中国西南地区实现经济增长与碳排放脱钩的政策导向路径：基于GDIM模型的多驱动因素动态与区域差异分析

《Frontiers in Environmental Science》：Policy-oriented pathways for decoupling economic growth from carbon emissions in Southwest China: a GDIM analysis of multi-driver dynamics and regional heterogeneity

云南、贵州、四川三省面临生态脆弱性与经济持续增长的双重挑战，本研究采用广义迪利克特指数法（GDIM）分析2012-2023年碳排放驱动机制，发现经济增长（GRP）贡献率达31.97%-39.9%，但呈下降趋势，表明经济增速与碳排放存在部分脱钩。核心减排因素为输出碳强度（CO?/GRP），累计抑制率达-26.09%至-30.7%，主要得益于能源结构优化（如水电替代）和产业升级。区域差异显著：云南依托水电实现稳定减排，贵州因煤炭依赖面临更高碳成本，四川虽减排成效显著但存在反弹压力。建议优化能源结构、推动产业低碳转型、建立区域协同减排机制及完善数据基础。

　　西南地区作为生态脆弱区域，正面临经济持续增长与实现碳减排目标的双重挑战。本研究采用广义Divisia指数分解法（GDIM）对云南、贵州和四川2012至2023年间八项二氧化碳排放驱动因素进行量化分析，揭示了这些因素之间的相互作用与影响机制。研究结果表明，尽管经济增长仍然是推动碳排放的主要动力，但其影响力正在逐渐减弱，显示出一定程度的“部分脱钩”趋势。值得注意的是，产出碳强度（即单位GDP的二氧化碳排放量）已成为最强的抑制因素，其贡献率在?26%至?30%之间，主要归因于工业升级和清洁能源转型。此外，区域间存在显著差异：依赖煤炭的贵州省人均碳排放上升，而以水电资源丰富的云南和四川省则呈现出下降趋势。本研究提出的省域差异化路径包括优化能源结构、提高重点行业能效、创新区域协同减排机制、推动日常消费的低碳转型以及加强数据基础和能力建设，为西南地区在高生态脆弱性背景下的低碳治理提供了切实可行的参考。

在研究背景方面，全球气候变化问题日益严重，各国将应对气候变化作为国家战略的重要组成部分，积极采取措施减少温室气体排放。中国作为全球碳排放量最大的国家，其碳排放研究在国际气候治理中具有重要地位。中国承诺在2030年前实现碳达峰，2060年前实现碳中和。为实现这一目标，国家发改委自2010年起正式启动国家低碳城市试点，随后在2012年和2017年进一步扩大试点范围。低碳城市建设可以通过提高能源效率、优化能源结构、推动高碳产业向低碳转型、实现更环保的资源分配等方式，促进城市向绿色经济转型。低碳城市试点政策为研究碳排放因子分解提供了丰富的实践背景和政策依据。不同地区的碳排放特征存在差异，通过分解碳排放因子，可以深入理解各种因素对碳排放的影响程度与作用机制，从而为制定更具针对性和有效性的减排策略提供科学依据，更好地适应国家减排目标和国际应对气候变化的行动。

云南、贵州和四川作为西南地区的重要省份，具有独特的地理区位和气候条件。该地区以高原季风气候为主，地形复杂多样，生态系统脆弱，同时也是我国贫困人口较多的区域之一。由于特殊的自然条件和经济结构，西南地区需要在发展需求与环境保护之间寻求平衡。研究西南地区的碳排放及其因子分解有助于理解该地区碳排放的主要来源和驱动因素，从而为制定科学合理的区域发展规划和产业政策提供依据。通过实施节能降耗措施，可以确保经济稳定增长的同时促进生态保护，最终实现发展与可持续性的协调推进。

在研究意义方面，碳排放因子分解是环境经济学领域的重要课题。近年来，许多学者使用指数分解方法探索碳排放变化的驱动因素。其中，对数平均Divisia指数（LMDI）方法由于其无残差和完全分解的特性，被广泛应用于能源与环境经济学领域。然而，LMDI方法假设各因子相互独立，这在处理复杂系统中多个因子的相互作用时可能导致偏差。因此，研究者提出了广义Divisia指数分解法（GDIM）以克服这些局限。GDIM方法能够更准确地捕捉非线性关系和动态贡献，特别适用于具有复杂能源结构和显著区域异质性的地区，如云南、贵州和四川。本研究在方法选择上进行了创新，不仅在研究对象、时空范围、政策背景和区域特征方面有所深化，还首次将GDIM方法应用于2012至2023年间西南地区典型省份的碳排放驱动机制研究，覆盖了从“十一五”到“十四五”规划的关键政策时期，实现了对现有研究的重要时空扩展。同时，该研究还结合了西南地区以水电为主的清洁能源结构、高碳产业转型路径和生态功能区定位等特征，揭示了区域差异的驱动机制。基于8个变量的分析框架，并结合西南地区的具体政策，如“西电东送”、“生态补偿机制”和“国家生态文明试验区”，对政策干预下的各种因素动态贡献进行了量化，为差异化减排政策提供了实证支持。

研究方法部分详细介绍了GDIM的基本原理及其在碳排放因子分解中的应用。GDIM是一种用于分析经济、环境等领域中因素影响的分解方法，它扩展并改进了传统的Divisia指数分解方法，以解决其在处理非独立因素时的局限性。该方法的基本思想是将目标变量（如碳排放）表示为多个影响因素（如区域GRP、能源消费、人口规模等）的函数，并通过数学方法分解每个因素对目标变量在一定时期内总变化的贡献率。简单来说，就像将一篮子水果的总重量分解为苹果、橘子和梨的重量变化一样，GDIM帮助我们量化每个因素对整体变化的“贡献”或“责任”。GDIM能够处理多个因素之间的非独立关系，特别适用于具有复杂能源结构和显著区域异质性的地区，如云南、贵州和四川。通过引入广义逆矩阵等数学工具，GDIM能够在更复杂的因素交互关系中实现更准确的分解。

碳排放因子分解部分进一步展示了GDIM方法在具体变量选择和分析中的应用。本研究选择了包括GRP、能源消费、人口规模、产出碳强度、能源消费碳强度、人均碳排放、人均GRP和能源消费强度在内的八个变量，这些变量能够系统揭示碳排放的复合驱动机制。其中，GRP和能源消费分别代表经济增长规模扩张和能源需求刚性增长的核心驱动因素，直接与工业化和城市化过程中的碳排放增加相关。人口规模通过消费扩张和劳动力供给的双重路径影响碳排放，特别是在人口净流入和与产业结构互动的地区。产出碳强度和能源消费碳强度反映了技术效率和能源结构优化的协同效应。前者体现了单位经济产出的低碳转型潜力，后者则量化了清洁能源替代化石能源依赖的减排贡献。人均碳排放指标（X6, X7）从公平的角度揭示了区域发展的差异，反映了居民生活方式的碳足迹特征，为跨区域生态补偿机制提供了依据。能源消费强度作为连接经济与能源系统的关键词变量，能够分解技术进步和产业升级对能源效率改善的贡献。研究这8个变量不仅能够明确经济增长、能源结构、人口动态和技术进步的多维路径，还能够为西南地区制定差异化的碳达峰路径、优化能源政策以及实现生态保护与经济发展之间的平衡提供科学支持。

研究结果与分析部分展示了GDIM方法在云南、贵州和四川三省的碳排放驱动因素分解中的应用。研究发现，GRP增长仍是碳排放增长的主要驱动因素，但其影响力正在下降，这表明经济增长与碳排放之间的部分脱钩趋势。产出碳强度成为最强的抑制因素，其贡献率在?26%至?30%之间，主要得益于工业升级和清洁能源转型。区域差异显著，例如贵州由于依赖煤炭，人均碳排放上升，而云南和四川由于丰富的水电资源，人均碳排放下降。研究还提出省域差异化路径，包括优化能源结构、提高重点行业能效、创新区域协同减排机制、推动日常消费的低碳转型以及加强数据基础和能力建设。这些路径为西南地区实现低碳发展提供了可行的策略。同时，研究还与京津冀地区的相关研究进行了比较，揭示了不同地区碳排放驱动机制的共性与差异。京津冀地区由于政策干预力度大、技术基础好，其碳排放驱动因素的贡献率和抑制效果更为显著，而西南地区则更多依赖资源禀赋和自然条件。这表明，虽然政策干预是实现减排的重要手段，但西南地区仍需在利用本地优势的基础上，结合政策经验，制定适合自身特点的低碳发展路径。

本研究的局限性也值得关注。首先，数据的可用性和一致性存在一定的问题。由于各省统计体系的差异和人口普查数据的调整，部分年份（尤其是2023年）的数据需要通过回归模型进行估算，这可能导致一定的偏差。此外，不同年份统计口径的变化，尽管进行了统一处理，但仍可能影响时间序列的精确可比性。其次，变量选择存在局限，本研究主要关注经济、能源和人口等宏观变量，未能涵盖如技术进步率、外资投入、环境监管强度和国际贸易隐含碳等潜在的重要影响因素。这些因素可能对区域碳排放产生深远影响，尤其是在解释区域差异和政策效果时。最后，研究对空间异质性的处理尚显不足。云南、贵州和四川省内各市州的发展阶段、资源禀赋和产业结构存在显著差异，例如四川盆地与川西高原的发展模式、云南西北部与中部的城市群以及贵州东南部与西部的区域特征截然不同。然而，本研究仅在省级层面进行分析，未能揭示更小尺度的异质性特征，这可能掩盖了某些地区的独特驱动机制。

未来的研究方向可以进一步深化和拓展，以更全面和准确地揭示西南地区碳排放的驱动机制和减排路径。首先，针对数据不一致和滞后问题，建议进一步研究多源数据融合，提高数据的准确性和时效性。例如，通过整合各省能源统计数据、电力调度中心的实时发电数据和重点企业的在线监测数据，构建更高频率（季度或月度）和更细粒度（市县级）的碳排放实时核算体系。同时，进一步利用大数据和人工智能技术，对缺失数据进行插值和回溯修正，建立西南地区统一和标准化的能源经济环境（3E）基础数据库。其次，未来研究可以系统引入本研究未涵盖但具有重要理论意义和政策价值的解释变量，如技术进步率、环境监管强度、外资投入和国际贸易隐含碳等，以更全面地揭示碳排放的驱动机制。例如，技术进步率可以通过构建绿色专利指标来衡量，环境监管强度则可以通过环境处罚频率或环境投资比例来量化。同时，分析外资对区域碳生产力的“污染光环”或“污染庇护”效应，利用多区域投入产出模型计算隐含碳流动。此外，研究分析单位可以从省级进一步细化到市县级，揭示三省内部不同区域的减排驱动因素异质性，为制定更加精准和差异化的减排政策提供更坚实的科学基础。