陳操操 ,劉春蘭 ,汪 浩 ,關 婧 ,陳 龍 ,王海華 ,張繼平 ,李 錚 ,劉曉潔 (1.北京市環(huán)境保護科學研究院,北京 10007；2.國家城市環(huán)境污染控制工程技術(shù)研究中心,北京 10007；.中國科學院地理科學與資源研究所,北京 100101)

氣候變化是人類當今面臨的最嚴峻挑戰(zhàn)之一,由氣候變化引發(fā)的“生態(tài)系統(tǒng)惡化”等問題嚴重威脅著人類的生存和發(fā)展.我國既是溫室氣體排放大國,也是發(fā)展中大國,隨著能源消費的不斷增加,溫室氣體總排放量將不可避免仍會有較大幅度增長,從發(fā)展低碳經(jīng)濟和應對氣候變化的內(nèi)在需求出發(fā),制定適當政策和采取有效措施,盡量減少溫室氣體排放的增速與增幅尤為重要.如何有效降低溫室氣體排放成為學術(shù)界研究的熱點,關鍵問題之一在于對二氧化碳排放的影響因素及其效用分析,這直接關系到減排政策的制定與措施實施.

人類活動溫室氣體排放主要受到人口、富裕度及技術(shù)進步等驅(qū)動因素影響.圍繞這一問題,IPAT模型及其衍生的STIRPAT模型及變形是主流的研究手段之一.20世紀70年代美國生態(tài)學家Ehrlich和Holdren[1]提出的IPAT模型(I=PAT)以研究經(jīng)濟活動與環(huán)境壓力之間的關系,模型表明人口(P)、人均財富(A)和技術(shù)(T)三者之間相互作用會對環(huán)境產(chǎn)生重要影響.IPAT模型的分析框架簡潔、直觀而開放,涵蓋了人口、經(jīng)濟和技術(shù)3個主要影響因素,因此在環(huán)境問題上被廣泛應用

[2-3].IPAT模型屬于恒等式模型,驅(qū)動力或環(huán)境影響因素相互之間存在等比例的推導關系,無法說明單一因素對環(huán)境壓力的影響,與模型的假設不符[4-6].為了解決上述問題,基于 IPAT模型的非線性隨機回歸 STIRPAT模型被提出,并對其不斷改進.例如,Dieta[7]在IPAT模型的框架上增加了隨機項誤差,研究人口、富裕度和技術(shù)對CO2排放的影響,研究結(jié)果發(fā)現(xiàn)人口與富裕度對排放的彈性均略高于 1.Shi[6]利用 STIRPAT模型研究不同收入國家人口、富裕度、工業(yè)和服務業(yè)比重對CO2排放的影響,引入一階自回歸項以消除自相關,他發(fā)現(xiàn)人口對CO2的排放彈性在不同收入國家間存在異質(zhì)性,平均彈性為 1.42,其中不發(fā)達國家人口彈性系數(shù)接近2,發(fā)達國家則在1以下,其結(jié)論支持馬爾薩斯人口論的觀點.Poumanyvong等[8]研究城市化對能源利用和 CO2排放的效用,他使用1975～2005年99個國家的時間序列,發(fā)現(xiàn)在低收入國家城市化增加降低能源使用和 CO2排放,但在中等和高收入國家,城市化水平與能源消費水平呈正相關關系.Lin等[9]采用STIRPAT模型研究1978～2006年期間中國人口、城市化水平、人均GDP、工業(yè)化水平和能源密度等因素對環(huán)境的影響,結(jié)果發(fā)現(xiàn)人口和城市化水平是環(huán)境壓力排放前兩位的重要因素,相應彈性分別為1.51和0.48.國內(nèi)學者針對國家和區(qū)域也開展同類研究[10-16].通過已有文獻可見,STIRPAT被廣泛應用于評估人口、富裕度和其他因素對環(huán)境的影響,大量的研究集中于討論國家層面或跨國家層面研究范疇,但在區(qū)域和城市層面開展的相關研究較少,城市化與碳排放及城市不同發(fā)展階段與碳排放之間關系仍不明確[8,17-18].已有研究在碳排放因素選取方面,呈現(xiàn)不一致或不全面的特點,有必要選取更為全面的影響因素構(gòu)建影響因素模型.

城市作為居民聚集地,是人類生產(chǎn)生活主要空間載體和碳排放關鍵地理單元,在碳減排和應對氣候變化領域能夠發(fā)揮重要的作用[19-20].北京是中國的首都,亦是國際大都市,具有特殊的政治地位,開展北京市碳足跡及影響因素研究,探討如何在響應國家的宏觀政策的同時,有效控制碳排放增量,積極向低碳城市轉(zhuǎn)型,為國內(nèi)其他省市提供示范,具有重要的理論和現(xiàn)實意義.基于以上考慮,本研究以北京市為例,以能源消費碳排放表征城市碳足跡,選擇一系列有代表性的典型影響因素指標,利用1990～2011年長時間序列,采用 STIRPAT模型和偏小二乘模型(PLS)建立北京碳足跡和影響因素之間的定量化模型,根據(jù)模型中回歸系數(shù)大小考察評估因子和 CO2排放的相互影響及大小排序,為城市碳減排對策提供建議.

1 研究方法

1.1 能源消費碳足跡

碳足跡揭示了終端消費領域人類活動對全球氣候變化的影響,是近年學術(shù)界新興的研究熱點[21].目前碳足跡缺乏學術(shù)上明確的定義,在許多情況下碳足跡被視為生產(chǎn)活動中直接和間接產(chǎn)生的CO2物理排放量或排放當量[22].碳足跡主要的研究方法有三類:過程分析法、投入產(chǎn)出和混合法[23-25].過程分析法基于生命周期評估方法和自下而上的研究思路,對數(shù)據(jù)的需求量很高;投入產(chǎn)出法依靠投入產(chǎn)出模型和自上而下的核算法則,適合于宏觀區(qū)域產(chǎn)業(yè)分析,容易受到投入產(chǎn)出表數(shù)量限制;混合法是過程分析法和投入產(chǎn)出法的結(jié)合,目前的研究仍不多見[22,26].

能源消費碳足跡能夠反映一個地區(qū)環(huán)境壓力變化,為區(qū)域可持續(xù)發(fā)展提供決策依據(jù)[13].本文參考聯(lián)合國環(huán)境署(UNEP)和聯(lián)合國人居署(UN-HABITAT)、本地可持續(xù)發(fā)展組織(ICLEI)及世界資源研究所(WRI)等制定的評估方法

[27-28].城市碳足跡可分為3個層次:層次1為發(fā)生在城市行政邊界內(nèi)部的直接碳排放,如工業(yè)和服務業(yè)生產(chǎn)排放;層次 2為發(fā)生在城市行政邊界外部由城市活動導致的非直接排放,僅限于電力和熱力消費;層次 3將非直接排放的范圍擴展到發(fā)生在城市邊界外部,除層次 2外所有由于城市消費帶來的蘊含的上下游碳排放.目前大多數(shù)國際大城市廣泛采用的城市碳足跡評估方法評估范圍為層次 1和層次 2[29].根據(jù)數(shù)據(jù)的可得性和北京實際情況出發(fā),本研究以城市能源直接消費和間接消費(外調(diào)電)所產(chǎn)生的 CO2排放作為城市碳足跡(層次1和層次2),評估1990～2011年北京市能源消費碳足跡.

1.2 STIRPAT模型

本研究選擇了Dietz等提出的改進后的非線性隨機回歸STIRPAT模型[4,30].STIRPAT模型拋棄單位彈性的假設,加入隨機性從而便于實證分析,并且能通過技術(shù)項的分解,實現(xiàn)對城市化、產(chǎn)業(yè)結(jié)構(gòu)等各種類型驅(qū)動因素對環(huán)境壓力影響的評估[31].STIRPAT模型能夠克服IPAT模型“各影響因素同比例影響環(huán)境壓力”假設的不足,是對IPAT模型的修正和擴展[4],具體公式表達如下.

式中:I、P、A、T分別表示環(huán)境壓力、人口數(shù)量、人均財富和技術(shù);a是模型系數(shù);b、c、d分別是人口數(shù)量、人均財富和技術(shù)等驅(qū)動因素的指數(shù);e為模型誤差.下標i表明不同的觀測單元各異的模型參數(shù).假設a=b=c=d=e=1,STIRPAT模型即還原為IPAT等式,保留了IPAT模型中人文驅(qū)動力的相乘關系.STIRPAT模型屬于多自變量非線性隨機模型,在對模型(1)兩邊同時對數(shù)變化處理后變?yōu)槟Ｐ?2).

以lnI為因變量,lnP、lnA、lnT作為自變量,lna作為常數(shù)項,lne作為誤差項.根據(jù)彈性系數(shù)概念,當其他影響因素保持不變時,驅(qū)動力影響因素(P和A)每變化 1%,將分別引起I變化b%和d%.STIRPAT模型允許對模型擴展,通過增減或分解因素,提高模型的分析解釋能力.

1.3 模型影響因子

城市碳足跡影響因素存在多個層次,基于已有研究成果,結(jié)合北京市具體實際情況,本文對STIRPAT模型因子進行了擴展,選取了人口因素(人口規(guī)模、城市化水平)、人均收入水平、技術(shù)進步水平(產(chǎn)業(yè)結(jié)構(gòu)、單位GDP能耗、科技研發(fā)投入占GDP比重)等變量.

人口因素P分解為人口數(shù)量P(萬人)以及城市化率 Ur(%)兩項,城市化率雖然經(jīng)常作為經(jīng)濟指標出現(xiàn),但實際是一個綜合體現(xiàn)城市人口密度、生活方式習慣的人口指標[32],并最終影響城市碳排放,城市化率Ur采用城鎮(zhèn)人口數(shù)占總?cè)丝跀?shù)的比例表示,反映城市人口的環(huán)境影響.城市人口人均能源消費一般能達到農(nóng)村人口的3.5～4倍,對城市整體碳排放影響很大[33-34].

人均收入水平A分解為單位人均GDP(萬元/人,2000年不變價)以及單位人均GDP平方兩項,人均GDP是地區(qū)國民富裕程度的重要體現(xiàn),也是導致環(huán)境問題的主要驅(qū)動力.許多研究成果顯示,低收入國家人均富裕程度提高會增加碳排放量,然而高收入國家隨著人均GDP增加會降低碳排放[6].在本模型中加入人均GDP二次項,目的是分析隨單位人均 GDP的增加,北京市能否出現(xiàn)倒“U”型環(huán)境庫茲涅茨曲線.

技術(shù)因子T的選取較為復雜,包括第二產(chǎn)業(yè)比重、第三產(chǎn)業(yè)比重、單位GDP能耗強度、研發(fā)經(jīng)費占當年GDP比重.第二、三產(chǎn)業(yè)比重反映產(chǎn)業(yè)結(jié)構(gòu)變化對城市碳排放的影響,以制造業(yè)為基礎第二產(chǎn)業(yè)相比第三產(chǎn)業(yè)要消耗更多的自然資源,一般隨著工業(yè)和服務業(yè)比重消長變化,碳排放將發(fā)生較大的改變.北京市第三產(chǎn)業(yè)結(jié)構(gòu)比重自 1994年開始已超過第二產(chǎn)業(yè),但目前仍約占30%.本文將第二產(chǎn)業(yè)比重和第三產(chǎn)業(yè)比重均作為反映產(chǎn)業(yè)結(jié)構(gòu)變化的技術(shù)指標納入模型當中.單位GDP能耗強度反映區(qū)域能源集約利用水平,在已有研究中作為技術(shù)指標多次出現(xiàn).研發(fā)經(jīng)費占當年GDP比重指標衡量一個地區(qū)社會科技創(chuàng)新能力的指標,北京市研發(fā)經(jīng)費占GDP比重全國最高,2010年已經(jīng)達到 5.5%,與世界發(fā)達國家研發(fā)經(jīng)費5%的GDP占比持平,也納入到本次模型的變量中來.

綜合以上考量,最終得到的非線性城市碳足跡模型如式(3)所示.具體模型變量可見表1.

表1 模型變量Table 1 Description of variables in the model

1.4 數(shù)據(jù)來源

采用 1990～2011年數(shù)據(jù),能源消費實物量的數(shù)據(jù)源于北京市歷年的能源平衡表以及分行業(yè)部門的能源消費量.人口總量、人均GDP、城市化率、第二、三產(chǎn)業(yè)比重等所需數(shù)據(jù)源于《北京市統(tǒng)計年鑒》[35].為剔除物價上漲因素,GDP采取2000年不變價進行換算.為消除變量之間的量綱關系,使數(shù)據(jù)具有可比性,基于原始數(shù)據(jù)列的均值和標準差對數(shù)據(jù)進行標準化.

本研究的能源消費指能源的終端消費量,考慮到歷史數(shù)據(jù)一致性和數(shù)據(jù)代表性,能源數(shù)據(jù)包括原煤、汽油、柴油、煤油、天然氣和外調(diào)電力6種能源,能源消費的實物量來源于歷年的《北京市統(tǒng)計年鑒》[35].能源消費碳排放量采用《IPCC國家溫室氣體排放清單指南》提供的排放系數(shù)法

[36],碳排放量等于各類能源消費量與相應排放因子的乘積.與前人研究有所區(qū)別,本文能源排放因子采用北京市本地能源消費的實測因子[37].以往國內(nèi)研究一般采用折標后的標煤計算碳排放

[11,13,38],本研究采用實物量進行評估,采取實物量作為活動水平數(shù)據(jù)與本地化排放因子匹配有助于提高評估精度,能夠為后續(xù)統(tǒng)計實證模型提供更好的輸入?yún)?shù).

2 實證分析

2.1 城市碳足跡評估

圖1 城市碳足跡和人均碳足跡變化(1990～2011)Fig.1 Variation of city’s total carbon footprints and per-capita footprints(1990～2011)

根據(jù)本文界定的碳足跡計算方法,北京市1990～2011年城市總碳足跡由4723.95×104t上升到15830.62×104t二氧化碳當量(CO2-eq),總碳足跡增加了2.35倍,年平均增長率為6.09%.人均碳足跡由4.35t/a上升到7.84t/a,人均碳足跡增加了80.29%,年平均增長率為 3.00%.從總體變化趨勢看,人均碳足跡增長速度低于城市總碳足跡的增幅.城市總碳足跡呈現(xiàn)兩階段明顯的變化,1990～2002年城市總碳足跡上升斜率較平緩,2002年以后增長幅度明顯加快,2008年北京奧運會極大的帶動了北京市基礎設施建設,相關能源和物質(zhì)消耗龐大,是此兩階段斜率變化主要原因.人均碳足跡上升變化平緩,沒有明顯的階段劃分,北京市人口基數(shù)大,外來人口多增長快,導致人均碳足跡增長緩慢,近年由于北京市不斷加強節(jié)能減排措施力度,城市總碳足跡增長放緩,人均碳足跡還出現(xiàn)了下降的勢頭.

2.2 最小二乘回歸模型預評估

首先使用最小二乘回歸模型法進行預評估(表 2),最小二乘回歸模型的回歸擬合優(yōu)度R2=0.996,調(diào)整后擬合優(yōu)度 AdjR2=0.989,通過了0.001顯著水平F檢驗,表明自變量和因變量的線性模型存在且擬合度較高.然而,lnUrb、lnE等模型自變量的回歸系數(shù)無法通過 0.05顯著性水平的t檢驗.通過檢驗模型自變量相關關系矩陣,各變量之間存在較強的相關性,lnp,lnA,(lnA)2,lnUr,lnInd2,lnInd3相互之間均能通過0.01顯著性水平的相關分析檢驗,方程很可能存在多重相關性.目前對多重相關性常見診斷方法是方差膨脹因子(VIF),一般認為如果自變量最大VIF超過10,表示多重相關性將嚴重影響最小二乘的估計值.計算結(jié)果顯示7個自變量的VIF值均遠大于10.因此無法采用常見的最小二乘模型估計回歸系數(shù),必須消除自變量的多重共線性才能得到穩(wěn)健的結(jié)果.

表2 最小二乘回歸模型的擬合結(jié)果Table 2 Analysis results of OLS regression model

2.3 偏小二乘回歸模型檢驗

偏小二乘回歸模型(PLS)主要用于解決多元回歸中變量多重相關性和樣本容量較少、自由度較低等實際問題[39].偏小二乘回歸的原理是將多元回歸、主成分分析、典型相關分析結(jié)合起來,分別提取自變量X和因變量Y的成分因子ti與ui,各提取成分要求相互獨立,盡可能大的反映X與Y變量的變異信息,同時自變量成分t對u又有很強的解釋能力,從而建立成分因子與自變量的回歸方程.首先需要將所有自變量和因變量原始數(shù)據(jù)標準化,其次提取第一個成分t1與u1,建立X對t1及Y對t1的回歸,如果回歸方程達到滿意的精度,算法終止,否則利用X和Y被t1解釋后殘差信息進行第二輪成分提取,反復直至達到一個滿意的模型精度.本文將重點考察人口規(guī)模、人均收入水平、城市化等影響因子對城市碳排放之間的相關性和回歸關系,分析平臺為Simca-P.

首先通過t1/u1散點圖和t1/t2散點圖(或T2橢圓圖)兩種方式判斷PLS模型擬合的好壞.圖1可見自變量提取的成分t1與因變量提取成分u1之間存在顯著線性關系,線性擬合度R2為0.954,證明t1和u1能夠很好的代表自變量X和因變量Y,采用 PLS方法建立線性模型是合理的.t1/t2散點圖被用來在平面上觀察樣本點的分布情況和相似性結(jié)構(gòu)[39],可見PLS模型的樣本點分布在橢圓之內(nèi)且基本均勻,并未發(fā)現(xiàn)奇異點,表明本研究模型樣本取值合理.

通過交叉有效性評估提取自變量成分的數(shù)量,成分ti的交叉有效性記為,使用m個成分t1、t2……tm建立偏小二乘模型的累積交叉有效項Q2(cum).從表3可以看出,當提取到第3個成分時,Q2已經(jīng)為負值,其他第 1、2成分Q2均大于臨界值0.0975,累積交叉有效項在第二成分時達到 0.985,因此提取 2個成分即可使模型達到滿意的精度.此時方程對城市碳排放的解釋能力為 0.988,偏小二乘模型擬合達到了較高的精度.與此同時通過模型預測值與真實值的散點圖考察擬合效果(圖 3),真實值與模型預測值顯示出良好的線性關系,表明 PLS模型的擬合非常理想.

圖2 t1 /u1散點圖與t1/t2散點圖Fig.2 Scatter plots of t1/u1and t1/t2

表3 最小偏二乘模型交叉有效性Table 3 Results of cross validation by PLS model

圖3 最小偏二乘模型城市碳排放預測值與真實值散點圖Fig.3 Scatter plots of predicted value and observed value of carbon footprint by PLS model

2.4 偏小二乘模型回歸結(jié)果分析

偏小二乘模型回歸系數(shù)擬合結(jié)果如表 4所示,各回歸系數(shù)符號符合城市增長模式和經(jīng)濟學意義上檢驗.眾多影響因子中人口、人均收入水平、城市化水平等增加會促進城市碳排放量擴大;而萬元GDP能源強度、二產(chǎn)和三產(chǎn)比重以及研發(fā)投入比重升高會降低城市碳足跡.

從模型系數(shù)的大小上看,城市化水平是影響北京市能源消費碳排放量的最主要和關鍵正向因素,城市化水平對城市碳足跡彈性最高,北京市城市化水平每增加 1%,碳足跡將增加 2.20%.這表明國內(nèi)大都市城市化水平提高是造成能源消費碳排放增加的重要誘因.如果按照城市發(fā)展與環(huán)境演化關系理論解釋,城市化對環(huán)境影響的驅(qū)動與抑制作用并存.從城市化發(fā)展由初級到中級階段,城市化導致的環(huán)境影響和壓力會隨之增加,但當城市化進一步發(fā)展到高級階段時,居民環(huán)境意識不斷增強,逐漸通過技術(shù)革新、集約化發(fā)展以及行業(yè)結(jié)構(gòu)轉(zhuǎn)型等方式,為碳排放集中控制提供了方便和可能,從而降低城市化產(chǎn)生的環(huán)境影響[8].但在實證研究中,國內(nèi)外學者存在不同的研究結(jié)論.例如,York等[4]發(fā)現(xiàn)城市化顯著增加城市碳足跡,在其進一步研究中指出,即便在現(xiàn)代化都市地區(qū),城市化仍會刺激能耗和碳排放增加[41].Boserup[42]認為城市人口密度增長會帶來城市文明傳播和技術(shù)水平的提高,高素質(zhì)人口增多對環(huán)境壓力有正向的促進作用.Shi[6]針對全球不同國家和地區(qū)樣本研究,認為高收入地區(qū)城市化對碳排放影響要小于低收入地區(qū).北京作為我國經(jīng)濟發(fā)達地區(qū)之一,2010年人均GDP突破10000美元,第三產(chǎn)業(yè)比重超過 75%,按照世界銀行的標準已屬于中等富裕國家水平,達到城市化演進后期階段.但是本研究模擬結(jié)果顯示北京市城市化對碳排放推動作用依然非常明顯,高級城市化階段對碳排放抑制作用尚未體現(xiàn).燕華[10]對上海的研究,也有相似的結(jié)論,城市化仍是國內(nèi)發(fā)達大都市碳排放最主要的驅(qū)動因素.這說明了國內(nèi)大都市雖然城市化水平很高,居民收入或產(chǎn)業(yè)結(jié)構(gòu)已接近國外中等富裕國家水平,但是城市化仍體現(xiàn)為碳排放的正向促進作用.一方面原因是國內(nèi)城市持續(xù)以攤大餅的方式膨脹,城區(qū)空間持續(xù)增長,城市化推進導致基礎設施需求繼續(xù)增大,消耗大量的水泥和鋼鐵,刺激水泥、鋼鐵等一系列基礎原材料行業(yè)碳排放增長[43];另一方面城市中居民消費水平提高和生活方式改變,刺激住宅、交通、娛樂等能源消耗直接與間接需求增長[34,44].

表4 最小偏二乘回歸系數(shù)擬合結(jié)果Table 4 Coefficients results of PLS regression model

人口數(shù)量對碳排放影響也較為顯著,彈性系數(shù)達到 0.493,僅次于城市化指標.北京人口總量已超過2000萬,外來人口快速增長是推進北京人口總量增長和城市化進程的重要因素.1990～2011年北京市年均常住人口增長率達到3.05%,總?cè)丝谠黾恿?87.85%.2000～2011年增加了 637萬人,是前一個 10年增加人口數(shù)的兩倍多.優(yōu)勢的區(qū)位和經(jīng)濟條件不斷吸引大量外來人口涌入北京.外來人口增加為城市發(fā)展做出巨大貢獻的同時,也對城市的資源、環(huán)境形成巨大的壓力,龐大的城市人口基數(shù)必然導致城市碳排放總量的剛性增加.

人均收入水平是北京城市碳排放另一個重要指標,其對北京城市碳排放的彈性可以通過York[4]提出的方法計算得到(0.134+0.052lnA).按2011年人均GDP估算,人均GDP每增高1%,北京城市碳排放增加0.225%(2000年不變價計算).人均收入水平對應富裕程度,與消費模式及其隨之的環(huán)境效應有關.通常富裕度高的城市在基礎設施、交通及消費需求等比富裕度低的城市消耗的資源與能源強度更高,產(chǎn)生環(huán)境效應影響要大,因此碳排放量也更高.但在發(fā)達國家緊湊型城市也存在截然相反的情況,緊湊型城市人均收入水平較高,人口和城市規(guī)模低而聚居,出行距離短,熱力和電力等供應損耗少,城市公共交通、教育等基礎設施能夠發(fā)揮較高的功效,并且高科技產(chǎn)業(yè)和第三產(chǎn)業(yè)的發(fā)展,以及相對清潔低碳的天然氣等現(xiàn)代能源占據(jù)城市能源消費的主導地位,因此該類城市能夠在收入水平提高的同時,擁有較低的環(huán)境影響[45].北京市不屬于緊湊型城市,本研究中人均收入對城市碳排放表現(xiàn)為促進作用.隨著北京市人均收入不斷攀升,城市碳排放并沒有得到明顯的緩解,但是城市碳排放的彈性系數(shù)增幅已經(jīng)出現(xiàn)明顯的減緩勢頭,多年平均增幅保持在0.006以下,且在最近5年增幅下降很快(表 5).說明城市居民消費沒有隨收入水平提高而激增,正在向綠色消費和低碳消費等好的方向轉(zhuǎn)變.

另外,偏小二乘模型中(lnA)2的回歸系數(shù)值為正,意味著在研究時段內(nèi)北京市碳排放不存在環(huán)境庫茲涅茨曲線,經(jīng)濟發(fā)展并未帶來城市碳足跡減少的拐點.此結(jié)論在對國內(nèi)上海、沈陽、蘇錫常地區(qū)等相似研究中存在相似情況[11-12,14],反映出國內(nèi)各省市經(jīng)濟發(fā)展與環(huán)境保護尚未達到協(xié)同發(fā)展.

表5 不同人均GDP對城市碳排放的影響彈性系數(shù)Table 5 The elasticity coefficients of city’s carbon dioxide emissions for different units of per-capita GDP

負向因子體現(xiàn)為技術(shù)因素對碳排放反向抑制作用,回歸系數(shù)絕對值從高往低排序為:萬元GDP能耗強度(0.147),二產(chǎn)比重(0.138),三產(chǎn)比例(0.104),研發(fā)投入比重(0.092).萬元 GDP能耗強度是反映地區(qū)能源消費構(gòu)成、經(jīng)濟增長方式、設備技術(shù)裝備水平及能源利用效率等的綜合性指標,是二氧化碳減排的主要動力.得益于清潔能源改造工程的實施,以及落后產(chǎn)能退出、搬遷調(diào)整等工業(yè)政策的實施,北京城市萬元GDP產(chǎn)值能耗下降幅度自“十一五”以來一直處于全國首位.但是能源強度對城市碳排放帶來的負向作用明顯不足以抵消城市化、人口、收入水平等其他因素引起的二氧化碳增長.

北京市第二、三產(chǎn)業(yè)對城市碳減排的影響作用仍比較低,第二產(chǎn)業(yè)對碳排放抑制作用要高于第三產(chǎn)業(yè).與其他地區(qū)工業(yè)能耗居高不下不同,北京市擁有獨特的區(qū)域特點.北京市第三產(chǎn)業(yè)在國民經(jīng)濟中比重遠高于第二產(chǎn)業(yè),但研究期間內(nèi)第二產(chǎn)業(yè)節(jié)能降耗的措施和力度要大于第三產(chǎn)業(yè).北京通過大力實施第二產(chǎn)業(yè)“以退促降”的產(chǎn)業(yè)政策,停產(chǎn)搬遷高耗能企業(yè),淘汰生產(chǎn)落后工藝,工業(yè)等高耗能行業(yè)能耗和溫室氣體排放下降迅速,1990年工業(yè)在能源終端消費中的比重 62%,到2011年下降到僅為30.86%.自焦化廠、首鋼和化工企業(yè)等主要“兩高一資”企業(yè)實施搬遷或停產(chǎn)措施以后,未來北京市繼續(xù)通過退出或調(diào)整第二產(chǎn)業(yè)來節(jié)能減排的空間已所剩無幾.尤其傳統(tǒng)的第二產(chǎn)業(yè)對能源消耗和使用,造成大量碳排放的情形,已經(jīng)被北京市第三產(chǎn)業(yè)對能源大量需求和消費取代,因此第三產(chǎn)業(yè)碳排放變得異常突出

[46].從國際經(jīng)驗看,第三產(chǎn)業(yè)消耗的能源和資源比第二產(chǎn)業(yè)少,其比重上升有利于降低環(huán)境影響,北京市進一步推動產(chǎn)業(yè)結(jié)構(gòu)優(yōu)化,需要將工業(yè)制造業(yè)發(fā)展面向高端,重點依賴現(xiàn)代服務業(yè)和高新技術(shù)產(chǎn)業(yè),作為節(jié)能減排的主要途徑.

圖4 各模型變量的投影重要性指標VIPFig.4 The VIP value of each variables in PLS model

從研發(fā)投入比重對城市碳排放影響看,在模型所有抑制因素中影響最低,表明科技進步對北京城市碳排放起到作用相對薄弱.北京市多年來一直是全國科技中心和技術(shù)創(chuàng)新基地,高校、科研院所和高端人才數(shù)量密集,科研設施先進,技術(shù)領域全面,研發(fā)經(jīng)費及科技人員數(shù)量等都在全國名列前茅.但是北京市在科技創(chuàng)新方面存在一定問題,體現(xiàn)在缺乏協(xié)同創(chuàng)新機制,條塊分割加劇了不同科研機構(gòu)間的協(xié)調(diào)成本,企業(yè)不是創(chuàng)新的主體,科技創(chuàng)新的產(chǎn)業(yè)化效果不突出,重技術(shù)引進輕技術(shù)消化等[47].這些不利因素嚴重降低了科技創(chuàng)新在北京市節(jié)能降碳中發(fā)揮的作用.在全球范圍內(nèi)看,科技創(chuàng)新是節(jié)能減排的關鍵所在,從節(jié)能技術(shù)到新能源開發(fā)利用、節(jié)能產(chǎn)品和服務已經(jīng)成為各國低碳能源戰(zhàn)略的重點.北京市應整合科技資源,加強并協(xié)調(diào)區(qū)域低碳技術(shù)創(chuàng)新要素間互動,推進產(chǎn)學研合作和技術(shù)轉(zhuǎn)移,加強低碳產(chǎn)業(yè)布局和制度創(chuàng)新,提高低碳競爭力,使科技進步與城市低碳建設更緊密的結(jié)合.

為了更好的測度各個自變量xj對偏小二乘模型因變量的作用,本研究采用變量投影重要性指標 VIP.VIP反映每個自變量在解釋因變量時作用的重要性,如果某自變量擁有相對較小的VIP指數(shù)值(小于 0.8),認為該變量對模型的解釋度不高,可考慮剔除該自變量,VIP指數(shù)表達式定義如下.

式中:VIPj為xj變量的重要性指數(shù);Rd(Y;t1,…,tm)為偏小二乘模型的累積解釋能力,t1,…,tm為自變量提取出的成分;whj為軸wh的第j個分量,被用于測量xj對構(gòu)造th成分的邊際貢獻.圖3為偏小二乘模型各個系數(shù)的VIP值圖.VIP計算模型解釋能力結(jié)果與回歸系數(shù)擬合擁有較好的一致性.可見每個變量的VIP均大于0.9,變量在解釋因變量北京城市碳排放能力作用較強.所有變量中,城市化擁有最高的解釋力度,其次為富裕度指標、人口、單位GDP能耗、二產(chǎn)比重、三產(chǎn)比重和研發(fā)投入比重.

3 討論

本文采用城市直接能源消費碳排放和基于外調(diào)電力的間接能源碳排放估算的城市碳足跡,評估范圍和計算結(jié)果比以往基于直接排放評估大,與國際通行規(guī)則一致,在國內(nèi)外近期研究得到越來越多的應用[20,37,48].在模型模擬方面,對STIRPAT模型因子進行了擴展,將人口因素(人口規(guī)模、城市化水平)、人均收入水平、技術(shù)進步水平(產(chǎn)業(yè)結(jié)構(gòu)、單位GDP能耗、科技研發(fā)投入占 GDP比重)等變量納入驅(qū)動變量范圍,擴充了碳排放影響驅(qū)動力指標體系,考慮更為全面.

本文在諸多方面值得進一步探討.一個值得深入研究的問題是技術(shù)因素因子的選擇,一方面不同研究者對技術(shù)因子選取的具體指標不同,可能對研究結(jié)果產(chǎn)生一定的影響;另一方面由于STIRPAT模型擴展度高,有研究者提出將技術(shù)因素T歸并到誤差項e中成為涵蓋文化、制度、組織等綜合因素,而不進行單獨估計[6-7,30].采取后一種方法的優(yōu)點是以誤差項簡化模型因子,缺點是無法區(qū)分細微因素的影響.本文是在總結(jié)前人研究成果的基礎上提出技術(shù)因子指標,下一步的改進方向是利用不同的技術(shù)因素指標集合來篩選和研究其與城市碳足跡的相互關系.

4 結(jié)論

4.1 基于已有研究成果和北京市具體實際情況,對常規(guī)STIRPAT模型因子進行了擴展,選取了人口因素、人均收入水平、技術(shù)進步水平等變量,建立了改進后的北京市非線性碳足跡 STIRPAT模型.偏小二乘模型的應用既保證了回歸變量的充分利用,又避免了多重共線性的產(chǎn)生.

北京市 1990～2011年城市總碳足跡由4723.95×104t上升到15830.62×104t二氧化碳當量(CO2-eq),總碳足跡增加了2.35倍,年平均增長率為6.09%.人均碳足跡由4.35t/a上升到7.84t/a,人均碳足跡增加了 80.29%,年平均增長率為3.00%.

4.2 基于PLS模型和STIRPAT模型的擬合結(jié)果通過了各項顯著性檢驗,北京城市碳足跡主要驅(qū)動因子包括城市化水平、人均收入、人口、能源消費強度、產(chǎn)業(yè)結(jié)構(gòu)和研發(fā)投入比重等,各驅(qū)動因子系數(shù)符號與大小滿足城市增長模式和經(jīng)濟學意義上的檢驗,與北京城市發(fā)展實際情況吻合.

4.3 從驅(qū)動因子影響程度和方向上看,城市化水平、人口、人均收入水平等增加會促進城市碳排放量擴大.其中城市化水平對促進北京市能源消費碳排放量作用最大,其次為人均收入水平和人口,對城市碳排放的彈性系數(shù)分別為 2.20、0.493和0.225.就北京而言,尚未扭轉(zhuǎn)傳統(tǒng)攤大餅式城市發(fā)展思路,快速的城市化過程加大的基礎設施建設和能源需求,外來人口涌入城市增加了資源環(huán)境壓力,另外生活水平和人均消費水平提高等誘因都在推動北京市碳排放水平持續(xù)增高.從城市碳排放與人均收入水平關系發(fā)現(xiàn),研究期內(nèi)北京市二氧化碳排放不存在環(huán)境庫茲涅茨曲線,與國內(nèi)其他省市已有研究結(jié)論相似,經(jīng)濟發(fā)展與環(huán)境保護尚未實現(xiàn)協(xié)同.需要指出北京城市碳排放總量雖然整體狀況還在增加,但增長速度在逐步放緩.

4.4 萬元GDP能源強度、二產(chǎn)和三產(chǎn)比重以及研發(fā)投入比重等驅(qū)動因子能夠抑制城市碳足跡增加.其中萬元 GDP能耗強度負向影響力最高,二產(chǎn)比重、三產(chǎn)比重和研發(fā)投入比重影響程度依次降低,它們對城市碳排放的彈性系數(shù)分別為0.147、0.138、0.104和0.092.代表地區(qū)能源消費構(gòu)成、經(jīng)濟增長方式、設備技術(shù)裝備水平及能源利用效率等綜合性指標的單位能耗強度,對北京市碳減排的作用最大,但仍不足以抵消城市化、人口、收入水平等其他因素引起的二氧化碳增長量.此外過去的十幾年,因奧運年份等短期政策強化導致城市二產(chǎn)比重降低,對碳減排起到了積極的作用,但煉焦、鋼鐵、化工等行業(yè)從首都搬遷或停產(chǎn)后,繼續(xù)通過二產(chǎn)減排的空間和潛力不大.未來相當長一段時期,提高以現(xiàn)代服務業(yè)為代表的第三產(chǎn)業(yè)比重,提升質(zhì)量,培育發(fā)展高新技術(shù)產(chǎn)業(yè)和節(jié)能環(huán)保產(chǎn)業(yè),鼓勵和扶持低碳產(chǎn)業(yè)發(fā)展應當?shù)玫礁嗟闹匾?

4.5 提出以下政策化建議.第一,控制城市化速度與水平對影響北京城市碳排放具有重要意義,有必要科學合理規(guī)劃低碳城市,在城市化空間結(jié)構(gòu)方面,大力發(fā)展集中型、緊湊型及組團型的城鎮(zhèn)空間布局模式來減少碳排放,同時打造低碳建筑和低碳交通體系.第二,北京人口基數(shù)巨大,在未來一段時期內(nèi),城市人口總量仍會保持增長,人口對資源、能源需求和相應的碳排放也會相應增長.因此在生育自愿的情況下,適當?shù)目刂迫丝趯τ跍p少城市碳排放壓力有所幫助,其中重要措施之一是完善戶籍制度,發(fā)揮制度在引導、服務和管理外來人口方面的作用,另外通過產(chǎn)業(yè)轉(zhuǎn)移,向周邊地區(qū)疏導人口,控制城市人口總量.第三,合理引導居民消費,鼓勵居民向綠色消費和低碳消費發(fā)展.第四,依靠科技創(chuàng)新和技術(shù)進步來建設低碳城市,北京市需要發(fā)揮本地科技資源優(yōu)勢,吸收和開發(fā)先進低碳環(huán)保技術(shù),加強并協(xié)調(diào)區(qū)域低碳技術(shù)創(chuàng)新要素間互動,推進產(chǎn)學研合作和技術(shù)轉(zhuǎn)移,提高低碳競爭力.

[1]Ehrlich P R, Holdren J P. Impact of population growth [J].Science, 1971,171(3977):1212-1217.

[2]Stern P C, Young O R, Druckman D. Global environmental change: Understanding the human dimensions [M]. Washington,D.C.: National Academies Press, 1991.

[3]Raskin P D. Methods for estimating the population contribution to environmental change [J]. Ecological Economics, 1995,15(3):225-233.

[4]York R, Rosa E A, Dietz T. STIRPAT, IPAT and ImPACT:analytic tools for unpacking the driving forces of environmental impacts [J]. Ecological Economics, 2003,46(3):351-365.

[5]York R, Rosa E A, Dietz T. Bridging environmental science with environmental policy: plasticity of population, affluence, and technology [J]. Social Science Quarterly, 2002,83(1):18-34.

[6]Shi A. The impact of population pressure on global carbon dioxide emissions, 1975-1996: evidence from pooled crosscountry data [J]. Ecological Economics, 2003,44(1):29-42.

[7]Dietz T, Rosa E A. Effects of population and affluence on CO2emissions [J]. Proceedings of the National Academy of Sciences,1997,94(1):175-179.

[8]Poumanyvong P, Kaneko S. Does urbanization lead to less energy use and lower CO2emissions? A cross-country analysis [J].Ecological Economics, 2010,70(2):434-444.

[9]Lin S, Zhao D, Marinova D. Analysis of the environmental impact of China based on STIRPAT model [J]. Environmental Impact Assessment Review, 2009,29(6):341-347.

[10]燕 華,郭運功,林逢春.基于 STIRPAT模型分析 C02控制下上海城市發(fā)展模式 [J]. 地理學報, 2010,65(8):983-990.

[11]盧 娜,曲福田,馮淑怡,等.基于STIRPAT模型的能源消費碳足跡變化及影響因素——以江蘇省蘇錫常地區(qū)為例 [J]. 自然資源學報, 2011,26(5):814-824.

[12]任婉俠,耿 涌,薛 冰.中國老工業(yè)城市能源消費碳排放的驅(qū)動力分析—以沈陽市為例 [J]. 應用生態(tài)學報. 2012,23(10):2829-2835.

[13]黃 蕊,王 錚.基于 STIRPAT模型的重慶市能源消費碳排放影響因素研究 [J]. 環(huán)境科學學報, 2013,33(2):602-608.

[14]何 強,呂光明.基于 IPAT模型的生態(tài)環(huán)境影響分析——以北京市為例 [J]. 中央財經(jīng)大學學報, 2008(12):83-88.

[15]Du L, Wei C, Cai S. Economic development and carbon dioxide emissions in China: Provincial panel data analysis [J]. China Economic Review, 2012,23(2):371-384.

[16]Li H, Mu H, Zhang M, et al. Analysis of regional difference on impact factors of China’s energy-Related CO2emissions [J].Energy, 2012,39(1):319-326.

[17]Martínez-Zarzoso I, Maruotti A. The impact of urbanization on CO2emissions: Evidence from developing countries [J].Ecological Economics, 2011,70(7):1344-1353.

[18]Wang P, Wu W, Zhu B, et al. Examining the impact factors of energy-related CO2emissions using the STIRPAT model in Guangdong Province, China [J]. Applied Energy, 2013,106:65-71.

[19]IEA. World energy outlook 2010 [M]. Paris: IEA Publication,2008.

[20]Dodman D. Blaming cities for climate change? An analysis of urban greenhouse gas emissions inventories [J]. Environment and Urbanization, 2009,21(1):185-201.

[21]Hammond G. Time to give due weight to the 'carbon footprint'issue [J]. Nature, 2007,445(7125):256.

[22]Wiedmann T, Minx J. A definition of 'carbon footprint' [J].Ecological Economics Research Trends, 2007,1:1-11.

[23]Matthews H S, Hendrickson C T, Weber C L. The importance of carbon footprint estimation boundaries [J]. Environmental Science and Technology, 2008,42(16):5839-5842.

[24]Wiedmann T. EDITORIAL: Carbon footprint and input-output analysis-an introduction [J]. Economic Systems Research, 2009,21(3):175-186.

[25]Virtanen Y, Kurppa S, Saarinen M, et al. Carbon footprint of food–approaches from national input–output statistics and a LCA of a food portion [J]. Journal of Cleaner Production, 2011,19(16):1849-1856.

[26]王 微,林劍藝,崔勝輝,等.碳足跡分析方法研究綜述 [J]. 環(huán)境科學與技術(shù), 2010,33(7):71-78.

[27]ICLEI. GLOBAL PROTOCOL FOR COMMUNITY-SCALE GHG EMISSIONS (GPC) [R]. 2011. http://www.ghgprotocol.org/files/ghgp/GPC%20v9%2020120320.pdf

[28]UNEP. International Standard for Determining Greenhouse Gas Emissions for Cities [R]. 2010. http://www.unep.org/urban_environment/PDFs/InternationalStd-GHG.pdf

[29]Dodman D. Blaming cities for climate change? An analysis of urban greenhouse gas emissions inventories [J]. Environment and Urbanization, 2009,21(1):185-201.

[30]Dietz T, Rosa E A. Rethinking the environmental impacts of population, affluence and technology [J]. Human Ecology Review,1994,1:277-300.

[31]許 泱,周少甫.我國城市化與碳排放的實證研究 [J]. 長江流域資源與環(huán)境, 2011,20(11):1304-1309.

[32]Barnes D F, Krutilla K, Hyde W F. The urban household energy transition: social and environmental impacts in the developing world [M]. Rff Press, 2005.

[33]Wang Z, Yin F, Zhang Y, et al. An empirical research on the influencing factors of regional CO2emissions: Evidence from Beijing city, China [J]. Applied Energy, 2012,100:277-284.

[34]林伯強,劉希穎.中國城市化階段的碳排放:影響因素和減排策略 [J]. 經(jīng)濟研究, 2010(8):66-78.

[35]北京市統(tǒng)計局.北京市統(tǒng)計年鑒 1991-2012 [M]. 北京:中國統(tǒng)計出版社, 2012.

[36]Houghton J T. IPCC guidelines for national greenhouse gas inventories [M]. IPCC WGI Technical Support Unit, 1997.

[37]陳操操,劉春蘭,田 剛,等.城市溫室氣體清單評價研究 [J]. 環(huán)境科學, 2010,31(11):2780-2787.

[38]李國志,李宗植.中國二氧化碳排放的區(qū)域差異和影響因素研究[J]. 中國人口·資源與環(huán)境, 2010,20(5):22-27.

[39]Wold S, Ruhe A, Wold H, et al. The collinearity problem in linear regression. The partial least squares (PLS) approach to generalized inverses [J]. SIAM Journal on Scientific and Statistical Computing, 1984,5(3):735-743.

[40]王惠文,吳載斌,孟 潔.偏最小二乘回歸的線性與非線性方法[M]. 北京:國防工業(yè)出版社, 2006.

[41]York R. Demographic trends and energy consumption in European Union Nations, 1960-2025 [J]. Social Science Research,2007,36(3):855-872.

[42]Boserup E. Population and technological change: A study of long-term trends [M]. Chicago: University of Chicago Press,1981.

[43]彭希哲,朱 勤.我國人口態(tài)勢與消費模式對碳排放的影響分析[J]. 人口研究, 2010,34(01):48-58.

[44]孫昌龍,靳 諾,張小雷,等.城市化不同演化階段對碳排放的影響差異 [J]. 地理科學, 2013(03):266-272.

[45]Burton E. The compact city: just or just compact? A preliminary analysis [J]. Urban Studies, 2000,37(11):1969-2006.

[46]朱遠程,張士杰.基于 STIRPAT模型的北京地區(qū)經(jīng)濟碳排放驅(qū)動因素分析 [J]. 特區(qū)經(jīng)濟, 2012(1):77-79.

[47]張 耘.北京科技創(chuàng)新能力還須提升 [J]. 中國改革, 2007(9):40-42.

[48]林劍藝,孟凡鑫,崔勝輝,等.城市能源利用碳足跡分析——以廈門市為例 [J]. 生態(tài)學報, 2012,32(12):3782-3794.