长三角碳排放空间关联网络结构特征及演化机制

俞洁, 张勇, 李清瑶

自然资源学报 ›› 2024, Vol. 39 ›› Issue (2) : 372-391.

PDF(3743 KB)
EN中文
PDF(3743 KB)
自然资源学报 ›› 2024, Vol. 39 ›› Issue (2) : 372-391. DOI: 10.31497/zrzyxb.20240209
其他研究论文

长三角碳排放空间关联网络结构特征及演化机制

作者信息 +

Structural characteristics and evolutionary mechanism of spatial correlation network of carbon emissions in the Yangtze River Delta

Author information +
文章历史 +

摘要

基于长三角41个城市数据，以引力模型构建长三角碳排放空间关联网络，利用社会网络分析方法和动态指数随机图模型（TERGM）识别网络的结构特征及演化机制。结果发现：（1）长三角碳排放空间关联日益密切，网络复杂性和稳定性日益提升，但仍存在较大合作潜力；（2）安徽和江苏北部城市构成净溢出板块，上海和江苏南部城市构成净受益板块，省际交界地带和浙江省内城市构成经纪人板块，板块间存在较多双向溢出渠道，且板块内存在“俱乐部”集聚现象；（3）“经纪人”连接结构和核心节点主导连接结构在网络演化中发挥了关键作用，网络演化由链式结构驱动向闭合式结构驱动发展，但城市间以邻为壑的发展策略阻碍了合作减排；（4）互惠性等内生结构有助于网络的形成，对外开放等行为者—关系能力则需通过市场调节等四种机制来促进网络演化，该网络的演化兼具路径依赖和路径创造特征。

Abstract

Based on the data of 41 cities in the Yangtze River Delta (YRD), the gravity model is used to construct a spatial correlation network of carbon emissions. Social network analysis methods and the Temporal Exponential Random Graph Model (TERGM) are used to identify the structural characteristics and evolution mechanisms of the network. The findings are as follows: (1) The spatial association of carbon emissions in the YRD is becoming increasingly close, with enhanced network complexity and stability, yet the relatively low network density indicates significant potential for future cooperation. (2) Cities in Anhui and Northern Jiangsu constitute the net overflow plate, while Shanghai and cities in Southern Jiangsu form the net benefit plate. The interprovincial border areas and cities within Zhejiang constitute the broker plate. There are multiple bidirectional spillover channels among these plates, with evidence of "club" clustering within each plate. (3) The "broker" connectivity structure and the dominant connectivity structure of core nodes have played a crucial role in the evolution of the spatial correlation network of carbon emissions in the study area. The network evolution has transitioned from a chain-like structure driven development to a closed-loop structure driven development. However, the non-cooperative game strategy of prioritizing self-interest among cities has diminished the potential for cooperative emission reduction. (4) The endogenous structures of reciprocity, connectivity, and circularity contribute to the formation of the spatial correlation network of carbon emissions in the YRD region. The abilities of actors, such as external openness, industrial structure, green technological innovation, digital economic development, energy intensity, environmental regulations, and carbon sink pressure, require the mechanisms of resource endowment differentiation, market regulation, government macro-control, and technological innovation promotion to facilitate network evolution. The evolution of this network exhibits characteristics of both path dependence and path creation.

关键词

长三角 / 碳排放 / 空间关联网络 / TERGM / 社会网络分析 / 演化机制

Key words

Yangtze River Delta / carbon emissions / spatial relational network / TERGM / social network analysis / evolutionary mechanisms

引用本文

EndNote

Ris (Procite)

Bibtex

导出引用
俞洁, 张勇, 李清瑶. 长三角碳排放空间关联网络结构特征及演化机制[J]. 自然资源学报, 2024, 39(2): 372-391 https://doi.org/10.31497/zrzyxb.20240209
YU Jie, ZHANG Yong, LI Qing-yao. Structural characteristics and evolutionary mechanism of spatial correlation network of carbon emissions in the Yangtze River Delta[J]. JOURNAL OF NATURAL RESOURCES, 2024, 39(2): 372-391 https://doi.org/10.31497/zrzyxb.20240209
作为支撑中国式现代化的核心空间载体，规模庞大的城市群已成为能源消耗和碳排放高度集聚的联合体，需在“双碳”目标实现过程中承担重任、率先破局[1]。长三角区域经济、科技、资源优势明显，是中国经济发展的强劲增长极，但其碳排放量也在全国占据较大比例，以3.7%的国土面积贡献了约20%的碳排放量，且内部非均衡现象突出。长期以来，长三角一体化逐渐从单一的经济合作向能源、生态等全方位多领域合作延伸，区域内各种要素流动使得城市间越来越表现出错综复杂的网络结构特征，逐渐向绿色共同体演化，这种绿色共同体的外显表达方式则是通过碳的减排目标达成进行联合驱动。事实上，自“双碳”目标提出以来，长三角各级政府印发了一系列碳达峰方案，但城市间在政策衔接、减碳路径选择以及应对碳泄漏问题等方面仍然面临挑战。在此背景下，研究长三角碳排放流动的空间网络格局，进一步识别其形成和动态演化的机制，有助于长三角通过规则共建实现碳排放的网络化治理，进而形成碳减排“1+1>2”的局面。
目前学术界围绕碳排放的空间议题开展了大量研究，研究成果主要体现在：一是利用空间统计学分析碳排放的空间相关性和异质性[2⇓-4]。二是通过空间计量模型分析碳排放的空间溢出效应[5,6]，并剖析了能源强度、经济发展水平、人口规模、城市化水平等多种因素影响碳排放的时空异质性[7⇓-9]。相比全局估计[10,11]，上述方法进一步细化了碳排放驱动因素的空间差异，但研究视角仍然局限于地理临近层面，难以反映碳排放及其影响因素在区域之间的多维空间依赖性。
随着交叉学科的发展，一些学者将复杂网络技术引入碳排放空间格局的研究，从全局角度刻画了区域间碳排放的空间依赖性。在碳排放空间网络的构建上，有学者利用区域间投入产出模型构建了碳排放转移网络[12⇓-14]，但受制于编制时间过长，通过投入产出表分析碳排放的空间关联问题往往难以满足研究的时效性。为此，许多学者利用引力模型构建了碳排放空间关联网络[15,16]，为解决研究的时效性问题开辟了新路径。在此基础上，许多学者从整体特征和个体特征等角度对碳排放空间关联网络中的关键区域进行了识别[17,18]，还有学者通过空间聚类分析将网络划分为净受益板块、净溢出板块、双向溢出板块和经纪人板块等[19,20]。进一步，有学者对碳排放空间关联网络的影响因素或其效应进行了一些探索性分析，包括利用面板模型分析网络结构特征、人口规模、能源结构等属性变量对全球碳排放的影响[21,22]，利用二次指派程序（QAP）从能源强度差异、产业结构差异、技术水平差异等关系层面考察了碳排放空间关联网络的形成机制[23⇓-25]。但面板模型和QAP方法的局限性在于仅能分别考察属性变量和关系变量的影响效应，而碳排放空间关联关系的形成往往同时受到内生、外生等多维属性变量和关系变量的影响。随着社会网络统计方法的进步，有学者将指数随机图模型（ERGM）引入碳排放空间关联网络的研究[26]，同时对网络关系形成的内生机制和外生机制进行了估计与检验。这项研究为探究碳排放空间关联网络的形成机制提供了有益启示。但值得注意的是，传统ERGM作为静态网络分析方法，只能揭示某一时点的网络形成机制，并不适用于对网络动态变化机制的分析。
基于此，本文以长三角城市群为研究对象，利用社会网络分析方法从整体特征—个体特征—宏观连通模式—微观连通模式系统考察碳排放空间关联网络的结构特征。同时创新性地引入动态指数随机图模型（TERGM），从结构依赖、时间依赖、行为者—关系、网络嵌入角度解构网络的形成和演化机制，以期为长三角实现碳排放的网络化治理提供研究支撑。

1 研究方法与数据来源

1.1 数据来源及处理

基于数据的可得性，本文将研究区间设定为2005—2020年，所涉及的碳排放数据来源于中国碳核算数据库（https://www.ceads.net.cn/）和中国城市温室气体工作组（http://www.cityghg.com/）；植被碳固存量数据来源于MOD17A3HGF V6产品提供的500 m分辨率的全球年度NPP数据产品；夜间灯光数据来源于美国国家海洋和大气管理局（https://www.noaa.gov/）；球面距离是利用城市经纬度，通过Haversine公式计算得到；绿色专利申请量通过搜集国家知识产权局（https://www.cnipa.gov.cn/）公布的所有专利申请信息，并根据世界知识产权组织（https://www.wipo.int/portal/zh/）提供的绿色专利清单和国际分类编码识别而来。其余原始数据均来源于《中国城市统计年鉴》《中国区域统计年鉴》及各市统计年鉴。为保证数据的可比性，对其中涉及到的地区生产总值和人均地区生产总值均平减为2005年的可比价。此外，对极少数缺失值利用线性插值法做了填补处理。

1.2 长三角碳排放空间关联网络建模

已有研究主要借助VAR模型[27,28]和引力模型[29,30]两种方法来测度空间关联程度，考虑到引力模型比VAR模型更适合处理总量数据和探索网络的动态演化[31]，本文借鉴相关研究[32]，引入地区生产总值、人均地区生产总值、人口规模、碳排放总量和经济地理距离来修正引力模型：
Rij=kijpiCiGi3pjCjGj3Dij2,kij=CiCi+Cj,Dij=dijgi-gj
（1）
式中：i、j分别表示城市i、城市j；R表示碳排放空间关联程度；k为修正因子，用某城市碳排放规模占两城市碳排放总规模的比例进行修正；p表示人口规模（万人）；C表示碳排放规模（万t）；G表示地区生产总值（万元）；D表示经济地理距离，由球面距离d（km）和人均地区生产总值g（万元）进行表征。
利用式（1）测度结果构造引力矩阵ωij（41×41），并以矩阵各行均值为阈值[33]构建有向非对称二元邻接矩阵，由此得到长三角碳排放空间关联的二值网络ωij'。

1.3 长三角碳排放空间关联网络结构特征刻画

本文采用网络密度、网络等级度和网络效率三个指标来刻画网络的整体结构特征，采用点度中心度来刻画网络的个体结构特征。为了揭示长三角碳排放空间关联网络的组织形式，采用块模型分析，依据板块实际内部关系比例和板块接收关系比例划分板块类型（表1）[34]，剖析网络的宏观连通模式，并采用模体结构剖析网络的微观连通模式。
表1 空间关联网络板块分类标准

Table 1 Classification standards for spatial association network blocks

板块实际内部关系比例
（板块对内溢出关系数与总溢出关系数之比）		 板块接收关系比例
（板块接收板块外关系数与对外溢出关系数之比）
≈0 >0
≥(gk-1)/(G-1) 双向溢出板块 净受益板块/主受益板块
<(gk-1)/(G-1) 净溢出板块 经纪人板块
注：gk表示板块中的成员个数（个），G表示网络中的成员总数（个），(gk-1)/(G-1) 表示期望内部关系比例。

1.4 长三角碳排放空间关联网络演化机制建模

1.4.1 模型构建

本文以一年作为时间间隔，形成了2005—2020年共16个时期的纵向观测网络。若碳排放空间关联网络在t年的具体观测由yt表示，则由离散时间马尔科夫链原理构建一个K阶马尔可夫相关的TERGM：
P(Yt=yt|Yt-K,⋯,Yt-1,θ)=1C(θ,yt-K,⋯,yt-1)exp∑HθHg(yt,yt-1,⋯,yt-K)
（2）
式中：P(·) 表示观测网络y在所有可能出现的网络Y中出现的概率；C(·) 表示标准化常量，确保概率在0~1之间；H是影响网络形成和演化的变量集，包括结构依赖效应、时间依赖效应、行为者—关系效应、网络嵌入效应（表2）；θH是系数向量；g(·) 是对应于H的网络统计量。
表2 主要变量及其含义

Table 2 Main variables and their meanings

变量 格局 描述
结构依
赖效应		 边数（edges） 网络密度的间接反映，是关系形成的基准倾向
互惠性（mutual） 彼此交互发出关联关系，形成互惠关系的倾向
连通性（twopath） 测度i→j且j→k类型的内生网络结构变量对网络形成的影响
循环性（ctriple） 测度i→j、j→k且k→i类型的内生网络结构变量对网络形成的影响
时间依
赖效应		 稳定性（stability） t期整体网络格局在t+1期保持稳定的趋势
变异性（variability） t期的整体网络格局在t+1期发生变异的趋势，即关系的新增或消失
行为者—
关系效应		 发送者效应（nodeocov） 测度节点城市的某个属性（m）对城市间碳排放发出关系的影响
接收者效应（nodeicov） 测度节点城市的某个属性（m）对城市间碳排放接收关系的影响
异配性（absdiff） 测度节点城市间某个属性（m）的差异对网络形成的影响
网络嵌
入效应		 协网络（edgecov） 测度某个外部环境因素（n）对网络形成的影响

1.4.2 变量测度

（1）被解释变量。TERGM的被解释变量代表了长三角碳排放空间关联网络中关系存在与否（关系存在则为1，反之为0）的概率。
（2）结构依赖效应解释变量。在长三角碳排放空间关联网络的结构特征分析中，发现网络具有互惠性、连通性、循环性等特征。因此，本文选择边数（edges）、互惠性（mutual）、连通性（twopath）和循环性（ctriple）四个变量来研究网络内生结构对碳排放空间关联网络形成与演化的影响。
（3）时间依赖效应解释变量。由于碳排放空间关联网络是动态变化的，因此本文引入稳定性（stability）和变异性（variability）两种时间依赖性指标来研究长三角碳排放空间关联网络的动态演化机制。
（4）行为者—关系效应解释变量。城市的要素禀赋、经济发展水平等特征对于网络的形成和演化也可能具有一定影响，主要包括节点城市的发出效应、接收效应和异配性。参考相关文献并考虑数据可得性，对行为者—关系效应解释变量选取如表3所示。
表3 行为者—关系效应解释变量

Table 3 Explanatory variables of actor-relation effects

变量 影响路径 衡量方式
对外开放（FDI） 污染天堂[35]：对外开放→高碳产业转移→邻近地区碳排放增长→碳关联
污染光环[36]：对外开放→技术溢出→抑制区域间碳排放→碳关联		 当年实际使用外资金额占GDP比例
产业结构（sind） 产业结构差异→区域间产业转移[20]/贸易活动[26]→碳关联 工业增加值占GDP比例
绿色技术创新（ln_tech） 绿色技术创新合作→碳排放联控→空间溢出效应[37]→碳关联 绿色专利产出数量，参考文献 [38]
数字经济发展（digital） 数字化→强化要素流动和环境治理联系→降低本地和邻地碳排放[39]→碳关联 主成分分析法，参考文献 [40]
能源强度（energy） 碳排放强度不均衡[41]→区域协调发展措施→节能减排合作→碳关联 夜间灯光数据模拟测度，参考文献 [42]
环境规制（reg） 环境规制差异→污染企业转向低环境规制地区排污[43]→碳关联 熵值法，参考文献 [44]
碳汇压力（sink） 碳汇空间分布→地区碳排放压力→高碳产业转移到碳汇丰富地区→碳关联
碳汇交易→高碳排放地区向碳汇丰富地区进行自愿减排→碳关联		 单位建成区面积承载的植被碳固存量的倒数，参考文献[45]
（5）网络嵌入效应解释变量。外部环境因素也可能影响碳排放空间关联网络的形成。借鉴Pan等[46]的研究，将长三角城市间的球面距离构成的加权网络嵌入TERGM。

2 结果分析

2.1 长三角碳排放空间关联网络的结构特征

2.1.1 整体和个体结构特征演化

首先观察整体结构特征。运用Ucinet计算网络的关联关系数、网络密度、网络等级度和网络效率四个指标（图1）。由图1可知，2005—2020年长三角碳排放空间关联网络的关联关系数和网络密度总体呈现出波动增长特征，且两者同频共振，即出现“上升—下降—上升—下降—上升”的周期波动性特征。样本考察期内，网络关联关系数的均值仅有392.75，远低于可能的最大关联数1640（41×40），且网络密度的均值仅有0.24，表明网络结构相对松散，未来长三角应进一步从能源、低碳技术等碳排放要素流动与共享入手，提升网络密度，实现“抱团”式发展。
图1 2005—2020年长三角碳排放空间关联网络的整体结构特征

Fig. 1 Overall structural characteristics of the spatial correlation network of carbon emissions in the Yangtze River Delta from 2005 to 2020

Full size|PPT slide

网络效率总体下降，由2005年的0.6821下降为2020年的0.6462，说明关联关系数总体增加并存在叠加现象，网络结构更加复杂。网络等级度同样呈现总体下降趋势，由2005年的0.3379下降到2020年的0.2219，意味着长三角碳排放空间关联路径逐步扩展，网络的不平等程度下降，而2016年后等级度逐渐平缓，说明网络结构趋于稳定。随着未来长三角一体化战略的推进及碳交易机制的推动，各城市间碳要素的流动将进一步增强，网络效率可能进一步降低，网络稳健性随之增强。
进一步观察网络的个体结构特征。运用Ucinet计算网络的出度中心度和入度中心度，并绘制三维核密度曲线观察两者的动态演进特征。观察图2可知，长三角各城市度数中心度具有以下特点：（1）就分布位置而言，出度中心度和入度中心度的核密度曲线均表现出整体轻微右移的趋势，表明长三角大部分城市碳排放空间关联的溢出数和接收数处在上行轨道。（2）就主峰形态而言，出度中心度核密度曲线表现为主峰高度上升且宽度变小，表明长三角城市碳排放空间关联溢出数量的绝对差异正在缩小。入度中心度核密度曲线表现为主峰先降后升，宽度先变小后变大，表明长三角城市碳排放空间关联接收数量的绝对差异先缩小后扩大。（3）就分布延展性而言，出度中心度核密度曲线存在一定的左拖尾现象，说明长三角有部分城市的碳排放溢出数量明显少于其他城市。入度中心度核密度曲线存在显著的右拖尾现象，说明上海、苏州、无锡、杭州等核心城市的碳排放接收数显著多于其他城市；（4）就波峰数目而言，研究期内，入度中心度一直存在多峰现象，出度中心度表现为单峰向多峰演变，说明长三角碳排放溢出数和接收数均存在极化现象，仅有少数城市的溢出数和接收数较多。
图2 出度中心度和入度中心度的核密度

Fig. 2 Kernel density plot of out-degree centrality and in-degree centrality

Full size|PPT slide

2.1.2 块模型分析

为进一步探究网络的内部结构状态以及各城市地位，选取2005年和2020年数据，采用CONCOR迭代收敛法，设置最大切分深度为2，集中标准为0.200，将长三角城市群聚类为四个板块（表4）。依据表4，2005年网络关系总数为367，其中版块内和板块间关系数分别为66和301。2020年网络关系总数增至406，版块内和板块间关系数分别为57和349，说明碳排放在城市间与板块间均存在显著的溢出效应，且以板块间的溢出为主。
表4 长三角碳排放空间关联板块溢出效应

Table 4 Spillover effects of the spatial correlation network of carbon emissions in the Yangtze River Delta

板块类型 2005年 2020年
板块Ⅰ 板块Ⅱ 板块Ⅲ 板块Ⅳ 板块Ⅰ 板块Ⅱ 板块Ⅲ 板块Ⅳ
总溢出关系个数/个 板块内部 16 3 35 12 19 2 33 3
板块外部 43 28 176 54 51 43 173 82
总接收关系个数/个 板块内部 16 3 35 12 19 2 33 3
板块外部 158 79 25 39 205 48 21 75
期望内部关系比例/% 12.50 7.50 50.00 22.50 17.50 7.50 45.00 22.50
实际内部关系比例/% 27.12 9.68 16.59 18.18 27.14 4.44 16.02 3.53
依据前文空间关联网络板块的分类标准对四大板块进行命名，并依据表4绘制板块空间联系图（图3）。整体来看，各板块之间存在较多双向溢出渠道，说明各板块在碳排放空间关联网络中发挥着比较优势，“区域一盘棋”的联动效应突出。从地理位置来看，目前净溢出板块主要分布于安徽和江苏北部城市，净受益板块主要分布于上海和江苏南部城市，经纪人板块主要分布于省际交界地带和浙江省内城市。
图3 长三角碳排放空间关联网络四大板块空间联系

Fig. 3 Spatial connections among the four plates in the spatial correlation network of carbon emissions in the Yangtze River Delta

Full size|PPT slide

进一步分析发现，研究期内板块类型及其成员构成发生了较大变化，主要体现在：（1）2005年，41个城市可划分为净受益、主受益、净溢出和经纪人四个板块；2020年，主受益板块消失，并新增一个经纪人板块。（2）南京、常州、马鞍山和镇江由主受益板块进入净受益板块，扬州由净溢出板块进入净受益板块。（3）杭州和宁波由净受益板块进入经纪人板块。（4）泰州和衢州由经纪人板块进入净溢出板块。（5）宣城、合肥和滁州由净溢出板块进入经纪人板块，嘉兴由净受益板块进入经纪人板块。进一步分析图3可知，2005年净溢出板块对其他板块均产生溢出效应，尤其对净受益板块的溢出强度最大。经纪人板块在净溢出板块和净受益板块之间充当了重要的桥梁作用，既承接来自净溢出板块的溢出，又向净受益板块发出联系。2020年四大板块空间联系的复杂程度进一步加深，净溢出板块对净受益和经纪人板块的溢出效应增强。同时，经纪人板块（板块Ⅳ）的溢出效应增强，对净受益板块和另一经纪人板块均产生较强的溢出，同时受净溢出板块的联系也增多。此外，四大板块内部存在“俱乐部”式的抱团现象，表现为处于相同板块的城市间具有较多的碳排放联系，且随时间推移净受益板块的“俱乐部”效应更为明显。

2.1.3 模体结构挖掘

为了进一步探索长三角碳排放空间关联网络的微观结构及网络组织形式，本文进一步通过模体分析方法展开研究。基于Fanmod软件的Rand-ESU算法测度2005年、2010年、2015年、2019年和2020年五个阶段的三元和四元模体结构，并选取频率排名前五位的模体，结果见表5。
表5 2005—2020年长三角碳排放空间关联网络模体分析

Table 5 Analysis of motif in the spatial correlation network of carbon emissions in the Yangtze River Delta from 2005 to 2020

结构 2005年 2010年 2015年 2019年 2020年
编号 模体 频次/% 编号 模体 频次/% 编号 模体 频次/% 编号 模体 频次/% 编号 模体 频次/%
三元结构 164 28.05 164 29.07 164 27.08 166 7.22 6 9.67
6 8.11 6 7.89 166 5.64 46 2.60 14 5.46
46 2.63 46 3.66 46 3.00 238 1.35 12 2.22
12 2.03 12 1.47 238 1.02 12 0.58 238 1.04
238 0.80 238 0.95 12 0.37 / / / / / /
四元结构 18568 19.76 18568 17.06 18568 19.28 18636 4.01 2184 16.68
4380 6.32 4380 6.78 2202 3.82 2202 3.51 204 4.30
204 3.81 2202 3.61 18636 3.13 588 2.75 2202 3.04
588 3.13 588 3.38 588 2.65 27340 1.61 588 2.78
2202 2.78 204 2.27 18518 1.43 18518 1.20 18636 2.46
从模体出现的频次来看，前三阶段中模体164和模体18568在网络中出现的频次最高（2019年的模体166和模体18636分别是在模体164和模体18568的基础上形成的，因此依然具有相同的关系特征），是长三角碳排放空间关联网络形成的关键因素。模体164的基本结构是两个城市倾向于通过第三个城市来间接形成碳排放关联关系，说明网络中承担“经纪人”角色的城市较多。模体18568表现为核心节点主导连接结构形成，这一现象说明某些关键城市在网络的形成中发挥了关键作用，是碳减排的关键城市。
从模体的显著程度看，长三角碳排放空间关联网络的演化逐渐从链式结构驱动向闭合结构驱动发展，表现为三元结构中模体164和四元结构中模体18568地位有所下降，三元结构中模体166、模体46、模体238和四元结构中模体2202、模体18636的地位有所上升。特别是模体238的三个节点均存在双向的发出和接收关系，这一结构在长三角碳排放空间关联网络的形成和演化中发挥了重要作用。闭合结构的发展表明各城市间能够通过跨区域、跨产业协同合作打破行政区划壁垒，促进碳排放空间关联关系的增生，进而形成关系的共同体。然而，地方保护和财政分权引起的市场分割现象仍然存在，以邻为壑的非合作博弈发展策略降低了城市间开展合作减排的可能性，阻碍了长三角碳排放形成共同体的关联模式，表现为模体166、模体46、模体238、模体18636、模体2202在网络中出现的频次较小。同时值得注意的是，2020年的网络中重新出现以链式结构为主导的驱动模式，表现为模体6、模体14、模体12、模体2184的地位上升。

2.2 长三角碳排放空间关联网络的演化机制

2.2.1 实证结果

对2005—2020年长三角碳排放空间关联网络进行TERGM的估计与拟合（表6）。其中模型1为基准模型，模型2和模型3则逐项增加三个结构依赖变量以检验内生机制，模型4为包含外生变量与内生变量的综合模型。
表6 长三角碳排放空间关联网络的TERGM实证结果

Table 6 Empirical results of the TERGM for the spatial correlation network of carbon emissions in the Yangtze River Delta

变量 模型1 模型2 模型3 模型4
结构依赖性 edges 8.08*[8.08; 6.46] 5.15*[5.11; 3.60] 7.16*[7.23; 5.71] 3.09*[3.28; 0.19]
mutual 3.03*[3.04; 2.87] 3.42*[3.43; 3.27] 2.62*[2.58; 2.10]
twopath -0.00*[-0.01; -0.02] -0.01*[-0.02; -0.04]
ctriple -0.46*[-0.46; -0.51] -0.32*[-0.32; -0.41]
时间依赖性 stability 2.65*[2.71; 2.27]
variability -0.09*[-0.11; -0.23]
发送者属性 FDI -9.39*[-9.54; -11.12] -7.93*[-8.19; -11.24] -5.87*[-6.02; -7.79] -5.76*[-6.20; -11.04]
sind -1.70*[-1.69; -2.14] -3.12*[-3.16; -3.59] -2.49*[-2.53; -2.97] -1.36*[-1.42; -2.32]
ln_tech -0.19*[-0.19; -0.27] -0.45*[-0.45; -0.55] -0.38*[-0.37; -0.48] -0.16*[-0.12; -0.23]
digital -0.43*[-0.43; -0.56] -0.48*[-0.49; -0.67] -0.42*[-0.43; -0.53] -0.06*[-0.09; -0.35]
energy -0.10*[-0.12; -0.66] 0.11*[0.08; -0.43] 0.26*[0.22; -0.28] 0.35*[0.28; -0.42]
reg 0.08*[0.07; -0.16] -0.15*[-0.14; -0.32] 0.48*[0.48; 0.27] 0.10*[0.08; -0.28]
sink -2.09*[-2.15; -2.72] -1.94*[-1.96; -2.44] -1.29*[-1.32; -1.78] -0.34*[-0.34; -1.47]
接收者属性 FDI -5.14*[-5.09; -9.48] -3.00*[-3.11; -8.55] -2.90*[-2.90; -8.38] -0.64*[-0.64; -7.19]
sind 4.38*[4.44; 3.82] 5.41*[5.50; 4.73] 4.83*[4.91; 3.97] 2.00*[1.87; -0.26]
ln_tech 0.35*[0.36; 0.25] 0.56*[0.57; 0.43] 0.51*[0.52; 0.39] 0.48*[0.52; 0.28]
digital 0.05*[0.05; -0.16] 0.10*[0.10; -0.17] 0.14*[0.15; -0.12] 0.03*[0.01; -0.38]
energy -0.96*[-0.97; -1.39] -1.14*[-1.16; -1.53] -1.23*[-1.27; -1.80] -0.25*[-0.31; -1.55]
reg 0.50*[0.49; 0.30] 0.47*[0.47; 0.34] 0.81*[0.81; 0.62] 0.26*[0.24; -0.23]
sink -1.28*[-1.34; -1.92] -0.52*[-0.56; -1.09] -0.24*[-0.30; -0.88] 0.13*[0.03; -1.32]
异配性 FDI 0.28*[0.44; -3.65] 0.61*[0.58; -2.66] -1.50*[-1.41; -5.60] -1.42*[-1.29; -7.36]
sind 0.05*[0.12; -1.13] -0.29*[-0.29; -1.26] -0.44*[-0.40; -1.53] 0.22*[0.43; -1.00]
ln_tech 0.42*[0.41; 0.30] 0.23*[0.24; 0.16] 0.21*[0.21; 0.12] 0.10*[0.10; -0.01]
digital 0.61*[0.65; 0.45] 0.54*[0.55; 0.40] 0.45*[0.47; 0.36] -0.04*[-0.01; -0.42]
energy 1.54*[1.56; 1.17] 1.44*[1.46; 1.14] 1.14*[1.17; 0.80] 0.11*[0.16; -0.59]
reg 0.36*[0.36; 0.10] 0.34*[0.33; 0.13] 0.05*[0.05; -0.17] 0.07*[0.09; -0.30]
sink 2.25*[2.26; 1.63] 1.74*[1.74; 1.25] 1.50*[1.50; 1.02] 1.07*[1.09; -0.63]
协网络 mat_dist -2.25*[-2.27; -2.37] -1.75*[-1.76; -1.85] -2.06*[-2.08; -2.18] -1.03*[-1.07; -1.47]
N/个 26240 26240 26240 24600
注：*表示0不在置信区间，括号中的数字表示在置信水平5%的置信区间，下同。
在结构依赖效应中，互惠性（mutual）系数显著为正，意味着当城市i对城市j发出碳排放关联行为时，城市j也有向城市i发出碳排放关联行为的倾向，即互惠性积极影响碳排放空间关联网络关系的形成。连通性（twopath）系数显著为负，意味着长三角碳排放空间关联网络表现出“多核心”的结构特征，仅有少数城市兼具较多发出关系和接收关系。循环性（ctriple）系数显著为负，表明闭环流动的三角传导结构在长三角区域并不明显，即碳排放流动存在明显的不均衡和不连续性。这意味着仅依赖市场机制的设计难以形成最优的碳排放转移局面，城市间需要灵活运用市场机制和政府规制才能有效发挥碳减排政策的效果，这与邵帅等[26]基于全国层面的研究结论相同。
在时间依赖效应中，稳定性（stability）系数显著为正，变异性（variability）系数显著为负，说明长三角碳排放空间关联趋于继承中涌现变异，演化兼具“路径依赖”和“路径创造”特征，这与块模型的分析结果一致。由于受产业结构、地理位置等要素的影响，特定城市之间形成了长期的合作与互动偏好，碳排放流动“自我强化”特征明显，因而网络表现出稳定性特征。但同时，碳排放空间流动是一个复杂的动态博弈现象，产业结构调整、环境规制等阶段性不稳定因素使得城市间需要相应调整碳排放转移策略。此外，三省一市政府也可能牵头特定地区开展碳减排合作，如建立长三角绿色生态一体化示范区，因而不断在网络中创造新的路径。
在发送效应中，对外开放（FDI）、产业结构（sind）、绿色技术创新（ln_tech）、数字经济发展水平（digital）和碳汇压力（sink）的系数显著为负，而能源强度（energy）和环境规制（reg）的系数显著为正，说明一个城市对外开放程度、工业占比、绿色技术创新水平、数字经济发展水平和碳汇压力越低，能源强度和环境规制程度越高，发出碳排放关联关系的概率就越高。在接收效应中，对外开放（FDI）和能源强度（energy）的系数显著为负，而产业结构（sind）、绿色技术创新（ln_tech）、数字经济发展水平（digital）、环境规制（reg）和碳汇压力（sink）的系数显著为正，说明一个城市对外开放程度和能源强度越低，产业结构、绿色技术创新水平、数字经济发展水平、环境规制强度和和碳汇压力越高，接收碳排放关联关系的概率就越高。在异配性中，对外开放（FDI）和数字经济发展水平（digital）的系数显著为负，而产业结构（sind）、绿色技术创新（ln_tech）、能源强度（energy）、环境规制（reg）和碳汇压力（sink）的系数显著为正，说明对外开放程度和数字经济发展水平相近的城市间更易产生碳排放空间关联，而城市间产业结构、绿色技术创新、能源强度、环境规制和碳汇压力的差异能够以商品与服务为载体在城市间形成碳排放传导关系。
地理距离（mat_dist）的系数显著为负，说明地理距离抑制了长三角碳排放空间关联关系形成的概率。

2.2.2 演化机制解构

由TERGM可知，长三角碳排放空间关联网络受到地理空间邻近、绿色技术创新、能源强度、碳汇压力等稳定性影响因素和对外开放、产业结构、数字经济发展、环境规制等阶段性影响因素的综合性影响。本文根据空间相互作用理论和资源场理论[47]来解释长三角碳排放空间关联网络形成和演化的实质（图4），即碳排放通过资源禀赋差异机制、市场调节机制、政府宏观调控机制和技术创新推动机制实现了能源、技术、资本等资源要素的传导与重组。长三角碳排放空间关联网络形成和演化的“源动力”来自于资源禀赋差异，41个城市在产业基础、技术创新、生态资源等方面存在资源不平衡，各城市为了实现经济效益最大化，通过市场调节机制这一“决定力”驱使各要素在空间上实现流动和再分配。但单纯依靠市场机制存在一定局限性，因此各地政府会以宏观调控为“辅助器”，通过跨行政区的协同减排规划、碳普惠机制构建、生态转移支付等手段引导各种碳要素逆经济梯度流动，实现区域协调。技术创新推动机制是碳排放空间关联网络形成和演化的“加速器”，一方面绿色技术进步能够提高能源的利用效率而实现碳减排，另一方面数字技术创新通过赋能各类碳要素在城市间的流动来实现碳减排。四种驱动机制的综合作用促使不同要素以产业布局、能源流、资金流、技术流、数字流和生态流为载体在城市间进行合作、组织与再组合，进而显著影响了长三角碳排放的空间关联过程。随着长三角一体化战略的深入推进，碳排放关联渠道在“集聚效应”和“溢出效应”的作用下不断扩展，最终向多节点、多连线的复杂网络演化，逐渐形成绿色共同体。
图4 长三角碳排放空间关联网络的演化机制

Fig. 4 Evolutionary mechanisms of the spatial correlation network of carbon emissions in the Yangtze River Delta

Full size|PPT slide

2.2.3 模型检验

（1）稳健性检验
为了验证模型结果的稳健性，本文通过以下方法重新进行TERGM的实证估计（表7）：① 将网络的时间间隔分别调整为2年和3年，实证结果分别对应模型5和模型6。② 将模型仿真次数从1000次调整为800次，实证结果对应模型7。③ 以矩阵ωij各行均值的80%为阈值构建新的网络，实证结果对应模型8。总体而言，模型5至模型8的拟合结果表现出与模型4较高的一致性，本文结论具有较好的稳健性。
表7 稳健性检验

Table 7 Robustness test

变量 模型5 模型6 模型7 模型8
结构依赖性 edges 3.55*[4.30; 0.62] 5.16*[4.88; -0.97] 3.09*[3.36; 0.43] 3.70*[3.88; 1.51]
mutual 2.80*[2.75; 2.07] 2.83*[2.78; 2.14] 2.62*[2.56; 2.09] 2.74*[2.69; 2.06]
twopath -0.01*[-0.02; -0.05] -0.02*[-0.03; -0.04] -0.01*[-0.02; -0.05] -0.00*[-0.01; -0.04]
ctriple -0.36*[-0.35; -0.46] -0.36*[-0.36; -0.48] -0.32*[-0.32; -0.41] -0.30*[-0.29; -0.35]
时间依赖性 stability 2.08*[2.16; 1.72] 1.74*[1.80; 1.54] 2.65*[2.72; 2.29] 2.68*[ 2.76; 2.34]
variability -0.35*[-0.38; -0.72] -0.25*[-0.44; -1.15] -0.09*[-0.11; -0.22] -0.07*[-0.09; -0.21]
发送者属性 FDI -8.02*[-7.79; -11.41] -5.66*[-6.38; -13.05] -5.76*[-6.18; -11.20] -5.63*[-6.13; -12.47]
sind -1.86*[-1.91; -3.02] -1.62*[-1.56; -2.29] -1.36*[-1.41; -2.28] -1.12*[-1.10; -1.79]
ln_tech -0.06*[-0.06; -0.25] -0.21*[-0.11; -0.31] -0.16*[-0.12; -0.23] -0.22*[-0.19; -0.31]
digital -0.26*[-0.25; -0.49] -0.12*[-0.13; -0.42] -0.06*[-0.07; -0.33] -0.01*[-0.02; -0.29]
energy 0.42*[0.02; -1.97] 0.01*[-0.08; -1.04] 0.35*[0.27; -0.45] 0.22*[0.16; -0.56]
reg 0.14*[0.13; -0.46] 0.26*[0.16; -0.20] 0.10*[0.07; -0.28] 0.15*[0.14; -0.21]
sink -0.05*[-0.10; -1.43] -0.44*[-0.59; -2.09] -0.34*[-0.38; -1.50] -0.32*[-0.30; -1.30]
接收者属性 FDI -5.33*[-4.07; -8.51] -3.40*[-3.54; -18.94] -0.64*[-0.55; -7.49] 1.04*[1.03; -2.21]
sind 2.25*[1.98; -0.34] 3.13*[3.22; 0.63] 2.00*[1.87; -0.18] 0.95*[0.77; -0.85]
ln_tech 0.63*[0.65; 0.38] 0.43*[0.56; 0.28] 0.48*[0.50; 0.26] 0.50*[0.52; 0.30]
digital 0.07*[0.04; -0.48] 0.13*[0.09; -0.45] 0.03*[0.01; -0.41] -0.11*[-0.14; -0.46]
energy 0.58*[0.13; -2.00] -1.22*[-1.25; -2.55] -0.25*[-0.35; -1.55] -0.11*[-0.14; -1.00]
reg 0.19*[0.20; -0.33] 0.49*[0.40; 0.06] 0.26*[0.23; -0.24] 0.31*[0.29; -0.09]
sink 0.90*[0.62; -0.22] -0.29*[-0.61; -2.48] 0.13*[0.02; -1.27] 0.56*[0.54; -0.64]
异配性 FDI -0.79*[-0.93; -9.25] -4.66*[-4.45; -12.59] -1.42*[-1.07; -7.16] -1.00*[-0.52; -9.31]
sind 0.59*[0.66; -1.60] -0.05*[0.47; -1.82] 0.22*[0.46; -1.04] -0.42*[-0.12; -1.85]
ln_tech 0.13*[0.11; -0.10] 0.10*[0.12; -0.07] 0.10*[0.10; -0.00] 0.05*[0.05; -0.11]
digital 0.21*[0.25; -0.32] -0.00*[0.04; -0.58] -0.04*[-0.04; -0.44] -0.01*[0.01; -0.29]
energy -0.10*[0.23; -0.75] 0.49*[0.61; -0.26] 0.11*[0.20; -0.54] 0.31*[0.41; -0.70]
reg 0.06*[0.06; -0.36] -0.10*[-0.07; -0.60] 0.07*[0.09; -0.28] 0.10*[0.11; -0.27]
sink 0.31*[0.36; -1.54] 1.36*[1.50; -0.63] 1.07*[ 1.17; -0.61] 0.97*[1.01; -0.15]
协网络 mat_dist -1.31*[-1.34; -1.63] -1.19*[-1.26; -1.73] -1.03*[-1.07; -1.49] -1.02*[-1.06; -1.40]
N/个 11480 8200 24600 24600
（2）拟合优度检验
基于仿真的模型拟合优度评价方法能够更合理地评价模型拟合程度。参照唐晓彬等[48]的研究，选取节点间测地线距离、几何加权二元组伙伴分布、几何加权边共享伙伴分布、节点度、三元组普查五类网络特征指标，基于模型4仿真模拟出1000个网络，并与观测网络进行关键特征比较（图5）。可以发现，五类关键网络特征接近于仿真网络的95%置信区间，说明仿真网络能够较好地解释观测网络。此外，绘制ROC曲线以观测模型的拟合效果，发现ROC曲线接近左上角，说明模型的拟合效果较好。其次，进行样本外推断，以2005—2019年的长三角碳排放空间关联网络数据为样本拟合2020年的网络，发现TERGM依然较好地模拟了观测网络的结构特征（图6），能捕捉网络的动态演化机制。
图5 GOF检验与ROC检验（样本内拟合）

Fig. 5 GOF and ROC tests (in-sample fitting)

Full size|PPT slide

图6 GOF检验与ROC检验（样本外推断）

Fig. 6 GOF and ROC tests (out-of-sample inference)

Full size|PPT slide

（3）仿真网络分析
参考刘林青等[49]的研究，本文还基于模型4的拟合结果生成了1000个仿真网络，并对这些仿真网络进行可视化（由于篇幅限制，仅展视第1000个网络，图7b），同时绘制2020年的真实观测网络（图7a）。对比发现，各城市在仿真网络中的相对位置及所在社群与观测网络高度一致，特别是无锡、苏州、杭州、上海、南京等核心城市，其节点度值分别为46、46、42、41、39，接近真实网络的度值，这进一步验证了长三角碳排放空间关联的仿真网络能够较好地解释观测网络。
图7 仿真网络分析

Fig. 7 Simulation network analysis

Full size|PPT slide

3 结论与启示

3.1 结论

基于修正的引力模型构建长三角碳排放空间关联网络，在利用社会网络分析方法考察网络结构特征演变的基础上，构建TERGM探究网络形成及动态演化机制，得到如下结论：
（1）长三角碳排放空间关联日益密切，但合作空间依然较大。研究期内，碳排放空间关联数量和网络密度波动增长，网络效率和网络等级总体下降，表明网络日趋复杂化及稳定化。大部分城市度数中心度上升，但存在极化现象，其中出度中心度的区域差异逐渐弱化，而入度中心度的差异先减小后增大。相对松散的网络结构要求长三角进一步通过要素流动来优化碳排放的空间布局。
（2）长三角碳排放空间关联网络可划分为净溢出板块、净受益板块、主受益板块和经纪人板块，各板块间存在较多双向溢出渠道，“区域一盘棋”的联动效应突出。目前，净溢出板块主要分布于安徽和江苏北部城市，净受益板块主要分布于上海和江苏南部城市，经纪人板块主要分布于省际交界地带和浙江省内城市。各板块在样本时期内均发生了不同程度的重组，且板块间的空间关系呈现复杂化特征，板块内部存在“俱乐部”集聚效应。
（3）“经纪人”连接结构和核心节点主导连接结构在长三角碳排放空间关联网络的演化中发挥了关键作用。网络的演化逐渐从链式结构驱动向闭合结构驱动发展，各城市倾向于通过“团体组合”的方式参与碳排放空间关联活动，但城市间以邻为壑的非合作博弈发展策略也降低了合作减排的可能性。
（4）长三角碳排放空间关联网络存在显著的时间依赖效应，即在保持“路径依赖”的同时存在“路径创造”现象。对外开放程度、工业占比、绿色技术创新水平、数字经济发展水平和碳汇压力越低，能源强度和环境规制程度越高，城市发生碳排放发出关系的概率就越高。对外开放程度和能源强度越低，产业结构、绿色技术创新水平、数字经济发展水平、环境规制强度和和碳汇压力越高，城市发生碳排放接收关系的概率就越高。此外，对外开放程度和数字经济发展水平相近的城市间更易产生碳排放空间关联，而城市间产业结构、绿色技术创新、能源强度、环境规制和碳汇压力的差异能够以商品与服务为载体在城市间形成碳排放传导关系。

3.2 建议

基于本文研究结论，提出如下政策建议：
（1）考虑长三角碳排放空间关联的网络结构特征，由关键点带区域面，结合板块属性因地制宜分解减排责任。净受益板块经济发展水平较高，应当充分发挥上海、苏州、杭州、无锡等低碳转型的排头兵作用。净溢出板块应当加快引进发达城市的碳减排技术，并加速提升能源利用率，从源头上遏制能源（高碳）密集型产品的流动。经纪人板块应当充分发挥减排要素的桥梁作用，共同推进溢出端和受益端实现低碳转型。
（2）充分发挥长三角一体化的战略优势，形成“五流一布局”的网络格局，促进绿色共同体的碳减排目标实现。要以打造能源流、资金流、技术流、数字流、生态流和一体化的产业布局为目标，以“区域一盘棋”的格局实现碳排放联控联治。能源上，要立足区域资源优势构建气电融合与风光互补、藏能于民与供需响应的低碳能源体系；资金上，要推动建立长三角跨区域的低碳项目共同投资机制，发挥国内外投资的减排效应；技术上，要加强区域间低碳、零碳、负碳技术合作，让绿色技术创新合作网络不断涌现；数字上，要全力发挥数字要素这一革命性生产力的减碳作用，促进要素流动的低碳化，建立碳排放数据共享机制；生态上，要探索建立长三角区域碳补偿机制，探索建立跨区域的生态治理市场化平台。产业上，要进一步推动产业布局的统一规划，提出产业转型升级的整体规划方案。为此，长三角各城市间要逐渐弱化行政区划的界限感，逐步推进跨区域碳普惠机制落地实施，探索构建长三角统一大市场与区域碳交易市场，加速从“行政区经济”向“经济区经济”过渡，推进各种碳要素在城市间的流动。
通过本文构建的研究框架可以系统揭示区域层面碳排放空间关联网络的结构特征及演化机制。事实上，也有国内学者利用社会网络方法发现了碳排放效率[50]、雾霾污染[51]、森林生态安全[52]等生态环境领域存在空间关联现象，与本文结论存在一致性。但不同于以往宏观研究视角，本文在微观层面发现了模体结构对碳排放空间关联网络的驱动作用，是在前人研究基础上的进一步贡献。在影响机制的解构中，相关研究利用QAP方法证实了地理空间邻近、产业结构等差异关系对网络形成的促进作用[53,54]，侧面印证了本文结论的可靠性。然而，考虑到传统方法仅能考察关系数据及静态网络的局限性，本文创新性地将TERGM引入碳排放空间研究领域，发现内生结构、行为者—关系能力、时间依赖性以及外部网络均会影响网络的形成及演化，这在方法层面为研究碳排放空间关联网络的演化机制提供了新的思路。此外，本文也存在几点不足可供进一步研究：（1）在刻画长三角碳排放空间关联网络结构演变的基础上，进一步利用双重差分方法对导致网络结构变化的政策变量进行分析。（2）地理距离驱动网络演化的作用是否因数字化发展而被削弱值得进一步跟踪研究。（3）长三角碳排放空间关联如何影响碳排放的空间布局也是后续的研究重点。

参考文献

列表( 原文顺序 | 文献年度倒序 | 文中引用次数倒序 ) 可视化分析
[1]
高国力, 文扬, 王丽, 等. 基于碳排放影响因素的城市群碳达峰研究. 经济管理, 2023, 45(2): 39-58.
[ GAO G L, WEN Y, WANG L, et al. Study on carbon peak of urban clusters based on analysis of influencing factors of carbon emissions. Business and Management Journal, 2023, 45(2): 39-58.]
本文引用 [1]
[2]
郑长德, 刘帅. 基于空间计量经济学的碳排放与经济增长分析. 中国人口·资源与环境, 2011, 21(5): 80-86.
[ ZHENG C D, LIU S. Empirical research of carbon emission and economic growth in China based on the spatial econometric analysis. China Population, Resources and Environment, 2011, 21(5): 80-86.]
本文引用 [1]
[3]
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. Journal of Geographical Sciences, 2019, 29(2): 231-252.
https://doi.org/10.1007/s11442-019-1594-1
本文引用 [1] 摘要

In this study, we adopt kernel density estimation, spatial autocorrelation, spatial Markov chain, and panel quantile regression methods to analyze spatial spillover effects and driving factors of carbon emission intensity in 283 Chinese cities from 1992 to 2013. The following results were obtained. (1) Nuclear density estimation shows that the overall average carbon intensity of cities in China has decreased, with differences gradually narrowing. (2) The spatial autocorrelation Moran’s I index indicates significant spatial agglomeration of carbon emission intensity is gradually increasing; however, differences between regions have remained stable. (3) Spatial Markov chain analysis shows a Matthew effect in China’s urban carbon emission intensity. In addition, low-intensity and high-intensity cities characteristically maintain their initial state during the transition period. Furthermore, there is a clear “Spatial Spillover” effect in urban carbon emission intensity and there is heterogeneity in the spillover effect in different regional contexts; that is, if a city is near a city with low carbon emission intensity, the carbon emission intensity of the first city has a higher probability of upward transfer, and vice versa. (4) Panel quantile results indicate that in cities with low carbon emission intensity, economic growth, technological progress, and appropriate population density play an important role in reducing emissions. In addition, foreign investment intensity and traffic emissions are the main factors that increase carbon emission intensity. In cities with high carbon intensity, population density is an important emission reduction factor, and technological progress has no significant effect. In contrast, industrial emissions, extensive capital investment, and urban land expansion are the main factors driving the increase in carbon intensity.
[4]
刘华军, 邵明吉, 吉元梦. 中国碳排放的空间格局及分布动态演进: 基于县域碳排放数据的实证研究. 地理科学, 2021, 41(11): 1917-1924.
https://doi.org/10.13249/j.cnki.sgs.2021.11.005
摘要
基于中国1997—2017年2725个县域单元的碳排放数据，采用标准差椭圆、Theil指数三阶段嵌套分解和Kernel密度估计等方法，全面考察中国碳排放的空间格局及分布动态演进。研究发现：① 中国碳排放由1997年的30.97亿t增长到2012年的93.08亿t，年均增长达到7.86%，而后围绕93亿t上下波动，未出现下降的拐点。② 在空间分布上，中国碳排放呈现东高西低的分布格局，表现出东北-西南方向向心集聚、西北-东南方向空间发散的趋势。③ 在空间差异上，Theil指数三阶段嵌套分解结果表明，中国碳排放的总体差异呈下降趋势，地级行政单元内部差异的贡献率由1997年的43%增加到2017年49%，成为中国碳排放总体区域差异的主要来源。④ 在分布动态演进上，中国县域单元的碳排放存在空间收敛模式，具有显著的空间正相关性，地区间的相互作用影响中国碳排放的未来空间分布。
[ LIU H J, SHAO M J, JI Y M. The spatial pattern and distribution dynamic evolution of carbon emissions in China: Empirical study based on county carbon emission data. Scientia Geographica Sinica, 2021, 41(11): 1917-1924.]
https://doi.org/10.13249/j.cnki.sgs.2021.11.005
本文引用 [1] 摘要

Clarifying the spatial distribution, spatial differences and evolutionary trends of China’s carbon emissions has important reference value for grasping the basic situation of China’s carbon emissions and formulating a carbon peak action plan before 2030. Based on the carbon emission data of 2725 counties in China from 1997 to 2017, this paper uses standard deviation ellipse, three-stage nested inequality decomposition by Theil index and Kernel density estimation methods to comprehensively investigate the spatial pattern and dynamic evolution of China’s carbon emissions. The study found that: 1) China’s carbon emissions increased from 3.097 billion tons in 1997 to 9.308 billion tons in 2012, with an average annual growth rate of 7.86%, and then fluctuated around 9.3 billion tons, without a turning point in decline. 2) In terms of spatial distribution, China’s carbon emissions present a pattern of high in the east and low in the west, showing a trend of centripetal accumulation in the northeast-southwest direction and spatial divergence in the northwest-southeast direction. 3) In terms of spatial differences, the three-stage decomposition results of Theil index show that the overall difference in carbon emissions in China is on a downward trend, and the contribution rate of differences within prefecture-level administrative units has increased from 43% in 1997 to 49% in 2017. The main source of overall differences in China’s carbon emissions. 4) In terms of the dynamic evolution of the distribution, the carbon emissions of China’s county-level units have a spatial convergence pattern, with significant spatial positive correlation, indicating that the interaction between regions affects the future spatial distribution of China’s carbon emissions. Based on research findings, this article proposes to adjust the energy industry structure, promote the development of low-carbon industries, formulate reasonable regional joint prevention and control policies for carbon emission reduction, and establish a sound carbon trading market.
[5]
LIU F Y, LIU C Z. Regional disparity, spatial spillover effects of urbanisation and carbon emissions in China. Journal of Cleaner Production, 2019, 241: 118226, Doi: 10.1016/j.jclepro.2019.118226.
https://linkinghub.elsevier.com/retrieve/pii/S0959652619330963
本文引用 [1]
[6]
朱泳丽, 丁利杰. 长三角城市群碳排放强度的空间效应及影响因素: 基于产业转移视角. 资源科学, 2022, 44(7): 1373-1387.
https://doi.org/10.18402/resci.2022.07.06
摘要
长三角城市群协同发展背景下,城市间产业转移频繁,伴随经济和碳排放的连接,对城市碳排放强度产生的影响成为区域低碳发展需要考虑的重要战略问题。本文采用动态偏离-份额模型测度城市间产业转入和转出量。基于空间全局自相关、反距离空间权重和经济地理权重矩阵下的空间杜宾模型,对2005&#x02014;2017年26个长三角城市的产业转移动态、碳排放强度的时空演变特征进行研究,在空间溢出视角下对城市碳排放强度的影响因素进行分析。结果表明：①碳排放强度存在显著的空间自相关性,具有明显的空间溢出效应。②长三角城市群内频繁转移的产业多数为非能源密集型产业,产业转移并未产生显著&#x0201c;碳减排&#x0201d;效应。值得注意的是,产业转移的经济影响开始显现,产业转移实际上不利于长三角城市群整体碳排放量减少。③人均GDP与碳排放强度呈现&#x0201c;倒U型&#x0201d;,技术水平与碳排放强度呈现&#x0201c;U型&#x0201d;,存在&#x0201c;技术进步的反弹效应&#x0201d;,人口数的增加降低了碳排放强度,二产比重正向作用于碳排放强度。因此在制订碳减排计划时,需要考虑不同区域生产效率、能耗强度、人力资本等因素,做好产业转入、转出的碳排放强度监测,避免盲目进行产业转移;壮大优势产业,改善产业结构,培育新增长点,发展符合城市自身禀赋的低能耗产业。
[ ZHU Y L, DING L J. Spatial effects and influencing factors of carbon emission intensity in the Yangtze River Delta Urban Agglomeration: An industrial transfer-based perspective. Resources Science, 2022, 44(7): 1373-1387.]
https://doi.org/10.18402/resci.2022.07.06
本文引用 [1] 摘要

Under the background of coordinated development of urban agglomerations in the Yangtze River Delta, inter-city industrial transfer is frequent. Due to the connection of the economy and carbon emissions, the impact on urban carbon emission intensity has become an important strategic issue to be considered for regional low-carbon development. In this study, the dynamic shift-share model was employed to measure the amount of industrial transfer in and out of the cities. Based on the spatial global autocorrelation, the spatial Durbin model of inverse distance spatial weight matrix, and economic geographical weight matrix, this study examined the industrial transfer dynamics and the spatial-temporal evolution characteristics of carbon emission intensity of 26 cities in the Yangtze River Delta region from 2005 to 2017, and analyzed the influencing factors of urban carbon emission intensity from the spatial spillover perspective. The results show that: (1) Carbon emission intensity shows significant spatial autocorrelation and spatial spillover effects. (2) Most of the frequently transferred industries in the Yangtze River Delta urban agglomeration are non-energy-intensive industries. Industrial transfer does not produce significant carbon emission reduction effect. It is worth noting that the economic impact of industrial transfer is beginning to emerge, but industrial transfer is not conducive to carbon emission reduction. (3) The relationship between per capita GDP and carbon intensity is inverted U shaped. Technological development level and carbon intensity shows a U-shaped relationship, which indicates the “rebound effect” of the technological progress. Population growth lowers the carbon emission intensity. Proportion of the secondary industry has positive effects on carbon emission intensity. When making carbon emission reduction plans, the production efficiency, energy intensity, and human capital in different regions need to be taken into account. Local governments should monitor the carbon emission intensity when industries are transferred in and out, avoid blind transfer of industries, strengthen competitive industries, improve industrial structure, cultivate new growth points, and develop low energy consumption industry in accordance with cities’ resource endowment.
[7]
邱立新, 徐海涛. 中国城市群碳排放时空演变及影响因素分析. 软科学, 2018, 32(1): 109-113.
[ QIU L X, XU H T. Analysis of spatial-temporal evolution and impact factors of urban agglomerations carbon emissions in China. Soft Science, 2018, 32(1): 109-113.]
本文引用 [1]
[8]
LIANG X Y, FAN M, XIAO Y T, et al. Temporal-spatial characteristics of energy-based carbon dioxide emissions and driving factors during 2004-2019, China. Energy, 2022, 261: 124965, Doi: 10.1016/j.energy.2022.124965.
https://linkinghub.elsevier.com/retrieve/pii/S0360544222018643
本文引用 [1]
[9]
韦彦汀, 李思佳, 张华. 成渝城市群碳排放时空特征及其影响因素. 中国环境科学, 2022, 42(10): 4807-4816.
[ WEI Y T, LI S J, ZHANG H. Temporal-spatial evolution of carbon emission and driving factors in the Chengdu-Chongqing Urban Agglomeration. China Environmental Science, 2022, 42(10): 4807-4816.]
本文引用 [1]
[10]
陈占明, 吴施美, 马文博, 等. 中国地级以上城市二氧化碳排放的影响因素分析: 基于扩展的STIRPAT模型. 中国人口·资源与环境, 2018, 28(10): 45-54.
[ CHEN Z M, WU S M, MA W B, et al. Driving forces of carbon dioxide emission for China's cities: Empirical analysis based on extended STIRPAT model. China Population, Resources and Environment, 2018, 28(10): 45-54.]
本文引用 [1]
[11]
罗栋燊, 沈维萍, 胡雷. 城镇化、消费结构升级对碳排放的影响: 基于省级面板数据的分析. 统计与决策, 2022, 38(9): 89-93.
[ LUO D S, SHEN W P, HU L. Impact of urbanization and upgrading of consumption structure on carbon emissions: An analysis based on provincial panel data. Statistics & Decision, 2022, 38(9): 89-93.]
本文引用 [1]
[12]
余娟娟, 龚同. 全球碳转移网络的解构与影响因素分析. 中国人口·资源与环境, 2020, 30(8): 21-30.
[ YU J J, GONG T. Analyzing the deconstruction and influencing factors of the global carbon transfer network. China Population, Resources and Environment, 2020, 30(8): 21-30.]
本文引用 [1]
[13]
HU Y, YU Y, MARDANI A. Selection of carbon emissions control industries in China: An approach based on complex networks control perspective. Technological Forecasting and Social Change, 2021, 172: 121030, Doi: 10.1016/j.techfore.2021.121030.
https://linkinghub.elsevier.com/retrieve/pii/S0040162521004625
本文引用 [1]
[14]
韩梦瑶, 刘卫东, 杨茗月. 低碳转型下中国高耗能行业的碳风险传导解析: 基于隐含碳关联网络视角. 地理研究, 2022, 41(1): 79-91.
https://doi.org/10.11821/dlyj020210557
摘要
高耗能行业作为中国低碳转型的重要一环,是落实碳达峰、碳中和目标的重要抓手。结合各行业/部门上下游关联,本文力求构建中国隐含碳关联网络,解析高耗能行业的碳风险传导路径,主要结论如下：① 中国高耗能行业的碳排放总量从2007年的50.45亿t增长至2017年的74.27亿t,占比从77%增长至80%。② 石油加工业、化学原料制品业、有色金属加工业的上下游隐含碳转移效率相对较高,而电力生产供应业、非金属制品业、黑色金属加工业则相对较低。③ 随着高耗能与其上下游行业的关联增强,隐含碳排放占比逐层降低,碳风险传导路径各有不同。④ 电力生产供应业、黑色金属加工业、非金属制品业等的单位增加值减少量对应的碳排放削减量较高,减排效率较其他行业更为显著。本研究通过构建隐含碳关联网络,解析碳风险传导的关键节点及路径,力求为中国高耗能行业的可持续低碳转型及潜在风险规避提供借鉴参考。
[ HAN M Y, LIU W D, YANG M Y. Carbon risk transmission of China's energy-intensive industries under low-carbon transition: From the embodied carbon network perspective. Geographical Research, 2022, 41(1): 79-91.]
本文引用 [1]
[15]
BAI C Q, ZHOU L, XIA M L, et al. Analysis of the spatial association network structure of China's transportation carbon emissions and its driving factors. Journal of Environmental Management, 2020, 253: 109765, Doi: 10.1016/j.jenvman.2019.109765.
https://linkinghub.elsevier.com/retrieve/pii/S0301479719314835
本文引用 [1]
[16]
张正峰, 张栋. 基于社会网络分析的京津冀地区碳排放空间关联与碳平衡分区. 中国环境科学, 2023, 43(4): 2057-2068.
[ ZHANG Z F, ZHANG D. Spatial relatedness of CO2 emission and carbon balance zoning in Beijing Tianjin Hebei counties. China Environmental Science, 2023, 43(4): 2057-2068.]
本文引用 [1]
[17]
李爱, 王雅楠, 李梦, 等. 碳排放的空间关联网络结构特征与影响因素研究: 以中国三大城市群为例. 环境科学与技术, 2021, 44(6): 186-193.
[ LI A, WANG Y N, LI M, et al. Study on the structural characteristics and influencing factors of spatial correlation network of carbon emissions: A case study of three major urban agglomerations in China. Environmental Science & Technology, 2021, 44(6): 186-193.]
本文引用 [1]
[18]
郑航, 叶阿忠. 空间关联网络结构特征的减排效应: 基于城市群视角. 环境科学, 2022, 43(10): 4401-4407.
[ ZHENG H, YE A Z. Carbon emission reduction effect of spatial correlation network structure characteristics: From the perspective of urban agglomeration. Environmental Science, 2022, 43(10): 4401-4407.]
本文引用 [1]
[19]
张帅, 袁长伟, 赵小曼. 中国交通运输碳排放空间聚类与关联网络结构分析. 经济地理, 2019, 39(1): 122-129.
[ ZHANG S, YUAN C W, ZHAO X M. Spatial clustering and correlation network structure analysis of transportation carbon emissions in China. Economic Geography, 2019, 39(1): 122-129.]
本文引用 [1]
[20]
童磊, 王运鹏. 省域碳排放的空间网络结构特征与影响因素研究: 基于产业转移视角. 经济问题, 2020, (3): 18-24.
[ TONG L, WANG Y P. Spatial network structure characteristics and influencing factors of provincial carbon emissions: Based on the perspective of industrial transfer. On Economic Problems, 2020, (3): 18-24.]
本文引用 [2]
[21]
孙亚男, 刘华军, 刘传明, 等. 中国省际碳排放的空间关联性及其效应研究: 基于SNA的经验考察. 上海经济研究, 2016, (2): 82-92.
[ SUN Y N, LIU H J, LIU C M, et al. Research on spatial association of provinces carbon emissions and its effects in China. Shanghai Journal of Economics, 2016, (2): 82-92.]
本文引用 [1]
[22]
JIANG M H, AN H Z, GAO X Y, et al. Factors driving global carbon emissions: A complex network perspective. Resources, Conservation and Recycling, 2019, 146: 431-440.
https://doi.org/10.1016/j.resconrec.2019.04.012
https://linkinghub.elsevier.com/retrieve/pii/S0921344919301740
本文引用 [1]
[23]
杨桂元, 吴齐, 涂洋. 中国省际碳排放的空间关联及其影响因素研究: 基于社会网络分析方法. 商业经济与管理, 2016, (4): 56-68, 78.
[ YANG G Y, WU Q, TU Y. Researches of China's regional carbon emission spatial correlation and its determinants: Based on the method of social network analysis. Journal of Business Economics, 2016, (4): 56-68, 78.]
本文引用 [1]
[24]
王晓平, 冯庆, 宋金昭. 成渝城市群碳排放空间关联结构演化及影响因素. 中国环境科学, 2020, 40(9): 4123-4134.
[ WANG X P, FENG Q, SONG J Z. The spatial association structure evolution of carbon emissions in Chengdu-Chongqing Urban Agglomeration and its influence mechanism. China Environmental Science, 2020, 40(9): 4123-4134.]
本文引用 [1]
[25]
DONG J, LI C B. Structure characteristics and influencing factors of China's carbon emission spatial correlation network: A study based on the dimension of urban agglomerations. Science of the Total Environment, 2022, 853: 158613, Doi: 10.1016/j.scitotenv.2022.158613.
https://linkinghub.elsevier.com/retrieve/pii/S0048969722057126
本文引用 [1]
[26]
邵帅, 徐俐俐, 杨莉莉. 千里“碳缘”一线牵: 中国区域碳排放空间关联网络的结构特征与形成机制. 系统工程理论与实践, 2023, 43(4): 958-983.
https://doi.org/10.12011/SETP2022-1418
摘要
本文采用社会网络分析方法, 在对 1998–2016 年中国区域碳排放空间关联网络结构特征进行考察的基础上, 建立指数随机图模型首次对中国碳排放空间关联网络的形成机制进行了识别和解释. 结果表明: 中国区域碳排放空间关联网络可分为 “各司其责” 的四大板块并呈现出明显的区域化 “俱乐部” 空间分布特征; 各板块在样本时期内均发生了不同程度的重组, 其中净溢出板块的组成省份有所减少, 主受益和净受益板块的组成省份有所增加, 而经纪人板块的组成省份虽然有所变化但总数保持不变; 区域间的 “碳排放避难所” 效应有所弱化, 各区域倾向于以 “互惠” 或 “组团” 的方式参与碳排放空间关联 “活动”, 碳排放的空间关联存在区域间各自为政的 “诸侯经济” 与梯度断层现象; 较高的对外开放度、清洁低碳的能源结构与能源效率的提升有利于推动区域间产生更多的碳排放接收关系; 碳排放的空间关联格局随能源结构的升级而呈现出 “由西向东” 和 “由北向南” 的梯度关联趋向; 区域间经济发展方式在对外开放、经济集聚、产业结构、能源效率上的互补性以及紧密的区域贸易联系,促使碳排放空间关联网络随着区域间分工与协作的加强而呈现出千里 “碳缘” 一线牵的特点.因此, 加快推进实施区域一体化和碳交易市场等协作减排政策, 将有效促进区域间的协同低碳转型发展格局得以实现.
[ SHAO S, XU L L, YANG L L. Structural characteristics and formation mechanism of carbon emission spatial association networks within China. Systems Engineering-Theory & Practice, 2023, 43(4): 958-983.]
本文引用 [3]
[27]
刘华军, 何礼伟. 中国省际经济增长的空间关联网络结构: 基于非线性Granger因果检验方法的再考察. 财经研究, 2016, 42(2): 97-107.
[ LIU H J, HE L W. The spatial network structure of China's provincial economic growth: Re-examination based on Nonlinear Granger causality test. Journal of Finance and Economics, 2016, 42(2): 97-107.]
本文引用 [1]
[28]
邵海琴, 王兆峰. 中国交通碳排放效率的空间关联网络结构及其影响因素. 中国人口·资源与环境, 2021, 31(4): 32-41.
[ SHAO H Q, WANG Z F. Spatial network structure of transportation carbon emissions efficiency in China and its influencing factors. China Population, Resources and Environment, 2021, 31(4): 32-41.]
本文引用 [1]
[29]
XU H C, LI Y L, ZHENG Y J, et al. Analysis of spatial associations in the energy-carbon emission efficiency of the transportation industry and its influencing factors: Evidence from China. Environmental Impact Assessment Review, 2022, 97: 106905, Doi: 10.1016/j.eiar.2022.106905.
https://linkinghub.elsevier.com/retrieve/pii/S0195925522001718
本文引用 [1]
[30]
DONG S M, REN G X, XUE Y T, et al. Urban green innovation's spatial association networks in China and their mechanisms. Sustainable Cities and Society, 2023, 93: 104536, Doi: 10.1016/j.scs.2023.104536.
https://linkinghub.elsevier.com/retrieve/pii/S2210670723001476
本文引用 [1]
[31]
方大春, 王琳琳. 我国碳排放空间关联的网络特征及其影响因素研究. 长江流域资源与环境, 2023, 32(3): 571-581.
[ FANG D C, WANG L L. Network characteristics and influencing factors of spatial correlation of carbon emissions in China. Resources and Environment in the Yangtze Basin, 2023, 32(3): 571-581.]
本文引用 [1]
[32]
魏燕茹, 陈松林. 福建省土地利用碳排放空间关联性与碳平衡分区. 生态学报, 2021, 41(14): 5814-5824.
[ WEI Y R, CHEN S L. Spatial correlation and carbon balance zoning of land use carbon emissions in Fujian province. Acta Ecologica Sinica, 2021, 41(14): 5814-5824.]
本文引用 [1]
[33]
HUO T F, CAO R J, XIA N N, et al. Spatial correlation network structure of China's building carbon emissions and its driving factors: A social network analysis method. Journal of Environmental Management, 2022, 320: 115808, Doi: 1016/j.jenvman.2022.115808.
https://linkinghub.elsevier.com/retrieve/pii/S0301479722013810
本文引用 [1]
[34]
王悦, 张福琴, 史文秀. 区域创新产出空间异质性及关联网络分析. 科技进步与对策, 2019, 36(9): 43-50.
[ WANG Y, ZHANG F Q, SHI W X. Spatial correlation network and heterogeneity analysis of regional innovation output. Science & Technology Progress and Policy, 2019, 36(9): 43-50.]
本文引用 [1]
[35]
LI L, HONG X F, PENG K. A spatial panel analysis of carbon emissions, economic growth and high-technology industry in China. Structural Change and Economic Dynamics, 2019, 49: 83-92.
https://doi.org/10.1016/j.strueco.2018.09.010
https://linkinghub.elsevier.com/retrieve/pii/S0954349X18301838
本文引用 [1]
[36]
PAN X F, WANG Y Q, TIAN M Y, et al. Spatio-temporal impulse effect of foreign direct investment on intra- and inter-regional carbon emissions. Energy, 2023, 262: 125438, Doi: 10.1016/j.energy.2022.125438.
https://linkinghub.elsevier.com/retrieve/pii/S0360544222023209
本文引用 [1]
[37]
CHEN H Y, YI J Z, CHEN A B, et al. Green technology innovation and CO2 emission in China: Evidence from a spatial-temporal analysis and a nonlinear spatial durbin model. Energy Policy, 2023, 172: 113338, Doi: 10.1016/j.enpol.2022.113338.
https://linkinghub.elsevier.com/retrieve/pii/S0301421522005572
本文引用 [1]
[38]
董直庆, 王辉. 环境规制的“本地—邻地”绿色技术进步效应. 中国工业经济, 2019, (1): 100-118.
[ DONG Z Q, WANG H. Local-neighborhood effect of green technology of environmental regulation. China Industrial Economics, 2019, (1): 100-118.]
本文引用 [1]
[39]
常皓亮, 夏飞龙. 数字经济赋能低碳发展: 机制识别与空间溢出. 科技进步与对策, 2023, 40(10): 48-57.
[ CHANG H L, XIA F L. Empowerment of digital economy to low-carbon development: Mechanism identification and spatial spillover. Science & Technology Progress and Policy, 2023, 40(10): 48-57.]
本文引用 [1]
[40]
赵涛, 张智, 梁上坤. 数字经济、创业活跃度与高质量发展: 来自中国城市的经验证据. 管理世界, 2020, 36(10): 65-76.
[ ZHAO T, ZHANG Z, LIANG S K. Digital economy, entrepreneurship, and high-quality economic development: Empirical evidence from urban China. Journal of Management World, 2020, 36(10): 65-76.]
本文引用 [1]
[41]
王青. 长三角都市圈工业能源消费碳排放强度区域差异及动态演进. 人民论坛·学术前沿, 2022, (22): 52-61.
[ WANG Q. Regional differences and dynamic evolution of carbon emission intensity of industrial energy consumption in the Yangtze River Delta Metropolitan Area. Frontiers, 2022, (22): 52-61.]
本文引用 [1]
[42]
史丹, 李少林. 排污权交易制度与能源利用效率: 对地级及以上城市的测度与实证. 中国工业经济, 2020, (9): 5-23.
[ SHI D, LI S L. Emissions trading system and energy use efficiency: Measurements and empirical evidence for cities at and above the prefecture level. China Industrial Economics, 2020, (9): 5-23.]
本文引用 [1]
[43]
张德钢, 陆远权. 中国碳排放的空间关联及其解释: 基于社会网络分析法. 软科学, 2017, 31(4): 15-18.
[ ZHANG D G, LU Y Q. Study on the spatial correlation and explanation of carbon emission in China. Soft Science, 2017, 31(4): 15-18.]
本文引用 [1]
[44]
赵霄伟. 环境规制、环境规制竞争与地区工业经济增长: 基于空间Durbin面板模型的实证研究. 国际贸易问题, 2014, (7): 82-92.
[ ZHAO X W. Environmental regulation, environmental regulation competition and regional industrial economic growth: An empirical study based on spatial panel Durbin model. Journal of International Trade, 2014, (7): 82-92.]
本文引用 [1]
[45]
李咏华, 高欣芸, 姚松, 等. 长三角城市群核心地区碳平衡压力与新型城镇化脱钩关系. 经济地理, 2022, 42(12): 72-81.
https://doi.org/10.15957/j.cnki.jjdl.2022.12.008
摘要
碳平衡压力指数与新型城镇化水平脱钩,是判断区域低碳可持续发展的重要表征,也是评价高质量发展模式、缓解资源环境约束的关键指标。文章通过构建碳平衡压力测度模型和新型城镇化水平评价指标体系,以长三角城市群核心地区16个城市为研究对象,考察2006&#x02014;2020年二者的水平格局和空间演化特征,基于Tapio脱钩模型及脱钩追赶模型,探讨各城市城镇化建设与碳排放压力的动态演化关系。结果表明：①长三角城市群核心地区碳平衡压力在2006年呈现由北向南&#x0201c;低&#x02014;高&#x02014;低&#x0201d;的空间分异,2014&#x02014;2020年多数城市碳平衡压力指数趋于稳定,经历了&#x0201c;十二五&#x0201d;至&#x0201c;十三五&#x0201d;期间产业结构调整、能源结构优化,较&#x0201c;十一五&#x0201d;末呈现明显下降趋势。②能源强度效应是长三角城市群核心地区碳平衡压力增长的主要抑制因素,并呈现&#x0201c;减轻&#x02192;增强&#x02192;减轻&#x0201d;的趋势。③新型城镇化水平在总体上升态势中体现出空间分异、个体差异的特征。④Tapio脱钩指数模型显示长三角城市群核心地区依次经历&#x0201c;扩张负脱钩&#x02192;强脱钩&#x02192;弱脱钩&#x0201d;状态,整体由粗放扩张向集约低碳发展模式转变;碳平衡压力与新型城镇化水平间的追赶脱钩指数模型显示,以杭州和上海为标杆城市,至2020年,扬州、无锡、镇江三市实现了理想追赶。⑤依据脱钩类型和脱钩追赶状态,提出了高质量发展型、绿色发展型、集约扩张型、承接扩张型和外延扩张型等五类城市的发展模式及相应的高质量发展路径。
[ LI Y H, GAO X Y, YAO S, et al. Decoupling relationship between carbon balance pressure and new urbanization in the core area of the Yangtze River Delta Urban Agglomeration, China. Economic Geography, 2022, 42(12): 72-81.]
本文引用 [1]
[46]
PAN A, XIAO T, DAI L. The structural change and influencing factors of carbon transfer network in global value chains. Journal of Environmental Management, 2022, 318: 115558, Doi: 10.1016/j.jenvman.2022.115558.
https://linkinghub.elsevier.com/retrieve/pii/S0301479722011318
本文引用 [1]
[47]
赵林, 曹乃刚, 韩增林, 等. 中国生态福利绩效空间关联网络演变特征与形成机制. 自然资源学报, 2022, 37(12): 3183-3200.
https://doi.org/10.31497/zrzyxb.20221211
摘要
在定量测度生态福利绩效基础上，借助修正的引力模型和社会网络分析方法，研究了中国生态福利绩效空间关联网络演变特征与形成机制。研究发现：（1）中国生态福利绩效空间关联网络呈现“东密西疏”的空间分异规律，关联网络有“扁平化”发展趋势，网络稳定性亟待提升。（2）京津冀、长三角和珠三角处于网络核心位置，具有较强的溢出效应，东北、西北和西南地区处于边缘位置，贵州和甘肃是联系西南和西北省区的关键节点，生态福利绩效在省际间的传输多通过南部省区的中介作用实现。（3）北京、天津和上海构成净溢出板块，珠三角和江浙地区属经纪人板块，长江中下游及西南地区为净溢出板块，东北、黄河中下游及西北地区构成双向溢出板块。（4）资源禀赋差异、市场调节、政府宏观调控和科学技术推动是空间关联网络演变的主要驱动机制。研究成果可为推动生态福利绩效的跨区域协同提升提供参考依据。
[ ZHAO L, CAO N G, HAN Z L, et al. Evolution characteristics and formation mechanism of spatial correlation network of ecological well-being performance in China. Journal of Natural Resources, 2022, 37(12): 3183-3200.]
https://doi.org/10.31497/zrzyxb.20221211
本文引用 [1] 摘要

In this article, the ecological well-being performance of provincial-level regions in China from 2000 to 2019 is measured by using the super EBM model considering undesirable output. At the same time, with the help of the modified gravity model and social network analysis method, the evolution characteristics and formation mechanism of China's ecological well-being performance spatial correlation network are analyzed. The results show that: (1) The spatial correlation network of China's ecological well-being performance shows a spatial pattern of "dense in the east but sparse in the west". During the research period, the hierarchical network structure was gradually changed, and the associated network had a "flat" evolution trend. However, the compactness and stability of spatial association networks need to be improved. (2) The Beijing-Tianjin-Hebei region, Yangtze River Delta and Pearl River Delta are at the core of the spatial correlation network, showing obvious spillover effects, while the Northeast, Northwest and Southwest regions are located at the edge of the network. Guizhou and Gansu are the key nodes between the eastern region and the southwest and northwest provinces in the network. The transmission of ecological well-being performance among provinces is mostly realized through the mediating role of southern provinces. On the whole, the eastern coastal provinces are the "overflow highland" in the spatial correlation network, showing a significant "trickling-down effect" on the Northwest, Southwest and Northeast regions, and the benefit effect of the central provinces is not significant. (3) The results of block model analysis show that China's ecological well-being performance has significant spillover effects between provinces and regions, and the spillover effect between regions is the most important. Among them, Beijing, Tianjin and Shanghai play the role of "engine" in the correlation network, forming the net overflow plate. The Pearl River Delta and Jiangsu and Zhejiang belong to the broker plate, the middle and lower reaches of the Yangtze River and Southwest China are net overflow plates, and Northeast region, the middle and lower reaches of the Yellow River and Northwest region constitute two-way overflow plates. (4) Resource endowment difference, market regulation, government macro-control and science and technology progress are the main driving mechanisms for the evolution of spatial correlation network of ecological well-being performance in China. This study can provide an important reference for promoting the regional collaborative improvement of ecological well-being performance.
[48]
唐晓彬, 崔茂生. “一带一路”货物贸易网络结构动态变化及其影响机制. 财经研究, 2020, 46(7): 138-153.
[ TANG X B, CUI M S. Research on the dynamic change of goods trade network structure and its impact mechanism of countries along the Belt and Road. Journal of Finance and Economics, 2020, 46(7): 138-153.]
本文引用 [1]
[49]
刘林青, 闫小斐, 杨理斯, 等. 国际贸易依赖网络的演化及内生机制研究. 中国工业经济, 2021, (2): 98-116.
[ LIU L Q, YAN X F, YANG L S, et al. Research on the evolution and endogenous mechanism of international trade dependence network. China Industrial Economics, 2021, (2): 98-116.]
本文引用 [1]
[50]
吉雪强, 张跃松. 长江经济带种植业碳排放效率空间关联网络结构及动因. 自然资源学报, 2023, 38(3): 675-693.
https://doi.org/10.31497/zrzyxb.20230308
摘要
基于长江经济带11省市数据，利用非期望产出SBM模型测度种植业碳排放效率，通过修改的引力模型构建空间关联网络，应用社会网络分析法剖析空间关联网络结构，利用QAP模型分析空间关联网络驱动因素。研究表明：（1）长江经济带种植业碳排放效率提升较快，效率较高，但仍有提升空间，且存在地区差距，整体呈现出复杂空间网络特征；（2）长江经济带种植业碳排放效率空间关联网络关联性增强，网络结构稳定性提升，空间关联网络由上海单极主导演变为江苏、浙江、贵州、上海多中心协同发展格局；（3）农民人均收入、交通运输水平、空间邻接关系、科技水平、政府农业重视水平对长江经济带种植业碳排放效率空间关联网络具有重要影响。提升种植业碳排放效率时应考虑空间关联网络结构及其动因影响，采取有效措施增强种植业碳排放效率空间关联。
[ JI X Q, ZHANG Y S. Spatial correlation network structure and motivation of carbon emission efficiency in planting industry in the Yangtze River Economic Belt. Journal of Natural Resources, 2023, 38(3): 675-693.]
https://doi.org/10.31497/zrzyxb.20230308
http://www.jnr.ac.cn/EN/10.31497/zrzyxb.20230308
本文引用 [1]
[51]
刘华军, 孙亚男, 陈明华. 雾霾污染的城市间动态关联及其成因研究. 中国人口·资源与环境, 2017, 27(3): 74-81.
[ LIU H J, SUN Y N, CHEN M H. Dynamic correlation and causes of urban haze pollution. China Population, Resources and Environment, 2017, 27(3): 74-81.]
本文引用 [1]
[52]
蔡秀亭, 吕洁华, 王成齐. 中国森林生态安全空间关联的网络特征及其驱动机制. 自然资源学报, 2022, 37(8): 2137-2152.
https://doi.org/10.31497/zrzyxb.20220814
摘要
提高森林生态安全的整体水平,是生态文明建设和林业可持续发展的必然选择。在对2009&#x02014;2018年中国省际森林生态安全进行定量测度的基础上,利用修正的引力模型计算省际间的空间关联关系,并运用社会网络分析法探究其网络特征及驱动机制。结果表明：（1）中国森林生态安全的空间关联网络整体具有较好的通达性和显著的等级性,但关联强度和稳定性较低。（2）中国森林生态安全空间关联网络呈现出明显的&#x0201c;中心&#x02014;外围&#x0201d;格局,山东、河南、湖北、湖南等省份处于网络中心位置,发挥重要的中介作用。（3）中国森林生态安全的空间关联网络可划分为经纪人、净溢出、净受益、双向溢出四个板块,并呈现板块内集聚为主、板块间关联为辅的空间关联特征。（4）经济发展差异、林业产业结构差异、城镇化水平差异、林业生态建设投入差异、森林资源禀赋差异对中国森林生态安全空间关联网络的形成具有弱负向的驱动作用,地理邻接关系对其具有强正向的驱动作用。
[ CAI X T, LYU J H, WANG C Q. The network characteristics and driving mechanism of the spatial correlation of forest ecological security in China. Journal of Natural Resources, 2022, 37(8): 2137-2152.]
https://doi.org/10.31497/zrzyxb.20220814
http://www.jnr.ac.cn/EN/10.31497/zrzyxb.20220814
本文引用 [1]
[53]
吉雪强, 刘慧敏, 张跃松. 中国省际土地利用碳排放空间关联网络结构演化及驱动因素. 经济地理, 2023, 43(2): 190-200.
https://doi.org/10.15957/j.cnki.jjdl.2023.02.020
摘要
土地利用碳排放空间关联网络研究对于区域土地利用协同减排具有重要意义。基于三次全国国土调查数据测算省际土地利用碳排放,利用社会网络分析法探讨土地利用碳排放空间关联网络结构特征及演化过程,应用QAP回归分析法对土地利用碳排放空间关联网络驱动因素进行动态分析。研究发现：①土地利用碳排放的空间关联关系具有空间网络特征,研究过程中,土地利用碳排放空间关联网络关联性和稳定性整体增强。②东部沿海省市在空间关联网络中长期处于核心位置,西北与东北地区长期处于边缘位置,随着经济发展,中部与西部地区在空间关联网络中的作用逐渐加强。③中西部地区及东北地区所在板块是空间关联网络中要素的主要溢出方,东部沿海省市所在板块是要素的主要受益方。④地理空间邻近性、经济发展水平、环境规制、创新水平、能源消费结构、林地比重、产业结构对土地利用碳排放空间关联网络的形成具有一定影响。建议土地利用减排政策设计时重视土地利用碳排放空间关联网络及其特征的可能影响。
[ JI X Q, LIU H M, ZHANG Y S. Spatiotemporal evolution and driving factors of spatial correlation network structure of China's land-use carbon emission. Economic Geography, 2023, 43(2): 190-200.]
https://doi.org/10.15957/j.cnki.jjdl.2023.02.020
本文引用 [1] 摘要
The study of the spatial correlation network of land use carbon emission is of great significance for regional land use collaborative emission reduction. Based on the data of three national land survey,this study calculates the interprovincial land use carbon emissions,and discusses the spatial correlation network structure and evolution process of land use carbon emissions by the methods of social network analysis. It uses the QAP regression analysis to dynamically analyze the driving factors of the spatial correlation network of land use carbon emissions. It's found that: 1) The spatial association of land use carbon emissions had the characteristics of a spatial network,the spatial correlation and stability of the spatial association network of land use carbon emissions were enhanced as a whole,and the internal hierarchical structure as a whole showed a loose trend. 2) The eastern coastal provinces and cities were in the core position for a long time in the spatial correlation network,and the northwest and northeast regions were in a marginal position for a long time. With the development of economy,the role of the central and western regions in the spatial correlation network had gradually strengthened. 3) The plates in the central and western regions and the northeastern region were the main spillover parties of the elements in the spatial association network,and the plates in the eastern and southeast coastal areas were the main beneficiaries of the elements. 4) The geographical spatial proximity,the level of economic development, the environmental regulation,the level of innovation,the energy consumption structure,the proportion of woodland, and the industrial structure have a significant impact on the formation of the spatial correlation network of land use carbon emissions. It is suggested that attention should be paid to the spatial correlation network of land use carbon emission and its characteristics when designing land use emission reduction policies.
[54]
甘畅, 王凯. 中国省际服务业碳排放空间网络结构及其驱动因素. 环境科学研究, 2022, 35(10): 2264-2272.
[ GAN C, WANG K. Provincial spatial network structure of carbon emissions from service industry and driving factors in China. Research of Environmental Sciences, 2022, 35(10): 2264-2272.]
本文引用 [1]

基金

浙江省软科学研究计划重点项目(2020C25033)
浙江省科技计划软科学重点项目(2020C25030)
浙江省大学生科研创新活动计划资助项目(2022R409B048)
PDF(3743 KB)

2453

Accesses

0

Citation

Detail
段落导航
相关文章

/

〈 〉