2024, Vol. 45
当前, 我国同时面临实现生态环境根本好转和实现碳达峰碳中和两大战略任务, 生态环境发生根本性变革, 在此背景下, 协同推进减污降碳协同增效是推动我国生态环境改善由量变到质变的必然选择. 从大气减污和碳减排的源头治理来说, 减污和降碳是高度一致的、协同性很强. 减污降碳协同增效可以实现提高政策效率、降低成本、强化公共健康等多重效益[1]对此, 生态环境部等七部门于2022年6月联合印发《减污降碳协同增效实施方案》, 标志着我国进入推动减污降碳协同治理的崭新阶段. 但当前我国减污降碳协同治理协同度水平较低, 碳减排与大气污染控制系统间尚处于不稳定、不协调的状态, 减污降碳协同效应及其多重效应尚未有效发挥[2]. 因此, 对减污降碳协同效应的时空演变趋势及其影响机制进行研究同时识别重点区域, 是提高政策效率, 助力我国经济社会全面绿色转型、区域协调发展、推动我国生态环境治理根本性变革的必然选择.
协同效应定义为某项污染物减排措施的实施在实现此项污染物减排的同时还产生了其他环境效益的现象[3]. 近年来国内外学者主要关注污染物排放和碳排放相关研究, 包括二者的时空分布特征研究[4~6]、影响机制分析[7~9]、协同路径分析[10, 11]、多情景预测[12, 13]以及减污降碳协同增效的其他伴生效益[14~16]等方面. 对减污减碳协同研究形成了较为成熟完善的研究基础. 从研究部门来看, 涉及工业部门[7, 9, 17]（包括电力行业[18, 19]、钢铁行业[20, 21]、造纸行业[22]等）、交通部门[23, 24]、农业部门[25]、服务业部门[26]以及制造业部门[27, 28]. 从研究区域来看, 全国层面[29, 30]、省域层面[31]、城市群层面[32]以及典型城市[33]等层面的研究均有涉及. 从研究方法来看, 有使用偏最小二乘法和耦合协调度模型的[34], 有构建SBM效率模型的[35], 还有基于Tobit模型分析减污降碳耦合协调度时空分布格局的[36].
综上, 国内外学者的研究成果为减污降碳协同效应的研究奠定了良好的基础, 但仍存在一些不足. 以往研究大多分析污染物和碳排放的时空分布特征和影响因素, 在对减污降碳协同效应的时空分布及其演进特征方面的研究较少, 无法全面反映减污降碳协同效应在地理空间上的演变格局与特征, 此外, 在影响因素的研究中没有将研发投入考虑进去, 缺乏对其影响机制的进一步研究. 科技创新是引领新一轮科技革命和产业变革主要推动力, 以研发（R&D）投入为核心的科技投入是产出创新成果的必要条件和重要保障, 具有刺激经济增长、带动就业, 提高全要素生产率、带动产业升级、技术减排等作用. 因此本研究从减污和降碳双视角出发, 利用耦合协调度模型, 从全国、区域和省域多层面揭示减污降碳协同效应的现状和时空演变特征. 基于面板固定效应回归模型, 在对中国以及区域减污降碳协同效应影响因素进行定量分析的基础上引入研发投入强度这一调节变量, 进行影响机制的进一步探究, 最后提出相应政策建议, 以期为我国以及各区域提高减污降碳政策实施效率、促进区域协调发展和经济社会全面绿色转型提供参考.
1 材料与方法 1.1 温室气体排放量和污染物核算排放因子法常用于国家、省份等较为宏观层面的温室气体排放量核算. 本研究所称“碳”指温室气体, 温室气体排放量参考联合国政府间气候变化专门委员会（IPCC）提供的方法, 以及贺克斌[37]和省级温室气体清单编制指南编写组[38]的排放编制指南将排放源分为工业源、交通源、建筑源、农业源以及生活源这五类进行温室气体排放量的核算, 计算公式如下：
|
(1) |
式中, EC为温室气体排放量, EFxyz为第x燃料类型第y活动部门活动z技术类型的排放因子, t·TJ-1；AEF为对应技术类型的燃料消费量, TJ.
参考贺克斌[37]的方法, 本研究选取SO2、NOx、CO、PM2.5以及NH3这5种污染物进行大气污染物排放量的核算, 大气污染物排放源分类同温室气体, 主要计算公式如下：
|
(2) |
式中, Epoll为大气污染物排放量, A为燃料消耗量或产品产量或行政区活动水平, EF为污染物产生系数, η为污染控制设施对污染物的去除效率.
《环境保护税法》[39]中规定的环境保护税税额是反映平均减排成本以及污染物对人类健康、生态系统功能影响的综合评价指标, 因此本研究选用其中的“应税污染物和当量值表”中的当量值并借鉴刘茂辉等[40]的方法进行大气污染排放当量的计算. 计算公式如下：
|
(3) |
式中, ELAP为污染物排放当量；ESO2、ENOx、ECO、EPM2.5和ENH3分别为某省（自治区、直辖市）SO2、NOx、CO、PM2.5和NH3的排放量, 单位均为104 t；α、β、γ、ε和ζ分别为SO2、NOx、CO、PM2.5和NH3的当量系数, 无量纲.当量系数的具体数值见表 1.
|
表 1 大气污染当量排放当量系数1） Table 1 Coefficient table of air pollution equivalent |
1.2 减污降碳协同效应模型
有研究表明大气污染物和碳排放具有同根、同源和同过程的特征. 碳减排与大气污染控制系统间存在相互关联、相互作用、相互影响的动态耦合回馈关系. 本研究选用修正的耦合协调模型[41]评价我国30个省（自治区、直辖市）2006~2020年的减污降碳协同效应, 计算方法如下：
|
(4) |
|
(5) |
|
(6) |
式中, U1为大气污染物控制系统的水平, 用污染物排放当量的极差标准化值表示；U2为碳减排系统的水平, 用碳排放量的极差标准化值表示, 其中污染物排放当量和碳排放量单位均为104 t, U1和U2均无量纲；C为两系统的耦合度；T为综合协调指数；a和b为待定系数, 本文认为碳减排与大气污染控制同等重要, 即a = b = 0.5；D为两系统的耦合协调度；C和D的范围均为[0, 1]. 本研究借鉴王淑佳等[41]的研究对耦合度和耦合协调度的等级和类型做如表 2所示划分.
|
|
表 2 耦合度和耦合协调度状态特征划分 Table 2 Division of state characteristics of coupling degree and coupling coordination degree |
1.3 面板回归
为探究全国以及区域层面减污降碳协同效应的影响机制, 本文采用2006~2020年的省级面板数据构建固定效应模型为基准回归模型, 具体模型如下所示：
|
(7) |
式中, Dit为第i个省份第t年碳排放与大气污染当量的耦合协调度, 无量纲；ln为对变量取对数；EUE为能源利用效率, 用地区生产总值与能源消耗量表示；ECS为能源消费结构, 用天然气和电力能源消耗量与能源消费总量的比值表示, 无量纲；PGDP为人均GDP；IS为产业结构, 用第三产业产值与地区生产总值的比值表示, 无量纲；PGI为环保投资占比, 用工业污染治理完成投资与工业总产值的比值表示, 无量纲；TS为交通运输结构, 用铁路货运总量与货运总量的比值表示, 无量纲；Ura为城镇化率, %；i和t分别为省份和年份; μi、θt和εit分别为省份固定效应、时间固定效应和随机误差项, α0~α7为常数项.
1.4 调节效应本文在基准回归的基础上, 引入调节变量和交互项旨在进一步探究减污降碳协同效应影响因素的作用机制, 具体计算公式如下：
|
(8) |
式中, Dit为第i个省份第t年碳排放与大气污染当量的耦合协调度, 无量纲；X表示EUE、ECS、PGDP、IS、PGI、TS和Ura中的某一变量, others表示EUE、ECS、IS、PGDP、PGI、TS和Ura中除X之外的某一变量；RDI为科技投入, 用R&D投入强度表示, 无量纲；CXit×CRDIit为交互项, CX和CRDI分别为X和RDI中心化后的结果；i和t分别为省份和年份; μi、θt和εit分别为省份固定效应、时间固定效应和随机误差项, β0~β3为常数项.
1.5 数据来源本研究所使用数据主要来源于2006~2020年相应年份的《中国统计年鉴》《中国能源统计年鉴》、各省份统计年鉴以及MEIC排放清单. 其中, 人口、城镇化率、第三产业生产总值、工业总产值、工业污染治理完成投资、铁路货运总量、货运总量以及地区生产总值来自2007~2021年《中国统计年鉴》和各省对应年份统计年鉴；计算能源消费结构所需天然气、电力能源消费量, 能源消费总量来自对应年份《中国能源统计年鉴》；进行温室气体排放量和大气污染物排放量核算所需数据和方法均来自MEIC数据库[42~44]. 此外, 为确保数据的完整性, 本研究对部分缺失值采用插值法进行处理.
2 结果与讨论 2.1 污染物排放当量与碳排放量的时空特征 2.1.1 时间特征2006~2020年我国30个省（自治区、直辖市）碳排放和大气污染排放当量总量的演变趋势如图 1所示, 总体上来看, 2006~2020年我国的碳排放量呈现不断上涨的趋势, 大气污染当量呈现倒“U”型增长趋势, 碳排放量由2006年的0.767×1010 t至2020年的1.15×1010t, 增幅为50.11%, 在2012~2015年碳排放量增长速度明显放缓, 并且存在负增长现象, 2015年后碳排放量继续增长, 且增长速度明显放慢说明“十二五”和“十三五”时期的减碳政策也取得一定成效.
|
图 1 2006~2020年我国污染物排放当量和碳排放量的时间变化特征 Fig. 1 Temporal variations in pollution equivalent and carbon emissions in China from 2006 to 2020 |
大气污染排放在2011年左右达到峰值, 约为1.42×108 t, 并在之后几年里持续下降, 且减排速度呈下降趋势, 说明“十二五”以来, 我国大气污染防治工作取得显著成效, 而碳排放的降低整体上未达到同步效果. 具体原因为我国大气污染防治工作起步较早, 大气污染排放总量已达到峰值, 而全国范围内的碳排放实践于“十二五”时期才逐渐起步, 我国仍处于探索阶段, 但就近年来的发展状况来看也取得较为显著的成效.
2.1.2 空间特征2006~2020年我国30个省（自治区、直辖市）碳减排与大气污染当量的协同状态时空特征如图 2所示, 从整体上来看, 我国碳排放总量呈现自北向南逐渐下降的特点, 大气污染排放当量呈现自西向东逐渐上升的特点；从区域上来看, 主要集中在黄河中游以及东、南沿海地区；从省份上来看, 主要集中在内蒙古、河北、河南、山东和江苏等省份, 可以看出, 碳排放和大气污染物排放具有明显的空间聚集特征, 与唐湘博等[45]的研究结果类似, 主要集中在经济发达、人口密度大且能源强度大的省份, 以上省份为实行减污降碳协同控制的重点区域.
|
图 2 2006~2020年我国各省污染物排放当量和碳排放量时空变化特征 Fig. 2 Temporal and Spatial variations of provincial pollutant equivalent and carbon emissions in China from 2006 to 2020 |
如图 3所示, 2006~2020年我国30个省（自治区、直辖市）碳排放与大气污染当量的耦合度均值呈现先上升后下降的倒“U”型变化趋势, 且耦合协同度均在0.65以上, 说明2006~2020年我国碳排放与大气污染之间耦合度先上升后下降且耦合度较高. 根据2006~2020年我国减污降碳耦合度均值变化可知2006~2020年减污降碳耦合协调度演变范围为0.652~0.887, 且2006~2017年的耦合度高于0.7, 说明碳排放与大气污染物排放之间处于高度耦合状态, 其余年份也均处于成长耦合状态, 减污降碳之间存在较高的耦合度. 2009~2015年耦合度较为平稳地保持在0.8以上, 处于良好协调状态. 2017年之前我国整体处于高度耦合状态, 2017年之后由高度耦合状态过渡到成长耦合状态.
|
图 3 2006~2020年我国减污降碳协同状态特征变化情况 Fig. 3 Variations in characteristics of the synergistic effect status of pollution reduction and carbon reduction in China from 2006 to 2020 |
如图 3可知, 我国30个省（自治区、直辖市）2006~2020年耦合协调度均值呈现出倒“U”型增长趋势, 与耦合度的演变情况基本同步；耦合协调度变化范围为0.394~0.503, 2006~2012年我国整体减污降碳耦合协调度呈缓慢上升趋势, 2013~2020年我国整体减污降碳耦合协调度呈缓慢下降趋势, 且“十三五”期间增速放缓, 耦合协调度变化趋于平稳, 除在2012年达到峰值0.503时处于勉强协调状态外, 剩余年份均处于拮抗协调状态, 碳减排与大气污染减排的协同作用未被充分发挥和利用. 究其原因主要为我国大气污染治理起步较早, 大气污染排放在2011年左右达到峰值, 2011年后大气污染排放量逐年下降, 已经步入以提升环境质量为导向的精细化控制阶段, 而对于碳排放的控制尚处于起步阶段, 排放总量逐年增长, 主要还停留在以总量控制为导向的粗放型控制阶段, 二者之间的协同治理存在一定的滞后性, 导致2011年左右出现减污降碳耦合协调度由好向差的转变. 加之污染物核算方式不同, 因此得出与唐湘博[45]等研究发现的碳减排与大气污染物控制系统耦合度和耦合协调度的平均值均呈阶梯上升趋势相反的结论.
2.2.2 分省时空特征我国30个省（自治区、直辖市）2006~2020年减污降碳耦合协调度时空分布如图 4所示, 我国30个省（自治区、直辖市）耦合协调度演变基本均呈现倒“U”型特征, 各省耦合协调度较高的年份集中在2011年左右, 但峰值和达峰时间各不相同, 此外, 由于相邻省份之间能源结构和经济发展方式的相似性使得同一经济区内或相邻省份之间耦合协调度呈现同步变化的特征, 且耦合协调水平相近, 具有空间聚集性和一定的空间溢出性. 而李云燕等[4]认为北京、天津和河北3省市2003~2020年减污降碳耦合协调度均值存在波动上升的变化趋势, 没有明显的倒U型特征, 主要原因在于“十二五”时期起, 京津冀地区颁布了多项大气污染防治政策, 在一定程度上促进了该地区温室气体减排与大气污染控制协同效应的提升.
|
图 4 2006~2020年我国各省份减污降碳耦合协调度的时空分布 Fig. 4 Temporal and spatial variations in characteristics of the coupling coordination degree of pollution reduction and carbon reduction in China from 2006 to 2020 |
从各省份来看, 全国只有8个省份实现减污降碳的协调发展, 耦合协调度较高的省份有河北、内蒙古、山东、广东和河南, 主要集中在黄河中游、东、南沿海地区以及长江中下游地区, 这些地区由于经济发展水平较高、产业结构较为合理, 协同效应较强；部分省份由于能源消费结构不合理以及治理水平的落后, 严重影响到当地碳排放系统与大气污染治理系统协同发展, 青海、海南以及宁夏由于经济发展水平不高、经济结构以资源型和传统农业为主导致协同效应较弱；此外由于我国部分省份对于中央发布的一系列大气污染防治和行动计划以及碳减排政策的积极贯彻和探索, 我国有9个省份处于由拮抗协调到勉强协调的过渡期, 正在逐步实现由不协同到减污降碳协同增效的转变. 从区域层面来看, 各区域减污降碳耦合协调度呈现出东部地区、中部地区、西部地区依次递减的特点, 相较其他区域西部地区有较大的温室气体与大气污染物协同减排潜力, 为重点关注区域.
2.3 减污降碳协同效应的影响因素分析 2.3.1 全国减污降碳协同效应的影响因素分析基于面板固定效应模型进行回归, 通过分析减污降碳协同效应耦合协调度（D）与能源利用效率（EUE）、能源消费结构（ECS）、产业结构升级（IS）、人均GDP（PGDP）、城镇化率（Ura）、环保投资占比（PGI）和交通运输结构（TS）的相关关系, 探究全国减污降碳协同效应的影响因素, 结果如表 3所示.
|
|
表 3 固定效应回归结果1） Table 3 Results of fixed effects regression |
从社会经济层面（包括人均GDP和城镇化率）来看, 人均GDP和城镇化率均对减污降碳协同效应具有正向影响. 其中, 人均GDP对耦合协调度的影响在10%的水平下显著, 每增长1%, 耦合协调度将增长0.000 39, 即减污降碳协同效应在社会经济增长的驱动下会有比其更快的增长速度. 而城镇化率对减污降碳协同效应的影响不够显著, 一方面是由于城市经济的规模效应、集聚效应和城市居民的能源消费特征使城镇化发展带来更大规模的人口和经济活动的集聚, 进而造成更多的大气污染和碳排放；另一方面是由于城市人口的聚集也为公共物品的使用带来了规模经济, 并伴随着生活模式的改变和技术扩散, 因而城镇化发展降低了人均能源消费和碳排放. 这两方面对减污降碳协同效应的作用相抵消, 就造成了城镇化率对减污降碳协同效应的影响不够显著. 由此可见, 社会经济增长是减污降碳协同效应增长的主要驱动力. 随着未来中国GDP的持续增长, 减污降碳协同效应将在很长一段时间内保持增长趋势.
从结构层面（包括能源消费结构、产业结构升级和交通运输结构）来看, 能源消费结构的影响系数为负, 表明能源消费结构对减污降碳协同效应呈负向影响. 能源消费结构对耦合协调度的影响在1%的水平下显著, 每增长一单位, 耦合协调度将减少0.133. 即随着天然气、电力消费占比的提高, 减污降碳协同效应会被弱化, 可能是因为, 在天然气、电力消费占比提高的同时, 煤炭的消费占比虽然在下降, 但消费总量仍在不断增加, 因此能源消费结构会对减污降碳协同效应产生抑制作用.
从技术层面（能源利用效率和环保投资占比）看, 能源利用效率对减污降碳协同效应的影响不显著, 由于能源利用效率的提高在带来技术减排效应的同时也增加了能源的消耗, 这两种效果相互抑制, 使得能演利用效率对减污降碳协同效应的影响较弱；环保投资占比对耦合协调度的影响在1%的水平下显著, 每增长1%, 耦合协调度将增长0.000 23. 可见环保投资规模的扩大能够改善污染物生产和排放状况, 从而尽可能降低高碳产业部门的碳排放, 对减污降碳协同效应具有促进作用.
2.3.2 减污降碳协同效应的影响因素区域异质性分析为进一步揭示不同地区减污降碳协同效应影响因素及其程度, 本文分别对中、东、西部地区减污降碳的协同效应影响因素的异质性进行分析, 结果如表 3所示.
东部地区能源利用效率和能源消费结构对减污降碳协同效应的影响显著为负, 而中部地区能源利用效率和能源消费结构对减污降碳协同效应的影响也显著, 但呈正向影响, 由于东部地区技术水平先进, 能源利用效率和能源消费结构的提高给减污降碳所带来的增效效应趋于饱和, 增加到一定水平后转为了负向效应. 与其他地区不同的是, 西部地区能源利用效率和能源消费结构对减污降碳协同效应的影响不显著, 其原因在于, 西部地区经济和技术基础较弱, 能源利用效率低, 技术减排效应弱；同时, 高污染高排放产业的发展与环境规制的矛盾进一步降低了能源利用效率和能源消费结构对减污降碳的协同减排效应.
产业结构升级在中部和西部地区都对减污降碳协同效应呈负向影响, 且中部地区的负向影响作用大于西部. 然而产业结构升级这一因素在东部地区的影响不显著, 虽然东部地区第三产业比重一直稳定高于中西部省份, 但东部第二产业的比重长期以来也高于中西部, 两种作用相互克制, 造成产业结构升级对东部减污降碳协同效应的影响不显著. 人均GDP在东部地区和西部地区均对减污降碳协同效应具有显著的正向影响, 即减污降碳协同效应在人均GDP增长的驱动下会有更快的增长速度, 但在中部这一影响并不显著. 城镇化率仅在西部地区对减污降碳协同效应有显著的负向影响, 由于西部地区地广人稀, 城镇化率增长所带来的城市经济的规模效应、集聚效应和城市居民的能源消费特征导致更大规模的人口和经济活动的集聚, 进而造成更多的大气污染和碳排放. 交通运输结构同样也只在西部地区对减污降碳协同效应有显著影响, 且为正向影响, 西部地区经济条件落后, 交通不发达, 因此交通运输结构的改善会大大减少碳排放, 从而对减污降碳协同效应产生正向影响. 而环保投资占比仅在东部地区对减污降碳协同效应产生显著的正向影响, 东部地区较高的经济水平, 人们更重视生态环境的保护, 在环保方面的投资占比远大于中部和西部地区, 产生了更为显著的减污降碳协同效应.
2.4 调节效应分析调节效应结果如表 4所示, 从全国层面来看, 人均GDP在10%的水平下显著正向影响减污降碳协同效应, 人均GDP和研发投入强度的交互项显著为负, 说明随着研发投入强度的提高, 抑制人均GDP提高对碳排放与大气污染物协同减排作用. 意味着现阶段我国研发投入强度的提高所带来技术水平提升在提高生产效率的同时带来了大气污染物的增排以及更大程度的碳增排从而抑制了两系统协调作用的发挥；环保投资占比在1%的水平下显著促进减污降碳协同效应, 环保投资占比与研发投入强度的交互项为正, 意味着随研发投入强度的提高, 增强了环保投资占比提高对减污降碳协同效应的正向影响. 研发投入的提高节约生产成本、提高生产效率, 从而使企业和政府有更多的资金用于环境治理, 在一定程度上促进了碳与大气污染物的协同减排. 能源利用效率、交通运输结构以及城镇化率在引入调节变量后交互项显著, 说明以上不能单独对减污降碳协同效应产生影响, 必须结合研发经费投入强度相配合, 即提高能源利用效率、改善交通运输结构以及提高城镇化率的相关政策必须与研发经费投入强度调整的相关政策相配合才能对减污降碳协同效应产生显著影响.
|
|
表 4 调节效应回归结果1） Table 4 Results of moderating effect |
从东部地区来讲, 能源利用效率、能源消费结构分别在10%和5%的水平上显著为负, 且两个变量与研发投入强度的交互项均显著为负；人均GDP在10%的水平上显著为正, 人均GDP与研发投入强度交互项显著为负, 表明研发投入强度的提高增强了能源利用效率提高和能源消费结构改善对减污减碳协同增效的抑制作用, 同时抑制了人均GDP的增长对温室气体与大气污染物协同减排的促进作用；总体上, 东部地区随着研发投入强度的提高, 生产技术得到改善, 技术改善在提高生产效率的同时加快了能源消耗使能源消耗总量提高, 从而抑制了减污降碳协同增效. 因此对于该地区, 要注意在经济发展的同时注意研发经费的适量投入, 避免对生态环境和双碳目标带来不可逆的影响.
对于中部地区, 研发投入强度与环保投资占比的交互项显著为正；为正向调节作用, 即研发投入强度的增加增强了环保投资增加对于减污降碳协同效应的促进作用；研发投入强度与产业结构交互项显著为负；为负向调节作用, 即研发投入强度的增加抑制产业结构升级对减污降碳协同效应的抑制作用；且随着研发投入强度的提高, 产业结构的改善所带来的负向调节作用要远强于正向调节作用, 整体上该调节变量的引入抑制了二氧化碳与大气污染物的协同减排. 随研发投入强度的提高, 相比于第三产业, 技术进步其在更大程度上提高了第二产业的生产效率, 节约了生产成本, 导致大量生产资料和资金涌向第二产业, 而第二产业作为碳排放和大气污染物的主要源头, 在带来更多生产总值的同时也会带来更多的碳排放和更为严重的大气污染, 进而抑制碳减排和大气污染控制系统间协同效应的发挥.
在西部地区未识别出显著的调节效应. 由于西部地区相较于其他地区发展较为落后, 研发经费投入少, 研发水平较为落后, 研发投入的提高尚未显著提高技术水平进而使当地的产业结构、交通运输情况以及经济特征发生明显改善, 进而达到促进温室气体与大气污染物协同减排的效果.
3 建议（1）调整能源结构, 同时加强对能源消耗总量的控制. 推动化石能源清洁高效利用、提升非化石能源在能源供应中的比重, 合理适度布局发展天然气发电, 优先发展可再生能源, 推动加强光伏、风电、核能发电配套基础设施建设, 提高能源利用效率；积极推动交通运输结构的调整, 如加快推进“公转铁”、“公转水”, 实现交通运输部门的节能减排.
（2）发挥科技创新的引领作用. 各地结合实际加大专项研发经费的投入, 如设立专项研发经费, 加强科研监管机制建设等, 激发各创新主体的活力. 增强能源科技创新能力, 尤其是西部地区要充分利用科技创新的第一生产力作用, 发掘节能减排潜力；政府、企业、科研院所和高校等各方要各司其职明确自身定位, 积极推动能源重大领域科技创新, 加快成果转化, 创新赋能产业结构升级以及能源结构调整.
（3）政府加大财政资金对环保投资的支持力度. 工业作为碳排放与大气污染的主要源头, 尤其要加大对工业污染的治理投资投入；如对污水处理费、船舶油污损害赔偿金等加大环保支出力度；另外, 各地区可结合当地实际设立奖惩制度, 规范企业排污行为, 同时鼓励各地积极探索创新融资机制同时积极引导市场各主体进行环保投资.
（4）坚持顶层设计的同时鼓励各地区因地制宜. 在顶层设计的指导下结合当地实际制定能源发展战略、注意多项政策的配合使用, 积极开展能源革命, 在实践中探索适合当地的治理方式, 同时, 要积极发挥空间溢出效应, 深化各区域和地区间的交流与合作, 可通过签订合作协议、开展交流座谈会等形式构建联防联治格局, 促进区域协调发展.
4 结论（1）碳排放与大气污染排放间存在协同效应, 2006~2020年我国减污降碳协同效应演变呈现倒“U”型趋势, 且减污降碳协同存在空间聚集性以及空间溢出效应.
（2）整体上来看, 我国减污降碳协同治理水平较低, 碳排放与大气污染物排放系统间尚处于不稳定和不协调的状态, 各省份和区域在减污降碳协同治理水平上存在发展不平衡的特点, 协调度呈现出东部地区、中部地区和西部地区依次递减的特征.
（3）从全国层面来看, 能源消费结构、人均GDP以及环保投资占比是减污降碳协同效应的主要影响因素；从区域层面来看, 能源利用效率、能源消费结构和人均GDP为东部减污减碳协同效应影响因素；能源利用效率、能源消费结构、产业结构和环保投资占比为中部减污降碳协同效应影响因素；产业结构、人均GDP、城镇化率和交通运输结构为西部减污降碳协同效应的影响因素.
（4）研发投入强度在全国和东、中部均起到显著的调节效应, 但在西部地区未识别出显著的调节效应. 在东部地区, 城镇化率、环保投资占比、交通运输结构无法单独对减污降碳协同效应产生影响无法单独对减污降碳协同效应产生影响, 必须要与研发投入强度相配合才可对减污降碳协同效应产生显著影响.
| [1] |
戴静怡, 曹媛, 陈操操. 城市减污降碳协同增效内涵、潜力与路径[J]. 中国环境管理, 2023, 15(2): 30-37. Dai J Y, Cao Y, Chen C C. Synergistic connotations, potential and paths of urban pollution and carbon emissions reduction[J]. Chinese Journal of Environmental Management, 2023, 15(2): 30-37. |
| [2] |
狄乾斌, 陈小龙, 侯智文. "双碳"目标下中国三大城市群减污降碳协同治理区域差异及关键路径识别[J]. 资源科学, 2022, 44(6): 1155-1167. Di Q B, Chen X L, Hou Z W. Regional differences and key pathway identification of the coordinated governance of pollution control and carbon emission reduction in the three major urban agglomerations of China under the "double-carbon" targets[J]. Resources Science, 2022, 44(6): 1155-1167. |
| [3] |
毛显强, 曾桉, 邢有凯, 等. 从理念到行动: 温室气体与局地污染物减排的协同效益与协同控制研究综述[J]. 气候变化研究进展, 2021, 17(3): 255-267. Mao X Q, Zeng A, Xing Y K, et al. From concept to action: a review of research on co-benefits and co-control of greenhouse gases and local air pollutants reductions[J]. Climate Change Research, 2021, 17(3): 255-267. |
| [4] |
李云燕, 杜文鑫. 京津冀城市群减污降碳时空特征及影响因素异质性分析[J]. 环境工程技术学报, 2023, 13(6): 2006-2015. Li Y Y, Du W X. Spatial and temporal characteristics and the heterogeneity of influencing factors of the synergism of pollution and carbon emissions reduction in Beijing-Tianjin-Hebei urban agglomeration[J]. Journal of Environmental Engineering Technology, 2023, 13(6): 2006-2015. |
| [5] |
陈小龙, 狄乾斌, 吴洪宇. 中国沿海城市群减污降碳协同增效时空演变及影响因素[J]. 热带地理, 2023, 43(11): 2060-2074. Chen X L, Di Q B, Wu H Y. Spatial-temporal evolution and influencing factors of synergy in pollution and carbon reduction in China's coastal urban agglomerations[J]. Tropical Geography, 2023, 43(11): 2060-2074. |
| [6] |
原伟鹏, 孙慧, 王晶, 等. 中国城市减污降碳协同的时空演化及驱动力探析[J]. 经济地理, 2022, 42(10): 72-82. Yuan W P, Sun H, Wang J, et al. Spatial-temporal evolution and driving forces of urban pollution and carbon reduction in China[J]. Economic Geography, 2022, 42(10): 72-82. |
| [7] |
康哲, 李巍, 刘伟. 黄河流域城市群工业减污降碳影响因素与策略[J]. 中国环境科学, 2023, 43(4): 1946-1956. Kang Z, Li W, Liu W. Influencing factors and promoting measures of industrial pollution abatement and carbon reduction of the city clusters in the Yellow River Basin[J]. China Environmental Science, 2023, 43(4): 1946-1956. |
| [8] |
马伟波, 赵立君, 王楠, 等. 长三角城市群减污降碳驱动因素研究[J]. 生态与农村环境学报, 2022, 38(10): 1273-1281. Ma W B, Zhao L J, Wang N, et al. Study on driving factors of pollution and carbon reduction in the Yangtze River Delta urban agglomerations[J]. Journal of Ecology and Rural Environment, 2022, 38(10): 1273-1281. |
| [9] |
陈晓红, 张嘉敏, 唐湘博. 中国工业减污降碳协同效应及其影响机制[J]. 资源科学, 2022, 44(12): 2387-2398. Chen X H, Zhang J M, Tang X B. Synergistic effect of industrial air pollution and carbon emission reduction in China and influencing mechanism[J]. Resources Science, 2022, 44(12): 2387-2398. |
| [10] |
易兰, 杨田恬, 杜兴, 等. 减污降碳协同路径研究: 典型国家驱动机制及对中国的启示[J]. 中国人口·资源与环境, 2022, 32(9): 53-65. Yi L, Yang T T, Du X, et al. Collaborative pathways of pollution reduction and carbon abatement: typical countries' driving mechanisms and their implications for China[J]. China Population, Resources and Environment, 2022, 32(9): 53-65. |
| [11] |
王慧, 孙慧, 肖涵月, 等. 碳达峰约束下减污降碳的协同增效及其路径[J]. 中国人口·资源与环境, 2022, 32(11): 96-108. Wang H, Sun H, Xiao H Y, et al. Synergistic effects and paths of pollution and carbon reduction under the constraint of carbon peak goal[J]. China Population, Resources and Environment, 2022, 32(11): 96-108. |
| [12] |
曾元, 张文港, 孙靖文, 等. 基于系统动力学的京津冀区域减污降碳政策仿真研究[J]. 环境科学研究, 2023, 36(11): 2210-2220. Zeng Y, Zhang W G, Sun J W, et al. Simulation study on pollution reduction and carbon reduction policies in Beijing-Tianjin-Hebei region based on system dynamics[J]. Research of Environmental Sciences, 2023, 36(11): 2210-2220. |
| [13] |
俞珊, 张双, 张增杰, 等. 北京市减污降碳协同控制情景模拟和效应评估[J]. 环境科学, 2023, 44(4): 1998-2008. Yu S, Zhang S, Zhang Z J, et al. Scenario simulation and effects assessment of co-control on pollution and carbon emission reduction in Beijing[J]. Environmental Science, 2023, 44(4): 1998-2008. |
| [14] |
王涵, 李慧, 王涵, 等. 我国减污降碳与地区经济发展水平差异研究[J]. 环境工程技术学报, 2022, 12(5): 1584-1592. Wang H, Li H, Wang H, et al. Research on the difference in air pollution and carbon dioxide reduction and regional economic development levels in China[J]. Journal of Environmental Engineering Technology, 2022, 12(5): 1584-1592. |
| [15] | Jiang F M, Chen B J, Li P H, et al. Spatio-temporal evolution and influencing factors of synergizing the reduction of pollution and carbon emissions - utilizing multi-source remote sensing data and GTWR model[J]. Environmental Research, 2023, 229. DOI:10.1016/j.envres.2023.115775 |
| [16] |
陈菡, 陈文颖, 何建坤. 实现碳排放达峰和空气质量达标的协同治理路径[J]. 中国人口·资源与环境, 2020, 20(10): 12-18. Chen H, Chen W Y, He J K. Pathway to meet carbon emission peak target and air quality standard for China[J]. China Population, Resources and Environment, 2020, 20(10): 12-18. |
| [17] |
费伟良, 李奕杰, 杨铭, 等. 碳达峰和碳中和目标下工业园区减污降碳路径探析[J]. 环境保护, 2021, 49(8): 61-63. Fei W L, LI Y J, Yang M, et al. Analysis of the synergistic path to reduce pollution and carbon in industrial parks under carbon peak and carbon neutrality targets[J]. Environmental Protection, 2021, 49(8): 61-63. |
| [18] |
向梦宇, 王深, 吕连宏, 等. 基于不同电力需求的中国减污降碳协同增效路径[J]. 环境科学, 2023, 44(7): 3637-3648. Xiang M Y, Wang S, Lü L H, et al. Synergistic paths of reduced pollution and carbon emissions based on different power demands in China[J]. Environmental Science, 2023, 44(7): 3637-3648. |
| [19] |
朱法华, 徐静馨, 潘超. 电力行业减污降碳发展状况及目标展望[J]. 环境保护, 2022, 50(10): 15-20. Zhu F H, Xu J X, Pan C. Development situation and target prospect on the reduction of pollutant and carbon emissions in power industry[J]. Environmental Protection, 2022, 50(10): 15-20. |
| [20] |
逯飞, 薛英岚, 李梧森, 等. 双碳目标下河北钢铁行业减污降碳路径探讨[J]. 环境工程, 2023, 41(S2): 332-336. Lu F, Xue Y L, Li W S, et al. Discussion on the path of pollution reduction and carbon reduction in Hebei iron and steel industry under the double-carbon target[J]. Environmental Engineering, 2023, 41(S2): 332-336. |
| [21] |
朱廷钰, 刘霄龙. 中国钢铁行业"超低排放"向"减污降碳"过渡的技术思考[J]. 过程工程学报, 2022, 22(10): 1360-1367. Zhu T Y, Liu X L. Technical consideration on the transition from "ultra-low emissions" to "reduction of pollution and carbon emissions" in China's iron and steel industry[J]. The Chinese Journal of Process Engineering, 2022, 22(10): 1360-1367. |
| [22] |
程言君, 张亮, 王焕松, 等. 中国造纸工业碳排放特征与"双碳"目标路径探究[J]. 中国造纸, 2022, 41(4): 1-5. Cheng Y J, Zhang L, Wang H S, et al. Carbon emission characteristics and "double carbon" target path of China's paper industry[J]. China Pulp & Paper, 2022, 41(4): 1-5. |
| [23] |
邓红梅, 梁巧梅, 刘丽静. 交通领域减污降碳协同控制研究回顾及展望[J]. 中国环境管理, 2023, 15(2): 24-29, 23. Deng H M, Liang Q M, Liu L J. Review and prospect of co-control for reducing pollution and carbon emissions in transportation industry[J]. Chinese Journal of Environmental Management, 2023, 15(2): 24-29, 23. |
| [24] |
范朝阳, 佟惠, 梁晓宇, 等. 机动车减污降碳综合评价体系综述[J]. 环境科学, 2024, 45(1): 93-103. Fan Z Y, Tong H, Liang X Y, et al. Review of comprehensive evaluation system of vehicle pollution and carbon synergistic reduction[J]. Environmental Science, 2024, 45(1): 93-103. |
| [25] |
韩玉花, 杨帆, 隗潇, 等. 北京市农业减污降碳协同管控的现状、问题与对策[J]. 环境保护, 2023, 51(14): 54-58. Han Y H, Yang F, Wei X, et al. Present situation, problems and countermeasures of collaborative control of agricultural pollution and carbon emissions reduction in Beijing[J]. Environmental Protection, 2023, 51(14): 54-58. |
| [26] |
姜华, 吴静, 吕连宏. 升级"环保管家"服务助力减污降碳协同增效[J]. 环境工程技术学报, 2022, 12(6): 2027-2031. Jiang H, Wu J, Lü L H. Upgrading environmental stewardship to stimulate the synergistic effect of pollution reduction and carbon lowering[J]. Journal of Environmental Engineering Technology, 2022, 12(6): 2027-2031. |
| [27] |
俞珊, 韩玉花, 牟洁, 等. 北京市制造业减污降碳协同效应分析和驱动因素[J]. 环境科学, 2024, 45(4): 1917-1925. Yu S, Han Y H, Mou J, et al. Synergy effects and driving factors of pollution and carbon emissions reduction of manufacturing industries in Beijing[J]. Environmental Science, 2024, 45(4): 1917-1925. |
| [28] |
吕一铮, 曹晨玥, 田金平, 等. 减污降碳协同视角下沿海制造业发达地区产业结构调整路径研究[J]. 环境科学研究, 2022, 35(10): 2293-2302. Lü Y Z, Cao C Y, Tian J P, et al. Industrial structure adjustment path in coastal areas with developed manufacturing industries from perspective of synergistic reduction of pollutants and CO2 emissions[J]. Research of Environmental Sciences, 2022, 35(10): 2293-2302. |
| [29] |
姜钰卿, 唐旭, 任凯鹏, 等. 基于双层嵌套SDA的中国减污降碳驱动因素研究[J]. 系统工程理论与实践, 2022, 42(12): 3294-3304. Jiang Y Q, Tang X, Ren K P, et al. Research on the drivers of pollution and carbon reduction in China based on double-layer nested SDA[J]. Systems Engineering-Theory & Practice, 2022, 42(12): 3294-3304. |
| [30] |
郑逸璇, 宋晓晖, 周佳, 等. 减污降碳协同增效的关键路径与政策研究[J]. 中国环境管理, 2021, 13(5): 45-51. Zheng Y X, Song X H, Zhou J, et al. Synergetic control of environmental pollution and carbon emissions: pathway and policy[J]. Environmental Conformity Assessment, 2021, 13(5): 45-51. |
| [31] |
苗安康, 袁越, 吴涵, 等. 中国省域碳达峰路径与政策[J]. 环境科学, 2023, 44(8): 4623-4636. Miao A K, Yuan Y, Wu H, et al. Pathway and policy for China's provincial carbon emission peak[J]. Environmental Science, 2023, 44(8): 4623-4636. |
| [32] |
杨帆, 甄江红. "双碳"目标下典型地区减污、降碳与经济增长关系研究: 以黄河流域城市群为例[J]. 环境科学研究, 2023, 36(11): 2050-2064. Yang F, Zhen J H. Relationship between pollution and carbon reduction and economic growth in typical regions under the 'dual carbon' goals: a case study of urban agglomeration in the Yellow River Basin[J]. Research of Environmental Sciences, 2023, 36(11): 2050-2064. |
| [33] |
刘茂辉, 刘胜楠, 李婧, 等. 天津市减污降碳协同效应评估与预测[J]. 中国环境科学, 2022, 42(8): 3940-3949. Liu M H, Liu S N, Li J, et al. Evaluation and prediction of the synergistic effect of pollution reduction and carbon reduction in Tianjin[J]. China Environmental Science, 2022, 42(8): 3940-3949. |
| [34] |
张茹倩, 李鹏辉, 徐丽萍. 城镇化对新疆土地利用碳排放的影响及其耦合关系[J]. 生态学报, 2022, 42(13): 5226-5242. Zhang R Q, Li P H, Xu L P. Effects of urbanization on carbon emission from land use in Xinjiang and their coupling relationship[J]. Acta Ecologica Sinica, 2022, 42(13): 5226-5242. |
| [35] |
涂正革. 降碳减污增效的协同研究——基于SBM方法对高能耗企业的硫碳减排效率测度[J]. 华中师范大学学报(人文社会科学版), 2023, 62(5): 161-174. Tu Z G. On the synergy of carbon reduction, pollution reduction and efficiency enhancement——measurement of sulfur and carbon emission reduction efficiency for high energy consumption enterprises based on SBM model[J]. Journal of Central China Normal University (Humanities and Social Sciences), 2023, 62(5): 161-174. |
| [36] |
崔连标, 陈惠. 京津冀城市群减污降碳的时空特征及其驱动因素研究[J]. 工业技术经济, 2023, 42(6): 87-96. Cui L B, Chen H. Spatio-temporal characteristics and driving factors of pollution and carbon reduction in Beijing-Tianjin-Hebei urban agglomeration[J]. Journal of Industrial Technological Economics, 2023, 42(6): 87-96. |
| [37] | 贺克斌. 城市大气污染源排放清单编制技术手册[R]. 北京: 清华大学, 2018. |
| [38] | 国家发展和改革委员会. 省级温室气体清单编制指南(试行)[R]. 北京: 国家发展和改革委员会, 2011. |
| [39] | 国务院. 中华人民共和国环境保护税法实施条例[EB/OL]. http://www.gov.cn/zhengce/content/2017-12/30/content_5251797.htm, 2017-12-30. |
| [40] |
刘茂辉, 岳亚云, 刘胜楠, 等. 基于STIRPAT模型天津减污降碳协同效应多维度分析[J]. 环境科学, 2023, 44(3): 1277-1286. Liu M H, Yue Y Y, Liu S N, et al. Multi-dimensional analysis of the synergistic effect of pollution reduction and carbon reduction in Tianjin based on the STIRPAT model[J]. Environmental Science, 2023, 44(3): 1277-1286. |
| [41] |
王淑佳, 孔伟, 任亮, 等. 国内耦合协调度模型的误区及修正[J]. 自然资源学报, 2021, 36(3): 793-810. Wang S J, Kong W, Ren L, et al. Research on misuses and modification of coupling coordination degree model in China[J]. Journal of Natural Resources, 2021, 36(3): 793-810. |
| [42] | Li M, Liu H, Geng G N, et al. Corrigendum to anthropogenic emission inventories in China: a review[J]. National Science Review, 2018, 5(4): 603-603. |
| [43] | Zheng B, Tong D, Li M, et al. Trends in China's anthropogenic emissions since 2010 as the consequence of clean air actions[J]. Atmospheric Chemistry and Physics, 2018, 18(19): 14095-14111. |
| [44] | MEICModel. 中国多尺度排放清单模型[DB/OL]. http://meicmodel.org.cn, 2018-04-01. |
| [45] |
唐湘博, 张野, 曹利珍, 等. 中国减污降碳协同效应的时空特征及其影响机制分析[J]. 环境科学研究, 2022, 35(10): 2252-2263. Tang X B, Zhang Y, Cao L Z, et al. Spatio-temporal characteristics and influencing mechanism of synergistic effect of pollution and carbon emission reduction in China[J]. Research of Environmental Sciences, 2022, 35(10): 2252-2263. |