2025, Vol. 46
2. 天津理工大学循环经济研究院, 天津 300382
2. Research Institute of Circular Economy, Tianjin University of Technology, Tianjin 300382, China
党的二十大报告明确了到2035年基本实现城镇化的战略目标，作出了“推进以人为核心的新型城镇化”的战略部署.当前我国城镇化进入了快速发展阶段，城镇化率由2000年的36%增长到2023年末的66.16%，但以“土地财政”和工业化为核心动力的快速城镇化发展模式也造成了一系列环境污染问题[1].与此同时，我国是世界上最大的碳排放国，一直以来面临着巨大的碳减排压力[2].而城市是我国温室气体的主要来源[3]，约占全国碳排放量的85%.因此，为助力实现碳达峰碳中和的目标，亟需积极推进城市低碳发展，保证城镇化稳步发展的同时保护好生态环境.
城镇化如何影响碳排放这一问题目前还没有统一结论.部分学者认为城镇化会促进碳排放，如韩秀艳等[4]通过构建Kaya扩展模型实证分析发现城镇化水平的提高将引起碳排放增加；Dogan等[5]研究发现美国城镇化发展会促进碳排放.Wang等[6]研究发现东盟国家随着城镇化率提高会导致碳排放增多.然而，还有部分学者认为城镇化会抑制碳排放，如Sadorsky等[7]研究认为城市化建设会在一定程度上降低碳排放强度.Ali等[8]研究发现新加坡城镇化水平越高，碳排放会越低.与此同时，其他学者认为城镇化与碳排放二者间是非线性关系.其中最具有代表性的理论是环境库兹涅茨曲线，其认为城镇化与碳排放之间的关系表现为倒“U”型曲线. Xu等[9]基于珠江三角洲的面板数据证实了这一理论；王镝等[10]运用动态最优化模型发现，城市化率与生态环境呈现U型曲线关系；王鑫静等[11]研究发现在城镇化发展水平不同的国家中各个影响因素对碳排放的影响存在明显异质性.由于不同地区间存在空间依赖性和空间异质性，不能满足经典计量分析中样本独立性和同方差性的假设，从而导致计量结果存在偏差[12].因此，部分学者进一步针对城镇化对碳排放的空间效应展开研究.王玉娟等[13]基于全国284个地级市面板数据研究发现，新型城镇化与低碳发展协调性具有空间溢出效应；李硕硕等[14]研究发现生态安全约束下湖域地区新型城镇化对碳排放强度有空间溢出效应.
综上所述，虽然现有研究对新型城镇化与碳排放强度关系有了一定的探索，但仍存在以下3个方面不足：首先，新时代背景下对城镇化发展提出了更高的要求，部分有关城镇化的研究所采用的指标较单一或缺乏代表性.其次，现有的相关研究对全球多个国家和全国省域层面的宏观尺度相对较多，考虑到我国区域辽阔，各个区域的经济社会发展存在显著的不平衡和不充分现象，采用适应区域特征的差异性举措才可能实现整体目标推进.最后，空间权重矩阵的合理设定影响了空间计量模型估计结果的准确性，现有研究大部分基于邻接或地理距离等空间矩阵来研究空间效应，忽略了对其他如经济和空气质量等因素对空间效应的影响.因此，本文在以下3个方面做进一步改进：一是基于我国高质量发展的内在要求，从不同的维度对新型城镇化水平评价指标体系构建；二是聚焦于京津冀及周边地区考察新型城镇化与碳排放的关系；三是构造空气质量距离权重矩阵，考虑空气质量这一基底性因素对新型城镇化与碳排放强度的溢出效应有着怎样的影响.空气质量水平影响着居民幸福生活指数和生态文明建设，进一步影响着京津冀及周边地区的大气污染治理、新型城镇化发展和“双碳”目标的实现.
1 材料与方法 1.1 研究区概况本文以京津冀及周边地区“2+26”城市为研究对象，包括北京，天津，河北8个城市（石家庄、唐山、廊坊、保定、沧州、衡水、邢台和邯郸），山西4个城市（太原、阳泉、长治和晋城），山东7个城市（济南、淄博、济宁、德州、聊城、滨州和菏泽）以及河南7个城市（郑州、开封、安阳、鹤壁、新乡、焦作和濮阳）.由于地处太行山东侧和燕山南侧，两座山形成半封闭地形导致存在一个“弱风区”，大气流动性较差，大气环境容量先天不足，该不利条件加剧了空气质量的恶化，导致重污染天气频发[15].同时，京津冀及周边地区也是我国能源消耗较大的区域，碳排放强度位居全国前列[16].此外，该区域城镇化发展较快，人口城镇化率在2021年达到73.71%，相比2009年的58.64%同比增长25.7%.由此可见，明晰新型城镇化与低碳发展的空间关系，并考察空气质量这一因素对二者关系的影响是京津冀及周边地区面临的亟待解决的重大问题.
1.2 指标评价体系构建由于新型城镇化不同于传统城镇化可通过城镇化率这单一指标评价，而是要结合多个维度综合考虑，故需采用指标评价方法构建指标.目前文献中在构建指标权重时常用的方法有熵值法和层次分析法[17，18]，考虑到层次分析法受主观影响较大，本文采用计算步骤如下的熵值法.
（1）指标选取 设有r个年份，m个城市，n个指标，xij为城市i的第j个指标值.
（2）指标标准化处理 由于选取的指标存在不同的量纲和单位，需对选取的指标进行标准化处理.根据指标方向分为正向指标标准化和负向指标标准化，其中正向指标为该指标对新型城镇化发展有积极影响，负向指标为该指标对新型城镇化发展有消极影响.
正向指标标准化：
|
(1) |
负向指标标准化：
|
(2) |
式中，x´ij为各个指标标准化后的数据；xij为各个指标原始的数据；i=1，2，3，…，m；j=1，2，3，…，n.
（3）确定第i个市在第j个指标的权重
|
(3) |
（4）计算第j项指标的熵值
|
(4) |
式中，k为调节系数，k=ln（m）且k > 0，确保0 < ej < 1.
（5）计算第j项指标的信息效用值
|
(5) |
（6）计算第j个指标的权重
|
(6) |
（7）计算第i个城市的综合得分
|
(7) |
本文采用不受偏离正态分布影响的全局Moran's I指数来检验相邻地区间的空间依赖程度[19]，对研究区碳排放强度和新型城镇化指标分别进行测度.公式如下：
|
(8) |
式中，Moran's I为全局空间自相关指数；n为样本总数，xi和xj分别为城市i和j的碳排放强度；W为空间权重矩阵.
1.3.2 空间权重矩阵本文用到的空间权重矩阵有邻接权重矩阵（Wij）、反距离权重矩阵（Wdis）、空气质量距离嵌套权重矩阵（Waqi）和经济距离嵌套权重矩阵（Wecon）.
（1）邻接性权重矩阵（Wij）参考已有研究[20]计算规则为：
|
(9) |
（2）反距离空间权重矩阵（Wdis）假设空间区域之间距离越近，空间效应越强.其表达式如下：
|
(10) |
式中，dij为区域i和区域j之间通过经纬度计算出的地表距离.
（3）空气质量距离权重矩阵（Waqi）计算方式如下.首先，由于相邻空间中空气扩散程度会存在非对称性[21]，如北京对承德的空气扩散影响程度与承德对北京的空气扩散影响程度存在差异.故本文采用每个市的空气质量指数（air quality index，AQI）均值与考察期内总AQI均值的比来刻画空气质量部分的矩阵，从而缓解实际情况中空间溢出效应的非对称性.其次，由于空气扩散与地理距离密切相关，因此在构造空气质量距离权重矩阵时将空气质量矩阵与地理距离矩阵Wd嵌套，这样既能考虑地理距离和空气质量这2个因素在空间杜宾模型中对解释变量与被解释变量关系的影响，也考虑了实际情况中地理距离在空气扩散中起到的作用.由于2013年以前我国采用空气污染指数（air pollution index，API）表征空气污染程度和空气质量状况，2013年起我国才开始逐渐采用空气质量指数，但二者设计原理相同无本质区别.因此，本文AQI值选取2009年1月1日至2012年12月31日京津冀及周边“2+26”城市的API日均值和2013年1月1日至2021年12月31日的AQI日均值，数据均从中国空气质量在线检测平台获取.
|
(11) |
|
(12) |
|
(13) |
式中，Ait为城市i在各年份的日均AQI（API）值，t0为研究基期，t1为研究末期. Wd为地理距离空间权重矩阵，公式（12）为考察期内第i市AQI（API）平均值，公式（13）为考察期内总AQI（API）均值.
（4）经济距离嵌套的权重矩阵（Wecon）是在传统经济距离矩阵计算上进一步完善.传统的经济距离空间权重矩阵假设距离不是决定空间效应的唯一因素，某区域空间中经济发展水平和社会人文环境等因素也会影响与邻近空间单元之间产生交互作用.本文考虑到不同地区间空间溢出效应存在非对称性，采用如下的经济距离嵌套权重矩阵计算方式.
|
(14) |
|
(15) |
|
(16) |
式中，Yit为城市i在各年份的实际GDP值，t0为研究基期，t1为研究末期，Wd为地理距离空间权重矩阵，公式（15）为考察期内第i市GDP平均值，公式（16）为考察期内总GDP均值.
1.3.3 空间杜宾模型目前常用的空间计量模型主要分为空间滞后模型（SAM）、空间误差模型（SEM）和空间杜宾模型（SDM）这3种类型.本文在模型设定时结合现有理论分析的基础[22]构造了空间面板杜宾模型如下：
|
(17) |
式中，CEI（碳排放强度）为被解释变量；NU（新型城镇化水平）为核心解释变量；i为各个城市；t为年份；W为空间权重矩阵；ISO、ISE、GOV、LY、OD、ECS和RD为本文选取的控制变量；ρ、β1~β8和θ1~θ8为待估计的回归系数；α为常数；λ和γ分别为个体固定效应和时间固定效应；ε为随机扰动项.
1.3.4 门槛效应模型本文以AQI值为门槛变量，CEI（碳排放强度）为被解释变量，NU（新型城镇化水平）为核心解释变量，建立新型城镇化对碳排放强度的单门槛效应模型：
|
(18) |
式中，θ1~θ7为回归系数，θ0为截距项，u1为第一门槛值，μi为个体固定效应，εit为随机扰动项，其他变量含义同式（17）.
1.4 变量选取 1.4.1 被解释变量碳排放强度（CEI）：利用IPCC清单法计算的碳排放总量与对应地区GDP的比值来衡量.
1.4.2 核心解释变量在对新型城镇化指标选取方面目前没有明确规范，本文在查阅《国家新型城镇化规划（2021—2035年）》后结合钱志权等[23]、尹君锋等[24]和赵杨等[25]的研究，从经济、人口、社会及空间这4个维度选取12个指标运用熵值法进行构建，具体指标见表 1.根据数据可获得性原则选取2009~2021年的面板数据进行处理，得出新型城镇化的评价指标.
|
表 1 京津冀及周边地区新型城镇化评价指标体系1） Table 1 Evaluation index system of the new-type urbanization in the Beijing-Tianjin-Hebei Region and its surrounding areas |
1.4.3 控制变量
参考已有研究，结合影响碳排放强度的主要因素[26]，选取以下7个因素作为控制变量，具体计算方式见表 2.
|
|
表 2 控制变量选取及计算方式 Table 2 Control variable selection and calculation method |
（1）产业结构（ISE、ISO） 产业结构升级在带动城市功能转型的同时提高资源型城市的工业绿色效率，降低城市的碳排放强度.第二产业中化石能源的燃烧是中国碳排放的助长因素[27]，本文在选取第二产业占比的同时，也选取第三产业占比来对比检验第二产业对碳排放影响程度.
（2）人均收入水平（LY） 经济增长与环境关系研究已十分丰富，本文采用人均GDP值的对数来表示经济发展水平.
（3）政府干预程度（GOV） 政府在鼓励绿色技术创新、基础设施建设等领域适当干预，能够促进碳排放的降低[28].同时，也有研究证实[29]政府干预经济会造成一系列市场失灵问题，恶化城市资源利用率，从而增大了碳排放强度.因此，政府干预程度对碳排放强度的影响尚未达成一致.
（4）对外开放程度（OD） 本文参考董直庆等[30]和白梓函等[31]的做法引入外商直接投资（foreign direct investment，FDI）指标来刻画对外开放程度.外商投资对碳排放的影响存在两面性，即“污染避难所”和“污染光环”两种截然不同的效应.
（5）能源消费结构（ECS） 包含煤炭在内的化石燃料燃烧被视为二氧化碳排放的重要来源，本文参考邵帅等[32]做法，采用煤炭消费占比这一指标.
（6）技术进步（RD） 技术进步带来的能源效率改善可以有效降低碳排放强度，但不以减排为目标的技术进步在促进经济增长的同时可能会造成更多的污染排放[33].
1.5 数据来源由于2022年及以后年份的河北、河南、山西和山东大部分城市能源平衡表及碳排放量数据缺失，故本文选用2009~2021年京津冀及周边地区的能源平衡表，利用生态环境部公布的IPCC法计算碳排放总量.本研究所用数据源于对应年份的《中国城市统计年鉴》.此外，对于极个别数据缺失值，采用插值法和平均增长率估算填补.所有变量均通过了描述性检验（表 3）.
|
|
表 3 变量描述性检验 Table 3 Descriptive tests of the variables |
2 结果与讨论 2.1 新型城镇化时空演化特征
图 1绘制了2009年和2021年研究区的新型城镇化评价指数，从时间层面上可以看出各市新型城镇化评价指数普遍大幅度上升，发展水平取得快速发展.但不同城市间新型城镇化评价指数有明显差异，存在发展不均衡的问题.受政策优势和经济发展基础等方面影响，北京、天津、唐山、太原、济南、淄博和郑州的新型城镇化评价指数较高；而邢台、保定、衡水、聊城和菏泽等城市新型城镇化评价指数相对较低.
|
图 1 2009年和2021年京津冀及周边各市新型城镇化评价指数 Fig. 1 Evaluation index of the new-type urbanization in the Beijing-Tianjin-Hebei Region and its surrounding areas in 2009 and 2021 |
为进一步考察新型城镇化空间集聚特征，本文分别估计了2009年和2021年的新型城镇化局部莫兰指数并绘制莫兰散点图，根据所有城市所处不同象限分为4种集聚类型：高-高，低-高，低-低和高-低，分别对应于散点图中的第一、第二、第三和第四象限[34]，从而得到空间集聚布局情况（表 4）.由表 4中信息可见北京、天津、唐山和淄博这4个城市始终属于高发展高集聚型（HH），即这4个城市本身是新型城镇发展较快地区，其相邻城市也是发展较快地区.长治、邯郸、邢台、沧州、衡水、济宁、德州、聊城、菏泽、开封、安阳、鹤壁、新乡和濮阳等14个城市始终为低发展低集聚型（LL），即本城市发展较慢，其相邻城市发展也较慢.太原和郑州一直属于高发展低集聚型（HL），即本城市发展较快，但其相邻城市发展较慢.保定、阳泉和廊坊3个城市始终属于低发展高集聚型（LH），即本地区发展较慢，但周围地区发展较快.整体来看，位于第一和第三象限的城市较多，即高-高集聚和低-低集聚，说明京津冀及周边地区新型城镇化发展存在显著的空间集聚特征，这一结果也验证了全局空间相关性的分析.
|
|
表 4 2009年和2021年新型城镇化发展空间集聚布局情况 Table 4 Space agglomeration and layout of the new-type urbanization development in 2009 and 2021 |
2.2 碳排放强度时空演化特征
由图 2可知，京津冀及周边地区各城市在2009~2021年间碳排放强度普遍呈下降趋势. 2009年除郑州和唐山外，其余各个城市碳排放强度皆大于0.8 t·万元-1，到2021年，除天津、衡水、阳泉和鹤壁4个城市外，其余城市碳排放强度均小于2.0 t·万元-1.同时，不同城市间碳排放强度指数差异明显，全域碳排放强度存在不均衡性.石家庄、邯郸、太原、济南、济宁、郑州和新乡等地碳排放强度指数较低；而受产业结构和经济发展水平等方面影响，北京、天津、衡水、阳泉和鹤壁的碳排放强度较高.从时间层面上看，研究期内各市碳排放强度相对差距呈下降趋势，碳排放强度指数的标准差在2009年、2012年、2015年、2018年和2021年分别为1.468 7、1.083 9、0.925 9、0.836 6和0.768 2，这表明京津冀及周边地区减碳不均衡现象逐渐缓解.
|
图 2 2009年、2012年、2015年、2018年和2021年京津冀及周边各市碳排放强度指数 Fig. 2 Index of carbon emission intensity in the Beijing-Tianjin-Hebei Region and its surrounding areas in 2009, 2012, 2015, 2018 and 2021 |
考虑到相邻区域间会产生“同群效应”，新型城镇化水平和碳排放强度会受相邻地区的影响，故在分析二者之间的空间交互关系时，需先检验变量各自空间相关性[35].本文利用全局Moran's I指数进行分别检验，结果如表 5所示，新型城镇化的全局Moran's I指数始终是正值且通过5%的显著性检验，虽然在2020年显著性降低，但总体上新型城镇化水平呈现较强的空间集聚特征.碳排放强度全局Moran's I值均为正，且在1%的水平下显著，说明碳排放强度在空间上存在显著的正相关关系[36].
|
|
表 5 2009~2021年新型城镇化与碳排放强度全局莫兰指数检验结果1） Table 5 Moran's I of the new-type urbanization and carbon emission intensity from 2009 to 2021 |
2.4 空间计量模型识别
基于Elhorst空间检验理论，将通过空间自相关检验的变量进行下一步空间计量模型进行实证分析.如表 6所示，首先LM检验和robust LM检验结果均在1%的显著性水平上通过了检验，说明空间误差模型（SEM）和空间滞后模型（SAM）均适用.其次LR检验在1%水平下显著，表明SDM模型不会退化.之后Hausman检验选择采用固定效应还是随机效应模型，结果显示拒绝使用随机效应的原假设.综上所述，本文研究选择时空双固定效应的空间面板杜宾模型（SDM）进行回归分析.
|
|
表 6 模型检验结果 Table 6 Results of model identification |
2.5 基准回归结果分析
根据表 7空间杜宾模型的回归结果可知，京津冀及周边各地区碳排放强度相互作用.在4种不同的权重矩阵下碳排放强度的空间自相关系数均在1%或5%的水平上显著为负，说明京津冀及周边地区的碳排放强度存在显著的负向空间溢出效应，即某一城市的碳排放强度降低可能会导致周围城市的碳排放强度提高.这可能是因为京津冀及周边地区发展过程中存在“虹吸效应”和高碳产业转移现象[37].同时，空气质量距离权重矩阵下碳排放强度表现出明显的空间集聚性，表明空气质量距离权重矩阵构造合理且空气质量会影响碳排放强度的空间溢出.对于其他解释变量，下文通过直接效应和间接效应来分析对碳排放强度的不同影响.
|
|
表 7 空间杜宾模型的基准回归结果1） Table 7 Benchmark regression results for the spatial Dubin model |
2.6 空间溢出效应分解
在空间计量模型中，由于本地区解释变量的变化不仅会影响到邻近区域值的变化，还会反过来对本地区值变化产生冲击，即会产生“反馈效应”.因此，本文进一步利用偏微分方程计算各自变量的直接效应和间接效应.通过直接效应反映各自变量对本地区因变量的影响，通过间接效应反映各自变量对其他周边地区因变量的溢出效应[38]，4种不同权重矩阵下的效应分解结果如表 8所示.
|
|
表 8 新型城镇化对碳排放强度的空间溢出效应分解结果1） Table 8 Direct, indirect and total effects of the new-type urbanization and carbon emission intensity |
从直接效应看，新型城镇化的直接效应在空气质量距离权重矩阵下的影响系数为-2.626，且在1%的水平下显著，这表明新型城镇化每增长1%，就可以降低2.626%该区域的碳排放强度.由此可见，新型城镇化发展与降低碳排放强度可以二者兼得.不同矩阵下新型城镇化直接效应的估计系数大小为：Waqi（-2.626） > Wdis（-2.551） > Wecon（-2.454） > Wij（-0.794），表明新型城镇化的直接效应受空气质量约束，反映出空气质量作为一种基底性因素，空气质量越好越有利于新型城镇化通过空间布局完善、产业结构优化和消费结构改善等措施[39]降低当地碳排放强度.
从间接效应看，新型城镇化的间接效应在空气质量距离权重矩阵下的影响系数为1.859，且通过1%显著性检验，这表明新型城镇化每增长1%，则降低1.859%周边区域的碳排放强度.这说明本地区新型城镇化发展会提高相邻地区碳排放强度，因此，各城市需合理利用地理距离和经济联系在发展自身的同时加强与周边地区的空间互动.不同矩阵下新型城镇化间接效应的估计系数大小为：Wij（6.033） > Waqi（1.859） > Wdis（1.752） > Wecon（1.462），表明空气质量是影响新型城镇化对碳排放强度溢出效应的主要因素，但这种影响小于邻接距离.这说明随着发展较发达地区空气质量的提高，可能会通过对高层次人才吸引等措施[40]对周边发展较弱的地区产生“虹吸效应”，从而在推动新型城镇化与降低碳排放协同发展时表现为有利于本地而有阻于周边地区的结果.
从直接效应与间接效应的差距来看，在Waqi、Wdis、Wecon和Wij矩阵中这2种效应的差距分别为0.767、0.799、0.992和5.239，可以看出考虑到空气质量因素时，新型城镇化对碳排放强度的直接效应与间接效应差距在缩小.
综上，新型城镇化的直接效应均显著为负，间接效应显著为正，且除邻接矩阵外，其余3种权重矩阵下的直接效应均大于间接效应.由此可见，一方面，新型城镇化与降低碳排放强度可以协同发展.另一方面，不能忽略碳排放的空间溢出效应，在推动区域协调发展的背景下，各地区需合理利用地理距离和经济联系加强与周边地区的空间互动，打通发展要素流通渠道，发挥中心城市的辐射作用，在发展自身的同时带动周围地区共同发展.而邻接矩阵下间接效应大于直接效应，可能因为邻接矩阵设定时只单一地考虑接壤边界这一地理特征，没有考虑以经济发展和政策制度等因素衡量的随外界条件变化的社会经济特征而存在偏差[41].
从控制变量来看，不同变量对碳排放强度影响不同.第二产业占比和第三产业占比对碳排放强度的直接效应显著为负，这可能因为推动产业结构调整和转型升级过程中，通过淘汰落后产能和培育战略性新兴产业，加快了低耗能低排放行业发展，逐步降低经济增长对高耗能高排放发展路径的依赖[42].而第二产业占比不如第三产业占比减碳效果好，可能是因为第二产业多以化石燃烧为主，本身碳排放强度要高于农业和服务业；人均收入水平对本地区碳排放强度影响不明显，但除邻接矩阵外显著促进周围地区的碳排放强度，可能因为一方面京津冀及周边地区经济发展逐步与碳排放强度脱钩[43]；另一方面，由于北京地区经济发展领先于其他地区，而北京是能源输入城市这一特性使得经济发展与当地碳排放强度不相关[44]，从而影响了模型中京津冀及周边地区经济发展对碳排放强度的回归结果.政府干预程度的直接效应显著为正，间接效应显著为负，可能因为政府干预通过引进外商投资增多，使该地区工业快速增长[45]，导致了当地碳排放增加，相比之下周围地区外商投资较少，间接促进碳排放减少.技术进步显著促进本地区碳排放强度，间接效应为负但不显著，这可能因为技术创新中对能促进能源利用效率的绿色技术发展占比较少，因此各地需提高绿色技术体系化自主创新能力.能源消费结构的直接效应显著为正，对周围地区的碳排放强度促进作用不明显，故地区低碳发展需要减少对化石能源的依赖，持续优化能源结构，推动清洁能源发展.
2.7 门槛效应 2.7.1 门槛效应检验为进一步研究在考虑空气因素下，新型城镇化与碳排放强度二者间是否为线性关系，本文构建了面板门槛模型.遵循“由大到小”的检验原则，应先检验三重门槛[46].本文应用软件设置300个网格搜寻点（grid）开展Bootstrap（1 000次）检验，得到三重门槛效应检验结果如表 9所示.第一门槛的P值为0.044，通过了5%的显著性检验.而第二门槛和第三门槛的P值为0.295和0.556，未通过显著性检验.因此新型城镇化对碳排放强度的影响存在单门槛效应.
|
|
表 9 门槛效应检验 Table 9 Threshold effect testing |
同时，本文绘制了新型城镇化的门槛值及似然比函数来检验门槛估计值的真实性.如图 3所示，单一门槛值94.583位于LR临界线（虚线）以下，即通过了5%的显著性检验.因此，可认为所得门槛值准确.
|
图 3 门槛值及似然比函数 Fig. 3 Threshold value and likelihood ratio function |
新型城镇化对碳排放强度的门槛效应回归结果如表 10所示，当AQI值低于第一门槛值94.583时，回归系数为-7.66，即新型城镇化发展会降低碳排放强度.当AQI值大于94.583时，回归系数为-7.62，说明新型城镇化发展对降低碳排放强度的效果会减弱.由此可见：在空气质量这一因素影响下，新型城镇化发展与降低碳排放强度二者间不是单一的线性关系，而是呈现降低的趋势，这表明随着空气质量变差，新型城镇化发展会减速降低碳排放强度.
|
|
表 10 门槛检验结果与门槛值置信区间1） Table 10 Results of the threshold testing and confidence intervals |
2.8 稳健性检验
在本文使用的计量模型中由于解释变量选取时可能遗漏变量从而导致内生性问题，有必要对此进一步做内生性检验.参考邵帅等[47]的做法，选取解释变量滞后一期替代当期值，进一步在空气质量距离权重矩阵下重新进行参数估计并效应分解，以缓解可能存在的内生性问题.
根据表 11效应分解结果可见，在空气质量距离权重矩阵下新型城镇化对碳排放强度的直接效应显著为负，间接效应显著为正，空间自相关系数显著为负.上述结果说明解释变量新型城镇对被解释变量碳排放强度存在显著抑制作用，在空间上存在显著负向空间溢出效应，同时被解释变量碳排放强度对周边地区碳排放具有显著负向溢出效应.这与前文第2.6节空间溢出效应分解得出的研究结果保持一致，证明回归结果稳健可信.
|
|
表 11 解释变量滞后一期基准回归结果1） Table 11 Explanatory variables lag behind the one-phase benchmark regression results |
3 建议
为打好京津冀及周边地区重污染天气消除攻坚战，结合本文研究成果提出以下政策建议：
（1）加强城市跨区域协同治理.一方面，应持续推进京津冀及周边地区大气污染综合治理政策，同时健全市场机制，打破行政区划的局限，强化区域间沟通交流，促进区域协调发展.另一方面，发挥中心城市对周边城市的带动和辐射作用，形成分工合理、特色明显和优势互补的区域产业结构，推动各地区共同发展.
（2）因地制宜地推动新型城镇化低碳发展.根据各地资源禀赋和经济社会发展基础，找准各个城市发展定位，实施有针对性的政策措施，推进生产生活低碳化，推动新型城镇化高质量发展.
（3）加强城市大气质量达标管理，推动能源绿色低碳转型.空气质量是城镇化发展的基础也是对周边地区碳排放强度产生正向溢出效应的重要推动力，要发挥空气质量较好地区的带动作用，加强周边地区的空气污染治理.同时，加快各地区能源结构优化调整，严格控制能源总量的过度扩张，积极开发新能源以及可再生能源，推动能源多元化发展.
4 结论（1）京津冀及周边地区的新型城镇化对碳排放强度存在显著的抑制作用，新型城镇化与低碳发展可以协同推进.
（2）新型城镇化对碳排放强度的影响呈现显著的正向空间溢出效应，某一地区的新型城镇化发展会提高其相邻地区的碳排放强度.空气质量是影响空间溢出的主要因素，但影响程度小于邻接距离.可以说明京津冀及周边“2+26”城市空气质量水平会使该区域的新型城镇化对碳排放强度的空间溢出效应更敏感.
（3）在空气质量指数为门槛变量下，新型城镇化对碳排放强度的抑制作用存在递减趋势.
| [1] |
赵麑, 刘衍峰. 习近平关于新型城镇化建设的重要论述研究[J]. 经济学家, 2023(8): 5-13. Zhao N, Liu Y F. Research on Xi Jin-ping's important discourse on the construction of new urbanization[J]. Economist, 2023(8): 5-13. |
| [2] |
刘燕华, 李宇航, 王文涛. 中国实现"双碳"目标的挑战、机遇与行动[J]. 中国人口·资源与环境, 2021, 31(9): 1-5. Liu Y H, Li Y H, Wang W T. Challenges, opportunities and actions for China to achieve the targets of carbon peak and carbon neutrality[J]. China Population, Resources and Environment, 2021, 31(9): 1-5. |
| [3] |
冯新惠, 李艳, 王诗逸, 等. 双碳"目标下城市形态对碳排放的影响: 以长江经济带为例[J]. 环境科学, 2024, 45(6): 3389-3401. Feng X H, Li Y, Wang S Y, et al. Impacts of urban form on carbon emissions under the goal of carbon emission peak and carbon neutrality: a case study of the Yangtze River Economic Belt[J]. Environmental Science, 2024, 45(6): 3389-3401. |
| [4] |
韩秀艳, 孙涛, 高明. 新型城镇化建设、能源消费增长与碳排放强度控制研究[J]. 软科学, 2018, 32(9): 90-93. Han X Y, Sun T, Gao M. Study on the new urbanization construction, energy consumption growth and carbon emission intensity controlling[J]. Soft Science, 2018, 32(9): 90-93. |
| [5] | Dogan E, Turkekul B. CO2 emissions, real output, energy consumption, trade, urbanization and financial development: testing the EKC hypothesis for the USA[J]. Environmental Science and Pollution Research, 2016, 23(2): 1203-1213. DOI:10.1007/s11356-015-5323-8 |
| [6] | Wang Y, Chen L L, Kubota J. The relationship between urbanization, energy use and carbon emissions: evidence from a panel of association of southeast Asian nations (ASEAN) countries[J]. Journal of Cleaner Production, 2016, 112: 1368-1374. DOI:10.1016/j.jclepro.2015.06.041 |
| [7] | Sadorsky P. The effect of urbanization on CO2 emissions in emerging economies[J]. Energy Economics, 2014, 41: 147-153. DOI:10.1016/j.eneco.2013.11.007 |
| [8] | Ali H S, Abdul-Rahim A, Ribadu M B. Urbanization and carbon dioxide emissions in Singapore: evidence from the ARDL approach[J]. Environmental Science and Pollution Research, 2017, 24(2): 1967-1974. DOI:10.1007/s11356-016-7935-z |
| [9] | Xu Q, Dong Y X, Yang R. Urbanization impact on carbon emissions in the Pearl River Delta region: Kuznets curve relationships[J]. Journal of Cleaner Production, 2018, 180: 514-523. DOI:10.1016/j.jclepro.2018.01.194 |
| [10] |
王镝, 唐茂钢. 土地城市化如何影响生态环境质量?——基于动态最优化和空间自适应半参数模型的分析[J]. 经济研究, 2019, 54(3): 72-85. Wang D, Tang M G. How does land urbanization affect ecological environment quality?Analysis based on dynamic optimization and spatially adaptive semi-parametric model[J]. Economic Research Journal, 2019, 54(3): 72-85. |
| [11] |
王鑫静, 程钰. 城镇化对碳排放效率的影响机制研究——基于全球118个国家面板数据的实证分析[J]. 世界地理研究, 2020, 29(3): 503-511. Wang X J, Cheng Y. Research on the influencing mechanism of urbanization on carbon emission efficiency-based on an empirical study of 118 countries[J]. World Regional Studies, 2020, 29(3): 503-511. DOI:10.3969/j.issn.1004-9479.2020.03.2019211 |
| [12] | 樊元, 刘云啟, 李瑞杰. 空间计量模型的演化研究综述[J]. 统计与决策, 2016, 32(20): 35-39. |
| [13] |
王玉娟, 江成涛, 蒋长流. 新型城镇化与低碳发展能够协调推进吗?——基于284个地级及以上城市的实证研究[J]. 财贸研究, 2021, 32(9): 32-46. Wang Y J, Jiang C T, Jiang C L. Can new-type urbanization and low-carbon economy be pushed coordinately?Empirical research based on 284 prefecture-level cities[J]. Finance and Trade Research, 2021, 32(9): 32-46. |
| [14] |
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. |
| [15] |
李慧, 王淑兰, 张文杰, 等. 京津冀及周边地区"2+26"城市空气质量特征及其影响因素[J]. 环境科学研究, 2021, 34(1): 172-184. Li H, Wang S L, Zhang W J, et al. Characteristics and influencing factors of urban air quality in Beijing-Tianjin Hebei and its surrounding areas ('2+26' cities)[J]. Research of Environmental Sciences, 2021, 34(1): 172-184. |
| [16] |
汪浩, 陈操操, 潘涛, 等. 县域尺度的京津冀都市圈CO2排放时空演变特征[J]. 环境科学, 2014, 35(1): 385-393. Wang H, Chen C C, Pan T, et al. County scale characteristics of CO2 emission's spatial-Temporal evolution in the Beijing-TianjinHebei metropolitan region[J]. Environmental Science, 2014, 35(1): 385-393. |
| [17] |
贺博文, 聂赛赛, 李仪琳, 等. 承德市PM2.5中多环芳烃的季节分布特征、来源解析及健康风险评价[J]. 环境科学, 2022, 43(5): 2343-2354. He B W, Nie S S, Li Y L, et al. Seasonal distribution characteristics, source analysis, and health risk evaluation of PAHs in PM2.5 in Chengde[J]. Environmental Science, 2022, 43(5): 2343-2354. |
| [18] |
庹雄, 杨凌霄, 张婉, 等. 海-陆大气交汇作用下青岛冬季大气PM2.5污染特征与来源解析[J]. 环境科学, 2022, 43(5): 2284-2293. Tuo X, Yang L X, Zhang W, et al. Characteristics and source analysis of PM2.5 in Qingdao in winter under the action of sea-landatmosphere convergence[J]. Environmental Science, 2022, 43(5): 2284-2293. |
| [19] |
牛笑笑, 钟艳梅, 杨璐, 等. 2015~2020年中国城市PM2.5-O3复合污染时空演变特征[J]. 环境科学, 2023, 44(4): 1830-1840. Niu X X, Zhong Y M, Yang L, et al. Spatiotemporal evolution characteristics of PM2.5-O3 compound pollution in Chinese cities from 2015 to 2020[J]. Environmental Science, 2023, 44(4): 1830-1840. |
| [20] |
王守坤. 空间计量模型中权重矩阵的类型与选择[J]. 经济数学, 2013, 30(3): 57-63. Wang S K. Several types of weights matrix and their extended logic[J]. Journal of Quantitative Economics, 2013, 30(3): 57-63. DOI:10.3969/j.issn.1007-1660.2013.03.011 |
| [21] |
周雷, 张鑫, 董珂. 数字金融创新有助于促进实体经济高质量发展吗?——基于金融服务效率的机制分析与空间计量[J]. 西安财经大学学报, 2024, 37(1): 60-72. Zhou L, Zhang X, Dong K. Does digital finance innovation promote high-quality development of real economy?: Based on mechanism analysis and spatial econometrics of financial service efficiency[J]. Journal of Xi'an University of Finance and Economics, 2024, 37(1): 60-72. DOI:10.3969/j.issn.1672-2817.2024.01.006 |
| [22] |
戴宏伟, 胡喜飞. 区域双核结构对省域经济发展的影响研究——基于空间杜宾模型的实证分析[J]. 地理学报, 2023, 78(10): 2375-2391. Dai H W, Hu X F. The influence of regional dual-nuclei structure on provincial economic development in China: An empirical study based on spatial Dubin model[J]. Acta Geographica Sinica, 2023, 78(10): 2375-2391. DOI:10.11821/dlxb202310001 |
| [23] |
钱志权, 韩佳银. 长三角城市群新型城镇化与低碳发展耦合过程与机理[J]. 长江流域资源与环境, 2023, 32(11): 2285-2297. Qian Z Q, Han J Y. Coupling process and mechanism of new-type urbanization and low-carbon development in Yangtze River Delta Urban Agglomeration[J]. Resources and Environment in the Yangtze Basin, 2023, 32(11): 2285-2297. |
| [24] |
尹君锋, 石培基, 黄万状, 等. 甘肃省县域乡村振兴与新型城镇化耦合协调发展的时空分异特征及影响因素[J]. 自然资源学报, 2023, 38(8): 2148-2168. Yin J F, Shi P J, Huang W Z, et al. Spatiotemporal differentiation characteristics and influencing factors of coupling coordinated development of rural revitalization and new urbanization at the county level in Gansu province[J]. Journal of Natural Resources, 2023, 38(8): 2148-2168. |
| [25] |
赵杨, 王京, 潘为华. 中国省域新型城镇化水平与绿色发展水平的区域特征及其影响机制[J]. 经济地理, 2023, 43(9): 1-9. Zhao Y, Wang J, Pan W H. Regional characteristics and impact mechanisms of new urbanization and green development level in China at the provincial level[J]. Economic Geography, 2023, 43(9): 1-9. |
| [26] |
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. DOI:10.11821/dlxb202112016 |
| [27] |
曾刚, 陆琳忆, 何金廖. 生态创新对资源型城市产业结构与工业绿色效率的影响[J]. 资源科学, 2021, 43(1): 94-103. Zeng G, Lu L Y, He J L. Impact of ecological innovation on the economic transformation of resource-based cities[J]. Resources Science, 2021, 43(1): 94-103. |
| [28] |
童昀, 刘海猛, 马勇, 等. 中国旅游经济对城市绿色发展的影响及空间溢出效应[J]. 地理学报, 2021, 76(10): 2504-2521. Tong Y, Liu H M, Ma Y, et al. The influence and spatial spillover effects of tourism economy on urban green development in China[J]. Acta Geographica Sinica, 2021, 76(10): 2504-2521. DOI:10.11821/dlxb202110012 |
| [29] | 赵晓春, 龙来春, 周瑛. 绿色金融、政府干预与区域碳排放效率[J]. 统计与决策, 2023, 39(10): 149-154. |
| [30] |
董直庆, 王辉. 城市财富与绿色技术选择[J]. 经济研究, 2021, 56(4): 143-159. Dong Z Q, Wang H. Urban wealth and green technology choice[J]. Economic Research Journal, 2021, 56(4): 143-159. |
| [31] |
白梓函, 吕连宏, 赵明轩, 等. 中国对外直接投资的减污降碳效应及其实现机制[J]. 环境科学, 2022, 43(10): 4408-4418. Bai Z H, Lv L H, Zhao M X, et al. Pollution and carbon reduction effect of OFDI in China and its mechanism[J]. Environmental Science, 2022, 43(10): 4408-4418. |
| [32] |
邵帅, 李欣, 曹建华, 等. 中国雾霾污染治理的经济政策选择——基于空间溢出效应的视角[J]. 经济研究, 2016, 51(9): 73-88. Shao S, Li X, Cao J H, et al. China's economic policy choices for governing smog pollution-Based on spatial spillover effects[J]. Economic Research Journal, 2016, 51(9): 73-88. |
| [33] |
董直庆, 王辉. 市场型环境规制政策有效性检验——来自碳排放权交易政策视角的经验证据[J]. 统计研究, 2021, 38(10): 48-61. Dong Z Q, Wang H. Validation of market-based environmental policies: Empirical evidence from the perspective of carbon emission trading policies[J]. Statistical Research, 2021, 38(10): 48-61. |
| [34] |
王芳, 季健, 秦海鸥, 等. 技术创新对环境污染影响的空间分析——基于研发投入视角[J]. 生态经济, 2021, 37(7): 196-205. Wang F, Ji J, Qin H O, et al. Spatial analysis of the impact of technological innovation on environmental pollution: based on the perspective of R&D investment[J]. Ecological Economy, 2021, 37(7): 196-205. |
| [35] |
颜建军, 冯君怡, 陈彬. 中国城市生态基础设施对碳排放量的影响[J]. 生态学报, 2024, 44(2): 637-650. Yan J J, Feng J Y, Chen B. Research on the impact of urban ecological infrastructure on carbon emissions in China[J]. Acta Ecologica Sinica, 2024, 44(2): 637-650. |
| [36] |
陈峰, 杨艳艳, 张萍. 基于空间杜宾模型(SDM)的中国低碳发展溢出和调节效应实证研究[J]. 中国管理科学, 2024, 24(3). Chen F, Yang Y Y, Zhang P. Empirical study on spillovers and regulatory effects of low carbon development in China based on spatial durbin model (SDM)[J]. Chinese Journal of Management Science, 2024, 24(3). DOI:10.16381/j.cnki.issn1003-207x.2023.0671 |
| [37] |
郭艺, 曹贤忠, 魏文栋, 等. 长三角区域一体化对城市碳排放的影响研究[J]. 地理研究, 2022, 41(1): 181-192. Guo Y, Cao X Z, Wei W D, et al. The impact of regional integration in the Yangtze River Delta on urban carbon emissions[J]. Geographical Research, 2022, 41(1): 181-192. |
| [38] |
高煜昕, 高明. 中国"无废城市"发展水平的空间关联结构与影响机制[J]. 环境科学, 2024, 45(8): 4980-4992. Gao Y X, Gao M. Spatial correlation structure and influencing mechanism of development level of zero-waste cities in China[J]. Environmental Science, 2024, 45(8): 4980-4992. |
| [39] |
陈菡, 陈文颖, 何建坤. 实现碳排放达峰和空气质量达标的协同治理路径[J]. 中国人口·资源与环境, 2020, 30(10): 12-18. Chen H, Chen W Y, He J K. Pathway to meet carbon emission peak target and air quality standard for China[J]. China Population, Resources and Environment, 2020, 30(10): 12-18. |
| [40] |
谢锐, 陈严, 韩峰, 等. 新型城镇化对城市生态环境质量的影响及时空效应[J]. 管理评论, 2018, 30(1): 230-241. Xie R, Chen Y, Han F, et al. Research on influence and timespace effect of new-type urbanization on urban eco-environmental quality[J]. Management Review, 2018, 30(1): 230-241. |
| [41] |
古恒宇, 揭阳扬. 西方空间计量经济学研究进展[J]. 地理与地理信息科学, 2023, 39(6): 106-114. Gu H Y, Jie Y Y. Research progress in western spatial econometrics[J]. Geography and Geo-Information Science, 2023, 39(6): 106-114. |
| [42] |
杨玺, 孙奕生, 常世彦, 等. 加速能源转型与产业结构调整的环境健康协同效益评估: 以京津冀鲁地区为例[J]. 环境科学, 2023, 44(7): 3627-3636. Yang X, Sun Y S, Chang S Y, et al. Assessing the environmental and health co-benefits of accelerated energy transition and industrial restructuring: a case study of the BTHS region[J]. Environmental Science, 2023, 44(7): 3627-3636. |
| [43] | Shan Y L, Fang S, Cai B F, et al. Chinese cities exhibit varying degrees of decoupling of economic growth and CO2 emissions between 2005 and 2015[J]. One Earth, 2021, 4(1): 124-134. |
| [44] |
郑颖, 逯非, 刘晶茹, 等. 我国典型城市化石能源消费CO2排放及其影响因素比较研究[J]. 生态学报, 2020, 40(10): 3315-3327. Zheng Y, Lu F, Liu J R, et al. Comparative study on CO2 emissions from fossil energy consumption and its influencing factors in typical cities of China[J]. Acta Ecologica Sinica, 2020, 40(10): 3315-3327. |
| [45] |
邱立新, 袁赛. 政府干预、时空效应与典型城市碳减排[J]. 软科学, 2019, 33(5): 123-128. Qiu L X, Yuan S. Government intervention, time-space effects and carbon emission reduction of typical cities[J]. Soft Science, 2019, 33(5): 123-128. |
| [46] |
柳清瑞, 唐璐. 城镇化对能源消费的推拉效应及其影响因素——基于门槛效应模型的实证检验[J]. 资源科学, 2022, 44(5): 1022-1035. Liu Q R, Tang L. Push-pull effect of urbanization on energy consumption and its influencing factors: an empirical test with threshold effect model[J]. Resources Science, 2022, 44(5): 1022-1035. |
| [47] |
邵帅, 范美婷, 杨莉莉. 经济结构调整、绿色技术进步与中国低碳转型发展——基于总体技术前沿和空间溢出效应视角的经验考察[J]. 管理世界, 2022, 38(2): 46-69. Shao S, Fan M T, Yang L L. Economic restructuring, green technical progress, and low-carbon transition development in China: an empirical investigation based on the overall technology frontier and spatial spillover effect[J]. Management World, 2022, 38(2): 46-69. |