中国城市碳排放的空间格局及影响机制——基于285个地级市截面数据的分析

(华北水利水电大学 测绘与地理信息学院,河南 郑州 450046)

城市是人类能源活动和碳排放集中分布的区域,城市直接和间接产生的碳排放占全球碳排放的绝对主体[1]。国际能源署的统计数据显示,2007年我国的碳排放总量已超过美国,成为全球第一大排放国,且呈持续增长的趋势[2]。面对日益增长的碳排放和国际减排压力,我国承诺争取到2020年碳排放强度比2005年下降40%—45%[3],城市是实现减排目标的主要执行单元之一,所以减排目标的实现不仅依赖于国家层面宏观的碳减排政策,更依赖于市域层面具体实施节能减排行动[4]。近年,国内外学者从不同空间尺度围绕区域碳排放的空间差异及影响因素开展了大量研究。就国家层面而言,宋德勇[5]、朱勤等[6]对我国城市碳排放的影响因素进行了分析,并对碳排放的周期波动特征进行了实证研究，量化了各种影响因素的贡献率;林伯强[7]等用修正后Kaya恒等式研究了我国当前城市化阶段碳排放的影响因素。国外学者一般是从人口规模[8]、城市化水平[9]、能源消费[10]等因素分析与碳排放之间的关系。区域尺度上,部分学者采用LMDI因素分解模型、SVAR模型、STIRPAT模型、Kaya恒等式、协整分析、格兰杰因果关系检验、计量经济模型等方法对北京[11]、广东[12]、江苏[13]、新疆[14]等省市碳排放的区域特征及其影响因素进行了研究。城市尺度上,Wang等[15]以北京为例，对CO2的影响因素进行了实证分析,发现城市化水平、经济增长和产业结构是碳排放增加的主要因素;方创琳等[16]从城市形态的角度入手,以我国30个省会城市为例,量化了城市形态对碳排放的影响。目前,碳排放空间格局研究也是区域碳排放研究的热点之一,但大多只是从国家层面和省级尺度进行了研究。

以上研究主要集中在国家层面[17]和省级[18,19]尺度,而对我国城市碳排放的空间差异及影响机制研究还需进一步加强。本文在对我国285个城市碳排放进行核算的基础上,通过构建计量模型定量解析城市碳排放的影响机制,开展了城市碳排放不同类型区的的划分,并提出了不同类型区城市低碳发展的策略,有助于为城市层面的碳减排和不同类型城市低碳道路的选择提供实践指导。

1 理论框架、数据来源与研究方法

1.1 理论框架

城市碳排放是一个受多种要素相互作用形成的复杂系统。一方面,城市碳排放和碳流通涉及到城市生产、消费和流通的各个环节;另一方面,城市碳排放受城市规模、人口、城市化水平、能源和产业结构、经济发展水平和阶段等因素的影响,如人口因素将直接或间接影响碳排放。随着人口规模的扩大,人类对自然资源需求随之增加,将直接导致能源消耗增加,促进居民消费碳排放增长。此外,人口密度的提升会直接或间接导致交通拥堵,从而产生巨量交通碳排放。城市化是通过间接作用方式引起经济活动、居民消费、交通、产业结构等领域的变化,从而促进碳排放增长。城市经济增长主要带动消费和能耗增加。随着经济水平的提高,居民可支配收入增加,居民在衣食住行等方面的需求不断增加,因此需要更多的能源投入。此外,城市经济水平的提高离不开投资和出口,这两者都需要消耗大量的能源。城市碳排放主要来源于能源消耗,其中又以第二产业的能耗最大,它在生产、消费、流通过程中表现出了高能耗、高排放、高污染特征。伴随着第三产业快速发展,例如能耗较高的交通运输业也在一定程度上影响着城市碳排放(图1)。

图1 城市碳排放的构成及其影响机制分析

1.2 数据来源

从市域单元尺度构建2013年我国能源消费碳排放及社会经济的截面数据库。其中,地级单元共285个(地级以上城市数量参考2014年的《中国城市统计年鉴》),包括4个直辖市(北京、上海、天津、重庆)和281个地级市(三沙、铜仁、毕节、拉萨、普洱、香港与澳门特区、台湾地区的数据不全或统计口径不一致,因此未包含在本研究中,下同)。本文收集整理了2013年各城市年度统计数据,包括GDP(万元)、人口(年末城市和非农总人口，万人)、行政区域土地面积(km2)、工业生产总值(万元)、三次产业产值、化石能源(煤炭、石油、天然气)消耗量(万t)。本研究数据主要来自2014年的《中国城市统计年鉴》、《中国能源统计年鉴》、《中国区域经济统计年鉴》、《中国统计年鉴》等。需要说明的是:由于部分省份缺乏城市层面的能源消费数据,本文采用省级尺度的能源消费数据,结合各城市的GDP、人口等指标对城市的能源消费量进行了分解和推算。同时,由于城市数量较多,数据收集较为困难,且2013年的各类数据相对完整,因此本文采用2013年的截面数据对城市尺度碳排放进行研究,重点探讨了城市碳排放空间格局及其影响机制。

1.3 研究方法

城市碳排放核算方法:借鉴IPCC的计算方法,确定各种能源消费碳排放的计算公式为[20]:

CEenergy-i=Qenergy-i×Henergy-i×(Cenergy-i+Menergy-i)

2.5 敲低 lncRNA-8439 能降低 nanog 表达水平和肿瘤细胞悬浮球数量 使用 siRNA-2 在 Huh7和 Hep3B 细胞中敲低 lncRNA-8439 的表达后，分别收集细胞利用实时荧光定量 PCR 和蛋白质印迹法检测 nanog 的表达量，结果显示干扰组中的 nanog 表达量在 RNA（图5A）和蛋白水平（Huh7 细胞：40.57±1.19 vs 435.81±6.75，Hep3B：18.50±0.75 vs 470.13±2.18；图5B）均降低，与对照组相比差异均有统计学意义（P 均＜0.01）。同时，干扰组的肿瘤细胞悬浮球数量明显少于对照组（图5C）。

(1)

式中,CEenergy-i为第i种能源的碳排放量;Qenergy-i为第i种能源的消费量;Henergy-i为第i种能源的净发热值;Cenergy-i为第i种能源的碳排放系数;Menergy-i为第i种能源的CH4排放系数。Cenergy-i=Ai×Bi,Ai为缺省碳含量,Bi为缺省二氧化碳因子。

城市碳排放聚类分析方法:进行碳排放区域及影响因素差异分析,首先需要辨识不同城市间的相似性及差异,然后分析影响碳排放区域差异的诸多因素,在此基础上对其进行综合评价。聚类分析是统计学上定量分析样本之间的亲疏关系,并按这种亲疏关系程度对样本进行聚类的方法,目的是使聚类内部差异最小,类间差异最大。通过K-均值聚类(K-Means)方法,解析我国285个城市碳排放区域及影响因素差异。在聚类分析过程中采用欧式距离(Euclidean Distance)测度城市碳排放及影响因素样本距离,欧式距离计算公式为[21]:

式中,x、y分别为城市样本。K-均值聚类分析中,首先需要选取k个凝聚点,本研究选取了4个凝聚点,即k=4,然后根据“最近距离”原则将所有的样本分到事先确定的4个类别中。本研究借助SPSS统计软件确定4个类别的初始聚类中心,并以此来计算每个城市样本到4个聚类中心的欧式距离,然后得到4个城市类别,计算出各类别中每个变量的均值,用此均值点作为新聚类中心。根据新的中心位置，重新计算每个样本到新中心的距离,最后得到新的分类,再重复以上步骤,直到满足终止聚类的条件。

2 结果分析

2.1 碳排放核算及其区域差异分析

从城市碳排放的空间分布看,我国城市碳排放量总体上呈“东部高、西部低，北部高、南部低”的空间格局。从东向西依次看,碳排放量在空间上呈现出“高—低—高—低”的特征(图2)。城市碳排放具有聚集特征,东北工业经济区、京津冀经济区、成渝经济区和长三角经济区是高碳排放量集聚地。这些区域内重点城市的经济、产业、人口体量很大,直接影响区域碳排放。因此,基于区域内重点城市采取有针对的碳减排政策,必将带动区域产生连锁反应。从碳排放强度分布图看,我国市域碳排放强度的空间差异较明显,大体呈“西高东低”的特征。碳排放强度也存在明显的聚集特征,西部以甘肃、贵州为中心,是高碳排放强度聚集地,中部以山西为中心表现出高碳排放强度特征,而东部和部分中部地区城市碳排放强度相对比较低。碳排放量与碳排放强度分布在空间上差异明显,且存在不匹配现象,所以未来东部城市应重点考虑降低碳排放总量,而中西部城市应着重强调降低单位GDP的CO2排放。

图2 中国城市碳排放量及其强度的空间分布特征

2.2 中国城市碳排放的影响机制分析

指标选取和模型建立:根据已有的城市碳排放研究[22],经济发展水平、人口增长、城市化水平和产业结构等与碳排放有着密切的关系。因此,本研究选取人均GDP、人口密度、人口数量、GDP、第二产业比重、第三产业比重和城市化水平等7个指标作为自变量,碳排放量为因变量,以分析城市碳排放的影响机制。其中,人口数量和人口密度代表人口因素,人均GDP和GDP代表经济水平因素,第二、三产业所占比重代表产业结构因素,城市化水平代表城市当前发展的程度(表1)。

表1 主要变量定义

结合选取的指标,设定以下计量回归模型:

lnY=b0+b1lnx1+b2lnx2+b3lnx3+b4lnx4+b5lnx5+b6lnx6+b7lnx7+ε

(3)

我国城市碳排放影响因素的回归分析:本研究采用2013年我国285个城市横截面数据，不考虑变量间相关性,直接将自变量与因变量进行简单多元线性回归分析,得到以下回归结果:

lnY=-0.282-0.417lnx1-0.18lnx2-0.125lnx3+1.099lnx4+0.721lnx5+0.362lnx6+0.064lnx7

(4)

回归方程中,R2=0.862,调整R2=0.858,回归方程拟合较好,但部分回归系数并不显著,说明变量间可能存在相关性,因此简单的线性回归分析不能有效地解释碳排放量和各影响因素间的关系。计算变量间的偏相关系数,得到系数矩阵(表2)。从表2可见,变量间确实存在着相关性。如人均GDP水平与GDP之间的相关性为0.636,人均GDP水平与城市化水平之间的相关性达到0.705等,自变量之间存在的相关性会造成参数估计的不稳定,会对模型的拟合和结果带来严重的影响,所以必须先消除变量间相关性,最后采用主成分回归分析来消除变量间相关性。

表2 变量间相关系数矩阵

主成分分析是在多个原始变量中通过实际的内部相关性来获取新变量,此方法可找到几个综合因子来代表原来的变量,这样做既能减少分析指标个数,又能反映原始指标绝大多数的信息(表3)[23]。首先对所有变量取自然对数,然后计算各变量间相关矩阵,得到矩阵的特征值,最后通过特征值分别计算出对应的主成分表达式(F)。

表3 主成分统计信息

由表3可知,特征值大于1且累积贡献率大于85%的有三个特征根,故提取出第一、二、三主成分,根据因子得分矩阵,构建主成分与各变量之间的线性关系,三个主成分表达式分别为:

F1=0.43lnx1+0.39lnx2+0.30lnx3+0.58lnx4+0.05lnx5+0.30lnx6+0.37lnx7

(5)

F2=0.44lnx1-0.20lnx2-0.46lnx3-0.03lnx4+0.52lnx5-0.38lnx6+0.38lnx7

(6)

F3=-0.18lnx1+0.37lnx2+0.39lnx3+0.12lnx4+0.53lnx5-0.51lnx6-0.34lnx7

(7)

由于各主成分间互不相关,可用提取的主成分代替自变量进行回归分析。这里将主成分得分作为自变量,与碳排放量进行多元线性回归分析,得到以下回归方程:

(8)

由于F2的回归系数没有通过显著性水平检验,所以将该表达式从模型中移除,将F1、F3的表达式代入式(6),最终模型为:

(9)

从回归分析结果可见,人均GDP每增加1%,城市碳排放量增加0.16%,说明我国城市的人均GDP与碳排放量呈正相关关系。GDP每增长1%,碳排放量将增加0.26%。我国目前正处于工业化中期阶段,该阶段的重要特点是经济发展速度明显加快,工业能源消耗大,并产生巨量碳排放。总体上,经济因素对碳排放增长有正向的作用,未来应通过能源结构调整,提高能源效率,降低单位GDP的碳排放强度,以实现碳减排与经济增长共赢。

人口密度每增加1%,碳排放量增加0.2%;人口数量每增加1%,碳排放量增加0.17%,说明人口因素对碳排放增长起正向作用。人口增加意味着对交通、能源、部分公共设施的需求不断增加,在某种程度上加大了对化石能源的需求,增加碳排放。城市化水平每提高1%,城市碳排放量会增加0.19%。城市化过程中,一方面城市人口在不断增长,另一方面城市是人口的集聚地,能源和资源需求不断加大,会直接或间接增加碳排放量。

第二产业比重每增加1%,城市碳排放量会增加0.07%,说明第二产业比重与碳排放量之间呈正相关关系。改革开放后,我国工业经济迅速发展,工业在国民经济中居于主导地位,工业的快速发展加大了对能源的需求,而大量使用煤、石油、天然气必然导致碳排放量增加。城市发展过程会引起产业结构不断演变。在城市发展早期阶段,第一产业占很大比重,随着城市的高速发展,第二产业比重不断提高,加大了对能源的需求,所以碳排放总量增多难以避免。

第三产业比重每增加1%,城市碳排放量会增加0.08%,说明第三产业比重与碳排放量呈正相关关系。当前，我国第三产业正处于快速发展阶段,且尚未定型,其内部结构的优化难度低于工业[24]。第三产业虽然属于低排放产业,但内部存在着像交通运输业等碳排放较高的行业。随着城市的不断发展,第三产业比重在不断提高,带来的交通碳排放逐渐成为不可忽视的问题。未来我国第三产业内部的产业结构需要进一步优化,减少第三产业能源消费的碳排放。

表4 市域碳排放影响因素聚类评价指标

2.3 基于聚类分析的我国城市碳排放类型区划分

合理选择评价指标是分析城市碳排放影响因素差异的前提。本文探讨了人均GDP水平、城市化水平、人口密度、人口、GDP、第二次产业比重、第三次产业等因素对碳排放的影响。考虑到变量间的相关性(表2)和研究的尺度问题,剔除相关性较强的城市化水平、人口密度、人口、GDP、第三次产业比重指标。考虑到碳排放强度指标的重要性,采用人均碳排放、人均GDP、第二产业比重和碳排放强度4个指标对我国地级城市的碳排放进行聚类分析(表4)。在聚类分析之前,首先对原始数据进行标准化处理(均值为0,方差为1),目的是统一量纲。然后,通过SPSS软件的K-均值聚类(选取初始K值为4)功能将285个城市分为4类(图3)。

图3 中国城市碳排放影响因素的类型区分布

第一类区域城市的特点是人均GDP高与人均碳排放量均较高,但碳排放强度和第二产业所占比重较低,代表城市有北京、哈尔滨、西安、黄山、张家口、开封、海口等。这类城市的内部产业结构正在不断优化,开始形成以低碳环保的现代服务业和旅游业为经济支柱。该区域碳排放水平主要受居民生活方式和低碳理念的影响,所以应继续发展与低碳相关的服务业和旅游业,宣传低碳生活方式,使低碳理念深入人心。

第二类区域城市的特点是第二产业比重与碳排放量均较高,但有着较低的碳排放强度,代表城市有天津、呼和浩特、沈阳、上海、南京、广州、深圳等。虽然这类城市的资源禀赋缺乏,但内部高耗能产业占地区工业产值的比重低,人均碳排放也低,内部产业结构优化程度较高，随着经济水平不断提高,碳排放总量可能会继续增加,但碳排放强度会维持在较低水平。由于资源禀赋缺乏,区域具有大力发展风能、核能、太阳能等可再生能源的潜力，因此在低碳转型过程中应注重能源供给结构调整,建设现代新型能源体系。此外,应继续优化产业结构,加强技术创新,增强关键低碳技术的自主创新能力。

第三类区域城市的特点是人均碳排放高、人均GDP较低,城市碳排放量与碳排放强度相匹配,即同时有着较高的碳排放量和碳排放强度。这与白宏涛[25]、王少剑[26]等的研究结果一致,代表城市是太原、大同、晋城、晋中、运城、临汾、贵阳、六盘水、遵义、安顺、兰州等。由于特殊的自然资源禀赋,在发展资源能源密集型产业方面具有独特优势,因此这些城市内部高耗能工业占比非常高。目前这些城市的工业经济正处于快速发展中,所以第二产业的比重会持续提高,碳排放量也会不断增多。由于煤炭使用比例高、低碳技术相对落后,导致这些城市碳排放强度高。所以，未来应该围绕产业结构调整,推进供给侧结构性改革,推动传统产业向低碳产业发展,重点强调降低碳排放强度的努力程度。

第四类区域城市的特点是第二产业比重高和碳排放强度较高,代表城市是成都、重庆、石家庄、邯郸、保定、长春、合肥、马鞍山、安庆、潍坊、郑州等。这些城市的资源禀赋差异较大,但基本都处于经济快速发展阶段,典型的特征就是严重依赖碳能源的相关产业,所以这类城市经济发展水平相对较低而碳排放强度较高。未来这些城市在发展碳能源相关产业时,应提高能源利用效率,重心向清洁能源和节能环保等产业发展,构建具有区域特色的低碳产业体系,探索适合本地区的低碳发展路径。

2.4 讨论

城市碳排放及其强度的空间差异:本研究基于我国285个城市2013年的一次能源消费和社会经济截面数据对我国市级层面碳排放量及碳排放强度进行测算,得到的结果与其他研究相似。郑长德、刘帅[27]的研究表明,碳排放量与经济增长有一定的关系,东部发达地区碳排放量明显高于西部地区;刘永伟[28]对我国省级单元碳排放进行了计算,结果表明各省碳排放量的区域差异呈现“高—低—高—低”的变化趋势;颜艳梅等[29]根据IPCC的计算方法对我国各省市碳排放强度进行了计算,结果表明我国各省市碳排放强度整体上呈现“南低北高、东低西高”的格局,本文与其他研究结果基本一致。

城市碳排放的影响因素:本文的碳排放影响因素研究结果与其他研究基本一致。不同学者从国家、省、城市层面对碳排放因素进行了研究,大部分研究结果表明人均GDP水平、城市化水平、人口密度、人口规模、GDP和第二、三次产业比重等因素对碳排放有显著影响。Shafik[30]、Hatzigeorgiou[31]、宋德勇和卢忠宝[5]、冯相昭和邹骥[32]等研究表明，经济水平因素与碳排放之间存在正相关关系;Zha[33]、Puliafito[34]研究结果表明，人口因素和城市化水平对碳排放的增加有明显的作用;Wang[35]、王少剑[36]、卢愿清和史军[24]研究表明,产业结构中第二、三产业比重提升对碳排放具有明显的促进作用。但本文的研究结果与其他研究也有不同之处：关海玲[37]、周葵[38]的研究表明,城市化水平每增长1%,碳排放量将相应增加1.6%—1.8%，而本文的结果是城市化水平每增长1%,城市碳排放量会增加0.19%。出现差异的原因有两点：一是城市化水平的测度指标不同,关海玲、周葵的研究采用城市人口占总人口比重来衡量;二是他们的研究是以国家为研究尺度,没有将城市化水平细分到省市级层面上。

研究尺度的差异:以往研究尺度大多选择的是国家层面[6-8]和省级层面[19,20],由于碳排放的影响因素和空间格局在不同尺度有所差异,因此本文从城市层面对碳排放的影响因素与空间差异进行了探讨,并同国家和省级层面的研究进行了对比。

不足之处:动态面板数据相比于静态数据可靠性更强,动态面板涵盖了时间序列和横截面数据,可以反映多地区的时空变化趋势。由于城市层面不同类型数据收集和匹配较困难,本文未开展市域层面碳排放空间格局与影响因素的时间尺度变化分析;囿于指标量化的可能性和数据的可得性,本文仅考虑了人口因素、城市化水平因素、经济水平因素和产业结构因素,未来研究应将更多指标融入系统之中。今后应进一步开展我国不同城市长时间序列能源消费和碳排放活动数据的调查和收集,以建立更完整的城市碳排放数据库,为准确评估城市碳排放的时空变化特征提供科学依据。

3 结论与政策建议

主要结论为:①碳排放量与碳排放强度分布在空间上有明显差异,且存在不匹配现象。碳排放量总体上呈现“东高西低”的态势,而碳排放强度大体呈“西高东低”的特征。②人口、经济水平、产业结构因素是城市碳排放的关键影响要素。随着城市化进程、经济发展、人口增长和第二、三产业比重的提升,推动了城市碳排放量的大幅增长。③依据碳排放及其强度差异,我国城市可以分为四种类型,各类城市碳排放的主导影响因素具有明显差异。

主要策略:①构建清洁低碳能源体系。相对于碳排放量和碳排放强度较高的城市，应强化能源消费总量和强度双控,大力调整能源结构,坚持“节约优先”的能源战略,着力提高绿色清洁能源消费比重,并结合不同城市碳排放及其驱动机制的差异,实施以低碳为导向的差别化考核与管理机制。②推动产业结构优化升级,打造低碳产业体系。针对碳排放量较高的第二产业应加快产业结构调整,积极控制工业领域排放,并增加城市生态系统碳汇。③推动城市向低碳方向发展。优化城市主体功能区和空间布局,加强城市低碳化建设和管理,加快推进低碳交通运输体系的建设。④针对不同类型城市,应在充分考虑能源和产业结构、人口和城市规模、经济发展阶段的基础上,采取侧重点不同的低碳发展策略。⑤建立不同区域城市横向碳补偿机制。由于不同城市的碳排放及其强度具有较大的空间差异,为实现城市均衡发展,建议实施城市之间的横向碳补偿,并作为全国统一的碳交易市场的补充。⑥加快建立以绿色生产和消费为导向的低碳循环发展的城市经济体系,大力倡导绿色、低碳、健康文明的生活方式和消费模式,通过宣传和引导,增强市民的参与,更好地推动城市向低碳方向转型。