中国城市碳达峰路径及其驱动因素的结构分解

张兵兵 王捷 闫志俊

摘要 碳达峰和碳中和是生态文明建设整体布局的重要一环，是实现中国绿色低碳高质量发展的重要举措。该研究首先基于校准的夜间灯光数据，运用从上至下估算方法对中国267个地级及以上城市的碳排放量进行反演模拟测算；然后，综合运用高斯回归、支持向量机、梯度提升等机器学习算法，科学预测各个城市的碳达峰路径；最后，运用拓展的广义迪氏指数方法对2000—2030年地级及以上城市碳排放演变的驱动因素进行分解，结果显示：①中国二氧化碳排放总量呈持续增长态势，各城市增速不同且差异较大，形成“发达城市高排量，欠发达城市低排量”的态势。②267个样本城市中，仅有苏州市、贵阳市等6个城市可以提前达峰或按期达峰，比重仅占2%；上海市、广州市、杭州市等252个城市将在2031—2034年达峰；北京市、珠海市等9个城市将长时期延期达峰。③运用拓展的广义迪氏指数进行结构分解后发现，能源消费规模、产出规模、固定资产投资规模等因素对各城市碳排放基本保持促增作用，而产出碳强度、投资碳强度等则基本保持促降作用。优化绿色低碳发展区域布局，推动低碳产业集群建设，兼顾城市“稳发展”与“促减排”是“双碳”目标有序推进的重要保障。

关键词 碳达峰；节能减排；低碳转型；机器学习；广义迪氏指数

中图分类号 X321 文献标志码 A 文章编号 1002-2104（2023）09-0038-07 DOI：10. 12062/cpre. 20230128

改革开放以来，中国经济发展取得令人瞩目的成就，但同时也伴随着能源过度消耗和环境污染问题。2021年，中国能源消费总量高达52. 4亿t标准煤，二氧化碳排放量超119亿t，为世界第一大能源消耗国和碳排放国。节能减排是解决当前世界资源环境瓶颈的必然之路［1］。城市作为经济发展的重要载体和节能减排的主战场，其减排效果将直接决定着中国“双碳”目标能否按期实现。因此，科学解析符合经济发展规律下的城市碳达峰路径，并深入剖析影响城市碳达峰的结构性因素，能够在实践层面为中国整体碳达峰、碳中和战略目标的实现起到引领示范作用。

1 文献综述

目前，与该研究密切相关的文献主要围绕碳排放测算［2-3］、碳达峰预测及其影响因素分解两方面展开。第一，碳排放测算及碳达峰时间预测。现有文献较多利用DMSP/OLS夜间灯光数据进行碳排放测算，并且这一数据官方只更新到2013 年［4-5］。Zhao 等［6］利用NPP/VIIRS 夜间灯光数据弥补了2013年后的数据缺失问题，将城市维度的碳排放研究数据扩充至2015年。此外，一些学者［7-9］采用模型预测与情景模拟相结合的方法探究二氧化碳峰值问题，然而传统预测模型难以处理数据繁杂以及变量复杂关系所导致的精度不足缺陷。机器学习因具有较强的非线性拟合能力，许多学者认为这会使预测结果更加科学合理［10］。第二，碳排放驱动因素的结构分解。碳排放驱动因素的分解方法主要有结构分解法（SDA）和指数分解法（IDA）。结构分解法需要建立在投入-产出数据基础上［11］，而指数分解法所需数据更易获取、便于操作，所以得到了更为广泛的应用［12-14］。已有运用广义迪氏指数法对碳排放进行分解的研究表明能源消耗、人口规模、经济发展均是影响碳排放的驱动因素［15］。

2 基于夜间灯光数据的城市碳排放估算

2. 1 估算方法

借鉴Meng 等［5］的测算思路反演中国2000—2018 年地级及以上城市（下文中的“地级市”或“城市”均指“地级及以上城市”）的二氧化碳排放。首先，对原始灯光数据进行校准；其次，运用灯光亮度总值对省际层面二氧化碳排放量进行弹性估算；最后，引入从上至下估计方法，构建模型对地级市碳排放进行测度（夜间灯光数据反演的详细过程略，备索）。

2. 2 估算结果分析

2. 2. 1 区域-城市层面

由于各个区域的经济发展水平、政策导向、产业结构的异质性，中国东中西地区各个城市二氧化碳排放量也有所不同。2000—2018年各地区城市年均二氧化碳排放量呈波动上升趋势，中部地区城市年均碳排放居高，东部城市居中，西部城市最低。其中，中部地区城市与东部地区城市年均碳排放在2000—2007年间呈平行增长趋势，2007年后两者差距逐渐拉大，至2018年两者年均碳排放相差3 772. 38万t。这可能是由于2007年之后，东部地区经济发展重心逐步转为优化经济结构和提升经济质量，其年均碳排放增速开始逐步放缓。随着产业“西进”步伐加速，中部区域承接国际和国内产业转移能力不断加强，一定程度上引致了中部区域碳排放的增加（限于篇幅，区域-城市层面结果图略，备索）。

2. 2. 2 五大城市群

基于以上分析，分别构建城市群人均碳排放与GDP碳强度指标以剖析五大城市群碳排放的动态演化趋势。

观察图1可知，2000—2018年五大城市群的二氧化碳排放总量、人均碳排放总体呈现增长态势，而GDP碳强度则呈现下降趋势。2000—2018年间长江中游、长三角、珠三角、成渝和京津冀五大城市群碳排放量年均增速分别为7. 5%、6. 9%、5. 7%、3. 4% 和5. 5%，与此同时，其经济发展年均增速分别为14. 2%、12. 2%、12. 9%、11. 4%和11. 5%，经济增长的年均增速均小于碳排放的年均增速，因此，五大城市群的单位GDP强度均呈现下降趋势。这也充分表明中国节能降碳增效行动取得积极进展，生态文明观念稳固树立，为应对全球气候变化作出了积极贡献［16］。人均碳排放呈现增长趋势，则意味着此期间二氧化碳排放增速要显著高于人口增长速度。具体来说，2000—2018年五大城市群二氧化碳排放和人均碳排放特征大致可分為“快速增长期”与“平台波动期”两个阶段，这与段林丰等［17］研究结论相一致。

分区域对比来看，珠三角城市群GDP碳强度为五大城市群最低，其样本内GDP碳强度均值为1. 14万t/亿元，大大低于位居第二名成渝城市群的2. 37万t/亿元，而其碳排放总量和人均碳排放都远高于处于较低水平的成渝城市群。这主要归因金融危机后，珠三角城市群积极寻求经济发展转型，不断进行结构调整和产业升级，GDP碳强度得以明显降低。随着珠三角城市群第三产业的快速发展，城镇用地碳排放持续增长将成为碳减排的关键问题，引致其碳排放总量不断增加［18］。长江中游城市群GDP碳强度在2000—2018年间下降了15. 62万t/亿元，京津冀与长三角城市群分别下降了2. 84万t/亿元、0. 22万t/亿元，前者下降幅度远超出后两者，反映为高碳排放地区的降幅显著高于低排放地区的降幅，地区间平均排量差异缩小，呈现出一定的收敛特性。

3 基于机器学习的城市碳达峰路径演化

3. 1 特征选择及预测

选取地级市层面经济发展水平、资本、劳动、能源消费和PM2. 5等5个与碳排放密切相关的变量作为初始数据集，运用随机森林算法对初始数据集进行降维，以获得最优预测模型。其次，运用Prophet 模型对2019—2035 年267个城市的四个特征变量进行预测（全国地级及以上城市共297个，含4个直辖市，囿于数据的可获得性，该研究未包括巴彦淖尔、乌兰察布、黑河、亳州、随州、中山、云浮、崇左、来宾、贺州、贵港、三沙、儋州、眉山、资阳、毕节、铜仁、普洱、吐鲁番、哈密、拉萨、日喀则、昌都、林芝、山南、那曲、固原、中卫、西宁、海东以及港澳台地区）。最终，基于预测的各特征变量数据运用高斯回归、支持向量机、梯度提升等方法拟合得到2019—2035年地级市碳排量预测值。由于碳中和的实现涉及因素种类较多且较为复杂［19］，鉴于此，该研究在预测城市碳达峰时并未考虑2060年碳中和要求。

3. 2 碳达峰路径分析

比照4种模型预测结果，发现高斯回归算法的预测结果较优于支持向量机和梯度提升。从总体预测趋势来看，现有演化路径下267个地级市中能按期甚至提前碳达峰的城市仅有3个，分别为苏州市、贵阳市和德州市，剩余的绝大多数城市并不能按期碳达峰。其中，约有15%的城市可以在2031年达峰，近8%的城市可在2032年达峰，71%的城市集中在2034年达峰，剩余约6%的城市将长时间延迟达峰。该研究将以高斯回归预测结果为准，从不同层面对城市碳达峰路径进行分析。

3. 2. 1 区域-城市层面

从碳排放的绝对量来看，267 个地级市的碳排放仍呈现出持续上升态势。2019 年267 个地级市二氧化碳排放总量为12 067. 90 万t，到2035 年将增长至19489. 98 万t，17 年间将增长1. 6 倍。从时间维度来看，267 个地级市碳排放增长率呈现出波动性下降趋势。2019—2035 年碳排放年均增长率将为3. 1%，约为2000—2018 年均增长率的1/3。其中：2020—2025 年267 个地级市碳排放年均增速为3. 3%，2025—2030 年增速将有所减缓，年均增长率下降至3. 1%，2030—2035将进一步放缓，年均增长率降低至2. 6%。这意味着未来碳排放增长量将会随着各地碳达峰措施力度的加强而持续x走低（限于篇幅，各模型预测曲线对比图及区域-城市层面分析结果图表略，备索）。

3. 2. 2 东中西部地区城市

基于预测的各变量数据，进一步构建GDP碳强度及人均碳排放等指标对不同区域2019—2035年碳排放变化趋势进行深度剖析。2019—2035年，各地区城市生产总值碳强度将呈现波动性下降趋势，人均碳排放总体则呈现波动式上升趋势。从碳排放绝对量来看，中部地区城市仍将是碳排放最高的区域，东部地区城市年均碳排放紧随其后，西部城市最低，这与2000—2018年的测算情形相一致。从GDP碳强度看，东中西地区城市生产总值碳强度总体将呈波动性下降趋势，与2000—2018变动趋势有所不同。未来西部城市将可能逐渐成为GDP碳强度最低的区域，东部略高于西部，中部地区则可能仍在高位，维持在3. 74万t/亿元左右。就GDP碳强度的下降速度而言，呈现出“西部地区城市>东部地区城市>中部地区城市”的格局。這也从侧面反映出东西部地区城市的产业结构将逐渐转向低碳化，部分城市可通过能源结构调整和优化升级，率先实现碳达峰。从人均碳排放看，各地区则形成“中部地区城市>东部地区城市>西部地区城市”的格局。中部地区城市人均碳排放增长最快，由2019年的26. 20 t/人增长到2035年34. 49 t/人，其人均碳排放约分别是西部和东部地区城市的3. 2倍和1. 6倍。

东部地区城市生产总值碳强度不断降低，这可能是一些经济发达的城市，在推动产业升级的过程中低碳技术产业得以快速发展，在绿色低碳高质量发展转型过程中处于领先位置，因而具有按期甚至提前碳达峰的产业基础。中部地区城市GDP碳强度虽呈下降趋势，但碳排放总量和人均碳排放均出现较大增长。中部地区城市的产业结构以高能耗为主，能源消费需求会随着工业化、城镇化的进一步而增加，因而引致的碳排放也会增加。西部地区城市不论是碳排放绝对量、GDP碳强度还是人均碳排放都是三大地区城市中较低的。这可能得益西部地区得天独厚的区位资源禀赋，风能、太阳能等可再生清洁能源比重较高，并且地广人稀，城镇化水平较低，使得其碳排放绝对量与人均碳排放处于较低水平。

3. 2. 3 五大城市群

观察图2可以看出，在现有路径演化下，五大城市群的碳排放总量及人均碳排放量总体将呈现出波动式上升趋势，而GDP碳强度则呈下降趋势。2019—2035年长江中游、长三角、京津冀、珠三角和成渝城市群碳排放总量将分别增长44. 41%、30. 53%、35. 17%、35. 43% 和33. 98%，同时期其GDP 碳强度则分别下降23. 8%、11. 2%、24. 2%、30. 09%和28. 3%。这表明未来五大城市群在保持经济发展的同时可以实现碳排放量的下降，即实现经济低碳转型。纵向来看，长江中游城市群的二氧化碳排放量、GDP碳强度和人均碳排放将为五大城市群最高，预测区间内“三高”态势特征明显。2021年其第三产业增加值占比仅为51%，远低于京津冀、长三角的67%、57%，产业结构不尽合理，第三产业比重过低，短时期内“三高”态势难以快速缓解。而成渝城市群无论是二氧化碳排放总量、人均碳排放强度，还是GDP碳强度在未来都将处于相对较低水平。

作为中国三大沿海城市群，长三角、珠三角、京津冀地理条件优越，经济发展强劲，故其低碳转型发展备受关注。2035年，长三角城市群碳排量将达到26. 89亿t，约为京津冀城市群的1. 6倍、珠三角城市群的4. 2倍。与此同时，其GDP碳强度、人均碳排放将分别为3. 46万t/亿元、18. 26 t/人，约为京津冀城市群的3. 7倍、1. 2倍，珠三角城市群的8. 2倍、1. 5倍。2020年，长三角地区一次能源需求总量约为8. 4亿t标准煤，终端能源需求总量约占全国的17%，煤炭等化石能源在长三角能源消费中所占比重仍占主导地位［20］，所以其二氧化碳排放总量、GDP 碳强度、人均碳排放都将居高不下。而珠三角城市群的煤炭、油品消费占比有所下降，天然气消费占比逐渐上升，一次电力及其他能源消费占比增长趋势明显，故其未来减排潜力巨大［21］。自京津冀协同发展战略实施以来，其低碳发展速度明显加快，但整体低碳发展水平仍落后长三角、珠三角地区，除煤炭占能源消费总量的比重较高外，京津冀地区绿色创新能力也存在明显不足，区域内扩散能力较弱，导致成果难以有效转化［22-23］，因此，其碳排放总量、GDP碳强度相对较高（限于篇幅，部分城市碳达峰时间表及典型城市群碳达峰路径分析结果略，备索）。

4 城市碳达峰驱动因素的结构分解

4. 1 分解机理

将在Vaninsky［14］的基础上对传统的广义迪氏指数分解法（GDIM）进行拓展，拓展后的广义迪氏指数引入了固定资产投资（I）和外商直接投资（F）等两个因素，拓展后的Kaya恒等式如公式（1）所示：

C = （C/E ） × （E/G ） × （G/I ） × （I/F ） × （F/P ） × P （1）

进一步地，可将上述公式变换成以下形式：

4. 2 分解结果分析

在考察的14个结构因素中，能源消费规模、产出规模、固定资产投资规模、外商直接投资规模和人均碳排放对碳排放基本保持促增作用，产出碳强度、固定资产投资碳强度、人均外商直接投资和能源強度基本保持促降作用，能源碳强度、外商直接投资碳强度、投资效率、人口规模和投资结构的促增作用和促降作用均有出现。以城市群为划分，对分解结果进行分析。限于篇幅，仅对长三角及珠三角典型代表城市作详细剖析（2000—2035长三角及珠三角城市群分解结果略，备索）。

4. 2. 1 长三角城市群

为了更加清楚地反映各因素在城市碳排放演变的动态影响，对长三角典型代表城市2000—2035年的碳排放进行分解，结果如下。

观察图3可知，外商直接投资规模是杭州市和上海市碳排放增加的首要因素，其35年间引致的碳排放增量约为人均碳排放的两倍左右，分别使其碳排放增加0. 88亿t、1. 57亿t。与杭州市相比，外商直接投资规模对上海市碳排放的促增影响相对较大。上海市作为中国经济最为发达的国际化城市，自2008年起其外商直接投资金额就远超长三角其他城市。2000—2035年外商直接投资年均增速为14. 9%，外商直接投资规模扩大也引致碳排放增加。对南京市和苏州市碳排放有显著促增影响的因素为固定资产投资规模，到2035年分别使得南京市和苏州市碳排放增加0. 67亿t、1. 89亿t。苏州市固定资产投资自2003年起一直保持波动上升的态势，且略高于南京市的固定资产投资，说明在未来大规模的固定资产投资仍是苏州市碳排放增长的主要驱动因素。此外，人均碳排放也是促使南京市、杭州市和上海市碳排放增加的重要因素，碳排放量分别上升了0. 15亿t、0. 38亿t和0. 77亿t。相比其他城市，南京市、杭州市和上海市等城市居民的消费模式更具有高能耗特征所致。仅以2019年为例，南京市、杭州市和上海市的城乡居民用电量分别为97亿kW·h、138亿kW·h和245亿kW·h，远超其他城市用电量水平。

对杭州市和上海市碳排放有着显著负向影响的因素为人均外商直接投资，2000—2035年间分别致使两地碳排放减少了0. 68亿t、1. 20亿t。这可能是因为外商直接投资规模及人口规模对碳排放均表现为正向影响，但人口规模扩张所引致碳排放的增加量要大于外商直接投资，从而使得人均外商直接投资对各城市碳排放的贡献呈负向作用。对南京市和苏州市碳排放有显著促降作用的因素为投资结构，35 年间引致的碳排放减少分别为0. 41亿t和1. 69亿t。此外，产出碳强度对苏州市、上海市和杭州市的碳减排有显著的影响。这是由于随着科技进步和产业结构调整，三个城市低碳经济发展取得一定成效，因而产出碳强度对区域碳排放表现出显著的抑制作用。对此，政府应持续优化长三角各城市外资区域与产业布局，推动引资战略从“重引进规模，轻引进质量”向“质量优于规模”转变，同时不断提升长三角城市绿色低碳技术创新能力，提高减污降碳关键核心技术攻关能力，抢占碳达峰、碳中和的技术制高点。

4. 2. 2 珠三角城市群

为了更加清楚地探究各因素对城市碳达峰的动态影响，也对珠三角典型城市2000—2035年的碳排放进行分解，结果如下。

由图4可以看出，在影响碳排放的各项驱动因素中，固定资产投资规模对各城市碳排放的促增贡献最大。这一时期，珠三角城市群固定资产投资呈逐年上升趋势，由此引致珠海市、深圳市、佛山市和广州市碳排放分别增加0. 27亿t、0. 29亿t、0. 95亿t和1. 44亿t。其中，固定资产投资规模对广州市碳排放的促增作用最大。这说明大规模的固定资产投资仍是广州市经济快速增长的主要推动力，粗放型的经济增长方式还未得到较好的改善，从而导致其碳排放的增加。与此同时，外商直接投资碳强度对佛山市和广州市碳排放的促增影响较为显著，至2035年分别使得碳排放增加0. 24亿t、0. 56亿t。就深圳市而言，除固定资产投资规模对其碳排放有显著的正向影响外，能源消费规模的影响也不可忽视，未来节能减排政策应着眼改善粗放型经济增长模式，淘汰和限制高能耗的落后生产力。

投资结构是各城市碳排放的主要促降因素。这可能是由于固定资产投资及外商直接投资规模均对碳排放呈现促增作用，外商直接投资规模扩张所带来碳排放的增加要大于固定资产投资所引致的碳排放增量，从而导致投资结构对各城市碳排放呈现负向影响。随着各种低碳技术研发与应用，使得经济发展中低碳化程度得到提高，产出碳强度对各城市碳排放的抑制作用日趋明显，到2035年可使珠海市、深圳市、佛山市和广州市碳排放减少0. 01亿t、0. 03亿t、0. 04亿t和0. 05亿t。这说明技术进步也是各城市碳排放减少的重要因素，这一分析结果与IPCC发布的研究报告相一致。投资碳强度与能源强度的负向影响较弱，未来应进一步注重降低各城市的能源消耗强度并改善投资效率。

5 数据来源

数据具体来源主要包括以下三类：一是，测算所使用的DMSP和VIIRS两组夜间灯光数据由美国国家海洋大气管理局国家地球物理数据中心发布。省级及城市维度能源、污染排放数据集来自往年《中国能源统计年鉴》和基于夜间灯光数据反演模拟所得。二是，预测所用地级市层面经济发展水平GDP、资本、劳动、能源消费和PM2. 5 等变量数据均来自历年《城市统计年鉴》《区域统计年鉴》《中国统计年鉴》，缺失值部分使用K 近邻插值填补。三是，分解部分2000—2018年所使用各因素分解数据主要来自历年《城市统计年鉴》《区域统计年鉴》《中国统计年鉴》，碳排放数据由前文模拟估算所得，2019—2035 年分解数据均来自前文预测所得。为保证数据的可比性，GDP、外商直接投资及固定资产投资均平减为2000年不变价格。

6 结语与启示

首先反演模拟了2000—2018年267个地级市碳排放量，并运用机器学习的多种算法对各城市的碳达峰路径进行预测，最后基于拓展的广义迪氏指数对城市碳达峰的驱动因素进行了结构分解，结果显示：中国城市碳排放总量呈持续增长态势，基本形成“东部发达城市高集聚，中西部欠发达城市低集聚”的格局。267个城市中，可以提前达峰和按期达峰的城市仅有6个，比重仅约为2%，95%的城市将会在2031—2034年碳达峰，剩余3%的城市会长时间延迟达峰。产出规模、能源消费规模、固定资产投资规模、外商直接投资规模和人均碳排放对各城市碳排放基本保持促增作用，而产出碳强度、投资碳强度、人均外商直接投资和能源强度基本保持促降作用。

该研究对中国如何整体按期实现“双碳”目标具有重要的借鉴和启示：第一，推进低碳产业集群建设，培育低碳转型引领示范城市。第二，大力发展清洁能源，积极引导“三高”项目绿色转型。第三，扩大低碳城市试点范围，兼顾城市“稳发展”与“促减排”。

参考文献

［1］ 方国昌. 节能减排路径优化理论分析及政策选择［M］. 北京：科学出版社，2020.

［2］ 杜海波，魏伟，张学渊，等. 黄河流域能源消费碳排放时空格局演变及影响因素：基于DMSP/OLS 与NPP/VIIRS 夜间灯光数据［J］. 地理研究，2021，40（7）：2051-2065.

［3］ ELVIDGE C D， SUTTON P C， GHOSH T， et al. A global povertymap derived from satellite data［J］. Computers & geosciences， 2009，35（8）：1652-1660.

［4］ ODA T，MAKSYUTOVS. A very high resolution （1 km×1 km）globalfossil fuel CO2 emission inventory derived using a point source databaseand satellite observations of nighttime lights［J］. Atmosphericchemistry ＆ physics，2010，10（7）：16307-16344．

［5］ MENG L， GRAUS W， WORRELL E， et al. Estimating CO2 emissionsat urban scales by DMSP/OLS nighttime light imagery： methodologicalchallenges and a case study for China［J］. Energy，2014， 71：468-478.

［6］ ZHAO J C， JI G X， YUE Y L， et al. Spatio‐temporal dynamics ofurban residential CO2 emissions and their driving forces in China usingthe integrated two nighttime light datasets［J］. Applied energy，2019， 235： 612-624.

［7］ 柴麒敏，徐華清. 基于IAMC模型的中国碳排放峰值目标实现路径研究［J］. 中国人口·资源与环境，2015，25（6）：37-46.

［8］ 林伯强，蒋竺均. 中国二氧化碳的环境库兹涅茨曲线预测及影响因素分析［J］. 管理世界，2009（4）：27-36.

［9］ 王宪恩，王泳璇，段海燕. 区域能源消费碳排放峰值预测及可控性研究［J］. 中国人口·资源与环境，2014，24（8）：9-16.

［10］ 赵成柏，毛春梅. 基于ARIMA和BP神经网络组合模型的我国碳排放强度预测［J］. 长江流域资源与环境，2012，21（6）：665-671.

［11］ 李玲，张俊荣，汤铃，等. 我国能源强度变动的影响因素分析：基于SDA分解技术［J］. 中国管理科学，2017，25（9）：125-132.

［12］ 曹俊文，周丽. 长三角地区物流业碳排放时空分布及其影响因素研究［J］. 统计与决策，2021，37（10）：79-83.

［13］ VANINSKY A. Economic factorial analysis of CO2 emissions：thedivisia index with interconnected factors approach［J］. Worldacademy of science，engineeringand technology international journalof economics and management engineering，2013，7（10）：746-751．

［14］ VANINSKY A. Factorial decomposition of CO2 emissions： a generalizeddivisia index approach［J］. Energy economics，2014，45：389-400.

［15］ 邵帅，张曦，赵兴荣. 中国制造业碳排放的经验分解与达峰路径：广义迪氏指数分解和动态情景分析［J］. 中国工业经济，2017，4（3）：44-63.

［16］ 张卓群，张涛，冯冬发. 中国碳排放强度的区域差异、动态演进及收敛性研究［J］. 数量经济技术经济研究，2022，39（4）：67-87.

［17］ 段林丰，卢培利，蒲寅羽，等. 典型城市群碳排放的脱钩效应及驱动机制研究［J］. 环境科学与技术，2021，44（11）：55-62.

［18］ 王艳军，王孟杰，柳林，等. DMSP/OLS夜光数据的珠三角碳排放时空差异性分析［J］. 遥感学报，2022，26（9）：1824-1837.

［19］ 冯帅. 遵约背景下中国“双碳”承诺的实现［J］. 中国软科学，2022（9）：6-15.

［20］ 宋府霖，韩传峰，滕敏敏. 长三角地区能源消费碳排放驱动因素分析及优化策略［J］. 生态经济，2022，38（4）：21-28.

［21］ 钟薇薇，高海，徐维军，等. 多聚类视角下的碳达峰路径探索与趋势研判：基于广东省21个地级市面板数据的分析［J］. 南方经济，2021（12）：58-79.

［22］ 武义青，姚连宵. 京津冀区域低碳发展现状及转型路径［J］. 天津社会科学，2022（5）：89-96.

［23］ 李治国，杨雅涵，赵园春. 地方政府竞争促进了地区碳排放强度吗？［J］. 经济与管理评论，2022，38（2）：136-146.

（责任编辑：于 杰）