中國城市碳達峰路徑及其驅動因素的結構分解

張兵兵 王捷 閆志俊

摘要 碳達峰和碳中和是生態文明建設整體布局的重要一環，是實現中國綠色低碳高質量發展的重要舉措。該研究首先基于校準的夜間燈光數據，運用從上至下估算方法對中國267個地級及以上城市的碳排放量進行反演模擬測算；然后，綜合運用高斯回歸、支持向量機、梯度提升等機器學習算法，科學預測各個城市的碳達峰路徑；最后，運用拓展的廣義迪氏指數方法對2000—2030年地級及以上城市碳排放演變的驅動因素進行分解，結果顯示：①中國二氧化碳排放總量呈持續增長態勢，各城市增速不同且差異較大，形成“發達城市高排量，欠發達城市低排量”的態勢。②267個樣本城市中，僅有蘇州市、貴陽市等6個城市可以提前達峰或按期達峰，比重僅占2%；上海市、廣州市、杭州市等252個城市將在2031—2034年達峰；北京市、珠海市等9個城市將長時期延期達峰。③運用拓展的廣義迪氏指數進行結構分解后發現，能源消費規模、產出規模、固定資產投資規模等因素對各城市碳排放基本保持促增作用，而產出碳強度、投資碳強度等則基本保持促降作用。優化綠色低碳發展區域布局，推動低碳產業集群建設，兼顧城市“穩發展”與“促減排”是“雙碳”目標有序推進的重要保障。

關鍵詞 碳達峰；節能減排；低碳轉型；機器學習；廣義迪氏指數

中圖分類號 X321 文獻標志碼 A 文章編號 1002-2104（2023）09-0038-07 DOI：10. 12062/cpre. 20230128

改革開放以來，中國經濟發展取得令人矚目的成就，但同時也伴隨著能源過度消耗和環境污染問題。2021年，中國能源消費總量高達52. 4億t標準煤，二氧化碳排放量超119億t，為世界第一大能源消耗國和碳排放國。節能減排是解決當前世界資源環境瓶頸的必然之路［1］。城市作為經濟發展的重要載體和節能減排的主戰場，其減排效果將直接決定著中國“雙碳”目標能否按期實現。因此，科學解析符合經濟發展規律下的城市碳達峰路徑，并深入剖析影響城市碳達峰的結構性因素，能夠在實踐層面為中國整體碳達峰、碳中和戰略目標的實現起到引領示范作用。

1 文獻綜述

目前，與該研究密切相關的文獻主要圍繞碳排放測算［2-3］、碳達峰預測及其影響因素分解兩方面展開。第一，碳排放測算及碳達峰時間預測。現有文獻較多利用DMSP/OLS夜間燈光數據進行碳排放測算，并且這一數據官方只更新到2013 年［4-5］。Zhao 等［6］利用NPP/VIIRS 夜間燈光數據彌補了2013年后的數據缺失問題，將城市維度的碳排放研究數據擴充至2015年。此外，一些學者［7-9］采用模型預測與情景模擬相結合的方法探究二氧化碳峰值問題，然而傳統預測模型難以處理數據繁雜以及變量復雜關系所導致的精度不足缺陷。機器學習因具有較強的非線性擬合能力，許多學者認為這會使預測結果更加科學合理［10］。第二，碳排放驅動因素的結構分解。碳排放驅動因素的分解方法主要有結構分解法（SDA）和指數分解法（IDA）。結構分解法需要建立在投入-產出數據基礎上［11］，而指數分解法所需數據更易獲取、便于操作，所以得到了更為廣泛的應用［12-14］。已有運用廣義迪氏指數法對碳排放進行分解的研究表明能源消耗、人口規模、經濟發展均是影響碳排放的驅動因素［15］。

2 基于夜間燈光數據的城市碳排放估算

2. 1 估算方法

借鑒Meng 等［5］的測算思路反演中國2000—2018 年地級及以上城市（下文中的“地級市”或“城市”均指“地級及以上城市”）的二氧化碳排放。首先，對原始燈光數據進行校準；其次，運用燈光亮度總值對省際層面二氧化碳排放量進行彈性估算；最后，引入從上至下估計方法，構建模型對地級市碳排放進行測度（夜間燈光數據反演的詳細過程略，備索）。

2. 2 估算結果分析

2. 2. 1 區域-城市層面

由于各個區域的經濟發展水平、政策導向、產業結構的異質性，中國東中西地區各個城市二氧化碳排放量也有所不同。2000—2018年各地區城市年均二氧化碳排放量呈波動上升趨勢，中部地區城市年均碳排放居高，東部城市居中，西部城市最低。其中，中部地區城市與東部地區城市年均碳排放在2000—2007年間呈平行增長趨勢，2007年后兩者差距逐漸拉大，至2018年兩者年均碳排放相差3 772. 38萬t。這可能是由于2007年之后，東部地區經濟發展重心逐步轉為優化經濟結構和提升經濟質量，其年均碳排放增速開始逐步放緩。隨著產業“西進”步伐加速，中部區域承接國際和國內產業轉移能力不斷加強，一定程度上引致了中部區域碳排放的增加（限于篇幅，區域-城市層面結果圖略，備索）。

2. 2. 2 五大城市群

基于以上分析，分別構建城市群人均碳排放與GDP碳強度指標以剖析五大城市群碳排放的動態演化趨勢。

觀察圖1可知，2000—2018年五大城市群的二氧化碳排放總量、人均碳排放總體呈現增長態勢，而GDP碳強度則呈現下降趨勢。2000—2018年間長江中游、長三角、珠三角、成渝和京津冀五大城市群碳排放量年均增速分別為7. 5%、6. 9%、5. 7%、3. 4% 和5. 5%，與此同時，其經濟發展年均增速分別為14. 2%、12. 2%、12. 9%、11. 4%和11. 5%，經濟增長的年均增速均小于碳排放的年均增速，因此，五大城市群的單位GDP強度均呈現下降趨勢。這也充分表明中國節能降碳增效行動取得積極進展，生態文明觀念穩固樹立，為應對全球氣候變化作出了積極貢獻［16］。人均碳排放呈現增長趨勢，則意味著此期間二氧化碳排放增速要顯著高于人口增長速度。具體來說，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“快速增長期”與“平臺波動期”兩個階段，這與段林豐等［17］研究結論相一致。

分區域對比來看，珠三角城市群GDP碳強度為五大城市群最低，其樣本內GDP碳強度均值為1. 14萬t/億元，大大低于位居第二名成渝城市群的2. 37萬t/億元，而其碳排放總量和人均碳排放都遠高于處于較低水平的成渝城市群。這主要歸因金融危機后，珠三角城市群積極尋求經濟發展轉型，不斷進行結構調整和產業升級，GDP碳強度得以明顯降低。隨著珠三角城市群第三產業的快速發展，城鎮用地碳排放持續增長將成為碳減排的關鍵問題，引致其碳排放總量不斷增加［18］。長江中游城市群GDP碳強度在2000—2018年間下降了15. 62萬t/億元，京津冀與長三角城市群分別下降了2. 84萬t/億元、0. 22萬t/億元，前者下降幅度遠超出后兩者，反映為高碳排放地區的降幅顯著高于低排放地區的降幅，地區間平均排量差異縮小，呈現出一定的收斂特性。

3 基于機器學習的城市碳達峰路徑演化

3. 1 特征選擇及預測

選取地級市層面經濟發展水平、資本、勞動、能源消費和PM2. 5等5個與碳排放密切相關的變量作為初始數據集，運用隨機森林算法對初始數據集進行降維，以獲得最優預測模型。其次，運用Prophet 模型對2019—2035 年267個城市的四個特征變量進行預測（全國地級及以上城市共297個，含4個直轄市，囿于數據的可獲得性，該研究未包括巴彥淖爾、烏蘭察布、黑河、亳州、隨州、中山、云浮、崇左、來賓、賀州、貴港、三沙、儋州、眉山、資陽、畢節、銅仁、普洱、吐魯番、哈密、拉薩、日喀則、昌都、林芝、山南、那曲、固原、中衛、西寧、海東以及港澳臺地區）。最終，基于預測的各特征變量數據運用高斯回歸、支持向量機、梯度提升等方法擬合得到2019—2035年地級市碳排量預測值。由于碳中和的實現涉及因素種類較多且較為復雜［19］，鑒于此，該研究在預測城市碳達峰時并未考慮2060年碳中和要求。

3. 2 碳達峰路徑分析

比照4種模型預測結果，發現高斯回歸算法的預測結果較優于支持向量機和梯度提升。從總體預測趨勢來看，現有演化路徑下267個地級市中能按期甚至提前碳達峰的城市僅有3個，分別為蘇州市、貴陽市和德州市，剩余的絕大多數城市并不能按期碳達峰。其中，約有15%的城市可以在2031年達峰，近8%的城市可在2032年達峰，71%的城市集中在2034年達峰，剩余約6%的城市將長時間延遲達峰。該研究將以高斯回歸預測結果為準，從不同層面對城市碳達峰路徑進行分析。

3. 2. 1 區域-城市層面

從碳排放的絕對量來看，267 個地級市的碳排放仍呈現出持續上升態勢。2019 年267 個地級市二氧化碳排放總量為12 067. 90 萬t，到2035 年將增長至19489. 98 萬t，17 年間將增長1. 6 倍。從時間維度來看，267 個地級市碳排放增長率呈現出波動性下降趨勢。2019—2035 年碳排放年均增長率將為3. 1%，約為2000—2018 年均增長率的1/3。其中：2020—2025 年267 個地級市碳排放年均增速為3. 3%，2025—2030 年增速將有所減緩，年均增長率下降至3. 1%，2030—2035將進一步放緩，年均增長率降低至2. 6%。這意味著未來碳排放增長量將會隨著各地碳達峰措施力度的加強而持續x走低（限于篇幅，各模型預測曲線對比圖及區域-城市層面分析結果圖表略，備索）。

3. 2. 2 東中西部地區城市

基于預測的各變量數據，進一步構建GDP碳強度及人均碳排放等指標對不同區域2019—2035年碳排放變化趨勢進行深度剖析。2019—2035年，各地區城市生產總值碳強度將呈現波動性下降趨勢，人均碳排放總體則呈現波動式上升趨勢。從碳排放絕對量來看，中部地區城市仍將是碳排放最高的區域，東部地區城市年均碳排放緊隨其后，西部城市最低，這與2000—2018年的測算情形相一致。從GDP碳強度看，東中西地區城市生產總值碳強度總體將呈波動性下降趨勢，與2000—2018變動趨勢有所不同。未來西部城市將可能逐漸成為GDP碳強度最低的區域，東部略高于西部，中部地區則可能仍在高位，維持在3. 74萬t/億元左右。就GDP碳強度的下降速度而言，呈現出“西部地區城市>東部地區城市>中部地區城市”的格局。這也從側面反映出東西部地區城市的產業結構將逐漸轉向低碳化，部分城市可通過能源結構調整和優化升級，率先實現碳達峰。從人均碳排放看，各地區則形成“中部地區城市>東部地區城市>西部地區城市”的格局。中部地區城市人均碳排放增長最快，由2019年的26. 20 t/人增長到2035年34. 49 t/人，其人均碳排放約分別是西部和東部地區城市的3. 2倍和1. 6倍。

東部地區城市生產總值碳強度不斷降低，這可能是一些經濟發達的城市，在推動產業升級的過程中低碳技術產業得以快速發展，在綠色低碳高質量發展轉型過程中處于領先位置，因而具有按期甚至提前碳達峰的產業基礎。中部地區城市GDP碳強度雖呈下降趨勢，但碳排放總量和人均碳排放均出現較大增長。中部地區城市的產業結構以高能耗為主，能源消費需求會隨著工業化、城鎮化的進一步而增加，因而引致的碳排放也會增加。西部地區城市不論是碳排放絕對量、GDP碳強度還是人均碳排放都是三大地區城市中較低的。這可能得益西部地區得天獨厚的區位資源稟賦，風能、太陽能等可再生清潔能源比重較高，并且地廣人稀，城鎮化水平較低，使得其碳排放絕對量與人均碳排放處于較低水平。

3. 2. 3 五大城市群

觀察圖2可以看出，在現有路徑演化下，五大城市群的碳排放總量及人均碳排放量總體將呈現出波動式上升趨勢，而GDP碳強度則呈下降趨勢。2019—2035年長江中游、長三角、京津冀、珠三角和成渝城市群碳排放總量將分別增長44. 41%、30. 53%、35. 17%、35. 43% 和33. 98%，同時期其GDP 碳強度則分別下降23. 8%、11. 2%、24. 2%、30. 09%和28. 3%。這表明未來五大城市群在保持經濟發展的同時可以實現碳排放量的下降，即實現經濟低碳轉型。縱向來看，長江中游城市群的二氧化碳排放量、GDP碳強度和人均碳排放將為五大城市群最高，預測區間內“三高”態勢特征明顯。2021年其第三產業增加值占比僅為51%，遠低于京津冀、長三角的67%、57%，產業結構不盡合理，第三產業比重過低，短時期內“三高”態勢難以快速緩解。而成渝城市群無論是二氧化碳排放總量、人均碳排放強度，還是GDP碳強度在未來都將處于相對較低水平。

作為中國三大沿海城市群，長三角、珠三角、京津冀地理條件優越，經濟發展強勁，故其低碳轉型發展備受關注。2035年，長三角城市群碳排量將達到26. 89億t，約為京津冀城市群的1. 6倍、珠三角城市群的4. 2倍。與此同時，其GDP碳強度、人均碳排放將分別為3. 46萬t/億元、18. 26 t/人，約為京津冀城市群的3. 7倍、1. 2倍，珠三角城市群的8. 2倍、1. 5倍。2020年，長三角地區一次能源需求總量約為8. 4億t標準煤，終端能源需求總量約占全國的17%，煤炭等化石能源在長三角能源消費中所占比重仍占主導地位［20］，所以其二氧化碳排放總量、GDP 碳強度、人均碳排放都將居高不下。而珠三角城市群的煤炭、油品消費占比有所下降，天然氣消費占比逐漸上升，一次電力及其他能源消費占比增長趨勢明顯，故其未來減排潛力巨大［21］。自京津冀協同發展戰略實施以來，其低碳發展速度明顯加快，但整體低碳發展水平仍落后長三角、珠三角地區，除煤炭占能源消費總量的比重較高外，京津冀地區綠色創新能力也存在明顯不足，區域內擴散能力較弱，導致成果難以有效轉化［22-23］，因此，其碳排放總量、GDP碳強度相對較高（限于篇幅，部分城市碳達峰時間表及典型城市群碳達峰路徑分析結果略，備索）。

4 城市碳達峰驅動因素的結構分解

4. 1 分解機理

將在Vaninsky［14］的基礎上對傳統的廣義迪氏指數分解法（GDIM）進行拓展，拓展后的廣義迪氏指數引入了固定資產投資（I）和外商直接投資（F）等兩個因素，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）

進一步地，可將上述公式變換成以下形式：

4. 2 分解結果分析

在考察的14個結構因素中，能源消費規模、產出規模、固定資產投資規模、外商直接投資規模和人均碳排放對碳排放基本保持促增作用，產出碳強度、固定資產投資碳強度、人均外商直接投資和能源強度基本保持促降作用，能源碳強度、外商直接投資碳強度、投資效率、人口規模和投資結構的促增作用和促降作用均有出現。以城市群為劃分，對分解結果進行分析。限于篇幅，僅對長三角及珠三角典型代表城市作詳細剖析（2000—2035長三角及珠三角城市群分解結果略，備索）。

4. 2. 1 長三角城市群

為了更加清楚地反映各因素在城市碳排放演變的動態影響，對長三角典型代表城市2000—2035年的碳排放進行分解，結果如下。

觀察圖3可知，外商直接投資規模是杭州市和上海市碳排放增加的首要因素，其35年間引致的碳排放增量約為人均碳排放的兩倍左右，分別使其碳排放增加0. 88億t、1. 57億t。與杭州市相比，外商直接投資規模對上海市碳排放的促增影響相對較大。上海市作為中國經濟最為發達的國際化城市，自2008年起其外商直接投資金額就遠超長三角其他城市。2000—2035年外商直接投資年均增速為14. 9%，外商直接投資規模擴大也引致碳排放增加。對南京市和蘇州市碳排放有顯著促增影響的因素為固定資產投資規模，到2035年分別使得南京市和蘇州市碳排放增加0. 67億t、1. 89億t。蘇州市固定資產投資自2003年起一直保持波動上升的態勢，且略高于南京市的固定資產投資，說明在未來大規模的固定資產投資仍是蘇州市碳排放增長的主要驅動因素。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，碳排放量分別上升了0. 15億t、0. 38億t和0. 77億t。相比其他城市，南京市、杭州市和上海市等城市居民的消費模式更具有高能耗特征所致。僅以2019年為例，南京市、杭州市和上海市的城鄉居民用電量分別為97億kW·h、138億kW·h和245億kW·h，遠超其他城市用電量水平。

對杭州市和上海市碳排放有著顯著負向影響的因素為人均外商直接投資，2000—2035年間分別致使兩地碳排放減少了0. 68億t、1. 20億t。這可能是因為外商直接投資規模及人口規模對碳排放均表現為正向影響，但人口規模擴張所引致碳排放的增加量要大于外商直接投資，從而使得人均外商直接投資對各城市碳排放的貢獻呈負向作用。對南京市和蘇州市碳排放有顯著促降作用的因素為投資結構，35 年間引致的碳排放減少分別為0. 41億t和1. 69億t。此外，產出碳強度對蘇州市、上海市和杭州市的碳減排有顯著的影響。這是由于隨著科技進步和產業結構調整，三個城市低碳經濟發展取得一定成效，因而產出碳強度對區域碳排放表現出顯著的抑制作用。對此，政府應持續優化長三角各城市外資區域與產業布局，推動引資戰略從“重引進規模，輕引進質量”向“質量優于規模”轉變，同時不斷提升長三角城市綠色低碳技術創新能力，提高減污降碳關鍵核心技術攻關能力，搶占碳達峰、碳中和的技術制高點。

4. 2. 2 珠三角城市群

為了更加清楚地探究各因素對城市碳達峰的動態影響，也對珠三角典型城市2000—2035年的碳排放進行分解，結果如下。

由圖4可以看出，在影響碳排放的各項驅動因素中，固定資產投資規模對各城市碳排放的促增貢獻最大。這一時期，珠三角城市群固定資產投資呈逐年上升趨勢，由此引致珠海市、深圳市、佛山市和廣州市碳排放分別增加0. 27億t、0. 29億t、0. 95億t和1. 44億t。其中，固定資產投資規模對廣州市碳排放的促增作用最大。這說明大規模的固定資產投資仍是廣州市經濟快速增長的主要推動力，粗放型的經濟增長方式還未得到較好的改善，從而導致其碳排放的增加。與此同時，外商直接投資碳強度對佛山市和廣州市碳排放的促增影響較為顯著，至2035年分別使得碳排放增加0. 24億t、0. 56億t。就深圳市而言，除固定資產投資規模對其碳排放有顯著的正向影響外，能源消費規模的影響也不可忽視，未來節能減排政策應著眼改善粗放型經濟增長模式，淘汰和限制高能耗的落后生產力。

投資結構是各城市碳排放的主要促降因素。這可能是由于固定資產投資及外商直接投資規模均對碳排放呈現促增作用，外商直接投資規模擴張所帶來碳排放的增加要大于固定資產投資所引致的碳排放增量，從而導致投資結構對各城市碳排放呈現負向影響。隨著各種低碳技術研發與應用，使得經濟發展中低碳化程度得到提高，產出碳強度對各城市碳排放的抑制作用日趨明顯，到2035年可使珠海市、深圳市、佛山市和廣州市碳排放減少0. 01億t、0. 03億t、0. 04億t和0. 05億t。這說明技術進步也是各城市碳排放減少的重要因素，這一分析結果與IPCC發布的研究報告相一致。投資碳強度與能源強度的負向影響較弱，未來應進一步注重降低各城市的能源消耗強度并改善投資效率。

5 數據來源

數據具體來源主要包括以下三類：一是，測算所使用的DMSP和VIIRS兩組夜間燈光數據由美國國家海洋大氣管理局國家地球物理數據中心發布。省級及城市維度能源、污染排放數據集來自往年《中國能源統計年鑒》和基于夜間燈光數據反演模擬所得。二是，預測所用地級市層面經濟發展水平GDP、資本、勞動、能源消費和PM2. 5 等變量數據均來自歷年《城市統計年鑒》《區域統計年鑒》《中國統計年鑒》，缺失值部分使用K 近鄰插值填補。三是，分解部分2000—2018年所使用各因素分解數據主要來自歷年《城市統計年鑒》《區域統計年鑒》《中國統計年鑒》，碳排放數據由前文模擬估算所得，2019—2035 年分解數據均來自前文預測所得。為保證數據的可比性，GDP、外商直接投資及固定資產投資均平減為2000年不變價格。

6 結語與啟示

首先反演模擬了2000—2018年267個地級市碳排放量，并運用機器學習的多種算法對各城市的碳達峰路徑進行預測，最后基于拓展的廣義迪氏指數對城市碳達峰的驅動因素進行了結構分解，結果顯示：中國城市碳排放總量呈持續增長態勢，基本形成“東部發達城市高集聚，中西部欠發達城市低集聚”的格局。267個城市中，可以提前達峰和按期達峰的城市僅有6個，比重僅約為2%，95%的城市將會在2031—2034年碳達峰，剩余3%的城市會長時間延遲達峰。產出規模、能源消費規模、固定資產投資規模、外商直接投資規模和人均碳排放對各城市碳排放基本保持促增作用，而產出碳強度、投資碳強度、人均外商直接投資和能源強度基本保持促降作用。

該研究對中國如何整體按期實現“雙碳”目標具有重要的借鑒和啟示：第一，推進低碳產業集群建設，培育低碳轉型引領示范城市。第二，大力發展清潔能源，積極引導“三高”項目綠色轉型。第三，擴大低碳城市試點范圍，兼顧城市“穩發展”與“促減排”。

參考文獻

［1］ 方國昌. 節能減排路徑優化理論分析及政策選擇［M］. 北京：科學出版社，2020.

［2］ 杜海波，魏偉，張學淵，等. 黃河流域能源消費碳排放時空格局演變及影響因素：基于DMSP/OLS 與NPP/VIIRS 夜間燈光數據［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模型的中國碳排放峰值目標實現路徑研究［J］. 中國人口·資源與環境，2015，25（6）：37-46.

［8］ 林伯強，蔣竺均. 中國二氧化碳的環境庫茲涅茨曲線預測及影響因素分析［J］. 管理世界，2009（4）：27-36.

［9］ 王憲恩，王泳璇，段海燕. 區域能源消費碳排放峰值預測及可控性研究［J］. 中國人口·資源與環境，2014，24（8）：9-16.

［10］ 趙成柏，毛春梅. 基于ARIMA和BP神經網絡組合模型的我國碳排放強度預測［J］. 長江流域資源與環境，2012，21（6）：665-671.

［11］ 李玲，張俊榮，湯鈴，等. 我國能源強度變動的影響因素分析：基于SDA分解技術［J］. 中國管理科學，2017，25（9）：125-132.

［12］ 曹俊文，周麗. 長三角地區物流業碳排放時空分布及其影響因素研究［J］. 統計與決策，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］ 邵帥，張曦，趙興榮. 中國制造業碳排放的經驗分解與達峰路徑：廣義迪氏指數分解和動態情景分析［J］. 中國工業經濟，2017，4（3）：44-63.

［16］ 張卓群，張濤，馮冬發. 中國碳排放強度的區域差異、動態演進及收斂性研究［J］. 數量經濟技術經濟研究，2022，39（4）：67-87.

［17］ 段林豐，盧培利，蒲寅羽，等. 典型城市群碳排放的脫鉤效應及驅動機制研究［J］. 環境科學與技術，2021，44（11）：55-62.

［18］ 王艷軍，王孟杰，柳林，等. DMSP/OLS夜光數據的珠三角碳排放時空差異性分析［J］. 遙感學報，2022，26（9）：1824-1837.

［19］ 馮帥. 遵約背景下中國“雙碳”承諾的實現［J］. 中國軟科學，2022（9）：6-15.

［20］ 宋府霖，韓傳峰，滕敏敏. 長三角地區能源消費碳排放驅動因素分析及優化策略［J］. 生態經濟，2022，38（4）：21-28.

［21］ 鐘薇薇，高海，徐維軍，等. 多聚類視角下的碳達峰路徑探索與趨勢研判：基于廣東省21個地級市面板數據的分析［J］. 南方經濟，2021（12）：58-79.

［22］ 武義青，姚連宵. 京津冀區域低碳發展現狀及轉型路徑［J］. 天津社會科學，2022（5）：89-96.

［23］ 李治國，楊雅涵，趙園春. 地方政府競爭促進了地區碳排放強度嗎？［J］. 經濟與管理評論，2022，38（2）：136-146.

（責任編輯：于 杰）