中国四大城市群碳排放的时空演化与影响因素

引用本文

吴海鹏, 李桥兴. 中国四大城市群碳排放的时空演化与影响因素[J]. 环境科学, 2026, 47(9): 5889-5906.

WU Hai-peng, LI Qiao-xing. Spatiotemporal Evolution and Influencing Factors of Carbon Emissions in China's Four Major Urban Agglomerations[J]. Environmental Science, 2026, 47(9): 5889-5906.

中国四大城市群碳排放的时空演化与影响因素

吴海鹏, 李桥兴

贵州大学管理学院，喀斯特地区发展战略研究中心，贵阳 550025

收稿日期: 2025-06-27; 修订日期: 2025-09-28

基金项目: 贵州大学人文社会科学年度项目（GDZD 2024002，GDJD 202401）

作者简介: 吴海鹏（1996~），男，硕士研究生，主要研究方向为区域碳排放评估与优化、管理科学与大数据分析，E-mail：wuharper@163.com

通信作者: 李桥兴, E-mail：qxli@gzu.edu.cn

摘要: 在“碳达峰、碳中和”战略目标引导下，深入揭示中国主要城市群碳排放的时空演化特征与驱动因素具有重要意义. 基于多源遥感数据构建融合夜间灯光指数与能源统计数据反演2000~2022年京津冀、长三角、珠三角和成渝四大城市群的碳排放，并结合碳排放强度与人均碳排放探讨其时空演变特征与区域差异. 同时采用对数平均迪氏指数（LMDI）分解法探讨碳排放驱动因素的变化规律. 结果表明，四大城市群碳排放总量整体呈现快速增长后增速放缓的演变趋势；碳排放空间格局由核心城市高密度集聚向周边扩散但区域内部排放趋于均衡；碳排放强度普遍下降，长三角与珠三角下降幅度平稳，京津冀降幅显著但碳排放强度水平持高；人均碳排放水平随经济发展呈现多样化演变特征，长三角和京津冀整体经历跨区间转变，珠三角始终保持在较低区间且变化平稳，成渝则表现出在区间内较大的波动；经济增长仍为碳排放增长的主要动力，人口规模效应减弱，工业能源效率提升和产业结构优化为重要抑制因素，能源结构调整贡献逐步显现. 综上，四大城市群碳排放演化体现出增长减缓、空间扩散与区域异质性并存的趋势，未来应因地施策强化低碳转型路径的协同推进.

关键词: 碳排放能源消费时空演化影响因素融合夜间灯光指数城市群

Spatiotemporal Evolution and Influencing Factors of Carbon Emissions in China's Four Major Urban Agglomerations

WU Hai-peng , LI Qiao-xing

Research Center of Development Strategy in Karst Region, School of Management, Guizhou University, Guiyang 550025, China

Abstract: Guided by the national strategic goals of carbon peaking and carbon neutrality, it is of great significance to investigate the spatiotemporal evolution characteristics and driving factors of carbon emissions in China's major urban agglomerations. Based on the integrated nighttime light index and energy statistical data, this study estimates the carbon emissions of the Beijing-Tianjin-Hebei (BTH), Yangtze River Delta (YRD), Pearl River Delta (PRD), and Chengdu-Chongqing (CC) urban agglomerations from 2000 to 2022. By analyzing carbon emission intensity and per capita carbon emissions, the spatiotemporal evolution patterns and regional disparities are explored. Furthermore, the logarithmic mean Divisia index (LMDI) decomposition method is employed to explore the dynamic changes of the influencing factors. The results reveal that total carbon emissions in the four urban agglomerations experienced rapid growth in the early stage, followed by a noticeable slowdown. Spatially, carbon emissions expanded from densely concentrated core cities to surrounding regions, with intra-regional emissions gradually becoming more balanced. Emission intensity generally showed a downward trend, with steady declines in the YRD and PRD regions and a more significant decrease in the BTH Region, although it continued to maintain a relatively high level. Per capita carbon emissions demonstrated diversified trajectories along with economic development: The YRD and BTH regions underwent inter-quartile transitions, while the PRD Region maintained a low and stable level, and the CC region exhibited greater internal variability. Economic growth remained the primary driver of carbon emission increases, whereas the effect of population scale had weakened. Improvements in industrial energy efficiency and the optimization of industrial structure played a major role in curbing emissions, and the contribution of energy structure adjustment had become increasingly prominent. In summary, the evolution of carbon emissions in China's four major urban agglomerations was characterized by decelerated growth, spatial diffusion, and persistent regional heterogeneity. To promote a low-carbon transition, region-specific and coordinated strategies should be strengthened moving forward.

Key words: carbon emissions energy consumption spatiotemporal evolution driving factors integrated nighttime light index urban agglomerations

气候变化对全球生态和经济的影响日益加剧，二氧化碳等温室气体的排放是导致全球变暖的主要因素. 中国作为全球最大的碳排放国家，其碳排放量在过去的40 a中大幅增加^[1]. 根据中国2024年12月发布的《中华人民共和国气候变化第一次双年透明度报告》^[2]显示，2021年全国温室气体排放总量（以二氧化碳当量计）约为129.99亿t. 其中能源消费因碳排放110.07亿t和占总排放量的84.7%而成为碳排放的主要来源. 因此，经济发展并有效控制碳排放已成为国内外学术界关注的热点问题. 中国共产党二十届三中全会《决定》^[3]提出，要推动城市群更好发挥高质量发展动力源作用，完善区域协调发展战略机制. 各城市群在国家区域协调发展战略中具有重要地位，其发展路径呈现出显著的差异化特征. 京津冀面临产业结构调整与大气污染治理的双重压力，长三角强调全球资源配置与绿色创新的引领功能，珠三角则依托开放型经济和外向型产业结构强化低碳转型，成渝在承接产业转移与西部大开发战略中承担新的绿色增长使命. 在“碳达峰、碳中和”战略目标驱动下，京津冀、长三角、珠三角和成渝城市群作为中国经济增长核心与能源消费主体，其依托资源集聚优势、基础设施网络化特征及超大规模市场潜力和活力，在碳排放动态演化研究中具有显著范式价值. 因此，系统分析我国四大城市群的碳排放时空演变特征，对推动城市群高质量发展和助力“双碳”目标实现具有重要的理论和现实意义.

当前城市碳排放的研究聚焦于核算方法、时空演化及其影响因素分析. 碳排放核算方法是碳排放研究的基础和前提，其方法较多关注国家^[4，5]、区域^[6~8]和省域^[9，10]等不同尺度. 然而，受制于统计数据与空间分辨率限制，以上方法难以反映市级以下碳排放的精细空间格局. 为弥补统计核算的空间精度不足，近年来许多学者广泛采用夜间灯光遥感等数据进行碳排放空间化模拟并获得市级、县级乃至更高空间分辨率尺度的碳排放空间格局^[11~14]. 在时空演化特征上，区域碳排放的空间格局演变可呈现显著的时空集聚性而成为理解碳排放动态过程的关键^[15~17]. 在碳排放的影响因素方面多聚焦于人口规模、经济发展、产业结构、能源效率及能源结构等维度^[18~21]，其研究方法则主要采用STIRPAT模型^[22]、地理加权回归模型^[23]以及LMDI分解法等. 其中，LMDI分解法因具备无残差、可加性强和结构解释明确等优势而在近年来被广泛用于碳排放驱动因素的研究^[24~26]. 尽管城市碳排放的研究取得一定进展，然而现有研究多聚焦于单一城市或城市群的内部碳排放的静态空间分布，但缺乏统一精细的核算数据以支撑不同城市群间的对比分析；夜间灯光反演碳排放空间化多依赖单一遥感数据源，存在饱和效应和低估等问题，难以保证空间化结果的准确性；较少成果基于长时间序列与五年规划时期揭示碳排放的扩散、集聚与转移过程，从而不能全面反映各城市群间碳排放格局的时空演化及差异. 鉴于此，本文基于多源遥感数据构建融合夜间灯光指数，在1 km×1 km统一空间分辨率下反演我国四大城市群2000~2022年碳排放时空演化特征；分析四大城市群碳排放强度与人均碳排放的异质性；基于LMDI模型深入探究四大城市群的碳排放驱动因素，为差异化制定城市群碳减排政策的制定提供科学依据. 本研究通过揭示我国四大城市群碳排放的时空演化规律与差异化驱动机制，旨在为丰富城市群碳排放的理论研究和为区域低碳转型路径选择提供参考.

1 研究区域概况与数据来源处理 1.1 研究区域概况

中国区域的发展已形成以京津冀、长三角、珠三角和成渝四大城市群为顶点的菱形空间结构，分别覆盖华北、华东、华南及西南这4个重要地理板块，是推动区域协调发展和构建新发展格局的重要支点^[27]. 随着新型城镇化和区域一体化推进，四大城市群在经济发展、人口集聚和城镇化进程中呈现出显著差异，在经济、科技和文化等方面优势突出.

从土地利用结构来看，京津冀以耕地和草地为主，长三角耕地集中且水系湿地分布突出，珠三角人工用地密度最高且城市化水平最强，而成渝则为平原耕地与山地林地交错的复合格局，自然地理的差异塑造了各城市群的发展模式，深刻影响着区域的功能定位与产业布局（图 1）. 2024年，京津冀占地面积约21.80万km²，北部以草地和森林为主，中部及东南部为平原与农田，东部沿海耕地密布. 常住人口约1.1亿、地区生产总值约11.5万亿元，第二产业占比约27%，工业基础雄厚. 长三角地形以平原为主，总面积约35.8万km²，河网密布，耕地与水域资源丰富. 常住人口约2.3亿，地区生产总值约30.5万亿元，第二产业占比约39%. 珠三角立足粤港澳大湾区建设，高技术产业和先进制造业集中，现代服务业发达，地形以平原和丘陵为主，总面积约5.6万km². 常住人口约8 000万，地区生产总值约14.2万亿元，第二产业占比约39%. 成渝以构建西部双城经济圈带动西部高质量发展为战略定位，地形多山丘，成都平原与重庆主城地区建设用地集中，外围多为耕地和林地，总面积约18.5万km²，常住人口约9 600万，地区生产总值约8.6万亿元，第二产业占比约40%. 截至2024年，四大城市群地区生产总值合计达到了65.2万亿，占全国地区生产总值的48.33%；常住人口达5.32亿人，占全国人口比例的37.81%；平均城镇化率达76.11%^[28]，经济的快速发展伴随着碳排放的急剧增长，对城市群的可持续发展带来严峻挑战.

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

1.2 数据来源

本文采用夜间灯光遥感数据、归一化植被指数遥感数据、人口空间分布数据、终端能源消费统计数据、行政区划边界数据以及土地利用现状数据等分析碳排放的量核算、空间模拟与影响因素. 各类数据的类型、特点与来源汇总见表 1.

表 1 中国四大城市群碳排放研究所用数据 Table 1 Data sources for carbon emission analysis in China's four major urban agglomerations

数据类型	数据特点	数据来源
类DMSP-OLS中国夜间灯光遥感数据集	该数据集利用“伪不变像素”方法校正DMSP-OLS数据的传感器误差，并通过修复NPP-VIIRS月度的缺失数据而合成为年度数据，转换为类DMSP-OLS数据. 改进后的数据集在评估社会经济指标时，表现优于其他已发布的夜间灯光遥感数据集	数据来源于Harvard Dataverse平台，是由西南大学Wu等及其团队发布的成果^[29]，数据地址：https://dataverse.harvard.edu/dataset.xhtml?persistentId=doi:10.7910/DVN/GIYGJU
归一化植被指数遥感数据	该数据通过红光与近红外波段的比值反映地表植被覆盖度和生长状况，植被越茂盛数值越高	数据来源于NASA定期发布的MOD13A3数据集，数据地址：https://www.earthdata.nasa.gov/data/catalog/lpcloud-mod13a3-006
人口空间分布遥感数据	该数据基于每个国家和地区的数据条件和地理性质对环境人口进行建模，捕捉人们在白天和黑夜的全部潜在活动空间	数据来源于美国能源部橡树岭国家实验室(ORNL)，数据地址：https://landscan.ornl.gov/
终端能源消费数据和折煤系数	选取的能源类别共11类，包括原煤、焦炭、原油、汽油、煤油、柴油、燃料油、天然气、液化石油气、热力和电力	数据来源于《中国能源统计年鉴》（2000-2023）能源消费平衡表，由国家统计局发布
行政区域数据	京津冀：北京、天津及河北11个地级市；长三角：上海、江苏、浙江和安徽的部分区域，共41个地级市；珠三角：广州、佛山、肇庆、深圳、东莞、惠州、珠海、中山和江门等9个地级市；成渝：重庆和四川15个地级市	来源于国家基础地理信息中心
土地覆盖遥感数据	区分土地利用类型分别为农田、森林、灌木、草原、水域、冰雪、裸地、不透水面和湿地这9类	数据来源于《1985-2023年中国30 m分辨率土地覆盖数据》^[30]，数据地址：https://doi.org/10.5281/zenodo.12779975
多时期土地利用遥感监测数据	根据土地资源及其利用属性，一级分为耕地、林地、草地、水域、建设用地和未利用土地6类；二级在一级类型基础上根据土地资源的自然属性分为25个类型	数据来源于中国科学院资源环境科学与数据中心，数据地址：https://www.resdc.cn/DOI/doi.aspx?DOIid=54

表 1 中国四大城市群碳排放研究所用数据 Table 1 Data sources for carbon emission analysis in China's four major urban agglomerations

1.3 夜间灯光影像修正

本文选取的类DMSP-OLS夜间灯光数据虽已完成预处理进行连续性校正，但在构建长时序数据集时未考虑饱和效应和阈值效应，因而在碳排放估算中存在一定局限性，一方面是在偏远郊区或非照明工业区易因亮度不足而被低估，另一方面是饱和区域常超出实际建成区范围，导致农田、绿地和未利用用地等也被夜间灯光覆盖，从而引起空间分布偏差. 因此，为提高夜间灯光遥感数据反演碳排放的空间精度，参考以往的研究对夜间灯光遥感数据进行修正，构建融合夜光指数^[31].

首先，城市群人口集聚程度较高，人口密度大的区域通常伴随较强的夜间灯光，而人口稀疏地区建筑密度较低^[32~34]，夜间灯光相对较弱甚至缺失. 因此，通过引入人口密度数据对夜间灯光值加权修正，反映人类活动的空间关系，其公式为：

$ \mathrm{NTL}_{\mathrm{pop}}= \begin{cases}\mathrm{NTL} \times \ln (\mathrm{pop}+1), & \mathrm{NTL}>0 \\ 0.34 \times \ln (\mathrm{pop}+1), & \mathrm{NTL}=0\end{cases} $

(1)

式中， $N T L$ 为夜间灯光总值； $N T L_{p o p}$ 为人口空间分布修正夜间灯光指数； $p o p$ 为人口空间分布指数； $l n (p o p + 1)$ 为人类活动对夜间灯光强度贡献的权重，当 $p o p = 0 时, N T L_{p o p} = 0$ ^[35]；常数0.34为夜间灯光的缺省阈值^[36]，对在人类活动存在但缺乏照明的区域进行亮度补偿.

其次，高人口密度与强夜间灯光区域往往与高建筑密度和低植被覆盖度相对应，夜间灯光和DNVI呈现出负相关关系^[37]. 因此，为减弱植被覆盖区的灯光溢出，将 $D N V I$ 限制在0~1.0范围后进一步修正 $N T L_{p o p}$ ，从而得到融合夜间灯光指数，其公式为：

V A N U I^{*} = (1 - D N V I) \times {\bar{N T L}}_{p o p}

(2)

式中， $V A N U I^{*}$ 为融合夜间灯光指数； $D N V I$ 为归一化植被指数； ${\bar{N T L}}_{p o p}$ 为归一化的人口空间分布修正夜间灯光指数.

修正后四大城市群夜间灯光影像的灯光饱和度明显降低，有效反映城市内部不同活动强度区域的更多细节特征（图 2）. 图 2中DN值表示夜间灯光的亮度，数值范围通常为0~63，值越大表明该区域的灯光越强.

图 2 2015年四大城市群类DMSP-OLS和VANUI*影像对比 Fig. 2 Comparison of DMSP-OLS like and VANUI* images of the four major urban agglomerations in 2015

2 研究方法 2.1 碳排放量核算

一次能源消费量涵盖能源转换和终端用户使用环节，直接采用一次能源消费量可能导致重复计算，例如煤炭用于发电后的电力再次被终端用户消费. 因此，为避免因跨区域能源输入、转换和输出而产生统计偏差，本研究采用终端能源消费量而非一次能源消费量，可更准确地反映碳排放实际来源的终端能源使用情况.

不同城市群的碳排放量是基于各城市群省份的2000~2022年的终端能源消费统计数据进行核算；不同类别能源的碳排放系数参照《2006年IPCC国家温室气体清单指南》；折煤系数则依据《中国能源统计年鉴2023》进行选取且具体系数如表 2所示. 由于能源种类较多，本文采用被纳入统计且归纳为五大类的主要能源，即煤、油、气、电和其他燃料. 碳排放的具体测算过程涉及的能源类别共11类，包括原煤、焦炭、原油、汽油、煤油、柴油、燃料油、天然气、液化石油气、热力和电力等. 碳排放的测算公式如下：

\begin{array}{l} C O_{2 j t} = \frac{44}{12} \times \sum_{i = 1}^{n} E_{j i} \times F_{i} \\ (t = 2000, 2001, \dots, 2022; i = 1, 2, \dots, 11) \end{array}

(3)

式中， $C O_{2 j t}$ 为 $j$ 省 $t$ 年的二氧化碳排放量； $E_{j i}$ 为 $j$ 省第 $i$ 类能源的消费量并按标准煤计算； $F_{i}$ 为 $i$ 类能源的二氧化碳排放系数并按碳/标准煤计算.

表 2 能源的折煤系数及碳排放系数^1） Table 2 Conversion coefficients and carbon emission factors of energy

2.2 碳排放模拟

现有研究表明，区域尺度能源消费的碳排放量与该区域的夜间灯光数据之间存在较强的相关性^[38，39]. 尽管各种函数形式已被提出用于在碳排放的空间化模拟，然而，只有线性回归模型才能将碳排放空间化到栅格像元水平^[40]. 四大城市群在发展阶段、产业结构、能源利用和空间形态上具有差异，城市群内各省级层面的功能定位和分工不同. 因此本文假设各城市群的省级层面整体的能源消费水平趋同，以各城市群省级层面的统计碳排放量和提取各省2000~2022年长时序稳定的融合夜间灯光指数，探讨区域碳排放量与融合夜间灯光指数总值之间的拟合关系. 为避免截距项导致估计偏差并使模型更符合碳排放与融合夜间灯光指数的实际关系，本文采用无截距的线性回归模型^[41]进行拟合，其公式如下：

C O_{2 j t} = a \times V A N U I_{j t}^{*}

(4)

式中， $C O_{2 j t}$ 为 $j$ 省第 $t$ 年的二氧化碳排放量； $a$ 为回归系数； $V A N U I_{j t}^{*}$ 为 $j$ 省第 $t$ 年修正的夜间灯光总值.

拟合结果显示， $R^{2}$ 均在0.9以上；MRE最小为8.89%，最大为25.51%；RMSE最小为1 052.75万t，最大为8 138.06万t，总体拟合效果良好. 各省碳排放的拟合情况如表 3所示.

表 3 研究区域碳排放量和省级融合夜间灯光指数总值拟合结果 Table 3 Fitting results between carbon emissions and the integrated nighttime light index

年份	省域	拟合方程	$R^{2}$	MRE/%	RMSE/万t
2000~2022	北京	$y = 7.439 x$	0.979	12.00	1 185.42
2000~2022	天津	$y = 9.859 x$	0.986	10.55	1 052.75
2000~2022	河北	$y = 13.940 x$	0.966	20.84	8 138.06
2000~2022	上海	$y = 10.756 x$	0.989	8.89	1 346.08
2000~2022	浙江	$y = 6.039 x$	0.952	18.83	4 467.32
2000~2022	江苏	$y = 7.121 x$	0.983	13.48	4 327.57
2000~2022	安徽	$y = 8.231 x$	0.941	25.51	3 917.71
2000~2022	重庆	$y = 14.183 x$	0.929	21.31	2 488.43
2000~2022	四川	$y = 11.842 x$	0.940	19.33	4 968.98
2000~2022	广东	$y = 5.295 x$	0.978	15.32	4 203.54

表 3 研究区域碳排放量和省级融合夜间灯光指数总值拟合结果 Table 3 Fitting results between carbon emissions and the integrated nighttime light index

2.3 修正栅格单元碳排放量

假设省级层面每年修正后的夜间灯光值是恒定的，并且市级层面及更小栅格单元的 $V A N U I^{*} 总$ 值相加后与省级 $V A N U I^{*}$ 总值一致. 为了提高模拟精度，本文提取每个栅格单元的 $V A N U I^{*}$ 总值并反演得到栅格单元的碳排放量模拟值，再通过栅格单元碳排放量的统计值与模拟值之间的比值而得到修正系数；然后将栅格单元碳排放量的模拟值乘修正系数，可确保每年碳排放量的总模拟与统计量一致. 基于以上分析，本文获得碳排放空间化为 $1 k m \times 1 k m$ 精度单元数据的修正公式如下：

E_{a (t) r} = E_{s (t) r} \times \frac{E_{a (t) j}}{E_{s (t) j}}

(5)

式中， $E_{a (t) r}$ 为修正后第 $t$ 年第 $r$ 个栅格单元碳排放量的统计值， $E_{s (t) r}$ 为第 $t$ 年第 $r$ 个栅格单元碳排放量的模拟值， $E_{a (t) j}$ 为第 $t$ 年 $j$ 省碳排放量的实际统计值， $E_{s (t) j}$ 为第 $t$ 年 $j$ 省碳排放量的模拟值.

2.4 空间自相关

全局空间自相关（global Moran's I）可用于衡量4个城市群市级尺度碳排放的空间分布整体集聚性，其公式如下：

I = \frac{n}{\sum_{i = 1}^{n} \sum_{j = 1}^{n} w_{i j}} \frac{\sum_{i = 1}^{n} \sum_{j = 1}^{n} w_{i j} (x_{i} - \bar{x}) (x_{j} - \bar{x})}{\sum_{i = 1}^{n} (x_{i} {- \bar{x})}^{2}}

(6)

式中， $I$ 为global Moran's I指数即总体空间自相关程度； $n$ 为地级市单元数量； $\bar{x}$ 为各地级市碳排放量的平均值； $x_{i}$ 和 $x_{j}$ 分别为第 $i$ 和 $j$ 地级市单元能源消费的碳排放量； $w_{i j}$ 为邻近地级市的 $i$ 和 $j$ 单元的空间权重矩阵.

局部自相关（local Moran's I）进一步识别城市群内部碳排放的空间异质性和聚集特征性，其公式如下：

I_{i} = z_{i} \sum_{j = 1}^{n} w_{i j} \times z_{j}

(7)

式中， $I_{i}$ 为第 $i$ 地级市单元local Moran's I； $z_{i}$ 和 $z_{j}$ 分别为标准化后的第 $i$ 和 $j$ 地级市的碳排放值； $w_{i j}$ 为邻近地级市的 $i$ 和 $j$ 单元的空间权重矩阵.

2.5 扩展的Kaya恒等式

由Yoichi Kaya于1989年在IPCC研讨会上提出的Kaya恒等式^[42]，即把碳排放与人口、经济活动和能源消费等关键驱动因子联系起来，可为碳排放的结构性分解提供理论基础. 其基本形式如下：

C = \frac{C}{E} \times \frac{E}{G D P} \times \frac{G D P}{P} \times P

(8)

式中， $C 、 E 、 G D P$ 和 $P$ 分别表示二氧化碳排放量、能源消费量、国内生产总值和常住人口.

基于此，本文结合城市群的碳排放特点并参考已有研究^[43]对Kaya恒等式进行扩展为以下形式：

C_{i} = \sum_{i} \frac{C_{i}}{E_{i}} \times \frac{E_{i}}{G D P_{2_{i}}} \times \frac{G D P_{2_{i}}}{G D P_{i}} \times \frac{G D P_{i}}{P_{i}} \times P_{i}

(9)

式中， $i$ 为不同区域（ $i = 1, 2, \dots, n$ ）； $C_{i}$ 为区域 $i$ 的碳排放量； $E_{i}$ 为区域能源消费量； $G D P_{2_{i}}$ 为区域 $i$ 第二产业生产总值增加值； $G D P_{i}$ 为区域 $i$ 的生产总值； $P_{i}$ 为区域 $i$ 的常住人口. 再令：

f_{i} = \frac{C_{i}}{E_{i}}, q_{i} = \frac{E_{i}}{G D P_{2_{i}}}, k_{i} = \frac{G D P_{2_{i}}}{G D P_{i}}, a_{i} = \frac{G D P_{i}}{P_{i}}, p_{i} = P_{i}

则Kaya恒等式可简化为：

C_{i} = \sum_{i} f_{i} \times q_{i} \times k_{i} \times a_{i} \times p_{i}

(10)

式中， $f_{i}$ 为第 $i$ 区域的能源消费碳强度并反映区域能源结构； $q_{i}$ 为第 $i$ 城市群的工业能源效率并反映技术进步，能源利用效率提升能有效降低碳排放量^[44]； $k_{i}$ 为第 $i$ 城市群的产业结构情况； $a_{i}$ 为第 $i$ 城市群的人均GDP即经济发展水平； $p_{i}$ 为第i城市群的常住人口即人口规模.

2.6 LMDI影响因素分析

LMDI分解法有加和与乘积等两种分解形式且最终分解结果一致^[45]. 因此，本文通过加和分解法并采用时间序列分解方式逐年分解不同城市群碳排放量的各影响因素效应值. 城市群能源消费的基期碳排放量设为 $C^{0}$ ，T期碳排放量设为C^T，ΔC为T期与基期的碳排放量直接变化情况且其差分分解公式为：

$ \Delta C=C^T-C^0=\Delta C_{\mathrm{f}_i}+\Delta C_{\mathrm{q}_i}+\Delta C_{\mathrm{k}_i}+\Delta C_{\mathrm{a}_i}+\Delta C_{\mathrm{p}_i} $

(11)

式中， $Δ C_{f_{i}}$ 为碳排放强度效应； $Δ C_{q_{i}}$ 为工业能效强度效应； $Δ C_{k_{i}}$ 为产业结构效应； $Δ C_{a_{i}}$ 为经济发展水平效应； $Δ C_{p_{i}}$ 为人口规模效应.

各分解因子对城市群碳排放的影响效应公式如下：

$ \left.\begin{array}{l} \Delta C_{\mathrm{f}_i}=\sum\nolimits_i\left(\frac{\mathrm{CE}_i^T-\mathrm{CE}_i^0}{\ln \mathrm{CE}_i^T-\ln \mathrm{CE}_i^0} \cdot \ln \frac{f_i^T}{f_i^0}\right), \\ \Delta C_{\mathrm{q}_i}=\sum\nolimits_i\left(\frac{\mathrm{CE}_i^T-\mathrm{CE}_i^0}{\ln \mathrm{CE}_i^T-\ln \mathrm{CE}_i^0} \cdot \ln \frac{q_i^T}{q_i^0}\right), \\ \Delta C_{\mathrm{k}_i}=\sum\nolimits_i\left(\frac{\mathrm{CE}_i^T-\mathrm{CE}_i^0}{\ln \mathrm{CE}_i^T-\ln \mathrm{CE}_i^0} \cdot \ln \frac{k_i^T}{k_i^0}\right), \\ \Delta C_{\mathrm{a}_i}=\sum\nolimits_i\left(\frac{\mathrm{CE}_i^T-\mathrm{CE}_i^0}{\ln \mathrm{CE}_i^T-\ln \mathrm{CE}_i^0} \cdot \ln \frac{a_i^T}{a_i^0}\right), \\ \Delta C_{\mathrm{p}_i}=\sum\nolimits_i\left(\frac{\mathrm{CE}_i^T-\mathrm{CE}_i^0}{\ln \mathrm{CE}_i^T-\ln \mathrm{CE}_i^0} \cdot \ln \frac{p_i^T}{p_i^T}\right) . \end{array}\right\} $

(12)

3 结果与讨论 3.1 能源消费碳排放特征的时序分析

中国四大城市群能源消费的碳排放量在2000~2022年呈现显著的区域差异和时序变化特征，并且碳排放量由2000年的8.54亿t增长至2022年的23.29亿t，年均增长率达4.67%. 在不同城市群之间，京津冀和长三角地区的碳排放量始终保持较高的增长趋势，而珠三角和成渝的碳排放则增长趋势较平缓（图 3）.

图 3 2000~2022年中国四大城市群碳排放量时序变化和增长率变化 Fig. 3 Trends in carbon emissions and growth rates from 2000 to 2022

从五年规划时期对比看：“十五”期间是经济快速扩张期，四大城市群的经济和工业快速发展拉动能源需求导致碳排放迅速增长，即长三角、京津冀和珠三角的碳排放量在2000~2005年保持高速增长态势，但成渝因受制于当时西部地区较薄弱的经济基础以及工业化和城镇化尚处于起步阶段而增速相对较缓；在“十一五”时期，国家高度重视节能减排工作并出台系列政策 ^[46~48]，促使长三角、京津冀和珠三角等城市群的碳排放较前期有所放缓但仍保持较高的增长率，而成渝的碳排放增长率则升至11.05%并位居四大城市群之首，其能源消费的快速增加主要由于工业化加速、基础设施大规模建设及高速城镇化共同推动；“十二五”时期得益于“十一五”期间初显成效的节能减排政策，其产业结构转型和节能减排政策获得进一步深化^[49]，并促使各城市群的碳排放增速整体放缓，其中成渝完成初步工业化布局而能源消费增速显著下降且逐步趋于稳定；在“十三五”时期，各城市群步入更深层次的经济转型与绿色低碳发展阶段 ^[50，51]，并使其碳排放增长率均降至2.5%以下，其中京津冀接近于零增长（0.97%），表明其节能降耗、能效提升和产业升级等成效明显；在“十四五”初期，京津冀和珠三角的碳排放均为负增长并率先进入碳减排的实质性推进阶段，而长三角和成渝两区域仍保持较低正增长，反映出不同城市群在产业结构优化、能效提升与绿色低碳转型等方面的进展存在明显差异.

3.2 城市群碳排放空间化的模拟结果

京津冀碳排放的空间格局经历了“双核驱动-多核扩散-均衡化分散”的演变并逐步趋于稳定. 2000年，碳排放主要集中在北京与天津等中心城区即呈现双核集聚格局，河北则呈现零散点状分布；2010年，北京周边和天津双核结构显著，碳排放热点迅速扩展为“Y型廊道”结构，即由北京-天津-唐山主轴与廊坊一线次轴交汇构成，北京碳排放热点下降；2015年，京津冀多区域碳排放热点达至峰值且“Y型廊道”结构突出，河北的石家庄、保定、邯郸和唐山等地级市呈现显著高值区；至2022年，高排放热点区域逐步向外围扩散和空间布局趋于均衡，其中北京核心区高排放热点显著减弱，河北呈现多高热点分布（图 4）.

图 4 2000~2022年京津冀碳排放时空演变趋势 Fig. 4 Spatiotemporal variation of carbon emissions in BTH region from 2000 to 2022

长三角碳排放的空间格局呈现“单核极化-轴向扩散-区域均衡”的阶段性演变特征. 2000年，该区域形成以上海为核心的单核分布，同时浙江东部沿海地区以及苏南的苏州和无锡等地区出现零星高值点的空间格局；2005年，上海热点持续增强至峰值并向苏南扩散，形成上海-苏州-无锡-常州的高排放走廊；2010年，上海碳排放持续外扩达峰值，其热点呈带状分布并延伸至苏南和浙东沿海等地构成“Z形走廊”；2015年，热点区域的带状扩张和空间聚集特征显著；2022年，碳排放热点减弱并向安徽东部、浙江中西部和江苏北部扩散，同时整个经济带的排放格局趋于均衡（图 5）.

图 5 2000~2022年长三角碳排放时空演变 Fig. 5 Spatiotemporal variation of carbon emissions in YRD region from 2000 to 2022

珠三角整体碳排放水平相较其他城市群偏低，呈现“多核分散-核心带状连片-外围扩散”的阶段性演变特征. 2000年，广州-佛山和深圳-东莞初步就形成较高排放核心且分散状态；2005年，热点区域迅速扩大并沿广深轴线与珠江西岸干线延伸，形成“深圳-东莞-广州-佛山-中山-珠海”的倒U型高排放廊道；2010年，倒U型空间结构趋于清晰稳定且热点碳排放量持续上升达至峰值；至2022年，核心热点区域趋稳并外扩，其空间格局趋于均衡且区域内差异缩小（图 6）.

图 6 2000~2022年珠三角碳排放时空演变 Fig. 6 Spatiotemporal variation of carbon emissions in PRD region from 2000 to 2022

成渝碳排放的空间格局呈现“双核独立-轴带延伸-圈层均衡”的演变特征. 2000年，其热点集中在成都和重庆的中心城区，规模较小且空间隔离明显；至2010年，热点区域逐步扩大至峰值并开始显现成都-德阳-绵阳的轴带，同时成渝间部分区域的碳排放开始增加和整个区域联动趋势初现；至2022年，以成渝双核心始终居于高值，轴带结构明显且热点圈层扩散至各市并呈零星分布（图 7）.

图 7 2000~2022年成渝碳排放时空演变 Fig. 7 Spatiotemporal variation of carbon emissions in CC region from 2000 to 2022

通过统一划分的碳排放量分区对比，四大城市群在2000~2022年碳排放的空间分布呈现持续增长与阶段性空间扩张等特征. 城市群内各省会城市普遍形成高排放热点，表现出明显集聚性并在达到峰值后逐渐减弱向周边外扩散的共同特征，峰值时期主要集中在2010~2015年前后. 在国家和地方产业政策推动下，核心城市产业结构不断优化，高耗能产业向周边转移带动碳排放热点由核心向外围扩散. 如京津冀的北京在“十五”时期起实施产业布局优化和城区工业搬迁政策^[52]，进一步的《京津冀协同发展规划纲要》^[53]明确提出“有序疏解北京非首都功能”并由河北等地承接相关产业功能；长三角的上海在“十一五”时期明确提出中心城区基本完成一般制造业外迁，加快产业向郊区和产业园转移^[54]；珠三角在“十一五”时期，珠江口西岸被要求规模化发展先进制造业和生产性服务业同时科学规划产业布局^[55]，使得广州、深圳等核心城市逐步形成发展轻工业、高新技术产业和现代服务业为主的产业结构；成渝2011年在《成渝经济区区域规划》^[56]中提出依托重庆、成都“双核”，加强与周边城市之间的联系，形成辐射作用大的城市群，推动交通网络建设和产业梯度转移.

3.3 碳排放空间化精度验证

为检验碳排放空间化模拟结果的可靠性，分别选取2015年四大城市群中的典型城市北京、上海、广州、成都，对比分析土地利用类型和碳排放量的空间分布关系. 结果显示，建设用地中的城镇用地、农村居民点及其他建设用地（厂矿、大型工业区等）的空间分布与碳排放高值区域高度重叠，而耕地、林地、草地和水域及未利用土地的碳排放水平整体偏低，仅在个别工业设施周边出现局部高值，与碳排放空间分布基本一致. 随后，提取建设用地中三类用地的总碳排放量，其总占比达80%以上，其中城镇建设占比最高，其次为农村居民点和其他建设用地，验证了该碳排放空间化模拟方法在精度上的可靠性（图 8和图 9）.

图 8 2015年典型城市土地利用类型与碳排放空间分布对比 Fig. 8 Land use and carbon emissions in typical cities in 2015

图 9 2015年不同土地利用类型碳排放量占比 Fig. 9 Carbon emissions by land use type in 2015

3.4 城市群碳排放空间的相关性时序分析

在碳排放空间格局演化基础上进一步引入global Moran's I指数，可定量分析四大城市群中地级市碳排放的空间集聚特征. 图 10表明，2000~2022的global Moran's I指数均为正值，四大城市群各地级市间的碳排放量存在显著的正向空间自相关特征，表明城市间碳排放水平具有较强的空间依赖性和区域联动趋势，即整体协同非孤立演化特征.

图 10 2000~2022城市群市级global Moran's I Fig. 10 The global Moran's I of prefecture-level cities in urban agglomeration from 2000 to 2022

通过local Moran's I指数的分析进一步探究四大城市群碳排放量在空间聚集的异质性（图 11），其中，高高集聚（HH）表示某区域为高值且邻域均值高；低低集聚（LL）表示某区域为低值且邻域均值低；高低集聚（HL）表示某区域为高值而邻域均值偏低；低高集聚（LH）表示某区域为低值而邻域均值较高，不显著表示无明显空间相关性. 分析发现京津冀中北京周围的河北地级市呈现出多区域高高聚集，以上城市的产业结构相似且均以重工业为主，但在交通网络上与经济水平高的北京连接紧密，因此从而形成显著的高高集聚特征；长三角在2000~2015年西部主要为低低聚集，东部主要为高高聚集，2020年后两个聚集区域逐渐缩小，可能与产业的外迁使得空间聚集性减弱；成渝整体东部主要为高低聚集，北部和南部为低低聚集，可能原因是西部地区的区域内部发展不平衡，核心区与外围城市在产业布局和经济水平上差异显著；珠三角城市间的聚集性不显著，可能原因是珠三角区域内部一体化程度高且经济结构相似，周边城市在产业分工和能源消费上紧密相连从而差异被弱化. 总体来看，四大城市群碳排放整体呈现正向空间自相关但内部空间格局差异性大，京津冀、长三角和成渝表现出明显的集聚差异，而珠三角因区域一体化程度较高而局部空间相关性不显著. 因此，城市群的碳减排需从整体协同的基础上结合区域特征实施差异化路径设计，从而推动低碳转型的一体化进程.

图 11 各城市群市级尺度LISA图 Fig. 11 LISA map at the city level for each urban agglomeration

3.5 碳排放强度分析

碳排放总量在一定程度上受区域经济总量和人口规模的影响，难以准确反映区域低碳发展的效率水平. 因此，进一步对各城市群间及其内部的碳排放强度进行比较分析，揭示低碳发展差异与演变趋势. 2000~2022年，中国四大城市群碳排放强度整体呈下降趋势，水平由高到低依次为京津冀、成渝、长三角和珠三角，体现出区域经济发展水平与低碳发展能力的差异性. 京津冀碳排放强度始终居高水平，下降起点相对较晚但降幅较大；成渝早期接近京津冀，2015年后逐步接近长三角；长三角长期处于中等偏低水平，下降趋势整体平稳；珠三角始终最低且下降趋势最为稳定，展现出较强的低碳发展基础（图 12）.

图 12 2000~2022年城市群碳排放强度趋势 Fig. 12 Carbon emission intensity trends of urban agglomerations from 2000 to 2022

从各城市群内部来看，京津冀内部分化明显，北京经济发展水平较高且以服务业和高新技术产业为主，始终处于低强度区间；天津经济体量大且以先进制造业与港口物流为支撑，碳排放强度下降相对平稳；河北省以钢铁、建材和化工等重工业为支柱产业，整体碳排放强度高且内部差异较大，张家口、廊坊和沧州等市长期处于高强度水平，其余城市早期碳排放强度偏高，但在2010年后逐步转入中低水平. 长三角的上海、浙江和江苏整体碳排放强度较低，安徽城市起点普遍偏高，城市群整体在2010~2015年前后普遍进入低碳排放强度区间. 上海以高端制造业和服务业为主；浙江轻工业基础突出、民营经济活跃和数字经济发展引领区域低碳发展；江苏拥有先进制造业集群；安徽早期依赖传统产业主要为铜、钢铁、煤炭和化工等，其在新兴产业链的培育与区域经济快速发展带动下大力发展清洁能源，碳排放强度在2005年前后快速下降至平稳. 珠三角的广州和深圳经济体量大且创新能力突出，带动服务业与高技术制造业快速发展，创新驱动长期保持较低碳排放强度；珠海以现代服务业和清洁能源产业为支撑同样维持碳排放强度在低位；中山和东莞以小家电及小器件等外向型制造业为主，碳排放强度较高；佛山、江门、惠州和肇庆等以陶瓷建材、石化等传统产业比例大，碳排放强度长期处于偏高水平. 成渝作为西部新兴城市群经济体量相对较低，产业结构第二产业占比较高，碳排放强度普遍在2000~2010年较高，但在2010年后逐步下降. 四川以农产品加工、装备制造和化工产业为主；成都形成电子信息、装备制造和生物医药等为支撑的多元化制造体系；重庆则保持典型老工业基地的钢铁、电力和化工等重工业为主（图 13）.

图 13 2000~2022年不同城市群碳排放强度热力图 Fig. 13 Carbon emission intensity heatmaps of urban agglomerations from 2000 to 2022

3.6 人均GDP与人均碳排放量分析

人均GDP与人均碳排放则蕴含着在既定人口规模下的经济发展与环境负担之间的矛盾和平衡. 本节采用这两个指标构建评估城市发展质量和可持续性发展的坐标系（图 14），其4个象限可将城市发展状态归纳为4类典型类型：第1象限为“高收入-高消耗”型城市，代表经济产出与碳排放水平均较高；第2象限为“低收入-高消耗”型城市，反映能源利用效率较低；第3象限为“低收入-低消耗”型城市，代表发展基础薄弱或具有低碳特征但人均GDP水平偏低；第4象限为“高收入-低消耗”型城市，属于低碳高效发展的理想状态. 结果显示，各城市在2000~2022年间整体遵循由第3象限向第4象限的顺时针演化. 在2000年，多数城市集中于第3象限即人均GDP与人均碳排放都较低，反映各城市处于工业化起步阶段；在2005~2010年，部分城市向第2和第1象限迁移，呈现经济与碳排放的同步增长趋势；而越来越多的城市在2015年后相继进入“高收入-低消耗”象限，即低碳高质量发展的特征逐步显现. 再从城市群维度看，京津冀的内部差异显著，如北京从2005年的第1象限偏中上部逐渐步入到第4象限，表明人均GDP和人均碳排放位于全国前列；天津受石化产业影响，人均碳排放水平偏高但人均GDP提升有限，在第1与第2象限中部位置边缘；河北人口比例大且部分城市因重工业占比较高，多数城市位于第2象限. 长三角内部差异较为明显，一类为省会的核心城市大多数从第2象限属于“低收入-高消耗”即能源利用效率较低，逐渐步入到第4象限的“高收入-低消耗”型，另一类则处于在第3象限的“低收入-低消耗”型城市，主要集中在人均GDP较低地级市. 珠三角主要集中于第3和第4象限，整体碳排放其中广州和深圳在保持人均GDP快速增长的同时也维持较低的人均碳排放水平，其他城市因人均GDP偏低而维持在第3象限，体现珠三角地级市之间的发展差异. 成渝的大多数城市位于第3象限的“低收入-低消耗”区间，相较其他城市的发展基础较为薄弱. 早期工业化水平有限且经济发展滞后，因此相对于全国来说落在第3象限；后期虽吸纳了大量人口且区域经济总量快速增长，但人均GDP仍低于全国平均水平同时人均碳排放处于相对较低区间，整体依旧落在第3象限. 总体来看，各城市群的核心城市如北京、上海、深圳和成都等依托其经济基础与技术能力率先推动能源结构优化和产业升级，在区域内部形成了明显的示范与辐射带动效应.

图 14 人均GDP与人均碳排放四象限分布 Fig. 14 Quadrant distribution of per capita GDP and per capita carbon emissions

3.7 影响因素分析

四大城市群在2000~2022年间的碳排放增加值整体呈波动式下降趋势（图 15）. 以五年规划阶段来看，碳排放整体下降趋势更为明显，特别是在“十三五”后期的增速显著放缓以及京津冀和珠三角甚至负增长，初步体现出区域低碳转型的阶段性成效. 总体来看，碳排放增长主要受经济发展水平和人口规模因素驱动并且工业能源效率和产业结构为主要抑制因素，同时能源消费碳强度影响较小但变化稳定.

图内数字1~22分别表示年份：1.2000~2001年，2. 2001~2002年，3. 2002~2003年，4. 2003~2004年，5. 2004~2005年，6. 2005~2006年，7. 2006~2007年，8. 2007~2008年，9. 2008~2009年，10. 2009~2010年，11. 2010~2011年，12.2011~2012年，13.2012~2013年，14. 2013~2014年，15. 2014~2015年，16. 2015~2016年，17. 2016~2017年，18. 2017~2018年，19. 2018~2019年，20. 2019~2020年，21. 2020~2021年，22. 2021~2022年图 15 2000~2022年四大城市群碳排放影响因素分解效应值 Fig. 15 Decomposition of carbon emission drivers from 2000 to 2022

碳排放贡献率用于衡量各影响因素对碳排放总变动的相对作用程度，数值越大表示该因素驱动效应越强. 正贡献率表明该因素在该时期推动了碳排放的增长，负贡献率则表明该因素在该时期对碳排放产生抑制作用. 当贡献率超过100%时，表示该因素对碳排放的影响强度超过了碳排放的总变动量. 通过对比各城市群在不同时期各影响因素的贡献值（表4~7）以及各影响因素分解效应值的累计贡献率（图 16），本节获得分析结果如下.

表 4 京津冀碳排放分阶段影响因素贡献值^1） Table 4 Factor contributions to carbon emissions in BTH region from 2000 to 2022

时期	$Δ C_{f_{i}}$	$Δ C_{q_{i}}$	$Δ C_{k_{i}}$	$Δ C_{a_{i}}$	$Δ C_{p_{i}}$	ΔC
“十五”	508.49	-4 552.92	-927.50	22 233.54	1 467.48	18 729.09
“十一五”	-1 591.71	-17 964.35	-3 563.69	34 381.04	5 731.54	16 992.83
“十二五”	-1 662.59	-11 209.68	-9 557.07	27 128.24	3 775.06	8 473.96
“十三五”	-2 153.19	-7 994.61	-10 823.05	23 819.63	55.42	2 904.20
“十四五”	-3 073.65	-13 400.86	1 235.02	11 134.24	-452.64	-4 557.89
1）数值单位为万t

表 4 京津冀碳排放分阶段影响因素贡献值^1） Table 4 Factor contributions to carbon emissions in BTH region from 2000 to 2022

表 5 长三角碳排放分阶段影响因素贡献值^1） Table 5 Factor contributions to carbon emissions in YRD region from 2000 to 2022

时期	$Δ C_{f_{i}}$	$Δ C_{q_{i}}$	$Δ C_{k_{i}}$	$Δ C_{a_{i}}$	$Δ C_{p_{i}}$	$Δ C$
“十五”	-1 811.22	-10 657.30	2 587.33	28 750.55	2 138.61	21 007.97
“十一五”	-2 463.29	-23 949.73	-2 426.17	50 475.20	3 785.34	25 421.35
“十二五”	-3 231.72	-16 705.67	-11 007.92	38 708.63	6 860.89	14 624.21
“十三五”	-5 418.38	-15 347.66	-11 443.50	35 912.85	2 868.37	6 571.68
“十四五”	-3 493.47	-12 917.26	2 711.34	17 215.93	714.53	4 231.08
1）数值单位为万t

表 5 长三角碳排放分阶段影响因素贡献值^1） Table 5 Factor contributions to carbon emissions in YRD region from 2000 to 2022

表 6 珠三角碳排放分阶段影响因素贡献值^1） Table 6 Factor contributions to carbon emissions in PRD region from 2000 to 2022

时期	$Δ C_{f_{i}}$	$Δ C_{q_{i}}$	$Δ C_{k_{i}}$	$Δ C_{a_{i}}$	$Δ C_{p_{i}}$	ΔC
“十五”	-544.93	-2949.29	1357.53	8382.18	634.88	6880.36
“十一五”	-244.00	-7291.86	-761.61	9665.56	4067.20	5435.30
“十二五”	-893.08	-7397.99	-1707.11	6318.51	4269.12	589.45
“十三五”	-924.79	-2192.26	-2739.88	5241.26	2977.54	2361.86
“十四五”	-1158.65	-5345.53	785.75	3439.80	21.30	-2257.33
1）数值单位为万t

表 6 珠三角碳排放分阶段影响因素贡献值^1） Table 6 Factor contributions to carbon emissions in PRD region from 2000 to 2022

表 7 成渝碳排放分阶段影响因素贡献值^1） Table 7 Factor contributions to carbon emissions in CC region from 2000 to 2022

时期	$Δ C_{f_{i}}$	$Δ C_{q_{i}}$	$Δ C_{k_{i}}$	$Δ C_{a_{i}}$	$Δ C_{p_{i}}$	ΔC
“十五”	-242.62	-4 854.96	290.36	9 139.89	-54.36	4 278.31
“十一五”	-659.24	-10 059.76	2 279.45	19 963.31	-43.16	11 480.60
“十二五”	-1 771.40	-15 840.57	733.47	17 318.43	1 097.58	1 537.51
“十三五”	-2 063.97	-612.53	-9 362.32	13 348.08	1 410.12	2 719.37
“十四五”	-1 569.09	-3 557.60	221.60	4 924.95	45.49	65.35
1）数值单位为万t

表 7 成渝碳排放分阶段影响因素贡献值^1） Table 7 Factor contributions to carbon emissions in CC region from 2000 to 2022

图 16 2000~2022年不同城市群各影响因素分解效应值 Fig. 16 Factor decomposition of urban agglomerations from 2000 to 2022

3.7.1 经济发展因素

人均GDP的提高意味着人口能源需求和消费水平的增加而加剧碳排放压力大量增长. 其是导致碳排放增长的首要驱动因素，在各城市群中均呈现先上升后下降的趋势，2010年后普遍呈下降趋势，其中在“十一五”时期，京津冀（3.44亿t）和长三角（5.05亿t）的贡献值达到最大. 可能的原因是“十一五”时期开始将单位GDP能耗降低作为经济社会发展的重要约束性指标之一和将节能指标纳入绩效体系及清洁能源风电、水电和核电等快速扩容^[57]，使得人均GDP实现持续增长的同时碳排放强度显著下降. 随后，中国的经济增长逐步从注重高速扩张转向高质量发展，更加强调产业结构优化与高端制造业培育，该因素正向驱动效应减弱且脱钩趋势显现.

3.7.2 人口规模因素

人口规模整体上对碳排放具有正向推动作用，但其效应呈现阶段性递减趋势. 在“十五”至“十二五”时期，人口规模因素对京津冀、长三角与珠三角在人口持续扩张趋势下呈正向驱动并达高点；而人口因素的增量效应在“十三五”时期后对三个城市群的推动作用逐渐减弱. 其中，京津冀更是在“十四五”初期转为负向驱动，表明人口规模增长对碳排放的边际贡献趋于减弱. 可能的原因为2000~2010年高速城镇化时期，大量人口向城市集中导致能源消费增长；2010年后城镇化率增速放缓，人口规模增长对碳排放的边际贡献趋于减弱. 成渝地区的人口规模效应出现峰值的时间相对滞后，其作为中西部的新兴增长极持续吸引人口流入并分别在“十二五”和“十三五”时期贡献为0.11亿t与0.14亿t的碳排放增量.

3.7.3 产业结构因素

产业结构对碳排放的影响具有较强的区域特征. 随着产业结构的优化，其对碳排放的作用由早期的正向驱动逐渐转变为负向抑制，贡献值由正转负且抑制效应不断增强，在一定程度上对其他驱动因素起到抵消作用. “十五”期间我国工业快速推动碳排放的增加；“十一五”以来，国家大力推进产业结构优化政策，即第二产业占比逐步下降和服务业比例持续提升，京津冀、长三角和珠三角的产业结构调整有效抑制了碳排放增长，而成渝则因转型进程相对滞后而使其抑制作用显现时间相对较晚；“十四五”初期，各城市群受疫情对产业结构的短期冲击而第三产业占比下降并导致第二产业比例增加，因而导致碳排放量有所增加.

3.7.4 工业能源效率因素

工业能源效率反映工业领域的能源利用水平与技术进步，对碳排放具有明显的抑制效应，累计贡献率为各因素中最强. 整体的碳排放抑制效应值呈现先升后递减再升的情况，体现了技术的阶段式进步与推广. “十一五”以来，国家高度重视能源效率提升，确立了节能工作的法律框架并制定能源效率标准，推动节能技术进步^[57]. 从累计抑制的效应值来看，长三角抑制效应最大且稳定，京津冀抑制效应显著但波动偏大；成渝碳排放抑制效应“十三五”时期明显减弱，可能原因是中西部地区在节能技术渗透率、政策执行和跨区域技术交流方面的不足；珠三角在累计贡献率中占比最大.

3.7.5 能源消费碳强度因素

能源消费碳强度是衡量能源结构中化石能源的碳密集度. 该因素在四大城市群中普遍表现为碳排放的抑制因素，其原因可能是国家在“十一五”规划中纳入了能源强度约束政策而推动能源生产和消费结构优化. 碳强度对比其他因素虽然贡献值较小但有长期稳定的负向效应，表明优化能源结构仍是未来减排的重要路径，并在推动非化石能源占比提升方面具有巨大的潜力. 分阶段来看，该因素对京津冀的抑制作用在“十三五”与“十四五”期间持续加深；对珠三角在各时期的抑制作用在整体上波动较小并表现为持续稳定的负向抑制效应；对长三角的早期抑制作用相对较弱，但在“十三五”时期显著增强. 在各城市群中，该因素对成渝的累计抑制贡献率效果最强.

4 建议

通过参考国际城市群的碳减排路径^[58]，中国的碳减排路径更加强调国家战略引导与区域协调发展. 因此，基于四大城市群碳排放的演变特征及驱动因素，本文提出针对性建议如下：

（1）依据城市群战略目标及地级市的功能定位，制定协同碳减排框架. 核心城市应发挥引领作用，以新质生产力赋能高端制造业和培育科技创新能力构建可复制推广的技术；制定符合区域特征的碳减排目标规划与指标体系，建立完善的碳排放监测预警机制；建立跨区域减排协作机制与信息共享，实现排放责任和资源流动的动态均衡.

（2）统筹生产生活减排与城市空间优化. 各城市群应统筹生产端与生活端的双向减排，在生产端推动智慧化绿色制造，生活端倡导绿色消费，完善节能电器补贴机制和培育低碳生活方式；优化城市功能空间布局，强化公共交通一体化建设，完善郊区“最后一公里”连接；有序疏解超高密度城区压力，促进人口规模与空间环境的协调宜居.

（3）优化产业结构与能源结构，提升碳排放抑制能力. 在保持既有产业基础的前提下，加快高耗能行业的绿色改造与升级. 京津冀需压减煤炭比例和提升清洁能源占比；长三角应布局风电、光伏与核电等清洁能源体系；珠三角增强清洁能源消纳能力；成渝发挥水电和太阳能等资源禀赋构建清洁能源一体化供应体系.

（4）加快绿色技术创新与人才布局，夯实低碳转型基础. 健全绿色技术创新体系，促进低碳技术研发、示范与推广的良性循环；通过产学研协同与创新创业竞赛，促进科研成果高效转化与应用；强化绿色技能培训与多层次人才培养，完善新能源、人工智能和绿色金融等重点领域的教育体系，形成技术与人才协同支撑的减排新动能.

5 结论

（1）通过构建融合夜间灯光指数在1 km×1 km空间分辨率下反演四大城市群的碳排放时空演化格局，并采用典型城市的土地利用类型数据对碳排放空间结果进行精度验证. 结果显示，碳排放空间化模拟与土地利用类型的空间分布高度一致，超80%的碳排放量集中在建设用地，验证了引入人口密度与归一化植被指数的线性回归模型具有较高精度与可靠性.

（2）四大城市群碳排放的时空演变格局由核心城市高密度集聚向周边扩散并表现热点减弱、梯度优化和区域均衡的演化趋势. 各城市群的代表性城市均逐渐显现高碳排放热点并逐渐向周围城市扩散，与城市群的整体规划布局政策和功能区调整政策相契合，体现不同区域在城市群内部承担着差异化功能定位，碳减排应在城市群整体框架下统筹谋划与协同优化以实现分工互补与低碳转型的协同推进.

（3）各城市群的碳排放强度整体呈下降趋势，即低碳发展成效不断显现. 人均碳排放则随经济发展呈多样化演进，其中部分核心城市已进入“高收入-低消耗”的第4象限区间，标志着高质量低碳发展的趋势显现，但城市群间及内部差异仍然显著，需加强协同治理与差异化有序推进.

（4）通过LMDI模型对碳排放影响因素的分析得出，经济发展始终是碳排放增长的首要驱动因素，但在中国经济高质量发展的过程中其正向驱动效应减弱且脱钩趋势显现；人口的正向驱动效应同样呈现出减弱的趋势；而产业结构优化和工业能源效率的提升是碳排放主要抑制因素，反映出技术进步和产业升级的积极作用；能源消费碳强度的抑制作用偏小但平稳，表明能源结构优化的减排作用初步显现，清洁能源替代的未来潜力较大.

参考文献

[1]	Xia X S, Ren P Y, Wang X H, et al. The carbon budget of China: 1980-2021[J]. Science Bulletin, 2024, 69(1): 114-124. DOI:10.1016/j.scib.2023.11.016
[2]	中华人民共和国生态环境部. 我国提交《中华人民共和国气候变化第一次双年透明度报告》和《中华人民共和国气候变化第四次两年更新报告》[EB/OL]. https://www.mee.gov.cn/ywgz/ydqhbh/qhbhlf/202501/t20250110_1100393.shtml, 2025-01-10.
[3]	新华社. 中共中央关于进一步全面深化改革推进中国式现代化的决定[EB/OL]. https://www.gov.cn/zhengce/202407/content_6963770.htm, 2024-07-21.
[4]	刘春梅, 钱啸吟. "双碳"目标下中国能源消费碳排放量预测[J]. 资源科学, 2023, 45(10): 1931-1946. Liu C M, Qian X Y. Prediction of carbon emissions from energy consumption in China under the "dual carbon" goal[J]. Resources Science, 2023, 45(10): 1931-1946.
[5]	柳梦琳, 赵清华, 马欲翔, 等. 中国多源碳排放演化与碳减排路径分析[J]. 环境科学, 2026, 47(5): 2805-2819. Liu M L, Zhao Q H, Ma Y X, et al. Multi-source carbon emissions evolution and mitigation pathways in China[J]. Environmental Science, 2026, 47(5): 2805-2819. DOI:10.13227/j.hjkx.202503060
[6]	王子钒, 蔡雨微, 罗仕伟, 等. 成渝城市群碳排放时空趋势特征及影响因素分析[J]. 环境科学与技术, 2023, 46(4): 205-215. Wang Z F, Cai Y W, Luo S W, et al. Temporal and spatial trend of carbon emission and its influencing factors in Chengdu-Chongqing urban agglomeration[J]. Environmental Science & Technology, 2023, 46(4): 205-215.
[7]	邹秀清, 孙学成, 葛天越, 等. 长三角地区碳排放差异､影响机理及碳达峰预测[J]. 长江流域资源与环境, 2023, 32(3): 548-557. Zou X Q, Sun X C, Ge T Y, et al. Carbon emission differences, influence mechanisms and carbon peak projections in Yangtze River Delta region[J]. Resources and Environment in the Yangtze Basin, 2023, 32(3): 548-557.
[8]	邹艳芬, 黄美娟, 黄和平, 等. 长江中游城市群碳排放的时空演变及其影响因素研究[J]. 长江流域资源与环境, 2025, 34(5): 976-992. Zou Y F, Huang M J, Huang H P, et al. Spatiotemporal evolution and associated influencing factors of carbon emissions in the middle reaches of the Yangtze River urban agglomerations[J]. Resources and Environment in the Yangtze Basin, 2025, 34(5): 976-992.
[9]	王乙喆, 王兴平, 陈秋伊. 城市碳排放测算方法研究评述及启示[J]. 城市规划, 2025, 49(3): 100-112. Wang Y Z, Wang X P, Chen Q Y. Review of research on urban carbon emission measurement methods and its implications[J]. City Planning Review, 2025, 49(3): 100-112.
[10]	管卫华, 徐慧, 李焕兰, 等. 中国能源消费碳排放演化与仿真预测[J]. 环境科学, 2025, 46(10): 6075-6087. Guan W H, Xu H, Li H L, et al. Evolution and simulation prediction of carbon emissions from energy consumption in China[J]. Environmental Science, 2025, 46(10): 6075-6087. DOI:10.13227/j.hjkx.202408078
[11]	王正, 周侃, 樊杰, 等. 市—县尺度能源消费碳排放核算方法研究进展[J]. 地理科学进展, 2023, 42(7): 1406-1419. Wang Z, Zhou K, Fan J, et al. Progress of research on energy-related carbon emission accounting methods at the prefectural and county levels[J]. Progress in Geography, 2023, 42(7): 1406-1419.
[12]	Zheng Y M, Fan M L, Cai Y L, et al. Spatio-temporal pattern evolution of carbon emissions at the city-county-town scale in Fujian province based on DMSP/OLS and NPP/VIIRS nighttime light data[J]. Journal of Cleaner Production, 2024, 442. DOI:10.1016/j.jclepro.2024.140958
[13]	Lv Q, Liu H B, Wang J T, et al. Multiscale analysis on spatiotemporal dynamics of energy consumption CO₂ emissions in China: utilizing the integrated of DMSP-OLS and NPP-VIIRS nighttime light datasets[J]. Science of the Total Environment, 2020, 703. DOI:10.1016/j.scitotenv.2019.134394
[14]	卢奕帆, 梁颖然, 卢思言, 等. 结合"珞珈一号"夜间灯光与城市功能分区的广州市碳排放空间分布模拟及其影响因素分析[J]. 地球信息科学学报, 2022, 24(6): 1176-1188. Lu Y F, Liang Y R, Lu S Y, et al. Spatialization of carbon emissions in Guangzhou city by combining Luojia1-01 nighttime light and urban functional zoning data[J]. Journal of Geo-Information Science, 2022, 24(6): 1176-1188.
[15]	丁乙宸, 谢来荣, 黄亚平, 等. 多尺度视角下武汉城市圈碳排放时空格局演化特征及脱钩效应研究[J]. 长江流域资源与环境, 2023, 32(3): 558-570. Ding Y C, Xie L R, Huang Y P, et al. Research on the spatial-temporal pattern evolution and decoupling effect of carbon emissions in Wuhan city circle from multi-scale perspective[J]. Resources and Environment in the Yangtze Basin, 2023, 32(3): 558-570.
[16]	施歌, 安泉, 刘嘉航, 等. 基于夜间灯光影像的江苏省县域碳排放时空格局[J]. 环境科学, 2026, 47(4): 2153-2164. Shi G, An Q, Liu J H, et al. Spatiotemporal patterns of county-level carbon emissions in Jiangsu province based on nighttime light imagery[J]. Environmental Science, 2026, 47(4): 2153-2164. DOI:10.13227/j.hjkx.202503281
[17]	林志富, 陶楠, 单立先, 等. 县域尺度下云南省碳排放时空演变特征及驱动机制[J]. 水土保持研究, 2026, 33(2): 1-10. Lin Z F, Tao N, Shan L X, et al. Spatiotemporal evolution characteristics and driving mechanisms of carbon emissions at county scale in Yunnan province[J]. Research of Soil and Water Conservation, 2026, 33(2): 1-10.
[18]	Zhang S, Liu X Y. Tracking China's CO₂ emissions using Kaya-LMDI for the period 1991-2022[J]. Gondwana Research, 2024, 133: 60-71. DOI:10.1016/j.gr.2024.05.007
[19]	Huang Y M, Lin W S, Wang Y, et al. Driving factors of CO₂ emissions in southeast China: comparative study of long-term trends, short-term fluctuations, and spatial variations[J]. Elementa: Science of the Anthropocene, 2024, 12(1). DOI:10.1525/elementa.2023.00028
[20]	Liu X Y, Bae J. Urbanization and industrialization impact of CO₂ emissions in China[J]. Journal of Cleaner Production, 2018, 172: 178-186. DOI:10.1016/j.jclepro.2017.10.156
[21]	Liu Y X, Jiang Y J, Liu H, et al. Driving factors of carbon emissions in China's municipalities: a LMDI approach[J]. Environmental Science and Pollution Research, 2022, 29(15): 21789-21802. DOI:10.1007/s11356-021-17277-w
[22]	梁力军, 马梦泽, 冯江林. 基于STIRPAT模型的山地城市碳达峰预测与实证: 以重庆市数据为例[J]. 环境科学, 2026, 47(4): 2112-2120. Liang L J, Ma M Z, Feng J L. Prediction and demonstration of carbon peak in mountain cities based on the STIRPAT model: a case study of Chongqing data[J]. Environmental Science, 2026, 47(4): 2112-2120. DOI:10.13227/j.hjkx.202503185
[23]	任世鑫, 李二玲, 赵金彩, 等. 黄河流域耕地利用碳排放时空特征及影响因素研究[J]. 中国土地科学, 2023, 37(10): 102-113. Ren S X, Li E L, Zhao J C, et al. Spatial-temporal characteristics of carbon emissions from cultivated land use in the Yellow River basin and the influencing factors[J]. China Land Science, 2023, 37(10): 102-113.
[24]	周桂芳, 周彦兵, 胡涛. 中原城市群县域碳排放时空演变及影响因素分析[J]. 管理学刊, 2023, 36(3): 19-34. Zhou G F, Zhou Y B, Hu T. Analysis on temporal and spatial pattern evolution and influencing factors of county carbon emission in Zhongyuan urban agglomeration[J]. Journal of Management, 2023, 36(3): 19-34.
[25]	Jiang P, Gong X J, Yang Y R, et al. Research on spatial and temporal differences of carbon emissions and influencing factors in eight economic regions of China based on LMDI model[J]. Scientific Reports, 2023, 13(1). DOI:10.1038/s41598-023-35181-w
[26]	Zhang W, Wang N. Decomposition of energy intensity in Chinese industries using an extended LMDI method of production element endowment[J]. Energy, 2021, 221. DOI:10.1016/j.energy.2021.119846
[27]	樊杰, 王亚飞, 梁博. 中国区域发展格局演变过程与调控[J]. 地理学报, 2019, 74(12): 2437-2454. Fan J, Wang Y F, Liang B. The evolution process and regulation of China's regional development pattern[J]. Acta Geographica Sinica, 2019, 74(12): 2437-2454.
[28]	国家统计局. 中华人民共和国2024年国民经济和社会发展统计公报[EB/OL]. https://www.gov.cn/lianbo/bumen/202502/content_7008605.htm?utm_source=chatgpt.com, 2025-02-28.
[29]	Wu Y Z, Shi K F, Chen Z Q, et al. Developing improved time-series DMSP-OLS-like data (1992-2019) in China by integrating DMSP-OLS and SNPP-VIIRS[J]. IEEE Transactions on Geoscience and Remote Sensing, 2022, 60. DOI:10.1109/TGRS.2021.3135333
[30]	Yang J, Huang X. The 30 m annual land cover datasets and its dynamics in China from 1985 to 2023[J]. Earth System Science Data, 2024, 13(1): 3907-3925.
[31]	Meng X, Han J, Huang C. An improved vegetation adjusted nighttime light urban index and its application in quantifying spatiotemporal dynamics of carbon emissions in China[J]. Remote Sensing, 2017, 9(8). DOI:10.3390/rs9080829
[32]	郝永佩, 宋晓伟, 朱晓东, 等. 关中盆地咸阳市PM_2.5污染时空分布特征和潜在源区分析[J]. 环境科学, 2025, 46(1): 579-590. Hao Y P, Song X W, Zhu X D, et al. Spatiotemporal distribution and potential source areas of PM_2.5 pollution in Xianyang city, Guanzhong basin[J]. Environmental Science, 2025, 46(1): 579-590. DOI:10.13227/j.hjkx.202311165
[33]	陈雯, 余绍文, 廖金, 等. 南昌东北部地下水重金属污染源解析及健康风险评价[J]. 环境科学, 2025, 46(2): 854-863. Chen W, Yu S W, Liao J, et al. Source analysis and health risk assessment of heavy metals in groundwater in the northeast of Nanchang city[J]. Environmental Science, 2025, 46(2): 854-863. DOI:10.13227/j.hjkx.202310199
[34]	刘敏毅, 崔博文, 王宇坤, 等. 基于注意力机制的Transformer模型预测PM_2.5浓度[J]. 环境科学, 2024, 45(12): 6993-7002. Liu M Y, Cui B W, Wang Y K, et al. Prediction of PM_2.5 concentration by transformer model based on attention mechanism[J]. Environmental Science, 2024, 45(12): 6993-7002. DOI:10.13227/j.hjkx.202311153
[35]	Meng L N, Graus W, Worrell E, et al. Estimating CO₂ (carbon dioxide) emissions at urban scales by DMSP/OLS (Defense Meteorological Satellite Program's Operational Linescan System) nighttime light imagery: methodological challenges and a case study for China[J]. Energy, 2014, 71: 468-478. DOI:10.1016/j.energy.2014.04.103
[36]	Doll C N H, Pachauri S. Estimating rural populations without access to electricity in developing countries through night-time light satellite imagery[J]. Energy Policy, 2010, 38(10): 5661-5670. DOI:10.1016/j.enpol.2010.05.014
[37]	Zhang Q L, Schaaf C, Seto K C. The vegetation adjusted NTL urban index: a new approach to reduce saturation and increase variation in nighttime luminosity[J]. Remote Sensing of Environment, 2013, 129: 32-41. DOI:10.1016/j.rse.2012.10.022
[38]	刘贤赵, 杨旭. 夜间灯光数据估算中国省域碳排放与国际碳数据库分配的碳排放比较[J]. 遥感技术与应用, 2022, 37(2): 319-332. Liu X Z, Yang X. The accuracy of nighttime light data to estimate China's provincial carbon emissions: a comparison with carbon emissions allocated by international carbon database[J]. Remote Sensing Technology and Application, 2022, 37(2): 319-332.
[39]	王素凤, 洪剑涛, 李化夫. 中国城市能源消费碳排放影响因素的时空异质性[J]. 世界地理研究, 2024, 33(8): 102-116. Wang S F, Hong J T, Li H F. Spatial and temporal heterogeneity of factors influencing carbon emissions from energy consumption in Chinese cities[J]. World Regional Studies, 2024, 33(8): 102-116.
[40]	Sun J Y, Qi Y B, Guo J W, et al. Impact of nighttime light data saturation correction on the application of carbon emissions spatialization: a comparative study of the correction effect and application effect based on five methods in China[J]. Journal of Cleaner Production, 2024, 438. DOI:10.1016/j.jclepro.2024.140815
[41]	姜渭宗, 徐建辉, 赵田. 基于夜间灯光数据的长江流域碳排放时空格局及异质性研究[J]. 长江流域资源与环境, 2024, 33(9): 2004-2017. Jiang W Z, Xu J H, Zhao T. Spatio-temporal pattern and heterogeneity of carbon emissions based on multi-source nighttime light data in the Yangtze basin[J]. Resources and Environment in the Yangtze Basin, 2024, 33(9): 2004-2017.
[42]	Yoichi K. Impact of carbon dioxide emission on GNP growth: interpretation of proposed scenarios[R]. Paris: IPCC, 1989.
[43]	Sun Q Q, Chen H, Long R Y, et al. Can Chinese cities reach their carbon peaks on time? Scenario analysis based on machine learning and LMDI decomposition[J]. Applied Energy, 2023, 347. DOI:10.1016/j.apenergy.2023.121427
[44]	Wurlod J D, Noailly J. The impact of green innovation on energy intensity: an empirical analysis for 14 industrial sectors in OECD countries[J]. Energy Economics, 2018, 71: 47-61. DOI:10.1016/j.eneco.2017.12.012
[45]	Ang B W, Liu F L, Chew E P. Perfect decomposition techniques in energy and environmental analysis[J]. Energy Policy, 2003, 31(14): 1561-1566. DOI:10.1016/S0301-4215(02)00206-9
[46]	中华人民共和国国务院. 中华人民共和国国民经济和社会发展第十一个五年规划纲要[EB/OL]. https://www.gov.cn/gongbao/content/2006/content_268766.htm, 2006-03-16.
[47]	中华人民共和国国务院. 国务院关于印发节能减排综合性工作方案的通知[EB/OL]. https://www.gov.cn/zwgk/2007-06/03/content_634545.htm, 2007-06-03.
[48]	中华人民共和国国务院. 国务院关于进一步加大工作力度确保实现"十一五"节能减排目标的通知: 国发〔2010〕12号[EB/OL]. https://www.gov.cn/zwgk/2010-05/05/content_1599897.htm, 2010-05-05.
[49]	全国人民代表大会. 国民经济和社会发展第十二个五年规划纲要(全文)[EB/OL]. http://www.npc.gov.cn/zgrdw/npc/xinwen/2011-03/17/content_1647851.htm, 2011-03-17.
[50]	中华人民共和国国务院. 国务院关于印发节能减排"十二五"规划的通知[EB/OL]. https://www.gov.cn/zwgk/2012-08/21/content_2207867.htm, 2012-08-21.
[51]	中华人民共和国国务院. 国务院关于印发"十二五"节能减排综合性工作方案的通知[EB/OL]. https://www.gov.cn/zwgk/2011-09/07/content_1941731.htm, 2011-09-07.
[52]	北京市人民政府. 北京市人民政府关于印发北京市国民经济和社会发展第十个五年计划纲要[EB/OL]. https://www.beijing.gov.cn/zhengce/gfxwj/202205/t20220510_2705882.html, 2001-03-12.
[53]	京津冀协同发展规划纲要领导小组. 京津冀协同发展规划纲要[EB/OL]. https://cre.org.cn/list3/jjy/15279.html, 2019-09-23.
[54]	上海市发展和改革委员会. 上海市国民经济和社会发展第十一个五年规划纲要[EB/OL]. https://fgw.sh.gov.cn/fgw_wngh/20211030/62836a4b2b6e4275b34a095e22d83b50.html, 2006-02-07.
[55]	中华人民共和国国务院新闻办公室. 珠江三角洲地区改革发展规划纲要(2008-2020)[EB/OL]. http://www.scio.gov.cn/xwfb/gwyxwbgsxwfbh/wqfbh_2284/2011n_11937/2011n06y13r/xgzc_12359/202207/t20220715_168231.html, 2011-06-07.
[56]	中华人民共和国国家发展和改革委员会. 国家发展改革委关于印发成渝经济区区域规划的通知(发改地区[2011]1124号)[EB/OL]. https://www.ndrc.gov.cn/xxgk/zcfb/ghwb/201106/t20110602_962116.html, 2011-05-30.
[57]	中华人民共和国国家发展和改革委员会. 能源发展"十一五"规划[EB/OL]. https://www.nea.gov.cn/2007-04/11/c_131215360.htm, 2007-04-11.
[58]	郭玉佳, 杨新平, 刘佳驹, 等. 国内外碳达峰城市减排实践与启示[J]. 环境保护, 2022, 50(18): 67-71. Guo Y J, Yang X P, Liu J J, et al. Practices and enlightenment of emission reduction in carbon peaking cities at home and abroad[J]. Environmental Protection, 2022, 50(18): 67-71.


环境科学 2026, Vol. 47 Issue (9): 5889-5906	PDF