EN中文

经济地理 >

2024 , Vol. 44 >Issue 4: 43 - 54

DOI: https://doi.org/10.15957/j.cnki.jjdl.2024.04.005

区域经济与理论方法

多维度视角下长三角区域一体化对碳排放的影响

  • 李建豹 , 1, 2 ,
  • 陈红梅 1 ,
  • 孟浩 3 ,
  • 黄贤金 , 4, ※ ,
  • 揣小伟 4 ,
  • 李颖 1
展开
  • 1.南京财经大学 公共管理学院，中国江苏 南京 210023
  • 2.南京财经大学 政府管理研究中心，中国江苏 南京 210023
  • 3.南京财经大学 经济学院，中国江苏 南京 210023
  • 4.南京大学 地理与海洋科学学院，中国江苏 南京 210023
※黄贤金（1968—），男，博士，教授，博士生导师，研究方向为自然资源与区域土地利用变化。E-mail：

李建豹（1986—），男，博士，副教授，硕士生导师，研究方向为城镇化碳排放、土地利用与规划。E-mail：

收稿日期: 2023-09-13

  修回日期: 2024-02-10

  网络出版日期: 2024-09-12

基金资助

国家自然科学基金项目(41901245)

国家自然科学基金项目(42201317)

教育部人文社会科学研究项目(23YJCZH102)

国家社会科学基金重大项目(17ZDA061)

关键地球物质循环前沿科学中心科研基金资助项目(DLTDPY2101)

江苏省自然科学基金青年项目(BK20210675)

收起

The Impact of Regional Integration on Carbon Emissions in the Yangtze River Delta：A Multidimensional Perspective

  • LI Jianbao , 1, 2 ,
  • CHEN Hongmei 1 ,
  • MENG Hao 3 ,
  • HUANG Xianjin , 4, ※ ,
  • CHUAI Xiaowei 4 ,
  • LI Ying 1
Expand
  • 1. School of Public Administration，Nanjing University of Finance & Economics，Nanjing 210023，Jiangsu，China
  • 2. Government Management Research Centre，Nanjing University of Finance & Economics，Nanjing 210023，Jiangsu，China
  • 3. School of Economics，Nanjing University of Finance & Economics，Nanjing 210023，Jiangsu，China
  • 4. School of Geography and Ocean Science，Nanjing University，Nanjing 210023，Jiangsu，China

Received date: 2023-09-13

  Revised date: 2024-02-10

  Online published: 2024-09-12

Fold

摘要

基于多维度视角，研究长三角区域一体化对碳排放的影响，有助于促进区域一体化与碳排放协调发展，推动长三角生态绿色一体化发展。文章采用熵值法和双变量Local Moran's Ii，分析2006—2020年长三角区域一体化与碳排放时空特征，并考虑空间因素，构建空间滞后面板模型，分析碳排放影响因素。结果表明：①区域一体化和碳排放存在明显的区域差异且空间格局相对稳定，总体上呈从省会城市向四周递减的空间格局。上海、南京、杭州、苏州、南通、无锡和宁波的区域一体化水平和碳排放相对较高。②区域一体化与碳排放呈显著的正相关性且波动减弱，区域一体化与相邻市碳排放呈显著的正相关性且波动上升。长三角地区各市区域一体化和相邻市碳排放的空间关联关系较为稳定。③空间滞后面板模型结果表明：优化发展一体化结构是降低碳排放的重要方式。同时，空间一体化、要素一体化、人均GDP和外商直接投资占GDP比例对碳排放具有明显的负向作用，单位GDP能耗对碳排放具有明显的正向作用。

关键词： 多维度视角; 区域一体化; 碳排放; 要素流动; 空间一体化; 低碳发展; 长三角地区

本文引用格式

李建豹 , 陈红梅 , 孟浩 , 黄贤金 , 揣小伟 , 李颖 . 多维度视角下长三角区域一体化对碳排放的影响[J]. 经济地理, 2024 , 44(4) : 43 -54 . DOI: 10.15957/j.cnki.jjdl.2024.04.005

Abstract

Based on the multi-dimensional perspective,the investigation of the impact of regional integration on carbon emissions is helpful to promote the coordinated development of regional integration and carbon emission,and promote the ecological-green integrated development in the Yangtze River Delta. Based on the model of entropy method and the bivariate Local Moran's Ii,this paper analyzes the spatial-temporal characteristics of regional integration and carbon emissions in the Yangtze River Delta from 2006 to 2020,and constructs a spatial lag panel model to investigate the influential factors of carbon emissions. The results show that: 1) There were obvious regional differences and stable spatial pattern in regional integration and carbon emissions,and the overall spatial pattern was decreasing from the provincial capital cities to the surrounding areas. Shanghai,Nanjing,Hangzhou,Suzhou,Nantong,Wuxi and Ningbo were at relatively higher levels of regional integration and carbon emissions. 2) A significantly positive correlation between regional integration and carbon emissions generally showed a fluctuated decreasing trend. A significantly positive spatial correlation between regional integration and carbon emissions in neighboring cities fluctuated upward. The spatial correlation between the regional integration of cities and the carbon emissions of neighboring cities was relatively stable in the Yangtze River Delta. 3) The results of the spatial lag panel model showed that optimizing the development integration structure was an important way to reduce the carbon emissions. Meanwhile,space integration,factor integration,per capita GDP and the proportion of foreign direct investment in GDP had a markedly negative impact on reducing carbon emissions. The energy consumption per unit of GDP had a markedly positive impact on reducing carbon emissions.

Key words： multidimensional perspective; regional integration; carbon emissions; elements flow; spatial integration; low-carbon development; Yangtze River Delta region

全球变暖引起了一系列问题，如海平面上升、冰川融化、极端天气增多等，受到国际社会的广泛关注。人为CO2排放被认为是引起全球变暖的重要因素，而中国已成为碳排放最多的国家[1]。2020年，中国政府提出力争于2030年前实现碳达峰，努力争取2060年前实现碳中和，碳减排任务艰巨。2018年，长江三角洲区域一体化发展上升为国家战略。《长江三角洲区域一体化发展规划纲要》明确提出：“推进生态环境共保联治，形成绿色低碳的生产生活方式。”在区域一体化稳步推进的同时，解决生态环境问题，对区域一体化与生态环境协调发展具有重要意义。而CO2是引起生态环境问题的重要因素之一[2]，研究表明，区域一体化有助于提高碳排放效率，降低碳排放[3]。因此，开展区域一体化对碳排放的影响研究，揭示区域一体化对碳排放的影响机理，有助于碳减排目标的顺利实现，促进区域一体化与碳排放协调发展。
区域一体化是区域经济整合的状态和过程[4]。目前，测量区域一体化的方法虽有多种，主要包括重力模型[5]、价格指数法[6]、贸易流量法[7]和多指标综合评价法[8]等，但在学界仍未达成共识。主要原因是区域一体化的内涵相对复杂，学者的依据不同，因而构建的指标体系存在一定差别[4,8-9]。如Wang等从经济一体化、市场一体化、空间一体化和行政一体化四方面构建了区域一体化指标体系[8]；方叶林等从经济一体化、基础设施一体化、城乡一体化和空间一体化四方面构建了区域一体化指标体系[4]；胡艳等从空间一体化、要素一体化和发展一体化构建了区域一体化指标体系[9]。
区域一体化与碳排放的相关研究，主要集中在：①研究区域一体化背景下碳排放问题[10⇓-12]。晏清等在长三角一体化发展战略背景下，预测长三角城市碳达峰时间发现，在区域一体化战略背景下，碳达峰时间会提前[11]。②研究区域一体化政策对碳排放的影响[13-14]。区域一体化政策的实施，有助于促进要素的自由流动，实现要素的合理配置，提高要素利用效率，降低碳排放[13-14]。同时，区域一体化政策的实施，也有助于促进产业合理布局和优化升级，淘汰高碳排放产业，降低碳排放。③研究区域一体化对碳排放的影响[5,15⇓⇓⇓⇓-20]。提高区域一体化水平，有助于降低碳排放强度，提高碳排放效率，降低碳排放[3,15-16]。
从多维度视角分析区域一体化对碳排放的影响，有助于全面揭示区域一体化对碳排放的影响机理，从各维度提出减少碳排放的对策。但现有研究从多维度视角分析区域一体化对碳排放影响的较为鲜见，其中大多数仅关注了区域一体化对碳排放的直接影响，忽略了区域一体化对碳排放的空间溢出效应，可能导致与实际的一体化进程不符。考虑空间溢出效应，有利于准确掌握区域一体化在城市间的相互作用，有助于制定科学的区域一体化政策。基于此，本文从多维度视角，考虑空间因素影响，构建空间滞后模型，分析区域一体化对碳排放的直接效应和空间溢出效应。
长三角地区是中国经济发展速度相对较快地区之一，区域一体化水平相对较高，碳排放量相对较大[4]。2019年，长三角生态绿色一体化发展示范区由国务院批复，并在《长江三角洲区域一体化发展规划纲要》中要求进行绿色低碳发展。因此，本文以长三角地区26个地级及以上城市为对象，开展多维度视角下区域一体化对碳排放的影响研究，既具有一定的典型性和代表性，又可为长三角区域一体化绿色发展提供决策参考。

1 区域一体化对碳排放作用机制

区域一体化通过要素流动、产业发展和区域合作，降低碳排放（图1）。①要素流动。区域一体化促进要素自由流动，基于要素替代理论，在利润最大化的驱动下，要素趋于合理配置[8]。区域经济一体化促进劳动力和资本在不同区域之间流动，劳动力的流动在影响能源和资源消费的同时，可能带来政府投入的改变，进而影响产出[20]。资本自由流动可加速企业竞争，企业会增加技术投资，进而促进技术进步，有利于降低碳排放[16]。要素逐渐流向效率较高的企业，污染性企业逐渐被淘汰，提高要素利用效率，降低碳排放。②产业发展。基于产业集聚理论，区域一体化主要通过集聚效应和选择效应，使第三产业集聚到核心城市，而第二产业集聚到周围城市，产生产业集聚，形成产业生产链，影响产业布局[21]。当产业生产链达到一定规模以后，有利于产业的一体化和专业化发展，产生规模经济，并对周围地区形成一定的辐射带动作用。产业集聚加速产业升级和产业结构调整，淘汰高碳排放产业，有利于降低碳排放。③区域合作。基于规模经济理论，区域一体化加强城市间的联系，城市政府间由原来的竞争变为合作，可以实现资源、基础设施和信息等的共享，将有限资源投资到高生产效率的部门，提高资源的利用效率[9]。区域间技术合作，可以充分利用人力资源，缩短技术开发周期[16]。同时，低碳技术扩散可能加速低碳产品的推广，有利于降低碳排放。
图1 区域一体化对碳排放作用机制

Fig.1 The mechanism of regional integration on carbon emissions

2 数据来源与研究方法

2.1 指标体系

区域一体化包括空间一体化、要素一体化和发展一体化等多个方面。空间一体化对区域一体化具有重要的支撑作用，基于规模经济理论，各区域通过分工合作、形成效益更大化的发展共同体[9]。空间一体化主要体现在绿化、医疗、教育和文化等方面，是一体化的基础。基于要素替代理论，要素一体化通过各要素的自由流动，实现要素的合理配置和利润最大化。城市间人口、货物、资金、信息和技术等要素流动，影响要素一体化水平。基于产业集聚理论，发展一体化主要通过集聚效应和选择效应，实现产业的合理布局。城市发展表现在经济水平、经济开放度、投资规模和产业结构等方面，是推动一体化进程的动力。基于区域一体化理论，本文依据区域一体化对碳排放的作用机制，参照现有研究[9]，结合长三角地区发展实际，补充完善现有指标体系，从空间一体化、要素一体化和发展一体化3个维度，构建评价长三角区域一体化的指标体系（表1），基于熵值法确定各指标的权重，利用线性加权的方法测算长三角地区各市区域一体化指数。
表1 长三角区域一体化指标体系与权重

Tab.1 Indicator system and weights of regional integration in the Yangtze River Delta

目标层 二级指标 三级指标
内容 权重 内容 指标 权重
区域一体化 空间一体化 0.366 绿地 绿地面积（km2） 0.129
医疗 医疗床位数（张） 0.059
教育 专任教师数（人） 0.042
文化 公共图书（千册） 0.136
要素一体化 0.513 人口流动 客运总量（万人） 0.047
货物流动 货运总量（万t） 0.049
资金流动 金融机构存贷款总额（亿元） 0.120
信息流动 邮电业务总量（亿元） 0.134
技术流动 科学研究就业人员（万人） 0.163
发展一体化 0.121 经济水平 人均GDP（元） 0.037
经济开放度 外商直接投资占GDP比例（%） 0.028
投资规模 固定资产投资（亿元） 0.042
产业结构 第三产业比例（%） 0.014

2.2 数据来源

统计数据源自2007—2018年《上海统计年鉴》《江苏统计年鉴》《浙江统计年鉴》《安徽统计年鉴》及长三角地区各市统计年鉴。矢量图源于国家基础地理信息中心1∶400万数据库。2006—2017年碳排放数据源自中国碳排放核算数据库（https://www.ceads.net.cn/），2018—2020年碳排放数据基于粒子群优化—反向传播算法，使用DMSP/OLS和NPP/VIIRS夜间灯光数据反演获得[22]。统计数据用于测度长三角区域一体化水平、空间一体化水平、要素一体化水平和发展一体化水平，分析碳排放的影响因素。矢量图用于区域一体化与碳排放时空演化特征分析。

2.3 研究方法

2.3.1 熵值法

熵值法用于测度区域一体化各指标的权重[23]。

2.3.2 双变量空间相关性分析

双变量Moran's I用于分析区域一体化与碳排放总体空间关联关系[22⇓-24]。双变量局部Moran's I用于评价本市区域一体化与相邻市碳排放的空间相关性[25]。

2.3.3 空间滞后面板模型

空间滞后面板模型是常用的空间计量经济学模型，可测度各变量在相邻地区间是否存在空间溢出效应。具体模型如下[26]：
y i t = α + ρ ∑ j = 1 N W i j x j t + β i x i t + μ i + η t + ε i t
式中：yit为i市t年的碳排放；N为长三角地区城市数；α为常数项；ρ为空间自回归系数；Wij为空间权重矩阵，选择Queen型邻接空间权重矩阵[24]；x为各自变量，包括空间一体化、要素一体化、发展一体化、城镇化水平、产业结构、人口密度、技术水平、经济水平和外商直接投资；β为各自变量的弹性系数；μi为个体固定效应；ηt为时间固定效应；εit为误差项。

3 区域一体化与碳排放时空特征

3.1 区域一体化与碳排放时空演化分析

将一体化指数和碳排放量与长三角地区GIS数据链接，取一体化指数和碳排放均值的50%、100%和150%，将一体化指数和碳排放分为4级，得到图2、图3和图4。
图2 2006—2020年长三角区域一体化指数变化

Fig.2 Change of regional integration index in the Yangtze River Delta in 2006-2020

图3 2006—2020年长三角各维度一体化指数变化

Fig.3 Change of each dimension of regional integration index in the Yangtze River Delta in 2006-2020

图4 2006—2020年长三角碳排放量变化

Fig.4 Carbon emissions in the Yangtze River Delta in 2006-2020

由图2可知，2006年，上海的区域一体化指数最大，为0.376；铜陵的最小，为0.015。区域一体化指数较大值分布在上海、苏州、南通、无锡、南京、杭州和宁波，较小值分布在滁州、马鞍山、芜湖、铜陵、宣城、池州、安庆和舟山，该结果与方叶林等的研究结论[4]基本一致。2020年，上海的区域一体化指数仍最大，为0.944；池州的最小，为0.036。与2006年相比，区域一体化指数较大值区增加了合肥，减少了南通。区域一体化指数较小值区增加了湖州，减少了芜湖。上海、南京和杭州是长三角地区的核心城市，经济基础较好，与其他城市的联系紧密，要素流动较强，区域一体化水平较高。苏州、南通和无锡从上海承接的产业转移较多，与上海联系紧密，区域一体化水平较高。宁波受沪杭甬产业带深度开发的影响，与上海和杭州联系紧密，要素流动较强，区域一体化水平较高。合肥作为安徽省会，与各城市联系紧密。特别是2010年国务院正式批复《皖江城市带承接产业转移示范区规划》后，合肥承接了较多产业转移，区域一体化水平提高较快。区域一体化指数存在明显的区域差异且空间格局相对稳定，总体上呈从省会城市向四周递减的空间格局。
由图3可知：①2006年，空间一体化指数较大值分布在上海、南京、杭州、苏州、无锡、合肥和宁波，较小值分布在镇江、滁州、马鞍山、芜湖、铜陵、池州、宣城、湖州和舟山。与2006年相比，2020年较大值区不变，较小值区扩张，增加了安庆和泰州。②2006年，要素一体化指数较大值分布在上海、杭州、南京、苏州、宁波、金华和无锡，较小值分布在盐城、扬州、泰州、镇江、舟山、滁州、马鞍山、芜湖、铜陵、宣城、安庆和池州。与2006年相比，2020年较大值区增加了合肥，减少了金华，较小值区缩小，减少了盐城、泰州和扬州，增加了湖州和金华。③2006年，发展一体化指数较大值分布在上海、苏州、无锡、南通、宁波、杭州、湖州、嘉兴、南京和常州，较小值分布在宣城、滁州、马鞍山、安庆和盐城，与2006年相比，2020年较大值区增加了合肥、马鞍山、芜湖，减少了湖州。仅池州为较小值区。经以上分析可知，空间一体化指数、要素一体化指数和发展一体化指数的空间格局与区域一体化指数的相似，总体上呈从省会城市向四周递减的空间格局。
由图4可知，2006年，上海碳排放最大，为19053.240万t；舟山的最小，为429.492万t，说明碳排放的区域差异较大。较大值分布在上海、苏州、无锡、南京、南通、杭州和宁波，较小值分布在舟山、池州、安庆、铜陵、宣城、芜湖和马鞍山。2020年上海碳排放仍最大，为18302.497万t；舟山碳排放仍最小，为573.220万t。与2006年相比，碳排放较大值区呈扩张趋势，增加了盐城，形成了上海、苏州和南京高碳排放中心。由于上海是长江三角洲城市群的核心城市，经济发展水平高，能源消耗多，碳排放量大。苏州、无锡和南通是以现代化制造业为主的工业城市，受上海的辐射带动作用较强，碳排放量相对较大。2009年，江苏沿海开发上升为国家战略，盐城城镇化加快，经济发展水平快速增加，经济发展对能源的依赖，导致能源消耗快速提升。南京是重工业城市，重工业碳排放较多[27]。杭州和宁波碳排放相对较高，主要由于沪杭甬产业带的深度开发，导致能源消费量较大。碳排放较小值区保持不变，碳排放空间分布格局与区域一体化的基本一致。碳排放较小值主要分布在安徽省，由于安徽在长三角地区经济发展相对落后。

3.2 区域一体化与碳排放动态演进分析

运用核密度估计分析2006—2020年长三角区域一体化与碳排放的动态演进特征，绘制2006和2020年的核密度曲线，得到图5和图6。
图5 2006—2020年长三角区域一体化核密度估计

Fig.5 Kernel density estimation of regional integration in 2006-2020

图6 2006—2020年长三角碳排放核密度估计

Fig.6 Kernel density estimation of carbon emissions in 2006-2020

由图5可知，区域一体化指数的核密度曲线向右移动明显，表明长三角区域一体化水平不断提高。从密度分布曲线的峰度看，2006—2020年长三角地区各市区域一体化水平由“尖峰型”变为“宽峰型”，且右侧拖尾变长，表明各市间区域一体化水平的趋异趋势增强，区域一体化水平最大值与最小值之间差距明显且呈扩大趋势。从密度分布曲线的形状看，2006年区域一体化呈明显的“单主峰多次峰”模式，表明长三角地区的区域一体化水平存在多极化趋势和不均衡现象。主峰区域一体化指数集中在0.050左右，主要分布在泰州、盐城、镇江和扬州。2020年区域一体化呈明显的“双峰”模式，表明长三角地区的区域一体化水平仍存在不均衡现象。主峰集中在0.100左右，主要分布在芜湖、镇江、泰州、金华和绍兴。区域一体化指数的核密度曲线由“单主峰多次峰”模式逐渐演变为“双峰”模式，表明区域一体化的多极化趋势减弱，由“多极化”演变为“两极化”。主峰高度呈降低趋势，表明区域一体化差异性增大。
空间一体化指数和要素一体化指数的核密度曲线与区域一体化指数的相似，发展一体化指数曲线呈“单峰”模式，2006年发展一体化指数集中在0.020左右，主要分布在绍兴、合肥、扬州、芜湖、泰州和金华。2020年发展一体化指数集中在0.050左右，主要分布在镇江、马鞍山、芜湖、扬州、绍兴和泰州。
如图6所示，从密度分布曲线的峰度看，2006—2020年长三角地区各市碳排放由“尖峰型”演变为“宽峰型”，且峰值右移，表明各市碳排放呈增大趋势，且趋异趋势增强。从密度分布曲线的形状看，2006年，碳排放呈“单主峰多次峰”模式，表明长三角地区碳排放存在多极化趋势和不均衡现象。碳排放主峰集中在2100万t，主要分布在滁州、合肥、镇江、泰州和湖州。2020年，碳排放呈“双峰”模式，表明长三角地区碳排放仍存在不均衡现象，碳排放主峰集中在3500万t，主要分布在镇江、绍兴、台州和嘉兴。由“单主峰多次峰”模式演化为“双峰”模式，表明碳排放由“多极化”演化为“两极化”。主峰高度呈降低趋势，表明碳排放差异性增大。

3.3 区域一体化与碳排放相关性分析

利用Pearson相关系数和双变量Moran's I，分析区域一体化与碳排放的相关性。
从Pearson相关系数可知，区域一体化、空间一体化、要素一体化和发展一体化与碳排放的Pearson相关系数均为正，且在1%水平上显著，表明长三角区域一体化、空间一体化、要素一体化和发展一体化与碳排放均呈显著的正相关，即提高区域一体化水平、空间一体化水平、要素一体化水平和发展一体化水平，碳排放均增加。区域一体化和要素一体化与碳排放的Pearson相关系数波动减小，表明长三角区域一体化水平和要素一体化水平与碳排放的相关性波动减弱。空间一体化和发展一体化与碳排放的Pearson相关系数呈波动变化，但变化较小，表明长三角空间一体化水平和发展一体化水平与碳排放的相关性变化较小。
由表2可知，长三角区域一体化、空间一体化、要素一体化和发展一体化与碳排放的双变量Moran's I均为正，且均通过了5%水平的显著性检验，表明区域一体化水平、空间一体化水平、要素一体化水平和发展一体化水平与相邻市碳排放均呈显著性正相关。区域一体化、空间一体化和要素一体化与碳排放的双变量Moran's I呈波动上升趋势，表明长三角各市区域一体化水平、空间一体化水平、要素一体化水平与相邻市碳排放的正相关性波动上升。发展一体化与碳排放的双变量Moran's I呈波动下降趋势，表明长三角各市发展一体化与相邻市碳排放正相关性波动下降。
表2 2006—2020年长三角区域一体化与碳排放双变量Moran's I

Tab.2 The bivariate Moran's I between regional integration and carbon emissions in 2006-2020

年份 区域一体化 空间一体化 要素一体化 发展一体化
2006 0.141** 0.093** 0.154** 0.216**
2007 0.151** 0.104** 0.164** 0.224**
2008 0.139** 0.111** 0.143** 0.187**
2009 0.134** 0.120** 0.132** 0.160**
2010 0.139** 0.127** 0.134** 0.161**
2011 0.144** 0.133** 0.128** 0.183**
2012 0.143** 0.140** 0.118** 0.171**
2013 0.154** 0.153** 0.131** 0.172**
2014 0.163** 0.157** 0.155** 0.169**
2015 0.168** 0.157** 0.171** 0.160**
2016 0.161** 0.150** 0.160** 0.165**
2017 0.164** 0.155** 0.159** 0.179**
2018 0.167** 0.157** 0.168** 0.170**
2019 0.171** 0.153** 0.182** 0.154**
2020 0.173** 0.149** 0.186** 0.165**

注：***、**和*分别表示在1%、5%和10%水平下显著。表3~表4同。

3.4 区域一体化与碳排放空间关联分析

为分析本市区域一体化水平与相邻市碳排放的空间关联关系，测算长三角地区各市的双变量Local Moran's Ii，在5%的显著性水平下，绘制长三角区域一体化与碳排放双变量LISA集聚图（图7、图8）。
图7 2006—2020年长三角区域一体化与碳排放双变量LISA集聚图

Fig.7 Bivariate LISA cluster map of regional integration and carbon emissions in 2006-2020

图8 2006—2020年长三角各维度一体化与碳排放双变量LISA集聚图

Fig.8 Bivariate LISA cluster map for integration of each dimension and carbon emissions in 2006-2020

由图7可知，2006年长三角地区各市可分为3种空间关联类型：①本市区域一体化水平与相邻市碳排放均比平均值低，即LL类型，主要分布在安徽省，包括合肥、芜湖、铜陵、安庆和池州。②本市区域一体化水平比平均值低，相邻市碳排放比平均值高，即LH类型，仅有嘉兴。③本市区域一体化水平与相邻市碳排放均比平均值高，即HH类型，主要包括上海和苏州。与2006年相比，2020年仅合肥由LL类型转换为HL类型，其他市类型均未变，表明长三角地区各市区域一体化与相邻市碳排放的空间关联关系较为稳定。
由图8可知：①在空间一体化与碳排放的双变量LISA集聚图中，仅2020年合肥的空间关联类型与区域一体化中的不同，其他市的空间关联类型完全相同，表明长三角地区各市空间一体化与相邻市碳排放的空间关联关系与区域一体化的基本相同。②要素一体化与碳排放的双变量LISA集聚图与区域一体化的完全相同，表明本市要素一体化与相邻市碳排放的空间关联关系与区域一体化的相同。③在发展一体化与碳排放的双变量LISA集聚图中，2006年嘉兴和2020年芜湖的空间关联类型与区域一体化中的不同，其他市的空间关联类型完全相同，表明长三角地区各市发展一体化与相邻市碳排放的空间关联关系与区域一体化的基本相同。

4 碳排放影响因素分析

4.1 变量选择

碳排放受多种因素的影响，结合现有研究[15-16]，以碳排放为因变量，从空间一体化、要素一体化、发展一体化、城镇化水平、产业结构、人口密度、技术水平、经济水平和外商直接投资等方面选择自变量，其中空间一体化、要素一体化和发展一体化作为核心变量，是利用区域一体化指标体系中对应的指标，线性加权获得；其他自变量为控制变量，城镇化水平用城镇人口占总人口比例表示；产业结构用第二产业比例表示；人口密度用人口与土地面积的比值表示；技术水平用单位GDP能耗表示；经济水平用人均GDP表示；外商直接投资用外商直接投资占GDP比例表示。对各变量进行无量纲化处理。

4.2 模型选择与结果分析

2006—2020年碳排放的Moran's I值为0.099，P值小于0.010，表明存在显著的正的空间自相关性，碳排放呈空间集聚特征。因此，应考虑空间因素的影响，构建空间计量经济学模型。Hausman检验值为96.679，P值小于0.010，表明固定效应模型较为合适。空间固定效应的LR检验值为1026.812，P值小于0.010，表明应考虑空间固定效应。时间固定效应的LR检验值为149.332，P值小于0.010，表明应考虑时间固定效应。因此，应采用时空固定效应模型。运用LM检验判断哪个模型较为适合，空间滞后面板模型的LM检验值和稳健LM检验值分别为37.566和37.715，且均通过了1%水平的显著性检验，而空间误差面板模型的LM检验值为2.638，未通过10%水平的显著性检验，应考虑采用空间滞后面板模型。因此，本文选择时空固定效应的空间滞后面板模型。运用最大似然法估计得到表3。由表3可知，模型的R2值为0.974，表明自变量能够解释因变量的97.4%。空间自回归系数ρ为0.124，且在1%水平上显著，表明长三角地区各市碳排放存在空间溢出效应，即降低相邻市碳排放的同时，有助于降低本市碳排放。
表3 空间滞后面板模型结果

Tab.3 Results of spatial lag panel model

变量 回归系数 变量 回归系数
空间一体化 -0.107*** 单位GDP能耗 0.068***
要素一体化 -0.122*** 人均GDP -0.073***
发展一体化 0.159*** 外商直接投资占GDP比例 -0.093***
城镇化水平 0.001 ρ 0.124***
第二产业比例 0.015 R2 0.974
人口密度 0.009

注：ρ表示空间自回归系数。

由于空间滞后面板模型估计系数无法表示影响因素对碳排放的影响程度，根据其估计系数，可推算出直接效应与间接效应。
由表4可知：
表4 空间滞后面板模型的直接效应与间接效应

Tab.4 Direct and indirect effects of spatial lag panel model

变量 直接效应 间接效应 总效应
空间一体化 -0.108*** -0.015 -0.123***
要素一体化 -0.120*** -0.017* -0.137***
发展一体化 0.160*** 0.033** 0.193***
城镇化水平 0.002 0.001 0.003
第二产业比例 0.016 0.002 0.018
人口密度 0.008 0.001 0.009
单位GDP能耗 0.069*** 0.010 0.079***
人均GDP -0.074*** -0.024** -0.098***
外商直接投资占GDP比例 -0.092*** -0.023** -0.115***
①空间一体化水平对碳排放直接效应的弹性系数为-0.108，且通过了1%水平的显著性检验，表明空间一体化水平每提高1%，碳排放降低0.108%。空间一体化是区域一体化发展的基础，为社会经济发展提供了支撑，减少了社会经济发展所需投入，空间一体化水平相对较高的市，碳排放相对较低。间接效应的弹性系数为-0.015，但未通过10%水平的显著性检验，表明本市空间一体化水平对相邻市碳排放具有负向作用，但不明显。
②要素一体化水平对碳排放直接效应的弹性系数为-0.120，且通过了1%水平的显著性检验，表明要素一体化水平每提高1%，碳排放降低0.120%。要素一体化水平较高的市，要素流动自由化程度较高，配置较合理，利用效率较高，有助于降低碳排放。间接效应的弹性系数为-0.017，通过了10%水平的显著性检验，表明本市要素一体化水平每提高1%，相邻市碳排放降低0.017%。要素一体化水平对相邻市的影响，主要通过相邻市间的要素流动实现，有助于不同市间要素的优势互补，提高利用效率，减少碳排放。
③发展一体化水平对碳排放直接效应的弹性系数最大，为0.160，且通过了1%水平的显著性检验，表明发展一体化水平每提高1%，碳排放增加0.160%，发展一体化水平是影响碳排放的重要因素。发展一体化水平较高的市，各种人力、资金和资源投入较高，对能源的依赖度较高，消耗量较大，导致碳排放量较大。间接效应的弹性系数为0.033，且通过了5%水平的显著性检验，表明本市发展一体化水平每提高1%，相邻市碳排放增加0.033%。发展一体化水平较高的市对相邻市的影响主要通过产业布局实现，本市发展一体化水平提高的过程中，可能会将碳排放量较高的第二产业转移到相邻市，导致相邻市碳排放增加。
④城镇化水平对碳排放直接效应的弹性系数为0.002，但未通过10%水平的显著性检验，表明城镇化水平对碳排放具有正向作用，但不明显。随着城镇化水平的提高，农村人口逐渐转变为城镇人口，对资源和基础设施的需求增加，导致碳排放增加。间接效应的弹性系数为0.001，但未通过10%水平的显著性检验，表明本市城镇化水平对相邻市碳排放具有正向作用，但不明显。由于城镇化水平相对较高的市，生活成本可能相对较高，为降低生活成本，可能在城镇化水平相对较高市工作，而生活却在相邻市，导致相邻市碳排放增加。
⑤第二产业比例对碳排放直接效应的弹性系数为0.016，但未通过10%水平的显著性检验，表明第二产业比例每提高1%，碳排放增加0.016%，第二产业的碳排放相对较高，第二产业比例越高，碳排放量越大。间接效应的弹性系数为0.002，但未通过10%水平的显著性检验，表明本市第二产业比例对相邻市的碳排放具有正向作用，但不明显。
⑥人口密度对碳排放直接效应的弹性系数为0.008，但未通过10%水平的显著性检验，表明人口密度每提高1%，碳排放增加0.008%。为满足人们的需求，随着人口密度的增加，投入资金、资源和基础设施等更多，导致碳排放增加。间接效应的弹性系数为0.001，未通过10%水平的显著性检验，表明本市人口密度对相邻市的碳排放具有正向作用，但不明显。人口密度对相邻市的影响主要通过人口流动实现，本市人口密度较大时，生活成本较高，人们为了追求更舒适的生活，可能流向相邻市，相邻市人口的增加消耗较多的能源，导致碳排放增加。
⑦单位GDP能耗对碳排放直接效应的弹性系数为0.069，且通过了1%水平的显著性检验，表明单位GDP能耗每降低1%，碳排放减少0.069%。单位GDP能耗降低表征当地技术水平提高，提高技术水平一定程度上能抑制碳排放增加。间接效应的弹性系数为0.010，但未通过10%水平的显著性检验，表明本市单位GDP能耗对相邻市的碳排放具有正向作用，但不明显。单位GDP能耗对相邻市的影响，主要通过技术扩散实现，相邻市可能模仿本市的低碳技术，进而提高其低碳技术水平，降低碳排放。
⑧人均GDP对碳排放直接效应的弹性系数为 -0.074，且通过了1%水平的显著性检验，表明人均GDP每提高1%，碳排放降低0.074%。经济发展水平较高的市，更加关注环境质量，注重环境保护。同时，政府有更多的资金投资到低碳发展技术，有助于降低碳排放。间接效应的弹性系数为-0.024，并通过了5%水平的显著性检验，表明本市人均GDP每提高1%，相邻市碳排放降低0.024。本市主要通过吸引相邻市的优势资源，导致相邻市经济发展速度减慢，进而减少碳排放。
⑨外商直接投资占GDP比例对碳排放直接效应的弹性系数为-0.092，且通过了1%水平的显著性检验，表明外商直接投资占GDP比例每提高1%，碳排放降低0.092%，该结果支持了“污染光环假说”，长三角地区在引入外商投资时，注重外资的准入门槛，引入的外资一定程度上促进了技术水平和管理水平的提高，有助于降低碳排放。间接效应的弹性系数为-0.023，且通过了5%水平的显著性检验，表明本市外商直接投资占GDP比例每提高1%，相邻市碳排放降低0.023%。相邻市间可能存在“邻里效应”，由于模仿本市制定相似的引入外资政策，且区位和投资环境相似，也受到外资青睐。因此，对相邻市的外商直接投资占GDP比例有一定影响，间接降低碳排放。

5 结论与建议

5.1 主要结论

本文基于熵值法和双变量Local Moran's Ii，分析2006—2020年长三角区域一体化与碳排放的时空特征，并构建空间滞后模型，分析区域一体化对碳排放的影响，揭示其影响机理，得出结论如下：
①区域一体化指数和碳排放存在明显的区域差异且空间格局相对稳定，总体上呈从省会城市向四周递减的空间格局。空间一体化指数、要素一体化指数和发展一体化指数的空间格局与区域一体化指数的相似。上海、南京、杭州、苏州、南通、无锡和宁波的区域一体化水平和碳排放量均较高，由于上海、南京和杭州作为长三角城市群的核心城市，资源与要素流动性较强，区域一体化水平较高，经济发展水平相对较高，能源消耗较多，碳排放量较大。受上海辐射带动作用的影响，苏州、南通和无锡从上海承接的产业转移较多，碳排放量较大，区域间联系较强，区域一体化水平较高。宁波受沪杭甬产业带深度开发的影响，与上海和杭州的要素和资源流动增加，区域一体化水平较高，碳排放量较大。区域一体化指数和碳排放的核密度曲线由“单主峰多次峰”模式逐渐演变为“双峰”模式，表明区域一体化和碳排放的多极化趋势减弱，由“多极化”演变为“两极化”；主峰高度呈降低趋势，表明区域一体化和碳排放差异性增大。空间一体化指数和要素一体化指数的核密度曲线与区域一体化指数的相似，发展一体化指数曲线呈“单峰”模式。
②区域一体化和要素一体化与碳排放的Pearson相关系数总体波动下降，表明长三角区域一体化水平和要素一体化水平与碳排放的相关性波动减弱。空间一体化和发展一体化与碳排放的Pearson相关系数呈波动变化，但变化较小，表明长三角空间一体化水平和发展一体化水平与碳排放的相关性变化较小。区域一体化、空间一体化和要素一体化与碳排放的双变量Moran's I呈波动上升趋势，表明长三角各市区域一体化水平、空间一体化水平和要素一体化水平与相邻市碳排放的正相关性波动上升。发展一体化与碳排放的双变量Moran's I呈波动下降趋势，表明长三角各市发展一体化与相邻市碳排放正相关性波动下降。长三角地区各市区域一体化、空间一体化、要素一体化和发展一体化与相邻市碳排放的空间关联关系较为稳定。
③影响长三角地区碳排放的主要因素有空间一体化、要素一体化、发展一体化、单位GDP能耗、人均GDP和外商直接投资占GDP比例。其中，空间一体化是区域一体化发展的基础，为社会经济发展提供了支撑，空间一体化水平较高的市，碳排放相对较低。提高要素一体化水平，有利于要素自由流动和合理配置，提高其利用效率，降低碳排放。要素一体化对相邻市的影响主要通过要素流动实现。发展一体化是影响碳排放的重要因素，是降低碳排放的重要途径。提高技术水平，有助于抑制碳排放增加。随着经济水平的提高，人们更加关注环境质量，同时，政府有足够资金，加强对环境治理的投资，进而降低碳排放。经济水平对相邻地区的影响，主要通过“虹吸效应”实现。外商直接投资促进了当地技术水平和管理水平的提高，有助于降低碳排放。外商直接投资通过“邻里效应”降低相邻市的碳排放。

5.2 对策建议

基于本研究结论，提出以下对策建议：
①长三角区域一体化与碳排放存在明显的区域差异且空间格局相对稳定。应结合各地现状，制定差异化的政策。上海、南京和杭州作为长三角地区的核心城市，应在稳步提高自身区域一体化水平的同时，适当降低碳排放量，并充分发挥其辐射带动作用，主动向其他市提供资金、技术和人力等方面的支持，打破要素市场壁垒，促进要素的自由流动。苏州、南通、无锡和宁波与省会城市联系紧密，应加强与省会城市的合作和资源共享，积极承接产业转移。马鞍山、宣城、池州、铜陵、安庆和舟山区域一体化水平和碳排放较低，经济发展相对落后，缺乏资金、技术和人力等方面的支持，这些城市应积极引入资金、技术和人力等要素，提高区域一体化水平，推动经济的高质量快速发展。
②碳排放存在明显的空间溢出效应，在制定政策时，应考虑相邻市的影响，共同降低碳排放。同时，可建立低碳试点区，总结低碳发展经验，为其他地区低碳发展提供决策参考和科学依据。发展一体化水平是影响碳排放的重要因素，优化发展一体化结构是降低碳排放的重要途径。转变经济发展方式，发展绿色低碳经济，注重经济发展质量，确保经济高质量发展。制定合理的招商引资政策，提高外商投资的准入门槛，引进低能耗、低污染的外商投资，减少高能耗、高污染的外商投资，由“招商引资”转换为“招商选资”。改善固定资产投资结构，降低高耗能产业投资比例。优化产业结构，提高低碳产业比例。稳步提升空间一体化和要素一体化水平，消除要素流动壁垒，实现要素自由流动和合理配置，提高利用效率。降低单位GDP能耗，提高低碳技术水平，抑制碳排放增加。
本研究还存在一定的局限性。区域一体化包含多个方面，但受数据可获得性的限制，在区域一体化指标体系的构建中，仅从空间一体化、要素一体化和发展一体化等方面选取了13个指标，忽略了区域内部贸易网络和交通等指标，可能导致与实际的一体化进程有所差异。这些都需要在后续研究中加以改进。

参考文献

原文顺序 | 文献年度倒序 | 文中引用次数倒序
[1]
Gregg J S, Andres R J, Marland G. China: Emissions pattern of the world leader in CO2 emissions from fossil fuel consumption and cement production[J]. Geophysical Research Letters, 2008,doi:10.1029/2007gl032887.

[2]
方创琳, 周成虎, 顾朝林, 等. 特大城市群地区城镇化与生态环境交互耦合效应解析的理论框架及技术路径[J]. 地理学报, 2016, 71(4):531-550.

DOI

[3]
Li J L, Lin B Q. Does energy and CO2 emissions performance of China benefit from regional integration?[J]. Energy Policy, 2017,101:366-378.

[4]
方叶林, 程雪兰, 苏雪晴, 等. 一体化进程对旅游经济的空间溢出效应——以长三角城市群为例[J]. 地理科学, 2021, 41(9):1546-1555.

DOI

[5]
Wen L J, Chatalova L, Gao X, et al. Reduction of carbon emissions through resource-saving and environment-friendly regional economic integration:Evidence from Wuhan metropolitan area,China[J]. Technological Forecasting and Social Change, 2021,doi:10.1016/j.techfore.2021.120590.

[6]
Zhao J M, Zhu D L, Cheng J, et al. Does regional economic integration promote urban land use efficiency?Evidence from the Yangtze River Delta,China[J]. Habitat International, 2021,doi:10.1016/j.habitatint.2021.102404.

[7]
Poncet S. Measuring Chinese domestic and international integration[J]. China Economic Review, 2003, 14(1):1-21.

[8]
Wang Z, Zhang X P, Zhang C Z, et al. How regional integration affects urban green development efficiency:Evidence from urban agglomeration in the middle reaches of the Yangtze River[J]. International Journal of Environmental Research and Public Health, 2022,doi:10.3390/ijerph19137937.

[9]
胡艳, 张安伟. 长三角区域一体化生态优化效应研究[J]. 城市问题, 2020(6):20-28.

[10]
葛堃, 邹珊, 卢新海, 等. 区域一体化背景下城市土地绿色利用效率空间收敛分析——以长江经济带为例[J]. 华东经济管理, 2021, 35(3):31-41.

[11]
晏清, 贺超飞, 郭焕修. 基于区域一体化的长三角城市碳达峰实证研究[J]. 世界经济与政治论坛, 2022(3):150-172.

[12]
林妍如. 长三角地区一体化背景下产业转移所带来碳排放转移问题的思考[J]. 中国储运, 2022(5):67-68.

[13]
郭艺, 曹贤忠, 魏文栋, 等. 长三角区域一体化对城市碳排放的影响研究[J]. 地理研究, 2022, 41(1):181-192.

DOI

[14]
Xiao R R, Tan G G, Huang B C, et al. Pathways to sustainable development:Regional integration and carbon emissions in China[J]. Energy Reports, 2022(8):5137-5145.

[15]
黎文勇, 杨上广, 吴玉鸣. 区域市场一体化对碳排放效益的影响研究——来自长三角地区的空间计量分析[J]. 软科学, 2018, 32(9):52-55,71.

[16]
陈益鑫, 季栋伟, 张体委, 等. 区域一体化对三大城市群碳排放强度的影响研究[J]. 金融纵横, 2021(9):85-93.

[17]
Chen X, Zhang S, Ruan S. Polycentric structure and carbon dioxide emissions:Empirical analysis from provincial data in China[J]. Journal of Cleaner Production, 2021,doi:10.1016/j.jclepro.2020.123411.

[18]
Liu Z, Zhang H, Zhang Y J, et al. Research on the effects of market integration on carbon emissions[J]. Management Decision, 2019, 59(4):747-763.

[19]
Jorgenson A K, Longhofer W, Grant D, et al. The effects of economic and political integration on power plants’ carbon emissions in the post-soviet transition nations[J]. Environmental Research Letters, 2017,doi:10.1088/1748-9326/aa650b.

[20]
He W J, Wang B, Danish, et al. Will regional economic integration influence carbon dioxide marginal abatement costs?Evidence from Chinese panel data[J]. Energy Economics, 2018,74:263-274.

[21]
Kang J, Yu C, Xue R, et al. Can regional integration narrow city-level energy efficiency gap in China?[J]. Energy Policy, 2022,doi:10.1016/j.enpol.2022.112820.

[22]
Chen J D, Gao M, Cheng S L, et al. County-level CO2 emissions and sequestration in China during 1997-2017[J]. Scientific Data,2020,doi:10.1038/s41597-020-00736-3.

[23]
崔丹, 卜晓燕, 徐祯, 等. 中国资源型城市高质量发展综合评估及影响机理[J]. 地理学报, 2021, 76(10):2489-2503.

DOI

[24]
Anselin L. Spatial Econometrics:Methods and Models[M]. Dordrecht: Dordrecht Springer Science & Business Media,1988.

[25]
Li J B, Huang X J, Chuai X W, et al. The impact of land urbanization on carbon dioxide emissions in the Yangtze River Delta,China:A multiscale perspective[J]. Cities, 2021,doi:10.1016/j.cities.2021.103275.

[26]
Elhorst J P. Spatial Econometrics:From Cross-sectional Data to Spatial Panels[M]. Elhorst:Springer, 2014.

[27]
李建豹, 黄贤金, 孙树臣, 等. 长三角地区城市土地与能源消费CO2排放的时空耦合分析[J]. 地理研究, 2019, 38(9):2188-2201.

Options
文章导航

/

〈 〉