2024, Vol. 45
2. 中国科学院南京地理与湖泊研究所, 南京 210008
2. Nanjing Institute of Geography and Limnology, Chinese Academy of Sciences, Nanjing 210008, China
2020年9月22日, 国家主席习近平在第七十五届联合国大会上宣布中国2030年碳排放的达峰目标与2060年碳中和愿景, 提出我国碳减排的时间计划表, 展现中国气派和大国担当. 2021年12月中央经济工作会议进一步明确为“实现能耗‘双控’向碳排放总量和强度‘双控’转变”创造有利条件. 减排降碳工作成为当前社会发展中的优先事项, 尤其是城市碳排放作为造成温室效应的关键原因[1], 通过改变能源消费结构和人类活动强度影响不同城市空间承载的自然和人为碳排放过程[2, 3]. 此外, 城市作为人类活动的空间载体, 消耗大量化石能源, 碳排放总量相较于工业革命前提升明显, 对全球生态多样性和环境保护造成诸多负面影响[4, 5]. 因此, 探究中国城市碳排放强度的时空演变、动态跃迁与收敛趋势有助于从基础层面评估人类活动对环境的影响程度, 也是推动低碳转型和可持续发展的重大战略需求, 已然成为政府和学界共同关注的焦点[6, 7].
城市碳排放强度指单位GDP上的碳排放量, 是衡量经济增长与污染排放相互联系的重要指标[8]. 相较于碳排放绩效或者碳排放总量, 采用碳排放强度来表征节能减排目标对城市可持续发展更具现实意义[9, 10]. 目前城市碳排放量数据在我国尚无专业机构发布, 如要开展碳排放强度相关研究, 还需对碳排放总量进行核算. 当前主要核算方法为指数分解法, 是指不同类型能源的消耗量与碳排放系数相乘, 累加求和得到城市碳排放总量[11, 12]. 同时, 也有研究运用考虑非参数距离函数的生产分解法[13], 以及投入产出法等[14]. 通过核算碳排放总量得到城市碳排放强度, 探究不同区域和不同类型城市碳排放强度的动态演变特征[15~ 17]. 当前有关城市碳排放强度的成果较多, 内容涉及碳排放强度的测算、时空特征和空间相关性, 以及影响机制等[18]. 尤其在碳排放的时空演进方面, 不少学者引入收敛理论和空间模型开展研究[19, 20]. 其中, 核密度估计法能够精细化地反映数据动态演变特征, 刻画碳排放绩效和强度的趋势变化[18, 21]. 在研究方法上, 泰尔指数、变异系数和空间自相关（全局Moran's I指数和局部G系数）等常被学者们采用来表征碳排放强度的空间差异, 如潘竟虎等[22]基于泰尔指数对中国省际碳排放强度差异进行研究, 发现碳排放强度在省域之间存在差异且不断升高, 但区域内部差异却逐年下降, 区域间差异对总体差异的贡献最大. 张卓群等[10]从国家深入实施区域重大战略角度出发, 采用Dagum基尼系数及其分解法测算区域碳排放强度的差异, 运用变异系数和空间面板模型开展σ收敛和β收敛分析, 探究全国碳排放强度的区域差异和动态演进. STIRRAT模型因综合考虑空间差异和自相关性而被较多采用, 解析我国省域碳排放强度的空间依赖性, 评估能源强度、人口布局和产业发展等因素对碳排放强度的影响程度[23, 24]. 再者, 研究尺度涉及国家、省域和市域等不同空间尺度单元, 而区域的划分也多是依据经验判断进行分类, 比如中国六大经济区、沿海地区和内陆地区、东中西部地区等[25~ 27]. 相较于省域研究, 城市尺度上的研究主要是基于Landsat TM影像解译数据, 构建碳排放和面板分位数回归模型, 从经济贡献力、生态承载力及二者的耦合关系探讨城市碳排放的空间异质性[28, 29]. 此外, 城市空间被地理学家认为是社会经济发展的承载体, 也是碳排放的重要来源, 低碳城市建设成为碳减排的关键[30~ 32]. 因此, 在城市尺度上开展碳排放强度研究的重要性越发凸显.
综上, 城市碳排放强度的相关研究逐渐受到关注, 但对该领域的研究还需拓展. 第一, 对城市碳排放量核算的主流方法依赖不同类型的能源消费数量, 而城市尺度上的能源消费数据较为匮乏, 很难准确测算城市碳排放总量. 第二, 通过不同类型能源的消费总量和碳排放系数相乘累加得到的结果精度不足, 部分城市碳排放量与实际偏差较大. 第三, 在碳排放强度特征分析中多采用统计计量模型开展收敛性检验, 但从空间角度对城市碳排放强度的动态跃迁与收敛性研究还需强化. 鉴于此, 本文首先采用夜间灯光遥感数据反演得到城市碳排放数据, 整理得到2001~2020年中国284个地级以上城市碳排放强度, 探究其时空演变情况. 其次, 运用空间自相关、时空跃迁矩阵等方法在城市尺度下刻画碳排放的动态跃迁特征, 丰富城市碳排放强度时序演变在不同空间尺度上的差别化认识. 最后, 构建空间杜宾模型探究城市碳排放强度的收敛趋势, 识别关键影响因素, 以期为有针对性的制定城市发展的减排降碳政策, 也为加快碳达峰、碳中和步伐提供参考.
1 材料与方法 1.1 研究区作为人类活动的集中区域, 城市空间承载各项社会经济活动, 成为碳排放的重要地区, 城市低碳发展也是实现全球节能减排目标的重要途径[33, 34]. 同时, 许多国家和地区将城市作为实施减排措施的关键落脚点, 着力推进低碳城市建设[35, 36]. 因此, 本文以城市作为研究单元, 具体以2013年的城市行政边界范围为准开展数据整理. 由于部分城市统计数据的缺失且不包含西藏和港澳台地区, 使得本研究中地级及以上城市数量为284个, 涉及全国30个省级行政单元.
1.2 数据来源2001~2020年DMSP/OLS和NPP/VIIRS夜间灯光数据来自美国国家海洋和大气管理局（National Oceanic and Administration）下属的国家地球物理数据中心（National Geophysical Data Center）. 其他数据来自历年中国城市统计年鉴、中国城市建设统计年鉴, 以及各市的国民经济和社会发展统计公报. 其中, 涉及价格的部分变量以2001年为基期, 采用城市GDP的平减指数进行处理. 实际使用外资金额选用当年平均汇率进行美元和人民币之间的换算. 部分缺失数据运用滑动平均法和趋势外推法进行插补.
1.3 研究方法 1.3.1 城市碳排放强度的核算城市碳排放是指城市空间承载区域生产、生活活动而形成的碳排放, 主要包括人类呼吸、工业生产与能源消费等过程产生的碳排放[3, 37, 38]. 因此, 鉴于使用各类能源数量和排放系数相乘间接估算的碳排放量存在的潜在问题, 也为避免因城市能源结构与强度差异带来碳排放计算产生的较大误差, 本文城市碳排放量是通过夜间灯光数据反演得到.
具体处理步骤为：首先, 选取两种夜间灯光遥感数据（DMSP/OLS和NPP/VIIRS）, 对其进行连续性校正和对数变换, 之后对2种数据进行过饱和校正和一致性校正, 建立2001~2020年长时间序列夜间灯光遥感数据, 并提取城市范围内的夜间灯光总值. 其次, 采用粒子群优化-反向传播算法统一空间尺度, 开展匹配对照分析, 验证城市碳排放量与夜间灯光亮度的相关性, 定量构建两者之间的拟合联系和碳排放反演模型, 据此整理得到城市碳排放量[39, 40]. 最后, 为了检测数据的精度, 比较模拟值与统计值的差异发现, CO2模拟值与统计值的平均相对误差为4.72%, 表明基于夜间灯光数据模拟城市碳排放总量的精度较高.
GDP数据采用全市统计口径, 收集自历年《中国城市统计年鉴》, 缺失值由各城市国民经济和社会发展统计公报中的数据予以补全. 因此, 城市碳排放强度（carbon emission intensity, CEI）的测算公式为：
|
(1) |
式中, CEIit为城市i在t年的碳排放强度, CarbonEmissionit为城市i在第t年的碳排放量, GDPit为城市i在第t年的国民生产总值.
1.3.2 空间自相关检验考虑城市碳排放强度的时序演变及动态跃迁特征, 学者们多采用全域空间相关性（global Moran's I）和局部空间自相关（local Moran's I）开展进行空间自相关检验[41]. 其中, 全域空间相关性是检验整个区域中邻近地区间的相似和相异（空间正相关和负相关）特征, 公式为：
|
(2) |
式中, xi为城市碳排放强度, x和S2分别为碳排放强度的均值和方差, Wik为空间权重矩阵, 表示第i个城市和k个城市在空间上的邻接情况. global Moran's I的取值范围是[-1, 1], 当结果接近1时, 表示碳排放强度相似的值在空间上集聚；当结果接近-1时, 表示碳排放强度相异的值在空间上集聚；当结果接近0时, 表示碳排放强度的值随机分布, 或不存在空间自相关性. 全域空间相关性未能涉及局部城市碳排放强度在空间上的非典型特征, 而局部空间自相关检验弥补了此种不足. 其中, 多数学者采用局部Moran's I指数进行表征, 它从微观视角判断城市之间的空间相关性, 公式为[42]：
|
(3) |
local Moran's I的取值范围是[-1, 1], 当结果为正, 表示城市碳排放强度存在高高或低低（周围相似性）的空间集聚；当结果为负, 表示城市碳排放强度存在高低或低高（周围非相似性）的空间集聚.
1.3.3 收敛检验模型收敛检验模型不仅用于解释经济发展特征, 在绿色创新效率[43]和碳生产率变动[44]等方面也得到普遍应用, 研究效果良好. 因此, 本文采用收敛检验模型应用于中国城市碳排放强度的动态演化分析, 探索推进“碳达峰和碳中和”战略时, 碳排放强度趋势变化的可能收敛状态. σ收敛和β收敛是当前常用的检验模型. 其中, 本文采用变异系数表征σ收敛, 观察城市碳排放强度的离差随时间演进是否会出现下降的收敛特征, 公式为：
|
(4) |
式中, CEIij为区域j内城市i的碳排放强度, 
β收敛是指城市碳排放强度的高值区会有更大降幅, 与碳排放强度较低城市的差距缩小至同一稳定状态. 它又可分为绝对β收敛和条件β收敛等两种类型. 其中, 绝对β收敛检验没有考虑外界社会经济发展因素, 城市间存在趋同的发展趋势, 而条件β收敛则是考虑外界控制因素, 城市碳排放强度最终收敛到趋同状态. 公式为：
|
(5) |
考虑到城市碳排放强度的空间特征, 在进行收敛分析时需将空间效应纳入研究范畴, 构建绝对β收敛检验的空间杜宾模型（SDM）, 公式为：
|
(6) |
条件β收敛的空间杜宾模型（SDM）是在绝对β收敛模型上加入控制变量, 公式为：
|
(7) |
式中, CEIi, t+1为第t + 1期城市i的碳排放强度, CEIit为第t期城市i的碳排放强度, 
其中, Xk作为影响城市碳排放强度的一系列控制变量, 它的选择可参考张卓群等[10]、余文梦等[45]和Dong等[46]的研究成果. 具体控制变量为经济水平（GDP）, 用人均GDP表示；产业结构（IND）, 通过三产产值与二产产值之比计算得到；人口密度（POP）, 由常住人口与城市行政区总面积之比来衡量；外商投资（FDI）, 由实际使用外资额与GDP之比表示；科研投入（RES）, 采用科技支出金额与一般公共预算支出之比表示；路网密度（NED）, 选用城市道路面积与行政区土地总面积之比表示. 同时, 对上述变量进行相关性分析, 不存在显著的多重共线性. 相关变量的特征见表 1.
|
表 1 相关变量的描述性统计 Table 1 Descriptive statistics of related variables |
2 结果与讨论 2.1 城市碳排放强度的时空演变
本研究期内, 中国城市碳排放强度的时序变化以2007年和2016年为节点分为3个阶段（图 1）. 2001~2007年城市碳排放强度从2.79 t·万元-1降至1.42 t·万元-1, 年均降幅10.67%. 2008~2016年, 城市碳排放强度总体变化平稳, 均值保持在1.23 t·万元-1. 此阶段, 受世界经济危机影响, 各级政府实施大范围的产业振兴规划, 传统的高污染、高排放的制造业快速扩张, 能源利用粗放, 碳排放强度降幅较小. 针对上述情况, 各城市积极响应国家生态文明战略, 推动减排降碳政策落地, 尤其在“十三五”期间, 淘汰落后产能和促进污染企业改造, 使2017~2020年城市碳排放强度再次降低, 从1.13 t·万元-1降至0.88 t·万元-1, 为国家“双碳”战略的推进提供保障.
|
图 1 2001~2020年中国与四大区域的城市碳排放强度 Fig. 1 Urban carbon emission intensity in China and four major regions from 2001 to 2020 |
根据中国经济区域的地理划分, 东部地区城市碳排放强度明显低于其他区域, 并从2001年的2.23 t·万元-1降至2020年的0.70 t·万元-1. 这主要是由于东部地区城市能源消费和产业发展的特征趋同, 逐步向节约高效的资源利用方式和服务业为主的产业结构转变. 2001~2020年, 城市碳排放强度下降最大的为西部地区, 降幅高达2.72 t·万元-1, 区域内城市推动节能减排的政策措施效果显著. 值得注意的是, 东北地区城市碳排放强度在2001~2013年不断降低, 但在随后的2014~2020年却有所上升, 区域内城市低碳减排的压力较大.
为更好了解城市碳排放强度的空间演变特征, 使用ArcGIS 10.7软件对2001年、2010年和2020年等主要节点年份的城市碳排放强度进行空间可视化（见图 2）. 从空间维度看, 多数城市的碳排放强度在研究期内均有不同程度的下降. 2001年碳排放强度较高的城市主要分布在东北地区的黑龙江和吉林, 西部地区的内蒙古、宁夏和陕西等地, 以及位于广东省的珠三角地区；2010年, 城市碳排放强度的高值区集中于黑龙江、宁夏和山西等地. 而到2020年, 城市碳排放强度的高值区则集中于东北地区以及内蒙古、宁夏和陕西等地, 南北之间的差异持续拉大, 空间分布层次分明. 总体上, 研究期内中国城市碳排放强度逐年下降, 东部与中部部分城市碳排放强度的降幅最为明显.
|
图 2 2001~2020年中国城市碳排放强空间分布格局 Fig. 2 Spatiotemporal pattern of urban carbon emission intensity in China from 2001 to 2020 |
2001~2020年中国城市碳排放强度的global Moran's I, 结果见表 2. 研究期内global Moran's I结果均大于0, 并通过0.01水平下的显著性检验, 说明城市碳排放强度正向空间相关. 碳排放强度高（或低）的城市集聚分布, 而非随机分布. global Moran's I的时序变化存在“N”形波动特征, 从2001年的0.405升至2009年的0.432, 继而降至2012年的0.381, 之后又升至2020年的0.521, 表明中国城市碳排放强度的空间相关性在波动中逐渐增强.
|
|
表 2 中国城市碳排放强度的global Moran's I及其检验结果 Table 2 Global Moran's I and test results on urban carbon emission intensity in China |
2.2.2 动态跃迁结果
从global Moran's I发现, 中国城市碳排放强度的空间集聚特征显著. 因此, 本文通过2001年、2010年和2020年的local Moran's I值图, 解析城市碳排放强度的动态跃迁特征.
图 3表示中国城市碳排放强度LISA图, 发现碳排放强度的空间集聚模式单一, 局部空间自相关的主体类型为高-高集聚（HH）和低-低集聚（LL）, 其中高-高集聚的城市数目由2001年的28个增至2020年的38个, 低-低集聚的城市数目由2001年的53个增至2020年的61个, 增幅明显. 同时, 高-高集聚（HH）的城市分布重心从研究早期的宁夏、山西和内蒙古等中西部地区向东北地区、内蒙古东部地区转移, 形成新的空间集聚区, 高-高集聚（HH）的城市在后期集中分布在黑龙江、吉林、内蒙古和甘肃等地. 与之对应, 低-低集聚（LL）区的集聚程度下降较小, 从早期集中于东南沿海, 逐渐沿长江向中、西部地区延伸, 在研究后期主要集中于四川、湖南、江西和浙江等地. 尤其是习近平总书记提出长江经济带“共抓大保护, 不搞大开发”的发展理念后, 沿江城市“退二进三”的产业结构转型和环境污染治理工作加速展开, 碳排放强度的降幅较大. 东部地区以传统的能源消费结构为主, 城市碳排放的密集度高, 而西部、东北地区由于承接东南沿海地区高排放、高消耗传统制造业的转移, 使得高-高集聚（HH）与低-低集聚（LL）的南北空间分异显著. 此外, 随着城镇化与工业化的持续推进, 西北地区能源利用效率提升很大, 但城市碳排放强度的降低存在一定滞后性, 要在短期内突破原有发展模式具有相当难度.
|
图 3 2001~2020年中国城市碳排放强的LISA分布 Fig. 3 LISA distribution of carbon emission intensity in China from 2001 to 2020 |
选取LISA时空转移矩阵探究城市碳排放强度空间集聚类型的动态跃迁过程, 具体可见表 3. 动态跃迁包括4种类型：类型Ⅰ表示仅城市自身发生跃迁, 邻域城市未跃迁；类型Ⅱ表示城市自身未跃迁, 邻域城市发生跃迁；类型Ⅲ表示城市自身与邻域城市均发生跃迁；类型Ⅳ表示城市自身与邻域城市均未发生跃迁. 表 3显示2001~2020年类型Ⅳ的跃迁模式占据主导, 不同类型间很少发生时空跃迁, 城市碳排放强度表现出较强的空间集聚性和低流动性. 动态跃迁类型存在很强的空间稳定性, 发生跃迁行为的概率较低, 在城市碳排放强度LISA分析中并未通过显著性检验, 即多数城市并未脱离其原来的空间集聚范畴. 2001~2010年城市的空间集聚程度, 即空间凝聚度指数高达92.52%, 2010~2020年城市碳排放强度动态聚类具有相当程度的空间锁定效应和“俱乐部趋同”特征, 稳态水平较高. 同时, 城市碳排放强度的“核心-外围”格局也已初步形成, 表现出较强的路径依赖特征.
|
|
表 3 2001~2020年中国城市碳排放强度的时空跃迁矩阵1） Table 3 Space-time transition matrices of carbon emission intensity in China from 2001 to 2020 |
2.3 城市碳排放强度的收敛分析 2.3.1 σ收敛分析
中国及四大区域城市碳排放强度的σ收敛检验结果见图 4. 全国范围的σ收敛系数先减后增, 在2012年最低. 其后, 由于城市能源消费和产业结构转型的进度不同, 城市碳排放强度的变异程度增大, 且期末和期初的结果相近, σ收敛程度较低. 具体的, 西部地区城市碳排放强度σ收敛系数最高, 表现出先减后增的变化特征, 并在2006~2014年差异趋缓之后, 上升趋势显现. 这主要是由于区域核心城市（西安、成都和重庆等）能源利用效率和产业发展层次较高, 节能减排措施落地到位, 而其他城市能源消费和产业发展滞后, 增大了碳排放强度的分化程度. 中部地区城市碳排放强度σ收敛系数波动变化, 但系数值从2001年的最高值0.755降至2020年的0.588, 表明区域内城市碳排放强度的差异在缩小. 同时, 东部和东北地区的σ收敛系数保持在较低水平, 究其原因是城市产业转型与能源结构差异较小. 总体上, 中国及四大区域城市碳排放强度的期末值与期初值相差不大, σ收敛特征不明显.
|
图 4 中国及四大区域城市碳排放强度的σ收敛趋势 Fig. 4 The σ convergence trend on carbon emission intensity in China and four major regions |
开展β收敛分析前, 需要筛选合适的空间计量模型, 结果见表 4. 首先, 拉格朗日乘子（LM）及其稳健形式（Robust LM）检验均未通过显著性检验, 说明空间关联形式并没有明显的以滞后项或以误差项存在. 其次, LR和Wald的统计量均在0.01水平上拒绝原假设, 表明空间杜宾模型（SDM）相较空间滞后模型（SLM）或空间误差模型（SEM）更为合理. 因此, 本文选择空间杜宾模型（SDM）进行β收敛检验.
|
|
表 4 空间计量模型选择的适用性检验 Table 4 Applicability testing of spatial econometric model selection |
（1）绝对β收敛分析 根据表 5中Hausman分析结果, 应选用时空固定的空间杜宾模型开展城市碳排放强度的绝对β收敛检验. 本研究显示：第一, 全国及四大区域均存在不同程度的绝对β收敛, 通过0.01水平下的显著性检验. 这表明在忽略社会经济因素的影响时, 城市碳排放强度将收敛至各自的稳定状态. 结合图 1中城市碳排放强度逐年下降的实际, 即使短期内σ收敛系数出现上升（见图 4）, 但是碳排放强度总体降低与长期收敛的特征已经出现. 第二, 城市碳排放强度表现出不同的收敛速度. 全国的收敛速度为3.137%, 高于全国平均水平的是中部和东北地区, 而东部和西部地区的收敛速度略低, 分别仅有3.043%和3.050%. 第三, 全国及四大区域的空间效应差异明显. 尤其是东部地区城市碳排放强度的空间外溢效应最为突出, 且模型中的θ在1%的水平下显著为正, 这与东部地区城市传统制造业产能向周边地区转移高度相关. 值得注意的是, 上述绝对β收敛分析并未考虑社会经济发展因素, 即默认全国及四大区域的经济水平、产业结构、人口密度、外商投资、科研投入和路网密度等因素水平相近, 然而现实并非如此, 还需开展条件β收敛检验来做深入研究.
|
|
表 5 中国及四大区域城市碳排放强度的绝对β收敛1） Table 5 Absolute β convergence on carbon emission intensity in China and four major regions |
（2）条件β收敛分析 全国及四大区域的条件β收敛分析结果见表 6. 本研究显示：第一, 各研究对象存在条件β收敛, 通过0.01水平下的显著性检验, 说明在考虑控制因素后, 全国及四大区域的城市碳排放强度也将收敛至稳定状态. 第二, 对比绝对β收敛结果, 条件β收敛速度有所加快. 东部地区的收敛速度增长最大, 为3.772%；东北地区的收敛速度提升小, 仅有0.098%；中部和西部的收敛速度增长处于中间水平, 分别为0.486%和0.661%. 说明控制变量的引入能够区分区域收敛情况, 指标选取合理. 第三, 各评价单元间存在空间效应. 尤其是东部地区, 城市碳排放强度的正向溢出效应显著, 这与长三角、珠三角等发达地区向周边地区转移高能耗、高排放的工矿企业有关.
|
|
表 6 中国及四大区域城市碳排放强度的条件β收敛1） Table 6 Conditional β convergence on carbon emission intensity in China and four major regions |
条件β收敛分析中的R2相较绝对β收敛提升较大, 说明控制变量的选择有效, 全国及四大区域城市碳排放强度影响因素的作用强度差异显著. 全国层面上, 经济水平、人口密度、外商投资和科研投入等因素对碳排放强度的负向影响大, 表明人均GDP的实际水平、人口的空间集聚、引进外资带来低碳技术的进步、财政资金对R&D的投入倾斜均能推动城市低碳发展. 此外, 不同控制因素对城市碳排放强度的影响存在空间异质性. 其中, 人口密度能促进中部和西部地区城市碳排放强度的提升, 而对东部和东北地区的碳排放强度降低起到限制作用. 东部地区城市人口密度的分布均衡, 空间集聚效应不显著, 但能推动碳排放强度向低值收敛. 而外商投资仅对西部地区的城市碳排放强度起促进作用, 对其他三大区域则与全国保持一致, 起负向作用.
3 结论（1）中国城市碳排放强度持续下降, 东部地区碳排放强度最低, 西部地区碳排放强度降幅最大. 各大区域城市碳排放强度的差距存在收敛特征. 空间上, 城市碳排放强度的高值区集中在东北地区, 以及内蒙古、宁夏和陕西等地, 南北地区之间的差异拉大, 中南部与东部地区的碳排放强度降幅较大, 高低集聚分布的层次分明.
（2）中国城市碳排放强度的正向空间相关性显著, 碳排放强度高（或低）的城市集聚分布, 而非随机分布. 从LISA动态跃迁上看, 城市碳排放强度的高-高集聚（HH）与低-低集聚（LL）的南北分异明显, 以类型Ⅳ（城市本身和邻域城市均未发生跃迁）跃迁为主, 不同类型间的时空跃迁发生次数很少. 跃迁类型表现出高度的空间稳定性, 发生动态跃迁的概率较低, 动态聚类存在空间锁定效应和“俱乐部趋同”特征, 稳态水平较高. 城市碳排放强度的“核心-外围”格局特征也已形成, 并存在路径依赖特征.
（3）城市碳排放强度的收敛特征差异较大, σ收敛不显著, 但均存在绝对β收敛和条件β收敛. 绝对β收敛速度不同, 东部和西部地区的收敛速度略低. 西部地区城市碳排放强度因人才、资金和信息等要素的频繁流动, 收敛速度也保持在较高水平. 东部地区传统制造业产能向周边地区转移, 碳排放强度的空间外溢效应最为显著. 条件β收敛中经济水平、产业结构、人口密度、外商投资、科研投入和路网密度等因素对城市碳排放强度的影响存在空间异质性. 人均GDP提升、人口空间集聚和外资引进带来低碳技术的变革、财政资金对R&D的投入倾斜, 能够促进城市碳排放强度的空间收敛.
| [1] | Shu Y X, Deng N X, Wu Y M, et al. Urban governance and sustainable development: the effect of smart city on carbon emission in China[J]. Technological Forecasting and Social Change, 2023, 193. DOI:10.1016/j.techfore.2023.122643 |
| [2] |
吴健生, 晋雪茹, 王晗, 等. 中国碳排放及影响因素的市域尺度分析[J]. 环境科学, 2023, 44(5): 2974-2982. Wu J S, Jin X J, Wang J, et al. Analysis of carbon emissions and influencing factors in China based on city scale[J]. Environmental Science, 2023, 44(5): 2974-2982. |
| [3] | Xiong T L, Liu Y W, Yang C, et al. Research overview of urban carbon emission measurement and future prospect for GHG monitoring network[J]. Energy Reports, 2023, 9(6): 231-242. |
| [4] | Lv T G, Hu H, Zhang X M, et al. Impact of multidimensional urbanization on carbon emissions in an ecological civilization experimental area of China[J]. Physics and Chemistry of the Earth, 2022, 126. DOI:10.1016/j.pce.2022.103120 |
| [5] | Shi Y S, Wang H F, Shi S Z. Relationship between social civilization forms and carbon emission intensity: a study of the Shanghai metropolitan area[J]. Journal of Cleaner Production, 2019, 228: 1552-1563. DOI:10.1016/j.jclepro.2019.04.356 |
| [6] |
蒋自然, 金环环, 王成金, 等. 长江经济带交通碳排放测度及其效率格局(1985~2016年)[J]. 环境科学, 2020, 41(6): 2972-2980. Jiang Z R, Jin H H, Wang C J, et al. Measurement of traffic carbon emissions and pattern of efficiency in the Yangtze River economic belt (1985-2016)[J]. Environmental Science, 2020, 41(6): 2972-2980. |
| [7] | Yu Q Y, Li M, Li Q, et al. Economic agglomeration and emissions reduction: does high agglomeration in China's urban clusters lead to higher carbon intensity?[J]. Urban Climate, 2022, 43. DOI:10.1016/j.uclim.2022.101174 |
| [8] |
王少剑, 黄永源. 中国城市碳排放强度的空间溢出效应及驱动因素[J]. 地理学报, 2019, 74(6): 1131-1148. Wang S J, Huang Y Y. Spatial spillover effect and driving forces of carbon emission intensity at city level in China[J]. Acta Geographica Sinica, 2019, 74(6): 1131-1148. |
| [9] | Zhao L J, Lv Y, Wang C C, et al. Embodied greenhouse gas emissions in the international agricultural trade[J]. Sustainable Production and Consumption, 2023, 35: 250-259. DOI:10.1016/j.spc.2022.11.001 |
| [10] |
张卓群, 张涛, 冯冬发. 中国碳排放强度的区域差异、动态演进及收敛性研究[J]. 数量经济技术经济研究, 2022, 39(4): 67-87. Zhang Z Q, Zhang T, Feng D F. Study on regional differences, dynamic evolution and convergence of carbon emission intensity in China[J]. The Journal of Quantitative & Technical Economics, 2022, 39(4): 67-87. |
| [11] |
吕志超, 刘雁, 李佳茹, 等. 基于LMDI的河北省能源消费碳排放核算及因素分析[J]. 环境生态学, 2023, 5(4): 74-78, 87. Lv Z C, Liu Y, Li J R, et al. Calculation and factor analysis of energy consumption carbon emissions in Hebei Province based on LMDI[J]. Environmental Ecology, 2023, 5(4): 74-78, 87. |
| [12] | Wang Y Z, Jeong S, Hang Y, et al. Determinants of net energy-related CO2 emissions in China: a source-to-sink decomposition analysis[J]. Environmental Impact Assessment Review, 2023, 98. DOI:10.1016/j.eiar.2022.106979 |
| [13] |
向书江, 杨春梅, 谢雨琦, 等. 近20年重庆市主城区碳排放的时空动态演进及其重心迁移[J]. 环境科学, 2023, 44(1): 560-571. Xiang S J, Yang C M, Xie Y Q, et al. Spatiotemporal dynamic evolution and gravity center migration of carbon emissions in the main urban area of Chongqing over the past 20 years[J]. Environmental Science, 2023, 44(1): 560-571. |
| [14] | Zeng S B, Jin G, Tan K Y, et al. Can low-carbon city construction reduce carbon intensity? Empirical evidence from low-carbon city pilot policy in China[J]. Journal of Environmental Management, 2023, 332. DOI:10.1016/j.jenvman.2023.117363 |
| [15] |
梁归, 林跃胜, 方凤满. 环境规制视角下长三角地区碳排放的时空效应[J]. 环境科学研究, 2023, 36(4): 848-856. Liang G, Lin Y S, Fang F M. Temporal and spatial effects of carbon emissions in the Yangtze River Delta from the perspective of environmental regulation[J]. Research of Environmental Sciences, 2023, 36(4): 848-856. |
| [16] | Ke N, Lu X H, Kuang B, et al. Regional disparities and evolution trend of city-level carbon emission intensity in China[J]. Sustainable Cities and Society, 2023, 88. DOI:10.1016/j.scs.2022.104288 |
| [17] | Liu X J, Jin X B, Luo X L, et al. Multi-scale variations and impact factors of carbon emission intensity in China[J]. Science of the Total Environment, 2023, 857. DOI:10.1016/j.scitotenv.2022.159403 |
| [18] | Wang H P, Zhang Z. Forecasting Chinese provincial carbon emissions using a novel grey prediction model considering spatial correlation[J]. Expert Systems with Applications, 2022, 209. DOI:10.1016/j.eswa.2022.118261 |
| [19] | Nazlioglu S, Payne J E, Lee J, et al. Convergence in OPEC carbon dioxide emissions: evidence from new panel stationarity tests with factors and breaks[J]. Economic Modelling, 2021, 100. DOI:10.1016/j.econmod.2021.105498 |
| [20] |
杨柏, 秦广鹏, 邬钦. "双碳"目标下中国省域碳排放核算分析[J]. 环境科学, 2022, 43(12): 5840-5849. Yang B, Qin G P, Wu Q. Analysis of provincial CO2 emission accounting in China under the carbon peaking and carbon neutrality goals[J]. Environmental Science, 2022, 43(12): 5840-5849. |
| [21] |
宋苑震, 曾坚, 王森, 等. 中国县域碳排放时空演变与异质性[J]. 环境科学, 2023, 44(1): 549-559. Song Y Z, Zeng J, Wang S, et al. Spatial-temporal evolution and heterogeneity of carbon emissions at county-level in China[J]. Environmental Science, 2023, 44(1): 549-559. |
| [22] |
潘竟虎, 赵轩茹. 基于空间回归模型的中国碳排放空间差异模拟[J]. 环境科学学报, 2018, 38(7): 2894-2901. Pan J H, Zhao X R. Spatial difference simulation of China's carbon emissions using spatial regression models[J]. Acta Scientiae Circumstantiae, 2018, 38(7): 2894-2901. |
| [23] |
李云燕, 张硕. 中国城市碳排放强度时空演变与影响因素的时空异质性[J]. 中国环境科学, 2023, 43(6): 3244-3254. Li Y Y, Zhang S. Spatio-temporal evolution of urban carbon emission intensity and spatiotemporal heterogeneity of influencing factors in China[J]. China Environmental Science, 2023, 43(6): 3244-3254. |
| [24] |
赵桂梅, 耿涌, 孙华平, 等. 中国省际碳排放强度的空间效应及其传导机制研究[J]. 中国人口·资源与环境, 2020, 30(3): 49-55. Zhao G M, Geng Y, Sun H P, et al. Spatial effects and transmission mechanism of inter-provincial carbon emission intensity in China[J]. China Population, Resources and Environment, 2020, 30(3): 49-55. |
| [25] | Wang S J, Wang J Y, Fang C L, et al. Inequalities in carbon intensity in China: a multi-scalar and multi-mechanism analysis[J]. Applied Energy, 2019, 254. DOI:10.1016/j.apenergy.2019.113720 |
| [26] |
刘志华, 徐军委. "双碳"目标下中国省域碳排放公平性及其影响因素[J]. 地理科学, 2023, 43(1): 92-100. Liu Z H, Xu J W. Equity and influence factors of China's provincial carbon emissions under the "Dual Carbon" goal[J]. Scientia Geographica Sinica, 2023, 43(1): 92-100. |
| [27] | Zhou K L, Yang J N, Yang T, et al. Spatial and temporal evolution characteristics and spillover effects of China's regional carbon emissions[J]. Journal of Environmental Management, 2023, 325. DOI:10.1016/j.jenvman.2022.116423 |
| [28] |
邝嫦娥, 李文意, 黄小丝. 长江中游城市群碳排放强度与经济高质量发展耦合协调的时空演变及驱动因素[J]. 经济地理, 2022, 42(8): 30-40. Kuang C E, Li W Y, Huang X S. Spatial-temporal evolution and driving factors of coupling coordination between carbon emission intensity and high-quality economic development in urban agglomerations in the middle reaches of the Yangtze River[J]. Economic Geography, 2022, 42(8): 30-40. |
| [29] | Wang S J, Huang Y Y, Zhou Y Q. Spatial spillover effect and driving forces of carbon emission intensity at the city level in China[J]. Journal of Geographical Sciences, 2019, 29(2): 231-252. DOI:10.1007/s11442-019-1594-1 |
| [30] | Du M Z, Feng R K, Chen Z F. Blue sky defense in low-carbon pilot cities: a spatial spillover perspective of carbon emission efficiency[J]. Science of the Total Environment, 2022, 846. DOI:10.1016/j.scitotenv.2022.157509 |
| [31] | Huo W D, Qi J, Yang T, et al. Effects of China's pilot low-carbon city policy on carbon emission reduction: a quasi-natural experiment based on satellite data[J]. Technological Forecasting and Social Change, 2022, 175. DOI:10.1016/j.techfore.2021.121422 |
| [32] | Zhang X P, Yan F Y, Liu H J, et al. Towards low carbon cities: a machine learning method for predicting urban blocks carbon emissions (UBCE) based on built environment factors (BEF) in Changxing City, China[J]. Sustainable Cities and Society, 2021, 69. DOI:10.1016/j.scs.2021.102875 |
| [33] |
李硕硕, 刘耀彬, 骆康. 环鄱阳湖县域新型城镇化对碳排放强度的空间溢出效应[J]. 资源科学, 2022, 44(7): 1449-1462. Li S S, Liu Y B, Luo K. Spatial spillover effect of new-type urbanization on carbon emission intensity in counties around the Poyang Lake[J]. Resources Science, 2022, 44(7): 1449-1462. |
| [34] | Wang G J, Peng W F, Xiang J Y, et al. Modelling spatiotemporal carbon dioxide emission at the urban scale based on DMSP-OLS and NPP-VIIRS data: a case study in China[J]. Urban Climate, 2022, 46. DOI:10.1016/j.uclim.2022.101326 |
| [35] |
徐丽笑, 王亚菲. 我国城市碳排放核算: 国际统计标准测度与方法构建[J]. 统计研究, 2022, 39(7): 12-30. Xu L X, Wang Y F. City carbon emission accounting in China: international statistical standards measurement and methodology construction[J]. Statistical Research, 2022, 39(7): 12-30. |
| [36] | Song M L, Zhao X, Shang Y P. The impact of low-carbon city construction on ecological efficiency: empirical evidence from quasi-natural experiments[J]. Resources, Conservation and Recycling, 2020, 157. DOI:10.1016/j.resconrec.2020.104777 |
| [37] |
王少剑, 王泽宏, 方创琳. 中国城市碳排放绩效的演变特征及驱动因素[J]. 中国科学: 地球科学, 2022, 65(8): 1613-1626. Wang S J, Wang Z H, Fang C L. Evolutionary characteristics and driving factors of carbon emission performance at the city level in China[J]. Science China Earth Sciences, 2022, 65(7): 1292-1307. |
| [38] | Dai S F, Qian Y W, He W J, et al. The spatial spillover effect of China's carbon emissions trading policy on industrial carbon intensity: evidence from a spatial difference-in-difference method[J]. Structural Change and Economic Dynamics, 2022, 63: 139-149. DOI:10.1016/j.strueco.2022.09.010 |
| [39] | Chen J D, Gao M, Cheng S L, et al. County-level CO2 emissions and sequestration in China during 1997⁃2017[J]. Scientific Data, 2020, 7(1). DOI:10.1038/s41597-020-00736-3 |
| [40] |
李建豹, 黄贤金, 孙树臣, 等. 长三角地区城市土地与能源消费CO2排放的时空耦合分析[J]. 地理研究, 2019, 38(9): 2188-2201. Li J B, Huang X J, Sun S C, et al. Spatio-temporal coupling analysis of urban land and carbon dioxide emissions from energy consumption in the Yangtze River Delta region[J]. Geographical Research, 2019, 38(9): 2188-2201. |
| [41] | Chen C, Qin Y D, Gao Y J. Does new urbanization affect CO2 emissions in China: a spatial econometric analysis[J]. Sustainable Cities and Society, 2023, 96. DOI:10.1016/j.scs.2023.104687 |
| [42] | Sun X Y, Lian W W, Gao T M, et al. Spatial-temporal characteristics of carbon emission intensity in electricity generation and spatial spillover effects of driving factors across China's provinces[J]. Journal of Cleaner Production, 2023, 405. DOI:10.1016/j.jclepro.2023.136908 |
| [43] |
吕岩威, 谢雁翔, 楼贤骏. 中国区域绿色创新效率时空跃迁及收敛趋势研究[J]. 数量经济技术经济研究, 2020, 37(5): 78-97. Lv Y W, Xie Y X, Lou X J. Study on the space-time transition and convergence trend of China's regional green innovation efficiency[J]. The Journal of Quantitative & Technical Economics, 2020, 37(5): 78-97. |
| [44] | Murshed M, Apergis N, Alam M S, et al. The impacts of renewable energy, financial inclusivity, globalization, economic growth, and urbanization on carbon productivity: evidence from net moderation and mediation effects of energy efficiency gains[J]. Renewable Energy, 2022, 196: 824-838. DOI:10.1016/j.renene.2022.07.012 |
| [45] |
余文梦, 张婷婷, 沈大军. 基于随机森林模型的我国县域碳排放强度格局与影响因素演进分析[J]. 中国环境科学, 2022, 42(6): 2788-2798. Yu W M, Zhang T T, Shen D J. County-levelspatial pattern and influencing factors evolution of carbon emission intensity in China: a random forest model analysis[J]. China Environmental Science, 2022, 42(6): 2788-2798. |
| [46] | Dong J, Li C B. Structure characteristics and influencing factors of China's carbon emission spatial correlation network: a study based on the dimension of urban agglomerations[J]. Science of the Total Environment, 2022, 853. DOI:10.1016/j.scitotenv.2022.158613 |