馬偉波，趙立君，王 楠，張龍江，李海東

(生態(tài)環(huán)境部南京環(huán)境科學(xué)研究所，江蘇 南京 210042)

隨著城市化、工業(yè)化不斷加速，中國城市發(fā)展面臨氣候變化、生態(tài)環(huán)境保護(hù)和經(jīng)濟(jì)增長的多重壓力。中國城市地區(qū)排放的CO2約占全國排放總量的80%，其主要來源于城市經(jīng)濟(jì)、城市建筑和城市交通等領(lǐng)域的人類活動(dòng)[1]。同時(shí)，城市也是各類污染物排放相對集中的地區(qū)，中國城市人口占比已達(dá)63.98%[2]，城市環(huán)境空氣質(zhì)量及其對健康的影響越來越受到關(guān)注[3]。有研究表明，溫室氣體與環(huán)境污染物排放具有同根、同源、同過程的特點(diǎn)，如煤炭等化石燃料在燃燒過程中會(huì)排放顆粒物、SO2等空氣污染物，也會(huì)排放CO2、黑碳等溫室氣體[4-5]。因此，利用該特點(diǎn)，采取相應(yīng)的手段同時(shí)減少污染物排放(簡稱“減污”)和降低溫室氣體排放(簡稱“降碳”)，是一種高效環(huán)境管理策略。然而，該策略在城市尺度的應(yīng)用效果缺乏有效的評(píng)價(jià)手段。探究城市群尺度減污降碳的時(shí)空驅(qū)動(dòng)及其演變特征，有助于更好地理解城市化與環(huán)境的互動(dòng)關(guān)系，可服務(wù)于城市可持續(xù)發(fā)展。

研究表明，城市的空間、人口和經(jīng)濟(jì)聚集特征對碳排放有確定性的影響[5]，而城市化與碳排放之間存在倒“U”型曲線，且城市空間集聚在一定程度上有助于碳減排[6]。整體上，人口、地區(qū)生產(chǎn)總值(GDP)和歸一化植被指數(shù)(NDVI)對全國城市CO2排放量均為正驅(qū)動(dòng)，但溫度和降水量對其有負(fù)面影響[7]；在污染物排放驅(qū)動(dòng)方面，同樣表現(xiàn)出穩(wěn)定的空間集聚特征，城市化地區(qū)各項(xiàng)特征與污染物排放水平顯著相關(guān)。如PM2.5與土地利用和經(jīng)濟(jì)產(chǎn)業(yè)結(jié)構(gòu)均有顯著的聯(lián)系，但不同經(jīng)濟(jì)發(fā)展階段的特征存在差異[8]。盡管減污降碳協(xié)同效應(yīng)的量化方法可以提供更為有效的減污降碳技術(shù)路徑[2,9]，但是減污降碳的驅(qū)動(dòng)剖析案例仍然較少，對其驅(qū)動(dòng)效應(yīng)的內(nèi)在機(jī)制分析不足[10-12]。當(dāng)前，減污降碳已成為新時(shí)期污染防治和環(huán)境保護(hù)的核心思想[13]，減污降碳協(xié)同增效成為我國“十四五”時(shí)期深入打好污染防治攻堅(jiān)戰(zhàn)的總抓手。然而，現(xiàn)階段城市群水平的減污降碳缺乏測度指標(biāo)，無法支撐區(qū)域減污降碳一體謀劃、部署和考核。

為探究減污降碳評(píng)估方法，并剖析其驅(qū)動(dòng)機(jī)制，筆者以長三角城市群(Yangtze River Delta Urban

Agglomeration, YRDUA)為研究對象，基于碳排放水平和污染物排放數(shù)據(jù)構(gòu)建減污降碳強(qiáng)度指標(biāo)，并通過時(shí)空地理加權(quán)回歸 (geographically and temporally weighted regression, GTWR)和隨機(jī)森林(random Forest, RF)方法分析經(jīng)濟(jì)發(fā)展、產(chǎn)業(yè)結(jié)構(gòu)、土地利用結(jié)構(gòu)、人口以及氣候變化對減污降碳強(qiáng)度指標(biāo)的時(shí)空驅(qū)動(dòng)特征及驅(qū)動(dòng)因素的重要性變遷特征，以期為全國城市水平的減污降碳政策制定提供參考。

1 材料與方法

1.1 研究區(qū)概況

長三角城市群位于長江入海之前的沖積平原，是長三角一體化發(fā)展中心區(qū)，具有輻射帶動(dòng)長三角地區(qū)高質(zhì)量發(fā)展的重要功能。根據(jù)《長江三角洲區(qū)域一體化發(fā)展規(guī)劃綱要》《長江三角洲城市群發(fā)展規(guī)劃》[14-15]，長三角城市群包括：上海，江蘇省的南京、無錫、常州、蘇州、南通、鹽城、揚(yáng)州、鎮(zhèn)江、泰州，浙江省的杭州、寧波、溫州、嘉興、湖州、紹興、金華、舟山、臺(tái)州，安徽省的合肥、蕪湖、馬鞍山、銅陵、安慶、滁州、池州、宣城，共27市，面積為22.4×104km2。據(jù)測算，2017年長三角城市群CO2排放量達(dá)1.22×1010t；其中以上海排放量最高，為1.93×109t，占長三角總排放量的15.74%(圖1)[16]。

1.2 數(shù)據(jù)來源

1.2.1減污降碳強(qiáng)度指標(biāo)

為表征城市減污降碳整體效能，研究構(gòu)建減污降碳強(qiáng)度指標(biāo)(Index of pollution and carbon reduction, IPCR，RIPC)，將多種污染物排放效率與溫室氣體排放效率納入到1個(gè)指標(biāo)，計(jì)算公式為

(1)

式(1)中，RIPC為城市減污降碳強(qiáng)度指標(biāo)，其取值范圍為0～1，越接近0則表示減污降碳的效果越顯著，經(jīng)濟(jì)發(fā)展的清潔低碳程度更高；Ei為該城市減污降碳細(xì)分項(xiàng)指標(biāo)，細(xì)分項(xiàng)指標(biāo)采用0～1值的歸一化方法以消除極值影響，同時(shí)細(xì)分項(xiàng)指標(biāo)可隨研究區(qū)特征條件而做出調(diào)整；qi為細(xì)分項(xiàng)指標(biāo)對應(yīng)的權(quán)重，權(quán)重和為1，權(quán)重確定方法為專家打分法。

綜合考慮數(shù)據(jù)的可獲取性以及減污降碳各細(xì)分領(lǐng)域代表性指標(biāo)，細(xì)分項(xiàng)指標(biāo)選擇工業(yè)廢水排放效率、工業(yè)二氧化硫排放效率、工業(yè)煙(粉)排放效率以及二氧化碳排放強(qiáng)度(表1)?？紤]到當(dāng)前減污和降碳工作重要性均非常突出，專家建議對兩者權(quán)重均設(shè)為0.5；細(xì)分項(xiàng)指標(biāo)目前僅考慮長三角城市群水污染和大氣污染，由于顆粒物對空氣環(huán)境質(zhì)量的影響受外來輸入影響，因此專家建議將工業(yè)煙(粉)排放效率指標(biāo)權(quán)重設(shè)置為0.12，與工業(yè)廢水排放效率相同，同時(shí)將工業(yè)二氧化硫排放效率權(quán)重設(shè)置為0.14。工業(yè)廢水排放效率、工業(yè)二氧化硫排放效率、工業(yè)煙(粉)排放效率細(xì)分項(xiàng)指標(biāo)數(shù)據(jù)主要來源于《中國城市統(tǒng)計(jì)年鑒(2004—2018)》；二氧化碳排放強(qiáng)度細(xì)分項(xiàng)指標(biāo)中碳排放數(shù)據(jù)來源于中國縣級(jí)二氧化碳排放量數(shù)據(jù)集[16]，地級(jí)市總排放量通過下轄縣(區(qū)、市)排放量求和得到，經(jīng)檢驗(yàn)該數(shù)據(jù)集對CO2排放的擬合精度達(dá)R2=0.998。GDP數(shù)據(jù)來源于《中國城市統(tǒng)計(jì)年鑒(2004—2018)》。

表1 減污降碳指標(biāo)及數(shù)據(jù)來源

1.1.2驅(qū)動(dòng)因素

為揭示長三角城市群減污降碳強(qiáng)度的時(shí)空驅(qū)動(dòng)特征，該研究選擇經(jīng)濟(jì)發(fā)展水平、地區(qū)產(chǎn)業(yè)結(jié)構(gòu)、人口、土地利用結(jié)構(gòu)、能源消費(fèi)水平和氣候變化6個(gè)方面共11項(xiàng)具體指標(biāo)作為解釋變量(表2)。經(jīng)濟(jì)發(fā)展水平選擇GDP和人均GDP表征(均為不變價(jià)單位)，地區(qū)產(chǎn)業(yè)結(jié)構(gòu)用第二產(chǎn)業(yè)增加值占GDP比例和第三產(chǎn)業(yè)增加值占GDP比例表征，人口選擇人口密度和常住人口數(shù)量表征，土地利用結(jié)構(gòu)用建設(shè)用地面積和園林綠地面積表征，能源消費(fèi)水平選擇能源消費(fèi)總量表征，氣候變化影響采用年均氣溫和年降水量表征。其中經(jīng)濟(jì)發(fā)展水平、地區(qū)產(chǎn)業(yè)結(jié)構(gòu)、人口、土地利用結(jié)構(gòu)的具體指標(biāo)數(shù)據(jù)來源于《中國城市統(tǒng)計(jì)年鑒(2004—2018)》，能源消費(fèi)總量通過將能源消費(fèi)相關(guān)指標(biāo)折算為噸標(biāo)準(zhǔn)煤數(shù)據(jù)求和得到，氣候變化數(shù)據(jù)來源于城市氣象觀測站數(shù)據(jù)。

表2 減污降碳驅(qū)動(dòng)力因素及數(shù)據(jù)來源

1.3 研究方法

回歸分析被廣泛應(yīng)用于驅(qū)動(dòng)分析研究，但傳統(tǒng)的多元線性回歸不能比較影響因素的重要性，該研究擬采用RF以克服傳統(tǒng)方法的不足[17]。同時(shí)，與局部空間回歸相比，全局空間回歸假設(shè)所有參數(shù)在空間中都是平穩(wěn)的或結(jié)構(gòu)穩(wěn)定的，這并不符合現(xiàn)實(shí)情況[18]。因此，該研究擬采用GTWR方法，其允許不同影響因素的回歸系數(shù)變化，并對每個(gè)研究單元進(jìn)行顯著性檢驗(yàn)[18]。

1.3.1GTWR模型

GTWR在地理加權(quán)回歸的基礎(chǔ)上引入時(shí)間因子，既解決了截面數(shù)據(jù)樣本數(shù)量有限的問題，還考慮了時(shí)間與空間的非平穩(wěn)性，能有效估計(jì)因子參數(shù)。模型[18-19]為

Yi=β0(μi,vi,ti)+∑kβk(μi,vi,ti)Xit+εi。

(2)

式(2)中，(μi,vi,ti)為長三角城市群第i個(gè)城市的時(shí)空坐標(biāo)，μi、vi、ti分別為第i個(gè)城市的經(jīng)度、緯度和時(shí)間；β0(μi,vi,ti)為第i個(gè)城市的回歸常數(shù)，即模型中的常數(shù)項(xiàng)；εi為殘差；βk(μi,vi,ti)為第i個(gè)城市的第k個(gè)回歸參數(shù)，估計(jì)方法為

(3)

(4)

式(4)中，δ為帶寬。該研究減污降碳強(qiáng)度GTWR模型的實(shí)現(xiàn)主要基于ArcGIS 10.5軟件，采用HUANG等[18]制作的GTWR插件，帶寬采用AICc優(yōu)化設(shè)置。

1.3.2RF方法

RF是一種集成學(xué)習(xí)方法，它由使用數(shù)據(jù)集的自舉(bootstrap)樣本獨(dú)立構(gòu)造的樹組成[20]，該方法對過擬合具有魯棒性，且能充分探測變量對被解釋變量的驅(qū)動(dòng)貢獻(xiàn)程度[21]。訓(xùn)練一個(gè)RF的本質(zhì)是訓(xùn)練多個(gè)分類與回歸樹(classification and regression trees, CART)。CART是一個(gè)二叉樹模型，其核心是切割變量和切割點(diǎn)的選擇[22]。在RF中，單棵CART首先遍歷一部分變量和變量數(shù)據(jù)，然后根據(jù)切割后節(jié)點(diǎn)的不純度，確定最佳切割變量和切割點(diǎn)，綜合所有樹的結(jié)果得到最終模型。節(jié)點(diǎn)不純度的計(jì)算公式為

(5)

同時(shí)，通過RF可定量測度解釋變量的重要性，因此可通過不同時(shí)間點(diǎn)變量重要性的變遷解釋變量的時(shí)間效應(yīng)，提高長三角減污降碳模型時(shí)空效應(yīng)的解釋能力。RF通過袋外誤差(out-of-bag error，OOB)樣本來估計(jì)變量的重要性，具體公式為

(6)

式(6)中，pIM(Vari) 為變量i的重要性值；eB1，ij為根據(jù)CARTj中變量i出袋數(shù)據(jù)計(jì)算的誤差；eB2，ij為根據(jù)CARTj中變量i出袋數(shù)據(jù)加上噪聲干擾計(jì)算的誤差；n為CART數(shù)量。該研究中，RF回歸模型采用R軟件包randomforest和R編程語言實(shí)現(xiàn)[20]，其中80%的數(shù)據(jù)集被隨機(jī)選為訓(xùn)練集，其余20%數(shù)據(jù)集被選為測試集。該研究通過設(shè)置固定隨機(jī)值，保證RF結(jié)果可復(fù)現(xiàn)，同時(shí)采用10次結(jié)果的均值作為最終模型精度評(píng)價(jià)結(jié)果。

2 結(jié)果與分析

2.1 長三角城市群減污降碳強(qiáng)度時(shí)空特征

2.1.1時(shí)間變化特征

由圖2可見，2003—2017年，長三角城市群整體減污降碳強(qiáng)度呈下降趨勢，表明長三角城市群整體呈清潔發(fā)展趨勢。27個(gè)城市平均減污降碳強(qiáng)度由2003年的0.23下降到2017年的0.05，但江蘇9市、浙江9市和安徽8市減污降碳強(qiáng)度的最低點(diǎn)是2016年，分別為0.04、0.03和0.07。從減污降碳強(qiáng)度下降絕對值來看，安徽8市最大(0.26)，上海次之(0.17)，浙江9市下降幅度最小(0.13)。從減污降碳強(qiáng)度變化率絕對值來看，安徽8市仍然最大，為0.019 9；浙江9市最小，為0.010 7。2003年，浙江9市和上海減污降碳強(qiáng)度總體接近，但浙江9市在2005年小幅上升之后才保持下降。整體來看，2003—2017年長三角城市群減污降碳效果非常顯著。

2.1.2空間變化特征

圖3展示了27個(gè)城市減污降碳強(qiáng)度的時(shí)空分布特征。雖然2003—2017年每個(gè)城市整體上減污降碳強(qiáng)度均呈下降趨勢，但在重要節(jié)點(diǎn)年份可以觀測不同城市減污降碳強(qiáng)度水平的分異特征。2003—2017年，上海、無錫、溫州和合肥的減污降碳強(qiáng)度總體上均保持較好的下降趨勢，其中上海和杭州在2003年減污降碳強(qiáng)度處于中等偏高水平，之后的2008、2013和2017年均保持較好的下降勢頭。滁州在2003年減污降碳強(qiáng)度并不高，但在2008、2013和2017年的橫向比較中，其減污降碳強(qiáng)度始終處于同時(shí)期較高水平；滁州在2003—2017年的平均減污降碳強(qiáng)度仍處于較高水平的梯隊(duì)中，且其減污降碳強(qiáng)度變幅為18.62%。與滁州情況類似的還有宣城、池州和馬鞍山。從2003—2017年減污降碳強(qiáng)度的變化幅度來看，上海、杭州、合肥、南京和常州的下降幅度均超過91%，清潔低碳發(fā)展趨勢較好。

2.1.3空間自相關(guān)分析

由表3可知，2003—2017年長三角城市群減污降碳強(qiáng)度的Morans′sI指數(shù)為0.320 7，且P值通過顯著性檢驗(yàn)，Z值大于1.96，表明長三角城市群減污降碳強(qiáng)度有較強(qiáng)的空間聚集特征。從不同時(shí)期來看，2003—2007和2008—2012年減污降碳強(qiáng)度的Morans′sI指數(shù)高于2013—2017年，表明隨時(shí)間變化，長三角城市群減污降碳強(qiáng)度空間聚集特征呈下降趨勢，而空間離散特征趨于強(qiáng)烈。

表3 長三角城市群減污降碳強(qiáng)度的全局Moran′s I指數(shù)

2.2 長三角城市群減污降碳驅(qū)動(dòng)分析

2.2.1數(shù)據(jù)檢驗(yàn)和精度評(píng)價(jià)

在構(gòu)建GTWR模型前，需對所有變量進(jìn)行標(biāo)準(zhǔn)化處理；同時(shí)，為避免在回歸時(shí)出現(xiàn)偽回歸現(xiàn)象，需要對標(biāo)準(zhǔn)化后的所有變量進(jìn)行多重共線性檢驗(yàn)。結(jié)果表明，11項(xiàng)指標(biāo)的方差膨脹因子均小于10，但GDP和園林綠地面積的膨脹系數(shù)較高，分別為9.16和9.38。表4統(tǒng)計(jì)了回歸模型的精度評(píng)價(jià)結(jié)果，可以看出，在考慮時(shí)間效應(yīng)后，GTWR模型R2與調(diào)整R2均高于0.96，相比GWR模型的擬合精度和優(yōu)度提升較大，R2提升0.193 1，殘差下降0.649 3，且AICc值下降398.24?？梢姡珿TWR回歸模型能夠較好地在時(shí)空尺度擬合11項(xiàng)具體驅(qū)動(dòng)指標(biāo)與減污降碳強(qiáng)度因變量的線性關(guān)系。RF模型的精度評(píng)價(jià)結(jié)果見表5。

表4 減污降碳驅(qū)動(dòng)模型精度評(píng)價(jià)

表5 長三角城市群減污降碳強(qiáng)度的RF模型精度評(píng)價(jià)

2.2.2驅(qū)動(dòng)因素回歸系數(shù)空間特征

圖4展示了GTWR局部回歸系數(shù)的空間分布，27個(gè)城市局部回歸系數(shù)均達(dá)顯著水平(P<0.01)。GDP與鹽城和金華減污降碳強(qiáng)度呈顯著負(fù)相關(guān)；而安慶、滁州則受到人均GDP影響最為顯著，人均GDP越高則減污降碳強(qiáng)度越低。從產(chǎn)業(yè)結(jié)構(gòu)來看，上海、嘉興、寧波、紹興、舟山、臺(tái)州和溫州受第二產(chǎn)業(yè)增加值占GDP比例的正向驅(qū)動(dòng)顯著，而滁州、揚(yáng)州、南京、馬鞍山和常州受第三產(chǎn)業(yè)增加值占GDP比例的負(fù)向驅(qū)動(dòng)更為顯著。從土地利用結(jié)構(gòu)來看，上海、蘇州和浙江9市受園林綠地面積的負(fù)向驅(qū)動(dòng)，即其園林綠地面積的增加驅(qū)動(dòng)減污降碳強(qiáng)度下降；而滁州、合肥、馬鞍山、蕪湖、銅陵和池州受建設(shè)用地面積的負(fù)向驅(qū)動(dòng)。從人口角度來看，滁州、合肥和安慶的人口密度對減污降碳強(qiáng)度的負(fù)向驅(qū)動(dòng)顯著;常住人口數(shù)量對安慶、池州和溫州的減污降碳強(qiáng)度也為負(fù)向驅(qū)動(dòng)，但鹽城、南通、上海、蘇州、無錫和嘉興的減污降碳強(qiáng)度則受常住人口數(shù)量的正向驅(qū)動(dòng)。安慶、池州、銅陵和合肥減污降碳強(qiáng)度受能源消費(fèi)總量的負(fù)向驅(qū)動(dòng)顯著，而紹興、臺(tái)州、金華和溫州減污降碳強(qiáng)度則受能源消費(fèi)總量的正向驅(qū)動(dòng)。從氣候變化響應(yīng)來看，研究區(qū)南部城市的減污降碳強(qiáng)度受年均氣溫和年降水量的負(fù)向驅(qū)動(dòng)較為顯著。

2.2.3驅(qū)動(dòng)因素重要性變遷

表5顯示，2003—2007、2008—2012和2013—2017年3個(gè)時(shí)期RF模型的Var解釋程度分別為75.86%、79.95%和78.61%，均超過75%，這意味著該模型具有良好的擬合效果，對各個(gè)時(shí)期均有較好的解釋能力。模型精度也很高，3個(gè)時(shí)期的均方根誤差(RMSE)均小于8×10-4。

RF模型對變量重要性的測度可消除其他變量的間接影響。由表6可知，能源消費(fèi)總量在2003—2007、2008—2012和2013—2017年3個(gè)時(shí)期的重要性均為第1；而第三產(chǎn)業(yè)增加值占GDP比例在2003—2007、2008—2012年均為第2重要的影響因素，在2013—2017年重要性排名下降到第3。園林綠地面積的重要性排名從2003—2007年的第5逐漸上升到2013—2017年的第2，說明園林面積增加對降碳和污染物凈化的效用在逐漸提升；同時(shí)建設(shè)用地面積的重要性也在不斷提升。人均GDP在2003—2007和2008—2012年的重要性排名分別為第3和第4，但在2013—2017年下降到第8；同時(shí)，GDP的重要性排名也呈下降趨勢。雖然人口密度和人口總量重要性排名靠后，但總體呈上升趨勢。氣候變化響應(yīng)方面，年均氣溫、年降水量始終是重要性排名最靠后的影響因素，說明氣候變化對減污降碳的影響并不顯著。

表6 減污降碳強(qiáng)度驅(qū)動(dòng)因素的重要性變遷

3 討論

該研究基于碳排放水平和污染物排放數(shù)據(jù)，通過權(quán)重組合構(gòu)建減污降碳強(qiáng)度指標(biāo)，并通過GTWR和RF方法分析了經(jīng)濟(jì)發(fā)展、產(chǎn)業(yè)結(jié)構(gòu)、土地利用結(jié)構(gòu)、人口以及氣候變化對減污降碳強(qiáng)度指標(biāo)的時(shí)空驅(qū)動(dòng)特征以及驅(qū)動(dòng)因素的重要性變遷，嘗試探究長三角城市群減污降碳的驅(qū)動(dòng)機(jī)制和空間模式?？梢园l(fā)現(xiàn)，建設(shè)用地面積和園林綠地面積的重要性不斷上升。HAN等[22]認(rèn)為，長三角建設(shè)用地的空間凈碳強(qiáng)度顯示出顯著的跳躍性，碳排放的增長速度快于城市土地?cái)U(kuò)張。筆者與其結(jié)論相吻合，這說明土地利用結(jié)構(gòu)對于減污降碳強(qiáng)度的影響力在迅速上升，一方面建設(shè)用地中污染物排放強(qiáng)度在不斷增加，另一方面園林綠地在碳匯和污染物凈化方面的功能效用更加顯著。筆者研究發(fā)現(xiàn)，2003—2017年長三角城市群減污降碳強(qiáng)度存在空間聚集性，人均GDP和人口密度對減污降碳強(qiáng)度具有負(fù)向驅(qū)動(dòng)作用，這與QIN等[10]的結(jié)論相吻合。但上海、嘉興、寧波、臺(tái)州、紹興、舟山和溫州的減污降碳強(qiáng)度隨著第二產(chǎn)業(yè)增加值占GDP比例的增加而增加，這與QIN等[10]全國尺度第二產(chǎn)業(yè)占比與CO2排放量呈正相關(guān)的結(jié)論并不完全吻合，這可能源于減污降碳強(qiáng)度是一個(gè)綜合碳減排和污染物排放效率的指標(biāo)，上述城市在污染物排放效率層面與其他城市有不同的軌跡。從污染物排放驅(qū)動(dòng)來看，WANG等[8]認(rèn)為，在省級(jí)尺度人均GDP、技術(shù)、城市化和人口對環(huán)境污染有顯著影響。筆者與其結(jié)論相符，但進(jìn)一步研究發(fā)現(xiàn)，不同時(shí)期這種重要性在發(fā)生變化，如人均GDP的驅(qū)動(dòng)重要性呈下降趨勢，即驅(qū)動(dòng)因素的重要性在發(fā)生時(shí)空變遷，這與研究尺度相關(guān)，在更細(xì)分的尺度上可以捕捉更為細(xì)微的減污降碳驅(qū)動(dòng)特征。無錫與滁州等城市的減污降碳強(qiáng)度處于同一梯隊(duì)，但通過分析統(tǒng)計(jì)資料可知，2003年無錫和滁州的工業(yè)增加值分別為992.74億和105.5億元，工業(yè)發(fā)展差距較大。因此，減污降碳強(qiáng)度值相對較低不一定完全是由于經(jīng)濟(jì)清潔發(fā)展所致，也有可能是因?yàn)榻?jīng)濟(jì)發(fā)展水平低、工業(yè)化程度較低。

技術(shù)進(jìn)步不僅能提高經(jīng)濟(jì)發(fā)展效率，而且對于減少碳排放和降低污染物排放有較大的促進(jìn)作用[23]。長三角地區(qū)的進(jìn)出口貿(mào)易非常發(fā)達(dá)，這其中隱含了一定程度的碳排放和污染物轉(zhuǎn)移[24]，該研究對此還未能有效測度，后期應(yīng)逐漸完善。另一方面，為了更好地開展減污降碳考核評(píng)估工作[25]，在后期應(yīng)考慮納入其他污染物排放效率以及其他溫室氣體的排放強(qiáng)度指標(biāo)。

4 結(jié)論與建議

(1)2003—2017年，長三角地區(qū)27個(gè)城市的平均減污降碳強(qiáng)度由2003年的0.23下降到2017年的0.05，表明長三角城市群減污降碳整體呈向好趨勢。長三角城市群減污降碳強(qiáng)度存在較強(qiáng)的空間聚集特征，在考慮時(shí)間效應(yīng)后GTWR模型對減污降碳強(qiáng)度的擬合能力迅速提升，減污降碳強(qiáng)度指標(biāo)時(shí)空分異特征顯著。

(2)人均GDP、園林綠地面積、人口密度、常住人口數(shù)量的GTWR模型回歸系數(shù)整體呈負(fù)值，說明其增加可促使減污降碳強(qiáng)度降低。建議長三角城市群在推進(jìn)減污降碳工作時(shí)注重人均GDP、園林綠地面積和人口因素的協(xié)同提升。

(3)能源消費(fèi)總量始終是減污降碳強(qiáng)度最重要的影響因素，同時(shí)地區(qū)產(chǎn)業(yè)結(jié)構(gòu)和土地利用結(jié)構(gòu)等影響因素的重要性也不可忽視。建議長三角城市群提升能源利用效率，大力發(fā)展第三產(chǎn)業(yè)，優(yōu)化土地利用結(jié)構(gòu)。