中国绿色城市建设研究——基于家庭碳排放的测算分析

宋 敏

(山东经济学院公共管理学院,山东济南 250014)

中国绿色城市建设研究
——基于家庭碳排放的测算分析

宋 敏

(山东经济学院公共管理学院,山东济南 250014)

本文利用我国2006年74个主要城市的面板数据,对各个城市一个标准家庭的碳排放进行了有效估算并进行排名。结果表明,在以标准家庭碳排放为唯一衡量指标时,淮安和宿迁是最“绿色”的城市,大庆和牡丹江是最“灰色”的城市;即使在最“灰色”的城市大庆,一个标准家庭产生的碳排放量仅是美国最“绿色”城市圣地亚哥的1/5;城市人口规模、人口增长、收入、气温和城市化发展模式等因素对碳排放均有影响,家庭碳排放量与一月份平均气温显著负相关。

碳排放;标准家庭;估算;气温;绿色城市

中国正处在经济快速增长、城市化加速、碳排放日益增加相互交织的经济转型时期。新中国成立以来,国内生产总值从1952年的679亿元上升到2008年的300670亿元,年平均增长8.1%, 2008年的经济总量比1952年增加了77倍[1]。城市化水平也从12.5%增加到45.68%,中国的城市进入工业化、城市化快速发展阶段,能源消费和相应的碳排放总量也在快速增加。近年来发达国家的统计数据表明,居民生活消费的直接与间接能耗已超过产业部门,成为碳排放的主要增长点[2]。那么,我国城市居民的能源消耗究竟如何影响碳排放总量?碳排放和城市的发展又存在什么关系?对以上问题的思考和实证研究,不仅能让我们观察到我国在城市化进程中碳排放的变化趋势,还能够为碳减排机制提供证据,并以此为理解当代中国城市发展对环境的影响提供一个新的视角。

本文利用2006年中国城镇住户调查的微观数据,对中国74个主要城市家庭的碳排放进行了估算,并根据结果对城市进行排名。研究结果对评估中国目前城市化进程带来的环境后果和制定城市化发展的碳减排政策决策具有参考价值。

一、研究背景和研究问题

从社会发展过程看,在过去200年间,由于工业革命导致大规模的化石燃料使用,全球碳排放量和城市化水平一直处于同步的增长趋势;从碳排放源头看,城市是人口、建筑、交通、工业、物流的集中地,也是高耗能、高碳排放的集中地[3]。英国80%的化石燃料是由建筑和交通消耗的,城市是最大的二氧化碳排放者[4]。在美国,城市家庭碳排放量占国内碳排放总量的40%,而在中国这一比例不足20%。但是,当中国从以制造业为主向服务业为主转型时,碳排放量中家庭所占的比例将肯定会提高。当中国家庭更加富裕时,他们将消耗更多电力,增加对私家车的需求,会更加推动碳排放的增加。

目前关于城市家庭能源消耗对碳排放影响的研究基本都是在考虑城市家庭能源消耗的方式、城市空间人口分布与碳排放关系的基础上进行分析的。

城市家庭能源消耗的方式与碳排放关系的研究大多采用投入产出模型,分析人的行为方式对能源消费及碳排放的直接影响和间接影响。Schippe等发现消费者的行为,如私人汽车、家庭、服务等,能够影响大约全部能源消费的45～55%[5]。Lenzen[6]、Weber[7]等分别建立评估模型,实证分析了澳大利亚、德国、法国、荷兰等国的消费者行为与生活方式因素对能源消费和温室气体排放量的影响;Kim[8]研究了1985至1995年韩国居民消费模式的变化对CO2与SO2排放的影响,研究结果显示,居民生活的直接能源消费及对强排放消费品的需求,是影响温室气体排放的最主要因素。

人口在不同城市的空间分布是碳排放的一个决定性因素。一般情况下,人们普遍认为经济发达的城市碳排放明显偏高,但这种情况在美国并不存在。一个可能的解释是,经济发达的城市可能加大对能源利用的基础设施的投资力度。Auffhammer和Carson[9]通过对1985年至2004年中国30个省份面板数据的实证研究,研究了国家和地区碳排放量作为人口规模与收入的函数如何变化。A lmond等[10]研究发现,在中国,冬季寒冷的地区由于需要家庭集中供暖,碳排放量特别高。例如,北京(有集中供暖)比上海(没有集中供暖)碳排放量显著增多。集中供暖的决定性作用表明,如果政府利用更清洁的能源来提供供暖,城市碳排放就会显著下降。Glaeser和Kahn[11]研究发现气候适宜的地区(比如加利福尼亚海岸地区)比气候恶劣的地区(比如德克萨斯州)碳排放量明显降低:孟菲斯一个标准家庭的碳排放比圣地亚哥要多78%。同时发现人口密度越大的地区碳排放量越少。

国内有关碳排放估算与城市发展的研究比较少,相关研究仍然处于起步阶段。庄贵阳、张伟[12]探讨了我国城市化进程中基础设施建设和能源消耗之间的关系,给出了基础设施建设的低碳发展路径。曲建升等人[13]的研究表明,2006年中国碳排放总量呈由东部沿海向中部和西部地区递减的趋势,高排放区域主要集中在东部沿海发达地区和内蒙古、河南等少数内陆省份,总体形成了内蒙古—河北—辽宁—山东—江苏—浙江的高排放连绵带(以环渤海区和长三角为主)和珠三角高排放地区。与我国城市空间分布格局相对照,这些区域总体上是我国的城市密集区。他们的研究单位并没有缩小到市这一级。朱勤等[14]通过对STIRPA T模型的扩展,应用岭回归方法计量分析人口、消费及技术因素对碳排放的影响,发现居民消费水平、人口城市化率、人口规模三个因素对我国碳排放总量的变化影响明显,现阶段我国居民消费水平与人口结构变化对碳排放的影响力已高于人口规模变化的影响力,居民消费水平与消费模式等人文因素的变化有可能成为我国碳排放新的增长点。樊杰[15]提出个人终端消费导向的碳足迹研究框架,就是首先采用个人终端消费碳足迹作为研究“规律”的切入点,定量核算个人或家庭消费导致的碳排放量,揭示人类活动不同环节的碳排放强度,讨论消费能力、生活水平和碳排放的相互关系。这标志着碳排放研究从注重生产层面碳排放开始向注重消费层面碳排放转变。叶祖达[16]认为城市是社会应对气候变化挑战的重要行动平台和载体,城市政府有责任推动以降低碳排放为目的的规划和管理政策,对城市进行碳排放审计是实施以上具体工作必需的科学数据基础。然而,不少城市本身对其二氧化碳排放的基线分析、未来情景比较、减量方法和范畴等都还没有完整的科学数据,无法提供政策分析。

本文将在上述理论和实证研究的基础上,重点研究我国城市家庭的碳排放。引入标准家庭概念,单独把标准家庭的碳排放量作为衡量城市“绿色”程度的指标。首先,建立一个分析城市碳排放量与家庭能源消耗之间关系的方程,研究各项能源消耗与家庭特征之间的关系。其次利用能源消耗的碳排放转换系数将能源消耗转换成碳排放量。最后通过各个城市的一个标准家庭的碳排放总量对城市进行排名,并解释城市间的差异。

二、数据

本文数据主要来源于2006年中国城镇住户调查。该数据库包括了城镇居民家庭基本情况、家庭成员基本情况、家庭现金收支、家庭消费支出、家庭非现金收入。本文选取其中74个主要城市将近25300个家庭作为样本,测算其住宅耗电、私家车、出租车和其它三种家庭燃料消耗带来的碳排放量。有些北方城市仍然享受无偿的集中供暖,因此该统计中没有提供其相应的冬季取暖支出。

考虑到目前中国相对较低的私家车拥有水平,测算公共交通造成的碳排放便显得十分重要。《中国城市统计年鉴2007年》提供了城市一级的相关信息,例如公交汽车和地铁的能源消耗情况,并且提供了2006年十个城市地铁消耗的电力数据。公交汽车的汽油消耗量转换成碳排放量方法比较简单。而地铁的电力消耗量转换成碳排放量则比较复杂。

为了得到以吨为计量单位碳排放量,本文使用一些与电力生产和住宅取暖相关的碳排放转换系数。这些转换系数来源不同,电力生产的碳排放转换系数来自国家发展和改革委员会应对气候变化司,住宅取暖的碳排放的转换系数来自于清华大学环境科学与工程学系。

表1列出关键变量的名称、定义、单位、均值和标准差。

表1 主要变量的描述统计

三、模型选择和研究方法

(一)模型选择

本文首先引入“标准家庭”,指一个有40000元年收入,3名家庭成员和户主年龄45岁的城市家庭。这三项指标取值由全部样本求均值得到。引入标准家庭是为了剔除人口分布在城市间的差异对碳排放的影响,单独考察城市因素对家庭碳排放的影响。通过中国74个城市,包括所有35个主要城市(直辖市,省会城市,副省级城市),再加上一些有足够的样本观测量的城市为样本,本文对各个城市一个标准家庭一年的碳排放进行估算。城市家庭碳排放有4个主要来源:交通运输、住宅耗电、住宅取暖和家庭燃料。实证研究的方程如下:

本文的主要目的是用方程(1)对样本城市的标准家庭的碳排放量进行测算,其中E表示碳排放总量,T表示包括私家车、出租车、公交车以及地铁在内的交通运输工具每年的汽油消耗量,然后乘以一个转换系数γ1得到碳排放量。例如,1升93号汽油的消耗会带来2.226千克的碳排放。

EL表示住宅耗电量,γ2EL得到住宅耗电带来的碳排放量。Glaeser和Kahn[11]发现在美国,耗电量和炎热的夏季显著相关,这可能是由于空调设备高负荷的使用。为了将耗电量转换成碳排放量,本文使用地区发电厂的平均碳排放系数γ2,其含义是发电厂1兆瓦时的电力带来的碳排放量。燃煤发电厂比使用天然气或其他可再生能源(风力、水或太阳能)的发电厂的碳排放转换系数要大。

H表示住宅取暖的能源消耗量,γ3代表了其转换系数。本文中,方程(1)测算住宅耗电的碳排放时,使用不同地区发电厂的碳排放作为替代。74个城市在地理分布、能源利用状况和气温上存在着较大差异。例如,一些城市主要使用碳排放低的燃料进行发电。北方的城市要比南方的城市寒冷得多。在秦岭—淮河以北的城市,政府每年的11月15日到次年的3月15日都会提供集中供暖,而以南的地区并没有提供集中供暖。考虑到家庭使用集中供暖时自己不能控制室内温度,本文认为家庭取暖的能源消耗量和家庭住宅面积呈正比关系。H占碳排放总量的很大比重,因为家庭取暖最主要的燃料来自于煤[10]。

γ4D F表示家庭燃料消耗带来的碳排放,其中有些在集中供暖时也使用。其中的D F主要包括:煤、液化石油气和煤气。煤的成本比较便宜,但是含碳量高,使用煤会带来大量的二氧化硫和粉尘微粒等空气污染。液化石油气和煤气是从石油和煤中提炼而来,较为清洁并且含碳量较低。

(二)研究方法

为了对方程(1)作出实证分析,本文将对各个城市能源消耗做具体回归估计,从而测算各个城市中一个标准家庭能源消耗量。首先使用家庭微观数据来对各项能源消耗做回归估计。住宅耗电量中,本文给出:

其中EL是住宅耗电量,CFE是固定效应,I是家庭年收入,HS是住宅面积,A H是户主年龄(下同,不再赘述),a1、a2和a3是系数,μ是随机扰动项。表2报告了各个城市具体的固定效应,假设各个城市的家庭人口结构对能源消耗具有相同的边际效应。

赫克曼两阶段赫克曼两阶段赫克曼两阶段赫克曼两阶段

表2 能源消耗量回归结果

本文的样本城市中许多家庭对某一特定燃料消耗量为零。例如,在北京,本文估计私家车拥有率是23%。因此,在这个城市中77%的家庭汽油消耗为零,其余23%则消耗大量的汽油。在上海,由于人口密度较高以及汽车牌照配额政策,其私家车拥有率更低(16.4%)。同样的问题存在于家庭对煤、煤气和液化天然气的消费,很多家庭对某一项的消费量几乎为零。因此为了修正回归估计中因样本的选择性而导致的偏差,除了电力消耗和出租车的天然气消耗以外,本文使用赫克曼两步法估计对其他形式的能源消耗进行修正。

使用赫克曼两步法进行修正,第一步建立Probit模型计算概率:

考察能源消耗时本文的样本比较小,年龄和家庭人数的影响不能准确估计,所以可以在第二步的回归中剔除年龄和家庭人数变量。表2结果表明,出租车消费收入弹性大于1,因此是一种奢侈品。汽车拥有量和汽油的消耗具有较高的收入弹性,电力消耗的收入弹性是0.29。相对富裕的城市中家庭逐渐降低了对煤的消费,转向增加对电和煤气这样清洁能源的消费。城市发展的结果符合家庭环境库兹涅茨曲线(EKC)的特征[17]。相对富裕的家庭消耗清洁燃料,尽管消费量不断上升,但可以减少当地空气污染。煤和液化石油气都是“劣质商品”,其使用随着收入的上升而下降(但如果一个家庭使用煤,煤消费与收入同向上升),而煤气等清洁能源的使用会随着收入的增加而提高。

本文使用2006年中国城镇住户调查数据来对城市家庭汽油、电力、煤炭、液化石油气和煤气的消耗进行具体回归估计,允许不同城市存在不同的系数。每个回归都具有如表2相同的形式,这种情况下,本文得到222(74个城市和3个解释变量)个收入、家庭人数和户主年龄三个变量的不同的回归系数。表3只给出对收入估计系数。

各个城市家庭收入和能源消耗之间的关系存在相当大的差异。表3突出了各个城市在收入效应方面的差异。上海的私家车汽油消耗的收入回归系数(根据拥有率计算)是北京的私家车汽油消耗收入回归系数的2倍。北京电力消耗的收入回归系数是0.163,上海是0.171,淄博是0.445。假设这些2006年的横截面的回归系数不随时间而改变,表3中的估计数便可以预测中国不同城市的经济增长会如何影响能源消耗。例如,淄博的经济增长将会比北京消耗更多的电力。

表3 收入的回归系数

独立变量log(elecq)log(taxiq)car_use log(carq)log(hsize)coal_use log(coalq)lpg_use log(lpgq)coalgas_use log(coalgasq)扬州0.355 (3.224＊＊＊) 1.342 (3.468＊＊＊) 0.642 (1.302) -0.139 (-0.198) 0.284 (5.234＊＊＊) -0.601 (-1.202) -0.203 (-0.456) -0.044 (-0.149) -0.107 (-0.627) 0.522 (1.696) 0.221 (1.288)镇江0.375 (3.895＊＊＊) 1.438 (2.750＊＊＊) -0.007 (-0.008) -0.668 (-0.595) 0.396 (9.079＊＊＊) -2.182 (-4.894＊＊＊) -0.153 (-0.292) -0.935 (-3.089＊＊＊) -0.153 (-0.510) 1.923 (4.942＊＊＊) 0.162 (0.590)台州0.29 (2.835＊＊＊) 0.431 (1.551) 0.928 (3.182＊＊＊) 0.763 (2.263) 0.254 (4.479＊＊＊) -1.017 (-2.912＊＊＊) 0.462 (1.529＊) -0.416 (-1.609) 0.306 (1.192) 1.356 (4.090＊＊＊) 0.350 (0.880)宿迁0.238 (2.071＊＊) 1.473 (4.453＊＊＊) 0.22 (0.458) -2.082 (-0.578) 0.093 (2.006＊＊) -0.43 (-1.836) 0.232 (1.504＊) 0.436 (1.305) 0.019 (0.018)杭州0.336 (7.124＊＊＊) 1.228 (5.246＊＊＊) 1.122 (3.579＊＊＊) -0.453 (-0.417) 0.285 (10.060＊＊＊) -0.512 (-3.047＊＊＊) 0.123 (1.217) 0.563 (3.530＊＊＊) 0.357 (1.786＊)宁波0.13 (2.942＊＊＊) 1.231 (4.391＊＊＊) 0.678 (2.368＊＊) 0.490 (0.852) 0.217 (8.958＊＊＊) -0.233 (-1.168) 0.085 (0.532) 0.617 (3.119＊＊＊) 0.027 (0.181)温州0.241 (2.984＊＊＊) -0.081 (-0.127) 1.362 (4.383＊＊＊) 0.853 (5.133＊＊＊) 0.340 (5.679＊＊＊) 0.211 (1.034) 1.613 (0.389) -1.692 (-3.741＊＊＊) 2.086 (4.302＊＊＊)嘉兴0.222 (2.463＊＊) 0.383 (1.056) -0.317 (-0.521) 1.381 (3.214＊＊＊) 0.227 (4.645＊＊＊) 0.483 (0.926) 0.466 (1.102) 0.349 (1.243) -1.222 (-2.580＊＊)湖州0.232 (2.726＊＊＊) 1.313 (3.412＊＊＊) 1.121 (2.991＊＊＊) 0.954 (1.966＊＊＊) 0.321 (7.426＊＊＊) -0.992 (-1.725) 0.675 (0.732) 0.511 (0.644) -2.622 (-0.430) -1 (-2.366＊＊) 1.318 (3.440＊＊＊)绍兴0.348 (3.754＊＊＊) 1.445 (2.435＊＊) 0.684 (0.471) 1.711 (0.607) 0.326 (6.775＊＊＊) -1.319 (-3.346＊＊＊) 0.341 (0.688) -1.258 (-3.664＊＊＊) -0.184 (-0.300) 1.61 (4.102＊＊＊) -0.032 (-0.050)金华0.276 (3.316＊＊＊) 1.133 (2.998＊＊＊) 0.128 (0.351) -0.438 (-0.962) 0.256 (4.802＊＊＊) -1.34 (-3.299＊＊＊) -0.395 (-1.284) -0.935 (-1.981＊＊) 0.077 (0.693) 1.285 (2.686＊＊＊) 0.282 (0.201)衢州0.2 (2.214＊＊) 0.165 (0.422) 1.323 (3.180＊＊＊) 1.477 (3.254＊＊＊) -0.043 (-0.620) -2.381 (-3.706＊＊＊) -0.525 (-0.433) -0.198 (-0.589) 0.197 (1.668) 0.507 (1.562) 0.085 (0.233)泰州0.326 (3.100＊＊＊) 0.992 (2.519＊＊) 1.028 (2.783＊＊＊) 0.922 (2.234＊＊＊) 0.242 (3.676＊＊＊) -1.281 (-2.207＊＊) 0.631 (0.833) -2.094 (-3.520＊＊＊) 0.406 (1.172) 1.695 (3.186＊＊＊) 2.347 (0.485)丽水0.235 (2.536＊＊) 1.676 (4.326＊＊＊) 1.03 (3.196＊＊＊) 0.725 (1.859＊＊) 0.202 (4.431＊＊＊) -0.054 (-0.138) -0.734 (-1.657) -0.276 (-0.525) -0.029 (-0.133)合肥0.097 (1.308) 2.597 (4.425＊＊＊) 0.439 (0.42) 2.800 (1.010) 0.225 (6.235＊＊＊) -1.16 (-3.776＊＊＊) -0.050 (-0.189) -0.693 (-2.737＊＊＊) -0.369 (-1.488) 1.081 (4.151＊＊＊) 0.701 (1.341)淮南0.221 (2.425＊＊) 0.922 (1.598) 0.75 (0.686) -0.230 (-0.185) 0.245 (5.470＊＊＊)福州0.151 (2.390＊＊) 1.275 (3.781＊＊＊) 0.645 (1.511) 0.237 (0.411) 0.250 (6.845＊＊＊) -0.922 (-2.872＊＊＊) -0.328 (-1.224) 0.363 (1.322) -0.042 (-0.171) 0.305 (1.062) -0.431 (-1.534＊) -0.594 (-2.112＊＊) 0.174 (0.838) 0.877 (3.148＊＊＊) 0.362 (1.439)厦门0.161 (2.415＊＊) 0.538 (1.623) 1.638 (3.406＊＊＊) 1.348 (1.443) 0.328 (5.836＊＊＊) -2.627 (-4.191＊＊＊) 5.956 (0.422) -0.575 (-1.871＊) 0.105 (0.507) 1.162 (3.509＊＊＊) 0.483 (1.108)南昌0.022 (0.197) 0.205 (5.044＊＊＊) -0.397 (-1.297) -0.082 (-0.524) 0.367 (1.29) 0.118 (0.501)济南0.122 (1.433) 0.894 (4.157＊＊＊) 1.494 (5.489＊＊＊) 1.165 (2.757＊＊＊) 0.303 (8.586＊＊＊) -1.398 (-5.927＊＊＊) 0.353 (1.715＊) -0.865 (-4.379＊＊＊) 0.244 (2.045＊＊＊) 0.954 (4.666＊＊＊) -1.139 (-0.766)青岛0.374 (4.117＊＊＊) 2.168 (4.960＊＊＊) 1.56 (2.666＊＊＊) -1.863 (-0.943) 0.275 (8.525＊＊＊) -1.023 (-4.018＊＊＊) 0.224 (0.900) -0.262 (-1.295) -0.138 (-0.990) 0.528 (2.486) -0.054 (-0.246)淄博0.445 (2.112＊＊) 0.062 (0.14) 0.521 (0.842) 0.500 (0.774) 0.302 (4.871＊＊＊) -2.06 (-3.002＊＊＊) 1.612 (0.710) -1.163 (-2.509＊＊) 1.160 (1.083) 0.879 (1.892) 0.155 (0.047)烟台0.563 (4.053＊＊＊) -0.135 (-0.28) 1.549 (2.338＊＊) 1.603 (2.731＊＊＊) 0.198 (4.663＊＊＊) -1.97 (-2.470＊＊) 0.903 (0.487) -0.685 (-1.662＊) -0.436 (-0.369) 0.789 (1.884) -0.089 (-0.162)日照0.403 (2.511＊＊) 0.951 (2.236＊＊) 1.578 (4.102＊＊＊) 1.113 (2.039＊＊＊) 0.190 (5.014＊＊＊) -1.598 (-3.044＊＊＊) -1.235 (-1.766＊) -0.587 (-1.519) 0.662 (0.591)郑州0.259 (3.951＊＊＊) 0.975 (2.391＊＊) 0.457 (0.742) -1.476 (-0.770) 0.219 (6.540＊＊＊)洛阳0.127 (1.314) 1.268 (3.527＊＊＊) 1.28 (2.845＊＊＊) 1.201 (2.305＊＊＊) 0.315 (6.934＊＊＊) -0.876 (-3.072＊＊＊) 0.192 (0.769) -0.298 (-1.363) 0.207 (1.230) 0.055 (0.221) 0.171 (2.007＊＊＊) -0.945 (-3.033＊＊＊) 0.704 (2.240＊＊＊) -0.554 (-1.727＊) 0.089 (0.450) 0.747 (2.237) 1.318 (0.471)武汉0.246 (5.273＊＊＊) 2.823 (5.385＊＊＊) 1.779 (2.882＊＊＊) 0.628 (0.380) 0.269 (8.347＊＊＊) -1.425 (-4.245＊＊＊) -0.106 (-0.143) -0.39 (-2.158＊＊) 0.051 (0.320) 0.91 (4.638) -0.685 (-0.951)长沙0.345 (5.948＊＊＊) 1.206 (4.120＊＊＊) 1.226 (3.336＊＊＊) 0.215 (0.346) 0.322 (10.448＊＊＊) -1.538 (-4.916＊＊＊) 0.805 (1.003) -0.98 (-3.860＊＊＊) -0.088 (-0.577) 1.06 (5.001＊＊＊) 0.718 (2.167＊＊＊)广州0.185 (2.213＊＊) 1.853 (4.645＊＊＊) 0.935 (1.963＊＊) 0.511 (0.584) 0.333 (6.615＊＊＊) -1.357 (-3.870＊＊＊) 0.922 (0.679) 1.007 (3.298＊＊＊) 0.476 (0.915)深圳0.275 (4.076＊＊＊) 1.581 (2.691＊＊＊) 0.144 (0.682) 0.078 (0.147) 0.158 (3.364＊＊＊) -1.275 (-2.439＊＊) 0.515 (0.781) 2.16 (3.567＊＊＊) 0.064 (0.196)珠海0.098 (1.001) 1.711 (3.263＊＊＊) 1.416 (3.761＊＊＊) 1.860 (1.750＊＊) 0.085 (1.747＊) 1.839 (1.585) 0.098 (0.494) -0.341 (-0.518) -0.570 (-1.342)南宁0.167 (2.916＊＊＊) 0.829 (3.300＊＊＊) 0.653 (2.232＊＊) 0.492 (1.097) 0.316 (9.342＊＊＊) -1.796 (-3.884＊＊＊) 2.628 (1.044) -1.292 (-2.712＊＊＊) -0.085 (-0.350) 2.161 (3.491＊＊＊) -0.822 (-0.380)海口0.256 (3.917＊＊＊) 1.388 (5.474＊＊＊) 1.145 (4.332＊＊＊) -0.391 (-0.437) 0.294 (5.875＊＊＊) -0.546 (-1.842＊) 0.134 (0.931) 1.456 (4.305＊＊＊) 0.486 (1.845＊＊)重庆0.229 (4.134＊＊＊) 1.255 (1.705＊) 0.336 (7.458＊＊＊)

注:当城市对汽油、煤、液化石油气和煤气中的某一项消耗少于5%或多于95%时不采用赫克曼两阶段法进行回归估计。少于5%时取0,多于95%时采用OLS回归估计。括号里为t统计量。上标＊＊＊、＊＊和＊分别表示估计系数在1%、5%和10%水平上显著。

四、中国城市家庭的碳排放估算的实证研究

为了测算各个城市的碳排放量,本文使用城市对7种能源的消耗数据对一个标准家庭做回归估计,然后把能源的消耗转化成碳排放量。在对方程(2)、(3)和(4)进行回归估计时,本文控制人口规模,但没有控制住宅特征。

(一)住宅耗电

根据方程(2),本文对74个城市的一个标准家庭的具体耗电量进行了回归估计。例如,本文根据上海1018户家庭样本数据进行回归估计:

这个回归中,R2为0.199。本文使用回归系数去估计上海一个标准家庭的年耗电量,其结果是1494.9千瓦时。然后,再乘以上海的电力的碳排放转换系数(0.8154吨碳排放/千瓦时),就是方程中(1)的γ2,这就得到了上海一个标准家庭会带来1.219吨的碳排放量。按照同样的方法可以得到各个城市一个标准家庭的碳排放(见方程1)的估计。

(二)私家车和出租车

至于私家车,本文使用赫克曼两阶段法来估计各个城市一个标准家庭的能源消耗量(观测不到时能耗取0)。以北京的汽车2081个样本数据为例,第一步建立Probit模型计算概率:

第二步考虑到家庭拥有一辆汽车的情况:

回归的第一步,估计得到北京一个标准家庭18.4%的概率会拥有私家车。最后,得到一个标准家庭的私家车汽油年消耗量估计是292.2升。然后本文利用碳转换系数把汽油消耗量转换成碳排放量。用相同的方法来估计74个城市一个标准家庭使用出租车带来的碳排放量。

(三)公交汽车和地铁

2006年中国城镇住户调查的支出数据没有提供关于家庭使用公共交通的里程数和能源消耗的可靠数据。为了克服这个困难,本文汇总《中国城市统计年鉴2007年》和其他来源的数据。统计年鉴提供普通公交汽车、使用液化石油气的公交汽车数和使用液化气的公交汽车的总人数。假设公交汽车的营运率是90%,每一辆公交汽车每天行驶约150公里。一辆使用汽油的公交汽车油耗每100公里25升,使用液化石油气(或天然气)的公交汽车和使用汽油的公交汽车相比行驶相同距离消耗3/4的燃料。然后,计算每个城市家庭的公交汽车能源消耗总量,并除以城市的家庭总数。使用转换系数把一个标准家庭的能源消耗转换成碳排放。

2006年我国只有10个城市有地铁线路:北京、上海、广州、深圳,天津、大连、长春、南京、武汉和重庆。按照估计汽车碳排放同样的方法,对于各个城市,计算出地铁系统的用电总量,然后除以本城市家庭总数。这就得到城市一个标准家庭使用地铁的平均用电量。然后,本文使用不同地区的具体转换系数得到每个城市地铁用电的碳排放量。对上述4项加总得到交通运输的碳排放量。

(四)住宅取暖与家庭燃料

接下来仍使用赫克曼两阶段法(见方程(4)和(5))来估计各个城市一个标准家庭使用燃料的碳排放量。对于煤、液化气和煤气三种类型的燃料,首先估计一个标准家庭使用其中一种燃料的概率,然后以使用某种燃料为条件对消耗量进行估计。估算出每种燃料的消耗量,然后乘以转换系数得到碳排放总量。

由于许多北方的城市家庭仍然享受免费供暖服务,所以《中国城市统计年鉴2007》中没有该城市住宅取暖对上述三种燃料的消费开支记录。在提供集中供暖的城市,由于国家免费提供固定数量的供暖,对这类家庭中燃料使用情况的估计就需要用住宅面积。清华大学环境科学与工程系提供了转换系数,这个系数告诉我们当室外温度确定时,各个省每1平方米住宅的取暖将产生多少碳排放量。然后,乘以转换系数再乘以一个标准家庭的给定住宅平方数。通过《中国城市统计年鉴2007》中每个家庭住宅单元的大小信息,用家庭收入和人口统计数据对一个标准家庭住宅面积进行回归估计(类似于方程2)。通过回归估计,我们得到各个城市一个标准家庭住宅取暖的燃料消耗量,然后乘以具体地区碳排放转换系数得到74个城市中每个城市一个标准家庭燃料消耗的碳排放总量。

(五)城市排名

根据方程(1),对各项碳排放数据进行加总,得到各个城市一个标准家庭的年碳排放量,然后根据结果对74个城市进行排名(表5),前十名城市是:淮南、宿迁、海口,南通、南昌、泰州、镇江、绍兴、西宁和徐州。最后10名中,从下往上的城市是:大庆、牡丹江、北京、齐齐哈尔、银川、沈阳、哈尔滨、大连、包头和辽阳。表5的前9列给出了74个城市一个标准家庭的分类碳排放。

表4 2006年城市排名

注:被解释变量为标准家庭的碳排放量(吨)。

74个城市家庭碳排放量比美国低很多。Glaeser和Kahn指出在最清洁的城市(圣地亚哥和旧金山),一个标准家庭每年碳排放大约26吨[11]。而上海的一个标准家庭年碳排放量仅为1.8吨,北京一个标准家庭年碳排放量为4.0吨。即使在排名最后的大庆,一个标准家庭的年碳排放量也仅仅是美国空气环境最好的城市一个标准家庭年碳排放量的1/5。

图1给出了74个城市的一个标准家庭的碳排放量的GIS地图。碳排放较高的城市一般多位于北方,这反映了冬天的寒冷和政府的供暖政策。沿海城市也有较高的排放量,或许是因为它们经济较为发达。表5中排名前8个城市正好位于集中供暖边界线(秦陵—淮河)以南的沿海省份。中国的石油之都大庆,比其它城市碳排放量明显要高。

(六)城市的碳排放差异

图1 2006年74个城市标准家庭碳排放量

表5给出了碳排放量与人口规模、人口增长、收入、气温和城市发展模式的关系。出租车使用、公交汽车使用和电力消耗方面,人口规模与碳排放正相关。毫不奇怪,城市人口规模越大,公共交通需求越大,对私家车的依赖越少。在出租车和公交汽车使用方面,人口密度与碳排放负相关。1平方公里(约19%的样本标准差)平均1000人的增加将会带来每个家庭出租车使用方面0.424吨碳排放量的减少、公交汽车使用方面0.837吨碳排放量的减少。这可能表明平均出行距离的缩短或城市公共交通更加具有效率。正如在美国,城市紧凑的发展模式带来碳排放量的降低。即使保持个人收入水平固定,城市经济状况和碳排放之间也存在正相关。经济状况好的城市在电力消耗、私家车使用和地铁方面产生较高的碳排放量,但使用出租车的碳排放量会降低。

图2显示了2006年样本各个城市1月份平均气温和标准家庭碳排放量之间的显著相关性,这既反映了越寒冷地区越需要取暖的自然倾向,也反映了只有北方城市提供集中供暖的现实。1月份平均气温每增加1个标准差(8.66摄氏度)会带来一个标准家庭0.29吨碳排放量的减少。1月份平均气温的影响主要来自其对住宅取暖的碳排放作用: 1月份温度每增加1度对应着一个标准家庭0.111吨住宅取暖的碳排放量的减少。对其他能源的碳排放也会产生抵消的效果。

表5 标准家庭碳排放回归结果

图2 2006年74个城市1月份平均气温与标准家庭碳排放量

五、结论与政策含义

本文利用2006年中国城镇住户调查的微观数据,剔除人口分布在城市间的差异对碳排放的影响,考察了城市化发展对不同城市一个标准家庭的碳排放的影响。结果表明:总的说来,各个城市家庭碳排放存在较大差异,北方城市的户均碳排放明显高于南方城市,而东部沿海城市户均碳排放又高于内陆城市。相对说来,在以标准家庭碳排放为唯一衡量指标时,淮安和宿迁是最“绿色”的城市,大庆和牡丹江是最“灰色”的城市;即使在最“灰色”的城市大庆,一个标准家庭产生的碳排放量仅是美国最“绿色”城市圣地亚哥的1/5;城市人口规模、人口增长、收入、气温和城市化发展模式等因素对碳排放均有影响,家庭碳排放量与一月份平均气温显著负相关。

可以看出,中国城市的碳排放现实是是美国和其他国家的一个复制。城市结构紧凑、公共交通方便、夏季凉爽、冬季温暖的城市的经济增长带来的碳排放总量比“汽车依赖症”、夏季炎热、冬季寒冷、使用煤发电的城市经济增长带来的碳排放总量明显降低。

本文的研究结果为城市政府评估区域发展战略的环境影响和制定相应的城市化发展政策决策提供了经验证据。如果中国不像美国那样加大投资促进能源利用的基础设施建设和改变城市化发展模式,那么中国和世界的碳排放将会急剧增加。中国的城市要想在未来减少碳排放,那么气候适宜的城市朝高密集化发展可能会带来碳排放的减少。新能源利用政策的实施,例如中国最近宣布GNP的温室气体排放强度(CO2/ GNP)到2020年减少40%,也可以抵消环境污染带来的后果。另外,中国一定会越来越富有,可能会消耗越来越多的能源,但是对碳排放或大或小的实际影响将取决于基础设施和新技术。城市发展政策的环境成本应该纳入到“绿色核算”去评估对环境造成的影响。

当然,本文只是对城市居民的能源消耗活动的碳排放展开了探索,针对农村居民的能耗的碳排放作实证估算,则是另一个值得研究的课题。

[1] 新中国60周年系列报告之一:光辉的历程宏伟的篇章[Z].北京:国家统计局,2009年.

[2] 陆莹莹,赵旭.家庭能源消费研究述评[J].水电能源科学,2008(1):187-191.

[3] 顾朝林,等.气候变化、碳排放与低碳城市规划研究进展[J].城市规划学刊,2009(3):38-45.

[4] 普雷斯科特.低碳经济遏制全球变暖——英国在行动[J].环境保护,2007(11):74-75.

[5] Schipper L,Bartlett S,et a1.Linking Lite-styles and Energy use:a Matter of Time?[J].Annual Review of Energy,1989,14:271-320.

[6] Lenzen M.Primary Energy and Greenhouse Gases Embodied in Australian Final Consump tion:an Inputoutput Analysis[J].Energy Policy,1998,26(6): 495-506.

[7] Weber Christoph,Perrels Adriaan.Modelling Lifestyle Efects on Energy Demand and Related Emissions[J]. Energy Policy,2000,28:549-566.

[8] Kim Ji-Hyun.Changes in Consump tion Patterns and Enviromnental Degradation in Ko rea[J].Strctural Change and Economic Dynamics,2002,13:1-48.

[9] Auffhammer,M.,Carson,R T.Forecasting the Path of China’s CO2Emissions Using Province Level Info rmation[J].Journal of Environmental Economics and Management,2008,55(3):229-247.

[10] Almond,Douglas,Yuyu Chen,M ichael Greenstone and Hongbin Li.Winter Heating o r Clean Air? Unintended Impacts of China’s Huai River Policy [J].American Economic Review,2009,99(2): 184-90.

[11] Glaeser,Edward L,and Matthew E.Kahn.The Greenness of Cities:Carbon Dioxide Emissions and U rban Development[J].Journal of U rban Economics,2010,67:404-418.

[12] 庄贵阳,张伟.中国城市化:走好基础设施建设低碳排放之路[J].环境经济,2004(5),39-43.

[13] 曲建升,王琴,曾静静,张志强.我国CO2排放的区域分析[J].中国科学院国家科学图书馆科学研究动态监测快报,2008(12):1-7.

[14] 朱勤,彭希哲,陆志明,于娟.人口与消费对碳排放影响的分析模型与实证[J].中国人口·资源与环境, 2010,20(2):98-102.

[15] 樊杰,李平星,梁育填.个人终端消费导向的碳足迹研究框架——支撑我国环境外交的碳排放研究新思路[J].地球科学进展,2010,25(1):61-68.

[16] 叶祖达.碳排放量评估方法在低碳城市规划之应用[J].现代城市研究,2009(11):20-26.

[17] Pfaff,A lexander.S.P.,Shubham.Chaudhuri, and H.Nye.Household Production and Environmental Kuznets Curves:Examining the Desirability and Feasibility of Substitution[J]. Environmental and Resource Economics,2004,27 (2):187-200.

Construction of China’s Green Cities——Home-Based Estimates of Carbon Emissions

SONGM in
(School of Public Administration,Shandong Economic University,Jinan 250014,China)

U sing the panel data of 74 major Chinese cities in 2006,the paper estimates the carbon emissions of one typical household in each of the 74 cities and then ranks them.The empirical results demonstrate that the“greenest”cities are Huaian and Suqian w hile the“dirtiest”cities are Daqing and M udanjiang w ith the standard househo ld’s carbon em ission as the only indicato r.Even in the dirtiest city(Daqing),a standardized household emits only one-fifth of carbon as compared w ith that in America’s greenest city(San Diego).The population,population grow th,income,temperature and the pattern of urbanization have something to do w ith carbon emission,and the average temperature in January is obviously co rrelated negatively w ith a city’s household carbon emission.

carbon emission;standard household;estimate;temperature;green cities

TU 984

A

1009-105X(2010)04-0045-11

2010-07-17

宋敏(1971-),女,博士,山东经济学院公共管理学院副教授,行政管理专业教研室主任。