长江经济带能源绿色低碳转型与减污降碳协同效应时空演进及地区差异

引用本文

邢文婷, 刘明珠, 李利娟. 长江经济带能源绿色低碳转型与减污降碳协同效应时空演进及地区差异[J]. 环境科学, 2025, 46(7): 4198-4210.

XING Wen-ting, LIU Ming-zhu, LI Li-juan. Spatial-temporal Evolution and Regional Differences of Synergistic Effect of Green and Low-carbon Energy Transformation and Pollution Reduction and Carbon Reduction in the Yangtze River Economic Belt[J]. Environmental Science, 2025, 46(7): 4198-4210.

长江经济带能源绿色低碳转型与减污降碳协同效应时空演进及地区差异

邢文婷, 刘明珠, 李利娟

重庆工商大学管理科学与工程学院，重庆 400067

收稿日期: 2024-06-15; 修订日期: 2024-09-07

基金项目: 国家社会科学基金项目（23BGL220）；重庆市自然科学基金项目（CSTB2024NSCQ-MSX1204）；重庆市教委科技项目（KJZD-K202400807）

作者简介: 邢文婷(1986~), 女, 博士, 副教授, 主要研究方向为能源技术经济及管理、能源管理与低碳发展、资源与生态文明建设、资源开发与环境影响评价, E-mail: 0529xwt@sina.cn

摘要: 减污降碳协同增效是促进经济社会发展全面绿色转型的总抓手，能源则是绿色转型的重要主战场. 深入探讨能源绿色低碳转型与减污降碳的战略内涵，构建能源绿色低碳转型和减污降碳评价指标体系，综合运用熵权法、核密度估计、复合系统协同度模型、Theil指数以及空间Markov链方法，实证分析2010~2022年长江经济带能源绿色低碳转型与减污降碳协同效应的地区差异及动态演进特征. 结果表明：①能源绿色低碳转型指数和减污降碳指数均呈现稳步增长趋势，各省市间能源绿色低碳转型水平差距逐渐扩大，减污降碳水平差距先缩小后扩大. ②能源绿色低碳转型与减污降碳协同发展水平显著增长，协同等级整体呈现从轻度不协同转向轻度协同又向中度协同发展的动态过程，空间上“两边高中间低”的分布局面逐渐显现. ③协同水平的总体差异呈现先上升后下降的趋势，贡献率显示2017年以前主要源于区域内差异，2018年以后主要源于区域间差异；分地区差异值整体呈现：中游地区 > 上游地区 > 下游地区. ④低协同水平的邻域会对本地区协同类型发展产生一定阻碍，较高水平协同度的邻域对本地具有拉动作用. 最后，提出加大低协同水平地区的政策倾斜和技术支持、强化高协同水平地区的辐射示范作用等建议.

关键词: 减污降碳能源绿色低碳转型协同效应泰尔指数空间马尔科夫链

Spatial-temporal Evolution and Regional Differences of Synergistic Effect of Green and Low-carbon Energy Transformation and Pollution Reduction and Carbon Reduction in the Yangtze River Economic Belt

XING Wen-ting , LIU Ming-zhu , LI Li-juan

School of Management Science and Engineering, Chongqing Technology and Business University, Chongqing 400067, China

Abstract: The synergistic enhancement of pollution and carbon reductions serves as a primary lever for promoting the comprehensive green transformation of economic and social development, with energy being a crucial battleground for this green transition. In this study, we conduct an in-depth exploration of the strategic implications of green and low-carbon energy transition and pollution and carbon reductions. We construct an evaluation index system for green and low-carbon energy transition and pollution and carbon reductions. We employ a combination of the entropy weight method, Kernel density estimation, composite system synergy model, Theil index, and spatial Markov chain methods to empirically analyze the regional disparities and dynamic evolutionary characteristics of the synergistic effects of green and low-carbon energy transition and pollution and carbon reductions in the Yangtze River Economic Belt from 2010 to 2022. The results indicated that: ① Both the green and low-carbon energy transition index and the pollution and carbon reduction index have shown a steady growth trend, with the gap in green and low-carbon energy transition levels among provinces gradually widening, while the gap in pollution and carbon reduction levels first narrowed and then widened. ② The level of synergistic development between the green and low-carbon energy transition and pollution and carbon reductions significantly increased, with the overall coordination level demonstrating a dynamic process from mild incoordination to mild coordination and then to moderate coordination and a spatial distribution situation of "high on both sides, low in the middle" gradually emerging regionally. ③ The overall disparity in synergistic levels first rose and then fell, with the contribution rate showing that before 2017, it was mainly due to differences within regions, and after 2018 it was mainly due to differences between regions. The overall difference values by region were as follows: midstream areas > upstream areas > downstream areas. ④ The probability of upward transition was highest for low synergy levels, followed by moderate synergy levels; considering the impact of spatial neighborhood factors, neighborhoods with low synergy levels could hinder the development of local synergy types to some extent, while neighborhoods with higher synergy levels could have a pulling effect on the local area. Finally, some suggestions are put forward, such as increasing the policy inclination and technical support for areas with a low level of synergy and strengthening the radiation demonstration role of areas with high level of synergy.

Key words: pollution reduction and carbon reduction green and low-carbon energy transformation synergistic effect Theil index spatial Markov chain

能源造成的环境污染是一项全球性挑战，如何权衡日益增长的能源消费需求和日益恶化的环境污染是大部分国家面临的难题^[1]. 目前我国尚处于工业化和城市化发展中后期阶段，能源消费需求和碳排放规模仍处于双上升阶段. 有研究显示，我国能源消费产生的二氧化碳（CO₂）排放占总排放量的85%，大气污染的80%以上直接或间接地由化石能源燃烧排放造成^[2]. 大气污染物和温室气体排放高度同根同源的特征主要表现在能源领域，因此，无论是减污以打赢“蓝天保卫战”，还是降碳以应对气候变化，都必须从根本上进行能源转型^[3]. 《减污降碳协同增效实施方案》《关于完善能源绿色低碳发展体制机制和政策措施的意见》《关于推动能耗双控逐步转向碳排放双控的意见》等文件发布，预示着能源领域要以减污降碳为重点战略引领实现绿色低碳转型. 当前环境污染末端治理空间逐渐收缩殆尽，转向源头以及过程控制的减污降碳协同增效空间广阔^[4]. 抓住能源这个减污降碳协同增效的主战场，从能源生产消费全过程实施减污降碳工作是当前的发展趋势. 长江经济带作为我国经济高质量发展和生态文明建设的先行示范带，是我国经济重心地区之一，近年来突出的生态环境污染问题亟待突破，因此，探讨长江经济带能源绿色低碳转型与减污降碳协同效应及其动态演化趋势，有助于长江经济带制定环境协同治理发展策略，并为能源绿色低碳转型工作提供参考.

为应对能源消费造成的高污染排放问题，能源绿色低碳转型成为了许多国家关注的焦点. 多国将发展目标转向清洁生产和能源自主的可持续性，在能源生产消费模式方面发生重大改变^[5，6]. 随着能源战略转型的推进，我国也正逐步形成新能源高质量发展的能源转型趋势^[7]. 起初，学术界对于能源转型的研究主要从控制化石能源消费、调整能源消费结构、新能源供应替代的角度进行^[8~10]. 然而，能源利用效率低、油气对外依存度高、技术创新能力不足、新能源发电强不确定性与“弃电”现象等诸多挑战表明能源转型不仅仅在源头控制或替代，要深入关注能源生产消费多层次、全过程管理的重要性^[11~14]. 在资源枯竭和环境质量的双重约束下，实现能源绿色低碳转型需要高比例新能源并网、储能基础设施建设、能效与电气化水平提高、火电有序退役和绿色低碳技术创新等措施的协同推进^[15~20].

自我国减污降碳协同增效上升为国家长期方略，减污降碳问题引起了诸多学者的广泛关注，研究主要包括两个方面. 一是减污降碳协同机制分析及协同效应评价. 早期学者们主要从环境污染物与温室气体的关系出发进行减污降碳协同机制探索. 薛婕等^[21]利用数理统计模型验证了主要大气污染物和主要温室气体间具有很强的相关性. 大气污染物控制会产生辅助CO₂减排量，且控制目标越严格这种协同减排效应越强^[22]. 随着研究发展，废水、废气和工业固体废物等多种复合污染物与碳排放的关系逐渐受到关注^[23，24]. 目前关于减污降碳协同评价指标体系、评价方法以及协同指数构建等内容研究颇丰，比如针对减污降碳重点部门（工业、制造业和交通运输等）、大气污染防治领域以及省份或城市案例，使用协同减排当量法、协同效应系数和耦合协调度模型等方法测算其协同减排效果以及协同发展水平^[25~29]. 二是减污降碳协同效应地区差异及时空特征研究. 泰尔指数、基尼系数和收敛系数等方法常被用于刻画减污降碳协同效应的区域差异情况及其收敛性^[30~32]. 其中，泰尔指数具有能够衡量组内和组间差异对整体差异贡献的优点^[33]. 核密度估计方法可以描绘减污降碳协同效应的时空分布形态、位置和延展性等特点^[34]. 然而，以上方法偏向于刻画区域现象的静态特征且反映的内部动态信息有限. 马尔科夫链方法可以通过计算协同类型的转移概率以反映内部信息动态演进过程^[35]. 地理邻近性而产生的空间溢出性对区域的发展演变具有重要作用^[36]，考虑地区关联性的空间马尔科夫链方法弥补了传统马尔科夫链将地区视作独立个体的缺陷，可以揭示减污降碳协同效应的时空动态演化趋势^[37].

能源领域绿色低碳转型是实现减污降碳的主力军，大气污染倒逼能源低碳转型已形成广泛共识^[38，39]. 目前对于能源绿色低碳转型和减污降碳的作用关系分析主要从两个角度论证. 一是能源消费侧控制的减污降碳效应. 通过对能源消费系统施加节能减排约束和优化，可以实现主要大气污染物控制和温室气体减排效果^[40~42]. 化石能源消费减量会对不同环境污染物产生不同程度的减排贡献以及碳减排效应，并在减污降碳协同治理中发挥重要作用^[43，44]. 二是能源供应侧的减污降碳效应. 向可再生能源转变的能源替代措施可以大幅减少直接危害人类健康的空气污染物排放，并实现巨大经济效益的碳减排^[45~49]. 能源低碳技术创新促进能源供给体系清洁化、实现污染物减少和碳减排是循序渐进的过程，存在广阔的上升空间^[50~52]. 目前，针对长江经济带区域能源绿色低碳转型与减污降碳相关研究较为缺乏，现有研究主要关注长江经济带能源消费碳排放强度测算和影响因素识别等内容^[53，54].

综上，现有研究关于能源绿色低碳转型和减污降碳的内容较为丰富，但对于两者的作用关系主要从能源消费侧和能源供应替代等单一角度进行分析，在构建相关指标体系进行减污降碳协同效应评价时，未能充分考虑能源绿色低碳转型的源头、过程和终端，且协同效应评价研究主要集中在时空特征和地区差异等静态现象描述，综合描述协同效应动态演进趋势的成果较为缺乏. 因此，本文以全局性和系统性的视角，从能源绿色低碳转型源头、过程和终端这3个方面统筹减污降碳战略规划，构建能源绿色低碳转型和减污降碳评价指标体系；综合使用熵权法和核密度估计动态分析能源绿色低碳转型水平和减污降碳水平，建立复合系统协同度模型测算能源绿色低碳转型与减污降碳的协同水平，采用泰尔指数分析协同水平的地区差异，并利用空间马尔科夫链刻画协同类型的动态演进趋势；根据能源绿色低碳转型与减污降碳协同效应的地区差异及动态演进趋势等研究结果，以期为长江经济带能源绿色低碳转型与减污降碳协同发展提出个性化、因地制宜的政策建议.

1 能源绿色低碳转型与减污降碳协同机制

高碳能源也是高污染能源，传统的能源产业存在大量的污染和碳排放，对生态环境造成严重影响. 推动能源体系清洁化低碳化、能源消费电气化和能源高效利用化等能源绿色低碳转型措施是深度脱碳途径，也是助力实现减污降碳协同增效的主要贡献者^[55]. 各项能源转型措施将不断促进经济社会可持续发展和生态环境效益提升，从根本上实现经济发展与生态环境保护的“双赢”.

减污降碳协同增效的“根”在能源生产和消费领域，实现减污降碳协同增效要在强化末端污染治理的基础上，突出节能降耗、能源结构调整为主的源头治理. 以节能提高能效为手段实施“能耗”双控是最具减排潜力且最经济的方式^[56]. 减污降碳协同增效工作的推进会进一步促进能源结构调整并推动绿色低碳产业发展^[57].

碳达峰碳中和目标与“能耗”双控转向“碳排放”双控要求为能源绿色低碳转型与减污降碳协同提供了战略支撑. 能源绿色低碳转型和减污降碳协同增效两者同属于双碳“1+N”政策体系，其中，能源绿色低碳转型是实现碳达峰碳中和的关键主战场，减污降碳协同增效是重点内容. 从“能耗”双控逐步转向“碳排放”双控有利于统筹发展与减排、能源安全及结构调整，并促进减污降碳激励约束机制的形成，精准高效的碳减排策略将赋予能源消费更大的弹性. 能源绿色低碳转型与减污降碳协同增效两者目标及实现路径趋同，相互作用、共同发展. 本文从能源绿色低碳转型与减污降碳的作用关系出发，描绘了两者之间的协同机制框架，如图 1所示.

图 1 能源绿色低碳转型与减污降碳协同机制 Fig. 1 Synergistic mechanism of green and low-carbon energy transformation and pollution reduction and carbon reduction

2 材料与方法 2.1 研究区概况

长江经济带覆盖上海、江苏、浙江、安徽、江西、湖北、湖南、重庆、四川、贵州和云南这11个省市，面积约205.23万km²，占全国的21.4%. 横跨中国东中西三大区域，是中央重点实施的“三大战略”之一，是东中西互动合作的协调发展带、沿海沿江沿边全面推进的对内对外开放带，也是生态文明建设的先行示范带. 当前生态环境状况形势严峻、存在瓶颈制约、区域发展不平衡问题突出、产业转型升级任务艰巨并且区域合作机制尚不健全. 具体位置如图 2所示.

图 2 研究区地理位置示意 Fig. 2 Geographical location of the study area

2.2 数据来源

本文以长江经济带11个省市作为研究对象，选取2010~2022年数据进行分析，文中数据来自《中国统计年鉴》《中国电力统计年鉴》《中国能源统计年鉴》《中国汽车工业统计年鉴》和各省市《统计年鉴》、地区《环境质量公报》、智慧芽专利数据库和CNESA数据库等. 部分缺失数据通过插值法进行补充.

2.3 评价指标体系构建

本文通过对减污降碳和能源绿色低碳转型相关理论及战略内涵进行分析，借鉴已有研究成果^[58~61]，结合能耗“双控”转向碳排放“双控”目标，遵循科学性、全面性及数据可获得性等原则，从源头管理、过程控制和终端减排这3个方面初步建立全过程能源绿色低碳转型子系统评价指标体系，选取主要环境污染物指标以及碳排放指标构建减污降碳子系统，对于碳排放总量指标，采取联合国政府间气候变化专门委员会（IPCC）所公布的碳排放因子法从能源角度进行测算得到. 使用能耗“双控”和“碳排放”双控指标承接两个子系统. 对初步确定的指标，根据相关专家反馈进行修改与完善，剔除不合理指标，最终分别建立能源绿色低碳转型评价指标体系和减污降碳评价指标体系，如表 1和表 2所示.

表 1 能源绿色低碳转型评价指标体系^1） Table 1 Evaluation index system of green and low-carbon energy transition

表 2 减污降碳评价指标体系^1） Table 2 Evaluation index system for pollution and carbon reductions

2.4 研究方法 2.4.1 熵权法

将指标分为正向指标与负向指标，利用极差标准化公式对原始数据进行标准化处理，以消除数据维度和量纲的影响. 用熵值来判断某个指标的离散程度并利用信息熵计算出各指标权重^[62]. 主要步骤如下.

步骤1：指标标准化

$ 正向指标：Y_{i j}=\frac{x_{i j}-\min \left(x_{i j}\right)}{\max \left(x_{i j}\right)-\min \left(x_{i j}\right)} $

(1)

$ 负向指标：Y_{i j}=\frac{\max \left(x_{i j}\right)-x_{i j}}{\max \left(x_{i j}\right)-\min \left(x_{i j}\right)} $

(2)

式中，i为省市，j为指标（i=1，2，3，…，n；j=1，2，3，…，m）；Y_ij为标准化处理后的第i个省市第j项指标.

步骤2：确定指标权重

首先，计算第i个省市的指标值占第j项指标值的比例P_ij.

P_{i j} = \frac{Y_{i j}}{\sum_{i = 1}^{n} Y_{i j}}

(3)

其次，计算第j项指标的熵值E_j.

E_{j} = - l n {(n)}^{- 1} \sum_{i = 1}^{n} P_{i j} l n P_{i j}

(4)

最后，基于熵值计算第j项指标占所有指标的权重wj.

w_{j} = \frac{1 - E_{j}}{\sum_{j = 1}^{m} (1 - E_{j})}

(5)

步骤3：计算综合评分

U_{i} = \sum_{j = 1}^{m} w_{j} Y_{i j}

(6)

2.4.2 核密度估计

核密度估计作为一种非参数统计方法，使用连续的概率密度曲线能够清晰地反映能源绿色低碳转型指数和减污降碳指数的分布形态与客观实际^[63]. 其公式为：

f (x) = \frac{1}{n h} \sum_{i = 1}^{n} K (\frac{x_{i} - \bar{x}}{h})

(7)

K (x) = \frac{1}{\sqrt[]{2 π}} e x p (- \frac{x^{2}}{2})

(8)

式中，n为省市的个数；K（x）为核函数，在研究中选用高斯核函数；h为带宽；x_i为i省市的能源绿色低碳转型指数或减污降碳指数的观测值；x¯为观测值的均值.

2.4.3 复合系统协同度模型

通过建立子系统有序度模型以及复合系统协同度模型，来测算能源绿色低碳转型与减污降碳复合系统的协同度，明晰复合系统的协同发展趋势^[64]. 具体步骤如下.

步骤1：计算子系统有序度

考虑能源绿色低碳转型和减污降碳两个子系统，定义为S₁和S₂，设某一子系统发展过程中的序参量为ej=(ej1,ej2,…,ejn)，其中j∈1, 2，αji≤eji≤βji，i∈[1,n]，βji为j系统i指标的最大值，αji为最小值. 对于能源绿色低碳转型子系统S₁的序参量有序度可以定义为：

u_{1} (e_{1 i}) = \{\begin{matrix} \frac{e_{1 i} - α_{1 i}}{β_{1 i} - α_{1 i}}, i \in [1, k_{1}], \\ \frac{β_{1 i} - e_{1 i}}{β_{1 i} - α_{1 i}}, i \in [k_{1} + 1, n] . \end{matrix}

(9)

式中，u1e1i∈[0, 1]，取值越大，序参量e1i对子系统有序度的贡献越高.

序参量e1i对子系统有序程度的总贡献通过线性加权求和法反映出来. 即：

u_{1} (e_{1}) = \sum_{i = 1}^{n} w_{i} u_{1} (e_{1 i}) w_{i} \geq 0 且 \sum_{i = 1}^{n} w_{i} = 1

(10)

式中，u1e1∈[0, 1]，值越大表明子系统有序程度越高；wi为各指标的权重，由熵权法计算得出. 同理，可计算出减污降碳子系统S₂的有序度.

步骤2：计算复合系统整体协同度

根据子系统有序度建立复合系统协同度模型. 假定复合协同系统从初始时刻t₀演化到时刻t₁，能源绿色低碳转型子系统的有序度为u₁（e₁），减污降碳子系统的有序度为u₂（e₂），从t₀~t₁时刻的复合协同治理系统的整体协同度为：

C = θ \sqrt[]{|\prod_{j = 1}^{2} [u_{j}^{1} (e_{j}) - u_{j}^{0} (e_{j})]|}

(11)

式中，θ=minjuj1ej-uj0ejminjuj1ej-uj0ej，复合系统协同度C∈[-1, 1]，数值越大复合系统的协同发展水平越高.

步骤3：协同度等级划分

参考已有研究^[65]，将复合系统协同度划分为6个等级，如表 3所示.

表 3 复合系统协同度等级划分 Table 3 Classification of the synergy degree of the composite system

2.4.4 泰尔（Theil）指数及其分解

泰尔指数可以用于测算协同水平的区域发展差异，将区域总差异分解为组内差异和组间差异两部分，并计算两种差异对总体差异的贡献率^[66]. 总体泰尔指数计算公式为：

T = \frac{1}{11} \sum_{i = 1}^{11} \frac{D_{i}}{\bar{D}} l n (\frac{D_{i}}{\bar{D}})

(12)

式中，0≤T≤1为能源绿色低碳转型与减污降碳协同水平的泰尔指数，值越大表示总体差异越大；D_i为i省市的协同度；D¯为所有省市协同度的平均值.

本文对长江经济带11个省市进行分组，划分为3个区域：上游地区（重庆、四川、云南和贵州），中游地区（湖南、湖北、江西和安徽），下游地区（上海、浙江和江苏），进一步地将泰尔指数分解为区域间差异和区域内差异，分解公式如下：

T = T_{b} + T_{w}

(13)

T_{b} = \sum_{p = 1}^{3} \frac{D_{p}}{D} l n (\frac{D_{p} / n_{p}}{D / n})

(14)

T_{w} = \sum_{p = 1}^{3} \frac{D_{p}}{D} T_{p} = \sum_{p = 1}^{3} \frac{D_{p}}{D} [\frac{1}{n} \sum_{i = 1}^{n_{p}} (\frac{D_{p i}}{\bar{D_{p}}} l n \frac{D_{p i}}{\bar{D_{p}}})]

(15)

式中，T_b为区域间差异；T_w为区域内差异；T_p为第p组的组内差异；n_p为第p组包含的省市数；D_p为第p组的协同度值的总和；D为所有区域协同度值的总和.

区域内差异和区域间差异的贡献率以及各组贡献率计算公式为：

C_{b} = \frac{T_{b}}{T}

(16)

C_{w} = \frac{T_{w}}{T}

(17)

C_{p} = \frac{D_{p}}{D} \times \frac{T_{p}}{T}

(18)

2.4.5 马尔科夫（Markov）链

一定区域内某时间段出现的地理或经济现象具有无后效性的特征，马尔科夫链具有随机性、稳定性、无后效性等优势，是探索区域发展水平演进规律、状态时空转移路径及转移概率的理想方法^[67].

（1）传统马尔科夫链将数据根据数值大小离散为K种状态类型，构造1个K×K阶矩阵来表示协同水平的状态转移概率，能够较好地展示能源绿色低碳转型与减污降碳协同等级转移的动态演变趋势，计算公式为：

P_{i j} = \frac{n_{i j}}{n_{i}}

(19)

式中，P_ij为某省市从t时期的i状态转移到t+1时期j状态的概率；n_ij为在研究期内由t时期属于i类型并在t+1时期转移为j类型的省市数量；n_i为研究区内协同类型处于i状态的省市数量.

（2）空间马尔科夫链空间马尔科夫链在传统马尔科夫链基础上考虑“空间滞后”因素，将K×K的转移概率矩阵分解为K个K×K的转移条件概率矩阵，以此刻画不同邻域省市协同类型对本地协同类型转移过程产生的影响^[68].

（3）卡方检验通过比较传统马尔科夫链和空间马尔科夫链转移矩阵对应数值的大小，若转移情况发生明显改变，说明长江经济带11个省市能源绿色低碳转型与减污降碳协同等级的演变具有空间溢出效应^[69]. 为检验空间因素对本地区协同类型的影响是否显著，采用以下卡方检验进行验证：

Q = - 2 l o g \{\prod_{l = 1}^{k} \prod_{i = 1}^{k} \prod_{j = 1}^{k} {[\frac{P_{i j}}{P_{i j} (l)}]}^{n_{i j} (l)}\}

(20)

式中，k为状态类型数量；P_ij为传统马尔科夫转移概率；P_ij（l）为邻域状态类型为l的空间马尔科夫转移概率；n_ij（l）为邻域状态类型为l的空间马尔科夫转移省市数量；Q服从自由度为k（k-1）²的卡方分布.

3 结果与讨论 3.1 能源绿色低碳转型指数和减污降碳指数核密度分析

在对原始数据进行标准化处理后，采用熵权法分别计算指标权重，能源绿色低碳转型评价指标和减污降碳评价指标权重结果如表 4和表 5所示.

表 4 能源绿色低碳转型评价指标权重 Table 4 Weights of evaluation indicators for green and low-carbon energy transition

表 5 减污降碳评价指标权重 Table 5 Weights of evaluation indicators for pollution and carbon reductions

从表 4中可以看出，能源绿色低碳转型各评价指标中，火电机组退役指标权重最高，为14.73%，其次分别是水力、风力、太阳能和核能发电占比与能源自给程度两个指标，占比12.54%和10.27%，说明这些指标对能源绿色低碳转型具有重要影响. 同理，由表 5可以看出，减污降碳指数各评价指标中，二氧化硫排放量指标权重最大，为19.91%，其次是碳排放总量的18.12%和氮氧化物排放量的15.72%，说明这几类指标对减污降碳指数评价的贡献较大.

根据熵权法计算的综合指数得分，结合核密度曲线分别测度能源绿色低碳转型指数和减污降碳指数的分布形态. 2010~2022年长江经济带11个省市能源绿色低碳转型指数和减污降碳指数核密度分析结果分别如图 3和图 4所示.

图 3 能源绿色低碳转型指数核密度 Fig. 3 Kernel density of the energy green and low-carbon transition index

图 4 减污降碳指数核密度 Fig. 4 Kernel density of pollution and carbon reduction index

由图 3可知，从分布位置上看，样本期内能源绿色低碳转型指数核密度曲线的波峰逐年右移，由低水平位置逐渐转向中高水平位置，说明长江经济带能源绿色低碳转型整体水平逐渐上升；从峰值特征上看，波峰的峰值随时间推移呈现波动中下降趋势，波峰的形状由陡峭变为平缓，表明长江经济带各省市能源绿色低碳转型指数由聚集转变为分散态势，且水平差距在逐渐扩大；从分布延展性看，波峰数量在2010~2014年期间呈现单峰分布特征，2014年以后，多数年份呈现右拖尾双峰现象且延展性逐渐加强，表明各地区能源绿色发展水平逐渐呈现极化特征，有部分省市远超其他省市的情况. 整体来看，长江经济带11个省市存在能源绿色低碳转型发展水平不均衡的问题，原因在于各地区资源禀赋、能源结构、能源转型工作重心以及施展范围的不同，开展地区之间能源转型战略合作，实现区域均衡发展并缩小地区间发展水平差距是目前应重点关注的工作.

由图 4可知，从波峰分布位置来看，主峰中心逐年向右平移，2010~2015年期间，移动速度较为缓慢，2016年前后出现断档且波峰呈现明显右移态势，这说明长江经济带各省市减污降碳发展水平在2010~2015年平稳上升，2016年后增长速度逐渐加快；从波峰形状特征上看，波峰的峰值在研究期内先增加后减少，波峰形状由宽峰变尖峰后又转变为宽峰，说明各省份减污降碳水平由分散转变为聚集后又变为分散，水平差距先减少后扩大；从波峰数量来看，2010~2018年期间，基本呈现双峰特征，说明各省市减污降碳水平极差化较为严重，2018~2022年均转变为单峰，随着时间推移极化现象得到一定缓解. 整体来看，长江经济带各省市减污减碳水平发展较为迅速，意味着长江经济带减污降碳工作格局基本形成，实现主要污染物排放量以及碳排放量的持续减少，绿色低碳发展取得明显成效.

3.2 能源绿色低碳转型与减污降碳协同效应分析 3.2.1 时序变化特征

使用复合系统协同度模型计算能源绿色低碳转型系统和减污降碳系统的有序度，以2010年为基期，测算出2011~2022年长江经济带11个省市减污降碳与能源绿色低碳转型系统的整体协同度，结果如表 6所示.

表 6 2011~2022年长江经济带能源绿色低碳转型与减污降碳复合系统协同度 Table 6 Synergy degree of green and low-carbon energy transition and pollution and carbon reductions composite system in the Yangtze River Economic Belt from 2011 to 2022

由表 6可以看出，随着时间推移长江经济带各省市能源绿色低碳转型与减污降碳协同发展水平均呈现显著增长趋势. 分地区来看，上海协同度整体高于其他省市，安徽和湖北整体处于较低水平. 从增长水平看，上海协同度增长水平同样位居第一，从2011年的-0.076 0增长至2022年的0.669 8，整体增长超9倍；其次是贵州、浙江以及云南，研究期内分别增长0.599 9、0.555 7和0.518 1；安徽的涨幅最小，仅增长0.298 1. 从时间线看，2011年，长江经济带所有省市除四川外协同度均处于负值水平，表明这些地区能源绿色低碳转型与减污降碳尚处于不协同发展状态；2011~2015年期间，安徽和江西两省始终处于不协同发展水平，湖北和重庆在2013年由不协同转变为协同发展水平，2016年开始，所有省市摆脱不协同状态.

3.2.2 空间分布格局

对2011~2022年长江经济带能源绿色低碳转型与减污降碳协同水平的空间差异及演化特征进行分析，为节约篇幅，仅展示了2011年、2015年、2019年和2022年的空间分布，结果如图 5所示.

图 5 长江经济带能源绿色低碳转型与减污降碳协同等级空间分布 Fig. 5 Spatial distribution of synergistic levels of green and low-carbon energy transformation and pollution and carbon reductions in the Yangtze River Economic Belt

由图 5中可以看出，长江经济带地区能源绿色低碳转型与减污降碳复合系统协同发展水平整体呈现从轻度不协同转向轻度协同又向中度协同发展的趋势. 在2011年，仅四川处于轻度协同水平，其余省市均呈现轻度不协同状态，这主要在于“十二五”开局之年为实现经济平稳发展，较多地区化石能源产销快速增长导致碳排放量增加. 2015年，长江经济带复合系统协同度地区差异较为明显，除安徽和江西两省仍处于轻度不协同发展外，其余地区均摆脱不协同状态，云南和贵州两省协同度实现跨越式增长，从轻度不协同发展到中度协同水平，这表明长江经济带多数省市均在积极推进能源绿色低碳转型与减污降碳协同发展工作. 安徽和江西由于正处于工业化和城市化快速发展时期，对能源需求保持较高水平，工业规模扩大以及工业结构重型化特点加重了“三废”及CO₂的排放. 云南省因具有丰富的水能、风能和太阳能等绿色能源优势，实现较高的可再生能源发电比例且正在逐步建成清洁低碳高效的现代能源体系. 贵州由于在“十二五”期间坚守发展和生态红线，积极推进绿色低碳发展工作，超额完成碳排放强度下降约束性指标. 2019年，所有省市均进入能源绿色低碳转型与减污减碳协同发展阶段，长三角地区三省一市实现协同度水平同步增长，江西和四川也实现了协同等级提升. 2022年，长江经济带能源绿色低碳转型与减污降碳协同等级整体呈现“左右夹击”的局面，长江经济带上游以及下游地区处在较高的协同度水平，其中上海更是达到了高度协同水平，中游地区协同发展水平较为落后. 整体来看，长江经济带11个省市能源绿色低碳转型与减污降碳协同发展水平均显现不同程度增长，且区域间水平差距在逐步缩小.

3.2.3 区域差异特征

为进一步分析长江经济带能源绿色低碳转型与减污降碳协同度的地区差异，将协同度计算结果进行归一化和非负平移后，运用泰尔指数计算2011~2022年长江经济带能源绿色低碳转型与减污降碳协同水平的总体差异、区域内差异、区域间差异及其贡献率，结果如表 7所示.

表 7 2011~2022年长江经济带能源绿色低碳转型与减污降碳协同水平的泰尔指数及贡献率 Table 7 Theil index and contribution rate of the synergy level of green and low-carbon energy transformation and pollution and carbon reductions in the Yangtze River Economic Belt from 2011 to 2022

表 7显示，长江经济带能源绿色低碳转型与减污降碳协同水平区域总体差异呈现先上升后下降的趋势，在2015年呈现最大差异值0.197 3；区域内差异变化情况趋同于总体差异，2015年后，呈现逐渐缩小的趋势；区域间差异在2017年以前整体小于区域内差异，之后整体大于区域内差异. 从贡献率来看，长江经济带能源绿色低碳转型与减污降碳协同水平地区差异在2017年前主要来源于区域内差异，贡献率几乎在60%以上；2018年后主要来源于区域间差异，尤其在2019年贡献率高达83.87%，这说明研究期内长江经济带各省市间差异在缩小，但三大区域间还存在较大差距，无论是区域内差异值还是区域间差异值近年来均呈现不同程度的下降，印证了长江经济带协同发展战略的有效实施. 从三大区域来看，差异值整体呈现：中游地区 > 上游地区 > 下游地区，上游地区和下游地区内部差异贡献率在研究期内波动较大，中游地区贡献率在2013年后整体呈现波动中下降的趋势，意味着中部地区能源转型与减污降碳协同水平还存在较大不平衡，但差异值与其他两大地区逐渐持平，进一步说明中部地区能源转型和减污降碳工作成效在逐渐显现.

3.2.4 动态演进趋势

采用马尔科夫链的方法分析能源绿色低碳转型与减污降碳协同度在演进过程中的动态发展路径. 首先采用传统Markov链分析长江经济带能源绿色低碳转型与减污降碳协同类型的转移方向和概率. 由于在分析协同等级结果时发现未出现高度不协同和中度不协同两个等级，因此仅考虑轻度不协同（Ⅰ）、轻度协同（Ⅱ）、中度协同（Ⅲ）和高度协同（Ⅳ）这4种类型的转移情况. 同时，定义相邻等级发生变动的现象称为向上（或向下）转移，跨等级变动称为跳跃式转移. 以时间跨度为1、3和5a为条件计算传统Markov转移概率矩阵，结果如表 8所示.

表 8 2011~2022年长江经济带能源绿色低碳转型与减污降碳协同度传统Markov转移概率矩阵 Table 8 Traditional Markov transfer probability matrix of synergy between green and low-carbon energy transition and pollution and carbon reductions in the Yangtze River Economic Belt from 2011 to 2022

由表 8可以看出，跨期为1 a时，除有从Ⅳ向下转向Ⅲ的情况外，向对角线的概率值均大于非对角线的概率值，说明协同度等级转移具有稳定性，较高概率维持原有等级，但随着时间跨度增加稳定性逐渐减弱，较多等级发生转移. 无论时间跨度为1 a、3 a还是5 a，对角线左边的概率值基本小于右边的概率值，说明协同度更倾向于向上转移，即协同度等级整体不断上升. 跨期数为1 a时，不同等级之间转移最大概率在Ⅰ转向Ⅱ的方向上，概率值为50%，其次是Ⅱ转向Ⅲ时，概率值为25%；跨期数为3 a时，不同类型转移最大概率为80%，同样在Ⅰ转向Ⅱ的方向上，其次是Ⅱ转向Ⅲ时的47.27%；跨期数为5 a时，相较于1 a和3 a的跨度，出现了在Ⅰ转向Ⅲ方向上概率值为30%的跨越式向上转移.

传统马尔科夫链将各省份视作独立的个体，但实际上各省市协同度往往受周边地区的影响，因此需要进一步考虑空间邻接背景. 确定空间权重矩阵（即当A省市与B省市相邻时，空间权重取1，否则为0），采用空间马尔科夫链方法模拟不同省市间协同度的转移趋势，计算跨期1a的空间Markov转移概率矩阵，结果如表 9所示.

表 9 2011~2022年长江经济带能源绿色低碳转型与减污降碳协同度空间Markov转移概率矩阵 Table 9 Spatial Markov transfer probability matrix of green and low-carbon energy transition and pollution and carbon reductions synergy in the Yangtze River Economic Belt from 2011 to 2022

由表 9可以看出，不同类型邻域条件下，协同度等级转移概率各不相同，整体上不同于传统马尔科夫链结果. 当邻域分别为Ⅰ、Ⅱ、Ⅲ和Ⅳ协同类型时，Ⅰ等级省市稳定的概率分别为40%、60%、0和0；Ⅱ等级省市稳定的概率分别为100%、72.97%、70.59%和0；Ⅲ等级省市分别以0、73.73%、0和0的概率稳定. 当邻域类型为Ⅰ时，发生向上转移的概率为60%，无向下转移现象；当邻域类型为Ⅱ时，发生向上转移的概率为Ⅰ转移到Ⅱ的40%和Ⅱ转移到Ⅲ的27.03%，向下转移的概率为27.27%，大于传统马尔科夫链方法下的20%，意味着低协同水平的邻域会对本地区协同类型发展产生阻碍；当邻域类型为Ⅲ时，存在从Ⅳ向下转向Ⅲ的情况，向上转移的概率分别为Ⅱ转向Ⅲ的29.41%和Ⅲ转向Ⅳ的6.90%，大于传统马尔科夫链方法下的25%和5%，说明考虑空间因素的情况下，较高水平协同度的邻域对本地具有拉动作用；领域类型为Ⅳ时，无转移数据，这是由于仅上海在2020年和2022年达到Ⅳ等级. 整体来看，协同度类型无跨越式转移现象，说明各省市协同度水平发展较为平稳.

在考虑空间邻域因素后，长江经济带能源绿色低碳转型与减污降碳协同等级转移情况发生较大改变，说明协同度演变趋势具有空间溢出效应. 本文采用卡方检验验证空间滞后效应在统计学意义上是否显著，结果如表 10所示.

表 10 卡方检验结果 Table 10 Chi-square test results

结果显示（表 10），自由度df为36，在1%置信水平下，Q=153.546 5，大于临界值58.619，P值为0，因此，拒绝接受在2010~2022年期间长江经济带能源绿色低碳转型与减污降碳协同类型转移在空间上是相互独立的假设，认为邻域省市协同类型对本地区协同等级的转移具有显著影响.

4 建议

（1）加大对安徽、湖北等协同水平较低地区的政策倾斜和技术支持. 对诸如安徽火电占比较高的省份，有序推进老旧低效的工业燃煤锅炉淘汰工作，减少燃煤污染，进行能源技术的革新，对标先进水平和能效标杆开展清洁生产技术改造. 对于湖北、湖南等环境污染物防治严峻的省份，加强环境污染和碳排放的综合治理及监管力度，制定并实施科学有效的环保准入要求和节能减排目标，认识到根源落在能源利用，进行政策引导，引进优质能源，严控和减压能耗高、排放大的行业，重点发展高端智能绿色的高精尖产业；相对于末端处理，优先考虑源头替代措施与过程控制并重，选取低耗高效组合工艺进行治理，开展减污降碳改造提质增效工作，进一步缩小与其他地区之间的差距.

（2）强化上海等高协同水平地区的示范作用. 上海作为长江经济带下游和长三角地区合作交流的龙头，能源绿色低碳转型与减污降碳已达到高度协同水平，要以更加开放包容的城市品格，发挥起先导作用，在已有协同工作成效基础上，加速能源动力方式变革，提升减污降碳水平，继续扩大能源绿色低碳转型与减污降碳协同效能，联动浙江、江苏等中度协同水平省份，坚持省际共商和发展共享，逐步向长江经济带中游省市辐射，在带动周边地区中实现发展. 中游地区则需加快调整能源消费结构和供应体系，向绿色低碳方向转型，同时实施更为严格的节能减排目标，不断夯实发展质量和水平，主动加强与上游和下游高协同水平地区的交流合作.

（3）推动长江经济带区域协同发展并建立合作机制. 长江经济带上中下游应该树立“一盘棋”思想，协调各省市战略布局、发展阶段及功能定位，根据各省市能源结构基础和低碳发展阶段的不同，制定并落地实施有针对性的能源绿色低碳转型政策和减污降碳政策；大力完善低碳公共政策治理体系、能源综合监测体系及电力系统等区域间要素信息流动渠道，促进清洁低碳、脱碳无碳领域技术联合攻关创新与应用，推动长江经济带区域协同发展并建立合作机制，形成能源互补、污染协同治理和技术共享的正向促进作用；完善配套激励机制，刺激金融支持及企业积极参与性，形成更深维度、更广范围且更大规模的能源绿色低碳转型与减污降碳协同发展.

5 结论

（1）能源绿色低碳转型指数和减污降碳指数均呈现稳步增长趋势. 本研究期内能源绿色低碳转型指数整体显著上升，各省市能源绿色低碳转型水平由聚集转变为分散态势，水平差距在逐渐扩大，并在2014年后逐渐呈现极化特征. 减污降碳指数在2010~2015年平稳上升，2016年后增长速度逐渐加快，各省市减污降碳水平由分散转向聚集后又变为分散，且前期极差化较为严重，随着时间推移极化现象得到一定程度缓解.

（2）能源绿色低碳转型与减污降碳协同发展水平显著增长，整体呈现从轻度不协同转向轻度协同又向中度协同发展的动态变化. 能源绿色低碳转型与减污降碳协同发展水平的空间分布格局逐渐呈现“两边高中间低”的局面，长江上游和下游地区省市协同水平高于中部地区，但整体差距在逐步缩小.

（3）能源绿色低碳转型与减污降碳协同度区域总体差异呈现先上升后下降的趋势，贡献率显示在2017年前主要来源于区域内差异，2018年后主要来源于区域间差异. 分地区差异值整体呈现：中游地区 > 上游地区 > 下游地区，中部地区能源转型与减污降碳协同水平还存在发展不平衡问题，但差异值逐渐与其他两地区持平.

（4）从协同度类型动态演进趋势来看，轻度不协同向上转移到轻度协同的概率最高，分别为跨期1a的50%、跨期3 a的80%和跨期5 a的70%，其次是轻度协同转向中度协同，分3种跨期概率值分别为25%、47.27%和62.79%. 空间邻域因素对协同类型转移产生显著影响，低协同水平的邻域会对本地区协同类型发展产生阻碍，较高水平协同度的邻域对本地具有拉动作用，协同类型变动多发生在相邻等级，无跨越式转移现象，说明各省市协同度水平发展较为平稳.

参考文献

[1]	Xiong J H, Xu D Y. Relationship between energy consumption, economic growth and environmental pollution in China[J]. Environmental Research, 2021, 194. DOI:10.1016/j.envres.2021.110718
[2]	郭云高, 曹先常, 刘亚德. 减污降碳协同增效先要"节能"[J]. 环境经济, 2022(15): 28-31.
[3]	杜祥琬. 加快能源转型促进减污降碳协同[J]. 科学新闻, 2021, 23(6): 10-12.
[4]	谭琦璐, 郭敏晓. 城市能源消费侧减污降碳协同分类施策路径——基于我国102个地级市数据的聚类分析[J]. 中国环境科学, 2023, 43(S1): 336-346. Tan Q L, Guo M X. Study on classified governance for urban co-effects of carbon and pollution emissions reduction[J]. China Environmental Science, 2023, 43(S1): 336-346.
[5]	Long A, Mokhtar M B, Ahmed M F, et al. Enhancing sustainable development via low carbon energy transition approaches[J]. Journal of Cleaner Production, 2022, 379. DOI:10.1016/j.jclepro.2022.134678
[6]	Liu P K, Peng H. What drives the green and low-carbon energy transition in China? : an empirical analysis based on a novel framework[J]. Energy, 2022, 239. DOI:10.1016/j.energy.2021.122450
[7]	陈国平, 董昱, 梁志峰. 能源转型中的中国特色新能源高质量发展分析与思考[J]. 中国电机工程学报, 2020, 40(17): 5493-5505. Chen G P, Dong Y, Liang Z F. Analysis and reflection on high-quality development of new energy with Chinese characteristics in energy transition[J]. Proceedings of the CSEE, 2020, 40(17): 5493-5505.
[8]	何则, 周彦楠, 刘毅. 2050年中国能源消费结构的系统动力学模拟——基于重点行业的转型情景[J]. 自然资源学报, 2020, 35(11): 2696-2707. He Z, Zhou Y N, Liu Y. System dynamics simulation on China's energy consumption in 2050: based on the policy scenarios of key industries[J]. Journal of Natural Resources, 2020, 35(11): 2696-2707.
[9]	王江, 张翔. 可持续能源转型: 模型构建与分析[J]. 中国人口·资源与环境, 2020, 30(3): 74-82. Wang J, Zhang X. Modelling sustainable energy transitions[J]. China Population, Resources and Environment, 2020, 30(3): 74-82.
[10]	王小林, 成金华, 陈军, 等. 天然气消费替代效应与中国能源转型安全[J]. 中国人口·资源与环境, 2021, 31(3): 138-149. Wang X L, Cheng J H, Chen J, et al. Substitution effect of natural gas consumption and energy transition security in China[J]. China Population, Resources and Environment, 2021, 31(3): 138-149.
[11]	范英, 衣博文. 能源转型的规律、驱动机制与中国路径[J]. 管理世界, 2021, 37(8): 95-104. Fan Y, Yi B W. Evolution, driving mechanism, and pathway of China's energy transition[J]. Journal of Management World, 2021, 37(8): 95-104.
[12]	邓铭江, 明波, 李研, 等. "双碳"目标下新疆能源系统绿色转型路径[J]. 自然资源学报, 2022, 37(5): 1107-1122. Deng M J, Ming B, Li Y, et al. Pathways towards a cleaner energy system for Xinjiang under carbon peak and carbon neutrality goals[J]. Journal of Natural Resources, 2022, 37(5): 1107-1122.
[13]	刘永奇, 陈龙翔, 韩小琪. 能源转型下我国新能源替代的关键问题分析[J]. 中国电机工程学报, 2022, 42(2): 515-523. Liu Y Q, Chen L X, Han X Q. The key problem analysis on the alternative new energy under the energy transition[J]. Proceedings of the CSEE, 2022, 42(2): 515-523.
[14]	朱丽, 曹梦莹, 刘瑞杰. "双碳"目标下煤炭资源型城市能源转型评价与障碍因子[J]. 环境科学, 2024, 45(12): 6858-6869. Zhu L, Cao M Y, Liu R J. Evaluation of energy transition and barrier factors in coal resource cities under carbon neutral and peak carbon goals[J]. Environmental Science, 2024, 45(12): 6858-6869. DOI:10.3969/j.issn.1000-6923.2024.12.034
[15]	Yu Y, Jin Z X, Li J Z, et al. Low-carbon development path research on China's power industry based on synergistic emission reduction between CO₂ and air pollutants[J]. Journal of Cleaner Production, 2020, 275. DOI:10.1016/j.jclepro.2020.123097
[16]	Tian J F, Yu L G, Xue R, et al. Global low-carbon energy transition in the post-COVID-19 era[J]. Applied Energy, 2022, 307. DOI:10.1016/j.apenergy.2021.118205
[17]	Feng Y C, Zhang J, Geng Y, et al. Explaining and modeling the reduction effect of low-carbon energy transition on energy intensity: empirical evidence from global data[J]. Energy, 2023, 281. DOI:10.1016/j.energy.2023.128276
[18]	Tan Y, Ying X Y, Gao W J, et al. Applying an extended theory of planned behavior to predict willingness to pay for green and low-carbon energy transition[J]. Journal of Cleaner Production, 2023, 387. DOI:10.1016/j.jclepro.2023.135893
[19]	金之钧, 张川. 面向碳中和的中国能源转型路径思考[J]. 北京大学学报(自然科学版), 2024, 60(4): 767-774. Jin Z J, Zhang C. On China's energy transition pathway towards carbon neutrality[J]. Acta Scientiarum Naturalium Universitatis Pekinensis, 2024, 60(4): 767-774.
[20]	侯世豪, 赵波, 张利. 能源转型下基于碳排放与新能源阶梯惩罚的抽水蓄能双层优化研究[J]. 储能科学与技术, 2024, 13(7): 2414-2424. Hou S H, Zhao B, Zhang L. Optimization study of a double-layer pumped storage model based on a step penalty mechanism for carbon emissions and new energy abandonment[J]. Energy Storage Science and Technology, 2024, 13(7): 2414-2424.
[21]	薛婕, 罗宏, 吕连宏, 等. 中国主要大气污染物和温室气体的排放特征与关联性[J]. 资源科学, 2012, 34(8): 1452-1460. Xue J, Luo H, Lv L H, et al. Emission characteristics and correlation of main air pollutant and greenhouse gas in China[J]. Resources Science, 2012, 34(8): 1452-1460.
[22]	Nam K M, Waugh C J, Paltsev S, et al. Synergy between pollution and carbon emissions control: comparing China and the United States[J]. Energy Economics, 2014, 46: 186-201. DOI:10.1016/j.eneco.2014.08.013
[23]	董梅. 低碳城市试点政策的工业污染物净减排效应——基于合成控制法[J]. 北京理工大学学报(社会科学版), 2021, 23(5): 16-30. Dong M. Analysis of the net emission reduction effect of the industrial pollutants in low-carbon pilot cities -Based on synthetic control method[J]. Journal of Beijing Institute of Technology (Social Sciences Edition), 2021, 23(5): 16-30.
[24]	Qian H Q, Xu S D, Cao J, et al. Air pollution reduction and climate co-benefits in China's industries[J]. Nature Sustainability, 2021, 4(5): 417-425. DOI:10.1038/s41893-020-00669-0
[25]	毛显强, 邢有凯, 胡涛, 等. 中国电力行业硫、氮、碳协同减排的环境经济路径分析[J]. 中国环境科学, 2012, 32(4): 748-756. Mao X Q, Xing Y K, Hu T, et al. An environmental-economic analysis of carbon, sulfur and nitrogen co-reduction path for China's power industry[J]. China Environmental Science, 2012, 32(4): 748-756.
[26]	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.
[27]	杨儒浦, 王敏, 胡敬韬, 等. 工业园区减污降碳协同增效评价方法及实证研究[J]. 环境科学研究, 2023, 36(2): 422-430. Yang R P, Wang M, Hu J T, et al. Evaluation method and empirical study on synergistic reduction of pollution and carbon emissions in industrial parks[J]. Research of Environmental Sciences, 2023, 36(2): 422-430.
[28]	Zeng Q H, He L Y. Study on the synergistic effect of air pollution prevention and carbon emission reduction in the context of "dual carbon": evidence from China's transport sector[J]. Energy Policy, 2023, 173. DOI:10.1016/j.enpol.2022.113370
[29]	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, Mu J, et al. Synergy effects and driving factors of pollution and carbon emission reduction in manufacturing industry in Beijing[J]. Environmental Science, 2024, 45(4): 1917-1925.
[30]	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.
[31]	Nie C F, Lee C C. Synergy of pollution control and carbon reduction in China: spatial-temporal characteristics, regional differences, and convergence[J]. Environmental Impact Assessment Review, 2023, 101. DOI:10.1016/j.eiar.2023.107110
[32]	李汶豫, 文传浩, 苏旭阳, 等. 长江经济带城市减污降碳协同效应时空演化及驱动因素研究[J]. 环境科学研究, 2024, 37(8): 1641-1653. Li W Y, Wen C H, Su X Y, et al. Spatiotemporal evolution and driving factors of synergistic effect of urban pollution reduction and carbon reduction in Yangtze River Economic Belt[J]. Research of Environmental Sciences, 2024, 37(8): 1641-1653.
[33]	Shen W R, Liang H W, Dong L, et al. Synergistic CO₂ reduction effects in Chinese urban agglomerations: perspectives from social network analysis[J]. Science of the Total Environment, 2021, 798. DOI:10.1016/j.scitotenv.2021.149352
[34]	Chu H, Liu M K, Wang M J, et al. Measurement and analysis of the comprehensive emission intensity and coupling coordination relationship of carbon dioxide emissions and pollutant emissions in the Yangtze River Delta Urban Agglomeration[J]. Atmospheric Pollution Research, 2023, 14(11). DOI:10.1016/j.apr.2023.101897
[35]	崔新蕾, 王艳融, 马艳茹. 黄河流域降碳-减污-扩绿-增长耦合协调的动态演进及其影响因素[J]. 水土保持研究, 2024, 31(4): 275-287. Cui X L, Wang Y R, Ma Y R. Dynamic evolution of carbon reduction-pollution reduction-green expansion-economic growth coupling coordination and its influencing factors in the Yellow River Basin[J]. Research of Soil and Water Conservation, 2024, 31(4): 275-287.
[36]	王少剑, 高爽, 黄永源, 等. 基于超效率SBM模型的中国城市碳排放绩效时空演变格局及预测[J]. 地理学报, 2020, 75(6): 1316-1330. Wang S J, Gao S, Huang Y Y, et al. Spatio-temporal evolution and trend prediction of urban carbon emission performance in China based on super-efficiency SBM model[J]. Acta Geographica Sinica, 2020, 75(6): 1316-1330.
[37]	Chen X L, Meng Q G, Wang K K, et al. Spatial patterns and evolution trend of coupling coordination of pollution reduction and carbon reduction along the Yellow River Basin, China[J]. Ecological Indicators, 2023, 154. DOI:10.1016/j.ecolind.2023.110797
[38]	李慧, 涂家豪. 多层级视角下能源低碳转型因素组态研究——基于我国30个省域的模糊集定性比较分析[J]. 技术经济, 2020, 39(8): 152-160. Li H, Tu J H. Research on the configuration of energy low‑carbon transformation factors from the multi‑level perspective: based on 30 provinces in China through fsQCA[J]. Journal of Technology Economics, 2020, 39(8): 152-160.
[39]	杜忠明, 周天睿. 我国能源电力行业减污降碳协同增效的思路探析[J]. 环境保护, 2022, 50(10): 21-23. Du Z M, Zhou T R. Analysis of the idea of pollution reduction and carbon reduction synergy in China's energy and power industry[J]. Environmental Protection, 2022, 50(10): 21-23.
[40]	谢元博, 李巍. 基于能源消费情景模拟的北京市主要大气污染物和温室气体协同减排研究[J]. 环境科学, 2013, 34(5): 2057-2064. Xie Y B, Li W. Synergistic emission reduction of chief air pollutants and greenhouse gases based on scenario simulations of energy consumptions in Beijing[J]. Environmental Science, 2013, 34(5): 2057-2064.
[41]	韩超, 陈震, 王震. 节能目标约束下企业污染减排效应的机制研究[J]. 中国工业经济, 2020(10): 43-61. Han C, Chen Z, Wang Z. Study on the mechanism of firms' pollution reduction under the constraint of energy-saving target[J]. China Industrial Economics, 2020(10): 43-61.
[42]	Wu H T, Xu L N, Ren S Y, et al. How do energy consumption and environmental regulation affect carbon emissions in China? New evidence from a dynamic threshold panel model[J]. Resources Policy, 2020, 67. DOI:10.1016/j.resourpol.2020.101678
[43]	Zhu J P, Wu S H, Xu J B. Synergy between pollution control and carbon reduction: China's evidence[J]. Energy Economics, 2023, 119. DOI:10.1016/j.eneco.2023.106541
[44]	郭敏晓. 化石能源减量对减污降碳贡献度的定量评估[J]. 生态经济, 2023, 39(10): 184-190, 207. Guo M X. Quantitative assessment of the contribution of less fossil fuels usage in reducing pollution and carbon emissions[J]. Ecological Economy, 2023, 39(10): 184-190, 207.
[45]	Adams S, Acheampong A O. Reducing carbon emissions: the role of renewable energy and democracy[J]. Journal of Cleaner Production, 2019, 240. DOI:10.1016/j.jclepro.2019.118245
[46]	Galimova T, Ram M, Breyer C. Mitigation of air pollution and corresponding impacts during a global energy transition towards 100% renewable energy system by 2050[J]. Energy Reports, 2022, 8: 14124-14143. DOI:10.1016/j.egyr.2022.10.343
[47]	Saint Akadiri S, Alola A A, Akadiri A C, et al. Renewable energy consumption in EU-28 countries: policy toward pollution mitigation and economic sustainability[J]. Energy Policy, 2019, 132: 803-810. DOI:10.1016/j.enpol.2019.06.040
[48]	王玉泽, 罗能生. 空气污染、健康折旧与医疗成本——基于生理、心理及社会适应能力三重视角的研究[J]. 经济研究, 2020, 55(12): 80-97. Wang Y Z, Luo N S. Air pollution, health depreciation and medical costs: research based on the three perspectives of physical health, mental health and social adaptability[J]. Economic Research Journal, 2020, 55(12): 80-97.
[49]	杨豪, 潘颖豪, 才国伟. 碳排放总量控制、配置效率与产出收益[J]. 中国工业经济, 2023(7): 46-65. Yang H, Pan Y H, Cai G W. Carbon emission regulation, allocation efficiency and output benefits[J]. China Industrial Economics, 2023(7): 46-65.
[50]	项露, 王聪. 环境规制、低碳技术创新与煤炭消费碳减排的动态关系研究[J]. 煤炭工程, 2018, 50(7): 177-180. Xiang L, Wang C. Research on dynamic relationship among environmental regulation, low-carbon technological innovation and coal consumption carbon emission reduction[J]. Coal Engineering, 2018, 50(7): 177-180.
[51]	刘金科, 肖翊阳. 中国环境保护税与绿色创新: 杠杆效应还是挤出效应? [J]. 经济研究, 2022, 57(1): 72-88. Liu J K, Xiao Y Y. China's environmental protection tax and green innovation: incentive effect or crowding-out effect?[J]. Economic Research Journal, 2022, 57(1): 72-88.
[52]	Habiba U, Xinbang C, Anwar A. Do green technology innovations, financial development, and renewable energy use help to curb carbon emissions?[J]. Renewable Energy, 2022, 193: 1082-1093. DOI:10.1016/j.renene.2022.05.084
[53]	胡怀敏, 左薇, 徐士元. 长江经济带交通能源碳排放脱钩效应及驱动因素研究[J]. 长江流域资源与环境, 2022, 31(4): 862-877. Hu H M, Zuo W, Xu S Y. Decoupling effect and driving factors of transportation energy carbon emission in Yangtze River Economic Belt[J]. Resources and Environment in the Yangtze Basin, 2022, 31(4): 862-877.
[54]	赵凡, 许佩. 长江经济带能源消费碳排放强度时空演变及影响因素[J]. 长江流域资源与环境, 2023, 32(11): 2225-2236. Zhao F, Xu P. Spatial-temporal evolution and analysis of influencing factors of energy consumption and in the Yangtze River Economic Belt[J]. Resources and Environment in the Yangtze Basin, 2023, 32(11): 2225-2236.
[55]	郭敏晓, 熊华文. 2021年能源环境形势分析与2022年展望能源低碳转型持续推进减污降碳协同效益逐步显现[J]. 中国能源, 2022, 44(3): 49-53.
[56]	唐登杰. 大力推动节能工作助力实现碳达峰碳中和[N]. 人民日报, 2021-08-25(013).
[57]	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.
[58]	熊华文. 减污降碳协同增效的能源转型路径研究[J]. 环境保护, 2022, 50(1-2): 35-40. Xiong H W. The study on energy transformation path of achieving synergizing the reduction of pollution and carbon emissions[J]. Environmental Protection, 2022, 50(1-2): 35-40.
[59]	杨玺, 孙奕生, 常世彦, 等. 加速能源转型与产业结构调整的环境健康协同效益评估: 以京津冀鲁地区为例[J]. 环境科学, 2023, 44(7): 3627-3636. Yang X, Sun Y S, Chang S Y, et al. Assessing the environmental and health co-benefits of accelerated energy transition and industrial restructuring: a case study of the BTHS region[J]. Environmental Science, 2023, 44(7): 3627-3636.
[60]	李善宏, 吕雁琴. 能源供需双侧协同绿色低碳发展研究[J]. 技术经济与管理研究, 2022(10): 16-21. Li S H, Lv Y Q. Dynamic evolution and convergence analysis of coordinated green and low carbon development of energy supply side and consumption side[J]. Journal of Technical Economics & Management, 2022(10): 16-21.
[61]	陈小龙, 狄乾斌, 梁晨露. 城市群减污降碳与经济高质量发展的耦合及交互响应关系[J]. 环境科学, 2024, 45(11): 6313-6325. Chen X L, Di Q B, Liang C L. Coupling relationship and interactive response between pollution control & carbon emission reduction and high-quality economic development in China's urban agglomerations[J]. Environmental Science, 2024, 45(11): 6313-6325.
[62]	张宇航, 渠晓东, 彭文启, 等. 北京市河流生态系统健康评价[J]. 环境科学, 2023, 44(10): 5478-5489. Zhang Y H, Qu X D, Peng W Q, et al. Health assessment of the stream ecosystem in Beijing, China[J]. Environmental Science, 2023, 44(10): 5478-5489.
[63]	张凯, 吴凤平, 成长春. 三重属性的承载力约束下中国水资源利用效率动态演进特征分析[J]. 环境科学, 2021, 42(12): 5757-5767. Zhang K, Wu F P, Cheng C C. Dynamic evolution characteristics of water resources utilization efficiency in China under the constraint of triple attribute carrying capacity[J]. Environmental Science, 2021, 42(12): 5757-5767.
[64]	王昊, 朱淑贤, 韦茜, 等. 城市基础设施与经济发展协同度评价及其敏感性分析——以中国84个重点城市为例[J]. 经济地理, 2023, 43(8): 21-30. Wang H, Zhu S X, Wei Q, et al. Evaluation and sensitivity analysis of synergy degree between urban infrastructure and economic development: a case study of 84 key cities in China[J]. Economic Geography, 2023, 43(8): 21-30.
[65]	邬彩霞. 中国低碳经济发展的协同效应研究[J]. 管理世界, 2021, 37(8): 105-116. Wu C X. Research on the synergistic effect of low-carbon economy in China[J]. Journal of Management World, 2021, 37(8): 105-116.
[66]	史利江, 李永宁, 李前锦, 等. 资源型地区地级市绿色发展水平的时空演变及影响因素——以山西省为例[J]. 经济地理, 2024, 44(1): 77-87, 173. Shi L J, Li Y N, Li Q J, et al. Spatiotemporal evolution and influencing factors of green development in resource-intensive areas at the municipal level: a case study of Shanxi province[J]. Economic Geography, 2024, 44(1): 77-87, 173.
[67]	王少剑, 黄永源. 中国城市碳排放强度的空间溢出效应及驱动因素[J]. 地理学报, 2019, 74(6): 1131-1148. Wang S J, Huang Y Y. Spatial spillover effect and driving forces of carbon emission intensity at city level in China[J]. Acta Geographica Sinica, 2019, 74(6): 1131-1148.
[68]	郭海红, 刘新民. 中国农业绿色全要素生产率时空演变[J]. 中国管理科学, 2020, 28(9): 66-75. Guo H H, Liu X M. Time-space evolution of China's agricultural green total factor productivity[J]. Chinese Journal of Management Science, 2020, 28(9): 66-75.
[69]	郑琰, 蒋雪梅, 肖玉杰. 交通运输业碳排放效率时空演变及趋势预测[J]. 环境科学, 2024, 45(4): 1879-1887. Zheng Y, Jiang X M, Xiao Y J. Spatio-temporal evolution and trend prediction of transport carbon emission efficiency[J]. Environmental Science, 2024, 45(4): 1879-1887.


环境科学 2025, Vol. 46 Issue (7): 4198-4210	PDF