2020年9月, 习近平总书记表示中国力争在2030年前实现碳达峰, 2060年前实现碳中和；党的“二十大”进一步强调要积极稳妥推进“双碳”战略. 城市因其高密度的经济活动、人口活动和能源强度, 成为了人为碳排放的主要来源之一^[1]. 当前, 我国城市化进程仍在快速推进, 使得城市发展环境压力不断增加, 产生了诸如空气污染和温室效应等问题^[2]. 因此, 在贯彻新发展理念的时代背景下, “双碳”目标的达成离不开对城市碳排放的有效控制, 系统性地理解城市发展环境压力的内涵及其与城市碳排放的关系, 找到城市碳减排的内在根源与对策, 具有重要的现实意义.

现有关于城市碳排放的文献研究, 主要从碳排放的测度、成因和特征这3个方面展开. 在测度方面, 学者们通常采用投入产出^[3]、灰色预测^{[4, 5]}和多情境模拟^{[6, 7]}等方法, 通过直接排放与间接排放^[8]、排放范围^[9]和排放过程^[10]等界定方式来核算城市碳排放. 在成因方面, 部分研究指出城市化水平的提升是产生城市碳排放的主要原因, 在城市化进程中, 地区产值的增长、增多的人口活动、城市地区化石能源消费提升和增加的水泥制造及用地面积等均会促进城市碳排放的增加^{[11, 12]}；与之相反, 有学者强调城市化进程推进所带来的技术升级、金融发展水平提升和经济结构优化是抑制城市碳排放的主要动力^{[13, 14]}；此外, 部分学者从行业视角分析城市碳排放驱动因素, 指出除了传统的农业、工业部门外, 其他包括交通、邮政和旅游在内的行业也逐渐成为城市碳排放的主要来源^[11]. 在特征方面, 部分学者指出城市碳排放量与地区经济发展水平之间可能存在倒“U”型曲线^[15~17], 基于此, 有学者进一步研究发现, 因碳排放有显著的滞后效应, 可能在倒“U”型曲线后会再次出现拐点, 总体呈现“N”型走势^[18]；另外部分学者从空间视角切入, 通过研究省域^[19]、地级市^{[1, 2]}和县域尺度^{[3, 17]}下的碳排放时空演变情况, 发现我国的碳排放具有明显的空间集聚特征.

城市发展在多元维度因素的相互作用下会对环境产生一定压力, 且该环境压力的大小与城市发展阶段动态相关. 依据马世骏等^[20]提出的城市复合生态系统理论, 研究将城市定义为一个社会-经济-生态复合多维系统, 包含以社会人口系统、经济发展系统和技术水平系统为代表的众多子系统^[20]. 这些子系统会受到人口规模、产业结构、经济发展程度、资源开采能力和利用效率的制约, 对环境产生促进或抑制的综合影响, 并推动城市经历不同的发展阶段^[21]. 这与Jacobi等^[22]提出的城市环境转变理论与Grossman等^[23]提出的EKC（environmental Kuznets curve）理论类似. 城市发展前期因人口增速快且资源获取利用能力有限, 人类活动所产生的环境压力超过基础设施的承受能力, 从而促进城市碳排放. 但在后期因社会对环境保护重要性的认知提高, 政府及市场主体会通过技术创新支持、城市产业集聚和优化产业结构的方式促进城市的可持续发展, 此时城市二氧化碳的排放逐渐减少, 直至达到碳中和^[24].

综上所述, 虽然学者们对城市发展过程中所面临的环境压力和碳排放的驱动因素已开展了一定的探索, 但还存在以下研究空间：在对城市碳排放驱动因素识别方面, 大部分研究聚焦于城市系统里的一个或者几个子系统, 例如经济系统或人口系统给城市碳排放带来的影响研究, 鲜见学者以一个整体视角综合考量城市各维度子系统形成的城市发展环境压力, 并利用其来探讨城市碳排放问题. 因此, 研究可能的边际贡献主要体现在：①基于相关理论与方法, 系统梳理城市发展环境压力指数的内涵、特征和测度指标, 构建并测算城市发展环境压力指数, 衡量城市发展环境压力水平；②在推进绿色低碳发展、努力实现“双碳”目标的大背景下, 分析城市发展环境压力对碳排放水平的影响；③探究城市发展环境压力对城市碳排放水平的影响在中小型城市、大型城市和特大型城市间的异质性.

1 材料与方法 1.1 数据来源

基于对数据可得性与完整性的考虑, 剔除巢湖、三沙、儋州、莱芜、铜仁、毕节、拉萨、日喀则、林芝、那曲、昌都、山南、海东、海南藏族自治州、吐鲁番和哈密共16个地级市, 最终共选取了284个地级市作为研究对象, 年份跨度为2006~2022年. 文中有关城市二氧化碳排放数据主要来源于《中国城市二氧化碳排放数据集（2006~2023）》碳核算数据库和各级统计年鉴. 其中, 能源部分分能源品种分部门的能源消费数据来源于《中国能源统计年鉴》以及各级统计年鉴；工业过程和产品使用数据从《中国工业统计年鉴》以及各级统计年鉴获取；农业、林业和其他土地利用活动数据从《中国农业统计年鉴》《中国畜牧业年鉴》《中国林业和草原统计年鉴》以及各级统计年鉴获取；废弃物处理的数据通过《中国环境统计年鉴》以及各级统计年鉴获取；外购电力、供热和制冷数据源于《中国城市统计年鉴》《中国能源统计年鉴》以及各级统计年鉴. 排放因子以官方公布的相关数据为准, 具体包括《省级温室气体排放清单指南（试行）》和各级政府发布的碳排放清单指南, 若有缺省数据通过IPCC排放因子数据库进行补充；有关影响城市二氧化碳排放量的指标数据主要来源于各个城市的统计年鉴与统计公报. 对于个别年份缺失的数据采用插值法补齐. 考虑到异方差和变量间量纲的影响, 对所有变量通过取自然对数标准化处理.

1.2 变量设计 1.2.1 被解释变量

城市碳排放水平（CE）. 考虑学者们对划分排放源的统一性和为了避免重复计算, 借鉴郑德高等^[8]的做法, 选择认可度较高的“范围1、范围2和范围3排放”的界定方法来核算单位城市碳排放水平. 该方法将城市碳排放分为三大范围：范围1为城市辖区内的所有直接碳排放, 包括辖区内的工业、交通和建筑业等的能源活动、废弃物处理过程、农林业等土地利用变化和工业生产过程中所产生的二氧化碳排放；范围2为城市辖区外与能源相关的所有间接碳排放, 包括因城市消费需求产生的供电、供暖或制冷等二次能源生产过程中产生的碳排放；范围3为因城市内部活动引起、产生在辖区外, 且不在范围2包含范围内的间接碳排放, 包括城镇所购物资在生产、从外向内运输、内部使用和废物处理回收等环节中所产生的碳排放. 单位城市碳排放水平是范围1、范围2和范围3碳排放的总和.

1.2.2 解释变量

城市发展环境压力. 基于上文分析, 城市是一个复杂的社会-经济-生态复合系统, 研究将城市发展环境压力界定为在城市发展过程中, 因人口扩张、经济增长和资源利用等人类活动给城市环境造成的影响^[25]. 衡量城市发展环境压力需要综合考量人口、经济和其他潜在影响环境的因素, 研究出于可衡量性的考虑将其定量化, 构建城市发展环境压力指标体系（表 1）, 并选用可拓展随机的环境影响评估模型（stochastic impacts by regression on population, affluence and technology, STIRPAT）来计算城市发展环境压力指数.

STIRPAT模型由York等^[26]提出, 该模型是IPAT模型的随机形式, 二者主要的区别在于对模型中T因素的定义和模型中不同维度因素间的关系定义上. 20世纪60~70年代Commoner^[27]和Ehrlich等^[28]的研究首次提出IPAT模型, 其方程式如下：

(1)

式中, I表示影响（impact）, P、A和T分别表示人口（population）、富裕度（affluence）和技术（technology）, 各类因素间的关系为相乘的线性相关关系. 与之相比, York等^[26]将STIRPAT模型中的T定义为除人口、富裕度因素外的其他所有可能影响环境的因素, 并将其与残差项放在一起, 同时通过引入弹性系数使模型变为一个多变量非线性模型. 这样做主要出于两点考虑：首先, T如果单指技术类因素可能会影响模型与现实的贴合度, 因为影响环境的因素不止人口、富裕度和技术；其次, 技术类因素相对人口、富裕度因素, 较难进行客观衡量. STIRPAT模型的基础表达式为：

(2)

式中, I表示环境压力（environmental impact）, 用来衡量人为活动对环境造成的影响, P表示人口维度变量合集, A表示富裕程度维度变量合集, T表示除人口、富裕度因素外的其他所有可能影响环境维度变量合集, e表示误差项. 当a=b=c=d=e=1时, STIRPAT模型表达式与IPAT模型表达式相同. 对STIRPAT模型两边取自然对数：

(3)

式中, P、A和T可以分别表示该维度相关指标的合集. 根据STIRPAT模型提出者York等^[26]对该模型的定义, STIRPAT模型具有维度变量的可分解性和整体方程的可拓展性, 模型中允许加入其他潜在影响环境的因素且允许对相关变量进行分解. 同时, 方程中可以加入相关指标的变式, 例如二次项, 用以检验相关假说. 研究尝试通过在模型中引入二次项拓展STIRPAT模型以增加模型对城市所面临环境压力的解释力. 在王少剑等^[17]的研究中, 通过在STIRPAT模型的人口维度中引入二次项证明了EKC假说, 即城市环境压力会随着城市的发展呈现先增长后下降的倒“U”型趋势. 1991年美国环境经济学家Grossman等^[23]首次提出环境库兹涅茨曲线（environmental Kuznets curve, EKC）概念, 将经济发展因素与环境污染情况结合在一起. 经济发展水平与环境污染程度之间存在一条倒“U”型曲线, 经济发展前期, 环境污染程度会随着经济的发展而加重, 后期则会随着经济的发展得到改善. 为考察城市人口结构变动是否与城市碳排放水平间存在一条倒“U”型的EKC曲线, 将城市化率分解为一次项和平方项, 得到式（4）：

(4)

对式（4）中ln P的系数求偏导, 可以得出城镇化率对城市碳排放量的弹性系数EE_P为：

(5)

回归结果中, 如果系数b₂为负, 则说明可能存在EKC曲线. 即在城市发展前期, 城市碳排放量会随着城市化水平的提升而增长, 后期则会下降.

依照STIRPAT模型分析框架, 分别从人口、富裕度和其他影响环境维度选取7个指标, 构建城市发展环境压力指数, 式（4）中除二次项外, P、A和T分别表示相关维度指标的合集.

具体指标及其计算方式为：①人口维度指标, 包含城市化率、城市化率平方项和人口密度. 参考Huang等^[29]的研究, 由于单位城市的城市化水平是单位城市碳排放量的主要影响因素之一, 且城市化率水平和城市环境压力之间可能存在倒“U”型的EKC曲线, 因此研究将城市化率及其平方项纳入方程中. 城市化率, 即城市人口占年末城市常住人口比例. Wang等^[30]的研究指出, 人口规模的增长会促进城市包括能源、运输和物资等各类消费需求的增加从而使城市碳排放量增加. 城市人口密度的计算方式为城市常住人口与单位城市占地面积之比；②富裕度维度指标, 包含人均GDP和第二产业GDP占比. 邵帅等^[16]在其研究中指出第二产业在产业结构中的占比越大, 实现碳减排的难度就会越高, 持续推进工业化在助推经济增长的同时, 也会增加我国能源与环境的压力^[4]. 同时, 研究借鉴Heinonen等^[31]的做法, 选用人均地区生产水平来反映单位城市经济发展水平对该地区碳排放的影响；③其他影响环境维度指标, 包含市场化指数和第三产业GDP占比. 市场发展指数, 取自王小鲁的市场发展指数报告市场化指数^[32]的计算, 包含对产品、劳动力等要素流动的考量, 参考Heinonen等^[31]的研究可知, 城镇化进程中劳动力流动会增加城市碳足迹, 因此将市场化指数纳入方程. 从产业结构演变规律来看, 经济发达单位地区更多依赖技术驱动的第三产业带动, 根据邵帅等^[16]的研究, 第三产业占比的提升可以在一定程度上帮助碳减排的实现.

由于所选指标中的城市化率和城市化率的二次项有较强的共线性, 故借鉴马兆良等^[33]的方法, 首先采用岭回归检验各指标与城市碳排放的相关性, 通过显著性检验后, 得到各个变量的系数与STIRPAT方程, 将历史数据代入方程后得到单位城市2006~2022年每一年的城市压力指数I. 岭回归结果如表 2.

从岭回归结果来看, 指标均在1%的显著性水平上显著, 且标准误维持在较低水平. 另外, 城镇化率的二次项回归系数为负, 说明在观测期内, 地级市的城镇化水平和城市碳排放量之间出现了倒“U”型曲线, 满足EKC假说. 以上结果说明研究所选择的指标与城市碳排放水平有较好的相关性, 可以选择这些指标来计算城市发展环境压力指数. 基于回归系数和所搜集历史数据, 计算得出环境压力指数, 环境压力指数I的计算方程为：

(6)

将大陆地区284个地级市2006~2022年的相关数据代入式（6）得到单位城市各个年份的城市发展环境压力.

1.2.3 控制变量

经已有研究梳理, 影响城市碳排放水平的因素众多, 研究从消费水平、收入水平和绿色创新水平等方面引入控制变量. 对各控制变量的具体说明如下.

（1）消费水平（gro）  采用社会消费品零售额占GDP比例测度. 李强等^[14]在研究中指出社会消费品零售额是衡量单位城市居民消费能力高低的指标之一, 一方面, 城市发展水平与居民消费能力的提升会促进单位城市碳排放水平增长；另一方面, 随着居民环保意识的增长, 消费者会更偏向于挑选绿色低碳产品, 而这也会倒逼生产者改进生产技术, 研发更多的绿色环保产品, 从而帮助降低城市碳排放水平.

（2）收入水平（avs）  用单位城市人均工资测度. 中国二氧化碳排放和人均收入水平间存在EKC曲线, 当人均工资水平低于一定数值时, 二氧化碳排放量会随着人均收入水平的增长而上升^[23]；超过该数值后, 人均收入的提升会帮助促进碳减排. 参考张兵兵等^[34]的研究, 将人均工资水平纳入控制变量指标体系中.

（3）绿色创新水平（gpt）  采用绿色专利授权数测度. 绿色生产技术进步可以提升能源利用效率, 从而促进生产过程中的碳减排^[16]. 绿色专利授权数作为单位地区技术创新能力的表现之一, 绿色专利授权数越多, 表示单位城市绿色生产能力越强；但也有研究指出, 中国自2000年推行基于数量的专利补贴政策以来, 虽然整体数量稳步增长, 但专利质量却在逐年下滑, 甚至会降低产出效益与社会福利^[35], 从而影响碳减排. 各影响因素对城市碳排放的影响机制如图 1所示, 变量描述性统计如表 3所示.

1.3 模型设定 1.3.1 固定效应模型

为验证城市发展环境压力指数对城市碳排放水平的影响, 构建固定效应回归模型如下：

(7)

式中, 被解释变量CE_it表示城市i在第t年的城市碳排放量, 核心解释变量I表示城市发展环境压力指数, CON表示控制变量的集合, 具体包括：社会零售额占比（gro）、人均工资水平（avs）和绿色创新专利授权数（gpt）. λ₀表示模型截距项, α_i表示个体固定效应, σ_t表示时间固定效应, ε_it表示随机误差项. 若式（7）中ρ₁显著为正, 则说明城市发展环境压力对城市碳排放水平有正向影响.

1.3.2 分位数回归模型

为进一步探究城市发展环境压力指数对城市碳排放量条件分布中不同点位的边际效应和变化趋势, 利用单位城市碳排放水平的条件分位数来建模, 选用10%、25%、50%、75%和90%分位点, 构建分位数回归模型如下：

(8)

式中, q表示分位数, 取值在0~1之间, 研究中q∈{0.1, 0.25, 0.5, 0.75, 0.9}. 其余同式（7）. 若式（8）中θ₁在不同分位符号不同, 则说明城市发展到一定程度时, 城市发展环境压力对城市碳排放水平的影响会发生转变.

2 结果与讨论 2.1 基准回归及稳健性检验

经Hausman检验, 采用固定效应模型, 在地级市数据层面探究城市发展环境压力指数与城市碳排放水平之间的关系.

表 4中, 列（1）是以城市发展环境压力指数为核心解释变量的固定效应基准回归估计结果. 结果表明, 城市发展环境压力指数和城市碳排放水平二者呈正相关关系, 且结果在5%的水平上显著, 城市发展环境压力指数每上升一个单位, 城市碳排放水平会提升1.4%. 这一结果与郑宏媚等^[36]的研究结论类似. 为进一步验证该结论的有效性, 从以下2个方面对固定效应回归结果进行稳健性检验：第一, 对样本进行双侧缩尾1%处理. 考虑到样本中可能存在少数异常值会对估计结果产生影响, 为确保估计精确性, 对所有回归方程中的变量进行1%的缩尾处理, 结果如列（2）所示, 缩尾后的城市发展环境压力指数回归系数在5%的水平上显著, 证明前文结果较为稳健. 第二, 增加控制变量. 基于前文对城市发展环境压力及其相关人文因素的分析, 选取政府教育投入水平（edu）和政府科技投入水平（sci）两个变量并加以控制, 结果如列（3）所示, 城市发展环境压力指数对城市碳排放水平的回归系数由之前的回归结果中的0.014上升至0.015, 结果在5%的水平上显著, 这也进一步支持了前文结论. 单位城市可以考虑一方面减少民营企业参与市场竞争的壁垒来优化市场机制, 另一方面搭建科研平台与发展人工智能等前沿技术来提升创新能力, 利用数字技术赋能传统产业改造升级的方式来减少碳排放.

2.2 城市碳排放的分位数回归结果

由于固定效应模型的回归系数结果只能从整体视角描述城市发展环境压力指数和城市碳排放量之间的关系, 为进一步探究在不同城市碳排放水平下城市发展环境压力指数与城市碳排放水平的关系, 采用分位数回归模型, 回归结果如表 5.

由表 5可知, 城市发展环境压力指数在10%、25%、50%、75%和90%这5个分位点均与城市碳排放水平呈现显著相关关系. 其中, 在10%和25%这两个分位点上城市发展环境压力指数与城市碳排放水平呈正相关关系, 且在1%的水平上显著；而在50%、75%和90%这3个分位点上, 城市发展环境压力指数与城市碳排放水平呈负相关关系, 其中, 二者在75%和90%这两个分位点上均在1%的水平上显著. 以上结果说明：第一, 城市发展环境压力指数与城市碳排放水平的显著相关关系, 与前文分析结论一致. 第二, 城市碳排放量的大小与城市发展阶段挂钩. 城市发展环境压力指数的回归系数在50%分位数之前为正, 而在50%分位数之后变为负数, 说明在城市的发展前期, 城市的发展更多以环境牺牲为代价, 经济的发展会增加城市发展环境压力, 并进一步提升城市碳排放水平. 但随着城市的发展进步, 后期城市的发展会更多依赖以科技与创新为核心的新质生产力^[36], 此时即使城市发展环境压力指数上升, 城市的碳排放水平却是在下降的. 这一结果与孙晓华等^[37]的研究结果类似. 但不可忽视的是, 该阶段城市优化的能源结构和产业结构虽然有利于可持续性发展, 也会带来诸如岗位与技能错配、低技能劳动力被迫向下就业和城市劳动力回流农村等问题^{[17, 38]}.

城市发展环境压力与城市碳排放水平之间存在非线性关系在10%和25%这两个分位上城市发展环境压力系数为正, 且在1%的可信度水平上显著, 而在50%、75%和90%这3个分位上城市发展环境压力系数为负, 且后两个分位上的回归系数在1%的可信度水平上显著, 表明城市发展环境压力与城市碳排放水平间存在倒“U”型曲线关系, 此结果与相关研究^{[16, 39]}的结果类似. 在城市发展早期阶段, 聚集的人口与密集的经济活动产生了可观的规模效应, 但同时, 不完善的环境规制、市场经营主体资源利用效率低下、污染排放随意和缺少环保意识等都导致了城市碳排放水平的提升. 当城市发展水平跨过拐点后, 城市发展与产业规模效应更多依靠高新技术产业, 且更加严苛的环保政策会倒逼市场经营主体进行经济转型与技术创新^{[40, 41]}, 所以即使在城市因为发展面临更大的环境压力, 但整体的城市碳排放水平是下降的, 这一结果与张跃胜等^[42]的研究结果类似. 单位城市需要基于城市发展水平制定差异化碳减排目标, 同时需要把握劳动力技能与岗位的匹配度, 在城市发展、人才吸引和劳动力流动中找到一个均衡点.

2.3 异质性分析

考虑到研究中包含的城市样本数量较多, 且不同城市的资源禀赋、气候条件、消费需求和政策倾向性等不同^[43], 由上文分析可知人口规模是影响城市碳排放水平的重要因素之一, 故进一步按照城市人口规模对城市样本分类. 根据国务院发布的《关于调整城市规模划分标准的通知》, 按照城市年末常住人口数量来划分的城市等级. 其中, 城市年末常住人口数量在0~20万的, 为Ⅱ型小城市；城市年末常住人口数量在20~50万的, 为Ⅰ型小城市；城市年末常住人口数量在50~100万的, 为中等城市；城市年末常住人口数量在100~300万的, 为Ⅱ型大城市；城市年末常住人口数量在300~500万的, 为Ⅰ型大城市；城市年末常住人口数量在500~1 000万的, 为特大城市；城市年末常住人口数量在1 000万以上的, 为超大城市.

由于在所研究的时间跨度下样本不包含Ⅱ型小城市, 基于上述分类标准和对不同城市等级样本量的考虑, 将284个地级市分为年末常住人口数量在0~100万的中小型城市、年末常住人口数量在100~500万的大城市和年末常住人口数量在500万以上的特大城市. 分层后分别代入回归方程再次回归, 结果如表 6所示. 由回归结果可知, 相比大型城市来说, 城市发展环境压力与城市碳排放在中小型城市和特大城市中呈现更为紧密的关系. 这一结果与陈良侃^[44]等的研究结果类似. 这种差异可能与城市所在的不同发展阶段有关：在城市发展的前期或后期, 单位城市有着较为固定的发展模式, 前期城市可能更多依赖农业或者重工业等拉动经济的发展, 所付出的环境代价较大；后期城市则可能因为找到自身资源优势形成了自身的发展特点, 从而与城市发展环境压力形成较为稳定的关系^[45]. 但在中期, 城市处于快速发展时期, 此时大量人口涌入城市为城市带来了大量的劳动力红利与消费需求, 城市可能因基础设施跟不上消费需求从而导致消费需求过载从而带来污染问题^[46], 因此此时城市发展环境压力与城市碳排放之间的关系并未形成显著的正相关或负相关关系. 单位城市在制定碳排放控制目标时, 可以挖掘具有单位城市特色的城市化驱动因素, 同时需要考虑城市的资源禀赋、所处的城市发展阶段、人口规模和政策倾向等因素, 且节能减排目标的设定不宜过于严格, 否则反而会影响城市整体的发展进程.

3 结论

（1）2006~2022年期间, 中国大陆284个地级市的城市发展环境压力对城市碳排放水平表现出显著的正向影响, 其中市场发展水平和第三产业总产值贡献率是影响城市发展环境压力的两个主要因素, 结果通过一系列稳健性检验后仍然成立.

（2）在控制其他变量且将城市碳排放水平5等分的情况下, 城市发展环境压力对城市碳排放水平在50%分位点之前有正向影响, 而在50%分位点及之后, 城市发展环境压力对城市碳排放水平有负向影响.

（3）城市发展环境压力对碳排放的影响受到城市人口规模的制约. 异质性分析表明, 相较于人口在100~500万人口的大型城市, 城市发展环境压力对城市碳排放水平的正向影响在人口小于100万的中小型城市和大于500万的特大型城市间更加显著.