曲越等：城市碳达峰的非线性机制与异质性路径研究——基于山东省地级市面板数据的实证分析

作者：

曲越，刘家童，秦晓钰

作者单位：

山东科技大学 经济管理学院， 山东 青岛 266590

作者简介：

曲越(1987—) ，男， 山东烟台人， 山东科技大学经济管理学院教授，研究方向为区域经济与碳减排。

中图分类号：

F062. 2

文献标识码：

A

文章编号：

1673-5595(2024)04-0001-10

DOI：

10.13216/j.cnki.upcjess.2024.04.0001

摘要：

经济快速发展带来的CO₂排放问题已成为全球公认的环境问题， 对此， 中国于2020年提出了“ 双碳”目标。作为碳排放大省， 山东省的CO₂排放机制和碳达峰轨迹值得关注。以EKC曲线为基础 ，运用面板平滑转换模型(PSTR)实证分析山东省地级市层面的碳达峰路径。研究表明：山东省地级市CO₂的排放受到地区经济发展水平、产业结构、人口规模和科技水平等因素的影响，经济发展与碳排放的关系符合EKC曲线的倒“U”型特征。异质性研究发现：山东省各地级市的碳排放机制和路径存在明显的区域异质性，其中，青岛、济南和威海等城市碳峰值点的人均GDP水平明显高于其他城市，这些城市有望成为山东省最先实现碳达峰目标的城市；以滨州、德州和济宁为代表的轻工业主导型城市，其碳减排处于山东省的平均水平 ，这类城市在碳减排的过程中尤其需要注意产业结构的优化和人口规模的控制；枣庄、菏泽和淄博等重工业主导型城市，在较低的经济发展水平上逐步达到碳峰值点，这些城市重工业比重相对较高，提升经济发展水平和合理控制人口规模成为该类城市碳减排的工作重点。

关键词：

碳达峰；碳减排；EKC曲线；区域协同

引言

科技创新引领世界经济加速发展，各国经济发展导致能源的消耗量急剧增长，随之而来的环境问题也日益显现。国际能源署最新数据统计，2022年全球与能源相关的温室气体总排放量413亿吨，突破历史记录，CO₂排放量年均增长率达到1%左右^[1]，CO₂的快速增长导致2022年地球海平面上升和大气中温室气体浓度均创下历史新高，碳排放问题的全球治理已经刻不容缓。为此，世界各国达成了全球碳治理的统一共识，以欧盟和美国为代表的主要国家和经济体相继出台了碳减排的一揽子措施和目标；中国于2020年也明确提出了“双碳”目标，承诺力争于2030年前达到碳排放峰值，2060年前实现碳排放的“零增长”，2021年出台的《中共中央国务院关于完整准确全面贯彻新发展理念做好碳达峰碳中和工作的意见》对碳达峰和碳中和工作进行了系统谋划，《国务院关于印发2030年前碳达峰行动方案的通知》对碳达峰工作进行了总体部署。

碳排放问题是诸多因素共同作用的结果，既取决于区域经济发展水平，也受到地区产业结构、人口规模和技术水平的影响。鉴于中国区域经济发展的不平衡性，碳减排和碳达峰工作也应该因地制宜，“双碳”目标的实现要将总体布局和区域协调相结合。最新数据显示，2022年山东省碳排放量居全国第一位，约占全国比重的10%，山东是名副其实的碳排放大省。^[2]经济发展水平相对较高、产业结构偏重工业、人口规模居全国前列等，都是导致山东省碳排放量持续增长的原因。另外，山东省区域经济发展也存在较大的不平衡性，胶东、省会、鲁南三大经济圈的发展模式、支柱产业和发展导向各有不同，产业结构、人口规模和技术水平等也存在较大的差异，这也导致了不同城市在碳排放变动机制、轨迹和路径方面的异质性。

鉴于此，本文将山东省地级市层面的碳排放机

文献回顾

中国“双碳”目标的实现是一个整体的概念，需要经济、社会、环境的统筹布局和多路径协调发展，碳减排与经济高质量发展可以同步进行，相辅相成。化石燃料和电力能源的消耗是碳排放的重要来源，碳达峰目标的实现需要经济增长与传统能源脱钩，以清洁能源发展推动能源结构的调整^[3]，以能源效率提升和新能源技术创新助力“双碳”目标的实现，进而推动中国经济的高质量发展^[4]。碳减排技术的革新和经济的绿色增长同样是推动中国碳达峰目标顺利实现的重要途径^[5]，绿色政策合力和区域协同创新有助于经济社会发展全面绿色转型，进而降低中国的整体碳排放，实现可持续发展^[6-7]。总体来看，中国的经济增长与碳排放之间呈“N”型关系，经济体量仍然是碳排放的决定性因素。^[8]

碳排放规模的增长和轨迹的变动是经济社会诸多因素共同作用的结果，从EKC曲线的基本机制出发，世界各国的碳排放轨迹基本呈现多阶段和非线性的特征，人均收入、能源强度、产业结构和能源消费结构均对CO₂排放有显著影响。^[9-10]人均GDP的增长是碳排放量增长的最大驱动因素，经济发展水平和居民生活水平的提高直接导致了中国CO₂排放量增大。^[11]目前为止，能源效率的提升和能源结构的调整所带来的碳减排效应，仍然难以抵消由经济增长导致的碳排放规模扩大。^[12-13]城市化也是中国碳排放量增长的驱动因素之一，而且城市化对CO₂排放的非线性影响在不同区域存在较大的异质性。^[14]此外，碳排放还具有显著的空间关联性，碳减排政策的区域协调、碳中和技术的区域共享和碳市场的紧密合作，是区域碳达峰目标实现的必要途径。^[15]碳市场具有显著的碳减排效应，中国以政府调控为引导的碳市场建设，显著降低了各地区的碳强度和碳规模，将市场机制与行政调控相结合，协同推进“双碳”目标的实现，在中国具有很强的可行性和现实性。^[16]

受经济社会发展不平衡的影响，碳排放规模和变动趋势在区域间存在较大的差异。区域经济发展的不平衡是造成碳排放差异的主要原因^[17]，能源强度、能源结构、产业结构也是造成碳排放差异的重要因素^[18]。长期以来，中国各省份碳排放趋势的差异性是客观存在的^[19]，各区域必须因地制宜地选择适合本地的碳达峰目标实现路径，根据当地的经济发展特点和产业结构等因素，制定碳达峰的行动方案^[20]。中国各区域碳减排方案的制定和具体实施需要充分考虑区域之间的协同性，加大资金、人力和产业向中西部地区集中的力度，提高中国能源环境效率^[21]，积极探索各区域城市间的协同路径，发挥北京和上海等城市的技术引领和辐射作用，推动轻工业城市的绿色高效发展，使能源型和重工业型城市加速完成产业转型和升级^[22]。

综上所述，围绕碳减排机制和路径方面的研究已有一定的积累，但梳理后发现，中国地级市层面的细分碳排放数据尚需要补充，尤其是针对碳排放大省的地级市碳排放机制和异质性路径的研究还存在一定的欠缺，省级层面的区域碳减排协同策略还需要完善。基于此，本文以中国碳排放数据库(CEADS)为依托，补充山东省各地级市碳排放的面板数据，结合门限模型梳理山东省地级市层面的异质性碳排放路径，以山东省的区域发展情况为基础，分析城市间发挥区域协同效应，进而提出顺利实现“双碳”目标的可行路径。

理论机制与模型构建

(一)EKC曲线

EKC曲线来源于解释经济增长与收入差距之间关系的库兹涅茨曲线，系统描述了经济发展与环境退化之间的关系。^[23]在经济发展初期，环境问题尚未显现；随着经济发展水平的提升，环境退化问题日益严重；当经济发展水平达到一定的临界点后，环境问题逐渐得到改善。经济发展与环境退化之间总体呈现两阶段或三阶段的非线性关系。传统的两阶段EKC曲线(倒“U”型)基本表达形式为

式中：被解释变量P_it表示t时期i地区的环境退化程度或污染程度，用来描述地区的环境问题；核心解释变量PCGDP_it表示t时期i地区的人均国内生产总值，用来衡量该区域的经济发展水平；其他解释变量X_it表示t时期i地区与环境问题相关的其他因素；ε_it是满足独立同分布条件的随机干扰项序列。

进一步，考虑到区域经济发展的多样性和复杂性，EKC曲线在应用的过程中得以不断发展和完善^[24]，两阶段的倒“U”型逐渐发展为更加全面的三阶段倒“N”型等形式，其基本表达形式为

(二)EKC曲线在碳排放领域的应用

随着经济发展水平的提升，CO₂排放问题逐渐成为最为严峻的全球环境问题，中国提出在2030年前达到碳排放的峰值点，之后CO₂排放不再增长，2060年达到碳中和临界值点，CO₂实现“零增长”。由此可见，经济发展水平与碳排放之间的关系依然可以用EKC曲线来进行刻画和描述，将公式(2)进一步整理为

式中：CO_2it表示t时期i地区的CO₂排放规模，人均GDP(PCGDP_it)和其他经济社会发展变量(X_it)用以解释CO₂排放增长和变化的原因。

(三)EKC曲线在碳排放领域的进一步拓展

除了经济发展水平这一EKC曲线的核心因素外，产业结构也是决定地区CO₂排放的重要因素。重工业占主导的区域往往碳排放规模较大，高新技术产业占主导的区域通常有望率先完成碳达峰目标。^[25]此外，人口规模和集聚程度决定了消费领域碳排放的数量大小，技术发展水平同样是影响地区碳排放的重要因素。综合来看，公式(3)可以继续细化为

式中：IST_it表示t时期i地区第二产业产值占GDP的比重，衡量该时期地区的产业结构；DP_it表示t时期i地区的常住人口密度，衡量该时期地区的人口规模和集聚程度；TFP_it表示t时期i地区的全要素生产率，衡量该时期地区的技术发展水平。其余变量同前文表述一致。

(四)基于EKC曲线的碳排放影响机制模型构建—PSTR模型

进一步研究发现，传统的EKC曲线在分析经济发展和环境问题之间关系的时候，通常以临界值为拐点，采用分段函数的形式，这种处理方式的假设前提是临界点的非连续性，这与现实情况存在一定的差别。式(4)中除了人均GDP之外的其他解释变量，都会随着转换变量PCGDP_it的变化而对CO₂排放产生不同程度的影响，因此这些解释变量也需要放入分段机制中进行处理。此外，式(4)对三阶段以上的多阶段、非线性关系缺乏相应的解释机制，因此存在一定的局限性。

鉴于此，本文对CO₂排放影响因素的研究采用面板平滑转换模型(PSTR)，对碳排放的临界值点采取平滑转换的连续形式进行更加贴近现实的处理，并将随转换变量变动而对碳排放产生影响的解释变量引入机制分析中，不再按照控制变量进行处理。同时，在二阶段和三阶段的EKC曲线公式中引入平滑转换函数G，进而将式(4)演化为一般性的多阶段、非线性模型。综上所述，构建实证模型为

式中：β为解释变量的影响系数；PCGDP、IST、DP和TFP分别表示人均GDP、产业结构、人口规模和全要素生产率，用来衡量影响地区i碳排放的主要因素；S为转换变量，在转换变量的不同发展阶段，模型会呈现不同的机制和趋势；C为EKC曲线的拐点，即位置参数，是模型转换的临界值点；γ为转换函数的转换速度，决定了模型不同阶段的转换快慢；

k为转换函数G的个数，取值为[1，n]，代表每个模型中转换函数的数量；j是位置参数C的个数，取值为[1，m]，代表每个转换函数中转换点的数量；G为模型的平滑转换函数，一般取对数形式，取值为0或1，转换函数的取值变动会引起模型在不同阶段的转换；εit是满足独立同分布条件的随机干扰项序列。

指标测度与实证分析

(一)指标测度与选择

1.被解释变量

式(5)中的城市级碳排放变量CO_2it用来衡量t时期山东省地级市i的CO₂排放规模，以此为被解释变量。山东省各地级市的CO₂排放量数据，使用中国碳排放核算数据库(CEADS)编纂的中国城市级碳排放清单核算方法整理得到。^[26]在碳排放的具体核算过程中，将工业活动和能源消耗设定为城市CO₂排放的主要因素。依据联合国政府间气候变化专门委员会(IPCC)的温室气体清查方法，CO₂排放规模等于不同能源参数下(NCV、EF、O)活动水平数据AD乘以排放因子EF。

式中：CO_2E和CO_2P分别表示t时期山东省地级市i在工业活动和能源消耗过程中产生的CO₂数量，AD_ab表示山东省地级市i在行业b使用能源a的数量，NCV_a表示能源a的排放净热值，EF_a表示能源a的排放因子，O_ab表示山东省地级市i的行业b使用能源a的氧化效率，AD_w表示工业产品w的产量，EF_w表示产品w的排放因子。

2.核心解释变量

PCGDP_it为经济发展水平变量，是PSTR模型的核心解释变量，也是EKC曲线的重点关注变量^[27]，表示山东省各地级市的经济发展水平，数据使用山东省各地级市的人均GDP来衡量。由于涉及时序问题，对于经济指标作可比价处理，数据依据2000年不变价格计算整理后获得，单位为万元，具体数据来源于山东省历年的统计年鉴。

3.其他解释变量

IST_it为产业结构发展变量，用以衡量山东省各地级市的产业结构，参照彭水军等^[28]的研究，本文采用第二产业产值占GDP的比重来表示，数据来源于山东省历年的统计年鉴；DP_it是人口规模变量，表示山东省各地级市的人口集聚情况，用各地级市的平均人口密度来衡量^[29]，人口规模数据根据山东省历年统计年鉴和各地级市行政区划面积计算整理获得；TFP_it为技术水平变量，衡量山东省各地级市的技术发展水平，用各城市的全要素生产率来衡量，该数据借鉴Pastor等^[30]的研究，运用数据包络分析的方法计算得到，并且在对山东省各地级市TFP进行测度的过程中，综合考虑了非期望产出的超效率SBM模型和Malmquist生产率指数。

4.转换变量

转换变量S_it是PSTR模型平滑转换的主线索，也是各解释变量对CO₂排放产生影响的中介平滑变量。转换变量的选择需要综合考虑模型的内生性和各变量之间的前后关联性，综合EKC曲线的相关研究、主要特征和PSTR模型的适用性，将式(5)的转换变量设定为核心解释变量PCGDP_it的滞后一期，同样以2000年不变价格为基础计算整理获得。

(二)数据处理

根据PSTR模型的基本要求，式(5)的实证数据采用的是面板数据的形式，2019年莱芜市正式并入济南市，考虑到数据的连续性，本文最终保留山东省16个地级市为碳减排的研究对象(考虑到数据的前后关联性，为减少数据波动性，2019—2021年间济南市的相关数据为减去莱芜地区后的数据)。同时，考虑碳排放数据的可得性和其他解释变量的完整性，模型最终选取2000—2021年共22年为研究的时间跨度，全样本数据个数为352个，时间跨度和样本数据具有一定的代表性和说服性。数据来源于CEADS数据库和山东省历年的统计年鉴。数据描述性统计结果如表1所示。

表1 全样本的描述性统计

(三)机制检验

1.PSTR模型的非线性趋势检验

PSTR模型具有多阶段、非线性面板平滑转化的特征。非线性趋势是PSTR模型应用的前提和基础，因此，在实证分析之前，先对式(5)进行基准非线性检验，本文分别采用Wald、Fisher和LRT检验方法进行非线性识别。设定模型的原假设均为H0：线性关系；备择假设为H1：非线性关系。在非线性检验的过程中，以EKC曲线的原始核心解释变量PCGDP_it为基准，通过对其他解释变量进行组合试验，依次围绕被解释变量CO_2it展开检验，最终发现PCGDP_it、IST_it和DP_it三个解释变量对CO_2it的非线性解释力度最精准，加上技术水平变量后非线性趋势会有所减弱，因此通过非线性检验删掉TFP_it变量，具体在位置参数数量m分别为1和2的机制下对原模型的非线性关系进行验证，结果如表2所示。

表2非线性检验的结果表明，在位置参数数量m分别为1和2的情况下，Wald、Fisher和LRT三大检验的检验值均足够大，显著性水平均达到1%，P值均为0。由此可见，PSTR模型在m=1的条件下已经可以显著拒绝线性的原假设，式(5)碳排放影响机制模型的非线性趋势非常明显。通过表2的结果也可以近似判断出，式(6)中的位置参数数量m等于1，即模型中每个转换函数G中仅存在一个位置参数的临界值点。

表2 PSTR模型的非线性机制检验

2.PSTR模型剩余机制的检验

在确定了PSTR模型的非线性机制后，非线性的机制数量主要通过转换函数G的数量n和每个转换函数位置参数的数量m来确定。首先，在非线性机制检验的基础上，进一步确定每个转换函数中存在的临界值点数量m，采用AIC准则(赤池信息准则)和BIC准则(贝叶斯信息准则)来依次确定；然后，为确保准确性，分别在m=1和m=2的前提下，对式(5)的转换函数个数进行检验(Wald、Fisher和LRT检验)，从原假设n=1、备择假设n=2开始，依次进行，直到接受原假设为止，从而确定符合PSTR模型变动趋势的最佳转换函数个数n。具体检验结果如表3所示。

表3 PSTR模型的进一步机制检验

表3的进一步机制检验结果表明，在位置参数数量m为1的条件下，AIC和BIC的标准值均小于m为2的条件下的数值，因此，结合非线性检验、AIC和BIC的机制检验可以判定，位置参数数量m=1，山东省碳减排机制模型的每个转换函数G存在1个临界值点。

进一步，在原假设n=1和备择假设n=2下，无论m=1还是m=2的机制，Wald、Fisher和LRT三大检验的显著性均仅能达到5%，P值不够小，显著性不够强，由此，不能显著拒绝n=1的原假设。与此同时，在原假设n=2和备择假设n=3下，无论m=1还是m=2的机制，Wald、Fisher和LRT三大检验均能显著拒绝n=2原假设，由此可以判定式(5)中的转换函数个数n=1。综合来看，PSTR模型是具有一个转换函数G、每个转换函数具有1个临界值点C的非线性两阶段模型。

(四)模型基准结果

在m=1和n=1的非线性机制下，按照Colletaz等^[31]的方法，以转换变量为变化主线，以转换函数为转换动力，分别对不同位置参数和转换函数作用下的模型进行多阶段的非线性面板回归分析。鉴于PSTR模型非线性机制的存在，位置参数C和转换速度γ的确定采用网络格点法，结合去组内均值手段，在不同的作用机制下寻找最佳的位置和速度组合，该组合使模型在最佳临界值点实现连续平滑转换，结果如表4所示。

表4 全样本PSTR模型的基准实证结果

表4的基准实证结果表明，山东省地级市碳排放机制的全样本模型存在显著的非线性两机制，CO₂排放随着地级市经济发展水平的提升呈现先上升后下降的倒“U”型趋势，符合标准EKC曲线的基本特征，两机制的临界值拐点出现在人均GDP达到5.307 8万元时，此时碳排放达到峰值点，两机制之间在临界点以16.299 1的速度快速实现了平滑转换。

第一阶段，当人均GDP处于0.247 3万元至5.307 8万元之间时，CO₂排放处于EKC曲线的前半部分，此时碳排放量会随着经济发展水平的上升而逐渐增长，碳排放仍处于峰值点的前端。在这一机制下，转换函数G的取值为0，此时模型退化为显著的线性机制，核心解释变量PCGDP的影响系数在1%的显著性水平下达到1.090 1，经济发展与碳排放之间存在较强的正向关系，说明在经济发展的初期阶段，人均GDP每增长1单位，会导致碳排放量增长1.0901单位，经济发展水平是决定山东省各地级市碳排放规模的首要因素。另外，产业结构对碳排放的影响度也达到了0.051 1，且显著性水平达到1%，表明产业结构在经济发展初期对CO₂排放的影响相对较弱。人口规模也能在5%的显著性水平下对山东各地级市的CO₂排放产生一定的影响，影响系数为0.299 0，影响度显著高于产业结构，说明山东省作为人口大省，消费领域的碳排放需要引起足够的重视。综合一阶段的实证结果可以看出，在经济发展的第一阶段，各经济发展变量均处于上升期，虽然对碳排放产生了一定的影响，但此时的经济发展水平和人口规模等因素对碳排放的作用相对明显。

第二阶段，当人均GDP超过5.307 8万元时，CO₂排放越过峰值点达到EKC曲线的后半部分，此时的碳排放量会随着经济发展水平的上升而开始逐渐下降，各城市已经开始关注碳排放问题。两阶段共同构成了山东省地级市碳排放的非线性趋势。此时，PCGDP的影响系数在1%的显著性水平下达到-6.055 0，经济发展和碳排放在这一阶段开始呈现负相关关系，且负向影响程度显著大于第一阶段的正向影响，表明这一时期国家的碳排放政策正在发挥重要作用。与此同时，产业结构与碳减排也在这阶段开始呈现负向的影响关系，影响系数在1%的显著性水平下达到-0.299 0，主要原因是：随着经济发展水平的提升，第二产业产值占GDP的比重开始呈现下降趋势，这一时期的影响系数同样相对于第一阶段有所提升。人口规模的影响系数仍然为正向的1.551 0，表明人口规模和密度是导致山东省各地级市CO₂排放规模不断上升的重要因素。综合第二阶段的非线性机制可以看出，随着经济发展水平的上升，CO₂排放规模开始出现下降的趋势，国家和地区的碳减排政策、产业结构的优化和调整等因素起到了重要作用，人口规模及集聚程度对碳排放的影响也不容忽视。

城市异质性分析

(一)各地级市的聚类分析

山东省的经济体量和碳排放在全国占比双高^[32]，由于经济发展水平、资源禀赋和技术水平等因素的差异，省内各区域经济发展存在一定的不平衡性，各地级市的CO₂排放趋势和路径也存在较大的差异。鉴于此，以式(5)中的主要核心解释变量PCGDP和IST为依据，参照Ramaswami等^[33]的GDP占比分类法，以第二产业占比为聚类分析的聚类指标^[34]，对山东省16个地级市进行聚类分析。以山东省16个地级市的工业总产出数据为依托，计算各地级市轻工业、重工业和高新技术产业的产出占比；按照工业产值占比对16个地级市进行排序，并通过百分位的形式得到产业结构的均衡指标；以此为依据，将16个地级市划分为重工业主导型、轻工业主导型和高新技术产业主导型3类。具体来看，青岛、济南、临沂、泰安和威海5个城市属于高新技术产业主导型，滨州、德州、济宁、日照和潍坊5个城市属于轻工业主导型，而东营、菏泽、聊城、烟台、枣庄和淄博6个城市属于重工业主导型。以聚类分析为基础，分别结合PSTR模型进行子样本的城市异质性实证分析，数据的子样本描述性统计如表5所示。

表5 区域异质性样本的描述性统计

(二)机制检验

首先，分别对不同类别的样本城市碳减排模型进行非线性检验，检验方法依然采用Wald、Fisher和LRT检验。在原假设γ=0和备择假设γ≠0下，3类城市群的检验结果均显著拒绝模型的线性原假设(见表6)，表明3类城市群的经济发展与碳排放趋势均呈现显著的非线性关系。

表6 区域异质性模型的机制检验

其次，确定3类城市群碳排放模型转换函数G的具体数量n。表6中的Wald、Fisher和LRT检验结果表明，3个子样本模型在原假设n=1、备择假设n=2的机制下，P值较大；再综合T检验值和显著性水平来看，3个模型均不能显著拒绝原假设，即每个城市群碳排放的PSTR模型均只存在1个转换函数。

最后，继续通过AIC和BIC准则来确定3类城市碳排放模型中每个转换函数G中位置参数C的数量m。从表6的检验结果可以看出，3类异质性城市PSTR模型，在m=1的条件下AIC和BIC准则的数值均小于m=2的条件下的数值，也即每个转换函数的最佳转换临界值点的数量为1。

综合来看，山东省3类城市群的PSTR碳排放模型与全样本模型的机制保持一致，都是在m=1、n=1条件下的两阶段非线性机制，随着经济发展水平的提升，3类城市的碳排放均在经历一段时间的上升期之后达到碳峰值点，然后呈现不断下降的趋势。

(三)模型的城市异质性分析

在m=1、n=1的模型机制下，对不同样本城市群的非线性PSTR模型进行多阶段回归。同理，在实证分析过程中，转换速度γ和位置参数C的确定采用网络格点法，在不同的作用机制下，结合去组内均值手段，以寻找每个模型的最佳结果组合。最终，山东省碳排放的城市异质性PSTR模型结果如表7所示。

1.高新技术产业主导型城市

表7中高新技术产业主导型城市碳排放趋势的结果表明，青岛、济南、临沂、泰安和威海5个城市满足EKC曲线的基本倒“U”型关系，随着经济发展水平的提升，碳排放呈现先上升后下降的二阶段机制。该类城市的产业结构相对合理，人均GDP水平相对较高，在PCGDP为6.991 7万元时达到碳峰值点，相对于全样本模型，碳达峰时的人均GDP水平更高，这些城市有望成为山东省最先实现碳达峰目标的城市。具体来看，PCGDP、IST、DP3个解释变量在一机制中的影响度相对于全样本有了显著的提升，且影响系数在3类城市中最大，表明高新技术产业主导型城市的经济发展水平相对较高；在二机制中，产业结构的影响度依然在增强，人口规模是高新技术产业主导型城市需要特别注意的碳排放因素。

2.轻工业主导型城市

由表7可知，轻工业主导型城市在人均GDP为5.513 3万元时达到碳峰值点，这与全样本模型的结果基本持平，表明滨州、德州、济宁、日照和潍坊5个城市的碳排放轨迹和趋势基本在全省的平均水平上下。PCGDP变量在两个机制的影响系数分别为0.664 9和-1.471 1，第一阶段经济发展对碳排放的影响度相对较弱，第二阶段越过拐点之后影响开始逐渐增强，产业结构和人口规模在二机制中对碳排放的影响度分别为1.877 2和-3.992 2，大幅领先于其他类城市，说明轻工业主导型城市在碳减排的过程中尤其需要注意产业结构的优化和人口规模的控制。

表7 城市异质性PSTR模型的实证结果

3.重工业主导型城市

受经济发展水平和产业结构因素的影响，重工业主导型城市群在碳达峰点的人均GDP只有4.0008万元，相对落后于山东省平均水平。从东营、菏泽、聊城、烟台、枣庄和淄博6个城市总体来看，产业结构中重工业比重较大。在一机制中，PCGDP和IST变量的影响度分别在1%和10%的显著性水平下达到2.100 8和0.155 0，而人口规模的影响只有0.772 0；当二机制达到碳峰值点之后，产业结构的影响度趋于平稳，提升经济发展水平和合理控制人口规模成为该类城市碳减排的工作重点。重工业主导型城市需要以产业结构优化为主线，以提升经济发展水平为主要目标，力争稳步实现碳达峰。

结论与建议

(一)结论

(1)山东省地级市CO₂的排放受到地区经济发展水平、产业结构、人口规模和技术水平等因素的影响，经济发展水平与碳排放的关系符合EKC曲线的倒“U”型特征。人均GDP与城市碳排放之间存在明显的非线性、两阶段关系。在经济发展的初期，碳排放受到经济发展水平和产业结构等因素的影响，排放规模逐渐扩大，并达到峰值点；当城市经济发展到一定程度之后，碳排放规模越过峰值点开始呈现下降的趋势，产业结构的优化、人口的合理布局和科技水平的提升成为城市碳减排的重要手段和途径。

(2)山东省各地级市的碳排放机制和路径存在明显的区域异质性。青岛、济南和威海等城市碳峰值点的人均GDP水平明显高于其他城市，这些高新技术产业主导型城市有望成为山东省最先实现碳达峰目标的城市，人口规模是该类城市需要特别注意的碳排放因素；以滨州、德州和济宁为代表的轻工业主导型城市，其碳减排处于山东省的平均水平，碳排放轨迹和趋势紧跟高新技术产业主导型城市，产业结构和人口规模对碳排放的影响度大幅领先于其他城市，因此在碳减排的过程中尤其需要注意产业结构的优化和人口规模的控制；枣庄、菏泽和淄博等城市在较低的经济发展水平上逐步达到碳峰值点，这些城市重工业比重相对较高，经济发展水平处于相对落后位置，承接高新技术主导型城市的产业转移、实现产业结构优化和升级是其目前碳减排工作的重心。

(二)建议

(1)以科技创新推动山东省产业结构的优化升级，大力发展高新技术产业和现代服务业，加强碳减排领域的人才队伍建设，推动全省经济的低碳、高质量发展。

以“双碳”目标引领山东省经济发展方式的绿色转型，将碳减排与经济的高质量发展挂钩，将产业结构调整和高新技术发展作为“双碳”目标实现的重要抓手；以新一代科技革命为依托，全面推动制造业数字化转型，以制造业数字化、网络化、智能化发展为牵引，推动产业创新融合发展，优先发展高新技术产业和现代服务业；把新旧动能转换作为山东高质量发展的重点突破口，促进数字技术全链条赋能实体经济，推动制造大省向制造强省转变，推动全省经济的绿色低碳转型发展。与此同时，构建和强化绿色低碳发展的人才支撑体系，加强碳排放技术领域的人才队伍建设，加强碳减排领域的国际技术交流和合作，为山东省的绿色低碳高质量发展提供充足的技能人才支撑。

(2)山东省碳达峰目标的实现需要整体布局、区域统筹，找准不同类型城市的定位，根据具体情况确定碳减排的重点工作方向和碳达峰行动方案。

山东省整体碳达峰目标的实现，需要充分尊重区域经济发展不平衡的现实，各城市碳达峰行动方案的制定不仅要从自身发展情况出发，还要注重碳减排领域的区域融合发展。高新技术产业主导型的青岛和济南等城市，要充分发挥在山东省碳减排技术领域的引领作用，加强在碳减排和碳中和技术领域的投入，培育低碳绿色发展领域的高端人才队伍，借助RCEP的机遇，在技术创新和碳减排领域加强与日韩等国家的国际技术合作，争取走在中国各城市碳减排的前列；轻工业主导型的滨州、德州和济宁等城市，要紧跟山东省碳减排行动的步伐，承接和利用济南和青岛等城市的产业、技术和资金，发挥自身的资源优势和禀赋，加快自身产业结构的转型和升级，引进和培育新的经济增长点，加强清洁能源和高端制造业的发展；以重工业为主导的枣庄、菏泽和淄博等城市，应以产业结构的优化和升级为工作重点和碳减排的突破口，同时以新旧动能转换为契机积极发展新能源和新材料领域。另外，还要注重人口结构的调整和人口的合理布局，各城市之间要通力合作，共同实现山东省的碳达峰目标。

[1]王铃.IEA发布《2022年全球二氧化碳排放》报告[J].石油炼制与化工，2023，54(6)：110.

[2]王浩.“双碳”目标下山东省能源现状及减碳对策[J].能源研究与管理，2024，16(1)：37-42.

[3]林伯强.碳中和进程中的中国经济高质量增长[J].经济研究，2022，57(1)：56-71.

[4]张希良，黄晓丹，张达，等.碳中和目标下的能源经济转型路径与政策研究[J].管理世界，2022，38(1)：35-66.

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

[6]Friedl B，Getzner M.Determinants of CO₂ Emissions in a Small Open Economy[J].Ecological Economics，2003，45(1)：133-148.

[7]陈诗一.能源消耗、二氧化碳排放与中国工业的可持续发展[J].经济研究，2009，44(4)：41-55.

[8]胡初枝，黄贤金，钟太洋，等.中国碳排放特征及其动态演进分析[J].中国人口·资源与环境，2008(3)：38-42.

[9]林伯强，蒋竺均.中国二氧化碳的环境库兹涅茨曲线预测及影响因素分析[J].管理世界，2009(4)：27-36.

[10]Ang J B.CO₂ Emissions， Research and Technology Transfer in China[J].MPRA Paper，2009，68(10)：2658-2665.

[11]王锋，吴丽华，杨超.中国经济发展中碳排放增长的驱动因素研究[J].经济研究，2010，45(2)：123-136.

[12]徐国泉，刘则渊，姜照华.中国碳排放的因素分解模型及实证分析：1995-2004[J].中国人口·资源与环境，2006(6)：158-161.

[13]于志慧，何昌磊.绿色信贷、绿色技术进步与区域碳排放[J].中国石油大学学报(社会科学版)，2023，39(6)：40-47.

[14]Xu B，Lin B.How Industrialization and Urbanization Process Impacts on CO₂ Emissions in China：Evidence from Nonparametric Additive Regression Models[J].Energy Economics，2015，48(3)：188-202.

[15]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.

[16]吴茵茵，齐杰，鲜琴，等.中国碳市场的碳减排效应研究——基于市场机制与行政干预的协同作用视角[J].中国工业经济，2021(8)：114-132.

[17]Duro J A，Padilla E.International Inequalities in per Capita CO2Emissions：A Decomposition Methodology by Kaya Factors[J].Energy Economics，2006，28(2)：170-187.

[18]杨骞，刘华军.中国二氧化碳排放的区域差异分解及影响因素——基于1995—2009年省际面板数据的研究[J].数量经济技术经济研究，2012，29(5)：36-49.

[19]张友国，白羽洁.区域差异化“双碳”目标的实现路径[J].改革，2021(11)：1-18.

[20]曲越，秦晓钰，黄海刚，等.碳达峰碳中和的区域协调：实证与路径[J].财经科学，2022(1)：55-70.

[21]Yin J Y，Cao Y F，Tang B J.Fairness of China 's Provincial Energy Environment Efficiency Evaluation：Empirical Analysis using a Three-stage Data Envelopment Analysis Model[J].Natural Hazards，2019，95(10)：343-362.

[22]曲越，秦晓钰，汪惠青，等.中国“碳中和”的城市协同路径研究——基于“碳达峰”异质性的门限模型[J].中国地质大学学报(社会科学版)，2022，22(4)：50-63.

[23]郑思齐，万广华，孙伟增，等.公众诉求与城市环境治理[J].管理世界，2013，(6)：72-84.

[24]陆旸.从开放宏观的视角看环境污染问题：一个综述[J].经济研究，2012，47(2)：146-158.

[25]张红凤，周峰，杨慧，等.环境保护与经济发展双赢的规制绩效实证分析[J].经济研究，2009，44(3)：14-26.

[26]Shan Y，Guan D，Liu J，et al.Methodology and Applications of City Level CO2Emission Accounts in China[J].Journal of Cleaner Production，2017，161：1215-1225.

[27]邵帅，张可，豆建民.经济集聚的节能减排效应：理论与中国经验[J].管理世界，2019，35(1)：36-60.

[28]彭水军，张文城，孙传旺.中国生产侧和消费侧碳排放量测算及影响因素研究[J].经济研究，2015，50(1)：168-182.

[29]张华，魏晓平.绿色悖论抑或倒逼减排——环境规制对碳排放影响的双重效应[J].中国人口·资源与环境，2014，24(9)：21-29.

[30]Pastor J T，Knox Lovell C A.A global Malmquist Productivity Index[J].Economics Letters， 2005，88(2)：266-271

[31]Colletaz G， Hurlin C.Threshold Effects of the Public Capital Productivity：An International Panel Smooth Transition Approach[R/OL].[2024-02-25].https：//shs.hal.science/file/index/docid/55666/filename/dr2006_01colletaz_hurlin.pdf.

[32]张咏梅，闫晴，赵金凯.山东经济增长与化石能源消耗脱钩的区域差异与收敛性[J].中国石油大学学报(社会科学版)，2023，39(1)：34-43.

[33]Ramaswami A，Jiang D，Tong K，et al.Impact of the Economic Structure of Cities on Urban Scaling Factors：Implications for Urban Material and Energy Flows in China[J].Journal of Industrial Ecology， 2018，22(2)：392-405.

[34]鲁桐，党印.公司治理与技术创新：分行业比较[J].经济研究，2014，49(6)：115-128.