中国省域建筑业碳排放效率与减排潜力的互动关系

引用本文

熊斌斌, 徐水太, 徐丝美, 温佳奇. 中国省域建筑业碳排放效率与减排潜力的互动关系[J]. 环境科学, 2026, 47(9): 5974-5987.

XIONG Bin-bin, XU Shui-tai, XU Si-mei, WEN Jia-qi. Interactive Mechanism of Carbon Emission Efficiency and Emission Reduction Potential in Chinese Provincial Construction Industry[J]. Environmental Science, 2026, 47(9): 5974-5987.

中国省域建筑业碳排放效率与减排潜力的互动关系

熊斌斌, 徐水太, 徐丝美, 温佳奇

江西理工大学经济管理学院，赣州 341000

收稿日期: 2025-05-07; 修订日期: 2025-09-27

基金项目: 江西省高校人文社会科学重点研究基地项目（JD23043）；江西省科学教育学会在校研究生课题（2025KXJYS684）

作者简介: 熊斌斌（2000~），男，硕士研究生，主要研究方向为建筑碳排放与可持续发展，E-mail：19979470583@163.com

通信作者: 徐水太, E-mail: stxu@jxust.edu.cn

摘要: 建筑业作为中国第二大碳排放源和减排潜力的行业，研究建筑业碳排放效率和减排潜力对于中国实现“双碳”目标具有重要的理论和现实意义. 运用非期望产出超效率SBM模型测算2010~2021年中国建筑业碳排放效率（CEE），基于“公平-效率”双重视角构建碳减排潜力指数，测算2010~2021年中国建筑业碳减排潜力（CRP），并运用Dagum基尼系数和标准差椭圆分析碳减排潜力的空间差异与重心变化，最后借助PVAR模型进一步剖析建筑业碳排放效率与减排潜力之间的互动关系. 结果显示：①建筑业碳排放效率呈“N”型下降，具体为东部 > 中部 > 全国 > 西部的空间分异格局. ②建筑业碳减排潜力先呈“M”型下降后波动下降，具体为东部 > 全国 > 西部 > 中部的空间分异格局，多数省域碳减排潜力挖掘空间较大. ③全国、中部和西部地区建筑业碳减排潜力基尼系数整体波动上升，差异逐渐变大；东部地区呈“M”型下降，差异变小；且差异主要来源由区域间差异转变成超变密度. ④标准差椭圆重心主要向东南转移，整体呈现收敛趋势，在特定方向上呈现出差异化的空间结构. 整体分布方向由“东北-西南”转变成“东南-西北”走向，后又变回至“东北-西南”走向. ⑤全国和中部碳排放效率与减排潜力为负向动态关系，东部和西部为单向关系.

关键词: 中国省域建筑业碳排放效率（CEE）碳减排潜力（CRP） PVAR模型

Interactive Mechanism of Carbon Emission Efficiency and Emission Reduction Potential in Chinese Provincial Construction Industry

XIONG Bin-bin , XU Shui-tai , XU Si-mei , WEN Jia-qi

School of Economics and Management, Jiangxi University of Science and Technology, Ganzhou 341000, China

Abstract: As the second largest carbon emitter and a sector with significant potential for carbon reduction in China, the construction industry plays a pivotal role in achieving the country's "dual carbon" goals. This study adopts the non-discretionary output super-efficiency SBM model to evaluate the carbon emission efficiency (CEE) of China's construction industry from 2010 to 2021. From the dual perspective of "fairness-efficiency, " a carbon reduction potential index is developed to quantify the carbon reduction potential (CRP) of China's construction industry during the same period. The Dagum Gini coefficient and standard deviation ellipse are employed to analyze spatial disparities and shifts in the center of gravity of carbon reduction potential. Finally, the PVAR model is used to further investigate the interactive relationship between carbon emission efficiency and carbon reduction potential in the construction industry. The findings indicate that: ① The carbon emission efficiency of the construction industry exhibited an "N"-shaped decline, with a spatial differentiation pattern characterized by eastern > central > national > western regions. ② The carbon reduction potential of the construction industry initially followed an "M"-shaped decline and subsequently fluctuated downward, with a spatial differentiation pattern of eastern > national > western > central regions. Most provincial areas possessed substantial carbon reduction potential. ③ The Gini coefficient of carbon reduction potential in the national, central, and western regions generally showed an upward fluctuation trend, indicating increasing disparities; in the eastern region, it demonstrated an "M"-shaped decline, reflecting decreasing disparities. The primary source of differences transitioned from inter-regional disparities to super-density variation. ④ The center of gravity of the standard deviation ellipse primarily shifted southeastward, revealing an overall convergence trend and presenting a differentiated spatial structure in specific directions. The overall distribution direction evolved from "northeast-southwest" to "southeast-northwest" and then reverted to "northeast-southwest." ⑤ A negative dynamic relationship existed between carbon emission efficiency and carbon reduction potential in the national and central regions, whereas in the eastern and western regions, it manifested as a one-way relationship.

Key words: provinces of China construction industry carbon emission efficiency(CEE) carbon reduction potential(CRP) PVAR modeling

在全球气候突变加剧和环境问题日益严峻形势下^[1]，提升碳减排潜力已成为全球共同关注的议题. 作为全球最大的碳排放国^[2]，中国于2020年首次向世界提出“双碳”目标的承诺；随后，2022年的二十大报告再次强调“积极稳妥推进碳达峰碳中和”，彰显了中国有序推进碳减排的决心. 为实现“双碳”目标，中国正加速推进产业结构调整，优化能源结构，推动绿色发展和生态文明建设，加快发展新质生产力，全面推动高质量发展.

建筑业为推动中国城镇化进程、改善居民居住条件方面作出了重要贡献. 然而，其快速发展也使其成为继工业部门之后的第二大碳排放源^[3]. 研究建筑业碳排放效率（carbon emission efficiency，CEE）和碳减排潜力（carbon reduction potential，CRP），对实现“双碳”目标至关重要. 联合国环境规划署报告显示，全球建筑业碳排放占比已达总排放量的38%^[4]；《2024中国城乡建设领域碳排放研究报告（2024年版）》进一步指出，2022年建筑相关碳排放量高达51.3亿t，占全国总碳排放量的比例攀升至48.3%. 上述数据表明，建筑业高碳排放的特性与国家整体碳减排目标形成突出矛盾^[5]. 尤为关键的是，我国疆域辽阔，各省域资源禀赋、产业结构、经济发展阶段及建筑技术水平等存在显著差异^[6]，导致建筑业碳排放效率与减排潜力在省域层面差异显著. 然而，“一刀切”的碳减排政策难以适应这种区域异质性特征，其结果导致高潜力省域碳减排空间未能充分挖掘，而低潜力省域则承担了过高的碳减排成本. 这不仅难以建立有效的跨省协同治理机制，还会进一步加剧省域间碳减排成效的不平衡. 因此，为实现区域协同碳减排，中国各级政府亟需构建更具靶向性和差异化的碳治理体系. 在此背景下，系统地从国家、区域和省域等多尺度深入剖析建筑业碳排放效率与减排潜力的时空演变趋势，并探究二者的互动关系及其内在作用机制，对于我国建筑业探索低碳转型路径及实现高质量发展具有至关重要的意义.

近年来，随着全球气候治理加速和我国“双碳”目标的持续推进，碳排放效率与减排潜力研究日益受到关注，相关研究主要围绕以下3个层面展开.

（1）碳排放效率学术界从国家^[7，8]、区域^[9]、省域^[10]和城市群^[11]等不同空间尺度，探究了碳排放效率的影响因素及时空演化特征，研究方法涵盖多种统计和空间分析技术，包括Tobit回归^[12]、多尺度地理加权回归^[13]（multiscale geographically weighted regression，MGWR）、空间杜宾模型^[14]（spatial durbin model，SDM）、地理探测器^[15]、空间关联网络^[16，17]、泰尔指数^[18]以及空间自相关分析^[19]等. 在碳排放效率的测算方法方面，学者们广泛应用了数据包络分析法^[20]（data envelopment analysis，DEA）、随机前沿分析法^[21]（stochastic frontier analysis，SFA）、SBM（slacks-based measure）^[22]及其改进的Super-SBM（super-slacks-based measure）^[23]. 然而，上述测算方法存在显著局限：DEA和SFA模型难以有效处理投入产出的非经常非径向松弛问题，可能导致效率值的高估或低估；SBM在应用中通常未将CO₂作为非期望产出纳入测算框架，致使测算结果与现实情景存在偏差. 为克服上述局限，Andersen等^[24]提出了包含非期望产出的Super-SBM模型，将CO₂排放明确纳入测算体系，显著提升了结果的准确性. 近年来，Super-SBM模型已被国内外学者广泛应用于工业^[25]、旅游业^[26]及建筑业^[27]等领域的碳排放效率测算研究. 鉴于此，本研究采用包含非期望产出的Super-SBM模型测度中国建筑业碳排放效率，旨在更精准地反映建筑业效率现状，为后续深入探究碳排放效率与减排潜力之间的互动关系奠定坚实的数据基础.

（2）碳减排潜力现有关于碳减排潜力的研究聚焦于工业^[28]、农业^[29]、旅游业^[30]、交通^[31]和食品^[32]等行业，测算方法多采用效率值^[33]和情景分析法^[34]. 然而，这两种方法均存在明显的局限. 效率值法对测算方法的选择与非期望指标的纳入与否高度敏感，易导致结果偏差大；情景分析法则过度依赖主观设定的情景和参数的假设，增加了研究结果的不确定性风险. 同时，现有研究多从公平或效率^[35]、经济发展权^[36]等单一视角展开. 鉴于碳减排潜力作为一项涉及多层面的综合性挑战，单一视角的研究往往难以有效平衡效率与公平的复杂关系，可能导致所提出的治理方案难以达到预期效果，也缺乏实际应用场景^[37]. 为克服单一视角的缺陷并降低研究结果的不确定性，学术界开始通过构建综合指标体系，从“公平-效率”双重视角测算碳减排潜力，以期获得结果更为全面、精确. 此外，现有研究多集中于国家尺度探究碳减排潜力的时空特征，而综合国家、区域和省域等多尺度的系统性研究相对匮乏. 鉴于此，本研究将基于“公平-效率”双重视角构建指标体系，测算中国建筑业碳减排潜力，并综合国家、区域和省域等多尺度深入分析其时空演变特征，为后续探究碳排放效率与减排潜力的互动关系提供数据和理论支撑.

（3）碳排放效率与减排潜力关系早期研究多从碳排放效率^[38]或碳减排潜力^[39]单一维度展开. 单一维度割裂了两者间的内在联系，难以全面反映二者相互影响的复杂关系，易导致研究结论出现偏差. 随着研究的深入，学术界开始将二者纳入统一分析框架. 如：Li等^[40]利用K-means聚类对城市进行碳减排潜力与排放效率分组分析，发现“低效率-中潜力”类型城市最多；Guo等^[41]解析了碳减排潜力对排放效率的单向影响，发现碳减排潜力的不确定性对碳排放效率存在一定程度上的提升作用；Bian等^[42]则从碳减排潜力与排放效率协调关系研究，识别出“高-高”、“高-低”、“低-高”和“低-低”这4种类型. 然而，上述研究仍存在明显不足，主要采用聚类分析或研究单向影响，鲜有研究将碳排放效率与减排潜力之间是视为一个复杂的、动态的、相互作用的双向系统深入研究. 此外，少数涉及二者互动关系的研究，其研究结果在不同案例间存在较大差异甚至矛盾. 如：陈卫东等^[43]指出经济发达地区碳减排潜力较低，而欠发达地区碳排放效率较高；Yu等^[44]则认为广东和江苏等发达省域具有较高的碳减排潜力；胡剑波等^[45]和宋娜等^[46]的研究则表明碳减排潜力低与碳排放效率为负向动态关系. 以上研究表明，碳排放效率与减排潜力存在关联，但由于行业存在显著异质性，特别是在特定行业（建筑业）背景下，其具体的交互作用机制仍需进一步深入探讨.

综上所述，现有研究对建筑业碳减排潜力的关注相对较少. 少数相关研究也存在视角单一和尺度单一的局限. 从区域与省域异质性出发，基于“公平-效率”双重视角研究碳排放效率与减排潜力互动关系的研究尤为缺乏. 鉴于此，本研究以我国建筑业为研究对象，依据经济发展水平将中国省域划分为三大经济区，从以下3个方面展开研究：①建筑业碳排放效率测算及时空演变. 利用Super-SBM模型，对2010~2021年中国省域建筑业碳排放效率进行测算，并分析其时空演变特征. ②多尺度碳减排潜力时空特征分析. 基于“公平-效率”双重视角构建碳减排潜力指数，从全国、区域和省域多个尺度上，运用Dagum基尼系数和标准差椭圆方法，深入剖析其空间差异和重心变化. ③碳排放效率与减排潜力互动关系研究. 采用面板向量自回归模型（PVAR），在全国和三大经济区层面，深入解析碳排放效率与减排潜力之间的双向动态互动关系及其内在机制. 本研究旨在为碳排放效率与减排潜力互动关系的理论研究提供建筑业的实证参考，并为中国建筑业制定差异化、区域协同的碳治理政策及推动建筑业低碳转型与高质量发展提供理论支撑.

1 材料与方法 1.1 研究方法 1.1.1 非期望产出Super-SBM模型

本研究应用包含非期望产出的Super-SBM模型，借助Max DEA软件，测算2010~2021年中国省域建筑业碳排放效率. 计算公式如下：

m i n θ = k - \frac{1}{m} \sum_{i = 1}^{m} \frac{s_{i}^{-}}{x_{i 0}}

(1)

s . t . \{\begin{array}{l} 1 = k + \frac{1}{s + r} (\sum_{t = 1}^{S} \frac{s_{t}^{+}}{y_{t 0}} + \sum_{d = 1}^{S} \frac{s_{b}^{-}}{z_{b 0}}) \\ k x_{i 0} = \sum_{j = 1}^{n} λ_{j} x_{i j} + s_{i}^{-}, i = 1, 2, \dots, m \\ k y_{t 0} = \sum_{j = 1}^{n} λ_{j} y_{t j} - s_{i}^{+}, t = 1, 2, \dots, s \\ k z_{b 0} = \sum_{j = 1}^{n} λ_{j} x_{b j} + s_{b}^{-}, b = 1, 2, \dots, r \\ s_{i}^{-} \geq 0, s_{t}^{+} \geq 0, s_{b}^{-} \geq 0, λ_{j} \geq 0, j = 1, 2, \dots, n \end{array}

(2)

式中，θ为省域碳排放效率值，n为省域个数，m、s和r依次为投入变量、期望产出个数和非期望产出的个数，s_i^-、s_t⁺和s_b^-依次为投入变量、期望产出和非期望产出的松弛变量，x_ij、y_t和z_ij依次为j省域在第i的投入、t项的期望产出和b项的非期望产出，λ_j为权重系数.

1.1.2 建筑业碳排放潜力指数

借鉴已有研究成果^[47，48]，本研究构建了兼顾“公平性”和“效率性”原则的碳减排潜力指数模型，该模型旨在科学量化区域碳减排潜力. 其数值大小与减排潜力正相关关系，即数值越大，表明该区域实现碳减排的边际成本越低，且减排措施的实施效果越好. 模型计算公式如下：

A C I_{i, t} = w \times E q u i t y_{i, t} + (1 - w) \times E f f i c i e n c y_{i, t}

(3)

E q u i t y_{i, t} = \frac{1}{2} \times P C + \frac{1}{2} \times P P

(4)

E f f i c i e n c y_{i, t} = \frac{1}{2} \times C I + \frac{1}{2} \times P G

(5)

式中，ACI_i，t为i省域在t年的减排指数；w为权重系数；Equity_i，t为i省域在t年的公平性指数，由同等重要的建筑业人均碳排放PC和建筑业人均产值PP计算而得；Efficiency_i，t为i省域在t年的效率性指数，由同等重要的建筑业碳排放强度CI和建筑业碳排放影子价格PG计算而得. 需要说明上述指标在计算前，均需要进行标准化处理以消除量纲影响，PC、PP和CI需要进行正向处理，PG需要进行逆向处理. 此外，鉴于中国建筑业碳排放公平和效率存在“高级和低级固化”问题，俱乐部收敛能够有效地识别和量化这种固化模式，能够较为合理分配公平与效率在减排目标中的相对重要性. 本研究参考Zhang等^[49]的研究思路，基于Equity和Efficiency计算数据，利用改进马尔可夫链的俱乐部收敛效应探索“公平”与“效率”相对权重，最终确定公平性指数与效率性指数的权重w和（1-w）分别为0.449和0.551.

1.1.3 Dagum基尼系数

与传统的基尼系数、泰尔指数等方法相比，Dagum基尼系数能够更有效地处理样本间的数据交叉问题. 同时，该方法的核心优势在于可将整体基尼系数（G）分解成区域间差异贡献（G_w）、区域内基尼差异贡献（G_nb）和超变密度贡献（G_t）这3个组成部分，有助于更深入的反映区域间和区域内不均衡来源与结构. 本研究利用区域内基尼系数衡量中国三大经济区内各省域建筑业碳减排潜力的差异贡献，利用区域间基尼系数衡量中国三大经济区之间建筑业碳减排潜力的差异贡献，利用超变密度衡量由于研究区域划时因交叉项对总差异产生的差异贡献. 计算公式如下：

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

(6)

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

(7)

G_{w} = \sum_{i = 1}^{k} G_{i i} m_{i} s_{i}

(8)

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

(9)

G_{n b} = \sum_{i = 2}^{k} \sum_{r = 1}^{i - 1} G_{i r} (m_{i} s_{r} + m_{r} s_{i}) D_{i r}

(10)

G_{t} = \sum_{i = 2}^{k} \sum_{r = 1}^{i - 1} G_{i r} (m_{i} s_{r} + m_{r} s_{i}) (1 - D_{i r})

(11)

式中，G=G_w+G_nb+G_t；G_ii和G_ir为三大经济区内和两两经济区间的基尼系数；j和h为省域；i和r为所属经济区；y_ij（y_rh）为i（r）区域内j（h）省域的建筑业CRP；y和y_i（y_r）分别为整个中国和i（r）经济区内省域的建筑业CRP均值；n为省域数量；n_i（n_r）为三大经济区内省域数量. 此外，D_ir为第i、r个区域间CRP的相对影响.

1.1.4 标准差椭圆

标准差椭圆（standard deviational ellipse，SDE）是一种定量刻画空间数据分布特征的分析方法，该方法通过生成一个椭圆，直观地反映研究要素在空间上的聚散程度与方向性^[50]. 本研究借助ArcGIS软件，绘制2010~2021年中国建筑业碳减排潜力标准差椭圆，通过分析椭圆的中心坐标、方位角、面积、扁率、长半轴和短半轴等主要参数，反映碳减排潜力的空间分布特征及演化趋势. 其中，中心坐标为碳减排潜力分布的重心，其移动轨迹直观反映研究期内碳减排潜力空间上的迁移方向与距离；方位角表示碳减排潜力分布的主要趋势；长半轴表示碳减排潜力空间分布的离散度，短半轴则表示聚集度. 此外，通过椭圆扁率进一步反映碳减排潜力分布的均衡度.

1.1.5 面板向量自回归模型（PVAR）

本研究分别以中国整体及划分的三大经济区的建筑业碳排放效率与减排潜力为内生变量，在数据平稳性检验与格兰杰因果检验通过的基础上构建PVAR模型，通过脉冲响应和方差分析反映区域内变量间的互动关系. 计算公式如下：

Y_{i t} = ρ_{0} + \sum_{j = 1}^{n} ρ_{j} Y_{i t ⁃ j} + α_{i} + β_{i} + δ_{i t}

(12)

式中，i为省域，t为年份，Y_it为建筑业碳减排潜力与建筑业碳排放效率这2个内生变量的列向量，ρ₀为截距，ρ_j为系数矩阵，j为滞后阶数，Y_it_-_j为j阶滞后项，α_i和β_i分别为固定效应和时间效应，δ_it为随机干扰项.

1.2 指标选取和数据来源 1.2.1 指标选取

鉴于上述研究方法，在计算建筑业碳排放效率和碳排放影子价格时，选取资本要素、劳动力要素、技术要素和能源要素为投入指标，建筑业产值为期望产出指标，建筑业碳排放总量为非期望产出指标（表 1）. 在测算碳减排潜力指数时，选取建筑业人均碳排放、人均产值、碳排放强度和碳排放影子价格4项指标. 其中，建筑业人均碳排放、人均产值和碳排放强度分别为建筑业碳排放总量与区域总人口数之比、建筑业产值与区域总人口数之比和建筑业碳排放总量与产值之比；碳排放影子价格为单位碳排放变化所导致区域产值变化量，利用Super-SBM的对偶模型，借助Max DEA软件计算而得.

表 1 投入产出指标体系 Table 1 Input-output index system

1.2.2 数据来源

以中国30个省市为研究区域（中国台湾、西藏、香港和澳门资料暂缺），根据国家统计局三大地带分类标准将研究区域分成东、中和西三大经济区，研究跨度为2010~2021年. 除碳排放总量外，其余数据均来源于2011~2022年《中国建筑业统计年鉴》《中国城市统计年鉴》. 部分缺失数据采用多项式插值法补充.

鉴于尚未有建筑业碳排放的统计数据，本研究将建筑业碳排放分为两部分：一是直接碳排放，将焦炭、天然气和汽油等9种能源消耗作为直接碳排放源；二是间接碳排放，将钢材、玻璃、水泥、铝材和木材这5类主要建材作为间接碳排放源. 借助IPCC系数法原理构建建筑业碳排放测算模型，计算2010~2021年中国30个省域建筑业碳排放. 计算公式如下：

$ \begin{aligned} I & =I_{\mathrm{dir}}+I_{\mathrm{ind}} \\ & \;\;\;=\left[\frac{44}{12} \sum E_i \times \lambda_i \times \alpha_i+\sum E_j \times \delta_j \times\left(1-\beta_j\right)\right] \times 10^{-4} \end{aligned} $

(13)

式中，I为建筑业总碳排放量，I_dir为建筑业直接碳排放量，I_ind为建筑业间接碳排放量，E_i为第i种能源消耗量，λ_i为第i种能源的标准煤折算系数，α_i为第i种能源碳排放系数，E_j为第j种建筑材料使用量，δ_j为第j种建筑材料的碳排放系数，β_j为第j种建筑材料的回收系数.

2 结果与分析 2.1 中国省域建筑业碳排放效率时空特征

本研究借助Max DEA软件，运用Super-SBM模型测算中国30个省域2010~2021年建筑业碳排放效率. 通过均值计算与分区统计方法对测算结果进行时空特征解析，结果如图 1所示.

图 1 2010~2021年中国建筑业碳排放效率（CEE） Fig. 1 CEE in China's construction industry from 2010 to 2021

从图 1（a）分析，在国家层面，2010~2021年中国建筑业碳排放效率呈“N”型变化趋势，由2010年的0.775下降至2021年的0.734. 从区域层面，东部和中部地区建筑业碳排放效率普遍高于全国平均水平，而西部地区低于全国平均水平. 深入分析区域间建筑业碳排放效率的差异主要源于以下因素：①东部地区凭借改革开放积累的雄厚经济基础和和资本优势，能够通过高投入支撑高产出，有效弥补了碳减排成本. 同时，东部地区积极推动技术创新和能源结构优化，显著提升了碳排放效率. ②中部地区受益于东部建筑业辐射效应和产业转移，通过规模化生产有效降低了边际碳排放强度. 然而，受限于相对滞后的技术发展水平，其碳排放效率整体上仍落后于东部地区. ③相较东、中部，西部地区由于经济增长相对缓慢、基础设施不完善，对化石能源依赖度较高，导致建筑业整体规模较小，加之发展模式多依赖资源密集型投入，致使西部地区建筑业碳排放效率处于较低水平.

从图 1（b）分析，省域层面，江苏、天津和上海等7个省域的建筑业碳排放效率均值大于1，表明其处于生产前沿，投入产出组合达到最优状态；广西、新疆和吉林等13个省域的效率均值位于0.6~1之间；黑龙江、安徽和宁夏等10个省域效率均值低于0.6. 总体而言，中国大部分省域建筑业碳排放效率未达到有效水平，依然具有较大的提升空间. 此外，无论是区域还是省域层面，建筑业碳排放效率都存在显著的差异性和空间异质性.

2.2 中国省域建筑业碳减排潜力时空特征 2.2.1 时序特征分析

本节基于构建的“公平-效率”双重视角的碳减排潜力指数，对2010~2021年中国30个省域建筑业碳减排潜力进行测算. 通过计算均值并采用分区统计方法对测算结果进行时空特征解析，结果如图 2所示.

图 2 2010~2021年中国建筑业碳减排潜力（CRP） Fig. 2 CRP in China's construction industry from 2010 to 2021

从图 2（a）分析，国家层面，2010~2015年间，中国建筑业碳减排潜力指数呈“M”型波动；2016~2021年间，指数变化幅度收窄，呈窄幅波动中缓慢下降趋势，最终由2010年的0.258降至2021年的0.245. 区域层面，东、中和西部三大区域间建筑业碳减排潜力差异相对较小，总体呈现出东部 > 西部 > 中部分布特征. 此外，东部地区高于全国平均水平，东部地区庞大的建筑业规模和历史粗放发展模式积累的存量，具备较大的减排空间潜力. 中部地区低于全国平均水平，中部地区受益于东部辐射效应，其产业结构升级较快，传统建材需求下降导致碳排放空间显著压缩，故碳减排潜力较低. 西部地区低于全国平均水平但高于中部，西部地区在承接东部产业转移的过程中规模快速扩张，叠加能源消耗量大、资源利用效率低及建造技术水平相对落后等因素，使其碳减排潜力高于中部；同时，受限于经济发展水平与产业结构，其碳减排潜力低于全国水平.

从图 2（b）分析，省域层面，2010年~2021年，浙江、江苏和福建这3个省域建筑业碳减排潜力指数均值大于0.4，表明其存在较大的碳减排空间；北京、湖北和天津等23个省域建筑业碳减排潜力指数均值位于0.2~0.4之间，表明上述省域在建筑节能改造、可再生能源应用替代部分传统能源、推行绿色建筑标准等方面已取得一定成效，但仍存在一定的碳减排空间；广东、甘肃和黑龙江等4个省域建筑业碳减排潜力指数均值小于0.2，表明碳减排空间有限. 综上，在推动建筑业绿色低碳与高质量发展协同并进的背景下，碳减排潜力较大的省域应承担更多的减排责任，以期实现经济发展与环境保护的协同优化.

2.2.2 空间特征分析 2.2.2.1 Dagum基尼系数

本研究利用碳减排潜力分区计算数据，借助Matlab软件测算Dagum基尼系数. 并将其分解为区域内差异、区域间差异和超变密度，结果如图 3~5所示.

图 3 中国及三大经济区内基尼系数差异 Fig. 3 Intraregional and national Gini coefficient differences

图 4 三大经济区域间基尼系数差异 Fig. 4 Interregional Gini coefficient differences

图 5 基尼系数区域差异来源贡献值与贡献率 Fig. 5 Contribution value and contribution rate of regional difference of Gini coefficient

（1）区域内差异从图 3分析，2010~2021年中国建筑业碳减排潜力基尼系数呈波动上升趋势，由2010年的0.134增至2021年的0.263，且均值为0.259. 表明受各省资源禀赋、经济技术水平和产业集中度差异影响，中国建筑业碳减排潜力存在显著的区域发展失衡现象，且该失衡状态呈现持续加剧态势.

从三大经济区内部差异来看：东部地区区域内基尼系数呈“M”型波动下降趋势，表明内部差异逐步收敛；中部和西部地区则呈现波动上升趋势，反映出其区域内差异仍在持续扩大. 从区域内差异的贡献度来看，三大经济区对全国总体区域内差异的平均贡献度排序为：中部 > 西部 > 东部. 深入分析其原因：中部地区贡献度居首，主要源于中国幅员辽阔，建筑业在产业转移过程中存在显著的空间衰减效应，导致不同区位城市承接产业转移的能力悬殊，内部差异被放大；西部地区次之，受限于复杂多样的地形条件、相对恶劣的气候环境以及基础设施发展水平的巨大差异，导致了区域内发展的高度不均衡；东部地区贡献度最小且趋降，是由于东部产业成熟度高、人力、财力和物力等资源要素流动充分. 此外，东部、中部和西部地区内差异年均变动率依次为0.74%、15.8%和6.5%，进一步验证了中部地区内差异扩大最快，西部次之，东部呈现缩小趋势.

（2）区域间差异如图 4所示，2010~2021年中国区域间建筑业碳减排潜力基尼系数均呈波动上升趋势. 具体来看，东部-西部、东部-中部以及中部-西部区域间基尼系数年均变动率依次为8.8%、6.3%和13.1%，表明区域间建筑业碳减排潜力差距不断扩大，尤其是中部与西部区域间差异增长速度最快，要实现区域共同减排可能具有一定难度.

就区域间差异程度而言，东部-中部和东部-西部地区之间的差异相对较大，其基尼系数均值依次为0.236和0.252；中部-西部地区相对较小，其基尼系数均值为0.196，区域间具有一定的趋同性. 东部地区受益于优越的地理区位、积极的政策导向和成熟的建筑产业体系，在绿色建筑推广和智能建造技术方面领先，与之相对，中部和西部地区受制于基础设施投资相对滞后、建筑业发展结构性问题突出及技术水平相对薄弱等因素，致使其与东部地区的差异较大. 中部和西部差异较小且趋同，一是国家“西部大开发”“中部崛起”等区域协调发展战略对公共基础设施项目的均衡投入，有助于缩小发展鸿沟；二是两者面临相似的地理约束条件，对建筑业发展模式与减排潜力形成共性影响. 此外，尽管存在上述差异，但区域间差异收敛于0.304，表明中国在国家生态文明建设战略背景下，各区域推荐建筑业减排降碳的努力方向具有一致性.

（3）差异贡献对中国建筑业碳减排潜力发展水平的影响，总差异贡献率分解成区域内差异、区域间差异和超变密度进行分析，如图 5所示. 区域内差异、区域间差异和超变密度均值依次为0.067、0.076和0.075，平均贡献率依次为30.73%、34.86%和34.40%. 具体而言，区域内差异贡献最低且研究期内贡献率保持平稳；区域间差异贡献率最高，研究期内波动下降，由2010年的49%下降至2021年的29%；超变密度贡献率仅次于区域间差异，同时研究期内波动上升，由2010年的22%上升至2021年的39%. 表明研究期内中国建筑业碳减排潜力发展水平的差异主要来源由区域间差异逐渐转变成超变密度，这意味着区域间样本的交叉重叠问题的影响对碳减排潜力协调发展的制约最为显著. 此外，需要注意的是，区域内差异贡献率虽然未发生大幅波动，但其对总差异的影响程度已超过区域间差异，区域内的均衡发展不容忽视.

2.2.2.2 标准差椭圆

本研究借助ArcGIS软件，绘制2010~2021年中国省域建筑业碳减排潜力分布的标准差椭圆，图 6展示了2011年、2013年、2015年、2017年、2019年和2021年的代表性椭圆形态. 同时，结合主要椭圆参数（表 2），中国建筑业碳减排潜力空间格局演化特征如下：

地图基于自然资源部标准地图服务网站GS（2023）2767标准地图制作，底图无修改图 6 2010~2021年中国建筑业碳减排潜力（CRP）标准差椭圆 Fig. 6 Standard deviation ellipse of CRP in China's construction industry from 2010 to 2021

表 2 标准差椭圆相关参数 Table 2 Correlation parameters of standard deviation ellipse

就分布重心而言，2010~2021年间，碳减排潜力重心位于113°27′~112°14′E和32°12′~34°19′N范围内，整体迁移轨迹表现为从河南洛阳市向平顶山市的东南方向移动，累计迁移距离约74.6 km. 同时，重心以向南迁移为主，向东迁移较为缓慢且主要集中于2017~2018年. 表明中国南方碳减排潜力高值区域的权重持续上升. 重心迁移的驱动因素主要由政策导向的区域差异、低碳技术扩散的不均衡性以及区域发展动态博弈. 南方凭借政策先发优势、完善的清洁能源基础设施以及较高的城市化水平，加之全国经济重心南移以及持续加大的生态环境投资，共同推动了重心向南方转移；而2017~2018年阶段性向东迁移，则体现东部地区制定了有针对性的政策工具的精准发力，有效提升了东部地区碳减排潜力.

就分布范围而言，2010~2021年椭圆面积呈现下降趋势，由2010年的376.504万km²下降至2021年的274.512万km²；同时椭圆的形状指数（即扁率）逐渐变大，椭圆趋于扁化. 表明中国建筑业碳减排潜力差异减小，在分布上整体呈空间收敛趋势，而在特定方向上又呈现出差异化的空间结构. 究其原因，一方面，技术进步及其空间扩散促进了碳减排潜力空间趋同；另一方面，地理环境约束、经济发展梯度差异以及区域化政策的非均衡效应则导致其方向性集聚.

就分布方向而言，椭圆方位角整体顺时针转动，先由2010年的65°13′上升至2017年的150°36′，随后又逆时针旋转，至2021年回到65°46′. 对应的分布方向由“东北-西南”→“东南-西北”→“东北-西南”的转变. 随着建材产业向西部转移，碳排放量急剧增长倒逼区域碳减排技术水平提高，导致碳减排潜力有所下降，致使其主要分布方向转变为“东南-西北”走向；而受“十二五”及后续规划影响，珠三角、长三角和东南沿海等传统建筑业发达地区加速推进绿色建筑规模化与能效提升，使其碳减排潜力下降导致主要分布方向回到“东北-西南”走向. 此外，长、短半轴同步显著减小，分别由2010年的1 119.15 km、1 070.86 km减小至2021年的976.37 km、894.95 km，表明无论椭圆如何转动，碳减排潜力都是趋向聚集，差异逐渐变小.

2.3 建筑业碳排放效率与减排潜力的互动关系 2.3.1 平稳性检验

为避免虚假回归对后续分析产生影响，确保后续PVAR模型估计的有效性，本研究对建筑业碳排放效率（CEE）与碳减排潜力（CRP）数据进行平稳性检验，采用LLC、IPS和ADF这3种主流检验方法进行综合判断. 检验结果显示（表 3）：除东部和中部地区的CEE未通过ADF检验外，其余变量的P值均在10%的显著性水平下，检验通过. 因此，综合判断CEE和CRP均拒绝“存在单位根”的原假设，数据表现为平稳. 因此，满足构建PVAR模型的数据平稳性前提条件，可继续后续分析.

表 3 单位根检验结果 Table 3 Results of unit root test

2.3.2 格兰杰因果检验

本研究以信息准则AIC、BIC和HQIC为计量标准，选定中国整体最优滞后阶数为1阶，东部和中部地区为3阶，西部地区为2阶. 利用最优滞后阶数，借助格兰杰因果检验剖析建筑业碳排放效率（CEE）与碳减排潜力（CRP）之间的因果关系及其相互作用机制. 检验结果显示（表 4）：①全国和中部地区的P值均在10%的显著性水平下，检验结果均拒绝“CEE不是CRP的格兰杰原因”和“CRP不是CEE的格兰杰原因”的原假设，表明全国和中部地区的CEE与CRP存在显著的双向格兰杰因果关系，二者明显具有互动关系. ②东部地区未能拒绝“CEE不是CRP的格兰杰原因”的原假设（P值为0.131 > 0.10），在10%显著性水平下拒绝“CRP不是CEE的格兰杰原因”的原假设，表明由CRP到CEE呈单向的格兰杰因果关系. ③西部地区未能拒绝“CRP不是CEE的格兰杰原因”的原假设（P值为0.323 > 0.10），在10%显著性水平下拒绝“CEE不是CRP的格兰杰原因”的原假设，表明由CEE到CRP呈单向的格兰杰因果关系.

表 4 格兰杰因果检验结果 Table 4 Results of Granger causality test

综上，格兰杰因果检验揭示了CEE与CRP互动关系的显著区域异质性：全国与中部地区表现为双向互动，东部地区表现为CRP驱动CEE，西部地区表现为CEE驱动CRP.

2.3.3 脉冲响应

本研究通过脉冲响应进一步深入解析建筑业CEE与CRP之间的互动关系. 以10期为滞后期限，运用蒙特卡洛模拟重复200次并设置95%的置信区间上下限，分别对全国、东部、中部和西部地区进行脉冲响应分析. 结果显示（图 7~10）：①全国、东部、中部和西部所有地区CEE与CRP对自身的冲击均产生显著的正向响应，当期影响力达到峰值，第2期逐步趋近于0. 但相较于其他地区，东部和西部地区CEE与CRP内生惯性更强，形成了短期的自我增强效应. ②CRP对CEE一个单位标准差的冲击时，东部地区响应不显著；全国和中部地区当期为0，在第1期降到最低值后逐渐趋于0，呈现先快速下降后缓慢恢复的变化趋势；西部地区当期为正向影响，在第1期迅速下降至最低值后上升，逐渐趋近于0，整体表现为负向影响. 表明全国、中部和西部地区CEE对CRP具有抑制作用，且抑制效果中部地区最为显著，其次是全国，最后是西部地区. ③CEE对CRP一个单位标准差的冲击时，西部地区响应不显著；全国和中部地区当期影响为负，在第1期负向影响达到最大后逐渐降低并趋于0，负向影响逐渐减弱；东部地区当期为0，在第1期达到峰值后逐渐趋于0，呈“L”型衰减趋势，整体表现为正向影响. 结果表明，全国和中部地区CRP对CEE具有抑制作用，抑制效果中部大于全国；东部地区CRP对CEE具有促进作用. 此外，随着时间推移CRP和CEE的相互作用逐渐减弱最后消失.

红色为真实值，蓝黄为95%置信区间上下限，下同图 7 全国脉冲响应 Fig. 7 National impulse response

图 8 东部地区脉冲响应 Fig. 8 Eastern region impulse response

图 9 中部地区脉冲响应 Fig. 9 Central region impulse response

图 10 西部地区脉冲响应 Fig. 10 Western region impulse response

2.3.4 方差分解

借助方差分解测度建筑业碳排放效率（CEE）和碳减排潜力（CRP）之间相互冲击的贡献程度，进一步剖析二者之间的相互影响程度. 鉴于各地区方差分解结果具有一定相似性，本研究仅对全国方差分解进行分析. 结果显示（表 5），第1期CEE影响完全源于自身，第2期开始受自身的影响逐渐减弱，并在第5期稳定在88.6%，同时CRP对CEE的影响逐渐显现并稳定在13.4%. 相比之下，第1期CRP受自身的影响较高，占比高达99.8%，受CEE的影响仅为0.2%；然而随着时间推移CRP受自身的影响大幅下降并稳定在80.9%，受CEE的影响增加并稳定在19.1%. 此外，CRP与CEE受自身的影响显著，进一步实证二者均具有较强的内生惯性.

表 5 方差分解结果 Table 5 Results of variance decomposition

3 讨论

（1）碳排放效率与减排潜力存在动态关联性与区域异质性全国和中部地区建筑业碳排放效率与减排潜力呈负向动态关系，该结论与宋娜等^[46]研究一致. 东部地区则表现为经济发达与碳减排潜力高的特征，这与Wang等^[32]关于经济发达的省域具有较高的碳减排潜力的结论一致，但与陈卫东等^[43]的研究结论相悖. 西部地区碳排放效率与减排潜力呈负向关联系. 由此可见，建筑业碳排放效率与减排潜力的互动关系在行业间与区域内均存在显著异质性，其差异既源于行业层面的能源消费结构、技术创新水平及政策约束强度的差异，也与区域经济发展阶段、产业结构特征及环境规制力度密切相关.

（2）区域协同是实现建筑业碳减排的关键路径碳减排的本质是多要素联动的系统性优化^[51]，区域协同通过打破行政壁垒，推动实现政策、技术和资源的“跨域整合”，实现碳减排效能提升. 然而，区域间经济发展水平和产业基础参差不齐可能削弱协同发展. 此外，区域协同绝非“一刀切”，而已构建差异化协同框架，通过因地制宜的技术路径设计与政策组合，从而最大程度发挥区域协同的碳减排潜力.

（3）西部政策扶持对西部建筑业碳排放效率与减排潜力产生影响碳排放效率呈现“先抑后扬”趋势，可能的原因是随着国家对西部全方位的政策扶持，产业向西部转移带动基础设施建设的需求，短期内大量的资源投入带来碳排放的急剧上升，导致碳排放效率下降；但随着东、中部不仅将产业业务拓展到西部，而且绿色、创新等技术扩散效应实现效率提升. 同时，随着政策持续扶持与技术水平的提高，碳减排潜力呈下降趋势^[52]，但区域间的差异仍需要靶向性政策干预. 此外，未来需警惕传统发展模式路径依赖，强化“双碳”目标与区域发展战略的制度性融合.

4 建议

（1）构建“效率-潜力”正向互动机制，加速建筑业碳减排空间收敛中国建筑业仍具备较大的碳减排空间，但实证表明建筑业碳排放效率对碳减排潜力存在显著负向抑制效应. 因此，要缩小减排潜力释放，需实施双向调控策略. 一方面优化建筑业要素配置结构、推行清洁能源替代传统化石能源新技术发展、全面贯彻绿色发展理念，提升碳排放效率；另一方面加快推动低碳建材、装配式建筑等绿色建造技术与应用，淘汰落后产能与技术、建立全生命周期碳排放管理体系，实现碳减排潜力向实际减排高效转化.

（2）制定梯度化区域政策框架，深化区域协同减排针对区域建筑业碳排放效率与减排潜力的空间差异，应制定差异化政策. 对于东部地区，保持碳排放效率优势前提下，进一步突破绿色发展技术瓶颈，挖掘碳减排潜力. 同时，发挥其经济和技术优势，通过技术扩散，建立跨区域技术转移平台，促进绿色发展技术、资本和人才向中、西部转移. 中部地区应加强技术引进和优化能源结构，积极承接东部产业转移，缩小与东部地区的差异. 此外，中部地区还应作为东部和西部地区的桥梁，促进绿色发展技术在区域间的传播和应用. 西部地区在持续享有国家政策扶持下，吸引东部和中部地区绿色发展技术、资本和人才流入的同时，优化能源结构，加大清洁能源基础设施建设，提升区域碳排放效率.

5 结论

（1）建筑业碳排放效率特征从全国来看，中国建筑业碳排放效率呈“N”型变化趋势，由0.775下降至0.734. 从区域来看，建筑业碳排放效率呈东部地区 > 中部地区 > 全国 > 西部地区的空间分异格局. 从省域来看，江苏、天津和上海等7个省域建筑业碳排放效率均值大于1；广西、新疆和吉林等13个省域位于0.6~1之间；黑龙江、安徽和宁夏等10个省域低于0.6.

（2）建筑业碳减排潜力时序特征从全国来看，2010~2015年中国建筑业碳减排潜力指数呈“M”型，2016~2021年变化幅度较小，呈现波动下降趋势，最终由2010年的0.258下降至2021年的0.245. 从区域来看，呈现东部地区 > 全国 > 西部地区 > 中部地区的空间分异格局. 从省域来看，浙江、江苏和福建这3个省域建筑业碳减排潜力指数均值大于0.4，减排空间较大；北京、湖北和天津等23个省域位于0.2~0.4之间，存在一定减排空间；广东、甘肃和黑龙江等4个省域小于0.2，减排空间有限.

（3）建筑业碳减排潜力空间差异从区域内来看，中国建筑业碳减排潜力基尼系数呈波动上升趋势；东部地区呈“M”型下降趋势，差异逐渐缩小；中部和西部地区则均呈波动上升趋势，差异仍在扩大；同时，区域内差异分异程度以依次为中部地区 > 西部地区 > 东部地区. 从区域间来看，区域间建筑业碳减排潜力基尼系数均呈波动上升趋势，东部-中部和东部-西部地区之间的差异相对较大；中部-西部地区相对较小，区域间具有一定的趋同性. 从差异贡献度来看，区域内差异贡献率保持平稳，区域间差异贡献率呈波动下降趋势，超变密度贡献率呈波动上升趋势，且差异主要来源由区域间差异逐渐转变成超变密度.

（4）建筑业碳减排潜力重心及变化中国建筑业碳减排潜力重心位于113°27′~112°14′E和32°12′~34°19′N之间，并由河南洛阳市迁移至平顶山市，向东南方向迁移了约74.6 km，以向南迁移为主，向东迁移主要发生在2017~2018年. 中国建筑业碳减排潜力降低，且在分布上整体呈空间收敛趋势，在特定方向上又呈现出差异化的空间结构. 整体分布方向由“东北-西南”转变成“东南-西北”走向，后又变回至“东北-西南”走向.

（5）建筑业碳排放效率与减排潜力互动关系全国和中部地区建筑业碳排放效率与减排潜力呈负向动态关系，且互为格兰杰原因；东部地区，碳减排潜力对碳排放效率具有正向影响，单向格兰杰原因；西部地区，碳排放效率对碳减排潜力具有负向影响，为单向格兰杰原因. 此外，碳排放效率与减排潜力均受自身冲击较大，且具有较强的内生惯性.

参考文献

[1]	王静, 白文超, 蔚筱偲. 中国省域建筑业绿色韧性评价及障碍因素分析[J]. 环境科学, 2025, 46(12): 7500-7512. Wang J, Bai W C, Yu X S. Evaluation of green resilience in provincial construction industry and analysis of obstacle factors[J]. Environmental Science, 2025, 46(12): 7500-7512. DOI:10.13227/j.hjkx.202411201
[2]	周淑慧. 中国节能降碳绿色转型政策密集发布碳达峰目标有望提前实现[J]. 国际石油经济, 2025, 33(1): 47-49. Zhou S H. The intensive release of China's energy-saving, carbon-reducing, and green transition policies indicates the carbon peaking target is expected to be realized in advance[J]. International Petroleum Economics, 2025, 33(1): 47-49.
[3]	Yamaguchi Y, Zhang X K, Nishijima T, et al. Building stock energy modeling to assess annual progress in stock energy efficiency and carbon emission reduction of commercial buildings[J]. Energy and Buildings, 2024, 324. DOI:10.1016/j.enbuild.2024.114909
[4]	Ni G D, Fang Y Q, Niu M M, et al. Spatial differences, dynamic evolution and influencing factors of China's construction industry carbon emission efficiency[J]. Journal of Cleaner Production, 2024, 448. DOI:10.1016/j.jclepro.2024.141593
[5]	Niu J G, Xin B X, Xin B Y, et al. Research on the coordinated development of provincial urbanization and carbon emission efficiency of construction industry in China[J]. Carbon Balance and Management, 2024, 19(1). DOI:10.1186/s13021-024-00259-z
[6]	徐水太, 熊斌斌, 徐丝美. 多情境下中国省域建筑业碳达峰的时空特征[J]. 环境科学, 2026, 47(1): 64-74. Xu S T, Xiong B B, Xu S M. Temporal and spatial characteristics of carbon peak in the provincial construction industry of China under multiple scenarios[J]. Environmental Science, 2026, 47(1): 64-74.
[7]	周向红, 胡鹏程, 成鹏飞. 基于全生命周期视角的中国建筑业碳排放核算与碳达峰预测[J]. 环境科学, 2025, 46(4): 2020-2034. Zhou X H, Hu P C, Cheng P F. Carbon emission accounting and peak carbon prediction of China's construction industry from a whole life cycle perspective[J]. Environmental Science, 2025, 46(4): 2020-2034. DOI:10.13227/j.hjkx.202403174
[8]	Zhang J, Zhang Y, Chen Y J, et al. Evaluation of carbon emission efficiency in the construction industry based on the super-efficient slacks-based measure model: a case study at the provincial level in China[J]. Buildings, 2023, 13(9). DOI:10.3390/buildings13092207
[9]	卢昱杰, 何凌云, 李佩娴, 等. 长三角一体化区域建筑业碳达峰预测与减排研究[J]. 同济大学学报(自然科学版), 2024, 52(8): 1238-1249. Lu Y J, He L Y, Li P X, et al. Carbon peak prediction and emission reduction in construction industry of Yangtze River Delta under regional development[J]. Journal of Tongji University (Natural Science), 2024, 52(8): 1238-1249.
[10]	王志强, 李可慧, 任金哥, 等. 基于LMDI-SD模型的山东省建筑业碳排放影响因素与情景预测[J]. 环境工程, 2023, 41(10): 108-116. Wang Z Q, Li K H, Ren J G, et al. Influential factors and scenario forecast of carbon emissions of construction industry in Shandong Province based on LMDI-SD model[J]. Environmental Engineering, 2023, 41(10): 108-116.
[11]	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.
[12]	牛建广, 张玉苛, 高春艳, 等. 环渤海经济圈与长江经济带建筑业碳排放效率比较与影响因素分析[J]. 环境工程学报, 2024, 18(11): 3374-3384. Niu J G, Zhang Y K, Gao C Y, et al. Comparison and analysis of influencing factors on carbon emission efficiency of construction industry in Bohai Rim Economic Circle and Yangtze River Economic Belt[J]. Chinese Journal of Environmental Engineering, 2024, 18(11): 3374-3384.
[13]	尹剑, 姜洪涛, 焦露, 等. 基于Geodetector和MGWR的贵州工业碳排放效率时空演化及影响因素分析[J]. 地理科学, 2024, 44(7): 1217-1227. Yin J, Jiang H T, Jiao L, et al. Spatio-temporal variation and influencing factors of industrial carbon emission efficiency in Guizhou based on Geodetector and multi-scale geographically weighted regression[J]. Scientia Geographica Sinica, 2024, 44(7): 1217-1227.
[14]	宋青, 李超群, 陈骏宇. 城市尺度下长三角区域碳排放效率时空演化及影响因素研究[J]. 南京林业大学学报(自然科学版), 2023, 47(6): 251-262. Song Q, Li C Q, Chen J Y. Spatio-temporal evolution and influencing factors of carbon emission efficiency in the Yangtze River Delta region at the city scale[J]. Journal of Nanjing Forestry University (Natural Sciences Edition), 2023, 47(6): 251-262.
[15]	龚银银, 张永庆, 罗婷. 长三角城市群碳排放效率与经济高质量发展耦合协调研究[J]. 长江流域资源与环境, 2025, 34(2): 295-308. Gong Y Y, Zhang Y Q, Luo T. Study on the coupling and coordination between carbon emission efficiency and high-quality economic development of Yangtze River Delta urban agglomeration[J]. Resources and Environment in the Yangtze Basin, 2025, 34(2): 295-308.
[16]	权天舒, 张晖, 许玉韫. 长三角城市群碳排放效率的空间关联网络及其影响因素[J]. 南京林业大学学报(自然科学版), 2024, 48(6): 217-228. Quan T S, Zhang H, Xu Y Y. Spatial correlation and influencing factors of carbon emission efficiency in the Yangtze River Delta city cluster[J]. Journal of Nanjing Forestry University (Natural Sciences Edition), 2024, 48(6): 217-228.
[17]	尹剑, 龙垚垚, 姜洪涛. 珠江流域城市工业碳排放效率的空间关联网络特征与影响因素[J]. 环境科学, 2024, 45(12): 6806-6817. Yin J, Long Y Y, Jiang H T. Spatial correlation network characteristics and influencing factors of industrial carbon emission efficiency of cities in Pearl River Basin[J]. Environmental Science, 2024, 45(12): 6806-6817. DOI:10.13227/j.hjkx.202312121
[18]	张娜, 孙芳城, 胡钰苓. 长江经济带碳排放效率的时空演变、区域差异及影响因素研究[J]. 长江流域资源与环境, 2024, 33(6): 1325-1339. Zhang N, Sun F C, Hu Y L. Spatio-temporal evolution, regional differences, and influencing factors of carbon emission efficiency in the Yangtze River Economic Belt[J]. Resources and Environment in the Yangtze Basin, 2024, 33(6): 1325-1339.
[19]	刘海军, 张海虹, 闫俊杰, 等. 新疆农业碳排放效率时空异质性及其影响因素[J]. 干旱区地理, 2025, 48(5): 866-878. Liu H J, Zhang H H, Yan J J, et al. Spatiotemporal heterogeneity and its influencing factors of agricultural carbon emission efficiency in Xinjiang[J]. Arid Land Geography, 2025, 48(5): 866-878.
[20]	Li Z, Chen X D, Ye Y Y, et al. The impact of digital economy on industrial carbon emission efficiency at the city level in China: gravity movement trajectories and driving mechanisms[J]. Environmental Technology & Innovation, 2024, 33. DOI:10.1016/j.eti.2023.103511
[21]	Ke Y M, Liu W, Wang J X, et al. How to improve eco-efficiency of projects with low-carbon transition in energy utilization[J]. Energy, 2025, 322. DOI:10.1016/j.energy.2025.135531
[22]	冯博, 王雪青. 中国建筑业能源经济效率与能源环境效率研究——基于SBM模型和面板Tobit模型的两阶段分析[J]. 北京理工大学学报(社会科学版), 2015, 17(1): 14-22. Feng B, Wang X Q. Empirical research on energy economic efficiency and energy environmental efficiency of China's construction industry——based on the SBM-Tobit two-stage model[J]. Journal of Beijing Institute of Technology (Social Sciences Edition), 2015, 17(1): 14-22.
[23]	陶德凯, 唐凯旋, 罗吉. 碳排放约束下江苏省城市工业用地利用效率时空演化特征与影响因素[J]. 长江流域资源与环境, 2024, 33(12): 2605-2618. Tao D K, Tang K X, Luo J. Spatiotemporal evolution characteristics and influencing factors of industrial land use efficiency in urban areas of Jiangsu Province under carbon emission constraints[J]. Resources and Environment in the Yangtze Basin, 2024, 33(12): 2605-2618.
[24]	Andersen P, Petersen N C. A procedure for ranking efficient units in data envelopment analysis[J]. Management Science, 1993, 39(10): 1261-1264. DOI:10.1287/mnsc.39.10.1261
[25]	Jiang X H, Ma J X, Zhu H Z, et al. Evaluating the carbon emissions efficiency of the logistics industry based on a super-sbm model and the malmquist index from a strong transportation strategy perspective in China[J]. International Journal of Environmental Research and Public Health, 2020, 17(22). DOI:10.3390/ijerph17228459
[26]	Peng D H, Liang Z Z, Ding Y P, et al. Spatial and temporal distribution characteristics and influencing factors of tourism eco-efficiency in the Yellow River Basin based on the geographical and temporal weighted regression model[J]. PLoS One, 2024, 19(2). DOI:10.1371/journal.pone.0295186
[27]	徐水太, 马彩薇, 张胜龙, 等. 中国建筑业生态经济效率测度及影响因素[J]. 环境污染与防治, 2022, 44(6): 833-840. Xu S T, Ma C W, Zhang S L, et al. Measurement and influencing factors of eco-economic efficiency of China's construction industry[J]. Environmental Pollution and Control, 2022, 44(6): 833-840.
[28]	郭朝先. 中国工业碳减排潜力估算[J]. 中国人口·资源与环境, 2014, 24(9): 13-20. Guo C X. Estimation of industrial carbon emission reduction potential in China[J]. China Population, Resources and Environment, 2014, 24(9): 13-20.
[29]	周昕彦, 郑华宝. "双碳"背景下我国农业碳减排潜力研究进展[J]. 生物学杂志, 2024, 41(2): 1-7. Zhou X Y, Zheng H B. Research progress on carbon reduction potential of agriculture in China[J]. Journal of Biology, 2024, 41(2): 1-7.
[30]	王凯, 余芳芳, 胡奕, 等. 中国旅游业碳减排潜力的空间关联网络结构及其影响因素[J]. 地理科学, 2022, 42(6): 1034-1043. Wang K, Yu F F, Hu Y, et al. Spatial correlation network structure of tourism carbon emission reduction potential and the determinants in China[J]. Scientia Geographica Sinica, 2022, 42(6): 1034-1043.
[31]	Bai C Q, Chen Z J, Wang D P. Transportation carbon emission reduction potential and mitigation strategy in China[J]. Science of the Total Environment, 2023, 873. DOI:10.1016/j.scitotenv.2023.162074
[32]	Wang Y P, Hu L, Hou L C, et al. Study on carbon emission influencing factors and carbon emission reduction potential in China's food production industry[J]. Environmental Research, 2024, 261. DOI:10.1016/j.envres.2024.119702
[33]	周曙东, 宛睿. 基于先进标杆理念的二氧化碳减排潜力研究[J]. 中国人口·资源与环境, 2021, 31(4): 23-31. Zhou S D, Wan R. Research on carbon dioxide reduction potential based on the advanced benchmarking concept[J]. China Population, Resources and Environment, 2021, 31(4): 23-31.
[34]	苏志慧, 王钼婕, 李苹, 等. 烟台市"无废城市"建设协同碳减排潜力预估[J]. 环境科学, 2026, 47(3): 1623-1633. Su Z H, Wang M J, Li P, et al. Estimation of synergistic carbon emission reduction potential in the construction of "zero-waste city" in Yantai[J]. Environmental Science, 2026, 47(3): 1623-1633. DOI:10.13227/j.hjkx.202501092
[35]	Ye J, Xie R S, Deng X W, et al. Assessment of agricultural carbon emissions reduction potential and optimisation pathways based on a framework of equity and efficiency principles: evidence from Fujian Province in China[J]. Agricultural Economics (AGRICECON), 2024, 70(3): 125-136.
[36]	Wu X R, Zhang J B, You L Z. Marginal abatement cost of agricultural carbon emissions in China: 1993-2015[J]. China Agricultural Economic Review, 2018, 10(4): 558-571. DOI:10.1108/CAER-04-2017-0063
[37]	Ma J Y, Feng X H, Wang S S, et al. Drivers and reduction potential of carbon emissions from cultivated land use[J]. CATENA, 2024, 247. DOI:10.1016/j.catena.2024.108508
[38]	李健, 刘一璇. 省域交通运输业碳排放生产率时空演变分析[J]. 环境科学, 2026, 47(3): 1498-1512. Li J, Liu Y X. Analysis of spatial and temporal evolution of carbon emission productivity in provincial transportation industry[J]. Environmental Science, 2026, 47(3): 1498-1512. DOI:10.13227/j.hjkx.202411293
[39]	刘跃廷, 张强, 原晓红, 等. 重庆市"无废城市"建设前后碳减排潜力分析[J]. 环境科学, 2025, 46(1): 88-99. Liu Y T, Zhang Q, Yuan X H, et al. Analysis of carbon emission reduction potential in the pilot of a "zero-free city" in Chongqing[J]. Environmental Science, 2025, 46(1): 88-99. DOI:10.13227/j.hjkx.202401063
[40]	Li W Y, Dong F G, Ji Z S. Evaluation of carbon emission efficiency and reduction potential of 336 cities in China[J]. Journal of Cleaner Production, 2023, 428. DOI:10.1016/j.jclepro.2023.139372
[41]	Guo X, Chen L, Wang J C, et al. The impact of disposability characteristics on carbon efficiency from a potential emissions reduction perspective[J]. Journal of Cleaner Production, 2023, 408. DOI:10.1016/j.jclepro.2023.137180
[42]	Bian Y W, Lv K J, Yu A Y. China's regional energy and carbon dioxide emissions efficiency evaluation with the presence of recovery energy: an interval slacks-based measure approach[J]. Annals of Operations Research, 2017, 255(1): 301-321.
[43]	陈卫东, 胡盛林. 兼顾公平和效率原则的我国电力市场碳配额分配方案[J]. 煤炭经济研究, 2020, 40(1): 15-21. Chen W D, Hu S L. Carbon emission quotas allocation scheme in China's electric power industry based on the principle of equity and efficiency[J]. Coal Economic Research, 2020, 40(1): 15-21.
[44]	Yu S W, Zhang J J, Zheng S H, et al. Provincial carbon intensity abatement potential estimation in China: a PSO⁃GA-optimized multi-factor environmental learning curve method[J]. Energy Policy, 2015, 77: 46-55. DOI:10.1016/j.enpol.2014.11.035
[45]	胡剑波, 李潇潇, 蔡雯欣. 碳达峰目标下国家生态文明试验区碳强度预测及减排潜力研究[J]. 技术经济, 2023, 42(2): 109-120. Hu J B, Li X X, Cai W X. Carbon intensity prediction and emission reduction potential in national ecological civilization pilot zone under the goal of carbon peak[J]. Journal of Technology Economics, 2023, 42(2): 109-120.
[46]	宋娜, 原一敏. 长江经济带省域旅游碳减排潜力与旅游碳排放效率的交互响应[J]. 经济地理, 2023, 43(7): 225-233. Song N, Yuan Y M. Interactive response between tourism carbon emission reduction potential and tourism carbon emission efficiency in the Yangtze River economic beltits[J]. Economic Geography, 2023, 43(7): 225-233.
[47]	王勇, 毕莹, 王恩东. 中国工业碳排放达峰的情景预测与减排潜力评估[J]. 中国人口·资源与环境, 2017, 27(10): 131-140. Wang Y, Bi Y, Wang E D. Scene prediction of carbon emission peak and emission reduction potential estimation in Chinese industry[J]. China Population, Resources and Environment, 2017, 27(10): 131-140.
[48]	吴贤荣, 张俊飚, 田云, 等. 基于公平与效率双重视角的中国农业碳减排潜力分析[J]. 自然资源学报, 2015, 30(7): 1172-1182. Wu X R, Zhang J B, Tian Y, et al. Analysis on China's agricultural carbon abatement capacity from the perspective of both equity and efficiency[J]. Journal of Natural Resources, 2015, 30(7): 1172-1182.
[49]	Zhang S S, Huo Z G. Analysis of spatial correlation and influencing factors of building a carbon emission reduction potential network based on the coordination of equity and efficiency[J]. Sustainability, 2023, 15(15). DOI:10.3390/su151511616
[50]	郑雅丽, 师玮, 王维鹃, 等. 中国环境规制对电力行业碳排放的影响[J]. 环境科学, 2025, 46(6): 3496-3508. Zheng Y L, Shi W, Wang W J, et al. Impact of China's environmental regulations on CO₂ emissions in the power sector[J]. Environmental Science, 2025, 46(6): 3496-3508. DOI:10.13227/j.hjkx.202404110
[51]	寇汉鹏, 步天龙, 聂伟峰, 等. 考虑经济性与可靠性相协调的多能源系统碳减排优化模型[J]. 可再生能源, 2024, 42(11): 1554-1562. Kou H P, Bu T L, Nie W F, et al. An optimization model of carbon emission reduction of multi-energy system considering the coordination of economy and reliability[J]. Renewable Energy Resources, 2024, 42(11): 1554-1562.
[52]	曹君丽, 夏澳星, 徐勇戈. 建筑业边际减排成本的时空特征及异质性分析[J]. 环境科学与技术, 2022, 45(9): 142-152. Cao J L, Xia A X, Xu Y G. Spatial-temporal characteristics and heterogeneity analysis of marginal abatement costs of construction industry[J]. Environmental Science & Technology, 2022, 45(9): 142-152.


环境科学 2026, Vol. 47 Issue (9): 5974-5987	PDF