馬偉波，趙立君，王 楠，張龍江，李海東

(生態(tài)環(huán)境部南京環(huán)境科學(xué)研究所，江蘇 南京 210042)

隨著城市化、工業(yè)化不斷加速，中國城市發(fā)展面臨氣候變化、生態(tài)環(huán)境保護和經(jīng)濟增長的多重壓力。中國城市地區(qū)排放的CO2約占全國排放總量的80%，其主要來源于城市經(jīng)濟、城市建筑和城市交通等領(lǐng)域的人類活動[1]。同時，城市也是各類污染物排放相對集中的地區(qū)，中國城市人口占比已達63.98%[2]，城市環(huán)境空氣質(zhì)量及其對健康的影響越來越受到關(guān)注[3]。有研究表明，溫室氣體與環(huán)境污染物排放具有同根、同源、同過程的特點，如煤炭等化石燃料在燃燒過程中會排放顆粒物、SO2等空氣污染物，也會排放CO2、黑碳等溫室氣體[4-5]。因此，利用該特點，采取相應(yīng)的手段同時減少污染物排放(簡稱“減污”)和降低溫室氣體排放(簡稱“降碳”)，是一種高效環(huán)境管理策略。然而，該策略在城市尺度的應(yīng)用效果缺乏有效的評價手段。探究城市群尺度減污降碳的時空驅(qū)動及其演變特征，有助于更好地理解城市化與環(huán)境的互動關(guān)系，可服務(wù)于城市可持續(xù)發(fā)展。

研究表明，城市的空間、人口和經(jīng)濟聚集特征對碳排放有確定性的影響[5]，而城市化與碳排放之間存在倒“U”型曲線，且城市空間集聚在一定程度上有助于碳減排[6]。整體上，人口、地區(qū)生產(chǎn)總值(GDP)和歸一化植被指數(shù)(NDVI)對全國城市CO2排放量均為正驅(qū)動，但溫度和降水量對其有負面影響[7]；在污染物排放驅(qū)動方面，同樣表現(xiàn)出穩(wěn)定的空間集聚特征，城市化地區(qū)各項特征與污染物排放水平顯著相關(guān)。如PM2.5與土地利用和經(jīng)濟產(chǎn)業(yè)結(jié)構(gòu)均有顯著的聯(lián)系，但不同經(jīng)濟發(fā)展階段的特征存在差異[8]。盡管減污降碳協(xié)同效應(yīng)的量化方法可以提供更為有效的減污降碳技術(shù)路徑[2,9]，但是減污降碳的驅(qū)動剖析案例仍然較少，對其驅(qū)動效應(yīng)的內(nèi)在機制分析不足[10-12]。當(dāng)前，減污降碳已成為新時期污染防治和環(huán)境保護的核心思想[13]，減污降碳協(xié)同增效成為我國“十四五”時期深入打好污染防治攻堅戰(zhàn)的總抓手。然而，現(xiàn)階段城市群水平的減污降碳缺乏測度指標，無法支撐區(qū)域減污降碳一體謀劃、部署和考核。

為探究減污降碳評估方法，并剖析其驅(qū)動機制，筆者以長三角城市群(Yangtze River Delta Urban

Agglomeration, YRDUA)為研究對象，基于碳排放水平和污染物排放數(shù)據(jù)構(gòu)建減污降碳強度指標，并通過時空地理加權(quán)回歸 (geographically and temporally weighted regression, GTWR)和隨機森林(random Forest, RF)方法分析經(jīng)濟發(fā)展、產(chǎn)業(yè)結(jié)構(gòu)、土地利用結(jié)構(gòu)、人口以及氣候變化對減污降碳強度指標的時空驅(qū)動特征及驅(qū)動因素的重要性變遷特征，以期為全國城市水平的減污降碳政策制定提供參考。

1 材料與方法

1.1 研究區(qū)概況

長三角城市群位于長江入海之前的沖積平原，是長三角一體化發(fā)展中心區(qū)，具有輻射帶動長三角地區(qū)高質(zhì)量發(fā)展的重要功能。根據(jù)《長江三角洲區(qū)域一體化發(fā)展規(guī)劃綱要》《長江三角洲城市群發(fā)展規(guī)劃》[14-15]，長三角城市群包括：上海，江蘇省的南京、無錫、常州、蘇州、南通、鹽城、揚州、鎮(zhèn)江、泰州，浙江省的杭州、寧波、溫州、嘉興、湖州、紹興、金華、舟山、臺州，安徽省的合肥、蕪湖、馬鞍山、銅陵、安慶、滁州、池州、宣城，共27市，面積為22.4×104km2。據(jù)測算，2017年長三角城市群CO2排放量達1.22×1010t；其中以上海排放量最高，為1.93×109t，占長三角總排放量的15.74%(圖1)[16]。

1.2 數(shù)據(jù)來源

1.2.1減污降碳強度指標

為表征城市減污降碳整體效能，研究構(gòu)建減污降碳強度指標(Index of pollution and carbon reduction, IPCR，RIPC)，將多種污染物排放效率與溫室氣體排放效率納入到1個指標，計算公式為

(1)

式(1)中，RIPC為城市減污降碳強度指標，其取值范圍為0～1，越接近0則表示減污降碳的效果越顯著，經(jīng)濟發(fā)展的清潔低碳程度更高；Ei為該城市減污降碳細分項指標，細分項指標采用0～1值的歸一化方法以消除極值影響，同時細分項指標可隨研究區(qū)特征條件而做出調(diào)整；qi為細分項指標對應(yīng)的權(quán)重，權(quán)重和為1，權(quán)重確定方法為專家打分法。

綜合考慮數(shù)據(jù)的可獲取性以及減污降碳各細分領(lǐng)域代表性指標，細分項指標選擇工業(yè)廢水排放效率、工業(yè)二氧化硫排放效率、工業(yè)煙(粉)排放效率以及二氧化碳排放強度(表1)?？紤]到當(dāng)前減污和降碳工作重要性均非常突出，專家建議對兩者權(quán)重均設(shè)為0.5；細分項指標目前僅考慮長三角城市群水污染和大氣污染，由于顆粒物對空氣環(huán)境質(zhì)量的影響受外來輸入影響，因此專家建議將工業(yè)煙(粉)排放效率指標權(quán)重設(shè)置為0.12，與工業(yè)廢水排放效率相同，同時將工業(yè)二氧化硫排放效率權(quán)重設(shè)置為0.14。工業(yè)廢水排放效率、工業(yè)二氧化硫排放效率、工業(yè)煙(粉)排放效率細分項指標數(shù)據(jù)主要來源于《中國城市統(tǒng)計年鑒(2004—2018)》；二氧化碳排放強度細分項指標中碳排放數(shù)據(jù)來源于中國縣級二氧化碳排放量數(shù)據(jù)集[16]，地級市總排放量通過下轄縣(區(qū)、市)排放量求和得到，經(jīng)檢驗該數(shù)據(jù)集對CO2排放的擬合精度達R2=0.998。GDP數(shù)據(jù)來源于《中國城市統(tǒng)計年鑒(2004—2018)》。

表1 減污降碳指標及數(shù)據(jù)來源

1.1.2驅(qū)動因素

為揭示長三角城市群減污降碳強度的時空驅(qū)動特征，該研究選擇經(jīng)濟發(fā)展水平、地區(qū)產(chǎn)業(yè)結(jié)構(gòu)、人口、土地利用結(jié)構(gòu)、能源消費水平和氣候變化6個方面共11項具體指標作為解釋變量(表2)。經(jīng)濟發(fā)展水平選擇GDP和人均GDP表征(均為不變價單位)，地區(qū)產(chǎn)業(yè)結(jié)構(gòu)用第二產(chǎn)業(yè)增加值占GDP比例和第三產(chǎn)業(yè)增加值占GDP比例表征，人口選擇人口密度和常住人口數(shù)量表征，土地利用結(jié)構(gòu)用建設(shè)用地面積和園林綠地面積表征，能源消費水平選擇能源消費總量表征，氣候變化影響采用年均氣溫和年降水量表征。其中經(jīng)濟發(fā)展水平、地區(qū)產(chǎn)業(yè)結(jié)構(gòu)、人口、土地利用結(jié)構(gòu)的具體指標數(shù)據(jù)來源于《中國城市統(tǒng)計年鑒(2004—2018)》，能源消費總量通過將能源消費相關(guān)指標折算為噸標準煤數(shù)據(jù)求和得到，氣候變化數(shù)據(jù)來源于城市氣象觀測站數(shù)據(jù)。

表2 減污降碳驅(qū)動力因素及數(shù)據(jù)來源

1.3 研究方法

回歸分析被廣泛應(yīng)用于驅(qū)動分析研究，但傳統(tǒng)的多元線性回歸不能比較影響因素的重要性，該研究擬采用RF以克服傳統(tǒng)方法的不足[17]。同時，與局部空間回歸相比，全局空間回歸假設(shè)所有參數(shù)在空間中都是平穩(wěn)的或結(jié)構(gòu)穩(wěn)定的，這并不符合現(xiàn)實情況[18]。因此，該研究擬采用GTWR方法，其允許不同影響因素的回歸系數(shù)變化，并對每個研究單元進行顯著性檢驗[18]。

1.3.1GTWR模型

GTWR在地理加權(quán)回歸的基礎(chǔ)上引入時間因子，既解決了截面數(shù)據(jù)樣本數(shù)量有限的問題，還考慮了時間與空間的非平穩(wěn)性，能有效估計因子參數(shù)。模型[18-19]為

Yi=β0(μi,vi,ti)+∑kβk(μi,vi,ti)Xit+εi。

(2)

式(2)中，(μi,vi,ti)為長三角城市群第i個城市的時空坐標，μi、vi、ti分別為第i個城市的經(jīng)度、緯度和時間；β0(μi,vi,ti)為第i個城市的回歸常數(shù)，即模型中的常數(shù)項；εi為殘差；βk(μi,vi,ti)為第i個城市的第k個回歸參數(shù)，估計方法為

(3)

(4)

式(4)中，δ為帶寬。該研究減污降碳強度GTWR模型的實現(xiàn)主要基于ArcGIS 10.5軟件，采用HUANG等[18]制作的GTWR插件，帶寬采用AICc優(yōu)化設(shè)置。

1.3.2RF方法

RF是一種集成學(xué)習(xí)方法，它由使用數(shù)據(jù)集的自舉(bootstrap)樣本獨立構(gòu)造的樹組成[20]，該方法對過擬合具有魯棒性，且能充分探測變量對被解釋變量的驅(qū)動貢獻程度[21]。訓(xùn)練一個RF的本質(zhì)是訓(xùn)練多個分類與回歸樹(classification and regression trees, CART)。CART是一個二叉樹模型，其核心是切割變量和切割點的選擇[22]。在RF中，單棵CART首先遍歷一部分變量和變量數(shù)據(jù)，然后根據(jù)切割后節(jié)點的不純度，確定最佳切割變量和切割點，綜合所有樹的結(jié)果得到最終模型。節(jié)點不純度的計算公式為

(5)

同時，通過RF可定量測度解釋變量的重要性，因此可通過不同時間點變量重要性的變遷解釋變量的時間效應(yīng)，提高長三角減污降碳模型時空效應(yīng)的解釋能力。RF通過袋外誤差(out-of-bag error，OOB)樣本來估計變量的重要性，具體公式為

(6)

式(6)中，pIM(Vari) 為變量i的重要性值；eB1，ij為根據(jù)CARTj中變量i出袋數(shù)據(jù)計算的誤差；eB2，ij為根據(jù)CARTj中變量i出袋數(shù)據(jù)加上噪聲干擾計算的誤差；n為CART數(shù)量。該研究中，RF回歸模型采用R軟件包randomforest和R編程語言實現(xiàn)[20]，其中80%的數(shù)據(jù)集被隨機選為訓(xùn)練集，其余20%數(shù)據(jù)集被選為測試集。該研究通過設(shè)置固定隨機值，保證RF結(jié)果可復(fù)現(xiàn)，同時采用10次結(jié)果的均值作為最終模型精度評價結(jié)果。

2 結(jié)果與分析

2.1 長三角城市群減污降碳強度時空特征

2.1.1時間變化特征

由圖2可見，2003—2017年，長三角城市群整體減污降碳強度呈下降趨勢，表明長三角城市群整體呈清潔發(fā)展趨勢。27個城市平均減污降碳強度由2003年的0.23下降到2017年的0.05，但江蘇9市、浙江9市和安徽8市減污降碳強度的最低點是2016年，分別為0.04、0.03和0.07。從減污降碳強度下降絕對值來看，安徽8市最大(0.26)，上海次之(0.17)，浙江9市下降幅度最小(0.13)。從減污降碳強度變化率絕對值來看，安徽8市仍然最大，為0.019 9；浙江9市最小，為0.010 7。2003年，浙江9市和上海減污降碳強度總體接近，但浙江9市在2005年小幅上升之后才保持下降。整體來看，2003—2017年長三角城市群減污降碳效果非常顯著。

2.1.2空間變化特征

圖3展示了27個城市減污降碳強度的時空分布特征。雖然2003—2017年每個城市整體上減污降碳強度均呈下降趨勢，但在重要節(jié)點年份可以觀測不同城市減污降碳強度水平的分異特征。2003—2017年，上海、無錫、溫州和合肥的減污降碳強度總體上均保持較好的下降趨勢，其中上海和杭州在2003年減污降碳強度處于中等偏高水平，之后的2008、2013和2017年均保持較好的下降勢頭。滁州在2003年減污降碳強度并不高，但在2008、2013和2017年的橫向比較中，其減污降碳強度始終處于同時期較高水平；滁州在2003—2017年的平均減污降碳強度仍處于較高水平的梯隊中，且其減污降碳強度變幅為18.62%。與滁州情況類似的還有宣城、池州和馬鞍山。從2003—2017年減污降碳強度的變化幅度來看，上海、杭州、合肥、南京和常州的下降幅度均超過91%，清潔低碳發(fā)展趨勢較好。

2.1.3空間自相關(guān)分析

由表3可知，2003—2017年長三角城市群減污降碳強度的Morans′sI指數(shù)為0.320 7，且P值通過顯著性檢驗，Z值大于1.96，表明長三角城市群減污降碳強度有較強的空間聚集特征。從不同時期來看，2003—2007和2008—2012年減污降碳強度的Morans′sI指數(shù)高于2013—2017年，表明隨時間變化，長三角城市群減污降碳強度空間聚集特征呈下降趨勢，而空間離散特征趨于強烈。

表3 長三角城市群減污降碳強度的全局Moran′s I指數(shù)

2.2 長三角城市群減污降碳驅(qū)動分析

2.2.1數(shù)據(jù)檢驗和精度評價

在構(gòu)建GTWR模型前，需對所有變量進行標準化處理；同時，為避免在回歸時出現(xiàn)偽回歸現(xiàn)象，需要對標準化后的所有變量進行多重共線性檢驗。結(jié)果表明，11項指標的方差膨脹因子均小于10，但GDP和園林綠地面積的膨脹系數(shù)較高，分別為9.16和9.38。表4統(tǒng)計了回歸模型的精度評價結(jié)果，可以看出，在考慮時間效應(yīng)后，GTWR模型R2與調(diào)整R2均高于0.96，相比GWR模型的擬合精度和優(yōu)度提升較大，R2提升0.193 1，殘差下降0.649 3，且AICc值下降398.24。可見，GTWR回歸模型能夠較好地在時空尺度擬合11項具體驅(qū)動指標與減污降碳強度因變量的線性關(guān)系。RF模型的精度評價結(jié)果見表5。

表4 減污降碳驅(qū)動模型精度評價

表5 長三角城市群減污降碳強度的RF模型精度評價

2.2.2驅(qū)動因素回歸系數(shù)空間特征

圖4展示了GTWR局部回歸系數(shù)的空間分布，27個城市局部回歸系數(shù)均達顯著水平(P<0.01)。GDP與鹽城和金華減污降碳強度呈顯著負相關(guān)；而安慶、滁州則受到人均GDP影響最為顯著，人均GDP越高則減污降碳強度越低。從產(chǎn)業(yè)結(jié)構(gòu)來看，上海、嘉興、寧波、紹興、舟山、臺州和溫州受第二產(chǎn)業(yè)增加值占GDP比例的正向驅(qū)動顯著，而滁州、揚州、南京、馬鞍山和常州受第三產(chǎn)業(yè)增加值占GDP比例的負向驅(qū)動更為顯著。從土地利用結(jié)構(gòu)來看，上海、蘇州和浙江9市受園林綠地面積的負向驅(qū)動，即其園林綠地面積的增加驅(qū)動減污降碳強度下降；而滁州、合肥、馬鞍山、蕪湖、銅陵和池州受建設(shè)用地面積的負向驅(qū)動。從人口角度來看，滁州、合肥和安慶的人口密度對減污降碳強度的負向驅(qū)動顯著;常住人口數(shù)量對安慶、池州和溫州的減污降碳強度也為負向驅(qū)動，但鹽城、南通、上海、蘇州、無錫和嘉興的減污降碳強度則受常住人口數(shù)量的正向驅(qū)動。安慶、池州、銅陵和合肥減污降碳強度受能源消費總量的負向驅(qū)動顯著，而紹興、臺州、金華和溫州減污降碳強度則受能源消費總量的正向驅(qū)動。從氣候變化響應(yīng)來看，研究區(qū)南部城市的減污降碳強度受年均氣溫和年降水量的負向驅(qū)動較為顯著。

2.2.3驅(qū)動因素重要性變遷

表5顯示，2003—2007、2008—2012和2013—2017年3個時期RF模型的Var解釋程度分別為75.86%、79.95%和78.61%，均超過75%，這意味著該模型具有良好的擬合效果，對各個時期均有較好的解釋能力。模型精度也很高，3個時期的均方根誤差(RMSE)均小于8×10-4。

RF模型對變量重要性的測度可消除其他變量的間接影響。由表6可知，能源消費總量在2003—2007、2008—2012和2013—2017年3個時期的重要性均為第1；而第三產(chǎn)業(yè)增加值占GDP比例在2003—2007、2008—2012年均為第2重要的影響因素，在2013—2017年重要性排名下降到第3。園林綠地面積的重要性排名從2003—2007年的第5逐漸上升到2013—2017年的第2，說明園林面積增加對降碳和污染物凈化的效用在逐漸提升；同時建設(shè)用地面積的重要性也在不斷提升。人均GDP在2003—2007和2008—2012年的重要性排名分別為第3和第4，但在2013—2017年下降到第8；同時，GDP的重要性排名也呈下降趨勢。雖然人口密度和人口總量重要性排名靠后，但總體呈上升趨勢。氣候變化響應(yīng)方面，年均氣溫、年降水量始終是重要性排名最靠后的影響因素，說明氣候變化對減污降碳的影響并不顯著。

表6 減污降碳強度驅(qū)動因素的重要性變遷

3 討論

該研究基于碳排放水平和污染物排放數(shù)據(jù)，通過權(quán)重組合構(gòu)建減污降碳強度指標，并通過GTWR和RF方法分析了經(jīng)濟發(fā)展、產(chǎn)業(yè)結(jié)構(gòu)、土地利用結(jié)構(gòu)、人口以及氣候變化對減污降碳強度指標的時空驅(qū)動特征以及驅(qū)動因素的重要性變遷，嘗試探究長三角城市群減污降碳的驅(qū)動機制和空間模式?？梢园l(fā)現(xiàn)，建設(shè)用地面積和園林綠地面積的重要性不斷上升。HAN等[22]認為，長三角建設(shè)用地的空間凈碳強度顯示出顯著的跳躍性，碳排放的增長速度快于城市土地擴張。筆者與其結(jié)論相吻合，這說明土地利用結(jié)構(gòu)對于減污降碳強度的影響力在迅速上升，一方面建設(shè)用地中污染物排放強度在不斷增加，另一方面園林綠地在碳匯和污染物凈化方面的功能效用更加顯著。筆者研究發(fā)現(xiàn)，2003—2017年長三角城市群減污降碳強度存在空間聚集性，人均GDP和人口密度對減污降碳強度具有負向驅(qū)動作用，這與QIN等[10]的結(jié)論相吻合。但上海、嘉興、寧波、臺州、紹興、舟山和溫州的減污降碳強度隨著第二產(chǎn)業(yè)增加值占GDP比例的增加而增加，這與QIN等[10]全國尺度第二產(chǎn)業(yè)占比與CO2排放量呈正相關(guān)的結(jié)論并不完全吻合，這可能源于減污降碳強度是一個綜合碳減排和污染物排放效率的指標，上述城市在污染物排放效率層面與其他城市有不同的軌跡。從污染物排放驅(qū)動來看，WANG等[8]認為，在省級尺度人均GDP、技術(shù)、城市化和人口對環(huán)境污染有顯著影響。筆者與其結(jié)論相符，但進一步研究發(fā)現(xiàn)，不同時期這種重要性在發(fā)生變化，如人均GDP的驅(qū)動重要性呈下降趨勢，即驅(qū)動因素的重要性在發(fā)生時空變遷，這與研究尺度相關(guān)，在更細分的尺度上可以捕捉更為細微的減污降碳驅(qū)動特征。無錫與滁州等城市的減污降碳強度處于同一梯隊，但通過分析統(tǒng)計資料可知，2003年無錫和滁州的工業(yè)增加值分別為992.74億和105.5億元，工業(yè)發(fā)展差距較大。因此，減污降碳強度值相對較低不一定完全是由于經(jīng)濟清潔發(fā)展所致，也有可能是因為經(jīng)濟發(fā)展水平低、工業(yè)化程度較低。

技術(shù)進步不僅能提高經(jīng)濟發(fā)展效率，而且對于減少碳排放和降低污染物排放有較大的促進作用[23]。長三角地區(qū)的進出口貿(mào)易非常發(fā)達，這其中隱含了一定程度的碳排放和污染物轉(zhuǎn)移[24]，該研究對此還未能有效測度，后期應(yīng)逐漸完善。另一方面，為了更好地開展減污降碳考核評估工作[25]，在后期應(yīng)考慮納入其他污染物排放效率以及其他溫室氣體的排放強度指標。

4 結(jié)論與建議

(1)2003—2017年，長三角地區(qū)27個城市的平均減污降碳強度由2003年的0.23下降到2017年的0.05，表明長三角城市群減污降碳整體呈向好趨勢。長三角城市群減污降碳強度存在較強的空間聚集特征，在考慮時間效應(yīng)后GTWR模型對減污降碳強度的擬合能力迅速提升，減污降碳強度指標時空分異特征顯著。

(2)人均GDP、園林綠地面積、人口密度、常住人口數(shù)量的GTWR模型回歸系數(shù)整體呈負值，說明其增加可促使減污降碳強度降低。建議長三角城市群在推進減污降碳工作時注重人均GDP、園林綠地面積和人口因素的協(xié)同提升。

(3)能源消費總量始終是減污降碳強度最重要的影響因素，同時地區(qū)產(chǎn)業(yè)結(jié)構(gòu)和土地利用結(jié)構(gòu)等影響因素的重要性也不可忽視。建議長三角城市群提升能源利用效率，大力發(fā)展第三產(chǎn)業(yè)，優(yōu)化土地利用結(jié)構(gòu)。