黄河流域资源型城市碳达峰情景模拟研究

施晓燕 赵有益 王音璠 史战红

DOI：10.16783/j.cnki.nwnuz.2024.01.016

收稿日期：20230929;修改稿收到日期：20231219

基金项目：国家社科基金重大项目（22&ZD161）；甘肃省自然科学基金资助项目（22JR5RA855）；甘肃省高等学校创新基金项目（2022B-104）；甘肃省人文社会科学项目（23ZC08）

作者简介：施晓燕（1982—），女，甘肃兰州人，博士，讲师.主要研究方向为贝叶斯统计.

Email：shixy@gsau.edu.cn

摘要：自然灾害与极端天气频发，各城市有效推进碳减排已刻不容缓，尤其是黄河流域的资源型城市，地区经济发展主要依赖高耗能、高排放的资源产业，使得减排降碳任务更为艰巨.本文基于黄河流域資源型城市碳排放数据，首先采用贝叶斯模型平均法进行因子选择，从影响碳排放的多种影响因素中提取重要信息，找出后验概率值大于50%时的几个变量作为影响碳排放的重要因素.其次，基于黄河流域资源型城市面板数据，结合情景分析法，在基准情景、政策导向型情景和科技驱动型情境下，构建个体时点双固定效应面板数据模型预测不同情境下各地区的碳排放量.结果表明：煤炭消费量、城镇化率、水泥产量、人均GDP、天然气消费量和第二产业在GDP中的比重是影响黄河流域资源型城市碳排放量的主要因素；通过比较政策导向方案和技术驱动方案，可以发现政策导向方案是一个渐进的过程，而技术驱动的碳减排效果更加快速和明显，基准情形下黄河流域资源型地区难以实现2030碳达峰目标.

关键词：资源型城市；碳排放；贝叶斯模型平均；面板数据回归模型；情景模拟

中图分类号：F 224    文献标志码：A    文章编号：1001-988Ⅹ（2024）01-0106-09

Scenario projection  of peak carbon reach in

resource-based cities in the Yellow River basin

SHI Xiao-yan1，ZHAO You-yi1，WANG Yin-fan2，SHI Zhan-hong1

（1.College of science，Gansu Agricultural University，Lanzhou 730070，Gansu，China;

2.Department of Geography and Resource Management，The Chinese University of Hong Kong，Hong Kong 999077，China）

Abstract：Undering climate change seriously，in order to realize the goal of“carbon peak，carbon neutral”in China，carbon emission reduction is urgent，especially in resource cities in the Yellow River basin，the economic development mainly relies on resource industries with high energy consumption and high emission，which makes the task of carbon emission reduction even more arduous.Firstly，based on carbon emission data of resource cities in the Yellow River basin the Bayesian model averaging method is adopted to make factor selection，so as to extracts important information from multiple influencing factors affecting carbon emission，and identifies several variables with a posteriori probability value greater than 50% as important factors affecting carbon emission.Secondly，based on the panel data of resource cities in the Yellow River basin，combined with the scenario analysis method，the individual time-point double fixed-effects panel data model is constructed to predict the carbon emissions of each region under different scenarios in the baseline scenario，policy-oriented scenario and technology-driven scenario.The results show that：coal consumption，urbanization rate，cement production，GDP per capita，natural gas consumption and the proportion of secondary industry in GDP are the main factors affecting carbon emissions in resource-based cities in the Yellow River basin;by comparing the policy-oriented scenario and the technology-driven scenario，it can be found that the policy-oriented scenario is a gradual process，while the technology-driven carbon emission reduction effect is faster and more obvious，and that the baseline scenario under the baseline scenario，it is difficult for the resource-based areas in the Yellow River basin to realize the 2030 carbon peak target.

Key words：resource-based cities;carbon emission;Bayesian model averaging;panel data regression model;scenario simulation

近年来，全球干旱、高温、持续极端天气，让碳减排再次成为人们热议的话题.联合国的统计数据表明，过去10年是全球有记录以来最热的10年，温室气体排放处于300万年以来的最高位，温室效应带来的极端天气，严重威胁着人类健康和经济发展.世界各经济体积极行动，纷纷制定碳减排政策应对气候变化，并提出了不同目标的碳减排承诺，截至2022年8月，已有127个国家提出了碳中和目标.我国作为最大的碳排放國，有效实现节能降碳迫在眉睫.2020年9月，习近平主席在联合国第75次联合国大会一般性辩论上提出将采取更有效的政策和措施，争取在2030实现碳达峰，2060年实现碳中和，这就意味着各个城市都要实现“30·60”目标.但是由于我国生态环境差异较大，经济发展不平衡问题突出，各个城市碳中和实现的难易程度不尽相同.特别是作为我国重要生态屏障的黄河流域资源型城市，多是依托自然资源的开发而发展起来的，地区的主导产业是资源开采与加工业，导致生产要素聚集在资源产品的初级加工业上，产业结构单一，再加上资源的过度开采是的地区资源枯竭，使得这些地区普遍存在经济发展资源环境与经济发展不协调的问题，实现碳减排的任务更是艰巨［1］.2019年，习近平书记在黄河流域生态保护和高质量发展座谈会上强调“要推动黄河流域高质量发展，让黄河成为造福人民的幸福河.”2021年10月，《黄河流域生态保护和高质量发展规划纲要》颁布，标志着黄河流域高质量已上升为国家战略发展.在此背景下，充分了解黄河流域资源型城市碳排放的影响因素，科学预测碳排放量对于地区有效制定碳减排政策，实现地区碳达峰、碳中和目标尤为重要.

对于碳排放的影响因素，国内外学者已进行了大量研究.一般认为，直接影响碳排放的因素主要包括化石能源的直接消耗、能源密集型产业的产出及农业生产活动和畜牧业等.影响碳排放的间接因素主要包括经济活动、社会发展、科技进步等.在影响因素的分类方面，Yuan等［2］研究了2012年中国30个省份城乡家庭碳排放的驱动因素，区分了两个碳排放源，即直接（煤炭消费）和间接（家庭支出），并分析了影响碳排放的五个因素：人口、人均收入、科技进步、能源消费结构和能源消费强度.Wang等［3］研究发现，中国与能源相关的二氧化碳排放主要是由经济活动增长带来的，并提出降低能源强度、调整能源结构和产业结构可以有效减少二氧化碳排放.在产业结构因素方面，考虑到能源密集型产业会产生大量的二氧化碳排放，Huang等［4］选取集成电路生产、水泥生产、平板玻璃生产、汽车生产的数量作为碳排放的影响因素.Sun等［5］选取水泥生产、钢铁生产和汽车生产数量讨论了碳排放的影响因素.对于碳排放的间接因素，目前已形成了比较一致的看法，认为经济因素、科学技术因素和社会因素是影响碳排放的主要间接因素.在经济因素方面，Shuai等［6］分析了43个碳排放的潜在影响因素，得到了5个关键影响因素：实际人均GDP、城镇化率、第三产业与第二产业的比例、 可再生能源的比例和固定资产投资.Shen等［7］分阶段探讨了北京市的碳排放状况，探寻了影响碳排放的影响因素，结果显示，经济总量是主要的驱动因素，不同阶段影响碳排放的主要因素有所差异.在科学技术因素方面，Zhou等［8］探讨了建筑行业的碳排放驱动因素，认为技术进步和能源结构调整可以有效促进建筑行业碳排放效率的提高.社会因素对碳排放也起着重要作用.Li等［9］根据中国1996—2012年的投入和产出，计算了家庭的直接和间接碳排放量，认为家庭也是影响碳排放的一大主要因素，此外，人口老龄化、工业结构和人均财富对二氧化碳排放的增长均有显著影响.

对于碳排放预测，目前主要采用时间序列预测模型，且主要用单一预测模型、组合预测模型和混合预测模型.单一预测模型大致可分为三类.第一类是传统的时间序列模型，适用于处理线性或平稳性的时间序列问题.传统的统计预测模型主要包括回归分析模型、自回归模型、移动平均模型、自回归移动平均模型、广义自回归条件异方差模型等.第二类是模糊预测模型.这类模型以模糊理论为核心，使用不同类型的模糊系统来分析和预测时间序列.常用的方法有一阶模糊自适应、高阶模糊自适应等.第三类是基于机器学习的预测模型.这种类型的模型基于数据挖掘和机器学习的原理，完成对时间序列数据的分析和预测.最常用的预测方法是支持向量机，它可以处理多个输出问题，在处理简单的时间序列时有很高的预判精度.另外，应用较为广泛的是基于人工神经网络的预测模型.这类模型丰要包括递归神经网络（RNN）、前馈神经网络（INN）、反向传播神经网络（BPNN）等.组合预测模型的思想是给单一预测模型赋予不同的权重，加权平均得到一个组合的预测模型.虽然单一预测模型比较简单，容易操作，但其预测精度通常较低.组合预测模型，其预测精度主要取决于单一模型的选择和权重的确定.与组合预测模型不同，混合预测模型通过方法的深入组合和算法的相互改进，形成一个可以应用于时间序列的预测模型而不是简单地将每个单独的模型与权重联系起来.混合预测模型在碳排放预测方面有很多应用.Liu等［10］将灰色模型与自回归综合移动平均模型和二阶多项式回归模型相结合并采用粒子群优化（PSO）来优化碳排放预测中的模型参数.Sun等［11］构建了一个基于高斯扰动的布谷鸟搜索算法（GCS）和最小二乘支持向量机（LSSVM）的混合模型来预测河北省的碳排放.

尽管许多研究者对碳排放的影响因素进行了分析，但几乎都是基于确定性模型的分析，在建模之前已经预先设定了输入变量和输出变量，然而气候系统是社会、政治、经济和技术等相互作用的结果，影响碳排放的因素极为复杂，总存在不可忽略但又事先难以估计或预测的不确定性.鉴于此，本文综合考虑影响碳排放的直接因素与间接因素，立足于模型不确定性，采用了贝叶斯模型平均法筛选出影响碳排放的重要因素，避免了以往研究中人为设定模型带来估计与预测偏差，并在此基础上构建联合了截面信息和时间序列信息的面板数据回归模型预测地区碳排放量，结论更为可信.

1  研究方法

1.1  贝叶斯模型平均法

贝叶斯模型平均方法是基于贝叶斯理论，通过对多个可能的模型进行加权平均，解决传统统计模型的不确定性问题的一种组合模型［12］.贝叶斯模型平均法是先对所有模型以及模型中的参数设定一个先验分布，再运用贝叶斯公式计算每个可能模型的后验概率，以这个后验概率加权平均解释变量的后验包含概率，并以此为依据判断各个解释变量的相对重要程度.多元线性回归模型可表示为

yi=α+β1xi1+β2xi2+…+βkxik+εi，

i=1，…，n，（1）

其中，α，β1，β2，…，βk为回归模型的系数，ε1～N（0，σ）.模型中包含的k个解释变量能够组合成2k个模型，我们不能确定模型中纳入哪个解释变量会更为合理，因此，这k个解释变量是否能够入选到回归模型中就成为了一个不确定性问题.此时，以运用贝叶斯定理，基于样本数据，通过计算模型的后验包含概率来确定变量能否进入模型.对于给定的数据集D，设Δ是所研究的解释变量，将所有可能的备选模型记为M={MR，R=1，2，…，2k}，其中，k为所有解释变量的个数，则给定D的条件下Δ的后验包含概率为：

p（ΔD）=∑p（ΔD，Mj）p（MjD）.（2）

后验包含概率的大小可以反映解释变量的相对重要性，其中p（MjD）为给定模型Mj的后验模型概率，由下式给出：

p（MjD）=p（DMj）p（Mj）∑Ri=1p（DMj）p（Mj）∝

p（DMj）p（Mj），（3）

其中，p（Mj）为预先给定的模型Mj的先验概率，当先验信息缺失时，一般假设每个模型出现的概率是相等的，即p（Mj）=1/2k.p（DMj）为模型Mj的边际似然函数，即

p（DMj）=∫p（Dθj，Mj）p（θjMj）dθj，（4）

其中，θj是模型Mj的参数向量，p（θjMj）是模型Mj中参数θj的先验分布，p（Dθj，Mj）是似然估计.

公式（2）计算得到的后验包含概率为使用模型后验概率加权的后验概率之和，即贝叶斯模型平均.令βi=（β1，β2，…，βk）表示模型Mj各解释变量的系数向量，可由系数的后验分布计算系数向量的后验均值与后验方差：

E（βiD）=∑Rj=1E（βiMj，D）p（MjD），（5）

Var（βiD）=∑Rj=1p（MjD）{Var（βiMj，D）+

［E（βiMj，D）-E（βiD）］2}，（6）

其中，后验均值衡量解释变量对因变量的影响效应的平均水平，后验方差刻画这一影响效应的离散程度.

1.2  面板数据回归模型

面板数据是在一个连续时间段内观测多个变量在不同时刻的多个截面个体所得到的样本數据.由于面板数据同时包含了截面和时间两个维度，所以对面板数据进行拟合的面板数据回归模型更能客观地刻画研究对象的行为方程，能够更加深入地挖掘事物的客观规律.面板数据回归模型的形式如下：

yit=xitβ+μi+λt+εit，

i=1，2，…，N， t=1，2，…，T，（7）

其中，下标i表示个体（i=1，2，…，n），下标t表示时间（t=1，2，…，T），μi为个体固定效应，若μi与xit不相关，则为随机效应模型，若相关，则为固定效应模型，具体可采用Hausman检验确定是固定效应模型还是随机效应模型；λt为时间固定效应.

由于面板数据包含了时间维度，因此，在建模前，首先需要检验数据的平稳性，否则可能出现“伪回归”现象.检验面板数据是否平稳的方法主要有LLC、IPS、ADF-Fisher、PP-Fisher等检验方法，本文采用LLC检验.

2  黄河流域资源型城市碳排放影响因素分析

2.1  变量选取

黄河流域资源型城市包括：大同、阳泉、长治、晋城、朔州、晋中、运城、忻州、临汾、吕梁、包头、鄂尔多斯、淄博、枣庄、东营、济宁、泰安、临沂、洛阳、平顶山、濮阳、三门峡、南阳、咸阳、渭南、延安、榆林、张掖、石嘴山.

考虑黄河流域资源型城市经济发展与资源禀赋的异质性，结合资源型城市地域、人口、产业结构、能源结构等特点，借鉴根据现有的研究成果［13-16］，本文综合考虑影响城市碳排放的直接因素和间接因素，选取相关指标.地区碳排放的直接因素是碳排放源，主要分为三个层次：能源消耗产业、碳密集产业、第一产业中的畜牧业.影响地区碳排放的间接因素主要分为经济因素、社会因素和科技技术水平因素.根据现有的研究成果，本文选取了13个影响因素作为影响碳排放的指标，如表1所示.

影响地区碳排放的三个直接因素之间交叉较少.例如，交通运输业也是碳排放源的重要行业之一，但其碳排放主要是由能源消耗造成的，因为其在驾驶过程中消耗汽油，因此，在高耗能行业不选择这个指标.水泥等高耗能行业虽然也有生产、加工和运输过程中的能源消耗造成的碳排放，但由于其本身的成分，除了生产和加工过程中的能源消耗外，也会产生碳排放，因此，本文选择了这一指标.能源署（IEA）的数据表明，二氧化碳排放的最大来源是化石燃料的燃烧［17］.煤炭、石油和天然气作为中国主要的初级能源，也占了碳排放的很大比例［18］.因此，从驱动力方面来看，中国的碳排放主要来自化石燃料.我国正处于能源消费改革阶段，能源供应结构不断调整和优化.根据国际能源署的数据，二氧化碳排放的最大来源是化石燃料的燃烧，因此，本文主要选择煤炭、石油和天然气的消费量进行分析.众所周知，第二产业是碳排放的主要来源之一，第二产业以工业、交通等高耗能行业为主，在生产、加工、运输等环节会产生大量的碳排放.针对高耗能行业的驱动因素，本文主要选择水泥产量和汽车产量作为代表指标.在影响碳排放的直接因素中，考虑到第一产业的畜牧业养殖过程中，由于所养殖动物的生理和化学反应，会产生碳排放，本文选取地区大牲畜年末存栏数.

影响碳排放的间接因素，借鉴现有研究［19-20］，本文选取了经济因素、社会因素与科技因素.经济因素方面，选取人均GDP、第二产业占GDP的比重和固定资产投资三个指标.社会影响因素方面，本文选取了人口、城镇化率和全社会电力消费.作为一系列生产和消费活动的主体，人口数量是所有生产和消费的基础，所以人口数量会对碳排放产生较大的影响.作为社会因素的指标，城镇化率会改变能源消费和土地利用的方式影响碳排放.电力消费是社会发展的代表性指标之一，随着工业的发展和社会的进步，中国的电力消费呈逐年上升的趋势，由电力消费引起的系列生产和生活活动将导致碳排放的变化.考虑到技术进步的驱动因素，本文主要选择专利授权数量作为科技发展的衡量指标.由于科学技术的进步，我国在提高能源效率、环境保护技术和碳吸收等领域取得了许多研究成果.作为科技进步的一个指标，授权专利数量代表了各地区新出现的科技成果，它不仅包括生产过程中的汽车减排技术，还包括对地区的低碳发展有重大影响的碳吸收技术.

2.2  数据来源及描述性统计

本文选取2008—2019年黄河流域29个资源型城市的面板数据探析碳排放的影响因素.其中，二氧化碳排放量数据来源于中国碳排放核算数据库，水泥产量、全社会用电量数据来源于各市的统计公报，其余数据均来自各地级市《统计年鉴》.变量的描述性统计见表2.

2.3  碳排放的影响因素分析

本节采用贝叶斯平均法进行黄河流域资源型城市碳排放量影响因素筛选，先验分布选为均匀分布.根据Fernandez等［22］的研究，当变量的后验概率值小于50%时，通常认为该变量不是有效解释变量，当后验概率在50%与90%之间时，有较强证据将其视为有效解释变量，当后验概率在90%以上时，表明该变量为关键解释变量.由实证结果可知，煤炭消费、城镇化率、人均GDP和水泥产量的后验概率在90%以上，专利授权量和第二产业占GDP的比重的后验概率在50%与90%之间，其他解释变量的后验概率在50%以下，故选取煤炭消费、城镇化率、人均GDP、水泥产量、专利授权量和第二产业占GDP的比重作为影响碳排放的重要因素.

在贝叶斯模型平均方法中预先设定了可能模型和模型参数的先验分布，不同的先验分布设定可能会使得估计结果出现偏差［21］，为了检验贝叶斯模型平均法的稳健性，本文还将先验分布另设为二项分布、贝塔分布、Hyper g先验分布、经验贝叶斯g先验分布，重新用贝叶斯模型平均法进行了估计，结果见表4.从表4可以看出，采用不同的先验分布时，各变量的后验包含概率差异不大，表明贝叶斯模型平均法的估计结果是稳健的.

3  黄河流域资源型城市碳达峰情景模拟

为了准确把握黄河流域资源型城市实现碳减排的难度，制定切实可行的碳减排计划，本节构建面板数据回归模型，结合情景分析法，分别预测黄河流域资源型城市的碳排放量，用来模拟城市碳达峰的动态路径.

3.1  面板数据模型回归结果

基于第2部分的变量选择，建立面板数据回归模型，测度各个影响因素对碳排放量的影响程度，模型形式如下：

carbonit=α0+α1coalit+α2urbanizationit+

α3cementit+α4pgdpit+α5patentsit+

α6secondaryit+μ1+ηt+εit，（8）

其中，变量的下标i=1，…，N表示黄河流域资源型城市个体，t=1，…，T表示年份；α1为待估参数，其显著性用t统计量进行检验（t=i/SE（1），其中i为估计得到的参数，SE（i）为参数的标准差）;μi表示个体固定效应；ηt表示时点固定效应；εit为残差项.采用Stata17.0软件估计该模型.

为避免面板数据回归模型出现“伪回归”现象，首先用LLC检验变量的平稳性，结果见表5，可以看出，全部的变量都是平稳的.

首先，用Hausman检验判断模型具有个体固定效应还是个体随机效应，卡方值为49.24（P=0.0000），表明应当建立个体固定效应模型.为了控制时间维度上其他宏观变量趋势和技术等因素对被解释变量的冲击，同时控制时点效应，建立个体时点双固定模型.

其次，由于经济变量之间存在的相互影响可能会产生内生性问题，因此，在面板数据回归分析中需要检验并处理解释变量的内生性.本文采用二氧化碳排放量作为被解释变量，其他变量的时间一阶滞后项为工具变量，用二阶段最小二乘法（2SLS）逐个对变量进行回归，再用杜宾-吴-豪斯曼（DWH）检验各变量的内生性.内生性检验结果表明：除了第二产业占地区GDP的比重变量以外，其余变量均与二氧化碳排放存在内生性.对于检验存在内生性问题的变量，采用各变量的当期值作为被解释变量，以各变量的时间一阶滞后项以及他能够解释该内生变量的变量作为解释变量，运用面板数据的OLS法估计模型，得到各变量的预测值，并用预测值代替原内生变量代入模型（8）进行估计.表6报告了控制个体和时间效应的面板数据回归模型的估计结果.

从回归结果来看，地区的煤炭消费、城镇化率、人均GDP、水泥产量和第二产业占GDP的比重均能够显加剧二氧化碳排放，衡量地区科技水平的专利授权数量可以显著减少地区二氧化碳排放，再次印证了本文筛选的影响黄河流域资源型城市的二氧化碳排放的重要因素是合理的.

3.2  情景设置

根據不同的发展情况，本文将情景设定为基线情景、政策导向情景和技术进步驱动情景.在不同的情景下不同的影响因素会有不同的发展速度.煤炭消费的增长参考中国能源研究会发布的《中国能源展望2030》和中国石油经济技术研究院发布的《世界和中国能源展望2050》设定，水泥产量的增长率是根据其历史趋势和国际能源署（IEA）、水泥可持续发展倡议行动小组CS1和世界可持续发展工商理事会（WBCSD）发布的《2050年水泥工业低碳转型路线图》设定的，地区GDP的增长率根据日本能源生态研究所（IEJ）及世界银行《中国2030年：建设现代、和谐、创新的高收入社会》报告设定，固定资产投资的增长率根据历史增长率和“十三五”规划设定，口增长率根据国家卫生和计划生育委员会的生育意愿调查结果设定，城镇化率根据国务院发展研究中心对中国未来城镇化率的预测和世界银行的《中国2030：建设现代、和谐、创新的高收入社会》设定，专利授权量数据是基于历史数据设定的.不同情境下的影响因素的增长率设定见表7.

3.3  不同情景下黃河流域资源型城市碳排放预测

基于面板数据模型的回归结果，预测三种情景下，黄河流域资源型城市2020—2030的碳排放量，并加权得到整个黄河流域资源型地区的二氧化碳排放总量，预测结果见图1.

根据三种情景的预测结果，与政策导向情景相比，技术驱动情景的减排效果更为有效，而政策导向情景的减排效果其次，在基线情景下黄河流域地区的碳排放缓慢上升.在政策导向情景下，黄河流域资源地区的碳排放起初缓慢上升，然后逐渐下降.技术驱动的情景下，黄河流域资源型地区的碳排放呈现稳定的下降态势.在基线情景下，黄河流域资源型地区的碳排放在2030年前没有达到峰值.在政策驱动的情景下，黄河流域资源型地区的碳排放将在2024年左右达到峰值.与基线情景和政策驱动情景相比，技术驱动情景具有更积极的碳减排效果.

4  结论与政策建议

选择了2008—2019年的13个变量对黄河流域资源型地区的碳排放进行影响因素分析.综合考虑能源、能源密集型产业、经济发展、社会影响和科技发展对碳排放的影响，运用贝叶斯模型平均法选取影响碳排放的重要因素，在此基础上结合情景分析法，构建面板数据回归模型预测了碳排放量，模拟了不同情境下黄河流域资源型地区的动态路径.

本文的研究结论如下：首先，黄河流域资源型地区的碳排放受到多个因素的影响，它们之间的影响程度各不相同，其中煤炭消费、城镇化率、人均GDP、水泥产量、专利授权量和第二产业占GDP的比重是影响碳排放的重要因素.其次，通过比较政策导向方案和技术驱动方案，可以发现政策导向方案是一个渐进的过程，而技术驱动的碳减排效果更加快速和明显.

由以上研究结论，本文提出如下降低黄河流域资源型城市碳排放的政策建议：① 提高能效、发展可再生能源，减少能源消费，从源头上控制二氧化碳排放.根据碳排放影响因素筛选，发现对黄河流域资源型城市碳排放影响较大的是能源消费，因此，黄河流域资源型城市应当在充分利用结构节能、技术节能、管理节能等手段提高能效的同时，大力发展可再生能源，提升清洁能源使用比例，快速实现碳减排目标.② 应在制定合理的碳排放标准，采取一系列奖惩措施的同时，加大科研投入，促进科技创新以加速碳减排.在科研投入资金有限的情况下，强化金融政策与财政政策的统筹协同，发挥财政资金的撬动作用，引导更多的金融资源流向促进科技创新领域，加快黄河流域资源型城市的碳减排.③在政策制定层面，黄河流域资源型城市应当进一步将碳减排作为一项重要的发展任务，在煤炭消费、碳密集产业、城镇化率等方面提出目标，在技术层面，重视清洁能源的发展，提高能源技术效率的相关技术研发.

参考文献：

［1］  CHEN S Q，CHEN B.Network environ perspective for urban metabolism and carbon emissions：a case study of Vienna，Austria.［J］.Environmental Science & Technology，2012，46（8）：4498.

［2］  YUAN R，RODRIGUES J F D，BEHRENS P.Driving forces of household carbon emissions in China：A spatial decomposition analysis［J］.Journal of cleaner production，2019，233：932.

［3］  WANG，CHEN X，ZHANG Z，et al.Influencing factors of energy-related CO2 emissions in China：a decomposition analysis［J］.Sustainability，2015，7（10）：14408.

［4］  HUANG Y，SHEN L，LIU H.Grey relational analysis，principal component analysis and forecasting of carbon emissions based on long short-term memory in China［J］.Journal of Cleaner Production，2019，209：415.

［5］  MULLER D B，LIU G，LOVIK A N，et al.Carbon emissions of infrastructure development［J］.Environmental Science & Technology，2013，47（20）：11739.

［6］  SHUAI C，CHEN X，WU Y，et al.Identifying the key impact factors of carbon emission in China：Results from a largely expanded pool of potential impact factors［J］.Journal of Cleaner Production，2018，175：612.

［7］  SHI M.Forecast of Chinas carbon emissions under the background of carbon neutrality［J］.Environmental Science and Pollution Research，2022，29（28）：43019.

［8］  ZHOU Y，LIU W，LV X，et al.Investigating interior driving factors and cross-industrial linkages of carbon emission efficiency in Chinas construction industry：based on super-SBM DEA and GVAR model［J］.Journal of Cleaner Production，2019，241：118322.

［9］  ONEIL BC，DALTON M，FUNCHS R，et al.Global demographic trends and future carbon emissions［J］.Proceedings of the National Academy of Sciences，2010，107（41）：17521.

［10］  LIU L，ZONG H，ZHAO E，et al.Can China realize its carbon emission reduction goal in 2020：from the perspective of thermal power development［J］.Applied Energy，2014，124：199.

［11］  SUN W，WANG C，ZHANG C.Factor analysis and forecasting of CO2 emissions in Hebei，using extreme learning machine based on particle swarm optimization［J］.Journal of Cleaner Production，2017，162：1095.

［12］  歐阳艳艳，陈浪南，李子健.基础设施与城乡房价、房租：基于贝叶斯模型平均的微观研究［J］.系统工程理论与实践，2020，40（11）：2825.

［13］  潘思羽，张美玲.基于BP神经网络的甘肃省二氧化碳排放预测及影响因素研究［J］.环境工程，2023，41（7）：61.

［14］  蔡景丽，顾佳艳，陈敏，等.2000—2020年中国种植业碳排放驱动因素及预测分析［J］.环境科学与技术，2023，46（2）：159.

［15］  李金超，鹿世强，郭正权.中国省际碳排放预测及达峰情景模拟研究［J］.技术经济与管理研究，2023（3）：21.

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

［17］  李倩，付伟，李梦柯.云南省农业碳排放影响因素与情景预测分析［J］.西南林业大学学报（社会科学），2023，7（3）：75.

［18］  常建波，付兴涛，郑美君，等.能源消耗碳排放的时空演变与预测：基于山西省夜间灯光数据［J］.环境科学与技术，2023，46（3）：81.

［19］  张纯.基于STIRPAT模型的安徽省工业碳排放情景预测分析［J］.黑龙江工程学院学报，2022，36（3）：40.

［20］  ZHENG J，MI Z，COFFMAN DM，et al.Regional development and carbon emissions in China［J］.Energy Economics，2019，81：25.

［21］  柯忠义.创业板上市公司经济绩效及影响因素——基于贝叶斯模型平均法（BMA）的实证研究［J］.数量经济技术经济研究，2017，34（1）：146.

［22］  FERNANDEZ C，LEY E，STEEL M F J.Model uncertainty in cross-country growth regressions［J］.Journal of Applied Econometrics，2001，16（5）：563.

（责任编辑  武维宁）