APP下载

长三角城市群能源碳排放空间关联及其影响因素研究

2022-09-13王彩娟季顺伟任丽燕

上海国土资源 2022年3期
关键词:城市群长三角关联

王彩娟,季顺伟,任丽燕*

(1. 宁波大学地理与空间信息技术系,浙江·宁波 315211;2. 宁波市高等学校协同创新中心 宁波陆海国土空间利用与治理协同创新中心,浙江·宁波 315211;3. 浙江省新型重点专业智库宁波大学东海战略研究院东海海洋生态研究中心,浙江·宁波 315211)

气候变化的全球风险主要集中表现在城市地区,在海岸生态系统中的沿海城市和地区的体现更为明显[1]。城市群作为主要的经济活动区域和CO2主要排放区域[2],大多分布在沿海地区。长三角城市群是世界六大都市圈之一,中国三大城市群之一[3],位于中国东部沿海地区,受全球气候变暖的影响较大。其容纳我国最优质的资本、人力等资源,是经济密度最高的区域之一,但同时也是生态环境问题高度集中的地区[4-5]。建成碳达峰与碳中和城市群,对于中国实现双碳目标具有重要意义[6]。在此背景下,研究长三角城市群碳排放空间关联,实现协同减排值得政府重视。

已有的城市群碳排放研究主要集中在其时空分异与时空格局[7-8]、生态效率[9-10]、碳达峰预测[11-12]、低碳城市群建设[13]、环境规制[9,14-15]等方面。整体而言,空间因素逐渐成为城市群碳排放研究的重点。空间关系是多元的、复杂的,受多种因素共同作用的影响较大,因此针对具体的城市群碳排放网络结构及作用进行研究。

目前碳排放空间关联的研究区域主要以大区域和行业为主,具体集中在交通运输业、建筑业、工业、电力行业[16-20]重点碳排放行业,对于城市群尺度碳排放的空间网络结构研究较少。城市群是碳达峰碳中和的责任区[6],是具有网络关系与层级性的区域空间[21],其在发展过程中,有利于城市间CO2排放分布的空间关联与依赖[22]。关于城市群碳排放空间网络关联研究相对较少,目前相关文献对长江中游城市群土地利用[23]、珠三角城市群[24]的碳排放空间关联进行了研究。探索碳排放空间关联性的研究方法主要是空间计量方法和社会网络分析方法(social network analysis,简称SNA)。基于空间计量方法研究表明碳排放的空间关联在地理相邻和经济相连的区域间更可能存在[17]。部分研究结合引力模型,利用SNA方法研究了碳排放的空间关联,从整体和个体网络结构特征两方面分析空间关联[25]。

通过梳理相关文献发现:(1)从研究主题看,城市群碳排放早期的研究主要集中基于地理邻近性或者仅考虑距离间的线性模式,结果只揭示了少量的空间关联度,对碳排放空间网络关联的研究尚需进一步深入。(2)从研究尺度看,有关城市群碳排放空间网络关联研究较少,城市群作为经济活力最强,同时环境污染较为严重的地区,实现城市群碳中和有重要示范作用。(3)研究方法而言,SNA方法可以有效突破传统计量方法所依赖的属性数据,针对关系数据从整体和个体方面对网络结构特征进行分析,揭示地区间复杂空间关联。基于此,本文以长三角城市群25市作为研究区域,基于引力模型构建长三角能源碳排放的空间关联网络,同时对该关联网络的结构特征进行分析,并选择地理探测器作为机制分析的方法。由整体到局部多角度分析,对于理清长三角城市群城市内部的碳排放关联关系,提升该区域的碳中和能力有重要意义。

1 数据与方法

1.1 研究区域

本文选取长三角地区江苏、浙江、上海两省一市的城市作为研究对象,区域内工业基础雄厚、商品经济发达,水陆交通方便,是全国最大的外贸出口基地,全球六大都市圈之一。依据2010年国务院批复的《长江三角洲地区区域规划的通知》,其中包括两省一市的25个城市:上海,江苏省的13个城市(南京、苏州、常州、无锡、镇江、南通、扬州、泰州、徐州、盐城、淮安、宿迁、连云港),浙江省的11个城市(杭州、宁波、温州、绍兴、湖州、嘉兴、金华、衢州、台州、丽水、舟山)。2019年,长江三角洲地区正式扩容,江苏,浙江,上海二省一市全部仍为扩容后的长江三角洲地区一部分。

1.2 能源碳排放的测算

能源数据主要源于2000-2015年《中国统计年鉴》《中国能源统计年鉴》以及各省市的统计年鉴,为减少数据波动的影响,文中所有数据均采用2000、2005、2010、2015四个年份的统计数据,依据《省级温室气体清单编制指南》(发改办气候[2011]1041号)中的能源活动计算公式进行计算。

1.3 研究方法

首先通过修正的引力模型,将长三角城市群的能源碳排放空间关系用数据矩阵的形式表示,利于社会网络分析方法分析。然后采用社会网络分析法,从整体和个体性特征构建空间关系网络,明确各个城市在形成的网络结构中所处的地位及作用。最后采用地理探测器中的分异及因子探测器,识别影响该网络的主导因子,生态和交互作用探测器识别影响该网络的关键交互因子。

1.3.1 引力模型

描绘空间关联的方法主要有格兰杰因果检验的向量自回归分析方法和引力模型。由于引力模型在分析空间演化趋势上更具优势,因此采用该模型刻画长三角各城市之间的碳排放引力程度。地理上的邻近性、经济的发展水平差异、人口规模是影响空间关系的重要因素。此外,居民收入的增加,也会导致能源需求的增加,碳排放量增多,影响碳排放的空间联系。因此,为了增强该方法的适用性,在传统空间引力模型的原有指标体系中引入碳排放量和城镇居民家庭收入指标,建立碳排放空间引力模型公式:

式中:Wi,j和di.j分别表示i和j两城市间的经济引力和交通距离,交通距离用以表示两城市之间地理距离:Pi表示城市i的年末总人口数、Gi表示城市i的GDP、Ci和ri分别表示城市i的碳排放总量和城镇居民可支配收入。在10.2版本的ArcGIS中提取各城市几何中心来计算距离。

根据引力模型公式(1)计算得出长三角各城市能源碳排放之间的引力矩阵,该矩阵相较于数值矩阵,在反映地区碳排放空间关联网络特征方面更具优势[26],其可以反映出各城市之间碳排放影响强度的大小[27]。对引力矩阵进一步处理分析,将各行数值的平均值作为临界值,若计算结果高于该值,记作“1”,用以表示长三角的2个城市之间的能源碳排放具有关联性,反之则为“0”,表示不相关[27]。

1.3.2 整体性与中心性指标

社会网络分析方法通过分析网络中节点间存在的关系,进而揭示网络的结构及相对应的属性特征,其主要分为整体性网络特征和个体网络结构特征。

长三角城市群能源碳排放空间关联网络的整体性特征可以用网络密度、效率、网络等级密度表示[28]。网络密度反映各城市之间网络关联的紧密程度,密度与关联性呈正比。网络等级密度能够反映城市在碳排放空间关联网络中是否处于支配地位,其数值越大,表明在该空间关联网络中个别城市处于主导地位,较多城市处于网络边缘[28]。网络效率是衡量碳排放空间关联网络中存在多余关联程度的指标,数值与碳排放联系呈现负相关,网络效率越低,表示各市碳排放联系就越紧密,空间溢出渠道越多[27],网络也越复杂和稳定。

城市在网络中的地位和作用可以用中心性分析指标来衡量。本文选取标准化度数中心度作为主要指标进行分析,该指标可以度量城市所处网络中心位置的程度,数值越大,表示该市与其他市碳排放的空间关联程度越大,距离网络中心越近。其是根据该城市与其他城市之间所存在关系个数情况进行计算的,参照已有的相关公式计算[28]。

1.3.3 地理探测器

由于地理探测器所需的假设条件较少,且在处理过程中可以有效克服传统方法所面临的局限性,因此在地理环境因子相关关系的研究中逐渐受到青睐。本研究选择年末总人口(X1)、城镇化率(X2)、GDP(X3)、二产比重(X4)、固定资产投资(X5)、出口总额(X6)、实际利用外资(X7)、社会消费零售总额(X8)、城镇居民人均可支配收入(X9)和煤类能源占比(X10)作为分析因素。对碳排放影响因素进行离散化处理的基础上,首先运用因子探测和生态探测识别影响长三角地区能源碳排放空间关联网络的主导因子,然后通过将不同的因子交互叠加,进行交互探测,探寻该关联网络的关键交互因子[29]。所有数据均来自于《中国城市统计年鉴》与《中国统计年鉴》。

(1)分异及因子探测器

首先探测Y的空间分异性,其次可以反映出某因子X解释属性Y呈现空间分异的程度。用q值度量,表达式为:

其中:h表示变量X的数量,N为研究区样本数,σ2为区域内总方差。q的值域为[0,1],值越大说明样本的空间分异性越明显,相反则越弱。

(2)生态探测器

该方法主要用来解释不同的因子对于碳排放空间分异的解释力,以F检验来度量:

式中:F为值,在单元p的范围内,nC.p表示因子C的样本量,nD.p表示因子D的样本量,σC.p2和σD.p2分别为因子C和D的方差,统计表达式服从(FnC.p-1,nD.p-1)和df(nC.p,nD.p)分布。当F值达到5%,则说明两因子对于结果的解释存在显著差异。

(3)交互作用探测器

识别不同风险因子X之间的交互作用,可以明确某评估因子对于Y的影响是独立的,因为当不同的评估因子共同作用时,可能会改变对因变量Y的解释力。评估的方法是首先分别计算两种因子X1和X2对Y的q值:q(X1)和q(X2),并且计算它们交互时的q值:q(X1∩X2),并对这三个值进行比较,具体参见已有文献[30]。

2 长三角能源碳排放格局与空间关联分析

2.1 碳排放格局与联系强度

如图1所示,长三角地区各市能源碳排放自2000年以来总体呈现几何倍增长。主要碳排放城市为南京、徐州、无锡、苏州、上海、杭州、宁波。这些城市的高碳排可能与当地工业的发展有关,煤炭能源、石油能源等是碳排放的主要来源,同时也是长三角地区碳排放较高的主要原因。宁波、台州、金华、丽水的碳排放2000-2010年总体是增长趋势,2010-2015年开始呈现下降或平缓趋势,当地经济的转型发展与生态环境的整治是碳排放下降的重要原因。浙江省能源碳排放总量远低于江苏,相较于江苏,浙江省城市工业基础较为薄弱,第三产业比重较高。第三产业为其经济发展的主力,碳排放系数远低于工业的煤炭、石油能源等。一定程度上表明浙江省对于能源类产业的依赖性远低于江苏省,产业结构优于江苏省。上海市碳排放总量远高于其他各市,2015年碳排放总量达到了17142万吨。

图1 长三角各市2000-2015年能源碳排放总量Fig.1 Total energy carbon emissions in Yangtze River Delta cities, 2000-2015

通过对长三角2000-2015年碳排放联系强度进行空间化得到图2。一直以来上海与其他城市保持着绝对的高联系性,在2000年这一时间点尤为突出,其对苏南城市保持着较高的引力影响。2000年时,苏北地区和浙江省各市碳排放整体上联系较小。随着时间的推移,长三角各城市之间的碳排放联系逐渐加强。苏北以徐州为重要节点城市,逐步形成各市之间的碳排放关系网络。盐城、徐州、南通成为了构建苏北城市碳排放群体的网络的主体,与城市的碳排放的快速增长密切相关。在浙江省内,嘉兴市因毗邻上海,地理位置优越,受上海碳排放引力影响最大,成为了浙江省内的重要联系节点。杭州和宁波的产业和能源结构在进一步的转型升级,资源、要素的不断流通,致使其网络结构中的地位不断提升。具体表现为杭州、宁波两地的联系强度逐渐增强,同时杭州与南京、扬州等城市碳排放联系密切,宁波与苏州、无锡等城市联系密切。总体而言,2000年以来江浙沪25市碳排放联系逐渐加强,城市之间的能源流动密切,整体碳排放空间网络格局逐渐走向复杂化。

图2 2000-2015年长三角城市碳排放联系强度Fig.2 Carbon emission linkage intensity of cities in the Yangtze River Delta from 2000 to 2015

2.2 空间关联特征分析

依据长三角城市之间的关系矩阵,代入公式计算四个时间节点的长三角城市群能源碳排放空间关联网络的密度、等级度和效率。表1表明:2000-2015年,网络密度总体呈现缓慢增长趋势,但网络密度值总体较低,最高的网络密度值为0.2067,最低的网络密度值为0.1533。这表明城市之间关系的紧密程度一般,通过共同合作实现减排的空间较大。2006年,长三角城市通过优化调整产业和能源结构、提升资源利用率、降低能源消耗量等,促使区域范围内的资源、能源等各要素流通程度增强,进一步加强了网络关联,从而提升了城市碳排放间的空间关联数。网络等级度指标保持0.8上下,表明长三角地区各城市在碳排放关联网络中的地位存在较大差异,区域碳排放空间分布的不平衡现象严重,其中上海处于支配地位,对其他省市的碳排放有重要影响。网络效率指标逐渐下降,表明不同城市之间的联系逐渐增多,碳排放的空间关系变得更加紧密,能源排放之间的网络趋于复杂和稳定。

表1 2000-2015年长三角城市碳排放空间关联网络的整体特征Table 1 Overall features of spatial correlation network of urban carbon emissions in Yangtze River Delta from 2000 to 2015

计算各市2000、2005、2010、2015四个年份的标准化度数中心度。整体上来看,上海的中心度远高于其他城市,在该网络结构中的地位最高,距离网络中心最近。这表明碳排放联系网络中空间权重逐渐降低,碳排放的总量、社会经济联系等权重逐渐增加(图3)。趋势上看,南京、无锡、苏州三座城市的中心度都有所提升,表明长三角地区以上海市和苏南城市作为主要节点中心,对于碳排放的空间溢出存在很大影响,在能源和产业的转移过程中地位不断提升。浙江省GDP结构中工业产值比重相对较低,以第三产业为主的能源碳排放消耗在区域之间的流动较弱,区域联系不密切。

图3 长三角城市碳排放空间关联网络的标准度数中心度Fig.3 Standard degree centrality of spatial correlation network of urban carbon emissions in Yangtze River Delta

3 空间关联特征影响因素分析

3.1 因子分析

因子探测器主要探测各影响因素对碳排放总量的解释程度。表2为2000-2015年各影响因子的解释力大小。不同的年份各因子的解释力不同,表明影响地区碳排放格局机制的改变。P值小于等于0.05代表该解释具有显著相关。

表2 碳排放格局分异因子探测器结果Table 2 Results of carbon emission pattern differentiation factor detector

2000-2005年城镇居民人均可支配收入、二产比重和煤类能源占比三因子与碳排放总量不相关,其余因子均呈现显著相关,且均为正相关。其中固定资产投资、出口总额、外资利用是以政府为主导的城市发展因子,q值保持在0.8上下,且均在1%的水平下正相关。说明2000-2005年长三角地区城市碳排放空间关系主要受政府行为主导。2005年的二产的比重与碳排放的相关性由不相关增加到了5%水平的显著相关,这表明2005年长三角地区的第二产业发展迅速,对于区域碳排放格局的解释能力大大加强。总体而言,GDP、固定资产投资、出口总额在长三角碳排放格局中始终保持较高的解释力。长三角地区作为改革开放中快速成长的地区,经济发展很大程度得益于外资的进入,因此在2000、2005、2010三个年份中,实际利用外资对于区域的碳排放都占据了非常高的解释水平。政府主导的固定资产投资解释力较高一定程度表明政府在城市建设的过程中低碳技术水平并未同步提高。

2010-2015年人均可支配收入显著相关,q值由0.44增加到0.66。城镇居民的可支配收入对于城市碳排放空间格局的影响不断加深,居民的可支配收入是碳排放增长的推动力之一。2010-2015年固定资产投资、实际利用外资、社会消费零售总额等因子显著程度逐渐降低,其中固定资产投资和实际利用外资分别由之前的5%和1%的显著相关直接下降到不相关。究其原因可能是2012年金融危机的深层次影响爆发,中国实际利用外资较少。2013年,中国对外产业结构不断优化升级,碳排放强度降低,导致实际利用外资与碳排放的相关性持续降低直至不相关。在中国的经济高速发增长背景下,公共基础设施等方面的技术水平提升,硬件逐渐达到先进水平,消耗的碳排放减少,因此固定资产投资与碳排放在2015年呈现不相关。经济的转型发展、科学技术的提升是社会消费零售总额与碳排放相关性减少的主要原因。三个影响因子与碳排放的相关性下降,政府主导的城市建设、国际贸易等活动导致的碳排放增长与整个地区的碳排放增长速度相比相对减缓也是重要原因。

总体而言经济发展和政府政策是长三角区域内碳排放空间关联的重要影响因素。大量外资进入,政府大量的固定资产投资是上海等城市高碳排放的主要原因。随着经济的发展,碳排放量也在同步增加,但碳排放强度有所减少,说明经济发展与碳排放未实现脱钩,但是呈现好转的趋势。

3.2 生态探测与交互作用探测分析

比较2000、2005、2010和2015年四个年份生态探测器结果,意图发现长三角地区碳排放空间分布的主要影响因子(表3)。每个因子X分为四类,依次对应着2000、2005、2010和2015年四个年份的双因子的显著性检测(探测结果小于0.05的表明存在显著的差异)。

表3 碳排放生态探测Table 3 Ecological detection of carbon emissions

结果表明:年末总人口(X1)、城镇化率(X2)与所选指标体系中的其他碳排放因素存在显著差异,对于碳排放的空间分布影响差异较大。伴随着时间的推移,两者解释能力逐步下降直至结果不显著。早期年份中碳排放主要集中于南京、苏州等经济发达城市。尽管这些城市人口数量较多,但是相较于苏北、浙南等庞大的农村人口基数仍然较少,彼时城市之间的人口流动数量较少。这导致了人口的分布与碳排放空间格局与关联上的错位,解释了年末总人口(X1)、城镇化率(X2)与其他影响因素对于碳排放空间分布存在显著的差异。同样在2000-2010年二产比重与其他变量存在显著差异,第二产业比重较大的落后城市如盐城、连云港、台州等导致该因子的空间分布产生差异。在2015年,固定资产投资(X5)则与出口总额(X6)、实际利用外资(X7)、社会消费零售总额(X8)、城镇居民人均可支配收入(X9)产生显著的分布影响差异。

所有年份,所有因子均呈现非线性加强影响,因子解释力增加更为明显。交互探测主要分析碳排放影响因素对碳排放总量的空间分布是否存在交互作用。结果发现所有交互因子对长三角碳排放空间关联的解释力水平相对于单因子都有所增强。其中,2000年城镇化率和GDP占比与其他因子交互作用相比影响更大,交互后因子解释力最大为0.94,显著大于单因子城镇化率解释力0.53。这说明,任意两个碳排放影响因素交互后对碳排放总量的因子解释力均会显著提升,即碳排放的空间联系整体受到各维度分项因素的共同制约,双因子交互后的解释力比单因子的解释力强。因此在落实减排政策时,不仅需要考虑单项政策的实施效果,更重要的是考虑哪种政策组合能将减排效果达到最佳。

4 结论与讨论

4.1 结论

本文利用2000-2015年长三角各城市能源碳排放数据构建修正的引力模型,刻画长三角碳排放的空间关联网络,结合地理探测器对其空间格局进行机制分析。结果显示:

(1)长三角各城市能源碳排放空间联系逐渐增强,网络结构趋于复杂,空间排放溢出具有较高等级。城市碳排放之间的网络联系数量、网络密度呈现上升趋势,网络效率明显下降。城市间碳排放的联系较为密切,城市之间等级结构失衡,上海、南京、苏州、无锡等城市长期处于支配地位,衍生出以上海为中心的区域性联系网络。在个体网络特征方面,各城市中心性差距较大,其在网络中的地位和发挥的作用存在明显的非均衡性。伴随着能源消费的流动以及城市之间的产业转移,发展较好的大型城市在网络中的中心性逐渐加强,距离因素的影响逐渐减弱。

(2)长三角碳排放空间关联受各维度分项因子的制约,主要受经济发展与政府政策的影响,距离因素的影响降低。从以政府行为为主导的碳排放能源消耗到人均可支配收入的高解释力,反映了长三角地区城市发展战略的改变。外资的进入与使用,政府大量的固定资产投资是早期大型城市中心地位的主要原因,后期伴随着收入增加而产生的高碳行为将会进一步影响长三角碳排放格局。年末总人口与GDP、固定资产投资、出口总额、实际利用外资对于碳排放的空间分布而言存在显著差异。同时碳排放空间关联受到各维度分项因素的共同制约,两个因素相互交互后的因子解释力要明显强于原来单个因素。

4.2 讨论

实现全国“双碳”需要鼓励有条件的区域先行先试,长三角地区作为我国发展的先行示范区,率先实现该目标可对全国其他地区碳减排起示范作用。而实现目标的关键在于能源结构的转换,目前碳排放主以能源消耗为主,因此需要加快推进节能降碳技术的创新,实现区域产业间的能源流动与产业转移、建立城市间协调的碳减排指导机制。通过建立区域联动体系,让中心城市率先推动碳达峰碳中和进程,带动边缘城市的碳结构转变,建立流动的、平衡的区域碳中和网络结构,是未来需要关注的重点。

基于以上讨论,本文提出以下建议:

(1)发挥上海、苏南等地区的中心作用,根据各城市的实际发展情况,建立协同减排机制。长三角城市碳排放的空间联系分布不均衡,因此应充分发挥上海、苏州、南京等城市的中心作用,建立城市间协调的碳减排指导机制,完善碳补偿、碳交易市场等机制。从全局看,要充分发挥中心城市的影响力,让中心城市率先推动区域碳减排进程。建立区域联动体系,在碳排放内部治理的基础上,扩大区域环境质量监测范围。

(2)不断优化长三角城市碳排放空间关联网络,加快碳平衡。通过区域间产业转移、人口转移和低碳技术交流,不断完善碳排放网络。

(3)促进经济的高质量发展的同时,政府制定的政策应注重多维度因素的联合控制,加快节能降碳技术的发展,优化区域能源结构。

猜你喜欢

城市群长三角关联
“1+1=7”凝聚长三角人大更大合力
不惧于新,不困于形——一道函数“关联”题的剖析与拓展
紧扣一体化 全面融入长三角
“一带一路”递进,关联民生更紧
“首届长三角新青年改稿会”作品选
2019长三角企业100强
长三角城市群今年将有很多大动作
《关中平原城市群发展规划》获批发布
奇趣搭配
为世界级城市群铺路