期刊佳文 | 长三角区域一体化对碳排放转移的影响

人类活动产生的能源消费碳排放深刻影响着经济社会的可持续发展。近10a来，全球变暖导致的恶性环境事件在世界各地不断上演，温室气体排放无疑是罪魁祸首[1]。减少碳排放已成为国际社会关注的主要问题。《京都议定书》《巴黎协定》等的签订，彰显了不同国家和地区在实现全球碳减排目标上的合作意向[2]。作为世界上经济增长最快的国家，中国的快速城市化被认为是影响碳排放的30大因素之一[3]。中国政府已认识到碳减排对抑制全球变暖、实现国内高质量发展的重要性，除积极加入和履行各类碳减排协定，还向世界做出2030年实现碳达峰，2060年实现碳中和的承诺[4]。如何应对“双碳”目标带来的机遇和挑战，是中国区域发展必须解决的难题。

经济全球化时代，城市间联系日益频繁，区域一体化趋势日益突出，彼此间劳动力、资本、信息的快速流动加速了各种能源要素的空间重构[5]。意味着区域一体化不仅推动地区经济社会发展，还能影响能源消费结构。区域一体化已然成为经济和环境相互制约的发展过程。在区域城镇体系、资源要素、组织机制得以优化重构的同时，区域一体化的空间外溢效应理应值得更为深入的探讨，特别是能源消费碳排放对生态环境的影响，是区域一体化研究中无法回避的议题。

长三角地区是中国空间发展的主要增长极，同时也是生态环境最敏感的地区。2019年《长江三角洲区域一体化发展规划纲要》的颁布，标志着长三角一体化正式上升为国家战略高度。由于长三角地区城市能源消费偏好的异质性，伴随着区域一体化带来人口、产业、资本等的流动，可能会导致碳排放的空间迁移[6]。可以预见的是，长三角区域一体化，是经济发展与生态环境保护的博弈过程。然而，长三角地区在践行中国式现代化进程中，区域一体化导致碳排放转移的时空异质性没有得到足够的重视。本研究旨在通过城市网络视角，评估长三角区域一体化与碳排放转移之间的关系和交互机制，以期为该区域落实碳减排目标，实现可持续发展提供理论参考。

区域一体化作为一种跨区域的经济发展模式，符合地域系统高质量发展的内生需求。随着可持续发展成为时代的主题，区域一体化对社会公平、投资贸易、生态环境的影响受到了更多的审视[7，8]。学术研究也逐渐倾向于评估一体化的外部性，重点聚焦区域一体化对环境带来的影响，根据侧重点的差异，形成了截然不同的结论。部分学者认为，区域一体化有利于促进规模经济，实现更大的市场需求和更低的投入成本，驱动生产资料进一步集聚[9]。然而，区域一体化在带动经济增长的同时，必然造成生态环境的同步变化[10]。特别是发展中国家，快速的城市化进程与持续的环境恶化同时存在。若缺乏有效的治理政策与积极的技术进步，长期粗放的一体化建设会面临严峻的生态安全问题[11]。此外，区域一体化使城市间形成密集的联系网络，人口分布、城市建设、经济活动高度集中。外部因素的局部扰动能够快速扩散至全域，加剧了区域生态环境的脆弱性[12，13]。当然，也有不少学者从实证研究出发，做出了乐观的判断。他们认为区域一体化鼓励市场竞争，加速了技术创新和协作治理，有利于提高环境污染的边际成本[14，15]。

在关于区域一体化与生态环境问题的探讨中，碳排放作为表征环境变化的核心指标成为学术研究的焦点。相关研究主要从要素流动的理论层面探讨区域一体化对碳排放转移的作用过程。学者们认为，不同规模的城市对生产要素的吸引能力不同，区域一体化通过影响要素的城际流动频率和路径，在生产资料集聚规模扩大的同时，使其流向最优分布，进而影响碳排放[16]。在初期，区域一体化推动生产资料向核心城市集聚，碳排放由周边地区向核心城市转移[17]。考虑到区域发展的非均衡性，生产资料的单向汇聚，可能带来不同规模城市间要素投入水平的巨大差异，导致要素流动拥堵，区域碳排放增长[18]。随着一体化的推进，核心城市的发展成本增加，生产资料集聚的边际效益降低[19]。受制于更为严苛的环境规制，发展要素向周边地区转移，空间配置得到进一步优化，区域碳排放总量相应减少[20]。然而，在该阶段，核心城市通过产业结构调整和技术革新，实现了生产侧碳排放的降低，但减少的碳排放量可能被周边地区的增加量所抵消，存在核心城市将碳排放责任转移给周边地区的现象[21]。由此可知，区域一体化对碳排放的影响是非线性的，两者间关系呈现时间和空间上的异质性。

综上所述，现有研究在评估区域一体化与碳排放转移关系时，仅局限在宏观层面的理论思辨和单边作用分析。在实证研究中，针对特定区域融入地理过程多样性和交互性的定量研究更具现实意义。近年来，跨界贸易成为区域发展的主题，城市之间形成密集的联系网络，加速了生产要素、管理和技术的跨行政区划流动。有关城市的各类议题越来越多地被置于其所处的无数网络之中，关系网络对地理过程的塑造愈发重要。然而，通过构建城市网络，探讨区域一体化影响碳排放转移的研究仍然较少。

长三角地区位于中国东部，包括上海市、江苏省、浙江省、安徽省。该区域是中国空间发展的主要增长极之一，内部城市经济规模不一，结构错综复杂。自中国改革开放以来，长三角地区一直探索消除行政壁垒，加快城市间合作的路径和方法，区域一体化逐渐引起中国政府的重视。因此，本研究选择该区域作为研究对象(图1)，共包含41座城市。

本文借鉴已有研究成果，综合区域一体化评价的表征因素和支撑因素，从交通、市场、产业、信息、文化5个维度[22，23]，构建基于城市关系的长三角区域一体化衡量框架。运用基于Top-sis模型的熵权法对每个维度分配权重，加权获得邻接矩阵，以此构建区域一体化网络(RIN)。

(1)交通一体化:采用城市间高铁站点车次信息衡量交通一体化水平。

(2)市场一体化:采用上市企业与对外投资企业间的关联数量衡量市场一体化。

(3)产业一体化:采用国民经济四位数行业的结构差异度指数衡量产业一体化[24]。

(4)信息一体化:采用百度搜索指数中无异常波动月数据的日均值刻画城市居民在网络中对其他城市资讯的关注强度。

(5)文化一体化:按照城市所处方言小片、方言片区、方言大区、省份的同质关系，加入地理距离分类指数(表1)，衡量城市间文化一体化。

中国自上而下的能源统计制度，仅公布省级尺度的能源消耗平衡表，限制了城市尺度能源消耗与碳排放的研究[25]。为构建碳排放的空间转移网络(CTN)，选用夜间灯光数据反演城市碳排放量，借助多区域投入产出表(MRIO)模拟碳排放转移。主要步骤如下:

(1)根据公布的省级单位能源消费平衡表，选取平均消耗量最高的11种主要能源核算各省和直辖市的碳排放总量。为避免不同能源碳排放的重复计算，原煤等一次能源的消耗量为终端消费量与加工转换投入量的总和，电力等二次能源的消耗量仅包含终端消费量和损失量。计算公式如下[26]:

式中:E_i为省级单位第i种能源的碳排放量；e_i为第i种能源的消耗量；k_i为第i种能源的折算标准煤系数；θ_i为第i种能源的碳排放系数；k_i和θ_i的值基于《中国能源统计年鉴》和IPCC《国家温室气体排放清单指南》(表2)。

(2)通过统计分析，长三角地区碳排放强度和夜间灯光DN值在2011~2014、2015~2017、2018~2020年3时间段，分别呈拟合优度为0.57、0.97、0.99的线性相关特征。将全域灯光DN值代入拟合函数，分段模拟碳排放量。假设碳排放量与夜间灯光在不同尺度存在一致的相关性，可以使用上述拟合结果估算城市碳排放量[27]。考虑到区域尺度降至城市尺度的精度问题，仅采用三段拟合函数的不含截距项，分别预测对应年份的城市碳排放量[28]。

(3)利用MRIO探讨由城市各行业中间产品贸易引起的碳排放转移。根据每个城市各行业GDP占所在省份的比重，将MRIO拆分为城市间数据[29]。则碳排放转移矩阵可由公式(2)计算:

有n个城市，城市间的直接消耗系数矩阵A=[a_ij]_n×n，a_ij为直接消耗系数，表示城市j生产单位产品所需要城市i的产品投入量。(I-A)^-1为Leontief逆矩阵，它在最终需求与总投入之间建立了联系[30]。E为城市碳排放强度矩阵，指城市单位产出引致的碳排放量，由夜间灯光数据反推的城市碳排放量与总产出计算而来，Y为城市最终需求矩阵。

借鉴Bródka等[31]设计的检验多个网络相似性的通用框架，判断CTN和RIN在结构层面的相近性。主要研究方法概括为:

(1)分布特征。利用累积分布函数衡量节点和连接边的拓扑属性在CTN和RIN中的相似性。累积分布函数可表示为式(3)[32]:

式中:P_c(k)为中心性值大于k的节点的累积分布(类似的，权重大于k的边的累积分布)；P(k′)为中心性值为k′的节点在网络中的占比(权重为k′的边占网络所有边权重的比重)。

(2)相关性。双变量局部空间自相关可用于辨析节点属性在CTN和RIN中的相关性，并揭示主要空间集聚单元，可用式(4)计算:

式中:BI_i是区域i的双变量局部自相关指数；w_ij是区域i和j的空间权重；c是恒定的比例因子；x_i是区域i的属性值；y_j是区域j的属性值[33，34]。

连接边的相关性可通过双变量流的局部空间自相关予以识别，是对公式(4)的变形[35]:

式中:f_x(i，j)表示起点i和终点j间的x类型空间流；f_y(u，v)表示u和v间的y类型空间流；BFI_x(i，j)是y类型空间流相对于f_x(i，j)的局部空间关联；w_ij，uv是f_x(i，j)和f_y(u，v)之间的空间流权重；c为恒定的比例因子。

本研究使用随机森林模型(RF)评估长三角区域一体化对碳排放转移的影响。RF是一种基于决策树的抽样预测模型，但同样适用于回归分析，该模型没有固定的样本量要求，且不需要考虑多重共线性的影响[36]。

如果仅使用碳排放转移和区域一体化两个指标构建RF模型，结果的解释性是有限的[37]。因此，本研究引入城市规模(Citysize)、政府干预(Gov)、知识创新(Innovate)、对外开放(Open)作为控制变量，考查社会经济等外部影响。

式中:CT_ij和RI_ij分别指城市i和j间的碳排放转移量和一体化指数；Citysize_ij、Gov_ij、Innovate_ij、Open_ij分别表示城市规模(GDP)、政府干预(公共财政支出/GDP)、知识创新(人均专利授权数)、对外开放(实际利用外资总额/GDP)的平均绝对偏差，这些变量与CT_ij和RI_ij的数据类型一致。

RF模型回归分析过程在R环境下进行。所有数据经过标准化处理后，借助“rfPermute”软件包评估每个解释变量对被解释变量的相对重要性和偏依赖关系[38]。

当然，各类解释变量对碳排放转移的作用过程并非表现为单边关系，变量之间可能存在复杂的交互影响。因此，利用多元线性回归增加交互项分析，判断区域一体化对碳排放转移的作用效果与方向是否受其他经济社会变量的影响。

式中:CT_ij和RI_ij分别指城市i和j间的碳排放转移量和一体化指数；Citysize_ij、Gov_ij、Innovate_ij、Open_ij分别表示城市规模、政府干预、知识创新、对外开放的平均绝对偏差；RI_ij×Citysize_ij、RI_ij×Gov_ij、RI_ij×Innovate_ij、RI_ij×Open_ij是经济社会变量与一体化指数的交互项；α₁~α₉是回归系数。

研究所涉及的经济社会数据均来自对应年份的统计年鉴公开数据。MRIO表根据中国碳核算数据库(CEADs)公开的2012、2015、2017年的数据估算而来。夜间灯光数据选用陈佐旗等[39]发布的跨传感器校正的全球“类NPP-VIIRS”夜间灯光数据集，该数据具备时间序列上的连续性，不需要进一步校正。高速铁路车次信息、上市企业对外投资数据、城市资讯搜索数据、方言分区数据分别采集自中国铁路客运售票网站、企查查网站、百度搜索指数平台、《中国语言地图集》。

在真实世界中，城市节点连接构成的多元网络本质上是彼此关联的[40]。区域一体化和碳排放转移作为典型的地理过程，必然存在复杂的交互作用。因此，在定量揭示两者的相互作用之前，有必要评估CTN和RIN的结构相关性。

在研究期内，CTN和RIN的空间格局波动不显著。本研究仅以2020年的连接边权重大于均值的阈值网络为例，分析CTN和RIN的空间格局差异。图2中，线宽与碳排放转移量及一体化程度呈正比。

图2(a)描绘的是碳排放转移网络。由图所示，CTN整体上形成以省会城市为中心的社团结构，表现出核心城市导向的空间依赖特征。南京-苏州-南通围合而成的三角形区域是长三角地区碳排放转移的主要集中区。图2(b)是区域一体化网络，在上海-南京-杭州-宁波一带形成“Z”形状的集中区，集中区外围显现出分散的社团结构雏形。

从图2可以看到，CTN和RIN的网络形态不完全匹配，但并不能否定两者之间的相关性。本研究将从拓扑结构出发，对两个网络的相关性展开进一步的讨论。

在社会网络分析中，反映节点拓扑属性的指标有度中心性(DC)、介数中心性等(BC)，这些指标仅适用于二进制的无权网络。事实上，城市在网络中的地位依赖于关联路径权重[41]。因此在二进制拓扑指标的基础上，增加了反映加权网络节点特征的转变中心性(AC)。该部分研究仍使用阈值网络。

图3(a)和图3(b)描绘的是CTN和RIN节点拓扑属性的累积分布情况，整体呈现较为近似的统计特征。除DC外，BC和AC的分布皆为高度集中模式。CTN和RIN的连接边也表现出类似的分布特征(图3(c)所示)。CTN有近30%的连接边承载了大约90%的碳排放转移，而在RIN中，前90%权重集中在约60%的连接边。这清楚地表明，长三角地区的空间格局由少数城市所勾勒。

总而言之，两个网络的拓扑属性在统计角度都呈现出相近的集中分布趋势，类似无标度网络的基本特征。但这种相似性在微观尺度仍未得到验证。对于特定的节点或连接边，跨网络的同构、异构关系，值得进一步探索。

表3列出了所有双变量局部自相关的统计结果。除NS(不显著)外，其他缩略词代表四种空间集聚类型，结果均通过0.05显著性水平检验。HH和LL指目标区域与领域具有正相关关系，而HL、LH为空间局部离群值，表示负相关关系。

统计结果显示CTN和RIN存在较强的正相关性。BI_i有接近15%的节点被标记为局部聚类，仅有不足5%的节点被标记为局部离群(2020年除外)。BFI_x(i，j)的结果则更为明显，约40%的连接边被标记为局部聚类，少于4%的边被标记为局部离群。这一发现表明，在CTN中权值较高(低)的节点或连接边，在RIN中也具有相似的领域特征。证实在微观尺度，CTN和RIN存在同构关系。

LISA图(图4)展示了4种集聚类型的空间分布。如图4(a)所示，HH节点集中在区域东部，而LL分散在HH的外围。相较而言，图4(b)连接边的空间格局类似节点LISA，但覆盖范围有较大程度扩展，且局部离群值展示了更多的地理细节:碳排放转移强度和一体化程度都较高的边(HH)沿区域内主要发展轴带分布，碳排放转移强度不高但一体化程度较高的连接边(LH)集中在区域东部，碳排放转移强度高而一体化程度低的连接边(HL)则分布在浙江与安徽之间，以及江苏省内部。

空间相关性分析初步验证了CTN与RIN的正相关关系。但未通过显著性检验的节点或连接边数量占据绝对比重，已有结果不足以完美描述两者的关系。因此，在下一节中，将以定量化手段对区域一体化和碳排放转移之间的数理关系进行深度讨论。

本部分内容定量分析区域一体化对碳排放转移的影响，重点揭示时间和地理空间引致的动态特征。为了提升研究的全面性，模型构建过程中加入了4个经济社会变量。

表4是回归模型中变量的描述性统计。所有变量在研究期内都呈现出不同幅度的波动趋势，仅有RI_ij、Citysize_ij、Innovate_ij3个变量表现为持续增长。从标准差来看，CT_ij、Citysize_ij、Innovate_ij随时间波动幅度最大，对应的城市关系在时间和空间上均有较为显著的异质性。

表5是不同年份RF模型和OLS模型的回归结果。其中OLS模型主要用于解释交互项的作用。在运用OLS模型前，先借助逐步线性回归法消除解释变量间的多重共线性，提取极具解释力的关键变量，对关键变量实施交互项分析。

本研究运用RF模型的回归结果识别单一解释变量对碳排放转移的作用过程。首先，从整体来看，城市间的碳排放转移受到区域一体化和经济社会因素的多边影响，其中区域一体化的影响最大，作用方向为正但强度逐年递减。长三角区域一体化进程的持续推进，并没有对城市间碳排放转移起到制动作用。事实上，区域一体化加速了劳动力、资本、技术等生产要素的空间流动，有助于生产率的提高，推动实现规模经济，这将增加更多的能源消耗。生产资料的流动导致输入与输出城市对经济发展投入的差异化，进一步恶化地区间竞争，加速碳排放转移。而随着一体化进程的长效推进，专业分工细化和技术进步，生产资料的流动路径由单一集聚向跨地区串联转变[42]，从而可能导致碳排放转移量的降低。

其次，从经济社会变量的回归结果来看，Citysize_ij、Gov_ij、Innovate_ij、Open_ij都对碳排放转移呈正向作用。但不同的是，Citysize_ij和Innovate_ij的正向推动作用趋向减弱，而Gov_ij和Open_ij的则趋向增强。结合各项区域性政策文件的颁布时间，不同经济社会变量对发展政策的响应程度不同。政府干预和知识创新对碳排放转移的引导作用更为显著，凸显了中国政府在资源配置过程中的强大干预能力，以及创新对区域空间格局重构的助推作用。

最后，在OLS模型中添加交互项，考查经济社会因素对区域一体化与碳排放转移关系的影响。回归结果显示，Gov_ij、Innovate_ij、Open_ij都能有效弱化区域一体化进程初期导致的碳排放转移增长。相比于其他变量，政府干预作用后的区域一体化，对碳排放转移起到显著的制动作用。结合Gov_ij在RF模型和OLS模型中的回归系数，进一步验证了政府干预通过作用于区域一体化，间接影响碳排放转移的效果，要好于该变量的直接影响。此外，在研究期的后半段，Open_ij与RI_ij交互项的逆向作用逐渐增强，该发现可为长三角地区实现碳流动格局优化提供新的思路。

图5是偏依赖图，描绘了当控制其他因素不变时，特定变量对碳排放转移的边际效应，该图揭示了各变量与碳排放转移之间复杂的非线性响应关系。这里仅分析区域一体化的作用过程，如图5(a)所示，区域一体化对碳排放转移的边际影响趋势在不同时期大致相同，与RF模型分析得出的结论一致。当区域一体化程度小于5时，碳排放转移会随着一体化的提升而快速增加，而当大于5时，边际效应曲线趋于平稳，作用强度逐年递减。从这一发现可知，虽然区域一体化和碳排放转移在初期表现为单向增强效应，但作用强度随着一体化的持续推进而减弱，且在后期呈现脱钩关系。从另一侧也表明长三角区域一体化对碳排放转移的影响具备阶段特征。

不管是网络形态，还是拓扑结构，RIN和CTN都表现出因地缘约束导致的偏好性依附[43]。由此推断，区域一体化对碳排放转移的影响因空间而异。为了检验地理因素的影响，本节将长三角地区按省级行政单元划分为3个子区域(上海市归并于江苏省)，考查回归结果在子区域内和子区域间的差异。

图6是3×3的矩阵，对角线右上方是回归系数，左下方是回归系数的显著性程度和模型效果评价指数。

子区域内部，江苏、浙江的结果演化趋势较为相似，区域一体化呈正效应且作用强度随时间逐步降低，但在2017年之前，浙江体现的正效应要强于江苏。安徽在2011~2017年间，区域一体化的正效应持续增长，但强度较弱。值得注意的是，3个子区域内，回归系数在2020年都处于低值区间，表明《长江三角洲区域一体化发展规划纲要》实施后，区域内的一体化建设，对碳流动的空间格局优化起到较为显著的成效。

子区域间，区域一体化对碳排放转移的影响主要集中在江苏-浙江之间，正效应强度在研究期内居于首位。2011~2017年，浙江-安徽间未发现显著的正向或负向效应，尽管2020年表现出了积极的影响，但强度甚微，可能的原因是两个子区域间边缘化的地缘结构，从而导致缺乏有效的生产资料交换。江苏-安徽间呈现降低趋势的正向效应，因发展重心的空间邻近关系，江苏-安徽间一体化进程对碳转移格局的影响要优于其他两个方向。

本研究以中国长三角地区为实证对象，构建了一个分析框架，以探讨区域一体化与碳排放转移在空间结构层面的相关性。随后，采用随机森林回归模型，定量揭示区域一体化对碳排放转移的作用强度、方向、趋势。以期为长三角地区的高质量发展提供参考。研究得出的主要结论如下:

首先，就长三角地区而言，CTN和RIN的空间组织模式存在异质性，但网络拓扑结构具有显著的相关性，皆呈现出无标度网络的基本特征。在微观的领域关系尺度，CTN和RIN存在类似的局部聚类特征。这些足以证明，长三角区域一体化与碳排放转移具备关联关系。

其次，长三角区域一体化对碳排放转移仍表现为正向效应，意味着现阶段一体化建设会加速碳排放流动。然而，伴随经济地理格局和资源配置的不断优化，区域一体化与碳排放转移之间的正向关系会发生转变。两者的空间联动过程表现出鲜明的阶段性特征。

最后，受制于发展水平、协调机制、空间邻近性等的影响，长三角不同地区内部及之间的碳转移表现出对一体化政策的异质性反馈效果。总体来看，地区内部一体化建设对碳转移的空间优化成效要好于地区之间。不可否认的是，行政壁垒仍是阻碍长三角地区低碳、协同发展的主要原因之一。

事实上，区域一体化对碳排放转移的正负向作用并不直接影响区域碳排放总量。在城市化过程中，经济发达的地区，通过产业、贸易、甚至人的流动将碳排放转移至外围地区，实现自身碳排放量的降低。而外围地区在此过程中承担了更多的碳排放责任。面对同一共治体系下的环境规制，区域发展的公平性失衡。因此，长三角地区要落实碳减排目标，必须重视碳排放转移的影响，将碳排放责任分配机制导入区域协同发展政策之中；要实现绿色高质量发展，需重新审视地区间要素禀赋差异，规范一体化进程中的要素流动秩序，推动产业升级，促进技术外溢，消除行政壁垒障碍。

本研究提出的分析框架，不仅适用于长三角地区一体化的碳排放评估，同样适用于任意两个相关地理过程间作用机制的检验。然而，考虑到省际关系的多样性和复杂性，研究对地理差异的探讨仅停留在区域一体化与碳排放转移两者之间，选择性弱化了其他因素的影响，使研究得出的结论仍具有一定的局限性。未来可尝试运用多层网络，完善该部分内容的研究。