陳占明　吳施美　馬文博　劉曉曼 蔡博峰 劉婧文 賈小平 張明 陳洋 徐麗笑 趙晶 王思亓

摘要 中國(guó)不同城市在發(fā)展階段、經(jīng)濟(jì)結(jié)構(gòu)、氣候條件、人口結(jié)構(gòu)等都存在明顯的差異，不同城市二氧化碳排放的主要影響因素及其影響程度也各不相同。本文基于最新的城市尺度二氧化碳排放數(shù)據(jù)庫(kù)CHRED及CHRED2.0，通過加入產(chǎn)業(yè)結(jié)構(gòu)、城市化和氣候差異等因素，對(duì)傳統(tǒng)STIRPAT模型進(jìn)行擴(kuò)展，考察了中國(guó)地級(jí)以上城市二氧化碳排放的影響因素。結(jié)果顯示：人口規(guī)模、第二產(chǎn)業(yè)產(chǎn)值占比和采暖需求的增長(zhǎng)都會(huì)顯著提高一個(gè)城市的二氧化碳排放，同時(shí)部分城市二氧化碳排放會(huì)隨著富裕程度的上升呈現(xiàn)先增加后減少的趨勢(shì)，但城鎮(zhèn)化率對(duì)二氧化碳排放的影響具有不確定性。從全國(guó)樣本來看，2005年和2012年人口因素變化對(duì)碳排放影響變化較小，維持在0.7左右；氣候因素的變化對(duì)碳排放的影響從2005年的0.288 1下降為2012年的0.000 2；第二產(chǎn)業(yè)產(chǎn)值比重變化的影響從2005年的0.744 2上升到2012年0.979 5；同時(shí)碳排放量與人均GDP在2005年存在倒U型關(guān)系，但到2012年這種關(guān)系不再顯著。除了針對(duì)全國(guó)尺度的分析外，本研究還依據(jù)城市人口規(guī)模進(jìn)行分組研究，并在此基礎(chǔ)上進(jìn)一步進(jìn)行分位數(shù)回歸，進(jìn)而識(shí)別出不同規(guī)模城市二氧化碳排放量的影響因素差異。今后在制定城市節(jié)能減排政策對(duì)城市二氧化碳排放量進(jìn)行管理的過程中，決策者需要在把握關(guān)鍵影響因子的前提下依據(jù)城市自身特點(diǎn)做到因地制宜、區(qū)別對(duì)待。

關(guān)鍵詞 ：城市二氧化碳排放；影響因素；城市規(guī)模；STIRPAT模型

中圖分類號(hào)：F062.2

文獻(xiàn)標(biāo)識(shí)碼 A 文章編號(hào) 1002-2104（2018）10-0045-10 DOI：10.12062/cpre.20180729

城市由于具有高人口密度、高經(jīng)濟(jì)活動(dòng)強(qiáng)度和高能源消耗強(qiáng)度等特征，成為影響全球溫室氣體排放的熱點(diǎn)地區(qū)。城市僅占全球面積的2%，卻產(chǎn)生了全球70%以上的人為二氧化碳排放[1]。作為全球最大的發(fā)展中國(guó)家，中國(guó)正處于工業(yè)化和城鎮(zhèn)化高速發(fā)展的重要時(shí)期，為了在發(fā)展的同時(shí)合理應(yīng)對(duì)全球氣候變化和解決國(guó)內(nèi)環(huán)境問題，中國(guó)政府提出了明確而且嚴(yán)格的節(jié)能減排目標(biāo)，而針對(duì)城市溫室氣體排放的研究在中國(guó)具體節(jié)能減排政策的制定過程中發(fā)揮著重要的作用。由于中國(guó)不同城市在發(fā)展階段、經(jīng)濟(jì)結(jié)構(gòu)、氣候條件、人口結(jié)構(gòu)等方面都有著重大的差異，導(dǎo)致中國(guó)不同城市影響二氧化碳排放的主要因素及其影響程度也各不相同。因此，對(duì)不同城市二氧化碳排放量的主要影響因素及其差異進(jìn)行研究將為中國(guó)針對(duì)不同城市制定相應(yīng)的節(jié)能減排政策提供幫助。

1 文獻(xiàn)綜述

過去的研究發(fā)現(xiàn)人口規(guī)模、收入水平、產(chǎn)業(yè)結(jié)構(gòu)、城市化水平等是中國(guó)及中國(guó)省級(jí)以上區(qū)域二氧化碳排放的關(guān)鍵影響因素。但是，由于數(shù)據(jù)可得性的限制，過去對(duì)省級(jí)以下尺度的分析相對(duì)較少。此外，中國(guó)幅員遼闊，不同區(qū)域的氣候差異巨大，對(duì)于部分地區(qū)采暖和制冷需求是終端能源消耗的重要原因，因而在這些地區(qū)氣候條件也可能對(duì)溫室氣體排放產(chǎn)生重要影響，而過去的研究較少對(duì)這一點(diǎn)給予關(guān)注。因此，本文將在以往人口規(guī)模、收入水平、產(chǎn)業(yè)結(jié)構(gòu)和城市化等因素的基礎(chǔ)上，加入氣候條件差異，全面考察中國(guó)地級(jí)以上城市二氧化碳排放的影響，并分別對(duì)不同規(guī)模城市和不同時(shí)期的影響效應(yīng)進(jìn)行橫向和縱向比較分析。

為全面地考察各因素對(duì)中國(guó)二氧化碳排放的影響程度，選擇科學(xué)合理的研究方法十分必要。關(guān)于溫室氣體排放影響因素的研究方法眾多，應(yīng)用較廣的包括Kaya恒等式、LMDI分解和STIRPAT模型等。在Kaya恒等式的應(yīng)用方面，林伯強(qiáng)與劉希穎[2]使用修正的恒等式對(duì)中國(guó)城市化階段的碳排放影響因素進(jìn)行了分析，并提出以節(jié)能為主、發(fā)展清潔能源為輔的低碳轉(zhuǎn)型戰(zhàn)略；李波等[3]通過對(duì)Kaya恒等式的變形來分析中國(guó)農(nóng)業(yè)碳排放的影響因素。在LMDI分解的應(yīng)用方面，Ang等[4]應(yīng)用該方法對(duì)中國(guó)碳排放的主要因素進(jìn)行研究，發(fā)現(xiàn)經(jīng)濟(jì)增長(zhǎng)和能源強(qiáng)度是影響中國(guó)碳排放的重要因素；之后，Ang和Su[5]又利用LMDI分解方法對(duì)全球1990—2013年發(fā)電量的碳排放強(qiáng)度進(jìn)行了研究；Liu等[6]利用該方法和時(shí)間序列數(shù)據(jù)將36個(gè)行業(yè)的二氧化碳排放分解為五個(gè)影響因素；宋德勇與盧忠寶[7]采用兩階段LMDI方法將中國(guó)二氧化碳排放分解為四個(gè)影響因素；許士春等[8]則運(yùn)用LMDI加和分解從全國(guó)、行業(yè)和工業(yè)內(nèi)部門三個(gè)角度研究了中國(guó)碳排放的影響因素；Zhang和Da[9]采用LMDI模型分別對(duì)中國(guó)1996—2010年二氧化碳排放和碳排放強(qiáng)度進(jìn)行了分解；Lin和Tan[10]基于Kaya恒等式和采用LMDI分解方法考察了影響中國(guó)六大高耗能行業(yè)二氧化碳排放的主要因素。20世紀(jì)70年代提出的IPAT等式將人類社會(huì)活動(dòng)對(duì)環(huán)境的影響恒等分解成人口、富裕程度和技術(shù)水平三個(gè)因素[11]，隨后研究者通過引入差異彈性及隨機(jī)誤差項(xiàng)建立了改進(jìn)的STIRPAT模型[12-14]。近年來，STIRPAT模型被廣泛應(yīng)用于對(duì)中國(guó)溫室氣體排放的影響因素分析，眾多學(xué)者從城鎮(zhèn)化、貿(mào)易和投資等角度對(duì)傳統(tǒng)STIRPAT模型進(jìn)行擴(kuò)展。例如Liu等[15]將時(shí)空加權(quán)要素引入STIRPAT模型中以對(duì)中國(guó)各省的二氧化碳排放因素進(jìn)行了分析；渠慎寧與郭朝先[16]通過考慮影響要素的二次影響將該模型用于對(duì)中國(guó)碳排放峰值的預(yù)測(cè)；李志國(guó)與李宗植[17]則在模型中引入滯后項(xiàng)和二次項(xiàng)來分析中國(guó)三大區(qū)域的二氧化碳排放；楊騫與劉華軍[18]在傳統(tǒng)模型中引入貿(mào)易、投資等要素對(duì)中國(guó)區(qū)域間排放差異的影響因素進(jìn)行了分析；朱勤等[19]利用該模型重點(diǎn)考察了中國(guó)人口和消費(fèi)對(duì)碳排放的影響；Ma等[20]在模型中加入了人均公共建筑面積和城鎮(zhèn)化率對(duì)中國(guó)公共建筑碳排放的影響因素進(jìn)行了分析；Wang等[21]通過加入0～14歲人口比重和性別因素對(duì)該模型進(jìn)行擴(kuò)展，研究了中國(guó)2006—2015年30個(gè)省份碳排放的影響因素。

總的來說，三種方法都是主流的常用方法，但各個(gè)方法在研究適用性上有所差異。Kaya恒等式分解中的各因素需要進(jìn)行逐年或者分時(shí)段的分析，并且受到必須恒等的約束[2]；LMDI方法雖然能夠?qū)崿F(xiàn)無殘差分解，量化特定年份各個(gè)影響因素的貢獻(xiàn)率，但無法考察各因素的彈性，即當(dāng)其他因素不變時(shí)，某一因素的改變所帶來的二氧化碳的變動(dòng)[22]。盡管傳統(tǒng)STIRPAT模型僅包括人口、經(jīng)濟(jì)發(fā)展水平和技術(shù)變量三個(gè)因素，無法全面地描述社會(huì)經(jīng)濟(jì)的各方面因素對(duì)二氧化碳排放帶來的影響，但與Kaya恒等式和LMDI方法相比，STIRPAT模型允許將各因素的影響作為參數(shù)進(jìn)行估計(jì)，研究者能夠根據(jù)自身研究目的對(duì)模型進(jìn)行擴(kuò)展。綜合來看，出于本文研究目的，即考察不同規(guī)模城市二氧化碳排放的影響因素，因此，本文將結(jié)合最新的城市尺度二氧化碳排放數(shù)據(jù)庫(kù)CHRED[23]及CHRED 2.0[24]，采用擴(kuò)展的STIRPAT模型對(duì)中國(guó)地級(jí)以上城市二氧化碳排放的影響因素進(jìn)行分析進(jìn)而為中國(guó)碳減排政策的制定和實(shí)施提供重要參數(shù)和科學(xué)依據(jù)。

本文的貢獻(xiàn)在于三個(gè)方面。首先，在數(shù)據(jù)方面，以往文獻(xiàn)更多地是基于省級(jí)層面的數(shù)據(jù)進(jìn)行研究，而本文從城市層面的數(shù)據(jù)出發(fā)，能夠更加深入地捕捉到各城市由于經(jīng)濟(jì)社會(huì)各方面的異質(zhì)性所帶來的二氧化碳排放的差異；其次，在模型方面，本文考慮到地理因素的存在，將氣候變量納入到研究模型之中，從氣候差異角度為二氧化碳排放的因素分析開辟了一個(gè)新的視角，是對(duì)以往的STIRPAT擴(kuò)展模型的再擴(kuò)展；再者，本文采用擴(kuò)展的STIRPAT模型對(duì)二氧化碳排放的影響因素進(jìn)行分析，能夠克服傳統(tǒng)IPAT模型和Kaya恒等式潛在假設(shè)各因素會(huì)同比例影響溫室氣體排放的不足，同時(shí)在一定程度上彌補(bǔ)了LMDI分解方法無法度量彈性，無法通過考察各因素的改變直接估計(jì)溫室氣體排放的變化程度這一不足[24]。

2 研究方法與數(shù)據(jù)

2.1 理論模型

STIRPAT模型的基礎(chǔ)表達(dá)形式為[13]：

I=aPbAcTdε

其中，I表示人類活動(dòng)導(dǎo)致的環(huán)境影響，P表示人口，A表示富裕程度，T表示技術(shù)水平，而ε則表示誤差。當(dāng)我們使用該模型來分析二氧化碳排放的影響因素時(shí)，我們可以用I來表示一個(gè)區(qū)域的二氧化碳排放量。此時(shí)，一個(gè)區(qū)域的人口數(shù)量是影響該區(qū)域能源消費(fèi)量的重要因素，而在化石能源為主的能源結(jié)構(gòu)中能源消費(fèi)量直接影響二氧化碳排放量，因此人口（P）仍然是影響二氧化碳排放量的重要因素。同時(shí)，一個(gè)區(qū)域人口的富裕程度（A）代表著該區(qū)域的經(jīng)濟(jì)發(fā)展程度及收入水平，從而影響該區(qū)域的能源消費(fèi)水平和二氧化碳排放量。然而對(duì)于影響二氧化碳排放的技術(shù)水平（T），由于難以用簡(jiǎn)單的可觀察變量來衡量，因此常常被歸入誤差項(xiàng)中。

考慮到過去的很多研究都發(fā)現(xiàn)一個(gè)區(qū)域的產(chǎn)業(yè)結(jié)構(gòu)和城市化水平對(duì)一個(gè)區(qū)域的二氧化碳排放量都具有顯著的影響[18-19，25-26]，因此這兩個(gè)因素將被納入我們的模型中。由于相對(duì)于第一和第三產(chǎn)業(yè)，第二產(chǎn)業(yè)能源強(qiáng)度較高，因此本研究使用第二產(chǎn)業(yè)產(chǎn)值占GDP比重來衡量產(chǎn)業(yè)結(jié)構(gòu)，并使用IS來代表該變量。此外，本研究使用城鎮(zhèn)化率來衡量城市化水平，并使用U代表相應(yīng)的變量。最后，因?yàn)橹袊?guó)幅員遼闊，不同區(qū)域的氣候差異明顯，氣候差異帶來的用能方式的差異將會(huì)直接影響能源需求進(jìn)而影響到二氧化碳的排放，例如北方冬季采暖多以煤炭等高碳能源為主，其對(duì)二氧化碳排放的影響更是需要加以關(guān)注。本文采用采暖度日數(shù)（以Heating Degree Day的縮寫HDD代表參數(shù)）作為衡量各地氣候條件的變量納入模型中。其中，采暖度日數(shù)是指逐日平均溫度低于室內(nèi)基準(zhǔn)溫度（通常取18°C）的度數(shù)之和，用來測(cè)量寒冷程度。采暖度日數(shù)的具體計(jì)算方法如下：若某天（j）室外平均溫度（temp）低于18℃，則求出該溫度與18℃的溫差，并將該溫差乘以1 d，累加全年低于18℃的溫差，可得到全年的采暖度日數(shù)。具體形式如下：

根據(jù)以上模型，我們預(yù)測(cè)人口增加會(huì)使得能源消費(fèi)需求上升，第二產(chǎn)業(yè)產(chǎn)值占比上升會(huì)引起能源需求量上升，上述因素都會(huì)導(dǎo)致二氧化碳排放量的增加，因此α1和α4的值預(yù)期為正。根據(jù)碳排放庫(kù)茲涅茨曲線，碳排放的增加會(huì)隨著人均GDP的增加呈現(xiàn)先上升后下降的趨勢(shì)，故預(yù)期α3的負(fù)號(hào)為負(fù)。城鎮(zhèn)化率變化會(huì)引起能源消費(fèi)結(jié)構(gòu)變化，雖然過去的研究發(fā)現(xiàn)農(nóng)村居民能源消費(fèi)量有可能超過城鎮(zhèn)居民，但是由于農(nóng)村化石能源消費(fèi)占比較小，而且城鎮(zhèn)化過程中由于生活模式的現(xiàn)代化會(huì)增加能源消耗，因此城鎮(zhèn)化率的上升預(yù)期也會(huì)導(dǎo)致二氧化碳排放的上升，因此α5的值也預(yù)期為正。對(duì)于氣候條件差異，我們預(yù)期采暖需求的上升會(huì)導(dǎo)致本地能源消費(fèi)量的增加。但是采暖需求的上升通常引起本地煤炭或者天然氣的消費(fèi)量上升（主要受到供暖能源類型和供暖半徑限制），因此α6的值預(yù)期為正。

2.2 數(shù)據(jù)來源

本研究以地級(jí)市級(jí)別以上城市（地級(jí)市、副省級(jí)市、直轄市）為樣本， 2005年包含268個(gè)地級(jí)市、15個(gè)副省級(jí)市和4個(gè)直轄市共計(jì)287個(gè)樣本，2012年包含270個(gè)地級(jí)市（其中三沙市由于缺少數(shù)據(jù)而沒有包含在內(nèi)）、15個(gè)副省級(jí)市和4個(gè)直轄市共288個(gè)樣本。

本研究由于數(shù)據(jù)限制，不涉及香港、澳門及臺(tái)灣省的地級(jí)以上城市。

本研究的碳排放數(shù)據(jù)、常住人口、人均GDP、第二產(chǎn)業(yè)產(chǎn)值占比以及2005年的采暖度日數(shù)均直接來源于中國(guó)城市2005年及2012年二氧化碳排放數(shù)據(jù)集CHRED及CHRED 2.0；采用的2012年的采暖度日數(shù)的數(shù)據(jù)根據(jù)中國(guó)氣象數(shù)據(jù)網(wǎng)資料計(jì)算得到。此外，本研究中各城市2005年的城鎮(zhèn)化率數(shù)據(jù)由《中國(guó)城市統(tǒng)計(jì)年鑒2006》[29]中的2-1部分年末總?cè)丝诤头寝r(nóng)業(yè)人口的統(tǒng)計(jì)值計(jì)算得出，然而，該年末非農(nóng)業(yè)人口統(tǒng)計(jì)數(shù)據(jù)自2009年開始停止發(fā)布，考慮到地級(jí)以上市城鎮(zhèn)化率數(shù)據(jù)的缺乏和保持?jǐn)?shù)據(jù)統(tǒng)計(jì)方式的一致性，本研究通過2005年城鎮(zhèn)化率以及所在省份城鎮(zhèn)化率增速計(jì)算得出2012年的城鎮(zhèn)化率數(shù)據(jù)。表1中列出本研究所用數(shù)據(jù)的基本統(tǒng)計(jì)情況。

2.3 估計(jì)策略

STIRPAT模型通常被用于分析時(shí)間序列數(shù)據(jù)（特別是在針對(duì)中國(guó)的研究方面），但是，當(dāng)樣本數(shù)量充足的時(shí)候，該方法也被用在截面數(shù)據(jù)的分析上，例如Dietz and Rosa曾經(jīng)采用1989年的全球多國(guó)樣本來分析人口和富裕程度對(duì)二氧化碳排放的影響[12]?？紤]到城市尺度數(shù)據(jù)樣本在截面水平上的相對(duì)充裕性，本研究對(duì)2005年和2012年兩個(gè)截面數(shù)據(jù)分別進(jìn)行回歸分析，對(duì)比分析這兩個(gè)年份之間各影響因素對(duì)碳排放彈性的變化。

上述模型在滿足相應(yīng)的假設(shè)的情況下可以采用合適的計(jì)量方法進(jìn)行參數(shù)估計(jì)。最小二乘法（Ordinary Least Squares， OLS）是通過最小化誤差的平方和來尋找數(shù)據(jù)最佳函數(shù)匹配的一種數(shù)學(xué)優(yōu)化技術(shù)。當(dāng)回歸是外生時(shí)，OLS估計(jì)是一致的，當(dāng)誤差是同方差和連續(xù)不相關(guān)時(shí)，在線性無偏估計(jì)的類別中是最優(yōu)的。在這些條件下，當(dāng)誤差具有有限的方差時(shí)，OLS方法提供了最小方差均值無偏估計(jì)。在誤差正態(tài)分布的假設(shè)下，OLS是最大似然估計(jì)量。鑒于OLS方法的簡(jiǎn)便性和上述特點(diǎn)，本研究計(jì)劃通過OLS多元回歸分析得到各變量影響二氧化碳排放量的彈性，即各因素單位變化量對(duì)二氧化碳排放量造成的影響。由于本文采用的地級(jí)市層面數(shù)據(jù)，可能存在異方差問題以及干擾項(xiàng)在同一個(gè)省份內(nèi)部的不同地級(jí)市之間存在相關(guān)性，因此我們采用聚類穩(wěn)健標(biāo)準(zhǔn)差對(duì)回歸結(jié)果進(jìn)行修正。

城市人口規(guī)模作為城市特征的一個(gè)核心指標(biāo)，一方面反映了城市發(fā)展水平和吸引力，另一方面也是城市溫室氣體排放量的主要影響因素。在中國(guó)新型城鎮(zhèn)化發(fā)展過程中，出現(xiàn)大型城市人口集聚而中小城市人口吸引力不足的現(xiàn)象，這從一定程度上內(nèi)生反映了不同人口規(guī)模城市的發(fā)展模式及發(fā)展階段差異，但這些差異很難被模型化識(shí)別。因此，本研究嘗試將不同城市按照人口規(guī)模進(jìn)行分組模擬，試圖識(shí)別出不同組別內(nèi)城市的二氧化碳排放共同影響因素和組間城市影響因素的異質(zhì)性?？紤]到樣本的均衡分組和實(shí)際人口規(guī)模分布，本文按常住人口數(shù)量將全國(guó)地級(jí)以上城市分為三類，2005年所有287個(gè)樣本城市按照常住人口數(shù)量從高到低排列，前96個(gè)城市為I型城市，排序第97到第192的城市（共計(jì)96個(gè)）為II型城市，最后95個(gè)城市為III型城市。對(duì)2012年的288個(gè)樣本城市，以相同方法同樣分成I、II、III型城市分組，其中每個(gè)分組中都是96個(gè)城市。在以下的分析中我們將這三種按人口規(guī)模分組的城市子樣本分別作為研究對(duì)象建立二氧化碳排放影響模型進(jìn)行對(duì)比分析。

除了橫向比較不同城市類別之間各影響因素的差異，本文還縱向比較了各組內(nèi)部不同影響因素的差異，考慮到文章考察的城市數(shù)量較多，一個(gè)固定的估計(jì)系數(shù)僅能體現(xiàn)這些城市的總體情況，無法體現(xiàn)異質(zhì)性，因而本文進(jìn)一步采用分位數(shù)回歸（Quantile Regression），以區(qū)分不同分位數(shù)下的各因素影響情況。由于分位數(shù)回歸模型依據(jù)因變量的條件分位數(shù)對(duì)自變量進(jìn)行回歸，因而分位數(shù)回歸能更精確地描述各影響因素對(duì)于二氧化碳排放的變化范圍以及條件分布形狀的影響，這對(duì)區(qū)域差異化的碳減排政策的制定和實(shí)施具有重要的參考價(jià)值。

3 結(jié)果分析

3.1 OLS回歸結(jié)果分析

根據(jù)STIRPAT模型，首先對(duì)全國(guó)287個(gè)地級(jí)以上城市2005年的相關(guān)變量取自然對(duì)數(shù)后進(jìn)行OLS回歸，其中二氧化碳排放量的自然對(duì)數(shù)為被解釋變量，人口、人均GDP、第二產(chǎn)業(yè)產(chǎn)值占比、城鎮(zhèn)化率和采暖度日數(shù)五個(gè)變量的自然對(duì)數(shù)值和人均GDP自然對(duì)數(shù)值的平方項(xiàng)分別為解釋變量。表2第二列為不包含人均GDP平方項(xiàng)的線性回歸結(jié)果，第三列為加入人均GDP二次項(xiàng)的回歸結(jié)果，其中系數(shù)即為各變量影響城市二氧化碳排放量的彈性值，括號(hào)內(nèi)為聚類穩(wěn)健標(biāo)準(zhǔn)誤差。通過對(duì)回歸結(jié)果進(jìn)行多重共線性檢驗(yàn)，發(fā)現(xiàn)對(duì)于線性模型，其方差膨脹因子僅為1.72，而非線性模型由于加入了人均GDP的平方項(xiàng)，導(dǎo)致了過高的方差膨脹因子，但即使在方差膨脹的情況下，系數(shù)仍顯著，則說明若不存在多重共線性的情況下，系數(shù)只會(huì)更加顯著，因此筆者認(rèn)為多重共線性問題在本文研究中并不嚴(yán)重。

從全國(guó)樣本的回歸結(jié)果來看，在線性回歸方程中，人均GDP變量系數(shù)為正，且在95%的置信區(qū)間內(nèi)顯著區(qū)別于0；在加入人均GDP二次項(xiàng)后，可以發(fā)現(xiàn)二次項(xiàng)變量的系數(shù)為負(fù)且顯著，這說明存在人均GDP與碳排放之間的倒U型關(guān)系，也就是說隨著人均GDP的增加，各城市碳排放會(huì)逐漸出現(xiàn)拐點(diǎn)。根據(jù)該表，模型中其他變量也均能通過1%的P值檢驗(yàn)，并且相應(yīng)系數(shù)的符號(hào)均符合預(yù)期（均為正），也就是說全國(guó)范圍的分析說明2005年人口、第二產(chǎn)業(yè)產(chǎn)值占比、城鎮(zhèn)化率和采暖度日數(shù)均與二氧化碳排放量顯著正相關(guān)。從全國(guó)尺度看，人口數(shù)量的變化對(duì)城市二氧化碳排放量具有最大的影響，其次為第二產(chǎn)業(yè)產(chǎn)值占比的變化；同時(shí)，城鎮(zhèn)化率每上升1%會(huì)造成城市二氧化碳排放量上升約0.37%；采暖度日數(shù)的變化對(duì)城市二氧化碳排放的影響系數(shù)雖然比上述變量要小，但是考慮到不同城市氣候條件差異巨大，因此采暖需求的差異也是造成城市二氧化碳排放量差異的重要因素。

從不同人口規(guī)模的城市分組來看（見圖1），I型城市二氧化碳排放的人口彈性最大（接近單位彈性，而II型和III型城市的人口彈性分別為0.62%和0.79%），可能的解釋包括在大型城市（I型城市）平均出行距離較遠(yuǎn)、生活與商業(yè)日用電時(shí)長(zhǎng)較長(zhǎng)等，這說明了相對(duì)于人口擁擠度較高的大型城市，中

小型城市（II型和III型城市）仍然有較大的人口規(guī)模效應(yīng)，可以通過人口向這些城市的積聚降低人均二氧化碳排放。在富裕程度對(duì)城市二氧化碳排放的影

響方面，大、中型城市的人均GDP二次項(xiàng)的系數(shù)顯著為負(fù)，說明存在碳排放的庫(kù)茲涅茨曲線。但對(duì)于III型城市，其人均GDP及其二次項(xiàng)的系數(shù)均不顯著，說明二氧化碳排放與人均GDP之間的倒U型關(guān)系在這類城市中的存在性值得考量。在產(chǎn)業(yè)結(jié)構(gòu)方面，大型城市二氧化碳排放對(duì)第二產(chǎn)業(yè)產(chǎn)值占比的彈性超過0.8，說明在大型城市已經(jīng)達(dá)到了發(fā)展第二產(chǎn)業(yè)的嚴(yán)重規(guī)模不經(jīng)濟(jì)階段，而在中、小型城市，第二產(chǎn)業(yè)比重占比彈性并不十分顯著，說明工業(yè)向這些城市的轉(zhuǎn)移具有降低全國(guó)總排放的效果。對(duì)小型城市而言，二氧化碳排放對(duì)城鎮(zhèn)化程度的彈性系數(shù)十分顯著，且明顯大于全國(guó)平均程度，說明人口的城鎮(zhèn)化對(duì)小型城市而言是影響二氧化碳排放的重要因素。采暖度日數(shù)的變化對(duì)中型城市的二氧化碳排放的影響最大，而對(duì)小型城市的影響最小。

與2005年的分析方法相同，2012年相關(guān)數(shù)據(jù)的OLS回歸結(jié)果如表3所示，從回歸結(jié)果可以看出2012年數(shù)據(jù)中整體樣本回歸結(jié)果與2005年出現(xiàn)了差異，人均GDP與碳排放間的倒U型關(guān)系不復(fù)存在，同時(shí)，城鎮(zhèn)化率也不再顯著，但人口變化和第二產(chǎn)業(yè)比重的變化仍然對(duì)二氧化碳排放的變化具有顯著的影響。

與2005年相比，2012年數(shù)據(jù)回歸結(jié)果在不同分組樣本中的差異更是明顯。一是城市二氧化碳排放對(duì)人口的彈性在III型城市分組中有所下降，但在I型和II型城市分組中卻上升了，說明大、中型城市的人口擁擠程度進(jìn)一步上升導(dǎo)致了人口規(guī)模不經(jīng)濟(jì)現(xiàn)象出現(xiàn)，而小型城市則可能由于城市基礎(chǔ)設(shè)施的改進(jìn)而獲得人口規(guī)模經(jīng)濟(jì)（見圖2）。二是城鎮(zhèn)化率的影響減小且變得不再顯著，僅小型城市在90%的置信水平上顯著，這說明近年來中國(guó)大、中型城市城鎮(zhèn)化率速度逐漸減緩，小型城市城鎮(zhèn)化仍在不斷深化，因此小型城市城鎮(zhèn)化仍對(duì)二氧化碳排放存在一定的影響。三是碳排放與人均GDP之間的倒U型關(guān)系僅存在于II型城市，原因可能在于大型城市經(jīng)濟(jì)發(fā)展水平已處于拐點(diǎn)右側(cè)，而小型城市經(jīng)濟(jì)發(fā)展水平還處于拐點(diǎn)左側(cè)導(dǎo)致。四是采暖度日數(shù)的影響在全國(guó)樣本及不同分組樣本中開始趨同。采暖度日數(shù)對(duì)二氧化碳排放影響趨同可能是由于近些年來治污減排力度的加劇，采暖用能的能源結(jié)構(gòu)逐漸優(yōu)化，導(dǎo)致用能清潔性的提升。五是2012年城市二氧化碳排放對(duì)第二產(chǎn)業(yè)產(chǎn)值占比的彈性在小型城市相比2005年上升了，且高于單位彈性。

3.2 分位數(shù)回歸結(jié)果分析

為進(jìn)一步考察各組內(nèi)部不同影響因素的差異，本文采用分位數(shù)回歸方法對(duì)二氧化碳排放影響因素進(jìn)行分析。表4給出了2005年全部樣本在1/4、1/2和3/4分位數(shù)回歸的結(jié)果。從表4可以看到，城鎮(zhèn)化率的回歸系數(shù)隨著分位數(shù)的增加變得不再顯著，而人均GDP、人均GDP平方項(xiàng)和第二產(chǎn)業(yè)產(chǎn)值比重的回歸系數(shù)隨著分位數(shù)的增加變得愈發(fā)顯著。同時(shí)，隨著分位數(shù)的增加，全部樣本的人口規(guī)模、城鎮(zhèn)化率和采暖度日數(shù)對(duì)二氧化碳排放的分位數(shù)回歸系數(shù)逐漸下降。也就是說二氧化碳排放較低的城市受人口規(guī)模、城鎮(zhèn)化率和采暖度日數(shù)變化的影響較大，而排放較高的城市受該類因素影響較小。此外，人均GDP變量的系數(shù)符號(hào)一直為正，而二次項(xiàng)系數(shù)一直為負(fù)，說明對(duì)于2005年全樣本數(shù)據(jù)來說，無論是對(duì)高排放還是低排放的城市，均存在碳排放庫(kù)茲涅茨曲線。第二產(chǎn)業(yè)占比的回歸系數(shù)在1/2分位數(shù)前呈現(xiàn)上升趨勢(shì)，之后下降，到3/4分位數(shù)后反彈，這意味著第二產(chǎn)業(yè)比重的增加對(duì)高排放城市的影響大于低排放城市，也就是說相對(duì)于低排放城市來說，降低第二產(chǎn)業(yè)比重對(duì)于超高排放城市和中等排放的減排效果將會(huì)更加明顯。

從不同人口規(guī)模的城市分組來看，I型城市人口規(guī)模和第二產(chǎn)業(yè)產(chǎn)值比重系數(shù)呈現(xiàn)顯著上升，采暖度日數(shù)系數(shù)呈現(xiàn)小幅度下降，而城鎮(zhèn)化率系數(shù)在任何分位上均不顯著，人均GDP與碳排放的倒U型關(guān)系隨著城市排放的增加而變的顯著。II型城市人口規(guī)模的變化對(duì)該類城市中排放較低的城市影響將高于排放較高的城市，產(chǎn)業(yè)結(jié)構(gòu)調(diào)整的減排作用對(duì)于高排放城市較為顯著，人均GDP與二氧化碳排放的倒U型關(guān)系十分明顯。對(duì)于III型城市，人均GDP與碳排放的非線性關(guān)系僅體現(xiàn)于高排放的城市，采暖度日數(shù)變化對(duì)碳排放的影響也僅對(duì)高排放城市顯著。由于該類城市人口規(guī)模較小，因此人口規(guī)模的控制對(duì)于該類城市減排的影響并不十分明顯。

與2005年相比，在分位數(shù)回歸下，城鎮(zhèn)化程度的變化對(duì)二氧化碳排放變化影響的顯著性有明顯降低；各變量回歸系數(shù)的變化趨勢(shì)與2005年相比也呈現(xiàn)一定的差異。2012年人口規(guī)模和城鎮(zhèn)化率的系數(shù)均隨著分位數(shù)的增加呈現(xiàn)先下降后上升的趨勢(shì)；人均GDP與碳排放的倒U型關(guān)系不再成立；采暖度日數(shù)的系數(shù)則隨著分位數(shù)的增加呈現(xiàn)先迅速降低后平穩(wěn)再大幅上升的趨勢(shì)；第二產(chǎn)業(yè)比重對(duì)二氧化碳排放的影響則隨著各城市排放的增加而逐漸增大。具體見表5。

從不同人口規(guī)模的城市分組來看，城鎮(zhèn)化率變量的系數(shù)對(duì)于三類城市的各分位數(shù)均不顯著，這可能是由于，一方面隨著城鎮(zhèn)化率的上升，城市形態(tài)逐漸轉(zhuǎn)向緊湊型，而一般來說緊湊型城市形態(tài)有助于減少對(duì)能源的需求，尤其是有助于降低對(duì)高碳基的化石能源的需求；而另一方面城鎮(zhèn)化率的上升在拉動(dòng)基礎(chǔ)設(shè)施建設(shè)、居民消費(fèi)需求上升的同時(shí)會(huì)增加能源需求。因此，城鎮(zhèn)化率變化對(duì)二氧化碳排放的影響并不十分顯著。同時(shí)，對(duì)于I型城市，人口規(guī)模和第二產(chǎn)業(yè)比重在不同分位數(shù)下的回歸系數(shù)仍很顯著，第二產(chǎn)業(yè)比重的變化在1/5分位數(shù)前迅猛上升，之后保持在一個(gè)較為穩(wěn)定的水平。人均GDP與人均GDP平方項(xiàng)的系數(shù)均不顯著。II型城市除采暖度日數(shù)外，大部分變量的系數(shù)均不再顯著，但I(xiàn)I型城市中的低排放城市仍存在人均GDP與碳排放的非線性關(guān)系；III型城市人口規(guī)模和第二產(chǎn)業(yè)產(chǎn)值比重的系數(shù)仍十分顯著，與2005相比，人口規(guī)模的變化對(duì)碳排放的影響有所上升。

4 結(jié) 論

本研究利用中國(guó)城市二氧化碳排放數(shù)據(jù)集，通過擴(kuò)展的STIRPAT模型分析了中國(guó)地級(jí)以上城市二氧化碳排放的影響因素。研究結(jié)果發(fā)現(xiàn)，不同人口規(guī)模城市的二氧化碳排放量影響因素和影響程度均有所不同。從全國(guó)角度看，2005年人口規(guī)模、第二產(chǎn)業(yè)產(chǎn)值占比、城鎮(zhèn)化水平和采暖需求的增長(zhǎng)都會(huì)顯著提高一個(gè)城市的二氧化碳排放，同時(shí)二氧化碳排放會(huì)隨著富裕程度的上升呈現(xiàn)先增加后減少的趨勢(shì)；到2012年，人口規(guī)模、第二產(chǎn)業(yè)產(chǎn)值占比和采暖需求的增加仍會(huì)顯著提升城市二氧化碳排放，但富裕程度和城鎮(zhèn)化率對(duì)二氧化碳排放的影響變得不再顯著。

通過對(duì)不同城市規(guī)模和分位數(shù)回歸結(jié)果的對(duì)比發(fā)現(xiàn)以下結(jié)論：

（1）從人口規(guī)模來看，大型城市碳排放的變化受人口規(guī)模變化的影響較大，因此大型城市應(yīng)重視人口數(shù)量規(guī)模帶來的二氧化碳排放量增長(zhǎng)的規(guī)模不經(jīng)濟(jì)效應(yīng)，換言之，大型城市特別是一些人口過度擁擠的特大型城市在人口控制過程中有可能帶來二氧化碳減排的協(xié)同效應(yīng)。因而，大型城市政策制定者應(yīng)嚴(yán)格控制城市規(guī)模尤其是人口規(guī)模，通過人口規(guī)模和建設(shè)規(guī)模雙控，守住人口總量上限、生態(tài)控制線和城市開發(fā)邊界三條紅線。

（2）從財(cái)富效應(yīng)角度看，不同規(guī)模城市的人均GDP與二氧化碳排放量間的倒U型關(guān)系并不絕對(duì)成立，特大型城市的二氧化碳排放量可能已經(jīng)越過拐點(diǎn)，而中等人口規(guī)模城市仍處于規(guī)模效應(yīng)、結(jié)構(gòu)效應(yīng)和技術(shù)效應(yīng)三者并存時(shí)期，小規(guī)模城市則仍處于規(guī)模效應(yīng)階段，碳排放峰值還未到來。因此，中小型城市應(yīng)重視通過結(jié)構(gòu)調(diào)整和技術(shù)改進(jìn)大力促進(jìn)經(jīng)濟(jì)發(fā)展水平，推動(dòng)碳排放早日達(dá)到峰值。

（3）從技術(shù)效應(yīng)來看，第二產(chǎn)業(yè)產(chǎn)值比重變動(dòng)對(duì)城市二氧化碳排放具有較大的影響，由于大型城市已經(jīng)處于發(fā)展第二產(chǎn)業(yè)規(guī)模不經(jīng)濟(jì)的階段，因而工業(yè)從大型城市向中、小型城市的轉(zhuǎn)移對(duì)全國(guó)而言具有減排效應(yīng)。而城鎮(zhèn)化進(jìn)程由于對(duì)能源需求的影響具有不確定性，進(jìn)而對(duì)于城市二氧化碳排放的影響也并不明確，城鎮(zhèn)化并不應(yīng)該被視作是節(jié)能減排的重要手段。對(duì)于氣候因素來說，氣候差異是造成不同城市二氧化碳排放量差異的一個(gè)重要原因，其主要是由于不同城市采暖需求的差異導(dǎo)致，因此，在對(duì)不同區(qū)域節(jié)能減排潛力的評(píng)估以及節(jié)能減排具體政策的制定過程中，應(yīng)當(dāng)合理地將氣候因素納入考慮。

根據(jù)本研究的結(jié)果可見，影響城市二氧化碳排放的因素多樣，且各種因素的影響效應(yīng)會(huì)隨著城市規(guī)模和時(shí)間的變化而發(fā)生改變?；谏鲜霭l(fā)現(xiàn)，在制定城市節(jié)能減排政策對(duì)城市二氧化碳排放量進(jìn)行管理的過程中，需要在把握關(guān)鍵影響因子的前提下依據(jù)城市自身特點(diǎn)做到因地制宜、區(qū)別對(duì)待。

（編輯：李 琪）

參考文獻(xiàn)（References）

[1]黃魯霞.城市直接和隱含碳排放的動(dòng)態(tài)變化及影響因素研究[D].上海：華東師范大學(xué)， 2016. [HUANG Luxia. Study on dynamic changes and influence factors of direct and embodied carbon emission in city scale[D]. Shanghai： East China Normal University， 2016.]

[2]林伯強(qiáng)， 劉希穎. 中國(guó)城市化階段的碳排放：影響因素和減排策略[J]. 經(jīng)濟(jì)研究， 2010（8）： 66-78. [LIN Boqiang， LIU Xiying. Chinas carbon dioxide emissions under the urbanization process： influence factors and abatement policies[J]. Economic research journal， 2010（8）： 66-78.]

[3]李波， 張俊飚， 李海鵬. 中國(guó)農(nóng)業(yè)碳排放時(shí)空特征及影響因素分解[J]. 中國(guó)人口·資源與環(huán)境， 2011， 21（8）： 80-86. [LI Bo， ZHANG Junbiao， LI Haipeng. Research on spatialtemporal characteristics and affecting factors decomposition of agricultural carbon emission in China[J]. China population， resources and environment， 2011， 21（8）： 80-86.]

[4]ANG B W， ZHANG F Q， CHOI K H. Factorizing changes in energy and environmental indicators through decomposition[J]. Energy， 1998， 23（6）：489-495.

[5]ANG B W， SU B. Carbon emission intensity in electricity production： a global analysis[J]. Energy policy， 2016， 94： 56-63.

[6]LIU L C， FAN Y， WU G， et al. Using LMDI Method to analyze the change of Chinas industrial CO2 emissions from final fuel use： an empirical analysis[J]. Energy policy， 2007， 35（11）： 5892-5900.

[7]宋德勇， 盧忠寶. 中國(guó)碳排放影響因素分解及其周期性波動(dòng)研究[J]. 中國(guó)人口·資源與環(huán)境， 2009， 19（3）： 18-24. [SONG Deyong， LU Zhongbao. The factor decomposition and periodic fluctuation of carbon emission in China[J]. China population， resources and environment， 2009， 19（3）： 18-24.]

[8]許士春， 習(xí)蓉， 何正霞. 中國(guó)能源消耗碳排放的影響因素分析及政策啟示[J]. 資源科學(xué)， 2012， 34（1）： 2-12. [XU Shichun， XI Rong， HE Zhengxia. Influential factors and policy implications of carbon emissions for energy consumption in China[J]. Resource science， 2012， 34（1）： 2-12.]

[9]ZHANG Y J， DA Y B. The decomposition of energyrelated carbon emission and its decoupling with economic growth in China[J]. Renewable and sustainable energy reviews， 2015， 41： 1255-1266.

[10]LIN B， TAN R. Sustainable development of Chinas energy intensive industries： from the aspect of carbon dioxide emissions reduction[J]. Renewable and sustainable energy reviews， 2017， 77： 386-394.

[11]EHRLICH P R， HOLDREN J P. The people problem[J]. Saturday review， 1970（4）：42-43.

[12]DIETZ T， ROSA E A. Effects of population and affluence on CO2 emissions[J]. Proceedings of the National Academy of Sciences of the United States of America， 1997， 94（1）：175-9.

[13]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.

[14]DIETZ T， FRANK K A， WHITLEY C T， et al. Political influences on greenhouse gas emissions from US states[J]. Proceedings of the National Academy of Sciences of the United States of America， 2015， 112（27）：8254-8259.

[15]LIU Y， CHEN Z M， XIAO H， et al. Driving factors of carbon dioxide emissions in China： an empirical study using 2006-2010 provincial data[J]. Frontiers of earth science， 2017， 11（1）：156-161.

[16]渠慎寧， 郭朝先. 基于STIRPAT模型的中國(guó)碳排放峰值預(yù)測(cè)研究[J]. 中國(guó)人口·資源與環(huán)境， 2010， 20（12）： 10-15. [QU Shenning， GUO Chaoxian. Forecast of Chinas carbon emission based on STIRPAT Model[J]. China population， resources and environment， 2010， 20（12）： 10-15.]

[17]李國(guó)志， 李宗植. 中國(guó)二氧化碳排放的區(qū)域差異和影響因素研究[J]. 中國(guó)人口·資源與環(huán)境， 2010， 20（5）： 22-27. [LI Guozhi， LI Zongzhi. Regional difference and influence factors of Chinas carbon dioxide emissions[J]. China population， resources and environment， 2010， 20（5）： 22-27.]

[18]楊騫， 劉華軍. 中國(guó)二氧化碳排放的區(qū)域差異分解及影響因素[J]. 數(shù)量經(jīng)濟(jì)技術(shù)經(jīng)濟(jì)研究， 2012（5）： 36-49. [YANG Qian， LIU Huajun. Regional difference decomposition and influence factors of Chinas carbon dioxide emissions[J]. The journal of quantitative & technical economics， 2012（5）： 36-49.]

[19]朱勤， 彭希哲， 陸志明，等. 人口與消費(fèi)對(duì)碳排放影響的分析模型與實(shí)證[J]. 中國(guó)人口·資源與環(huán)境， 2010， 20 （2）： 98-102. [ZHU Qin， PENG Xizhe， LU Zhiming， et al. Analysis model and empirical study of impacts from population and consumption on carbon emissions[J]. China population， resources and environment， 2010， 20 （2）： 98-102.]

[20]MA M， YAN R， CAI W. An extended STIRPAT Modelbased methodology for evaluating the driving forces affecting carbon emissions in existing public building sector： evidence from China in 2000-2015[J]. Natural hazards， 2017， 89（2）： 741-756.

[21]WANG Y， YANG G， DONG Y， et al. The scale， structure and influencing factors of total carbon emissions from households in 30 provinces of China： based on the extended STIRPAT Model[J]. Energies， 2018， 11（5）： 1-25.

[22]劉滿芝， 劉賢賢. 基于STIRPAT模型的中國(guó)城鎮(zhèn)生活能源消費(fèi)影響因素研究[J]. 長(zhǎng)江流域資源與環(huán)境， 2017， 26（8）：1111-1122. [LIU Manzhi， LIU Xianxian. Study on the influencing factors of urban household energy consumption in China based on STIRPAT Model[J]. Resource and environment in the Yangtze Basin， 2017， 26（8）：1111-1122.]

[23]蔡博峰，劉曉曼，陸軍，等.2005年中國(guó)城市CO2排放數(shù)據(jù)集 [J]. 中國(guó)人口·資源與環(huán)境， 2018， 28（4）： 1-7. [CAI Bofeng， LIU Xiaoman， LU Jun， et al. China city CO2 emission in 2005[J]. China population， resources and environment， 2018， 28（4）： 1-7.]

[24]蔡博峰， 王金南， 楊姝影，等. 中國(guó)城市CO2排放數(shù)據(jù)集研究——基于中國(guó)高空間分辨率網(wǎng)格數(shù)據(jù)[J]. 中國(guó)人口·資源與環(huán)境，2017， 27（2）：1-4. [CAI Bofeng， WANG Jinnan， YANG Shuying， et al. China city CO2 emission dataset： based on the China high resolution emission gridded data[J]. China population， resources and environment， 2017， 27（2）：1-4.]

[25]POUMANYVONG U P， KANEKO S. Does urbanization lead to less energy use and lower CO2 emissions？ a crosscountry analysis[J]. Ecological economics， 2010， 70（2）：434-444.

[26]LIDDLE B， LUNG S. Agestructure， urbanization， and climate change in developed countries： revisiting STIRPAT for disaggregated population and consumptionrelated environmental impacts[J]. Population & environment， 2010， 31（5）：317-343.

[27]許廣月， 宋德勇. 中國(guó)碳排放環(huán)境庫(kù)茲涅茨曲線的實(shí)證研究——基于省域面板數(shù)據(jù)[J]. 中國(guó)工業(yè)經(jīng)濟(jì)， 2010（5）：37-47. [XU Guangyue， SONG Deyong. An empirical study of the environmental Kuznets Curve for Chinas carbon emissions： based on provincial panel data[J]. China industrial economics， 2010（5）：37-47.]

[28]邵帥， 楊莉莉， 曹建華. 工業(yè)能源消費(fèi)碳排放影響因素研究——基于STIRPAT模型的上海分行業(yè)動(dòng)態(tài)面板數(shù)據(jù)實(shí)證分析[J]. 財(cái)經(jīng)研究， 2010， 36（11）：16-27. [SHAO Shuai， YANG Lili， CAO Jianhua. Study on influencing factors of CO2 emissions from industrial energy consumption： an empirical analysis based on STIRPAT Model and industrial sectors dynamic panel data in Shanghai[J]. Journal of finance and economics， 2010， 36（11）：16-27.]

[29]國(guó)家統(tǒng)計(jì)局城市社會(huì)經(jīng)濟(jì)調(diào)查司. 中國(guó)城市統(tǒng)計(jì)年鑒2006[M].北京：中國(guó)統(tǒng)計(jì)出版社， 2006. [Department of Urban Social And Economic Investigation Of The National Bureau of Statistics. China city statistical yearbook 2006[M]. Beijing： China Statistics Press， 2006.]

Abstract There are great differences in development stage， economic structure， climatic conditions and population structure for cities in China. Therefore， the driving forces and the degree of impact on carbon dioxide emissions are also different. Based on the latest urban scale CO2 emission database CHRED and CHRED2.0， this paper extended the traditional STIRPAT model by adding factors such as industrial structure， urbanization and climate differences， and investigates the driving forces of carbon dioxide emissions in cities above prefecture level in China. The results show that the growth of population size， output share of the secondary industry and heating demand will significantly increase a citys carbon dioxide emissions， while some cities carbon dioxide emissions will increase first and then decrease with the increase of wealth， but impact of the urbanization rate change on carbon dioxide emissions has an uncertainty. For the national sample， it found that the impact of changes in population size on carbon emissions is steady in 2005 and 2012， around 0.7. The impact of changes in climate difference on carbon emissions has dropped from 0.288 1 in 2005 to 0.000 2 in 2012. The impact of changes in the output share of the secondary industry rose from 0.744 2 in 2005 to 0.979 5 in 2012. There is an inverted Ushaped relationship of carbon emissions and per capita GDP in 2005， but it was not significant in 2012. In addition to the analysis of the national scale， by categorizing the cities based on population size and exploring the quantile regression， the three groups show heterogeneity in terms of their driving forces of carbon dioxide emission. In the future， in the process of formulating urban energy conservation and emission reduction policies for the management of urban carbon dioxide emissions， policymakers need to adapt to the local characteristics and differentiate them according to the characteristics of the city on the premise of grasping the key impact factors.

Key words city carbon dioxide emission； impact factor； city size； STIRPAT