How do financial spatial structure and economic agglomeration affect carbon emission intensity? Theory extension and evidence from China

Spillover effect of energy intensity reduction targets on carbon emissions in China

“…Generally, population, affluence, and technological progress are considered to be the main factors that influence carbon emissions (Feng et al, 2009), and these factors mainly stem from the contribution of IPAT (I: carbon emissions, p: population, A: affluence, T: technology) characteristics (Yan et al, 2022). Subsequent studies have mainly improved the IPAT model and used stochastic impacts by regression on population, affluence, and technology (STIRPAT) model as a theoretical model for exploration.…”

“…A small part of scholars used dynamic SDM (Zhang et al, 2021;Yan et al, 2022). Zhang et al (2021) used the dynamic SDM and got several findings: On the one hand, there are timedependent and spatial spillover effects of carbon emission; on the other hand, carbon emissions have an inverted U-shaped relationship with both innovation agglomeration and energy intensity.…”

“…However, only innovation agglomeration reaches a certain value, will it have the dual effects of energy saving and emission reduction? Yan et al (2022) used a dynamic SDM to find that there is a temporal and spatial lock-in effect on the suppressive effect of financial spatial structure on carbon emission intensity, while there is only a temporal lock-in effect on the promotional effect of economic agglomeration and energy intensity on carbon emission intensity.…”

Identifying the Impact of Industrial Agglomeration on China’s Carbon Emissions Based on the Spatial Econometric Analysis

“…The findings indicated that producer services' agglomeration has a significant negative effect on carbon emissions in China. In addition, Yan et al [ 35 ] found that financial industry agglomeration can mitigate carbon emission intensity, indicating that an increasing degree of agglomeration may aid in reducing the greenhouse effect. The second view asserts that IA increases regional carbon emissions.…”

A spatiotemporal analysis of carbon lock-in effect in China’s provincial construction industry

“…， 占全 球最终能源消费量的 36%和能源相关碳排放总量 的 37% [3] 。到 2060 年， 建筑的能源需求可能增加 50% [4] ， 建筑领域控碳降碳压力较大。中国建筑部门 的用能及碳排放体量增幅高于其他国家， 是全球碳 排放的重要来源之一 [5] 。目前， 中国建筑部门能耗 占全国能源消费总量的 45.9%， 碳排放量占全国比 重为 50.6% [6] ， 且表现出高碳锁定特征 [7] http://www.resci.cn 约为社会总排放的 28.0%和 21.6% [6] 。新建建筑消 耗大量资源， 是中国建筑业高能耗、 高碳排放的主 要原因之一 [8] ， 这也反映出建筑业能耗与碳排放具 有高度隐蔽性， 即处于下游的建筑业会在上游部门 引发大量碳排放 [9] 。相关研究表明， 建筑业是石油、 天然气开采业等高耗能行业的主要下游部门 [10] ， 而 下游部门的减排将同时有助于减少其生产相关的 上游部门排放 [11] 。因此， 寻找实现建筑业低碳发展 的合理途径非常重要。 碳锁定作为描述经济系统在技术与制度共同 演进过程中由于报酬递增所引起的高碳路径依赖 状态， 准确把握了产业低碳发展复杂性、 系统性和 演化性特点， 为实现区域可持续发展统筹规划与协 同治理提供了全新视角。实际上， 以化石燃料为基 础的高碳技术随着市场化、 社会化和社会嵌入过 程， 锁定程度不断加深， 并可分为技术锁定、 制度锁 定和社会锁定 [12] 。建筑业发展依赖高碳化石能源， 具有显著的碳锁定特征 [13] 模型构建， 如张济建等 [14] 基于改进 PSR 模型提炼碳 锁定驱动因素并分析作用机制； ②启发式解释性框 架构建， 如杨玲萍等 [15] 从技术、 产业、 社会等 5 个方 面对碳锁定的来源深入分析。案例研究则侧重通 过案例分析归纳碳锁定特征 [16] 。 少量文献对碳锁定现象展开定量研究。一是 对碳锁定效应的量化， 现有研究主要采用基于碳排 放-碳汇的系数构建方法 [17] 、 投入产出技术 [7,18] 、 脱钩 指数法 [19,20] 等方法测算碳锁定效应； 也有部分学者 通过构建指标体系进行碳锁定测度， 如牛鸿蕾等 [21] 构建碳锁定水平测度评价指标体系， 张济建等 [22] 利 用非期望超效率模型测算长江经济带的碳解锁效 率， 并结合 Malmquist 指数模型进行效率分解及动 态分析。二是对驱动因素的实证研究， 目前学界大 多采用传统计量模型， 主要运用多元回归计量 [23] 、 空 间计量方法 [24] 、 通径分析 [25] 、 面板回归模型 [26] 、 Tobit 面板模型 [22] 等方法。 可以发现， 学者们已从不同角度对碳锁定机制 和成因有了较为清晰的认识， 但少有学者聚焦于某 行业的碳锁定问题。对建筑业碳锁定来说， 一些学 者运用脱钩理论测算其碳锁定程度， 如蔡海亚 [7] [27] 和 IPCC 碳排放 系数法 [28] 测算建筑业的碳排放。Fang 等 [29] 提出了一 种基于中国配额制的建设过程碳排放源的确定方 法。对于建筑业碳排放的空间特征分析， 部分学者 利用社会网络分析法发现中国省际建筑碳排放呈现 空间网络特征 [30] ， 经济发达的省份占据主导地位 [31] 。 部分学者利用传统的数据包络分析法 (DEA) [32] 或改 进的超效率 SBM 模型 [33] 测算建筑业碳排放效率， 进 一步运用空间计量模型等方法分析建筑业碳排放 的时空特征。实证分析表明建筑业碳排放具有一 定的空间聚集效应、 溢出效应和区域差异， 表现出 由东向西逐步递减的趋势 [34] 。对于碳排放成因， 部 分学者采用因素分解法开展研究， 包括结构分解分 析 (SDA) [35] 和指数分解分析 (ID...…”