多维度城镇化视角下的碳排放影响因素研究

王锋+秦豫徽+刘娟+吴从新

摘要 城镇化与碳排放是当代中国经济社会发展的两大特征，中国的新型城镇化不仅要求实现人口、土地、经济城镇化的协调统一，还要求在城镇化的进程中注重生态环境的保护，实现绿色低碳发展。因此，从不同维度城镇化视角探讨碳排放的影响因素并对比其差异具有重要的理论与现实意义。本文根据2008—2014年中国30个省份的面板数据测算了各省的碳排放量，运用熵权法对表征土地城镇化、经济城镇化的相关指标进行了整组变量压缩，然后运用ESDA方法分析了省域间碳排放的空间相关性，基于STIRPAT模型分别构建了人口城镇化、土地城镇化、经济城镇化三个维度下的碳排放影响因子空间杜宾面板模型并进行了实证分析。研究结果表明，各省份的碳排放存在正的空间相关性，并且经济因素助长了这种空间相关性。在各城镇化维度下，人口规模、人均可支配收入、碳强度对本省份及相鄰省份的碳排放均具有显著的影响，其中：人口规模是最主要的影响因素；人均可支配收入具有显著的正向作用，中国正处于环境库兹涅茨曲线的上升阶段；在经济水平相近的情况下，各省份间的碳排放具有“逐顶竞争”的特征。不同城镇化维度下，各因素对碳排放的影响存在明显的差异：从直接效应来看，经济城镇化维度下各影响因素的弹性系数最大，土地城镇化维度下的人口规模对碳排放的影响最小；从反馈效应来看，在人口城镇化维度下省份间碳排放的“逐顶竞争”特征最为明显；从间接效应来看，经济城镇化维度下的人均可支配收入对相邻省份的碳排放量存在显著的负向影响。

关键词 城镇化；碳排放；空间杜宾面板模型；空间溢出效应

中图分类号 F299.21；F205

文献标识码 A 文章编号 1002-2104（2017）09-0151-11 DOI：10.12062/cpre.20170434

改革开放以来，中国城镇化水平迅速提高，城镇化率从1978年的17.92%上升到2015年的56.1%，但与发达国家近78%的城镇化比率相比，还有较大的差距。为此，2013年党的十八届三中全会报告明确提出“要坚持走中国特色的城镇化道路，进一步提高城镇化水平”，2016年全国人大发布的《国民经济和社会发展第十三个五年规划纲要》提出“到2020年中国的常住人口城镇化率要达到60%”。城镇化的推进加速了人口由农村向城镇集聚，土地利用方式由林地、耕地向工业、商业用地转变，经济由第一产业向第二、三产业转变。这些变化带来的外部规模经济、集聚效应极大的促进了经济的发展。但是城镇地区在创造了世界上近三分之二物质财富的同时，也排放着全球总量75%的二氧化碳，制造出全球80%的环境污染。自1992年联合国签订《联合国气候变化框架公约》以来，全球气候变暖问题逐渐成为各国在经济社会发展过程中关注的重点问题之一，中国作为世界上最大的发展中国家经济体，在经济发展过程中面临着巨大的节能减排压力。2007年中国超越美国成为世界上碳排放量最大的国家，中国的碳排放问题引起了国际社会的广泛关注。2009年哥本哈根会议上，中国政府承诺“到2020年中国单位GDP的CO2排放量比2005年下降40%—45%，并力争在2030年前后CO2排放量达到峰值”。2015年，中国政府在巴黎气候大会上进一步做出承诺“2030年中国单位GDP的CO2排放量将会较2005年下降60%—65%”。自2007年后，在学术界中国的碳排放问题也引起了国内外学者广泛的讨论与关注。依此可见，城镇化与碳减排将是未来中国经济发展的两大特征。城镇化是一个非常复杂的经济现象，城镇化不仅仅意味着农村人口流向城镇，还意味着人口生活方式、土地利用方式、经济发展模式等诸多方面的变化。城镇化按其内涵分为人口城镇化、土地城镇化、经济城镇化（经济结构非农业化的过程）和社会城镇化（主要指城市文化、生活方式、价值观点的扩散）四个维度。经济城镇化对人口向城镇地区集中形成引力作用，而城镇土地的扩张为经济城镇化与人口城镇化提供载体，在城镇化进程中人们的价值观、行为习惯、道德精神等也发生着改变。与其他三种城镇化相比，社会城镇化主要指向意识形态层面，其量化表征指标选取较为困难。近年来，中国倡导新型城镇化的发展道路。新型城镇化一方面强调不仅要实现人口的城镇化，还要实现土地、经济、社会的城镇化，另一方面强调要在城镇化过程中实现低碳、绿色城镇化。基于此，本文研究在人口城镇化、土地城镇化、经济城镇化三种维度下，碳排放的影响因素及差异，这对于中国节能减排工作的开展、有针对性的进行环境政策的制定、实现十八大报告所提出的建设美丽中国、生态中国的目标都有着非常重要的意义。

1 文献综述

目前，大多数学者认为城镇化与碳排放存在长期均衡关系[1]，但是城镇化对碳排放究竟是有促进作用还是抑制作用却有不同看法。部分学者认为碳排放主要产生于人口、工业、建筑、交通相对集中的城镇地区，并且城镇化的推进会带来大规模人口和经济活动的进一步集聚，交通需求量不断上升，因此增加了能源消耗量和碳排放量[2-10]。但是，也有学者认为城镇化的推进，一方面提高了城市密度，使得工作、居住、生活、消费区域间的距离缩短，从而减少交通耗能，降低了碳排放量[11-12]；另一方面使得越来越多的人口享受到更高质量的教育，提升了人口素质，促进了人力资本的积累，人力资本要素在一定程度上代替了其它经济发展要素，从而降低了碳排放量[13]。还有学者运用不同地区、不同阶段的数据进行研究，发现城镇化对碳排放具有非线性作用或阶段性作用差异，如Martinez-Z I[14]、张腾飞[15]认为城镇化与碳排放存在倒U型关系；肖周燕[16]认为1978年前城镇化对中国的碳排放量的影响不大，但1978年后城镇化却极大地促进了中国碳排放量的增长；王星[17]认为在中国城市化前期和长期会对碳排放的增长起到抑制作用，中期过快推进城市化则会增加碳排放量。

实际上，碳排放的影响因素是非常复杂的，涉及到很多层面。碳排放是包括城镇化在内的诸多因素共同作用的结果[18-19]。学者根据不同的研究目的选择了相异的影响因子，一般包括：人口规模、经济发展水平、技术水平等。从研究结果来看，这些因素对碳排放都存在一定的影响，但因为研究方法和研究视角的不同，研究结论也不尽相同。从人口规模来看，一种观点认为人口规模的增长在提高生活能源消费需求的同时，增加了林地和耕地的占用面积从而促使居民生活能源碳排放的增长[20-21]，部分学者认为与其他因素相比人口规模是促使碳排放增长最重要的因素[22]，还有一种观点认为城镇人口的聚集为公共物品的使用带来了规模效应，并且人口的聚集也为技术的扩散提供了便利，在一定程度上抑制了碳排放[23]。就经济发展水平来说，主要体现在GDP或人均可支配收入上，有研究认为经济的发展使得企业、居民的能源消费能力提高，从而促进了碳排放量的增加[24-26]，也有研究认为当经济发展水平足够高时，会促使人们加大对科技创新的投入，工业生产会逐渐趋于低碳化，从而有利于碳排放的降低[27-28]。就技术水平来说，研究结论基本一致，即技术水平的提升，能够促进能源使用效率的提高从而有利于碳减排[29]。endprint

综上所述，城镇化对碳排放的影响已引起越来越多学者的关注，并且取得了许多有价值的研究成果。但目前还存在一些不足，主要体现在以下两个方面：一是，城镇化的内涵非常丰富，不仅仅是农村人口向城市人口的流动，还包括土地的城镇化和经济的城镇化，但是现有文献普遍仅从人口城镇化单一维度进行了研究；二是，从研究方法来说，以往研究一般采用传统的计量经济方法，假设各个省份是相互独立的，没有考虑到空间相关性和空间溢出效应。有鉴于此，本文从三种城镇化维度，在考虑空间效应的基础上分别构建空间面板模型，探讨碳排放的影响因素及其在不同城镇化维度下的差异。

2 模型设计与数据说明

2.1 STIRPAT模型设计

1971年Erlich 等[30]提出IPAT模型，指出人口、技术、财富是影响环境的决定性因素。

随后，Dietz等[31]对IPAT模型进行了改进，提出了STIRPAT模型，该模型允许将人口、技术、财富某一影响因素进行具体的分解，为具体研究某一因素对环境的影响提供了可能。STIRPAT模型的基本形式为：

其中：Ii表示环境影响；Pi表示人口；Ai表示财富；Ti表示技术；ei表示随机误差项；α、β、γ、δ为待估参数。

在实证研究中，通常将STIRPAT模型转化为对数形式，这样一方面可以在一定程度上消除异方差性，另一方面也可以将模型转化为线性形式，方便对模型进行估计分析。STIRPAT模型容许加入其它相关变量以分析其对环境的影响，结合本文的研究问题，将STIRPAT模型扩展为：

其中：环境影响I用某省份的碳排放量表征；P表示某省份的人口总量；财富水平A用某省份的人均可支配收入表征；PUP代表了某省份的城镇化水平，本文将其进一步具体化为：人口城镇化、土地城镇化、经济城镇化；技术水平T用某省份的能源强度（单位GDP的能源消耗量）来表征；α、e为截距项和误差项。

2.2 空间模型的引入

传统计量经济学在建模中，往往假设研究对象是相互独立的，然而任何事物在空间上都是相互关联的。因此，将空间效应特别是空间溢出效应纳入模型的空间计量模型越来越受到广大学者的青睐。就本文研究内容来讲，空间溢出效应的主要作用表现在：相邻省份的碳排放量是相互影响的；邻近省份的城镇化水平、人口总量、财富水平、技术水平对本省碳排放量的影响；某一省份未纳入考虑的其它因素对邻近省份碳排放量的影响。

空间面板模型具有兼顾空间效应与时间效应的优点，因此在式（2）的基础上构建空间面板模型：

其中：i，j表示不同的区域；Wij表示空间权重；Xit表示解释变量向量；Yit表示某省碳排放量；Xit=[ln（Pit），ln（Ait），ln（PUPit），ln（Tit）]；β 为解释变量回归系数变量；ρ为被解释变量空间回归系数；φ为解释变量空间回归系数；λ为空间误差回归系数。

对于式（3）：如果ρ≠0而φ=0，则式（3）为衡量相邻省份的碳排放量对本地区碳排放量影响的空间滞后面板模型（SLPDM）；如果λ≠0而ρ=0，则式（3）为反映了某一省份除城镇化水平、人口总量、财富水平、技术水平外其他未纳入考虑的因素对临近省份碳排放量影响的空间误差面板模型（SEPDM）；如果ρ≠0且φ≠0而λ=0，测度了相邻省份的碳排放量又考虑相邻省份城镇化水平、人口总量、财富水平、技术水平对本地区碳排放量影响的空间杜宾面板模型（SDPDM）。

实际建模过程中，一般通过LR和Wald检验来判断模型形式。

2.3 空间权重矩阵

空间计量模型在建模时需要先定义一个空间权重矩阵，用以表示各个省域之间的相邻关系。空间权重矩阵包含三类：邻接空间权重矩阵、经济距离空间权重矩阵、地理距离空间权重矩阵。邻接空间权重矩阵表示地理位置上的接壤关系，本文采用一阶R相邻定义邻接空间权重矩阵，主要用来衡量相邻省份之间碳排放的影响，如式（4）：

Wij=1，i省和j省拥有共同边界

0，i省和j省无共同边界或i=j

经济距离空间权重矩阵一般采用两省之间GDP差异的倒数表示，省份间的GDP差异越大，所赋的权值就越小，如式（5）所示：

在该权重矩阵中，各个省份之间的双向交互作用是等价的。但是，在现实经济生活中，经济发展水平较高的省份对经济发展水平较低省份的影响（空间溢出效应）可能会更大。因此，借鉴李靖等[32]的研究思路，将经济距离空间权重矩阵和地理距离空间权重矩阵相嵌套，构建了嵌套空间权重矩阵，在该空间权重矩阵下经济发展水平较高的省份会对经济发展水平较低的省份产生更强的空间溢出作用，如式（6）所示：

其中：W1表示地理距离空间权重矩阵，主要用来衡量地理距离的远近对于省份之间碳排放的影响，地理位置越远，所赋的权值也就越小。

其中：Sij表示i省份和j省份的欧氏距离；

表示考察期内i省的实际GDP；

表示考察期内所有省份的实际GDP。

2.4 数据说明

本文所有数据来均自于2009—2015年《中国统计年鉴》与《中国能源统计年鉴》（港澳台、西藏地区除外）。本文所有涉及价格的数据均为消除了通货膨胀影响，以2008年为基期的不变价格。

根据世界银行的研究结论，碳排放主要产生于化石燃料的燃烧，本文借鉴国家气候变化对策协调组办公室、国家发改委能源所研究所及相关学者的做法[33-34]，提取八种主要能源计算碳排放量。碳排放量为各省能源实耗量折算为标准煤后乘以碳排放系数。碳排放系数见表1所示。

人口總量为各个省份年末的人口数。人均可支配收入为各省消除了通货膨胀因素，以2008年不变价格计算的实际可支配收入。碳排放强度为各省一次能源的实际消耗量除以以2008年不变价格计算的各省实际国民生产总值。endprint

人口城镇化率为各省每年年末城市户籍人口占总人口的比重。土地是城镇化的载体，土地城镇化是土地利用类型向二三产业进行转变的过程。经济是推动城镇化的动力，经济城镇化的过程是城镇化厚度的发展过程，应当体现经济发展的综合水平、经济结构、人民生活水平[35]。土地城镇化、经济城镇化单独选用某一指标进行表征比较困难并且容易造成信息的流失。因此，借鉴李斌[36]的思路提出整组变量的概念。参考刘法威等[37]的研究结果，本文选择各维度城镇化的观测指标见表2。

熵权法是一种客观赋权法，能够避免主观因素的干扰。为避免每年权重不一致的情况，本文根据各年份的熵权取平均值后计算权重。压缩过程如下：

其中：n代表省份数量；m代表指标选取个数；Dij代表第j个省份对应第i个指标的标准化数值；Xtij代表第t年第j个省份对应第i个指标的值；Yti为最终压缩的结果。变量压缩结果限于版面不再给出，如有需要可与作者联系索取。

3 实证结果与分析

3.1 空间相关性分析

空间计量分析的第一步一般是运用探索性空间数据分析（ESDA）方法中的Morans I指数检验被解释变量的空间自相关性。若空间自相关性存在，则表明可以在此基础上建立空间计量模型。Morans I统计量为：

I

其中：x=∑ni=1Xi/n，xi表示省份i碳排放量；n为地区数；W为空间权重矩阵。Morans I的取值范围为-1≤I≤1。I越接近1，表示地区间空间正相关性越强；I越接近-1，表示空间负相关性越强；接近0表示地区间不存在空间自相关性即在空间上呈无规律的随机分布。本文分别采用邻接空间权重矩阵和嵌套空间权重矩阵对各个省份碳排放量的空间相关性进行检验。结果如表3所示。

从表3的检验结果可以看出：第一，在两种空间权重矩阵条件下，所有Morans I值均为正，说明中国各省份的碳排放存在正的空间相关性；第二，嵌套空间权重矩阵下，碳排放的空间相关性要比邻接空间权重矩阵下的在统计上更加显著，这说明经济因素助长了这种空间相关性。碳排放所呈现的空间自相关性可能是因为各个省份在经济发展规划、城镇化进程、产业规划方面存在相互影响（学习与模仿、竞争与合作等），地域的相邻和人口流动也会引发技术溢出效应和居民生活方式的模仿效应，再加上水系、大气的相通性等自然因素使得地区之间存在较强

的关联性。

3.2 空间面板模型选择与估计

由前述内容可知，在10%的显著性水平下，采用嵌套空间权重矩阵时，省域间碳排放量具有显著的空间相关性，因此以嵌套空间权重为基础构建空间面板模型并进行了估计。

本文利用LR和Wald检验判断空间面板模型的形式。首先，构建空间杜宾面板模型（SDPDM）并估计；然后，检验原假设：H10：空间杜宾面板模型可以简化为空间滞后面板模型（SLPDM）；H20：空间杜宾面板模型可以简化为空间误差面板模型（SEPDM），如果两个假设同时被拒绝，则应当建立空间杜宾模型。

空间面板模型分为固定效应空间面板模型和随机效应空间面板模型，但空间计量经济学者倾向于研究地理上不间断区域的时空数据，因此在实际建模过程中往往采用固定效应模型。另外，在实际建模过程中，一般也可以根据Hausman检验的结果来判断空间面板模型的固定效应与随机效应形式。LR、Wald及Hausman检验结果如表4所示。

由表4可以看出，在嵌套空间权重矩阵下，人口城镇化、土地城镇化、经济城镇化在显著性水平为1%的情况下都拒绝了LR检验和Wald检验的原假设，因此在城镇化的不同维度下构建的模型都应当选用空间杜宾面板模型（SDPDM）；同时，根据Hausman检验结果，所有模型均应选用固定效应形式。基于以上检验结果，本文以固定效应的空间杜宾面板模型为基础进行分析。

首先，运用OLS方法对未纳入空间效应的3个模型进行估计，模型估计结果如表5所示。当省域间的碳排放存在空间效应时，直接运用OLS进行估计往往是无效的，因此本文采用极大似然法对纳入空间效应的模型进行估计，结果如表5所示。

通过对比R2可以发现，将空间效应纳入模型后，模型的拟合效果明显提升，并且解释变量和被解释变量的空间滞后项，在显著性水平为5%的情况下大多数在统计意义上显著，这说明空间面板模型更加有效。

在显著性水平为1%的情况下，三种城镇化（lnPUP）都对碳排放有着显著的正向影响。人口城镇化是指人口从农村向城镇地区集聚的过程，城镇地区的人口生活水平较高，城镇居民更倾向于“高碳”的生活方式[38]，所以人口城镇化对于碳排放有正向的作用。土地城镇化是土地利用类型向二三产业进行转变的过程，与第一产业相比，二三产业具有高能耗的特点，所以土地城镇化促进了碳排放量的提高。经济城镇化是经济要素向城镇地区聚拢的过程，经济要素在城镇地区聚拢后便会向城镇地区的主导产业二三产业配置，从而导致碳排放量的增加。在显著性水平为5%的情况下，城镇化水平仅对本省份的碳排放量产生影响，并不对经济距离相邻省份产生影响即不存在溢出效应。

根据模型估计结果，三种城镇化维度下，在显著性水平为1%的情况下，人口规模（lnP）都对本省份的碳排放量有着显著的正向影响而对经济距离相近省份的碳排放量产生显著的负向影响，人口规模对碳排放具有显著的空间溢出效应。这是因为人口规模的扩大一方面使得各个省份不得不减少绿地及林地的面积去建造住房，这使得该省份的碳汇能力有所下降，另一方面人口规模的扩大也产生了更多的能耗需求，从而使得碳排放量增加。而经济距离相近省份的人口规模的扩大，对于该省份的碳排放量具有明顯的抑制作用，这可能是经济发展水平相近的省份间的碳排放量也相近，在人口总规模一定情况下，人口规模在经济发展水平相近省份的扩大，降低了本省份的住房及能耗需求从而使得本地区的碳排放量下降。endprint

根据环境库兹涅茨假说：当人均可支配收入水平较低时，环境污染水平将随着收入水平的提高而加剧；当环境污染到达顶峰后将会随着收入水平的提高而降低。人均收入主要通过影响居民消费及生活方式影响碳排放，收入的增加使得人们对于私人交通、住宅及家用电器的需求量增大从而导致了碳排放量的增加，当人们收入达到一定水平后，人们便拥有了充分的财力去购买价格相对较高的节能产品，从而降低了碳排放量。根据实证结果，在显著性水平为1%的情况下，本省份收入水平（lnA）的提高对于碳排放的增加有着显著的正向影响，库兹涅茨假说的拐点尚未到来，这与王星[17]的研究结果相一致。同时，人均收入水平的提高对于碳排放的影响还具有外溢作用，在人口城镇化和土地城镇化维度下，经济距离相近省份的人均收入水平的提高会对本省份的碳排放有着正向的影响，但是在经济城镇化维度下却有着负向的影响。这可能是因为人口具有流动性，在其他条件不变的情况下，随着经济距离相近省份人口城镇化及土地城镇化的推进，该省份的物质资源供应不能够满足其消费需求，于是居民便去相邻的地区消费，从而导致了邻近省份碳排放量的增加；而在经济城镇化维度下，在其他条件不变的情况下，居民人均可支配收入的提高，居民会倾向于去经济水平较高的省份消费，从而降低了本省份的碳排放量。

在显著性水平为1%的情况下，碳排放强度（lnT）对碳排量有着显著的正向影响。碳排放强度越高，代表单位GDP的能耗越大。碳排放强度的下降来源于技术的进步。碳排放强度的系数为正，说明随着技术的进步，单位GDP的能源消耗量在下降，有利于碳减排。近年来，工业技术的进步，产业结构的优化，都为碳减排提供了契机。在该嵌套空间权重矩阵下，相邻省份的能源强度不仅对该省份的碳排放量有着显著的正向促进作用而且还对邻近地区的碳排放量有显著的正向促进作用，即存在地区间的溢出效应。究其原因，主要是随着现代信息技术的发展，信息流的传播比人流、经济要素的流动更快，并且在2003年之后，中國政府考核机制进行了调整，促使经济水平相近的省份在环境保护、降低碳排放量方面开展“逐顶竞争”，当某一省份开发或者引进了相关信息技术后，会引起其它经济水平相近省份的模仿。

3.3 直接效应、间接效应与总效应

空间杜宾面板模型中由于存在变量的空间滞后项，估计的系数不能够说明自变量对因变量影响程度的大小，估计系数仅仅在方向及显著性水平上是有效的。因此，为测度自变量对因变量影响程度的大小，需要进一步估算模型的直接效应、间接效应及总效应。直接效应是指本省份碳排影响因素的变化所引起本省份碳排放变化的均值，其中，直接效应中还包含了反馈效应，即某一省份碳排放量通过影响相邻省份的碳排放量反过来影响本省份的碳排放量，反馈效应是空间滞后的被解释变量（W·lnY）和空间滞后的解释变量（W·lnP、W·lnA、W·lnPUP、W·lnT）交互作用形成的综合效应，反馈效应的值为空间杜宾面板模型估计的系数值与直接效应之间的差。间接效应则是指本地区碳排放影响因素对相邻省份的碳排放的影响。总效应为直接效应和间接效应之和。估计结果如表6所示。

与表5中的非空间面板模型中解释变量的估计系数相比，表6中的直接效应的数值或大或小，这说明由于非空间面板模型未将空间效应纳入，其估计系数存在高估或者低估的现象。

（1）在人口城镇化维度下：①从直接效应可以看出：人口规模、人均可支配收入、城镇化、碳排放强度每提高1%，对于本省份的碳排放的影响分别为1.423%、0.542%、0.937%、0.616%。其中，人口规模是影响本省份碳排放最主要的因素，其次是人口城镇化水平。在人口城镇化维度下，人口规模的不断扩大及城镇化的加快推进，为节能减排工作的开展带来了很大的压力。②人口规模、人均可支配收入、城镇化、碳排放强度的反馈效应分别

为0.177%、-0.067%、0.005%、0.004%，分别占直接效应的12.439%、-12.362%、5.336%、6.494%，这说明在经济水平相当的情况下，本省份人口规模、人均可支配收入、城镇化水平、碳排放强度的变化会通过影响相邻省份的碳排放量再次影响本省份的碳排放量。其中，碳排放强度的反馈效应占直接效应的比重为6.494%，这说明在经济水平相当的情况下，省份间的碳排放“逐顶竞争”行为是存在的。③从间接效应来看，人口规模、人均可支配收入、城镇化、碳排放强度每提高1%，对经济上临近的地区产生的影响分别为：-8.704%、3.188%、-0.313%、-0.475%。其中，人口规模的空间溢出效应最大。但是在人口城镇化维度下，在10%的显著性水平下，城镇化对于经济上临近的省份没有空间溢出效应，这可能是因为本文所采用的城镇人口数量为各个省份城镇地区的常住人口，流动性比较弱，因此对相邻地区碳排放量的间接效应不显著。总之，人口规模、人均可支配收入、城镇化水平、碳排放强度对本地区的碳排放产生影响，且除城镇化外其他因素还对相邻省份的碳排放具有空间溢出效应。

（2）在土地城镇化维度下：①从直接效应可以看出：人口规模、人均可支配收入、城镇化水平、碳排放强度每提高1%，对本省份的碳排放影响分别为1.10%、0.186%、0.949%、0.618%。②人口规模、人均可支配收入、城镇化水平、碳排放强度的反馈效应分别为0.049%、-0.011%、0.003%、-0.001%分别占直接效应的4.455%、-5.914%、0.316%、0.161 %。其中，与人口城镇化相比，土地城镇化的反馈效应有非常明显的下降，这可能是因为与人口相比，土地资源完全不具有流动性。③从间接效应来看，在显著性水平为10%的情况下，人口规模、人均可支配收入、城镇化、碳排放强度每提高1%，对经济上临近的地区产生的影响分别为：-4.810%、1.142%、0.035%、-0.476%，其中，人口规模的空间溢出效应是最大的。不同于人口城镇化，土地城镇化对相邻地区的碳排放有着正向的影响，但是弹性系数非常的小仅为人口城镇化的1/3。总之，人口规模、人均可支配收入、城镇化水平、碳排放强度对本地区的碳排放产生影响，除城镇化外其他因素还对相邻省份的碳排放产生空间溢出效应。endprint

（3）在经济城镇化维度下：①从直接效应可以看出：人口规模、人均可支配收入、城市化水平、碳排放强度每提高1%，对本省份的碳排放影响分别为：1.816%、0.689%、0.982%、0.339%。②人口规模、人均可支配收入、城市化水平、碳排放强度的反馈效应分别为0.081%、0.001%、0.003%、0.004%分别占直接效应的4.460%、0.145%、0.305%、1.180%，在经济城镇化维度下影响碳排放的各个因素的反馈效应相对比较小。③从各变量的间接效应来看，人口规模、人均可支配收入、城镇化、碳排放强度每提高1%，对经济上临近的地区产生的影响分别为：-4.763%、-0.219%、-0.618%、-0.222%，并且在显著性水平为10%的情况下，经济城镇化、碳排放强度对经济上相邻的区域空间溢出效应不显著。

（4）通过对比可以发现：①在三种维度下，城镇化的反馈效应都非常的小，基本稳定在0.003%—0.005%的区间内，并且都不存在间接效应，这说明城镇化仅对本省份的碳排放量产生影响，不存在空间溢出效应。②在经济城镇化维度下，人口规模、人均可支配收入、城镇化对碳排放的弹性系数明显高于人口城镇化、土地城镇化维度。③在人口城镇化维度下，技术因素的反馈效应最为显著，这也说明在该维度下省份间碳减排的“逐顶竞争”现象最为明显，因为人是技术对碳减排发挥作用的载体，人口城镇化提高了人口的教育水平与科学文化素养，从而使人能够更快的学习相关技术促进碳减排。④与其他两种维度相比，土地城镇化维度下人口规模对碳排放的影响最小，这可能是因为在该维度下城镇化承载了部分人口规模的信息，从而导致人口规模对碳排放的弹性系数变小，而城镇化对碳排放的弹性系数变大。

4 研究结论与政策建议

4.1 研究结论

本文运用2008—2014年中国30个省份的面板数据，测算了各省份的碳排放量，运用ESDA方法对中国省域间碳排放的空间自相关性进行了测度与分析，之后从人口城镇化、土地城镇化、经济城镇化三种维度，运用空间杜宾面板模型实证分析了人口规模、人均可支配收入、城镇化、碳排放强度等对碳排放的影响及其空间溢出效应。得到的主要结论如下：

（1）中国各省份的碳排放存在正的空间相关性，并且在嵌套空间权重矩阵下，碳排放的空间相关性要比邻接空间权重矩阵在统计上更加显著，这说明相邻省份间的碳排放量是相互影响的，存在正的空间相关性，而经济因素则助长了这种空间相关性。

（2）由于各省份的碳排放存在显著的空间相关性，若不考虑空间相关性则估计结果会产生偏差。在人口城镇化、土地城镇化、经济城镇化的三种维度下，人口规模、人均可支配收入、技术水平既对本省份的碳排放量产生影响也存在空间溢出效应，而城镇化水平仅对本省份的碳排放量产生影响并不存在空间溢出效应。

（3）在三种城镇化维度下，人口规模都是对中国碳排放影响最大的因素；根据收入与碳排放关系的实证可以判断：中国正处于环境库兹涅茨曲线的上升阶段，中国碳排放量的绝对量和相对量依然会提高，中国未来依然面临着较大的节能减排压力；在其他条件不变的情况下，经济城镇化推进较快的省份对经济距离较近的省份的居民消费具有引力作用，而这也提高了经济城镇化推进较快省份的碳排放量，这对其协调经济发展、环境保护和地区间合作三者之间的关系提出了新的挑战。2003年，中国政府考核机制的调整，促使经济水平相近的省份在环境保护、降低碳排放量等方面开展“逐顶竞争”，这为降低中国碳排放量提供了契机。

（4）不同城镇化维度下，各因素对碳排放的影响存在明显的差异。从直接效应来看，经济城镇化模型的拟合优度高于人口城镇化、经济城镇化模型，且各解释变量的估计系数都明显大于另外两种维度，说明经济城镇化下相关因素对碳排放的影响更大；与其他两种维度相比，土地城镇化维度下的人口规模对碳排放的影响最小，这可能是因为在该维度下城镇化承载了部分人口规模的信息，从而导致人口规模对碳排放的彈性系数变小，土地城镇化对碳排放的弹性系数变大。从反馈效应来看，在人口城镇化维度下，技术因素的反馈效应最为显著，这也说明在该维度下省份间碳减排的“逐顶竞争”现象最为明显。从间接效应来看，在经济城镇化维度下，人均可支配收入对相邻省份的碳排放量有着显著的负向影响。

4.2 政策建议

（1）考虑到碳排放及其部分影响因素具有空间溢出效应，某一省份在制定相关政策时应当具有大区域的概念，相邻省份应当加强彼此间经济与政策制定方面的交流合作，发挥某一地区节能减排的“示范效应”，从而实现地区间节能减排上的协同效应。

（2）提高城镇化的质量，处理好经济发展、碳减排、城镇化三者之间的关系，使得城镇化水平与经济发展水平同地区的资源环境承载能力相适应。在城镇化发展过程中，应当切实落实中央发布的城镇化发展政策，坚持新型城镇化的发展道路。同时，积极调整区域内的产业结构与能源消费结构，降低高能耗企业所占的比重，鼓励企业在生产过程中使用低碳能源进行生产，对企业排污设备的安装及运行给予一定的财政补贴及税收优惠，从而提高绿色经济发展水平。

（3）技术水平的提高不但对本省碳排放量的降低有积极的促进作用，而且还会产生技术溢出效应，促进相邻省份的碳减排。因此，在城镇化的过程中应当努力提高在新能源开发及能源利用效率的技术水平，发挥“技术减排”的作用，切实解决技术成果从理论走向生产实践的技术难题。

（4）要加强对于城市居民低碳理念的普及与推广，引导消费者树立节能环保、绿色消费的意识。同时，要加快居民消费模式、生活方式的转变，改善居民能源消费结构，提高天然气、液化气等能源的使用比例。培养理性、适度、节约的消费模式，对节能灯具、节水设施和垃圾处理设施的使用给与财政补贴，倡导公交出行，以低碳绿色消费引领低碳发展，在全社会形成节约消费、循环消费、绿色消费的良好氛围。endprint

参考文献（References）

[1]杨晓军， 陈浩. 中国城镇化对二氧化碳排放的影响效应： 基于省级面板数据的经验分析[J]. 中国地质大学学报（社会科学版）， 2013， 13（1）： 32-37，138.[YANG Xiaojun， CHEN Hao. Effect of urbanization on CO2 emission in China： empirical study based on provincial panel data[J]. Journal of China University of Geosciences（social sciences edition）.2013， 13（1）： 32-37，138.]

[2]WANG Yuan， WANG Y， LI li， et al. Does urbanization lead to more carbon emission？ evidence from a panel of BRICS countries[J]. Applied energy， 2016， 168： 375-380.

[3]SHENG P F， GUO X H. The longrun and shortrun impacts of urbanization on carbon dioxide emission[J]. Economic modeling， 2016， （53）： 208-215.

[4]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）： 66-78.[LIN Boqing， LIU Xiying. Chinas carbon dioxide emissions under the urbanization process： influence factors and abatement policies[J]. Economic research journal， 2010（8）： 66-78.]

[5]孙叶飞， 周敏. 中国城镇化、产业结构高级化对CO2排放的影响—基于独立效应和联动效应双重视角[J]. 资源科学， 2016， 38（10）： 1846-1860.[SUN Yefei，ZHOU Min. Impact of urbanization and higher performance industrial structure on CO2 emissions in China： independent and coupling effects[J]. Resources science， 2016， 38（10）： 1846-1860.]

[6]关海玲， 陈建成，曹文. 碳排放与城市化关系的实证[J]. 中国人口·资源与环境， 2013， 23（4）： 111-116.[GUAN Hailin， CHEN Jiancheng， CAO Wen. Empirical study on the relationship between carbon emission and urbanization[J]. China population， resources and environment， 2013， 23（4）： 111-116.]

[7]OUYANG X L， LIN B Q. Carbon dioxide （CO2） emissions during urbanization： a comparative study between China and Japan[J]. Journal of cleaner production， 2017， 143： 356-368.

[8]SHENG P F， GUO X H. The longrun and shortrun impacts of urbanization on carbon dioxide emissions[J]. Economic modelling， 2016， 53： 208–215.

[9]REN L J，WANG W J，WANG J C， et al. Analysis of energy consumption and carbon emission during the urbanization of Shandong Province，China[J]. Journal of cleaner production， 2015，103：534-541.

[10]YANG Y Y， ZHANG T，WANG Y N，et al. Research on impacts of populationrelated factors on carbon emissions in Beijing from 1984 to 2012[J]. Environmental impact assessment review， 2015， 55： 45-53.

[11]畢晓航. 城市化对碳排放的影响机制研究[J]. 上海经济研究， 2015（10）： 97-106.[BI Xiaohang. The impact mechanism of urbanization on carbon emissions[J]. Shanghai journal of economics， 2015（10）： 97-106.]

[12]ALI H S， ABDULRAHIM A S， Ribadu M. Urbanization and carbon dioxide emissions in Singapore： evidence from the ARDL approach[J]. Environmental science and pollution research international， 2017， 24（2）： 1967-1974.endprint

[13]黃菁. 环境污染、人力资本与内生经济增长：一个简单的模型[J]. 南方经济， 2009（4）： 3-11，67.[HUANG Jing. Environmental pollution Human capital and endogenous growth a simple model[J]. South China journal of economics， 2009（4）：3-11，67.]

[14]MARTINEZ Z The impact of urbanization on CO2 emission： Evidence from developing countries[J]. Ecological economics， 2011， 70（7）： 1344-1353.

[15]张腾飞，杨俊，盛鹏飞. 城镇化对中国碳排放的影响及作用渠道[J]. 中国人口·资源与环境，2016，26（2）：47-57.[ZHANG Tengfei，YANG Jun，SHENG Pengfei. The impacts and channels of urbanization on carbon dioxide emissions in China[J]. China population， resources and environment， 2016， 26（2）： 47-57.]

[16]肖周燕. 中国城市化发展阶段与CO2排放的关系研究[J]. 中国人口·资源与环境， 2016， 26（2）： 47-57.[XIAO Zhouyan. Study on the relationship between urbanization and carbon dioxide emissions in China[J]. China population， resources and environment， 2016， 26（2）： 47-57.]

[17]王星. 中国城镇化对碳排放的影响——基于省级面板数据的分析[J]. 城市问题，2016（7）： 23-29.[WANG Xing. The impact of Chinas urbanization on carbon emissions： an analysis based on provincial panel data[J]. Urban problems， 2016 （7）： 23-29.]

[18]XU B， LIN B Q. How industrialization and urbanization process impacts on CO2 emissions in China： evidence from nonparametric additive regression models[J]. Energy economics， 2015， 48（3）： 188-202.

[19]刘希雅，王宇飞，宋祺佼，等 城镇化过程中的碳排放来源[J]. 中国人口·资源与环境， 2015， 25（1）： 61-66.[LIU Xiya，WANG Yufei，SONG Qijiao，et.al. Study on carbon emissions sources in Chinas urbanization process[J]. China population， resources and environment， 2015， 25（1）： 61-66.]

[20]YORK R， ROSA EA. DIETZ T. Footprints on the earth： the environmental consequences of modernity[J]. American sociological review， 2003， 68： 279-300.

[21]孙欣，张可蒙. 中国碳排放强度影响因素实证分析[J]. 统计研究， 2014， 31（2）： 61-67.[SUN Xin， ZHANG Kemeng. The empirical analysis on influence factors of carbon emission intensity in China[J]. Statistical research， 2014， 31（2）： 61-67.]

[22]APARNA D， SAIKAT K P. CO2 emissions from household consumption in India between 1993-1994 and 2006-2007： a decomposition analysis[J]. Energy economics， 2014， 41（1）：90-105.

[23]王桂新，武俊奎. 城市规模与空间结构对碳排放的影响[J]. 城市发展研究，2012， 19（3）： 89-95+112.[WANG Guixin， WU Junkui. Study on the impact of urban scale and spatial structure on CO2 emission[J].Urban development studies， 2012， 19（3）：89-95+112.]

[24]WANG Shaojiang， FANG Chuanglin， MA Haitao. Spatial differences and multimechanism of carbon footprint based on GWR model in provincial China[J]. Journal of geographical sciences， 2014， 24（4）： 612 – 630.endprint

[25]李建豹，黄贤金，吴常艳，等. 中国省域碳排放影响因素的空间异质性分析[J]. 经济地理，2015， 35（11）： 21-28.[LI Jianbao，HUANG Xianjin，WU Changyan，et al. Analysis of spatial heterogeneity impact factors on carbon emissions in China[J]. Economic geography，2015， 35（11）： 21-28.]

[26]赵红，陈雨蒙. 中国城市化进程与减少碳排放的关系研究[J]. 中国软科学， 2013 （3）： 184-192.[ZHAO Hong，CHEN Yumeng. Research on relationship between urbanization process and carbon emission reduction in China[J]. China soft science， 2013 （3）： 184-192.]

[27]AUNAN K， WANG S X. Internal migration and urbanization in China： impacts on population exposure to household air pollution （2000—2010）[J]. Science of the total environment， 2014， 481（1）： 486-195.

[28]CAO Z，WEI J，CHEN H B. CO2 emissions and urbanization correlation in China based on threshold analysis[J]. Ecological indicators， 2016， 61 （2）： 193-201.

[29]许泱，周少甫. 我国城市化与碳排放的实证研究[J]. 长江流域资源与环境，2011， 20（11）： 1304-1309.[XU Yang，ZHOU Shaofu. An empirical study on urbanization and CO2 emission[J]. Resources and environment in the Yangtze Basin， 2011， 20（11）： 1304-1309.]

[30]EHRLICH P R， HOLDREN J P. Impact of population growth[J]. Science， 1971， 171（3977）： 1212-1217.

[31]DIETZ T， ROSA EA.Rethinking the environmental impacts of population， affluence and technology[J]. Human ecology review， 1994 （1）： 277-300.

[32]李婧，谭清美，白俊红. 中国区域创新生产的空间计量分析——基于静态与动态空间面板模型的实证研究[J]. 管理世界， 2010 （7）： 43-55， 65.[LI Jing，TAN Qingmei，BAI Junhong. Spatial econometric analysis of regional innovation production in China： an empirical study based on static and dynamic spatial panel model[J]. Management world， 2010（7）： 43-55， 65.]

[33]张华，魏晓平. 绿色悖论抑或倒逼减排——环境规制对碳排放影响的双重效应[J]. 中国人口·资源与环境，2014， 24（9）：21-29.[ZHANG Hua， WEI Xiaoping. Green paradox or forced emissionreduction： dual effect of environmental regulation on carbon emissions[J]. China population， resource and environment，2014， 24（9）： 21-29.]

[34]何凌云，吴梦，尹芳.可再生能源投资总量和结构对碳排放的影响研究[J]. 中国地质大学学报（社会科学版）， 2017， 17（1）： 76-88.[HE Lingyun，WU Meng， YIN Fang. Effect of total amount and structure of renewable energy investment on carbon emissions of China[J]. Journal of China University of Geosciences（social sciences edition ）[J]， 2017， 17（1）： 76-88.]

[35]张琳，王亚辉，郭雨娜. 中国土地城镇化与经济城镇化的协调性研究[J]. 华东经济管理， 2016， 30（6）： 111-117.[ZHANG Lin，WANG Yahui，GUO Yuna. A research on the coordination of land urbanization and economic urbanization in China[J]. East China economic management， 2016， 30（06）： 111-117.]

[36]李斌. 中國货币政策有效性的实证研究[J]. 金融研究， 2001 （7）： 10-17.[LI Bin. An empirical study on the effectiveness of Chinas monetary policy[J]. Journal of financial research， 2001 （7）： 10-17.]endprint

[37]刘法威，许恒周，王姝. 人口-土地-经济城镇化的时空耦合协调性分析—基于中国省际面板数据的实证研究[J].城市发展研究， 2014， 21（8）： 7-11.[LIU Fawei， XU Hengzhou， WANG Shu. Analysis on spatialtemporal coupling coordinate degree among population， land and economy urbanization： based on China provincial panel data[J]. Urban development studies， 2014， 21（8）： 7-11.]

[38]CAI B F，WANG J N， YANG S Y， et al.Carbon dioxide emissions from cities in China based on high resolution emission gridded data[J]. Chinese journal of population， resources and environment， 2017，15（1）：58-70.

[39]CAI B F，WANG J N， YANG S Y， et al.2017.Carbon dioxide emissions from cities in China based on high resolution emission gridded data[J]. Chinese journal of population， resources and environment， 2016，15（1）：58-70.

[40]高廣阔，张腾化，马海娟.新型城市碳排放环境库兹涅茨曲线检验——基于中国城市面板数据分析[J]. 经济与管理评论，2015（4）：5-10.[GAO Guangkuo，ZHANG Tenghua，MA Haijuan. The testing of environment Kuznets Curve for carbon emissions of new cities： based on the panel data analysis of cities in China[J]. Review of economy and management，2015（4）：5-10.]endprint