城市群多中心发展的碳减排效应及其作用机制

方丹 杨谨 陈绍晴

摘要 城市群已经成为中国经济发展和二氧化碳排放的核心区域，明确影响城市群碳排放的主要因素、推动城市群低碳建设关乎中国“双碳”目标的实现。作为城市规划的重要因素——城市群空间结构，其对碳排放的影响尚不明晰。该研究首先利用夜间灯光数据，首次实现对“十四五”规划中全国19个城市群空间结构的长期评价。在此基础上，构造2000—2020年城市群面板数据、建立计量模型，实证探究城市群空间结构对碳排放的影响，并识别检验其内部作用机制。结果表明：①2000年以来，中国19个城市群的空间结构多中心性增强，沿海城市群尤为明显。②与单中心空间结构相比，城市群多中心发展更有助于降低碳排放强度。③多中心空间结构的减排影响部分通过促进产业分工实现，交通基础设施对空间结构的碳排放影响具有调节作用，市场一体化与多中心发展之间具有替代效应。因此，本研究认为推进构建多中心城市群有助于实现减碳和发展的双赢。但就目前部分城市群的单中心尚未发育成熟的基本情况，多中心不应成为一刀切的减碳策略，更需重视城市功能定位、优化基础设施建设并打破市场分割，实现要素的自由流动和高效配置，由市场引导多中心结构的形成，从而推进城市群可持续发展。

关键词 城市群空间结构；多中心发展；夜间灯光数据；碳排放；产业分工

中图分类号 F061. 5；K902；X321 文献标志码 A 文章编号 1002-2104（2023）09-0045-14 DOI：10. 12062/cpre20230102

随着工业化、城镇化的快速推进，中国城市群已然成为国家新型城镇化的主体区、国家高质量发展的战略核心区与碳中和的责任区［1］。有数据表明，全国19个城市群虽仅占国土面积的29. 12%，却贡献了全国80. 05%的经济总量和71. 7%的碳排放［2-3］。日益嚴峻的气候危机之下，亟须明确影响城市群碳排放的因素、合理规划并落实措施以建设低碳城市群［4-5］。其中，随着特大城市数量的增多以及交通基础设施的完善，部分城市群空间结构由单中心向多中心转变［6-7］。《中华人民共和国国民经济和社会发展第十四个五年规划和2035年远景目标纲要》在城镇化战略中提出“优化城市群内部空间结构，构筑生态和安全屏障，形成多中心、多层级、多节点的网络型城市群”。空间结构两类模式反映了资源、要素以及社会经济活动在城市间的分布与组合状态［8］，可能具有截然不同的绩效表现。在已有研究中，多中心发展被视为提高经济效率、缓解城市病和区域发展不平衡的重要策略［9］。然而城市群空间结构是否会对碳排放产生影响？多中心发展是否更具碳减排效应？其影响机制是什么？应如何引导形成合理的空间结构以实现经济效益和绿色低碳发展的双赢？对上述问题的探究，有助于从城市群空间规划角度为减少碳排放提供政策建议、为应对气候环境挑战提供参考。

1 文献综述与研究假说

1. 1 文献综述

该研究的多中心发展即是指区域发展所形成的多中心空间结构，反之，单中心发展即为单中心空间结构。空间结构的界定依赖于地域尺度，该研究关注中观尺度：城市群空间结构，即城市群空间范围内要素在不同城市之间分布所形成的集聚程度和集聚形态［10］。从人口分布上看，如果一城独大，城市等级体系明显，意味着该城市群空间结构越趋向单中心；反之，如果城市群内人口大规模集聚的城市数量越多，核心城市越多，空间结构越趋向多中心。依据区域经济增长理论，经济发展初期，区域必须形成要素的空间集聚，作为增长极实现经济快速增长，因而呈现单中心空间结构；随着后期主导产业的转变和集聚成本的提高，要素会在区域内部重新分配，可能形成多中心空间结构。城市群空间结构从单中心向多中心转变，其本质是企业、劳动力等在城市间进行区位选择，次中心城市变得更有吸引力，从而形成了跨越城市地理边界的多中心集聚现象。

学界关于区域空间结构的讨论主要集中在测度方法、演变机制和绩效评价三个方面。其中，区域空间结构的测度包括形态和功能两个维度［11］。形态多中心是最直观的空间结构反映形式，例如黄妍妮等［6］使用市辖区人口指标衡量城市规模，基于帕累托指数、位序规模法和四城市指数测度2007—2014 年中国十大城市群的空间结构，发现东部沿海城市群向多中心演变；而功能多中心则强调城市间不同功能“流”的分布情况，例如姚常成［12］借助Web of Science数据库中的合作论文数量评价2000—2016年中国八大城市群的空间结构，结果发现城市群功能多中心的转变趋势开始显现。基于区域空间结构的测度，学者们对空间结构的演变机制进行实证分析，孙斌栋等［7］认为人均GDP水平的提高和人口规模的增加导致了中国城市群空间结构多中心化；姚常成等［13］认为中国城市群向多中心演进是市场驱动的产物，而市场驱动与政府政策引导紧密相关。

随着城市发展过程中各类矛盾与问题的涌出，城市规划的重要引领作用得以彰显，进一步地，学者们开始思考区域空间结构的绩效影响。其中经济绩效得到了较多关注，张浩然等［8］基于2000—2009年中国十大城市群数据发现城市群单中心空间结构对全要素生产率具有显著的促进作用；于斌斌等［14］选取20个具有代表性的城市群作为研究对象，发现多中心空间结构更能有效地提升经济效率；姚常成等［15］证实知识多中心空间结构能够促进城市群的协调发展。关于区域空间结构的环境影响评价，虽然学者们的讨论已广泛涉及工业烟尘排放［16］、雾霾污染［17-18］、二氧化碳排放［19］和能源效率［20］等，但研究范围多限于城市或省份尺度。例如，Zhu等［21］基于中国城市数据发现蔓延、多中心的城市碳排放水平更低；Chen等［22］基于中国省级面板数据发现多中心空间结构与碳排放存在着U型关系；而范秋芳等［23］发现省际单中心指数的提升有助于抑制碳排放量的增长。受碳排放数据统计不完全的限制，城市群层面空间结构与碳排放的关系探究相关文献较少，Liu等［24］对山东半岛城市群的研究发现空间结构对二氧化碳排放没有显著影响；Wang 等［25］以2005—2019年中国六个城市群为样本，利用时空地理加权回归分析城市群空间结构与碳排放的关系，细化了区域异质性与时变特征。

综上：①现有关于中国城市群空间结构对碳排放的影响研究较少，尚无定论，该问题主要源于碳排放数据的限制以及城市群研究对象选取的显著差异。②学界更多探讨了空间结构的绩效表现，即关系评价，但较少探索其内部影响机制。由于空间结构是市场驱动的产物，亟须探索其内部影响机制，以引导更优空间结构的形成，获得潜在效益。基于此，文章贡献主要在于以下三个方面：一是在研究对象选取上，以“十三五”“十四五”规划的全国19个城市群为样本，借助卫星遥感及各类城市经济数据，解决城市群层面数据缺失问题，从而探究城市群碳排放的影响因素；二是在空间结构测度上，借助世界上第一套1984—2020年中国的人工夜间灯光数据集（PANDA）［26］，对2000—2020年中国19个城市群空间结构进行测度与评价，充分考察城市群空间结构的空间分布差异与动态演变；三是在研究视角上，将空间结构和碳排放纳入一个研究框架，借助产业分工、交通基础设施和市场一体化等概念深入分析城市群多中心发展对碳排放的影响及其内部作用机制。该研究可为城镇化布局、气候变化应对提供数据支撑与政策新思路，促进可持续发展。

1. 2 研究假说

单中心和多中心发展的本质差异体现在空间发展策略上所选择的不同的集聚程度和集聚形态。因此，该研究将从集聚经济理论出发阐述二者的绩效差异。传统的集聚经济理论认为，要素的空间集中可以实现成本节约和效率提升，推动经济增长［27-28］；但过度集中也会带来拥挤、污染等负外部性［29］。早期理论将集聚经济局限于“单体城市”的地理边界，并没有区分单中心集聚和多中心集聚的差异性影响。随着城市规模扩大以及交通基础设施的完善，城市间联系更加紧密，1973年Alonso［30］提出“借用规模”假说，指小城市可以“借用”其邻近大城市的集聚经济益处，同时避免集聚的负外部性影响，从而阐述了多中心空间结构相比单中心空间结构可以使区域内部整体的经济效率得到显著改善。Capello［31］提出了“城市网络外部性”概念，突破了传统的距离限制，指彼此远离的城市也可以通过发达的交通、信息等功能网络实现合作与共赢［32］。而城市群多中心空间结构的形成正体现了更加紧密的城市间功能联系［11］，有助于城市间产生跨越地理边界的网络外部性［33］，提升经济效率。

与要素集聚的经济效应类似，众多研究探讨了具有地理边界的单中心集聚的环境影响，其通常具有双重效应：产出规模扩张的负外部性和规模经济、技术进步的正外部性。陆铭等［34］基于中国省级面板数据发现经济活动的空间集聚具有规模经济效应，有助于降低工业污染强度；杨仁发［35］进行省级面板门槛回归发现产业集聚在高于门槛值时有利于改善环境污染；邵帅等［36］检验了经济集聚与碳排放强度之间存在倒“N”型曲线关系。综合来看，单中心集聚达到一定水平后，才符合低碳城市的建设要求。多中心空间结构的影响可能与单中心不同，一方面多中心空间结构可以在一定程度上避免过度聚集、拥挤效应，减少效率损失；另一方面城市群内部中小城市可以“借用”大城市的集聚效应；与此同时，城市在密切联系中形成明确的功能分工、共享经济成果，从而避免同质性功能的冗余建设。因此，在城市群层面，多中心空间结构可能有助于提高区域整体的经济效率，实现要素的合理配置，从而带来环境绩效的提升。基于上述分析，提出第一个研究假说：

假说1：作为经济集聚的不同空间模式，城市群空间结构会对二氧化碳排放产生影响。其中，多中心发展呈现出更少的碳排放，碳排放强度更低。

城市群多中心空间结构减少碳排放的机制是什么？实际上，集聚与分工具有密切的关联性，分工是促进集聚形成和发展的重要因素，集聚的形成又会推动分工的进一步发展［37］。基于新经济地理学理论，经济活动的空间集聚最初将形成制造业“中心”和农业“外围”的空间结构［38］；随着产业结构升级、区域开放度加深和贸易成本的进一步下降，将会演变成服务业“中心”和制造业“外围”的空间结构［39］，进而呈现出“中心城市主要承担管理和研发功能、外围城市主要承担制造和加工功能”的功能分工格局［40］。城市产业分工有助于各地区依据自身比较优势进行专业化生产，从而节约成本、实现规模经济、提高整体的经济效率与能源效率。王桂新等［41］基于城市面板数据发现产业集聚具有提高能源利用效率并降低碳排放的作用；韩峰等［42］证实生产性服务业集聚具有城市碳减排效应；王靖［43］发现制造业集聚虽然使本地碳排放量显著增加，但显著降低了邻近空间单元的碳排放水平。因此城市群空间结构可能会通过产业分工渠道对碳排放产生影响。

假说2：产业分工在城市群空间结构对碳排放的影响过程中具有中介效应。即城市群多中心空间结构促进了城市群内部生产性服务业在中心城市集聚，制造业在外围城市集聚，各城市分工、专业化生产从而减少二氧化碳排放。

此外，城市群多中心空间结构的形成受到了交通基础设施建设和市场一体化两方面的重要影响，上述两个因素可能会调节城市群多中心的碳减排效应。首先，运输成本对经济活动空间分布的集聚与分散起到关键性作用。交通基础设施的完善会直接对传统的区域空间距离产生冲击，大幅降低运输成本与时间可能引发产业重新布局并促进多中心空间结构的形成，从而导致二氧化碳排放的降低。此外，城市群作为未来发展的核心区域，需要破除城市之间长期存在的市场分割问题。一方面，由于中国财政分权和晋升激励等制度因素，地方保护行为造成的市场分割严重影响了中国的经济效率，产业同构、重复建设、资源错配等问题加剧了环境污染［44-45］；另一方面，市场一体化是产业分工、地区专业化的前提条件，影响运输成本，从而成为塑造空间结构的重要因素。而多中心城市群空间结构又会反过来促进城市间的市场整合，形成一体化发展。因此，城市群空间结构可能與市场一体化存在交互效应，对碳排放产生影响。从而提出：

假说3：交通基础设施的完善对城市群空间结构的碳排放影响具有调节效应；城市群空间结构与市场一体化之间可能存在交互作用，甚至是替代效应，即对于市场分割严重的地区，多中心空间结构有助于突破高碳排困境；对于单中心空间结构，促进市场一体化也能实现环境绩效的改善。

综上，该研究将构建中国城市群面板数据，对上述三条假说逐一进行实证检验，明确中国城市群空间结构对碳排放的影响以及潜在的影响机制。

2 研究设计

2. 1 核心变量说明

2. 1. 1 被解释变量

城市群碳排放强度。不同城市群在面积、人口上存在巨大差别，且中国自“十二五”开始，将碳排放强度的下降幅度作为约束性指标纳入国民经济和社会发展规划纲要，因此文章使用标准化指标：碳排放强度EI 作为被解释变量，即城市群单位生产总值的二氧化碳排放量。通过比较清华大学中国多尺度排放清单模型MEIC、中国碳核算数据库CEADs、化石燃料数据同化系统FFDAS、中国高空间分辨率网格数据CHRED以及全球大气研究排放数据库EDGAR等国际碳排放数据库，仅有EDGAR可提取长时间序列中国各城市碳排放清单，因此该研究从EDGAR（https：//edgar.jrc.ec.europa.eu/）获得了最新的2000—2020年中国城市和城市群二氧化碳排放面板数据，从《中国城市统计年鉴》收集了国内生产总值（GDP）数据，以2020年为基期进行价格调整从而消除通货膨胀的影响，合成碳排放强度指标。

2. 1. 2 核心解释变量

城市群空间结构。该研究基于城市经济学中经典的位序规模法，借助夜间灯光数据测度城市经济活动人口数量，从形态维度构建空间结构指数spatial，评价城市群空间结构。由于功能多中心测度方法受到数据获取的限制，该研究拟从人口、就业或经济在中心城市的集中程度，即形态维度，实现城市群空间结构的长期测度与评价。以往研究通常采用人口指标衡量城市规模大小，但是对于跨行政区划的城市群而言，人口统计指标的缺失和统计口径的不一致均会导致空间结构测度的准确性降低；且难以完全揭示产业地理分布、经济发展水平等信息。夜间灯光数据已被证实是地区经济活动的良好替代指标［46-49］，该研究采用了发表在国家青藏高原科学数据中心（http：//data.tpdc.ac.cn/home）的世界上第一套中国长时间序列逐年人造夜间灯光数据集（1984—2020年）［26］，借助ArcGIS软件提取2000—2020年中国各城市的夜间灯光栅格数据，对比2010年第六次和2020年第七次全国人口普查的常住人口数据，结果表明使用城市灯光亮度总值代替常住人口指标表征城市规模具有合理性。城市群空间结构测度公式如下：

其中：Lightijt 是第t 年i 城市群中的城市j 的夜间灯光亮度总值；C 为常数；Rankijt 代表第t 年城市j 的灯光亮度在城市群i 内的排序；分别对每一年各个城市群内的城市灯光亮度进行由大到小的排序之后，进行公式（1）的回归，可以得到系数qit。qit 越大，城市规模与城市等级间的回归线越陡峭，核心城市越突出，城市群服从单中心空间结构；qit 越小，回归线斜率越平坦，人口分布较为分散，呈现多中心空间结构。需要强调的是，由于不同城市群内的城市数量不同，为使空间结构指数在不同城市群间具有可比性，遵循Meijers等［50］的做法，将城市群内排名前二位、前三位以及前四位的城市分别进行式（1）回归，将三个回归得到的指数qit 取平均即得到城市群的空间结构指数，将其命名为spatialit，该指数越大越体现单中心结构。

2. 1. 3 中介与调节变量

根据前述影响机制分析，该研究将构建产业分工中介变量、交通基础设施建设和市场一体化调节变量分析城市群空间结构对碳排放的影响机制。

首先，构建了两类、三个产业分工指标：产业结构相似度、中心城市生产性服务业专业化和非中心城市制造业专业化指数。城市群内部城市之间的区域分工深化，即表现为产业结构、行业就业结构的差异化；反之产业结构越相似越意味着产业的重复布局。产业结构相似度能够从城市群整体层面测度分工情况，其计算如式（2）：

其中：i 代表城市群，由m 个城市组成，j 代表城市，k 代表行业，k=1，2，…，n。Rjk 为j 城市k 行业的从业人员占总从业人员的比重，Rk 为城市群i 中所有城市k 行业的从业人员占总从业人员比重的均值。产业结构相似度divisioni的取值区间为［0，1］，产业结构相似指数越小，表明城市群内城市之间的产业结构越互补，产业分工水平越高。

另外参考齐讴歌等［51］使用城市功能专业化指数来区分中心城市和非中心城市的专业化特征。将产业归类为生产性服务业和制造业两类，生产性服务业包括：交通运输、仓储和邮政业，金融业，房地产业，信息传输、计算机服务业和软件业，租赁和商务服务业，科学研究、技术服务和地质勘查业；制造业包括采掘业、制造业、电力及水的生产和供应业、建筑业。在城市群功能分工模式下，中心城市集聚发展生产性服务业，则表现为中心城市生产性服务业占比上升的过程，计算如式（3）；非中心城市集中发展制造业，则表现为制造业占比上升的过程，计算如式（4）：

其中：Lcs 代表中心城市c 中从事生产性服务业的就业人数，Lcm 表示中心城市c 中从事制造业的就业人数；Lns 代表非中心城市n 中从事生产性服务业的就业人数，Lnm 表示非中心城市n 中从事制造业的就业人数；LTS 和LTM 代表城市群i 的生产性服务业就业人数和制造业就业人数。指标divic 的大小反映了城市群i 中心城市c 中生产性服务业占比的相对值，与产业分工程度呈正相关；指标divin 的大小反映了城市群i 非中心城市n 中制造业占比的相对值，与产业分工程度呈正相关。从而通过三个指标divisioni、divic 和divin 从城市群总体、中心城市、非中心城市的视角测度城市群的产业分工水平。其中选取城市群中的直辖市、省会城市和副省级城市为中心城市，其余为非中心城市；细分产业的就业数据来自于《中国城市统计年鉴》。

关于交通基础设施建设和市场一体化两个调节变量，该研究用单位土地面积的公路与铁路里程之和（km/km2）表示交通基础设施水平trans，数据来自《中国统计年鉴》、EPS数据平台和各城市国民经济和社会发展统计公报。另外参考劉修岩等［52］提出的中国城市群一体化水平评价体系，从经济一体化方面即经济发展差距的视角测度一体化水平，地区经济发展水平的差距越大，经济一体化的水平越低。计算城市群内部城市人均GDP 的标准差，标准差是经济一体化的逆向指标，取标准差的倒数即生成市场一体化指数integ，该指标数值越大说明市场一体化水平越高。人均GDP 数据来自《中国城市统计年鉴》。

2. 1. 4 其他控制变量

根据相关文献中对碳排放影响的研究经验，控制了人口规模、产业结构、外商直接投资以及技术创新变量。该研究选择常住人口作为人口规模指标pop；产业结构包括第二产业增加值占国内生产总值的比重second 和第三产业增加值占国内生产总值的比重third 两个指标；外商直接投资fdi，采用当年实际使用外资金额占GDP 的比重，实际使用外资额已通过美元年均汇率进行调整；技术创新patent，选取地区人均专利授权量的对数项。城市群层面指标均由内部城市数据加总合成。

2. 2 模型构建

为了验证城市群空间结构与碳排放之间的因果关系，设定公式（5）所示计量模型，借助中国19个城市群的面板数据验证假说1：

2. 3 数据来源

该研究选取2000—2020年的城市数据，构建城市群面板数据进行实证分析。“十三五”及“十四五”规划中明确指出全国共布局19个国家级城市群：京津冀、长三角、珠三角、成渝、长江中游、山东半岛、粤闽浙沿海、中原、关中平原、北部湾、哈长、辽中南、山西中部、黔中、滇中、呼包鄂榆、兰州—西宁、宁夏沿黄和天山北坡城市群，因此以这19个城市群作为研究对象，探究城市群多中心发展是否存在碳减排效应。碳排放数据来源于全球大气研究排放数据库，夜间灯光数据用于测度城市群空间结构，来自国家青藏高原科学数据中心，产值、行业就业人数、外商直接投资、交通数据来自《中国统计年鉴》和《中国城市统计年鉴》，常住人口数据来自于各省市统计局和City‐Population数据库，各城市专利授权量数据来源于中国研究数据服务平台，国家统计局提供了人民币对美元的汇率数据。部分缺失值数据参考EPS数据平台、各城市国民经济和社会发展统计公报进行补充，其他进行插值处理。变量的描述性统计见表1。

3 实证结果

3. 1 城市群空间结构和碳排放强度

表2对比展示了2000和2020年19个城市群的空间结构指数以及中心城市分布情况。其中空间结构指数最小值为0. 08，最大值为1. 21，均值为0. 56，取值越大，说明该城市群空间结构越呈现单中心。从结果可知，在2000年，中国城市群空间结构指数多数大于平均值，大多呈现单中心空间结构，而沿海城市群的单中心程度比内陆城市群低，山东半岛城市群是唯一一个具有明显多中心空间结构的城市群。2000—2020年，全国有13个城市群空间结构的单中心经济集聚现象有所减弱，其中长三角城市群最为明显，苏州、杭州、宁波规模迅速扩张，导致空间结构指数从0. 71降至0. 26，呈现多中心发展态势。总体来看，全国沿海地区呈现出更多的多中心发展格局，例如珠三角城市群的广深两极，泉州、温州等非省会城市在粤闽浙沿海城市群发挥经济带动作用，这可能与港口城市较高的经济发展水平相关。有两个典型的双核城市群，辽中南城市群与哈长城市群，始终坚持沈阳—大连、哈尔滨—长春的战略地位。中西部地区由于发展落后，中心城市较少，主要呈现单中心空间结构。例如天山北坡城市群以乌鲁木齐为主，兰州西宁城市群的中心是兰州，呼包鄂榆城市群以呼和浩特为中心，滇中城市群的发展主要聚集在昆明。成渝城市群是中西部崛起的重要枢纽，双核之间的差距有些许拉大，与目前规划目标存在差异。

从城市群二氧化碳数据可知，各城市群二氧化碳排放总量在2000—2010年间快速增长，2011年后碳排放增速放缓，2020年全国排放总量113. 55亿t，19个城市群的碳排放占全国總排放量的80. 29%；而碳排放强度在2000—2007年间呈上升趋势，随后逐步平稳下降，至2020年已下降54. 23%，取得初步减排成效。图1展示了2020年各城市群碳排放总量和强度，2020年19个城市群的碳排放强度均值为1. 12 t/万元，每万元产值比非城市群地区少排放二氧化碳0. 38 t，可见城市群发展具有规模经济特征，有利于降低碳排放强度。城市群碳排放表现存在空间异质性。虽然沿海地区城市群排放总量大，但除辽中南以外的沿海城市群碳排放强度普遍较低。其中，珠三角城市群作为经济最为开放的城市群，碳排放强度最低仅为0. 35 t/万元。碳排放强度高的主要是辽中南、宁夏沿黄、天山北坡、呼包鄂榆和兰州西宁等中西部城市群。相关系数表明城市群空间结构与碳排放强度呈现正相关关系，即单中心空间结构导致的碳排放强度越高。

3. 2 基准回归结果

在进行基准回归前，面板单位根检验拒绝了“伪回归”的存在，综合LM检验、F检验和Hausman检验证实了选择双向固定效应模型的合理性，VIF检验说明多重共线性问题并不存在。表3展示了城市群空间结构对碳排放影响的检验结果，列（1）为混合回归，采用聚类稳健标准误，列（2）—列（7）逐步控制个体固定效应、时间固定效应并加入控制变量。无论哪种模型设定，空间结构指数的回归系数至少在5%的置信水平上显著为正，即单中心空间结构的碳排放强度更高，城市群多中心发展有助于扭转二氧化碳排放快速增长的局面，假说1成立。列（7）结果表明空间结构指数的系数为0. 182，即空间结构指数每减少1%，将导致二氧化碳排放强度降低0. 182%；根据2020年的数据统计，将减少全年0. 21亿t二氧化碳排放。

由于中国地区间经济发展模式差异显著，城市群多中心发展的碳减排效应也可能存在空间异质性。该研究以秦岭淮河为界划分北方和南方城市群，根据是否沿海将样本划分为沿海和内陆城市群，表4展示了异质性分析的结果。由结果可知，南北方城市群回归系数均显著为正，印证基准回归结果，多中心发展模式具有碳减排效应；而这种碳减排效应在北方地区更大，这可能与北方城市群内较弱的城市间联系相关，除京津冀城市群以外，北方其他城市高铁网络布局进程较慢，贸易联系弱，各自为营的发展模式向多中心转变有助于大幅提升环境绩效。根据沿海、内陆标准划分城市群，能够体现差异性影响，沿海地区城市群空间结构与碳排放的关系不显著，而内陆地区的系数显著为正（0. 269***），即采取多中心发展模式能够有效降低中西部碳排放，中西部地区更需将城市群空间规划提到重要地位。

3. 3 稳健性检验

3. 3. 1 工具变量法

该研究使用工具变量法解决潜在的内生性问题。构建工具变量时需要考虑两个问题，一是如何测度人口在城市间的规模分布，二是如何体现人口分布随时间的变化。针对问题一，Bosker等［54］发现自然地理特征和是否邻近水源是欧洲城市形成与规模分布的重要影响因素；Wang 等［55］基于中国历史数据证明人类文明沿河而生，择水而居的人口分布规律至今尚未显著改变；Burchfiled［56］等从地表起伏度层面证明了地理环境对人口密度的重要影响，因此将河流密度和地表粗糙度两种外生的自然地理变量作为空间结构的第一类工具变量。但是由于自然地理变量不随时间变化，需要寻找一个外生的时变变量与之相结合，解决问题二。刘修岩等［57］对中国的研究证实了对外贸易开放程度的提高会放大大城市的优势，促使经济活动进一步向大城市集聚；李威等［58］发现区域内城市间的运输水平会调节国际贸易对城市规模的影响，在运输成本低的区域，对外贸易开放反而会令城市规模分布趋于分散。因此综合考虑内外贸易因素，参考刘修岩等［10］选择汇率作为外贸开放指标，选取区域货运量占比作为内贸开放指标，测度运输成本，用两个贸易开放指标构建第二类工具变量。然后构造自然地理工具变量与贸易开放工具变量的乘积项，进行两阶段最小二乘回归。

综上，区域内的河流密度越大，越有助于多个中心城市的形成；地表粗糙度越大，越起伏，越容易在小规模内集中，形成单中心；人民币对美元汇率越高，本币贬值，越促进出口，形成单中心；内贸货运量大，运输及仓储成本低，越易调节外贸影响，促进国内厂商布局，形成多中心。因此可构建四种工具变量，为保持变量影响的一致性，其中两个工具变量为河流密度与汇率倒数的乘积、河流密度与汇率倒数、城市群货运量占比的三项乘积，数值越大越促进多中心发展，与空间结构指数呈负相关。另外两个工具变量为地表粗糙度与汇率的乘积、地表粗糙度与汇率、货运量占比的倒数的三项乘积，数值越大越促进单中心发展，与空间结构指数呈正相关。其中，河流密度数据根据国家地理信息中心提供的1∶400万河流矢量分布图提取，河流密度=河流长度/区域面积；地表粗糙度数据源自ASTER Global Digital Elevation Model V003 高程数据，用城市群内城市高程的标准差表示；汇率、货运量数据分别来自国家统计局和《中国城市统计年鉴》。

相关系数检验证实了工具变量的相关性，系数符号与预期一致；Hausman 检验拒绝“所有解释变量均为外生”的原假设，即应该使用工具变量法，同时沃尔德检验说明不存在弱工具变量问题。回归结果见表5，空间结构指数的系数均显著为正，证实了空间结构与碳排放的因果关系，多中心空间结构导致碳排放强度的降低。

3. 3. 2 替换空间结构指标

该研究构想三种方式替换空间结构指标以检验结果的稳健性：空间结构指数spatial 的滞后项、变换的首位度指数primacy 和四城市指数s4。滞后项可以部分消除潜在的内生性；变换的首位度指数primacy 即1减去规模最大城市占城市群总规模比重，取值范围为（0，1），指数越大，越表明空间结构趋向多中心，与空间结构指数成反比；四城市指数为第一大规模城市规模与二、三、四大城市规模之和的比重，该指标越大说明第一中心城市规模突出，与空间结构指数成正比。结果见表6：列（1）—列（3）：对比展示了使用空间结构指数及其滞后一项和滞后二项的结果，回归系数数值虽有所下降，但始终为正且具有较高的显著性；这证实了空间结构多中心对碳排放强度的优化作用，其影响效果随时间有所衰减。列（4）中变换的首位度指数与空间结构指数负相关，其回归结果显著为负，列（5）中四城市指数显著为正，与预期一致，再次证实了城市群空间结构对碳排放强度的影响，城市群多中心发展有助于加强集聚外部性与网络外部性，带来环境效益的提升，减少碳排放。

3. 3. 3 区分城市群成员城市

将城市群空间结构指数作为关键解释变量，成员城市的碳排放强度作为被解释变量，通过区分城市群成员城市，一方面扩大样本量以实现估计的一致性，验证结果的稳健性，另一方面深究细化城市群空间结构对中心城市和非中心城市碳排放强度的异质性影响。结果见表7，样本量扩大至3 734个，涉及206个城市21年的数据，控制变量与上文一致。空间结构指数的系数依然显著为正，与城市群层面一致，即无论是在城市群层面还是子样本成员城市层面，城市群的多中心空间结构均有助于降低碳排放。根据是否为中心城市进行子样本分析，结果表明多中心空间结构对非中心城市的减排效果更好，体现了多中心发展战略对边缘城市的溢出效应。

3. 4 影响机制分析

3. 4. 1 产业分工的中介效应

为检验城市群空间结构是否通过产业分工渠道对碳排放产生影响，即假说2，构建中介效应模型（5）—模型（7），分別代入产业结构相似度divisioni、中心城市生产性服务业专业化divic 和非中心城市制造业专业化divin 三个产业分工指标，进行产业分工中介效应检验。上述三个指标互为补充，共同解释了城市群的产业分工水平，即产业结构相似度越小、非中心城市制造业专业化指数和中心城市服务业专业化指数越高，则产业分工水平越高。列（1）、列（3）和列（5）展示了空间结构对产业分工的影响，系数分别显著为正、显著为负和不显著，这说明空间结构指数越大，空间结构越呈现单中心，城市群内产业结构越相似，越不利于外围城市的制造业专业化；反之，多中心空间结构有助于实现城市间产业结构差异化，尤其是在外围城市形成制造业产业集聚，即产业分工，但是对中心城市生产性服务业集聚的影响不显著；这与预期较为一致，多中心形成、经济集聚的过程体现了城市间产业分工情况。列（2）、列（4）和列（6）为加入中介变量的回归结果，三个产业分工指标的系数表明产业结构相似会造成更高的碳排放强度；中心城市和非中心城市的产业专业化有助于碳减排，但服务业专业化的作用并不显著。在控制中介变量后，空间结构的系数依然显著为正，但系数有所下降。进一步Sobel检验表明产业结构相似度和外围制造业专业化是城市群空间结构与二氧化碳排放关系的中介变量，中介效应与总效应的比值分别为0. 150和0. 200，即存在城市群多中心→产业分工→碳排放强度降低的传导机制。结果表明，只有当多中心空间结构的形成在同类型产业上实现集聚与专业化生产，尤其是外围城市主攻制造业生产，形成城市间相互联系的分工格局，才能促进减排，这一现象在京津冀、长三角和珠三角城市群尤为明显。而生产性服务业的影响不大，可能与当前整体上的生产性服务业专业化水平不高相关。

区分地区子样本进行产业分工中介效应检验的结果与表8基本一致，值得注意的是沿海地区中心城市服务业专业化的结果，见表9。中心城市服务业专业化的减排效果在沿海地区子样本中有所凸显，且空间结构指数的系数显著为正，与表4的异质性分析和表8的中介效应检验有显著差异。这说明沿海城市群生产性服务业专业化水平较内陆地区经历了较大转变，且确实具有碳减排效应；在当前城市群空间结构转变过程中，需注重中心城市在研究设计、信息服务和金融服务等方面的能力提升与高度专业化，实现分工，引领创新，将有助于通过该渠道实现碳减排。

3. 4. 2 交通基础设施的调节效应

交通基础设施的完善会对运输成本直接产生冲击，可能会引发产业重新布局，促进多中心空间结构的形成，从而调节空间结构对二氧化碳排放的影响。因此在基准回归模型中加入交通基础设施变量trans 及其与空间结构指数的交互项spatial × trans，来考察交通基础设施建设在空间结构影响二氧化碳排放过程中发挥的调节效应。回归结果见表10：列（1）为基准回归结果，列（2）交通基础设施变量系数显著为负，即说明发达的交通基础设施本身便有助于减少二氧化碳排放，列（3）加入了交互项系数显著为负，这意味着较高的交通基础设施水平有利于缓解单中心空间结构的碳排放增加效应，即存在调节效应，完善基础设施建设有助于增强多中心空间结构的碳减排效应。

3. 4. 3 城市群多中心与市场一体化的替代效应

由于行政壁垒所造成的市场分割通过地方保护限制了要素的自由流动，加剧了资源错配与环境污染。与之相反，区域市场一体化可为区域协调发展和减排带来双重红利。在“十四五”规划纲要中政府强调“优化城市群内部空间结构，形成多中心、多层级、多节点的网络型城市群”，其最终目的即是“推动城市群一体化发展”。由于市场一体化与城市群空间结构间存在着相互作用，二者对二氧化碳排放的影响也并非独立，可能存在一定的交互效应，甚至是替代效应。为此，逐步引入市场一体化指标integ 及其与空间结构指数的交互项spatial ×integ，分析城市群多中心发展、市场一体化和碳排放强度三者间的关系，结果见表11。列（1）为基准回归结果，列（2）市场一体化的系数显著为负，证实了市场一体化水平的提高有助于降低碳排放强度。列（3）加入交互项后，交互项的系数显著为负，说明市场一体化有助于削弱单中心空间结构的碳排放增加效应，可以作为多中心空间结构的替代策略。因而，对于那些尚不足以形成多中心集聚的单中心城市群，可以通过降低地方保护、促进要素自由流动、倡导市场一体化以减少二氧化碳排放。因此，该研究发现多中心发展战略与市场一体化战略之间存在着替代效应。

4 结论与政策启示

在城市群成为新型城镇化主体形态的背景之下，引导城市群低碳发展以应对气候变化具有长远意义。通过梳理相关文献、构建计量模型，试图探究城市群多中心发展的碳减排效应及其作用机制，以从城市群空间结构规划角度为低碳发展提供政策建议。基于2000—2020年中国19个城市群的数据发现：①中国19个城市群从2000年以来，空间结构多中心性增强。沿海城市群空间结构趋向多中心尤为明显，由省会城市与港口城市协调带动区域发展；而中西部城市群由于发展落后仍呈现单中心空间结构。②中国城市群集聚了全国约80%的碳排放，但碳排放强度比非城市群低，具有较高的能源使用效率，除辽中南以外的沿海城市群碳排放强度更低。③通过建立固定效应模型、运用工具变量法处理内生性问题并替换指标进行稳健性检验，发现相比于单中心空间结构，城市群多中心发展有利于实现碳排放强度的降低，且在中西部城市群更具适用性。因此多中心发展模式通过“借用规模”和“网络外部性”实现比单中心范围更广、更强的集聚经济、环境效应。④结合中介效应模型、引入交互项，发现城市群空间结构向多中心发展一方面加强了内部城市的功能分工，通过外围城市制造业专业化、中心城市生产性服务业专业化，促进产业分工与集聚，提高经济效率以降低碳排放强度；另一方面，交通基础设施的完善有助于调节空间结构的环境影响；最后，通过与市场一体化的交互作用，多中心发展避免了地方保护主义所导致的要素错配、效率低下问题，从而减少二氧化碳排放。

结合所得结论，鉴于城市群多中心演变有助于协调发展、加快城镇化进程、促进二氧化碳减排，多中心空间结构应成为城市群发展、疏散特大城市压力的未来目标。但就目前部分城市群的单中心尚未发育成熟的基本情况，多中心不应成为一刀切的減碳策略，可以从产业分工、交通基础设施建设和市场一体化角度加以优化。因此，结合新型城镇化目标，提出如下城市群碳减排政策建议：

（1）重视城市群空间结构规划，因地制宜，明确城市功能定位。结合当前城市群经济发展状况及内部城市人口、产业分布情况，确定合适的空间结构发展目标，对不同城市进行重点产业布局。当前多数沿海城市群已呈现多中心发展态势，由省会城市、港口城市双城带动发展，但功能定位尚存交叉重复，部分中心城市的生产性服务业发展程度不足以起到引领作用，制造业企业外迁条件尚不成熟，需加强城市功能定位，引导形成城市间产业分工。对于内陆城市群表现出的中心城市发育及辐射带动力不足和城市间差距显著等现象，要避免中心城市盲目蔓延发展态势，亟须优化明确主导产业，破解行政区划对要素流动的制约，考虑由核心省会城市促进都市圈的形成，加强城市联通，调整区域内产业布局，逐步形成多中心空间结构，带动周边地区崛起。部分跨省域城市群的双核存在发展差异，经济联系不够密切，需突破行政界限，形成合作规划，实现互补与共赢。

（2）推进交通通信重大基础设施建设，为城市间功能联系打造基础。多中心空间结构的形成依赖于交通基础设施建设来打造城市间的连结性，只有降低人口流动的迁移成本和商品贸易中的运输成本，才能真正影响企业的成本利润函数，改变区位决策，构建真正的城市网络。因此交通基础设施是多中心发展的基础。此外随着互联网技术的推进，信息化成为经济发展和竞争的集中点，推进通信基础设施建设尤其成为影响企业空间布局的另一重要因素。

（3）打破地方保护和市场分割，促进城市群一体化发展。城市群多中心空间结构的形成，重在要素基于利润最大化原则自由进行区位选择、获得集聚优势，因而要素能否自由流动决定了空间结构的演变。日前，国家发布了《中共中央 国务院关于加快建设全国统一大市场的意见》和《关于推进以县城为重要载体的城镇化建设的意见》，其中要求打造公平的竞争市场环境、取消县城落户限制政策，意在推动要素资源高效配置。因此，无论是在人口落户、企业借贷、子女教育、政府补贴等方面，均应使外来人口、企业享受同等待遇、共享发展成果。需完善教育、医疗、住房保障等基本公共服务，破除人口流动壁垒，优化市场机制，加强城市间功能联系，实现一体化发展。

参考文献

［1］ 方创琳， 张国友， 薛德升. 中国城市群高质量发展与科技协同创新共同体建设［J］. 地理学报， 2021， 76（12）：2898-2908.

［2］ 落基山研究所. 中国城市群碳排放达峰之路：机遇与探索［R］.2019.

［3］ 方创琳. 中国城市群地图集［M］. 北京： 科学出版社， 2020.

［4］ IPCC. Climate change 2021： the physical science basis. Contributionof working group Ⅰ to the sixth assessment report of the IntergovernmentalPanel on Climate Change［M］. Cambridge， UK：Cambridge University Press， 2021.

［5］ 王军锋， 裴子璇. 深刻把握并科学谋划城市群碳达峰、碳中和行动［J］. 环境保护， 2022， 50（S1）：41-43.

［6］ 黄妍妮， 高波， 魏守华. 中国城市群空间结构分布与演变特征［J］. 经济学家， 2016（9）：50-58.

［7］ 孙斌栋， 华杰媛， 李琬， 等. 中国城市群空间结构的演化与影响因素：基于人口分布的形态单中心-多中心视角［J］. 地理科学进展， 2017， 36（10）：1294-1303.

［8］ 张浩然， 衣保中. 城市群空间结构特征与经济绩效：来自中國的经验证据［J］. 经济评论， 2012（1）：42-47，115.

［9］ 卓云霞， 刘涛. 城市和区域多中心研究进展［J］. 地理科学进展， 2020， 39（8）：1385-1396.

［10］ 刘修岩， 李松林， 陈子扬. 多中心空间发展模式与地区收入差距［J］. 中国工业经济， 2017（10）：____漘（25-43.

［11］ BURGER M， MEIJERS E. Form follows function： linking morphologicaland functional polycentricity［J］. Urban studies， 2012，49（5）：1127-1149.

［12］ 姚常成. 多中心空间结构视角下新时代中国城市群的协调发展研究［D］. 长春：吉林大学， 2019：84-89.

［13］ 姚常成， 李迎成. 中国城市群多中心空间结构的演进：市场驱动与政策引导［J］. 社会科学战线， 2021（2）：78-88，281.

［14］ 于斌斌， 郭东. 城市群空间结构的经济效率：理论与实证［J］.经济问题探索， 2021（7）：148-164.

［15］ 姚常成， 吴康. 多中心空间结构促进了城市群协调发展吗：基于形态与知识多中心视角的再审视［J］. 经济地理， 2020， 40（3）：63-74.

［16］ 陈旭， 张硕. 多中心空间结构是否有助于工业减排：来自中国省级数据的经验证据［J］. 南京财经大学学报， 2021（1）：11- 21.

［17］ 陈旭， 张亮， 张硕. 多中心空间发展模式与雾霾污染：基于中国城市数据的经验研究［J］. 重庆大学学报（社会科学版），2021， 27（5）：30-44.

［18］ 刘凯， 吴怡， 王晓瑜， 等. 中国城市群空间结构对大气污染的影响［J］. 中国人口·资源与环境， 2020， 30（10）：28-35.

［19］ SHA W， CHEN Y， WU J S， et al. Will polycentric cities causemore CO2 emissions：a case study of 232 Chinese cities［J］. Journalof environmental sciences， 2020， 96：33-43.

［20］ CHEN X， QIU B， SUN S O. Polycentric spatial structure and energyefficiency： evidence from China’s provincial panel data［J］.Energy policy， 2021， 149：112012.

［21］ ZHU K， TU M Y， LI Y C. Did polycentric and compact structurereduce carbon emissions： a spatial panel data analysis of 286 Chinesecities from 2002 to 2019［J］. Land， 2022， 11（2）： 185.

［22］ CHEN X， ZHANG S， RUAN S M. Polycentric structure and carbondioxide emissions： empirical analysis from provincial data inChina［J］. Journal of cleaner production， 2021， 278：123411.

［23］ 范秋芳， 王劲草， 王杰. 城市空间结构演化的减排效应：内在机制与中国经验［J］. 城市问题， 2021（12）：87-96.

［24］ LIU K， XUE M Y， PENG M J， et al. Impact of spatial structureof urban agglomeration on carbon emissions： an analysis of theShandong Peninsula， China［J］. Technological forecasting and socialchange， 2020， 161：120313.

［25］ WANG Y N， NIU Y J， LI M， et al. Spatial structure and carbonemission of urban agglomerations： spatiotemporal characteristicsand driving forces［J］. Sustainable cities and society， 2022， 78：103600.

［26］ 张立贤， 任浙豪， 陈斌， 等. 中国长时间序列逐年人造夜间灯光数据集（1984—2020）［Z］. 国家青藏高原科学数据中心，2021.

［27］ MARSHALL A. Principles of political economy［M］. London，UK： Macmillan， 1890.

［28］ HENDERSON J V， THISSE J. Handbook of regional and urbaneconomics［M］. Amsterdam， Netherlands： Elsevier， 2004：2063-2117.

［29］ HENDERSON J V. Efficiency of resource usage and city size［J］.Journal of urban economics， 1986， 19（1）：47-70.

［30］ ALONSO W. Urban zero population growth［J］. Daedalus， 1973，102（4）：191-206.

［31］ CAPELLO R. The city network paradigm： measuring urban networkexternalities［J］. Urban studies， 2000， 37（11）：1925-1945.

［32］ 林柄全， 谷人旭， 王俊松， 等. 从集聚外部性走向跨越地理边界的网络外部性：集聚经济理论的回顾与展望［J］. 城市发展研究， 2018， 25（12）：82-89.

［33］ 姚常成， 宋冬林. 借用规模、网络外部性与城市群集聚经济［J］. 产业经济研究， 2019（2）：76-87.

［34］ 陆铭， 冯皓. 集聚与减排：城市规模差距影响工业污染强度的经验研究［J］. 世界经济， 2014， 37（7）：86-114.

［35］ 楊仁发. 产业集聚能否改善中国环境污染［J］. 中国人口·资源与环境， 2015， 25（2）：23-29.

［36］ 邵帅， 张可， 豆建民. 经济集聚的节能减排效应：理论与中国经验［J］. 管理世界， 2019， 35（1）：36-60，226.

［37］ 钱学锋， 梁琦. 分工与集聚的理论渊源［J］. 江苏社会科学，2007（2）：70-76.

［38］ KRUGMAN P. Increasing returns and economic geography［J］.Journal of political economy， 1991， 99（3）：483-499.

［39］ ALONSO‐VILLAR O， CHAMORRO‐RIVAS J M. How do producerservices affect the location of manufacturing firms： the role of informationaccessibility［J］. Environment and planning A： economyand space， 2001， 33（9）：1621-1642.

［40］ DURANTON G， PUGA D. From sectoral to functional urban specialisation［J］. Journal of urban economics， 2005， 57（2）：343-370.

［41］ 王桂新， 武俊奎. 城市规模与空间结构对碳排放的影响［J］.城市发展研究， 2012， 19（3）：89-95，112.

［42］ 韩峰， 谢锐. 生产性服务业集聚降低碳排放了吗：对我国地级及以上城市面板数据的空间计量分析［J］. 数量经济技术经济研究， 2017， 34（3）：40-58.

［43］ 王靖. 新经济地理视角下制造业集聚对碳排放的影响［D］. 大连：东北财经大学， 2019：25-32.

［44］ 宋马林， 金培振. 地方保护、资源错配与环境福利绩效［J］. 经济研究， 2016， 51（12）：47-61.

［45］ 张可. 市场一体化有利于改善环境质量吗：来自长三角地区的证据［J］. 中南财经政法大学学报， 2019（4）：67-77.

［46］ 徐康宁， 陈丰龙， 刘修岩. 中国经济增长的真实性：基于全球夜间灯光数据的检验［J］. 经济研究， 2015， 50（9）：17-29，57.

［47］ 陈晋， 卓莉， 史培军， 等. 基于DMSP/OLS数据的中国城市化过程研究：反映区域城市化水平的灯光指数的构建［J］. 遥感学报， 2003，7（3）：168-175，241.

［48］ 苏泳娴， 陈修治， 叶玉瑶， 等. 基于夜间灯光数据的中国能源消费碳排放特征及机理［J］. 地理学报， 2013， 68（11）：1513-1526.

［49］ CHEN J D， GAO M， CHENG S L， et al. County‐level CO2 emissionsand sequestration in China during 1997-2017［J］. Scientificdata， 2020， 7：391.

［50］ MEIJERS E J， BURGER M J. Spatial structure and productivityin US metropolitan areas［J］. Environment and planning A： economyand space， 2010， 42（6）：1383-1402.

［51］ 齐讴歌， 赵勇. 城市群功能分工的时序演变与区域差异［J］.财经科学， 2014（7）：114-121.

［52］ 刘修岩， 梁昌一. 中国城市群一体化水平综合评价与时空演化特征分析：兼论城市群规模的影响［J］. 兰州大学学报（社会科学版）， 2021， 49（2）：49-61.

［53］ BARON R M， KENNY D A. The moderator‐mediator variable distinctionin social psychological research： conceptual， strategic，and statistical considerations［J］. Journal of personality and socialpsychology， 1986，51（6）：1173-1182.

［54］ BOSKER M， BURINGH E. City seeds： geography and the originsof the European city system［J］. Journal of urban economics，2017， 98：139-157

［55］ WANG Y C， BORTHWICK A G L， NI J R. Human affinity forrivers［J］. River， 2022， 1（1）：4-14.

［56］ BURCHFIELD M， OVERMAN H G， PUGA D， et al. Causes ofsprawl： a portrait from space［J］. The quarterly journal of economics，2006， 121（2）：587-633.

［57］ 劉修岩， 刘茜. 对外贸易开放是否影响了区域的城市集中：来自中国省级层面数据的证据［J］. 财贸研究， 2015， 26（3）：69-78.

［58］ 李威， 王珺， 陈昊. 国际贸易、运输成本与城市规模分布：基于中国省区数据的研究［J］. 南方经济， 2017（11）：85-102.

（责任编辑：蒋金星）