煤炭城市的转型准备，为什么不能只看今天排了多少碳？
论文名片｜Yifan Shen、Xunpeng Shi、Zhibo Zhao、Jinghang Xu、Yongping Sun、Zhenliang Liao、Yingzhu Li、Yuli Shan，A dataset of low-carbon energy transition index for Chinese cities 2003–2019，Scientific Data 10，906（2023）。原论文 · DOI：10.1038/s41597-023-02815-7。
设想两座目前都依赖煤炭的城市。一座财政相对充裕，拥有技术人才与培训资源；另一座不仅产业单一，替代就业和投资也更有限。今天的能源结构可能同样不够清洁，未来走出这条路径的能力却不一样。只用排放量给它们排队，容易漏掉转型最困难的部分。
这篇数据论文把现有能源系统的表现与未来转型的社会经济准备分开，再合成一个城市能源转型指数。它提供的是一套透明、可比较的描述框架，不是对城市未来转型成败的预测，也不是某项政策的因果评估。
先说结论
- 数据覆盖282个中国地级城市、2003—2019年，共17年。每个城市每年有总指数、能源系统表现和转型准备度三个分数。
- 总指数包含33项指标，分成两个子指数、六个维度、18个组成部分。能源结构与排放只是其中一半，另一半包括经济、资本、技术和人力资源条件。
- 研究中的高技术城市组平均总分为71.9，能源生产城市组为36.3；这种组间差别很大程度上与准备度有关，不能简单解释成前一组已经完成脱碳。
- 调整归一化阈值、聚合方法或删去维度后，头尾城市的相对位置较稳定，中间城市更易变动。指数适合识别整体差距，细小名次差异需要谨慎阅读。
低碳现状与转型能力，为什么必须分开量？
城市能源转型指数（Energy Transition Index，ETI）改编自世界经济论坛的国家层面框架。城市当前的能源系统表现，考察能源系统结构与环境可持续性：煤炭占比、发电煤耗与用电的关系、能源强度、人均能源和电力消费、碳强度、人均碳排放、PM2.5等，共8项指标。
转型准备度（Transition Readiness）另有25项指标。经济发展考察增长与产业结构；资本和投资考察资产、金融存款、投资及财政能力；技术能力考察创新、科技投入和环境治理技术；人力资本考察研发、新经济就业、教育和培训条件。收入、教育与资金之所以进入框架，是因为它们可能帮助城市承受调整成本和发展替代产业，并非因为收入高本身就等于能源清洁。
图 1｜一个总分里面，现状和准备各占多少？
原图没有子图字母。左侧为ETI，中间两条主分支各占50%：能源系统表现含两个各占一半的维度，准备度含四个各占25%的维度；右侧列出18个组成部分及其在所属维度中的权重。环境可持续性有碳强度、人均排放和空气污染三部分，技术能力有人才之外的创新、支出和适应性技术三部分。百分比是分层权重，不能把33项原始指标直接当作总分中各占1/33。来源：原论文 Fig. 1。
为适配中国城市，框架删去了原国家指数中的监管与政治承诺、制度与治理，以及能源可及性和安全等维度。作者以集中治理背景与全国电力普及等理由解释这些调整。但这是一项框架取舍，不能据此推出城市之间没有治理执行差别，或者都不会面临供能风险。
表1给出33项指标、单位、上下界和来源。特别需要注意，部分变量是代理指标。例如本地发电煤炭消费与全社会用电量之比，不等于该城居民实际消费电力的煤电比例；跨城电力输入输出会影响两者关系。环境治理比率也只能反映框架选定的技术条件，不等于完整的可再生能源技术能力。
282座城市的17年，分数到底怎样算？
样本按数据可得性选择。282城在2015年覆盖全国98%人口、99%GDP和97%二氧化碳排放；这些覆盖率对应特定年份与统计口径，不能推成每年都恰好相同。能源及排放主要来自CEADs，社会经济指标主要来自《中国城市统计年鉴》，PM2.5来自Atmospheric Composition Analysis Group，创新与专利资料来自北大开放研究数据平台及中国研究数据服务平台。
各变量单位不同，需要先放到同一尺度。研究按越高越好或越低越好分别处理，使用上下界把数值归一化为0—100。基线以上下2.5%分位数，即第2.5与第97.5百分位作界，超出较好端记100、超出较差端记0，区间内线性换算。分数50代表在这套经验上下界之间走到中间，不是完成了一半碳中和任务。
之后按层级取算术平均，各同层组成部分等权。两大子指数各占一半，因此较高的经济与技术准备分可以补偿较低的现有能源系统表现。这种可补偿性来自定义本身，读者需要同时查看总分和子分数。
数据中每项城市指数有282×17＝4,794个城市—年份记录；三项合计14,382个数值，再加17年三个全国汇总指数，共14,433条指数记录。它不是14,433座城市，也不是14,433项独立能源观测。全国汇总采用282城分数的平均值，并不等同于按人口或能源消费加权的全国物理绩效。
图 2｜总分提高时，哪些地区仍面临转型压力？
（a）2019年；（b）2003年；（c）2010年，注意原图并非按年份从左到右排序。红色为较低ETI，逐步向绿、蓝色转为较高分，白色NA表示没有可用数据。图显示样本城市总体提升，同时东北、山西和内蒙古等能源生产地区仍有低分集聚。白色地区不能被理解为零分或没有能源活动。来源：原论文 Fig. 2。
这些城市的名次，会不会只是权重和阈值凑出来的？
综合指数容易受计算选择影响。研究分别把上下界改成第1与99、第5与95百分位，用几何平均替换算术平均，并逐一排除六个维度，观察分数及排序怎样变。
图 3｜哪些位置比较稳，哪些位置更依赖指数设定？
（a）纵轴为分数；（b）纵轴为排序值；横轴为按各自中位数排列的城市。红色表示基线，蓝、绿色对应两套替代上下界，箱线呈现不同设定下的变化。头尾五分之一位置较稳定，中段波动更明显。这里的箱线是计算设定敏感性，不是抽样置信区间；排序值越大也不等于城市情况越差，需按原图排序定义阅读。来源：原论文 Fig. 3。
论文报告超过一半城市的基线名次距离敏感性分析中位名次至多一位。较大变化往往出现在排除了某城的优势或弱项维度时。这支持总体排序不完全被单个异常维度支配，却不能证明权重选择唯一正确，更不能把相邻名次解释成明确、稳定的政策优劣。
图 4｜城市平均能否重现国家层面的改善方向？
单幅折线图，横轴为年份、纵轴为ETI。蓝线是本文282城的平均值，绿线是世界经济论坛中国指数，橙红线是其全球指数。重叠年份内两条中国曲线均上升，但绝对分数不同；图展示的是趋势一致性，不是指标逐项相同，也不是对每个城市分数的独立核准。来源：原论文 Fig. 4。
对照本身也有边界。城市框架源于国家ETI，两者共享概念，所以方向相近提供合理性证据，不能视为完全独立的预测验证。论文给出的2003—2019年历史面板，也不代表已经核实了2019年之后的城市表现；作者提出年度更新计划，不等于这篇论文已经提供后续年份。
能源生产城市与高技术城市，差别主要落在哪里？
研究按产业产出结构与人均GDP，把样本分为能源生产52城、制造业93城、服务业44城、高技术16城，以及其他较不发达77城。五组加起来正好282城。总分均值依次为36.3、45.7、58.4、71.9、44.5。
图 5｜现有能源系统与转型准备，哪一部分拉开了组间差距？
原图没有字母，从左至右为ETI、能源系统表现、转型准备度。颜色区分五类城市，棕色为全部城市；柱高为均值，误差线表示标准差而非均值的置信区间。能源生产城市的能源系统表现较低；服务与高技术城市在准备度上优势尤其明显，形成总分差距的重要来源。组均值不意味着组内每座城市相同。来源：原论文 Fig. 5。
鄂尔多斯是文中用来说明两子指数不能混为一谈的例子：相较其他能源生产城市，它的人均GDP较高，使准备度更强，因而总表现相对较好。这可以提示潜在转型资源，却不能证明资金已经成功转成减排，也不能将论文引用的规划或新闻报道当作完成转型的因果证据。
还需注意，城市分类依据产业结构与人均GDP，而指数准备度本身也包含经济和产业变量。因此，组间差别有一部分与框架和分组共享变量有关，不能把它直接读成某种产业类型导致高ETI的独立效应。
一张综合成绩单，仍有哪些看不见的部分？
最明显的缺口是新能源产业本身。受城市数据可得性限制，框架没有显式测量风光装机、可再生能源发电及其就业。城市可能具有较强新能源潜力，却未被这些代理指标完整捕捉；也可能因为收入、教育较好而得高分，但实际能源替代速度并不快。
未入样城市也不是可以忽略的空白。数据缺失可能与统计能力或社会经济条件有关，恰恰可能涉及转型更困难的地区。研究结论首先适用于已入样的282城，不能以覆盖率较高为由替这些城市补出分数。
最后，ETI是描述和诊断工具。它可以帮助比较同类城市、识别弱项，却不能单靠一条分数时间线判断政策效果。若研究某项政策是否提升转型，需要额外定义处理与对照、审查指标是否直接包含政策目标变量，以及处理时间趋势、城市选择和反向因果等问题。
一句话总结
判断城市转型，既要看当下能源与环境表现，也要看走向改变的资源条件；总分可以帮助定位差距，却不能代替真实减排和新能源发展的核查。
核心来源
- Shen, Y. et al.（2023）. A dataset of low-carbon energy transition index for Chinese cities 2003–2019. Scientific Data 10, 906。论文。本文五幅图与数字均据该文。
- City-level ETI scores，原始版本v1。
- 作者分析代码。
作者介绍
以下按论文发表时署名机构列示，不将其等同于作者现职。
- Yifan Shen：同济大学经济与管理学院；参与概念设计、方法与数据分析。
- Xunpeng Shi：悉尼科技大学澳中关系研究院；共同贡献作者及通讯作者，参与概念与方法设计。
- Zhibo Zhao：齐鲁工业大学（山东省科学院）金融学院；参与分析和数据整理。
- Jinghang Xu：伯明翰大学地理、地球与环境科学学院；参与正式分析。
- Yongping Sun：华中科技大学国家治理研究院与经济学院；参与论文修订。
- Zhenliang Liao：同济大学环境科学与工程学院；参与论文修订。
- Yingzhu Li：浙江大学公共管理学院；共同贡献作者及通讯作者，参与初稿与修订。
- Yuli Shan：伯明翰大学地理、地球与环境科学学院；共同贡献作者及通讯作者，参与数据整理与研究指导。
延伸思考
以下是 AI 基于论文结果所作的延伸，不属于原论文结论。
把城市放在能源系统表现与准备度构成的二维坐标上，可能比只看总排名更利于讨论行动。一座现状较弱但准备度高的城市，问题可能是如何把已有资源变成替代投资；一座两项都弱的城市，则可能更需要外部支持、培训和可承担的调整节奏。
这种分类仍需接受外部验证。可以考察相同初始能源结构下，较高准备度是否真的对应随后更快的清洁能源扩张，以及这种联系是否覆盖就业和居民负担。如果高准备度长期没有转成可观测改善，值得修改的也许是指数对能力的定义，而非继续把高分当作成功本身。
