李红霞, 郑石明, 邹 克
气候变化和环境恶化是人类面临的两大严峻挑战，如何协同地解决环境与气候问题是一项极其复杂的任务。为应对全球气候变化，1988年，联合国环境规划署(United Nations Environment Programme，UNEP)与世界气象组织(World Meteorological Organization，WMO)联合成立了政府间气候变化专门委员会(Intergovernmental Panel on Climate Change，IPCC)，旨在综合、科学评估人为气候变化带来的风险，潜在的环境、经济影响以及适应对策。IPCC已分别于1990年、1995年、2001年、2007年、2014年和2022年发表了六份评估报告，并推动了1992年《联合国气候变化框架公约》和1997年《京都议定书》的签署。2020年9月，在联合国大会上，中国正式宣布“二氧化碳排放力争于2030年前达到峰值，努力争取2060年前实现碳中和”的目标。气候目标推动二氧化碳排放降低并协同大气污染物减排是我国未来气候与环境治理的必然选择。(1)中国碳中和与清洁空气协同路径年度报告工作组：《中国碳中和与清洁空气协同路径2021》,中国清洁空气政策伙伴关系，北京，中国，2021。以减污降碳协同增效为总抓手，加强温室气体与大气污染物协同控制，对实现中国“双碳”目标、推动高质量发展、建设美丽中国具有重要作用。
目前，大气污染治理与应对气候变化的协同效应已成为环境与气候领域的研究热点。然而，现有研究大多集中于温室气体与大气污染物之间的协同机理，或采用“明确控制措施—计算减排量—模拟污染物浓度”的大气数值模拟思路，评估二者之间的协同效应，采用实证方法检验减污降碳协同效应的研究仍远远不够，难以回答“管控措施下的协同效果实际如何”、“为何产生协同效果差异”等一系列问题。鉴于此，以中国大陆31个省(市、区)为研究对象，基于2019—2020年卫星反演与动态大数据测算的CO2排放量和实时监测的空气质量日度数据，结合社会经济与气象数据，分析评估应急响应的减污降碳协同效应，并从产业、能源、交通运输规模减排三个方面开展内在机制分析，旨在为减污降碳协同增效提供量化依据。
与已有研究相比，可能的贡献之处在于：一是不同于现有以重点行业、政策、技术、措施等方面切入的研究视角，本文在跨学科视域下，从应急管理视角出发实证分析减污降碳协同效应，丰富了减污降碳协同治理理论与工具；
二是基于日度数据开展研究，时间精度及研究时效性均相对较高，可为我国减污降碳协同治理提供及时、有效的参考依据；
三是通过定量分析提出了分地区、分月份、分污染物的减污降碳协同增效路径，针对当前仍缺乏PM2.5和O3有效协同路径这一难题，创新提出针对O3与PM2.5强正相关的特定地区，重点在5～10月期间开展协同控制，对各省市实施切实可行的减污降碳协同措施具有现实启示意义。
长期以来，减污和降碳被视为两个问题，直至21世纪初，将减污和降碳相结合的研究才开始逐渐增多，并于2016年后呈现爆发式增长。目前，国内外减污降碳相关研究主要涵盖协同机理、协同方法学、协同效应评估、协同治理路径规划等多个方面。以下重点从减污降碳协同效应、应急管理与减污降碳两个方面对相关文献展开梳理阐述。
首先，减污降碳协同效应方面，众多学者围绕交通、能源、工业等重点行业，从政策、技术、标准、措施、行动层面，开展温室气体与大气污染物协同效应评估。例如，宏微观政策层面，有学者表明《京都议定书》政策(2)Van Vuuren, D. P., Cofala, J., Eerens, H. E., et al., “Exploring the Ancillary Benefits of the Kyoto Protocol for Air Pollution in Europe”. Energy Policy, Vol.34, 2006, pp.444-460.、大气污染物总量减排政策(3)李丽平、周国梅、季浩宇：《污染减排的协同效应评价研究: 以攀枝花市为例》,《中国人口·资源与环境》2010年第S2期。、清洁空气政策(4)Fang, D., Chen, B., Hubacek, K., et al., “Clean Air for Some: Unintended Spillover Effects of Regional Air Pollution Policies”, Science Advances, Vol.5, 2019, pp.1-10.、交通行业碳税政策(5)Mao, X., Yang, S., Liu, Q., et al., “Achieving CO2 Emission Reduction and the Co-Benefits of Local Air Pollution Abatement in the Transportation Sector of China”, Environmental Science & Policy, Vol.21, 2012, pp.1-13.(6)Leinert, S., Daly, H., Hyde, B., et al., “Co-Benefits? Not Always: Quantifying the Negative Effect of a CO2-Reducing Car Taxation Policy on NOx Emissions”, Energy Policy, Vol.63, 2013, pp.1151-1159.、碳交易政策(7)李治国、王杰、赵园春：《碳排放权交易的协同减排效应：内在机制与中国经验》,《系统工程》2022年第3期。(8)余萍、刘纪显：《碳交易市场规模的绿色和经济增长效应研究》,《中国软科学》2020年第4期。等均可减少CO2排放，并协同减排部分大气污染物。技术层面，有学者评估了水泥窑协同处置污泥及低氮燃烧技术的协同效应。(9)中日污染减排与协同效应研究示范项目联合研究组：《污染减排的协同效应评价》， 北京：中国环境出版社2017年版，第129页。标准层面，庞军等(10)庞军、石媛昌、冯相昭等：《实施低碳水泥标准的影响及协同减排效果分析》,《气候变化研究进展》2013年第4期。采用MAP-CGE模型模拟实施水泥标准的污染物排放影响，发现现有水泥行业每减排1tCO2，可同时带来1.17 kg的SO2和4.44 kg的NOx减排量。措施层面，以单个省或城市为例(11)Dolf, G., Chen, C., “The CO2 Emission Reduction Benefits of Chinese Energy Policies and Environmental Policies: A Case Study for Shanghai, Period 1995-2020”, Ecological Economics, Vol.39, 2001, pp.257-270.(12)Aunan, K., Fang, J., Vennemo, H., et al., “Co-Benefits of Climate Policy—Lessons Learned from a Study in Shanxi, China”, Energy Policy, Vol.32, 2004, pp.567-581.，有研究探讨了淘汰高能耗燃煤机组、清洁能源改造、工业结构调整、能源效率改善、绿色交通、锅炉改造治理等不同措施的减污降碳协同效应。行动方面，有研究分析了污染物总量减排实施方案、《大气污染防治行动计划》等行动方案的减污降碳协同效应。目前，政策与措施层面的协同效应研究成果颇丰，其他层面的协同效应量化研究则相对有限。方法学角度，上述研究大多采用数值模型开展评估，基于经验数据的回顾性实证研究相对较少。
其次，应急管理对减污降碳的影响方面，多项研究表明，突发事件下的应急管理与短期政策显著影响环境质量。(13)王艳芳、张俊：《奥运会对北京空气质量的影响:基于合成控制法的研究》,《中国人口·资源与环境》2014年第S2期。2020年全球新冠疫情爆发后，大量研究从应急管理角度，基于国家、地区或城市，探究疫情防控对减污效应或降碳效应单个方面的影响。例如，减污效应方面，Venter等指出(14)Venter, Z. S., Aunan, K., Chowdhury, S., et al., “COVID-19 Lockdowns Cause Global Air Pollution Declines”, Proceedings of the National Academy of Sciences, Vol.117, 2020, pp.18984-18990.，全球超过27个国家在新冠疫情期间空气污染减少了20%；
多项基于双重差分模型(DID)的中国省级或城市级实证研究表明(15)He, G., Pan, Y., Tanaka, T., “The Short-Term Impacts of COVID-19 Lockdown on Urban Air Pollution in China”, Nature Sustainability, Vol.3, 2020, pp.1005-1011.(16)Silver, B., He, X., Arnold, S. R., et al., “The Impact of COVID-19 Control Measures on Air Quality in China”, Environmental Research Letters, Vol.15, 2020, pp.1-12.，新冠疫情封锁或应急响应措施均可显著降低除O3浓度以外的其他一种或多种常规大气污染物浓度(17)Bao, R., Zhang, A., “Does Lockdown Reduce Air Pollution? Evidence from 44 Cities in Northern China”, Science of the Total Environment, Vol.731, 2020, pp.1-12.。降碳效应方面，众多学者分析了疫情期间由于社会经济活动放缓所引起的CO2减排效应。(18)Sikarwar, V. S., Reichert, A., Jeremias, M., et al., “COVID-19 Pandemic and Global Carbon Dioxide Emissions: A first Assessment”, Science of the Total Environment, Vol.794, 2021, pp.1-7.其中，CarbonBrief于2020年5月19日发布的一份报告指出，4月初全球69个国家的每日CO2排放量同比减少约17%。同时分析减污效应和降碳效应的研究中，Mostafa等(19)Mostafa, M. K., Gamal, G., Wafiq, A., “The Impact of COVID 19 on Air Pollution Levels and Other Environmental Indicators—A Case Study of Egypt”, Journal of Environmental Management, Vol.277, 2021, pp.1-15.以埃及为例，识别了疫情封锁期对埃及空气污染水平及温室气体排放(CO2)的影响，其指出大流行期间，埃及的温室气体排放量至少减少了4%，O3则增加了约2%。Alava等(20)Alava, J. J., Singh, G. G., “Changing Air Pollution and CO2 Emissions During the COVID-19 Pandemic: Lesson Learned and Future Equity Concerns of Post-COVID Recovery”, Environmental Science & Policy, Vol.130, 2022, pp.1-8.指出新冠疫情显著减少了中国、印度和美国等国的空气污染和温室气体排放。Liu等(21)Liu, C., Huang, Z., Huang, J., et al., “Comparison of PM2.5 and CO2 Concentrations in Large Cities of China During the COVID-19 Lockdown”, Advances in Atmospheric Sciences, Vol.39, 2022, pp.861-875.分析了疫情封城措施对特大城市PM2.5浓度与CO2排放的影响，发现2020年春季期间，长三角、珠三角、京津冀三大区域PM2.5浓度下降2.01%～43.30%，CO2较同期下降19.52%。
然而，现有文献仍存在如下不足：(1)现有研究多从政策、技术、行业措施等维度出发探讨了减污降碳“1+1>2”的协同效应，但从应急管理角度，探讨省级或城市级减污降碳协同效应差异的研究仍不多见；
(2)现有研究大多采用数值模型，模拟或预测了不同行业、不同区域的减污降碳协同效应，但由于假设太多，这些定量结果只能作为预测或理论值，目前仍十分缺乏基于经验数据的回顾性实证检验研究，用于支撑减污降碳相关政策制定和综合决策。基于此，本文利用中国大陆31个省(市、区)2019年1月1日至2020年12月31日的CO2排放量及空气质量日度数据，实证分析应急响应的减污降碳协同效应及其异质性，并从工业、能源、交通运输规模减排三个方面展开内在机制分析，进而提出我国减污降碳协同增效路径建议。
1971年，德国物理学家赫尔曼·哈肯提出了协同的概念，并于1976年系统地论述了协同理论，发表了《协同学导论》等著作。该理论认为协同系统是由许多子系统组成的且能以自组织方式形成宏观的空间、时间或功能有序结构的开放系统，环境中的不同系统间存在既相互影响又相互合作的关系，且系统整体效益大于各独立组成部分的效应总和。(22)[联邦德国]H.哈肯著, 杨炳奕译：《协同学：理论与应用》，北京：中国科学技术出版社1990年版，第133、224页。近年来，协同效应、协同控制、协同治理等概念正在越来越多地被应用于环境与气候领域。根据IPCC第五次评估报告，协同效应被界定为“政策或措施的正面附加影响”。协同控制可被理解为同时获得大气污染物和温室气体等方面的减排效益，并使净效益最大化的手段和途径。(23)何峰、刘峥延、邢有凯等：《中国水泥行业节能减排措施的协同控制效应评估研究》,《气候变化研究进展》2021年第4期。协同治理则是“一种试图统筹、优化‘多种污染物的管理’及‘多项评估指标的应用’的体系”(24)Wang, A., Shen, S., Pettit, D.：《空气污染物与气候变化的协同治理：加州经验的启示》,北京，中国，2020。。有学者指出，我国减污降碳已开始从协同控制过渡至协同治理阶段。协同治理理论就是在自然科学的协同学理论和社会科学的治理理论的基础上融合形成的。由于大气污染物与温室气体具有同根同源性，二者均可来自于工业生产活动、化石能源燃烧等，因此采用协同治理的方式统筹解决气候变化与大气污染问题具有天然优势。
Grossman和Krueger(1995)(25)Grossman, G. M., Krueger, A. B., “Economic Growth and the Environment”, The Quarterly Journal of Economics, Vol.110, 1995, pp.353-377.在研究经济增长与环境质量之间的关系时，提出了著名的环境库兹涅茨理论(EKC)，并指出社会经济发展对环境质量的影响可分解为三大因素：规模效应、结构效应和技术效应。其中规模效应是指社会经济发展带来更大的经济活动与资源使用规模，从而产生更大的污染物排放量，进而对环境产生负面影响。结构效应是指由第一产业(农业)向第二产业(工业)转变，并进一步向第三产业(服务业)转变时，受资源和能源依赖程度变化的影响，环境质量先下降再上升的过程。技术效应则指技术进步通过生产效率提升或刺激经济发展，对环境质量产生的直接或间接效应。2020年1月底，为应对新冠疫情，全国各个省份相继进入一级响应状态，相应防控措施包括：强制隔离控制传染源、封闭城市通道、加强交通管控、关闭娱乐公共场所等，对社会经济发展产生了极大的影响。相比于技术效应与结构效应，规模效应在疫情初期的环境质量改善中起着主导作用。
一般来说，应急响应对能源消耗、工业生产、交通运输规模等方面的影响程度与应急响应等级有关。根据《国家突发公共卫生事件应急预案》规定，一级响应由国务院组织实施，各省级人民政府在国务院统一领导和指挥下组织协调省内应急处置工作；
二级、三级、四级响应则分别由省级、市级、县级人民政府领导和指挥本行政区域内的应急处置工作。应急响应级别下调，表明疫情的范围、性质和危害程度有所降低。因此，整体而言，随着应急响应等级的下降，社会经济发展所受到的负面冲击相对更小，所产生的规模减排效应相对更低，进而大气污染物或温室气体的减排幅度趋向收窄甚至反弹。然而，不同于直接的污染物排放量，大气污染物浓度的变化还会受其物理化学生成机理、气象条件等因素影响。换言之，即便存在规模减排效应，应急响应总体改善环境质量，但仍有可能出现部分大气污染物(如O3)浓度不降反升的情形，这意味着CO2与不同污染物之间的协同控制较为复杂。以下，结合自然科学中大气污染物的物理化学特性及其生成机理，重点梳理并阐述应急响应对CO2与PM2.5、CO2与O3协同效应的影响机理(见图1)。
图1 应急响应对减污降碳的影响机理
CO2与PM2.5的同根同源性已基本成为学术界共识，这为二者的协同控制提供了理论基础。已有大量研究表明，CO2减排的同时可带来颗粒物排放量的协同下降。然而，与PM2.5排放量有所不同，PM2.5浓度会受到人为活动与气象条件的双重影响。这使得人为活动减少对PM2.5带来的积极影响可能会被不利气象导致的负面影响部分或完全抵消。对于CO2排放量与PM2.5浓度之间的协同，当“人努力”、“天帮忙”同时存在时，容易产生高水平的CO2与PM2.5协同下降效应；
当仅存在“人努力”或“天帮忙”二者之一时，由于部分积极作用被抵消，CO2与PM2.5的协同下降效应会有所减少；
当“人努力”或“天帮忙”均不存在时，CO2排放量与PM2.5浓度将趋向于同步上升。应急响应对CO2、PM2.5的影响路径可被分别描述为“应急响应—人为活动减少—规模效应导致CO2排放量减少”、“应急响应—人为活动减少—规模效应导致PM2.5排放量下降—气象影响下PM2.5浓度持平/上升/下降”。由于不同地区疫情应急响应等级、气象条件存在差异，因此各地区CO2和PM2.5协同效应会有所不同。但总体而言，在气象条件不变的前提下，疫情应急响应趋向于正向影响CO2和PM2.5协同减排效应(即二者协同下降)，且较二级、三级及以下应急响应状态相比，一级响应的正向影响显然更大。
对于CO2与O3，二者的协同机理更为复杂。O3作为一种二次污染物，与PM2.5具有共同的关键前体物NOx与VOCs，即与CO2和PM2.5具有部分同源性，具备协同控制的基本条件。然而，除了污染排放源、气象因素之外，O3的生成还对NOx和VOCs的比例敏感，当二者比例不协调时可能会导致O3浓度升高。(26)张涵、姜华、高健等：《PM2.5与臭氧污染形成机制及协同防控思路》，《环境科学研究》2022年第3期。虽然O3与CO2或PM2.5的协同机理仍不明晰，但以下尝试以PM2.5与O3之间的相关性为突破口，识别应急响应对CO2与O3协同效应的影响机理。有研究发现，PM2.5浓度越高时，通过颗粒物的消光效应及光吸收效应抑制O3生成，可使得PM2.5与O3之间的相关性趋向于负值；
但南方地区高温、强光的条件同时有利于O3和二次颗粒物的快速形成，使得大气中O3和PM2.5复合生成叠加，同时O3氧化进一步促进颗粒物的转化，使得PM2.5与O3之间的相关性可由负向正发生改变；
当PM2.5浓度小于35 μg/m3时，PM2.5与O3浓度变化基本一致(27)Chen, J., Shen, H., Li, T., et al., “Temporal and Spatial Features of the Correlation Between PM2.5 and O3 Concentrations in China”, International Journal of Environmental Research and Public Health, Vol.16, 2019, pp.1-17.。这表明，从中国大范围层面而言，CO2与O3的协同下降潜力可能相对较低，即疫情应急响应对CO2与O3协同减排效应的影响总体不太明显，但在PM2.5与O3正相关的某些特定地区(如PM2.5较低的部分南方地区)，疫情应急响应可能对CO2与O3协同下降产生正向影响。
综上，尽管存在一些倾向性假设，但考虑到自然科学大气污染物理化学过程的复杂性，此处不提出具体研究假设，仅作为一项跨学科的探索性研究，分析疫情应急响应的减污降碳协同效应及其内在机制。
(一)计量模型构建
为考察疫情应急响应的减污降碳协同效应，构建基准模型见式(1)：
Yit=α+β1levelit+β2tempit+β3speedit+β4rainit+β5humiit+β6sunit+β7popuit+β8gdppcit+β9secondit+β10gdpgoalit+εit
(1)
其中，被解释变量Yit为CO2排放量(CO2it)或单项污染物浓度(PM2.5it与O3it)，亦可替换为减污降碳协同效应综合排名(synergy_rankit)等其他替代变量，下标i、t分别表示第i个省份第t个时间段；
解释变量为应急响应等级(levelit)，以虚拟变量的形式分别引入一级响应、二级响应、三级及以下响应3个变量；
控制变量中，包括气温(tempit)、风速(speedit)、降水量(rainit)、相对湿度(humiit)和日照时数(sunit)5项气象指标，以及人口数(popuit)、人均GDP(gdppcit)、第二产业占比(secondit)3个社会经济指标，同时还加入了经济目标(gdpgoalit)变量；
εit为扰动项。
(二)变量设计
本文研究对象为中国大陆31个省(市、区)，研究区间为2019年1月1日至2020年12月31日。考虑到所采用的社会经济活动数据主要为月频数据，因此将CO2排放和空气质量数据均处理为月均值后开展实证分析。被解释变量、解释变量及控制变量说明具体如下：
(1)被解释变量为CO2排放量、PM2.5浓度和O3浓度，同时采用减污降碳协同效应综合排名(synergy_rankit)作为被解释变量的替代变量进行基准回归。其中，减污降碳协同效应综合排名参照《中国城市二氧化碳和大气污染物协同管理评估报告(2020)》中“二氧化碳和空气质量协同管理绩效”的计算方法，以2019年月均值为基准值，通过计算二氧化碳减排率和大气污染物(选取PM2.5和O3为代表)下降率，根据二维四象限分析法进行综合排名衡量获得。以CO2与PM2.5协同为例，说明计算步骤如下：
第一，计算大气污染物PM2.5浓度下降率s1和CO2减排率s2：
s1=-(第n年第j月PM2.5月均浓度-2019年PM2.5月均浓度)/2019年PM2.5月均浓度
s2=-(第n年第j月CO2排放量-2019年CO2月均排放量)/2019年CO2月均排放量
第二，根据s1、s2正负符号归为三类，并从Ⅰ至Ⅲ，按类别初步排序，即第Ⅰ类，s1、s2均为正，即减污效应和降碳效应同时存在，实现了真正的协同；
第Ⅱ类，s1与s2一正一负，即减污效应和降碳效应未能同时实现，仍存在优化空间；
第III类，s1、s2均为负，即存在增污增碳效应，该类情形与预期减污降碳协同方向相反，应当予以限制。
第三，Ⅰ、Ⅱ、Ⅲ类内部按照(s1+s2)数值从大到小排名。为方便统计，本文对综合排名进行逆向排序处理，即综合排名数值越大，表示减污降碳协同效应相对越高。该排名一方面体现了CO2与PM2.5的协同程度，另一方面体现了减污降碳这一最佳协同方向。采用相同方法，将PM2.5替换为O3，可获得以CO2与O3为代表的减污降碳协同效应综合排名。
(2)解释变量为应急响应等级(levelit)。应急响应等级反映疫情防控的严厉程度。设置规则如下：当该省处于一级响应状态并处于疫情防控期时，相应省的levelit=1；
当该省处于二级响应状态并处于疫情防控期时，相应省的levelit=2；
当该省处于三级及以下响应状态并处于疫情防控期时，相应省的levelit=3；
当该省不处于新冠疫情应急响应状态或时间为疫情爆发之前时，相应省的levelit赋值为0。转换为月度面板数据时，当某个省份某个月出现两种响应状态，取该月内天数更多的相应响应状态赋值levelit。采用Stata回归时，以无应急响应作为参照组，利用i.level命令将levelit生成一级响应、二级响应、三级及以下响应3个虚拟变量，分析不同应急响应等级对减污降碳的影响。
(3)控制变量。从以下三个角度对相关影响因素进行控制：一是考虑到大气污染浓度与气象因素密切相关，引入气温、风速、降水量、相对湿度、日照时数五个气象指标；
二是根据IPAT模型相关理论，结合数据可得性，引入总人口数(popuit)、人均GDP(gdppcit)、第二产业占比(secondit)三个经济社会变量；
三是根据Du(2021)等人研究(28)Du, J., Yi, H., “Target-Setting, Political Incentives, and the Tricky Trade-off between Economic Development and Environmental Protection”, Public Administration, 2021, pp.1-19.，考虑到经济目标对环境绩效产生负向影响，引入各省市的经济目标(gdpgoalit)作为控制变量。
(三)数据说明
减污降碳协同效应综合排名的原始数据来源说明如下：①CO2排放数据。2019年1月1日至2020年12月31日CO2排放日度原始数据来源于Cui等研究。(29)Cui, D., Liu, Z., Duan, C., et al., “Daily CO2 Emission for China’s Provinces in 2019 and 2020”, Earth System Science Data Discussions, 2021, pp.1-31.该数据集基于全球实时碳数据库(Carbon Monitor)的每日国家碳排放量，结合省级权重因子等综合测算获得。其中，全球实时碳数据库的每日国家CO2排放数据通过发电量、工业产品产量、交通流量等动态数据测算获得；
②PM2.5与O3日均值原始数据来自中国环境监测总站的全国城市空气质量实时发布平台。通过对空气质量自动监测点数据与省份进行匹配，将1 600余个监测点数据汇总至31个省(市)，得到省级日/月度数据。解释变量应急响应信息通过人民网新闻、各地政府官网等信息整理获得。
控制变量包括气温、风速、降水量、相对湿度、日照时数、总人口数、人均GDP、第二产业占比、经济目标9项指标。其中，前五项气象指标月均值通过日均值数据处理获得，原始数据来源于国家气象科学数据共享服务平台；
总人口数、人均GDP、第二产业占比3项社会经济指标年均值数据来源于《中国统计年鉴》；
经济目标年度数据来源于各省市政府工作报告，通过地方政府网站及相关新闻报道获得。
模型各变量名称及描述性统计见表1。CO2、PM2.5与O3是被解释变量的原始数据，均值±标准差分别为25.87±17.29 mt、34.28±19.39 μg/m3与90.61±30.55 μg/m3。应急响应等级level是解释变量；
temp、speed、rain、humi、sun、popu、gdppc、second、gdpgoal为控制变量，其他变量还包括elec、instru、road和covid四项。
表1 变量描述性统计
为进行基本特征分析，以2019年月均值为对比基数，绘制2019—2020年CO2、PM2.5和O3月均值变化率趋势见图2。根据图2，发现如下规律：①从月变化来看，CO2月均值在每年2月份达到最低，并随后呈现出逐渐上升的趋势，并在12月达到峰值；
PM2.5月均值则在每年1月达到峰值，8月份相对最低，呈现出“U形”变化特征；
O3月均值则与PM2.5相反，在9月达到峰值，呈现出“n形”变化特征。对比可知，CO2排放的月份效应较大程度反映了污染源排放的月变化特征，而PM2.5和O3浓度的月份效应则更大程度反映了不利气象要素对空气质量的差异化影响。鉴于此，初步提出可在每年1～3月重点控制PM2.5浓度，4～10月加强CO2与O3的协同控制，11～12月加强CO2与PM2.5的协同控制。②从年变化来看，2020年1～4月CO2排放月均值较2019年同期有所下降，4月之后较2019年同期有所上升；
2020年全年PM2.5浓度月均值均较2019年同期有所下降；
2020年1～5月O3月均值较2019年同期有所上升，5月之后较2019年同期下降。③结合各省市应急响应情况发现：2020年1月份CO2排放量和PM2.5浓度下降幅度相对较小，可能与疫情的全国性防控开始于2020年1月23日有关；
2月份的CO2排放量和PM2.5浓度下降幅度相对较大，可能与该月份几乎所有省份基本处于一级响应状态，污染物排放量大幅下降有关；
3月份的CO2排放量和PM2.5浓度下降幅度有所收窄，可能与部分省份响应等级下调，且逐步开展复工复产有关；
4月份CO2排放量和PM2.5浓度持平或有所略微上升，可能与疫情基本得到控制、复工复产不断推进、生产生活基本恢复有关；
5月份以后，CO2排放量有所反弹，但PM2.5与O3浓度有所下降，可能与生产活动基本恢复及气象条件有利有关。总体而言，2020年1～4月期间CO2与PM2.5的协同减排较为同步，O3浓度变化则与之明显不同。为给出量化证据，以下进一步实证分析应急响应的减污降碳协同效应。
图2 2019—2020年CO2、PM2.5和O3月均值变化率(以2019年月均值为对比基数)
(一)基准回归结果
应急响应的减污降碳协同效应基准回归结果见表2。由于控制变量均为短面板数据，此处均未控制个体效应。模型(1)～(3)为应急响应对CO2排放量、PM2.5浓度与O3浓度的影响。结果显示：与无应急响应相比，一级响应状态下CO2、PM2.5与O3分别下降3.538 mt(13.88%，p<0.01)、9.222 μg/m3(25.38%，p<0.01)与-4.754 μg/m3(即上升5.15%，p<0.01)；
二级响应状态下CO2、PM2.5与O3分别下降1.152 mt(4.52%，p<0.10)、6.356 μg/m3(17.49%，p<0.01)与-8.171 μg/m3(即上升8.86%，p<0.05)；
三级及以下响应状态下CO2、PM2.5与O3分别下降-1.395 mt(即上升5.47%，p<0.01)、4.495 μg/m3(12.37%，p<0.01)与6.314 μg/m3(6.85%，p<0.01)。这表明除三级及以下响应外，一级、二级响应状态下CO2与PM2.5均处于高协同水平。具体而言，一级、二级响应状态下，由于大部分生产、交通活动大幅减少，CO2排放和PM2.5浓度大幅下降。而在三级至四级响应状态下，随着生产经营活动逐步恢复，CO2排放量有所回弹，PM2.5浓度降幅有所收窄。但不同响应状态下CO2与O3总体处于低协同水平。模型(4)～(5)为应急响应对减污降碳协同效应综合排名的影响。结果显示：仅一级响应显著正向影响CO2与PM2.5协同减排效应综合排名(β=2.939，p<0.05)，二级、三级及以下响应的影响系数不显著(p>0.10)；
一级、二级、三级及以下应急响应对CO2与O3协同减排效应综合排名的影响均不显著(p>0.05)。
从控制变量来看，模型(1)、(2)中popu的系数显著为正，表明人口规模与CO2排放量及PM2.5浓度显著正相关；
模型(2)中gdppc的系数显著为正，表明人均GDP与PM2.5浓度显著正相关；
模型(2)中气温、风速、降水量的系数显著为负，表示气温、风速与降水量与PM2.5浓度显著负相关，这与更高的气温/风速/降水量有利于颗粒物转化、扩散或物理沉降有关；
模型(1)～(3)中经济目标对CO2、PM2.5和O3的影响未通过5%显著性水平，其原因可能在于突发公共卫生事件阻碍了地方经济的正常平稳发展，经济目标发挥的作用受限。总体而言，控制变量符号与预期较为一致。
表2 基准回归结果
为尽量避免前述研究结果的随机性，以下采用三种方式对基准回归结果进行稳健性检验。具体如下：①采用日度数据回归。考虑到各省份能源/经济/交通规模指标为月度数据，故前述基准模型中主要采用了月度数据进行回归，此处将被解释变量和解释变量月度数据同时替换为日度数据，并对回归结果进行比对。②变换估计方式。考虑到模型可能存在遗漏变量导致的内生性问题，故一方面在基准模型的基础上加入个体固定效应，以控制不随时间变化的省份特征，另一方面增加专利申请数量这一控制变量(原始数据来源于国家统计局)，并对回归结果进行比对。③剔除北京、天津、上海、重庆4个直辖市，仅对剩余省份子样本进行基准回归。结果发现，除少数模型中应急响应等级(level)的影响系数显著性略有变化外，上述三种处理方式下的实证结果与表2中基准回归结果基本一致。为节省篇幅，此处未将检验结果一一罗列。
(二)异质性检验
为进一步考察前述结果的区域异质性，以下从四个方面展开：第一，考虑到集中供暖等差异，将全样本划分为南方与北方地区两类进行分组回归；
第二，考虑到各省份交通条件存在差异，其所面临的新冠疫情传播风险有所不同，故区分交通密度进行分组回归；
第三，考虑到各省份疫情严重程度存在差异，其相应采取的防控措施亦不同，故区分疫情严重程度进行分组回归；
第四，结合前述PM2.5与O3物理化学生成机理，考虑到各省份PM2.5与O3之间的相关性可能影响疫情应急响应的减污降碳协同效应，故区分PM2.5与O3的正、负相关程度进行分组回归。四组异质性检验结果具体如下：
1.区分南北地区
区分南、北方地区子样本的分组回归结果见表3。其中，北方地区包括：黑龙江、吉林、辽宁、北京、天津、河北、山西、山东、内蒙古、甘肃、青海、宁夏、新疆、河南共14个省市区，这些地区位于秦岭淮河以北，基本上在冬季进行集中供暖；
南方地区则为剩下省市区(剔除湖北样本)。结果显示：①一级响应状态下，南方地区CO2显著下降4.395 mt(15.88%)，北方地区CO2下降不显著，南、北方地区PM2.5分别显著下降10.484 μg/m3(32.40%)和5.579 μg/m3(13.84%)，O3则分别显著上升6.712 μg/m3(7.63%)和4.093 μg/m3(4.24%)；
二级响应状态下，仅南方地区CO2和PM2.5分别显著下降3.345 mt(12.08%)和9.338 μg/m3(28.86%)，北方地区CO2、PM2.5和O3下降均不显著，这可能与一级、二级响应下北方地区供暖与能源和钢铁行业并未完全停工有关。②三级及以下响应状态下，南、北方地区CO2分别显著上升1.004 mt(3.63%)和2.004 mt(8.60%)，但PM2.5分别显著下降3.319 μg/m3(10.26%)和5.447 μg/m3(13.51%)，O3分别显著下降3.384(3.84%)和8.379 μg/m3(8.69%)，这可能与三级及以下响应状态下生产活动基本恢复以及有利气象条件等综合有关。综上，应急响应对减污降碳的影响存在明显的空间异质性，一级、二级响应下南方地区CO2和PM2.5协同减排效应要高于北方地区，但三级及以下响应下北方地区O3浓度下降幅度超过南方地区。
表3 区分南北区域的分组回归结果
2.区分交通密度
区分交通密度的分组回归结果见表4。具体分组规则如下：基于国家统计局2020年31个省市的铁路与公路里程数据(公里)，结合各省市行政区划面积(万平方公里)计算铁路与公路密度，以第50分位数为划分阈值，将铁路/公路密度任一超过其阈值的省市归为高密度组，否则归为低密度组。高密度组(19个)包括：天津、北京、重庆、上海、广东、福建、浙江、山东、江苏、河南、河北、江西、海南、安徽、辽宁、贵州、湖南、湖北、山西；
低密度组(12个)包括：吉林、陕西、广西、宁夏、黑龙江、内蒙古、四川、甘肃、云南、新疆、青海、西藏。结果显示：①与低密度组相比，一级响应状态下高密度组省份的CO2减排和PM2.5浓度下降幅度显著更大，O3浓度的变化较为接近；
②二级响应状态下，高密度组省份的CO2减排和PM2.5浓度下降幅度明显收窄，低密度组省份的CO2变化则不显著；
③三级及以下响应下，两组省份的CO2排放量均显著回弹，且高密度组CO2排放升幅更大。这表明疫情应急响应的减污/降碳效应存在交通密度层面的异质性，与低密度组相比，高密度组省份的减污/降碳效应对应急响应更为敏感，即交通规模发挥着重要的中介作用。
表4 区分交通密度的分组回归结果
3.区分疫情严重程度
区分疫情严重程度的分组回归结果见表5。具体分组规则如下：按月统计31个省份每月累计新增确诊人数的第50分位数，并将其作为阈值点，将某省当月累计新增确诊人数大于阈值时赋值为1(即严重组)，否则赋值为0(即非严重组)。2020年31个省份每日新增确诊人数来源于新浪疫情地图，其原始数据来自于国家卫健委和各省卫健委。结果显示，与非严重组相比，不同应急响应状态下严重组省份的CO2减排、PM2.5和O3浓度下降幅度均显著更高。这表明疫情严重程度在应急响应等级与减污/降碳效应之间发挥着重要的调节作用。通过进一步生成应急响应等级与每月累计新增确诊人数的交互项[即(4-level)*log(covid)]，并纳入基准模型，发现该交互项对CO2排放量的影响显著，其系数为-0.412(p<0.01)，这表明疫情严重程度调节着应急响应与减污降碳之间的影响关系。受篇幅影响，此处未列出所有回归结果。
表5 区分疫情严重程度的分组回归结果
4.区分PM2.5和O3相关性
区分PM2.5和O3相关性的分组回归结果见表6。具体分组规则如下：以2019年31个省份PM2.5和O3日均值为基数，将PM2.5和O3正相关且相关系数超过0.40的省份赋值为1(即正相关组，包括广东、广西、海南、云南4个省份)，否则赋值为0(即负/低相关组)。结果显示：与前述表2～表5中各应急响应状态下CO2与O3基本不协同有所不同，一级、二级响应状态下正相关组省份的CO2排放量和O3浓度呈现出协同下降特征。这表明在PM2.5浓度较低且PM2.5与O3相关性较高的部分南方省份，具有O3与CO2/PM2.5协同下降的可能性。在当前O3和PM2.5协同机理不明确、各省市仍缺乏有效的O3和PM2.5协调控制方案的背景下，这一发现对于探索PM2.5和O3协同实践的可行路径具有重要意义。
表6 区分PM2.5和O3相关性的分组回归结果
(三)影响机制分析
前文分析表明，不同应急响应等级存在异质性减污降碳协同效应，主要表现为南北地域、交通密度、疫情严重程度、PM2.5与O3相关性等层面的异质性。以下，结合前述机理分析，围绕规模效应，进一步从能源规模、工业规模、交通运输规模减排三个方面检验应急响应对减污降碳影响的内在机制。根据EKC理论，更少的社会经济活动与资源使用规模可产生相对更少的污染物排放量，进而对环境质量产生正向影响，即社会经济规模与环境质量之间的因果关系在理论上比较直观。因此，此处重点实证检验应急响应对社会经济规模的影响作用，并聚焦于能源、工业、交通运输三大重要领域。其中，能源规模方面体现为化石能源使用或电力需求的减少，此处采用火力发电量elec作为中介变量；
工业规模方面体现在工业生产活动减少对环境的改善，此处采用工业增加值同比增幅instru作为中介变量；
交通运输规模方面体现在“公转铁”等，通过降低公路运输占比以减少污染排放，此处采用公路货运量road作为中介变量。构建机制检验模型见式(2)：
Medit=α+β1levelit+β2popuit+β3gdppcit+β4secondit+β5gdpgoalit+μt+εit
(2)
其中，Medit为中介被解释变量，包括elecit、instuit和roadit三项，即火力发电量、工业增加值、公路货物运输量。其中，前两项2019—2020年份省月度数据来源于国家统计局网站，公路货运量2019—2020年份省月度数据来源于中华人民共和国交通运输部网站。
应急响应对不同中介被解释变量(road、instru、elec)的影响回归结果见表7。结果表明：①一级、二级响应显著负向影响火力发电量elec，三级及以下响应的影响系数显著为正，这表明一级、二级响应状态下存在能源规模减排的中介效应；
②一级响应显著负向影响工业增加值instru，但二级响应的影响系数为负但不显著，三级及以下响应的影响系数显著为正，这表明仅在一级响应状态下存在工业规模减排的中介效应，这可能与二级、三级及以下响应状态下我国工业企业逐步复产复工有关；
③一级、二级、三级及以下响应均显著负向影响公路货运量road，这表明不同疫情应急响应状态下均存在交通运输规模减排的中介效应。总体而言，一级响应能通过显著降低能源、工业和交通运输规模实现CO2和PM2.5协同减排，二级、三级及以下响应状态下规模减排效应有所收窄，甚至出现反弹。
表7 影响机制检验
根据表2基准回归模型中的减污与降碳系数，计算大气污染物下降率s1和二氧化碳减排率s2，并绘制应急响应的减污降碳协同效应四象限图见图3。参照高庆先等(2021)的方法(30)高庆先、高文欧、马占云等：《大气污染物与温室气体减排协同效应评估方法及应用》，《气候变化研究进展》2021年第3期。，当s1>0且s2>0时，表示该种响应状态可同时降低大气污染物浓度及二氧化碳排放量，即处于减污降碳高协同区；
当s1、s2符号相反时，表示该种响应状态不能同时降低大气污染物浓度及二氧化碳排放量，即处于低协同区；
当s1<0且s2<0时，表示该种响应状态可同时增加大气污染物浓度与二氧化碳排放量，即处于增污增碳区。由图3可知，对于CO2与PM2.5，一级、二级响应的协同效应均位于第一象限，即减污降碳高协同区；
当响应等级降至三级及以下时，其协同效应移至第二象限，即低协同区。然而，对于CO2与O3，无论是一级、二级或三级及以下响应，其协同效应始终位于第二或第四象限，即低协同区。
图3 应急响应的减污降碳协同效应四象限图
上述结果表明，由于CO2与PM2.5具有较强的同根同源性，采取能源规模减排方面的治理措施，如减少化石燃料使用、推动清洁能源改造等，能够提升CO2与PM2.5协同减排成效。根据机制检验结果可知，一级、二级响应状态下能源、工业、交通运输规模减排效应相对较为显著，CO2与PM2.5协同减排效应相对较高，但三级及以下响应状态下受工业企业复产复工、社会生活基本恢复等影响，CO2排放量有所回弹，CO2与PM2.5协同减排效应有所下降。因此，结合环境污染物月份效应特征，建议可考虑在气象条件不利且CO2排放量相对较高的11月至1月期间，重点对CO2与PM2.5开展协同控制，通过选取并实施能源、工业、交通运输方面CO2与PM2.5的高协同措施，获得相对较高的CO2与PM2.5协同减排成效。
近年来，随着PM2.5浓度的快速下降，全国O3浓度呈现出波动性升高趋势，部分地区O3已经超越PM2.5成为大气污染的“新主角”，PM2.5与O3的协同治理成为研究热点。前述分组回归结果表明，应急响应的减污降碳协同效应存在区域异质性。与大多数省份不同，PM2.5与O3相关性较高的部分南方省份(如广东、广西、海南、云南)一级、二级响应状态下存在CO2与O3的协同下降，这表明在某些特定地区存在CO2与O3协同控制的可能性。前述研究指出，我国PM2.5与O3相关性存在明显南北差异，长江以南地区二者显著正相关，长江以北地区二者显著负相关。因此，对于CO2与O3，建议可考虑在O3污染高发且CO2排放相对不低的月份(即5月至10月)，重点在PM2.5与O3正相关的特定地区开展CO2与O3协同控制，分季节、分区域，有针对性地提升CO2与O3协同减排成效。
通过收集中国大陆31个省(市、区)2019年1月1日至2020年12月31日的CO2排放量及空气质量日度数据，实证分析应急响应的减污降协同效应及其异质性，并从能源、工业和交通运输规模减排方面检验其内在机制，主要结论如下：①与无应急响应相比，一级响应状态下CO2、PM2.5与O3分别下降13.88%、25.38%与-5.15%；
二级响应状态下CO2、PM2.5与O3分别下降4.52%、17.49%与-8.86%；
三级及以下响应状态下CO2、PM2.5与O3分别下降-5.47%、12.37%与6.85%；
即随着应急响应等级的提高，CO2、PM2.5减排效应增强，O3总体未表现出下降效应。②应急响应对减污降碳的影响效应存在区域异质性，其中一级、二级响应状态下，CO2和PM2.5协同减排效应在南方地区、高交通密度省份、疫情严重区域相对较高，CO2和O3协同减排效应则仅在PM2.5与O3强正相关的特定省份较为显著。③机制分析方面，一级响应能通过显著降低能源、工业和交通运输规模实现CO2和PM2.5协同减排，二级、三级及以下响应状态下规模减排效应有所收窄，甚至出现反弹。基于以上研究结果，本文政策启示如下：
第一，由于CO2与PM2.5具有同根同源性，一级响应下采取能源、工业、交通规模减排措施均可显著提升CO2与PM2.5协同减排成效。然而，虽然全国PM2.5浓度显著下降，但受不利气象条件影响，疫情初期部分地区仍发生了数次污染事件。这表明，对于CO2与PM2.5协同，未来应持续推进绿色生产，引导污染产业加大环境保护投入，且重点在气象条件不利且CO2排放量较高的11月至1月期间，综合实施能源、工业、交通规模减排方面的高协同治理措施，严控大气污染源排放总量，以增强CO2与PM2.5协同减排成效。
第二，2020年期间虽然全国NO2浓度显著降低，VOCs浓度亦有一定程度的下降，但在O3前体物排放量均有所减少的条件下，除一级、二级响应状态下少数南方省份CO2与O3协同下降外，全国绝大部分区域O3浓度显著上升。这表明，对于CO2与O3协同这一难题，可考虑在O3污染高发且CO2排放相对较高的季节(即5月至10月)，重点在O3与PM2.5正相关的特定地区开展CO2与O3协同治理，以提升CO2与O3的协同减排成效。而对于O3与PM2.5负相关的其他地区，未来仍需进一步探索并科学合理设计分地域、分季节的CO2与O3协同减排措施及其行动，以应对未来全国臭氧污染防治与气候变化协同治理的新挑战。
第三，我国“双碳”目标的实现取决于各省市应对气候变化的行动及其政策，因此实时追踪我国各省市CO2的排放趋势十分关键。然而，目前基于统计数据核算的CO2排放清单通常具有2～3年时滞性，且时间精度有限，即年均值大大限制了减污降碳协同效应评估的时效性，难以为各地减污降碳协同治理提供实时、有效的科学依据。目前，已有团队开始着手全球及国家层面实时碳排放动态监测的研究工作，未来需基于卫星遥感、大数据、机器学习、云计算等跨学科前沿技术，进一步优化构建实时、准确、可靠的分省/市、分行业、分部门的中国实时CO2高精度排放数据集，并及时在线开放共享，以支撑碳排放动态监测、政策成效评估以及减污降碳管理决策，从而赋能我国“双碳” 目标的科学化、精确化实现。
作者贡献度说明: 郑石明，提出研究思路与框架、论文审阅与修订；
李红霞，研究设计、数据收集与处理、论文撰写; 邹克，数据统计与实证分析。
——《2013年中国机动车污染防治年报》(第Ⅱ部分)环境与可持续发展(2014年1期)2014-08-14