最优尺度下上海各区基于消费的碳排放空间格局与影响因素

《Sustainable Cities and Society》：Spatial Pattern and Influencing Factors of Consumption-based Emissions in Districts of Shanghai at the Optimal Scale

　　**摘要要点**- 提出了一种在空间分析前量化最优尺度的框架。- 确定1600米网格为城市消费碳排放的最优尺度。- 居住可达性与建筑密度主导了碳排放的空间差异。- 人类与环境因素的交互作用驱动了碳排放的差异变化。**引言**在全球变暖加速的背景下，碳排放治理已成为全球可持续发展议程的基石。城市作为人类活动和能源消耗的主要中心，是碳排放的主要来源，因此其低碳转型对缓解全球气候变化至关重要。碳排放可从多种视角进行核算，包括生产视角（Jonas等，2018）、消费视角（Kander等，2015）、历史视角（Matthews，2016）、开采视角（Fabio等，2024）以及投入视角（Sai等，2017）。其中，基于消费的碳排放（CBE）捕捉了为满足最终需求而在整个供应链中产生的碳足迹。这一视角尤为有价值，因为它反映了跨区域隐含碳的转移，揭示了居民生活方式与消费选择对排放的影响，并纳入了超越行政与城市边界的碳足迹。通过超越传统的领土核算方式，CBE分析为理解排放驱动因素、供应链贡献及污染外包提供了关键洞见，从而支持更具协调性的区域脱碳战略（J. S. 和 Ken，2010）。自2000年以来，亚太地区已成为全球CBE的主要贡献者，并于2015年超越发达经济体，成为全球最大排放来源。在中国，快速的经济增长与不断提升的生活水平进一步加剧了居民消费相关的碳压力，使其通过支持环境公平的方式来引导消费模式显得日益重要（Pan等，2023）。现有关于CBE的研究主要分为三大脉络。第一，CBE的量化方法包括生命周期评估（Qi等，2025）、投入产出分析（Li等，2024）、消费生活方式分析（Zhu等，2025）以及碳排放因子核算（Pan等，2024），这些方法均依赖于材料、产品或服务的碳排放系数。第二，研究通过拉氏平均Divisia指数（LMDI）分解和Tapio脱钩指数考察CBE的驱动因素，并整合多源数据，从家庭、经济、能源、认知及政策等维度分析影响因素（Abdulraqeb等，2025；He等，2025；Zhao等，2025）。第三，研究聚焦于减排路径，在粮食、交通与住房等部门从家庭层面提出针对性策略，研究尺度横跨全球到城市级别（Su和Wen，2024；Makarov和Alata?，2024；Robaina和Cunha，2024；Yuan等，2025）。尽管该领域已取得重大进展，现有研究仍存在若干关键局限。首先，当前研究往往将尺度优化与空间分析割裂开来，分析尺度的选择主要依赖主观经验判断或单一维度标准（Henriksen等，2024）。因此，尚未建立起在研究空间格局及其潜在驱动机制之前系统识别最优分析尺度的综合框架。其次，大多数研究高度依赖行政区划作为基本分析单元（Shen等，2024）。尽管这种处理在操作上较为便利，但此类粗分辨率极易受到严重的边界效应和可变面元单元问题（MAUP）的影响（Deng等，2025），因而无法捕捉城市环境中CBE的精细化空间异质性。具体而言，在行政层级的空间聚合倾向于使多样化的消费行为同质化，掩盖局部的排放高峰和低值区域，并模糊人类活动与碳足迹之间的空间关联（Lloyd，2014）。由此，这些宏观层面的方法阻碍了对微观层面驱动机制的深入理解，妨碍了对关键排放源的精确识别，并最终削弱了空间精准低碳干预政策的有效性。为弥补这些研究空白，本研究将最优空间尺度的确定与CBE的空间分析相结合。具体而言，我们构建了一个多维度的定量评估框架，以严格而客观地确定最优网格尺度。在所选定的尺度下，我们在网格层面刻画了CBE的空间格局，并定量解析其潜在的驱动机制，从而克服了传统主观尺度选择固有的局限性。上海作为全球性特大城市的典型代表，具有人口密集、消费活动密集以及空间结构复杂的特征，是开展此类城市CBE精细化研究的高度代表性案例。为此，我们利用多源地理空间数据，首先通过综合考虑空间异质性、数据代表性和操作可行性的多维定量分析，借助客观统计指标确定最优分析尺度。在所选尺度下，我们考察了上海CBE的空间异质性与多中心分布格局。最后，采用参数最优的地理探测器模型，量化自然、社会经济与区位因素对CBE空间分异的独立作用与交互效应。最终，本研究旨在为世界各地同类特大城市的低碳空间治理提供理论洞见与实践范式。**研究区与数据概况**上海位于中国东部的长江三角洲冲积平原（图1），地形平坦低洼，气候属亚热带季风气候。这些环境条件塑造了居民的日常生活方式与能源消费行为，包括家庭用能和交通出行选择，而这些行为又与基于消费的碳排放内在相关。作为中国人口第二多的都市，上海常住人口为2487万……**跨尺度差异分析**使用Fragstats软件计算景观指数，得出上海在不同空间尺度下CBE的香农多样性指数和辛普森多样性指数（图2）。在多数尺度下，香农多样性指数超过4.0，仅在400米、2000米、2200米、2300米和2400米尺度下出现例外。类似地，辛普森多样性指数始终保持在0.95以上，其变化趋势与香农指数高度一致。这些结果表明，上海的CBE……**尺度约束下空间格局与驱动因素的交互逻辑**确定最优空间尺度对于准确分析城市CBE及其驱动因素至关重要。通过多源空间数据整合，本研究确定1600米网格为上海的最优分析尺度。我们的实证评估框架整合了景观格局指标与均值变点分析，从统计上证明该尺度在空间异质性与数据代表性之间的权衡中达到了协调，从而弥合了局部……**结论**在全球碳中和目标与中国"双碳"战略的迫切要求下，明确城市CBE的空间格局与驱动机制已成为大都市制定针对性减排政策、实现可持续城市转型的必要前提。以上海作为代表性案例，本研究构建了一个多维评估框架，以识别CBE空间分析的最合适网格尺度。在该尺度下……**未引用参考文献**Cui等，2026；D等，2023；D和Ken，2010；Enyan等，2023；Gang等，2021；He等，2024；Lei等，2024；Bashir等，2025；Li等，2023；Loredana等，2024；Bin和Dowlatabadi，2004；Tang和Tang，2024；Wang等，2024；Xu等，2025；Yue和Yang，2024；Chenchouni等，2025；Zhao等，2025；Zhao等，2025；Zhou，2024；Cheng等，2023**CRediT作者贡献声明****Liu Yaozong（刘尧宗）**：初稿撰写。**Li Junfeng（李俊峰）**：监督指导。**Fang Fengman（房风曼）**：审阅与编辑。**Xia Ling（夏玲）**：形式化分析。**Zhang Futian（张福田）**：验证、资源支持。**利益冲突声明**作者声明不存在已知的可能影响本文所报告工作的竞争性经济利益关系或私人关系。Liu Yaozong | Li Junfeng | Fang Fengman | Xia Ling | Zhang Futian