京津冀與長三角城市群碳排放的空間聚集效應比較

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

?

京津冀與長三角城市群碳排放的空間聚集效應比較

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.北京市應對氣候變化研究中心,北京100031；2.環境保護部環境規劃院,北京100012)

基于中國高空間分辨率碳排放網格數據(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三角城市群碳排放指標空間格局和聚集特點,通過顯著性檢驗選擇空間滯后回歸(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.結果表明,京津冀城市群碳排放在空間上表現出更多的隨機性和結構不穩定性,Moran自相關系數為-0.131;長三角城市群碳排放在空間上表現聚集趨勢明顯,Moran自相關系數0.106,二氧化碳排放受到臨近區域的影響.人口和經濟因素是京津冀城市群和長三角城市群碳排放的最主要驅動因素.總體上長三角地區碳排放總體擴散效應顯著,而京津冀城市群極化效應更明顯.區域發展的多中心化是大城市病治理的重要導向,同時要注意對區域碳排放溢出熱點進行控制,促進城市群一體化和低碳化發展,實現區域碳平衡.

城市群；聚集效應；空間模型；影響因素

在全球氣候變暖的大背景下,氣候變化與城市擴張效應交織在一起,也使得人口和財富高度密集的城市群面臨著不斷加劇的氣候災害風險.由于城市能夠在應對氣候變化方面起到關鍵的作用[1],如何降低資源能源消耗、轉變舊有發展模式,走出集約、低碳、綠色新型城鎮化道路成為我國城鎮化發展的重要導向.

近年來,有關區域或城市空間聚集特征以及與環境要素的關系成為不同學科背景學者關注的熱點,主要集中在下面3個方面:(1)基于統計數據、遙感數據等評估不同區域尺度能源消費碳排放量、人均碳排放量空間格局及變化趨勢[2-5].(2)研究SO2、NO等大氣污染物及CO2等與收入之間的環境庫茲涅茨曲線關系[6-10].(3)綜合運用空間相關、面板數據等計量經濟學模型分析城市群分析碳排放的影響因素與機制[11-14].研究的角度涵蓋了國家[4,15-17]、區域[2,8,18-19]、城市[4,9,20-21]以及家庭和個人層面[22-24]維度.研究者開始從傳統的回歸分析方法上升到空間分析方法,將區域差異和空間關聯考慮到研究當中,側重于國家和省級尺度,研究模型多選擇空間自相關模型、截面模型或其他空間計量模型,然而欠缺在城市群尺度考慮空間關聯且針對碳排放空間聚集特征與影響因素的研究.大量研究表明,基于社會經濟特征的距離權重空間計量模型能夠較好地解釋區域能源消費及碳排放的空間效應及其區域差異.

我國目前20多個城市群地區集中了全國一半以上的人口總量,近7成的固定資產投資及超過80%的經濟總量[25].本研究選擇京津冀和長三角城市群進行對比分析,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性,包括變量空間分布、全局空間自相關和局部自相關分析,其次設計合理的空間回歸模型,基于顯著性檢驗選擇空間滯后回歸、空間誤差回歸和空間加權回歸模型,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.

1 數據與方法

1.1 研究區簡介

根據2015年國務院審議通過的《京津冀協同發展規劃綱要》[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、邢臺市、邯鄲、石家莊等11個地級市和河南省安陽市,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京津而言為邊緣地區.據統計數據顯示,2012年京津冀城市群地區生產總值約為5.96萬億元,占全國GDP的11.5%,常住人口1.1億人,占全國總人口的8.1%.

長三角城市群在上海市、江蘇省、浙江省、安徽省范圍內,主要分布于國家兩橫三縱城市化格局的優化開發和重點開發區域.根據2016年5月國務院批準的《長江三角洲城市群發展規劃》[27],范圍包括:上海市,江蘇省的南京、無錫、常州、蘇州、南通、鹽城、揚州、鎮江、泰州,浙江省的杭州、寧波、嘉興、湖州、紹興、金華、舟山、臺州,安徽省的合肥、蕪湖(國務院在2011年7月14日以國函[2011] 84號文下發給安徽省名為《國務院關于同意安徽省撤銷地級巢湖市及部分行政區劃調整的批復》,對巢湖市,蕪湖市和馬鞍山市的管轄范圍進行調整.本文所有研究邊界按照調整后的范圍進行分析)、馬鞍山、銅陵、安慶、滁州、池州、宣城等26市,面積21萬km2,上海是長三角城市群的核心城市.2012年長三角城市群地區生產總值約為10.76萬億元,占全國GDP的20.7%,常住人口1.43億人,占全國總人口的10.6%.

1.2 數據來源與處理方法

1.2.1 全局空間自相關模型 空間數據擁有兩個重要特征,即空間自相關(Spatial Autocorrelation)和空間異質性(Spatial Heterogeneity)[28].空間計量統計通常采用2類統計指標,Moran I指數以及Geary c指數[29-30],其作用基本相同,在實際研究中Moran指數更為常用.因此本研究選擇Moran全局自相關和局部自相關指數[28,31-32],借助空間探索性分析技術(Exploratory Spatial Data Analysis)分析城市碳排放的空間自相關性,識別城市群不同區域間碳排放數據的空間依賴性或空間自相關特征.其中,全局空間自相關Moran’s指數定義如下:

1.2.2 局部空間自相關模型 全局自相關并未對空間自相關的區域結構進行評價,不能完全反映區域內部空間聚集特征,可進一步采用局部自相關探測出區域的高值聚集區(熱點)和低值聚集區(冷點)[33].LISA(Local Indicators of Spatial Association)是將全局自相關Moran’s分解到各個區域單元.本研究定義的局部空間關聯性指標Local Moran’s指數如下所示:

式中:Y同上表示第地區的觀測值,z是x的標準化變換,w為歸一化后的權重矩陣.局部Moran’s可解釋為從局部和全局統計之間得到的局部不穩定指標.顯著性水平可以根據的值檢驗水平來確定.根據局部Moran’s的含義,結合Moran散點圖,可將城市之間的局部空間關聯性質劃分為高-高(HH)、低-低(LL)、低-高(LH)和高-低(HL)等4種類型,診斷區域空間聚集的“熱點”和“冷點”.Moran散點圖中高-高(HH)表示研究區高值區域被高值區域包圍;低低(LL)表示低值區域被低值區域包圍;高-低(HL)表示高值區域被低值區域包圍;低-高(LH)表示低值區域被高值區域包圍.而HH(LL)聚集型的局部Moran’s指數為正值,城市之間研究指標存在正向的空間自相關關系,形成高值(或低值)空間聚集效應.HL(LH)聚集型的局部Moran’s指數為負值,城市之間研究指標存在負向的空間自相關關系,形成高低值聚集的空間效應.

1.2.3 空間回歸模型 空間效應是空間數據的基本特征,反映空間因素對經濟計量模型的影響.本文使用的空間計量模型主要考慮了空間效應(空間相關和空間差異)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域是否存在擴散現象(溢出效應).其模型基本表達式如下:

式中:為因變量;與分別對應常規回歸模型中的自變量和殘差項,參數反映了自變量對因變量的影響;為空間滯后因變量效應系數;為×階的空間權值矩陣;反映了空間效應對區域變量的作用.空間誤差模型用于發現區間的相互作用因所處的相對位置不同而存在的差異.其模型基本表達式如下:

式中:與與空間滯后模型含義一致,區別之處在于空間誤差模型反映空間對因變量的影響并非反映在空間滯后因變量上,而是表現在模型沒有考慮的誤差項上,度量了鄰近地區關于因變量的誤差沖擊對本地區觀察值的影響程度.

根據Dietz等[35]提出的經典模型的基本假定,人口規模()、人均財富()和技術進步水平()是對環境壓力()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多重共線性,以碳排放為被解釋變量,以人口規模和人均財富為解釋變量,技術因素作為殘差項.將京津冀和長三角城市群地區各城市碳排放分解為溢出效應和增長效應,結合空間相關分析構建空間滯后模型和空間誤差模型,其模型表達式如下.

對于SLM和SEM模型如采用傳統的最小二乘法(OLS),系數估計會有偏或者無效,需要通過極大似然法或廣義最小二乘法等來進行估計.本文選取極大似然法來估計SLM和SEM模型的參數[34,36],然后使用LM檢驗判斷2種模型的適合程度,采用的檢驗參數包括對數似然函數值(LogL)、似然比率(LR)、赤池信息準則(AIC)和施瓦茨準則(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.空間統計分析采用Arcgis10.1和GeoDa0.95i.

京津冀城市群和長三角城市群碳排放數據來自基于中國高空間分辨率網格數據(CHRED)建立的中國2012年排放網格數據[37].該數據采用了統一數據源和規范化、標準化數據處理方法,數據來源于北京、天津、河北、河南、上海、浙江、江蘇、安徽等省市地區相應年份的統計年鑒,是國內首個自下而上建立的排放網格數據,適合于國內相關研究橫向比較和對標.數據范圍為2012年京津冀城市群14個地級市,長三角城市群26個地級市的碳排放、人口和人均GDP等數據.

2 結果與討論

2.1 描述性統計分析

如表1,在區域碳排放總量,單位面積排放量等指標上,京津冀城市群低于長三角城市群,但在城市平均碳排放水平,京津冀地區高于長三角地區.京津冀城市群2012年碳排放量總量為11.4億t,長三角城市群總量14.5億t;單位面積碳排放對比,京津冀城市群單位面積碳排放0.51萬t/km2,低于長三角地區同類指標0.69萬t/km2.城市碳排放平均水平對比,京津冀地區由于城市數量少平均排放量相對更高,京津冀城市群平均碳排放為8175萬t,是長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城市群中最高,達到25726萬t.2個城市群均由超大型中心城市、中型城市和小型城市構成,京津冀城市群碳排放變異系數80.84%,要略低于長三角城市群92.03%,相比之下長三角城市群碳排放離散程度更高.

表1 2012年京津冀和長三角城市群二氧化碳描述性統計結果(萬tCO2當量)

2.2 空間聚集形態

將京津冀和長三角城市群碳排放分級并符號化和空間化,如圖1所示,京津冀城市群核心城市、次級城市和衛星城市在碳排放上的梯級關聯不明顯,緊鄰的北京、天津和唐山是京津冀排放最高的3個城市,排放量均在15000萬t以上,次級城市石家莊和邯鄲,排放量高于8000萬t但低于15000萬t,處于4000~8000萬t級別的城市3個,位于城市群西部南北方向,剩下6個城市均在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系并不明顯.而長三角城市群碳排放存在較明顯的沿江和沿海梯級聯系,在沿長江方向上,上海和蘇州是排放量高于15000萬t的2個城市,南京排放位于8000~15000萬t之間,是沿長江方向的次級排放城市,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排放級別.總體上看長三角城市群碳排放量呈現聚集的連片分布和梯級特征,表明空間分布可能存在空間關聯.

2.3 全局與局部空間自相關分析

通過表2的結果可見,京津冀城市群碳排放量全局Moran’s指數為-0.131,檢驗為負值,但未通過值顯著性檢驗,京津冀研究區域碳排放體現為高低集聚,整體空間異質性大;長三角城市群地區全局Moran’s指數為0.106,檢驗數值較高,且值通過10%的顯著性檢驗,表明長三角城市群碳排放空間整體體現為聚集性特點.

(a)京津冀城市碳排放

(b)長三角城市群碳排放

圖1 研究區碳排放分級

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

表2 京津冀和長三角城市群二氧化碳全局自相關檢驗

注:*代表通過a=0.10的顯著性水平檢驗.

通過建立Moran散點圖了解研究區域的空間自相關性,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)型區域,形成空間負相關分布.京津冀城市群有保定、滄州、衡水和天津4城市碳排放表現為正向的空間關聯性,低-低(LL)型城市3個,高-高(HH)型城市僅天津1個.長三角城市群中超過半數共14個城市表現為正向的空間關聯性,其中高-高(HH)型城市3個,分別為上海、無錫和蘇州,低-低(LL)型城市11個,主要分布在長三角西部和北部城市群外圍的合肥、安慶和池州等地.長三角城市群位于高-低(HL)型或低-高(LH)型區域城市共12個,分布在上海、蘇州、無錫、杭州等中心城市或次級中心城市周邊.

在Z檢驗的基礎上生成京津冀和長三角城市局部區域聚集圖,借助局部空間聚集分析了解區域城市群碳排放極化、擴散作用及冷熱點分區情況,可以通過經濟發展情況對碳排放冷熱點分區進行解釋.京津冀城市群在局部區域上Moran's指數通過0.05顯著性水平檢驗的地區為承德市,顯示為低-高(LH)類型.承德市緊鄰北京和天津,作為首都生態安全屏障,盡管區位優勢明顯,礦產資源、清潔能源和農產品資源豐富,但是經濟發展相對落后,城鎮化整體水平和經濟結構均不高,隨之碳排放水平也處于較低的水平.長三角城市群在局部區域上有4個城市Moran's指數通過0.05顯著性水平檢驗.上海市作為長三角城市群的核心城市,屬于局部自相關高-高(HH)類型區域,與周邊的蘇州等地形成碳排放空間聚集區域.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,屬于局部自相關為低-高(LH)類型區域.位于安徽在長三角地區經濟發展水平相對較低,以池州市為代表形成低-低(LL)類型區域.

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,將空間相互作用關系融入到模型中,考慮采用SLM和SEM兩類空間計量經濟模型進行評估.具體檢驗過程是通過空間滯后模型和空間誤差模型兩個拉格朗日乘子LMerr、LMlag和穩健形式RLMerr、RLMlag檢驗,聯合普通標準回歸的殘差項檢驗城市群碳排放的空間依賴性,進而成為空間回歸模型SLM和SEM形式的條件判斷.

由表3可見,研究期內京津冀城市群碳排放Moran's的值未通過=0.05的顯著性檢驗,而長三角城市群碳排放Moran's值通過=0.05的顯著性檢驗,表明京津冀城市群城市之間碳排放空間關聯性不夠強,長三角城市群碳排放空間關聯性明顯,在京津冀選取OLS經典最小二乘模型是適宜的,而長三角地區碳排放需要考慮周邊地區的相互影響.這一結論與之前本研究空間自相關的結論相一致.進一步比較拉格朗日乘子的顯著性發現,長三角城市群采取空間滯后模型時拉格朗日乘子(Lagrange Multiplier lag)通過了0.001的顯著性檢驗,采用空間誤差模型時拉格朗日乘子(Lagrange Multiplier error)沒有通過顯著性檢驗,因此,長三角城市群地區選擇空間滯后模型要優于空間誤差模型.

表3 京津冀和長三角城市群碳排放空間依賴性檢驗

注:***、**和*分別表示1%、5%和10%的顯著性水平.

由表4可見,基于OLS模型對京津冀城市群碳排放的解釋效力已經較高,擬合優度2=0.709,人口和人均財富是重要的影響因素,人口指標通過5%的顯著性水平檢驗,人均財富指標通過10%的顯著性水平檢驗.從OLS模型系數的大小和方向上看,京津冀城市群人口和人均財富對碳排放體現的彈性系數均為正值,與經濟學含義相符,人口彈性0.817要略高于人均財富彈性0.634.這意味著在京津冀城市群地區,人口和經濟對碳排放作用影響都較強,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模型對長三角城市群碳排放的擬合優度R=0.878,人口、人均財富和滯后變量均通過1%的顯著性水平檢驗.長三角城市群各城市之間碳排放存在較強的空間依賴性,從SLM模型系數的大小和方向上看,長三角城市群人口和人均財富對碳排放體現的彈性系數同樣為正值,人均GDP彈性系數為0.879,高于人口彈性系數0.441.在長三角城市群地區,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%,領近域每增加1%的碳排放,將增加被研究區碳排放0.182%.

表4 京津冀和長三角城市群碳排放空間回歸估計結果

注:京津冀城市群采用OLS模型,長三角城市群采用SLM模型; ***、**和*分別表示1%、5%和10%的顯著性水平.

綜合城市群發展規律的極化-擴散理論和中心-外圍理論對碳排放進行討論和印證.城市群發展同時具有極化和擴散兩種效應相互作用.極化表現為中心城市存在基礎設施、人才、技術等各種優勢,外圍次級城市無法與之抗衡,導致周邊城市各種資源進一步向中心城市集中,成為資源要素的聚集地和區域經濟活動的中心,這一效應擴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經濟活動的主要聚集地和社會生產力高度集聚的空間組合,其碳排放從表觀上看與整個社會的能源生產、供給和需求狀況有著密切的聯系,從深層次上看與人口空間結構和經濟發展格局息息相關.結合本研究空間模型回歸結果,京津冀城市群碳排放更多表現為極化效應,且主要體現為人口驅動型影響.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據的就業統計數字,計算京津冀都市圈空間基尼系數,發現科研人員、專業技術人員等超過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,發現人口聚集和流入地區集中在北京、天津、石家莊等大城市地區,主要流出地分布在承德、張家口、保定等山地丘陵區,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展的人口多中心分布的圈層結構.可見人口流動的分布格局與本研究的碳排放空間分布相似性.京津冀城市群地區經濟發展不平衡,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業者提供更好的平臺,吸引各方人才資源向京津聚集,形成對周邊地區虹吸效應,強化了區域發展的不對稱狀態.

長三角城市群碳排放綜合表現為擴散效應,主要體現為經濟驅動型影響.擴散效應表現為中心城市形成后,外圍次級城市與中心城市進行產業合作,主中心城市的資源、技術、資金等資源要素向外輻射,帶動周邊城市經濟社會發展[40].畢秀晶[41],黃潔等[42]研究發現長三角城市群多中心化、均衡化的空間演化過程趨勢明顯,目前已經發展到多中心多組團均衡化階段.孫東琪等[43]通過引入感應度系數和影響力系數,構建產業聯系強度測度模型,探討了長江三角洲與京津冀城市群產業空間聯系特征,發現長三角城市群地區平均產業聯系強度和整體經濟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的產業聯系強度參差不齊,是造成城市群空間經濟發展不平衡性的重要原因,北京和天津雙中心的內化集聚效應顯著,但并不如上海單中心擴散效應明顯.

2.5 討論

當前國內省級和市級行政區域以下缺乏統一的由權威機構發布的碳排放數據[44],即便在同一活動水平下,由于排放因子、碳氧化率等重要參數取值不同,碳排放結論也可能產生較大差異.本研究選取中國高空間分辨率網格數據(CHRED)建立的國家排放網格數據,基于統一的數據源有助于保證基礎數據規范化、標準化和可比較.

城市化聚集效應與碳排放關系問題是目前研究的熱點之一.京津冀和長三角城市群碳排放的空間格局均受人口和經濟因素等重要因素影響,長三角地區碳排放總體擴散效應顯著,而京津冀城市群極化效應更明顯.結合當前京津冀城市群面臨亟待解決的大城市病和京津冀協同發展問題,促進城市群“極化效應”向“擴散效應”轉移,通過區域合作與城市功能布局優化,積極應用低碳技術,實現城市群內部不同功能城市的分工合作和資源優化組合,強化碳排放的發散效應,促進城市群一體化和低碳化發展,實現區域碳平衡,是京津冀城市群當前合理的政策導向.長三角城市群則要根據城市群所處的不同階段,對區域碳排放溢出熱點進行控制,通過區域合作,實現城市群內部不同功能城市的分工合作和資源最優化.

由于空間自相關性具有較強的尺度依賴性,不同尺度研究空間自相關的研究結論存在顯著影響.本研究僅是從城市群角度對碳排放空間格局變化的初步研究,受現有可獲得數據限制,僅有2012年數據,研究空間尺度為地級市,與前人研究結論基本吻合[40,45].深入系統研究京津冀和長三角城市群碳排放空間聚集特點及影響因素,需要基于同一標準數據的長時間序列的深入分析,研究尺度宜在縣域或更小空間尺度上展開.

3 結論

3.1 京津冀和長三角城市群碳排放空間分布并非處于完全隨機狀態,空間差異和地理鄰近是決定區域碳排放的重要因素.京津冀城市群碳排放在空間上表現出更多的隨機性和結構不穩定性,集中聚集趨勢不明顯,空間自相關Moran’s系數為-0.131;長三角城市群碳排放在空間上表現聚集趨勢明顯,Moran’s自相關系數0.106.

3.2 利用截面空間模型檢驗和甄別碳排放空間聚集性和依賴性的影響因素,探討了人口和經濟因素分別對京津冀城市群和長三角城市群的碳排放影響,發現人口和經濟因素是京津冀城市群和長三角城市群碳排放的主要驅動因素.在京津冀城市群地區,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%;在長三角城市群地區,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%,相鄰區域每增加1%的碳排放,將增加碳排放0.182%.長三角城市群空間滯后模型的總體擬合效果優于空間誤差模型,地理距離對地區碳排放的空間相關性影響大.

3.3 長三角地區碳排放總體擴散效應顯著,而京津冀城市群極化效應更明顯.從均衡發展角度,城市群發展的多中心化是大城市病治理的重要出路,但同時城市群也要強化碳排放的區域目標控制,對表現為擴散區域碳排放溢出熱點進行控制,促進城市群分工合作和資源優化分配,實現一體化和低碳化發展,達成區域的碳平衡.

[1] 方創琳,宋吉濤,藺雪芹.中國城市群可持續發展理論與實踐[M]. 北京:科學出版社, 2010:135.

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

[3] 蘇泳嫻,陳修治,葉玉瑤,等.基于夜間燈光數據的中國能源消費碳排放特征及機理[J]. 地理學報, 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]. 中國環境科學, 2011,31(6):1029-1038.

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

[6] 范 丹.中國二氧化碳EKC曲線擴展模型的空間計量分析[J]. 宏觀經濟研究, 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.廣東省能源消費碳排放分析及碳排放強度影響因素研究[J]. 中國環境科學, 2015,35(6):1885-1891.

[9] 陳操操,劉春蘭,汪 浩,等.北京市能源消費碳足跡影響因素分析—基于STIRPAT模型和偏小二乘模型[J]. 中國環境科學, 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分析[J]. 生態經濟, 2011,(10):49-53.

[12] 鄭長德,劉 帥.基于空間計量經濟學的碳排放與經濟增長分析[J]. 中國人口.資源與環境, 2011,(5):80-86.

[13] 孫慶剛,郭菊娥,師 博.中國省域間能源強度空間溢出效應分析[J]. 中國人口.資源與環境, 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?—基于省際面板數據的空間計量檢驗[J]. 中國地質大學學報(社會科學版), 2015,(1):41-50.

[16] 劉佳駿,史 丹,汪 川.中國碳排放空間相關與空間溢出效應研究[J]. 自然資源學報, 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.中部六省經濟增長方式對區域碳排放的影響—基于Tapio脫鉤模型、面板數據的滯后期工具變量法的研究[J]. 中國人口·資源與環境, 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的人均碳排放計算[J]. 中國環境科學, 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.中國西部城市群產業演變及優化路徑研究[D]. 蘭州:蘭州大學, 2013.

[26] 中國網.京津冀協同發展規劃綱要[EB/OL]. http://news. china.com.cn/node_7222674.htm.

[27] 國家發展改革委,住房城鄉建設部.關于印發長江三角洲城市群發展規劃的通知[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,李 郇,許學強.中國城市人口的空間集聚特征與規律分析[J]. 地理學報, 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.研發溢出、區域創新集群的空間計量經濟分析[J]. 管理科學學報, 2008,(4):59-66.

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

[38] 楊 卡.大北京人口分布格局與多中心性測度[J]. 中國人口·資源與環境, 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]. 地球信息科學學報, 2013,15(1):11-18.

[40] 隨志寬.京津冀與長三角都市圈主次城市關系及產業比較研究[D]. 北京:中央財經大學, 2015.

[41] 畢秀晶.長三角城市群空間演化研究[D]. 上海:華東師范大學, 2014.

[42] 黃 潔,吝 濤,張國欽,等.中國三大城市群城市化動態特征對比[J]. 中國人口.資源與環境, 2014,(7):37-44.

[43] 孫東琪,張京祥,胡 毅,等.基于產業空間聯系的“大都市陰影區”形成機制解析—長三角城市群與京津冀城市群的比較研究[J]. 地理科學, 2013,(9):1043-1050.

[44] 吳 遵.氣候變暖背景下的中國碳排放的時間演變軌跡及區域特征[D]. 合肥:中國科學技術大學, 2013.

[45] 盧鐿逢,尹德挺,史 毅.經濟發展、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]. 北京行政學院學報, 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,主要研究領域為氣候變化與能源政策.發表論文20余篇.

2017-04-01

國家自然科學基金資助項目(41001380);北京市青年拔尖人才資助項目(2014000021223ZK42);國家環境保護部青年拔尖人才資助項目;北京市自然科學基金資助項目(8122023)

* 責任作者, 研究員, chencc@bcrc.gov.cn