城市集聚如何有助于实现碳减排目标?来自高速度铁路(HSR)加权空间差分-in-differences(spatial DID)方法的证据
《Communications in Transportation Research》:How does urban agglomeration contribute to achieving carbon reduction targets? Evidence from an HSR-weighting spatial DID approach
【字体:
大
中
小
】
时间:2026年01月07日
来源:Communications in Transportation Research 14.5
编辑推荐:
王颖|魏红红|安德烈亚斯·康特莱昂
上海大学SILC商学院,中国
**摘要**
城市集聚(UA)作为区域整合的典范,为推动可持续城市发展和减少碳排放提供了平台。将中国的城市集聚现象视为一个准自然实验,我们采用高速铁路(HSR)加权空间差异-差异(SDID)方法来研究
王颖|魏红红|安德烈亚斯·康特莱昂
上海大学SILC商学院,中国
**摘要**
城市集聚(UA)作为区域整合的典范,为推动可持续城市发展和减少碳排放提供了平台。将中国的城市集聚现象视为一个准自然实验,我们采用高速铁路(HSR)加权空间差异-差异(SDID)方法来研究UA对碳排放减少的直接和间接影响。利用2004年至2019年中国195个城市的两阶段平衡面板数据集,我们的实证结果显示:UA直接作用于核心城市的碳排放减排,并通过城际高铁连接间接影响周边城市的碳排放。进一步机制分析表明:(1)UA通过产业结构升级实现碳排放减少,产生“规模红利”效应,促进结构优化并降低周边城市的碳排放;(2)UA通过降低能源强度实现碳排放减少,但由此产生的“虹吸效应”会增加周边城市的能源消耗;(3)UA通过促进技术创新和多样化集聚推动本地碳排放减少,但并未通过这些机制影响周边城市的碳排放。这些发现为了解UA和城际高铁如何促进向低碳社会的转型提供了有益的见解。
**引言**
联合国可持续发展目标(SDGs)强调了可持续城市和社区(目标11)以及气候行动(目标13)的重要性。城市集聚(UA)作为中国区域发展的独特特征,为同时实现可持续城市发展和碳排放减排目标提供了潜在平台。作为人口密集且经济活跃的地区,UA通过协调规划、资源共享和合作举措,为减少碳排放提供了独特的机会,使城市发展与气候目标保持一致。
作为全球最大的二氧化碳排放国,中国面临着实现其碳减排目标的紧迫挑战——即到2030年达到排放峰值,并在2060年实现碳中和。然而,二氧化碳排放不仅是一个局部问题,还可能扩散到周边地区,从而加剧应对气候变化的难度。传统的环境污染控制方法零散且基于配额,地方政府需根据特定配额达到污染控制目标,这导致了跨界污染问题(Shi等人,2016)。行政壁垒的存在阻碍了地方政府有效合作应对环境污染,阻碍了整体污染治理(Sigman,2005)。这些挑战凸显了需要一种综合方法——将领土管理与区域连通性相结合,并实施协作防御措施,以减少产业转移和缓解“免费搭便车”问题。鉴于UA在促进合作方面的潜力,它为区域层面减少碳排放和推进气候目标提供了平台。因此,探讨UA是否以及如何减少碳排放具有重要意义。
UA与碳排放之间的关系复杂多元。与单一城市的城市化相比,UA促进了协作治理,从而减少了整体区域污染(Song等人,2020)。UA的“1+1>2效应”可以通过城市网络理论框架来解释,该理论认为UA使城市能够互补资源(Capello,2000)。此外,城市集聚对核心城市和边缘城市的影响不同:一方面,UA带来了“规模红利”效应(Alonso,1973),表明UA内的小城市可以从大城市“借鉴”优势;另一方面,UA的发展常常伴随“虹吸效应”,表明大城市会吸引人才、资本和其他资源(Hu等人,2020)。因此,在减少二氧化碳排放的背景下,UA对核心城市和边缘城市的直接和间接影响自然不同。而高铁系统加剧了UA的溢出效应。在中国,高速铁路通过缩短空间距离和消除要素流动障碍增强了连通性(Wang等人,2019;Huang和Wang,2020),重塑了区域经济格局并影响了碳排放(Vickerman,2018)。虽然高铁提高了资源流动效率,但也可能加剧区域差异。研究表明,高铁在欧洲加剧了区域差异(Gutiérrez等人,1996),加速了经济因素向中心城市的流入,挤压了周边城市的发展空间(Vickerman,1997;Monzón等人,2013)。
尽管关于城市集聚中的区域整合(Li和Chen,2021)和空间结构(Liu等人,2023)如何影响环境绩效的研究受到了广泛关注,但很少有研究评估UA是否以及如何缓解碳排放。为填补这一空白,我们研究了UA的建立如何直接和间接影响碳排放,并探讨了这种效应在UA的核心城市和边缘城市之间的差异。本研究将UA的建立视为一个准自然实验,并采用了空间差异-差异(SDID)方法。特别考虑到高铁在促进基础设施共享和技术溢出方面的重要作用(Ren等人,2022),我们使用城市间高铁的最短通勤时间来构建空间权重矩阵,而非传统的距离矩阵。
**研究贡献**
本研究对现有文献做出了三项关键贡献:
1. 从碳排放减少的角度扩展了关于UA影响的文献。现有文献主要研究UA对其他环境指标(如PM2.5污染、生态韧性、生态效率)的影响(Jiang等人,2022;Jiang和Jiang,2024;Huang等人,2018)。鉴于UA在中国的重要性以及实现碳中和的挑战,有必要研究UA是否以及如何减少碳排放。此外,以往的研究很少量化UA影响碳排放的机制。我们进行了全面的机制分析,探讨了产业结构升级、能源强度、技术进步、多样化集聚、专业化集聚和市场整合等机制。
2. 通过将“核心-边缘”布局(Xu等人,2010)扩展到区域层面,丰富了空间结构与碳排放的研究。以往研究空间结构与碳排放之间的联系主要关注城市内部的形态(Jin和Xu,2024;Zhang等人,2024)。关于UA的“核心-边缘”布局对排放的影响知之甚少。我们从城市内部层面扩展到城市间的层面,分析了核心城市对UA内边缘城市的溢出效应。此外,以往关于空间结构与碳排放的研究主要关注城市紧凑性和单一中心结构等静态特征(例如Parr,2004;Lee和Lee,2014;Liu,2020a)。虽然这些因素为理解城市形态与排放之间的关系提供了宝贵见解,但往往忽视了城市或区域不同部分之间的动态互动。我们的研究将重点放在核心-边缘结构中的溢出效应上,强调了核心区域与边缘区域之间的动态互动。
3. 本研究推进了评估碳排放空间效应的方法论。现有研究主要依赖地理或经济距离矩阵来探讨城市集聚内的二氧化碳排放空间相关性(Han等人,2018),但这些方法未能捕捉到地理上相距较远但联系紧密的城市之间的关联性。本文使用城际高铁最短通勤时间来分析UA对碳排放的溢出效应,反映了高铁所带来的连通性。以往研究表明,高铁不仅通过提高资源流动效率减少了交通相关排放(Vickerman,2018;Huang和Wang,2020),还通过加速经济活动和资源在中心城市的集中加剧了核心城市与边缘城市之间的差异(Vickerman,1997;Monzón等人,2013)。通过使用高铁通勤时间作为权重矩阵,本文弥补了现有文献的不足,超越了基于地理或经济距离的传统空间矩阵,这些方法往往忽视了现代交通网络对碳排放和区域不平等的影响。
**部分摘要**
**城市集聚的影响**
由于城市集聚在经济和环境方面的显著影响,对其进行了大量研究。在经济效应方面,UA促进了资本、人才和技术在城市中心与周边地区之间的流动,增强了连通性和整合(Dong等人,2023)。这种由市场整合和产业集群形成驱动的动态过程不仅促进了经济增长(Melo等人,2017;Giuliano等人,2019),还加强了...
**HSR加权SDID模型**
我们使用双向固定SDID模型来研究UA政策是否影响碳排放。具体而言,我们采用以下空间Durbin DID模型:
$$ CEI_{it} = \rho_1 \sum_j W_{ij} \times CEI_{jt} + \beta_1 Treat_i \times Post_t + \beta_2 \sum_j W_{ij} \times Treat_j \times Post_t + \beta_3 X_{it} + \beta_4 \sum_j W_{ij} \times X_{jt} + \mu_i + \nu_t + \varepsilon_{it} $$
其中,因变量$ CEI_{it} $表示第t年城市i的二氧化碳强度。$ W_{ij} \times CEI $表示$ CEI $的空间滞后项,$\rho $是$ CEI $的空间自相关系数。$ Treat_i \times Post_t $表示政策变量。
**空间相关性测试**
SDID依赖于空间相关性的存在。为了评估碳排放的整体空间相关性,我们计算了195个中国城市2004年至2019年的全球Moran's I指数,结果呈显著正向,表明中国碳排放存在显著的空间相关性。图2进一步展示了2004年、2012年和2019年这三个典型年份的CEIMoran散点图。大多数散点...
**机制分析**
根据Baron和Kenny(1986)的方法,本研究采用了两阶段中介模型进行机制测试。
**第一阶段**,我们将中介变量对政策变量进行回归:
$$ M = \rho_2 \sum_j W_{ij} \times CEI_{jt} + \delta_1 Treat_i \times Post_t + \delta_2 \sum_j W_{ij} \times Treat_j \times Post_t + \delta_3 Treat_i \times Post_t \times Core_City_i + \delta_4 \sum_j W_{ij} \times Treat_j \times Post_t \times Core_City_j + \delta_5 X_{it} + \delta_6 \sum_j W_{ij} \times X_{jt} + \mu_i + \nu_t + \varepsilon_{it} $$
其中,$ M $是潜在的中介变量(如专业化集聚(SP)、多样化集聚(DV)、产业结构(IS)...
**讨论与结论**
本研究使用HSR加权差异-差异方法研究了UA对碳排放的影响。通过对2004年至2019年中国195个城市的样本分析,我们证明了核心城市的集聚直接促进了当地二氧化碳的减少。尽管边缘城市并未直接受益于UA的建立,但可以从核心城市获得碳排放减少的溢出效应。因此,我们的发现扩展了“规模红利”效应(Alonso,1973)。
**作者贡献声明**
王颖:撰写——原始草案、软件开发、方法论设计、数据分析、概念化。
魏红红:撰写——原始草案、数据收集、数据分析、概念化。
安德烈亚斯·康特莱昂:撰写——审稿与编辑、监督。
生物通微信公众号
生物通新浪微博
今日动态 |
人才市场 |
新技术专栏 |
中国科学人 |
云展台 |
BioHot |
云讲堂直播 |
会展中心 |
特价专栏 |
技术快讯 |
免费试用
版权所有 生物通
Copyright© eBiotrade.com, All Rights Reserved
联系信箱:
粤ICP备09063491号