“十四五”是中国实现碳达峰、碳中和的关键时期。然而,中国是在城镇化快速发展的情况下开启降碳进程的,当前的能源消费需求仍然呈现上升趋势,“双碳”目标的实现面临较大压力。为此,2023年中央经济工作会议再次强调,积极稳妥推进碳达峰碳中和。考虑到城市区域是中国碳排放的主要承载地,如何在深入推进城镇化的同时加快城市低碳治理就成为亟须探讨的重要问题。
国际经验表明,城镇化对碳排放的影响存在潜在的非线性特征。在城镇化快速推进的发展阶段,与日俱增的能源消费将加剧城市碳排放;在城镇化完善时期,技术进步、经济结构的改进与居民能源消费增长并存,城镇化与碳排放的关系尚不明确[1]。就中国而言,以土地为核心的快速城镇化固然加速了经济增长与城市人口扩张,然而伴生的碳排放、生态环境问题也不容忽视[2]。究其原因,城镇化进程中的高耗能增长模式是造成碳排放加剧的重要因素[3]。
党的十八大以来,中国积极推进以人为核心的新型城镇化建设,自2015年起开展了三批次新型城镇化综合试点,其目标之一就是破解城镇化绿色发展困境,加快实现“优化布局,集约高效”“生态文明,绿色低碳”的城镇化建设。不同于既往的快速城镇化模式,以人为核心的新型城镇化着力消除粗放式发展弊端,发挥出了显著的环境优化效应[4],而提升土地利用生态效率[5]以及驱动居民低碳行为[6]是潜在机制。2022年,《“十四五”新型城镇化实施方案》进一步提出“锚定碳达峰碳中和目标”,将生产生活低碳化作为新型城镇化建设的重要内容。新型城镇化能否提升城市低碳治理水平就成为当前的热点问题。然而,少部分聚焦于新型城镇化与能源消费、碳排放关系的研究并未得出一致结论[7-8]。结合“双碳”目标的紧迫性,有必要系统地探究新型城镇化建设对城市低碳治理的影响效应及其内在机制。鉴于此,本文立足于政策评估视角,将国家新型城镇化综合试点政策的实施视为新型城镇化建设的准自然实验,运用多期双重差分方法,实证检验新型城镇化建设对城市碳排放强度的影响效应及机制路径,为协调推进新型城镇化建设与城市低碳治理提供理论支持。
本文的边际贡献有两点。一是研究视角上,本文将新型城镇化建设与城市碳排放强度纳入统一的分析框架,重点关注了新型城镇化建设对生产生活低碳化的积极影响,丰富了应对碳排放的政策工具箱,为“双碳”目标的实现提供理论支持。二是机制分析上,本文以“优化布局,集约高效”“生态文明,绿色低碳”的新型城镇化建设原则为指引,重点阐释了城市蔓延、经济集聚以及环境规制在推进新型城镇化低碳治理中发挥的重要作用,研究结论对于探寻统筹推进新型城镇化建设与城市低碳治理的现实路径具有较为重要的参考价值。
中国城镇化发展是由政府主导的、自上而下推动的过程[9]。因此,地方政府在很大程度上主导地区土地资源配置与优势产业选择,进而直接影响城镇化速度与质量。改革开放后的一段时间内,土地出让及相关税收是地方财政收入的重要来源,所形成的“土地财政”推动了大规模的城市土地扩张,给生态环境带来了一定的负面影响[10]。此外,在财政激励与传统城镇化模式之下,地方政府将重心放在回报快、风险低的产业投资项目,忽视环境治理等公共产品供给,引发能源消耗与碳排放的加剧[11]。新型城镇化则强调以人为核心,着力摆脱“土地财政”国家体系下自然资源过度开发的现实困境,解决传统城镇化过程中存在的人口密度低、土地使用粗放、生态环境污染等问题。一方面,国家新型城镇化综合试点政策提出构建多元化的城镇化投融资机制,积极引导社会资本参与城镇化建设,并将地方政府债务纳入全口径预算管理,通过市场化改革的方式有效缓解“土地财政”问题,优化地区人地关系,减少交通以及建筑领域能源消耗与碳排放。另一方面,国家新型城镇化综合试点政策提出构建新型城镇化标准体系,突出考察城镇化发展质量,摒弃以土地为核心的传统城镇化模式,践行“优化布局,集约高效”“生态文明,绿色低碳”的基本原则。因此,各试点地区积极响应生产生活低碳化政策,重塑城镇化发展理念,提出促进低碳绿色建设的政策目标,主动推进产业结构优化升级、集约化生产、资源高效利用、消费低碳转型,改善城市低碳治理状况[12]。据此,本文提出假说1。
H1:新型城镇化建设能够促进城市低碳治理,即国家新型城镇化综合试点政策能够降低试点城市碳排放强度。
新型城镇化建设降低城市碳排放强度的具体路径如何?在经典环境经济理论中,经济社会活动减缓环境污染、碳排放的基本途径是规模效应(能源消耗)、技术效应(绿色创新)、结构效应(产业升级)[13]。那么,就新型城镇化建设而言,又是如何借助三大环境改善效应实现碳减排的?上述问题值得探讨。实际上,作为国家新型城镇化综合试点政策的先导指引与规划蓝本,《国家新型城镇化规划(2014—2020年)》对指导相关试点地区起草试点实施方案具有引导作用,其基本原则与政策目标更是各地政策颁布实施的重要参考。而“优化布局,集约高效”“生态文明,绿色低碳”两大基本原则正是破解新型城镇化碳减排效应传导机制的关键。因此,在参考现有研究的基础上,本文将新型城镇化建设对城市低碳治理的影响机制归纳为城市蔓延、经济集聚和环境规制。具体的机制框架如图1所示。
图1 新型城镇化建设影响城市碳排放强度的理论框架
在快速城镇化阶段,城市空间低密度扩张,并伴随土地城镇化快于人口城镇化现象,学界称之为“城市蔓延”[14]。已有研究认为,蔓延的城市空间会加剧“职住分离”,造成居民通勤时间延长,尤其在公共交通发展滞后时期,“职住分离”加速形成了对私家车的依赖[15],引起化石能源消耗与碳排放增加。此外,城市蔓延稀释了城市人口密度,诱发房屋空置,造成大量能耗,尤其是集中供暖、中央空调系统的低频度使用,更是加大了建筑领域的碳减排难度[16]。
而新型城镇化建设借助“开源节流”的方式促进人地城镇化速度走向平衡,抑制城市蔓延[17],进而抑制交通、建筑领域的能源消耗,在加快生活低碳化进程的同时,降低城市碳排放强度。具体而言,在“优化布局,集约高效”基本原则的指引下,一方面,新型城镇化建设中的用地政策转型能够抑制过快的“土地城镇化”。一是更严格的城市建设用地审批。各试点城市逐渐加强对耕地占用行为的合规审查,严格控制城镇用地扩张。二是更节约的城市建设用地使用。各试点城市积极盘活存量建设用地,开展城镇低效用地再开发。三是更高效的城市建设土地配置。各试点城市积极引导社会资本参与城镇化建设,引入市场机制配置土地资源,进而优化城市空间结构,提高城市空间利用效率,实现紧凑型低碳发展[18]。另一方面,新型城镇化建设中的户籍制度改革能够为“人口城镇化”提速。各试点城市陆续出台农业转移人口落户标准,建立健全以居住证为载体的基本公共服务提供机制,加快了农业转移人口市民化进程,进一步吸纳农业农村人口,优化了城市人口空间结构。据此,本文提出假说2。
H2:新型城镇化建设通过抑制城市蔓延减缓试点城市碳排放强度。
经济集聚通常伴随着城市内部经济活动的空间集聚,能够通过规模效应以及技术效应对碳排放强度产生显著影响。从规模效应来看,经济活动地理空间上的集聚有利于各产业部门通过共享基础设施和缩减运输距离实现规模经济,从而减少了单位产值经济发展所需要的资源[19],降低城市碳排放强度。但过度的经济集聚也可能引发“拥堵效应”,造成能源、土地等资源要素的错配,反而抑制能源利用效率的提升[20]。从技术效应来看,集聚有利于知识的溢出传播并提高创新要素的使用效率,通过共享、匹配和学习机制促进区域创新,企业的集中也有利于宣传环境规制政策,便于监管部门采取措施统一规范企业行为[21],通过政府主导的奖惩机制推动高污染、高耗能企业提高绿色技术研发投入比例,在相关企业实现生产低碳化的同时,区域绿色创新水平得以提升,城市碳排放强度显著下降。综合而言,在城镇化稳步推进的进程中,我国城市经济集聚程度仍存在一定的提升空间,因此,现阶段经济集聚水平的提高主要带来碳排放强度的下降[22]。
而新型城镇化进程伴随着资源要素空间集聚,带来显著的经济集聚[23],进而减少工业能源消耗以及加快绿色创新活动,从而在实现生产低碳化的过程中降低城市碳排放强度。具体而言,在“优化布局,集约高效”基本原则的指引下,为实现“产业集约化发展”的政策目标,各试点城市以主体功能区规划为基础,统筹各类空间性规划,优化开发区内产业布局,引导同类企业毗邻建设,推动产业链上下游空间集聚与生产协同,提高项目容积率与工业用地投资强度,发展节约资源、集约高效的生产方式。此外,伴随着新型城镇化,人口和产业自发向城市聚集形成了“劳动力蓄水池”,人力资本要素的空间集聚也有利于发挥经济集聚的知识溢出效应[24]。据此,本文提出假说3。
H3:新型城镇化建设通过促进经济集聚抑制试点城市碳排放强度。
环境规制是解决环境外部性问题的有效政策手段,环境规制增强意味着能源消耗的减少和碳排放强度的降低。而新型城镇化建设能够强化环境规制[4],进而对城市碳排放强度产生影响。一方面,在“生态文明,绿色低碳”基本原则的指引下,各试点城市围绕生态文明建设目标展开了政策试点,明确提出了“绿色城市”“低碳城市”的建设目标,相关地区势必强化对辖区内高污染、高耗能企业排污行为的管制,通过增加环境巡查频次、加大环境处罚力度、提供环保投资奖励等手段,引导相关企业开展绿色技术创新活动,逐步降低生产流程中的碳排放以及单位产值能源消耗,直接降低城市碳排放强度。另一方面,遵循生态现代化理论,随着城镇化进程的推进,社会层面逐渐增加对环境可持续性的关注,主动寻求以知识和服务为基础的产业结构转变,缓解生态环境问题[25]。新型城镇化正是强调以人为核心的建设理念,突出了生产生活低碳化的建设思路,各试点城市势必加强对新增投资项目的环保评估与审查,严禁高污染、高耗能企业落户,同时采取资金扶持、税收减免、简政放权等措施优化辖区营商环境,吸引低耗能产业投资落户,以低碳产业化发展减缓碳排放强度。据此,本文提出假说4。
H4:新型城镇化建设通过加强环境规制降低试点城市碳排放强度。
本文以2020年《中国城市统计年鉴》提供的地级及以上城市为样本。考虑到研究数据的连续性与完整性,对中卫、陇南、毕节等研究期内新设立城市,以及拉萨、日喀则、昌都等数据缺失较为严重城市进行删减。考虑到研究样本的口径一致性,对仅有县(区)、乡镇新型城镇化综合试点区域的地级及以上城市进行删减,最终,本文的实证分析涉及全国2007—2019年206个城市数据,共计2 678个观测值。对于数据来源,本文变量测算中涉及的灯光数据均为Chen et al.[26]测算并公开的统一化灯光数据①,碳排放数据来源于橡树岭CO2信息分析中心(Carbon Dioxide Information Analysis Centre,CDIAC)数据档案库②以及CEADs数据库③,城市蔓延测算数据来源于LandScan全球人口流动数据集④,其余变量数据如无特别说明均源于历年《中国城市统计年鉴》全市口径数据,部分控制变量结合省市统计年鉴、地级市统计年鉴对缺失值进行补充,其余个别缺失值以年均增速予以补齐。为消除价格因素干扰,所有涉及价格的指数均以样本前一期(2006年)为基期。
1.被解释变量
碳排放强度(Lngdpc)是本文的被解释变量。通常而言,碳排放强度是指碳排放总量与地区生产总值的比值,即获取每单位地区生产总值中产生的碳排放量。本文沿用这一思路,同时为了排除价格因素干扰,以样本前一期(2006年)为基准对地区生产总值进行价格平减处理。实际上,碳排放强度数值越低,城市经济发展、城镇化建设与碳排放的脱钩程度越高。因此,碳排放强度也可以反映城市低碳治理水平。此外,缺乏时效性强、科学权威的城市级碳排放数据是亟待解决的现实问题,而学者们主要采取以下两类替代方法。一是“自下而上”式的核算法。即基于城市层面直接、间接能源消耗数据乘以特定的排放系数进行碳排放数据核算。二是“自上而下”式的估算法。即借助国家级或省级碳排放数据与灯光数据的关联方程反演推算城市级碳排放总量。第一类方法的优势是计算相对简便,但统计口径的变化(市辖区到全市)造成能源数据缺乏时间维度的可比性⑤。而第二类方法虽测算繁琐,但所估算的数据在时间维度上可比。兼顾科学性与时效性,本文最终基于橡树岭CO2信息分析中心数据档案库提供的碳排放栅格数据,采用ArcGis10.3软件统计得到2007—2019年全国地级及以上城市碳排放数据集。需要说明的是,上述碳排放数据基于IPCC能源消费清单反演推算得出,可以较好反映地区能源消费与水泥生产等两方面碳排放总体情况。最后,本文还在稳健性检验部分采用来源于CEADs数据库的碳排放数据进行对比验证。
2.解释变量
新型城镇化建设(Ntu)是本文的解释变量。如果城市i在t年获批成为国家新型城镇化综合试点地区,那么设定该城市在t年及以后Ntu取值为1,否则为0。需要说明的是,国家发改委分别于2015年2月、2015年11月以及2016年12月设立了三批次246个国家新型城镇化综合改革试点,涵盖市、区、县、镇等四类试点区域。考虑到区域划分的一致性,本文将仅有县(区)、乡镇试点地区的地级及以上城市予以删减,最终筛选获得78个试点城市和128个非试点城市⑥。同时,由于第二批次和第三批次的政策时点接近年底,考虑到政策执行的滞后性,因此最终第一批试点城市的政策实施时间仍设定为2015年,第二、三批则设定为2016年、2017年。
3.中介变量
(1)城市蔓延(Sprawl)。本文沿用范建双等[27]的做法,结合LandScan全球人口流动数据集,构建了能够反映城市内部人口密度高低区域相对占比的城市蔓延指数来测度⑦。
(2)经济集聚(EA)。夜间灯光亮度的变化能够较好地反映经济活动的空间集聚与演变趋势,因此,本文参考Chen et al.[26]和周建军等[28]的做法,基于公开的统一化夜间灯光数据,采用平均夜间灯光密度度量经济集聚。
(3)环境规制(ER)。考虑到地方政府工作报告反映了地区经济社会发展的政策导向,借鉴Li &Gao[29]的做法,本文采用206个城市政府工作报告中环境相关词汇占总词数的比重度量环境规制。同时,考虑到新型城镇化试点中“绿色城市”等相关建设目标,选取的词汇包括能耗、PM10、PM2.5、二氧化硫、空气质量、污染、绿地、造林、植树。此外,地方政府工作报告有所缺失,因此相关数据存在少量缺失情况。
4.控制变量
本文控制了如下变量。(1)经济发展(Lnagdp),以实际人均地区生产总值(万亿元)的自然对数来衡量。(2)产业结构(Indus),以第二产业增加值占地区生产总值的比重来衡量。(3)财政分权(Fd),以地区财政收入与地区生产总值的比值来衡量。(4)金属发展(Fin),采用地区金融机构年末存款与地区生产总值的比值来衡量。(5)研发投入(Rd),采用地区科技与研发人员数占地区单位就业人数的比重来衡量。(6)基建水平(Lninf),采用人均道路面积的自然对数来衡量。
相关变量的定义与测算方法如表1所示。
表1 变量定义
变量类型变量名称变量符号变量说明被解释变量碳排放强度Lngdpc碳排放总量与地区生产总值之比的自然对数解释变量新型城镇化建设Ntu虚拟变量,国家新型城镇化综合试点地区取值为1,否则为0城市蔓延Sprawl城市蔓延指数中介变量经济集聚EA平均夜间灯光密度环境规制ER地方政府报告中环境相关词汇占总词数的比重经济发展Lnagdp实际人均地区生产总值的自然对数产业结构Indus第二产业增加值占地区生产总值的比重控制变量财政分权Fd地区财政收入与地区生产总值的比值金融发展Fin地区金融机构年末存款与地区生产总值的比值研发投入Rd科技与研发人员数占地区单位就业人数的比重基建水平Lninf人均道路面积的自然对数
国家发展和改革委员会分批次设立国家新型城镇化综合试点地区,给本文提供了一个良好的“准自然实验”。为系统科学评价新型城镇化建设的碳减排绩效,本文参考吴青山等[24]的做法,构建如下双向固定效应多期双重差分模型。
(1)
式中,i表示城市;t表示年份;Lngdpc表示碳排放强度;Ntu表示新型城镇化建设;X表示一系列的控制变量;μi、λt分别表示城市固定效应和年份固定效应;ε表示随机扰动项。系数β1即为新型城镇化建设的碳减排效应。
此外,根据前文研究假设,新型城镇化建设可能通过影响城市蔓延、经济集聚以及环境规制对城市碳排放强度产生影响。为了检验上述作用机制,本文构建如下中介效应模型。
(2)
μi+λt+εit
(3)
式中,Med表示中介变量,包括城市蔓延(Sprawl)、经济集聚(EA)以及环境规制(ER),其余变量含义与式(1)相同。对于中介变量Med,若其对应的δ1和α2符号方向符合理论预期且变量显著,则表明新型城镇化建设确实可以通过影响该中介变量降低城市碳排放强度。
本文对实证分析涉及的变量进行描述性统计,具体如表2所示,ER的观测值为2 547,其余变量的观测值为2 678。结果显示,中国城市碳排放强度的最大值为3.873 3,最小值为0.090 3⑧,表明不同城市的低碳治理水平存在较大程度的差异,也揭示出以新型城镇化建设推动城市低碳治理的必要性。
表2 变量的描述性统计结果
变量均值标准差最小值最大值Lngdpc-0.62260.6580-2.40491.3541Ntu0.13180.338401Lnagdp1.05630.6462-0.98163.1507Indus0.48020.10580.11700.8508Fd0.07210.02710.01590.2201Fin0.88180.53330.11224.2399Rd0.01540.01170.00030.0975Lninf2.68500.45440.31484.0955Sprawl0.48460.05630.21160.5779EA4.36678.39590.020082.9881ER0.00110.00090.00000.0213
表3报告了式(1)的回归估计结果。其中,列(1)是未加入控制变量的回归结果,列(2)是加入控制变量后的回归结果。如列(1)和列(2)所示,无论是否加入控制变量,Ntu至少在5%的水平下显著且系数为负,估计结果表明,在充分排除其他因素干扰的情况下,新型城镇化建设显著促进了城市低碳治理,国家新型城镇化综合试点政策促使试点地区碳排放强度平均下降了3.02%⑨。上述结果验证了H1,与Xiao et al.[7]的研究结论较为一致,均肯定了新型城镇化建设在推动城市碳减排方面的积极影响。在国家新型城镇化综合试点政策实施过程中,试点政策激励地方政府改变城镇化发展理念,摒弃规模扩张为主的发展模式,更加注重城镇化质量。同时,新型城镇化建设与“双碳”目标的政策体系相辅相成、深度融合,各地借助新型城镇化建设能够实现城镇化发展与城市低碳治理的双赢。
表3 新型城镇化建设影响碳排放强度的基准回归结果
(1)(2)Ntu-0.0600∗∗∗-0.0307∗∗(-2.80)(-2.07)Lnagdp-0.5999∗∗∗(-11.20)Indus-0.1435(-1.54)Fd0.5039∗(1.80)Fin0.1001∗∗∗(2.90)Rd0.0489(0.09)Lninf0.0071(0.48)城市和年份固定效应是是常数项-0.3243∗∗∗-0.0741(-33.02)(-0.99)观测值26782678调整后R20.7340.868
注:*** 、**和*分别表示在1%、5%和10%的水平下显著;括号内为T值。
在控制变量方面,Lnagdp显著且系数为负,表明现阶段城市的经济发展有利于抑制碳排放强度,经济增长与生态环境的脱钩态势正逐渐形成;Fd与Fin显著且系数均为正,表明现阶段财政分权以及金融发展加剧了城市碳排放强度;其余控制变量均不显著,意味着这些控制变量对碳排放强度的影响并不明显。实际上,在理论层面,财政分权以及金融发展对城市碳排放强度的影响方向尚不明确。就财政分权而言,一些研究认为,财政分权特别是财政收入分权能够提升地方财力,进而为地区公共物品供给提供充足的资金支持,有助于提升地区环境治理相关公共政策的供给能力[30];财政分权也可能引发地方在低碳治理中的“逐底竞争”,造成碳排放的加剧。而金融发展既促进了技术创新实现碳减排效应,也加快了经济增长进而提升能源消费需求,其对碳排放强度的影响方向取决于两种效应的大小[31]。结合上述实证结果进行分析,当前的财政分权以及国家金融发展水平提升不利于城市低碳治理,体现出借助新型城镇化建设降低碳排放强度的必要性。
前述研究假说部分提出,在国家新型城镇化综合试点政策背景下,新型城镇化建设能够通过抑制城市蔓延、促进经济集聚以及强化环境规制等渠道降低试点城市碳排放强度,即城市蔓延、经济集聚以及环境规制是潜在的机制变量。为了进一步对上述理论机制进行实证检验,根据前文构建的中介效应模型,本文依次以城市蔓延(Sprawl)、经济集聚(EA)以及环境规制(ER)等变量替换式(2)、式(3)中的机制变量Med,采用三步法检验新型城镇化建设降低城市碳排放强度的机制路径,回归结果如表4所示。
表4 作用机制的检验结果
城市蔓延经济集聚环境规制SprawlLngdpcEALngdpcERLngdpc(1)(2)(3)(4)(5)(6)Ntu-0.0063∗∗-0.0276∗1.9001∗∗∗-0.01800.0001∗-0.0328∗∗(-2.60)(-1.89)(3.97)(-1.27)(1.81)(-2.16)Sprawl0.4942∗(1.97)EA-0.0067∗∗∗(-3.56)ER-3.1619∗(-1.82)控制变量是是是是是是城市和年份固定效应是是是是是是常数项0.4515∗∗∗-0.2972∗∗5.5754∗∗∗-0.03680.0005-0.0600(44.23)(-2.33)(4.62)(-0.50)(1.18)(-0.77)观测值267826782678267825472547调整后R20.1350.8690.3420.8720.0170.866
注:*** 、**和*分别表示在1%、5%和10%的水平下显著;括号内为T值。
列(1)、列(2)展示了城市蔓延的机制分析回归结果。从估计结果可以得知,在国家新型城镇化综合试点政策作用下,新型城镇化建设显著抑制了试点城市的城市蔓延,且城市蔓延对城市碳排放强度具有显著的促进作用。最终结果表明,城市蔓延是新型城镇化建设促进城市低碳治理的重要渠道。
列(3)、列(4)展示了经济集聚的机制分析回归结果。不难发现,在国家新型城镇化综合试点城市中,“优化布局,集约高效”的建设理念得到落实,新型城镇化建设显著提升了城市经济集聚水平。研究结论与任晓松等[22]的实证结果一致,经济集聚对城市碳排放强度的正向影响小于负向影响,即现阶段城市经济集聚水平提升能够显著降低城市碳排放强度。最终结果表明,新型城镇化建设能够通过提升城市经济集聚水平降低城市碳排放强度。
列(5)、列(6)展示了环境规制的机制分析回归结果。可以发现,国家新型城镇化综合试点政策中,诸多城市所提出的“绿色城市”“低碳城市”等建设目标得到落实,新型城镇化建设显著提升了试点城市的环境规制水平。与此同时,环境规制强度的提高也进一步降低了城市碳排放强度。最终结果表明,新型城镇化建设能够通过强化城市环境规制降低城市碳排放强度。
基准回归采取的双向固定效应多期双重差分模型已经在较大程度上缓解了内生性干扰,但仍存在一些客观的干扰因素。因此,本文从平行趋势检验、排除选择偏误、排除变量测度偏误、排除遗漏变量偏误、排除“负权重”偏误等角度进行一系列的稳健性检验以增强因果识别的准确性。
1.平行趋势检验
双重差分的使用前提是满足平行趋势假定,即国家新型城镇化综合试点政策施行之前实验组与对照组间的碳排放强度应当不存在显著差异的变化趋势。为此,本文构建如下模型进行检验。
λi+μt+εit
(4)
其中,κ为常数项;M、N分别表示国家新型城镇化综合试点政策实施前以及实施后的期数,且以政策实施前一期为基期,即k不等于-1;此外,对于试点城市i,在其未实施试点政策的情况下,若在第t年所对应的政策时期数大于M,则设置为1,反之为0;在其已实施试点政策的情况下,若在第t年所对应的政策时期数大于N,则
设置为1,反之为0;若处于政策实施前M期或政策实施后N期以内,则对应的
设置为1,反之为0。如果政策实施前Ntu均不显著异于0,则表明实验组与对照组的碳排放强度并不存在显著的事前趋势差异,平行趋势假设就相应成立。具体估计结果如图2所示,可以发现,实验组与对照组在政策实施之前具有相同趋势,因此,本文双重差分估计结果是稳健的。同时,政策实施之后,Ntu至少在5%的水平下显著且系数为负,同时随着政策实施时间的推移,系数绝对值呈现增加趋势,结果表明,实验组与对照组的碳排放强度在政策实施之后存在显著差异,且实验组碳排放强度显著低于对照组,新型城镇化建设碳减排绩效逐渐显现,效果也随着政策的推进逐渐增强。
图2 平行趋势检验结果
2.安慰剂检验
为了排除不可观测因素干扰,本文采取随机抽取政策时点的方式进行多期DID安慰剂检验。具体而言,首先,随机抽取206个时间依次作为全国206个城市的政策时点,生成模拟的国家新型城镇化综合试点政策虚拟变量Ntu*。其次,对Ntu进行基准回归,提取Ntu*的系数,重复上述操作500次,图3报告了500次随机分配后回归估计的结果。如图3(a)所示,Ntu*的估计系数集中分布在0附近且近似服从正态分布。如图3(b)所示,Ntu*的p值大多数高于0.1,且本文的真实估计(-0.030 7)在安慰剂检验中是明显的异常值。结果表明,基准回归估计结果不太可能是由不可观测因素扰动造成的。因此,原估计结果是稳健的。
图3 安慰剂检验结果
3.多期DID估计偏误检验
在双向固定效应情形下,如果处理效应存在组别以及时间的异质性,那么多期DID估计量就受到“负权重”的干扰[32],会对新型城镇化建设碳减排效应估计结果产生干扰,因此本文主要采取以下方法降低此类担忧。
第一,Bacon分解。由于多期DID估计量是多个双时段双组别传统DID估计量的加权平均效应,而“晚对照组VS早对照组”DID估计量与真实的平均处理效应方向可能相反,是“负权重”偏误的主要成因,该类型子样本的DID估计量所占权重大小关系到DID估计结果的可信度。因此,本文运用Bacon分解考察双向固定效应处理下多期双重差分估计的偏误程度。根据估计结果⑩,“晚实验组VS早实验组”DID估计量的权重仅为1.67%,而“实验组VS对照组”以及“早实验组VS晚实验组”DID估计量的权重分别为93.93%以及4.41%,且方向与基准回归保持一致,表明“负权重”问题并不严重,基准回归估计结果真实可信。
第二,两阶段DID估计。为进一步排除组别和时间异质性情形下“负权重”问题对双向固定效应DID估计量的潜在影响,本文采用两阶段DID模型进行系数估计。需要说明的是,该方法建立在两阶段GMM框架之下,第一阶段识别组别效应和时期效应,然后在第二阶段将其剔除,再对处理变量进行回归,最终可以获得异质性稳健DID估计量。根据估计结果,在纳入控制变量的情况下,Ntu至少在5%的水平下显著且系数为-0.035 1,进一步验证了基准回归估计结果的稳健性。
4.其他稳健性检验
第一,更换PSM-DID估计。为了排除自选择偏误的潜在干扰,本文首先按照控制变量特征进行近邻1∶1卡尺匹配,使用Logit来估计倾向得分,匹配后实验组与对照组的核密度函数曲线如图4所示,可以发现两组曲线趋于一致,表明匹配后实验组与对照组各方面特征非常接近,匹配效果较好。本文再基于匹配后样本数据进行DID回归,得到PSM-DID估计结果,具体如表5列(1)所示。结果发现,Ntu显著且系数为负,再次证明新型城镇化建设显著促进了碳排放强度的下降。
表5 其他稳健性检验结果
PSM-DID更换数据来源排除异常值排除特殊样本排除同期政策干扰(1)(2)(3)(4)(5)Ntu-0.0344∗∗-0.0532∗∗∗-0.0245∗-0.0303∗-0.0309∗∗(-2.30)(-3.47)(-1.72)(-1.92)(-2.10)同期政策否否否否是控制变量是是是是是城市和年份固定效应是是是是是常数项-0.10281.0936∗∗∗-0.0724-0.1167-0.0752(-1.34)(12.74)(-0.97)(-1.65)(-1.03)观测值25202266267824182678调整后R20.8660.8470.8660.8690.871
注:*** 、**和*分别表示在1%、5%和10%的水平下显著;括号内为T值。
图4 匹配后实验组和对照组倾向得分值的核密度分布
第二,排除变量测量误差。考虑到潜在的变量测量偏误也会对基准回归估计结果造成干扰,故采取如下方法缓解此类担忧。一是变更碳排放的数据来源。本文借鉴张玥等[5]的常见做法,将CEADs数据库中的全国县域长时序碳排放数据进行合并,得到2007—2017年市级碳排放数据,计算相应的碳排放强度并取自然对数后作为被解释变量,重新进行回归。二是排除数据异常值。本文对碳排放数据进行了1%和99%分位点的缩尾处理,重新进行回归。三是排除特殊样本。本文对省会城市、直辖市样本进行删减,重新进行回归。上述回归结果依次见表5列(2)~列(4)。可以发现,三个回归估计中,Ntu均显著且系数为负,进一步增强了基准回归估计结果的稳健性。
第三,排除同期政策干扰。在研究期内,一些节能降碳政策的实施也会抑制碳排放强度,降低基准回归系数的精准性。因此,本文在列(1)基础上添加其他政策虚拟变量作为解释变量,排除外生政策对模型估计的干扰。结合现有文献,本文选取的政策是低碳城市试点政策、节能减排财政试点政策、碳排放权交易政策,相关政策虚拟变量的设定方法与国家新型城镇化综合试点政策保持一致,估计结果如表5列(5)所示。结果显示,添加同期政策虚拟变量后,Ntu的显著性以及系数方向均没有发生明显改变,进一步验证了基准回归结果的稳健性。
前文已经探讨了新型城镇化建设对试点城市碳排放强度的平均处理效应,而新型城镇化建设碳减排绩效在地域、城市规模方面是否存在异质性效果?为了进一步分析政策效果的组别异质性,增强不同组别系数可比性,本文对206个城市范围内78个被选为试点城市的实验组按以下规则进行了划分。(1)区域异质性。将实验组城市划分为东部地区、中部地区、西部地区。(2)城市规模异质性。将实验组城市划分为大城市(不低于100万人)、中小城市(低于100万人)。表6报告了异质性检验结果。结果显示,在区域异质性方面,新型城镇化建设显著降低了东部和中部地区试点城市的碳排放强度,在西部地区政策效果不明显。可能的原因是,西部地区经济发展与城镇化水平相对滞后。一方面,城镇公共基础设施供给相对不足,城镇化建设仍在以较快速度推进;另一方面,相对薄弱的财政收支能力也加剧了对土地扩张的路径依赖,由此新型城镇化建设背景下,地方政府主动调整城镇化推进策略意愿不强,经济增长仍较大程度依赖于基础设施建设与住房建设,最终新型城镇化建设的减碳效果不佳。在城市规模异质性方面,新型城镇化建设显著降低了大城市的碳排放强度,但并未显著降低中小城市的碳排放强度。可能的原因是,中小城市在生产要素丰裕度以及公共设施供给等方面存在相对劣势,因而在新型城镇化建设过程中,这些城市对低碳产业以及劳动力的吸引力不足,经济集聚的碳减排效应难以充分发挥。
表6 异质性分析回归结果
区域城市规模东部地区中部地区西部地区大城市中小城市(1)(2)(3)(4)(5)Ntu-0.0398∗∗-0.0593∗∗0.0305-0.0564∗∗∗-0.0098(-2.55)(-2.17)(1.24)(-3.13)(-0.45)控制变量是是是是是城市和年份固定效应是是是是是常数项0.0504-0.1520∗0.05410.0468-0.0905(0.57)(-1.85)(0.68)(0.54)(-1.19)观测值20932028188521322210调整后R20.8760.8680.8690.8730.866
注:*** 、**和*分别表示在1%、5%和10%的水平下显著;括号内为T值。
推动新型城镇化建设能够消除快速城镇化弊端,对协调城镇化发展与低碳治理具有重要的现实意义。为此,本文以国家新型城镇化综合试点政策的实施作为新型城镇化建设的事件冲击,利用2007—2019年全国206个城市面板数据,采用多期双重差分方法实证检验了新型城镇化建设对碳排放强度的影响及其作用机制。本文的主要结论如下。第一,就全国城市层面而言,在国家新型城镇化综合试点政策背景下,新型城镇化建设显著降低了城市碳排放强度,促使试点城市的碳排放强度平均下降了3.02%,同时随着政策的推进,其降低碳排放强度的效果逐渐增强。第二,新型城镇化建设通过抑制城市蔓延、促进经济集聚、强化环境规制降低试点城市碳排放强度,即城市蔓延、经济集聚、环境规制是关键的作用机制。第三,新型城镇化建设显著降低了东部地区、中部地区以及大城市的碳排放强度,并未显著降低西部地区城市以及中小城市的碳排放强度。
基于上述研究结论,本文提出如下政策建议。
(1)重塑发展理念、推进考核转向是协同推进城镇化与低碳治理的先决条件。传统城镇化模式以土地为核心,通过大规模的城市建设以及快速的城市扩张实现城镇人口规模的扩张,这是城镇化早中期的必然趋势。然而,当前中国的城镇化已经上升到一个较高的水平,注重城镇化发展质量、推进以人为本的新型城镇化建设成为深入推进城镇化建设的必然举措。因此,在当前推动以县域为重要载体的城镇化建设政策指引下,各地需要把握以人为本的本质特性,在推进城镇化的过程中更加关注发展质量,破除以城镇化建设推进市民化的思维桎梏,着力避免“房地产化”倾向。与此同时,上级政府需要积极推广新型城镇化发展评价体系,构建涵盖低碳治理、土地集约等方面的多维度政绩考核体系,引导地方政府关注人居环境现实需求,而非简单的城镇化指标。
(2)抑制偏离人口需求的城市扩张、加强土地资源的整合利用以及强化生态环境的监督管理是提升新型城镇化建设低碳治理水平的实践路径。实际上,新型城镇化概念提出之初,便以“优化布局,集约高效”“生态文明,绿色低碳”的基本原则明确了新时代城镇化建设的主要方向。因此,各地若要在推进城镇化建设的同时协同实现低碳治理,其关键在于明确多源协同治理的基本路径。其一,合理规划优化城市空间结构,借助智慧城市技术明确城区人口流向,借助新一轮的城市更新减少“职住分离”“建筑空置”以控制交通、建筑领域能源过度消耗,推进城市生活低碳化转型。其二,加强土地资源整合利用,引导辖区企业向产业园区迁移集聚,提高单位土地产值强度和利用效率,并在共享基础设施、要素技术流动中实现产业低碳化发展。其三,积极开展生态环境监督执法活动,引导辖区企业自发进行绿色生产转型与绿色技术创新,激发区域绿色发展的内生动力。
(3)区域分类施策、政策科学推广是确保新型城镇化建设低碳治理稳妥推进的重要措施。各地在地理特性、资源贮藏、产业结构、经济发展等方面存在不同程度的差异,难以采取统一措施实现各区域城镇化与低碳治理的协同推进。因此,上级政府需要根据各地现实情况实施差异化的考核目标,特别是对于西部后发展地区,允许其分阶段实现新型城镇化建设目标,并积极引导其根据本地区的比较优势与要素禀赋,因地制宜地开展低碳绿色生活抑或创新智慧生产为主旨的新型城镇化建设。同时,对于先行试点城市形成的成功经验,需要在合理论证政策效果的基础上积极推广,以期实现“先行先试,以点带面”的政策效果。
注 释:
①灯光数据来源:https://dataverse.harvard.edu/dataset.xhtml?persistentId=doi:10.7910/DVN/YGIVCD。
②CDIAC碳排放数据来源:https://db.cger.nies.go.jp/dataset/CDIAC。
③CEADs碳排放数据来源:https://www.ceads.net.cn/data/county。
④LandScan全球人口流动数据来源:https://landscan.ornl.gov/landscan-datasets。
⑤目前,城市级用电量数据主要来源于《中国城市统计年鉴》。在2017年前后,《中国城市统计年鉴》中用电量数据从市辖区口径变为全市口径,易于造成系统性偏误,而通过其他途径获取城市级用电量数据较为困难。
⑥试点城市名单按照《国家新型城镇化综合试点总体实施方案》《关于公布第二批国家新型城镇化综合试点地区名单的通知》《关于开展第三批国家新型城镇化综合试点工作的通知》等文件自主整理。
⑦因为篇幅限制,城市蔓延的计算过程、双重差分的部分稳健性检验结果等未展示,留存备索。作者邮箱:tang1836econ@126.com。
⑧碳排放强度的最大值与最小值已经过指数运算予以还原。
⑨由于解释变量为双重差分变量,故从系数-0.030 7=ln(y1/y0)可得出试点城市政策实施时点后碳排放强度为e-0.030 7=0.969 8,即新型城镇化试点政策的实施使得试点城市的碳排放强度平均下降了3.02%。
[1]PHETKEO P, KANEKO S. Does urbanization lead to less energy use and lower CO2 emissions? A cross-country analysis[J]. Ecological Economics, 2010, 70(2): 434-444.
[2]CHEN M, LIU W, LU D. Challenges and the way forward in China’s new-type urbanization[J]. Land Use Policy, 2016, 55(7): 334-339.
[3]杨晓军, 陈浩. 中国城镇化对二氧化碳排放的影响效应:基于省级面板数据的经验分析[J]. 中国地质大学学报(社会科学版), 2013(1): 32-37.
[4]陈海波, 姜娜娜, 刘洁. 新型城镇化试点政策对区域生态环境的影响——基于PSM-DID的实证检验[J]. 城市问题, 2020(8): 33-41.
[5]张玥, 代亚强, 柯新利. 中国新型城镇化空间关联网络及其对土地利用生态效率的影响——基于网络节点中心度视角[J]. 中国土地科学, 2023(9): 117-129.
[6]蒋长流, 江成涛. 新型城镇化对城镇居民低碳行为的驱动效应——基于2682份实地调查问卷数据的实证研究[J]. 广西社会科学, 2020(9): 45-54.
[7]XIAO Y, HUANG H, QIAN X, et al. Can new-type urbanization reduce urban building carbon emissions? New evidence from China[J]. Sustainable Cities and Society, 2023, 90(1): 1-15.
[8]封亦代, 袁华锡, 刘耀彬. 新型城镇化建设提高城市能源利用效率的机制[J]. 中国人口·资源与环境, 2023(5): 138-148.
[9]FENG R, SHEN C, HUANG L, et al. Does trade in services improve carbon efficiency?—Analysis based on international panel data[J]. Technological Forecasting and Social Change, 2022, 174 (1):1-12.
[10]王家庭, 赵丽, 冯树, 等. 城市蔓延的表现及其对生态环境的影响[J]. 城市问题, 2014(5): 22-27.
[11]CHEN W, WANG G, XU N, et al. Promoting or inhibiting? New-type urbanization and urban carbon emissions efficiency in China[J]. Cities,2023, 140(9): 1-15.
[12]LIN B, ZHU J. Impact of China’s new-type urbanization on energy intensity: a city-level analysis[J]. Energy Economics, 2021, 99(7): 1-11.
[13]GROSSMAN G M, KRUEGER A B. Economic growth and the environment[J]. Quarterly Journal of Economics, 1995, 110(2): 353-377.
[14]李强, 高楠. 城市蔓延的生态环境效应研究——基于34个大中城市面板数据的分析[J]. 中国人口科学, 2016(6): 58-67.
[15]郑思齐, 霍燚. 低碳城市空间结构: 从私家车出行角度的研究[J]. 世界经济文汇, 2010(6): 50-65.
[16]刘希雅, 王宇飞, 宋祺佼, 等. 城镇化过程中的碳排放来源[J]. 中国人口·资源与环境, 2015(1): 61-66.
[17]CHEN W, CHESHMEHZANGI A, MANGI E, et al. Implementations of China’s new-type urbanisation: a comparative analysis between targets and practices of key elements’ policies[J]. Sustainability, 2022, 14(10): 1-15.
[18]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(3): 89-95.
[19]李勇刚, 张鹏. 产业集聚加剧了中国的环境污染吗——来自中国省级层面的经验证据[J]. 华中科技大学学报(社会科学版), 2013(5): 97-106.
[20]师博, 沈坤荣. 政府干预、经济集聚与能源效率[J]. 管理世界, 2013(10): 6-18.
[21]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(1): 36-60.
[22]任晓松, 刘宇佳, 赵国浩. 经济集聚对碳排放强度的影响及传导机制[J]. 中国人口·资源与环境, 2020(4): 95-106.
[23]CHEN M, LIU W, LU D, et al. Progress of China’s new-type urbanization construction since 2014: a preliminary assessment[J]. Cities, 2018, 78(8): 180-193.
[24]吴青山, 吴玉鸣, 郭琳. 新型城镇化对劳动力错配的影响: 理论分析与经验辨识[J]. 经济评论, 2022(5): 67-82.
[25]GOULDSON A P, MURPHY J. Ecological modernization: economic restructuring and the environment[J]. Political Quarterly, 1997, 68(5): 74-86.
[26]CHEN Z, YU B, YANG C, et al. An extended time series (2000—2018) of global NPP-VIIRS-like nighttime light data from a cross-sensor calibration[J]. Earth System Science Data, 2021, 13(3): 889-906.
[27]范建双, 周琳, 虞晓芬. 高速铁路和城市蔓延对雾霾污染的异质性影响[J]. 地理研究, 2021(4): 1146-1164.
[28]周建军, 孙倩倩, 鞠方. 产业结构变迁、房价波动及其经济增长效应[J]. 中国软科学, 2020(7): 157-168.
[29]LI Y, GAO K. The impact of green urbanization on carbon emissions: the case of new urbanization in China[J]. Frontiers in Environmental Science, 2022, 10(1): 1-13.
[30]WANG F, HE J, NIU Y. Role of foreign direct investment and fiscal decentralization on urban haze pollution in China[J]. Journal of Environmental Management, 2022, 305(5): 1-9.
[31]严成樑, 李涛, 兰伟. 金融发展、创新与二氧化碳排放[J]. 金融研究, 2016(1): 14-30.
[32]CHAISEMARTIN C D, D’HAULTFOEUILLE X. Two-way fixed effects estimators with heterogeneous treatment effects[J]. American Economic Review, 2020, 110(9): 2964-2996.