城市化与北京增温的协整分析,本文主要内容关键词为:北京论文,化与论文,城市论文,增温论文,此文献不代表本站观点,内容供学术参考,文章仅供参考阅读下载。
近100年来,全球年平均气温上升了0.6℃~0.8℃(IPCC,2001),随着全球气候的不断变暖,许多大城市的平均气温也有显著的上升趋势。城市增温现象一方面来自全球气候变化的影响,另一方面是由城市人类活动的加剧造成的。城市是人类社会经济活动最集中的地区,拥有大量的人口和密集的房屋建筑,在工业生产、交通运输和居民生活中会排放出大量的温室气体和烟尘,此外,城市植被稀少及城市下垫面的独特性质,都不利于热量的扩散和水分的存储,从而造成增温效应。城市增温现象使得城市中心地区近地面温度高于周边郊区,形成了城市热岛。城市热岛效应(Urban Heat Island Effects)是城市气候最明显的特征之一,与许多国家和地区相比,由于我国城市人口众多、植被覆盖率低,使得我国的城市热岛效应尤为显著。近些年来,随着我国城市化进程不断加快,城市人口密度加大,建筑物日益密集,生产和生活用能不断增加,进一步导致热岛效应范围的扩大和强度的增加。
城市增温现象与城市热岛的区别在于分析角度的不同,对增温现象的研究着眼于长期一定尺度下(全球、区域或特定地区)气温的动态增长趋势。城市增温受到全球气候变化大背景和人类活动的双重影响。城市热岛则着眼于城市中心地区与城市周边地区的气温差异,这种差异表现为热岛效应。理论上,由于常以城市平均气温与郊区平均气温之差作为热岛强度指标,因此可以大致认为除去了全球(或地区)气候变化对城市增温的影响。热岛强度作为甄别城市化对城市增温影响的重要指标,可以在不同气候和地理区域的城市或地区之间进行比较分析,从而对比城市增温现象给社会经济和人居环境带来的影响。
目前,对城市化与城市增温和城市热岛问题的研究已经从理论研究走向实证分析,本文拟用经济计量方法探讨城市化与城市增温现象之间的联系,从而为合理进行城市规划和减缓城市热岛效应提供一定的理论依据。
1 北京的城市化进程和城市增温效应
北京市自70年代末以来,在改革开放政策的驱动下,经历了一个比较快速的城市化过程。这一时期(1978~2003年)北京市的人口总量和人口密度增长较快,平均每年净增人口22.96万人;人口密度增长了1.3倍,城市近郊区的人口密度达到了12526人/km[2],城市化率从54.9%增长到72.3%。随着人口的增长,北京的城市建设也经历了一个快速发展阶段。北京城市中心区面积从1980年的62.5km[2]增长到2003年的289.8km[2],平均扩张速度达到9.9km[2]/年,到2003年末北京建成区面积已达655km[2]。
土地利用方式的变化是形成城市热岛的重要原因。自80年代以来,由于北京城市建设不断加快和人口迅速增长,形成了显著的热岛效应。与郊区相比,城市中心地区的气温增长趋势更为明显。1960-2000年,北京郊区的增温速率达到0.04℃/10a,城市中心区的增温率为0.35℃/10a,城市热岛强度的增温率为0.31℃/10a(林学椿等,2005)。根据卫星遥感的北京地表亮温分布图,可以看出北京夜间城区的地表亮温要比郊区平原地区高3℃~4℃(郑祚芳等,2005)。
根据北京城市气象所的研究,北京近百年增温约为0.77℃/100a(谢庄,2005);1951-2003年的年平均气温增温率达0.35℃/10a(见图1);此外,北京增温的特点是最低气温的增长远大于最高气温的增长,年平均气温日较差呈明显的下降趋势;从50多年来北京热岛的年际变化也可以看出,北京的城市热岛也呈现上升趋势(谢庄,2005)。
国外很早就发现了人口和城市规模与城市热岛效应之间的相关性(Oke,1982)。近年来由于我国城市化进程不断加快引发许多城市生态问题,加之又面临着全球气候变化的影响,因而城市增温和城市热岛效应也成为人们日益关注的环境问题之一。对北京城市热岛效应成因的研究表明,北京城市热岛效应的加剧与近些年来城市化进程及城市建设的快速发展有关,在一些人口和工业密集地区更容易形成热岛(季崇萍等,2003;徐祥德,2004;郑祚芳等,2004)。林学椿等(2005)研究了北京城市化进程对热岛效应的影响,发现一些城市化指标与热岛强度有很高的相关性。北京城市气象所的一项研究表明,除了气候系统的自然变化,城市化带来的热岛效应也是导致局地增暖的主要因子(郑祚芳等,2005)。
虽然国内对城市热岛和城市增温的成因也有一些研究,但是很少从经济学角度对这一问题作出分析。经济学领域对城市化水平的研究主要关注的是人口的非农化和工业化,在我国,城市化最为广泛和直接的测度是人口的城市化率,即非农人口占总人口的比例。由于经济发展、人口集聚与城市化和城市扩张的过程总是伴生在一起并互相影响,因此,我们可以采用城市化率作为测度北京城市化水平的指标来分析城市化进程对城市增温效应的影响;同时,考虑到人口数量和城市规模等因素对城市增温的显著影响,可以将人口密度也作为一些城市气候变化的重要因素。本文采用了协整分析方法验证城市化因素与北京城市增温现象的联系,并得到了一些初步的结论。
2 数据搜集与变量选择
本研究选用的资料包括北京市统计局公布的1970-2003年北京市社会经济统计资料,以及由北京市气候中心和北京城市气象所整理提供的北京地区气温资料(1970-2003)。之所以选择年平均最低气温,是因为在城市增温现象中,年平均最低气温的增长趋势受到城市化的影响最为显著,而年平均最高气温则增长不明显。
度日(degree days)最初是用来反映农作物生长中所需热量水平的物理单位,作为一个能够反映供暖和制冷所需能源的时间温度指数,近些年被广泛用在气候变化和能源需求的研究领域。年加热度日(heating degree days,以下简称HDD)是指每年冷季(本文采用当年的1~4月和9~12月值)日平均温度低于某一特定阈值的温度与该阈值之差的累计值;年制冷度日(cooling degree days,以下简称CDD)是指每年暖季(5~9月)日平均气温高于某一阈值温度与该阈值之差的累计值,因此CDD是暖季中高温程度的一种描述,也是暖季中用于空调制冷的能源消耗的一个定量估计。谢庄等人取18℃作为北京的阈值温度,计算出了北京近50年来北京的年加热度日指数,其多年变化存在明显的下降趋势,年制冷度日则呈现上升趋势,但其幅度比年加热度日小(见图2)(谢庄等,2005)。
因此,HDD和CDD实际上是一种反映能源需求状态的热量单位,我们将这两个温度指标同北京市年平均温度和年最低温度一起,作为分析城市化对北京增温现象的气候因子,以此来判定度日数与其他温度指标是否与城市化因子有较密切的联系。下面是选取的几个城市化因子(城市化率)和气候因子(CDD、HDD、年平均温度、年平均最低温度),通过对这几个变量取对数,可以消除异方差,使得变量之间的拟合效果更好,而且回归方程中的系数反映的是解释变量与被解释变量之间的弹性关系。
(1)lnpopdense:对数化的人口密度;
(2)lnurbrate:对数化的城市人口占总人口的比例;
(3)lncdd:对数化的CDD(每年需要制冷的度日数);
(4)lnhdd:对数化的HDD(每年需要供暖的度日数);
(5)lntemp:对数化的年平均温度;
(6)lnt-min:对数化的年平均最低温度。
在找出变量之间的协整关系之前,我们可以先对各个因子进行相关性分析,结果如表1:
表1 气候因子与城市化因子的相关性分析
Tab.1 Correlation analysis between climate factors and urbanization factors
LNTEMP LNT-MIN LNCDD LNHDD
LNURBRATE0.703 790.836 550.736 33
-0.694 51
LNPOPDENSE0.729 760.890 790.719 50
-0.733 98
可见人口密度和城市化率与几个气候因子的相关性都很高,相关系数都超过了0.70,其中,人口密度与最低气温的相关系数达到0.89。为了避免出现虚假回归,找出城市化与城市气温之间的长期均衡关系,我们需要对这几个变量进行协整关系检验。下面选取人口密度与年最低气温两个变量进行分析。图3是北京市年平均最低气温和人口密度的趋势图,可以看出这两个变量之间表现出大致相同的增长趋势。
3 城市化与城市增温的协整分析
协整理论(Co-integration)是近20年来最重要的计量经济学概念。在经济领域,许多宏观经济变量都是非平稳的,其线形组合常常也是非平稳的。传统的计量经济学由于没有检验经济变量的非平稳性,因此建立的回归分析往往是虚假回归。协整关系是对非平稳经济变量之间长期均衡关系的一种统计描述,这种长期稳定的均衡关系被称为协整关系。协整理论从变量之间是否具有协整关系出发选择模型的变量,使得数据基础更加稳定,统计性质更为优良。协整分析通过检验非平稳变量之间是否存在平稳的线形组合关系,从而发现变量之间的协整关系。协整检验与单位根检验有着密切关系,如果N个时间序列存在协整关系,则非均衡误差必然是平稳的I(0)序列,反之则必然是具有一个单位根的I(1)序列。因此,在检验一组时间序列的协整性或长期均衡关系之前,应该首先检验各时间序列的单整阶数。如果只检验双变量的协整关系,则两个变量的单整阶数应当相同(张晓峒,2001)。只有当非平稳变量之间具有协整关系时,由这些变量建立的回归模型才有意义,所以协整性检验也是区别真实回归和虚假回归的有效方法。
文章中对城市化与城市增温的协整分析采用了两变量的Engle-Granger两步法,时间序列数据为1970—2003年共34年的气候资料及社会经济资料。气候资料主要由北京城市气象所整理提供,社会经济数据主要来自《北京统计年鉴》。具体分析步骤如下:
3.1 时间序列数据的平稳性检验
由于虚假回归问题的存在,我们首先必须检验变量的非平稳性。ADF单位根检验(Augmented Dickey Fuller Test)是目前最有效的序列稳定性检验工具。假定序列Y[,t]=ρY[,t-i]+ε[,t],(i=1,p)服从AR(p)过程,对所分析的变量进行ADF稳定性检验,用于检验的回归方程是:
△Y[,t]=c+δT+αY[,t-1]+β[,1]△Y[,t-1]+β[,2]△Y[,t-2]
+...+β[,p-1]△Y[,t-p+1]+ε[,t](1)
零假设和备择假设是:
H[,0]∶ρ=0,(ADF>临界值)△Y[,t]非平稳;
H[,0]∶ρ<0,(ADF<临界值)△Y[,t]平稳;
方程(1)中,Y[,t]是待检验之时间序列,c为常数项,T为时间趋势,参数p是滞后值,ε[,t]是随机误差项。如果在序列无差分情况下,ADF检验的统计值小于临界值,则序列无单位根,因此是稳定的I(0)序列;如果序列差分一次后成为平稳序列,则该序列是含有一个单位根的不稳定的I(1)过程,如果序列第二次差分后成为平稳过程,则是含有2个单位根的不稳定的I(2)序列,依此类推(易丹辉,2003)。
经过ADF检验可知,取对数的温度变量与城市化变量一阶差分之后在1%和5%的显著水平下都小于ADF单位根检验的临界值水平,这说明以下各变量都是一阶单整过程I(1),即都是具有一个单位根且在一次差分之后变为平稳序列。检验结果见表2。
表2 ADF Test Statistic(一阶差分)
Tab.2 ADF statistic tests and results
lnpopdense-5.282 6501% Critical Value[*]-3.635 3
lnurbrate -6.242 0295% Critical Value
-2.949 9
lntemp-6.945 697
10% Critical Value
-2.613 3
lnt-min
-4.509 565
lncdd -8.305 030
lnhdd -6.923 559
3.2 协整关系检验
通过上面的检验可以知道各变量都属于I(1)过程,因此我们可以分析对数化的人口密度与对数化的年最低温度之间的协整关系。检验方法是看残差序列是否平稳,如果lnpopdense和lnt-min这两个I(1)变量生成的残差属于稳定的I(0)序列,则说明两个变量之间存在着协整关系。通过对城市化因子与气候因子之间进行E-G两步法协整检验,发现其残差都满足平稳性的要求,因此可以确定其协整关系。具体分析过程如下:
首先,建立lnt-min和lnpopdense的长期回归方程,分析结果见表3:
表3 长期回归方程及检验结果
Tab.3 Least Squares model tests and results
Dependent Variable:LNT-MIN
Method:Least Squares
Sample:1970 2003
Included observations:34
Variable CoefficientStd.Errort-StatisticProb.
C -2.105 180 0.575 000 -3.661 1820.000 9
LNPOPDENSE 1.004 588 0.090 592 11.089 160.000 0
R-squared0.7935 08F-statistic 122.969 6
Adjusted R-squared
0.787 055 Prob(F-statistic) 0.000 000
S.E.of regression 0.064 299Durbin-Watson stat 1.491 956
由此得到lnt-min和lnpopdense一组变量之间的长期回归方程为:
LNT-MIN=-2.105+1.005[*]LNPOPD(F1)
从表3可知,模型拟合优度为79%,F统计量也很显著,DW值符合显著水平为1%的临界值要求(DW统计量在样本容量为34,解释变量为1时,其上下临界值分别为:d[,U]=1.18,d[,L]=1.30),因此模型不存在自相关,达到了分析要求(易丹辉,2003)。方程(F1)说明了长期之中,人口密度每增长1个百分点,北京市的年平均最低气温也会相应增长约1个百分点。
其次,对上述最小二乘(OLS)回归分析之后的残差序列e进行平稳性检验,结果见表4:
表4 残差序列e的ADF检验结果
Tab.4 ADF test for residue
ADF Test Statistic-3.219 4281% Critical Value[*]-3.635 3
5% Critical Value
-2.949 9
10% Critical Value
-2.613 3
通过检验对数化的人口密度与最低气温回归分析生成的残差,其ADF统计量小于显著水平为5%的临界值,可知残差是平稳序列,因此可以认定上述变量具有长期的协整关系。
3.3 建立误差修正模型
如果两个非平稳时间序列变量X[,t]~I(1)和Y[,t]~I(1)之间存在着协整关系,那么可以用误差校正模型(ECM)表达它们之间的线性关系。误差校正项(即ECM)(方程4)代入一阶差分滞后向量自回归模型(VAR)(方程2)中可得到该模型。
方程(3)中的Z[,t-1]=(Y[,t-1]+ω[,0]+ω[,1]X[,t-1])表示变量X和Y之间的长期均衡关系,它调整了序列变量X和Y短期内偏离长期共同变化趋势的非均衡状态,并利用逆向调节机制使它们回到长期均衡状态。Z[,t-1]即误差校正项(ECM),p是滞后值,t是时间,μ[,t]是误差扰动项,方程(3)中的所有项均为稳定的I(0)过程。
误差修正方程ECM把时间序列Y[,t]的随机过程分解为长期和短期两个过程,解释了因变量Y[,t]的短期波动是如何被决定的。一方面Y[,t]受到自身短期波动的影响,另一方面Y[,t]还取决于ECM。误差校正项Z[,t-1]表示长期的协整关系,系数ω[,1]被称为Y对X的长期弹性;△X[,t-i]和△Y[,t-i]是X和Y一阶差分的滞后项,其系数表示短期关系,α[,i]被称为Y对X的短期弹性,β[,j]是Y受到自身滞后项影响的程度(易丹辉,2003)。
根据上面的分析结果知道时间序列变量lnt-min和lnpopdense之间具有长期的协整关系,因此可以建立短期调整方程。
表5 ECM估计及相关检验结果
Tab.5 Least Squares model tests and results Dependent Variable:D(LNT-MIN)
Variable
Coefficient Std.Errort-StatisticProb.
D(LNPOPD)
1.942 466 0.858 973 2.261 3830.030 9
E(-2)
-0.700 816 0.218 743 -3.203 8290.003 1
D(LNT-MIN(-1)) -0.765 285 0.175 447 -4.361 9100.000 1
R-squared 0.400 120F-statistic 10.338 50
Adjusted R-squared0.361 418Prob(F-statistic)
0.000 363
S E of regression 0.062 601Durbin-Watson stat 1.925 978
注:表中各项估计值的统计量都达到了5%的显著水平,其他检验也都符合模型要求。
由此得到衡量人口密度与年最低气温短期弹性的方程:
从方程(F1)和(F5)可知,北京市年平均最低气温的增长除了受到气候因素自身波动的影响,也受到人口因素的影响。长期(1970~2003)来看,北京市人口密度每增长1%,年最低气温会相应增长1.005%,可见人口密度的提高对热岛强度影响较大,二者呈现同步增长的趋势;短期看,年均最低气温除了与自身t-1期和t-2期相关以外,与当期和前两期的人口密度都有较大的相关性,而且人口密度在短时间内的增加对最低气温的影响幅度更大(即当期人口密度较前一期每增加1%,年最低气温有可能增加1.94%)。这可能是因为短期内人口密度的增加会带来热量排放和能源消耗的较大增长,而与此同时,减缓热岛效应和增温现象的一些政策因素如绿化率的增加还未起到作用,因而人口密度短期增长对城市气温的影响较大。因此,误差修正系数ECM的符号为负,符合误差修正机制。
按照同样的分析步骤,可以证明其他城市化因子与气候因子之间的协整关系,表6是几组协整变量的长期均衡关系及长期均衡弹性。我们主要是想分析城市化因子对城市气候因子长期之中是否存在均衡关系,并以此来验证北京的城市化进程对城市增温具有的显著影响,而我们主要关注的是长期方程所体现的长期均衡关系。
由此可知,北京市的人口密度和城市化率与几个气候因子(制冷度日数、加热度日数、年平均气温、年最低气温)基本上都存在着长期的协同调整关系。
表6 协整关系检验结果
Tab.6 Co-integration tests and results
解释变量-被解释变量 ECM(长期调整方程) 长期弹性 调整R[2] DW Sta.
S E of
regression
LNCDD-LNPOPDENSE ECM=LNCDD-0.83 * LNPOPD-1.46 * 0.83 0.51 1.71 0.098 323
LNHDD-LNPOPDENSE ECM=LNHDD+0.44 * LNPOPD-0.73 * -0.44 0.53 1.67 0.049 237
LNTEMP-LNPOPDENSE ECM=LNTEMP-0.29 * LNPOPD-0.69 * 0.29 0.52 1.62 0.033 499
LNT-MIN-LNPOPDENSEECM=LNT-MIN-1.02 * LNPOPD+2.21 *1.02 0.78 1.51 0.064 821
LNCDD-LNURBABRATE ECM=LNCDD+1.14 * LNURBAN-2.04 * 1.14 0.55 1.89 0.094 025
LNHDD-LNURBANRATE ECM=LNHDD+0.56 * LNURBAN-10.23 *
-0.56 0.49 1.57 0.051 583
LNTEMP-LNURBANRATEECM=LNTEMP-0.37 * LNURBAN+1.00 *0.37 0.49 1.57 0.034 469
注:分析所采用的样本值为1970-2003年共34个数值。*表示方程至少在0.01的水平上显著。调整R2和DW统计量等也都符合模型设定要求。
4 结论及经济含义
本文以城市化率和城市人口密度为城市化发展水平的代理变量,采用协整分析方法研究了城市化对城市增温现象的影响。城市增温现象中最显著的就是年平均最低温度的增长,制冷度日数主要反映的是城市对夏季制冷所需能源的需求状况,这些气候因子都与城市社会经济发展密切相关。人口密度增加和城镇人口比重上升促使能源需求不断增长,人们在城市中释放的各种生产和生活热量也相应增多。从上面对城市化因子与气候因子的分析可以看出,北京市的年平均最低温度与人口密度基本上处于同步增长趋势,通过建立误差修正模型可以发现,人口和城市化因素不仅会长期影响城市气候的变化,而且短期内对城市增温和城市热岛影响显著。
因此,为了减缓人类活动对城市气候的影响,我们应当合理控制城市化的发展速度,不能仅仅为了追求城市化率和现代化的生活水平,而忽视了相应的城市社会基础设施和人居环境的改善。2003年,北京市的人均GDP达到了32061元,是全国平均水平的3.52倍,城市化率为72.3%(北京区域统计年鉴,2004)。随着城市化进程的提高以及人均收入水平的提高,健康良好的城市人居环境越来越受到人们的重视,尤其是在城市环境问题日益增多,人均拥有的资源日益紧缺,人居环境日渐恶化情况下,提高城市化水平必须与合理的城市规划和可持续城市发展战略结合起来,例如积极推行节能战略、提高城市绿化覆盖率、限制城市建成区的规模、合理制定城市建筑容积率、实施以公共交通为主的交通运输方案等等。
综上所述,本文的目的是想通过分析城市增温现象与城市化进程之间的关系,揭示城市人口增长对城市增温和城市热岛现象的影响,使得我们能够在分析城市热岛效应和城市增温现象原因时,重视城市人口增长和城市人口密度对城市气候变化的负面影响,从而在城市发展规划和城市发展战略中避免出现过度城市化以及恶化人居环境的问题。
致谢:本文在写作和修改过程中,得到了诸多专家和学者的帮助,如中国社会科学院的曹永福、李雪松研究员在计量理论和方法上给予了很多指导,北京城市气象所的刘伟东博士和曹鸿兴教授等在文献资料和研究方法上给予了热心支持,作者在此一并致以诚挚的谢意。