2025, Vol. 46
2. 河北经贸大学河北省城乡融合发展协同创新中心，石家庄 050061;
3. 中国科学院地理科学与资源研究所陆地表层格局与模拟重点实验室，北京 100101;
4. 中国环境监测总站，北京 100012
2. Hebei Collaborative Innovation Center for Urban-Rural Integrated Development, Hebei University of Economics and Business, Shijiazhuang 050061, China;
3. Key Laboratory of Land Surface Pattern and Simulation, Institute of Geographic Sciences and Natural Resources Research, Chinese Academy of Sciences, Beijing 100101, China;
4. China National Environmental Monitoring Centre, Beijing 100012, China
碳排放的气候变化效应已成为全球瞩目的重大议题.当前，中国作为碳排放总量居首的发展中大国，实施碳减排不仅是应对全球气候变化国家战略举措的必然选择，也是推进中国式现代化进程的内在要求与核心任务. 在中国城镇化快速发展过程中，工业化水平大幅提升，城镇人口规模显著扩大，城镇用地规模激增，导致能源消耗量急剧上涨，碳排放量随之急剧攀升，对气候系统构成了严峻挑战与胁迫[1].发展新型城镇化要求推动从数量扩张转向质量提升与效率增进的绿色低碳城镇化发展模式转型.学界针对城镇化过程中的碳排放问题已进行了诸多研究，主要聚焦碳排放的源头解析[2]、时空集聚性特征[3]、气候系统的潜在影响评估[4]、城镇化进程与碳排放量的耦合协调机制[5]、碳排放与土地利用变化的交互作用机制[6]以及城镇化与碳平衡压力之间的关系[7]等.相关研究成果对推动城镇化与碳排放脱钩发展提供了理论支撑和实践指导，但我国区域性城镇化进程与碳排放的关系尚不明确[8，9]. 因此，亟需厘清区域尺度城镇化与碳排放之间的内在关系，助力科学制定新型城镇化与“碳中和”协同发展策略.
在城镇化与碳排放关系研究方面，学界尚未就城镇化与碳排放的相关关系达成一致结论，相关研究成果可归纳为三类：一是支持城镇化与碳排放之间存在直接的线性相关关系. Raihan[10]运用边界测试法和最小二乘法测度发现，1990~2020年菲律宾城镇化每增加1%，CO2排放量相应增加1.25%，呈现出线性正相关关系.二是强调两者间呈现出更为复杂的非线性关联模式.由于研究对象、样本时间跨度、评价指标以及所采用模型与方法的多样性导致关系的复杂性. Poumanyvong等[11]基于大样本、长时间序列数据，构建STIRPAT模型，发现城镇化对碳排放的影响随发展阶段的不同而呈现出显著的异质性特征. 三是认为城镇化与碳排放之间不存在相关关系. Ali等[12]指出中低收入水平国家中，城镇化对碳排放的影响不显著.可见，碳排放与城镇化的关系仍未得出一致结论，这为进一步深入研究城镇化与碳排放的复杂关系提供了空间.
在碳排放的影响因素研究方面.为深入剖析碳排放变化影响机制及主导因素，学者采用了多种统计与计量方法，包括固定效应回归模型[13]、灰色关联模型、动态面板模型[14]、空间自回归模型[15]、空间杜宾面板模型[16]、时空地理加权回归模型和地理探测器模型等. 相关研究聚焦人口城镇化对碳排放的影响规律探讨，并揭示了经济增长[17]、外商投资、产业结构[18]、能源消费结构[19]和城镇化政策[20]等因素与碳排放之间的紧密联系.现有成果为深入揭示城镇化如何影响碳排放变化规律奠定了理论与实证基础.
综上所述，当前学术界在探究城镇化与碳排放关系时，仍面临以下局限性. ①线性化假设的局限性：既往研究大多聚焦城镇化对碳排放的线性影响分析，忽略了城镇化不同发展阶段可能引发的碳排放“拐点效应”，非线性特征亟待进一步探索与验证.②单一维度表征的不足：城镇化是经济、人口和空间等多维度交互叠加的复杂动态演进过程，现有研究多以人口城镇化表征城镇化水平，这不足以全面研判城镇化对碳排放异质性的影响.亟需从多维视角出发，探究城镇化子系统（经济城镇化、人口城镇化和土地城镇化）与碳排放可能存在的环境库兹涅茨曲线（EKC）关系. ③滞后效应与内生性问题的忽视：在城镇化对碳排放的影响分析中，前期影响变量的滞后效应往往被忽略，这可能导致对当前碳排放量变化的解释不够准确.同时，普通面板回归方法处理此类问题时，容易因内生性问题而产生估计偏误.为此，引入系统动态面板回归模型（SGMM），该模型不仅考虑了被解释变量（CO2排放量）的滞后期数（年），还通过综合利用差分方程和水平方程的信息，有效解决了模型的内生性问题，增强了模型估计的有效性与稳健性.
中国面临着严峻的碳排放挑战，尤其是重工业密集的环渤海地区，城镇化与碳减排协同发展压力巨大[21].本研究选择环渤海地区的43个市为研究对象（2个直辖市和41个地级市），以2000~2021年城市面板统计数据和遥感影像为基础，采用空间自相关模型对环渤海地区CO2排放量的时间演变规律、空间差异和空间关联特征进行探究，运用系统动态面板回归模型验证环渤海地区多维城镇化与CO2排放量之间的非线性关系及驱动机制.边际贡献：①多维度的城镇化与碳排放非线性关系研究拓展和丰富了研究的维度. ②将系统动态面板回归模型引入城镇化与碳排放的影响因素研究是有益的方法尝试. ③识别了环渤海地区城镇化与碳排放非线性关系、拐点和影响因素，对建立健全环渤海地区高质量城镇化和碳减排机制提供科学依据.
1 材料与方法 1.1 数据材料本研究所需数据包括2000~2021年环渤海地区CO2排放量核算数据、建设用地和森林覆盖等空间数据以及社会经济等统计数据.其中，CO2排放量数据源自中国碳核算数据库[22]，对个别年份数据缺失进行插值.建设用地和森林覆盖率数据利用ArcGIS软件通过对中国逐年30 m分辨率土地利用数据提取获得.经济城镇化、人口城镇化、土地城镇化和各控制变量数据来源于北京、天津、河北、山东和辽宁的历年统计年鉴，以及环渤海地区43个市国民经济与社会发展统计公报.
1.2 研究方法 1.2.1 空间自相关本研究采用全局空间自相关的Moran's I统计量来表征环渤海地区各市CO2排放量的空间关联程度[23，24]. Moran's I指数的计算公式如下[25]：
|
(1) |
式中，n为样本量，即环渤海地区的43个市，Xi和Xj分别为i市和j市的CO2排放量核算值或补充值，Wij为i市和j市的空间位置邻近关系，当i市和j市为邻近的空间位置时，Wij =1；反之，Wij = 0. 全局Morans I的取值范围为[−1，1].
本研究采用局域统计量Gi来刻画在较小的尺度上环渤海地区CO2排放量的空间相关性[26]，并运用自然断点法进行冷热点区域的划分，以发现CO2排放量冷热点的聚类分布情况. 局部空间自相关的公式如下：
|
(2) |
本研究预估计城镇化与碳排放量呈非线性关系，鉴于Arellano等[27]和Blundell等[28]提出的系统广义矩估计法（SGMM），即系统动态面板回归模型，利用仪器变量和差分操作来处理内生性问题，能够得到无偏差一致的估计量，可提高准确度和稳定性[29].本研究为探究环渤海地区城镇化子系统与CO2排放量之间的非线性关系，在基准回归模型和固定效应回归模型的基础上，采用SGMM法验证环渤海地区多维城镇化对CO2排放量的非线性影响.其公式如下：
|
(3) |
|
(4) |
|
(5) |
式中，i为市；t为年份；Y为各市CO2排放量，Xit为控制变量；θi为控制变量集的系数；COit - 1为被解释变量的滞后项；Zit为核心解释变量；μi为常数项；εit为随机误差项. 公式（3）为基准计量回归模型，公式（4）为普通动态面板回归模型，公式（5）为系统动态面板回归模型.
2 结果与分析 2.1 环渤海地区碳排放的时空异质特征 2.1.1 环渤海地区碳排放的时间演化规律碳排放量时间变化特征. 本研究通过分别对河北、山东和辽宁各市CO2排放量进行均值处理，并将其与北京和天津的CO2排放量进行对比，来探究2000~2021年环渤海地区CO2排放量的时间变化特征（图 1）.结果显示，2000~2013年，除北京外，CO2排放量呈快速上升态势，2013年后，上升速度明显放缓，部分地区甚至出现波动下降现象.辽宁各市平均CO2排放量最少且在研究期内保持相对稳定；天津CO2排放量最高且在研究期初（2000~2013年）增长最为显著；北京的CO2排放量在2007年后开始呈现波动下降趋势，较其他地区更早实现了减排；河北CO2排放量在2014年出现下降，但在2016年又重回升势；山东于2013年后呈现缓慢波动上升趋势.究其原因，北京在生态环境治理意识、政策制定和执行方面较其他省份更具超前性.2012年环渤海地区遭遇的严重雾-霾灾害天气对各地区转变生态环境综合治理观念产生了重要影响，地方政府出台的相关政策措施对碳排放量的控制效果显著.
|
图 1 2000~2021年环渤海地区市平均碳排放量时间变化 Fig. 1 Temporal changes in average carbon emissions by city in the Bohai Rim from 2000 to 2021 |
碳排放强度时间变化特征.本研究采用单位GDP的CO2排放量来表征环渤海地区碳排放强度，用以反映碳排放与经济的关系.当碳排放强度较低时，表征经济发展未使碳排放量恶性增加，即研究单元处于低碳发展状态，较低的排放强度是经济持续健康发展的关键因素之一. 2000~2021年，北京和天津的碳排放强度最低，且呈逐年下降趋势（图 2），说明其经济发展的生态环境效应较好，这与地区注重低碳绿色发展和产业转移等高质量城镇化相关[30].辽宁和河北的碳排放强度在研究期内明显高于其他地区，说明其经济发展的碳排放代价最高，可能与产业结构不合理和能源利用效率低有关[31].进一步分时段探究发现，研究期初，河北和山东的碳排放强度经历了先升后降的过程.究其原因，河北与山东经历了工业化的迅猛扩张阶段，此期间地区经济发展模式偏向于粗放型.为此，政府针对重工业领域实施了一系列环境监管措施，颁布了相应的节能减排政策，受惠于环境保护政策的引导及技术进步的驱动，发展方式逐渐向集约化转型.2016~2021年，河北、山东和辽宁的碳排放强度呈波动特征，部分年份出现明显上升，这可能与全球贸易风险、公共卫生事件冲击和环境政策执行等有关.综上，环渤海区域的碳排放强度虽整体呈现下降趋势，但值得注意的是，2016年以来部分省份出现了反弹迹象，对此应保持高度警觉并采取相应对策.
|
图 2 2000~2021年环渤海地区碳排放强度变化 Fig. 2 Changes in carbon emission intensity in the Bohai Rim from 2000 to 2021 |
采用等间距法将2000~2021年环渤海地区各市CO2排放量划分为7个等级. 如图 3所示，2000年，多数城市碳排放处在低等级，未出现排放量处于中高等级的市.至2004年，唐山的碳排放水平升级至中等级.在2008年和2012年，大量地级市碳排放等级的颜色由深绿色变为淡绿色，并且出现了红色的唐山，说明碳排放等级明显提高.至2021年，深绿色表示的低碳排放等级城市数量显著减少，多数城市转而落入淡绿色及淡黄色区间，揭示了环渤海地区碳排放等级普遍上升的趋势.
|
图 3 环渤海地区碳排放空间演变 Fig. 3 Spatial evolution of carbon emission levels in the cities of the Bohai Rim |
为探究碳排放空间分布是否存在关联，采用ArcGIS软件对2000~2021年环渤海地区43个市CO2排放量进行空间自相关性检验（表 1）.结果显示，环渤海地区CO2排放量全局Moran's I指数有正有负，2000~2015年，P > 0.41，Z < 1.65，表征环渤海地区碳排放的空间相关性较弱，受相邻市的影响很小，基本呈随机分布，主要受自身发展的影响.2016年以后Moran's I值全部为正，较2000~2015年明显上升，P值介于0.04~0.27之间，部分年份Z值大于1.65，说明各地碳排放具有一定的空间集聚与依赖特征，即环渤海地区CO2排放量的“集群化”特征略显增强.
|
表 1 碳排放量全局莫兰指数 Table 1 Global Moran's I of carbon emissions |
为探究环渤海地区碳排放的局部空间关联特征以及局部空间聚类特征，采用ArcGIS软件中自然断点法，将2000年、2004年、2008年、2012年、2016年和2021年环渤海地区CO2排放量的局域统计量Gi划分为热点、次热点、次冷点和冷点（图 4）.具体来看，研究期内碳排放量的热点区主要分布在天津和廊坊一带.随着时间的推移，碳排放热点区数量逐渐增加，沿渤海湾向东北方向拓展. 2016年，形成了以天津为中心和以东营为中心的两个热点次热点复合区.除2016年外，环渤海地区碳排放的冷点区域一直占据大部分地域空间，具有绝对优势，说明具有趋同效应.
|
图 4 环渤海地区碳排放量冷热点分布 Fig. 4 Distribution of cold and hot spots of carbon emissions in the Bohai Rim |
城镇化过程中，经济状况、人口结构和土地利用结构的变化对碳排放具有重要影响.为了从多个维度研究城镇化对碳排放的非线性影响，本研究借鉴相关研究成果[32，33]，将城镇化系统分解为经济城镇化、人口城镇化和土地城镇化3个维度（表 2）.碳排放在本研究中为被解释变量，由CO2排放量（E-CO2）来表示，经济城镇化、人口城镇化和土地城镇化为核心解释变量.
|
|
表 2 变量选取及其描述性统计结果 Table 2 Variable selection and descriptive statistical results |
经济城镇化（E-URB）是指在一定地域范围内，生产要素由农业部门向非农业部门转移，在空间上从乡村向城镇地域迁移与资源再配置过程，即经济发展方式向高层次的转型与升级[34].本研究经济城镇化水平采用人均GDP来具体量化.
人口城镇化（P-URB）是指在某一行政地域或地理区域内，人口从农村地区转移到城镇地区，常住城镇人口占比不断提高的现象[35].本研究采用环渤海地区非农人口占地区总人口的比例来表征人口城镇化程度.
土地城镇化（L-URB）是指土地资源开发利用方式的变化，农村用地转变为城市用地，以及土地产权属性由农村集体土地转变为国有土地[36].本研究采用城市建设用地面积占行政区总面积的比例来表征土地城镇化程度.
在控制变量方面，选择人口规模（POP）、外商投资（FDI）、产业结构（IND）、环境保护程度（EPI）和居民消费水平（RCL）共5个指标[37，38].人口规模持续扩大可能导致能源消费增加、建设用地扩张、工业生产增加和交通运输量提升等一些列连锁反应，直接或间接导致碳排放量增加，因此，本研究采用常住人口数量来表征人口规模对碳排放的影响.外商投资对碳排放具有“污染避难所假说”效应[39]，本研究采用外商直接投资额占GDP比例表示这一影响因素.产业结构调整对碳排放具有双重效应：一方面，工业化进程的加速可能增加工业碳排放；另一方面，产业结构的优化升级也可能降低能耗和物耗，从而减轻碳排放压力.采用第二产业占比来反映产业结构对碳排放的影响.环境保护程度，即对环境保护的重视程度和环境规制的实施情况，可在一定程度上影响当地碳排放，本研究采用森林覆盖率来表征环境保护程度.居民消费水平是指满足人们生存和发展所需的物质产品和服务达到的程度.消费水平的提升往往伴随着能源消耗和碳排放的增加，本研究采用城镇居民人均消费支出来表征，进而探讨其对碳排放的潜在影响.
2.2.2 模型检验分析为克服研究中可能存在的内生性问题，本研究选择系统动态面板回归模型来探究多维城镇化因素对碳排放的复杂影响机制.鉴于面板数据可能蕴含一定的不稳定性，从而引发伪回归问题，本研究借助Stata软件，对CO2排放量和城镇化子系统等变量时间序列数据进行了单位根、协整关系和Granger因果关系检验.测算结果显示，环渤海地区城镇化子系统和CO2排放量均为一阶平稳，且两者间存在长期均衡关系，并且城镇化子系统对CO2排放量的Granger因果关系在1%水平上显著. 此外，工具变量的选择对碳排放系统动态面板模型的科学性非常重要，经过多次验证，采用被解释变量滞后3期作为工具变量.
本研究采用OLS、FE和SGMM模型，被解释变量为CO2排放量，核心解释变量为经济城镇化、人口城镇化和土地城镇化，采用逐步回归分析法来处理数据共线性问题.经整理后的回归结果见表 3（限于篇幅仅保留最优结果）.本研究发现，被解释变量lnCO2滞后3期在1%显著性水平上通过了检验，表明系统动态面板回归模型设定较为合理.通过模型检验统计值发现，人口城镇化和土地城镇化的统计量AR（1）在5%水平上显著，经济城镇化的统计量AR（1）在10%显著水平上显著，但AR（2）未通过10%水平上的显著性检验，此结果表明一阶序列相关而二阶序列不相关.Hansen test的P值能够检验工具变量的选取是否合理，本研究P值结果未拒绝原假设，表明工具变量合理.综上，采用系统动态面板回归模型解析多维城镇化对CO2排放量的影响是有效的.考虑到各组显著性水平和共线性，本研究最终选择了SGMM的模型7、模型14和模型21来剖析环渤海地区多维城镇化不同发展阶段与CO2排放量的关系.
|
|
表 3 多维城镇化对CO2排放量的非线性影响面板回归分析结果1） Table 3 Results of panel regression analysis of nonlinear effects of multidimensional urbanization on CO2 emissions |
2.2.3 多维城镇化与碳排放的非线性关系 2.2.3.1 经济城镇化对碳排放的影响
通过以经济城镇化为核心解释变量的模型7可知（表 3），经济城镇化的一阶系数为负，二阶系数为正，三阶系数为负，且在1%的置信水平上显著，揭示了环渤海地区经济城镇化与碳排放之间显著的非线性关系.进一步由图 5（a）可见，环渤海地区经济城镇化和CO2排放量呈明显的倒“N”型曲线关系，表明经济城镇化在不同发展阶段对碳排放的影响差异显著，且存在两个关键拐点，标志着两者关系经历了两次重要转折.
|
T1、T2、T3、T4和T5分别表示所在曲线的拐点 图 5 环渤海地区城镇化与碳排放量的非线性关系 Fig. 5 Nonlinear relationship between urbanization and carbon emissions in the Bohai Rim |
具体而言，当人均GDP低于第一个拐点T1（5 190.10元·人-1）时，经济城镇化对碳排放量的影响在10%显著水平上表现为抑制作用，弹性系数为-8.484.究其原因，研究期初环渤海地区部分地市经济发展水平较低，处于工业化和城镇化的起步阶段，人口密度较小，城镇化带来的规模经济和集聚经济效益抵消了纯粹经济增长可能产生的碳排放增量[40].
当人均GDP处于5 190.10~89 278.41元时，经济城镇化对碳排放的影响系数由负转正，为0.89，并且通过了10%显著性检验，表征经济城镇化对碳排放具有促进作用. 环渤海地区作为我国北方重要的重工业基地，在城镇化与工业化推进过程中，工业和能源碳排放急剧增长，尤其是河北钢铁行业的能源碳排放贡献量逐步提高[41].通过对环渤海地区5省市能源消费统计数据分析发现，河北、山东和辽宁的生物化石燃料消耗量显著增加，属于“黑色发展模式”，煤炭作为主要能源，其消耗量在一些地区超过70%，粗放的发展模式和化石能源的依赖使碳排放量上升明显，这与陈亮等[42]的研究结论相呼应.
在人均GDP达到89 278.41元时，经济城镇化对碳排放量的影响出现拐点T2，系数变为-0.029，表征经济城镇化对碳排放产生抑制效应.究其原因，首先，北京、石家庄、济南和青岛等省会城市和旅游型城市经济发展较快，生态环境保护意识和行动具有一定的前瞻性，第三产业率先崛起并发展为主导产业，降低了能源依赖性，生产生活能源消费结构进行了升级，利用效率实现了提升[43].其次，枣庄、东营和阜新等重工业区，在经济发展达到一定水平后，环境污染与资源短期等问题突出，积极推进产业结构转型升级，第三产业占比迅速增长，转型升级后的产业结构为绿色工业发展打下了良好基础.同时，地方政府开始利用工业经济发展成果加大对环境保护与治理的技术和资金投入，制定了更严格的法律法规，从而推动了绿色能源规模的扩大和利用效率的提高.这一转型过程产生了显著的结构效应和技术效应，促使经济发展模式从低水平粗放型向高水平集约型转变，碳排放增量得到有效控制[44].最后，城市发展理念也取得重要进步，政府、企业和居民的环保意识和行动愈发坚定，积极推动构建花园城市、绿色城市、森林城市和生态城市等可持续发展模式. 以云计算、人工智能和大数据为基础的数字经济崛起，为实现绿色低碳的可持续发展目标提供新动力[45].综上，环渤海地区经济城镇化对碳排放的影响曲线在T1拐点之后符合EKC关系，即在经济发展初期，碳排放量随着经济城镇化水平的提高而增加，随后在政策引导、资金扶持和技术革新等多重因素的协同作用下，逐步实现产业结构高级化，促使碳排放量达到关键拐点并呈现出下降态势.
2.2.3.2 人口城镇化对碳排放的影响根据以人口城镇化为核心解释变量的模型14可以发现（表 3），人口城镇化对CO2排放量的影响可分为两个阶段. 从图 5（b）中可以发现，当人口城镇化水平低于44.34%时，人口城镇化对CO2排放量的弹性系数为-1.12，表征环渤海地区城镇化水平较低时，人口城镇化对碳排放量具有抑制效应.究其原因，在生活维度，城镇化过程中农村人口向城市集中可以产生集聚规模效应.根据《中国建筑节能年度发展研究报告》发现，2006~2014年环渤海地区农村居民冬季取暖的户均住宅面积能耗明显下降，其中河北从0.20万tce·（万户·亿m2）-1下降到0.10万tce·（万户·亿m2）-1 [43].在生产维度，该时期环渤海地区的重工业规模尚未显著扩张，碳排放贡献有限.农业机械化规模化生产逐步普及，促进了农业生产效率提升与能源使用集约化.因此，在人口城镇化的早期阶段，城市的规模效应、集聚效应和积极的能源政策等多重因素共同抑制碳排放量的增长.
当人口城镇化水平达到44.34%时，人口城镇化对CO2排放量的影响出现拐点T3，其弹性系数由负转正，为0.09，表征环渤海地区随着人口城镇化水平的持续攀升，碳排放量显著增加，具有正向促进作用.究其原因，首先，城市人口急剧增长直接导致住房、公共基础设施和交通运输等刚性消费需求增加.例如城市扩张过程中的建设活动必然消耗大量资源和能源，不可避免带来碳排放增量[46].其次，城市人口增加不仅导致了物资运输量的增长，而且延长了物资的运输距离，从而间接增加碳排放.城市人口的高度集聚还导致交通拥堵问题，居民平均通勤距离与时间显著增加，交通效率下降，集聚不经济加剧了城市交通系统的碳排放总量[47].最后，高消费水平可能导致高碳排放.全球最富裕的1%人口所产生的碳排放量超过了最贫穷的50%人口排放量的总和[48].当环渤海地区城镇化水平相对较高时，富裕人群数量持续增加，贫困人口则相应减少，这一社会结构的变化导致了居民需求层次的显著提升.人们不再仅仅满足于最基本的衣食住行需求，而是有了更高的物质和精神文化需求，多元化的需求必然要求农业、工业、交通和旅游等多个经济部门进行生产并供给，需要更多的资源开发和能源消耗，在一定程度上增加了碳排放量.例如环渤海地区城乡居民生活水平的提高带动家庭私人汽车的快速发展，在汽车的生产、使用和废弃处理过程中均会产生大量的碳排放[49].在我国“双碳”目标下，人们减排降碳意识逐步增强，随着人口城镇化的进一步发展，人口城镇化对碳排放的影响曲线有望出现拐点，实现可持续发展.
2.2.3.3 土地城镇化对碳排放的影响由表 3和图 5（c）可知，土地城镇化对CO2排放量的影响与经济城镇化相似，一阶系数为负，二阶系数为正，三阶系数又为负，一阶系数和三阶系数在1%的置信水平上显著，二阶系数在5%水平上显著，呈明显的倒“N”型曲线关系，表征土地城镇化在不同发展阶段对碳排放影响的差异性和复杂性.
当城镇建设用地面积占比低于0.5%时，CO2排放量的弹性系数在1%显著水平上为0.32，土地城镇化对碳排放量具有抑制效应.这主要是因为环渤海地区在土地城镇化水平较低的时期，农业用地占比较大，碳净排放的建设用地较少，尤其是工业用地处于萌芽状态，用地量很少，其碳排放的贡献度相对较低.城镇建设用地尚处于规模经济和集聚经济阶段，在一定程度上减少了碳排放量，因此，土地城镇化对碳排放量表现出了抑制作用.
随后，土地城镇化对CO2排放量的影响出现了拐点T4，影响系数由负转正.当土地城镇化率处于0.5%~2.86%时，土地城镇化对CO2排放量的影响系数为0.09，且在1%水平上通过可信度检验，表明土地城镇化对碳排放具有一定的促进作用.究其原因，环渤海地区正处于工业化快速推进过程中，城市边界无序扩张，以粗放的发展模式快速推进土地城镇化[40].资源和能源消耗激增，尤其是河北、山东和辽宁的重工业快速发展，能源结构以煤炭为主，对碳排放增长贡献较大.在土地城镇化过程中，各种生产要素高度集中于中心城区，导致地价迅猛上涨，竞争优势相对不高的住宅用地和工业用地向城镇周边地区转移.随着城市空间不断扩张，城市职住空间布局失衡问题日益凸显，通勤距离增加，私家车在路上行驶的数量和拥堵时长也随之急剧上升，这些因素共同导致了碳排放量的增加.
在土地城镇化水平达到2.86%时，出现拐点T5，土地城镇化对CO2排放量产生抑制效应，系数为-0.15，表征环渤海地区土地城镇化发展与碳排放量存在EKC关系.当土地城镇化水平相对较高时，技术水平和政府管理水平也相对较高，促进城市建设用地结构和布局向更合理有序的模式转变，土地资源的利用效率得以提升.尤其是公共交通用地的合理增长，促进了低碳出行，成为降低碳排放的关键因素，从而构建起土地城镇化与低碳发展模式之间的良性互动.此外，在绿色低碳发展理念引领下，环渤海地区的农业低碳转型、工业企业绿色化改造、公共交通系统绿色能源应用和居民绿色生活方式普及，使得此阶段土地城镇化对地区碳排放产生抑制作用.
2.2.3.4 控制变量对碳排放的影响人口规模对环渤海地区碳排放具有促进作用，这一效应在经济城镇化和土地城镇化进程中尤为突出.一方面通过人口增长直接增加碳足迹，另一方面通过大量人口聚集于城市，引发交通车辆拥挤，能源强度增加，间接增加碳排放量.研究期初，环渤海地区外商投资的“碳排放”准入门槛较低，相关规制体系尚不完善，导致碳排放量上升，具有一定的“碳排放避难所”效应，总体来说影响相对不大[39].产业结构调整对碳排放的影响呈现出复杂的双向性，其效应在不同时期有所差异，且总体效果并不显著.具体而言，产业结构调整对经济城镇化和人口城镇化碳效应正向影响较大，对土地城镇化产生了轻微负向作用.环境保护程度反映了地方政府对碳排放问题的重视程度和行动效应.森林覆盖率的提高有助于减少碳净排放的土地面积，从而对降低碳排放产生积极影响.城镇居民人均消费支出对人口城镇化的碳效应具有较大的正向影响，对土地城镇化有一定的负向影响，而对经济城镇化影响不显著.
2.2.3.5 稳健性检验为验证研究结果的稳健性，采用4种方法实施稳健性检验，稳健性检验结果总体上证实了上述研究结论的可靠性（表 4）.具体方法如下：第一，为避免极端值对回归结果的影响，对变量进行上下1%的缩尾处理并进行回归分析，结果显示，经济城镇化、人口城镇化和土地城镇化对碳排放量均有显著正向影响，验证了原结论的稳健性.第二，考虑2019年底全球公共卫生事件暴发，可能会对城镇化产生影响，为排除这一外部冲击的干扰，剔除了2019年及以后的数据，基于剩余数据的回归分析结果发现，系数的显著性水平依然保持正向且显著.第三，北京和天津作为超大城市及直辖市，在经济、人口、土地、环境和文化等多个维度上均具备显著优势，可能构成特殊样本对整体分析产生干扰.本研究在剔除这两个城市的数据后，再次进行了回归分析.结果显示，系数仍在1%的显著性水平上保持正向，表明研究结论不受特殊城市样本的影响.第四，为考察核心解释变量的长期效应，采用滞后一期的核心解释变量进行回归检验. 此分析旨在探究核心解释变量是否会对下一期的碳排放量产生潜在影响.根据结果可得，滞后一期的核心解释变量系数均为正，且在1%水平上显著.综上所述，通过采用4种检验方法得到的回归结果与基准回归结果一致.
|
|
表 4 稳健性检验 Table 4 Results of the robustness test |
3 讨论
城镇化子系统与CO2排放量的非线性关系揭示了城镇化系统与碳排放系统间错综复杂的相互作用机制（图 6）.其中，经济城镇化对CO2排放量的弹性系数最大，即经济城镇化在众多因素中对环渤海地区的碳排放时空变化的影响最大.城镇化子系统发展的不同阶段对碳排放的影响也不同，曲线中存在拐点，说明城镇化子系统对碳排放的影响发生了质的变化.在此过程中城镇化系统与社会、经济和文化等要素之间相互影响，共同作用于碳排放，这些作用力的强度和作用方向随着系统能量累积而不断演变，推动着系统的整合与重组. 城镇化子系统内各要素对碳排放既可能产生促进作用，也可能产生抑制作用，共同塑造着碳排放的动态变化.
|
图 6 环渤海地区城镇化对碳排放量的驱动机制 Fig. 6 Effects of the driving mechanisms of urbanization on carbon emissions in the Bohai Rim |
城镇化系统与碳排放系统之间的关系为EKC理论提供了新的实证支持. 环渤海地区城镇化与CO2排放量之间的关系经历了“相对友好型”阶段，即城镇化对碳排放是抑制作用，目前仍有大量城市处于“恶化型”阶段，城镇化对碳排放量具有加速作用，少量城市进入“友好型”阶段，其经济增长模式从高消耗高排放的粗放型向高效率绿色低碳的集约型转变.
控制变量人口规模、产业结构、外商投资、环境保护制度和居民消费水平对碳排放量具有加速和抑制的作用，在不同时间段城镇化子系统与控制变量交互作用的表现形式和强度不同，即对碳排放量的作用方向和作用力大小不同. 环渤海地区应重视产出抑制效应和环境弹性机制影响城镇化的集聚效应和产出扩张的排放效应[33].具体而言，产出抑制效应通过限制过度生产和资源消耗，有效调控经济活动规模与强度，进而在城市空间布局与产业结构优化过程中，对城镇化进程中的人口和资本等要素集聚产生间接的制约或促进作用，这种效应在一定程度上能够平衡城镇化快速发展所带来的资源环境压力.同时，环境弹性机制作为城镇化进程中生态系统响应与适应能力的体现，通过增强城市环境对经济社会活动的承载能力、提高资源利用效率和促进绿色技术创新等手段，激发新的经济增长点，为城镇化集聚效应提供可持续的发展路径.
4 结论（1）碳排放量和碳排放强度时序变化. 2000~2021年环渤海地区CO2排放量总体呈上升趋势，自2016年起增速放缓，其中北京于2012年率先实现碳达峰. 2000~2015年各地CO2排放强度均呈下降趋势，2016年后，北京和天津的碳排放强度持续下降，河北在2018年出现短暂的波动上升后，再次呈现下降趋势.相比之下，2019~2021年山东和辽宁的碳排放强度却出现上升.
（2）碳排放量空间变化.2000~2021年环渤海地区CO2碳排放量的空间集聚与关联特征不明显，但自2016年起，集聚化特征开始显现，相邻城市之间表现出一定的相互影响.具体而言，环渤海地区碳排放的热点区主要分布在唐山及其周围，除2016年外，环渤海地区碳排放的冷点区域一直占据大部分地域空间，具有绝对优势，说明具有趋同效应.
（3）城镇化各子系统与碳排放量的曲线关系差异显著.环渤海地区经济城镇化与CO2排放量呈明显的倒“N”型曲线关系，在不同发展阶段，经济城镇化对碳排放量的影响不同，存在两次转折.当人均GDP低于5 190.10元时，环渤海地区经济城镇化对碳排放具有抑制效应；处于5 190.10~89 278.41元时，经济城镇化对碳排放具有促进效应.当人均GDP超过89 278.41元时，经济城镇化又对碳排放量产生显著抑制效应.人口城镇化对碳排放量的影响则表现为两个差异显著的阶段：当人口城镇化水平低于44.34%时，环渤海地区人口城镇化对碳排放具有抑制效应，而当人口城镇化水平达到44.34%时，其影响出现拐点，转变为促进效应.土地城镇化对碳排放的影响与经济城镇化相似，也呈显著的倒“N”型曲线关系，拐点分别为0.5%和2.86%.城镇化子系统与CO2排放量的非线性关系与EKC理论内涵具有一致性.此外，人口规模、产业结构、外商投资、环境保护程度和居民消费水平等因素对碳排放具有促进或抑制作用.
（4）环渤海地区碳排放的时空异质性特征是城镇化进程中各子系统与经济、社会和政治等相关要素之间，通过多维复杂的相互作用、动态反馈、系统整合和结构重组等机制，长期演化的综合结果.鉴于此，环渤海地区在推进城镇化建设时，应高度重视高质量城镇化进程与碳减排目标之间的协同关系，因地制宜，科学合理地调整和优化城镇化各子系统之间的相互作用与配置关系，促进绿色低碳城镇化发展.
| [1] | Wu Y, Zong T, Shuai C Y, et al. How does new-type urbanization affect total carbon emissions, per capita carbon emissions, and carbon emission intensity? An empirical analysis of the Yangtze River economic belt, China[J]. Journal of Environmental Management, 2024, 349. DOI:10.1016/j.jenvman.2023.119441 |
| [2] | Nwaka I D, Nwogu M U, Uma K E, et al. Agricultural production and CO2 emissions from two sources in the ECOWAS region: new insights from quantile regression and decomposition analysis[J]. Science of the Total Environment, 2020, 748. DOI:10.1016/j.scitotenv.2020.141329 |
| [3] |
马诗萍, 谢永顺, 陈宏阳, 等. 中国城市电力生产总碳强度的时空演变及影响因素[J]. 地理学报, 2024, 79(3): 712-731. Ma S P, Xie Y S, Chen H Y, et al. Spatio-temporal evolution and influencing factors of aggregate carbon intensity of electricity generation in China's cities[J]. Acta Geographica Sinica, 2024, 79(3): 712-731. |
| [4] | Raihan A, Muhtasim D A, Farhana S, et al. Nexus between carbon emissions, economic growth, renewable energy use, urbanization, industrialization, technological innovation, and forest area towards achieving environmental sustainability in Bangladesh[J]. Energy and Climate Change, 2022, 3. DOI:10.1016/j.egycc.2022.100080 |
| [5] | Ma D L, Yan Y, Xiao Y P, et al. Research on the spatiotemporal evolution and influencing factors of urbanization and carbon emission efficiency coupling coordination: from the perspective of global countries[J]. Journal of Environmental Management, 2024, 360. DOI:10.1016/j.jenvman.2024.121153 |
| [6] | Liu G H, Cui F L, Wang Y. Spatial effects of urbanization, ecological construction and their interaction on land use carbon emissions/absorption: evidence from China[J]. Ecological Indicators, 2024, 160. DOI:10.1016/j.ecolind.2024.111817 |
| [7] |
李咏华, 高欣芸, 姚松, 等. 长三角城市群核心地区碳平衡压力与新型城镇化脱钩关系[J]. 经济地理, 2022, 42(12): 72-81. Li Y H, Gao X Y, Yao S, et al. Decoupling relationship between carbon balance pressure and new urbanization in the core area of the Yangtze River delta urban agglomeration, China[J]. Economic Geography, 2022, 42(12): 72-81. |
| [8] |
陈浩, 胡静茹, 王寿兵, 等. 中国钢铁行业CO2排放特征和减排路径研究——基于ARIMA-LEAP模型[J]. 中国环境科学, 2024, 44(6): 3531-3543. Chen H, Hu J R, Wang S B, et al. Research on carbon dioxide emission characteristics and emission reduction path of China's iron and steel industry based on ARIMA-LEAP model[J]. China Environmental Science, 2024, 44(6): 3531-3543. |
| [9] | Sufyanullah K, Ahmad K A, Sufyan Ali M A. Does emission of carbon dioxide is impacted by urbanization? An empirical study of urbanization, energy consumption, economic growth and carbon emissions-Using ARDL bound testing approach[J]. Energy Policy, 2022, 164. DOI:10.1016/j.enpol.2022.112908 |
| [10] | Raihan A. The dynamic nexus between economic growth, renewable energy use, urbanization, industrialization, tourism, agricultural productivity, forest area, and carbon dioxide emissions in the Philippines[J]. Energy Nexus, 2023, 9. DOI:10.1016/j.nexus.2023.100180 |
| [11] | Poumanyvong P, Kaneko S. Does urbanization lead to less energy use and lower CO2 emissions? A cross-country analysis[J]. Ecological Economics, 2010, 70(2): 434-444. |
| [12] | Ali M A S, Yi L. Evaluating the nexus between ongoing and increasing urbanization and carbon emission: a study of ARDL-bound testing approach[J]. Environmental Science and Pollution Research, 2022, 29(18): 27548-27559. |
| [13] | Xiang W M, Lan Y Q, Gan L, et al. How does new urbanization affect urban carbon emissions? Evidence based on spatial spillover effects and mechanism tests[J]. Urban Climate, 2024, 56. DOI:10.1016/j.uclim.2024.102060 |
| [14] |
张腾飞, 杨俊, 盛鹏飞. 城镇化对中国碳排放的影响及作用渠道[J]. 中国人口·资源与环境, 2016, 26(2): 47-57. Zhang T F, Yang J, Sheng P F. The impacts and channels of urbanization on carbon dioxide emissions in China[J]. China Population, Resources and Environment, 2016, 26(2): 47-57. |
| [15] | Guo X M, Fang C L. How does urbanization affect energy carbon emissions under the background of carbon neutrality?[J]. Journal of Environmental Management, 2023, 327. DOI:10.1016/j.jenvman.2022.116878 |
| [16] |
王锋, 秦豫徽, 刘娟, 等. 多维度城镇化视角下的碳排放影响因素研究——基于中国省域数据的空间杜宾面板模型[J]. 中国人口·资源与环境, 2017, 27(9): 151-161. Wang F, Qin Y H, Liu J, et al. A study on the influencing factors of carbon emissions from the perspective of multi-dimensional urbanization: based on the spatial Dubin panel model of China provinces[J]. China Population, Resources and Environment, 2017, 27(9): 151-161. |
| [17] |
李珒, 胡佳霖, 王熙. 全球视域下数字经济发展的碳减排效应及其作用机制[J]. 中国人口·资源与环境, 2024, 34(8): 3-12. Li J, Hu J L, Wang X. Carbon emission reduction effects and mechanisms of digital economy development from a global perspective[J]. China Population, Resources and Environment, 2024, 34(8): 3-12. |
| [18] | Liu X Q, You C, Cifuentes-Faura J, et al. Bigger cities and less carbon? Government-driven urbanization and carbon emissions in China[J]. Journal of Cleaner Production, 2024, 467. DOI:10.1016/j.jclepro.2024.142808 |
| [19] | Gao M K, Xiang L J, Zhu S Y, et al. Scenario probabilistic data-driven two-stage robust optimal operation strategy for regional integrated energy systems considering ladder-type carbon trading[J]. Renewable Energy, 2024, 237. DOI:10.1016/j.renene.2024.121722 |
| [20] | Xu A T, Song M Y, Wu Y G, et al. Effects of new urbanization on China's carbon emissions: a quasi-natural experiment based on the improved PSM-DID model[J]. Technological Forecasting and Social Change, 2024, 200. DOI:10.1016/j.techfore.2023.123164 |
| [21] |
李一楠, 林景曜, 王强, 等. 环渤海地区环境规制强度与土地利用净碳排放量耦合协调的时空格局演化分析[J]. 福建师范大学学报(自然科学版), 2024, 40(3): 29-39. Li Y N, Lin J Y, Wang Q, et al. Evolutionary analysis of the spatial and temporal patterns of coupled coordination between environmental regulation intensity and net carbon emissions from land use in the Bohai Rim Region[J]. Journal of Fujian Normal University (Natural Science Edition), 2024, 40(3): 29-39. |
| [22] |
石常峰, 俞越, 姚潇, 等. 长三角城市群碳达峰路径模拟研究[J]. 地理学报, 2024, 79(11): 2895-2914. Shi C F, Yu Y, Yao X, et al. Carbon peak prediction for Yangtze River Delta urban agglomeration based on spatially embedded GA-LSTM model[J]. Acta Geographica Sinica, 2024, 79(11): 2895-2914. |
| [23] | Yang Y, Takase T. Spatial characteristics of carbon dioxide emission intensity of urban road traffic and driving factors: road network and land use[J]. Sustainable Cities and Society, 2024, 113. DOI:10.1016/j.scs.2024.105700 |
| [24] | Wei X X, Zhao R. Evaluation and spatial convergence of carbon emission reduction efficiency in China's power industry: based on a three-stage DEA model with game cross-efficiency[J]. Science of the Total Environment, 2024, 906. DOI:10.1016/j.scitotenv.2023.167851 |
| [25] |
徐小雨, 董会忠, 庞敏. 东北三省农业碳排放效率时空演化特征及驱动因素分析[J]. 中国环境管理, 2023, 15(2): 86-97. Xu X Y, Dong H Z, Pang M. Analysis on the spatio-temporal evolution characteristics and driving factors of agricultural carbon emission efficiency in three northeastern provinces of China[J]. Chinese Journal of Environmental Management, 2023, 15(2): 86-97. |
| [26] |
徐素波, 王国庆. 碳排放强度与经济社会绿色转型耦合协调的时空格局演化[J]. 生态经济, 2024, 40(12): 22-31. Xu S B, Wang G Q. Evolution of spatio-temporal pattern of coupling and coordination of carbon emission intensity and economic and social green transition[J]. Ecological Economy, 2024, 40(12): 22-31. |
| [27] | Arellano M, Bover O. Another look at the instrumental variable estimation of error- components models[J]. Journal of Econometrics, 1995, 68(1): 29-51. |
| [28] | Blundell R, Bond S. Initial conditions and moment restrictions in dynamic panel data models[J]. Journal of Econometrics, 1998, 87(1): 115-143. |
| [29] |
李在军, 胡美娟. 江苏省生态福利绩效时空演化及影响机制研究[J]. 世界地理研究, 2023, 32(3): 124-135. Li Z J, Hu M J. Spatial-temporal evolution and formation mechanism of ecological well-being performance in Jiangsu province[J]. World Regional Studies, 2023, 32(3): 124-135. |
| [30] |
陈慧灵, 高子恒, 王振波. 省级尺度工业碳排放影响因素及碳转移格局[J]. 生态学报, 2023, 43(14): 5816-5828. Chen H L, Gao Z H, Wang Z B. Analysis on influencing factors of industrial carbon emission and carbon transfer pattern at provincial level[J]. Acta Ecologica Sinica, 2023, 43(14): 5816-5828. |
| [31] |
关伟, 许淑婷. 辽宁省能源效率与产业结构的空间特征及耦合关系[J]. 地理学报, 2014, 69(4): 520-530. Guan W, Xu S T. Spatial patterns and coupling relations between energy efficiency and industrial structure in Liaoning Province[J]. Acta Geographica Sinica, 2014, 69(4): 520-530. |
| [32] | Fan J J, Wang J L, Qiu J X, et al. Stage effects of energy consumption and carbon emissions in the process of urbanization: evidence from 30 provinces in China[J]. Energy, 2023, 276. DOI:10.1016/J.ENERGY.2023.127655 |
| [33] | Yao Y R, Shen Y, Liu K X. Investigation of resource utilization in urbanization development: an analysis based on the current situation of carbon emissions in China[J]. Resources Policy, 2023, 82. DOI:10.1016/J.RESOURPOL.2023.103442 |
| [34] | Pan S P, Guo J, Ou M H. Exploring the coupling and decoupling relationship of urbanization and carbon emissions in China[J]. Environmental Science and Pollution Research, 2023, 30(43): 96808-96826. |
| [35] | Gou Y F, Xing Q F, Yang Z W. Matching degree evaluation between new urbanization and carbon emission system in China: a case study of Anhui Province in China[J]. Scientific Reports, 2023, 13. DOI:10.1038/S41598-023-38971-4 |
| [36] | Tian C, Feng G H, Li H Y. Empirical study on the impact of urbanization and carbon emissions under the dual-carbon framework based on coupling and coordination[J]. Sustainability, 2023, 15(6). DOI:10.3390/SU15065116 |
| [37] |
陈怡, 凌莉, 古圳威, 等. 陕西省碳排放时空格局演变及其影响因素[J]. 中国环境科学, 2024, 44(4): 1826-1839. Chen Y, Ling L, Gu Z W, et al. Spatio-temporal evolution and influencing factors of carbon emissions in Shaanxi Province[J]. China Environmental Science, 2024, 44(4): 1826-1839. |
| [38] |
王少剑, 谢紫寒, 王泽宏. 中国县域碳排放的时空演变及影响因素[J]. 地理学报, 2021, 76(12): 3103-3118. Wang S J, Xie Z H, Wang Z H. The spatiotemporal pattern evolution and influencing factors of CO2 emissions at the county level of China[J]. Acta Geographica Sinica, 2021, 76(12): 3103-3118. |
| [39] | Lee J W. The contribution of foreign direct investment to clean energy use, carbon emissions and economic growth[J]. Energy Policy, 2013, 55: 483-489. |
| [40] |
王星. 中国城镇化对碳排放的影响——基于省级面板数据的分析[J]. 城市问题, 2016(7): 23-29. Wang X. Influences on carbon emission by China's urbanization: based on the analysis with Chinese provincial panel data[J]. Urban Problems, 2016(7): 23-29. |
| [41] |
李健, 付春旺, 李柏桐. 钢铁领域CO2减排协同发展的实现策略——以京津冀为例[J]. 中国环境管理, 2023, 15(5): 27-34. Li J, Fu C W, Li B T. Strategies for the coordinated development of CO2 emission reduction in the steel sector: a case study of Beijing-Tianjin-Hebei[J]. Chinese Journal of Environmental Management, 2023, 15(5): 27-34. |
| [42] |
陈亮, 张楠, 王一帆, 等. 京津冀地区碳排放强度变化驱动因素及归因分析[J]. 中国环境科学, 2023, 43(8): 4382-4394. Chen L, Zhang N, Wang Y F, et al. Driving factors and attribution analysis of carbon emission intensity change in Beijing-Tianjin-Hebei region[J]. China Environmental Science, 2023, 43(8): 4382-4394. |
| [43] |
罗国亮, 徐玄, 张嘉昕. 京津冀农村生活能源消费变化及影响因素分析[J]. 华北电力大学学报(社会科学版), 2021, 130(2): 20-30. Luo G L, Xu X, Zhang J X. An empirical analysis on the changes and influencing factors of rural energy consumption in Beijing, Tianjin and Hebei[J]. Journal of North China Electric Power University (Social Sciences), 2021, 130(2): 20-30. |
| [44] |
张学波, 付文硕, 马海涛. 京津冀地区经济韧性与产业结构演变的耦合关联[J]. 地理学报, 2023, 78(10): 2392-2411. Zhang X B, Fu W S, Ma H T. Coupling correlation between economic resilience and industrial structure evolution in the Beijing-Tianjin-Hebei region[J]. Acta Geographica Sinica, 2023, 78(10): 2392-2411. |
| [45] |
季鹏, 袁莉琳. 京津冀数字产品制造业的时空演化特征与经济效应[J]. 经济地理, 2024, 44(4): 33-42. Ji P, Yuan L L. Spatiotemporal evolutionary characteristics and economic effects of Beijing-Tianjin-Hebei digital manufacturing industry[J]. Economic Geography, 2024, 44(4): 33-42. |
| [46] | Zhao Y, Duan X Y, Yu M. Calculating carbon emissions and selecting carbon peak scheme for infrastructure construction in Liaoning Province, China[J]. Journal of Cleaner Production, 2023, 420. DOI:10.1016/j.jclepro.2023.138396 |
| [47] | Teng W X, Shi C Y, Yu Y, et al. Uncovering the spatiotemporal patterns of traffic-related CO2 emission and carbon neutrality based on car-hailing trajectory data[J]. Journal of Cleaner Production, 2024, 467. DOI:10.1016/j.jclepro.2024.142925 |
| [48] | Bruckner B, Hubacek K, Shan Y L, et al. Impacts of poverty alleviation on national and global carbon emissions[J]. Nature Sustainability, 2022, 5(4): 311-320. |
| [49] | Liang L W, Chen M X, Zhang X P, et al. Understanding changes in household carbon footprint during rapid urbanization in China[J]. Energy Policy, 2024, 185. DOI:10.1016/j.enpol.2023.113928 |