环境科学学报  2020, Vol. 40 Issue (2): 697-706
哈长城市群县域碳排放空间溢出效应及影响因素研究——基于NPP-VIIRS夜间灯光数据的实证    [PDF全文]
于博1, 杨旭1,2, 吴相利1    
1. 哈尔滨师范大学地理科学学院, 寒区地理环境监测与空间信息服务黑龙江省重点实验室, 哈尔滨 150025;
2. 上海交通大学, 安泰经济与管理学院, 上海 200030
摘要:基于2012-2016年NPP-VIIRS夜间灯光数据测算哈长城市群共计68个县级单元碳排放数据,采用空间自相关、位序规模法则、空间计量模型以及空间马尔科夫链模型,对县级尺度城市碳排放空间特征、影响因素和动态空间溢出作用进行分析.结果表明:①城市碳排放呈现逐年下降的趋势,空间Moran's I指数表明研究区城市碳排放存在高度的空间自相关,碳排放的高值集聚性呈降低的趋势.②位序规模法则表明,研究区全部城市的碳排放属于次位型分布,高位次城市的碳排放表现突出;在前十位城市的碳排放规模先减少再增加,由分散向集中演变.③多种空间面板模型对比分析表明,城市经济水平和人口密度因素呈现显著的正相关关系;固定投资和外商投资因素仅在时间固定模型中起到正向影响作用;技术进步以及路网密度因素则起到显著的抑制作用.④空间马尔科夫链分析结果表明,城市碳排放空间溢出效应明显,位于低水平区域与高水平区域的城市在转移过程中保持稳定;位于中低水平区域的城市与高碳排放的城市相邻会降低转移概率,反之则会提升转移概率.
关键词夜间灯光数据    碳排放    空间计量    空间马尔科夫模型    溢出效应    
Study on spatial spillover effects and influencing factors of carbon emissions in county areas of Ha-Chang city group: Evidence from NPP-VIIRS nightlight data
YU Bo1, YANG Xu1,2, WU Xiangli1    
1. College of Geographical Science/Heilongjiang Province Key Laboratory of Geographical Environment Monitoring and Spatial Information Service in Cold Regions, Harbin Normal University, Harbin 150025;
2. Antai College of Economics and Management, Shanghai Jiaotong University, Shanghai 200030
Received 11 August 2019; received in revised from 17 October 2019; accepted 17 October 2019
Abstract: Based on the carbon emission data, which were calculated from the 2012-2016 NPP-VIIRS nightlight data of a total of 68 county-level units in the Ha-Chang urban agglomeration, the spatial characteristics, influencing factors and dynamic spatial spillover effects of urban carbon emission were analyzed at county level with spatial autocorrelation, rank-size rule, spatial econometric model and spatial Markov-chain model. The results indicate that, firstly, city carbon emission shows a downward trend year by year. The spatial Moran's I index indicates that there is a high spatial autocorrelation of urban carbon emission in the study area, and the high value aggregation of carbon emission is decreasing. Secondly, according to rank-size rule, all the urban carbon emission in the study area shows a sub-type distribution, and high-level cities witnesses a huge amount of carbon emission. The amount of carbon emission from the top ten cities reduced initially and then increased, from decentralization to concentration. Thirdly, having compared using various spatial panel models, the factors of the development level of urban economic and population density show a significant positive correlation; only in the time fixed model, play the fixed investment and foreign investment factors a positive role; technological progress and road network density factors play a significant inhibitory role. At last, spatial Markov chain analysis results show that urban carbon emission space spillover effect is obvious, and low-level cities and high-level ones remain stable during the transfer process; if low- and medium-level cities are adjacent to those with high carbon emission, the probability of transition will be reduced; and if not, it will be promoted.
Keywords: nightlight data    carbon emission    spatial econometric    spatial Markov-chain    spillover effect    
1 引言(Introduction)

近几十年来全球各国对气候问题的关注逐年增加, 面对因碳排放增加而导致全球变暖的威胁(袁凯华等, 2019), 全球各国通过召开《哥本哈根气候大会》以及签订《巴黎协定》等方式力图做到全面低碳减排.中国自2008年碳排放量达83.25×108 t超越美国成为全球第一大碳排放国, 为了坚定我国的社会主义发展方针, 坚持走可持续发展之路, 推行低碳减排政策已然是形势所迫.城市能源消费所产生的碳排放占据全部碳排放的60%~70%, 是全国统计碳排放量的重要来源.与此同时2015年以后中国划定了各大一级、二级城市群, 城市群划定势必加快区域协同发展, 技术进步的差异, 交通发展的不平衡, 城市群内的城市自由度变大导致了经济发展和能源消费结构同一般的城市关系存在较大区别.近年来, 国内外研究人员对城市碳排放以及影响因素做了大量的研究分析, 研究尺度涉及国家、省域和地级市单元, 也有部分集中于区域性研究(赵荣钦等, 2014佘倩楠等, 2015).例如Palilla等(2006)从国家层面分析了经济差异对CO2影响.孙昌龙等(2013)从城市化的不同阶段以及区域差异视角研究碳排放的增长因素;为了解决研究区域的问题, 本文拟采用美国国家极轨环境卫星的月度NPP-VIIRS数据, 对哈长城市群的县级城市单元进行夜间灯光数据反演碳排放数据, 拟在更小的研究单元上解释碳排放强度的空间特征以及影响因素.在研究方法上, Sather等(2011)利用变异系数、基尼系数、泰尔指数等方法研究中国东、中、西部的碳排放空间差异;邓吉祥等(2014)利用LMDI分解法构建碳排放驱动分解模型, 对中国碳排放区域差异变化的原因和规律进行探索.运用Tapio脱钩模型、面板协整检验, 地理加权回归等方法探索区域碳排放强度的影响因素(齐绍洲等,2015杨迪等,2018).考虑到传统研究方法对空间特性的研究仍然有所忽略, 本文参考国内学者的研究方法运用空间马尔科夫链概率转移矩阵的方法(陈培阳等, 2013王少剑等, 2018), 动态化分析城市群内县级城市碳排放强度的时空演化过程.在研究角度上, 李堃等(2019)利用投入产出模型, 结合投入产出表, 识别中国各省碳排放的影响因素;吴健生等(2014)基于DMSP/OLS夜间灯光数据对中国地级市能源消费碳排放的动态研究;张馨(2018)将碳排放量和碳排放强度两个角度为研究切入点, 运用面板数据模型对全国30个省区终端碳排放进行核算并进一步分析区域特征和时空差异;范大莎等(2017)在农田系统碳排放视角下研究东北三省地级城市碳排放量的驱动因素;高艳丽等(2019)以建设用地碳排放强度省域差异视角出发, 运动双差分法探究碳排放交易政策的有效性.

中国是自下而上的统计系统, 统计部门仅仅公开了省级和少数经济水平高的城市的能源消费信息(刘占成等, 2010), 因统计数据信息的缺乏导致对城市单元碳排放的研究较少, 尤其是对县级城市单元碳排放的研究(苏泳娴等, 2013).科学准确的测算城市群内县级单元的碳排放强度的时空变化, 明确其驱动机制以及空间关系, 可为制定区域低碳减排政策提供科学依据.

我国于2009年12月召开的哥本哈根气候大会中签署了2012—2020年全球减排协议, 为了验证研究区的地方政府是否严格执行中央政府下发的低碳减排政策, 选取位列9大区域性城市群(国家二级城市群)之首的哈长城市群对研究区的县级城市单元进行碳排放研究.本文基于2012—2016年的月度NPP-VIIRS数据选取哈长城市群的县级城市单元作为研究区域, 其地理范围包含黑龙江省哈尔滨市、大庆市、齐齐哈尔市、绥化市、牡丹江市, 吉林省长春市、吉林市、四平市、辽源市、松原市(因延边朝鲜族自治州数据缺失故未统计入内).共计68个县级城市及市辖区为统计样本, 建立灯光数据与碳排放强度之间的关系方程.哈长城市群是东北老工业基地重要的复兴模块, 是全国重要的经济增长模块, 其经济的增长正驱动城市居民以及工业二氧化碳排放的不断变化, 分析区域内的碳排放强度, 探究时空演变过程, 为东北地区低碳减排的策略制定提供参考性建议.

2 数据来源与研究方法(Data source and methods) 2.1 数据来源及预处理

本文以哈长城市群共计68个县级城市以及市辖区作为研究对象, 所需社会经济统计数据主要来源于2013—2017年《黑龙江省统计年鉴》、《吉林统计年鉴》、《中国城市年鉴》、《中国能源统计年鉴》以及其他统计报表.本研究计算碳排放所需化石燃料折标煤系数来自国家统计局能源统计司, 碳排放系数来自《2006 IPCC碳排放计算指南》.由于县级尺度的能源数据的难以准确获取, Elvidge等(2009)与Ranpach等(2009)研究表明可以采用夜间灯光数据估算碳排放量.本文选用的灯光数据为2012—2016年美国国家极轨环境卫星的月度NPP-VIIRS数据(图 1).

图 1 2012—2016年NPP-VIIRS夜间灯光数据 Fig. 1 NPP-VIIRS night light data from 2012 to 2016
2.2 研究方法 2.2.1 能源消费碳排放计算模型

能源消费碳排放量主要根据联合国政府气候变化专门委员会(IPCC)提出的碳排放计算方法来计算, 本文测算过程中将原料在内的能源消费情况统计在内, 其中能源消费品种主要包括煤炭、焦炭、原油、汽油、煤油、柴油、燃料油、天然气以及电力(苏泳娴等, 2013).能源碳排放值的计算公式见式(1).

(1)

式中, CT为各种能源消费的碳排放总量;ENi为第i类能源折算标准煤消费量;EFi为第i类能源的碳排放系数;i表示能源种类数目.各种化石能源的折标煤系数如表 1所示.

表 1 主要能源折算标煤系数与碳排放系数 Table 1 Contracted coal coefficient and carbon emission coefficient of main energy
2.2.2 基于NPP-VIIRS夜间灯光数据核算碳排放量

利用市辖区和县域城市的城市边界切割NPP-VIIRS夜间灯光影像, 获取各县级城市的夜间灯光数据, 并统计其平均值和总值, 并与相应的二氧化碳排放量统计值进行拟合分析, 具有良好的线性关系, p值在1%水平下显著, R2为0.8259其线性结果见式(2).

(2)

相比于传统的DMSP/OLS数据, NPP-VIIRS数据大幅度提升了清晰度和敏感度, 由于存在背景噪声的影响, 有必要对原始灯光数据进行预处理.参考潘竟虎等(2016)周翼等(2019)处理方法对夜间灯光数据的异常值进行剔除, 提取掩膜数据, 因为灯光辐射数值与经济发展程度呈正相关关系, 本研究中选取哈长城市群的经济中心哈尔滨市辖区和长春市辖区为参考对象确定最大阈值.并对数据进行进一步的校准, 降低数据的误差.

2.2.3 全域空间相关性分析

本文采用空间探索性分析技术(ESDA)对哈长城市群县域城市碳排放空间相关性进行分析, 若相关性检验显著则说明哈长城市群县级城市碳排放存在空间性特征.全域空间自相关一般采用Moran′s I系数分析空间关联以及空间差异性Pedro(2013), 其表达式见式(3).

(3)

式中, I为Moran′s I指数;n为研究县级市个数;ij分别为i区域和j区域的碳排放量;x为城市碳排放的均值表示空间权重;Wij为空间权重矩阵.本文采用邻接权重矩阵, Moran′s I值位于-1~1之间, 对I值进行Z(I)检验, 若其显著结果为正, 表示城市碳排放存在空间正相关关系, 若显著为负, 则表示城市碳排放存在空间负相关性, 为零则不存在假设的相关性.

2.2.4 局域空间相关性分析

研究局部县级城市空间的集聚情况, 采用局部莫兰分析方法, 判别位于不同空间城市的高值集聚区和低值集聚区, 识别碳排放量的空间依赖性和异质性, 表达式为:

(4)

式中, 若Z(Gi)显著为正, 说明城市碳排放量呈现高度空间集聚, 即为高值集聚区域;若显著为负, 则为低值区.Z(Gi)由高到低进行划分为:高值区、中高值区、中低值和低值区4类.

2.2.5 位序_规模法则

引入位序_规模法则, 从县级城市碳排放量与地区城市碳排放位序关系的视角出发, 比较验证研究区内县级城市尺度碳排放量的集散程度.表达式见式(5).

(5)

式中, Pi是第i个城市地区的碳排放量数值;P1是碳排放量最多城市;Ri是第i地区的位序;q是捷夫指数, 用于描述县级城市碳排放量多少和位序之间的集中与分散程度.

2.2.6 空间马尔科夫链模型

城市碳排放的变化在地理空间上并非相互孤立的, 而是与周边地区相互关联, 即城市碳排放的变化总是受到周边城市碳排放变化的影响(陈培阳等, 2013), 即城市碳排放变化是处于一个具有状态特征的领域环境中.为此, 本文采用空间马尔科夫链通过与空间滞后相结合的方法, 加强对区域单元相互作用的关注.具体公式见式(6).

(6)

式中, Ym表示某城市单元的属性值, Wmn表示空间权重矩阵Wm行第n列的元素, 即表示研究城市与周边城市的邻近关系矩阵.本文采用边界邻接原则确定空间权重矩阵, 即相邻为1, 反之为0.

2.3 变量选取

选用IPAT模型的扩展形式STIRPAT模型表达式见式(7).

(7)

式中, I表示环境压力; P表示人口数据; A表示经济发展程度; T表示科学技术水平; α为常数项, β1、β2和β3为待估参数; ε为随机误差项.在该模型基础上, 本研究选取被解释变量:碳排放量(CE), 选取解释变量:城市经济水平(ECO), 人口密度(POP), 产业结构(SEC), 投资强度(IN), 外商投资强度(FDI), 技术进步(TEC), 路网密度(ROD)等7个变量构建模型方程见式(8).

(8)

本文的计量模型部分使用STATA以及Matlab软件对面板模型的数据进行回归分析,考虑到时间上的滞后性,所选取的被解释变量数据为滞后一期数据.VIF(方差膨胀因子)均小于5,说明不需要做中心化处理来解决多重共线性.表 2列出了主要变量的描述性统计以及VIF检验结果.

表 2 变量解释及其描述性统计 Table 2 Variable interpretation and descriptive statistics
3 研究结果与分析(Research results and analysis) 3.1 城市碳排放总量的区域差异及时空格局变化

在讨论哈长城市群碳排放强度的空间相关性以及空间溢出效应之前, 碳排放强度所存在的变化趋势以及区域差异的研究是首先需要解决的问题.选择2012年、2016年为代表研究年份, 采用GIS的自然断裂点进行分级, 按强度大小分为5种类型, 分别为高值地区, 中高值地区、中值地区、中低值地区以及低值地区, 利用矢量数据符号法对哈长城市群县级城市的碳排放强度的空间分布进行分析.结果如图 2所示.

图 2 2012—2016年城市碳排放的时空格局变化以及全局莫兰指数 Fig. 2 Time-space pattern of urban carbon emissions from 2012 to 2016 and the global Moran index

自《国务院关于城镇化建设工作情况报告》编制开始直至2016年国务院批复哈长城市群发展规划期间内, 研究区域总体经济发展始终保持稳步发展水平, 经济总量由2012年2.03万亿元增长为2016年2.63万亿元, 而区域碳排放总量由2012年的9232.59万t下降到了2016年的7443.76万t, 总体呈降低趋势.2012年哈长城市群碳排放的高值地区位于大庆市市辖区、哈尔滨市市辖区、长春市市辖区、吉林市市辖区;中高值地区位于齐齐哈尔市市辖区、肇州县、农安县、公主岭市等地区;而碳排放强度低值的城市来自位于黑蒙边界的龙江县和泰来县, 以及远离主城区的城市.2016年哈长城市群整体碳排放强度呈明显下降的趋势, 位于碳排放高值区的城市仅存大庆市市辖区, 往年作为碳排放高值地区的哈尔滨、长春和吉林市地区, 其碳排放强度已经下降到了中高值和中值区域.标志着黑龙江以及吉林两省节能减排政策的顺利进行, 而大庆市因为其特殊的能源型城市原因, 低碳减排事业仍需要进一步开展, 以实现哈长城市群区域全面低碳减排.

基于邻接空间权重矩阵, 在ArcGIS10.2软件中计算各个县级城市碳排放强度的Moran′s I值, 如图 2所示2012—2016年Moran′s I值为正值且通过1%的显著性水平检验.5年的Moran′s I值呈现出上升的趋势, 总体上空间集聚特征仍然保持在稳定的状态.即所研究的县级城市碳排放强度在空间上呈现出高度集聚特征, 碳排放强度高的城市与其他碳排放强度高的城市相临近, 碳排放强度低的县级城市之间趋于临近.

全域Moran′s I值检验的主要作用是验证各个县级城市碳排放存在全域性的空间相关关系, 但是局域的空间信息未能体现出来, 本文采用HH(高高集聚)区域、HL(高低集聚)区域、LH(低高集聚)区域以及LL(低低集聚)区域来反映局部空间关系(图 3).本文的研究时间范围为2012—2016年, 中国政府于2009年哥本哈根气候峰会上提出自愿减排承诺, 目标在2020年碳排放比2005年降低40%至50%, 并在“十二五”规划中提出单位GDP能耗和二氧化碳排放分别降低16%和17%.这个时间段内中国正在积极开展低碳减排战略方针, 而哈长城市群作为中国东北老工业区的核心城市群, 积极响应国家号召, 降低产业能耗, 实现经济转型.也就形成了自2012年开始, 县级城市碳排放强度呈现逐年递减的趋势.

图 3 2012年、2016年县级城市碳排放空间集聚散点分布 Fig. 3 Distribution of spatial distribution of carbon emissions in county-level cities in 2012 and 2016

2012年HH(高高集聚)地区形成在长春和吉林市辖区以及周边县市, 2016年的HH(集聚)的范围相比于2012年有所减少, 以哈尔滨为中心的城市群的碳排放强度明显低于以长春市为核心的城市群, 黑龙江省的县级城市碳排放强度整体偏低, 2016年大庆市辖区的碳排放强度高于省会城市哈尔滨市辖区, 造成了以大庆市辖区为中心的HL(高低集聚)的碳排放空间格局.

3.2 城市碳排放的离散程度—位序_规模法分析

对哈长城市群共计68个县级城市及市辖区各年份碳排放强度进行排序, 并对位序和对应的城市碳排放强度进行双对数拟合分析, 结果如表 3所示, 拟合优度R2整体大于0.937, p < 0.01均具有极高的显著性, 符合Zipf法则规模分布的内容, 本文同时也计算了城市碳排放强度的首位度指标.

表 3 2012—2016县级城市碳排放位序列_规模双对数回归结果 Table 3 Regression results of rank-size double logarithm of County-level city carbon emissions from 2012 to 2016

2012—2016年间, 哈长城市群68个县级城市及市辖区碳排放强度规模的首位城市多数为大庆市市辖区以及长春市辖区, 表明两区域在此时间内处于哈长城市群碳排放强度的关键地位.根据哈长城市群统计样本历年碳排放强度关系和位序变化之间的关系, 将研究区域内的城市分为3种类型:①平稳型.规模呈持续降低趋势, 历年位序波动性很小, 包括齐齐哈尔市市辖区、讷河市、克山县、依安县等远离哈长城市群中心的县市.②缓慢减少型.表现为规模在减少, 同时位序也在降低, 包括哈尔滨市辖区、五常市、木兰县、尚志市等.③加速增长型.表现为碳排放强度在增加, 且序位也相应的上升, 主要城市来自于大庆市市辖区.

本文关于县级城市碳排放的离散程度如表 3所示, 在位序_规模双对数回归模型中, |q|总体上呈现不断增加的趋势, 从2012年的0.87增加到2016年的0.93.一方面, 这说明哈长城市群碳排放强度基本上属于次位型分布(|q| < 1), 碳排放强度的主要贡献者来自于以哈尔滨市和长春市为中心的县级城市及市辖区.高位次的城市的碳排放较为突出, 而低碳排放城市之间差距并不大.另一方面|q|值的不断增加说明了哈长城市群县级城市碳排放规模总体趋于平缓, 呈现出了先集中再分散的趋势.哈长城市群前十位县级城市位序_规模双对数回归模型的拟合优度R2均大于0.930, 位序前十位城市拟合优度整体略低于全部城市的拟合结果, 拟合分析表明城市的碳排放强度规模分布较为均匀, 此外|q|值的变化说明, 前十位城市的碳排放强度规模先减小再增加, 趋势也由分散走向集中.

3.3 城市碳排放的影响因素分析

为了详细考察影响碳排放的驱动因素, 进行多个模型的回归估计.因为样本数据是2012—2016年的具有时间与空间效应的面板数据, 首先在面板模型的基础上给出固定效应以及随机效应模型.对于模型的确定, Hansman检验对固定效应模型与随机效应模型进行判别, P值< 0.01说明拒绝了原假设, 固定效应模型的结果要优于随机效应模型.Robust LM检验是用来比较选用空间滞后模型SLM或空间误差模型SEM对城市碳排放影响因素进行识别.根据检验结果显示空间误差模型的LMERROR和R-LMERROR的检验效果均显著, 而空间滞后模型并不显著, 说明空间误差模型优于空间滞后模型, 证明空间误差机制确实影响城市碳排放的空间选择行为.表 4是空间面板SLM和SEM模型robust LM检验及Hausman检验的结果.

表 4 SLM、SEM面板估计模型以及豪斯曼判别检验 Table 4 Panel Model Identification Test on SLM、SEM and Hausman

为了全面对比分析多种模型对哈长县级城市碳排放的影响因素, 本研究给出SLM和SEM模型的空间固定效应、时间固定效应以及时空双固定效应模型同普通面板固定效应模型和随机效应模型的对比估计结果(表 5).

表 5 混合面板数据模型估计结果 Table 5 Mixed panel data model estimation results

结合所有模型的共同结果, 在计量模型中城市经济水平、技术进步和路网密度因素均在1%显著水平下显著, 人口密度因素在10%显著水平下显著.并且R2的拟合优度结果也表示固定效应模型更加具有适应性.对比SLM和SEM的分效应模型, 城市的经济发展水平因素的弹性系数全部为正值, 并均通过1%显著性水平检验, SEM模型中系数要高于SLM模型, 表明人口密度因素在空间误差模型中对碳排放的影响更为明显.近年来哈长城市群城镇人口流失, 人口大规模向中心城市流动, 中心城市的能源消耗量也随之增多, 造成了中心城市的碳排放量的增加.虽然统计数据表明, 近年来总的碳排放量呈下降趋势, 但是在当今社会发展趋势下, 城市经济水平发展仍然是绝大部分地方政府的首要目标, 经济发展的同时必然会导致该地区碳排放量的增多, 即使地方政府响应中央政策号召, 开展低碳减排的项目, 但是中国仍处于发展国家行列, 实现经济发展同时也要保持低碳排放将是日后城市发展的主要基调.时间固定效应模型的人口密度因素保持在1%显著性水平下的正向作用, 其他4个模型的显著性水平均保持在5%.人口密度的变化对城市碳排放的作用明显, 人口密度的增加直接导致了人均居民生活碳排放以及化石燃料需求的增加, 相比于集聚效应, 人口规模效应所造成的影响更加突出.加强技术进步应是政府低碳减排政策的核心部分, 多个模型结果均表明, 技术手段的提升的确会降低碳排放, 科学技术水平的提高可以大大提升含碳能源的利用效率, 使得碳排放量持续下降.路网密度则对碳排放产生负向影响且作用显著.一方面因为路网密度的增加, 另一方面城市地铁以及城市轻轨, 城市电车的路线的新设, 降低交通的拥堵情况的同时也会减少普通机动车的使用, 多种途径同时影响城市碳排放的下降.固定投资强度和外资强度只有在时间固定模型下具有显著性.说明无论是固定资产还是外部资产的投资, 当前的投资项目仍然致力于研究区内城市的工业发展, 继而对化石燃料的需求增加, 如何改变投资方向才是实现低碳减排的当务之急.产业结构的调整并未对哈长城市群碳排放起到影响性的作用, 可能是因为重工业并没有实现产业升级, 间接表达了老工业基地地区经济转型的困难.

3.4 城市碳排放的空间溢出效应分析

刘佳骏(2015)运用空间模型计算全国省级碳排放空间溢出效应, 证实碳排放强度在省级层面确实存在溢出效应.在碳排放存在空间溢出效应的理论基础上, 为此本研究进一步从区域范围县域尺度的视角分析城市碳排放的空间溢出效应的存在性与转移效果.在空间关系基础上建立空间马尔科夫链转移矩阵, 采用分位数断点方法将碳排放分为四种类型Ⅰ(低水平区域 < 43.65)、Ⅱ(低中水平区域43.66~71.02)、Ⅲ(中高水平区域71.03~111.59)、Ⅳ(高水平区域>111.59), 进一步探究哈长城市群县级单元碳排放的动态空间溢出效应, 结果如表 6所示.

表 6 碳排放空间马尔科夫概率矩阵 Table 6 Carbon emission space Markov probability matrix

对于低水平碳排放区域, 在低中水平区域、中高水平区域、高水平区域的领域环境中, 转移的概率均为0, 而且整体上非对角线上元素数值大于对角线上数值, 故而这一区域的城市趋向于保持不变, 未发生转变.对于低中水平的碳排放区域, 在4个领域环境中向中高区域转变的概率分别为0.25、0.52、0.667、0.625, 向低水平碳排放区域发生转移的概率为0.750、0.440、0.111、0.63, 表明碳排放高的区域为邻, 中低水平向中高水平区域发生转移的概率在增大, 而在与较低水平区域为邻时, 中低水平向低水平区域发生转移的概率减小.

中高水平碳排放区域未体现规律性特征, 原因可能是哈长城市群的特点是以哈尔滨、长春、大庆等重工业城市为核心的发展共同体, 碳排放高水平区域位于城市群的核心区域, 重工业城市的高碳排放相对保持稳定.综上, 位于城市群内的县级单元的碳排放存在空间溢出效应并对其本身的进程具有显著影响, 具体表现为位于中低区域的城市在动态性在向邻近地区进行转移时, 呈现规律性特征.

对比王少剑(2019)关于中国地级城市碳排放的研究结果, 城市碳排放的空间溢出转移作用和区域协同性均是显著的, 在空间溢出效应转移方向上的结论都是在位于高碳排放区域时, 中低水平区域向相对高的水平区域发生转移的概率会增加.在保证研究结果正确性同时也表明哈长城市群内部的能源需求方向呈现规律性变化, 经济溢出、技术溢出等要素共同作用于城市碳排放的空间溢出转移, 所以相关低碳减排政策可以考虑控制相应的影响因素从而改变城市碳排放溢出效应的转移方向.

4 结论(Conclusions)

1) 空间分析结果表明, 2012年的碳排放高值区域位于大庆市市辖区、哈尔滨市市辖区、长春市市辖区以及吉林市市辖区, 2016年碳排放高值区域仅剩下大庆市市辖区, 整体呈现逐年下降的趋势.全域Moran′s I均为正值且在1%水平下显著, 哈长城市碳排放在空间上存在高度显著的空间相关性, 同时局域Moran′s I表现结果也说明整体的高值集聚性呈现出降低的趋势.

2) 2012—2016哈长城市群碳排放整体呈下降趋势, 全部区域碳排放属于次位型分布, 即碳排放强度的主要贡献者来自于以哈尔滨市和长春市为中心的县级城市及市辖区, 高位次的城市的碳排放较为突出;在前十位城市的碳排放位序_规模分析中表明规模分布较为均匀, 表现特征为先减小再增加, 趋势也由分散走向集中.

3) 运用空间面板模型对影响因素进行分析, 通过对比固定效应模型、随机效应模型、以及SLM和SEM的多种分类模型结果进行实证分析, 结果表明, 6个模型中城市的经济水平因素和人口密度因素对城市的碳排放产生显著的正向影响;固定投资因素和外商投资因素仅在SLM和SEM的时间固定模型中具有显著效果;模型中技术进步和路网密度因素则对城市碳排放产生反向的驱动效应.

4) 基于引入空间权重矩阵的空间马尔科夫链转移模型动态分析表明, 城市碳排放空间溢出效应明显, 同时也确实存在俱乐部趋同效应, 分析表明位于碳排放低中水平的区域有向邻接区域进行转移的概率, 其中向低水平区域转移的最大概率为75%, 向中高水平转移的最大概率为66.7%, 与中低水平区域研究相比, 低水平区域和高水平区域呈现出相对稳定的状态.

参考文献
Clarke-Sather A, Qu J, Qin W, et al. 2011. Carbon inequality at the sub-national scale:A case study of provincial-level inequality in CO emissions in China 1997-2007[J]. Energy Policy, 39(9): 5420-5428. DOI:10.1016/j.enpol.2011.05.021
陈培阳, 朱喜钢. 2013. 中国区域经济趋同:基于县级尺度的空间马尔可夫链分析[J]. 地理科学, 33(11): 1302-1308.
Elvidge, Christopher D, Ziskin, et al. 2010. A Fifteen Year Record of Global Natural Gas Flaring Derived from Satellite Data[J]. Energies, 2(3): 595-622.
范大莎, 杨旭, 吴相利, 等. 2017. 东北三省农田生态系统碳排放时空分异特征及驱动因素研究[J]. 环境科学学报, 37(7): 2797-2804.
高艳丽, 董捷, 李璐, 等. 2019. 碳排放权交易政策的有效性及作用机制研究——基于建设用地碳排放强度省际差异视角[J]. 长江流域资源与环境, 28(04): 783-793.
刘占成, 王安建, 于汶加, 等. 2010. 中国区域碳排放研究[J]. 地球学报, 31(5): 727-732.
刘佳骏, 史丹, 汪川. 2015. 中国碳排放空间相关与空间溢出效应研究[J]. 自然资源学报, 30(8): 1289-1303.
李堃, 王奇. 2019. 基于文献计量方法的碳排放责任分配研究发展态势分析[J]. 环境科学学报, 39(7): 2410-2433.
Padilla E, Serrano A. 2006. Inequality in CO emissions across countries and its relationship with income nequality:A distributive approach[J]. Energy Policy, 34(14): 1762-1772. DOI:10.1016/j.enpol.2004.12.014
Pedro V. 2013. Testing for spatial error dependence in probit models[J]. Letters in Spatial and Resource Sciences, 6(2): 91-101. DOI:10.1007/s12076-012-0089-9
潘竟虎, 胡艳兴. 2016. 基于夜间灯光数据的中国多维贫困空间识别[J]. 经济地理, 36(11): 124-131.
齐绍洲, 林屾, 王班班. 2015. 中部六省经济增长方式对区域碳排放的影响——基于Tapio脱模型、面板数据的滞后期工具变量法的研究[J]. 中国人口·资源与环境, 25(5): 59-66.
Raupach M R, Rayner P J, Paget M. 2010. Regional variations in spatial structure of nightlights, population density and fossil-fuel CO emissions[J]. Energy Policy, 38(9): 4756-4764. DOI:10.1016/j.enpol.2009.08.021
苏泳娴, 陈修治, 叶玉瑶, 等. 2013. 基于夜间灯光数据的中国能源消费碳排放特征及机理[J]. 地理学报, 68(11): 1513-1526.
孙昌龙, 靳诺, 张小雷, 等. 2013. 城市化不同演化阶段对碳排放的影响差异[J]. 地理科学, 33(3): 266-272.
王少剑, 黄永源. 2019. 中国城市碳排放强度的空间溢出效应及驱动因素[J]. 地理学报, 74(6): 1131-1148.
王少剑, 苏泳娴, 赵亚博. 2018. 中国城市能源消费碳排放的区域差异、空间溢出效应及影响因素[J]. 地理学报, 73(3): 414-428.
吴健生, 牛妍, 彭建, 等. 2014. 基于DMSP/OLS夜间灯光数据的1995-2009年中国地级市能源消费动态[J]. 地理研究, 33(4): 625-634.
袁凯华, 张苗, 甘臣林, 等. 2019. 基于碳减排目标的省域碳生态补偿研究[J]. 长江流域资源与环境, 2801: 21-29.
佘倩楠, 贾文晓, 潘晨, 等. 2015. 长三角地区城市形态对区域碳排放影响的时空分异研究[J]. 中国人口·资源与环境, 25(11): 44-51.
杨迪, 杨旭, 吴相利, 等. 2018. 东北地区能源消费碳排放时空演变特征及其驱动机制[J]. 环境科学学报, 38(11): 4554-4565.
赵荣钦, 张帅, 黄贤金, 等. 2014. 中原经济区县域碳收支空间分异及碳平衡分区[J]. 地理学报, 69(10): 1425-1437.
周翼, 谢保鹏, 赵鸿雁, 等. 2019. 基于灯光数据的中国县域城市规模时空格局分析[J]. 长江流域资源与环境, 28(02): 250-260.
张馨. 2018. 中国能源消费碳排放的时空差异及驱动因素研究[J]. 干旱区地理, 41(5): 1115-1122.
邓吉祥, 刘晓, 王铮. 2014. 中国碳排放的区域差异及演变特征分析与因素分解[J]. 自然资源学报, 29(2): 189-200.