EN中文

JOURNAL OF NATURAL RESOURCES >

2022 , Vol. 37 >Issue 6: 1524 - 1539

DOI: https://doi.org/10.31497/zrzyxb.20220611

Green Development and Ecological Conservation

Spatio-temporal evolution of carbon emissions in metropolitan areas and its influencing factors: A case study of Zhejiang province

  • GU Zhang-feng ,
  • XU Li-hua ,
  • MA Qi-wei ,
  • SHI Yi-jun ,
  • LU Zhang-wei ,
  • WU Ya-qi
Expand
  • School of Landscape and Architecture, Zhejiang Agriculture and Forestry University, Hangzhou 311300, China

Received date: 2021-02-18

  Revised date: 2021-05-01

  Online published: 2022-08-28

Fold

Abstract

Urban construction promotes urban collaborative development, which has an impact on carbon emissions, so studying the relationship between urban construction and carbon emissions can help explore an effective way to reduce emissions. This article, based on land utilization, energy consumption and other data from 2010 to 2018, Zhejiang province, calculates carbon emissions. We use spatial autocorrelation methods and space metering regression models to explore the spatio-temporal evolution characteristics of carbon emissions in four metropolitan areas and their influencing factors. The results showed that: (1) Hangzhou metropolitan area is the largest carbon emission urban area in Zhejiang, followed by Ningbo, Wenzhou and Jinhua-Yiwu. (2) In terms of spatial distribution, carbon emissions have significant agglomeration characteristics. Obvious spatial heterogeneity can be observed in metropolitan areas. The spatial aggregation of carbon emissions in different metropolitan areas have significant differences. (3) Urban construction helps the synergy and utilization of various cities and towns, promotes efficient configuration and utilization of resources, and then reduces carbon emissions. (4) The influencing factors and driving mechanisms for metropolitan carbon emissions are affected by urban development phases and characteristics, thus forming different spatial features. (5) Metropolitan low-carbon construction tasks and programs are determined by their unique carbon emissions driving mechanisms and spatial aggregation characteristics.

Key words： carbon emissions; spatio-temporal evolution characteristics; spatial correlation analysis; spatial econometric regression model; metropolitan area

Cite this article

GU Zhang-feng , XU Li-hua , MA Qi-wei , SHI Yi-jun , LU Zhang-wei , WU Ya-qi . Spatio-temporal evolution of carbon emissions in metropolitan areas and its influencing factors: A case study of Zhejiang province[J]. JOURNAL OF NATURAL RESOURCES, 2022 , 37(6) : 1524 -1539 . DOI: 10.31497/zrzyxb.20220611

长三角地区城市化进程十分迅速,其城市化率从2010年的56.30%增长到2018年的67.38%。随着城镇化的快速推进,城市规模迅速扩大,能源消费激增,引起碳排放量急剧上升,城市成为碳排放的主要区域[1],已经影响了城市的可持续发展[2⇓⇓-5]。都市区作为我国城镇化发展中重要的城镇空间组织形式,社会经济水平较高、资源高度集聚,对周边地区有辐射影响,是多个规模较大[6⇓-8]且密切相关的城市的联合体,较城市具有更为复杂的系统结构。碳排放测度可以反映都市区规划建设对都市区生态环境的影响,有助于探索绿色低碳环保都市区建设的新模式。因此研究都市区碳排放的时空演变特征及其影响因素,可以有效帮助规划决策者探索都市区可持续发展建设的道路。
现阶段,对于碳排放已有多尺度的研究。学者们运用LMDI模型[9]、Kaya模型[10]、IPCE[11]模型和STIRPAT[12,13]模型及普通最小二乘法[14]等方法分析了不同区域城镇化对碳排放的影响,结果表明城镇化会促进碳排放,因此估算城市碳排放成为热点;有学者利用IPCC[15]和省级温室气体清单等核算方法获取了土地利用[16⇓-18]、能源消费[19]和交通[20]等碳排放量,进而利用LMDI模型[21]、空间相关分析[22⇓-24]和地理加权回归模型[25]等方法探讨了不同类型碳排放的时空演变及其影响因素,并用空间滞后模型和空间误差模型对碳排放进行空间模拟[26],对碳排放峰值[27]也有一定的研究。以都市区碳排放为尺度的研究,主要用岭回归法和脱钩指数分析经济发展与能源消费碳排放的关系[28],以及都市区产业碳排放和能源碳排放的变化机理研究[29]。现有研究主要针对城市碳排放的时空特征和影响因素,对都市区碳排放的研究较少;研究对象主要集中在独立的都市区,缺乏对不同类型都市区碳排放的时空特征及其影响因素的研究;对于碳排放影响因素的研究方法基于面板数据,缺乏对驱动要素空间相关性的考虑,即城镇协同作用对碳排放的影响。本文拟在普通最小二乘法的基础上,采用空间误差模型和空间滞后模型对碳排放的驱动因素进行分析。
综上所述,本文以作为长三角一体化建设示范区的浙江省四大都市区为研究对象,基于IPCC清单核算各县市区的碳排放量,采用空间自相关方法分析都市区碳排放时空演变特征;利用空间计量回归模型探讨都市区碳排放的驱动因子及其作用强度,不仅为浙江省都市区的可持续发展提供参考,还可为长三角区域都市区的建设提供方案。

1 研究方法与数据来源

1.1 研究区概况与数据来源

浙江省地处中国东南沿海、长江三角洲南翼（118°01′~123°10′E,27°02′~31°11′N）。浙江省政府于2011年初公布的《浙江省城镇体系规划（2011—2020）》中提出将建设杭州、宁波、温州、金义四大都市区;规划表明,浙江省将形成以四大都市区核心区为中心带动,以环杭州湾、甬台温、杭金衢、金丽温四大城市连绵带为轴线延伸,以四大都市经济圈为辐射拓展的“四核、四带、四圈”网络型城市群空间格局（图1）。
图1 研究区范围

注：舟山市和洞头区作为海岛城市,是一类特殊的地域单元,有其独特的发展模式和碳排放特征[30]。

Fig. 1 Study area

浙江省具有明确的四大都市区行政区划（表1）,但是都市区的主要功能、空间形态和城市规模等都具有差异。四大都市区有着截然不同的主导产业、发展战略、发展特色、经济发展水平、产业规模、发展阶段、城镇化率、城市人口和建成区规模等特点,对于碳排放有着直接的影响,形成具有都市区特色的碳排放特征。但是,四大都市区均位于浙江省,可以有效避免省级地方政策对碳排放的影响,因此把浙江省四大都市区作为研究区具有重要的意义。
表1 研究区概况

Table 1 Situation of research area

区域 特色 范围 城镇化率
/%		 城镇/总人口
/万人		 建成区
/km2		 产值
/亿元		 开发区
/个		 主要产业 发展战略
杭州
都市区		 数字经济 杭州市
嘉兴市
湖州市
绍兴市		 70.7 1328/1879 1579.84 26623 27 ①②③④⑤⑭⑮ 杭州城西科创大走廊
钱塘江金融港湾
沿湾智造大走廊
宁波
都市区		 国际港口名城 宁波市
台州市		 67.9 821/1208 813.75 15645 15 ⑥⑦⑧⑨⑮ 义甬舟开发大通道
北翼产业制造大走廊
甬江科创大走廊
环象山港—三门港—台州湾海洋经济平台
温州
都市区		 国际时尚制造 温州市
青田县		 67.2 584/870 355.38 6188 6 ⑨⑩⑪⑫⑮ 环大罗山科创走廊
沿海先进制造产业带
西部生态休闲产业带
世界华商综合发展试验区
金义
都市区		 小商品和影视文化 金华市
缙云县		 66.7 358/532 383.29 4064 9 ⑦⑫⑬⑭⑮ 金义科创廊道
跨境电子商务综合试验区
金义国际陆港新区
快递物流中心
金义综合保税区
横店影视文化产业集聚区

注：来源于浙江省各县市区2018年《统计年鉴》和政府公报。主要产业：① 信息技术;② 高端制造业;③ 高新技术产业;④ 电子商务;⑤ 休闲旅游;⑥ 石油化工;⑦ 机械工业;⑧ 钢铁工业;⑨ 新材料、能源产业;⑩ 装备制造业;⑪ 传统产业;⑫ 生物医药;⑬建材业;⑭ 纺织业;⑮ 其他产业。

本文主要从能源消费、产品生产、土地利用以及废弃物处理过程中的碳排放来核算浙江省各县市区碳排放总量,并分析人口、建成区面积、生产总值、第二产业产值、第三产业产值、道路交通设施等要素对都市区碳排放的影响。本文数据主要来自《中国城市统计年鉴》《浙江省统计年鉴》《浙江自然资源与环境统计年鉴》和浙江省各县市区的统计年鉴以及统计局公布的2010—2018年各县市区的耕地面积、产品产量、各类能源消费、废弃物处理量、人口、生产总值、建成区面积等数据,并对数据进行离差标准化,消除量纲变异大小的差异影响。

1.2 研究方法

1.2.1 基于IPCC的综合碳排放测算法

本文在总结生产性碳排放与消费性碳排放的基础上,构建了生产与生活为一体的碳排放核算清单,从综合消费视角反映都市区碳排放。借助政府间气候变化专门委员会（Intergovernmental Panel on Climate Change,IPCC）编写的《2006年IPCC国家温室气体清单指南》来估算浙江省都市区的碳排放。该清单包含了能源消费、产品生产（副产物有CO2）、农业活动（耕地）、废弃物和废水处理。具体计算公式如下：
M = ∑ E i × α i × K + ∑ Q p × β p + Q c × γ + M w
式中： M为碳排放量（t）;Mw为为废弃物碳排放量（t）; E i为第 i种能源的消费量（t）; α i为第 i种折标准煤系数（表2）; K为标准煤碳排放系数,该排放系数参考2006年《IPCC国家温室气体清单指南》,依据IPCC数据库计算得出, K = 2.7725 t / t; Q p为第 p种产品的生产量（t）; β p为第 p种产品生产的碳排放系数,水泥为0.735 t/t、钢材为2.05 t/t、标准砖为0.25 t/m3（《建筑碳排放计算标准》（GB/T 51366-2019）和《省级温室气体清单编制指南》）; Q c为耕地面积（单位）; γ耕地碳排放系数,参考2006年《IPCC国家温室气体清单指南》,方精云等[31,32]对各类用地碳排放系数的研究,确定耕地碳排放系数为0.372 t/hm2。
表2 各类能源折标准煤系数

Table 2 Coefficient of standard coal from different energy types

能源种类 折标煤系数 能源种类 折标煤系数 能源种类 折标煤系数
原煤 0.7143 t/t 洗精煤 0.9000 t/t 其他洗煤 0.2850 t/t
柴油 1.4571 t/t 液化石油气 1.7143 t/t 炼厂干气 1.5714 t/t
焦炭 0.9714 t/t 原油 1.4286 t/t 燃料油 1.4286 t/t
汽油 1.4714 t/t 煤油 1.4714 t/t 天然气 0.0012143 t/m3
热力 0.03412 kg/MJ 电力 0.1229 kg/(kW∙h) 其他燃料 1.0000 t/t
煤制品 0.5286 t/t 液化天然气 1.7572 t/t 城市生活垃圾 0.2714 t/t
余热余压 0.0341 kg/MJ 工业废料 0.4285 t/t 润滑油 1.4143 t/t

注：数据来源于《综合能耗计算通则》（GB/T 2589-2008）,《省级温室气体清单编制指南》（发改办气候 [2011]1041号）。

废弃物的碳排放量主要是固体废弃物的焚烧和填埋以及废水的处理碳排放。具体计算公式[33]如下：
M w = P c o d × 0.25 × 0.75 + P b × 0.99945 × 0.45 + P l × 0.167 × 0.285
式中： P c o d为化学需氧量的排放量（t）;0.25为单位废水的甲烷排放因子;0.75为甲烷碳排放系数; P b为固体废弃物焚烧量（t）;0.99945为固体废弃物碳排放因子;0.45为固体废弃物含碳率; P l为固体废弃物填埋量（t）;0.167为固体废弃物甲烷排放因子;0.285为固体废弃物含水率[34]。

1.2.2 空间计量回归模型

如表3所示,本文采用三种空间计量模型[35],用以分析碳排放的驱动因素。
表3 空间计量回归模型

Table 3 Spatial econometric regression model

模型 公式 解释
普通最小二乘法
（Ordinary Least Squares,OLS）		 y = β x + μ 忽略空间因素影响,分析因变量与自变量之间的相关性
空间误差模型
（Structural Equation Modeling,SEM）		 y = β x + γ W ε + μ 考虑随机干扰项（误差项）在空间上相关,加入空间权重对因变量和自变量之间的关系进行分析
空间滞后模型
（Spatial Lag Model,SLM）		 y = β x + ρ W y + μ 考虑因变量受到本区域或者其他因变量周边区域的影响,加入滞后变量来分析因变量与自变量之间的相关性

注： y为因变量; x为自变量; β为自变量的回归系数; μ为随机误差; γ为空间残差项的回归系数; ρ为空间滞后变量的回归系数; W ε为误差项的空间相关; W y为空间滞后变量。

1.2.3 空间自相关分析法

本文采用了空间自相关性分析法[35],包括了Moran's I指数和热点分析（Getis-Ord Gi*）。利用两者来分析碳排放量在空间尺度上的关联性和聚集特征。
空间自相关的Moran's I指数可表示为：
I = n S o ∑ i = 1 n ∑ j = 1 n w i , j z i z j ∑ i = 1 n z i 2
式中： z i、 z j是要素 i、j的属性与其平均值 ( x i - X ˆ )、 ( x j - X ˆ )的偏差; w i , j是要素 i和 j之间的空间权重; n等于要素总数（种）; S o是所有空间权重的聚合：
S o = ∑ i = 1 n ∑ j = 1 n w i , j
Z ( I )值可以分析Moran's I指数的显著性水平：
Z I = I - E I V I
式中： E ( I )为Moran's I指数的期望值; V ( I )为Moran's I指数的方差。
Moran's I指数的取值范围为 [-1, 1],当值接近1时,表明碳排放量和增减情况在该区域内集聚性越显著,差异性越小,呈现正相关;当值接近于0时,则表明碳排放量和增减情况在该区域内随机分布,缺乏集聚性,没有关联性,没有空间自相关性;当值接近于-1时,则表明碳排放量和增减情况在该区域内集聚度越显著,呈现负相关,差异性越大。
热点分析则可以分析碳排放量及增减情况在不同空间位置的排放和增减高值和低值的聚集情况。热点分析 G i *计算公式为：
G i * = ∑ j = 1 t w i , j x j - X - ∑ j = 1 t w i , j S t ∑ j = 1 t w i , j 2 - ∑ j = 1 t w i , j 2 / t - 1
式中： x j是空间单元 j的属性值; w i , j表示空间单元 i和 j之间的空间权重; t是空间单元数量; X -为均值;S为标准差。 G i *统计结果是Z得分,正值表示热点,Z得分越高,表示热点聚集越紧密;负值表示冷点,Z得分越低,表示冷点聚集越紧密。

2 结果分析

2.1 浙江省碳排放时空演变分析

根据2010—2018年浙江省碳排放量的全局空间自相关分析可知（表4）,所有年份的全局Moran's I值均为正值,并且Z值均通过95%的显著性检验,表明2010—2018年浙江省碳排放存在明显的空间正相关性,碳排放量接近的县市区在浙江省内聚集,呈现集中分布的态势。随着Moran's I值的逐渐增大并且趋于稳定,表明碳排放量接近的县市区在空间上表现出更为显著的聚集特征,空间聚集形态趋于稳定。
表4 浙江省碳排放全局Moran's I及Z值

Table 4 Global Moran’s I and Z value of carbon emissions

年份 2010 2011 2012 2013 2014 2015 2016 2017 2018
Moran's I 0.16 0.15 0.17 0.17 0.19 0.23 0.22 0.21 0.22
Z 3.36 3.11 3.46 3.50 3.87 4.62 4.49 4.34 4.41
运用热点分析（Getis-Ord Gi*）方法分析碳排放量的空间聚集特征。由图2可知,2010—2018年间浙江省碳排放量呈现出高值与低值集聚;碳排放高值集聚区主要位于杭州都市区核心范围内,呈现出单中心集聚的特征;碳排放低值集聚区则位于浙江省西南部、金义都市区的东部和宁波都市区中部的部分县市区,呈现出双中心集聚的特征。碳排放量增长的高值集聚区位于环杭州湾的区域,促进杭州和宁波都市区碳排放在该区域的高速增长,进而使得杭州碳排放呈现出向外围扩散的特征。
图2 2010—2018年浙江省碳排放的空间格局

Fig. 2 Spatial pattern of comprehensive carbon emissions in Zhejiang province from 2010 to 2018

2.2 都市区碳排放演变分析

2.2.1 都市区碳排放规模及其变化

如图3所示,杭州都市区的碳排放量居于浙江省碳排放量的首位,其次是宁波、温州和金义都市区。以2018年为例,分别占比51.18%、24.13%、9.84%和7.48%,表明杭州、宁波都市区是浙江省碳减排的核心区域,是影响浙江省碳排放量的主要都市区。从各都市区碳排放的回归趋势来看,杭州都市区表现为较为明显的增长趋势,宁波都市区呈现为波动的变化形式,而温州和金义都市区的碳排放量较为稳定。
图3 都市区碳排放量

Fig. 3 Carbon emissions in metropolitan areas

2.2.2 都市区碳排放时空演变特征

由图4、图5可知,2010—2018年间,杭州都市区碳排放空间集聚特征表现为强中心集聚的特征,碳排放量增长的主要地区集中在环杭州湾地区。这与环杭州湾产业集群密切相关,该区域既是产业转移的承接区也是产业集聚区;尤其是杭州大江东产业集聚区,作为环杭州湾战略要地和杭州城市发展的战略地带,使得更多的资源在此集聚、流动和消耗,促进该区域碳排放的显著增长和集聚,并进一步促进碳排放集聚区向外围扩张,最终形成强中心向外围扩散的空间特征。
图4 2010—2018年都市区碳排放的空间格局

Fig. 4 Spatial pattern of comprehensive carbon emissions in metropolitan areas from 2010 to 2018

图5 都市区碳排放集聚形态示意图

Fig. 5 Carbon emission concentration pattern in metropolitan areas

宁波都市区碳排放空间集聚特征表现为中部低值集聚的特征,形成南北两个碳排放中心;碳排放量增长的主要地区集中在环杭州湾地区。该区域位于宁波都市区北部,处于环杭州湾产业带,是临港重化工产业和服装、塑料加工等产业集聚区,汇聚着大量高碳产业,具有极高的碳排放量,成为宁波都市区碳排放主中心。南部则为台州,地处温台沿海产业带,作为临港城市,是能源、医疗化工等产业的集聚区,具有较高的碳排放量,形成碳排放副中心,两者的中间地带成为碳排放低值集聚区,最终形成一主一副双中心集聚的空间特征,并且两个中心之间的相互联系逐渐加强。
温州都市区碳排放量集聚区位于温州都市区核心范围,表现为单中心集聚的特征,碳排放量减少区域位于中心区域边缘。这是由于温州都市区地处温台沿海产业带,沿海城市为港口城市,集中发展国际性产业集群集聚区和民营经济创新示范区,以装备制造业和传统产业为核心,随着产业的调整优化和城市用地的存量优化,生物医药和新材料等新兴产业将成为主要产业,资源利用率得到提升,进而促使碳排放空间特征的收缩,最终形成单中心收缩的空间特征。
金义都市区碳排放空间集聚特征表现为碳排放低值集聚,以金华—义乌为碳排放高值区,形成双中心集聚的特征。金华都市区是以块状经济为特征的产业集群,各县市区依托当地优势,大力发展区域特色产业,构建区域特色产业集群,形成以金华和义乌市为发展核心的规划建设,将推动形成金华和义乌双中心的发展模式,带动周边地区的融合发展,形成以金华和义务为核心的一体化发展趋势,进而影响碳排放的时空演变特征,最终形成金华—义乌双中心一体化的空间特征。

2.3 碳排放驱动因素分析

2.3.1 模型结果分析

城市规模、产业结构以及不合理的空间结构等是影响碳排放的主要因素[36],可以从人口、产业、经济和用地等方面分析碳排放的驱动因素[37],因此可以获取各县市区的人口（P）、生产总值（G）、建成区面积（U）、道路交通（R）、第二产业比例（S）和第三产业比例（T）等要素来分析碳排放的驱动因素。
通过分析可知,碳排放具有较为明显的地区集聚现象。因此,可以利用空间计量回归模型对其影响因素进行分析。在进行空间面板数据计量分析时,先借助LM检验和Hausman检验,为不同都市区碳排放选择合理的空间分析模型。
通过表5可知,四大都市区碳排放的OLS、SEM和SLM模型均通过相应的显著性检验,并且拟合度较高,可用来分析都市区碳排放的驱动因素。
表5 LM检验与Hausman检验及相应概率值

Table 5 LM Test, Hausman test and probability value

检验 杭州都市区 宁波都市区 温州都市区 金义都市区
统计量 P值 统计量 P值 统计量 P值 统计量 P值
Lmlag 0.0703 0.7900 0.0479 0.8300 32.0269 0.0000 0.1195 0.7300
R-Lmlag 14.1984 0.0000 0.0816 0.7800 37.1923 0.0000 5.2141 0.0200
Lmerr 7.4488 0.0100 0.0001 0.9900 0.8024 0.3700 0.8182 0.3700
R-Lmerr 21.5769 0.0000 0.0338 0.8500 5.9678 0.0200 5.9129 0.0200
Huasman 28.9200 0.0001 26.1600 0.0005 35.0700 0.0000 6.7700 0.4529
（1）杭州都市区碳排放驱动因素分析
由表5可知,杭州都市区碳排放LMlag检验和Hausman检验的P值通过1%显著水平的显著检验,因此杭州都市区碳排放选择固定效应的SEM模型。通过表6可知,人口、第二产业、生产总值、建成区规模和道路交通要素通过显著性检验,相关系数分别为0.1912、0.1254、0.1105、0.0411和-0.1072,表明产业和人口集聚是促进杭州都市区碳排放的主要因素,城市用地规模扩张是次要因素,而道路扩张升级可以降低杭州都市区碳排放。
表6 碳排放驱动因素空间回归模型结果

Table 6 Results of spatial regression model of comprehensive carbon emission driving factors

变量参数 杭州都市区 宁波都市区 温州都市区 金义都市区
OLS SEM OLS OLS SLM OLS
P 0.2551*** 0.1912** -0.2734*** 0.1027*** -0.0196 1.6137***
(3.3670) (2.1814) (-2.9267) (5.3237) (-0.8734) (7.6266)
U -0.1054 0.0411* -0.0417 0.6090*** -0.2097*** -1.3791***
(-1.2754) (1.6947) (-0.2431) (7.3189) (-4.5281) (3.8765)
R -0.0051 -0.1072** -0.3218*** 0.0581** 0.0032 -0.7276***
(-0.1047) (-2.0884) (-3.5686) (2.3964) (0.1321) (4.9937)
G 0.551*** 0.1105*** 0.5041*** 0.1851*** 0.0543*** 0.3968
(8.2314) (4.5178) (4.6360) (2.8343) (3.4438) (1.1213)
S 0.4950** 0.1254* 0.3876 0.0238 0.0495 -2.1268***
(2.0246) (1.7319) (1.5196) (0.1743) (0.8227) (-5.2307)
T 0.3827 0.0504 -0.4892* -0.0260 0.0779 -2.1819***
(1.5781) (0.6967) (-1.9689) (-0.1706) (1.1497) (-4.3839)
R-Squared 0.5566 0.9817 0.6615 0.8515 0.9958 0.5018
sigma^2 0.0126 0.0005 0.0168 0.0008 0.0000 0.0123
Log-Likehood 217.5006 667.65461 110.4087 216.5623 391.7799 66.7832

注：括号内数值表示相应变量的t值统计量;***、**和*分别表示变量在1%、5%和10%的显著水平下显著。

（2）宁波都市区碳排放驱动因素分析
宁波都市区碳排放LM检验结果表明,宁波都市区碳排放的影响因素不受空间因素的影响,因此可以直接利用OLS模型进行分析。模型结果显示第三产业、道路交通、人口和生产总值要素通过显著性检验,相关系数分别为-0.4892、-0.3218、-0.2734和0.5041,表明产业结构优化、道路扩张升级和人口集聚可以减少宁波都市区碳排放,而产业的扩张和集聚会促进宁波都市区碳排放。
（3）温州都市区碳排放驱动因素分析
温州都市区碳排放LMlag检验和Hausman检验的P值通过1%的显著性检验,因此温州都市区碳排放采用固定效应的SLM模型。模型结果显示建成区规模和生产总值通过显著性检验,相关系数分别为-0.2097和0.0543,表明城市用地规模的扩张和优化可以减少温州都市区碳排放,而产业扩张和集聚可以促进温州都市区碳排放。
（4）金义都市区碳排放驱动因素分析
金义都市区碳排放LM检验结果表明,碳排放的影响因素不受空间因素的影响,因此可以直接利用OLS模型进行分析。模型结果显示第二产业、第三产业、建成区规模、道路交通和人口要素通过显著性检验,相关系数分别为-2.1268、-2.1819、 -1.3791、-0.7276和1.6137,表明产业集聚和优化、城市用地规模扩张和道路扩张升级有助于减少金义都市区碳排放,此外人口集聚会促进金义都市区碳排放。同时,通过杭州和温州都市区OLS模型与SEM、SLM模型的对比发现,在空间因素影响下,各类驱动因素对碳排放的正向驱动力出现明显下降,负驱动力有所上升,表明都市区内各城镇的协同发展有助于资源的高效配置和利用,进而促进碳排放的降低。

2.3.2 驱动模式分析

如图6所示,该机制可以演示人口、产业、城市用地规模和交通设施等要素在各个城镇协同作用下对碳排放的影响,并进一步反映各个都市区碳排放的空间集聚特征。
图6 碳排放驱动机制分析

Fig. 6 Analysis of carbon emission driving mechanism

杭州都市区以数字经济为特色,是浙江省政治、经济、文化等功能的中心,具有高度的产业集聚和人口集聚,城市规模极大,城镇化率较高。产业高度集聚可以带来人口的高度集聚和城市建成区的快速扩张;同时,人口和城市建设用地的集聚和扩张可以推动产业的快速发展,有力地促进杭州都市区碳排放的增长。城镇化的快速推进,使得杭州都市区交通设施获得前所未有的发展,带来更为便捷的交通,进而促进杭州都市区内各个城镇的协调作用,有助于物质资源在都市区内有效流动,提升资源配置和利用率,减少杭州都市区碳排放。因此,杭州都市区碳排放具有较为稳定且明显的增长趋势,其碳排放呈现出强中心集聚的特征。
宁波都市区作为港口城市,以宁波为中心,台州为副中心。都市区内以高碳产业和人口密集型产业为主要产业,具有较高的产业集聚和人口集聚,城市规模较大,城镇化率较高。故宁波都市区产业集聚会增加碳排放,成为影响宁波都市区碳排放的主要驱动力。产业结构调整升级可以促进资源更高效的利用,人口向更低碳的产业转移和集聚;同时,在城镇化进程中,围绕着两个中心的交通设施优化升级和扩展延伸有利于加强双中心内部及中心之间的沟通,推动资源更有效的配置和利用,极大地降低宁波都市区碳排放。因此,宁波都市区近年来碳排放量呈现出波动的变化趋势,碳排放在空间上形成一主一副双中心集聚的特征。
温州都市区以制造业为核心,传统产业有较大的发展优势,具有一定的产业集聚、人口集聚和较高城镇化率。城镇化速率较低,城市规模较小,城市用地以存量优化为主、增量扩增为辅,各城镇之间的协同作用较强,有助于提高资源的有效利用率,降低温州都市区碳排放。同时,在产业发展具有优势的背景下,产业规模的扩张对碳排放的促进作用较小。因此,温州都市区碳排放量较为稳定,碳排放在空间上形成单中心集聚特征。
金义都市区的金华和义乌作为小商品贸易和影视文化名城,其产业以低碳产业为主,并且以先进制造业和高端装备制造业为发展方向,具有一定的产业集聚、人口集聚和较高的城镇化率。城市规模较小,城镇化速率较高,都市区人口快速集聚,促进了碳排放;与此同时,城市建设用地规模的快速扩张,人口的集聚和低碳产业规模的扩张,产业结构优化和交通设施的优化延伸同时进行,相辅相成,促使金义都市区资源的高效配置和利用,进而使得人口更多地进入低碳产业,减少金义都市区碳排放。因此,金义都市区碳排放量较为稳定,碳排放在空间上表现为金华—义乌双中心一体化的特征。

3 结论与讨论

3.1 结论

本文基于空间自相关分析和空间计量回归模型对2010—2018年浙江省四大都市区碳排放进行时空演变分析,探讨了浙江省四大都市区碳排放的时空演变特征及其影响因素,主要结论如下：
（1）杭州都市区是浙江省最大的碳排放都市区,其次是宁波、温州和金义都市区,其中杭州和宁波都市区分别占51.18%和24.13%。杭州都市区碳排放量具有较为明显的增长趋势,宁波都市区呈现为波动的变化形式,而温州和金义都市区则较为稳定。可见,杭州和宁波都市区是浙江省碳排放的主要都市区,具有重大的减排任务。
（2）都市区碳排放在空间上具有明显的集聚特征,杭州都市区碳排放呈现为强中心集向强中心扩散的时空演变特征,宁波都市区碳排放表现为双中心向一主一副双中心发展的时空演变特征,温州都市区碳排放表现为单中心集聚向单中心收缩的时空演变特征,金义都市区碳排放表现为双中心向双中心一体化发展的时空演变特征。可见,不同发展类型的都市区,其碳排放的时空演变特征具有差异性。
（3）通过杭州和温州都市区碳排放OLS模型与SEM、SLM模型的对比发现,人口、产业和城市用地规模等要素对碳排放的促进作用降低,交通设施等要素的减排作用上升。这表明,都市区的建设有助于发挥都市区内各城镇的协同作用,促进资源的高效配置和利用,进而降低碳排放。
（4）杭州都市区的产业和人口集聚是促进碳排放的主要因素,城市用地规模扩张是次要因素,而道路扩张升级可以降低碳排放。宁波都市区的产业结构优化,道路扩张升级和人口集聚可以减少碳排放,产业扩张和集聚会促进碳排放。温州都市区的城市用地规模扩张和优化可以减少碳排放,产业扩张和集聚可以促进碳排放。金义都市区的产业集聚和优化、城市用地规模扩张和道路扩张升级有助于降低碳排放,人口集聚会促进碳排放。这表明,不同发展阶段和发展特色的都市区,其碳排放的影响因素和驱动机制是不同的,从而产生不同的碳排放时空特征。
（5）人口和物质等资源高度集聚的都市区,既是省会所在地,又是政治、经济和文化等中心,其碳排放高度集聚,呈现为强中心集聚的特征,并随着都市区的进一步发展而向外辐射。以高碳和人口密集型产业为主的都市区,其产业规模、结构和人口集聚是促进碳排放的主要影响因素,人口素质的提升和集聚,产业结构的优化升级有利于降低碳排放。以传统制造产业为核心的都市区,产业和人口集聚较为集中,随着产业结构的优化升级和城市用地的存量优化,有助于碳排放的降低,促使碳排放呈现单中心收缩的特征。以贸易、文化、旅游和影视等低碳产业为特色的都市区,其碳排放利用率较高,人口集聚、产业规模和城市用地规模的扩张有助于人口更多地进入低碳产业,随着城镇化快速发展,交通设施更为便捷,促进都市区内各城镇的融合发展,发挥城镇协同作用,整体上提升了资源的高效配置和有效利用率,从而降低碳排放。这表明,不同类型都市区开展低碳建设需要根据其独特的碳排放驱动机制和时空演变特征来确定具体的措施和政策。

3.2 讨论

（1）根据不同都市区碳排放的时空演变特征,因地制宜地制定减排任务和方案。
由于各个都市区其承担的社会生产和社会地位不同,碳排放的影响因素和时空演变特征具有差异,因此需要因地制宜地为各个都市区制定合理的减排方案和任务。比如以杭州都市区为例,作为人口和物质等资源高度集聚的大型都市区,是城镇化水平较高的经济、政治和文化等中心,其重要任务是对产业、用地和交通设施等要素的优化升级及扩大低碳产业规模,使更多的人口进入低碳产业,提升资源配置率和资源有效利用率,进而降低碳排放。而以高碳和人口密集型产业为主的都市区,其重要任务是促进产业的转型升级,发展更多的低碳产业和提升人口素质,推动产业绿色化、生态化发展,提升资源利用率,降低碳排放。
（2）推进都市区建设,加强城镇协同作用,促进城镇融合发展。
以浙江省为案例靶区的长三角区域,城乡一体化、城镇融合仍然是区域发展的重点。对区域城镇进行合理规划,开展都市区一体化建设,促进都市区内城镇的协同发展,优化资源配置和利用;大力推动技术创新,促进产业优化升级和人口向低碳产业转移等,降低资源消耗,提升资源利用率,进而降低碳排放。以协同发展为基础,推动跨区域的联动发展,促进都市区一体化建设,以实现都市区低碳生态建设和高质量发展,这不仅可以为浙江省成为长三角地区的金南翼提供坚强保障,也为长三角区域都市区建设的提供有力支撑。
（3）产业结构优化升级、城市用地存量优化、交通设施优化升级、人口空间聚集和素质提升等要素共同推进。
产业结构优化升级可以促进技术创新、改善能源结构和企业协同发展等;城市用地存量优化可以提高土地利用效率,提升资源利用率,降低碳排放;交通设施的优化升级有助于资源在都市区内高效配置,降低资源损耗,节约资源,提升资源利用率;人口集聚和素质提升,可以促使产业进一步集聚,促进产业协同发展,使人口更多地进入低碳产业,进而降低碳排放。多种措施协同合作,共同促进,降低碳排放,建设绿色生态都市区。
本文仅分析了经济、产业、人口、交通设施和城市用地规模对碳排放的影响,尚未考虑都市区之间的协同作用对碳排放的影响,因此对于碳排放时空演变的其他驱动因素和机制将是下一步研究的重点。

References

Publishing order | Descend order by publishing year | Descend order by cited within
[1]
李增福, 郑友环. “低碳城市”的实现机制研究. 经济地理, 2010, 30(6): 949-954.

[ LI C F, ZHENG Y H. Research on the implementation mechanism of the "Low-carbon City". Economic Geography, 2010, 30(6): 949-954.]

[2]
CLARK P U, SHAKUN J D, MARCOTT S A, et al. Consequences of twenty-first-century policy for multi-millennial climate and sea-level change. Nature Climate Change, 2016, 6(4): 360-369.

DOI

[3]
LI B, GASSER T, CIAIS P, et al. The contribution of China's emissions to global climate forcing. Nature, 2016, 531(7594): 357-361.

DOI

[4]
WANG S, WANG J, FANG C, et al. Estimating the impacts of urban form on CO2 emission efficiency in the Pearl River Delta, China. Cities, 2019, 85(2): 117-129.

DOI

[5]
郭存芝, 罗琳琳, 叶明. 资源型城市可持续发展影响因素的实证分析. 中国人口·资源与环境, 2014, 24(8): 81-89.

[ GUO C Z, LUO L L, YE M. Empirical analysis of factors influencing the sustainable development of resource-based cities. China Population, Resources and Environment, 2014, 24(8): 81-89.]

[6]
马向明, 陈洋, 陈昌勇, 等. “都市区”“都市圈”“城市群”概念辨识与转变. 规划师, 2020, 36(3): 5-11.

[ MA X M, CHEN Y, CHEN C Y, et al. Identification and transformation of the concepts of metropolitan area, metropolis area, and urban agglomeration. Planners, 2020, 36(3): 5-11.]

[7]
马燕坤, 肖金成. 都市区、都市圈与城市群的概念界定及其比较分析. 经济与管理, 2020, 34(1): 18-26.

[ MA Y K, XIAO J C. Definition and comparative analysis of metropolitan areas, metropolitan circles and urban agglomerations. Economy and Management, 2020, 34(1): 18-26.]

[8]
王兴平. 都市区化: 中国城市化的新阶段. 城市规划汇刊, 2002, 140(4): 56-59, 80.

[ WANG X P. Metropolitan areas development: New urbanization stage in China. Urban Planning Forum, 2002, 140(4): 56-59, 80.]

[9]
DING Y, LI F. Examining the effects of urbanization and industrialization on carbon dioxide emission: Evidence from China's provincial regions. Energy, 2017, 125(1): 533-542.

DOI

[10]
HAN X, CAO T, SUN T. Analysis on the variation rule and influencing factors of energy consumption carbon emission intensity in China's urbanization construction. Journal of Cleaner Production, 2019, 238(1): 117958, Doi: 10.1016/j.jclepro.2019.117958.

DOI

[11]
LIU B, TIAN C, LI Y, et al. Research on the effects of urbanization on carbon emissions efficiency of urban agglomerations in China. Journal of Cleaner Production, 2018, 197(1): 1374-1381.

DOI

[12]
LI K, LIN B. Impacts of urbanization and industrialization on energy consumption/CO2 emissions: Does the level of development matter?. Renewable and Sustainable Energy Reviews, 2015, 52(1): 1107-1122.

DOI

[13]
ZHANG C, LIN Y. Panel estimation for urbanization, energy consumption and CO2 emissions: A regional analysis in China. Energy Policy, 2012, 49(1): 488-498.

DOI

[14]
AL-MULALI U, BINTI CHE SAB C N, FEREIDOUNI H G. Exploring the bidirectional long run relationship between urbanization, energy consumption, and carbon dioxide emission. Energy, 2012, 46(1): 156-167.

DOI

[15]
沈杨, 汪聪聪, 高超, 等. 基于城市化的浙江省湾区经济带碳排放时空分布特征及影响因素分析. 自然资源学报, 2020, 35(2): 329-342.

[ SHEN Y, WANG C C, GAO C, et al. Spatio-temporal distribution and its influencing factors of carbon emissions in economic zone of Zhejiang Bay Area based on urbanization. Journal of Natural Resources, 2020, 35(2): 329-342.]

DOI

[16]
XIA C, LI Y, XU T, et al. Quantifying the spatial patterns of urban carbon metabolism: A case study of Hangzhou, China. Ecological Indicators, 2018, 95(2): 474-484.

DOI

[17]
独孤昌慧. 中国农地利用碳排放及影响因素研究: 1990-2016年. 生态经济, 2020, 36(5): 19-23.

[ DUGU C H. A study on carbon emission and its influencing factors of agriculture land in China: 1990-2016. Ecological Economy, 2020, 36(5): 19-23.]

DOI

[18]
李涛, 杨知建, 甘德欣, 等. 长株潭城市群土地利用/覆被变化对碳效应的影响. 生态与农村环境学报, 2016, 32(4): 539-545.

[ LI T, YANG Z J, GAN D X, et al. Influence of changes in land use/cover on carbon effect in Chang-Zhu-Tan Urban Agglomeration. Journal of Ecology and Rural Environment, 2016, 32(4): 539-545.]

[19]
宋佩珊, 计军平, 马晓明. 广东省能源消费碳排放增长的结构分解分析. 资源科学, 2012, 34(3): 551-558.

[ SONG P S, JI J P, MA X M. Structural decomposition analysis on the growth of carbon emission from energy consumption in Guangdong. Resources Science, 2012, 34(3): 551-558.]

[20]
杨文越, 曹小曙. 多尺度交通出行碳排放影响因素研究进展. 地理科学进展, 2019, 38(11): 1814-1828.

DOI

[ YANG W Y, CAO X S. Progress of research on influencing factors of CO2 emissions from multi-scale transport. Progress in Geography, 2019, 38(11): 1814-1828.]

[21]
刘玉珂, 金声甜. 中部六省能源消费碳排放时空演变特征及影响因素. 经济地理, 2019, 39(1): 182-191.

[ LIU Y K, JIN S T. Temporal and spatial evolution characteristics and influencing factors of energy consumption carbon emissions in six provinces of Central China. Economic Geography, 2019, 39(1): 182-191.]

[22]
李建豹, 黄贤金, 揣小伟, 等. 长三角地区碳排放效率时空特征及影响因素分析. 长江流域资源与环境, 2020, 29(7): 1486-1496.

[ LI J B, HUANG X J, CHUAI X W, et al. Spatio-temporal characteristics and influencing factors of carbon emissions efficiency in the Yangtze River Delta Region. Resources and Environment in the Yangtze Basin, 2020, 29(7): 1486-1496.]

[23]
苑韶峰, 唐奕钰. 低碳视角下长江经济带土地利用碳排放的空间分异. 经济地理, 2019, 39(2): 190-198.

[ YUAN S F, TANG Y Y. Spatial differentiation of land use carbon emission in the Yangtze River Economic Belt based on low carbon perspective. Economic Geography, 2019, 39(2): 190-198.]

[24]
王雅晴, 谭德明, 张佳田, 等. 我国城市发展与能源碳排放关系的面板数据分析. 生态学报, 2020, 40(21): 7897-7907.

[ WANG Y Q, TAN D M, ZHANG J T, et al. The impact of urbanization on carbon emissions: Analysis of panel data from 158 cities in China. Acta Ecologica Sinica, 2020, 40(21): 7897-7907.]

[25]
严志翰, 任丽燕, 刘永强, 等. 浙江省碳排放时空格局及影响因素研究. 长江流域资源与环境, 2017, 26(9): 1427-1435.

[ YAN Z H, REN L Y, LIU Y Q, et al. Spatio-temporal patterns and influencing factors of carbon emissions in Zhejiang province. Resources and Environment in the Yangtze Basin, 2017, 26(9): 1427-1435.]

[26]
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. 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. Acta Scientiae Circumstantiae, 2018, 38(7): 2894-2901.]

[27]
陈志建, 刘月梅, 刘晓, 等. 经济平稳增长下长江经济带碳排放峰值研究: 基于全球夜间灯光数据的视角. 自然资源学报, 2018, 33(12): 2213-2222.

[ CHEN Z J, LIU Y M, LIU X, et al. Research on carbon emission peak in Yangtze River Economic Zone with steady economic growth: Based on data of global night-time light. Journal of Natural Resources, 2018, 33(12): 2213-2222.]

DOI

[28]
张约翰, 张平宇. 长吉都市区能源碳足迹测度及影响因素研究. 地理科学, 2012, 32(9): 1099-1105.

DOI

[ ZHANG Y H, ZHANG P Y. Energy consumption carbon footprint of metropolitan district of Changchun and Jilin, China. Scientia Geographica Sinica, 2012, 32(9): 1099-1105.]

[29]
张丽君, 秦耀辰, 张金萍, 等. 郑汴都市区一次能源消费的碳排放变化及机理. 地理科学, 2012, 32(3): 314-321.

DOI

[ ZHANG L J, QIN Y C, ZHANG J P, et al. Evolution mechanisms of primary energy-related carbon emissions in Zhengzhou-Kaifeng Metropolitan Area. Scientia Geographica Sinica, 2012, 32(3): 314-321.]

[30]
孙艳伟, 李加林, 李伟芳, 等. 海岛城市碳排放测度及其影响因素分析: 以浙江省舟山市为例. 地理研究, 2018, 37(5): 1023-1033.

DOI

[ SUN Y W, LI J L, LI W F, et al. Estimating the carbon emissions and influencing factors of island city: A case study in Zhoushan Islands, Zhejiang province. Geographical Research, 2018, 37(5): 1023-1033.]

[31]
方精云, 郭兆迪, 朴世龙, 等. 1981-2000年中国陆地植被碳汇的估算. 中国科学(D辑: 地球科学), 2007, 37(6): 804-812.

[ FANG J Y, GUO Z D, PU S L, et al. Estimation of China's terrestrial vegetation carbon sink from 1981 to 2000. Scientia Sinica (Terrae), 2007, 37(6): 804-812.]

[32]
李波, 张俊飚. 基于我国农地利用方式变化的碳效应特征与空间差异研究. 经济地理, 2012, 32(7): 135-140.

[ LI B, ZHANG J B. Study on carbon effects and spatial differences based on changes in China's agricultural land use. Economic Geography, 2012, 32(7): 135-140.]

[33]
赵荣钦, 黄贤金, 高珊, 等. 江苏省碳排放清单测算及减排潜力分析. 地域研究与开发, 2013, 32(2): 109-115.

[ ZHAO R Q, HUANG X J, GAO S, et al. Regional carbon emission inventory estmimation and reduction potential analysis in Jiangsu province. Areal Research and Development, 2013, 32(2): 109-115.]

[34]
孙晓杰, 徐迪民, 李雄, 等. 上海城市生活垃圾的组成及热值分析. 同济大学学报: 自然科学版, 2008, 36(3): 356-360, 378.

[ SUN X J, XU D M, LI X, et al. Analysis of composition and caloric value of municipal solid waste in Shanghai. Journal of Tongji University: Natural Science, 2008, 36(3): 356-360, 378.]

[35]
施益军. 转型时期中国城镇化协调发展研究:理论与实践. 北京: 中国建筑工业出版社. 2020: 59-77.

[ SHI Y J. Theory and Application of Coordinated Evelopment of China's Urbanization in the Transition Period. Beijing: China Architecture & Building Press, 2020: 59-77.]

[36]
王桂新, 武俊奎. 城市规模与空间结构对碳排放的影响. 城市发展研究, 2012, 19(3): 89-95, 112.

[ WANG G X, WU J K. Study on the impact of urban scale and spatial structure on CO2 emission. Urban Development Studies, 2012, 19(3): 89-95, 112.]

[37]
汪小琦, 罗小龙, 王绍博. 哈大高铁对东北地区城市规模的空间影响. 地域研究与开发, 2020, 39(4): 60-66.

[ WANG X Q, LUO X L, WANG S B. Spatial influence of harbin-dalian high-speed railway on the urban scale in Northeast China. Areal Research and Development, 2020, 39(4): 60-66.]

Options
Outlines

/

〈 〉