EN中文

Economic geography >

2025 , Vol. 45 >Issue 4: 109 - 122

DOI: https://doi.org/10.15957/j.cnki.jjdl.2025.04.011

Nonlinear Effects and Spatial Differentiation of Synergy in Pollution Reduction and Carbon Emission Reduction Driven by Science and Technology under the Background of New Quality Productive Forces

  • LI Junming ,
  • HU Yaxuan ,
  • DU Wenjing ,
  • LI Jiaqi ,
  • LI Zhirui ,
  • PEI Naying
Expand
  • School of Statistics，Shanxi University of Finance and Economics，Taiyuan 030006，Shanxi，China

Received date: 2024-08-20

  Revised date: 2024-12-30

  Online published: 2025-06-24

Fold

Abstract

Science new-quality productivity (SNQP) is crucial for high-quality development and significantly impacts achieving coordinated pollution and carbon reduction (CPCR). This study measures SNQP and CPCR in provincial-level regions of China from 2004 to 2022 using a spatiotemporal dynamic entropy method and analyzes their spatiotemporal evolution in 2004-2013 and 2014-2022 with a Bayesian spatiotemporal evolution model. It identifies causal relationships between local SNQP and surrounding SNQP (WSNQP) on CPCR using three causal inference methods, and proposes a principal component-spatiotemporal random forest model (PCA-STRF). It examines the nonlinear driving effect, interaction and spatial differentiation of SNQP and WSNQP on CPCR by the means of the GeoDetector, and predicts the changing scenarios for the next five years. Results show that: 1) SNQP and CPCR both exhibit a growth trend and imbalance spatial distribution which is higher in the southeast of China and lower in the northwest of China. 2) Both SNQP and WSNQP have significant positive effects on CPCR, but their impact follows a nonlinear pattern which is the strongest at low value, the weakest at medium value, and slightly stronger at high value. 3) Additionally, SNQP and WSNQP also have a significant two-factor interactive enhancement effect on CPCR. Especially when both are at a relatively high level, the enhancement rate of CPCR increases significantly. 4)_Under the condition that other factors remain unchanged, after each of SNQP and WSNQP increases by 0.10, the marginal driving effect presents the spatial distribution which is higher in the east and west of China and lower in central China, but the spatial differentiation degree of WSNQP is stronger than that of SNQP. 5) In the next five years, the SNQP and WSNQP in the eastern coastal areas will increase significantly, and the CPCR will increase significantly. Finally, it puts forward some suggestions: formulating regional balanced development policies to narrow the regional gap of SNQP, promoting ecological civilization construction and high-quality development through strengthening regional coordination and giving full play to the positive promoting role of SNQP on CPCR.

Key words： new quality productive forces; pollution reduction and carbon emission reduction; synergistic interaction; causal inference; machine learning; spatial differentiation

Cite this article

LI Junming , HU Yaxuan , DU Wenjing , LI Jiaqi , LI Zhirui , PEI Naying . Nonlinear Effects and Spatial Differentiation of Synergy in Pollution Reduction and Carbon Emission Reduction Driven by Science and Technology under the Background of New Quality Productive Forces[J]. Economic geography, 2025 , 45(4) : 109 -122 . DOI: 10.15957/j.cnki.jjdl.2025.04.011

随着全球环境问题的日益严重和气候变化的持续加剧，碳排放和大气污染已成为全球性紧迫挑战。中国作为负责任大国，采取了一系列有效措施促进碳减排，特别是在2020年明确提出了 “双碳”目标。除碳排放问题外，大气污染也是中国面临的重要环境问题，尽管近年来大气污染治理取得了显著进展，但与国际标准仍有较大差距，减少大气污染物排放依然是今后环境治理的重要任务之一。碳排放和大气污染物排放具有同根同源性，都是大量使用化石燃料导致的，因而减污降碳协同成为可能。但需指出，减污降碳协同的最终目的是推动经济社会高质量发展，促进生态文明建设。习近平总书记强调，中国生态文明建设已进入了推动减污降碳协同增效、促进经济社会发展全面绿色转型、实现生态环境质量改善由量变到质变的关键时期。因此，如何有效实现减污降碳协同增效已成为各级政府和学术界共同关注的焦点。
随着信息技术、人工智能、能源科学等领域的飞速发展，生产力的质料构成也在发生根本改变，2023年9月习近平总书记在黑龙江考察调研期间提到“新质生产力”。科技创新能够催生新产业、新模式、新动能，是新质生产力的核心构成要素，因此，科技生产力是新质生产力的重要组成部分[1]。科技生产力为实现减污降碳协同增效提供了新的契机，与传统生产力相比，科技生产力不仅能够显著提高生产效率，还具有降低碳排放和大气污染物排放的潜力。深刻理解科技生产力对减污降碳协同增效的复杂影响机制，对于应对气候变化、促进高质量发展和建设生态文明等都具有重要意义。

1 文献综述

目前，关于科技生产力对减污降碳协同增效影响方面的研究仍较为稀缺。一方面，由于新质生产力是一个新概念，其核心构成——科技生产力作为核心解释变量对减污降碳协同增效的影响机制尚缺乏深入研究；另一方面，现有关于“减污降碳协同”方面的研究多集中在排放量或浓度的减降协同，而缺乏“增效”方面的考虑。
①新质生产力方面。自新质生产力概念提出以来，围绕新质生产力的测度及空间差异方面开展了一些研究。目前在其指标体系构成方面还未达成一致，一些研究基于生产力三要素理论，从劳动者、劳动对象、劳动资料三个方面构建指标体系[2-4]。另有一些研究则是从多维属性出发进行测度，一级指标体系主要包括以下几个方面：一是科技生产力、绿色生产力和数字生产力[1]。二是科技创新、产业升级和发展条件[5]。三是技术革命、生成要素创新和产业转型[6]。还有部分学者提出更加综合的指标体系[7]，不仅包括新质劳动者、新质劳动对象和新质劳动资料，还包含了新技术创新和新经济规模两个方面。此外，一些学者还对新质生产力的空间格局和差异进行了研究[6-7]。
②减污降碳协同方面。当前研究主要聚焦于减污降碳协同测算、时空演化分析和影响机制等方面。针对中国大陆的协同测算主要从两个角度展开：一是分析CO2与典型大气污染物排放量的协同变化[8-11]，二是基于碳排放和PM2.5浓度数据进行测算[12-13] ，这两类测算方法均未考虑减污降碳协同对经济社会的积极影响，即增效；在减污降碳协同的时空演化方面，大多数研究都是在测算结果基础上，通过简单时序分析和空间格局展示描述减污降碳协同的时空演化特征[8-13]。同时，学界也探讨了中国减污降碳协同的影响因素，主要有两类研究：一类是多因素影响分析，如Zhang等[8]、原伟鹏等[13] 、王雅楠等[11]；另一类是影响因素研究，主要涉及数字经济[10,14 -15]、数智融合发展[16]、建设用地资源集聚[9]、创新驱动政策[17]等。
③研究方法方面。关于减污降碳协同的影响机制，现有研究多采用一般多元回归[8]、门槛回归[9,16]、空间面板[15,18 -19]、地理加权回归[13,19]等传统统计模型，这些方法主要基于线性相关关系，对因果关系和非线性机制的探讨比较有限，尽管已有少数学者开始尝试采用因果推断方法如双重差分法[17]和机器学习方法[10]开展了相关研究，但在研究方法上仍需进一步拓展和深化
综上所述，研究主题方面，关于新质生产力和减污降碳协同的研究取得了诸多进展，但把两者联系的研究却非常稀缺；研究方法上，尽管少数学者开始尝试因果推断和机器学习方法，但传统统计模型仍占主导地位，缺乏对因果关系和非线性机制的深入探讨。鉴于此，本文以“新质生产力的核心构成——科技生产力如何影响减污降碳协同增效”为科学问题，按照定量测度、探测变化、研究机制和未来预测的研究逻辑，结合传统统计模型和机器学习方法展开研究。

2 理论分析与研究假说

2.1 理论分析

实现减污降碳协同增效的根本在于摆脱传统经济增长方式与生产力发展路径，即通过发展新质生产力推动高质量发展，而科技生产力是新质生产力的核心组成部分，其对减污降碳协同增效的驱动机制主要体现在以下方面：①能源结构。科技生产力推动了清洁能源技术的发展和应用，减少了对化石燃料的依赖，促进了从以煤炭为主的能源结构向以清洁能源为主的能源结构转变，降低了温室气体排放[20]。②经济结构。科技生产力通过实现绿色技术创新和应用，推动传统产业向高端化、智能化和绿色化升级，同时实现减污降碳协同和经济高质量发展；此外，科技生产力还有助于资源优化配置，降低化石能源过度消耗，直接减少碳排放和大气污染物排放[21]。

2.2 研究假说

地理现象空间格局的形成受多种因素的影响，包括自然资源、地理环境、经济发展及历史演变等。人类活动和经济发展的物质基础由自然资源和地理环境决定，而资源的配置和利用则受到经济、技术和政策的影响。由于这些要素在不同区域的分布差异，地理现象往往呈现出不均衡的空间格局，而这种格局进一步受到人口分布、基础设施建设和经济社会结构等的影响，形成复杂的空间不均衡。从本质而言，科技生产力和减污降碳协同增效均属地理现象，因此，他们也表现出明显的空间差异。据此，本文提出假说1。
假说1：科技生产力和减污降碳协同增效的空间格局具有不平衡性。
科技生产力主要通过推动新技术应用和产业结构升级，实现生产过程的低碳化和资源利用效率的提升，进而促进减污降碳协同增效。技术创新扩散理论揭示了这一过程：科技生产力带来的清洁技术，使得单位资源产出增加并减少污染排放，直接驱动了碳排放和大气污染物排放降低；然而，由于技术扩散和经济增长之间的复杂关系，初期技术创新通常具有较大的边际效益，因为新技术的引入可以快速替代高污染的传统技术，显著降低污染和碳排放，随着技术的普及和市场的成熟，边际收益递减规律开始显现，进一步的减排需要更高的技术改进成本，同时边际效应逐渐减弱。据此，本文提出假说2。
假说2：科技生产力对减污降碳协同增效具有较强的因果驱动效应，但具有非线性效应特征。
科技生产力的作用不局限于本地区域，其影响作用通过知识溢出和技术扩散等形式辐射到邻近地区，形成空间溢出效应。根据空间经济学理论，区域间的技术扩散不仅依赖技术本身的传播，还通过市场机制、劳动力流动和产业链连接等多重渠道实现。这种空间溢出效应的存在意味着各地区的环保技术和环境规制都会对邻近地区产生连锁反应，从而形成一个更大范围的协同效应。因此，科技生产力不仅直接推动本地的减污降碳协同增效，还通过跨区域互动和合作机制，间接促进整个区域的环境改善。据此，本文提出假说3。
假说3：各地区的减污降碳协同增效不仅受本地科技生产力的影响，还受到其周边地区科技生产力的影响，并也呈现出非线性特征。
科技生产力对减污降碳协同增效的影响存在空间异质性。这种差异主要源于各地区的经济基础、资源禀赋、政策环境和市场结构等的不同。经济基础雄厚的地区通常具有更强的技术创新能力和更高的科技投入，能够更快实现减污降碳协同增效；而经济发展水平较低的地区由于资金和技术限制，往往难以接受和应用先进的环保技术。同时，资源禀赋的差异也会导致各地区在环保技术应用上的效果不同。另外，政策环境和市场结构也是关键因素，当地政府的重视程度、科技政策的激励力度等，直接影响了科技生产力驱动效应强度。。据此，本文提出假说4。
假说4：本地和周边科技生产力对减污降碳协同增效的驱动效应存在空间异质性。
本文围绕上述科学问题和研究假说，深入探究科技生产力对减污降碳协同增效的影响机制。

3 变量选择与指标说明

3.1 被解释变量

本文被解释变量为减污降碳协同增效（CPCR），参考王敏等[22]的研究，构建中国省域CPCR指标体系，涵盖6个方面：减污降碳效果、扩绿效果、经济增长、产业清洁、能源效率和绿色交通（表1）。其中，CO2和4种典型大气污染物（PM2.5、PM10、NOx、SO2）的年度排放数据均来自MEIC数据集（http://meicmodel.org.cn）[23-24]，其中，前者为全球州省级碳排放MEIC数据集v1.0 （2004—2022），后者为中国污染物排放MEIC数据集v1.4 （2004—2020），2021和2022后两年数据采用贝叶斯时空层次演化模型估计而得；扩绿效果、经济增长和绿色交通相关数据来源于对应年度的《中国统计年鉴》；产业清洁相关指标中，规模以上工业单位增加值能耗数据来源于对应年份的《中国能源统计年鉴》，一般工业固体废物综合利用率数据来源于《中国环境统计年鉴》，能源效率相关数据来源于对应年份的《中国能源统计年鉴》和《中国统计年鉴》。
表1 CPCR评价指标体系及说明

Tab.1 Evaluation index system of CPCR and its explanation

一级指标 二级指标 指标含义 属性
减污降碳
协同效果		 C O 2排放强度 对应单位GDP的排放量（t/万元） -
P M 2.5排放强度 -
P M 10排放强度 -
N O x排放强度 -
S O 2排放强度 -
C O 2排放强度变化 对应单位GDP的排放量年度环比（%） -
P M 2.5排放强度变化 -
P M 10排放强度变化 -
N O x排放强度变化 -
S O 2排放强度变化 -
扩绿效果 森林覆盖率 森林面积占土地总面积的百分比（%） +
经济增长 人均 GDP GDP/年末常住人口数（万元/人） +
产业清洁 规模以上工业单位增加值能耗 工业能源消费/工业增加值（t标准煤/万元） -
一般工业固体废物综合利用率 一般工业固体废物综合利用量/一般工业固体废物产生量（包括综合利用往年贮存量）（%） +
能源效率 能源消费率 能源消费总量/地区生产总值（t标准煤/万元） -
绿色交通 非公路货运周转量占比 铁路、水路等绿色运输承担货运周转量/货运周转量总量（%） +

3.2 核心解释变量

核心解释变量为科技生产力（SNQP），其指标体系参考卢江等[1]研究基础上，从科技研发投入、科技创新环境、科技成果产出以及科技成果转化等4方面构建（表2），其数据都来源于对应年份的《中国统计年鉴》。除本地SNQP外，空间邻接周边SNQP（记为“WSNQP”）也会对本地CPCR产生影响，因此，WSNQP也是核心解释变量，基于“Queen”形式空间邻接计算而得。
表2 SNQP的评价指标体系及说明

Tab.2 Evaluation index system of SNQP and its explanation

一级指标 二级指标 单位 属性
科技研发投入 规上工业R&D人员全时当量 人 +
普通高等学校毕(结)业生数 万人 +
教育经费占GDP比重 % +
规上工业企业R&D经费 万元 +
规上工业R&D项目(课题)数 项 +
科技创新环境 研究与开发机构数 个 +
高新技术企业数 个 +
互联网宽带接入端口 万个 +
区域创新创业指数 无量纲 +
科技成果产出 专利授权数量 件 +
论文发表数量 篇 +
科技成果转化 高技术产业业务收入 万元 +
技术市场成交额 亿元 +
规模以上工业企业新产品销售收入 亿元 +
规模以上工业企业R&D经费支出与营业收入之比 % +
全要素生产率 % +

3.3 综合测度方法

本文采用时空动态熵值法[25]综合测度2004—2022年中国省域SNQP和CPCR，该方法同时考虑空间差异、时间变化和时空交互3个维度的信息熵，能很好适应时空数据场景，计算公式如下：
S C i t = 1 3 ∑ k = 1 K 1 - E k S ∑ k = 1 K 1 - E k S ) Y k , i t + 1 3 ∑ k = 1 K 1 - E k T ∑ k = 1 K 1 - E k T ) Y k , i t + 1 3 ∑ k = 1 K 1 - E k S T ∑ k = 1 K 1 - E k S T ) Y k , i t
式中： S C i t代表 i省域 t年的 S N Q P或 C P C R； Y k i t是 i省域 t年的第 k个指标的标准化值； N是省域数31（不包括港澳台地区）； T为研究时期数19； E k S、 E k T、 E k S T分别代表空间、时间和时空3个维度的信息熵值。

3.4 协变量

基于现有文献和环境经济学理论，从经济社会和地理环境两方面，选取影响协变量。首先，从经济社会视角看，人口是很多地理现象的影响因素，采用人口密度（PODE）和老龄化率（POAR）作为人口因素代理变量；环境治理投资强度直接影响环境改善，采用环境污染治理投资额占GDP比重（PIEP）表示；外资利用水平也可能在一定程度上提高绿色生产水平，采用实际利用外资占GDP比重（PAFC）表示。此外，还考虑了公众环保意识强度和政府环境规制力度，分别采用环境保护关键词百度搜索指数（BEPK）和政府工作报告环境规制词频（FEGR）度量。其次，从地理环境视角看，人均城市道路建设水平会直接影响交通领域的碳污排放，选取人均城市道路里程数（URMP）表示；植被覆盖水平在一定程度上表征了生态环境质量，采用植被覆盖指数（NDVI）量化；另外，年降水总量（TAPR）、地形条件（AETE）也是可能影响因素，因此也被纳入协变量范围。同理，除了本地协变量外，周边协变量也可能产生影响，因此每个协变量都会衍生出一个空间邻接协变量，也通过“Queen”空间邻接关系计算而得，加前缀W表示（表3）。
表3 本文变量及说明

Tab.3 Variable explanation

变量 变量名称 英文缩写
被解释变量 减污降碳协同增效 减污降碳协同增效水平（无量纲） CPCR
核心解释变量 科技生产力 本地科技生产力水平（无量纲） SNQP
周边科技生产力水平（无量纲） WSNQP
影响协变量（本地和周边） 经济社会因素 人口密度 人口密度（百人/km2 ） PODE/WPODE
老龄化率 65岁以上老年人口占比（%） POAR/WPOAR
环境污染治理投资强度 环境污染治理投资额与GDP的比值（万元/万亿元） PIEP/WPIEP
外资利用水平 实际利用外资占GDP比重（%） PAFC/WPAFC
民众环保意识强度 环境保护关键词百度搜索指数（无量纲） BEPK/WBEPK
政府环境规制强度 政府工作报告环境保护关键词词频（‰） FEGR/WFEGR
地理环境因素 城市道路建设水平 每万人城市道路里程数（km/万人） URMP/WURMP
降水量 年度降水总量（mm） TAPR/WTAPR
植被覆盖水平 植被覆盖指数（无量纲） NDVI/WNDVI
地形条件 高程平均值（m） AETE/WAETE

4 研究方法

4.1 时空演化模型

采用贝叶斯时空层次演化模型（BSTHEM）[25-27]探究SNQP和CPCR的时空演化过程。考虑到中国政府从2013年起加大对大气污染治理的力度，开始实施清洁空气行动，出台了一系列大气环境规制政策[28]，因此本文将在2004—2013和2014—2022年两个阶段研究SNQP和CPCR的时空变化规律。对应的计算公式如下：
S C i t ~ N μ i t , σ 2 I ( 0 , )
μ i t ( i , t ) = α + S i + β 0 t + β 1 i t + ε
S R R i = μ i t * ( i , t * ) M e a n ( μ i t i , t )
式中： S C i t代表 S N Q P i t或 C P C R i t，其似然函数为正态分布； μ i t和 σ 2分别是对应的期望和方差； I ( 0 , )是大于0的符号函数； α代表时空基底值，先验为无信息先验； S i代表空间效应； β 0是总体变化参数； β 1 i代表局部变化趋势； t *代表变化时段的中点； S i和 β 1 i都取BYM先验； S R R i是稳态空间格局系数。

4.2 因果关系识别方法

4.2.1 贝叶斯倾向性得分匹配方法

贝叶斯倾向性得分匹配方法（B-PSM）是一种观测数据因果推断的统计方法[29]，旨在通过匹配实验组和对照组中具有相似倾向性得分的个体来控制混杂因素，从而排除混杂影响。以识别 X k是否为因果变量为例，第一步以均值为界划分 X k为二分类变量，分为高值组和低值组；第二步采用逻辑回归计算其他协变量对 X k的倾向性得分 P S k , i t；第三步基于两组 P S k , i t分布一致的约束条件，完成倾向性得分匹配，即可平衡两组中除变量 X k外其他因素的影响，第四步采用贝叶斯统计方法估计匹配后高值组和低值组CPCR均值差值绝对值大于0的后验概率 P ( | μ 1 - μ 0 | 0 | D a t a )  ，
若对应的 P ( | μ 1 - μ 0 | 0 | D a t a ) ≥ 0.90，则可认为变量 X k以90%的概率对CPCR具有因果驱动关系，其他因果识别依此类推。

4.2.2 贝叶斯时空因果森林模型

贝叶斯时空因果森林模型（BSTCF）[10]是一种因果机器学习算法，通过把倾向性得分和空间邻接变量纳入模型，能够有效识别复杂时空因果关系。首先，倾向性得分作为协变量用于平衡处理组和对照组之间的混杂影响，从而克服混杂偏倚对因果效应估计的干扰；其次，通过引入空间邻接变量，实现对空间溢出因果效应的识别；最后，基于贝叶斯统计框架，BSTCF可以量化因果效应估计的不确定性，从而提供更全面和稳健的因果效应估计结果。综上可知，BSTCF可识别出本地自变量 X和周边自变量 W X对本地CPCR的因果关系。

4.2.2 双重稳健估计因果推断方法

双重稳健估计因果推断方法[30]结合了倾向性得分模型和结果模型，其优势在于，只要其中一个模型设定正确，便可获得一致的因果效应估计。即在模型设定不准确或存在偏差时结果依然稳健，具有很好的鲁棒性[31]。

4.3 地理探测器模型

地理探测器模型[32-33]一方面可以测度空间分层异质性的程度[34]，同时也可量化驱动因子对结局变量的解释力及交互效应。
对应的 q统计量值域为 0,1，具有三类物理意义：若按照 Y分层计算，则 q值代表 Y的空间分异程度；若按照 X分层，则 q值代表 X对 Y的解释力；若按照两个 X交叉分层，则 q值代表两个 X对 Y的交互影响。

4.4 非线性因果效应估计和未来预测方法

基于机器学习模型，采用部分依赖（PDP）技术可估计出排除混杂影响条件下单因因果效应曲线和双因素的交互效应曲面，但PDP要求变量之间相互独立，为解决多重共线性条件下时空数据的PDP，本文提出一种主成分—时空随机森林（PCA-STRF）模型，其思路为：首先对除 X k之外的变量矩阵 ( W X k , X ≠ k , W X ≠ k )进行PCA变换；然后再把所有PCA变换后的主成分作为新的变量（ P C A 1，…， P C A m）与 X k一起输入时空随机森林模型，采用PDP估计 X k的非线性效应，基于训练好的PCA-STRF，可以进一步实现 X k改变一定数量后导致 Y变化的未来预测。另外，按照上述思路，若输入变量为 X k , W X k ,   P C A 1 , … , P C A m，也可估计 X k与 W X k对 Y的交互响应曲面。

5 实证分析

5.1 SNQP和CPCR的时空演化

5.1.1 总体变化

由图1a可知，中国省域SNQP在研究期内总体呈增长趋势。具体来看，平均值由2004年的0.0482增长至2022年的0.1880，年均增长15.26%；中位值由2004年的0.0402增长至2022年的0.1369，年均增长12.66%。由图1b看出，中国省域CPCR在研究期内也呈明显增长趋势。具体而言，年平均值由2004年的0.4592增长到2022年的0.6152，年均增长1.79%；中位值由0.4668增长至0.5813，年均增长1.29%。
图1 2004—2022年中国省域SNQP和CPCR 的总体变化趋势

Fig.1 Overall trends of SNQP and CPCR in provincial-level regions of China in 2004-2022

5.1.2 空间格局

图2展示了BSTHEM估计的中国省域SNQP和CPCR在两个阶段的稳态空间格局，两者均呈现出“东南高，西北低”的空间格局，验证了假说1。
图2 2004—2013和2014—2022年中国省域SNQP和CPCR的稳态空间格局

注：基于自然资源部标准地图服务网站审图号为GS（2020）4632号的标准地图制作，底图边界无修改。图3、图5、图7同。

Fig.2 Stable spatial patterns of SNQP and CPCR in Chinain 2004-2013 and 2014-2022

①从图2a可见，西部地区SNQP明显低于东部，且东部沿海地区SNQP高于内陆地区；而图2c显示的2014—2022年SNQP空间格局有所变化，辽宁、黑龙江等地与北京、山东、江苏、浙江等地差距增大，而湖北、安徽等地与上述地区差距减小。同时，东南部地区与西北部地区SNQP存在较强的空间异质性，东南地区差异较小，空间集聚现象更明显。
②对于CPCR而言，其“东南高，西北低”的空间格局更加显著（图2b、图2d），东南沿海地区CPCR最高，且存在集聚现象。2004—2013年，CPCR空间相对度极差为0.5175，CPCR从东南沿海向西北内陆地区逐步递减。其中CPCR空间相对度大于1.10的省域有6个，小于0.9的有8个。到2014—2022年，内蒙古、青海、江苏等地的CPCR空间相对度有所提升，差距进一步缩小，但甘肃、江西等地的CPCR与高值地区的差距进一步扩大，使得CPCR空间格局发生一定变化。

5.1.3 局部变化

SNQP局部变化情况如图3a、图3c所示，2004—2013年只有极个别省域呈现降低趋势，其他省域均呈现上升趋势。其中，北京、山东、江苏、浙江和广东等地增速最快，均超过0.015。2014—2022年，各省域SNQP均有增长，且增速较快省域数量增多，其中增速超过0.015的省域有8个，多于上一阶段。
图3 2004—2013和2014—2022年中国省域SNQP和CPCR的局部变化格局

Fig.3 Local changes of SNQP and CPCR in China in 2004-2013 and 2014-2022

各省CPCR在两个阶段均呈现明显上升趋势（图3b、图3d）。2004—2013年，东部沿海以及北京、天津、山西、陕西、四川、云南、湖北、重庆等地的CPCR年度增速均位居全国前列，均超过0.010；宁夏、广东、广西、湖南以及青海、甘肃、内蒙古、辽宁等地也具有较强的增长势头，其年度增速均在0.007—0.010之间，其余省域CPCR的局部变化趋势增速则处于较低水平。2014—2022年，CPCR增速进一步加快，超过0.005的省域个数比2004—2013年多1个，内蒙古、新疆、青海、西藏、四川和广东等地的增速较2004—2013年有所提升。
自党的十八大以来，中国在政策层面进行了一系列战略部署，出台政策加强基础和应用研究，推动了科技创新、传统产业升级和新兴产业发展；同时，通过优化能源结构，提倡绿色低碳发展，减少了对高污染能源的依赖，降低了环境污染。基于前述研究结果，大多数省域在SNQP和CPCR两方面均呈现增长趋势，充分说明在此期间实施的一系列政策，在推动创新发展、促进科技进步的同时，也促进了各地区的减污降碳协同增效。

5.2 SNQP和WSNQP对CPCR的因果机制

5.2.1 因果识别

①变量筛选。计算Pearson相关系数可知，13对自变量间的相关系数绝对值大于0.70，删除BEPK、AETE、WPOAR、WBEPK、WFEGR、WURMP、WTAPR、WNDVI和WAETE等9个自变量后，自变量间相关系数绝对值都小于0.70；同时考虑到PODE和WPODE与CPCR的相关系数小于0.05，因此也将其删除。最后，将其余的11个自变量SNQP、WSNQP、POAR、PIEP、PAFC、FEGR、URMP、TAPR、NDVI、WPIEP和WPAFC纳入分析。
②因果识别。首先采用B-PSM方法对筛选出的11个自变量进行因果识别，结果见表4，可看出，实验组与对照组CPCR均值差绝对值大于0的后验概率 ≥0.90的自变量有7个：SNQP、WSNQP、PAFC、FEGR、URMP、NDVI和WPAFC，即这7个自变量以不低于90%的概率对CPCR具有因果驱动关系，其中 SNQP 和WSNQP对CPCR具有显著的正向因果驱动，验证了假说2前半部分。
表4 基于B-PSM方法的因果变量识别结果

Tab.4 Identification results of causal variables based on B-PSM method

变量名 实验组与对照组的CPCR均值差异 95%的
置信区间		 实验组与对照组
CPCR均值差绝对值
大于0的后验概率
SNQP 0.0453 0.0234，0.0684 0.9999
WSNQP 0.0219 0.0029，0.0414 0.9846
POAR 0.0081 -0.0109，0.0269 0.8091
PIEP -0.0118 -0.0328，0.0105 0.8672
PAFC 0.0343 0.0135，0.0540 1.0000
FEGR 0.0127 0.0069，0.0328 0.9000
URMP 0.0300 0.0024，0.0579 0.9830
TAPR 0.0123 -0.0248，0.0483 0.7443
NDVI 0.0532 0.0103，-0.0903 0.9923
WPIEP -0.0059 -0.0335，0.0212 0.6777
WPAFC 0.0126 0.0088，0.0350 0.9011
本文采用BSTCF和双重稳健估计因果推断方法对上述7个自变量的因果识别结果进行稳健性检验（表5）。BSTCF估计7个自变量的因果效应为正的后验概率均大于0.85，而双重稳健估计方法估计的7个自变量的因果效应结果显著（P<0.01）。说明这7个变量的因果识别结果具有可靠性和稳健性。
表5 基于BSTCF和双重稳健估计法对因果关系的识别

Tab.5 Identification of causal relationships based on BSTCF and double robust estimation method

变量名 BSTCF估计结果 双重稳健估计法估计结果
因果效应 因果效应为正
的后验概率		 因果效应 假设检验P值
SNPQ 0.0584 1.0000 0.0303 <0.0001
WSNPQ 0.0532 1.0000 0.0524 <0.0001
PAFC 0.0592 1.0000 0.0164 <0.0001
FEGR 0.0491 0.8846 0.0870 <0.0001
URMP 0.0530 1.0000 0.0262 <0.0001
NDVI 0.0143 0.8659 0.0375 <0.0001
WPAFC 0.0561 0.9559 0.0120 0.0016

5.2.2 SNQP和WSNQP对CPCR的非线性效应及驱动机制

①PCA-STRF模型的拟合精度评价。当SNQP和WSNQP依次作为核心变量情况下，训练集和测试集（按照20%随机划分）的拟合精度结果在训练集上的拟合优度 R 2分别达到0.9789和0.9802，相对误差分别为2.48%和2.41%，在测试集上的拟合优度 R 2分别为0.8427和0.8626，相对误差分别是7.25%和6.78%，均小于10.00%，结果表明本文采用
的PCA-STRF模型具有较好的泛化效果。
②不同变量的影响贡献度。由PCA-STRF模型估计得到7个因果变量对CPCR的影响贡献可知，SNQP和WSNQP对CPCR的影响贡献度最高，分别为30.60%和29.81%，大于其余5个因果变量的影响贡献，表明无论是SNQP还是WSNQP都对CPCR具有较强的驱动效应，这也部分验证了假说2和假说3。此外，植被覆盖因素（NDVI）的影响贡献度（22.96%）排在第三位，这个发现符合现实实际和已有发现，因为植被本身具有固碳和减污功能。其余因果变量URMP、PAFC、WPAFC和FEGR是CPCR的次要因子，但其影响也不可忽略，其影响贡献度的总和值达16.62%。本文还采用地理探测器模型估计了上述7个因果变量对CPCR的解释力q值，分别为43.74%、40.44%、29.49%、14.36%、13.20%、11.23%和8.56%，其大小排序与PCA-STRF模型结果一致，再次验证了结果的稳健性。
③非线性驱动机制。本文结合PCA-STRF模型和PDP技术估计SNQP与WSNQP对CPCR的剂量—反应曲线（图4）。结果表明，SNQP和WSNQP对CPCR均有显著的正向驱动效应，并呈显著的非线性特征，进一步验证了假说2和假说3。具体而言，两者对CPCR的驱动机制存在差异，在0.00~0.20的范围内，SNQP对CPCR的边际驱动效应强于WSNQP，而在0.20~0.30的范围内，WSNQP的边际驱动效应却强于SNQP。但在驱动曲线形态方面，边际驱动效应都呈现出“低值最强、中值最弱、高值稍强”的非线性特征，即当SNQP和WSNQP处于低水平时，两者对CPCR的边际驱动效应最强，达到一定阈值后，边际驱动效应开始递减，当处于中等水平时，两者对CPCR的驱动速率趋于平缓，但达到较高水平时，其边际驱动效应又开始稍有增加。上述非线性驱动机制揭示，虽然科技进步和科技创新能够显著促进减污降碳协同增效，但其促进作用并非持续增加，而是存在一个最优点，之后SNQP和WSNQP的提升对CPCR的边际贡献将逐渐减少。因此，政策制定时应该充分考虑本地和周边科技生产力对减污降碳协同增效影响的非线性特征，通过优化资源配置，增强区域协同效用，以实现最佳的环境治理效果。
图4 本地SNQP和周边WSNQP与CPCR拟合的剂量—反应曲线

Fig.4 Dose-response curves fitted by SNQP and WSNQP with CPCR

5.2.3 SNQP和WSNQP驱动CPCR边际效应的空间分异

在其他因素不变的条件下，SNQP在2022年基础上增加0.10后，驱动CPCR的边际增加值空间分布如图5a，SNQP边际驱动效应的空间分异格局呈现明显的“西北高，东南低”特点，尤其在内蒙古、青海、西藏等地，若SNQP在2022年基础上增加0.10，CPCR的边际增加值大于0.075，新疆、甘肃、吉林等地的边际增加值也在0.060~0.075之间。中部、东部和西南部地区的部分省域（如山西、江苏、云南、四川、广东等）边际增加值也较高，海南的边际增加值在0.075以上。基于地理探测器模型计算的空间分异q值为0.4253，进一步说明其具有较为显著的空间分异特征。呈现以上空间分异格局的原因可能是，处于边际增加值高值地区的SNQP较低，因此存在较强的驱动效应，而浙江、福建以及中部地区的SNQP已对CPCR发挥了一定驱动效应，因此其边际增加值要低于西北地区以及其他边际增加值高值地区。
图5 SNQP和WSNQP对CPCR驱动的边际效应空间分异格局

Fig.5 Spatial differentiation of the marginal effect of CPCR driven by SNQP and WSNQ

其他因素不变的条件下，WSNQP在2022年基础上增加0.10，驱动CPCR的边际增加值空间分布如图5b，可看出，WSNQP对于CPCR影响格局与SNQP略有不同，新疆、黑龙江、福建、海南等地边际增加值均高于0.075，西部地区、东北地区以及部分东部地区边际增加值均在0.060~0.750之间，山西、河北、河南、北京、天津、湖北、湖南、重庆、广西和浙江等地边际增加值小于其他地区，在0.015~0.035之间。就WSNQP的驱动效应而言，可能受到当地与周边地区经济联系、科技空间溢出的影响，同时部分低值地区产业结构转型存在一定难度，传统产业的惯性可能减缓了WSNQP对于CPCR的影响。因此，增强WSNQP对于CPCR的驱动效应，需要从提升科技基础设施、加强政策支持、改善教育和培训、促进产业结构转型等多方面入手。同时，鼓励区域间的科技合作与交流，以及提高社会对科技创新和环境保护的意识，也是提升周边WSNQP边际驱动效应的关键。综上所述，在其他因素不变条件下，SNQP和WSNQP在2022年基础上各增加0.10后，对应边际驱动效应的空间分异格局均呈现出“东西双高、中部低”的“凹”字型特征，且后者的空间分异q值为0.4636，说明其表现出更强的空间分异特征。

5.2.4 SNQP与WSNQP对CPCR的交互驱动效应

为了深入探究SNQP与WSNQP对CPCR的交互作用，本文首先采用地理探测器方法探测了两者对CPCR的交互作用，两者的交互q值为0.6540，大于两者的独立q值（0.4374和0.4044），因此属于双因子增强交互作用。进一步结合PCA-STRF模型和PDP技术估计交互剂量反应曲面（图6），发现当SNQP和WSNQP处在0.10以内的低值水平范围时，CPCR提升相对平稳，其增加值变化不大；然而，当两者都达到0.30以上的高值范围时，CPCR提升速率显著加快，图中表现为颜色从浅黄色迅速过渡到深红色，颜色最深的区域集中在右上角，表明在高SNQP和高WSNQP的组合下，CPCR达到峰值，提升速率最快。
图6 SNQP和WSNQP对CPCR交互驱动效应

Fig.6 Map of the interactive driving effects of SNQP and WSNQP on CPCR

通过上述分析可知，SNQP与WSNQP对CPCR的交互影响随着两者水平的提高而变得更加明显。图6a中颜色的快速转变和图6b中CPCR值的峰值区域，都清晰地指示了SNQP和WSNQP对CPCR有较强的交互作用。因此，当本地科技生产力处于低水平时，可通过促进区域间的科技合作、知识共享与技术转移等，提高跨省域区域级科技水平的协同水平，充分激发科技生产力的环境治理潜力。

5.3 SNQP和WSNQP共同促进CPCR增加的预测

①SNQP和WSNQP的5年预测。基于2014—2022年局部变化趋势的估计结果，对5年后（2027年）各省域SNQP及WSNQP的水平值和增加值进行预测。结果表明，2027年所有省域的SNQP和WSNQP都将显著增长，其中东部沿海地区SNQP和WSNQP的增量最为显著。由于这些地区科技基础设施较完善、经济实力较雄厚且政策支持的力度较大，能够吸引更多的科技研发投入和创新资源，从而显著推动科技生产力的提升。相比之下，中西部和东北地区的科技生产力虽然也在增长，但增幅低于东部地区；此外，全国SNQP的变异系数从2022年的15.87%上升至2027年的17.59%，表明SNQP的不平衡性将进一步强化。这一趋势应成为有关政策制定的重要参考依据。
②5年后SNQP和WSNQP的增长促进CPCR的增加预测。到2027年，若其他驱动因素保持稳定状态，SNQP和WSNQP的增长将共同提升各省域的CPCR。根据图7的预测结果，由于东部沿海地区SNQP和WSNQP的显著增长，其CPCR增加值尤为突出，其中广东的CPCR增加值最高，达到0.1586；江苏、浙江和福建的CPCR增加值分别为0.0985、0.0614和0.0697，这些地区在SNQP方面的进步有效地转化为了CPCR效益。相比之下，中西部、东北地区和京津冀地区的CPCR增加值较小，但仍呈现上升趋势。表明各地区的科技创新能力对其减污降碳效果的提升具有关键作用；从CPCR预测值（图7b）来看，东部沿海地区（广东、上海、江苏、浙江、福建）和北京的CPCR水平最高，其对应的CPCR预测值分别为0.8978、0.8411、0.8063、0.8429、0.8770和0.8703。表明这些地区通过科技生产力的提升实现减污降碳协同增效的潜力较大。中部地区（如河南、湖北、湖南等）的CPCR预测值也较高，分别为0.5604、0.6902和0.6574，尽管起步较晚，但随着科技生产力的提高，这些地区的减污降碳协同增效效果也将显著提升。虽然西部地区的CPCR预测值较低，但这些地区面临的减污降碳压力也相对较小。但需注意，东北三省、山西、河北和河南等地的CPCR预测值处于较低水平，这主要是由于这些地区的SNQP和WSNQP增长趋势较弱，即使经过5年的增长，其SNQP和WSNQP仍处于较低水平，导致对CPCR的驱动效应也较小。
图7 未来5年中国省域SNQP和WSNQP增加预测及其驱动CPCR的增加预测

Fig.7 Projections of the increase in SNQP and WSNQP in provincial-level regions of China in the next five years and their predicted impact on driving the increase in CPCR

6 讨论、结论与建议

6.1 讨论

本文通过深入分析2004—2022年中国省域SNQP与CPCR的时空演化过程，揭示了两者的空间不均衡；验证了科技创新与环境协同领域的“核心—边缘”理论。基于因果推断模型和机器学习方法研究发现，本地及周边科技生产力对本地减污降碳协同增效均呈现非线性驱动机制特征，突破了传统线性假设，揭示了科技创新对环境治理的复杂动态规律；同时也表明，科技提升可通过空间溢出促进区域环境改善。现有研究多集中在线性关系与局部影响，较少探讨区域科技协同提升对环境改善的复杂影响，尤其缺乏非线性机制的深入探讨。本文的贡献在于从非线性和双因素交互视角分析了科技提升对环境治理的复杂影响机制，实证支持了“区域协同发展”和“空间溢出效应”理论。未来研究可结合不同行业和区域特征，进一步从市域精细尺度探讨科技生产力对减污降碳协同增效的促进机制，并实现中长期预测分析，为政策制定提供更为精细的科学依据。

6.2 结论

①中国省域SNQP和CPCR在空间分布和时间变化上均表现出不平衡特征。SNQP和CPCR在空间分布上都呈现“东南高，西北低”，在时变趋势上虽然均呈增长趋势，但不同地区间的增长程度存在差异。②SNQP和WSNQP对CPCR都具有显著的正向非线性驱动作用。当SNQP或WSNQP处于较低水平时，其对CPCR的边际驱动效应较强，随着SNQP或WSNQP的增加，边际驱动效应逐渐减弱，当SNQP或WSNQP达到较高水平时，其边际驱动效应再次增强。③在其他条件不变情况下，SNQP和WSNQP在2022年基础上各增加0.10后，其边际驱动效应均呈现出“东西双高、中部低”的“凹”字型特征，且后者空间分异程度更强。④SNQP与WSNQP对CPCR具有明显的双因素协同增强作用，当两者均处于较高水平时，CPCR的提升速率显著加快。⑤到2027年，东部沿海地区的SNQP和WSNQP增长显著，从而显著提升CPCR，东北三省及华北部分地区的SNQP增长有限，对CPCR的驱动效果较弱。

6.3 建议

①针对SNQP和CPCR的空间不平衡现状，制定并实施区域均衡发展战略，通过财政激励和税收优惠政策，引导科技资源和资本向中西部地区流动，以缩小与东部沿海地区的发展差距。②针对时变趋势的区域差异，建立科学的动态监测体系，定期评估各地区的SNQP和CPCR发展状况，确保相关政策及时更新与调整，满足不同地区的发展需求。同时，为发展滞后地区提供定制化的技术支持和人才培养计划，以促进其科技能力和环保意识的提升。③因地制宜推动科技发展差异化发展策略。对于科技生产力较低区域，应加大基础科技投入和绿色技术孵化，以充分发挥其强边际驱动效应；而对于科技水平较高区域，应聚焦高端科技创新和成果外溢，激发其再次增强的边际效应，从而整体提升区域减污降碳协同增效效果。④以东部沿海地区科技高地为核心，构建跨区域科技协同网络，重点对中部地区实施“科技溢出+定向赋能”策略，推动中部地区减污降碳协同增效发展，引导东部科技资源向中部地区有序扩散，从而打破“中部洼地”，促进区域协调高质量发展。⑤通过国家科技计划，支持关键技术的研发与推广，尤其是在清洁能源和污染治理领域。鼓励科技创新与研发投入，特别是在初期阶段，为新兴科技企业提供资金与政策支持，以加速CPCR的提升。同时，对成熟企业提供持续创新激励，以维持CPCR的增长动力。

References

Publishing order | Descend order by publishing year | Descend order by cited within
[1]
卢江, 郭子昂, 王煜萍. 新质生产力发展水平、区域差异与提升路径[J]. 重庆大学学报(社会科学版), 2024, 30(3):1-17.

[2]
王珂, 郭晓曦. 中国新质生产力水平、区域差异与时空演进特征[J]. 统计与决策, 2024, 40(9):30-36.

[3]
王珏, 王荣基. 新质生产力:指标构建与时空演进[J]. 西安财经大学学报, 2024, 37(1):31-47.

[4]
龚日朝. 新质生产力统计内涵、指标体系与应用研究[J]. 湖南科技大学学报(社会科学版), 2024, 27(3):84-93.

[5]
孙丽伟, 郭俊华. 新质生产力评价指标体系构建与实证测度[J]. 统计与决策, 2024(9):5-11.

[6]
叶振宇, 徐鹏程. 中国新质生产力指数:理论依据与评价分析[J]. 兰州大学学报(社会科学版), 2024, 52(3):23-35.

[7]
李光勤, 李梦娇. 中国省域新质生产力水平评价、空间格局及其演化特征[J]. 经济地理, 2024, 44(8):116-125.

DOI

[8]
Zhang Q Y, Cai B F, Wang M D, et al. City level CO2 and local air pollutants co-control performance evaluation:A case study of 113 key environmental protection cities in China[J]. Advances in Climate Change Research, 2022, 13(1):118-130.

[9]
钟顺昌, 焦怡萌, 闫程莉, 等. 建设用地资源空间集聚对减污降碳协同的影响机制[J]. 地理学报, 2024, 79(3):688-711.

DOI

[10]
李俊明, 魏雯琪, 张鹏, 等. 中国市域数字经济发展对减污降碳协同的促进效应及其空间分异[J]. 经济地理, 2023, 43(12):169-180.

DOI

[11]
王雅楠, 李冰迅, 张艺芯, 等. 中国减污降碳协同效应时空特征与影响因素[J]. 环境科学, 2024, 45(9):4993-5002.

[12]
Li Y, Cui Y, Cai B, et al. Spatial characteristics of CO2 emissions and PM2.5 concentrations in China based on gridded data[J]. Applied Energy, 2020, 266(5):1-12.

[13]
原伟鹏, 孙慧, 王晶, 等. 中国城市减污降碳协同的时空演化及驱动力探析[J]. 经济地理, 2022, 42(10):72-82

DOI

[14]
刘耀彬, 邓伟凤, 李硕硕, 等. 数字产业集聚对减污降碳协同的影响——以长江经济带为例[J]. 资源科学, 2024, 46(4):744-760.

DOI

[15]
邓荣荣, 张翱祥. 中国城市数字经济发展对环境污染的影响及机理研究[J]. 南方经济, 2022, 41(2):18-37.

[16]
韩冬日, 吕晓丽, 董会忠, 等. 数字技术对降碳减污协同增效的门槛效应[J]. 资源科学, 2023, 45(11):2130-2143.

DOI

[17]
程云洁, 段鑫. 数字经济能促进城市减霾降碳吗?——基于八大国家级大数据试验区的准自然实证分析[J]. 软科学, 2023, 38(1):8-15.

[18]
缪陆军, 陈静, 范天正, 等. 数字经济发展对碳排放的影响——基于 278 个地级市的面板数据分析[J]. 南方金融, 2022(2):45-57.

[19]
李云燕, 杜文鑫. 京津冀城市群减污降碳时空特征及影响因素异质性分析[J]. 环境工程技术学报, 2023, 13(6):2006-2015.

[20]
Liza F F, Ahmad F, Wei L, et al. Environmental technology development and renewable energy transition role toward carbon-neutrality goals in G20 countries[J]. Clean Technologies and Environmental Policy, 2024:3369-3390.

[21]
Zhu X. Have carbon emissions been reduced due to the upgrading of industrial structure?Analysis of the mediating effect based on technological innovation[J]. Environmental Science and Pollution Research, 2022, 29(36):54890-54901.

[22]
王敏, 杨儒浦, 李丽平. 城市减污降碳协同度评价指标体系构建及应用研究[J]. 气候变化研究进展, 2024, 20(2):242-252.

[23]
Li M, Liu H, Geng G, et al. Anthropogenic emission inventories in China:A review[J]. National Science Review, 2017, 4(6):834-866.

[24]
Zheng B, Tong D, Li M, et al. Trends in China's anthropogenic emissions since 2010 as the consequence of clean air actions[J]. Atmospheric Chemistry and Physics, 2018, 18(19):14095-14111.

[25]
李俊明, 周佳卉, 李杰, 等. 基于贝叶斯统计的黄河流域生态文明与共同富裕的时空协同演进研究[J]. 地球信息科学学报, 2023, 25(4):766-782.

DOI

[26]
Li G, Haining R, Richardson S, et al. Space-time variability in burglary risk:A Bayesian spatio-temporal modelling approach[J]. Spatial Statistics, 2014, 9(8):180-191.

[27]
李俊明. 基于 Bayesian 层次时空模型的我国老龄化分析与预测[J]. 统计研究, 2016, 33(8):89-94.

[28]
Geng G, Liu Y, Liu Y, et al. Efficacy of China's clean air actions to tackle PM2.5 pollution between 2013 and 2020[J]. Nature Geoscience, 2024, 17(10):987-994.

[29]
Mccandless L C, Gustafson P, Austin P C. Bayesian propensity score analysis for observational data[J]. Statistics in Medicine, 2009, 28(1):94-112.

[30]
Funk M J, Weaterich D, Wiesen C, et al. Doubly robust estimation of causal effects[J]. American Journal of Epidemiology, 2011, 173(7):761-767.

DOI PMID

[31]
Bang H, Robins J M. Doubly robust estimation in missing data and causal inference models[J]. Biometrics, 2005, 61(4):962-973.

DOI PMID

[32]
Wang J F, Li X H, Christakos G, et al. Geographical detectors-Based health risk assessment and its application in the neural tube defects study of the Heshun Region,China[J]. International Journal of Geographical Information Science, 2010, 24(1):107-127.

[33]
Wang J F, Zhang T L, Fu B J. A measure of spatial stratified heterogeneity[J]. Ecological Indicators, 2016, 67(8):250-256.

[34]
Wang J, Haining R, Zhang T, et al. Statistical modeling of spatially stratified heterogeneous data[J]. Annals of the American Association of Geographers, 2024, 114(3):499-519.

[35]
王劲峰, 徐成东. 地理探测器:原理与展望[J]. 地理学报, 2017, 72(1):116-134.

DOI

Options
Outlines

/

〈 〉