引言

中国高度重视应对气候变化工作，2021年提出强化国家自主贡献目标，承诺2030年前碳达峰、2060年前碳中和，2030年单位国内生产总值二氧化碳（CO₂）排放比2005年下降65% 以上^[1]。同时，随着《大气污染防治行动计划》《打赢蓝天保卫战三年行动计划》的颁布实施，我国整体空气质量有了显著提升，尽管一些城市的氮氧化物（NOx）、二氧化硫（SO₂）等大气污染物的近地面浓度仍超过世界卫生组织建议的健康标准（10 μg/m³）^[2]。随着碳达峰碳中和工作的持续推进以及我国大气污染治理进入全面攻坚阶段，减污降碳协同增效的积极作用将日益突显。温室气体和大部分大气污染物排放具有同根、同源、同排放介质的特征，两者的协同控制因此而具有技术和管理上的潜力和优势。由于产业结构、城市群集聚效应、大气区域传输等关键驱动因素的区域特征，碳排放和大气污染具有较强的空间集聚性^[3]。同时，在我国城市规划体系下，城市是应对气候变化和大气污染治理的主体。以城市为行政规划单位制定和实施减污降碳政策，凸显了不同地区减污降碳协同效应的时空异质性特征。因此，探究新阶段中国减污降碳协同效应的时空演变规律，识别演变规律背后的影响因素，厘清不同影响因素对减污降碳效应的作用机制，将有助于我国温室气体减排、大气污染防控与城市社会经济三者之间的协调发展。

1 文献综述

目前学术文献对减污降碳协同问题已有关注和探讨，主要聚焦于：①低碳政策的协同效应影响研究。Yang等^[4]发现2030年碳达峰目标的实现能使SO2、NOx等主要大气污染物的排放量降低78% ~ 83%；Liu等^[5]研究发现2005—2017年碳排放交易政策使得我国PM_2.5年均浓度降低4.8%；赵立祥等^[6]和张瑜等^[7]研究发现，实施碳排放交易的省份工业大气污染物排放量显著低于未参与碳排放交易的省份，进而得出结论为低碳政策对大气污染物排放水平降低具有一定促进作用。其他类型的低碳政策，如气候投融资工具、面向社区和个人的激励政策的影响也逐渐纳入研究讨论中^[8]。同时，有研究指出低碳政策的协同效应在不同省份存在显著的区域差异^[9]，整体呈现东低西高的分布特征^[10]。郭芳等^[11]对全国286个地级市的减污降碳协同趋势进行了分析，并提出了五类城市行动建议。②大气污染物防控政策的协同效应研究。提前淘汰小型低效机组可使2030年CO₂排放量约降低5%，关停小火电、淘汰燃煤锅炉、燃料替代等政策，均对降低CO₂排放具有正向作用^{[12, 13]}。③温室气体与大气污染物联防联控政策研究。省级和国家尺度的研究结果显示人均国内生产总值（GDP）、技术、城市化和人口等因素对碳排放和环境污染的协同效应有显著影响。张瑜等^[7]以全国30个省（区、市）为研究对象，发现以碳市场试点为代表的降碳政策能同时实现减污效应，而减污政策的降碳效应并不明显。唐湘博等^[14]估算了我国30个省（自治区、直辖市）大气污染物和碳排放控制系统的耦合协调度，发现2011— 2019年两者协同效应整体上明显提高，但是局部存在显著的时空差异。王灿等^[15]综述了排污收费和深化碳市场建设等经济激励政策对污染物治理和温室气体减排的促进作用。

综合来看，既有文献针对低碳发展和大气污染治理协同效应开展了广泛的研究，仍存在以下待改进空间：①目前文献主要研究了低碳政策的空气质量提升协同效应，或大气污染防控政策的碳减排效应，而低碳政策和降污政策协同效应的研究较为缺乏。且目前研究主要集中于碳排放交易政策的协同效应，对低碳试点城市的研究较少。②城市是低碳转型的重要规划单元，大部分低碳试点城市因地制宜，将温室气体排放行动目标和任务纳入了地区的“十二五”“十三五”规划中。既有文献多以全国省份或区域城市为空间单元开展减污降碳协同效应研究。而不同空间尺度的研究往往得到不完全一致的结论，主要原因在于不同影响因素的作用存在着时空变化的特征。而目前仍缺少全国范围内城市尺度的减污降碳协同效应实证分析。③不同城市不同时期的低碳和大气污染治理政策在不断调整和完善，存在较大的时空差异，而既有文献大多基于空间均质性假设，从静态视角研究其协同效应。④既有研究选用统计年鉴中提取的大气污染物排放量，如二氧化硫减排量、氮氧化物减排量、颗粒物减排量、工业废气治理设施数量、二氧化碳排放量、单位GDP二氧化碳排放量等统计数据作为减污降碳指标体系的指标，仍缺乏监测数据的证据支撑。

因此，本文以城市作为空间单元开展研究，从动态视角出发，基于耦合协调度模型，探究2012—2019年全国284个地级市减污降碳协同效应的空间异质性及其演变过程；进而基于构建的时空地理加权回归（Spatiotemporal weighted regression，GTWR）模型，同时探究降碳和减污政策对碳排放和大气污染治理协同效应影响因素的空间差异及其影响机制。特别的，本研究使用处理后的空气质量监测数据而非统计数据作为衡量降污维度的指标，这样能够更加客观地表征大气污染物控制的实际效果，增加模型的解释力度。研究结果有助于进一步识别碳减排和大气污染物防控重点城市，揭示低碳、大气污染防控政策以及产业结构调整等因素对减污降碳的协同效应的影响，从而制定城市差异化的、促进协同效应的温室气体与大气污染物联合防控政策。

2 方法与数据 2.1 减污降碳耦合协调度模型

由于我国能源密集型部门的温室气体和大部分大气污染物排放具有同根、同源、同排放介质的特征，CO₂减排和大气污染控制存在紧密的动态耦合关系。对于耦合效应研究，主要采用的模型方法包括双指数模型^[16]、耦合度模型^{[17, 18]}、灰色关联度模型^[19]、耦合协调度模型^[20]等。其中，耦合协调度模型能同时反映不同子系统协同发展趋势以及系统间的整体效应。本文采用二元系统的耦合度方法计算城市减污降碳的协调度，公式如下：

(1)

(2)

(3)

式中，U₁和U₂分别代表降碳和减污两个子系统的标准化值，本研究采用年二氧化碳排放量（10⁶ t CO₂/年）和年均空气质量指数（AQI）的标准化值表示；C、T和D分别代表耦合度、协调发展度以及耦合协调度指数。D值越高，子系统间离散程度越小，耦合协调度越高。在本研究中，D值越大，表明减污降碳的协同效应越大；D值越小，表明协同效应越差。α_i代表第i个子系统的权重。大部分研究中都假设各子系统的重要性一致，本研究采用类似的假设，即降碳和减污同等重要。

2.2 协同效应影响因素模型

1994年，Dietz和Rosa针对IPAT（Impact，Population，Affluence，and Technology）模型^[21]的局限性，提出了STIRPAT（Stochastic Impacts by Regression on Population，Affluence and Technology）模型，认为国家或地区的人口增长和富裕程度提高将影响其生态环境系统，并同时受到科学技术水平的影响。为了探究降碳政策、减污政策以及其他社会经济影响因素对城市尺度协同效应的异质化影响，本文构建了拓展后的STIRPAT模型如下：

(4)

式中，D表示减污降碳耦合协调度指数；CP表示低碳政策变量，本研究采用是否是低碳试点城市这一虚拟变量作为刻画低碳政策的替代变量，如果该城市在该年成为低碳试点城市，则赋值为1，反之取0；PR表示减污政策变量，本研究选择城市SO₂削减比例和烟尘粉尘削减比例的加权平均值作为衡量城市减污政策强度的变量，削减比例越大，表示该城市减污政策力度越大；P表示城市年均常驻人口总量；PGDP表示城市人均GDP；Tech表示技术投入水平，本研究选取教育和R & D投入占GDP百分比作为变量；UR表示城镇化水平，本研究选取城市人口占比作为变量；IS表示产业结构，本研究以第二产业增加值占GDP比重表示。

此外，本研究进一步结合现有文献分析，获得影响CO₂排放和空气污染的其他主要因素，并将其作为控制变量，包括城镇化^[22]、产业结构^[23]等。估计系数刻画了以低碳试点城市为代表的低碳政策对减污降碳协同效应的影响，同时刻画了大气污染控制政策对减污降碳协同效应的影响。β₁＞0和β₂＞0分别表示低碳政策和大气污染防控政策对减污降碳协同效应具有显著的促进作用。

2.3 时空地理加权回归模型

考虑到不同城市经济发展水平、工业化程度、产业结构、温室气体排放以及大气污染防控力度均有较大差异，而传统的Ordinary Least Squares（OLS）模型基于时空均质性的假设，忽略了地理空间效应，不能分析减污降碳协同效应的时空异质性，本文进一步引入了地理加权回归模型（Geographically Weighted Regression，GWR），并在此基础上纳入了时间维度的动态参数，构建能同时考虑时空非平稳性的GTWR，从而实现对不同时空点各影响因素作用和方向的计算，具体表达式如下：

(5)

式中，(u_i, v_i, t_i) 为城市i的时空坐标位置；β₀ (u_i, v_i, t_i) 为城市i的时空截距；X_{i, k}为第k个影响因素在城市i点位的观测值；CP_{i, k}和PR_{i, k}为重点关注的低碳政策和减污政策变量；β₁(u_i, v_i, t_i)、β₂ (u_i, v_i, t_i) 和Y_n (u_i, v_i, t_i) 为待估计系数。

2.4 数据处理

本文使用的地级市CO₂排放数据部分来自中国碳核算数据库（CEADs）。本研究根据Shan等^[24]提供的排放清单构建的方法、参数和口径进行了补充，主要通过将不同种类的能源消耗合并为煤炭、焦炭、原油、燃料油、汽油、柴油、煤油等7种化石燃料，结合不同燃料的排放因子以及热值、城市年度人口数量，计算得出全国地级市碳排放量。AQI空气质量检测日数据来自国家环境空气质量监测网，本研究将其处理为年均数据。其他控制变量包括人均GDP（元/人）、人口规模（万人）、第二产业增加值占GDP比重（%）等数据均来自历年的《中国城市统计年鉴》并加以计算和处理。

3 结果与讨论 3.1 模型结果分析

GTWR模型的计算结果（表 1）描述了2012—2019年产业结构、低碳政策、人口规模、技术投入和城镇化等影响因素对我国主要城市减污降碳耦合协调度指数的时空异质化影响。GTWR模型调整后的R²为0.805，对比OLS模型拟合度R²约为0.602，显示GTWR模型拟合程度更优。各影响因素参数估计结果的最小值、低分位数、中位数、高分位数以及最大值如表 1所示。减污变量（PR）估计系数中位数的绝对值0.009（-0.043，0.076）大于低碳政策（CP）变量估计系数中位数的绝对值0.001（-0.034，0. 030）表明，减污政策对减污降碳的协同效应大于低碳政策。研究结果进一步说明，在城市尺度上我国减污政策的制定相对较完善，且不同区域大气污染防控政策的差异性较大，为当前尚未形成区域特点的低碳政策的实施效果提供了一定的促进作用。

综上所述，低碳政策、减污政策、产业结构、人口规模、技术投入和城镇化等因素对我国城市不同时期的减污降碳耦合协调度指数的影响存在显著的时空异质性。其中，在超过一半以上城市，以低碳试点城市为代表的低碳政策和减污政策均对CO₂排放控制和空气污染治理的协同效应具有显著的正向促进作用。此外，由于我国的减污政策具有实施时间长、空间精细化程度高、执行力度大等优势，整体而言低碳政策对减污降碳协同效应的促进作用弱于减污政策。

3.2 城市尺度减污降碳协同效应的时空分异特征

2012—2019年我国284个地级市CO₂减排与大气污染物排放控制的耦合协调度指数及其分类如图 1所示。协同效应的分类标准参考王淑佳等^[25]给出的范围。从整体上看，2012—2019年二氧化碳减排和大气污染物排放控制的耦合协调度指数呈现出增强趋势，城市尺度上平均减污降碳耦合协调度指数从2012年的0.79增长至2019年的0.85，表明我国主要地级市二氧化碳排放和大气污染协同控制的效应有一定提升。

从空间分布角度分析，研究期间各城市减污降碳的耦合协调度体现出较显著的空间异质性。2012年属于严重失调、濒临失调、勉强协调和初级协调的城市约占14.8% 左右，此类城市主要位于华北平原，如河北省的唐山市、石家庄市等5个城市，河南省的郑州市、开封市等14个城市，山东省的济南市、淄博市等11个城市，以及山西省、陕西省、内蒙古自治区个别城市。属于中级协调度的城市约占总数的30.3% 左右，此类城市主要位于长三角城市群、长江中游城市群、山西中部城市群、呼包鄂榆城市群、山东半岛城市群、辽中南城市群，以及北京、河北中部等地区，如江苏省的南京市等。约56.3% 的城市属于减污降碳良好协调和优质协调城市，此类城市主要位于华南及东南沿海地区、哈长城市群，以及兰西城市群、云南、四川等西部地区，如广东省深圳市、黑龙江省大庆市等。2019年，属于严重失调、濒临失调、勉强协调和初级协调的城市比例下降至4.2%，属于中级协调度的城市占比由30.3% 降低至11.4%，良好协调和优质协调城市占比分别增长至67.6% 和18.7%。减污降碳耦合协调度提升较大的城市主要位于山西省、河南省、陕西省中西部、山东省西部等地区。同时，环京津冀区域、汾渭平原等作为京津冀大气污染传输通道城市虽然仍不属于优质协调类型，但对比2012年其协同效应提升幅度较为明显。“十二五”期间，我国密集颁布实施了一系列大气污染防治政策，这在一定程度上促进了我国温室气体减排与大气污染物控制协同效应的增长，该发现与既有研究具有一致性^{[26, 27]}。另外，2018年以来京津冀及周边区域、长三角城市群等大气污染的重点区域陆续颁布了区域性的大气污染综合治理行动方案，特别是针对重点城市煤炭消费总量控制等具体细则的实施，在一定程度上有助于减污降碳协同效应的增加，同时也凸显了城市尺度减污降碳协同效应的空间异质性。

3.3 城市减污降碳政策协同效应的影响因素分析

为了深入分析具有显著时空效应的低碳政策、减污政策、产业结构、人口规模、技术投入和城镇化等影响因素对减污降碳耦合协调度指数的时空异质性影响，本研究进一步对GTWR模型计算得到的2012—2019年各影响因素的回归系数进行空间分析。

结果显示，低碳政策对减污降碳协同效应总体呈现正向促进的影响，而且这种正向促进的作用呈逐年增强的趋势。图 2展示了2012年和2019年我国城市低碳政策变量对减污降碳耦合协调度指数影响变化的时空分布。其中，2012年低碳政策对减污降碳耦合协调度指数的影响总体上呈现正向促进作用，具有较强影响的城市主要分布在京津冀城市群、长江中游以及东南沿海地区，其回归系数在0 ~ 0.592。这意味着此类城市以“低碳试点城市”为代表的低碳政策显著促进了其减污降碳协同效应。同时，研究发现一些中部城市的低碳政策对减污降碳耦合协调度指数呈负向影响态势，回归系数在-0.328~ 0，表明通过低碳政策的提出与实施会削弱其减污降碳的协同效应。对比2012年，到2019年整体上我国低碳政策对减污降碳协同效应的正向促进作用有所增强，特别是中部地区城市呈现出低碳政策影响从负面转向正面促进的作用的趋势，其回归系数在0 ~ 0.345。仍有少部分城市的低碳政策对减污降碳协同效应呈现负面作用，如内蒙古中部城市，但这种负面效应较弱，其回归系数在-1.146 ~ 0。

2012—2019年，大气污染防控政策对减污降碳的协同效应总体呈现正向促进作用，而且这种正向促进的作用明显呈现出逐年增强的趋势。图 3展示了2012年和2019年我国城市减污政策变量对减污降碳耦合协调度指数影响变化的时空分布。2012年减污政策对减污降碳耦合协调度指数的影响总体上呈现正向促进作用，其回归系数主要集中在0 ~ 0.585，而系数的负值主要集中在-0.088 ~ -0.002，表明负向抑制的作用较弱；相较2012年，2019年我国减污降碳协同效应整体上的正向促进作用有所增强，其回归系数主要集中在0 ~ 1.224。呈现显著促进作用的城市主要分布于华北平原地区，如北京市、天津市、河北省、山东省；除此之外，减污政策的协同效应在长江中游城市群和河南省具有显著提升。这主要是由于“十二五”“十三五”期间，我国开始提倡大气污染末端控制与降低能耗双管齐下的治理模式，同期出台颁布了一系列节能减排综合方案，因此显著提高了CO₂与大气污染物控制的协同效应。

城市产业结构变量体现了城市经济增长对工业的依赖程度。产业结构调整通过对能源和产业的转型升级从根本上减少了对化石燃料的需求，因而对减污降碳的协同效应更加显著。图 4展示了2012年和2019年我国城市产业结构对减污降碳耦合协调度指数影响变化的时空分布。结果显示，产业结构偏工业化的地区如西北经济区、华北平原地区、内蒙古自治区、辽宁省部分城市耦合协调度持续偏低且有下降趋势，其回归系数在-0.887 ~ 0。工业化对能源的依赖程度较小的区域，如东南沿海地区广东省、福建省等，其产业结构对减污降碳协同效应呈正向促进的作用，其回归系数在0 ~ 0.561。

人口规模对减污降碳的协同效应总体以负向影响为主，意味着在大部分城市中城市人口规模的增长会减弱减污降碳的协同效应。图 5展示了2012年和2019年我国城市人口规模对减污降碳耦合协调度影响变化的时空分布。从2012年的人口规模回归系数可以看出，约89.2% 的城市人口规模对减污降碳耦合协调度指数有负面影响，其回归系数在-0.603 ~ 0。仅约有10.7% 城市的人口规模回归系数为正值，最大值为0.253，意味着此类城市人口规模对减污降碳协同效应的正面影响较弱。到2019年，整体上人口规模对减污降碳耦合协调度指数影响的空间分布变化不大，回归系数在-0.460 ~ 0，其中仅约有5% 城市的人口规模回归系数为正值，最大值为0.318。从整体来看，人口规模对减污降碳的协同效应主要体现为降低作用，显著负向影响的城市主要集中在人口密集的地区，如河北省、北京市以及天津市等。

城市技术投入对减污降碳协同效应的影响整体上呈现正向促进的作用，并且具有较强的空间异质性。图 6展示了2012年和2019年城市技术投入对减污降碳协同效应影响变化的时空分布。结果显示，在我国中西部地区城市，技术投入对减污降碳协同效应具有显著的正向促进作用，其回归系数在0 ~ 0.363，表明技术投入水平的增加会使减污降碳协同效应得到显著的提高。同时，部分城市的技术投入对减污降碳耦合协调度指数具有微弱的负面影响，此类城市主要分布在东南沿海地区，回归系数在-0.247 ~ 0，表明增加技术投入会导致减污降碳协同效应的降低。对比2012年，2019年中西部城市、京津冀地区与长江三角洲地区技术投入对减污降碳耦合协调度指数的正向促进作用有所提高，其回归系数在0 ~ 0.362。而在我国西南部分城市，技术投入对减污降碳协同效应呈现出较微弱的削减作用，回归系数在-0.070 ~ 0。

3.4 稳健性检验

由于遗漏变量、因变量和自变量互为因果关系以及参数设定等因素，回归模型往往存在内生性问题。本研究拟从内生性检验和模型稳健性两方面对上述结果进行稳健性检验。首先，参考Lin等^[28]的内生性检验方法，在模型中分别加入主要解释变量减污政策和降碳政策的一阶滞后项。结果表明，减污政策（PR）和降碳政策（CP）估计系数的范围与基准模型（表 1）较为接近，说明基准模型不存在明显的内生性问题。其次，本研究分别采用两种空间权重矩阵计算方法（空间相邻权重矩阵和距离倒数权重矩阵）来验证模型计算结果的稳健性。结果显示，采用上述两种计算方法得到的空间权重矩阵对模型系数分布的影响不大，结果较为接近，佐证了研究结论的稳健性。同时，本研究也存在一定的不确定性。该不确定性主要源自统计数据的不确定性以及能源排放因子的误差。CO₂排放是本研究中重要的变量之一。Shan等^[29]提出中国省级能源消耗相关的统计数据误差为±10% 左右；煤、天然气以及石油等能源的碳排放因子误差为3% ~ 5%^{[30, 31]}。此外，其他社会经济变量，如人均GDP、人口规模、第二产业增加值等，均存在一定的不确定性。在以后的研究中，将通过增加样本容量等途径，从而提高模型估计的准确性。

4 结论与政策建议

本研究利用2012—2019年全国284个地级市的时空面板数据，从动态视角评估并考察了城市尺度减污降碳协同效应的时空动态变化过程，进而从低碳政策和大气污染防控政策两方面探讨了中国减污降碳政策的协同效应影响因素及变化规律，主要结论如下：

（1）城市减污降碳的协同效应呈现出显著的时空分布异质性。全国284个地级市的平均减污降碳的协同效应整体呈现增加趋势，其耦合协调度指数由2012年的0.79增加至2019年的0.85。环京津冀区域、汾渭平原等作为京津冀大气污染传输通道城市虽然仍不属于优质协调类型，但大部分城市协同效应提升幅度较明显。部分华北平原城市由于自身产业结构和能源结构特点，减污降碳协同效应持续较低，是下阶段减污降碳应该重点关注的城市。

（2）在城市尺度上，低碳政策、减污政策、经济水平、产业结构、人口规模、技术投入和城镇化等7个重点关注影响因素对城市减污降碳协同效应的影响具有显著的时间和空间差异。其中，产业结构调整对中、西部城市减污降碳协同效应的促进作用影响较大，而华北平原城市群作为大气污染防治的重点区域，则主要受到减污政策的协同效益影响；低碳政策主要在京津冀城市群、长江中游以及东南沿海地区城市显著提升减污降碳的协同效应，而在中西部城市起到了微弱的负面影响；中西部城市加大技术投入将产生显著的减污降碳协同效益，而技术投入在东南部沿海城市作用甚微。

（3）对于经济发达、第二产业占比低、能源结构多元、人才资源丰富的地区，如京津冀城市群中的北京，长三角城市群中的上海、江苏，以及华南沿海城市如广州等，这些地区更有能力适应“双碳”目标要求，减污降碳的“双达”目标相对较易实现。

基于本文研究结果，提出的政策建议如下：

（1）管理机制协同方面，全国各省份以地级市为单位，根据城市各自的人口规模、城镇化水平、产业结构以及战略定位等因素，进一步细化减污降碳协同增效实施路径，在落实各地区碳达峰实施方案中强化减污降碳协同。

（2）对于纳入国家低碳试点的城市，以及东部城镇化水平较高城市以及人口密集的主要城市群，建议推动地方政府将碳排放达峰和空气质量达标的协同目标纳入城市产业转型、各项专项规划以及城镇化规划中，鼓励因地制宜地积极探索减污降碳新模式。总结低碳试点城市的减污降碳实践经验，将其碳达峰目标方案设定、绿色投资融资体系建设、大气环境生态补偿等制度创新模式推广到其他城市。

（3）针对产业转移承接过程中可能出现的污染物的区域转移问题，建议加强城市之间减污降碳联防联控规划机制。运用具有针对性地、因地制宜地制定精细化、阶段化、差异化的防控机制，发挥城市群集聚效应，保证城市之间减污降碳的协同效益。