京津冀与长三角城市群碳排放的空间聚集效应比较

陈操操,蔡博峰,孙 粉,丁 都,于凤菊,杨晓燕,王立波,贾秋淼,庄云鹏,胡永锋,王金南



京津冀与长三角城市群碳排放的空间聚集效应比较

陈操操1*,蔡博峰2,孙 粉1,丁 都1,于凤菊1,杨晓燕1,王立波1,贾秋淼1,庄云鹏1,胡永锋1,王金南2

(1.北京市应对气候变化研究中心,北京100031；2.环境保护部环境规划院,北京100012)

基于中国高空间分辨率碳排放网格数据(CHRED),采用探索性空间分析手段(ESDA)和空间回归模型分析京津冀和长三角城市群碳排放指标空间格局和聚集特点,通过显著性检验选择空间滞后回归(SLM)和空间误差回归(SEM)方法,揭示城市群碳排放水平的影响因素.结果表明,京津冀城市群碳排放在空间上表现出更多的随机性和结构不稳定性,Moran自相关系数为-0.131;长三角城市群碳排放在空间上表现聚集趋势明显,Moran自相关系数0.106,二氧化碳排放受到临近区域的影响.人口和经济因素是京津冀城市群和长三角城市群碳排放的最主要驱动因素.总体上长三角地区碳排放总体扩散效应显著,而京津冀城市群极化效应更明显.区域发展的多中心化是大城市病治理的重要导向,同时要注意对区域碳排放溢出热点进行控制,促进城市群一体化和低碳化发展,实现区域碳平衡.

城市群；聚集效应；空间模型；影响因素

在全球气候变暖的大背景下,气候变化与城市扩张效应交织在一起,也使得人口和财富高度密集的城市群面临着不断加剧的气候灾害风险.由于城市能够在应对气候变化方面起到关键的作用[1],如何降低资源能源消耗、转变旧有发展模式,走出集约、低碳、绿色新型城镇化道路成为我国城镇化发展的重要导向.

近年来,有关区域或城市空间聚集特征以及与环境要素的关系成为不同学科背景学者关注的热点,主要集中在下面3个方面:(1)基于统计数据、遥感数据等评估不同区域尺度能源消费碳排放量、人均碳排放量空间格局及变化趋势[2-5].(2)研究SO2、NO等大气污染物及CO2等与收入之间的环境库兹涅茨曲线关系[6-10].(3)综合运用空间相关、面板数据等计量经济学模型分析城市群分析碳排放的影响因素与机制[11-14].研究的角度涵盖了国家[4,15-17]、区域[2,8,18-19]、城市[4,9,20-21]以及家庭和个人层面[22-24]维度.研究者开始从传统的回归分析方法上升到空间分析方法,将区域差异和空间关联考虑到研究当中,侧重于国家和省级尺度,研究模型多选择空间自相关模型、截面模型或其他空间计量模型,然而欠缺在城市群尺度考虑空间关联且针对碳排放空间聚集特征与影响因素的研究.大量研究表明,基于社会经济特征的距离权重空间计量模型能够较好地解释区域能源消费及碳排放的空间效应及其区域差异.

我国目前20多个城市群地区集中了全国一半以上的人口总量,近7成的固定资产投资及超过80%的经济总量[25].本研究选择京津冀和长三角城市群进行对比分析,首先通过探索性空间分析了解碳排放变量的空间分布和自相关性,包括变量空间分布、全局空间自相关和局部自相关分析,其次设计合理的空间回归模型,基于显著性检验选择空间滞后回归、空间误差回归和空间加权回归模型,揭示城市群碳排放水平的影响因素,探讨制定城市群低碳政策的依据.

1 数据与方法

1.1 研究区简介

根据2015年国务院审议通过的《京津冀协同发展规划纲要》[26],京津冀城市群包括北京市、天津市以及河北省的保定、廊坊、唐山、张家口、承德、秦皇岛、沧州、衡水、邢台市、邯郸、石家庄等11个地级市和河南省安阳市,面积22.5万km2,北京和天津是京津冀城市群的双核心城市,京津冀其他城市相对京津而言为边缘地区.据统计数据显示,2012年京津冀城市群地区生产总值约为5.96万亿元,占全国GDP的11.5%,常住人口1.1亿人,占全国总人口的8.1%.

长三角城市群在上海市、江苏省、浙江省、安徽省范围内,主要分布于国家两横三纵城市化格局的优化开发和重点开发区域.根据2016年5月国务院批准的《长江三角洲城市群发展规划》[27],范围包括:上海市,江苏省的南京、无锡、常州、苏州、南通、盐城、扬州、镇江、泰州,浙江省的杭州、宁波、嘉兴、湖州、绍兴、金华、舟山、台州,安徽省的合肥、芜湖(国务院在2011年7月14日以国函[2011] 84号文下发给安徽省名为《国务院关于同意安徽省撤销地级巢湖市及部分行政区划调整的批复》,对巢湖市,芜湖市和马鞍山市的管辖范围进行调整.本文所有研究边界按照调整后的范围进行分析)、马鞍山、铜陵、安庆、滁州、池州、宣城等26市,面积21万km2,上海是长三角城市群的核心城市.2012年长三角城市群地区生产总值约为10.76万亿元,占全国GDP的20.7%,常住人口1.43亿人,占全国总人口的10.6%.

1.2 数据来源与处理方法

1.2.1 全局空间自相关模型 空间数据拥有两个重要特征,即空间自相关(Spatial Autocorrelation)和空间异质性(Spatial Heterogeneity)[28].空间计量统计通常采用2类统计指标,Moran I指数以及Geary c指数[29-30],其作用基本相同,在实际研究中Moran指数更为常用.因此本研究选择Moran全局自相关和局部自相关指数[28,31-32],借助空间探索性分析技术(Exploratory Spatial Data Analysis)分析城市碳排放的空间自相关性,识别城市群不同区域间碳排放数据的空间依赖性或空间自相关特征.其中,全局空间自相关Moran’s指数定义如下:

1.2.2 局部空间自相关模型 全局自相关并未对空间自相关的区域结构进行评价,不能完全反映区域内部空间聚集特征,可进一步采用局部自相关探测出区域的高值聚集区(热点)和低值聚集区(冷点)[33].LISA(Local Indicators of Spatial Association)是将全局自相关Moran’s分解到各个区域单元.本研究定义的局部空间关联性指标Local Moran’s指数如下所示:

式中:Y同上表示第地区的观测值,z是x的标准化变换,w为归一化后的权重矩阵.局部Moran’s可解释为从局部和全局统计之间得到的局部不稳定指标.显著性水平可以根据的值检验水平来确定.根据局部Moran’s的含义,结合Moran散点图,可将城市之间的局部空间关联性质划分为高-高(HH)、低-低(LL)、低-高(LH)和高-低(HL)等4种类型,诊断区域空间聚集的“热点”和“冷点”.Moran散点图中高-高(HH)表示研究区高值区域被高值区域包围;低低(LL)表示低值区域被低值区域包围;高-低(HL)表示高值区域被低值区域包围;低-高(LH)表示低值区域被高值区域包围.而HH(LL)聚集型的局部Moran’s指数为正值,城市之间研究指标存在正向的空间自相关关系,形成高值(或低值)空间聚集效应.HL(LH)聚集型的局部Moran’s指数为负值,城市之间研究指标存在负向的空间自相关关系,形成高低值聚集的空间效应.

1.2.3 空间回归模型 空间效应是空间数据的基本特征,反映空间因素对经济计量模型的影响.本文使用的空间计量模型主要考虑了空间效应(空间相关和空间差异)的空间回归模型,包括2种类型:空间滞后模型(Spatial Lag Model,SLM)和空间误差模型(Spatial Error Model,SEM)[34].空间滞后模型主要是探讨各变量在区域是否存在扩散现象(溢出效应).其模型基本表达式如下:

式中:为因变量;与分别对应常规回归模型中的自变量和残差项,参数反映了自变量对因变量的影响;为空间滞后因变量效应系数;为×阶的空间权值矩阵;反映了空间效应对区域变量的作用.空间误差模型用于发现区间的相互作用因所处的相对位置不同而存在的差异.其模型基本表达式如下:

式中:与与空间滞后模型含义一致,区别之处在于空间误差模型反映空间对因变量的影响并非反映在空间滞后因变量上,而是表现在模型没有考虑的误差项上,度量了邻近地区关于因变量的误差冲击对本地区观察值的影响程度.

根据Dietz等[35]提出的经典模型的基本假定,人口规模()、人均财富()和技术进步水平()是对环境压力()的主要影响因素.综合已有类似研究,为避免模型因子过多而出现多重共线性,以碳排放为被解释变量,以人口规模和人均财富为解释变量,技术因素作为残差项.将京津冀和长三角城市群地区各城市碳排放分解为溢出效应和增长效应,结合空间相关分析构建空间滞后模型和空间误差模型,其模型表达式如下.

对于SLM和SEM模型如采用传统的最小二乘法(OLS),系数估计会有偏或者无效,需要通过极大似然法或广义最小二乘法等来进行估计.本文选取极大似然法来估计SLM和SEM模型的参数[34,36],然后使用LM检验判断2种模型的适合程度,采用的检验参数包括对数似然函数值(LogL)、似然比率(LR)、赤池信息准则(AIC)和施瓦茨准则(SC).LogL值越大,LR值越显著,AIC值和SC值越小,模型的拟合效果越好.空间统计分析采用Arcgis10.1和GeoDa0.95i.

京津冀城市群和长三角城市群碳排放数据来自基于中国高空间分辨率网格数据(CHRED)建立的中国2012年排放网格数据[37].该数据采用了统一数据源和规范化、标准化数据处理方法,数据来源于北京、天津、河北、河南、上海、浙江、江苏、安徽等省市地区相应年份的统计年鉴,是国内首个自下而上建立的排放网格数据,适合于国内相关研究横向比较和对标.数据范围为2012年京津冀城市群14个地级市,长三角城市群26个地级市的碳排放、人口和人均GDP等数据.

2 结果与讨论

2.1 描述性统计分析

如表1,在区域碳排放总量,单位面积排放量等指标上,京津冀城市群低于长三角城市群,但在城市平均碳排放水平,京津冀地区高于长三角地区.京津冀城市群2012年碳排放量总量为11.4亿t,长三角城市群总量14.5亿t;单位面积碳排放对比,京津冀城市群单位面积碳排放0.51万t/km2,低于长三角地区同类指标0.69万t/km2.城市碳排放平均水平对比,京津冀地区由于城市数量少平均排放量相对更高,京津冀城市群平均碳排放为8175万t,是长三角城市群平均碳排放5582万t的1.46倍.京津冀城市群14座城市中排放量超过15000万t的城市有3座,排放量最高的城市为天津,排放量为22074万t.相比之下,长三角城市群26座城市中排放量超过15000万t的城市只有2座,上海市碳排放量在两个城市群中最高,达到25726万t.2个城市群均由超大型中心城市、中型城市和小型城市构成,京津冀城市群碳排放变异系数80.84%,要略低于长三角城市群92.03%,相比之下长三角城市群碳排放离散程度更高.

表1 2012年京津冀和长三角城市群二氧化碳描述性统计结果(万tCO2当量)

2.2 空间聚集形态

将京津冀和长三角城市群碳排放分级并符号化和空间化,如图1所示,京津冀城市群核心城市、次级城市和卫星城市在碳排放上的梯级关联不明显,紧邻的北京、天津和唐山是京津冀排放最高的3个城市,排放量均在15000万t以上,次级城市石家庄和邯郸,排放量高于8000万t但低于15000万t,处于4000~8000万t级别的城市3个,位于城市群西部南北方向,剩下6个城市均在4000万t以下,然而围绕着京津冀核心城市北京和天津,其他城市碳排放空间联系并不明显.而长三角城市群碳排放存在较明显的沿江和沿海梯级联系,在沿长江方向上,上海和苏州是排放量高于15000万t的2个城市,南京排放位于8000~15000万t之间,是沿长江方向的次级排放城市,常州、无锡、合肥等沿江城市排放位于4000~8000万t之间.除此之外,长三角城市群南部及沿海的杭州和宁波同属于8000~15000万t排放级别.总体上看长三角城市群碳排放量呈现聚集的连片分布和梯级特征,表明空间分布可能存在空间关联.

2.3 全局与局部空间自相关分析

通过表2的结果可见,京津冀城市群碳排放量全局Moran’s指数为-0.131,检验为负值,但未通过值显著性检验,京津冀研究区域碳排放体现为高低集聚,整体空间异质性大;长三角城市群地区全局Moran’s指数为0.106,检验数值较高,且值通过10%的显著性检验,表明长三角城市群碳排放空间整体体现为聚集性特点.

(a)京津冀城市碳排放

(b)长三角城市群碳排放

图1 研究区碳排放分级

Fig.1 classification map of carbon dioxide emissions in research region

表2 京津冀和长三角城市群二氧化碳全局自相关检验

注:*代表通过a=0.10的显著性水平检验.

通过建立Moran散点图了解研究区域的空间自相关性,挖掘碳排放总量的空间聚集格局变化的可视化信息.由图2可见,京津冀城市群中71%以上的城市位于高-低(HL)型或低-高(LH)型区域,形成空间负相关分布.京津冀城市群有保定、沧州、衡水和天津4城市碳排放表现为正向的空间关联性,低-低(LL)型城市3个,高-高(HH)型城市仅天津1个.长三角城市群中超过半数共14个城市表现为正向的空间关联性,其中高-高(HH)型城市3个,分别为上海、无锡和苏州,低-低(LL)型城市11个,主要分布在长三角西部和北部城市群外围的合肥、安庆和池州等地.长三角城市群位于高-低(HL)型或低-高(LH)型区域城市共12个,分布在上海、苏州、无锡、杭州等中心城市或次级中心城市周边.

在Z检验的基础上生成京津冀和长三角城市局部区域聚集图,借助局部空间聚集分析了解区域城市群碳排放极化、扩散作用及冷热点分区情况,可以通过经济发展情况对碳排放冷热点分区进行解释.京津冀城市群在局部区域上Moran's指数通过0.05显著性水平检验的地区为承德市,显示为低-高(LH)类型.承德市紧邻北京和天津,作为首都生态安全屏障,尽管区位优势明显,矿产资源、清洁能源和农产品资源丰富,但是经济发展相对落后,城镇化整体水平和经济结构均不高,随之碳排放水平也处于较低的水平.长三角城市群在局部区域上有4个城市Moran's指数通过0.05显著性水平检验.上海市作为长三角城市群的核心城市,属于局部自相关高-高(HH)类型区域,与周边的苏州等地形成碳排放空间聚集区域.位于上海和苏州南北两翼的嘉兴和南通市碳排放与上海市和苏州距离较大,属于局部自相关为低-高(LH)类型区域.位于安徽在长三角地区经济发展水平相对较低,以池州市为代表形成低-低(LL)类型区域.

2.4 空间回归模型分析

基于空间回归模型分析城市群碳排放的影响因素,其初始假定人口和GDP是城市群碳排放的重要影响因子,将空间相互作用关系融入到模型中,考虑采用SLM和SEM两类空间计量经济模型进行评估.具体检验过程是通过空间滞后模型和空间误差模型两个拉格朗日乘子LMerr、LMlag和稳健形式RLMerr、RLMlag检验,联合普通标准回归的残差项检验城市群碳排放的空间依赖性,进而成为空间回归模型SLM和SEM形式的条件判断.

由表3可见,研究期内京津冀城市群碳排放Moran's的值未通过=0.05的显著性检验,而长三角城市群碳排放Moran's值通过=0.05的显著性检验,表明京津冀城市群城市之间碳排放空间关联性不够强,长三角城市群碳排放空间关联性明显,在京津冀选取OLS经典最小二乘模型是适宜的,而长三角地区碳排放需要考虑周边地区的相互影响.这一结论与之前本研究空间自相关的结论相一致.进一步比较拉格朗日乘子的显著性发现,长三角城市群采取空间滞后模型时拉格朗日乘子(Lagrange Multiplier lag)通过了0.001的显著性检验,采用空间误差模型时拉格朗日乘子(Lagrange Multiplier error)没有通过显著性检验,因此,长三角城市群地区选择空间滞后模型要优于空间误差模型.

表3 京津冀和长三角城市群碳排放空间依赖性检验

注:***、**和*分别表示1%、5%和10%的显著性水平.

由表4可见,基于OLS模型对京津冀城市群碳排放的解释效力已经较高,拟合优度2=0.709,人口和人均财富是重要的影响因素,人口指标通过5%的显著性水平检验,人均财富指标通过10%的显著性水平检验.从OLS模型系数的大小和方向上看,京津冀城市群人口和人均财富对碳排放体现的弹性系数均为正值,与经济学含义相符,人口弹性0.817要略高于人均财富弹性0.634.这意味着在京津冀城市群地区,人口和经济对碳排放作用影响都较强,人口的作用更加突出,每增加1%人口,将增加碳排放0.817%,每增加1%人均GDP,将增加碳排放0.634%.

与之类似,加入空间截面影响因素后,基于SLM模型对长三角城市群碳排放的拟合优度R=0.878,人口、人均财富和滞后变量均通过1%的显著性水平检验.长三角城市群各城市之间碳排放存在较强的空间依赖性,从SLM模型系数的大小和方向上看,长三角城市群人口和人均财富对碳排放体现的弹性系数同样为正值,人均GDP弹性系数为0.879,高于人口弹性系数0.441.在长三角城市群地区,每增加1%人均GDP,将增加碳排放0.879%,每增加1%人口,将增加碳排放0.441%,领近域每增加1%的碳排放,将增加被研究区碳排放0.182%.

表4 京津冀和长三角城市群碳排放空间回归估计结果

注:京津冀城市群采用OLS模型,长三角城市群采用SLM模型; ***、**和*分别表示1%、5%和10%的显著性水平.

综合城市群发展规律的极化-扩散理论和中心-外围理论对碳排放进行讨论和印证.城市群发展同时具有极化和扩散两种效应相互作用.极化表现为中心城市存在基础设施、人才、技术等各种优势,外围次级城市无法与之抗衡,导致周边城市各种资源进一步向中心城市集中,成为资源要素的聚集地和区域经济活动的中心,这一效应扩大了中心和外围城市间的差距.

城市和城市群作为人类社会经济活动的主要聚集地和社会生产力高度集聚的空间组合,其碳排放从表观上看与整个社会的能源生产、供给和需求状况有着密切的联系,从深层次上看与人口空间结构和经济发展格局息息相关.结合本研究空间模型回归结果,京津冀城市群碳排放更多表现为极化效应,且主要体现为人口驱动型影响.杨卡等[38]利用北京市天津市和河北省的第六次人口普查数据的就业统计数字,计算京津冀都市圈空间基尼系数,发现科研人员、专业技术人员等超过60%汇聚在北京,人才资源在首都的聚集特征突出.封志明等[39]研究京津冀都市圈人口集疏过程与空间格局变化,发现人口聚集和流入地区集中在北京、天津、石家庄等大城市地区,主要流出地分布在承德、张家口、保定等山地丘陵区,已形成北京、天津、石家庄为中心,其他地市县域人口分别向外依次扩展的人口多中心分布的圈层结构.可见人口流动的分布格局与本研究的碳排放空间分布相似性.京津冀城市群地区经济发展不平衡,资源分布差异大,尤其是北京和天津双直辖市在集聚资源方面能够给投资者和创业者提供更好的平台,吸引各方人才资源向京津聚集,形成对周边地区虹吸效应,强化了区域发展的不对称状态.

长三角城市群碳排放综合表现为扩散效应,主要体现为经济驱动型影响.扩散效应表现为中心城市形成后,外围次级城市与中心城市进行产业合作,主中心城市的资源、技术、资金等资源要素向外辐射,带动周边城市经济社会发展[40].毕秀晶[41],黄洁等[42]研究发现长三角城市群多中心化、均衡化的空间演化过程趋势明显,目前已经发展到多中心多组团均衡化阶段.孙东琪等[43]通过引入感应度系数和影响力系数,构建产业联系强度测度模型,探讨了长江三角洲与京津冀城市群产业空间联系特征,发现长三角城市群地区平均产业联系强度和整体经济水平要高于京津冀城市群,京津冀城市群中心城市与外围地区的产业联系强度参差不齐,是造成城市群空间经济发展不平衡性的重要原因,北京和天津双中心的内化集聚效应显著,但并不如上海单中心扩散效应明显.

2.5 讨论

当前国内省级和市级行政区域以下缺乏统一的由权威机构发布的碳排放数据[44],即便在同一活动水平下,由于排放因子、碳氧化率等重要参数取值不同,碳排放结论也可能产生较大差异.本研究选取中国高空间分辨率网格数据(CHRED)建立的国家排放网格数据,基于统一的数据源有助于保证基础数据规范化、标准化和可比较.

城市化聚集效应与碳排放关系问题是目前研究的热点之一.京津冀和长三角城市群碳排放的空间格局均受人口和经济因素等重要因素影响,长三角地区碳排放总体扩散效应显著,而京津冀城市群极化效应更明显.结合当前京津冀城市群面临亟待解决的大城市病和京津冀协同发展问题,促进城市群“极化效应”向“扩散效应”转移,通过区域合作与城市功能布局优化,积极应用低碳技术,实现城市群内部不同功能城市的分工合作和资源优化组合,强化碳排放的发散效应,促进城市群一体化和低碳化发展,实现区域碳平衡,是京津冀城市群当前合理的政策导向.长三角城市群则要根据城市群所处的不同阶段,对区域碳排放溢出热点进行控制,通过区域合作,实现城市群内部不同功能城市的分工合作和资源最优化.

由于空间自相关性具有较强的尺度依赖性,不同尺度研究空间自相关的研究结论存在显著影响.本研究仅是从城市群角度对碳排放空间格局变化的初步研究,受现有可获得数据限制,仅有2012年数据,研究空间尺度为地级市,与前人研究结论基本吻合[40,45].深入系统研究京津冀和长三角城市群碳排放空间聚集特点及影响因素,需要基于同一标准数据的长时间序列的深入分析,研究尺度宜在县域或更小空间尺度上展开.

3 结论

3.1 京津冀和长三角城市群碳排放空间分布并非处于完全随机状态,空间差异和地理邻近是决定区域碳排放的重要因素.京津冀城市群碳排放在空间上表现出更多的随机性和结构不稳定性,集中聚集趋势不明显,空间自相关Moran’s系数为-0.131;长三角城市群碳排放在空间上表现聚集趋势明显,Moran’s自相关系数0.106.

3.2 利用截面空间模型检验和甄别碳排放空间聚集性和依赖性的影响因素,探讨了人口和经济因素分别对京津冀城市群和长三角城市群的碳排放影响,发现人口和经济因素是京津冀城市群和长三角城市群碳排放的主要驱动因素.在京津冀城市群地区,每增加1%人口,将增加碳排放0.817%,每增加1%人均GDP,将增加碳排放0.634%;在长三角城市群地区,每增加1%人均GDP,将增加碳排放0.879%,每增加1%人口,将增加碳排放0.441%,相邻区域每增加1%的碳排放,将增加碳排放0.182%.长三角城市群空间滞后模型的总体拟合效果优于空间误差模型,地理距离对地区碳排放的空间相关性影响大.

3.3 长三角地区碳排放总体扩散效应显著,而京津冀城市群极化效应更明显.从均衡发展角度,城市群发展的多中心化是大城市病治理的重要出路,但同时城市群也要强化碳排放的区域目标控制,对表现为扩散区域碳排放溢出热点进行控制,促进城市群分工合作和资源优化分配,实现一体化和低碳化发展,达成区域的碳平衡.

[1] 方创琳,宋吉涛,蔺雪芹.中国城市群可持续发展理论与实践[M]. 北京:科学出版社, 2010:135.

[2] 汪 浩,陈操操,潘 涛,等.县域尺度的京津冀都市圈CO2排放时空演变特征[J]. 环境科学, 2014,33(1):385-393.

[3] 苏泳娴,陈修治,叶玉瑶,等.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, 2013,68(11):1513-1526.

[4] 王海鲲,张荣荣,毕 军.中国城市碳排放核算研究—以无锡市为例[J]. 中国环境科学, 2011,31(6):1029-1038.

[5] 谢士晨,陈长虹,李 莉,等.上海市能源消费CO2排放清单与碳流通图[J]. 中国环境科学, 2009,29(11):1215-1220.

[6] 范 丹.中国二氧化碳EKC曲线扩展模型的空间计量分析[J]. 宏观经济研究, 2014,(5):83-91.

[7] Stern D I, Common M S, Barbier E B. Economic growth and environmental degradation: The environmental Kuznets curve and sustainable development [J]. World Development, 1996,24(7): 1151-1160.

[8] 田中华,杨泽亮,蔡睿贤.广东省能源消费碳排放分析及碳排放强度影响因素研究[J]. 中国环境科学, 2015,35(6):1885-1891.

[9] 陈操操,刘春兰,汪 浩,等.北京市能源消费碳足迹影响因素分析—基于STIRPAT模型和偏小二乘模型[J]. 中国环境科学, 2014,34(6):1622-1632.

[10] Apergis N, Ozturk I. Testing Environmental Kuznets Curve hypothesis in Asian countries [J]. Ecological Indicators, 2015, 52(5):16-22.

[11] 龙家勇,吴承祯,洪 伟,等.中国省域二氧化碳排放量的空间自相关分析[J]. 生态经济, 2011,(10):49-53.

[12] 郑长德,刘 帅.基于空间计量经济学的碳排放与经济增长分析[J]. 中国人口.资源与环境, 2011,(5):80-86.

[13] 孙庆刚,郭菊娥,师 博.中国省域间能源强度空间溢出效应分析[J]. 中国人口.资源与环境, 2013,(11):137-143.

[14] Narayan P K, Popp S. The energy consumption-real GDP nexus revisited: Empirical evidence from 93countries [J]. Economic Modelling, 2012,29(2):303-308.

[15] 徐盈之,王书斌.碳减排是否存在空间溢出效应?—基于省际面板数据的空间计量检验[J]. 中国地质大学学报(社会科学版), 2015,(1):41-50.

[16] 刘佳骏,史 丹,汪 川.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, 2015,(8):1289-1303.

[17] Shahiduzzaman M, Layton A, Alam K. Decomposition of energy-related CO2emissions in Australia: Challenges and policy implications [J]. Economic Analysis & Policy, 2015,45:100-111.

[18] 齐绍洲,林 屾,王班班.中部六省经济增长方式对区域碳排放的影响—基于Tapio脱钩模型、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, 2015,(5):59-66.

[19] Moutinho V, Moreira A C, Silva P M. The driving forces of change in energy-related CO2emissions in Eastern, Western, Northern and Southern Europe: The LMDI approach to decomposition analysis [J]. Renewable & Sustainable Energy Reviews, 2015,50:1485-1499.

[20] Hillman T, Ramaswami A. Greenhouse Gas Emission Footprints and Energy Use Benchmarks for Eight U.S. Cities [J]. Environmental Science & Technology, 2010,44(6):1902-1910.

[21] Browne D, O'Regan B, Moles R. Comparison of energy flow accounting, energy flow metabolism ratio analysis and ecological footprinting as tools for measuring urban sustainability: A case-study of an Irish city-region [J]. Ecological Economics, 2012,83(6):97-107.

[22] 顾 鹏,马晓明.基于居民合理生活消费的人均碳排放计算[J]. 中国环境科学, 2013,(8):1509-1517.

[23] Shui B, Dowlatabadi H. Consumer lifestyle approach to US energy use and the related CO emissions [J]. Energy Policy, 2005,33(2):197-208.

[24] Druckman A, Jackson T. The carbon footprint of UK households 1990-2004: A socio-economically disaggregated, quasi-multi- regional input-output model [J]. Ecological Economics, 2009, 68(7):2066-2077.

[25] 贾 卓.中国西部城市群产业演变及优化路径研究[D]. 兰州:兰州大学, 2013.

[26] 中国网.京津冀协同发展规划纲要[EB/OL]. http://news. china.com.cn/node_7222674.htm.

[27] 国家发展改革委,住房城乡建设部.关于印发长江三角洲城市群发展规划的通知[EB/OL].http://www.ndrc.gov.cn/zcfb/ zcfbghwb/201606/t20160603_806390.html.

[28] Anselin L. Spatial Econometrics: Methods and Models. Studies in Operational Regional Science [M]. Klwer Academic Plublishers, 1988.

[29] Geary R C. The Contiguity Ratio and Statistical Mapping [J]. Incorporated Statistician, 1954,5(3):115-145.

[30] Moran P A. Notes on Continuous Stochastic Phenomena [J]. Biometrika, 1950,37(1/2):17-23.

[31] Spatial externalities, spatial multipliers, and spatial econometrics [J]. International regional science review, 1998,2(26):153-166.

[32] Dubin. Spatial autocorrelation: a primer [J]. Journal of housing economics, 1998,4(7):304-327.

[33] 陈刚强,李 郇,许学强.中国城市人口的空间集聚特征与规律分析[J]. 地理学报, 2008,(10):1045-1054.

[34] Anselin. Spatial Econometrics: Methods and Models [M]. Dordrecht Kluwer Academic Publishers, 1998.

[35] Dietz T, Rosa E A. Effects of population and affluence on CO2emissions. [J]. Proceedings of the National Academy of Sciences, 1997,94(1):175-179.

[36] 吴玉鸣,何建坤.研发溢出、区域创新集群的空间计量经济分析[J]. 管理科学学报, 2008,(4):59-66.

[37] 蔡博峰,王金南,杨姝影,等.中国城市CO2排放数据集研究—基于中国高空间分辨率网格数据[J]. 中国人口·资源与环境, 2017,(2):1-4.

[38] 杨 卡.大北京人口分布格局与多中心性测度[J]. 中国人口·资源与环境, 2015,(2):83-89.

[39] 封志明,杨 玲,杨艳昭,等.京津冀都市圈人口集疏过程与空间格局分析[J]. 地球信息科学学报, 2013,15(1):11-18.

[40] 随志宽.京津冀与长三角都市圈主次城市关系及产业比较研究[D]. 北京:中央财经大学, 2015.

[41] 毕秀晶.长三角城市群空间演化研究[D]. 上海:华东师范大学, 2014.

[42] 黄 洁,吝 涛,张国钦,等.中国三大城市群城市化动态特征对比[J]. 中国人口.资源与环境, 2014,(7):37-44.

[43] 孙东琪,张京祥,胡 毅,等.基于产业空间联系的“大都市阴影区”形成机制解析—长三角城市群与京津冀城市群的比较研究[J]. 地理科学, 2013,(9):1043-1050.

[44] 吴 遵.气候变暖背景下的中国碳排放的时间演变轨迹及区域特征[D]. 合肥:中国科学技术大学, 2013.

[45] 卢镱逢,尹德挺,史 毅.经济发展、城市化与人口空间分布—基于北京、东京和多伦多的比较分析[J]. 北京行政学院学报, 2015,(6):83-91.

Spatial agglomeration effects of carbon dioxide emissions between Beijing-Tianjin-Heibei region and Yangtze River delta region.

CHEN Cao-cao1*, CAI Bo-feng2, SUN Fen1, DING Du1, YU Feng-Ju1, YANG Xiao-yan1, WANG Li-bo1, JIA Qiu-miao1, ZHUANG Yun-peng1, HU Yong-feng1,WANG Jin-nan2

(1.Beijing Climate Change Research Centre, Beijing 100031, China；2.Chinese Academy for Environmental Planning, Beijing 100012, China)., 2017,37(11)：4371~4379

Based on China High Resolution Emission Gridded Data (CHRED), the spatial pattern and agglomeration characteristics of carbon dioxide emissions in Beijing-Tianjin-Heibei region and Yangtze River Delta region are analysed by means of exploratory spatial data analysis techniques (ESDA) and spatial regression model. By mean of significant test, we explore the spatial lag regression (SLM) and spatial error regression (SEM) method to reveal the influence factors of carbon emissions in urban agglomeration. The carbon emission in Beijing-Tianjin-Hebei region proves to be more in spatial randomness and structural instability with index of Moran’s I value -0.131. However, the spatial agglomeration effects in the Yangtze River Delta region are obvious with index of Moran’s I value 0.106 that neighbour regions pose great effect on carbon emissions. Population and economic factors are the main influence factors of carbon emissions in above mention two urban agglomerations. In general, the diffusion effect of carbon emissions in the Yangtze River Delta region proves to be more apparently. However the agglomeration effect of carbon emissions in Beijing-Tianjin-Heibei region is still obvious. Turning to multicentre of regional development is one of the important measure to solve the metropolitan malaise. And metropolitan region should strengthen the object control of divergent effect of carbon emissions, promote the integration of low-carbon development, and achieve regional carbon emissions balance.

urban agglomeration；aggregate effect；spatial model；influence factor

X196

A

1000-6923(2017)11-4371-09

陈操操(1980-),男,广东湛江人,研究员,博士,主要研究领域为气候变化与能源政策.发表论文20余篇.

2017-04-01

国家自然科学基金资助项目(41001380);北京市青年拔尖人才资助项目(2014000021223ZK42);国家环境保护部青年拔尖人才资助项目;北京市自然科学基金资助项目(8122023)

* 责任作者, 研究员, chencc@bcrc.gov.cn