EN中文

自然资源学报 >

2025 , Vol. 40 >Issue 8: 2252 - 2268

DOI: https://doi.org/10.31497/zrzyxb.20250815

其他研究论文

基于社会网络分析的乡村数字化转型及其对农业碳减排影响效应研究

  • 付舒斐 , 1 ,
  • 吕添贵 , 1, 2 ,
  • 朱丽萌 3 ,
  • 樊后宝 1 ,
  • 赵巧 2 ,
  • 陈安莹 2
展开
  • 1.江西财经大学数字经济学院，南昌 330013
  • 2.江西财经大学公共管理学院，南昌 330013
  • 3.江西财经大学经济与社会发展研究院，南昌 330013
吕添贵（1986- ），男，福建龙岩人，博士，教授，研究方向为资源环境保护。E-mail:

付舒斐（1997- ），女，江西新余人，博士研究生，研究方向为生态经济与可持续发展。E-mail:

收稿日期: 2024-12-30

  修回日期: 2025-02-21

  网络出版日期: 2025-08-05

基金资助

国家自然科学基金项目(42261049)

江西省自然科学基金项目(20232BAB203061)

江西省研究生创新专项资金项目(YC2024-B189)

收起

Rural digital transformation and its impact on agricultural carbon emission reduction based on social network analysis

  • FU Shu-fei , 1 ,
  • LYU Tian-gui , 1, 2 ,
  • ZHU Li-meng 3 ,
  • FAN Hou-bao 1 ,
  • ZHAO Qiao 2 ,
  • CHEN An-ying 2
Expand
  • 1. School of Digital Economics, Jiangxi University of Finance and Economics, Nanchang 330013, China
  • 2. School of Public Administration, Jiangxi University of Finance and Economics, Nanchang 330013, China
  • 3. Academy of Economic and Social Development, Jiangxi University of Economics and Finance, Nanchang 330013, China

Received date: 2024-12-30

  Revised date: 2025-02-21

  Online published: 2025-08-05

Fold

摘要

揭示乡村数字化转型空间网络对农业碳减排的影响效应，可为推进乡村数字化转型空间联动赋能农业固碳减排提供理论支撑。基于“效率—公平”框架，借助碳减排潜力模型、社会网络分析模型和基准回归模型等方法，探究2011—2022年中国31个省（自治区、直辖市）乡村数字化转型空间关联网络对农业碳减排潜力的影响效应。研究发现：（1）乡村数字化转型指数持续增长，空间上呈现东、中、西部递减格局。（2）农业碳减排潜力指数波动上升，空间上表现为中、东、西递减特征。（3）乡村数字化转型空间关联网络呈现中部地区密集、外围逐层递减的极核式扩散规律，网络密度和关联数波动上升。山东、河南、湖北等地区节点中心度较高。（4）乡村数字化转型空间关联网络节点中心度对农业碳减排潜力具有显著正向影响且影响存在区域异质性。

关键词： 乡村数字化转型; 农业碳减排潜力; 空间关联网络; 社会网络分析; 节点中心度

本文引用格式

付舒斐 , 吕添贵 , 朱丽萌 , 樊后宝 , 赵巧 , 陈安莹 . 基于社会网络分析的乡村数字化转型及其对农业碳减排影响效应研究[J]. 自然资源学报, 2025 , 40(8) : 2252 -2268 . DOI: 10.31497/zrzyxb.20250815

Abstract

This research reveals the impact of the spatial correlation network of rural digital transformation on agricultural carbon emission reduction, and provides a theoretical basis for promoting the spatial linkage of rural digital transformation to enable agricultural carbon sequestration and emission reduction. Based on the "efficiency equity" framework, with the help of carbon emission reduction potential model, social network analysis model and benchmark regression model, this paper explores the impact of rural digital transformation spatial correlation network on agricultural carbon emission reduction potential in 31 provinces (autonomous regions and municipalities) in China from 2011 to 2022. The results show that: (1) The rural digital transformation index has continued to grow, showing a decreasing pattern from eastern to central to western regions. (2) The agricultural carbon emission reduction potential index has fluctuated and risen, with a spatial characteristic of decreasing from central to eastern to western regions. (3) The spatial correlation network of rural digital transformation shows the polar core diffusion law of dense in the central region and decreasing layer by layer in the periphery, and the network density and correlation number fluctuate and rise. Shandong, Henan, Hubei and some other regions have high node centrality. (4) The node centrality of spatial correlation network of rural digital transformation has a significant positive impact on agricultural carbon emission reduction potential, and the impact has regional heterogeneity. In the future, it is essential to solidify a networked mindset to promote the coordinated spatial development of rural digital transformation, break down barriers to the sharing of low-carbon agricultural elements, and achieve a positive interaction between efficiency and equity in agricultural carbon emission reduction.

Key words： rural digital transformation; agricultural carbon emission reduction potential; spatial correlation network; social network analysis; node centrality

2020年粮食系统温室气体排放量占全球总量的21%~37%[1]，且农业温室气体排放量仍以每年1%的速度增长，严重影响人类生存与发展[2]。尤其是中国农业生产依旧面临化肥农药过量使用、农资低效利用等问题，导致农业碳排放量仍较为突出[3]。为应对农业碳减排挑战，中华人民共和国农业农村部、中华人民共和国国家发展和改革委员会印发的《农业农村减排固碳实施方案》提出2030年前实现碳排放达峰、2060年前实现碳中和，农业农村减排固碳既是重要举措，也是潜力所在[4]。与发达国家绝对减排策略不同，提升农业碳排放效率并控制总量，平衡碳效率和碳公平的关系是当前必然选择。
事实上，随着数字化与农业农村融合发展，2022年中国农业数字经济渗透率达10.5%，其绿色效应显著赋能农业生产与农村生活[5]。促进乡村数字化转型既是重塑农村低碳发展格局关键路径，也是释放农业碳减排潜力的客观基础。欣喜的是，乡村数字要素的普惠共享正逐步打破传统地域边界的“场所孤岛”，催生出空间“网络节点”的新范式[6]。而乡村数字化转型网络关联成为把握农业生产要素空间重组的关键出发点，其关联粘合能有效提升农业生产规模经济并减少环境负向产出[7]。由此可见，农业碳减排潜力不再依赖于地域优势资源集聚，而是更多地受到空间单元网络嵌入产生的外部性影响。为此，科学解构乡村数字化转型空间关联网络特征，并客观辨析其对农业碳减排潜力的影响效应，是关乎乡村数字化转型绿色效用和农业减排固碳协同发展的重要课题。
已有研究围绕乡村数字化转型和农业碳减排潜力主题展开诸多探讨。乡村数字化转型研究聚焦于内涵阐释、空间差异和影响效应，通过凸显信息化、网络化和数字化外生动力解析其转型发展理论内涵，重点从乡村数字基础建设、服务供给和产业发展等维度[8]、投入—产出经济维度[9]探索发展水平和空间非均衡性。同时，基于耦合关系和空间溢出作用等揭示乡村数字化转型对农业绿色生产效率、技术进步等经济—社会—生态传导效应。随着区域间数字要素流动促使空间关联网络日益加深，借助重力模型和社会网络分析模型等，关注数字经济[10]、乡村地域多功能[11]和新型城镇化[12]的整体和个体网络特征，并基于个体网络视角揭示中心度嵌入对碳排放绩效、城乡发展和生态效率等空间影响。而对应的是，农业碳减排潜力研究主要发轫于碳排放公平及效率原则，碳公平层面侧重人口规模、经济差距和消费水平等碳排放人均视角[13]，碳效率层面则从引入污染物影子价格并结合方向距离函数衡量减排成本[14]，发展到兼顾社会经济效益和环境承载约束的“投入—产出”效率结果，测度方法主要采用SFA模型、非期望产出Super-SBM模型与ML指数等[15]，研究内容聚焦于规律演变、制约因素和减排策略等[16,17]。综上，已有研究为探索乡村数字化转型和农业碳减排潜力因果关系奠定了良好基础，但仍存在扩展空间：在研究内容上，乡村数字化转型绿色效应研究仅停留于场所空间探讨地域内部的农业低碳生产机制，流动空间中网络节点连通性及角色地位尚未定论，并缺乏从中心地拓展至全景式勾勒乡村数字化转型跨边界交互路径及其网络外部性对农业低碳生产的影响效应。在研究视角上，多关注农业碳排放测算及其效率探讨，兼顾公平与效率双重视角的碳减排潜力研究应用范围较窄。此外，乡村数字化转型和农业碳减排潜力研究均内置投入产出分析，公平和效率是投入产出两个重要维度。然而，从公平和效率视域解读网络节点属性如何弱化农业低碳要素的空间分割和隐性壁垒，贯通乡村数字化转型空间关联网络与农业碳减排潜力关系研究还相对较少。
鉴于此，本文基于“效率—公平”框架厘清乡村数字化转型空间关联网络形成机制，构建其对农业碳减排潜力影响的理论分析框架，采用修正引力模型、社会网络分析模型、非期望产出Super-SBM模型和基准回归模型，从节点中心度视角开展验证，以期丰富乡村数字网络效应的理论内涵及其在农业减排固碳领域应用场景，为释放乡村数字化转型空间联动的绿色效应和农业碳减排潜力提供理论与实证支撑。

1 理论分析与影响机制

1.1 乡村数字化转型空间关联网络形成机制

乡村数字化转型本质是数字要素投入与产出的协同过程[18]，蕴含数字资金、设施和服务投入以及数字产业产出。相应的是，其空间关联表现为地域间数字要素流通互动的总和，综合映射在数字要素投入与产出的空间关联网络中[19]，核心在于公平需求导向下数字投入要素跨区域优化重组，以及产出效率驱动下延伸乡村产业链条，释放数字要素效能，构建出乡村数字化链路交织的空间关联网络（图1）。
图1 乡村数字化转型空间关联网络特征对农业碳减排潜力影响机制

Fig. 1 The influencet mechanism of spatial correlation network characteristics of rural digital transformation on the potential of agricultural carbon reduction

一方面，打通数字动脉的投入公平需求是乡村数字化转型空间关联网络形成的重要基质。乡村地域存在数字要素投入初始势能差，地理扩散规律促使优势地域向薄弱地区外溢涓滴[20]，推动毗邻地域在数字资金融合、设施共享及服务互通等方面紧密协作，构成空间关联网络的基础传导路径。此外，交通实体通道与通讯虚拟通道使数字要素投入突破时空约束[21]，促进信息、人员和技术等要素的跨区域流动与再配置，形成多节点、多链路和多域面的关联网络结构。公平需求引导下乡村数字要素投入注重区域协同普惠，实现跨区域优化配置并缩小数字鸿沟。另一方面，乡村产业振兴的产出效率追求是乡村数字化转型空间关联网络的黏合动力。依据梅特卡夫定律，数字投入要素空间持续扩散会加速网络节点间乡村数字产业外缘化需求和内生性动力互动[22]。在地方政府、村委会和电商企业等利益主体逐利逻辑下，村域间数字产业竞合日益紧密，激发产业活力和规模效应。同时，乡村产业融合与创新驱动强化了空间关联网络的内源活力，推动产业主体、业态和利益交汇突破产业边界，引致数字技术更新和产业创新驱动，延伸数字产品市场及产业链条[23]，最终通过网络节点的良性互馈实现数字要素产出效益最大化。综上，在“效率—公平”框架下，数字要素投入公平需求和产出效率追求，共同推动乡村数字化转型空间网络节点由空间孤立转向网络联结[8]。

1.2 乡村数字化转型空间关联网络对农业碳减排潜力影响机制

本质上，农业碳减排潜力寻求人均碳排减少和低碳生产效率提升的公平—效率协同，通过畅通低碳生产要素投入，实现减排、增收及固碳的综合产出目标[24]。而乡村数字化转型空间关联网络过程中，数字技术更新、服务提升和产业升级带来的绿色效应扩散，促使农业低碳生产要素网络配置绩效超过单一系统产出水平。同时，网络节点地位差异也会导致农业生产获取正外部性能力呈现等级性，形成“主导者”“接近者”和“中介者”的关键角色，为此采用度数中心度、接近中心度和中介中心度分别衡量[25]。对应的是，网络节点地位提升通过溢出效应、联动效应和调控效应，推动区域间农业低碳生产要素良性互动，释放农业碳减排潜力。
（1）度数中心度高值节点是网络“领导者”。基于溢出效应推动乡村数字化嵌入其他节点农业低碳生产要素精准匹配[26]。其数字资金设施投入优势能夯实农业生产环境监测和低碳决策系统应用，发挥信息技术比较优势参与其他节点的劳动力、能源和资本等要素流动整合，减少化肥农药等致污投入要素冗余，放大低碳生产规模效应，实现农业低碳生产要素高效配置[27]。
（2）接近中心度高值节点是“行动者”。通过联动效应畅通数字服务传输与产业发展路径，弱化农业低碳生产要素关联壁垒。其借助网络通讯服务促进农业生产主体间低碳技术需求匹配，加速低碳生产要素空间流动[28]。同时，通过数字产业传递绿色交易信息，加剧农业生产网络低碳竞争，倒逼高碳低效要素退出，优化种植结构，提升固碳增汇农产品产量与销量，减少人均农业碳排放，增强农业综合效益。
（3）中介中心度高值节点是“中介者”。基于调控效应扩大农业低碳生产要素的跨地域传导和辐射可及性。这些数字要素集散中转站利用优势节点的规模效应和数字溢出汲取低碳技术与要素资源，激发农业绿色技术创新，并通过组织多方信息互馈，贯通利益节点农业低碳生产供需链条，促进区域间农业碳减排网络的协同互补，实现低碳生产效应的最大化[29]。
综上，“效率—公平”框架下乡村数字化转型通过空间关联网络优化，推动农业低碳生产要素投入与产出综合效益最大化，同时实现碳排放最小化。此外，在政策、技术、数字基础等因素共同作用下[30]，乡村数字化转型空间关联网络对农业碳减排潜力的影响呈现空间异质性特征。

2 研究方法与数据来源

2.1 研究方法

2.1.1 乡村数字化转型综合评价模型

为消除不同数据量纲影响，避免主观因素干扰并提升评价结果客观性。采用熵值法确定各指标权重[9]，继而借助线性加权法测度乡村数字化转型指数，线性加权法公式如下：
T i = ∑ i = 1 n w j X i j
式中： T i为第i个省（自治区、直辖市）乡村数字化转型指数；n为指标数量（个）； w j为第j项指标权重； X i j为第i个省（自治区、直辖市）第j项指标的标准化值。

2.1.2 农业碳减排潜力模型

农业碳减排潜力模型兼顾公平与效率双视角进行评估，公平侧重衡量“人”与“碳”的关系，效率追求生产要素投入的最优化和产出水平下实现碳排放最小化。参考吴贤荣等[24]、周迪等[31]研究思路，对Wei等[32]的减排潜力模型进行扩展，公式如下：
P i t = ω × E q u i t y i t + 1 - ω × E f f i c i e n c y i t
式中： P i t为农业碳减排潜力指数； E q u i t y i t为公平指数， E f f i c i e n c y i t为效率指数，分别以人均农业碳排放量和农业低碳生产效率表征； ω为权重，公平与效率均赋值0.5；农业低碳生产效率测算借鉴Tone[33]提出的非期望产出Super-SBM模型。

2.1.3 修正的引力模型

修正的引力模型主要用以揭示地理要素空间关联关系，采用该模型衡量地区间乡村数字化转型互动关系构建空间关联网络，引入常住人口和人均GDP修正地理距离影响[34]，公式如下：
F i j = k i j T i G i P i 3 T j G j P j 3 D i j 2 ,   k i j = T i T i + T j
式中： F i j为乡村数字化转型空间关联程度；T、G、P分别为乡村数字化转型指数、人均GDP（元）、常住人口（万人）； D i j为省（自治区、直辖市）间地理空间距离（km）； k i j设定为引力系数，表示省（自治区、直辖市）i在关联省（自治区、直辖市）i和j间的乡村数字化转型空间关联贡献度。此外，采取“均数原则法”对空间关联关系矩阵进行二值化处理，作为网络结构分析的基础数据。

2.1.4 社会网络分析模型

乡村数字化转型不仅注重个体层面水平提升，更强调区域空间网络协调发展。基于空间经济学中社会网络分析模型，量化节点间关联路径并识别节点角色，揭示乡村数字化转型空间关联网络特征，涵盖网络密度（D）、网络效率（E）、网络关联度（C）和网络等级度（H）。同时，通过度数中心度（DC）、接近中心度（CC）和中介中心度（BC）测度个体特征，具体测度方法参见文献 [8]。

2.1.5 基准回归模型

选取农业碳减排潜力作为被解释变量，度数中心度、中介中心度和接近中心度逐一作为核心解释变量，构建乡村数字化转型空间关联网络特征对农业碳减排潜力影响的双固定效应模型[35]，公式如下：
l n P i t = α 0 + α 1 l n d e i t + β l n X i t + μ i + δ i + ε i t
式中： d e i t为各节点中心度观测值； X i t为控制变量； ε i t为随机干扰项； μ i和 δ i分别为省份和时间固定效应； α 0为常数项； α 1和 β分别为核心解释变量和控制变量的回归系数。

2.2 变量选取

2.2.1 被解释变量：农业碳减排潜力指数

农业碳减排潜力突出公平与效率协调，公平侧重地区人—碳关系，主要从人均农业碳排放量角度考量；效率关注农业低碳生产效率，则基于生产要素投入、期望和非期望产出构建评价体系[36]（表1）。
表1 农业碳减排潜力评价指标与描述性统计

Table 1 Evaluation index and descriptive statistics of agricultural carbon emission reduction potential

维度 表征 指标 指标解释 平均值 标准差 最小值 最大值
农业碳排
放公平		 人—碳关系 人均农业碳排放 农业人口人均碳排放/t 1.851 1.511 0.292 9.369
农业低碳
生产效率		 生产投入 土地 农作物播种面积/万hm2 542.745 380.048 8.861 1520.940
劳动力 地均农业从业人员/万人 1.623 0.739 0.252 4.786
化学制品 地均农药、化肥（折纯量）、农膜
使用量/t		 0.381 0.154 0.016 0.875
机械动力 地均机械动力/kW 6.338 2.494 1.773 22.514
能源 地均农用柴油使用量/t 0.163 0.172 0.011 1.044
灌溉 地均有效灌溉面积/hm2 0.473 0.480 0.172 0.892
期望产出 农业产值 地均农业总产值/万元 4.234 2.450 0.199 17.998
农业碳汇量 地均稻谷、小麦、玉米、豆类、薯类、油料、棉花和蔬菜等作物进行光合作用吸收的碳汇总量/t 3.869 1.369 0.143 6.908
非期望产出 农业碳排放 地均农业化肥、农药、农膜、柴油、灌溉等农资利用、稻田甲烷和土壤翻耕共同产生的碳排放量/t 2.666 1.8978 0.309 7.236

2.2.2 核心解释变量：乡村数字化转型指数

结合已有研究[8,9,18]，从投入—产出经济视角解析乡村数字化转型内涵，其作为乡村发展的有机构成，数字化转型实现途径是依托乡村现代信息基础，基于数字要素配置公平，赋能乡村生产生活各业态，协同提高乡村数字要素产出效率与乡村产业振兴。为此，从公平导向层面考量乡村数字资金、设施和服务的投入，从效率目标层面考察乡村数字产业产出情况（表2）。
表2 乡村数字化转型评价指标与描述性统计

Table 2 Evaluation index and descriptive statistics of rural digital transformation

维度 表征 指标 指标解释 平均值 标准差 最小值 最大值
数字投入公平 数字资
金投入		 数字生产投资 农村信息传输、软件和信息技术服
务业、交通运输、仓储和邮政业固
定资产总投资/亿元		 1846.591 1380.613 121.801 6652.782
数字基
础设施		 数字设备投资 农村互联网宽带接入用户数占
用户总数/%		 5.506 4.411 0.002 23.967
农村居民每百户计算机拥有量/台 24.899 13.726 0.230 74.653
农村居民每百户移动电话拥有量/部 236.298 36.764 121.356 319.827
农村居民每百户电视机拥有量/部 117.538 18.108 93.933 189.515
数字服
务水平		 数字业务建设 农村气象观测业务站点/个 47.656 25.109 1.000 172.000
数字服务范围 农村投递路线/km 125940.192 76402.318 4987.342 321640.215
数字服务强度 农村邮政网点平均服务人口/人 0.805 0.536 0.150 2.950
数字服务消费 农民交通通讯支出占比/% 12.924 2.362 8.107 18.742
数字产出效率 数字产
业发展		 网络支付水平 数字普惠金融指数 242.876 107.644 16.227 460.696
数字交易水平 电子商务销售额和采购额/亿元 6677.691 10603.347 34.320 70458.422
数字产业基地 淘宝村数量/个 86.844 280.862 0 2426
数字产业融合度 每百家企业拥有网站数/个 50.136 10.558 14.700 74.000
数字生产活跃度 参加电子商务交易活动企业占比/% 8.184 3.879 1.500 24.720

2.2.3 控制变量

为缓解遗漏变量偏误，选取以下控制变量：（1）城镇化水平（UL），以城镇人口占常住人口比重表征。城市化进程推动农业生产方式调整，影响农业资源配置水平。（2）城乡经济差距（EG），以农村居民与城镇居民人均可支配收入之比表示。城乡经济差距会作用城乡居民低碳意识和农产品消费结构，影响农业低碳生产效率。（3）农村人力资本（HC），以农业技术人员占农业从业人员比例衡量。农村人力资本提升会影响农业边际减排成本。（4）农业技术应用程度（TA），以节水灌溉面积占农作物播种面积比例度量。低碳农业技术应用会影响农业生产过程中的能源消耗和碳排放水平。

2.3 数据来源与说明

基于数据可获性，本文样本范围为2011—2022年中国31个省（自治区、直辖市），不包括港澳台地区。数据主要来源于《中国统计年鉴》《中国农村统计年鉴》《中国淘宝村研究报告》以及北京大学数字普惠金融指标数据等报告。鉴于2022年的节水灌溉面积数据尚未正式公布，本文采用插值法进行估算。此外，为消除价格波动影响，本文价格指标以2011年为基期平减化处理。

3 结果分析

3.1 乡村数字化转型与农业碳排放潜力时间特征

3.1.1 乡村数字化转型时间演化特征

由图2a、图2b可知，整体而言，中国乡村数字化转型指数由2011年0.111持续增长至2022年0.238，指数均值为0.169，年均增长率达10.401%，年份变化率均呈正值，反映乡村信息基础设施建设、服务体系优化和数字产业发展成效显著。
图2 2011—2022年中国乡村数字化转型和农业碳减排潜力时间演化趋势

Fig. 2 The temporal evolution trend of rural digital transformation and agricultural carbon reduction potential in China, 2011-2022

分区域看，乡村数字化转型指数均提升并呈现“东部（0.235）、中部（0.145）、西部（0.125）”递减的非均衡格局，区域差距随时间扩大。其中，东部地区凭借政策、技术和资金优势，年均增长率达11.085%，其中浙江和广东呈领跑态势，转型指数均值分别达到0.715和0.630；此外，河南、安徽、湖南和湖北等中部农业大省在低碳生产效率提升压力导向下，乡村数字化转型动力强劲；相应的是，四川作为中西联通枢纽，开展“数字乡村强农惠农富农”专项行动并与浙江等数字化先行区合作交流，乡村数字化转型发展较快。总体上，以东部沿海和中部地区为核心的“点—带”式高水平数字化转型轴带逐步形成。然而，黑吉辽三省及宁夏、西藏等因地理位置偏远、数字基础设施薄弱及技术人才匮乏，数字化转型速度相对滞后。

3.1.2 农业碳减排潜力时间演化特征

由图2c、图2d可知，在全国层面上，农业碳减排潜力指数由2011年0.382波动上升至2022年0.428，年均增长率为1.095%，均值为0.389，表明在农业生产碳公平和低碳效率约束下，乡村数字化转型中数字基础设施、服务和产业嵌入释放了农业减排潜力。
在区域层面上，农业碳减排潜力指数变化空间异质性显著，呈现中部（0.444）、东部（0.370）和西部（0.369）梯次递减特征。其中，2011—2022年中部地区指数由0.395攀升至0.544，特别是江西、安徽和湖北通过推动低碳农业技术的研发应用，成为碳减排“潜力极”；此外，东部地区指数由0.380呈“V型”增长至0.423，值得注意的是，北京和天津因农业产业向大都市型转型，农业低碳生产效率较高并能有效缓解人均农业碳排放，因而农业碳减排潜力较低，分别为0.084和0.265；同时，西部地区指数由0.375小幅下降至0.356，主要因青海、贵州等省份农业设施和产业配套体系滞后，难以承接农业低碳技术和管理能力。总体而言，中国农业碳减排潜力呈现以长三角和长江中游为高值中心，向新疆、青海、云贵川及黑吉辽等低值区扩散的“核心—外围”空间结构。

3.2 乡村数字化转型空间关联网络形态与特征

3.2.1 乡村数字化转型空间关联网络形态

基于修正的引力模型构建乡村数字化转型空间关联矩阵，并选取研究期首尾年份绘制空间关联网络图。由图3可知，2011—2022年中国乡村数字化转型空间关联关系呈现显著的多线程网络结构，反映各省（自治区、直辖市）乡村数字化转型在空间上纵深交融。
图3 乡村数字化转型空间关联网络

注：本图基于自然资源部标准地图服务系统下载的标准地图制作，底图无修改。

Fig. 3 Rural digital transformation spatial correlation network

2011年，山东、河南、湖北、湖南和重庆在关联网络中占据核心位置，中部地区因城乡融合日益深化，将数字乡村建设作为推动农业产业合作与延伸的着力点，数字化联系尤为紧密；山西、陕西、江苏、安徽、江西、广东、广西和四川等省（自治区）处于次级核心位置；东北和西北地区地理位置孤立，与数字化先行省份在乡村数字资金、设施及服务等方面的协同交流迟滞，处于边缘位置。至2022年，空间关联网络复杂度增强，关系热点向西北方向位移，反映出河南、湖北和重庆依托国家数字乡村试点红利，网络核心地位愈加深化；山西、四川、安徽、湖南和江西等分散占据次级核心位置。然而，京津冀、长三角和东南沿海经济发达地区，尽管乡村数字化竞争激烈，但区域协同合作不足，数字要素流动阻塞，及农村人口基数少且多从事非农就业，农民数字化转型动力绵软，关联关系数减弱，与东北和西北地区共同构成网络边缘区。
总体而言，中国乡村数字化转型空间关联网络呈现中部密集、外围逐层递减的极核式扩散规律。特别是，重庆和陕西分别成为西南和西北地区的重要门户，推动着中西部联通，加快区域间乡村数字要素流动，助力乡村数字化转型空间关联网络非均衡性不断改善。

3.2.2 整体网络特征分析

借助Ucinet软件计算2011—2022乡村数字化转型空间关联网络的整体结构特征指标（图4）。整体上，中国已形成较稳定的乡村数字化转型空间关联网络，但网络结构较为疏松，紧密度有待提高。具体来看：（1）网络密度由0.260增至0.265，网络关联数由245个波动上升至249个，反映省（自治区、直辖市）域间乡村数字化要素的空间联系愈发紧密。值得注意的是，网络密度均值仅为0.263，紧凑程度保持低位，网络关联数与理论最大可能关系总数的930个差距较大，表明省（自治区、直辖市）域间关联程度相对松散，这可能与乡村数字化发展初期各地区更多关注自身发展，导致空间协同性不足有关。（2）网络效率由0.674小幅下降至0.667，表明数字化转型空间关联网络存在多重溢出渠道，冗余路径较少，数字设施服务联通体系较完善，增强了网络稳定性。然而，网络效率仍偏高，说明省（自治区、直辖市）域间网络联通度和稳定度还存在提升空间。（3）网络关联度始终为1，表明整体网络结构稳健，通达性良好且不存在“节点孤岛”。此外，网络等级度持续为0，反映中国乡村数字化转型空间关联网络呈现扁平化特征，网络等级结构松散。在数字公平需求的驱动下，各省（自治区、直辖市）域乡村数字化转型通过数字要素流动对周边地区产生空间溢出效应，形成广泛的空间关联。
图4 乡村数字化转型空间关联网络整体网络特征

Fig. 4 Overall network characteristics of spatial correlation network for rural digital transformation

3.2.3 个体网络特征分析

为探析各省（自治区、直辖市）域在乡村数字化转型空间关联网络中的角色属性，本文对其节点中心度进行归一化处理以增强可比性（图5）。具体而言：（1）度数中心度：2011年，河南、湖北、山东和重庆度数中心度位居前列，分别为100、100、92.857和85.714，反映该区域凭借乡村数字要素禀赋、地理交通等方面优势对其他节点的数字要素引力较强，在关联网络中占据主导地位。江苏、河北、安徽、湖南和陕西等省份度数中心度较高，对周边省份乡村数字化建设具有数字要素公平外溢作用，处于从属地位。此外，西藏、新疆、青海、海南和东北三省度数中心度较低，属于边缘行动者。至2022年，湖北成为网络的单一中心，重庆的网络主导地位愈发显现。此外，福建、山西、安徽、江西、云南和陕西等省份度数中心度有所提升，网络影响力和吸纳力不断增强，而东北三省及新疆、青海、宁夏和海南囿于地理位置偏远和乡村数字化水平较低等因素，与其他城市联系匮乏，度数中心度始终较低，亟需打通数字要素空间流动的溢出通道。
图5 乡村数字化转型空间关联网络中心性特征

Fig. 5 Centrality characteristics of spatial correlation network in rural digital transformation

（2）接近中心度：2011年，山东、河南、江苏、湖北和安徽接近中心度领先，分别为100、100、85.361、82.777和80.293，表明该区域能快速与网络中其他省（自治区、直辖市）建立联系，通过接纳和输出数字要素影响其他省（自治区、直辖市）农业碳减排潜力。北京、河北、安徽、浙江、江西、湖南、重庆、山西和陕西紧随其后，形成外围圈层，而新疆、西藏、青海、吉林、黑龙江和海南等接近中心度处于低值。至2022年，第一梯队名单未变，但山东接近中心度由100下降至91.114，这可能源于山东在数字要素接受和输出匹配度达到阶段性阈值。陕西、重庆、江西、湖南、山西、福建和上海等第二梯队省（直辖市）接近中心度增加，行动能力有所提升。然而，新疆、青海、西藏、海南和黑龙江等接近中心度始终维持较低水平，表明该区域数字要素与其他省（自治区、直辖市）以间接关联为主，对其他省（自治区、直辖市）的农业低碳生产带动作用偏弱。
（3）中介中心度：2011—2022年，山东中介中心度最高，是乡村数字化转型空间关联网络的关键“枢纽”，山西、河南、陕西、甘肃和四川因在数字要素东西贯通、南北联结中的中转功能，中介中心度亦较高，并通过输出要素影响其他地区农业低碳生产及碳排放潜力。山西、天津和安徽中介中心度提升显著，分别从39.078、7.013和13.547上升至52.000、28.702和23.134，由于这些省（直辖市）交通与信息网络的完善，增强在空间关联网络中“桥梁”作用。而黑龙江、吉林以及新疆、西藏、云南、贵州等西部地区受经济和区位双重制约，中介中心度处于低位。此外，北京、上海等东部沿海地区，尽管乡村数字化进程领先，但数字红利已得到释放，减弱了对其他省（自治区、直辖市）的控制力，中介中心度相对较低。总体而言，乡村数字化转型空间关联网络中媒介数量较少且极不均衡，多数省（自治区、直辖市）中介中心度较低，呈现多中介散布且动态变化的空间格局。

3.3 乡村数字化转型空间关联网络特征对农业碳减排潜力影响分析

3.3.1 节点中心度对农业碳减排潜力的影响

基于网络节点中心度视角解析乡村数字化转型空间关联网络的个体网络特征对农业碳减排潜力的影响（表3）。具体而言：（1）模型（1）显示乡村数字化转型空间关联网络度数中心度对农业碳减排潜力的影响系数为0.394，在1%水平下显著为正，反映网络中“领导者”能释放数字要素的溢出效应，引导数字要素绿色效能与农业低碳生产要素优化需求匹配，提高农业低碳生产效率。（2）模型（2）显示接近中心度的影响系数为1.034，在1%水平下显著为正，表明“中心行动者”能发挥数字要素获取与利用的空间网络联动效应，破除数字要素流通壁垒，促进农业低碳生产良性循环，相较于“边缘行动者”更有助于提升农业综合效益。（3）模型（3）显示中介中心度的影响系数为0.058，在5%水平下显著为正，表明网络中关键“枢纽”能较好地调控乡村数字要素传导，拓宽乡村数字要素跨地域流动、获取和配置通道，延伸农业碳减排网络链，释放农业碳减排潜力。
表3 基准回归结果

Table 3 Benchmark regression results

变量 农业碳减排潜力
模型（1） 模型（2） 模型（3）
DC 0.394***
（0.129）
CC 1.034***
（0.363）
BC 0.058**
（0.011）
UL -0.010**
（0.005）		 -0.010**
（0.006）		 -0.015***
（0.002）
EG 3.593***
（1.072）		 3.434***
（1.078）		 3.724***
（1.088）
HC 0.186***
（0.074）		 0.194***
（0.069）		 0.183**
（0.075）
TA -0.013***
（0.001）		 -0.012***
（0.001）		 -0.015***
（0.001）
省份与年份固定 YES YES YES
Cons -0.365***
（0.126）		 -2.725**
（1.429）		 1.104**
（0.491）
R2 0.497 0.495 0.483
N/个 372 372 372

注：括号内为标准误，**为p<0.05，***为p<0.01，下同。

从控制变量来看，（1）城镇化水平对农业碳减排潜力呈显著的负向影响，虽然农村人口向城市转移能促进技术进步和产业结构优化，激发社会低碳消费需求，但短期内这些积极效应难以抵消因农业劳动力短缺引发的机械化与化肥依赖加剧，以及高碳足迹农产品需求上升所导致的碳排放增长。（2）城乡收入结构呈显著的正向影响，农村生产者收入提高伴随着教育水平和绿色素养提升，促进了绿色技术的投资与应用，以及低碳消费模式的形成，提高农业低碳生产效率。（3）农村人力资本呈显著的正向影响，农业技术人员占比提升有助于推广测土配方施肥等低碳生产技术以及休耕轮作等固碳增汇措施。同时，通过培训传授低碳农业技术与知识，优化农业低碳生产要素配置。（4）农业技术应用程度则呈显著的负向影响，主要归因于当前节水灌溉技术尚未与高耗能的运作系统脱钩，以及过度节水灌溉可能导致农田生态系统中的生物多样性减少，降低土壤碳储存能力。

3.3.2 稳健性检验

采取三种稳健性检验方法：一是被解释变量缩尾处理。为防止极端值影响，对被解释变量进行上下1%的缩尾处理后重新估计。二是被解释变量滞后一期。农业碳减排潜力可能存在时间滞后性，将上一期的农业碳减排潜力作为被解释变量重新回归。三是剔除直辖市样本。北京、天津、重庆和上海凭借区位、经济、政策和技术等天然优势，乡村数字化转型基础较好。因此，剔除直辖市样本重新回归。表4模型结果显示，在三种稳健性检验下核心解释变量的作用效应均未发生明显变化，实证回归结果的稳健性。
表4 稳健性检验

Table 4 Robustness test

变量 缩尾处理 被解释变量滞后一期 剔除直辖市样本
模型（1） 模型（2） 模型（3） 模型（4） 模型（5） 模型（6） 模型（4） 模型（5） 模型（6）
DC 0.315***
（0.127）		 0.439***
（0.111）		 0.450***
（0.096）
CC 0.821***
（0.357）		 1.495***（0.310） 1.184***
（0.318）
BC 0.019***
（0.007）		 0.064**
（0.012）		 0.025**
（0.006）
Control Yes Yes Yes Yes Yes Yes Yes Yes Yes
省份与年份固定 Yes Yes Yes Yes Yes Yes Yes Yes Yes
Cons -0.632***
（0.146）		 -1.978***
（1.408）		 1.067***
（0.481）		 -0.830**
（0.542）		 -5.123***
（1.237）		 0.460**
（0.445）		 -1.172***
（0.505）		 -4.320***
（1.238）		 -0.209***
（0.122）
R2 0.497 0.495 0.486 0.659 0.667 0.641 0.276 0.256 0.220
N/个 372 372 372 341 341 341 324 324 324

3.3.3 异质性检验

将样本分为东、中、西部地区检验乡村数字化空间关联网络对农业碳减排潜力影响的空间异质性。表5模型结果显示，度数中心度在东、中部地区呈显著水平的正相关，接近中心度也均通过了正向显著性检验，中介中心度仅在东部地区显著为正。究其缘由，东部和中部地区乡村数字程度较高，数字要素流通和产业配置活跃，乡村数字化关联网络紧密，加快了农业生产的低碳转型。而中部多数省份虽度数中心度较高，但部分区域桥梁功能缺失，未能充分利用数字网络资源提升碳减排潜力。西部地区则因地理位置偏远且数字基础薄弱，缺乏充足的数字要素来源与合作渠道，难以弥合与中、东部地区的“数字鸿沟”，导致其枢纽作用受限，节点中心度对碳减排的促进作用有限。
表5 异质性结果

Table 5 Heterogeneity results

变量 东部 中部 西部
模型（1） 模型（2） 模型（3） 模型（4） 模型（5） 模型（6） 模型（7） 模型（8） 模型（9）
DC 0.532***
（0.285）		 0.169***
（0.115）		 0.175
（0.1482）
CC 1.406**
（0.697）		 0.414***
（0.157）		 0.381**
（0.176）
BC 0.028***
（0.020）		 0.004
（0.008）		 0.012
（0.065）
Control Yes Yes Yes Yes Yes Yes Yes Yes Yes
省份与年份固定 Yes Yes Yes Yes Yes Yes Yes Yes Yes
Cons -2.008**
（1.693）		 -5.290**
（2.916）		 -1.082***
（0.5557）		 -1.082***
（0.615）		 -2.289***
（1.199）		 -0.520*
（0.264）		 -1.873**
（0.928）		 -3.525**
（1.287）		 -1.849***
（0.785）
R2 0.725 0.727 0.715 0.759 0.754 0.753 0.138 0.139 0.189
N/个 120 120 120 108 108 108 144 144 144

注：*为p<0.1。

4 结论与启示

4.1 结论

（1）中国乡村数字化转型指数由2011年0.111持续增长至2022年0.238，年均增长率达10.401%，空间上呈现“东部、中部、西部”依次递减格局，以东部沿海和中部地区为核心的“点—带”式高水平数字化转型轴带逐步形成。
（2）中国农业碳减排潜力指数由2011年0.382波动上升至2022年0.428，年均增长率为1.095%，空间呈现“中部、东部、西部”梯次递减特征，呈现以长三角和长江中游为高值中心，向新疆、青海、云贵川及黑吉辽等低值区扩散的“核心—外围”空间结构。
（3）中国乡村数字化转型空间关联网络表现出中部地区密集、外围逐层递减的极核式扩散空间规律。整体网络特征上，网络密度和网络关联数波动上升，网络效率小幅下降，网络关联度和网络等级度保持稳定；个体网络特征上，山东、河南、湖北等中部地区节点中心度均位居前列，重庆作为中西部要素交流枢纽，节点中心度也表现良好，东北三省及新疆、青海、西藏等西部省（自治区）节点中心度始终较低。
（4）中国乡村数字化转型空间关联网络节点中心度对农业碳减排潜力提升产生显著正向影响。其中，度数中心度和接近中心度促进作用在东、中部地区较为突出，中介中心度提升作用在仅在东部地区显著。

4.2 启示

（1）牢固网络关联关系推动乡村数字化转型空间协同发展。山东、河南、湖北等网络主导者关注自身乡村数字化发展同时，应积极引导数字要素畅通流动和匹配，构建公平高效的数字要素网络配置环境。同时，加强与东北、宁夏和西藏等偏远地区的数字帮扶合作，统筹协调数字要素本位优势和溢出效应，提升西部弱势节点与东、中部关联程度，通过系统性视野促成乡村数字化转型空间联动发展格局。
（2）拓宽网络桥梁打破农业低碳要素共享壁垒。一方面，甘肃、四川等承东启西网络中介在吸收农业低碳生产要素时，应加快打破中部核心节点与西部边缘节点间的要素传输壁垒，调控农业低碳技术的公平普及。另一方面，北京、上海等东部地区应挖掘区位、数字基础枢纽优势，主动对接新疆、西藏等西部省（自治区），增强数字资金、人才等要素的网络传导能力，增加关键媒介数量，加强空间关联网络紧密性。
（3）依托乡村数字化转型实现农业碳减排效率与公平的良性互动。首先，山东、河南、江苏等接近者要发挥数字服务传输与产业延伸的网络联动效应，缓解数字要素与农业低碳生产要素输入和输出冗余度，提升农业低碳生产效率。其次，组织江西、安徽和湖北等农业减排潜力极的碳排放信息市场监测与互馈，构建多主体参与的多节点、多域面的人均农业碳生产收益和减排成本的公平治理网络链。
本文在“效率—公平”框架下，通过网络化、系统性视角，探索性地研究了乡村数字化转型空间关联网络的形成机理及其网络结构对农业碳减排潜力的影响效应，同时设计了复杂空间网络分析方法与计量经济模型交叉应用的实证思路，不仅拓展了乡村数字网络协同发展和农业低碳生产转型的研究视角，也提供了“数字”与“绿色”在网络共舞中共赢的研究范式。值得注意的是，当前研究仅定位于省域层面，未来有待将研究尺度拓展至经济带、城市群和农业生产区层面，对比不同区域乡村数字要素与农业低碳生产的跨界交互程度，揭示二者耦合协调的演变趋势和驱动机理，为差别化的数字乡村赋能农业低碳实践提供依据。此外，随着农业新质绿色生产力的不断融合发展，可结合数字化转型与绿色生产方式，以更全面地揭示农业低碳转型的驱动机理也是未来研究方向之一。

参考文献

原文顺序 | 文献年度倒序 | 文中引用次数倒序
[1]
吕添贵, 邱蓉, 李泽英, 等. 长江中游粮食主产区耕地碳源汇时空演化特征及驱动因素分析. 农业工程学报, 2024, 40(18): 251-261.

[LYU T G, QIU R, LI Z Y, et al. Spatiotemporal evolution and driving factors of carbon sources and sinks on cultivated land in the main grain producing areas in the middle reaches of the Yangtze River. Transactions of the CSAE, 2024, 40(18): 251-261.]

[2]
XU X B, ZHAO Q R, GUO J B, et al. Inequality in agricultural greenhouse gas emissions intensity has risen in rural China from 1993 to 2020. Nature Food, 2024, 5(11): 916-928.

DOI PMID

[3]
付舒斐, 吕添贵, 朱丽萌, 等. 农业绿色发展对耕地利用碳排放强度的影响机制和空间效应. 中国农业大学学报, 2025, 30(4): 286-299.

[FU S F, LYU T G, ZHU L M, et al. Impact mechanism and spatial effects of agricultural green development on carbon emission intensity of cultivated land use. Journal of China Agricultural University, 2025, 30(4): 286-299.]

[4]
农业农村部,国家发展改革委. 《农业农村减排固碳实施方案》. 农业农村部网站, 2022. https://www.moa.gov.cn/govpublic/KJJYS/202206/P020220630331656855638.pdf?eqid=f5f8427a00000a2e0000000464365e5f.

[5]
XIE Y, CHEN Z, BOADU F, et al. How does digital transformation affect agricultural enterprises' pro-land behavior: The role of environmental protection cognition and cross-border search. Technology in Society, 2022, 70: 101991, Doi: 10.1016/j.techsoc.2022.101991.

[6]
盛科荣, 王丽萍, 孙威. 网络权力、知识溢出对中国城市绿色经济效率的影响. 资源科学, 2021, 43(8): 1509-1521.

DOI

[SHENG K R, WANG L P, SUN W. Impacts of network power and knowledge spillovers on China's urban green economic efficiency. Resources Science, 2021, 43(8): 1509-1521.]

[7]
李家辉, 程雯欣, 陆迁. 数字金融与社会网络对农户精准农业技术采用的影响: 以水肥一体化技术为例. 自然资源学报, 2024, 39(12): 2980-3004.

DOI

[LI J H, CHENG W X, LU Q. The impact of digital finance and social network on the adoption of precision agricultural technology by farmers: Taking water and fertilizer integration technology as an example. Journal of Natural Resources, 2024, 39(12): 2980-3004.]

[8]
殷浩栋, 霍鹏, 汪三贵. 农业农村数字化转型: 现实表征、影响机理与推进策略. 改革, 2020, (12): 48-56.

[YIN H D, HUO P, WANG S G. Agricultural and rural digital transformation: Realistic representation, impact mechanism and promotion strategy. Reform, 2020, (12): 48-56.]

[9]
付舒斐, 朱丽萌, 吕添贵, 等. 乡村数字化转型对耕地绿色利用效率的影响机制及门槛效应研究. 中国土地科学, 2024, 38(4): 90-100, 112.

[FU S F, ZHU L M, LYU T G, et al. Research on the influencing mechanism and threshold effect of rural digital transformation on cultivated land green use efficiency. China Land Science, 2024, 38(4): 90-100, 112.]

[10]
徐妍, 张玉冰. “促进”还是“阻碍”: 数字经济空间关联网络对碳排放绩效的影响. 环境科学, 2025, 46(1): 76-87.

[XU Y, ZHANG Y B. "Facilitate" or "hinder": Impact of spatial connectivity networks in the digital economy on carbon performance. Environmental Science, 2025, 46(1): 76-87.]

[11]
代亚强, 张玥, 柯新利, 等. 乡村地域多功能的空间关联网络结构特征及其对城乡融合发展的影响: 以河南省为例. 自然资源学报, 2023, 38(8): 2059-2075.

DOI

[DAI Y Q, ZHANG Y, KE X L, et al. Structural characteristics of spatial correlation network of rural territorial multi-functions and its impact on urban-rural integrated development: A case study of Henan province. Journal of Natural Resources, 2023, 38(8): 2059-2075.]

[12]
张玥, 代亚强, 柯新利. 中国新型城镇化空间关联网络及其对土地利用生态效率的影响: 基于网络节点中心度视角. 中国土地科学, 2023, 37(9): 117-129.

[ZHANG Y, DAI Y Q, KE X L. Spatial correlation network characteristics of new-type urbanization and its impact on the land use eco-efficiency in China: A perspective of network centrality. China Land Science, 2023, 37(9): 117-129.]

[13]
CHENG L, YE Z L, WEI W, et al. Study on the establishment of air pollutant and carbon emission inventory and collaborative emission reduction potential of China's coking industry from 2012 to 2022. Science of the Total Environment, 2024, 951: 175183, Doi: 10.1016/j.scitotenv.2024.175183.

[14]
GHORBANI M, MOTALLEBI M. The study on shadow price of greenhouse gases emission in Iran: Case of dairy farms. Research Journal of Environmental Sciences, 2009, 3(4): 466-475.

[15]
刘笑杰, 金晓斌, 罗秀丽, 等. 城乡融合对低碳土地利用效率影响的空间效应: 以长三角地区为例. 自然资源学报, 2024, 39(6): 1299-1319.

DOI

[LIU X J, JIN X B, LUO X L, et al. Spatial effects of urban-rural integration on low-carbon land use efficiency: A case study of the Yangtze River Delta. Journal of Natural Resources, 2024, 39(6): 1299-1319.]

[16]
王凯, 余芳芳, 胡奕, 等. 中国旅游业碳减排潜力的空间关联网络结构及其影响因素. 地理科学, 2022, 42(6): 1034-1043.

DOI

[WANG K, YU F F, HU Y, et al. Spatial correlation network structure of tourism carbon emission reduction potential and the determinants in China. Scientia Geographica Sinica, 2022, 42(6): 1034-1043.]

DOI

[17]
周迪, 吴泽文. 中国工业碳减排潜力与路径研究. 中国环境科学, 2019, 39(3): 1306-1314.

[ZHOU D, WU Z W. Potentialities and paths of Chinese industrial carbon emission reduction. China Environmental Science, 2019, 39(3): 1306-1314.]

[18]
朱红根, 陈晖. 中国数字乡村发展的水平测度、时空演变及推进路径. 农业经济问题, 2023, 44(3): 21-33.

[ZHU H G, CHEN H. Measurement, spatial-temporal evolution and promotion path of digital village development in China. Issues in Agricultural Economy, 2023, 44(3): 21-33.]

[19]
安頔, 胡映洁, 万勇. 中国城市网络关联与经济增长溢出效应: 基于大数据与网络分析方法的研究. 地理研究, 2022, 41(9): 2465-2481.

DOI

[AN D, HU Y J, WAN Y. Urban network association and spillover effects of economic growth in China: A study based on big data and network analysis. Geographical Research, 2022, 41(9): 2465-2481.]

[20]
范飞, 谢治菊. 超越“地域性”: 数字技术驱动乡村脱域治理: 基于“陇南乡村大数据系统”的实证考察. 中国农村经济, 2024, (1): 41-61.

[FAN F, XIE Z J. Beyond "regionality": Digital technology drives rural delocalization governance: An empirical investigation based on"Longnan rural big data system". Chinese Rural Economy, 2024, (1): 41-61.]

[21]
SCHNEIDER J M, DELZEIT R, NEUMANN C, et al. Effects of profit-driven cropland expansion and conservation policies. Nature Sustainability, 2024, 7: 1335-1347.

[22]
ZHANG J L, WANG X J, YANG M L, et al. A novel synchronous spatio-temporal relationship network for geographical-related time-spatial series forecasting. Information Sciences, 2025, 689: 121484, Doi: 10.1016/j.ins.2024.121484.

[23]
张明斗, 翁爱华. 长江经济带城市水资源利用效率的空间关联网络及形成机制. 地理学报, 2022, 77(9): 2353-2373.

DOI

[ZHANG M D, WENG A H. Spatial correlation network and its formation mechanism of urban water utilization efficiency in the Yangtze River Economic Belt. Acta Geographica Sinica, 2022, 77(9): 2353-2373.]

DOI

[24]
吴贤荣, 张俊飚, 程琳琳, 等. 中国省域农业碳减排潜力及其空间关联特征: 基于空间权重矩阵的空间Durbin模型. 中国人口·资源与环境, 2015, 25(6): 53-61.

[WU X R, ZHANG J B, CHENG L L, et al. Potential of agricultural carbon reduction under climate change and its spatial correlation characteristics in China: Based on the spatial durbin model. China Population, Resources and Environment, 2015, 25(6): 53-61.]

[25]
王凤婷, 王浩, 孔凡斌. 农村数字化发展对农业全要素碳生产率的提升效应. 中国人口·资源与环境, 2024, 34(3): 79-90.

[WANG F T, WANG H, KONG F B. Enhancement effect of rural digital development on agricultural total factor carbon productivity. China Population, Resources and Environment, 2024, 34(3): 79-90.]

[26]
田秀娟, 李睿. 数字技术赋能实体经济转型发展: 基于熊彼特内生增长理论的分析框架. 管理世界, 2022, 38(5): 56-73.

[TIAN X J, LI R. Digital technology empowers the transformation and development of real economy: An analysis framework based on schumpeter's endogenous growth theory. Journal of Management World, 2022, 38(5): 56-73.]

[27]
邓宗兵, 肖沁霖, 王炬, 等. 中国数字经济与绿色发展耦合协调的时空特征及驱动机制. 地理学报, 2024, 79(4): 971-990.

DOI

[DENG Z B, XIAO Q L, WANG J, et al. Spatio-temporal characteristics and driving mechanism of the coupling coordination between digital economy and green development in China. Acta Geographica Sinica, 2024, 79(4): 971-990.]

DOI

[28]
MEIJERS E J, BURGER M J, HOOGERBRUGGE M M. Borrowing size in networks of cities: City size, network connectivity and metropolitan functions in Europe. Papers in Regional Science, 2016, 95(1): 181-198.

[29]
吴雨阳, 曹煜玲, 朱悦, 等. 中国包容性绿色发展的空间关联网络与区域分异及收敛性研究. 自然资源学报, 2025, 40(2): 436-458.

DOI

[WU Y Y, CAO Y L, ZHU Y, et al. Spatial correlation network, regional differentiation and convergence of inclusive green development in China. Journal of Natural Resources, 2025, 40(2): 436-458.]

[30]
唐文浩. 数字技术驱动农业农村高质量发展: 理论阐释与实践路径. 南京农业大学学报: 社会科学版, 2022, 22(2): 1-9.

[TANG W H. Digital technology drives high-quality development of agriculture and rural areas: Theoretical interpretation and practical path. Journal of Nanjing Agricultural University: Social Sciences Edition, 2022, 22(2): 1-9.]

[31]
周迪, 郑楚鹏, 华诗润, 等. 公平与效率协调视角下的中国碳减排潜力与路径. 自然资源学报, 2019, 34(1): 80-91.

DOI

[ZHOU D, ZHENG C P, HUA S R, et al. The potentialities and paths of China's carbon emission reduction based on the coordination of fairness and efficiency. Journal of Natural Resources, 2019, 34(1): 80-91.]

DOI

[32]
WEI C, NI J L, DU L M. Regional allocation of carbon dioxide abatement in China. China Economic Review, 2012, 23(3): 552-565.

[33]
TONE K. A slacks-based measure of super-efficiency in data envelopment analysis. European Journal of Operational Research, 2002, 143(1): 32-41.

[34]
刘华军, 刘传明, 孙亚男. 中国能源消费的空间关联网络结构特征及其效应研究. 中国工业经济, 2015, (5): 83-95.

[LIU H J, LIU C M, SUN Y N. Spatial correlation network structure of energy consumption and its effect in China. China Industrial Economics, 2015, (5): 83-95.]

[35]
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.

DOI

[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.]

DOI

[36]
田云, 尹忞昊. 中国农业碳排放再测算: 基本现状、动态演进及空间溢出效应. 中国农村经济, 2022, (3): 104-127.

[TIAN Y, YIN M H. Re-evaluation of China's agricultural carbon emissions: Basic status, dynamic evolution and spatial spillover effects. Chinese Rural Economy, 2022, (3): 104-127.]

Options
文章导航

/

〈 〉