基于DPSIR和PLS-SEM模型的京津冀城市群减污降碳协同水平评价与路径分析

引用本文

李云燕, 崔华. 基于DPSIR和PLS-SEM模型的京津冀城市群减污降碳协同水平评价与路径分析[J]. 环境科学, 2026, 47(6): 3666-3676.

LI Yun-yan, CUI Hua. Evaluation of Synergy Level and Path Analysis of Pollution Reduction and Carbon Reduction in Beijing-Tianjin-Hebei Urban Agglomeration Based on DPSIR and PLS-SEM Model[J]. Environmental Science, 2026, 47(6): 3666-3676.

基于DPSIR和PLS-SEM模型的京津冀城市群减污降碳协同水平评价与路径分析

李云燕, 崔华

北京工业大学经济与管理学院，北京 100124

收稿日期: 2025-04-17; 修订日期: 2025-07-26

基金项目: 北京社会科学基金重点项目（24GLA007）；国家社会科学基金项目（21FJYB023）

作者简介: 李云燕（1963~），女，博士，教授，主要研究方向为环境经济与管理，E-mail：yunyanli@126.com

通信作者: 崔华, E-mail：cuihua0416@126.com

摘要: 实现减污降碳协同增效是促进经济社会经济全面绿色低碳转型的总抓手. 开展城市减污降碳协同度评价是推进减污降碳协同增效的有力手段. 基于DPSIR模型框架，构建减污降碳协同水平评价指标体系，运用综合评价模型和PLS-SEM模型，对2013~2022年京津冀城市群减污降碳协同水平进行评价并进行路径分析. 结果表明：①城市群减污降碳协同指数呈上升趋势，城市协同水平明显提升. 其中，北京实现减污降碳的高水平协同，天津由初期较低协同水平提升至一般协同水平，河北省地级市均处于较低协同水平层次；②城市群内部各城市的驱动力指数和响应指数差异显著，呈现北京 > 天津 > 河北省地级市的空间分异格局. 除邢台和衡水外，其余城市压力指数均有所上升，减污降碳压力得到缓解. 所有城市状态指数均实现显著提升，其中北京、石家庄、廊坊和衡水减污降碳表现突出，而唐山相对欠佳. 北京影响指数远高于其他城市，邢台和邯郸影响指数提升最快；③路径分析结果显示，R对D、S和I均具有显著正向影响，对P具有显著的负向影响. 此外，R对“D→P”和“P→S”均起到显著调节效应. 强化响应措施，是城市群减污降碳协同推进的关键路径.

关键词: 减污降碳 DPSIR模型 PLS-SEM模型协同水平京津冀城市群

Evaluation of Synergy Level and Path Analysis of Pollution Reduction and Carbon Reduction in Beijing-Tianjin-Hebei Urban Agglomeration Based on DPSIR and PLS-SEM Model

LI Yun-yan , CUI Hua

College of Economics and Management, Beijing University of Technology, Beijing 100124, China

Abstract: Realizing the synergy of pollution reduction (PR) and carbon reduction (CR) is the overall starting point for promoting the comprehensive green and low-carbon transformation of economic and social development. The evaluation of the synergy degree of urban PR and CR is a powerful means to promote the synergistic effect of PR and CR. In this context, this study focuses on the synergy level of PR and CR at the city level. Based on the DPSIR model framework, this study designs the evaluation indicator system of the synergy level of PR and CR. Then, we construct an evaluation model and evaluate the synergy level of PR and CR in the Beijing-Tianjin-Hebei (BTH) Urban Agglomeration from 2013 to 2022. Further, this study utilizes the PLS-SEM model to analyze the synergistic path of PR and CR. The results show that: ①The synergy index of PR and CR in the BTH Urban Agglomerations showed an upward trend, and the synergy level of all the cities has improved. Among them, Beijing has realized a high synergy level of PR and CR, Tianjin has improved from the initial lower synergy level to the general synergy level, and the cities in Hebei Province were all at the lower synergy level. ② The driving force index and response index of the cities within the BTH Urban Agglomerations differed significantly, showing a spatial differentiation pattern of Beijing > Tianjin > prefecture-level cities in Hebei Province. Except for Xingtai and Hengshui, the pressure indexes of the remaining cities have increased. All cities achieved significant improvement in their state indexes, with Beijing, Shijiazhuang, Langfang, and Hengshui excelling in PR and CR, while Tangshan was relatively poor. Beijing's impact index was much higher than that of the other cities, and Xingtai and Handan had the fastest improvement in their impact indexes. ③ The results of the path analysis showed that R had a significant positive effect on D, S, and I and a significant negative effect on P. In addition, R had a significant moderating effect on both "D→P" and "P→S". Strengthening the response measures is the key path for the synergistic promotion of PR and CR in the BTH Urban Agglomerations.

Key words: pollution and carbon emission reduction DPSIR model PLS-SEM model synergy level Beijing-Tianjin-Hebei Urban Agglomeration

当前，我国生态文明建设同时面临实现生态环境根本好转和碳达峰碳中和两大战略任务. 由于大气污染物和碳排放存在同根同源特征，减污与降碳在目标指标、管控区域、措施任务和政策工具等方面高度协同^[1]. 同时，减污降碳可以实现减排成本降低^[2]、减排绩效提升^[3]和改善公众健康^[4]等多种协同效应. 对此，我国强调要把减污降碳协同增效作为促进经济社会发展全面绿色转型的总抓手. 为推动减污降碳协同增效，生态环境部等七部门联合印发《减污降碳协同增效实施方案》，对协同推进减污降碳作出系统部署，提出“到2025年，减污降碳协同度有效提升”的主要目标，要求“开展重点城市、产业园区、重点企业减污降碳协同度评价研究”. 2024年1月，生态环境部发布了包含北京市朝阳区、河北省保定市在内的21个城市减污降碳协同创新试点名单，推动城市减污降碳协同创新试点工作. 因此，研究构建减污降碳协同水平评价体系，在京津冀城市群开展减污降碳协同水平评价的实证研究具有迫切的现实需求.

在减污降碳协同水平评估方面，大气污染物和二氧化碳排放量变化量是常用的指标，以二者的比值来衡量地区减污降碳协同水平^[5~7]. 更多学者通过建立评价指标体系，运用方法模型对减污降碳协同水平开展综合评价. 从评价指标来看，涵盖经济发展^[8，9]、社会发展^[9]、资源利用^[10]、生态环境^[11，12]和碳减排^[13]等多个维度. 常用的评价方法包括耦合协调度模型^[14，15]和复合系统协调度模型^[16，17]. 研究区域涉及全国省域^[18]、区域（黄河流域^[6，19]、长江经济带^[20]和粤港澳大湾区^[9]）和城市群^[21，22]等多个层面. 研究部门涵盖制造业^[23]、建筑^[24]和农业^[25]等主要领域. 也有学者基于减污降碳协同增效内涵，从“目标-路径-管理”这3个维度，构建评估指标体系，评估不同类型城市的减污降碳协同度^[26].

综上分析，学者们构建的减污降碳协同水平评价指标体系较为丰富，对开展京津冀城市群减污降碳协同水平研究具有参考价值. 然而已有评价指标体系忽视了指标之间复杂的因果关系，未能反映社会经济、生态环境和应对气候变化之间的相互作用机制，亦未呈现出推动实现减污降碳协同增效的应对措施. 鉴于此，本文根据DPSIR模型框架，构建减污降碳协同水平评价指标体系，对2013~2022年京津冀城市群减污降碳协同水平进行评价，剖析城市群减污降碳协同推进面临的问题. 进一步运用PLS-SEM模型，探究京津冀城市群减污降碳协同路径，进而提出减污降碳协同水平提升对策，以期为京津冀城市群减污降碳协同推进政策制定提供参考依据.

1 材料与方法 1.1 基于DPSIR模型的减污降碳协同水平评价指标体系构建 1.1.1 DPSIR模型及其适用性

DPSIR模型框架是在生态环境系统评价中应用最为广泛的一种概念模型，由驱动力（driver，D）、压力（pressure，P）、状态（state，S）、影响（impact，I）和响应（response，R）这5部分组成. 在环境DPSIR模型框架中，社会经济驱动力对资源环境产生压力，导致生态环境状态变化，从而对社会、环境产生影响，而响应措施能够同时对驱动力产生反馈、缓解甚至消除压力、改善状态和减轻负面影响，从而形成驱动力→压力→状态→影响→响应的反馈循环，如图 1所示. 该模型框架在反映系统内部要素间的交互关系方面具有显著优势^[27].

图 1 DPSIR模型框架 Fig. 1 DPSIR model framework

DPSIR模型适合开展减污降碳问题的研究. 一方面，DPSIR模型适用范围广泛，特别是在绿色发展^[28]、生态文明建设^[29]、低碳城市发展^[30]和生态环境绩效^[31]等环境领域，已有较为丰富的研究成果. 另一面，DPSIR模型在评价减污降碳协同水平上具有一定优势. 减污降碳不仅是环境治理问题，更是一项跨领域、多部门协同推进的系统性工程^[32]. DPSIR模型能够通过对减污降碳系统进行解构，实现对该系统的多层次解析，完成对减污降碳内在驱动力的识别、推进压力的分析、状态变化原因的挖掘、社会经济环境影响的剖析和政策措施响应效果的评估，更系统地反映城市减污降碳系统运行过程和综合状况.

1.1.2 评价指标体系构建

基于DPSIR模型框架，借鉴相关研究成果，结合《绿色发展指标体系》相关规范，依据科学性、可行性、系统性、通用性和可操作性的原则，经过多次反复的信度和有效度检验，最终构建减污降碳协同水平评价指标体系，如表 1所示.

表 1 减污降碳协同水平评价指标体系^1） Table 1 Evaluation indicator system of the coordination level of pollution reduction and carbon reduction

（1）驱动力指标驱动力是指导致减污降碳系统变化的核心动因. 本文将驱动力划分为经济驱动力和社会驱动力这2个维度. 经济驱动力体现在：稳定的经济增长为减污降碳协同推进提供强大动力和资金保障^[33]，同时产业结构优化更是推动绿色发展的重要支撑^[34]. 社会驱动力体现在：我国仍处于城市化深入发展阶段，在城市化进程中，人们对优美生态环境日益增长的需求，正成为推动减污降碳的重要社会动力. 在具体测度上，经济增长通常采用GDP、人均GDP和人均可支配收入等指标表征^[35]，产业结构优化采用第三产业占比指标进行衡量^[36]，社会驱动力采用城市化率指标来表征^[37].

（2）压力指标压力是指作用于减污降碳系统的负面因素，是阻碍减污降碳协同推进的因素. 当前，我国处于工业化发展阶段，资源能源消耗和污染排放仍处在高位. 大量能源消耗以及污染物和碳排放，给减污降碳协同推进带来较大压力. 因此，本文将压力指标分解为资源能源压力、环境污染治理压力和碳排放控制压力3个层面. 其中，资源能源压力以能源消费总量、人均用水量^[38]和工业用地占城市建设用地的比例这3个指标表征；环境压力指标选取工业SO₂排放量和工业废水排放量^[38]；碳排放控制压力选取碳排放总量^[39].

（3）状态指标状态是指在驱动力和压力共同作用下，减污降碳协同推进的实际情况. 基于减污降碳的主要内涵，即实现污染物排放与碳排放的双重削减目标^[40]，本文将状态指标划分为减污状态和降碳状态这2个层面. 其中，减污状态指标选取工业SO₂排放下降率和工业废水排放下降率；降碳状态指标选取碳排放下降率、碳排放强度下降率和能源消费强度.

（4）影响指标影响是指减污降碳协同推进产生的具体结果. 现有研究表明，减排政策的实施在短期内可能会对经济增长产生一定的负面影响^[41]，但长期来看，减污降碳目标的刚性约束倒逼产业结构升级，改善环境质量. 基于此，本文将影响指标划分为经济影响和环境影响这2个层面. 其中，经济影响通过GDP增速和产业结构高级化这2个指标表征；环境影响采用PM_2.5年均质量浓度、PM₁₀年均质量浓度和优良天数比例这3个环境空气质量指标来衡量^[29].

（5）响应指标响应是指行为主体为促进减污降碳协同水平提升所采取的政策措施. 基于主体类型，参考王涵等^[42]的研究，本文将响应指标划分为政府响应、科研机构响应和公众响应这3个层面. 第一，政府响应. 在我国现代环境治理体系，政府起到主导作用，能够通过财政支持和科技投入为地区减污降碳提供重要保障. 在指标选取上，节能环保和科学技术的支出占财政总支出的比例是政府响应的直接指标，反映了政府对协同推进减污降碳的投入力度^[27，43]，而污水处理率则展示了政府响应的效果，衡量地区环境基础设施建设水平. 第二，科研机构响应. 科研机构充分发挥创新主体作用，以关键技术突破驱动能源结构转型和产业绿色升级，为减污降碳协同推进提供技术支撑^[44]. 专利是科研机构的直接产出成果，专利授权数量是表征技术创新“数量”的基础指标^[45]. 第三，公众响应. 作为多元环境治理体系的重要部分，公众通过践行绿色出行方式参与减污降碳行动. 在具体测度上，本文选取万人公共交通数量作为衡量绿色出行水平的指标.

1.2 研究方法 1.2.1 熵权法

本文采用熵权法确定评价指标权重. 根据极值法对指标数据进行标准化处理.

对正向指标（指标数据越大越优）：

y_{i, k, t} = \frac{x_{i, k, t} - m i n (x_{i, k, t})}{m a x (x_{i, k, t}) - m i n (x_{i, k, t})}

(1)

对逆向指标（指标数据越小越优）：

y_{i, k, t} = \frac{m a x (x_{i, k, t}) - x_{i, k, t}}{m a x (x_{i, k, t}) - m i n (x_{i, k, t})}

(2)

式中，i为指标，k为评估对象，t为时间，y_i，k，t为t年城市k第i项指标标准化后的值；x_i，k，t为t年城市k的第i项指标的初始值； $m i n (x_{i, k, t})$ 和 $m a x (x_{i, k, t})$ 分别为t年城市k第i项指标的最小值和最大值.

根据标准化后的指标数据，求各项指标的信息熵，确定指标权重.

p_{i, k, t} = \frac{y_{i, k, t}}{\sum_{i = 1}^{n} \sum_{t = 1}^{s} y_{i, k, t}}

(3)

e_{i} = - \frac{1}{l n (s m)} \sum_{k = 1}^{m} p_{i, k} l n p_{i, k}

(4)

w_{i} = \frac{1 - e_{i}}{\sum_{i = 1}^{n} (1 - e_{i})}

(5)

式中，m为评估对象的数量，n为指标的数量，s为研究的总年限，e_i为第i项指标的信息熵，w_i为第i项指标的权重. 若 $p_{i, k, t} = 0$ ，则 $\underset{p_{i, k, t}}{l i m} p_{i, k, t} l n (p_{i, k, t}) = 0$ .

1.2.2 减污降碳协同水平评价模型

根据指标的权重和标准化值，测度减污降碳协同指数（CPI）.

C P I_{k, t} = \sum_{i = 1}^{n} y_{i, k, t} \times w_{i} \times 100

(6)

根据各项指标权重，计算出准则层指标相对于目标层，指标层指标相对于准则层指标的权重.

准则层指标相对于目标层的权重：

\begin{array}{l} A_{i} = [A_{D}, A_{P}, A_{S}, A_{I}, A_{R}] \\ = [\sum_{i = D_{1}}^{D_{5}} w_{D_{i}}, \sum_{i = P_{1}}^{P_{6}} w_{P_{i}}, \sum_{i = S_{1}}^{S_{5}} w_{S_{i}}, \sum_{i = I_{1}}^{I_{5}} w_{I_{i}}, \sum_{i = R_{1}}^{R_{5}} w_{R_{i}}] \end{array}

(7)

指标层指标相对于准则层指标的权重：

\begin{array}{l} B_{D} = [B_{D_{1}}, B_{D_{2}}, B_{D_{3}}, B_{D_{4}}, B_{D_{5}}] \\ = [\frac{w_{D_{1}}}{A_{D}}, \frac{w_{D_{2}}}{A_{D}}, \frac{w_{D_{3}}}{A_{D}}, \frac{w_{D_{4}}}{A_{D}}, \frac{w_{D_{5}}}{A_{D}}] \end{array}

(8)

…

\begin{array}{l} B_{R} = [B_{R_{1}}, B_{R_{2}}, B_{R_{3}}, B_{R_{4}}, B_{R_{5}}] \\ = [\frac{w_{R_{1}}}{A_{R}}, \frac{w_{R_{2}}}{A_{R}}, \frac{w_{R_{3}}}{A_{R}}, \frac{w_{R_{4}}}{A_{R}}, \frac{w_{R_{5}}}{A_{R}}] \end{array}

(9)

将指标层相对于准则层的权重集合与经过标准化处理的指标数据相乘，计算得到驱动力指数、压力指数、状态指数、影响指数和响应指数.

S_{(A_{i})} = B_{i} \times R_{B_{i}}^{T} \times 100

(10)

式中， $R_{B_{i}}^{T}$ 为标准化处理后的指标数据矩阵.

参考解蕾等^[46]的研究，选用等分法将减污降碳协同指数分为5个等级（见表 2），对京津冀城市群减污降碳协同水平进行评价.

表 2 减污降碳协同水平评价等级 Table 2 Evaluation grade of the coordination level of pollution reduction and carbon reduction

1.2.3 PLS-SEM模型

为了探索DPSIR框架内这5个潜变量之间的相互影响程度，本文构建偏最小二乘结构方程模型（PLS-SEM），利用SmartPLS 4.0软件计算模型参数. 为判断模型设计是否可靠，运用SmartPLS 4.0对DPSIR的5个潜变量的信度和有效度进行检验，检验结果如表 3所示.

表 3 信度和有效度检验结果 Table 3 Test results of reliability and validity

参考Zhao等^[37]的研究，CA（Cronbach's alpha）值、CR（composite reliability）值和AVE的最小接受值分别为0.6、0.7和0.5. 由表 3可知，DPSIR的5个潜变量的CA值在[0.668，0.957]之间，CR值均在0.7以上，表明指标数据具有较高的可靠性；AVE值均大于0.5，表明五大潜变量对应的各项因子具有良好的内敛效度. 检验结果表明，本文选取的变量具有合理性和可靠性，构建的模型具有足够的信度和收敛效度，可以进行路径分析.

1.3 数据来源

本文选取2013~2022年京津冀城市群13个地级市的面板数据，开展减污降碳协同水平的研究. 本研究数据来源于研究年份的《北京统计年鉴》《天津统计年鉴》《河北统计年鉴》《河北经济年鉴》《北京生态环境状况公报》《天津生态环境状况公报》《河北生态环境状况公报》《中国城市建设统计年鉴》和河北省地级市公布的统计年鉴. CO₂排放量来源于全球大气研究排放数据库，利用ArcGIS软件裁剪出北京、天津及河北省地级市CO₂排放量. 部分缺失值采用插值法进行补充.

2 结果与讨论 2.1 京津冀城市群减污降碳协同水平评价

根据构建的评价指标体系和评价模型，得到2013~2022年京津冀城市群减污降碳协同指数. 根据分级标准，评价京津冀城市群减污降碳协同水平. 京津冀城市群减污降碳协同指数和协同水平评价的结果如图 2所示.

图 2 2013~2022年京津冀城市群减污降碳协同水平 Fig. 2 Coordination level of pollution reduction and carbon reduction in the Beijing-Tianjin-Hebei Urban Agglomeration from 2013 to 2022

2013~2022年，京津冀城市群减污降碳协同指数呈显著上升态势，增幅在46.3%~166.8%之间，减污降碳协同水平稳步提升，表明城市群减污降碳协同推进成效显著. 北京市凭借其雄厚的经济基础、较优的产业结构和能源结构以及较强的科技创新能力等优势，减污降碳率先实现由一般协同水平向高协同水平的跃升. 天津减污降碳协同指数仅次于北京，协同水平由较低提升至一般. 作为我国北方工业重镇，天津市面临能源消耗量大且碳排放总量高的现实挑战，节能降碳工作压力较大. 近年来，天津通过加快传统产业绿色低碳改造、培育壮大新能源等新兴产业、推动产业创新和科技创新融合，全市经济“含绿量”明显提升.

河北省地级市协同指数普遍偏低，减污降碳协同水平较低. 其中，石家庄和廊坊这2个城市表现相对突出，协同指数较高且上升态势明显. 石家庄市经济综合实力较强，通过强化政策响应和财政保障力度，以科技创新为引领，统筹推进环境污染治理与绿色低碳转型，在环境质量改善、污染减排和碳排放双控方面取得了显著成效. 廊坊位于京津冀协同发展的核心区域，能够直接承接北京的科技溢出效应和产业转移，在推动经济社会绿色低碳转型方面具备竞争优势. 相比之下，承德协同指数较低且增长缓慢. 虽然作为京津冀生态环境支撑区，承德环境质量持续向好，减污降碳的推进压力相对较小. 但受生态功能定位限制，地区产业发展受限，经济综合实力薄弱导致绿色转型内生动力不足. 同时，受地方财政能力制约和人才资源匮乏的限制，地区技术研发投入和创新成果产出不足，进而影响了协同水平的提升.

2.2 DPSIR各维度评价指数测度

根据构建的减污降碳协同指数评估模型，计算DPSIR各维度的协同指数，结果如图 3所示.

图 3 京津冀城市群DPSIR分维度评价指数 Fig. 3 Evaluation index of the five dimensions of DPSIR in the Beijing-Tianjin-Hebei Urban Agglomeration

（1）驱动力指数由图 3（a）可知，2013~2022年京津冀城市群的驱动力指数均呈持续增长态势，表明区域社会经济发展对减污降碳的驱动作用逐年增强. 横向对比来看，北京驱动力指数由53.9增长至100，显著高于其他城市；天津驱动力指数仅次于北京，由34.2上升至53.8；而河北省各地级市驱动力指数整体偏低，在0.7~32.5之间. 这种区域差异主要来源于河北省城市在经济发展水平、产业结构优化和城市化率等关键指标上与京津两地差距较大，从而导致其减污降碳协同推进的动力相对不足.

（2）压力指数压力指标作为负向指标，其数值越小表明压力指数越大，对减污降碳协同水平提升越有利. 由图 3（b）可知，研究期内，北京压力指数波动上升，由48.9增至54.3；天津压力指数呈现先升后降的变化趋势，于2018年达到峰值49.9，但整体从37.6上升至45.1. 河北省内城市表现出差异化特征：大部分城市压力指数出现7.3%~41.3%的增幅，而邢台和衡水则分别下降3.3%和7.0%，这一变化主要源于水资源消耗压力的持续增加. 结果表明，京津冀城市群减污降碳协同推进压力总体呈缓解趋势. 张家口和衡水能源消费量相对较低，且呈现下降趋势；但北京和天津因城市扩张，导致水资源、土地资源约束压力增加；其他城市则面临能源消费总量和碳排放量持续上升的挑战，节能降碳压力突出.

（3）状态指数由图 3（c）可见，2013~2022年京津冀城市群减污降碳状态指数呈现显著上升趋势，增幅达202.8%~374.2%，表明城市群减污降碳协同推进取得显著成效. 这一成效主要得益于京津冀地区10 a来持续强化环境污染防治工作，通过淘汰落后产能、传统产业低碳化改造和清洁能源替代等措施，实现了污染物排放总量与碳排放强度的双下降. 从空间分异特征来看，北京、石家庄、廊坊和衡水这4个城市的状态指数表现突出，排名靠前. 其中，北京的领先优势主要源于其较低的能源强度，以及工业SO₂排放量和碳强度的快速下降；石家庄、廊坊和衡水则主要依靠SO₂和废水等污染物排放量的大幅削减，叠加碳排放强度的显著降低. 相比之下，唐山市由于第二产业比例较高，导致其能源消费总量和碳排放量居高不下，使其状态指数排名靠后.

（4）影响指数由图 3（d）可知，2013~2022年京津冀城市群减污降碳影响指数呈现差异化发展态势. 具体而言，北京的影响指数呈现“倒U型”变化趋势. 2013~2019年，该指数从68.1持续增长至87.6，随后受经济增速放缓影响，2022年小幅回落至85.5. 自2014年以来，北京市通过有序将传统产业外迁，在改善环境质量和促进产业升级方面成效显著. 然而，在新旧动能转换过程中，由于高新技术产业培育存在时滞效应，导致全市经济增长放缓，GDP增速由7.3%降至0.7%. 天津影响指数波动上升，从31.5增长至36.7，增幅较小，主要是因为天津在淘汰落后产能、严控“两高”项目过程中经历转型阵痛，GDP增速从11.45%回落至1%，但经济向更高质量发展. 河北省各地级市影响指数均呈明显上升态势，其中邢台和邯郸分别实现了4.1倍和3.6倍的增长，说明减污降碳协同推进对河北省地级市环境和经济的影响更为显著. 通过实施严格的节能减排措施，各地级市PM_2.5和PM₁₀质量浓度持续下降，空气质量优良天数逐年增加. 在政策驱动下，城市产业结构持续优化，除唐山和邯郸这2个工业城市外，其他城市已形成以第三产业为主导的产业发展格局.

（5）响应指数由图 3（e）可知，2013~2022年北京市和天津的响应指数呈增长态势，分别从57.1和31.0增至94.2和39.5，领先城市群内的其他城市. 这种优势主要源于两方面：一是京津地区集聚了众多高水平科研院所和高校，在科技创新和技术产出方面具备突出优势；二是两地城镇环境基础设施建设和公共交通发展基础较为完善，为减污降碳协同推进提供硬件支撑. 相比之下，河北省各市的响应指数整体偏低，在0.6~20.9之间. 其中，石家庄凭借相对较好的技术创新能力和基础设施条件，对减污降碳的响应力度相对较高，而承德、邢台和张家口等城市则受限于政府投入和创新能力不足，对减污降碳的响应力度较弱.

2.3 京津冀城市群减污降碳协同路径分析

本文基于DPSIR模型框架，利用SmartPLS 4.0，得到DPSIR各关联环节的路径系数，并使用Bootstrapping算法，选择在5%显著性水平下进行5 000次的重复抽样，检验模型参数的显著性. 因子载荷系数、路径系数和显著性结果如图 4所示. PLS-SEM模型的R²平均值为0.584，说明该模型对DPSIR关联关系具有中等解释程度.

实线表示直接影响路径，虚线表示调节路径，括号内的数为P值，圆圈内的为R²数值，表示自变量对因变量的解释程度（响应指标作为调节变量不存在R²值）图 4 DPSIR各关联环节的路径系数和显著性 Fig. 4 Path coefficient and significance within the DPSIR framework

（1）D对P的直接正向影响未通过显著性检验（路径系数=1.255），但引入调节变量R后，R对“D→P”的调节效应为0.270，且在1%的置信水平上显著. 这一结果说明R显著增强了D对P的正向影响作用. 在未考虑R的调节效应时，D指标每上升1%，P指标上升1.255%；而加入调节变量R后，P指标的上升幅度增加. 可能的原因在于：一方面，京津冀城市群大部分城市处于快速城市化阶段，城市建设用地的扩张，导致土地资源压力增加. 此外，城市基础设施规模的持续扩大可能产生更多能源消耗，引发能源反弹效应^[47]；另一方面，在生产活动中，更高的研发投入和更先进的生产技术可能推动生产规模的扩张，导致能源资源需求增加，进而促进碳排放和污染物排放增加^[48].

（2）P对S具有显著正向影响，路径系数为0.721. 在引入调节变量R后，R对“P→S”路径的调节效应在5%的置信水平水平上显著，路径数为-0.225，表明R对“P→S”的正向路径起到一定缓解作用. 即压力指标上升1%，则状态指标上升0.721%，加入R后，状态指标的上升幅度会减少. 该路径关系的形成机制在于：我国自“九五”以来推行污染物排放总量控制制度，通过实施差异化的减排责任分配机制，使得污染物排放量大、污染治理任务重的地区需要承担相对较多的减排任务，减排成效更为显著. 随着节能减排政策的深化和污染防治措施的实施，减排空间逐渐收窄，环境污染防治的边际成本上升、改善难度加大.

（3）S对I有显著正向影响，路径系数为0.605，说明减少污染物排放和控制碳排放可以实现环境效益和经济效益的双赢. 在环境效益方面，SO₂排放量与PM_2.5质量浓度具有极强的相关性^[49]，通过控制SO₂排放可有效降低环境中的PM_2.5质量浓度. 在经济效益方面，污染物总量减排能够创造积极的结构性效益，促进能源消费结构和产业结构的优化，刺激绿色环保产业的发展，创造新的经济增长点^[50].

（4）R对D具有显著正向影响，路径系数为0.945，表明加强响应措施，能够提升减污降碳驱动力. 该作用机制体现在：响应措施的实施能够提升城市技术创新水平. 技术创新带来的生产方式变革，促使经济发展模式从粗放式向集约式转变，推动经济向更高质量发展，形成“技术创新-产业转型-经济发展”的良性循环^[51]. R对P、S和I的路径系数分别为-1.956、0.457和0.253，且均通过显著性检验，表明政策干预在缓解减污降碳压力、提升协同效应方面发挥了积极作用，能够促进产业结构高级化和环境质量改善. 这种正向影响主要通过以下路径实现：首先，政府部门对科学技术的投入能够弥补企业创新资金缺口，降低技术创新门槛，从而激发企业污染治理的积极性. 同时环境保护产生的经济杠杆效应，能够引导社会资本向环保领域集聚，进而促进地区碳排放的下降^[52]. 其次，清洁生产和新能源技术的研发与应用，能够有效地控制资源能源消耗，减少污染物排放^[53]. 此外，公众对环境的关注和诉求，会加快居民绿色低碳生活方式的形成，通过节能优化效应促进减污降碳协同增效^[54].

3 建议

（1）加强区域协同与合作，避免因地区发展不均衡而影响城市群整体协同水平的提升. 设置京津冀减污降碳协同推进的专项规划，制定区域总体减排指标，明确三地差异化减污降碳目标与实施路径. 部署全域物联网监测体系，打造环境污染与碳排放溯源大数据平台，实现监测数据实时共享. 创新区域协同治理机制，通过政策协调、资源共享和技术联合攻关等方式，促进域优势互补与深度合作，形成协同治理合力.

（2）立足城市发展特色，实施差异化减污降碳协同推进策略. 北京和天津等经济发达但土地资源约束趋紧的超大城市，应重点优化产业空间布局，着力培育和发展绿色低碳的高端产业集群，推动减污降碳与资源集约利用的深度协同. 沧州、廊坊和衡水等水资源约束型城市，应加强污水处理设施提标改造，推广工业节水技术和循环利用模式，以缓解水资源压力，减少废水排放. 石家庄、唐山、邢台、保定和邯郸等传统工业城市，需严控新建、扩建高能耗项目，着重推进生产工艺绿色化改造，提高行业排放标准，加速数字经济与传统产业深度融合，促进产业结构优化升级. 张家口、承德和秦皇岛则充分发挥坝上地区和海上风能资源优势，大力推进清洁能源规模化开发和应用，打造可再生能源示范基地，同时深化与北京、天津的能源创新技术合作，以弥补自身技术创新能力不足的短板.

（3）强化政策引领与技术驱动. 地方政府应强化财政资金支持引导，通过设立专项补贴，支持企业低碳技术改造；创新低碳金融工具，引领撬动社会资本投资绿色低碳产业. 科研机构应聚焦新能源、工业等关键领域的技术突破，深化产学研协同创新，加速低碳技术成果转化应用. 由于城市间创新能力差距较大，京津冀三地应建立人才技术共享机制. 京津地区需发挥科技创新高地和人才集聚优势，重点突破新能源开发与应用、CCUS等核心技术；环京津城市（廊坊、保定、承德、张家口和沧州等）可依托区位优势，通过建设中试基地、低碳示范园区等载体，形成“京津研发-河北转化”的区域协同创新模式.

4 结论

（1）本文基于DPSIR和PLS-SEM模型，选取2013~2022年京津冀城市群的面板数据，开展京津冀城市群减污降碳协同水平评价与路径分析. 研究结果不仅为京津冀城市群减污降碳协同推进提供重要政策启示，而且所构建的评价指标体系与方法模型，对于我国其他城市开展减污降碳协同水平评价具有参考价值和借鉴意义.

（2）2013~2022年京津冀城市群减污降碳协同指数呈上升趋势，协同水平稳步提升. 各城市间协同水平存在明显差异：北京市减污降碳实现由一般协同水平向高协同水平的跃升；天津市减污降碳由较低协同水平提升至一般协同水平，河北省各地级市协同水平均处于较低阶段.

（3）DPSIR各项指数评估结果显示，在驱动力层面，城市群驱动力指数显著增加，整体上呈现北京 > 天津 > 河北省地级市的空间分异格局. 在压力层面，邢台和衡水压力指数总体上下降，其他城市压力指数呈现不同幅度的增长，减污降碳压力得到缓解. 在状态层面，北京、石家庄、廊坊和衡水的状态指数较高，减污降碳表现突出；唐山状态指数最低，减污降碳表现欠佳. 在影响层面，所有城市影响指数显著增加，其中北京影响指数最大，邢台和邯郸影响指数提升最快. 减污降碳协同推进对产业结构升级和缓解质量改善起到积极影响. 在响应层面，北京和天津的响应指数高于河北省地级市，承德、邢台和张家口对减污降碳的响应力度较弱.

（4）路径分析发现，“D→P”不存在显著的直接影响效应，“P→S”存在显著的正向直接影响. 加入调节变量R后，R对“D→P”和“P→S”均起到显著调节效应. R对D、S、I均具有显著正向影响，对P具有显著的负向影响. 强化响应措施，能够促进社会经济高质量发展，缓解减污降碳压力，提升减污降碳协同状态，实现环境效益与经济效益的双赢.

参考文献

[1]	郑逸璇, 宋晓晖, 周佳, 等. 减污降碳协同增效的关键路径与政策研究[J]. 中国环境管理, 2021, 13(5): 45-51. Zheng Y X, Song X H, Zhou J, et al. Synergetic control of environmental pollution and carbon emissions: pathway and policy[J]. Chinese Journal of Environmental Management, 2021, 13(5): 45-51.
[2]	刘华军, 郭立祥, 乔列成. 减污降碳协同效应的量化评估研究——基于边际减排成本视角[J]. 统计研究, 2023, 40(4): 19-33. Liu H J, Guo L X, Qiao L C. Quantitative evaluation of co-benefits of air pollution reduction and carbon emission reduction: based on marginal abatement cost[J]. Statistical Research, 2023, 40(4): 19-33.
[3]	刘华军, 田震. 绩效视角下减污降碳协同效应的量化评估及提升路径[J]. 资源科学, 2024, 46(7): 1239-1251. Liu H J, Tian Z. Quantitative evaluation of co-benefits of pollution reduction and carbon emission reduction and improvement path from the perspective of performance[J]. Resources Science, 2024, 46(7): 1239-1251.
[4]	Yang J Z, Zhao Y, Cao J, et al. Co-benefits of carbon and pollution control policies on air quality and health till 2030 in China[J]. Environment International, 2021, 152. DOI:10.1016/j.envint.2021.106482
[5]	张双, 瞿艳芝, 俞珊, 等. 北京市减污降碳协同效应和驱动因素分析[J]. 环境科学与技术, 2024, 47(7): 55-62. Zhang S, Qu Y Z, Yu S, et al. Synergy effects and driving factors of pollution and carbon emissions reduction in Beijing[J]. Environmental Science & Technology, 2024, 47(7): 55-62.
[6]	李新越, 班凤梅, 毕旭, 等. 黄河流域减污降碳协同效应的时空特征及影响因素分析[J]. 环境科学研究, 2024, 37(12): 2610-2621. Li X Y, Ban F M, Bi X, et al. Spatio-temporal characteristics and influencing factors of the synergistic effects of pollution and carbon emission reduction in the Yellow River Basin[J]. Research of Environmental Sciences, 2024, 37(12): 2610-2621.
[7]	刘茂辉, 刘胜楠, 李婧, 等. 天津市减污降碳协同效应评估与预测[J]. 中国环境科学, 2022, 42(8): 3940-3949. Liu M H, Liu S N, Li J, et al. Evaluation and prediction of the synergistic effect of pollution reduction and carbon reduction in Tianjin[J]. China Environmental Science, 2022, 42(8): 3940-3949.
[8]	王涵, 李慧, 王涵, 等. 我国减污降碳与地区经济发展水平差异研究[J]. 环境工程技术学报, 2022, 12(5): 1584-1592. Wang H, Li H, Wang H, et al. Research on the difference in air pollution and carbon dioxide reduction and regional economic development levels in China[J]. Journal of Environmental Engineering Technology, 2022, 12(5): 1584-1592.
[9]	刘海艳, 于会彬, 王志刚. 粤港澳大湾区温室气体和大气污染物协同控制现状分析[J]. 环境工程技术学报, 2023, 13(2): 455-463. Liu H Y, Yu H B, Wang Z G. Analysis of the present situation of greenhouse gases and air pollutants co-control in Guangdong-Hong Kong-Macao Greater Bay Area[J]. Journal of Environmental Engineering Technology, 2023, 13(2): 455-463.
[10]	狄乾斌, 陈小龙, 侯智文. "双碳"目标下中国三大城市群减污降碳协同治理区域差异及关键路径识别[J]. 资源科学, 2022, 44(6): 1155-1167. Di Q B, Chen X L, Hou Z W. Regional differences and key pathway identification of the coordinated governance of pollution control and carbon emission reduction in the three major urban agglomerations of China under the "Double-Carbon" targets[J]. Resources Science, 2022, 44(6): 1155-1167.
[11]	Chen X L, Di Q B, Jia W H, et al. Spatial correlation network of pollution and carbon emission reductions coupled with high-quality economic development in three Chinese urban agglomerations[J]. Sustainable Cities and Society, 2023, 94. DOI:10.1016/j.scs.2023.104552
[12]	Chen J D, Li Z W, Dong Y Z, et al. Coupling coordination between carbon emissions and the eco-environment in China[J]. Journal of Cleaner Production, 2020, 276. DOI:10.1016/j.jclepro.2020.123848
[13]	Yi H R, Zhao L J, Qian Y, et al. How to achieve synergy between carbon dioxide mitigation and air pollution control? Evidence from China[J]. Sustainable Cities and Society, 2022, 78. DOI:10.1016/j.scs.2021.103609
[14]	Li Y Y, Cui H. Coupling coordination of carbon cutting, pollution reduction, and economic growth in China: spatiotemporal evolution, regional differences, and influence factors[J]. Sustainability, 2025, 17(11). DOI:10.3390/su17115052
[15]	Nie C F, Lee C C. Synergy of pollution control and carbon reduction in China: spatial-temporal characteristics, regional differences, and convergence[J]. Environmental Impact Assessment Review, 2023, 101. DOI:10.1016/j.eiar.2023.107110
[16]	连艳琼, 施生旭. 粤闽浙沿海城市群减污降碳协同治理评价研究[J]. 环境科学与技术, 2024, 47(8): 217-227. Lian Y Q, Shi S X. Evaluation research on synergistic governance of pollution and carbon reduction in coastal urban agglomerations of Guangdong, Fujian and Zhejiang provinces[J]. Environmental Science & Technology, 2024, 47(8): 217-227.
[17]	陈小龙, 狄乾斌, 吴洪宇. 中国沿海城市群减污降碳协同增效时空演变及影响因素[J]. 热带地理, 2023, 43(11): 2060-2074. Chen X L, Di Q B, Wu H Y. Spatial-temporal evolution and influencing factors of synergy in pollution and carbon reduction in China's coastal urban agglomerations[J]. Tropical Geography, 2023, 43(11): 2060-2074.
[18]	王雅楠, 李冰迅, 张艺芯, 等. 中国减污降碳协同效应时空特征与影响因素[J]. 环境科学, 2024, 45(9): 4993-5002. Wang Y N, Li B X, Zhang Y X, et al. Spatiotemporal characteristics and influencing factors of the synergistic effect of pollution reduction and carbon reduction in China[J]. Environmental Science, 2024, 45(9): 4993-5002.
[19]	Chen X L, Meng Q G, Wang K K, et al. Spatial patterns and evolution trend of coupling coordination of pollution reduction and carbon reduction along the Yellow River Basin, China[J]. Ecological Indicators, 2023, 154. DOI:10.1016/j.ecolind.2023.110797
[20]	胡森林, 曾刚, 王胜鹏, 等. 长江经济带减污降碳的时空格局演变与技术创新驱动[J]. 地理研究, 2025, 44(1): 72-90. Hu S L, Zeng G, Wang S P, et al. Spatio-temporal evolution and technological innovation driven in reduction of pollution and carbon emissions of the Yangtze River Economic Belt[J]. Geographical Research, 2025, 44(1): 72-90.
[21]	朱帮助, 刘晓红. 中国城市群减污降碳协同驱动因素研究[J]. 广西大学学报(哲学社会科学版), 2025, 47(1): 100-109.
[22]	李云燕, 杜文鑫. 京津冀城市群减污降碳时空特征及影响因素异质性分析[J]. 环境工程技术学报, 2023, 13(6): 2006-2015. Li Y Y, Du W X. Spatial and temporal characteristics and the heterogeneity of influencing factors of the synergism of pollution and carbon emissions reduction in Beijing-Tianjin-Hebei urban agglomeration[J]. Journal of Environmental Engineering Technology, 2023, 13(6): 2006-2015.
[23]	俞珊, 韩玉花, 牟洁, 等. 北京市制造业减污降碳协同效应分析和驱动因素[J]. 环境科学, 2024, 45(4): 1917-1925. Yu S, Han Y H, Mu J, et al. Synergy effects and driving factors of pollution and carbon emission reduction in manufacturing industry in Beijing[J]. Environmental Science, 2024, 45(4): 1917-1925.
[24]	任晓松, 梁宇琪, 赵敏, 等. 中国建筑业减污降碳协同效应的空间收敛性及驱动因素分析[J]. 环境科学研究, 2025, 38(4): 724-735. Ren X S, Liang Y Q, Zhao M, et al. Analysis of spatial convergence and driving factors of synergistic effects of pollution and carbon reduction in China′s construction industry[J]. Research of Environmental Sciences, 2025, 38(4): 724-735.
[25]	朱洋洋, 齐振宏, 王璐, 等. 中国农业减污降碳协同效应的时空演进及驱动因素研究[J]. 生态与农村环境学报, 2024, 40(9): 1201-1212. Zhu Y Y, Qi Z H, Wang L, et al. Spatial and temporal evolution and driving factors of synergistic effects of agricultural pollution and carbon emission reduction in China[J]. Journal of Ecology and Rural Environment, 2024, 40(9): 1201-1212.
[26]	王敏, 杨儒浦, 李丽平. 城市减污降碳协同度评价指标体系构建及应用研究[J]. 气候变化研究进展, 2024, 20(2): 242-252. Wang M, Yang R P, Li L P. Evaluation method and empirical study on synergistic reduction of pollution and carbon emissions at the urban level[J]. Climate Change Research, 2024, 20(2): 242-252.
[27]	黄涛, 袁晓玲, 李朝鹏. 中国新质生产力水平差异审视: 来源分解与形成机理[J]. 科技进步与对策, 2025, 42(9): 1-12. Huang T, Yuan X L, Li Z P. Examining differences in the levels of China's new quality productive forces: source decomposition and formation mechanism[J]. Science & Technology Progress and Policy, 2025, 42(9): 1-12.
[28]	Zhou Y L, Peng J F, Zhang Z Y, et al. Evaluation and obstacle factors diagnosis of agriculture green development level in China's Yangtze River Basin based on the DPSIR framework[J]. Environment, Development and Sustainability, 2025, 27(2): 4971-4999.
[29]	Chen H Z, Xu J F, Zhang K, et al. New insights into the DPSIR model: revealing the dynamic feedback mechanism and efficiency of ecological civilization construction in China[J]. Journal of Cleaner Production, 2022, 348. DOI:10.1016/j.jclepro.2022.131377
[30]	张丽君, 李宁, 秦耀辰, 等. 基于DPSIR模型的中国城市低碳发展水平评价及空间分异[J]. 世界地理研究, 2019, 28(3): 85-94. Zhang L J, Li N, Qin Y C, et al. The low-carbon city evaluation and its spatial differentiation based on the DPSIR[J]. World Regional Studies, 2019, 28(3): 85-94.
[31]	陈燕丽, 杨语晨, 杜栋. 基于云模型的省域生态环境绩效评价研究[J]. 软科学, 2018, 32(1): 100-103, 108. Chen Y L, Yang Y C, Du D. Study on performance evaluation of provincial ecological environment based on cloud model[J]. Soft Science, 2018, 32(1): 100-103, 108.
[32]	刘华军, 张一辰. 减污降碳协同效应的生成逻辑、内涵阐释与实现方略[J]. 当代经济科学, 2024, 46(3): 32-44. Liu H J, Zhang Y C. Synergistic effect of pollution reduction and carbon emission reduction: generating logic, connotation explanation and realization strategy[J]. Modern Economic Science, 2024, 46(3): 32-44.
[33]	狄乾斌, 梁晨露, 陈小龙. 广东省减污降碳与经济发展的动态协调效应[J]. 环境科学, 2025, 46(2): 669-681. Di Q B, Liang C L, Chen X L. Dynamic coordination effect of pollution reduction, carbon reduction, and economic development in Guangdong province[J]. Environmental Science, 2025, 46(2): 669-681.
[34]	赵佳丽, 刘舒宁, 王嘉懿. 绿色发展与产业结构优化协同演进关系研究——以黄河流域资源型城市为例[J]. 宏观经济研究, 2025(4): 49-64, 111.
[35]	Cheng X, Long R Y, Chen H, et al. Coupling coordination degree and spatial dynamic evolution of a regional green competitiveness system-A case study from China[J]. Ecological Indicators, 2019, 104: 489-500. DOI:10.1016/j.ecolind.2019.04.003
[36]	Dong Q Y, Zhong K Y, Liao Y J, et al. Coupling coordination degree of environment, energy, and economic growth in resource-based provinces of China[J]. Resources Policy, 2023, 81. DOI:10.1016/j.resourpol.2023.103308
[37]	Zhao R D, Fang C L, Liu H M, et al. Evaluating urban ecosystem resilience using the DPSIR framework and the ENA model: a case study of 35 cities in China[J]. Sustainable Cities and Society, 2021, 72. DOI:10.1016/j.scs.2021.102997
[38]	Wang Y F, Geng Q J, Si X H, et al. Coupling and coordination analysis of urbanization, economy and environment of Shandong Province, China[J]. Environment, Development and Sustainability, 2021, 23(7): 10397-10415. DOI:10.1007/s10668-020-01062-9
[39]	胡剑波, 周宗康, 李潇潇. 中国降碳减污扩绿增长的时空分异及收敛性研究[J]. 长江流域资源与环境, 2025, 34(1): 166-180. Hu J B, Zhou Z K, Li X X. Spatial-temporal differentiation and convergence of cutting carbon dioxide emissions, reducing pollution, expanding green development and pursuing economic growth in China[J]. Resources and Environment in the Yangtze Basin, 2025, 34(1): 166-180.
[40]	夏学超, 孙慧, 祝树森, 等. 多元主体环境规制组合如何实现降碳减污扩绿增长协同推进?[J]. 中国人口·资源与环境, 2024, 34(8): 22-35. Xia X C, Sun H, Zhu S S, et al. How can a combination of environmental regulations by multiple stakeholders achieve the synergistic advancement of carbon reduction, pollution control, green expansion, and economic growth?[J]. China Population, Resources and Environment, 2024, 34(8): 22-35.
[41]	Yang X, Pang J, Teng F, et al. The environmental co-benefit and economic impact of China's low-carbon pathways: evidence from linking bottom-up and top-down models[J]. Renewable and Sustainable Energy Reviews, 2021, 136. DOI:10.1016/j.rser.2020.110438
[42]	王涵, 马军, 陈民, 等. 减污降碳协同多元共治体系需求及构建探析[J]. 环境科学研究, 2022, 35(4): 936-944. Wang H, Ma J, Chen M, et al. Analysis of needs and construction of coordinated multi-governance system for pollution reduction and carbon reduction[J]. Research of Environmental Sciences, 2022, 35(4): 936-944.
[43]	Wang S, Sun C Z, Li X, et al. Sustainable development in China's coastal area: Based on the driver-pressure-state-welfare-response framework and the data envelopment analysis model[J]. Sustainability, 2016, 8(9). DOI:10.3390/su8090958
[44]	马明娟, 李强, 柯水发. 黄河流域能源消费碳排放的空间溢出效应及驱动机制——基于空间计量的实证分析[J]. 干旱区资源与环境, 2025, 39(6): 14-24. Ma M J, Li Q, Ke S F. Spatial spillover effect and driving mechanism of carbon emissions from energy consumption in the Yellow River Basin: an empirical analysis based on spatial econometrics[J]. Journal of Arid Land Resources and Environment, 2025, 39(6): 14-24.
[45]	Chen S Y, Tan Z X, Mu S Y, et al. Synergy level of pollution and carbon reduction in the Yangtze River Economic Belt: spatial-temporal evolution characteristics and driving factors[J]. Sustainable Cities and Society, 2023, 98. DOI:10.1016/j.scs.2023.104859
[46]	解蕾, 姚扬, 但智钢, 等. 基于DPSIR模型的省域绿色发展绩效评价[J]. 环境工程技术学报, 2022, 12(5): 1681-1686. Xie L, Yao Y, Dan Z G, et al. Evaluation of provincial green development performance based on DPSIR model[J]. Journal of Environmental Engineering Technology, 2022, 12(5): 1681-1686.
[47]	Ma P P, Zhang M, Wu W Q, et al. Synergistic efficiency in pollution and carbon reduction: measurement, evolution, and pathways in Chinese cities[J]. Environmental Impact Assessment Review, 2025, 113. DOI:10.1016/j.eiar.2025.107879
[48]	Jiang F M, Chen B J, Li P H, et al. Spatio-temporal evolution and influencing factors of synergizing the reduction of pollution and carbon emissions - Utilizing multi-source remote sensing data and GTWR model[J]. Environmental Research, 2023, 229. DOI:10.1016/j.envres.2023.115775
[49]	张晓彬, 于渤. 基于皮尔森相关性分析和BP神经网络的北京城市雾霾治理对策[J]. 系统工程, 2023, 41(2): 26-34. Zhang X B, Yu B. Beijing urban haze control strategy based on Pearson correlation analysis and BP neural network[J]. Systems Engineering, 2023, 41(2): 26-34.
[50]	Qin C B, Wang J N, Ge C Z, et al. Simulating the cost-effectiveness of China's green transition based on emission reduction targets during the 12th five-year plan period[J]. Journal of Cleaner Production, 2019, 208: 19-34. DOI:10.1016/j.jclepro.2018.10.062
[51]	孙小婷, 李敏. 绿色技术创新、新质生产力与低碳经济高质量发展[J]. 统计与决策, 2024, 40(14): 29-34. Sun X T, Li M. Green technology innovation, new quality productivity and high-quality development of low-carbon economy[J]. Statistics & Decision, 2024, 40(14): 29-34.
[52]	王鸾凤, 李婉婷. 绿色金融对城市碳排放影响的统计检验[J]. 统计与决策, 2025, 41(5): 155-159.
[53]	Feng D, Li J, Li X T, et al. The effects of urban sprawl and industrial agglomeration on environmental efficiency: evidence from the Beijing-Tianjin-Hebei urban agglomeration[J]. Sustainability, 2019, 11(11). DOI:10.3390/su11113042
[54]	于潇, 林建鑫. 公众环境关注是否促进减污降碳协同增效?——来自居民与企业的机制考察[J]. 西安财经大学学报, 2024, 37(3): 55-67. Yu X, Lin J X. Does public environmental concern promote synergies in pollution and carbon reduction? Mechanism investigation from residents and enterprises[J]. Journal of Xi'an University of Finance and Economics, 2024, 37(3): 55-67.


环境科学 2026, Vol. 47 Issue (6): 3666-3676	PDF