在全球气候治理加速推进的背景下，城市土地利用作为“自然-经济”系统碳循环的核心载体，其碳排放效率的空间分异与关联特征已成为区域可持续发展研究的前沿议题. 我国在《“十四五”规划和2035年远景目标纲要》中明确提出要加快绿色低碳转型，促进碳达峰和碳中和的实现^[1]，强调要在土地利用过程中降低碳排放量. 同时，土地利用碳排放效率是评估城市群可持续发展的重要指标之一. 然而，黄河流域城市群作为我国重要的经济发展区域，面临着土地过度开发和资源浪费、高碳排放产业占全国70%以上^[2]，土地利用效率低于全国平均水平，呈现“两头高、中间低”的分布特征^[3]，净碳排放量呈上升趋势，土地利用与碳排放之间存在不平衡现象^[4]. 在此背景下，研究黄河流域城市群的土地利用碳排放效率，分析城市群间的空间关联网络特征，可助力黄河流域城市群协同碳减排.

土地利用碳排放效率是指在特定的土地利用过程中，单位碳排放所能实现的经济产出或社会效益^[5]，可以反映土地资源的低碳化和可持续发展水平. 近年来，学者在土地利用碳排放效率的测算上已将碳排放从期望产出^[6]过渡到作为非期望产出进行测算^[7]，对碳排放效率空间关联的探讨主要集中在空间数据及网络结构两个方面，一是基于空间计量模型，如空间杜宾模型^[8]、探索性空间数据分析^[4]等探究其碳排放效率的空间异质性和空间依赖性；也有学者从空间结构分析的角度，运用社会网络分析法对碳排放效率的空间关联展开研究，探究其溢出效应、集聚程度及影响因素^[9~12]，在空间尺度上，学者聚焦城市与典型城市群，探讨城市之间的差异化空间结构特征^[13]，并基于空间关联结果对碳减排提出统筹治理的对策建议.

总体而言，现有关于土地利用碳排放空间关联的研究虽已形成多尺度观测体系^[14~16]，但针对多个城市群的探讨尚不多见，本研究区域为《黄河流域生态保护和高质量发展规划纲要》中划分的黄河流域五大城市群. 黄河流域五大城市群作为黄河流域经济与碳排放核心区，研究其空间关联结构对区域协同减排至关重要^[17]，但目前对其碳排放效率空间关联的研究仍显不足. 基于此，本文以黄河流域城市群为研究对象，采用非期望产出的超效率SBM模型（slacks-based measure，SBM），并基于社会网络分析法（social network analysis，SNA）探究其空间关联特征，在此基础上提出黄河流域城市群碳减排的对策建议，以期为黄河流域城市群碳排放统筹治理，为实现全国“一盘棋”碳减排总目标提供科学依据和实践指导.

1 材料与方法 1.1 研究区概况

黄河流域覆盖中国9个省份（图 1），流域总面积200.63万km²，占我国国土面积五分之一以上，是我国重要的能源基地及重要经济发展带. 依据《黄河流域生态保护和高质量发展规划纲要》，5个核心城市群分别为：中原城市群、山东半岛城市群、关中平原城市群、几字弯都市圈以及兰西城市群（以下称五大城市群）^[18]，五大城市群是黄河流域人口、生产力的主要载体，占流域一半以上的土地面积，消耗90.82%的能源，贡献93.84%的GDP. 五大城市群产业结构、经济发展水平和碳排放量均存在明显差异，2020年山东半岛城市群GDP和碳排放量分别是兰西城市群的11倍和1.81倍. 五大城市群面临经济发展和节能减排的双重压力，部分高耗能产业西迁带给上游城市群较大的碳排放压力，碳排放不平衡现象愈加显著. 因此，探究黄河流域城市群土地利用碳排放效率及其空间网络结构对实现区域协同减排促进碳排放统筹治理具有重要的现实意义.

1.2 数据来源与处理

本研究以2005~2020年黄河流域城市群70个城市为样本，使用的土地利用数据（30 m×30 m）来自中国科学院资源环境科学与数据中心；高程数据（30 m×30 m）则来源于地理空间数据云；能源消费数据、测算碳排放量所需数据（如能源数据、工业、农业、林业数据、废弃物处理和外购电力等数据）来源于研究年份的各地级市：《中国能源统计年鉴》《中国工业统计年鉴》《中国农业统计年鉴》《中国林业和草原统计年鉴》《中国环境统计年鉴》；社会数据（如固定资产投资、年末从业人数和产业增加值）来源于各地方统计年鉴. 本文对青海省的自治州缺失数据均通过插值法进行补充.

1.3 研究方法 1.3.1 碳排放测算方法

对黄河流域城市群碳排放进行测算，参考丛建辉等^[19]提出的从3个维度进行分析的方法.

1.3.2 基于非期望产出的超效率SBM模型

土地利用碳排放效率的测算不仅需考虑经济产出的作用，更应注意碳排放（非期望产出）的环境负外部性带来的制约作用，因此需利用基于非期望产出的超效率SBM模型进行计算^[20]. SBM模型（SBM-DEA）是由Tone提出的对于传统的数据包络分析模型（DEA）的变形^[21]，考虑非期望产出对效率产生的影响，解决了投入产出松弛性问题和非期望产出存在下的效率分析问题，使得结果更具准确性和可比性，广泛用于土地利用碳排放效率测算^[22~25]. 基于已有研究^[13，26]，为区分多个具有100%“效率状态”的决策单元，本研究采用非期望产出的超效率SBM模型测算黄河流域城市群土地利用碳排放效率.

假设存在一生产系统具有n个决策单元，各决策单元均包含投入（X）、期望产出（Y^g）和非期望产出（Y^b）这3个向量，使用m单位投入将产出S₁期望产出和S₂非期望产出^[21]. 设X > 0，Y^g > 0，Y^b > 0，权重向量λ≥0，定义生产可能性集P为：

X = [ x 1 , x 2 , ⋯ , x n ] ∈ R m × n , x ∈ R m Y g = [ y 1 g , y 2 g , ⋯ , y n g ] ∈ R S 1 × n , y g ∈ R S 1 Y b = [ y 1 b , y 2 b , ⋯ , y n b ] ∈ R S 2 × n , y b ∈ R S 1 P = { ( x , y g , y b ) x ≥ X λ , y g ≥ Y g λ , y b ≤ Y b λ } .

(1)

基于规模不变假设，以生产可能性集P为基础，将非期望产出纳入评价决策单元（x，y^g，y^b）的SBM模型，并结合Tone的研究^[26]，构建非期望产出的超效率SBM模型. 计算公式为：

ρ = m i n 1 m ∑ i = 1 m x i ¯ x i 0 1 s 1 + s 2 ∑ r = 1 s 1 y ¯ r g y r 0 g + ∑ r = 1 s 2 y ¯ r b y r 0 b

(2)

s . t . x ¯ ≥ ∑ j = 1 , ≠ k n λ j x j y ¯ g ≤ ∑ j = 1 , ≠ k n λ j y j g y ¯ b ≤ ∑ j = 1 , ≠ k n λ j y j b x ¯ ≥ x 0 , y ¯ ≤ y 0 g , y ¯ b , y ¯ g ≥ 0

(3)

式中，ρ为决策单元效率值，ρ > 0. 当ρ≥1时，视为效率有效决策单元；当0≤ρ < 1时，视为效率无效决策单元，需对现有投入产出关系做进一步改善^[27].

土地利用碳排放效率的本质是土地开发利用过程中，在碳排放约束下，各类投入要素与产出要素共同作用的体现，通过优化土地要素配置，以最小碳排放强度实现最大经济社会产出的能力^[28]. 借鉴已有研究^{[5，13，29]}，选取固定资产投资作为资本投入，年末从业人数作为劳动力投入，农用地面积和建设用地面积作为土地投入，同时将一产、二产、三产GDP增加值作为期望产出，将碳排放作为非期望产出. 需要说明的是：固定资产投资、劳动力投入及农用地、建设用地面积的增加能够显著提升经济产出，并在一定程度上影响区域的碳排放状况. 固定资产投资的增加会提升用地投资强度，从而提升产出的经济效益；年末从业人数代表劳动力水平，劳动力投入增加能够为各个产业结构带来经济效益；建设用地和农用地面积的增加也会增加产业收益. 综合上述考虑，本文选取以上指标构建黄河流域城市群土地利用碳排放效率测算指标体系（表 1）.

1.3.3 修正的引力模型

构建土地利用碳排放效率空间关联矩阵是进行网络分析的前置任务. 衡量地区间的空间关联强度常用引力模型，但传统的引力模型缺乏有向性，无法准确反映地区间土地利用碳排放效率的双向性和不对称性^[30]，因此借鉴前人的研究^[31]，利用修正的引力模型刻画土地利用碳排放效率的关联强度. 计算公式为：

S i j = K i j ⋅ E i E j D i j / ( G i - G j ) 2

(4)

K i j = G i N i ( G i N i + G j N j ) 2

(5)

式中，S_ij为地区i、j间土地利用碳排放效率空间关联强度；E_i、E_j为地区i、j的土地利用碳排放效率；D_ij为地区i、j间地理距离；G_i、G_j为地区i、j的人均GDP，用来衡量城市i与城市j的经济发展水平，K_ij为i城市对空间关联强度S_ij的贡献度，表征地区i、j间经济距离. 本研究基于“均数原则”对引力值进行二值化处理，得到最终土地利用碳排放效率空间关联矩阵^[32].

1.3.4 社会网络分析法

基于碳排放的约束，资本和劳动力等要素在土地上受外力作用而发生集散，形成地区之间土地利用碳排放效率的空间传导和异质，进而建立起一种空间关联网络^[5]. 网络中，各地区为点，地区间土地利用碳排放效率空间关联为线，关联强度表现为相互间关系强弱^[33]. 社会网络分析模型（SNA）是研究地区间空间关联关系的重要工具，可有效刻画空间关联网络特征^[34~36]. 在分析网络内所有个体之间的空间关联关系结构时，通常使用整体网络特征进行评估，主要为网络密度、网络等级度及网络效率. 个体网络特征利用中心性分析研究网络内各个体的地位和作用，包括度数中心度、接近中心度及中介中心度（表 2）；块模型则通过空间聚类实现分类^[37~39]. 本研究以空间关联矩阵为基础，利用社会网络分析模型，对土地利用碳排放效率的空间关联网络特征进行研究.

1.3.5 块模型

采用SNA块模型方法^[40]来探讨各城市间的聚类特征，分析各板块的成分与作用，基于迭代相关收敛法^[41]，可将网络中的城市划分为：净溢出板块、净受益（主受益）板块、双向溢出板块和经纪人板块. 净溢出板块表现为该板块向其他板块传递的关系明显多于其从其他板块接收的关系；双向溢出板块则既有关系输出又有关系输入，同时板块内部成员之间存在的联系；净受益（主受益）板块以从其他板块接收关系为主，其接收关系数显著高于发出关系数；经纪人板块的特征在于内部成员间的关系数，但与其他板块的成员之间联系较为频繁.

1.3.6 QAP回归分析

为科学识别土地利用碳排放效率空间关联网络的影响因素并规避传统回归方法因空间自相关导致的估计偏误，本研究采用二次指派程序（quadratic assignment procedure，QAP）回归分析，结合前人的研究成果^[42~46]，从地理、经济、社会、能源和土地这5个方面构建指标体系. 地理方面纳入城市间地理距离（DL）与平均气温（AT）；经济方面选取经济发展（PGDP）和产业结构（IS）；社会维度涵盖城镇化率（CR）和人口规模（POP）；能源维度以碳排放强度（CEI）为核心；土地维度则综合土地利用强度（LI）与土地利用结构，其中土地利用结构以建设用地面积占比（CLR）、林地面积占比（FLR）衡量. 上述变量通过构建差异矩阵，对土地利用碳排放效率空间关联网络驱动因素进行分析，见式（6）：

G L = F ( D L , A T , P G D P , I S , C R , P O P , C E I , L I , C L R , F L R )

(6)

式中，GL为自变量（土地利用碳排放效率空间关联）矩阵，DL为邻接权重矩阵，AT、PGDP、IS、CR、POP、CEI、LI、CLR和FLR分别为各因变量差值矩阵，其中PGDP为人均GDP，IS为二、三产业增加值之比，CR为城镇人口数与总人口数之比，POP为常住人口数，CEI为碳排放量与GDP之比，LI为地均固定资本存量，将各矩阵取每行平均值进行二值化处理.

2 结果与分析 2.1 土地利用碳排放效率时空测度

运用Matlab测算出2005年、2010年、2015年和2020年黄河流域城市群各个城市的土地利用碳排放效率值，运用自然断点法将碳排放效率值分为5个等级：低效率、较低效率、中等效率、较高效率及高效率（图 2）.

总体来看，2005~2020年，黄河流域城市群70个城市的土地利用碳排放效率整体呈现上升趋势，效率最高值从1.04上升至1.32，2020年效率值前三的城市为青岛、郑州和济源，较高效率和高效率城市增多，呈现出东高西低的分布格局. 碳排放效率增长迅速，表明区域在生态保护及低碳转型方面的推进得到了一定成果.

2005年土地利用碳排放效率值普遍偏低，意味着控制碳排放量并提高土地利用效率存在较大阻力，其中中原城市群出现高效率城市，主要分布于开封、济源、驻马店、周口及南阳. 2010年能源节约与高效利用政策强化，黄河下游地区经济快速增长碳排放量增加，几字弯都市圈、山东半岛城市群和中原城市群均出现高效率城市. 2015年该3个城市群高效率的城市逐渐增多，碳排放效率也逐渐上升，但部分城市如临沂出现效率值降低现象，可能是由于资源开发强度较大，产业结构单一、均以煤炭为主导的工业为主体，造成大气污染和土地的不合理利用，导致土地利用碳排放效率出现下降现象. 2020年，城市群的土地利用碳排放高效率区域主要集中在东部与中部地区，空间溢出效应明显，以上城市不断推动产业低碳转型和升级，不断完善生态建设与环境保护，进而有效提高土地利用碳排放效率. 其中高效率值排名前三的地区分布在青岛，郑州和济源，以上城市具有较大的高发展需求，积极推动产业结构升级和技术创新，不断提升高耗能产业的高质量发展，在经济增长的同时有效降低碳排放量，进而出现高效率现象.

然而，一些效率值不高的城市其效率值提升也较缓慢，其主要位于兰西城市群及关中平原城市群的西部，该地区经济发展相较其他城市群缓慢，同时受到地理位置、人才技术等的影响，很难通过自身发展提高碳排放效率，不利于缩小碳排放效率空间分布不均衡现象. 其中几字弯都市圈、中原城市群、山东半岛城市群及关中平原城市群外溢效应明显，主要是由于一些发达的城市具有雄厚的经济基础，拥有更多高技术人才，地理位置也相对优越，进而带动了周边城市碳排放效率的提升.

2.2 土地利用碳排放效率联系强度特征分析 2.2.1 土地利用碳排放效率内部关联强度特征

运用Gephi软件绘制出黄河流域城市群各城市在2005~2020年间的土地利用碳排放效率的空间关联程度结果（图 3）. 本研究期间各个城市群内部联系越来越紧密，城市与城市间的空间联系日趋强化，非相邻城市也存在一定的空间关联，突破了地理位置的限制，呈现出以各城市群核心城市带动周围城市的跨区域联动效应. 关中平原城市群、山东半岛城市群、几字弯都市圈与中原城市群呈现明显的空间关联溢出现象，表现为以核心城市为主，带动周围城市发展的特征. 其中兰西城市群的空间关联强度始终较弱，该城市群位于黄河流域上游，其原因可能受到地理位置与自身资源配置的影响，距离经济较发达的城市较远，难以实现资源要素的快速流动，限制了其内部的协同效应，其空间关联强度较弱.

位于网络中核心位置的城市为关中平原城市群中的西安，几字弯都市圈中的鄂尔多斯、榆林和包头，山东半岛城市群中的东营、青岛和济南，中原城市群中的郑州. 其中，青岛、济南及郑州都为经济中心型城市，存在大量的能源消费，先进技术扩散，使得在网络中占据主导位置；包头、榆林、鄂尔多斯及东营属于资源型城市，位于黄河流域重工业的核心，其高能耗、高排放及能源输送等原因使其位于网络中心；然而一些城市如淄博和威海，在本研究期内呈现由“核心”过渡到“边缘”的现象，原因可能是淄博为传统型工业城市，受到环保政策倒逼，传统产业退出，新兴产业尚未形成规模，经济辐射力减弱，逐渐退出网络核心位置；2005年威海主要依托港口和制造业，通过运输及物流碳排放与其他城市形成强关联，而金融危机后产业链重构，威海转型为旅游服务业，碳排放总量下降，退出网络核心位置.

2.2.2 土地利用碳排放效率空间网络结构特征

通过Ucinet 6.0计算出黄河流域城市群2005年、2010年、2015年和2020年的土地利用碳排放效率的整体网络特征值（表 3）.

整体来看网络密度2005年初始值为0.2，2010年下降至0.15，2020年回升至0.19，呈现U型波动特征，与2010年前后流域区域规划调整及新型城镇化政策的实施相关，初期由于土地开发分散化导致网络联系减弱，后期通过生态保护与高质量发展战略推动城市协同，网络密度逐步恢复，但整体的网络密度值较低，说明土地利用碳排放效率存在着较大的提升潜力和优化空间；网络等级指数呈现“倒V型”变化，2005年至2010年急剧上升反映出核心城市集聚效应强化，而2010~2020年持续下降则体现了多中心网络结构的形成，与国家“城市群协同发展”政策导向密切相关，资源分配由单个城市主导转向为多城市均衡，有效缓解了在地理分布位置上的空间路径依赖现象. 网络效率值较高，具有较强的稳定性，从2005年0.71稳步提升至2015年0.79，说明基础设施联通与要素流动机制的完善显著优化了碳排放的治理效率，但2020年回落至0.74，可能与新冠疫情冲击下碳减排技术扩散受阻有关.

从各城市群来看，关中平原城市群网络密度稳定，网络等级及网络效率较高，出现了单个城市为核心的主导地位；几字弯都市圈网络等级下降至0.38，表明网络内部通过结构重组形成多个中心城市的分工体系；兰西城市群依托“一带一路”节点建设使网络密度得到提升；山东半岛城市群网络密度较高，维持在0.22~0.26之间，网络结构稳定，通过济南、青岛的双核辐射使网络等级呈现下降趋势；中原城市群在多节点城市分担机制下使得网络等级降低，同时自贸区的建立也推动网络效率提升.

采用Ucinet 6.0计算得出2005~2020年黄河流域城市群各节点的度数中心度、接近中心度、中介中心度. 由于篇幅限制，仅展示2020年城市群内部城市个体网络的测度结果（图 4）. 从测度结果来看，度数中心度均值从大到小排序分别是：几字弯都市圈（22） > 山东半岛城市群（21.44） > 中原城市群（18.1） > 关中平原城市群（17.82） > 兰西城市群（17）. 几字弯都市圈、山东半岛城市群其度数中心度较高，表明在网络中与其他城市有更多的空间关联. 接近中心度均值从大到小排序分别是：山东半岛城市群（60.34） > 几字弯都市圈（59.9） > 中原城市群（57.77） > 关中平原城市群（57.49） > 兰西城市群（57.03），较高的区域主要集中在黄河流域的东部和中部，有更多城市位于网络中的核心位置，碳排放效率呈现显著“辐射效应”，即中心区域对周边城市的依赖性和影响力较为突出. 中介中心度均值从大到小分别是：山东半岛城市群（48.07） > 几字弯都市圈（39.38） > 中原城市群（14.5） > 关中平原城市群（7.8） > 兰西城市群（7.2），山东半岛城市群与几字弯都市圈中介中心度较高，在网络中扮演“桥梁”与“枢纽”角色.

从度数中心度来看，高值区排名前五的城市位于黄河流域重工业发展区域与经济高发展区，其代表城市为东营、鄂尔多斯、青岛、济南及榆林. 关中平原城市群中西安度数中心度最高，从2005年的25波动上升至2020年的28，反映出其在网络中的持续辐射效应，可能由于西部大开发政策导致技术扩散与资源整合效能提升；几字弯都市圈中鄂尔多斯与包头呈现“先升后降”趋势，其度数中心度在2020年回落至58和38，这可能与内蒙古能源结构调整及“双碳”目标下高耗能产业转型有关，其传统资源型城市在网络中的核心地位面临重构；兰西城市群中的各个城市度数中心度普遍偏低且波动明显，反映出西北地区碳排放效率网络发育较不成熟，可能由于地理位置处于劣势，低碳技术扩散受限，跨区域合作机制缺失；山东半岛城市群中东营在2020年仍保持度数中心度59的显著优势，居于网络中心，其源于该区域石化产业集聚，与网络中其他城市的产业链形成高度空间关联，其中淄博度数中心度从2005年54骤降至14，说明该传统工业城市已进行低碳转型，在网络中影响力衰退；中原城市群中郑州度数中心度稳定增长至50，表现出中心城市在区域碳治理协同中的枢纽作用，其通过交通枢纽优势与创新要素集聚呈现出较强的空间关联效应.

从接近中心度来看，关中平原城市群中西安与郑州接近中心度较高，且呈现“两极化”趋势，可能由于西部大开发政策及地理位置的影响，核心城市对网络资源具有明显的“虹吸效应”；几字弯都市圈中鄂尔多斯呈现“陡升缓降”趋势，其峰值期接近中心度超过其他城市30%以上，说明能源密集型城市在网络中能短期位于网络核心位置，但后期数值出现回落现象，可能由于随着国家“双碳”目标的推进，碳排放的流动路径逐渐分散到更多城市，传统能源型枢纽城市的核心地位被弱化，导致其接近中心度在后期出现下降；而兰西城市群整体城市的接近中心度较低，揭示出西北地区碳排放效率关联网络不稳定，呈现脆弱性，可能受限于生态屏障区碳汇交易机制缺失及未充分实施跨省域协同治理；山东半岛城市群中东营接近中心度长期保持高位，由于在研究区位于石化产业核心区域，具有明显的网络通达性优势；中原城市群中的城市表现出多中心协同演化特征，郑州接近中心度稳步提升至76.67，与洛阳63.30、南阳57.50形成具有梯度差异的协同网络，这与其作为国家交通枢纽构建的“轴辐式”碳流通道密切相关.

从中介中心度来看，2020年中介中心度排名前五的城市主要为东营、鄂尔多斯、青岛、济南及郑州，表明以上城市控制和支配其他城市的能力较强. 关中平原城市群中西安承担主要中介作用，但整体中介中心度较低，区域协同性缺失；几字弯都市圈中鄂尔多斯为关键枢纽；兰西城市群整体发育滞后，中介中心度长期保持低位波动，表明西北地区跨区域碳排放效率协同机制缺失与生态补偿制度的不完善；山东半岛城市群中东营和青岛为关键中介节点，区域资源流动对其呈现高度依赖；郑州为中原城市群的主要枢纽，周围城市对其表现出高度依赖，且郑州中介中心度持续攀升至156.02，印证其通过高铁网络、自主创新示范区建设，展现出明显的“中介”功能.

总体而言，黄河流域城市群在土地利用碳排放空间关联中呈现出明显的差异化和复杂化特征，城市间的溢出效应明显，因此，在碳减排的实施过程中，应该重点关注核心城市的碳减排措施，通过空间关联实现碳排放的区域统筹治理.

2.2.3 块模型分析

以2020年的数据为基础，运用Ucinet6.0的CONCOR方法，将最大分割深度设置为2，收敛标准为0.2，将70个城市划分为4个板块进行空间特征分析（表 4），并计算出其密度矩阵与像矩阵（表 5），通过对密度矩阵与2020年黄河流域城市群整体网络密度0.19进行对比，进行0~1赋值，将高于0.19的赋值为1，表明以上板块具有聚集趋势，由此得出像矩阵，以此判断各板块间的溢出关系.

2020年黄河流域城市群的碳排放效率网络包含601个关联关系（图 5）. 板块内部共有150个关联，而板块之间的关联数为451个，板块间存在显著的溢出效应. 板块一在接收和发出关联方面都较为平衡，接收了178个关系，发出了172个关系，同时还包含47个板块内部的关联，该板块为“经纪人”板块. 其中接收主要来自于板块三和板块四，其原因为板块一大部分城市能源需求较高，因此，需要从板块三、板块四较为发达的城市进口能源资源. 板块一主要对板块四产生溢出作用，通过能源输送等方式与其板块间进行“传导”. 该板块大部分城市位于山东半岛城市群和中原城市群，其地理位置与其他板块城市较近，交通便利，与其他板块的城市具有密切联系，其板块内城市群既受到外部碳排放效率的影响，同时也对周边城市产生影响，起到沟通和桥梁的作用. 板块二接收了66个来自其他板块的关联，但发出了349个关联，发出的关系远多于接收的关系，展现出强烈的外溢效应，因此被称为“净溢出”板块，其中板块二主要对板块三和板块四产生空间溢出，接受其他板块的溢出关系少，主要原因为板块二的城市表现为经济较不发达，其能源丰富，但能源的消耗能力较小，进而二氧化碳排放表现为供大于求，主要向板块三与板块四溢出，在碳排放效率网络中的外溢效应较为显著. 该板块主要分布在兰西城市群、关中平原城市群以及几字弯都市圈中较不发达城市，以上城市的资源条件较差，技术创新能力相对较低，能源利用效率低，且环境容量相对有限，其产业结构也多为传统产业，自身难以承载产出的二氧化碳，所以表现出向其他城市的碳排放效率溢出现象. 板块三的发出关系数为118个，接收关系数为222个，板块内部有36个关联，接收的关联数量显著高于发出数量，因此该板块被视为“主受益”板块. 其中板块三主要对板块一产生溢出关系，接收板块二的空间溢出. 该板块城市多为欠发达城市，碳排放效率较低，接收来自板块一城市的溢出. 板块四则表现为“净受益”板块，其内部仅有14个关联，外部接收关系数为290个，溢出关系数为116个，且外部关联数量远超内部. 主要对板块一的城市产生大量溢出作用，接受板块一和板块二的溢出，导致城市群碳排放效率两极分化严重. 以上城市多为黄河流域城市群中的发达城市，其在城市群中占据了核心地位，对周边城市的人才、技术、资源具有“虹吸效应”，该板块的城市主要表现为接收其他城市的碳排放效率现象. 通过密度矩阵分析发现，板块三的网络密度较高，说明这个板块内部的城市具有较强的空间关联性，城市间碳排放效率网络联系更加紧密，可能具有更强的协同作用和相互影响.

整体来看，黄河流域城市群的碳排放效率网络在不同板块中的接收与溢出作用虽存在差异，但其每个板块间相互作用形成闭环，利于黄河流域城市群土地利用碳排放效率的协调发展，碳减排的区域协同治理具有积极作用.

2.2.4 影响因素分析

借助Ucinet 6.0软件中QAP回归分析，构建随机置换次数为10 000，得到QAP回归分析结果（表 6），系统识别土地利用碳排放效率空间关联网络的影响因素（表 6）. 其中R²分别为0.247、0.17、0.173和0.239，说明构建的因变量差值矩阵可以解释土地利用碳排放效率空间关联效应的20%左右. 其中地理距离、经济发展水平表现为显著正向影响，平均气温、碳排放强度、建设用地占比表现为显著负向影响.

从地理方面看，地理距离（DL）的显著正向效应表明，邻近地区间更容易实现要素交流从而形成空间关联. 平均气温（AT）的稳定负向影响，揭示气候差异对关联网络的塑造机制，高温区域因制冷能耗增加与植被固碳效率下降，削弱其与周边区域的低碳协同能力.

从经济方面看，经济发展水平（PGDP）在因变量中作为最强驱动因子，验证发达地区通过技术溢出、资本辐射形成“效率高地”，带动关联网络整体提升. 产业结构（IS）在2005年之后未表现出显著性影响，表明单纯提升服务业占比未必强化空间关联，可能因区域产业同质化削弱分工互补效应，这一矛盾揭示经济驱动需从规模扩张转向绿色产业链协同深化.

从社会方面看，城镇化水平（CR）在初期表现出明显的正向推动作用，但随着时间推移，这种效应逐渐减弱，区域间城镇化差距呈现先扩大后收窄的趋势. 在差距扩大的阶段，资本和劳动力迅速向城镇化水平较高的地区集聚，从而推动了土地利用碳排放效率空间关联网络的构建；而在差距缩小的阶段，生产要素的流动速度明显放缓甚至停止，对空间关联网络的塑造作用不再显著. 人口规模（POP）2005年和2020年呈现显著影响，表明适度人口集聚可以促进碳排放效率空间关联，超载则引发资源竞争.

从能源方面看，碳排放强度（CEI）持续负向影响，碳排放强度（CEI）越高，削弱城市间的碳效率空间关联. 高碳排放城市由于长期依赖传统技术，转型困难，通过产业链联系，将高碳模式扩散到相邻地区，影响城市的低碳化进程.

从土地方面看，土地利用强度（LI）在2005年和2015年呈现部分显著，表明短期内资本深化通过技术升级提升地均减排效率，但长期过度开发引发建设用地冗余与生态空间挤占，抵消减排收益. 建设用地占比（CLR）的强负相关揭示城市扩张通过直接增加地表碳源密度、挤占生态空间削弱碳汇能力导致空间关联受到抑制. 林地占比（FLR）虽未显著，但其负向趋势暗含生态破碎化可能限制碳汇服务跨区辐射，进而影响碳排放效率空间关联. 反映加大资金投入对土地集约减排的短期促进，但长期需防范过度开发引发生态反噬.

3 讨论

本文以黄河流域城市群为研究对象，分析其土地利用碳排放效率及网络结构特征，一定程度上弥补了现有城市群土地利用碳排放效率空间关联研究的不足. 其次学术界对土地利用碳排放效率方面的研究虽有成果，但聚焦于土地利用碳排放效率空间关联的研究尚且欠缺，限于数据的可获得性，本文仅从城市群与城市的视角分析，未来可从更加细致的尺度进行研究；其次，限于部分数据尚未更新，研究时间仅分析到2020年且时间跨度较大，未来可将研究时间跨度缩小，提高研究结果的精确性；最后，本研究与现有研究相比在研究方法上具有一定的普适性，未来可对碳排放效率模型的构建及空间关联网络研究进行深入探讨，为实现黄河流域城市群的协同减排提供更实用的价值.

4 建议

为更好的对黄河流域城市群的进行碳减排的协同治理，实现生态文明建设长远目标，结合本文的研究结果，提出相关对策建议：

（1）优化土地利用结构，提高资源配置效率. 研究发现土地利用碳排放效率存在较为明显的区域差异，应优先在效率较低的城市群，如兰西城市群，引入节地型产业和低碳用地模式，合理布局高耗能产业，避免资源无序开发导致碳排放效率下降. 对于山东半岛城市群和中原城市群碳排放效率较高地区，应充分发挥政府的宏观调控，引导资本、劳动力、技术等流动要素在经济发达的城市群投入，提升并稳定以上核心城市的碳排放效率，充分发挥其在空间关联网络中的溢出与辐射作用.

（2）强化核心城市枢纽功能，优化空间关联基础设施. 山东半岛城市群、中原城市群属于“东部核心区”，其核心城市主要为青岛、济南、郑州，以核心城市为枢纽，建立跨区域低碳技术研发与产业协作平台，推动其产业链向周边城市延伸. 优先建设连接核心城市与边缘地区的绿色交通廊道（如高铁、新能源货运专线），缩短要素流动时间成本. 在兰西城市群等薄弱区域增设“低碳物流枢纽”，提升其与核心城市的物资与信息交互效率.

（3）推动欠发达地区网络嵌入，缩小区域效率差距. 兰西城市群、关中平原城市群西部属于“西部欠发达区”，应落实“生态-产业”协同发展，重点支持清洁能源基础设施（如光伏、风电）与低碳技术研发，引入东部技术与管理经验，破解资源利用低效难题.

（4）完善空间关联监测与动态调控体系. 整合GIS、大数据与人工智能技术，动态追踪城市群内碳排放效率的空间关联强度、节点中心度等指标，识别空间关联网络强度低的区域如兰西城市群，针对网络效率或网络密度下降区域，如临沂、榆林，对其进行产业结构调整等干预措施避免局部低效影响整体网络稳定性.

（5）制定差异化的碳减排策略. 位于板块一（经纪人）的城市，依托山东半岛城市群和中原城市群的地理与交通优势，搭建黄河流域碳排放协同治理平台，如依托山东半岛城市群、中原城市群等核心区域成立“减排联盟”，推动产业链低碳协同. 构建跨板块协作机制，促进板块间资源高效流动和均衡发展. 板块二（净溢出）针对兰西、关中平原等能源丰富但技术落后的区域，提供专项财政支持和技术援助，推广碳捕集、清洁煤技术等高效能源利用技术的应用，并鼓励发展可再生能源产业，降低碳排放溢出强度. 对于板块三（主受益）和板块四（净受益），要求其核心城市如青岛、郑州等通过技术输出等方式，带动周边城市低碳发展，并限制高碳产业扩张，并建立生态补偿机制由受益板块对溢出板块提供经济补偿和技术支持，实现利益共享与区域协同治理.

（6）提升黄河流域城市群整体低碳协同发展水平，需充分考虑碳排放效率的空间依赖性，制定差异化且联动性的政策，尤其要重视邻近区域的协同治理与经验借鉴. 重点关注城市地理距离、经济发展水平、平均气温、碳排放强度及建设用地占比的影响对土地利用碳排放效率的协作提升，规划布局城市间的交通基础设施，打通各要素流动通道，以此推动土地利用低碳利用的区域均衡与协调发展.

5 结论

（1）2005~2020年黄河流域城市群土地利用碳排放效率显著提高，空间分布差异逐渐增加；高效率的城市群主要位于研究区东部及中部，如山东半岛城市群、中原城市群、几字弯都市圈及关中平原城市群；2020年效率值前三的城市为青岛，郑州和济源，效率最高值从1.04升至1.32.

（2）2005~2020年黄河流域城市群碳排放效率的空间关联网络持续强化，引力值显著上升，形成以山东半岛城市群、中原城市群及几字弯都市圈为核心的多层次网络结构. 核心城市位于青岛、济南、郑州和鄂尔多斯，通过能源消费、技术扩散与产业链协同，在碳排放效率网络中位于核心位置；而兰西城市群因区位劣势与资源要素流动受限，网络关联强度始终薄弱. 部分城市如淄博、威海受低碳政策与产业转型的影响，由“核心”过渡到“边缘”.

（3）从整体网络看，网络密度呈“U型”波动，网络等级降至0.14，等级结构趋于平坦，网络效率较高. 个体网络中，度数中心度与中介中心度揭示资源型城市如东营、鄂尔多斯，经济枢纽城市如青岛、郑州占据网络核心地位，而传统工业城市因低碳转型导致节点影响力衰退；接近中心度则表现出研究区东部与中部城市的辐射效应，但兰西地区因技术扩散受限与协同机制缺失，网络脆弱性显著.

（4）通过块模型将研究区分为4个板块，板块一为经纪人板块，该板块大部分城市位于山东半岛城市群和中原城市群，起到沟通和桥梁的作用. 板块二为净溢出板块，该板块主要分布在兰西城市群、关中平原城市群以及几字弯都市圈中较不发达城市，表现出向其他城市的碳排放效率溢出现象；板块三为主受益板块，接收来自板块一城市的空间溢出；板块四为净受益板块，其内部多为黄河流域城市群中的核心城市，主要表现为接收其他城市的碳排放效率现象.

（5）从影响因素来看，黄河流域城市群土地利用碳排放效率空间关联网络受地理距离、经济发展水平、平均气温、碳排放强度和建设用地占比的影响，产业结构、城镇化率及林地占比差异影响不明显. QAP回归结果表明，地理距离越邻近，经济发展水平越高越利于空间关联网络的形成，平均气温、碳排放强度、建设用地占比在空间关联网络形成中发挥交替反向影响，人口规模和土地利用强度呈现为阶段性显著正向影响.