2025, Vol. 46
2. 湖北经济学院经济与贸易学院, 武汉 430205;
3. 中央财经大学政府管理学院, 北京 100081;
4. 中央财经大学管理科学与工程学院, 北京 100081
2. School of Economics and Trade, Hubei University of Economics, Wuhan 430205, China;
3. School of Government, Central University of Finance and Economics, Beijing 100081, China;
4. School of Management Science and Engineering, Central University of Finance and Economics, Beijing 100081, China
中国政府一直在为实现碳达峰和碳中和的“双碳”目标而努力[1], 并且取得了一些成绩, 但仍存在诸多挑战. 程钰等[2]的研究表明自2002~2018年中国的碳排放绩效整体上呈现出上升的趋势特征, 年均增长率达到1.61%. 然而, 中国目前仍面临着碳排放规模居世界首位[3]、每单位GDP的二氧化碳排放量高于发达国家以及碳排放绩效水平依旧处于低位且区域分化严重等诸多问题[4 ~ 6], 对“双碳”目标的如期实现提出了严峻挑战. 提升碳排放绩效是实现碳减排的关键[7], 因此, 必须明晰驱动中国碳效提升的主要因素与路径, 以便更精准的提出应对措施[8, 9].
在经济转型背景下讨论城市碳排放绩效提升的路径对实现“双碳”目标至关重要[5]. 中国的经济转型经历了从计划经济向市场经济、从相对封闭向对外开放的转变过程, 并不断深入融入经济全球化浪潮当中. 经济转型指的是资源配置和经济发展方式的转变, 具有市场化、全球化和分权化的三重驱动力量[10], 随着人类社会对环境保护重视程度的增加, 生态化也被纳入其中, 比如中国政府提出的生态文明建设和绿色转型[11]. 经济转型的过程伴随着市场化程度的持续深化、产业结构的优化升级、创新能力的不断提升、对外开放程度的逐步扩大和绿色意愿的逐渐增强等特征, 因此与碳排放绩效密切相关[5]. 现有研究从不同的维度刻画了经济转型对碳排放绩效的影响效果[2, 12 ~ 14], 有学者认为经济转型的市场化力量将会扩大碳源消耗造成碳排放的增加[15, 16], 对碳排放绩效具有抑制效应[17]. 全球化力量会通过发达国家向欠发达国家转移碳密集型产业以增加碳排放[18], 且内资企业在市场竞争压力加剧的情况下为了维持盈利水平会轻视环境保护, 从而不利于碳效提升[19]. 生态化力量则会通过提高生产效率而消耗更多资源从而造成碳排放的增加[9]. 但也有学者提出了不同的意见, 认为经济转型过程中市场化力量的集聚效应、规模效应与空间溢出效应对碳排放绩效提升具有十分显著的促进作用[12, 20], 全球化力量会通过技术外溢效应促进碳排放绩效的提升[21], 生态化力量则是碳排放绩效提升的直接推动力[22, 23]. 而罗栋燊等[24]和杨世明[25]使用中国省份的面板数据进行实证分析后发现, 经济转型和碳排放绩效之间并不是简单的正负向关系, 而是存在着拐点, 市场化力量和生态化力量与碳排放绩效之间均为倒“U”型关系, 也就是说在前一阶段和后一阶段的作用效果相反.
梳理以上研究可以发现, 虽然现有研究已在不同角度关注了经济转型影响碳排放绩效的效果, 但仍存在以下3点可供改进之处：一是, 对经济转型的刻画不够清晰全面. 已有文献在表征经济转型时偏好使用单一指标进行衡量, 该种方式存在一定的缺陷, 忽视了经济转型是一个复合型指标, 单凭某个变量无法准确衡量也不能完整地展示经济转型的特征与内涵. 二是, 对经济转型与碳排放绩效之间的空间互动效应的研究欠缺. 现有研究较多关注二者的直接效应或总效应, 对存在的空间溢出效应关注度不够, 不能很好的展示经济转型影响碳排放绩效的空间互动效应. 三是, 在城市层面的研究欠缺. 囿于数据来源限制与收集困难, 现有研究忽视了城市层面碳排放绩效的研究[26 ~ 28]. 城市作为经济转型和碳排放的主要策源地[12], 一方面, 排放了全世界近七成左右的二氧化碳[29], 是实施碳减排工作的核心区域. 另一方面, 城市也是经济转型的核心平台载体, 依托经济转型所带来的规模效应、结构效应和技术进步效应等红利, 形成了推进碳排放绩效提升的重要驱动力[30], 因此, 城市应该是研究碳排放绩效的核心空间单元[31].
基于以上分析, 本文借助SBM-DEA模型测算了2006~2020年中国城市层面的碳排放绩效, 在Huang等[32]和张立新等[33]以“市场化”、“全球化”和“分权化”三维指标体系衡量经济转型的基础上加入“生态化”维度, 构建了4个层面的多维指标体系, 继而通过使用ArcGIS平台和空间杜宾模型, 展示了中国城市碳排放绩效的时空演变特征并实证检验分析了中国城市的经济转型历程对碳排放绩效的影响效果与空间溢出效应. 本研究以期为中国城市乃至其他国家或区域通过经济转型加快实现碳达峰和碳中和的“双碳”目标提供有益参考.
1 材料与方法 1.1 数据来源本文的CO2排放量数据由清华大学MEIC（Multi-resolution Emission Inventory for China）团队和中国碳核算数据库团队（Carbon Emission Accounts & Datasets, CEADs）联合发布, 该数据受到了广泛的应用并得到了可靠的验证[34, 35], 地理经纬度数据来源于高德地图API, 环境规制强度数据来源于各城市政府公布的工作报告, 其余社会经济数据均来自于《中国城市统计年鉴2007~2021》. 考虑到部分城市或者年份存在数据缺失严重的情况, 本文对其进行剔除处理, 最终样本包含了2006~2020年中国的277个城市. 需要说明的是, 为了消除量纲、异方差等的影响, 对以上连续型变量均做了标准化处理.
1.2 研究方法 1.2.1 SBM-DEA模型借助Tone[36]提出的SBM-DEA模型, 测算城市层面全部门的碳排放绩效, 得到的数值越大表示碳排放绩效越高. 该模型兼顾解决了投入产出松弛性和非期望产出存在下的效率分析问题[37], 故而被广泛应用于碳排放绩效的研究中[26]. SBM-DEA模型的表达式为：
|
(1) |
|
(2) |
式中, ρ为效率值, 取值为[0, 1]；m、S-、Sg和Sb分别为投入指标数目、投入的冗余、期望产出和非期望产出；x0和y0分别为投入和产出的向量；λ为权重向量.
1.2.2 空间杜宾模型根据空间杜宾模型的定义, 本文构建的关于经济转型影响中国城市碳排放绩效的一般化空间杜宾模型为：
|
(3) |
式中, CEEit为第i个城市在第t年的碳排放绩效；ω为标准化后的反地理距离的空间权重矩阵；ω·CEEit为碳排放绩效的空间溢出项；α为碳排放绩效的空间溢出系数, 表示本地区的碳排放绩效对相邻地区造成的影响程度；ETit为衡量经济转型指标体系内的变量；Cit为控制变量；βj和δj为各变量的线性系数；ω·ETit为经济转型各项指标的空间溢出项；γj和θj为各变量的空间溢出系数；c为常数项；μi为时间固定效应；εit为随机扰动项.
上式为空间杜宾模型的一般形式, 在使用空间杜宾模型进行实证研究之前还需做空间自相关检验, 最常用的空间自相关检验方法是莫兰指数法（Moran's I）, 其指数I的计算公式为：
|
(4) |
式中, 右边的n为研究中所涉及区域的数量；xi为区域i地的变量, xj为区域j地的变量；x为变量x的均值. S2为城市碳排放绩效的方差. I的取值范围是（-1, 1）, 当I > 0时, 表示区域i地的变量xi和区域j地的变量xj存在空间正相关, 其值越大区域i地的变量xi和区域j地的变量xj空间相关性越明显；当I < 0时, 表示区域i地的变量xi和区域j地的变量xj存在空间负相关, 值越小区域i地的变量xi和区域j地的变量xj空间差异越大；当I =0时, 表示区域i地的变量xi和区域j地的变量xj无相关关系. 检验莫兰指数显著性通常使用标准化统计量Z来进行, 其表达式为：
|
(5) |
式中, 莫兰指数的期望值为E（I）=-1/（n-1）, Var（I）为莫兰指数的方差.
此外, 在分析本地效应和空间溢出效应时需要对空间杜宾模型进行偏微分方程分解, 对lnCEE求偏微分矩阵方程式：
|
(6) |
式中, 本地效应对应最右端矩阵对角线元素的均值, 反映的是本区域内的自变量对本区域被解释变量的影响程度. 空间溢出效应对应最右端矩阵每行（列）非对角线元素之和的均值, 意义为周边区域的自变量变化一个单位对本区域被解释变量的影响程度.
1.3 指标选取 1.3.1 碳排放绩效评价的投入产出指标本研究中, 选取物质资本、人力资本和能源消耗作为投入要素, 将平减后的GDP作为期望产出, 以CO2排放量衡量非期望产出, 测算出规模可变下的碳排放绩效. 其中, 物质资本采用永续盘存法对固定资产投资额进行折算得到, 人力资本使用年末单位从业人员数代替.
1.3.2 空间杜宾模型的指标（1）核心被解释变量为碳排放绩效（CEE）.
（2）核心解释变量为经济转型（ET）. 参考Huang等[32]的做法, 通过市场化（MI）、全球化（GI）、分权化（DI）和生态化（EI）这4个维度衡量经济转型. 说明如下.
市场化（MI）指的是由市场作为主导力量驱动商品和生产要素分配的状态[38]. 考虑到私有制企业规模是市场化重要特征之一, 因此使用私营企业工人数与年末单位从业人员数的比值作为市场化的代理变量.
全球化（GI）指的是中国经济与世界经济互融互通快速一体化的状态[38]. 进出口的规模和在经济总量中的占比是衡量国家或地区参与国际贸易程度的重要指标, 一般认为进出口的规模和在经济总量中的占比越大, 全球化水平就越高, 因此本文使用国际贸易总额与GDP的比值表征全球化.
分权化（DI）指的是中央政府对地方政府的放权行为[38]. 政府的分权化水平可以使用政府干预程度和行政权力下放程度表示, 一般认为城市所属级别越高且上级政府对其干预程度越低, 其分权化水平也越高, 常以市级地方财政一般预算内收入与所在省份地方财政一般预算内收入的比值（RDI）衡量上级政府的干预程度, 以城市行政类别（ACDI：直辖市赋值为3, 省会城市赋值为2, 其他城市赋值为1）表征行政权力下放程度[32].
生态化（EI）指的是在发展中要实现经济发展和环境保护目标的相统一[39]. 考虑到生态化既有政策驱动因素也有技术驱动因素, 因此本文使用城市政府工作报告中环保词汇的词频数与报告总词数比值的环境规制强度（ER）、申请绿色专利数的对数衡量的城市绿色技术创新水平（lnGTI）作为生态化的代理变量[40].
（3）控制变量（C）. 本文设置的控制变量主要有衡量产业结构的第二产业占比（SIP）和第三产业占比（TIP）；人口集聚度（lnPA）, 使用常住人口密度的对数衡量；经济发展水平（lnED）, 使用人均GDP的对数衡量.
被解释变量和所有自变量的描述性统计结果如表 1所示.
|
表 1 变量的描述性统计结果1） Table 1 Descriptive statistics of variables |
2 结果与分析 2.1 中国城市碳排放绩效的时空演变特征分析 2.1.1 总体演变特征
图 1是中国城市碳排放绩效的箱型图. 从中可知, 在2006~2020年期间内, 中国城市碳排放绩效水平总体较高但呈下降趋势, 各年份均值均在0.5以上, 最高为0.624（2006年）, 此后以接近“平S型”变化, 即在2006~2012年波动下降, 在2012~2016年缓慢上升, 在2016~2020年剧烈下降到最低值0.532.
|
白点为当年城市碳排放绩效均值, 黑点为各城市碳排放绩效值, 点的位置越高, 表示碳排放绩效值越大 图 1 2006~2020年中国城市碳排放绩效箱体图 Fig. 1 Box plot of carbon emission performance of Chinese cities from 2006 to 2020 |
从各城市碳排放绩效值分布情况来看, 碳排放绩效值的分布趋于集中. 从图 1中可以看到, 各城市的碳排放绩效值的差距在缩小, 表现出向中值集聚的收敛特征. 但是碳排放绩效值的偏峰现象较为严重, 多数城市的碳排放绩效值处于全国平均值以下. 因此, 当前中国城市碳排放绩效的收敛仍处于低水平均衡状态, 碳排放绩效高的城市数量较少且呈现减少趋势.
2.1.2 空间分布演变特征图 2为中国城市碳排放绩效时空分布, 从中可以发现：①中国高碳排放绩效（碳排放绩效大于0.6）城市由“多处开花”向“U”型分布转变. 在2020年前, 不论是沿海、沿边还是中部地区, 都分布着多处高碳排放绩效城市. 但在2020年时, 高碳排放绩效城市的数量锐减, 尤其是中部地区高碳排放绩效城市几乎完全消失, 仅剩的高碳排放绩效城市主要沿着海岸线和中西部分界线分布, 大致呈现出“U”型的特征. ②低碳排放绩效（碳排放绩效小于0.4）城市向华北地区集聚. 低碳排放绩效城市的演化表现出了一定的集聚特征, 华北地区的低碳排放绩效城市数量在不断增加且成片连接.
|
图 2 中国城市碳排放绩效时空分布 Fig. 2 Spatio-temporal distribution of carbon emission performance of Chinese cities |
首先, 为避免多重共线性问题, 文章对模型和所有自变量均进行了多重共线性检验, 结果显示模型的膨胀因子（Mean VIF）为2.68, 小于10, 且各自变量的膨胀因子（VIF）值均小于10, 因此可以判定该模型和自变量均不存在多重共线性问题, 可以进行回归分析. 需要说明的是, 本文所有实证结果均通过Stata16.0软件进行回归估计分析得出. 其次, 在建模之前, 为了避免伪回归, 本文对模型的所有变量进行单位根检验, 结果显示所有变量序列均在1%或5%的显著水平下通过了平稳性检验且均为零阶单整（I0）过程, 表明各变量序列间存在着长期稳定的均衡关系, 因此, 不必再对面板数据进行协整检验, 可以直接构造回归模型进行实证分析. 再次, 借助于反地理距离空间权重矩阵, 使用莫兰指数法（Moran' s I）对2006~2020年的277个城市的碳排放绩效进行空间自相关检验, 结果显示在1%的显著水平下, 基于反地理距离空间权重矩阵的整体和所有年份的莫兰指数均显著为正, 且Z值均大于2.58（见表 2）, 表明各城市的碳排放绩效在99%的置信度下存在正向的空间依赖性, 即高碳排放绩效地区对低碳排放绩效地区有正向的促进作用, 需要采用空间计量的方法分析其影响机制. 而从时间维度来看, 莫兰指数值整体处于上升状态, 表明各城市的碳排放绩效并不是独立发展的, 在区域政策逐渐协同后, 已经形成了集群分布和逐步加强的正向空间溢出效应. 最后, 经过LM检验、Hausman检验、LR检验和Wald检验验证模型形式与稳定性后, 最终认为选择具有时间固定效应的SDM模型最优.
|
|
表 2 2006~2020年中国城市碳排放绩效空间自相关检验结果 Table 2 Spatial autocorrelation test results of urban carbon emission performance in China from 2006 to 2020 |
2.2.2 实证结果与分析
经济转型对碳排放绩效影响的空间杜宾模型回归结果如表 3中的模型（1）所示. 从中可知：在核心解释变量方面, 市场化、全球化、分权化和生态化均显著影响了中国城市的碳排放绩效, 且存在空间溢出效应.
|
|
表 3 经济转型对碳排放绩效影响的空间溢出效应模型回归与稳健性检验结果 Table 3 Regression and robustness test results of the spatial spillover effect model of economic transformation on carbon emission performance |
（1）经济转型对碳排放绩效的本地效应 从本地效应结果来看, 在控制其它变量不变的情况下, 本地城市市场化水平、全球化水平和财政收入分权化水平每增加1个单位, 城市碳排放绩效将会分别提升0.150、0.099和0.215个单位, 且以上结果均在1%的显著水平上高度显著, 表明当前阶段中国的市场化、全球化和分权化进程为城市碳排放绩效的提升产生了积极的促进作用. 原因在于：首先, 在市场经济下, 生产要素流动更加自由, 资源配置效率得以提升[38], 高污染高能耗资源被低污染低能耗资源替代的可能性增加, 从而降低了碳排放强度, 提高了碳排放绩效. 其次, 贸易开放度的提升会促进拥有新技术和先进组织管理形式的外资企业入驻东道国, 在节能减排压力下, 技术水平较低的内资企业会主动模仿外资企业先进的绿色环保技术, 对内资企业形成示范效应, 而且在业务往来中, 外资企业的管理经验也会对内资企业产生正向溢出效应[41, 42], 从而促进东道国碳排放绩效的提升. 最后, 在分权化背景下, 中央对地方政府的约束降低, “分灶吃饭”使地方政府的利益与本地经济发展水平挂钩[43], 当经济发展到一定水平后, 地方政府财政变得充沛, 对环保投入开始加大, 从而有利于碳排放量的降低和碳排放绩效的提升.
行政类别分权化水平、环境规制力度和绿色技术创新水平每提高1个层次或增加1个单位, 城市碳排放绩效分别下降0.876、0.069和0.369个单位, 且以上结果均在1%的显著水平上高度显著. 可能的解释是：①企业多集中于行政类别较高的城市, 因此相比于一般城市, 省会城市和直辖市城市往往是碳排放重灾区, 碳排放绩效相对较低；②环境规制的“倒逼效应”和绿色技术创新的“技术红利效应”尚未显现, 这与黄志基等[44]的研究结论相似, 在环境规制高压下, 由于当前中国城市的发展水平和绿色创新能力还不够高, 企业会通过降低生产投入换加大环保投入的替代效应路径完成监管考核, 在一定程度上挤出了本应该用于生产的要素资源, 当减排效果低于期望产出损失时, 就会造成碳排放绩效不升反降的情况.
（2）经济转型对碳排放绩效的空间溢出效应 从空间溢出效应来看, 空间溢出效应明显, 邻近城市的全球化水平、环境规制力度和绿色技术创新水平每增加一个单位, 本地城市的碳排放绩效将会分别提升3.294、1.628和2.888个单位, 且以上结果均在1%或5%的显著水平上高度显著. 这表明, 一方面技术的外溢效应很显著, 邻近城市的贸易水平和技术提升将有利于本地城市对应指标的提升, 另一方面城市的环境规制力度增加, 也将会使其周边城市环境受益, 从而促进本地城市碳排放绩效的提升. 邻近城市行政类别分权化水平每提高1个层次, 本地城市碳排放绩效却会下降24.656个单位. 表明城市行政级别越高, 污染越严重, 对周边城市的溢出效应越大, 造成周边城市碳排放绩效降低. 从模型的空间自回归系数来看, RHO的值为0.657, 且在1%的显著水平上高度显著, 表明中国城市的碳排放绩效整体存在明显的正向空间溢出效应, 高碳排放绩效的城市能够有效带动邻近城市碳排放绩效的提升.
在控制变量方面, 制造业和服务业比例大的城市碳排放绩效较低, 但经济发展水平的提高能够促进城市的碳排放绩效提升, 邻近城市的人口集聚和经济发展将通过溢出效应抑制本地城市碳排放绩效的提升. 具体来看, 本地第二产业比例与第三产业比例每增加1个单位, 则碳排放绩效分别下降0.519和0.267个单位, 且以上结果均在1%或5%的显著水平上高度显著, 表明城市发展过程中的产业集聚带来了能源消耗需求规模的扩张, 产生了“资源诅咒”效应[5, 45]. 人均GDP每增加1个单位, 则碳排放绩效将上涨0.572个单位, 表明经济快速发展对碳排放绩效提升效果显著[46]. 邻近城市的常住人口密度和经济发展水平每增加1个单位, 则本地城市碳排放绩效分别下降1.351和2.223个单位, 同样表明污染存在从高发展水平向低发展水平城市的溢出效应, 导致低发展水平城市的碳排放绩效下降.
2.2.3 稳健性检验以上的回归结果可能存在因变量设置或者样本量有特殊值而出现的偶然性等情况, 导致回归结果的不稳健和不可信. 比如碳排放绩效使用的是所有城市在规模可变条件下测算的碳排放绩效, 在规模不可变条件下是否效果一致?另外, 样本中的4个直辖市是很特殊的单元, 与省会城市和一般城市差异性很大, 会不会对研究结论产生干扰?为了保证以上估计结果的稳健可信, 本文分别通过替换核心被解释变量（使用规模不变条件下的碳排放绩效）和改变样本容量（删除4个直辖市样本）的方法进行稳健型检验. 此外, 为进一步克服因反向因果、时间性趋势项等导致的内生性问题, 本文采用了被解释变量滞后一期的动态空间杜宾模型进行估计. 见表 3的模型（2）、模型（3）和模型（4）. 从以上估计结果来看, 在替换核心被解释变量和改变样本容量后, 各变量系数的影响方向和显著性总体而言变化均不大, 故而, 可以认为以上空间溢出效应模型的估计结果是稳健且可信的.
3 讨论文章借助SBM-DEA模型测算了2006~2020年中国277个城市的碳排放绩效, 构建多维度的经济转型评价指标体系, 通过使用ArcGIS平台和空间杜宾模型, 展示了中国城市碳排放绩效的时空演变特征并实证检验分析了中国城市的经济转型历程对碳排放绩效的影响效果与空间溢出效应, 对中国碳达峰、碳中和的“双碳”目标的实现具有积极意义, 但仍有一些问题值得进一步讨论. 一是要关注经济转型对碳排放绩效的长期影响评估. 经济转型是一个长期过程, 在不同的阶段对碳排放绩效的影响程度甚至方向都是不同的, 因此, 不能依据简短的某段时间的结果判定效果, 在接下来的研究中需继续拓展时间维度的数据来源, 以便更为准确地评估经济转型对碳排放绩效的影响效果. 二是, 要以动态视角丰富经济转型的内涵. 经济转型具有时代性和复杂性的特征, 其内涵也将随着时代发展需要而不断丰富, 因此, 未来研究对经济转型的衡量也应该具有综合性和动态性观念. 三是, 本文在衡量经济转型时限于数据的可得性, 部分变量的衡量精度不够. 比如使用城市政府工作报告中环保词汇的词频数与报告总词数比值衡量环境规制强度, 可能存在理论影响和实际影响有偏的问题, 需要在未来的研究中进行优化.
4 结论（1）研究期内中国城市碳排放绩效水平总体较高但下降趋势明显, 且分布呈现出从均衡分布到“U”型转变的低水平集聚的特征, 表明“双碳”目标的实现仍有压力, 尤其是华北地区城市碳排放绩效水平整体偏低, 须重点关注.
（2）当前阶段经济转型对碳排放绩效提升的本地促进效应尚未全部显现. 本地城市经济转型的市场化、全球化和财政分权化水平显著提升了本地城市的碳排放绩效, 但本地城市经济转型的行政类别分权化水平、环境规制力度和绿色技术创新水平抑制了本地城市碳排放绩效的提升, 环境规制的“倒逼效应”和绿色技术创新的“技术红利效应”尚未显现. 表明当前阶段经济转型对中国城市碳排放绩效的提升是一把“双刃剑”, 既能通过市场化、全球化和财政分权化等方式促进碳排放绩效的提升, 同时环境规制力度过大和绿色技术创新水平不高等因素也对碳排放绩效提升产生了制约效应.
（3）碳排放绩效具有空间依赖性. 邻近城市经济转型的全球化水平、环境规制力度和绿色技术创新水平提高会对本地城市碳排放绩效产生正向溢出效应, 但行政类别分权化水平对本地城市的溢出效应为负. 此外, 高碳排放绩效城市对邻近城市也有明显的示范带动作用. 表明碳排放绩效具有空间依赖性, 本地受益于经济转型带来的碳排放绩效的提升会给邻近地区产生示范效应, 同时本地区在经济转型过程中, 也会把一些高污染企业迁往邻近地区或者靠近邻近地区的位置, 造成了碳排放绩效负的空间溢出.
| [1] | Zhou K L, Yang J N, Yang T, et al. Spatial and temporal evolution characteristics and spillover effects of China's regional carbon emissions[J]. Journal of Environmental Management, 2023, 325. DOI:10.1016/j.jenvman.2022.116423 |
| [2] |
程钰, 张悦, 王晶晶. 中国省域碳排放绩效时空演变与技术创新驱动研究[J]. 地理科学, 2023, 43(2): 313-323. Cheng Y, Zhang Y, Wang J J. Spatial-temporal evolution of provincial carbon emission performance and driving force of technological innovation in China[J]. Scientia Geographica Sinica, 2023, 43(2): 313-323. |
| [3] | Chen B Y, Xu C, Wu Y Y, et al. Spatiotemporal carbon emissions across the spectrum of Chinese cities: insights from socioeconomic characteristics and ecological capacity[J]. Journal of Environmental Management, 2022, 306. DOI:10.1016/j.jenvman.2022.114510 |
| [4] | Zeng L G, Lu H Y, Liu Y P, et al. Analysis of regional differences and influencing factors on China's carbon emission efficiency in 2005-2015[J]. Energies, 2019, 12(16). DOI:10.3390/en12163081 |
| [5] |
王少剑, 王泽宏, 方创琳. 中国城市碳排放绩效的演变特征及驱动因素[J]. 中国科学: 地球科学, 2022, 65(8): 1613-1626. Wang S J, Wang Z H, Fang C L. Evolutionary characteristics and driving factors of carbon emission performance at the city level in China[J]. Science China Earth Sciences, 2022, 65(7): 1292-1307. |
| [6] | Cheng Z H, Liu J, Li L S, et al. Research on meta-frontier total-factor energy efficiency and its spatial convergence in Chinese provinces[J]. Energy Economics, 2020, 86. DOI:10.1016/j.eneco.2020.104702 |
| [7] |
顾朝林, 谭纵波, 刘宛, 等. 气候变化、碳排放与低碳城市规划研究进展[J]. 城市规划学刊, 2009(3): 38-45. Gu C L, Tan Z B, Liu W, et al. A study on climate change, carbon emissions and low-carbon city planning[J]. Urban Planning Forum, 2009(3): 38-45. DOI:10.3969/j.issn.1000-3363.2009.03.005 |
| [8] | Chen W H, Lei Y L. The impacts of renewable energy and technological innovation on environment-energy-growth nexus: new evidence from a panel quantile regression[J]. Renewable Energy, 2018, 123. DOI:10.1016/j.renene.2018.02.026 |
| [9] | Zhang M L, Liu Y. Influence of digital finance and green technology innovation on China's carbon emission efficiency: empirical analysis based on spatial metrology[J]. Science of the Total Environment, 2022, 838. DOI:10.1016/j.scitotenv.2022.156463 |
| [10] | Wei Y D. Decentralization, marketization, and globalization: the triple processes underlying regional development in China[J]. Asian Geographer, 2001, 20(1-2): 7-23. DOI:10.1080/10225706.2001.9684073 |
| [11] |
王珏, 李琳. 国家重大区域发展战略视角下资源型城市绿色转型绩效的地区差距及其政策启示[J]. 自然资源学报, 2023, 38(12): 3041-3057. Wang J, Li L. Regional disparity in green transformation performance of resource-based cities and its policy enlightenment[J]. Journal of Natural Resources, 2023, 38(12): 3041-3057. |
| [12] |
田丽, 吴旭晓. 城镇化、技术创新与区域碳排放绩效[J]. 技术经济与管理研究, 2023(8): 67-72. Tian L, Wu X X. Urbanization, technological innovation and regional carbon emission performance[J]. Journal of Technical Economics & Management, 2023(8): 67-72. DOI:10.3969/j.issn.1004-292X.2023.08.013 |
| [13] |
周杰琦, 韩颖, 张莹. 自主研发、产业结构变迁与中国碳排放绩效[J]. 科技进步与对策, 2016, 33(4): 61-69. Zhou J Q, Han Y, Zhang Y. Independent R & D, industrial structure change and carbon emissions performance in China[J]. Science & Technology Progress and Policy, 2016, 33(4): 61-69. |
| [14] |
周杰琦, 汪同三. FDI、要素市场扭曲与碳排放绩效——理论与来自中国的证据[J]. 国际贸易问题, 2017(7): 96-107. Zhou J Q, Wang T S. FDI、factor market distortion and carbon emissions performance-theory and evidence from China[J]. Journal of International Trade, 2017(7): 96-107. |
| [15] |
王少剑, 黄永源. 中国城市碳排放强度的空间溢出效应及驱动因素[J]. 地理学报, 2019, 74(6): 1131-1148. Wang S J, Huang Y Y. Spatial spillover effect and driving forces of carbon emission intensity at city level in China[J]. Acta Geographica Sinica, 2019, 74(6): 1131-1148. |
| [16] |
王少剑, 苏泳娴, 赵亚博. 中国城市能源消费碳排放的区域差异、空间溢出效应及影响因素[J]. 地理学报, 2018, 73(3): 414-428. Wang S J, Su Y X, Zhao Y B. Regional inequality, spatial spillover effects and influencing factors of China's city-level energy-related carbon emissions[J]. Acta Geographica Sinica, 2018, 73(3): 414-428. |
| [17] |
王鑫静, 程钰, 丁立, 等. "一带一路"沿线国家科技创新对碳排放效率的影响机制研究[J]. 软科学, 2019, 33(6): 72-78. Wang X J, Cheng Y, Ding L, et al. Research on the impact mechanism of technological innovation on carbon emission efficiency in countries along the belt and road[J]. Soft Science, 2019, 33(6): 72-78. |
| [18] | Dean J M, Lovely M E, Wang H. Are foreign investors attracted to weak environmental regulations? Evaluating the evidence from China[J]. Journal of Development Economics, 2009, 90(1): 1-13. DOI:10.1016/j.jdeveco.2008.11.007 |
| [19] | Perkins R, Neumayer E. Do recipient country characteristics affect international spillovers of CO2-efficiency via trade and foreign direct investment?[J]. Climatic Change, 2012, 112(2): 469-491. DOI:10.1007/s10584-011-0204-8 |
| [20] | Glaeser E L, Kahn M E. The greenness of cities: carbon dioxide emissions and urban development[J]. Journal of Urban Economics, 2010, 67(3): 404-418. DOI:10.1016/j.jue.2009.11.006 |
| [21] | Asghari M. Does FDI promote MENA region's environment quality? Pollution halo or pollution haven hypothesis[J]. International Journal of Scientific Research in Environmental Sciences, 2013, 1(6): 92-100. DOI:10.12983/ijsres-2013-p092-100 |
| [22] | Chen Y, Wang M Y, Feng C P, et al. Total factor energy efficiency in Chinese manufacturing industry under industry and regional heterogeneities[J]. Resources, Conservation and Recycling, 2021, 168. DOI:10.1016/j.resconrec.2020.105255 |
| [23] | Gao Y N, Zhang M C, Zheng J H. Accounting and determinants analysis of China's provincial total factor productivity considering carbon emissions[J]. China Economic Review, 2021, 65. DOI:10.1016/j.chieco.2020.101576 |
| [24] | 罗栋燊, 沈维萍, 胡雷. 城镇化、消费结构升级对碳排放的影响——基于省级面板数据的分析[J]. 统计与决策, 2022, 38(9): 89-93. |
| [25] |
杨世明. 创新持续、创新质量对碳排放的影响效应研究——基于2006—2017年的省际面板数据[J]. 生态经济, 2021, 37(12): 23-29. Yang S M. Research on the influence effect of innovation persistence and innovation quality on carbon emissions[J]. Ecological Economy, 2021, 37(12): 23-29. |
| [26] |
王兆峰, 杜瑶瑶. 基于SBM-DEA模型湖南省碳排放效率时空差异及影响因素分析[J]. 地理科学, 2019, 39(5): 797-806. Wang Z F, Du Y Y. Spatial-temporal differences and influencing factors of carbon emission efficiency in Hunan province based on SBM-DEA model[J]. Scientia Geographica Sinica, 2019, 39(5): 797-806. |
| [27] |
杨清可, 王磊, 朱高立, 等. 中国城市碳排放强度的时空演变、动态跃迁及收敛趋势[J]. 环境科学, 2024, 45(4): 1869-1878. Yang Q K, Wang L, Zhu G L, et al. Regional differences and spatial spillover effects of urban carbon emission efficiency in Yangtze River Delta, China[J]. Environmental Science, 2024, 45(4): 1869-1878. |
| [28] |
宋苑震, 曾坚, 王森, 等. 中国县域碳排放时空演变与异质性[J]. 环境科学, 2023, 44(1): 549-559. Song Y Z, Zeng J, Wang S, et al. Spatial-temporal evolution and heterogeneity of carbon emissions at county-level in China[J]. Environmental Science, 2023, 44(1): 549-559. |
| [29] | Ouyang X L, Lin B Q. Carbon dioxide (CO2) emissions during urbanization: A comparative study between China and Japan[J]. Journal of Cleaner Production, 2017, 143: 356-368. DOI:10.1016/j.jclepro.2016.12.102 |
| [30] |
邵帅, 范美婷, 杨莉莉. 经济结构调整、绿色技术进步与中国低碳转型发展——基于总体技术前沿和空间溢出效应视角的经验考察[J]. 管理世界, 2022, 38(2): 46-69. Shao S, Fan M T, Yang L L. Economic restructuring, green technical progress, and low-carbon transition development in China: an empirical investigation based on the overall technology frontier and spatial spillover effect[J]. Journal of Management World, 2022, 38(2): 46-69. DOI:10.3969/j.issn.1002-5502.2022.02.005 |
| [31] |
刘竹, 耿涌, 薛冰, 等. 城市能源消费碳排放核算方法[J]. 资源科学, 2011, 33(7): 1325-1330. Liu Z, Geng Y, Xue B, et al. A calculation method of CO2 emission from urban energy consumption[J]. Resources Science, 2011, 33(7): 1325-1330. |
| [32] | Huang Z J, Wei Y D, He C F, et al. Urban land expansion under economic transition in China: a multi-level modeling analysis[J]. Habitat International, 2015, 47: 69-82. DOI:10.1016/j.habitatint.2015.01.007 |
| [33] |
张立新, 毕旭, 黄志基. 经济转型背景下城市工业用地利用效率——以长江经济带城市为例[J]. 资源科学, 2020, 42(9): 1728-1738. Zhang L X, Bi X, Huang Z J. Urban industrial land use efficiency under the background of economic transformation in the Yangtze River Economic Belt[J]. Resources Science, 2020, 42(9): 1728-1738. |
| [34] | Li M, Liu H, Geng G N, et al. Anthropogenic emission inventories in China: a review[J]. National Science Review, 2017, 4(6): 834-866. DOI:10.1093/nsr/nwx150 |
| [35] | Zheng B, Tong D, Li M, et al. Trends in China's anthropogenic emissions since 2010 as the consequence of clean air actions[J]. Atmospheric Chemistry and Physics, 2018, 18(19): 14095-14111. DOI:10.5194/acp-18-14095-2018 |
| [36] | Tone K. A slacks-based measure of efficiency in data envelopment analysis[J]. European Journal of Operational Research, 2001, 130(3): 498-509. DOI:10.1016/S0377-2217(99)00407-5 |
| [37] |
刘心, 李淑敏. 基于非期望产出SBM模型的中国各省份能源效率的实证分析[J]. 数学的实践与认识, 2015, 45(2): 35-43. Liu X, Li S M. An empirical analysis on the provincial energy efficiency in China based on SBM model of undesirable output[J]. Mathematics in Practice and Theory, 2015, 45(2): 35-43. |
| [38] | He C F, Zhu S J. Economic transition and industrial restructuring in China: structural convergence or divergence?[J]. Post-Communist Economies, 2007, 19(3): 317-342. DOI:10.1080/14631370701503448 |
| [39] | 杨丽, 张勰. 国际贸易经济生态化战略研究——评《国际服务贸易战略与实务》[J]. 国际贸易, 2023(11): 98. |
| [40] |
吴朝霞, 许越, 孙坤. 城市集聚效应对绿色技术创新的影响研究——基于中国232个地级及以上城市的空间计量分析[J]. 经济地理, 2022, 42(10): 25-34, 71. Wu Z X, Xu Y, Sun K. Impact of urban economic agglomeration on green technological innovation: spatial econometric analysis based on the panel data of 232 prefecture-level cities[J]. Economic Geography, 2022, 42(10): 25-34, 71. |
| [41] | Albornoz F, Cole M A, Elliott R J R, et al. In search of environmental spillovers[J]. The World Economy, 2009, 32(1): 136-163. DOI:10.1111/j.1467-9701.2009.01160.x |
| [42] |
景维民, 张璐. 环境管制、对外开放与中国工业的绿色技术进步[J]. 经济研究, 2014, 49(9): 34-47. Jing W M, Zhang L. Environmental regulation, economic opening and China's industrial green technology progress[J]. Economic Research Journal, 2014, 49(9): 34-47. |
| [43] |
邢华, 胡汉辉. 中国经济转型中地方政府的角色转换[J]. 中国软科学, 2003(8): 144-148. Xing H, Hu H H. Change on the role of local government in the process of China′s economic transition[J]. China Soft Science, 2003(8): 144-148. |
| [44] |
黄志基, 宋名悦. 工业用地出让结构倾向对碳排放效率的影响及其传导机制——基于绿色技术创新中介视角[J]. 经济地理, 2023, 43(7): 65-76. Huang Z J, Song M Y. The influence of industrial land transfer structure tendency on carbon emission efficiency and its transmission mechanism: based on the intermediary perspective of green technology innovation[J]. Economic Geography, 2023, 43(7): 65-76. |
| [45] | Xiong T L, Liu Y W, Yang C, et al. Research overview of urban carbon emission measurement and future prospect for GHG monitoring network[J]. Energy Reports, 2023, 9: 231-242. DOI:10.1016/j.egyr.2023.04.047 |
| [46] | Wang X P, Shen Y S, Su C. Spatial - temporal evolution and driving factors of carbon emission efficiency of cities in the Yellow River Basin[J]. Energy Reports, 2023, 9: 1065-1070. DOI:10.1016/j.egyr.2022.12.004 |