的系数负向绝对值最大。从年均变化趋势看，人口规模对碳平衡的影响程度呈逐年减少；能源消费回归系数表现“南强北弱”的分布，即能源消费提升对南方碳平衡有显著抑制作用；以回归系数较大区域为切入，建成区绿化覆盖率主要分布在浙江省内的沿海城市，人均公园绿地面积主要分布在珠三角以南沿海城市。
产业结构系数的变化为(−0.500, 9.801]。其中，回归系数最大的沿海城市为防城港市，最小的为惠州市；经济增长对碳平衡有促进作用的城市主要分布在江门以南和长三角区域。这些地方倒逼单一高碳排行业向跨行业、集成化方向转型，实现碳排空间有效缩减；外商投资正向影响程度较大的城市主要有宁德、温州和三亚等，负向影响程度较大的是泉州和厦门。

4 结论与建议

本文综合运用多种方法，深入分析城镇化进程对碳平衡的影响关系，结论如下：城镇化进程的加速对碳平衡具有负向影响。在所有单一表征要素中，土地利用（−0.556）、生态质量（−0.345）、能源消费（−0.277）和人口规模（−0.212）是影响碳平衡的显著驱动因素。这反映了城镇化过程中能源消耗的快速增加和生态资源大量占用以及经济活动与碳平衡之间的紧密联系。此外，城镇化进程对碳平衡的影响因各沿海城市的表征因素组合及强度的差异而呈现出空间异质性，体现了不同城市在经济发展和环境保护方面的差异化策略。
研究结果为低碳城市发展、区域气候条件改善的相关政策制定做出有益探索：①国土空间规划中应积极融入生态文明建设理念，强化低碳发展和循环经济模式。通过跨区域能源结构优化和清洁技术交流，共同构建区域碳排放低值化的发展模式，实现区域间协同治理。②严格控制非生态友好型的土地用途转换，推行土地资源合理配置和科学规划；通过政策引导和技术改造，加大对绿色能源产业的支持力度，使传统高碳排产业的碳排放成本逐渐被内部化，促进其向节能环保方向进行转型；实施严格的环境治理措施，加大生态系统保护和修复力度，提高自然碳汇能力。③实施差异化的碳平衡重构策略。北方城市因工业活动强度高，应重点关注碳排放量控制；南方城市应加大力度增强碳汇能力。各沿海城市建构出一套符合发展需求的碳平衡重构策略，实现经济发展与生态保护的和谐共存。

References

Publishing order | Descend order by publishing year | Descend order by cited within
[1]
Bai X M, Shi P J, Liu Y S. Society: Realizing China’s urban dream[J]. Nature, 2014, 509(7499): 158-160.

DOI

[2]
樊杰, 赵艳楠. 面向现代化的中国区域发展格局: 科学内涵与战略重点[J]. 济地理, 2021, 41(1): 1-9.

Fan Jie, Zhao Yannan. China’s regional development pattern oriented toward modernization: The scientific connotation and strategic priorities Economic Geography, 2021, 41(1): 1-9.

[3]
Liang L W, Chen M X, Lu D D. Revisiting the relationship between urbanization and economic development in China since the reform and opening-up[J]. Chinese Geographical Science, 2022, 32(1): 1-15.

DOI

[4]
陈明星, 先乐, 王朋岭, 等. 气候变化与多维度可持续城市化[J]. 理学报, 2021, 76(8): 1895-1909.

Chen Mingxing, Xian Yue, Wang Pengling et al. Climate change and multi-dimensional sustainable urbanization Acta Geographica Sinica, 2021, 76(8): 1895-1909.

[5]
Houghton R A. Revised estimates of the annual net flux of carbon to the atmosphere from changes in land use and land management 1850—2000[J]. Tellus B, 2003, 55(2): 378-390.

[6]
Sun R, Jin X B, Han B et al. Does scale matter?Analysis and measurement of ecosystem service supply and demand status based on ecological unit[J]. Environmental Impact Assessment Review, 2022, 95 106785

DOI

[7]
Qian Y, Chakraborty T C, Li J F et al. Urbanization impact on regional climate and extreme weather: Current understanding, uncertainties, and future research directions[J]. Advances in Atmospheric Sciences, 2022, 39(6): 819-860.

DOI

[8]
彭保发, 石忆邵, 王贺封, 等. 城市热岛效应的影响机理及其作用规律——以上海市为例[J]. 理学报, 2013, 68(11): 1461-1471.

Peng Baofa, Shi Yishao, Wang Hefeng et al. The impacting mechanism and laws of function of urban heat islands effect: A case study of Shanghai Acta Geographica Sinica, 2013, 68(11): 1461-1471.

[9]
Yu X J, Gu X H, Kong D D et al. Asymmetrical shift toward less light and more heavy precipitation in an urban agglomeration of east China: Intensification by urbanization[J]. Geophysical Research Letters, 2022, 49(4): e2021GL097046.

DOI

[10]
Schaldach R, Alcamo J. Simulating the effects of urbanization, afforestation and cropland abandonment on a regional carbon balance: A case study for Central Germany[J]. Regional Environmental Change, 2007, 7(3): 137-148.

DOI

[11]
李硕硕, 李汝资, 刘耀彬, 等. 环鄱阳湖区县域城镇化对碳收支平衡的影响[J]. 理研究, 2023, 42(8): 2245-2263.

Li Shuoshuo, Li Ruzi, Liu Yaobin et al. Impact of urbanization on carbon balance in the Poyang Lake Region Geographical Research, 2023, 42(8): 2245-2263.

[12]
Yang Y N, Li J, Wang L et al. The impact of urbanization on the relationship between carbon storage supply and demand in mega-urban agglomerations and response measures: A case of Yangtze River Delta Region, China[J]. International Journal of Environmental Research and Public Health, 2022, 19(21): 13768.

DOI

[13]
韩沅刚, 李振涛, 油建盛, 等. 新型城镇化建设对城市碳平衡的政策效应与机制研究[J]. 市问题, 2024(1): 16-26.

Han Yuangang, Li Zhentao, You Jiansheng et al. Research on policy effects and mechanisms of new urbanization construction on urban carbon balance Urban Problems, 2024(1): 16-26.

[14]
Peng R, Tian X X, Wu D. Spatiotemporal characteristics and zonal analysis of carbon balance in county-level regions: Case study of Jiangsu Province[J]. Frontiers in Environmental Science, 2023, 11 1330587

DOI

[15]
Zhang C, Tian H Q, Chen G S et al. Impacts of urbanization on carbon balance in terrestrial ecosystems of the Southern United States[J]. Environmental Pollution, 2012, 164: 89-101.

DOI

[16]
李咏华, 高欣芸, 姚松, 等. 长三角城市群核心地区碳平衡压力与新型城镇化脱钩关系[J]. 济地理, 2022, 42(12): 72-81.

Li Yonghua, Gao Xinyun, Yao Song et al. Decoupling relationship between carbon balance pressure and new urbanization in the core area of the Yangtze River Delta Urban Agglomeration, China Economic Geography, 2022, 42(12): 72-81.

[17]
王如松, 欧阳志云. 社会−经济−自然复合生态系统与可持续发展[J]. 中国科学院院刊, 2012, 27(3): 337-345, 403-404, 254

Wang Rusong, Ouyang Zhiyun. Social-economic-natural complex ecosystem and sustainability. Bulletin of Chinese Academy of Sciences, 2012, 27(3): 337-345, 403-404, 254.

[18]
雷雨, 刘慧, 高尚尉. 深刻把握新型城镇化的科学内涵和历史走向[J]. 型城镇化, 2023(10): 22-28.

Lei Yu, Liu Hui, Gao Shangwei. Deeply grasp the scientific connotation and historical trend of new urbanization New Urbanization, 2023(10): 22-28.

[19]
吴江, 王斌, 申丽娟. 中国新型城镇化进程中的地方政府行为研究[J]. 国行政管理, 2009(3): 88-91.

Wu Jiang, Wang Bin, Shen Lijuan. Behavior of local governments in the process of new urbanization in China Chinese Public Administration, 2009(3): 88-91.

[20]
Yim J, Kwon B O, Nam J et al. Analysis of forty years long changes in coastal land use and land cover of the Yellow Sea: The gains or losses in ecosystem services[J]. Environmental Pollution, 2018, 241: 74-84.

DOI

[21]
马丽敏. 我国农民失业问题成因探析[J]. 识经济, 2013(21): 56-57.

Ma Limin. An analysis of the causes of farmers’ unemployment in China Knowledge Economy, 2013(21): 56-57.

[22]
刘培德, 李西娜, 李佳路. 碳配额交易机制下竞争企业低碳技术扩散——基于复杂网络的演化博弈分析[J]. 统工程理论与实践, 2024, 44(2): 684-703.

DOI

Liu Peide, Li Xina, Li Jialu. Diffusion of low-carbon technology of competitive enterprises under carbon quota trading mechanism—Evolutionary game analysis based on complex network Systems Engineering-Theory & Practice, 2024, 44(2): 684-703.

DOI

[23]
国家统计局. 中国城市统计年鉴2023[M]. 北京: 中国统计出版社, 2023

National Bureau of Statistics. China city statistical yearbook 2023. Beijing: China Statistics Press, 2023.

[24]
李竹, 王兆峰, 吴卫, 等. 碳中和目标下中国省域碳平衡能力与城镇化的关系[J]. 然资源学报, 2022, 37(12): 3136-3152.

DOI

Li Zhu, Wang Zhaofeng, Wu Wei et al. The relationship between China’s provincial carbon balance capacity and urbanization under carbon neutrality target Journal of Natural Resources, 2022, 37(12): 3136-3152.

DOI

[25]
李璐, 董捷, 徐磊, 等. 功能区土地利用碳收支空间分异及碳补偿分区——以武汉城市圈为例[J]. 然资源学报, 2019, 34(5): 1003-1015.

DOI

Li Lu, Dong Jie, Xu Lei et al. Spatial variation of land use carbon budget and carbon compensation zoning in functional areas: A case study of Wuhan Urban Agglomeration Journal of Natural Resources, 2019, 34(5): 1003-1015.

DOI

[26]
Piao S L, Fang J Y, Zhou L M et al. Changes in vegetation net primary productivity from 1982 to 1999 in China[J]. Global Biogeochemical Cycles, 2005, 19(2): 2004GB002274.

DOI

[27]
张苗,吴萌. 土地利用对碳排放影响的作用机制和传导路径分析——基于结构方程模型的实证检验[J]. 国土地科学, 2022, 36(3): 96-103.

Zhang Miao, Wu Meng. Analysis on the mechanism and transmission path of the impact of land use on carbon emissions: Empirical test basedon structural equation model China Land Science, 2022, 36(3): 96-103.

[28]
郭健斌, 张英, 张志伟, 等. 西藏林芝市土地利用程度变化及其空间异质性分析[J]. 南农业大学学报(自然科学), 2023, 38(3): 511-519.

Guo Jianbin, Zhang Ying, Zhang Zhiwei et al. Study of land use intensity change and its spatial heterogeneity of Nyingchi City in Tibet Journal of Yunnan Agricultural University (Natural Science), 2023, 38(3): 511-519.

[29]
吴健生, 牛妍, 彭建, 等. 基于DMSP/OLS夜间灯光数据的1995—2009年中国地级市能源消费动态[J]. 理研究, 2014, 33(4): 625-634.

DOI

Wu Jiansheng, Niu Yan, Peng Jian et al. Research on energy consumption dynamic among prefecture-level cities in China based on DMSP/OLS Nighttime Light Geographical Research, 2014, 33(4): 625-634.

DOI

[30]
Huang B, Wu B, Barry M. Geographically and temporally weighted regression for modeling spatio-temporal variation in house prices[J]. International Journal of Geographical Information Science, 2010, 24(3): 383-401.

DOI

Options
Outlines

/

〈 〉