陳操操,蔡博峰,孫 粉,丁 都,于鳳菊,楊曉燕,王立波,賈秋淼,莊云鵬,胡永鋒,王金南

?

京津冀與長(zhǎng)三角城市群碳排放的空間聚集效應(yīng)比較

陳操操1*,蔡博峰2,孫 粉1,丁 都1,于鳳菊1,楊曉燕1,王立波1,賈秋淼1,莊云鵬1,胡永鋒1,王金南2

(1.北京市應(yīng)對(duì)氣候變化研究中心,北京100031；2.環(huán)境保護(hù)部環(huán)境規(guī)劃院,北京100012)

基于中國高空間分辨率碳排放網(wǎng)格數(shù)據(jù)(CHRED),采用探索性空間分析手段(ESDA)和空間回歸模型分析京津冀和長(zhǎng)三角城市群碳排放指標(biāo)空間格局和聚集特點(diǎn),通過顯著性檢驗(yàn)選擇空間滯后回歸(SLM)和空間誤差回歸(SEM)方法,揭示城市群碳排放水平的影響因素.結(jié)果表明,京津冀城市群碳排放在空間上表現(xiàn)出更多的隨機(jī)性和結(jié)構(gòu)不穩(wěn)定性,Moran自相關(guān)系數(shù)為-0.131;長(zhǎng)三角城市群碳排放在空間上表現(xiàn)聚集趨勢(shì)明顯,Moran自相關(guān)系數(shù)0.106,二氧化碳排放受到臨近區(qū)域的影響.人口和經(jīng)濟(jì)因素是京津冀城市群和長(zhǎng)三角城市群碳排放的最主要驅(qū)動(dòng)因素.總體上長(zhǎng)三角地區(qū)碳排放總體擴(kuò)散效應(yīng)顯著,而京津冀城市群極化效應(yīng)更明顯.區(qū)域發(fā)展的多中心化是大城市病治理的重要導(dǎo)向,同時(shí)要注意對(duì)區(qū)域碳排放溢出熱點(diǎn)進(jìn)行控制,促進(jìn)城市群一體化和低碳化發(fā)展,實(shí)現(xiàn)區(qū)域碳平衡.

城市群；聚集效應(yīng)；空間模型；影響因素

在全球氣候變暖的大背景下,氣候變化與城市擴(kuò)張效應(yīng)交織在一起,也使得人口和財(cái)富高度密集的城市群面臨著不斷加劇的氣候?yàn)?zāi)害風(fēng)險(xiǎn).由于城市能夠在應(yīng)對(duì)氣候變化方面起到關(guān)鍵的作用[1],如何降低資源能源消耗、轉(zhuǎn)變舊有發(fā)展模式,走出集約、低碳、綠色新型城鎮(zhèn)化道路成為我國城鎮(zhèn)化發(fā)展的重要導(dǎo)向.

近年來,有關(guān)區(qū)域或城市空間聚集特征以及與環(huán)境要素的關(guān)系成為不同學(xué)科背景學(xué)者關(guān)注的熱點(diǎn),主要集中在下面3個(gè)方面:(1)基于統(tǒng)計(jì)數(shù)據(jù)、遙感數(shù)據(jù)等評(píng)估不同區(qū)域尺度能源消費(fèi)碳排放量、人均碳排放量空間格局及變化趨勢(shì)[2-5].(2)研究SO2、NO等大氣污染物及CO2等與收入之間的環(huán)境庫茲涅茨曲線關(guān)系[6-10].(3)綜合運(yùn)用空間相關(guān)、面板數(shù)據(jù)等計(jì)量經(jīng)濟(jì)學(xué)模型分析城市群分析碳排放的影響因素與機(jī)制[11-14].研究的角度涵蓋了國家[4,15-17]、區(qū)域[2,8,18-19]、城市[4,9,20-21]以及家庭和個(gè)人層面[22-24]維度.研究者開始從傳統(tǒng)的回歸分析方法上升到空間分析方法,將區(qū)域差異和空間關(guān)聯(lián)考慮到研究當(dāng)中,側(cè)重于國家和省級(jí)尺度,研究模型多選擇空間自相關(guān)模型、截面模型或其他空間計(jì)量模型,然而欠缺在城市群尺度考慮空間關(guān)聯(lián)且針對(duì)碳排放空間聚集特征與影響因素的研究.大量研究表明,基于社會(huì)經(jīng)濟(jì)特征的距離權(quán)重空間計(jì)量模型能夠較好地解釋區(qū)域能源消費(fèi)及碳排放的空間效應(yīng)及其區(qū)域差異.

我國目前20多個(gè)城市群地區(qū)集中了全國一半以上的人口總量,近7成的固定資產(chǎn)投資及超過80%的經(jīng)濟(jì)總量[25].本研究選擇京津冀和長(zhǎng)三角城市群進(jìn)行對(duì)比分析,首先通過探索性空間分析了解碳排放變量的空間分布和自相關(guān)性,包括變量空間分布、全局空間自相關(guān)和局部自相關(guān)分析,其次設(shè)計(jì)合理的空間回歸模型,基于顯著性檢驗(yàn)選擇空間滯后回歸、空間誤差回歸和空間加權(quán)回歸模型,揭示城市群碳排放水平的影響因素,探討制定城市群低碳政策的依據(jù).

1 數(shù)據(jù)與方法

1.1 研究區(qū)簡(jiǎn)介

根據(jù)2015年國務(wù)院審議通過的《京津冀協(xié)同發(fā)展規(guī)劃綱要》[26],京津冀城市群包括北京市、天津市以及河北省的保定、廊坊、唐山、張家口、承德、秦皇島、滄州、衡水、邢臺(tái)市、邯鄲、石家莊等11個(gè)地級(jí)市和河南省安陽市,面積22.5萬km2,北京和天津是京津冀城市群的雙核心城市,京津冀其他城市相對(duì)京津而言為邊緣地區(qū).據(jù)統(tǒng)計(jì)數(shù)據(jù)顯示,2012年京津冀城市群地區(qū)生產(chǎn)總值約為5.96萬億元,占全國GDP的11.5%,常住人口1.1億人,占全國總?cè)丝诘?.1%.

長(zhǎng)三角城市群在上海市、江蘇省、浙江省、安徽省范圍內(nèi),主要分布于國家兩橫三縱城市化格局的優(yōu)化開發(fā)和重點(diǎn)開發(fā)區(qū)域.根據(jù)2016年5月國務(wù)院批準(zhǔn)的《長(zhǎng)江三角洲城市群發(fā)展規(guī)劃》[27],范圍包括:上海市,江蘇省的南京、無錫、常州、蘇州、南通、鹽城、揚(yáng)州、鎮(zhèn)江、泰州,浙江省的杭州、寧波、嘉興、湖州、紹興、金華、舟山、臺(tái)州,安徽省的合肥、蕪湖(國務(wù)院在2011年7月14日以國函[2011] 84號(hào)文下發(fā)給安徽省名為《國務(wù)院關(guān)于同意安徽省撤銷地級(jí)巢湖市及部分行政區(qū)劃調(diào)整的批復(fù)》,對(duì)巢湖市,蕪湖市和馬鞍山市的管轄范圍進(jìn)行調(diào)整.本文所有研究邊界按照調(diào)整后的范圍進(jìn)行分析)、馬鞍山、銅陵、安慶、滁州、池州、宣城等26市,面積21萬km2,上海是長(zhǎng)三角城市群的核心城市.2012年長(zhǎng)三角城市群地區(qū)生產(chǎn)總值約為10.76萬億元,占全國GDP的20.7%,常住人口1.43億人,占全國總?cè)丝诘?0.6%.

1.2 數(shù)據(jù)來源與處理方法

1.2.1 全局空間自相關(guān)模型 空間數(shù)據(jù)擁有兩個(gè)重要特征,即空間自相關(guān)(Spatial Autocorrelation)和空間異質(zhì)性(Spatial Heterogeneity)[28].空間計(jì)量統(tǒng)計(jì)通常采用2類統(tǒng)計(jì)指標(biāo),Moran I指數(shù)以及Geary c指數(shù)[29-30],其作用基本相同,在實(shí)際研究中Moran指數(shù)更為常用.因此本研究選擇Moran全局自相關(guān)和局部自相關(guān)指數(shù)[28,31-32],借助空間探索性分析技術(shù)(Exploratory Spatial Data Analysis)分析城市碳排放的空間自相關(guān)性,識(shí)別城市群不同區(qū)域間碳排放數(shù)據(jù)的空間依賴性或空間自相關(guān)特征.其中,全局空間自相關(guān)Moran’s指數(shù)定義如下:

1.2.2 局部空間自相關(guān)模型 全局自相關(guān)并未對(duì)空間自相關(guān)的區(qū)域結(jié)構(gòu)進(jìn)行評(píng)價(jià),不能完全反映區(qū)域內(nèi)部空間聚集特征,可進(jìn)一步采用局部自相關(guān)探測(cè)出區(qū)域的高值聚集區(qū)(熱點(diǎn))和低值聚集區(qū)(冷點(diǎn))[33].LISA(Local Indicators of Spatial Association)是將全局自相關(guān)Moran’s分解到各個(gè)區(qū)域單元.本研究定義的局部空間關(guān)聯(lián)性指標(biāo)Local Moran’s指數(shù)如下所示:

式中:Y同上表示第地區(qū)的觀測(cè)值,z是x的標(biāo)準(zhǔn)化變換,w為歸一化后的權(quán)重矩陣.局部Moran’s可解釋為從局部和全局統(tǒng)計(jì)之間得到的局部不穩(wěn)定指標(biāo).顯著性水平可以根據(jù)的值檢驗(yàn)水平來確定.根據(jù)局部Moran’s的含義,結(jié)合Moran散點(diǎn)圖,可將城市之間的局部空間關(guān)聯(lián)性質(zhì)劃分為高-高(HH)、低-低(LL)、低-高(LH)和高-低(HL)等4種類型,診斷區(qū)域空間聚集的“熱點(diǎn)”和“冷點(diǎn)”.Moran散點(diǎn)圖中高-高(HH)表示研究區(qū)高值區(qū)域被高值區(qū)域包圍;低低(LL)表示低值區(qū)域被低值區(qū)域包圍;高-低(HL)表示高值區(qū)域被低值區(qū)域包圍;低-高(LH)表示低值區(qū)域被高值區(qū)域包圍.而HH(LL)聚集型的局部Moran’s指數(shù)為正值,城市之間研究指標(biāo)存在正向的空間自相關(guān)關(guān)系,形成高值(或低值)空間聚集效應(yīng).HL(LH)聚集型的局部Moran’s指數(shù)為負(fù)值,城市之間研究指標(biāo)存在負(fù)向的空間自相關(guān)關(guān)系,形成高低值聚集的空間效應(yīng).

1.2.3 空間回歸模型 空間效應(yīng)是空間數(shù)據(jù)的基本特征,反映空間因素對(duì)經(jīng)濟(jì)計(jì)量模型的影響.本文使用的空間計(jì)量模型主要考慮了空間效應(yīng)(空間相關(guān)和空間差異)的空間回歸模型,包括2種類型:空間滯后模型(Spatial Lag Model,SLM)和空間誤差模型(Spatial Error Model,SEM)[34].空間滯后模型主要是探討各變量在區(qū)域是否存在擴(kuò)散現(xiàn)象(溢出效應(yīng)).其模型基本表達(dá)式如下:

式中:為因變量;與分別對(duì)應(yīng)常規(guī)回歸模型中的自變量和殘差項(xiàng),參數(shù)反映了自變量對(duì)因變量的影響;為空間滯后因變量效應(yīng)系數(shù);為×階的空間權(quán)值矩陣;反映了空間效應(yīng)對(duì)區(qū)域變量的作用.空間誤差模型用于發(fā)現(xiàn)區(qū)間的相互作用因所處的相對(duì)位置不同而存在的差異.其模型基本表達(dá)式如下:

式中:與與空間滯后模型含義一致,區(qū)別之處在于空間誤差模型反映空間對(duì)因變量的影響并非反映在空間滯后因變量上,而是表現(xiàn)在模型沒有考慮的誤差項(xiàng)上,度量了鄰近地區(qū)關(guān)于因變量的誤差沖擊對(duì)本地區(qū)觀察值的影響程度.

根據(jù)Dietz等[35]提出的經(jīng)典模型的基本假定,人口規(guī)模()、人均財(cái)富()和技術(shù)進(jìn)步水平()是對(duì)環(huán)境壓力()的主要影響因素.綜合已有類似研究,為避免模型因子過多而出現(xiàn)多重共線性,以碳排放為被解釋變量,以人口規(guī)模和人均財(cái)富為解釋變量,技術(shù)因素作為殘差項(xiàng).將京津冀和長(zhǎng)三角城市群地區(qū)各城市碳排放分解為溢出效應(yīng)和增長(zhǎng)效應(yīng),結(jié)合空間相關(guān)分析構(gòu)建空間滯后模型和空間誤差模型,其模型表達(dá)式如下.

對(duì)于SLM和SEM模型如采用傳統(tǒng)的最小二乘法(OLS),系數(shù)估計(jì)會(huì)有偏或者無效,需要通過極大似然法或廣義最小二乘法等來進(jìn)行估計(jì).本文選取極大似然法來估計(jì)SLM和SEM模型的參數(shù)[34,36],然后使用LM檢驗(yàn)判斷2種模型的適合程度,采用的檢驗(yàn)參數(shù)包括對(duì)數(shù)似然函數(shù)值(LogL)、似然比率(LR)、赤池信息準(zhǔn)則(AIC)和施瓦茨準(zhǔn)則(SC).LogL值越大,LR值越顯著,AIC值和SC值越小,模型的擬合效果越好.空間統(tǒng)計(jì)分析采用Arcgis10.1和GeoDa0.95i.

京津冀城市群和長(zhǎng)三角城市群碳排放數(shù)據(jù)來自基于中國高空間分辨率網(wǎng)格數(shù)據(jù)(CHRED)建立的中國2012年排放網(wǎng)格數(shù)據(jù)[37].該數(shù)據(jù)采用了統(tǒng)一數(shù)據(jù)源和規(guī)范化、標(biāo)準(zhǔn)化數(shù)據(jù)處理方法,數(shù)據(jù)來源于北京、天津、河北、河南、上海、浙江、江蘇、安徽等省市地區(qū)相應(yīng)年份的統(tǒng)計(jì)年鑒,是國內(nèi)首個(gè)自下而上建立的排放網(wǎng)格數(shù)據(jù),適合于國內(nèi)相關(guān)研究橫向比較和對(duì)標(biāo).數(shù)據(jù)范圍為2012年京津冀城市群14個(gè)地級(jí)市,長(zhǎng)三角城市群26個(gè)地級(jí)市的碳排放、人口和人均GDP等數(shù)據(jù).

2 結(jié)果與討論

2.1 描述性統(tǒng)計(jì)分析

如表1,在區(qū)域碳排放總量,單位面積排放量等指標(biāo)上,京津冀城市群低于長(zhǎng)三角城市群,但在城市平均碳排放水平,京津冀地區(qū)高于長(zhǎng)三角地區(qū).京津冀城市群2012年碳排放量總量為11.4億t,長(zhǎng)三角城市群總量14.5億t;單位面積碳排放對(duì)比,京津冀城市群?jiǎn)挝幻娣e碳排放0.51萬t/km2,低于長(zhǎng)三角地區(qū)同類指標(biāo)0.69萬t/km2.城市碳排放平均水平對(duì)比,京津冀地區(qū)由于城市數(shù)量少平均排放量相對(duì)更高,京津冀城市群平均碳排放為8175萬t,是長(zhǎng)三角城市群平均碳排放5582萬t的1.46倍.京津冀城市群14座城市中排放量超過15000萬t的城市有3座,排放量最高的城市為天津,排放量為22074萬t.相比之下,長(zhǎng)三角城市群26座城市中排放量超過15000萬t的城市只有2座,上海市碳排放量在兩個(gè)城市群中最高,達(dá)到25726萬t.2個(gè)城市群均由超大型中心城市、中型城市和小型城市構(gòu)成,京津冀城市群碳排放變異系數(shù)80.84%,要略低于長(zhǎng)三角城市群92.03%,相比之下長(zhǎng)三角城市群碳排放離散程度更高.

表1 2012年京津冀和長(zhǎng)三角城市群二氧化碳描述性統(tǒng)計(jì)結(jié)果(萬tCO2當(dāng)量)

2.2 空間聚集形態(tài)

將京津冀和長(zhǎng)三角城市群碳排放分級(jí)并符號(hào)化和空間化,如圖1所示,京津冀城市群核心城市、次級(jí)城市和衛(wèi)星城市在碳排放上的梯級(jí)關(guān)聯(lián)不明顯,緊鄰的北京、天津和唐山是京津冀排放最高的3個(gè)城市,排放量均在15000萬t以上,次級(jí)城市石家莊和邯鄲,排放量高于8000萬t但低于15000萬t,處于4000~8000萬t級(jí)別的城市3個(gè),位于城市群西部南北方向,剩下6個(gè)城市均在4000萬t以下,然而圍繞著京津冀核心城市北京和天津,其他城市碳排放空間聯(lián)系并不明顯.而長(zhǎng)三角城市群碳排放存在較明顯的沿江和沿海梯級(jí)聯(lián)系,在沿長(zhǎng)江方向上,上海和蘇州是排放量高于15000萬t的2個(gè)城市,南京排放位于8000~15000萬t之間,是沿長(zhǎng)江方向的次級(jí)排放城市,常州、無錫、合肥等沿江城市排放位于4000~8000萬t之間.除此之外,長(zhǎng)三角城市群南部及沿海的杭州和寧波同屬于8000~15000萬t排放級(jí)別.總體上看長(zhǎng)三角城市群碳排放量呈現(xiàn)聚集的連片分布和梯級(jí)特征,表明空間分布可能存在空間關(guān)聯(lián).

2.3 全局與局部空間自相關(guān)分析

通過表2的結(jié)果可見,京津冀城市群碳排放量全局Moran’s指數(shù)為-0.131,檢驗(yàn)為負(fù)值,但未通過值顯著性檢驗(yàn),京津冀研究區(qū)域碳排放體現(xiàn)為高低集聚,整體空間異質(zhì)性大;長(zhǎng)三角城市群地區(qū)全局Moran’s指數(shù)為0.106,檢驗(yàn)數(shù)值較高,且值通過10%的顯著性檢驗(yàn),表明長(zhǎng)三角城市群碳排放空間整體體現(xiàn)為聚集性特點(diǎn).

(a)京津冀城市碳排放

(b)長(zhǎng)三角城市群碳排放

圖1 研究區(qū)碳排放分級(jí)

Fig.1 classification map of carbon dioxide emissions in research region

表2 京津冀和長(zhǎng)三角城市群二氧化碳全局自相關(guān)檢驗(yàn)

注:*代表通過a=0.10的顯著性水平檢驗(yàn).

通過建立Moran散點(diǎn)圖了解研究區(qū)域的空間自相關(guān)性,挖掘碳排放總量的空間聚集格局變化的可視化信息.由圖2可見,京津冀城市群中71%以上的城市位于高-低(HL)型或低-高(LH)型區(qū)域,形成空間負(fù)相關(guān)分布.京津冀城市群有保定、滄州、衡水和天津4城市碳排放表現(xiàn)為正向的空間關(guān)聯(lián)性,低-低(LL)型城市3個(gè),高-高(HH)型城市僅天津1個(gè).長(zhǎng)三角城市群中超過半數(shù)共14個(gè)城市表現(xiàn)為正向的空間關(guān)聯(lián)性,其中高-高(HH)型城市3個(gè),分別為上海、無錫和蘇州,低-低(LL)型城市11個(gè),主要分布在長(zhǎng)三角西部和北部城市群外圍的合肥、安慶和池州等地.長(zhǎng)三角城市群位于高-低(HL)型或低-高(LH)型區(qū)域城市共12個(gè),分布在上海、蘇州、無錫、杭州等中心城市或次級(jí)中心城市周邊.

在Z檢驗(yàn)的基礎(chǔ)上生成京津冀和長(zhǎng)三角城市局部區(qū)域聚集圖,借助局部空間聚集分析了解區(qū)域城市群碳排放極化、擴(kuò)散作用及冷熱點(diǎn)分區(qū)情況,可以通過經(jīng)濟(jì)發(fā)展情況對(duì)碳排放冷熱點(diǎn)分區(qū)進(jìn)行解釋.京津冀城市群在局部區(qū)域上Moran's指數(shù)通過0.05顯著性水平檢驗(yàn)的地區(qū)為承德市,顯示為低-高(LH)類型.承德市緊鄰北京和天津,作為首都生態(tài)安全屏障,盡管區(qū)位優(yōu)勢(shì)明顯,礦產(chǎn)資源、清潔能源和農(nóng)產(chǎn)品資源豐富,但是經(jīng)濟(jì)發(fā)展相對(duì)落后,城鎮(zhèn)化整體水平和經(jīng)濟(jì)結(jié)構(gòu)均不高,隨之碳排放水平也處于較低的水平.長(zhǎng)三角城市群在局部區(qū)域上有4個(gè)城市Moran's指數(shù)通過0.05顯著性水平檢驗(yàn).上海市作為長(zhǎng)三角城市群的核心城市,屬于局部自相關(guān)高-高(HH)類型區(qū)域,與周邊的蘇州等地形成碳排放空間聚集區(qū)域.位于上海和蘇州南北兩翼的嘉興和南通市碳排放與上海市和蘇州距離較大,屬于局部自相關(guān)為低-高(LH)類型區(qū)域.位于安徽在長(zhǎng)三角地區(qū)經(jīng)濟(jì)發(fā)展水平相對(duì)較低,以池州市為代表形成低-低(LL)類型區(qū)域.

2.4 空間回歸模型分析

基于空間回歸模型分析城市群碳排放的影響因素,其初始假定人口和GDP是城市群碳排放的重要影響因子,將空間相互作用關(guān)系融入到模型中,考慮采用SLM和SEM兩類空間計(jì)量經(jīng)濟(jì)模型進(jìn)行評(píng)估.具體檢驗(yàn)過程是通過空間滯后模型和空間誤差模型兩個(gè)拉格朗日乘子LMerr、LMlag和穩(wěn)健形式RLMerr、RLMlag檢驗(yàn),聯(lián)合普通標(biāo)準(zhǔn)回歸的殘差項(xiàng)檢驗(yàn)城市群碳排放的空間依賴性,進(jìn)而成為空間回歸模型SLM和SEM形式的條件判斷.

由表3可見,研究期內(nèi)京津冀城市群碳排放Moran's的值未通過=0.05的顯著性檢驗(yàn),而長(zhǎng)三角城市群碳排放Moran's值通過=0.05的顯著性檢驗(yàn),表明京津冀城市群城市之間碳排放空間關(guān)聯(lián)性不夠強(qiáng),長(zhǎng)三角城市群碳排放空間關(guān)聯(lián)性明顯,在京津冀選取OLS經(jīng)典最小二乘模型是適宜的,而長(zhǎng)三角地區(qū)碳排放需要考慮周邊地區(qū)的相互影響.這一結(jié)論與之前本研究空間自相關(guān)的結(jié)論相一致.進(jìn)一步比較拉格朗日乘子的顯著性發(fā)現(xiàn),長(zhǎng)三角城市群采取空間滯后模型時(shí)拉格朗日乘子(Lagrange Multiplier lag)通過了0.001的顯著性檢驗(yàn),采用空間誤差模型時(shí)拉格朗日乘子(Lagrange Multiplier error)沒有通過顯著性檢驗(yàn),因此,長(zhǎng)三角城市群地區(qū)選擇空間滯后模型要優(yōu)于空間誤差模型.

表3 京津冀和長(zhǎng)三角城市群碳排放空間依賴性檢驗(yàn)

注:***、**和*分別表示1%、5%和10%的顯著性水平.

由表4可見,基于OLS模型對(duì)京津冀城市群碳排放的解釋效力已經(jīng)較高,擬合優(yōu)度2=0.709,人口和人均財(cái)富是重要的影響因素,人口指標(biāo)通過5%的顯著性水平檢驗(yàn),人均財(cái)富指標(biāo)通過10%的顯著性水平檢驗(yàn).從OLS模型系數(shù)的大小和方向上看,京津冀城市群人口和人均財(cái)富對(duì)碳排放體現(xiàn)的彈性系數(shù)均為正值,與經(jīng)濟(jì)學(xué)含義相符,人口彈性0.817要略高于人均財(cái)富彈性0.634.這意味著在京津冀城市群地區(qū),人口和經(jīng)濟(jì)對(duì)碳排放作用影響都較強(qiáng),人口的作用更加突出,每增加1%人口,將增加碳排放0.817%,每增加1%人均GDP,將增加碳排放0.634%.

與之類似,加入空間截面影響因素后,基于SLM模型對(duì)長(zhǎng)三角城市群碳排放的擬合優(yōu)度R=0.878,人口、人均財(cái)富和滯后變量均通過1%的顯著性水平檢驗(yàn).長(zhǎng)三角城市群各城市之間碳排放存在較強(qiáng)的空間依賴性,從SLM模型系數(shù)的大小和方向上看,長(zhǎng)三角城市群人口和人均財(cái)富對(duì)碳排放體現(xiàn)的彈性系數(shù)同樣為正值,人均GDP彈性系數(shù)為0.879,高于人口彈性系數(shù)0.441.在長(zhǎng)三角城市群地區(qū),每增加1%人均GDP,將增加碳排放0.879%,每增加1%人口,將增加碳排放0.441%,領(lǐng)近域每增加1%的碳排放,將增加被研究區(qū)碳排放0.182%.

表4 京津冀和長(zhǎng)三角城市群碳排放空間回歸估計(jì)結(jié)果

注:京津冀城市群采用OLS模型,長(zhǎng)三角城市群采用SLM模型; ***、**和*分別表示1%、5%和10%的顯著性水平.

綜合城市群發(fā)展規(guī)律的極化-擴(kuò)散理論和中心-外圍理論對(duì)碳排放進(jìn)行討論和印證.城市群發(fā)展同時(shí)具有極化和擴(kuò)散兩種效應(yīng)相互作用.極化表現(xiàn)為中心城市存在基礎(chǔ)設(shè)施、人才、技術(shù)等各種優(yōu)勢(shì),外圍次級(jí)城市無法與之抗衡,導(dǎo)致周邊城市各種資源進(jìn)一步向中心城市集中,成為資源要素的聚集地和區(qū)域經(jīng)濟(jì)活動(dòng)的中心,這一效應(yīng)擴(kuò)大了中心和外圍城市間的差距.

城市和城市群作為人類社會(huì)經(jīng)濟(jì)活動(dòng)的主要聚集地和社會(huì)生產(chǎn)力高度集聚的空間組合,其碳排放從表觀上看與整個(gè)社會(huì)的能源生產(chǎn)、供給和需求狀況有著密切的聯(lián)系,從深層次上看與人口空間結(jié)構(gòu)和經(jīng)濟(jì)發(fā)展格局息息相關(guān).結(jié)合本研究空間模型回歸結(jié)果,京津冀城市群碳排放更多表現(xiàn)為極化效應(yīng),且主要體現(xiàn)為人口驅(qū)動(dòng)型影響.楊卡等[38]利用北京市天津市和河北省的第六次人口普查數(shù)據(jù)的就業(yè)統(tǒng)計(jì)數(shù)字,計(jì)算京津冀都市圈空間基尼系數(shù),發(fā)現(xiàn)科研人員、專業(yè)技術(shù)人員等超過60%匯聚在北京,人才資源在首都的聚集特征突出.封志明等[39]研究京津冀都市圈人口集疏過程與空間格局變化,發(fā)現(xiàn)人口聚集和流入地區(qū)集中在北京、天津、石家莊等大城市地區(qū),主要流出地分布在承德、張家口、保定等山地丘陵區(qū),已形成北京、天津、石家莊為中心,其他地市縣域人口分別向外依次擴(kuò)展的人口多中心分布的圈層結(jié)構(gòu).可見人口流動(dòng)的分布格局與本研究的碳排放空間分布相似性.京津冀城市群地區(qū)經(jīng)濟(jì)發(fā)展不平衡,資源分布差異大,尤其是北京和天津雙直轄市在集聚資源方面能夠給投資者和創(chuàng)業(yè)者提供更好的平臺(tái),吸引各方人才資源向京津聚集,形成對(duì)周邊地區(qū)虹吸效應(yīng),強(qiáng)化了區(qū)域發(fā)展的不對(duì)稱狀態(tài).

長(zhǎng)三角城市群碳排放綜合表現(xiàn)為擴(kuò)散效應(yīng),主要體現(xiàn)為經(jīng)濟(jì)驅(qū)動(dòng)型影響.擴(kuò)散效應(yīng)表現(xiàn)為中心城市形成后,外圍次級(jí)城市與中心城市進(jìn)行產(chǎn)業(yè)合作,主中心城市的資源、技術(shù)、資金等資源要素向外輻射,帶動(dòng)周邊城市經(jīng)濟(jì)社會(huì)發(fā)展[40].畢秀晶[41],黃潔等[42]研究發(fā)現(xiàn)長(zhǎng)三角城市群多中心化、均衡化的空間演化過程趨勢(shì)明顯,目前已經(jīng)發(fā)展到多中心多組團(tuán)均衡化階段.孫東琪等[43]通過引入感應(yīng)度系數(shù)和影響力系數(shù),構(gòu)建產(chǎn)業(yè)聯(lián)系強(qiáng)度測(cè)度模型,探討了長(zhǎng)江三角洲與京津冀城市群產(chǎn)業(yè)空間聯(lián)系特征,發(fā)現(xiàn)長(zhǎng)三角城市群地區(qū)平均產(chǎn)業(yè)聯(lián)系強(qiáng)度和整體經(jīng)濟(jì)水平要高于京津冀城市群,京津冀城市群中心城市與外圍地區(qū)的產(chǎn)業(yè)聯(lián)系強(qiáng)度參差不齊,是造成城市群空間經(jīng)濟(jì)發(fā)展不平衡性的重要原因,北京和天津雙中心的內(nèi)化集聚效應(yīng)顯著,但并不如上海單中心擴(kuò)散效應(yīng)明顯.

2.5 討論

當(dāng)前國內(nèi)省級(jí)和市級(jí)行政區(qū)域以下缺乏統(tǒng)一的由權(quán)威機(jī)構(gòu)發(fā)布的碳排放數(shù)據(jù)[44],即便在同一活動(dòng)水平下,由于排放因子、碳氧化率等重要參數(shù)取值不同,碳排放結(jié)論也可能產(chǎn)生較大差異.本研究選取中國高空間分辨率網(wǎng)格數(shù)據(jù)(CHRED)建立的國家排放網(wǎng)格數(shù)據(jù),基于統(tǒng)一的數(shù)據(jù)源有助于保證基礎(chǔ)數(shù)據(jù)規(guī)范化、標(biāo)準(zhǔn)化和可比較.

城市化聚集效應(yīng)與碳排放關(guān)系問題是目前研究的熱點(diǎn)之一.京津冀和長(zhǎng)三角城市群碳排放的空間格局均受人口和經(jīng)濟(jì)因素等重要因素影響,長(zhǎng)三角地區(qū)碳排放總體擴(kuò)散效應(yīng)顯著,而京津冀城市群極化效應(yīng)更明顯.結(jié)合當(dāng)前京津冀城市群面臨亟待解決的大城市病和京津冀協(xié)同發(fā)展問題,促進(jìn)城市群“極化效應(yīng)”向“擴(kuò)散效應(yīng)”轉(zhuǎn)移,通過區(qū)域合作與城市功能布局優(yōu)化,積極應(yīng)用低碳技術(shù),實(shí)現(xiàn)城市群內(nèi)部不同功能城市的分工合作和資源優(yōu)化組合,強(qiáng)化碳排放的發(fā)散效應(yīng),促進(jìn)城市群一體化和低碳化發(fā)展,實(shí)現(xiàn)區(qū)域碳平衡,是京津冀城市群當(dāng)前合理的政策導(dǎo)向.長(zhǎng)三角城市群則要根據(jù)城市群所處的不同階段,對(duì)區(qū)域碳排放溢出熱點(diǎn)進(jìn)行控制,通過區(qū)域合作,實(shí)現(xiàn)城市群內(nèi)部不同功能城市的分工合作和資源最優(yōu)化.

由于空間自相關(guān)性具有較強(qiáng)的尺度依賴性,不同尺度研究空間自相關(guān)的研究結(jié)論存在顯著影響.本研究?jī)H是從城市群角度對(duì)碳排放空間格局變化的初步研究,受現(xiàn)有可獲得數(shù)據(jù)限制,僅有2012年數(shù)據(jù),研究空間尺度為地級(jí)市,與前人研究結(jié)論基本吻合[40,45].深入系統(tǒng)研究京津冀和長(zhǎng)三角城市群碳排放空間聚集特點(diǎn)及影響因素,需要基于同一標(biāo)準(zhǔn)數(shù)據(jù)的長(zhǎng)時(shí)間序列的深入分析,研究尺度宜在縣域或更小空間尺度上展開.

3 結(jié)論

3.1 京津冀和長(zhǎng)三角城市群碳排放空間分布并非處于完全隨機(jī)狀態(tài),空間差異和地理鄰近是決定區(qū)域碳排放的重要因素.京津冀城市群碳排放在空間上表現(xiàn)出更多的隨機(jī)性和結(jié)構(gòu)不穩(wěn)定性,集中聚集趨勢(shì)不明顯,空間自相關(guān)Moran’s系數(shù)為-0.131;長(zhǎng)三角城市群碳排放在空間上表現(xiàn)聚集趨勢(shì)明顯,Moran’s自相關(guān)系數(shù)0.106.

3.2 利用截面空間模型檢驗(yàn)和甄別碳排放空間聚集性和依賴性的影響因素,探討了人口和經(jīng)濟(jì)因素分別對(duì)京津冀城市群和長(zhǎng)三角城市群的碳排放影響,發(fā)現(xiàn)人口和經(jīng)濟(jì)因素是京津冀城市群和長(zhǎng)三角城市群碳排放的主要驅(qū)動(dòng)因素.在京津冀城市群地區(qū),每增加1%人口,將增加碳排放0.817%,每增加1%人均GDP,將增加碳排放0.634%;在長(zhǎng)三角城市群地區(qū),每增加1%人均GDP,將增加碳排放0.879%,每增加1%人口,將增加碳排放0.441%,相鄰區(qū)域每增加1%的碳排放,將增加碳排放0.182%.長(zhǎng)三角城市群空間滯后模型的總體擬合效果優(yōu)于空間誤差模型,地理距離對(duì)地區(qū)碳排放的空間相關(guān)性影響大.

3.3 長(zhǎng)三角地區(qū)碳排放總體擴(kuò)散效應(yīng)顯著,而京津冀城市群極化效應(yīng)更明顯.從均衡發(fā)展角度,城市群發(fā)展的多中心化是大城市病治理的重要出路,但同時(shí)城市群也要強(qiáng)化碳排放的區(qū)域目標(biāo)控制,對(duì)表現(xiàn)為擴(kuò)散區(qū)域碳排放溢出熱點(diǎn)進(jìn)行控制,促進(jìn)城市群分工合作和資源優(yōu)化分配,實(shí)現(xiàn)一體化和低碳化發(fā)展,達(dá)成區(qū)域的碳平衡.

[1] 方創(chuàng)琳,宋吉濤,藺雪芹.中國城市群可持續(xù)發(fā)展理論與實(shí)踐[M]. 北京:科學(xué)出版社, 2010:135.

[2] 汪 浩,陳操操,潘 濤,等.縣域尺度的京津冀都市圈CO2排放時(shí)空演變特征[J]. 環(huán)境科學(xué), 2014,33(1):385-393.

[3] 蘇泳嫻,陳修治,葉玉瑤,等.基于夜間燈光數(shù)據(jù)的中國能源消費(fèi)碳排放特征及機(jī)理[J]. 地理學(xué)報(bào), 2013,68(11):1513-1526.

[4] 王海鯤,張榮榮,畢 軍.中國城市碳排放核算研究—以無錫市為例[J]. 中國環(huán)境科學(xué), 2011,31(6):1029-1038.

[5] 謝士晨,陳長(zhǎng)虹,李 莉,等.上海市能源消費(fèi)CO2排放清單與碳流通圖[J]. 中國環(huán)境科學(xué), 2009,29(11):1215-1220.

[6] 范 丹.中國二氧化碳EKC曲線擴(kuò)展模型的空間計(jì)量分析[J]. 宏觀經(jīng)濟(jì)研究, 2014,(5):83-91.

[7] Stern D I, Common M S, Barbier E B. Economic growth and environmental degradation: The environmental Kuznets curve and sustainable development [J]. World Development, 1996,24(7): 1151-1160.

[8] 田中華,楊澤亮,蔡睿賢.廣東省能源消費(fèi)碳排放分析及碳排放強(qiáng)度影響因素研究[J]. 中國環(huán)境科學(xué), 2015,35(6):1885-1891.

[9] 陳操操,劉春蘭,汪 浩,等.北京市能源消費(fèi)碳足跡影響因素分析—基于STIRPAT模型和偏小二乘模型[J]. 中國環(huán)境科學(xué), 2014,34(6):1622-1632.

[10] Apergis N, Ozturk I. Testing Environmental Kuznets Curve hypothesis in Asian countries [J]. Ecological Indicators, 2015, 52(5):16-22.

[11] 龍家勇,吳承禎,洪 偉,等.中國省域二氧化碳排放量的空間自相關(guān)分析[J]. 生態(tài)經(jīng)濟(jì), 2011,(10):49-53.

[12] 鄭長(zhǎng)德,劉 帥.基于空間計(jì)量經(jīng)濟(jì)學(xué)的碳排放與經(jīng)濟(jì)增長(zhǎng)分析[J]. 中國人口.資源與環(huán)境, 2011,(5):80-86.

[13] 孫慶剛,郭菊娥,師 博.中國省域間能源強(qiáng)度空間溢出效應(yīng)分析[J]. 中國人口.資源與環(huán)境, 2013,(11):137-143.

[14] Narayan P K, Popp S. The energy consumption-real GDP nexus revisited: Empirical evidence from 93countries [J]. Economic Modelling, 2012,29(2):303-308.

[15] 徐盈之,王書斌.碳減排是否存在空間溢出效應(yīng)?—基于省際面板數(shù)據(jù)的空間計(jì)量檢驗(yàn)[J]. 中國地質(zhì)大學(xué)學(xué)報(bào)(社會(huì)科學(xué)版), 2015,(1):41-50.

[16] 劉佳駿,史 丹,汪 川.中國碳排放空間相關(guān)與空間溢出效應(yīng)研究[J]. 自然資源學(xué)報(bào), 2015,(8):1289-1303.

[17] Shahiduzzaman M, Layton A, Alam K. Decomposition of energy-related CO2emissions in Australia: Challenges and policy implications [J]. Economic Analysis & Policy, 2015,45:100-111.

[18] 齊紹洲,林 屾,王班班.中部六省經(jīng)濟(jì)增長(zhǎng)方式對(duì)區(qū)域碳排放的影響—基于Tapio脫鉤模型、面板數(shù)據(jù)的滯后期工具變量法的研究[J]. 中國人口·資源與環(huán)境, 2015,(5):59-66.

[19] Moutinho V, Moreira A C, Silva P M. The driving forces of change in energy-related CO2emissions in Eastern, Western, Northern and Southern Europe: The LMDI approach to decomposition analysis [J]. Renewable & Sustainable Energy Reviews, 2015,50:1485-1499.

[20] Hillman T, Ramaswami A. Greenhouse Gas Emission Footprints and Energy Use Benchmarks for Eight U.S. Cities [J]. Environmental Science & Technology, 2010,44(6):1902-1910.

[21] Browne D, O'Regan B, Moles R. Comparison of energy flow accounting, energy flow metabolism ratio analysis and ecological footprinting as tools for measuring urban sustainability: A case-study of an Irish city-region [J]. Ecological Economics, 2012,83(6):97-107.

[22] 顧 鵬,馬曉明.基于居民合理生活消費(fèi)的人均碳排放計(jì)算[J]. 中國環(huán)境科學(xué), 2013,(8):1509-1517.

[23] Shui B, Dowlatabadi H. Consumer lifestyle approach to US energy use and the related CO emissions [J]. Energy Policy, 2005,33(2):197-208.

[24] Druckman A, Jackson T. The carbon footprint of UK households 1990-2004: A socio-economically disaggregated, quasi-multi- regional input-output model [J]. Ecological Economics, 2009, 68(7):2066-2077.

[25] 賈 卓.中國西部城市群產(chǎn)業(yè)演變及優(yōu)化路徑研究[D]. 蘭州:蘭州大學(xué), 2013.

[26] 中國網(wǎng).京津冀協(xié)同發(fā)展規(guī)劃綱要[EB/OL]. http://news. china.com.cn/node_7222674.htm.

[27] 國家發(fā)展改革委,住房城鄉(xiāng)建設(shè)部.關(guān)于印發(fā)長(zhǎng)江三角洲城市群發(fā)展規(guī)劃的通知[EB/OL].http://www.ndrc.gov.cn/zcfb/ zcfbghwb/201606/t20160603_806390.html.

[28] Anselin L. Spatial Econometrics: Methods and Models. Studies in Operational Regional Science [M]. Klwer Academic Plublishers, 1988.

[29] Geary R C. The Contiguity Ratio and Statistical Mapping [J]. Incorporated Statistician, 1954,5(3):115-145.

[30] Moran P A. Notes on Continuous Stochastic Phenomena [J]. Biometrika, 1950,37(1/2):17-23.

[31] Spatial externalities, spatial multipliers, and spatial econometrics [J]. International regional science review, 1998,2(26):153-166.

[32] Dubin. Spatial autocorrelation: a primer [J]. Journal of housing economics, 1998,4(7):304-327.

[33] 陳剛強(qiáng),李 郇,許學(xué)強(qiáng).中國城市人口的空間集聚特征與規(guī)律分析[J]. 地理學(xué)報(bào), 2008,(10):1045-1054.

[34] Anselin. Spatial Econometrics: Methods and Models [M]. Dordrecht Kluwer Academic Publishers, 1998.

[35] 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.

[36] 吳玉鳴,何建坤.研發(fā)溢出、區(qū)域創(chuàng)新集群的空間計(jì)量經(jīng)濟(jì)分析[J]. 管理科學(xué)學(xué)報(bào), 2008,(4):59-66.

[37] 蔡博峰,王金南,楊姝影,等.中國城市CO2排放數(shù)據(jù)集研究—基于中國高空間分辨率網(wǎng)格數(shù)據(jù)[J]. 中國人口·資源與環(huán)境, 2017,(2):1-4.

[38] 楊 卡.大北京人口分布格局與多中心性測(cè)度[J]. 中國人口·資源與環(huán)境, 2015,(2):83-89.

[39] 封志明,楊 玲,楊艷昭,等.京津冀都市圈人口集疏過程與空間格局分析[J]. 地球信息科學(xué)學(xué)報(bào), 2013,15(1):11-18.

[40] 隨志寬.京津冀與長(zhǎng)三角都市圈主次城市關(guān)系及產(chǎn)業(yè)比較研究[D]. 北京:中央財(cái)經(jīng)大學(xué), 2015.

[41] 畢秀晶.長(zhǎng)三角城市群空間演化研究[D]. 上海:華東師范大學(xué), 2014.

[42] 黃 潔,吝 濤,張國欽,等.中國三大城市群城市化動(dòng)態(tài)特征對(duì)比[J]. 中國人口.資源與環(huán)境, 2014,(7):37-44.

[43] 孫東琪,張京祥,胡 毅,等.基于產(chǎn)業(yè)空間聯(lián)系的“大都市陰影區(qū)”形成機(jī)制解析—長(zhǎng)三角城市群與京津冀城市群的比較研究[J]. 地理科學(xué), 2013,(9):1043-1050.

[44] 吳 遵.氣候變暖背景下的中國碳排放的時(shí)間演變軌跡及區(qū)域特征[D]. 合肥:中國科學(xué)技術(shù)大學(xué), 2013.

[45] 盧鐿逢,尹德挺,史 毅.經(jīng)濟(jì)發(fā)展、城市化與人口空間分布—基于北京、東京和多倫多的比較分析[J]. 北京行政學(xué)院學(xué)報(bào), 2015,(6):83-91.

Spatial agglomeration effects of carbon dioxide emissions between Beijing-Tianjin-Heibei region and Yangtze River delta region.

CHEN Cao-cao1*, CAI Bo-feng2, SUN Fen1, DING Du1, YU Feng-Ju1, YANG Xiao-yan1, WANG Li-bo1, JIA Qiu-miao1, ZHUANG Yun-peng1, HU Yong-feng1,WANG Jin-nan2

(1.Beijing Climate Change Research Centre, Beijing 100031, China；2.Chinese Academy for Environmental Planning, Beijing 100012, China)., 2017,37(11)：4371~4379

Based on China High Resolution Emission Gridded Data (CHRED), the spatial pattern and agglomeration characteristics of carbon dioxide emissions in Beijing-Tianjin-Heibei region and Yangtze River Delta region are analysed by means of exploratory spatial data analysis techniques (ESDA) and spatial regression model. By mean of significant test, we explore the spatial lag regression (SLM) and spatial error regression (SEM) method to reveal the influence factors of carbon emissions in urban agglomeration. The carbon emission in Beijing-Tianjin-Hebei region proves to be more in spatial randomness and structural instability with index of Moran’s I value -0.131. However, the spatial agglomeration effects in the Yangtze River Delta region are obvious with index of Moran’s I value 0.106 that neighbour regions pose great effect on carbon emissions. Population and economic factors are the main influence factors of carbon emissions in above mention two urban agglomerations. In general, the diffusion effect of carbon emissions in the Yangtze River Delta region proves to be more apparently. However the agglomeration effect of carbon emissions in Beijing-Tianjin-Heibei region is still obvious. Turning to multicentre of regional development is one of the important measure to solve the metropolitan malaise. And metropolitan region should strengthen the object control of divergent effect of carbon emissions, promote the integration of low-carbon development, and achieve regional carbon emissions balance.

urban agglomeration；aggregate effect；spatial model；influence factor

X196

A

1000-6923(2017)11-4371-09

陳操操(1980-),男,廣東湛江人,研究員,博士,主要研究領(lǐng)域?yàn)闅夂蜃兓c能源政策.發(fā)表論文20余篇.

2017-04-01

國家自然科學(xué)基金資助項(xiàng)目(41001380);北京市青年拔尖人才資助項(xiàng)目(2014000021223ZK42);國家環(huán)境保護(hù)部青年拔尖人才資助項(xiàng)目;北京市自然科學(xué)基金資助項(xiàng)目(8122023)

* 責(zé)任作者, 研究員, chencc@bcrc.gov.cn