EN中文

Resources Science >

2024 , Vol. 46 >Issue 7: 1284 - 1298

DOI: https://doi.org/10.18402/resci.2024.07.04

The impact and mechanism of polycentric structure within Chinese cities on carbon emission intensity

  • ZOU Xuan , 1 ,
  • YANG Xu , 1 ,
  • LIU Chen 2
Expand
  • 1. School of Economics and Trade, Hunan University, Changsha 410079, China
  • 2. School of Business Administration, Zhongnan University of Economics and Law, Wuhan 430073, China

Received date: 2023-10-28

  Revised date: 2024-01-16

  Online published: 2024-08-29

Fold

Abstract

[Objective] As China transitions from mid-stage to late-stage urbanization, the polycentric structure of cities is accelerating. This study explored its impact on carbon emission intensity and the underlying mechanisms. From a spatial planning perspective, it aimed to provide new insights for low-carbon city construction. [Methods] The study examined 279 prefecture-level and above cities in China from 2006 to 2020. Using a two-way fixed effects model, instrumental variables, and propensity score matching, it empirically tested the carbon emission reduction effects of the urban polycentric structure and its underlying mechanisms. [Results] (1) From 2006 to 2020, urban carbon emission intensity showed a declining trend. Spatially, it exhibited a core-periphery structure and provincial boundary phenomena, with minor changes in the east-west gap and an increase in the north-south gap. The urban polycentric structure showed an upward trend with stable geographic clustering characteristics. (2) The polycentric structure significantly reduced carbon emission intensity, but there is regional heterogeneity. It was higher in eastern and western cities compared to central cities and higher in southern cities compared to northern cities. Additionally, it was only present in economically advanced cities and cities with a large population. (3) The mechanism analyses indicated that the urban polycentric structure reduced carbon emission intensity through three pathways: promoting faster development of the service industry, optimizing land use structure, and attracting high-productivity enterprises. However, whether enterprise location choices result in sectoral-specific or mixed clustering varied between cities. [Conclusion] In the new stage of urbanization, supporting the development of polycentric cities is necessary. However, it is crucial to understand the preconditions for the effective carbon emission reduction effects of the urban polycentric structure and to create smooth transmission channels.

Key words： dual carbon goals; inner cities; polycentric structure; carbon intensity; agglomeration economy; China

Cite this article

ZOU Xuan , YANG Xu , LIU Chen . The impact and mechanism of polycentric structure within Chinese cities on carbon emission intensity[J]. Resources Science, 2024 , 46(7) : 1284 -1298 . DOI: 10.18402/resci.2024.07.04

1 引言

城市不仅是经济增长的引擎，也是碳排放的重要承载空间，“双碳”目标下以降低城市碳排放强度作为突破口，对于经济平稳运行前提下减排目标的有效落实至关重要[1]。现有文献已从多个维度为城市碳减排寻求出路，却相对忽视了城市化发展阶段带来的新机遇[2]。2023年末，中国常住人口城镇化率为66.16%，开始由城市化中期向后期过渡，国际发展经验表明，该阶段城市内部多中心结构正在加速演化。这一规律已在中国有所体现，北京、上海、广州、深圳等超大特大城市已形成多中心结构，成都、西安、郑州等省会城市已明确多中心发展路径，其他城市也在不断推进新城新区建设[3]。在当前中国城市规模持续扩张和内部空间结构加速演化的背景下，探索多中心结构对碳排放强度的影响及其内在机制，对于合理优化城市空间结构，积极稳妥推进碳达峰碳中和都具有重要的理论和现实意义。
现有关于碳减排影响因素的文献可以归为3类视角：①着眼于提升效率。已有学者证明了技术进步[4]、能源效率提升[5]以及产业结构调整[6]是影响碳减排的重要因素；②注重优化制度。低碳城市试点[7]和碳交易制度[8]等也被视为促进碳减排的有效举措。③良好的城市空间发展规划已被视为一条新的碳减排途径[9]。例如，较多文献通过人口或经济密度等视角考察了其对碳排放强度的影响，但结论尚不一致[10,11]。究其原因，相关指标仅是城市空间结构的一种粗略反映，即使拥有相同人口或经济密度的城市，现实中因空间发展模式的差异，内部空间结构也可能完全不同[12]。在中国城市化进入新阶段背景下，对城市内部微观空间结构优化提出了更高要求，充分发挥城市空间结构的作用，可能为落实“双碳”目标寻找出一条新途径。
城市空间结构是城市组成部分的布局，影响人类从事社会经济活动的效率[13]。城市中心是城市的关键要素，多中心结构是衡量城市内部空间结构的重要视角之一[14]，其包含功能多中心和形态多中心。功能多中心侧重于主中心与周围中心的联系，现有文献一般采用企业关联[15]、手机信令或E-mail等的交流程度[16]对其进行刻画。形态多中心主要讨论城市中心的规模分布状态，现有研究分为两类：①基于人口普查或年鉴数据，采用帕累托指数等进行刻画[17]；②基于LandScan人口分布数据或夜间灯光数据等[18]，采用比值法[19]、均衡度指数[20]或中心数量[3]等进行测度。形态多中心是中国城市化中后期阶段的客观产物，学者们对此保持了高度关注，而功能多中心的理论探索较为滞后；而且能源、交通、建筑及土地利用等碳源主要与人类活动及其空间形态密切相关。因此相比于功能多中心，形态多中心更加契合本文的研究主题。
然而，多中心结构对碳排放的实际效果仍有争议。①支持观点。Li等[21]基于中国2017年98座城市，发现多中心结构可以缓解交通拥堵；Sha等[22]基于中国2000—2010年232座城市，认为多中心发展可以提高碳排放效率。②反对观点。Zhao等[23]基于中国2014年51座城市，认为多中心结构下个人交通能耗更高；王峤等[19]和Li等[24]认为多中心结构会降低创新绩效或加剧环境污染。可以看出，碍于数据获取难度，不少文献的数据较为滞后或使用截面数据，可能会产生遗漏变量等问题，从而导致研究结论尚不一致。此外，充分认识多中心结构影响碳排放强度的内在规律，才能顺应发展趋势发挥其正面效应，目前仅有少数文献挖掘了多中心结构影响碳排放的影响机制。例如，Sun等[25]认为多中心结构对碳排放的影响具有不确定性，取决于通勤、工业转移及家庭能耗的平衡；韩帅帅等[26]从通勤和汽车数量方面探究了多中心结构降低碳排放的机制；雷雨桃等[27]发现多中心结构通过创新降低碳排放量或强度。
本文可能的边际贡献在于：①选取2006—2020年279个城市的市辖区为研究对象，通过处理LandScan人口分布、EDGAR碳排放等空间大数据，为客观评估多中心结构的碳减排潜力提供了更细致的经验证据。②从产业、土地和企业3个维度，深入挖掘了多中心结构影响碳排放强度的内在机制，拓展了现有的研究边界。③从区域、经济和人口等多种视角，探究了多中心结构碳减排的异质性，有助于拓宽落实“双碳”目标的途径。

2 理论分析

本文尝试挖掘城市内部多中心结构对碳排放强度的影响机制，逻辑框架如图1所示。
图1 多中心结构对碳排放强度影响的逻辑框架

Figure 1 Analytical framework of the influence of urban polycentric structure on carbon emission intensity

（1）服务业发展效应。与农业和工业产品的生产和消费可以分离不同，大多数服务业产品高度依赖企业与消费者之间的近距离互动[28]。基于此，多中心结构对服务业发展具有两种可能：①促进服务业更快发展。在主中心集聚程度较高情形下，人口向主中心的集中会围绕某个中心点向外呈现人口密度梯度。当集聚成本高于集聚收益时，主中心难以再提升原有地理边界范围内的人口密度[3]。而次中心能够发挥对主中心地理边界以外人口“再集聚”的作用，有助于提高城市人口集聚水平[29]。此时多中心结构可能会提升服务业的本地市场规模从而促进其更快发展，有利于降低碳排放强度。②抑制服务业增长潜力。在主中心集聚程度较弱情形下，人口在主中心的集聚程度不足，而多中心发展又会催生部分潜在次中心。特别是一些地方政府存在过分强调多中心倾向，盲目建设次中心导致城市过早地步入多中心化趋势，这不仅会稀释城市主中心人口，而且自身又难以形成较强的辐射力，造成城市人口集聚水平下降[19]。此时多中心结构可能会制约服务业发展，不利于降低碳排放强度。
（2）土地利用结构效应。土地是实现城市功能的空间载体，多中心发展对土地利用结构具有两种可能：①优化土地利用结构。紧凑的次中心通过对主中心地理边界以外人口的“再集聚”，有助于遏制建设用地无序蔓延。根据土地报酬回报率，在达到报酬最高点之前，单位面积的建设用地上投入的资本和劳动力越多，建设用地利用率越高，对经济增长贡献也越高。当经济增长快于碳排放增长时，碳排放强度随之下降。同时，建设用地的碳排放系数最高，遏制建设用地蔓延可能减少了对林地、草地、湿地或耕地等的挤占，有助于提高自然生态系统中土壤/植被的固储量[30]。②恶化土地利用结构。粗放发展的次中心可能在主中心之外形成了新的蔓延趋势，这反而会加速建设用地扩张，并以挤出林地、草地和耕地等为代价。例如，部分二、三线城市的开发区或新城区无序扩张、土地闲置、甚至出现“空城”“鬼城”等现象[31]。这种低密度分散化的多中心发展难以形成集约生产优势[1]，既增加了人为碳排放，也降低了植被/土壤固碳量，不利于降低碳排放强度。
（3）企业区位选择效应。企业是次中心发展的重要主体，也是碳排放的主要贡献者，多中心结构的企业区位选择效应取决于高或低生产率企业进入的相对数量：①吸引高生产率企业进入。次中心专业化集聚能够产生中间品共享、劳动力“蓄水池”和技能匹配效应[32]，塑造了城市区位优势有助于吸引企业进入。由于各类企业对次中心的土地租金实行竞标，土地只能被竞标最高者所利用，这意味着通过市场机制提高了进入门槛而抑制低生产率企业进入，从而高生产率企业进入占据主导，有利于降低碳排放强度。②吸引低生产率企业进入。从现实来看，城市次中心是地方政府“城市经营”的重要手段。虽然其在招商引资过程中会尽最大可能以土地保障及金融支持等吸引高生产率企业进入[33]。但基于政绩或税收考量，地方政府也可能以牺牲引资质量为代价换取引资规模[34]（如安置生产率较低的国有企业或高耗能企业等），从而低生产率企业进入占据主导地位，不利于碳排放强度下降。

3 模型设计、变量测度与数据来源

3.1 模型设计

为识别城市多中心结构对碳排放强度的影响，构建如下基准回归模型：
C i i t = C + β l n P o l y i t + ∑ k = 1 n γ k X k i t + μ t + ϑ i + ε i t
式中：Ciit表示i市t期的碳排放强度；lnPolyit表示i市t期的多中心结构水平，考虑到数据分布的平滑性，对Poly进行加1后取自然对数[3]；Xkit表示i市t期的第k个控制变量；C表示常数项；β、γk表示待估参数；μt、ϑi为时间固定效应与城市固定效应；εit表示误差项。

3.2 核心变量测度

市辖区更符合城市的一般性定义，所以本文将中国279个地级及以上城市的市辖区作为研究对象。研究期内部分城市发生了行政区划调整，为使不同年份具有可比性，统一基于2020年行政区划计算相关变量。
（1）碳排放强度（表1）。中国自“十二五”规划以来，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。因此本文使用碳排放强度（Ci）作为被解释变量，即二氧化碳排放量与国内生产总值之比。
表1 主要变量的描述性统计

Table 1 Descriptive statistics of the main variables

变量/单位 符号 样本量 平均值 标准差 最小值 最大值
碳排放强度/(万t/亿元) Ci 4160 2.678 3.011 0.035 32.132
多中心结构 lnPoly 4160 0.205 0.175 0.000 0.683
经济水平/元 lnRgdp 4160 10.726 0.679 8.079 12.695
人口规模/万人 lnPop 4160 4.641 0.785 2.703 7.821
投资强度 Inves 4160 2.573 1.800 0.060 19.150
产业结构 Industry 4160 0.479 0.122 0.095 0.909
外商投资 Fdi 4160 0.018 0.019 0.000 0.205
财政压力 Fiscal 4160 0.168 0.108 0.010 2.702
环境规制 Er 4160 0.067 0.542 0.000 22.034
电耗强度/(kW·h/元) Energy 4160 0.247 0.345 0.011 4.277
（2）城市多中心结构。本文以形态视角刻画“多中心结构”。步骤如下：
第一步是识别城市中心。根据局部Moran I分析结果，在queen邻接标准和95%置信水平下选择高—高集聚区域作为候选中心，进而选择至少包含3个网格（中心面积为3 km2）且总人口在5万人以上的区域确定为城市中心。
第二步是量化多中心结构。现有文献采用了次中心与主中心的比值、中心数量等衡量多中心结构。其一，100万人与10万人的次中心，二者重要性显著不同，而中心数量难以体现这一差异；其二，中心间的地理距离是多中心结构的重要方面，而比值法或中心数量无法囊括进距离信息。有鉴于此，本文选择中心均衡度指数（Poly）衡量多中心结构[20]：
p o l y = 1 - ∑ i = 1 n x i d i - x i d i ¯ 2 n x m a x d m a x 2
式中：Poly表示多中心结构水平，取值范围是[0,1]，数值越大表示多中心水平越高。n表示中心的数量；xi表示各个中心的人口规模；di表示各个中心与主中心的距离； x i d i ¯表示各个中心重要程度的均值；xmax表示主中心的人口规模；dmax表示主中心与最远次中心的距离。

3.3 控制变量选取

本文参考邵帅等[11]、韩先锋等[35]的研究，尽可能控制其他影响碳排放强度的因素：①经济水平（lnRgdp）。选取人均GDP的对数衡量；②人口规模（lnPop）。选取年平均人口的对数衡量；③投资强度（Inves）。选取固定资产投资额占GDP的比重衡量；④产业结构（Industry）。选取第二产业增加值占GDP的比重衡量；⑤外商投资（Fdi）。使用当年平均汇率将美元换算为人民币，进而计算其占GDP的比重衡量；⑥财政压力（Fiscal）。选取预算内财政支出占GDP的比重衡量；⑦环境规制（Er）。参考任晓松等[36]的做法，通过单位产值工业废水排放量、单位产值工业SO2排放量以及单位产值工业烟尘排放量计算环境规制强度指数，该指数越大表示污染排放越多，环境规制强度越弱；⑧电耗强度（Energy）。通过单位GDP的电力消耗量衡量。

3.4 机制变量测度

（1）服务业发展指数。本文选择以工业增加值为参考，得到服务业增加值的相对变动率，计算如下：
S i , t = l n ( s s i ,   t / s s i ,   t - 1 ) - l n ( i s i ,   t / i s i ,   t - 1 )
式中： S i , t表示i市第t年服务业发展指数，其值越大代表发展速度相对越快。 l n ( s s i ,   t / s s i ,   t - 1 )表示服务业增加值（或从业人员）的变动率； l n ( i s i ,   t / i s i ,   t - 1 )表示工业增加值（或从业人员）的变动率。增加值视角的计算结果记为 S _ V A i , t，从业人员视角的计算结果记为 S _ E P i , t。
同时，基于天眼查的高级检索功能，对各城市新注册企业数目进行逐年分行业汇总。借鉴钟粤俊等[28]的划分办法，选取了受人口集聚影响较大的八大服务行业，即住宿和餐饮业（H），信息传输、软件和信息技术服务业（I），租赁和商务服务业（L），科学研究和技术服务业（M），居民服务、修理和其他服务业（O），教育（P），卫生和社会工作（Q），文化、体育和娱乐业（R）。对工业而言，制造业是次中心的重要主体，预期次中心发展会带来制造业企业增加；而且次中心基础设施建设等会拓宽建筑业等的发展空间。本文选取了三大工业行业，即制造业（C），电力、热力、燃气及水生产和供应业（D），建筑业（E）。企业层面的服务业发展指数计算如下：
S _ N E i , t = ∑ ( H ,   I ,   L ,   M ,   O ,   P ,   Q ,   R ) i , t ∑ ( C ,   D ,   E ) i , t
式中： S _ N E i , t表示企业层面的服务业发展指数，其值越大，说明服务业发展速度相对越快，反之越慢； ∑ ( H ,   I ,   L ,   M ,   O ,   P ,   Q ,   R ) i , t表示i城市第t年八大服务行业的新注册企业之和； ∑ ( C ,   D ,   E ) i , t表示i城市第t年三大工业行业的新注册企业之和。
（2）土地利用结构。基于中国年度土地覆盖数据（CLCD)，本文主要探究建设用地（Impervious）及农业用地（Agriculture）占比的变化。农业用地包括耕地（Cropland）及生态用地（Ecology），生态用地是林地、草地、灌木和湿地之和。
（3）新建企业全要素生产率。基于工企数据，本文使用LP法估计新建企业全要素生产率，进而将其加权平均至城市层面（Tfp），该值越高则说明有越多的高生产率企业进入本地。考虑到企业从注册成立到投产需要时间，将新建企业定义为首次出现在数据库中，并且成立时间在两年以内的企业[37]（非国有工业企业的收录标准为年主营业务收入在500万元以上，因此首次出现在数据库不一定是新成立的企业）。

3.5 数据来源

二氧化碳排放量数据来源于荷兰环境评估机构（PBL）的全球大气研究排放数据库（EDGAR）。LandScan数据来源于美国橡树岭国家实验室，空间分辨率为1 km×1 km。电力消耗量来自Chen等[38]提供的1 km×1 km分辨率的用电量栅格数据。其它相关数据主要来源于《中国城市统计年鉴》及EPS数据库。主要变量的描述性统计如表1所示。

4 结果与分析

4.1 碳排放强度和多中心结构的特征事实

4.1.1 碳排放强度的特征事实

图2展示了碳排放强度的特征事实。2006—2020年，碳排放强度具有下降趋势，年均下降率约为6.4%。相比2006年，2020年碳排放强度处于低水平的城市数量增幅为217.86%，而中低、中等、中高和高水平城市数量增幅分别为-25%、-50.91%、-67.27%和-80%①(①以2006年碳排放强度为基准，采用分位数方法划分为5个层次，中断值为1.5614、2.5114、3.7071和6.8254。)。碳排放强度的空间分布呈现三大特征：一是省会城市与其周边城市呈现“核心-边缘”结构。例如，北京、南京、合肥、长沙、沈阳及兰州等城市虽地处不同的经济板块，但其碳排放强度均低于周边城市。二是存在省际边界现象。例如，在山东、河南、安徽、广东、福建、黑龙江、吉林、辽宁等省份，碳排放强度较高的城市主要分布在省际边界地区。三是东西差异较为稳定，而南北差异有所上升。研究期内，东中西部城市碳排放强度的年均下降率分别为6.6%、5.9%、7.0%，而北方和南方年均下降率分别为5.1%、8.1%②(② 东部包括北京、天津、辽宁、河北、山东、江苏、上海、浙江、福建、广东、海南，中部包括山西、河南、湖北、湖南、江西、安徽、黑龙江、吉林，西部包括陕西、甘肃、宁夏、四川、重庆、云南、广西、贵州、青海、新疆、内蒙古。南北方以秦岭—淮河线为界进行划分。)。
图2 碳排放强度的特征事实

注：基于自然资源部地图技术审查中心标准地图审图号GS（2020）4619号绘制，底图无修改。

Figure 2 Spatial characteristics of carbon emission intensity

4.1.2 多中心结构的特征事实

图3展示了城市多中心结构的特征事实③(③ 本文以市辖区为研究对象，为了更加清晰地展示分布特征，制图时以城市整体来呈现。)。2006—2020年，城市多中心水平处于上升趋势，年均增长约0.83%，但地理分布较为稳定。具体而言：东部城市的多中心程度较强，以京津冀、山东半岛、长三角和珠三角城市群为支撑形成了“高-高”集聚区域。“高-低”离群值呈现分散布局特征，这类城市一般为中西部的省会或区域性中心城市，例如郑州、武汉、重庆、成都、包头和昆明等，持续的人口流入以及经济中心地位支撑了它们多中心发展。“低-高”离群值一般环绕在“高-高”区域边缘，这类城市绝大多数位于东部省际边界地区，例如沧州、日照、宣城、宁德、梅州等。“低-低”集聚区域一般为中西部地区的中小城市。
图3 多中心结构的特征事实

注：基于自然资源部地图技术审查中心标准地图审图号GS（2020）4619号绘制，底图无修改。

Figure 3 Spatial characteristics of urban polycentric structure

4.2 基准回归及内生性检验

表2是基准回归结果。列（1）-（4）中lnPoly的系数始终为负，最低通过了10%水平的显著性检验。虽然理论上多中心结构可能对碳排放强度具有正反两方面的影响，但实证结果表明其降低碳排放强度占据主导地位。背后的原因在于，本文对城市中心的选取有严格的标准，剔除了人口规模小或密度低的城市中心，也剔除了仅存在于规划而未真正落地的城市中心。因此，本文测度的多中心结构是若干高质量的城市中心共同组成的城市空间形态，其既可以有效避免城市主中心的集聚不经济，而且能够通过城市次中心在更大范围内发挥集聚经济的正外部性。
表2 基准回归及内生性检验结果

Table 2 Benchmark regression and endogeneity test results

固定效应 工具变量
(1)
Ci		 (2)
Ci		 (3)
Ci		 (4)
Ci		 (5)
Ci		 (6)
Ci		 (7)
Ci		 (8)
Ci
lnPoly -2.129*** -1.204** -0.706* -1.058*** -1.848*** -1.358*** -3.625*** -3.151***
(0.585) (0.470) (0.375) (0.389) (0.488) (0.426) (0.657) (0.652)
lnRgdp -1.358*** -1.121*** -0.918*** -0.892***
(0.220) (0.282) (0.192) (0.196)
lnPop -1.446*** -1.642*** -1.503*** -1.498***
(0.261) (0.305) (0.159) (0.167)
Inves -0.027 0.002 0.014 0.016
(0.036) (0.041) (0.022) (0.023)
Industry -0.176 -0.179 -0.150* -0.156*
(0.185) (0.180) (0.086) (0.088)
Fdi -4.922** -7.363*** -6.873*** -7.261***
(2.127) (2.387) (1.610) (1.677)
Fiscal 0.816 1.246* 1.301** 1.513*
(0.646) (0.717) (0.651) (0.782)
Er 0.236* 0.205* 0.164*** 0.165***
(0.125) (0.106) (0.056) (0.054)
Energy 1.466*** 1.429*** 1.717*** 1.836***
(0.506) (0.511) (0.323) (0.413)
_Cons 3.124*** 4.839*** 24.164*** 23.116***
(0.228) (0.176) (2.426) (3.247)
第一阶段系数 0.033***
(0.002)		 0.033***
(0.003)		 0.022***
(0.000)		 0.023***
(0.000)
Kleibergen-Paap rk LM 194.169*** 193.060*** 156.807*** 154.471***
第一阶段F值 176.717 175.114 154.328 154.017
个体固定 No YES No YES YES YES YES YES
时间固定 No YES No YES YES YES YES YES
N 4160 4160 4160 4160 3887 3887 3887 3887
R2 0.251 0.361 0.421 0.473 0.319 0.450 0.320 0.445

注：括号内是稳健标准误，*、**和***分别表示在10%、5%和1%的水平上显著。下同。

为避免潜在的内生性问题，本文采用工具变量法进行回归。选取如下两个工具变量：①地形平均坡度（Slope）。地形坡度作为地理条件，一般不直接影响碳排放强度，能够较好地满足外生性条件[39]；地形坡度越大则城市空间扩张的成本越高，土地刚性约束下易形成集聚的空间结构，故可能满足相关性条件。②河流密度（River）。河流密度同样作为地理因素，与碳排放强度无直接关联；许多城市都是依水而兴，水资源获取的难易程度或河道分割对人口集聚方式具有重要影响，故可能满足相关性条件。由于上述两个变量不随时间改变，将其分别与全国层面的多中心结构的平均增长率（Rate）相乘。列（5）-（6）、列（7）-（8）分别是以Slope×Rate、River×Rate为工具变量的回归结果。可见，第一阶段的系数均在1%水平下显著为正。Kleibergen-Paap rk LM统计量及第一阶F值均表明不存在“弱工具变量”。列（5）-（8）lnPoly的系数显著为负，说明在控制内生性问题后，核心结论依然成立。

4.3 反事实检验

采取多中心发展的城市一般较为发达，也往往会带来较低的碳排放强度，而背后的影响因素很难完全囊括在控制变量之中。本文采用倾向得分匹配方法（PSM）展开反事实检验。通过构造一个二元虚拟变量Treat={0,1}，把样本分为两组：如果所有次中心人口规模之和小于主中心，表明多中心程度较弱，记为控制组（Treat=0），反之则记为实验组（Treat=1）。使用Logit模型估计预测概率作为倾向性得分，以控制变量和年份变量作为协变量；进而，同时采用了最近邻匹配（k=1；k=3）、卡尺匹配、核匹配等多种匹配方法，结果如表3所示。可以看出，匹配后样本总偏误大大降低，平衡性检验得到通过。5种评估结果具有一致性，ATT最低在5%的显著性水平下通过检验。从均值来看，控制组碳排放强度约为2.464万t/亿元，实验组约为2.153万t/亿元。以上分析说明，在尽可能排除其他混杂因素干扰后，提高多中心程度仍有利于降低碳排放强度。
表3 平衡性检验及反事实检验结果

Table 3 Balance test and counterfactual test results

匹配方法 匹配前后解释变量的平衡性检验结果 反事实效应评估结果
Ps R2 LR值 P值 MeanBias MedBias Treated Controls ATT T值
匹配前 0.029 99.46 0.000 14.4 12.9
最近邻匹配(k=1) 0.005 7.62 0.573 2.2 1.6 2.153 2.440 -0.288*** -4.85
最近邻匹配(k=3) 0.001 1.85 0.991 1.7 1.3 2.153 2.456 -0.303** -2.51
卡尺匹配(k=3, ε=0.01) 0.001 1.85 0.994 1.7 1.3 2.153 2.456 -0.303** -2.51
半径匹配(ε=0.01) 0.000 0.52 0.997 1.1 1.1 2.153 2.447 -0.294*** -2.98
核匹配(最优带宽) 0.002 3.48 0.942 2.1 1.2 2.153 2.523 -0.370*** -3.87

4.4 稳健性检验

4.4.1 核心解释变量的稳健性

为避免核心解释变量测度所带来的估计偏误，本文重新测算了如下4项指标。①采用比值法测度。以所有次中心人口数量与主中心人口数量之比衡量多中心结构（Poly_1）。②采用中心数量衡量多中心结构（lnPoly_2）。③将城市中心识别阀值提高到10万人（lnPoly_3）。④将城市中心识别阀值降低到3万人（lnPoly_4）。从表4列（1）-（4）来看，多中心程度的提高依然有利于降低碳排放强度。
表4 核心变量的稳健性检验结果

Table 4 Robustness test results of core variables

(1) (2) (3) (4) (5) (6) (7)
Ci Ci Ci Ci Ci_CEADs Ci_ODICA Ci_SUM
Poly_1 -0.374**
(0.173)
lnPoly_2 -0.228**
(0.106)
lnPoly_3 -0.194*
(0.099)
lnPoly_4 -0.799***
(0.202)
lnPoly -0.547** -0.542** -0.923***
(0.263) (0.240) (0.313)
_Cons 23.099*** 23.133*** 17.522*** 19.204*** 14.611*** 12.893*** 15.967***
(3.287) (3.262) (0.991) (3.058) (2.553) (1.896) (2.334)
控制变量 YES YES YES YES YES YES YES
个体固定 YES YES YES YES YES YES YES
时间固定 YES YES YES YES YES YES YES
N 4160 4160 3551 4160 3322 3873 3886
R2 0.455 0.456 0.468 0.578 0.590 0.498 0.388

注：控制变量与表2相同。下同。

4.4.2 被解释变量的稳健性

基准回归结论可能受到碳排放数据来源等的影响，本文整理了如下3项碳排放数据。①中国碳核算数据库（CEADs）公布的碳排放数据。②Center for Global Environmental Research公布的ODIAC碳排放数据。③计算土地利用碳排放。选取液化石油气、煤气、天然气以及供电和供热所产生的碳排放量间接表征建设用地碳排放，选取耕地、林地、草地、湿地和灌木的面积与各自碳排放系数相乘直接估算碳排放量[36,40]，将两类加总后得到土地利用碳排放。基于上述数据，重新计算了碳排放强度，分别记为Ci_CEADs、Ci_ODICA、Ci_SUM，以此为被解释变量的回归结果如表4列（5）-（7）所示。可以看出，lnPoly的系数依然显著为负，说明被解释变量的数据来源不影响核心结论的稳健性。

4.4.3 剔除特殊样本及考虑空间效应的稳健性

采取以下5种措施进行剔除特殊样本及考虑空间效应的稳健性检验。①缩尾处理。将被解释变量（Ci）与核心解释变量（lnPoly）同时进行1%双边缩尾处理。②剔除特殊年份。2020年新冠肺炎疫情爆发，居家隔离、停工停产等对人口空间分布产生了显著影响，多中心结构与正常状态下可能有所差异，为此剔除2020年重新进行回归。③剔除特殊城市。北京、天津、上海、重庆及深圳在行政级别、政策倾斜或经济地位上具有一定的特殊性，剔除上述城市重新进行回归。④剔除无中心或单中心城市。部分城市（如许昌、阜阳和广安等）在研究期内处于无中心或单中心的状态，其核心解释变量变异程度不足，剔除相关城市重新进行回归。⑤考虑空间效应。碳排放强度及相关变量不是孤立的，可能存在空间溢出效应，基于反地理距离矩阵，采用空间杜宾模型再次进行回归。表5列（1）-（5）中lnPoly系数均显著为负，印证了基准回归结论是高度稳健的。
表5 剔除特殊样本及考虑空间效应的稳健性

Table 5 Robustness of excluding special samples and considering spatial effects

(1) (2) (3) (4) (5)
双边缩尾1% 剔除特殊年份 剔除特殊城市 剔除无/单中心 考虑空间效应
Ci Ci Ci Ci Ci
lnPoly -0.967*** -1.161** -1.052*** -0.745** -0.693***
(0.369) (0.465) (0.390) (0.366) (0.207)
_Cons 21.848*** 22.053*** 23.280*** 17.759*** 25.048**
(3.153) (3.290) (3.281) (3.871) (11.231)
控制变量 YES YES YES YES YES
个体固定 YES YES YES YES YES
时间固定 YES YES YES YES YES
N 4037 3886 4086 3013 4185
R2 0.557 0.468 0.474 0.563 0.086

4.5 异质性检验

中国城市在地理区位、经济发展和人口规模等方面存在巨大差异，有必要考察多中心结构碳减排的异质性效应。具体而言：①地理区位异质性。对东中西部和南北方分别进行回归。②经济水平异质性。以人均GDP均值为标准，对经济高水平和低水平城市分别进行回归。③人口规模异质性。按照《关于调整城市规模划分标准的通知》的标准，以城区人口100万为标准，对大城市和中小城市分别进行回归，结果如表6所示。
表6 异质性检验结果

Table 6 Heterogeneity test results

(1) (2) (3) (4) (5)
东部 中部 西部 南方 北方
Ci Ci Ci Ci Ci
lnPoly -1.322** -0.314 -1.471** -1.836*** -0.042
(0.609) (0.501) (0.644) (0.557) (0.515)
_Cons 8.085 29.956*** 16.507*** 13.633*** 33.076***
(6.727) (4.698) (5.043) (4.032) (4.481)
控制变量 YES YES YES YES YES
个体固定 YES YES YES YES YES
时间固定 YES YES YES YES YES
N 1256 1683 1221 2250 1910
R2 0.492 0.503 0.558 0.472 0.523
(6) (7) (8) (9)
经济高水平城市 经济低水平城市 人口大城市 人口中小城市
Ci Ci Ci Ci
lnPoly -0.938*** 0.082 -1.076** -0.631
(0.320) (0.541) (0.477) (0.533)
_Cons 10.931*** 29.457*** 6.202 31.014***
(2.490) (4.827) (4.049) (3.893)
控制变量 YES YES YES YES
个体固定 YES YES YES YES
时间固定 YES YES YES YES
N 2171 1989 1733 2427
R2 0.498 0.466 0.606 0.499
列（1）-（3）lnPoly的系数在东部和西部城市显著为负，而在中部城市不显著。东部城市区位优势明显，不仅主中心集聚程度较高，且较强的经济实力和人口流入能够支撑次中心健康发展，较为成熟的多中心结构能够有效发挥碳减排效应；西部城市多处于高原或丘陵地带，建设用地约束促成了多中心集聚的发展方式，因此也呈现较强的碳减排效应；中部城市多处于平原地区，容易出现城市主中心“大而不强”和次中心同质化竞争现象，限制了多中心结构碳减排效应的有效发挥。列（4）、（5）lnPoly的系数仅在南方城市显著为负。可能的原因在于两方面：①资源配置方式的差异。北方城市的发展受行政干预的影响更深，一定程度上不利于资源优化配置，而南方城市更倾向于市场主导；②自然禀赋的差异。北方城市以平原地形居多而南方城市以丘陵等为主，较低的城市扩展难度反而制约了北方城市的多中心发展质量。
列（6）-（9）lnPoly的系数在经济高水平或人口大城市显著为负，而在经济低水平或人口中小城市不显著。其背后的原因进一步印证了理论分析中的内容，一是在经济低水平城市或人口中小城市，主中心集聚程度不够充分，次中心的发展稀释了主中心的要素，而自身又难以形成较强的辐射力，从而主次中心尚未形成良性互动；二是经济低水平城市或人口中小城市在招商引资方面的选择权较小，只能倾向于被动接受发达城市的产业转移，从而次中心建设质量有待提高。

4.6 影响机制

4.6.1 服务业发展效应

表7列（1）-（2）lnPoly的系数均显著为正，说明无论是以产业增加值还是以从业人员计算，多中心结构的提高都促进了服务业相比工业更快的发展。不同产业碳排放差异极大已经成为共识，以2020年为例，服务业以2.25%的碳排放贡献了54.5%的GDP，工业以72.89%的碳排放贡献了37.8%的GDP④(④数据来自中国城市温室气体工作组)。因此，在当前产业结构相对较低的背景下[28]，促进服务业发展是降低碳排放的重要途径，这已被相关研究所论证[6]。
表7 服务业发展的机制检验结果

Table 7 Mechanism test results of service industry development effect

(1) (2) (3)
S_VA S_EP S_NE
lnPoly 0.018* 0.003** 0.007*
(0.011) (0.001) (0.004)
_Cons -0.276*** -0.161 5.443***
(0.096) (0.119) (0.369)
控制变量 YES YES YES
个体固定 YES YES YES
时间固定 YES YES YES
N 4160 4160 3912
R2 0.367 0.174 0.203
表7列（3）lnPoly的系数显著为正，说明随着多中心结构的提高，导致八大服务业的新注册企业相对更多，而制造业等领域的新注册企业相对较少，意味着服务业相比工业的发展活力更强，有利于降低碳排放强度。

4.6.2 土地利用结构效应

表8列（1）lnPoly的系数显著为负，说明多中心结构对建设用地占比具有抑制作用。2006年建设用地占比为9.6%，到2020年上升为14.2%。而次中心促进了人口及企业的“再集聚”，因此建设用地虽有增长，但多中心结构在一定程度上减缓了这一趋势。列（2）lnPoly的系数显著为正，说明多中心结构对农业用地占比具有提升作用。2006年农业用地占比为84.9%，到2020年降低为80.8%。这表明虽然农业用地呈现下降趋势，但多中心结构一定程度上遏制了建设用地蔓延，缓解了对农业用地的挤出。以上分析在一定程度上证实了多中心结构通过改变土地利用结构，影响土地碳源与碳汇的相对变化，从而降低碳排放强度的内在机制。
表8 土地利用结构的机制检验结果

Table 8 Mechanism test results of land use structure effect

(1) (2) (3) (4)
Impervious Agriculture Cropland Ecology
lnPoly -0.008*** 0.006** 0.023*** -0.017***
(0.003) (0.003) (0.005) (0.004)
_Cons 0.134*** 0.823*** 0.525*** 0.298***
(0.012) (0.012) (0.019) (0.016)
控制变量 YES YES YES YES
个体固定 YES YES YES YES
时间固定 YES YES YES YES
N 4160 4160 4160 4160
R2 0.620 0.559 0.276 0.660
鉴于农业用地内部也存在碳汇能力的差异，本文进一步探究了多中心结构对耕地及生态用地占比的影响。列（3）lnPoly的系数显著为正，说明多中心结构对耕地占比具有提升作用。列（4）lnPoly的系数显著为负，说明多中心结构降低了生态用地占比。从以上相反的结果可以进一步挖掘新增建设用地的来源，即多中心结构通过抑制建设用地的无序蔓延，降低了对耕地的挤占；但研究期内建设用地的绝对量仍处于增长态势，这部分新增建设用地可能更多来自林地、草地、灌木和湿地的转化，从而对生态用地具有挤出作用。因此，多中心结构通过土地利用结构降低碳排放的渠道，可能主要是源自建设用地碳源量的减少以及耕地碳汇量的增加。总体而言，以上分析增强了本条机制逻辑链条的完整性。

4.6.3 企业区位选择效应

表9列（1）lnPoly的系数不显著，说明全国层面上多中心结构的企业区位选择效应不明显。考虑到城市异质性，本文将样本划分为东部、中部及西部地区分别进行回归，结果如列（2）-（4）所示。仅列（2）lnPoly的系数显著为正，说明企业区位选择效应仅在东部城市成立。东部城市的次中心建设质量较高，吸引了高生产率企业进入，但较高的地价、劳动力成本以及严格的行政约束等限制了低生产率企业进入，呈现“分类集聚”现象。与之对比，列（3）-（4）lnPoly的系数不显著，说明中西部地区多中心结构的区位选择效应没有显现。中西部地区的地价、劳动力成本相对较低，行政约束相对宽松，导致高与低生产率企业同时进入，呈现“混同集聚”的现象。为了结论的稳健性，本文根据人均GDP均值为界进行分组回归，结果如列（5）-（6）所示。lnPoly的系数仅在经济高水平的城市显著为正，其进一步强化了上文的分析。已有研究表明，全要素生产率是企业综合竞争力的体现，随着高生产率企业进入的越多，越有利于碳排放强度下降[41]。
表9 企业区位选择效应的机制检验结果

Table 9 Mechanism test results of enterprise location selection effect

(1) (2) (3) (4) (5) (6)
全样本 东部 中部 西部 经济高水平城市 经济低水平城市
lnTfp lnTfp lnTfp lnTfp lnTfp lnTfp
lnPoly 0.016 0.053** -0.058 0.033 0.033** 0.023
(0.020) (0.024) (0.058) (0.030) (0.014) (0.030)
_Cons 0.419 -0.543 1.080** 0.570 1.182*** 0.632**
(0.340) (1.112) (0.447) (0.564) (0.257) (0.285)
控制变量 YES YES YES YES YES YES
个体固定 YES YES YES YES YES YES
时间固定 YES YES YES YES YES YES
N 2281 781 984 516 1039 1242
R2 0.183 0.166 0.214 0.253 0.143 0.209

5 结论与政策建议

5.1 结论

随着中国城市化进入新阶段，城市多中心结构的加速演化为碳减排带来了新机遇。本文以2006—2020年中国279个城市的市辖区为研究对象，实证检验了多中心结构的碳减排效应及其机制。主要结论如下：
（1）研究期内碳排放强度处于下降趋势，其在空间分布上呈现“核心-边缘”结构与省际边界现象，东西差距变动不大而南北差距有所上升。城市内部空间结构具有多中心化发展倾向，多中心城市的地理分布具有规律性。东部沿海城市一直是“高-高”集聚的主要群体，“低-低”集聚一般以中西部地区的中小城市为主，“高-低”离群值主要是中西部地区的省会或区域性中心城市，而“低-高”离群值往往是东部省际边界地区的城市。
（2）研究期内城市多中心结构显著降低了碳排放强度。该结论得到了内生性、一系列稳健性及反事实检验的支撑。多中心结构的碳减排效应具有区域异质性，在东部和西部城市强于中部城市，在南方城市强于北方城市；从经济发展水平和人口规模差异的角度，其仅存在于经济高水平或人口规模大的城市。本文回应了多中心结构是否有利于碳减排的争议，是对现有实证研究的有益补充。
（3）从影响机制来看，多中心结构通过3个途径降低碳排放强度。首先，多中心结构对主中心地理边界以外的人口起到“再集聚”作用，促进了服务业的更快发展。其次，多中心结构遏制了建设用地的蔓延趋势，优化了土地利用结构。最后，多中心结构有利于吸引高生产率企业进入并抑制低生产率企业进入，这一机制在东部城市或经济较发达城市尤其显著。以上3点深化了对多中心结构碳减排效应内在规律的理解，有助于引起政策界和学术界对其碳减排潜力的重视。

5.2 政策建议

细化落实“双碳”目标需要不断探索新的减排途径。根据研究结论，本文提出如下政策建议：
（1）立足于城市化新阶段，坚定支持多中心发展策略。城市内部空间结构的演变涉及人口迁移、产业发展及基础设施修建等，一旦形成“恶化”的空间结构，扭转其趋势将极其困难。本文基于低碳目标，建议未来应坚定支持多中心发展策略，进而在城市化进程中保持甚至促进低碳发展。但在此过程中应科学考虑财政预算、人口流动及土地指标等因素，做好推进多中心结构的成本与收益的权衡；也要考虑多中心结构碳减排效应与公共服务、创新及收入差距等方面的协同，避免顾此失彼。
（2）把握多中心结构碳减排效应有效发挥的前提条件。一方面，多中心结构碳减排效应的有效发挥依赖于次中心形成高度集聚的“点”，并形成主次中心的良性互动，而非简单地疏解主中心功能。这既需要保证主中心的集聚优势，同时以良好的规划引导次中心集聚发展。另一方面，对于东部城市、经济发达城市或人口大城市等，较强的经济实力以及持续的人口流入可以支撑其多中心发展，应当细致谋划多中心发展道路；对于中小城市则需要适度调整空间发展策略，做强做优城市主中心是当务之急，避免过度多中心发展而可能出现的“空城”“鬼城”等负面现象。
（3）畅通多中心结构碳减排效应的传导渠道。一方面，适当提高商住用地在次中心的配比，持续挖掘服务业的增长潜力，培育次中心形成新的服务业增长极。另一方面，发挥多中心结构遏制建设用地无序扩张的优势，同时合理布局次中心的公园及绿地等，在提升宜居水平的基础上增强城镇空间固碳增汇能力。最后，政府需要关注长远利益，完善次中心交通和数字等基础设施，提高营商环境等软实力，积极引入有利于地方低碳发展的高效率企业，从而实现次中心建设、高效率企业进入与低碳发展协同推进的高水平均衡。

References

Publishing order | Descend order by publishing year | Descend order by cited within
[1]
李治国, 王杰, 车帅. 土地城市化推进的空间减排效应: 内在机制与中国经验[J]. 统计研究, 2021, 38(12): 89-104.

[Li Z G, Wang J, Che S. Effects of land urbanization on spatial emission reduction: Internal mechanism and China experience[J]. Statistical Research, 2021, 38(12): 89-104.]

[2]
王晓红, 李宣廷, 张少鹏. 多中心结构是否促进城市高质量发展? 来自中国地级城市层面的经验证据[J]. 中国人口·资源与环境, 2022, 32(5): 57-67.

[Wang X H, Li X T, Zhang S P. Has the polycentric spatial structure promoted high-quality urban development? Empirical evidence from prefecture-level cities in China[J]. China Population, Resources and Environment, 2022, 32(5): 57-67.]

[3]
商玉萍, 潘洲, 孟美侠. 中国城市多中心空间战略的创新绩效研究: 基于集聚经济与舒适度的视角[J]. 经济学(季刊), 2023, 23(3): 965-982.

[Shang Y P, Pan Z, Meng M X. Research on the innovation performance of Chinese urban polycentric spatial strategy: From the perspective of agglomeration economies and amenity[J]. China Economic Quarterly, 2023, 23(3): 965-982.]

[4]
郭沛, 王光远. 数字经济的减污降碳协同作用及机制: 基于地级市数据的实证检验[J]. 资源科学, 2023, 45(11): 2117-2129.

DOI

[Guo P, Wang G Y. The synergistic effect of digital economy on pollution and carbon reduction and the influence mechanism: An empirical test based on prefecture-level city data[J]. Resources Science, 2023, 45(11): 2117-2129.]

[5]
黄建, 冯升波, 杨阳, 等. 全要素能源效率及其测算、比较与验证[J]. 资源科学, 2023, 45(2): 281-295.

DOI

[Huang J, Feng S B, Yang Y, et al. Total factor energy efficiency and its measurement, comparison, and verification[J]. Resources Science, 2023, 45(2): 281-295.]

[6]
邵帅, 范美婷, 杨莉莉. 经济结构调整、绿色技术进步与中国低碳转型发展: 基于总体技术前沿和空间溢出效应视角的经验考察[J]. 管理世界, 2022, 38(2): 46-69.

[Shao S, Fan M T, Yang L L. Economic restructuring, green technical progress, and low-carbon transition development in China: An empirical investigation based on the overall technology frontier and spatial spillover effect[J]. Journal of Management World, 2022, 38(2): 46-69.]

[7]
黄寰, 何广, 肖义. 低碳城市试点政策的碳减排效应[J]. 资源科学, 2023, 45(5): 1044-1058.

DOI

[Huang H, He G, Xiao Y. Carbon emission reduction effects of low-carbon city pilot policies[J]. Resources Science, 2023, 45(5): 1044-1058.]

[8]
王文治, 胡雍, 张晓宇. 中国省域碳排放责任分配方法比较与碳补偿设计[J]. 资源科学, 2023, 45(10): 1913-1930.

DOI

[Wang W Z, Hu Y, Zhang X Y. Comparison of carbon emission responsibility allocation methods and carbon compensation design among provinces in China[J]. Resources Science, 2023, 45(10): 1913-1930.]

DOI

[9]
Liu X J, Wang M S, Qiang W, et al. Urban form, shrinking cities, and residential carbon emissions: Evidence from Chinese city-regions[J]. Applied Energy, 2020, DOI: 10.1016/j.apenergy.2019.114409.

[10]
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.

[Lu M, Feng H. Agglomeration and emission reduction: Empirical study on the impact of urban size disparity on industrial pollution intensity[J]. The Journal of World Economy, 2014, 37(7): 86-114.]

[11]
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.

[Shao S, Zhang K, Dou J M. Effects of economic agglomeration on energy saving and emission reduction: Theory and empirical evidence from China[J]. Journal of Management World, 2019, 35(1): 36-60.]

[12]
Henderson J V, Nigmatulina D, Kriticos S. Measuring urban economic density[J]. Journal of Urban Economics, 2021, DOI: 10.1016/j.jue.2019.103188.

[13]
Hong S F, Hui E C, Lin Y Y. Relationship between urban spatial structure and carbon emissions: A literature review[J]. Ecological Indicators, 2022, DOI: 10.1016/j.ecolind.2022.109456.

[14]
Han S S, Sun B D, Zhang T L. Mono-and polycentric urban spatial structure and PM2.5 concentrations: Regarding the dependence on population density[J]. Habitat International, 2020, DOI: 10.1016/j.habitatint.2020.102257.

[15]
赵渺希, 师浩辰, 王慧芹. 大都市区功能性多中心的产业集聚检验: 以珠三角企业网络为例[J]. 地理研究, 2021, 40(12): 3437-3454.

DOI

[Zhao M X, Shi H C, Wang H Q. Examining the relationship of functional polycentricity and specialized industrial agglomeration in the metropolitan area of the Pearl River Delta[J]. Geographical Research, 2021, 40(12): 3437-3454.]

[16]
王垚, 钮心毅. 长江三角洲城市群核心区的功能多中心特征和规划响应: 基于城际出行联系的研究[J]. 国际城市规划, 2021, 36(6): 98-108.

[Wang Y, Niu X Y. The functional polycentricity characteristics and planning responses of urban agglomeration core area in the Yangtze River Delta: A study based on intercity trip connection[J]. International Urban Planning, 2021, 36(6): 98-108.]

[17]
孙斌栋, 王言言, 张志强, 等. 中国城市规模分布的形态和演化与城市增长模式: 基于Zipf定律与Gibrat定律的分析[J]. 地理科学进展, 2022, 41(3): 361-370.

DOI

[Sun B D, Wang Y Y, Zhang Z Q, et al. The form and evolution of city size distribution and urban growth model in China: An analysis based on Zipf’s Law and Gibrat’s Law[J]. Progress in Geography, 2022, 41(3): 361-370.]

DOI

[18]
刘修岩, 杜聪, 盛雪绒. 容积率规制与中国城市空间结构[J]. 经济学(季刊), 2022, 22(4): 1447-1466.

[Liu X Y, Du C, Sheng X R. Floor area ratio regulation and urban spatial structure in China[J]. China Economic Quarterly, 2022, 22(4): 1447-1466.]

[19]
王峤, 刘修岩, 李迎成. 空间结构、城市规模与中国城市的创新绩效[J]. 中国工业经济, 2021, (5): 114-132.

[Wang Q, Liu X Y, Li Y C. Spatial structure, city size and innovation performance of Chinese cities[J]. China Industrial Economics, 2021, (5): 114-132.]

[20]
马秀馨, 刘耀林, 刘艳芳, 等. 时间异质性视角下对中国城市形态多中心性演化的探究[J]. 地理研究, 2020, 39(4): 787-804.

DOI

[Ma X X, Liu Y L, Liu Y F, et al. Exploring the evolution of morphological polycentricity in urban China from the perspective of temporal heterogeneity[J]. Geographical Research, 2020, 39(4): 787-804.]

[21]
Li Y C, Xiong W T, Wang X P. Does polycentric and compact development alleviate urban traffic congestion? A case study of 98 Chinese cities[J]. Cities, 2019, 88: 100-111.

[22]
Sha W, Chen Y, Wu J S, et al. Will polycentric cities cause more CO2 emissions? A case study of 232 Chinese cities[J]. Journal of Environmental Sciences, 2020, 96: 33-43.

[23]
Zhao P J, Diao J J, Li S X. The influence of urban structure on individual transport energy consumption in China’s growing cities[J]. Habitat International, 2017, 66: 95-105.

[24]
Li Y, Zhu K, Wang S. Polycentric and dispersed population distribution increases PM2.5 concentrations: Evidence from 286 Chinese cities, 2001-2016[J]. Journal of Cleaner Production, 2020, DOI: 10.1016/j.jclepro.2019.119202.

[25]
Sun B D, Han S S, Li W. Effects of the polycentric spatial structures of Chinese city regions on CO2 concentrations[J]. Transportation Research Part D: Transport and Environment, 2020, DOI: 10.1016/j.trd.2020.102333.

[26]
韩帅帅, 苗长虹, 李奕灿. 黄河流域城市多中心结构对碳排放的影响研究[J]. 地理研究, 2023, 42(4): 936-954.

DOI

[Han S S, Miao C H, Li Y C. Effects of urban polycentric spatial structure on carbon emissions in the Yellow River Basin[J]. Geographical Research, 2023, 42(4): 936-954.]

[27]
雷玉桃, 朱鹤政, 彭文祥. 多中心结构对城市碳减排的影响研究: 基于中国超特大城市的实证分析[J]. 城市问题, 2023, (2): 4-12.

[Lei Y T, Zhu H Z, Peng W X. A study on the impact of multi-center spatial structure on urban carbon emission reduction: Empirical analysis based on Chinese super mega cities[J]. Urban Problems, 2023, (2): 4-12.]

[28]
钟粤俊, 陆铭, 奚锡灿. 集聚与服务业发展: 基于人口空间分布的视角[J]. 管理世界, 2020, 36(11): 35-49.

[Zhong Y J, Lu M, Xi X C. Agglomeration and service industry development: Based on the perspective of population spatial distribution[J]. Journal of Management World, 2020, 36(11): 35-49.]

[29]
张婷麟. 多中心城市空间结构的经济绩效研究: 基于规模的条件效应[D]. 上海: 华东师范大学, 2019.

[Zhang T L. Polycentric Urban Spatial Structure and Its Economic Performance: With Regard to the Dependence on the Population Size[D]. Shanghai: East China Normal University, 2019.]

[30]
Li W, Chen Z J, Li M C, et al. Carbon emission and economic development trade-offs for optimizing land-use allocation in the Yangtze River Delta, China[J]. Ecological Indicators, 2023, DOI: 10.1016/j.ecolind.2023.109950.

[31]
蔡翼飞. 城镇化进程中的城市人口扩张与土地扩张: 特征事实与协调机制[J]. 中国软科学, 2023, (1): 84-93.

[Cai Y F. Population growth and land expansion of city during the urbanization: Characteristic facts and coordination mechanism[J]. China Soft Science, 2023, (1): 84-93.]

[32]
李松林, 刘修岩, 王峤. 集聚与创新: 来自摩天大楼建设的证据[J]. 经济学(季刊), 2023, 23(2): 517-531.

[Li S L, Liu X Y, Wang Q. Agglomeration and innovation: Evidence from skyscraper construction of China[J]. China Economic Quarterly, 2023, 23(2): 517-531.]

[33]
马相东, 张文魁, 刘丁一. 地方政府招商引资政策的变迁历程与取向观察: 1978-2021年[J]. 改革, 2021, (8): 131-144.

[Ma X D, Zhang W K, Liu D Y. The changing course and orientation of local government’s investment promotion and capital introduction policies: 1978-2021[J]. Reform, 2021, (8): 131-144.]

[34]
梁若冰, 蓝天. 行政区扩张、土地出让依赖与城市发展质量: 基于卫星灯光数据的准实验研究[J]. 经济学(季刊), 2023, 23(3): 1019-1034.

[Liang R B, Lan T. Administrative region expansion, land leasing dependence, and urban development quality: Quasi-experiment study with satellite light data[J]. China Economic Quarterly, 2023, 23(3): 1019-1034.]

[35]
韩先锋, 肖坚, 董明放. 绿色金融发展的碳减排效应[J]. 资源科学, 2023, 45(4): 843-856.

DOI

[Han X F, Xiao J, Dong M F. The carbon emission reduction effect of green finance development[J]. Resources Science, 2023, 45(4): 843-856.]

DOI

[36]
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, 30(4): 95-106.

[Ren X S, Liu Y J, Zhao G H. The impact and transmission mechanism of economic agglomeration on carbon emission intensity[J]. China Population, Resources and Environment, 2020, 30(4): 95-106.]

[37]
吕大国, 耿强, 简泽, 等. 市场规模、劳动力成本与异质性企业区位选择: 中国地区经济差距与生产率差距之谜的一个解释[J]. 经济研究, 2019, 54(2): 36-53.

[Lv D G, Geng Q, Jian Z, et al. Market size, labor cost and location choice of heterogeneous firms: Solving the riddle of economic and productivity gaps in China[J]. Economic Research Journal, 2019, 54(2): 36-53.]

[38]
Chen J D, Gao M, Cheng S L, et al. Global 1 km× 1 km gridded revised real gross domestic product and electricity consumption during 1992-2019 based on calibrated nighttime light data[J]. Scientific Data, 2022, 9(1): 202-202.

[39]
郭然, 原毅军. 互联网发展对产业协同集聚的影响及其机制研究[J]. 统计研究, 2022, 39(6): 52-67.

[Guo R, Yuan Y J. The impact of Internet development on industrial collaborative agglomeration and its mechanisms[J]. Statistical Research, 2022, 39(6): 52-67.]

[40]
孙赫, 梁红梅, 常学礼, 等. 中国土地利用碳排放及其空间关联[J]. 经济地理, 2015, 35(3): 154-162.

[Sun H, Liang H M, Chang X L, et al. Land use patterns on carbon emission and spatial association in China[J]. Economic Geography, 2015, 35(3): 154-162.]

[41]
余红伟, 林子祥, 胡力元, 等. 高质量发展下中国工业企业碳减排路径选择[J]. 中国软科学, 2024, (1): 214-224.

[Yu H W, Lin Z X, Hu L Y, et al. Pathways for carbon emission reduction in Chinese industrial enterprises under high-quality development[J]. China Soft Science, 2024, (1): 214-224.]

Options
Outlines

/

〈 〉