基于街道单元的北京中心城区碳排放时空变化研究

陈凤 尤瑛圻 刘贵利 陈帆

［摘要］以北京市第六次和第七次人口普查数据为基础，按照街道人口分布，估算中心城区121个街道（乡镇）的碳排放，通过运用空间自相关法，并结合街道单元的主导用地功能，分析了2010—2020年这些街道单元的碳排放时空变化特征。结果显示：1）中心城区街道的碳排放总体呈下降趋势，但不同街道的降碳效果差异显著；2）街道单元的主导用地功能被划分为5种单一功能单元和10种混合功能单元，它们的降碳效果存在差异；3）在降碳效果方面，单一功能单元转变为以景观休闲为主导时，降碳效果最为显著，当混合功能单元转变为以商业、居住、产业或公共服务为主导的单一功能时，降碳效果受到一定的抑制；4）以公共—居住和商业—居住混合功能为主导的高碳排放街道单元在空间上有聚集效应，景观休闲功能对于维持街道单元低碳排放状态有一定的积极作用。

［关键词］碳排放；空间自相关；主导功能识别；街道单元

［中图分类号］X 321;TU 984［文献标志码］A［文章编号］10050310（2024）03005408

Research on Spatiotemporal Changes of Carbon Emissions

Based on

Subdistrict Units in Beijing City

CHEN  Feng1， YOU Yingqi1， LIU Guili1， CHEN  Fan2

（1.College of Applied Arts and Science，Beijing Union University， Beijing 100191，China；2.Appraisal Center for

Environment and Engineering，Ministry of Ecology and Environment， Beijing 100041，China）

Abstract： Based on the data from the 6th and 7th population censuses of Beijing， the carbon emissions of 121 subdistricts in the central urban area of Beijing were estimated according to the distribution of street population. By using spatial autocorrelation method and combining with the dominant land use function of subdistrict units， the spatiotemporal variation characteristics of carbon emissions of these subdistrict units from 2010 to 2020 were analyzed. The results show that： 1） The carbon emissions of subdistricts in the central urban area are generally decreasing， but the carbon reduction effects of different streets vary significantly; 2） The dominant land use functions of subdistrict units are divided into 5 single functional units and 10 mixed functional units， and their carbon reduction effects vary; 3） In terms of carbon reduction effect， when a single functional unit is transformed into a landscape leisureoriented unit， the carbon reduction effect is most significant， while when a mixed functional unit is transformed into a single functional unit dominated by commercial， residential， industrial or public services， the carbon reduction effect is somewhat inhibited; 4） High carbon emitting subdistrict units dominated by public residential and commercial residential mixed functions have a clustering effect in space， while landscape leisure functions have a certain positive effect on maintaining the lowcarbon emission status of subdistrict units.

Keywords： carbon emissions；spatial autocorrelation；identification of dominant functions；subdistrict units

近年來，全球变暖所带来的环境、经济和社会问题日益凸显，低碳发展理念已成为世界各国的共识。在碳排放核算领域，我国学者的研究涉及能源、工业、交通、废物处理等多方面，研究重点集中在国家、地区和行业层面。这些研究普遍遵循了政府间气候变化专门委员会（Intergovernmental Panel on Climate Change，IPCC）于2006年发布的《IPCC国家温室气体清单编制指南》以及我国国家发展改革委办公厅发布的《省级温室气体清单编制指南》［1-3］。在碳排放的空间分布特征研究方面，各界学者主要关注碳排放的时空演变规律、空间溢出效应以及空间相关性，通常运用地理加权回归模型、泰尔指数和空间计量等方法进行分析。部分学者还针对不同行业，如建筑业［4］、旅游业［5］、制造业［6］和交通［7］等领域进行了深入研究。曾珏等运用空间自相关分析了省域物流业的空间差异特征，发现我国物流业碳排放存在显著的正向关联性［8］；刘汉初等提出，我国高耗能产业在空间上呈现 “西高东低”与“北高南低”并存的分布格局，具有显著的空间自相关性［9］。同时，也有学者从不同尺度研究碳排放的时空特征，研究区域主要集中在黄河三角洲、长江三角洲地区、京津冀地区以及相关省、市。如：王少剑等运用地理加权回归模型对中国省域碳足迹的空间差异和多机制进行了研究，指出人口增长和经济发展是碳足迹快速增长的主要影响因子［10］；韦彦汀等则从区域角度出发，选取成渝城市群为研究对象，运用空间计量法分析了该城市群碳排放的时序特征和空间差异［11］。

现有的碳排放空间分布研究呈现以下特点：首先，大部分研究集中于宏觀尺度，以全国、省级或典型的区域为研究对象，对微观尺度碳排放系统和空间异质性的研究相对较少；其次，碳排放的研究多聚焦于能源消耗、行业、交通等领域，对土地使用功能与碳排放关系的研究相对不足。本研究选取北京中心城区121个街道（乡镇）作为研究对象，采用碳排放系数法估算碳排放，综合考虑微观尺度和空间相对可比性，运用空间自相关法，并结合街道功能进行分析。旨在通过研究北京市不同街道碳排放本文中的街道碳排放是指以街道办事处行政管理为测算单元的碳排放量，简称街道碳排放。的时空分布特征，分析其分布规律和变化趋势，并提出相关建议，为北京市的降碳减排和环境治理提供科学依据，助力城市实现碳中和目标。

1研究方法和数据来源

1.1研究方法

1.1.1碳排放估算方法

本研究基于土地利用碳源，参考相关文献［12-14］，结合数据的可获取性，以能源消耗、工业产品生产和废弃物处理为主要指标，对北京市街道碳排放进行估算。首先，从能源消费（E）、工业产品生产（D）和废弃物处理（W）3个方面对各区的碳排放（C）进行核算；其次，利用北京市第六次和第七次人口普查的乡镇、街道数据，进一步核算北京中心城区121个街道的碳排放（见式（1））。

能源消费碳排放的核算采用北京市2010年和2020年的终端能源（不包括电力）消费数据，依据《2006年IPCC国家温室气体清单指南》中的方法［15］（见式（2）），并参考《省级温室气体清单编制指南》（发改办气候〔2011〕1041号）中确定的各类能源碳排放参考系数［16］，根据《中国能源统计年鉴2021》确定了能源折标系数。具体计算公式如下：

式中：EC为能源消费的CO2排放总量；

i为某类能源；SC为某类能源消耗总量；CAL为某类能源的平均低位发热量；Cc为某类能源的含碳量；CO为某类能源的碳氧化率；44/12为C转换为CO2的转换系数。

在工业产品生产碳排放的计算中，通常只考虑水泥和钢材生产过程中的碳排放（见式（3））。如果一个城市所使用的水泥、钢材等工业品消费量超过其生产量，则可能存在较大的隐含碳排放［17-18］（见式（4））。

北京市生态环境局发布的北京市固体废物污染环境防治信息显示：北京生活垃圾处理以卫生填埋、焚烧和堆肥为主。不同的垃圾处理方式会产生不同的碳排放。本研究采用质量平衡法［19］测算生活垃圾的碳排放。卫生填埋处理产生的温室气体主要是甲烷（CH4）（见式（5）、式（6）），焚烧产生的温室气体则是二氧化碳（CO2）［20］（见式（7）），而堆肥处理同时计算CH4和氧化亚氮（N2O）的排放量［21］（见式（8）、式（9））。此外，参照CH4产生的温室效应是相同质量CO2的21倍，N2O产生的温室效应是相同质量CO2的298倍［21］，折算出2010年、2020年北京中心城区生活垃圾处理碳排放。

式（5）中：ECH4为填埋场CH4的排放量，万t/a；MSW0为生活垃圾填埋处理量，万t/a；L0为CH4产生潜力，以每万t废物产生的CH4量计算，t/万t；R为CH4回收量，取值0［21］，万t/a；OX为氧化因子，取值01［21］，%；式（6）中：MCF为CH4修正因子，取值09［22］；DOC为垃圾中可降解的有机碳含量，取值015［23］；DOCF为可降解有机碳占比，取值05［24］；F为垃圾填埋产生的气体中CH4的占比，取值0.5［25］；16/12为C转换为CH4的转换系数。

式（7）中：ECO2为垃圾焚烧过程中CO2的排放量，万t/a；MSWS为焚烧处理的生活垃圾量，万t/a；CCW为焚烧垃圾中碳的比例，取值20［24］，%；EF为垃圾焚烧过程中焚烧炉的燃烧效率，取值95［24］，%；FCF为焚烧垃圾中矿物碳占碳总量的比例，2010年和2020年分别取值317和37［21］，%；44/12为C转换为CO2的转换系数。

式中：ECH4为堆肥处理CH4的排放量，万t/a；EN2O为堆肥处理N2O的排放量，万t/a；MSWL为堆肥处理生活垃圾处理量，万t/a；EFC为对堆肥处理CH4排放因子，取值4［23］，g/kg；EFN为堆肥处理N2O排放因子，取值0.3［23］ ，g/kg。

1.1.2街道单元的主导功能判别

本研究借鉴已有的研究方法，采用用地功能单元的定量识别方法，并引入公众认知度作为权重，对诸多大型商场（购物中心）、大学（高等院校）、医院（专科医院）、政府机构（市委、市政府及以上单位）、风景名胜（风景区、景点、公园）等具有地标性的POI赋予相应权重，即大型商场16、大学13、医院10、政府机构7、风景名胜16［2628］。通过增权POI数量，如，某大学原来仅有一个POI，其权重为13，则该大学POI的计算数量为13个。计算公式为

式中：i表示POI类型，Ni表示研究单元内第i类POI数占该类POI总数的频数密度；Ci表示第i类POI频数密度占研究单元内所有类型POI频数密度的比例。

根据上述公式计算出每个单元的频数密度比例，以判别其主导功能。现有研究大多以50%作为判断标准，即如果某研究单元内某类POI频数密度大于50%，则该单元被视为单一功能单元，否则，为混合功能单元。这种方法虽然精确度较高，但鉴于本研究是以街道为研究单元，研究区域内POI的频数密度差值较为平均，因此功能划分效果并不理想。郭亚峰等提出以各类POI频数密度比例之间的差值作为主导功能划分依据［28］。即如果某单元内频数密度比例最高的POI与次高的POI比值相差超过10%，则判定此单元为单一功能单元。对于混合功能单元，则根据单元内POI频数密度比值之差小于10%的POI类型进行划分。例如，某单元内频数密度比例最高的为a类POI，次高为b类POI，该单元可称为ab混合功能单元。

1.1.3空间自相关分析

本研究运用探索性空间数据分析方法（ESDA）中的全局空間自相关和局部空间自相关，对北京中心城区121个街道（乡镇）碳排放进行空间异质性和聚集性特征分析。其中，全局空间自相关能够描述空间要素属性值在区域内的空间关联特征，同时体现相邻区域属性值的相关性，常用Morans I指数表示；局部空间自相关能够揭示局部区域内空间的异质性。计算公式为

式中：I为Morans指数，n为研究单元数量；X为要素x的平均值；

S为要素x的标准差；Wij为要素i和j之间的空间权重；Ii为局部Morans I。Morans I取值区间为［-1，1］，当I>0时，表示空间分布呈正相关，碳排放较高或较低的区聚集在一起；当I=0时，表示空间分布无相关，碳排放缺乏空间关联性；当I<0时，表示空间分布呈负相关，相邻区的碳排放存在差异。

式中：E（I）表示Morans I指数的期望值；V（I）表示Morans I指数的方差。当Z（I）>196时，说明变量在P=5%的显著水平上通过检验。

1.2数据来源与预处理

本研究中碳排放核算所使用的能源消费、房屋竣工量、水泥生产量和生活垃圾处理量等数据，主要来源于《中国能源统计年鉴》《北京市国民经济和社会发展统计公报》《北京市区域统计年鉴》《北京市统计年鉴》以及国家统计局。街道人口数据则来源于城市人口网站，北京市乡镇边界矢量数据来源于OpenStreetMap。本研究选取2020年的行政区划为样本，根据街道（乡镇）人口普查数据，对街道（乡镇）矢量数据进行校对与合并。使用Arcgis102软件进行裁剪，最终得到2010年和2020年北京中心城区121个街道（乡镇）的数据。

①由于未能获取北京市2010年POI数据，考虑到时间跨度不大，本文用2012年POI数据进行处理，划分结果代表2010年街道（乡镇）的功能。

在街道功能识别方面，本研究利用Python爬取了高德开放平台提供的北京市2012年和2020年的POI数据，划分出121个街道（乡镇）在2010年和2020年的街道功能①，对获取的数据进行清洗，剔除与功能单元识别不相关的POI，如公厕、ATM、自然地名、门牌等，再通过定义投影、坐标转换、裁剪、合并等预处理步骤，将POI数据划分为居住、商业、产业、公共服务和景观休闲五大类。

2碳排放时空变化分析

2.1碳排放时间变化特征

依据上述碳排放测算公式，本研究估算了北京中心城区121个街道（乡镇）2010年和2020年的碳排放，之后，根据2010年碳排放的自然断点法数值标准，将这两个年份内的街道（乡镇）分为5个等级（见图1）。Ⅰ～Ⅴ级街道的碳排放依次递增，级别的降低代表碳排放的减少程度。由图1可知，从2010年至2020年，北京中心城区121个街道（乡镇）的碳排放等级明显降低，碳排放显著减少。Ⅰ级街道单元数量从48个增加到96个，Ⅴ级街道单元数量降至0。此外，选取的街道单元在中心城区街道单元总数中占比较大，这一数据在很大程度上反映了10年间街道碳排放的时空变化特征，也反映了北京中心城区街道单元10年间碳排放整体呈显著下降趋势。另外，街道等级的空间分布呈区块状特征，由此推测，北京中心城区街道（乡镇）的碳排放可能存在一定的空间关联性。

具体来看，2010年至2020年，北京中心城区121个街道（乡镇）的碳排放出现了不同程度的降级或等级不变的情况，没有一条街道的碳排放等级出现回升，这说明中心城区采取的降碳减排措施已取得了实质性效果。为了进一步分析这些街道单元的降碳效果，本研究通过计算10年间的碳排放变化率，来反映街道单元的降碳幅度，并将街道单元的降碳幅度分为3个等级（见图2）。即变化率小于02为轻度下降，变化率位于（02～05）之间为中度下降，变化率大于05为高度下降。据统计，高度下降的街道单元数量有86个，71%的街道单元的降碳幅度超过了50%，26%的街道单元的降碳幅度超过了60%。

2.2碳排放空间变化特征

2.2.1街道空间用途划分

为了进一步探究街道碳排放空间变化特征，本研究运用空间自相关法，对北京中心城区121个街道（乡镇）在2010年和2020年的街道功能类型变化情况进行了分析。根据功能单元的判定标准，识别出商业、产业、居住、公共服务和景观休闲等5种单一功能单元，以及公共—居住、产业—商业和商业—居住等10种混合功能单元。数据显示：2010年，121个街道单元产生了40个单一功能单元和81个混合功能单元；到2020年，单一功能单元减少至32个，混合功能单元则增加至89个。

①本文所有图基于国家地理信息公共平台GS（2022）0002号专题地图制作，底图无修改。

从碳排放的角度来看，在单一功能单元街道中，景观休闲功能单元的碳排放平均值分别为45万吨和16万吨，均低于其他单一功能单元的碳排放均值。这些街道公园、广场、步行街等休闲场所较多，大型建筑和设施较少，绿化覆盖率较高，交通需求和能源消耗较低。在10种混合功能单元中，商业—居住的碳排放平均值分别为95万吨和47万吨，均高于其他混合功能单元的碳排放均值。这主要是因为这类街道人口密度高、交通需求大、建筑体积大、能源消耗高。

从降碳效果的角度来看，91个街道单元的功能类型发生了变化，包括25个单一功能单元和66个混合功能单元。对比分析两个功能单元的降碳幅度，研究发现由单一功能单元转变为混合功能单元的降碳幅度约为53%，混合功能单元转变为单一功能单元的降碳幅度约为48%，混合功能单元之间转变的降碳幅度约为52%，单一功能单元之间转变的降碳幅度约为57%。值得注意的是，当混合功能单元转变为以景观休闲为主导的单一功能单元时，降碳幅度提升了约10%。在功能类型未发生变化的30个街道单元中，单一功能单元和混合功能单元数量各占一半。混合功能单元的降碳幅度约为55%，单一功能单元的降碳幅度约为58%，其中，以景观休闲为主的单一功能单元占73%。这说明，当街道单元功能由单一功能转变为以景观休闲为主导功能时，其降碳效果最佳。相反，混合功能单元转变为以商业、居住、产业或公共服务为主导的单一功能单元，则会对降碳效果产生一定的抑制作用。因此，在未来街道规划和建设中，应适当增加景观休闲区域，这不仅有助于保持街道的低碳排放状态，还能提高街道的环境质量和居民的生活品质。

2.2.2空间关联性分析

1）全局自相关

本研究运用全局Morans  I指数来描述街道碳排放与地理空间的相关性。北京中心城区121个街道（乡镇）2010年和2020年碳排放的全局Morans I指数如表1所示，两个年份的Morans I指数估计值都大于0，正态统计量Z值均大于005，置信水平的临界值为196，数据均通过显著性检验。这一结果说明，北京中心城区的街道碳排放在空间上存在显著正相关性，即某个街道的碳排放会受到周围街道碳排放的正向影响，呈现显著的聚集分布态势。从全局Morans I指数变化趋势来看，两个年份的空间自相关性有所增强，这意味着碳排放较高或较低街道的聚集分布状态也呈现递增趋势。

2）局部自相关

为了探究相邻街道碳排放的空间相关性、空间分异特征及空间聚集或离散程度，本研究运用局部空间自相关检验并结合LISA图进行分析（见图3）。LISA图分为高—高（H.H）聚集区、低—低（L.L）聚集区、高—低（H.L）聚集区、低—高（L.H）聚集区和不显著区域。H.H和L.L聚集区的街道碳排放与相邻街道碳排放之间存在空间正相关，H.L和L.H聚集区则相反。由此可见，北京中心城区121个街道（乡镇）碳排放主要位于HH和LL聚集区，说明中心城区街道碳排放呈高高和低低的空间关联模式。

2010—2020年，北京中心城区121个街道（乡镇）单元的碳排放在空间分布上具有显著的空间自相关性，并呈现出相对稳定的空间聚集性（见表2）。在此期间，LL聚集区的街道单元数量增加了42%，其他3个聚集区数量的相对稳定，说明街道碳排放的LL聚集效应在逐渐增强。具体来看，32个街道单元的聚集状态相对稳定，8个街道单元一直处于HH聚集区，2个街道单元一直处于LH聚集区，19个街道单元一直处于LL聚集区，3个街道单元一直处于HL聚集区。

本研究结合街道单元降碳效果及其功能特性，具体分析了2010—2020年北京中心城区121个街道（乡镇）4个聚集区的特征。在HH聚集区中，2010年有9个街道单元，包括两个以商业、产业为主的单一功能单元和7個以产业、居住、商业、公共服务两两混合的混合功能单元。10年间，单一功能单元的降碳平均量为97万吨，混合功能单元的降碳平均量为67万吨。虽然碳排放均有明显下降，但2010年9个处于

H.H聚集区的街道单元中有8个街道单元在2020年仍处于该聚集状态，且这8个街道单元的主导功能发生了变化，主要以公共—居住和商业—居住混合功能为主。说明以公共—居住和商业—居住混合功能为主导的高碳排放街道单元在空间上有聚集效应，这是北京中心城区街道未来减碳的主要压力。

2010年，在L.H聚集区中有3个街道单元，其中有两个以景观休闲和产业为主导的单一功能街道单元，1个以公共—商业为主导的混合功能街道单元。10年间，单一功能单元转变为混合功能单元的降碳幅度约为55%，混合功能单元转变为以公共服务为主导的单一功能单元的降碳幅度仅为3%。到2020年，L.H聚集区的3个街道单元的主导功能均具有景观休闲特征，该类街道自身碳排放较低，但周边街道碳排放较高。

从以上数据从侧面说明，混合功能单元转变为除景观休闲功能以外的单一功能单元的降碳效果不佳，而以景观休闲功能或景观混合功能为主导的街道单元的碳排放普遍较低。

2010年，在L.L聚集区中有19个街道单元，其中单一功能单元中以景观休闲为主的街道占80%，混合功能单元中景观混合型街道占36%，主导功能具备景观休闲功能的街道单元在这类街道单元中占比较大。10年间，该类街道单元的降碳平均量为18万吨，部分街道单元的主导功能向景观休闲功能转变，且该聚集区的街道单元数量在原有基础上有明显增加，说明景观休闲功能对街道单元维持低碳排放状态有一定积极作用。

2010年，在H.L聚集区中有3个街道单元，均为居住—商业混合功能单元，碳排放均相对较高。10年间，降碳幅度约为53%，到2020年，有3个街道单元仍处于该类聚集区，且街道单元的主导功能基本没有变化。该区域的特征是自身的碳排放较高，但周边街道的碳排放较低，说明以商业—居住混合功能为主导的街道单元碳排放普遍较高。

3结论与讨论

3.1结论

本研究以北京中心城区121个街道（乡镇）单元为研究对象，研究了2010—2020年间这些街道单元的碳排放时空变化特征，得到以下结论：

1）中心城区街道碳排放总体呈下降趋势。研究将街道单元根据碳排放量从小到大分为Ⅰ～Ⅴ级。令人欣喜的是，到2020年，Ⅰ级街道单元的数量从48个增加至96个，Ⅴ级街道单元的数量减少至0个。这一显著变化说明北京中心城区121个街道（乡镇）在碳排放上都取得了显著成效，其中，71%的街道单元的降碳幅度超过50%，26%的街道单元的降碳幅度甚至超过60%。

2）根据街道单元的主导用地功能，本研究将121个街道（乡镇）单元划分为居住、商业、产业、公共服务和景观休闲等单一功能，以及多种类混合功能的街道单元，不同功能的街道单元的降碳效果有一定的差异。

3）在碳排放方面，以景观休闲功能为主的单一功能街道的碳排放最低，以商业—居住为主的混合功能街道单元的碳排放最高。在降碳方面，当街道单元的功能从单一功能向以景观休闲为主导功能转变时，降碳效果最为明显；混合功能单元向以商业、居住、产业或公共服务为主导的单一功能单元转变时，降碳效果受到一定程度的抑制。

4）中心城区街道碳排放的全局空间自相关性显著，随着时间的推移，相关性有所增强，聚集效应不断提升。同时，街道碳排放也表现出局部自相关性，主要呈现

H.H和L.L聚集的特征，H.H聚集区的效应相对稳定，L.L聚集区的效应在逐渐增强。

5）通过局部自相关分析发现，以公共—居住和商业—居住混合功能为主导的高碳排放街道单元在空间上有聚集效应，景观休闲功能对于保持街道单元的低碳排放状态有一定的积极作用。

3.2讨论

本研究发现，2010—2020年，虽然北京部分街道的人口数量有所增长，碳排放却呈下降趋势，这一现象反映出近年来北京市实施的一系列降碳减排措施取得了显著成效，包括功能疏解、城市绿化、垃圾分类和处理、企业碳排放标准提高、机动车限行、公共交通网络建设和优化、环保监督加强、清洁能源以及节能减排技术推广等。研究还发现，单一功能街道与混合功能街道对碳排放的影响差异并不显著，但在降碳效果上，具有景观休闲功能的街道有显著的优势，对提升降碳效果有明显的推动作用。因此，在未来街道的更新和建设中，应更加注重景观休闲功能的发展和提升。同时，研究也暴露出一些问题，部分街道单元的碳排放变化不大，降碳效果不明显，一方面说明这些地区的降碳减排工作面临着新的挑战，未来的工作任重道远。另一方面反映出本研究在碳核算方面选取的指标还有待完善，未来研究应进一步探讨估算街道碳排放的方法。

［参考文献］

［1］孙建卫，赵荣钦，黄贤金，等.1995—2005年中国碳排放核算及其因素分解研究［J］.自然资源学报，2010，25（8）：1284-1295.

［2］赵欣，龙如银.江苏省碳排放现状及因素分解实证分析［J］.中国人口·資源与环境，2010，20（7）：25-30.

［3］刘明达，蒙吉军，刘碧寒.国内外碳排放核算方法研究进展［J］.热带地理，2014，34（2）：248-258.

［4］王越.中国建筑业碳排放强度时空差异及影响因素研究［D］.哈尔滨：哈尔滨师范大学，2021.

［5］王凯，肖燕，李志苗，等.中国旅游业CO2排放区域差异的空间分析［J］.中国人口·资源与环境，2016，26（5）：83-90.

［6］XU B，XU L，XU，R J，et al.Geographical analysis of CO2 emissions in Chinas manufacturing industry：a geographically weighted regression model［J］.J Clean Prod，2017，166（10）：628-640.

［7］YING L A，CHAO F B.Decouple transport CO2 emissions from Chinas economic expansion： a temporalspatial analysisScienceDirect［J］.Transportation Research Part D： Transport and

Environment，2020，79（2）1-16.

［8］曾珏，周叶.中国省域物流业碳排放空间差异分析［J］.物流科技，2019，42（6）：113-119.

［9］刘汉初，樊杰，曾瑜皙，等.中国高耗能产业碳排放强度的时空差异及其影响因素［J］.生态学报，2019，39（22）：8357-8369.

［10］WANG S， FANG C， GUAN X， et al. Urbanisation， energy consumption， and carbon dioxide emissions in China： a panel data analysis of Chinas provinces［J］.Applied Energy，2014（136）：738-749.

［11］韦彦汀，李思佳，张华.成渝城市群碳排放时空特征及其影响因素［J］.中国环境科学，2022，42（10）：4807-4816.

［12］方琦，钱立华，鲁政委.我国实现碳达峰与碳中和的碳排放量测算［J］.环境保护，2021，49（16）：49-54.

［13］王伟歌.城市碳排放测算研究——以郑州市为例［J］.环境科学与管理，2015，40（4）：13-16.

［14］唐伟，郑思伟，何平，等.杭州市城市生活垃圾处理主要温室气体及VOCs排放特征［J］.环境科学研究，2018，31（11）：1883-1890.

［15］李惠民，张西，张哲瑜，等.北京市碳排放达峰路径及政策启示［J］.环境保护，2020，48（5）：24-31.

［16］宋明智.北京城市碳排放量与影响指标分析［J］.环境工程，2016，34（S1）：1125-1131.

［17］钱杰.大都市碳源碳汇研究——以上海市为例［D］.上海：华东师范大学，2004.

［18］娄伟.城市碳排放量测算方法研究——以北京市为例［J］.华中科技大学学报（社会科学版），2011，25（3）：104-110.

［19］WANG， H，WANG C M.Municipal solid waste management in Beijing： characteristics and challenges［J］.Waste Manage， 2013，31（1）67-72.

［20］邹琼，付君哲，杨丽琼，等.云南省城市生活垃圾处理温室气体排放特征［J］.资源开发与市场，2021，37（2）：141-145.

［21］刘春红，郝学军，刘枫.北京市城市生活垃圾处理温室气体排放特征及减排策略［J］.环境工程技术学报，2022，12（4）：1041-1047.

［22］蔡博峰，刘建国，曾宪委，等.基于排放源的中国城市垃圾填埋场甲烷排放研究［J］.气候变化研究进展，2013，9（6）：406-413.

［23］仲璐，胡洋，王璐.城市生活垃圾的温室气体排放计算及减排思考［J］.环境卫生工程，2019，27（5）：45-48.

［24］省级温室气体清单编制指南（试行 ）［EB/OL］.（2020-03-19）［2023-10-20］.http：//www.ncsc.org.cn/SY/tjkhybg/202003/t20200319_769763.shtml.

［25］雷钦平.炉排式生活垃圾焚烧炉技术及应用［J］.重庆科技学院学报（社会科学版），2011，155（16）：71-72.

［26］赵卫锋，李清泉，李必军.利用城市POI数据提取分层地标［J］.遥感学报，2011，15（5）：973-988.

［27］池娇，焦利民，董婷，等.基于POI数据的城市功能区定量识别及其可视化［J］.测绘地理信息，2016，41（2）：68-73.

［28］郭亚峰，蓝贵文，范冬林，等.基于POI数据的城市功能区识别［J］.桂林理工大学学报，2022，42（3）：655-662.