長江經濟帶不同等級城市碳排放的時空演變及其影響因素

王兆峰，李 竹，吳 衛

湖南師范大學旅游學院，湖南 長沙 410081

2020 年9 月，習近平主席在第七十五屆聯合國大會一般性辯論上鄭重宣布“中國將提高國家自主貢獻力度，采取更加有力的政策和措施，力爭2030 年前二氧化碳排放達到峰值，努力爭取2060 年前實現碳中和”[1].目前，我國經濟和能源結構轉型緩慢、城鎮化發展迅猛，從而產生大量CO2，因此實現“雙碳”目標任重道遠.我國以化石能源為主導的經濟發展模式短期內難以改變，能源系統碳排放量較大[2].城市是區域碳排放的主要來源，不僅消耗全世界60%～80%的能源，且CO2等溫室氣體排放量約占全世界70%以上，已成為減碳任務中的“主陣地”[3].長江經濟帶城鎮化進程的加速導致能源消耗增長，增加了城市碳排放，其碳排放總量約占全國城市碳排放總量的37.50%[4].區域間經濟社會發展不充分不均衡導致其減排需求、能力和責任均存在一定差異[5].因此，探討長江經濟帶不同等級城市碳排放的時空演變特征及其影響因素對制定共同但有差別的碳減排行動方案具有重要的指導意義.

隨著城市碳排放研究的開展，國內外學者主要從以下幾個方面進行了相關研究：①城市能源角度，如量化城市CH4排放量[6]；②城市經濟發展角度，如分析城市經濟增長與碳排放的環境庫茲涅茨曲線[7]；③地理空間特征角度，如探討CO2排放量與城市形態之間的關系[8]；④城市交通角度，如研究交通污染物排放對城市環境的影響[9]；⑤城市社會發展角度，如討論家庭規模對人均CO2排放量的影響[10]；⑥政府政策角度，如分析環境規制與碳排放的關系[11].目前，城市碳排放測算方法主要有夜間燈光數據反演法[12]和IPCC 國家溫室氣體清單法[13]等.縱觀國內外碳排放的研究現狀，多以國家[14]和省域[15]為研究區域，少以城市為研究區域，且利用長時間連續序列的夜間燈光數據、采用中觀層面視角和分析不同等級城市的相關研究較為鮮見.雖有少數研究討論了全國及各省份的環境規制對碳排放的影響，但在城市尺度的相關研究中缺少環境因素分析.根據地理學第一定律，地理事物或屬性在空間分布上互為相關，且相近事物的關聯更緊密，因此城市碳排放可能具有空間交互效應和空間溢出效應.目前，使用空間計量方法分析碳排放影響因素的研究較少，且鮮有從空間互動關系的角度探討其對碳排放的直接和間接影響.

鑒于此，該研究選擇長江經濟帶中觀尺度下城市層面為研究區域，采用2000—2019 年DMSP_OLS和NPP_VIIRS 夜間燈光數據模擬其碳排放，并利用空間自相關分析探討長江經濟帶整體和各等級城市碳排放的時空演變特征，在已有研究的基礎上進一步考察環境因素對城市碳排放的影響作用，最后利用空間面板杜賓模型對比分析長江經濟帶整體和不同等級城市碳排放的直接和間接影響因素，以期為城市碳排放及其影響因素的研究提供新的視角，也為實現長江經濟帶碳達峰和碳中和目標以及制定差異化的減碳行動方案提供重要的理論參考和科學依據.

1 數據來源與研究方法

1.1 數據來源和指標說明

能源消費核算法只能用于估算全國或各省份等大尺度碳排放，不能用于估算城市等中小尺度碳排放，運用夜間燈光數據反演法可以彌補這一不足[3].夜間燈光數據已被廣泛用于經濟、社會和地理等相關研究領域，目前使用較多的有DMSP_OLS 和NPP_VIIRS[16].因此，該研究采用DMSP_OLS (2000—2013 年)和NPP_VIIRS (2013—2019 年)夜間燈光數據，數據來源于美國國家海洋和大氣管理局(NOAA,National Oceanic and Atmospheric Administration)下的國家地球物理數據中心(NGDC,National Geophysical Data Center) (https://ngdc.noaa.gov/eog/download.html)和地球 觀測小組(EOG,Earth Observation Group) (https://eogdata.mines.edu/products/vnl).

各省份能源消費量數據(不包括西藏自治區和港澳臺地區數據)主要來源于2001—2020 年《中國能源統計年鑒》，主要包括原煤、焦炭、洗精煤、其他洗煤、原油、汽油、柴油、煤油、燃料油、天然氣、煉廠干氣、液化石油氣、焦爐煤氣、其他煤氣、熱力和電力等.

該研究中長江經濟帶不同等級城市的分類標準參考文獻[17].為了能更好地厘清長江經濟帶不同等級城市碳排放的時空演變特征，現將長江經濟帶內城市劃分為3 個等級，分別為大型城市(包括超大城市、特大城市、Ⅰ型大城市和Ⅱ型大城市)、中型城市(中等城市)、小型城市(包括Ⅰ型小城市和Ⅱ型小城市).

參考已有研究，并考慮研究區域數據的可獲得性，考察以下8 個因素對長江經濟帶碳排放的影響：人口規模(POP，104人)，選取年末總人口[4]；經濟發展(GDP，104元)，選取各城市地區生產總值[4]；產業結構(IS，%)，選取第二產業占地區生產總值比例[18]；城鎮化率(CU，%)，選取城鎮人口與總人口的比值[19].另外，已有研究提出科學技術水平[20]和環境規制[21]對碳排放具有影響，因此該研究加入這兩類指標.科學技術水平(SD，%)，選用科技支出占總支出的比值；環境規制(SC，%)，從環境污染的角度考慮，包括水、土地和空氣，因此指標分別選擇城鎮生活污水處理率(SC1，%)、生活垃圾無害化處理率(SC2，%)和建成區綠化覆蓋率(SC3，%)表征.影響因素主要來源于2001—2020 年《中國城市統計年鑒》、各省份和各地級市統計年鑒以及2000—2019 年國民經濟與社會發展統計公報，缺失數據采用鄰近年份數據插值法補充；另外，如甘孜藏族自治州、阿壩藏族羌族自治州和西雙版納傣族自治州等部分地區由于缺失數據過多而不納入統計樣本.

1.2 研究方法

1.2.1 夜間燈光數據處理

由于兩套數據空間分辨率不同，需要將其進行融合.首先，校正DMSP_OLS 年度數據，利用NPP_VIIRS月度數據計算年度數據并進行降噪處理[22].其次，取兩套數據重合年份(2013 年)測算估計系數a和b[23].Yu 等[24]提出，為使DMSP_OLS 和NPP_VIIRS 影像更接近，可采用對數變換，該處理方式可較好地抑制核心區域內像元值劇烈變化.該研究采用式(1)對NPP_VIIRS 夜間燈光數據進行對數變換處理，其中DNi為像元i的原始值，ln TDNi為處理后的像元i的亮度值[23].使用冪函數對處理過的2013 年DMSP_OLS和NPP_VIIRS 夜間燈光數據進行擬合[25]，獲得估計系數a和b，分別為69.19 和0.92；兩套數據擬合優度R2值為0.95，表明擬合結果較為合理.最后，利用式(2)將處理過的VIIRS 年度數據擬合成DMSP 年度數據，并進行連續性校正[22]，得到2000—2019 年DMSP 年度數據集.

式中：DNi為像元i的原始值；ln TDNi為處理后的像元i的亮度值；a和b為估計系數，分別取69.19 和0.92；TDMSP 為擬合后DMSP 年度數據.

1.2.2 城市碳排放模擬

目前，已有研究常采用各省級尺度能源消費數據計算碳排放量并擬合夜間燈光數據(不包括西藏自治區和港澳臺地區數據)[26].基于能源消費的各省級碳排放量的計算公式如式(3)所示[26].

式中：CFyj為第y年j地區碳排放量，kg；En為第n類能源的消費量，單位為kg 或m3或kW·h；βn為第n類能源標準煤折算系數，單位為kg/kg(以C 計)或kg/m3(以C 計)或kg/(kW·h)(以C 計)，來源于《中國能源統計年鑒》；Bn為IPCC 提供的第n類能源碳排放系數，kg/kg(以C 計)[27]，其中熱力和電力相關系數參考文獻[28].

根據2000—2019 年校正后夜間燈光數據和能源消費數據估算碳排放量，發現長江經濟帶整體和各省級碳排放量具有階段性特征，呈早期快速增長，后期逐漸變緩的特征，與杜海波等[26]的研究結果相似.因此，該研究在參考已有研究[26]的基礎上，建立不考慮截距項的校正后夜間燈光數據與能源消費數據估算碳排放量之間相互關系的模型，再結合國家減碳政策時間節點和數據特征，分3 個時段進行擬合(見表1).由表1 可見，擬合優度(R2)顯示分階段擬合結果較優，t檢驗表明不同階段能源消費數據估算碳排放量與校正后夜間燈光亮度值之間呈顯著相關.

表1 2000-2019 年碳排放模擬回歸結果Table 1 The results of simulation regarding carbon emission from 2000 to 2019

擬合公式如式(4)所示，由此初步估算各像元和各省級碳排放量.

式中：Y為碳排放量，kg；X為校正后夜間燈光亮度值；k為擬合系數.

然后，進行進一步修正，利用各省級能源消費計算的碳排放值來修正相應省級的每一個像元的初步估算值[29]，計算公式：

式中：CCiy為修正后的每個像元的碳排放量，kg；SCjy為各省級能源碳排放量，kg；Ciy為初步估算的各像元碳排放量，kg；Cjy為初步估算的各省級碳排放量，kg.

最終，提取各地級市碳排放數據，計算各省級碳排放量的擬合值，將其與各省級碳排放量的能源消費統計數據進行精度分析[29].結果表明，吻合度為99.00%，均方根誤差(RMSE)為503.26×104t，平均相對誤差(MRE)為0.54%，P＜0.01.由此可見，DMSP_OLS和NPP_VIIRS 夜間燈光數據模擬的最終碳排放數據精度良好.

1.2.3 空間自相關分析

全局空間自相關可研究碳排放整體空間關聯特征，全局Moran′s I 值大于0 為正相關，等于0 為不相關，小于0 為負相關.局部空間自相關可揭示鄰近單元之間碳排放的局部空間關聯特征，局部Moran′s I值大于0，為正相關(高-高值或低-低值聚集)；局部Moran′s I 值等于0，為不相關；局部Moran′s I 值小于0，為負相關(高-低值或低-高值聚集).具體公式參考文獻[26].

1.2.4 空間計量模型

空間計量模型可用于探討不同城市空間單元屬性的空間交互作用[30].通過分析長江經濟帶整體和分等級城市碳排放影響因素的空間效應，能有效推動城市差異化減碳政策的實施.目前，空間面板計量模型中使用最多、最廣泛的類型有空間面板滯后模型(SPLM)、空間面板誤差模型(SPEM)和空間面板杜賓模型(SPDM)，具體公式參考文獻[30].

2 結果與討論

2.1 長江經濟帶碳排放的時序演化

2000—2019 年長江經濟帶整體、大型、中型和小型城市碳排放量均呈波動上升趨勢(見圖1)，其中各等級城市碳排放量呈大型城市＞中型城市＞小型城市的特征，分別從2000 年的12.92×108、7.14×108、3.34×108和 2.38×108t增至 2019年的 39.24×108、22.41×108、9.99×108和6.79×108t；長江經濟帶整體、大型城市、中型城市和小型城市碳排放量的年均增長率均有所降低，分別從2000—2009 年的14.98%、14.16%、15.50%和17.07%降 至2010—2019年的0.82%、1.52%、0.26%和—0.38%，與2000—2018 年黃河流域碳排放增長趨勢相似[26].長江經濟帶是化工、建筑和制造業等產業集聚區，這些產業的環境風險雖高，但以切實的行動助力長江經濟帶生態文明建設.長江經濟帶內大型、中型和小型城市擴張速度、交通流量、人口基數、資源需求、工業體系發達程度均有差別，因此其碳排放量的時序演化具有差異.

2.2 長江經濟帶碳排放的空間格局

2000—2019 年，除個別年份外，長江經濟帶整體和各等級城市碳排放的全局Moran′s I 值均大于0，分別在5%和10%水平下顯著，表明長江經濟帶整體和各等級城市碳排放分別具有顯著的正向空間自相關性.研究期間，長江經濟帶各類碳排放的空間集聚變化呈現不同特征.長江經濟帶整體和大型城市碳排放的全局Moran′s I 值呈先升后降的趨勢，表明其空間關聯程度呈先增強后減弱的趨勢；中型城市碳排放的全局Moran′s I 值呈波動下降的趨勢，表明其空間關聯程度呈減弱的趨勢；小型城市碳排放的全局Moran′s I 值呈先降后升的趨勢，表明其空間關聯程度呈先減弱后增強的趨勢.

根據局部空間自相關分析結果(見圖2)，2000—2019 年長江經濟帶整體和各等級城市碳排放的高-高聚集區主要分布在上海市以及江蘇省和浙江省等東部地區的城市；其中，大型城市主要分布在上海市，中型城市主要分布在揚州市、嘉興市和金華市等城市，小型城市主要分布在滁州市、宿州市和安順市等城市.整體碳排放在重慶市出現高-低聚集現象，即高碳排放區被低碳排放區包圍的空間集聚特征.中型城市碳排放在樂山市、宜賓市和瀘州市等城市出現低-低聚集現象.上海市以及江蘇省和浙江省等東部地區經濟發展最快，工業發達，能源消耗大，因此碳排放呈高-高聚集狀態.重慶市作為西部經濟發展較快的城市，周邊城市經濟發展較弱，因此重慶市碳排放遠高于周邊城市.樂山市和瀘州市等城市的城鎮化率和人口集中度相對較低，且以服務業、農業和輕工業為主，是國家園林城市、綠化模范城市和環保模范城市，因此其碳排放呈低-低聚集狀態.

2.3 長江經濟帶碳排放的影響因素

2.3.1 模型的選擇

長江經濟帶整體和各等級城市碳排放具有顯著的空間集聚特征，因此可采用空間面板計量模型.借助STATA 14.0 軟件對空間面板計量模型進行選擇：首先，根據LM、Robust-LM、Wald、LR、AIC 和Hausman檢驗結果(見表2)，長江經濟帶整體和各等級城市碳排放均選用空間面板杜賓模型，其中，長江經濟帶整體碳排放采用空間鄰接矩陣，大型、中型和小型城市碳排放均使用空間距離矩陣；其次，根據Hausman 檢驗結果，采用雙固定效應模型，其中變量取對數以緩解異方差帶來的影響.該研究僅對主要因素的直接和間接影響進行分析.

表2 LM、Robust-LM、Wald、LR、AIC 和Hausman 檢驗結果Table 2 The results of LM,Robust-LM,Wald,LR,AIC and Hausman test

2.3.2 長江經濟帶整體碳排放的影響因素

根據長江經濟帶整體空間面板杜賓模型測算結果(見表3、4)，人口增長、城鎮化率、經濟增長、科技水平和建成區綠化覆蓋率對碳排放均有顯著的直接正向影響，城鎮生活污水處理率和生活垃圾無害化處理率對碳排放均有顯著的直接負向影響.長江經濟帶城鎮化發展處于加速發展階段[31]，其人口和城鎮化率增加導致人們生產生活所需的能源和其他資源增多，并引起碳排放增加[32].長江經濟帶經濟增長促進碳排放不斷增長，驗證了王少劍等[3]的研究結論，即二者關系處于倒U 型曲線拐點左側.不同類型城市的工業發展影響程度具有差異性.此外，為響應國家雙碳戰略號召，長江經濟帶實行綠色發展，關閉或整改污染嚴重的重工業企業，有利于緩解碳排放.因此，產業結構調整優化是影響長江經濟帶整體碳排放的重要因素.西方經濟學理論認為知識是現代經濟增長的重要源泉，科學技術是第一生產力，提高科技水平能有效促進區域經濟發展，其中低碳減排技術利于推動能源結構轉型優化、減少資源浪費和增強減碳成效，但目前長江經濟帶低碳減排技術水平還處于發展階段，應用范圍較小，且其他科技發展過程中也會間接產生碳排放，因此其減碳效能還不顯著.環境規制可以減少碳排放，其中增加綠化覆蓋率雖能增強碳吸收能力，但城市擴張中綠化面積的增長遠不如建筑用地面積增長多，不能中和因建設所造成的碳排放.經濟增長和城鎮生活污水處理率對碳排放均有顯著的正向空間溢出效應，建成區綠化覆蓋率對碳排放有顯著的負向空間溢出效應.因城市群一體化發展和城際間協同合作，強化了該城市與周邊城市在空間上的耦合協調性，促使周邊城市經濟發展帶動該城市經濟發展，且周邊城市“污染轉移和碳泄露”也影響該城市的碳排放.

表3 長江經濟帶整體和各等級城市碳排放空間面板杜賓模型基本回歸結果Table 3 Basic regression results of the space panel Durbin mode for carbon emissions from overall,and different grade cities in the Yangtze River Economic Belt

2.3.3 分等級城市碳排放的影響因素

通過比較大型、中型和小型城市碳排放的直接和間接影響因素，明確不同等級城市實施差異化減碳措施的重點.大型、中型和小型城市的人口增長和經濟增長對碳排放均有直接正向的影響(見表4)，人口增長對碳排放的影響程度呈大型城市＞中型城市＞小型城市的特征，經濟增長對碳排放的影響程度呈大型城市＜中型城市＜小型城市的特征，除小型城市的人口增長因素外，人口增長和經濟增長對碳排放的直接影響均在1%水平下顯著.大型城市的產業結構和科技水平對碳排放均有顯著的直接正向影響.中型和小型城市的城鎮化率對碳排放均有顯著的直接正向影響，且中型城市城鎮化率對碳排放的影響程度大于小型城市.在環境規制影響因素中，除中型城市的城鎮生活污水處理率因素外，其余因素對各等級城市碳排放均有顯著的直接負向影響；另外，大型、中型城市的綠化覆蓋率對碳排放均有顯著的直接正向影響，但大型城市綠化覆蓋率對碳排放的影響程度比中型城市小.由于各等級城市消費水平和結構具有差異性，因此大型城市人口增長對碳排放的影響程度最大，其次為中型、小型城市.經濟發達城市的環境治理效益優于經濟落后的城市[33].大型城市的經濟發展環境較好，有充足的資金保障，有利于實施減碳行動方案，對碳排放影響程度相對較小，而小型城市的經濟發展環境較差，發展經濟需要付出更多環境污染的代價.雖然大型城市大力發展新一代信息技術、生物醫藥、新能源和新材料等新興產業，但依舊以石油化工和制造業等能耗較大的工業為重點產業，短期內不能減少碳排放，因此其產業結構對碳排放有顯著的正向影響.大型城市低碳減排技術發展緩慢，其他科技發展需要投入更多的資源和能源等“研發成本”而間接產生碳排放，因此無法有效緩解碳排放.中型、小型城市擴張速度加快，消耗資源增多，促進碳排放增加.環境規制能有效抑制碳排放，但綠地覆蓋率減碳效果微弱，這是因為城市擴建過程中綠地建設為“先毀后建”模式，且建筑立體面積遠大于綠地平面面積，其產碳量遠大于植物吸收量.

表4 長江經濟帶整體和各等級城市碳排放空間面板杜賓模型直接、間接和總效應回歸結果Table 4 Regression results of direct,indirect,and total effect estimation of the space panel Durbin model for carbon emissions from overall,and different grade cities in the Yangtze River Economic Belt

從空間互動的角度(見表4)分析，小型城市的人口增長和產業結構以及大型、中型城市的城鎮化率和科技水平均對碳排放有顯著的正向空間溢出效應，但中型城市的經濟增長和產業結構均對碳排放有顯著的負向空間溢出效應.中型、小型城市的環境規制因素對碳排放均有顯著的正向空間溢出效應，而中型城市的綠地覆蓋率對碳排放有顯著的負向空間溢出效應.小型城市城際間的協同合作能有效推動人口增長、優化產業結構，對該小型城市產生聯動效應，利于提高該小型城市消費水平，促進其碳排放增加.在不同類型城市中，周邊城市城鎮化率和科技水平的提升可推動該城市的城鎮擴張和科技發展，但同時也增加了消費和研發成本，促進其碳排放增加.其中，城鎮化率和科技水平對小型城市碳排放的空間交互影響較弱，因此不顯著.中型城市城際間的協同合作強化了該中型城市與周邊中型城市在空間上的耦合協調性，周邊中型城市經濟發展和產業結構調整升級推動了該中型城市經濟綠色發展及產業結構轉型升級，因此能緩解其碳排放，可成為未來長江經濟帶減碳的“中流砥柱”.

3 結論

a) 2000—2019 年長江經濟帶整體和各等級城市碳排放量均呈波動上升趨勢，其中，各等級城市碳排放量呈大型城市＞中型城市＞小型城市的特征，與各等級城市人口、經濟和社會發展程度存在差異有關；整體和各等級城市碳排放量的年均增長率均有所降低.

b) 2000—2019 年，除個別年份外，長江經濟帶整體和各等級城市碳排放的全局Moran's I 值均大于0，分別在5%和10%水平下顯著.長江經濟帶整體和各等級城市碳排放的高-高聚集區主要分布在上海市、江蘇省和浙江省等東部地區的城市，而在重慶市出現高-低聚集現象，在樂山市等城市出現低-低聚集現象.

c)人口增長、城鎮化率和經濟增長等因素對長江經濟帶整體碳排放有顯著的直接正向影響，而城鎮生活污水處理率和生活垃圾無害化處理率對長江經濟帶整體碳排放有顯著的直接負向影響.人口增長、經濟增長、產業結構、科技水平和環境規制等因素對各等級城市碳排放的影響有明顯差異.