环境科学  2025, Vol. 46 Issue (5): 2852-2864   PDF    
引用本文
闫丹, 黄少轩, 何佳乐, 张万力. 数字经济对区域碳排放空间关联网络结构的作用机制及优化策略[J]. 环境科学, 2025, 46(5): 2852-2864.
YAN Dan, HUANG Shao-xuan, HE Jia-le, ZHANG Wan-li. Formation Mechanism of Digital Economy on the Spatial Correlation Network Structure in Carbon Emission and Its Optimization Strategy[J]. Environmental Science, 2025, 46(5): 2852-2864.
数字经济对区域碳排放空间关联网络结构的作用机制及优化策略
闫丹1, 黄少轩1, 何佳乐1, 张万力2     
1. 浙江工业大学公共管理学院, 杭州 310023;
2. 浙江工业大学经济学院, 杭州 310023
收稿日期: 2024-03-26; 修订日期: 2024-07-15
基金项目: 教育部人文社会科学青年基金项目（21YJC630152）；浙江省自然科学基金探索项目（LY22G030009）；浙江省属高校基本科研业务费专项（GB202302002）；浙江工业大学人文社会科学研究基金项目（SKY⁃ZX⁃20240026）
作者简介: 闫丹（1989~）, 女, 博士, 硕士生导师, 副教授, 主要研究方向为资源环境经济与政策, E-mail：yandan1718@163.com
通信作者: 张万力，E-mail：wlz107@163.com
摘要: 数字经济发展打破了传统生产联系中的“时空壁垒”, 使得碳排放的跨区域空间流动更加广泛. 基于2010~2021的省级面板数据, 采用社会网络分析法揭示区域碳排放空间关联网络结构及其时空演化规律, 构建QAP模型从基础设施效应、结构优化效应、技术创新效应及资源配置效应阐释数字经济发展对关联网络的作用机制. 结果表明：①从分布格局来看, 全国碳排放的空间关联呈现“多中心驱动”的网络结构形态, 由南到北, 由东往西关联数逐渐增强, 以江苏、浙江和山东为主要关联节点. ②北京、天津、上海和浙江等省市为网络的中心行动者, 属于“净受益”板块, 对其他地区形成“虹吸效应”, 在关联网络中发挥主导作用. ③数字经济水平、邻接关系、环境规制和政商关系是促进碳排放空间关联网络形成的共同驱动因素. ④从数字经济的影响机制来看, 数字普惠金融差异、数字创新应用差异和数字基础设施差异的增大引致了碳排放“千头万绪”的多维空间联动, 数字产业发展鸿沟越大, 越不利于省际间碳排放网络结构的形成.
关键词: 数字经济      碳排放      空间关联网络      聚类特征      省际协同     
Formation Mechanism of Digital Economy on the Spatial Correlation Network Structure in Carbon Emission and Its Optimization Strategy
YAN Dan1 , HUANG Shao-xuan1 , HE Jia-le1 , ZHANG Wan-li2     
1. School of Public Administration, Zhejiang University of Technology, Hangzhou 310023, China;
2. School of Economics, Zhejiang University of Technology, Hangzhou 310023, China
Abstract: The development of the digital economy has broken the "spatiotemporal barriers" in traditional production connections, leading to more extensive cross-regional spatial flows of carbon emissions. Based on provincial panel data from 2010 to 2021, this study uses social network analysis to reveal the structure and spatiotemporal evolution of regional carbon emission spatial correlation networks. A QAP model is constructed to explain the mechanisms by which digital economy development influences these networks through infrastructure effects, structural optimization effects, technological innovation effects, and resource allocation effects. The results showed that: ① In terms of distribution patterns, the spatial correlation of national carbon emissions exhibited a "multi-center driven" network structure, with connections strengthening from south to north and east to west, with Jiangsu, Zhejiang, and Shandong as the main nodes. ② Provinces, such as Beijing, Tianjin, Shanghai, and Zhejiang acted as central players in the network, forming a "net beneficiary" sector that exerted a siphon effect on other regions, thereby playing a dominant role in the correlation network. ③ The level of digital economy, adjacency relationships, environmental regulations, and government-business relations were common driving factors promoting the formation of carbon emission spatial correlation networks. ④ Regarding the impact mechanism of the digital economy, increasing differences in digital inclusive finance, digital innovation applications, and digital infrastructure have led to complex multi-dimensional spatial linkages of carbon emissions. The larger the digital industry development gap, the more detrimental it is to the formation of inter-provincial carbon emission network structures.
Key words: digital economy      carbon emission      spatial correlation network      clustering feature      inter-provincial collaboration     

自中国提出碳达峰碳中和目标后, 制定了更为严格的节能减排目标, 由中央综合考虑各省实际情况分解总目标. 2022年, 国家发改委等联合印发《“十四五”现代能源体系规划》提出推动“能耗双控”转向“碳排放总量和强度双控”, 即从“能源约束”转向“碳排放约束”. 因受经济社会发展、产业结构与地理区位等内生因素, 以及跨区域的能源工程项目以及碳交易市场等市场因素影响, 各省的能源消费供给与碳排放格局呈现空间非均衡性特征, 普遍认为区域碳排放间存在显著的空间溢出与关联[1]. 加快发展新质生产力于2024年被写入《政府工作报告》, 要求推进数字经济发展创新, 提高全要素生产率. 新质生产力具备数字化和绿色化的两大特征, 中国在数字化转型与绿色发展方面均取得了积极进展, 数字经济通过大数据、人工智能和区块链等技术与各领域深度融合, 重塑了生产生活方式与能源配置, 被视为平衡经济发展与绿色转型的重要途径[2]. 随着数字技术在碳足迹、碳固存和碳汇等领域的应用创新, 能源相关的生产、供给、管理和服务等环节开展了广泛的数字化转型, 这场转型将会如何刻画中国能源体系的供给需求?中央分解到地方政府的碳减排目标是否会引致跨区域间的碳排放流向转移, 甚至碳泄漏问题?如何让数字经济赋能环境现代化治理体系, 探索跨区域的协同减排策略, 回答上述重要议题是助推实现绿色高质量发展的“金钥匙”.

自数字经济上升为国家战略以来, 学术界已从多个视角、不同尺度以及运用差异化的研究方法与工具, 围绕“数字经济与碳排放”相关议题展开了诸多研究. 数字经济对碳排放的影响主要分为促进或抑制两方面, 一方面, 绝大部分研究认为数字经济通过引领和培育新动能, 促进数字技术与能源行业深度融合, 发挥显著的控碳效应[2 ~ 6]；另一方面, 部分研究认为数字经济与碳排放强度呈现“倒N”型关系[7], 与消费碳排放间呈现“倒U”型关系[8], 促进消费与需求的增长, 进而引发碳回弹效应[9]；也有学者辩护了数字经济虽然催生了巨大的电力需求, 但不能简单用数字产业增加值衡量数字经济, 需考虑数字产业的技术溢出, 以及对整个经济系统的调整优化[10]. 需要指出的是, 一类研究专门考虑了数字经济空间网络特征[11, 12]以及对碳排放的空间转移[13], 探究了数字经济对国别[14]、省域[15]、城市群[16]和县域[10]等不同颗粒度碳排放的影响, 认为数字经济发展本身存在空间异质性[5], 对城市碳排放强度的作用具有门槛效应, 创新能力与能源强度是重要的控碳机制[16]. 此外, 部分研究则注重考察数字经济对碳排放绩效的影响路径[9, 17, 18]. 从研究方法来看, 空间杜宾模型[15, 18]、中介效应模型[4]、门限回归模型[16]、空间DID模型[5]和混合地理加权空间面板回归[13]等被借助于进行实证或探索性分析, 社会网络分析以及空间计量模型等被应用于揭示碳排放的空间效应或空间网络结构[19], 例如建筑业[20]、服务业[21]以及农业[22]等.

综上, 现有研究充分讨论了数字经济对碳排放的影响效应, 但未有研究关注到数字经济与碳排放空间关联网络的驱动关系. 鉴于此, 本文在梳理已有研究的基础上, 试图围绕以下问题展开分析：当前中国不同省份间碳排放是否存在多线程的复杂空间关联网络结构?如果客观存在, 数字经济对碳排放空间关联网络结构形成的牵引力有多大?作用路径如何?对于提升能源消费空间公平性与跨区域协同减排机制的政策含义是什么?本文首先应用社会网络分析法揭示2010~2021年中国30个省份碳排放的空间关联网络结构, 利用ArcGIS软件直观呈现其时空演化特征, 明晰高碳省、中碳省和低碳省间的碳排放多维空间联动传递效应；其次, 构建QAP模型阐释不同省份间经济社会发展变量对碳排放空间关联网络的形成机制；最后, 着眼于各省份间数字经济发展差异, 从基础设施效应、结构优化效应、技术创新效应及资源配置效应这4个维度识别其作用机制. 可能的边际贡献在于：第一, 从理论框架上构建了数字经济的四大效应对碳排放空间关联网络的影响路径, 丰富数字经济对空间网络作用路径的研究范式, 加强对数字经济作用机制的深刻理解；第二, 研究方法上结合社会网络分析与QAP模型, 从以往基于“属性数据”转向“关系数据”, 刻画省份碳排放多方向空间连接的网络结构性质. 第三, 从研究结论上提出了基于空间公平性视角的跨区域协同减排策略, 以期为中央与地方融合数字治理实现能源需求供给的优化配置提供理论指引.

1 理论框架

随着大数据、互联网、人工智能和分布式管理等数字技术的广泛应用, 城市间的要素流动不断加深, 碳排放的跨区域流动已成为必然趋势, 这使得基于静态空间维度的研究难以有效解释区域间碳排放的相关特征与网络结构. 鉴于目前没有一套成熟的理论框架探讨数字经济对碳排放空间效应的影响机制, 本研究在梳理大量相关研究的基础上, 融合绿色经济理论与环境库兹涅茨曲线理论, 提炼出数字经济发展的基础设施效应、结构优化效应、资源配置效应与技术创新效应[5], 这4类效应能够最大程度上涵盖数字经济的作用效果, 其中, 绿色经济理论对应基础设施效应, 环境库兹涅茨曲线理论对应结构优化效应、资源配置效应与技术创新效应. 由此, 构建了数字经济发展促进碳排放空间关联网络形成的理论框架. 如图 1所示, 数字经济发展通过四大主效应直接影响或间接地影响能源供给消费的调度与配置, 通过生产要素整合、要素配置优化与低碳技术创新产生直接影响, 通过能源利用效率、经济发展效率与产业结构调整产生间接影响. 这使得能源消费呈现错综复杂的空间关联, 并最终形成高碳省、中碳省与低碳省之间的势能差, 相互间存在发送、接收、溢出与趋同效应.

图 1 数字经济发展促进碳排放空间关联网络形成的理论框架 Fig. 1 Theoretical framework of the digital economy for the formation of spatial correlation network of carbon emissions

（1）数字经济的基础设施效应  基础设施建设是数字经济发展的重要载体, 同时也是发挥数字经济功能提升环境效益的实现路径. 数字经济的基础设施建设使信息传播的实时性与有效性得到极大加强, 提升了社会网络化、智能化与数字化水平, 有助于打破传统生产联系中的“时空壁垒”, 缩小数字鸿沟[23], 降低了市场信息不对称, 促进地区间生产要素整合与优化配置, 倒逼传统行业及其所辐射行业进行清洁能源生产, 最终影响碳排放空间关联结构的形成.

（2）数字经济的结构优化效应  依托于工业互联网、区块链、云计算和大数据等核心数字技术, 数字经济克服了物理时空的制约, 模糊了经济活动的地理边界. 在企业实现结构优化升级的同时, 数字技术的运用加强了地区间的联系, 优化了现有的供应链和价值链, 驱动企业产业结构向绿色化和高端化发展[24]. 上述转变将提高经济发展效率与促进产业结构调整, 在优化能源消费结构的同时促使碳排放的有序流动, 对区域碳排放空间网络的形成产生重要影响.

（3）数字经济的资源配置效应  信息实时收集、监测与传递能够优化资源配置效率, 有助于推动周边区域的数字化水平升级, 实现生产要素整合与优化配置[25]. 数据要素作为数字经济中最重要的生产要素, 驱动传统生产要素更加高效地投入到生产中, 提高了能源利用效率, 从而影响碳排放的流动路径.

（4）数字经济的技术创新效应  以电力、石油、天然气为核心的能源体系内部刚性, 数字技术创新打破了部门之间的围墙, 提升了能源的勘探、采集、检测、生产与加工等方面的效率, 推动能源绿色消费[26]. 比如, 借助能源互联网可实现碳足迹的可定位、可溯源, 智能电网可实现电力调配与运输等多环节的信息化与人机交互, 此外, 碳账户、碳标签以及ESG评价系统等新型数字应用工具也能助推公众参与低碳治理, 引导了碳排放的多维空间流动.

2 材料与方法 2.1 修正的引力模型

引力模型可以用于表现不同空间单元间的相互作用力, 不仅可测量一个地区的空间关联性, 还可以测量内部个体之间的空间流动路径[27]. 鉴于传统的引力模型无法适应碳排放的区域关联性和其他因素的流通性和不对称性[28], 故本文进行了部分改进. 修正后的公式如式（1）所示.

(1)

式中, i和j表示区域i和区域j. Rij、kij和Dij分别表示区域i和区域j的碳排放环节、重力系数和两地距离. Pi、Ci和Gi分别表示区域i和区域j的年终人口、碳排放和国内生产总值.

考虑到区域要素的流动性和不等的碳排放关系, 本研究对重力系数kij进行了调整, 重力系数由城市碳排放占两个区域碳排放总和的比例修正, 如公式（2）所示.

(2)

式中, Ci和Cj分别表示区域i和区域j的年终人口.

距离Dij通过考虑经济因素进行调整, 如公式（3）所示, 式中, dij表示区域i和区域j之间的地理距离, 由球面距离测量. gi和gj分别表示区域i和区域j的人均国民生产总值.

(3)

根据公式（1）计算碳排放的重力矩阵, 选取重力矩阵的行平均值作为临界值. 如果该值高于临界值, 则记录为“1”, 表示两个区域的碳排放量相关, 如果该值低于临界值, 则记录为“0”, 表示不相关. 由此, 得到碳排放的空间相关矩阵.

2.2 社会网络分析法

社会网络分析（social network analysis, SNA）是一种基于图论的方法, 用来建立个体之间相互关系的模型, 而这种关系是通过“关系数据”来表达的[29]. 相比传统的空间计量模型, SNA使用图形和数学模型描述群体的空间关系结构, 以及群体或个体之间的联系. 它的核心目标是找出网络中最具影响力的节点, 并衡量网络的中心性[30].

SNA的优点在于能够可视化复杂网络结构, 将庞大的数据集转化为易于理解的图形化展示, 使人们能够直观地把握网络中的关键节点和关联关系. 此外, SNA还能量化分析网络中的节点影响力和中心性, 有助于识别关键的决策者或核心群体, 这使得SNA成为研究和决策过程中的有力工具, 帮助人们更全面地理解和应对复杂的社会和自然系统问题[31].

因此SNA不仅能分析数据中个体与群体之间的联系, 还可以研究空间中的相关联系. 它不仅可以被用来研究碳排放网络的空间关联特征, 还可以研究不同地区之间碳排放的相互作用关系[32, 33]. 本文采用SNA从整体网络结构、个体网络结构和聚类结构特征这3个维度分析区域碳排放的空间关联特征, 并运用二次指派程序探究碳排放空间关联网络的形成机制.

2.3 数据来源

本文选取2010~2021年全国30个省（市、自治区）为研究对象（中国香港、澳门、台湾和西藏资料暂缺）, 碳排放量数据来源于中国碳核算数据库（CEADs）, 该数据库多年来得到科学技术部等相关机构的支持与认可. 经济社会变量数据来源于研究年份《中国统计年鉴》《中国环境统计年鉴》《中国能源统计年鉴》, 以及各省统计年鉴和国家统计局等.

3 中国省际碳排放的空间关联网络结构特征 3.1 空间分布格局分析

在修正的引力模型的基础上, 计算出各省的碳排放空间关联矩阵, 并通过ArcGIS等软件绘制出2010~2021年的空间网络关系, 如图 2所示. 总的来说, 全国碳排放空间网络格局整体呈现出由南向北, 由东往西关联系数逐渐增强的态势, 以江苏、浙江和山东为主要关联节点. 碳排放关联密度较大的区域主要集中在东中部地区, 东北和西部地区的碳排放关联系数较小. 相较于2010年, 2021年碳排放空间关联网络“东部密集, 西部稀疏”的特征更为明显. 在本研究区段内, 全国各省份碳排放关联系数呈现增长态势, 且关联网络结构逐渐打破地域约束, 总体呈现多核心以及多路线的网络关联格局, 说明省份间碳排放空间网络壁垒逐渐消除, 体现出整体融合特征.

此图基于国家自然资源部标准地图审图号GS（2023）2767号绘制, 底图无修改 图 2 中国碳排放空间关联网络结构 Fig. 2 Spatial correlation network structure of carbon emissions in China

根据各省间引力值, 对2010年和2021年碳排放空间联系强度进行可视化, 如图 3所示. 本研究区段内, 空间关联网络展现出交叉网络形态, 联系通道呈紧密化和复杂化的特征, 空间邻近性在网络中较为突出, 即相邻省份更易在关联网络上形成要素流动与多维连接, 如上海与浙江、安徽与江苏、北京与河北以及湖南与江西等. 在联系通道上, 甘肃、青海与新疆等主要以接受态势为主, 河北、江苏、山东和河南等主要以对外发出态势为主, 这表明西北地区省份虽在新能源领域加速发展, 但社会经济发展基础相对滞后, 在空间结构中处于碳排放的接收端；华北与华东等地区是中国经济最为活跃的区域, 在产业发展与数字化转型等方面具有先发优势, 在空间结构中处于碳排放的输出端. 时空演化上, 部分省份在网络上的关联逐渐增多, 如河南、山东以及广东, 山东、江苏、浙江以及河北等的碳排放空间联系不再局限于邻近省份, 关联关系网逐渐扩展至全国.

图 3 中国碳排放空间联系强度 Fig. 3 Intensity of spatial linkage of carbon emissions in China

3.2 整体网络特征分析

从整体网络来看, 碳排放空间关联的网络特征演变规律如图 4所示. 网络密度越高, 表明节点之间存在的空间关联越密切, 但若冗余连线超过了网络的承载能力, 也会阻碍区域间的要素流动. 本研究区段内, 全国各省碳排放网络密度均值在0.25左右波动, 呈相对平稳的演化趋势. 2013~2015年间, 网络密度值略有小幅降低, 2015年后变动趋于平缓. 2015年中国碳排放权交易市场初步形成, 各地区可通过市场机制进行碳配额交易, 这大大提升了碳排放的有序流动, 碳排放交易需求逐渐增多, 加之技术创新溢出使得各省的产业经验与低碳创新知识交流广泛, 省份间的空间关联网络逐渐加深, 其中长三角和京津冀的空间关联紧密性最为凸显.

图 4 碳排放空间关联整体网络特征 Fig. 4 Characteristics of the overall network of spatial correlation of carbon emissions

若网络等级的取值越趋近0, 则表明网络的等级结构越不明显, 相反则认为网络等级森严固化. 本研究区段内, 全国省际碳排放网络等级呈现“波动中降低”的演化趋势, 相较于2010年, 2021年网络等级有一定程度下降, 这说明碳排放关联壁垒逐渐被打破, 碳排放的流动与关联逐渐增强, 这可能与数字经济的高质量发展有关, 不同省份之间互相交流借鉴, 产业的数字化转型进一步使得资本、劳动力和能源等要素合理流动转移. 合理的网络等级能促进跨区域协调发展, 对碳排放的空间优化配置具有一定现实意义. 在网络效率方面, 整体网络效率在本研究区段内呈现“稳定中略微上升”的演化趋势, 均值位于0.65左右, 这说明网络的稳定性在增强, 但也存在多重叠加溢出关系现象.

3.3 个体网络特征分析

个体网络特征分析有度数中心度、接近中心度及中介中心度等指标. 按数值大小排序, 绘制中国30个省份的碳排放空间关联个体网络特征, 如图 5所示.

图 5 碳排放空间关联个体网络特征 Fig. 5 Characteristics of the individual network of spatial correlation of carbon emissions

在度数中心度上, 上海、江苏和浙江等的度数中心度高于平均水平, 表明以上省份与网络中的其他区域存在着较为密切的关联关系, 在网络的形成、发展和稳定的过程中发挥了关键作用. 京津冀和长三角的点入度均高于点出度, 产生明显的空间虹吸效应, 这可能是由于上述区域能源消耗量较大, 需要跨区域的资源聚集来满足能源消耗需求. 江西、湖南和四川等的点出度高于点入度, 说明以上区域的碳排放空间溢出效应明显. 辽宁、吉林和广西等的度数中心度数水平较低, 与其他地区的关联性较弱. 上海和浙江等的度中心度水平远高于平均值, 可能是基于经济集聚、创新技术和人才等优势, 产生了虹吸效应和溢出效应.

在接近中心度上, 辽宁、吉林和北京等接近中心度超过平均水平, 表明以上省份能够迅速与其他地区形成关联关系网, 并在网络中发挥主导作用. 低接近中心度的省份处于网络边缘, 受其他地区驱动不明显. 具体来看, 北京、辽宁和吉林等的接近中心度远超过平均水平, 处于空间关联网绝对中心位置, 这些节点省份的碳排放空间连接要素传输更为便捷. 而接近中心度水平较低的省份如河南与河北等, 在网络中主要扮演边际主体的角色, 这些节点省份的碳排放空间连接要素难以转移.

在中介中心度上, 中介中心度超过平均水平的省份包括江苏、湖北、浙江和广东等, 表明以上省份可以更好地影响和控制资本、技术和劳动力等资源的流动, 在限制碳排放流动方面发挥重要角色, 在网络中起到桥梁和纽带作用. 以长三角地区为例, 中介中心度水平最高的是浙江, 说明浙江是碳排放空间网络关联的重要枢纽. 而中介中心度小于1的省份如黑龙江、甘肃和青海等, 大多呈现人口稀少、经济规模较小的特点, 与其他区域建立的碳排放关联有限.

3.4 块模型分析

为分析碳排放空间关联网络空间的聚类特征, 使用迭代收敛法（CONCOR）, 选取2010年和2021年数据对关联网络进行板块划分, 并分别绘制出四板块间的关联关系, 如图 6所示.

图 6 碳排放四板块间的关联关系 Fig. 6 Correlations among the four segments of carbon emissions

与2010年相比, 2021年, 板块Ⅱ中的江苏、浙江和上海进入板块Ⅰ, 板块Ⅲ和板块Ⅳ中的重庆、福建、湖北和陕西进入板块Ⅱ, 板块Ⅱ和板块Ⅳ数量变动较小, 整体处于稳定状态. 板块Ⅲ、板块Ⅳ内部成员变动较大, 其中, 板块Ⅲ中的辽宁、黑龙江、吉林、云南、四川、甘肃、青海、宁夏和新疆进入板块Ⅳ, 板块Ⅲ数量锐减至7个. 板块Ⅳ中的河南、江西、湖南、安徽和贵州进入板块Ⅲ, 板块Ⅳ成员数量经变动后增加1个. 从总体上看, 板块Ⅰ和板块Ⅱ的成员多为东部发达地区的省份, 板块Ⅲ和板块Ⅳ的成员则以中部和西部地区省份为主. 各板块总体数量变动较小, 但板块内部成员变动较大, 这说明了各节点省份在空间关联网络中“各司其责”, 网络板块显现出“全国一盘棋”的态势.

容易看出, 从2010~2021年, 碳排放空间关联网络的四大板块的内部关系和板块形态发生了一定程度的改变, 空间关联网络板块间关联关系比板块内部更为普遍, 板块间的空间溢出效应逐步提升. 相较于2010年, 2021年板块Ⅰ的接收关系数量与溢出关系数量的差距有所扩大, 强化了其在网络中的“受益属性”, 这表明东部地区的北京、浙江和上海等经济要素密集程度高, 经济生产发展所需的能源产品主要来自其他板块输入, 发挥着碳排放接收效应. 板块Ⅱ和板块Ⅲ的在网络中充当“经纪人”角色, 即接收关系数量与溢出关系数量差异不大, 更多的承担“桥梁”的作用. 板块Ⅱ不但接收板块Ⅳ的溢出, 还对其余三板块均产生溢出效应, 这表明河南、江西、湖南和湖北等中部省份主要发挥了碳排放流动的传递作用, 国家制定了密集的产业绿色转型政策使得诸多省份的经济发展模式向绿色高质量转变, “碳排放避难所”效应有所减弱. 板块Ⅳ在关联网络中的“溢出属性”得到增强, 即溢出关系数量大于接收关系数量, 不但存在自身板块内部的关联关系, 还主要对板块Ⅰ和Ⅱ产生溢出. 这表明辽宁、黑龙江、云南和甘肃等省份凭借自然资源禀赋以及相对宽松的减排约束, 向其他省份不断输出能源产品, 展现出明显的碳排放发出效应. 值得注意的是, “双向溢出”属性板块均未出现, 再次表明网络中板块间的关联效应更为明显, 即各地区更倾向于在不同板块之间转移碳排放, 以缓解本地减排压力.

4 中国省际碳排放空间关联网络的作用机制解析 4.1 模型设定与变量说明

块模型分析显示, 中国30个省份的碳排放空间关联网络以板块间的溢出效应为主, 除了空间相关性外, 还有其他因素会对碳排放空间关联网络产生影响, 需要衡量各省的发展差异来进一步分析碳排放空间关联网络的形成机制. 鉴于各解释变量均为关系矩阵, 存在一定的相关性, 采用二次指派程序（quadratic assignment procedure, QAP）模型进行相关性分析及回归分析.

由于经济社会变量的数据可得性, 本文选取2019年的截面数据进行QAP回归分析, 得到调整后的R2为20.47%, 并在0.01水平下显著相关. Dong等[34]研究表明QAP回归分析的R2通常略低于OLS回归分析, 依据吉雪强等[35]对于模型解释效果的分析, 本文的R2基本能够满足QAP回归分析的需要, 据此, 构建了包含地理邻接关系、区域经济规模、产业结构、政府规模、政商关系、环境规制及数字经济等指标的碳排放空间关联影响因素模型, 见公式（4）.

(4)

对上式各变量进行如下说明：①邻接关系（SA）. 蒋金荷等[36]的研究表明, 优秀低碳试点城市的“同伴效应”会通过低碳城市试点的数量和质量, 给邻近城市的政府传递规范压力, 从而带动同伴城市的碳减排. 据此, 本研究依据空间地理是否相邻, 构建二值化关联网络矩阵. ②区域经济规模差异（ED）. 杨亦民等[37]发现区域经济的发展能带来要素的集聚, 加快工业低碳发展并控制碳排放的“回弹效率”. 据此, 本研究使用各地区的人均GDP, 在此基础上构建区域经济规模差异矩阵. ③产业结构差异（IS）. 钟娟等[38]指出, 产业结构对城市碳排放的转移具有异质性, 产业结构的升级能为二线与三线城市带来显著的经济脱碳效应. 据此, 本研究使用第二产业的增加值占地区生产总值比例来衡量产业结构, 并在此基础上构建产业结构差异矩阵. ④政府规模差异（GS）. 赵哲等[39]研究发现, 各省政府的财政支出会直接影响碳排放, 并且二者间呈倒U型曲线关系. 据此, 本研究使用政府财政支出占地区GDP比例, 进而构建政府规模差异矩阵. ⑤政商关系差异（BR）. 罗进辉等[40]指出在环境治理压力大的地区, 亲清政商关系能显著促进本地企业的绿色并购, 在缓解融资约束的同时提高其环境效益. 据此, 本研究使用中国市场化指数数据库中的各地区政府与市场的关系指数, 构建政商关系差异矩阵. ⑥环境规制差异（ER）. 环境规制能改善制造业价值链的碳排放绩效[41], 因此参考李虹等[42]的做法, 采用综合指数法来测算环境规制指数, 据此构建环境规制差异矩阵. ⑦数字经济发展水平差异（DE）. 依据研究理论框架并参考徐维祥等[5]对数字经济的测度方法, 选取数字基础设施、数字产业发展、数字创新应用能力和数字普惠金融4个层面来衡量数字经济发展水平, 数据先标准化处理, 再通过熵值法确定权重, 最后基于总指数构建数字经济发展水平的差异矩阵.

4.2 基于QAP的回归分析

碳排放空间关联格局的QAP分析结果如表 1所示. 从QAP相关分析结果来看, 政府规模差异、政商关系差异、环境规制差异、邻接关系以及数字经济发展水平差异的实际相关系数均显著为正, 且产业结构差异的标准化实际相关系数显著为负, 说明了上述6个自变量都有利于碳排放空间关联网络的形成, 而区域经济规模差异的相关系数不显著, 表明其与空间关联网络的关联较弱. 进一步来看, 作为一种非参数分析方法, QAP分析首先通过置换两个矩阵中的数据来比较其相似性, 然后计算矩阵间的相关系数并进行非参数检验. 因此, 进一步采用QAP回归分析可以探究空间关联矩阵与影响因素矩阵之间的关系.

表 1 碳排放空间关联网络的QAP分析1） Table 1 QAP analysis of spatial correlation network of carbon emissions

回归结果表明邻接关系、政商关系、环境规制和数字经济水平的地区差异增大促进了碳排放空间关联网络的形成, 而相似的产业结构和政府规模更容易形成碳排放空间关联关系, 这一结论与方大春等[43]和吉雪强等[35]研究的结果相似. 值得注意的是, 数字经济水平差异的标准化回归系数远高于其他因素, 在碳排放空间关联网络中发挥着核心作用, 这也佐证了张传兵[44]和江元等[45]研究的结论.

其原因在于：①相互邻近的省份间交流合作渠道互通, 更有利于区域间资源和信息的传输, 这强化了碳排放的空间关联程度. ②政商关系反映了本地市场化及其政府干预的程度, 而省份间政商关系的差距增大, 有利于生产要素和社会资本的溢出, 从而加强不同地方政府间的交流、协作与政策效仿[46], 推动了碳排放空间关联的产生. ③随着地区环境规制异质性的增加和区域碳交易体系的不断完善[47], 高碳排放省份为实现节能减排和产业转型的目标, 更容易向环境质量高的省份进行碳汇交易, 从而强化了碳排放空间关联程度. ④数字经济水平的极化趋势使得不同省份的“数字鸿沟”逐渐扩大, 这为关键经济要素跨区域流动和数字技术的普及与运用创造了有利条件[48], 也为各省的高耗能产业、居民生活消费方式和商业模式提供了低碳转型的契机. 此外, 数字经济蓬勃发展, 推动能源跨区域调配与清洁能源跨省交易消纳, 间接助推了碳排放的复杂多维空间流动.

4.3 数字经济差异对碳排放空间关联网络的效应分析

根据上述结果可知, 数字经济水平差异的标准化回归系数明显高于其他因素, 为深入分析数字经济的作用机制, 运用QAP回归分析进一步探究数字经济水平对碳排放空间关联网络的影响, 结果如表 2所示.

表 2 数字经济效应的QAP回归分析1） Table 2 QAP regression analysis of digital economy effects

由表 2可知, 数字基础设施和数字创新应用在5%的水平上显著为正, 数字产业发展的标准化回归系数在5%的水平上显著为负, 其中数字普惠金融不仅通过了1%的显著性检验, 且标准化回归系数高于其余变量. 结论表明各省的数字普惠金融差距越大, 碳排放空间关联网络的关联程度越强, 其碳排放的空间溢出效应越明显, 这与李寿喜等[49]和王守坤等[50]研究的结论相似；同时数字创新应用和数字基础设施差距越大, 碳排放空间关联网络的关联程度也越强, 与李洪昌[51]和薛飞等[52]研究的结果相似. 此外, 不同省份间的数字产业发展越相近, 越能够促进协同合作, 从而增强省份间的空间关联程度, 这与张元庆等[53]的验证结果一致.

究其原因, 一方面, 数字普惠金融有着广覆盖和高效率的特征, 致使地理因素对其空间扩散的阻力减弱, 提高了扩散潜力. 随着各省数字普惠金融差异的逐渐扩大, 较发达省份积累的经验将跨越“时空壁垒”, 辐射至欠发展省份, 从而加强了省份碳排放的空间关联. 另一方面, 本地数字普惠金融的发展会通过“虹吸效应”造成邻近省份关键经济要素的流失[54], 加上各省政府政策的跨区域适配度较低, 又增强了“虹吸效应”对周边省份的抑制作用, 加速了能源的跨区域流动. 第二, 数字基础设施具有零边际成本和信息流通高效等特点, 在催化孕育数字化技术的同时, 也利于各省关键要素的配置[55]. 数字经济水平发展的失衡, 致使市场化程度较高的省份先进行数字基础设施的跨行业融合, 而随着数字基础设施差异的进一步扩大, 发达省份集约的信息和技术不断向欠发达省份溢出, 带动了欠发达省份的科技创新以及生产生活方式的转变, 引致复杂多维的碳排放流向. 第三, 数字技术的广泛应用催生了科技创新成果, 数字技术赋能带来了数字化和信息化改革, 这有效降低了社会交易和信息搜寻的成本[56]. 各省数字经济水平差异的极化趋势, 为省份间创新资源的积累、信息要素的流动以及研发人员的知识共享提供了渠道, 这促进了科技创新型企业间的交流、合作与开发, 大幅度提高了区域技术创新效率, 强化了碳排放空间关联网络的关联程度. 最后, 数字产业具有共享性和外溢性的特征, 为生产要素的外溢与扩散提供了机会, 同时数字经济对实体产业产生赋能效应, 助推了实体产业转型升级[57]. 基于相似数字基础设施发展壮大的数字产业, 更能迸发出协同创新和融合发展的新态势, 而各省的产业结构和转型优化路径越相似, 越能缓和数字经济水平的极化趋势, 进而巩固碳排放的空间网络机构.

5 讨论

中国目前的碳排放大部分来自能源消耗, 全国双碳目标的实现不仅需要对能源结构进行合理调整, 还需要有效发挥各区域间的联动效应. 一方面, 应在充分发挥数字经济的四大效应对碳排放空间关联网络的作用的基础上, 推动区域间的能源流动和转型, 并依据网络中各省份的板块属性及其“核心-边缘”结构位置, 加强能源政策的顶层设计和考虑区域间的联动效应, 有效规划区域碳减排目标. 另一方面, 碳减排目标的达成还需考虑关联网络中的高碳、中碳和低碳省份, 并结合不同省份间的溢出与趋同效应, 在制度层面实现减排目标层层分解与完善落实的同时, 引领中心省份率先实现碳达峰并发挥其中央驱动作用, 建立高效协调的区域协同降碳网络结构.

具体而言, 碳排放空间关联网络整体上以多核心、多线路和交叉关联为主要特征, 且关联网络各板块的结构清晰、作用分明且空间溢出效应显著. 为此, 一方面需加强政府宏观政策调控力度, 同时促进全国碳交易市场建设, 完善区域的碳补偿和碳交易体系, 利用市场机制推动区域碳减排和低碳资源的空间优化配置. 也需要充分发挥长三角、珠三角和京津冀等地的核心优势, 利用其经济、技术和管理优势, 增强低碳发展经验和技术的共享性, 在推动协同减排观念形成的同时, 逐步建立起区域协同降碳机制, 从高碳省份到低碳省份、从地方到全国、由局部到整体并由点及面的推进减排政策. 另一方面, 需把握碳排放空间相关性的板块结构和传导机制, 不断优化碳排放空间网络, 这需从各省网络板块的属性视角出发, 完善碳减排对策并助推低碳资源的跨区管理、合理流动和有效聚集. 例如, 提升北京、天津和上海等的清洁能源占比, 强化四川、甘肃和宁夏等的碳排放责任, 推动更多板块向“经纪人”属性转型, 促进全国各地协同减排.

与此同时, 各省需关注产业结构、政府规模、政商关系以及环境规制等影响因素对碳排放关联网络形成的影响, 因地制宜实施差异化政策, 重视省份间空间邻接效应. 此外, 数字经济是碳排放关联网络形成的关键机制, 因而需顺应时代发展趋势, 聚焦数字经济四效应对省市、自治区碳排放空间关联网络的作用, 以基础设施为载体、产业发展为核心、创新能力为动力以及普惠金融为渠道, 依托大数据、互联网、人工智能和分布式管理等技术, 推动碳排放总量控制、方式变革和结构调整, 助推区域协同减排的关联网络形成.

6 结论

（1）从空间关联网络的结构特征来看, 整体网络规模逐渐扩大, 呈现出“多中心驱动”特征. 网络的空间动态相关性和交互作用明显, 呈现出较为复杂的多线程关联关系. 其中, 京津冀和长三角是空间关联网络的“中心行动者”, 对其他地区形成显著的“虹吸效应”, 发挥着不可缺失的“中介”和“桥梁”功能.

（2）从块模型分析的结论来看, 碳排放空间关联网络以板块间的溢出效应为主. 东部地区的北京、浙江和上海等构成网络中的“净受益”板块, 占优势地位并呈现受益状态；江西、湖南和湖北等构成网络中的“经纪人”板块, 发挥不可替代的中介作用；东北、西南和西北地区的辽宁、黑龙江、云南和甘肃等构成“净溢出”板块, 展现出碳排放的溢出特性.

（3）从QAP分析的结论来看, 数字经济水平差异、邻接关系、环境规制差异以及政商关系差异会正向促进碳排放空间关联网络的形成, 而政府规模差异和产业结构差异则会消减要素的空间流动, 因而抑制网络结构形成.

（4）从数字经济的影响机制来看, 数字普惠金融差异、数字创新应用差异和数字基础设施差异的增大引致了碳排放“千头万绪”的多维空间联动, 进而固化局部省份的影响辐射作用. 数字普惠金融差异对关联网络结构形成的影响最大, 其次是数字创新应用, 最后是数字基础设施；数字产业发展鸿沟越大, 越不利于省份间碳排放网络结构的形成.

参考文献
[1] 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.
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.
[2] 陈晓红, 胡东滨, 曹文治, 等. 数字技术助推我国能源行业碳中和目标实现的路径探析[J]. 中国科学院院刊, 2021, 36(9): 1019-1029.
Chen X H, Hu D B, Cao W Z, et al. Path of digital technology promoting realization of carbon neutrality goal in China's energy industry[J]. Bulletin of Chinese Academy of Sciences, 2021, 36(9): 1019-1029.
[3] 邬彩霞. 中国低碳经济发展的协同效应研究[J]. 管理世界, 2021, 37(8): 105-116.
Wu C X. Research on the synergistic effect of low-carbon economy in China[J]. Journal of Management World, 2021, 37(8): 105-116.
[4] 刘婧玲, 陈艳莹. 数字技术发展、时空动态效应与区域碳排放[J]. 科学学研究, 2023, 41(5): 841-853.
Liu J L, Chen Y Y. Digital technology development, temporal and spatial effects, regional carbon emissions[J]. Studies in Science of Science, 2023, 41(5): 841-853. DOI:10.3969/j.issn.1003-2053.2023.05.008
[5] 徐维祥, 周建平, 刘程军. 数字经济发展对城市碳排放影响的空间效应[J]. 地理研究, 2022, 41(1): 111-129.
Xu W X, Zhou J P, Liu C J. The impact of digital economy on urban carbon emissions: based on the analysis of spatial effects[J]. Geographical Research, 2022, 41(1): 111-129.
[6] Tian H, Zhao T P, Wu X Q, et al. The impact of digital economy development on carbon emissions-based on the perspective of carbon trading market[J]. Journal of Cleaner Production, 2024, 434. DOI:10.1016/j.jclepro.2023.140126
[7] 周梦雯, 刘传明. 数字经济的节能减排效应及作用机制——基于空间关联网络溢出模式[J]. 工业技术经济, 2024, 43(1): 13-20.
Zhou M W, Liu C M. Effects and mechanism of digital economy on energy saving and emission reduction——based on spatial correlation network overflow mode[J]. Journal of Industrial Technology and Economy, 2024, 43(1): 13-20.
[8] 班楠楠, 张潇月. 数字经济对我国居民消费碳排放影响[J]. 中国环境科学, 2023, 43(12): 6625-6640.
Ban N N, Zhang X Y. Research on the effect of digital economy on carbon emissions from household consumption[J]. China Environmental Science, 2023, 43(12): 6625-6640.
[9] 徐妍, 何禄瑶. 数字经济空间关联网络的碳排放效应: 动态演化与作用机制[J]. 环境科学, 2024, 45(9): 5069-5085.
Xu Y, He L Y. Carbon emission effects of spatially connected networks in the digital economy: dynamic evolution and mechanism of action[J]. Environmental Science, 2024, 45(9): 5069-5085.
[10] Wang H S, Yang G Q, Yue Z Y. Breaking through ingrained beliefs: revisiting the impact of the digital economy on carbon emissions[J]. Humanities and Social Sciences Communications, 2023, 10(1). DOI:10.1057/S41599-023-02126-7
[11] 张明斗, 翁爱华. 数字经济空间关联网络的产业结构变迁效应研究——基于网络节点中心性分析视角[J]. 产业经济研究, 2022(6): 129-142.
Zhang M D, Weng A H. Research on the effect of industrial structure change of spatial correlation network of digital economy: based on the analysis of network centrality[J]. Industrial Economics Research, 2022(6): 129-142.
[12] 王胜鹏, 滕堂伟, 胡森林, 等. 中国数字经济空间网络结构演化及其驱动因素[J]. 地理科学, 2024, 44(5): 743-753.
Wang S P, Teng T W, Hu S L, et al. Evolution and driving factors of spatial network structure of digital economy in China[J]. Scientia Geographica Sinica, 2024, 44(5): 743-753.
[13] Yu H J, Shen S W, Han L, et al. Spatiotemporal heterogeneities in the impact of the digital economy on carbon emission transfers in China[J]. Technological Forecasting and Social Change, 2024, 200. DOI:10.1016/j.techfore.2023.123166
[14] Dong F, Hu M Y, Gao Y J, et al. How does digital economy affect carbon emissions? Evidence from global 60 countries[J]. Science of the Total Environment, 2022, 852. DOI:10.1016/j.scitotenv.2022.158401
[15] Yi M, Liu Y F, Sheng M S, et al. Effects of digital economy on carbon emission reduction: new evidence from China[J]. Energy Policy, 2022, 171. DOI:10.1016/j.enpol.2022.113271
[16] 冯兰刚, 阳文丽, 王忠, 等. 中国数字经济与城市碳排放强度: 时空演化与作用机制[J]. 中国人口·资源与环境, 2023, 33(1): 150-160.
Feng L G, Yang W L, Wang Z, et al. Digital economy and urban carbon emission intensity in China: spatio-temporal evolution and mechanisms[J]. China Population, Resources and Environment, 2023, 33(1): 150-160.
[17] 李柏桐, 李健, 唐燕, 等. 数字经济对工业碳排放绩效的影响: 基于异质型环境规制的门槛效应[J]. 中国环境科学, 2024, 44(9): 5263-5274.
Li B T, Li J, Tang Y, et al. The impact of digital economy on industrial carbon emission performance: threshold effect analysis of heterogeneous environmental regulations[J]. China Environmental Science, 2024, 44(9): 5263-5274.
[18] Zhang W, Liu X M, Wang D, et al. Digital economy and carbon emission performance: evidence at China's city level[J]. Energy Policy, 2022, 165. DOI:10.1016/j.enpol.2022.112927
[19] 郭文强, 史瑞雪, 雷明, 等. 中国省际碳排放空间关联网络结构特征及碳平衡分区[J]. 生态学报, 2024, 44(18): 8003-8020.
Guo W Q, Shi R X, Lei M, et al. Structural characteristics and carbon-balanced zoning of spatial correlation network of inter-provincial carbon emissions in China[J]. Acta Ecologica Sinica, 2024, 44(18): 8003-8020.
[20] 任晓松, 李昭睿. 全生命周期视角下中国建筑碳排放空间关联网络演化及影响因素分析[J]. 环境科学, 2024, 45(3): 1243-1253.
Ren X S, Li Z R. Evolution and influencing factors of spatial correlation network of construction carbon emission in China from the perspective of whole life cycle[J]. Environmental Science, 2024, 45(3): 1243-1253.
[21] 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.
[22] 尚杰, 吉雪强, 石锐, 等. 中国农业碳排放效率空间关联网络结构及驱动因素研究[J]. 中国生态农业学报(中英文), 2022, 30(4): 543-557.
Shang J, Ji X Q, Shi R, et al. Structure and driving factors of spatial correlation network of agricultural carbon emission efficiency in China[J]. Chinese Journal of Eco-Agriculture, 2022, 30(4): 543-557.
[23] 肖翔, 王晋梅, 董香书. 数字化转型如何影响制造业实质性创新?——基于"数字赋能"与"数字鸿沟"的视角[J]. 浙江大学学报(人文社会科学版), 2023, 53(10): 28-50.
Xiao X, Wang J M, Dong X S. How does digital transformation affect substantial innovation in manufacturing: based on the perspectives of "digital empowerment" and "digital divide"[J]. Journal of Zhejiang University (Humanities and Social Sciences), 2023, 53(10): 28-50.
[24] 米瑞华, 倪世龙, 刘书敏. 数字技术、经济效率与城市产业结构升级[J]. 技术经济, 2024, 43(5): 107-116.
Mi R H, Ni S L, Liu S M. Digital technology, economic efficiency, and urban industrial structure upgrading[J]. Journal of Technology Economics, 2024, 43(5): 107-116.
[25] 李治国, 王杰. 经济集聚背景下数字经济发展如何影响空间碳排放?[J]. 西安交通大学学报(社会科学版), 2022, 42(5): 87-97.
Li Z G, Wang J. How does the digital economy affect spatial carbon emissions under economic agglomeration?[J]. Journal of Xi'an Jiaotong University (Social Sciences), 2022, 42(5): 87-97.
[26] 缪陆军, 陈静, 范天正, 等. 数字经济发展对碳排放的影响——基于278个地级市的面板数据分析[J]. 南方金融, 2022(2): 45-57.
Miao L J, Chen J, Fan T Z, et al. The impact of digital economy development on carbon emission: a panel data analysis of 278 prefecture-level cities[J]. South China Finance, 2022(2): 45-57.
[27] Zhao N, Liu Q, Wang H, et al. Estimating the relative importance of nodes in complex networks based on network embedding and gravity model[J]. Journal of King Saud University-Computer and Information Sciences, 2023, 35(9). DOI:10.1016/j.jksuci.2023.101758
[28] 盖美, 徐晶晶, 岳鹏. 环渤海地区海岸带人地系统韧性空间关联网络特征及形成机制[J]. 资源科学, 2024, 46(3): 565-582.
Gai M, Xu J J, Yue P. Characteristics and formation mechanism of spatial association network of coastal human-nature system resilience in the Bohai Rim region[J]. Resources Science, 2024, 46(3): 565-582.
[29] 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, Xu 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.
[30] Oliveira M, Gama J. An overview of social network analysis[J]. WIREs Data Mining and Knowledge Discovery, 2012, 2(2): 99-115.
[31] Tabassum S, Pereira F S F, Fernandes S, et al. Social network analysis: an overview[J]. WIREs Data Mining and Knowledge Discovery, 2018, 8(5). DOI:10.1002/widm.1256
[32] Yustiawan Y, Maharani W, Gozali A A. Degree centrality for social network with opsahl method[J]. Procedia Computer Science, 2015, 59: 419-426.
[33] Fan J D, Xiao Z H. Analysis of spatial correlation network of China's green innovation[J]. Journal of Cleaner Production, 2021, 299. DOI:10.1016/j.jclepro.2021.126815
[34] 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
[35] 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.
[36] 蒋金荷, 丁新兴. 环境政策的"同伴效应"研究: 来自低碳城市试点的证据[J]. 中国软科学, 2024(4): 112-121.
Jiang J H, Ding X X. Study on the peer effects of environmental policy: evidence from low-carbon city pilot[J]. China Soft Science, 2024(4): 112-121.
[37] 杨亦民, 王梓龙, 邓旭辉. 资源依赖度、经济增长与碳排放的回弹效应[J]. 吉首大学学报(社会科学版), 2024, 45(1): 105-115.
Yang Y M, Wang Z L, Deng X H. Resource dependence, economic growth and the rebound effect of carbon emissions[J]. Journal of Jishou University (Social Sciences), 2024, 45(1): 105-115.
[38] 钟娟, 冯慧敏, 魏彦杰. 中心—外围"视角下城市碳排放转移的经济脱碳效应——基于长三角地区地级及以上城市数据的实证分析[J]. 城市问题, 2024(3): 65-78.
Zhong J, Feng H M, Wei Y J. The economic decarbonization effects of carbon emission transfer in cities under the perspective of "center-periphery": an empirical analysis based on the data of prefecture level and above cities in the Yangtze River Delta Region[J]. Urban Problems, 2024(3): 65-78.
[39] 赵哲, 谭建立. 中国财政支出对碳排放影响的双重效应分析[J]. 云南财经大学学报, 2020, 36(5): 24-36.
Zhao Z, Tan J L. The dual effect of fiscal expenditure on carbon emissions in China[J]. Journal of Yunnan University of Finance and Economics, 2020, 36(5): 24-36.
[40] 罗进辉, 巫奕龙, 刘海潮, 等. 亲清政商关系的绿色治理效应——来自绿色并购的证据[J]. 财经研究, 2023, 49(11): 34-49.
Luo J H, Wu Y L, Liu H C, et al. The green governance effect of cordial and clean government-business relationship: evidence from green M & A[J]. Journal of Finance and Economics, 2023, 49(11): 34-49.
[41] 张慧智, 孙茹峰. 中国全球价值链地位、环境规制与碳排放绩效[J]. 武汉大学学报(哲学社会科学版), 2024, 77(1): 123-135.
Zhang H Z, Sun R F. China's global value chain position, environmental regulation and carbon emission performance[J]. Wuhan University Journal (Philosophy & Social Science), 2024, 77(1): 123-135.
[42] 李虹, 邹庆. 环境规制、资源禀赋与城市产业转型研究——基于资源型城市与非资源型城市的对比分析[J]. 经济研究, 2018, 53(11): 182-198.
Li H, Zou Q. Environmental regulations, resource endowments and urban industry transformation: comparative analysis of resource-based and non-resource-based cities[J]. Economic Research Journal, 2018, 53(11): 182-198.
[43] 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.
[44] 张传兵. 数字经济如何影响碳排放强度?——基于产业结构高级化与合理化的双重视角[J]. 科学学与科学技术管理, 2024, 45(10): 56-73.
Zhang C B. How does the digital economy affect the intensity of carbon emissions——based on the dual perspectives of industrial structure upgrading and rationalization[J]. Science of Science and Management of S. & T., 2024, 45(10): 56-73.
[45] 江元, 徐林. 数字经济、能源效率和碳排放——基于省级面板数据的实证[J]. 统计与决策, 2023, 39(21): 58-63.
Jiang Y, Xu L. Digital economy, energy efficiency and carbon emissions——empirical study based on provincial panel data[J]. Statistics & Decision, 2023, 39(21): 58-63.
[46] 李荣杰, 李娜, 陈健强, 等. 政府—市场协同创新与能源结构双重替代[J]. 科技进步与对策, 2022, 39(23): 33-43.
Li R J, Li N, Chen J Q, et al. Government-market collaborative innovation and dual replacement of energy structure[J]. Science & Technology Progress and Policy, 2022, 39(23): 33-43.
[47] 吴雪萍. 碳排放权交易价格与全要素生产率: 来自中国的证据[J]. 环境科学, 2024, 45(4): 1926-1937.
Wu X P. Carbon emissions trading prices and total factor productivity: evidence from China[J]. Environmental Science, 2024, 45(4): 1926-1937.
[48] 余博, 潘爱民. 数字经济、人才流动与长三角地区高质量发展[J]. 自然资源学报, 2022, 37(6): 1481-1493.
Yu B, Pan A M. Imbalance of talent flow, digital economy and high-quality development of Yangtze River Delta economic zone[J]. Journal of Natural Resources, 2022, 37(6): 1481-1493.
[49] 李寿喜, 张珈豪. 数字普惠金融、技术创新与城市碳排放强度[J]. 华东师范大学学报(哲学社会科学版), 2023, 55(2): 161-172, 178.
Li S X, Zhang J H. Digital financial inclusion, technological innovation and urban carbon emissions intensity[J]. Journal of East China Normal University (Humanities and Social Sciences), 2023, 55(2): 161-172, 178.
[50] 王守坤, 范文诚. 数字普惠金融与碳减排——基于中国县级数据的实证分析[J]. 当代财经, 2022(11): 53-64.
Wang S K, Fan W C. Digital inclusive finance and carbon emission reduction: an empirical analysis based on China's county-level data[J]. Contemporary Finance & Economics, 2022(11): 53-64.
[51] 李洪昌. 数字技术创新赋能工业碳排放效率提升——理论机制与实证检验[J]. 技术经济与管理研究, 2023(9): 18-23.
Li H C. Digital technology innovation empowers industrial carbon emission efficiency improvement: theoretical mechanism and empirical test[J]. Journal of Technical Economics & Management, 2023(9): 18-23.
[52] 薛飞, 周民良, 刘家旗. 数字基础设施降低碳排放的效应研究——基于"宽带中国"战略的准自然实验[J]. 南方经济, 2022(10): 19-36.
Xue F, Zhou M L, Liu J Q. The effect of digital infrastructure on reducing carbon emissions: quasi natural experiment based on "Broadband China" pilot[J]. South China Journal of Economics, 2022(10): 19-36.
[53] 张元庆, 刘烁, 齐平. 数字产业协同创新发展对碳排放强度影响研究[J]. 西南大学学报(社会科学版), 2023, 49(3): 114-128.
Zhang Y Q, Liu S, Qi P. A research on the impact of collaborative innovation development of digital industry on carbon emission intensity[J]. Journal of Southwest University (Social Sciences Edition), 2023, 49(3): 114-128.
[54] 朱向东, 周心怡, 朱晟君, 等. 中国城市绿色金融及其影响因素——以绿色债券为例[J]. 自然资源学报, 2021, 36(12): 3247-3260.
Zhu X D, Zhou X Y, Zhu S J, et al. The development of Chinese urban green finance and its influencing factors: an empirical analysis based on green bond[J]. Journal of Natural Resources, 2021, 36(12): 3247-3260.
[55] 董媛香, 张国珍. 数字基础设施建设能否带动企业降碳绿色转型?——基于生产要素链式网状体系[J]. 经济问题, 2023(6): 50-56.
Dong Y X, Zhang G Z. Can digital infrastructure construction drive enterprises' carbon reduction and green transformation?——based on the chain network system of production factors[J]. On Economic Problems, 2023(6): 50-56.
[56] 焦勇, 齐梅霞. 数字经济赋能新质生产力发展[J]. 经济与管理评论, 2024, 40(3): 17-30.
Jiao Y, Qi M X. Digital economy empowers the development of new quality productivity[J]. Review of Economy and Management, 2024, 40(3): 17-30.
[57] 武晓婷, 张恪渝, 邓飞. "双循环"新发展格局下产业数字化测度[J]. 统计与决策, 2023, 39(7): 101-105.
Wu X T, Zhang K Y, Deng F. Measure on industrial digitalization under dual circulation new development pattern[J]. Statistics & Decision, 2023, 39(7): 101-105.
数字经济对区域碳排放空间关联网络结构的作用机制及优化策略
闫丹, 黄少轩, 何佳乐, 张万力