长三角城市群减污降碳驱动因素研究

马伟波，赵立君，王 楠，张龙江，李海东

(生态环境部南京环境科学研究所，江苏 南京 210042)

随着城市化、工业化不断加速，中国城市发展面临气候变化、生态环境保护和经济增长的多重压力。中国城市地区排放的CO2约占全国排放总量的80%，其主要来源于城市经济、城市建筑和城市交通等领域的人类活动[1]。同时，城市也是各类污染物排放相对集中的地区，中国城市人口占比已达63.98%[2]，城市环境空气质量及其对健康的影响越来越受到关注[3]。有研究表明，温室气体与环境污染物排放具有同根、同源、同过程的特点，如煤炭等化石燃料在燃烧过程中会排放颗粒物、SO2等空气污染物，也会排放CO2、黑碳等温室气体[4-5]。因此，利用该特点，采取相应的手段同时减少污染物排放(简称“减污”)和降低温室气体排放(简称“降碳”)，是一种高效环境管理策略。然而，该策略在城市尺度的应用效果缺乏有效的评价手段。探究城市群尺度减污降碳的时空驱动及其演变特征，有助于更好地理解城市化与环境的互动关系，可服务于城市可持续发展。

研究表明，城市的空间、人口和经济聚集特征对碳排放有确定性的影响[5]，而城市化与碳排放之间存在倒“U”型曲线，且城市空间集聚在一定程度上有助于碳减排[6]。整体上，人口、地区生产总值(GDP)和归一化植被指数(NDVI)对全国城市CO2排放量均为正驱动，但温度和降水量对其有负面影响[7]；在污染物排放驱动方面，同样表现出稳定的空间集聚特征，城市化地区各项特征与污染物排放水平显著相关。如PM2.5与土地利用和经济产业结构均有显著的联系，但不同经济发展阶段的特征存在差异[8]。尽管减污降碳协同效应的量化方法可以提供更为有效的减污降碳技术路径[2,9]，但是减污降碳的驱动剖析案例仍然较少，对其驱动效应的内在机制分析不足[10-12]。当前，减污降碳已成为新时期污染防治和环境保护的核心思想[13]，减污降碳协同增效成为我国“十四五”时期深入打好污染防治攻坚战的总抓手。然而，现阶段城市群水平的减污降碳缺乏测度指标，无法支撑区域减污降碳一体谋划、部署和考核。

为探究减污降碳评估方法，并剖析其驱动机制，笔者以长三角城市群(Yangtze River Delta Urban

Agglomeration, YRDUA)为研究对象，基于碳排放水平和污染物排放数据构建减污降碳强度指标，并通过时空地理加权回归 (geographically and temporally weighted regression, GTWR)和随机森林(random Forest, RF)方法分析经济发展、产业结构、土地利用结构、人口以及气候变化对减污降碳强度指标的时空驱动特征及驱动因素的重要性变迁特征，以期为全国城市水平的减污降碳政策制定提供参考。

1 材料与方法

1.1 研究区概况

长三角城市群位于长江入海之前的冲积平原，是长三角一体化发展中心区，具有辐射带动长三角地区高质量发展的重要功能。根据《长江三角洲区域一体化发展规划纲要》《长江三角洲城市群发展规划》[14-15]，长三角城市群包括：上海，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、温州、嘉兴、湖州、绍兴、金华、舟山、台州，安徽省的合肥、芜湖、马鞍山、铜陵、安庆、滁州、池州、宣城，共27市，面积为22.4×104km2。据测算，2017年长三角城市群CO2排放量达1.22×1010t；其中以上海排放量最高，为1.93×109t，占长三角总排放量的15.74%(图1)[16]。

1.2 数据来源

1.2.1减污降碳强度指标

为表征城市减污降碳整体效能，研究构建减污降碳强度指标(Index of pollution and carbon reduction, IPCR，RIPC)，将多种污染物排放效率与温室气体排放效率纳入到1个指标，计算公式为

(1)

式(1)中，RIPC为城市减污降碳强度指标，其取值范围为0～1，越接近0则表示减污降碳的效果越显著，经济发展的清洁低碳程度更高；Ei为该城市减污降碳细分项指标，细分项指标采用0～1值的归一化方法以消除极值影响，同时细分项指标可随研究区特征条件而做出调整；qi为细分项指标对应的权重，权重和为1，权重确定方法为专家打分法。

综合考虑数据的可获取性以及减污降碳各细分领域代表性指标，细分项指标选择工业废水排放效率、工业二氧化硫排放效率、工业烟(粉)排放效率以及二氧化碳排放强度(表1)。考虑到当前减污和降碳工作重要性均非常突出，专家建议对两者权重均设为0.5；细分项指标目前仅考虑长三角城市群水污染和大气污染，由于颗粒物对空气环境质量的影响受外来输入影响，因此专家建议将工业烟(粉)排放效率指标权重设置为0.12，与工业废水排放效率相同，同时将工业二氧化硫排放效率权重设置为0.14。工业废水排放效率、工业二氧化硫排放效率、工业烟(粉)排放效率细分项指标数据主要来源于《中国城市统计年鉴(2004—2018)》；二氧化碳排放强度细分项指标中碳排放数据来源于中国县级二氧化碳排放量数据集[16]，地级市总排放量通过下辖县(区、市)排放量求和得到，经检验该数据集对CO2排放的拟合精度达R2=0.998。GDP数据来源于《中国城市统计年鉴(2004—2018)》。

表1 减污降碳指标及数据来源

1.1.2驱动因素

为揭示长三角城市群减污降碳强度的时空驱动特征，该研究选择经济发展水平、地区产业结构、人口、土地利用结构、能源消费水平和气候变化6个方面共11项具体指标作为解释变量(表2)。经济发展水平选择GDP和人均GDP表征(均为不变价单位)，地区产业结构用第二产业增加值占GDP比例和第三产业增加值占GDP比例表征，人口选择人口密度和常住人口数量表征，土地利用结构用建设用地面积和园林绿地面积表征，能源消费水平选择能源消费总量表征，气候变化影响采用年均气温和年降水量表征。其中经济发展水平、地区产业结构、人口、土地利用结构的具体指标数据来源于《中国城市统计年鉴(2004—2018)》，能源消费总量通过将能源消费相关指标折算为吨标准煤数据求和得到，气候变化数据来源于城市气象观测站数据。

表2 减污降碳驱动力因素及数据来源

1.3 研究方法

回归分析被广泛应用于驱动分析研究，但传统的多元线性回归不能比较影响因素的重要性，该研究拟采用RF以克服传统方法的不足[17]。同时，与局部空间回归相比，全局空间回归假设所有参数在空间中都是平稳的或结构稳定的，这并不符合现实情况[18]。因此，该研究拟采用GTWR方法，其允许不同影响因素的回归系数变化，并对每个研究单元进行显著性检验[18]。

1.3.1GTWR模型

GTWR在地理加权回归的基础上引入时间因子，既解决了截面数据样本数量有限的问题，还考虑了时间与空间的非平稳性，能有效估计因子参数。模型[18-19]为

Yi=β0(μi,vi,ti)+∑kβk(μi,vi,ti)Xit+εi。

(2)

式(2)中，(μi,vi,ti)为长三角城市群第i个城市的时空坐标，μi、vi、ti分别为第i个城市的经度、纬度和时间；β0(μi,vi,ti)为第i个城市的回归常数，即模型中的常数项；εi为残差；βk(μi,vi,ti)为第i个城市的第k个回归参数，估计方法为

(3)

(4)

式(4)中，δ为带宽。该研究减污降碳强度GTWR模型的实现主要基于ArcGIS 10.5软件，采用HUANG等[18]制作的GTWR插件，带宽采用AICc优化设置。

1.3.2RF方法

RF是一种集成学习方法，它由使用数据集的自举(bootstrap)样本独立构造的树组成[20]，该方法对过拟合具有鲁棒性，且能充分探测变量对被解释变量的驱动贡献程度[21]。训练一个RF的本质是训练多个分类与回归树(classification and regression trees, CART)。CART是一个二叉树模型，其核心是切割变量和切割点的选择[22]。在RF中，单棵CART首先遍历一部分变量和变量数据，然后根据切割后节点的不纯度，确定最佳切割变量和切割点，综合所有树的结果得到最终模型。节点不纯度的计算公式为

(5)

同时，通过RF可定量测度解释变量的重要性，因此可通过不同时间点变量重要性的变迁解释变量的时间效应，提高长三角减污降碳模型时空效应的解释能力。RF通过袋外误差(out-of-bag error，OOB)样本来估计变量的重要性，具体公式为

(6)

式(6)中，pIM(Vari) 为变量i的重要性值；eB1，ij为根据CARTj中变量i出袋数据计算的误差；eB2，ij为根据CARTj中变量i出袋数据加上噪声干扰计算的误差；n为CART数量。该研究中，RF回归模型采用R软件包randomforest和R编程语言实现[20]，其中80%的数据集被随机选为训练集，其余20%数据集被选为测试集。该研究通过设置固定随机值，保证RF结果可复现，同时采用10次结果的均值作为最终模型精度评价结果。

2 结果与分析

2.1 长三角城市群减污降碳强度时空特征

2.1.1时间变化特征

由图2可见，2003—2017年，长三角城市群整体减污降碳强度呈下降趋势，表明长三角城市群整体呈清洁发展趋势。27个城市平均减污降碳强度由2003年的0.23下降到2017年的0.05，但江苏9市、浙江9市和安徽8市减污降碳强度的最低点是2016年，分别为0.04、0.03和0.07。从减污降碳强度下降绝对值来看，安徽8市最大(0.26)，上海次之(0.17)，浙江9市下降幅度最小(0.13)。从减污降碳强度变化率绝对值来看，安徽8市仍然最大，为0.019 9；浙江9市最小，为0.010 7。2003年，浙江9市和上海减污降碳强度总体接近，但浙江9市在2005年小幅上升之后才保持下降。整体来看，2003—2017年长三角城市群减污降碳效果非常显著。

2.1.2空间变化特征

图3展示了27个城市减污降碳强度的时空分布特征。虽然2003—2017年每个城市整体上减污降碳强度均呈下降趋势，但在重要节点年份可以观测不同城市减污降碳强度水平的分异特征。2003—2017年，上海、无锡、温州和合肥的减污降碳强度总体上均保持较好的下降趋势，其中上海和杭州在2003年减污降碳强度处于中等偏高水平，之后的2008、2013和2017年均保持较好的下降势头。滁州在2003年减污降碳强度并不高，但在2008、2013和2017年的横向比较中，其减污降碳强度始终处于同时期较高水平；滁州在2003—2017年的平均减污降碳强度仍处于较高水平的梯队中，且其减污降碳强度变幅为18.62%。与滁州情况类似的还有宣城、池州和马鞍山。从2003—2017年减污降碳强度的变化幅度来看，上海、杭州、合肥、南京和常州的下降幅度均超过91%，清洁低碳发展趋势较好。

2.1.3空间自相关分析

由表3可知，2003—2017年长三角城市群减污降碳强度的Morans′sI指数为0.320 7，且P值通过显著性检验，Z值大于1.96，表明长三角城市群减污降碳强度有较强的空间聚集特征。从不同时期来看，2003—2007和2008—2012年减污降碳强度的Morans′sI指数高于2013—2017年，表明随时间变化，长三角城市群减污降碳强度空间聚集特征呈下降趋势，而空间离散特征趋于强烈。

表3 长三角城市群减污降碳强度的全局Moran′s I指数

2.2 长三角城市群减污降碳驱动分析

2.2.1数据检验和精度评价

在构建GTWR模型前，需对所有变量进行标准化处理；同时，为避免在回归时出现伪回归现象，需要对标准化后的所有变量进行多重共线性检验。结果表明，11项指标的方差膨胀因子均小于10，但GDP和园林绿地面积的膨胀系数较高，分别为9.16和9.38。表4统计了回归模型的精度评价结果，可以看出，在考虑时间效应后，GTWR模型R2与调整R2均高于0.96，相比GWR模型的拟合精度和优度提升较大，R2提升0.193 1，残差下降0.649 3，且AICc值下降398.24。可见，GTWR回归模型能够较好地在时空尺度拟合11项具体驱动指标与减污降碳强度因变量的线性关系。RF模型的精度评价结果见表5。

表4 减污降碳驱动模型精度评价

表5 长三角城市群减污降碳强度的RF模型精度评价

2.2.2驱动因素回归系数空间特征

图4展示了GTWR局部回归系数的空间分布，27个城市局部回归系数均达显著水平(P<0.01)。GDP与盐城和金华减污降碳强度呈显著负相关；而安庆、滁州则受到人均GDP影响最为显著，人均GDP越高则减污降碳强度越低。从产业结构来看，上海、嘉兴、宁波、绍兴、舟山、台州和温州受第二产业增加值占GDP比例的正向驱动显著，而滁州、扬州、南京、马鞍山和常州受第三产业增加值占GDP比例的负向驱动更为显著。从土地利用结构来看，上海、苏州和浙江9市受园林绿地面积的负向驱动，即其园林绿地面积的增加驱动减污降碳强度下降；而滁州、合肥、马鞍山、芜湖、铜陵和池州受建设用地面积的负向驱动。从人口角度来看，滁州、合肥和安庆的人口密度对减污降碳强度的负向驱动显著;常住人口数量对安庆、池州和温州的减污降碳强度也为负向驱动，但盐城、南通、上海、苏州、无锡和嘉兴的减污降碳强度则受常住人口数量的正向驱动。安庆、池州、铜陵和合肥减污降碳强度受能源消费总量的负向驱动显著，而绍兴、台州、金华和温州减污降碳强度则受能源消费总量的正向驱动。从气候变化响应来看，研究区南部城市的减污降碳强度受年均气温和年降水量的负向驱动较为显著。

2.2.3驱动因素重要性变迁

表5显示，2003—2007、2008—2012和2013—2017年3个时期RF模型的Var解释程度分别为75.86%、79.95%和78.61%，均超过75%，这意味着该模型具有良好的拟合效果，对各个时期均有较好的解释能力。模型精度也很高，3个时期的均方根误差(RMSE)均小于8×10-4。

RF模型对变量重要性的测度可消除其他变量的间接影响。由表6可知，能源消费总量在2003—2007、2008—2012和2013—2017年3个时期的重要性均为第1；而第三产业增加值占GDP比例在2003—2007、2008—2012年均为第2重要的影响因素，在2013—2017年重要性排名下降到第3。园林绿地面积的重要性排名从2003—2007年的第5逐渐上升到2013—2017年的第2，说明园林面积增加对降碳和污染物净化的效用在逐渐提升；同时建设用地面积的重要性也在不断提升。人均GDP在2003—2007和2008—2012年的重要性排名分别为第3和第4，但在2013—2017年下降到第8；同时，GDP的重要性排名也呈下降趋势。虽然人口密度和人口总量重要性排名靠后，但总体呈上升趋势。气候变化响应方面，年均气温、年降水量始终是重要性排名最靠后的影响因素，说明气候变化对减污降碳的影响并不显著。

表6 减污降碳强度驱动因素的重要性变迁

3 讨论

该研究基于碳排放水平和污染物排放数据，通过权重组合构建减污降碳强度指标，并通过GTWR和RF方法分析了经济发展、产业结构、土地利用结构、人口以及气候变化对减污降碳强度指标的时空驱动特征以及驱动因素的重要性变迁，尝试探究长三角城市群减污降碳的驱动机制和空间模式。可以发现，建设用地面积和园林绿地面积的重要性不断上升。HAN等[22]认为，长三角建设用地的空间净碳强度显示出显著的跳跃性，碳排放的增长速度快于城市土地扩张。笔者与其结论相吻合，这说明土地利用结构对于减污降碳强度的影响力在迅速上升，一方面建设用地中污染物排放强度在不断增加，另一方面园林绿地在碳汇和污染物净化方面的功能效用更加显著。笔者研究发现，2003—2017年长三角城市群减污降碳强度存在空间聚集性，人均GDP和人口密度对减污降碳强度具有负向驱动作用，这与QIN等[10]的结论相吻合。但上海、嘉兴、宁波、台州、绍兴、舟山和温州的减污降碳强度随着第二产业增加值占GDP比例的增加而增加，这与QIN等[10]全国尺度第二产业占比与CO2排放量呈正相关的结论并不完全吻合，这可能源于减污降碳强度是一个综合碳减排和污染物排放效率的指标，上述城市在污染物排放效率层面与其他城市有不同的轨迹。从污染物排放驱动来看，WANG等[8]认为，在省级尺度人均GDP、技术、城市化和人口对环境污染有显著影响。笔者与其结论相符，但进一步研究发现，不同时期这种重要性在发生变化，如人均GDP的驱动重要性呈下降趋势，即驱动因素的重要性在发生时空变迁，这与研究尺度相关，在更细分的尺度上可以捕捉更为细微的减污降碳驱动特征。无锡与滁州等城市的减污降碳强度处于同一梯队，但通过分析统计资料可知，2003年无锡和滁州的工业增加值分别为992.74亿和105.5亿元，工业发展差距较大。因此，减污降碳强度值相对较低不一定完全是由于经济清洁发展所致，也有可能是因为经济发展水平低、工业化程度较低。

技术进步不仅能提高经济发展效率，而且对于减少碳排放和降低污染物排放有较大的促进作用[23]。长三角地区的进出口贸易非常发达，这其中隐含了一定程度的碳排放和污染物转移[24]，该研究对此还未能有效测度，后期应逐渐完善。另一方面，为了更好地开展减污降碳考核评估工作[25]，在后期应考虑纳入其他污染物排放效率以及其他温室气体的排放强度指标。

4 结论与建议

(1)2003—2017年，长三角地区27个城市的平均减污降碳强度由2003年的0.23下降到2017年的0.05，表明长三角城市群减污降碳整体呈向好趋势。长三角城市群减污降碳强度存在较强的空间聚集特征，在考虑时间效应后GTWR模型对减污降碳强度的拟合能力迅速提升，减污降碳强度指标时空分异特征显著。

(2)人均GDP、园林绿地面积、人口密度、常住人口数量的GTWR模型回归系数整体呈负值，说明其增加可促使减污降碳强度降低。建议长三角城市群在推进减污降碳工作时注重人均GDP、园林绿地面积和人口因素的协同提升。

(3)能源消费总量始终是减污降碳强度最重要的影响因素，同时地区产业结构和土地利用结构等影响因素的重要性也不可忽视。建议长三角城市群提升能源利用效率，大力发展第三产业，优化土地利用结构。