2. 福建省社科研究基地福州大学福建经济高质量发展研究中心, 福州 350116
2. Research Center of Fujian Economic High Quality Development Based on Social Science Planning of Fujian Province, Fuzhou 350116, China
城市是人类生活和工作的主要空间.随着中国工业化和城市化进程的加快, 城市已成为经济活动的主要区域, 同时也是二氧化碳排放的主要来源[1].近年来, 随着中国一系列区域和空间发展战略的实施[2], 城市群逐渐取代了单一城市, 成为中国经济发展最具活力的地区.城市群作为复杂的城市空间格局, 是城市经济在空间组织和结构上的集聚.同时, 城市空间互动表现为人口、资源、技术等多个区域要素的交换.城市经济集聚不仅影响每个城市单元的能源需求和效率, 还影响与能源相关的二氧化碳排放水平及其空间分布[3].在此背景下, 探索城市群层面二氧化碳排放的空间特征及其减排效应, 将有助于为协调二氧化碳减排和低碳城市发展政策的提出提供借鉴.
现有关于城市群碳排放的研究成果较为丰硕, 且主要基于空间相关性和影响因素两类视角展开讨论.在相关性研究方面, 早期, 探索性空间分析方法因其简便、快捷且能够识别空间特征而得到了大多数学者的青睐[4~10].近年来, 随着区域碳排放逐渐呈现出复杂的网络结构形态, 社会网络分析(social network analysis, SNA)方法因其能够实现对于关联数据的刻画脱颖而出, 逐渐被应用于省域层面碳排放空间关联特征的研究[11~16].在影响因素研究方面, 大量学者运用STIRPAT模型分别基于国家层面[17, 18]、省域层面[19~21]和城市层面[22]展开研究.结果表明, 人口、经济、技术、产业结构、能源强度和能源结构等因素对于碳排放的驱动作用得到了大多数学者的认同.进一步地, 考虑到碳排放存在显著的空间集聚效应和溢出效应, 部分学者构建空间STIRPAT模型以同时探究碳排放的空间效应及其影响因素[23~25].
综上所述, 区域碳排放的空间效应和结构特征已得到了较为深入的探索, 但仍存在以下两点不足:首先, 目前将SNA方法应用于中国城市群碳排放空间关联关系的研究仍十分有限; 其次, 碳排放空间关联的结构特征对于碳排放属性数据存在何种效应鲜有学者关注.基于此, 本文结合社会网络分析方法和经济计量模型, 分析中国珠三角城市群碳排放的空间关联特征及其减排效应, 以期完善前人的相关工作.本文的边际贡献概括如下:第一, 将SNA方法应用于城市群碳排放空间关联网络研究.第二, 将经济学的思维方式与社会学的经典方法融合, 识别珠三角城市群碳排放空间网络结构特征的碳减排效应.通过以上分析将有助于为中国在协同发展过程中根据各地区实际情况制定减排政策提供解决方案, 以实现区域协同减排目标.
1 材料与方法 1.1 研究区概况珠三角城市群是世界上城市化最密集的地区之一, 同时也是中国的经济中心.其包括广州、深圳、珠海、东莞、中山、佛山、惠州、肇庆和江门这9座城市, 其中, 广州是广东省省会和人口最多的城市, 珠三角东部(深圳、东莞)是经济最发达的地区, 西部(佛山、珠海、中山)是开放发展地区, 最外围(肇庆、惠州、江门)是正在开发的地区.珠三角城市群不但是中国最具活力的经济空间之一, 也是绿色低碳发展的先行示范区.
1.2 数据来源本文研究样本涵盖珠三角城市群9座城市2001~2019年的年度数据.其中, 城市碳排放量依据IPCC发布的部分能源消耗二氧化碳排放量简化估算方法计算得出[26], 其余变量数据来自于历年中国城市统计年鉴和中国能源统计年鉴.
1.3 研究方法 1.3.1 碳排放空间关联网络的确定在模型选择方面, 现有探索区域碳排放空间相关性特征的研究多采用向量自回归模型或引力模型[27~30]; 在影响因素选择方面, 已有研究表明, 经济、地理和人口因素对于城市碳排放关联的形成具有重要影响.考虑到向量自回归模型受制于滞后阶数的选择[31~33], 本文采用改进的引力模型构建碳排放空间关联网络.具体模型如下:
(1) |
式中, i和j分别表示i城市和j城市; Gij为城市间的碳排放关联程度; Dij为城市间的地理距离; C、P、E和e分别为各城市的碳排放量、总人口、生产总值和人均生产总值; Dij/(ei-ej)为城市间的经济距离.
1.3.2 网络特征指数概念界定本文通过碳排放网络的密度、关联度、等级和效率这4个维度来衡量整体网络特征[34, 35].其中, 网络密度、关联度、等级和效率分别反映了整体网络结构的紧密性、可达性、层次性和连接效率.个体网络特征则通过点度中心度、中介中心度和接近中心度这3个维度进行衡量[34, 35].其中, 点度中心度、中介中心度和接近中心度分别反映了个体网络结构的中心程度、关联能力和控制能力.
1.3.3 空间网络结构的碳减排效应分析区域碳排放受到诸多因素的影响, 已有大量学者基于不同的视角和方法探寻碳排放的主要驱动因素, 具体可分为以下3个方面, 分别是规模效应、结构效应和技术效应[36].其中, 经济因素、人口因素和开放程度反映了规模效应; 产业结构和城市化水平反映了结构效应; 技术水平反映了技术效应.然而, 碳排放空间关联的结构特征对于碳排放属性数据的影响效应却鲜有学者关注.为了揭示城市群空间关联网络特征的碳减排效应, 本文从整体网络结构和个体网络结构这2个方面实证考察其对于区域碳排放的影响.相关变量定义如表 1所示.
2 结果与讨论 2.1 碳排放空间关联网络的结构特征 2.1.1 整体网络结构特征
表 2为珠三角城市群在样本考察期内的整体网络结构特征描述性统计.从中可知, 在样本观察期内, 珠三角城市群碳排放空间关联关系数最大值为27, 最小值为18, 平均值为22.316.无论是关联数量的最大值还是平均值均远小于可能的最大关联数72(8×9), 表明城市群内各城市间的碳排放联系程度不够紧密, 网络关联度有待进一步提升.同时, 关联关系数的标准差达到2.202, 表明关联关系在样本年内的变化幅度较大.网络密度和网络效率的均值分别为0.310和0.784, 均处于较低水平, 表明城市群整体碳排放网络结构较为松散, 城市间的碳排放交流与合作亟待增强[37, 38].网络等级的均值为0.321, 但标准差达到0.239, 说明碳排放空间网络的网络等级呈现较为剧烈的波动趋势, 各城市之间的从属结构变动频繁.
2.1.2 个体网络结构特征
表 3展示了珠三角城市群9座城市2001年和2019年个体网络结构特征的测度结果.在点度中心度方面, 2001年珠三角9座城市依据点度中心度数值可划分为2个梯队.其中, 第一梯队包括广州和深圳这2座城市, 第二梯队包括佛山、肇庆、东莞、惠州、珠海、中山和江门这7座城市.位列第一梯队的城市处于网络的中心地位, 与其它城市有较多的碳排放关联, 位列第二梯队的城市则更多处于网络的边缘位置. 2019年, 珠三角9座城市依据点度中心度数值可划分为3个梯队, 其中, 第一梯队包括广州和深圳这2座城市, 第二梯队包括江门这座城市, 第三梯队包括佛山、肇庆、东莞、惠州、珠海和中山这6座城市.可见, 珠三角城市群中心-边缘结构在近20年发生了一定程度的变化, 尽管广州和深圳仍旧牢牢占据网络的中心位置, 但有部分城市如江门, 逐渐由网络边缘向网络中心发展.
在中介中心度方面, 2001年和2019年珠三角9座城市依据中介中心度数值可划分为3个梯队.其中, 第一梯队包括广州和深圳这2座城市, 第二梯队包括江门这座城市, 第三梯队包括佛山、肇庆、东莞、惠州、珠海和中山这6座城市.尽管近20年来中介中心度的城市梯队结构没有发生明显变化, 但城市间的差距却在缩小.深圳的中介中心度有所降低, 表明其控制其它城市关联关系的能力有所减弱, 边缘城市有逐渐由被控制向控制角色转变的趋势.
在接近中心度方面, 2001年和2019年珠三角9座城市依据中心度数值可划分为2个梯队.其中, 第一梯队包括广州、深圳和江门这3座城市, 第二梯队包括佛山、肇庆、东莞、惠州、珠海和中山这6座城市.同样可以发现, 近20年间9座城市的接近中心度数值差距逐渐缩小, 表明网络中扮演中心行动者角色的城市越来越受到边缘城市的挑战, 其对于整体网络结构的控制能力在减弱.
2.2 空间关联网络结构特征的碳减排效应分析 2.2.1 整体网络结构特征的效应分析本节以珠三角城市群整体碳排放量作为被解释变量, 以整体网络结构特征作为核心解释变量进行回归分析. 同时, 为减少因为变量遗漏所引致的估计结果的偏差, 本文还增加包括经济因素、人口因素、开放程度、产业结构、城市化水平和技术水平等控制变量. 为消除数据可能存在的异方差性, 对被解释变量及解释变量均取自然对数. 表 4为整体网络结构效应的OLS回归结果. 从中可知, 网络密度在1%的显著性水平上显著为负, 网络效率和网络等级在1%的显著性水平上显著为正, 即碳排放空间关联网络密度的提升、网络等级和网络效率的降低均能够显著降低城市群整体碳排放量, 且网络效率的碳减排效应最大, 网络等级次之, 网络密度对于碳减排的影响作用最为微弱.这表明珠三角城市群能够通过提高碳排放网络密度来提升整体网络的紧密程度, 增强低碳城市的辐射效应, 通过降低网络效率来缩小各城市间的碳排放差异, 通过降低网络等级来增强对于其它城市的碳排放约束, 进而降低城市群整体碳排放量.
2.2.2 个体网络结构特征的效应分析
本节以珠三角城市群各城市碳排放量为被解释变量, 以个体网络结构特征为核心解释变量, 结合Hausman检验结果构建面板数据固定效应模型进行回归分析.表 5为个体网络结构效应的面板数据回归结果.从中可知, 点度中心度、中介中心度和接近中心度均在5%水平上显著为负, 表明个体中心度的提高对于当地城市的碳减排具有促进作用.究其原因, 中心度的提高意味着该城市加深了与其它城市之间的碳排放关联, 与其它城市进行低碳交流的成本降低, 如资源能源配置成本和技术成本的降低, 这有利于本地的碳减排.就效应大小而言, 接近中心度对于碳减排的直接效应最大, 中介中心度次之, 点度中心度的减排作用最为微弱.
2.2.3 内生性检验
考虑到碳排放量较低的地区往往发展水平较高, 具有较为合理的空间结构, 且低碳城市本身往往作为模范城市在地区表现出引领作用, 其中心性较高.因此, 网络结构特征的碳减排效应可能存在反向因果的内生性问题, 本节使用两阶段工具变量估计方法来处理潜在的内生性问题.Lewbel[39]展示了在没有外部工具可用的情况下, 如何使用异方差来构建工具变量.参照该方法, 在上述回归模型中应用了其估计量.工具变量估计结果肯定了整体和个体网络结构特征的碳减排效应.
2.2.4 稳健性检验(1) 改变核心变量测度方式为了进一步验证本文所计算出的二氧化碳排放量的准确性, 参考Chen等[25]的研究方法, 基于校正的NPP-VIIRS夜间灯光数据估算珠三角各城市碳排放量, 并进行相应分析.结果表明, 基于夜间灯光数据反演估算的碳排放量与基于能源消耗数据计算的碳排放量之间平均相对误差仅为1.15%, 同时核心变量的结构特征及回归结果也与前文保持一致.
(2) 改变模型估计方法考虑到上述模型中自变量间可能存在一定的多重共线性问题, 本文采用岭回归[40, 41]和偏最小二乘回归[42, 43]方法重新估计整体和个体网络结构特征的碳减排效应, 模型估计结果肯定了前文的相关结论.
(3) 改变模型形式考虑到区域碳排放存在显著的空间溢出效应, 本文构建空间计量模型[44, 45], 重新估计整体和个体网络结构特征的碳减排效应, 估计结果与前文基本一致, 表明前文估计结果是稳健的.
3 结论(1) 近20年珠三角城市群内各城市间的碳排放联系程度较为疏松, 从属结构变动频繁, 城市间的碳排放交流与合作亟待增强.
(2) 碳排放关联网络的中心-边缘结构产生一定程度的松动, 中心城市对于整体网络结构的控制能力减弱, 边缘城市有逐渐由被控制向控制角色转变的趋势.
(3) 网络密度的提升、网络等级和网络效率的降低均能够显著降低城市群整体碳排放量, 且网络效率降低带来的碳减排效应最为明显; 点度中心度、中介中心度和接近中心度的提高均能显著降低本地城市碳排放量, 且接近中心度的提高带来的碳减排效应最为明显.
[1] | Shan Y L, Guan D B, Liu J H, et al. Methodology and applications of city level CO2emission accounts in China[J]. Journal of Cleaner Production, 2017, 161: 1215-1225. DOI:10.1016/j.jclepro.2017.06.075 |
[2] | Miao Z, Sheng J C, Webber M, et al. Measuring water use performance in the cities along China's South-North water transfer project[J]. Applied Geography, 2018, 98: 184-200. DOI:10.1016/j.apgeog.2018.07.020 |
[3] |
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[J]. 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[J]. China Industrial Economics, 2015(5): 83-95. |
[4] | Browne D, O'Regan B, Moles R. Comparison of energy flow accounting, energy flow metabolism ratio analysis and ecological footprinting as tools for measuring urban sustainability: a case-study of an Irish city-region[J]. Ecological Economics, 2012, 83: 97-107. DOI:10.1016/j.ecolecon.2012.08.006 |
[5] |
汪浩, 陈操操, 潘涛, 等. 县域尺度的京津冀都市圈CO2排放时空演变特征[J]. 环境科学, 2014, 35(1): 385-393. Wang H, Chen C C, Pan T, et al. County scale characteristics of CO2 emission's spatial-temporal evolution in the Beijing-Tianjin-Hebei metropolitan region[J]. Environmental Science, 2014, 35(1): 385-393. |
[6] |
陈操操, 蔡博峰, 孙粉, 等. 京津冀与长三角城市群碳排放的空间聚集效应比较[J]. 中国环境科学, 2017, 37(11): 4371-4379. Chen C C, Cai B F, Sun F, et al. Spatial agglomeration effects of carbon dioxide emissions between Beijing-Tianjin-Hebei region and Yangtze River delta region[J]. China Environmental Science, 2017, 37(11): 4371-4379. DOI:10.3969/j.issn.1000-6923.2017.11.043 |
[7] |
杨乐, 李贺鹏, 孙滨峰, 等. 新安江水库二氧化碳排放的时空变化特征[J]. 环境科学, 2017, 38(12): 5012-5019. Yang L, Li H P, Sun B F, et al. Spatial and temporal variability of CO2 emissions from the Xin'anjiang reservoir[J]. Environmental Science, 2017, 38(12): 5012-5019. |
[8] |
孙秀锋, 施开放, 吴健平. 县级尺度的重庆市碳排放时空格局动态[J]. 环境科学, 2018, 39(6): 2971-2981. Sun X F, Shi K F, Wu J P. Spatiotemporal dynamics of CO2 emissions in Chongqing: an empirical analysis at the county level[J]. Environmental Science, 2018, 39(6): 2971-2981. |
[9] |
于博, 杨旭, 吴相利. 哈长城市群县域碳排放空间溢出效应及影响因素研究——基于NPP-VIIRS夜间灯光数据的实证[J]. 环境科学学报, 2020, 40(2): 697-706. Yu B, Yang X, Wu X L. Study on spatial spillover effects and influencing factors of carbon emissions in county areas of Ha-Chang city group: evidence from NPP-VIIRS nightlight data[J]. Acta Scientiae Circumstantiae, 2020, 40(2): 697-706. |
[10] |
蒋自然, 金环环, 王成金, 等. 长江经济带交通碳排放测度及其效率格局(1985~2016年)[J]. 环境科学, 2020, 41(6): 2972-2980. Jiang Z R, Jin H H, Wang C J, et al. Measurement of traffic carbon emissions and pattern of efficiency in the Yangtze river economic belt (1985-2016)[J]. Environmental Science, 2020, 41(6): 2972-2980. |
[11] |
杨桂元, 吴齐, 涂洋. 中国省际碳排放的空间关联及其影响因素研究——基于社会网络分析方法[J]. 商业经济与管理, 2016(4): 56-68, 78. Yang G Y, Wu Q, Tu Y. Researchs of China's regional carbon emission spatial correlation and its determinants: based on the method of social network analysis[J]. Journal of Business Economics, 2016(4): 56-68, 78. DOI:10.3969/j.issn.1000-2154.2016.04.006 |
[12] |
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(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(2): 82-92. |
[13] |
张翼. 基于空间关联网络结构的中国省域协同碳减排研究[J]. 统计与信息论坛, 2017, 32(2): 63-69. Zhang Y. Study on Chinese provincial collaborative carbon reduction based on spatial correlation network structure[J]. Statistics & Information Forum, 2017, 32(2): 63-69. |
[14] |
张德钢, 陆远权. 中国碳排放的空间关联及其解释——基于社会网络分析法[J]. 软科学, 2017, 31(4): 15-18. Zhang D G, Lu Y Q. Study on the spatial correlation and explanation of carbon emission in China——Based on social network analysis[J]. Soft Science, 2017, 31(4): 15-18. |
[15] | Wang F, Gao M N, Liu J, et al. The spatial network structure of China's regional carbon emissions and its network effect[J]. Energies, 2018, 11(10). DOI:10.3390/en11102706 |
[16] | 吴佳勉, 赵巧芝, 孙圣仪. 基于SNA方法的区域间碳排放空间关联网络特征测度研究[J]. 统计与管理, 2019, 34(10): 35-38. |
[17] | Hashmi R, Alam K. Dynamic relationship among environmental regulation, innovation, CO2 emissions, population, and economic growth in OECD countries: a panel investigation[J]. Journal of Cleaner Production, 2019, 231: 1100-1109. DOI:10.1016/j.jclepro.2019.05.325 |
[18] | Khan A, Muhammad F, Yang C G, et al. The impression of technological innovations and natural resources in energy-growth-environment nexus: a new look into BRICS economies[J]. Science of the Total Environment, 2020, 727. DOI:10.1016/j.scitotenv.2020.138265 |
[19] | Fang K, Tang Y Q, Zhang Q F, et al. Will China peak its energy-related carbon emissions by 2030? Lessons from 30 Chinese provinces[J]. Applied Energy, 2019, 255. DOI:10.1016/j.apenergy.2019.113852 |
[20] | Yu Y, Du Y. Impact of technological innovation on CO2 emissions and emissions trend prediction on 'New Normal' economy in China[J]. Atmospheric Pollution Research, 2019, 10(1): 152-161. DOI:10.1016/j.apr.2018.07.005 |
[21] | Ahmad M, Li H, Anser M K, et al. Are the intensity of energy use, land agglomeration, CO2 emissions, and economic progress dynamically interlinked across development levels?[J]. Energy & Environment, 2021, 32(4): 690-721. |
[22] | Meng M, Zhou J. Has air pollution emission level in the Beijing-Tianjin-Hebei region peaked? A panel data analysis[J]. Ecological Indicators, 2020, 119. DOI:10.1016/j.ecolind.2020.106875 |
[23] | Yu X, Wu Z Y, Zheng H R, et al. How urban agglomeration improve the emission efficiency? A spatial econometric analysis of the Yangtze River Delta urban agglomeration in China[J]. Journal of Environmental Management, 2020, 260. DOI:10.1016/j.jenvman.2019.110061 |
[24] | Feng T, Du H B, Lin Z G, et al. Spatial spillover effects of environmental regulations on air pollution: evidence from urban agglomerations in China[J]. Journal of Environmental Management, 2020, 272. DOI:10.1016/j.jenvman.2020.110998 |
[25] | Chen H X, Zhang X L, Wu R W, et al. Revisiting the environmental Kuznets curve for city-level CO2 emissions: based on corrected NPP-VIIRS nighttime light data in China[J]. Journal of Cleaner Production, 2020, 268. DOI:10.1016/j.jclepro.2020.121575 |
[26] |
孟祥宁, 张林. 中国装备制造业绿色全要素生产率增长的演化轨迹及动力[J]. 经济与管理研究, 2018, 39(1): 105-115. Meng X N, Zhang L. Evolutionary trail and dynamics of green total factor productivity growth in China's equipment manufacturing industry[J]. Research on Economics and Management, 2018, 39(1): 105-115. |
[27] |
李敬, 陈澍, 万广华, 等. 中国区域经济增长的空间关联及其解释——基于网络分析方法[J]. 经济研究, 2014, 49(11): 4-16. Li J, Chen S, Wan G H, et al. Study on the spatial correlation and explanation of regional economic growth in China——Based on analytic network process[J]. Economic Research Journal, 2014, 49(11): 4-16. |
[28] | Rödder W, Brenner D, Kulmann F. Entropy based evaluation of net structures-deployed in social network analysis[J]. Expert Systems with Applications, 2014, 41(17): 7968-7979. DOI:10.1016/j.eswa.2014.06.049 |
[29] | Schröter B, Hauck J, Hackenberg I, et al. Bringing transparency into the process: social network analysis as a tool to support the participatory design and implementation process of payments for ecosystem services[J]. Ecosystem Services, 2018, 34: 206-217. DOI:10.1016/j.ecoser.2018.03.007 |
[30] | Zhang G L, Zhang N, Liao W M. How do population and land urbanization affect CO2 emissions under gravity center change? A spatial econometric analysis[J]. Journal of Cleaner Production, 2018, 202: 510-523. DOI:10.1016/j.jclepro.2018.08.146 |
[31] | Maharani W, Gozali A A. Collaborative social network analysis and content-based approach to improve the marketing strategy of SMEs in Indonesia[J]. Procedia Computer Science, 2015, 59: 373-381. DOI:10.1016/j.procs.2015.07.540 |
[32] | Rios V, Gianmoena L. Convergence in CO2 emissions: a spatial economic analysis with cross-country interactions[J]. Energy Economics, 2018, 75: 222-238. DOI:10.1016/j.eneco.2018.08.009 |
[33] | Balado-Naves R, Baños-Pino J F, Mayor M. Do countries influence neighbouring pollution? A spatial analysis of the EKC for CO2 emissions[J]. Energy Policy, 2018, 123: 266-279. DOI:10.1016/j.enpol.2018.08.059 |
[34] | Brooks B, Hogan B, Ellison N, et al. Assessing structural correlates to social capital in Facebook ego networks[J]. Social Networks, 2014, 38: 1-15. DOI:10.1016/j.socnet.2014.01.002 |
[35] | Badi S, Wang L S, Pryke S. Relationship marketing in Guanxi networks: a social network analysis study of Chinese construction small and medium-sized enterprises[J]. Industrial Marketing Management, 2017, 60: 204-218. DOI:10.1016/j.indmarman.2016.03.014 |
[36] | Xue L M, Meng S, Wang J X, et al. Influential factors regarding carbon emission intensity in China: a spatial econometric analysis from a provincial perspective[J]. Sustainability, 2020, 12(19). DOI:10.3390/su12198097 |
[37] |
郑石明. 政治周期、五年规划与环境污染——以工业二氧化硫排放为例[J]. 政治学研究, 2016(2): 80-94. Zheng S M. Political cycle, Five-Year plan and environmental pollution——with empirical analysis of industrial sulfur dioxide emissions[J]. CASS Journal of Political Science, 2016(2): 80-94. |
[38] | Cao X, Kostka G, Xu X. Environmental political business cycles: the case of PM2.5 air pollution in Chinese prefectures[J]. Environmental Science & Policy, 2019, 93: 92-100. |
[39] | Lewbel A. [J]. Journal of Business & Economic Statistics, 2012, 30(1): 67-80. |
[40] |
孙艳伟, 李加林, 李伟芳, 等. 海岛城市碳排放测度及其影响因素分析——以浙江省舟山市为例[J]. 地理研究, 2018, 37(5): 1023-1033. Sun Y W, Li J L, Li W F, et al. Estimating the carbon emissions and influencing factors of island city: a case study in Zhoushan Islands, Zhejiang province[J]. Geographical Research, 2018, 37(5): 1023-1033. |
[41] |
张庆宇, 张雨龙, 潘斌斌. 改革开放40年中国经济增长与碳排放影响因素分析[J]. 干旱区资源与环境, 2019, 33(10): 9-13. Zhang Q Y, Zhang Y L, Pan B B. Analysis of factors affecting China's economic growth and carbon emissions during the 40 years of reform and opening[J]. Journal of Arid Land Resources and Environment, 2019, 33(10): 9-13. |
[42] |
张先锋, 韩雪, 张庆彩. 基于偏最小二乘模型的碳排放区域差异及影响因素的实证分析[J]. 工业技术经济, 2013, 32(7): 100-109. Zhang X F, Han X, Zhang Q C. Regional difference and influence factors of carbon emissions: empirical analysis based on Partial Least Squares method[J]. Journal of Industrial Technological Economics, 2013, 32(7): 100-109. DOI:10.3969/j.issn.1004-910X.2013.07.013 |
[43] |
邱士雷, 董会忠, 吴宗杰. 基于PLS的区域碳排放驱动因素及减排路径研究——以山东省为例[J]. 科技管理研究, 2017, 37(3): 235-242. Qiu S L, Dong H Z, Wu Z J. Research on driving factors of regional carbon emissions and reduction path in Shandong[J]. Science and Technology Management Research, 2017, 37(3): 235-242. DOI:10.3969/j.issn.1000-7695.2017.03.040 |
[44] |
吕倩. 京津冀地区汽车运输碳排放影响因素研究[J]. 中国环境科学, 2018, 38(10): 3689-3697. Lv Q. Study on the driving factors of vehicle transport carbon emissions in Beijing-Tianjin-Hebei region[J]. China Environmental Science, 2018, 38(10): 3689-3697. DOI:10.3969/j.issn.1000-6923.2018.10.011 |
[45] |
蔺雪芹, 边宇, 王岱. 京津冀地区工业碳排放效率时空演化特征及影响因素[J]. 经济地理, 2021, 41(6): 187-195. Lin X Q, Bian Y, Wang D. Spatiotemporal evolution characteristics and influencing factors of industrial carbon emission efficiency in Beijing-Tianjin-Hebei region[J]. Economic Geography, 2021, 41(6): 187-195. |