珠江流域城市工业碳排放效率的空间关联网络特征与影响因素

引用本文

尹剑, 龙垚垚, 姜洪涛. 珠江流域城市工业碳排放效率的空间关联网络特征与影响因素[J]. 环境科学, 2024, 45(12): 6806-6817.

YIN Jian, LONG Yao-yao, JIANG Hong-tao. Spatial Correlation Network Characteristics and Influencing Factors of Industrial Carbon Emission Efficiency of Cities in Pearl River Basin[J]. Environmental Science, 2024, 45(12): 6806-6817.

珠江流域城市工业碳排放效率的空间关联网络特征与影响因素

尹剑^1,2, 龙垚垚^1,2, 姜洪涛^1,2

1. 贵州财经大学西部现代化研究中心, 贵阳 550025;
2. 贵州财经大学大数据应用与经济学院, 贵阳 550025

收稿日期: 2023-12-12; 修订日期: 2024-02-29

基金项目: 贵州省高校人文社会科学研究项目（2024RW321）：贵州产业部门碳排放影响因素及其关联效应研究项目

作者简介: 尹剑（1984~）, 男, 博士, 教授, 主要研究方向为环境系统分析和碳排放, E-mail：yinjianbnu@163.com

通信作者: 姜洪涛, E-mail：jianght@mail.gufe.edu.cn

摘要: 中国经历了城市化和工业化的快速发展, 探索城市工业碳排放及其空间关联特征对推动城市间协同减排, 实现“双碳”目标具有重要意义.以珠江流域49个城市为研究对象, 运用包含非期望产出的超效率松弛测度模型测算了2010~2020年的城市工业碳排放效率, 采用探索性时空数据分析探究其空间格局；并利用社会网络分析和二次赋值过程回归方法探讨城市工业碳排放效率的空间关联网络特征及其影响因素.结果表明, 珠江流域城市工业碳排放效率整体呈下降趋势且在空间上存在较强的不平衡性和异质性；在工业碳排放效率空间关联网络中, 珠三角地区始终占据主导地位, 形成了以核心网为首要组成部分、常规网为辅助部分的多层次复合网络体系；经济发达城市, 如广州、深圳和东莞等长期处于网络中心, 发挥着显著的中介作用；城市化水平、科学技术水平和工业化水平对碳排放网络的联系强度有愈发显著的正向影响.结合工业碳排放效率网络的空间结构特征、聚类特点和驱动因素, 可有效反映城市协同碳减排潜力, 可为区域低碳发展战略的制定与实施提供参考.

关键词: 工业碳排放效率探索性时空数据分析社会网络分析（SNA）协同碳减排空间关联

Spatial Correlation Network Characteristics and Influencing Factors of Industrial Carbon Emission Efficiency of Cities in Pearl River Basin

YIN Jian^1,2 , LONG Yao-yao^1,2 , JIANG Hong-tao^1,2

1. Center for Western China Modernization, Guizhou University of Finance and Economics, Guiyang 550025, China;
2. College of Big Data Application and Economic, Guizhou University of Finance and Economics, Guiyang 550025, China

Abstract: China has experienced rapid development of urbanization and industrialization, and urban industrial carbon reduction has become the key to green and sustainable development. Exploring urban industrial carbon emissions and its spatial correlation characteristics is of great importance for promoting collaborative cooperation between cities and achieving the "dual carbon" goal. Considering 49 cities in the Pearl River Basin as research objects, the super slacks-based measure model was used to measure the urban industrial carbon emission efficiency from 2010 to 2020, and exploratory spatiotemporal data analysis was used to explore its spatial pattern. On this basis, we used social network analysis and quadratic assignment procedure (QAP) methods to explore the spatial correlation network characteristics and influencing factors of urban industrial carbon emission efficiency. The results indicated that the industrial carbon emission efficiency of the Pearl River Basin showed a downward trend. Additionally, a strong spatial imbalance and heterogeneity was observed. The Pearl River Delta Region always dominated the spatial correlation network of carbon emission efficiency, forming a multi-level composite network system with the core network as the primary component and the conventional network as the auxiliary component. Economically developed cities, such as Guangzhou, Shenzhen, and Dongguan have long been in the center of the network and have extensive connections with other cities, while playing an intermediary role. The level of urbanization, science and technology, and industrialization have an increasingly significant positive impact on the strength of the connection between urban industrial carbon emission networks. The Pearl River Basin industrial carbon emission efficiency network has significant individual differences and hierarchical characteristics. According to the individual centrality, network role, and clustering characteristics, combined with the corresponding influencing factors, the Pearl River Basin urban collaborative carbon emission reduction strategy was formulated. This study can provide reference for the formulation and implementation of regional low-carbon collaborative development strategies.

Key words: industrial carbon emission efficiency exploratory spatiotemporal data analysis social network analysis(SNA) collaborative carbon reduction spatial correlation

当前中国处于工业化和城市化交互发展阶段^[1], 随着城市化、工业化的快速发展和区域交流的不断增强, 要素在城市之间的流动变得愈发频繁, 导致城市间工业碳排放的关联性日益紧密^[2].因此, 探索城市工业碳排放的空间关联网络特征对于实现区域协同减排、达成“双碳”目标具有重要意义^[3].

一般来说, 碳排放的度量指标主要包括总排放量^[4]、人均排放量^[5]、排放强度^[6]和排放效率^[7].其中, 碳排放效率综合考虑了能源、劳动力、经济和环境等多种因素, 具有“全要素”特征^[7], 能更有效地反映经济发展与碳减排之间的关系^[2].近年来学者们对我国工业碳排放效率的研究多集中于差异分析^[1]、因子分解^{[8, 9]}和趋势预测^{[10 ~ 12]}, 空间尺度主要以省级单元为主^{[13 ~ 15]}, 对城市尺度和空间关联特征的研究相对缺乏^[16].社会网络分析（social network analysis, SNA）是一种分析主体关联特征的有效方法, 在分析区域之间联系特征上具有潜力.基于SNA, Bai等^[17]探讨了中国交通运输碳排放网络的空间特征和驱动因素；吉雪强等^[18]探究了土地利用碳排放空间关联网络的演化特征；方大春等^[19]从全国层面厘清了省际碳排放联动关系；甘畅等^[20]分析了中国服务业碳排放空间网络联系；郑航等^[21]研究了城市群碳排放关联网络；罗泓然等^[22]研究了重庆市土地利用碳收支空间关联关系演变.尽管如此, 目前大多数关于中国碳排放空间关联的研究仍基于碳排放量指标, 针对碳排放效率空间关联网络的研究则较为稀缺.

鉴于此, 本研究以我国珠江流域为例, 旨在通过引入考虑非期望产出的超效率模型和SNA方法, 综合评价城市尺度的工业碳排放效率及其空间联系特征；并应用二次赋值过程方法（quadratic assignment procedure, QAP）和多元回归模型分析网络关联的驱动力, 揭示影响关联特征的关键因素.从而科学理解工业碳排放的城市尺度空间互动机制, 以期为提出城市联合碳减排策略提供科学参考.

1 材料与方法 1.1 研究区域及数据来源

珠江流域位于中国南部, 流经我国云南、贵州、广西、广东、香港和澳门等省、自治区和特别行政区, 流域面积约为45.37×10⁴ km²（图 1）.珠江流域不仅是我国生态环境保护重点地区, 且流域内城市具有典型的经济发展空间分异特征.流域上游地区以高原为主, 经济发展水平较低.下游珠三角地区地势平坦开阔, 是中国经济最发达的地区之一, 传统能源密集型工业和第三方服务业占比较大, 特别是以广州、深圳为代表的超大型城市已经成为地区经济发展的重要增长极^[23].当前, 珠江流域正处于高质量发展的关键时期, 面临着节能减排和经济发展的矛盾与压力.流域的整体性以及经济社会高度空间关联性使得经济发达与欠发达城市间碳排放联系逐渐增强.此外, 由于各城市经济发展和产业结构的差异, 城市间高耗能产业转移等活动可能会导致经济欠发达城市工业碳排放量进一步增加, 最终导致城市间碳排放不平衡性愈加显著, 这在一定程度上增加碳减排任务分配的复杂性^[24].因此对于区域工业碳排放关联特征的分析亟待解决.

基于自然资源部标准地图服务网站下载的审图号为GS（2022）4309的标准地图制作, 底图无修改图 1 研究区域 Fig. 1 Study area

本研究选择珠江流域涉及的云南、贵州、广西和广东这4个省级区域的49个城市为对象, 香港和澳门暂不考虑在研究范围内. 城市底图来源于自然资源部标准地图服务网站（http://211.159.153.75/）提供的矢量标准地图.工业数据、能源消耗数据以及社会经济数据来自于广东、云南、贵州和广西各地级市2010~2020年的统计年鉴, 部分相关数据来自于其社会发展统计公报和easy professional superior（EPS）数据平台（https://www.epsnet.com.cn/）.

1.2 研究框架

首先将资本、劳动力和能源作为投入, 工业碳排放和工业增加值作为产出.利用包含非期望产出的超效率松弛测度（super slacks-based measure model, Super-SBM）模型测算珠江流域城市的工业碳排放效率.其次, 通过改进的引力模型构建工业碳排放效率的空间关联网络.在此基础上, 探究工业碳排放效率空间关联网络的特征和影响因素.其中, 网络密度、网络中心度和网络效率用于分析网络的整体特征.度中心性、接近中心性和中间中心性用于分析个体网络特征, 块模型被用于分析网络聚类结构特征.QAP回归和多元回归分别被用来探究工业碳排效率空间关联网络的驱动因素和结构效应.本研究流程如图 2所示.

图 2 研究流程 Fig. 2 Flowchart of the study

1.3 Super-SBM模型

基于考虑非期望产出的Super-SBM模型^[2]进行效率测算：

(1)

式中, n为决策单元DUM的数量；a为第a个DMU；g为按当前效率为基准的第g个DMU；z为投入要素；k为投入要素的数量；h为第h个投入要素；e^d和e^u分别为期望产出和非期望产出；r₁和r₂分别为期望产出和非期望产出要素的数量；l和p分别为第l和第p个期望的产出和非期望产出要素；ρ为工业碳排放效率值；λ为权重.

公式（1）中的投入和产出指标见表 1.由于珠江流域城市层面的工业能源消耗数据无法完全获取, 而电能消耗是工业碳排放能源消耗的“主力军”^[25], 因此选择工业用电为能源消耗要素^[26].工业碳排放量使用国家发展和改革委员会应对气候变化司所发布的中国区域电网平均碳排放因子进行测算.根据研究区域分布, 利用南方地区电网2010~2020年平均碳排放因子乘以珠江流域49个城市对应年度工业用电总量, 即可获得该年度工业碳排放量.

表 1 工业碳排放效率评价指标体系 Table 1 Industrial carbon emission efficiency evaluation index system

1.4 碳排放效率网络构建

网络节点为城市工业碳排放效率, 边代表城市之间碳排放效率的联系.由于工业碳排放效率具有全要素特点, 因此, 基于城市工业碳排放效率构建的引力模型能够综合反映经济、距离和碳排放等信息.

(2)

(3)

式中, z_ij为城市i和城市j之间的碳排放引力；E_i为城市i的工业碳排放效率；D_ij为城市i和j之间的球形距离；b为距离系数.在这里, 将b赋值为1, 因为在流域内城市的连接更加频繁和方便, 空间阻抗系数相当小. m_ij为工业碳排放效率从城市i到城市j的重力系数, 用于构造城市工业碳排放效率的重力矩阵.

1.5 社会网络分析 1.5.1 整体网络

整体网络结构特征主要包括3个指标：网络相关性（N_C）、网络密度（N_D）和网络效率（N_E）, 分别描述网络中区域间的可达性、区域间关系的紧密程度和网络中线路的冗余程度：

(4)

(5)

(6)

式中, n为网络中区域的数量；W为网络中不可达点对的数量；V为节点之间连接关系的实际数目；S为冗余线的数量；max（S）为可能的冗余线路的最大数目.

1.5.2 个体网络

个体网络结构特征主要包括3个维度：度中心性（DC）、接近中心性（CC）和中间中心性（BC）, 分别描述了各节点的直接连接数量、节点与其他节点的接近程度及节点在网络中的中介作用.计算公式如下：

(7)

(8)

(9)

式中, L_m为一个端点为m的连接数；Q为网络中的城市数量；q为所有实际网络连接的总和；d_mn为m至n的最短距离；h_nk（m）为城市m出现在与两个城市n和k相关联的快捷方式的次数.

1.5.3 网络聚类

采用SNA的块模型分析法^[27]实现网络聚类分析, 探讨了珠江流域整体网络各板块所起的作用.基于迭代相关收敛法^[28], 将碳排放空间关联网络划分为双向溢出模块、净溢出模块、主要受益模块和代理模块, 探讨城市工业碳排放之间的空间关联和互动机制.各模块的特性如表 2所示.

表 2 模块分类和特征 Table 2 Module classification and characteristics

1.6 影响因素分析

参考相关研究^{[29 ~ 31]}, 城市工业碳排放效率网络的形成受多种因素的潜在驱动, 以上因素通过影响工业碳排放, 进而间接对网络产生作用.影响因素（表 3）解释如下：①人均国内生产总值（gross domestic product, GDP）（X₁）高意味着较高的经济发展水平和生活水平, 这会吸引高新技术企业的聚集, 提高工业生产效率, 减少碳排放.同时, 高人均GDP的城市更倾向于投资清洁能源和低碳技术, 以减少碳排放量.②对外开放程度（X₂）影响着城市间贸易和经济交流.高度开放的城市通常在进出口贸易中涉及能源密集型产业, 从而导致碳排放增加. ③城市化（X₃）导致人口聚集, 加大了能源和资源的需求, 增加了碳排放.然而, 城市化也为推动低碳技术的创新和应用提供了平台, 以减少碳排放. ④科学技术水平（X₄）能够更好地使城市应用创新技术来改进生产过程, 减少资源浪费和碳排放. ⑤工业化水平（X₅）代表着城市工业的发展程度.高工业化水平城市通常有更多的工业企业, 而这也伴随着高碳排放. ⑥重工业水平（X₆）通常需要大量的能源和资源, 导致高碳排放. ⑦能源消耗强度（X₇）直接影响着工业碳排放量.能源密集型城市通常使用大量能源, 导致碳排放增加. ⑧生产力水平（X₈）反映了城市生产效率和创新水平.高生产力城市可以更好地利用资源和技术, 减少碳排放. ⑨工业产值贡献（X₉）影响着城市经济的组成.优化产业结构, 减少能源密集型产业的比重, 有助于降低工业碳排放. ⑩环境规制（X₁₀）是政府管理的重要手段, 加强环境规制有助于推动企业采取更环保的生产方式, 减少碳排放.此外, 由于邻近城市之间的碳排放效率可能会相互影响, 特别是在资源共享、技术合作和产业转移方面, 因此还需要考虑空间相邻关系（X₁₁）.

表 3 变量的解释与说明 Table 3 Interpretation and description of variables

由于研究中涉及的变量之间可能存在多重共线性, 而QAP模型不要求变量独立^[32], 使分析结果更加稳健.QAP模型的构建如下：

(10)

式中, Y 为城市两两之间工业碳排放效率空间关联的强度矩阵, X 为影响因素向量构建的矩阵[X₁, X₂, …, X₁₁], β 为回归系数向量, ε 为误差项.为避免矩阵中出现小于0的值, 选择对不同城市的影响因素取对数后相加来构建自变量矩阵.

网络特征除了受到社会经济影响因素的驱动外, 还会受到网络结构特征的影响.因此, 构建多元回归方程来分析工业碳排放效率空间关联网络的结构效应.工业碳排放效率空间关联强度为因变量, 自变量为整体网络指标（网络相关性、网络密度和网络效率）和个体网络指标（度中心性、接近中心性和中间中心性）.

2 结果与分析 2.1 工业碳排放效率的时空演化

城市工业碳排放效率值被划分为4个等级：低效率（0~0.5）、中等（0.5~1）、高效率（1~1.5）和超效率（1.5~2）.如图 3所示, 有18个城市工业碳排放效率提升, 31个降低, 低效率城市明显增多, 表明流域内城市具有较大的低发展需求.遵义增速最快, 可能得益于其低碳试点城市政策^[33].东莞、茂名和云浮效率一直处于高位, 来宾市最低.总体上, 珠江流域工业碳排放效率逐渐呈现“中游低, 两端高”的格局, 且有集聚趋势.高效率城市集中在珠三角和贵州省.比较2010年和2020年, 低效率和超效率的城市数量均增加, 流域工业碳排放效率空间分布的不均衡格局愈发显著.

图 3 2010~2020年珠江流域工业碳排放效率的时空演化特征 Fig. 3 Spatiotemporal evolution characteristics of industrial carbon emission efficiency in the Pearl River Basin from 2010 to 2020

2.2 工业碳排放效率的空间关联网络特征 2.2.1 网络的演化

参考相关研究^[28], 将关联网络分为4个层次：核心网络（关联强度大于1）、常规网络（关联强度为0.5~1）、基础网络（关联强度为0.1~0.5）和边缘网络（关联强度小于0.1）.图 4显示了珠江流域工业碳排放效率关联网络的空间布局.该网络同样有显著的不均衡特征.核心网络和常规网络主要分布在珠三角地区, 在整体网络中始终占据主导地位, 随时间推移无明显改变.自2014年起, 基础网络数量开始逐渐减少, 边缘网络数量开始上升.

图 4 2010年、2014年、2018年和2020年城市工业碳排放效率关联网络的空间格局 Fig. 4 Spatial pattern of industrial carbon emission efficiency correlation network of the cities in 2010, 2014, 2018, and 2020

2.2.2 网络的整体特征

由表 4可知城市工业碳排放效率网络相关性为1, 表明网络关联紧密, 节点存在空间溢出. 2020年网络密度相较于前3个年期有较为明显的增加, 城市之间的碳排放联系变得更加密集, 意味着更多的城市在工业碳排放方面相互依赖或相互影响.这与区域经济一体化不断增强, 工业活动的扩散, 以及近年来流域内航运、公路和铁路交通改善有关.2020年网络密度较前期下降, 说明尽管联系变得密集, 但上述联系在促进碳排放效率方面的作用减弱.也就是说, 虽然城市之间的联系增多, 但并没有有效地减少碳排放或提高碳排放效率.表明城市间具有协同减排的潜力, 但并未充分发挥, 区域间的合作有待加强.

表 4 工业碳排放效率空间关联网络的整体特征 Table 4 General network characteristics of the spatial correlation of industrial carbon emission efficiency

2.2.3 网络的个体特征

表 5展示了利用度中心性（DC）、接近中心性（CC）和中间中心性（BC）分析城市网络地位和作用的结果.东莞、深圳、广州和茂名的DC上升, 它们工业化发展快速, 与周边区域联系紧密.韶关、汕头和玉溪的DC较低, 表明它们与其他城市的联系弱.中山、百色和深圳的CC较高, 能快速与其他地区联系, 起到网络中心作用, 便于碳排放相关要素传递.曲靖、昆明和揭阳的CC低, 位于网络边缘, 与其他区域联系不显著.东莞、广州、柳州和中山的BC高, 反映出它们能较好地影响和控制资源和技术, 从而降低工业碳排放, 并在网络中发挥桥梁作用.东莞BC最高, 是工业碳排放网络的关键枢纽.百色、红河州和北海的BC为0, 以上人口少且经济规模小的地区难以影响其他地区.

表 5 工业碳排放效率空间关联网络的个体中心性指标 Table 5 Individual centrality indicators of the spatially linked network of industrial carbon emission efficiency

指标城市	2010年			2014年			2018年			2020年
指标城市	DC	CC	BC	DC	CC	BC	DC	CC	BC	DC	CC	BC
安顺	0.29	0.53	0.15	0.19	0.52	0	0.23	0.55	0.03	0.38	0.62	0.02
北海	0.15	0.46	0	0.21	0.53	0	0.29	0.53	0.02	0.29	0.59	0
毕节	0.29	0.53	0.17	0.29	0.59	0.17	0.29	0.57	0.07	0.4	0.62	0.02
百色	0.06	0.44	0	0.1	0.49	0.02	0.52	0.68	0.66	0.54	0.69	0.12
崇左	0.17	0.48	0	0.06	0.46	0	0.08	0.51	0	0.13	0.53	0
潮州	0.21	0.47	0	0.19	0.49	0	0.23	0.52	0	0.25	0.57	0
东莞	0.58	0.7	0.52	0.77	0.81	0.98	0.54	0.66	0.13	1	1	1
防城港	0.21	0.51	0.01	0.21	0.53	0.01	0.15	0.48	0	0.21	0.56	0
佛山	0.48	0.61	0.11	0.46	0.61	0.06	0.54	0.62	0.09	0.81	0.84	0.32
贵港	0.31	0.55	0.02	0.21	0.53	0	0.31	0.54	0.01	0.38	0.62	0.01
桂林	0.17	0.51	0	0.29	0.56	0.01	0.17	0.5	0	0.19	0.55	0
贵阳	0.25	0.52	0.09	0.23	0.53	0.02	0.19	0.44	0	0.31	0.59	0.01
广州	0.54	0.63	0.26	0.54	0.64	0.14	0.63	0.73	0.27	0.77	0.81	0.26
河池	0.33	0.59	0.22	0.15	0.52	0.01	0.08	0.51	0	0.25	0.57	0.01
红河	0.13	0.41	0	0.13	0.4	0	0.1	0.42	0	0.21	0.56	0
河源	0.29	0.51	0.03	0.21	0.49	0.01	0.23	0.52	0.01	0.27	0.58	0
贺州	0.58	0.71	0.99	0.4	0.59	0.03	0.27	0.58	0.02	0.29	0.59	0
惠州	0.4	0.56	0.09	0.44	0.6	0.08	0.38	0.56	0.03	0.4	0.62	0.02
江门	0.65	0.73	0.64	0.31	0.56	0	0.27	0.53	0	0.31	0.59	0
揭阳	0.25	0.48	0	0.23	0.5	0	0.27	0.53	0.01	0.27	0.58	0
昆明	0.17	0.42	0	0.15	0.4	0	0.21	0.44	0.01	0.31	0.59	0.01
来宾	0.21	0.51	0.01	0.21	0.53	0	0.19	0.55	0.01	0.29	0.59	0.01
六盘水	0.1	0.38	0	0.31	0.59	0.26	0.25	0.45	0.01	0.29	0.59	0
柳州	0.56	0.7	1	0.46	0.65	0.14	0.35	0.61	0.07	0.44	0.64	0.04
茂名	0.63	0.73	0.7	0.5	0.63	0.07	0.79	0.83	1	0.85	0.87	0.44
梅州	0.27	0.5	0.01	0.21	0.49	0	0.21	0.51	0	0.23	0.56	0
南宁	0.27	0.53	0.03	0.54	0.69	0.33	0.21	0.55	0.03	0.33	0.6	0.02
黔东南	0.21	0.51	0.01	0.33	0.6	0.11	0.38	0.62	0.25	0.46	0.65	0.04
曲靖	0.21	0.42	0.02	0.19	0.52	0.06	0.21	0.44	0.01	0.29	0.59	0
黔南	0.19	0.51	0	0.23	0.53	0.01	0.25	0.56	0.03	0.31	0.59	0.01
黔西南	0.35	0.57	0.47	0.33	0.6	0.28	0.27	0.56	0.07	0.44	0.64	0.04
清远	0.27	0.53	0.03	0.31	0.56	0.02	0.29	0.53	0.01	0.33	0.6	0.01
钦州	0.27	0.54	0.03	0.17	0.52	0	0.15	0.48	0	0.27	0.58	0
韶关	0.1	0.43	0	0.1	0.47	0	0.13	0.44	0	0.23	0.56	0
汕头	0.19	0.45	0	0.19	0.49	0	0.19	0.46	0	0.25	0.57	0
汕尾	0.56	0.69	0.41	0.25	0.54	0.02	0.25	0.52	0	0.38	0.62	0.02
深圳	0.44	0.58	0.08	0.52	0.63	0.11	0.56	0.7	0.18	0.67	0.75	0.16
铜仁	0.4	0.62	0.96	0.17	0.54	0.03	0.17	0.53	0.01	0.38	0.62	0.02
文山	0.17	0.42	0	0.17	0.41	0.01	0.13	0.42	0	0.29	0.59	0.01
梧州	0.35	0.56	0.03	0.44	0.6	0.03	0.35	0.55	0.01	0.33	0.6	0.01
云浮	0.38	0.56	0.02	0.77	0.81	1	0.56	0.7	0.19	0.88	0.89	0.51
阳江	0.33	0.55	0.01	0.38	0.58	0.02	0.35	0.55	0.01	0.44	0.64	0.03
玉林	0.33	0.56	0.05	0.33	0.56	0.02	0.27	0.53	0.01	0.27	0.58	0
玉溪	0.15	0.41	0	0.15	0.4	0	0.15	0.43	0	0.25	0.57	0
珠海	0.21	0.47	0	0.19	0.52	0	0.23	0.52	0	0.27	0.58	0
湛江	0.48	0.61	0.16	0.42	0.59	0.03	0.29	0.53	0.02	0.38	0.62	0.02
肇庆	0.27	0.53	0	0.29	0.55	0	0.27	0.53	0	0.35	0.61	0.01
中山	0.4	0.56	0.04	0.46	0.61	0.05	0.54	0.69	0.13	0.69	0.76	0.17
遵义	0.13	0.46	0	0.1	0.41	0	0.17	0.44	0	0.46	0.65	0.05

表 5 工业碳排放效率空间关联网络的个体中心性指标 Table 5 Individual centrality indicators of the spatially linked network of industrial carbon emission efficiency

2.2.4 网络的聚类特征

图 5显示了2010~2020年城市工业碳排放效率空间关联网络的模块聚类.随时间推移, 模块之间的联系变得密切.城市数量在双向溢出模块中增加, 城市间元素流动频繁, 相互影响工业碳排放效率.安顺、河池和清远稳定在该模块中, 满足了自身减碳需求, 同时可为其他城市提供减碳补偿.六盘水、昆明和崇左位于净溢出模块, 以上城市经济较落后, 能源消耗和碳排放高, 对外影响显著.贵港、北海、南宁、防城港和茂名属于主要受益模块, 以上城市需要外部低碳技术支持以提高碳排放效率.佛山、韶关和梅州等为代表的代理模块, 在碳排放效率网络中起到“中介”和“桥梁”作用, 为其他模块提供资源.

数值表示模块内部包含的关联数；箭头表示模块之间存在的关联及方向；若模块只与自身存在关联则为孤立模块图 5 工业碳排放效率空间关联网络4个模块间的关系 Fig. 5 Relationships among the four modules of the industrial carbon emission efficiency spatial correlation network

孤立模块是社团划分中的特殊现象.在2010年, 主要受益板块由于资源和技术的局限性, 未能与其他模块建立关系.同年, 代理模块的城市如佛山、韶关和梅州尽管在网络中担当中介角色, 但技术和资源的限制减弱了它们与其他模块的联系.2014年, 网络中所有模块的关联性暂时中断, 这可能由区域经济重构、产业结构调整或环境政策变化所引起.进入2020年, 代理模块与其他模块间的联系仍然缺失, 暗示着相应模块内城市在资源和信息流动中的局限性, 以及它们在更广阔网络中吸引力不足的问题.然而, 在研究期内双向溢出模块中的城市数量呈增加趋势, 表明要素在城市间的流动愈发频繁, 导致工业碳排放效率相互影响.安顺、河池和清远一直处于双向溢出模块中.以上城市虽然满足了区块内的减碳需求, 但也为其他城市提供了减碳补偿空间.六盘水、昆明和崇左一直处于净溢出模块, 表明其经济发展相对落后, 能源消耗强度高, 工业碳排放大.以上城市对外的工业碳排放效率影响较高, 产生溢出效应.

2.3 驱动力分析 2.3.1 QAP影响因素分析

QAP回归分析结果如表 6所示.当一个城市的网络关联强度越强说明其工业碳排放效率对周边的影响越大, 越可能在区域联合碳减排中发挥作用.人均GDP在2010年和2014年的影响均为显著的正向, 但在2018年和2020年影响程度小且不显著.表明随着时间的推移, 人均GDP对工业碳排放效率的关联强度影响逐渐减弱.早期人均GDP正向促进了城市间的经济联系和资源流动, 但随着减排政策和技术的普及, 这种影响减弱.对外开放程度在早期为显著的负相关, 随着时间的推移, 这种影响减弱且不显著, 表明在长期内对外开放对网络关联强度可能不再是主要的决定因素.

表 6 QAP回归结果^1） Table 6 Results of QAP regression

城市化水平的影响由2014年的负向转为2020年的正向, 反映出城市初期建设对节能减排偏向不足, 随后政府低碳发展重视使得城市间低碳互动增强, 提升了网络强度.科学技术水平和工业化水平的影响在早期显著性不强, 到2020年均变为显著正向影响, 可能的原因是随着时间的推移, 各个城市对节能减排和工业生产效率的重视程度都在增强.说明提高节能技术和提升工业水平对工业碳排放效率的区域协同具有正向促进作用.潜在的原因可能是高科技水平促进城市间资本和技术流动, 增强碳排放空间关联强度.

重工业水平和能源消耗强度对关联强度的影响的显著性逐渐降低, 表明二者对区域协同提升工业碳排放效率的作用在减弱, 这可能是近年来大量资源型城市产业转型, 对重工业和高能耗依赖性逐渐降低的结果.环境规制一定程度上正向促进城市低碳发展, 由于低碳约束是区域内的共性对策, 因而促使碳排放效率空间关联强度增强.工业产值贡献在早期显著性不强, 但在2020年转为显著负向影响, 表明过度依赖工业提升产值将影响城市在协同减排中的作用.

2.3.2 网络结构效应分析

表 7反映了网络的结构效应, 只有网络相关性、接近中心性和中间中心性这3个指标通过显著性检验, 且均为正向影响.整体网络特征中网络相关性的正向作用表明随着网络相关性的增加, 城市之间碳排放的互动和交流也会增加, 从而进一步增强整体网络的关联强度.接近中心性的回归系数为3.571, 表明城市在网络中的接近中心性越高, 越有可能成为碳减排行动的重要协调者和媒介, 意味着要素交流和合作对于提升碳排放效率具有关键作用.中间中心性的正向影响揭示了高中间中心性城市在网络中的优势.具有相关特性的城市在整个网络中发挥着辐射与溢出作用, 相对较高的中间中心性使其能够在碳排放转移中起到关键作用.通过吸引来自其他城市的碳减排份额, 可以实现账面上碳排放效率的提升, 同时也促进了网络中城市的合作和协同.

表 7 网络结构特征的多元回归结果^1） Table 7 Multiple regression results of network structure characteristics

3 讨论

本研究借助考虑非期望产出的Super-SBM模型和SNA, 深入探讨了城市工业碳排放效率的差异与联系, 为协同碳减排提供了更全面的视角.相较于传统研究侧重于碳排放量和强度, 工业碳排放效率更能反映技术创新、产业规模化和能源效率优化对碳减排的影响^[14], 从而更具现实意义.

在碳排放研究领域, 网络分析逐渐受到重视, 但多数研究仍侧重于可视化和定性分析^{[3, 26]}, 忽略了社区划分和归因分析^[34].本研究采用基于块模型的社区划分方法, 深入探讨了动态转移机制, 并结合主要社会经济指标, 揭示了影响网络连接强度的关键驱动力, 为碳减排政策制定和区域合作提供了重要参考.

城市间协同治理对于实现城市碳减排至关重要.研究发现, 仅依赖个体城市治理方法而忽视空间相关效应可能无法有效减少碳排放, 这与Su等^[12]和Bai等^[17]提出的区域一体化和协调发展的碳减排理念相契合.与Shen等^[3]对广东省碳排放网络研究的结果类似, 在珠江流域的对应区域, 工业碳排放效率关联网络也存在明显的不平衡.这种不平衡可能会导致未来的“马太效应”, 即工业化和城市化加速导致工业碳排放高效率区聚集在某些优势城市.

从网络的复杂性角度来看, 珠江流域城际工业碳排放效率相关网络的总体规模联系在上升, 网络密度呈波动上升趋势.这可能是由于各城市越来越重视碳减排和绿色发展, 以及碳交易市场体系的逐步完善增强了工业碳排放效率的区域相关性.此外, 珠江流域城市的经济规模和工业差异也导致了碳排放网络的总体密度相对较低.

基于块模型的社团划分结果进一步揭示了城市工业碳排放效率的空间关联机制.不同模块的城市在工业碳排放效率上表现出不同的特征和作用.例如, 双向溢出模块的城市通过资源共享提升了工业碳排放效率；净溢出模块城市对其他区域产生重要影响；主要受益模块城市需从其他区块获取资源以提升效率；代理模块城市则通过资源和技术流动对网络产生积极影响.

最后, 本研究表明, 城市化水平、科学技术水平和工业化水平对碳排放网络的联系强度有愈发显著的正向影响.Xia等^[35]和Li等^[36]研究了经济数字化、智能技术水平与工业碳排放效率之间的耦合协调关系.结果发现位于珠江流域下游的广东省的工业碳排放效率受到经济发展或数字化转型的显著影响.以上研究支持了本研究的结果, 即网络度中心性和中间性中心性在珠江流域下游的广州地区相对较高, 对其他区域具有溢出影响.这为未来城市间联合碳减排政策的制定和实施提供了有益的启示.

4 政策建议

为实现珠江流域的工业低碳转型及区域协同的低碳发展, 建议综合采取以下策略：第一, 根据城市工业碳排放效率的差异, 制定个性化减排政策.下游城市如广州、东莞和深圳应加大对清洁能源的投资, 而上游城市如来宾和柳州需加强环境监管和生产行为规范.第二, 利用核心城市的引领作用, 推动绿色产业创新和能源高效利用, 并建立区域合作机制, 协助边缘城市提高碳减排水平.第三, 依据城市中心性程度, 设计差异化减排策略, 促进技术创新和经验共享.高度中心性城市应引入创新技术, 提升生产效率；低中心性城市则通过与高中心性城市的合作来提升碳减排效果.第四, 针对4个模块城市的不同角色, 制定针对性减排对策.双向溢出模块内城市应强化区域合作, 净溢出模块城市需整合资源引入低碳技术, 主要受益模块城市鼓励技术创新和绿色发展, 代理模块城市则发挥中介作用, 推动技术跨区域共享.第五, 考虑人均GDP、对外开放、城市化水平、重工业比重和环境规制等因素对网络的影响, 政府应支持高新技术企业发展, 引导外贸向清洁能源转型, 并平衡城市化与环境保护, 推动重工业清洁生产, 设定更严格的环保标准.

5 结论

（1）珠江流域工业碳排放效率整体下降, 高效率与低效率城市均出现集聚现象. 珠三角地区在工业排放效率空间关联网络中占据核心地位, 网络密度的增长和效率的降低揭示了各城市间具有较大的协同潜力, 但仍需进一步开发.

（2）城市在网络中的作用和地位差异显著, 中心城市如佛山对邻近地区有积极影响, 低接近中心性城市如揭阳则更依赖外部支持来降低碳排放.广州等资源控制能力强的城市可有效影响周边区域从而降低碳排放.双向溢出网络城市数量增加, 显示出工业碳排放效率的相互依赖和影响正在加强.

（3）驱动力分析发现城市化水平、科学技术水平和工业化水平对碳排放网络的联系强度有愈发显著的正向影响.结合城市工业碳排放的空间差异与联系以及网络结构效应, 提出了区域协同碳减排的建议.

参考文献

[1]	陈四瑜, 刘晶茹, 孙光明. 基于脱钩指数的工业园区碳排放与经济发展关系[J]. 环境科学, 2023, 44(11): 6412-6420. Chen S Y, Liu J R, Sun G M. Relationship between carbon emissions and economic development of industrial parks based on decoupling index[J]. Environmental Science, 2023, 44(11): 6412-6420.
[2]	Zhang R J, Tai H W, Cheng K T, et al. Carbon emission efficiency network formation mechanism and spatial correlation complexity analysis: Taking the Yangtze River Economic Belt as an example[J]. Science of the Total Environment, 2022, 841: 36288-36302.
[3]	Shen W R, Liang H W, Dong L, et al. Synergistic CO₂ reduction effects in Chinese urban agglomerations: Perspectives from social network analysis[J]. Science of the Total Environment, 2021, 798. DOI:10.1016/j.scitotenv.2021.149352
[4]	韩梦瑶, 刘卫东, 谢漪甜, 等. 中国省域碳排放的区域差异及脱钩趋势演变[J]. 资源科学, 2021, 43(4): 710-721. Han M Y, Liu W D, Xie Y T, et al. Regional disparity and decoupling evolution of China's carbon emissions by province[J]. Resources Science, 2021, 43(4): 710-721.
[5]	吴健生, 晋雪茹, 王晗, 等. 中国碳排放及影响因素的市域尺度分析[J]. 环境科学, 2023, 44(5): 2974-2982. Wu J S, Jin X R, Wang H, et al. Analysis of carbon emissions and influencing factors in China based on city scale[J]. Environmental Science, 2023, 44(5): 2974-2982.
[6]	Liu Q F, Song J P, Dai T Q, et al. Spatio-temporal dynamic evolution of carbon emission intensity and the effectiveness of carbon emission reduction at county level based on nighttime light data[J]. Journal of Cleaner Production, 2022, 362. DOI:10.1016/j.jclepro.2022.132301
[7]	Jiang H T, Yin J, Qiu Y H, et al. Industrial carbon emission efficiency of cities in the Pearl River Basin: Spatiotemporal dynamics and driving forces[J]. Land, 2022, 11(8). DOI:10.3390/land11081129
[8]	胡景心, 沙青娥, 刘慧琳, 等. 珠江三角洲二氧化碳源汇演变特征及驱动因素[J]. 环境科学, 2023, 44(12): 6643-6652. Hu J X, Sha Q E, Liu H L, et al. Evolution characteristics and driving forces of carbon dioxide emissions and sinks in the Pearl River Delta region, China[J]. Environmental Science, 2023, 44(12): 6643-6652.
[9]	李楠, 刘弯弯, 朱书涵, 等. 湖南省工业领域碳减排与空气质量改善协同[J]. 环境科学, 2024, 45(3): 1274-1284. Li N, Liu W W, Zhu S H, et al. Coordinated control of carbon emission reduction and air quality improvement in the industrial sector in Hunan province[J]. Environmental Science, 2024, 45(3): 1274-1284.
[10]	张鸿宇, 王媛, 郝成亮, 等. 双碳约束下煤化工行业节煤降碳减污协同[J]. 环境科学, 2023, 44(2): 1120-1127. Zhang H Y, Wang Y, Hao C L, et al. Coal-carbon-pollutant coordinated control of coal chemical industry under carbon peak and carbon neutrality constraints[J]. Environmental Science, 2023, 44(2): 1120-1127.
[11]	吴琼, 马昊, 任洪波, 等. 基于LEAP模型的临港新片区中长期碳排放预测及减排潜力分析[J]. 环境科学, 2024, 45(2): 721-731. Wu Q, Ma H, Ren H B, et al. Medium and long-term carbon emission projections and emission reduction potential analysis of the Lingang Special Area based on the LEAP model[J]. Environmental Science, 2024, 45(2): 721-731.
[12]	Su X, Shao W W, Liu J H, et al. How does sponge city construction affect carbon emission from integrated urban drainage system?[J]. Journal of Cleaner Production, 2022, 363. DOI:10.1016/j.jclepro.2022.132595
[13]	Zhao X G, Lu W J, Wang W, et al. The impact of carbon emission trading on green innovation of China's power industry[J]. Environmental Impact Assessment Review, 2023, 99. DOI:10.1016/j.eiar.2023.107040
[14]	Wu X, Zhou S L, Xu G W, et al. Research on carbon emission measurement and low-carbon path of regional industry[J]. Environmental Science and Pollution Research, 2022, 29(60): 90301-90317. DOI:10.1007/s11356-022-22006-y
[15]	房琪, 李绍萍. 碳交易政策如何影响工业碳生产率: 来自中国省级数据的准自然实验[J]. 环境科学, 2023, 44(5): 2983-2994. Fang Q, Li S P. How do carbon trading policies affect industrial carbon productivity: Quasi-natural experiments from Chinese provincial data[J]. Environmental Science, 2023, 44(5): 2983-2994.
[16]	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. DOI:10.1016/j.scitotenv.2022.158613
[17]	Bai C Q, Zhou L, Xia M L, et al. Analysis of the spatial association network structure of China's transportation carbon emissions and its driving factors[J]. Journal of Environmental Management, 2020, 253. DOI:10.1016/j.jenvman.2019.109765
[18]	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[J]. 经济地理, 2023, 43(2): 190-200. 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[J]. Economic Geography, 2023, 43(2): 190-200.
[19]	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.
[20]	甘畅, 王凯. 中国省际服务业碳排放空间网络结构及其驱动因素[J]. 环境科学研究, 2022, 35(10): 2264-2272. Gan C, Wang K. Provincial spatial network structure of carbon emissions from service industry and driving factors in China[J]. Research of Environmental Sciences, 2022, 35(10): 2264-2272.
[21]	郑航, 叶阿忠. 空间关联网络结构特征的减排效应: 基于城市群视角[J]. 环境科学, 2022, 43(10): 4401-4407. Zheng H, Ye A Z. Carbon emission reduction effect of spatial correlation network structure characteristics: From the perspective of urban agglomeration[J]. Environmental Science, 2022, 43(10): 4401-4407.
[22]	罗泓然, 周启刚, 李辉, 等. 基于社会网络分析法的土地利用碳收支空间关联关系演变: 以重庆主城都市区为例[J]. 环境科学, 2024, 45(9): 5003-5014. Luo H R, Zhou Q G, Li H, et al. Spatial correlation of land use carbon budget based on social network analysis: A case study of Chongqing metropolitan area[J]. Environmental Science, 2024, 45(9): 5003-5014.
[23]	丁乙, 尹剑, 姜洪涛, 等. 珠三角碳达峰系统动力学预测[J]. 环境工程, 2023, 41(7): 22-29. Ding Y, Yin J, Jiang H T, et al. System dynamics prediction of carbon peaking in Pearl RIver Delta[J]. Environmental Engineering, 2023, 41(7): 22-29.
[24]	Zhang B, Yin J, Jiang H T, et al. Multi-source data assessment and multi-factor analysis of urban carbon emissions: A case study of the Pearl River Basin, China[J]. Urban Climate, 2023, 51. DOI:10.1016/j.uclim.2023.101653
[25]	Miller G J, Novan K, Jenn A. Hourly accounting of carbon emissions from electricity consumption[J]. Environmental Research Letters, 2022, 17(4). DOI:10.1088/1748-9326/ac6147
[26]	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.
[27]	Yu Z Q, Chen L Q, Tong H X, et al. Spatial correlations of land-use carbon emissions in the Yangtze River Delta region: A perspective from social network analysis[J]. Ecological Indicators, 2022, 142. DOI:10.1016/j.ecolind.2022.109147
[28]	Liu S N, Xiao Q T. An empirical analysis on spatial correlation investigation of industrial carbon emissions using SNA-ICE model[J]. Energy, 2021, 224. DOI:10.1016/j.energy.2021.120183
[29]	袁伟彦, 方柳莉, 罗明. 中国工业碳排放驱动因素及其脱钩效应——基于时变参数C-D生产函数的分解和测算[J]. 资源科学, 2022, 44(7): 1422-1434. Yuan W Y, Fang L L, Luo M. Driving factors of China's industrial carbon emissions and their decoupling effect: Decomposition and calculation of C-D production function based on time-varying parameters[J]. Resources Science, 2022, 44(7): 1422-1434.
[30]	刘朝, 王梓林, 原慈佳. 结构视域下自主技术创新对工业碳排放的影响及趋势预测[J]. 中国人口·资源与环境, 2022, 32(7): 12-21. Liu Z, Wang Z L, Yuan C J. Impact of independent technological innovation on industrial carbon emissions and trend prediction from the perspective of structure[J]. China Population Resources and Environment, 2022, 32(7): 12-21.
[31]	戴胜利, 张维敏. 中部六省工业碳排放影响效应及其变化趋势分析[J]. 工业技术经济, 2022, 41(4): 152-160. Dai S L, Zhang W M. A comparative study on the effect and change trend of industrial carbon emissions in six provinces of Central China[J]. Journal of Industrial Technological Economics, 2022, 41(4): 152-160.
[32]	Bruner M W, Mclaren C D, Mertens N, et al. Identity leadership and social identification within sport teams over a season: A social network analysis[J]. Psychology of Sport and Exercise, 2022, 59. DOI:10.1016/j.psychsport.2021.102106
[33]	黄寰, 何广, 肖义. 低碳城市试点政策的碳减排效应[J]. 资源科学, 2023, 45(5): 1044-1058. Huang H, He G, Xiao Y. Carbon emission reduction effect of the low-carbon city construction pilot program[J]. Resources Science, 2023, 45(5): 1044-1058.
[34]	Lu P, Li Z H, Wen Y, et al. Fresh insights for sustainable development: Collaborative governance of carbon emissions based on social network analysis[J]. Sustainable Development, 2023, 31(3): 1873-1887.
[35]	Xia R C, Wei D Q, Jiang H T, et al. Study on the coupling coordination development of China's multidimensional digital economy and industrial carbon emission efficiency[J]. Environmental Science and Pollution Research, 2023, 30(53): 114201-114221.
[36]	Li Z, Chen X D, Ye Y Y, et al. The impact of digital economy on industrial carbon emission efficiency at the city level in China: Gravity movement trajectories and driving mechanisms[J]. Environmental Technology & Innovation, 2024, 33. DOI:10.1016/j.eti.2023.103511


环境科学 2024, Vol. 45 Issue (12): 6806-6817	PDF