EN中文

干旱区地理 >

2026 , Vol. 49 >Issue 1: 151 - 163

DOI: https://doi.org/10.12118/j.issn.1000-6060.2024.743

区域发展

中国资源型城市转型脱碳时空演进及路径选择

  • 杨巨星 , 1, 2 ,
  • 孙慧 , 1, 2 ,
  • 周晋楠 1, 2 ,
  • 陀才进 1, 2 ,
  • 张若威 1, 2
展开
  • 1 新疆大学新疆创新管理研究中心，新疆 乌鲁木齐 830046
  • 2 新疆大学经济与管理学院，新疆 乌鲁木齐 830046
孙慧（1963-），女，博士，教授，主要从事资源与环境经济学研究. E-mail:

杨巨星（1998-），男，博士研究生，主要从事资源与环境经济学研究. E-mail:

收稿日期: 2024-12-08

  修回日期: 2025-02-03

  网络出版日期: 2026-03-11

基金资助

国家自然科学基金项目(71963030)

科技部重大科技项目暨第三次新疆综合科学考察课题(SQ2021xjkk01800-5)

新疆维吾尔自治区自然科学基金青年项目(2024D01C255)

收起

Spatiotemporal evolution and pathway selection of transformation decarbonization in resource-based cities of China

  • Juxing YANG , 1, 2 ,
  • Hui SUN , 1, 2 ,
  • Jinnan ZHOU 1, 2 ,
  • Caijin TUO 1, 2 ,
  • Ruowei ZHANG 1, 2
Expand
  • 1 Center for Innovation Management Research of Xinjiang, Xinjiang University, Urumqi 830046, Xinjiang, China
  • 2 School of Economics and Management, Xinjiang University, Urumqi 830046, Xinjiang, China

Received date: 2024-12-08

  Revised date: 2025-02-03

  Online published: 2026-03-11

Fold

摘要

资源型城市转型脱碳是实现“双碳”目标的关键。测度2006—2021年中国资源型城市转型脱碳水平，采用空间马尔科夫链和模糊集定性比较分析（fsQCA）方法，探究资源型城市转型脱碳的时空演进特征及路径选择。结果表明：（1）资源型城市转型脱碳水平逐年上升，发展格局由以滞后区为核心的集中连片分布向跨越区和先行区为核心的组团式分布进行演变；转型脱碳总体差异明显，区域内差异和成熟型城市分别是导致总体差异变大的主要原因及来源。（2）转型脱碳类型的转移具有稳定性，存在“路径依赖”现象；保持初始状态的概率较大，呈现“俱乐部收敛”特征；并在连续向上转移过程中存在“马太效应”，且空间溢出效应明显。（3）技术、组织、环境因素均不能单独构成实现转型脱碳的必要条件，各因素多重并发，形成资源型城市转型脱碳的3种组态路径，分别为“技术-环境”协同驱动型、“技术-组织”协同驱动型与“技术-组织-环境”联合驱动型，其中绿色技术创新发挥核心作用。（4）不同类型资源型城市倚重不同因素：成长型城市依赖数字技术与环境关注，成熟型城市通过技术创新、产业升级和环境因素等多方面联合驱动，衰退型城市受环境因素影响更大，再生型城市强调技术创新与环境因素协同驱动。研究结果可为中国资源型城市实现转型脱碳提供有益经验和实践启示。

关键词： 资源型城市; 转型脱碳; 空间马尔科夫链; fsQCA; 殊途同归路径

本文引用格式

杨巨星 , 孙慧 , 周晋楠 , 陀才进 , 张若威 . 中国资源型城市转型脱碳时空演进及路径选择[J]. 干旱区地理, 2026 , 49(1) : 151 -163 . DOI: 10.12118/j.issn.1000-6060.2024.743

Abstract

The transformation decarbonization of resource-based cities are essential for advancing China’s carbon peaking and carbon neutrality goals. This study evaluates the transformation decarbonization levels of resource-based cities from 2006 to 2021 and employs a spatial Markov chain model together with fuzzy-set qualitative comparative analysis (fsQCA) to explore their spatiotemporal evolution and transition pathways. The results indicate three key findings: (1) Transformation decarbonization levels have improved steadily over time. Spatial patterns have shifted from a concentrated distribution dominated by lagging areas to a clustered structure characterized by transitional and pioneering zones. Although large overall disparities persist, these differences mainly stem from intra-regional variation and the performance of mature-type cities. (2) Transformation decarbonization types exhibit stable evolutionary trajectories, demonstrating clear “path-dependence”. Cities tend to maintain their initial states, showing prominent “club convergence”. A “Matthew effect” is evident during upward transitions, accompanied by significant spatial spillover effects across neighboring regions. (3) No single factor, technological, organizational, or environmental, constitutes a necessary condition for achieving transformation decarbonization. Instead, these elements interact to form three configurational pathways: A technology-environment synergy pathway, a technology-organization synergy pathway, and a combined technology-organization-environment pathway. Across all pathways, green technology innovation plays a central and catalytic role. (4) Resource-based cities of different developmental stages rely on distinct drivers. Growing cities primarily depend on digital technology and rising environmental awareness. Mature cities are jointly driven by technological innovation, industrial upgrading, and environmental regulation. Declining cities are more strongly influenced by environmental constraints, while regenerating cities rely on the combined momentum of technological innovation and environmental factors. Overall, this study offers empirical evidence and policy-relevant insights to support the transformation decarbonization in resource-based cities of China.

Key words： resource-based cities; transformation decarbonization; spatial Markov chain; fsQCA; different paths lead to the same destination

第二十八届联合国气候变化大会上各国就推动转型脱碳达成共识，转型脱碳是减缓气候变化、实现绿色发展的核心路径。作为最大的能源消费国和碳排放国，中国在推动转型脱碳进程中扮演关键角色。然而，中国能源消费仍以煤炭为主，为实现“双碳”目标并应对能源安全风险，必须加快转型脱碳步伐，推动经济社会可持续发展。中国资源型城市长期依赖资源开采与重工业，面临资源枯竭、高能耗、高污染、高排放等多重困境，使之在绿色转型时面临巨大压力，转型脱碳动力不足。《推进资源型地区高质量发展“十四五”实施方案》强调，需因地制宜推动资源型地区转型发展。因此，推进资源型城市转型脱碳，既是实现城市可持续发展的必然选择，更是推动中国经济高质量发展、实现“双碳”目标的重点所在。同时，由于资源型城市在资源种类、经济基础、发展过程等方面存在差异，准确把握这些城市转型脱碳的时空演进特征，并找到有效的转型脱碳路径成为问题的关键。
与转型脱碳相关的文献主要分为2个方面，一是阐述转型与脱碳的概念及二者关系，二是探讨实现路径。Geels等[1]将“转型”定义为技术系统的转变，Loorbach等[2]更详细地将其定义为经济、技术、制度等发展共同进化的结果。在可持续发展和低碳领域，关于转型的研究聚焦于能源转型[3]、技术转型[4]、产业转型[5]等，通过技术创新推动能源和产业低碳转型以实现降碳目标[6]。Ausubel[7]将“脱碳”定义为一次能源碳强度降低的过程，Bataille等[8]指出深度脱碳是用高效低碳技术替代低效高碳基础设施和设备的过程。相关研究认为，为应对气候风险，全球经济必须深度脱碳，而实现脱碳，转型是必然要求[9]。为实现转型脱碳，学者们提出多种路径。首先，能源结构转型是核心路径，也是深度脱碳的基础[10]，需推广低碳工艺和零碳技术[11]。其次，技术创新是关键[12]，除了绿色技术路径[9]，数字化技术也可以有效提高能源效率[13]。再次，产业结构决定能源需求，进而影响各能源部门发展[14]，产业转型升级是转型脱碳的重要途径[15]。最后，完善政策体系有助于实现转型脱碳[16]。针对中国资源型城市转型脱碳，研究从转型与脱碳2个方面展开讨论。转型方面，学者们关注资源型城市转型绩效的时空演进特征[17]、影响因素[18]、转型困境[19]及转型路径[20]等。脱碳方面，研究大多刻画碳排放时空分异特征与演变过程[21]，并分析其影响因素[22]，提出资源型地区碳减排的路径[23]。
众学者从多角度探讨转型脱碳，为本文研究提供诸多借鉴，但仍存在一定不足。一方面，已有文献多聚焦于转型或脱碳的单一研究，缺乏对二者综合的量化评估。鉴于转型与脱碳相互依存、彼此促进，作为同一系统的2个方面，统筹考量能更全面理解其动态性与复杂性。因此，有必要结合现有研究构建转型脱碳评价指标体系，以反映其动态进程。另一方面，现有研究多依赖理论归纳[20]、计量回归[23]、情景模拟[24]等方法探讨资源型城市转型或脱碳路径，且偏重单一因素作用，难以揭示因果复杂性。多因素交织互动如何共同塑造转型脱碳的动态过程?组态复杂性和区域异质性下转型脱碳的多元驱动路径及差异性特征是什么?相关研究尚显匮乏。
鉴于此，本文统筹转型与脱碳，将二者纳入同一系统进行测度，构建资源型城市转型脱碳量化评价体系，分析其差异来源与时空演进特征，深入理解转型脱碳的动态性与复杂性；并基于组态视角，探究多因素组合对转型脱碳的促进作用，识别主导因素，揭示不同类型资源型城市实现转型脱碳的“殊途同归”路径。

1 数据与方法

1.1 研究区域与数据来源

2013年发布的《全国资源型城市可持续发展规划》明确了126个地级资源型城市，并将其划分为成长型、成熟型、衰退型和再生型4类。鉴于数据可获取性，本文选取2006—2021年中国111个资源型城市（包括成长型14个、成熟型61个、衰退型21个、再生型15个）进行研究。数据主要来源于《中国城市统计年鉴》《中国能源统计年鉴》、国家知识产权局和地级市国民经济和社会发展统计公报等。

1.2 资源型城市转型脱碳评价指标体系

参考方文君等[25]、高瑜等[26]及Ai等[27]研究，构建转型脱碳评价指标体系（表1）。转型子系统涵盖能源转型、产业转型与技术转型3个维度。能源转型利用煤炭消费占比和能源利用效率衡量，前者反映能源结构低碳化程度，后者体现节能技术进步与能效管理效果，借鉴史丹等[28]做法测算。产业转型利用产业结构合理化和产业结构高级化衡量，参考干春晖等[29]做法测算。产业结构合理化反映资源高效配置与环境可持续性的改善，产业结构高级化体现技术创新与附加值提升。技术转型包括绿色技术创新与数字技术创新，分别用绿色专利与数字专利申请量衡量。绿色专利申请量反映低碳技术研发投入与创新产出，数字专利申请量体现数字技术在能源效率提升与产业升级方面对脱碳目标的贡献。
表1 资源型城市转型脱碳评价指标体系及描述性统计

Tab. 1 Evaluation index system and descriptive statistics of transformation decarbonization of resource-based cities

子系统 维度 指标 测算方法 指标属性 均值 标准差 最小值 最大值
转型




 能源转型
 煤炭消费占比 煤炭消费量与能源消费总量之比 负向 0.838 0.152 0.124 0.997
能源利用效率 SBM-Malmquist-Luenberger指数法 正向 0.287 0.111 0.098 1.177
产业转型
 产业结构合理化 泰尔指数法 正向 0.296 0.253 0.001 3.430
产业结构高级化 第三产业产值与第二产业产值之比 正向 0.878 0.458 0.094 3.758
技术转型
 绿色技术创新/件 绿色专利申请量 正向 119.000 216.000 0.000 2647.000
数字技术创新/件 数字专利申请量 正向 268.000 544.000 0.000 6106.000
脱碳

 碳排放

 碳排放总量/104 t 直接排放与间接排放之和 负向 2877.348 1016.082 537.160 4920.000
碳排放强度/t·(104元)-1 碳排放总量与GDP之比 负向 4.381 4.323 0.169 31.153
脱碳率 碳排放强度的变化率 正向 0.030 0.133 -0.592 0.633

注：本文选取2006—2021年中国111个资源型城市进行研究，城市样本总数为1776。

脱碳旨在降低碳排放以实现净零排放，本文从碳排放总量、碳排放强度与脱碳率3方面刻画脱碳子系统，碳排放数据参考丛建辉等[30]研究测算。其中，碳排放总量直接反映实际排放量，是评估减排成效与脱碳目标达成度的基础。碳排放强度体现经济活动脱碳效率。脱碳率则反映碳排放减少速度，用碳排放强度变化率衡量。
耦合协调模型可综合评价子系统间协同变化趋势与整体协同程度[31]。本文采用熵权法计算转型与脱碳子系统得分后，通过耦合协调模型测算资源型城市转型脱碳综合指数，公式如下：
C i t = 2 × T R i t × D C i t ( T R i t + D C i t ) 2
S i t = α × T R i t + β × D C i t
T D i t = C i t × S i t
式中： C i t为城市资源型城市 i在 t年转型与脱碳2个系统间的耦合度， 0 ≤ C i t ≤ 1； T R i t为资源型城市 i在 t年的转型得分； D C i t为资源型城市 i在 t年的脱碳得分； S i t为资源型城市 i在 t年转型与脱碳2个系统间的协调度；本文认为2个子系统在整个体系中地位均衡，因此将 α与 β均取值为0.5， α + β ＝ 1； T D i t为资源型城市 i在 t年转型与脱碳2个系统间的耦合协调度，即为资源型城市转型脱碳水平， 0 ≤ T D i t ≤ 1， T D i t值越大，表明转型脱碳水平越高。

1.3 研究方法

1.3.1 转型脱碳时空演进特征分析方法

（1）泰尔指数。借鉴周小亮[32]等学者研究方法，利用泰尔指数将资源型城市转型脱碳水平分解为组内差异和组间差异，分析其变动趋势和变化幅度，以及两者在总体差异中的重要性和贡献率。泰尔指数及其结构分解公式如下：
T = T a + T b = ∑ r = 1 4 n r n × T D ¯ r T D ¯ × T r + ∑ r = 1 4 n r n × T D r ¯ T D ¯ × l n T D r ¯ T D ¯ = 1 n ∑ i = 1 n T D i T D ¯ × l n T D i T D ¯
T r = 1 n r ∑ i = 1 n r T D r i T D r ¯ × l n T D r i T D r ¯
x = T a T
y = T b T
z = ∑ i = 1 n r T D r i ∑ i = 1 n T D i × T r T
式中： T为泰尔指数，反映区域转型脱碳水平的总体差异，且 0 ≤ T ≤ 1； T a和 T b分别为区域内差异和区域间差异； T r（ r ＝ 1 ,   2 ,   3 ,   4）分别为成长型、成熟型、衰退型、再生型城市转型脱碳水平的泰尔指数； n为城市数量； n r（ r ＝ 1 ,   2 ,   3 ,   4）为各类型资源型城市数量； T D i为资源型城市 i的转型脱碳水平； T D r i为 r类型资源型城市 i的转型脱碳水平； T D ¯ r为 r类型资源型城市转型脱碳水平均值； T D ¯为所有资源型城市转型脱碳水平均值； x、 y分别为区域内差异和区域间差异对总体差异的贡献率； z为区域内差异中不同类型资源型城市的差异贡献率。
（2）空间马尔科夫链。为进一步考察转型脱碳在动态演进过程中与邻近城市的空间关联特征，参考徐维祥等的做法[17]，用各资源型城市转型脱碳水平的初始年份空间滞后值将样本城市分为 k种类型，邻域状态类型通过城市 i在该年份的空间滞后值来表示，将空间滞后值纳入到传统的 k × k马尔科夫矩阵中构建出 k个 k × k阶概率转移矩阵。空间滞后值计算公式如下：
L a g j = ∑ i = 1 n T D i W i j
式中： L a g j为邻域城市 j的空间滞后值； W i j为空间权重矩阵，表示资源型城市 i与 j的空间关系，若城市相邻则矩阵元素为1，否则为0。

1.3.2 转型脱碳实现路径分析方法

技术-组织-环境（TOE）框架综合考虑技术、组织和环境因素的相互作用，具有综合性、可定量化和可应用性优势[33]。本文根据前文梳理的转型脱碳的关键影响因素构建TOE组态分析框架（图1）。技术因素是提升资源利用效率、推动低碳发展的关键，因此将绿色技术创新、数字技术创新以及能源效率纳入技术维度；组织维度纳入产业结构升级，视其为城市为适应多元变化进行的战略调整，对从单一资源依赖向高端多元化发展模式转变至关重要；环境维度涵盖环境规制和公众环境关注，分别代表政府环保法律规制和社会公众对环保问题的关注；结果变量即为资源型城市转型脱碳水平。模糊集定性比较分析（fsQCA）适用于分析复杂社会现象中多重并发因果关系，可归纳驱动转型脱碳水平提升的多重路径，并识别核心与边缘条件。
图1 技术-组织-环境（TOE）组态分析框架

Fig. 1 TOE configuration analysis framework

2 结果与分析

2.1 转型脱碳时空演进特征

2.1.1 区域差异及结构特征

从总体差异来看，2006—2021年泰尔指数整体呈现上升趋势，转型脱碳水平的总体差异在持续增大。从结构特征来看，转型脱碳的区域内差异和区域间差异均波动上升，区域内差异贡献率在0.8以上，区域间差异贡献率在0.2以下（图2）。区域内差异大于区域间差异，说明区域内差异是导致转型脱碳水平总体差异变大的主要原因。这主要由于不同城市在资源禀赋、经济发展、技术创新、产业优化和政策执行方面存在不均衡，导致同一地区内部分城市脱碳进展快，而高耗能行业占比大、技术支撑薄弱的城市进展缓慢，与先行城市差距拉大，从而放大了区域内差异对总体差异的贡献。
图2 总体泰尔指数及差异贡献率

Fig. 2 Overall Terre index and differential contribution rate

按城市类型分解区域内差异泰尔指数发现，2006—2021年成长型、成熟型、衰退型和再生型城市转型脱碳水平的泰尔指数的均值分别为0.064、0.099、0.126、0.093。成长型、衰退型和再生型城市差异贡献率整体低于0.2，其中成长型和衰退型城市贡献率波动下降，再生型城市贡献率波动上升；成熟型城市贡献率基本高于0.4，但整体波动下降（图3）。上述说明，成熟型城市是导致总体差异增大的最主要来源，其次是衰退型和再生型城市，成长型城市贡献率最小。2015年后，再生型城市泰尔指数逐渐超越其他类型城市，贡献率波动上升，表明其转型脱碳存在较大内部差异。原因可能在于：成熟型城市产业基础强但高耗能行业比重大，技术发展差异显著，对总体差异贡献最大；衰退型城市因资源枯竭，资金和技术投入不足，环境规制不均，贡献率较高但逐步下降；再生型城市技术创新与政策支持存在差异，近年来内部差异扩大，贡献率上升；成长型城市起步晚，数字技术和环保路径明确，经济与政策基础较均衡，内部差异最小。
图3 不同类型城市泰尔指数及差异贡献率

Fig. 3 Terre index and differential contribution rate of different types of cities

2.1.2 空间分布格局

借鉴徐维祥等的研究[17]，以111个资源型城市转型脱碳水平的年平均值为标准，将转型脱碳水平划分滞后区、起步区、跨越区、先行区4种等级区，借助ArcGIS 10.8软件进行可视化分析（图4）。结果显示，2006年转型脱碳水平整体较低，滞后区城市集中连片且数量最多，起步区城市邻近分散分布，跨越区城市零星出现，源于整体经济水平低、技术支撑不足和政策执行力度弱。2013年转型脱碳水平明显上升，滞后区城市数量从2006年的75个减少至2013年的55个，得益于低碳技术推广、产业结构优化和区域政策协同，使起步区和跨越区城市数量明显增加。到2021年，绿色技术创新与环境政策深化加速了部分城市的降碳进程，转型脱碳水平显著提升，滞后区城市进一步减少，跨越区城市明显增多，并出现5个先行区城市。起步区城市开始集聚分布，跨越区城市分布范围广泛，先行区城市主要依跨越区城市分布，形成组团式发展，体现了技术扩散和区域协作的作用。整体而言，转型脱碳水平在4种等级类型中不断升级，由滞后区为核心的集中连片分布向跨越区和先行区为核心的组团式分布演变。
图4 转型脱碳水平空间分布特征

Fig. 4 Spatial distribution characteristics of transformation decarbonization levels

2.1.3 时空动态演进

（1）基于空间的静态马尔科夫链分析结果
为分析资源型城市转型脱碳水平的时空演进特征，本文构建马尔科夫转移概率矩阵，比较分析传统和空间马尔科夫链转移概率的变化（表2）。其中，向上转移指从低值向高值转移，向下转移指由高值向低值转移；类型不变分为稳定不变和振荡不变，稳定不变指转型脱碳水平值保持在原类型区间，振荡不变指在某些年份跳出了原类型区间。
表2 2006—2021年空间马尔科夫转移概率矩阵

Tab. 2 Spatial Markov transfer probability matrix from 2006 to 2021

空间滞后类型 滞后 起步 跨越 先行
传统无滞后


 滞后 0.846 0.140 0.007 0.007
起步 0.100 0.694 0.199 0.007
跨越 0.024 0.118 0.698 0.160
先行 0.003 0.008 0.091 0.899
滞后


 滞后 0.914 0.086 0.000 0.000
起步 0.117 0.777 0.107 0.000
跨越 0.074 0.222 0.593 0.111
先行 0.000 0.111 0.111 0.778
起步


 滞后 0.849 0.130 0.007 0.014
起步 0.082 0.738 0.180 0.000
跨越 0.022 0.089 0.711 0.178
先行 0.014 0.000 0.069 0.917
跨越


 滞后 0.644 0.322 0.034 0.000
起步 0.123 0.651 0.212 0.014
跨越 0.027 0.137 0.703 0.132
先行 0.000 0.008 0.102 0.891
先行


 滞后 0.500 0.333 0.000 0.167
起步 0.020 0.551 0.408 0.020
跨越 0.008 0.088 0.704 0.200
先行 0.000 0.005 0.090 0.904
由传统马尔科夫转移概率矩阵可知：① 矩阵对角线元素所代表的转移概率高于非对角线元素，说明转型脱碳状态转移具有稳定性，维持原状态概率大于状态转移概率，存在“路径依赖”现象。② 转型脱碳保持初始状态的概率较大，初期滞后的城市在下一阶段维持原状态的概率最大，呈现“俱乐部收敛”特征。③ 对角线两端滞后区和先行区的概率值显著大于中间类型的概率值，表明转型脱碳水平类型在连续向上转移过程中存在“马太效应”；但对角线中间类型向上转移的概率大于向下转移的概率，说明转型脱碳水平处于起步区和跨越区的城市存在向上转移的良好态势，尤其是处于跨越区的城市。
加入空间滞后条件，构建空间马尔科夫链转移概率矩阵，进一步得出：① 转型脱碳具有明显的空间溢出效应，城市转型脱碳发展受邻近城市影响，邻近城市转型脱碳水平越高，该城市向上转移的概率越大。② 资源型城市与其邻域城市转型脱碳水平类型的转移存在协同性，会以更大概率向相同方向转移，且更多城市转型脱碳状态会协同向上转移。
（2）基于空间的动态马尔科夫链分析结果
由马尔科夫转移空间分布图（图5）可知，相邻城市转型脱碳存在趋同性，本地转型脱碳受邻地影响，转型脱碳发展过程呈现出“高-高”集聚和“低-低”集聚特征。2006—2021年共有94个城市发生了类型转移，其中45个向上转移1级，24个向上转移2级，13个向上转移3级，12个转移类型振荡不变，17个稳定不变，无等级下降城市。74个城市本地与邻地转型脱碳类型均向上转移，8个本地向上转移而邻地不变，19个本地不变而邻地向上转移，10个本地与邻地类型均不变。东北和西南地区资源型城市转型脱碳水平类型转移存在惰性。总体来看，研究期内转型脱碳水平基本向上转移，发展态势良好，但仍有提升空间。
图5 2006—2021年转型脱碳的空间马尔科夫转移类型

Fig. 5 Types of spatial Markov transfers for transformation decarbonization from 2006 to 2021

2.2 转型脱碳路径选择

2.2.1 变量校准与必要条件分析

通过计算2006—2021年各城市结果变量与条件变量的均值进行组态分析。参考已有研究[34]，设置样本数据的90%、50%、10%作为“完全隶属”“交叉点”和“完全不隶属”的锚点，将原始数据转化为[0,1]之间的模糊隶属度值。首先，进行必要条件分析（Necessary condition analysis，NCA），检查条件变量是否为产生高转型脱碳水平的必要条件。分析显示（表3），绿色技术创新、数字技术创新、能源效率、产业结构升级、环境规制、公众环境关注等条件的效应量均小于0.1，表明它们不构成高转型脱碳水平的必要条件，可进行组态分析。
表3 必要条件分析（NCA）结果

Tab. 3 Necessary condition analysis results

条件变量 方法 精确度/% 上限区域 范围 效应量（d） P值
绿色技术创新
 上限回归分析 90.4 0.122 0.970 0.026 0.000
上限包络分析 100.0 0.057 0.970 0.058 0.000
数字技术创新
 上限回归分析 88.6 0.154 0.970 0.059 0.000
上限包络分析 100.0 0.058 0.970 0.060 0.000
能源效率
 上限回归分析 99.1 0.008 0.990 0.008 0.647
上限包络分析 100.0 0.011 0.990 0.011 0.558
产业结构升级
 上限回归分析 92.1 0.042 1.000 0.042 0.160
上限包络分析 100.0 0.019 1.000 0.019 0.172
环境规制
 上限回归分析 93.9 0.055 1.000 0.055 0.057
上限包络分析 100.0 0.040 1.000 0.040 0.013
公众环境关注
 上限回归分析 95.6 0.052 0.990 0.052 0.049
上限包络分析 100.0 0.027 0.990 0.027 0.027

注：条件变量采用校准后的数值；当0≤d<0.1时表示低水平，0.1≤d<0.3时表示中水平，0.3≤d<0.5时表示中高水平，d≥0.5时表示高水平；P值为NCA分析中置换检验（重复抽样次数=10000）。

2.2.2 组态分析

采用fsQCA 4.0软件对影响资源型城市转型脱碳水平的条件变量进行组态分析。设置频数为1，原始一致性为0.8，PRI（Proportional reduction in inconsistency）一致性为0.7。通过将软件输出的简单解与中间解的关系进行嵌套对比，共得到4个能产生资源型城市高转型脱碳水平的组态结果（表4）。每个组态结果单个解和总体解的一致性均大于0.75，符合组态分析标准[35]。其中组态1与组态2的核心条件包括技术与环境变量，命名为“技术-环境”协同驱动型；组态3的核心条件包括技术与组织变量，命名为“技术-组织”协同驱动型；组态4的核心条件包括技术、组织及环境变量，命名为“技术-组织-环境”联合驱动型。绿色技术创新均存在于4个组态结果中，表明其在转型脱碳进程中至关重要，是驱动低碳可持续发展的核心动力，也是破解高碳资源依赖和应对环境压力的关键策略。
表4 实现高转型脱碳水平的组态路径

Tab. 4 Grouping pathways to achieve high transformation decarbonization levels

条件组态 高转型脱碳水平的解
组态1 组态2 组态3 组态4
绿色技术创新 $\bullet$ $\bullet$ $\bullet$ $\bullet$
数字技术创新 $\bullet$ $\bullet$ $\bullet$
能源效率 $\bullet$ $\otimes$ $\bigotimes$
产业结构升级 $\bullet$ $\cdot$
环境规制 $\bullet$ $\bigotimes$ $\bullet$
公众环境关注 $\bullet$ $\bullet$
原始覆盖度 0.634 0.411 0.232 0.224
唯一覆盖度 0.178 0.010 0.020 0.007
一致性 0.842 0.876 0.868 0.918
总体覆盖度 0.677
总体一致性 0.829

注：$\bullet$表示核心条件存在；$\cdot$表示边缘条件存在；$\bigotimes$表示核心条件缺失；$\otimes$表示边缘条件缺失；空白表示条件可存在也可不存在。下同。

“技术-环境”协同驱动型。组态1中，绿色技术创新、数字技术创新、公众环境关注3个核心条件显著提升了转型脱碳水平。典型案例包括徐州、洛阳、济宁、唐山、淄博等40个资源型城市，主要分布在中国的华北、东北、华中等地区，呈现地域集群特征，尤其在煤炭资源丰富的地区集中度较高。组态2中，绿色技术创新、数字技术创新、能源效率、环境规制4个核心条件紧密关联，共同推动转型脱碳进程。这一路径特别适用于能源消耗大、前期环境污染严重的城市，如东营、宿迁、南阳、包头等18个城市。相比组态1，能源效率的提升是这些城市转型脱碳的关键；同时环境规制力度更强，政府通过严格环保政策和标准引导企业加强环保投入，推动产业绿色化、低碳化发展。
“技术-组织”协同驱动型。组态3中，绿色技术创新、数字技术创新、产业结构升级作为核心条件存在。典型案例有吉林、张家口、大同、宿州等11个资源型城市，这些城市除了注重通过技术创新促进转型脱碳，在产业结构升级过程中相比其他城市也更具优势。通过大力发展新兴产业，逐渐形成绿色低碳的产业结构，产业结构升级显著驱动转型脱碳。
“技术-组织-环境”联合驱动型。组态4中绿色技术创新、环境规制、公众环境关注为核心存在条件，产业结构升级为边缘存在条件，典型案例有运城、晋中、长治、焦作等8个资源型城市。绿色技术创新为城市提供了减排和提高能效的解决方案，是转型的核心技术支撑；环境规制确保技术创新的有效实施。公众环境关注反映了社会对环保的期待，为政府和企业提供了转型的外在动力和压力。产业结构升级则在此基础上实现了从传统高碳产业向绿色低碳产业的转变，是转型脱碳的最终体现。
借鉴相关研究[34]，对前文组态结果进行稳健性检验。将原始一致性阈值调高至0.85，组态解与原解完全一致。用75%、50%、25%的分位数替代原校准锚点重新校准，案例阈值为1，原始性阈值为0.8，PRI一致性阈值为0.7，组态结果与原结果基本一致，组态类别未变，且解的覆盖度和一致性变化很小。因此，说明本文组态分析结果稳健。

2.2.3 异质性分析

为进一步考察不同类型城市提升转型脱碳水平的路径差异，本文分别以4种类型的资源型城市转型脱碳水平为结果变量，设置案例频数为1，原始一致性为0.8，PRI一致性为0.7，进行组态分析（表5）。对比发现：
表5 转型脱碳实现路径的异质性分析

Tab. 5 Heterogeneity analysis of transformation decarbonization realization pathways

条件组态 成长型
组态1		 成熟型 衰退型
组态3		 再生型
组态2a 组态2b 组态2c 组态4a 组态4b
绿色技术创新 $\bigotimes$ $\bullet$ $\cdot$ $\bullet$ $\cdot$ $\cdot$ $\bullet$
数字技术创新 $\bullet$ $\bullet$ $\bullet$ $\cdot$ $\cdot$ $\bullet$ $\cdot$
能源效率 $\bullet$ $\bullet$ $\bigotimes$ $\cdot$
产业结构升级 $\otimes$ $\bullet$ $\bullet$ $\otimes$ $\otimes$
环境规制 $\bigotimes$ $\bullet$ $\otimes$ $\bullet$ $\cdot$
公众环境关注 $\bullet$ $\bullet$ $\bullet$ $\bigotimes$ $\bullet$ $\cdot$ $\bullet$
原始覆盖度 0.309 0.516 0.328 0.235 0.376 0.749 0.430
唯一覆盖度 0.309 0.236 0.028 0.047 0.376 0.351 0.032
一致性 0.888 0.864 0.914 0.926 0.835 0.927 0.965
总体覆盖度 0.309 0.618 0.376 0.781
总体一致性 0.888 0.880 0.835 0.930
成长型城市实现转型脱碳路径主要有1种，为“技术-环境”协同驱动型，依赖数字技术创新、能源效率提升和公众环境关注等条件协同驱动，典型案例是南充。
成熟型城市有3种路径。“技术-环境”协同驱动型：典型案例有济宁、赣州等15个资源型城市，通过较强的技术创新能力提高能源效率，提升转型脱碳水平；“技术-环境-组织”联合驱动型：典型案例有运城和赣州，除技术创新和公众环境关注外，还受到产业结构升级和环境规制的显著影响；“技术-组织”协同驱动型：典型案例有吉林和池州，虽在能源效率、公众环境关注和环境规制方面存在不足，但绿色技术创新和产业结构升级发挥了核心作用。整体来看，这3种路径中绿色技术创新和数字技术创新均存在，说明成熟型城市需借助绿色技术和数字技术改善产业结构、提高能源效率，促进转型脱碳。
衰退型城市主要有1种路径，为“技术-环境”协同驱动型，典型案例有焦作和濮阳。由于衰退型城市长期依赖传统资源开采加工，技术创新能力较弱，缺乏内在转型动力，因此环境规制和公众环境关注成为关键驱动因素。
再生型城市有1种路径，为“技术-环境”协同驱动型。数字技术创新对唐山、徐州、宿迁、洛阳等9个资源型城市转型脱碳产生显著影响；绿色技术创新与公众环境关注有效提升了淄博、马鞍山的转型脱碳水平。

3 讨论

转型与脱碳作为同一系统的2个方面，相互影响、协同促进。已有文献对二者概念、关系、实现路径及中国资源型城市转型脱碳做了初步探讨，但仍存在研究视角不系统、缺乏定量评价、尚未探讨异质性路径等不足。本文创新之处在于统筹考虑转型与脱碳，纳入同一框架构建评价指标体系，从全局视角分析资源型城市转型脱碳的差异来源、时空演进特征，理解其动态性与复杂性；并深入探究转型脱碳的关键影响因素和差异化路径选择，为资源型城市高质量发展和中国实现“双碳”目标提供经验与启示。
通过时空演进分析发现，区域内差异是导致转型脱碳水平总体差异变大的主要原因，与徐维祥等[17]对转型绩效的研究结论相符。转型脱碳水平不同等级区域的变化呈现出“由分散向集聚”的演变趋势，这一现象深受绿色技术推动，验证了徐英启等[21]的研究结论。空间马尔科夫链分析表明转型脱碳具有显著的空间溢出效应，与夏文浩等[36]的研究结论相同。从路径选择看，由于资源型城市在自然资源、产业结构、低碳技术以及历史发展等方面的差异，其转型脱碳表现存在显著的先后顺序和差异化路径。这就提示我们，在寻求普遍适用的转型路径时，必须充分考虑城市异质性，并探索能够包容多种因素配置和策略组合的实现机制。
尽管本研究在揭示资源型城市转型脱碳时空演进和路径选择上取得了一定的进展，但仍存在不足，如缺乏对转型脱碳路径的动态模拟预测，未能全面揭示不同类型城市在不同政策情境下的表现。未来研究可引入动态模拟模型，以完善转型脱碳的理论框架。

4 结论与启示

4.1 结论

（1）2006—2021年中国资源型城市转型脱碳水平呈上升趋势，由以滞后区为核心的集中连片分布向跨越区和先行区为核心的组团式分布演变。转型脱碳的泰尔指数整体呈上升趋势，总体差异持续增大，区域内差异是导致总体差异变大的主要原因，成熟型城市是导致总体差异的最主要来源。
（2）转型脱碳水平类型的转移具有稳定性，呈现“路径依赖”和“俱乐部收敛”特征，向上转移的过程中存在“马太效应”，空间邻域显著影响状态转移。
（3）高转型脱碳水平是技术、组织、环境多因素协同作用的结果。共有3种路径：“技术-环境”协同驱动型、“技术-组织”协同驱动型和“技术-组织-环境”联合驱动型，绿色技术创新均在其中发挥关键作用。成长型城市依赖数字技术与环境关注；成熟型城市通过技术创新、产业升级和环境因素等联合驱动；衰退型城市受环境因素影响大；再生型城市受技术创新与环境因素协同驱动。

4.2 启示

（1）因地制宜分层分类施策。滞后区城市应加强绿色基础设施建设和环境规制，引导低碳技术应用；起步区城市需加大绿色技术研发与产业化支持，推动环保技术落地；跨越区城市应聚焦产业结构升级，强化高耗能行业低碳化改造；先行区城市应鼓励绿色技术前沿探索，支持数字技术与绿色金融，扩大绿色技术推广与示范效应。（2）搭建区域协作平台，推动技术、产业和环保政策联动发展。可成立跨区域转型脱碳协作网络，实现技术转移与共享，鼓励产业链上下游协同发展，优化资源共享与物流，降低碳排放。加强跨区域环保督查，明确碳排放责任划分，避免“底线竞争”，实现绿色发展良性互动。（3）不同类型城市实施差异化路径推进转型脱碳。成长型城市应推动数字技术与环境治理融合，支持绿色技术企业；成熟型城市应通过产业结构优化、技术升级与环境协同实现转型，引导传统行业向低碳转型；衰退型城市应强化环境规制，推动企业绿色转型与环保技术改造；再生型城市需加大绿色技术研发与低碳产业发展。总结推广成功经验，建立“知识共享平台”，形成案例库供其他城市参考。

参考文献

原文顺序 | 文献年度倒序 | 文中引用次数倒序
[1]
Geels F, Schot J. The dynamics of transitions: A socio-technical perspective[M]. New York: Routledge. 2010: 11-01.

[2]
Loorbach D, Rotmans J. The practice of transition management: Examples and lessons from four distinct cases[J]. Futures, 2010, 42(3): 237-246.

DOI

[3]
Zhang H J, Zhao X L, Zhang R D. Synergistic development of heating system decarbonization transition and large-scale renewable energy penetration: A case study of Beijing[J]. Energy Conversion and Management, 2022, 269: 116142, doi: 10.1016/j.enconman.2022.116142.

[4]
Suomalainen K, Wen L, Sheng M Y S, et al. Climate change impact on the cost of decarbonisation in a hydro-based power system[J]. Energy, 2022, 246: 123369, doi: 10.1016/j.energy.2022.123369.

[5]
Nilsson L J, Bauer F, Ahman M, et al. An industrial policy framework for transforming energy and emissions intensive industries towards zero emissions[J]. Climate Policy, 2021, 21(8): 1053-1065.

DOI

[6]
Du K, Li J L. Towards a green world: How do green technology innovations affect total-factor carbon productivity[J]. Energy Policy, 2019, 131: 240-250.

DOI

[7]
Ausubel J H. Technical progress and climatic change[J]. Energy Policy, 1995, 23(4): 411-416.

DOI

[8]
Bataille C, Waisman H, Colombier M, et al. The need for national deep decarbonization pathways for effective climate policy[J]. Climate Policy, 2016, 16(Suppl. 1): 1-20.

DOI

[9]
Holmes K J, Zeitler E, Kerxhalli-kleinfeld M, et al. Scaling deep decarbonization technologies[J]. Earth’s Future, 2021, 9(11): e2021EF002399, doi: 10.1029/2021EF002399.

[10]
吴茜, 陈强强. 甘肃省行业碳排放影响因素及脱钩努力研究[J]. 干旱区地理, 2023, 46(2): 274-283.

DOI

[Wu Xi, Chen Qiangqiang. Influencing factors and decoupling efforts of industry-related carbon emissions in Gansu Province[J]. Arid Land Geography, 2023, 46(2): 274-283.]

DOI

[11]
Burandt T, Xiong B, Löffler K, et al. Decarbonizing China’s energy system: Modeling the transformation of the electricity, transportation, heat, and industrial sectors[J]. Applied Energy, 2019, 255: 113820, doi: 10.1016/j.apenergy.2019.113820.

[12]
黄鲁成, 郭鑫, 苗红, 等. 面向碳中和的脱碳成本控制: 优化创新与政策[J]. 科学学研究, 2022, 40(12): 2187-2193.

[Huang Lucheng, Guo Xin, Miao Hong, et al. Decarbonization cost control for carbon neutrality: Optimizing technological innovation and policies[J]. Studies in Science of Science, 2022, 40(12): 2187-2193.]

[13]
魏一鸣, 韩融, 余碧莹, 等. 全球能源系统转型趋势与低碳转型路径——来自于IPCC第六次评估报告的证据[J]. 北京理工大学学报(社会科学版), 2022, 24(4): 163-188.

[Wei Yiming, Han Rong, Yu Biying, et al. Global energy systems transition trend and low-carbon transformation pathways: Evidences from the IPCC AR6[J]. Journal of Beijing Institute of Technology (Social Sciences Edition), 2022, 24(4): 163-188.]

[14]
江深哲, 杜浩锋, 徐铭梽. “双碳”目标下能源与产业双重结构转型[J]. 数量经济技术经济研究, 2024, 41(2): 109-130.

[Jiang Shenzhe, Du Haofeng, Xu Mingzhi. Dual transition of energy and industrial structure under the carbon peaking and neutrality goals[J]. Journal of Quantitative & Technological Economics, 2024, 41(2): 109-130.]

[15]
薛飞, 周民良, 刘家旗. 产业转型升级能否降低碳排放?——来自国家产业转型升级示范区的证据[J]. 产业经济研究, 2023(2): 1-13.

[Xue Fei, Zhou Minliang, Liu Jiaqi. Can industrial transformation and upgrading reduce carbon emissions? Evidence from national industrial transformation and upgrading demonstration zones[J]. Industrial Economics Research, 2023(2): 1-13.]

[16]
Kirchner M, Schmidt J, Wehrle S. Exploiting synergy of carbon pricing and other policy instruments for deep decarbonization[J]. Joule, 2019, 3(4): 891-893.

DOI

[17]
徐维祥, 郑金辉, 周建平, 等. 资源型城市转型绩效特征及其碳减排效应[J]. 自然资源学报, 2023, 38(1): 39-57.

DOI

[Xu Weixiang, Zheng Jinhui, Zhou Jianping, et al. Transformation performance characteristics of resource-based cities and their carbon emission reduction effects[J]. Journal of Natural Resources, 2023, 38(1): 39-57.]

DOI

[18]
张文忠, 余建辉. 中国资源型城市转型发展的政策演变与效果分析[J]. 自然资源学报, 2023, 38(1): 22-38.

DOI

[Zhang Wenzhong, Yu Jianhui. Policy evolution and transformation effect analysis of sustainable development of resource-based cities in China[J]. Journal of Natural Resources, 2023, 38(1): 22-38.]

DOI

[19]
刘小玲, 唐卓伟, 孙晓华, 等. 要素错配:解开资源型城市转型困境之谜[J]. 中国人口·资源与环境, 2022, 32(10): 88-102.

[Liu Xiaoling, Tang Zhuowei, Sun Xiaohua, et al. Factors mismatch: Solving the mystery of transformation dilemma faced by resource-based cities[J]. China Population, Resources and Environment, 2022, 32(10): 88-102.]

[20]
席振鑫, 马丽, 金凤君, 等. 黄河流域典型资源型城市工业转型的时空特征、类型与路径[J]. 资源科学, 2023, 45(10): 1977-1991.

DOI

[Xi Zhenxin, Ma Li, Jin Fengjun, et al. Spatiotemporal characteristics, types, and paths of industrial transformation in typical resource-based cities in the Yellow River Basin[J]. Resources Science, 2023, 45(10): 1977-1991.]

DOI

[21]
徐英启, 程钰, 王晶晶. 中国资源型城市碳排放效率时空演变与绿色技术创新影响[J]. 地理研究, 2023, 42(3): 878-894.

DOI

[Xu Yingqi, Cheng Yu, Wang Jingjing. The impact of green technological innovation on the spatiotemporal evolution of carbon emission efficiency of resource-based cities in China[J]. Geographical Research, 2023, 42(3): 878-894.]

[22]
穆佳音, 王金满, 刘彪, 等. 资源型城市碳排放演变及影响因素研究进展[J]. 煤炭学报, 2024, 49(增刊2): 1130-1142.

[Mu Jiayin, Wang Jinman, Liu Biao, et al. Research progress on the evolution and influencing factors of carbon emissions in resource-based cities[J]. Journal of China Coal Society, 2024, 49(Suppl. 2): 1130-1142.]

[23]
刘晓燕, 孙慧. 资源型产业碳排放驱动因素演化与低碳发展路径选择[J]. 统计与决策, 2019, 35(2): 53-57.

[Liu Xiaoyan, Sun Hui. Evolution of carbon emission driving factors of resource-based industries and selection of low-carbon development paths[J]. Statistics & Decision, 2019, 35(2): 53-57.]

[24]
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.

[Zhang Xiliang, Huang Xiaodan, Zhang Da, et al. Research on the pathway and policies for China’s energy and economy transformation toward carbon neutrality[J]. Journal of Management World, 2022, 38(1): 35-66.]

[25]
方文君, 邓峰, 张战仁, 等. 环境目标约束对能源结构低碳转型的影响[J]. 中国人口·资源与环境, 2024, 34(1): 84-96.

[Fang Wenjun, Dengfeng, Zhang Zhanren, et al. Impact of environmental target constraints on the low-carbon transformation of China’s energy structure[J]. China Population, Resources and Environment, 2024, 34(1): 84-96.]

[26]
高瑜, 李响, 李俊青. 金融科技与技术创新路径——基于绿色转型的视角[J]. 中国工业经济, 2024(2): 80-98.

[Gao Yu, Li Xiang, Li Junqing. Fintech and the path of technological innovation: From the perspective of green transformation[J]. China Industrial Economics, 2024(2): 80-98.]

[27]
Ai H S, Tan X Q, Zhou S W, et al. The impact of supportive policy for resource-exhausted cities on carbon emission: Evidence from China[J]. Resources Policy, 2023, 85: 103951, doi: 10.1016/j.resourpol.2023.103951.

[28]
史丹, 李少林. 排污权交易制度与能源利用效率——对地级及以上城市的测度与实证[J]. 中国工业经济, 2020(9): 5-23.

[Shi Dan, Li Shaolin. Emissions trading system and energy use efficiency: Measurements and empirical evidence for cities at and above the prefecture level[J]. China Industrial Economics, 2020(9): 5-23.]

[29]
干春晖, 郑若谷, 余典范. 中国产业结构变迁对经济增长和波动的影响[J]. 经济研究, 2011, 46(5): 4-16, 31.

[Gan Chunhui, Zheng Ruogu, Yu Dianfan. An empirical study on the effects of industrial structure on economic growth and fluctuations in China[J]. Economic Research Journal, 2011, 46(5): 4-16, 31.]

[30]
丛建辉, 刘学敏, 赵雪如. 城市碳排放核算的边界界定及其测度方法[J]. 中国人口·资源与环境, 2014, 24(4): 19-26.

[Cong Jianhui, Liu Xuemin, Zhao Xueru. Demarcation problems and the corresponding measurement methods of the urban carbon accounting[J]. China Population, Resources and Environment, 2014, 24(4): 19-26.]

[31]
Liu X L, Vu D, Perera S C, et al. Nexus between water-energy-carbon footprint network: Multiregional input-output and coupling coordination degree analysis[J]. Journal of Cleaner Production, 2023, 430: 139639, doi: 10.1016/j.jclepro.2023.139639.

[32]
周小亮, 吴武林. 中国包容性绿色增长的测度及分析[J]. 数量经济技术经济研究, 2018, 35(8): 3-20.

[Zhou Xiaoliang, Wu Wulin. The measurement and analysis of the inclusive green growth in China[J]. Journal of Quantitative & Technological Economics, 2018, 35(8): 3-20.]

[33]
Bryan J D, Zuva T. A review on TAM and TOE framework progression and how these models integrate[J]. Advances in Science, Technology and Engineering Systems Journal, 2021, 6(3): 137-145.

[34]
杜运周, 刘秋辰, 陈凯薇, 等. 营商环境生态、全要素生产率与城市高质量发展的多元模式——基于复杂系统观的组态分析[J]. 管理世界, 2022, 38(9): 127-145.

[Du Yunzhou, Liu Qiuchen, Chen Kaiwei, et al. Ecosystem of doing business, total factor productivity and multiple patterns of high-quality development of Chinese cities: A configuration analysis based on complex systems view[J]. Journal of Management World, 2022, 38(9): 127-145.]

[35]
陶克涛, 张术丹, 赵云辉. 什么决定了政府公共卫生治理绩效?——基于QCA方法的联动效应研究[J]. 管理世界, 2021, 37(5): 128-138, 156, 10.

[Tao Ketao, Zhang Shudan, Zhao Yunhui. What does determine performance of government public health governance? A study on co-movement effect based on QCA[J]. Journal of Management World, 2021, 37(5): 128-138, 156, 10.]

[36]
夏文浩, 霍瑜, 逯渊, 等. 新疆农业碳排放的时空差异与空间溢出效应分析[J]. 干旱区地理, 2024, 47(6): 1084-1096.

DOI

[Xia Wenhao, Huo Yu, Lu Yuan, et al. Spatialtemporal differences and spatial spillover effects of agricultural carbon emissions in Xinjiang[J]. Arid Land Geography, 2024, 47(6): 1084-1096.]

DOI

Options
文章导航

/

〈 〉