成渝地区双城经济圈降碳减污协同：时空格局、区域差异和动态演进

引用本文

邓元杰, 王雯静, 海宜峰, 张淼, 党花娥, 段美璇, 彭明鸿, 张梅, 侯孟阳. 成渝地区双城经济圈降碳减污协同：时空格局、区域差异和动态演进[J]. 环境科学, 2026, 47(8): 5300-5313.

DENG Yuan-jie, WANG Wen-jing, HAI Yi-feng, ZHANG Miao, DANG Hua-e, DUAN Mei-xuan, PENG Ming-hong, ZHANG Mei, HOU Meng-yang. Synergy of Carbon Reduction and Pollution Control in the Chengdu-Chongqing Economic Circle: Spatiotemporal Patterns, Regional Disparities, and Dynamic Evolution[J]. Environmental Science, 2026, 47(8): 5300-5313.

成渝地区双城经济圈降碳减污协同：时空格局、区域差异和动态演进

邓元杰¹, 王雯静¹, 海宜峰¹, 张淼¹, 党花娥¹, 段美璇¹, 彭明鸿¹, 张梅¹, 侯孟阳²

1. 四川轻化工大学经济学院，自贡 643000;
2. 河北大学经济学院，保定 071002

收稿日期: 2025-05-30; 修订日期: 2025-09-25

基金项目: 国家自然科学基金项目（72303055）；国家级大学生创新训练计划项目（202510622017）；四川省大学生创新训练计划项目（S202510622068）

作者简介: 邓元杰（1992~），男，博士，副教授，主要研究方向为资源经济与环境管理，E-mail：ecodyj@suse.edu.cn

通信作者: 彭明鸿, E-mail：pengminghong30@163.com

摘要: 在“双碳”战略背景下，为系统分析成渝地区双城经济圈降碳减污协同效应的时空格局、区域差异及动态演进特征，以2000~2022年144个区县面板数据为基础，综合运用耦合协调模型、标准差椭圆、空间自相关分析、Dagum基尼系数分解以及传统与空间马尔可夫链模型等方法进行实证研究. 结果表明：①协同效应呈现“快速提升-高位波动-分化调整”的阶段性演进，其耦合协调度从0.256升至峰值0.323后回落至0.262，空间自相关性显著（Moran's I > 0.556），高值区集中于成都平原及重庆主城区. ②整体Dagum基尼系数均值为0.214，区域内差异贡献率超过60%，其中重庆侧的不均衡性高于四川侧. ③动态演进分析揭示，协同效应的分布由单峰演变为双峰，并呈现显著的“状态稳定性”，维持原有状态的概率最低为86.1%. 空间邻域的存在强化了“状态锁定”现象，使得高、低协同水平区域的向上跃迁均难度较大，整体演化表现为渐进式、稳定的过程. 成渝地区双城经济圈的降碳减污协同效应存在显著的时空分异与极化趋势，并呈现稳定的渐进式演化特征，研究为该区域的绿色转型提供了理论与实践依据.

关键词: 降碳减污协同成渝地区双城经济圈时空格局区域差异动态演进

Synergy of Carbon Reduction and Pollution Control in the Chengdu-Chongqing Economic Circle: Spatiotemporal Patterns, Regional Disparities, and Dynamic Evolution

DENG Yuan-jie¹ , WANG Wen-jing¹ , HAI Yi-feng¹ , ZHANG Miao¹ , DANG Hua-e¹ , DUAN Mei-xuan¹ , PENG Ming-hong¹ , ZHANG Mei¹ , HOU Meng-yang²

1. School of Economics, Sichuan University of Science and Engineering, Zigong 643000, China;
2. School of Economics, Hebei University, Baoding 071002, China

Abstract: Under the "dual carbon" strategy, this study systematically analyzes the spatiotemporal patterns, regional disparities, and dynamic evolution of the synergy between carbon reduction and pollution control in the Chengdu-Chongqing Economic Circle. Based on panel data of 144 districts and counties from 2000 to 2022, empirical research was conducted using methods such as the coupling coordination model, standard deviational ellipse (SDE), spatial autocorrelation analysis, Dagum Gini coefficient decomposition, and both traditional and spatial Markov chain models. The results show that: ① The synergistic effect demonstrated a phased evolution of "rapid improvement-high-level fluctuation-differentiation adjustment." The coupling coordination degree rose from 0.256 to a peak of 0.323 before falling back to 0.262. The spatial autocorrelation was significant (Moran's I > 0.556), with high-value areas concentrated in the Chengdu Plain and the main urban area of Chongqing. ② The average Dagum Gini coefficient was 0.214, and the contribution of intra-regional disparities exceeded 60%, with the imbalance being higher on the Chongqing side than on the Sichuan side. ③ Dynamic evolution analysis revealed that the distribution of synergistic effects had evolved from a single peak to a double peak. The synergy exhibited significant "state stability" (the minimum probability of maintaining the original state was 86.1%) and a "state locking" effect influenced by spatial neighborhoods. This resulted in limited upward transition possibilities and made "leapfrog" jumps difficult, indicating a gradual and stable evolutionary process. The synergy of carbon reduction and pollution control in the Chengdu-Chongqing Economic Circle exhibited significant spatiotemporal differentiation and polarization trends and demonstrated a stable, progressive evolutionary characteristic, providing a theoretical and practical basis for the region's green transition.

Key words: carbon reduction and pollution control synergy Chengdu-Chongqing Economic Circle spatiotemporal patterns regional disparities dynamic evolution

随着全球气候变化和环境污染问题的日益严峻，降碳减污已成为实现可持续发展的核心议题^[1，2]. 党的二十届三中全会明确提出，要深入推进生态文明建设，加快绿色低碳转型，推动生态环境质量持续改善和气候风险有效缓解. 这一战略部署不仅体现了党中央对生态优先、绿色发展的高度重视，也为新时代环境治理与气候行动提供了科学指引. 同时，《“十四五”规划纲要》及《2030年前碳达峰行动方案》等国家政策进一步强调，要通过系统性协同治理，实现污染防治与碳排放控制的“双赢”^[3]. 在此背景下，降碳减污协同效应作为一种多目标优化的政策框架，不仅能够提升区域环境承载力、降低气候系统敏感性，还能助推经济结构转型与社会效益提升，成为当前亟待深入研究的重大科学问题^[4，5].

已有研究围绕降碳减污协同效应开展了较为广泛的探索，取得了显著成果. 例如，有学者从技术路径出发，分析了末端治理与源头防控对PM₂_.₅、SO₂等污染物及CO₂等温室气体减排的协同贡献^[6~9]；另一些研究聚焦政策工具设计，提出了多目标规划、碳交易机制与能源结构调整的集成优化方案^[10~13]；还有研究从行业视角探讨了工业^[14~16]、能源^[17~19]和交通^[20~23]等领域的降碳减污潜力. 以上研究为理解降碳减污的理论内涵、机制设计与实践模式奠定了坚实基础. 然而，现有文献仍存在若干不足：首先，较少有学者从时空格局视角系统揭示降碳减污协同效应的动态演化特征，多集中于某一时点或单一维度的静态分析，导致对区域治理成效的空间异质性与时序规律缺乏全面认知；其次，对区域差异的量化分析较为薄弱，尤其是基于地理空间的差异分解研究不足，现有成果多以宏观指标对比为主，难以精准识别分异来源及其对协同效应的影响机制；最后，动态演进过程的探讨往往停留于短期趋势描述，缺乏对协同效应长期演化路径、稳态分布及路径依赖性的深入预测性分析. 以上不足可能带来多方面的不利后果：一是政策制定因缺乏时空动态依据而难以因地制宜，可能导致资源配置效率低下；二是区域差异来源不明可能加剧治理不平衡，核心区域与边缘区域的协同水平差距进一步拉大；三是动态演进趋势不清可能削弱政策的前瞻性，影响降碳减污目标的长期可持续性. 因此，亟需在已有研究基础上，进一步拓展分析维度，以更全面的视角审视降碳减污协同效应的规律与特征.

为回应上述研究不足，本文拟基于2000~2022年成渝地区双城经济圈144个区县的面板数据，构建降碳减污耦合协调模型，综合引入标准差椭圆与重心转移、空间自相关分析、Dagum基尼系数分解、Kernel核密度估计及Markov链等多种方法，系统揭示降碳减污协同效应的时空格局演化特征、区域差异形成机制与动态演进路径. 与现有研究相比，本文的边际贡献主要体现在3个方面：其一，在研究视角上，从多时点、多维度系统刻画区域协同效应的演变过程，突破了前人以单期静态分析为主的局限；其二，在区域差异识别上，结合Dagum基尼系数的分解能力，精准刻画组内与组间差异来源，丰富了降碳减污空间异质性的实证识别路径；其三，在动态演进分析上，融合Kernel核密度估计与传统/空间马尔可夫链模型，既揭示协同效应分布形态由单峰向双峰演化的极化趋势，又量化不同协同水平区域的状态跃迁与路径依赖特征，深化了对协同效应演化机制的理解. 上述研究不仅有助于从空间与动态维度更全面识别绿色协同治理的重点区域与关键机制，也为实现成渝地区绿色转型、推动国家“双碳”战略落地提供了理论依据与实践支撑.

1 研究区概况

成渝地区双城经济圈位于中国西南部（见图 1），是国家推动西部大开发和区域协调发展战略的重要载体^[24]. 该区域以成都市和重庆市为核心，涵盖四川省和重庆市的部分行政区划，总计144个县级单元，地理范围介于东经101°56′~110°11′、北纬27°39′~32°45′之间，总面积约18.5万km². 2022年，区域常住人口约9 800万人，地区生产总值超过7.5万亿元，占西部地区的比例超过30%，是我国西部经济最具活力和发展潜力的区域之一^[25]. 成渝地区地形复杂多样，西部以四川盆地为主，东部包括重庆丘陵和三峡库区，兼具平原、丘陵和山地特征. 气候上属亚热带湿润季风气候，年均降水量1 000~1 300 mm，年均气温16~18℃，为生态环境治理提供了有利条件^[26]. 然而，该区域工业化与城镇化进程加快，能源结构以煤炭为主，PM_2.5和碳排放压力较大，尤其是成都和重庆主城区污染集中，边缘区如川东北和渝东南则面临生态脆弱与经济滞后并存的挑战^[27]. 作为国家战略重点区域，成渝地区双城经济圈于2020年被纳入《成渝地区双城经济圈建设规划纲要》，旨在打造西部高质量发展增长极和内陆开放高地. 降碳减污协同效应在此具有重要实践意义：一方面，区域内成都和重庆两大核心城市经济发达、技术领先，可为协同治理提供示范；另一方面，区县间发展水平和生态环境差异显著，为研究区域分异和协同路径提供了天然样本. 因此，成渝地区不仅是降碳减污政策落地的关键试验区，也是验证协同效应成效的理想研究区域. 具体而言：首先，该区域是国家推进西部大开发和“双城”战略布局的重要区域，涵盖成都、重庆两大核心城市及其周边144个区县，具有突出的区域代表性与政策引领价值；其次，区域内部经济发展水平、产业结构和生态承载能力差异显著，既包括高技术和高污染并存的主城区，也包含生态脆弱和产业基础薄弱的边缘区域，构成天然的空间异质性样本；最后，该区域在能源消耗和污染排放方面面临“双重高压”，其协同治理经验对我国西部地区绿色转型及全国碳中和路径具有重要参考意义.

图 1 研究区概况 Fig. 1 Overview of the study area

2 材料与方法 2.1 降碳减污协同效应的评估方法

本文选用修正的耦合协调模型^[28]评价成渝地区双城经济圈144个区县2000~2022年的降碳减污协同效应水平，计算公式如下：

C = \frac{2 \sqrt[]{U_{1} U_{2}}}{U_{1} + U_{2}} = \sqrt[]{[1 - (U_{2} - U_{1})] \frac{U_{1}}{U_{2}}}

(1)

T = a U_{1} + b U_{2}

(2)

D = \sqrt[]{C \times T}

(3)

式中，U₁为碳减排系统的水平，用碳排放量的归一化值表示，U₂为降污系统中PM_2.5的水平，用污染物排放当量的归一化值表示；其中碳排放量单位为t，PM_2.5的单位为μg·m^-3，U₁和U₂均无量纲；C为两系统的耦合度；T为综合协调指数；a和b为权重参数，本文参考前人研究，采用均等权重假设^[29]，即a=b=0.5；D为两系统的耦合协调度；C和D均具有归一化量纲，数值范围均为[0, 1].

2.2 空间格局的分析方法 2.2.1 空间方向性及其结果分析

标准差椭圆是刻画地理要素空间分布特征及其动态演化的核心工具^[30]. 该模型通过定义空间分布主轴系统，定量解析降碳减污协同效应水平的空间格局与演变规律. 其核心参数包括其长半轴、短半轴和偏移方向. 长半轴指示协同效应空间分布的主导方向及其延展性（离散程度），短半轴表征协同效应在次要方向上的分布范围. 方向定义为长半轴从正北方向顺时针旋转的角度，精确刻画空间分布的主趋势方向. 该模型核心参数计算公式如下.

标准差椭圆的中心：

S D E_{x} = \sqrt[]{\frac{\sum_{i = 1}^{n} (x_{i} {- \bar{X})}^{2}}{n}}, S D E_{y} = \sqrt[]{\frac{\sum_{i = 1}^{n} (y_{i} {- \bar{Y})}^{2}}{n}}

(4)

式中，SDE_x和SDE_y为标准差椭圆空间分布的重心坐标；x_i和y_i表示第i个区县的空间位置坐标； $\bar{X}$ 和 $\bar{Y}$ 表示研究区县的算数平均中心；n为研究区县的总个数.

标准差椭圆轴长的标准差距离：

\{\begin{array}{l} σ_{x} = \sqrt[]{2} \sqrt[]{\frac{\sum_{i = 1}^{n} {({\bar{x}}_{i} c o s θ - {\bar{y}}_{i} s i n θ)}^{2}}{n}}, \\ σ_{y} = \sqrt[]{2} \sqrt[]{\frac{\sum_{i = 1}^{n} {({\bar{x}}_{i} s i n θ - {\bar{y}}_{i} c o s θ)}^{2}}{n}} . \end{array}

(5)

式中，σ_x和σ_y分别表示沿x轴（东西）和y轴（南北）方向的空间标准差.

降碳减污协同效应重心计算公式如下：

X = \frac{\sum_{i = 1}^{n} N_{i} \times x_{i}}{\sum_{i = 1}^{n} N_{i}}, Y = \frac{\sum_{i = 1}^{n} N_{i} \times y_{i}}{\sum_{i = 1}^{n} N_{i}}

(6)

式中，X和Y表示降碳减污协同效应的重心坐标；N_i表示第i个区县单元协同效应水平值；x_i和y_i表示第i个区县单元中心的空间位置坐标；n表示单元总数.

重心的迁移可以反映协同效应水平的变动轨迹，利用不同年份重心迁移的距离和角度来描述重心转移规律. 重心迁移及角度计算公式如下：

D_{t} = \sqrt[]{{(x_{t 1} - x_{t 2})}^{2} + {(y_{t 1} - y_{t 2})}^{2}}

(7)

θ_{t} = t = a r c t a n \frac{y_{t 2} - y_{t 1}}{x_{t 2} - x_{t 1}}

(8)

式中，x_ti和y_ti表示ti年的区县重心坐标. 迁移距离D_t反映重心移动的幅度，方向角 $θ_{t}$ （正北为0°，顺时针测量）为移动的主要方位.

2.2.2 空间关联性分析

通过全局Moran’s I 指数分析成渝地区双城经济圈的降碳减污协同效应的空间相关性和整体聚集度. Moran’s I指数的取值区间为[-1, 1]，其统计量大于0时表征研究单元间呈现空间集聚特征，等于0时表明空间随机分布状态，小于0则反映空间离散格局^[31]. 进一步采用局部空间关联指标（LISA）分析空间异质性模式，可识别高高集聚（HH）、低低集聚（LL）、高低离散（HL）、低高离散（LH）及不显著区这5类空间关联类型. 相关计算公式如下.

（1）全局空间自相关

I (d) = \frac{\sum_{i = 1}^{n} \sum_{j \neq 1}^{n} W_{i j} (x_{i} - \bar{x}) (x_{j} - \bar{x})}{s^{2} \sum_{i = 1}^{n} \sum_{j \neq 1}^{n} W_{i j}}

(9)

式中，I（d）为全局莫兰指数， $S^{2} = \frac{1}{n} \sum_{i = 1}^{n} {(x_{i} - \bar{x})}^{2}$ ，n为成渝地区双城经济圈包含的县域尺度总数， $\bar{x}$ 为单元协同水平均值， $x_{i}$ 为空间单元i处的观测值，W_ij为空间邻接矩阵，用于量化地理单元间的空间邻近关系.

（2）局部空间自相关

I_{i} (d) = z_{i} \sum_{j \neq i}^{n} W_{i j} Z_{j}

(10)

式中，I_i（d）为局部莫兰指数，衡量局部空间自相关，n为成渝地区双城经济圈包含的县域尺度总数，Z_i和Z_j为单元属性值的标准化形式，W_ij为行标准化空间权重矩阵.

2.3 区域差异的分析方法

本文依据Dagum（1997）提出的将基尼系数按子群分解的思想，通过比较降碳减污协同效应水平在四川一侧和重庆一侧之间的差异来测量其在地理空间上的不平衡度^[32]. 与传统基尼系数和泰尔指数不同，Dagum基尼系数方法可以将总体差距分解为地区内差距、地区间差距及超变密度，从而更好地揭示空间差距的来源.

（1）Dagum基尼系数的测算框架 G为总体基尼系数，区域j的基尼系数G_jj以及区域j和区域h之间的基尼系数G_jh分别为：

G = \frac{\sum_{j = 1}^{k} \sum_{h = 1}^{k} \sum_{i = 1}^{n_{j}} \sum_{r = 1}^{n_{h}} |y_{j i} - y_{h r}|}{2 n^{2} \bar{y}}

(11)

G_{j j} = \frac{\sum_{i = 1}^{n_{j}} \sum_{r = 1}^{n_{j}} |y_{j i} - y_{j r}|}{2 n_{j}^{2} \bar{y_{j}}}

(12)

G_{j h} = \frac{\sum_{i = 1}^{n_{j}} \sum_{r = 1}^{n_{h}} |y_{j i} - y_{h r}|}{n_{j} n_{h} (\bar{y_{j}} + \bar{y_{h}})}

(13)

式中，G为总体基尼系数，y_ji（y_hr）为j（h）区域内各县域降碳减污协同水平， $\bar{y}$ 为县域降碳减污协同水平均值，n为县域个数，k为区域个数，本文中n为144，k为2，n_j（n_h）为j（h）区域内县域数，j、h为2个区域中不同的区域，且j、h=1，2，i、r为j（h）区域内不同县域，且i、r=1，2，3， $\dots$ .

（2）Dagum基尼系数的分解 Dagum基尼系数通过三层分解模型揭示空间分异的动力来源，分解公式如下：

G = G_{w} + G_{n b} + G_{t}

(14)

式中，G_w表示区域内差异贡献，计算公式为：

G_{w} = \sum_{j = 1}^{2} G_{j j} p_{j} s_{j}

(15)

G_nb表示区域间差异贡献，计算公式为：

G_{n b} = \sum_{j = 2}^{2} \sum_{h = 1}^{j - 1} G_{j h} (p_{j} s_{h} + p_{h} s_{j}) D_{j h}

(16)

G_t表示超变密度差异贡献，计算公式为：

G_{t} = \sum_{j = 2}^{2} \sum_{h = 1}^{j - 1} G_{j h} (p_{j} s_{h} + p_{h} s_{j}) (1 - D_{j h})

(17)

式中， $p_{j} = n_{j} / n$ 为j区内县域数量与n的比值， $s_{j} = (n_{j} {\bar{y}}_{j}) / (n \bar{y})$ ；D_jh为j区域和h区域降碳减污协同的相对影响，计算公式 $D_{j h} = (d_{j h} - p_{j h}) / (d_{j h} + p_{j h})$ ；d_jh和p_jh计算公式为 $d_{j h} = \int_{0}^{\infty} d F_{j} (y) \int_{0}^{y} (y - x) d F_{h} (x) 、 p_{j h} = \int_{0}^{\infty} d F_{h} (y) \int_{0}^{y} (y - x) d F_{j} (x)$ . d_jh为区域间降碳减污协同水平的差值，可以理解为j区域和h区域中满足y_ji-y_hr > 0条件的所有样本值之和的数学期望，p_jh为超变一阶矩，表示j区域和h区域中所有的y_hr-y_ji > 0样本值之和的数学期望；F_j（F_h）为j（h）区域的累计密度分布函数.

2.4 动态演进的分析方法 2.4.1 Kernel核密度分析

核密度估计（kernel density estimation，KDE）是一种非参数估计方法，用于描绘随机变量的概率密度分布形态，尤其适用于分析复杂、未知分布的数据特征^[33]. 假设f（x）是描述目标变量x的潜在概率密度函数，其核密度估计表达式如下：

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

(18)

式中，N为观测样本总数，X_i为第i个观测到的降碳减污协同效应值， $\bar{x}$ 为样本均值统计量，K（）为Kernel核密度函数，该函数具有非负性即K（x）≥0，归一性即 $\int_{- \infty}^{+ \infty} K (x) d x = 1$ 和对称性，以0为中心对称分布. h为平滑参数，平滑参数增大导致密度曲面趋于平稳，反之则局部特征显著. 本文选取较为常用的高斯核函数对成渝地区双城经济圈降碳减污协同效应分布动态进行估计，其表达式为：

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

(19)

高斯核函数满足上述核函数的性质（非负性、归一性和对称性），能够生成平滑连续的密度曲线.

2.4.2 传统和空间马尔可夫链分析

马尔可夫随机系统演化过程的建模，可揭示成渝地区双城经济圈环境治理效能的时空演化轨迹^[34]. 传统马尔可夫链作为一种时间与状态均为离散的Markov序列，描述状态序列的随机变化，具备“无记忆性”特征，即状态转移仅依赖前一状态. 将研究对象分为K种协同效应水平状态类型，通过K×K的状态转移矩阵表示各类型间的转移概率，近似反映成渝地区降碳减污协同效应的演化过程. 跃迁概率矩阵的估计方法采用频数统计法，同时该转移矩阵是基于时间维度上相邻年份t到t+1的状态转移行为计算的，转移概率的计算公式如下：

P_{i j} = N_{i j} ∕ N_{i}

(20)

式中，N_ij表示样本期内t年份处于状态i的区县在t+1年转移至状态j的区县总数，N_i表示所有年份中处于状态j的区县总数. 本文依据四分位数划分标准，将2000~2022年成渝地区降碳减污协同效应水平划分为Ⅰ、Ⅱ、Ⅲ和Ⅳ这4类，类型值越高表示协同效应水平越强，分别计算各类的概率分布与状态转移概率.

传统马尔可夫链未纳入空间因素，但依据地理学第一定律，区县发展并非独立进行，全球化背景下，降碳减污协同效应受邻近地区影响日益显著. 为此，引入空间马尔可夫链分析，融入空间地理因素，刻画空间溢出效应下的动态演进模式. 空间马尔可夫链以K种空间滞后类型为条件，将传统马尔可夫链分解为K个K×K的条件概率转移矩阵. 本文采用邻近距离空间权重矩阵，相邻区县权重设为1，否则为0，分析邻近区县间的空间关联性与协同效应演化趋势^[35]. 通过传统马尔可夫链揭示局部演化路径，结合空间马尔可夫链识别区域间溢出效应与聚类特征，系统评估成渝地区双城经济圈降碳减污协同效应的时空分布与稳定趋势.

2.5 数据来源

本文所使用的数据及其来源如下：首先，成渝地区双城经济圈的区划范围依据《成渝地区双城经济圈国土空间规划》确定，结合全国地理信息资源目录服务系统（https://www.webmap.cn/）发布的1∶100万公众版基础地理信息数据，利用ArcGIS软件进行处理与提取，生成研究所需的县域空间边界. 其次，PM_2.5数据来源于国家科技基础条件平台——国家地球系统科学数据共享服务平台·长江三角洲科学数据中心（http://geodata.nnu.edu.cn）提供的“中国1 km高分辨率高质量逐年PM₂_.₅数据集”. 该数据集在构建过程中融合地基监测、遥感反演、大气再分析资料与模拟数据，运用人工智能方法充分考虑了PM₂_.₅质量浓度的时空异质性，具有较高的精度与可靠性^[36，37]. 最后，碳排放数据采自欧盟EDGAR（Emissions Database for Global Atmospheric Research）发布的全球CO₂排放栅格数据集. 该数据基于国际统计数据（如能源消费、工业生产和农业活动等）与标准排放因子，通过“自上而下”与“自下而上”相结合的技术路径进行估算，在空间分辨率与数据一致性方面均表现出良好的适用性，广泛应用于全球碳排放研究中^[38].

3 结果与分析 3.1 成渝地区双城经济圈降碳减污协同效应时空格局 3.1.1 成渝地区双城经济圈降碳减污协同效应时间特征

基于耦合协调度模型对2000~2022年成渝地区双城经济圈及其四川侧、重庆侧降碳减污协同效应水平进行测算结果显示（见图 2），整体呈现“增长-波动-回落”的演变态势. 总体而言，协同效应水平由2000年的0.256上升至2015年的0.323，年均增幅约1.46%，显示出在降碳减污协同治理方面取得了一定成效；此后至2022年回落至0.262，表明后期协同推进面临一定挑战.

图 2 成渝地区双城经济圈降碳减污协同效应时序演进 Fig. 2 Temporal evolution of carbon reduction and pollution control synergistic effects in the Chengdu-Chongqing Economic Circle

从区域对比看，重庆侧协同水平始终可能高于四川侧. 2000~2010年，两者增速较为接近（年均增速分别约2.76%和2.85%），协同水平分别由0.291和0.245提升至0.393和0.334；此后差异可能逐步扩大. 2000~2005年为快速增长期，整体协同水平由0.256增至0.316，年均增速可能达到3.59%，重庆侧领先四川侧，可能受益于“十五”计划末期及“十一五”初期污染减排政策和基础设施投资力度的提升^[39]. 2005~2015年进入高位波动期，整体协同水平在2015年达到峰值0.323，其中重庆侧在2013年升至0.408，四川侧为0.355. 这一阶段的提升可能得益于2013年“大气十条”的实施、清洁能源利用率的提高以及高新技术产业的加快布局，但同期部分传统产业比例依然较高、能源消费结构调整相对缓慢，可能导致协同效应在局部年份出现波动^[40]. 2015~2022年为回落调整阶段，协同水平波动幅度可能进一步加大，整体值由0.323降至0.262，其中重庆侧降至0.298，四川侧降至0.253. 这一阶段的下降趋势可能与“双碳”目标在初期推进过程中执行力度存在区域差异，以及能源结构调整进程不均衡等因素密切相关.

3.1.2 成渝地区双城经济圈降碳减污协同效应空间分布特征与演化趋势

本文采用自然断点法将成渝地区双城经济圈降碳减污协同效应水平划分为5个等级，以分析其2000~2022年的空间分布特征（见图 3）. 从整体格局来看，呈现出“中高两端、边缘较低”的空间特征，成都、重庆主城区及其周边区域的协同水平显著高于川东北、渝东南等边缘地带. 这一分异可能与核心区域经济基础较好、产业结构优化程度较高以及政策支持力度较大有关，而边缘区域可能由于以传统农业和资源依赖型产业为主，减污降碳压力相对较大.

图 3 成渝地区双城经济圈降碳减污协同效应水平空间分布 Fig. 3 Spatial distribution of carbon reduction and pollution control synergistic effect levels in the Chengdu-Chongqing Economic Circle

具体来看，2000年，成渝地区降碳减污协同效应整体处于较低水平，成都、重庆主城区及少数周边县域的耦合协调度较高，而川西南、川东北和渝东南等地多低于0.15，反映出当时工业化快速推进、环境监管体系尚未完善的状况. 2005年，协同效应有所提升，成都-重庆“双核”及周边高值区范围扩大，耦合协调度达到约0.37，边缘区域略升至0.19，区域分化初步显现，可能与“十一五”规划中污染减排政策开始发挥作用有关. 2010年，高值区进一步扩展，成都-重庆主轴带初步形成，这可能得益于产业结构调整和绿色技术推广，但边缘区域仍处于相对滞后状态. 2015年，高值区呈连片化发展，边缘区域提升至0.22，可能反映出生态文明建设理念的深化以及“大气十条”“水十条”等政策推动了减污降碳协同进程. 2020年后，进入调整期，高值区面积略有收缩，但空间集聚度有所提升，2022年成都、重庆主城区及周边耦合协调度维持在0.43，边缘区域稳定在0.16. 这一变化可能与环境治理体系完善、“双碳”目标及碳市场机制推动重点区域节能减排，以及核心城市服务业比例较高、绿色转型成效显著，而部分边缘地区产业结构单一、转型进程相对缓慢等因素有关^[41].

3.1.3 成渝地区双城经济圈降碳减污协同效应的空间形态与重心演变

基于ArcGIS 10.7软件，根据2000~2022年度中2000年、2005年、2010年、2015年、2020年和2022年这6个年份的成渝地区双城经济圈县域降碳减污协同效应水平来探究上述6个年份的标准差椭圆与降碳减污协同效应重心转移（表 1和图 4）.

表 1 成渝地区双城经济圈降碳减污协同效应标准差椭圆及重心转移数据表 Table 1 Standard deviational ellipse and centroid shift data of carbon reduction and pollution control synergistic effects in the Chengdu-Chongqing Economic Circle

图 4 2000~2022年成渝地区双城经济圈降碳减污协同效应标准差椭圆及重心转移分布 Fig. 4 Distribution of standard deviational ellipses and centroid shifts of carbon reduction and pollution control synergistic effects in the Chengdu-Chongqing Economic Circle from 2000 to 2022

2000~2022年，椭圆长半轴由184.153 km增至184.338 km，短半轴由134.039 km增至137.119 km，表明协同效应的空间分布呈微弱扩张趋势，但整体形态保持西北-东南轴向（方位角均值为87.788°），与成渝城市群交通干线及产业集聚带的空间布局高度耦合^[42].

通过对2000年、2005年、2010年、2015年、2020年和2022年这6个年份的成渝地区双城经济圈降碳减污协同效应空间重心的分析发现，6期数据的地理重心均集中于安岳县辖区，且与该区域的地理中心高度重合. 这一现象表明，研究区降碳减污协同效应的PM_2.5及碳排放源空间分布与总量格局呈现显著的均衡对称特征，反映出经济圈内污染排放与经济活动的地理协同性. 本研究期内方位角呈现"波动收敛"演变态势，数值区间为86.956°~88.070°，整体变动幅度为1.114°，空间稳定性较强.

3.1.4 成渝地区双城经济圈降碳减污协同效应的空间集聚分析

（1）全局空间自相关本文基于2000~2022年成渝地区双城经济圈降碳减污协同效应水平，计算了全局Moran's I指数（见表 2），并进行显著性检验. 结果显示，样本期内Moran's I指数均大于0，且P < 0.01，说明在1%的显著性水平下均通过检验，表明成渝地区降碳减污协同效应具有显著的空间正相关性，总体呈现空间集聚特征. 从变化趋势来看，Moran's I指数由2000年的0.635波动上升至2020年的0.637，2022年降至0.556，反映出空间集聚度在大部分时期有所增强，但后期出现弱化趋势^[43]，高值区与低值区在空间分布上均呈现明显集聚特征.

表 2 成渝地区双城经济圈降碳减污协同效应空间自相关报表 Table 2 Spatial autocorrelation report on the synergistic effects of carbon reduction and pollution control in the Chengdu-Chongqing Economic Circle

（2）局部空间自相关本文利用ArcGIS 10.7软件计算了2000年、2005年、2010年、2015年和2022年成渝地区双城经济圈降碳减污协同效应的局部空间自相关（LISA）指数，并结合Moran's I指数检验其空间集聚模式. 根据模型运行结果，协同效应被划分为高-高（HH）集聚、低-低（LL）集聚、高-低（HL）离散和低-高（LH）离散这4类（见图 5）. 整体上，成渝地区降碳减污协同效应呈现“核心高值、边缘低值”的空间分布格局，空间极化特征明显，且集聚区域随时间呈动态演化趋势.

图 5 成渝地区双城经济圈降碳减污协同效应空间集聚 Fig. 5 Spatial agglomeration of carbon reduction and pollution control synergistic effects in the Chengdu-Chongqing Economic Circle

从空间分布特征看，HH型主要集中在成都平原及重庆主城区，形成以成都和重庆为核心的“双核”高值区；LL型多分布于川东丘陵及三峡库区等地，呈多点分散格局，外围环绕着次低值区；HL型与LH型分布较少，零星分布在核心与边缘之间的过渡地带，表明区域间协同效应差异可能较为显著.

从时序演变趋势看，HH型和LL型区域的数量均有所增加，但演化方向存在差异. 2000~2015年，HH型区域呈扩张态势，核心区由成都、重庆“双核”向外围延伸，可能得益于产业结构升级、清洁能源利用提升以及政策扶持推动了高强度协同效应的外溢^[44]. 2015年后，HH型核心区范围略有收缩，但空间集聚度有所提高，表明高值区内的极化效应可能有所减弱，这可能与资源要素的集中配置及外部政策压力相关. LL型区域在2005年后显著增加，尤其在川东丘陵和三峡库区，由零散分布逐渐向组团式分布转变，可能与近年来生态屏障区持续推进的污染防治与碳减排协同治理措施有关. 但受制于区域发展基础薄弱和绿色产业转型缓慢等因素^[45]，其整体提升动力可能仍显不足.

3.2 成渝地区双城经济圈降碳减污协同效应的区域差异及来源

由成渝地区双城经济圈降碳减污协同效应的时空演变特征可知，该地降碳减污协同存在一定的空间非均衡特征. 为进一步准确衡量成渝地区双城经济圈县域降碳减污协同效应水平的区域差异及来源，本文采用Dagum基尼系数及其分解进行识别.

（1）整体空间非均衡特征根据测度结果，成渝地区双城经济圈降碳减污协同水平的Dagum基尼系数在2000~2022年间从0.221波动增至0.229. 由图 6（a）可见，样本考察期内，成渝地区双城经济圈降碳减污协同水平的整体差距呈现反复波动的非稳定趋势. 2000~2009年，整体差距整体维持在0.212~0.222之间，波动较小；2010~2014年，差距逐渐下降至0.205，并在2015年后开始呈现上升态势；2019~2021年，整体差距显著上升至0.229，达到考察期最高值，且在2022年维持在0.229. 对比差距来源的贡献率[图 6（b）]，考察期内区域内差距的贡献率最高，均值水平达到62.03%，超变密度的均值贡献率为24.19%，区域间差距的均值贡献率为13.78%. 这意味着，内部差异可能是导致成渝地区双城经济圈降碳减污协同水平总体差距的主要来源，其形成可能与成渝两地在产业布局、能源利用结构及资源分配等方面的差异有关.

（a）区域差异变动，（b）区域差异贡献率图 6 成渝地区双城经济圈降碳减污协同效应的区域差异变化 Fig. 6 Regional differences in the changes of carbon reduction and pollution control synergistic effects in the Chengdu-Chongqing Economic Circle

（2）内部与区域间非均衡特征进一步分析发现，在考察期内，成渝地区双城经济圈降碳减污协同水平的区域内差距均值为0.133，区域间差距均值为0.029. 区域内差距在2000~2014年维持在0.127~0.136之间，2015年后呈现波动上升的趋势；区域间差距在2000~2022年间波动于0.024~0.036之间，其中2019年达到最高值0.036. 成渝地区双城经济圈降碳减污协同水平的区域差距不仅体现在区域内部，还存在于区域与区域之间. 考察期内，成渝两地之间的区域间基尼系数均值为0.029，显示出一定的空间分化特征，这可能与两地经济基础和减碳技术水平的差异性有关^[46].

3.3 成渝地区双城经济圈降碳减污协同效应动态演进 3.3.1 Kernel核密度估计

为进一步分析成渝地区双城经济圈降碳减污协同效应的动态时序演变特征，本文使用Matlab2024a软件，取高斯核密度函数，令ρ=0.05，绘制成渝地区双城经济圈降碳减污协同效应Kernel密度估计三维图（见图 7）.

图 7 成渝地区双城经济圈降碳减污协同效应的核密度估计 Fig. 7 Kernel density estimation of carbon reduction and pollution control synergistic effects in the Chengdu-Chongqing Economic Circle

在分布位置上，整体区域的核密度曲线在2000~2010年间明显右移，峰值由协同水平约0.2提升至0.4左右，说明整体协同效应水平显著提高. 这一时期与国家“十一五”“十二五”期间节能减排和大气污染防治政策密集出台高度吻合，如二氧化硫减排工程、大气污染联防联控机制建设和重点行业节能改造等，为污染物和碳排放的同步下降提供了有力支撑^[47，48]. 2010年后曲线位置逐渐左移至0.3附近，表明整体协同水平有所回落，可能与部分减排任务阶段性完成、治理投入重心向经济稳增长倾斜以及“双碳”目标初期政策体系尚未完全落地有关. 四川与重庆的分布位置变化趋势与整体一致，但四川的右移幅度略大，表明前期提升速度相对更快；而重庆在后期的左移程度相对较弱，降碳减污协同效应下降幅度较小.

在分布态势上，整体曲线由早期的单峰高峰逐渐向双峰结构演化，尤其在2015年后低协同水平和高协同水平的双峰并存现象显著，反映出区域内部在协同效应水平上的分化加剧. 四川在中后期双峰分化更为明显，高协同水平峰值更集中，低协同水平峰值相对分散；而重庆的分化程度较弱，高协同水平峰值持续保持一定优势.

在分布延展性上，整体曲线宽度在前期有所扩展，说明不同地区协同效应提升幅度差异较大；后期曲线宽度收窄，意味着协同效应的差距在一定程度上缩小. 这种收敛在重庆表现更为明显，而四川在后期仍保留一定的分布宽度，显示出不同地区在协同水平提升上的不均衡性仍然存在.

3.3.2 马尔可夫链分析

为进一步揭示成渝地区双城经济圈降碳减污协同效应的动态演化特征，本文分别采用传统马尔可夫链模型与空间马尔可夫链模型，并利用Matlab 2024a软件进行计算，结果如表 3所示. 传统马尔可夫链分析表明，成渝地区双城经济圈144个区县的协同效应具有显著的状态稳定性特征. 表中对角线元素显著高于非对角线元素，维持原有状态的概率最低为86.1%（Ⅲ类型），最高为93.0%（Ⅳ类型），均远高于向其他状态转移的概率.其中Ⅰ类型（92.6%）与Ⅳ类型（93.0%）的稳定性尤为突出，说明“低协同区域”和“高协同区域”均呈现出较强的空间集聚与锁定效应. 其次，整体协同水平的纵向提升空间有限. 在一期转移中，Ⅱ类型向上转移的概率最低，仅为6.8%，Ⅰ、Ⅲ和Ⅳ类型的向上转移概率也仅为7.3%、7.3%和7.0%；跨两期的向上转移概率几乎为0（0%~0.1%），反映出协同水平演进具有稳定微升的特征. 再次，状态间的跨越式跃迁难度较大. 表中非0值集中分布于对角线及其邻近单元，跨类别转移概率接近于0，表明区域协同水平的演化呈渐进式推进，短期内难以实现显著跃升^[49]，要实现较大幅度的提升仍需持续的政策引导和体制机制创新.

表 3 成渝地区双城经济圈降碳减污协同效应的传统与空间马尔可夫转移概率矩阵^1） Table 3 Traditional and spatial Markov transition probability matrices of carbon reduction and pollution control synergistic effects in the Chengdu-Chongqing Economic Circle

在引入空间邻域因素后，空间马尔可夫链分析进一步揭示了邻域类型对状态锁定的显著影响. 当邻域类型较低（如Ⅰ类型）时，本区县的维持概率普遍升高，例如Ⅰ类型在Ⅰ邻域下的稳定概率高达94.7%；相反，当邻域类型较高（如Ⅳ类型）时，部分类型的稳定性下降，如Ⅲ类型在Ⅳ邻域下的稳定概率降至87.8%. 此外，邻域类型对转移方向具有明显引导作用. 与高类型邻域接壤的区县，其向上转移概率显著提高，而与低类型邻域相邻时，向上转移概率则有所下降. 这表明空间溢出效应在一定程度上有助于低协同区域的水平提升. 最后，空间邻域作用下的转移概率分布特征与传统马尔可夫链基本一致，非0值依旧集中在对角线两侧，显示无论邻域类型如何，成渝地区降碳减污协同效应的跨类别跃迁依然困难，演化过程仍以稳态延续为主.

4 讨论

成渝地区双城经济圈降碳减污协同效应在研究期内表现出明显的阶段性演进特征与空间异质性. 从时间演变特征来看，2000~2022年区域整体协同效应呈现“快速提升-高位波动-分化调整”的演变趋势. 具体而言，早期协同水平快速提升阶段与区域环境治理政策密集出台期高度吻合，这与其他典型城市群（如京津冀和长三角）的研究发现类似，印证了政策驱动对于协同治理的积极作用^[50~53]. 然而，与以往一些研究强调的协同效应稳步提升或持续稳定的结果有所不同^[54，55]，成渝地区双城经济圈在2015年后表现出显著的波动下降趋势. 这种特殊变化可能与该区域产业转型相对滞后、经济结构调整困难及政策执行力度不均衡有关^[56，57]，提示未来协同治理政策不仅要注重短期的环境治理目标，也应注重经济结构调整的配套支持.

空间格局方面，高水平协同区集中分布于成都平原和重庆主城区，形成明显的“双核-轴带”空间结构，边缘地区长期处于低协同水平. 这一空间特征与前人研究中指出的城市群内部资源、产业与政策分布密切相关的结论高度一致^[58，59]，但本文进一步发现标准差椭圆与重心转移结果显示20余a内协同效应空间重心始终稳定于四川安岳县附近，空间扩散有限，这与某些研究强调的城市群协同效应空间扩散明显的结论存在差异^[60]. 此外，空间自相关分析进一步揭示了显著的正空间相关性，体现出明显的空间集聚效应和路径依赖特征. 这提示未来区域协同治理需进一步加强空间精准施策和区域协同联动机制，打破区域空间发展的路径依赖与极化趋势，提升边缘地区的治理水平.

在区域差异层面，Dagum基尼系数分解结果揭示成渝地区降碳减污协同效应的区域内差异远大于区域间差异，组内差异长期占据差异贡献的主导地位. 尤其值得注意的是重庆内部的区县差异明显高于四川，显示区域内产业结构、技术基础和政策资源的不均衡程度更高. 这一发现与传统更多关注区域间差异的研究结论形成鲜明对比^[61，62]. 相比于过往强调区域之间协同治理的研究，本文的这一结论提示未来的协同治理政策制定过程中不能仅停留在省际或跨市尺度，而应更加深入到县域尺度，精准解决治理能力薄弱县域的结构性短板，提升区域内部治理资源的有效配置与协同效应的整体水平^[63~65].

从动态演进角度，本文通过Kernel核密度估计和马尔可夫链分析发现，成渝地区协同效应逐步由单峰分布演变为双峰分布，呈现出明显的区域内极化趋势. 与以往研究中认为城市群内部治理状态逐渐趋同的结论形成明显差异^[66~68]. 传统马尔可夫链结果进一步表明，低协同状态的县域状态跃迁概率非常低，体现出明显的路径锁定效应；空间马尔可夫链则发现，高协同状态的邻域能够提高区域跃迁概率，但整体跨级跃迁概率仍然极低，说明治理效应的空间溢出受到明显的局限^[69，70]. 以上发现提示未来治理政策需要进一步建立跨区域合作平台和长期的纵向激励机制，以有效撬动低协同地区的跃迁动能，并逐步打破区域治理效应的路径锁定困境.

尽管本文在揭示成渝地区双城经济圈降碳减污协同效应的时空格局、区域差异和动态演进方面取得了一定进展，但仍存在两方面的局限. 首先，研究在污染物选择上仅聚焦于PM_2.5和碳排放，虽能反映主要环境压力来源，但未能涵盖如臭氧、氮氧化物等其他关键污染物，指标体系存在一定单一性，后续研究可在数据可得性提升基础上，构建更加综合的协同效应衡量框架. 其次，本文主要从描述性角度刻画了协同效应的演变特征，尚未深入探究其背后的驱动机制与影响因素，未来可引入地理加权回归、地理探测器等空间计量方法，进一步识别自然条件、产业结构和治理能力等因素对协同效应形成与演变的影响，以丰富研究的解释力和应用价值.

5 结论

（1）在时空格局方面，区域整体协同效应呈现“快速提升-高位波动-分化调整”的阶段性演变趋势. 空间上表现出显著的“双核-轴带”分布特征，高协同效应区长期集中在成都平原与重庆主城区，边缘区则维持较低协同水平，标准差椭圆与重心转移分析进一步表明空间分布结构长期稳定，空间扩散效应有限. 此外，协同效应表现出明显的空间正相关性，区域协同发展表现出显著的空间集聚和路径依赖特征.

（2）在区域差异方面，整体区域差异以区域内部（组内）差异为主导，Dagum基尼系数分解结果表明组内差异的贡献率长期超过60%，显著高于区域间差异和超变密度贡献率，重庆内部差异尤为明显. 这意味着区域内部经济结构、治理资源配置和政策实施效果的不均衡，成为当前成渝地区双城经济圈协同治理的关键瓶颈.

（3）在动态演进方面，Kernel核密度估计结果揭示协同效应分布结构逐渐由单峰演化为双峰，表现出明显的空间极化特征；传统马尔可夫链与空间马尔可夫链分析进一步发现区域协同状态具有较强的路径依赖，低水平区域跃迁难度极大，状态固化倾向明显，空间邻域效应则一定程度提升了区域状态的跃迁可能性，但整体跃迁幅度有限. 这提示协同治理政策需要更精准地关注区域跃迁能力建设与跨区域治理机制的强化.

参考文献

[1]	黄海昕, 郭俊华. 国家低碳战略协同的减污降碳效应[J]. 经济问题, 2024(12): 45-57. Huang H X, Guo J H. The effect of national low-carbon strategy coordination on pollution reduction and carbon emission reduction[J]. On Economic Problems, 2024(12): 45-57.
[2]	Liu K, Ren G X, Dong S M, et al. The synergy between pollution reduction and carbon reduction in Chinese cities and its influencing factors[J]. Sustainable Cities and Society, 2024, 106. DOI:10.1016/j.scs.2024.105348
[3]	贯君, 刘旭, 关雨薇, 等. 城市群减污降碳协同增效的空间关联网络特征分析[J]. 环境科学, 2026, 47(3): 1595-1608. Guan J, Liu X, Guan Y W, et al. Analysis of spatial correlation network characteristics of synergistic effects in pollution reduction and carbon mitigation in urban agglomerations[J]. Environmental Science, 2026, 47(3): 1595-1608.
[4]	Wang K W, Fang C L. Revealing the synergy between carbon reduction and pollution control in the process of new-type urbanization: evidence from China's five major urban agglomerations[J]. Sustainable Cities and Society, 2025, 120. DOI:10.1016/j.scs.2025.106154
[5]	Chen S Y, Tan Z X, Wang J Y, et al. Spatial and temporal evolution of synergizing the reduction of pollution and carbon emissions and examination on comprehensive pilot effects-evidence from the national eco-industrial demonstration parks in China[J]. Environmental Impact Assessment Review, 2023, 101. DOI:10.1016/j.eiar.2023.107147
[6]	Guo M, Chen B Z, Hamm N. Analysis of the spatiotemporal heterogeneity of drivers on province-level synergy of air pollution control and carbon mitigation in China[A]. In: ISPRS Annals of the Photogrammetry, Remote Sensing and Spatial Information Sciences[C]. Cairo: ISPRS, 2023. 509-516.
[7]	Dong F, Yu B L, Pan Y L. Examining the synergistic effect of CO₂ emissions on PM_2.5 emissions reduction: evidence from China[J]. Journal of Cleaner Production, 2019, 223: 759-771. DOI:10.1016/j.jclepro.2019.03.152
[8]	Xue W B, Lei Y, Liu X, et al. Synergistic assessment of air pollution and carbon emissions from the economic perspective in China[J]. Science of the Total Environment, 2023, 858. DOI:10.1016/j.scitotenv.2022.159736
[9]	Guo M, Hamm N A S, Chen B Z. Understanding air pollution reduction from the perspective of synergy with carbon mitigation in China from 2008 to 2017[J]. Journal of Environmental Management, 2024, 367. DOI:10.1016/j.jenvman.2024.122017
[10]	李薇, 董艳艳, 卢晗, 等. "十三五"规划碳减排目标下碳交易机制的博弈分析[J]. 中国环境科学, 2016, 36(9): 2857-2864. Li W, Dong Y Y, Lu H, et al. A game analysis on carbon trade under carbon mitigation targets during the 13^th Five-Year plan period[J]. China Environmental Science, 2016, 36(9): 2857-2864.
[11]	白雪洁, 宋培, 王宝璐. 碳排放交易制度的节能减排路径: 效率提升还是结构转型?——来自中国省级数据的准自然实验[J]. 商业经济与管理, 2021(8): 70-85. Bai X J, Song P, Wang B L. Energy saving and emission reduction path of carbon emission trading system: efficiency improvement or structural transformation?——Quasi natural experiments based on provincial data in China[J]. Journal of Business Economics, 2021(8): 70-85.
[12]	曹翔, 苏馨儿. 碳排放权交易试点政策是否促进了碳中和技术创新?[J]. 中国人口·资源与环境, 2023, 33(7): 94-104. Cao X, Su X E. Has the carbon emissions trading pilot policy promoted carbon neutrality technology innovation?[J]. China Population Resources and Environment, 2023, 33(7): 94-104.
[13]	窦晓铭, 庄贵阳. 碳排放权交易政策评估及机制研究综述[J]. 生态经济, 2022, 38(10): 45-52. Dou X M, Zhuang G Y. Review of research on policy assessment and mechanism of carbon emission trading scheme[J]. Ecological Economy, 2022, 38(10): 45-52.
[14]	裴金铃, 杨晓, 罗千里, 等. 工业园减污降碳协同效应评价体系与实证研究[J]. 环境工程学报, 2024, 18(11): 3340-3347. Pei J L, Yang X, Luo Q L, et al. The evaluation system and empirical research on the synergistic effect of pollution reduction and carbon mitigation in industrial parks[J]. Chinese Journal of Environmental Engineering, 2024, 18(11): 3340-3347.
[15]	Liao N, Luo X, He Y. Could environmental regulation effectively boost the synergy level of carbon emission reduction and air pollutants control? Evidence from industrial sector in China[J]. Atmospheric Pollution Research, 2024, 15(8). DOI:10.1016/j.apr.2024.102173
[16]	Tian J L, Fu S Y, Peng J C, et al. Synergies of air pollution and carbon reduction and their impact pathways in China's industrial sector[J]. Environment, Development and Sustainability, 2025, 107. DOI:10.1007/s10668-025-06155-x
[17]	姜培学, 金红光. 面向"双碳"目标的能源转化利用领域前沿交叉战略研究[J]. 科学通报, 2024, 69(34): 5007-5015. Jiang P X, Jin H G. A strategic study of interdisciplinary frontier in the field of energy conversion and utilization for the "dual carbon" goals[J]. Chinese Science Bulletin, 2024, 69(34): 5007-5015.
[18]	Bilgen S. Structure and environmental impact of global energy consumption[J]. Renewable and Sustainable Energy Reviews, 2014, 38: 890-902. DOI:10.1016/j.rser.2014.07.004
[19]	Hu Y J, Zhang R, Wang H L, et al. Synergizing policies for carbon reduction, energy transition and pollution control: evidence from Chinese power generation industry[J]. Journal of Cleaner Production, 2024, 436. DOI:10.1016/j.jclepro.2023.140460
[20]	Jiao J D, Huang Y, Liao C P. Co-benefits of reducing CO₂ and air pollutant emissions in the urban transport sector: a case of Guangzhou[J]. Energy for Sustainable Development, 2020, 59: 131-143. DOI:10.1016/j.esd.2020.10.005
[21]	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
[22]	Bai C Q, Zhou L, Xia M L, et al. Analysis of the spatial association network structure of China's transportation carbon emissions and its driving factors[J]. Journal of Environmental Management, 2020, 253. DOI:10.1016/j.jenvman.2019.109765
[23]	Gambhir A, Tse L K C, Tong D L, et al. Reducing China's road transport sector CO₂ emissions to 2050: technologies, costs and decomposition analysis[J]. Applied Energy, 2015, 157: 905-917. DOI:10.1016/j.apenergy.2015.01.018
[24]	锁利铭, 扶雪琴. 国家级新区跨域协同创新的空间生产——基于成渝地区的案例研究[J]. 华南师范大学学报(社会科学版), 2025(1): 20-34. Suo L M, Fu X Q. Spatial production and mechanism of cross-regional collaborative innovation in state-level new area——A case study based on the Chengdu-Chongqing urban agglomeration[J]. Journal of South China Normal University (Social Science Edition), 2025(1): 20-34.
[25]	邓元杰, 马爱婷, 明鹭, 等. 基于可解释性机器学习的成渝地区双城经济圈生态系统服务价值时空特征与驱动机制分析[J]. 环境科学, 2026, 47(3): 1883-1896. Deng Y J, Ma A T, Ming L, et al. Spatiotemporal dynamics and driving mechanisms of ecosystem service value in the Chengdu-Chongqing economic circle revealed by interpretable machine learning[J]. Environmental Science, 2026, 47(3): 1883-1896.
[26]	唐代芬. 成渝经济区生态农业对区域经济影响分析[J]. 中国农业资源与区划, 2018, 39(6): 99-103. Tang D F. Analysis on the impact of ecological agriculture in Chengyu economic zone[J]. Chinese Journal of Agricultural Resources and Regional Planning, 2018, 39(6): 99-103.
[27]	杨占锋, 段小梅. 产业结构变迁对经济增长质量的影响效应——基于成渝经济区全要素生产率贡献的分析[J]. 地域研究与开发, 2019, 38(1): 39-44. Yang Z F, Duan X M. Effect of industrial structure change to quality of economic growth: a study on contribution of TFP in Chengdu-Chongqing economic zone[J]. Areal Research and Development, 2019, 38(1): 39-44.
[28]	王雅楠, 李冰迅, 张艺芯, 等. 中国减污降碳协同效应时空特征与影响因素[J]. 环境科学, 2024, 45(9): 4993-5002. Wang Y N, Li B X, Zhang Y X, et al. Spatiotemporal characteristics and influencing factors of the synergistic effect of pollution reduction and carbon reduction in China[J]. Environmental Science, 2024, 45(9): 4993-5002. DOI:10.13227/j.hjkx.202308108
[29]	Yang X, Ran G G. Factors influencing the coupled and coordinated development of cities in the Yangtze River Economic Belt: a focus on carbon reduction, pollution control, greening, and growth[J]. Journal of Environmental Management, 2024, 370. DOI:10.1016/j.jenvman.2024.122499
[30]	毛丰付, 高雨晨, 周灿. 长江经济带数字产业空间格局演化及驱动因素[J]. 地理研究, 2022, 41(6): 1593-1609. Mao F F, Gao Y C, Zhou C. Evolution characteristics of spatial patterns of digital industry and its driving factors in the Yangtze River Economic Belt[J]. Geographical Research, 2022, 41(6): 1593-1609.
[31]	Anselin L. Interactive techniques and exploratory spatial data analysis[J]. Regional Research Institute Working Papers, 1996, 200: 253-266.
[32]	秦金龙, 于森, 朱永华, 等. 超大城市水资源利用效率综合评价及优化策略[J]. 南水北调与水利科技(中英文), 2025, 23(3): 507-516. Qin J L, Yu S, Zhu Y H, et al. Comprehensive evaluation and optimization strategy of water resources utilization efficiency in megacities[J]. South-to-North Water Transfers and Water Science & Technology, 2025, 23(3): 507-516.
[33]	丁树芳, 王远, 董战峰, 等. 中国化工产业碳排放效率时空演变及影响因素[J]. 中国环境科学, 2025, 45(6): 3508-3521. Ding S F, Wang Y, Dong Z F, et al. Spatiotemporal evolution and influencing factors of carbon emission efficiency in China's chemical industry[J]. China Environmental Science, 2025, 45(6): 3508-3521.
[34]	刘忠宇, 热孜燕·瓦卡斯. 中国农业高质量发展的地区差异及分布动态演进[J]. 数量经济技术经济研究, 2021, 38(6): 28-44. Liu Z Y, Wakasi R. A research of the regional disparities and distributional dynamic evolution of High-quality agricultural development in China[J]. The Journal of Quantitative & Technical Economics, 2021, 38(6): 28-44.
[35]	张伟志, 陈学刚. 黄河流域低碳经济转型的时空格局、区域差异及动态演进[J]. 环境科学, 2025, 46(9): 5554-5565. Zhang W Z, Chen X G. Spatiotemporal pattern, regional disparities, and dynamic evolution of low-carbon economic transition in the yellow river basin[J]. Environmental Science, 2025, 46(9): 5554-5565. DOI:10.13227/j.hjkx.202408140
[36]	Wei J, Li Z Q, Lyapustin A, et al. Reconstructing 1-km-resolution high-quality PM_2.5 data records from 2000 to 2018 in China: spatiotemporal variations and policy implications[J]. Remote Sensing of Environment, 2021, 252. DOI:10.1016/j.rse.2020.112136
[37]	Wei J, Li Z Q, Cribb M, et al. Improved 1 km resolution PM_2.5 estimates across China using enhanced space–time extremely randomized trees[J]. Atmospheric Chemistry and Physics, 2020, 20(6): 3273-3289. DOI:10.5194/acp-20-3273-2020
[38]	Crippa M, Guizzardi D, Pagani F, et al. Insights into the spatial distribution of global, national, and subnational greenhouse gas emissions in the emissions database for global atmospheric research (EDGAR v8.0)[J]. Earth System Science Data, 2024, 16(6): 2811-2830. DOI:10.5194/essd-16-2811-2024
[39]	Xiang S J, Huang X J, Lin N N, et al. Synergistic reduction of air pollutants and carbon emissions in Chengdu-Chongqing urban agglomeration, China: spatial-temporal characteristics, regional differences, and dynamic evolution[J]. Journal of Cleaner Production, 2025, 493. DOI:10.1016/j.jclepro.2025.144929
[40]	郭文强, 史瑞雪, 雷明. "双碳"目标下经济高质量发展与碳排放水平协调发展的时空耦合分析[J]. 环境工程技术学报, 2024, 14(6): 1798-1810. Guo W Q, Shi R X, Lei M. Spatio-temporal coupling coordination between high-quality economic development and carbon emission levels under the goal of carbon peaking and carbon neutrality[J]. Journal of Environmental Engineering Technology, 2024, 14(6): 1798-1810.
[41]	Wang H Z, Liu T, He X, et al. Synergy of carbon - pollution - ecology——the future of synergetic reduction of pollution and carbon emissions[J]. Environmental Impact Assessment Review, 2025, 114. DOI:10.1016/j.eiar.2025.107931
[42]	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.
[43]	任晓松, 梁宇琪, 赵敏, 等. 中国建筑业减污降碳协同效应的空间收敛性及驱动因素分析[J]. 环境科学研究, 2025, 38(4): 724-735. Ren X S, Liang Y Q, Zhao M, et al. Analysis of spatial convergence and driving factors of synergistic effects of pollution and carbon reduction in China's construction industry[J]. Research of Environmental Sciences, 2025, 38(4): 724-735.
[44]	张瑜, 孙倩, 薛进军, 等. 减污降碳的协同效应分析及其路径探究[J]. 中国人口·资源与环境, 2022, 32(5): 1-13. Zhang Y, Sun Q, Xue J J, et al. Synergistic effects of pollution control and carbon reduction and their pathways[J]. China Population, Resources and Environment, 2022, 32(5): 1-13.
[45]	Ma P P, Zhang M, Wu W Q, et al. Synergistic efficiency in pollution and carbon reduction: measurement, evolution, and pathways in Chinese cities[J]. Environmental Impact Assessment Review, 2025, 113. DOI:10.1016/j.eiar.2025.107879
[46]	邵汉华, 王庆祥, 何铿辉. 绿色技术创新对省域减污与降碳协同水平的影响及其驱动机制[J]. 经济地理, 2025, 45(1): 17-24, 35. Shao H H, Wang Q X, He K H. Impact of green technology innovation on the cooperation level of provincial-level pollution reduction and carbon reduction and its driving mechanism[J]. Economic Geography, 2025, 45(1): 17-24, 35.
[47]	Yang T T, Yi L, Yan S, et al. Synergy of pollution reduction and carbon abatement of the 8 urban agglomerations in China: status, dynamic evolution, and spatial-temporal characteristics[J]. Resources Policy, 2024, 95. DOI:10.1016/j.resourpol.2024.105180
[48]	胡剑波, 周宗康, 李潇潇. 中国降碳减污扩绿增长的时空分异及收敛性研究[J]. 长江流域资源与环境, 2025, 34(1): 166-180. Hu J B, Zhou Z K, Li X X. Spatial-temporal differentiation and convergence of cutting carbon dioxide emissions, reducing pollution, expanding green development and pursuing economic growth in China[J]. Resources and Environment in the Yangtze Basin, 2025, 34(1): 166-180.
[49]	王静, 白文超, 蔚筱偲. 建筑业高质量发展与生态韧性耦合协调度的时空分布格局与动态演进[J]. 环境科学, 2026, 47(2): 972-986. Wang J, Bai W C, Yu X S. Spatial-temporal distribution pattern and dynamic evolution of the coupling coordination degree between high-quality development of the construction industry and ecological resilience[J]. Environmental Science, 2026, 47(2): 972-986. DOI:10.13227/j.hjkx.202502009
[50]	赵宸, 崔姹, 王明利. 京津冀地区农业减污降碳增效协同: 时空演变及影响因素研究[J]. 中国农业资源与区划, 2025, 46(10): 92-106. Zhao C, Cui C, Wang M L. Synergy of agricultural pollution reduction and carbon reduction in Beijing-Tianjin-Hebei region: temporal and spatial evolution and influencing factors[J]. Chinese Journal of Agricultural Resources and Regional Planning, 2025, 46(10): 92-106.
[51]	王菲, 格桑卓玛, 朱晓东. 长三角工业减污降碳时空演变及其影响因素研究[J]. 环境科学研究, 2024, 37(4): 661-671. Wang F, Ge S Z M, Zhu X D. Analysis of spatial-temporal evolution and driving forces of industrial air pollutants and carbon dioxide emission reduction in the Yangtze River Delta[J]. Research of Environmental Sciences, 2024, 37(4): 661-671.
[52]	陈小龙, 狄乾斌, 吴洪宇. 中国沿海城市群减污降碳协同增效时空演变及影响因素[J]. 热带地理, 2023, 43(11): 2060-2074. Chen X L, Di Q B, Wu H Y. Spatial-temporal evolution and influencing factors of synergy in pollution and carbon reduction in China's coastal urban agglomerations[J]. Tropical Geography, 2023, 43(11): 2060-2074.
[53]	李云燕, 杜文鑫. 京津冀城市群减污降碳时空特征及影响因素异质性分析[J]. 环境工程技术学报, 2023, 13(6): 2006-2015. Li Y Y, Du W X. Spatial and temporal characteristics and the heterogeneity of influencing factors of the synergism of pollution and carbon emissions reduction in Beijing-Tianjin-Hebei urban agglomeration[J]. Journal of Environmental Engineering Technology, 2023, 13(6): 2006-2015.
[54]	张雪纯, 曹霞, 宋林壕. 中国减污降碳效率测度及影响因素研究——基于超效率SBM-Tobit模型[J]. 生态经济, 2023, 39(10): 174-183. Zhang X C, Cao X, Song L H. Study on measurement and influencing factors of air pollution and carbon reduction efficiency in China based on super SBM and Tobit models[J]. Ecological Economy, 2023, 39(10): 174-183.
[55]	Feng P J, Lu T Y, Yu Y G, et al. Effects measurement and spatial differentiation in synergy between pollution and carbon reduction in national urban agglomerations[J]. PLoS One, 2023, 18(9). DOI:10.1371/journal.pone.0289801
[56]	陈堂, 陈光, 陈鹏羽. 成渝地区双城经济圈数字化要素对产业结构升级的空间效应[J]. 科技管理研究, 2024, 44(12): 85-93. Chen T, Chen G, Chen P Y. The spatial effect of digital elements in the Chengdu-Chongqing Economic Circle empowering the upgrading of industrial structure[J]. Science and Technology Management Research, 2024, 44(12): 85-93.
[57]	韩成龙, 朱创业. 基于GBDT的成渝地区双城经济圈产业结构空间化[J]. 遥感信息, 2024, 39(4): 125-133. Han C L, Zhu C Y. Spatialization of industrial structure of Chengdu-Chongqing Economic Circle based on GBDT[J]. Remote Sensing Information, 2024, 39(4): 125-133.
[58]	金帅, 吴涛. 中国减污降碳协同的时空演化特征及其影响因素分析[J]. 生态经济, 2025, 41(3): 184-192. Jin S, Wu T. Analysis of spatio-temporal evolution and influencing factors of synergistic pollution control and carbon reduction in China[J]. Ecological Economy, 2025, 41(3): 184-192.
[59]	杨晓军, 薛洪畅. 中国城市减污降碳协同效应的时空演变格局及影响因素[J]. 环境科学, 2026, 47(2): 690-700. Yang X J, Xue H C. Spatiotemporal evolution pattern and influencing factors of synergistic effect of urban pollution reduction and carbon reduction in China[J]. Environmental Science, 2026, 47(2): 690-700.
[60]	Chen X L, Di Q B, Jia W H, et al. Spatial correlation network of pollution and carbon emission reductions coupled with high-quality economic development in three Chinese urban agglomerations[J]. Sustainable Cities and Society, 2023, 94. DOI:10.1016/j.scs.2023.104552
[61]	连艳琼, 施生旭. 粤闽浙沿海城市群减污降碳协同治理评价研究[J]. 环境科学与技术, 2024, 47(8): 217-227. Lian Y Q, Shi S X. Evaluation research on synergistic governance of pollution and carbon reduction in coastal urban agglomerations of Guangdong, Fujian and Zhejiang provinces[J]. Environmental Science & Technology, 2024, 47(8): 217-227.
[62]	安博文, 许培源, 黄寰, 等. 中国协同推进降碳减污扩绿增长的绩效评估及空间差距演变——基于人与自然和谐共生的系统观[J]. 经济问题探索, 2024(10): 115-135. An B W, Xu P Y, Huang H, et al. Performance evaluation and spatial gap evolution of China's carbon reduction, pollution reduction and green growth——based on the systemic conception of the harmony between humanity and nature[J]. Inquiry into Economic Issues, 2024(10): 115-135.
[63]	崔连标, 李宇, 段梅. 中部六省减污降碳时空演变特征及驱动因素研究[J]. 郑州轻工业大学学报(社会科学版), 2025, 26(1): 39-49. Cui L B, Li Y, Duan M. Research on the spatiotemporal evolution characteristics and driving factors of pollution reduction and carbon emission reduction in six central provinces[J]. Journal of Zhengzhou University of Light Industry (Social Science Edition), 2025, 26(1): 39-49.
[64]	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.
[65]	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
[66]	王奕淇, 张华玮. 中国城市碳排放强度时空跃迁、收敛趋势及驱动因素[J]. 环境科学, 2025, 46(11). Wang Y Q, Zhang H W. Spatiotemporal transition, convergence trend, and driving factors of urban carbon emission intensity in China[J]. Environmental Science, 2025, 46(11). DOI:10.13227/j.hjkx.202410060
[67]	Duan Z C, Wei T, Xie P, et al. Co-benefits and influencing factors exploration of air pollution and carbon reduction in China: based on marginal abatement costs[J]. Environmental Research, 2024, 252. DOI:10.1016/j.envres.2024.118742
[68]	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 W T, Liu M Z, Li L J. 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. DOI:10.13227/j.hjkx.202406158
[69]	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
[70]	Dong Z Y Z, Xia C Y, Fang K, et al. Effect of the carbon emissions trading policy on the co-benefits of carbon emissions reduction and air pollution control[J]. Energy Policy, 2022, 165. DOI:10.1016/j.enpol.2022.112998


环境科学 2026, Vol. 47 Issue (8): 5300-5313	PDF