2020年9月习近平主席在第七十五届联合国大会上首次提出“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”的目标（简称“双碳”）. 提升碳排放效率是达成“双碳”目标的关键，城市活动是碳排放的主要来源，因此未来城市节能减排至关重要^[1，2]. 然而，传统研究多聚焦于城市内部要素对碳排放效率作用，忽略了城市间复杂网络互动对碳排放效率的潜在影响. 城市网络理论的发展为此提供一种全新的视角研究. 在区域一体化背景下，活动主体间竞争与合作已是常态. 城市是经济、信息和企业活动的载体，活动主体间所引发的竞争与合作关系作用于城市，进而形成复杂动态的网络空间结构. 过去活动主体受地理邻近性影响与对方建立联系，而如今大数据、云计算和物联网等发展，城市中各要素互动突破场所限制，向流动空间演化^[3]. 即使地处偏僻的活动主体也可能是作为网络的中介者传输实体或虚拟物质. 活动主体间竞争与合作关系越密切，越促进城市中资源流动从而对环境产生一定影响，如将高技术和优质劳动力等要素引入合作地区可提高当地创新能力，有效治理污染. 因此，在碳中和与区域一体化目标协同推进的背景下，研究城市网络对碳排放效率影响机制具有重要意义.

当前，碳排放效率研究范围主要集中在国家级、省级、地级市和县域等^[4~7]；研究内容上涉及交通、旅游和工业等不同行业^[8~10]；研究数据上，目前碳排放效率指标可分为单一和全要素测算，碳排放效率是社会经济活动投入和产出要素共同作用的结果^[11]，因此全要素测算可反映区域碳排放效率真实水平，其中关于负向产出碳排放量的计算，目前除了采用城市直接碳排放量、隐含碳排放和夜间灯光等数据来表示^[12~14]，也有学者将碳排放划分为范围一、范围二和范围三，更全面统计城市碳排放量^[15]；研究方法及结果上，主要采用Did模型、Stirpat模型和Tobit模型等来分析碳排放效率的影响因素，发现会受到政策实施、城镇化水平发展、能源供应和土地资源配置等城市属性要素影响^[16~18]. 此外，已有研究表明碳排放效率会受地理邻近地区溢出效应影响^{[11，19，20]}，但该影响作用受限于地理距离. 那么相距较远两个地区是否存在互动联系，跨区域的互动是否影响碳排放效率呢？

关于城市网络的研究也颇为丰富. 研究视角上，从单一信息、企业、贸易和知识流等视角转向多元流方向发展^[21~25]，研究焦点也从全球和全国大尺度转向对某一特定区域进行深入研究^[26~29]. 研究内容上，一是更深层次观察分析城市网络空间结构，发现城市网络具有层级性、区域性和重叠性等特征^[30~32]；二是研究重点从关注城市网络影响因素到分析网络外部性所带来的影响转变^[33~36]. 传统集聚外部性更依赖地理邻近，而网络外部性则突破地理距离，更关注网络邻近性影响即跨边界要素流动所产生的互动联系对活动主体的影响. 城市网络外部性具有“俱乐部”特征，即多个主体城市合作效益相较于单个发展城市来说，通常会带来1+1 > 2的效果^[37]. 此外，当下城市网络外部性关注重点已从经济绩效转向环境绩效^[38~41]. 已有研究讨论城市网络外部性对碳减排的影响，如盛科荣等发现中国制造业500强企业网络能通过价值链重组效应、中间产品多样化效应和网络竞争效应提升碳排放效率^[42]. 但在互联网发展背景下，城市网络的构成并非仅受单一要素影响，应从综合性角度看待要素流对碳排放效率的作用并深入探讨其内在影响机制.

长三角作为我国经济活跃区域之一，城市间存在紧密的竞争合作关系促使各类要素流融合加速，空间协同效应日益显著^[43]. 与此同时，长三角碳排放量约占全国17%，节能减排任务艰巨. 因此了解长三角城市网络对碳排放效率的影响，对区域内各城市共同实现碳中和目标具有重要意义. 本文利用2011~2022年长三角地区41个地级市的碳排放效率、城市网络及其他相关经济数据，首先观察分析碳排放效率的空间分布特征和城市信息、企业和经济网络时空演化特征以及社区结构；然后构建高维固定效应模型分析城市网络对碳排放效率的影响及异质性作用，再从信息溢出效应、企业协同效应和经济合作效应这三方面深入剖析城市网络对碳排放效率的内在影响机制；最后提出对策建议，以期为通过优化城市网络区域协同提升碳排放效率决策提供理论和实践依据.

1 材料与方法 1.1 理论分析 1.1.1 城市网络对碳排放效率影响

活动主体间竞争和合作的关系不断加强促使城市网络的形成，在此过程中主要表现为主动合作和被动竞争，这两种模式的开展促进区域要素流动对环境产生影响，具体体现在以下两点：一是活动主体间主动开展合作，通过信息共享、企业分工和市场协同等方式，使劳动力和技术等要素流动突破地域限制，促进整体区域资源得到优化配置. 同时受网络邻近影响，网络影响力高的城市对合作城市产生技术溢出效应，跨区域低碳技术的应用能够有效减少合作方碳排放. 二是活动主体间产生被动竞争关系，即竞争中产生合作，竞争中合作最后呈现竞争向合作转变趋势^[44]，这种模式主要以企业为活动主体，当大城市拥有更多的资源占据优势地位时，中小城市企业为突破本地自产自销局限，与外界建立更多的联系，如上海和江苏劳动密集型企业向安徽迁入，本地企业感到压力从而加快技术创新并提高生产效率，不仅拓宽了市场也减少了商品能源消耗. 总的来看，城市网络会受城市间主动合作与被动竞争关系影响推动区域低碳发展.

综上提出假设1：城市网络会提高碳排放效率.

1.1.2 城市网络对碳排放效率的影响机制

城市间会通过信息、企业和经济等活动来建立竞争与合作联系，产生信息溢出效应、企业协同效应和经济合作效应，引起经济结构数字化升级、企业生产模式提效和市场化合理配置资源，从而提高区域全要素碳排放效率水平. 具体表现在以下3个方面：①信息溢出效应，数字化发展重塑区域间交互关系对城市生产和消费端产生影响^[45]. 长三角大数据资源平台通过如“一网协同”“一码畅游”等推广实现跨区域共享资源. 对企业而言，数据互联互通能促进产业间协调融合，将传统工业与数字产业结合优势互补并优化生产流程，促使低附加值产业向高附加值、数字化及低碳化转型；而对公众而言，数据共享可以拓宽消费者环保知识获取途径并利用平台推广宣传低碳行动等方式来引导公众选择低碳消费^[46]. ②企业协同效应，当外部交易成本过高，企业为逃避竞争选择纵向一体化发展，整合采购、生产及销售等产业链环节，推进用地集约化并提升自身技术创新能力来增强企业竞争力；而当内部管控成本高于外部交易成本时，企业考虑区域内部地理位置及资源等条件与同部门城市建立伙伴联系，通过专业化分工实现资源共享和扩大生产优势^[47]. 同时网络合作中的企业具有模仿和学习能力，边缘企业会主动学习核心企业低碳技术，改良自身生产工艺和降低能源消耗. ③经济合作效应，城市间经济合作密切促使更多的资本和劳动力进入市场并且得到流转，欠发达地区受益于此，从而扩大生产规模并促使技术效率提升. 随着市场门槛不断提高，优质资本和高素质劳动力的流入带来技术进步，解决了欠发达地区高能耗低技术的瓶颈问题. 另外，碳排放交易政策的执行也是城市经济合作的表现之一. 通过市场化手段合理配置企业碳排放，对于出售和购买双方来说，均有利于促进碳减排市场要素流动，进而实现碳减排^[48].

综上提出假设2：城市网络可通过信息溢出效应、企业协同效应和经济合作效应来提高碳排放效率.

根据以上分析，构建理论框架图，如图 1所示.

1.2 模型构建 1.2.1 非期望产出的超效率SBM模型

采取非期望产出的超效率SBM模型测算2011~2022年长三角地区碳排放效率. 相较于传统SBM模型来说，非期望产出的超效率SBM模型效率值大于1能进一步区分决策单元间的细微差别并将非期望产出CO₂排放量指标考虑在内. 因此参考及添正等^[49]构建非期望产出的超效率SBM模型，具体公式如下：

$ \begin{gathered} \min \rho^*=\frac{\frac{1}{n} \sum\limits_{q=1}^n\left(\frac{\bar{x}}{x_{q g}}\right)}{\frac{1}{r_1+r_2}\left(\sum\limits_{d=1}^{r_1} \frac{\bar{y}^e}{y_{d g}^e}+\sum\limits_{l=1}^{r_2} \frac{\bar{y}^w}{y_{l g}^w}\right)} \\ \text { s.t. }=\left\{\begin{array}{l} \bar{x} \geqslant \sum\limits_{a=1, x_g}^n \beta_a x_{q a}, \quad q=1,2, \cdots, n \\ \bar{y}^{\mathrm{c}} \leqslant \sum\limits_{a=1,{ }_k}^n \beta_a y_{d a}^e, \quad d=1,2, \cdots, r_1 \\ \bar{y}^w \geqslant \sum\limits_{a=1,{ }_k}^n \beta_a y_{l a}^n, \quad l=1,2, \cdots, r_2 \\ \bar{x} \geqslant x_g, \bar{y}^c \leqslant y_g^e, \bar{y}^w \geqslant y_g^w \\ \lambda_a \geqslant 0, \quad a=1,2, \cdots, m \end{array}\right. \end{gathered} $

(1)

式中，ρ^* 为城市碳排放效率值；n为决策单元数量；r₁和r₂分别为期望产出和非期望产出要素的数量； x ¯ 、 y ¯ c 和 y ¯ w 分别为投入、期望产出和非期望产出的松弛量：x_qg、 y d g c 和 y l g w 分别为经松弛量修正的第g个DMU中最优的q要素投入值、d要素期望产出值和i要素非期望产出值；x_qa、 y d a c 和 y l a n 分别为第a个DMU的q要素投入值、d要素期望产出值和i要素非期望产出值；λ为权重.

1.2.2 基准回归模型

对文中缺失的数据采用插值法进行填充并构建城市网络影响碳排放效率的高维固定效应模型，具体公式如下：

e f f = δ 1 c o m p + δ 2 c t r l + μ i + λ t + ε i t

(2)

式中，i和t分别表示城市和年份；eff表示碳排放效率；comp表示综合网络加权度；ctrl表示控制变量；μ_i表示个体固定效应；λ_t表示时间固定效应；ε_it表示随机误差项.

1.2.3 机制检验

城市网络可通过信息溢出效应、企业协同效应和经济合作效应这3种途径来影响碳排放效率（范围一、范围二和范围三）. 因此，采用信息、企业和经济加权度作为机制变量. 以范围一为例，具体公式如下：

e f f = δ 3 i n f o + δ 4 c t r l + μ i + λ t + ε i t

(3)

e f f = δ 5 c o + δ 6 c t r l + μ i + λ t + ε i t

(4)

e f f = δ 7 e c o n + δ 8 c t r l + μ i + λ t + ε i t

(5)

式中，i和t分别表示城市和年份；eff表示范围一碳排放效率；info、co和econ分别表示信息、企业及经济网络加权度；ctrl表示控制变量；μ_i表示个体固定效应；λ_t表示时间固定效应；ε_it表示随机误差项.

1.3 数据来源 1.3.1 被解释变量

被解释变量为碳排放效率，投入指标包括实际固定资本存量、城市劳动力、城市建设用地面积和知识创新，产出指标包括实际GDP和CO₂排放量. 指标具体含义如表 1所示.

1.3.2 核心解释变量

（1）信息网络构建  数据来源于百度指数网站（http://index.baidu.com），在网站上获取2011~2022年的两城市间年度搜索指数整体日均值数据，构建有向41×41信息联系矩阵.

（2）企业网络构建  采用连锁模型构建企业联系矩阵，首先在网站天眼查（https://www.tianyancha.com）和企查查（https://www.qcc.com）中获取企业地址数据，其次对数据进行清洗，剔除地址不明确及缺失等无效信息，最后根据两两企业所在城市位置信息，构建有向41×41企业联系矩阵.

（3）经济网络构建  2011~2022年的经济总量和人口规模数据来源于各省市统计年鉴，地理距离则是在百度地图上搜索两两城市间公路距离. 参考劳昕等^[52]对引力模型进行修正，计算出两城市间经济引力值，构建无向41×41经济联系矩阵.

M = M a b + M b a

(6)

式中，M表示城市a和城市b的联系强度；M_ab表示城市a到城市b的信息、企业和经济联系数；M_ba表示城市b到城市a的信息、企业和经济联系数.

以往研究中将度中心性、中介中心性和接近中心性等视为城市网络影响力的表征^[3，53]，而长三角经济和信息流中每个城市互有联系，度中心性、中介中心性和接近中心性均为100、0和100，无法区分城市网络影响力大小. 因此将信息、企业网络转化为无向矩阵并通过ucinet软件计算信息、企业和经济网络加权度. 网络加权度表示加权后与节点相连的所有边的权重之和. 具体公式如下：

S i = ∑ j ∈ N ( i ) w i j

(7)

式中，S表示信息、企业和经济加权度，N表示相连的信息、企业和经济节点总数，w_ij表示节点i和节点j之间连接的信息、企业和经济权重.

随后，参考幸丽君等^[54]对信息、企业和经济网络加权度分别赋0.33权重并进行加总，测算出网络综合加权度.

1.3.3 控制变量

城市中的其他要素可能也会影响碳排放效率，参考相关研究选取以下4个变量作为控制变量^{[17，55，56]}：①对外开放水平为进出口总值和地区生产总值的比值；②城镇化水平为城镇常住人口和总常住人口的比值；③科学技术水平为科学技术支出与财政一般支出的比值；④环境规制为一般工业固体废物综合利用率. 控制变量数据来源于EPS数据库和统计年鉴.

2 结果与讨论 2.1 城市网络时空演变特征

将城市网络联系强度和节点强度（加权度）划分为5级. 由图 2可知，三者所构建的网络空间结构具有一定相似性. ①城市网络联系具有扩散性，2011年以上海为核心，对外发出联系；2016年上海与杭州、南京及合肥等多个次核心城市建立密切联系，形成多中心网络格局；2022年形成以杭州-宁波-南京-上海-合肥为核心的网络空间结构. ②城市网络联系具有层级性，一级和二级联系主要为上海↔杭州、上海↔苏州及上海↔宁波等大城市间联系；三级和四级城市联系则受行政边界限制，省内其他城市与省会城市建立联系；五级联系则是中小城市间联系. 此外，节点加权度越高则表明节点的影响力越大，信息网络二级节点迅速增长，影响力显著提升，而企业和经济城市网络影响力增长态势相对稳定. 网络加权度高值的城市主要集中长三角东南部，而低值分布在西北部. 总的来看，三者城市平均联系数从48 791增长到142 707，平均网络密度（0.258~0.255）无较大变化，平均路径长度（2.232~2.178）有所缩小，整体网络冗余度降低. 核心城市不断增多，边缘城市向次边缘城市转化，节点影响力整体空间分布上呈现西低东高及南低北高的特征.

2.2 城市网络社区结构分析

将信息、企业和经济网络转化为01矩阵，通过gephi软件对其进行社区识别并在模块化中取消随机模式，解析度取1. 从图 3来看，信息、企业和经济流所划分的城市网络社区结构呈现以下4个特征：①社团结构多样化，信息流视角下，数据共享形成三大社区结构，社区一、社区二和社区三信息联系分别占总信息活动联系的42.07%、28.06%和29.87%；企业流视角下，企业分工所形成三大社区结构，社区一、社区二和社区三企业联系分别占总企业活动联系的11.82%、34.50%和53.68%；经济流视角下，经济合作则形成四大社区结构，社区一、社区二、社区三和社区四经济联系分别占总经济活动的17.51%、25.17%、42.32%和15.00%. 进一步观察发现，当考虑到地理位置、资源和政策条件等因素，企业和经济网络分化而成的社团具有重叠性，社区三中个体联系密切活跃度高，而社区一中个体联系较弱. ②社团结构小团体结构明显，2011年、2016年和2022年这三者的社团结构模块度均低于0.3，这说明社团间联系其实并不紧密，反而以社团内部联系为主. 未来应加强跨区域社区合作，通过共享资源构建更为紧密城市网络联系. ③社团结构跨区域性强，企业和经济活动主体主要瞄准省内市场机会，以省内联系为主. 信息技术具有检索能力强和关注范围广等特点，活动主体利用信息技术所建立的虚拟联系，有利于减少人员和物资消耗如线上服务的开展，更方便活动主体跨省域进行交流. ④社团结构变动性强，参与网络活动建设的城市，其所在的社区位置并不是固定的，而是出于某些关系考量不断与其他城市建交，重塑社团结构，如2011年信息网络中杭州市位于社区二，2016和2022年位于社区一，而在企业和经济网络中杭州市始终位于社区三中，这说明省外城市对杭州各方面的信息关注度更大，而省内城市则着重关注于与杭州的经济合作和企业投资等方面. 此外，信息网络社团结构变动性高于企业和经济网络，这也与第三点中信息网络具有较强的跨区域性有关. 总的来看，社区结构并不是随意生成的，复杂的空间结构是在城市间相互合作及博弈过程中所形成.

2.3 碳排放效率时空演变特征

利用AcrGIS自然断点法将2011年、2016年和2022年的范围一、范围二和范围三划分为低值、较低值、中值、较高值和高值这5个等级. 结合图 4和图 5可以观察发现：①规模上，范围一碳排放量远大于范围二和范围三；但三者碳排放效率量上并无较大差别. ②时间上，2011~2022年三者碳排放量平稳增长. 整体碳排放效率有所上升，可划分为3个阶段，第一阶段2011~2015年整体呈大幅上升趋势，在2015年达到峰值，分别为0.81、0.76和0.79，提升了32.79%、28.81%和21.52%；第二阶段2016~2018年整体有所下降，降低了14.81%、10.53%和18.99%；第三阶段2019~2022年范围一和范围二并无较大变化波动而范围三呈先小幅上升后下降趋势. ③空间上，整体碳排放效率空间差异性有所缩小. 2011年三者高值和较高值区主要集中在安徽省境内和浙西南地区，该地区经济活跃度较低，能源消耗少，呈现高水平碳排放效率；而低值和较低值区则集中在长三角中部及皖中地区，结合图 2来看，皖中地区主要以中小城市间联系为主，中小城市对技术、资本、土地和人力等投入要素调控能力有限，仅依靠自身薄弱的联系无法吸纳其他大城市带来的资源，难以有效提高本地碳排放效率. 而杭州和南京等大城市呈现较低水平，原因可能是过高的城市间联系造成环境负荷. 2022年较高和高值区主要分布在苏南和浙南地区，该地区跨区域合作密切，加速要素优化配置，推动碳排放效率提升；与2011年相比，低值和较低值区数量减少，但还是主要集中在皖中和浙北地区. 因此，未来不仅要加强中小城市与大城市间联系，增强中小城市资源调控能力，改善碳排放环境，同时也要注意大城市之间过多联系带来的碳排放压力.

2.4 实证结果分析 2.4.1 基准回归结果

城市网络对碳排放效率的影响实证分析结果如表 2中（1）列所示，城市网络系数在1%水平上正向显著. 城市网络每提高一个单位，碳排放效率将提升0.066个单位. 一方面城市网络影响力整体提高，资源调配能力增强，有助于产业结构数字化转型减少碳排放、企业上下游协同推动产业链绿色升级及通过市场化手段优化资源配置，从而推动区域节能减排目标达成；另一方面上海和苏州等核心城市在整个网络中占据重要位置，通过合作传输高素质劳动力和绿色技术等要素，带动边缘城市低碳发展.

2.4.2 内生性检验

实证假设可能存在反向因果引起内生性问题从而造成结果偏差，因此本文选取河流密度与地形坡度倒数的乘积并引入年份趋势变量构建交互项来作为工具变量进行内生性检验. 原因如下：①一般来说，区域内信息传播、产业分工和经济合作等活动会选择地形平坦地带开展. 地形坡度通常会受河流密度影响，河流密集地区地形较为平坦，而地形坡度反过来也会对河流的发育产生影响，两者相互作用共同制约区域发展条件，影响城市间联系. ②河流密度和地形坡度属于自然地理要素，无法影响碳排放效率，满足工具变量外生性要求. ③河流密度与地形坡度不随时间变化，因此与年份趋势变量相乘构建交互项. 内生性检验结果如表 2中（2）列和（3）列所示，在一阶段回归中，工具变量的系数为0.001且显著为正，F值为15.763，大于10；在二阶段回归中，城市网络系数为0.178，仍显著为正，Kleibergen-Paap rk Wald F statistic统计值为28.991，大于10%临界值，说明模型不存在弱工具变量问题. 总的来看，在考虑内生性问题后城市网络提高碳排放效率结论依然成立.

2.4.3 稳健性检验

为进一步验证研究结论的稳健性，采用以下4种方法进行稳健性检验. ①替换回归模型，xttobit模型能够处理单向截尾受限数据且文中计算的碳排放效率数值大部分位于0~1之间^[57]，因此采用xttobit模型重新进行回归. ②替换被解释变量，将单要素指标（城市GDP与城市CO₂排放量的比值）替换原被解释变量重新进行回归. ③数据缩尾，考虑到数据可能存在异常值，对所有数据进行1%以下及99%上缩尾剔除，将缩尾后的数据重新进行回归. ④改变样本时期，考虑到2020~2022年城市间联系和碳排放会受到公共卫生事件影响，因此剔除2020~2022年样本重新进行回归. 稳健性检验结果如表 3中（1）~（4）列所示，核心解释变量系数均在1%水平显著为正，表明实证结果具有一定稳健性.

2.4.4 异质性检验

（1）城市性质差异性  政府在制定区域政策时会考虑城市的性质，差异化进行资源配置，导致城市间发展水平不均衡，也会对生态环境也产生不同影响. 为探究中心及非中心城市的城市性质差异是否会对城市网络影响碳排放效率产生异质性作用，本文根据《长江三角洲区域一体化发展规划纲要》中将上海、南京和无锡等27个城市划分为中心城市赋予1，而将徐州、连云港和宿迁等14个城市划分为非中心城市赋予0，进行分组回归. 结果如表 4中（2）列和（1）列所示，（1）列系数不显著，（2）列城市网络系数在1%上显著为正，表明中心城市网络对碳排放效率有提升作用. 由于城市性质，政府会倾斜分配资源，造成中心城市拥有更多的优势，吸引外围城市与其建立关系，建立联系越多，城市网络影响力也就越大，资源调配能力得到提升，有利于碳减排. 而非中心城市由于政策支持度不足，与外界联系薄弱，从外界获取的投入要素有限，仅依靠本地资源调控对碳排放效率提升作用有限.

（2）区域数字基础设施差异性  数字基础设施建设是区域发展的关键，完善的数字基础设施建设能够加快城市间信息、技术要素流动对环境产生积极影响. 因此本文采用互联网用户数量来衡量城市数字基础设施发展水平，并根据其中位数进行分组，高于中位数的样本赋予1，低于则赋予0，以此来探讨在数字基础设施水平发展条件不同情况下，城市网络对碳排放效率的作用是否存在差异. 结果如表 4中（3）列和（4）列所示，（3）列城市网络系数在10%上显著为正，而（4）列系数不显著，这表明反而是低水平数字基础设施建设的城市，其城市网络的发展对碳排放效率有促进作用. 数字基础设施建设能够促进城市间联系，增强低碳技术共享，有效降低碳排放. 但由于高度数字化技术应用会引发反弹效应，导致能源消耗规模扩张^[58]，因此高水平数字基础设施建设城市的城市网络对碳排放效率提升作用不明显.

2.5 影响机制检验

为进一步分析城市网络对碳排放效率的内在影响机制，下文分别将信息、企业和经济加权度与范围一、范围二和范围三碳排放效率加入式（3）~（5）中进行回归.

（1）信息溢出效应  从表 5中（1）~（3）列回归结果来看，信息网络系数均在1%水平上显著为正，这表明信息溢出效应能提高城市直接、间接及供应链碳排放效率. 据统计目前长三角已建成5G基站超72万个，信息基础设施建设完善. 数据的互联互通有利于经济结构数字化升级. 一方面促使企业上游生产模式朝柔性化和智能化转变同时下游获得更多市场需求信息，企业为满足客户个性化和多样化要求制定更具有针对性方案^[59]. 上下游数字化成功转型降低了商品流通过程中所产生的碳排放. 另一方面短视频及公众号文章等通过大数据平台推送低碳信息，引导公众消费向低碳化转变，极大减少了公众日常生活中直接和间接碳排放.

（2）企业协同效应  从表 5中（4）~（6）列回归结果来看，企业网络系数均在5%水平上显著为正，这表明企业协同效应也能提高城市直接、间接和供应链碳排放效率水平. 受价格机制影响，企业开展横纵向合作模式，一方面外部竞争倒逼企业内部进行改革，有效整合上下游资源及增强自身技术创新能力；另一方面企业跨地区合作共享清洁能源，有效发挥资源利用最大值. 总的来看，企业通过横纵向合作推动产业链绿色转型，实现经济和环境效益的双赢.

（3）经济合作效应  从表 5中（7）~（9）列回归结果来看，列（7）经济网络系数在10%水平上显著为正，这表明经济网络仅对直接碳排放效率有提升作用. 2023年底，长三角地区以3.74%的国土面积和16.85%的人口，贡献了全国24.19%经济总量. 城市经济密度高，能够促进资本流动和劳动力迁移，将低碳技术和绿色管理理念传入欠发达地区，促使当地技术效率和技术进步的提升从而改善工业、交通和建筑业等高能耗排放问题.（8）列和（9）列系数不显著原因可能是受地方保护和市场分割影响，商品流通减少导致资源错配，从而对环境产生负面影响^[60]. 因此，未来要加快统一大市场建设，减少市场壁垒，促进碳排放要素流动.

3 建议

（1）城市网络对碳排放效率有显著提升作用. 一方面核心城市不仅加强与长三角内部城市交流，还要与国内及国际上其他城市接轨，加大联系程度，巩固网络中的高水平地位. 边缘城市也要积极参与经济活动建设，促使网络中节点的可访问性提高，资源调配能力增强，进而实现帕累托最优，减少资源的浪费；另一方面要加强核心城市与边缘城市联系，以上海、苏州等城市为发展要点，带动周围及远距离边缘城市协同发展，以点带面提升整体区域低碳水平. 此外，在城市间竞争与合作过程中，城市间联系关系应从增量到提质的转变，前期核心城市转移污染产业到边缘城市，加剧边缘城市碳排放问题，后期应强化核心城市辐射带动作用，促进高技术和高人才等要素向边缘城市转移. 但同时也要注意过多城市联系带来的碳排放压力，确保长三角碳中和目标如期实行.

（2）碳排放效率主要受地区经济活动投入要素影响，如果本地技术、资本和人力等资源有限，那么将难以有效提升碳排放效率. 因此，政府后续应加大对非中心城市财政和技术等扶持力度，重视非中心城市发展，推动非中心城市经济规模扩大和碳排放量降低. 另外，政府应大力推进区域内部新基建建设，实现5G网络全覆盖. 但同时也为防范数字化发展水平过高带来能源反弹效应，应构建高质量、绿色化和数智化的数字基础设施发展体系.

（3）为继续深化经济结构数字化升级、企业生产模式提效及市场化合理配置资源，促使城市网络提高碳排放效率. 一是搭建区域互联互通数据大平台，推动数据共享，缓解地区间信息不对称问题. 以环境友好型为建设目标，数字赋能驱动企业数字化和智能化转型，同时加大数字技术成果惠普力度，引导公众参与低碳行动中. 二是政府对区域内部低碳和高技术企业活动给予政策支持，鼓励企业协同减排，优化资源配置，发挥“锻长板”优势，从源头上降碳；同时出台相关政策，环境规制倒逼高能耗和低技术企业进行创新，上下游企业关联性增强并朝高标准及高要求清洁能源行业看齐，实现自身“补短板”提升. 三是一方面继续推进长三角市场一体化建设，减少市场壁垒，降低中小企业市场准入门槛，促使市场交易自由化和便利化，从而加强区域间交流与合作；另一方面完善碳排放交易制度并鼓励跨省碳排放交易，促进整体区域协同低碳发展.

4 结论

（1）长三角城市信息、企业和经济网络联系具有扩散性和层级性，节点影响力空间分布上呈现西低东高和南低北高的特征. 进一步观察发现三者城市网络社团结构呈现多样化、小团体结构明显、跨区域性及变动性强特征；整体碳排放效率有所上升，空间差异性缩小，较高值及高值区呈现向东迁移趋势.

（2）城市网络对碳排放效率有显著提升作用. 采用替换回归模型、替换被解释变量、数据缩尾及改变样本时期4种方法进行稳健性检验，结果均正向显著.

（3）地区城市性质及数字基础设施的差异会对城市网络影响碳排放效率产生异质性作用. 中心城市和低水平数字基础设施建设城市有利于城市网络提高碳排放效率，而非中心城市和高水平数字基础设施建设的城市对此影响不显著.

（4）城市网络能通过信息溢出效应和企业协同效应引起经济结构数字化升级及企业生产模式提效，对区域内全范围碳排放效率均有提升作用，而市场化合理配置资源的经济合作效应仅对直接碳排放效率起促进作用.