2025, Vol. 46
2. 太原师范学院碳中和研究院, 晋中 030619;
3. 太原师范学院汾河流域地表过程与资源生态安全山西省重点实验室, 晋中 030619;
4. 中国科学院生态环境研究中心, 城市与区域生态国家重点实验室, 北京 100085
, REN Xiao-yu1,3 , YANG Jie1,3 , LI Zong-shan4
, LIANG Hai-bin1,2,3 , ZHAO Rui-dong1,2,3 , GONG Lei1,3
2. Institute of Carbon Neutrality, Taiyuan Normal University, Jinzhong 030619, China;
3. Shanxi Key Laboratory of Earth Surface Processes and Resource Ecological Security in Fenhe River Basin, Taiyuan Normal University, Jinzhong 030619, China;
4. State Key Laboratory of Urban and Regional Ecology, Research Center for Eco-Environmental Sciences, Chinese Academy of Sciences, Beijing 100085, China
工业发展支撑了经济增长, 同时也产生了大量的碳排放, 经济增长和碳排放的相互关联对于区域可持续发展具有重要影响. 黄河流域是我国规模最大的能源原材料工业基地, 在全国经济社会发展格局中占据重要地位[1, 2], 对基础工业和能源安全保障发挥着重要作用, 但倚煤倚能的经济发展方式使其成为我国碳排放的主要区域之一. 重点碳排放企业是黄河流域经济活动的重要碳排放来源, 从区位视角厘清其空间分布特征及影响机制, 有利于明晰区域的碳排放空间差异, 为“碳达峰、碳中和”战略目标（简称“双碳”目标）下的区域差异化控碳、降碳工作提供数据基础.
以“双碳”目标为指引, 相关学者基于地理学、生态学和经济学等不同学科视角探讨了碳排放的时空演变和影响机制, 采用标准差椭圆[3~5]、核密度估计[4]和空间自相关[5~11]等空间分析方法揭示了不同区域的碳排放空间分布特征, 并从经济发展水平[12, 13]、产业结构[14]和技术创新[8]等方面分析了区域碳排放增长的作用机制, 同时也对不同区域的减排政策[15, 16]、碳排放预测[17~19]和碳排放权交易[20, 21]等内容给予了关注. 随着黄河流域生态保护和高质量发展上升为国家战略, 以碳减排为目标的流域治理成为解决区域发展问题的重要突破口[7], 在黄河流域“双碳”目标要求下, 学者们采用碳排放清单法[22, 23]、IPCC温室气体排放系数法[24, 25]和夜间灯光数据反演法[7, 8]等方法测算了黄河流域碳排放量, 从碳源与碳汇[24, 26]、碳收支与碳补偿[27]、碳足迹与碳转移[22, 28]和碳减排成效[29]等方面在黄河流域开展研究并取得了丰富的研究成果. 此外, 已有研究从工业部门[9]、能源消费[7, 25]和土地利用[5, 23]等方面分析了黄河流域碳排放的时空演化特征与影响因素, 并在省域[8, 9]和市域[26]等多尺度下证实黄河流域碳排放具有明显的空间差异. 然而, 现有研究多以测度值表示区域碳排放水平, 较少关注经济活动碳排放源头的空间特征识别, 以及企业区位选择与地理环境的相互关系.
基于此, 本文构建了黄河流域重点碳排放企业空间点数据库, 研究其在地理空间上的集聚形态和空间分布特征, 从经济发展的基础条件、要素条件和便利条件探究其分布的影响机制, 通过丰富经济地理学在黄河流域生态保护和高质量发展中的应用, 以期为黄河流域控碳、降碳目标实现提供数据支撑.
1 材料与方法 1.1 研究区概况据《黄河流域综述》（《黄河志》卷二）, 黄河流域含9省（区）、69个地区（州、盟、市）（图 1）. 同时, 黄河流域亦是我国重要的能源供给区和消费区, 是我国开展减排降碳工作的“桥头堡”[30]. 至2020年, 黄河流域69个地区（州、盟、市）生产总值为13.43万亿元, 占全国13.25%；黄河流域九省（区）原煤、原油、天然气等一次能源生产总量达25.11亿t, 占全国61.54%；能源消费量达16.34亿t, 占全国32.81%.
|
图 1 黄河流域范围示意 Fig. 1 Division of the scope of the Yellow River Basin |
依据中华人民共和国生态环境部印发的《关于做好2022年企业温室气体排放报告管理相关重点工作的通知》（环办气候〔2022〕111号）, 本文划定造纸、石化、化工、建材、钢铁、有色、发电和民航等行业中的8个大类、32个小类作为筛选重点碳排放企业的行业范围（表 1）. 同时, 利用天眼查平台（https://www.tianyancha.com）统计行业下属的重点碳排放企业数据, 按照生产过程和产品特性从全行业样本中剔除经营范围仅存在销售类型的样本. 据此, 共筛选出48 756家重点碳排放企业, 其中, 截至2020年存续且在营的重点碳排放企业共30 623家. 将企业地址通过百度地图API接口查询并转化为企业经纬度坐标, 构建重点碳排放企业空间点位数据库. 黄河流域社会经济发展数据来源于《中国城市统计年鉴》及各省、市统计年鉴、统计公报和政府工作报告, 部分缺失数据采用插值法插补.
|
表 1 重点碳排放行业范围1） Table 1 Scope of major carbon emission industries |
本文从省域尺度对2001~2020年黄河流域九省（区）重点碳排放企业展开研究, 相较于流域尺度能细致展现黄河流域重点碳排放企业空间分布特征. 基于此, 本文依据典型政策制定时间节点（图 2）, 选取2001年、2005年、2009年、2015年和2020年作为特征年份, 各特征年份重点碳排放企业保留本特征年份之前经营状态为存续和在营的企业.
|
图 2 典型政策制定时间节点 Fig. 2 Time points of the typical policy formulation |
标准差椭圆（standard deviational ellipse, SDE）是一种表征地理要素空间分布方向性的分析方法, 包括平均中心、方位角、长轴和短轴这4个基本要素, 能够从重心、展布范围、密集性和形状等多角度反映地理要素整体的空间分布特征及发展态势. SDE的主要计算公式为[31, 32]：
平均中心：
|
(1) |
|
(2) |
方位角：
|
(3) |
式中：
x轴标准差：
|
(4) |
y轴标准差：
|
(5) |
式中, (xi，yi)表示每个地理要素的空间位置；wi表示权重；（x，y）表示地理要素分布的加权平均中心；θ表示正北方向顺时针旋转到椭圆长轴的角度；
运用ArcGIS 10.7的方向分布和平均中心工具, 可以准确分析黄河流域重点碳排放企业的空间分布方向性特征.
1.3.2 核密度估计基于地理学第一定律, 核密度估计（kernel density estimation, KDE）认为可以用事件密度识别和分析地理事件的空间点模式. KDE作为一种常用的非参数估计方法, 可以从数据样本出发, 通过计算地理要素在其邻域中的密度, 反映空间点要素的分布特征, 其计算公式为[33~35]：
|
(6) |
式中, k ()表示核函数；h表示带宽且大于0；(x - xi)表示估计点x到数据点xi处的距离.
运用ArcGIS 10.7的核密度分析工具, 分别识别了黄河流域各省（区）重点碳排放企业的集聚低值区、较低值区、中值区、较高值区和高值区, 由此确定黄河流域重点碳排放企业集聚形态的时空变化特征.
1.3.3 Ripley's K函数Ripley's K函数（Ripley's K function）用以分析任意尺度点状地物的空间分布格局. Ripley's K函数按照一定的搜索半径来统计点的数量, 从而确定在任意距离范围内要素是否具有显著性聚类或离散特征, 其计算公式为[31, 34]：
|
(7) |
式中, A表示研究区面积；n表示点状地物个数；wij (d)表示在距离d范围内点状地物i与j之间的距离.
为保持方差稳定以及结果便于解释, 用L（d）替换K（d）, 并对K（d）作开平方转换, 其计算公式为：
|
(8) |
式中, L（d）与距离d的关系可用来检测依赖于尺度d的重点碳排放企业空间分布格局. 其中, L（d） > 0表示企业集聚分布；L（d）=0表示企业随机分布；L（d） < 0表示企业扩散分布.
本文运用ArcGIS 10.7的多距离空间聚类分析工具, 探索黄河流域重点碳排放企业集聚程度与距离尺度的关系.
1.3.4 面板数据回归模型面板数据具有时间和空间双重属性, 利用面板数据进行影响因素回归分析可以有效克服多重共线性对序列的干扰, 并可以从动态视角对个体差异加以研究. 面板数据回归模型的一般形式如下：
|
(9) |
式中, i=1, 2, …, N, 表示N个个体；t=1, 2, …, T, 表示T个时间节点；；yit表示被解释变量对第i个个体在t时间节点的观测值；xkit表示第k个非随机解释变量对第i个个体在t时间节点的观测值；βki表示第k个非随机解释变量对第i个个体的待估计参数；uit表示第i个个体在t时间节点的随机误差.
（1）变量选取与回归模型构建 在“双碳”目标背景下, 本文根据影响企业区位选择的基础条件、要素条件和便利条件, 结合已有研究成果[36, 37], 将重点碳排放企业数量（TCN）作为被解释变量；将经济发展水平（EDL）、产业结构（IS）、劳动力水平（LF）、科技创新水平（TIL）、投资强度水平（II）、对外开放程度（OPEN）和交通运输能力（TC）作为解释变量, 剔除青海省海东市等7个缺失数据市（州）, 建立如下面板数据回归模型（表 2）.
|
(10) |
|
|
表 2 回归模型变量选取 Table 2 Variable selection of regression model |
（2）模型设定检验 对原始数据进行单位根检验、协整检验, 确定数据序列平稳或存在协整关系, 分别建立基于面板数据的混合效应模型、固定效应模型和随机效应模型. 对混合效应模型和固定效应模型做似然比（likelihood radio, LR）检验, 检验值为51.604 6, P值为0, 故拒绝混合效应模型原假设, 应选用固定效应模型；对随机效应模型和固定效应模型做豪斯曼检验（hausman test）, 检验值为89.903 7, P值为0, 故拒绝随机效应模型原假设, 应选用固定效应模型. 因此, 本文选择固定效应模型分析黄河流域重点碳排放企业空间分布的影响因素.
2 结果与分析 2.1 重点碳排放企业空间分布演化2001~2020年, 黄河流域重点碳排放企业数量由1 677个增长到30 623个, 增长17.26倍；青、川、甘、宁、蒙、晋、陕、豫和鲁这9省（区）重点碳排放企业标准差椭圆面积呈扩大趋势, 分别扩大了57 283、28 000、10 019、3 630、25 281、9 724、30 434、6 416和2 467 km2, 增长率分别为63.89%、496.66%、10.70%、21.09%、34.77%、16.74%、61.57%、28.44%和6.66%, 表明其分布范围有所扩张. 从标准差椭圆扩张方向来看, 黄河流域九省（区）重点碳排放企业空间分布均呈现向单一方向的持续或波动偏移. 具体来看, 青、川两省重点碳排放企业空间分布呈“东南-西北”趋向, 其重心分别位于海南藏族自治州和阿坝藏族羌族自治州；重点碳排放企业空间分布在甘肃省呈“西北-东南-西北”变化, 其重心由兰州市逐渐向定西市转移；宁夏回族自治区则表现为“东北-西南-东北”变化趋势, 并且大多以银川市为空间分布重心；晋、蒙两省（区）重点碳排放企业空间分布总体趋向“西南-东北”方向, 其中山西省的重心由长治市转移至晋中市, 内蒙古自治区的重心则位于鄂尔多斯市；陕西省重点碳排放企业空间分布呈“西南-东北-西南”变化, 其重心由咸阳市转移至铜川市；豫、鲁两省则表现为“东北-西南-东北”变化, 其重心分别位于焦作市和济南市（图 3）.
|
图 3 黄河流域重点碳排放企业空间分布方向性趋势 Fig. 3 Directional trend of spatial distribution of major carbon emission enterprises in the Yellow River Basin |
2001~2020年, 黄河流域重点碳排放企业近黄河干、支流集聚, 除四川省重点碳排放企业集聚范围持续扩大外, 其余八省（区）重点碳排放企业集聚范围均呈现先扩大后缩小的趋势, 但空间集聚形态不一, 形成“单中心-多区”“单中心-连片”“多中心-多区”“多中心-连片”这4种空间集聚形态. 到2020年, 黄河流域各省（区）重点碳排放企业基本形成以省会或都市圈城市区域为核心、多区域小范围集聚的格局（图 4）.
|
图 4 黄河流域重点碳排放企业集聚形态 Fig. 4 Agglomeration pattern of major carbon emission enterprises in the Yellow River Basin |
从各省（区）重点碳排放企业集聚形态来看, 青海省始终呈现“单中心-多区”集聚形态, 其集聚中心位于西宁市与海东市交界；四川省由“多中心-多区”集聚形态转变为“单中心-多区”集聚形态, 其集聚中心逐渐稳定在阿坝州与成都市、绵阳市交界；甘肃省呈现“多中心-多区”与“单中心-连片”交替状态, 后形成“单中心-多区”集聚形态, 其集聚中心位于兰州市；宁夏回族自治区大部分时段均呈现“单中心-多区”集聚形态, 其集聚中心在研究期末位于银川市；内蒙古自治区集聚形态经历了“单中心-连片”到“多中心-连片”再到“多中心-多区”的转变, 最终形成“呼包”双中心；晋、豫两省集聚形态均呈现“多中心-多区”到“多中心-连片”再到“单中心-多区”的演变过程, 其集聚中心分别位于太原市和郑州市；陕西省集聚形态呈现“单中心-连片”到“单中心-多区”的转变, 其集聚中心始终位于西安市；山东省重点碳排放企业集聚形态由“单中心-连片”“多中心-多区”逐渐转变为“单中心-多区”, 其集聚中心由淄博市转移到聊城市.
2.3 重点碳排放企业集聚空间演变2001~2020年, 不同观测距离下黄河流域九省（区）重点碳排放企业集聚程度不同, 当观测k值大于预期k值且二者差异最大时, 重点碳排放企业集聚程度最高. 随距离的增加, 黄河流域九省（区）重点碳排放企业集聚程度先增强后减弱, 其中青、甘、陕和豫这4省呈现典型的倒“U”型趋势；随时间的推移, 青、川、蒙和豫这4省（区）重点碳排放企业集聚程度总体增强, 甘、宁、陕、晋和鲁这5省（区）重点碳排放企业集聚程度总体减弱. 当重点碳排放企业集聚程度最高时, 青、川、甘、宁、蒙、晋、陕、豫和鲁这9省（区）的距离区间分别为58~123、4~46、28~97、30~64、26~176、33~51、68~102、74~82和48~106 km（图 5）.
|
图 5 黄河流域9省（区）重点碳排放企业不同距离尺度下的集聚程度 Fig. 5 Agglomeration degree of major carbon emission enterprises in nine provinces (districts) of the Yellow River Basin under different distance scales |
从回归系数结果来看, 各解释变量均通过显著性检验, 且影响程度由大到小依次为：经济发展水平（1.05）、产业结构（-0.76）、劳动力水平（-0.24）、投资强度水平（0.15）、对外开放水平（0.05）、交通运输能力（0.03）和科技创新水平（-0.01）；从影响因素作用方向来看, 经济发展水平、投资强度水平、对外开放水平和交通运输能力与重点碳排放企业数量呈正相关关系；产业结构、劳动力水平和科技创新水平与重点碳排放企业数量呈负相关关系, 各影响因素作用方向与预期结果相符. 从影响企业区位选择的3类条件来看, 基础条件（0.29）占主导地位且正向影响重点碳排放企业数量, 要素条件（-0.10）次之, 对重点碳排放企业数量增长具有抑制作用, 便利条件（0.08）对重点碳排放企业数量的影响最小（表 3）.
|
|
表 3 面板数据回归结果1） Table 3 Results of panel data regression |
3 讨论
作为我国重要的能源、化工、原材料和基础工业基地, 黄河流域产业多以高污染、高耗水、高能耗的传统产业为主, 而重点碳排放企业则构成了流域传统产业的主体. 黄河流域重点碳排放企业整体上呈现出“上游最少、中游次之、下游最多”的分布格局. 黄河流域重点碳排放企业向心集聚形成以省会或都市圈城市区域为核心的空间分布特征, 便于省会城市发挥较强的管控能力和政府引导、服务职能, 可以有效进行“高排放、低效率”类型企业的治理[38]；同时, 外围分散分布趋势增强形成的多区域小范围集聚的空间分布特征可降低各区域的减排压力, 将碳减排目标分解到各个区域并加强其联动关系[39]. 为促进“双碳”目标下更好实施管控政策, 要顺应重点碳排放企业分布演变趋向规律, 以企业向心集聚和外围分散形成的便于碳排放管理的区域为空间指向, 集聚区和分散区管控并重[40, 41].
经济发展水平和产业结构作为基础条件, 是黄河流域重点碳排放企业区位选择的必备条件. 人均GDP增长标志区域经济发展水平提高, 是区域经济发展的基础, 对区域碳排放增加[5~8]、黄河流域重点碳排放企业数量增长的作用最显著；产业结构在1%的水平下与重点碳排放企业空间分布显著负相关, 第二产业占GDP比例每上升1%, 重点碳排放企业数量下降0.76%. 第二产业占GDP比例上升反映了更加激烈的企业竞争, 比例下降反映了本地区工业规模的缩减, 抑制重点碳排放企业数量增长. 劳动力、资本和技术作为要素条件, 在企业的经济活动区位选择中发挥重要作用. 固定资产投资在供给方面有利于重点碳排放企业生产能力提升和新企业建立, 在需求方面有利于市场需求增加, 是碳排放增长的决定因素[14], 促进黄河流域重点碳排放企业数量增长；科技创新水平在1%的水平下与重点碳排放企业空间分布显著负相关, 科技支出占GDP比例每提高1%, 重点碳排放企业数量减少0.01%. 发挥科技创新在黄河流域的深层作用有利于区域生产方式演进和变革, 促进工业结构转型和高新技术产业等新业态形成, 同时引发产业间劳动转移, 从而有效降低碳排放、抑制黄河流域重点碳排放企业数量增长[8, 42]. 对外开放水平与交通运输能力作为便利条件, 可促进重点碳排放企业数量增长. 贸易开放度不断提升, 为黄河流域重点碳排放企业带来更加广阔的国际市场；加之交通运输能力提高有效促进区域内外产品和要素流通, 从而刺激黄河流域重点碳排放企业数量增长. 黄河流域在全国经济社会发展中的重要地位和依赖资源与基础产业的发展传统, 共同决定了本区域在短期内无法摆脱经济发展对重点碳排放企业的依赖[43], 尤其是拥有较高经济发展水平、对外开放水平、投资水平和交通运输能力的黄河下游地区更易促进重点碳排放企业集聚. 因此, 合理调控区域基础条件和便利条件以强化空间引导和发展引导, 优化对控碳、降碳有利的要素配置[44], 分区域和分类别做好企业落位指引, 以达到区域结构调整目的[44, 45]；对于创新作用尚不充分的黄河流域, 强化创新带动增效减排是未来降碳工作的重要方向[46].
4 结论（1）黄河流域各省（区）重点碳排放企业空间分布趋向单一方向持续或波动扩张, 向心集聚叠加外围分散分布趋势增强, 形成以省会或都市圈城市区域为中心、周围小范围分区集聚的“单中心-多区”或“多中心-多区”空间形态特征, 从而有利于“双碳”目标下差异化调控政策的落实.
（2）从影响企业区位选择的3类条件来看, 基础条件是影响黄河流域重点碳排放企业空间分布的主导因素, 便利条件有利于黄河流域重点碳排放企业发展, 要素条件则成为未来引导黄河流域重点碳排放企业合理增长的关键. 从产业结构和科技创新水平因素的显著负相关结果来看, 调结构和促创新应是未来黄河流域控碳和降碳的重要发力点.
| [1] |
陆大道, 孙东琪. 黄河流域的综合治理与可持续发展[J]. 地理学报, 2019, 74(12): 2431-2436. Lu D D, Sun D Q. Development and management tasks of the Yellow River Basin: a preliminary understanding and suggestion[J]. Acta Geographica Sinica, 2019, 74(12): 2431-2436. DOI:10.11821/dlxb201912001 |
| [2] |
安树伟, 李瑞鹏. 黄河流域高质量发展的内涵与推进方略[J]. 改革, 2020(1): 76-86. An S W, Li R P. Intension and promotion strategy of high-quality development in the Yellow River Basin[J]. Reform, 2020(1): 76-86. |
| [3] |
陈靖松, 张建军, 李金龙, 等. 京津冀地区碳排放时空格局变化及其驱动因子[J]. 生态学报, 2024, 44(6): 2270-2283. Chen J S, Zhang J J, Li J L, et al. Spatio-temporal pattern of carbon emissions and its driving factors in the Beijing-Tianjin-Hebei region[J]. Acta Ecologica Sinica, 2024, 44(6): 2270-2283. |
| [4] |
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. 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. |
| [5] |
马远, 刘真真. 黄河流域土地利用碳排放的时空演变及影响因素研究[J]. 生态经济, 2021, 37(7): 35-43. Ma Y, Liu Z Z. Study on the spatial-temporal evolution and influencing factors of land use carbon emissions in the Yellow River Basin[J]. Ecological Economy, 2021, 37(7): 35-43. |
| [6] | Wang X P, Shen Y S, Su C. Spatial-temporal evolution and driving factors of carbon emission efficiency of cities in the Yellow River Basin[J]. Energy Reports, 2023, 9: 1065-1070. DOI:10.1016/j.egyr.2022.12.004 |
| [7] |
杜海波, 魏伟, 张学渊, 等. 黄河流域能源消费碳排放时空格局演变及影响因素——基于DMSP/OLS与NPP/VIIRS夜间灯光数据[J]. 地理研究, 2021, 40(7): 2051-2065. Du H B, Wei W, Zhang X Y, et al. Spatio-temporal evolution and influencing factors of energy-related carbon emissions in the Yellow River Basin: based on the DMSP/OLS and NPP/VIIRS nighttime light data[J]. Geographical Research, 2021, 40(7): 2051-2065. |
| [8] |
高新才, 韩雪. 黄河流域碳排放的空间分异及影响因素研究[J]. 经济经纬, 2022, 39(1): 13-23. Gao X C, Han X. Study on the spatial differentiation and influencing factors of carbon emissions in the Yellow River Basin[J]. Economic Survey, 2022, 39(1): 13-23. |
| [9] |
王喜莲, 屈丽航. 黄河流域工业碳排放时空演化特征及影响因素[J]. 环境科学, 2024, 45(10): 5613-5623. Wang X L, Qu L H. Spatiotemporal evolution characteristics and influencing factors of industrial carbon emissions in the Yellow River Basin[J]. Environmental Science, 2024, 45(10): 5613-5623. |
| [10] | Zhang L Y, Weng D W, Xu Y N, et al. Spatio-temporal evolution characteristics of carbon emissions from road transportation in the mainland of China from 2006 to 2021[J]. Science of the Total Environment, 2024, 917. DOI:10.1016/J.SCITOTENV.2024.170430 |
| [11] |
郝瑞军, 魏伟, 刘春芳, 等. 中国能源消费碳排放的空间化与时空动态[J]. 环境科学, 2022, 43(11): 5305-5314. Hao R J, Wei W, Liu C F, et al. Spatialization and spatio-temporal dynamics of energy consumption carbon emissions in China[J]. Environmental Science, 2022, 43(11): 5305-5314. |
| [12] | Wei M, Cai Z, Song Y, et al. Spatiotemporal evolutionary characteristics and driving forces of carbon emissions in three Chinese urban agglomerations[J]. Sustainable Cities and Society, 2024, 104. DOI:10.1016/J.SCS.2024.105320 |
| [13] |
李梓赫, 周冬梅, 江晶, 等. 甘肃省土地利用碳排放时空演变特征及影响因素[J]. 环境科学, 2024, 45(9): 5040-5048. Li Z H, Zhou D M, Jiang J, et al. Spatial and temporal evolution characteristics of carbon emission from land use and influencing factors in Gansu Province[J]. Environmental Science, 2024, 45(9): 5040-5048. |
| [14] | Wang S J, Liu X P. China's city-level energy-related CO2 emissions: spatiotemporal patterns and driving forces[J]. Applied Energy, 2017, 200: 204-214. |
| [15] | Xu Q Q, Xu P, Bao C K. Multifaceted pathways of carbon emission reduction policies: a study based on the decoupling effect and fsQCA method in the Yangtze River Delta Urban Agglomeration[J]. Sustainability, 2023, 15(18). DOI:10.3390/SU151813745 |
| [16] | Chu Z P, Li X Y, Bian C, et al. An actor-network theory analysis and modelling of carbon reduction policy coordination in China: a collaborative environmental governance perspective[J]. Journal of Cleaner Production, 2024, 442. DOI:10.1016/J.JCLEPRO.2024.140966 |
| [17] |
王少剑, 高爽, 黄永源, 等. 基于超效率SBM模型的中国城市碳排放绩效时空演变格局及预测[J]. 地理学报, 2020, 75(6): 1316-1330. Wang S J, Gao S, Huang Y Y, et al. Spatio-temporal evolution and trend prediction of urban carbon emission performance in China based on super-efficiency SBM model[J]. Acta Geographica Sinica, 2020, 75(6): 1316-1330. |
| [18] |
苗安康, 袁越, 吴涵, 等. 中国省域碳达峰路径与政策[J]. 环境科学, 2023, 44(8): 4623-4636. Miao A K, Yuan Y, Wu H, et al. Pathway and policy for China's provincial carbon emission peak[J]. Environmental Science, 2023, 44(8): 4623-4636. |
| [19] |
徐琼, 程慧, 钟美瑞. 中国旅游业碳排放效率趋同演变及其趋势预测[J]. 生态学报, 2023, 43(9): 3417-3429. Xu Q, Cheng H, Zhong M R. Convergent evolution and trend prediction of carbon emission efficiency in China's tourism industry[J]. Acta Ecologica Sinica, 2023, 43(9): 3417-3429. |
| [20] |
范丹, 王维国, 梁佩凤. 中国碳排放交易权机制的政策效果分析——基于双重差分模型的估计[J]. 中国环境科学, 2017, 37(6): 2383-2392. Fan D, Wang W G, Liang P F. Analysis of the performance of carbon emissions trading right in China——The evaluation based on the difference-in-difference model[J]. China Environmental Science, 2017, 37(6): 2383-2392. DOI:10.3969/j.issn.1000-6923.2017.06.049 |
| [21] | Yan G H, Shi Z L. A study on the impact of pilot carbon emission trading policies on corporate performance[J]. Sustainability, 2024, 16(5). DOI:10.3390/SU16052214 |
| [22] |
黄明辉, 李巍, 陆中桂, 等. 黄河流域城市群碳足迹及隐含碳转移研究[J]. 中国环境科学, 2024, 44(6): 3544-3552. Huang M H, Li W, Lu Z G, et al. Carbon footprint and embodied carbon transfer of the city clusters in the Yellow River basin[J]. China Environmental Science, 2024, 44(6): 3544-3552. DOI:10.3969/j.issn.1000-6923.2024.06.057 |
| [23] | Tian M J, Chen Z, Wang W, et al. Land-use carbon emissions in the Yellow River Basin from 2000 to 2020: spatio-temporal patterns and driving mechanisms[J]. International Journal of Environmental Research and Public Health, 2022, 19(24). DOI:10.3390/IJERPH192416507 |
| [24] | Jia L H, Wang M Y, Yang S L, et al. Analysis of agricultural carbon emissions and carbon sinks in the Yellow River Basin based on LMDI and tapio decoupling models[J]. Sustainability, 2024, 16(1). DOI:10.3390/SU16010468 |
| [25] | Zhang S M, Lv Y Z, Xu J, et al. Exploring the spatiotemporal heterogeneity of carbon emission from energy consumption and its influencing factors in the Yellow River Basin[J]. Sustainability, 2023, 15(8). DOI:10.3390/SU15086724 |
| [26] |
王敏彤, 魏伟, 颉斌斌, 等. 多尺度视角下重要生态功能区碳源/汇时空演变特征——以黄河流域为例[J]. 环境科学学报, 2024, 44(2): 477-488. Wang M T, Wei W, Jie B B, et al. Spatio-temporal evolution characteristics of carbon sources/sinks in important ecological function areas——A case study in the Yellow River Basin[J]. Acta Scientiae Circumstantiae, 2024, 44(2): 477-488. |
| [27] |
王奕淇, 甄雯青. 基于主体功能区的碳收支时空分异和碳补偿分区: 以黄河流域县域为例[J]. 环境科学, 2024, 45(9): 5015-5026. Wang Y Q, Zhen W Q. Spatiotemporal differentiation of carbon budget and carbon compensation zoning based on the plan for major function-oriented zones: a case study of counties in the Yellow River Basin[J]. Environmental Science, 2024, 45(9): 5015-5026. |
| [28] | Yuan X L, Sheng X R, Chen L P, et al. Carbon footprint and embodied carbon transfer at the provincial level of the Yellow River Basin[J]. Science of the Total Environment, 2022, 803. DOI:10.1016/J.SCITOTENV.2021.149993 |
| [29] |
崔盼盼, 张丽君, 秦耀辰, 等. 黄河流域行业碳减排成效评价[J]. 环境科学学报, 2024, 44(6): 425-438. Cui P P, Zhang L J, Qin Y C, et al. Evaluation on the effectiveness of industry emission reduction in Yellow River Basin[J]. Acta Scientiae Circumstantiae, 2024, 44(6): 425-438. |
| [30] |
张卓群, 张涛, 冯冬发. 中国碳排放强度的区域差异、动态演进及收敛性研究[J]. 数量经济技术经济研究, 2022, 39(4): 67-87. Zhang Z Q, Zhang T, Feng D F. Study on regional differences, dynamic evolution and convergence of carbon emission intensity in China[J]. The Journal of Quantitative & Technical Economics, 2022, 39(4): 67-87. |
| [31] |
贾培煜, 杨洁, 李宗善, 等. 黄河流域污染型企业空间分布特征及影响因素[J]. 生态学报, 2024, 44(14): 6067-6079. Jia P Y, Yang J, Li Z S, et al. Spatial distribution characteristics and influencing factors of polluting enterprises in the Yellow River Basin[J]. Acta Ecologica Sinica, 2024, 44(14): 6067-6079. |
| [32] |
赵璐, 赵作权. 基于特征椭圆的中国经济空间分异研究[J]. 地理科学, 2014, 34(8): 979-986. Zhao L, Zhao Z Q. Projecting the spatial variation of economic based on the specific ellipses in China[J]. Scientia Geographica Sinica, 2014, 34(8): 979-986. |
| [33] |
郑琰, 蒋雪梅, 肖玉杰. 交通运输业碳排放效率时空演变及趋势预测[J]. 环境科学, 2024, 45(4): 1879-1887. Zheng Y, Jiang X M, Xiao Y J. Spatio-temporal evolution and trend prediction of transport carbon emission efficiency[J]. Environmental Science, 2024, 45(4): 1879-1887. |
| [34] | 王劲峰, 廖一兰, 刘鑫. 空间数据分析教程[M]. ((第二版)). 北京: 科学出版社, 2019. |
| [35] |
王子峤, 李叙勇. 基于核密度估计的城市基础要素与街尘营养元素含量特征关联[J]. 环境科学, 2022, 43(2): 867-877. Wang Z Q, Li X Y. Identifying relationship between nutrient contents in road-deposited sediment and urban basic elements based on kernel density estimation[J]. Environmental Science, 2022, 43(2): 867-877. |
| [36] |
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. |
| [37] |
宋苑震, 曾坚, 王森, 等. 中国县域碳排放时空演变与异质性[J]. 环境科学, 2023, 44(1): 549-559. Song Y Z, Zeng J, Wang S, et al. Spatial-temporal evolution and heterogeneity of carbon emissions at county-level in China[J]. Environmental Science, 2023, 44(1): 549-559. |
| [38] |
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. |
| [39] |
范建双, 周琳. 中国建筑业碳排放时空特征及分省贡献[J]. 资源科学, 2019, 41(5): 897-907. Fan J S, Zhou L. Spatiotemporal distribution and provincial contribution decomposition of carbon emissions for the construction industry in China[J]. Resources Science, 2019, 41(5): 897-907. |
| [40] |
黄志基, 宋名悦, 樊正德, 等. "城市-行业"尺度下中国工业碳排放的时空演变特征及影响机制: 基于产业关联的视角[J]. 环境科学, 2025, 46(2): 647-659. Huang Z J, Song M Y, Fan Z D, et al. Spatiotemporal evolution characteristics and influencing factors of China's industrial carbon emissions at the "city-industry" Scale: from the perspective of industrial correlation[J]. Environmental Science, 2025, 46(2): 647-659. |
| [41] |
唐丽云, 陈海嵩. 关于深化生态环境分区管控制度应用的若干思考[J]. 环境污染与防治, 2023, 45(4): 583-588. Tang L Y, Chen H S. Some thoughts on deepening the application of the Eco-Environmental Zoning Control System[J]. Environmental Pollution & Control, 2023, 45(4): 583-588. |
| [42] | Dong F, Yu B L, Hadachin T, et al. Drivers of carbon emission intensity change in China[J]. Resources, Conservation and Recycling, 2018, 129: 187-201. |
| [43] |
谢和平, 任世华, 谢亚辰, 等. 碳中和目标下煤炭行业发展机遇[J]. 煤炭学报, 2021, 46(7): 2197-2211. Xie H P, Ren S H, Xie Y C, et al. Development opportunities of the coal industry towards the goal of carbon neutrality[J]. Journal of China Coal Society, 2021, 46(7): 2197-2211. |
| [44] |
王钰冰, 郭凯明. 双循环视角下供需结构转型与碳减排效应[J]. 数量经济技术经济研究, 2024, 41(7): 197-216. Wang Y B, Guo K M. Structural transformation in supply and demand and carbon emission reduction effect from the perspective of dual circulation[J]. Journal of Quantitative & Technological Economics, 2024, 41(7): 197-216. |
| [45] |
靳玮, 王弟海, 张林. 碳中和背景下的中国经济低碳转型: 特征事实与机制分析[J]. 经济研究, 2022, 57(12): 87-103. Jin W, Wang D H, Zhang L. China's low-carbon economic transitions towards carbon neutrality: characteristics and mechanisms[J]. Economic Research Journal, 2022, 57(12): 87-103. |
| [46] |
周清香, 何爱平. 数字经济赋能黄河流域高质量发展[J]. 经济问题, 2020(11): 8-17. Zhou Q X, He A P. High quality development of the Yellow River Basin empowered by digital economy[J]. On Economic Problems, 2020(11): 8-17. |