环境科学  2025, Vol. 46 Issue (5): 2886-2896   PDF    
引用本文
张兰怡, 翁大维, 王硕, 徐艺诺, 罗翠云, 胡喜生, 陆周轩. 赣闽粤地区交通碳排放时空演化及驱动力[J]. 环境科学, 2025, 46(5): 2886-2896.
ZHANG Lan-yi, WENG Da-wei, WANG Shuo, XU Yi-nuo, LUO Cui-yun, HU Xi-sheng, LU Zhou-xuan. Spatio-temporal Evolution and Driving Forces of Transportation Carbon Emissions in Jiangxi, Fujian, and Guangdong Regions[J]. Environmental Science, 2025, 46(5): 2886-2896.
赣闽粤地区交通碳排放时空演化及驱动力
张兰怡 , 翁大维 , 王硕 , 徐艺诺 , 罗翠云 , 胡喜生 , 陆周轩     
福建农林大学交通与土木工程学院, 福州 350108
收稿日期: 2024-04-22; 修订日期: 2024-07-09
基金项目: 福建省自然科学基金项目（2023J01475）；福建省社科规划项目（FJ2022B065）；福建省科技创新战略研究联合项目（2022R0137）；福建农林大学“杰出青年科研人才”计划项目（社会科学类）（xjq2020S4）；福建农林大学科技创新专项（KFb22101XA）；国家级大学生创新创业训练计划项目（202410389030, 202410389034）
作者简介: 张兰怡（1987~）, 女, 博士, 副教授, 主要研究方向为绿色低碳交通, E-mail：lyzhang@fafu.edu.cn
摘要: 赣闽粤地区紧邻东南沿海地区, 是珠三角、长三角和粤闽浙等地区的腹地. 随着赣闽粤地区经济发展和城市化进程加快, 交通所带来的高碳排放问题日益突出. 我国“十四五”规划提出深入实施区域协调发展战略, 健全区域协调发展机制. 长期以来, 国内外学术研究和政策关注往往集中在经济发达区域, 如长三角、珠三角和京津冀地区. 以上区域的经济发展模式和机制已经得到了充分的研究和验证. 然而, 赣闽粤地区则展示出经济发展不均衡的特征, 既包含经济发达的珠三角地区（广东省）, 也包含相对欠发达的内陆区域（江西省）, 故对于赣闽粤地区的研究有助于全面理解区域经济发展的多样性和不均衡性, 并为其他欠发达地区提供参考. 综上, 针对赣闽粤地区交通碳排放时空差异及驱动力尚不明确的挑战, 引入标准差椭圆分析法探明赣闽粤地区交通碳排放的空间分布特征（2009~2021年）, 基于所构建的LMDI和M-R分解模型从时间和空间层面探明碳排放空间分异的驱动力. 结果表明：①赣闽粤地区交通碳排放总量呈逐年增加趋势, 其碳排放重心主要位于广东省和福建省的交界处, 且持续向“东北-西南”方向转变；②经济发展水平和人口规模是交通碳排放的主要驱动力；而能源强度是关键的抑制因素；③三省碳排放与平均水平相比存在显著的空间差异. 研究结论可以为制定赣闽粤地区差异化碳减排政策和联合治理措施提供重要参考.
关键词: 赣闽粤地区      交通碳排放      驱动力      LMDI模型      M-R模型     
Spatio-temporal Evolution and Driving Forces of Transportation Carbon Emissions in Jiangxi, Fujian, and Guangdong Regions
ZHANG Lan-yi , WENG Da-wei , WANG Shuo , XU Yi-nuo , LUO Cui-yun , HU Xi-sheng , LU Zhou-xuan     
College of Transportation and Civil Engineering, Fujian Agriculture and Forestry University, Fuzhou 350108, China
Abstract: The Jiangxi, Fujian, and Guangdong regions are located close to the southeast coastal area and serve as the hinterland for the Pearl River Delta; Yangtze River Delta; and Guangdong, Fujian, and Zhejiang regions. With the rapid economic development and urbanization in Jiangxi, Fujian, and Guangdong, transportation-related high carbon emissions have become increasingly prominent. The 14th Five-Year Plan proposes to deepen the implementation of the regional coordinated development strategy and improve the mechanism for regional coordination. Academic research and policy attention have long focused on economically developed regions, such as the Yangtze River Delta, Pearl River Delta, and Beijing-Tianjin-Hebei Region. The economic development models and mechanisms in these regions have been extensively studied and validated. However, the Jiangxi, Fujian, and Guangdong regions exhibit characteristics of uneven economic development, with both economically developed areas, such as Guangdong Province and relatively underdeveloped inland regions like Jiangxi Province. Research on the Jiangxi, Fujian, and Guangdong regions could contribute to a comprehensive understanding of the diversity and imbalance in regional economic development, providing references for other underdeveloped areas. Therefore, facing challenges of spatial-temporal differences in transportation carbon emissions in Jiangxi, Fujian, and Guangdong regions with unclear driving forces, this study introduces standard deviation ellipse analysis to explore the spatial distribution characteristics of transportation carbon emissions (2009-2021). Additionally, logarithmic mean divisia index (LMDI) and multi-regional spatial decomposition (M-R) models are constructed to explore temporal-spatial drivers contributing towards spatial differentiation of carbon emissions. The findings are revealed below: ① The total traffic-related carbon emissions within the Jiangxi, Fujian, and Guangdong regions have been increasing annually and continue to shift toward the "northeast-southwest" direction, with the epicenter of carbon emission lying at the border between the Guangdong and Fujian provinces. ② The level of economic development and population size were the main driving factors for transportation carbon emissions, whereas energy intensity was a key restraining factor. ③ Notable spatial disparities existed between carbon emissions and average levels across the three provinces. The research findings can offer crucial insights for formulating tailored emission reduction policies and collaborative governance measures in the regions of Jiangxi, Fujian, and Guangdong.
Key words: Jiangxi, Fujian, and Guangdong regions      traffic carbon emissions      driving forces      LMDI model      M-R model     

中国作为世界上最大的碳排放国, 其年二氧化碳排放量约为100亿t, 占全球总排放约25%, 严重阻碍我国生态文明建设的步伐[1, 2]. 在空气污染和气候变化的双重挑战下, 中国提出了“双碳”目标战略. 作为碳排放的主要贡献者之一, 我国的交通碳排放约占全国终端碳排放的10%, 是造成气候变暖的主要原因[3]. 《2030年前碳达峰行动方案》指出的目标是确保交通运输领域碳排放增长保持在合理区间, 但中国城市化进程的加速增加了对交通运输领域的需求. 随着我国经济结构逐步从第二产业向第三产业转移, 交通行业二氧化碳排放量将继续增加, 预计到2030年, 交通运输产生的碳排放量将升至2000年的4倍以上[4]. 综上, 在应对全球气候变化和推进中国绿色转型的背景下, 实现交通领域的脱碳依旧面临严峻挑战.

我国“十四五”规划明确提出要深入实施区域协调发展战略, 健全区域协调发展机制. 在这一战略背景下, 对不同区域的协调发展机制进行研究显得尤为重要. 近年来, 国内外关于碳排放特征的学术研究和政策往往集中在经济较发达区域, 如长三角、珠三角和粤闽浙等地区[5~8]. 例如, Guo等[9]将长三角城市群的305个县级行政区划分为4种功能区, 采用可拓展的随机性的环境影响评估模型（stochastic impacts by regression on population, affluence and technology, STIRPAT）对4种功能区的碳排放驱动力影响机制的差异进行分析. Yu等[10]通过对数平均迪氏指数分解模型（logarithmic mean divisia index, LMDI）对珠三角城市群碳排放按照行业与城市进行分类, 探讨区域差异下城市群驱动效应变化的原因. 本团队前期基于长期能源替代规划系统模型评估粤闽浙城市群在不同情景下的道路交通的节能减排潜力[11]. 另外, 在交通碳排放时空演化方面, 现有的研究通常采用地理加权回归（geographically weighted regression, GWR）、标准差椭圆（standard deviation ellipse, SDE）和全局莫兰指数（global Moran's I index, Moran's I）等方法分析不同空间因素影响下的碳排放作用机制[12~17]. 如, Wang等[18]采用SDE和脱钩指数揭示了中国30个省份交通碳排放与经济增长的时空特征. 笔者团队基于Moran's I、空间自相关模型、LMDI和时空地理加权回归模型揭示了中国省域尺度的道路交通及物流的碳排放时空异质性及驱动力[4, 19]. 此外, 在碳排放驱动力研究方面, 部分学者采用IPAT等式和STIRPAT模型等计量经济模型方法对碳排放主要驱动力进行研究[20~22]. 也有学者采用Kaya恒等式、指数分解方法（index decomposition analysis, IDA）和结构分解方法（structural decomposition analysis, SDA）等因素分解模型定量解析驱动力对碳排放的贡献程度[23, 24]. 然而, 上述研究侧重于对局部驱动力之间的定量描述, 缺少驱动力之间对碳排放因果联系的描述[25].

综上, 已有研究为探索交通碳排放时空差异及驱动力研究提供了参考, 可在如下方面进一步深入研究：首先, 现有的研究区域侧重于经济较发达地区, 忽视了同样有高质量发展需求的, 但经济发展具有多样性和不均衡性的地区；其次, 现有的文献主要从空间自相关性与异质性分析碳排放的空间影响分布, 但在不同空间尺度上探明碳排放的时空差异分布、时空演变趋势与离散程度的研究较少. 此外, 由于中国幅员辽阔, 不同地区间存在显著的空间依赖关系, 对碳排放的时空差异分析造成了阻碍[26]. 而SDE模型能够从多维空间角度出发, 整体分析不同地理要素对碳排放空间分布趋势和时空演变过程的影响, 从而克服区域间的空间依赖关系；最后, 在碳排放驱动力分析方面, 多数研究基于STIRPAT模型等计量经济模型探讨碳排放因素的关系, 但传统的计量经济模型对数据的可获得性和准确性要求较高, 不能较好刻画驱动力间存在的因果联系, 从而解释驱动力间的作用机制. 而LMDI模型与多区域空间差异分解模型（multi-regional spatial decomposition, M-R）在碳排放分解能够克服残差与零值缺陷, 具有数据易获取及结果唯一等特点, 具有较强的时空差异分析能力, 能较好地揭示交通碳排放的时空变化.

赣闽粤地区位于中国东南沿海地区, 是珠三角、长三角和粤闽浙等地区的腹地, 也是国家着力打造生态宜居、低碳和绿色发展的重要区域. 2018年国务院发布《关于建立更加有效的区域协调发展》中提到要统筹发达地区和欠发达地区的发展. 此外, 我国“十四五”规划提出深入实施区域协调发展战略, 促进发达地区和欠发达地区的共同发展, 在发展中促进地区相对平衡. 为了实现这一目标, 交通运输的可持续发展和碳排放控制成为关键领域, 因此, 针对赣闽粤地区的交通碳排放进行研究, 符合国家战略需求, 具有重要的现实意义[27, 28]. 研究赣闽粤地区交通碳排放的必要性如下：①赣闽粤地区包含经济发达区域和相对欠发达的内陆区域, 不同经济发展水平的区域在交通基础设施建设、交通工具使用和能源消耗方面存在显著差异, 这导致其碳排放特征各异. 研究赣闽粤地区的差异有助于制定更加科学合理的减排政策, 也能拓展交通碳排放的研究范围, 推动宏观交通低碳转型研究的发展；②赣闽粤地区涵盖了山区和平原、内陆和沿海城市等多种地形和城市类型, 交通运输方式多样, 碳排放特征复杂. 研究赣闽粤地区有助于揭示不同区域和交通方式的碳排放规律, 进而为实现区域碳中和目标提供数据支持和决策依据；③国家和地方政府在推动赣闽粤三地各自的交通减碳实施了多项政策, 如《江西省碳达峰实施方案》《福建省质量强省建设纲要》《广东省综合立体交通网规划纲要》等. 然而, 在推进赣闽粤地区交通一体化发展的进程中, 交通领域作为能源密集和高碳排放行业给赣闽粤地区的环境治理带来了挑战. 探明赣闽粤地区交通碳排放时空演化与驱动力, 为区域交通碳排放制定差异化碳减排措施, 以及实现交通体系绿色低碳化转型提供理论参考.

因此, 本研究首次系统地采用“自上而下”法测算赣闽粤地区交通碳排放量, 并引入SDE法揭示该地区交通碳排放的时空演变趋势. 此外, 本研究通过构建LMDI和M-R模型分别从时间和空间的角度揭示交通碳排放驱动力. 以上方法不仅克服了传统计量经济模型在数据可获得性和准确性方面的局限, 还能更好地解释驱动力间的因果联系, 揭示交通碳排放的时空变化. 通过对赣闽粤地区交通碳排放的测算和分析, 以期为该地区制定差异化的碳减排措施提供理论支持, 并为实现区域交通碳排放的跨区域联合治理和绿色低碳化转型提供数据支持和决策依据.

1 材料与方法 1.1 交通碳排放测算模型

“自上而下”法主要基于终端能源消耗数据进行统计, 相关研究及笔者团队前期研究已证实该方法适用于宏观尺度的碳排放测算[4, 19, 29]. 因此, 本研究沿用该方法测算赣闽粤地区的交通碳排放量, 见式（1）, 各变量及含义如表 1所示.

(1)
表 1 交通碳排放模型变量及含义 Table 1 Variables and meanings of transportation carbon emissions model

1.2 SDE法

SDE法通过计算数据点集到椭圆中心的距离, 从全局角度反映赣闽粤地区交通碳排放分布的空间特征和离散程度. 标准差椭圆的基本参数包括空间重心、长轴、短轴和方位角等[30, 31]. 其中, 重心表示碳排放空间分布的相对位置, 见式（2）：

(2)

式中, 为研究对象在整个区域内的空间重心坐标；n为研究区域的数目；wi为第i个区域的空间权重；xi和yi分别为第i个区域的横坐标及纵坐标.

标准差椭圆的方位角为正北方向与长轴的顺时针夹角, 长短轴分别表示研究对象分布的最大离散度方向与最小离散度方向. 标准差椭圆方位角θ、长轴σx和短轴σy的标准差（σx和σy）计算公式见式（3）~（5）：

(3)
(4)
(5)

式中, 别为第i个区域的坐标与重心的偏差.

1.3 LMDI模型

LMDI模型是典型的时间差异分解模型, 通过将变量的变化分解为各种因素的贡献, 从而揭示不同因素对整体变化的影响程度. 在研究交通碳排放时空演化及驱动力时, LMDI模型能够揭示各种因素对碳排放变化的贡献[32]. 基于笔者团队前期研究、文献梳理以及数据可得性, 将碳排放的驱动力分解为碳排放强度、能源结构、能源强度、经济发展水平和人口规模, 建立LMDI模型, 如式（6）所示, 其变量及含义见表 2.

(6)
表 2 LMDI模型变量及含义 Table 2 Variables and meanings of LMDI model

根据LMDI分解模型的加法公式, 得到第t年碳排放量相对于第0年（基期）的变化, 见式（7）：

(7)

式中, 分别为各驱动力对第i省份交通碳排放变化的贡献值. 由于碳排放系数恒等于0, 因此, 不考虑碳排放强度因子对赣闽粤地区交通碳排放的影响.

1.4 M-R模型

M-R模型通过将所选区域的平均值作为比较基准, 在减少分解区域数量的同时, 避免在多区域分解情况中因选取基准参考区域造成的主观影响[33]. 根据式（7）, 可得第i省碳排放量Ci相对于研究区域平均碳排放量Cu的加法公式, 见式（8）：

(8)

式中, 分别为各驱动力对第i省份与区域平均水平两者的碳排放空间差异的贡献份额.

1.5 数据来源

能源消耗量、能源平均低热值、碳氧化率、折算标准煤系数和能源含碳量等数据来自研究年份的《中国能源统计年鉴》《国家温室气体排放清单指南》《省级温室气体清单编制指南（试行）》以及本团队前期研究成果[4, 11, 19, 34~36], 为了便于计算, 将能源实物终端消耗量为“0”的数据替换成极小值1×10-50[33]；人口数量和地区生产总值数据均源于研究年份的《中国统计年鉴》.

2 结果与讨论 2.1 交通碳排放概况

赣闽粤地区交通碳排放量及环比增速见图 1. 从中可知, 赣闽粤地区交通碳排放量整体呈现随时间推移而稳步上升的趋势, 碳排放量从2008年6 243.74万t增加到2019年11 340.11万t, 增幅为5 096.37万t. 但在2020和2021年受疫情的影响, 赣闽粤地区的交通碳排放量大幅下降, 相比峰值年份（2019年）分别减少了1 072.39万t和1 221.69万t的碳排放量. 而从碳排放总量的环比增速来看, 赣闽粤地区交通碳排放增速波动下降.

图 1 交通总碳排放量及环比增速 Fig. 1 Total carbon emissions of transportation and the growth rate

赣闽粤地区交通碳排放可分为3个阶段：高速增长期（2009~2010年）、波动增长期（2010~2019年）和快速下降期（2020~2021年）. 其中, 高速增长期间交通碳排放环比均增速高于10%. 在该时期, 广东省的GDP总量位列全国第一, 福建省GDP跨越1万亿元台阶, 江西省经济连续3 a保持13%以上的高速增长趋势. 经济与人口的快速发展促使交通需求激增, 从而促进了交通行业碳排放量的增长. 在波动增长期, 随着“十二五”和“十三五”规划相继出台, 国家经济走向新常态, 赣闽粤地区积极推动产业结构化改革, 并加大环境治理, 减缓了经济增长, 从而降低了赣闽粤地区交通碳排放量. 因此, 在2011~2013年, 赣闽粤地区交通碳排放增速出现下降趋势, 环比增速降为0.44%. 在2014~2019年碳排放增速呈现波动下降趋势. 在快速下降期, 受到疫情影响, 赣闽粤地区限制交通出行, 使得交通需求减少, 其交通碳排放环比增速在该期间降到最低值（-9.46%）.

2.2 赣闽粤地区交通碳排放时空演化分析

赣闽粤地区交通碳排放标准差椭圆及重心迁移分布见图 2, 相关参数见表 3.

图 2 交通碳排放时空演化结果 Fig. 2 Spatiotemporal evolution of transportation carbon emissions

表 3 标准差椭圆参数变化1） Table 3 Variation of standard deviation ellipse parameters

由图 2（a）标准差椭圆变化可知, 赣闽粤地区的交通碳排放分布呈现扩张趋势, 其椭圆面积从2009年的67 886.64 km2增长到2021年的88 715.30 km2. 同时, 赣闽粤地区交通碳排放重心在2009~2021年不断向东北方向移动. 其中, 在2009年, 碳排放重心在广东省内, 其余年份重心均在福建省. 从经济发展水平、人口数量和政策因素来看, 福建省和广东省的经济发展水平较高, 随着经济的高速发展, 带动了省际间的人口与货物流动, 显著提高了两省间的交通活动水平. 另外, 福建省具有典型的山地丘陵道路, 本团队前期研究已证实机动车在该类型道路运行会显著增加交通碳排放[34, 35]. 此外, 在人口流动的同时, 也带动了赣闽粤地区第二与第三产业比例的增长. 第二产业属于高能耗、高排放产业, 不同地区的自然资源分布具有差异性[37~39], 产业比例的提高势必需要从相邻省份调运更多的自然资源, 这也加剧了碳排放水平.

从图 2（b）方位角变化看, 本研究期间内呈现逐渐减小的趋势, 从2009年的16.40°减少到2021年的9.93°, 表明赣闽粤地区交通碳排放空间格局持续向“东北-西南”方向转变. 从图 2（a）长轴方向上看, 长轴由2009年的421.01 km扩大到2021年的463.48 km, 表明在研究期间内赣闽粤地区交通碳排放在“东北-西南”方向上呈发散现象, 其原因是福建省和江西省原先较为薄弱的经济基础得到改善, 工业基础大幅提升, 导致交通碳排放增速加快, 缩小了同广东省的差距. 其中长轴在2012年和2016年分别比上年减少了0.56 km和5.41 km, 表明在此期间内赣闽粤地区交通碳排放在“东北-西南”方向上出现聚集现象, 这主要是由于该时期的福建省和江西省经济较为薄弱, 发展速度较慢, 而广东省受到“双转移”等政策的影响, 在经济和交通等多方面快速发展, 促使碳排放重心向西南方向聚集. 从短轴方向上看, 短轴由2009年的205.41 km增加到2021年的243.84 km, 表明赣闽粤地区交通碳排放总体上在“西北-东南”上呈现发散现象, 主要原因是江西省经济快速发展, 导致赣闽粤地区西北部碳排放快速增加. 同时, 作为原中央苏区, 江西省大力发展旅游业等第三产业, 促进了当地的人口流动和交通运输的流通, 使得碳排放呈现发散趋势.

从图 2（c）重心移动轨迹来看, 交通碳排放原重心在广东省蕉岭县. 随着年份推移, 碳排放重心逐渐往其东北方向移动, 自2010年之后碳排放重心转移至福建省武平县和上杭县. 从2009~2021年的重心偏移方向和距离来看, 江西省和福建省有较为明显的交通碳排放增长趋势, 交通碳排放要素不断向东北与西北方向聚集. 研究期间内重心总计移动距离为39.88 km, 具体表现为2009~2011年重心向北方迁移了7.45 km；2012年重心出现往西南方向回调的趋势, 迁移了0.71 km, 因该年广东省的“双转移”政策实施成效显著, 对省内产业进行优化转型以促进区域协调发展, 使得生产规模不断扩大, 能源需求和碳排放水平也相应提升, 使重心产生南移现象；2013~2015年重心向北方迁移了15.79 km；2016年重心再次向西南方向迁移4.56 km, 原因是该年广东省颁布了《供给侧结构性改革总体方案》文件, 提高资源配给效率, 推动创新型产业发展, 形成多层次、高质量供给体系, 使广东省GDP突破8万亿元, 促使交通碳排放重心再次南移；2017~2021年重心向北方迁移24.78 km.

2.3 赣闽粤地区交通碳排放驱动力分析 2.3.1 赣粤闽地区整体交通碳排放驱动力分析

将赣闽粤地区2009~2021年交通碳排放的驱动力分解为能源结构、能源强度、经济发展水平和人口规模, 得到其对赣闽粤地区交通碳排放的贡献率情况（图 3）.

图 3 交通碳排放驱动力贡献值 Fig. 3 Contributions of factors influencing transportation carbon emissions

从图 3可知, 各驱动力对赣闽粤地区交通碳排放总量变化的影响作用存在显著差异. 赣闽粤交通碳排放总效应呈现逐年下降的趋势, 从2009年的755.58万t到2021年的-169.68万t. 此外, 由于赣闽粤的交通碳排放驱动力在2012~2013年相互平衡, 2013年总效益仅为5.09万t, 使该年度的驱动力贡献值产生较大波动. 具体来看, 影响程度最大的是经济发展水平效应, 其贡献率为16 022.35%；其次为人口规模效应和能源结构效应, 贡献率分别为943.79%与199.61%；最后是能源强度效应, 贡献率为-15 965.76%. 从整体来看, 经济发展水平和人口规模大多数年份处于正值, 对交通碳排放增长起促进作用；能源强度则对碳排放增长起抑制作用.

（1）能源结构效应分析  能源结构是减缓赣闽粤地区的交通碳排放增长的因素之一. 在本研究期间, 能源结构效应对赣闽粤地区交通碳排放具有正负交替的驱动作用, 整体呈波状变化趋势, 累计贡献率为199.61%, 说明能源结构效应整体上促进了交通碳排放增长. 但在研究期间内, 能源结构效应对交通碳排放的累计减排为19.18万t, 表明能源结构对交通碳排放起着微弱的减排作用. 这是因为在2012~2013年间由于碳排放总效应绝对值较小, 在贡献率上产生较大的波动, 使该期间的能源结构效应贡献率达到187.69%, 更偏向于交通碳排放增加趋势. 而在其他的研究时期内, 能源结构效应的贡献率绝对值相对较小, 说明能源结构虽然能减少交通运输的碳排放, 但对赣闽粤地区交通碳减排效果较弱.

（2）能源强度效应分析  能源强度效应是抑制赣闽粤地区交通碳排放增长的主要因素, 具有显著的负向驱动作用. 从图 3中可以看出, 研究期间的能源强度效应对交通碳排放的抑制作用在逐年增长, 从2009年减排484.45万t增长到2021年减排1 329.55万t, 累计减少碳排放8 041.79万t. 其中, 2019~2020年能源强度因素在减排中发挥作用最突出, 减排量达到1 423.61万t. 能源强度效应本质上由技术内生决定, 作为衡量交通能源利用率的驱动力, 在研究期内呈现明显的负驱动效应, 说明赣闽粤地区随着经济的发展, 其交通能源利用效率得到有效提升, 在绿色、清洁与节能技术创新和普及方面取得一定成效.

（3）经济发展水平效应分析  经济发展水平是促进赣闽粤地区交通碳排放增长的最主要因素, 呈现正向驱动作用. 由图 3可知, 除2019~2021年, 经济发展水平效应对交通碳排放的贡献值与贡献率均为正值, 且绝对值较大, 累计贡献碳排放量10 161.71万t, 说明经济发展水平对赣闽粤地区交通碳排放起到持续拉动作用. 研究期内的经济发展水平始终保持快速增长趋势, 其年均增速为10.84%, 虽然在2014年, 赣闽粤地区经济发展进入换挡期, 在“十二五”规划下强调低碳、绿色发展经济, 其经济发展水平的贡献率有所回落, 但仍是促进交通碳排放的首要因素. 值得注意的是, 2019~2020年的经济发展水平贡献的碳排放量有着显著的下降趋势, 这主要是因为全球疫情导致赣闽粤地区经济与交通发展受限, 使该研究期内交通碳排放贡献率为负, 即对交通碳排放起抑制作用.

（4）人口规模效应分析  人口规模通过生产侧和消费侧的间接作用对交通碳排放产生正向驱动效应, 是促进赣闽粤地区交通碳排放增长的因素之一. 2009~2019年赣闽粤地区的人口规模贡献值均为正值, 驱动作用仅次于经济发展水平, 其贡献值相对较小, 仅产生1 050.41万t碳排放. 同经济发展水平效应一样, 在2019~2021年间, 其贡献率逐渐减小到2021年的-52.38%. 按照其时间变化趋势可以分为3个阶段：①由于计划生育政策和观念的转变, 我国持续处于较低的生育水平, 2009~2015年期间人口规模的贡献值呈现下降趋势, 导致人口规模驱动效应减小；② 2016~2019年国家陆续发布二胎等相关人口政策激发生育潜能, 人口规模的贡献值有所回升, 2016年的贡献值为105.25万t, 到2019逐步稳定在124.73万t；③受到疫情影响, 2019~2021年的贡献值出现短暂的下滑, 后于2021年稳定在88.88万t.

2.3.2 赣粤闽地区分省份交通碳排放驱动力分析

为探明赣闽粤地区各省份交通碳排放驱动力贡献, 采用M-R模型分解福建省、广东省和江西省的交通碳排放空间分布驱动力, 并将其同赣闽粤地区平均水平进行对比（见图 4）. 选取“十二五”、“十三五”和“十四五”这3个规划元年对赣闽粤地区交通碳排放进行空间指数分解研究.

贡献值为正表示比平均水平高, 负数值表示比平均水平低, 单位为万t 图 4 交通碳排放空间差异驱动力分解结果 Fig. 4 Decomposition results of factors affecting the spatial difference of transportation carbon emissions

从图 4可知, 在研究期内, 福建省和江西省的交通碳排放总效应均为负值, 表明两省的碳排放低于赣闽粤地区平均水平. 其中, 江西省与平均水平差异最大, 达到1 821.55万t；而广东省交通碳排放高于平均水平2 804.94万t, 表明广东省在赣闽粤地区的交通碳排放上起主导作用.

（1）能源结构效应分析  就能源结构效应来看, 福建省和江西省的能源结构贡献值均为负值, 表明两省的能源结构效应低于平均水平. 其中, 福建省的能源结构效应与平均水平相比差距逐年缩小, 从2011年的21.62万t碳减排值缩小到2021年的13.40万t, 说明福建省虽然对交通能源结构有着较好的优化, 但对化石能源的依赖有所提升, 抑制了能源结构对福建省碳减排的贡献. 此外, 能源结构效应对江西省有较大的减排作用, 且持续拉大与平均水平的差距, 其减排效果值从2011年的53.29万t增长到2021年的89.33万t. 究其原因, 是江西省近年来大力优化能源结构, 不断提高清洁能源的消纳能力, 如2016年提出电能替代战略, 2017年实施各项“煤改气”、“煤改电”等奖补政策, 减少了煤炭等高碳源的消耗, 缓解江西省交通碳排放量. 相比之下, 广东省作为经济高速发展地区, 交通行业高度依赖化石能源, 致使其能源结构效应始终高于平均水平, 其碳排放贡献值从2011年的7.80万t增长到2021年的13.83万t. 表明广东省仍需要进一步完善低碳绿色交通规范, 优化地区的交通能源利用结构.

（2）能源强度效应分析  在研究期间内, 赣闽粤地区交通能源强度效应波动性较大. 在2011年和2016年期间, 福建省和江西省的能源强度效应均为负值, 而广东省虽为正值, 但贡献值有所下降, 表明福建省和江西省在此期间, 能源清洁化技术持续进步, 广东省在能源利用率上也取得一定进展. 但到2021年, 福建省和江西省的能源强度由负转正, 分别为38.78万t与506.47万t, 对赣闽粤地区造成大量碳排放. 说明由于“十四五”规划的提出, 福建省和江西省的经济与交通得到政策支持从而快速发展, 然而其生产技术水平与交通能源利用率相对较低, 资源未得到充分利用, 使得能源强度对交通碳排放起促进作用. 相反的是, 广东省能源强度对碳排放的贡献在2016年比平均水平高133.55万t, 而到2021年则比平均水平低273.23万t, 其交通碳减排贡献率为10.99%. 表明广东省通过“双转移”等政策, 对地区交通产业进行优化, 产生产业集聚现象, 提高了生产技术水平与能源利用效率, 有效遏制了交通碳排放的增长.

（3）经济发展水平效应分析  福建省和广东省的经济发展水平贡献值均为正值, 而江西省的贡献值始终为负值. 经济发展水平是福建省和广东省碳排放高于平均水平的主要驱动力. 其中, 福建省的经济发展水平对交通碳排放的驱动效应逐渐增强, 从2011年的167.06万t增长到2021年的460.68万t, 增长幅度高达175.76%, 这是因为福建省作为海峡经济区的核心, 其经济的快速增长拉动了地区生产水平与消费能力, 提高了交通需求, 从而促进福建省交通碳排放的增长. 广东省的碳减排难度远高于福建省和江西省, 其经济发展水平在2016年高于赣闽粤地区平均水平524.83万t, 但因广东省积极响应碳减排号召, 制定相关政策措施, 随着经济增长, 加大对低碳交通设备与节能减排技术的研发投入, 优化交通产业结构, 从而抑制碳排放的增长. 因此, 其经济发展水平对碳排放的贡献值在2021年比地区平均水平低58.31万t. 而江西省由于整体经济发展质量较为滞后[40], 经济发展水平效应远低于赣闽粤地区的平均水平, 其2021年的经济发展水平相对平均水平减少了1 037.47万t碳排放.

（4）人口规模效应分析  从人口规模效应来看, 广东省人口规模效应为正值, 从2011年的2 023.64万t增长到2021年的2 804.84万t, 表明广东省人口规模效应始终高于平均水平, 且为广东省碳排放增长的首要驱动力. 原因主要是广东省常年拥有大型人口规模, 其2021年的常住人口占赣闽粤地区总人口的59.30%, 高于地区平均水平, 从而增加了对交通出行、能源消耗的需求, 使得碳排放量增长. 相比之下, 福建省和江西省的人口规模效应均为负值, 且逐渐拉大与地区平均水平的差距, 其人口规模效应在2021年分别减少1 397.79万t与1 024.08万t交通碳排放量. 这主要是由于福建省和江西省的人口规模较广东省小, 对交通碳排放的驱动效应低于平均水平.

3 建议 3.1 促进产业结构转移与优化, 加强地区交通排放管理

由标准差椭圆结果可知, 碳排放重心逐渐向赣闽粤地区东北方向迁移. 因此, 需要重视福建省和江西省在交通碳排放中的贡献程度, 应充分利用赣闽粤经济协作区的优势, 加快地区间产业转移与优化. 如广东省和福建省作为我国东南沿海的经济较发达省份, 存在资源限制、环境压力以及产业升级等挑战. 与此同时, 江西省作为中部省份, 具有较丰富的自然资源和劳动力资源. 考虑到广东省和福建省在产业结构调整和转型升级方面的需求, 可将能耗较高、人员需求大的产业向江西省转移. 这种产业转移不仅可以缓解广东省和福建省在资源环境方面的压力, 也有助于推动江西省的经济发展和产业升级, 缩小赣闽粤地区交通碳排放的空间差异. 该建议符合《赣闽粤原中央苏区振兴发展规划》中关于承接沿海地区产业转移, 推动产业结构优化升级的总体要求[41]. 此外, 地区间应加强空气污染治理合作, 共享区域环境信息数据, 制定统一的交通碳排放治理标准和高碳排放产业准入标准, 从而强化地区交通排放管理. 以上措施不仅可以有效改善赣闽粤地区的生态环境, 也符合《闽西革命老区高质量发展示范区建设方案》的要求[42].

3.2 优化交通能源结构, 加大清洁能源应用

由交通碳排放时间变化趋势结果表明, 赣闽粤地区交通能源结构与消耗情况在减排方面有较大的提升空间. 《“十四五”可再生能源发展规划》与《国务院关于深化泛珠三角区域合作的指导意见》中也提出要提高江西省、福建省和广东省的能源利用效率, 加快区域电动汽车充电设施建设, 提高可再生能源在交通领域中的占比, 从而推动地区交通能源的清洁化发展[43, 44]. 因此, 政府应制定引导政策, 大力推广清洁能源应用, 减少对化石能源的依赖, 提高交通领域低碳能源的利用效率, 促进能源产业绿色发展. 粤闽两省可以通过沿海优势发展海上风电和核能产业, 加强清洁能源的多元化利用. 江西省则可以利用其丰富的能源储量, 加大对水能、氢能和太阳能技术的研发投入, 推动交通能源结构向清洁、低碳、绿色化方向发展.

3.3 提高公民绿色出行意识, 促进地区交通协同发展

由交通碳排放空间变化趋势结果显示, 人口与经济是赣闽粤地区交通碳排放增长和地区空间差异的主要驱动力. 《新时代支持革命老区振兴发展的意见》和《中国应对气候变化的政策与行动》进一步指出, 要全面提高赣闽粤地区高铁通道投资建设, 强化区域间交通联系, 并将货运重心从道路运输转向铁路运输, 从而全面降低地区间的交通碳排放量, 推动区域交通绿色化转型[45, 46]. 因此, 在发展地区经济过程中, 应推动经济与交通绿色化转型. 首先, 政府可以通过宣传等方式提高公民绿色低碳出行意识, 减少私人交通出行依赖, 增加公共交通出行占比, 提高交通基础设施和车辆技术投资, 加快新能源车辆在城市公共交通等领域的推广应用. 其次, 赣闽粤地区应积极加强区域间交通运输领域的协同合作, 促进地区间资源的有效利用和整合, 并通过推广水运、铁路等绿色低碳运输方式代替高碳排放的公路运输, 从而优化交通运输结构, 构建赣闽粤地区低碳、绿色的交通网络.

4 结论

（1）赣闽粤地区的交通碳排放标准差椭圆呈现“东北-西南”的空间分布格局. 碳排放重心主要位于福建省和广东省交界处, 虽然研究期间曾出现短期回落趋势, 但整体上呈现从广东省蕉岭县逐渐往福建省移动的趋势, 且碳排放方位角呈逆时针趋势, 持续向“东北-西南”方向转变.

（2）从赣闽粤地区交通碳排放时间变化趋势上看, 经济发展水平是促进赣闽粤地区交通碳排放的最重要的驱动力, 其次是人口规模. 能源结构对碳排放的影响的波动性较大, 表现为正负效应交替. 能源强度作为负向驱动力, 其贡献绝对值较大, 对赣闽粤地区的交通碳排放抑制效果显著.

（3）从赣闽粤地区交通碳排放空间变化趋势上看, 福建省和江西省的交通碳排放低于平均水平, 而广东省则远高于平均水平, 可见地区空间差异显著. 福建省的经济发展水平效应高于平均水平, 其余3个因素效应均低于平均水平. 广东省能源强度效应与经济发展水平的差距逐渐缩小, 而能源结构效应与人口规模效应的差距则在研究期内逐渐扩大. 江西省的能源结构效应、经济发展水平与人口规模效应均远低于平均水平, 但在“十四五”政策影响下, 其能源强度效应由负转正, 对碳排放的贡献值有所增加.

参考文献
[1] Qi Z L, Zheng Y X, Feng Y Y, et al. Co-drivers of air pollutant and CO2 emissions from on-road transportation in China 2010–2020[J]. Environmental Science & Technology, 2023, 57(50): 20992-21004.
[2] 张兰怡, 徐艺诺, 王硕, 等. 碳达峰背景下沿海城市群道路交通节能减排潜力[J]. 交通运输系统工程与信息, 2024, 24(5): 45-55.
Zhang L, Xu Y, Wang S, et al. Energy saving and emission reduction potential of road traffic in coastal urban agglomerations under background of carbon peak[J]. Journal of Transportation Systems Engineering and Information Technology, 2024, 24(5): 45-55.
[3] Hou X R, Lv T, Xu J, et al. Electrification transition and carbon emission reduction of urban passenger transportation systems—A case study of Shenzhen, China[J]. Sustainable Cities and Society, 2023, 93. DOI:10.1016/j.scs.2023.104511
[4] Zhang L Y, Weng D W, Xu Y N, et al. Spatio-temporal evolution characteristics of carbon emissions from road transportation in the mainland of China from 2006 to 2021[J]. Science of the Total Environment, 2024, 917. DOI:10.1016/j.scitotenv.2024.170430
[5] 陈亮, 张楠, 王一帆, 等. 京津冀地区碳排放强度变化驱动因素及归因分析[J]. 中国环境科学, 2023, 43(8): 4382-4394.
Chen L, Zhang N, Wang Y F, et al. Driving factors and attribution analysis of carbon emission intensity change in Beijing-Tianjin-Hebei region[J]. China Environmental Science, 2023, 43(8): 4382-4394.
[6] 宁春晓, 郭秀锐, 龚晓倩, 等. 京津冀交通部门的碳排放及减排潜力预测研究[J]. 环境科学与技术, 2023, 46(9): 138-147.
Ning C X, Guo X R, Gong X Q, et al. Estimation of carbon dioxide emissions and prediction of emission reduction potential in Beijing-Tianjin-Hebei region's transportation Sector[J]. Environmental Science & Technology, 2023, 46(9): 138-147.
[7] Li K J, Zhou Y, Xiao H J, et al. Decoupling of economic growth from CO2 emissions in Yangtze River Economic Belt cities[J]. Science of the Total Environment, 2021, 775. DOI:10.1016/j.scitotenv.2021.145927
[8] Zhou X Y, Bai L B, Bai J Y, et al. Scenario prediction and critical factors of CO2 emissions in the Pearl River Delta: a regional imbalanced development perspective[J]. Urban climate, 2022, 44. DOI:10.1016/j.uclim.2022.101226
[9] Guo Y, Tong Z H, Chen H L, et al. Heterogeneity study on mechanisms influencing carbon emission intensity at the county level in the Yangtze River Delta urban agglomeration: a perspective on main functional areas[J]. Ecological Indicators, 2024, 159. DOI:10.1016/j.ecolind.2024.111597
[10] Yu Y, Dai Y Q, Xu L Y, et al. A multi-level characteristic analysis of urban agglomeration energy-related carbon emission: a case study of the Pearl River Delta[J]. Energy, 2023, 263. DOI:10.1016/j.energy.2022.125651
[11] 徐艺诺, 翁大维, 王硕, 等. 粤闽浙沿海重点城市道路交通节能减排路径[J]. 环境科学, 2024, 45(5): 3107-3118.
Xu Y N, Weng D W, Wang S, et al. Energy-saving and emission reduction path for road traffic in key coastal cities of Guangdong, Fujian and Zhejiang[J]. Environmental Science, 2024, 45(5): 3107-3118.
[12] Sporkmann J, Liu Y, Spinler S. Carbon emissions from European land transportation: a comprehensive analysis[J]. Transportation Research Part D: Transport and Environment, 2023, 121. DOI:10.1016/j.trd.2023.103851
[13] Wu J S, Jia P, Feng T, et al. Uncovering the spatiotemporal impacts of built environment on traffic carbon emissions using multi-source big data[J]. Land Use Policy, 2023, 129. DOI:10.1016/j.landusepol.2023.106621
[14] 石璟晶, 赵红星, 聂江龙, 等. 交通信息化对中国"一带一路"沿线省域交通碳排放影响的时空分异格局[J]. 中国环境科学, 2024, 44(10): 5885-5900.
Shi J J, Zhao H X, Nie J L, et al. Spatial and temporal patterns of impact of transportation informatization on transportation carbon emissions in provinces along the Belt and Road in China[J]. China Environmental Science, 2024, 44(10): 5885-5900. DOI:10.3969/j.issn.1000-6923.2024.10.056
[15] Wang Y N, Wang X R, Chen W, et al. Exploring the path of inter-provincial industrial transfer and carbon transfer in China via combination of multi-regional input-output and geographically weighted regression model[J]. Ecological Indicators, 2021, 125. DOI:10.1016/j.ecolind.2021.107547
[16] Liu M H, Ma H T. Untangling the effects of the Belt and Road Initiative on carbon dioxide emissions[J]. Journal of Environmental Management, 2023, 325. DOI:10.1016/j.jenvman.2022.116628
[17] 向书江, 杨春梅, 谢雨琦, 等. 近20年重庆市主城区碳排放的时空动态演进及其重心迁移[J]. 环境科学, 2023, 44(1): 560-571.
Xiang S J, Yang C M, Xie Y Q, et al. Spatiotemporal dynamic evolution and gravity center migration of carbon emissions in the main urban area of Chongqing over the past 20 years[J]. Environmental Science, 2023, 44(1): 560-571.
[18] Wang L, Fan J, Wang J Y, et al. Spatio-temporal characteristics of the relationship between carbon emissions and economic growth in China's transportation industry[J]. Environmental Science and Pollution Research, 2020, 27(26): 32962-32979. DOI:10.1007/s11356-020-08841-x
[19] 张兰怡, 徐艺诺, 翁大维, 等. 经济高质量发展背景下中国省域物流业碳排放时空分异[J]. 环境科学, 2024, 45(9): 5086-5096.
Zhang L Y, Xu Y N, Weng D W, et al. Spatiotemporal differentiation of carbon emissions from logistics industry at provincial scale in China under the background of high-quality economic development[J]. Environmental Science, 2024, 45(9): 5086-5096.
[20] 胡茂峰, 郑义彬, 李宇涵. 多情景下湖北省交通运输碳排放峰值预测研究[J]. 环境科学学报, 2022, 42(4): 464-472.
Hu M F, Zheng Y B, Li Y H. Forecasting of transport carbon emission peak in Hubei province under multiple scenarios[J]. Acta Scientiae Circumstantiae, 2022, 42(4): 464-472.
[21] 戢晓峰, 白淑敏, 陈方, 等. 效率视角下省域交通碳排放配额分配研究[J]. 干旱区资源与环境, 2022, 36(4): 1-7.
Ji X F, Bai S M, Chen F, et al. Allocation of provincial transportation carbon emission quota from the perspective of efficiency[J]. Journal of Arid Land Resources and Environment, 2022, 36(4): 1-7.
[22] Wang L Q, Zhao Z B, Wang X X, et al. Transportation de-carbonization pathways and effect in China: a systematic analysis using STIRPAT-SD model[J]. Journal of Cleaner Production, 2021, 288. DOI:10.1016/j.jclepro.2020.125574
[23] Wu Y W, Yuan R, Pan Y C. Impacts of regional development on emissions in China's transport sector[J]. Environmental Science and Pollution Research, 2022, 29(25): 37411-37422.
[24] Zhang K Y, Liu X M, Yao J M. Identifying the driving forces of CO2 emissions of China's transport sector from temporal and spatial decomposition perspectives[J]. Environmental Science and Pollution Research, 2019, 26(17): 17383-17406.
[25] Wang J M, Zhang X T, Yang F, et al. Explore the influence mechanism of carbon emissions decline on energy intensity with two-layer factor decomposition method in Beijing-Tianjin-Hebei region[J]. Environmental Science and Pollution Research, 2019, 26(4): 4041-4055.
[26] Du Q, Zhou J, Pan T, et al. Relationship of carbon emissions and economic growth in China's construction industry[J]. Journal of Cleaner Production, 2019, 220: 99-109.
[27] 蒋晨丽. 基于闽粤赣边区为例探讨生态旅游潜力[J]. 山东农业工程学院学报, 2017, 34(10): 111-112.
[28] 黄颖敏, 付晓, 曹小曙, 等. 基于扎根理论的革命老区县域高质量发展指标体系构建与综合评价[J]. 热带地理, 2023, 43(11): 2191-2202.
Huang Y M, Fu X, Cao X S, et al. Construction and comprehensive evaluation of high-quality development index system of counties in old revolutionary base areas based on grounded theory[J]. Tropical Geography, 2023, 43(11): 2191-2202.
[29] Eggleston H S, Buendia L, Miwa K, et al. 2006 IPCC guidelines for national greenhouse gas inventories[R]. Kanagawa: IPCC, 2006.
[30] Zhao Y F, Wu Q R, Wei P P, et al. Explore the mitigation mechanism of urban thermal environment by integrating geographic detector and standard deviation ellipse (SDE)[J]. Remote Sensing, 2022, 14(14). DOI:10.3390/rs14143411
[31] 夏晓圣, 汪军红, 宋伟东, 等. 2000~2019年中国PM2.5时空演化特征[J]. 环境科学, 2020, 41(11): 4832-4843.
Xia X S, Wang J H, Song W D, et al. Spatio-temporal evolution of PM2.5 concentration during 2000-2019 in China[J]. Environmental Science, 2020, 41(11): 4832-4843.
[32] Wang J D, Dong K Y, Hochman G, et al. Factors driving aggregate service sector energy intensities in Asia and Eastern Europe: a LMDI analysis[J]. Energy Policy, 2023, 172. DOI:10.1016/j.enpol.2022.113315
[33] Yu X H, Liang Z F, Fan J J, et al. Spatial decomposition of city-level CO2 emission changes in Beijing-Tianjin-Hebei[J]. Journal of Cleaner Production, 2021, 296. DOI:10.1016/j.jclepro.2021.126613
[34] Zhang L Y, Hu X S, Qiu R Z, et al. Comparison of real-world emissions of LDGVs of different vehicle emission standards on both mountainous and level roads in China[J]. Transportation Research Part D: Transport and Environment, 2019, 69: 24-39.
[35] Zhang L Y, Lin J, Qiu R Z. Characterizing the toxic gaseous emissions of gasoline and diesel vehicles based on a real-world on-road investigation[J]. Journal of Cleaner Production, 2021, 286. DOI:10.1016/j.jclepro.2020.124957
[36] 戈秋虞, 徐艺诺, 邱荣祖, 等. 基于系统动力学的城市客运交通减碳情景模拟研究[J]. 气候变化研究进展, 2023, 19(3): 357-370.
Ge Q Y, Xu Y N, Qiu R Z, et al. Scenario simulation of urban passenger transportation carbon reduction based on system dynamics[J]. Climate Change Research, 2023, 19(3): 357-370.
[37] 覃朝晖, 王镕菲, 丁志国. 城市发展环境压力对碳排放水平的影响效应[J]. 环境科学, 2025, 46(3): 1473-1481.
Qin Z H, Wang R F, Ding Z G. Impact of environmental pressure from urban development on the level of carbon emissions in urban areas[J]. Environmental Science, 2025, 46(3): 1473-1481.
[38] 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.
[39] 吴健生, 晋雪茹, 王晗, 等. 中国碳排放及影响因素的市域尺度分析[J]. 环境科学, 2023, 44(5): 2974-2982.
Wu J S, Jin X R, Wang H, et al. Analysis of carbon emissions and influencing factors in China based on city scale[J]. Environmental Science, 2023, 44(5): 2974-2982.
[40] 贾健, 张朝洋, 陈宇. 江西经济高质量发展的现状、问题及建议[J]. 金融与经济, 2019(4): 62-65.
[41] 中华人民共和国国家发展和改革委员会. 国家发展改革委关于印发赣闽粤原中央苏区振兴发展规划的通知[EB/OL]. https://www.ndrc.gov.cn/xxgk/zcfb/tz/201403/t20140328_964079.html?code=&state=123, 2014-03-28.
[42] 中华人民共和国国家发展和改革委员会. 国家发展改革委关于印发《闽西革命老区高质量发展示范区建设方案》的通知[EB/OL]. https://www.ndrc.gov.cn/xwdt/tzgg/202204/t20220413_1321985.html, 2022-04-13.
[43] 国家发展改革委, 国家能源局, 财政部, 等. 国家发展改革委国家能源局财政部自然资源部生态环境部住房和城乡建设部农业农村部中国气象局国家林业和草原局关于印发"十四五"可再生能源发展规划的通知[EB/OL]. https://www.ndrc.gov.cn/xwdt/tzgg/202206/t20220601_1326720.html?code=&state=123, 2022-06-01.
[44] 中华人民共和国中央人民政府. 国务院关于深化泛珠三角区域合作的指导意见[EB/OL]. https://www.gov.cn/zhengce/content/2016-03/15/content_5053647.htm, 2016-03-03.
[45] 中华人民共和国中央人民政府. 国务院关于新时代支持革命老区振兴发展的意见[EB/OL]. https://www.gov.cn/gongbao/content/2021/content_5591404.htm, 2021-01-24.
[46] 中华人民共和国中央人民政府. 中国应对气候变化的政策与行动[EB/OL]. https://www.gov.cn/zhengce/2021-10/27/content_5646697.htm, 2021-10-27.