中国城市人口规模、产业集聚与碳排放
中国环境科学  2021,41(5)：2459~2470 China  Environmental  Science 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)
摘要：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.
关键词：城市人口规模；产业集聚；碳排放；空间溢出；区域异质性
中图分类号：X324      文献标识码：A 文章编号：1000-6923(2021)05-2459-12
City population size, industrial agglomeration and CO2 emission in Chinese prefectures. ZHANG Hua-ming*, YUAN Peng-fei, ZHU Zhi-shuang (School of Economics, Shanxi University of Finance and Economics, Taiyuan 030012, China). China Environmental Science, 2021,41(5)：2459~2470
Abstract：Using the panel data of 286 cities in China during 2009~2018, a spatial econometric model was employed to explore the mechanism b etween CO2 emissions and the size of city population and industrial agglomeration. The results revealed that CO2 emissions per capita in different cities presented significant spatial spillover effects. Specifically, the impact of the city population size and industrial agglomeration on CO2 emissions per capita presented an inverted U shape. CO2 emissions were synergistically affected by city population size and industrial agglomeration. There were significant differences in CO2 emissions and associated mechanism across different Chinese regions. A series of rob ustness tests confirmed our main findings. Therefore, for sustainab le 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.
Key words：city population size；industrial agglomeration；CO2 emissions；spatial spillover；regional heterogeneity
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
收稿日期：2020-10-10
基金项目：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,***************
2460 中国环境科学 41卷
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
5期 张华明等：中国城市人口规模、产业集聚与碳排放 2461
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:
b c d I aP A T e = (1)
式中:I 表示环境压力,P 、A 、T 、e 分别表示人口规模、财富规模、技术水平和随机误差项,a 、b 、c 、d 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.
0123ln PC ln POP Emd ln Ecd it it it it it i it
X ββββδαε=++++++ (2) 式中: PC 表示人均CO 2排放量,t/人; POP 表示城市人口规模，万人；就业密
度Emd(人/km 2)和经济密度Ecd(万元/km 2)表示产业集聚度;X 表示其他控制变量，包括人均GDP 、环境规制程度等等；下标i 和t 表示第i 个区域在时间点t 的观测水平;β0为截距项,β1、β2、β3分别为各变量对人均CO 2的回归系数;δ表示其他控制变量的回归系数.αi 为个体固定效应,εit 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:
2012234526ln PC ln POP (ln POP)Emd (Emd)ln Ecd (ln Ecd)it it it it it it it it i it
X βββββββδαε=+++
++++++ (3) 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:
012223425678ln PC ln POP (ln POP)Emd (Emd)ln Ecd (ln Ecd)ln POP Emd ln POP ln Ecd it it it it it it it it it it it it i it
X βββββββββδαε=++
+++++×+
×+++ (4)
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CO 2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CO 2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:  =112223425678ln PC ln PC ln POP (ln POP)Emd (Emd)ln Ecd (ln Ecd)ln POP Emd ln POP ln Ecd n it j ij it it it it it it it it it it it it i it
X ρββββββββδαμ=++
+++++×+
×+++∑W  (5)
n 2
土楼
j=1{,~(0,)};it ij it it it N I μλμεμσ=+∑W
2{~N(0,)}it I εσ
式中:σ是标准差,I 是单位矩阵.μit ~ N (0,σ2I )表示μ是
2462 中国环境科学 41卷
服从正态分布的随机扰动项,ρ为空间滞后系数,λ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ρ = 0时模型为空间误差模型(SEM)，当λ = 0时模型为空间滞后模型(SLM).
W ij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W ij =1/d ij,d ij为地级市i到地级市j之间的地理距离.经济距离矩阵的构建方式为E ij = 1/|Y i-Y j|,Y i和Y j为地级市i和j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
Table 1 LM test for each model
模型 LM-ERR R-LMERR LM-LAG R-LMLAG
模型1 1364.602*** 7.230*** 1380.840*** 23.468***
模型2 333.141*** 142.242*** 199.476*** 8.577*** 模型3 568.469*** 155.538*** 432.724*** 19.793***
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
学弈教学设计
显著性检验.
表2各模型LR、Wald检验结果及模型选择Table 2 LR test and Wald test for each model and model
selection
模型 LR-ERR LR-LAG Wald-ERR Wald-LAG模型选择
模型1 24.17*** 22.13*** 22.11*** 24.00*** SDM 模型2 30.32*** 29.93*** 29.96*** 30.44*** SDM 模型3 29.86*** 30.03*** 29.87*** 24.17*** SDM 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.
3
汕尾美食2=12
3
=1
CO CO
LCV CEF COF
i
i i i i
E Q
==
××××
∑
∑ (6)式中:i = 1,2,3分别表示电力(万kW·h)、煤气(万m3)、液化石油气(t),E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.Q = 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
5期 张华明等：中国城市人口规模、产业集聚与碳排放 2463
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.
执业医师通过率专利申请数：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
Table 3  Statistical description of variables
变量
观察值
均值
最大值
最小值
标准差
被解释变量 人均碳排放(PC), t/人 2860 4.805 81.413 0.009 5.694 城市人口规模(POP)，万人 2860 152.488 2809.400 15.100 207.680 经济密度(Ecd), 万人/km 2 2860 0.668 12.129 0.002 0.891 解释变量
就业密度(Emd), 万人/ km 2 2860 0.041 0.525 0.001 0.054
环境规制(Pre), %
2860
83.872
100.000
29.703
凌波仙子指的是什么花12.214
人均GDP(PGDP), 万元/人 2860 7.045 50.235 0.062 5.486 人均消费水平(Cons), 万元/人 2860 2.948 33.628 0.001 2.227 控制变量
人均专利申请数(Inn), 个/人 2860 2.432 109.904 0.007    5.07
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 I 指数来度量.Moran’s I 指数计算公式为:
121()()n n
i=i j ij i j n n
i=i j ij娃哈哈矿泉水广告
x x x x M s ≠≠−−=∑∑∑∑W W  式中:x i 、x j 表示城市i 和城市j 的人均CO 2排放量;n 为城市数量(n =286);W 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 I .M 表示城市人均CO 2排放量的全局莫兰指数，取值范围为[-1,1]，当M > 0时说明具有相似(高-高、低-低)人均CO 2排放量的城
市在地理空间上集聚;M  < 0时说明具有异质性(高-低、低-高)人均CO 2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CO 2排放量的Moran’s I 都通过1%的显著性水平检验，且人均CO 2排放量的Moran’s I 都为正值，说明我国不同城市的人均CO 2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CO 2排放量 Moran’s I 变化状况 Table 4  Moran's I  changes in China's CO 2 emissions per
capita during 2009~2018
年份 Moran’s I  Z (I ) 2009 0.040***
7.138
2010 0.042*** 7.394 2011 0.034*** 6.305 2012 0.014*** 3.097 2013 0.013*** 2.818 2014 0.009*** 2.
246 2015 0.013*** 3.340 2016 0.019*** 4.203 2017 0.025*** 4.881 2018 0.031*** 5.859 注:Z (I )为Z 得分，用来反应数据集的离散程度.Z (I )>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 I 指数检验证明我国人均CO 2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

版权声明：本站内容均来自互联网，仅供演示用，请勿用于商业和其他非法用途。如果侵犯了您的权益请与我们联系QQ:729038198，我们将在24小时内删除。