环境科学  2026, Vol. 47 Issue (8): 5126-5139   PDF    
引用本文
李健, 王晨旭, 李溪贤. 中国省级碳排放与经济增长脱钩效应的时空演进特征及驱动因素[J]. 环境科学, 2026, 47(8): 5126-5139.
LI Jian, WANG Chen-xu, LI Xi-xian. Spatiotemporal Evolution Characteristics and Driving Factors of the Decoupling Effect Between Carbon Emissions and Economic Growth at the Provincial Level in China[J]. Environmental Science, 2026, 47(8): 5126-5139.
中国省级碳排放与经济增长脱钩效应的时空演进特征及驱动因素
李健1,2, 王晨旭1, 李溪贤1     
1. 天津理工大学管理学院，天津 300384;
2. 天津大学管理与经济学部，天津 300372
收稿日期: 2025-06-05; 修订日期: 2025-09-17
基金项目: 国家社会科学基金重点项目（25AGL037）
作者简介: 李健（1963~），男，博士，教授，主要研究方向为资源环境管理、循环经济与生态工业工程，E-mail：lijian631219@163.com
通信作者: 王晨旭, E-mail：15587707307@163.com
摘要: 在区域发展失衡使“双碳”目标协同推进面临严峻挑战的背景下，探究中国省级碳排放与经济增长脱钩效应的时空演进特征及驱动因素具有关键科学意义. 基于2003~2022年30个省域的面板数据，综合运用Tapio脱钩模型、探索性时空数据分析（ESTDA）以及LMDI分解模型，系统解析其时空演进特征与影响因素. 结果表明：①碳脱钩状态呈现显著的“东部领跑、中西部追赶”区域梯度格局；②省域碳脱钩效应呈现显著的空间依赖性，表现为83.3%的省域存在路径锁定特征，且邻近省域间形成突出的空间俱乐部趋同效应；③经济增长是碳排放增长的最核心正向驱动因素，东、中和西部累计贡献为531 843 t，能源强度降低是最主要负向抑制因素，东、中和西部累计贡献为-320 516 t. 碳排放强度在东部转为显著负向抑制，而在中、西部呈波动性正向驱动，产业结构优化的抑制作用主要在东部后期显现，其与人口规模对碳排放的影响均呈现显著区域异质性；④脱钩努力程度呈现阶段性演进和区域梯度分化；能源强度改善是推动脱钩的唯一持续正向因素. 研究可为制定精准化、协同化的区域减排策略提供重要的科学依据.
关键词: 碳脱钩效应      时空演进      Tapio脱钩模型      LMDI分解      区域差异      能源强度     
Spatiotemporal Evolution Characteristics and Driving Factors of the Decoupling Effect Between Carbon Emissions and Economic Growth at the Provincial Level in China
LI Jian1,2 , WANG Chen-xu1 , LI Xi-xian1     
1. School of Management, Tianjin University of Technology, Tianjin 300384, China;
2. Department of Management and Economics, Tianjin University, Tianjin 300372, China
Abstract: In the context of unbalanced regional development posing severe challenges to the coordinated advancement of the "dual carbon" goals, it is of critical scientific significance to explore the spatio-temporal evolution characteristics and driving factors of carbon emission and economic growth decoupling at the provincial level in China. Based on panel data from 30 provincial regions from 2003 to 2022, this study systematically analyzes the spatio-temporal evolution characteristics and influencing factors by integrating the Tapio decoupling model, exploratory spatio-temporal data analysis (ESTDA), and LMDI decomposition model. The results show: ① The carbon decoupling status exhibited a significant regional gradient pattern of "eastern leading, central and western regions catching up." ② The carbon decoupling effect in provinces showed significant spatial dependence, with 83.3% of provinces exhibiting path dependence characteristics, and a prominent spatial club convergence effect forming between neighboring provinces. ③ Economic growth was the most essential positive driving factor for the increase in carbon emissions, with a cumulative contribution of 531 843 tons from the east, central, and western regions. The reduction of energy intensity was the primary negative inhibiting factor, with a cumulative contribution of -320 516 tons from the east, central, and western regions. Carbon emission intensity had turned into a significant negative suppression in the eastern region, while showing fluctuating positive driving in the central and western regions. The suppressive effect of industrial structure optimization primarily appeared in the later stage in the eastern region, and its impact on carbon emissions, along with population size, showed significant regional heterogeneity. ④ The efforts towards decoupling showed phase evolution and regional gradient differentiation; improvements in energy intensity were the only continuous positive factor promoting decoupling. This research provides important scientific evidence for formulating precise and coordinated regional emission reduction strategies.
Key words: carbon decoupling effect      spatiotemporal evolution      Tapio decoupling model      LMDI decomposition      regional differences      energy intensity     

全球气候变化已成为人类社会发展面临的严峻挑战，减少温室气体排放、实现低碳转型是国际社会的共同目标[1~8]. 作为全球最大的发展中国家和碳排放国，中国在推动经济高质量发展的同时，积极履行“双碳”承诺，面临着平衡经济增长与碳排放控制的挑战[9~20]. 在此背景下，深入探究经济增长与碳排放之间的“脱钩”（decoupling）关系，即在保持经济增长的同时降低或减缓碳排放的增长速度乃至实现碳排放总量的下降，对于中国实现绿色低碳转型具有至关重要的理论和实践意义[21~28].

碳排放与经济增长脱钩效应的研究，已成为环境经济学、能源地理学和可持续发展科学交叉领域的热点. 理论框架层面，环境库兹涅茨曲线（EKC）假说被应用于碳排放与经济增长关系的研究中，发现二者存在倒U型关系[29，30]. 在方法学层面，研究者们发展了一系列量化工具：Tapio脱钩模型及其衍生方法因其能够精细刻画不同脱钩状态而被广泛应用，该模型通过计算脱钩指数，将脱钩状态分为强脱钩、弱脱钩和扩张负脱钩等多种类型，有效评估了碳排放与经济增长之间的关系. 韩梦瑶等[31]运用该模型系统分析了中国省级碳排放的脱钩状态与演变趋势. 近年来国内外研究多数是在利用Tapio脱钩模型进行脱钩状态测度的基础上，结合Kaya恒等式的因素分解框架对驱动因素进行解析，其中对数平均迪氏指数（LMDI）分解法则因其能够量化驱动因素贡献程度，且有着路径独立、无残值、易计算和精度高等优点而被用于量化识别经济增长、产业结构、能源强度、技术进步和人口规模等关键驱动因素对碳排放变化及脱钩的相对贡献. 汪辉平等[32]采用LMDI分解法，系统解析了区域层面碳排放变化的驱动因素及其对脱钩效应的贡献. 在研究范围层面，现有成果涵盖了国家、城市群、省级乃至县域层面，并延伸至工业、交通和农业等具体部门. 具体而言，袁伟彦等[33]在国家尺度探究了中国工业碳排放驱动因素及其脱钩效应；汤宏波等[34]聚焦长江经济带区域分析了其碳排放与脱钩特征；韩梦瑶等[31]在省级层面探究了碳排放的区域差异及脱钩趋势演变；张赫等[35]则深入到县域尺度探讨了脱钩关系的时空异质性. 在部门层面，工业领域的研究如刘伟等[36]对黄河流域城市群工业增长与碳排放脱钩关系的探讨，揭俐等[37]对能源开采业脱钩效应的情景模拟，交通领域的研究如葛青秀等[38]对省域交通运输碳排放脱钩状态及驱动因素的剖析，以及农业领域的研究如于卓卉等[39]对中国农业净碳排放与经济增长的脱钩分析和曹昱亮等[30]对长江经济带农业碳排放影响因素及脱钩效应的探索，均取得了显著进展.

尽管研究日益丰富，现有文献仍存在显著不足，为本研究提供了切入点：一是多数研究聚焦于脱钩状态的静态刻画或单一时间截面的空间分析，对脱钩效应在时间与空间维度交互作用下的动态演变过程，如空间依赖性的动态变化、局部空间结构的稳定性与跃迁、路径依赖效应关注不足. 探索性时空数据分析（ESTDA）框架在揭示此类复杂时空动态方面具有独特优势[40，41]，但在省级碳脱钩研究中的应用仍较为欠缺；二是中国区域发展差异显著，东、中和西部在资源禀赋、产业结构、技术水平和政策环境等方面迥异，必然导致碳脱钩的驱动机制存在显著区域异质性[42]. 现有全国或区域整体层面的分解研究，往往难以精准量化不同区域核心驱动因素的差异化贡献及其演变，不利于制定因地制宜的减排策略；三是“努力-效果”评估链条不完整. 在识别驱动因素的基础上，进一步评估各地区为实现脱钩所付出的实际努力程度及其有效性，对于政策评估与优化至关重要. 整合脱钩状态诊断（Tapio）与驱动因素分解（LMDI）构建脱钩努力模型[43]，可有效链接“驱动因素”与“脱钩效果”，但此类系统性评估在省级尺度的应用尚不多见.

因此，本研究拟解决的关键科学问题在于：中国省级碳排放与经济增长脱钩效应在2003~2022年这20 a关键转型期内，其时空演变遵循何种规律？是否存在显著的空间互动特征？不同区域的核心驱动因素对其脱钩进程的贡献有何显著差异？各省域为实现脱钩付出了怎样的努力？其效果如何？基于此，本研究以中国30个省域（中国台湾、西藏、香港和澳门资料暂缺）2003~2022年的面板数据为基础，采用Tapio脱钩模型测度中国省域碳排放与经济增长的脱钩状态，运用探索性时空数据分析（ESTDA）框架解析其时空交互动态与演化路径，基于LMDI分解模型量化识别碳排放变化的核心驱动因素，并构建脱钩努力模型评估各省域减排努力的实际效果，旨在系统解析中国省级碳脱钩效应的时空演进规律、空间互动特征、区域差异化驱动机制及努力效果，以期为推进中国区域绿色低碳协调发展和“双碳”目标实现贡献科学智慧.

本研究的主要创新之处如下：首先，系统地将探索性时空数据分析（ESTDA）框架[44]应用于中国省级碳脱钩研究. 通过LISA时间路径和LISA时空跃迁分析[45~47]，深入揭示脱钩效应的时空交互动态性、局部空间结构演变规律及路径依赖特征，弥补了传统静态空间分析的不足，为理解区域协同与分化提供了新视角. 其次，构建“状态-动态-驱动-努力”四位一体的集成分析框架. 整合Tapio脱钩模型、ESTDA、LMDI分解和脱钩努力模型，实现了对省级碳脱钩从现象描述到机制解析再到政策评估的全链条、系统性分析，方法间逻辑递进清晰，克服了单一方法或割裂分析的局限. 最后，基于更新至2022年的省级面板数据和严谨的量化模型，精准识别了区域差异化驱动机制与脱钩努力效果. 不仅量化了东、中和西部三大地带核心驱动因素对碳排放变化及脱钩的差异化贡献，更通过脱钩努力模型评估了各省域各因素在碳脱钩过程中发挥的作用，为制定精准化、差异化的区域协同减排政策提供了坚实的科学依据和数据支撑. 本研究通过上述创新性探索，旨在为科学研判中国省级碳脱钩的复杂演化机制、精准制定区域协同减排路径提供系统性科学支撑，助力国家“双碳”战略目标的差异化落地实践.

1 材料与方法

研究方法及分析框架如图 1所示.

图 1 碳排放与经济增长脱钩研究方法及分析框架 Fig. 1 Research methods and analytical framework for decoupling carbon emissions from economic growth

1.1 中国省域碳排放测算

在研究过程中，根据联合国政府间气候变化专门委员会（IPCC）推荐的方法，对2003~2022年中国30个省域的碳排放量展开估算. 需特别说明的是，此次估算中国台湾、西藏、香港和澳门资料暂缺. 同时，本研究中所涉及的能源消耗总量，主要涵盖原煤、焦炭、原油、煤油、汽油、柴油、天然气和燃油这几类[48]. 其具体的计算公式为：

TC=∑iTCi=∑iEi×SSCi×CECi (1)

式中，TC为中国省域碳排放量；Ei为第i类能源消耗实物量；SSCi为第i类能源标准煤折算系数；CECi为第i类能源碳排放系数. 各种能源标准煤折算系数和碳排放系数见表 1.

表 1 能源标准煤折算系数及碳排放系数 Table 1 Energy standard coal conversion coefficients and carbon emission coefficients

在进行能源相关计算时，不同能源的标准煤折算系数和碳排放系数的单位存在差异. 其中，天然气的标准煤折算系数（以标准煤计）参考单位是kg·m-3，而原煤、焦炭、原油、汽油、煤油、柴油和燃油这7种能源的标准煤折算系数（以标准煤计）单位则为kg·kg-1. 需要注意的是，所有能源的碳排放系数单位（以标准煤计）统一为kg·kg-1.

1.2 Tapio脱钩模型构建

碳排放脱钩是经济增长与温室气体排放之间关系不断弱化乃至消失的理想化过程. 即实现经济增长基础上，逐渐降低能源消费量[49~51]. 当前，在经济脱钩关系的研究里，Tapio脱钩模型得到了众多学者的青睐. 该模型设置了8种脱钩判断标准，与以往的OECD模型相比，它能更全面地展现经济发展和环境压力之间存在的多种矛盾状况，还能有效地解决基期选择方面的难题，从而更精准、直观地呈现碳排放水平和产值之间的关联[34].

由于碳排放与经济发展之间存在滞后性，已有研究表明，脱钩效应的研究通常选取5~10 a作为时间尺度[35]，这一时间段能够较为全面地反映二者之间的关系变化. 在本次研究中，将2003年设定为起始研究年份. 考虑到数据的可获取性，选取碳排放数据截至的最新年份2022年作为研究的末年. 为了更细致地剖析不同阶段的变化特征，特别引入2008年、2013年和2018年作为关键节点，从而构建出2003年、2008年、2013年和2018年这4个关键时间节点. 基于此，进一步划分出4个研究时期，分别为2003~2007年、2008~2012年、2013~2017年以及2018~2022年. 通过对这4个时期的深入研究，系统分析各阶段碳排放与经济增长之间的脱钩状态，以及相应的脱钩弹性变化情况. 作为状态诊断的基础工具，Tapio脱钩模型将碳排放增长率与GDP增长率的弹性关系量化为脱钩指数e，为后续时空动态分析提供属性基准. 其计算公式如下：

e=ΔTC/TCΔGDP/GDP (2)

式中，ΔTC表示当期省域碳排放量相较于前一期碳排放量的差值，TC表示基期省域碳排放总量，单位为万t；ΔGDP表示当期省域总产值与前一期总产值的差值，GDP表示基期省域的总产值，单位为亿元. 依据该模型，Tapio脱钩指数e可细分为8种状态[49]，具体内容详见表 2. 在这8种状态里，强脱钩意味着经济增长的同时碳排放量减少，且减少速度高于经济增长速度，是最为理想的状态；而强负脱钩则表示经济下降的同时碳排放量却在增加，属于最不理想的状态. 本阶段输出的脱钩状态分类结果，将作为探索性时空数据分析（ESTDA）的输入变量，用于解析空间依赖性与演化路径.

表 2 脱钩类型划分 Table 2 Classification of decoupling types

1.3 探索性时空数据分析与空间自相关分析的协同研究

基于Tapio脱钩模型输出的脱钩状态数据，本节通过ESTDA框架解析其时空交互机制，揭示区域协同与分化规律.

1.3.1 全局自相关

在完成各省碳脱钩状态的测算后，需进一步剖析省域间的空间关联特征. 全局自相关分析能够揭示空间数据的分布态势，判断其是趋于集聚还是离散，并量化该趋势的显著程度. 本研究采用Moran's I指数对省域碳脱钩效应的空间相关性展开探究. Moran's I指数的取值范围在[-1, 1]区间内：若指数值大于0且不超过1，说明各省域碳脱钩效应存在空间正相关性，且数值越大，区域间的集聚特征越明显；当指数值介于-1~0之间时，表明省域碳脱钩效应呈现空间负相关性，且数值越小，区域间的空间差异越显著；若指数值为0，则意味着省域间不存在空间相关性. 其具体计算公式如下：

Moran's I=n∑i=1n ∑j=1nWij(xi-x)(xj-x¯)∑i=1n ∑j=1nWij∑i=1n(xi-x¯)2 (3)

式中，Moran's I为全局自相关指数，n为省域样本数量；变量x为省域碳脱钩状况，xi、xj分别对应第i、j个省域的碳排放脱钩状态，x¯为x的均值. Wij为省域i与j间的空间权重矩阵，本研究基于邻接准则构建该矩阵：若省域i与省域j在地理上相邻，Wij取值为1；若两省域不相邻，Wij赋值为0；同时，当i和j为同一省域时（即i=j），Wij亦设定为0.

1.3.2 探索性时空数据分析（ESTDA）

当前针对中国省域碳脱钩效应空间格局差异与演化特征的实证研究，大多聚焦于截面数据的静态分析，较少关注时间与空间维度的动态耦合关系及演变连续性[45]. 为弥补这一不足，本研究在全局自相关分析的基础上，引入探索性时空数据分析（ESTDA）方法. 基于Tapio脱钩模型输出的脱钩状态数据，该方法通过整合时间与空间维度，深入挖掘二者交互作用机制[52]，从而系统揭示省域碳脱钩效应的时空演变规律.

（1）LISA时间路径   LISA时间路径通过引入时间维度，推动LISA坐标于Moran散点图内产生动态演变. 该方法借助分析省域碳脱钩效应属性值及其空间滞后值的时序联动变化，精准刻画区域局部层面的时空交互演进过程与动态差异特征，进而将局部空间依赖的分析从单一瞬时状态拓展至连续动态场景. 在几何形态分析上，LISA时间路径以相对长度（τ）和弯曲度（ε）为核心指标[45]，其具体计算公式如下：

τi=N∑t=1T-1d(Li, t, Li, t+1)∑i=1T-1 ∑t=1T-1d(Li, t, Li, t+1) (4)
εi=∑t=1T-1d(Li, t, Li, t+1)d(Li, t, Li, t+1) (5)

式中，τi表示相对长度，εi表示弯曲度，N表示研究覆盖的省域总数，T表示时间序列的时间间隔，d（Li，t，Li，t+1）表示省域i在t到t+1时刻间的移动距离. 具体而言τi数值越高，意味着i省域在研究周期内，其碳脱钩效应的局部空间结构变化越显著，空间依赖方向的动态性更强；反之，τi数值越低，空间结构和依赖方向越趋于稳定. 而εi数值越大，表明i省域受周边区域空间影响程度越高，碳脱钩进程及空间依赖演变的波动性越大；反之，εi数值越小，说明其受邻域省域影响较弱，碳脱钩过程和空间依赖演化相对平稳.

（2）LISA时空跃迁   本研究通过结合Moran散点图和马尔科夫链模型，识别空间单元在不同时期的转移过程，进而形成时空跃迁[46]，通过时空跃迁矩阵可以探究省域碳脱钩效应的状态转移概率，见表 3的4种类型.

表 3 时空跃迁矩阵 Table 3 Types of spatiotemporal transition

1.4 LMDI模型分解

为揭示ESTDA所呈现时空格局的内在动因，采用LMDI模型分解碳排放变化的驱动贡献. 对数平均迪氏指数（LMDI）方法具备完全分解特性，能够实现零残差分析，且在加法与乘法分解形式下结果保持一致性[43]. 相关变量的描述见表 4，本研究采用的LMDI模型具体公式如下：

TC=TCE×ETGDP×TGDPGDP×GDPP×P=CI×EI×IS×ED×P (6)
ΔTC=ΔTCCI+ΔTCEI+ΔTCIS+ΔTCED+ΔTCP (7)
ΔTCCI=TCt-TC0lnTCt-lnTC0×lnCItCI0 (8)
ΔTCEI=TCt-TC0lnTCt-lnTC0×lnEItEI0 (9)
ΔTCIS=TCt-TC0lnTCt-lnTC0×lnIStIS0 (10)
ΔTCED=TCt-TC0lnTCt-lnTC0×lnEDtED0 (11)
ΔTCP=TCt-TC0lnTCt-lnTC0×lnPtP0 (12)

式中，ΔTCCI、ΔTCEI、ΔTCIS、ΔTCED和ΔTCP各自表示碳排放强度、能源强度、产业结构、人均地区生产总值和人口规模引起的碳排放变化量，ΔTC则表示总碳排放变化量，单位t.

表 4 变量描述 Table 4 Variable description

1.5 脱钩努力模型

整合Tapio脱钩状态与LMDI驱动贡献，构建脱钩努力模型，以评估排除经济增长影响后，其他因素对实现脱钩的实际努力效果[43]. 当经济产出呈现正增长效应的情况下，各驱动因素对脱钩努力程度的计算公式如下：

DE=-ΔEΔED=-ΔTC-ΔEDΔED=-ΔCIΔED+ΔEIΔED+ΔISΔED+ΔPΔED=DECI+DEEI+DEIS+DEP (13)

式中，总脱钩努力指数用DE表示，其由4个分项效应构成：碳排放强度脱钩努力指数（DECI）、能源强度脱钩努力指数（DEEI）、产业结构脱钩努力指数（DEIS）以及人口规模脱钩努力指数（DEP）. 具体来看，当DE数值达到或超过1时（强脱钩努力），意味着在排除经济增长因素的干扰后，现行减排政策展现出极强的有效性，不仅能够完全抵消经济增长所引发的碳排放增量，甚至能够实现碳排放的超额削减. 若DE取值处于0~1区间（弱脱钩努力），则表明减排措施虽发挥了一定作用，但无法完全中和经济增长带来的碳排放压力. 而当DE数值小于或等于0时（无脱钩努力），说明当前减排策略未能达到预期效果，甚至存在碳排放进一步攀升的风险.

1.6 数据来源及区域划分

本研究聚焦于2003~2022年中国30个省域（中国台湾、西藏、香港和澳门资料暂缺）碳脱钩效应，数据来源广泛且权威，以确保研究的科学性与可靠性.

能源消耗数据方面，原煤、焦炭、原油、煤油、汽油、柴油、天然气和燃油等能源的消耗实物量，主要来源于2003~2022年国家统计局发布的《中国能源统计年鉴》以及各省统计年鉴中的能源统计数据. 这些年鉴详细记录了各地区各类能源的生产、消费等数据，为精确测算省域碳排放量提供了基础. 其中能源标准煤折算系数和碳排放系数，采用联合国政府间气候变化专门委员会（IPCC）推荐的数据，以保证计算的科学性和一致性.

经济数据层面，地区生产总值（GDP）、二、三产业GDP数据取自2003~2022年国家统计局官方网站发布的年度统计数据，以及各省统计年鉴中的综合经济指标部分. 这些数据准确反映了各地区的经济发展规模和产业结构情况，是研究经济增长与碳排放关系的关键指标.

人口数据则来源于2003~2022年国家统计局开展的人口普查数据以及年度人口变动情况抽样调查结果，确保了年末常住人口数（人口规模指标）的准确性和时效性，有助于分析人口因素对碳排放的影响.

考虑到中国不同区域在多个方面存在显著差异，例如东部、中部和西部地区在经济发展程度、地理环境与交通状况，以及资源分配、产业结构布局等方面各有特点. 本研究依据国家统计局三大地带分类标准，将所涉及的30个省域划分为东部、中部和西部这3个不同地区. 通过这样的划分方式，有助于针对不同区域的特性，更具针对性地研究碳脱钩效应等相关问题，探索各区域在经济增长与碳排放关系上的独特规律. 划分情况如表 5所示.

表 5 东、中和西部划分 Table 5 Division of east, central, and west regions

2 结果与分析 2.1 中国省域碳脱钩状态分析

基于Tapio脱钩模型测度2003~2022年中国30个省域碳排放与经济增长的脱钩状态，结果如表 6和图 2所示.

表 6 2003~2022年省域碳脱钩状态变化1） Table 6 Changes in provincial carbon decoupling status from 2003 to 2022

基于自然资源部标准地图服务网站审图号：GS（2024）0650标准地图制作，底图边界无修改 图 2 2003~2022年中国省域碳脱钩效应空间格局 Fig. 2 Spatial pattern of carbon decoupling effects in Chinese provincial regions from 2003 to 2022

从碳排放脱钩时序演化来看，观察期内，强脱钩省域数量显著增加但后期存在波动. 在2003~2007年和2008~2012年两个时期，仅有北京处于强脱钩状态. 进入2013~2017年，强脱钩省域数量急剧增加至11个. 然而，在2018~2022年，强脱钩省域数量小幅减少至9个. 弱脱钩始终是各时期最普遍的脱钩类型，其覆盖省域数量从2003~2007年的23个波动变化至2018~2022年的20个. 增长连结省域数量从2003~2007年的6个显著减少至2018~2022年的1个. 扩张负脱钩仅在2003~2007年的海南出现，此后未再出现.

在空间分布上，碳脱钩状态呈现显著梯度差异. 东部地区脱钩状态持续领先且改善最为显著，北京、天津、上海和河北在2013~2017年和2018~2022年两个时间段均实现并维持了强脱钩. 山东、海南由2013~2017年的弱脱钩状态转变为2018~2022年的强脱钩状态. 辽宁、江苏、福建和广东主要维持弱脱钩状态. 浙江在2018~2022年由弱脱钩转变为增长连结. 中部地区以弱脱钩为主. 吉林、河南在2013~2017年及2018~2022年实现强脱钩，湖南在2018~2022年也实现强脱钩. 其余省域如陕西、黑龙江、安徽、江西和湖北主要处于弱脱钩状态. 西部地区脱钩状态演进相对滞后且波动. 四川、云南、甘肃和青海由2013~2017年的强脱钩回落至2018~2022年的弱脱钩. 内蒙古、广西、重庆、贵州、陕西和宁夏在研究期内主要呈现弱脱钩状态，新疆在2013~2017年处于增长连结状态.

2.2 中国省域碳脱钩效应空间相关性分析

在研究省域碳脱钩效应与经济发展脱钩状态的空间分布时发现，空间邻接因素会对其产生一定影响. 本研究运用Moran's I指数，对省域碳脱钩效应的空间关联特征展开深入探究，结果如表 7所示. 研究时段设定为2003~2022年，在此期间，计算得出的Moran's I指数均大于0，并且Z值均大于2.58，表明省域碳脱钩效应存在1%显著性水平下的空间正相关性. 这一结果充分验证了碳脱钩状态在省级尺度具有显著的空间集聚特征，邻近省域的脱钩进程呈现协同演进趋势.

表 7 中国省域碳脱钩效应的Moran's I Table 7 Moran's I of carbon decoupling effects in China's provincial areas

进一步分析发现，在2003~2022年划分的4个时期内，Moran's I指数均值达到0.316，表明空间正相关程度处于较高水平. 然而，受政策周期性波动以及金融危机等因素的影响，前两个时期的Moran's I指数低于平均值. 随着时间的推进，各省纷纷加大绿色转型政策的实施力度，使得碳脱钩效应的空间集聚特征愈发显著，并且逐渐趋于稳定状态.

2.3 中国省域碳脱钩效应时空交互特征分析

基于省域碳脱钩效应的空间相关性分析，本节利用探索性时空数据分析（ESTDA）框架，通过LISA时间路径几何特征分析和LISA时空跃迁分析，深入解析其时空交互动态与演化路径.

2.3.1 LISA时间路径几何特征分析

LISA时间路径的几何特征通过相对长度（τ）和弯曲度（ε）两个核心指标量化，分别反映局部空间结构的动态性和受邻域影响的波动程度，结果如图 3所示.

基于自然资源部标准地图服务网站审图号：GS（2024）0650标准地图制作，底图边界无修改 图 3 LISA时间路径的相对长度和弯曲度 Fig. 3 Relative length and curvature of the LISA time path

相对长度（τ）通过LISA时间路径计算，可以反映局部空间依赖关系的动态性. 其数值越大，表明区域与邻接单位的关系越不稳定，具有更加动态的局部空间结构和依赖方向[45]. 由图 3可知，北京、上海、广西和海南的τ值显著大于全国平均水平. 这表明这些省域在研究期内，其碳脱钩效应的局部空间结构变化更为剧烈，空间依赖的方向更具动态性. 相对而言，吉林、山东、江苏、陕西、重庆和云南的τ值较小，显示其局部空间结构相对稳定.

弯曲度值越大说明该省域更容易受到邻域空间作用的影响，同时其自身随着时间的推移碳脱钩效应的变化趋势更复杂，路径更曲折. 甘肃、青海、四川、北京、天津和云南等地的弯曲度高于全国平均水平，显示碳脱钩效应在时间维度上变化复杂，可能存在频繁的波动和转折. 弯曲度较低的地区集中分布在东北地区、东部沿海以及中部地区，表明这些地区碳脱钩效应在时间序列上的变化相对平稳，演进趋势较缓和.

2.3.2 LISA时空跃迁

LISA时间路径揭示了中国省域碳脱钩效应局部空间自相关LISA坐标在Moran散点图中的动态迁移趋势，而LISA时空跃迁能够识别碳脱钩效应局部空间关联类型的相互转移过程特征[6]. 根据提供的LISA时空跃迁矩阵（表 8），可以分析中国各省域在不同时间段内碳排放与经济增长脱钩状态的空间关联和变化趋势. 矩阵中的元素表示不同脱钩状态之间的转移概率. 矩阵中的行和列分别代表不同的LISA类型，包括HH（高-高，即高值被高值包围）、LH（低-高，即低值被高值包围）、LL（低-低，即低值被低值包围）和HL（高-低，即高值被低值包围）. 由表 8可知对角线上转移概率普遍较高，表明中国省域碳脱钩效应在不同时期存在较强的稳定性. 如HHt→HHt+1概率为0.857，意味着在t时期处于高水平碳脱钩且空间集聚状态的省域，在t+1时期大概率仍然保持该状态. 类似地，LHt→LHt+1概率为0.792、LLt→LLt+1概率为0.889和HLt→HLt+1概率为0.8，说明各类型省域在碳脱钩效应状态上存在一定的转移惰性，即当前的碳脱钩状态在未来一段时间内具有较强的延续性.

表 8 时空跃迁矩阵1） Table 8 Spatiotemporal jump matrix

从总体来看，local Moran's I的空间离散度（spatial cohesion）可以用公式表示为：

St=Fa, tN (14)

式中，St为空间离散度；a可以表示Ⅰ、Ⅱ、Ⅲ和Ⅳ型跃迁类型；Fa，t为t时段内a型跃迁类型的数量；N为所有可能跃迁的数量.

经计算83.3%的省域处于“自身与邻域状态同步稳定”的路径锁定模式（类型Ⅳ），这一特征与空间正相关性共同强化了省域碳脱钩的空间俱乐部趋同效应，但同时也反映出区域协同减排潜力尚未充分释放. 另外3种跃迁类型发生的概率为：跃迁类型Ⅰ为3.3%，跃迁类型Ⅱ为11.1%，跃迁类型Ⅲ为2.3%. 从4种跃迁类型比例可以看出省域受邻域单元溢出影响较小，自身因素对其碳脱钩效应影响较大.

2.4 中国省域碳排放脱钩效应驱动因素分析

为解释探索性时空数据分析（ESTDA）揭示的空间俱乐部格局，本节运用LMDI分解模型，量化识别碳排放强度（CI）、能源强度（EI）、产业结构（IS）、经济增长（ED）和人口规模（P）这5个因素对中国省域碳排放变化的贡献. 分解结果如图 4和表 9所示.

1.安徽，2.北京，3.福建，4.甘肃，5.广东，6.广西，7.贵州，8.海南，9.河北，10.河南，11.黑龙江，12.湖北，13.湖南，14.吉林，15.江苏，16.江西，17.辽宁，18.内蒙古，19.宁夏，20.青海，21.山东，22.山西，23.陕西，24.上海，25.四川，26.天津，27.新疆，28.云南，29.浙江，30.重庆 图 4 30个省域碳排放影响因素分解 Fig. 4 Decomposition of carbon emission influencing factors across 30 provinces

表 9 区域碳排放影响因素分解/t Table 9 Decomposition of factors affecting regional carbon emissions/t

2.4.1 整体趋势分析

在各时间段内，大多数省域的经济增长对碳排放的贡献值表现为正，且数值普遍较大，表明经济增长是推动碳排放上升的最主要因素. 能源强度是抑制碳排放增长的主要负向驱动因素. 很多省域的能源强度贡献值为负，说明降低能源强度对抑制碳排放增长起到积极作用，且随着时间的推移，能源强度对降低碳排放量的贡献越大. 不同时段内，能源强度贡献值波动明显，表明各省域在提高能源利用效率方面成效有差异，且不同阶段推进力度不同. 人口规模对碳排放的贡献值相对较小且多为正，意味着人口增长达到一定程度就会带动碳排放增加，但并非主导因素. 不同省域因人口数量、人口流动等因素，人口规模对碳排放的贡献有所不同. 产业结构的贡献值在不同省域、不同时期呈现正负交替. 正值表示产业结构变化推动了碳排放上升，负值则表示产业结构优化抑制了碳排放增长. 其贡献方向和强度表现出明显的时空变异性. 碳排放强度贡献值有正有负，正贡献值说明碳排放强度增加推动了碳排放上升，负贡献值表示通过技术改进等手段降低了碳排放强度，进而减少碳排放. 不同省域之间碳排放强度贡献值表现出明显的异质性.

2.4.2 区域层面分析

表 9进一步量化了东、中和西部三大地带核心驱动因素的差异化贡献及其时序演变.

东部地区的碳排放强度贡献值在2003~2007年为正值，之后逐渐转变为负值，且负向贡献绝对值不断增大，2003~2022年累计负向贡献为12 192 t，表明东部地区碳排放强度对碳排放变化的贡献经历了由正向驱动向负向抑制的转变，且抑制效应持续增强. 中部地区的碳排放强度贡献值呈现波动变化，较为复杂，且碳排放强度贡献值的绝对值相对较小，说明中部地区碳排放强度对碳排放变化的贡献方向存在反复，整体表现为微弱的正向驱动. 西部地区的碳排放强度贡献值同样经历波动，且2003~2022年累计贡献值为正值，表明西部地区碳排放强度对碳排放变化的贡献同样呈现波动，但累计效应为正向驱动.

东部地区的能源强度贡献值在各时间段均为显著的负值，且其绝对值呈现增长趋势，2003~2022年累计负向贡献为132 112 t，表明东部地区能源强度是抑制碳排放增长的最主要因素，且其抑制作用持续增强. 中部地区的能源强度贡献值在各时间段也均为负值，且绝对值持续增加，2003~2022年累计负向贡献为101 415 t. 表明中部地区能源强度也是抑制碳排放增长的关键因素，但其累计抑制强度低于东部. 西部地区的能源强度贡献值在各时间段同样均为负值，2003~2022年累计负向贡献为86 989 t，表明西部地区能源强度对碳排放增长同样具有抑制作用，但其累计抑制强度在三区域中最小.

东部地区的产业结构贡献值在2003~2007年和2008~2012年为正值，在2013~2017年和2018~2022年转变为负值，2003~2022年累计贡献值为正值，表明东部地区产业结构对碳排放变化的贡献经历了由前期正向驱动向后期的负向抑制转变，但累计效应仍为正向. 中部地区的产业结构贡献值在2003~2007年、2008~2012年和2013~2017年为正值，仅在2018~2022年为负值，2003~2022年累计贡献值为3 166 t，表明中部地区产业结构对碳排放变化的贡献在大部分时期为正向驱动，仅在末期转为抑制，累计效应为微弱的正向. 西部地区的产业结构贡献值在2003~2007年、2008~2012年和2018~2022年为正值，仅在2013~2017年为负值，2003~2022年累计贡献值为9 966 t，表明西部地区产业结构对碳排放变化的贡献呈现波动，但累计效应为正向驱动.

经济增长贡献值在各地区各时期均为正值，且数值较大. 东部地区在2003~2022年累计正向贡献值达到210 089 t，中部地区在2003~2022年累计正向贡献值达到160 466 t，西部地区在2003~2022年累计正向贡献值达到161 288 t. 这表明经济增长是各地区碳排放增加的最核心驱动因素.

东部地区的人口规模贡献值在各时间段均为正值，2003~2022年累计正向贡献23 076 t，表明人口规模是东部地区碳排放增加的正向驱动因素. 中部地区人口规模贡献值在不同时期方向各异且数值较小，2003~2022年累计贡献值为负值，说明中部地区人口规模对碳排放变化的贡献方向存在波动，总体有一定的抑制作用. 西部地区人口规模贡献值在各时间段均为正值，2003~2022年累计贡献值为4 313 t，表明人口规模对西部地区碳排放增加有促进作用，但其累计驱动强度相对较低.

2.5 脱钩努力分析

基于Tapio脱钩状态分类与LMDI驱动贡献分解结果，本研究通过脱钩努力模型量化评估了排除经济增长（ED）的影响后，碳排放强度（CI）、能源强度（EI）、产业结构（IS）和人口规模（P）对实现省级碳脱钩的实际努力效果. 图 5揭示了脱钩努力程度的时空分异特征及核心驱动因素.

DECI、DEEI、DEIS、DEP和DE分别表示碳排放强度脱钩努力指数、能源强度脱钩努力指数、产业结构脱钩努力指数、人口规模脱钩努力指数和总脱钩努力指数；渐变色柱DEI表示脱钩努力指数值的大小 图 5 各影响因素脱钩努力情况 Fig. 5 Efforts in decoupling various influencing factors

2003~2022年间，全国层面的总脱钩努力指数呈现阶段性提升特征：从早期（2003~2007年）的无脱钩努力（DE≤0），逐步发展为弱脱钩努力（0≤DE≤1），并在后期（2018~2022年）部分省域实现强脱钩努力（DE≥1）. 区域层面的脱钩努力程度呈现显著的梯度差异：东部最高，中部次之，西部最低. 具体表现为：东部地区的脱钩努力指数在研究期内呈上升趋势，并在2018~2022年，北京、海南、河北、山东、上海和天津等省域实现强脱钩努力. 中部地区脱钩努力指数在研究期内同样稳步提升，2018~2022年，吉林、河南和湖南三省实现强脱钩努力. 而西部省域在研究期内多数维持弱脱钩努力状态，部分省域观测到无脱钩努力.

从碳脱钩努力驱动因素方面来看，人口规模脱钩努力指数在绝大多数省域和时段均为负值，这表明人口增长是碳排放的正向驱动因素，总体上抵消了其他驱动因素的部分减排努力. 能源强度脱钩努力指数在所有省域、所有研究阶段均大于0，且是总脱钩努力指数DE中贡献最大的分量. 表明能源强度的降低是推动脱钩最普遍且稳定的核心驱动力，但其贡献强度尚不足以完全抵消经济增长带来的碳排放增量，整体表现为弱脱钩努力状态. 碳排放强度脱钩努力指数随时间发生显著变化，表现为由无脱钩努力向弱脱钩努力的转变，量化地反映了降低单位碳排放强度的减排贡献逐步增强并显现积极效果. 产业结构脱钩努力指数的时空变异性显著. 也由无脱钩努力向弱脱钩努力转变，这种转变与产业结构优化升级对碳排放抑制效应的逐步显现相关.

脱钩努力的省域分布特点为：在2003~2007年，全国大部分省域处于弱脱钩努力状态，只有海南、内蒙古和山东处于无脱钩努力状态. 在2008~2012年，弱脱钩努力仍为全国主导状态，北京成为首个实现强脱钩努力的省级行政区. 在2013~2017年，除新疆外，其他省域均实现脱钩努力，其中北京、甘肃、河南、河北、吉林、青海、上海、四川、天津和云南达到强脱钩努力. 在2018~2022年，北京、天津、河北、上海、山东和海南等东部省市及吉林、河南和湖南等中部省域处于强脱钩努力状态，浙江脱钩努力指数由正转负，呈现无脱钩努力状态，西部多数省域仍维持弱脱钩努力状态.

结合脱钩努力驱动因素和省域分布特点来看，30个省域的能源强度脱钩努力指数均为显著的正数，表明能源强度降低是推动省级碳脱钩最广泛且基础的核心驱动因素，其改善对整体脱钩进程起到了显著的促进作用. 该因素在实现脱钩中贡献最大. 部分省域的产业结构脱钩努力指数为正，意味着产业结构调整对碳减排产生了抑制效应. 然而，大部分省域产业结构脱钩努力指数为负，说明产业结构调整的整体贡献相对有限且不稳定，其减排潜力在全国范围内有待进一步挖掘. 人口规模脱钩努力指数在绝大多数省域和时段为负值，量化地证实人口增长是碳排放的净促进因素. 其负向效应在人口高密度、高增长区域尤为显著，主要通过增加能源和交通需求推升碳排放；在人口稀疏或增长缓慢区域，其相对影响较弱. 碳排放强度脱钩努力指数的空间和时间变异性显著. 部分省域如安徽、甘肃碳排放强度脱钩努力指数为正但数值较小，表明在降低碳排放强度方面有一定成效，但仍有提升空间；而个别省域碳排放强度脱钩努力指数为负，揭示其在碳排放强度控制方面存在挑战. 总体而言，2003~2022年间，30个省域均观测到弱脱钩或强脱钩努力的时段或状态，表明在排除经济增长影响后，其他驱动因素对脱钩产生了不同程度的正向效应.

3 建议

（1）分区制定脱钩路径，破解“东部领跑、中西部追赶”的梯度锁定效应. 东部地区依托强脱钩优势，进一步深化技术创新与清洁能源替代. 重点推动数字技术与制造业融合，扩大氢能、光伏等新能源应用场景，将“零碳园区”试点经验向全区域推广，力争2030年前实现强脱钩省域全覆盖. 中部地区聚焦弱脱钩向强脱钩转型，加速产业结构“低碳化”调整. 针对河南、湖北等省域，严格限制高耗能产业扩张，通过“煤电+CCUS”技术改造传统能源产业，同时依托长江经济带区位优势，承接东部低碳技术转移，提升能源强度改善的减排贡献. 西部地区破解高耗能产业制约与绿电消纳不足的双重瓶颈. 在内蒙古、新疆等资源型省域，建立“风光基地+储能+特高压外送”协同机制，提高绿电本地消纳比例；严格执行高耗能项目环评准入，通过循环经济园区建设降低单位GDP能耗，逐步弱化经济增长对碳排放的驱动作用.

（2）构建空间协同减排网络，破解路径依赖效应. 以京津冀、长三角等碳脱钩效应空间集聚显著的区域为核心，建立跨省碳减排协作机制. 通过统一碳排放核算标准、共享节能减排技术数据库，强化区域间脱钩状态的正向空间溢出效应. 针对大部分省域存在的脱钩路径依赖性，实施“邻域带动”计划：东部强脱钩省域与西部弱脱钩省域建立结对帮扶，通过技术培训、资金支持等方式打破路径锁定，推动空间集聚从“趋同”向“优化”升级.

（3）靶向优化驱动因素，破解区域异质壁垒. 将能源强度改善作为全国减排首要抓手. 东部深化工业数字孪生技术应用，设定能源强度年均降幅≥5%；中西部设定阶段性下降目标，通过节能技术补贴、能效标杆管理强化减排效果. 在产业结构方面，东部聚焦“后工业化”转型，扩大金融、科技等服务业占比，降低第二产业碳排放弹性；中西部严控钢铁、化工等高耗能产业新增产能，通过“绿色制造体系认证”推动传统产业低碳改造，逐步扭转产业结构对碳排放的正向贡献. 在经济增长方面，建立“低碳GDP”核算体系，东部将碳排放强度纳入地方政府考核，中西部探索“生态补偿+绿色GDP”机制，弱化经济规模扩张对碳排放的拉动，实现“增长不增碳”. 在碳排放强度方面，东部推广光伏-氢能耦合工艺，扩大碳排放强度负向抑制效应，中西部针对波动性正向驱动问题，开展“绿电替代+碳捕集”双路径示范，目标碳排放强度贡献由正转负. 人口规模方面，在人口-碳排放显著正相关区，建立“智慧城市人口热力图-能源调度”联动系统，通过公共交通碳普惠机制抑制人均排放.

（4）针对脱钩努力的区域梯度与阶段特征，聚焦能源强度核心作用：东部推广工业能效智能管控技术，强化强脱钩持续性；中部实施煤电节能改造，推动弱脱钩升级；西部建立绿电消纳技术体系，提升基础脱钩能力.

4 结论

（1）中国省级碳脱钩进程呈现显著的“东部领跑、中西部追赶”区域梯度格局. 东部地区率先实现并巩固强脱钩状态，中、西部地区以弱脱钩为主，西部地区脱钩状态存在阶段性波动.

（2）省域碳脱钩效应存在显著的空间依赖性，具体表现为：邻近省域间形成空间俱乐部趋同效应，且83.3%的省域呈现路径锁定特征.

（3）驱动因素贡献呈现显著区域异质性. 经济增长是碳排放增长的最核心正向驱动因素，东、中和西部分别贡献210 089、160 466和161 288 t；能源强度降低是最主要负向抑制因素，东、中和西部分别贡献-132 112、-101 415和-86 989 t. 产业结构优化的抑制作用主要在东部后期显现，中西部累计贡献仍为正向；碳排放强度在东部成功转为显著负向抑制，而在中西部则呈波动性正向驱动；人口规模的驱动作用在东部显著为正，而在中部表现为波动性抑制.

（4）脱钩努力程度呈现阶段性演进与区域梯度分化. 研究期内，东部持续领先并率先实现强脱钩突破，中部稳步提升，西部基础相对薄弱. 脱钩努力驱动因素贡献特征显示，能源强度改善是推动脱钩的唯一持续正向因素；产业结构贡献方向呈现波动且无区域规律；人口规模与碳排放强度整体贡献有限.

参考文献
[1] 丁利杰, 朱泳丽. 中国交通运输业碳排放区域差异及脱钩效应[J]. 东南学术, 2023(4): 162-174.
Ding L J, Zhu Y L. Regional differences and decoupling effects of carbon emissions from China's transport sector[J]. Southeast Academic Research, 2023(4): 162-174.
[2] Weng Z X, Xu M, Li J Y, et al. Carbon decoupling and drivers decomposition under the carbon neutrality target: evidence from county-level cities in China[J]. Resources, Conservation and Recycling, 2025, 222. DOI:10.1016/j.resconrec.2025.108465
[3] Chen L, Qin L P, Zhou K, et al. How is decoupling status and carbon inequality? Exploring the relationship between provincial industrial carbon emissions and economic development in China[J]. Process Safety and Environmental Protection, 2025, 198. DOI:10.1016/j.psep.2025.107067
[4] Liang Y H, Li Y M, Chen S Q, et al. Decoupling carbon dioxide emissions from economic growth across multiregional supply chains within China[J]. Journal of Cleaner Production, 2024, 482. DOI:10.1016/j.jclepro.2024.144200
[5] 李寿喜, 张珈豪. 数字普惠金融、技术创新与城市碳排放强度[J]. 华东师范大学学报(哲学社会科学版), 2023, 55(2): 161-172, 178.
Li S X, Zhang J H. Digital financial inclusion, technological innovation and urban carbon emissions intensity[J]. Journal of East China Normal University (Humanities and Social Sciences), 2023, 55(2): 161-172, 178.
[6] 潘竟虎, 张永年. 中国能源碳足迹时空格局演化及脱钩效应[J]. 地理学报, 2021, 76(1): 206-222.
Pan J H, Zhang Y N. Spatiotemporal patterns of energy carbon footprint and decoupling effect in China[J]. Acta Geographica Sinica, 2021, 76(1): 206-222.
[7] 杨青, 郭露, 刘星星, 等. 中国省域交通碳排放空间关联格局的驱动特征[J]. 中国环境科学, 2024, 44(2): 1171-1184.
Yang Q, Guo L, Liu X X, et al. Driving characteristics of the spatial correlation pattern of carbon emissions from provincial transportation in China[J]. China Environmental Science, 2024, 44(2): 1171-1184.
[8] 孙传旺, 陈智龙. 经济增长碳脱钩的联动效应研究——基于"全国一盘棋"视角下的社会网络分析[J]. 财贸研究, 2023(8): 1-12.
Sun C W, Chen Z L. Interplay effect of economic growth and carbon decoupling: based on "National Coordination" perspective using social network analysis[J]. Finance and Trade Research, 2023(8): 1-12.
[9] Xie P J, Shu Y L, Sun F H, et al. Decoupling economic development from carbon emissions: insights from Chinese provinces[J]. Energy, 2024, 308. DOI:10.1016/j.energy.2024.133008
[10] Fu J, Ding R, Zhu Y Q, et al. Analysis of the spatial-temporal evolution of Green and low carbon utilization efficiency of agricultural land in China and its influencing factors under the goal of carbon neutralization[J]. Environmental Research, 2023, 237. DOI:10.1016/j.envres.2023.116881
[11] 尹应凯, 武祯妮, 马鸿鑫. 中国碳排放权交易试点政策对区域碳脱钩效应的影响研究[J]. 上海金融, 2022(5): 70-79.
[12] 张江艳. 基于扩展STIRPAT模型LMDI分解的碳排放脱钩因素[J]. 环境科学, 2024, 45(4): 1888-1897.
Zhang J Y. Research on carbon emission decoupling factors based on STIRPAT model and LMDI decomposition[J]. Environmental Science, 2024, 45(4): 1888-1897. DOI:10.13227/j.hjkx.202304203
[13] 陈瑞敏, 马晓君, 李宜良. 黄河流域五大增长极碳排放脱钩效应——基于GDIM的因素分解[J]. 中国环境科学, 2024, 44(5): 2853-2866.
Chen R M, Ma X J, Li Y L. Analysis of carbon emission decoupling effects in the five growth poles of the Yellow River Basin based on GDIM decomposition[J]. China Environmental Science, 2024, 44(5): 2853-2866.
[14] Ding H P, Wu X, Guo Y X, et al. Carbon emissions in the logistics industry: driving factors and decoupling effects[J]. Environmental Science and Pollution Research, 2024, 31(17): 25721-25735. DOI:10.1007/s11356-024-32817-w
[15] 郭文强, 于忠萍, 雷明, 等. 我国省际碳排放脱钩的动态演变及收敛性分析[J]. 地域研究与开发, 2025, 44(1): 166-172, 180.
Guo W Q, Yu Z P, Lei M, et al. Dynamic evolution and convergence analysis of China's carbon emission decoupling[J]. Areal Research and Development, 2025, 44(1): 166-172, 180.
[16] 赵栩婕, 王文军, 谢鹏程, 等. 可持续发展与碳排放脱钩模型构建与应用[J]. 资源科学, 2024, 46(11): 2194-2209.
Zhao X J, Wang W J, Xie P C, et al. Construction and application of decoupling model between sustainable development and carbon emissions[J]. Resources Science, 2024, 46(11): 2194-2209.
[17] 王永阳, 蔡宴朋, 张盼. 珠三角城市群净碳排放与经济发展脱钩效应及其驱动力[J]. 生态学报, 2025, 45(3): 1303-1314.
Wang Y Y, Cai Y P, Zhang P. Decoupling effect and driving factors of net carbon emissions and economic development in the Pearl River Delta urban agglomeration[J]. Acta Ecologica Sinica, 2025, 45(3): 1303-1314.
[18] 赵菲菲, 胡政, 赵旭, 等. 长江经济带碳排放与经济增长"脱钩陷阱"的识别与破解研究[J]. 长江流域资源与环境, 2023, 32(6): 1127-1137.
Zhao F F, Hu Z, Zhao X, et al. Identification and solution of decoupling trap between carbon emissions and economic growth in Yangtze River Economic Belt[J]. Resources and Environment in the Yangtze Basin, 2023, 32(6): 1127-1137.
[19] 张思远, 甘京京, 张任涛, 等. 长三角生态绿色一体化发展示范区纺织行业碳排放驱动因素及其脱钩效应分析[J]. 环境科学, 2024, 45(12): 6796-6805.
Zhang S Y, Gan J J, Zhang R T, et al. Analysis of carbon emission driving factors and decoupling effects in the textile industry of the demonstration zone of green and integrated ecological development of the Yangtze River Delta[J]. Environmental Science, 2024, 45(12): 6796-6805. DOI:10.13227/j.hjkx.202312208
[20] 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.
[21] 邵志国, 李可心, 李梦笛. 中国交通基础设施、经济增长与碳排放的脱钩效应及互动关系分析[J]. 环境科学, 2025, 46(8): 4813-4825.
Shao Z G, Li K X, Li M D. Decoupling effect and interactive relationship among transportation infrastructure, economic growth, and carbon emissions in China[J]. Environmental Science, 2025, 46(8): 4813-4825. DOI:10.13227/j.hjkx.202408256
[22] 王安静, 郭琳, 赵景峰. 中国经济与碳排放脱钩的时空异质性及其驱动因素分析[J]. 软科学, 2024, 38(5): 100-106.
Wang A J, Guo L, Zhao J F. Spatial and temporal heterogeneity of the decoupling between economy and carbon emissions and its driving factors[J]. Soft Science, 2024, 38(5): 100-106.
[23] 陈德静, 王晓青, 濮励杰, 等. 城市土地利用效率时空演化及其与经济增长脱钩关系研究——以长三角城市群为例[J]. 长江流域资源与环境, 2023, 32(10): 2018-2031.
Chen D J, Wang X Q, Pu L J, et al. Spatiotemporal evolution of urban land use efficiency and its decoupling relationship with economic growth: a case study of Yangtze River delta urban agglomeration[J]. Resources and Environment in the Yangtze Basin, 2023, 32(10): 2018-2031.
[24] 张华明, 元鹏飞, 朱治双. 黄河流域碳排放脱钩效应及减排路径[J]. 资源科学, 2022, 44(1): 59-69.
Zhang H M, Yuan P F, Zhu Z S. Decoupling effects of carbon emissions and reduction path in the Yellow River Basin[J]. Resources Science, 2022, 44(1): 59-69.
[25] 吕靖烨, 李珏. 中国各省份碳排放脱钩效应、驱动因素及预测研究[J]. 环境科学与技术, 2022, 45(2): 210-220.
Lv J Y, Li J. Research on the decoupling effect, driving factors and forecast of China's carbon emissions[J]. Environmental Science & Technology, 2022, 45(2): 210-220.
[26] 花瑞祥, 蓝艳, 李嘉文, 等. 中国省际碳排放脱钩效应及驱动因素分析[J]. 环境科学研究, 2023, 36(11): 2159-2168.
Hua R X, Lan Y, Li J W, et al. Analysis of the decoupling effect and driving factors of inter-provincial carbon emissions in China[J]. Research of Environmental Sciences, 2023, 36(11): 2159-2168.
[27] 宋晓聪, 杜帅, 沈鹏, 等. 中国制造业CO2排放与经济脱钩关系解析[J]. 环境科学与技术, 2022, 45(7): 201-208.
Song X C, Du S, Shen P, et al. Analysis of decoupling relationship between economy and CO2 emissions from manufacturing industry of China[J]. Environmental Science & Technology, 2022, 45(7): 201-208.
[28] 华靖芬, 高俊丽, 陈珂, 等. 能源消费结构转型对工业碳脱钩的溢出效应分析: 基于中国30个省份的面板数据[J]. 环境科学与技术, 2023, 46(3): 71-80.
Hua J F, Gao J L, Chen K, et al. Spillover effects of energy consumption structure transformation on industrial carbon decoupling: based on panel data from 30 provinces in China[J]. Environmental Science & Technology, 2023, 46(3): 71-80.
[29] 左大杰, 戴文涛, 熊巧, 等. 基于EKC视角的四川省交通碳排放与行业增长关系的实证研究[J]. 公路交通科技, 2018, 35(4): 129-136.
Zuo D J, Dai W T, Xiong Q, et al. Empirical study on relationship between traffic carbon emission and industry growth in Sichuan province based on EKC perspective[J]. Journal of Highway and Transportation Research and Development, 2018, 35(4): 129-136.
[30] 曹昱亮, 倪珣, 巩红禹. 长江经济带农业碳排放影响因素及脱钩效应[J]. 环境科学, 2025, 46(3): 1535-1547.
Cao Y L, Ni X, Gong H Y. Influencing factors and decoupling effects of agricultural carbon emissions in the Yangtze river economic belt[J]. Environmental Science, 2025, 46(3): 1535-1547. DOI:10.13227/j.hjkx.202403263
[31] 韩梦瑶, 刘卫东, 谢漪甜, 等. 中国省域碳排放的区域差异及脱钩趋势演变[J]. 资源科学, 2021, 43(4): 710-721.
Han M Y, Liu W D, Xie Y T, et al. Regional disparity and decoupling evolution of China's carbon emissions by province[J]. Resources Science, 2021, 43(4): 710-721.
[32] 汪辉平, 张准. 中国碳排放脱钩效应、驱动因素与预测分析[J]. 环境科学, 2025, 46(8): 1400-1412.
Wang H P, Zhang Z. Analysis of China's carbon emission decoupling effect, driving factors, and forecasting[J]. Environmental Science, 2025, 46(8): 1400-1412. DOI:10.13227/j.hjkx.202503158
[33] 袁伟彦, 方柳莉, 罗明. 中国工业碳排放驱动因素及其脱钩效应——基于时变参数C-D生产函数的分解和测算[J]. 资源科学, 2022, 44(7): 1422-1434.
Yuan W Y, Fang L L, Luo M. Driving factors of China's industrial carbon emissions and their decoupling effect: decomposition and calculation of C-D production function based on time-varying parameters[J]. Resources Science, 2022, 44(7): 1422-1434.
[34] 汤宏波, 吕新华, 李富山, 等. 长江经济带中三角三省碳排放及脱钩分析——基于2011—2020年省际面板数据[J]. 生态经济, 2024, 40(4): 20-25.
Tang H B, Lü X H, Li F S, et al. Carbon decoupling and carbon emissions in the middle triangle of the Yangtze River economic belt: based on provincial panel data from 2011-2020[J]. Ecological Economy, 2024, 40(4): 20-25.
[35] 张赫, 黄雅哲, 王睿, 等. 中国县域碳排放脱钩关系及其时空特征演变[J]. 资源科学, 2022, 44(4): 744-755.
Zhang H, Huang Y Z, Wang R, et al. Decoupling and spatiotemporal change of carbon emissions at the county level in China[J]. Resources Science, 2022, 44(4): 744-755.
[36] 刘伟, 毛显强, 李巍, 等. 黄河流域城市群工业增长与碳排放脱钩关系研究[J]. 环境工程技术学报, 2023, 13(2): 849-856.
Liu W, Mao X Q, Li W, et al. Study on decoupling relationship between industrial growth and carbon dioxide emission in the urban agglomeration in the Yellow River Basin[J]. Journal of Environmental Engineering Technology, 2023, 13(2): 849-856.
[37] 揭俐, 王忠, 余瑞祥. 中国能源开采业碳排放脱钩效应情景模拟[J]. 中国人口·资源与环境, 2020, 30(7): 47-56.
Jie L, Wang Z, Yu R X. Scenario simulation of carbon decoupling effect of China's energy mining industry[J]. China Population, Resources and Environment, 2020, 30(7): 47-56.
[38] 葛青秀, 杨萍果, 蒲英霞. 中国省域交通运输碳排放脱钩状态及其驱动因素[J]. 环境科学, 2025, 46(4): 2009-2019.
Ge Q X, Yang P G, Pu Y X. Decoupling status and driving factors of provincial transport carbon emissions in China[J]. Environmental Science, 2025, 46(4): 2009-2019. DOI:10.13227/j.hjkx.202402109
[39] 于卓卉, 毛世平. 中国农业净碳排放与经济增长的脱钩分析[J]. 中国人口·资源与环境, 2022, 32(11): 30-42.
Yu Z H, Mao S P. Analysis of the decoupling of China's agricultural net carbon emissions from its economic growth[J]. China Population, Resources and Environment, 2022, 32(11): 30-42.
[40] 张子昂, 黄震方, 曹芳东, 等. 浙江省县域入境旅游时空跃迁特征及驱动机制[J]. 地理研究, 2016, 35(6): 1177-1192.
Zhang Z A, Huang Z F, Cao F D, et al. The space-time transition characteristics and its driving mechanism of county-scale inbound tourism in Zhejiang province[J]. Geographical Research, 2016, 35(6): 1177-1192.
[41] 郑靖伟, 孙才志. 基于MRIO与ESTDA模型的中国水资源流动格局分析[J]. 中国人口·资源与环境, 2023, 33(4): 172-183.
Zheng J W, Sun C Z. China's water footprint flow pattern based on the MRIO and ESTDA models[J]. China Population, Resources and Environment, 2023, 33(4): 172-183.
[42] 郭文强, 于忠萍, 雷明, 等. 我国碳排放驱动因素分解及脱钩努力效应研究[J]. 环境科学研究, 2025, 38(2): 209-219.
Guo W Q, Yu Z P, Lei M, et al. Decomposition of carbon emission drivers and decoupling effort effects in China[J]. Research of Environmental Sciences, 2025, 38(2): 209-219.
[43] 邵志国, 李可心, 李梦笛. "双碳"背景下中国交通运输业碳排放驱动因素及脱钩效应[J]. 中国环境科学, 2025, 45(1): 571-582.
Shao Z G, Li K X, Li M D. Driving factors and decoupling effect of carbon emissions in China's transportation industry under the background of "dual carbon"[J]. China Environmental Science, 2025, 45(1): 571-582.
[44] Liu X J, Jin X B, Luo X L, et al. Quantifying the spatiotemporal dynamics and impact factors of China's county-level carbon emissions using ESTDA and spatial econometric models[J]. Journal of Cleaner Production, 2023, 410. DOI:10.1016/j.jclepro.2023.137203
[45] 李健, 刘舒琪, 王晓祺. 中国交通运输碳排放强度时空交互特征及跃迁机制[J]. 环境科学, 2024, 45(6): 3433-3445.
Li J, Liu S Q, Wang X Q. Spatiotemporal interaction characteristics and transition mechanism of carbon intensity in China's transportation industry[J]. Environmental Science, 2024, 45(6): 3433-3445. DOI:10.13227/j.hjkx.202310194
[46] 耿艺伟, 李效顺, 陈姜全, 等. 中国国土空间韧性与效率的耦合关系及跃迁机制[J]. 生态学报, 2024, 44(14): 6003-6019.
Geng Y W, Li X S, Chen J Q, et al. Coupling relationship and transition mechanism between resilience and efficiency in China's territorial space[J]. Acta Ecologica Sinica, 2024, 44(14): 6003-6019.
[47] 万庆, 潘晓宇, 徐萌, 等. 中国环境规制强度的时空演变及其影响因素[J]. 长江流域资源与环境, 2025, 34(6): 1300-1311.
Wan Q, Pan X Y, Xu M, et al. Spatial-temporal evolution of environmental regulation intensity and influencing factors in China[J]. Resources and Environment in the Yangtze Basin, 2025, 34(6): 1300-1311.
[48] 王奕淇, 黄涵祝. 中国碳排放脱钩效应、时空特征与驱动因素[J]. 生态学报, 2024, 44(6): 2228-2243.
Wang Y Q, Huang H Z. Research on the decoupling effect, spatio-temporal characteristics, and driving factors of carbon emissions in China[J]. Acta Ecologica Sinica, 2024, 44(6): 2228-2243.
[49] 李健, 白子毅, 李柏桐. 双碳背景下京津冀物流业碳排放脱钩及影响因素研究[J]. 城市问题, 2022(5): 69-76.
Li J, Bai Z Y, Li B T. Decoupling of carbon emissions and influencing Factors of logistics industry in Beijing-Tianjin-Hebei in the background of carbon peaking and carbon neutrality goals[J]. Urban Problems, 2022(5): 69-76.
[50] Chen W G, Yan S H. The decoupling relationship between CO2 emissions and economic growth in the Chinese mining industry under the context of carbon neutrality[J]. Journal of Cleaner Production, 2022, 379. DOI:10.1016/j.jclepro.2022.134692
[51] Li J Z, Huang G H, Li Y P, et al. Decoupling degrees of China's economic growth from three-perspective carbon emissions[J]. Journal of Cleaner Production, 2022, 368. DOI:10.1016/j.jclepro.2022.133209
[52] 李莉萍, 邓宗兵, 肖沁霖. 中国工业智能化的时空跃迁及其驱动机制[J]. 资源科学, 2024, 46(5): 936-947.
Li L P, Deng Z B, Xiao Q L. Spatiotemporal transition of China's industrial intelligence and the driving mechanism[J]. Resources Science, 2024, 46(5): 936-947.