长江经济带不同等级城市碳排放的时空演变及其影响因素

王兆峰，李 竹，吴 卫

湖南师范大学旅游学院，湖南 长沙 410081

2020 年9 月，习近平主席在第七十五届联合国大会一般性辩论上郑重宣布“中国将提高国家自主贡献力度，采取更加有力的政策和措施，力争2030 年前二氧化碳排放达到峰值，努力争取2060 年前实现碳中和”[1].目前，我国经济和能源结构转型缓慢、城镇化发展迅猛，从而产生大量CO2，因此实现“双碳”目标任重道远.我国以化石能源为主导的经济发展模式短期内难以改变，能源系统碳排放量较大[2].城市是区域碳排放的主要来源，不仅消耗全世界60%～80%的能源，且CO2等温室气体排放量约占全世界70%以上，已成为减碳任务中的“主阵地”[3].长江经济带城镇化进程的加速导致能源消耗增长，增加了城市碳排放，其碳排放总量约占全国城市碳排放总量的37.50%[4].区域间经济社会发展不充分不均衡导致其减排需求、能力和责任均存在一定差异[5].因此，探讨长江经济带不同等级城市碳排放的时空演变特征及其影响因素对制定共同但有差别的碳减排行动方案具有重要的指导意义.

随着城市碳排放研究的开展，国内外学者主要从以下几个方面进行了相关研究：①城市能源角度，如量化城市CH4排放量[6]；②城市经济发展角度，如分析城市经济增长与碳排放的环境库兹涅茨曲线[7]；③地理空间特征角度，如探讨CO2排放量与城市形态之间的关系[8]；④城市交通角度，如研究交通污染物排放对城市环境的影响[9]；⑤城市社会发展角度，如讨论家庭规模对人均CO2排放量的影响[10]；⑥政府政策角度，如分析环境规制与碳排放的关系[11].目前，城市碳排放测算方法主要有夜间灯光数据反演法[12]和IPCC 国家温室气体清单法[13]等.纵观国内外碳排放的研究现状，多以国家[14]和省域[15]为研究区域，少以城市为研究区域，且利用长时间连续序列的夜间灯光数据、采用中观层面视角和分析不同等级城市的相关研究较为鲜见.虽有少数研究讨论了全国及各省份的环境规制对碳排放的影响，但在城市尺度的相关研究中缺少环境因素分析.根据地理学第一定律，地理事物或属性在空间分布上互为相关，且相近事物的关联更紧密，因此城市碳排放可能具有空间交互效应和空间溢出效应.目前，使用空间计量方法分析碳排放影响因素的研究较少，且鲜有从空间互动关系的角度探讨其对碳排放的直接和间接影响.

鉴于此，该研究选择长江经济带中观尺度下城市层面为研究区域，采用2000—2019 年DMSP_OLS和NPP_VIIRS 夜间灯光数据模拟其碳排放，并利用空间自相关分析探讨长江经济带整体和各等级城市碳排放的时空演变特征，在已有研究的基础上进一步考察环境因素对城市碳排放的影响作用，最后利用空间面板杜宾模型对比分析长江经济带整体和不同等级城市碳排放的直接和间接影响因素，以期为城市碳排放及其影响因素的研究提供新的视角，也为实现长江经济带碳达峰和碳中和目标以及制定差异化的减碳行动方案提供重要的理论参考和科学依据.

1 数据来源与研究方法

1.1 数据来源和指标说明

能源消费核算法只能用于估算全国或各省份等大尺度碳排放，不能用于估算城市等中小尺度碳排放，运用夜间灯光数据反演法可以弥补这一不足[3].夜间灯光数据已被广泛用于经济、社会和地理等相关研究领域，目前使用较多的有DMSP_OLS 和NPP_VIIRS[16].因此，该研究采用DMSP_OLS (2000—2013 年)和NPP_VIIRS (2013—2019 年)夜间灯光数据，数据来源于美国国家海洋和大气管理局(NOAA,National Oceanic and Atmospheric Administration)下的国家地球物理数据中心(NGDC,National Geophysical Data Center) (https://ngdc.noaa.gov/eog/download.html)和地球 观测小组(EOG,Earth Observation Group) (https://eogdata.mines.edu/products/vnl).

各省份能源消费量数据(不包括西藏自治区和港澳台地区数据)主要来源于2001—2020 年《中国能源统计年鉴》，主要包括原煤、焦炭、洗精煤、其他洗煤、原油、汽油、柴油、煤油、燃料油、天然气、炼厂干气、液化石油气、焦炉煤气、其他煤气、热力和电力等.

该研究中长江经济带不同等级城市的分类标准参考文献[17].为了能更好地厘清长江经济带不同等级城市碳排放的时空演变特征，现将长江经济带内城市划分为3 个等级，分别为大型城市(包括超大城市、特大城市、Ⅰ型大城市和Ⅱ型大城市)、中型城市(中等城市)、小型城市(包括Ⅰ型小城市和Ⅱ型小城市).

参考已有研究，并考虑研究区域数据的可获得性，考察以下8 个因素对长江经济带碳排放的影响：人口规模(POP，104人)，选取年末总人口[4]；经济发展(GDP，104元)，选取各城市地区生产总值[4]；产业结构(IS，%)，选取第二产业占地区生产总值比例[18]；城镇化率(CU，%)，选取城镇人口与总人口的比值[19].另外，已有研究提出科学技术水平[20]和环境规制[21]对碳排放具有影响，因此该研究加入这两类指标.科学技术水平(SD，%)，选用科技支出占总支出的比值；环境规制(SC，%)，从环境污染的角度考虑，包括水、土地和空气，因此指标分别选择城镇生活污水处理率(SC1，%)、生活垃圾无害化处理率(SC2，%)和建成区绿化覆盖率(SC3，%)表征.影响因素主要来源于2001—2020 年《中国城市统计年鉴》、各省份和各地级市统计年鉴以及2000—2019 年国民经济与社会发展统计公报，缺失数据采用邻近年份数据插值法补充；另外，如甘孜藏族自治州、阿坝藏族羌族自治州和西双版纳傣族自治州等部分地区由于缺失数据过多而不纳入统计样本.

1.2 研究方法

1.2.1 夜间灯光数据处理

由于两套数据空间分辨率不同，需要将其进行融合.首先，校正DMSP_OLS 年度数据，利用NPP_VIIRS月度数据计算年度数据并进行降噪处理[22].其次，取两套数据重合年份(2013 年)测算估计系数a和b[23].Yu 等[24]提出，为使DMSP_OLS 和NPP_VIIRS 影像更接近，可采用对数变换，该处理方式可较好地抑制核心区域内像元值剧烈变化.该研究采用式(1)对NPP_VIIRS 夜间灯光数据进行对数变换处理，其中DNi为像元i的原始值，ln TDNi为处理后的像元i的亮度值[23].使用幂函数对处理过的2013 年DMSP_OLS和NPP_VIIRS 夜间灯光数据进行拟合[25]，获得估计系数a和b，分别为69.19 和0.92；两套数据拟合优度R2值为0.95，表明拟合结果较为合理.最后，利用式(2)将处理过的VIIRS 年度数据拟合成DMSP 年度数据，并进行连续性校正[22]，得到2000—2019 年DMSP 年度数据集.

式中：DNi为像元i的原始值；ln TDNi为处理后的像元i的亮度值；a和b为估计系数，分别取69.19 和0.92；TDMSP 为拟合后DMSP 年度数据.

1.2.2 城市碳排放模拟

目前，已有研究常采用各省级尺度能源消费数据计算碳排放量并拟合夜间灯光数据(不包括西藏自治区和港澳台地区数据)[26].基于能源消费的各省级碳排放量的计算公式如式(3)所示[26].

式中：CFyj为第y年j地区碳排放量，kg；En为第n类能源的消费量，单位为kg 或m3或kW·h；βn为第n类能源标准煤折算系数，单位为kg/kg(以C 计)或kg/m3(以C 计)或kg/(kW·h)(以C 计)，来源于《中国能源统计年鉴》；Bn为IPCC 提供的第n类能源碳排放系数，kg/kg(以C 计)[27]，其中热力和电力相关系数参考文献[28].

根据2000—2019 年校正后夜间灯光数据和能源消费数据估算碳排放量，发现长江经济带整体和各省级碳排放量具有阶段性特征，呈早期快速增长，后期逐渐变缓的特征，与杜海波等[26]的研究结果相似.因此，该研究在参考已有研究[26]的基础上，建立不考虑截距项的校正后夜间灯光数据与能源消费数据估算碳排放量之间相互关系的模型，再结合国家减碳政策时间节点和数据特征，分3 个时段进行拟合(见表1).由表1 可见，拟合优度(R2)显示分阶段拟合结果较优，t检验表明不同阶段能源消费数据估算碳排放量与校正后夜间灯光亮度值之间呈显著相关.

表1 2000-2019 年碳排放模拟回归结果Table 1 The results of simulation regarding carbon emission from 2000 to 2019

拟合公式如式(4)所示，由此初步估算各像元和各省级碳排放量.

式中：Y为碳排放量，kg；X为校正后夜间灯光亮度值；k为拟合系数.

然后，进行进一步修正，利用各省级能源消费计算的碳排放值来修正相应省级的每一个像元的初步估算值[29]，计算公式：

式中：CCiy为修正后的每个像元的碳排放量，kg；SCjy为各省级能源碳排放量，kg；Ciy为初步估算的各像元碳排放量，kg；Cjy为初步估算的各省级碳排放量，kg.

最终，提取各地级市碳排放数据，计算各省级碳排放量的拟合值，将其与各省级碳排放量的能源消费统计数据进行精度分析[29].结果表明，吻合度为99.00%，均方根误差(RMSE)为503.26×104t，平均相对误差(MRE)为0.54%，P＜0.01.由此可见，DMSP_OLS和NPP_VIIRS 夜间灯光数据模拟的最终碳排放数据精度良好.

1.2.3 空间自相关分析

全局空间自相关可研究碳排放整体空间关联特征，全局Moran′s I 值大于0 为正相关，等于0 为不相关，小于0 为负相关.局部空间自相关可揭示邻近单元之间碳排放的局部空间关联特征，局部Moran′s I值大于0，为正相关(高-高值或低-低值聚集)；局部Moran′s I 值等于0，为不相关；局部Moran′s I 值小于0，为负相关(高-低值或低-高值聚集).具体公式参考文献[26].

1.2.4 空间计量模型

空间计量模型可用于探讨不同城市空间单元属性的空间交互作用[30].通过分析长江经济带整体和分等级城市碳排放影响因素的空间效应，能有效推动城市差异化减碳政策的实施.目前，空间面板计量模型中使用最多、最广泛的类型有空间面板滞后模型(SPLM)、空间面板误差模型(SPEM)和空间面板杜宾模型(SPDM)，具体公式参考文献[30].

2 结果与讨论

2.1 长江经济带碳排放的时序演化

2000—2019 年长江经济带整体、大型、中型和小型城市碳排放量均呈波动上升趋势(见图1)，其中各等级城市碳排放量呈大型城市＞中型城市＞小型城市的特征，分别从2000 年的12.92×108、7.14×108、3.34×108和 2.38×108t增至 2019年的 39.24×108、22.41×108、9.99×108和6.79×108t；长江经济带整体、大型城市、中型城市和小型城市碳排放量的年均增长率均有所降低，分别从2000—2009 年的14.98%、14.16%、15.50%和17.07%降 至2010—2019年的0.82%、1.52%、0.26%和—0.38%，与2000—2018 年黄河流域碳排放增长趋势相似[26].长江经济带是化工、建筑和制造业等产业集聚区，这些产业的环境风险虽高，但以切实的行动助力长江经济带生态文明建设.长江经济带内大型、中型和小型城市扩张速度、交通流量、人口基数、资源需求、工业体系发达程度均有差别，因此其碳排放量的时序演化具有差异.

2.2 长江经济带碳排放的空间格局

2000—2019 年，除个别年份外，长江经济带整体和各等级城市碳排放的全局Moran′s I 值均大于0，分别在5%和10%水平下显著，表明长江经济带整体和各等级城市碳排放分别具有显著的正向空间自相关性.研究期间，长江经济带各类碳排放的空间集聚变化呈现不同特征.长江经济带整体和大型城市碳排放的全局Moran′s I 值呈先升后降的趋势，表明其空间关联程度呈先增强后减弱的趋势；中型城市碳排放的全局Moran′s I 值呈波动下降的趋势，表明其空间关联程度呈减弱的趋势；小型城市碳排放的全局Moran′s I 值呈先降后升的趋势，表明其空间关联程度呈先减弱后增强的趋势.

根据局部空间自相关分析结果(见图2)，2000—2019 年长江经济带整体和各等级城市碳排放的高-高聚集区主要分布在上海市以及江苏省和浙江省等东部地区的城市；其中，大型城市主要分布在上海市，中型城市主要分布在扬州市、嘉兴市和金华市等城市，小型城市主要分布在滁州市、宿州市和安顺市等城市.整体碳排放在重庆市出现高-低聚集现象，即高碳排放区被低碳排放区包围的空间集聚特征.中型城市碳排放在乐山市、宜宾市和泸州市等城市出现低-低聚集现象.上海市以及江苏省和浙江省等东部地区经济发展最快，工业发达，能源消耗大，因此碳排放呈高-高聚集状态.重庆市作为西部经济发展较快的城市，周边城市经济发展较弱，因此重庆市碳排放远高于周边城市.乐山市和泸州市等城市的城镇化率和人口集中度相对较低，且以服务业、农业和轻工业为主，是国家园林城市、绿化模范城市和环保模范城市，因此其碳排放呈低-低聚集状态.

2.3 长江经济带碳排放的影响因素

2.3.1 模型的选择

长江经济带整体和各等级城市碳排放具有显著的空间集聚特征，因此可采用空间面板计量模型.借助STATA 14.0 软件对空间面板计量模型进行选择：首先，根据LM、Robust-LM、Wald、LR、AIC 和Hausman检验结果(见表2)，长江经济带整体和各等级城市碳排放均选用空间面板杜宾模型，其中，长江经济带整体碳排放采用空间邻接矩阵，大型、中型和小型城市碳排放均使用空间距离矩阵；其次，根据Hausman 检验结果，采用双固定效应模型，其中变量取对数以缓解异方差带来的影响.该研究仅对主要因素的直接和间接影响进行分析.

表2 LM、Robust-LM、Wald、LR、AIC 和Hausman 检验结果Table 2 The results of LM,Robust-LM,Wald,LR,AIC and Hausman test

2.3.2 长江经济带整体碳排放的影响因素

根据长江经济带整体空间面板杜宾模型测算结果(见表3、4)，人口增长、城镇化率、经济增长、科技水平和建成区绿化覆盖率对碳排放均有显著的直接正向影响，城镇生活污水处理率和生活垃圾无害化处理率对碳排放均有显著的直接负向影响.长江经济带城镇化发展处于加速发展阶段[31]，其人口和城镇化率增加导致人们生产生活所需的能源和其他资源增多，并引起碳排放增加[32].长江经济带经济增长促进碳排放不断增长，验证了王少剑等[3]的研究结论，即二者关系处于倒U 型曲线拐点左侧.不同类型城市的工业发展影响程度具有差异性.此外，为响应国家双碳战略号召，长江经济带实行绿色发展，关闭或整改污染严重的重工业企业，有利于缓解碳排放.因此，产业结构调整优化是影响长江经济带整体碳排放的重要因素.西方经济学理论认为知识是现代经济增长的重要源泉，科学技术是第一生产力，提高科技水平能有效促进区域经济发展，其中低碳减排技术利于推动能源结构转型优化、减少资源浪费和增强减碳成效，但目前长江经济带低碳减排技术水平还处于发展阶段，应用范围较小，且其他科技发展过程中也会间接产生碳排放，因此其减碳效能还不显著.环境规制可以减少碳排放，其中增加绿化覆盖率虽能增强碳吸收能力，但城市扩张中绿化面积的增长远不如建筑用地面积增长多，不能中和因建设所造成的碳排放.经济增长和城镇生活污水处理率对碳排放均有显著的正向空间溢出效应，建成区绿化覆盖率对碳排放有显著的负向空间溢出效应.因城市群一体化发展和城际间协同合作，强化了该城市与周边城市在空间上的耦合协调性，促使周边城市经济发展带动该城市经济发展，且周边城市“污染转移和碳泄露”也影响该城市的碳排放.

表3 长江经济带整体和各等级城市碳排放空间面板杜宾模型基本回归结果Table 3 Basic regression results of the space panel Durbin mode for carbon emissions from overall,and different grade cities in the Yangtze River Economic Belt

2.3.3 分等级城市碳排放的影响因素

通过比较大型、中型和小型城市碳排放的直接和间接影响因素，明确不同等级城市实施差异化减碳措施的重点.大型、中型和小型城市的人口增长和经济增长对碳排放均有直接正向的影响(见表4)，人口增长对碳排放的影响程度呈大型城市＞中型城市＞小型城市的特征，经济增长对碳排放的影响程度呈大型城市＜中型城市＜小型城市的特征，除小型城市的人口增长因素外，人口增长和经济增长对碳排放的直接影响均在1%水平下显著.大型城市的产业结构和科技水平对碳排放均有显著的直接正向影响.中型和小型城市的城镇化率对碳排放均有显著的直接正向影响，且中型城市城镇化率对碳排放的影响程度大于小型城市.在环境规制影响因素中，除中型城市的城镇生活污水处理率因素外，其余因素对各等级城市碳排放均有显著的直接负向影响；另外，大型、中型城市的绿化覆盖率对碳排放均有显著的直接正向影响，但大型城市绿化覆盖率对碳排放的影响程度比中型城市小.由于各等级城市消费水平和结构具有差异性，因此大型城市人口增长对碳排放的影响程度最大，其次为中型、小型城市.经济发达城市的环境治理效益优于经济落后的城市[33].大型城市的经济发展环境较好，有充足的资金保障，有利于实施减碳行动方案，对碳排放影响程度相对较小，而小型城市的经济发展环境较差，发展经济需要付出更多环境污染的代价.虽然大型城市大力发展新一代信息技术、生物医药、新能源和新材料等新兴产业，但依旧以石油化工和制造业等能耗较大的工业为重点产业，短期内不能减少碳排放，因此其产业结构对碳排放有显著的正向影响.大型城市低碳减排技术发展缓慢，其他科技发展需要投入更多的资源和能源等“研发成本”而间接产生碳排放，因此无法有效缓解碳排放.中型、小型城市扩张速度加快，消耗资源增多，促进碳排放增加.环境规制能有效抑制碳排放，但绿地覆盖率减碳效果微弱，这是因为城市扩建过程中绿地建设为“先毁后建”模式，且建筑立体面积远大于绿地平面面积，其产碳量远大于植物吸收量.

表4 长江经济带整体和各等级城市碳排放空间面板杜宾模型直接、间接和总效应回归结果Table 4 Regression results of direct,indirect,and total effect estimation of the space panel Durbin model for carbon emissions from overall,and different grade cities in the Yangtze River Economic Belt

从空间互动的角度(见表4)分析，小型城市的人口增长和产业结构以及大型、中型城市的城镇化率和科技水平均对碳排放有显著的正向空间溢出效应，但中型城市的经济增长和产业结构均对碳排放有显著的负向空间溢出效应.中型、小型城市的环境规制因素对碳排放均有显著的正向空间溢出效应，而中型城市的绿地覆盖率对碳排放有显著的负向空间溢出效应.小型城市城际间的协同合作能有效推动人口增长、优化产业结构，对该小型城市产生联动效应，利于提高该小型城市消费水平，促进其碳排放增加.在不同类型城市中，周边城市城镇化率和科技水平的提升可推动该城市的城镇扩张和科技发展，但同时也增加了消费和研发成本，促进其碳排放增加.其中，城镇化率和科技水平对小型城市碳排放的空间交互影响较弱，因此不显著.中型城市城际间的协同合作强化了该中型城市与周边中型城市在空间上的耦合协调性，周边中型城市经济发展和产业结构调整升级推动了该中型城市经济绿色发展及产业结构转型升级，因此能缓解其碳排放，可成为未来长江经济带减碳的“中流砥柱”.

3 结论

a) 2000—2019 年长江经济带整体和各等级城市碳排放量均呈波动上升趋势，其中，各等级城市碳排放量呈大型城市＞中型城市＞小型城市的特征，与各等级城市人口、经济和社会发展程度存在差异有关；整体和各等级城市碳排放量的年均增长率均有所降低.

b) 2000—2019 年，除个别年份外，长江经济带整体和各等级城市碳排放的全局Moran's I 值均大于0，分别在5%和10%水平下显著.长江经济带整体和各等级城市碳排放的高-高聚集区主要分布在上海市、江苏省和浙江省等东部地区的城市，而在重庆市出现高-低聚集现象，在乐山市等城市出现低-低聚集现象.

c)人口增长、城镇化率和经济增长等因素对长江经济带整体碳排放有显著的直接正向影响，而城镇生活污水处理率和生活垃圾无害化处理率对长江经济带整体碳排放有显著的直接负向影响.人口增长、经济增长、产业结构、科技水平和环境规制等因素对各等级城市碳排放的影响有明显差异.