中國地級以上城市二氧化碳排放的影響因素分析：基于擴展的STIRPAT模型

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 中國不同城市在發展階段、經濟結構、氣候條件、人口結構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據庫CHRED及CHRED2.0，通過加入產業結構、城市化和氣候差異等因素，對傳統STIRPAT模型進行擴展，考察了中國地級以上城市二氧化碳排放的影響因素。結果顯示：人口規模、第二產業產值占比和采暖需求的增長都會顯著提高一個城市的二氧化碳排放，同時部分城市二氧化碳排放會隨著富裕程度的上升呈現先增加后減少的趨勢，但城鎮化率對二氧化碳排放的影響具有不確定性。從全國樣本來看，2005年和2012年人口因素變化對碳排放影響變化較小，維持在0.7左右；氣候因素的變化對碳排放的影響從2005年的0.288 1下降為2012年的0.000 2；第二產業產值比重變化的影響從2005年的0.744 2上升到2012年0.979 5；同時碳排放量與人均GDP在2005年存在倒U型關系，但到2012年這種關系不再顯著。除了針對全國尺度的分析外，本研究還依據城市人口規模進行分組研究，并在此基礎上進一步進行分位數回歸，進而識別出不同規模城市二氧化碳排放量的影響因素差異。今后在制定城市節能減排政策對城市二氧化碳排放量進行管理的過程中，決策者需要在把握關鍵影響因子的前提下依據城市自身特點做到因地制宜、區別對待。

關鍵詞 ：城市二氧化碳排放；影響因素；城市規模；STIRPAT模型

中圖分類號：F062.2

文獻標識碼 A 文章編號 1002-2104（2018）10-0045-10 DOI：10.12062/cpre.20180729

城市由于具有高人口密度、高經濟活動強度和高能源消耗強度等特征，成為影響全球溫室氣體排放的熱點地區。城市僅占全球面積的2%，卻產生了全球70%以上的人為二氧化碳排放[1]。作為全球最大的發展中國家，中國正處于工業化和城鎮化高速發展的重要時期，為了在發展的同時合理應對全球氣候變化和解決國內環境問題，中國政府提出了明確而且嚴格的節能減排目標，而針對城市溫室氣體排放的研究在中國具體節能減排政策的制定過程中發揮著重要的作用。由于中國不同城市在發展階段、經濟結構、氣候條件、人口結構等方面都有著重大的差異，導致中國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，對不同城市二氧化碳排放量的主要影響因素及其差異進行研究將為中國針對不同城市制定相應的節能減排政策提供幫助。

1 文獻綜述

過去的研究發現人口規模、收入水平、產業結構、城市化水平等是中國及中國省級以上區域二氧化碳排放的關鍵影響因素。但是，由于數據可得性的限制，過去對省級以下尺度的分析相對較少。此外，中國幅員遼闊，不同區域的氣候差異巨大，對于部分地區采暖和制冷需求是終端能源消耗的重要原因，因而在這些地區氣候條件也可能對溫室氣體排放產生重要影響，而過去的研究較少對這一點給予關注。因此，本文將在以往人口規模、收入水平、產業結構和城市化等因素的基礎上，加入氣候條件差異，全面考察中國地級以上城市二氧化碳排放的影響，并分別對不同規模城市和不同時期的影響效應進行橫向和縱向比較分析。

為全面地考察各因素對中國二氧化碳排放的影響程度，選擇科學合理的研究方法十分必要。關于溫室氣體排放影響因素的研究方法眾多，應用較廣的包括Kaya恒等式、LMDI分解和STIRPAT模型等。在Kaya恒等式的應用方面，林伯強與劉希穎[2]使用修正的恒等式對中國城市化階段的碳排放影響因素進行了分析，并提出以節能為主、發展清潔能源為輔的低碳轉型戰略；李波等[3]通過對Kaya恒等式的變形來分析中國農業碳排放的影響因素。在LMDI分解的應用方面，Ang等[4]應用該方法對中國碳排放的主要因素進行研究，發現經濟增長和能源強度是影響中國碳排放的重要因素；之后，Ang和Su[5]又利用LMDI分解方法對全球1990—2013年發電量的碳排放強度進行了研究；Liu等[6]利用該方法和時間序列數據將36個行業的二氧化碳排放分解為五個影響因素；宋德勇與盧忠寶[7]采用兩階段LMDI方法將中國二氧化碳排放分解為四個影響因素；許士春等[8]則運用LMDI加和分解從全國、行業和工業內部門三個角度研究了中國碳排放的影響因素；Zhang和Da[9]采用LMDI模型分別對中國1996—2010年二氧化碳排放和碳排放強度進行了分解；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六大高耗能行業二氧化碳排放的主要因素。20世紀70年代提出的IPAT等式將人類社會活動對環境的影響恒等分解成人口、富裕程度和技術水平三個因素[11]，隨后研究者通過引入差異彈性及隨機誤差項建立了改進的STIRPAT模型[12-14]。近年來，STIRPAT模型被廣泛應用于對中國溫室氣體排放的影響因素分析，眾多學者從城鎮化、貿易和投資等角度對傳統STIRPAT模型進行擴展。例如Liu等[15]將時空加權要素引入STIRPAT模型中以對中國各省的二氧化碳排放因素進行了分析；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中國碳排放峰值的預測；李志國與李宗植[17]則在模型中引入滯后項和二次項來分析中國三大區域的二氧化碳排放；楊騫與劉華軍[18]在傳統模型中引入貿易、投資等要素對中國區域間排放差異的影響因素進行了分析；朱勤等[19]利用該模型重點考察了中國人口和消費對碳排放的影響；Ma等[20]在模型中加入了人均公共建筑面積和城鎮化率對中國公共建筑碳排放的影響因素進行了分析；Wang等[21]通過加入0～14歲人口比重和性別因素對該模型進行擴展，研究了中國2006—2015年30個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行逐年或者分時段的分析，并且受到必須恒等的約束[2]；LMDI方法雖然能夠實現無殘差分解，量化特定年份各個影響因素的貢獻率，但無法考察各因素的彈性，即當其他因素不變時，某一因素的改變所帶來的二氧化碳的變動[22]。盡管傳統STIRPAT模型僅包括人口、經濟發展水平和技術變量三個因素，無法全面地描述社會經濟的各方面因素對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進行估計，研究者能夠根據自身研究目的對模型進行擴展。綜合來看，出于本文研究目的，即考察不同規模城市二氧化碳排放的影響因素，因此，本文將結合最新的城市尺度二氧化碳排放數據庫CHRED[23]及CHRED 2.0[24]，采用擴展的STIRPAT模型對中國地級以上城市二氧化碳排放的影響因素進行分析進而為中國碳減排政策的制定和實施提供重要參數和科學依據。

本文的貢獻在于三個方面。首先，在數據方面，以往文獻更多地是基于省級層面的數據進行研究，而本文從城市層面的數據出發，能夠更加深入地捕捉到各城市由于經濟社會各方面的異質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新的視角，是對以往的STIRPAT擴展模型的再擴展；再者，本文采用擴展的STIRPAT模型對二氧化碳排放的影響因素進行分析，能夠克服傳統IPAT模型和Kaya恒等式潛在假設各因素會同比例影響溫室氣體排放的不足，同時在一定程度上彌補了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溫室氣體排放的變化程度這一不足[24]。

2 研究方法與數據

2.1 理論模型

STIRPAT模型的基礎表達形式為[13]：

I=aPbAcTdε

其中，I表示人類活動導致的環境影響，P表示人口，A表示富裕程度，T表示技術水平，而ε則表示誤差。當我們使用該模型來分析二氧化碳排放的影響因素時，我們可以用I來表示一個區域的二氧化碳排放量。此時，一個區域的人口數量是影響該區域能源消費量的重要因素，而在化石能源為主的能源結構中能源消費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，一個區域人口的富裕程度（A）代表著該區域的經濟發展程度及收入水平，從而影響該區域的能源消費水平和二氧化碳排放量。然而對于影響二氧化碳排放的技術水平（T），由于難以用簡單的可觀察變量來衡量，因此常常被歸入誤差項中。

考慮到過去的很多研究都發現一個區域的產業結構和城市化水平對一個區域的二氧化碳排放量都具有顯著的影響[18-19，25-26]，因此這兩個因素將被納入我們的模型中。由于相對于第一和第三產業，第二產業能源強度較高，因此本研究使用第二產業產值占GDP比重來衡量產業結構，并使用IS來代表該變量。此外，本研究使用城鎮化率來衡量城市化水平，并使用U代表相應的變量。最后，因為中國幅員遼闊，不同區域的氣候差異明顯，氣候差異帶來的用能方式的差異將會直接影響能源需求進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，其對二氧化碳排放的影響更是需要加以關注。本文采用采暖度日數（以Heating Degree Day的縮寫HDD代表參數）作為衡量各地氣候條件的變量納入模型中。其中，采暖度日數是指逐日平均溫度低于室內基準溫度（通常取18°C）的度數之和，用來測量寒冷程度。采暖度日數的具體計算方法如下：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。具體形式如下：

根據以上模型，我們預測人口增加會使得能源消費需求上升，第二產業產值占比上升會引起能源需求量上升，上述因素都會導致二氧化碳排放量的增加，因此α1和α4的值預期為正。根據碳排放庫茲涅茨曲線，碳排放的增加會隨著人均GDP的增加呈現先上升后下降的趨勢，故預期α3的負號為負。城鎮化率變化會引起能源消費結構變化，雖然過去的研究發現農村居民能源消費量有可能超過城鎮居民，但是由于農村化石能源消費占比較小，而且城鎮化過程中由于生活模式的現代化會增加能源消耗，因此城鎮化率的上升預期也會導致二氧化碳排放的上升，因此α5的值也預期為正。對于氣候條件差異，我們預期采暖需求的上升會導致本地能源消費量的增加。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的值預期為正。

2.2 數據來源

本研究以地級市級別以上城市（地級市、副省級市、直轄市）為樣本， 2005年包含268個地級市、15個副省級市和4個直轄市共計287個樣本，2012年包含270個地級市（其中三沙市由于缺少數據而沒有包含在內）、15個副省級市和4個直轄市共288個樣本。

本研究由于數據限制，不涉及香港、澳門及臺灣省的地級以上城市。

本研究的碳排放數據、常住人口、人均GDP、第二產業產值占比以及2005年的采暖度日數均直接來源于中國城市2005年及2012年二氧化碳排放數據集CHRED及CHRED 2.0；采用的2012年的采暖度日數的數據根據中國氣象數據網資料計算得到。此外，本研究中各城市2005年的城鎮化率數據由《中國城市統計年鑒2006》[29]中的2-1部分年末總人口和非農業人口的統計值計算得出，然而，該年末非農業人口統計數據自2009年開始停止發布，考慮到地級以上市城鎮化率數據的缺乏和保持數據統計方式的一致性，本研究通過2005年城鎮化率以及所在省份城鎮化率增速計算得出2012年的城鎮化率數據。表1中列出本研究所用數據的基本統計情況。

2.3 估計策略

STIRPAT模型通常被用于分析時間序列數據（特別是在針對中國的研究方面），但是，當樣本數量充足的時候，該方法也被用在截面數據的分析上，例如Dietz and Rosa曾經采用1989年的全球多國樣本來分析人口和富裕程度對二氧化碳排放的影響[12]。考慮到城市尺度數據樣本在截面水平上的相對充裕性，本研究對2005年和2012年兩個截面數據分別進行回歸分析，對比分析這兩個年份之間各影響因素對碳排放彈性的變化。

上述模型在滿足相應的假設的情況下可以采用合適的計量方法進行參數估計。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據最佳函數匹配的一種數學優化技術。當回歸是外生時，OLS估計是一致的，當誤差是同方差和連續不相關時，在線性無偏估計的類別中是最優的。在這些條件下，當誤差具有有限的方差時，OLS方法提供了最小方差均值無偏估計。在誤差正態分布的假設下，OLS是最大似然估計量。鑒于OLS方法的簡便性和上述特點，本研究計劃通過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二氧化碳排放量造成的影響。由于本文采用的地級市層面數據，可能存在異方差問題以及干擾項在同一個省份內部的不同地級市之間存在相關性，因此我們采用聚類穩健標準差對回歸結果進行修正。

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

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部不同影響因素的差異，考慮到文章考察的城市數量較多，一個固定的估計系數僅能體現這些城市的總體情況，無法體現異質性，因而本文進一步采用分位數回歸（Quantile Regression），以區分不同分位數下的各因素影響情況。由于分位數回歸模型依據因變量的條件分位數對自變量進行回歸，因而分位數回歸能更精確地描述各影響因素對于二氧化碳排放的變化范圍以及條件分布形狀的影響，這對區域差異化的碳減排政策的制定和實施具有重要的參考價值。

3 結果分析

3.1 OLS回歸結果分析

根據STIRPAT模型，首先對全國287個地級以上城市2005年的相關變量取自然對數后進行OLS回歸，其中二氧化碳排放量的自然對數為被解釋變量，人口、人均GDP、第二產業產值占比、城鎮化率和采暖度日數五個變量的自然對數值和人均GDP自然對數值的平方項分別為解釋變量。表2第二列為不包含人均GDP平方項的線性回歸結果，第三列為加入人均GDP二次項的回歸結果，其中系數即為各變量影響城市二氧化碳排放量的彈性值，括號內為聚類穩健標準誤差。通過對回歸結果進行多重共線性檢驗，發現對于線性模型，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，導致了過高的方差膨脹因子，但即使在方差膨脹的情況下，系數仍顯著，則說明若不存在多重共線性的情況下，系數只會更加顯著，因此筆者認為多重共線性問題在本文研究中并不嚴重。

從全國樣本的回歸結果來看，在線性回歸方程中，人均GDP變量系數為正，且在95%的置信區間內顯著區別于0；在加入人均GDP二次項后，可以發現二次項變量的系數為負且顯著，這說明存在人均GDP與碳排放之間的倒U型關系，也就是說隨著人均GDP的增加，各城市碳排放會逐漸出現拐點。根據該表，模型中其他變量也均能通過1%的P值檢驗，并且相應系數的符號均符合預期（均為正），也就是說全國范圍的分析說明2005年人口、第二產業產值占比、城鎮化率和采暖度日數均與二氧化碳排放量顯著正相關。從全國尺度看，人口數量的變化對城市二氧化碳排放量具有最大的影響，其次為第二產業產值占比的變化；同時，城鎮化率每上升1%會造成城市二氧化碳排放量上升約0.37%；采暖度日數的變化對城市二氧化碳排放的影響系數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、生活與商業日用電時長較長等，這說明了相對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模效應，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二次項的系數顯著為負，說明存在碳排放的庫茲涅茨曲線。但對于III型城市，其人均GDP及其二次項的系數均不顯著，說明二氧化碳排放與人均GDP之間的倒U型關系在這類城市中的存在性值得考量。在產業結構方面，大型城市二氧化碳排放對第二產業產值占比的彈性超過0.8，說明在大型城市已經達到了發展第二產業的嚴重規模不經濟階段，而在中、小型城市，第二產業比重占比彈性并不十分顯著，說明工業向這些城市的轉移具有降低全國總排放的效果。對小型城市而言，二氧化碳排放對城鎮化程度的彈性系數十分顯著，且明顯大于全國平均程度，說明人口的城鎮化對小型城市而言是影響二氧化碳排放的重要因素。采暖度日數的變化對中型城市的二氧化碳排放的影響最大，而對小型城市的影響最小。

與2005年的分析方法相同，2012年相關數據的OLS回歸結果如表3所示，從回歸結果可以看出2012年數據中整體樣本回歸結果與2005年出現了差異，人均GDP與碳排放間的倒U型關系不復存在，同時，城鎮化率也不再顯著，但人口變化和第二產業比重的變化仍然對二氧化碳排放的變化具有顯著的影響。

與2005年相比，2012年數據回歸結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一步上升導致了人口規模不經濟現象出現，而小型城市則可能由于城市基礎設施的改進而獲得人口規模經濟（見圖2）。二是城鎮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，這說明近年來中國大、中型城市城鎮化率速度逐漸減緩，小型城市城鎮化仍在不斷深化，因此小型城市城鎮化仍對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型關系僅存在于II型城市，原因可能在于大型城市經濟發展水平已處于拐點右側，而小型城市經濟發展水平還處于拐點左側導致。四是采暖度日數的影響在全國樣本及不同分組樣本中開始趨同。采暖度日數對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，采暖用能的能源結構逐漸優化，導致用能清潔性的提升。五是2012年城市二氧化碳排放對第二產業產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 分位數回歸結果分析

為進一步考察各組內部不同影響因素的差異，本文采用分位數回歸方法對二氧化碳排放影響因素進行分析。表4給出了2005年全部樣本在1/4、1/2和3/4分位數回歸的結果。從表4可以看到，城鎮化率的回歸系數隨著分位數的增加變得不再顯著，而人均GDP、人均GDP平方項和第二產業產值比重的回歸系數隨著分位數的增加變得愈發顯著。同時，隨著分位數的增加，全部樣本的人口規模、城鎮化率和采暖度日數對二氧化碳排放的分位數回歸系數逐漸下降。也就是說二氧化碳排放較低的城市受人口規模、城鎮化率和采暖度日數變化的影響較大，而排放較高的城市受該類因素影響較小。此外，人均GDP變量的系數符號一直為正，而二次項系數一直為負，說明對于2005年全樣本數據來說，無論是對高排放還是低排放的城市，均存在碳排放庫茲涅茨曲線。第二產業占比的回歸系數在1/2分位數前呈現上升趨勢，之后下降，到3/4分位數后反彈，這意味著第二產業比重的增加對高排放城市的影響大于低排放城市，也就是說相對于低排放城市來說，降低第二產業比重對于超高排放城市和中等排放的減排效果將會更加明顯。

從不同人口規模的城市分組來看，I型城市人口規模和第二產業產值比重系數呈現顯著上升，采暖度日數系數呈現小幅度下降，而城鎮化率系數在任何分位上均不顯著，人均GDP與碳排放的倒U型關系隨著城市排放的增加而變的顯著。II型城市人口規模的變化對該類城市中排放較低的城市影響將高于排放較高的城市，產業結構調整的減排作用對于高排放城市較為顯著，人均GDP與二氧化碳排放的倒U型關系十分明顯。對于III型城市，人均GDP與碳排放的非線性關系僅體現于高排放的城市，采暖度日數變化對碳排放的影響也僅對高排放城市顯著。由于該類城市人口規模較小，因此人口規模的控制對于該類城市減排的影響并不十分明顯。

與2005年相比，在分位數回歸下，城鎮化程度的變化對二氧化碳排放變化影響的顯著性有明顯降低；各變量回歸系數的變化趨勢與2005年相比也呈現一定的差異。2012年人口規模和城鎮化率的系數均隨著分位數的增加呈現先下降后上升的趨勢；人均GDP與碳排放的倒U型關系不再成立；采暖度日數的系數則隨著分位數的增加呈現先迅速降低后平穩再大幅上升的趨勢；第二產業比重對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。

從不同人口規模的城市分組來看，城鎮化率變量的系數對于三類城市的各分位數均不顯著，這可能是由于，一方面隨著城鎮化率的上升，城市形態逐漸轉向緊湊型，而一般來說緊湊型城市形態有助于減少對能源的需求，尤其是有助于降低對高碳基的化石能源的需求；而另一方面城鎮化率的上升在拉動基礎設施建設、居民消費需求上升的同時會增加能源需求。因此，城鎮化率變化對二氧化碳排放的影響并不十分顯著。同時，對于I型城市，人口規模和第二產業比重在不同分位數下的回歸系數仍很顯著，第二產業比重的變化在1/5分位數前迅猛上升，之后保持在一個較為穩定的水平。人均GDP與人均GDP平方項的系數均不顯著。II型城市除采暖度日數外，大部分變量的系數均不再顯著，但II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系；III型城市人口規模和第二產業產值比重的系數仍十分顯著，與2005相比，人口規模的變化對碳排放的影響有所上升。

4 結 論

本研究利用中國城市二氧化碳排放數據集，通過擴展的STIRPAT模型分析了中國地級以上城市二氧化碳排放的影響因素。研究結果發現，不同人口規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。從全國角度看，2005年人口規模、第二產業產值占比、城鎮化水平和采暖需求的增長都會顯著提高一個城市的二氧化碳排放，同時二氧化碳排放會隨著富裕程度的上升呈現先增加后減少的趨勢；到2012年，人口規模、第二產業產值占比和采暖需求的增加仍會顯著提升城市二氧化碳排放，但富裕程度和城鎮化率對二氧化碳排放的影響變得不再顯著。

通過對不同城市規模和分位數回歸結果的對比發現以下結論：

（1）從人口規模來看，大型城市碳排放的變化受人口規模變化的影響較大，因此大型城市應重視人口數量規模帶來的二氧化碳排放量增長的規模不經濟效應，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同效應。因而，大型城市政策制定者應嚴格控制城市規模尤其是人口規模，通過人口規模和建設規模雙控，守住人口總量上限、生態控制線和城市開發邊界三條紅線。

（2）從財富效應角度看，不同規模城市的人均GDP與二氧化碳排放量間的倒U型關系并不絕對成立，特大型城市的二氧化碳排放量可能已經越過拐點，而中等人口規模城市仍處于規模效應、結構效應和技術效應三者并存時期，小規模城市則仍處于規模效應階段，碳排放峰值還未到來。因此，中小型城市應重視通過結構調整和技術改進大力促進經濟發展水平，推動碳排放早日達到峰值。

（3）從技術效應來看，第二產業產值比重變動對城市二氧化碳排放具有較大的影響，由于大型城市已經處于發展第二產業規模不經濟的階段，因而工業從大型城市向中、小型城市的轉移對全國而言具有減排效應。而城鎮化進程由于對能源需求的影響具有不確定性，進而對于城市二氧化碳排放的影響也并不明確，城鎮化并不應該被視作是節能減排的重要手段。對于氣候因素來說，氣候差異是造成不同城市二氧化碳排放量差異的一個重要原因，其主要是由于不同城市采暖需求的差異導致，因此，在對不同區域節能減排潛力的評估以及節能減排具體政策的制定過程中，應當合理地將氣候因素納入考慮。

根據本研究的結果可見，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會隨著城市規模和時間的變化而發生改變。基于上述發現，在制定城市節能減排政策對城市二氧化碳排放量進行管理的過程中，需要在把握關鍵影響因子的前提下依據城市自身特點做到因地制宜、區別對待。

（編輯：李 琪）

參考文獻（References）

[1]黃魯霞.城市直接和隱含碳排放的動態變化及影響因素研究[D].上海：華東師范大學， 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， 劉希穎. 中國城市化階段的碳排放：影響因素和減排策略[J]. 經濟研究， 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. 中國農業碳排放時空特征及影響因素分解[J]. 中國人口·資源與環境， 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. 中國碳排放影響因素分解及其周期性波動研究[J]. 中國人口·資源與環境， 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， 習蓉， 何正霞. 中國能源消耗碳排放的影響因素分析及政策啟示[J]. 資源科學， 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模型的中國碳排放峰值預測研究[J]. 中國人口·資源與環境， 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]李國志， 李宗植. 中國二氧化碳排放的區域差異和影響因素研究[J]. 中國人口·資源與環境， 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. 中國二氧化碳排放的區域差異分解及影響因素[J]. 數量經濟技術經濟研究， 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. 人口與消費對碳排放影響的分析模型與實證[J]. 中國人口·資源與環境， 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模型的中國城鎮生活能源消費影響因素研究[J]. 長江流域資源與環境， 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年中國城市CO2排放數據集 [J]. 中國人口·資源與環境， 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， 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. 中國碳排放環境庫茲涅茨曲線的實證研究——基于省域面板數據[J]. 中國工業經濟， 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. 工業能源消費碳排放影響因素研究——基于STIRPAT模型的上海分行業動態面板數據實證分析[J]. 財經研究， 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]國家統計局城市社會經濟調查司. 中國城市統計年鑒2006[M].北京：中國統計出版社， 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