山海型城市活力与碳排放的空间分异及驱动路径:以福州市为例

黄荣辉; 张秋仪; 喻冰洁; 武鑫

doi:10.12404/j.issn.1671-1815.2507816

科学技术与工程 ›› 2026, Vol. 26 ›› Issue (30) :13267-13281 DOI: 10.12404/j.issn.1671-1815.2507816

论文：环境科学、安全科学

山海型城市活力与碳排放的空间分异及驱动路径:以福州市为例

黄荣辉 ¹ ,
张秋仪 ¹^,^* ,
喻冰洁 ² ,
武鑫 ¹

作者信息 +

Spatial Differentiation and Driving Path of Vitality and Carbon Emissions in Mountain-Sea Type Cities: Fuzhou City

Author information +

文章历史 +

摘要

在“双碳”目标与高质量发展背景下,促进城市活力提升与碳减排成为城市可持续发展的关键议题。以典型山海型城市福州为例,基于多源数据构建“社会-经济-文化-空间-环境-政策”六维城市活力评价体系,结合碳排放数据,以乡镇为基本单元,运用双变量空间自相关及最优参数地理探测器(optimal parameters-based geographical detector,OPGD),揭示城市活力与碳排放的空间分异及驱动路径。研究发现:福州市呈现“中心高活力—高碳排放集聚、外围低活力—低碳排放”的圈层结构,但政策驱动的新城区如长乐滨海新城出现“碳排放超前于活力”的跳跃式高值区,打破传统圈层规律;社会、经济、文化、空间及综合活力与碳排放显著正相关,而环境、政策活力与碳排放显著负相关,表明生态系统与政策干预对碳减排具有关键调节作用;微博签到密度、功能混合度与GDP是碳排放空间异质性的核心解释因子,其交互作用呈现非线性协同放大效应;而渔业生产总值与地形位指数对碳排放具有显著驱动作用,凸显山海型城市的独特性。研究提出分区精准调控、政策与环境协同治理、构建山海协同韧性格局等策略,为山海型城市实现活力提升与碳减排的协同增效提供科学依据与决策参考。

Abstract

In the context of the “dual carbon” goal and high-quality development, promoting urban vitality enhancement and carbon reduction has become a critical issue for sustainable urban development. Taking Fuzhou, a typical mountain-sea city, as an example, a six-dimensional urban vitality evaluation system encompassing social, economic, cultural, spatial, environmental, and policy dimensions was constructed based on multi-source data. Combined with carbon emission data and using townships as the basic analytical unit, bivariate spatial autocorrelation and OPGD (optimal parameters-based geographical detector) were employed to reveal the spatial differentiation and driving pathways of urban vitality and carbon emissions. The findings reveal that Fuzhou exhibits a concentric circle structure characterized by “high vitality with high carbon emission agglomeration in the center, and low vitality with low carbon emissions in the periphery.” However, policy-driven new urban areas, such as the Changle Coastal New Town, display a “leapfrog” high-value zone where carbon emissions outpace vitality, deviating from the traditional concentric pattern. Social, economic, cultural, spatial, and comprehensive vitality are significantly positively correlated with carbon emissions, whereas environmental and policy vitality show significant negative correlations, indicating that ecosystems and policy interventions play key regulatory roles in carbon reduction. Weibo check-in density, land-use functional mix, and GDP are identified as the core explanatory factors for the spatial heterogeneity of carbon emissions, with their interactions exhibiting nonlinear synergistic amplification effects. Additionally, the total fishery production value and TPI (topographic position index) exert significant driving forces on carbon emissions, highlighting the unique characteristics of mountain-sea cities. The study proposes strategies including precise zonal regulation, coordinated policy-environment governance, and the construction of a resilient mountain-sea synergistic pattern, providing scientific evidence and decision-making references for achieving synergistic enhancements in vitality and carbon reduction in mountain-sea cities.

Graphical abstract

关键词

城市活力 / 碳排放 / 山海型城市 / 福州市

Key words

urban vitality / carbon emissions / mountain-sea city / Fuzhou City

引用本文

引用格式 ▾

黄荣辉, 张秋仪, 喻冰洁, 武鑫. 山海型城市活力与碳排放的空间分异及驱动路径:以福州市为例[J]. 科学技术与工程, 2026, 26(30): 13267-13281 DOI:10.12404/j.issn.1671-1815.2507816

HUANG Rong-hui, ZHANG Qiu-yi, YU Bing-jie, WU Xin. Spatial Differentiation and Driving Path of Vitality and Carbon Emissions in Mountain-Sea Type Cities: Fuzhou City[J]. Science Technology and Engineering, 2026, 26(30): 13267-13281 DOI:10.12404/j.issn.1671-1815.2507816

登录浏览全文

4963

注册一个新账户忘记密码

近年来,随着中国城镇化水平的不断提高,带来经济快速发展的同时产生了土地低效利用、空间环境质量欠佳等城市与生态问题^[1],如何通过科学规划与建设手段提升城市品质、激发城市活力,已成为新时代城市发展亟待解决的重要课题^[2]。与此同时,全球气候变化议题日益紧迫,使得城市在发展中必须统筹考虑活力提升与碳排放控制的双重目标。通常,城市活力的增强往往与更高的人口集聚、更密集的能源使用以及更强的开发活动相伴生,这些过程都可能直接或间接地推高碳排放水平^[3]。在我国着力推动高质量发展、落实“双碳”战略的宏观背景下,深入研究城市活力与碳排放之间的内在关联与作用机制,具有重要的理论价值与现实意义。

“城市活力”是一个内涵丰富的概念,学术界的定义尚未统一。Jacobs^[4]于1961年首先提出城市活力的提升核心在于人的集聚活动与公共空间的动态交互,强调了人与场所空间互动的作用。而Lynch^[5]将城市活力定义为城市形态对人类核心需求、生态平衡以及生命活动的综合承载能力。国内学者蒋涤非^[6]提出,城市活力本质上是城市空间为居民提供人性化生活载体的综合能力,分为经济、社会和文化活力。尽管城市活力的内涵不断演进和丰富,但都侧重城市活力本质上是由建成环境塑造的、具有多样性特征的人类行为集合与空间环境之间的动态交互过程^[7-8]。因此,将“城市活力”定义为“城市通过空间形态优化与功能协同,有效激发多元人群聚集与互动交流的空间承载能力,集中体现了城市的综合吸引力和可持续发展潜能”,既强调了物质环境对功能组织的支撑作用,又突出了社会群体在空间中的动态交互特征。

目前中外学者已经对城市活力进行了大量的研究,主要集中在城市活力的评估^[9]、空间分异^[10]以及影响因素研究^[11]。从评价方法上看,部分学者采用人流量^[12]、社交媒体签到数据^[13]等指标来直接进行城市活力的测度,这类研究从单一维度进行评价,未能揭示人类活动与空间环境之间的交互关系,难以全面揭示城市活力的特征^[3]。为此部分学者构建社会、经济、文化、空间等多维度的综合评价体系,来弥补单一维度评价的不足^[14-15]。而近年来随着大数据在城市研究中的运用,越来越多的学者开始结合夜间灯光^[16]、人口热力图^[17]、兴趣点(point of interest,POI)数据^[7]、位置服务^[18]等多源数据进行城市活力评价,为精细化的城市活力评估提供了有利条件。从城市活力的分布格局以及影响因素来看,城市中心区域活力值较高,边缘地区功能组成单一,城市活力较低^[19-20]。而造成城市活力分布存在空间异质性的主要影响因素包括交通可达性^[7]、城市空间结构^[8]、地理区位^[21]、旅游发展和对外贸易^[22]等,这些因素共同影响着城市活力的分布。

随着可持续发展以及中国“双碳”目标的提出,城市碳排放逐渐成为中外学者研究的热点议题之一,目前对城市碳排放的研究主要集中在碳排放核算^[23]、时空格局和影响因素分析^[24]、碳排放预测^[25]等方面。已有研究表明,城市碳排放量与土地利用^[26-27]、城市空间结构^[28-29]、城市交通^[30-31]等因素有着密切联系,而以上因素恰恰是影响城市活力的关键要素,同样也是塑造与衡量城市活力的基础,这意味着城市活力与碳排放之间存在深刻的互动与权衡关系。一方面,城市活力的提升通常依赖于高强度的人类活动与资源集聚,更高的人口与社会活动密度、更繁荣的商业与经济活动以及更丰富的文化服务供给,往往会直接或间接地导致建筑运行、交通出行及产业过程的能源消耗增加,从而可能推高碳排放^[32];另一方面,某些维度的活力提升也可能与碳减排目标相协同,例如优良的生态环境本身具有碳汇功能并能引导低碳生活方式,而积极的绿色科技投入与产业政策等能直接驱动技术进步与结构优化,从而在提升发展质量的同时抑制碳排放^[33]。这种复杂关系表明,不同维度的城市活力对碳排放的作用方向与强度可能存在差异,二者在空间上可能呈现高活力-高碳排放、低活力-低碳排放或理想的高活力-低碳排放等多种耦合模式。因此,揭示不同维度活力与碳排放之间的复杂空间关联与驱动路径,对于协同推进活力提升与碳减排目标具有重要意义。尽管中外学者对城市活力和碳排放进行了大量的研究,但还存在以下不足:①目前对于城市活力的评价体系大多围绕建成环境进行构建,而在城市现代化治理的背景下,信息消费、创新激励政策等制度性因素已成为驱动城市活力的关键变量^[11,34],仅依靠建成环境评价难以有效量化政策干预对于城市活力的影响;②当前对于城市活力与碳排放之间关联性的研究较少,现有研究多将二者分别探讨,或将活力视为单一维度的整体概念,缺乏从多维活力视角系统性解构其与碳排放空间耦合关系的实证研究,同时主要以内陆城市作为研究案例,对山海型城市的关注不足;③部分研究^[3]采用地理探测器来量化城市活力对碳排放的影响程度,然而传统的地理探测器在处理连续变量时,往往依赖于经验或主观判断来进行离散化,可能会影响分析结果的准确性。

山海型城市因复杂地形与海洋经济的双重作用,其活力与碳排放的空间耦合机制区别于内陆平原城市。因此,现以福州市为例,基于多源数据构建社会、经济、文化、空间、环境和政策六大维度城市活力评估体系,以乡镇作为基本分析单元,运用双变量空间自相关分析探究各维度活力和综合活力与碳排放的空间关联特征。在此基础上,借助最优参数地理探测器(optimal parameters-based geo-detector, OPGD),分析城市活力构成要素对碳排放的影响机制,旨在揭示山海型城市活力与碳排放的空间耦合关系,推动山海型城市实现高质量发展。

1 材料与方法

1.1 研究区概况

福州市位于福建东部沿海、闽江下游(图1),作为福建省省会城市,下辖6个市辖区,6个县以及1个县级市,全域总面积约1.20×10⁴ km²。福州市呈典型的河口盆地特征,山地和丘陵占市域总面积的72.68%,受亚热带季风气候影响,年平均气温维持在20.8 ℃左右。截至2023年末,福州市常住人口约8.47×10⁶,城镇化率达73.91%^[35]。快速城镇化和建设用地规模的不断扩张,导致了碳排放量的持续增长、活力衰退等一系列问题,给城市经济发展和“双碳”目标的实现带来了双重压力^[36]。因此,以福州市为案例,探究城市活力与碳排放的空间耦合关系,可为山海型城市协同推进低碳发展与活力优化提供科学依据。

1.2 数据来源

1.2.1 城市碳排放数据

采用人为二氧化碳开源数据库(open-source data inventory for anthropogenic CO₂, ODIAC)最新版本的2023年碳排放数据(http://db.cger.nies.go.jp/dataset/ODIAC/),空间分辨率为1 km×1 km,相对于EDGAR等数据集具有更高的精度和分辨率^[3],目前已被广泛运用于碳排放的相关研究^[37]。

1.2.2 城市活力测度数据

参考Ewing等^[38]提出的“5D”指标体系和已有相关研究^[2,39],同时结合研究区的特殊性,从社会、经济、文化、空间、环境和政策六大维度构建城市活力评估体系(表1)。

由于城市活力是由人群在社会活动中所产生的,因此从人群集聚的视角评价社会活力,包括人口密度和微博签到密度两个指标,前者能够量化城市内常住人口的聚集强度,后者通过大数据捕捉动态社交活跃度,二者构成“静态人口基底+动态行为轨迹”的双维评价体系。

经济活力是城市活力的基础,为城市发展提供必要的物质基础和动力支持。从GDP、消费设施密度、生产设施密度和渔业生产总值来衡量城市的经济活力,其中GDP反映整体经济强度,餐饮、购物和休闲设施POI密度来反映消费设施密度,办公设施POI密度来反映生产设施密度,渔业生产总值则反映山海型城市特有的海洋经济贡献度。

文化活力是城市文化软实力的重要体现,能有效促进城市文化的传承与发展,提升城市的文化魅力和吸引力。参考已有研究,以文化设施POI密度来测度城市文化活力。

空间活力是人群活动在空间上的具体表现。参考已有研究,从可达性(公共交通指数、交通可达性、地形位指数)和服务性(功能混合度)两大维度进行测度。

环境活力能够反映城市生态环境的优劣情况,是城市可持续发展的关键。从植被覆盖度和公园绿地密度来测度城市环境活力,建立“自然植被基底+人工生态空间”的二元评估体系。

政策活力能够反映政府对城市发展的引导和支持力度。从科学技术支出和外商投资合同金额来测度城市活力,前者反映科技创新投入强度,后者反映制度开放性创造的投资吸引力,共同构成“内生创新+外向联动”的政策引擎。

上述指标中,人口密度数据来源于美国能源部橡树岭国家实验室LandScan数据集(https://landscan.ornl.gov);微博签到数据从新浪微博平台的API接口获取,时间为2022年8月29日—9月12日两周,通过清洗异常值最终得到19 110条签到数据;GDP来源于资源环境科学数据平台,分辨率为 1 km;各类POI数据从高德地图的API接口获取,其中消费设施、生产设施、文化设施、公共交通站点、公园绿地分别为131 459条、25 863条、12 711条、5 256条、694条;渔业生产总值、科学技术支出和外商投资合同金额来源于《福州市统计年鉴2023》;道路网来源于OpenStreetmap官网;高程数据来源于地理空间数据云,分辨率为30 m;植被覆盖度经归一化植被指数(normalized difference vegetation index,NDVI)计算,NDVI来源于资源环境科学数据平台,分辨率为30 m,年份为2023年;高程数据来源于地理空间数据云,分辨率为30 m;坡度在Arcgis中通过高程进行计算。

1.3 研究方法

1.3.1 熵权法

利用熵权法来确定各个指标的权重大小,熵权法作为一种客观赋权法,相对于层次分析法、专家咨询法等主观赋权法客观性更强、精确度更高,可以避免受到人为主观因素的影响^[44]。该方法确定指标权重的步骤如下。

(1)将原始数据进行标准化处理,使得各个指标具有可比性。

正向指标公式为

(1)P_ij=$\frac{{\mathit{X}}_{\mathit{i}\mathit{j}}-\mathrm{m}\mathrm{i}\mathrm{n}{\mathit{X}}_{\mathit{i}\mathit{j}}}{\mathrm{m}\mathrm{a}\mathrm{x}{\mathit{X}}_{\mathit{i}\mathit{j}}-\mathrm{m}\mathrm{i}\mathrm{n}{\mathit{X}}_{\mathit{i}\mathit{j}}}$

式(1)中:P_ij为第j个对象在第i个指标上的标准值;X_ij为模糊关系矩阵中的元素。

负向指标公式为

(2)P_ij=$\frac{\mathrm{m}\mathrm{a}\mathrm{x}{\mathit{X}}_{\mathit{i}\mathit{j}}-{\mathit{X}}_{\mathit{i}\mathit{j}}}{\mathrm{m}\mathrm{a}\mathrm{x}{\mathit{X}}_{\mathit{i}\mathit{j}}-\mathrm{m}\mathrm{i}\mathrm{n}{\mathit{X}}_{\mathit{i}\mathit{j}}}$

(2)定义第i个指标的熵值。

(3)${\mathit{H}}_{\mathit{i}}=-\mathrm{k}\stackrel{\mathit{n}}{\sum _{\mathit{j}=1}}{\mathit{f}}_{\mathit{i}\mathit{j}}\mathrm{l}\mathrm{n}{\mathit{f}}_{\mathit{i}\mathit{j}}$

(4)${\mathit{f}}_{\mathit{i}\mathit{j}}=\frac{{\mathit{P}}_{\mathit{i}\mathit{j}}}{\stackrel{\mathit{m}}{\sum _{\mathit{i}=1}}{\mathit{P}}_{\mathit{i}\mathit{j}}}$

式中:k为调节系数;f_ij为第 i 个指标在第 j 个样本中的特征比重;n为评估对象的个数。

(3)确定各个指标权重。

(5)${\mathit{W}}_{\mathit{i}}=\frac{1-{\mathit{H}}_{\mathit{i}}}{\mathrm{m}-\stackrel{\mathit{m}}{\sum _{\mathit{i}=1}}{\mathit{H}}_{\mathit{i}}}$

式(5)中:W_i为第i个指标权重,取值范围为[0,1];H_i为第i个指标的熵值。

(4)确定正、负理想解。计算各指标的最优解(正理想解A⁺)和最劣解(负理想解A^-)。

(6)

A⁺=(v₁⁺,v₂⁺,…,v_n⁺)=(maxv₁_j,maxv₂_j,…,maxv_mj)

(7) A^-=(v₁^-,v₂^-,…,v_n^-)=(minv₁_j,minv₂_j,…,minv_mj)

式中:v_j⁺和v_j^-分别为所有评价单元在第j个指标上的加权值v_ij的最大值和最小值。

(5)计算各评价单元到正、负理想解的距离。采用欧氏距离公式,计算每个评价单元(乡镇)与正理想解(D_i⁺)和负理想解(D_i^-)的距离。

(8)${\mathit{D}}_{\mathit{i}}^{+}=\sqrt{\stackrel{\mathit{n}}{\sum _{\mathit{j}=1}}({\mathit{v}}_{\mathit{i}\mathit{j}}-{\mathit{v}}_{\mathit{j}}^{+}{)}^{2}}$

(9)${\mathit{D}}_{\mathit{i}}^{-}=\sqrt{\stackrel{\mathit{n}}{\sum _{\mathit{j}=1}}({\mathit{v}}_{\mathit{i}\mathit{j}}-{\mathit{v}}_{\mathit{j}}^{-}{)}^{2}}$

(6)计算各评价单元与最优方案的贴近度。计算每个评价单元与理想解的相对贴近度C_i,该值介于[0,1],值越大表明该单元的城市活力越优,即越接近最优水平。

(10)C_i=$\frac{{\mathit{D}}_{\mathit{i}}^{-}}{{\mathit{D}}_{\mathit{i}}^{+}+{\mathit{D}}_{\mathit{i}}^{-}}$

1.3.2 双变量空间自相关

双变量空间自相关分析可以揭示城市碳排放和各维度城市活力之间的空间关联特征^[45]。其中双变量全局和局部空间自相关公式为

(11)$\mathrm{I}=\frac{\stackrel{\mathit{N}}{\sum _{\mathit{i}=1}}\stackrel{\mathit{N}}{\sum _{\mathit{j}=1}}{\mathit{W}}_{\mathit{i}\mathit{j}}({\mathit{x}}_{\mathit{i}}-\stackrel{-}{\mathit{x}})({\mathit{x}}_{\mathit{j}}-\stackrel{-}{\mathit{x}})}{{\mathit{S}}^{2}\stackrel{\mathit{N}}{\sum _{\mathit{i}=1}}\stackrel{\mathit{N}}{\sum _{\mathit{j}=1}}{\mathit{W}}_{\mathit{i}\mathit{j}}}$

(12)${\mathit{I}}_{\mathit{i}}=\frac{\stackrel{\mathit{N}}{\sum _{\mathit{j}=1}}{\mathit{W}}_{\mathit{i}\mathit{j}}({\mathit{x}}_{\mathit{i}}-\stackrel{-}{\mathit{x}})}{{\mathit{S}}^{2}}$

式中:I和I_i分别为双变量全局和局部空间自相关莫兰指数(Moran’s I);N为网格总数;W_ij空间权重矩阵;x_i和x_j分别为i和j的属性值;$\stackrel{-}{\mathit{x}}$和S²为所有样本的均值和方差。

1.3.3 最优参数地理探测器(OPGD)

地理探测器作为一种空间数据分析的统计模型,能够分析地理要素的空间异质性,也可以探测两个变量之前可能存在的因果关系^[46]。OPGD能够通过优化空间数据离散化方式,并调整空间层间断裂数以及空间尺度参数,有效提升地理探测器模型的准确性^[47]。主要运用其因子探测和交互探测两个板块。

(1)因子探测:用于检测各维度城市活力(X)对碳排放(Y)空间异质性的解释度(Q)。

(13)$\mathrm{Q}=1-\frac{\stackrel{\mathit{L}}{\sum _{\mathit{m}=1}}{\mathit{N}}_{\mathit{m}}{\mathit{\sigma }}_{\mathit{m}}^{2}}{\mathit{N}{\mathit{\sigma }}^{2}}$

式(13)中:Q的取值范围为[0,1],Q越大,表示驱动因子对城市碳排放的解释度越强;N_m和N分别为区域m和研究区的单元数;m为分类或分区数量;σ_m²和σ²分别为区域m因变量和研究区整体的方差。

(2)交互探测:能够评估不同因子X之间是否对因变量Y存在交互作用,即两个因子共同作用时是否会增加或减少对因变量的解释力,或者是否相互独立。首先分别计算因子X₁、X₂对因变量Y的Q值,并进一步计算它们交互时的Q值,对Q(X₁)、Q(X₂)以及$\mathit{Q}({\mathit{X}}_{1}\bigcap {\mathit{X}}_{2})$进行比较。交互作用类型包括双因子增强、非线性增强、独立、单因子非线性减弱、非线性减弱5类^[46](表2)。

2 结果与分析

2.1 城市活力空间分布特征

利用自然断点法将城市各维度和综合活力进行分级显示,结果如图2所示。从总体上来看,福州市城市活力形成明显“中心高-外围低”的梯度分布态势,中心城区呈现出较强的城市活力,特别是鼓楼、台江作为传统中心城区,长期汇聚行政、商业、文化资源(如三坊七巷),形成高密度人口和完善的基础设施,通过“人流-服务-投资”的正反馈循环持续强化城市活力。这种高活力集中趋势反映了核心城区作为经济和行政中心的地位,资源高度聚集,形成了连片热点区域,有利于促进城市活力的发展。其中沿闽江、乌龙江的“两带”(闽江城市活力景观带、乌龙江生态景观带)呈现带状活力隆起,与《福州市国土空间总体规划(2021—2035年)》中提出的“一环两带两轴”格局高度吻合。相比之下,外围区域活力逐渐降低,可能原因在于福州作为典型河口盆地地形,山脉与河流分割城市空间,导致活力沿河谷平原和主干道(如八一七路、浦上大道)走向延伸,外围山区组团因可达性差而活力薄弱。

从各维度活力来看,六大维度的空间分布均表现出不同程度的“核心-边缘”分化,但分化强度与空间延展存在差异。社会、经济、文化活力高度集中于鼓楼、台江,呈现“点状极化”特征,原因在于这些区域承载了福州最密集的商业、教育、医疗、文化设施与社交活动,形成高频率的人口流动与消费行为;空间活力则在晋安、仓山部分区域仍保持中高水平,说明交通可达性与功能混合度在近郊仍具优势,但向外迅速衰减;环境与政策活力则表现出相对“扁平化”的分布,环境活力因山地生态基底较好,在边缘区域反而略高,而政策活力因科技投入与外资引入的政策导向,热点集中分布在主城区和长乐滨海新城,体现出明显的行政等级差异。

2.2 碳排放空间分布特征

从图3可知,福州市碳排放呈显著“核心高-边缘低”的环状梯度分布,高排放区高度集中于鼓楼—台江—晋安西连片板块以及仓山—马尾—长乐北部沿江走廊,这种分布对应了城市人口密度、经济活动的空间集聚程度——中心城区作为行政、商业、服务与交通枢纽,承载着高强度的人类活动(高人口密度、高密度就业/消费、高频率交通),其巨大的能源消耗(建筑用能、交通用能)和高度集中的产业活动直接驱动了碳排放峰值,印证了高强度人类活动-能源消耗-碳排放的因果链;而外围永泰、闽清、罗源等山区县以低排放为主,既受限于地形约束下的低开发强度,也因生态本底好、建设用地占比小而天然形成“碳汇缓冲带”。与此同时,长乐滨海新城、福清产业园区出现了“跳跃式”碳排放乡镇,打破了传统由中心向外递减的规律,原因在于政策驱动的新城开发:大规模填海造地、港口产业及临空经济集聚带来能源需求激增,同时基础设施尚未形成规模能效,导致碳排放“超前”于人口活力。

2.3 城市活力与碳排放的空间关联特征

根据表3中双变量全局空间自相关结果可知,所有结果均在严格置信水平下显著,置信度均达到99%,城市活力的不同类型维度与碳排放之间呈现出鲜明的关联模式:体现城市活跃程度的社会活力(Moran’s I=0.883)、经济活力(Moran’s I=0.852)、文化活力(Moran’s I=0.850)、空间活力(Moran’s I=0.531)以及综合活力(Moran’s I=0.879)与碳排放呈现高度显著的正向空间集聚特征,这意味着在城市地理格局中,人口密集、商业繁荣、活动频繁的核心功能区域(如CBD、核心商圈、大型居住社区),其周边往往同步聚集着高水平的碳排放,揭示了经济发展、人口集聚和社会文化活动客观上与高能源消耗、高碳排放呈现空间共生的关联逻辑;相反的,环境活力(Moran’s I=-0.463)和政策活力(Moran’s I=-0.115)则与碳排放呈现显著的负向空间自相关。这意味着城市中自然生态条件优良、绿地水系覆盖度高的区域,其周边地区的碳排放倾向较低,体现了生态系统本身对碳排放的吸收抑制功能及其对高污染产业的排斥效应;同时,政策活力的负相关性也显示,政府通过持续加大科技投入(尤其是绿色科技)和优化引资结构(引入高质量、低排放外资),能够有效塑造区域碳排放的空间格局。

从双变量局部空间自相关(图4)上看,总体上城市活力与碳排放以“高-高”和“低-低”聚类为主。其中社会、经济、文化、空间及综合活力的“高-高”聚类几乎重叠于鼓楼—台江—晋安西侧的老城核心与仓山东片沿江走廊;“低-低”聚类则连片分布于永泰、闽清、罗源等外围山区县。老城高人口密度、高功能混合度与高强度消费的叠加,使单位土地面积上的能源使用呈指数级增长,而外围山区因地形阻隔与生态管控,人口与经济活动较为稀薄,形成天然的“低碳洼地”。相比之下,环境与政策活力出现明显的“高-低”与“低-高”聚类:主城区出现环境活力低但碳排放高的“低-高”斑块,而“高-低”斑块主要分布于周围山区县,原因在于主城区因高能耗产业与交通密集但生态空间受限而呈“低活力-高碳排放”,山区县则凭优良生态与低密度开发形成“高活力-低碳排”的反向格局;鼓楼区东部、台江区及晋安区南部出现低政策活力-高碳排放的乡镇,连江、永泰部分乡镇出现“高政策-低碳排”格局,原因在于鼓楼区东部、台江区及晋安区南部位于老城更新滞后区与新城开发初期带,政策工具(科技支出、外资引入)尚未精准投放,却叠加了高密度交通流量、老旧商服设施及高耗能产业存量,导致政策活力低-碳排放高的现象。连江、永泰等山区县的“高政策-低碳排”乡镇则因生态保护红线与乡村振兴政策先行,科技与绿色产业资金密集下沉,同时受地形约束开发强度低、人口密度小,政策红利先于产业扩张释放,形成“高政策活力-低碳排放”的耦合优势

2.4 各城市活力因子对碳排放分布的影响

利用最优参数地理探测器的因子探测来揭示福州市各城市活力构成要素对碳排放空间分异的差异化驱动作用,结果如表4所示。结果表明,所有15项活力指标对碳排放分布均具有显著解释力(p均小于0.05),但其影响程度(q)存在显著差异。各因子对城市碳排放的解释力从大到小依次为:微博签到密度>功能混合度>GDP>文化设施密度>交通可达性>生产设施密度>消费设施密度>人口密度>渔业生产总值>公共交通指数>公园绿地密度>地形位指数>植被覆盖度>外商投资金额>科学技术支出。

微博签到密度(q=0.883)和城市功能混合度(q=0.836)成为解释碳排放空间异质性的关键因子,表明高频的社交活动聚集与复合型土地利用模式是驱动高碳排放的关键机制。一方面,高频的社交活动聚集(高微博签到密度)意味着瞬时人口密度与流动量显著增加,间接刺激餐饮、零售、娱乐等设施的高强度运营,并刺激大量机动化通勤与物流需求,显著提升了交通出行强度与商业场所能耗密度;另一方面,复合型土地利用在同一空间单元内叠加商业办公、高密度居住、公共服务等多重功能,导致建筑能耗叠峰、各类设备同时运行,同时街区道路网络需承载更高的车流与人流通行频次,进一步放大交通碳排放。紧随其后的是GDP(q=0.781)和文化设施密度(q=0.802),凸显了整体经济发展强度与人文活动对碳排放的核心贡献。相比之下,自然生态基底(植被覆盖度,q=0.346;公园绿地密度,q=0.440)和政策调控工具(科学技术支出,q=0.207;外商投资金额,q=0.265)的解释力相对较弱,但因其负向关联特性,构成重要的碳减排调节路径。特别地,渔业生产总值(q=0.649)和地形位指数(q=0.354)的显著解释力,深刻反映了福州作为山海型城市的碳排放驱动机制特殊性。

交互探测结果如图5所示,福州市城市活力要素间的交互作用对碳排放空间分异存在显著的非线性协同放大效应,表明活力要素通过协同作用能够增强对碳排放的解释力。其中微博签到密度和GDP的交互q值最高(q=0.928),社交热点驱动的瞬时人流爆发(如商圈展览/通勤潮汐)触发了高经济价值区域内能源与交通资源的超负荷运转,使碳排放强度突破单因子线性增长的边界。

3 讨论

3.1 山海型城市活力-碳排放关联机制的特殊性与复杂性

福州市作为典型山海型城市,其活力与碳排放的空间关联机制呈现出区别于内陆城市的鲜明特性与内在复杂性。不同于平原城市相对均质的空间拓展模式^[17],福州的山海地形与河口盆地地貌,强力塑造了“中心高-边缘低”的活力与碳排放圈层式分布格局。这种格局的形成,一方面源于地形阻隔导致的交通可达性差异,使得人口、经济、文化等高活力要素高度集中于有限的河谷平原核心区(如鼓楼、台江),引发高密度开发与高强度能源消耗,导致碳排放峰值区形成;另一方面,外围广袤的山区县(永泰、闽清、罗源)因地形约束、开发受限及良好的生态本底,成为天然的“低碳洼地”。然而,山海型城市的复杂性在于其并非呈现简单的“中心高碳-边缘低碳”空间分布特征。研究观察到长乐滨海新城、福清产业园区等政策驱动的新城(临港、临空经济区)呈现出“跳跃式”高碳排放点,打破了传统的圈层递减规律。这表明山海型城市在特定区域(如滨海产业区、政策新区)可能面临“活力滞后于碳排放”的特殊困境——大规模基建、填海造地及能源密集型产业落地导致碳排放超前增长,而人口集聚和社会活力尚未同步形成。此外,山海型城市特有的海洋经济维度(如渔业生产总值)也被证实是解释碳排放空间分异的重要因子(q=0.649),凸显了产业结构与碳排放关系的独特性。这些发现丰富了对城市活力-碳排放关系的认识,强调了山海地形、海洋经济要素、政策新区建设等复合因素共同构成的复杂驱动网络,是理解山海型城市可持续发展路径的关键。

3.2 环境与政策活力的调节作用:从被动适应到主动干预

研究发现政策活力和环境活力与碳排放呈现显著的负向空间关联,这为山海型城市破解“活力提升”与“碳减排”的矛盾提供了重要的理论支点和实践方向。与反映人类活动强度的社会、经济、文化活力不同,环境活力(植被覆盖度、公园绿地密度)和政策活力(科技支出、外商投资金额)展现出了对碳排放的抑制与调节功能。环境活力与城市活力的负相关性表明,高生态价值区域(如外围山区、城市绿地)通过其固碳能力、对高污染产业的中和效应以及对居民低碳生活方式的引导,在空间上有效地降低了周边的碳排放水平,这验证了生态系统服务在城市碳循环中的基础性作用^[3]。而政策活力的负相关性表明主动的政策干预(如加大绿色科技研发投入、引导高质量低排放外资引入、实施生态保护与乡村振兴政策)能够超越被动适应地理约束的模式,有效塑造区域的低碳发展格局。即使在鼓楼老城区局部出现的“低政策活力-高碳排放”区域,也反证了政策精准投放(如更新改造、绿色技术推广)的滞后是导致高碳排放的重要原因。因此,环境活力代表了城市发展的生态韧性基础,而政策活力则代表了人为干预的主动调控措施,二者从“被动依赖自然禀赋”向“主动构建低碳环境”的协同演进,是实现活力提升与碳减排协同增效的核心路径。

3.3 面向“双碳”目标的规划启示

(1)强化多尺度空间管控与差异化策略: 必须充分尊重并利用山海地形形成的自然空间格局。对高活力-高碳排放的核心功能区,规划重点应转向功能优化、紧凑集约、存量更新、交通结构低碳化(如提升公交分担率、慢行友好)和建筑能效提升,通过提高单位资源效率来降低碳排放强度;对政策驱动型新区(如长乐滨海新城、福清产业区),需强调“产-城-人”融合发展,严控高能耗产业准入,提前布局绿色基础设施和智慧能源系统,避免“碳排放在前,活力滞后”的脱节;对生态优势区(外围山区县),应强化生态保护红线管控,挖掘生态资源价值(如发展生态旅游、林下经济),结合乡村振兴政策发展特色低碳产业,巩固其“高环境活力-低碳排”优势,将其定位为区域碳汇核心和生态屏障。

(2)政策调控与环境韧性的协同增效——驱动山海型城市低碳发展的“双元引擎”:规划应主动将政策工具(科技投入、外资引导、财政补贴)精准导向关键节点:向核心区注入绿色更新资金和技术;向新产业区侧重低碳技术研发与应用激励;向生态区倾斜生态补偿和绿色产业扶持。同时,必须将生态空间网络(绿地、水系、山体)作为支撑城市可持续发展的核心基础设施进行系统性构建与刚性保护,尤其在核心区通过见缝插绿、立体绿化、公园体系完善等方式提升环境活力,缓解高密度开发带来的生态压力。

(3)注重山海协同与韧性发展:规划需超越行政边界,基于山海自然系统(如闽江、乌龙江生态廊道、山体屏障)构建全域一体化的生态安全与低碳韧性格局。加强中心城区与外围生态区在生态补偿、碳汇交易、绿色农产品供应等方面的功能互补与协同治理。提升交通、能源等基础设施在复杂地形条件下的连通效率与抗灾韧性,降低因灾害导致的碳排放激增风险,保障城市活力在极端气候条件下的可持续性。

4 结论

以福州市为例,构建“社会-经济-文化-空间-环境-政策”六维城市活力评价体系,结合碳排放数据,运用双变量空间自相关与最优参数地理探测器(OPGD),揭示了山海型城市活力与碳排放的空间分异及驱动路径,得出如下结论。

(1)福州市多维城市活力空间分异显著,并呈现中心极化、政策引导跳跃及生态基底约束的复合特征。福州市综合活力形成“中心高-外围低”的圈层式格局,高值区高度集中于鼓楼、台江等传统核心区。各维度活力分异明显:社会、经济、文化活力呈现“点状极化”,高度集中于核心区;空间活力沿交通干线轴向延伸;环境活力因山地生态本底在外围区域相对较高;政策活力则在主城区与长乐滨海新城等政策新区形成热点,表现出行政与政策导向下的跳跃式分布,打破了单一的地形或经济圈层规律。

(2)城市活力与碳排放存在显著的空间耦合关系,且不同维度活力作用方向各异。从全局上看,社会、经济、文化、空间及综合活力与碳排放呈显著正相关,而环境、政策活力与碳排放呈显著负相关。局部空间关联上,呈现以“高活力-高碳排放”和“低活力-低碳排放”为主的聚类特征。中心城区因高密度的人类活动与资源集聚成为“高-高”聚类区;外围山区受地形与生态约束形成“低-低”聚类区。政策驱动的新城区(如长乐滨海新城)出现了“碳排放超前于活力”的跳跃式高值区,揭示了新城开发中可能存在的碳排放风险。

(3)微博签到密度、功能混合度与GDP是驱动碳排放空间分异的核心因子,山海型要素影响显著。因子探测表明,微博签到密度(q=0.883)、功能混合度(q=0.836)和GDP(q=0.824)对碳排放空间异质性的解释力最强,揭示了高频社交活动、复合土地利用模式及经济强度是推高碳排放的关键机制。交互探测显示,各因子间存在非线性增强效应,如微博签到密度与GDP的交互作用(q=0.928)最为突出。此外,渔业生产总值(q=0.649)和地形位指数(q=0.354)被识别为显著驱动因子,凸显了海洋经济产业与复杂地形条件对山海型城市碳排放格局的独特塑造作用。

参考文献

原文顺序 | 出版日期 | 本文引用

[1]	李琳, 李泽宇, 李岩, 等. 潍坊市碳储量演变、多情景模拟与驱动因素分析[J]. 科学技术与工程, 2026, 26(6): 2652-2665.

[2]	Li Lin, Li Zeyu, Li Yan, et al. Carbon storage evolution in Weifang City, multi-scenario simulation and driving factor analysis[J]. Science Technology and Engineering, 2026, 26(6): 2652-2665.

[3]	李婷, 李朝奎, 从政, 等. 融合多方法的长沙城市活力空间异质性研究[J]. 现代城市研究, 2024(8): 25-32.

[4]	Li Ting, Li Chaokui, Cong Zheng, et al. Spatial heterogeneity of urban vitality in Changsha based on multiple methods[J]. Modern Urban Research, 2024(8): 25-32.

[5]	潘捷, 李斌, 钱焱杰. 山地城市活力与碳排放的空间关联性[J]. 环境科学, 2025, 46(12): 7463-7473.

[6]	PanJie, Li Bin, Qian Yanjie. Spatial correlation analysis of urban vitality and carbon emissions in mountainous cities[J]. Environmental Science, 2025, 46(12): 7463-7473.

[7]	Jacobs J. The death and life of great American cities[M]. New York: Random House, 1961.

[8]	Lynch K. A theory of good city form[M]. Cambridge: The MIT Press, 1982.

[9]	蒋涤非. 城市形态活力论[M]. 南京: 东南大学出版社, 2007.

[10]	Jiang Difei. The theory of city form vitality[M]. Nanjing: Southeast University Press, 2007.

[11]	丁彦慧, 钱勇生, 曾俊伟, 等. 陕甘宁地区交通可达性与城市活力协同发展研究[J]. 科学技术与工程, 2023, 23(36): 15597-15616.

[12]	Ding Yanhui, Qian Yongsheng, Zeng Junwei. et al. Coordinated development of transportation accessibility and urban vitality in Shaanxi-Gansu-Ningxia Region[J]. Science Technology and Engineering, 2023, 23(36): 15597-15616.

[13]	冯林玉, 孙昌盛, 张春英. 城市空间结构对城市活力空间分布的影响机制--以桂林市中心城区为例[J]. 桂林理工大学学报, 2025, 45(4): 505-515.

[14]	Feng Linyu, Sun Changsheng, Zhang Chunying. Influencing mecha-nisms of urban spatial structure on distribution of urban vitality space: a case from central urban area of Guilin[J]. Journal of Guilin University of Technology, 2025, 45(4): 505-515.

[15]	Zhang D, Song K, Zhao D. Leveraging multi-source data for the trustworthy evaluation of the vibrancy of child-friendly cities: a case study of Tianjin, China[J]. Electronics, 2024, 13(22): 4564-4564.

[16]	Wu Y, Yang M, Li X, et al. Study on the influence of strip-shaped urban rail transit stations on urban vitality distribution based on point of interest data[J]. Applied Sciences, 2025, 15(4): 2031-2031.

[17]	林彰平, 陈泵根, 李珊, 等. 广州市“东进”战略空间活力时空格局及影响因素[J]. 经济地理, 2025, 45(11): 100-110.

[18]	Lin Zhangping, Chen Benggen, Li Shan, et al. Spatiotemporal patterns and influencing factors of spatial vitality in Guangzhou’s “Eastward Expansion” strategic space[J]. Economic Geography, 2025, 45(11): 100-110.

[19]	Zhou W, Zhang J, Li X, et al. Influence of environmental factors on pedestrian summer vitality in urban pedestrian streets in cold regions guided by thermal comfort: a case study of Sanlitun-Beijing, China[J]. Sustainability, 2024, 16(23): 10419-10419.

[20]	Chen M, Liu Y, Ye Z, et al. Vivid London: assessing the resilience of urban vibrancy during the COVID-19 pandemic using social media data[J]. Sustainable Cities and Society, 2024, 115: 105823-105823.

[21]	刘海猛, 郑瑞婧, 勾鹏, 等. 基于活力三角模型的中国城市活力评估[J]. 地理科学进展, 2024, 43(6): 1118-1132.

[22]	Liu Haimeng, Zheng Ruijing, Gou Peng, et al. Evaluation of urban vitality in China using the vital triangle framework[J]. Progress in Geography, 2024, 43(6): 1118-1132.

[23]	徐清, 周璇, 周思文. 基于多源数据的城市边缘区范围识别与城市活力评价--以杭州市主城区为例[J]. 城市发展研究, 2024, 31(1): 80-88.

[24]	Xu Qing, Zhou Xuan, Zhou Siwen. Range identification of urban fringe areas and evaluation of urban vitality based on multisource data: taking the main urban area of Hangzhou City as an example[J]. Urban Development Studies, 2024, 31(1): 80-88.

[25]	路旭, 李通, 刘茂娣. 基于夜间灯光数据的资源枯竭型城市全域活力格局演变研究[J]. 沈阳建筑大学学报(社会科学版), 2024, 26(3): 296-303.

[26]	Lu Xu, Li Tong, Liu Maodi. Evolution of urban vitality pattern of resource exhausted cities based on night light data[J]. Journal of Shenyang Jianzhu University(Social Science Edition), 2024, 26(3): 296-303.

[27]	王雅霜, 吴峻. 基于多源数据下荆州市建成环境与城市活力关系分析[J]. 测绘地理信息, 2025, 50(5): 58-63.

[28]	Wang Yashuang, Wu Jun. Analysis of the relationship between built environment and urban vitality in Jingzhou based on multi-source data[J]. Journal of Geomatics, 2025, 50(5): 58-63.

[29]	姜宇逍, 陆毅, 运迎霞, 等. 基于梯度理论的北京通勤圈城市活力特征与影响机制研究[J]. 城市规划学刊, 2023(6): 50-58.

[30]	Jiang Yuxiao, Lu Yi, Yun Yingxia, et al. Urban vitality characteristics and impact mechanisms in Beijing’s commuting circle: a gradient theory perspective[J]. Urban Planning Forum, 2023(6): 50-58.

[31]	张天洁, 苏静. 基于多源数据的“夜津城”活力时空特征及规划策略研究[J]. 现代城市研究, 2023(12): 59-66.

[32]	Zhang Tianjie, Su Jing. Research on the spatiotemporal characte-ristics and planning strategies of “Night Tianjin” vitality based on multi-source data[J]. Modern Urban Research, 2023(12): 59-66.

[33]	魏宗财, 黄伟超, 王世福, 等. 基于多源数据的城市活力分布特征及空间治理策略--以广州中心城区为例[J]. 城市观察, 2024(2): 146-158, 164.

[34]	Wei Zongcai, Huang Weichao, Wang Shifu, et al. Characterizing the distribution of urban vitality and spatial governance strategies based on multi-source data: a case study of the city center of Guangzhou[J]. Urban Insight, 2024(2): 146-158, 164.

[35]	张宁, 张志斌, 郭倩倩, 等. 西北内陆国家级新区城市活力空间格局及影响因素[J]. 干旱区资源与环境, 2024, 38(4): 38-49.

[36]	Zhang Ning, Zhang Zhibin, Guo Qianqian, et al. Spatial pattern of urban vitality of national new districts in inland northwest China[J]. Journal of Arid Land Resources and Environment, 2024, 38(4): 38-49.

[37]	孙萌萌, 宋涛. 云南边境县域城市活力空间分异及影响因素分析[J]. 地理科学进展, 2025, 44(4): 810-823.

[38]	Sun Mengmeng, Song Tao. Urban vitality of border counties in Yunnan Province and influencing factors[J]. Progress in Geography, 2025, 44(4): 810-823.

[39]	Ma Y, Liu X, Liu J, et al. Carbon emission accounting and reduction evaluation in sponge city residential areas[J]. Water, 2024, 16(17): 2535.

[40]	王奕淇, 张华玮. 中国城市碳排放强度时空跃迁、收敛趋势及驱动因素[J]. 环境科学, 2025, 46(11): 6722-6737.

[41]	Wang Yiqi, Zhang Huawei. Spatiotemporal transition, convergence trend, and driving factors of urban carbon emission intensity in China[J]. Environmental Science, 2025, 46(11): 6722-6737.

[42]	韩毅, 侯震梅. 基于RF-RFECV特征选择的BO-CNN-BiLSTM-attention中国资源型城市碳排放影响因素分析与达峰情景模拟[J]. 环境科学, 2026, 47(3): 1433-1448.

[43]	Han Yi, Hou Zhenmei. Analysis of carbon emission impact factors and peak scenario simulation for resource-based cities in China based on RF-RFECV feature selection and BO-CNN-BiLSTM-attention[J]. Environmental Science, 2026, 47(3): 1433-1448.

[44]	黎霞, 兰小机. 环鄱阳湖城市群土地利用碳排放轨迹分析与多情景预测[J]. 环境科学与技术, 2024, 47(11): 11-21.

[45]	Li Xia, Lan Xiaoji. Trajectory analysis and multi-scenario prediction of carbon emission from land-use of urban agglomeration around Poyang Lake[J]. Environmental Science & Technology, 2024, 47(11): 11-21.

[46]	武振国, 张耘恺, 李雪敏, 等. 内蒙古县域土地利用碳排放时空特征及影响因素[J]. 环境科学与技术, 2025, 48(5): 142-152.

[47]	Wu Zhenguo, Zhang Yunkai, Li Xuemin, et al. Temporal and spatial characteristics and influencing factors of carbon emissions from land use at county level in Inner Mongolia[J]. Environmental Science & Technology, 2025, 48(5): 142-152.

[48]	李沐寒, 陈天, 左明皓. 多尺度视角下城市空间形态对碳排放的影响--作用途径与关键议题[J]. 城市规划, 2025, 49(4): 105-114.

[49]	Li Muhan, Chen Tian, Zuo Minghao. Impacts of urban spatial morphology on carbon emissions from a multi-scale perspective: paths and key issues[J]. City Planning Review, 2025, 49(4): 105-114.

[50]	邹璇, 杨旭. 大城市周边县域城镇空间结构优化的碳减排效应--基于人口空间分布的视角[J]. 自然资源学报, 2025, 40(2): 330-349.

[51]	Zou Xuan, Yang Xu. Carbon emission reduction effects of optimizing the urban spatial structure of counties around large cities: from the perspective of population spatial distribution[J]. Journal of Natural Resources, 2025, 40(2): 330-349.

[52]	Wan J, Wu X, Li Y, et al. Driving factors and interactions of urban transportation carbon emissions: a case study of China[J]. Transportation Research Part D, 2025, 143: 104740.

[53]	嵇薪颖. 城市群交通碳排放的空间相关性与优化策略研究--以长三角城市群为例[J]. 上海城市规划, 2024(6): 87-93.

[54]	Ji Xinying. Study on the spatial correlation and optimization strategies of transportation carbon emissions in urban agglomerations: a case study of the Yangtze River Delta Urban Agglomeration[J]. Shanghai Urban Planning Review, 2024(6): 87-93.

[55]	宣蔚, 姚宇超, 赵力伟, 等. 多源数据视角下城市建成环境对城市活力空间分布的影响机制[J]. 科学技术与工程, 2023, 23(26): 11349-11363.

[56]	Xuan Wei, Yao Yuchao, Zhao Liwei, et al. The influence mechanism of urban built environment on the spatial distribution of urban vitality from the perspective of multi-source data[J]. Science Technology and Engineering, 2023, 23(26): 11349-11363.

[57]	罗丽, 赵彩云, 殷晓洁, 等. 典型石漠化地区碳储量估算及影响因子[J]. 科学技术与工程, 2025, 25(15): 6570-6578.

[58]	Luo Li, Zhao Caiyun, Yin Xiaojie, et al. Carbon storage estimation and influencing factors in a typical rocky desertification area[J]. Science Technology and Engineering, 2025, 25(15): 6570-6578.

[59]	程中海, 乔智宏, 南楠. 信息消费何以赋能城市活力?--基于需求侧和供给侧的双重视角[J]. 经济与管理研究, 2024, 45(11): 67-85.

[60]	Cheng Zhonghai, Qiao Zhihong, Nan Nan. How does information consumption empower urban vitality?: based on the dual perspective of demand side and supply side[J]. Research on Economics and Management, 2024, 45(11): 67-85.

[61]	黄庆洪, 张友水, 周溪松. 城市热形态指数构建与福州热岛效应评估[J]. 环境科学与技术, 2025, 48(12): 13-24.

[62]	Huang Qinghong, Zhang Youshui, Zhou Xisong. Construction of urban heat morphology index and evaluation of heat island effect in Fuzhou City[J]. Environmental Science & Technology, 2025, 48(12): 13-24.

[63]	唐春燕, 翁羽奇, 范胜龙. 福建省土地利用碳排放强度及其空间关联性研究[J]. 自然资源情报, 2023(11): 24-29.

[64]	Tang Chunyan, Weng Yuqi, Fan Shenglong. Carbon emission intensity of land use and its spatial correlation in Fujian[J]. Natural Resources Information, 2023(11): 24-29.

[65]	Jia M, Li Y, Jiang F, et al. Spatial distribution of urban anthropogenic carbon emissions revealed from the OCO-3 snapshot XCO₂ observations: a case study of Shanghai[J]. Remote Sensing, 2025, 17(6): 1087.

[66]	Ewing R, Cervero R. Travel and the built environment[J]. Journal of the American Planning Association, 2010, 76(3): 265-294.

[67]	余蕾, 盛业华, 刘星雨. 基于RAGA-PPM模型的城市活力评价方法研究--以南京市中心城区为例[J]. 地球信息科学学报, 2024, 26(11): 2567-2582.

[68]	Yu Lei, Sheng Yehua, Liu Xingyu. A method for evaluating urban vitality using the RAGA-PPM model: a case study of Central Nanjing[J]. Journal of Geo-information Science, 2024, 26(11): 2567-2582.

[69]	吴正杰, 马劲韬, 胡求光. 海洋强国战略对渔业经济高质量发展的影响研究--以中国沿海地区为例[J]. 海洋开发与管理, 2024, 41(11): 30-44.

[70]	Wu Zhengjie, Ma Jintao, Hu Qiuguang. The impact of maritime power strategy on high quality development of fishery economy: taking China’s Coastal Areas as an example[J]. Ocean Development and Management, 2024, 41(11): 30-44.

[71]	赵力伟, 宣蔚, 姚宇超, 等. 城市可步行性与综合活力的空间关联性研究[J]. 测绘科学, 2023, 48(9): 212-230.

[72]	Zhao Liwei, Xuan Wei, Yao Yuchao, et al. Study on the spatial correlation between urban walkability and comprehensive vitality[J]. Science of Surveying and Mapping, 2023, 48(9): 212-230.

[73]	汪成刚, 王波, 王琪智, 等. 城市活力与建成环境的非线性关系和阈值效应研究--以广州市中心城区为例[J]. 地理科学进展, 2023, 42(1): 79-88.

[74]	Wang Chengang, Wang bo, Wang Qizhi, et al. Nonlinear associations between urban vitality and built environment factors and threshold effects: a case study of central Guangzhou City[J]. Progress in Geography, 2023, 42(1): 79-88.

[75]	邓雯, 张红, 王艺, 等. 基于香农信息熵的印度土地利用格局演化与驱动因子研究[J]. 北京师范大学学报(自然科学版), 2024, 60(4): 551-561.

[76]	Deng Wen, Zhang Hong, Wang Yi, et al. Evolution pattern of land use and driving factors in Indiabased on Shannon information entropy[J]. Journal of Beijing Normal University(Natural Science Edition), 2024, 60(4): 551-561.

[77]	姜雪梅, 曹永强, 么嘉棋. 基于多源数据融合的辽宁省旅游业碳排放脱钩效应[J]. 生态学报, 2025, 45(24): 12401-12415.

[78]	Jiang Xuemei, Cao Yongqiang, Yao Jiaqi. Research on the decoupling effect of tourism carbon emissions in Liaoning Province based on multi-source data fusion[J]. Acta Ecologica Sinica, 2025, 45(24): 12401-12415.

[79]	周航, 赵先超. 基于网格尺度的长株潭城市群土地利用碳排放与生态风险的空间关系[J]. 生态学报, 2025, 45(22): 10898-10909.

[80]	Zhou Hang, Zhao Xianchao. Spatial relationships between land use carbon emissions and ecological risk in Changsha-Zhuzhou-Xiangtan urban agglomeration based on Grid Scale[J]. Acta Ecologica Sinica, 2025, 45(22): 10898-10909.

[81]	王劲峰, 徐成东. 地理探测器: 原理与展望[J]. 地理学报, 2017, 72(1): 116-134.

[82]	Wang Jinfeng, Xu Chengdong. Geodetector: principle and prospective[J]. Acta Geographica Sinica, 2017, 72(1): 116-134.

[83]	王浚沣, 刘玉亭, 刘于琪. 基于OPGD和MGWR的建成环境对城市活力的影响及其空间异质性研究--以广州市域为例[J]. 地理研究, 2025, 44(12): 3304-3321.

[84]	Wang Junfeng, Liu Yuting, Liu Yuqi. Impact of built environment on urban vitality and its spatial heterogeneity based on OPGD and MGWR: a case study of Guangzhou[J]. Geographical Research, 2025, 44(12): 3304-3321.

基金资助

国家自然科学基金青年科学基金(42201225)

福建省自然科学基金面上项目(2025J01372)

PDF (23156KB)

访问

被引

详细

导航

Received	Published	Revised
2025-11-10	2026-10-28	2026-04-21
Online Date
2026-11-10

摘要