揭示多尺度创新网络对城市碳排放强度的影响：来自中国城市的证据

《Sustainable Cities and Society》：Revealing the Impact of Multi-scale Innovation Networks on Urban Carbon Emission Intensity: Evidence from Chinese Cities

城市多尺度创新网络对碳减排的影响研究：基于机器学习与因果推断方法，揭示国家层创新连接通过绿色创新产出与企业活力机制显著降低284个城市碳强度，验证跨行政边界知识扩散对经济高质量发展的促进作用。

　　

王启轩|李浩然|苏航英|杨陆桥|刁米

同济大学建筑与城市规划学院，中国上海市杨浦区四平路1239号，200092

摘要

理解城市间创新网络如何促进低碳城市发展对于有效的气候政策设计至关重要。本研究考察了2008年至2022年间，国家级、省级和地方级的多尺度创新网络（MSIN）对中国284个城市碳排放强度（UCEI）的影响。通过结合LightGBM–SHAP解释方法和双重机器学习（DML），本研究提供了解释性和因果性的见解。LightGBM–SHAP分析表明，在考虑了自然环境、社会经济和政策相关变量后，MSIN总体上解释了UCEI模型变化的10.75%，其中与顶级城市的创新联系在国家层面上成为最具影响力的因素，并且表现出边际效应递减的趋势。异质性分析进一步表明，与同类城市相比，MSIN在都市集群城市、经济发达城市和非资源型城市中发挥着更重要的作用。DML模型评估了所有网络层级的城市间创新联系对UCEI的因果效应。研究结果揭示了MSIN显著的减排效果，其中国家级联系的减排效果最为显著。具体而言，国家级联系增加10%预计每增加10,000元人民币实际GDP，UCEI将减少约2.2公斤二氧化碳，这突显了其对低碳城市转型的重大贡献。机制分析进一步确定了两个重要的中介渠道：绿色创新产出的增强和企业创新活力的提升，通过这些渠道，国家级和省级的创新联系降低了UCEI。本研究通过将基于机器学习的因果推断与多尺度空间网络框架相结合，强调了加强国家级顶级创新联系的重要性，并提出了差异化、以网络为导向的政策策略，以支持城市脱碳和绿色发展。

引言

应对与气候变化相关的日益严峻的挑战已成为全球性的优先事项，特别是通过实现《巴黎协定》中规定的温度控制目标（IPCC，2018）。在此背景下，中国承诺在2030年前达到碳排放峰值，并在2060年前实现碳中和，标志着向绿色和低碳发展的历史性转变（刘等人，2022；唐等人，2022）。由于城市集中了中国大部分的人口、经济活动和能源使用，它们在推动脱碳方面发挥着关键作用（Luqman等人，2023；朱与魏，2024）。城市碳排放强度（UCEI），以单位实际GDP的二氧化碳排放量衡量，已成为城市碳效率的关键指标。与总碳排放量相比，它提供了一个更标准化的衡量方法，适用于不同经济规模和结构的城市，并更有效地反映了城市发展与碳排放之间的脱钩程度（乔等人，2024）。理解其时空动态及其决定因素对于制定与城市绿色转型和全球气候治理相一致的城市级气候策略至关重要。

越来越多的文献从多个角度研究了UCEI的决定因素，大多数研究集中在城市的内部属性上，包括城市化水平、产业结构、能源效率和环境法规（韩等人，2019；王等人，2016；徐等人，2017）。虽然这些因素仍然很重要，但中国城市向高质量发展转型不仅需要升级产业结构和提高单个城市的生产效率，还需要促进创新驱动的经济，特别是通过城市间的合作和优化区域间的创新资源分配。这种城市间的创新合作可以通过传播知识、促进绿色转型和改善行政边界之间的协调来显著影响城市碳排放（李S等人，2025）。因此，超越地方层面的驱动因素，考虑外部城市间联系在塑造碳排放中的作用变得越来越重要（陈等人，2019；洪等人，2022；李X等人，2025）。然而，这种城市间创新网络视角在实证研究中的关注度仍然有限。

创新被广泛认为是绿色发展的关键推动因素，大量实证证据表明其对能源效率、清洁技术采用和碳排放减少的积极影响（卢等人，2025；乔等人，2025）。尽管创新活动通常集中在经济和技术先进的城市，但其影响通过绿色知识、资本和技术的流动超越了地方边界（Losacker，2022；曾等人，2022），可能影响到周边城市、省级地区甚至国家级成果。尽管如此，很少有系统地研究城市间创新网络的环境外部性。此外，创新网络作为开放的多尺度系统运作，但多尺度创新网络（MSIN）对UCEI减少的贡献程度仍很大程度上未被探索。特别是，它们在不同空间尺度和城市类型中的差异性影响值得进一步研究。

为了解决上述研究空白，本研究调查了MSIN如何影响中国的UCEI。以284个县级城市为研究单元，我们进行了全面的实证分析，以考察不同空间模式下的创新网络对UCEI的因果效应和可能的中介机制。本研究将创新网络概念化为结构化的、跨尺度的互动系统，并利用可解释的机器学习方法分析了它们对UCEI的非线性、异质性和中介效应。本文对文献做出了三项关键贡献：（1）它将多尺度网络视角引入碳排放强度的研究，强调了不同空间尺度上创新网络结构连通性的作用，这是现有碳缓解研究中很大程度上被忽视的领域。（2）它应用了一种新的可解释机器学习和因果推断方法组合，以识别创新网络的复杂和非线性减排效应，以及它们在不同城市环境中的差异化影响，从而提高了评估创新网络-环境效应关联的实证严谨性。（3）它阐明了创新网络推动低碳发展的关键机制，特别是通过增强企业创新活力和绿色创新产出，为寻求绿色发展轨迹的城市政策制定者提供了可行的见解。总体而言，这些贡献推进了区域创新系统如何促进可持续转型的理论理解，并为中国和其他新兴经济体提供了更有效的、以网络为导向的环境和创新策略。

本文的其余部分组织如下。第2节回顾了相关文献并提出了研究假设。第3节介绍了方法论和数据，包括研究背景、变量构建和模型规范。第4节探讨了MSIN和UCEI的时空模式，并展示了实证分析，包括可解释的机器学习、异质性测试、双重机器学习（DML）和中介分析。第5节总结了本文并讨论了政策含义。

部分摘录

碳排放强度及其决定因素

城市是碳排放的主要贡献者，占全球能源相关二氧化碳排放量的70%以上（Luqman等人，2023）。这种集中度反映了它们高水平的人口、经济活动、基础设施和交通系统。因此，城市不仅是环境压力的主要来源，也是实施碳减排政策和技术的关键场所（陈W等人，2023；程等人，2022；王H等人，2023）。在过去的几十年里，

方法论

本研究调查了2008年至2022年间MSIN对中国284个城市UCEI的影响。数据集包括MSIN指标、社会经济属性、环境因素和关键政策控制变量（用于估计但未单独报告）。我们使用LightGBM（一种先进的梯度提升决策树（GBDT）算法）来揭示MSIN与UCEI之间的非线性关系（图1）。

UCEI的空间模式

图3显示了2008年和2022年中国县级城市的UCEI空间分布。2008年，区域差异明显：东部沿海地区和长江流域内的城市通常表现出较低的UCEI，表明经济产出与二氧化碳排放之间的脱钩程度较高，而资源密集型地区（如山西、宁夏、黑龙江、陕西北部和内蒙古中部）的UCEI显著较高，这是由于

主要结论

本研究通过结合LightGBM-SHAP和DML方法，使用基于专利的指标和2008-2022年间284个县级城市的面板数据，研究了MSIN对UCEI的影响。因此，研究结果主要反映了正式的、以技术为导向的城市间创新网络的脱碳作用，而不仅仅是所有类型的城市创新活动。SHAP分析表明，在考虑了

未引用的参考文献

李等人，2025；李等人，2025；王等人，2023；陈等人，2023

CRediT作者贡献声明

王启轩：撰写 – 审稿与编辑，撰写 – 原始草稿，软件，方法论，形式分析，概念化。李浩然：撰写 – 审稿与编辑，软件。苏航英：方法论，形式分析，概念化。杨陆桥：可视化，方法论。刁米：监督，项目管理，资金获取，概念化。

利益冲突声明

作者声明他们没有已知的竞争性财务利益或个人关系可能影响本文所述的工作。

致谢

本研究得到了国家自然科学基金（42571276）的支持，并得到了CPSF博士后奖学金计划（项目编号GZB20250414）的资助。