住宅部门是全球气候缓解的关键领域[1]，住宅建筑占全球总碳排放量的17%和最终能源消耗量的21%[2]。在中国这个最大的碳排放国，这一挑战尤为突出[3,4]。城市住宅建筑的碳排放量每年增长超过5%[5]，这与国家雄心勃勃的“双碳”目标（2030年达到碳排放峰值，2060年实现碳中和）及相关政策举措形成鲜明对比[6,7]。这种差异凸显了迫切需要采取有针对性的有效干预措施来减少住宅区的碳排放[8,9]。
大城市在这方面的作用至关重要，快速的城市化和人口集聚推动了能源需求的激增[10],[11],[12],[13]。大城市的住宅区扩张加剧了建成环境（BE）因素（包括建筑物、铺砌的道路和支持性基础设施）对碳排放的影响[14],[15],[16]。北京就是这一挑战的典型代表[17,18]。尽管产业结构的调整降低了建成区的单位面积排放量[19]，但该市庞大的建筑存量、密集的人口和高能源消耗仍给脱碳带来了巨大压力[20,21]。2022年的《北京城市更新白皮书》指出有2.45亿平方米的建筑需要更新[22]，而人均住宅能源消耗量从2013年起增加了24.5%，达到852.1公斤碳当量[23]。作为低碳峰值的试点城市，北京在住宅碳排放减排方面的探索为全球大城市的可持续发展提供了重要启示[24]。
有效的碳治理需要在适当的空间尺度上进行干预。在北京，住宅街区是精确碳排放管理的基本空间单位。街区被定义为包含建筑群落的封闭街道区域[25]，是实施《北京 regulatory planning》（规划法规）的主要操作单元。这一法定工具将广泛的区域发展战略转化为具体的建设控制和资源分配规则。历史上，规划法规通过其指标框架塑造了街区层面的建成环境；2022年修订版的规划涵盖了六个类别（规模结构、绿色生态、共享生计、便捷交通、基本保障和文化景观）以及52个直接影响碳排放的指标（通过土地使用和建筑配置）。这一规划系统的一个关键但未被充分利用的特点是其基于规划实施率（PIR）的适应性治理潜力，PIR衡量的是街区内的建成面积比例。利用PIR对街区进行分类，并建立街区类型与排放阈值之间的联系，可以将规划法规转化为一个强大的、有针对性的低碳治理工具。
大量研究已经量化了碳排放的时空模式。包括全局和局部Moran’s I在内的空间自相关方法已成为通过排放热点识别动态优先干预区域的主要手段[26,27]。同时，对碳排放驱动因素的探索也从分析土地使用过程[28]，发展到解读时空异质性和非线性动态。方法论上，研究从地理加权回归[29,30]发展到地理和时间加权回归（GTWR），揭示了建设用地的复杂作用[31]。最近，机器学习技术，特别是随机森林（RF）算法，展示了捕捉复杂非线性关系[32]、识别关键建成环境决定因素[33]以及通过偏依赖图（PDP）量化排放阈值[34]的强大能力。这些进展强调了建成环境作为关键中介的作用，各种因素从宏观层面的驱动因素（如区域可达性、经济规模）到微观街区属性（如土地使用多样性、街道设计）都对其产生影响[35],[36],[37]。
尽管取得了这些进展，但在实际规划干预中仍存在显著的研究空白，尤其是在街区层面。首先，关注城市层面城市化和土地使用模式的宏观分析掩盖了住宅功能区特有的排放情况，而这些区域是日常生活和能源消耗的集中地[31]。其次，街区层面碳排放的时空特征尚未得到充分探索。宏观层面的或过于简化的建成环境因素不能直接用于制定特定街区的减排策略[38]。第三，住宅街区中建成环境因素的空间异质性和多维复杂性阻碍了针对性政策的实施[39,40]。因此，将识别的阈值机制转化为法定规划控制仍是一个关键且未被充分研究的障碍。
本研究通过构建一个综合分析框架来填补这些空白，研究北京住宅街区内碳排放的时空模式及其对建成环境因素的响应。利用多源地理空间数据，我们量化了2000–2022年的碳排放量、2013–2022年的建成环境因素以及2022年的规划实施率。我们的方法采用了渐进式的混合方法：(a) 空间自相关分析用于诊断时空模式并识别优先区域（“在哪里”）；(b) 斯皮尔曼相关性分析用于探索建成环境因素与碳排放之间的统计关联（“是否/多少”）；(c) 随机森林建模结合偏依赖图用于挖掘驱动机制并识别非线性阈值（“如何/阈值”）。
该框架有两个核心贡献。首先，我们通过结合基于PIR的街区分类和混合空间-统计-机器学习方法，提供了微观层面的见解，有效分离了多维建成环境因素对碳排放的协同效应和阈值效应，超越了线性假设和单一方法的局限性。其次，我们建立了一个可复制的、适应性的低碳街区治理模型。通过将实证阈值转化为北京规划法规的可操作信息，本研究架起了机制理解与法规实施之间的桥梁，为全球大城市实现了精确的碳排放管理。
