中国城镇化进程对碳强度的影响研究

焦高乐++严明义

摘要： 文章以我国2003—2014年30个省级面板数据为研究样本，考察了各省份城镇化水平及其碳强度之间的脱钩关系和关联规则。首先，对城镇化水平与碳强度进行测度，并分析城镇化水平与碳强度之间的区域特征。其次，采用Tapio脱钩指数和追赶脱钩指数模型分析二者之间的动态演化轨迹，结果表明我国城镇化水平上升的同时碳强度不断下降，大部分省份的碳强度下降幅度大于城镇化水平增长幅度，并且追赶省份与模范省份的城镇化水平和碳强度的差距在不断缩小。最后，采用关联规则分析各省份状态转移结果，结果显示各省份城镇化水平与碳强度之间的关系向更优状态转移。

关键词： 城镇化； 碳强度； 脱钩指数； 关联规则

文献标识码： A 文章编号： 1002-2848-2017（04）-0079-08

一、 引言与文献回顾

城镇化是伴随工业化发展，非农产业在城镇集聚、农村人口向城镇集中的自然历史过程，是人类社会发展的客观趋势，是城市发展现代化的重要标志。近年来中国城镇化速度明显加快，城镇化率大约每年提高1个百分点，于2011年首次超过50%，2016年达到5735%，超过世界平均水平，但城镇化质量并未得到明显提升，存在诸多问题[1]。城镇化在带来基础设施和居民生活水平提高、产业集聚等正向溢出的同时，也带来了交通拥挤、污染加剧等一系列“城市病”，特别是温室气体排放已经成为中国城镇化下一阶段急需解决的核心问题之一。李克强总理在2016年政府工作报告指出，2016年的重点工作之一需要深入推进新型城镇化，以及加大环境治理力度[2]。但是在保持现阶段的经济较快增长和城镇化高效推进的同时减少碳排放则较为困难，因此寻求通过技术手段降低碳排放即降低碳强度则成为了重中之重[3]。

碳强度指单位GDP的二氧化碳排放量，城镇化对碳强度的影响路径较为复杂，主要通过贸易、生产、生活、技术、价格等要素直接或间接作用于碳排放，从而对碳强度产生影响。国内外学者关于城镇化与碳强度进行了广泛的研究。

从国外相关参考文献来看，Satterthwaite研究了1980—2005年间世界各国碳排放增长与人口增长及人口城镇化之间的关系，发现人口增长驱动了温室气体排放，而且消费水平的提高也同样影响碳排放的增长[4]。Pachauri和Jiang对中国和印度两个最大的发展中国家居民生活方式进行了研究，对城镇化质量进行了对比分析[5]。Poumanyvong和Kaneko利用99个国家30年的面板数据研究了在不同时期城镇化水平的高低以及其对碳排放的作用机理，研究结果表明，能源的消耗和碳排放在城镇化进程中增长显著，尤其在中产阶级中表现更为显著[6]。PanJiahua和LiuJie通过将生态文明的概念和原则纳入中国的城镇化，做出了从2020年到2040年中国城镇化相关的碳预算，提出了相应的控制措施和政策建议目标[7]。Shahbaz分析了1980—2010年罗马尼亚的经济增长、能源消费和二氧化碳排放之间的关系，应用边界测试方法探讨三者之间的长期协整，研究证实了民主制度有助于减少二氧化碳排放使用，有助于经济政策的实施和金融发展[8]。Munasingh认为发达国家通常会使用可再生能源和清洁技术，新兴经济体由于可再生能源和清洁技术的相对落后造成了更高的碳排放水平，表明碳排放与人均收入水平成正比，同时碳强度不断下降[9]。Sayed和Sek使用部分发达国家和发展中国家1961—2009年的面板数据，利用环境库兹涅茨曲线假说证明在城镇化与碳排放的关系中，发达国家有更高的倒U型曲线的拐点，而发展中国家有更高的倒U型曲线的转折点[10]。Tiwari和Shahbaz通过调查印度煤炭消耗量，经济增长、贸易开放和二氧化碳排放之间的相关数据，结果显示上述变量之间存在长期的协整关系[11]。

国内相关研究成果也较为丰硕。林伯强等人运用协整分析等方法研究发现，源于城镇化的影响，碳排放逐渐增加，能源的消耗也不断升高，而且城镇化质量欠佳[1213]。彭希哲和朱勤利用中国1980—2007年相关面板数据，运用拓展的IPAT模型研究表明，碳排放主要受到经济发展水平、人口规模、城镇化程度三个因素的影響，而且经济发展水平和城镇化程度对碳排放的影响大于人口规模变化对碳排放的影响[14]。王倩等基于中国1978—2012年数据构建的误差修正模型证明，虽然短期内城镇化发展会增加碳排放，但从长期效应看却有助于碳减排，认为在城镇化过程中住房与能源消费的增长会增加碳排放[15]。万宇艳基于1971—2012年16个新兴发展中国家的跨国样本，采用异质性面板模型检验了城镇化和碳排放的定量关系，结果表明新兴发展中国家的城镇化和碳排放之间主要呈现正向关系，但同时显现出负向影响的迹象，收入、人口和能源密度对碳排放均呈现出显著的正向影响，且短期效应大于长期效应，指出转变经济发展方式、促进产业结构升级、优化能源结构、加强低碳考核是实现中国城镇化可持续发展的有效路径[16]。黄娟和张新平认为中国特色新型城镇化必须适应生态文明建设的时代要求，走生态美丽、生产发达、生活美好的生态城镇化道路，所以城镇化与碳排放的协同发展则是必由之路[1718]。

通过对现有研究成果的梳理，可以发现，关于城镇化和碳排放的相关研究主要集中在人口城镇化和碳排放量的研究上，而且运用的方法都较单一，这并不能反映城镇化和碳排放的更深层次关系。本文拟对此进行更深入地研究，分别从以下三个方面进行：第一，对城镇化从人口、经济、社会和空间四个方面进行测算，同时对碳排放采用相对指标碳强度；第二，使用脱钩指数分析城镇化与碳强度之间的关系；第三，运用关联规则分析脱钩状态的转移过程。二、 城镇化及碳强度的数据测度

（一）测度指标体系构建与数据来源

1.城镇化水平测度指标体系

本文从人口、经济、社会、空间等四个方面出发构建测度城镇化水平的指标体系[13]，指标体系由24个指标组成，具体见表1。endprint

本文采用标准化的方法处理原始数据，该方法之间的差异信息可以消除量纲和量级在各省份的影响，同时保留相应的数据变量，具体来说，正指标和负指标标准化的公式分别为：

z′ ij=zij-minZijmaxZij-minZij，

z′ ij=maxZij-zijmaxZij-minZij

式中，z′ ij为无量纲化处理后的标准化数据变量；zij为原始数据；minZij和maxZij分别表示同一年份所有省份对应原始数据的最小值和最大值。

2.碳强度指标体系

碳排放量的计算采用联合国指定的《2006年国家温室气体清单指南》提供的碳排放量计算方法，根据《能源统计年鉴》中的20种能源最终消费量，计算中国的碳排放量，其中原煤、原油、天然气为一次能源，其余为二次能源。碳强度由碳排放量除以GDP得出。

（二）测度方法与结果

主成分分析法和因子分析法是根据数据的特点来确定权重，与其他方法相比更科学，可以避免指数与主观权重的高度相关性。但主成分分析法比因子分析法更能够反应出各个维度内不同指标的量化结果[1920]。因此，采用主成分分析法对城镇化水平与碳强度相关指标进行计算，最终得到2003—2014年各省份城镇化水平及其碳强度的最终指数[21]。2003年和2014年各省（市、自治区）二者的变化如图1所示。

图1 2003年与2014年各省份城镇化水平及碳强度

由图1可知，从2003—2014年，各省份的城镇化水平呈现上升趋势，而碳强度总体上呈现下降趋势，说明中国城镇化质量逐渐提高。各省份城镇化水平在波动中不断升高，而碳强度指标却一直呈现下降趋势。具体来说，2003—2014年间，城镇化水平最高的五个省市依次是广东（06578）、上海（06397）、江苏（05672）、山东（05106）和北京（04766）；碳强度指标最低的五个省市是江苏（00118）、广东（00496）、上海（00601）、浙江（00609）、和北京（00786）。同时，从图中可以看出各省份的城镇化水平及碳强度之间的关系存在异质性，如江苏、广东、上海等省市的城镇化水平较高，但它们的碳强度较低。所以有必要进一步分析各省份城镇化水平及碳强度差异性及动态变化特征。

全国及东中西部三大区域城镇化与碳强度的平均水平如图2和图3所示，从全国来看，城镇化水平从2003年的02871增加到2014年的03461，碳强度从2003年的04641下降到2014年的02321；就东中西三大地区差异来看，东部地区的城镇化水平均值为04331，高于中西部地区；西部地区的碳强度均值为03055，高于中东部地区；中部地区的城镇化水平和碳强度均值分别为03265和01323。

（三）城镇化水平与碳强度的区域特征分析

对全国及东中西部城镇化水平和碳强度的变化差异进行分析，表2给出了中国整体和东中西区域分别在2003—2008年、2009—2014年和2003—2014年三个时间段的平均增长率及东中西区域与全国平均水平的差异。由表2可知，从整体趋势来看，2003—2008年间，城镇化水平增长率的绝对值明显小于碳强度增长率的绝对值，而在2009—2014年间，碳強度增长率的绝对值有所下降，而城镇化水平增长率的绝对值却有所提高，在整个时间段来看，各区域城镇化水平增长率的绝对值仍小于碳强度增长率的绝对值。对于碳强度增长率的区域差距来说，东部地区的碳强度增长率的绝对值一直保持最低，西部地区的碳强度增长率的绝对值一直高于全国平均水平。在前期，中部地区的碳强度增长率绝对值低于全国平均水平；在后期，中部地区的碳强度增长率绝对值高于全国平均水平。而东部地区的碳强度增值率的绝对值一直低于全国平均水平。从整个时间段来看，中部地区的碳强度增长率绝对值最高，西部第二，东部第三。

对各省份的城镇化水平及碳强度分别求2003—2014年的增长率，并计算其均值，结果见图4所示。观察可得，城镇化水平增长率最高的是黑龙江（9458%），其余的前五名依次为甘肃（6723%）、陕西（6033%）、内蒙古（5783%）和江西（541%）；碳强度下降率最高的是上海（7786%），其余的前五名依此为青海（7673%）、宁夏（6795%）、山西（6568%）和北京（6435%）。

城镇化水平处于较高水平的省份为江苏和广东，碳强度处于较低水平的省份为海南和安徽，筛选出处于“双优”状态的省市为广东和北京。从区域差异可见城镇化水平增长率较低的三个省份分布在东部地区（广东、上海、山东），碳强度下降率较低的三个省份分布在中东部地区（湖南、福建、山东）。总体来说，中国东部地区的城镇化水平较高，碳强度较低。

三、 城镇化水平及碳强度脱钩分析

（一）脱钩指数及其测度

在对中国省级区域城镇化水平及碳强度测算的基础上，通过对比二者间的变化情况，初步发现省级间城镇化水平及碳强度两者间出现同向亦或反向变化。因此，为了更为深刻把握两者间动态变化轨迹，在本部分将通过构建城镇化水平及碳强度的Tapio脱钩指数和追赶脱钩指数模型来进行深入研究。

Tapio脱钩指数最早见于Tapio的研究之中。其在对欧洲经济增长、交通状况与二氧化碳排放间相关关系的研究中为分析相关变量间的弹性系数关系提出了脱钩指数，并将脱钩状态分为强脱钩与弱脱钩[21]；随着学者们的不断深入研究，对脱钩指数模型分类方式进行了不断拓展。其中，张成基于相对脱钩和绝对脱钩，将传统的八个类别进一步拓展为十个类别，更具科学性、代表性[22]。因此，本文将采用该分类方法对城镇化水平及碳强度进行脱钩分析。脱钩指数和追赶脱钩指数公式分别为：

式中，Tsit和Trit分别表示i省份在t年的城镇化水平及碳强度的Tapio脱钩指数和追赶脱钩指数；yit和kit分别表示i省份在t年的城镇化水平及碳强度指标；ymt和kmt分别表示城镇化水平及碳强度处于“双优”水平的对标省份的城镇化水平及碳强度。图5展示了Tapio脱钩指数和追赶脱钩指数的10种类型①。endprint

运用上述公式对中国30个省级区域的城镇化水平及碳排放的测算，得到30个省级区域每期的脱钩指数[23]。通过对结果的分析，发现广东省及北京市的城镇化水平较高，并且碳强度处于较低水平。所以，通过计算两省份城镇化水平及碳强度的均值作为城镇化水平及碳强度处于“双优”水平的对标省份的城镇化水平及碳强度指标，从而测算出其余地区的追赶脱钩指数，具体测算结果见表3。

从2003—2014年全时段来看，辽宁、上海、广东、青海等四个省份是衰退式的，其余26个省份皆是扩张式的。具体来讲，辽宁、上海、广东等三个省份是衰退相对脱钩状态，脱钩指数均大于12，青海省为衰退连接状态，脱钩指数为08923；其余26个省份均为扩张强绝对脱钩状态，脱钩指数均小于-05。尤其是北京、河北、天津、山东和吉林五省市的脱钩指数均小于-40，这表明碳强度下降幅度是城镇化水平上升幅度的四倍以上，其碳强度下降速度较高，城镇化水平上升速度较慢。各省份具体到分时间段的脱钩指数是形态各异的，部分省份的脱钩状态处于扩张强绝对脱钩、扩张弱脱钩两种状态（Δk0），城镇化水平是正增长，而碳强度是负增长。

在2003—2014年间，28个样本省份与“双优”模范省份直接的追赶脱钩关系中有11个省份是衰退式的，另外17个省份是扩张式的，存在Δy<0，也即追赶省份与模范省份之间碳强度差距越发明显，因此追赶省份的城镇化水平还存在很大的上升空间。在2004—2014年，天津和浙江两省份的追赶脱钩指数处于衰退相对负脱钩状态，表明两省碳强度的差距扩大速度慢于城镇化水平差距扩大速度；河北、辽宁、上海、江苏、安徽、河南、内蒙古、湖南和四川等9省份的追赶脱钩指数处于衰退绝对脱钩状态，表明这些省份的城镇化水平差距与模范省份的城镇化水平差距不断扩大，但碳强度的差距在逐渐缩小；福建省处于扩张连接状态，说明与模范省份相比，不仅城镇化水平差距逐步缩小，碳强度也呈现出同样趋势；其余省份的追赶脱钩指数处于扩张相对脱钩状态，表明城镇化水平的差距扩大速度快于碳强度差距扩大速度。

四、 关联规则分析

关联规则挖掘是数据挖掘中最活跃的研究方法之一，可以用来发现事情之间的依赖或关联知识，最早是为了发现超市交易数据库中不同的商品之间的关系。在关联规则中，有一种涉及时间顺序的规则称为序列关联规则。一个序列关联规则的形式如下：A1>A2>…>AnB，其中，前项集A1，A2，…，An和后项集B依时间顺序发生（但不一定是相邻发生，中间可能跳过一些步骤）。支持度定义为数据集中按时间顺序出现A1，A2，…，An和B的观测比例，置信度定义为数据集中按时间顺序出现A1，A2，…，An的那些观测中，之后又出现B的比例[24]。

依据上述序列关联规则理论，本文将2003—2014年30个省份的脱钩指数分类状态作为数据集，按照年度顺序，挖掘其中的序列关联关系，即分析从前一个分类状态转移到后一个分类状态的支持度和置信度。由于每一个分类状态存在优劣之分，可以进一步分析分类状态是否向更优的方向转移。

利用SAS 93软件，基于Apriori算法分析脱钩指数的序列关联规则，分析结果见表4。

表4列出了支持度30%以上的關联规则，共有14个两两关联规则，最终有5个状态是衰退的，其中ee保持原状态不变，而ae往更优状态转变，向更优状态转移比率为7857%。在24个三步关联规则中，最终有7个状态是衰退的，其中e5e与eee保持原状态不变，而aee与a5e往更优状态转变，向更优状态转移比率为875%。综合向更优状态转移比率为8304%。

根据以上结果可知，

在支持度与置信度较可靠的基础上，绝大多数关联规则显示向更好状态转移。说明中国各省份城镇化水平与碳强度之间的关系总体上向更优状态转移。五、 结论和政策建议

本文以我国2004—2014年30个省份的面板数据为研究样本，采用主成分分析法测算了各个省份的城镇化水平，随后采用Tapio脱钩指数模型和追赶脱钩指数模型对城镇化水平和碳强度二间的动态演化关系进行了分析，研究发现：第一，我国30个省份的城镇化水平稳步提高，碳强度稳步下降，但总体上来说西部地区的城镇化水平上升速度最大，中部地区的碳强度下降速度最快。第二，Tapio脱钩指数模的测算结果表明我国绝对多数省份的脱钩指数都是扩张式的，碳强度的下降幅度快于城镇化水平上升幅度，这表明自2004年以来，我国各省份在城镇化扩张的同时，碳强度也在不断下降。第三，追赶脱钩指数模型测度结果表明，追赶省份与模范省份之间的脱钩指数大部分为扩张式的，即城镇化水平差距逐步缩小，大部分追赶省份与模范省份的城镇化水平差距逐步缩小，但碳强度差距却逐步增加，甚至部分省份的碳强度下降幅度大于模范省份的碳强度下降幅度。最后，通过关联规则分析脱钩指数与追赶脱钩指数的状态转移结果，发现我国多数省份向更优状态转移。

通过以上分析可知，我国在城镇化水平提高的同时，碳强度在不断减少，大部分追赶省份的城镇化水平和碳强度与模范省份之间还存在差距，同时差距越大也意味着进步空间更大。本文的政策含义为：对于模范省份，应当更加注重城镇化质量，在经济发展的同时注重产业结构的调整和布局，逐步健全相关法律法规，从污染源着手控制。一方面，要注重人口城镇化、经济城镇化、社会城镇化和空间城镇化的协调统一规划和布局，不断优化四者之间的关系，从而提高城镇化质量。另一方面，要注重环境质量的提高，在推进城镇化的同时，从宏观层面对城市规划和环境治理进行谋划布局，制定更为严格的环境标准，实现生态城镇化和经济城镇化的协调发展。对于追赶省份，除上述两方面外，还要吸取和借鉴模范省份的经验教训，因地制宜的制定生态城镇化规划，实现生态环境与城镇发展的双赢，在保持本地区生态环境质量的基础上对城镇化发展进行布局。参考文献：

[1] 肖宏伟. 城镇化进程对我国碳排放的影响及对策建议 [J]. 宏观经济管理， 2013（10）： 6668.endprint

[2] 邓金钱， 何爱平. 城镇化、地方财政支出规模与城乡收入差距——基于面板门槛模型的实证检验 [J]. 管理学刊， 2016（2）： 3542.

[3] 焦高乐， 严明义. 中国城镇化水平与碳生产率耦合度测度 [J]. 城市问题， 2016（8）： 3238.

[4] Satterthwaite D.The implications of population growth and urbanization for climate change [J]. Environment and Urbanization， 2009， 21（2）： 545567.

[5] Pachauri S， Jiang L. The household energy transition in India and China [J]. Energy Policy， 2008， 36（11）： 40224035.

[6] Poumanyvong P， Kaneko S. Does urbanization lead to less energy use and lower CO2 emissions？ A crosscountry analysis [J]. Ecological Economics， 2010， 70： 434444.

[7] PAN Jiahua， LIU Jie， ZHU Chun. Budgeting carbon for urbanization in China [J]. Wiley Interdisciplinary Reviews （Sep/Oct 2015）： 406409.

[8] Shahbaz M， Lean H H， Shabbir M S. Environmental kuznets curve hypothesis in Pakistan： cointegration and granger causality [J]. Renewable and Sustainable Energy Reviews， 2012， 16： 29472953.

[9] Munasinghe M. Is environmental degradation an inevitable consequence of economic growth： tunneling through the environmental kuznets curve [J]. Ecological Economics， 1999， 29： 89109.

[10] Sayed A， Sek S. Environmental kuznets curve： evidence from developed and developing economies [J]. Applied Mathematical Sciences， 2013， 7（12）： 10811092

[11] Tiwari A K， Shahbaz M， Adnan H， Qazi M. The environmental kuznets curve and the role of coal consumption in India： cointegration and causality analysis in an open economy [J]. Renewable and Sustainable Energy Reviews， 2013， 18： 519527.

[12] 林伯强， 刘希颖. 中国城市化阶段的碳排放： 影响因素和减排策略 [J]. 经济研究， 2010（8）： 6678.

[13] 焦高乐， 严明义. 技术进步的来源、方向与工业节能减排 [J]. 统计与信息论坛， 2017（4）： 8186.

[14] 彭希哲， 朱勤. 我国人口态势与消费模式对碳排放的影响分析 [J]. 人口研究， 2010（1）： 4858.

[15] 王倩， 何少琛， 吴承礼. 城镇化推动碳减排的经济效应分析 [J]. 经济纵横， 2014（12）： 3336.

[16] 万宇艳. 城镇化与碳排放： 基于异质面板模型的检验 [J]. 内蒙古社会科学（汉文版）， 2014（5）： 104108.

[17] 黄娟. 生态文明时代新型城镇化道路的战略思考 [J]. 管理学刊， 2015（1）： 6066.

[18] 张新平. 生态文明视角下新型城镇化建设的思考 [J]. 管理学刊， 2015（3）： 4045+57.

[19] 成金华， 陈军， 李悦. 中国生态文明发展水平测度与分析 [J]. 数量经济技术经济研究， 2013（7）： 3650.

[20] 钞小静， 任保平. 中国经济增长质量的时序变化与地区差异分析 [J]. 经济研究， 2011（2）： 2640.

[21] Tapio P. Towards a theory of decoupling： degrees of decoupling in the EU and the case of road traffic in Finland between 1970 and 2001 [J]. Transport Policy， 2005， 12（2）： 137151.

[22] 張成， 蔡万焕， 于同申. 区域经济增长与碳生产率——基于收敛及脱钩指数的分析 [J]. 中国工业经济， 2013（5）： 1830.

[23] 文魁， 张祖群. 小城镇： 城市科学合理布局的战略重点——城市与乡村两个维度的经济学分析 [J]. 管理学刊2015（1）： 5359+77.

[24] 张俊妮. 数据挖掘与应用 [M]. 北京： 北京大学出版社， 2009.

责任编辑、 校对： 李斌泉endprint