中国城市PM2.5 与CO2 协同减排成本的非线性驱动机制研究——基于NDDF-LightGBM-SHAP融合框架

针对中国城市环境治理中经济与减排目标难以协同的难题，北京农业大学的张强强团队创新性整合NDDF（非径向方向距离函数）与LightGBM-SHAP机器学习模型，首次系统测算了287个城市PM2.5 和CO2 的联合边际减排成本（JMAC），揭示劳动力与金融活动是PM2.5 减排关键驱动，而就业结构与工业SO2 主导CO2 成本，为区域差异化政策制定提供科学依据。

　　

随着全球城市化进程加速，城市已成为气候治理的主战场。作为全球最大碳排放国，中国在推进"双碳"目标过程中面临经济增长与减排协同的严峻挑战。尤其值得注意的是，PM_2.5
和CO₂
作为典型的环境污染物，其减排成本存在复杂的非线性关系，但传统线性模型难以捕捉这种动态交互。更棘手的是，中国城市发展存在显著的地区异质性——长三角、珠三角等发达城市群与中西部资源型城市的减排成本差异可达数倍，而现有政策往往采取"一刀切"模式，导致资源配置效率低下。

北京农业大学的研究团队在《Sustainable Cities and Society》发表的研究，首次构建了NDDF-LightGBM-SHAP三重融合框架，对287个地级市2006-2019年的面板数据进行深度挖掘。该研究创新性地将前沿生产函数理论与机器学习解释性算法结合，不仅精确量化了协同减排成本，更揭示了驱动因素的非线性阈值效应。例如，当城市人口规模突破500万时，能源消费对CO₂
减排成本的影响会骤降40%，这种发现为超大城市的减排政策优化提供了关键转折点数据。

研究方法上，团队首先采用NDDF模型测算环境效率与边际减排成本（MAC），该方法的优势在于能同时处理期望产出（GDP）与非期望产出（PM_2.5
/CO₂
）。随后运用LightGBM算法构建预测模型，通过SHAP值分解各因素贡献度，特别关注了工业SO₂
排放、金融活跃度等12个核心指标的非线性效应。所有数据均来自《中国城市统计年鉴》及NASA卫星遥感产品，经过严格的缺失值插补与异常值处理。

研究结果部分呈现了四大发现：

1. 时空演变规律：PM_2.5
   独立边际成本（IMAC_PM2.5
   ）呈倒U型曲线，2015年达峰值59.63元/吨，而联合减排成本（JMAC_PM2.5
   ）持续攀升，表明后期治理难度加大。CO₂
   成本则呈现"东高西低"格局，长三角城市群JMAC_CO2
   超西部城市3.8倍。
2. 关键驱动因子：LightGBM-SHAP分析显示，劳动力规模每增加1%，会使PM_2.5
   成本提升0.7%，但该效应在金融业占比>15%的城市显著减弱。工业SO₂
   排放对CO₂
   成本的影响存在明显阈值，超过50万吨/年后贡献度激增。
3. 城市规模效应：中小城市能源消费的SHAP值比超大城市高62%，证实"规模经济"在减排中的调节作用。
4. 区域异质性：成渝地区表现出独特的"高PM_2.5
   成本-低CO₂
   成本"组合，这与当地以装备制造业为主的产业结构密切相关。

结论部分强调，该研究首次实证验证了"减排成本库兹涅茨曲线"在中国城市尺度的存在性。政策启示包括：需建立与城市GDP排名挂钩的差异化碳配额机制，在东部地区优先推广绿色金融工具，而对中小城市应加强就业结构优化。方法论层面，NDDF与可解释机器学习的结合为环境经济学提供了新范式，其框架可扩展至臭氧、氮氧化物等多污染物协同治理研究。这些发现不仅对中国实现"双碳"目标具有实践指导价值，也为其他发展中人口大国提供了可借鉴的分析模板。