傅雨凝 杜延军

摘 要：城镇化与碳排放之间的关系影响到经济发展、产业结构调整、居民收入增加以及综合国力增强，研究城镇化与碳排放之间的关系具有十分重要的现实意义。目前，我國的城镇化发展平稳有序，同时，碳排放量也急剧增加，如何在发展城镇化的同时降低碳排放量是亟待解决的难题。本文以1995年至2016年省级面板数据为样本，构建静态面板STIRPAT模型和空间面板STIRPAT模型。静态面板STIRPAT模型表明，人口规模、人均GDP以及能源消费强度与碳排放之间存在正相关关系，城镇化与碳排放存在倒“U”型关系;空间面板STIRPAT模型在论证上述结论的基础上还推导出相邻省份城镇化率与碳排量存在倒“U”型关系。最后，针对实证结果，提出具有针对性的建议。

关键词：城镇化;碳排放;静态面板STIRPAT模型;空间面板STIRPAT模型

中图分类号：F291文献标识码：A文章编号：1008-4428（2019）05-0179-04

一、 研究背景和意义

经济的巨大进步离不开全球化的快速发展，与此同时，环境的破坏与污染也在进一步加剧。最具代表性的就是温室气体二氧化碳的排放日益增多，带来许多不良后果，如全球气温升高、海平面上升、生态环境遭受破坏以及水资源失衡等等。这些不良后果直接导致人类生存环境遭受威胁。政府间气候变化专门委员会在2007年的综合报告中指出，截至2004年底，CO2的排放量占世界温室气体排放总量的76.7%，二氧化碳排放量过多产生的问题不容忽视，如何控制二氧化碳排放量是世界各国急需解决的一大难题。

中国城镇化进程的发展经历过两个阶段。2000年以前，中国的城镇化进程发展慢，较少数量的农村居民转变为城镇居民，城市的地理范围扩张速度较慢。在2000年以后，中国的城镇化进程加速，大量农村居民转变为城镇居民，城市扩张速度与日俱增，各种城镇配套设施日益完备，中国的城镇化进程在不断加速中前进。随着城镇化进程的加速，一方面提高了人民群众的生活水平，优化经济产业结构，推动经济发展。另一方面，城镇化过程又加快了资源和化石能源的消耗，增加了二氧化碳的排放量，对环境带来污染。因此，城镇化是一把“双刃剑”，如何利用城镇化的优势且避免城镇化带来的负面影响，是各国亟待解决的问题。

明确城镇化与二氧化碳排放的关系有利于寻找减少碳排放、加速城镇化发展的有效措施。国内外很多学者只注重在一个区域内研究两者之间的关系，局部片面的验证两者之间的关系，但是空间计量理论表明，数据间存在空间相关性和空间异质性，由此，可以认为城镇化对碳排放的影响不仅仅表现在局部地区，相邻地区城镇化的发展也会对本地区的碳排放产生影响。

城镇化与碳排放之间关系的研究可以以STIRPAT模型理论作为基石，加入空间计量的方法，构建空间STIRPAT模型，这样既可以研究本地区城镇化与碳排放之间的关系，又兼顾考虑了相邻地区与碳排放之间的关系。

二、 STIRPAT模型和碳排放研究现状

（一）STIRPAT模型

Ehrlich和Holden于1971年提出IPAT模型，模型主要用来分析人文因素对碳排放的影响，得到业界认同。但是随着模型的使用，人们发现该模型存在一定的缺陷。在1994年，Dietz和Rosa对IPAT模型进行了推广，发展出STIRPAT模型，STIRPAT模型不仅保留了原始模型中的重要变量，并且使得该模型的运用范围更加广泛，更加易于实证分析碳排放的影响因素。STIRPAT模型表达式如下：

（二） 碳排放研究现状

国内外学者对STIRPAT模型进行了大量研究。Shi（2003）以93个国家1975—1996年的数据为样本，研究结果表明：人口因素对发展中国家二氧化碳排放量的影响比对发达国家二氧化碳排放量的影响更加显著。Lin.S.等（2009）以1978—2006年的数据为样本，结合路径分析法和STIRPAT模型，考察环境污染的影响因素，研究结果表明：人口因素对环境的影响最为显著，城镇化水平次之。

宋德勇等（2011）以1995—2008年的省市数据为样本，采用STIRPAT模型研究省市城镇二氧化碳排放量和中国整体二氧化碳排放量之间的关系，研究结果表明：省市城镇二氧化碳排放量与中国整体二氧化碳排放量两者关系显著，存在正相关关系。黄蕊（2013）以重庆市1980—2010年能源消费的时间序列数据为样本，构建STIRPAT模型，采用岭回归技术探讨富裕程度、人口数量、产业布局、城镇化率以及能源强度与二氧化碳排放量的关系，结果表明：碳排放量随着第三产业比重的增加而减少，随着人口的增加而增加，人口因素是碳排放量最大的正向影响因素。

三、 模型构造

（一）静态面板STIRPAT模型

基于STIRPAT研究城镇化与碳排放之间的关系。由于模型1参数是非线性的，因此需要对模型两边取自然对数，得到线性模型如下：

模型2中没有城镇化变量，为了引入该变量，需要对人口规模进行分解，将人口规模分解成总人口和城镇化率，分别用P和U表示。居民的富裕程度用人均生产总值PGDP表示，技术水平用能源消费强度EN表示。这样，STIRPAT模型经过变换可以表示为：

环境库兹涅兹曲线表明，在经济发展初期，碳排放量随着经济的发展而增加，但经济发展到一定程度后，碳排放量随经济的发展却减少，二者存在倒“U”型关系。由于经济的发展水平和城镇化之间存在正相关关系，为了研究城镇化与碳排放量之间的关系，可以在式（3）中引入城镇化率的平方项，表达式如下所示：

通过对人口规模的分解以及参考经济发展与碳排放之间的关系，构造了模型（4），这一模型由于引入了省份以及年份信息，因此该模型是城镇化与碳排放的静态面板STIRPAT模型。

（二） 空间面板STIRPAT模型

静态面板STIRPAT模型虽然能够在一定程度上描述城镇化与碳排放之间的关系，但不足之处在于，它们将各个省份当作独立对象来考察，这与现实并不相符。由于碳排放在空间上并不独立，相邻省份之间碳排放量有相似的增长或下降趋势，这一点无法在静态面板中体现。同时城镇化空间溢出效应的存在，即本省城镇化率的高低会影响相邻省份的碳排放量。因此，应该构造更加符合实际情况的模型，将碳排放的空间相关性以及城镇化空间溢出效应纳入模型中，构建空间面板STIRPAT模型。

基于空间计量理论，可设定三个空间计量模型，表达式如下所示：

其中，W表示空间权重矩阵，βi是未知参数，表示Kronecker乘积，其他变量同前。通过构建三个空间计量模型，来考察城镇化与碳排放之间的关系。

四、 变量说明与数据来源

（一）变量描述

1. 碳排放量

碳排放量无法直接得到，只能通过相关能源数据间接计算得出。获取煤炭、柴油、汽油、煤油、原油、燃料油、焦炭和天然气这八种能源的数据，以及相应的碳排放系数，将能源与碳排放系数相乘求和即为碳排放量。碳排放的计算公式为：

2. 人口规模

人口规模用各省的总人数表示。

3. 城镇化率

城镇化率用各省的城镇人口与总人口的比例来表示。

4. 富裕程度

富裕程度用人均GDP来表示。

5. 能源消费强度

能源消费强度用单位GDP能源消耗来表示。

（二）数据来源与处理

本文选择以1995年至2016年28个省市自治区的面板数据为样本，综合评估人口规模、人均GDP、能源消费强度以及城镇化对二氧化碳排放量的影响。由于存在通货膨胀因素，因此对人均GDP数据进行了平减。

五、 实证研究

（一）静态面板STIRPAT模型实证

1. 单位根检验

由于本文使用的是时间序列数据，首先需要对变量数据进行平稳性检验。表1和表2表示在5%的显著性水平下，各变量和变量经过一阶差分变换后在LLC检验、ADF检验以及 PP检验三种方法下的平稳性检验结果。

结果表明，变量在进行一阶差分变换之后，表现为平稳，可继续对模型进行研究。

2. 模型实证

面板数据构造模型主要有两个选择，一是固定效应模型，二是随机效应模型。

需要采用Hausman检验方法确定模型形式，检验结果如表3所示：

Hausman检验的P值为0.013，在5%的显著性水平下，可以通过检验，因此选择固定效应模型，形式如下：

以1995年至2016年的省级面板数据作为样本，以广义最小二乘法作为建模方法，对式（9）进行估计，拟合参数结果如表4所示：

由表4可知，调整后的决定系数为0.862，模型的拟合效果达标。F值为152.414，表明解释变量总体对被解释变量影响显著。解释变量的P值都小于0.05，表明全部变量都是显著的。

LnP的系数为1.915，表明人口数量提高1%，碳排放量提高1.915%;lnPGDP的系数为1.273，表明人均GDP提高1%，碳排放量提高1.273%;lnEN的系数为1.308，表明能源消费强度提高1%，碳排放量提高1.308%;U和U2系数分别为1.455和-1.996，表明城镇化与碳排放存在倒“U”型关系。

由于U和U2的系数一正一负，表明城镇化率和二氧化碳排放量之间存在倒“U”型关系。在城镇化发展初期，二氧化碳排放量随着城镇化的发展水平提高而增加;若城镇化的发展水平继续提升，二氧化碳的排放量会随着城镇化的发展水平减少。我们可以理解为，在城镇化发展初期人们只顾追求经济快速发展而忽视环境问题，化石能源的频繁使用，产生大量废气导致碳排放量剧增。在城镇化发展上升到某个特定水平后，社会经济发展相较之前大幅度提升，为追求高品质的生活，人们更加注重环境保护问题，走可持续发展的道路，环保意识增强，在一定程度上减少了碳排放量。同时，城镇化的发展也推动了产业结构的调整，技术方面更加倾向于清洁能源技术，这也降低了碳排放量。

在确定城镇化与碳排放量之间存在倒“U”型关系后，为寻找城镇化和二氧化碳关系发生变化的拐点，设定只有二氧化碳排放量和城镇化这两个变量的模型，不考虑其他因素对碳排放的影响，模型设定如下：

式（10）计算出来的拐点为57.21%，式（9）计算出来的拐点为24.88%，两者差距较大，说明需要建立更为有效的模型，可考虑空间溢出效应对模型的影响。

（二） 空间STIRPAT的模型实证分析

1. 空间相关性检验

构建空间计量模型之前需要对变量进行空间自相关检验。本文采用针对全局检验的Moran I指数进行检验，碳排放和城镇化率的MoranI指数检验结果如表5所示：

表5和表6表明，二氧化碳排放和城镇化率的MoranI指数的P值显著为0，且值为正，表示兩者都具有正的空间相关性。

2. 模型检验

模型的检验思路为：首先检验模型的空间性，然后判断模型是属于上文讨论的空间滞后模型、空间误差模型以及空间杜宾模型中的哪一个，最后，确定一个最优的模型。为了确定模型是否存在空间性，对数据进行最小二乘拟合，空间滞后拟合、空间误差拟合以及空间杜宾拟合，四种模型调整后的可决系数分别为：0.862，0.94，0.94，0.94，因此模型存在空间性。

为了在空间滞后模型、空间误差模型以及空间杜宾模型中选择最优模型，对模型采取稳健的LM检验和Wald检验，检验结果如表7：

表7表明，除了LM检验之外，Wald检验的P值均小于0.05，这表示空间杜宾模型是最合适的模型。