工业用地扩张对减污降碳协同的影响及空间溢出效应：以中国七大城市群为例

引用本文

王娜娜, 张博伦, 郑伟伟, 邢培学, 塔勒哈尔·库尔曼别克. 工业用地扩张对减污降碳协同的影响及空间溢出效应：以中国七大城市群为例[J]. 环境科学, 2026, 47(8): 5250-5261.

WANG Na-na, ZHANG Bo-lun, ZHENG Wei-wei, XING Pei-xue, Talehaer Kurmanbek. Impact of Industrial Land Expansion on the Synergy of Pollution and Emission Reduction and Its Spatial Spillover Effects: A Case Study of Seven Major City Agglomerations in China[J]. Environmental Science, 2026, 47(8): 5250-5261.

工业用地扩张对减污降碳协同的影响及空间溢出效应：以中国七大城市群为例

王娜娜¹, 张博伦^2,3, 郑伟伟¹, 邢培学⁴, 塔勒哈尔·库尔曼别克⁵

1. 西北农林科技大学经济管理学院，杨凌 712100;
2. 广东省科学院生态环境与土壤研究所，广东省农业环境综合治理重点实验室，广州 510650;
3. 中国环境科学研究院环境基准标准与风险管控全国重点实验室，北京 100012;
4. 上海交通大学环境科学与工程学院，上海 200240;
5. 新疆维吾尔自治区生态环境科学研究院分析与风险评估中心，乌鲁木齐 830011

收稿日期: 2025-05-29; 修订日期: 2025-09-12

基金项目: 国家自然科学基金青年科学基金项目（42201291）；国家自然科学基金项目（42407642）；陕西省自然科学基础研究计划项目（2024JC-YBQN-0265）

作者简介: 王娜娜（2002~），女，硕士研究生，主要研究方向为资源经济与环境管理，E-mail：wangnn7863@163.com

通信作者: 郑伟伟, E-mail：weiwei.zheng@nwafu.edu.cn

摘要: 工业化进程与生态环境保护之间的矛盾是当前推进减污降碳协同治理面临的重大挑战，城市群作为社会经济活动高度聚集区域，探讨不同城市群的工业用地扩张对减污降碳协同的影响，可为提高城市群土地利用效率和制定减污降碳策略提供参考. 基于2008~2022年中国7个城市群130个地级市面板数据，借助时空地理加权回归模型和空间滞后模型探究工业用地扩张对减污降碳协同的时空影响及空间溢出效应. 结果表明：①城市群工业用地扩张程度呈“先增后减再增”的波动增长趋势. 长三角城市群扩张幅度最大，北部湾城市群扩张幅度最小. ②城市群减污降碳协同水平总体呈提升趋势，2017年之前各城市群减污降碳协同以负值为主，2017年及以后各城市群先后趋于减污降碳协同. ③工业用地扩张对减污降碳协同的负影响呈逐渐减弱趋势. 京津冀城市群的抑制作用最强，珠三角城市群和北部湾城市群的抑制作用最弱. ④工业用地扩张对减污降碳协同的影响存在显著的负向空间溢出效应，工业用地扩张程度越大的城市群空间溢出效应越明显. 因此，重视工业用地扩张对减污降碳协同的抑制作用，可为推进减污降碳协同治理进程提出针对性建议.

关键词: 工业用地扩张减污降碳协同城市群空间溢出效应时空地理加权回归（GTWR）

Impact of Industrial Land Expansion on the Synergy of Pollution and Emission Reduction and Its Spatial Spillover Effects: A Case Study of Seven Major City Agglomerations in China

WANG Na-na¹ , ZHANG Bo-lun^2,3 , ZHENG Wei-wei¹ , XING Pei-xue⁴ , Talehaer Kurmanbek⁵

1. College of Economics and Management, Northwest A&F University, Yangling 712100, China;
2. Guangdong Provincial Key Laboratory of Integrated Agro-environmental Pollution Control and Management, Institute of Eco-environmental and Soil Sciences, Guangdong Academy of Sciences, Guangzhou 510650, China;
3. State Key Laboratory of Environmental Criteria and Risk Control, Chinese Research Academy of Environmental Sciences, Beijing 100012, China;
4. College of Environmental Science and Engineering, Shanghai Jiaotong University, Shanghai 200240, China;
5. Analysis and Risk Assessment Center, Xinjiang Academy of Ecological and Environmental Sciences, Urumqi 830011, China

Abstract: The contradiction between industrialization and ecological environmental protection constitutes a major challenge in advancing the synergy of pollution and carbon emission reduction. As an area with a high concentration of socio-economic activities, urban agglomerations explore the impact of industrial land expansion in different urban agglomerations on the synergy of pollution and carbon emission reduction, which provides a reference for improving the land use efficiency of urban agglomerations and formulating strategies for pollution and carbon emission reduction. Using panel data for 130 prefecture-level cities across seven Chinese urban agglomerations from 2008 to 2022, this study employs geographically and temporally weighted regression (GTWR) and spatial lag models (SLM) to analyze spatiotemporal impacts and spatial spillover effects. The results indicated: ① Industrial land expansion followed fluctuating "increase-decrease-reincrease" trends. The Yangtze River Delta urban agglomeration exhibited the largest expansion, while the Beibu Gulf urban agglomeration showed the smallest. ② The overall level of synergy in pollution reduction and carbon emission reduction across urban agglomerations presented an upward trend. Before 2017, the coordination in most urban agglomerations was predominantly negative; after 2017, urban agglomerations gradually moved towards positive synergy in pollution and carbon emission reduction. ③ The negative impact of industrial land expansion on the synergy of pollution and carbon emission reduction gradually weakened. The inhibitory effect was the strongest in the Beijing-Tianjin-Hebei urban agglomeration, while it was the weakest in the Pearl River Delta and Beibu Gulf urban agglomerations. ④ There was a significant negative spatial spillover effect of the impact of industrial land expansion on the synergy of pollution and carbon emission reduction, and the spatial spillover effect was more obvious in the urban agglomerations with a higher degree of industrial land expansion. Therefore, the inhibitory role of industrial land expansion on the synergy of pollution and carbon emission reduction should be given due attention, and targeted recommendations should be formulated to advance coordinated pollution reduction and carbon mitigation in urban agglomerations.

Key words: industrial land expansion pollution and carbon emission reduction urban agglomerations spatial spillover effects geographically and temporally weighted regression(GTWR)

中国生态环境部发布《减污降碳协同增效实施方案》明确将减污降碳协同增效作为经济社会全面绿色转型的重要举措^[1]. 尽管我国在环境质量改善和碳达峰碳中和行动中取得一定进展，但2023年全国仍有约40.1%的城市环境空气质量未达标，CO₂排放量远超全球平均水平，气候变化与环境污染治理仍面临严峻挑战. 2022年我国工业用地面积占城镇建设用地总面积的17.61%，工业领域产生的高强度大气污染物和碳排放成为加剧生态环境恶化的关键诱因^[2]，工业化和城镇化快速发展的同时对减污降碳协同治理造成巨大压力. 城市群作为人口和经济活动高度聚集的空间单元，通过基础设施共享和创新技术流动等途径实现土地和劳动力等生产要素的高效协调^[3，4]. 区域间协同能够降低减污降碳协同治理的成本，在同等投入下产生更高的环境治理效益^[5]. 因此，如何依托城市群空间协同效应，应对工业快速发展与生态环境治理的矛盾，进一步优化减污降碳协同治理策略，成为亟待解决的关键问题.

工业用地扩张通常伴随着能源消耗增加，成为诱发大气污染物与碳排放的共同来源^[6，7]. 大气污染物和碳排放具有同根同源的特征，其主要来源都是煤炭和石油等化石能源燃烧，减污与降碳在治理目标和管控手段上高度一致^[8，9]. 关于工业用地扩张的环境效应已有诸多讨论. 一方面，分别探讨工业用地扩张对大气污染物或碳排放的影响. 工业用地面积是碳排放的关键影响因素，其比例增加会显著提升碳排放^[10，11]. 工业部门承载着大部分的能源消耗，环境污染主要源于化石能源燃烧排放的有害气体和颗粒物^[12，13]. 工业用地扩张伴随着人类活动强度增加^[14]，加剧SO₂、PM_2.5和PM₁₀等大气污染物的排放与扩散^[15]，不仅会导致空气质量恶化，还会引发酸雨和温室效应等环境问题^[16，17]. 另一方面，有学者通过研究减污降碳协同的驱动因子发现，建设用地面积和建设用地空间集聚是重要影响因素^[18，19]，工业用地作为与能源消耗和污染排放关联最紧密的建设用地类型，其扩张规模必然对减污降碳协同产生重要影响.

建设用地规模扩张会直接带动建筑物增加，导致空气污染、能源消耗和碳排放的增长^[6]，从而对减污降碳产生负向协同效应，而建设用地空间集聚则能够通过技术创新与能源节约，进而实现减污降碳正向协同效应^[19]. 已有研究为本文奠定了良好基础，从研究内容来看，大多聚焦于分别讨论工业用地扩张与大气污染物或碳排放的关系，鲜有学者探讨工业用地扩张对减污降碳协同的影响. 从研究的范围来看，主要集中在全国^[1]、省域^[20]或者重点城市^[21]等尺度，而针对城市群的研究略显不足. 鉴于此，本研究从城市群视角探究不同城市群的工业用地扩张对减污降碳协同的影响差异和空间溢出效应，对于推动城市群之间以及城市群内部的工业用地优化配置和减污降碳协同治理具有关键作用.

因此，本文以中国7个城市群为研究对象，在剖析工业用地扩张和减污降碳协同内在机制的基础上，综合分析工业用地扩张和减污降碳协同的时空分布特征，探究城市群视角下工业用地扩张对减污降碳协同影响的时空差异及空间溢出效应. 可能存在的边际贡献主要表现在：首先，考虑到城市群内城市高关联性和高聚集性的特点，构建工业用地扩张对减污降碳协同影响的理论框架. 其次，利用时空地理加权回归（GTWR）模型分析城市群工业用地扩张对减污降碳协同的时空影响. 最后，运用空间滞后模型探究城市群工业用地扩张对减污降碳协同影响的空间溢出效应，以期为优化城市群间及内部工业用地合理配置和协同治理减污降碳提供参考依据.

1 理论框架

工业用地作为经济增长过程中重要的生产要素投入，其配置方式及配置效果对经济发展和生态环境产生重要影响. 本文分析了工业用地扩张对减污降碳协同的影响及非线性关系，构建理论框架如图 1.

图 1 工业用地扩张对减污降碳协同的影响机制 Fig. 1 Mechanisms of industrial land expansion (ILES) on the synergy of pollution and carbon emission reduction (PMCR)

1.1 工业用地扩张对减污降碳协同的影响

工业用地扩张在推动经济增长的同时，也给减污降碳协同治理带来了严峻挑战，产生多重环境负外部效应. 其一，大规模工业用地扩张直接挤占了耕地、林地和湿地等生态空间，导致自然生态系统面积大幅缩减，不仅削弱了区域生态系统的固碳能力，还降低了对大气污染物的自然净化功能^[22]；而工业生产中排放的重金属、化学品及“三废”（废气、废水和废渣）进一步加剧土壤退化与水体污染，形成对减污降碳协同的阻碍^[23]. 其二，工业用地扩张通常伴随着生产规模的同步扩大，进而带来能源消费总量的快速增长. 以煤炭和石油为主的化石能源燃烧会释放大量CO₂和CH₄，还会产生SO₂、PM_2.5和烟尘等污染物，呈现“高污染-高碳排”的叠加特征^[24]. 其三，部分地方政府为追求短期经济增长，通过降低工业用地准入门槛和环境管制标准吸引投资，导致大量高污染高碳排企业集聚^[25，26]. 这类企业大气污染物和碳排放强度较高，进一步加剧了环境污染效应，激化了工业用地扩张与减污降碳协同治理之间的矛盾. 其四，工业企业技术水平落后是制约减污降碳协同的关键瓶颈. 低端技术行业普遍依赖老旧锅炉等高耗能设备，不仅单位产出的能源消耗偏高，能源利用效率也显著低下^[27]；由于末端污染治理技术滞后，企业难以对CO₂等温室气体及SO₂等污染物实现有效控制，导致环境污染超标，削弱了区域减污降碳协同治理的整体效能^[28]. 因此提出研究假设一，H1：工业用地扩张对减污降碳协同的影响为负向.

1.2 工业用地扩张对减污降碳协同影响的空间溢出效应

工业用地扩张的环境效应具有显著的跨区域扩散性，其空间溢出效应通过污染物迁移和产业关联两条路径对周边区域的减污降碳协同形成冲击. 一方面，工业用地扩张往往伴随着高污染高碳排产业的集聚，由此产生的大气污染物和碳排放会借助大气循环和水体流动向周边区域蔓延. 工业产业集聚形成的热岛效应会强化扩散动力，加速CO₂、SO₂及PM_2.5等污染物通过大气环流系统向周边区域输送^[29]；而工业生产排放的废水进入水体后，会沿着河流和地下水进行跨境转移，导致下游地区被迫承担上游工业用地扩张产生的污染治理成本^[30]. 另一方面，连片式工业用地扩张会催生特定产业集群，并与周边地区形成上下游配套关系. 核心地区产业以高耗能和高排放为主，其生产需求会带动周边地区配套产业的能源消耗和污染物排放，形成污染转移^[31]. 此外，当某区域因工业用地扩张导致环境承载压力过大时，部分高污染高碳排产业可能向环保标准较低的周边区域转移，直接阻碍了周边区域的减污降碳协同治理^[32]. 工业用地扩张的空间溢出效应会对周围减污降碳协同产生负外部性，既增加了区域治理成本，又使得单一区域的治理成效被跨区域污染削弱. 因此提出研究的假设二，H2：工业用地扩张对减污降碳协同的影响存在负向空间溢出效应.

2 材料与方法 2.1 研究区域

城市群作为推动经济增长、促进区域协调发展以及提升国家竞争力的重要载体，具有生产要素集聚、资源共享和关联性强的特点，碳排放和污染排放较为集中，是实现“双碳”目标的重点领域. 通过集聚创新资源和优化产业布局，能够有效应对工业化带来的挑战. 2018年国务院发布《关于建立更加有效的区域协调发展新机制的意见》明确指出，京津冀、长三角、珠三角、成渝、长江中游、中原和北部湾等城市群要促进区域间合作联动，推动国家重大区域战略融合发展，加强绿色高质量发展. 因此，本文选择上述7个城市群作为研究区域，其中长三角城市群（YRD）、珠三角城市群（PRD）、长江中游城市群（MRYR）、京津冀城市群（BTH）和成渝城市群（CY）代表优化提升类城市群；北部湾城市群（BG）和中原城市群（CPR）代表发展壮大类重点城市群. 研究区共涵盖了130个地级市，图 2为7个城市群的空间分布.

地图基于自然资源部天地图服务中心，审图号GS（2023）2767号标准地图制作，底图无修改图 2 7个城市群的空间分布 Fig. 2 Spatial distribution of the seven urban agglomerations

2.2 变量选取与数据来源

本文以2008~2022年中国7个城市群为研究对象，将减污降碳协同作为被解释变量，工业用地扩张作为核心解释变量. 参考相关研究^[33~35]，引入经济发展水平、物质资本投入、科技进步、产业结构升级、对外开放程度和能源结构作为控制变量（表 1）. CO₂排放量和SO₂排放量等污染物排放量来源于气候与大气污染研究多分辨率排放清单模型（MEIC）；PM_2.5浓度数据来自中国空气质量在线监测平台；煤炭消耗量、电力消耗量和能源消耗总量来自研究年份的《中国能源统计年鉴》和各市统计年鉴. 工业用地扩张面积来源于中国土地市场网（https://www.landchina.com/）的土地出让数据；GDP、人口数、全社会固定资产投资额、R&D内部经费支出、第一二三产业增加值占GDP比重和进出口贸易总额等社会经济数据来源于研究年份的《中国统计年鉴》《中国城市统计年鉴》《中国城市建设统计年鉴》等. 采用线性插值法对个别缺失数据进行插补，为消除不同量纲之间的差距，对数据进行标准化处理.

表 1 变量选取与说明^1） Table 1 Description of variables

2.3 研究方法 2.3.1 减污降碳协同度测算

大气污染物和碳排放具有同根同源的特征，二者之间存在协同效应. 复合系统协同度模型能准确反映不同子系统间的相互作用和协同发展态势，以及整体功效^[36]. 因此，参考已有研究^[37，38]，选取以下指标作为序参量（表 2），运用复合系统协同度模型测算减污降碳协同度. 设S为减污降碳协同系统，S₁为减污子系统，S₂为降碳子系统，两个子系统均由若干个序参量组成， $P_{w k}$ 为第w个子系统的第k个序参量.

表 2 减污降碳协同度评价指标体系^1） Table 2 Evaluation index system for synergy degree of pollution and carbon emission reduction

（1）各序参量有序度计算

u_{w} (P_{w k}) = \{\begin{matrix} \frac{P_{w k} - α_{w k}}{β_{w k} - α_{w k}}, & k \in [1, m] \\ \frac{β_{w k} - P_{w k}}{β_{w k} - α_{w k}}, & k \in [m + 1, n] \end{matrix}

(1)

式中， $u_{w} (P_{w k})$ 为序参量 $P_{w k}$ 的有序度，其值越大，说明 $P_{w k}$ 对子系统有序度的贡献越大， $P_{w 1}$ ， $P_{w 2}$ ，…， $P_{w m}$ 为正向指标， $P_{w m + 1}$ ， $P_{w m + 2}$ ，…， $P_{w n}$ 为负向指标， $α_{w k}$ 和 $β_{w k}$ 分别为序参量在研究期间的最小值和最大值.

（2）子系统有序度计算

u_{w} (S_{w}) = \sum_{k = 1}^{n} θ_{k} u_{w} (P_{w k})

(2)

式中， $u_{w} (S_{w})$ 为子系统 $S_{w}$ 的有序度， $θ_{k}$ 为序参量 $P_{w k}$ 的权重， $θ_{k}$ 根据熵权法计算得到.

（3）减污降碳复合系统的计算在初始时刻t减污和降碳子系统的协同度分别为 $u_{1}^{t} (S_{1})$ 和 $u_{2}^{t} (S_{w 2})$ ，到时刻t+1两者的协同度分别变为 $u_{1}^{t + 1} (S_{1})$ 和 $u_{2}^{t + 1} (S_{w 2})$ . 因此，从t到t+1时刻的减污降碳协同度为：

P M C R = S = λ \sum_{w = 1}^{n} η_{w} [|u_{w}^{t + 1} (S_{w}) - u_{w}^{t} (S_{w})|]

(3)

λ = \frac{m i n_{w} [u_{w}^{t + 1} (S_{w}) - u_{w}^{t} (S_{w})]}{|m i n_{w} [u_{w}^{t + 1} (S_{w}) - u_{w}^{t} (S_{w})]|}

(4)

式中，S即PMCR，为减污降碳协同度，参数 $λ$ 表示当且仅当 $u_{w}^{t + 1} (S_{w}) - u_{w}^{t} (S_{w}) > 0$ 时，减污与降碳实现协同效应，反之则为不协同， $η_{w}$ 为减污与降碳子系统的权重，认为这两个子系统在减污降碳协同中同等重要，因此 $η_{1}$ = $η_{2}$ =0.5，S∈[-1, 1]，若数值为正则表示协同，数值为负表示不协同.

2.3.2 时空地理加权回归（GTWR）模型

相较于传统多元回归模型和经典地理加权回归（GWR）模型，GTWR模型考虑了时间维度，从时空角度描述因变量和自变量之间的关系^[34]. 能够捕捉时空异质性，为各观测点动态估计回归系数，既解决时空非平稳性，同时提升了模型拟合度. 本文采用GTWR模型分析工业用地扩张对减污降碳协同影响的时空差异. 公式为：

y_{i} = α_{0} (μ_{i}, v_{i}, t_{i}) + \sum_{k = 1}^{n} α_{k} (μ_{i}, v_{i}, t_{i}) X_{i k} + ε_{i}

(5)

式中，y_i为第i点的减污降碳协同度，X_it为第k个自变量在第i点的值， $α_{0}$ 为常数项， $(μ_{i}, v_{i}, t_{i})$ 为第i个城市的时空地理坐标， $α_{k}$ 为i城市减污降碳协同效应的第k个自变量的回归系数， $ε_{i}$ 为观测的随机误差项.

2.3.3 空间自相关性

从城市群角度分析工业用地扩张和减污降碳协同的时空影响，利用空间自相关分析，反映工业用地扩张和减污降碳协同在空间上的集聚状态. 全局莫兰指数（global Moran'sI）能够反映出要素间整体空间分布模式及相关度. 局部莫兰指数（local Moran'sI）可以反映出要素在局部范围的分布及异质性. 具体分析公式如下：

g l o b a l M o r a n' s I = \frac{\sum_{h = 1}^{v} \sum_{i = 1}^{v} W_{h i} (x_{h} - \bar{X}) (x_{i} - \bar{X})}{S^{2} \sum_{h = 1}^{v} \sum_{i = 1}^{v} W_{h i}}

(6)

l o c a l M o r a n' s I = (\frac{x_{h} - \bar{x}}{S^{2}}) \sum_{i = 1}^{v} W_{h i} (x_{i} - \bar{x})

(7)

式中，v为城市总数，x_h为h城市观测值，x_i为i城市的观测值，W_hi为空间权重矩阵，S² 为样本方差.

2.3.4 空间计量模型

工业用地扩张不仅会影响本地的减污降碳协同，也可能会对周围地区的减污降碳协同产生溢出效应. 传统的最小二乘回归模型会忽略变量之间的空间关联，空间计量模型是用来分析空间溢出效应的最常用模型^[35]，空间杜宾模型（SDM）是一般的空间计量模型，在一定条件下可以转化为空间滞后模型（SAR）和空间误差模型（SEM）. 本文构建空间计量模型分析工业用地扩张对减污降碳协同的空间溢出效应：

\begin{array}{l} P M C R_{i t} = φ + ρ \sum_{j = 1, j \neq i}^{n} W_{i j} P M C R_{i t} + δ I L E S_{i t} + \\ ϕ X_{i t} + ϑ \sum_{j = 1, j \neq i}^{n} W_{i j} (I L E S_{i t} + X_{i t}) + ω_{i t} \end{array}

(8)

式中，PMCR_it为减污降碳协同，ILES_it为工业用地扩张，X_it为控制变量， $φ$ 为常数项， $ρ$ 为空间自相关系数，W_ij为空间权重矩阵， $δ$ 和 $ϕ$ 为回归系数， $ϑ$ 为滞后项系数， $ω_{i t}$ 为随机误差项.

3 结果与讨论 3.1 工业用地扩张的时空演变特征

2008~2022年7个城市群工业用地扩张程度总体呈“先增后减再增”的增长趋势（图 3）. 2008~2011年工业用地进入快速扩张阶段，扩张规模由2008年的36 212.75 hm²跃升至2011年的91 915.53 hm²，2011年之后工业用地扩张节奏放缓，2016年降至阶段性最低点49 808.85 hm²，之后回升至2022年的83 889.72 hm². 2008年全球金融危机后，我国加大对基础设施和制造业等实体经济的投入，带动工业用地需求激增；2011年后随着产能过剩问题的显现，开始限制高污染高碳排行业的投资，工业用地需求放缓；2016年随着供给侧结构性改革的深入推进和新兴制造业的蓬勃发展，工业用地扩张程度再次加快. 从空间格局上看，长三角城市群和长江中游城市群的工业用地扩张规模最大，连续多年保持在10 000 hm²以上，主要归因于区域发达的电子信息、汽车制造和高端装备制造等产业集群对工业用地的持续需求. 相比之下，珠三角城市群和北部湾城市群的工业用地扩张规模最小，始终在6 000 hm²以下，珠三角城市群因土地开发强度超出阈值，新增工业用地受到约束，北部湾城市群主要依托服务业和食品加工等传统制造业，产业竞争力偏弱，导致工业用地需求相对有限.

工业用地扩张数据为原始观测值，未经对数化处理图 3 城市群工业用地扩张的时空变化 Fig. 3 Spatial and temporal changes of ILES in urban agglomerations

3.2 减污降碳协同的时空分布特征

2008~2022年城市群减污降碳协同情况如图 4，从整体上看城市群减污降碳协同呈波动提升趋势. 2008~2017年减污降碳协同度下降，均值由2008年的0.004下降至2017年的-0.028，在之后年份中围绕0值不断波动，2022年平均减污降碳协同度为-0.004[图 4（a）]. 其中2008年、2018年、2019年和2020年城市群减污降碳存在明显协同效应[图 4（c）]. 这与《大气污染防治行动计划》《“十三五”节能减排综合工作方案》等政策实施密切相关，通过淘汰落后产能、推广清洁能源和控制煤炭消费总量等举措，提升大气污染物与温室气体治理能力，有效推动减污降碳协同治理进程. 根据各城市群内减污降碳协同的城市数量占该年全国减污降碳协同的总城市数量百分比可以看出[图 4（b）]，中原城市群内减污降碳协同的城市数占比最高，珠三角城市群和北部湾城市群内减污降碳协同的城市数占比最低. 值得注意的是，各城市群间减污降碳协同治理水平差距逐渐缩小，表明减污降碳协同治理从重点区域突破转向全域覆盖治理，通过建立跨区域经验交流机制，充分发挥先进地区的辐射带动效应，从而缩小不同城市群在减污降碳协同治理方面的差距.

图 4 城市群减污降碳协同变化情况 Fig. 4 Changes of PMCR in urban agglomerations

3.3 工业用地扩张对减污降碳协同影响的时空差异

基于GTWR模型实证结果揭示2008~2022年工业用地扩张对减污降碳协同影响的时空差异（图 5）. 根据结果发现，工业用地扩张对减污降碳协同的回归系数为负值，系数的绝对值不断减小，说明工业用地扩张抑制了减污降碳协同，抑制作用逐渐减弱，其中2008~2010年影响最强，2020~2022年影响最弱，假设一成立. 工业用地扩张初期，产业结构以传统高污染高碳排产业为主，伴随高强度能源消耗以及工业粉尘、废水和废气的大量排放，导致大气污染物与碳排放同步增加. 后期传统工业逐渐向绿色产业转型，清洁能源替代化石能源，使得工业用地扩张对减污降碳协同的负面效应减弱. 此外，各城市群间工业用地扩张对减污降碳协同的影响系数呈现明显差异. 京津冀城市群的工业用地扩张对减污降碳协同的抑制作用最强，该地区工业用地扩张程度适中，但以钢铁、电力和化工等传统重工业为主，能源消耗和污染物排放强度大. 珠三角城市群和北部湾城市群的工业用地扩张对减污降碳协同的抑制作用最弱，一方面归因于这两个地区工业用地扩张规模较小，另一方面得益于产业结构以轻工业和高新技术产业为主导，能源消耗、大气污染物和碳排放强度显著低于重工业，因而对减污降碳协同治理的抑制效应较弱.

图 5 工业用地扩张的回归系数时空分布 Fig. 5 Spatial and temporal changes of regression coefficients for ILES

3.4 工业用地扩张对减污降碳协同影响的空间效应 3.4.1 空间模型估计与选择

分别对城市群的工业用地扩张和减污降碳协同进行全局自相关分析，以判断研究区域是否存在集聚空间分布状态. 结果显示（表 3），大部分年份莫兰指数大于0且通过显著性检验，说明工业用地扩张和减污降碳协同在空间上存在较强相关性. 通过LM检验、LR检验、Wald检验和Hausman检验对空间计量模型进行选择^[39，40]，结果如表 4所示. ①在LM检验和LR检验结果表明模型存在空间滞后效应. ②Wald检验表明空间杜宾模型会退化为空间误差模型或空间滞后模型. ③Hausman检验结果显示不能拒绝使用随机效应的原假设. 因此，本文最终选择随机效应的空间滞后模型，空间权重矩阵选择经济距离矩阵.

表 3 空间相关性检验 Table 3 Spatial correlation test

表 4 模型诊断检验结果^1） Table 4 Results of model diagnostic tests

3.4.2 空间效应分析

以随机效应的空间滞后模型进行估计，结果中自回归系数（rho）在1%的统计水平显著，表明存在空间效应（表 5）. 根据主效应结果可知工业用地扩张对减污降碳协同的影响为负向，且存在显著的空间溢出效应，假设二成立. 由直接效应结果可知，工业用地扩张对减污降碳协同的直接效应为负且在1%的水平下显著，表明工业用地扩张会显著抑制本地区减污降碳协同. 由间接效应结果可知，工业用地扩张对减污降碳协同影响的间接效应为负且在5%水平显著，表明工业用地扩张会显著抑制周边地区的减污降碳协同. 根据总效应结果，工业用地扩张对减污降碳协同影响的总效应为负且在5%水平显著，再次论证工业用地扩张对减污降碳协同的影响存在显著的负向空间溢出效应. 综上可知，工业用地扩张对减污降碳协同存在显著空间溢出效应，工业用地扩张不仅抑制本地区减污降碳协同，也会通过空间溢出作用抑制周边地区的减污降碳协同，导致总抑制效应更加严重.

表 5 工业用地扩张对减污降碳协同影响的空间溢出效应^1） Table 5 Spatial spillover effects of ILES on PMCR

3.4.3 异质性分析

各城市群工业用地扩张程度不同，对减污降碳协同影响的空间溢出效应可能存在差异. 本研究还考察了工业用地扩张影响减污降碳协同的空间溢出效应异质性，检验结果见表 6. 回归结果列（1）、（2）、（3）和（4）为工业用地扩张程度较大的4个城市群：长三角、长江中游、京津冀和中原城市群；回归结果列（5）、（6）、（7）和（8）为珠三角、北部湾和成渝城市群. 结果表明，工业用地扩张程度越大的城市群，其对减污降碳协同影响的空间溢出效应越明显. 长三角、长江中游、京津冀和中原城市群的工业用地扩张抑制了本地区和周围地区的减污降碳协同，直接效应、间接效应和总效应均显著为负. 珠三角、北部湾和成渝城市群的工业用地扩张对减污降碳协同影响的直接效应在10%的水平下显著为负.

表 6 异质性分析 Table 6 Heterogeneity analysis

3.4.4 内生性检验

本文借鉴已有研究^[41，42]，选取地形起伏度（坡度在15°以上的土地面积占比）和存款基准利率的交乘项（FRI）作为工具变量，进行内生性检验. 地形作为自然地理条件，不会作用于减污降碳协同效应，但地形起伏度会通过约束土地开发难度影响工业用地扩张强度. 而基准利率由国家中央银行统一制定，其变动会调节地方的贷款和存款利率，进而影响土地价格和供给结构，满足工具变量的外生性假设. 采用两阶段最小二乘法估计结果如表 7所示，工具变量通过识别不足检验和弱工具变量检验，工业用地扩张的系数为负且在10%水平下显著，表明模型设定正确，回归结果可靠.

表 7 内生性检验结果 Table 7 Results of endogeneity test

3.4.5 稳健性检验

为进一步验证工业用地扩张对减污降碳协同影响的空间效应的稳健性，本文通过替换空间权重矩阵和增加控制变量的方式进行检验（表 8）. 首先，采用距离矩阵和邻接矩阵替代经济距离矩阵作为空间权重矩阵进行模型估计^[43，44]，结果显示空间溢出效应仍显著存在. 其次，考虑到遗漏变量会对估计结果造成影响，通过引入人口密度作为新增控制变量对模型进行再检验^[45]，发现结论依然成立. 上述结果表明，工业用地扩张对减污降碳协同影响的空间溢出效应具有一定稳健性.

表 8 稳健性检验 Table 8 Robustness test

4 建议

基于上述实证结论，对于如何优化工业用地布局及提升减污降碳协同治理，提出以下针对性政策建议：

（1）实施差异化工业用地管控策略，缓解扩张带来的抑制效应. 针对长三角和长江中游等工业用地扩张程度较高的城市群，应当将减污降碳协同水平纳入工业用地审批标准，限制工业用地新增规模，推动存量工业用地提质增效. 对于珠三角和北部湾等工业用地扩张程度较低的城市群，应当提高高污染高碳排企业准入门槛，加快传统产业绿色化改造，鼓励清洁能源和低碳技术应用，从源头减少工业污染和碳排放.

（2）构建工业用地低碳利用体系，降低生态环境承载压力. 鼓励工业园区光伏和风电等可再生能源建设，采用绿色能源代替化石能源，通过优化能源结构削减大气污染物和碳排放. 加大对企业污染物排放的监管，促进绿色技术创新和节能减排工艺改造，提高能源利用效率. 此外，充分发挥地区生产要素集聚优势，强化企业间开展技术合作，降低环境治理成本，有效推动减污降碳协同.

（3）建立跨区域协同治理机制，发挥先进地区的辐射带动作用. 一方面建立跨区域减污降碳协同控制体系，推动资源共享、经验交流和协同监管，支持长三角和珠三角城市群等发达地区建设跨区域技术转移平台，向欠发达城市输出低碳技术和管理经验，缩小地区间减污降碳协同治理差距. 另一方面优化城市群内部空间布局和资源集聚，增强核心城市以点带面能力，加强城市群内部各城市之间的合作，提升区域整体减污降碳协同治理水平.

5 结论

（1）本研究期内工业用地呈持续扩张态势，但扩张程度呈“先增后减再增”的波动增长趋势. 各城市群工业用地扩张程度存在显著空间异质性，其中长三角城市群和长江中游城市群的工业用地扩张规模最大，连续多年保持在10 000 hm²以上，而珠三角城市群和北部湾城市群的工业用地扩张规模最小，始终控制在6 000 hm²以下.

（2）本研究期内城市群减污降碳协同水平总体呈提升趋势，2017年之前各城市群的减污降碳协同以负值为主，2017年及以后各城市群先后趋于减污降碳协同. 其中中原城市群内减污降碳协同的城市数占比最高，珠三角城市群和北部湾城市群内减污降碳协同的城市数占比最低，各城市群间减污降碳协同治理水平差距逐渐缩小.

（3）城市群工业用地扩张对减污降碳协同存在抑制作用，但影响强度逐渐减弱. 各城市群之间工业用地扩张对减污降碳协同的影响强度存在差异，京津冀城市群的工业用地扩张对减污降碳协同的抑制作用最强，而珠三角城市群和北部湾城市群的抑制作用最弱.

（4）工业用地扩张对减污降碳协同的影响存在负向空间溢出效应. 工业用地扩张打破了时空限制，不仅抑制本地区的减污降碳协同，也会抑制周围地区的减污降碳协同. 工业用地扩张程度越大的城市群，对减污降碳协同的负空间溢出效应越明显.

参考文献

[1]	袁晓玲, 郗继宏, 钟楚潮, 等. 中国城市"减污降碳"协同驱动因素及实现路径研究[J]. 管理学刊, 2023, 36(4): 26-46. Yuan X L, Xi J H, Zhong C C, et al. Research on the collaborative driving factors and implementation paths of "pollution reduction and carbon reduction" in China[J]. Journal of Management, 2023, 36(4): 26-46.
[2]	陈前利, 马贤磊, 石晓平, 等. 工业用地供应行为影响工业能源碳排放吗?——基于供应规模、方式与价格三维度分析[J]. 中国人口·资源与环境, 2019, 29(12): 57-67. Chen Q L, Ma X L, Shi X P, et al. Does the supply of industrial land affect industial energy carbon emissions? Based on the analysis of supply scale, method and price[J]. China Population, Resources and Environment, 2019, 29(12): 57-67.
[3]	蔡庆丰, 王仕捷, 刘昊, 等. 城市群人口集聚促进域内企业创新吗[J]. 中国工业经济, 2023(3): 152-170. Cai Q F, Wang S J, Liu H, et al. Does the population agglomeration of urban agglomerations promote local firms' innovation[J]. China Industrial Economics, 2023(3): 152-170.
[4]	Miao X, Chen M K, Tu J Y, et al. The environmental consequences of industrial agglomeration: new evidence from city-level data in China[J]. Structural Change and Economic Dynamics, 2024, 71: 630-645. DOI:10.1016/j.strueco.2024.09.012
[5]	Xu Y Y, Liu Z, Walker T R, et al. Spatio-temporal patterns and spillover effects of synergy on carbon dioxide emission and pollution reductions in the Yangtze River Delta region in China[J]. Sustainable Cities and Society, 2024, 107. DOI:10.1016/j.scs.2024.105419
[6]	Wu R, Li Z G, Wang S J. The varying driving forces of urban land expansion in China: insights from a spatial-temporal analysis[J]. Science of the Total Environment, 2021, 766. DOI:10.1016/j.scitotenv.2020.142591
[7]	Wang Y C, Zhang X J, Zhu L P, et al. Synergetic effect evaluation of pollution and carbon emissions in an industrial park: an environmental impact perspective[J]. Journal of Cleaner Production, 2024, 467. DOI:10.1016/j.jclepro.2024.142891
[8]	Hu Q L, Mijit R, Xu J X, et al. Can government-led urban expansion simultaneously alleviate pollution and carbon emissions? Staggered difference-in-differences evidence from Chinese firms[J]. Economic Analysis and Policy, 2024, 84: 1-25.
[9]	Chen Y, Zhao Z H, Yi W, et al. Has China achieved synergistic reduction of carbon emissions and air pollution? Evidence from 283 Chinese cities[J]. Environmental Impact Assessment Review, 2023, 103. DOI:10.1016/j.eiar.2023.107277
[10]	肖百霞, 范诗彤, 姚梦汝, 等. 国土空间规划视角下广东省碳排放量影响因素分析及管控建议[J]. 规划师, 2025, 41(4): 127-134. Xiao B X, Fan S T, Yao M R, et al. Influencing factors and management suggestions on carbon emissions in Guangdong province from the perspective of territorial spatial planning[J]. Planners, 2025, 41(4): 127-134.
[11]	张超, 张钰雪, 李清嘉, 等. 镇街级治理单元碳排放差异化分布特征及影响因素研究: 以广州市为例[J]. 华中农业大学学报, 2024, 43(6): 75-86. Zhang C, Zhang Y X, Li Q J, et al. Characteristics of differential distribution and influencing factors of carbon emissions at levels of town and street governance units: taking Guangzhou City as an example[J]. Journal of Huazhong Agricultural University, 2024, 43(6): 75-86.
[12]	Puntoon W, Tarkhamtham P, Tansuchat R. The impacts of economic growth, industrial production, and energy consumption on CO₂ emissions: a case study of leading CO₂ emitting countries[J]. Energy Reports, 2022, 8: 414-419.
[13]	Razmjoo A, Gakenia Kaigutha L, Vaziri Rad M A, et al. A Technical analysis investigating energy sustainability utilizing reliable renewable energy sources to reduce CO₂ emissions in a high potential area[J]. Renewable Energy, 2021, 164: 46-57. DOI:10.1016/j.renene.2020.09.042
[14]	Wu S, Hu S G, Frazier A E. Spatiotemporal variation and driving factors of carbon emissions in three industrial land spaces in China from 1997 to 2016[J]. Technological Forecasting and Social Change, 2021, 169. DOI:10.1016/j.techfore.2021.120837
[15]	陈晓红, 张嘉敏, 唐湘博. 中国工业减污降碳协同效应及其影响机制[J]. 资源科学, 2022, 44(12): 2387-2398. Chen X H, Zhang J M, Tang X B. Synergistic effect of industrial air pollution and carbon emission reduction in China and influencing mechanism[J]. Resources Science, 2022, 44(12): 2387-2398.
[16]	刘新智, 周韩梅. 土地资源配置如何影响城市经济效率——基于中国286个地级以上城市工业数据的实证检验[J]. 中国土地科学, 2022, 36(9): 49-58. Liu X Z, Zhou H M. How does land resource allocation affect urban economic efficiency: an empirical test based on industrial data of 286 cities above prefecture level in China[J]. China Land Science, 2022, 36(9): 49-58.
[17]	黄志基, 宋澜, 高菠阳, 等. 工业用地出让、产业选择与城市空气质量[J]. 地理研究, 2022, 41(1): 229-250. Huang Z J, Song L, Gao B Y, et al. Industrial land transfer, industrial selection and urban air quality[J]. Geographical Research, 2022, 41(1): 229-250.
[18]	李中杰, 李亚丽, 蔺莉, 等. 城市减污降碳绿色发展水平及耦合协调效应研究——以昆明市为例[J]. 四川环境, 2024, 43(2): 139-146. Li Z J, Li Y L, Lin L, et al. Research on green development and coupling coordination effect of urban pollution reduction and carbon reduction: a case study of Kunming[J]. Sichuan Environment, 2024, 43(2): 139-146.
[19]	钟顺昌, 焦怡萌, 闫程莉, 等. 建设用地资源空间集聚对减污降碳协同的影响机制[J]. 地理学报, 2024, 79(3): 688-711. Zhong S C, Jiao Y M, Yan C L, et al. The impact mechanism of spatial agglomeration of construction land resources on the synergistic reduction of pollutants and CO₂ [J]. Acta Geographica Sinica, 2024, 79(3): 688-711.
[20]	杨朦, 李智成. "双碳"目标下政府减污降碳协同治理结构及生成路径研究——以北京市为例[J]. 中国地质大学学报(社会科学版), 2024, 24(3): 73-82. Yang M, Li Z C. A study on the structure and generation paths of government coordinated governance for pollution reduction and carbon emission reduction under the "Dual Carbon" target——a case study of Beijing[J]. Journal of China University of Geosciences (Social Sciences Edition), 2024, 24(3): 73-82.
[21]	王力, 冯相昭, 马彤, 等. 典型城市减污降碳协同控制潜力评价研究: 以渭南市为例[J]. 环境科学研究, 2022, 35(8): 2006-2014. Wang L, Feng X Z, Ma T, et al. Evaluation of co-controlling air pollutants and carbon emission potential in typical cities: a case study in Weinan city[J]. Research of Environmental Sciences, 2022, 35(8): 2006-2014.
[22]	王贺封, 石忆邵. 政策影响下上海市工业用地扩张与效益研究[J]. 世界地理研究, 2014, 23(2): 133-141. Wang H F, Shi Y S. Effects of policy on urban industrial land expansion and efficiency in Shanghai[J]. World Regional Studies, 2014, 23(2): 133-141.
[23]	李瑜琴, 赵景波. 榆林市工业"三废"污染及其治理对策[J]. 干旱区资源与环境, 2005, 19(1): 144-148. Li Y Q, Zhao J B. Environmental pollution by industrial waste and its treatment countermeasures in Yulin city[J]. Journal of Arid Land Resources and Environment, 2005, 19(1): 144-148.
[24]	徐彭辉, 周咏馨, 郭楠. 基于STIRPAT模型的辽宁省工业用地碳排放影响因素分析[J]. 能源与环境, 2023(4): 68-71.
[25]	Zhang Y H, Liu Y, Li Y P, et al. Nonlinear and spatial non-stationary effects of land finance on urban expansion at the county level in China: insights from explainable spatial machine learning[J]. Cities, 2025, 160. DOI:10.1016/j.cities.2025.105850
[26]	Huang Z J, Li H, Song M Y, et al. Intersecting sustainability and governance: the impact of industrial land price distortion on carbon emission efficiency in China[J]. Applied Geography, 2025, 176. DOI:10.1016/j.apgeog.2025.103510
[27]	黄志基, 宋名悦. 工业用地出让结构倾向对碳排放效率的影响及其传导机制——基于绿色技术创新中介视角[J]. 经济地理, 2023, 43(7): 65-76. Huang Z J, Song M Y. The influence of industrial land transfer structure tendency on carbon emission efficiency and its transmission mechanism: based on the intermediary perspective of green technology innovation[J]. Economic Geography, 2023, 43(7): 65-76.
[28]	陈吕军, 田金平, 吕一铮, 等. 我国化工园区减污降碳技术路径研究[J]. 中国工程科学, 2024, 26(2): 160-173. Chen L J, Tian J P, Lyu Y Z, et al. Pathways for reducing pollutants and carbon emissions synergistically targeting chemical industrial parks in China[J]. Strategic Study of CAE, 2024, 26(2): 160-173.
[29]	Zhao C W, Pan Y Z, Wu H Y, et al. Quantifying the contribution of industrial zones to urban heat islands: relevance and direct impact[J]. Environmental Research, 2024, 240. DOI:10.1016/j.envres.2023.117594
[30]	Zhang P Y, Yang D, Zhang Y, et al. Re-examining the drive forces of China's industrial wastewater pollution based on GWR model at provincial level[J]. Journal of Cleaner Production, 2020, 262. DOI:10.1016/j.jclepro.2020.121309
[31]	Liu Y, Ouyang Q J, Lu C. Exploring the effect of urban position of the inter-urban pollution transfer network on carbon emissions: evidence from 276 cities in China[J]. Journal of Cleaner Production, 2025, 516. DOI:10.1016/j.jclepro.2025.145789
[32]	Zhang S, Yu K, Yu Y D. Industrial transformation for synergistic carbon and pollutant reduction in China: using environmentally extended multi-regional input-output model and multi-objective optimization[J]. Energy, 2025, 318. DOI:10.1016/j.energy.2025.134830
[33]	马伟波, 赵立君, 王楠, 等. 长三角城市群减污降碳驱动因素研究[J]. 生态与农村环境学报, 2022, 38(10): 1273-1281. Ma W B, Zhao L J, Wang N, et al. Study on driving factors of pollution and carbon reduction in the Yangtze River Delta Urban Agglomerations[J]. Journal of Ecology and Rural Environment, 2022, 38(10): 1273-1281.
[34]	谭德明, 张宇. 基于GTWR模型的长江经济带城市群减污降碳及其影响因素分析[J]. 湖南工业大学学报, 2025, 39(2): 42-51. Tan D M, Zhang Y. Analysis of pollution and carbon reduction with its influencing factors in the Yangtze River Economic Belt urban agglomeration based on GTWR model[J]. Journal of Hunan University of Technology, 2025, 39(2): 42-51.
[35]	邹秀清, 张燕, 顾嘉雯, 等. 能源生态效率对减污降碳的影响及空间溢出效应——基于异质性环境规制的调节作用[J]. 统计与管理, 2024, 39(2): 102-112.
[36]	Xu Y F, Peng J C, Tian J L, et al. The impact and mechanism analysis of Clean Development Mechanism on the synergistic effects of pollution mitigation and carbon reduction[J]. Environmental Research, 2024, 260. DOI:10.1016/j.envres.2024.119659
[37]	Yi H R, Zhao L J, Qian Y, et al. How to achieve synergy between carbon dioxide mitigation and air pollution control? Evidence from China[J]. Sustainable Cities and Society, 2022, 78. DOI:10.1016/j.scs.2021.103609
[38]	邢会, 霍晓谦. 中国县域减污降碳协同增效的时空演变及影响因素[J]. 中国环境科学, 2025, 45(3): 1657-1673. Xing H, Huo X Q. The spatiotemporal pattern evolution and influencing factors of synergistic reduction of pollution and carbon emissions in Chinese counties[J]. China Environmental Science, 2025, 45(3): 1657-1673.
[39]	李健, 李庆庆. 京津冀及周边地区新型城镇化对碳排放强度的空间效应[J]. 环境科学, 2025, 46(2): 625-635. Li J, Li Q Q. Spatial effect of the new-type urbanization in the Beijing-Tianjin-Hebei region and its surrounding areas on the carbon emission intensity[J]. Environmental Science, 2025, 46(2): 625-635. DOI:10.13227/j.hjkx.202311237
[40]	李雅男, 丁振民, 邓元杰, 等. 中国城市工业化发展与PM_2.5的关系: 兼论EKC曲线形成的内在机制[J]. 环境科学, 2020, 41(4): 1987-1996. Li Y N, Ding Z M, Deng Y J, et al. Relationship between urban industrialization and PM_2.5 concentration in China and the internal mechanism of EKC[J]. Environmental Science, 2020, 41(4): 1987-1996. DOI:10.13227/j.hjkx.201910042
[41]	李力行, 黄佩媛, 马光荣. 土地资源错配与中国工业企业生产率差异[J]. 管理世界, 2016, 32(8): 86-96.
[42]	谢呈阳, 胡汉辉. 中国土地资源配置与城市创新: 机制讨论与经验证据[J]. 中国工业经济, 2020(12): 83-101. Xie C Y, Hu H H. China's land resource allocation and urban innovation: mechanism discussion and empirical evidence[J]. China Industrial Economics, 2020(12): 83-101.
[43]	杨瑄, 王力, 张泽阳, 等. 产业结构扭曲对减污降碳的影响: 基于环保重点城市的实证分析[J]. 环境科学研究, 2023, 36(11): 2074-2089. Yang X, Wang L, Zhang Z Y, et al. Effects of industrial structure distortion on co-control of air pollutants and CO₂: empirical study based on key environmental protection cities[J]. Research of Environmental Sciences, 2023, 36(11): 2074-2089.
[44]	吉雪强, 崔益邻, 张思阳, 等. 农地流转对农业碳排放强度影响的空间效应及作用机制[J]. 中国环境科学, 2023, 43(12): 6611-6624. Ji X Q, Cui Y L, Zhang S Y, et al. The spatial effect and action mechanism of the influence of rural land transfer on agricultural carbon emission intensity[J]. China Environmental Science, 2023, 43(12): 6611-6624.
[45]	原伟鹏, 孙慧, 王晶, 等. 中国城市减污降碳协同的时空演化及驱动力探析[J]. 经济地理, 2022, 42(10): 72-82. Yuan W P, Sun H, Wang J, et al. Spatial-temporal evolution and driving forces of urban pollution and carbon reduction in China[J]. Economic Geography, 2022, 42(10): 72-82.


环境科学 2026, Vol. 47 Issue (8): 5250-5261	PDF