EN中文

地理研究 >

2024 , Vol. 43 >Issue 3: 535 - 557

DOI: https://doi.org/10.11821/dlyj020230387

“鸟起巢中，水出源头”：区域产业动态的碳排放效应

  • 贺舒琪 , 1, 2 ,
  • 穆恩怡 1, 2 ,
  • 戴晓冕 1 ,
  • 盛涵天 1 ,
  • 贺灿飞 , 1, 2
展开
  • 1.北京大学城市与环境学院，北京 100871
  • 2.北京大学-林肯研究院城市发展与土地政策研究中心，北京 100871
贺灿飞（1972-），男，江西永新人，博士，教授，博士生导师，主要研究方向为经济地理、产业与区域经济。E-mail:

贺舒琪（1995-），女，山西朔州人，博士研究生，主要研究方向为经济地理与区域可持续发展。 E-mail:

收稿日期: 2023-05-24

  录用日期: 2024-01-31

  网络出版日期: 2024-03-07

基金资助

国家自然科学基金项目(42171169)

国家自然科学基金项目(41731278)

收起

Tracing the origin: Carbon emission effects of regional industrial dynamics

  • HE Shuqi , 1, 2 ,
  • MU Enyi 1, 2 ,
  • DAI Xiaomian 1 ,
  • SHENG Hantian 1 ,
  • HE Canfei , 1, 2
Expand
  • 1. College of Urban and Environmental Sciences, Peking University, Beijing 100871, China
  • 2. Peking University-Lincoln Institute Center for Urban Development and Land Policy, Beijing 100871, China

Received date: 2023-05-24

  Accepted date: 2024-01-31

  Online published: 2024-03-07

Fold

摘要

在“双碳”目标下，区域产业结构及动态的碳效应成为重要议题。基于中国工商企业注册数据库和CEADs碳排放数据库，实证分析了中国区域产业动态的碳排放效应。研究发现：①中国的区域碳排放格局具有明显的空间分异性，呈现“北高南低”以及向大中城市簇状聚集的分布格局。②不同要素密集型产业具有异质性碳排放效应。资本密集型及知识密集型产业的进入有利于城市减少碳排放；资源密集型以及劳动力密集型产业具有比较优势的城市会产生更多的碳排放。具体而言，煤炭开采和洗选业、金属制品业等产业进入对区域碳排增长有显著正向影响。③政府推动下的清洁化生产与数字化转型能够削减产业动态的碳排增长效应，其调节效应同样存在产业异质性。相关研究成果对“双碳”目标下中国区域产业转型与高质量发展具有一定的指导意义。

关键词： 碳排放; 区域产业动态; 产业结构; 产业异质性

本文引用格式

贺舒琪 , 穆恩怡 , 戴晓冕 , 盛涵天 , 贺灿飞 . “鸟起巢中，水出源头”：区域产业动态的碳排放效应[J]. 地理研究, 2024 , 43(3) : 535 -557 . DOI: 10.11821/dlyj020230387

Abstract

In recent years, global climate change and the problems it poses are becoming increasingly serious. Global warming caused by anthropogenic greenhouse gas emissions, particularly from industrial development, is a major challenge to human well-being, compared to the role of natural factors. The regional industrial structure and the dynamic carbon effect, under the goals of "carbon peaking and carbon neutrality", have become important issues. Based on the China Business Enterprise Registration Database and the CEADs Carbon Emission Database, this paper systematically analyzes the spatio-temporal evolution pattern and industry characteristics of regional carbon emissions in China from 2000 to 2019 based on a dynamic evolutionary perspective. It also empirically analyzes the carbon emission effects of regional industrial dynamics, and further explores the regulatory mechanisms of cleanup and digital carbon reduction pathways. The main findings are as follows. Firstly, China′s carbon emissions have experienced three stages in time: steady growth, rapid growth and structural transformation. Spatially, the regional carbon emissions have obvious spatial differentiation, showing a pattern of high in the north and low in the south, concentrated in large and medium-sized cities, particularly in developed heavy industry areas and several major urbanization and industrialization agglomerations. Industry characteristics are strongly correlated with the number of firm entries and incumbents in high carbon emission industries. Secondly, different factor-intensive industries have heterogeneous carbon emission effects. The entry of capital-intensive and knowledge-intensive industries is beneficial for cities to reduce carbon emissions. Cities with comparative advantages in resource-intensive as well as labor-intensive industries may generate more carbon emissions. Specifically, the entrants of industries, such as coal mining and washing and metal products, have significant positive impacts on the growth of regional carbon emissions. Thirdly, government-driven cleaner production and digital transformation can reduce the carbon emission growth effect of industry dynamics, while the moderating effect is industry-heterogeneous. Specifically, cleaner production promotes the carbon-reducing effect of capital-intensive business entry and weakens the carbon-increasing effect of resource-intensive industry entry. Overall, the research results contribute to an in-depth analysis of the potential carbon emission peaking paths in China′s regions. And the results are of certain significance for the transformation and high-quality development of China′s regional industries under the national target.

Key words： carbon emissions; regional industrial dynamics; industrial structure; industrial heterogeneity

1 研究背景

全球气候变化及其带来的问题日益严峻。与自然因素作用相比，人为温室气体排放尤其是产业发展引起的全球变暖是人类福祉的主要挑战[1]。2007年以来，中国成为世界上最大的能源消费国和温室气体排放国[2]，2017年二氧化碳排放量占全球总量的29.60%[3]。中国的碳排放更多地由生产驱动而非由消费驱动，其中产品制造与服务提供环节产生的二氧化碳排放量占总量的90%~95%[4]。与此同时，国内各区域差异化的产业规模、结构和技术水平，导致了碳排放轨迹的巨大差异[1,5]。中国承诺到2030年实现碳达峰，2060年实现碳中和，“双碳”目标的实现亟需产业地理相关的科学支撑。
区域产业动态与环境的研究集中探讨经济增长、经济活动空间分布、产业结构调整与转型的环境效应[6]。经济增长通过规模、结构和技术效应对区域环境产生压力，这种压力带来区域污染物排放的空间和产业异质性[7]。一方面，经济活动区位竞争和资源要素流动加速了环境污染物在不同尺度单元的流动，促成了污染排放格局的空间差异[8]。另一方面，不同类型经济活动的污染排放效率存在差异，区域对环境污染排放的响应能力也不尽相同，使得经济活动与环境污染在空间上表现出多元化的耦合机制[9]。伴随经济增长带来的区域产业转型升级，产业结构会逐渐由能源密集产业向服务业和技术密集型产业转变，这样的结构效应有利于环境质量改善[10]。以经济转型为基础的环境效应实证剖析了区域产业空间重构对本地和非本地资源环境产生的影响[11]。总结来说，区域产业动态通过质量、效率、功能改进产生环境绩效[12]，相关研究对区域产业、区域经济可持续发展具有重要意义[13,14]。
聚焦碳排放效应，现有研究重点关注了经济发展水平[15]、城市化进程[16]、能源消费结构[17]、技术创新[18]等对区域碳排放的影响。而聚焦到产业动态，现有研究多从产业结构变化出发[19]，将产业结构调整作为碳排放的影响因素之一展开实证分析，包括产业结构合理化、转型和升级的减排效应[20]。或使用各类因素分解方法，测算不同尺度下产业结构的区域碳排放效应[21]。也有研究尝试估计产业间、产业内（细化门类）的异质性碳排放效应。例如，Peng等指出，电力、热力生产和供应行业以及石油加工、炼焦和核燃料加工行业具有更高的减碳潜力[22]。
随着新一轮产业革命的兴起，以绿色化、智能化转型升级推动产业高质量发展，成为经济转型发展、重塑产业结构的内在要求和重要趋势[23]。研究聚焦政府力量推动下的清洁化、数字化路径作为国家工业低碳化转型的关键[24]。一方面，区域产业结构绿色化、智能化转型或将显著降低高碳产业的占比[25]，优化升级产业结构；另一方面，传统产业能够通过技术创新提升能源使用效率[26]，降低碳排放；此外，数字经济等政策也能通过产业融合、优化生产方式、提升组织效率等路径促进传统产业绿色升级[27]。由于不同行业在减碳潜力和政策响应方面具有异质性，清洁化和数字化的影响也具有差异。
过往研究指出可持续减排需要着力优化产业结构、能源结构和能源强度[28]。大量研究按三次产业部门或大类经济部门划分产业结构，研究静态维度下的产业增长、分布和集聚的碳效应。而鲜有研究深入探讨部门内部的产业碳排放异质性。哪些二位数产业指向更高的碳排放?这些高碳排的产业分布在中国的哪些区域?数字化、清洁化生产等转型路径对具有异质性产业结构的区域的可持续减碳造成何种影响?这些问题的回答有助于深入剖析中国各区域的潜在碳排放达峰路径，为将来政策改革提供依据。因此，本文从企业动态视角出发分解碳排放的产业结构因素，基于中国工商企业注册数据库和CEADs碳排放数据库，实证分析中国区域产业动态的碳排放效应。
与前人研究相比，本文边际贡献在于：①连接演化经济地理学中区域产业动态和环境科学、环境经济地理学中区域碳排放两支文献，从动态演化的视角切入，将区域产业结构细化到国民经济二位数行业，分解碳排放的产业结构因素。②从不同于三大产业部门的分类维度切入，分析不同密集型产业结构的碳排放效应。③从能动性视角出发，探讨了政府推动下清洁化生产与数字化转型的减碳路径。本文在分析中国区域产业碳排放时空演化格局的基础上，从分解产业动态的结构效应等切入，实证计量中国产业动态的碳排放效应，最后引入政府力量，讨论在清洁化减碳和数字化减碳路径中，区域产业结构的异质性影响（见图1）。
图1 研究框架

Fig.1 Research framework

2 数据与方法

2.1 数据来源

本文主要整合两大数据库。首先，企业动态数据来自中国工商企业注册数据库（https://www.gsxt.gov.cn/），其来源于国家市场监督管理总局（原国家工商总局）的国家企业信用信息公示系统，数据中记录了自改革开放以来所有在工商部门登记注册的企业信息，包括企业名称、地址、注册时间、注销/吊销时间等。本文使用《国民经济行业分类》（GB/T 4754-2017）将工商企业与国民经济二位数行业进行匹配，并将行业层面的数据统计到中国地级及以上城市的地理单元中，以度量城市-行业-年份层面的企业动态。
其次，本研究使用的碳排放数据来源于多所科研机构共同支持建立的CEADs碳排放数据库（Carbon emission accounts and datasets）（https://www.ceads.net.cn/）。该数据库提供了2000—2019年中国多尺度碳排放清单，包含中国地级市尺度的碳排放数据[29⇓⇓-32]和全国分产业的碳排放数据[33⇓-35]，为城市级排放研究提供了透明、准确、完整、可比和可验证的数据支持。
此外，本研究讨论的核心调节变量包括清洁生产指数和数字化指数。地级市清洁生产指数基于《中国工业企业数据库》[36]，计算区域工业企业产出中的清洁生产比例[37]。地级市数字化指数基于地级市政府工作报告，统计数字技术和数字应用相关关键词词频。具体包括大数据、云计算、人工智能、区块链、通信技术、物联网，以及智能制造、智慧农业、智慧服务业、数字政府等维度共121个相关关键词。本文其余控制变量数据来自《中国城市统计年鉴》[38]。

2.2 计量模型

为了探究区域产业动态与碳排放的相关关系，构建如下计量模型：
Y i , t = a 0 + ∑ j = 1 n 1 a j N e w i n d u s t r y i , j , t - 1 + Z i , t + μ i + μ t + ε
Y i , t = β 0 + ∑ j = 1 n 1 β j R C A i , j , t - 1 + Z i , t + μ i + μ t + ε
式中： Y i , t表示城市i在t年份碳排放规模； N e w i n d u s t r y i , j , t - 1表示城市i二位数产业j在t-1年份进入数量。本文核心关注系数集合 A = { a 1 , a 2 , a 3 , … , a n 1 }，为了实现产业间系数 a j可比，对进入数量 N e w i n d u s t r y i , j , t - 1进行标准化处理。本文从企业动态视角出发分解碳排放的产业结构因素，需要控制影响碳排放的产业规模因素和产业技术因素 Z i , t，具体包括城市生产总值、城市人均生产总值、常住人口数量和城市总用电量等。为了减少遗漏变量带来的内生性问题，在公式（1）和公式（2）中加入城市固定效应和时间固定效应 μ i和 μ t； a 0和 β 0为常数项； ε为扰动项。公式（2）中 R C A i , j , t - 1表示城市i二位数产业j在t-1年份的比较优势，其计算方式为：
R C A i , j , t - 1 = E x i s t i n g i , j , t - 1 / ∑ j E x i s t i n g i , j , t - 1 ∑ i E x i s t i n g i , j , t - 1 / ∑ i , j E x i s t i n g i , j , t - 1
假设全国的在位企业行业结构为标准结构，当城市i二位数产业j在t-1年份在位企业数量 E x i s t i n g i , j , t - 1占城市总在位企业数量 ∑ j E x i s t i n g i , j , t - 1的比例大于t-1年份全国尺度下二位数行业j的在位企业数量 ∑ i E x i s t i n g i , j , t - 1占全国总在位企业数量 ∑ i , j E x i s t i n g i , j , t - 1的比例，则认为城市i二位数产业j在t-1年具有比较优势。进一步，在禀赋要素及其结构等不变的情况下，使用某种要素越密集的生产方式对该要素的需求越大，不同密集类型的产业可能产生不同的碳效应。本文将产业分为资源密集型、劳动力密集型、资本密集型和知识密集型，加总不同类型产业的进入动态、计算不同类型的比较优势，构建新的计量模型：
Y i , t = γ 0 + ∑ k = 1 n 2 γ k N e w i n d u s t r y i , k , t - 1 + Z i , t + μ i + μ k + μ t + ε
Y i , t = δ 0 + ∑ k = 1 n 2 δ k R C A i , k , t - 1 + Z i , t + μ i + μ k + μ t + ε
式中： Y i , t表示城市i在t年份碳排放规模；公式（4）中 N e w i n d u s t r y i , k , t - 1表示城市i不同密集类型产业k在t-1年份进入总量，为了实现 C = { γ 1 , γ 2 , γ 3 , … , γ n 2 }之间可比，对进入总量 N e w i n d u s t r y i , k , t - 1进行标准化处理。公式（5）中 R C A i , k , t - 1表示城市i不同密集型产业k在t-1年份的比较优势。同样在公式（4）和公式（5）中加入城市、产业、时间固定效应 μ i、 μ k和 μ t； γ 0和 δ 0为常数项。

2.3 博弈模型

为实现区域可持续、高质量发展，政府支持和推动产业数字化、智能化、绿色化发展成为关键机制和重要路径。从能动性视角出发，本文通过构建一个博弈模型从理论上分析政府力量对区域产业碳排效应的影响。考虑企业、政府两大主体，假设企业的策略选择为（排放，不排放），政府的策略选择为（指导减排，不指导减排）。假设企业选择“排放”策略的概率为 x ∈ 0,1，政府选择“指导减排”的概率为 y ∈ 0,1。假设企业选择“排放”策略，其能够维持正常生产，获得 S 1的收益并支付 C 1的固定成本；若企业选择“不排放”策略，极端情况下，企业将退出市场，其将损失所有固定成本。从政府视角看，来自企业生产的税收收入为 S 2。假设政府指导减排，排放企业将向政府支付额外费用P（例如采购设备、优化工艺等），但是政府本身也需付出额外成本 C 2。若政府不指导减排，其可能就“双碳”目标面临来自上级政府与社会的压力T。考虑当前碳中和技术改造中的高额成本、政府面临“双碳”目标的考核压力以及其推动减排的决心，进一步假设 T < C 2 < T + P。由此可得该简单博弈模型的收益支付矩阵（表1）。
表1 企业与政府在碳排市场博弈的收益支付矩阵

Tab.1 The payoff matrix of firm-government game in carbon emission market

政府指导减排y 政府不指导减排1-y
企业排放x S1-C1-P，S2+P-C2 S1-C1，S2-T
企业不排放1-x -C1，-C2 -C1，-T
复制动态方程（组）通过动态微分方程的形式描述了一种特定策略在群体中被采用的概率，是演化博弈中的一种特殊选择动态模型。其基本形式是：
d a i d t = u e i , a - u a , a a i
式中： a i为一个群体中选择纯策略i的比例或概率； u e i , a表示采取纯策略i时的期望； u a , a表示平均期望。根据收益支付矩阵可以求得碳排博弈中有关企业的收益函数 F ( x )与政府的收益函数 G ( x )的复制动态方程组：
F x = d x d t = x 1 - x S 1 - P y G y = d y d t = y 1 - y P x - C 2 + T
令 G y = 0，只考虑混合策略的情况下，可得 F x与y的关系表达式：
F x = C 2 - T P - C 2 + T P 2 × S 1 - P y
所以：
∂ F x ∂ y = - C 2 - T P - C 2 + T P 2 < 0
上式的含义是给定政府选择“指导减排”策略占比，政府对减排的支持力度增加会使得企业选择“排放”策略占比的增速下降，其经济意义是政府的作用能够在一定程度上降低碳排增速，这与“双碳”目标中的“碳达峰”相符。

3 中国碳排放时空演化格局

3.1 中国区域碳排放时空演化格局

时间特征上，中国碳排放量总体保持增长态势（图2），从2000年到2019年增长了两倍多，达到104.3亿t碳排放。在2000—2007年间平稳增长，2008年经济危机后至2013年整体呈现快速增长。从2013年开始进入结构转型期，尤其在2013—2016年间，中国的碳排放量缓慢下降，一方面是由于工业发展和能源使用的结构性转型[28]，根据环境库兹涅茨曲线理论，基础设施完善的高度工业化城市和经济结构以服务业为主的后工业化城市已经接近碳排放峰值，实现了经济增长与排放“脱钩”[5]；另一方面，中国政府顶层设计方面如生态文明建设、绿色发展的贯彻落实促进了碳排放的减少，相应地实施了许多能源和排放方面的控制政策，例如2013年国务院印发《大气污染防治行动计划》（即“大气十条”），产生了一定的节能降碳效应，城市也根据本地排放特征制定了具体的减排方案，在城市层面实施了许多低碳项目，采取了许多减碳行动。2016年之后有所回弹，这与中国大基数的发展期城市有关，这类城市处于经济和碳排放持续增长阶段，其达峰时间滞后于发达城市，对全国的排放高峰起到关键作用。
图2 中国碳排放总量、趋势与波动周期

注：该图采用HP滤波法（Hodrick-Prescott Filter）对原始碳排放序列进行处理，其中 λ = 100。

Fig.2 Total carbon emissions, trends and fluctuation cycles in China

中国碳排放波动幅度随时间推移呈现不断扩大的趋势，可以分为三个阶段的变化周期：①2000—2006年碳排放波动幅度相对较为平缓。②2007—2012年，波峰值扩大，振幅增加，自2006年“十一五”规划纲要提出节能减排政策后，碳排放逐年下降，随后又随着快速工业化进程转为急剧上升趋势。③2013—2019年，波峰值扩大，振幅增加，随着工业发展和能源使用的结构性转型，碳排放出现幅度极大的下降趋势。部分接近碳达峰的城市通过效率提高和能源使用的结构变化实现了排放下降，且部分资源型城市可能由于资源枯竭等原因碳排放被动下降，以经济衰退或人口损失为代价减少了排放，共同造成碳排放周期出现幅度极大的下降趋势。由于当前数据还不能刻画这一周期的完整趋势，参考前三个周期的变化规律，新一周期的碳排放将继续呈现上升趋势。
为进一步了解地级市碳排放的分布，选择2000年、2002年、2005年、2008年、2012年、2016年、2019年共七个年份进行核密度估计（图3）。研究期间，中国地级市碳排放量核密度曲线极化程度加强，宽度变宽，峰值变低，由“高瘦”型变为“矮胖”型，峰值向右移动，说明碳排放总体差距逐渐扩大，且总体排放增加，处于快速发展时期。2000—2012年间，碳排放量较高的城市排放总量差异逐渐增大，且与其他城市差距越来越大，说明其减排任务严峻。相比2012年，2016年碳排放中位数有所下降，但高碳排放的城市排放量更趋极化。2019年，核密度分布图右尾拉长，碳排放差异增加。右拖尾存在逐年拉长现象，分布延展性在一定程度存在拓宽趋势，说明全国地级市碳排放的差距在逐步扩大。
图3 中国地级市碳排放量的核密度估计

Fig.3 The kernel density of carbon emission in prefecture-level cities of China

空间特征上，中国区域碳排放存在显著的空间差异（图4）。全国碳排放空间格局呈现“北高南低”特征，北方地区城市碳排放普遍高于南方地区，东北、华北部分重工业城市为碳排放高地，上海、苏州、南京等地区为中国城市碳排放高值副核心，华中、华南和西部地区的城市碳排放则相对较低；并呈现向大中城市簇状聚集的分布特征，主要呈现以京津冀、长三角等主要城市群地区为核心，碳排放向外逐渐降低的格局。2000年、2002年、2005年碳排放较高的地区既有上海、北京、天津、广州等高度城市化地区，经济快速发展和城市化带来高能耗，交通、建筑等方面的碳排放较高；也有河北唐山、邯郸、石家庄、山西运城、辽宁鞍山等产业结构偏重的城市，这些城市具有丰富的能源矿产资源，主要发展资源密集型产业等重工业，较高的能耗导致高排放；以及武汉、南京、苏州、重庆这样工业规模大、发展基础好的城市，研究基期碳排放量较高。2008年碳排放高值地区除大城市和河北多个传统重工业城市外，苏州、重庆、太原、南京伴随工业经济发展成为碳排放高地。2012年，东南沿海城市整体碳排放水平提升；西部大开发政策在促进经济发展的同时也使西部城市的碳排放显著增加；河北唐山、陕西榆林、内蒙古鄂尔多斯由于能源工业和重工业比例较大，碳排放较高。相比之下，2016年全国大部分城市碳排放水平有所下降，既在发达和高度工业化地区（如北京、上海）碳排放水平下降，主要通过改善能源和部门结构，提高生产和能源效率来积极降低排放强度；也在部分资源枯竭城市包括辽宁阜新、盘锦、抚顺，吉林辽源、白山，宁夏石嘴山，甘肃白银，江西萍乡，黑龙江大兴安岭，河南濮阳有不同程度的降低，更多的是由于资源枯竭带来的经济衰退和人口流失等因素，造成碳排放减少。同时全国地级市碳排放的空间差距在逐步扩大。碳排放高值地区如陕西榆林、河北唐山、内蒙古鄂尔多斯等的资源密集型产业在经济生产中占比较高，低碳转型困难较大。江苏苏州、南京、上海、重庆等产业发展基础好的城市具有较大的产业规模和完善的产业体系，碳排放具有一定的刚性，并可能对中国未来的碳排放趋势产生重要影响。此外，山东滨州、东营的碳排放持续增长，与全面发展农林牧渔业、能源工业与制造业有关。2019年全国碳排放“北高南低”的现象进一步凸显，东北地区、华北地区和西北地区排放水平较高，尤其是陕西榆林、河北唐山、邯郸、内蒙古鄂尔多斯在地级市碳排放中名列前茅，这与以上地区产业结构偏重，并且承接产业转移的规模和等级提升有关，尤其是资源密集型产业等这类原料指向型产业；上海、重庆、江苏苏州、南京等经济增长极排放也较高。总体上，中国碳排放较高的城市主要集中在重工业发达地区以及城市化和工业化发达的主要城市群。
图4 中国地级市碳排放分布格局

注：该图基于自然资源部地图技术审查中心标准地图（审图号：GS(2019)1822号）绘制，底图边界无修改。

Fig.4 Spatial distribution of carbon emissions in prefecture-level cities of China

3.2 中国产业碳排放时空演化格局

行业特征上，电力、热力、燃气及水生产和供应业，黑色金属冶炼和压延加工业，非金属矿物制品业，交通运输、仓储和邮政业，化工原料和化学制品制造业，石油、煤炭及其他燃料加工业是碳排放的主要部门。这些部门的碳排放占比从2000年的84.44%增长至2019年的94.13%（图5）。其中，交通运输、仓储和邮政业的碳排放量保持持续增长，所占比例上升至7.95%。电力、热力、燃气及水生产和供应业，黑色金属冶炼和压延加工业，石油、煤炭及其他燃料加工业的碳排放量呈现波动中上升的趋势，占比稳中有进。非金属矿物制品业以及化工原料和化学制品制造业的碳排放总量和占比都呈现先上升后下降的趋势；2015年前后，部分重污染、高排放的资源密集型产业可能在环境规制的作用下改进了生产工艺，碳排放略减。
图5 中国不同产业碳排放占比

Fig.5 Carbon emission contribution ratio of different industries in China

对于不同密集型产业来说，其企业动态分布与区域碳排放关系密切。图6刻画了中国不同密集型产业的企业动态，包括在地级市尺度的企业进入（增量）、在位（存量）情况。总的来看，大部分中东部城市都属于高进入-高在位类型，西部城市多属于低进入-低在位类型，说明企业的进入和在位数量具有较强的关联性。不同于其他密集型产业的“组团式”聚集分布，资源密集型产业的企业动态呈现“多点式”零星分布，受到资源禀赋的影响较大，企业增量和存量都高的城市集中分布在中西部及东北地区，这类资源密集型产业较多的城市化石能源消费占比较大，产业结构也多以重工业为主，碳排放较高。此外，多个西北、东北城市资源密集型企业呈现高在位-低进入特征，说明这类城市可能面临资源枯竭困境，有必要寻求转型发展，同时随着资源密集型的企业进入较少，碳排放可能有所下降。劳动力密集型产业的企业动态整体上呈现梯度分布，在东南沿海地区及各省省会城市呈现高进入-高在位特征，工业基础好、劳动力密集型产业的企业规模大，使这类地区碳排放压力较大；中部地区逐渐承接东部地区的劳动力密集型产业转移，企业增量和存量处于中等水平，未来产业发展和碳排放有更大概率呈现增长趋势。资本密集型、知识密集型产业的高进入-高在位企业动态分布区域较其他类型更少，主要分布在沿海省份以及中东部省会城市，这两类产业往往处于价值链的中下游，碳排放量更少，资本密集和知识密集型企业进入和在位规模较大的城市在减碳方面具有一定的长效机制。
图6 中国不同密集型产业企业动态分布

注：该图基于自然资源部地图技术审查中心标准地图（审图号：GS(2019)1822号）绘制，底图边界无修改。

Fig.6 Spatial distribution of enterprises in different intensive industries in China

为进一步描述产业动态的碳排效应，本文识别了地级市碳排放高增长年份，形成对应的城市-年份对。考虑到不同国民经济二位数产业进入规模具有显著差异性（例如住宿餐饮业在全国范围内进入、退出规模显著偏大），本文参考区位熵的算法计算了城市-年份-进入产业进入熵；进入熵越大，说明该产业在特定城市-年份对中的进入比例具有比较优势。图7中展示的热力进入熵刻画产业进入与碳排放量增长的潜在关系。制造业中产业25~26，产业30~34，产业41~44在多个城市-年份对中的进入比例具有比较优势；服务业中的产业51~54属于碳排放高热区，产业68~71，产业78~79，产业94~97属于次热区（二位数代码对应产业见556页附表1）。
图7 中国制造业、服务业产业碳排放热力进入熵

注：所有产业进入数量均参照样本城市高增长年份滞后一期。

Fig.7 The heat map of carbon emissions from manufacturing and service industries

附表1 国民经济产业及代码

Appendix Tab.1 The classification and codes of national economic sectors

产业类别 国民经济二位数产业及代码
制造业












 煤炭开采和洗选业（06）、石油和天然气开采业（07）、黑色金属矿采选业（08）、有色金属矿采选业（09）、非金属矿采选业（10）、开采专业及辅助性活动（11）、其他采矿业（12）、农副食品加工业（13）、食品制造业（14）、酒、饮料和精制茶制造业（15）、烟草制品业（16）、纺织业（17）、纺织服装、服饰业（18）、皮革、毛皮、羽毛及其制品和制鞋业（19）、木材加工和木、竹、藤、棕、草制品业（20）、家具制造业（21）、造纸和纸制品业（22）、印刷和记录媒介复制业（23）、文教、工美、体育和娱乐用品制造业（24）、石油、煤炭及其他燃料加工业（25）、化学原料和化学制品制造业（26）、医药制造业（27）、化学纤维制造业（28）、橡胶和塑料制品业（29）、非金属矿物制品业（30）、黑色金属冶炼和压延加工业（31）、有色金属冶炼和压延加工业（32）、金属制品业（33）、通用设备制造业（34）、专用设备制造业（35）、汽车制造业（36）、铁路、船舶、航空航天和其他运输设备制造业（37）、电气机械和器材制造业（38）、计算机、通信和其他电子设备制造业（39）、仪器仪表制造业（40）、其他制造业（41）、废弃资源综合利用业（42）、金属制品、机械和设备修理业（43）、电力、热力生产和供应业（44）、燃气生产和供应业（45）、水的生产和供应业（46）、房屋建筑业（47）、土木工程建筑业（48）、建筑安装业（49）、建筑装饰、装修和其他建筑业（50）
服务业









 批发业（51）、零售业（52）、铁路运输业（53）、道路运输业（54）、水上运输业（55）、航空运输业（56）、管道运输业（57）、多式联运和运输代理业（58）、装卸搬运和仓储业（59）、邮政业（60）、住宿业（61）、餐饮业（62）、电信、广播电视和卫星传输服务（63）、互联网和相关服务（64）、软件和信息技术服务业（65）、货币金融服务（66）、资本市场服务（67）、保险业（68）、其他金融业（69）、房地产业（70）、租赁业（71）、商务服务业（72）、研究和试验发展（73）、专业技术服务业（74）、科技推广和应用服务业（75）、水利管理业（76）、生态保护和环境治理业（77）、公共设施管理业（78）、土地管理业（79）、居民服务业（80）、机动车、电子产品和日用产品修理业（81）、其他服务业（82）、教育（83）、卫生（84）、社会工作（85）、新闻和出版业（86）、广播、电视、电影和录音制作业（87）、文化艺术业（88）、体育（89）、娱乐业（90）、中国共产党机关（91）、国家机构（92）、人民政协、民主党派（93）、社会保障（94）、群众团体、社会团体和其他成员组织（95）、基层群众自治组织（96）、国际组织（97）
图8通过展示上述热力图中碳排放较高的二位数产业在地级市尺度的企业进入（增量）、在位（存量）情况，来刻画中国不同产业的企业动态。整体来看，四类产业的企业进入和在位分布有一定共性。企业的进入和在位数量具有较强的关联性：高进入-高在位城市主要分布在东部沿海的发达地区，工业基础好、规模大，吸引到的新进入企业多；低进入-低在位型的城市主要分布在中西部地区。具体而言，石油、煤炭及其他燃料加工业（25）、化学原料和化学制品制造业（26）布局较广，区域上比较分散，西部生态涵养地区进入较少，中部河南、湖北的部分城市进入企业较多。非金属矿物制品业（30）、黑色金属冶炼和压延加工业（31）、有色金属冶炼和压延加工业（32）、金属制品业（33）在沿海地区、河北北部、河南中部、江西及各省份省会具有高进入-高在位的特征。对于电力、热力、燃气及水生产和供应业（44~46）来说，高-高集聚主要分布在东部地区，京津冀、山西、内蒙古等华北地区，以及江西、湖南、重庆等中西部地区。相关产业在东北、西北等本产业存量较低的城市出现了明显进入特征。交通运输、仓储和邮政业（53~60）作为碳排放的主要来源，在河北南部、东南沿海地区以及各省份省会呈现高-高集聚特征。与产业25~26以及产业44~46相比，产业30~33、产业53~60的黏性较强，进入与在位在区域上更加集中。
图8 中国高碳排放二位数产业企业动态分布

注：该图基于自然资源部地图技术审查中心标准地图（审图号：GS(2019)1822号）绘制，底图边界无修改。

Fig.8 Spatial distribution of enterprises in high carbon emission two-digit industries in China

4 中国产业动态的碳排放效应与减碳路径

4.1 产业动态的碳排放效应基准回归结果

为了解决遗漏变量带来的内生性问题，采用固定效应模型并用组内去均值剔除城市固定效应和年份固定效应。为了缓解序列相关的问题，采用聚类稳健的标准误，将标准误聚类到“城市-年份”尺度。如表2所示，不同要素密集型产业具有异质的碳排放效应。列（1）和列（2）表示自变量为新增企业数量的回归结果，列（3）和列（4）表示自变量为在位企业比较优势系数的回归结果。
表2 不同要素密集类型产业的碳排放效应

Tab.2 Carbon emission effects of different factor-intensive industries

新增企业数量 在位企业比较优势系数
（1）当期 （2）滞后一期 （3）当期 （4）滞后一期
资源密集型产业 2.361 0.486 0.319*** 0.292***
(1.091) (0.221) (4.584) (3.959)
劳动力密集型产业 0.645 0.614 0.832** 0.679**
(1.463) (1.149) (2.031) (2.537)
资本密集型产业 -1.969** -2.084** 0.014 0.013
(-2.571) (-2.283) (0.853) (0.787)
知识密集型产业 -8.166*** -7.816*** -0.039 -0.086
(-6.609) (-5.522) (-0.212) (-0.432)
常数项 -4.174*** -4.516*** -4.989*** -4.662***
(-3.995) (-4.241) (-4.221) (-3.913)
控制变量 控制 控制 控制 控制
城市固定效应 控制 控制 控制 控制
年份固定效应 控制 控制 控制 控制
观测值 3862 3862 3146 3146
R2 0.872 0.869 0.938 0.937

注：*** p<0.01, ** p<0.05, *p<0.1；括号中的数值表示稳健t值。

总体上，资源密集型产业、劳动力密集型产业和知识密集型产业在新增企业数量和在位企业比较优势回归系数中保持了相同的符号，而资本密集型产业在在位企业比较优势系数的回归中增碳但不显著，在新增企业数量的回归中显著降碳。结果表明，在控制规模和技术因素后，资本密集型以及知识密集型产业的进入有利于城市减少碳排放。一方面，资本密集型和知识密集型产业往往处于价值链的中下游，并不直接进行碳排放极大的原材料采掘和加工过程；另一方面，资本密集型和知识密集型产业涉及隐含能源消耗和环境排放，使得碳排放转嫁到非本地区域[39]。而对于在位企业比较优势系数的分组，在控制规模和技术因素的影响下，产业结构偏向资源密集型以及劳动力密集型的城市会产生更多的碳排放。由于产业发展的要素禀赋和历史基础不同，不同产业结构的城市在“双碳”目标中面临不同的挑战。
现有研究充分证明了产业结构与碳排放的关系，指出制造业向服务业转型是减碳的核心路径之一[40]。但制造业和服务业内部也存在结构，本研究的实证结果表明，要素密集型是区分产业动态异质性碳效应的有效维度。在“双碳”目标的大背景下，一方面，在资源密集型和劳动力密集型产业具有比较优势的城市在产业结构上有更大的减碳阻力；另一方面，城市若能更多吸引资本密集型产业和知识密集型产业进入，则更有利于实现城市的“双碳”目标。
进一步，本文探究了二位数产业尺度企业进入和在位比较优势与碳排放的相关关系（图9）。第二产业方面，煤炭开采和洗选业无论在新增企业数量上还是在位企业比较优势上都显著增碳；橡胶和塑料制品业、非金属制品业和金属制品行业则在两方面至少具有边缘显著的增碳效应。这些产业均属于资源依赖且高耗能的产业，是能源转型和清洁化生产变革的重点领域。制造业中也存在减碳的二位数产业，专用设备制造业在位企业具有比较优势的城市倾向排放更低的碳，汽车制造业和电子设备制造业的进入也有助于城市降碳。这表明减碳并不与去工业化划等号，不同产业结构的城市在碳排放格局中有着不同的基础和地位。
图9 部分二位数产业进入与比较优势对碳排放的影响

注：延伸的线段表示90%置信区间。

Fig.9 Impacts of two-digit industry entry and comparative advantage on carbon emissions

第三产业方面，批发、运输、餐饮和物流产业增加值对碳排放有长期正向冲击作用。而金融相关的货币金融服务业、资本市场服务、商务服务具有显著的减碳效应。这些产业为其它制造业提供专业服务，具有低排放、高附加值的特点。

4.2 政府作用下的减碳路径

从博弈模型可得政府的作用能够在一定程度上降低碳排放增速，政府作为政策主体出台支持性的政策法规，支持企业的生产、研发等活动，也为其发展创造良好的条件。当前新一轮产业革命兴起，数字化、智能化、绿色化成为经济和产业转型的主要方向，清洁化生产和数字化成为减碳的重要抓手和着力点。本文从清洁化生产和数字化两条减碳路径展开实证分析，尝试说明两种路径都属于实现“双碳”目标的有效政策力量。

4.2.1 清洁化减碳路径

清洁生产政策一方面遏制产业内的高污染和高排放，推动行业绿色化[41]；另一方面，也会促使企业采用清洁技术替代传统技术，使企业生产方式向清洁生产方向转变，提高资源利用率，实现减污降碳；此外，掌握清洁生产技术的企业面对严格的环境法规更具竞争优势，产生收益更多，新进入的企业则面临更高的进入壁垒，遏制了高排放企业的进入，推动了产业结构绿色转型升级[42]。
表3是在基准回归的基础上增加了不同要素密集型产业与清洁化效应交互项变量后的回归结果。引入交互项的目的在于检验清洁化生产程度对不同要素密集型产业的影响。结果发现，资源密集型产业新企业进入数量和在位比较优势与清洁化生产的交互项回归系数均在99%的置信水平上为负，说明清洁化生产能够显著降低产业结构偏向资源密集型产业的城市碳排放，资源密集型产业的进入动态对碳排放的影响随着清洁生产程度的加强而降低。资本密集型产业新企业进入数量、知识密集型产业在位比较优势与清洁化生产的交互项回归系数显著为负，则表明清洁化生产促进资本密集型企业进入的减碳效应，同时也表明区域产业知识密集化转型同样具有减碳作用。
表3 不同要素密集型产业与清洁化生产的互动作用

Tab.3 The interaction between different factor-intensive industries and cleaner production

新进入 在位比较优势
资源密集型产业 5.812** 0.082***
(2.041) (2.679)
劳动力密集型产业 1.459 1.228**
(0.957) (2.321)
资本密集型产业 -2.795 0.255
(-0.924) (1.152)
知识密集型产业 -21.577*** -1.546
(-3.042) (-1.145)
清洁生产 -0.082 -11.632**
(-0.670) (-2.233)
资源密集型产业×清洁生产 -0.352*** -0.268***
(-3.547) (-3.251)
劳动力密集型产业×清洁生产 -0.165 -3.767
(-0.201) (-0.772)
资本密集型产业×清洁生产 -3.568*** 0.530
(-4.624) (0.971)
知识密集型产业×清洁生产 -3.818 -6.911**
(-1.541) (-2.062)
常数项 -10.031*** -3.129
(-6.492) (-1.359)
控制变量 控制 控制
城市固定效应 控制 控制
年份固定效应 控制 控制
观测值 2440 2440
R2 0.947 0.947

注：*** p<0.01, ** p<0.05, *p<0.1；括号中的数值表示稳健t值。

探究二位数产业尺度企业进入与清洁化的互动关系，图10表明，第二产业中的橡胶和塑料制品业、非金属矿物制品业、废弃资源综合利用业、土木工程建筑业等产业的进入动态对碳排放的影响随着清洁生产程度的加强而降低，清洁生产对于这类高能耗、较高排放的产业碳排放调节作用显著。专用设备制造业这类知识密集型产业的企业进入与清洁生产的交互项系数为负，表明清洁生产有助于增强这类产业的减碳效应。第三产业方面，清洁生产削弱了批发业、餐饮业、道路运输业的企业进入对碳排放的长期正向作用，进一步加强了货币金融服务、其他金融业、商务服务业、广播、电视、电影和录音制作业、文化艺术业等生产性服务业和生活性服务业的碳减排效应。
图10 部分二位数产业新增企业数量与清洁生产的调节效应

注：延伸的线段表示90%置信区间。

Fig.10 The moderating effects of cleaner production on carbon emissions

4.2.2 数字化减碳路径

数字经济是经济高质量发展的新动能，其通过优化产业结构、提升技术创新水平、提高资源配置效率、促进能源结构转型等路径实现碳减排[43,44]。各地政府纷纷制定全方位的数字经济政策体系支持数字经济发展。为进一步讨论数字经济对不同要素密集型产业碳排放效应的影响，将不同产业与数字化效应交互项加入模型，得到表4的回归结果。相关结果表明，数字化对不同要素密集型产业的碳排放调节效应为负但不显著，因此本文继续深入二位数产业探究其调节效应。
表4 不同要素密集型产业与数字转型的互动作用

Tab.4 The interaction between different factor-intensive industries and digitalization

新进入 在位比较优势
资源密集型产业 5.660* 0.387*
(1.891) (1.792)
劳动力密集型产业 2.050* 4.976
(1.829) (1.081)
资本密集型产业 -4.815** 2.347
(-2.031) (1.535)
知识密集型产业 -5.661* 17.678
(-1.941) (1.491)
数字化 -0.001 -2.898
(-0.039) (-1.376)
资源密集型产业×数字化 -0.026 -0.039
(-0.394) (-1.551)
劳动力密集型产业×数字化 -0.094 -0.597
(-0.932) (-1.109)
资本密集型产业×数字化 -0.337 -0.265
(-1.632) (-1.501)
知识密集型产业×数字化 -0.278 -2.012
(-0.973) (-1.462)
常数项 -0.686 -26.592
(-0.592) (-1.471)
控制变量 控制 控制
城市固定效应 控制 控制
年份固定效应 控制 控制
观测值 2141 2141
R2 0.959 0.959

注：***p<0.01, ** p<0.05, *p<0.1；括号中的数值表示稳健t值。

图11表明，数字经济对石油和天然气开采业、石油、煤炭及其他燃料加工业、有色金属冶炼和压延加工业、燃气生产和供应业等高能耗和高排放产业的碳排放效应具有显著削弱作用。农副食品加工业、食品制造业、皮革、毛皮、羽毛及其制品和制鞋业这类劳动力密集型产业的碳排放效应也显著受到数字化的负向调节作用。此外，对于知识密集型产业，专用设备制造业、计算机、通信和其他电子设备制造业企业动态本身的减碳效应在一定程度上也因数字化转型有所下降。第三产业方面，数字化降低了铁路运输业、道路运输业、住宿业、餐饮业、货币金融服务、公共设施管理业、公共管理、社会保障和社会组织等产业企业进入对碳排放的正向影响。并进一步促进了电信、广播电视和卫星传输服务、软件和信息技术服务业、租赁业的减碳效应。
图11 部分二位数产业新增企业数量与数字化的调节效应

注：延伸的线段表示90%置信区间。

Fig.11 The moderating effects of digitalization on carbon emissions

根据现有研究，清洁化生产和数字化都具有减碳效应，但目前研究没有深入讨论其对不同产业禀赋的城市的影响。进一步分析产业比较优势不同的城市，清洁化生产和数字化的异质性减碳效应，图12表明，资源密集型产业和劳动密集型产业（如黑色金属矿采选业、开采专业及辅助性活动、批发业、装卸搬运和仓储业、废弃资源综合利用业等）具有比较优势会削弱清洁生产和数字化的减碳效应。资本密集型产业、知识密集型产业（如研究和试验发展、专业技术服务业、软件和信息技术服务业等）具有比较优势会增强清洁化生产和数字化的减碳效应。总体而言，相关结果表明政府力量推动下的清洁生产与数字化转型能够在一定程度上打造区域产业动态的减碳路径；然而在具体实现过程中，需要充分考虑特定区域产业基础，在区域产业比较优势转型过程中同步推进相关政策。
图12 清洁生产与数字转型的异质性减排效应（基于在位比较优势）

注：散点的代码标签代表二位数产业门类。

Fig. 12 The heterogeneous effects of cleaner production and digitalization on carbon emissions (on the basis of RCA)

5 结论与讨论

中国正处于低碳转型、提质增效的关键阶段，“双碳”目标的约束也对产业结构转型提出新的要求。本文基于动态演化视角，在系统分析中国区域碳排放时空演化格局和行业特征的基础上，实证分析了区域产业动态对碳排放的影响，并进一步探究了清洁化和数字化减碳路径的调节机制。本文的研究发现：①中国的碳排放在时间上经历了平稳增长、快速增长和结构转型三个阶段，空间上区域碳排放格局具有明显的空间分异性。②行业特征上，高碳排产业的企业进入和在位数量具有较强的关联性。高进入-高在位城市主要分布在东部沿海的发达地区，而低进入-低在位型的城市主要分布在中西部地区。③不同要素密集型产业进入具有异质性碳排效应。在控制规模和技术因素的影响下，资本密集型以及知识密集型产业的进入有利于城市减少碳排放；而产业结构偏向资源密集型以及劳动力密集型的城市会产生更多的碳排放。④政府推动的清洁化生产与数字化转型具有减碳效应，其调节效应存在产业间异质性。
中国的区域碳排放具有较大的异质性，制定符合区域排放特征和产业发展基础的减排目标和策略至关重要。对于生产效率低、化石能源依赖度高的重工业城市，应加强监管，实施严格的减排政策，促进技术进步和产业结构转型。对于资源型城市，应培育低碳新型主导产业，给予低碳技术和绿色金融支持，实现转型发展；对于资源枯竭型城市，应有序退出落后的高碳产业，政府引导植入低碳产业和发展路径，重构新型产业体系。对于仍处于工业化发展阶段的中西部发展期城市，可给予一定的碳排放份额鼓励发展，同时注重产业链的低碳延伸，将信息技术与绿色产业结合，建立新型绿色产业体系。对于接近或已实现碳达峰的城市，在发展低碳产业、加强低碳科技创新的同时，加强区域协作，推动低碳技术向高碳排放地区扩散，积极开展外向型发展。
为实现产业低碳转型升级，应制定相应的产业减碳策略。一是推进重点领域节能减碳，控制高耗能、高排放产业，特别是传统燃料加工业、钢铁、化工等偏上游的高耗能工业部门的扩张，淘汰落后产能。二是提升高碳排放产业的能源利用效率，增加可再生能源占比，采用环保和数字化新技术，加快传统产业的绿色升级和改造。三是加快产业升级，通过招商引资、人才引进等措施，吸引更多资本密集型产业、知识密集型产业和服务业。
统筹“双碳”目标与区域高质量发展，未来实现可持续减碳需要推进实施清洁化生产和数字化转型等具有长效减排效应的政策。既要打造智能化工业体系，发展绿色低碳的高新技术产业，推广节能清洁技术和装备，推动数字孪生、物联网等智能技术在工业领域的应用；也要发展综合能源系统、智能电网等新能源和能源互联网产业，推动低碳电力系统的发展，以提质增效带动节能降耗；还要加快发展绿色服务业，促进绿色低碳服务业与工业部门深度融合，如大力推动大数据服务业、人工智能服务业、全产业链工业设计服务业等的发展，有助于实现工业部门生产流程的智能化、低碳化。此外，还应建立和完善国内碳交易市场，以市场化手段推动低碳产业对高碳产业的替代。
本研究仍有改进空间。一方面，受限于数据颗粒度，本文无法分解碳排放在区域-产业尺度的分量，因此目前的研究仅能以区域碳排放作为被解释变量，探究二位数产业动态与区域总碳排的相关关系。另一方面，具有异质性产业结构城市的转型路径是未来值得深入研究的重要问题，本研究了讨论了两类减碳路径对异质性城市产业结构碳排放效应的调节机制，未来可以深入情景模拟和路径预测。

真诚感谢二位匿名评审专家在论文评审中所付出的时间和精力，评审专家对本文语言表达、结果分析、结论梳理等方面提出了非常专业且细致的修改意见，使本文获益匪浅。

参考文献

原文顺序 | 文献年度倒序 | 文中引用次数倒序
[1]
Fang K, Tang Y, Zhang Q, et al. Will China peak its energy-related carbon emissions by 2030? Lessons from 30 Chinese provinces. Applied Energy, 2019, 255: 113852. DOI: 10.1016/j.apenergy.2019.113852.

[2]
Wang Z, Huang W, Chen Z. The peak of CO2 emissions in China: A new approach using survival models. Energy Economics, 2019, 81: 1099-108. DOI: 10.1016/j.eneco.2019.05.027.

[3]
Boden T, Marland G, Andres R. Global, Regional and National Fossil-Fuel Global, Regional, and National Fossil-Fuel CO2 Emissions: 1751-2017. Oak Ridge, TN, USA: Carbon Dioxide Information Analysis Center, Oak Ridge National Laboratory, 2020. DOI: 10.15485/1712447.

[4]
Guan D, Peters G P, Weber C L, et al. Journey to world top emitter: An analysis of the driving forces of China's recent CO2 emissions surge. Geophysical Research Letters, 2009, 36(4): L04709. DOI: 10.1029/2008GL036540.

[5]
Wang H, Lu X, Deng Y, et al. China's CO2 peak before 2030 implied from characteristics and growth of cities. Nature Sustainability, 2019, 2(8): 748-54. DOI: 10.1038/s41893-019-0339-6.

[6]
Huang Y, Zhu S. Regional industrial dynamics under the environmental pressures in China. Journal of Cleaner Production, 2020, 265: 121917. DOI: 10.1016/j.jclepro.2020.121917.

[7]
Lin B, Wang C. Does industrial relocation affect regional carbon intensity? Evidence from China's secondary industry. Energy Policy, 2023, 173: 113339. DOI: 10.1016/j.enpol.2022.113339.

[8]
Jiang B, Xia D. Toward carbon neutrality in China: A national wide carbon flow tracing and the CO2 emission control strategies for CO2-intensive industries. Science of the Total Environment, 2023, 879: 163009. DOI: 10.1016/j.scitotenv.2023.163009.

[9]
Ryu K H, Kim B, Heo S. Sustainability analysis framework based on global market dynamics: A carbon capture and utilization industry case. Renewable and Sustainable Energy Reviews, 2022, 166: 112639. DOI: 10.1016/j.rser.2022.112639.

[10]
Zhang F, Li Y, Li Y, et al. Nexus among air pollution, enterprise development and regional industrial structure upgrading: A China's country panel analysis based on satellite retrieved data. Journal of Cleaner Production, 2022, 335: 130328. DOI: 10.1016/j.jclepro.2021.130328.

[11]
贺灿飞, 周沂. 环境经济地理研究. 北京: 科学出版社, 2016: 37-46.

[He Canfei, Zhou Yi. Environmental Economic Geography. Beijing: Science Press, 2016: 37-46.]

[12]
Mao X, He C. Export upgrading and environmental performance: Evidence from China. Geoforum, 2017, 86: 150-9. DOI: 10.1016/j.geoforum.2017.09.010.

[13]
Wu X, Zhang Y, Wang L. Coupling relationship between regional urban development and eco-environment: Inspiration from the old industrial base in northeast China. Ecological Indicators, 2022, 142: 109259. DOI: 10.1016/j.ecolind.2022.109259.

[14]
Zhang Y, Xie Y, Li J, et al. Dual risk-aversion programming for regional industrial structure adjustment with water-energy nexus: A case study of Tianjin, China. Journal of Environmental Management, 2022, 318: 115644. DOI: 10.1016/j.jenvman.2022.115644.

[15]
郭春丽, 易信. “双碳”目标下的中国经济增长:影响机制、趋势特征及对策建议. 经济学家, 2022, (7): 24-33.

[Guo Chunli, Yi Xin. China's economic growth under the "Dual Carbon" target: Influencing mechanisms, trend characteristics and countermeasures suggestions. Economist, 2022, (7): 24-33.]. DOI: 10.16158/j.cnki.51-1312/f.2022.07.009.

[16]
王睿, 张赫, 强文丽, 等. 基于城镇化的中国县级城市碳排放空间分布特征及影响因素. 地理科学进展, 2021, 40(12): 1999-2010.

DOI

[Wang Rui, Zhang He, Qiang Wenli, et al. Spatial characteristics and influencing factors of carbon emissions in county-level cities of China based on urbanization. Progress in Geography, 2021, 40(12): 1999-2010.]. DOI: 10.18306/dlkxjz.2021.12.002.

[17]
王正, 樊杰. 能源消费碳排放的影响因素特征及研究展望. 地理研究, 2022, 41(10): 2587-99.

DOI

[Wang Zheng, Fan Jie. The characteristics and prospect of influencing factors of energy-related carbon emissions: Based on literature review. Geographical Research, 2022, 41(10): 2587-2599.]. DOI: 10.11821/dlyj020210715.

[18]
徐英启, 程钰, 王晶晶. 中国资源型城市碳排放效率时空演变与绿色技术创新影响. 地理研究, 2023, 42(3): 878-94.

DOI

[Xu Yingqi, Cheng Yu, Wang Jingjing. The impact of green technological innovation on the spatiotemporal evolution of carbon emission efficiency of resource-based cities in China. Geographical Research, 2023, 42(3): 878-94.]. DOI: 10.11821/dlyj020220256.

[19]
刘志华, 徐军委, 张彩虹. 科技创新、产业结构升级与碳排放效率: 基于省际面板数据的PVAR分析. 自然资源学报, 2022, 37(2): 508-20.

DOI

[Liu Zhihua, Xu Junwei, Zhang Caihong. Technological innovation, industrial structure upgrading and carbon emissions efficiency: An analysis based on PVAR model of panel data at provincial level. Journal of Natural Resources, 2022, 37(2): 508-520.]. DOI: 10.31497/zrzyxb.20220216.

[20]
Li W, Wang W, Wang Y, et al. Industrial structure, technological progress and CO2 emissions in China: Analysis based on the STIRPAT framework. Natural Hazards, 2017, 88(3): 1545-64. DOI: 10.1007/s11069-017-2932-1.

[21]
王俊松, 贺灿飞. 能源消费、经济增长与中国CO2排放量变化: 基于LMDI方法的分解分析. 长江流域资源与环境, 2010, 19(1): 18-23.

[Wang Junsong, He Canfei. Energy consumption economic growth and CO2 emissions in China: Analysis based on Logarithm Mean Divisa Decomposure method. Resources and Environment in the Yangtze Basin, 2010, 19(1): 18-23.]

[22]
Gao P, Yue S, Chen H. Carbon emission efficiency of China's industry sectors: From the perspective of embodied carbon emissions. Journal of Cleaner Production, 2021, 283: 124655. DOI: 10.1016/j.jclepro.2020.124655.

[23]
中国社会科学院工业经济研究所课题组. “十四五”时期中国工业发展战略研究. 中国工业经济, 2020, (2): 5-27.

[Research Group of the Institute of Industrial Economics of Chinese Academy of Social Science. Research on China's industry development strategy during the period covered by the 14th Five-Year Plan. China Industrial Economics, 2020, (2): 5-27.]. DOI: 10.19581/j.cnki.ciejournal.2020.02.001.

[24]
胡鞍钢. 中国实现2030年前碳达峰目标及主要途径. 北京工业大学学报(社会科学版), 2021, 21(3): 1-15.

[Hu Angang. China's goal of achieving carbon peak by 2030 and its main approaches. Journal of Beijing University of Technology(Social Sciences Edition), 2021, 21(3): 1-15.]. DOI: 10.12120/bjutskxb202103001.

[25]
Liu Y, Zhao G, Zhao Y. An analysis of Chinese provincial carbon dioxide emission efficiencies based on energy consumption structure. Energy Policy, 2016, 96: 524-33. DOI: 10.1016/j.enpol.2016.06.028.

[26]
方冬莉. 数字经济对中国城市能源利用效率的影响: 基于技术赋能和技术外溢视角. 资源科学, 2023, 45(2): 296-307.

DOI

[Fang Dongli. Impact of digital economy on energy utilization efficiency of Chinese cities from the perspective of technology empowerment and spillover. Resources Science, 2023, 45(2): 296-307.]. DOI: 10.18402/resci.2023.02.05.

[27]
葛立宇, 莫龙炯, 黄念兵. 数字经济发展、产业结构升级与城市碳排放. 现代财经(天津财经大学学报), 2022, 42(10): 20-37.

[Ge Liyu, Mo Longjiong, Huang Nianbing. Development of digital economy, upgrading of industrial structure and urban carbon emission. Modern Finance and Economics-Journal of Tianjin University of Finance and Economics, 2022, 42(10): 20-37.]. DOI: 10.19559/j.cnki.12-1387.2022.10.002.

[28]
Guan D, Meng J, Reiner D M, et al. Structural decline in China's CO2 emissions through transitions in industry and energy systems. Nature Geoscience, 2018, 11(8): 551-5. DOI: 10.1038/s41561-018-0161-1.

[29]
Shan Y, Guan Y, Hang Y, et al. City-level emission peak and drivers in China. Science Bulletin, 2022, 67(18): 1910-20. DOI: 10.1016/j.scib.2022.08.024.

PMID

[30]
Shan Y, Guan D, Hubacek K, et al. City-level climate change mitigation in China. Science Advances, 2018, 4(6): eaaq0390. DOI: 10.1126/sciadv.aaq0390.

[31]
Shan Y, Guan D, Liu J, et al. Methodology and applications of city level CO2 emission accounts in China. Journal of Cleaner Production, 2017, 161: 1215-25. DOI: 10.1016/j.jclepro.2017.06.075.

[32]
Shan Y, Liu J, Liu Z, et al. An emissions-socioeconomic inventory of Chinese cities. Scientific Data, 2019, 6(1): 190027. DOI: 10.1038/sdata.2019.27.

[33]
Shan Y, Guan D, Zheng H, et al. China CO2 emission accounts 1997-2015. Scientific Data, 2018, 5(1): 170201. DOI: 10.1038/sdata.2017.201.

[34]
Shan Y, Huang Q, Guan D, et al. China CO2 emission accounts 2016-2017. Scientific Data, 2020, 7(1): 54. DOI: 10.1038/s41597-020-0393-y.

[35]
Guan Y, Shan Y, Huang Q, et al. Assessment to China's recent emission pattern shifts. Earth's Future, 2021, 9(11): e2021EF002241. DOI: 10.1029/2021EF002241.

[36]
国家统计局. 中国工业企业数据库. 北京: 国家统计局, 2000-2019.

[National Bureau of Statistics of China. Chinese Industrial Enterprise Database. Beijing: National Bureau of Statistics of China, 2000-2019.]

[37]
童健, 刘伟, 薛景. 环境规制、要素投入结构与工业行业转型升级. 经济研究, 2016, 51(7): 43-57.

[Tong Jian, Liu Wei, Xue Jing. Environmental regulation, factor input structure and industrial transformation. Economic Research, 2016, 51 (7): 43-57.]

[38]
国家统计局城市社会经济调查司. 中国城市统计年鉴. 北京: 中国统计出版社, 2000-2019.

[Department of Urban Socio-Economic Survey, National Bureau of Statistics. China City Statistical Yearbook. Beijing: China Statistics Press, 2000-2019.]

[39]
韩梦瑶, 姚秋蕙, 劳浚铭, 等. 中国省域碳排放的国内外转移研究: 基于嵌套网络视角. 中国科学: 地球科学, 2020, 50(6): 748-64.

[Han Mengyao, Yao Qiuhui, Lao Junming, et al. China's intra-and inter-national carbon emission transfers by province: A nested network perspective. Scientia Sinica Terrae, 2020, 50(6): 748-764.]. DOI: 10.1360/N072019-0096.

[40]
王薇. 城市化、产业结构与碳排放的动态关系研究: 基于VAR模型的实证分析. 生态经济, 2014, 30(11): 28-35.

[Wang Wei. The dynamic relationship among urbanization, industrial structure and carbon emission in China: An empirical analysis based on VAR Model. Ecological Economy, 2014, 30(11): 28-35.]

[41]
张腾飞, 杨俊, 盛鹏飞. 城镇化对中国碳排放的影响及作用渠道. 中国人口·资源与环境, 2016, 26(2): 47-57.

[Zhang Tengfei, Yang Jun, Sheng Pengfei. The impacts and channels of urbanization on carbon dioxide emissions in China. China Population, Resources and Environment, 2016, 26(2): 47-57.]. DOI: 10.3969/j.issn.1002-2104.2016.02.007.

[42]
余泳泽, 孙鹏博, 宣烨. 地方政府环境目标约束是否影响了产业转型升级? 经济研究, 2020, 55(8): 57-72.

[Yu Yongze, Sun Pengbo, Xuan Ye. Do constraints on local governments' environmental targets affect industrial transformation and upgrading? Economic Research Journal, 2020, 55(8): 57-72.]

[43]
徐维祥, 周建平, 刘程军. 数字经济发展对城市碳排放影响的空间效应. 地理研究, 2022, 41(1): 111-29.

DOI

[Xu Weixiang, Zhou Jianping, Liu Chengjun. The impact of digital economy on urban carbon emissions: Based on the analysis of spatial effects. Geographical Research, 2022, 41(1): 111-129.]. DOI: 10.11821/dlyj020210459.

[44]
谢云飞. 数字经济对区域碳排放强度的影响效应及作用机制. 当代经济管理, 2022, 44(2): 68-78.

[Xie Yunfei. The effect and mechanism of digital economy on regional carbon emission intensity. Contemporary Economic Management, 2022, 44(2): 68-78.]. DOI: 10.13253/j.cnki.ddjjgl.2022.02.008.

Options
文章导航

/

〈 〉