EN中文

Economic geography >

2025 , Vol. 45 >Issue 2: 47 - 57

DOI: https://doi.org/10.15957/j.cnki.jjdl.2025.02.005

Correlation among the Construction Industry， Energy Consumption and Carbon Emissions in the Yangtze River Economic Belt and Their Spatiotemporal Evolution

  • XIAO Yuxuan , 1 ,
  • HU Xijun , 1, ※ ,
  • WEI Baojing 1, 2
Expand
  • 1. College of Landscape Architecture/Hunan Big Data Engineering Technology Research Center of Landscape Resources of Natural Protected Areas/Institute of Urban and Rural Landscape Ecology， Central South University of Forestry and Technology， Changsha 410004， Hunan， China
  • 2. Technology Innovation Center for Ecological Conservation and Restoration in Dongting Lake Basin （Ministry of Natural Resources）， Changsha 410004， Hunan， China

Received date: 2024-08-21

  Revised date: 2024-11-12

  Online published: 2025-05-12

Fold

Abstract

Taking the Yangtze River Economic Belt as the study area and based on the three-variable index data from 2005 to 2020, this study introduces a combined research method based on VAR model and moving time window sHMM (MV-sHMM), and investigates the correlation among the construction industry, energy consumption and carbon emissions, along with their spatiotemporal evolution. The results show that: 1) The development of the construction industry in the Yangtze River Economic Belt has a positive impact on energy consumption and carbon emissions, the impact of energy consumption and carbon emissions on the construction industry transitions from negative to positive before entering a phase of fluctuation, and the effect of energy consumption on carbon emissions shifts from negative to fluctuating. 2) In comparison to the construction industry and energy consumption, carbon emissions exhibit a quicker return to stability. However, in the absence of robust external intervention, the overall recovery rate of the three-variable system is relatively slow. 3) The relationship among the state of the construction industry, energy consumption and carbon emissions demonstrates significant spatial and temporal heterogeneity in the Yangtze River Economic Belt. The decoupling of the construction industry from energy consumption and carbon emissions has gradually expanded from Shanghai and Guizhou to Jiangsu, Zhejiang and Hubei. By 2020, the development of the construction industry in the majority of provincial-level regions in the Yangtze River Economic Belt has decoupled from carbon emissions, with a substantial reduction in the growth rate of energy consumption. Carbon emissions, experienced a spatiotemporal evolution process from point to surface. Finally, it proposes some suggestions: the implementation of dynamic and scientific policies, optimization of the energy structure, and the enhancement of diversified cooperation, aiming to provide a reference for promoting the low-carbon, sustainable and high-quality development of the construction industry.

Key words： construction industry; energy consumption; carbon emissions; dynamic correlation; Yangtze River Economic Belt

Cite this article

XIAO Yuxuan , HU Xijun , WEI Baojing . Correlation among the Construction Industry， Energy Consumption and Carbon Emissions in the Yangtze River Economic Belt and Their Spatiotemporal Evolution[J]. Economic geography, 2025 , 45(2) : 47 -57 . DOI: 10.15957/j.cnki.jjdl.2025.02.005

能源密集型产业的碳排控制是实现高质量发展的关键措施之一[1]。作为我国国民经济的支柱产业，建筑行业不仅是能源消耗的重要行业，也是节能减排重点领域。2023年中国建筑业完成总产值31.6万亿元，1953—2023年年均增长12.9%；完成增加值8.6万亿元，占国内生产总值的6.8%。《中国建筑能耗研究报告（2022）》显示，2005—2020年，全国建筑全过程（生产、施工、运行等）能耗由9.30亿t标煤上升至22.33亿t标煤，扩大了约2.4倍，年均增速为6.00%；同期全过程碳排放由22.30亿t CO2上升至50.80亿t CO2，扩大了约2.3倍，年均增速为5.60%[2]。由此看出，能源消耗既是建筑业发展的动力基础，也是碳排放的主要来源，而建筑业发展则是能耗和碳排的重要驱动力；同时，碳排放量的增加也对建筑业发展和能源消耗产生反馈作用，经济高质量发展、能源高效利用和良好生态环境密不可分[3]。此外，由于中国各地区间的资源分布、经济发展和技术水平存在差异，这种关联也处于不断的变化当中[4]。因此，提出建筑业、能耗和碳排三者关联关系及时空演变整体分析框架，探寻长江经济带建筑业发展、能源消耗与碳排放的低碳协调[5]，对实现建筑业可持续低碳发展、加快行业转型升级、促进长江经济带更高质量发展具有重要意义。
针对建筑业、能耗和碳排三者间的关系，学者们常采用矢量自回归（VAR）模型、面板矢量自回归（Panel Vector Autoregression，PVAR）和全局矢量自回归（Global Vector Autoregression，GVAR）模型等方法展开研究。其中，矢量自回归模型及其扩展模型在使用时无需严格分析变量之间的关系，学者们常将该类模型结合格兰杰因果检验、脉冲回应函数及方差分解法，在不同地理尺度（如国家、区域或省域）上考察三者间的因果关系、影响程度及时效性[6-7]，如Jia等使用混合频率矢量自回归方法（MF-VAR）对G7国家的经济增长与CO2关系进行了建模[8]。由于研究选取的指标和地理区域不同，三者间的因果关系和动态影响机制存在显著差异[9]。尽管面板矢量自回归模型和全局矢量自回归模型更能体现出空间上的关联影响[10-11]，但始终无法用于分析三者在空间上的关联变化过程。
由于中国各地区间的资源分布、经济发展和技术水平等存在差异，导致建筑业、能耗和碳排三者关系也存在空间异质性特征。考虑空间的异质性，较多学者结合Tapio脱钩模型，从国家[12]、区域[13]、省级[1]、县域[14]等层面展开两两关系分析，以Moran's I、泰尔指数、核密度等反映空间差异[15]。由于建筑业的发展除受地区自身限制之外，同时还会受到临近地区的影响，因此，Wang等[16]、Du等[17]分别从城市、省域层面刻画了不同综合指标的空间特征，并结合空间马尔可夫模型探索了地区的空间溢出效应。空间马尔可夫模型在马尔可夫基础上增加了空间滞后项概念，可以用状态转移矩阵量化变量的空间溢出效应；但该模型多用于单一变量的状态变化分析，且难以反映动态特征。实际上，不同事物间常存在一个或多个隐性关联，而隐马尔可夫模型（HMM）可以在马尔可夫基础上增加一个隐藏状态变化过程并建立双重关联[18-21]，以充分发挥更多的价值。
尽管现有研究对三者动态关系以及空间异质进行了探讨，但亦存在以下缺陷：①建筑业、能源消耗和碳排放三者组成系统的动态关系分析较少从行业视角展开，建筑行业三者之间的相互作用机制还有待深入研究。②现有对建筑行业三变量系统的空间演化研究，主要采用马尔可夫和空间马尔可夫模型分析单一关联的空间相互作用，未能通过可视化手段清楚地展示出三者直接关联的空间演变。③采用马尔可夫和空间马尔可夫模型进行空间作用分析时，容易受过多历史数据影响，难以快速捕捉并反馈外部环境和政策激励变化的影响。由于建筑业、能耗和碳排间的内在关联复杂，在分析间接关联（如碳排放强度和效率）时，三者的直接变化不易被察觉，可能产生错误的结论。
为克服以上局限，并综合考虑建筑业发展、能源消耗和碳排放相互作用的系统整体性和信息时间效力，需要构建科学有效的模型方法来研究建筑业三变量关联的时空演变。鉴于此，本文提出一种基于矢量自回归（Vector Autoregression，VAR）模型和设置移动时间窗口的空间隐马尔可夫模型（MV spatial Hidden Markov Model，MV-sHMM）的研究框架，结合整体与局部视角、时间和空间维度，分析建筑业发展、能源消耗和碳排放三者间的动态关系，动态截取最具效力的时序信息建立空间模型，挖掘三者间直接关联的时空演变规律。

1 研究方法

隐马尔可夫模型（HMM）包含双重状态关联过程，建立空间HMM（spatial HMM，sHMM）为从空间维度分析变量关联变化提供了一个良好的框架。在sHMM中设置移动时间窗口（以下简称“MV”），能够更有效地突出系统中新信息变化的影响效果。与此同时，VAR模型在多变量动态关系研究中的应用较为成熟，从系统整体角度出发考虑了各变量历史数据的影响作用，并通过选择最优滞后阶数来体现这一点；最优滞后阶数又可为移动时间窗口的大小界定提供一个科学参考。因此，本文选用VAR模型和MV-sHMM，从整体与局部角度、时间和空间维度对建筑业、能耗和碳排三变量动态关系进行分析，以全面直观地展示区域建筑业三变量关联的演变过程。

1.1 VAR模型的适用性

VAR模型是一种非理论性的统计模型，无需基于严格的理论分析建立关联模型，它通过建立所有变量的回归方程组来构建相互作用系统[22]，并利用脉冲回应方法和方差分解对建立的VAR模型参数进行调整，量化各变量产生的相互作用，从而分析变量间的动态关联[23]。VAR模型从系统角度考虑了各变量当前信息和历史信息的相互作用效果，突显了相互作用变量的系统整体性和信息时间效力。因此，本文采用VAR模型捕捉建筑业、能耗和碳排之间的相互影响和动态变化，分析区域整体建筑业三变量系统的相互作用机制和影响趋势。

1.2 MV-sHMM的适用性

建筑业、能耗与碳排三者的关联不断动态变化，空间马尔可夫模型（sHMM）的状态转移矩阵参数可以记录研究变量所有状态类型的相互转变概率，并通过状态转移矩阵的变化展示研究变量的区域演变过程。在sHMM中，不同研究变量的关联变化体现在状态转移矩阵中，可展示不同研究变量关联的区域演变过程。但是，当区域的环境相对稳定时，随着时间推移，马尔可夫链越长，研究变量的各类状态转移概率将趋于不变，状态转移矩阵难以展示研究变量最新的变化特征，移动时间窗口可以通过顺着时间轴方向移动截取等距时间序列数据来建立模型，动态减少历史信息，强化最新时段信息的影响效果[24]，因此，将MV与sHMM结合，可有选择性地动态“去除”历史数据，保持适宜的隐马尔可夫链长，更好突出系统中新信息变化。
因此，本文借鉴HMM的模型思想和结构，建立建筑业、能耗和碳排三变量状态关联的MV-sHMM，更好地反映出建筑业三变量的发展趋势和变量间关联的动态演变。

1.3 VAR模型与MV-sHMM的组合应用

MV-sHMM的窗口大小决定了马尔可夫链长，因此，确定窗口大小是一个关键因素，VAR模型的最优滞后阶数反映了三变量相互作用的时间动态特性，可作为移动时间窗口大小的参考。因此，本文组合VAR模型与MV-sHMM，研究建筑业、能耗与碳排三变量关联的时空演变。具体建模步骤如下：
①基于VAR模型建立体现三变量相互作用系统，获取系统相互作用的信息时间效力——最优滞后阶数，结合脉冲回应方法和方差分解量化分析三变量间的动态相互作用。
②构建反映三变量关联性的空间模型（sHMM），以最优滞后阶数确定移动时间窗口大小，获取MV-sHMM的动态参数——状态转移矩阵和状态关联转移矩阵，进而分析三变量的状态变化以及变量间状态关联的区域演变过程。

2 变量与模型

2.1 建筑业三变量指标的选取

根据数据的可获得性，以建筑业总产值作为建筑业指标，建筑业终端能源消耗作为能源消耗指标，相关指标数据从国家统计局中获取。结合能源消耗的实际情况，以直接和间接能源消耗产生的CO2总量作为碳排放指标。CO2的计算参照联合国政府间气候变化专门委员会（IPCC）发布的国家温室气体清单指南[25]。具体计算公式如下：
E C O 2 = ∑ i = 1 N C i · ξ i
ξ i = H i · I i · O i · 44 12
式中： E C O 2为第N种能源消耗的总碳排放量，单位为t； C i为第i种的能源的消耗量，单位为万t； ξ i为第i种能源的CO2系数，单位为t-CO2/t； H i为第i种能源的热值，单位为GJ/t； I i为该能源单位热值的含碳量，单位为t-C/GJ； O i为该能源的平均氧化率，单位为%。44/12为CO2与碳分子相对分子质量之间的比值，表示为碳转化为CO2质量变化系数碳转化系数。
为消除不同数据异方差的影响，所有指标取自然对数处理。记三变量指标为建筑业（Y）、能耗（EC）和碳排（CO2），其对应自然对数为lnY、lnEC、lnCO2，一阶差分DlnY、DlnEC、DlnCO2分别对应各指标增长率，二阶差分为D2lnY、D2lnEC、D2lnCO2。

2.2 基于VAR模型的建筑业三变量系统动态关系分析

矢量自回归模型VAR模型是一种非理论性的模型，由Christopher A. Sims于1980年提出[26]。它假设n个变量之间存在关系，VAR模型以联立n个自回归模型的形式，建立起n个变量之间的关系。
在VAR模型建立之前，需要对n个变量的时间序列进行平稳性检验，通常结合ADF检验。若变量时间序列不能保证平稳，可能会导致后续变量相互作用结果无效[6]。本文通过差分方法将不平稳序列转变为平稳序列，采用差分后的平稳序列构建VAR模型，以确定各变量之间的相互作用机制。
稳定系统在受到外部冲击时，各内生变量在初期会因冲击和相互影响而变化，而一段时间后则会恢复稳定的状态。假设改变某个变量的误差项，在稳定系统中各变量从 0 值开始且处于确定的相互作用机制下，各变量均会对此改变产生回应，直至各变量恢复到 0 值。脉冲回应函数（Impulse Response Function，IRF）是通过逐步改变VAR模型中的随机误差项，得到各变量的回应变化，从而反映变量之间的动态关联。而方法分解（Variance Decomposition）则是量化各变量总体回应中的不同冲击回应比例，进而分析各变量之间的相互影响效果（图1）。
图1 VAR模型方法流程

Fig.1 Methodology process of VAR modeling

2.3 基于MV-sHMM的建筑业三变量直接关联的空间演变

2.3.1 移动时间窗口sHMM

移动时间窗口用于截取时间序列，并随时间方向移动。记时间窗口为 T M V，参数 λ由窗口内的观测状态序列和隐藏状态序列进行估计，随窗口移动变化为动态参数 λ *。
由于估计隐含状态转移参数A至少需要连续2年的数据，故 T M V ∈ 2 , T。当时间窗口从2至T逐步变更时，可获取所有时间范围的动态参数。 T M V较大时，动态参数反映长时间内状态间转移的概率变化； T M V较小时，更能反映短时状态的变化。结合前文分析，选取VAR模型最优滞后阶数作为移动时间窗口的大小。

2.3.2 建筑业 、能耗和碳排直接关联的空间演变分析方法

HMM中包含由建筑业发展、能源消耗和碳排放3个变量组成的2条马尔可夫链，2个过程相互关联。记区域内包含a个地区，分析时点转变时，各类隐藏状态与观测状态出现及变化的地区数量比例，计算模型参数 λ *，以此分析区域建筑业、能源消耗和碳排放三者间直接关联的空间演变。
针对单一变量，观察各时点的不同类型状态比例，获得隐藏状态分布参数 Π，观察时点变化时的状态变化比例，获得隐藏状态变化参数A，进而分析区域建筑业、能耗和碳排放各自状态发展过程。针对关联变量，观察时点变化时的观测状态和隐藏状态关联变化比例，获得观测—隐藏状态变化关联参数B，分析三变量关联变化的区域演变过程。

3 实证结果与分析

长江经济带横跨我国东中西三大区域，覆盖上海、云南、四川、安徽、江苏、江西、浙江、湖北、湖南、贵州、重庆11个省市，作为中国经济社会发展最具活力和潜力的区域，其建筑业发展、能源消耗和碳排放的动态关系对推动长江经济带发展至关重要。本文以长江经济带建筑业发展、能源消耗和碳排放为实验研究对象，采用VAR模型和MV-sHMM的组合方法，研究三变量动态关系的时空演变。

3.1 数据获取与处理

2020—2021年受新冠疫情的冲击影响，建筑业碳排放整体大幅度下跌。在量化建筑业发展、能源消耗和碳排放的整体作用机制时，这种偶然性变化会对结果产生较大的干扰，故本文选取长江经济带2005—2020年建筑业的相关数据进行建模分析。
从《中国统计年鉴》《中国能源统计年鉴》中收集2005—2020年长江经济带各省市建筑业总产值和能源消耗数据。以2005年为基期计算实际长江经济带建筑业总产值。采用《中国能源统计年鉴2020》中的折标煤系数将建筑行业各类能源消耗折算为标煤。从《省级温室气体清单编制指南》中获取各直接能源平均低位发热量、单位热值含碳量、碳氧化率参考值。

3.2 基于VAR模型的长江经济带建筑业三变量动态关系分析

借助EViews 9.0软件，采用ADF单位根检验对三变量平稳性进行检验，进一步建立VAR模型；结合脉冲回应方法和方差分解函数对长江经济带建筑业发展、能源消耗和碳排放之间动态关系进行分析。

3.2.1 建立三变量相互作用系统

①获取三变量的平稳时间序列。对三变量时序数据进行ADF单位根检验。在1%的判别标准下，长江经济带整体三变量的二阶差分序列时间平稳，即总产值、能源消耗和碳排放的增长率为平稳的时间序列。故以D2lnY、D2lnEC、D2lnCO2构建VAR（P）模型时，无需进行协整检验。
②确定变量VAR模型参数。根据LR、AIC、SC信息准则综合选择VAR模型的最优滞后阶数，检验结果显示LR、AIC、SC的最大滞后阶数均为1，故最优滞后阶数为1，建立VAR（1）模型。利用AR根图对VAR模型的稳定性进行检验。结果显示VAR（1）模型稳定。

3.2.2 分析三变量系统的动态关系

借助脉冲回应函数和方差分解呈现出变量之间的结构关系，变化VAR模型中的各变量的残差项，影响模型中三变量的当前和未来取值变化，获得变量间的动态回应。

3.2.2.1 三变量间的相互影响

给定系统中D2lnY、D2lnEC、D2lnCO2标准差冲击，分别观察目标变量D2lnY、D2lnEC、D2lnCO2受冲击后的40期回应过程，分析中三变量相互作用变化。观察至第10期可以发现：
①建筑业对自身冲击当期表现为负向变化，随后小幅度波动变化，并逐步回归稳态；建筑业对能源消耗的冲击表现为正向影响；建筑业受碳排放的冲击影响总体较小。能源消耗和碳排放对建筑业的冲击表现首先为负向变化，而后快速转为正向，随后处于较大波动变化中。
②能源消耗对自身的冲击当期表现为负向变化，在第2期达到最低谷，而后缓慢回归稳态；能源消耗对碳排放的冲击首先表现为负向，随后小波动变化。
③碳排放对自身与能源消耗的冲击当期表现为负向，随后快速波动变化并回归稳态。
观察至40期可以发现：
①三者相互影响在第10~20期内逐渐收敛于0，回归至稳定状态，在没有外界强干预时，建筑业、能源消耗和碳排放三变量系统整体恢复至稳定的速度较为缓慢。
②建筑业变化对系统整体的影响为负向，对能源消耗变化的影响为正向。
③能源消耗和碳排放间关联明显，受建筑业的冲击回应相似；相比建筑业和能源消耗，碳排放恢复稳定的时间较快，且碳排放变化引起的系统回应较小。
建筑业作为中国三大能源消耗领域之一，其全过程能耗约占全社会总能耗的45%，同时也贡献了大量的碳排放[27-28]。在传统的技术路径下，建筑业的快速发展导致高能源消耗和高碳排放难以避免，然而，随着技术进步，能源利用效率得到显著提升，但是，技术进步促进了能源利用效率的提升，包括建筑业在内的全行业能耗水平不断降低，同时新能源迅猛发展，使碳排放总量和排放强度得到有效控制并逐渐下降，因此，能源消耗和碳排放对建筑业发展的冲击影响总体较小。此外，建筑业发展与繁荣更多是受价格杠杆和乘数效应等多重因素影响[29]，从能源消耗和碳排放方面的环境规制对建筑业发展的影响更多是通过技术创新等产生中介效应，其直接影响程度要小得多。

3.2.2.2 三变量相互影响作用的量化

对建立的VAR（1）模型进行方差分解，分别观察目标变量D2lnY、D2lnEC、D2lnCO2，在D2lnY、D2lnEC、D2lnCO2受到1标准差冲击后，各回应变化占系统总变化的比例，如图2所示。可以看出，所有目标变量的方差分解过程在10期时趋于不变，10期方差分解结果见表1。
图2 D2lnY、D2lnEC、D2lnCO2的40期方差分解

注：图中纵轴为各变量冲击对目标变量总回应的贡献比例。

Fig.2 The 40-period variance decomposition of D2lnY、D2lnEC、D2lnCO2

表1 三变量间的方差分解结果

Tab1 Results of the variance decomposition among the three factors

期 D2lnY D2lnEC D2lnCO2
D2lnEC D2lnCO2 D2lnY D2lnCO2 D2lnY D2lnEC
1 0.000000 0.000000 11.71751 0.000000 17.27538 81.67563
2 4.366469 0.000105 36.23844 0.378031 41.61137 55.89716
3 7.536060 0.036493 44.65233 0.987255 45.23288 50.70885
4 7.876928 0.145912 43.77029 1.496842 40.49192 54.68084
5 7.883966 0.280845 42.00522 1.695050 39.06571 56.22838
6 8.485923 0.379641 42.30835 1.690757 40.92588 54.69888
7 9.167724 0.425839 43.35460 1.649117 42.88365 52.94746
8 9.527857 0.439106 44.01569 1.627205 43.85305 52.05631
9 9.623252 0.440763 44.21742 1.621361 44.11833 51.80941
10 9.625476 0.440475 44.23399 1.620518 44.14429 51.78523
均值 8.371359 0.302954 39.65138 1.276614 39.96025 56.24882
从10期方差分解的平均值可以发现：
①能源消耗冲击对建筑业变化的贡献度约为8.37%，而碳排放冲击对建筑业变化的贡献度为0.30%，这表明能源消耗是建筑业的重要影响因素，碳排放的影响整体偏小。
②碳排放冲击对能源消耗变化的贡献度为1.28%；建筑业冲击对能源消耗变化的贡献度从第1期的11.72%快速增长至36.24%，平均贡献度为39.65%。
③建筑业冲击对碳排放变化的贡献度最初并不明显，随后快速增大，平均贡献度占比39.96%；能源消耗冲击对碳排放变化的贡献度占比在第1期高至81.68%，第2期快速降至55.89%，之后缓慢下降。

3.3 基于MV-sHMM的长江经济带建筑业三变量直接关联空间演变分析

基于长江经济带建筑业发展、能源消耗和碳排放三变量平稳时间序列建立了稳定的VAR（1）模型，三者间整体动态作用关系得到了初步的体现，并确定了三变量间相互作用的最优信息时间效力——最优滞后阶数为1。为进一步分析长江经济带建筑业、能耗和碳排三变量直接关联的空间演变过程，对建筑业三变量建立MV-sHMM模型。

3.3.1 sHMM模型设定

根据建筑业、能源消耗和碳排放的slope值（即增长率）划分不同状态。增长率大于0为增长状态，记状态标签为1；增长率小于0为降低状态，记状态标签为-1；实际增长率为0出现的情况可忽略。观测变量包括2个变量，则状态组合有4种：[1,1]、[-1]、[-1，1]、[-1，-1]，观测状态数N为4；隐藏变量的状态数M为2。

3.3.2 基于动态参数的空间格局演化分析

VAR（1）模型中最优滞后阶数为1，表明在三变量相互作用系统中，当期数据与前1年的历史数据相互作用的影响效果明显。本节主要考察1步转移为主的动态参数估计，取移动时间窗口TMV=2。首先针对每个变量的状态变化过程进行分析，将每个变量作为隐藏状态建立MV-sHMM，获取其动态参数。

3.3.2.1 各变量自身状态变化的区域演化分析——利用参数A与Π

各隐含状态的转移过程，即为各变量状态变化的空间马尔可夫过程，参数A能够反映出区域内各地区出现不同状态间转移发生的概率，参数Π反映各隐含状态出现的概率。
1步转移过程反映了当前1年的隐含状态与前1年隐含状态之间的关系。每步转移观测地区总数量为11，其间三变量隐含状态 α 1和 α 2间转移地区数量变化如图3所示，三变量隐含状态 α 1和 α 2间转移概率变化组合（图略），各变量隐含状态 α 1转移至 α 1和 α 2的概率变化如图4所示，各变量隐含状态 α 2转移至 α 1和 α 2的概率变化如图5所示。图中每个时间节点包含当期及前1年（共2年）的数据信息（后同）。
图3 隐含状态 α 1和 α 2 1步转移地区数量变化

注：图中纵轴为窗口内观察到的状态转移地区数量，实线代表转移为增长状态 α 1，虚线代表转移为降低状态 α 2。

Fig.3 Number change of 1-step transfer regions in implicit states α 1and α 2

图4 隐含状态 α 1 1步转移概率变化

注：图中纵轴为窗口内观察到的状态转移概率，实线代表转移为增长状态 α 1，虚线代表转移为降低状态 α 2。

Fig.4 Probability change of 1-step transfer in implicit state α 1

图5 隐含状态 α 21步转移概率变化

Fig.5 Probability change of 1-step transfer in implicit state α 2

①时间窗口内变量各类状态转移的地区数量变化。隐藏状态转移的地区数量变化是初始状态分布概率Π的间接表现。各地建筑业发展总体处于增长状态，2013年开始个别地区出现由增长转为降低。观察图4a发现，2019—2020年多地能源消耗与碳排放由增长状态转变为降低状态。结合图4b中的虚线变化可以发现，2011—2017年部分地区的建筑业、能源消耗和碳排放保持降低状态，在2017年后消失。能源消耗和碳排放状态变化在1步转移时呈现高度关联。多数地区二者保持增长状态，2011—2017年有所改善，部分地区由增长状态向降低状态转移。整体对比图4a和图4b，长江经济带内只有少数地区能源消耗和碳排放处于降低状态。
②时间窗口内变量各状态转移的概率变化。从图4~图5可知，建筑业整体状态转移概率较为稳定，并处于持续增长状态，仅在2015和2019年部分增长状态变为降低状态，随后恢复增长状态。能源消耗和碳排放状态在2019年以前波动性变化，据统计有近80%的概率为增长状态，20%的概率向降低状态转移。结合图4b~图4c，虚线表示增长状态向降低状态转移的概率变化，整个观察期间由增长状态转变为降低状态的地区比例较低，占比约20%。观察图5a~图5c，发现2011—2017年能源消耗的降低状态转移至增长和降低状态的可能性变化较大，建筑业和碳排的降低状态转移稳定，多转移为增长状态；2017年后，各变量不再保持降低状态（图中蓝色虚线），各地区较难保持能耗和碳排的持续性减速发展。而在2020年，建筑业、能耗和碳排的降低状态均消失。
整体来看，由于长江经济带城镇化进程加快以及区域经济一体化发展，推动了建筑业持续增长；建筑业快速增长同时也带动了能源需求的增加，从而导致能源消耗和碳排放增加，期间国家也出台了一系列节能减排政策和标准以推动减少能源消耗和碳排放，但在早期阶段部分地区高能耗的传统建筑施工仍占据较大比重，导致能源消耗和碳排放难以快速降低。2020年受新冠疫情影响，上半年经济活动减少，能源消耗和碳排放均短期内下降，但随着国内疫情得到有效控制，各地区经济逐渐复苏，全年建筑业仍保持增长态势，能源消耗和碳排放也随之增长，导致降低状态短暂消失。

3.3.2.2 变量间状态变化关联的空间演变分析——利用参数B

选取碳排放为隐藏变量建立MV-sHMM，获取动态参数B分析三变量关联关系的区域演变。三变量状态变化关联关系共包括8种，为便于直观展示隐藏状态和观测状态的对应情况，记 b 1 = 1,1 ; b 2 = 1 , - 1 ; b 3 = - 1,1 ; b 4 = - 1 , - 1。
隐藏状态转移1步时，观测状态转移概率矩阵包含2步隐藏状态和观测状态对应概率。每次时间间隔内观测的地区总数量为22，其间碳排放变量 α 1和 α 2状态关联的地区数量变化如图6所示，状态关联的概率变化如图7所示，状态关联的空间演变如图8所示。
图6 1步转移 隐藏—观测状态关联地区数量变化

Fig.6 Number change of 1-step shift in hidden-observation state-associated regions

图7 1步转移 隐藏—观测关联状态概率变化

Fig.7 Probability change of 1-step transfer in hide-observe associated state

图8 隐藏—观测状态关联的空间演变

Fig.8 Spatial evolution of hidden-observed state associations

①隐藏—观测状态关联的地区数量变化。从图6a看出，碳排放处于增长状态的地区数量较多，多数与建筑业、能源消耗的增长状态相关联。观察图6b，发现碳排放处于降低状态总体较少，且与建筑业增长状态、能源消耗降低状态关联较强（图中 b 2）。此外，建筑业与碳排放同时处于降低状态的情况基本没有出现。
②隐藏—观测状态关联的概率变化。从图7（a）中的 b 1曲线看出，区域整体的碳排增长状态与建筑业发展、能耗的增长状态始终保持较高关联，概率平均在90%~100%之间；2014—2015与2018—2019年，碳排增长状态与建筑业降低状态、能耗增长状态出现关联，可能性仅约5%。
图7b为碳排放处于降低状态时的关联概率， b 1为与建筑业增长状态、能耗增长状态的关联， b 2为与建筑业增长状态、能耗降低状态的关联，从宏观历史实际数据来看，长江经济带出现该两种关联可能性较大，其中建筑业增长且能耗也增长的情况约占80%，而建筑业增长但能耗降低的情况约占20%。
③隐藏—观测状态关联的空间演变。从图8看出，2005—2020年长江经济带各省市建筑业、能耗和碳排的状态关联呈现出显著的空间演化特征。其中，2005—2016年，大部分省市为b1状态关联，即建筑业、能耗和碳排放均处于增长状态，主要是由于该时期长江经济带整体经济快速发展，城镇化进程加快，推动了建筑业发展，但部分省市产业结构调整滞后导致能耗和碳排与建筑业同步增长；2005—2006年贵州和上海出现b2状态关联，即建筑业保持增长状态，能源消耗和碳排放处于降低状态，建筑业与能源消耗和碳排放出现脱钩，主要是由于贵州和上海较早实施节能减排政策，推广应用绿色建筑技术和节能技术，调整优化产业结构，提高了能源利用效率，同时减少了对高能耗产业的依赖；2010—2011年，b2状态关联扩散到江苏，且贵州、江苏、上海的能源消耗和碳排放向b4状态关联转变，即能耗和排放出现“双降”，主要是由于国家节能减排政策的进一步深化和经济结构的优化转型导致能源消耗和碳排放得到了更有效的控制；2015—2016年湖北、江苏、浙江呈现b2状态关联和b4状态关联；到2020年，长江经济带大部分省市建筑业和碳排放、能源消耗呈现b2状态关联、能源消耗和碳排放呈现b4状态关联，建筑业与碳排放实现大范围脱钩，主要得益于国家和地方政府持续加大节能减排和低碳发展的政策支持力度，以及绿色建筑技术、可再生能源技术、碳捕获与封存技术等在建筑领域的广泛应用。此外，湖北由于受疫情冲击，建筑业与碳排放同时出现下行，建筑业与能源消耗出现倒挂，呈现b3状态关联；湖南、安徽和江苏三变量状态变化关联关系维持b1状态关联，建筑业、能源消耗和碳排放均处于增长状态，建筑业尚未与能源消耗和碳排放实现脱钩。

4 结论与建议

4.1 主要结论

本文以长江经济带建筑业为研究对象，从时空维度提出了建筑业、能源消耗和碳排放三变量动态关系整体分析框架，并基于长江经济带2005—2020年建筑业相关数据，利用VAR模型探究了建筑业、能源消耗和碳排放三变量的动态关系；在此基础上，采用MV-sHMM模型分析并呈现了三变量关系在空间维度的演化过程。主要结论如下：
①长江经济带建筑业发展、能源消耗和碳排放三者紧密关联、相互影响。长江经济带建筑业发展对能源消耗和碳排放产生明显的正向影响，平均贡献率约为40%；能源消耗和碳排放对建筑业发展的冲击影响总体较小，贡献率较低。能源消耗和碳排放之间关联显著，且在没有外界强干预的情况下，建筑业、能源消耗和碳排放三变量系统整体恢复至稳定 速度较为缓慢。
②长江经济带建筑业发展、能源消耗和碳排放的状态关联呈现显著的时空异质性。2005—2016年，长江经济带大部分省市建筑业、能源消耗和碳排放均呈现增长态势。建筑业与能源消耗和碳排放脱钩最先在上海和贵州出现，并逐渐扩展到江苏、浙江和湖北等省份，这些地区能耗和排放增速出现“双降”。到2020年，长江经济带大部分省市建筑业与碳排放实现脱钩，且能源消耗和碳排放增速实现大范围下降，经历了由点到面的时空演化过程。

4.2 政策建议

根据上述结论，本文提出如下政策建议：
①重视三者关系，动态科学施策。对于长江经济带建筑业而言，能源消耗始终是影响碳排放状态变化的关键因素，在初期阶段，建筑业对碳排放的影响尤为显著，能源消耗不仅对于建筑业的影响较大且其作用时间较长，因此，为实现低碳建筑业，重点依旧在于能源结构的优化和总量的控制。同时，可通过政策导向引导低碳节能和资源整合，强化建材工业的清洁生产改造，推行重点建材产品碳足迹标签制度，逐步控制碳排放状态变化，走向“碳中和”。此外，还需关注各地区建筑业的三者间动态关联，多层面分析三者间的相互作用机制，实现南北差异化管理策略，针对不同地区特点动态科学施策。
②优化能源结构，创新协作载体。2005—2020年，长江经济带建筑业发展、能源消耗和碳排放三指标增长速率平稳，整体呈现出稳定的增长态势；但建筑业、能源消耗和碳排放之间的“脱钩”，并非一个稳定的过程，应在保持长江经济带经济稳定发展的基础上，通过逐步控制和优化调整能源消耗总量和结构，加快建筑业转型升级，并重视建筑业运行能耗与碳排放，实现对碳排放总量的有效控制；同时，应加强技术创新与应用，加快绿色建筑、环保材料、清洁能源的研发、使用和推广，并建立建材碳排放权交易机制和产业链责任共担机制，为长江经济带可持续协调发展提供重要支撑。
③加强多元合作，促进协调发展。长江经济带建筑业的建筑业、能源消耗和碳排放之间存在较强关联，部分地区的整体状态关联变化趋势明显，需要通过多元合作，促进三者间正向互动，使长江经济带各地区平衡发展。同时，要增强多边参与，加强重点单位、企业和机构间的联动，发挥好龙头行业企业的牵引作用；结合技术互补、资源互补等手段，促进东南、西北地区优势的外溢，形成区域互补机制；加强对生态资源的重视，催生多样化的绿色金融产品，增强地区间相互协作的内在动力。

References

Publishing order | Descend order by publishing year | Descend order by cited within
[1]
Du Q, Zhou J, Pan T, et al. Relationship of carbon emissions and economic growth in China's construction industry[J]. Journal of Cleaner Production, 2019, 220(20):99-109.

[2]
中国建筑节能协会. 2021 中国建筑能耗与碳排放研究报告[R/OL]. https://www.cabee.org/site/content/24237.html,2021-12-23.

[3]
Liu Y Q, Zhang J C, Zhu Z S, et al. Impacts of the 3E (economy,energy and environment) coordinated development on energy mix in China:The multi-objective optimisation perspective[J]. Structural Change and Economic Dynamics, 2019,50:56-64.

[4]
Ye L, Dang Y G, Fang L P, et al. Nonlinear interactive grey multivariable model based on dynamic compensation for forecasting the economy-energy-environment system[J]. Applied Energy, 2023,331:120189.

[5]
Ma S P, Liu Q Q, Zhang W Z. Progress and prospect of energy-economy-environment nexus research from a spatial perspective[J]. Progress in Geography, 2022, 41(8):1530-1541.

DOI

[6]
Adedoyin F F, Bekun F V. Modelling the interaction between tourism,energy consumption,pollutant emissions and urbanization:Renewed evidence from panel VAR[J]. Environmental Science and Pollution Research, 2020, 27(31):38881-38900.

[7]
Jebli M B, Youssef S B. Renewable energy consumption and agriculture:Evidence for cointegration and Granger causality for Tunisian economy[J]. International Journal of Sustainable Development & World Ecology, 2017, 24(2):149-158.

[8]
Jia LY, Chang Tsangyao, Wang Mei-Chih. Revisit economic growth and CO2 emission nexus in G7 countries:Mixed frequency VAR model[J]. Environmental Science and Pollution Research, 2023, 30(3):5540-5579.

[9]
Li W L, Yang G F, Li X N, et al. Cluster analysis of the relationship between carbon dioxide emissions and economic growth[J]. Journal of Cleaner Production, 2019,225:459-471.

[10]
Öztürk S, Han V, Özsolak B. How do renewable energy,gross capital formation,and natural resource rent affect economic growth in G7 countries? Evidence from the novel GMM-PVAR approach[J]. Environmental Science and Pollution Research International, 2023, 30(32):78438-78448.

[11]
Attílio Luccas Assis,Faria João Ricardo,Rodrigues Mauro. Does monetary policy impact CO2 emissions? A GVAR analysis[J]. Energy Economics, 2023,119:106559.

[12]
Shu H C, Wang Y, Umar M, et al. Dynamics of renewable energy research,investment in EnvoTech and environmental quality in the context of G7 countries[J]. Energy Economics, 2023,120:106582.

[13]
Zhou Y, Hu D, Wang T, et al. Decoupling effect and spatial-temporal characteristics of carbon emissions from construction industry in China[J]. Journal of Cleaner Production, 2023,419:138243.

[14]
龙志. 县域尺度碳排放时空格局与碳平衡分区优化[D]. 兰州: 兰州大学, 2022.

[15]
Wang K L, Xu R Y, Zhang F Q, et al. Spatiotemporal heterogeneity and driving factors of PM2.5 reduction efficiency:An empirical analysis of three urban agglomerations in the Yangtze River Economic Belt,China[J]. Ecological Indicators, 2021,132:108308.

[16]
Wang S J, Huang Y Y, Zhou Y Q. Spatial spillover effect and driving forces of carbon emission intensity at the city level in China[J]. Journal of Geographical Sciences, 2019,29:231-252.

[17]
Du Qiang, Deng Yunge, Zhou Jie, et al. Spatial spillover effect of carbon emission efficiency in the construction industry of China[J]. Environmental Science and Pollution Research, 2022,29:2466-2479.

[18]
Ulmeanu A P, Barbu V S, Tanasiev V, et al. Hidden Markov models revealing the household thermal profiling from smart meter data[J]. Energy and Buildings, 2017,154:127-140.

[19]
Liu S, Xu X Y, Zhao K, et al. Understanding the complexity of regional innovation capacity dynamics in China:From the perspective of hidden Markov model[J]. Sustainability, 2021, 13(4):1658.

[20]
Lin Q L, Yu S Z. A spatial HMM approach for green networking[J]. Computer Communications, 2016,88:34-44.

[21]
Elmezain M, Alwateer M M, El-Agamy R, et al. Forward hand gesture spotting and prediction using HMM-DNN model[J]. Informatics, 2023, 10(1):1.

[22]
Sims C A. Macroeconomics and reality[J]. Econometrica, 1980, 48(1):1-48.

[23]
Apergis N, Aye G C, Barros C P, et al. Energy efficiency of selected OECD countries:A slacks based model with undesirable outputs[J]. Energy Economics, 2015,51:45-53.

[24]
Manouchehri N, Bouguila N. Human activity recognition with an HMM-Based generative model[J]. Sensors, 2023, 23(3):1390.

[25]
IPCC. 2006 IPCC Guidelines for National Greenhouse Gas Inventories[R]. IPCC,2006.

[26]
Sims C A. Macroeconomics and Reality[J]. Econometrica, 1980, 48(1) :1-48.

[27]
Lamb W F. A review of trends and drivers of greenhouse gas emissions by sector from 1990 to 2018[J]. Environmental Research Letters, 2021,16:073005.

[28]
清华大学建筑节能研究中心. 中国建筑节能年度发展研究报告2022[R]. 北京: 中国建筑工业出版社, 2022.

[29]
侯成琪, 肖雅慧. 住房价格与经济增长:基于中间品需求管道及其乘数效应的分析[J]. 经济研究, 2022, 57(4):120-137.

Options
Outlines

/

〈 〉