“双碳”目标下“绿色资本储存”：空间集聚与污染防治

刘学民，廖世明，任颋

（1.东莞理工学院 经济与管理学院，广东 东莞 523808；2.哈尔滨工业大学（深圳）经济管理学院，广东 深圳 518055；3.北京大学深圳研究生院 汇丰商学院，广东 深圳 518055）

2020 年9 月，我国向世界宣布了碳达峰目标与碳中和愿景，即“二氧化碳排放力争于2030 年前达到峰值，努力争取2060 年前实现碳中和”。“碳达峰碳中和”（简称“双碳”）提出之后，首次被列入中央经济工作会议重点任务，明确提出继续打好污染防治攻坚战，实现减污降碳协同效应，开展大规模国土绿化行动，提升生态系统碳汇能力。可见，“双碳”目标为“绿色资本储存（GCS）”发挥生态服务价值带来重大战略机遇，也给我国大气环境改善提出了更高标准和要求[1]。

GCS于2016年联合国环境大会（UNEA）上首次提出[2]，即“生态环境就如同存储着绿色资本的银行，人们应当为未来存款，而不是将本息全部挥霍掉”。GCS 一经提出便在世界范围内形成共识，迫切需要各界联手为人类未来储存绿色资本。朱松丽等[3]系统评述了“十二五”以来，我国为了提高GCS，制定实施了《全国造林绿化规划纲要（2016—2020 年）》《林业适应气候变化行动方案（2016—2020 年）》等一系列专项规划。根据2020 年联合国粮食及农业组织（FAO）发布的《全球森林资源评估》报告，1990年以来全球共有4.2 亿公顷森林遭到毁坏，森林面积自2010 年以来每年减少470 万公顷，自2015 年以来每年有1 000 万公顷林地被转换为其他用途。践行绿色发展理念的首要基础便是营造绿色空间，而GCS 对有效控制碳排放与防治大气污染具有重要现实需求和长远意义。

鉴于“双碳”目标下GCS 的重要生态服务价值，本文将深入研究GCS 的空间集聚演化与大气污染防治。主要贡献在于：（1）借助探索性空间数据分析技术（ESDA），利用2005—2016 年中国省级面板数据，考察中国GCS的空间分布、集聚模式和演化特征。（2）考虑到我国雾霾污染具有发生频率高、分布范围广、治理难度大等特征，已引起中央及地方政府的高度重视[4]。因此，以雾霾污染为例，构建空间面板数据模型，从植树造林和园林绿化两个维度出发，系统研究GCS 对雾霾的缓解和改善作用。研究结果将对我国基于GCS 的生态系统碳汇能力提升和大气污染防治提供新的视角并给予决策参考。

1 文献综述

1.1 “双碳”目标下空气污染治理的发展方向

梳理世界各国空气污染防治经验，主要经历了立法减排、区域协同和绿色防治三个阶段。立法减排集中体现在欧美等发达国家早期治霾过程。1952 年的“伦敦烟雾事件”促使《清洁空气法》作为首个空气污染防治法案横空出世。欧盟2012 年通过法案要求其成员国空气不达标天数控制在35 天以内。洛杉矶“光化学烟雾”迫使美国立法对全国范围内PM2.5进行监测。区域协同阶段，亚洲地区对污染的跨域协同治理进行了较多尝试并取得了一定成果。如新加坡2017 年在应对印度尼西亚火灾所引发的雾霾跨界污染时，采取了区域协同治理措施[5]。Caballero[6]提出了基于东盟共同体（ASEAN）的空气污染区域解决方案。我国目前所提倡的基本方针是“以政府为主导、企业为主体、公众共同参与的跨地区联动模式”[7]。绿色防治阶段，是空气污染后期治理主要探索方向，不仅体现在采用绿色能源、绿色技术、绿色生产、绿色生活等方式从源头上减少污染[8-9]，更是强调基于生态本身的环境保护能力和对大气污染的自然降解能力，对GCS 提出了更高要求[10]。因此，在“双碳”目标下，森林、绿化等GCS 的生态系统作用将更加凸显。

1.2 “双碳”目标下的GCS

“植树造林”[11]和“园林绿化”[12]作为GCS 的主要方式，是一个长期累积的过程，对环境污染具有改善作用[13]。例如，日本政府高度重视GCS，要求新批复建筑物项目需符合最低楼顶绿化和配套绿地标准[14]。《联合国森林战略规划（2017—2030 年）》是首次以联合国名义做出的全球森林发展战略，彰显了国际社会对GCS 的高度重视。从国家自主贡献（NDCs）来看，《巴黎协定》193 个缔约方在已提交的《联合国气候变化框架公约》文本中，明确提出GCS 目标和路径的占比较低。其中，中国政府承诺2030 年增加森林蓄积量45 亿立方米；巴西将加强《森林法》执法，恢复和新造林1 200 万公顷；马达加斯加承诺实施27 万公顷的本地原生树种造林计划[15]。从国家长期温室气体排放发展战略（LTS）来看，美国提出了造林、再造林、森林可持续经营、减少林地转换为其他用地等措施[16]。可见，在“双碳”目标下，GCS 应对气候变化和空气污染防治的重要性已体现在NDCs 和LTS 之中[17]。

1.3 GCS与空气污染防治

GCS 的生态系统服务价值在于可以防止土地退化和荒漠化，对减缓气候变化具有积极作用。然而，GCS 能否改善大气污染目前尚存争议。一些学者认为立体空间绿化有助于城市自然生态建设，是应对大气污染危机的新理论范式[10]。一是森林和绿地的增加有利于减少土壤侵蚀和地表释尘，在一定程度上降低了大气中粉尘颗粒物的含量。例如，贺爽等[13]以北京奥林匹克森林公园为例发现城市道路旁的公园绿地可以降低雾霾污染。二是森林生态系统可以通过吸收、过滤、分解等过程减少空气中的极细颗粒物从而降低雾霾污染。张生玲等[18]研究发现，相较于冬季，夏季大气污染事件明显减少，植被的活力是重要潜在原因。三是通过对空气中总悬浮颗粒物（TSP）的滞留作用间接对雾霾浓度发挥调节作用。Janhäll[14]研究发现，植被主要通过影响污染物沉积和扩散来影响空气质量。还有一些学者认为GCS 并不能有效缓解雾霾污染，或者作用较弱。首先，大面积的防护林可能会影响风速，不利于污染物扩散。Chen 等[19]的研究结果表明，在低风速下由于缺乏流动性导致区域污染物扩散受阻，容易产生局部空气污染。其次，森林植被面积的增加提高了空气湿度，从而间接促进了雾霾形成条件。如Zhou 等[20]发现环境湿度在气溶胶含水反应中发挥了重要作用，Zhang等[21]观察到硫氧化率对于湿度的变化非常敏感。

综上，GCS 能否改善空气污染尚未达成共识。此外，现有研究对空气污染影响因素的探索主要集中在人为层面，忽视了自然排放源、气象条件等非人为因素对大气污染的形成与防治的潜在影响。因此，本文将对GCS 与大气污染之间的深层次作用关系展开实证研究。首先，基于植树造林和园林绿化两个维度对GCS 进行量化，并充分考虑自然排放源（森林火灾）和气象条件（降雨、湿度、日照等）等客观因素；其次，利用ESDA 技术探索GCS 的空间分布、集聚模式及演化特征；最后，以雾霾污染为例，利用空间面板数据模型实证检验GCS对改善空气污染的作用效果，进而得出结论和政策建议。

2 研究设计

2.1 样本与数据

本文选择2005—2016 年中国31 个省份面板数据作为研究样本（由于数据获取和统计口径等原因，样本不包含港澳台地区）。原始数据主要来自《中国环境统计年鉴》和《国家统计年鉴》，部分缺失数据由各省级统计年鉴及《国民经济和社会发展统计公报》作为补充。

2.2 变量选取及其测度

（1）被解释变量。本文以雾霾污染为例，研究GCS对空气污染的影响，因此雾霾污染为被解释变量。目前雾霾污染的主要衡量指标为PM10和PM2.5[22-23]。我国对PM2.5数据监测起步较晚，从2013 年才开始将其纳入空气监测范围。因此，为了满足研究样本2005—2016 年的时间跨度，本文采取Li 等[22]的做法，用PM10来衡量雾霾污染水平。

（2）解释变量。“绿色资本储存”是本文的核心解释变量，主要体现在植树造林和园林绿化两个方面，因此选择森林覆盖率[11]、人工造林面积[24]、城市绿化覆盖率[10]、城市绿地面积[13]四个指标对其进行衡量。

（3）控制变量。本文以自然排放源和气象条件等非人为影响因素为主要控制变量。选择森林火灾作为自然排放源的典型代表[25]，同时将温度、湿度、降水、日照、气压等气象因素纳入考虑范围[22,26-27]。

表1 列出了本文所有变量的名称、定义及描述性统计结果。

表1 变量定义及描述性统计结果

2.3 探索性空间数据模型构建

探索性数据分析包括全局空间自相关（GSA）和局部空间自相关（LSA），适用于探索和揭示我国GCS 的空间分布特征和局部演化趋势。

（1）全局空间自相关模型用于描述整个区域的空间分布特征，通常用全局Moran’s I 统计量衡量，以反映空间邻接区域单元属性值的相似程度，计算公式如下：式中：E(·)和VAR(·)分别表示GCS 的数学期望和方差；Z(·)为标准差，符号为正表示高值集聚，符号为负表示低值集聚；wi·和w.j分别为空间权重矩阵中i行和j列之和。

（2）局部空间自相关模型可以度量各单元区域的局部集聚或离散程度，包括莫兰散点图（Moran Scatter Plot, MSP）和局部空间关联（Local Indicator of Spatial Association, LISA）测量指标，常用局部Moran’s I 指数测量，表达式见公式（3），其中的参数含义与全局Moran’s I 指数中相同。

公式（1）～（3）中：wij表示区域i与j的相邻关系，n表示地区总数。本文基于“邻接关系”构建空间权重矩阵，即当地区i和j有共同边界，则wij为1，否则wij为0，可表示为：

2.4 空间面板数据模型构建

（1）基础模型构建。Grossman & Krueger[28]首次发现经济发展（GDP）与污染排放（P）之间存在倒“U”型曲线关系，命名为环境库兹涅茨曲线，表达式如下：

式中：lnGDP、ln2GDP分别表示人均产出水平及其平方项，X为控制变量，ε表示随机误差项。分别引入衡量GCS 的四个指标变量，形成GCS 对雾霾污染影响的基 础 模 型（6）。其 中，lnFORit、lnAFFit、lnGCRCAit和lnGLit分别表示第t年i省的森林覆盖率、人工造林面积、建成区绿化覆盖率、城市绿地面积。lnX表示森林火灾、温度、湿度、降水、日照、气压等控制变量。

（2）空间面板数据模型。一个地区的GCS 对雾霾污染的作用同时还受到相邻地区相关因素的影响。因此，可以建立两种不同的空间计量模型——空间滞后模型（SLM）和空间误差模型（SEM），前者侧重于每个变量的空间扩散，后者刻画了因变量误差的影响。“绿色资本储存”基础模型（6）的SLM 和SEM 分别如式（7）和式（8）所示：

式中：WlnHPit表示空间滞后变量，ρ表示空间溢出效应，λ表示空间自相关系数，φit表示正态分布的随机误差向量。

3 探索性空间数据分析

3.1 雾霾污染现状分析

如图1 所示，从时间维度来看，我国分别于2005—2007 年和2012—2015 年出现过两次规模较大的雾霾污染。第一次峰值波动较小，持续时间较短，第二次在2013 年达到峰值，影响范围较广。在雾霾污染两个峰值之间的“凹”型发展阶段恰逢我国北京奥运时期，说明我国雾霾污染在时间维度上会伴随着全国性重要事件的筹备、推进和结束呈现出治理期、潜伏期及反弹期发展规律。从空间维度来看，按照国家自然地理划分标准，华北地区雾霾污染较重，其PM10浓度值长期处于100 ～150 μg/m3区间，且在2013—2014 年跨入150 ～200 μg/m3的高危区间；其次为西北区域，其所涵盖省份的PM10平均浓度值一直在100 μg/m3以上；华中和东北区域紧随其后，雾霾污染程度介于50 ～100 μg/m3和100 ～150 μg/m3之间，均显著高于全国平均水平。从城市群的角度来看，京津冀地区雾霾污染较为严重，长三角区域次之，总体上呈波动下降趋势；相比之下，珠三角区域雾霾污染状况较为乐观，一直低于全国平均水平。

图1 2005—2016年我国雾霾污染总体发展趋势

3.2 GCS空间自相关分析

（1）全局空间相关性分析。由表2 可知，森林覆盖的Moran’s I 值介于0.445 9 ～0.460 1 之间，且2005—2016年均通过了1%的显著性水平检验；造林面积Moran’s I值介于0.031 1 ～0.255 2 之间，2005 年和2006 年在1%的水平上显著，2010 年、2014 年和2015 年在10%的水平上显著；绿化覆盖于2006 年、2013 年和2016 年通过了1%的显著性水平检验，2011—2012 年和2015 年分别在5%和10%的水平上显著；绿地面积除了2005 年、2007 年和2008 年以外，其余9 年均通过了10%的显著性水平检验；雾霾污染的Moran’s I 值介于0.139 0 ～0.501 9之间，全部通过了显著性水平检验，且显著性水平越来越高。可以发现，GCS 和雾霾污染在全局空间上并不是随机分布的，而是存在显著的空间相关性。两者会通过时空演化形成不同的集聚模式，特别是高—高集聚和低—低集聚较为明显，即高值GCS 和雾霾污染观测区域在空间上趋向于与同类型的高值区域集聚，反之亦然。

表2 GCS和雾霾污染的全局Moran’s I指数表

（2）局部空间相关性分析。限于篇幅，在总体12年样本中，每隔4 年选择一个代表年份，即2008 年、2012 年和2016 年，对GCS 的局部空间相关性展开分析。由莫兰散点图（图2）可知，GCS 在局部空间分布上同样存在显著的空间自相关性。除了2008 年绿化覆盖的局部Moran’I 指数斜率为负以外，大多数省份的森林覆盖、造林面积、绿化覆盖、绿地面积在莫兰散点图中位于第一象限（高—高集聚）和第三象限（低—低集聚），说明我国GCS 具有局部空间相关性。

图2 “绿色资本储存”的莫兰散点图

4 模型估计结果与讨论

4.1 模型检验

在进行结果分析之前，需要对空间面板数据模型进行检验，步骤及检验方法如表3 所示。首先，对空间误差模型（SEM）和空间滞后模型（SLM）进行检验；其次，对固定效应（FEs）和随机效应（REs）进行检验；最后，对空间固定效应（SFE）、时间固定效应（TFE）和时空双固定效应（STFE）进行检验。

表3 空间面板数据模型的检验步骤与方法

基于上述检验方法，由表4 可知，首先，Moran’s I指数值为0.289 5，通过了1%的显著性水平检验。其次，LM-LAG 统计量值为100.348 6，在相同的1%显著性水平下大于LM-ERR 值61.251 8，同时就鲁棒性而言，R-LM-LAG 在数值大小和显著性水平方面也明显高于R-LM-ERR，可以判断SLM（M1、M2、M3）整体要优于SEM（M4、M5、M6）。再次，Hausman 检测值为-156.819 0，在1%的显著性水平下拒绝原零假设，说明FEs 优于REs。最后，在SLM 模型估计结果中（表5），模型M3的R2值为0.882 1，大于模型M1和模型M2的R2值。因此，选择空间滞后面板数据模型的时空双固定效应模型M3对估计结果进行分析和讨论。

表4 空间相关性与模型检验

表5 GCS对雾霾影响的空间面板数据模型估计结果

4.2 结果与讨论

具有显著的积极影响，即我国雾霾污染存在较强的空间溢出效应和邻接转移效应。表现为，空间滞后面板数据模型的时空滞后系数ρ数值为0.268 0 且通过了1%的显著性水平检验，反映了邻近地区1%程度的雾霾污染增加会导致本地区0.268 0%水平的雾霾污染恶化。该结果说明空间溢出和邻接转移所产生的跨界污染使得本地区与邻近地区雾霾污染之间存在空间相关性。

（2）植树造林导向的GCS 能够有效缓解雾霾污染。表现为，森林覆盖率和人工造林的回归系数值分别为-0.188 7 和-0.050 9，且均在1%的水平上显著，说明森林覆盖率越高、人工造林面积越大，雾霾污染程度越低。一是植树造林导向的GCS 会对空气中PM10、PM2.5、NOx等雾霾污染主要构成物质产生更好的阻滞吸附作用。二是植树造林并未改变大气环流，相反，很大程度上削弱了雾霾形成的条件。因为森林对风速的减缓作用仅限于近地风，远未达到影响大气环流的程度。相反，森林植被的增加能够减少土壤侵蚀和地表释尘，有利于降低大气中粉尘颗粒物的含量。

（3）园林绿化导向的GCS 并未发挥其缓解雾霾污染的积极作用。建成区绿化覆盖率和城市绿地总面积在模型M3中均未通过显著性水平检验，说明通过园林绿化途径增加GCS 并不是降低雾霾污染的有效措施。虽然城市绿化具有微气候调节与径流削减功能，可以帮助城市缓解热岛效应，但是缺少与缓解雾霾污染相关的直接证据。

（4）森林火灾、湿度、降雨、日照等会对雾霾污染产生重要影响。森林火灾回归系数值为0.013 0，通过了5%的显著性水平检验，说明频发的森林火灾已经成为雾霾污染的主要自然排放源之一。相对湿度的一次项和二次项回归系数分别为9.881 5 和-1.175 2，且均在1%的水平上显著，说明两者之间存在倒“U”型影响关系。在拐点之前，碳质气溶胶会发生含水反应，导致其浓度增加，同时硫氧化率对于相对湿度的变化敏感，细微颗粒物附着在水汽上且长期悬浮在低空中不易散开造成污染物累积。在越过临界值之后，过高的空气湿度会导致空气质量加重从而促进湿沉降，一定程度上降低了污染物。降雨量的回归系数为-0.103 1，通过了1%的显著性水平检验，说明降雨有助于减少雾霾污染。因为水滴在降落的过程中会附着空气中的浮尘颗粒，利于有害气体进行集中沉降。日照时数的回归系数值为-0.197 2，在1%的水平上显著，说明充足的日照有助于降低雾霾污染。因为日照会促使地表温度升高，接近地面的空气会上升进而产生对流，有助于局部污染物的扩散。

5 结论与政策建议

GCS 存在较强的全局空间相关性，伴随着动态演化形成不同的局部空间集聚模式，特别是高—高集聚和低—低集聚特征尤为明显。因此，既要携手共存“绿色资本”，继续巩固高—高集聚趋势，也要集中有限资源重点聚焦GCS 低—低集聚区。如有计划地提高新疆、青海、甘肃地区的森林覆盖率，遏制东部地区江浙两地人工造林低—低集聚模式的蔓延，防止江西等地人工造林的高—低集聚类型向低值集聚区域演化发展。

基于植树造林的GCS 能够有效缓解雾霾污染。森林植被的增加有利于减少土壤侵蚀和地表释尘，在一定程度上降低了大气中灰尘和扬尘的含量，削弱了雾霾形成的条件。而且，基于植树造林的GCS 对空气中总悬浮颗粒物具有较强的阻挡、截留与吸附作用，能够大幅减少PM10等雾霾主要构成物质。此外，森林的防风作用仅限于近地风，远未达到影响大气环流的程度，可见植树造林有可能通过降低风速从而导致雾霾污染的这一说法不成立。鉴于此，主张将植树造林导向的GCS 用作改善大气污染的生态系统服务，以提高基于生态本身的环境保护能力和对雾霾污染的自然降解能力。由于不同树种单位叶面积滞尘能力、单株树木的吸附能力存在较大差异，所以在进行人工造林时需要注意植被的选择和设计。

基于园林绿化的GCS，并未发现其对缓解雾霾污染发挥积极有效作用。园林绿化是运用工程技术或艺术手段，通过改造地形、种植花草、布置园路等形成的自然环境休憩场所。虽然市民普遍对园林绿化具有较强的扩大绿地空间、改善绿地景观等需求偏好和支付意愿，但是与植树造林相比，以景观和绿地为主的园林绿化，其吸附作用和滞尘作用相对较弱，对降低雾霾污染的影响有限。

森林火灾等自然排放源是导致雾霾污染加剧的隐形“推手”。森林大火往往伴随形成暂时性和区域性的化学烟雾，容易短时间内迅速产生大面积雾霾污染。因此，植树造林导向的GCS 虽然有利于降低雾霾污染，但是要同步强化森林防火体系建设。湿度、降雨、日照等气象条件不利的地区会掩盖GCS 的空气污染防治效果。雾霾污染防治需要科学、公平的评价手段，而目前对各城市治理效果评估是基于直接观测的PM2.5和PM10小时浓度平均值，不能完全反映各城市雾霾防治的努力程度。因此，需要剔除气象因素对空气质量数据的影响，客观、公平地评价各地区雾霾污染改善情况，以提高地方政府的积极性。建议探索和使用去除气象干扰的空气质量评估方法，如北京大学光华管理学院和统计科学中心研究团队提出的统计学气象调整方法。