EN中文

自然资源学报 >

2025 , Vol. 40 >Issue 2: 330 - 349

DOI: https://doi.org/10.31497/zrzyxb.20250204

其他研究论文

大城市周边县域城镇空间结构优化的碳减排效应——基于人口空间分布的视角

  • 邹璇 ,
  • 杨旭
展开
  • 湖南大学经济与贸易学院，长沙 410079

邹璇（1973- ），男，湖南祁阳人，博士，教授，博士生导师，研究方向为空间经济学。E-mail:

收稿日期: 2024-04-01

  修回日期: 2024-06-13

  网络出版日期: 2025-01-23

基金资助

国家社会科学基金项目(23FJLB013)

湖南省自然科学基金项目(2022JJ30181)

收起

Carbon emission reduction effects of optimizing the urban spatial structure of counties around large cities: From the perspective of population spatial distribution

  • ZOU Xuan ,
  • YANG Xu
Expand
  • School of Economics and Trade, Hunan University, Changsha 410079

Received date: 2024-04-01

  Revised date: 2024-06-13

  Online published: 2025-01-23

Fold

摘要

进入城镇化新阶段，大城市周边县域迎来了重要发展机遇，同时也面临巨大的低碳发展压力。以地处东部三大城市群中心地带的143个县域为研究对象，结合多源空间大数据考察了城镇空间结构对碳排放强度的影响。研究发现：（1）城镇空间结构分散化对碳排放强度具有促增效应，一系列稳健性检验之后核心结论依然成立。（2）影响机制在于，城镇空间结构分散化通过挤占蓝绿生态空间、刺激私人交通需求及推动产业间异速增长三条渠道导致碳排放强度提高。（3）进一步讨论发现，城镇空间结构对碳排放强度的促增效应是核心区碳减排与边缘区碳增排的“净”效应；不同演化阶段下，城镇空间结构分散化对碳排放强度的影响存在边际递增；不同城市群中，城镇空间结构的最佳优化方式存在异质性。研究结果有助于大城市周边县域在持续挖掘城镇化潜力的同时保持甚至促进低碳发展，进而对其协调“城镇化”与“双碳”两大核心战略具有一定的理论和现实意义。

关键词： 大城市周边县域; 城镇空间结构; 结构优化; 碳减排; 人口分布

本文引用格式

邹璇 , 杨旭 . 大城市周边县域城镇空间结构优化的碳减排效应——基于人口空间分布的视角[J]. 自然资源学报, 2025 , 40(2) : 330 -349 . DOI: 10.31497/zrzyxb.20250204

Abstract

Entering a new stage of urbanization, counties around large cities face significant development opportunities and immense low-carbon development pressures. This study examines 143 counties in the central areas of three major urban agglomerations in eastern China, using Landscan population distribution data, nighttime light data, and EDGAR carbon emission data. By applying the instrumental variable method, we investigate the impact of urban spatial structure on carbon emission intensity and its optimization directions. The study reveals that: (1) Decentralization of urban spatial structure increases carbon emission intensity. For every 0.01 unit increase in decentralization, carbon emissions increase by about 0.13 thousand tons per billion GDP. This core conclusion holds after a series of robustness tests. Economically, compared to 2007, the decentralization of urban spatial structure in 2019 led to an additional 62.07 million tons of carbon emissions, accounting for 8.69% of the total carbon emissions. (2) The study verifies the impact mechanisms from the dimensions of land, transportation, and industry. Specifically, decentralization increases carbon emission intensity through the encroachment on blue-green ecological spaces, stimulation of private transportation demand, and driving inter-industry growth through heteroscale effects. (3) Further discussion reveals that the promoting effect of urban spatial structure on carbon emission intensity results from the "net" effect of carbon reduction in core areas and an increase in peripheral areas. The impact of decentralization on carbon emission intensity shows marginal growth at different evolutionary stages. The optimal optimization methods for urban spatial structure vary among different urban agglomerations: counties in the Beijing-Tianjin-Hebei region should leverage the leading role of core areas, counties in the Yangtze River Delta should moderately control peripheral expansion, and counties in the Guangdong-Hong Kong-Macao Greater Bay Area should synergize carbon reduction efforts from both core and peripheral areas. This study helps counties around large cities tap into urbanization potential while maintaining or promoting low-carbon development, offering theoretical and practical significance for balancing the core strategies of "urbanization" and "dual carbon" goals.

Key words： counties around large cities; urban spatial structure; structural optimization; carbon reduction; population distribution

2023年末，中国常住人口城镇化率为66.16%，大规模、无差别的城镇化将告一段落，需要进入“基于区位分工”的新阶段，而近年来人口向大城市及其周围地区集聚的态势正在不断加强（根据第六次与第七次全国人口普查数据，相比于2010年，2020年27个县域城镇人口增量超过25万，29个县域吸引省外人口增量超过5万，分别有17个和21个位于东部三大城市群）[1]。2022年5月，中共中央办公厅、国务院办公厅颁布了《推进以县城为重要载体的新型城镇化建设意见》，其中明确提出，“加快发展大城市周边县城”。党的“二十大”报告强调，“以城市群、都市圈为依托构建大中小城市协调发展格局，推进以县城为重要载体的城镇化建设”。大城市周边县域作为承接邻近大城市人口、产业以及功能疏解转移的重要空间，必然要求修建更多住房、承接更多产业以及提供更完善的基础设施。如此一来，不仅原属于大城市的碳排放会向其流入，而且自身城镇化建设也会引发工业、交通、建筑和土地利用等方面的碳排放进一步激增。在上述背景下，大城市周边县域需要妥善协调城镇化要“速度”与“双碳”目标要“低碳”的发展矛盾。
已有文献发现碳排放水平较高的县域主要分布在省会城市及其周边地区，并以京津冀、长三角和珠三角城市群最为集中[2]。现有文献一般围绕经济增长、产业结构、多维城镇化等，仅从一般意义上探究了县域碳排放的影响因素[3]，尚未紧扣住大城市周边县域的发展痛点。特别是进入城镇化新阶段，在人口流动规律及政策助力的双轮驱动下，大城市周边县域的城镇化前景明朗。所有城镇功能的实现都需要一定的空间，土地利用规划和基础设施投资决策等对城镇空间结构无疑均具有深远影响[4]。据此，本文聚焦于城镇空间结构的视角，拟要回答的核心问题是：什么样的城镇空间结构有利于大城市周边县域碳减排?内在机制是什么?如何因地制宜地优化?回答上述问题，有助于大城市周边县域转变照搬城市的开发建设模式，进而在持续挖掘城镇化潜力的同时保持甚至促进低碳发展。
城镇空间结构是指城镇组成部分的布局，它是人类活动改造自然环境的客观结果。随着技术和市场等的碳减排空间逐渐压缩，良好的城市空间发展规划已被视为最具潜力的碳减排途径之一[5]。准确界定“城镇实体空间”及测度“城镇空间结构”是开展研究的基础。“城镇实体空间”是指按照城镇的特征形态来界定一个城乡空间边界，代表着城镇空间的实际范围[6]。“城镇实体空间”可从人口分布、土地利用或功能分区等多个视角界定[7]。人是城镇化的核心要素，人口分布视角界定“城镇实体空间”能够直接反映城镇化的基本特征，已被众多研究所采纳[8]。进而，基于人口分布视角，测度“城镇空间结构”的研究可分为两类。一类采用人口普查或年鉴数据，基于帕累托指数等进行测度[9]。在县域内部等较小的地理尺度上，普查或年鉴数据难以获取人口的细化分布情况。因此另一类转向了LandScan人口分布数据或夜间灯光数据等，基于人口分布变异指数、郊区化指数等进行测度[10,11]。近年来，此类研究已经渗透到县域和镇级等层面[12]，为本文奠定了坚实基础。
部分文献关注到了城镇空间结构与碳排放的关系，根据研究视角的差异可分为两类。一类研究将城镇实体空间视为连续的整体，关注人口密度、紧凑程度或蔓延程度等对碳排放的影响[13]。上述研究能够在整体层面对城镇空间结构的发展方向提供参考，但“整体”层面的集聚经济/不经济，并不代表“局部”层面的发展状态。即使是人口密度、紧凑程度或蔓延程度相同的地区，其内部城镇空间结构也可能完全不同 ① [14]。另一类研究将城镇实体空间视为非连续的整体，关注中心均衡度、人口基尼系数等对碳排放的影响[15,16]。虽然多中心视角对城镇空间结构的刻画较为细致，但是更宜针对大中城市展开探讨。出于人口规模和地理尺度的考虑，其可能并不适用于大城市周边县域。因此，将大城市周边县域的城镇实体空间视为连续的整体，从理论与实证层面深入探讨城镇空间结构“整体”和“局部”变动与碳排放的关系，不仅能够扩展城镇空间结构的研究视野，而且对大城市周边县域具有重要的现实意义。
本文的边际贡献体现在：第一，深化了城镇空间结构对碳排放强度影响的理论分析。深入城镇实体空间内部，将其划分为“核心区”与“边缘区”，进而深入挖掘了挤占蓝绿生态空间、刺激私人交通需求以及推动产业间异速增长三条影响机制，有助于深入认识二者之间的内在客观规律。第二，拓展了大城市周边县域落实“双碳”目标的思路。从城镇空间结构这一独特视角入手，回答了大城市周边县域“未来应发展什么样的城镇空间结构以及如何发展”的问题，对其在城镇化进程中保持低碳发展具有特殊意义。第三，有助于完善多维地理尺度的“双碳”目标部署。以往碳减排的研究一般集中在省域、城市群、城市或市辖区等尺度，特色化程度有待加深。本文首次尝试将碳减排的研究尺度细化到大城市周边县域，有助于引起政策界和学术界对特殊地理尺度上碳减排问题的关注。

1 理论分析与研究假说

基于人口分布视角 ② ，图1简要展示了城镇实体空间（以阴影表示）及城镇空间结构（以阴影的差异表示）。可见，两个地区的“城镇实体空间”范围内有相同的总人口和人口密度，地区1人口平均分布（未形成明显核心区），地区2人口非平均分布（存在核心区与边缘区 ③ ）。基于上述背景，本文挖掘了城镇空间结构分散化提高碳排放强度的三条渠道。
图1 城镇空间结构的示意简图

Fig. 1 Schematic diagram of urban spatial structure

第一，城镇空间结构分散化通过挤占蓝绿生态空间从而提高碳排放强度。城镇空间结构分散化的特征表明新增建设用地（发展空间）以外延式扩张为主，而内涵式优化较少。本文测度表明，2007—2019年大城市周边县域的城镇核心区年均扩张率仅为1.7%，而边缘区高达4.8%。Alonso-Mills-Muth模型表明，当建设用地价格高于生态用地时，生态用地就会向建设用地转化[17]。因此，边缘区扩张可能提高了建设用地 ④ ，并以挤出林地、草地或湿地等生态用地为代价。土地利用是仅次于化石燃料的第二大碳源，对碳排放的贡献达到14%，其利用与配置方式无疑对碳排放产生重要影响[18]。首先，生态用地向建设用地的转化降低了植被和土壤的固碳能力。例如，砍伐林木、侵占湿地等减少了植物生物量和植被的碳储存量，同时也改变了土壤有机物输入和土壤条件，降低了土壤的固碳能力[19]。其次，边缘区建设用地快速扩张导致劳动—土地、资本—土地愈发偏离最优配置水平，难以实现集约生产优势，导致人为碳排放增加。李治国等[20]的研究指出，低密度分散型的土地城镇化容易导致资源浪费和生产率低下，从而对碳排放产生促增效应。
第二，城镇空间结构分散化通过刺激私人交通需求从而提高碳排放强度。城镇空间结构分散化的特征表明核心区集聚水平不足，而边缘区扩张程度较大。一方面，随着部分企业、居民或政府机构等向边缘区落户或迁移，道路基础设施也倾向于向外延伸以便提供更好的公共服务。另一方面，边缘区扩张程度较大意味着城镇实体空间的范围扩大，人口和企业等的布局更加分散，一定程度上延长了人们生活和工作的活动半径。因此，在相对完善的道路基础设施以及活动半径延长的双重作用下，城镇空间结构分散化可能刺激了私人交通需求。现有文献已经充分论证了私人交通需求是促增碳排放强度的重要原因。林伯强等[21]基于公共交通与私人交通的替代关系，认为公共交通更有效率，体现在更多的客运量和更少的能源消费；孙传旺等[22]的实证表明，城市机动车保有量对空气污染具有显著的正向贡献；姚洪江等[23]认为，设计碳减排方案时需要重视公共交通的普及，尤其将私人交通需求引至更加清洁的公共交通上。
第三，城镇空间结构分散化通过推动产业间异速增长从而提高碳排放强度。城镇空间结构分散化的本质是要素（人口和土地）空间分布的变化，这为工业和服务业提供了不同的外部发展条件。一方面，在核心区集聚尚不充分的背景下，空间结构的分散化过早地稀释了核心区的人口，短期内边缘区又难以形成集聚优势，导致人口密度下降 ⑤ 。而绝大多数服务业（特别是生活型服务业）需要面对面交易，因此分散化可能抑制了以人口密度为依托的服务业增长潜力[24]。另一方面，边缘区扩张背景下工业用地供给增多，工业用地供需失衡驱动土地价格下降[25]。土地成本的降低削弱了选择效应，提高了对要素价格敏感的低效率工业企业的进入比例，可能导致过度的低端工业发展[26]。而且，在建设用地供应总量约束下，空间结构分散化可能造成工业用地挤占商住用地[27]，导致商住用地的实际供应不足，从而限制服务业发展空间。因此，以上相反的力量不仅导致服务业低于自身潜在增速，并且滞后于工业增速，最终导致工业占比较高。不同产业碳排放差异极大 ⑥ ，邵帅等[28]认为，第二产业提高了碳排放强度，这与其具有高投入、高能耗和高排放等特征密切相关。林伯强[29]指出，降低碳排放强度的关键是提升第三产业占比，同时抑制第二产业尤其是高耗能行业的发展。

2 研究设计与数据来源

2.1 选取大城市周边县域

2022年5月，《推进以县城为重要载体的新型城镇化建设意见》中首次提到“大城市周边县城”的概念[1]。本文根据《京津冀协同发展规划纲要》《长江三角洲区域一体化发展规划纲要》《粤港澳大湾区发展规划纲要》的规定，选取地处京津冀城市群核心功能区、长三角城市群中心区和珠三角城市群中心区（即粤港澳大湾区）的县域作为本文研究的“大城市周边县域”，共计143个 ⑦ 。依据如下：
（1）从人口规模和经济体量的角度，东部三大城市群是中国“大城市”分布最密集的地区。2023年，北京、天津、上海、南京、杭州、合肥、苏州、广州、深圳、佛山和东莞属于人口超大城市或特大城市 ⑧ ，再加上无锡、常州、南通、宁波，共15个城市的GDP进入“万亿俱乐部”。（2）从经济联系的角度，本文所选县域与“大城市”关联密切。根据高德地图实时路径规划数据 ⑨ ，上述县域到最近大城市的平均驾车距离为149.64 km，34%的县域在100 km以内，42%介于100~200 km，20%介于200~300 km ⑩ 。已有研究表明，当大城市辐射范围在0~300 km时，大城市与外围地区的经济发展存在收敛趋势[30]。（3）其他城市群中，大城市“一城独大”现象可能更明显。例如，武汉作为中部地区的中心城市，其周边绝大部分县域还处于被虹吸的状态，城镇化水平较低且碳排放问题尚不凸显，可能未到探讨城镇空间结构优化以促进碳减排的阶段。因此，为了样本具有足够的代表性和说服力，仅选取了地处东部三大城市群中心地带的县域。

2.2 城镇空间结构指数的计算

本文在界定“城镇实体空间”的基础上划分“核心区”与“边缘区”。具体而言：基于LandScan人口空间分布数据，借鉴相关研究[6,8,31]，将城镇实体空间的人口密度标准确定为1000人/km2。同时，大城市周边县域内部可能有人口规模较大的农村，因此选取夜间灯光亮度值大于1000修正上述识别结果，以排除“乡村型”聚居点的干扰。在此基础上，将4000人/km2作为城镇核心区与边缘区的划分依据[6,32]。图2展示了2019年部分县域的识别结果。
图2 县域“城镇实体空间”识别结果示例

Fig. 2 Example of identification results for "Urban Physical Space" in counties

进而，根据图3所示的测度步骤，通过核心区与边缘区的相对变化来刻画城镇空间结构。参考刘修岩等[31]的研究，计算过程如式（1）所示：
S t r u c = S P × S A
式中：Struc是城镇空间结构指数，其值介于0~1之间，其值越大说明城镇空间结构越分散；SP表示核心区与边缘区的人口数量比例变化，SP=0.5×(POPedge-POPcenter)+0.5；POPedge是城镇边缘区的人口数量占全县总人口（包括非城镇区）的比例；POPcenter是城镇核心区的人口数量占全县总人口的比例；SA表示核心区与边缘区的面积比例变化，SA=0.5×(AREAedge-AREAcenter)+0.5；AREAedge是边缘区面积占全县总面积（包括非城镇区）的比例；AREAcenter是核心区面积占全县总面积的比例。
图3 城镇空间结构的测度步骤

Fig. 3 Measurement steps of urban spatial structure

2.3 模型构建

2.3.1 基准模型

为检验城镇空间结构对碳排放强度的影响，构建模型如式（2）所示：
C i i t = C + β S t r u c i t + ∑ k = 1 n γ k X k i t + ∑ p = 1 n σ p S p i t + μ i + ϑ t + ε i t
式中：Ciit表示i县第t期的碳排放强度；Strucit表示i县第t期的城镇空间结构；Xkit表示i县第t期的第k个控制变量，具体包括：（1）城镇化水平，基于LandScan人口分布数据，以城镇人口占总人口比例表示。较高的城镇化率代表人口和产业集聚，可能带来碳排放增加，但同时也产生共享、匹配和学习等外部性有利于碳减排。（2）经济水平，以人均地区生产总值表示。低收入水平的地区往往采用高碳生产方式拉动经济增长，因此高收入可能意味着高排放。（3）工业水平，以工业增加值占GDP比例表示。工业生产需要消耗大量能源，对碳排放具有较大影响。（4）外商投资，以外商直接投资占GDP比例表示。外商直接投资常常伴随着先进技术和管理经验的转移，但也可能存在“污染避难所”现象。（5）财政压力，以财政预算内支出与预算内收入之比表示。财政压力可能影响政府在环保支出或监管等方面的表现。（6）金融支持，以金融机构各项贷款额占GDP比例表示。良好的金融支持有助于激励企业使用清洁能源或采纳低碳技术。（7）居民储蓄，以居民储蓄存款额占GDP比例表示。较高的储蓄率可能代表较低的消费（包括能源消费）倾向，目的是控制家庭经济行为的影响。（8）粮食产量，以粮食总产量表示，尽可能排除农业生产的影响。同时，在基准模型中加入了县域特征变量，以SPit表示。具体包括：（1）行政类型特征。以是否为县级市表示。（2）气候特征。气温是影响碳循环过程的关键因素之一，以各县域1月份平均气温 ⑪ 表示。（3）文化特征。文化因素可能影响新技术的接受和采纳情况，以截至2022年各县域的宗教场所数量 ⑫ 表示。（4）区位特征（Time），以各县域驾车到最近大城市的时间 ⑬ 表示。μi为城市群固定效应 ⑭ ；ϑt为时间固定效应；C为常数项；β、γk、σp均为待估参数；εit为误差项。

2.3.2 内生性处理

碳排放强度一般难以反向影响城镇空间结构的发展走向，由此引发的内生性问题较小。虽然在基准回归中尽可能地处理了遗漏变量偏误，但难以完全排除一些未观测因素的干扰，因此这可能是内生性的潜在来源。为此，采用工具变量法（IV）进行因果效应识别，创新性地构建了1985年的城镇空间结构（Struc1985）这一历史因素作为工具变量。一方面，1984年10月党的“十二届三中全会”通过了《关于经济体制改革的决定》，标志着改革的重点开始由农村转向城市和整个经济领域。1985年作为开局之年，当时的城镇空间结构不仅是以往发展的结果，更是之后发展的基础，研究期间可能有历史深刻的烙印。另一方面，1985年与研究期相隔了20余年，其间中国经济飞速发展，并伴随着城镇化进程的加速。因此Struc1985的影响可能已经边际递减甚至趋于消失，不太可能对研究期的碳排放强度产生直接影响，从而能够较好地满足外生性要求 ⑮ 。参考梁若冰等[11]的方法，基于夜间灯光数据测度工具变量。县域范围的灯光亮度介于0<DN≤6300，本文选择4000<DN≤6300的区域为城镇核心区，1000<DN≤4000的区域为城镇边缘区。计算如式（3）所示：
S t r u c 1985 = ∑ y e a r = 1984 1986 S L y e a r × S A y e a r / 3
式中：Struc1985是1984—1986年的均值，以避免单一年份异常值的影响，Struc1985介于0~1之间；SL与SA表示核心区与边缘区的灯光亮度值或面积比例变化，其计算与式（1）相同。最后，将Struc1985与时间交乘，保证工具变量在时间维度上的变化。

2.4 数据来源

本文时间跨度为2007—2019年。2020年开始了新型冠状病毒肺炎疫情，居家隔离等举措对人口空间分布产生了显著影响[12]，难以客观反映正常状态下的城镇空间结构，因此研究期截至2019年。数据来源如下：（1）碳排放强度（Ci）为二氧化碳排放量与国内生产总值之比。二氧化碳数据来源于荷兰环境评估机构的全球大气研究排放数据库（EDGAR， https://edgar.jrc.ec.europa.eu/），本文逐年提取了研究对象的碳排放数据。（2）人口空间分布数据来源于美国橡树岭实验室发布的LandScan全球人口分布网格数据（https://landscan.ornl.gov/），分辨率为1 km×1 km。（3）夜间灯光数据来自国家青藏高原数据中心（https://data.tpdc.ac.cn/zh-hans/data/e755f1ba-9cd1-4e43-98ca-cd081b5a0b3e），分辨率为1 km×1 km。（4）控制变量来源于《中国区域统计年鉴》《中国城乡建设统计年鉴》及EPS数据库（https://www.epsnet.com.cn/index.html#/Index）。回归时对非比值类变量取对数处理。主要变量的描述性统计如表1所示。
表1 主要变量的描述性统计

Table 1 Descriptive statistics of main variables

名称 符号 单位 样本量/个 均值 标准差 最小值 最大值
碳排放强度 Ci 万t/亿元 1859 2.397 1.700 0.108 17.394
城镇空间结构 Struc — 1859 0.518 0.057 0.331 0.709
历史城镇空间结构 Struc1985 — 1859 1138.027 25.403 1037.602 1159.981
城镇化水平 Urban — 1859 0.414 0.234 0.044 0.874
经济水平 Rgdp 万元 1859 5.467 4.602 0.737 23.725
工业水平 Industy — 1859 0.493 0.108 0.204 0.710
外商投资 Fdi — 1859 0 0.002 0 0.065
财政压力 Fiscal — 1859 2.409 1.616 0.620 17.696
金融支持 Loan — 1859 0.710 0.384 0.041 3.158
居民储蓄 Save — 1859 0.737 0.315 0.041 2.426
粮食产量 Agricul 万t 1859 28.986 24.950 0.010 142.527
行政类型 Admin — 1859 0.392 0.488 0 1.000
气候特征 Temper ℃ 1859 -2.581 3.873 -13.226 8.612
文化特征 Culture 个 1859 38.839 74.578 1.000 587
区位特征 Time 小时 1859 2.491 1.543 0.627 7.650

3 结果分析

3.1 基准回归

表2是基准回归结果，为避免极端值的干扰，对被解释变量采取了上下1%的缩尾处理。第（1）列仅加入了控制变量，第（2）列加入了四个县域特征变量，第（3）列继续加入了双重固定效应，Struc的回归系数显著且持续下降，说明剥离了一系列干扰因素之后，城镇空间结构分散化仍然促增了碳排放强度。如前所述，OLS模型可能存在遗漏变量，因此第（4）~（6）列展示了基于IV模型的回归结果。可见，第一阶段回归系数在1%水平下显著为正，符合前文的理论预期。Kleibergen-Paap rk LM统计量的P值为0.000，拒绝不可识别的原假设；第一阶段F值大于10，拒绝“存在弱工具变量”的原假设。
表2 基准回归结果

Table 2 Baseline regression results

（1）
Ci
OLS		 （2）
Ci
OLS		 （3）
Ci
OLS		 （4）
Ci
IV		 （5）
Ci
IV		 （6）
Ci
IV
Struc 10.317***
(1.094)		 7.051***
(1.101)		 4.191***
(1.248)		 15.588***
(4.223)		 15.596***
(5.462)		 13.102**
(6.512)
控制变量 是 是 是 是 是 是
县域特征 否 是 是 否 是 是
城市群固定 否 否 是 否 否 是
时间固定 否 否 是 否 否 是
第一阶段系数 0.001***
(0.000)		 0.001***
(0.000)		 0.001***
(0.000)
Kleibergen-Paap rk LM 17.878***
(0.000)		 18.677***
(0.000)		 11.183***
(0.000)
第一阶段F值 15.353 20.291 14.347
Obs/个 1823 1823 1823 1823 1823 1823
R2 0.600 0.651 0.702 0.561 0.574 0.305

注：***、**分别表示回归系数在1%、5%的水平上显著；括号内是聚类到县域层面的稳健标准误；Kleibergen-Paap rk LM统计量的括号内为P值。下同。

在工具变量选取合理的基础上，第（4）~（6）列Struc的回归系数最低仍在5%水平上显著为正。相比于第（3）列，第（6）列Struc的回归系数增大了约3倍。说明OLS可能会低估Struc的促增效应，因此后文重点采用IV进行因果关系识别。从经济意义上来看，Struc每提高1个单位，每亿元GDP约多产生13.1万t碳排放。按照可比价计算，相比于2007年，2019年由此多产生了约6207万t碳排放，约可以解释当年143个县域碳排放总量的8.69%。

3.2 稳健性检验

3.2.1 “近似外生”工具变量下的稳健推断

一般而言，工具变量的相关性较为容易满足，但外生性难以直接展开检验。为此，本文采用Conley等[35]提出的置信区间集合法（UCI）讨论工具变量估计结果的稳健性。具体地，假设工具变量（Struc1985）“近似外生”，可根据其对碳排放强度回归系数δ的先验信息构造出Struc回归系数的置信区间。选取参数δ可能的取值范围为 [0,0.008] 或 [-0.008, 0.008]⑯ ，95%水平下Struc回归系数的置信区间如图4所示。可见，随着δ取值愈发偏离0值，Struc1985违背“严格外生”假定的程度逐渐增强，但Struc的回归系数一直在95%的置信水平下为正数，说明核心结论较为稳健。
图4 Struc回归系数95%水平下的稳健置信区间

Fig. 4 Robust confidence intervals of Struc estimation coefficients

3.2.2 核心变量的稳健性

第一，替换核心解释变量。（1）参考Henderson等[14]的方法计算人口分布的变异程度 ⑰ （PPD），数值越大表明越集聚。（2）采用赫芬达尔指数 ⑱ （HHI）反映城镇空间结构差异[12]，取值范围为 [0,1]，越趋近1表示越集聚。以上述两个指标为自变量的结果见表3第（1）~（2）列，lnPPD及HHI的回归系数均显著为负，说明集聚的空间结构会降低碳排放强度。这一结果不仅与核心结论的内涵保持一致，而且是从新的视角的印证和强化。第二，替换被解释变量。（1）采用人均碳排放量（lnRemss）当作被解释变量。（2）使用CEADs碳排放数据，重新计算碳排放强度（CiCEADs）。结果见表3第（3）~（4）列，Struc的回归系数均显著为正，说明本文核心结论基本不受碳排放强度衡量视角及数据来源的威胁。
表3 核心变量的稳健性

Table 3 Robustness of core variables

（1）
Ci		 （2）
Ci		 （3）
lnRemss		 （4）
CiCEADs
lnPPD -1.627*
(0.887)
HHI -5.808**
(2.750)
Struc 4.419**
(2.075)		 28.208**
(10.316)
控制变量 是 是 是 是
县域特征 是 是 是 是
城市群固定 是 是 是 是
时间固定 是 是 是 是
Kleibergen-Paap rk LM 9.723***
(0.001)		 16.432***
(0.000)		 9.641***
(0.008)		 11.223***
(0.001)
第一阶段F值 15.555 20.671 11.859 13.715
Obs/个 1823 1823 1823 1784

注：控制变量及县域特征变量与基准回归一致；*表示回归系数在10%的水平上显著。下同。

4 影响机制

更深入的问题是，城镇空间结构分散化如何促增碳排放强度?为验证理论分析的内容，本文进一步探究了影响机制。为避免传统中介效应模型可能带来的估计偏误，借鉴已有研究[36]的思路，通过观测核心自变量对中介变量的影响进行机制检验。

4.1 挤占蓝绿生态空间

基于中国年度土地覆盖数据（CLCD），本文拟探究不透水层（Impervious）和蓝绿空间（Ecology）的占比变化，蓝绿空间包括林地、草地、灌木、水域和湿地。同时，采用MODIS的归一化植被指数（NDVI） ⑲ 及CEADs提供的县域陆地植被固碳量（Seques）数据，以探究植被覆盖度和固碳量的变化。机制检验结果如表4所示。
表4 挤占蓝绿生态空间机制

Table 4 Mechanism of crowding out blue-green ecological spaces

（1）
Impervious		 （2）
Ecology		 （3）
NDVI		 （4）
lnSeques
Struc 1.921***
(0.593)		 -13.172***
(3.619)		 -4.184***
(1.388)		 -20.098***
(4.996)
控制变量 是 是 是 是
县域特征 是 是 是 是
城市群固定 是 是 是 是
时间固定 是 是 是 是
Kleibergen-Paap rk LM 9.641***
(0.002)		 7.046***
(0.008)		 9.641***
(0.002)		 7.046***
(0.008)
第一阶段F值 11.859 32.565 11.859 32.565
Obs/个 1859 1859 1859 1859
第（1）列Struc的回归系数在1%水平上显著为正，说明分散化促进了建设用地外延式扩张，这符合现实情况。第（2）列Struc的回归系数在1%水平上显著为负，说明分散化降低了蓝绿空间占比。第（1）~（2）列的回归结果印证了上文理论分析的内容，即分散化背景下新增建设用地以外延扩张为主，并以挤占蓝绿空间为代价。进一步地，第（3）列Struc的回归系数在1%水平上显著为负，结合第（2）列的结果可知，分散化不仅挤占了蓝绿生态空间，同时也降低了植被覆盖程度，这对植被/土壤固碳量的制约作用更直接。第（4）列Struc的回归系数在1%水平上显著为负，为分散化降低植被固碳量提供了更细致的证据，并与第（1）~（3）列实证结果的内涵一致。总体而言，本文实证检验了城镇空间结构分散化以牺牲蓝绿空间为代价，进而降低了植被覆盖度和固碳量。结合前文理论分析，可以说明挤占蓝绿生态空间是机制之一。

4.2 刺激私人交通需求

中国城市温室气体工作组公布的数据显示，2020年道路碳排放占交通碳排放（道路、铁路、水运和航空）的比例为84.55%，占碳排放总量的比例为6.45%，2005年上述比例分别为84.33%和4.99%。可见，道路碳排放不仅是交通碳排放的主要组成部分，而且占碳排放总量的比例呈现上升趋势，私人交通需求是重要原因[23]。为此，本文计算了各县域路网密度（Road_NET）、人均道路面积（Road_PER）以及人均民用汽车拥有量（Car_PER）的数据。同时基于2015年的全国1%人口抽样调查，获取了自驾车前往工作地所需的平均通勤时间（Commute_TIME）的截面数据。机制检验结果如表5所示。
表5 刺激私人交通需求机制

Table 5 Mechanism stimulating private transportation demand

（1）
Road_NET		 （2）
Road_PER		 （3）
Car_PER		 （4）
lnCommute_TIME
Struc 18.627**
(7.106)		 246.940**
(96.272)		 1.112*
(0.615)		 1.344*
(0.862)
控制变量 是 是 是 是
县域特征 是 是 是 是
城市群固定 是 是 是 是
时间固定 是 是 是 否（截面数据）
Kleibergen-Paap rk LM 8.820*
(0.093)		 9.710***
(0.002)		 29.973***
(0.000)
第一阶段F值 9.232 12.126 14.193
Obs/个 1248 515 1140 136
首先，完善的道路基础设施将刺激私人交通需求。第（1）~（2）列Struc的回归系数均在5%水平上显著为正，说明分散化促进了道路基础设施更加完善。道路扩建可能是为了减少交通拥堵带来的碳排放，但已有研究发现其导致了总交通量上升反而不利于碳减排[37,38]。其次，为了更直接地论证分散化对私人交通需求的影响，第（3）列展示了Struc对人均民用汽车拥有量的回归结果。Struc的回归系数在10%水平上显著为正，表明分散化显著增加了居民使用私家车出行的需求。最后，私人交通需求也体现在出行时间上。第（4）列Struc的回归系数在10%的水平上显著为正，说明分散化的确提高了通勤时间。总体而言，城镇空间结构分散化带来了道路基础设施建设更加完善，同时人均民用汽车拥有量更多，并且平均通勤时间更长，一定程度上说明其刺激了私人交通需求。结合前文的理论分析，可以证实刺激私人交通需求是机制之一。

4.3 推动产业间异速增长

借鉴郭旭等[39]的方法，本文构建产业间异速增长指数 ⑳ （Allometry），思路是以第二产业增加值（从业人员）的变动率作为参考，得到第三产业增加值（从业人员）的相对变动率。Allometry数值越大，说明相比第二产业，第三产业增加值（从业人员）的增速越快。机制检验结果如表6所示。第（1）~（2）列是分别基于产业增加值（Allometry_VA）和从业人员（Allometry_EP）视角的回归结果。Struc的回归系数均在5%水平上显著为负，说明无论基于何种视角，城镇空间结构分散化均导致了第三产业相比第二产业的增速降低。
表6 推动产业间异速增长机制

Table 6 Mechanism promoting allometric growth among industries

（1）
Allometry_VA		 （2）
Allometry_EP		 （3）
Power_PER
Struc -0.766**
(0.264)		 -1.893**
(0.946)		 14.654*
(7.910)
控制变量 是 是 是
县域特征 是 是 是
城市群固定 是 是 是
时间固定 是 是 是
Kleibergen-Paap rk LM 9.907***
(0.007)		 12.919***
(0.001)		 9.641***
(0.002)
第一阶段F值 12.372 12.095 11.859
Obs/个 1823 881 1859
进一步思考，依据林伯强[29]的测度结果，中国能源电力消费主要集中在第二产业（67.7%），高耗能行业占比尤其突出（2019年49.4%）。若城镇空间结构分散化导致第二产业的增速更快，那么其也会提高能源电力消费。为此，本文根据Chen等[40]提供的1 km×1 km分辨率的用电量栅格数据，计算得到了县域人均用电量指标（Power_PER），表6第（3）列展示了以此为因变量的回归结果。Struc的回归系数在10%水平上显著为正，说明城镇空间结构分散化提高了人均用电量水平，这与第（1）~（2）列回归结果的内涵保持一致。进而结合上文理论分析，可以证实推动产业间异速增长是其机制之一。

5 进一步讨论

上文详细论述了城镇空间结构优化的必要性及其内在规律，接下来对如何优化城镇空间结构展开进一步讨论。

5.1 核心区集聚与边缘区扩张的异质性

为进一步认识城镇空间结构与碳排放强度的关系，本文构建了核心区占比（Agg_center）与边缘区占比（Exp_edge） ㉑ 两个指标，其值越大代表相应的占比越高，以其为自变量的回归结果见表7第（1）~（2）列。第（1）列lnAgg_center的回归系数在5%水平上显著为负。Agg_center每提高1%，每亿元GDP约少产生433 t碳排放，说明核心区占比提高具有碳减排效应。第（2）列lnEXP_edge的回归系数在1%水平上显著为正。EXP_edge每提高1%，每亿元GDP约多产生272 t碳排放，说明边缘区占比提高具有碳增排效应。
表7 核心区集聚与边缘区扩张的异质性

Table 7 Heterogeneity of agglomeration in core areas and expansion in peripheral areas

（1）
Ci		 （2）
Ci		 （3）
Ci		 （4）
Ci		 （5）
Ci		 （6）
Ci
标准识别条件 提高识别条件 降低识别条件
lnAgg_center -4.333**
(2.023)		 -4.369**
(2.000)		 -4.049**
(1.951)
lnExp_edge 2.717***
(0.739)		 2.782***
(0.773)		 2.305***
(0.608)
控制变量 是 是 是 是 是 是
县域特征 是 是 是 是 是 是
城市群固定 是 是 是 是 是 是
时间固定 是 是 是 是 是 是
Kleibergen-Paap rk LM 9.739*
(0.053)		 11.474*** (0.001) 9.973**
(0.046)		 11.522***
(0.001)		 9.675*
(0.055)		 12.753***
(0.000)
第一阶段F值 12.779 13.731 13.131 14.264 12.729 14.816
Obs/个 1704 1823 1716 1823 1692 1823
通过比较二者的边际效应发现，核心区占比提高1%所带来的碳减排效应，大约可抵消掉边缘区占比提高1.6%所带来的碳增排效应。然而，快速城镇化进程中，边缘区扩张速度远快于核心区，最终导致分散化的“净”表现为边缘区的碳增排效应。因此，本文想表达的城镇空间结构优化并非只强调发展核心区、不发展边缘区，而是兼顾核心区集聚与边缘区扩张的动态平衡，进而实现在城镇化进程中保持甚至促进低碳发展。为增强结论的可信度，提高/降低了“城镇实体空间”的识别条件㉒(㉒对人口密度、夜间灯光亮度、核心区与边缘区的临界值进行修改：第一，降低为800人/km2、800人/km2与3800人/km2；第二，提高为1200人/km2、1200人/km2与4200人/km2。)进行了稳健性检验，结果见第（3）~（6）列，与第（1）~（2）列保持一致，结论较为稳健。

5.2 不同演化阶段下城镇空间结构影响的异质性

承接上文，随着核心区与边缘区的相对变化，城镇空间结构的边际效应是否会存在显著差异?从式（1）可知，当Struc≤0.5时，为“核心区主导”；当Struc>0.5时，为“边缘区主导”。因此选取Struc=0.5作为临界值进行检验，结果如表8所示。
表8 城镇空间结构演化阶段的异质性

Table 8 Heterogeneity in stages of urban spatial structure evolution

（1）
Ci		 （2）
Ci		 （3）
Ci		 （4）
Ci		 （5）
Ci		 （6）
Ci
标准识别条件 提高识别条件 降低识别条件
Struc
（核心区主导）		 11.219***
(3.987)		 21.178***
(6.117)		 18.433***
(5.952)
Struc
（边缘区主导）		 27.585***
(7.120)		 35.286***
(12.587)		 23.356***
(7.601)
控制变量 是 是 是 是 是 是
县域特征 是 是 是 是 是 是
城市群固定 是 是 是 是 是 是
时间固定 是 是 是 是 是 是
Kleibergen-Paap rk LM 12.264***
(0.000)		 17.431***
(0.000)		 13.663***
(0.001)		 16.805***
(0.000)		 12.322***
(0.000)		 18.774***
(0.000)
第一阶段F值 13.543 16.153 14.560 15.602 12.928 16.817
Obs/个 660 1163 949 874 525 1298
第（1）~（2）列Struc的回归系数均在1%水平上显著为正，系数大小却有明显区别。当处于“核心区主导”时，分散化程度每提高1个单位，每亿元GDP约多产生11.21万t碳排放；而当处于“边缘区主导”时，分散化程度每提高1个单位，每亿元GDP约多产生27.59万t碳排放。说明随着演化阶段的递进，城镇空间结构对碳排放强度的影响存在边际递增。究其原因，这种边际递增正是由于边缘区扩张速度过快，核心区集聚速度过慢，边缘区碳增排效应愈发占据主导地位而产生的。因此，若城镇空间结构处于边缘区主导，其优化方式不仅要兼顾核心区集聚与边缘区扩张的动态平衡，还应当适度加快核心区集聚的速度。此外，第（3）~（6）列是提高/降低“城镇实体空间”识别条件的结果，与第（1）~（2）列保持一致，结论较为稳健。

5.3 不同城市群城镇空间结构优化方式的异质性

基于以上分析，城镇空间结构优化存在促进核心区集聚以及控制边缘区扩张两种方式。在不同地区，应该具体采用何种优化方式?为此，本文将样本分为京津冀、长三角和珠三角城市群进行回归，结果如表9所示。
表9 城镇空间结构优化方式的异质性

Table 9 Heterogeneity in methods of optimizing urban spatial structure

（1）
Ci
京津冀		 （2）
Ci
长三角		 （3）
Ci
珠三角		 （4）
Ci
京津冀		 （5）
Ci
长三角		 （6）
Ci
珠三角
lnAgg_center -4.143**
(1.729)		 -5.494
(11.566)		 -7.188**
(2.912)
lnExp_edge 0.547
(3.083)		 0.519*
(0.267)		 1.572***
(0.352)
控制变量 是 是 是 是 是 是
县域特征 是 是 是 是 是 是
城市群固定 否 否 否 否 否 否
时间固定 是 是 是 是 是 是
Kleibergen-Paap rk LM 5.998***
(0.000)		 10.298***
(0.004)		 3.410*
(0.065)		 6.873**
(0.027)		 22.758***
(0.000)		 3.534*
(0.060)
第一阶段F值 9.217 13.827 9.035 10.611 36.470 11.365
Obs/个 290 1258 156 333 1334 156
首先，第（1）~（3）列中，核心区集聚（lnAgg_center）仅在京津冀及珠三角显著为负，而在长三角不显著。可能的原因在于，长三角的县域发展起步较早，包含有昆山、张家港、江阴、常熟等经济发达县域，核心区集聚水平相对较高，其碳减排效应边际递减后趋于微弱。京津冀和珠三角的县域核心区集聚水平相对较低，提高核心区集聚仍具有较强的碳减排效应。计算结果印证了上述分析，研究期内，长三角县域核心区集聚水平均值为0.061，而京津冀、珠三角仅分别为0.035、0.043。
其次，第（4）~（6）列中，边缘区扩张（lnExp_edge）仅在长三角及珠三角显著为正，而在京津冀不显著。计算结果显示，研究期内，京津冀县域边缘区扩张水平均值为0.123，长三角、珠三角仅分别为0.071、0.053。也就是说，京津冀的县域边缘区扩张水平最高，没有表现出明显的碳增排效应；而边缘区扩张水平相对较低的长三角和珠三角县域，却具有显著的碳增排效应。可能的原因在于，京津冀的县域地处华北平原北端，地形平坦开阔，其长期以来就是相对分散的聚居形式，并不是完全由新增建设用地等发展而来的。长三角及珠三角的县域区位优势更加明显，更有能力通过新建开发区、新城区等推动边缘区扩张，甚至是“跳跃扩张”，从而带来了产业、交通及土地利用等碳排放的多重叠加和放大效应。数据显示，研究期内，京津冀、长三角和珠三角的县域边缘区扩张指数年均增长率分别约为2.62%、3.68%和4.91%，可以佐证上文的分析。

6 结论与建议

进一步细化落实“双碳”目标是现在和未来一个时期政策界和学术界关注的重点。随着城镇化进入新阶段，大城市周边县域面临着巨大的低碳发展压力，本文从城镇空间结构这一独特视角入手，试图为大城市周边县域落实“双碳”目标寻找一条新路。研究发现：第一，大城市周边县域城镇空间结构分散化对碳排放强度具有显著的促增效应。根据工具变量法的回归结果，分散化程度每提高0.01个单位，每亿元GDP约多产生0.13万t碳排放。相比于2007年，2019年由此多产生的碳排放约可以解释碳排放总量的8.69%，核心结论在一系列检验之后依然成立。第二，机制分析表明，城镇空间结构分散化通过挤占蓝绿生态空间、刺激私人交通需求及推动产业间异速增长三条渠道提高碳排放强度。第三，进一步讨论发现，城镇空间结构对碳排放强度的影响是核心区碳减排效应与边缘区碳增排效应的“净”效应；当处于“边缘区主导”时，城镇空间结构分散化对碳排放强度的促增效应更强；在不同城市群中，城镇空间结构最佳优化方式具有异质性。
根据研究结论，本文尝试提出以下政策建议：第一，大城市周边县域需要树立正确的城镇化理念，防止单纯追求城镇化率、城镇人口规模等指标，同时应该注重城镇空间结构优化。纵观国内外城市的发展轨迹，一旦任由城镇低密度分散式发展形成惯性，再想扭转其趋势将极其困难。大城市周边县域城镇空间结构已经具有分散发展的态势，在城镇化建设中需要对此引起高度重视，避免对落实“双碳”目标产生更加不利的影响。第二，理性看待城镇空间结构优化的成本与收益。城镇空间结构分散化会通过推动产业间异速增长、挤占蓝绿生态空间等途径提高碳排放强度，究其本质是城镇空间结构分散化带来了更为粗放的生产方式。推动城镇空间结构优化可能造成短期内利益受损，但长期来看无疑会提高自身综合竞争力。第三，低碳目标下城镇空间结构的优化方向是要协调“核心区”与“边缘区”的关系，也可以说是协调“增量”与“存量”的关系。本文并不是强调大城市周边县域要跟大城市一样，必须推进高密度高强度的开发模式。而是提醒政策制定者在推动大城市周边县域城镇化过程中，应适度控制边缘区扩张速度，提高核心区集聚水平，保持二者的动态平衡以保持甚至促进低碳发展。第四，基于不同县域的实际发展状况制定差异化的优化方式。对京津冀城市群的县域而言，核心区集聚的碳减排效应更强，应避免人口的过度分散布局，需要重点发挥核心区的龙头带动作用；对长三角城市群的县域而言，应重视边缘区扩张所产生的碳增排效应，未来需要推进更多的“填充式”开发，提高存量建设用地利用效率；对珠三角城市群的县域而言，可以兼顾提高核心区集聚与控制边缘区扩张，从而发挥二者的碳减排合力。
本文仍存在一定的局限有待进一步探索。首先，基于多源空间大数据，从人口三维空间分布的视角刻画了城镇空间结构。受篇幅限制，还未充分讨论城镇实体空间横向扩张的形状优劣所带来的碳减排差异。例如，城镇形状可能是狭长的，也可能是接近圆形的。在形状不理想的情况下，预期分散化会进一步加剧碳排放，因此从平均意义上而言可能对分散化的促增效应略有低估。其次，从核心区和边缘区的相对变化视角提出了城镇空间结构的优化方向，并充分讨论了不同城市群的异质性。然而具体采取何种措施促进核心区集聚或控制边缘区扩张，是进一步深化研究的重要方向。未来可从财政政策、交通规划或行政区划调整等角度展开探讨。

参考文献

原文顺序 | 文献年度倒序 | 文中引用次数倒序
[1]
陆铭, 李鹏飞. 区位与分工: 论统一大市场建设下的县域城镇化. 农业经济问题, 2023, 44(1): 18-28.

[LU M, LI P F. Location and specialization: County urbanization under constructing a unified national market. Issues in Agricultural Economy, 2023, 44(1): 18-28.]

[2]
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. 地理学报, 2021, 76(12): 3103-3118.

DOI

[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. Acta Geographica Sinica, 2021, 76(12): 3103-3118.]

[3]
GAO Z J, LI S J, CAO X F, et al. Carbon emission intensity characteristics and spatial spillover effects in counties in Northeast China: Based on a spatial econometric model. Land, 2022, 11(5): 753, Doi: 10.3390/land11050753.

[4]
HARARI M. Cities in bad shape: Urban geometry in India. American Economic Review, 2020, 110(8): 2377-2421.

[5]
HONG S F, HUI E C M, LIN Y Y. Relationship between urban spatial structure and carbon emissions: A literature review. Ecological Indicators, 2022, 144: 109456, Doi: 10.1016/j.ecolind.2022.109456.

[6]
毛其智, 龙瀛, 吴康. 中国人口密度时空演变与城镇化空间格局初探: 从2000年到2010年. 城市规划, 2015, 39(2): 38-43.

[MAO Q Z, LONG Y, WU K. Spatio-temporal changes of population density and exploration on urbanization pattern in China: 2000-2010. City Planning Review, 2015, 39(2): 38-43.]

[7]
XU Z B, JIAO L M, LAN T, et al. Mapping hierarchical urban boundaries for global urban settlements. International Journal of Applied Earth Observation and Geoinformation, 2021, 103: 102480, Doi: 10.1016/j.jag.2021.102480.

[8]
江曼琦, 席强敏. 中国主要城市化地区测度: 基于人口聚集视角. 中国社会科学, 2015, (8): 26-46, 204-205.

[JIANG M Q, XI Q M. Estimating major urbanized areas in China: A population concentration approach. Social Sciences in China, 2015, (8): 26-46, 204-205.]

[9]
李顺成, LEE Sewon, 刘晓晨. 城市区域尺度下多中心空间结构的经济绩效影响. 中国人口•资源与环境, 2021, 31(11): 123-133.

[LI S C, SEWON L, LIU X C. Economic performance of polycentric spatial structure based on city-region scale. China Population, Resources and Environment, 2021, 31(11): 123-133.]

[10]
梁昌一, 刘修岩, 李松林. 城市空间发展模式与雾霾污染: 基于人口密度分布的视角. 经济学动态, 2021, (2): 80-94.

[LIANG C Y, LIU X Y, LI S L. Urban spatial development mode and smog pollution: Based on the perspective of population density distribution. Economic Perspectives, 2021, (2): 80-94.]

[11]
梁若冰, 蓝天. 行政区扩张、土地出让依赖与城市发展质量: 基于卫星灯光数据的准实验研究. 经济学(季刊), 2023, 23(3): 1019-1034.

[LIANG R B, LAN T. Administrative region expansion, land leasing dependence, and urban development quality: Quasi-experiment study with satellite light data. China Economic Quarterly, 2023, 23(3): 1019-1034.]

[12]
郭峰, 熊云军, 石庆玲, 等. 数字经济与行政边界地区经济发展再考察: 来自卫星灯光数据的证据. 管理世界, 2023, 39(4): 16-33.

[GUO F, XIONG Y J, SHI Q L, et al. The re-estimation of digital economy and economic development in administrative border areas: Evidence from nighttime light data. Journal of Management World, 2023, 39(4): 16-33.]

[13]
FREMSTAD A, UNDERWOOD A, ZAHRAN S. The environmental impact of sharing: Household and urban economies in CO2 emissions. Ecological Economics, 2018, 145: 137-147.

[14]
HENDERSON J V, NIGMATULINA D, KRITICOS S. Measuring urban economic density. Journal of Urban Economics, 2021, 125: 103188, Doi: 10.1016/j.jue.2019.103188.

[15]
田成诗, 张亚兵. 中国多中心城市空间结构与能源效率关系. 自然资源学报, 2022, 37(1): 135-148.

DOI

[TIAN C S, ZHANG Y B. The relationship between polycentric urban spatial structure and energy efficiency of cities in China. Journal of Natural Resources, 2022, 37(1): 135-148.]

[16]
韩帅帅, 苗长虹, 李奕灿. 黄河流域城市多中心空间结构对碳排放的影响研究. 地理研究, 2023, 42(4): 936-954.

DOI

[HAN S S, MIAO C H, LI Y C. Effects of urban polycentric spatial structure on carbon emissions in the Yellow River Basin. Geographical Research, 2023, 42(4): 936-954.]

[17]
王田雨, 岳文泽. 面向碳增汇的国土空间格局优化: 理论框架与行动逻辑. 自然资源学报, 2024, 39(5): 1008-1021.

DOI

[WANG T Y, YUE W Z. Optimizing territorial spatial pattern for carbon sink growth: Theoretical framework and action logic. Journal of Natural Resources, 2024, 39(5): 1008-1021.]

[18]
钟顺昌, 汪文竹, 闫程莉. 碳减排目标下中国省域城市建设用地空间配置响应研究. 自然资源学报, 2023, 38(7): 1896-1918.

DOI

[ZHONG S C, WANG W Z, YAN C L. Research on the response of spatial allocation of urban construction land in China's provinces under the goal of carbon emission reduction. Journal of Natural Resources, 2023, 38(7): 1896-1918.]

[19]
汪宗顺, 张海鹏, 岳超, 等. 造林增汇是实现碳中和的成本有效途径吗? 以西北地区为例. 自然资源学报, 2024, 39(3): 731-748.

DOI

[WANG Z S, ZHANG H P, YUE C, et al. Is afforestation for carbon sinks a cost-effective way to achieve carbon neutrality? Take Northwest China as an example. Journal of Natural Resources, 2024, 39(3): 731-748.]

[20]
李治国, 王杰, 车帅. 土地城市化推进的空间减排效应: 内在机制与中国经验. 统计研究, 2021, 38(12): 89-104.

[LI Z G, WANG J, CHE S. Effects of land urbanization on spatial emission reduction: Internal mechanism and China experience. Statistical Research, 2021, 38(12): 89-104.]

[21]
林伯强, 杜之利. 中国城市车辆耗能与公共交通效率研究. 经济研究, 2018, 53(6): 142-156.

[LIN B Q, DU Z L. A study of China's urban vehicle energy consumption and public transport efficiency. Economic Research Journal, 2018, 53(6): 142-156.]

[22]
孙传旺, 罗源, 姚昕. 交通基础设施与城市空气污染: 来自中国的经验证据. 经济研究, 2019, 54(8): 136-151.

[SUN C W, LUO Y, YAO X. The effects of transportation infrastructure on air quality: Evidence from empirical analysis in China. Economic Research Journal, 2019, 54(8): 136-151.]

[23]
姚洪江, 王昆仑. 中国的低碳交通建设: 整合性治理框架下的减碳实践. 世界经济, 2023, 46(6): 132-157.

[YAO H J, WANG K L. Low-carbon transport construction in China: A carbon reduction practice based on a holistic governance framework. The Journal of World Economy, 2023, 46(6): 132-157.]

[24]
钟粤俊, 奚锡灿, 陆铭. 城市间要素配置: 空间一般均衡下的结构与增长. 经济研究, 2024, 59(2): 59-77.

[ZHONG Y J, XI X C, LU M. Inter-city factor reallocation: Structural transformation and growth in a spatial general equilibrium analysis. Economic Research Journal, 2024, 59(2): 59-77.]

[25]
陈姝兴, 付文强, 吴康. 城市收缩对土地价格的影响及其空间溢出效应. 资源科学, 2024, 46(2): 308-320.

DOI

[CHEN S X, FU W Q, WU K. The impact of urban shrinkage on land prices and its spatial spillover effects. Resources Science, 2024, 46(2): 308-320.]

DOI

[26]
席强敏, 梅林. 工业用地价格、选择效应与工业效率. 经济研究, 2019, 54(2): 102-118.

[XI Q M, MEI L. Industrial land price, selection effect, and industrial efficiency. Economic Research Journal, 2019, 54(2): 102-118.]

[27]
冯晨, 朱星姝, 吴丰华, 等. 工业用地出让价格对企业投资的影响: 基于“以地引资” 的视角. 数量经济技术经济研究, 2023, 40(11): 180-201.

[FENG C, ZHU X S, WU F H, et al. Impact of industrial land transaction prices on firm investment: Based on the perspective of attracting investment through land. Journal of Quantitative & Technological Economics, 2023, 40(11): 180-201.]

[28]
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. 管理世界, 2022, 38(2): 46-69, 4-10.

[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. Journal of Management World, 2022, 38(2): 46-69, 4-10.]

[29]
林伯强. 碳中和进程中的中国经济高质量增长. 经济研究, 2022, 57(1): 56-71.

[LIN B Q. China's high-quality economic growth in the process of carbon neutrality. Economic Research Journal, 2022, 57(1): 56-71.]

[30]
兰秀娟, 张卫国, 裴璇. 我国中心—外围城市经济发展差异及收敛性研究. 数量经济技术经济研究, 2021, 38(6): 45-65.

[LAN X J, ZHANG W G, PEI X. A study on the differences and convergence of the economic development of central-peripheral cities. Journal of Quantitative & Technical Economics, 2021, 38(6): 45-65.]

[31]
刘修岩, 杜聪, 盛雪绒. 容积率规制与中国城市空间结构. 经济学(季刊), 2022, 22(4): 1447-1466.

[LIU X Y, DU C, SHENG X R. Floor area ratio regulation and urban spatial structure in China. China Economic Quarterly, 2022, 22(4): 1447-1466.]

[32]
龙瀛, 吴康. 中国城市化的几个现实问题: 空间扩张、人口收缩、低密度人类活动与城市范围界定. 城市规划学刊, 2016, (2): 72-77.

[LONG Y, WU K. Several emerging issues of China's urbanization: Spatial expansion, population shrinkage, low-density human activities and city boundary delimitation. Urban Planning Forum, 2016, (2): 72-77.]

[33]
BREUER M, DEHAAN E. Using and interpreting fixed effects models. Journal of Accounting Research, 2024, 62(4): 1183-1226.

[34]
王峤, 刘修岩, 李迎成. 空间结构、城市规模与中国城市的创新绩效. 中国工业经济, 2021, (5): 114-132.

[WANG Q, LIU X Y, LI Y C. Spatial structure, city size and innovation performance of Chinese cities. China Industrial Economics, 2021, (5): 114-132.]

[35]
CONLEY T G, HANSEN C B, ROSSI P E. Plausibly exogenous. Review of Economics and Statistics, 2012, 94(1): 260-272.

[36]
孙浩, 郭劲光. 地方经济增长目标管理对碳排放效率的影响. 自然资源学报, 2024, 39(1): 186-205.

DOI

[SUN H, GUO J G. The impact of local economic growth target management on carbon emissions efficiency. Journal of Natural Resources, 2024, 39(1): 186-205.]

DOI

[37]
LUO Z, WAN G H, WANG C, et al. Urban pollution and road infrastructure: A case study of China. China Economic Review, 2018, 49: 171-183.

[38]
XIE R, FANG J Y, LIU C J. The effects of transportation infrastructure on urban carbon emissions. Applied Energy, 2017, 196: 199-207.

[39]
郭旭, 孙晓华, 翟钰. 地区产业结构升级速度的测算及时空演变分析. 数量经济技术经济研究, 2021, 38(9): 98-116.

[GUO X, SUN X H, ZHAI Y. Analysis of the measurement and spatial and temporal evolution of the upgrading speed of regional industrial structures. Journal of Quantitative & Technical Economics, 2021, 38(9): 98-116.]

[40]
CHEN J D, GAO M, CHENG S L, et al. Global 1 km× 1 km gridded revised real gross domestic product and electricity consumption during 1992-2019 based on calibrated nighttime light data. Scientific Data, 2022, 9( 1): 202, Doi: 10.1038/s41597-022-01322-5.

Options
文章导航

/

〈 〉