衡量荷兰社区层面城市形态对居民能源消耗的影响

《Sustainable Cities and Society》：Measuring the Impact of Urban Morphology on Residential Energy Consumption at the Neighborhood-level in the Netherlands

　　韩宇|明明·胡|阿诺德·图克|彼得·贝里
莱顿大学环境科学研究所（CML），邮政信箱9518，2300 RA 莱顿，荷兰

**摘要**
在荷兰，2022年住宅部门占总最终能源消耗的16.8%，其中大部分来自天然气。目前旨在减少住宅能源消耗的政策和标准主要集中在提高建筑物和家电的性能上。以往关于城市热岛（UHI）效应的研究一致表明，城市地区通常比周围地区更温暖，而一些研究进一步指出，土地利用类型的空间布局可以调节局部微气候条件，这可能会反过来影响当地的能源消耗。然而，对城市形态对住宅能源消耗影响的评估仍然有限，尤其是在冬季的供暖需求方面。在这项研究中，我们开发了一个系统框架来定义和分类社区尺度的城市形态指标。我们将这一框架应用于荷兰的各个社区，并使用空间杜宾模型（Spatial Durbin Model）来估计城市形态对人均住宅能源消耗（REPC）的影响，同时考虑了景观指标、建筑特征和人口统计指标。研究结果表明，更加紧凑的建筑环境和分散的水体与较低的能源消耗相关，而树木和草地覆盖的绿色基础设施则与REPC呈相反的关系。总体而言，除了建筑特征和人口统计特征的重要影响外，土地利用的组成和配置也与REPC显著相关。这些发现展示了社区尺度城市形态在塑造住宅能源消耗中的作用，并为以供暖为主的气候条件下的景观规划提供了启示。

**1. 引言**
预计在未来30年内，世界城市人口将增加25亿（Mahtta等人，2022年），这预计将加速城市化进程，并导致土地利用和土地覆盖（LULC）的深刻变化。城市扩张通常涉及将自然和农业用地转变为建成区，从而导致不透水表面的扩大和城市形态的重组（Frolking等人，2024年；Liu等人，2020年）。许多研究发现，这种转变加剧了城市热岛（UHI）效应，因为不透水表面吸收并保留热量，从而提高地表温度（LST）（Dev Roy等人，2025年；Kara和Yavuz，2025年）。然而，尽管与夏季热条件相关的不良公共卫生影响已有充分记录，但UHI效应的季节性变化，特别是其对冬季住宅能源消耗的潜在差异性影响，仍需要进一步研究。诸如数据可用性有限、变量特征不一致以及气候背景和空间尺度差异等挑战继续加剧了这一知识空白（Li等人，2023年；Yu等人，2020年）。解决季节性动态问题对于制定更全面和平衡的城市气候适应策略也很重要。

在减少建筑或住宅能源消耗的背景下，不同类型的LULC已被证明具有不同的影响，这强调了进一步研究的必要性。在夏季炎热的地区，绿地可以通过冷却周围区域和遮挡建筑物免受太阳辐射来帮助节约住宅能源（Tsoka等人，2021年；Zhu等人，2022a）。然而，在中国哈尔滨市的一项研究发现，较低的绿地比例实际上可能有助于减少供暖能源需求，尤其是在城市化程度较高的地区（Leng等人，2020年）。同样，在中国寒冷气候地区的西安进行的一项研究发现，植被根据天气条件的不同，会使建筑物的供暖负荷增加2.8%至7.16%（Ge等人，2024年）。相比之下，在荷兰埃因霍温市的一项研究报告称，基于遥感的植被绿色度和覆盖度指标——归一化差异植被指数（NDVI）与能源需求之间存在负相关（Chen等人，2020年）。除了绿地外，蓝色基础设施（自然和半自然水体）也被认为是缓解UHI效应和冷却城市环境的一个因素（H. Chen等人，2023年；Zhou等人，2024年），从而影响建筑能源消耗，尽管其有效性取决于大小、形状和周围土地利用等特征（Jandaghian和Colombo，2024年）。同时，建筑物的几何特征也会影响建筑能源消耗。例如，基于伦敦住宅建筑几何模型的能源分析表明，平面深度较大的高层建筑具有更高的能源效率（Ahmadian等人，2021年）。一项帕累托优化研究进一步证明，优化后的建筑形状可以实现多个目标，包括节约能源消耗、增加光伏能源潜力和日照时间，并指出体积大且形状系数（建筑表面积与体积之比）小的高层建筑具有较低的能源使用强度（Liu等人，2023年）。总体而言，这些发现表明，不同类型的土地利用（如绿地、蓝色或灰色（建成）基础设施）对建筑能源消耗有不同的影响，有时这些影响会相互放大或抵消。因此，为了全面捕捉不同土地利用类型的影响，必须采用一种综合考虑多种土地利用类型的综合方法。

城市形态提供了这样的综合视角。广义上讲，它是对城市形态及其随时间变化过程的研究（Oliveira，2020年），包括形状、结构和功能等物理维度（Javanroodi等人，2023年），以及推动这些变化的因素。城市形态指标（UMIs）提供了一个定量框架，将不同的LULC类型与相关的社会经济变量结合起来。早期的分类包括局部气候区（LCZ）系统（Stewart和Oke，2012年），而较新的方法，如绿色基础设施分类法（GIT）（Bartesaghi-Koc等人，2020年），主要关注自然和建成元素的空间相互作用，通常不包括社会经济驱动因素。然而，从城市代谢角度的研究确定了促进因素/限制因素、需求和驱动因素这三个关键组成部分（Dijst等人，2018年），这些因素影响城市能源和水资源的时空模式（Voskamp等人，2020年），涵盖了空间、基础设施和消费者相关特征（Voskamp等人，2021年）。同时，最近的研究越来越多地使用景观指标（LMs）从组成和配置的角度来描述空间和基础设施模式（Costanza等人，2019年；Hou和Estoque，2020年；Li等人，2023年；Lin等人，2025年；Yang等人，2024年）。

大多数现有研究在城市尺度上分析了UMIs（Chen等人，2020年；Zheng等人，2018年），有些研究扩展到了国家尺度（Labetski等人，2023年），或者缩小到社区尺度（Allen-Dumas等人，2020年）。虽然大规模研究提供了形态特征的总体概览，但社区尺度在应用上具有实际优势（Lyu等人，2024年）。在方法论方面，先前的研究可以大致分为基于模拟的方法和数据驱动的方法。基于模拟的方法通常涉及环境或能源建模（Liu等人，2023年；Zhu等人，2022a），对于探索机制很有价值，但往往耗时较长，并受到假设的限制，从而限制了其适用性。相比之下，数据驱动的方法依赖于实证数据，产生的结果更符合现实世界的城市背景，因此对规划和政策更具相关性（Zhou等人，2023年）。基于这一优势，并利用荷兰丰富的开放数据集，本研究采用数据驱动的方法来研究UMIs对社区尺度住宅能源消耗（REC）的影响。

为了充分捕捉社区间的空间相互作用，本研究应用空间杜宾模型（SDM）来研究城市形态指标对住宅能源消耗的影响。SDM在空间计量经济学中广泛使用，适用于空间依赖性和溢出效应至关重要的问题，如区域经济增长（Atikah等人，2021年）、环境污染（Zhao和Wang，2022年）和城市活力（Jiang和Huang，2024年）。与传统回归模型不同，SDM明确考虑了溢出效应，即一个区域对邻近区域结果的影响，这使其特别适合于经常存在空间自相关的社区尺度研究。

2022年，荷兰的住宅部门占该国总最终能源消耗的16.8%（“The Netherlands - Countries & Regions”，无日期）。2021年，荷兰约73.3%的住宅能源用于供暖，天然气在荷兰供暖领域占主导地位（Rozsai等人，2024年）。大多数政府减少住宅能源消耗的措施集中在单个建筑物上，如住房翻新、能源标签和推广可再生能源，这些措施已被证明能有效降低家庭能源需求。然而，考虑绿色、蓝色和灰色土地利用之间相互作用的更广泛策略尚未得到充分探索，应更系统地整合到能源减少工作中（Yang等人，2025年；Zhou等人，2025年）。本研究有三个贡献：首先，它开发并应用了一个系统框架，在荷兰背景下定义和分类社区尺度的UMIs；其次，它直接使用社区级数据研究UMIs与住宅能源消耗之间的关系；第三，它采用数据驱动的SDM，利用实证数据捕捉空间依赖性和溢出效应，展示了空间计量方法在城市空间研究中的潜力。

**2. 方法论**
2.1. 研究区域和气候条件
荷兰位于北海沿岸，属于温带海洋性气候（K?ppen气候类型Cfb），夏季温和，全年降水分布相对均匀（Beck等人，2023年）。根据ASHRAE气候分区，荷兰属于气候区4，这与适度的供暖需求相关（“Weather Data Center”，无日期）。近年来，荷兰的年度供暖度日（HDD）估计在2200至2400°C·天之间（“Cooling and heating degree days by country - monthly data”，无日期）。气候细节和背景比较见补充材料S1。

由于住宅能源数据的可用性和在同一尺度上计算所有独立变量的可行性，选择社区作为分析的空间单位。根据CBS（Statistiek，2025a）的数据，根据注册地址密度，共有14,317个社区被划分为五个城市化程度等级（1-5，从城市到农村）。这五个城市化程度的分布见S2。

2.2. 研究设计
研究方法包括几个步骤：I）数据收集和准备；II）变量识别和模型指定；III）结果解释和讨论，如图1所示。

2.3. 数据收集和准备
2.3.1. 数据收集
土地利用和植被地图最初来自荷兰国家土地利用数据库（LGN）和国家公共卫生与环境研究所（RIVM）。人口统计指标主要来自荷兰统计局（CBS）提供的社区关键数据。建筑特征变量来自地址和建筑基本登记（BAG）以及CBS的数据，并补充了荷兰企业局（RVO）提供的能源性能证书（EPC）信息。上述数据集的参考文献列在表1中。因变量人均住宅能源消耗（REPC）是在社区层面通过汇总年均电力、天然气和区域供暖消耗并除以居民人数来构建的。

表1. 本研究使用的数据来源（2022年）
| 数据类型 | 目的 | 缩写和来源 |
|---------|--------|---------|
| 主要土地利用类型 | 重新分类主要土地利用和土地覆盖 | LGN，荷兰国家土地利用数据库（“LGN - Basiskaart”，无日期） |
| 植被覆盖 | 重新分类植被类别和覆盖范围 | RIVM，树木、灌木和草地的地图（“Maps | Natural Capital Atlas”，无日期；Overheidspublicaties，无日期，无日期） |
| 建筑几何 | 选择住宅建筑并在社区边界内识别它们 | BAG，2022年的数据已获取。最新版本的数据可公开获取（“3DBAG”，无日期） |
| 建筑能源标签 | 识别从BAG中选出的住宅建筑的能源标签 | RVO，2022年的数据直接从RVO获取。最新版本的数据可公开获取（“National Georegister”，无日期） |
| 人口统计 | 确定人口统计指标 | CBS，2022年各区和社区的关键数据（Statistiek，2025a） |

2.3.2. 数据准备
2.3.3. 数据收集
- 土地利用和植被地图最初来自荷兰国家土地利用数据库（LGN）和国家公共卫生与环境研究所（RIVM）。
- 人口统计指标主要来自荷兰统计局（CBS）提供的社区关键数据。
- 建筑特征变量来自地址和建筑基本登记（BAG）以及CBS的数据，并补充了荷兰企业局（RVO）提供的能源性能证书（EPC）信息。应当注意的是，尽管2022年受到了欧洲能源价格危机的影响，家庭能源消耗总体下降，但这种下降在全国范围内呈现出较为均匀的趋势（Statistiek, 2025b）。鉴于本研究关注的是不同社区之间的横向差异，而非绝对消费水平，因此估计出的关系不太可能受到2022年临时情况的影响。

2.3.2 数据准备
2.3.2.1 社区住宅能源消耗
社区层面的总能源消耗被分解为电力、天然气和区域供暖的消耗。社区层面的电力或天然气消耗量估计如下：
(1) Ele/gas = Gave_neigh * Nneigh_units * Poccupied
其中，Gave_neigh是基于已居住单元计算的所有住房类型的平均电力或天然气消耗量（见补充材料S3.3），Nneigh_units是每个社区中的居住单元总数，Poccupied是每个社区中已居住单元的比例。

对于区域供暖，其消耗量估计如下：
(2) Edistrict = Gave_national * Nneigh_units * Pdistrict
其中，Gave_national是每个居住单元的全国平均年度区域供暖消耗量，Pdistrict是连接到区域供暖系统的居住单元（包括已居住和空置单元）的比例（见补充材料S3.3）。由于Gave_national数据不可直接获取，它是根据2024年区域供暖网络可持续性报告（“Rapporteer over de duurzaamheid van uw warmtenet”，无日期）推导出来的。尽管Gave_national的估计值可能存在一定的粗糙性（见补充材料S3.4），但由于全国只有6-7%的居住单元连接到区域供暖系统（荷兰，2025年），因此地区差异不太可能受到显著影响。

所有能源载体在汇总前都被统一转换为千瓦时（kWh）。更多细节和整体计算流程见补充材料S3。

2.3.2.2 土地利用和植被覆盖地图
为了确保与RIVM的植被覆盖数据集的一致性，原始的LGN 2022数据（具有5米的空间分辨率，涵盖51种土地利用类型）被重新采样到10米的分辨率，并重新分类为五个主要土地利用类别：农业、建筑、绿地、水域和其他。重新分类后的地图见图2。

2.3.2.3 建筑物和道路
建筑物和道路被共同归类为建筑用地，因为它们具有相似的不透水性特征，并且对当地微气候有共同影响，特别是在城市热岛（UHI）效应方面。绿地类别指的是植被覆盖的土地（例如，以树木、灌木和草为主的地带）。手动重新分类所使用的规则见补充材料S4。

我们结合了RIVM提供的植被数据，该数据提供了网格单元级别的树木、灌木和草地覆盖的高分辨率（10米）地图（见图3，左侧）。在ArcGIS Pro（v. 3.1.2）中合并草地覆盖、灌木覆盖和树木覆盖的地图后，得到的植被覆盖地图通过更详细地表示植被覆盖情况来补充重新分类后的LGN地图，特别是捕捉到了树木冠层以及灌木和草地的情况。

2.3.3 绿地空间分类
基于植被高度（低矮 vs. 高大）和覆盖度（稀疏 vs. 密集）的二维象限框架，将草地和灌木定义为低矮植被，树木定义为高大植被。这导致了四个绿地类别，其中Dense_Short（49.10%）和Dense_Tall（26.95%）合计占了植被面积的75%以上，因此被选为进一步统计分析的关键变量。Sparse Short和Sparse Tall被保留在用于景观指标计算的植被分类图中，从而影响了Dense_Short和Dense_Tall的值。

2.4. 变量识别
我们通过包括人口统计指标、住宅建筑特征和景观指标（LMs），在社区层面构建了更广泛的都市形态指标（UMIs）分类。

2.4.1 人口统计指标
社区层面的人口统计数据来自CBS（Statistiek, 2025a），涵盖了人口密度（pop_density）、家庭规模（hh_size）和特征（SF_pc）以及收入水平（inc_hi_pc）等方面。这些指标被选中是为了捕捉地区差异以及可能影响住宅能源消耗的社区特定社会经济特征。它们被纳入分析以控制人口统计差异，并减少景观指标效应与社会经济因素之间的混淆风险。所有选定的人口统计指标，包括定义和描述性统计信息，见表2。

2.4.2 住宅建筑特征
从BAG中选取了具有“主要居住功能”的住宅建筑，并通过ArcGIS Pro（v. 3.1.2）中的建筑几何形状与社区边界的交集进行空间关联。由于轻微的空间不匹配而在社区边缘分离的建筑以其最大部分表示。随后将能源标签数据与这些建筑匹配，处理后得到5,338,549栋住宅建筑。定义、数据来源和描述性统计信息见表3。

2.4.3 景观指标（LMs）
LMs通常分为三个层次：斑块级、类别级和景观级指标，涵盖从小到大的空间尺度（Cai et al., 2023; Wu et al., 2025）。在本研究中，我们选择了类别级和景观级的代表性指标。
在类别级，我们包括了：景观类别百分比（PLAND），用于衡量每种土地利用类型的比例；聚合指数（AI），用于量化某种土地利用类型自身的空间凝聚力或紧凑性；以及交错和并置指数（IJI），用于评估某种土地利用类型与其他土地利用类型的混合程度。AI和IJI的区别在于，AI关注单一土地利用类型的内部聚合，而IJI考虑了与其他土地利用类型的混合程度，这也受到土地利用类型数量的影响。在许多情况下，尽管不同社区之间的PLAND值相对相似，但AI和IJI会有显著差异，这强调了同时考虑组成和配置的必要性（见补充材料S6）。
在景观级，我们使用了：斑块密度（PD），通过测量所有土地利用类型的斑块数量来评估破碎化程度；以及香农多样性指数（SHDI），用于量化整个社区的组成多样性。

2.5 模型规范
本研究采用了空间计量模型（LeSage and Pace, 2009），因为它们专门设计用于捕捉社区间的空间依赖性和溢出效应（Zhang et al., 2023）。采用空间计量模型的原因有以下几点：
1. 通过Global Moran’s I测试发现了REPC值中的显著空间自相关性（见补充材料S9），表明住宅能源消耗模式存在聚集现象。然而，该测试并未揭示解释变量是否也表现出空间自相关性，因此需要进一步的诊断分析来确定模型规范。
2. 为了捕捉绿地的溢出效应。一个社区的绿色基础设施可能会影响相邻地区的微气候，进而影响邻近社区的住宅能源消耗，特别是在共享边界附近。
3. 社区边界划分的不确定性可能引入人为因素。空间计量方法通过明确纳入相邻区域之间的相互作用来减轻边界效应。

表5提供了常用空间模型之间的关键差异概述。如S11所示，所有空间模型的表现都优于基于拉格朗日乘数（LM）的OLS，而根据似然比（LR）测试，空间Durbin模型（SDM）的拟合度最高。因此，后续分析采用了SDM。

3. 结果
3.1 荷兰社区的住宅能源消耗
数据显示，不同城市化程度的社区在住宅能源消耗（REC）和人均住宅能源消耗（REPC）方面存在显著差异。如图4所示，总REC从最城市化地区到最农村地区逐渐减少，而REPC则呈现出轻微上升趋势。在最城市化的社区中，总REC的中位数约为9.94 GWh，REPC的中位数约为5.42 MWh。相比之下，最偏远的社区总共消耗约2.70吉瓦时（GWh）的能源，大约是最城市化社区的四分之一，但它们的可再生能源电力消耗（REPC）却更高，约为6.9兆瓦时（MWh），这反映了较低的人口密度（见S6）。下载：下载高分辨率图像（499KB）下载：下载全尺寸图像图4. 不同社区城市化水平下的REPC和REPC（n=10,580，REPC以吉瓦时为单位报告，而REPC以人均兆瓦时表示，以便于理解）。REPC被用作因变量，以确保在社区之间进行有意义的比较，因为在个体层面标准化能源使用可以减少对社区规模、家庭数量和其他社区结构差异的敏感性。如全球Moran’s I散点图（图5左侧）所示，因变量REPC表现出正的空间自相关性，表明高（或低）值的社区往往被其他具有类似高（或低）值的社区所包围。总体而言，该图表表明REPC并不是随机分布的，而是形成了高消费（n=1144）和低消费（n=1727）社区的空间簇。下载：下载高分辨率图像（409KB）下载：下载全尺寸图像图5. REPC的全球Moran’s I散点图及其空间自相关分布。与城市化水平的空间分布（见补充材料S2）相比，图5（右侧）显示，较高的REPC值集中在东部和北部农村地区，而较低的值则集中在更城市化的西部地区，这表明可能存在城乡差异。

3.2. 选定变量的空间Durbin模型
3.2.1. 组变量影响
我们使用分块模型比较来评估每个变量组的相对联合贡献（图6）。从包含所有组的完整模型开始，我们一次移除一个组，然后比较得到的赤池信息量准则（AIC）和贝叶斯信息量准则（BIC）值与完整模型的值。根据构造，较大的ΔAIC/ΔBIC值表示移除该组后模型拟合度恶化，这意味着该组具有更大的解释重要性。模型比较的数值总结见补充材料S12。下载：下载高分辨率图像（158KB）下载：下载全尺寸图像图6. 分块模型比较ΔAIC和ΔBIC
在解释重要性方面，建筑特征变量占主导地位，其次是人口统计指标变量，然后是景观指标变量。移除建筑特征变量会导致AIC和BIC的最大增加（ΔIC > 2600），清楚地表明这一组最具影响力。排除人口统计指标变量会导致中等程度的增加（ΔIC > 1300），反映出其重要性虽然显著但次于前者。尽管景观指标变量的增加幅度最小（300< ΔIC <600），但这些值仍远超过常规阈值（ΔIC ≥ 10），从而确认了它们的贡献是有意义的。

3.2.2. 单变量影响
需要影响度量来表示每个解释变量对焦点单元及其邻居的影响（见第2.5节）。所有解释变量都使用z分数进行了标准化，以确保不同单位的变量之间的可比性，而因变量（REPC）进行了对数转换，以便于解释估计的影响。估计的影响以及模型统计量是在R中计算的，并在表6.a中报告。

表6. 空间Durbin模型（SDM，n=10,580，KNN=6）对人均住宅能源消耗（REPC）的估计结果
变量 SDM 直接影响 间接影响 总影响
人口统计指标 pop_density -0.045??? -0.022??? -0.067???
SF_pc 0.003 0.051??? 0.048???
inc_hi_pc 0.078??? -0.032??? 0.046???
hh_size -0.048??? -0.032??? -0.080???
建筑特征 pre2000_pc 0.074??? -0.021?? 0.053???
ave_floor 0.017??? 0.015* 0.032???
Aplus_pc 0.039??? 0.021?? -0.018*
LMs Water -0.002 -0.033??? -0.035???
AI 0.005* 0.005 IJI -0.006??? -0.009 -0.015
BuiltAI 0.006?? -0.032??? -0.038???
IJI 0.031??? 0.007 0.038???
Dense_Short PLAND -0.010??? -0.066??? -0.076???
AI 0.004 0.045??? 0.049???
Dense_Tall PLAND 0.009??? 0.017* 0.026???
AI 0.008??? 0.006 -0.002

图7展示了人口统计指标和建筑特征的直接、间接和总影响。在人口统计指标中，居民密度（pop_density）和家庭规模（hh_size）是唯一两个显示出一致负面直接和间接影响的变量，导致总体负面影响显著。具体来说，人口密度增加一个标准差与当地REPC降低4.5%以及周围社区REPC额外降低2.2%相关，总体差异约为6.7%。家庭规模也显示出类似的模式，直接负面影响相似（-0.048，p<0.001），间接负面影响更强（-0.032，p<0.001），导致总体负面影响显著（-0.080，p<0.001）。

图8展示了单户住宅比例（SF_pc）对当地REPC没有显著直接影响，但与周围地区的REPC呈正相关（0.051，p<0.001），从而导致总体积极影响（0.048，p<0.001）。此外，高收入居民比例（inc_hi_pc）对焦点社区的REPC有最强的直接影响（0.078，p<0.001），同时对周围社区的REPC有负面影响（-0.032，p<0.001），导致总体积极影响（0.046，p<0.001）。关于建筑特征，2000年之前建造的建筑比例（pre2000_pc）和平均楼层数（ave_floor）在总体影响方面与REPC呈正相关（0.053，p<0.001和0.032，p<0.001）。这些影响分别对应于pre2000_pc的7.4%和ave_floor的1.7%的直接积极影响。然而，它们的间接影响方向不同：ave_floor显示出积极间接影响（0.015，p<0.1），而pre2000_pc与周围社区的负面间接影响相关（-0.021，p<0.05）。能源标签评级高于A（Aplus_pc）与当地REPC呈负相关（-0.039，p<0.001），但对周围社区的REPC呈正相关（0.021，p<0.05），导致总体负面影响适中（-0.018，p<0.01）。

图8展示了景观指标（LMs）在类别级别和景观级别上的直接、间接和总影响。变量按土地利用类型排序和解释。绿色空间指标来自RIVM植被数据，而建成区和水域面积基于重新分类的LGN地图（见第2.3.2节b）。

（I）（I）。对于水域面积：
图8. 景观指标对REPC的直接、间接和总影响
水域面积百分比（PLAND_water）对周围社区的REPC有负面影响（-0.033，p<0.001）。就空间配置而言，较高的水域聚集指数（AI_water）与略高的当地REPC相关。相比之下，较高的水域交错和并置指数（IJI_water）通过直接影响与REPC呈负相关（-0.006，p<0.001），导致总体REPC降低1.5%。

（I）（II）。对于建成区：
作为空间组成的衡量标准，PLAND_built因其与居民密度（pop_density）的高相关性而被排除（见补充材料S5.2）。就空间配置而言，较高的建成区交错和并置指数（IJI_built）与较高的当地REPC相关。具体来说，IJI_built增加一个单位对应于当地REPC增加3.1%。与此模式一致，较高的建成区聚集指数（AI_built）与当地和邻近社区的REPC均呈负相关（-0.006，p<0.005和-0.032，p<0.001），导致总体负面影响（-0.038，p<0.001）。

（I）（III）。对于绿地：
PLAND_Dense_Short代表草地和灌木等短植被的比例，通过直接（-0.010，p<0.001）和间接（-0.066，p<0.001）影响与REPC呈负相关，导致总体负面影响显著（-0.076，p<0.001）。就空间配置而言，较高的密集短植被聚集指数（AI_Dense_Short）与周围社区的REPC呈正相关（0.045，p<0.001）。相比之下，高比例的树木覆盖（PLAND_Dense_Tall）通过直接（0.009，p<0.001）和间接（0.017，p<0.01）影响与REPC呈正相关，与短植被的方向相反。就配置而言，较高的密集树木覆盖聚集指数（AI_Dense_Tall）与较低的当地REPC相关（-0.008，p<0.001）。

（I）（IV）。在景观级别：
在景观级别，较高的斑块密度（PD）与当地REPC呈正相关（0.017，p<0.001）。相比之下，较高的Shannon多样性指数（SHDI）与当地REPC呈负相关（-0.024，p<0.001）。这些景观级别指标捕捉了土地利用模式的整体异质性。

3.2.3. 健壮性检验
为了测试模型的稳健性，我们尝试了多种空间权重矩阵的规格。除了主要规格（KNN=6）外，我们还测试了其他矩阵，包括QUEEN连续性、KNN=4和KNN=8，同时保持样本、转换和估计方法不变。结果比较见补充材料S13。一致性定义为矩阵间显著性状态没有变化。此外，当所有规格下的效应都显著时，符号也必须保持一致（显著性水平可能不同），而对于均匀不显著的效应，符号无关紧要。在各种替代空间权重矩阵中，总影响完全稳定（100%一致），直接影响显示出高度的稳健性（约94.4%），而间接影响对矩阵选择较为敏感（约72.2%）。总体而言，主要定性结论对替代空间权重规格具有稳健性。

4. 讨论
4.1. 城市形态指标（UMIs）的更广泛结构及其相应的政策含义
在这项研究中，城市形态在社区尺度上被广泛概念化，包括物理景观模式及其潜在的社会和经济驱动因素。分块模型比较（图6）揭示了三组UMIs之间的明显层次结构，其中建筑特征的影响最强，其次是人口统计指标和景观指标。首先，结果表明，城市形态与REPC之间的关系不仅限于特定类型的社区，而是在整个研究区域内一致存在。其次，提高建筑能源性能仍然是减少REPC的基本策略。因此，针对所有社区实施社区规模的更新策略、有针对性的改造计划以及旨在升级隔热层、供暖系统和整体能源效率的补贴计划至关重要，特别是对于高层建筑和2000年之前的住宅建筑。然而，尽管景观指标的贡献小于人口统计和建筑特征变量，它们仍然对REPC有可测量的影响，并可能通过空间规划提供额外的干预机会。尽管我们没有进一步将社区划分为特定类型，但鉴于城市化和农村社区之间的现有差异，空间规划策略的优先级和重要性在可行性和有效性方面可能会有所不同。具体来说，在高度城市化的社区中，由于土地可用性有限且建筑密度高，空间干预可能受到更多限制。尽管如此，有限的空间也使得建成区和绿色基础设施的有效配置尤为重要。例如，更集中的建筑、更分散的水域区域和更集中的树木覆盖区域与较低的REPC相关。在低密度社区中，土地使用组成和配置的更大灵活性使得空间规划策略更容易实施。除了在城市化社区中确定的有利配置外，高比例的草地覆盖绿地也可能有益。空间规划含义的具体解释在4.2节中进一步讨论。

4.2. 有影响力的LMs和社区规模空间规划含义
我们的发现强调了水区、建成区和绿地与社区尺度REPC之间的差异化关联。值得注意的是，一些变量显示出显著的间接影响而没有相应的显著直接影响（特别是PLAND_water和AI_Dense_Short）。这种模式应谨慎解释。在SDM框架中，间接影响代表通过空间权重矩阵W传递的平均溢出效应（LeSage和Pace，2009）。因此，它们可能捕捉到由于遗漏变量或在更广泛的空间背景中的未观察因素而产生的虚假空间关联。首先，结果显示，较大的水域面积倾向于降低周围社区的居民能源消耗（REPC），仅间接影响具有显著性。此外，当它们在空间上分散并与其他土地利用混合时，它们在降低当地REPC方面似乎更有效（AI_water），尽管通过AI和IJI的直接影响相对较小。从空间规划的角度来看，这些结果表明，多样化水域的空间分布可能比集中大型连续水域更有益。例如，通过植被缓冲区细分水域表面可以创建更小且分布更均匀的斑块，从而更好地支持荷兰的节能社区环境。其次，当建成区更紧凑、避免与其他土地利用过度混合时，它们在降低当地REPC方面更有效，这反映在较高的聚集度（AI_built）和较低的交错度（IJI_built）上。这样的空间配置有助于保持建筑物周围的热量并减少热量损失。结果进一步表明，更集中的建成形式（AI_built）也与邻近地区的较低REPC相关。总体而言，更紧凑的建筑和相关的交通基础设施与当地和邻近社区的较低REPC相关。

4.2.2. 有影响力的LMs和社区规模空间规划含义
我们的发现强调了水区、建成区和绿地与社区尺度REPC之间的差异化关联。值得注意的是，一些变量显示出显著的间接影响而没有相应的显著直接影响（特别是PLAND_water和AI_Dense_Short）。这种模式应谨慎解释。在SDM框架中，间接影响代表通过空间权重矩阵W传递的平均溢出效应（LeSage和Pace，2009）。因此，它们可能捕捉到由于省略变量或更广泛空间背景中的未观察因素而产生的虚假空间关联。首先，结果显示，较大的水域面积倾向于降低周围社区的居民能源消耗（REPC），仅间接影响具有显著性。此外，当它们在空间上分散并与其他土地利用混合时，它们在降低当地REPC方面似乎更有效（AI_water），尽管通过AI和IJI的直接影响相对较小。从空间规划的角度来看，这些结果表明，多样化水域的空间分布可能比集中大型连续水域更有益。例如，将水域表面划分为较小且分布更均匀的斑块可能更好地支持荷兰的节能社区环境。其次，当建成区更紧凑、避免与其他土地利用过度混合时，它们在降低当地REPC方面更有效，这反映在较高的聚集度（AI_built）和较低的交错度（IJI_built）上。这样的空间配置有助于保持建筑物周围的热量并减少热量损失。结果进一步表明，更集中的建成形式（AI_built）也与邻近地区的较低REPC相关。在组成方面，这两种类型都观察到了直接和间接的影响，但方向相反。较高的草地比例与较低的住宅能源使用量相关，而较高的森林比例则对应较高的能源使用量，在这两种情况下间接影响都占主导地位。从配置的角度来看，聚集的草地倾向于通过间接途径增加邻近地区的可再生能源绩效（REPC），而聚集的森林则通过直接影响降低当地REPC。尽管需要谨慎解释聚集草地的间接影响，但这些对比鲜明的模式强调了在优化绿色空间的空间组成和配置以节约住宅能源时区分植被类型的重要性。

第四，总体景观级指标（PD和SHDI）的结果表明，通常情况下，斑块密度较低且土地利用多样性较高的景观具有较低的REPC。然而，如上所述，不同类型的土地利用在其空间组成和配置与REPC之间的关系上表现出不同的模式。

4.3. 将城市形态与住宅能源消耗联系起来：来自地表温度（LST）的见解
大多数先前的研究强调了城市绿色、蓝色和灰色基础设施在缓解地表温度（LST）（Dev Roy等人，2025；Guo等人，2019；Wang等人，2024；Wu等人，2025；Yang等人，2020）以及城市热岛（UHIs）方面的作用（Hou和Estoque，2020；Yang等人，2024），主要集中在夏季。水体通常被认为具有比隔热更强的冷却效果（Cureau等人，2023；Yang等人，2020），较大的水面与更大的LST降低相关（Zhou等人，2022），即使在像哥本哈根这样的相对寒冷的气候中也是如此（Yang等人，2020）。对于建成区，现有证据显示建筑形式对LST的影响各不相同：较高的建筑物可能通过遮阳和通风降低夏季LST（Wang等人，2025），而较高的密度和覆盖率则倾向于增加LST（Han，2023）。植被的效果因类型而异，例如，森林在夏季通常比草地提供更强的冷却效果（Yu等人，2020；Zhu等人，2022b），同时在冬季也会表现出轻微的升温效应（Li等人，2025）。在配置方面，较高的不透水面混合度（IJI）被认为可以在炎热气候中缓解UHIs（Yang等人，2024）。与此一致的是，研究表明，建成区和自然区域的更强混合可以降低LST，从而减少冷却需求（Masoudi和Tan，2019；Zhu等人，2022b）。一些研究还使用机器学习方法报告了景观指标、建筑特征和LST之间存在非线性关系（Y. Chen等人，2023；Lin等人，2025；Qi等人，2025）。总体而言，我们的发现补充了先前关于LST如何响应城市形态指标（UMIs）的证据，但在以冷却或加热为主的环境中，其对能源需求的影响可能有所不同。

基于这些文献，并考虑到荷兰的住宅能源情况（大约73.3%的住宅能源消耗用于空间加热（Rozsai等人，2024），我们假设与较高人均住宅能源消耗（REPC）相关的UMIs将与较低的地方温度相关，这反映在较低的LST上。为了提供UMIs与REPC之间通过LST联系的实证支持，我们使用2022年社区级别的冬季LST中位数作为当地微气候条件的代理进行了额外的探索性分析。与这一预期一致，观察到REPC与冬季LST中位数之间存在显著的负Spearman相关性（ρ = ?0.405）。此外，在SDM中对REPC有显著直接影响的七个景观指标中，有五个（IJI_water、AI_built、IJI_built、PLAND_Dense_Short、PLAND_Dense_Tall）与LST的相关方向与与REPC的方向相反，支持了假设的LST中介途径（详见补充材料S14）。虽然LST是社区尺度微气候的代表性指标，但风速、空气温度、遮阳和湿度等其他因素也会影响加热需求。因此，这项分析旨在作为主要SDM结果的补充和探索性验证。

4.4. 限制
本研究提供了荷兰全国范围内更广泛的城市形态指标（UMIs）与人均住宅能源消耗（REPC）之间关系的评估，但应承认几个限制。首先，数据可用性限制了变量选择。关于建筑特征，分析仅限于住宅建筑，排除了具有混合生活功能的建筑。关于土地利用类型，为了避免过多的社区损失，排除了农业用地，尽管农业草地可能与城市短植被具有类似的功能。其次，出于实际原因，采用社区作为分析的空间单位，但这一选择引入了与规模相关的不确定性。尽管SDM的使用有助于考虑空间溢出效应并可能部分缓解这些偏差，但分析仍然受到行政边界固有的可修改区域单位问题（MAUP）的影响。第三，社区级别的住宅能源消耗数据仅以年度尺度提供。虽然使用冬季地表温度（LST）作为探索性代理，且空间加热占荷兰住宅能源使用的73.3%，而冷却能源使用量很小，但季节性解析的能源数据将允许对季节性机制进行更稳健的评估。第四，尽管基于诊断测试选择了空间Durbin模型（SDM），但它仍然是一个线性和全局同质的框架，无法捕捉潜在的非线性或空间变化关系，尽管包括了人口统计指标以考虑情境差异。最后，基于冬季LST的分析和Spearman相关性是探索性的。尽管它们在很大程度上支持我们的发现，但SDM结果仍应被视为提示性的。

未来的研究可以通过整合额外的微气候指标并采用互补的分析方法（如机器学习技术）来进一步探索这些统计关联背后的机制，以捕捉复杂和潜在的非线性关系。这也可以通过基于工程的模拟方法来补充，以明确模拟物理过程。此外，研究景观指标与社会经济因素之间的相互作用，以及开发详细的社区聚类，可以支持更具体的情境解释和更定制的政策建议。

5. 结论
本研究使用空间Durbin模型（SDM）研究了荷兰社区中更广泛的城市形态指标（UMIs）与人均住宅能源消耗（REPC）之间的关系。主要发现为社区尺度的城市更新、气候适应和能源敏感的空间规划提供了启示，特别是在相对寒冷的气候条件下（K?ppen气候类型Cfb）。
- 除了建筑特征和人口统计特征的显著影响外，土地利用的组成和配置也对REPC产生可测量的影响。
- 在荷兰社区中，土地利用多样性通常与较低的住宅能源消耗相关，尽管每种土地利用类型可能需要最佳的空间布局来实现这一效益。
- 紧凑的建筑和交通基础设施形式始终与较低的REPC相关。
- 更分散的水体与较低的REPC相关，尽管它们的影响仍然较小。
- 树木覆盖区域的程度与较高的REPC相关，而草地和灌木覆盖区域与较低的值相关。在这两种情况下，间接影响都占主导地位。
- 聚合的树木覆盖区域与较低的地方REPC相关，而聚合的草地和灌木覆盖区域与地方REPC没有显著关联，但与邻近地区的较高REPC有关，这需要谨慎解释。

作者贡献声明：
Han Yu：撰写——原始草稿、可视化、方法论、调查、资金获取、正式分析、数据管理、概念化。
Mingming Hu：撰写——审阅与编辑、监督、概念化。
Arnold Tukker：撰写——审阅与编辑、监督。
Peter Berrill：撰写——审阅与编辑、监督、方法论、数据管理、概念化。