基于夜间灯光数据的中国城市电力消费模拟影响因素

2020-09-23张莉谢亚楠屈辰阳汪鸣泉王茂华

遥感信息 2020年4期

张莉，谢亚楠，屈辰阳，汪鸣泉，王茂华

(1.上海大学特种光纤与光接入网重点实验室，上海 201210；2.中国科学院上海高等研究院上海碳数据与碳评估中心，上海 201210；3.中国科学院低碳转化科学与工程重点实验室，上海 201210)

0 引言

电力是现代社会发展不可或缺的数据源，是反映经济走势的重要风向标。而电力消费也是经济发展的先行指标[1]。及时准确地估算城市电力消费量(electric power consumption，EPC)，对于合理制定发展政策、调配电力资源具有重要意义。传统EPC数据通过每年统计获得，其更新速度慢，存在数据缺失等缺点，制约了该数据的实用性发展。

美国国防气象卫星(defense meteorological satellite program，DMSP)搭载的业务型线扫描传感器(operational linescan system，OLS)和美国新一代Suomi对地观测卫星(national polar-orbiting partnership，NPP)搭载的可见光红外成像辐射仪(visible infrared imaging radiometer suite，VIIRS)能够记录城市的低强度夜间灯光，数据更新时间快，可以作为检测城市电力消费量的理想数据源[2]。NOAA在其官网发布了1992—2013年DMSP-OLS卫星年度稳定夜间灯光(nighttime light，NTL)影像以及2013—2018年NPP-VIIRS卫星月度稳定NTL影像。2种卫星影像都记录了2013年的夜间灯光。

自20世纪80年代以来，国内外学者对利用DMSP-OLS和NPP-VIIRS卫星NTL影像进行包括EPC在内的各种社会经济参量的模拟开展了大量的研究[2-3]。结果显示，在国家[4-6]、省份[1，6-8]、城市[9-11]甚至更小尺度[12-16]使用线性模型[9-10]，对数模型[1，4，6，14]以及二次[5]回归模型进行模拟，NTL与EPC均表现出良好的相关性。其中，对数模型是当前最常使用的模型。自1997年，Elvidge等[4]以21个国家为研究对象，建立了DMSP-OLS夜间灯光与电力消费量(NTL-EPC)的对数模型后，文献[7，15]分别建立了中国省级和县级尺度的NTL-EPC对数模型。

为减小模拟误差，有学者建立了更为复杂的模型：马忠玉等[1]构建了加入地理时空模型的NTL-EPC对数模型，利用DMSP-OLS卫星NTL影像，对中国省级EPC关系模拟，并取得了很好的效果，但该模型复杂度高，不适用于中国城市层面的研究。有学者通过控制城市范围，减小DMSP-OLS卫星对微弱灯光不敏感带来的误差：Xie等[17]通过阈值法提取城市区域的NTL，对EPC进行模拟，其模拟精度受阈值选取影响。有学者通过在灯光不敏感地区加入其他因素来提高模拟效果：文献[18-19]在夜间灯光不敏感的农村贫困地区引入地区生产总值(gross regional product，GDP)和人口因素对NTL-EPC模型进行修正，修正后NTL与EPC表现出更好的相关性。

综合前人研究发现，在一些农村贫困地区，引入其他因素对NTL-EPC模型进行修正是必须的，但也会增加计算复杂度。所以，适当选择引入因素，是在复杂度和精度之间取得平衡的关键。这就需要对NTL影像在不同因素影响下作为EPC模拟指标的能力进行全面的检验，并确定其主要的影响因素。2016年，Xie等[20]基于1995—2001的DMSP-OLS卫星NTL影像建立了简单的因素对数评估模型，评估了不同地区国家的人口城镇化、富裕程度、技术水平、温度和NTL分布模式对NTL-EPC关系的影响。结果表明，NTL与EPC之间存在较强的相关性，如果NTL保持稳定，国家EPC将随人口城镇化率、人均GDP和高科技出口的升高而增加。在东亚及太平洋地区，国家EPC将随温度的升高而减少，随人类活动的集结而增加，且对各地区NTL-EPC关系造成关键影响的因素也不尽相同。在利用NTL对某些不太富裕的国家进行EPC模拟时，人均GDP和人口城镇化率这些关键因素不可忽视。

而目前很少有研究在城市层面评估不同因素对NTL-EPC关系的贡献度，并探讨其主要的影响因素。IPAT方程是西方学者经过反复验证的定量计算不同指标对环境影响的公式，常应用于CO2排放等领域，本文参照Xie等[20]的研究，将EPC也视为人类活动对环境的一种影响，根据IPAT公式将社会因素分为富裕指标、人口指标和技术指标，同时考虑灯光分布模式和城市年均温度，探讨以上各因素的加入对NTL-EPC关系的影响；同时，提出NTL-EPC模型可能的改进方向，以更加适合中国城市的电力消费模拟。

1 数据来源及处理

本研究使用的数据如表1所示，包含2013年DMSP-OLS卫星NTL影像、NPP-VIIRS卫星NTL影像、地级市人口城镇化率、市辖区人口、年末总人口、人均GDP、地区GDP、第三产业占GDP的比重、科学技术支出、年均温度以及城市边界文件。

表1 数据来源及简述

1.1 NPP-VIIRS数据的处理

NPP-VIIRS影像为每月发布，存在有噪声、短时化学光源等问题，需要进行校正。参考文献[21-22]的研究，NPP-VIIRS影像的校正主要解决以下2个问题：①影像中存在负值，且没有关于负值像元的描述，假设像元的负DN值是由背景噪声和数据处理的异常值引起，将其恢复为0；②影像中存在噪声点或异常点。Shi等[6]提出，在中国国内，可以认为没有比北京、上海和深圳三大城市最大亮度更高的亮度值。

结合前人方法，本文提出一种新的校正方案。使用2013年各月数据来计算年均数据。我们认为同一年中出现时间较多的、没有异常突变升高或者降低的像素点为稳定的卫星NTL数据，值得保留。而那些出现次数很少或者亮度值突变的地方，可以认为是噪声点或是由于火山、化学燃烧、天气等原因产生的异常点，应该去除。利用这种理论，使用各月数据进行相互校正，过程如下。

1)计算北京、上海、深圳地区的最大亮度值DNmax，如果有DN>DNmax，将其置为DNmax。

2)将各月亮度值非负点设为1，负值和0点设为0，提出一个掩模，12个月掩膜相加得到全年掩模矩阵A，当A中的像素点值小于3时，认为它是异常点，将其归零。

3)将各月图像叠加，点除矩阵A，得到年均图像。

(1)

1.2 研究区域

到2013年年底，中国内地共包含地级市290个。去除电力消费量未统计城市，本文研究城市共278个。参考李通等[15]的研究，为研究区域差异，如表2所示，将城市按省份经济分区分为东部、中部、西部和东北地区，各包括84、81、84和29个地级市。对温度因素进行研究时，将城市按是否集中供暖分为119个供暖城市和159个非供暖城市。

表2 按照经济分区的城市划分

2 模型构建

前人研究已经证明了卫星夜间灯光与电力消费量(NTL-EPC)之间的幂指数模型[23-25]，表达如式(2)所示。

EPC=a×NTLb

(2)

式中：EPC为城市的市辖区全社会用电量；NTL为城市的像元亮度DN值总和；b为系数；a为NTL之外的变量因素。IPAT方程是西方学者经过反复验证的公式，如式(3)所示。

I=P×A×T

(3)

式中：I指环境影响；P、A和T分别代表对环境影响造成影响的人口指标、富裕指标和技术指标3种社会经济因素[26]。

在马忠玉等[1]的研究中，将人口密度和地区GDP加入NTL-EPC模型。在Xie等[17,20]的研究中，将人口城镇化率作为人口指标，人均GDP作为富裕指标，高科技出口作为科技指标进行研究。本研究根据IPAT方程，将EPC视为人类活动对环境的一种影响，考虑前人研究中选取的社会经济因素，以及《中国城市统计年鉴》中数据的完整性，选取人口城镇化率和市辖区人口比例作为人口指标，地区GDP和人均GDP作为富裕指标，第三产业GDP占比和科学技术支出作为技术指标，研究以上指标对NTL-EPC关系的影响。前人研究指出，城市温度和人类活动空间分布对电力消费量存在影响[27-28]。将年均温度和灯光离散系数作为变量因素，研究其对NTL-EPC关系的影响。

将系数a分解[29]，其表达如式(4)所示。

a=k+SEα+eβ(CV)+eγ(AT)

(4)

式中：SE代表社会经济因素；CV是灯光离散系数，用NTL的标准差除以平均值计算，CV越大，表示灯光分布越分散，往往也代表着人类活动越分散；AT表示年均温度；k为常数；α、β、γ为系数。

为便于计算，将式(1)和式(3)变换为对数模型，如式(5)所示。

ln(EPC)=C0ln(NTL)+C1

C1=k+αln(SE)+β(CV)+γ(AT)

(5)

式中：C0为系数；C1为ln(NTL)之外的变量。其余参数含义与式(4)中一样。

2.1 CV和AT对NTL-EPC关系的影响模型

仅考虑灯光离散系数CV对NTL-EPC关系的影响，其模型如式(6)所示。

ln(EPC)=kCV+C0ln(NTL)+βCV(CV)

(6)

式中：kCV为常数；C0、βCV为ln(NTL)和CV的系数。

仅考虑年均温度对NTL-EPC关系的影响，其模型如式(7)所示。

ln(EPC)=kAT+C0ln(NTL)+γAT(AT)

(7)

式中：kAT为常数；C0、γAT为ln(NTL)和AT的系数。

2.2 不同社会经济因素对NTL-EPC关系的影响模型

单一社会经济因素对NTL-EPC关系的影响模型如式(8)所示。

ln(EPC)=k+βCV(CV)+γAT(AT)+

C0ln(NTL)+αln(SE)

(8)

式中：k为常数；βCV、γAT和C0分别为CV、AT和ln(NTL)的系数；SE代表社会经济因素；α为ln(SE)的系数。

将式(8)中SE分别用人口指标P、富裕指标A和技术指标T替代，建立人口指标P对NTL-EPC关系的影响模型，如式(9)所示。

ln(EPC)=kP+βCV(CV)+γAT(AT)+

C0ln(NTL)+αPln(P)

(9)

式中：kP为常数；P为人口指标；αP为ln(P)系数。同理，富裕指标A对NTL-EPC关系的影响模型如式(10)所示。

ln(EPC)=kA+βCV(CV)+γAT(AT)+

C0ln(NTL)+αAln(A)

(10)

式中：kA为常数；A为富裕指标；αA为ln(A)系数。科技指标T对NTL-EPC关系的影响模型如式(11)所示。

ln(EPC)=kT+βCV(CV)+γAT(AT)+

C0ln(NTL)+αTln(T)

(11)

式中：kT为常数；T为科技指标；αT为ln(T)系数。

2.3 多因素影响下的NTL-EPC模拟模型

多因素影响下的NTL-EPC模拟模型如式(12)所示。

ln(EPC)=k+βCV(CV)+γAT(AT)+C0ln(NTL)+

αPln(P)+αAln(A)+αTln(T)

(12)

式中：k为常数；βCV、γAT和C0表示的含义与式(8)相同；P和αP含义与式(9)相同；A和αA含义与式(10)相同；T和αT含义与式(11)相同。

3 实验与分析

学者们在研究NTL-EPC模拟模型时，通常将可决系数R2和模拟误差作为模型的评估指标[1，5，15，20]。相比于模拟误差，可决系数R2是一个无量纲系数，便于不同回归模型之间的比较。R2有确定的取值范围[0，1]，R2越接近1，说明回归模型对观测值的拟合程度越好。

本文参考文献[15，20]的研究，选取R2作为评估指标，以此评估不同因素对NTL-EPC关系的贡献度。另外参考经济学中的讨论方法，将通过显著性检验的自变量系数视作偶然情况。

3.1 不同卫星的NTL-EPC相关关系

不添加任何影响因素的情况下，使用式(4)进行NTL-EPC对数模型模拟，结果如表3所示。表3中，未加粗数据为DMSP-OLS卫星模型回归结果，加粗数据为NPP-VIIRS卫星模型回归结果。a表示通过1%显著性检验；b表示通过5%显著性检验；c表示通过10%显著性检验。全文所有表格皆采用此表示。DMSP-OLS卫星各地区模型中仅有中部模型R2(0.719)高于全国模型(0.477)，东北模型效果最差(R2=0.281)。NPP-VIIRS卫星地区模型中，东部和中部模型的R2都高于全国模型(0.768)，其中，中部模型R2最高，达到了0.833。

表3 不同卫星NTL-EPC对数模型

另外，NPP-VIIRS卫星全国和地区模型R2都高于DMSP-OLS卫星模型，相较于DMSP-OLS卫星，NPP-VIIRS卫星的NTL-EPC模型效果更好。

3.2 人口指标(P)对NTL-EPC关系的影响

人口城镇化率表示城镇人口占常住人口比例，国内数据在东北地区存在严重缺失。将其作为人口指标，根据式(9)进行模拟，结果如表4所示。除东北地区数据缺失外，相较于表3，2类卫星所有模型的R2都有提高。DMSP-OLS卫星拟合效果最好的是中部模型(R2=0.889)；NPP-VIIRS卫星中拟合效果最好的是东部模型(R2=0.904)。

另外，加入人口城镇化率后，DMSP-OLS卫星全国和东部模型的R2都提高了1倍左右，分别为0.836和0.864，与NPP-VIIRS卫星模型效果相差甚小。中部和西部模型的R2甚至高于NPP-VIIRS卫星模型。

2类卫星的所有模型中，人口指标系数αP均为正数且通过显著性检验，即NTL保持稳定时，城市EPC都随人口城镇化率的升高而增加。

人口城镇化率数据在东北地区有所缺失，寻找更加全面的人口指标用以替代。在《中国城市统计年鉴》中发布了各地级市市辖区人口和全市人口数据，用市辖区人口除以全市人口获得市辖区人口比例，将市辖区人口比例作为人口指标带入模型，其模拟结果如表5所示。

表5中所有模型的R2都高于表4中人口城镇化率作为人口指标时的模型，NPP-VIIRS卫星拟合效果最好的是东部模型(R2=0.922)；DMSP-OLS卫星拟合效果最好的是中部模型(R2=0.897)。与人口城镇化率作为人口指标时一样，加入市辖区人口比例后，DMSP-OLS卫星中部和西部模型R2比NPP-VIIRS卫星模型更高。

表4 人口城镇化率对NTL-EPC关系的影响模型

表5 市辖区人口比例对NTL-EPC关系的影响模型

在所有模型中，人口指标系数αP均为正数，即NTL保持稳定时，城市EPC都随市辖区人口比例的升高而增加。

3.3 富裕指标(A)对NTL-EPC关系的影响

选取人均GDP作为富裕指标，根据式(10)进行模拟，结果如表6所示。相较于表2，2类卫星所有模型的R2都有提高。DMSP-OLS和NPP-VIIRS卫星拟合效果最好的都是中部模型，R2分别达到了0.831和0.849。加入人均GDP后，DMSP-OLS卫星的中部和西部模型R2与NPP-VIIRS卫星模型相差不大。2类卫星拟合效果最差的都是西部模型，R2均未达到0.6。

通过显著性检验的富裕指标系数中，除西部模型外，所有模型的富裕指标系数αA均为正数，即NTL保持稳定时，城市EPC随人均GDP的升高而增加。

由于人均GDP指标与人口指标有所关联，另选地区GDP作为富裕指标进行模拟，以消除人均GDP作为富裕指标时引入的人口指标对模型的影响，结果如表7所示。从表7可见，所有模型的R2都高于表6中人均GDP作为富裕指标时的各模型。DMSP-OLS和NPP-VIIRS卫星拟合效果最好的都是东部模型，R2分别达到了0.927和0.933。加入地区GDP之后，DMSP-OLS卫星拟合效果提升明显，全国和东北模型的R2更是高于NPP-VIIRS卫星模型，其他模型的R2也与NPP-VIIRS卫星模型相差不大。

表6 人均GDP对NTL-EPC关系的影响模型

表7 地区GDP对NTL-EPC关系的影响模型

所有模型的富裕指标系数αA均为正数且通过显著性检验，即NTL保持稳定时，城市EPC随地区GDP的升高而增加。

3.4 科技指标(T)对NTL-EPC关系的影响

选取第三产业GDP占比作为科技指标，根据式(11)进行模拟，结果如表8所示。相较于表2，2类卫星所有模型R2都有提高。DMSP-OLS卫星拟合效果最好的是东部模型(R2=0.758)，NPP-VIIRS卫星拟合效果最好的是东北模型(R2=0.850)。加入第三产业GDP占比之后，DMSP-OLS卫星全国和东部模型R2提高1倍左右，东北模型R2提高2以上，中部模型R2与NPP-VIIRS卫星模型相差甚小。

2类卫星东部和中部模型中的科技指标系数αT均为正数且通过显著性检验，即NTL保持稳定时，东部和中部城市EPC随第三产业GDP占比的升高而增加。而在东北地区，科技指标系数αT未通过显著性检验。2类卫星全国和西部模型中αT的符号不一致。

第三产业GDP占比会受到第三产业GDP、第二产业GDP和地区GDP的影响，而第二产业也是影响EPC的一大因素。另外选取科学技术支出作为科技指标，以消除第三产业GDP比例作为科技指标时引入的富裕指标对模型的影响，结果如表9所示。从表9可见，所有模型的R2都高于表8中第三产业GDP占比作为科技指标时的各模型。DMSP-OLS卫星拟合效果最好的是中部模型(R2=0.897)；NPP-VIIRS卫星拟合效果最好的是东部模型(R2=0.895)。加入科学技术支出后，DMSP-OLS卫星模型R2提高明显，全国和东部模型R2与NPP-VIIRS卫星模型相差不大。中部和西部模型R2甚至超过了NPP-VIIRS卫星模型。

表8 第三产业GDP占比对NTL-EPC关系的影响模型

表9 科学技术支出对NTL-EPC关系的影响模型

所有模型的科技指标系数αT均为正数，即NTL保持稳定时，城市EPC随科学技术支出的升高而增加。

3.5 多因素影响下的NTL-EPC模型

考虑指标的完整性和表2～表9中不同指标对NTL-EPC关系的影响，选取市辖区人口比例作为人口指标，地区GDP作为富裕指标，科学技术支出作为科技指标，根据式(12)建立多因素影响模型。模型回归结果如表10所示。

表10 多因素影响下的的NTL-EPC模型

DMSP-OLS和NPP-VIIRS卫星模型的拟合效果相差不大。单独考虑人口指标、富裕指标和科技指标，通过显著性检验的系数中，除东部地区的科技指标系数外，都为正数，与前文描述相符，即当NTL不变时，城市EPC随社会经济的发展而增加。

对于东部模型，富裕指标系数最大，即地区GDP的增加对城市EPC的促进作用大于市辖区人口比例的上升，而城市科学技术支出的增加对EPC有抑制作用。中部地区，市辖区人口比例上升对城市EPC的促进作用更加明显。西部地区，地区GDP增加对城市EPC的促进作用大于市辖区人口比例上升和科学技术支出增加。东北地区，地区GDP增加对EPC的促进作用大于市辖区人口比例增加，而科学技术支出系数没有通过显著性检验，不具有代表性意义。

3.6 离散灯光系数(CV)和温度(AT)对EPC影响

表4至表10的NPP-VIIRS卫星和DMSP-OLS卫星模型中，所有通过显著性检验的βCV均为负，即NTL保持稳定时，EPC随人类活动的聚集而增加，而温度系数γAT随地区和社会经济因素的变化而变化。可能不同因素的加入导致的样本变化会影响2个系数。

仅考虑CV对NTL-EPC关系的影响，根据式(6)进行模拟，结果如表11所示。表中所有模型CV系数βCV均为负值，即NTL保持稳定时，EPC随人类活动的聚集而增加。

表11 灯光离散系数对NTL-EPC关系的影响模型

仅考虑温度对NTL-EPC关系EPC的影响，根据式(7)进行模拟，结果如表12所示。所有模型温度系数γT均为正值，即NTL保持稳定时，EPC随温度的升高而增加。

表12 温度对NTL-EPC关系的影响模型

研究供暖城市和非供暖城市温度对NTL-EPC关系的影响，结果如表13所示。在供暖和非供暖区域，NTL保持稳定时，城市EPC随年均气温的升高而增加。

表13 温度对供暖城市和非供暖城市NTL-EPC关系的影响模型

4 讨论

4.1 不同卫星的NTL-EPC相关关系

不添加任何因素情况下，NPP-VIIRS卫星模型拟合效果优于DMSP-OLS卫星(表3)。2016年，江威等[30]对比了2种夜间灯模拟社会经济参量的潜力，也提出NPP-VIIRS卫星在对全社会用电总量的模拟中占有优势。前人研究中提到，DMSP-OLS卫星NTL影像有以下2个缺点[3，15-17]。

1)在城市中心区域存在像元饱和现象，这可能是造成表3中东部地区拟合效果不理想的原因。

2)贫困、人口稀少地区的大量EPC未被NTL影像捕捉，这可能是表3中西部地区拟合效果不理想的原因。对于东北地区而言，工业产生的EPC是东北地区EPC不可忽视的组成部分，而这部分的EPC并未表现在夜间灯光影像上，这可能是造成表3中东北地区拟合效果不理想的原因。

相较于DMSP-OLS卫星影像，NPP-VIIRS卫星影像不存在城市中心像元饱和问题，所以其模型拟合结果优于DMSP-OLS卫星。但NPP-VIIRS卫星影像依然未捕捉到西部贫困地区的大量EPC和东北地区工业产生的EPC，所以表3中NPP-VIIRS卫星的西部和东北模型R2依然低于全国水平。

加入一些社会经济因素指标后，DMSP-OLS的某些地区模型拟合效果反而高于NPP-VIIRS卫星模型，但相差不大。

4.2 社会经济因素不可忽视

如表4至表9所示，加入不同社会经济因素之后，会提高NTL-EPC模型的拟合效果。特别是西部贫困地区和东北地区，大量EPC未被灯光捕捉，加入社会经济因素会对模型效果有明显提升。

在利用DMSP-OLS卫星的NTL对EPC进行城市模拟时，贫困地区的社会经济因素不可被忽略。文献[18-19]在国家层面和地区层面的研究也证明了这一结论。同样，工业为主的地区的社会经济因素也不可忽略。

4.3 灯光离散系数(CV)、年均温度(AT)和社会经济因素对EPC的影响

1)灯光离散系数(CV)对EPC的影响。CV指灯光的离散程度，在一定程度上也可以反映人类活动的聚集程度。CV越大，灯光越分散，人类活动越分散。Xie等[20]的研究中指出，在东亚及太平洋地区，人类活动越聚集(CV小)的国家EPC越小。在本研究中也有城市EPC随人类活动的聚集而增加的情况，与Xie等对国家层面的研究结果保持一致。

2)温度对EPC的影响。温度的加入对NTL-EPC模型的模拟结果有一定的提升。这是由于温度变化，空调制冷、取暖产生的EPC并未被卫星NTL影像所记录。

Xie等[20]的研究中指出，国家EPC随温度的升高而减少。而本研究结果与其不同，城市EPC随温度的升高而增加。这是因为Xie等的研究在东亚即太平洋地区，年均温度更高，更靠近赤道的国家，大部分为东南亚发展中国家，这类国家的EPC更低，更大的原因是因为其国家发展程度不高，而Xie等在研究中并没有剔除国家的社会经济因素对EPC的影响。

由于我国冬季有部分地区集中供暖的特殊国情，在研究温度对EPC的影响时，供暖与非供暖城市的EPC并不能单纯进行比较。集中供暖地区冬季供暖以烧煤为主，不用耗费大量电力，其EPC受温度影响主要体现在夏季制冷，所以EPC随温度的升高而增加。而非供暖城市EPC受温度影响在夏季制冷和冬季取暖都有体现，但冬季取暖也有烧煤等方法，还是夏季制冷的影响更加明显，所有EPC也随温度的升高而增加。

3)社会经济因素对EPC的影响。表4至表9中，各社会经济因素的加入对模型的拟合效果均有提升。因为随着城市人口、富裕程度和科技水平的发展，城市交通发展，服务业发展和电子产品使用等产生的EPC未被卫星NTL影像记录。

人口城镇化率数据在东北地区严重缺失。人均GDP将人口数据作为分母进行模拟时会引入人口指标对EPC的影响。第三产业GDP占比作为科技指标进行模拟时会引入富裕指标和工业对EPC的影响。考虑全面数据对模拟结果的提升和独立性，市辖区人口比例、地区GDP和科学技术支出是更加理想的人口指标、富裕指标和科技指标。

Xie等[20]研究中指出，NTL保持稳定时，国家EPC随人口城镇化率、人均GDP和高科技出口的升高而增加。本文得出结论为：NTL保持稳定时，城市EPC随市辖区人口比例、地区GDP和科学技术支出的升高而增加，除东北地区数据不完整外，城市EPC也随人口城镇化率的升高而增加，这一结果与Xie等对国家层面的研究保持一致。除西部地区外，城市EPC随人均GDP的升高而增加。Xie等研究中南非这类贫困地区，城市的EPC随人均GDP的升高而减小，与我国西部地区模型表现一致。在西部和东北地区，城市的EPC随第三产业占比的升高而减小，东北地区以工业为主，第三产业的升高反而造成第二产业的降低，减小了工业产生的EPC。

4)不同社会经济因素对EPC的影响程度。从表10可以看出，对于东部地区，地区GDP的增加对城市EPC的促进作用大于市辖区人口比例的上升，而城市科学技术支出的增加对EPC有抑制作用。可以解释为东部地区城市几乎是发达城市，城市人口急剧增加带来城市发展的阶段已经基本过去，所以人口的增加不会太大程度影响城市的发展，进而影响城市EPC。而对于发达城市，更多科学技术支出的城市有更雄厚的资金来研发新型能源，从而减小城市EPC。

对于中部地区，市辖区人口比例上升对城市EPC的促进作用更加明显。中部城市处于发展中阶段，这一阶段城市的发展必然会伴随着市辖区人口比例的上升，地区GDP和科学技术支出的增加，而城市EPC也会增加。

对于西部贫困地区，地区发展以GDP的增加为首要任务，地区GDP增加对城市EPC的促进作用大于市辖区人口比例上升和科学技术支出增加。

对于全国模型，当NTL一定时，地区GDP的增加对城市EPC的促进作用大于市辖区人口比例的增加；而科学技术支出对于城市EPC的影响不具有代表性意义。

对比几类模型可以得出，城市的发展可以分为以下几个阶段：第一阶段，城市属于贫困城市，城市的发展以发展经济为主，此时城市对于人才的吸引力并不大，所以城市EPC增加的主要影响因素为富裕因素；第二阶段，城市发展经济到一定阶段，对于人才具备一定吸引力，此时有大量人口涌入城市，人口指标成为影响城市EPC的最主要因素；第三阶段，城市发展到一定规模，人口基本饱和，此时影响城市EPC的主要因素又回归到地区GDP，而在此阶段，城市有能力投入更多资金进行研发以减少城市的EPC、CO2排放等。在城市发展过程中，科技指标对城市EPC排放的作用是先促进，后抑制。