2026, Vol. 47
近年来，全球温室气体排放量不断增加且形势愈加严峻[1，2]，导致全球干旱、洪涝和粮食危机等危害愈发明显[3，4]. 2023年，全球碳排放量高达374亿t，中国碳排放量已占全球总量的35%[5，6]. 2020年9月22日，国家主席习近平在第七十五届联合国大会上提出，中国二氧化碳排放力争于2030年前达到峰值，努力争取2060年前实现碳中和. 已有研究表明，城乡融合是通过要素流动和资源的重新配置组合实现城乡共生发展[7]. 党的二十大报告指出“要坚持城乡融合发展，畅通城乡要素流通”. 在城乡融合过程中，城乡间地理边界隔阂逐渐被消解，非农业与农业生产经营活动联系紧密，有助于实现城乡功能分区优化与城乡发展空间秩序重构，从而降低碳排放[8]. 在城乡要素跨区域流动过程中，各地域单元不再是“场所空间”环境下的孤点，而是“流动空间”的节点[9]，因地域单元网络嵌入而产生的网络外部性成为影响区域碳排放重要因素. 在此背景下，探究中国城乡融合发展空间关联网络结构特征及其碳排放效应，对于推动城乡融合发展与区域碳减排具有重要意义.
目前，城乡融合发展与区域碳排放均是学术界的关注焦点. 关于区域碳排放的相关研究主要集中在测度方法和影响因素上，研究方法涉及投入产出法[10，11]、夜间灯光反向推演法[12]和生命周期法[13]等，并涵盖到全球[14]、国家[15]、省[16]和城市群[17，18]等空间尺度，已有研究发现碳排放受新型城镇化[19]、数字经济[20]和城市密度[21]等因素影响. 关于城乡融合发展的相关研究大多围绕城乡融合发展理论内涵[22，23]、定量测度[24，25]与影响因素[26，27]展开. 一般认为，城乡融合发展是一个复杂的动态过程，其本质是通过推动城乡要素双向自由流动与功能有机耦合，最终实现城乡异质等值与和谐共生[28]. 相较于城乡统筹与城乡一体化，它更强调城乡之间的双向互动与融合. 有学者从城市或乡村发展角度探讨城市群绿色技术创新、城市内部多中心结构、城市绿色创新网络结构、城市紧凑度、农业科技创新、农业生产性服务、农村电商发展和城乡居民收入差距等因素对碳排放的影响[17，29~35].
伴随城乡要素资源双向流动，城乡融合发展呈现复杂空间关联关系和社会网络结构特征，城乡融合发展空间关联结构成为理解城乡融合跨边界交互格局的重要方式. 目前，相关研究主要关注城乡融合发展与区域碳排放关系[7，36]，鲜见研究基于节点中心度视角探究城乡融合发展空间关联网络结构的碳排放效应. 已有研究表明，城乡融合空间关联网络发展能够弱化地理单元间空间分割形态，在空间范围内实现要素自由流动、相互匹配和相互赋能，网络外部性更加关注流动节点的角色和位置[37]. 在城乡融合发展空间关联网络结构中，节点间存在显著的地位优势差异，节点受到空间关联网络外部性的作用程度也存在显著差异. 例如，度数中心度高值节点作为空间关联网络结构中的核心主导者，在进行要素交换流动、优质资源集聚和跨区域治理等具有优势地位. 一方面，先进优质生产要素流流入对区域生产效率提升发挥乘数效应，有助于加快产业结构优化升级、新旧动能接续转换和新兴产业融合集群发展；另一方面，生产要素自由流动、相互匹配和相互赋能，特别是数据和信息技术等新型生产要素向关键环节流动，有利于绿色低碳技术替代高污染高耗能技术，以及增强区域在绿色低碳先进技术应用上的协调性平衡性. 此外，城乡融合发展空间关联网络节点中心度对碳排放的负向影响作用可能存在门槛效应. 城乡融合发展空间关联网络中心度的提升需要优质生产要素基础和良好创新生态环境，且需要考虑区域发展中的期望产出和非期望产出. 因此，探讨不同碳排放绩效水平与经济发展水平下城乡融合发展空间关联网络中心度对碳排放强度影响至关重要.
鉴于此，本研究基于2011~2022年中国281个城市的面板数据，在测算城乡融合发展水平基础上，采用社会网络分析法揭示281个城市的城乡融合发展空间关联网络结构特征，并综合运用固定效应模型和门槛模型探讨城乡融合发展空间关联网络中心度对碳排放强度的影响，以期为城乡融合发展和区域碳减排工作的深度融合提供科学依据.
1 材料与方法 1.1 指标体系构建与变量选取本研究参考已有研究成果，在理解城乡融合发展内涵的基础上，构建城乡融合发展水平综合评价指标体系，进而测算城乡融合发展空间关联网络中心度. 基于此，探讨城乡融合发展空间关联网络中心性对碳排放强度的直接影响，探究门槛变量下城乡融合发展空间关联网络中心度对碳排放强度的非线性影响，并选取控制变量用于减小遗漏变量带来的误差.
1.1.1 城乡融合发展水平综合评价指标体系构建本研究参考已有研究成果[38~40]，从人口融合、经济融合、社会融合、空间融合和生态融合维度构建城乡融合发展水平综合评价指标体系（表 1）. 为避免各项指标单位的影响，本研究对基础数据进行标准化处理，采用熵值法计算指标权重，通过加权求和测度城乡融合发展水平.
|
表 1 城乡融合发展水平综合评价指标体系 Table 1 Comprehensive evaluation index system of urban-rural integration development level |
1.1.2 门槛变量选取
本研究以碳排放绩效（CP）和地区经济发展水平（RGDP）为门槛变量，地区经济发展水平（RGDP）以人均地区生产总值表征[36]. 碳排放绩效采用非期望产出超效率SBM模型测算[41]，投入指标包括劳动、资本和能源，期望产出以地区生产总值表征，非期望产出以碳排放总量表征. 其中，劳动采用各地级市历年单位从业人员数；资本存量以2006年为基期，运用永续盘存法计算获取[42]；能源消耗总量采用美国军事卫星获取的夜间灯光数据为基准将各省能源消耗量分配到各地级市[43，44].
1.1.3 控制变量选取本研究参考已有研究成果[30，45~47]，选取政府干预（GOV）、人口数量（POP）、金融发展水平（FIN）和科技支持（Tech）作为控制变量. 其中，政府干预（GOV）以公共预算支出占GDP的比例表征，人口数量（POP）以年末总人口数表征，金融发展水平（FIN）以城市年末金融机构贷款余额占GDP的比例表征，科技支持（Tech）以科技财政支出占财政支出的比例表征.
1.2 模型方法 1.2.1 碳排放强度测度本研究参考张伟志等[48]研究方法，以二氧化碳排放总量与GDP比值来表征碳排放强度（CEI）. 参考丛建辉等[49]研究方法，以范围1排放、范围2排放与范围3排放之和表征碳排放量. 其中，范围1包括城镇内部能源活动（工业、交通和建筑）、工业生产过程、农业、土地利用变化和林业、废弃物处理活动产生的温室气体排放；范围2包括为满足城市消费而外购的电力、供热或制冷等二次能源产生的温室气体排放；范围3包括城镇从辖区外购买的所有物品在生产、运输、使用和废弃物处理环节的温室气体排放.
1.2.2 空间关联网络度数中心度测算空间关联网络度数中心度作为空间关联网络关联结构与该节点直接相连的关系数量，能够反映某节点在其中的活跃和连接程度，具有高度数中心度的节点在网络中通常处于核心地位. 因此，本文以城乡融合发展空间关联网络度数中心度（DEG）表征城乡融合发展空间关联网络中心度，并通过Ucinet6.0测算得到. 度数中心度表示各节点距离空间关联网络中心的远近程度，数值越高代表其越处于核心地位.
1.2.3 修正的引力模型在社会网络分析中，多数研究一般采用引力模型来构建关联网络[50]. 与VAR模型相比，引力模型考虑地区间的经济实力、人口数量、距离远近和城乡融合发展诸多要素[51]. 本研究通过修正传统的引力模型，以确定城市间城乡融合发展空间关联网络，模型设计为：
| $ Y_{i j}=\frac{M_i}{M_i+M_j} \times \frac{\sqrt[3]{M_i P_i G_i} \times \sqrt[3]{M_j P_j G_j}}{\frac{D_{i j}^2}{\sqrt{\left(g_i-g_j\right)^2}}} $ | (1) |
式中，
社会网络分析法（social network analysis，SNA）是基于“关系数据”分析关系网络的科学方法[52]. 在空间关联网络矩阵的基础上，本研究采用社会网络分析法探究网络中的成员关系，解释城乡融合发展空间关联网络结构特征. 整体网络特征包括网络密度、网络关联度、网络关系数、网络等级度和网络效率[53]；个体网络特征具体包括度数中心度、接近中心度和中介中心度[54].
1.2.5 固定效应模型为检验城乡融合发展空间关联网络中心度对碳排放的影响，构建如下回归模型[55]：
| $ \begin{aligned} \mathrm{CEI}_{i t}= & a_0+\gamma_i+\rho_t+a_1 \mathrm{DEG}_{i t}+\beta_1 \mathrm{GOV}_{i t}+ \\ & \beta_2 \mathrm{POP}_{i t}+\beta_3 \mathrm{FIN}_{i t}+\beta_4 \mathrm{Tech}_{i t}+\varepsilon_{i t} \end{aligned} $ | (1) |
式中，
为检验区域经济发展水平和碳排放绩效在城乡融合发展空间关联网络中心度影响碳排放的门槛效应，构建如下双重门槛模型[56]：
| $ \begin{aligned} \mathrm{CEI}_{i t}= & a_0+a_1 \mathrm{DEG}_{i t} \times I\left(\mathrm{Thr}_{i t} \leqslant \sigma_1\right)+ \\ & a_2 \mathrm{DEG}_{i t} \times I\left(\sigma_1<\mathrm{Thr}_{i t} \leqslant \sigma_2\right)+ \\ & a_3 \mathrm{DEG}_{i t} \times I\left(\mathrm{Thr}_{i t}>\sigma_2\right)+ \\ & a_4 \operatorname{Control}_{i t}+\gamma_i+\rho_t+\varepsilon_{i t} \end{aligned} $ | (3) |
式中，
本研究利用2011~2022年中国281个地级市面板数据（中国台湾、香港、澳门、西藏、鹤岗和莱芜等城市因城市行政区划调整或数据缺失而被剔除）. 其中，城乡融合发展水平测度数据来源于研究年份的《中国城市统计年鉴》《中国社会统计年鉴》和各城市统计年鉴；人口数据来源于研究年份的土地扫描数据集（https://landscan.ornl.gov）；碳排放核算数据来源于研究年份的《中国工业统计年鉴》《中国能源统计年鉴》《中国农业统计年鉴》等；碳排放因子参考《省级温室气体清单编制指南（试行）》以及各级政府发布的碳排放清单指南. 缺省数据通过IPCC排放因子数据库进行补充. 控制变量数据来源于研究年份的《中国城市统计年鉴》和各城市统计年鉴；能源消耗数据来源于研究年份的DMSP夜间灯光数据、《中国城市统计年鉴》；固定资产数据来源于研究年份的《中国城市统计年鉴》；绿色专利授权数据来源于中国研究数据服务平台（CNRDS）；缺失值由线性插值补充.
2 结果与分析 2.1 城乡融合发展水平时空分异特征从全国范围来看，2011~2022年中国城乡融合发展水平（level of integrated urban-rural development，LIURD）整体呈先上升后下降趋势，年增长率为2.14%（表 2）. 三大区域与全国LIURD增长趋势相同，年均增速大小表现为：西部地区（2.53%） > 中部地区（2.07%） > 东部地区（2.01%）. 其中，西部地区后发优势明显，与东部和中部地区差距呈现缩小趋势. 从空间纵向比较来看，2011~2022年东、中和西部地区LIURD均值分别为0.184、0.123和0.111，呈现由“由东向西梯度递减”的空间分布格局. 这主要是由于改革开放以来，东部地区工业化与城市化发展快速对农村地区辐射效应显著，农村产业结构、农业生产方式和劳动力就业结构等发生深刻改变，尤其是农村非农产业的发展形成不同类别块状集群经济，并以村为基础进行专业化生产和规模扩展，导致LIURD增长. 中部地区受早年“中部塌陷”困境影响，且中部六省是传统农区和粮食生产基地，存在“农业大县、工业小县和财政穷县”问题，LIURD较低. “中部崛起”战略实施后，中部地区发挥承东启西区位优势，高速有效承接东部发达地区产业转移、功能疏解以及要素流动，LIURD快速提高. 西部欠发达地区受地理因素和气候条件等自然因素制约，城乡基础设施建设薄弱，城乡融合发展相对滞后.
|
|
表 2 城乡融合发展水平 Table 2 Level of integrated urban-rural development |
2.2 城乡融合发展空间关联网络结构特征 2.2.1 城乡融合发展空间关联网络整体结构特征
基于前文核算2011~2022年市域尺度LIURD，本研究绘制2011年和2022年LIURD排名前40位城市LIURD空间分布及其关联关系. 如图 1和图 2所示，各节点大小代表不同的LIURD，方块越大，LIURD越高，连接线和箭头展示了城市间城乡融合的关联强度和方向. 中国城市间空间关联网络呈现多元交织、线程密集和流向广泛的复杂网络结构形态，2022年排名前40位城市LIURD空间关联网络中的连接线明显多于2011年排名前40位城市，说明2011~2022年中国LIURD空间关联网络中的连接线逐渐增多，城市节点的重要性明显提升.
|
图 1 2011年排名前40位城乡融合水平空间分布及其关联关系 Fig. 1 Top 40 spatial distribution and correlation of urban-rural integration in 2011 |
|
图 2 2022年排名前40位城乡融合水平空间分布及其关联关系 Fig. 2 Top 40 spatial distribution and correlation of urban-rural integration in 2022 |
通过Ucinet6.0测算中国281个城市2011~2022年LIURD空间关联网络的网络关系数、网络密度、网络关联度、网络效率和网络等级度（图 3和图 4）. 本研究期内，LIURD空间关联网络的网络关系数呈先下降后上升的趋势，由2011年12 105个下降至2013年11 577个，再上升至2022年12 671个，且距离最大可能关系数（39 340）差距较大，说明空间关联程度较低，表现出轻微扩张态势（图 3）. LIURD空间关联网络的网络密度呈现出相对平稳小幅度上升趋势，由2011年0.154上升至2022年0.161，说明空间关联程度略有上升，空间关联网络日趋庞大，且不再囿于邻近城市的溢出效应，而是突破地理边界，在非邻近城市间产生多种空间网络关联.
|
图 3 城乡融合发展空间关联网络的网络关系数和网络密度时序演变 Fig. 3 Time-series evolution of the number of network relations and network density of the spatial association network of urban-rural integration and development |
|
图 4 城乡融合发展空间关联网络的网络效率和网络等级度时序演变 Fig. 4 Time-series evolution of network efficiency and network hierarchy degree of spatial association networks for urban-rural integration and development |
空间网络关联度表示网络中各节点的可达性，当数值为1时，表明各节点间不存在不可达点数，即空间关联网络更为稳健. 网络等级度表示网络的不平等程度，数值越低表示空间关联网络越稳定，网络效率反映网络各节点的连接效率，数值越低表示各节点间的联系越紧密，即空间关联网络结构更稳定. 2011~2022年LIURD空间关联网络的网络关联度始终为1，表明网络中各节点间不存在不可达地区，即LIURD空间关联特征显著. LIURD空间关联网络的网络等级度呈平稳发展趋势，表明空间关联网络比较稳健；LIURD空间关联网络的网络效率呈下降趋势，由2011年0.780下降至2022年0.767，表明空间关联网络的内部关联线和溢出渠道呈减少趋势（图 4）.
2.2.2 城乡融合发展空间关联网络结构个体特征本研究通过Ucinet6.0测算中国281个城市2011~2022年LIURD空间关联网络的度数中心度、接近中心度和中介中心度. 本研究期内，LIURD空间关联网络的度数中心度均值呈上升态势，由2011年63.046上升至2022年66.719. 度数中心度排名靠前的城市集中分布在京津冀和长三角等地区（图 5）. 京津冀协同发展和长三角一体化发展等战略实施背景下，集聚外部性和网络外部性发挥协同作用，实现信息交流和资源要素流动，带动邻近城市发展形成良性互动. 排名靠后的城市集中分布在河西走廊地区和东北地区，主要是由于受限于地理位置和交通条件，河西走廊和东北地区难以在空间上与其他城市建立密切联系，导致与其他城市联系较弱.
|
地图基于自然资源部标准地图服务网站GS（2024）0650标准地图制作，底图无修改，下同 图 5 城乡融合发展空间关联网络度数中心度 Fig. 5 Degree centrality of the spatial correlation network of urban-rural integrated development |
接近中心度衡量某节点与其他成员的最短路径，数值越高代表其在网络中愈发充当中心行动者角色，越有助于传递信息与推动要素流动. 本研究期内，LIURD空间关联网络的接近中心度均值呈现收敛趋势，从2011年511.153下降至2022年502.633. 接近中心度排名靠前的城市集中分布在京津冀地区和珠三角地区，以上城市位于多数节点的最短路径上，对其他城市的支配和控制能力较强，是空间关联网络中的中心行动者（图 6）. 接近中心度排名靠后的城市集中分布在中西部地区，以上城市的接近中心度远低于全国平均水平，难以影响其他城市，受限于自然地理区位、交通运输条件以及经济发展水平等因素，导致与其他城市的关联度较低.
|
图 6 城乡融合发展空间关联网络接近中心度 Fig. 6 Closeness centrality of the spatial correlation network of urban-rural integrated development |
中介中心度表示节点在网络结构中的中介作用，数值越高代表该节点对其余节点传递路径的中介作用越强. 本研究期内，LIURD空间关联网络的中介中心度呈收敛趋势，均值从2011年369.986下降至2022年360.352. 承担“桥梁”功能的城市越来越少，桥梁作用不断减小（图 7）. 中介中心度排名靠前的城市集中分布在京津冀、重庆和鄂尔多斯等城市，表明以上城市可以更好地影响城乡资本、技术和劳动力要素等资源流动，在提高LIURD上发挥重要角色. 排名靠后的城市主要分布在日照、嘉峪关和酒泉市等经济欠发达城市，受限于地理区位、产业结构布局和经济发展水平等因素，难以在空间关联网络中形成中介作用.
|
图 7 城乡融合发展空间关联网络中介中心度 Fig. 7 Betweenness centrality of the spatial correlation network of urban-rural integrated development |
表 3报告了基准回归的估计结果，列（1）仅为DEG对碳排放强度的影响，列（2）至列（5）为逐步加入控制变量的结果. DEG的系数为负且始终在显著性水平1%水平上显著，表明DEG对碳排放强度存在显著的负向影响作用，“主导者”城市位于LIURD空间关联网络核心位置，在进行要素交换流动、优质资源集聚和跨区域治理等具有优势地位，先进优质生产要素流入有助于绿色低碳先进技术的扩散与应用，实现产业结构优化升级、新旧动能接续转换和新兴产业融合集群发展，从而降低区域碳排放强度.
|
|
表 3 DEG对碳排放强度的影响1） Table 3 Effect of DEG on carbon emission intensity |
2.3.2 门槛效应分析
采用门槛模型分析DEG对碳排放强度影响的非线性特征，在进行门槛效应回归前，需检验门槛效应的存在性及个数. 结果如表 4所示，碳排放绩效和地区经济发展水平通过了双重门槛检验，但未通过三重门槛检验.
|
|
表 4 门槛效应检验结果 Table 4 Threshold effect test results |
确定碳排放绩效和地区经济发展水平存在双门槛效应后，本研究进行面板门槛效应估计. 如表 5所示，当CP≤0.264时，DEG对碳排放强度的影响为正，且在1%水平下显著；当0.264 < CP≤0.402时，DEG对碳排放强度的影响系数为-0.002，但未通过显著性检验；当CP > 0.402时，DEG对碳排放强度的影响系数为-0.018，且在1%水平下显著，即DEG对碳排放强度的负向影响作用增强. 综上，当碳排放绩效较低时，DEG正向影响碳排放强度，但这种影响会随着碳排放绩效的提高而减弱，并最终变为负向影响. 这主要是由于当区域碳排放绩效较低时，LIURD空间关联网络高值节点的嵌入使得区域成为资金、产业和人口等要素的聚集地，粗放式发展模式下生产供给和消费需求的迅速扩张，从而拉升区域碳排放强度. 当区域碳排放绩效较高时，“主导者”城市在能源环境约束趋紧的条件下，需要综合考虑经济发展过程中的期望产出以及包括碳排放在内的非期望产出，有助于提高能源要素配置效率和污染治理能力，从而降低区域碳排放强度.
|
|
表 5 面板门槛模型回归结果1） Table 5 Panel threshold model regression results |
当RGDP≤24 433时，DEG对碳排放强度的影响为正，且在1%水平下显著；当24 433 < RGDP≤44 971时，DEG对碳排放强度的影响系数为-0.003，但未通过显著性检验；当RGDP > 44 971时，DEG对碳排放强度的影响系数为-0.021，且在1%水平下显著，即DEG对碳排放强度的负向影响作用增强. 综上，当地区经济发展水平较低时，DEG正向影响碳排放强度，但这种影响会随着地区经济发展水平的提升而减弱，并最终变为负向影响. 可能的解释为，当地区经济发展水平较低时，DEG提升为区域成为产业转移迁入地创造条件，特别是高碳排放的制造业的迁入，提高了迁入地的碳排放强度，发生“碳排放转移”和“碳泄漏”效应，从而提高区域碳排放强度. 当地区经济发展水平较高时，“主导者”城市在生产要素组合配置、控碳降碳规制制定和跨界跨域治理等方面拥有更多话语权，区域经济增长与DEG提升发挥叠加效应，特别是产业链和创新链融合在强化化石能源清洁高效利用和推动非化石能源替代等能源绿色低碳转型上发挥链式效应，从而降低区域碳排放强度.
2.3.3 内生性检验考虑模型中可能存在遗漏变量误差等内生性问题，以LIURD空间关联网络中介中心度作为工具变量进行内生性检验. 一方面，DEG提升和中介中心度（BET）密切相关，“中介者”城市在网络结构中承担“桥梁”功能，城市的中介中心度越高，在网络结构中越会承担“桥梁”功能，从而增加了他们与其他节点的连线机会，越容易成为度数中心度的高值节点，满足工具变量相关要求. 另一方面，BET的提高又不会直接对碳排放强度产生影响，满足工具变量的排他性要求. 内生性检验结果如表 6所示，结果表明考虑内生性问题后，DEG对碳排放强度影响的估计系数仍然显著为负，肯定了DEG对碳排放强度存在显著的负向影响作用.
|
|
表 6 内生性检验结果1） Table 6 Endogeneity test results |
2.3.4 稳健性检验
为了检验DEG显著负向影响碳排放强度这一核心结论的稳健性，本研究进行稳健性检验. 一是替换被解释变量，采用SBM模型测算碳排放绩效，并进行重新回归估计. 二是排除异常值，对被解释变量进行1%的缩尾后再进行分析. 三是剔除部分样本，考虑到北京、天津、上海和重庆这4个直辖市与其他地级市在社会经济发展水平等方面存在较大差异，剔除上述城市后，进行重新回归估计. 四是增加对外开放水平（OPEN）为控制变量，本研究参考陆香怡等[47]的研究，以进出口总额与地区生产总值的比值表征对外开放水平，并进行重新回归估计. 五是改变模型估计方法，面板数据模型的随机扰动项可能存在异方差和组间自相关等问题，采用广义FGLS模型对基准回归数据进行重新估计. 稳健性检验结果如表 7所示，模型（1）中DEG显著正向影响碳排放绩效，模型（2）至模型（5）中DEG回归系数均在1%水平下显著为负，估计结果与前文一致，表明前文的估计结果是稳健的.
|
|
表 7 稳健性检验结果1） Table 7 Robustness test results |
2.3.5 异质性分析
（1）三大经济带异质性 城市自然地理位置和社会经济发展存在差异，为检验不同地区DEG对碳排放强度的影响是否存在差异，本研究参考国家统计局对三大经济地带的区域划分，将样本城市分为3组进行回归. 表 8列（1）至列（3）结果表明，在东部地区，DEG对碳排放强度存在显著的负向影响，而中部和西部地区影响并不显著. 可能的解释为，东部地区凭借经济发展与地理区位优势，吸引高新技术产业集聚，有助于推进绿色低碳产业的发展，持续助力碳排放强度的降低.
|
|
表 8 异质性回归结果：三大经济带、地理区位和城市规模1） Table 8 Heterogeneity regression results: three economic zones, geographic location, and city size |
（2）地理区位异质性 胡焕庸线作为中国经济发展和人口分布分界线，其两侧的经济基础和人口密度存在明显差异，为考察在不同地理区位DEG对碳排放强度的影响是否存在差异，本文采用胡焕庸线为分界线，将样本城市分为胡焕庸线以东和以西2组进行回归. 表 8列（4）和列（5）结果表明，在胡焕庸线以东地区，DEG对碳排放强度存在显著的负向影响，而胡焕庸线以西地区影响并不显著. 可能的解释为，胡焕庸线以东是长三角和津京冀等城市群的集聚分布地区，不仅经济基础更为坚实，且在交通运输条件和对外开放水平上具有优势，在LIURD空间关联网络结构中位于核心位置，有利于充分发挥DEG的正外部性.
（3）城市规模异质性 城市规模涉及人口数量、土地面积和经济发展等诸多因素，为检验在不同城市规模DEG对碳排放强度的影响是否存在差异，将样本城市划分为大型城市和中小型城市2组进行回归. 表 8列（6）和列（7）结果表明，在大型城市，DEG对碳排放强度存在显著的负向影响，而中小型城市影响并不显著. 可能的解释为，城市规模与要素集聚密切相关，先进优质生产要素更容易向大型城市聚集，有助于实现先进优质生产要素、绿色低碳技术创新和新兴产业融合集群发展，更有助于发挥DEG的正外部性.
3 讨论城乡融合发展空间关联网络是在一定空间范围内，基于地域单元间要素空间自由流动、集聚扩散和协同治理形成的空间关联关系，在协调地理单元要素流动、资源分配和匹配赋能过程中具有重要作用. 一方面，与已有关于城乡融合发展的研究多停留在“场所空间”相比，本研究基于节点中心度揭示城乡融合发展空间关联网络的结构特征，有助于推动城乡融合发展研究由侧重中心性向网络化思维转变，不仅扩展了城乡融合发展的研究边界，并提供了新的视角和方法；另一方面，本研究刻画了中国市域尺度城乡融合发展空间关联网络结构特征，为理解市域尺度城乡融合发展空间关联网络结构提供了基础性事实. 此外，本研究运用固定效应模型以及门槛模型实证检验了城乡融合发展空间关联网络中心度对碳排放强度的影响，将城乡融合发展的资源经济效应延伸至碳排放效应，扩展了城乡融合发展的后效研究，为推进区域碳减排工作提供新思路.
然而，本研究仍存在不足：①本研究受限于数据精度与丰富度，本研究期为2011~2022年，在揭示城乡融合发展空间关联网络中心度对碳排放影响的动态性和阶段性上存在不足，对城乡融合发展空间关联网络中心度对碳排放影响机制缺乏深入讨论；②考虑城市近郊区与远郊区在要素空间流动特征及其增长效应上存在差异，这种差异理论上会影响城乡融合发展并进一步影响其空间关联网络结构，研究尺度和数据处理上仍待精细化. 未来研究将进一步完善：①探究连续时间序列下中国市域城乡融合发展空间关联网络中心度对碳排放的影响机制；②基于多种新型地理数据的内涵挖掘和应用，融合栅格数据、兴趣点（POI）数据和夜光遥感数据等大数据，克服单一来源数据存在的缺陷，在时空尺度上不断细化城乡融合发展空间关联网络结构研究，推动研究向精细化方向发展.
4 结论（1）2011~2022年中国城乡融合发展水平整体上呈先上升后下降趋势，呈显著空间关联网络发展格局. 整体网络结构上，本研究期内中国城乡融合发展空间关联网络结构的等级度较低且保持平稳趋势，网络稳定性强；个体网络结构上，本研究期内中国城乡融合发展空间关联网络的度数中心度呈上升趋势，接近中心度和中介中心度呈现收敛态势.
（2）基准回归结果表明，城乡融合发展空间关联网络中心度对碳排放强度存在显著的负向影响作用，且在替换被解释变量、剔除直辖市、排除异常值和改变模型估计方法等稳健性检验后，该结论依旧成立.
（3）门槛效应分析结果表明，城乡融合发展空间关联网络中心度对碳排放强度的影响呈非线性特征，当碳排放绩效或地区经济发展水平跨越两重门槛值后，城乡融合发展空间关联网络中心度的碳减排效应增强.
（4）异质性分析结果表明，城乡融合发展空间关联网络中心度对碳排放强度的影响存在显著的经济带、地理区位和城市规模差异.
| [1] | Ghosh S, Dinda S, Chatterjee N D, et al. Spatial-explicit carbon emission-sequestration balance estimation and evaluation of emission susceptible zones in an eastern Himalayan city using Pressure-Sensitivity-Resilience framework: an approach towards achieving low carbon cities[J]. Journal of Cleaner Production, 2022, 336. DOI:10.1016/j.jclepro.2022.130417 |
| [2] | Jiang P, Sonne C, You S M. Dynamic carbon-neutrality assessment needed to tackle the impacts of global crises[J]. Environmental Science & Technology, 2022, 56(14): 9851-9853. |
| [3] | Romanello M, Di Napoli C, Green C, et al. The 2023 report of the Lancet countdown on health and climate change: the imperative for a health-centred response in a world facing irreversible harms[J]. The Lancet, 2023, 402(10419): 2346-2394. DOI:10.1016/S0140-6736(23)01859-7 |
| [4] | Lahlali R, Taoussi M, Laasli S E, et al. Effects of climate change on plant pathogens and host-pathogen interactions[J]. Crop and Environment, 2024, 3(3): 159-170. DOI:10.1016/j.crope.2024.05.003 |
| [5] | International Energy Agency. CO2 emissions in 2023[EB/OL]. https://iea.blob.core.windows.net/assets/33e2badc-b839-4c18-84ce-f6387b3c008f/CO2Emissionsin2023.pdf, 2023-03-01. |
| [6] | International Energy Agency. CO2 total emissions by region, 2000-2023[EB/OL]. https://www.iea.org/data-and-statistics/charts/co2-total-emissions-by-region-2000-2023, 2024-02-27. |
| [7] |
张振旺, 李建强. 城乡融合对中国农业生态效率的影响及其机制[J]. 资源科学, 2024, 46(8): 1570-1587. Zhang Z W, Li J Q. Impact of urban-rural integration on agricultural ecological efficiency in China and mechanism[J]. Resources Science, 2024, 46(8): 1570-1587. |
| [8] |
刘笑杰, 金晓斌, 罗秀丽, 等. 城乡融合对低碳土地利用效率影响的空间效应——以长三角地区为例[J]. 自然资源学报, 2024, 39(6): 1299-1319. Liu X J, Jin X B, Luo X L, et al. Spatial effects of urban-rural integration on low-carbon land use efficiency: a case study of the Yangtze River Delta[J]. Journal of Natural Resources, 2024, 39(6): 1299-1319. |
| [9] |
张玥, 代亚强, 柯新利. 中国新型城镇化空间关联网络及其对土地利用生态效率的影响——基于网络节点中心度视角[J]. 中国土地科学, 2023, 37(9): 117-129. Zhang Y, Dai Y Q, Ke X L. Spatial correlation network characteristics of new-type urbanization and its impact on the land use eco-efficiency in China: a perspective of network centrality[J]. China Land Science, 2023, 37(9): 117-129. |
| [10] | Peters G P, Davis S J, Andrew R. A synthesis of carbon in international trade[J]. Biogeosciences, 2012, 9(8): 3247-3276. DOI:10.5194/bg-9-3247-2012 |
| [11] | Fu J F, Li Y M. Regional difference analysis on China's carbon dioxide emission embodied in exports[J]. Advanced Materials Research, 2012, 524-527: 2623-2630. DOI:10.4028/www.scientific.net/AMR.524-527.2623 |
| [12] | 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 |
| [13] |
汤李琛, 李洁, 陈慧, 等. 西部大开发地区种植业净碳汇时空格局及驱动因素[J]. 环境科学, 2025, 46(8): 4850-4863. Tang L C, Li J, Chen H, et al. Spatial-temporal patterns and driving factors of net carbon sink in planting industry in the west China development area[J]. Environmental Science, 2025, 46(8): 4850-4863. DOI:10.13227/j.hjkx.202407194 |
| [14] | Xu Z C, Li Y J, Chau S N, et al. Impacts of international trade on global sustainable development[J]. Nature Sustainability, 2020, 3(11): 964-971. DOI:10.1038/s41893-020-0572-z |
| [15] | Qin H T, Huang Q H, Zhang Z W, et al. Carbon dioxide emission driving factors analysis and policy implications of Chinese cities: combining geographically weighted regression with two-step cluster[J]. Science of the Total Environment, 2019, 684: 413-424. DOI:10.1016/j.scitotenv.2019.05.352 |
| [16] |
雷婷, 王奕淇, 王超. 中国省际旅游交通碳排放空间关联网络及影响因素[J]. 环境科学, 2025, 46(1): 53-65. Lei T, Wang Y Q, Wang C. Spatial correlation network and influencing factors of carbon emissions from interprovincial tourism transportation in China[J]. Environmental Science, 2025, 46(1): 53-65. DOI:10.13227/j.hjkx.202402137 |
| [17] |
吴康, 耿一睿, 郭涛. 城市群绿色技术创新对碳排放的影响——基于人力资本的调节效应[J]. 自然资源学报, 2024, 39(9): 2121-2139. Wu K, Geng Y R, Guo T. The impact of green technology innovation on carbon emissions from the perspective of urban agglomeration: the moderating effect of human capitals[J]. Journal of Natural Resources, 2024, 39(9): 2121-2139. |
| [18] |
韩楠, 罗新宇. 多情景视角下京津冀碳排放达峰预测与减排潜力[J]. 自然资源学报, 2022, 37(5): 1277-1288. Han N, Luo X Y. Carbon emission peak prediction and reduction potential in Beijing-Tianjin-Hebei region from the perspective of multiple scenarios[J]. Journal of Natural Resources, 2022, 37(5): 1277-1288. |
| [19] |
朱晓娴, 王艳伟, 池江涛, 等. 新型城镇化对碳全要素生产率的影响[J]. 环境科学, 2025, 46(9): 5512-5523. Zhu X X, Wang Y W, Chi J T, et al. Impact of new urbanization on total factor productivity of carbon[J]. Environmental Science, 2025, 46(9): 5512-5523. DOI:10.13227/j.hjkx.202407317 |
| [20] |
段冶, 钟娟娟, 孙才志. 数字经济对沿海地区能源碳排放影响与作用机制[J]. 环境科学, 2025, 46(9): 5454-5464. Duan Y, Zhong J J, Sun C Z. Impact and mechanism of the digital economy on energy carbon emissions in coastal areas[J]. Environmental Science, 2025, 46(9): 5454-5464. |
| [21] |
陈飞, 徐鹤, 李永贺. 长三角地区城市密度对碳排放绩效的影响效应与机制[J]. 生态学报, 2024, 44(10): 4092-4104. Chen F, Xu H, Li Y H. Low-carbon development effects and mechanisms of urban density in the Yangtze River Delta region[J]. Acta Ecologica Sinica, 2024, 44(10): 4092-4104. |
| [22] |
周德, 戚佳玲, 钟文钰. 城乡融合评价研究综述: 内涵辨识、理论认知与体系重构[J]. 自然资源学报, 2021, 36(10): 2634-2651. Zhou D, Qi J L, Zhong W Y. Review of urban-rural integration evaluation: connotation identification, theoretical analysis, and system reconstruction[J]. Journal of Natural Resources, 2021, 36(10): 2634-2651. |
| [23] |
朱玉春, 胡乃元, 马鹏超, 等. 统筹推进县域城乡融合发展: 理论内涵、实践路径与政策建议[J]. 农业经济问题, 2024(2): 98-108. Zhu Y C, Hu N Y, Ma P C, et al. Coordinated promotion of integrated urban-rural development at county level: theoretical connotation, practical path and policy suggestions[J]. Issues in Agricultural Economy, 2024(2): 98-108. |
| [24] |
周佳宁, 秦富仓, 刘佳, 等. 多维视域下中国城乡融合水平测度、时空演变与影响机制[J]. 中国人口·资源与环境, 2019, 29(9): 166-176. Zhou J N, Qin F C, Liu J, et al. Measurement, spatial-temporal evolution and influencing mechanism of urban-rural integration level in China from a multidimensional perspective[J]. China Population, Resources and Environment, 2019, 29(9): 166-176. |
| [25] |
陈浩, 华莹莹. 长三角核心区城乡融合高质量发展水平测度、时空演化与障碍因子[J]. 长江流域资源与环境, 2024, 33(10): 2071-2084. Chen H, Hua Y Y. Measurement, evolution and obstacle factors of high-quality development level of urban-rural integration in the core area of the Yangtze River Delta[J]. Resources and Environment in the Yangtze Basin, 2024, 33(10): 2071-2084. |
| [26] |
陈坤秋, 龙花楼. 中国土地市场对城乡融合发展的影响[J]. 自然资源学报, 2019, 34(2): 221-235. Chen K Q, Long H L. Impacts of land market on urban-rural integrated development in China[J]. Journal of Natural Resources, 2019, 34(2): 221-235. |
| [27] |
代亚强, 张玥, 柯新利, 等. 乡村地域多功能的空间关联网络结构特征及其对城乡融合发展的影响——以河南省为例[J]. 自然资源学报, 2023, 38(8): 2059-2075. Dai Y Q, Zhang Y, Ke X L, et al. Structural characteristics of spatial correlation network of rural territorial multi-functions and its impact on urban-rural integrated development: a case study of Henan province[J]. Journal of Natural Resources, 2023, 38(8): 2059-2075. |
| [28] |
崔树强, 周国华, 戴柳燕, 等. 基于地理学视角的城乡融合发展研究进展与展望[J]. 经济地理, 2022, 42(2): 104-113. Cui S Q, Zhou G H, Dai L Y, et al. Research progress and prospects of urban-rural integrated development based on geographical perspective[J]. Economic Geography, 2022, 42(2): 104-113. |
| [29] |
邹璇, 杨旭, 刘晨. 中国城市内部多中心结构对碳排放强度的影响及其机制[J]. 资源科学, 2024, 46(7): 1284-1298. Zou X, Yang X, Liu C. The impact and mechanism of polycentric structure within Chinese cities on carbon emission intensity[J]. Resources Science, 2024, 46(7): 1284-1298. |
| [30] |
汪辉平, 刘佩玲. 中国城市绿色创新网络结构特征及对碳排放的影响[J]. 环境科学, 2025, 46(3): 1450-1461. Wang H P, Liu P L. Network structural characteristics of urban green innovation of China and its impact on carbon emissions[J]. Environmental Science, 2025, 46(3): 1450-1461. DOI:10.13227/j.hjkx.202402005 |
| [31] |
程兰花, 杨显明, 吴昕燕. 黄河流域城市紧凑度对碳排放绩效的影响[J]. 干旱区地理, 2025, 48(5): 838-853. Cheng L H, Yang X M, Wu X Y. Impact of urban compactness on carbon emission performance in the Yellow River Basin[J]. Arid Land Geography, 2025, 48(5): 838-853. |
| [32] |
刘建华, 闫静, 王慧扬, 等. 黄河流域农业科技创新对农业碳排放强度影响研究[J]. 生态经济, 2024, 40(12): 118-127. Liu J H, Yan J, Wang H Y, et al. The influence of agricultural technological innovation on agricultural carbon emission intensity in the Yellow River Basin[J]. Ecological Economy, 2024, 40(12): 118-127. |
| [33] |
曾妍雯, 田云, 郑家喜. 农业生产性服务对农业碳排放效率的影响—基于中介效应和门槛效应的检验[J/OL]. 中国农业资源与区划, 1-16. https://link.cnki.net/urlid/11.3513.S.20241128.1105.010. Zeng Y W, Tian Y, Zheng J X. The impact of agricultural productive services on agricultural carbon emission efficiency: an empirical analysis of mediating and threshold effects[J/OL]. Chinese Journal of Agricultural Resources and Regional Planning, 1-16. https://link.cnki.net/urlid/11.3513.S.20241128.1105.010. |
| [34] |
刘洋, 邵帅, 徐乐. 农村电商发展有助于碳减排吗?——来自淘宝村建设的证据[J]. 中国人口·资源与环境, 2024, 34(8): 36-46. Liu Y, Shao S, Xu L. Can rural e-commerce help reduce carbon emissions? Evidence from Taobao Village construction[J]. China Population, Resources and Environment, 2024, 34(8): 36-46. |
| [35] |
闫东升, 孙伟, 李平星. 中国城乡居民收入差距对碳排放强度的作用机制——基于面板数据的实证分析[J]. 自然资源学报, 2023, 38(9): 2403-2417. Yan D S, Sun W, Li P X. Research on the mechanism of urban-rural residents income gap on carbon emission intensity: a panel data analysis[J]. Journal of Natural Resources, 2023, 38(9): 2403-2417. |
| [36] |
谢会强, 吴晓迪. 城乡融合对中国农业碳排放效率的影响及其机制[J]. 资源科学, 2023, 45(1): 48-61. Xie H Q, Wu X D. Impact and its mechanism of urban-rural integration on the efficiency of agricultural carbon emissions in China[J]. Resources Science, 2023, 45(1): 48-61. |
| [37] |
董冠鹏, 张航, 郭雨臣. 基于空间计量模型的城市网络外部性定量测度[J]. 地理研究, 2023, 42(2): 495-513. Dong G P, Zhang H, Guo Y C. Urban network externality modelled through spatial econometric models[J]. Geographical Research, 2023, 42(2): 495-513. |
| [38] | Ma L B, Liu S C, Fang F, et al. Evaluation of urban-rural difference and integration based on quality of life[J]. Sustainable Cities and Society, 2020, 54. DOI:10.1016/j.scs.2019.101877 |
| [39] | Liu Y S, Lu S S, Chen Y F. Spatio-temporal change of urban–rural equalized development patterns in China and its driving factors[J]. Journal of Rural Studies, 2013, 32: 320-330. DOI:10.1016/j.jrurstud.2013.08.004 |
| [40] | Niu K Z, Xu H Z. Urban–rural integration and poverty: different roles of urban–rural integration in reducing rural and urban poverty in China[J]. Social Indicators Research, 2023, 165(3): 737-757. DOI:10.1007/s11205-022-03042-0 |
| [41] |
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. |
| [42] |
张军, 吴桂英, 张吉鹏. 中国省际物质资本存量估算: 1952—2000[J]. 经济研究, 2004, 39(10): 35-44. Zhang J, Wu G Y, Zhang J P. The estimation of China's provincial capital stock: 1952—2000[J]. Economic Research Journal, 2004, 39(10): 35-44. |
| [43] |
吴健生, 牛妍, 彭建, 等. 基于DMSP/OLS夜间灯光数据的1995-2009年中国地级市能源消费动态[J]. 地理研究, 2014, 33(4): 625-634. Wu J S, Niu Y, Peng J, et al. Research on energy consumption dynamic among prefecture-level cities in China based on DMSP/OLS nighttime light[J]. Geographical Research, 2014, 33(4): 625-634. |
| [44] |
杨刚强, 王海森, 范恒山, 等. 数字经济的碳减排效应: 理论分析与经验证据[J]. 中国工业经济, 2023(5): 80-98. Yang G Q, Wang H S, Fan H S, et al. Carbon reduction effect of digital economy: theoretical analysis and empirical evidence[J]. China Industrial Economics, 2023(5): 80-98. |
| [45] |
陆香怡, 赵彦云. 绿色发展目标下智慧城市建设对碳排放效率的影响研究[J]. 经济问题探索, 2024(3): 155-171. Lu X Y, Zhao Y Y. Research on the impact of smart city construction on carbon emission efficiency under the green development goals[J]. Inquiry into Economic Issues, 2024(3): 155-171. |
| [46] |
周灿, 刘文丽, 林声甜, 等. 长江经济带城市绿色技术创新对碳排放影响的空间效应研究[J]. 长江流域资源与环境, 2024, 33(9): 1833-1843. Zhou C, Liu W L, Lin S T, et al. Spatial effect of urban green technology innovation on carbon emissions in Yangtze River Economic Belt[J]. Resources and Environment in the Yangtze Basin, 2024, 33(9): 1833-1843. |
| [47] | 王国梁, 胡敏. "东数西算"工程与传统产业和数字产业碳排放[J]. 统计与决策, 2023, 39(12): 96-101. |
| [48] |
张伟志, 陈学刚. 黄河流域低碳经济转型的时空格局、区域差异及动态演进[J]. 环境科学, 2025, 46(9): 5554-5565. Zhang W Z, Chen X G. Spatiotemporal pattern, regional disparities, and dynamic evolution of low-carbon economic transition in the Yellow River Basin[J]. Environmental Science, 2025, 46(9): 5554-5565. DOI:10.13227/j.hjkx.202408140 |
| [49] |
丛建辉, 刘学敏, 赵雪如. 城市碳排放核算的边界界定及其测度方法[J]. 中国人口·资源与环境, 2014, 24(4): 19-26. Cong J H, Liu X M, Zhao X R. Demarcation problems and the corresponding measurement methods of the urban carbon accounting[J]. China Population, Resources and Environment, 2014, 24(4): 19-26. |
| [50] |
吉雪强, 张壮, 李卓群, 等. 中国新质生产力空间关联网络结构时空演化特征及驱动因素[J]. 资源科学, 2025, 47(2): 373-388. Ji X Q, Zhang Z, Li Z Q, et al. Spatiotemporal evolution characteristics and driving factors of the spatial correlation network structure of China's new quality productive forces[J]. Resources Science, 2025, 47(2): 373-388. |
| [51] |
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. |
| [52] |
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. |
| [53] |
吉雪强, 张跃松. 长江经济带种植业碳排放效率空间关联网络结构及动因[J]. 自然资源学报, 2023, 38(3): 675-693. Ji X Q, Zhang Y S. Spatial correlation network structure and motivation of carbon emission efficiency in planting industry in the Yangtze River Economic Belt[J]. Journal of Natural Resources, 2023, 38(3): 675-693. |
| [54] |
初楠臣, 张平宇, 姜博. 基于日高铁流量视角的中国高速铁路网络空间特征[J]. 地理研究, 2018, 37(11): 2193-2205. Chu N C, Zhang P Y, Jiang B. Spatial characteristics of Chinese high-speed railway network from the perspective of daily flow[J]. Geographical Research, 2018, 37(11): 2193-2205. |
| [55] |
邓苏昊, 陈珏颖, 张鑫蕊, 等. 数字经济驱动城乡融合发展的内在机理与实证检验——来自中国275个地级市的经验证据[J]. 农业技术经济, 2024(12): 68-83. Deng S H, Chen J Y, Zhang X R, et al. The inner mechanism and empirical testing of digital economy driving urban-rural integration development: evidence from 275 prefecture-level cities in China[J]. Journal of Agrotechnical Economics, 2024(12): 68-83. |
| [56] |
张泽楚, 李巍. 数字经济对黄河流域资源型城市绿色效率的驱动作用[J]. 资源科学, 2024, 46(3): 475-487. Zhang Z C, Li W. Driving effects of digital economy on green efficiency of resource-based cities in the Yellow River Basin[J]. Resources Science, 2024, 46(3): 475-487. |