Welcome to visit Journal of Shaanxi Normal University(Natural Science Edition)!

Journal of Shaanxi Normal University(Natural Science Edition) >

2025 , Vol. 53 >Issue 5: 1 - 14

DOI: https://doi.org/10.15983/j.cnki.jsnu.2025501

Spatial and temporal evolution and driving factors of spatial correlation network of carbon emissions in the Yangtze River Delta urban agglomeration from the perspective of carbon sink potential

  • LIAO Zhengxiao 1 ,
  • XI Guangliang , 1, 2, * ,
  • ZHANG Qianwei 1 ,
  • HUANG Qize 1
Expand
  • 1 School of Architecture and Urban Planning, Nanjing University, Nanjing 210093, Jiangsu, China
  • 2 Jiangsu Smart City Research Base, Nanjing 210093, Jiangsu, China

Received date: 2025-03-25

  Online published: 2025-09-24

Fold

Abstract

The spatial correlation of carbon emissions is important for resource allocation optimization, environmental governance and policy formulation, but the study of the spatial correlation structure of urban agglomeration under the perspective of carbon sink potential has not yet been explored in depth. Based on the data of 41 cities in the Yangtze River Delta (YRD), a spatial correlation network of carbon emissions in YRD is constructed by combining the modified gravity model with the carbon ecological carrying capacity coefficient (CECC). The temporal and spatial evolution of the spatial correlation network structure of carbon emissions from the perspective of carbon sink potential and its driving factors are analyzed by using social network analysis and geographic detector. The results show that: in spatial, the carbon ecological carrying capacity of the YRD urban agglomeration has the Shanghai metropolitan area as the center of low value, and the ecological barrier of southern Anhui and western Zhejiang as the center of high value, which shows a core-periphery structure of “low in the middle and high in the periphery”. In time, the carbon carrying capacity of the Yangtze River Delta urban agglomeration as a whole declined significantly, showing a trend of equalization. The YRD urban agglomeration has formed a carbon emission correlation structure of carbon emission core, carbon flow axis and carbon sink core from east to west. The intensity of carbon emission correlation gradually narrows with the time gap. The spatial correlation network of carbon emissions in the Yangtze River Delta is at a low level, with obvious differences between the north and the south, relying on a few core cities and critical paths to maintain the effectiveness of carbon correlation. The spatial linkage network of carbon emissions in the YRD urban agglomeration is developing from the binary structure of “economic radiation and ecological absorption” to “multi-polarization and multi-threading”. The differences in population concentration and resource inclination are conducive to the establishment of carbon emission spatial correlation among cities. The heterogeneity of carbon emission correlation among cities mainly comes from the resource tilting power, infrastructure power, and other factors, and the potential factor is the guidance power of the government. This study can provide scientific basis and practical reference for the Yangtze River Delta urban agglomeration to realize low-carbon transition and synergistically promote the “dual-carbon” goal.

Key words： spatial correlation network; carbon emissions; carbon sink; carbon ecological carrying capacity coefficient; the Yangtze River Delta urban agglomeration; geographical detector

Cite this article

LIAO Zhengxiao , XI Guangliang , ZHANG Qianwei , HUANG Qize . Spatial and temporal evolution and driving factors of spatial correlation network of carbon emissions in the Yangtze River Delta urban agglomeration from the perspective of carbon sink potential[J]. Journal of Shaanxi Normal University(Natural Science Edition), 2025 , 53(5) : 1 -14 . DOI: 10.15983/j.cnki.jsnu.2025501

城市群是新型城镇化发展的主阵地,也是碳排放较为集中的空间单元,城市群在“双碳”目标实现过程中发挥着重要作用[1]。长三角城市群是中国经济发展的核心增长极之一,但其以3.7%的国土面积贡献了约20%的碳排放量[2],内部非均衡现象突出,存在显著的空间外部性和溢出效应,碳收支存在明显的空间异质性[3]。同时,识别物质空间和要素流动结合的碳排放空间关联网络,强化城市群碳汇及碳排放协同管理,是跨区域协同推进“双碳”目标顺利实现的重要途径。在此背景下,从碳汇潜力视角探究碳排放空间关联网络,可以揭示城市群内部碳排放的相互影响与依赖关系,有助于更好地理解碳源和碳汇之间的动态平衡关系[4-5],并对制定区域间降碳增汇政策具有重要价值。
已有较多研究进行了碳排放空间关联探索,主要集中在空间相关性、影响机制等方面。基于空间统计等方法,分析了碳排放的空间相关性,认为碳排放存在显著的空间关联特征和溢出效应[6-8]。但空间计量模型存在局限性,学者开始将复杂网络方法引入碳排放空间关联分析中。也有研究进一步利用引力模型构建碳排放空间关联网络[9-11],然而引力模型分析往往忽视了国土空间的碳汇禀赋差异。在空间关联分析基础上,学者通过空间聚类将网络划分为净受益、净溢出、经纪人和双向溢出等板块[12-14]。影响机制分析方面,学者利用空间计量模型和地理加权回归模型分析经济、空间形态等变量对碳排放的影响[15],结果表明地理区位、经济、能源等社会经济因素影响本地碳排放的同时对周边地区产生溢出效应[16]。也有学者利用二次指派程序从能源强度、产业结构、地理邻近差异等层面研究碳排放空间关联网络的形成机制[17-18]。但已有研究缺乏对城市群碳排放空间关联异质性驱动因素的探讨。
在现有研究基础上,应考虑碳汇潜力在碳排放空间关联网络中的作用[19],为分析城市在区域协同减排中的功能定位提供科学支撑[20]。在碳排放网络结构研究方面,从整体和个体双视角分析城市群碳排放空间关联的时空差异,精准发力提升区域协同减排能力,为实现“双碳”目标提供科学依据。在网络形成机制方面,在内外驱动力模型基础上,整合二次指派程序法、地理探测器等方法[21],识别城市群碳排放空间关联网络的异质性及影响因素,探究单因子和交互因子的驱动作用,为构建优势互补、深度融合的“碳汇-碳排”空间利用格局提供实践指导,并为碳流廊道规划以及完善跨城生态补偿机制提供支撑。
鉴于此,本文以长三角城市群为研究对象,根据已有研究构建碳生态承载系数以衡量城市碳汇潜力,分析长三角城市群碳承载能力时空分布;结合引力模型构建长三角碳排放空间关联网络,采用社会网络分析法研究长三角城市群的碳排放空间关联特征,并解释其结构特征演变,为空间关联约束下的协同治理路径提供理论支撑与实证基础,进而探索城市群空间关联网络形成机制及其差异性的驱动因素,并提出具有针对性的政策建议。

1 研究方法与数据来源

1.1 研究方法

1.1.1 碳生态承载系数

碳生态承载系数(carbon ecological carrying capacity coefficient,CECC,式中记为C),即单位时间内区域生态系统的碳吸收量与人类活动排放量的比值,反映区域碳汇能力的强弱[22]。计算公式为
Ci= C E i C E/ C S i C S。
式中:Ci为城市i的碳生态承载系数;CEi、CSi分别为城市i的年碳吸收量和年碳排放量;CE和CS分别为全域的年碳吸收量和年碳排放量。若Ci≥1,表明城市生态系统具备完全中和碳排放的能力,并能够承接周边地区的碳排放溢出;若Ci<1,说明该城市生态系统存在生态超载的风险。
鉴于碳汇数据并没有统一发布的数据集,且陆地生态系统碳吸收能力的年际波动弱、稳定性高,土地利用类型的碳吸收能力在长期时间内变化不大,本研究采用碳吸收系数法,即不同地类的面积乘以其对应的碳吸收系数,得出各地类的碳吸收量[23]。计算公式为
CEi= ∑ s = 1 nAs×δs。
式中:CEi为城市i的碳吸收量;As为第s种用地类型的面积;δs为第s种用地类型的碳吸收系数。考虑到地区相似性并参考现有研究成果[24-26],耕地、林地、草地、水域、未利用地和湿地的碳吸收系数分别为 1.60、3.81、0.948、0.567、0.005和7 t C/(hm2· a)。

1.1.2 碳排放空间关联网络

碳排放空间关联存在多维距离约束,除地理邻近性外,也受经济关联度、技术势差及生态安全距离等复合空间效应影响。在国土空间规划“双碳”目标驱动下,传统地理-经济二元距离模型已难以满足碳交易市场优化需求,亟需构建物质空间和要素流动结合的关联网络。生态系统碳汇功能具有显著空间外溢性,其跨域固碳服务可重塑区域间碳排放的交互结构。基于承载力理论、生态系统服务供需匹配机制及碳源-碳汇动态平衡原理,本文采用碳生态承载系数表征城市碳承载能力,其数值与经济发展呈正向耦合关系。相较于传统碳源-碳汇差值法,该系数通过引入区位熵算法,有效规避核算边界不一致导致的系统误差,提升空间可比性和客观性。
基于上述考虑并参考相关文献[23],对传统引力模型进行修正,构建碳汇潜力视角下的碳排放空间关联网络。基本模型为
Fij=Kij C S i P i G i 3 · C S j P j G j 3 D i j 2,
Kij= C S i C S i + C S j,
Dij= d i j C i g i - C j g j。
式中:i、j分别表示城市i、城市j;Fij表示城市间的碳排放空间关联引力;CS表示城市碳排放量(万t);P表示人口规模(万人);G表示地区生产总值(万元);Kij为修正因子,是城市i的碳排放规模与城市i和城市j碳排放量总规模的比值,代表城市i与城市j之间的碳排放空间联系方向;Dij表示地理-经济-碳汇三元距离模型,由球面距离dij(km)、人均地区生产总值g(万元)和碳承载系数C进行表征。
基于式(3)~(5)的测度结果构建碳排放空间关联引力矩阵,并以矩阵各行均值为阈值构建有向非对称二值邻接矩阵网络[27]。

1.1.3 社会网络分析

本文通过网络关系数、网络密度、网络关联度等指标描述碳排放空间关联网络的整体特征;采用点度中心度、接近中心度和中介中心度来度量个体特征;利用块模型分析对空间关联网络进行聚类,并依据板块期望与实际内部关系比例的差异、溢出和接受关系数的差异划分板块类型,判断各个板块在空间关联网络中的角色,揭示碳排放空间关联网络的要素流动和内部结构。

1.1.4 二次指派程序法和地理探测器

社会网络分析揭示了城市间的碳排放关联网络属性,但未明确驱动网络形成的因素以及哪些因素影响了城市在网络中的等级及连接强度。本文选用二次指派程序法(quadratic assignment procedure,QAP)检验长三角城市群碳排放空间关联网络形成的关键驱动因素,其是基于随机置换的非参数检验分析方法,无需假设变量的独立性而能够解决自相关和多重共线性问题。地理探测器方法是一种用于探测空间分异性并揭示其背后驱动力的统计学方法。
本研究采用二次指派程序法回归检验驱动碳排放空间关联网络形成的整体性因素,采用地理探测器的因子探测、交互作用分析等方法,将社会网络分析提取的网络指标作为因变量解析城市节点在网络中空间分异的驱动因子及其交互效应。
1)QAP模型构建。通过经济集聚水平、人口密度、第二产业增加值占GDP的比重等变量来构建QAP模型:
N=f(XEA,XURB,XTEC,XLAN,XPOP,XMAR,XIND,XENV,XESC,XGOV)。
式中:所有变量都为Z-Score标准化后的差值矩阵,分别为经济内驱力、基础建设力、科技支撑力、禀赋吸引力、人口集聚力、市场牵引力、资源倾斜力、政策引导力、能源支撑力、政府调控力。利用Ucinet 6.0软件进行QAP回归分析。
2)因子探测。通过计算q值量化驱动因子对碳排放空间关联分异的贡献强度,识别因素对碳排放空间关联演化分异的影响程度。公式为
q=1- ∑ h = 1 L N h σ h 2 N σ 2。
式中:L表示驱动因子的空间分层数量;N和Nh分别代表总样本量及第h层的样本量;σ和σh则分别表示全局方差和层内方差。
3)交互探测。通过双因子交互作用解析碳排放空间关联差异的复合驱动机制。分别计算单因子X1和X2的q(X1)和q(X2),再计算影响因子两两交互的q(X1∩X2)值,最后将数值进行比较[28]。

1.2 指标选取与数据来源

1.2.1 驱动因素选取

借鉴已有研究[29-30],从内外部驱动力角度构建模型。内部驱动力包括:1)经济内驱力(XEA),其为市辖区生产总值与土地面积之比,常用于衡量经济集聚水平;2)基础建设力(XURB),以城镇化水平衡量;3)科技支撑力(XTEC),以城市财政科技投入占GDP的比重衡量;4)禀赋吸引力(XLAN),以建设用地面积占行政区土地总面积的比重衡量;5)人口集聚力(XPOP),以人口密度衡量。外部驱动力包括:1)市场牵引力(XMAR),采用文献[31-32]计算的市场化指数衡量;2)资源倾斜力(XIND),以第二产业增加值占GDP的比重衡量;3)政策引导力(XENV),以工业污染物排放量来衡量;4)能源支撑力(XESC),以能源消费强度来衡量;5)政府调控力(XGOV),以人均财政支出衡量。

1.2.2 数据来源

本文以长三角城市群的41个城市为研究单元,采用的数据包括城市碳排放数据、土地利用数据和社会经济数据。碳排放数据来自中国城市温室气体工作组发布的中国城市CO2排放数据集,土地利用数据来源于1985—2022年中国30 m×30 m的栅格数据集[33],社会经济数据来自《中国城市统计年鉴》《中国城市建设统计年鉴》以及各城市统计公报。

2 碳排放空间关联网络特征

2.1 碳生态承载力时空特征

以长三角城市群碳生态承载系数均值的50%、100%和150%为断点,将碳生态承载力划分为低、较低、较高和高4个等级,并通过ArcGIS软件进行空间可视化表达(图1)。2005—2010年,碳生态承载力的高值区稳中有升,主要分布在合肥都市圈、杭州都市圈西部边缘区,低值区呈现小幅下降。2010—2015年,高值区明显下降,低值区稳中有升。主要原因在于近年来长三角城市群工业化与城镇化区域协同进程加快,依靠沪苏-皖江产业转移走廊,滁州、六安等城市承接了部分产业,高速发展与城市扩张占据了水域、林地等碳汇能力较强的土地类型,而碳排放量在此过程中显著上升。上海、杭州等经济中心城市开始重视碳排放问题,通过产业转型和生态建设实现碳排放量增长放缓和碳汇能力增强,因此碳生态承载系数呈现稳定状态。2015—2020年,碳生态系数总体稳定,上海、杭州通过产业转型与生态建设等方式实现了正向增长,周边苏锡常都市圈、南京都市圈、杭州都市圈边缘因承接相关高碳排产业而有所下降。
图1 长三角城市群碳承载力时空分布格局

注:网络版为彩图。

Fig.1 Spatial and temporal distribution patterns of carbon carrying capacity in the Yangtze River Delta urban agglomeration

长三角城市群碳生态承载能力呈显著下降趋势,2005—2010年降低了7.64%,2010—2015年降低了23.01%,2015—2020年降低了2.84%。舟山市、宣城市等26个城市呈现下降趋势,表明这些城市在2005—2020年碳生态承载系数显著下降,碳排放总量却持续增加。这可能由于城市化进程加快、绿地减少、工业活动增加等因素导致环境承载能力下降。上海市、杭州市等9个城市呈上升趋势,显示其在碳排放管理上成效显著,可能是通过国土空间布局优化、环保政策等方式增强碳吸收能力,但这些城市仍需关注碳排放增长。盐城市、无锡市等6个城市呈稳定趋势,碳生态承载系数相对稳定,但排放略有增加,需确保现有能力应对未来增长。同时,可能存在明显的流域协同困境,长江干流城市及太湖流域城市呈现高排放与低承载的矛盾。
长三角城市群碳承载能力呈现明显的区域分异特征,核心-外围梯度明显。核心区是以上海市、苏州市为代表的高排放、低承载、均等化区域,其中上海市碳承载能力持续提升,但碳排放总量仍处于高位。过渡区包括杭州、宁波等城市,呈现中等排放和中等承载力的特征;徐州、常州等制造业基地作为工业城市的典型模式,呈现碳排放加速上升、碳承载持续下降的高风险组合;无锡通过产业转型实现碳排放增速趋缓。外围区以黄山、丽水等皖南-浙西生态屏障城市为主,呈现低排放、高承载、集中化的特点,面临发展和生态保护的双重压力,需警惕工业转移带来的排放增长。

2.2 碳排放关联强度的时空特征

由修正引力模型计算得到长三角城市群碳排放关联引力(图2)。碳排放关联引力一直由温州-丽水、金华-丽水、杭州-丽水和杭州-黄山占据前列,证明了黄山与丽水、上海与杭州在区域碳汇和碳排中的主导地位,代表着碳排放空间关联的两条重要溢出路径。
图2 碳排放关联引力图

注:网络版为彩图。

Fig.2 Gravity map of carbon emission linkages

从碳吸收视角看,黄山和丽水依靠其良好的生态基底,始终以较高的碳生态承载力与众多城市存在深入的碳排放空间关联,是区域碳汇的“双核心”。但黄山市在2015年的碳排放关联强度仅有丽水市的二分之一,而后迅速恢复到原本地位,这可能是由于沿江经济带的发展滞后于沿海经济带,揭示了短时间内区域发展差异导致的区域碳排放失衡。宣城在2010年碳排放关联引力急剧下降,结合其碳生态承载能力的变化,这可能是由于其受四大都市圈的经济辐射作用,承接了许多“碳溢出”;随后逐渐实施降碳增汇,但短时间内效果甚微,这反映了生态破坏的瞬时性和生态修复的长期性。六安、安庆拥有较好的碳生态承载能力,但未在沿江发展带中发挥其碳汇潜力。
从碳排放视角看,上海作为长三角城市群经济中心,依靠其深厚的产业基础,通过跨区域产业分工、交通网络建设等方式与周边城市建立了广泛且高强度的碳排放关联;其通过生态治理和产业转移,在长三角碳排放关联引力的占比逐年降低,反映了其“双碳”政策成效。杭州市凭借其生态优势和高新产业,锚定碳中介定位,中介效应不断增强。合肥都市圈凭借其经济发展、产业链建设和与六安的邻近等因素,在长三角碳排放关联引力中的占比不断提升,显示了其都市圈建设的良好成效。
从空间分布来看,上海都市圈、杭州都市圈、宁波都市圈、苏锡常都市圈以及沿海发展带、沪杭金发展带的联系强度和密度远高于周边地区,揭示了都市圈建设和空间发展规划在城市群碳排放协同方面的领头作用。
从时间变化来看,长三角城市群碳排放关联强度差距逐渐缩小,呈现区域一体化趋势。长三角城市群形成了以上海、苏锡常都市圈为碳排放核心区,以宁波都市圈、杭州都市圈、南京都市圈、合肥都市圈为碳排放关联要素流动轴,以丽水、黄山、宣城、六安为碳汇核心区的碳排放空间关联结构。

2.3 碳排放空间关联网络的整体特征

通过Ucinet 6.0分析长三角城市群碳排放引力模型构造的非对称矩阵,得到2005年、2010年、2015年和2020年碳排放空间关联网络的网络关系数、网络密度、网络关联度等指标值(表1)。
表1 碳排放空间关联网络整体特征

Tab.1 Overall characterization of spatial correlation network of carbon emissions

年份 网络关系数 网络密度 网络关联度 网络等级度 网络效率 最低上界
2005年 206 0.125 6 1 0.305 3 0.847 4 0.965 4
2010年 199 0.121 3 1 0.267 6 0.855 1 0.974 4
2015年 201 0.122 6 1 0.376 7 0.866 7 0.946 2
2020年 210 0.128 0 1 0.335 0 0.860 3 0.966 7
研究期间网络关系数呈现阶段性特征,2005—2010年网络关系数和密度同步下降;2010—2015年网络关系数回升但等级度激增,反映重工业向核心城市集聚;2015—2020年关系数达到历史峰值,密度与效率同步优化,印证生态文明建设与区域协同治理的积极成效。网络密度介于0.121至0.128,表明长三角碳排放空间关联网络整体处于低水平联结状态,城市间碳排放关联建立的广度有限。其中2020年密度较2015年增长4.4%,反映了如《长江三角洲城市群发展规划》的区域一体化政策对区域碳排放关联的促进作用,但空间溢出效应仍受制于行政壁垒、产业同构等因素。网络关联度指标均为1,说明长三角碳排放空间关联网络不存在孤立节点,任一城市至少通过一条路径与其他城市连接,整体形成了高度协同的碳排放格局;但结合低网络密度特征,表明关联网络依靠少数关键路径维持全局连通。网络等级度呈现波动上升趋势,显示研究期间核心城市对碳排放关联网络的控制力增强。网络效率持续高于0.84,表明冗余连接较少,碳排放传递路径较优;但高效率与低密度并存,表明其在保持碳排放关联效能的同时牺牲了关联网络的整体稳定性。最低上界值始终高于0.94,说明网络具有强可达性,任意两节点之间存在短路径连接,这与长三角发达的交通网络和产业链跨区布局相符合。
结合2005年、2010年、2015年和2020年的碳排放空间关联特征,使用ArcGIS软件进行可视化(图3)。总体上,碳汇潜力视角下的长三角城市群碳排放形成了跨地理层级的复杂网络,网络形态从双核驱动向多级协同演化,空间关联强度随时间显著增强。
图3 碳排放空间网络联系强度图

注:网络版为彩图。

Fig.3 Strength of spatial network linkages for carbon emission

2005年,黄山、丽水、上海和杭州网络关系数最高,构成以上海为碳排放核心、以宣城和杭州为碳流轴线、以黄山和丽水为碳汇核心的结构。上海作为经济中心,拥有完善的产业体系,与苏锡常地区形成广泛的碳排放关联;杭州、宣城则依托生态基底和低碳产业优势,在连接沿海发展带、沪杭金发展带与丽水碳汇核心的碳排放关联中起了重要作用;丽水市、黄山市拥有丰富的生态资源,与长三角中心区建立了广泛的碳排放关系,网络呈现“经济辐射-生态吸纳”的二元结构。
2010年,南京、合肥都市圈开始崛起,多极化趋势显现。南京凭借与马鞍山、芜湖等城市的产业关联形成紧密的碳排放关联;合肥背靠六安,通过承接长三角产业转移,与周边建立了广泛关联,成为沪宁合杭甬带新枢纽。丽水市、黄山市在沪杭碳流通道中发挥结构性调节作用。
2015年,丽水市异军突起,取代黄山市成了网络核心。同时,滁州市依托合肥市和南京都市圈,与周边建立广泛的碳排放关联,成为长三角北部碳排放枢纽。
2020年,网络呈现“多极多线程”特征。黄山市、丽水市、六安市共同构成了长三角生态屏障,符合沿江发展带、沪杭金发展带、沿海发展带的发展结构,一定程度上反映了长三角城市群空间规划的影响。上海都市圈、杭州都市圈、南京都市圈构成了核心碳排放关联区,对周边城市产生显著的碳排放溢出作用;苏锡常都市圈、宁波都市圈、宣城市构成了中间过渡区,承接中心产业转移的同时,与碳汇核心区建立了深入的联系。
总体来讲,长三角城市群碳排放空间关联网络呈现“多极多线程”的发展趋势,但同时也显现出失衡危机,由南向北网络参与度逐渐降低,由东向西逐渐由经济转向生态。未来应从碳流轴线的能源、低碳技术等碳排放要素流动与共享入手,建立协调的碳流网络;持续推进碳市场交易,实现碳排核心与碳汇核心的协同减排发展机制;制定差异化的碳排放政策,激发皖北、苏北碳汇潜力,建立高效且均衡的碳排放空间关联网络。

2.4 碳排放空间关联网络的个体特征

通过Ucinet 6.0软件对长三角城市群2005年、2010年、2015年和2020年的碳排放空间关联网络个体特征进行分析,得到各城市的点入度、点出度等关键指标(图4)。
图4 碳排放空间关联网络的点入度和点出度

Fig.4 Point-in and point-out maps of spatial correlation networks of carbon emissions

1)点度中心度。点入度集中化指数从2005年的81.94%升至2020年的86.81%,显示碳汇功能向少数节点高度集聚。其中以黄山、宣城、丽水、六安等城市为代表,这些地区在碳排放空间关联网络中主要扮演接收者的角色,承接周边地区的碳排放溢出,产生了显著的正向效应。上海、杭州、苏锡常则始终保持碳排放强势地位,具有稳定且密集的碳排放关联网络结构。随着时间变化,出现了新兴碳源的结构性突破,六安市点入度激增,承载了大量合肥都市圈与沪宁合杭甬发展带的碳排放溢出。南京出度和入度双向提升,反映其从传统碳排放源向碳排放枢纽转型,但其中介功能未同步增强。
2)接近中心度。接近中心度意味着城市在区域网络中能更快与其他城市建立关联,是网络主要驱动力。黄山和丽水的接近中心度一直最高,表明这两个生态屏障城市在网络中具有最短平均路径优势,在长三角城市群碳排放关联网络中扮演固碳核心角色。上海和杭州的接近中心性稳居第二梯队,显示经济中心的碳排放溢出效应。亳州、蚌埠、宿迁等皖北、苏北城市归一化中心度持续低于50,表现了边缘城市的持续性锁定,未深度融入长三角碳排放空间关联网络。
3)中介中心度。中介中心度反映城市在网络中的控制能力,表现为关联网络的“桥梁”。黄山、丽水、杭州、上海始终位于第一梯队,是关联网络的中心控制者;宣城、六安、南京、合肥和苏锡常等城市位于第二梯队,是关联网络的次级中介者。上海的中介中心度持续降低,表明传统经济中心正在实施更高效的碳排放管理和更优的国土空间规划格局以降碳增汇。新兴中介节点异军突起,南京和六安的中介中心度持续增长,可能是由于沪宁合杭甬发展带的要素流动,促使其在南京都市圈和合肥都市圈的中介能力提升。

2.5 碳排放关联网络的板块异质性

为深入探讨不同城市在碳排放空间关联网络中的功能定位,使用Ucinet 6.0软件将2020年长三角城市群划分为4个板块(表2)。
表2 2020年长三角城市群碳排放空间关联网络板块划分

Tab. 2 Segmentation of spatial correlation network of carbon emissions in the Yangtze River Delta urban agglomeration in 2020

板块 板块内关系数 溢出关系数 接受关系数 期望内部关系比例/% 实际内部关系比例/% 板块类型
板块1 2 27 8 32.5 34.1 边缘合作者
板块2 9 87 49 35.0 14.7 净溢出者
板块3 3 47 53 20.0 16.1 积极合作者
板块4 1 34 85 5.0 8.1 净受损者
第1板块包括安庆、宿迁、亳州、徐州等14个城市,主要分布在皖北和苏北;溢出关系数为27,接受关系数为8,板块内部实际关系数较低,且接受与溢出关系均多于板块内部成员之间的联系,因此第1板块为边缘合作者板块。第2板块包括上海、南京、苏州、合肥等15个城市,主要分布在沪宁合杭甬发展带;溢出关系数为87,接受关系数为49,因此第2板块为净溢出者板块,是长三角碳排放空间关联网络的溢出核心。第3板块包括杭州、绍兴等9个城市,主要分布在杭州和南京都市圈的边缘区域;溢出关系数为47,接受关系数为53,且远高于板块内部关系数,因此第3板块为积极合作者板块。第4板块包括丽水、黄山、六安3个城市,分布在沪杭金发展带、沿海发展带、沿江发展带之间的生态屏障区域;接受关系数远大于溢出关系数,内部关系实际比例大于期望比例,故为净受损者板块,是长三角城市群的碳汇核心。
为考察各板块之间的相互作用关系,将密度矩阵分析结果与整体网络密度(0.128)作比较,进行0-1赋值并生成像矩阵(表3)。
表3 2020年长三角地区城市群碳排放空间关联网络密度矩阵与像矩阵

Tab.3 Density matrix and image matrix of spatial correlation network of carbon emissions in the Yangtze River Delta urban agglomerations in 2020

板块 密度矩阵 像矩阵
板块1 板块2 板块3 板块4 板块1 板块2 板块3 板块4
板块1 0.011 0 0 0.643 0 0 0 1
板块2 0.01 0.043 0.333 0.889 0 0 1 1
板块3 0.016 0.2 0.042 0.667 0 1 0 1
板块4 0.095 0.489 0.296 0.167 0 1 1 1
板块1与板块4存在溢出关系,板块2对板块3、板块4都存在溢出关系,板块3对板块2、板块4存在溢出关系,板块4对板块2、3、4都存在溢出关系。结果表明,板块4凭借其生态基底,充分接受来自其他板块的溢出;第3板块建立了双向通道,在板块2和板块4之间形成了高强度的双向交互;板块2由于经济水平较高且交通网络发达,与周边板块建立了高强度关联;板块1则存在边缘城市锁定效应,期待未来能建立长三角南北向关联。总体来讲,长三角碳排放存在明显的空间关联特征,后续应从整体出发深化皖北、苏北的角色定位,关注碳转移的空间关联效应,因地制宜建立城市板块间的协同减排措施,进一步推动城市之间的碳流廊道建设,共同实现高效低碳发展。
净溢出板块以传统经济中心作为核心,呈现一体化趋势,围绕沿江发展带,不断深入长三角地区深处,形成了中部向南北溢出的碳排放关联结构。积极合作者板块成员不断增加,且始终位于长三角南北腹地,形成了南北双核心的结构:南部较为成熟稳定,以杭州都市圈为核心;北部南京、合肥都市圈不断发展,逐渐形成了以滁州为核心的带状结构。随着区域一体化,位于苏北和皖北的边缘合作者板块,以滁州作为碳要素流动的桥梁,与周边建立起了广泛的碳排放关联,成员不断减少。净受损者板块相对稳定,在2020年形成了六安、黄山、丽水的三核心结构,呼应了长三角城市群规划的“一核五圈四带”结构。但长三角城市群北部的碳汇能力整体下降,沿海发展带未有明确的“绿心”,整体存在南北失衡、东西失衡的危机。

3 碳排放空间关联网络影响因素

3.1 QAP回归分析

从QAP的拟合结果(表4)来看,模型显著性水平较高,说明自变量对因变量的联合影响具有统计意义。其中:具有正向影响的变量包括人口集聚力(XPOP)、资源倾斜力(XIND)、政策引导力(XENV)和能源支撑力(XESC),表明其差异越大,长三角碳排放关联网络越紧密;市场牵引力(XMAR)在回归分析中显示负相关,说明高度发达的市场可以促进碳排放要素在区域间的自由流动;其他变量则不显著。
表4 长三角城市群碳排放空间关联性与各影响因素的QAP回归分析

Tab.4 QAP regression analysis of the spatial correlation of carbon emissions and the influencing factors in the Yangtze River Delta urban agglomeration

变量 标准化系数 P
XEA -0.264 0.133
XURB -0.147** 0.027
XTEC -0.050 0.279
XLAN 0.046 0.338
XPOP 0.672*** 0.000
XMAR -0.357* 0.058
XIND 0.187*** 0.005
XENV 0.282** 0.011
XESC 0.140** 0.013
XGOV -0.038 0.404

注:*、**、***分别表示在10%、5%、1%的统计水平上显著。

3.2 地理探测器:因子探测

为进一步探求碳排放空间关联空间异质性,通过地理探测器进行因子探测(表5)。结果表明,资源倾斜力(XIND)的解释力最强,影响程度达0.618,说明第二产业集聚程度是城市在碳排放空间关联网络中产生分异的核心因素,未来需要重点关注第二产业的低碳技术发展与布局优化。其他核心影响因素包括基础建设力(XURB)和能源支撑力(XESC),未来需关注城乡协调发展与节能减排政策。较显著因素为政府调控力(XGOV),这需要重视区域政府资源配置效率差异,关注不同城市定位的政府财政支出结构。潜在影响因素为政策引导力(XENV),接近显著水平,说明环境规制政策可能产生碳排放空间关联网络的效应差异。人口集聚力(XPOP)在QAP回归中显著,但在因子探测中并未通过检验,这表明人口集聚差异可以显著促进城市间碳排放关联的形成,但人口数量与城市在网络中的等级和关联强度无显著关联。市场牵引力(XMAR)和禀赋吸引力(XLAN)等指标未通过检验,但其q值显示可能存在未被捕捉的调节作用。
表5 长三角城市群碳排放空间关联异质性的探测结果

Tab.5 Detection results of spatial correlation heterogeneity of carbon emissions in the Yangtze River Delta urban agglomeration

结果 XTEC XLAN XPOP XGOV XENV XIND XMAR XESC XEA XURB
q 0.195 0.352 0.223 0.510 0.398 0.618 0.225 0.372 0.341 0.402
P 0.309 0.417 0.721 0.044 0.057 0.003 0.726 0.005 0.401 0.003

3.3 地理探测器:交互探测

为识别不同因子对长三角碳排放关联空间分异的协同作用,采用交互探测模块探究因子间的相互作用。如表6可知,所有因子组合均呈现双因子增强或非线性增强特征,说明研究系统的空间分异机制具有高度复杂性,各要素通过协同作用形成叠加效应。
表6 长三角城市群空间关联异质性的驱动因子交互探测

Tab.6 Interaction detection of drivers of spatial correlation heterogeneity in the Yangtze River Delta urban agglomeration

因子 XTEC XLAN XPOP XGOV XENV XIND XMAR XESC XEA XURB
XTEC 0.194 5
XLAN 0.519 0 0.352 4
XPOP 0.456 7 0.410 0 0.223 5
XGOV 0.666 5 0.528 7 0.554 4 0.510 5
XENV 0.477 9 0.557 3 0.553 1 0.662 4 0.398 0
XIND 0.732 0 0.721 0 0.706 4 0.850 3 0.775 1 0.618 0
XMAR 0.427 1 0.422 5 0.294 0 0.586 2 0.623 4 0.673 7 0.224 9
XESC 0.632 9 0.583 1 0.532 0 0.714 3 0.575 1 0.741 7 0.486 9 0.371 6
XEA 0.497 4 0.404 8 0.411 4 0.551 2 0.626 9 0.736 3 0.441 9 0.503 1 0.341 3
XURB 0.577 5 0.506 7 0.557 8 0.673 6 0.521 6 0.805 6 0.581 4 0.551 0 0.522 5 0.402 3
具体而言,可以分为三类代表组合:XIND∩XURB、XIND∩XGOV、XIND∩XENV的交互作用解释力分别达到0.81、0.85和0.78,意味着产业政策与政府调控、政府投资引导产业集群的形成是碳排放空间关联分异的重要因素;XURB∩XIND和XURB∩XGOV的交互作用解释力分别达到0.81和0.67,意味着政府对城镇化的引导和土地集约利用是碳排放空间关联分异的次要因素;XESC∩XIND和XESC∩XGOV的交互作用解释力分别达到0.74和0.71,说明不同城市间能源的消耗强度是碳排放空间关联分异的次要因素。同时需要注意XTEC与其他因子共同作用时,解释力大幅增强,这意味着市场机制可以放大科技投入受益,高碳产业的低碳技术创新和扩散同样是碳排放空间关联分异的重要因素。长三角城市群在经济、人口、能源和政策等要素复合作用下,各种资源得到有效配置而引导着产业、低碳技术在区域间自由流动,从而对碳排放空间关联产生不同程度的影响。

4 结论与建议

4.1 结论

1)碳生态承载力。长三角城市群碳生态承载力以上海大都市圈为低值中心、皖南-浙西生态屏障为高值中心,呈现出“中间低,四周高”的核心-外围结构。从时间变化上看,长三角城市群碳承载能力整体明显下降,高值区呈现集中化趋势,部分城市通过产业转移和生态建设等手段实现了碳生态承载能力的提升和碳排放增速的下降。
2)空间关联程度。时间上,长三角城市群碳排放关联引力差距逐渐缩小,呈现区域一体化趋势。六安、安庆、亳州和宣城有望成为新的碳汇次级核心。空间上,东西差异显著,长三角城市群形成了自东向西的碳排放核心、碳流轴线、碳汇核心的碳排放关联结构;南北差异显著,由南向北碳排放关联网络强度和密度逐渐降低,苏北和皖北在碳排放空间关联中参与度不足。
3)空间关联网络。长三角城市群碳排放空间关联网络整体处于低水平联结状态,但网络关联度、网络等级度、网络效率等指标较高且持续增长,表明其依靠少数核心城市和关键路径维持关联效能。随着长三角中心区的降碳增汇与边缘区碳汇潜力的发掘,网络结构正从“经济辐射-生态吸纳”二元结构向“多极化多线程”发展。2020年,长三角城市群空间关联网络可分为四大板块:净溢出者板块主要分布在沪宁合杭甬发展带;净受损者板块集中在生态屏障区域;积极合作者板块位于杭州和南京都市圈的边缘区域;边缘合作者板块则分布在皖北和苏北。
4)影响机制。人口集聚力、资源倾斜力、政策引导力、能源支撑力差异越大,越有利于推动城市之间建立更多更强的碳排放空间关联,其互补关系可以推动区域碳源和碳流路径的高效构建。而城市碳排放等级与关联强度差异则主要来源于资源倾斜力、基础建设力、能源支撑力、政府调控力,潜在因素为政府引导力。城市可以通过在这几方面的调整来转变自身在碳排放空间关联网络中的功能定位,从而更快更好实现“双碳”目标。

4.2 建议

基于长三角城市群的碳排放空间关联网络结构特点及其驱动机制差异,本研究提出以下政策建议:
1)立足长三角一体化发展趋势,构建“核心-边缘”梯度减排体系,推动低碳项目和低碳产业共同投资,通过产业链重组实现碳要素在空间上的优化配置,发挥资本减排效应。结合长三角城市群“一核四圈五带”空间结构,基于城市碳汇潜力、产业基础和空间分布特征,实现减排责任的合理分解。
2)探索碳要素流动与本地资源互动的城市群协调发展路径[34]。识别网络中的关键城市和路径,强化其低碳技术创新;针对碳汇和碳源的空间关联,优化协同减排网络,推动碳排放关联网络从“低效分散不稳定”向“高效协同强韧性”转型;建立长三角一体化的碳管理机构,弱化行政区划的边界效应,推动跨区域的碳要素流动机制落地实施;建立基于中心度的差异化减排目标,定制碳排放责任;建立长三角城市群协同降碳增汇机制,净溢出板块需要严格控制碳排放总量和强度,加快高耗能产业的低碳化改造,推动碳捕捉与封存技术应用。推动共建跨区域碳交易市场,鼓励核心城市通过购买碳汇指标补偿净受损板块的固碳服务,促进区域协调发展;积极合作者板块需要以杭州为排头兵打造“长三角腹地绿心”,承接产业转移的同时紧抓高新产业、生态建设和低碳技术的发展;净受损区需重视国土空间规划,合理布置土地利用方式以维护生态系统功能性,探索新的碳吸收途径,实现增汇减排;边缘合作区需要从资源、政策、基建、能源等角度融入碳排放关联网络,承担与碳承载能力匹配的责任,助力协同减排效应的发挥。
3)苏北与皖北等网络边缘城市需要立足区域资源优势,明确自身区域定位,从人口流动、产业结构、污染防治、能源消费等角度进行调整,与周边城市建立广泛的碳排放空间关联。当前长三角城市群碳排放空间关联结构呈现经济-生态二元集聚结构,整体不均衡,个体过度集聚,少部分城市承担了大量责任。各城市需要立足自身资源本底,从产业结构、城市化模式、社会能源消费意识、政府财政转移支付等方面调整自身发展模式,以构建均衡的区域碳排放空间关联网络。
本文存在以下不足:以碳生态承载系数衡量城市碳汇潜力,但未深度考虑国土空间形态对碳吸收潜力和碳排放的影响[35],未来需要深入讨论国土空间布局与碳排放空间关联网络的相互作用关系;长三角城市群有大片区域临海,海洋同样具备较强的碳吸收能力,未来需要拓展海洋如何融入陆地碳排放关联网络及其影响;由于数据限制,仅研究了长三角城市群,中国不同地区碳强度存在显著差异[36],未来需要比较多个城市群的碳排放关联网络结构并分析不同城市群碳排放空间关联网络分异的驱动因素。

References

Publishing order | Descend order by publishing year | Descend order by cited within
[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[J]. 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[J]. Business Management Journal, 2023, 45(2):39-58.

[2]
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.

DOI

YU J, ZHANG Y, LI Q Y. 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.

DOI

[3]
滕菲, 王艳军, 王孟杰, 等. 长三角城市群城市空间形态与碳收支时空耦合关系[J]. 生态学报, 2022, 42(23):9636-9650.

TENG F, WANG Y J, WANG M J, et al. Spatiotemporal coupling relationship between urban spatial morphology and carbon budget in Yangtze River Delta urban agglomeration[J]. Acta Ecologica Sinica, 2022, 42(23):9636-9650.

[4]
ZHOU D, LIN Z L, LIM S H. Spatial characteristics and risk factor identification for land use spatial conflicts in a rapid urbanization region in China[J]. Environmental Monitoring and Assessment, 2019, 191(11):677.

DOI PMID

[5]
李姝晓, 程占红. 山西省阳泉市旅游业碳均衡分析与低碳发展研究[J]. 陕西师范大学学报(自然科学版), 2021, 49(6):64-74.

LI S X, CHENG Z H. A study on tourism carbon balance and low-carbon development in Yangquan city, Shanxi province[J]. Journal of Shaanxi Normal University (Natural Science Edition), 2021, 49(6):64-74.

[6]
刘贤赵, 高长春, 张勇, 等. 中国省域碳强度空间依赖格局及其影响因素的空间异质性研究[J]. 地理科学, 2018, 38(5):681-690.

DOI

LIU X Z, GAO C C, ZHANG Y, et al. Spatial dependence pattern of carbon emission intensity in China's provinces and spatial heterogeneity of its influencing factors[J]. Scientia Geographica Sinica, 2018, 38(5):681-690.

[7]
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[J]. 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[J]. China Population,Resources and Environment, 2011, 21(5):80-86.

[8]
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[J]. 地理科学, 2021, 41(11):1917-1924.

DOI

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[J]. Scientia Geographica Sinica, 2021, 41(11):1917-1924.

DOI

[9]
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[J]. 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[J]. Resources and Environment in the Yangtze Basin, 2023, 32(3):571-581.

[10]
余娟娟, 龚同. 全球碳转移网络的解构与影响因素分析[J]. 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[J]. China Population,Resources and Environment, 2020, 30(8):21-30.

[11]
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[J]. 系统工程理论与实践, 2023, 43(4):958-983.

DOI

SHAO S, XU L L, YANG L L. Structural characteristics and formation mechanism of carbon emission spatial association networks within China[J]. Systems Engineering-Theory & Practice, 2023, 43(4):958-983.

[12]
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[J]. 经济地理, 2019, 39(1):122-129.

DOI

ZHANG S, YUAN C W, ZHAO X M. Clustering and correlation network structure analysis of transportation carbon emissions in China[J]. Economic Geography, 2019, 39(1):122-129.

DOI

[13]
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[J]. 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[J]. On Economic Problems, 2020(3):18-24.

[14]
郑航, 叶阿忠. 城市群碳排放空间关联网络结构及其影响因素[J]. 中国环境科学, 2022, 42(5):2413-2422.

ZHENG H, YE A Z. Spatial correlation network structure and influencing factors of carbon emission in urban agglomeration[J]. China Environmental Science, 2022, 42(5):2413-2422.

[15]
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[J]. 上海经济研究, 2016, 28(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[J]. Shanghai Journal of Economics, 2016, 28(2):82-92.

[16]
赵桂梅, 耿涌, 孙华平, 等. 中国省际碳排放强度的空间效应及其传导机制研究[J]. 中国人口·资源与环境, 2020, 30(3):49-55.

ZHAO G M, GENG Y, SUN H P, et al. Spatial effects and transmission mechanism of inter-provincial carbon emission intensity in China[J]. China Population,Resources and Environment, 2020, 30(3):49-55.

[17]
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[J]. 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[J]. China Environmental Science, 2020, 40(9):4123-4134.

[18]
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[J]. Science of the Total Environment, 2022,853:158613.

[19]
KRAVCHENKO A N, GUBER A K, RAZAVI B S, et al. Microbial spatial footprint as a driver of soil carbon stabilization[J]. Nature Communications, 2019, 10(1):4103.

[20]
李建豹, 陈红梅, 张彩莉, 等. 长三角地区碳源碳汇时空演化特征及碳平衡分区[J]. 环境科学, 2024, 45(7):4090-4100.

LI J B, CHEN H M, ZHANG C L, et al. Spatiotemporal evolution characteristics of carbon sources and carbon sinks and carbon balance zoning in the Yangtze River Delta region[J]. Environmental Science, 2024, 45(7):4090-4100.

[21]
XING P X, WANG Y N, YE T, et al. Carbon emission efficiency of 284 cities in China based on machine learning approach:driving factors and regional heterogeneity[J]. Energy Economics, 2024,129:107222.

[22]
赵栋, 刘笑杰, 金晓斌. 长三角地区县域碳收支时空动态及碳平衡分区[J]. 现代城市研究, 2023(6):23-30.

ZHAO D, LIU X J, JIN X B. Spatiotemporal dynamics of county-level carbon budgets and carbon-balanced zoning in the Yangtze River Delta[J]. Modern Urban Research, 2023(6):23-30.

[23]
刘耀彬, 邓伟凤, 李硕硕, 等. 基于碳汇潜力的碳排放空间关联网络结构特征及影响因素:以长江中游城市群为例[J]. 中国人口·资源与环境, 2024, 34(3):1-15.

LIU Y B, DENG W F, LI S S, et al. Structural characteristics and influencing factors of carbon emission spatial association networks based on carbon sink potential:a case study of urban agglomerations in the middle reaches of the Yangtze River[J]. China Population,Resources and Environment, 2024, 34(3):1-15.

[24]
赵荣钦, 黄贤金, 彭补拙. 南京城市系统碳循环与碳平衡分析[J]. 地理学报, 2012, 67(6):758-770.

DOI

ZHAO R Q, HUANG X J, PENG B Z. Research on carbon cycle and carbon balance of Nanjing urban system[J]. Acta Geographica Sinica, 2012, 67(6):758-770.

DOI

[25]
於孝平, 张振龙, 吕连宏, 等. 长三角城市群低碳发展效率测度及时空格局演变[J]. 环境科学研究, 2024, 37(7):1470-1482.

YU X P, ZHANG Z L, LYU L H, et al. Measurement of low-carbon development efficiency and spatial-temporal pattern evolution of the Yangtze River Delta urban agglomerations[J]. Research of Environmental Sciences, 2024, 37(7):1470-1482.

[26]
郑屹, 吴玥玥, 杨俊宴. 基于高精度地表覆被类型数据的市域尺度碳收支核算[J]. 风景园林, 2023, 30(9):37-44.

ZHENG Y, WU Y Y, YANG J Y. Urban-scale carbon budget accounting based on high-precision land cover data[J]. Landscape Architecture, 2023, 30(9):37-44.

[27]
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[J]. Journal of Environmental Management, 2022,320:115808.

[28]
王劲峰, 徐成东. 地理探测器:原理与展望[J]. 地理学报, 2017, 72(1):116-134.

DOI

WANG J F, XU C D. Geodetector: principle and prospective[J]. Acta Geographica Sinica, 2017, 72(1):116-134.

DOI

[29]
李旭辉, 王经伟, 吴权, 等. “双碳” 目标下中国五大重点区域工业绿色发展水平差异及成因识别[J]. 经济地理, 2023, 43(8):103-112.

DOI

LI X H, WANG J W, WU Q, et al. Differences and cause identification of industrial green development in China's five key regions under the “dual carbon” goal[J]. Economic Geography, 2023, 43(8):103-112.

[30]
刘敏, 陈银蓉, 王珏, 等. 中国土地利用碳排放效率的空间关联网络及其驱动因素:基于国家重大战略区域的考察[J]. 资源科学, 2024, 46(12):2462-2476.

DOI

LIU M, CHEN Y R, WANG Y, et al. The spatial association network and driving factors of land use carbon emission efficiency in China: an investigation in the National Major Strategic Regions[J]. Resources Science, 2024, 46(12):2462-2476.

DOI

[31]
樊纲, 王小鲁, 张立文, 等. 中国各地区市场化相对进程报告[J]. 经济研究, 2003, 38(3):9-18.

FAN G, WANG X L, ZHANG L W, et al. Marketization Index for China's provinces[J]. Economic Research Journal, 2003, 38(3):9-18.

[32]
曾繁华, 吴阳芬. 财政分权、 市场化与经济增长的实证研究[J]. 统计与决策, 2020, 36(9):94-99.

ZENG F H, WU Y F. Empirical study of China's fiscal decentralization,marketization and economic growth[J]. Statistics & Decision, 2020, 36(9):94-99.

[33]
YANG J, HUANG X. The 30 m annual land cover dataset and its dynamics in China from 1990 to 2019[J]. Earth System Science Data, 2021, 13(8):3907-3925.

[34]
席广亮, 甄峰, 方创琳, 等. 形流融合视角的都市圈国土空间优化与协调发展[J]. 地理学报, 2025, 80(2):272-287.

DOI

XI G L, ZHEN F, FANG C L, et al. Territorial spatial optimization and coordinated development of metropolitan regions from the perspective of “form-flow integration”[J]. Acta Geographica Sinica, 2025, 80(2):272-287.

[35]
WANG S J, WANG J Y, FANG C L, et al. Estimating the impacts of urban form on CO2 emission efficiency in the Pearl River Delta,China[J]. Cities, 2019,85:117-129.

[36]
WANG S J, WANG J Y, FANG C L, et al. Inequalities in carbon intensity in China:a multi-scalar and multi-mechanism analysis[J]. Applied Energy, 2019,254:113720.

Options
Outlines

/

〈 〉

Copyright © Journal of Shaanxi Normal University(Natural Science Edition)
Address: No.1000 Taoyuan Avenue, Yu Bei District, Chongqing　Post Code:401120
Tel: 029-81530883，81530879，81530885　　E-mail: lkxuebao@snnu.edu.cn
Powered by Beijing Magtech Co. Ltd.