2021, Vol. 41
[PDF全文]
2. 复旦大学城市环境管理研究中心, 上海 200438
2. Urban Environmental Management Research Center, Fudan University, Shanghai 200438
近年来, 由于温室效应的影响, 出现了全球变暖、冰川退缩、海平面上升等一系列自然环境问题.温室效应的出现主要是由大量的二氧化碳排放造成的.其中城市是二氧化碳排放的主要贡献者之一, 二氧化碳排放占全球70%以上(Wang et al., 2019a).中国是世界上最大的二氧化碳排放国, 为积极推进全球气候的良性变化, 中国政府在2015年巴黎气候大会上承诺, 到2030年碳排放在2005年的基础上下降60%~65%, 二氧化碳排放到2030年左右达到峰值并尽早达到峰值.然而这些目标对于正处在快速城市化进程的中国是否能够实现？1978—2018年的改革开放四十年, 中国的城市化率从17.9%增加到59.58%, 年均增长率为1.04%.Northam(1979)将城市化进程划分为初期、中期和后期三阶段, 初期阶段城市人口占比30%以下, 中期城市人口占比30%~70%, 后期城市人口占比70%以上.中国目前处于城市化的中期阶段, 雄厚的工业基础吸引大批农业人口, 高速的工业化进程导致城市化和碳减排出现极大的矛盾.中国政府于2014年提出建设中国特色的新型城市化, 新型城市化是以城乡统筹、城乡一体、产业互动、节约集约、生态宜居、和谐发展为基本特征的城市化.相比于以城市人口的持续增加和城市规模不断扩张为目标的粗放式发展的传统城市化, 新型城市化则不以牺牲资源和环境为代价, 坚持城市化发展的可持续性, 强调走集约型发展道路, 进而推动新时期中国城市化的更高质量更高效率的发展, 传统城市化和新型城市化的对比如表 1所示.新型城市化具体“新”在哪些地方, 对二氧化碳排放的影响呈现出怎么样的区域差异和时空变化特征？对以上问题更加准确的分析有助于协调新型城市发展模式和绿色低碳经济的目标, 为助力中国政府兑现国际承诺提供一定的思路参考.
| 表 1 传统城市化和新型城市化对比 Table 1 Comparison between traditional urbanization and new urbanization |
 |
许多学者对城市化与二氧化碳排放的关系进行探讨, 但目前尚未得出统一的研究结论.已有研究多从人口的角度对城市化进行界定, 利用城市人口占总人口的比例表示城市化水平, 研究其对二氧化碳排放的影响.多数学者研究发现, 城市化率与二氧化碳排放之间存在线性影响关系.中国各省及长江三角洲和珠江三角洲等城市群城市化率与二氧化碳排放均呈显著正相关(Liu et al., 2018；Bai et al., 2019；Wang et al., 2019b；2019c).以44个撒哈拉以南非洲国家及全球170个国家为例的城市化率与二氧化碳排放关系研究得到了相同的结论(Wang et al., 2018a；Salahuddin et al., 2019).城市化率对建筑业、工业等部门的二氧化碳排放也呈现显著的正相关(Wang et al., 2019e).此外, 城市化率对二氧化碳排放的线性影响关系存在着显著的区域差异(Wang et al., 2018b；Wang et al., 2019d).部分学者认为城市化率和二氧化碳排放之间存在着非线性的影响关系.城市化率和二氧化碳排放之间存在三阶段动态非线性关系及阈值效应(Martinez-Zarzoso et al., 2011；Cao et al., 2016；Shi et al., 2018；Dong et al., 2019).城市化率对不同城市群的阈值效应存在显著差异(Sheng et al., 2019).而后, 学者们逐渐提出更加丰富的指标去衡量城市化水平, 并研究其对二氧化碳排放的影响.如利用人口规模、人口年龄结构等指标衡量人口城市化水平, 研究发现其对二氧化碳排放有显著的正向影响(Yang et al., 2015；Wang et al., 2017；Zhao et al., 2017).Xu等(2016)和Zhang等(2017)从土地城市化的适度效益、城市土地利用的经济效益、社会效益和生态效益4个方面构建了土地城市化质量评价体系, 研究发现土地城市化质量的碳减排作用.部分学者则从建成区扩张和土地利用面积维度构建土地城市化指标体系, 发现其对二氧化碳排放有显著的正向影响(Tao et al., 2015；Xua et al., 2016).近年来, 学者们尝试构建城市化的综合指标体系, 研究其对二氧化碳排放的影响.Zhou等(2019)从经济、人口、空间和社会4个维度构建城市化指标体系, 发现经济城市化与二氧碳排放呈正相关, 人口密度和城市人口比例对二氧化碳排放分别有负向和正向影响, 空间城市化与二氧化碳排放呈正相关, 社会城市化与二氧化碳排放呈负相关.Wang等(2018c)从土地、经济、人口和社会4个角度构建城市化指标体系, 研究发现不同角度的城市化对珠江三角洲城市群二氧化碳的排放存在显著的差异.
已有文献对城市化和二氧化碳排放之间的关系做出了大量的研究和贡献, 但仍存在一些不足.首先, 新型城市化最重要的理念之一是生态文明, 然而鲜少有研究将这一维度纳入城市化综合评价体系中.其次, 已有对关注于新型城市化指数的计算, 缺乏对新型城市化空间分布特征的关注.最后, 现有研究缺乏新型城市化各个维度对碳排放影响的区域差异和时空变化特征.基于此, 本研究的创新贡献如下: ①通过加入生态城市化这一维度构建新型城市化指标体系, 以更全面的体现新型城市化内涵特征.②在新型城市化指数测算的基础上, 利用ArcGIS制图可视化新型城市化及各维度城市化的空间分布特征.③利用地理加权回归(GWR)模型更好的反映出新型城市化和碳排放之间关系随局部地理位置变化呈现的区域差异.④深入研究了新型城市化及各维度城市化对碳排放影响的时空变化特征.
2 材料与方法(Materials and methods) 2.1 二氧化碳排放量计算本文基于政府间气候变化专门委员会提出的二氧化碳排放量计算公式(IPCC, 2006), 选取煤炭、焦炭、原油、汽油、煤油、柴油、燃料油、天然气8种主要能源品种进行测算.其中, CO2为碳排放总量, k为能源品种, E为能源消费量, SC为标准煤折算系数, CF为碳排放系数, 44/12是二氧化碳分子量.由于目前中国城市尺度的碳排放核算方法和体系并不完善, 故本文采用统一的碳排放折算系数(李建豹等, 2015；沈杨等, 2020).各能源品种的标准煤折算系数及碳排放系数如表 2所示, 计算方法如式(1)所示.
| 表 2 标准煤折算系数与碳排放系数 Table 2 Conversion factor and carbon emission factor of standard coal |
|
|
(1) |
传统城市化的核心是人口城市化, 没有考虑城市化的质量, 在快速城市化过程中造成了资源枯竭、交通拥堵、环境恶化等一系列负面后果, 而新型城市化对缓解我国经济社会发展中的问题具有重要意义(Wang et al., 2015).本研究对新型城市化指标体系的设计主要考虑4个方面: 一是客观性, 本研究借鉴前人的思路(熊湘辉等, 2018；常新锋等, 2020；徐维祥等, 2020), 同时结合中国政府提出的城乡统筹、城乡一体、产业互动、节约集约、生态宜居、和谐发展的城市化基本特征构建新型城市化(NU)的测评维度, 以期更加客观地反映新型城市化的特征.二是全面性, 指标体系要尽可能全面反映新型城市化的各个方面.生态文明程度是城市化持续发展的保障(俞云峰, 2019), 生态宜居是新型城市化的基本特征之一, 生态文明建设也符合新型城市化“以人为本”的核心, 因此本研究在人口城市化(PU)、经济城市化(EU)、社会城市化(SU)和空间城市化(SPU)的基础上引入生态城市化(ECU)维度, 旨在体现人们对生态友好的新型城市化追求.其中, 人口维度包含人口规模和人口结构的变化, 经济维度包含经济规模、经济结构和经济活力, 社会维度主要体现在教育、医疗、公共交通和社会保障, 空间维度涵盖土地扩增和道路铺设方面, 生态维度考虑城市绿化和污染治理两个方面.三是可操作性, 本研究选取相对核心的维度和指标, 避免由于指标内容庞杂冗长造成实际操作难度的增加.四是数据可得性, 在综合考虑客观性、全面性和可操作性的基础上, 基于数据的可获得性, 最终确定各维度和指标.具体的新型城市化评价体系如表 3所示.
| 表 3 新型城市化评价体系 Table 3 New urbanization evaluation system |
|
新型城市化是在经济发展导向的传统城市化的基础上提出来的, 经济对于新型城市化的重要性较高, 各维度对新型城市化的重要性有所差别, 因此需要对各维度进行赋权.评价指标确定权重的方法主要有两种: 主观赋权法和客观赋权法.通过主观赋权法对各维度进行赋权会导致主观性太强, 相对而言客观赋权法的评价标准更为统一.但客观赋权法中的主成分分析和因子分析容易造成相关性较弱的信息被遗漏.而熵值法根据各指标的变异程度, 利用信息熵计算出各指标的熵权, 再通过熵权对各指标的权重进行修正, 从而能够更加精确和客观地反映指标的权重.熵值法的基本思想是指标的重要性取决于同一指标上的值的分散性(He et al., 2018；Zhao et al., 2018).评价指标的分散度越大, 熵值法对评价结果的作用就越大.基于以上分析, 本研究选择熵值法测度新型城市各维度指数及新型城市化综合指数.熵权法的步骤如下:
由于各个指标的量纲不同, 为使不同评价指标之间具有可加性和可比性, 必须对数据进行归一量化处理以消除指标量纲的影响.本文指标均为正向指标, 可采用正则化公式, 即:
|
(2) |
式中, k分别为人口城市化、经济城市化、社会城市化、空间城市化和生态城市化五个一级指标；j为各二级指标；Mkj、mkj分别为各指标属性值的最大值和最小值.
在此基础上, 计算第i个评价对象在第j个评价指标上的属性值比值:
|
(3) |
计算第j个评价指标的熵值:
|
(4) |
计算评价指标Xkj的差异性系数:
|
(5) |
确定评价指标Xkj的权重系数Wkj:
|
(6) |
对人口、经济、社会、空间和生态5个维度的城市化指数进行评价, 各维度城市化指数Uk的计算公式见式(7):
|
(7) |
最后, 以各维度城市化指数为基础, 重复以上计算步骤, 得到新型城市化综合指数NU.
2.4 地理加权回归模型城市化与碳排放的关系存在阈值效应, 两者的影响关系非线性, 存在“拐点”(Martinez-Zarzoso et al., 2011；Cao et al., 2016；王雅楠等, 2018；Dong et al., 2019).我国不同省份的经济发展水平、资源禀赋等存在很大差异, 各地区的发展处于非线性影响曲线的不同阶段, 不同省份的城市化对碳排放的影响作用不同.已有研究表明城市化对碳排放的影响存在一定的区域差异及时空分布特征.
GWR模型是近年来能源经济学领域广泛应用的空间分析模型, 相较于全局回归模型的优点主要有以下3点: ①分析结果方面, 全局回归模型易忽视变量之间关系的局部特征, 通常只能得出整个研究区域的平均状态, 而GWR模型通过将数据的地理位置引入到回归参数中, 基于相邻观测值的子样本数据信息对局部进行回归估计, 可以反映出变量之间的关系随着局部地理位置的变化而变化.②模型方法方面, GWR模型可以设置多个变量以及进行严格的计量经济学检验, 提高了模型的适用性和科学性.③可视化方面, GWR模型可以将形成的参数估值利用ArcGIS呈现在地图之上, 对于研究者感兴趣的空间区域可以深入探索(吕萍等, 2010).因此, 本研究选择GWR模型, 其函数表示如下:
|
(8) |
式中，yi是n×k维解释变量；xik是n×k维解释变量矩阵；βk(μi, ϑi)是因素k在回归点i的回归系数，(μi, ϑi)代表第i个观察点的经度和维度坐标；εi是独立同分布的随机及误差项. GWR模型使用加权最小二乘法对每个观测点的参数进行估计, 采用高斯函数构建加权函数, 利用信息准则(AICc)法与核密度估计计算带宽, 然后进行GWR计算.高斯函数如下:
|
(9) |
式中，b为带宽，dij为样本点i和j的距离，如果i的数据被观测，则其他点的权重会根据高斯曲线随着距离dij的增加而减少.当给定带宽b，距离dij越大，位置j所赋予的权重越小，离点i足够远的权重将会趋于0.
本文根据AICc准则确定带宽，并采用自使用带宽的方式使得AICc最小的带宽b为本文选取的最适应带宽，其公式为：
|
(10) |
式中, n为样本点数量，σ为误差估计项的标准误差，tr(S)为带宽的函数，是矩阵S的迹.AICc值最小时的带宽为最佳带宽.
综上, 本研究以二氧化碳排放量(CO2)为因变量, 以人口城市化(PU)、经济城市化(EU)、社会城市化(SU)、空间城市化(SPU)、生态城市化(ECU)及新型城市化(NU)分别作为核心解释变量(U), 选取能源强度(EI)和能源结构(EC)作为解释变量, 本研究构建的GWR模型的具体形式为:
|
(11) |
式中, 能源强度(EI)用单位GDP能耗来表示, 能源结构(EC)为煤炭消耗量占总能源消耗量的比重, 每年的实际GDP以2004年不变价计算, εi为残差项.
2.5 数据来源近年来的高速城市化加剧了环境污染、气候变化等一系列问题, 21世纪初我国提出碳减排目标并开始积极探索新型城市化发展模式, 2012年十八大明确提出新型城市化建设的方针, 2014年正式颁布《国家新型城镇化规划(2014—2020年)》, 新型城市化的发展是一个不断探索的过程, 伴随着对碳排放的长期影响.综合考虑新型城市化的发展历程和数据可得性, 本研究以2004—2016年中国30个省、自治区和直辖市作为研究对象, 其中, 香港、澳门、台湾和西藏由于数据缺失, 不列入研究范围.由于中国国家统计局对于公共交通车辆数、城市公园绿地面积以及建成区面积等指标数据从2004年开始统计, 因此选取2004年作为研究起点和代表年份之一.当前能源消耗的统计数据更新到2017年, 但受到2017年部分城市化指标数据缺失的影响, 本研究选择2016年作为研究的末点(如需2017年中国各省碳排放数据, 可联系作者获取).文中所使用的能源消费量数据来自于《中国能源统计年鉴》(2005—2017).新型城市化评价体系中的数据主要来自于《中国统计年鉴》(2005—2017)、《中国城市建设统计年鉴》、《天津市国民经济和社会发展统计公报》(2007—2008)及《2005年北京市环境状况公报》.为减少通货膨胀的影响, 保证数据可比性, 每年的实际GDP以2004年不变价计算, 各变量描述性统计结果如表 4所示.
| 表 4 描述性统计结果 Table 4 Descriptive statistics results |
|
中国每年各省的碳排放量及碳排放总量如图 1所示.从碳排放总量来看, 中国从2004年的6652.37×106 t增长到2016年的13132.81×106 t, 碳排放总量增长一倍, 年均增长率8.12%.从增长速度来看, 从2011年开始碳排放增长速率明显放缓, 碳减排政策实施效果显著.从省级视角来看, 各地区碳排放量差异较大, 山东、河北、江苏、内蒙古、山西和辽宁的碳排放量较高, 青海和海南的碳排放最少.
 |
| 图 1 2004—2016中国各省份年碳排放量 Fig. 1 Carbon emissions in China at the provincial level from 2004 to 2016 |
基于熵值法计算的新型城市化各维度权重如表 5所示, 经济城市化维度的权重最高, 在新型城市化综合指数中占比最大, 其余各维度城市化的权重差别不大.图 2为中国30个省、自治区和直辖市2016年新型城市化(NU)及人口城市化(PU)、经济城市化(EU)、社会城市化(SU)、空间城市化(SPU)和生态城市化(ECU)各维度指数的空间分布图, 呈现出明显的空间分布特征.总体来看, 中国的新型城市化水平指数主要分布于0.25以下和0.25~0.5两个区间中, 只有北京的新型城市化指数位于0.75以上.东部沿海地区的新型城市化水平高于西部、西南和东北地区.从各维度城市化水平的空间分布来看, 各维度城市化水平的空间分布差异明显.人口城市化方面, 北京、天津和上海的人口城市化水平较高, 人口城市化指数大于0.75.东南沿海地区的人口城市化指数多位于0.5以上, 北部和东北地区的人口城市化指数高于中西部地区.经济城市化方面, 北京和上海的经济高度发达, 经济城市化指数高于0.75, 绝大部分地区的经济城市化指数位于0.5以下, 西部和西南地区的经济城市化指数最低.社会城市化方面, 北京的社会城市化指数高于0.75, 绝大部分省份的社会城市化指数均分布于0.5以下, 中国的社会城市化水平相对较低.空间城市化方面, 上海的空间城市化指数位于0.75以上, 中部和东南沿海地区的空间城市化指数为0.25~0.5, 部分西部和东北地区的空间城市化指数较低.生态城市化方面, 陕西和宁夏的生态城市化指数最高, 这与其环境污染治理投资额占比较高有很大的关系.生态城市化指数没有表现出明显的空间分布特征.
| 表 5 新型城市化各维度权重 Table 5 Weight of various dimensions of new urbanization |
|
 |
| 图 2 2016年中国各省新型城市化指数及各维度城市化指数的空间分布 Fig. 2 Spatial distribution of new urbanization indices and urbanization indices of various dimensions in China in 2016 |
传统的城市化与碳排放之间的关系已被证实存在着明显的区域差异(Xu et al., 2017；Shi et al., 2018；Wang et al., 2019).为进一步探究新型城市化对碳排放的影响和区域差异, 本研究使用GWR模型对样本进行局部回归.在较短的间隔年份内, 城市化对碳排放影响的空间集聚特征变化不明显, 所以选取2004和2016年作为代表年份.GWR模型的整体估计结果如表 6所示, 包括拟合系数R2、残差平方和、最优带宽和AICc值, 2004和2016年各维度城市化模型的R2均位于0.9以上, 模型整体拟合效果很好.
| 表 6 GWR模型整体估计结果 Table 6 The estimation results of geographically weighted regression model |
|
新型城市化对二氧化碳排放的影响系数如图 3所示.相邻省份的新型城市化回归系数保持在相同的区间水平内, 即新型城市化对二氧化碳排放的影响呈现出明显的空间依赖特征.新型城市化与二氧化碳排放呈正相关关系, 主要原因有两个方面: ①新型城市化的概念虽然由国家层面提出, 但在全国范围推广实施需要一定的时间, 新型城市化的作用没有实现.其次, 中国特色的新型城市化正在建设中, 《国家新型城镇化综合试点总体实施方案》、《第一批国家新型城镇化综合试点工作方案》和《第二批国家新型城镇化综合试点工作方案》等方案实施的碳减排效应还未发挥出来.2004年, 新型城市化对碳排放的影响显著为正, 弹性系数最大的是中国东部省份, 包括江苏、浙江、上海、福建、江西、广东、海南、安徽, 弹性系数最小的是新疆.到2016年, 全国范围内各个省份的新型城市化的弹性系数均明显变大.江苏省的弹性系数最大, 新疆、青海和甘肃的弹性系数较小.从弹性系数的增长幅度来看, 中西部省份的弹性系数增长幅度明显高于东部地区.东部地区经过快速发展, 城市化已经达到一个较高的水平, 对碳排放的影响的增长速率有所减缓, 而西部大开发政策的实施使得中西部地区的城市发展迅速, 快速城市化的进程中伴随着大量基础设施建设的和粗犷的产业发展和能源使用, 导致产生了大量的碳排放.
 |
| 图 3 中国各省新型城市化回归系数及时空变化 Fig. 3 Regression coefficients and spatiotemporal changes of new urbanization in China′s provinces |
由于新型城市化具有复杂的多维特征, 单一的研究新型城市化对碳排放的影响难以发现新型城市化对碳排放的具体影响路径和机制, 有必要对新型城市化各个维度对碳排放的影响关系进行深入研究, 进而厘清新型城市化进程中对碳排放驱动或者抑制的具体因素.因此, 本文进一步探索了新型城市化各个维度对碳排放的影响及时空变化特征.
人口城市化对碳排放的影响系数如图 4所示.2004年, 人口城市化的弹性系数呈现出东部、中部和西部的典型空间分布特征.在全国范围内, 人口城市化对碳排放的弹性系数既有正向的又有负向的, 即人口城市化对碳排放的影响表现出明显的区域差异.新疆和黑龙江人口城市化弹性系数为负, 这与该地区人口城市化的集聚效应尚未显现有关.其他省份人口城市化的弹性系数显著为正, 即人口城市化水平的提高促进了二氧化碳的排放.城市居民能源消耗相对于农村居民更高, 随着城市人口规模的扩大, 城市人类活动将不可避免的增加二氧化碳的排放.此外, 人口城市化伴随着二三产业从业人员比例的提高, 相对于第一产业会产生更多的二氧化碳排放.2004—2016年, 人口城市化对碳排放影响的空间集聚性呈现出从西南、南部以及东部地区往北部、东北部转移的时空变化特征.2016年, 全国范围内人口城市化对碳排放均呈现显著促进作用, 但弹性系数低于2004年, 说明人口城市化对碳排放的促进作用逐渐减弱.东部沿海省份和北京、天津、河北、内蒙古及辽宁等北部东北部地区的人口城市化弹性系数最大, 新疆、青海、四川和云南等西部和西南地区人口城市化弹性系数相对最小.
 |
| 图 4 中国各省人口城市化回归系数及时空变化 Fig. 4 Regression coefficients and spatiotemporal changes of population urbanization in China′s provinces |
经济城市化对碳排放的影响系数如图 5所示.2004年, 经济城市化的弹性系数呈现出南部、中部和北部的典型的空间分布特征.经济城市化的弹性系数均为正, 即经济城市化水平的提高显著促进了二氧化碳的排放.经济城市化主要体现在经济规模、经济结构和经济活力3个方面.地区人均GDP的提高与生产的扩大密不可分, 从而导致更多的二氧化碳排放.二三产业产值比重的提高代表着二三产业数量和规模在一定程度上的增加, 相对于第一产业会产生更多的二氧化碳排放.从环保技术和能源利用的角度来看, 相关研发投入提高能在一定程度上促进环保技术进步和能源利用效率的提高, 从而对碳排放产生抑制作用.但现阶段中国的经济规模和经济结构对碳排放的驱动作用大于经济活力对碳排放的碳排放的抑制作用, 由此综合来看, 经济城市化对碳排放表现为促进作用.2004—2016年, 经济城市化对碳排放影响的空间集聚性呈现出从南部往东部沿海及东北地区逆时针转移的时空变化特征.2016年, 经济城市化对碳排放仍均呈现促进作用, 但弹性系数低于2004年, 说明经济城市化对碳排放的促进作用逐渐减弱.广东、福建、浙江、江苏、上海等东部沿海和辽宁、吉林、黑龙江等东北地区经济城市化的弹性系数最大, 对碳排放的促进作用最强, 新疆、青海和甘肃地区经济城市化的弹性系数最小.随着新型城市化的建设, 东部沿海地区经济发展水平提高迅速, 东北省份经济活力逐渐回暖, 对碳排放产生显著的促进作用.
 |
| 图 5 中国各省经济城市化回归系数及时空变化 Fig. 5 Regression coefficients and spatiotemporal changes of economic urbanization in China′s provinces |
社会城市化对碳排放的影响系数如图 6所示.2004年, 社会城市化的弹性系数呈现出北部、东北部, 中西部和南部、西南部的空间分布特征.其中黑龙江和内蒙古地区社会城市化对碳排放存在抑制作用, 其余地区社会城市化水平对碳排放表现为促进作用.2004—2016年, 社会城市化对碳排放影响的空间集聚性呈现出从南部、西南地区往西部及东北部顺时针转移的时空变化特征.2016年, 社会城市化对碳排放的影响在不同地区仍存在促进和抑制的差异且弹性系数高于2004年, 即在新型城市化建设的过程中, 社会城市化对碳排放的影响作用逐渐增加.黑龙江、辽宁、吉林和内蒙古地区社会城市化的弹性系数为负.新疆社会城市化弹性系数最大且为正, 对碳排放的促进作用最为显著.随着新型城市化的建设, 南部西南部及东北等地区的社会城市化水平逐渐发展, 对二氧化碳排放的影响程度逐渐减弱.
 |
| 图 6 中国各省社会城市化回归系数及时空变化 Fig. 6 Regression coefficients and spatiotemporal changes of social urbanization in China′s provinces |
空间城市化对碳排放的影响系数如图 7所示.2004年, 空间城市化的弹性系数呈现出北部东北部、中部东南部和西部西南部的空间分布特征.空间城市化的弹性系数为正, 即空间城市化水平的提高显著促进了二氧化碳的排放.城市建成区面积及城市铺设道路的增加极大的刺激了住房、公共服务等基础设施的建设, 不可避免的增加资源消耗, 从而促进二氧化碳的排放.此外, 城市的扩张改变了土地的利用方式, 林地、草地和耕地等的减少在一定程度上减少了碳汇, 增加了二氧化碳的排放.2004—2016年, 空间城市化对碳排放影响的空间集聚性呈现出从北部、东北部地区往西部、西南部地区逆时针转移的时空变化特征.2016年, 空间城市化对碳排放仍呈现显著促进作用, 且弹性系数高于2004年, 说明空间城市化对碳排放的促进作用逐渐增强.新疆、青海、四川、云南、贵州、广西和海南的空间城市化弹性系数最大, 各省份空间城市化弹性系数大小差别不大, 整体来看空间城市化对碳排放的影响程度逐渐趋于统一.
 |
| 图 7 中国各省空间城市化回归系数及时空变化 Fig. 7 Regression coefficients and spatiotemporal changes of spatial urbanization in China′s provinces |
生态城市化对碳排放的影响系数如图 8所示.2004年, 生态城市化的弹性系数呈现出东部、中部和西部的典型空间分布特征.青海和新疆生态城市化对碳排放存在抑制作用, 其余地区生态城市化水平的弹性系数均为正, 对碳排放有促进作用.人均绿地面积增加的同时意味着相关设施的建设和城市绿化的养护, 从而产生一定的碳排放, 当绿化建设的碳排放高于城市绿化降低热岛效应减少的碳排放时, 人均公园绿地面积的提高对碳排放表现为促进作用.此外, 污染治理投资额的增加意味着污水处理厂的投入建设及其他的污染治理设备的使用, 能源的消耗使用会增加碳排放.2004—2016年, 生态城市化对碳排放影响的空间集聚性呈现出从东部往中西部转移的时空变化特征.2016年, 生态城市化对碳排放的影响在不同地区分别表现出促进和抑制作用.吉林和黑龙江生态城市化的弹性系数为负, 生态城市化抑制碳排放.新疆生态城市化弹性系数最大, 对碳排放的影响程度最深.随着新型城市化的建设, 部分东部、中部地区的生态城市化建设水平逐渐提高, 对碳排放的促进作用逐渐减弱甚至变化为抑制作用, 可以推测, 随着未来生态城市化在全国范围内的进一步建设发展, 其碳减排效应也将越发凸显.
 |
| 图 8 中国各省生态城市化回归系数及时空变化 Fig. 8 Regression coefficients and spatiotemporal changes of eco-urbanization in China′s provinces |
在GWR结果的基础上, 将各维度城市化具体指标拆开分别回归, 研究其与碳排放的关系.豪斯曼检验的结果表明固定效应模型更适用, 具体回归结果如表 7所示.从R2来看, 各模型的拟合程度较好.考虑地区差异的因素, 各指标回归系数的方向及显著性与GWR回归结果基本一致, 证实了总体回归结果的稳健性.
| 表 7 稳健性检验结果 Table 7 Robustness test results |
|
基于IPCC方法和统一的碳排放系数计算不同省份的碳排放量不能反映出碳排放的空间差异, 理论上各省的碳排放系数有所不同, 但目前国内没有官方的分省碳排放系数表, 这也是当下碳排放影响因素时空分布研究的难点之一, 不同区域碳排放的计算方法体系是未来亟需解决的重要问题之一.
本研究从新型城市化内涵入手, 从人口、经济、社会、空间和生态定义新型城市化的各个维度, 测算发现北京的新型城市化水平最高, 东部沿海地区的新型城市化水平高于西部、西南和东北地区, 各维度城市化水平空间分布差异明显.但广义的社会维度包括人口、经济、空间和生态等众多要素, 空间也是生态的一部分, 各维度定义之间不是完全的独立并列, 存在一定的交叉关系.后续研究应在进一步深入理解新型城市化的理论的基础上, 提出更加科学的新型城市化维度定义.
回归结果表明新型城市化对二氧化碳排放具有促进作用, 这与新型城市化所倡导的环境友好型发展道路相悖.中国特色的新型城市化正在建设中, 新型城市化的碳减排效应还未发挥出来.未来的新型城市化建设要协同发挥市场机制的主导作用和政府调控的引导作用, 坚持以人为本, 推进经济、社会、空间和生态城市化建设, 进而更高质量更快速度的实现城市化的低碳作用.从各维度城市化来看, 经济城市化和空间城市化对二氧化碳排放具有促进作用, 人口城市化、社会城市化和生态城市化对碳排放的影响在不同地区分别表现出促进作用和抑制作用.利用面板门限模型, 深入研究各维度城市化对碳排放影响随时间的连续变化趋势, 明确阈值和增减变化的拐点, 制定相应的碳减排政策是未来研究的重点之一.
在时空变化和区域差异方面, 北部、东北部地区处于快速的人口规模城市化进程中, 人口城市化对碳排放影响的空间集聚也呈现出向该区域转移的特征, 因此该地区政府应在实现人口规模城市化的过程中应更加注重农民转为城市公民的实现途径, 鼓励从事第三产业的城市人口增加.东部地区人口规模城市化水平相对较高, 未来应重点发挥人口规模的集聚效应, 提高公共资源的合理配置和高效利用.东部沿海和东北地区经济城市化对碳排放的促进作用最强, 相关地方政府应重点关注产业结构和效率变革, 引导生产要素向更高效率部门流动, 协调经济城市化和低碳城市的关系.全国范围内, 社会城市化对碳排放呈现出抑制的变化趋势, 各地应政府应努力进一步提高城市居民教育水平, 增强公众对低碳生活和绿色消费的意识, 同时鼓励公共交通低碳出行, 为促进碳减排发挥积极作用.西南地区空间城市化对碳排放的促进作用最强, 地方政府应控制城市土地扩增和道路铺设快速发展的步伐, 实现城市土地规划从数量到质量的转变.最后, 新型城市化的推进应重视生态文明理念的融入和落实, 西部地区政府应更加注重城市化建设过程中的环保和生态建设.
4 结论(Conclusions)1) 北京的新型城市化水平最高, 东部沿海地区的新型城市化水平高于西部、西南和东北地区, 各维度城市化空间分布呈现出明显的区域差异.
2) 新型城市化对碳排放有显著促进作用, 人口城市化、社会城市化和生态城市化对碳排放的影响存在明显的区域差异, 在不同地区分别表现出促进作用和抑制作用, 经济城市化和空间城市化对碳排放有显著促进作用.
3) 2004—2016年, 人口城市化、经济城市化和生态城市化对碳排放的影响程度增加, 社会城市化和空间城市化对碳排放的影响程度降低.各维度城市化对碳排放的影响呈现出明显的时空变化特征.
Bai Y, Deng X, Gibson J, et al. 2019. How does urbanization affect residential CO2 emissions? An analysis on urban agglomerations of China[J]. Journal of Cleaner Production, 209: 876-885. DOI:10.1016/j.jclepro.2018.10.248 |
Cao Z, Wei J, Chen H. 2016. CO2 emissions and urbanization correlation in China based on threshold analysis[J]. Ecological Indicators, 61(2): 193-201. |
常新锋, 管鑫. 2020. 新型城镇化进程中长三角城市群生态效率的时空演变及影响因素[J]. 经济地理, 40(3): 185-195. |
Dong F, Wang Y, Su B, et al. 2019. The process of peak CO2 emissions in developed economies: A perspective of industrialization and urbanization[J]. Resources Conservation and Recycling, 141: 61-75. DOI:10.1016/j.resconrec.2018.10.010 |
He Y X, Jiao Z, Yang J. 2018. Comprehensive evaluation of global clean energy development index based on the improved entropy method[J]. Ecological Indicators, 88: 305-321. DOI:10.1016/j.ecolind.2017.12.013 |
IP CC. 2006. IPCC Third Assessment Report: Climate Change 2006[M]. Cambridge: Cambridge University Press.
|
李建豹, 黄贤金, 吴常艳, 等. 2015. 中国省域碳排放影响因素的空间异质性分析[J]. 经济地理, 35(11): 21-28. |
Liu X Y, Bae J H. 2018. Urbanization and industrialization impact of CO2 emissions in China[J]. Journal of Cleaner Production, 172: 178-186. DOI:10.1016/j.jclepro.2017.10.156 |
吕萍, 甄辉. 2010. 基于GWR模型的北京市住宅用地价格影响因素及其空间规律研究[J]. 经济地理, 30(3): 472-478. |
Martinez-Zarzoso I, Maruotti A. 2011. The impact of urbanization on CO2 emissions: Evidence from developing countries[J]. Ecological Economics, 70(7): 1344-1353. DOI:10.1016/j.ecolecon.2011.02.009 |
Northam R M. 1979. Urban geography[M]. New York: John Wiley&Sons.
|
Salahuddin M, Ali M I, Vink N, et al. 2019. The effects of urbanization and globalization on CO2 emissions: evidence from the Sub-Saharan Africa (SSA) countries[J]. Environmental Science and Pollution Research, 26(3): 2699-2709. DOI:10.1007/s11356-018-3790-4 |
沈杨, 汪聪聪, 高超, 等. 2020. 基于城市化的浙江省湾区经济带碳排放时空分布特征及影响因素分析[J]. 自然资源学报, 35(2): 329-342. |
Sheng Y, Miao Y, Song J, et al. 2019. The moderating effect of innovation on the relationship between urbanization and CO2 emissions: Evidence from three major urban agglomerations in China[J]. Sustainability, 11(16336). |
Shi X, Li X. 2018. Research on three-stage dynamic relationship between carbon emission and urbanization rate in different city groups[J]. Ecological Indicators, 91: 195-202. DOI:10.1016/j.ecolind.2018.03.056 |
Tao Y, Li F, Wang R, et al. 2015. Effects of land use and cover change on terrestrial carbon stocks in urbanized areas: a study from Changzhou, China[J]. Journal of Cleaner Production, 103: 651-657. DOI:10.1016/j.jclepro.2014.07.055 |
Wang F, Gao M, Liu J, et al. 2019b. An empirical study on the impact path of urbanization to carbon emissions in the China Yangtze River Delta urban agglomeration[J]. Applied Sciences-Basel, 9(11166). |
Wang Q, Su M. 2019c. The effects of urbanization and industrialization on decoupling economic growth from carbon emission-A case study of China[J]. Sustainable Cities and Society, 51(101758). |
Wang S J, Li G D, Fang C L. 2018a. Urbanization, economic growth, energy consumption, and CO2 emissions: Empirical evidence from countries with different income levels[J]. Renewable & Sustainable Energy Reviews, 81(2): 2144-2159. |
Wang S, Shi C, Fang C, et al. 2019a. Examining the spatial variations of determinants of energy-related CO2 emissions in China at the city level using Geographically Weighted Regression Model[J]. Applied Energy, 235: 95-105. DOI:10.1016/j.apenergy.2018.10.083 |
Wang S, Zeng J, Huang Y, et al. 2018c. The effects of urbanization on CO2 emissions in the Pearl River Delta: A comprehensive assessment and panel data analysis[J]. Applied Energy, 228: 1693-1706. DOI:10.1016/j.apenergy.2018.06.155 |
Wang X, Hui E C, Choguill C, et al. 2015. The new urbanization policy in China: Which way forward?[J]. Habitat International, 47: 279-284. DOI:10.1016/j.habitatint.2015.02.001 |
Wang Y, Chen W, Zhao M, et al. 2019d. Analysis of the influencing factors on CO2 emissions at different urbanization levels: regional difference in China based on panel estimation[J]. Natural Hazards, 96(2): 627-645. DOI:10.1007/s11069-018-3561-z |
Wang Y, Kang Y, Wang J, et al. 2017. Panel estimation for the impacts of population-related factors on CO2 emissions: A regional analysis in China[J]. Ecological Indicators, 78: 322-330. DOI:10.1016/j.ecolind.2017.03.032 |
Wang Y, Luo X, Chen W, et al. 2019e. Exploring the spatial effect of urbanization on multi-sectoral CO2 emissions in China[J]. Atmospheric Pollution Research, 10(5): 1610-1620. DOI:10.1016/j.apr.2019.06.001 |
王雅楠, 马明义, 陈伟, 等. 2018. 城镇化对碳排放的门槛效应及区域空间分布[J]. 环境科学与技术, 41(11): 165-172. |
Wang Y, Zhao T. 2018b. Impacts of urbanization-related factors on CO2 emissions: Evidence from China's three regions with varied urbanization levels[J]. Atmospheric Pollution Research, 9(1): 15-26. DOI:10.1016/j.apr.2017.06.002 |
熊湘辉, 徐璋勇. 2018. 中国新型城镇化水平及动力因素测度研究[J]. 数量经济技术经济研究, 35(2): 44-63. |
Xu B, Lin B. 2017. Factors affecting CO2 emissions in China's agriculture sector: Evidence from geographically weighted regression model[J]. Energy Policy, 104: 404-414. DOI:10.1016/j.enpol.2017.02.011 |
Xu H, Zhang W. 2016. The causal relationship between carbon emissions and land urbanization quality: A panel data analysis for Chinese provinces[J]. Journal of Cleaner Production, 137: 241-248. DOI:10.1016/j.jclepro.2016.07.076 |
Xua Q, Yang R, Dong Y, et al. 2016. The influence of rapid urbanization and land use changes on terrestrial carbon sources/sinks in Guangzhou, China[J]. Ecological Indicators, 70(SI): 304-316. |
徐维祥, 李露, 周建平, 等. 2020. 乡村振兴与新型城镇化耦合协调的动态演进及其驱动机制[J]. 自然资源学报, 35(9): 2044-2062. |
Yang Y, Zhao T, Wang Y, et al. 2015. Research on impacts of population-related factors on carbon emissions in Beijing from 1984 to 2012[J]. Environmental Impact Assessment Review, 55: 45-53. DOI:10.1016/j.eiar.2015.06.007 |
俞云峰. 2019. 新型城市化质量的综合测度与提升策略——基于浙江省设区市的面板数据分析[J]. 浙江社会科学, 35(2): 86-94. |
Zhang W, Xu H. 2017. Exploring the causal relationship between carbon emissions and land urbanization quality in China using a panel data analysis[J]. Environment Development and Sustainability, 19(4): 1445-1462. DOI:10.1007/s10668-016-9813-8 |
Zhao J, Ji G, Tian Y, et al. 2018. Environmental vulnerability assessment for mainland China based on entropy method[J]. Ecological Indicators, 91: 410-422. DOI:10.1016/j.ecolind.2018.04.016 |
Zhao L, Zhao T, Wang Y. 2017. A multisectoral decomposition analysis of Beijing carbon emissions[J]. Clean Technologies and Environmental Policy, 19(2): 565-575. DOI:10.1007/s10098-016-1249-1 |
Zhou C, Wang S, Wang J. 2019. Examining the influences of urbanization on carbon dioxide emissions in the Yangtze River Delta, China: Kuznets curve relationship[J]. Science of the Total Environment, 675: 472-482. DOI:10.1016/j.scitotenv.2019.04.269 |