EN中文

JOURNAL OF NATURAL RESOURCES >

2022 , Vol. 37 >Issue 12: 3183 - 3200

DOI: https://doi.org/10.31497/zrzyxb.20221211

Regular Articles

Evolution characteristics and formation mechanism of spatial correlation network of ecological well-being performance in China

  • ZHAO Lin , 1, 2 ,
  • CAO Nai-gang 1 ,
  • HAN Zeng-lin , 2 ,
  • GAO Xiao-tong 1
Expand
  • 1. School of Geography and Tourism, Qufu Normal University, Rizhao 276826, Shandong, China
  • 2. Institute of Marine Sustainable Development, Liaoning Normal University, Dalian 116029, Liaoning, China

Received date: 2021-09-27

  Revised date: 2021-12-28

  Online published: 2022-12-28

Fold

Abstract

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.

Key words： ecological well-being performance; people's livelihood and well-being; spatial correlation network; formation mechanism; social network analysis; China

Cite this article

ZHAO Lin , CAO Nai-gang , HAN Zeng-lin , GAO Xiao-tong . Evolution characteristics and formation mechanism of spatial correlation network of ecological well-being performance in China[J]. JOURNAL OF NATURAL RESOURCES, 2022 , 37(12) : 3183 -3200 . DOI: 10.31497/zrzyxb.20221211

改革开放四十多年来中国社会经济发展取得巨大成就，人民生活水平显著提升，但传统粗放型的经济增长方式所导致的资源紧缺、生态破坏和环境污染等问题严重制约了经济社会可持续发展与民生福祉改善[1⇓-3]。为此，“十九大”报告指出要加快生态文明体制改革，推进绿色发展。“十九届五中全会”进一步指出要构建生态文明体系，促进经济社会发展全面绿色转型，同时要促进社会公平，增进民生福祉。如何在生态环境承载范围内不断提升人类福利是中国“十四五”期间面临的现实问题。生态福利绩效（Ecological Well-being Performance，EWP）作为衡量单位生态资源消耗所带来福利的重要指标，提高生态福利绩效成为中国经济社会全面绿色转型的客观要求[4,5]。与此同时，随着市场化进程的深入和区域协调发展战略的推进，以及交通通讯信息技术的发展，要素流动性日益增强，区域间逐渐表现出复杂空间关联特征[6]。因此，开展生态福利绩效空间关联网络演变特征与形成机制的研究具有重要意义。
生态福利绩效的概念源于Daly的稳态经济理论，Daly[7]认为一个稳态经济体取得进步或者发展在于提升其最终效率，将最终效率定义为服务与吞吐量的比值，进而通过计算单位自然消耗所带来的福利提升来评估可持续发展状况。为了使Daly的最终效率概念区别于新古典经济学中效率概念，诸大建等[8⇓-10]首次系统提出了生态福利绩效概念，认为生态福利绩效是生态资源消耗转化为社会福利水平的能力和效率。生态福利绩效测度作为联系其概念与政策分析的纽带得到广泛关注。学者早期多采用比值法和残差法开展评价，如Common[11]、Dietz等[12]和臧漫丹等[13]采用快乐生活寿命、平均预期寿命与生态足迹的比值进行测算；冯吉芳等[14]、Zhang等[15]和Behjat等[16]在此基础上提出利用人类发展指数与生态足迹的比值开展评价；Knight等[17]和亓朋等[18]通过构建线性回归方程，采用非标准化的残差项测度生态福利绩效水平。近年来基于SFA（Stochastic Frontier Analysis）模型和DEA（Data Envelopment Analysis）模型的相对效率评价法在生态福利绩效测度中得到广泛应用。如Dietz等[19]、肖黎明等[20]、徐维祥等[21]采用SFA模型对生态福利绩效进行评价。龙亮军等[22,23]、臧漫丹等[24]、Zhang等[25]、Bian等[26]和Long等[27]则采用DEA模型对国家、省域、城市及海岛等不同地域单元的生态福利绩效进行了定量测算，一阶段或多阶段的Super-SBM（Slacks-Based Measure）模型和Malmquist指数是其常用工具[28⇓-30]。DEA模型由于无需对变量做函数假设和进行指标主观赋权，逐渐成为生态福利绩效评价的主流方法。
识别生态福利绩效的区域差异特征与时空演化规律对于针对性地促进区域生态福利绩效提升和区域协调发展具有重要指导意义[31]。学者主要采用核密度函数估计[31]、空间变差函数[32]、基尼系数[33]、泰尔指数[34]、变异系数[35]、空间自相关检验[36⇓-38]、收敛性检验[39]以及Markov链[40]等方法对不同区域的生态福利绩效时空格局特征进行了实证分析。如郭炳南等[41]研究表明中国省际生态福利绩效空间上呈非均衡阶梯式分布特征；方时姣等[42]和Feng等[43]研究证实中国省域单元生态福利绩效呈现空间集聚特征，存在显著正向空间自相关性；肖黎明等[44]、郭炳南等[45]、王喜平等[46]通过对长江流域、黄河流域和京津冀等典型地域单元进行空间自相关检验也证实生态福利绩效具有空间溢出效应。需要说明的是，上述研究多是基于“属性数据”对生态福利绩效空间分异特征的分析，空间溢出效应验证也多是根据地理上的“相邻”或“邻近”关系进行的经验考察，未能有效揭示生态福利绩效空间关联网络结构形态及其空间传导机制。
总结可知，现有学者围绕生态福利绩效的概念、水平测度与空间格局特征等主题开展了较多工作，但仍存在部分不足有待深化。一方面，生态福利绩效空间关联网络演变及溢出效应的分析仍十分薄弱。现有研究虽对生态福利绩效的空间差异与时空演变规律进行了深入讨论，但多是基于“属性数据”而非“关系数据”，没有从整体上对其空间关联网络结构及其空间溢出渠道进行刻画，更未准确识别各地区在关联网络中的地位与角色。另一方面，生态福利绩效时空格局演变的驱动因素及其演化机理分析尚待深化。现有文献多从传统计量方法入手对其驱动因素及作用机理进行分析，复杂网络视角下生态福利绩效空间关联网络的影响因素及其驱动机制的分析仍少见报导。
有鉴于此，本文通过构建生态福利绩效评价指标体系，采用考虑非期望产出的Super-EBM（Epsilon-Based Measure）模型对2000—2019年中国省域单元生态福利绩效定量测度，在此基础上采用修正的引力模型和社会网络分析方法对中国生态福利绩效的空间关联网络及其形成机制进行分析。在理论上可以进一步揭示各地区在生态福利绩效空间格局中的地位、角色和空间聚类特征，刻画生态福利绩效空间溢出的方向与强度，从而深化地理学视域下生态福利绩效时空演变规律的认知，为相关主题的研究提供新视角。实践上可为政府利用生态福利绩效空间关联关系，针对性地制定生态福利绩效跨区域协同提升策略提供参考依据。

1 研究方法与数据来源

1.1 研究方法

1.1.1 Super-EBM模型

DEA模型是计算相对效率的非参数分析方法，现有生态福利绩效测度多采用基于松弛变量测度的非径向Super-SBM模型。然而，非径向SBM模型容易损失投入或产出目标值与实际值之间的比例信息，存在低估效率值的问题[47]。为此，本文采用混合距离函数EBM模型进行测度，为了对有效决策单元进行区分，构建规模报酬不变条件下考虑非期望产出的Super-EBM模型进行定量测度，具体公式见文献 [48]。

1.1.2 修正的引力模型

生态福利绩效空间关联关系的确定是进行社会网络分析的前提。本文借鉴王兆峰等[49]的研究，采用修正的引力模型确定中国省际生态福利绩效关联关系矩阵。公式如下：
F i j = K i j × E W P i × E W P j D i j 2 ,     K i j = E W P i E W P i + E W P j ,     D i j 2 = d i s i j p g d p i - p g d p j 2
式中：Fij为省区i和j之间生态福利绩效联系强度；Kij表示省区i在i与j省区间生态福利绩效联系中的贡献率；EWP表示生态福利绩效指数；Dij为省区i和j之间的“综合经济地理距离”（km/元）；dis表示省会城市之间的球面距离（km）；pgdp表示省区的人均地区生产总值（元）。根据式（1）可计算得到省际间生态福利绩效引力矩阵，采用“均数原则法”对矩阵进行二值化处理得到生态福利绩效空间二值矩阵。

1.1.3 社会网络分析法

社会网络分析方法（Social Network Analysis，SNA）是一种基于图论、代数模型技术对“关系数据”的网络特征进行分析的跨学科分析方法，近年来在旅游经济、科技创新、经济效率等领域得到广泛应用[49⇓-51]，成为识别和刻画空间关联网络结构及各节点角色地位的有效工具，但鲜有学者将其应用于生态福利绩效主题。为此，本文尝试运用社会网络分析方法从整体网络结构、个体网络结构和块模型分析三方面对中国生态福利绩效空间关联网络的整体结构、网络中心性及空间聚类特征等进行分析（图1），具体公式参见文献 [52]。
图1 中国生态福利绩效空间关联网络结构分析框架

Fig. 1 Analysis framework of spatial correlation network structure of ecological well-being performance in China

为了探讨中国生态福利绩效空间关联网络的影响因素与形成机制，进一步采用社会网络分析中的二次指派程序QAP（Quadratic Assignment Procedure，QAP）回归分析方法对影响因素进行识别。参考已有研究[36,42]，从地理邻接关系（dis）、经济发展水平差异（pgdp）、产业结构差异（inds）、对外开放差异（open）、环境规制差异（env）、政府调控差异（gov）和技术创新差异（tech）7个方面选取自变量，以生态福利绩效空间关联矩阵为因变量，构建回归模型：
F = f ( d i s ,   p g d p ,   i n d s ,   o p e n ,   e n v ,   g o v ,   t e c h )
式中：F为省际间生态福利绩效空间关联关系矩阵；dis表示邻接关系矩阵；pgdp、inds、open、env、gov和tech分别以人均地区生产总值（元）、第三产业产值占GDP比例（%）、实际利用外资占GDP比例（%）、工业污染治理投资额占GDP比例（%）、地方财政预算支出占GDP比例（%）和专利授权量（件）省际差值的绝对值构成的关系矩阵进行度量。

1.2 评价指标体系

生态福利绩效表示生态资源消耗转化为社会福利的效率，可以衡量国家或区域可持续发展水平[10]。参考龙亮军等[23]和方时姣等[42]研究，同时遵循指标选取的科学性、系统性和数据可获取性原则，构建了生态福利绩效评价指标体系（表1）。
表1 生态福利绩效评价指标体系

Table 1 The evaluation index system of ecological well-being performance

指标类型 一级指标 二级指标 指标参考文献
投入指标 水资源投入 人均用水总量/m3 龙亮军等[23]；方时姣等[42]
土地资源投入 人均建成区面积/m2
能源资源投入 人均能源消费量/tce
产出指标 人类发展指数 人均地区生产总值/元 肖黎明等[20]；徐维祥等[21]
平均受教育年限/年
万人均卫生技术人员数/人
环境污染物 人均废水排放量/t 方时姣等[42]
人均二氧化硫排放量/t
人均烟（粉）尘排放量/t
人均工业固体废物产生量/t
投入指标：从水资源、土地资源和能源资源三方面分别选取人均用水总量、人均建成区面积和人均能源消费量三项指标，表征生态资源消耗。产出指标：包括期望产出与非期望产出两项，期望产出方面选取人类发展指数（HDI）表征社会福利水平。已有联合国开发计划署发布的人类发展指数通常包括经济水平、受教育状况和居民健康三方面。鉴于数据可获取性本文选取以2000年为基期的人均地区生产总值表征经济发展水平；选取平均受教育年限表征居民受教育状况，具体参考《2013年中国人类发展报告》[53]的处理方法计算获取；由于中国省域单元平均预期寿命只有1990年、2000年和2010年数据，采用自然增长率法处理易造成误差。通常情况下，各地区拥有卫生技术人员数量越多，居民医疗卫生服务保障愈充分，居民健康福祉水平越高，因此，借鉴肖黎明等[20]和徐维祥等[21]研究，选取万人均卫生技术人员数表征居民健康福利水平，在此基础上将上述三项指标计算得到人类发展指数。非期望产出选取人均废水排放量、人均二氧化硫排放量、人均烟（粉）尘排放量和人均工业固体废物产生量四项具体指标，并将其折算为环境污染物指数，反映生态资源消耗过程中带来的环境负面影响。

1.3 数据来源

本文以中国30个省级行政区（不含中国西藏、港澳台地区）为研究单元，研究时段为2000—2019年。评价指标数据来自于2001—2020年《中国统计年鉴》《中国能源统计年鉴》《中国教育统计年鉴》《中国环境统计年鉴》以及各省区统计年鉴；影响因素变量数据来源于《中国统计年鉴》《中国科技统计年鉴》《中国环境统计年鉴》和各省区统计公报。省会城市间的球面距离和邻接关系矩阵通过ArcGIS 10.4由中国基础地理信息数据计算获取。

2 结果分析

2.1 生态福利绩效测度结果

采用考虑非期望产出的Super-EBM模型测算得到2000—2019年中国省域单元生态福利绩效（表2）。由表2可知：时间序列上，2000—2019年中国省域生态福利绩效呈先降低后升高的演变趋势，EWP指数由0.415增至0.681，年均增长率为2.646%，采用自然断裂点分类将EWP指数分为高、较高、中等、较低和低五级，可知整体上生态福利绩效仍处于中等水平。区域层面上，研究期内EWP指数呈现东部>中部>西部的地带间差异，三大地带的增长率则表现为西部>中部>东部的空间格局特征。省域层面上，EWP指数在省际间具有显著的空间非均衡特点，省际差异明显。2019年EWP指数较高的省市有北京（1.002）、上海（0.956）、湖南（0.969）、陕西（0.941）、云南（0.837）和河南（0.816），而宁夏（0.352）、新疆（0.415）、黑龙江（0.469）、吉林（0.470）和辽宁（0.446）则处于较低水平。省际间增长率也存在较大差异，其中贵州（9.188%）、安徽（5.249%）、云南（4.874%）、广西（3.968%）等省（自治区）增幅显著，年均增长率维持在3%~10%之间，而宁夏（0.708%）、新疆（0.068%）、海南（0.217%）、吉林（0.907%）等省（自治区）年均增长率低于1%，增长十分缓慢。
表2 中国生态福利绩效测度结果

Table 2 Measure result of ecological well-being performance in China

省（市、自治区） EWP指数 省（市、自治区） EWP指数
2000年 2006年 2012年 2019年 增长率 2000年 2006年 2012年 2019年 增长率
北京 0.690 0.456 0.743 1.002 1.983 湖南 0.529 0.458 0.636 0.969 3.241
天津 0.467 0.454 0.660 0.602 1.337 广东 0.381 0.314 0.460 0.620 2.597
河北 0.428 0.399 0.587 0.748 2.986 广西 0.341 0.411 0.577 0.714 3.968
山西 0.491 0.518 0.651 0.749 2.251 海南 0.658 0.461 0.603 0.685 0.217
内蒙古 0.387 0.322 0.482 0.565 2.010 重庆 0.384 0.265 0.439 0.627 2.609
辽宁 0.347 0.343 0.457 0.446 1.322 四川 0.339 0.338 0.602 0.702 3.904
吉林 0.396 0.356 0.414 0.470 0.907 贵州 0.132 0.200 0.536 0.704 9.188
黑龙江 0.328 0.295 0.404 0.469 1.899 云南 0.339 0.285 0.489 0.837 4.874
上海 0.616 0.583 0.721 0.956 2.339 陕西 0.561 0.571 0.804 0.941 2.761
江苏 0.442 0.374 0.518 0.698 2.435 甘肃 0.295 0.319 0.460 0.602 3.831
浙江 0.361 0.405 0.593 0.744 3.872 青海 0.413 0.375 0.667 0.635 2.296
安徽 0.252 0.352 0.497 0.667 5.249 宁夏 0.308 0.203 0.253 0.352 0.708
福建 0.441 0.393 0.558 0.779 3.045 新疆 0.410 0.356 0.408 0.415 0.068
江西 0.406 0.347 0.587 0.666 2.635 东部 0.479 0.412 0.583 0.713 2.121
山东 0.435 0.349 0.517 0.567 1.403 中部 0.408 0.403 0.544 0.686 2.774
河南 0.459 0.445 0.602 0.816 3.076 西部 0.355 0.331 0.520 0.645 3.187
湖北 0.404 0.452 0.562 0.685 2.814 全国 0.415 0.380 0.550 0.681 2.646

2.2 整体网络结构特征

结合式（1）计算得到中国生态福利绩效空间二值化矩阵，选取2000年和2019年数据绘制形成空间关联网络图（图2）。由图2可知：中国省域生态福利绩效的空间关联呈现出复杂、多线程的网络结构形态，不存在孤立省份，且随时间网络结构日趋复杂。2000年京津、长三角地区的关联关系数最多，与其他省份联系最为紧密，处于网络的核心位置，广东和贵州的关联关系数也较多，在连接华南、西南关联网络方面占据重要地位，而西北、东北地区省份与其他省份的联系较为缺乏；2019年，除京津和长三角外，福建在关联网络中的地位也逐步显现，同时，西北、东北地区省份与长三角地区的联系得到显著增强。整体上，中国生态福利绩效空间关联网络呈现出“东密西疏”的不均衡态势，京津和长三角的双核结构特征显著。计算得到网络关联度始终为1，也表明中国生态福利绩效空间关联网络具有较好的连通性，各省份间具有明显的直接或间接的关联关系。
图2 中国生态福利绩效空间关联网络

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，下同。

Fig. 2 Spatial correlation network of ecological well-being performance in China

进一步借助Ucinet 6.0计算得到整体网络结构特征指标值（图3）。由图3可知：2000—2019年生态福利绩效的关联关系数呈现平缓的“S型”增多趋势，由期初的140个左右增至180个左右，说明各省份间的关联关系日益紧密，但是距离最大可能关系数（870个）仍有较大差距；同时，研究期内网络密度值在0.15~0.21之间浮动上升，处于较低水平，说明生态福利绩效的省域间联系仍然相对松散，紧密程度有待提高。2000—2019年网络等级度呈现波动下降趋势，由期初的0.758下降至期末的0.391，说明研究期内生态福利绩效等级森严的网络结构逐渐被打破，省际间的相互联系和依赖逐渐增强，空间关联网络朝“扁平化”趋势迈进。研究期内网络效率由0.773缓慢降至0.704，说明关联网络中有一定数量的冗余关系数，但溢出渠道仍然偏少，关联网络的稳定性有待提升。
图3 中国生态福利绩效的整体网络特征指标

Fig. 3 Overall network characteristic index of ecological well-being performance in China

2.3 个体网络结构特征

采用社会网络分析计算得到各省区在生态福利绩效空间关联网络的中心性指标（图4、表3），据此分析各省区的地位和作用。由图4可知：2000年，北京、天津、上海、江苏、浙江的溢出关系数多于接收关系数，表现出较强的溢出效应；东北、西北和西南地区的省份接收关系数则多于溢出关系数，表现出较强的受益效应，尤其是云南、贵州、四川获益更为明显；河北、山东、福建和广东的溢出和接收则基本保持平衡。2019年，除已有省区外，安徽、福建和河北也表现出净溢出效应，西北、西南和东北地区的省份净获益能力增强，在关联网络中接收了较多的其他省区溢出。总体上，东部沿海省区是生态福利绩效空间关联网络中的“溢出高地”，对西北、西南和东北地区表现出较强的“涓滴效应”，中部省区在关联网络中的受益效应不明显。
图4 中国生态福利绩效溢出和受益关系的空间格局

Fig. 4 Spatial pattern of spillover and benefit relationship of ecological well-being performance in China

表3 中国生态福利绩效空间关联网络的中心性特征

Table 3 Centrality of spatial correlation network of ecological well-being performance in China

省（市、自治区） 网络中心性指标 省（市、自治区） 网络中心性指标
度数中心度 接近中心度 中介中心度 度数中心度 接近中心度 中介中心度
北京 89.655/89.655 87.879/90.625 9.113/7.681 湖北 20.690/31.034 3.448/37.662 0.000/0.252
天津 82.759/34.483 80.556/56.863 7.202/0.431 湖南 20.690/27.586 4.715/53.704 0.369/9.892
河北 13.793/17.241 49.153/50.877 0.059/3.038 广东 37.931/31.034 4.754/42.029 5.111/15.237
山西 17.241/24.138 49.153/50.877 0.100/1.790 广西 24.138/27.586 4.700/37.179 0.544/9.190
内蒙古 10.345/17.241 48.333/3.333 0.059/0.000 海南 17.241/24.138 4.708/32.955 0.062/0.059
辽宁 20.690/24.138 3.571/3.571 0.082/0.123 重庆 24.138/31.034 4.700/31.183 0.092/14.26
吉林 17.241/24.138 3.571/3.567 0.000/0.883 四川 20.690/24.138 3.333/23.967 0.000/0.038
黑龙江 17.241/24.138 3.333/3.333 0.000/0.000 贵州 44.828/27.586 3.333/32.955 0.000/2.704
上海 96.552/93.103 96.667/93.548 7.628/14.361 云南 27.586/24.138 3.448/32.955 0.000/2.509
江苏 34.483/79.310 60.417/76.316 0.510/8.291 陕西 13.793/24.138 4.915/21.014 0.021/0.185
浙江 34.483/62.069 59.184/69.048 0.000/1.901 甘肃 20.690/41.379 3.448/25.893 0.123/8.987
安徽 17.241/20.690 50.877/52.727 2.648/0.679 青海 13.793/24.138 3.448/20.714 0.000/0.000
福建 24.138/58.621 4.700/52.727 0.369/8.807 宁夏 10.345/27.586 3.333/3.333 0.000/0.000
江西 24.138/24.138 4.708/53.704 0.811/12.469 新疆 10.345/27.586 3.333/3.333 0.000/0.000
山东 13.793/20.690 49.153/3.333 0.059/0.000 均值 27.816/34.253 25.173/37.170 1.174/4.138
河南 13.793/20.690 48.333/51.786 0.261/0.372 — — — —

注：分子和分母分别表示2000年和2019年数据。

选取2000年和2019年数据，进一步分析各省区度数中心度、接近中心度和中介中心度指标。由表3可知：
（1）度数中心度。2000年和2019年度数中心度均值为27.816和34.253，显著高于均值的省市有北京、天津、上海、江苏、浙江、广东、福建、贵州和甘肃，除贵州和甘肃外，其余均位于东部沿海地区。这些省市具备雄厚的经济基础和技术创新能力，资源利用效率高，生态福利绩效处于高水平，在关联网络中与其他省份交流互动频繁，处于网络中的核心位置；贵州和甘肃则因其特殊地理区位，在连接西南、西北省份中发挥了重要作用，与其他省份关系也较密切。度数中心度较低的省份主要分布于东北（黑吉辽）、黄河中下游（冀晋鲁豫）、长江中下游（湘鄂赣皖）及西北地区（陕青宁新内蒙古），这些省份经济基础和技术水平相对落后，民生福祉和生态环境有待改善，区域内要素流动缓慢，因此在关联网络中联系匮乏，处于网络边缘位置。
（2）接近中心度。2000年接近中心度均值为25.173，高于均值的有北京、天津、河北、山西、内蒙古、上海、浙江、江苏、安徽、山东和河南11省（市、自治区）；2019年均值提升至37.170，高于均值的数量也显著增多，除内蒙古和山东降至均值以下外，新增福建、江西、湖南、湖北、广东和广西6省（自治区）。空间分布上，接近中心度高值区主要位于京津冀、长江中下游、黄河中下游和珠三角地区，这些地区在生态福利绩效关联网络中能够快速与其他省份产生联系，接收其他地区的溢出或进行要素溢出，构成了关联网络中的中心行动者；接近中心度始终处于较低水平的为东北（黑吉辽）和西北省份，这些省份受自身生态福利绩效较低或地理位置偏远等影响，接近中心度增长缓慢，构成了关联网络中的边缘行动者。
（3）中介中心度。2000年中介中心度均值为1.174，显著高于均值的有北京、天津、上海、广东和安徽5省市；2019年均值提升至4.138，高于均值的省份为11个，新增省（市、自治区）有江苏、福建、江西、湖南、广西、重庆和甘肃，说明京津、长江流域及珠三角地区对其他省份生态福利绩效的控制能力较强，在空间关联网络中发挥“中介”和“枢纽”功能。东北、西北和西南地区的省份中介中心度始终低于均值，这些省区在关联网络中的控制力和影响力极低，处于被支配地位。需要注意的是，2019年高值区除北京和甘肃外，其余均位于长江经济带和珠三角地区，说明中介中心度具有“南强北弱”的分布特征，空间非均衡性显著，生态福利绩效省际间的传输与中转多通过南方省份的中介作用来实现。

2.4 块模型分析

选取2000年和2019年数据，采用Ucinet 6.0软件中的CONCOR模块，选择最大分割深度为2，集中标准为0.2，将30个省份划分为4个板块（表4）。由表4可知：2000年中国省际生态福利绩效空间关联网络关系总数为145个，其中板块内和板块间关联关系数为16个和129个，占比分别为11.03%和88.97%；2019年关联关系总数增加至184个，板块内和板块间关联关系数为25个和159个，占比分别为13.59%和86.41%，说明生态福利绩效在省际间与区域间均存在显著的溢出效应，且以区域间的溢出为主。
表4 空间关联网络板块间的溢出效应

Table 4 Spillover effects between the blocks of spatial correlation network

板块类型 2000年 2019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
接收关系 板块内 3 0 6 7 2 0 14 9
板块外 13 15 38 63 8 23 55 73
溢出关系 板块内 3 0 6 7 2 0 14 9
板块外 74 32 13 10 61 60 11 27
期望内部关系比例/% 6.897 10.345 37.931 34.483 6.897 10.345 34.483 37.931
实际内部关系比例/% 3.900 0 31.579 41.176 3.175 0 56.000 25.000
根据各板块接收关系比例和内部关系比例，将板块Ⅰ、Ⅱ、Ⅲ和Ⅳ分别命名为净溢出、经纪人、双向溢出和净受益板块，并据表4绘制板块间关联关系图（图5）。由图5可知：研究期内各板块的成员构成保持相对稳定。2000年净溢出板块包括北京、天津和上海3市，经纪人板块包括广东、浙江、江苏和福建4省，双向溢出板块包括辽宁、吉林、黑龙江、内蒙古、河北、山西、宁夏、山东、河南、新疆、青海和陕西12省区，净受益板块包括湖北、湖南、重庆、广西、贵州、云南、安徽、甘肃、海南、江西和四川11省（市、自治区）。2019年净溢出和经纪人板块成员保持不变，双向溢出和净受益板块成员发生微弱变动，其中甘肃、重庆由净受益板块进入双向溢出板块，新疆、青海和河南则由双向溢出板块进入净受益板块。空间分布上，净溢出板块和经纪人板块成员位于京津、长三角和珠三角，双向溢出板块成员主要位于东北、黄河中下游及西北地区，长江中下游及西南地区的省份主要属于净受益板块。
图5 空间关联网络四大板块间的传递关系

Fig. 5 Transmission relationship among four blocks of spatial correlation network

进一步分析图5可知：2000年，北京、天津和上海构成的净溢出板块对其他三个板块均产生溢出效应，尤其对东北、黄河中下游及西北地区构成的双向溢出板块和长江中下游、西南地区构成的净受益板块的溢出强度最大。珠三角和江浙地区构成的经纪人板块不但接收净溢出板块的溢出，同时还对净受益板块产生显著溢出效应，从而强化了净溢出与净受益板块的联系。2019年板块间的关联关系呈现复杂化特征，净溢出板块对双向溢出板块和净受益板块的溢出效应趋于减弱，经纪人板块的溢出效应增强，对净受益板块和双向溢出板块产生较强的溢出效应，同时净受益板块与双向溢出板块的联系也得到了强化。此外，净溢出、双向溢出和净受益板块内部成员间存在关联关系，表明板块内部成员存在俱乐部集聚效应，且随时间双向溢出板块、净受益板块集聚效应更为明显。
总体上，北京、天津和上海在关联网络中对其他地区产生显著溢出效应，构成了生态福利绩效空间溢出的“发动机”；珠三角和江浙地区既对其他地区发出溢出关系，同时还担当了“中介”和“桥梁”功能；长江中下游及西南地区的省份接收了京津、长三角及珠三角地区的溢出关系，成为关联网络中的受益方；东北、黄河中下游及西北地区的省份则既大量接收了京津、长三角和珠三角地区的溢出，又对长江中下游及西南地区微弱溢出，进一步加强了网络关联。

2.5 形成机制分析

2.5.1 QAP回归分析

根据式（2），采用Ucinet 6.0软件对2000—2019年数据逐年进行QAP回归分析，通过5000次随机置换得到回归结果（表5），限于篇幅仅列出部分年份回归结果。由表5可知：2000—2019年调整后的R2在0.285~0.352之间浮动，且在1%的水平上显著。总体上，回归结果中的7个影响因素变量可以解释中国生态福利绩效空间关联性变化。
表5 空间关联网络的影响因素回归结果

Table 5 Regression results of influencing factors of spatial correlation network

变量 2000年 2002年 2004年 2006年 2008年 2010年 2012年 2014年 2016年 2019年
dis 0.189***
（0.000）		 0.187***
（0.000）		 0.192***
（0.000）		 0.248***
（0.000）		 0.259***
（0.000）		 0.279***
（0.000）		 0.274***
（0.000）		 0.242***
（0.000）		 0.255***
（0.000）		 0.246***
（0.000）
pgdp 0.393***
（0.000）		 0.390***
（0.000）		 0.419***
（0.000）		 0.526***
（0.000）		 0.527***
（0.000）		 0.537***
（0.000）		 0.510***
（0.000）		 0.484***
（0.000）		 0.522***
（0.000）		 0.573***
（0.000）
inds 0.144**
（0.016）		 0.123**
（0.029）		 0.103**
（0.041）		 0.011
（0.363）		 0.008
（0.420）		 -0.014
（0.265）		 0.015
（0.304）		 0.026
（0.159）		 -0.017
（0.306）		 -0.122***
（0.005）
open 0.048*
（0.084）		 0.098**
（0.017）		 0.079**
（0.044）		 0.042
（0.136）		 0.013
（0.265）		 0.010
（0.378）		 0.026
（0.206）		 0.039*
（0.096）		 0.056*
（0.070）		 0.042*
（0.090）
env 0.009
（0.348）		 -0.002
（0.510）		 -0.013
（0.373）		 -0.008
（0.429）		 0.001
（0.476）		 -0.019
（0.175）		 -0.046**
（0.020）		 -0.036**
（0.022）		 -0.011
（0.340）		 -0.080***
（0.002）
gov -0.014
（0.365）		 -0.001
（0.542）		 0.030
（0.179）		 0.038*
（0.088）		 0.022
（0.196）		 -0.016
（0.214）		 -0.031*
（0.085）		 -0.017
（0.229）		 0.011
（0.369）		 -0.008
（0.421）
tech 0.074**
（0.046）		 0.026
（0.191）		 0.058*
（0.066）		 0.066**
（0.034）		 0.086***
（0.002）		 0.084***
（0.000）		 0.047**
（0.027）		 0.051**
（0.021）		 0.059***
（0.007）		 0.012
（0.374）
R2 0.289 0.311 0.321 0.357 0.340 0.347 0.335 0.319 0.345 0.313
Adj-R2 0.285 0.306 0.317 0.352 0.336 0.343 0.330 0.317 0.340 0.309

注：变量的系数为标准化回归系数，*、**、***分别表示10%、5%、1%水平上显著，括号内数值表示显著性概率。

（1）地理空间邻近、经济发展水平差异和技术创新差异的回归系数显著性较强，且作用方向较为稳定。具体来说：① 地理空间邻近的回归系数始终显著为正，说明在地理空间上相邻省区间更易建立关联关系，现有基于“属性数据”的实证研究证实中国省际生态福利绩效存在显著正向空间溢出效应[36,42]，表明生态福利绩效空间关联网络的形成和发育仍然受到地理因素的影响与制约，邻近省区间生态福利绩效的空间扩散与传导更为便捷。② 经济发展水平差异的回归系数在0.390~0.580之间，且在研究期内均通过显著性检验，说明省际间经济发展水平差异越大，生态福利绩效的空间关联越强。要素流动是生态福利绩效关联网络的本质，经济发展作为生态福利绩效提升的基础，一定程度上可将生态福利绩效作为经济发展转型的衡量指标，经济发展水平差距越大，地区间资本、技术等要素集聚与扩散越容易发生，从而有利于关联网络稳定性的提升。③ 技术创新差异的回归系数总体上显著为正，表明地区间技术创新水平差异越大越有利于生态福利绩效空间关联网络的形成。科技进步与技术创新有利于资源能源的高效利用与环境保护，进而促使生态福利绩效的提升，省际间技术创新差距的存在，为跨省区的技术交流与协作提供了前提，间接驱动了生态福利绩效的空间溢出。
（2）产业结构、环境规制、对外开放和政府调控差异的回归系数显著性及作用方向呈现随时间变化的阶段性特征。具体来看：① 产业结构差异回归系数经历了“由正转负”，且研究期初和期末均通过显著性检验，说明省际间产业结构差异对生态福利绩效空间关联网络的影响由前期的促进作用演变为后期的抑制作用。可能原因在于“十五”和“十一五”期间省际间产业结构差异显著，加之省际资源禀赋差异，在区域协调发展战略影响下，省际间的产业转移和天然气、电力等能源资源要素跨区域调配有效强化了生态福利绩效关联网络；近年来随着产业布局的优化和市场机制不断完善，相近产业结构的省区间合作与交流更为频繁。② 环境规制差异回归系数在研究期内总体为负值，且在2012年后显著性增强，表明省际间环境规制强度的差异对生态福利绩效关联网络的发育有一定抑制作用。由于环境污染的外部性，地方政府在环境规制的制定实施过程中会存在“模仿行为”，尤其在2012年“十八大”以后，生态文明和环境保护上升到国家战略层面，相近环境规制强度的省区更容易实现环境共保、污染共治，从而强化省区间关联关系。③ 对外开放差异回归系数均为正值，在研究期初和期末均显著，但系数偏小，说明对外开放差异对生态福利绩效关联网络具有微弱正向作用。已有研究显示外资的引进有助于提升生态福利绩效，且存在空间溢出效应[45]。对外开放程度的提高，有利于打破地区间贸易壁垒，强化区域间资本、信息和技术的交流合作，然而随着改革开放的深化，地区间对外开放程度差异逐步缩小，因此对外开放差异对生态福利绩效关联网络的作用较弱。④ 政府调控差异的回归系数显著性较差，仅个别年份通过显著性检验，且作用方向存在不确定性，表明地区间政府宏观调控差异因素对生态福利绩效关联网络影响十分微弱。政府调控政策和治理能力对于环境保护和改善民生福祉具有重要作用，随着地方政府间交流合作不断增强，政府调控差异对地区间生态福利绩效的空间传导和溢出的作用将不断凸显。

2.5.2 形成机制解析

由回归结果可知，生态福利绩效空间关联网络受到地理空间邻近、经济基础和技术创新差异等稳定性因素与产业结构、环境规制、对外开放及政府调控差异等阶段性因素的综合影响。生态福利绩效空间关联网络发展演变的实质是生态福利绩效通过直接或者间接形式实现了资本、技术、劳动力和管理方法等要素资源的流动与空间再组织的过程。本文根据空间相互作用理论、资源场理论等归纳出了中国生态福利绩效空间关联网络的四种驱动机制（图6）。生态福利绩效反映了自然资源消耗转化为社会福利的效率，资源消耗、经济产出和社会福利构成了生态福利绩效概念的核心。中国生态福利绩效空间关联网络的形成和发展受到了资源禀赋差异、市场调节、政府宏观调控与科学技术推动四种机制的驱动。其中，资源禀赋差异机制构成了关联网络形成的“源动力”，各地区自然资源、经济基础、技术条件等存在差异，形成了资源势差，资本、劳动力和技术等要素在市场调节机制这一“决定力”的影响下，在经济效益最大化的驱使下，为追求边际效益最佳，各类要素在空间上进行流动和空间再分配。为了实现整体效益和区际协调，同时克服市场调节的不足，政府采取的宏观调控政策会起到“辅助器”的作用，通过区域协调发展战略、生态转移支付等手段引导要素逆经济梯度流动。科学技术推动机制主要起到“催化剂”作用，技术进步和创新一方面会提高生态资源的转化效率，减少环境污染和增进民生福祉，另一方面交通和通讯信息技术的更新会促进资本、技术等生产要素的跨区域流动。在上述四种驱动机制的作用下，以人流、物流、资金流、技术流和信息流等为载体的各类要素在地理空间上相互交流、协作、组织与再分配，对区域生态福利绩效产生显著影响，推动了生态福利绩效在空间上的传导和扩散，进而通过“极化效应”和“溢出效应”不断在空间上进行流动与溢出，从而形成多节点、多连线、多流向的复杂空间关联网络。
图6 中国生态福利绩效空间关联网络的形成机制

Fig. 6 Formation mechanism of spatial correlation network of ecological well-being performance in China

3 结论与讨论

本文通过构建生态福利绩效评价指标体系，采用考虑非期望产生的Super-EBM模型对中国省域单元的生态福利绩效进行了定量测度，利用修正的引力模型和社会网络分析方法对中国生态福利绩效空间关联网络演变特征进行了分析，最后采用QAP回归分析方法对其影响因素和形成机制进行了探讨。主要结论如下：
（1）时间序列上，2000—2019年中国省域生态福利绩效指数呈现先降低后升高的演变轨迹，目前仍处于中等水平，生态福利绩效有待提升，空间上表现出东部>中部>西部的地带间不均衡特征。整体网络方面，中国生态福利绩效的空间关联呈现出复杂、多线程的网络结构形态，京津和长三角的双核结构特征显著；网络密度处于较低水平且关联网络中存在一定数量的冗余关系数，网络紧密程度和稳定性亟待提高；研究期内中国生态福利绩效等级森严的网络结构逐渐被打破，关联网络具有“扁平化”演变趋势。
（2）个体网络方面，京津冀、长三角和珠三角地区处于空间网络中的核心位置，在关联网络中扮演中心行动者角色，东北、西北和西南地区的省份处于网络边缘，扮演边缘行动者角色，贵州和甘肃是连接西南和西北省区的关键节点；同时，京津、长江中下游和珠三角地区在关联网络中具有“中介”和“枢纽”功能，中介中心度在空间上具有显著“南强北弱”分布特征，生态福利绩效在省际间的传输与中转多通过南方省份的中介作用完成，北方地区省份的中介功能亟待增强。整体上，东部沿海省区是生态福利绩效空间关联网络中的“溢出高地”，对西北、西南和东北地区表现出显著“涓滴效应”，中部省区的受益效应不明显，未从生态福利绩效空间关联网络中显著获益。
（3）中国生态福利绩效在省际间与区域间均存在显著溢出效应，且以区域间溢出为主。块模型分析结果显示，北京、天津和上海组成了净溢出板块，是关联网络的“发动机”；珠三角和江浙地区属于经纪人板块，担当了“中介”和“桥梁”功能；长江中下游及西南地区在关联网络中接收了其他地区大量溢出；东北、黄河中下游及西北地区既接收了京津、长三角和珠三角地区的溢出，又对长江中下游及西南地区微弱溢出，构成了双向溢出板块。
（4）中国生态福利绩效空间关联网络的形成和发展受到资源禀赋差异、市场调节、政府宏观调控和科学技术推动四种机制的影响。QAP回归结果表明，地理空间邻近、经济发展水平差异和技术创新差异对空间关联网络具有显著正向影响，产业结构、环境规制、对外开放和地方政府调控的差异对空间关联网络的影响较小，且作用方向和强度呈现阶段性特征。
根据研究结论，提出以下对策建议：（1）各省份应积极推进生态文明建设，发挥绿色技术创新的支撑作用，提高生态资源利用率和转化率，提升居民的绿色福利和生态福祉；同时，注重社会福利水平的提升，完善社会保障体系，推进基本公共服务均等化，实现经济成果向民生福祉的有效转换。（2）充分发挥市场调节和政府调控作用，搭建省区间生态建设、环境保护和公共服务共建共享的交流合作平台，完善交通通讯等基础设施建设，促进资本、人才、知识技术和管理方法等生产要素的跨区域自由流动，提高生态福利绩效空间关联网络紧密程度，推动省际间环境问题的共同治理和民生福祉的协同提升。（3）发挥东部省份示范引领作用，强化生态福利绩效“溢出高地”功能，通过技术溢出、生态补偿和对口支援等方式辐射带动中西部地区生态福利绩效提升；中部省区积极承接东部地区产业转移和技术外溢，在发展中补齐民生短板，借助黄河流域生态保护和高质量发展国家战略，将河南、山西等沿黄省份建设为生态福利绩效跨区域协同提升的战略支点；西部省区要以资源环境承载为刚性约束，通过生态产业化将地区生态资源优势转化为生态经济优势，同时要借助转移支付和对口帮扶，提高社会福利支出，改善居民福利水平。
本文从复杂网络视角对中国生态福利绩效空间关联网络的演变特征进行了分析，弥补了现有文献对生态福利绩效空间关联分析的不足，然而，仍存在部分内容有待深化。首先，本文以人类发展指数表征社会福利水平，指标均为客观福利数据，对于居民主观福利考虑不足，未来可以从综合福利入手对生态福利绩效指标体系予以丰富和完善；其次，空间关联网络的存在势必会对生态福利绩效“属性数据”产生作用，生态福利绩效空间关联网络的影响效应及其作用机制也是值得深挖的议题；此外，研究结果显示中国生态福利绩效空间关联网络存在稳定性不强等问题，如何进一步优化空间关联网络，实现生态福利绩效的跨区域协同提升也是后续重要研究方向。

References

Publishing order | Descend order by publishing year | Descend order by cited within
[1]
周亮, 车磊, 周成虎. 中国城市绿色发展效率时空演变特征及影响因素. 地理学报, 2019, 74(10): 2027-2044.

DOI

[ ZHOU L, CHE L, ZHOU C H. Spatio-temporal evolution and influencing factors of urban green development efficiency in China. Acta Geographica Sinica, 2019, 74(10): 2027-2044.]

DOI

[2]
王圣云, 韩亚杰, 任慧敏, 等. 中国省域生态福利绩效评估及其驱动效应分解. 资源科学, 2020, 42(5): 840-855.

DOI

[ WANG S Y, HAN Y J, REN H M, et al. Evaluation of provincial ecological well-being performance and its driving effect decomposition in China. Resources Science, 2020, 42(5): 840-855.]

DOI

[3]
胡美娟, 李在军, 丁正山, 等. 基于三维福利的城市生态福利强度及驱动模式: 以长三角地区为例. 自然资源学报, 2021, 36(2): 327-341.

[ HU M J, LI Z J, DING Z S, et al. Urban ecological well-being intensity and driving mode based on three-dimensional well-being: Taking the Yangtze Delta as an example. Journal of Natural Resources, 2021, 36(2): 327-341.]

DOI

[4]
诸大建, 张帅. 生态福利绩效与深化可持续发展的研究. 同济大学学报: 社会科学版, 2014, 25(5): 106-115.

[ ZHU D J, ZHANG S. Ecological well-being performance and further research on sustainable development. Journal of Tongji University: Social Science Edition, 2014, 25(5): 106-115.]

[5]
邓远建, 杨旭, 马强文, 等. 中国生态福利绩效水平的地区差距及收敛性. 中国人口·资源与环境, 2021, 31(4): 132-143.

[ DENG Y J, YANG X, MA Q W, et al. Regional disparity and convergence of China's ecological welfare performance level. China Population, Resources and Environment, 2021, 31(4): 132-143.]

[6]
刘华军, 贾文星. 中国区域经济增长的空间网络关联及收敛性检验. 地理科学, 2019, 39(5): 726-733.

DOI

[ LIU H J, JIA W X. Spatial network correlation and convergence test of regional economic growth in China. Scientia Geographica Sinica, 2019, 39(5): 726-733.]

DOI

[7]
DALY H E. The word dynamics of economic growth: The economics of the steady state. America Economic Review, 1974, 64(2): 15-23.

[8]
诸大建. 生态经济学: 可持续发展的经济学和管理学. 中国科学院院刊, 2008, 23(6): 520-530.

[ ZHU D J. Ecological economics: Economics and management of sustainable development. Bulletin of Chinese Academy of Sciences, 2008, 23(6): 520-530.]

[9]
诸大建. 超越增长: 可持续发展经济学如何不同于新古典经济学. 学术月刊, 2013, 45(10): 79-89.

[ ZHU D J. Beyond growth: What are differences between sustainable development economics and neoclassical economics. Academic Monthly, 2013, 45(10): 79-89.]

[10]
诸大建, 张帅. 生态福利绩效及其与经济增长的关系研究. 中国人口·资源与环境, 2014, 24(9): 59-67.

[ ZHU D J, ZHANG S. Research on ecological well-being performance and its relationship with economic growth. China Population, Resources and Environment, 2014, 24(9): 59-67.]

[11]
COMMON M. Measuring national economic performance without using prices. Ecological Economics, 2007, 64(1): 92-102.

DOI

[12]
DIETZ T, ROSA E A, YORK R. Environmentally efficient well-being: Is there a Kuznets curve?. Applied Geography, 2012, 32(1): 21-28.

DOI

[13]
臧漫丹, 诸大建, 刘国平. 生态福利绩效: 概念、内涵及G20实证. 中国人口·资源与环境, 2013, 23(5): 118-124.

[ ZANG M D, ZHU D J, LIU G P. Ecological well-being performance: Concept, connotation and empirical of G20. China Population, Resources and Environment, 2013, 23(5): 118-124.]

[14]
冯吉芳, 袁健红. 中国区域生态福利绩效及其影响因素. 中国科技论坛, 2016, (3): 100-105.

[ FENG J F, YUAN J H. Study on Chinese regional ecological well-being performance and its influence factors. Forum on Science and Technology in China, 2016, (3): 100-105.]

[15]
ZHANG S, ZHU D, SHI Q, et al. Which countries are more ecologically efficient in improving human well-being? An application of the index of ecological well-being performance. Resources Conservation & Recycling, 2018, 129: 112-119.

[16]
BEHJAT A, TARAZKAR M H. Investigating the factors affecting the ecological well-being performance in Iran from 1994 to 2014. Environment, Development and Sustainability, 2021, 23(9): 13871-13889.

DOI

[17]
KNIGHT K W, ROSA E A. The environmental efficiency of well-being: A cross-national analysis. Social Science Research, 2011, 40(3): 931-949.

DOI

[18]
亓朋, 艾洪山, 徐昱东, 等. 中国各地区生态福利绩效评价及贸易开放影响效应研究. 北京: 经济管理出版社, 2020.

[ QI P, AI H S, XU Y D, et al. Research on the Evaluation of Ecological Well-being Performance and the Effects of Trade Opening in Chinese Provinces. Beijing: Economy & Management Publishing House, 2020.]

[19]
DIETZ T, ROSA E A, YORK R. Environmentally efficient well-being: Rethinking sustainability as the relationship between human well-being and environmental impacts. Human Ecology Review, 2009, 16(1): 114-123.

[20]
肖黎明, 张仙鹏. 强可持续理念下绿色创新效率与生态福利绩效耦合协调的时空特征. 自然资源学报, 2019, 34(2): 312-324.

[ XIAO L M, ZHANG X P. Spatio-temporal characteristics of coupling coordination between green innovation efficiency and ecological welfare performance under the concept of strong sustainability. Journal of Natural Resources, 2019, 34(2): 312-324.]

DOI

[21]
徐维祥, 徐志雄, 刘程军. 黄河流域地级城市土地集约利用效率与生态福利绩效的耦合性分析. 自然资源学报, 2021, 36(1): 114-130.

[ XU W X, XU Z X, LIU C J. Coupling analysis of land intensive use efficiency and ecological well-being performance of cities in the Yellow River Basin. Journal of Natural Resources, 2021, 36(1): 114-130.]

DOI

[22]
龙亮军, 王霞, 郭兵. 生态福利绩效视角下的上海市可持续发展评价研究. 长江流域资源与环境, 2016, 25(1): 9-15.

[ LONG L J, WANG X, GUO B. Evaluation on sustainable urban development from the perspective of ecological well-being performance: A case study of Shanghai. Resources and Environment in the Yangtze Basin, 2016, 25(1): 9-15.]

[23]
龙亮军, 王霞, 郭兵. 基于改进DEA模型的城市生态福利绩效评价研究: 以我国35个大中城市为例. 自然资源学报, 2017, 32(4): 595-605.

[ LONG L J, WANG X, GUO B. Evaluation of urban ecological well-being performance based on revised DEA model: A case study of 35 major cities in China. Journal of Natural Resources, 2017, 32(4): 595-605.]

[24]
臧漫丹, 娄子孟, 孔嘉婧. 中国省际水资源福利绩效时空分异分析. 长江流域资源与环境, 2019, 28(4): 805-816.

[ ZANG M D, LOU Z M, KONG J J. Spatial-temporal differentiation of interprovincial water well-being performance in China. Resources and Environment in the Yangtze Basin, 2019, 28(4): 805-816.]

[25]
ZHANG Y, MAO Y, JIAO L, et al. Eco-efficiency, eco-technology innovation and eco-well-being performance to improve global sustainable development. Environmental Impact Assessment Review, 2021, 89(1): 106580, Doi: 10.1016/j.eiar.2021.106580.

DOI

[26]
BIAN J, REN H, LIU P. Evaluation of urban ecological well-being performance in China: A case study of 30 provincial capital cities. Journal of Cleaner Production, 2020, 254: 120109, Doi: 10.1016/j.jclepro.2020.120109.

DOI

[27]
LONG X, YU H, SUN M, et al. Sustainability evaluation based on the three-dimensional ecological footprint and human development index: A case study on the four island regions in China. Journal of Environmental Management, 2020, 265: 110509, Doi: 10.1016/j.jenvman.2020.110509.

DOI

[28]
龙亮军. 基于两阶段Super-NSBM模型的城市生态福利绩效评价研究. 中国人口·资源与环境, 2019, 29(7): 1-10.

[ LONG L J. Evaluation of urban ecological well-being performance of Chinese major cities based on two-stage super-efficiency network SBM model. China Population, Resources and Environment, 2019, 29(7): 1-10.]

[29]
YU S, DONG M. Sustainable development of China's regions from the perspective of ecological welfare performance: Analysis based on GM (1, 1) and the malmquist index. Environment, Development and Sustainability, 2021, 7: 1-30.

DOI

[30]
FENG Y, DONG X, ZHAO X, et al. Evaluation of urban green development transformation process for Chinese cities during 2005-2016. Journal of Cleaner Production, 2020, 266: 121707, Doi: 10.1016/j.jclepro.2020.121707.

DOI

[31]
林木西, 耿蕊, 李国柱. 省域生态福利绩效水平的空间非均衡性研究: 基于MLD指数与分布动态学模型. 东岳论丛, 2019, 40(10): 73-83.

[ LIN M X, GENG R, LI G Z. Study on spatial disequilibrium of provincial ecological well-being performance level: Based on MLD index and distribution dynamics model. Dong Yue Tribune, 2019, 40(10): 73-83.]

[32]
胡美娟. 综合福利视角下城市生态福利绩效演化过程、机制与路径优化. 南京: 南京师范大学, 2020.

[ HU M J. Evolution process, mechanism and path optimization of urban ecological well-being performance from the perspective of comprehensive welfare. Nanjing: Nanjing Normal University, 2020.]

[33]
WANG S, ZHANG Y, YAO X. Research on spatial unbalance and influencing factors of ecological well-being performance in China. International Journal of Environmental Research and Public Health, 2021, 18(17): 9299, Doi: 10.3390/ijerph18179299.

DOI

[34]
WANG R, FENG Y, VILA A. Research on China's ecological welfare performance evaluation and improvement path from the perspective of high-quality development. Mathematical Problems in Engineering, 2020, 2: 1-14.

DOI

[35]
孟雪, 狄乾斌, 季建文. 京津冀城市群生态绩效水平测度及影响因素. 经济地理, 2020, 40(1): 181-186.

[ MENG X, DI Q B, JI J W. Measurement on the level of the urban ecological performance and analysis of influential factors in Beijing-Tianjin-Hebei Urban Agglomeration. Economic Geography, 2020, 40(1): 181-186.]

[36]
李成宇, 张士强, 张伟, 等. 中国省际生态福利绩效测算及影响因素研究. 地理科学, 2019, 39(12): 1875-1883.

DOI

[ LI C Y, ZHANG S Q, ZHANG W, et al. Measurement and influencing factors of inter-provincial ecological well-being performance in China. Scientia Geographica Sinica, 2019, 39(12): 1875-1883.]

DOI

[37]
邓远建, 杨旭, 陈光炬, 等. 中国生态福利绩效水平的空间非均衡及动态演进. 中国地质大学学报: 社会科学版, 2020, 20(4): 115-127.

[ DENG Y J, YANG X, CHEN G J, et al. Spatial unbalanced and dynamic evolution of China's ecological welfare performance level. Journal of China University of Geosciences: Social Sciences Edition, 2020, 20(4): 115-127.]

[38]
HU M, SARWAR S, LI Z. Spatio-temporal differentiation mode and threshold effect of Yangtze River Delta urban ecological well-being performance based on network DEA. Sustainability, 2021, 13: 4550, Doi: 10.3390/su13084550.

DOI

[39]
杜慧彬, 黄立军, 张辰, 等. 中国省级生态福利绩效区域差异性分解和收敛性研究. 生态经济, 2019, 35(3): 187-193.

[ DU H B, HUANG L J, ZHANG C, et al. Research on the regional differences decomposition and convergence mechanism of ecological well-being performance. Ecological Economy, 2019, 35(3): 187-193.]

[40]
YAO L, YU Z, WU M, et al. The spatiotemporal evolution and trend prediction of ecological well-being performance in China. Land, 2021, 10(1): 1-17.

DOI

[41]
郭炳南, 王宇, 姜彦彦, 等. 技术进步偏向对中国生态福利绩效的影响. 经济论坛, 2021, (6): 59-71.

[ GUO B N, WANG Y, JIANG Y Y, et al. The influence of technological progress bias on the ecological welfare performance in China. Economic Forum, 2021, (6): 59-71.]

[42]
方时姣, 肖权. 中国区域生态福利绩效水平及其空间效应研究. 中国人口·资源与环境, 2019, 29(3): 1-10.

[ FANG S J, XIAO Q. Research on regional ecological well-being performance and spatial effect in China. China Population, Resources and Environment, 2019, 29(3): 1-10.]

[43]
FENG Y, ZHONG S, LI Q, et al. Ecological well-being performance growth in China (1994-2014): From perspectives of industrial structure green adjustment and green total factor productivity. Journal of Cleaner Production, 2019, 236: 117556, Doi: 10.1016/j.jclepro.2019.07.031.

DOI

[44]
肖黎明, 肖沁霖. 黄河流域城市生态福利绩效格局分异及空间收敛分析. 软科学, 2021, 35(2): 46-53.

[ XIAO L M, XIAO Q L. Study on the differentiation and spatial convergence of urban ecological welfare performance patterns in the Yellow River Basin. Soft Science, 2021, 35(2): 46-53.]

[45]
郭炳南, 唐利, 张浩. 环境规制与长江经济带生态福利绩效的空间效应研究. 经济体制改革, 2021, (3): 73-79.

[ GUO B N, TANG L, ZHANG H. Spatial effects of environmental regulation and ecological welfare performance in Yangtze River Economic Belt. Reform of Economic System, 2021, (3): 73-79.]

[46]
王喜平, 罗金芳. 京津冀生态福利绩效及时空演变研究. 科技管理研究, 2020, 40(21): 249-255.

[ WANG X P, LUO J F. Study on ecological welfare performance and spatio-temporal evolution of Beijing-Tianjin-Hebei region. Science and Technology Management Research, 2020, 40(21): 249-255.]

[47]
TONE K, TSUTSUI M. An epsilon-based measure of efficiency in DEA: A third pole of technical efficiency. European Journal of Operational Research, 2010, 207(3): 1554-1563.

DOI

[48]
赵林, 刘焱序, 曹乃刚, 等. 中国包容性绿色效率时空格局与溢出效应分析. 地理科学进展, 2021, 40(3): 382-396.

DOI

[ ZHAO L, LIU Y X, CAO N G, et al. Spatiotemporal pattern and spillover effects of inclusive green efficiency in China. Progress in Geography, 2021, 40(3): 382-396.]

DOI

[49]
王兆峰, 刘庆芳. 中国省域旅游效率空间网络结构演化及其影响因素. 地理科学, 2021, 41(3): 397-406.

DOI

[ WANG Z F, LIU Q F. The evolution and influencing factors of spatial network structure of China's provincial tourism efficiency. Scientia Geographica Sinica, 2021, 41(3): 397-406.]

[50]
陈清怡, 千庆兰, 姚作林. 广东省城市创新发展水平及其网络结构演化. 经济地理, 2021, 41(4): 38-47.

[ CHEN Q Y, QIAN Q L, YAO Z L. Urban innovation development level and network structure evolution in Guangdong province. Economic Geography, 2021, 41(4): 38-47.]

[51]
孙才志, 马奇飞. 中国省际水资源绿色效率空间关联网络研究. 地理研究, 2020, 39(1): 53-63.

DOI

[ SUN C Z, MA Q F. Spatial correlation network of water resources green efficiency between provinces of China. Geographical Research, 2020, 39(1): 53-63.]

DOI

[52]
刘军. 整体网分析:UCINET 软件实用指南(第二版). 上海: 格致出版社, 2014.

[ LIU J. Lecture on Whole Network Approach:Apractical Guide to UCINET (2nd). Shanghai: Gezhi Publishing House, 2014.]

[53]
联合国开发计划署. 中国人类发展报告 (2013). 北京: 中国对外翻译出版公司, 2013.

[ UNDP. China Human Development Report 2013. Beijing: China Translation & Publishing Corporation, 2013.]

Options
Outlines

/

〈 〉