2025, Vol. 46
2. 中国科学院南京地理与湖泊研究所, 南京 210008;
3. 自然资源部碳中和与国土空间优化重点实验室, 南京 210023
, WANG Lei2
, LÜ Li-gang1 , LI Ping-xing2 , FAN Ye-ting1,3 , ZHU Gao-li1 , WANG Ya-zhu2
2. Nanjing Institute of Geography and Limnology, Chinese Academy of Sciences, Nanjing 210008, China;
3. Key Laboratory of Carbon Neutrality and Territory Optimization, Ministry of Natural Resources, Nanjing 210023, China
城市作为碳排放的重要来源地, 推动经济发展中的碳排放转型, 为国家碳达峰、碳中和战略目标的实现提供助力[1~3]. 相较于欧美在绝对数量上的碳减排, 中国囿于以煤为主的能源结构在短期内难以调整, 而与GDP相关的能效提升成为节能减排的可行选择[4~6]. 尤其是长三角地区, 近20 a间的城镇化和工业化快速发展, 居民消费模式变化与工业生产扩张使得碳排放总量急剧增加[7]. 同时, 发挥城市空间主体作用并同步实现绿色低碳转型, 促进可持续发展和环境改善协同, 推动长三角地区低碳战略目标的完成[8, 9]. 因此, 开展城市碳排放效率的研究, 刻画区域、市域等多维尺度下碳排放效率的区域差异及空间溢出效应, 对于促进长三角地区低碳协调发展, 提高节能减排政策的针对性更具参考价值[10~12].
城市碳排放效率是社会经济发展中要素投入和终端产出相互作用的结果, 具有单要素和全要素等测度方式. 其中, 单要素碳排放效率是指单位城市产出中的碳排放量[13], 采用碳排放强度[14]和碳生产率[15]等指标来表征. 全要素碳排放效率是指要素实际产出与期望产出的相对关系, 解决单要素指标易忽视要素投入和产出关系演化过程的不足[16], 同时考虑多要素的关联结果和要素间的替代效应[17, 18]. 常用的碳排放效率测度方法主要有随机前沿分析（stochastic frontier analysis, SFA）和数据包络分析（data envelopment analysis, DEA）等典型方法. SFA运用生产函数模拟评价对象的绝对效率, 仅考虑单一产出[19, 20]；DEA利用线性规划的数学过程评价决策单元的相对效率, 无需事先确定函数关系和主观赋权, 相比前者更具优势[21, 22]. 随着多要素分析框架的建立, 基于DEA模型衍生出非径向方向距离函数[23]、松弛变量测度模型（SBM）[24]和超效率SBM模型[16]等新分析方法, 解决了因非期望产出的存在而产生的失真问题, 使得碳排放效率的测算结果更加准确且接近现实情况.
当前学者认识到城市碳排放效率提升的关键性, 从国家、区域和产业等多个维度将研究重点聚焦到城市碳排放效率评估. 全国层面上, 中国能源利用的碳排放效率均值偏低, 总体水平下滑[25, 26]. 区域层面上, 西部地区的碳排放效率和改进潜力弱于东部, 区域间碳排放效率的差异增大, 但东部地区效率的空间收敛速度高于西部[23, 27]. 尤其是长三角地区, 碳排放效率与土地利用方式关联紧密, 统筹两者发展机制有利于城市低碳发展目标[28, 29]. 产业层面上, 相较于能源碳排放效率, 自20世纪90年代以来中国工业碳排放效率逐渐提升, 东部沿海城市碳排放效率高于西部内陆城市[30]. 2008年金融危机后, 钢铁、水泥和煤炭等行业发展迅速, 重化工业化趋势显现, 低效、高耗和高污染的产业格局导致碳排放效率出现倒退[31~33]. 此外, 对于城市碳排放效率的影响因素, 受制于以煤炭为主的能源结构与产业工艺, 符合我国资源结构和经济差异[16], 高耗、高排和高污染产业结构的转型升级成为提升碳排放效率的关键途径[34]. 科技进步也为城市碳排放的改善提供更多可能, 环境治理能力与低碳管制政策对提升碳排放效率同样具有重要影响[35, 36].
综合已有研究, 首先, 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, 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较低. 其次, 当前城市碳排放量测算过程中, 对碳排放源头的处理不完整, 所承载的居民生活和工业生产等过程中的碳排放常被忽略, 而随着空间分析技术的迭代发展, 由DMSP/OLS和NPP/VIIRS夜间灯光数据反演得到的碳排放量数据, 具有时间连续性强和统计口径一致的特点, 很好地解决了评价结果与实际值存在偏差的问题. 最后, 现有研究多关注碳效率的差异特征, 但对城市碳排放的差异根源与作用机制的分析还需强化. 因此, 本文选取长三角地区41个地级及以上城市为研究单元, 运用超效率SBM模型、Dagum基尼系数和空间面板模型等方法探究城市碳排放效率的区域差异及空间溢出效应, 通过丰富碳排放效率的研究视域, 诠释城市碳排放对经济发展的深刻影响, 旨在为探寻差异化的城市碳减排路径提供参考.
1 材料与方法 1.1 研究区长三角地区空间范围为苏、浙、皖和沪三省一市全域, 共41个地级及以上城市（图 1）, 国土面积仅占全国的4%, GDP却占全国的24%, 人口占全国的16%, 是我国人口最为集中、经济最活跃的区域. 碳排放总量在中国三大城市群（京津冀、长三角和珠三角）中位居前列, 由2000年的1.62亿t增至2020年的5.97亿t, 年均增长6.74%. 因此, 长三角地区无论经济发展水平, 还是碳排放状况, 均有较高的研究价值.
|
图 1 长三角地区地理位置示意 Fig. 1 Geographical of the Yangtze River Delta region |
数据来源方面, 社会经济数据收集自历年《中国城市统计年鉴》《中国城市建设统计年鉴》以及各城市的统计年鉴, 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. 2001~2020年碳排放量数据由美国国家地理空间数据中心（NGDC）提供的夜间灯光数据（DMSP/OLS和NPP/VIIRS）在城市空间尺度上反演得到, 具有获取完整、样本量充足等优点. 此外, 为保持统计口径一致, 消除价格因素影响, 使数据纵向可比, 采用城市居民消费价格指数对固定资产投资额、第二、三产业增加值和在岗职工平均工资进行平减运算. 同时, 对变量进行对数处理, 消除异方差, 减少内生性问题对模型结果的干扰.
1.3 研究方法 1.3.1 基于非期望产出的超效率SBM模型SBM模型不仅将经济活动中劳动力、资本和能源等要素的投入与经济产出纳入分析范畴, 还将城市发展中的碳排放等非期望产出整合到评价体系中, 使得效率结果更符合实际[17, 24, 37]. 因此, 本文采用基于非期望产出的超效率SBM模型对城市碳排放效率进行核算.
系统有n个决策单元, 每个单元由投入（m）、期望产出（S1）和非期望产出（S2）向量构成, 具体形式为：x∈Rm，yg∈RS1，yb∈RS2. 其中, 矩阵X、Yg和Yb被定义为：
|
假设X > 0, Yg > 0和Yb > 0, 期望产出的实际水平处于理想前沿面下方, 而非期望产出的实际水平处于非期望前沿水平上方. 将非期望产出纳入评价单元(x0，y0g，y0b)的SBM模型为：
|
(1) |
式中, S-、Sg和Sb分别为决策评价单元投入、期望产出和非期望产出对应的向量. g和b用于区分产出矩阵Y的类型, 分别表示期望产出和非期望产出. H为评价单元的效率值, 取值范围为[0, 1], 当且仅当H=1, 即S-=Sg=Sb=0时, 给定的评价单元才是有效的；0≤H < 1, 评价单元处于低效状态.
1.3.2 Dagum基尼系数及其分解传统区域差异测算方法, 如泰尔指数和经典基尼系数等, 严格设定处于不同分组的样本之间没有重叠现象, 难以将交叉部分分解为含有明确政策含义的若干子指数[38]. Dagum为解决上述问题提出Dagum基尼系数, 样本整体差异被分解为组内差异、组间差异和超变密度, 阐释了区域差异的来源问题[39]. 其中, 组间基尼系数的公式为：
|
(2) |
式中, j和h分别为各区域的编号, nj和nh分别为各区域内的城市数, yjt和yhr分别为区域j中城市i与区域h中城市r的碳排放效率, yj和yh分别为区域j与区域h中城市碳排放效率的均值. 假设模型测算的区域相同, 即j=h, 所得结果为区域j的组内基尼系数Gjj. 假设区域内所有城市处于一个分组, 那么“虚拟分组”中的组内基尼系数为城市碳排放效率的Dagum总基尼系数G.
|
(3) |
|
(4) |
式中, pj=nj/n为区域j城市数nj占样本整体n的比例, sh=nhyhny为区域h碳排放效率占所有城市碳排放效率的比例. Dagum总基尼系数为各个区域组合的组间基尼系数Gjh的加权平均, 对应的权重为pjsh. Gw为城市碳效率差异对区域整体的贡献, Ggb=Gnb+Gt为全部区域两两之间差异的总和. Gjh为区域j和区域h间的影响程度, Gnb和Gt分别为组间差异的贡献和超变密度的贡献.
1.3.3 空间面板模型空间面板模型通过融入空间和时间效应, 能准确处理时间断面上城市碳排放效率存在的空间效应, 以增加参数估计的有效性[40, 41]. 城市碳排放效率不仅受到自身影响, 还会与其他城市通过资本、人才和信息等途径形成溢出效应[18, 42]. 公式为：
|
(5) |
|
(6) |
式中, Yit和Xit为第t年城市i的碳排放效率和解释变量；ρ为空间滞后系数, Wij为空间权重矩阵；β为解释变量的对应参数向量；φ为空间回归系数, νt为时间效应, μi为固定效应；Vit为随机扰动项, λ为相应系数, E为相应扰动项的权重, ε为随机误差项.
上述为空间面板模型的一般形式, 常见的特定形式为：①当φ=0、β=0时, 公式（6）为空间误差模型（SEM）；②当φ=0、λ=0时, 公式（6）为空间滞后模型（SLM）；③当λ=0时, 公式（6）为空间杜宾模型（SDM）.
此外, 解释变量和自变量之间若有溢出效应, 使得原有回归系数无法衡量解释变量对自变量的作用程度, 需要运用偏微分方程对模型中的直接效应和间接效应进行分解, 验证空间溢出效应[43, 44], 偏微分方程为：
|
(7) |
其中, 直接效应由方程右端矩阵中对角线元素的均值来表示, 反映本城市自变量对解释变量的作用程度；间接效应则由非对角线元素的均值来表示, 反映邻近城市自变量对本城市自变量的作用程度.
1.4 指标选取 1.4.1 效率评价的投入产出指标本文基于投入产出视角来测算城市碳排放效率. 其中, 能源、资本和劳动力等被选为碳排放效率评估的投入指标, 产出指标包括期望产出和非期望产出两类[17, 45], 以此构建起城市碳排放效率评估的指标体系, 见表 1. 其中：①投入指标. 由于城市尺度缺乏能源消费统计数据, 无法直接将能源消费量作为能源投入指标, 但已有研究表明电力消费和经济增长存在高度关联, 且城市化所表现的工业化特征将推动电力消费的增长[4]. 参考王少剑等[17]的研究, 选取城市电力消费量作为碳排放效率评价的能源投入指标. 固定资产投资额是以货币形式表现的、企业在一定时期内建造和购置固定资产的工作量以及与此有关的费用变化情况, 作为资本投入的表征指标. 第二、三产业从业人员是城市发展的人力基础, 表征劳动力投入. ②期望产出指标, 分为经济产出、社会产出和环境产出. 其中, 第二、三产业增加值表征城市实际经济产出, 是评估经济效益的直接指标. 在岗职工平均工资表征城市社会产出. 绿地面积作为环境产出指标, 表示城市绿地供应情况, 是我国城市规划和环境管理的重点. ③非期望产出指标. 碳排放是城市活动对环境产生负外部性的直接体现, 通过夜间灯光数据模拟碳排放总量, 视为碳效率评估的非期望产出指标.
|
表 1 城市碳排放效率定量评估的指标体系 Table 1 Index system for quantitative assessment of urban carbon emission efficiency |
1.4.2 空间溢出效应的影响因素
城市碳排放效率的空间溢出效应受多种因素的共同作用, 借鉴相关研究成果[1, 46, 47], 选取关键影响变量. 人口密度（POP）, 反映人口空间集聚对碳排放效率的影响, 由单位面积上常住人口表征. 人口密度通过规模效应和集聚效应来影响城市碳效率, 一是人口规模的提升直接增加能源、资源消耗, 降低碳排放效率；二是人口密度的增加产生集聚效应, 推动科技进步, 提高碳排放效率. 经济水平（GDP）, 由人均GDP表征, 检验经典的EKC假设, 考察经济增长与城市碳效率之间的相互作用是否出现倒“U”型演化特征. 科研投入（TEC）, 由科学技术支出占一般公共预算支出的比例表征, 研发投入越高, 越能提高城市碳排放效率. 产业结构（IND）, 第二产业（尤其是重化工业）中化石燃料的使用是城市碳排放的主要来源, 由二产增加值与三产增加值的比例表征. 路网密度（NED）, 由城市道路面积与建成区面积之比表征. 其值越大, 越能疏解交通压力, 降低机动车尾气排放, 提高城市碳排放效率. 外资强度（FDI）, 由实际利用外资占GDP比例表征.
2 结果与分析 2.1 城市碳排放效率整体演变情况长三角地区城市碳排放效率的动态演化趋势见表 2. 2001~2020年, 城市碳排放效率的整体水平较低, 均值最高仅为0.698, 其余年份的效率均值介于0.565~0.694. 城市碳排放效率又可分解为纯技术效率和规模效率. 其中, 2007~2017年纯技术效率年均值为0.888, 高于规模效率的0.741, 成为驱动碳排放效率变化的主要因素, 说明各城市在提升碳排放效率时, 注重科技创新在城市低碳发展中的作用. 结果也显示, 碳排放效率变化趋势整个研究期内呈扁平的“倒U”型, 并在2008、2015等两个年份表现出跳跃特征, 成为碳排放效率发生结构性演化的节点. 具体可采用Chow提出的[48]检验来考察时序数据是否存在转折性变化, 得出F判断值分别为524.625和434.224, 均通过0.01水平下显著性检验, 表明2008年和2015年的确为长三角地区城市碳排放效率时序变化的突变点.
|
|
表 2 城市碳排放效率的动态演化趋势 Table 2 Dynamic evolution trend of urban carbon emission efficiency |
此外, 对四省（市）内城市开展纵向分析, 本研究期间上海市均值为0.997, 江苏省内城市均值为0.590, 浙江省内城市均值为0.393, 安徽省内城市均值0.584. 因此, 现阶段碳排放效率变化差异明显, 多数城市碳效率向低水平演化, 而高效率城市的数量少且分布集中, 碳排放效率极化效应显著. 因此, 未来应关注碳排放效率在不同城市间的差异情况, 才能在保障高效率城市优势的同时着力改进低效率城市的不足, 实现整体效率的同步提升.
2.2 城市碳排放效率的区域差异与来源分解 2.2.1 区域内部差异2001~2020年长三角地区城市碳排放效率的组内差异由Dagum基尼系数计算得到, 评估结果的时序演化趋势见图 2. 区域整体的城市碳排放效率的基尼系数均值为0.332, 其中2010~2020年的基尼系数高于其他时期, 碳排放效率存在一定程度的空间失衡现象. 分区域层面, 上海经济最为发达, 基尼系数均值为0.125, 前期表现平稳, 后期逐渐上升, 表明上海内部各区之间碳排放效率的差异持续升高. 江苏省内城市均值为0.302, 组内基尼系数波动降低；这些城市多位于沿（长）江、沿海, 高新技术产业和出口制造业发展良好, 但仍依赖于钢铁、石油化工和金属制品等高耗能、高排放的传统行业, 碳排放强度高. 浙江省内城市基尼系数稳定, 均值也在四省（市）中最低；碳排放效率较为均衡, 但边际生产能力低, 投入要素的冗余问题凸显. 安徽省内城市基尼系数均值高达0.367, 居四省（市）之首, 究其原因是城市发展水平低, 产业节能减排与低碳转型的节奏失调. 总体上, 城市碳排放效率的基尼系数起伏波动, 增减不一, 但在研究后期仍以增长态势为主, 说明碳排放效率的区域差异扩大, 警示今后在提高碳排放效率的同时, 亦应兼顾省内城市的协调发展.
|
图 2 城市碳排放效率基尼系数的组内差异 Fig. 2 Intra-group difference in Gini coefficient of urban carbon emission efficiency |
2001~2020年长三角地区四省（市）间基尼系数的变化见图 3, 城市碳排放效率的组间差异明显. 其中, 浙江-上海的组间差异最大, 与其他区域相比, 上海市科技发达、市场制度完善和劳动力素质高, 碳排放效率处于较高水平；浙江省内城市民营经济发达, 但囿于历史因素, 发展层级不高, 还需通过引进技术、产业升级等途径来降低城市碳排放量. 其余区域之间的组内基尼系数差异处于适中状态, 以江苏-上海的差异最小. 从区域差异的时变趋势看, 浙江-江苏、浙江-上海和浙江-安徽等组间基尼系数的峰值年均降幅分别为4.38%、4.82%和2.14%. 江苏-上海、江苏-安徽和上海-安徽等组间差异变化平稳, 年均波动仅为1.50%, 城市发展和节能减排基本上处于同一进程. 值得注意的是, 四省（市）间的基尼系数在2017~2020年收敛于0.380, 组间差异变动平缓, 表明长三角地区各城市响应国家生态文明建设、推进减排降碳的步调一致.
|
图 3 城市碳排放效率基尼系数的组间差异 Fig. 3 Inter-group difference in Gini coefficient of urban carbon emission efficiency |
将样本整体差异分解为组内差异、组间差异和超变密度, 说明2001~2020年长三角地区城市碳排放效率失衡的内在原因, 见图 4. 基尼系数的组内差异平稳, 均值为0.064, 低于组间差异和超变密度的0.218和0.076, 贡献率仅有17.73%, 表明组内差异对碳排放效率总体差异的贡献最小. 研究初期的组间差异为0.252, 随后降至2014年的0.140, 出现一定程度的升高, 在末期升至0.212, 对总体差异的贡献呈现波动特征, 即从初期的68.17%降至2013年的41.50%, 后又增至62.17%. 研究期内贡献率均值高达60.84%, 成为碳排放效率差异的主要来源. 因此, 消减区域间净差异, 成为长三角地区城市低碳减排工作的重点.
|
图 4 城市碳排放效率差异的来源与贡献率 Fig. 4 Source and contribution rate of carbon emission efficiency difference |
超变密度是用于识别区域间交叉重叠现象, 绝对数值与贡献率呈现倒“U”形特征. 研究初期的贡献值为0.051, 之后持续上升并在2013年达到最大值0.130. 贡献率的变化较大, 在12.29%~38.38%之间波动, 均值为21.33%. 由于超变密度表示区域间交叉部分对总体差异的贡献, 数值处于适中水平, 表明长三角地区四省（市）间的差异显著, 有助于精准识别城市碳排放的不同范式区, 区分结果的合理性也能得以验证.
2.3 城市碳排放效率的空间溢出效应 2.3.1 空间自相关检验根据上文构建的空间嵌套权重矩阵, 采用Moran's I指数进行自相关检验, 探究2001~2020年长三角地区城市碳排放效率的空间布局是否具有自相关性, 结果见表 3. 本研究期内, 全域Moran's I指数均大于0, 通过0.05水平下的显著性检验, 表明城市碳排放效率存在正向相关, 效率值较高或较低城市在空间上相互邻近, 也证明采用空间面板模型研究碳排放效率空间溢出效应的合理性.
|
|
表 3 2001~2020年全域空间相关性检验结果 Table 3 Test results of global spatial correlation from 2001 to 2020 |
2.3.2 模型选择与结果估计
根据Moran's I指数结果, 长三角地区城市碳排放效率的空间溢出效应显著, 区域差异分析应考虑权重矩阵和交互项的综合作用. 因此, 根据判定规则和检验结果来选择合适的空间面板模型（SLM、SEM或SDM）, 结果见表 4. 首先, SLM的R-LM lag与SEM的LM-error和R-LM error统计量通过0.01水平的显著性检验, 而SLM的LM-lag未能通过, 表明碳排放效率影响模型的选择上SEM优于SLM. 其次, 基于Wald和LR统计结果, 均在0.01水平上显著, 拒绝SDM可被简化的原假设, SDM较SLM或SEM更为合适. 最后, Hausman检验结果为18.682, 在0.01水平上显著, 说明随机效应未能通过适用性检验, 故选用固定效应SDM模型来开展结果的拟合分析.
|
|
表 4 空间面板模型的检验结果 Table 4 Inspection results of space panel model |
由于长三角地区城市碳排放效率的区域差异在时间上连续, 可避免时间序列上非观测效应的间隔影响. 因此, 选取无固定效应和空间固定效应的SDM开展研究, 并与普通回归分析的个体固定效应进行对比, 结果见表 5. SDM空间固定效应的对数似然值（ln L）和拟合系数（Adj. R2）均大于无固定效应, 表明含有空间固定效应的SDM为最合适模型.
|
|
表 5 长三角地区SDM模型估计结果1） Table 5 SDM estimation results in Yangtze River Delta |
长三角地区城市碳排放效率的空间固定效应SDM模型运行结果见表 6. 人口密度（POP）对碳排放效率有积极影响, 其中对江苏省内城市的影响最大, 弹性系数为4.107, 通过0.01水平的显著性检验. 邻域城市人口密度的增加对碳排放效率具有促进作用, 其原因是城市人口外迁, 使相邻城市产生人口规模效应. 公共设施的共享以及知识溢出, 也会形成人口集聚经济, 提升城市生产效率, 降低能源消耗. 经济水平（GDP）对碳排放效率有提升作用, 但相邻城市经济溢出和产业转移的影响不显著. 科研投入（TEC）虽然也能促进城市碳排放效率的提升, 但明显低于人口密度（POP）的作用强度, 即使在江苏省的弹性系数最大, 但也仅有0.535. 邻域城市科研创新存在空间溢出效应, 但强度较小, 未来应增强科技投入、提高R & D水平, 挖掘创新技术在城市发展中的节能减碳作用. 产业结构（IND）在上海市的弹性系数为0.014, 起到一定促进作用. 此外, 路网密度（NED）和外资强度（FDI）虽对部分城市的碳排放效率存在影响, 但未能通过显著性检验.
|
|
表 6 四省（市）的空间固定效应SDM模型估计结果1） Table 6 Estimation results of SDM with spatial fixed effect |
表 5和表 6结果还显示, 长三角地区整体与4个省（市）的空间滞后系数（ρ）均不为0, 并通过显著性检验, 说明溢出效应存在于各省（市）内部. 同时, 空间固定效应的SDM为非线性结构, 使拟合系数无法揭示碳排放效率和影响因素之间的全部效应. 所以, 需从直接、间接与总效应3个方面解析溢出效应, 诠释变量之间的影响效应与传导机制.
2.3.3 空间溢出效应分析为探究各因素对长三角地区城市碳排放效率影响的边际效应, 运用偏微分方程对空间溢出效应进行分解, 从直接、间接与总效应等方面分析解释变量对结果的真实影响, 见表 7.
|
|
表 7 SDM模型空间溢出效应的分解结果1） Table 7 Decomposition results of spatial spillover effect |
第一, 直接效应, 也称区域内溢出效应. 长三角地区整体与四省（市）的回归结果相近. 人口密度（POP）对碳排放效率提升作用最高, 为2.383（P < 0.01）, 尤其对江苏省内城市的正向溢出效应最为显著, 为4.083（P < 0.01）. 主要原因是人口密度提升带来空间集聚效应, 提高了科技水平、交通分担率和减排设施使用率, 降低城市碳排放总量. 同时, 技术进步（TEC）和经济水平（GDP）对碳排放效率的溢出效应较高, 通过0.01水平的显著性检验. 其中, 技术进步（TEC）是促进碳排放效率增长的首要因素, 经济发展水平对城市低碳减排也具有积极作用. 其他因素, 如路网密度（NED）和外资强度（FDI）等影响结果均未通过显著性检验, 对城市碳排放效率的影响较小.
第二, 间接效应, 也称区域间溢出效应. 科研投入（TEC）对邻域城市碳排放效率有提升作用, 弹性系数为0.316. 其中, 江苏省内城市的科研投入（TEC）对邻域城市碳排放效率的促进作用明显, 为0.640（P < 0.01）. R & D支出的增加促进节能减排技术的推广, 抑制碳排放量的增加. 在邻域关联效应下, R & D投入对邻域城市碳效率起到带动和辐射作用. 再者, 人口密度（POP）对邻域城市碳排放效率的溢出效应为-1.253（P < 0.1）. 可能是由于人口向周边城市迁移, 生产与生活过程中直接或间接导致能源消费增加, 降低邻域城市碳排放效率. 此外, 对于产业结构（IND）和路网密度（NED）等变量, 城市碳排放效率的变化在区域内外均未表现出明显的溢出效应.
第三, 总效应, 是直接效应与间接效应的总和. 具体地, 人口的空间集聚对能源利用率的提升作用高于人口规模引致的碳排放增加, 使得人口密度（POP）对长三角地区城市碳排放效率具有促进作用. 因此, 人口集聚提升资源利用率, 减轻人口规模对城市碳排放增加的影响. 再者, 科技进步对碳排放效率的总溢出效应为1.064. 科技进步促进落后技术和生产能力的淘汰, 推动技术密集、附加值高的低碳产业发展, 提升城市碳排放效率. 最后, 经济水平（GDP）通过了显著性检验, 对碳排放效率的提升也有促进作用.
3 讨论本文基于夜间灯光数据核算长三角地区城市碳排放总量, 研究碳排放效率的区域差异与空间溢出效应, 对各城市开展节能减排行动具有一定的实践意义, 但仍有一些问题值得讨论. 首先, 选取夜间灯光数据反演城市碳排放量为碳排放研究提供新的途径, 但是DMSP/OLS和NPP/VIIRS两种数据因采用时间、传感器分辨率和扫描带宽等方面的差异, 导致部分数据匹配程度低, 解译精度还需提高. 其次, 随着长三角地区进入高质量发展阶段, 对城市碳排放变化产生深刻影响, 在未来研究中还需拓展城市尺度碳排放数据的来源途径, 以便开展城市碳效率的时效分析. 此外, 本文在选取城市碳排放效率评价的投入产出指标与空间效应分析的影响因素时, 主要考虑数据的可获取性和便捷性, 但是分析精度存在不足, 例如选用城市绿地面积表征环境产出, 忽视了不同城市对生态建设和环境保护实际投入的差异；选用二产增加值与三产增加值的比例来表征城市产业结构, 没有考虑不同产业结构的合理性和质量差异. 因此, 在未来研究中, 还需不断细化数据获得准确性和全面性.
4 结论（1）长三角地区城市碳排放效率均值最高仅为0.698, 整体水平较低, 呈扁平“倒U”形的演化趋势, 在2008、2015年表现出跳跃特征, 成为碳排放效率变化的转折点. 城市碳排放效率可分解为纯技术效率和规模效率, 其中纯技术效率的均值为0.888, 高于规模效率的0.741, 表明长三角地区在提升碳排放效率时, 应注重科技创新在城市低碳发展中的作用.
（2）长三角地区城市碳排放效率的基尼系数较高, 均值为0.332. 基尼系数值在不同年份起伏波动, 但仍以增长态势为主, 碳排放效率的差异逐渐增大, 组间差异成为总差异的主要来源. 这表明提高碳排放效率的同时, 亦应兼顾长三角地区城市之间的协调发展.
（3）长三角地区城市碳排放效率的Moran's I指数为正, 正向自相关性显著, 具有较强的空间溢出效应. 借助含有空间固定效应的SDM模型, 诠释长三角地区城市碳排放效率的空间溢出效应与传导机制. 人口密度、经济水平和技术水平等因素成为影响碳排放效率的关键, 产业结构、路网密度与外资强度等因素对碳排放效率的直接效应、间接效应和总效应未通过显著性检验.
| [1] |
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. |
| [2] | Li J J, Shi J G, Duan K F, et al. Efficiency of China's urban development under carbon emission constraints: A city-level analysis[J]. Physics and Chemistry of the Earth, Parts A/B/C, 2022, 127. DOI:10.1016/j.pce.2022.103182 |
| [3] | Wang G W, Meng X Y. Evaluation and calculation of urban carbon emission reduction potential based on spatiotemporal geographic model[J]. International Journal of Thermofluids, 2023, 20. DOI:10.1016/j.ijft.2023.100478 |
| [4] |
林伯强, 孙传旺. 如何在保障中国经济增长前提下完成碳减排目标[J]. 中国社会科学, 2011(1): 64-76, 221. Lin B Q, Sun C W. How can china achieve its carbon emission reduction target while sustaining economic growth?[J]. Social Sciences in China, 2011(1): 64-76, 221. |
| [5] | Liu Q Q, Wang S J, Zhang W Z, et al. Examining the effects of income inequality on CO2 emissions: Evidence from non-spatial and spatial perspectives[J]. Applied Energy, 2019, 236: 163-171. DOI:10.1016/j.apenergy.2018.11.082 |
| [6] |
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 R, Wang H, et al. Analysis of carbon emissions and influencing factors in China based on city scale[J]. Environmental Science, 2023, 44(5): 2974-2982. |
| [7] | Zhu B, Zhang T L. The impact of cross-region industrial structure optimization on economy, carbon emissions and energy consumption: A case of the Yangtze River Delta[J]. Science of the Total Environment, 2021, 778. DOI:10.1016/j.scitotenv.2021.146089 |
| [8] | Liu C G, Sun W, Li P X, et al. Differential characteristics of carbon emission efficiency and coordinated emission reduction pathways under different stages of economic development: Evidence from the Yangtze River Delta, China[J]. Journal of Environmental Management, 2023, 330. DOI:10.1016/j.jenvman.2022.117018 |
| [9] |
刘崇刚, 孙伟, 张落成. 长江三角洲碳排放与植被覆盖耦合协调时空格局及影响因素分析[J]. 地理科学, 2023, 43(1): 142-151. Liu C G, Sun W, Zhang L C. Spatio-temporal pattern of coupling coordination degree between carbon emissions and vegetation cover and its influencing factors of the Yangtze River Delta[J]. Scientia Geographica Sinica, 2023, 43(1): 142-151. |
| [10] |
马心怡, 黄文晶, 胡凝, 等. 基于不同排放清单的长三角人为CO2排放模拟[J]. 环境科学, 2023, 44(4): 2009-2021. Ma X Y, Huang W J, Hu N, et al. Simulation of anthropogenic CO2 emissions in the Yangtze River Delta based on different emission inventories[J]. Environmental Science, 2023, 44(4): 2009-2021. |
| [11] | Sun Q Q, Chen H, Wang Y J, et al. Analysis of spatial and temporal carbon emission efficiency in Yangtze River Delta city cluster — Based on nighttime lighting data and machine learning[J]. Environmental Impact Assessment Review, 2023, 103. DOI:10.1016/j.eiar.2023.107232 |
| [12] |
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. |
| [13] |
王媛, 程曦, 殷培红, 等. 影响中国碳排放绩效的区域特征研究——基于熵值法的聚类分析[J]. 自然资源学报, 2013, 28(7): 1106-1116. Wang Y, Cheng X, Yin P H, et al. Research on regional characteristics of China's carbon emission performance based on entropy method and cluster analysis[J]. Journal of Natural Resources, 2013, 28(7): 1106-1116. |
| [14] |
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. |
| [15] |
唐志鹏, 刘卫东, 宋涛. 基于混合地理加权回归的中国省域碳生产率影响因素分析[J]. 资源科学, 2017, 39(12): 2223-2232. Tang Z P, Liu W D, Song T. Factors affecting China's provincial carbon productivity based on mixed geographically weighted regression modeling[J]. Resources Science, 2017, 39(12): 2223-2232. |
| [16] |
王兆峰, 杜瑶瑶. 基于SBM-DEA模型湖南省碳排放效率时空差异及影响因素分析[J]. 地理科学, 2019, 39(5): 797-806. Wang Z F, Du Y Y. Spatial-temporal differences and influencing factors of carbon emission efficiency in Hunan Province based on SBM-DEA model[J]. Scientia Geographica Sinica, 2019, 39(5): 797-806. |
| [17] |
王少剑, 高爽, 黄永源, 等. 基于超效率SBM模型的中国城市碳排放绩效时空演变格局及预测[J]. 地理学报, 2020, 75(6): 1316-1330. Wang S J, Gao S, Huang Y Y, et al. Spatio-temporal evolution and trend prediction of urban carbon emission performance in China based on super-efficiency SBM model[J]. Acta Geographica Sinica, 2020, 75(6): 1316-1330. |
| [18] | Chai J, Tian L Y, Jia R N. New energy demonstration city, spatial spillover and carbon emission efficiency: Evidence from China's quasi-natural experiment[J]. Energy Policy, 2023, 173. DOI:10.1016/j.enpol.2022.113389 |
| [19] | Liu S, Xia X H, Tao F, et al. Assessing urban carbon emission efficiency in China: Based on the global data envelopment analysis[J]. Energy Procedia, 2018, 152: 762-767. DOI:10.1016/j.egypro.2018.09.242 |
| [20] |
王向东, 刘小茜, 裴韬, 等. 基于技术效率测算的京津冀城市土地集约利用潜力评价[J]. 地理学报, 2019, 74(9): 1853-1865. Wang X D, Liu X Q, Pei T, et al. Potential evaluation of urban land intensive use in Beijing-Tianjin-Hebei region based on measurement of technical efficiency[J]. Acta Geographica Sinica, 2019, 74(9): 1853-1865. |
| [21] |
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. |
| [22] |
程钰, 张悦, 王晶晶. 中国省域碳排放绩效时空演变与技术创新驱动研究[J]. 地理科学, 2023, 43(2): 313-323. Cheng Y, Zhang Y, Wang J J. Spatial-temporal evolution of provincial carbon emission performance and driving force of technological innovation in China[J]. Scientia Geographica Sinica, 2023, 43(2): 313-323. |
| [23] | Cheng Z H, Liu J, Li L S, et al. Research on meta-frontier total-factor energy efficiency and its spatial convergence in Chinese provinces[J]. Energy Economics, 2020, 86. DOI:10.1016/j.eneco.2020.104702 |
| [24] | 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 |
| [25] | Du K R, Yu Y, Li J. Does international trade promote CO2 emission performance? An empirical analysis based on a partially linear functional-coefficient panel data model[J]. Energy Economics, 2020, 92. DOI:10.1016/j.eneco.2020.104983 |
| [26] | Şahin U. Forecasting share of renewables in primary energy consumption and CO2 emissions of China and the United States under Covid-19 pandemic using a novel fractional nonlinear grey model[J]. Expert Systems with Applications, 2022, 209. DOI:10.1016/j.eswa.2022.118429 |
| [27] |
徐英启, 程钰, 王晶晶, 等. 中国低碳试点城市碳排放效率时空演变与影响因素[J]. 自然资源学报, 2022, 37(5): 1261-1276. Xu Y Q, Cheng Y, Wang J J, et al. Spatio-temporal evolution and influencing factors of carbon emission efficiency in low carbon city of China[J]. Journal of Natural Resources, 2022, 37(5): 1261-1276. |
| [28] |
李建豹, 陈红梅, 张彩莉, 等. 长三角地区碳源碳汇时空演化特征及碳平衡分区[J]. 环境科学, 2024, 45(5): 4090-4100. Li J B, Chen H M, Zhang C L, et al. Spatiotemporal evolution characteristics of carbon sources and carbon sinks and carbon balance zoning in the Yangtze River Delta region[J]. Environmental Science, 2024, 45(5): 4090-4100. |
| [29] |
冯新惠, 李艳, 余迩, 等. 长三角城市群碳排放绩效与土地利用强度时空格局及协调发展特征[J]. 农业工程学报, 2023, 39(3): 208-218. Feng X H, Li Y, Yu E, et al. Spatiotemporal pattern and coordinating development characteristics of carbon emission performance and land use intensity in the Yangtze River Delta Urban Agglomeration[J]. Transactions of the Chinese Society of Agricultural Engineering, 2023, 39(3): 208-218. |
| [30] | Xie Z H, Wu R, Wang S J. How technological progress affects the carbon emission efficiency? Evidence from national panel quantile regression[J]. Journal of Cleaner Production, 2021, 307. DOI:10.1016/j.jclepro.2021.127133 |
| [31] |
王惠, 卞艺杰, 王树乔. 出口贸易、工业碳排放效率动态演进与空间溢出[J]. 数量经济技术经济研究, 2016, 33(1): 3-19. Wang H, Bian Y J, Wang S Q. Dynamic evolution, spatial spillover of exports and industrial carbon emission efficiency[J]. The Journal of Quantitative & Technical Economics, 2016, 33(1): 3-19. |
| [32] |
蔺雪芹, 边宇, 王岱. 京津冀地区工业碳排放效率时空演化特征及影响因素[J]. 经济地理, 2021, 41(6): 187-195. Lin X Q, Bian Y, Wang D. Spatiotemporal evolution characteristics and influencing factors of industrial carbon emission efficiency in Beijing-Tianjin-Hebei Region[J]. Economic Geography, 2021, 41(6): 187-195. |
| [33] | 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(S6): 231-242. |
| [34] | Chen Y, Wang M Y, Feng C P, et al. Total factor energy efficiency in Chinese manufacturing industry under industry and regional heterogeneities[J]. Resources, Conservation and Recycling, 2021, 168. DOI:10.1016/j.resconrec.2020.105255 |
| [35] | Gao Y N, Zhang M C, Zheng J H. Accounting and determinants analysis of China's provincial total factor productivity considering carbon emissions[J]. China Economic Review, 2021, 65. DOI:10.1016/j.chieco.2020.101576 |
| [36] |
郑琰, 蒋雪梅, 肖玉杰. 交通运输业碳排放效率时空演变及趋势预测[J]. 环境科学, 2024, 45(4): 1879-1887. Zheng Y, Jiang X M, Xiao Y J. Spatio-temporal evolution and trend prediction of transport carbon emission efficiency[J]. Environmental Science, 2024, 45(4): 1879-1887. |
| [37] | Yang Q K, Wang L, Qin X H, et al. Urban land use efficiency and contributing factors in the Yangtze River Delta under increasing environmental restrictions in China[J]. Chinese Geographical Science, 2022, 32(5): 883-895. DOI:10.1007/s11769-022-1306-0 |
| [38] |
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. |
| [39] | Dagum C. A new approach to the decomposition of the Gini income inequality ratio[J]. Empirical Economics, 1997, 22(4): 515-531. |
| [40] |
莫惠斌, 王少剑. 黄河流域县域碳排放的时空格局演变及空间效应机制[J]. 地理科学, 2021, 41(8): 1324-1335. Mo H B, Wang S J. Spatio-temporal evolution and spatial effect mechanism of carbon emission at county level in the Yellow River Basin[J]. Scientia Geographica Sinica, 2021, 41(8): 1324-1335. |
| [41] |
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. |
| [42] |
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. |
| [43] |
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. |
| [44] | 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 |
| [45] | Wang J D, Dong K Y, Sha Y Z, et al. Envisaging the carbon emissions efficiency of digitalization: The case of the internet economy for China[J]. Technological Forecasting and Social Change, 2022, 184. DOI:10.1016/j.techfore.2022.121965 |
| [46] |
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 spatio-temporal heterogeneity of influencing factors in China[J]. China Environmental Science, 2023, 43(6): 3244-3254. |
| [47] | Wang X P, Shen Y S, Su C. Spatial - temporal evolution and driving factors of carbon emission efficiency of cities in the Yellow River Basin[J]. Energy Reports, 2023, 9(S1): 1065-1070. |
| [48] | Chow G C. Tests of equality between sets of coefficients in two linear regressions[J]. Econometrica, 1960, 28(3): 591-605. |