张华明,元鹏飞,朱治双

中国城市人口规模、产业集聚与碳排放

张华明*,元鹏飞,朱治双

(山西财经大学经济学院,山西 太原 030012)

基于2009～2018年中国286个地级市面板数据,构建空间计量模型,从城市人口规模和产业集聚的综合视角探讨对于人均碳排放的影响机制.结果显示:不同城市的人均CO2排放具有显著的空间溢出效应;城市人口规模和产业集聚与人均CO2排放之间均呈“倒U型”关系,且影响机制各不相同;产业集聚与城市人口规模在影响碳排放上具有协同效应;中国东中西地区及南北地区在碳排放及其影响机制上具有显著差异;地区差异、经济发展程度差异等一系列稳健性检验均验证了上述结论的可靠性.因此各地政府在制定可持续发展政策时要针对城市人口规模、产业集聚和低碳统筹发展,合理制定人口、产业和节能减排政策.

城市人口规模；产业集聚；碳排放；空间溢出；区域异质性

近年来,在中国工业化和城镇化进程不断推进的过程中,伴随着大量的CO2排放和自然资源消耗.中国在第75届联合国大会上做出承诺,争取在2060年之前实现碳中和.中国是世界上人口最多的国家,1990～2019年间,中国人口由11.43亿增加到14亿,净增2.57亿,城市人口规模不断扩大.人口规模扩大的过程中就业人口在2000～2019年从7.21亿人增加到7.75万人,其中第一产业就业人数急剧减少,而第二和第三产业就业人数大幅上升,导致中国不同地区形成不同的产业集聚现象.

与此同时,经济活动在地理上的集聚影响越发突出,城市作为经济活动的载体,在现今资源和环境的硬性约束下,依靠资源推动城市经济扩张的传统方式难以为继.同时中国现代化经济体系建设要求维持城市经济中高速增长,企业发展模式必须由粗放式发展转变为集约式发展.为实现集约式发展必须转变生产方式,提高能源利用效率和节能减排技术.但长期以来粗放式的经济发展模式造成城市中高耗能、高污染企业能源浪费现象严重、碳排放量超标,城市人口规模的扩大也推动了土地价格上涨、能源消耗增加、资源浪费现象加剧、环境污染加重等负外部性凸显.在城市未来实现可持续发展过程中,需要付出高额成本对应治理,寻求提高能源消耗效率、减少碳排放的城市发展路径是当务之急.因此.识别城市人口规模、产业集聚与碳排放之间的关系具有现实意义.

1 文献综述及研究假说

关于城市人口规模、产业集聚和碳排放三者的关系之间,学术界的观点不同.

城市人口规模一直是研究城市能源消耗的重要因素.城市人口规模是指有限的城镇空间中所能承载的人口数量,在城市经济发展、城镇化建设、生态环境改善过程中会有与之相匹配的最优城市人口规模.城市人口规模较小,人口密度较低的情况下会造成“摊大饼”式的城市空间结构,导致城市能耗增加,这种城市发展模式不利于节能减排.部分学者[1-3]通过城市规模、城市密度与城市能耗之间的相关关系分析,得出了城市人口规模与城市能耗之间呈正相关关系的结论.但有学者[4]认为适宜城市发展的人口规模可以有效促进城市生态环境改善,降低城市碳排放量,实现可持续发展.例如家庭规模增长初期家庭户均居住碳排放随家庭规模的扩张而降低[5];人口规模的提升、人口集聚度增加有利于提高建筑密度从而提升能源效率,人口随数量增长而集中也有利于能源的集中供应,促进节能减排[6].虽然有研究发现[7-9]当城市人口规模增长到一定阶段后城市人口过多会导致能源消耗量上升和环境污染加剧、交通拥挤等情况的出现,但总体上来看我国城市人口规模仍未达到最有利于促进节能减排的标准,还存在大范围的提升空间及吸纳潜力[10-11].基于此,本文提出以下假说:

假说1:我国城市人口规模与人均碳排放量之间呈“倒U型”关系.

以经济密度和就业密度作为产业集聚的衡量指标,其对碳排放的影响分为两个方面.一方面,产业集聚程度提高会增加碳排放量,加重环境污染[12].在产业最初显现集聚态势时,企业的经济实力薄弱且基础设施处于建设阶段,高级的分工协作关系并没有形成,上下游企业联系不紧密,企业的能源效率和节能环保投资都处于初级阶段,不利于节能减排.另一方面,随着产业集聚的进行,高素质人才开始集聚,集聚外部性通过厂商之间的相互作用开始获得收益,有利于节能环保技术的扩散,有利于控制污染物[13]和CO2的排放[14-15].产业集聚达到一定程度后,专业化的劳动分工和“学习效应”会提升企业的生产效率从而带来节能减排效应,减少碳排放.同时产业集聚度的提升会提升单位能源的经济产出从而降低碳排放[16].在产业过度集聚时,工业企业的集中会造成交通拥挤、能源消耗量增加、污染物排放加重及政府管控不力等情况,产业集聚的节能减排边际效应开始递减[17].在分析产业集聚和碳排放之间的关系过程中,一些文献还针对其区域异质性进行了分析,得出在中国东、中、西部城市中不同影响因素对于碳排放影响的显著程度不同[18-19].

假说2:产业集聚与人均CO2排放之间呈“倒U型”关系,且产业集聚与人口规模之间具有协同效应,共同影响人均CO2排放.

空间效应对于城市碳排放水平的影响也被越来越多的学者所关注,不同城市中CO2排放的影响因素所产生的空间溢出效应被越来越多的研究考虑在内.不同区域之间的CO2排放和污染可能存在空间相关性[20-22].张翠菊等[23]运用空间计量经济学的方法对中国东中西3区域及沿海地区、黄河长江地区等8区域的碳排放与人口数量、产业集聚之间的关系进行测算,发现不同区域解释变量对于区域碳排放强度的影响显著程度不同且空间溢出效应明显.陈操操等[24]利用空间分析手段和空间回归模型来比较京津冀、长江三角洲城市群碳排放的空间集聚特征.韩峰等[25]基于不同的空间权重矩阵和空间杜宾模型(SDM)模型证明多样化集聚、专业化集聚对周边城市会产生负向空间外溢效应且主要表现为极化效应而非扩散效应.何文举等[26]在STIRPAT模型的基础上采用空间计量模型研究发现人口、产业以及企业密度对省域碳排放的影响呈“正N”型且表现出东高西低的特征.

假说3:我国不同地级市人均CO2排放量之间存在空间溢出效应.

由上述文献可以看出,多数研究是针对CO2排放和人口规模之间的相关影响或CO2排放和产业集聚之间的相关关系单独进行分析,本文的潜在创新包括:(1)现有研究大多数是基于CO2排放和其影响因素进行单独论证,本文在统一框架下对CO2和城市人口规模、产业集聚程度进行论证和分析,梳理两者对于区域碳排放的影响机制及其协同效应,更有代表性和科学性.(2)除分析一般性规律外,本文进行了一些区域异质性分析,能够看到不同特征城市在碳排放影响机制上的差异.

本文认为,城市人口规模的增长和产业集聚的形态都在不断演进,在超过一定临界值的情况下集聚经济所带来的“减排效应”应该得到重视.不同区域之间碳排放的空间溢出效应必须要纳入考虑因素,即一个地区的CO2排放不会仅仅局限在该区域内部,还会向周边相邻地区渗透,影响到周边地区碳排放变化.基于此,本文对我国286个地级市进行实证研究来综合评估城市人口规模、产业集聚程度对城市碳排放水平的影响,以此来考察空间效应、集聚经济效应、协同效应.

2 模型设计

本文研究聚焦于城市人口规模、产业集聚对碳排放的影响.本文将基于环境压力评估模型STIRPAT来考察三者之间的内在关系.基本模型为:

式中:表示环境压力,、、、分别表示人口规模、财富规模、技术水平和随机误差项,、、、为常数.此模型近年来被广大学者所接受用来衡量环境方面包括碳排放的研究.本文基于STIRPAT模型的基础上对模型进行拓展,引入基本面板模型,此模型将城市人口规模和产业集聚作为核心解释变量加入,用于考察对人均碳排放的影响.

式中: PC表示人均CO2排放量,t/人; POP表示城市人口规模,万人;就业密度Emd(人/km2)和经济密度Ecd(万元/km2)表示产业集聚度;表示其他控制变量,包括人均GDP、环境规制程度等等;下标和表示第个区域在时间点的观测水平;0为截距项,1、2、3分别为各变量对人均CO2的回归系数;表示其他控制变量的回归系数.α为个体固定效应,ε为随机误差项,且假设服从独立随机分布(i.i.d).

前文提到,城市人口规模和产业集聚都是一个不断增长演进的过程.当处于城市人口规模较小且产业集聚度不高的阶段,城市和企业的经济实力薄弱且基础设施都处于基础建设阶段,不能有效发挥规模效应.当城市规模扩张和产业集聚程度提高时,受到规模效应和外部性的影响,企业的技术进步、生产率的提高以及产业链的逐步完善都会促进城市节能减排.这两种相反效果是否存在最适合节能减排的“拐点”?根据库兹涅茨曲线“倒U型”效应,在经济发展初期是以牺牲环境为代价的.但经济发展到一定程度以后环境问题得到改善.同时依据上文假说1和2,本文认为城市人口规模和产业集聚与碳排放之间并不存在明显线性关系而是呈“倒U型”.

因此本文在式(2)的基础上引入城市人口规模和产业集聚的二次项.如果假说成立则二次项系数应该显著为负.扩展后的模型如下:

由于产业集聚依赖于人口的扩展同时也会促进人口在区域内的集聚,可假定两者在促进节能减排时具有协同效应.因此本文在式(3)的基础上增加城市人口规模和产业集聚的交互项进一步扩展,扩展后的模型如下:

在中国一些工业城市发展的早期,引入大量工业企业在城市集聚,在促进城市发展的过程中也产生了大量CO2排放.然而随着产业结构不断升级和城市经济发展,大量劳动密集和重污染型企业不断迁向周边城市,表现为负外部性.同时一个城市能源消耗所产生的碳排放由于CO2的流动性也会导致周边城市受到牵连.但周边相邻城市势必会引进中心城市的先进技术来提升自身的生产率,并通过节能减排来增加自身的发展潜力,其资源、人口、环境势必会受到相邻城市的影响.根据假说3,认为我国地级市碳排放水平存在空间效应且形成空间溢出效应.基于此假说,考虑到经济活动和人口变动总是在一定的时间和地区内进行的,对于式(4)进行空间维度的扩展,建立空间杜宾模型(SDM)如下:

式中:是标准差,是单位矩阵.μ(0,σI)表示是服从正态分布的随机扰动项,为空间滞后系数,为空间误差系数,两者均反映样本观测值的空间依赖作用,即反映不同城市间碳排放的相互影响.当0时模型为空间误差模型(SEM),当0时模型为空间滞后模型(SLM).

为空间权重矩阵.本文采用地理距离矩阵和经济距离矩阵.其中地理距离矩阵的构建方式为=1/d,d为地级市到地级市之间的地理距离.经济距离矩阵的构建方式为E= 1/|Y-Y|,Y和Y为地级市和的经济发展水平,通常以GDP来衡量.两种矩阵均通过Stata.15软件运算得出.其中地理距离矩阵作为度量空间关联性的基本矩阵,被多数文章采用,但并未统一.本文分析地理距离权重矩阵下的估计结果,并使用经济距离权重矩阵进行稳健性检验,结论具有高度相似性.

表1 各模型LM检验结果

注:模型1表示表5的回归结果;模型2表示表6第3列回归结果;模型2表示表7第3列回归结果;*、**和***分别表示通过10%、5%和1%的显著性检验.

表2 各模型LR、Wald检验结果及模型选择

注:模型1表示表5的回归结果;模型2表示表6第3列回归结果;模型2表示表7第3列回归结果;*、**和***分别表示通过10%、5%和1%的显著性检验.

本文根据Anselin等[27]的建议采用拉格朗日乘数检验选择空间模型,通过2个拉格朗日形式的LM-ERR、LM-LAG和稳健的R-LMERR、R- LMLAG检验来判断.如果LM-LAG较LM-ERR在统计上更加显著,且R-LMLAG显著而R-LMERR不显著,则可以断定适合的模型是空间滞后模型.相反,则断定空间误差模型是恰当的模型.从表1中可以看出,LM-ERR、LM-LAG、R-LMERR、R- LMLAG均通过1%的显著性检验,表明模型中残差项和滞后项存在空间自相关,空间滞后模型SLM和空间误差模型SEM均优于传统的面板模型.同时根据表2中LR检验和Wald检验结果显示,LR-ERR、LR-LAG、Wald-ERR、Wald-LAG均通过1%的显著性检验,证明SDM模型不能退化为SLM和SEM模型.综合表1、表2,本文在实证分析过程中选取SDM作为最优空间模型.

3 指标选取与数据来源

3.1 被解释变量

人均CO2排放量(t/人).选取286个地级市人均CO2排放量,时间跨度为2009～2018年.由于地级市CO2排放总量暂没有官方机构公开的数据,本文根据各地级市消耗的电力、煤气、液化石油气转化为标准煤消耗量,并根据CO2排放量计算方法[28],换算各地级市CO2排放总量.将CO2排放总量除以各地级市总人口数量得到人均CO2排放量PC.

式中:1,2,3分别表示电力(万kW·h)、煤气(万m3)、液化石油气(t),代表它们的消耗量.LCV为2018年《中国能源统计年鉴》[33]中统计的3种能源平均低位发热量.CEF和COF分别表示由IPCC提供的碳排放系数和碳氧化因子.= 44/12,其中44和12分别为CO2和碳的分子量.

3.2 核心解释变量

城市人口规模(万人):采用各地级市市辖区年末总人口来表示城市人口规模.

产业集聚指数:度量产业集聚程度的常用指标包括熵指数、赫希曼-赫佛因德指数等.一般来讲,产业集聚意味着企业、劳动力、经济活动在地理上的集中.根据Ciccone[30]的研究,使用单位面积土地的产出即经济密度(Ecd)更能反映城市经济活动的集聚程度.同时采取单位面积土地上就业人口数量即就业密度(Emd)来反映劳动力和企业在地理上的集聚[31].本文同时采用这两种指标来测算产业集聚指数.

3.3 控制变量

环境规制指标:对于政府环境规制能力衡量的指标,对企业迁移行为具有影响.本文采取污染物去除率来衡量[32].污染物去除率代表着政府约束规制下对废水、废气、固废的去除率,是真实排放中污染物减少量所占的比例,可以用来衡量环境规制力度.

国民经济发展指标(万元/人):本文采用人均国内生产总值来衡量经济发展状况.与GDP总量相比,人均GDP指标更能反映出城市经济发展水平对碳排放的影响.

人均消费水平:本文采用人均社会消费零售总额来衡量国民消费水平.社会消费零售总额反映各行业所提供的消费品总量,从社会消费品购买力的角度反映城市经济现状.

专利申请数:专利申请数量侧面反映城市的创新活力和技术进步程度,本文采用人均专利申请数来衡量各地区技术发展水平[33].

3.4 数据来源

数据来源为历年《中国城市统计年鉴》[34]、《中国环境统计年鉴》[35]《中国人口与就业统计年鉴》[36],各个变量的描述性统计见表3.

表3 变量的描述性统计

4 计量结果及分析

4.1 空间相关性检验

区域整体上的空间关联程度通常用Moran’s指数来度量.Moran’s指数计算公式为:

式中:x、x表示城市和城市的人均CO2排放量;为城市数量(=286);ij为空间权重矩阵,本文通过选取地理距离权重矩阵确认Moran’s.表示城市人均CO2排放量的全局莫兰指数,取值范围为[-1,1],当> 0时说明具有相似(高-高、低-低)人均CO2排放量的城市在地理空间上集聚;< 0时说明具有异质性(高-低、低-高)人均CO2排放量的城市在地理空间上集聚.

从表4可以看出2009～2018年我国人均CO2排放量的Moran’s都通过1%的显著性水平检验,且人均CO2排放量的Moran’s都为正值,说明我国不同城市的人均CO2排放量并不是呈现随机分布特征,而是具有较强的空间相关性.据此可以判断:地理距离是影响人均碳排放量的重要因素,将地理距离作为空间权重矩阵有一定的合理性.此外,本文进一步在实证过程中选取经济距离矩阵来增加结果的稳健性.

表4 2009～2018年我国人均CO2排放量 Moran’s I变化状况

注:()为得分,用来反应数据集的离散程度.()>2.58表明数据呈高度集聚,且置信度为99%.*、**和***分别表示通过10%、5%和1%的显著性检验.

上述Moran’s指数检验证明我国人均CO2排放量在地级市之间存在空间相关性,可以通过建立空间计量模型来分析.下面采用双固定效应的空间计量模型分析我国286个地级市的人均CO2排放量与城市人口规模、产业集聚之间的关系.

4.2 人均CO2排放与城市人口规模

以往考察碳排放与人口规模之间关系的文献往往是考察两者之间的线性关系,而忽略了两者之间可能存在的非线性关系.本文以城市人口规模的一次项和二次项作为解释变量来考察两者之间的非线性关系,并分解直接效应(DE)、间接效应(IE)和总效应(TE).其中直接效应是指某区域自变量对因变量的影响大小,主要测度各地级市城市人口规模对于本区域人均CO2排放的影响.间接效应用于度量邻近区域城市人口规模对本地区人均CO2排放的影响,也称为空间溢出效应.总效应为直接效应和间接效应之和(TE = DE + IE),用于测度各区域城市人口规模对于所有地区碳排放的平均影响.表5给出相应结果.

在表5所示结果中,采用地理距离矩阵和经济距离矩阵进行回归所得空间自相关系数分别为0.133和0.102且均通过0.01的显著性检验,说明各地市的人均碳排放量之间确实存在空间效应且已经形成空间溢出效应.同时发现城市人口规模的二次项直接效应显著为负,说明人口密度较低时,人均碳排放随着城市年末总人口的增加而增加;当超过第一个临界点时,两者则呈现出反向的关系,表现为“倒U型”.间接效应二次项为负,说明城市人口规模变动所产生的影响在空间中主要表现为扩散效应而不是极化效应,从而削弱了人口变化外部性的空间溢出效应.其中扩散效应表示增长极对周围地区产生辐射作用,把生产要素由增长极所在地转移到外围地区.而极化效应表示生产要素如资源、人力、资金、技术由外围地区流向增长极的核心区域.上述结果对前文提出的假说1给予了实证的支持.

表5 城市人口规模对人均CO2排放的影响

注:*、**和***分别表示通过10%、5%和1%的显著性检验.

如何解释城市人口规模带来的“倒U型”影响呢？本文认为,城市的人口规模较小会导致城市能耗增加.在城市人口规模较小时,城市中常见的问题是基础设施、公共服务设施建设和运营能力不足,无力承担大型基建设施的投资和运营,特别是城市供气供暖、污水处理、垃圾处理站及焚烧技术等耗资较大的设施.由于城市人口规模较小,小城市在建设这些设施时会面临较大的人均成本,导致一些小城市垃圾堆积和污水横流,生态环境遭到严重破坏,在小城市人口规模扩张过程中,污染会进一步加剧,造成人均碳排放量持续升高.

同时在人口较少的城市中,人们住房面积更大,因此采暖、制冷、照明的要求更高,更加依赖能源设备来提高生活质量,家庭相应消耗的电力和燃气量会增加.交通规划分散导致居民出行的交通行为呈分散化,对于私家车的依赖要高于大型城市,这会降低公共交通的规模效应,增加相应的交通能耗.

随着城市人口规模增加到一定程度,跨过“倒U型”曲线的临界值,人均碳排放量开始降低.随着人口数量的增加,公共设施和节能减排设施运营和维护的人均成本会下降.人口和建筑的集中度提高电、暖、热等能源的集中供应,提高能源效率,减少能源损耗,降低能源消耗总量.由于人口和建筑集中带来的规模效应提高了生活中用电、用水以及能源设施的使用效率,人均生活能耗随之下降.

伴随着人口向城市集中,城市人口规模随之扩大,对于高素质人才、高质量资本和创新要素的吸引力增加,营商环境改善,促使生产要素向城市聚集.大城市迁入外来人员主要是技术人才、管理人才等高素质人才,这些人才的迁入大幅度提升城市的人力资本水平,从生产要素端提供了高素质劳动力,极大促进技术进步的步伐,从而导致城市环保技术水平和能源使用效率的提升.可以通过发挥学习效应,相互学习和共享知识,增加节能减排投资、改善节能减排技术、实现技术扩散,提高能源利用效率从而减少碳排放.

4.3 人均CO2排放与产业集聚

如表6、7所示,第(1)、(4)列分别给出基准回归的结果,第(2)、(5)列加入相应的控制变量,第(3)、(6)列加入城市人口规模和经济密度的交互项测算两者的协同效应.各模型的空间自相关系数均显著,说明无论从经济密度还是从就业密度角度来看,各地级市的人均CO2排放水平都存在空间效应且已经形成空间溢出效应.

就业密度所表示的产业集聚和城市人均CO2排放量之间存在先升后降的“倒U型”关系,并且直接效应均通过1%的显著性水平检验,间接效应总体上显著.根据模型(3)的系数估计结果,产业集聚和城市人口规模对碳排放的影响存在协同效应,证实假说2.根据直接效应显示的结果,产业集聚和人均CO2排放量之间的关系为:¶(lnPC)/¶(Emd)=12.978- 11.642Emd-2.026lnPOP.从这一关系可以看出产业集聚的效率增进作用不仅受到就业密度的影响,而且受到城市人口规模的限制.当城市就业密度取平均值时(Emd=0.041),人均CO2排放量最大化时城市人口规模为478.186万人.当给定城市人口规模小于平均值(POP<152.488万人)时,且产业集聚水平较小时,城市的节能环保效应不能顺利发挥,其原因在于:以2018年为例,人口小于152.488万人的城市数量占据68%,对于城市人口规模较小的城市来说,虽然城市能源消耗总量相对较少,但由于城市的资源、土地、人口数量较少,公共交通不能发挥集聚效应,人均交通耗能较多.同时由于就业密度较低,城市中劳动力、资本等密集型产业不集中,高耗能企业较为分散且不便于集中管理.同时缺乏高质量、高素质的人才和科技创新能力,学习效应和知识共享只能通过有效的途径发挥,不利于城市能源效率和环保效率的提升.当城市人口规模为152.488万人,就业密度(Emd)为0.240时,城市人均CO2排放量达到最大.当就业密度跨过0.240的临界值时,人均CO2排放量开始减小,集聚效应得到有效发挥,就业密度增加将有利于节能减排.其原因在于:由于就业密度的增加,企业相对而言拥有较强的经济实力,在特定的地理范围内形成集中趋势,能够吸引高技术人才、加速环保技术扩散、深化环保理念共享.

表6 就业密度对人均CO2排放的影响

续表6

注:*、**和***分别表示通过10%、5%和1%的显著性检验.

表7 经济密度对人均CO2排放的影响

续表7

注:*、**和***分别表示通过10%、5%和1%的显著性检验.

在表7所示结果中,空间自相关系数都通过1%的显著性水平检验,且总效应二次项均显著为负.说明中国各地级市产业集聚对周边地区人均CO2排放有显著影响.经济密度的直接效应二次项显著为负,证明假说2中产业集聚和碳排放之间呈“倒U型”.

造成这一现象的原因是城市经济发展初期,需要投入更多的能源来支撑经济发展,增加单位面积产出.且经济实力薄弱的城市使用能源较为单一,主要使用煤炭、石油等化石能源.同时在产业集聚的初始阶段,政府缺少足够的财力和物力来鼓励技术研发,提高能源效率.经济发展过程中还未形成较为完善的产业链条,上下游企业之间的相互联系松散,也未形成网络化的分工协作关系.在经济实力较弱的城市中,其基础设施、公共服务设施和创新设施均处于初始建设阶段,集聚区对于改善生产技术、提高生产率所需的成本高于环境治理和节能减排的成本,使得大部分企业不愿意投资节能环保技术也不愿意采用节能环保项目.这一阶段经济发展相应的生产方式表现为“资源—产品—废物—末端治理”,即以经济发展和提高生产率、集聚相关资源和劳动力为主,环境治理和节能减排考虑较少.

根据模型(3),二次项系数为-0.042,说明当城市经济密度为Ecd = 0.077时,城市人均CO2排放量达到最高,然后开始下降.造成这一现象的主要原因是具有较强经济实力的城市开始寻求集约化发展,转变生产模式和经济发展方式,引起高污染、高耗能、高排放企业的迁出和拥有高技术水平的企业迁入,这类产业结构演变有利于促进城市低碳发展.同时大城市拥有更为完善的供能体系和技术水平,可以在低碳约束下改变产业的能源消费结构,发展太阳能、风力、热能、生物质等清洁能源,减少CO2排放量.

其次,在城市产业集聚的高级阶段,经济体系中会形成更为专业化的劳动分工、更为广泛的信息和知识交流,这都会导致企业的生产效率和人们生活的用能效率提升,推动能源节约效应开始显现.同时政府拥有更多的财力支持产业集聚的政策进一步完善,通过建立高新开发区和基础设施建设,加大对创新技术、交通运输和现代化设备的投入,为城市低碳发展提供设备和技术支撑,且技术的扩散效应会促进其他城市的节能减排.这时城市中拥有数量较多的大企业,在进一步考虑控制生产排放的过程中,降低环境污染和CO2排放的投资已经低于推动生产技术发展所需的投资,使得企业愿意发展节能减排技术.这一阶段经济发展相应的生产方式表现为“资源—产品—回收再利用”的循环模式,能源节约利用效应初步显现且开始超过扩大生产规模带来的规模效应,人均CO2排放量逐步降低.

5 基于不同区域的进一步分析

考虑到不同地区经济发展水平、资源禀赋以及人口分布不同,本文就城市人口规模、产业集聚对碳排放的影响在中国东、中、西和南北区域分别进行空间层面上的测算,结果可见表8、表9.考虑到不同区域城市之间的关系会随着经济关系的变动而变动,即各城市与周边城市的经济联系较为密切,因此本次分析采用经济距离权重矩阵作为空间权重矩阵.模型仍然选择SDM模型.

从整体上看,城市人口规模、产业集聚与碳排放之间的相关关系与前文测算结果基本一致,同时证实假说1、2、3的正确性,即城市人口规模、产业集聚与人均CO2排放之间均呈“倒U型”关系,且不同地区之间存在空间相关性.具体到各个区域,影响具有明显差异性.

5.1 基于东、中、西区域的分析

表8 人均CO2与城市人口规模、产业集聚在东、中、西部地区的回归结果

注:*、**和***分别表示通过10%、5%和1%的显著性检验.

据表8,分析城市人口规模对人均CO2排放的影响,其边际影响在西部地区明显大于中、东部地区,这是由于相比较西部,中、东部在人口规模和人口结构上保持相对稳定的动态平衡.一方面,由于西部地区生活生产环境较为贫瘠,使得城市资源不能够在短时间匹配增长的人口,城市人均能源消耗和环境治理压力迅速增加.另一方面,周边地区城市人口规模的扩张带来的集聚经济效应能够带动西部地区发展,缓解西部地区人口规模扩张时带来的生态治理压力.

相比而言,产业集聚对人均CO2排放的影响在不同区域更加复杂.就业密度对于西部的影响大于中东部影响,但对东部和中部地区的影响主要体现在间接影响上.以东部为例,就业密度对于东部地区的总效应为-29.525,其中间接效应为-23.848,占影响程度80.8%.相比而言,就业密度在西部地区的间接效应不显著,表明西部地区的就业密度变动主要受本地区和东中地区影响并反馈本地区.就经济密度而言,中西部地区主要变现为对本地区的影响,其经济发展主要吸收东部发达地区的经济和社会红利.东部地区的间接效应和总效应较为显著,表明东部地区经济增长集聚效应所带来的扩散效应较为明显,即东部各地级市之间形成某一增长极时,其经济增长趋势会对周边地区形成快速补充和带动,产生一定的规模效应.企业之间的联系较为紧密,发达地区和欠发达地区的企业之间存在及时的承接和转移,规模效应得到有效发挥.但节能减排措施和相关技术创新无法与现阶段经济发展和所带来的高CO2排放相匹配,因此间接效应表现为负.

5.2 基于南、北地区的分析

以中国自然地理为界,即以秦岭-淮河为界,本文将中国划分为南北地区[37].具体而言,北方地区包括黑龙江、新疆、山西、宁夏、吉林、辽宁、天津、青海、甘肃、陕西、山东、内蒙古、河北、北京,南方地区包括河南、江苏、安徽、湖北、浙江、江西、湖南、云南、贵州、福建、广西、广东、重庆、四川、上海、海南.

根据南、北地区对城市人口规模、产业集聚和碳排放之间的关系进一步分析,结果如表9.从回归结果可以看出,南北地区不同城市的人均CO2排放影响因素和影响效果完全不同:城市人口规模、产业集聚在南方地区对于碳排放的影响主要集中在直接效应;城市人口规模、就业密度和经济密度的直接效应二次项均显著,但只有经济密度二次项的间接效应较为显著.这是由于南方城市较北方城市来说更为发达,其人口变动幅度较大,对于人才和资本具有吸引力.除本地人才和企业在南方城市中获得较好的发展前景外,北方高素质劳动和企业也在不断涌向南方地区.

表9 人均碳排放与城市人口规模、产业集聚在南、北地区的回归结果

注:*、**和***分别表示通过10%、5%和1%的显著性检验.

相对于南方地区,北方城市人口规模和产业集聚对于碳排放的影响主要体现在间接效应上,如就业密度二次项所产生的总效应为-33.757,其中间接效应达-30.041.这是由于欠发达城市实现经济发展主要依靠吸收发达城市的企业、人才和经济红利,如北京、天津等大型城市和各省会城市,经济发展过程中虽然会产生极化效应,但人口和企业的集聚趋势带来的扩散效应会更有效带动周边城市发展.

6 政策建议

根据本文的研究,为实现城市的可持续发展,各地政府首先应树立发展的“大局观”.由于CO2排放具有溢出效应,因此在发展本地经济的同时不能以牺牲周边临近地区为代价.在国家和省级层面制定经济发展规划时应注重区域合作,包括技术、人才共享和污染联防联治,促进不同区域经济、社会、生态协调发展.其次,应积极推动产业集聚发展,提升城市技术水平和人力资本,发挥集聚的规模效应,保持城市人口规模和产业集聚程度与当地的生态、社会、经济发展相匹配,在促进经济增长的同时发挥集聚带来的节能减排效应,实现城市的可持续发展.

7 结论

7.1 我国不同城市之间人均CO2排放之间存在空间溢出效应,且空间因素对城市人口规模、产业集聚与碳排放之间关系的回归结果有显著影响,忽略空间溢出效应的回归结果可能存在一定误差.

7.2 采用空间计量模型测算得出城市人口规模与人均CO2排放、产业集聚与人均CO2之间均呈“倒U型”关系,且对周边区域的碳排放有影响.城市人口规模和产业集聚会共同影响人均CO2排放.

7.3 在中国东、中、西、南、北各个区域,城市规模和产业集聚对于碳排放的影响存在显著差异.城市人口规模变动的影响在西部大于中东部,产业集聚对于东部的影响主要集中在间接效应.城市人口规模、产业集聚对于南方地区的影响主要表现在直接效应,而对于北方的影响主要表现为间接效应.

[1] 郭 文,孙 涛.城镇化对中国区域能源消费及居民生活能源消费的影响[J]. 中国环境科学, 2015,35(10):3166-3176. Guo W, Sun T. Impact of urbanization on regional energy consumption and residents' energy consumption in China [J]. China Environmental Science, 2015,35(10):3166-3176.

[2] Shim G E, Rhee S M, Ahn K H, et al. The relationship between the characteristics of transportation energy consumption and urban form [J]. The Annals of Regional Science, 2006,40(2):351-367.

[3] 范 进.城市密度对城市能源消耗影响的实证研究[J]. 中国经济问题, 2011,(6):16-22. Fan J. The empirical study of the impact of urban density on energy consumption [J]. China Economic Studies, 2011,(6):16-22.

[4] 王桂新,武俊奎.产业集聚、城市规模与碳排放[J]. 工业技术经济, 2012,31(6):68-80. Wang G X, Wu J K. Study on industry agglomeration, urban scale and carbon emission [J]. Journal of Industrial Technological Economics, 2012,31(6):68-80.

[5] 胡 振,何晶晶,王 玥.基于IPAT-LMDI扩展模型的日本家庭碳排放因素分析及启示[J]. 资源科学, 2018,40(9):1831-1842. Hu Z, He J J, Wang Y. Factor analysis and enlightenment of household carbon emissions in Japan based on IPAT-LMDI extension model [J]. Resources Science, 2018,40(9):1831-1842.

[6] 程开明.城市紧凑度影响能源消耗的理论机制及实证分析[J]. 经济地理, 2011,31(7):1107-1112. Chen K M. Theoretical mechanism and empirical study about the influence of city compactness on energy consumption [J].Economic Geography, 2011,31(7):1107-1112.

[7] Dixit A. The optimum factory town [J]. The Bell Journal of Economics and Management Science, 1973,4(2):637-651.

[8] Mills E S, Beeker C M, Verma S. Studies in Indian urban development [M]. Oxford: Oxford University Press, 1986:20-29.

[9] 王 俊,李佐军.拥挤效应、经济增长与最优城市规模[J]. 中国人口·资源与环境, 2014,24(7):45-51. Wang J, Li Z J. Congestion effects, economic growth and optimal city size [J].China Population, Resources and Environment, 2014,24(7): 45-51.

[10] 包正君,赵和生.基于生态足迹模型的城市适度人口规模研究——以南京为例[J]. 华中科技大学学报(城市科学版), 2009,26(2):84- 89. Bao Z, Zhao Z J. Modest population scale based on ecological footprint model-take Nanjing for example [J]. Journal of Civil Engineering and Management, 2009,26(2):84-89.

[11] 王小鲁.中国城市化路径与城市规模的经济学分析[J]. 经济研究, 2010,45(10):20-32. Wang X L. Urbanization path and city scale in China: An economic analysis [J]. Economic Research Journal, 2010,45(10):20-32.

[12] Doorn J V, Verhoef P C. Critical incidents and the impact of satisfaction on customer share [J]. Journal of Marketing, 2008,72(4): 123-142.

[13] 王晓硕,宇超逸.空间集聚对中国工业污染排放强度的影响[J]. 中国环境科学, 2017,37(4):1562-1570. Wang X S, Yu C Y. Impact of spatial agglomeration on industrial pollution emissions intensity in China [J]. China Environmental Science, 2017,37(4):1562-1570.

[14] Glaeser E L, Kallal H D, Scheinkman J A, et al. Growth in Cities [J]. Journal of Political Economy, 1992,100(6):1126-1152.

[15] 陈 阳,唐晓华.制造业集聚和城市规模对城市绿色全要素生产率的协同效应研究[J]. 南方经济, 2019,(3):71-89. Chen Y, Tang X H. Study on the synergistic effect of manufacturing agglomeration and urban size on urban green total factor productivity [J]. South China Journal of Economics, 2019(3):71-89.

[16] 陈建军,胡晨光.产业集聚的集聚效应——以长江三角洲次区域为例的理论和实证分析[J]. 管理世界, 2008,(6):68-83. Chen J J, Hu C G. The agglomeration effect of industrial agglomeration -- A theoretical and empirical analysis of the Sub- region of Yangtze River Delta [J]. Management World, 2008,(6):68- 83.

[17] 周圣强,朱卫平.产业集聚一定能带来经济效率吗:规模效应与拥挤效应[J]. 产业经济研究, 2013,(3):12-22. Zhou S Q, Zhu W P. Must industrial agglomeration be able to bring about economic efficiency: Economies of scale and crowding effect [J]. Industrial Economics Research, 2013,(3):12-22.

[18] 易艳春,高 爽,关卫军.产业集聚、城市人口规模与CO2排放[J]. 西北人口, 2019,40(1):50-60. Yi Y C, Gao S, Guan W J. Industrial agglomeration, urban population and CO2emissions in Chinese prefectures [J]. Northwest Population, 2019,40(1):50-60.

[19] 李明磊,胡蕴纹,关 磊.金融产业集聚对碳排放的影响及区域差异性[J]. 生态经济, 2020,36(2):22-27,54. Li M L, Hu Y W, Guan L. A study of the impact of financial industrial agglomeration on carbon emission and the regional difference [J]. Ecological Economy, 2020,36(2):22-27,54.

[20] 岳 婷,龙如银.中国省域生活能源碳排放空间计量分析[J]. 北京理工大学学报(社会科学版), 2014,16(2):40-46. Yue T, Long R Y. Spatial econometric analysis of residential energy consumption of China’s provinces [J]. Journal of Beijing Institute of Technology (Social Sciences Edition), 2014,16(2):40-46.

[21] 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.

[22] 范 丹,梁佩凤,刘 斌.雾霾污染的空间外溢与治理政策的检验分析[J]. 中国环境科学, 2020,40(6):2741-2750. Fan D, Liang P F, Liu B. An analysis of the spatial spillover of smog pollution and policy testing [J]. China Environmental Science, 2020, 40(6):2741-2750.

[23] 张翠菊,张宗益.产业和人口的空间集聚对中国区域碳排放强度的影响[J]. 技术经济, 2016,35(1):71-77,125. Zhang C J, Zhang Z Y. Effect of spatial agglomeration of industry and population on China’s regional carbon emission intensity [J]. Journal of Technology Economics, 2016,35(1):71-77,125.

[24] 陈操操,蔡博峰,孙 粉,等.京津冀与长三角城市群碳排放的空间聚集效应比较[J]. 中国环境科学, 2017,37(11):4371-4379. Chen C C, Cai B F, Sun F, et al. Spatial agglomeration effects of carbon dioxide emissions between Beijing-Tianjin-Heibei region and Yangtze River delta region [J]. China Environmental Science, 2017, 37(11):4371-4379.

[25] 韩 峰,李玉双.产业集聚、公共服务供给与城市规模扩张[J]. 经济研究, 2019,54(11):149-164. Han F, Li Y S. Industrial agglomeration, public service supply and urban expansion [J]. Economic Research Journal, 2019,54(11):149- 164.

[26] 何文举,张华峰,陈雄超,等.中国省域人口密度、产业集聚与碳排放的实证研究——基于集聚经济、拥挤效应及空间效应的视角[J]. 南开经济研究, 2019(2):207-225. He W J, Zhang H F, Chen X C, et al. An empirical study about population density, economic agglomeration and carbon emission state of Chinese provinces: Based on the perspective of agglomeration economy effects, congestion effects and spatial effects [J]. Nankai Economic Studies, 2019(2):207-225.

[27] Anselin L, Florax R J. New directions in spatial econometrics [M]. New directions in spatial econometrics. Springer, Berlin, Heidelberg, 1995:3-18.

[28] 陈诗一.能源消耗、CO2排放与中国工业的可持续发展[J]. 经济研究, 2009,44(4):41-55. Chen S Y. Energy consumption, CO2emission and sustainable development in Chinese industry [J]. Economic Research Journal, 2009,44(4):41-55.

[29] 国家统计局能源统计司.中国能源统计年鉴[M]. 北京:中国统计出版社, 2018. Department of energy statistics of National Bureau of Statistics of China. China energy statistical yearbook [M]. Beijing:China Statistics Press, 2018.

[30] Ciccone A. Input chains and industrialization [J]. Ciccone Antonio, 2002,69(3):565-587.

[31] 范剑勇.产业集聚与地区间劳动生产率差异[J]. 经济研究, 2006, (11):72-81. Fan J Y. Industrial agglomeration and difference of regional labor productivity: Chinese evidence with internal comparison [J]. Economic Research Journal, 2006,(11):72-81.

[32] 张华明,范映君,高文静,等.环境规制促进环境质量与经济协调发展实证研究[J]. 宏观经济研究, 2017,(7):135-148. Zhang H M, Fan Y J, Gao W J, et al. An empirical study on how environmental regulation promotes the coordinated development of environmental quality and economy [J]. Macroeconomics, 2017,(7): 135-148.

[33] 沈晓梅,于欣鑫,姜明栋,等.基于全过程治理的环境规制减排机制研究——来自长江经济带数据的实证检验[J]. 中国环境科学, 2020, 40(12):5561-5568. Shen X M, Yu X X, Jiang M D, et al. Emission reduction mechanism of environmental regulation from a perspective of whole-process prevention: Evidences from the Yangtze River Economic Belt [J]. China Environmental Science, 2020,40(12):5561-5568.

[34] 国家统计局城市社会经济调查司.中国城市统计年鉴[M]. 北京:中国统计出版社, 2010-2019. Department of Urban Surveys of National Bureau of Statistics of China. China city statistical yearbook [M]. Beijing:China Statistics Press, 2010-2019.

[35] 国家统计局,环境保护部.中国环境统计年鉴 [M]. 北京:中国统计出版社, 2018. National Bureau of Statistics of China, Ministry of Environmental Protection of China. China statistical yearbook on environment [M]. Beijing: China Statistics Press, 2018.

[36] 国家统计局人口和就业统计司.中国人口和就业统计年鉴[M]. 北京:中国统计出版社, 2010-2019. Department of Population and Employment Statistics of National Bureau of Statistics of China. China population & employment statistics yearbook [M]. Beijing:China Statistics Press, 2010-2019.

[37] 吴殿廷.试论中国经济增长的南北差异[J]. 地理研究, 2001, (2):238-246. Wu D Y. A study on North-South differences in economic growth [J]. Geographical Research, 2001,(2):238-246.

City population size, industrial agglomeration and CO2emission in Chinese prefectures.

ZHANG Hua-ming*, YUAN Peng-fei, ZHU Zhi-shuang

(School of Economics, Shanxi University of Finance and Economics, Taiyuan 030012, China)., 2021,41(5)：2459～2470

Using the panel data of 286 cities in China during 2009～2018, a spatial econometric model was employed to explore the mechanism between CO2emissions and the size of city population and industrial agglomeration. The results revealed that CO2emissions per capita in different cities presented significant spatial spillover effects. Specifically, the impact of the city population size and industrial agglomeration on CO2emissions per capita presented an inverted U shape. CO2emissions were synergistically affected by city population size and industrial agglomeration. There were significant differences in CO2emissions and associated mechanism across different Chinese regions. A series of robustness tests confirmed our main findings. Therefore, for sustainable development policymaking, local governments should rationally formulate policies on energy conservation and emission reduction in accordance with the size of city population and industrial agglomeration.

city population size；industrial agglomeration；CO2emissions；spatial spillover；regional heterogeneity

X324

A

1000-6923(2021)05-2459-12

张华明(1975-),男,山西霍州人,教授,博士,主要从事宏观经济分析,能源经济管理研究.发表论文30余篇.

2020-10-10

国家自然科学基金资助项目(71774105);山西省哲学社会科学规划课题(2019B153)

* 责任作者, 教授, zhm5665@126.com