“強省會”戰略下長江經濟帶低碳經濟和產業選擇

陳志建 張立 張慶娟

摘要：城市低碳發展是我國生態文明建設的重要抓手，而“強省會”戰略對區域間的協調發展產生了重要影響，這就為“強省會”戰略下長江經濟帶城市的低碳經濟發展和產業選擇提出了新要求。【目的】研究刻畫長江經濟帶地級市行業的低碳經濟效應，探討產業選擇問題。【方法】研究采用隨機森林模型。【結果】長江經濟帶城市行業碳減排潛力較大，其中建筑業最大。“強省會”戰略下，上海、武漢、重慶、成都的產業低碳經濟發展較為充分，南昌、貴陽、昆明、長沙等小核心省會城市制造業和部分社會服務業等產業的減排潛力較大。【結論】省會城市應重點發展社會服務業，非省會城市根據自身資源稟賦，選取具有自身特色的產業重點發展。

關鍵詞：強省會；低碳城市；碳生產率；產業選擇

中圖分類號：F291.1 文獻標志碼：A

文章編號：1005-0523（2024）02-0118-9

Under the Strategy of “Strengthening Provincial Capital”，

Low Carbon Economic and Industrial Choice

in the Yangtze River Economic Belt

Chen Zhijian， Zhang Li， Zhang Qingjuan

（School of Economics and Management， East China Jiaotong University， Nanchang 330013， China）

Abstract： The low-carbon development of cities is an important lever in China's ecological civilization construction， and the “strong provincial capital” strategy has had a significant impact on the coordinated development between regions， which puts forward new requirements for the low-carbon economic development and industrial selection of cities in the Yangtze River Economic Belt under the “strong provincial capital” strategy. 【Objective】 The study describe the low-carbon economic effects of the industries in the prefecture level cities of the Yangtze River Economic Belt， and discusses the problem of industry selection. 【Method】 The study uses the random forest model. 【Result】 The carbon emission reduction potential of urban industries in the Yangtze River Economic Belt is significant， with the construction industry being the largest. Under the strategy of “strengthening provincial capitals”， Shanghai， Wuhan， Chongqing， and Chengdu have relatively full development of low-carbon industries， while small core provincial capitals such as Nanchang， Guiyang， Kunming， and Changsha have great potential for emission reduction in manufacturing and some social service industries. 【Conclusion】 Provincial capital cities should focus on developing social service industries， while non provincial capital cities should select industries with their own characteristics for key development based on their own resource endowments.

Key words： strengthen provincial capital; low carbon city; carbon productivity; industry selection

Citation format： CHEN Z J， ZHANG L， ZHANG Q J. Under the strategy of “strengthening provincial capital”， low carbon economic and industrial choice in the Yangtze River Economic Belt[J]. Journal of East China Jiaotong University， 2024， 41（2）： 118-126.

【研究意義】壯大中心城市、省會城市，實施“強省會”戰略，進一步增強對其他城市的輻射帶動作用，是實現經濟協調發展的重要舉措。然而，“強省會”戰略在通過省會城市快速發展拉動全省域經濟的同時，也導致了城市產業同構、環境污染加劇等問題，從而導致戰略實施“大而不強”[1]。特別是在我國承諾“2030年前碳達峰、2060年前碳中和”目標背景下，城市低碳經濟發展是當前我國亟需解決的現實問題，是我國高質量發展的內在要求[2]。顯然，低碳經濟發展模式是在現有的經濟結構基礎上，利用技術創新和產業引導，優化產業結構布局，提高單位GDP能源利用效率，以此來控制污染物排放，實現經濟與環境和諧發展[3]。由此觀之，研究“強省會”戰略下城市低碳經濟發展及其產業選擇問題，對探索區域經濟發展之路具有重要的學術價值和現實意義。

【研究進展】現有研究表明，“強省會”戰略下，省會城市發展伴隨一定的輻射效應[4]和溢出效應[5]，特別是具有關聯性的產業，其溢出效應更強。但部分研究也顯示“強省會”戰略是通過城市擴張和資源虹吸來加速省會城市經濟發展[6]，這就意味著“強省會”戰略在一定程度上也會導致城市間發展不平衡和不協調等問題。

與此同時，對于低碳經濟和產業選擇問題，鑒于市級數據的不可獲得性，大部分學者主要研究對象為國家和省域層面[7-8]，也有少數研究通過降維的方式探討市級城市產業發展和低碳經濟[9]。部分學者對城市低碳經濟[10]和城市產業分工選擇[11-12]進行系統分析和細致研究，但以上研究均是基于單個產業、單個城市探討城市低碳經濟和產業選擇，未從全產業選擇視角研究城市低碳經濟發展。【創新特色】究其原因，一方面是數據的難獲得性，另一方面是在單方程回歸或計量模型中加入過多變量會導致模型出現多重共線性和自由度下降的現象，而遺漏部分變量又會導致模型內生性和有偏估計的現象，相比之下，隨機森林模型能很好地解決這些問題[13-14]。【關鍵問題】采用機器學習中的隨機森林算法，以長江經濟帶108個地級市為研究對象，將國民經濟19大行業納入到隨機森林模型中，研究各行業的低碳經濟效應，探討城市低碳經濟發展的產業選擇。

1 研究區域概況

長江經濟帶擁有橫跨東中西三大地理區的區位優勢，現階段主要以生態優先、綠色發展為導向，推動長江上中下游地區協調發展和沿江地區高質量發展[15]。近年來長江經濟帶各省市通過“安徽合肥代管原巢湖市部分區縣”“四川成都代管簡陽市”“江西做大做強南昌大都市圈”“湖北武漢成為‘國家中心城市”等一系列舉措，形成了“強省會”發展態勢。因此，在“強省會”背景下，選取長江經濟帶作為研究對象，對中國城市低碳經濟發展與區域協調發展具有重要的現實指導意義。

2 研究方法與數據來源

2.1 城市低碳經濟核算

碳生產率作為低碳經濟的衡量指標，表示為單位二氧化碳排放量所產生的GDP，即同期內地區GDP與二氧化碳排放量之比。碳生產率從經濟學角度表示為衡量一個經濟體消耗單位碳資源所帶來的相應產出[16]，其值越大意味著以更少的能源消耗帶來更多的產出，代表該地區低碳經濟越發達，反之，說明該地區經濟產出的同時伴隨著高碳排放。而對于城市碳生產率，受限于數據的真實性和可獲得性，市級二氧化碳排放量核算難度較大。通過夜間燈光數據擬合的市級甚至縣級二氧化碳排放量得到廣泛應用[17-18]。研究采用Chen等開發生成的NPP-VIIRS-LIKE夜間燈光數據[19]核算出2003—2019年長江經濟帶城市二氧化碳排放量。并利用城市同期GDP與該二氧化碳排放量之比計算出各城市碳生產率。

2.2 隨機森林模型

一般的多元線性回歸模型可能因變量過多而受多重共線性、自由度下降等問題的影響，導致結果不顯著，而隨機森林模型能很好地解決這類問題且回歸精度更高。隨機森林（Random Forest）是Breiman在決策樹（回歸樹）的基礎上提出的一種集成學習的方法[20]。

隨機森林模型在研究中的應用，有3層經濟含義：① 對于隨機森林中每棵決策樹而言，樹越頂端的行業對模型殘差平方和影響越大，即對城市低碳經濟的作用越大。② 樹的每個分裂點代表一個行業的閾值，通過多個行業閾值的選擇，確定不同行業結構的低碳經濟效果。③ 偏效應大小體現了各行業對低碳經濟的影響程度，即各行業就業人口的增加所帶來的邊際碳生產率的提升。

此外，以產業分工為基礎的城市職能一定程度上體現了城市的產業發展水平[21]，因而將能反應城市職能現狀的國民經濟19大行業就業人口納入到隨機森林模型中，揭示各城市各行業碳生產率之間的關系，探究“強省會”戰略下長江經濟帶各城市低碳經濟的產業選擇及其發展路徑。根據國民經濟行業分類標準GB/T 4752-2002分類，19大行業分別為：農林牧漁業、采掘業、電力煤氣及水生產供應業、制造業、建筑業、交通倉儲郵電業、金融業、科研技術服務和地質勘查業、租賃和商業服務業、信息傳輸計算機服務和軟件業、住宿餐飲業、批發零售貿易業、居民服務和其他服務業、文化體育和娛樂業、房地產業、水利環境和公共設施管理業、衛生社會保險和社會福利業、教育業、公共管理和社會組織業。

對于城市低碳經濟，IPAT模型是研究環境與社會因素之間問題的經典模型[22]，其表達式為

[I=P×A×T] （1）

式中：I為環境壓力；P為人口規模；A為富裕程度；T為技術水平。可見，人口、財富和技術水平是影響環境的三大主要因素本研究選取年末人口數（單位：萬人），人均GDP（單位：元）和專利授權數（單位：件）三大變量分別代表人口、財富和技術水平，并將其加入到隨機森林模型中，模型的自變量為低碳經濟的碳生產率。

對于隨機森林模型，其每次所考慮的變量個數mtry屬于關鍵性參數，對此通過最小化交叉驗證誤差確定，當mtry=5的時候，交叉驗證誤差達到最小值1.38，故選定參數mtry=5。此外，自主樣本數B=500。

2.3 數據來源

基于數據的完整度，采用2003—2019年長江經濟帶108個地級市（畢節、銅仁數據嚴重缺失）面板數據。數據來源主要包括：① Chen等生成的2003—2019年NPP-VIIRS-LIKE夜間燈光年度擴展序列數據[19]，公布在哈佛大學的數據公開網站上（https：//dataverse.harvard.edu/dataset.xhtml？persistentId=doi：10.7910/DVN/YGIVCD）；② 2003—2018年長江經濟帶11個省碳排放數據來源中國碳排放數據庫（www.ceads.net）；③ 2003—2019年長江經濟帶地級市人口、人均GDP及國民經濟19大行業就業人口來源于EPS數據平臺的中國城市數據庫，極少部分缺失值采用插值法進行補充；④ 2003—2019年長江經濟帶地級市專利授權數數據來源于國家知識產權局。

3 實證分析

3.1 長江經濟帶城市行業低碳經濟效應分析

長江經濟帶城市各行業對低碳經濟影響因子的重要性排序，見圖1。圖1中lncMSE為精度平均減少值，指將該變量刪除或隨機取值后模型估算的誤差相對原來誤差升高的幅度，其值越大，說明該變量越重要。從圖1中可以看出，專利授權、人均GDP和人口三大因素的重要性程度排名均在前列，說明長江經濟帶城市人口、財富、技術仍是影響城市低碳經濟的重要指標。

圖2為國民經濟19大行業發展對長江經濟帶城市低碳經濟影響的偏效應圖，即各行業對長江經濟帶城市碳生產率的邊際效應。

從圖2中可以看出，每個行業發展的低碳經濟效應可分為兩部分，前部分為行業低碳經濟發展不充分階段，城市碳生產率的邊際效應會隨著行業從業人員的增加或減少而變化，處于此階段的城市行業稱為未充分發展；后半部分為行業低碳經濟發展充分階段，城市碳生產率的邊際效應保持穩定，不會隨行業從業人員的增加或減少而明顯變化，處于此階段的城市行業稱為充分發展。此外，高碳生產率的行業有：建筑業、采掘業、公共管理和社會組織業、農林牧漁業、信息傳輸計算機服務和軟件業、電力煤氣及水生產供應業、衛生社會保險和社會福利業、居民服務和其他服務業、制造業，這些行業充分發展階段的碳生產率邊際效應均為2以上。

結合圖1和圖2進行分析，從產業結構來看，對長江經濟帶城市碳生產率的影響最大的前五大行業為建筑業、采掘業、批發零售貿易業、交通倉儲郵電業、公共管理和社會組織業，主要集中在工業和一般生產性服務業。其中，建筑業是唯一一個重要程度超過20%的行業，并且從偏效應圖來看，處于未充分發展階段的建筑業有利于提高城市的碳生產率，可見建筑業屬于發展城市低碳經濟的重點行業。從各行業低碳經濟效應來看，4個行業未充分發展階段有利于提高城市碳生產率，分別為：建筑業、信息傳輸計算機服務和軟件業、衛生社會保險和社會福利業、居民服務和其他服務業；5個行業未充分發展階段不利于提高長江經濟帶城市碳生產率，分別為：批發零售貿易業、交通倉儲郵電業、租賃和商業服務業、教育業、住宿餐飲業；10個行業未充分發展階段與城市碳生產率之間整體呈“U”型關系，分別為：采掘業、公共管理和社會組織業、農林牧漁業、電力煤氣及水生產供應業、房地產業、文化體育和娛樂業、水利環境和公共設施管理業、制造業、科研技術服務和地質勘查業、金融業，其中僅金融業呈倒“U”型。此外，在19大行業中，13個行業在達到充分發展階段前都能提高城市低碳經濟效應，說明行業發展的低碳經濟效應潛力巨大。這就為“強省會”戰略下長江經濟帶城市低碳經濟的產業選擇及其發展路徑提供了重要參考。

3.2 “強省會”戰略下長江經濟帶城市低碳經濟發展及產業選擇

結合圖2各行業低碳經濟的偏效應和2019年長江經濟帶108個地級市各行業數據，得出2019年長江經濟帶城市低碳經濟效應的發展現狀，見圖3，白色方格代表該城市該行業低碳經濟處于充分發展階段，從業人員數的增加與減少對城市碳生產率的影響不大，非白色方格代表該城市該行業低碳經濟處于未充分發展階段，從業人員數的增加或減少影響著城市碳生產率，其中，陰影方格代表該城市該行業處于從業人員數增加會降低城市碳生產率的階段，灰色方格代表該城市該行業處于從業人員數增加會提高城市碳生產率的階段。

從圖3可以看出，2019年長江經濟帶9個省會城市和2個直轄市19大行業的低碳經濟大部分發展充分，但不同城市仍有區別，上海、武漢、重慶、成都等三大典型城市群核心省會城市（包括直轄市，下同）的各行業低碳經濟發展基本充分，“強省會”戰略成效顯著；南昌、貴陽、昆明、長沙等非城市群核心省會城市制造業和部分社會服務業低碳經濟發展的潛力仍在，這些省份“強省會”戰略的落實有利于進一步促進省會城市低碳經濟發展。此外，“強省會”戰略下，省會城市對周邊非省會城市虹吸現象明顯，核心城市附近的非省會城市存在較多行業低碳經濟發展不充分，其19大行業低碳經濟發展均不充分。對于省會城市而言，大部分行業低碳經濟發展充分，這些行業低碳經濟充分發展階段碳生產率較低，但未充分發展階段可促進低碳經濟發展。其次，省會城市大部分低碳經濟發展不充分的行業為文化體育和娛樂業、居民服務和其他服務業、水利環境和公共設施管理業等社會服務業，并且省會城市這些行業的發展均能提升碳生產率，這部分社會服務業應成為省會城市低碳經濟要求下的重點發展產業。省會城市這些行業的發展不僅能提高碳生產率，而且能改善人口和經濟體量大幅增加與公共服務供給不配套而降低城市化質量[23]的情況。綜上所述，南京、杭州、合肥、重慶和武漢應注重電力煤氣及水生產供應業與居民服務和其他服務業的發展，而長沙、昆明、貴陽和南昌除發展以上兩種行業外還應重點發展制造業、文化體育和娛樂業與水利環境，此外，昆明的采掘業和成都的農林牧漁業的進一步發展有利于促進城市的低碳經濟。

對于非省會城市而言，特別是在發展不足的中西部地區城市，大部分行業低碳經濟發展不充分，應結合自身資源稟賦，針對性地選擇部分產業發展。此外，部分近鄰地方城市之間的產業可協調互補發展，部分城市可針對自身低碳經濟發展的劣勢產業，與具有產業互補性質的近鄰城市協同發展，打造各自城市的特色低碳經濟產業的同時提高碳生產率。

4 結論

研究利用夜間燈光數據擬合城市二氧化碳排放量，并以此核算2003—2019 年長江經濟帶108個地級市的碳生產率。利用這一數據，在現階段強調“強省會”戰略背景下，通過隨機森林模型，分析了國民經濟19 大行業的城市低碳經濟效應，探討了長江經濟帶省會城市和非省會城市低碳經濟協調發展及產業選擇等問題，這對地區發揮比較優勢，并制定優勢互補、低碳經濟發展的區域產業布局具有重要理論意義和現實價值。

1） 城市的行業低碳經濟效應潛力巨大，建筑業低碳經濟效應最強。從實證結果來看，國民經濟19 大行業中有13 個行業在達到低碳經濟充分發展之前能提高低碳經濟效應，這為長江經濟帶在推動結構性改革進程中，實現產業結構升級優化和低碳經濟的可持續發展提供了重要支撐。此外，建筑業對城市低碳經濟影響最大，且在未充分發展階段能提高城市低碳經濟效應。建筑業作為國民經濟發展的重要支柱產業，伴隨著巨大的能源消耗和碳排放，但其能耗存在碳鎖定效應，只在建筑過程中產生碳排放。因此建筑業存在巨大的減排潛力，通過優化建筑材料，提升建筑質量，延長建筑壽命等方法能有效地提高城市建筑業的低碳經濟效應。

2） 從城市低碳經濟的行業發展角度來看，長江經濟帶各省實施“強省會”戰略效果顯著。“強省會”戰略引起了一定程度的虹吸效應，省會城市的大部分行業低碳經濟得到充分發展，而周邊非省會城市的多數行業低碳經濟發展不充分。根據弗里德曼的“核心-邊緣”理論，區域經濟發展會經歷核心區不斷集聚邊緣資源和生產要素而快速發展，進而通過輻射效應帶動邊緣區形成小核心區發展的過程。在“強省會”戰略下，上海、武漢、重慶、成都作為長江經濟帶三大典型城市群大核心省會城市，其產業低碳經濟通過資源虹吸效應得到了充分發展。在這些大核心省會城市輻射效應帶動下，南昌、貴陽、昆明、長沙等長江經濟帶小核心省會城市的部分產業低碳經濟也得到充分發展，但對于制造業和部分社會服務業，低碳經濟發展的潛力仍在。

3） 實施“強省會”戰略必定導致區域發展的不平衡，“強省會”戰略是加劇了城市間發展差距還是“大帶小”使各城市協同發展，關鍵在于區域間城市的產業選擇和協同調控。一方面，省會城市應重點發展文化體育和娛樂業、居民服務和其他服務業、水利環境和公共設施管理業等社會服務業，這不僅能促進省會城市的低碳經濟發展，還能解決省會城市快速發展帶來的公共資源不匹配等問題。此外，非省會城市應根據自身資源稟賦以及產業的發展水平，發揮比較優勢，選取部分產業重點發展，使得城市在促進低碳經濟發展的同時還形成了具有自身特色的重點產業。另一方面，省會城市可發揮輻射效應帶動非省會城市發展。對于處于充分發展階段但碳生產率不高的房地產產業和部分社會服務業，省會城市可將這些產業轉移到部分能提升碳生產率的非省會城市。此外，鄰近的非省會城市之間可進行產業協調互補發展，城市可根據自身產業的低碳經濟發展水平，與具有產業互補性質的近鄰城市資源互換，使得各自城市打造出具有城市特色的低碳經濟產業。

參考文獻：

[1]? ?張航， 丁任重. 實施“強省會”戰略的現實基礎及其可能取向[J]. 改革， 2020（8）： 147-158.

ZHANG H， DING R Z. The realistic basis and possible orientation of implementing the strategy of “strengthening the provincial capital”[J]. Reform， 2020（8）： 147-158.

[2]? ?陳志建， 周超， 康梓澳， 等. 環境規制對經濟高質量發展影響研究[J]. 華東交通大學學報， 2021， 38（1）： 131-135.

CHEN Z J， ZHOU C， KANG X A， et al. Influence of environmental regulations on high-quality economic development[J]. Journal of East China Jiaotong University， 2021， 38（1）： 131-135.

[3]? ?鄔彩霞. 中國低碳經濟發展的協同效應研究[J]. 管理世界， 2021， 37（8）： 105-117.

WU C X. Research on the synergistic effect of low-carbon economy in China[J]. Journal of Management World， 2021， 37（8）： 105-117.

[4]? ?莊羽， 楊水利. “強省會”戰略對區域創新發展的影響——輻射還是虹吸？[J]. 中國軟科學， 2021（8）： 86-94.

ZHUANG Y， YANG S L. Influence of “building a strong provincial capital” strategy on regional innovation development： radiation or siphon effect？[J]. China Soft Science， 2021（8）： 86-94.

[5]? ?趙奎， 后青松， 李巍. 省會城市經濟發展的溢出效應——基于工業企業數據的分析[J]. 經濟研究， 2021， 56（3）： 150-166.

ZHAO K， HOU Q S， LI W. Spillover effects of economic development in provincial capitals： An analysis based on industrial enterprise data[J]. Economic Research Journal， 2021， 56（3）： 150-166.

[6]? ?LU L， GUO H， CORBANE C， et al. Urban sprawl in provincial capital cities in China： Evidence from multi-temporal urban land products using Landsat data[J]. Science Bulletin， 2019， 64（14）： 955-957.

[7]? ?孫華平， 杜秀梅. 全球價值鏈嵌入程度及地位對產業碳生產率的影響[J]. 中國人口·資源與環境， 2020， 30（7）： 27-37.

SUN H P， DU X M. The impact of global value chain's participation degree and position on industrial carbon productivity[J]. China Population， Resources and Environment， 2020， 30（7）： 27-37.

[8]? ?余壯雄， 陳婕， 董潔妙. 通往低碳經濟之路： 產業規劃的視角[J]. 經濟研究， 2020， 55（5）： 116-132.

YU Z X， CHEN J， DONG J M. The road to a low-carbon economy： The perspective of industrial plans[J]. Economic Research Journal， 2020， 55（5）： 116-132.

[9]? ?王浦， 周進生， 王春芳， 等. 礦業城市低碳發展與綠色礦山建設[J]. 中國人口·資源與環境， 2014， 24（S1）： 16-18.

WANG P， ZHOU J S， WANG C F， et al. Development of mining city's low-carbon economy and construction of green mine research[J]. China Population， Resources and Environment， 2014， 24（S1）： 16-18.

[10] 李濤. 城市低碳經濟的模糊數學評價研究[J]. 中國管理科學， 2015， 23（S1）： 744-748.

LI T. Fuzzy mathematical evaluation research of urban low-carbon economy[J]. Chinese Journal of Management Science， 2015， 23（S1）： 744-748.

[11] 史雅娟， 朱永彬， 黃金川. 中原城市群產業分工格局演變與功能定位研究[J]. 經濟地理， 2017， 37（11）： 84-91.

SHI Y J， ZHU Y B， HUANG J C. Evolution of industrial specialization pattern in zhongyuan urban agglomeration and its functional orientation[J]. Economic Geography， 2017， 37（11）： 84-91.

[12] 侯杰， 張梅青. 城市群功能分工對區域協調發展的影響研究——以京津冀城市群為例[J]. 經濟學家， 2020（6）： 77-86.

HOU J， ZHANG M Q. Study on the influence of functional division of urban agglomerations on regional coordinated development——taking Beijing-Hebei urban agglomeration as an example[J]. Economist， 2020（6）：77-86.

[13] 歐陽志剛， 陳普. 要素稟賦、地方工業行業發展與行業選擇[J]. 經濟研究， 2020， 55（1）： 82-98.

OUYANG Z G， CHEN P. Factor endowment， local industrial development and selecting industries[J]. Economic Research Journal， 2020， 55（1）： 82-98.

[14] 閆廣華， 陳曦， 張云. 基于隨機森林模型的東北地區收縮城市分布格局及影響因素研究[J]. 地理科學， 2021， 41（5）： 880-889.

YAN G H， CHEN X， ZHANG Y. Shrinking cities distribution pattern and influencing factors in northeast China based on random forest model[J]. Scientia Geographica Sinica， 2021， 41（5）： 880-889.

[15] 孫久文， 張可云， 安虎森， 等. “建立更加有效的區域協調發展新機制”筆談[J]. 中國工業經濟， 2017， 356（11）： 26-61.

SUN J W， ZHANG K Y， AN H S， et al. Commentary on establishing a more effective and new mechanism foe regional coordinated development[J]. China Industrial Economics， 2017， 356（11）： 26-61.

[16] 潘家華， 張麗峰. 我國碳生產率區域差異性研究[J]. 中國工業經濟， 2011（5）： 47-57.

PAN J H， ZHANG L F. Research on the regional variation of carbon productivity in China[J]. China Industrial Economics， 2011（5）： 47-57.

[17] 杜海波， 魏偉， 張學淵， 等. 黃河流域能源消費碳排放時空格局演變及影響因素——基于DMSP/OLS與NPP/VIIRS夜間燈光數據[J]. 地理研究， 2021， 40（7）： 2051-2065.

DU H B， WEI W， ZHANG X Y， et al. Spatio-temporal evolution and influencing factors of energy-related carbon emissions in the yellow river basin： Based on the DMSP/VIIRS nighttime light data[J]. Geographical Research， 2021， 40（7）： 2051-2065.

[18] 呂倩， 劉海濱. 基于夜間燈光數據的黃河流域能源消費碳排放時空演變多尺度分析[J]. 經濟地理， 2020， 40（12）： 12-21.

LYU Q， LIU H B. Multiscale spatio-temporal characteristics of carbon emission of energy consumption in yellow river basin based on the nighttime light datasets[J]. Economic Geography， 2020， 40（12）： 12-21.

[19] CHEN Z， YU B， YANG C， et al. An extended time series （2000—2018） of global NPP-VIIRS-like nighttime light data from a cross-sensor calibration[J]. Earth System Science Data， 2021， 13（3）： 889-906.

[20] BREIMAN L. Random forests[J]. Machine Learning， 2001， 45（1）： 5-32.

[21] 王振波， 羅奎， 宋潔， 等. 2000年以來長江經濟帶城市職能結構演變特征及戰略思考[J]. 地理科學進展， 2015， 34（11）： 1409-1418.

WANG Z B， LUO K， SONG J， et al. Characteristics of change and strategic considerations of the structure of urban functional divisions in the Yangtze River Economic Belt since 2000[J]. Progress in Geography， 2015， 34（11）： 1409-1418.

[22] 吳青龍， 王建明， 郭丕斌. 開放STIRPAT模型的區域碳排放峰值研究——以能源生產區域山西省為例[J]. 資源科學， 2018， 40（5）： 1051-1062.

WU Q L， WANG J M， GUO P B. Peak regional carbon emissions based on open STIRPAT modeling in an energy-producing region of Shanxi[J]. Resources Science， 2018， 40（5）： 1051-1062.

第一作者：陳志建（1983—），男，教授，博士，博士生導師，研究方向為碳減排政策，區域經濟計算及模擬。

E-mail： czjliyan@163.com。

通信作者：張立（1997—），男，碩士研究生，研究方向為碳減排政策，區域經濟。E-mail： zl19970330@163.com。