2026, Vol. 47
实现碳达峰、碳中和，是推动经济社会全面绿色转型、建设生态文明和“美丽中国”的重要路径[1]. 目前，电力行业的碳排放占中国总碳排放量的40%以上，是所有行业中碳排放量最大的行业，也是全国碳市场建设进程中首批被纳入的关键行业，这使得电力行业成为中国实现碳减排目标的关键领域[2，3]. 由于中国自然资源分布不均和经济发展水平的差异，导致了发电和用电的区域差异，进而引发了跨区域的电力交易及相应碳排放转移问题，使得电力碳排放在空间上形成了多线程的复杂网络型关系[4]. 在此背景下，从网络关联的角度出发，分析中国电力行业碳排放的空间关联结构及其影响因素，有助于识别各地区在电力碳排放空间网络中的地位与功能，对于构建区域协同的电力碳减排机制，推动差异化和区域协调的碳减排政策制定，具有重要的理论意义与现实价值.
因电力行业碳排放量较大的特殊性，电力碳排放核算及其责任划分、电力碳排放影响因素等领域一直是环境经济学与能源政策研究的重点和热点. ①在电力碳排放核算及其责任划分方面，政府间气候变化专门委员会（IPCC）提出的碳排放清单法是目前核算电力生产碳排放最常用的方法[5，6]. 基于该方法，中国碳核算数据库（CEADs）[7]和国际能源署（IEA）[8]等也使用IPCC清单方法核算了地区直接电力碳排放. 然而，IPCC方法从生产侧出发，将全部碳排放归于发电地，忽视了电力在区域间的跨省流动，易造成“碳泄漏”问题[9，10]. 在此背景下，区域间电力碳排放的空间流动问题逐渐受到学术界关注，但以上研究在内容上更多关注于区域间电力交易带来的“碳排放责任错位”[11，12]，而对于区域间电力碳排放空间关联网络的结构解析等却较少涉及. 同时，在研究方法上，虽然投入产出法[13，14]和网络分析法[15，16]等在一定程度上为刻画碳转移路径提供了工具基础，但目前尚缺乏将电力碳排放系统性地纳入复杂网络分析范式下进行建模与结构解析的研究，对电力碳排放在全国尺度下的空间流动模式及其网络特征刻画不足，难以满足当前“双碳”目标下对跨区域协同治理机制设计的实证需求. ②在电力碳排放影响因素的研究方面，现有研究多采用对数平均迪氏指数（LMDI）等指数分解方法，从能源结构、经济发展和技术进步等维度对单一地区或多个地区的碳排放驱动因素进行分析[17，18]. 尽管此类方法在剖析地区内部碳排放变动方面具有良好的解释力，但其主要局限在于难以有效捕捉区域间电力流动对碳排放空间关联关系的影响，也无法系统纳入空间邻近性、跨区域基础设施（如特高压输电线路）布局以及环境规制强度差异等复杂的跨区域因素. 这容易导致忽略碳排放在不同区域之间通过能源交易网络“流动”与“扩散”的特征，难以揭示区域之间在碳排放转移过程中的结构性互动关系[16]. 值得关注的是，近年来已有学者在建筑[19，20]和交通[21~23]等行业中尝试引入空间网络视角探讨碳排放影响因素，其研究在指标体系构建、空间权重设定及区域互动建模等方面的做法，为电力行业相关研究提供了有益借鉴. 与此同时，越来越多研究开始采用二次指派程序（quadratic assignment procedure，QAP）[19，21]与指数随机图模型（ERGM）[24，25]等基于复杂网络分析框架的方法，探索碳排放空间关联网络的形成机制及其影响因素. 这一趋势标志着从传统静态、局部及线性分析范式向动态、结构化和关系性建模的范式转型，为系统识别电力碳排放空间关联网络的驱动机制和构建区域协同治理框架提供了坚实的方法基础. ③在电力碳排放研究的时空范围方面，现有研究在时间维度上更多聚焦于特定年份或较短时期[12，15]，缺乏基于长时间序列的区域电力碳排放及碳转移的时空演变分析[17]，容易忽视碳排放网络结构与区域功能在长期动态中的演变趋势，影响政策制定的前瞻性与系统性；同时，在空间维度上，现有研究多集中于局部地区的电网格局[26，27]，对于全国范围内省际间电力碳排放的交互关系关注不足，易导致对全国电力碳排放流动全貌的认知偏狭，忽略了中西部等能源输出地区在碳转移过程中的关键作用，进而影响跨区域协同减排政策的科学性与覆盖面.
本文以中国30个省域为研究对象，基于省际间实际的电力交易数据，采用网络法构建了电力碳排放关联网络，采用社会网络分析（SNA）方法，系统揭示了2007~2022年中国省际间电力碳排放关联网络的结构特征，并采用QAP模型分析了网络结构演化的影响因素. 可能的边际贡献在于：第一，在研究主题上，以复杂网络范式切入，将电力碳排放空间关联纳入网络结构的研究框架，运用社会网络分析方法识别出各省在碳排放网络中的地位、角色及其演化路径，揭示了省际间电力碳排放的空间流动特征及其聚集模式，有助于深化对电力碳排放“跨区域转移”现象的系统性认识. 第二，在研究方法上，在有向加权网络形式的基础上进行相关网络分析，避免采用阈值构建无权网络后的信息损失；并采用二次指派程序（QAP）模型系统性识别了发电侧、输配侧、需求侧及政策因素对电力碳排放空间关联网络形成的驱动机制，进一步丰富了碳排放影响因素分析的技术路径. 第三，在研究范围上，本文构建了覆盖2007~2022年长时段的动态网络，并涵盖中国东中西部30个省域，更全面地刻画了电力碳排放空间流动的全貌，增强了研究结论的普适性与政策参考价值.
1 材料与方法 1.1 区域间电力碳排放关联网络的构建 1.1.1 电力生产碳排放核算首先基于IPCC碳排放清单估算方法，计算各个区域发电过程中各种燃料消耗所产生的直接碳排放量. 电力生产碳排放的测算采用燃料消耗量乘以相应碳排放因子的方法. 具体公式如下：
| (1) |
式中，Pi为i区域电力生产引致的碳排放量；k为燃料种类，Mik为i区域对燃料k的消费量；δk为燃料k的碳排放因子；NCVk、EFk和Ok分别为燃料k的热值、含碳量和碳氧化率. 44和12分别表示CO2的相对分子质量和C的相对原子质量.
1.1.2 区域间电力传输和消费碳排放核算采用Qu等[16]提出的网络法对区域间电力传输导致的碳排放进行测算. 这里假定多个区域相互间由电力流连接，包括电力输入和调出. 其中假设输入的电力首先与本地生产的电力混合，然后用于本地消费或者调出至其他区域[15]. 因此，在每个区域，都有电力平衡关系如下：
| (2) |
式中，xi为i区域总的电力流动；n为区域（省域）数量；PRi为i区域生产的电力；Ti,j为i区域出口到j区域的电量；ECOi为i区域消费的电力.
又已知n个区域间的电力流动，则可以得到电力流动矩阵T：
| (3) |
定义对角矩阵
| (4) |
矩阵B中的元素B（i，j）表示的是i区域流向j区域的电力占i区域总电力流动的比例.
则根据电力平衡关系式（2）可以得出：
| (5) |
式中，x和p分别表示各区域的总电力流动和发电量构成的行向量，可得：
| (6) |
式中，I表示单位矩阵，G=[I-B]-1=I+B+B2+B3…. 可知矩阵G表示的是区域间的总电力流动（含通过周转区域和未通过周转区域的流动），其元素G（i，j）表示i区域所发电力中流至j区域的比例. I表示供给本区域的电力，B表示不通过中转区域流动向其他区域的电力流动，B2表示通过一个中转区域的电力流动，B3表示通过两个中转区域的电力流动，更高阶项的含义依此类推.
然后，将i区域和j区域的生产和消费电力联系起来，构建生产-消费矩阵H：
| (7) |
式中，
最后，将区域电力生产碳排放量与耗电量相联系，j区域消费的i区域的电力中隐含的CO2排放量为：
| (8) |
矩阵P为电力生产碳排放量Pi的对角矩阵. 因此区域间隐含碳排放流动矩阵为：
| (9) |
由此可以得到区域间的电力“生产-消费”所产生的碳排放量矩阵.
1.1.3 区域间电力碳排放网络构建根据复杂网络理论，采用区域间电力“生产-消费”的碳排放量矩阵C，构建一个有向加权网络表示区域间电力碳排放关联网络：
| (10) |
式中，t表示年份，Vt表示区域的集合，集合中的元素不随时间变化；Lt表示碳排放关系的集合，也即网络中边的集合，其权重随时间变化而变化. 因此N（Vt，Lt）也就包含了网络最基本的结构特征. Wt表示网络中边的权重；Pt表示节点属性的特征值.
1.2 社会网络分析方法（1）网络中心性 由于本文采用加权网络形式，因此在网络结构特征解析中，采用加权度中心性指标来刻画节点中心性特征[28]. 同时，为突出电力碳排放网络的方向性，将各个节点的联系强度分为节点加权出度和节点加权入度两个方面，分别表征节点的对外辐射能力和集聚能力[29].
（2）块模型 为揭示中国省际间电力碳排放关联网络板块结构，采用块模型挖掘网络聚类形态. 因本文研究的是有向加权网络，在识别空间聚类时，需同时考虑节点的联系和权重. 因此，本文借鉴种照辉等[30]的研究成果，对传统的Concor算法进行改进，综合板块内部电力碳排放联系以及对其他板块的电力碳排放关联情况，将电力碳排放关联网络划分为4种板块角色：净受溢板块，内部联系占主导，且以接受外部联系为主，在网络中处于受溢地位；净溢出板块，该板块的成员以对外联系占主导，接受外部联系较少；经纪人板块，该板块的成员对外的辐射和集聚能力均较强，但板块内部成员间的联系不足；双向溢出（受溢）板块，该板块内部联系和外部联系均较多. 此外，本文借鉴了彭邦文等[31]的方法，采用板块关联关系图展示板块间关联关系及其显著性，可以更好捕捉板块间结构关系.
（3）二次指派程序模型 QAP是一种基于置换检验的非参数统计方法，专门用于分析矩阵数据间的关联性，尤其适用于具有依赖性的网络结构数据. 其核心原理是通过多次随机置换矩阵的行和列（同时保持网络拓扑结构不变），生成经验性的零分布，进而检验原始矩阵间关系的统计显著性[32]. 这一方法通过置换策略有效控制了网络数据的自相关性和非独立性问题，同时置换过程中保留行列关系的设计能够精准捕捉网络依赖结构，确保统计推断的稳健性，避免了传统回归分析因忽略数据结构而导致的显著性误判. 与指数随机图模型（ERGM）相比，ERGM通常用于分析二值网络，即节点之间是否存在连接，但它无法直接处理网络中边的权重[33]. 而QAP通过置换检验，能够自然地处理加权网络，精确捕捉权重差异对网络关系的影响，并能够在加权网络分析中提供更为灵活和精确的结果，尤其适用于那些涉及复杂依赖性和网络强度变化的情境[34].
1.3 数据来源与处理基于数据可获得性，本文选取中国2007~2022年30个省域的年度数据（中国台湾、香港、澳门和西藏资料暂缺）作为研究样本. 各省域的发电量和用电量以及发电燃料种类、投入量和燃料的平均低位发热量来自相应年份的《中国能源统计年鉴》《电力工业统计资料汇编》；在计算电力生产碳排放时使用IPCC清单方法所提供的计算公式：碳排放量=燃料消费量×该燃料的碳排放因子，排放因子的计算方法以及单位热值含碳量和碳氧化率数据均来源于《省级温室气体清单编制指南（试行）》；省际间电力流动的数据来自《电力工业统计资料汇编》. 用于QAP回归模型分析的各影响因素的指标数据中，各省域发用电数据、二/三产业增加值数据、人口数据和环境规制数据均来自研究年份的《中国统计年鉴》及各省域统计年鉴；煤炭投入数据来源于研究年份的《中国能源统计年鉴》中的电力平衡表；清洁能源发电数据来源于研究年份的《电力工业统计资料汇编》.
2 中国省际电力碳排放关联网络结构特征分析 2.1 中国省际电力碳排放关联网络节点特征图 1展示了2007年、2012年、2017年和2022年这4 a的加权出度和加权入度的位序-规模分布关系，并通过幂律函数拟合曲线来揭示网络节点的分布规律. 可以看出，中国省际电力碳排放关联网络节点的加权出度和入度服从幂律分布，呈现出典型的无标度特征，集聚特征显著. 这表明，在中国省际电力碳排放网络中，碳排放的流动呈现出显著的非均衡分布特征，高度集中于少数具有强大能源输出能力或巨大能源需求的关键节点. 此外，网络节点加权出度与入度的位序规模指数整体呈上升趋势，分别从2007年的0.878和0.867上升至2017年的0.992和0.985，表明高等级节点的碳排放输出和输入能力整体呈增强趋势，且碳排放输出的位序规模指数持续高于输入，输出侧的集中程度更为明显. 而到2022年，二者位序规模指数略有下降，分别降至0.956和0.925，这可能是受“双碳”目标下能源结构调整、电力市场建设更趋多元以及全国碳排放权交易市场启动等因素影响，高等级节点碳排放输出和输入的集中程度有所降低，但从长期阶段来看，整体上升的态势仍较为显著. 上述节点分布表明中国电力碳排放关联网络中存在典型的“集中生产-分散消费”的结构特征. 此特征的形成有其深层次原因，一方面，中国幅员辽阔，各地区能源资源禀赋差异显著，煤炭、水能、风能和光能等在空间上的分布高度不均衡，使得部分能源资源富集省域逐渐成为全国电力生产与外送的主要基地，其碳排放输出能力呈现明显的集中性；另一方面，随着我国经济持续发展，尤其是东部沿海经济发达地区，电力需求快速增长，而以上区域普遍存在能源资源不足和环境承载力有限等问题，导致其在电力供应上高度依赖跨区域输入，从而形成电力碳排放输入端的多元化和分散化格局[35].
|
横坐标表示中国各个省域按其加权出度/入度从大到小排序后的秩次 图 1 中国省际电力碳排放关联网络出度与入度幂律分布 Fig. 1 Power-law distribution of degree in China's inter-provincial power carbon emission network |
图 2展示了4个年份中国省际电力碳排放关联网络的加权出度-入度散点分布，其中采用加权出度-入度均值将30个省域电力碳排放划分为4个象限，第Ⅰ象限为高出度-高入度省域，第Ⅱ象限为高出度-低入度省域，第Ⅲ象限为低出度-低入度省域，第Ⅳ象限为低出度-高入度省域，并以45°对角线区分了电力碳的净输出（线左上方）与净输入（线右下方）区域.
|
1.北京，2.天津，3.河北，4.山西，5.内蒙古，6.辽宁，7.吉林，8.黑龙江，9.上海，10.江苏，11.浙江，12.安徽，13.福建，14.江西，15.山东，16.河南，17.湖北，18.湖南，19.广东，20.广西，21.海南，22.重庆，23.四川，24.贵州，25.云南，26.陕西，27.甘肃，28.青海，29.宁夏，30.新疆 图 2 中国省际电力碳排放关联网络出度-入度散点图 Fig. 2 Out-degree and in-degree scatter plot of the inter-provincial power carbon emission network in China |
从区域分布来看，中国电力碳排放网络的节点角色呈现出显著的空间分异特征，形成了稳定的能源由西向东、由北向南流动的格局. 这一格局根植于我国能源资源分布与区域经济发展水平的不平衡性，并与中国为解决此矛盾而实施的“西电东送”国家战略密切相关. 该战略所构建的“北、中、南”三大输电通道，宏观上实现了“西电东送”的总体格局，最终在区域经济层面塑造了西部为输出核心、东部为输入核心和中部为枢纽的电力碳流动特征[36]. 首先，东部地区作为国家经济重心，各省域基本位于45°对角线右下方区域，并且多位于第Ⅳ象限. 这说明东部省域因经济发达而能源较为匮乏，基本属于净碳输入地区，并且多数省域碳输入量高而输出量低. 其中，河北由于在地理上与北京和天津高度邻近，因此在2017年和2022年均位于第Ⅰ象限，成为北京和天津电力碳输入的重要枢纽. 西部地区多位于45°线的左上方区域，并且较多省域从第Ⅲ象限演变为位于第Ⅱ象限. 这说明西部地区凭借丰富的煤炭和可再生能源优势，承担着电力碳净输出核心功能，同时西部地区更多省域加入了电力碳外送的行列. 其中内蒙古作为“超级输出节点”，流出量（以CO2计，下同）从2007年的7 212.32万t急剧增长至2022年的22 005.07万t，其通过丰富的煤炭资源成为国家“西电东送”战略最重要的能源基地；云南和贵州作为西南地区清洁能源基地，通过跨区域通道向东部输送电力，导致其承担了一部分东部和南部省域的电力碳排放压力[4]. 中部省域在网络中发挥着重要的桥梁与枢纽作用，体现出平衡性与中介性并存的结构角色. 从象限分布来看，多数省域位于第Ⅰ和第Ⅳ象限，其碳流动模式既不同于西部大规模净输出的核心功能，也区别于东部高度依赖外部输入的消费模式. 其功能定位受到区域经济发展水平、经济结构特征及跨区输电通道布局的共同影响，在“西电东送”总体格局中同时承担电力传输与负荷消纳的双重功能. 此外，东北地区由于传统能源优势衰退和各产业规模调整，整体呈现网络参与度弱化趋势. 辽宁虽保持一定流动规模，但已退至净输入区域；吉林和黑龙江逐步边缘化至第Ⅲ象限，流出和流入量均相对有限. 这种边缘化趋势深刻反映了老工业基地能源优势减弱和电力外送竞争力下降的现实困境，也凸显了区域经济转型过程中电力碳流动格局的重构.
从网络节点结构的演化趋势来看，网络呈现出规模扩张、格局固化与节点分化并存的显著特征. 首先，网络规模持续扩张，省际电力碳流动强度显著提升. 2007~2022年间，全国电力碳流动总量增长近3倍，内蒙古和河北等关键节点的流动规模增幅尤为突出，这主要得益于“西电东送”战略下特高压输电技术的大规模应用和跨区域电网互联水平的不断提升[37]. 其次，网络核心节点角色趋于固化，基本格局保持稳定. 内蒙古作为第一大输出地、江苏与山东等作为主要输入地和河北等作为关键枢纽的地位持续强化，这种格局根植于我国能源资源与负荷中心逆向分布的基本国情，并通过长期能源基础设施投资进一步增强. 最后，节点间分化趋势加剧，网络“马太效应”日益凸显. 电力碳输入与碳输出都存在高度集中性，这种高度专业化的分工虽然提升了能源配置效率，但也加剧了省际碳责任体系的结构性风险. 碳流动模式依赖少数“超级输出节点”，导致其底层物理电网具有典型脆弱性[38]. 一旦关键输出省域或输电通道中断，不仅危及电力安全，更将触发碳责任的分配危机，影响受端省域减排目标的实现. 因此未来政策应在强化主干网架的同时，鼓励负荷中心发展分布式能源以增强系统韧性，并建立更加公平有效的跨省区电力市场与碳排放责任共担机制.
2.2 中国省际电力碳排放网络空间结构特征通过对2007~2022年中国省际电力碳排放网络进行层级划分与空间可视化（如图 3和表 1），深入剖析其空间组织的模式与演化路径. 结果显示，该网络在过去十余年间，已经从一个相对分散的形态，演化为一个具有高度组织性、层级化和集约化的复杂系统.
|
基于自然资源部标准地图服务网站审图号为GS（2024）0650的标准地图制作，底图边界无修改 图 3 中国省际电力碳排放网络空间层次结构 Fig. 3 Spatial hierarchical structure of the inter-provincial power carbon emission network in China |
|
表 1 中国省际电力碳排放关联网络联系量前10省域对 Table 1 Top ten provincial pairs by connection volume in China's inter-provincial power carbon emission network |
首先，核心-边缘结构日益凸显，形成层级分明的非均衡网络体系. 从图 3可以看出，整个网络并非由均质的节点构成，而是由少数扮演关键角色的核心省域主导，与大多数处于外围的边缘省域共同组成. 核心区内部可进一步划分为3类：一是以内蒙古和山西为代表的“输出核心”；二是以河北和河南为代表的“枢纽核心”；三是以北京、广东、江苏和浙江为代表的“输入核心”. 这种核心-边缘结构在数值上表现为层级间的显著分化. 基于自然间断点法的层级划分表明，研究期第一层级省域占电力碳排放关联总量的比例呈现出“U型”态势，表明核心省域的集聚效应在经过一段时间的分散化后重新强化；第二、三层级占比从2007年的40.38%持续上升至2017年的72.06%，反映出中间阶层省域的流动性增强，网络中间力量稳步壮大；而第四层级占比从2007年的12.39%下降至2022年的8.89%，特别是在2012年达到最低点7.99%，表明边缘省域的网络参与度呈减弱趋势. 到2022年，位于第一、二层级省域共同占据了全网碳排放关联总量的63.47%，意味着约30%的省域控制了近2/3的跨省流动. 这种结构演化的动力源于“政策与市场双驱动”，也即国家“西电东送”战略和特高压网络建设奠定了“核心-边缘”的格局，而电力市场化改革则进一步优化了流量配置，促使碳排放权向利用效率更高的核心通道集中[39]. 这一演变一方面提高了全国资源配置与能源利用效率，另一方面也加剧了区域间碳责任与利益分配的不均衡. 在推进全国碳市场与跨省碳核算时，需在效率与公平之间做出制度性权衡并完善转移支付与补偿机制，以避免外部性和不公平负担的扩散.
其次，空间格局呈现稳固的“两横三纵”轴带式布局. “两横”指代两条东西向的能源输送大动脉. 北部输送轴以内蒙古和山西为核心，向京津冀、山东和江苏等负荷中心输送电力及碳排放；南部输送轴则由四川和云南等西南水电基地向广东和浙江等沿海地区输送. “三纵”则反映了从西到东的功能阶梯式分异，依次形成了以西部省域为主的能源供给带，以中部省域为主的枢纽过渡带，以及以东部沿海省域为主的能源承载带. 具体来看，2007年，网络已初步形成西部和中部共同支撑东部发展的基础框架，内蒙古和山西等西部省域与河北和河南等中部省域共同构成了东部的电力碳来源. 这一时期在煤炭与水利资源的空间异质性的影响下，以近距离的空间碳排放关联为主，但“两横三纵”轴带式布局已现雏形. 此后，在《可再生能源法》确立的并网与消纳制度基础上，西部风电和光伏在2010年以后实现规模化扩展，形成了大规模远程输出的供给端；可再生能源的间歇性和季节性出力又增加了对跨区调峰和消纳的依赖，促使特高压等长距离输电能力持续扩容[40]. 多重因素共同作用，使跨省电力及相应的碳排放关联强度明显呈由西向东集中的趋势，从而在网络层面上强化了“西部集中输出、东部集中消费”的轴带化格局. 例如，新疆的省际输出关联强度由2007年的121.47万t增长至2022年的8 428.87万t，显示出西部若干省域远距离输出能力的显著提升.
最后，网络连接的集约化程度不断提高，从相对均衡、分散的“网格化”模式，演进为由少数特大容量通道主导的“轴辐式”模式. 比较各年份的传输路径可以发现，省际间碳排放关联核心路径的绝对主导地位持续强化，“马太效应”显著. 2007年电力碳排放联系量前10的省际路径来源还相对多样，包括“贵州→广东”、“云南→广东”和“吉林→辽宁”等多个方向性的连接；但至2022年，联系量前10的路径已完全被“西电东送”的国家级主干通道所垄断，特别是“内蒙古→山东”和“内蒙古→河北”等单一路径的流量已远超2007年所有路径，其强度是当年最高路径的2倍以上，网络结构更加简洁高效. 此外，连接模式从“阶梯中转”到“点对点直达”的演变也突出了集约化程度的提高. 第一层级占比在2007~2012年间持续下降，这反映了特高压电网建设期的“分流效应”，大量新通道投产暂时稀释了流量集中度，但至2022年第一层级占比从13.15%大幅回升至42.14%，说明随着新通道成熟和市场优化，流量迅速向效率最高的主干通道回流，实现了更高程度集约化. 这表明，特高压技术的进步是我国电力碳排放空间关联网络演化的重要物理基础，网络由此完成了从“多路径、多层级、多中转”的复杂关联，向“能源基地-负荷中心”直达的简化拓扑结构的转变.
2.3 中国省际电力碳排放网络板块结构特征针对图 3显示的网络，对30个省域的碳关联关系进行块模型分析. 采用CONCOR算法，根据最大分割深度为2，收敛标准为0.2，最大迭代次数为2 500次的原则将30个省域划分为4个板块，可以得到各个板块内部与板块间关联数组成的密度矩阵. 为有效区分随机噪声和真实信号，实现弱连接过滤与强连接保留，更好表达板块之间的关联关系，以各年份碳关联网络的整体密度的40%为判定标准，将密度矩阵中大于该阈值的关联关系视为显著关联. 各个板块的成员构成及其演变见表 2. 样本期内各个板块之间的关联关系及其演变如图 4所示.
|
|
表 2 中国电力碳排放网络的各板块组成成员与变动 Table 2 Composition and changes of blocks in China's inter-provincial power carbon emission network |
|
箭头所示数字为板块间碳排放关联关系显著程度，其值介于0~1之间，越趋近于1，代表碳溢出（碳吸入）效应越大；R2表示块模型的拟合优度 图 4 中国省际电力碳排放网络的各板块关联关系 Fig. 4 Correlation of different blocks in the inter-provincial power carbon emission network of China |
从板块关联属性及其成员构成来看. 板块Ⅰ在2007~2017年成员构成较为稳定，以北京、天津、河北、内蒙古、山东及东北三省为主要成员，这一时期该板块以成员之间的电力及其碳排放交流为主. 但至2022年，随着“西电东送”战略全面铺开，西北地区的新疆与甘肃演变成其他板块成员，而原有板块Ⅰ在2022年分化成板块Ⅰ与板块Ⅱ，这一时期的板块Ⅰ的成员则主要以电力消费型省域为主，因此演变成双向受溢板块. 板块Ⅱ的成员构成以陕西、青海和新疆等西北能源基地为核心，其在2007~2017年表现出典型的净溢出板块特征，主要向中东部地区输送电力与碳排放. 2022年，其成员范围进一步扩大，成功吸纳了山西、内蒙古、黑龙江和宁夏，形成了一个更为强大的北方能源输出集团. 这一成员演变与国家规划的晋北、晋中、陕北、鄂尔多斯、宁东和哈密等大型煤电基地与综合能源基地的战略布局较为吻合. 其角色始终具有较强溢出属性，表明该地区持续承担着向全国输出电力及隐含碳排放的核心“源”功能. 板块Ⅲ的核心成员主要为江苏、上海、浙江、安徽和福建等中国经济最活跃和能源需求最旺盛的区域，且板块成员在原有基础上，通过特高压工程纳入了中西部主要能源省域. 除了2012年该板块属性具有双向溢出属性之外，其余年份更多扮演双向受溢属性. 主要是因为2009年世界首条1 000千伏晋东南-南阳-荆门特高压交流试验示范工程以及随后四川向家坝-上海±800千伏特高压直流输电工程正式交付投运，导致山西和四川加入了板块Ⅲ. 至2022年，随着±800千伏祁韶（甘肃-湖南）特高压直流输电工程与“疆电外送”的第二条特高压输电工程（新疆-安徽）贯通[41]，新疆与甘肃加入了第Ⅲ板块，使得该板块属性更为模糊和复杂. 板块Ⅳ则以广东、湖北、湖南、广西、云南、贵州、重庆和江西等中南及西南省域为核心，成员构成较为稳定，但板块属性变动幅度较大. 其板块角色在2007年以双向受溢属性为主，但随着向家坝-上海特高压工程投运后，四川做为该板块的电力生产大省转入了第Ⅲ板块，以及湖北做为全国电网联网枢纽短暂地进入到第Ⅲ板块，使得该板块演变为双向受溢板块. 2017年湖北又回到板块Ⅳ之后，该板块又兼具了碳溢出与经纪人属性. 整体来看，该板块的内部关联系数始终保持在0.125以上，与北方主能源通道的直接联系相对减弱，在网络中形成一个相对独立的子系统. 整体来看，板块成员在2012~2017年间变动幅度不大，但2022年发生了较为显著变化. 其中可能的原因除了受特高压输电线路进一步增加的影响之外，也可能与国家于2021年7月16日正式上线全国碳排放权交易市场，并以发电行业为首批覆盖对象有关. 全国统一电力市场及电力现货市场的推进，显著降低了地域壁垒并提升跨区交易灵活性，促进了跨省点对点交易增多，使得原有以特高压主干通道为核心的流向可能被更细粒度的市场交易路径补充，这进一步重塑了电力碳排放关联网络的拓扑结构.
从板块间关联关系演化视角分析，中国省际电力碳排放网络呈现出两个方面的特征. 一是特高压工程推动下板块内部集团化趋势弱化，板块间关联关系复杂化. 早期各板块成员多是以区域邻近为主形成较为紧密的集聚形态，但随着特高压工程的逐渐铺开，电力资源富集省域可以轻松将电力传输至电力需求大省，这使得板块成员构成发生了较大变化. 这种变化在很大程度上改变了板块间的关联属性，使得原来以地域毗邻为特征的板块内部集团化趋势逐渐减弱，而板块间的碳排放关联则逐渐增强并复杂化. 例如，2007年和2012年时，各板块内部各成员之间都存在较为显著的关系. 但至2017年，板块Ⅱ的内部关联系数不显著，而板块Ⅲ的内部关联系数呈明显下降趋势；2022年，板块Ⅳ的内部关联系数变得不显著. 在这种格局下，碳排放治理需要超越传统的区域邻近逻辑，更加注重跨区域协同和多板块联动机制的构建. 二是北方煤电集团日渐成为重要电力碳溢出源头. 板块Ⅱ原有成员主要集中在西北地区，但随着特高压工程技术的发展，以及原有板块Ⅰ部分成员的分化，山西和内蒙古等煤电大省逐渐并入板块Ⅱ，使其成为重要的电力能源输出板块. 从图 4来看，2012年板块Ⅱ已向板块Ⅰ和板块Ⅳ分别输出了0.050和0.067的碳关联系数，显示出其外溢效应的增强；到2017年，板块Ⅱ与板块Ⅳ的关联进一步显现，其向板块Ⅳ的碳关联系数达到0.212，成为该年度最显著的跨板块输出路径；而到2022年，又分别向板块Ⅰ和板块Ⅲ输出的碳关联系数分别达到了0.476和0.125. 这表明北方煤电板块已成为连接各大板块的重要枢纽和碳排放的主要外溢源头. 在这一特征下，碳排放治理不应单纯要求煤电大省独自承担过多减排压力，而是要通过全国统筹来分摊其外溢排放责任.
3 中国省际电力碳排放关联网络的影响因素分析 3.1 模型选取与变量说明在电力碳排放空间关联网络的影响因素研究中，由于碳排放的关联本质上是省际电力流动隐含的碳转移[42]，其影响因素覆盖电力全链条，因此从全过程视角对电力行业的碳排放影响因素进行分析，将电力行业碳排放的影响因素分为发电侧、输配侧和需求侧这3个方面[15]，发电侧影响因素选取煤炭投入量和清洁能源占比两个因素[43]，输配侧选取空间相邻、区域邻近和实地距离3个因素[44]，需求侧选取人均用电量[45]和产业规模[46]两个因素，同时加入特高压输电工程线路[47]和环境规制[48]两个影响因素来探究国家政策的影响. 其中，空间相邻和区域邻近分别指两省是否在相邻以及是否在同一行政区划内而得出的二值矩阵. 实地距离即两省省会城市的距离，根据各省会城市的经纬度计算得出. 特高压输电工程布局以各年份现运行的特高压输电工程所途经的省域为依据，得出其二值矩阵. 其余变量中清洁能源占比用清洁能源发电量占总发电量比例衡量，产业规模水平用二/三产业增加值衡量，环境规制水平用工业污染治理完成投资额衡量. 在此基础上，对各省域变量值进行两两比较，计算差异并形成差异值矩阵. 据此，构建中国省际电力碳排放关联网络影响因素模型为：
| (11) |
式中，Q表示中国省际电力碳排放空间关联矩阵，N、A和D分别表示空间相邻关系、区域邻近关系和省域实地距离矩阵，R、S、C、I和E分别表示环境规制差异、产业规模差异、清洁能源强度差异、煤炭投入差异和人均用电差异矩阵，U表示特高压工程布局.
3.2 QAP相关性分析QAP相关分析用来研究两种“关系”矩阵之间是否相关. 采用QAP方法生成Pearson相关系数对各影响因素与中国省际电力碳排放空间关联结构之间的相关关系进行测算（表 3）. QAP相关性分析结果表明，中国省际电力碳排放关联网络的结构受到地理、政策及技术因素的显著影响. 具体而言，空间相邻与区域邻近均通过1%显著性检验，表现出稳定的正向关联；实地距离则始终呈现显著的负向相关，进一步印证了地理邻近效应的存在，即省域间距离越远，碳排放关联越弱. 清洁能源强度差异在所有年份相关系数均为负，揭示了其在削弱省际关联中的潜在作用. 自投入运行以来，特高压工程的相关系数持续显著且不断提高，表明其与电力碳排放关联的相关关系不断加强. 然而，产业规模、环境规制、煤炭投入及人均用电量差异的简单二元相关性则相对较弱或统计显著性不稳定，需要通过回归分析来进一步甄别以上因素在控制其他变量后的独立影响.
|
|
表 3 中国省际电力碳排放关联网络与影响因素的QAP相关性分析1） Table 3 QAP correlation analysis of the inter-provincial power carbon emission network and its influencing factors in China |
3.3 QAP回归分析
为甄别各因素的独立影响，进一步采用QAP回归分析，通过5 000次随机置换得到回归分析结果（表 4）. 结果表明，中国省际电力碳排放关联网络的影响机制存在显著动态变化. 与相关性分析相比，回归分析在控制其他变量后呈现出更复杂的特征：①特高压工程自2009年开始投入运行以来，对省际电力碳排放关联的影响由不显著逐渐变为显著为正，表明其通过大容量和远距离输电促使我国能源资源配置方式发生了深刻变革，在提升能源配置效率的同时，也重构了“发电端碳排放”与“用电端经济产出”的空间分离格局. ②地理空间性因素是影响省际间电力碳排放关联的基础性因素. 其中区域邻近的回归系数始终保持高度正向显著，这说明各省域是否同属于某一区域是影响电力碳关联的关键因素. 而实地距离的回归系数不显著，空间相邻的回归系数除了在2017年在10%的显著性水平下显著之外，其它年份不显著. 说明在电力远距离传输技术的跨越式发展下，不同省域之间的实地距离与空间相邻已不再是独立影响省际间电力碳排放关联的重要因素. 造成这种现象的重要原因是，区域特高压等技术的发展极大提升了远距离输电能力，进一步削弱了物理距离的制约. 因此，省际电力传输不再受到“远距离不可达”与“相邻必然联通”的刚性约束，区域邻近性这一较为中性的因素反而呈现出显著作用. 但表 4的结果显示，区域邻近性的回归系数在不断减少，进一步说明地理空间因素的基础性作用在不断减弱. ③产业规模差异对省际电力碳排放关联的影响呈现阶段性变化. 该变量在2007年呈显著正向影响，表明产业规模差异是影响省际间电力碳排放流动的重要因素. 但在2012~2017年该变量影响减弱直至不显著，这一变化可能主要与中央和地方在这一时期推行的能耗“双控”和节能改造等政策有关，该政策体系通过设定能源消费总量与强度双控目标，并辅以落后产能淘汰、差别电价和节能审查等具体规制工具，有效遏制了高耗能产业无序扩张，降低了产业规模差异与碳排放的关联强度[49]. 2022年该变量的影响再次显著，这一现象可能源于多重因素的叠加. 一方面，疫情冲击后各省产业复苏节奏存在差异，推动省际间产业规模差异再度拉大[50]；另一方面，全国碳市场、长期电力交易机制和可再生能源配置逐步走向成熟，使得区域间的能源与产业分工格局趋于稳定. 在此背景下，“部分省域侧重清洁电力输出，而部分省域继续承载高耗能产业”的格局逐渐固化. 正是在这一新的均衡中，产业规模差异能更清晰地反映为跨省电力碳排放流动的差异. ④人均用电量的回归系数随着时间的推移逐渐增大且显著性增强，到2022年成为了显著的正向影响因素. 表明随着经济的发展，产业升级与生活水平提高导致用电需求持续上升，增加了对电力供给的依赖. 同时各地区之间的发展水平不同，用电需求存在差异，东部发达省域人均用电量高，但本地能源不足以支撑需求，需从西部能源基地输入电力，从而强化了跨省电力调配与碳排放关联性. ⑤煤电与清洁能源是电力生产的两大来源. 煤炭投入量的影响在研究期内始终未通过显著性检验，这一结果深刻揭示了我国电力碳排放的地域结构性特征，即北方煤电基地省域的排放与煤炭消耗紧密相关，而南方水电大省的电力碳排放则主要受水力发电的丰枯周期特性驱动，与煤炭投入量的关联性较弱，二者叠加导致全国层面的关联性被削弱. 与此同时，清洁能源强度的负向影响逐步增强，表明尽管地域结构性问题依然存在，但清洁能源对煤电的替代减排效应已不断增强，并最终在省际网络层面显现出统计上可观测的显著影响，共同印证了我国能源结构正在经历从煤电主导向多元清洁化的深刻转变[51]. ⑥环境规制变量在2007~2022年间始终未表现出统计显著性，表明工业污染治理完成投资所代表的主要针对本地污染源的末端治理手段在处理跨区域电力碳排放问题时具有局限性. 结合前面对特高压和可再生能源占比变量的分析，可以看出相较于局部和末端的治理，从能源供给侧推动清洁替代和从电网侧优化资源配置效率对于降低整个电力碳排放网络的关联强度更为有效.
|
|
表 4 中国省际电力碳排放关联网络QAP回归分析 Table 4 QAP regression analysis of the inter-provincial power carbon emission network in China |
比较全国碳排放权交易市场启动前后2017年与2022年的实证结果. 在碳市场启动后，清洁能源强度对关联的影响变得负向显著. 表明碳排放成本内化后，清洁能源省域的电力外送不仅有经济上的比较优势，还能减少受配额约束下的交易成本，从而在省际碳排放网络中形成更强的“替代效应”，这符合碳市场的逻辑. 同时，产业规模差异在经历2012~2017年的不显著后，于2022年重新表现为正向显著，反映出在碳成本被内生化的背景下，大规模产业省域更依赖跨省购电与电源结构调整来应对碳约束. 其他变量的变化则不大，说明碳市场这一制度冲击对电力碳排放网络的初始冲击主要通过能源结构与产业需求两条路径体现.
4 讨论本研究揭示了中国省际电力碳排放网络在规模持续扩张和联系日益紧密的同时，也深化了区域间碳责任分配的结构性失衡. 这一发现与诸多关注区域碳转移的研究结论相呼应[52，53]，但本研究从复杂网络的结构性视角，进一步量化了这种失衡的时空演化路径与关键节点功能，清晰地揭示并量化了省际电力碳流动路径与网络结构演变，为理解由此引发的碳责任空间错配问题提供了至关重要的实证依据.
尽管特高压电网显著增强了全国电力资源的统筹调度能力，推动西部清洁能源大规模外送，支持了全国能源结构优化与碳强度下降，但其所强化的“西电东送”格局也在一定程度上固化了“西部发电排碳、东部用电消费”的空间分工，导致碳责任主体与消费主体分离，从而加深了区域间碳责任分配的结构性失衡. 在这一背景下，亟需构建覆盖全国的碳排放责任共担机制，完善跨省绿电交易体系，推动西部提升可再生能源外送能力与东部提高本地绿电自给率，并协同推进技术、资本与制度创新，以实现区域联动的绿色低碳发展格局.
针对不同板块在电力碳排放网络中的功能定位与关联特性，应实施差异化和精细化的区域减碳策略，以推动电力行业整体低碳转型. 板块Ⅰ以消费型省域为主体，是典型的碳汇流区域，应优先推动分布式可再生能源和智慧电网建设，并通过需求侧响应和负荷管理提升绿色电力就地消纳水平. 板块Ⅱ作为北方能源输出核心，外溢效应持续增强，应加快煤电机组清洁化改造，布局碳捕集与封存等前沿减排技术，同时大规模开发风光资源，实现从高碳能源输出向低碳能源外送的转型. 板块Ⅲ涵盖东部经济发达地区，既是高负荷消费区，又在一定时期承担溢出功能，其减碳关键在于强化跨区域低碳电力调度，推动区域间碳责任共担，并探索多能互补与碳市场联动机制. 板块Ⅳ内部关联较紧密，具备相对独立性，应聚焦于可再生能源本地消纳和电力市场化改革，探索建设区域低碳示范带，以提升系统整体的韧性与适应性. 整体来看，板块间功能差异凸显了跨区域协同治理的重要性，特高压工程的发展不仅是资源优化配置的基础，也为因地制宜制定板块化减碳战略提供了新的路径.
为促进省际电力碳减排与网络结构优化，应着力构建以基础设施为支撑、市场机制为纽带和区域协同为核心的系统性治理路径. 首要举措是充分发挥特高压电网的战略载体功能，进一步提升清洁能源跨区配置规模与效率，逐步破解能源富集区与消费区之间的碳责任分离困境. 同时，需加快建立基于碳流量视角的区域协同减排与利益补偿机制，重点完善“西电东送”中输出省域与受端省域之间的责任共担和生态补偿制度，缓解能源送出区的碳转移压力. 此外，应推动减排政策从侧重末端治理向结构优化与技术驱动转型，引导高负荷区域积极发展分布式能源和清洁替代，强化能源消费侧自主减排能力. 同时，应强化碳交易市场与电力市场的协同效应，推动清洁能源比较优势充分释放，并引导高耗能产业省域通过电源结构优化和产业转型来实现低碳发展，从而提升网络整体的减排效率与公平性.
此外，受数据缺失所限，本文暂未能将西藏纳入实证分析. 西藏自治区因地理与技术条件限制，历史上长期电网孤立，直至2011年青藏联网工程投运才首次与全国主网连接，随后川藏联网、藏中联网及2020年阿里联网建成，结束了分散局面. 近年来，西藏由“能源自给自足”转向“国家清洁能源基地”，依托雅鲁藏布江下游水电、超大规模光伏与风电向中东部省域大规模输送绿电，年交易量已达数十亿千瓦时，截至2024年底清洁能源占比超99%，为全国最高[54]. 随着雅江工程和“藏粤直流”特高压工程的建设推进，西藏将由电力边缘省域跃升为重要供给端，其规模化、清洁化外送将进一步降低“西电东送”碳流强度并提升电网绿色化水平. 若忽视其作用，可能高估受电省域碳排放，而低估绿电交易的减排效果. 未来如能纳入更完整数据，特别是雅江水电全面开发和藏粤直流建成后的贡献，将有助于更准确刻画全国电力碳流动的空间格局.
5 结论（1）网络节点特征方面，节点加权出度与入度均服从幂律分布，具有显著无标度特征，电力碳排放流动在省际间呈现高度非均衡性，集中于少数关键节点，存在典型的“集中生产-分散消费”模式. 节点功能空间分异显著，呈现“西电东送”为主导的格局，西部省域主要为碳净输出核心，东部省域为主要输入区域，中部省域更多承担枢纽功能，东北地区则逐渐边缘化. 网络规模持续扩张，省际电力碳流动总量增长近3倍，核心节点地位强化，但节点分化加剧，电力碳流动高度集中于少数省域.
（2）网络空间结构特征方面，网络已从相对分散形态发展为层级分明、集约化高的复杂系统，形成以内蒙古和山西等为代表的“输出核心”，河北和河南等为代表的“枢纽核心”，以及江苏和广东等东部省域为代表的“输入核心”. 空间上呈现“两横三纵”的轴带布局，两条东西向输电通道贯穿南北，三大功能带体现西中东梯度分异. 网络连接模式日趋集约，主干通道主导作用增强，特高压输电推动省际关联从多级中转向“能源基地-负荷中心”直达转变，流量高度集中于少数高效路径.
（3）网络板块结构特征方面，板块Ⅰ以电力消费型省域为主体，呈现典型的双向受溢属性，是碳汇流的重要区域. 板块Ⅱ以陕西、新疆和内蒙古等北方能源省域为核心，始终保持净溢出属性，承担全国电力碳主要源功能，外溢效应持续增强，已成为连接各大板块的枢纽. 板块Ⅲ主要包括江苏、上海和浙江等经济发达地区，角色较为复杂，在不同时期兼具碳溢出与碳受溢属性，整体以受溢为主，反映出高负荷与外来电力输入并存的特征. 板块Ⅳ涵盖中南与西南省域，内部关联相对紧密，形成功能相对独立的子系统，属性介于碳溢出与碳受溢之间. 板块间关联关系演化呈现出特高压工程推动下板块内部集团化弱化、板块间关联复杂化，以及北方煤电集团逐渐成为核心碳外溢源的特征.
（4）网络的影响因素方面，特高压工程的运行显著增强了跨省电力传输与碳排放的空间关联. 地理因素中，区域邻近性仍具基础作用，但随着远距离输电能力提升，物理距离与空间相邻的重要性明显减弱. 产业规模差异的影响呈现阶段性波动，先因政策调控减弱后又因区域复苏差异与市场机制成熟再度显著. 人均用电量的正向影响持续增强，体现出经济发展与区域差异对电力跨省流动的放大效应. 能源结构方面，煤炭投入始终不显著，但清洁能源强度的作用逐渐增强，表明清洁能源对煤电的替代减排效应已不断增强. 环境规制因偏向末端治理，对跨区域电力碳排放问题作用有限. 全国碳排放权交易市场启动后，网络影响机制主要表现为清洁能源替代效应的显著增强和产业规模差异驱动作用的再现，其余因素影响相对稳定.
| [1] |
王雅楠, 李冰迅, 张艺芯, 等. 中国减污降碳协同效应时空特征与影响因素[J]. 环境科学, 2024, 45(9): 4993-5002. Wang Y N, Li B X, Zhang Y X, et al. Spatiotemporal characteristics and influencing factors of the synergistic effect of pollution reduction and carbon reduction in China[J]. Environmental Science, 2024, 45(9): 4993-5002. DOI:10.13227/j.hjkx.202308108 |
| [2] | Chen F, Zhao T, Xia H M, et al. Allocation of carbon emission quotas in Chinese provinces based on Super-SBM model and ZSG-DEA model[J]. Clean Technologies and Environmental Policy, 2021, 23(8): 2285-2301. DOI:10.1007/s10098-021-02137-5 |
| [3] | Fan F Y, Wang Y Y, Liu Q Y. China's carbon emissions from the electricity sector: spatial characteristics and interregional transfer[J]. Integrated Environmental Assessment and Management, 2022, 18(1): 258-273. |
| [4] | Bai M R, Li C B. Research on the allocation scheme of carbon emission allowances for China's provincial power grids[J]. Energy, 2024, 299. DOI:10.1016/j.energy.2024.131551 |
| [5] |
刘竹, 关大博, 魏伟. 中国二氧化碳排放数据核算[J]. 中国科学: 地球科学, 2018, 48(7): 878-887. Liu Z, Guan D B, Wei W. Carbon emission accounting in China[J]. Scientia Sinica Terrae, 2018, 48(7): 878-887. |
| [6] | Ling C, Yang Q, Wang Q R, et al. A comprehensive consumption-based carbon accounting framework for power system towards low-carbon transition[J]. Renewable and Sustainable Energy Reviews, 2024, 206. DOI:10.1016/j.rser.2024.114866 |
| [7] | Shan Y, Guan D, Zheng H, et al. Data Descriptor: China CO2 emission accounts 1997-2015[J]. Scientific data, 2018, 5. DOI:10.1038/sdata.2017.201 |
| [8] | International Energy Agency. CO2 emissions from fuel combustion[R]. Paris: IEA, 2019. 123-124. |
| [9] |
马丽, 张博. 中国省际电力流动空间格局及其演变特征[J]. 自然资源学报, 2019, 34(2): 348-358. Ma L, Zhang B. The spatial distribution and evolution of interprovincial electricity flow in China[J]. Journal of Natural Resources, 2019, 34(2): 348-358. |
| [10] |
彭水军, 张文城, 孙传旺. 中国生产侧和消费侧碳排放量测算及影响因素研究[J]. 经济研究, 2015, 50(1): 168-182. Peng S J, Zhang W C, Sun C W. China's production-based and consumption-based carbon emissions and their determinants[J]. Economic Research Journal, 2015, 50(1): 168-182. |
| [11] | Ma J J. Who shapes the embodied carbon dioxide emissions of interconnected power grids in China? A seasonal perspective[J]. Journal of Environmental Management, 2022, 324. DOI:10.1016/j.jenvman.2022.116422 |
| [12] |
付坤, 齐绍洲. 中国省级电力碳排放责任核算方法及应用[J]. 中国人口·资源与环境, 2014, 24(4): 27-34. Fu K, Qi S Z. Accounting method and its application of provincial electricity CO2 emissions responsibility[J]. China Population, Resources and Environment, 2014, 24(4): 27-34. |
| [13] | Ma J J, Du G, Xie B C. CO2 emission changes of China's power generation system: input-output subsystem analysis[J]. Energy Policy, 2019, 124: 1-12. |
| [14] | Wang G Y, Li Y P, Liu J, et al. A two-phase factorial input-output model for analyzing CO2-emission reduction pathway and strategy from multiple perspectives - a case study of Fujian Province[J]. Energy, 2022, 248. DOI:10.1016/j.energy.2022.123615 |
| [15] |
魏文栋, 张鹏飞, 李佳硕. 区域电力相关碳排放核算框架的构建和应用[J]. 中国人口·资源与环境, 2020, 30(7): 38-46. Wei W D, Zhang P F, Li J S. The framework of regional electricity-related carbon emissions accounting and its application[J]. China Population, Resources and Environment, 2020, 30(7): 38-46. |
| [16] | Qu S, Li Y, Liang S, et al. Virtual CO2 emission flows in the global electricity trade network[J]. Environmental Science & Technology, 2018, 52(11): 6666-6675. |
| [17] |
郭艺, 张鹏飞, 葛力铭, 等. 长江经济带电力碳排放时空变化及影响因素——基于区域和产业视角[J]. 中国环境科学, 2023, 43(3): 1438-1448. Guo Y, Zhang P F, Ge L M, et al. The spatio-temporal variation and influencing factors of electricity-related carbon emissions in the Yangtze River Economic Belt from the region and industry perspectives[J]. China Environmental Science, 2023, 43(3): 1438-1448. |
| [18] |
王常凯, 谢宏佐. 中国电力碳排放动态特征及影响因素研究[J]. 中国人口·资源与环境, 2015, 25(4): 21-27. Wang C K, Xie H Z. Analysis on dynamic characteristics and influencing factors of carbon emissions from electricity in China[J]. China Population, Resources and Environment, 2015, 25(4): 21-27. |
| [19] |
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. DOI:10.13227/j.hjkx.202303043 |
| [20] | Huo T F, Cao R J, Xia N N, et al. Spatial correlation network structure of China's building carbon emissions and its driving factors: a social network analysis method[J]. Journal of Environmental Management, 2022, 320. DOI:10.1016/j.jenvman.2022.115808 |
| [21] |
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 inter-provincial tourism transportation in China[J]. Environmental Science, 2025, 46(1): 53-65. DOI:10.13227/j.hjkx.202402137 |
| [22] | Bai C Q, Zhou L, Xia M L, et al. Analysis of the spatial association network structure of China's transportation carbon emissions and its driving factors[J]. Journal of Environmental Management, 2020, 253. DOI:10.1016/j.jenvman.2019.109765 |
| [23] |
邵海琴, 王兆峰. 中国交通碳排放效率的空间关联网络结构及其影响因素[J]. 中国人口·资源与环境, 2021, 31(4): 32-41. Shao H Q, Wang Z F. Spatial network structure of transportation carbon emissions efficiency in China and its influencing factors[J]. China Population, Resources and Environment, 2021, 31(4): 32-41. |
| [24] |
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. |
| [25] | Mao Y M, Li X M, Jiao D H, et al. Characterizing the spatial correlation network structure and impact mechanism of carbon emission efficiency: evidence from China's transportation sector[J]. Energy, 2024, 313. DOI:10.1016/j.energy.2024.133886 |
| [26] | Xie B C, Wang P L, Hao P, et al. Low-carbon transformation path of power mix in the Yangtze River Delta region[J]. Journal of Environmental Management, 2024, 372. DOI:10.1016/j.jenvman.2024.123316 |
| [27] |
林振福, 黄彦璐, 胡旭东, 等. 基于电力流的南方区域电力碳排放核算研究[J]. 技术经济与管理研究, 2024(8): 109-114. Lin Z F, Huang Y L, Hu X D, et al. Research on carbon emission accounting of power in southern region based on power flow[J]. Journal of Technical Economics & Management, 2024(8): 109-114. |
| [28] |
蒋金亮, 鲁嘉颐, 戈大专, 等. 长三角地区城市经济网络的时空演化特征[J]. 长江流域资源与环境, 2023, 32(1): 24-39. Jiang J L, Lu J Y, Ge D Z, et al. Research on spatial-temporal evolution characteristics of urban economic networks in Yangtze River Delta[J]. Resources and Environment in the Yangtze Basin, 2023, 32(1): 24-39. |
| [29] |
吴思雨, 钟业喜, 李建新. 1990—2019年中国省际铁路货运网络演化及空间关联特征[J]. 地理学报, 2024, 79(10): 2548-2566. Wu S Y, Zhong Y X, Li J X. Evolution and spatial correlation characteristics of inter-provincial rail freight transport network in China from 1990 to 2019[J]. Acta Geographica Sinica, 2024, 79(10): 2548-2566. |
| [30] |
种照辉, 覃成林. "一带一路"贸易网络结构及其影响因素——基于网络分析方法的研究[J]. 国际经贸探索, 2017, 33(5): 16-28. Zhong Z H, Qin C L. The trade network structure of "One Belt One Road" and its influence factors: a study based on analytic network process[J]. International Economics and Trade Research, 2017, 33(5): 16-28. |
| [31] |
彭邦文, 郑闳方, 朱磊, 等. 中国工业碳排放网络结构演化特征与链路预测[J]. 中国环境科学, 2024, 44(3): 1718-1731. Peng B W, Zheng H F, Zhu L, et al. Evolution characteristics and link prediction of China's industrial carbon emission network structure[J]. China Environmental Science, 2024, 44(3): 1718-1731. |
| [32] | Barnett G A. Encyclopedia of social networks[M]. Thousand Oaks: Sage Publications, 2011: 732-734. |
| [33] |
戴靓, 曹湛, 马海涛, 等. 中国城市知识合作网络结构演化的影响机制[J]. 地理学报, 2023, 78(2): 334-350. Dai L, Cao Z, Ma H T, et al. The influencing mechanisms of evolving structures of China's intercity knowledge collaboration networks[J]. Acta Geographica Sinica, 2023, 78(2): 334-350. |
| [34] | Borgatti S P, Everett M G. Models of core/periphery structures[J]. Social Networks, 2000, 21(4): 375-395. DOI:10.1016/S0378-8733(99)00019-2 |
| [35] |
李姗姗, 秦乐瑶, 孔维龄, 等. 公平视角下中国区域碳排放时空演变及其影响因素[J]. 环境科学, 2026, 47(4). Li S S, Qin Y Y, Kong W L, et al. Spatial and temporal evolution of China's regional carbon emission and its influencing factor from the perspective of equity[J]. Environmental Science, 2026, 47(4). DOI:10.13227/j.hjkx.202501050 |
| [36] |
梁双, 王涉, 徐辉. 中国西电东送40年发展成效与政策建议[J]. 中国电力, 2024, 57(11): 88-93. Liang S, Wang S, Xu H. Development achievements and policy suggestions of China's west to east power transmission for 40 years[J]. Electric Power, 2024, 57(11): 88-93. |
| [37] | Ren S G, Bao R Z, Gao Z Y. Arrival of distant power: the impact of ultra-high voltage transmission projects on energy structure in China[J]. Energy, 2025, 316. DOI:10.1016/j.energy.2025.134527 |
| [38] | Albert R, Jeong H, Barabási A L. Error and attack tolerance of complex networks[J]. Nature, 2000, 406(6794): 378-382. DOI:10.1038/35019019 |
| [39] |
蒯鹏, 徐梦昕, 李影, 等. 西电东送北通道碳转移特征研究[J]. 中国环境科学, 2023, 43(7): 3766-3774. Kuai P, Xu M X, Li Y, et al. Study on carbon transfer characteristics of the North channel of China's West-East Power Transmission[J]. China Environmental Science, 2023, 43(7): 3766-3774. |
| [40] |
舒印彪, 张智刚, 郭剑波, 等. 新能源消纳关键因素分析及解决措施研究[J]. 中国电机工程学报, 2017, 37(1): 1-9. Shu Y B, Zhang Z G, Guo J B, et al. Study on key factors and solution of renewable energy accommodation[J]. Proceedings of the CSEE, 2017, 37(1): 1-9. |
| [41] |
孙丽平, 马骏, 宋子恒, 等. "双碳"目标下我国特高压外送通道现状及发展建议[J]. 煤炭经济研究, 2024, 44(9): 124-130. Sun L P, Ma J, Song Z H, et al. Current situation and development suggestions of ultra-high voltage transmission channels in China under the goal of "Dual Carbon"[J]. Coal Economic Research, 2024, 44(9): 124-130. |
| [42] |
赵良仕, 江家喜, 王泽宇. "海丝"沿线国家渔业贸易隐含能源流动网络特征及影响因素[J]. 自然资源学报, 2024, 39(11): 2691-2720. Zhao L S, Jiang J X, Wang Z Y. The characteristics and influencing factors of the embodied energy flow network in fishery trade among countries along the 21st Century Maritime Silk Road[J]. Journal of Natural Resources, 2024, 39(11): 2691-2720. |
| [43] | Yan D, Lei Y L, Li L. Driving factor analysis of carbon emissions in China's power sector for low-carbon economy[J]. Mathematical Problems in Engineering, 2017, 2017(1). DOI:10.1155/2017/4954217 |
| [44] |
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. |
| [45] | Liddle B, Parker S, Hasanov F. Why has the OECD long-run GDP elasticity of economy-wide electricity demand declined? Because the electrification of energy services has saturated[J]. Energy Economics, 2023, 125. DOI:10.1016/j.eneco.2023.106832 |
| [46] | Wang K F, Zhong C P, Yu R. The greenhouse gas reduction effect of critical peak pricing for industrial electricity: evidence from 285 Chinese cities, 2003-2019[J]. Energy Policy, 2024, 190. DOI:10.1016/j.enpol.2024.114147 |
| [47] | Wang H, Zhang Y Y, Lin W F, et al. Transregional electricity transmission and carbon emissions: evidence from ultra-high voltage transmission projects in China[J]. Energy Economics, 2023, 123. DOI:10.1016/j.eneco.2023.106751 |
| [48] |
郑雅丽, 师玮, 王维鹃, 等. 中国环境规制对电力行业碳排放的影响[J]. 环境科学, 2025, 46(6): 3496-3508. Zheng Y L, Shi W, Wang W J, et al. Impact of China's environmental regulations on CO2 emissions in the power sector[J]. Environmental Science, 2025, 46(6): 3496-3508. DOI:10.13227/j.hjkx.202404110 |
| [49] |
姜春海, 闫振好, 王敏. "双碳"目标约束下的能耗双控到碳排放双控: 规制工具、效应模拟与政策评价[J]. 中国工业经济, 2024(11): 5-23. Jiang C H, Yan Z H, Wang M. From dual control of energy consumption to dual control of carbon emissions under the constraints of carbon peaking and carbon neutrality goals: regulatory tools, effect simulation and policy evaluation[J]. China Industrial Economics, 2024(11): 5-23. |
| [50] |
吴锋, 刘桂君, 郭纳良, 等. COVID-19疫情对中国区域经济及产业的影响[J]. 地理学报, 2021, 76(4): 1034-1048. Wu F, Liu G J, Guo N L, et al. The effects of COVID-19 epidemic on regional economy and industry in China[J]. Acta Geographica Sinica, 2021, 76(4): 1034-1048. |
| [51] | Zhao X G, Hu S R, Wang H, et al. Energy, economic, and environmental impacts of electricity market-oriented reform and the carbon emissions trading: a recursive dynamic CGE model in China[J]. Energy, 2024, 298. DOI:10.1016/j.energy.2024.131416 |
| [52] |
杨柏, 秦广鹏, 邬钦. "双碳"目标下中国省域碳排放核算分析[J]. 环境科学, 2022, 43(12): 5840-5849. Yang B, Qin G P, Wu Q. Analysis of provincial CO2 emission accounting in China under the carbon peaking and carbon neutrality goals[J]. Environmental Science, 2022, 43(12): 5840-5849. DOI:10.13227/j.hjkx.202202083 |
| [53] | Yang S F, Zhu Z Y, Fu W J, et al. Tele-connection of embodied carbon emissions from industries in China's trade: a complex network analysis[J]. Journal of Environmental Management, 2024, 366. DOI:10.1016/j.jenvman.2024.121652 |
| [54] | 李梅英, 张斌. 为西藏高质量发展注入"绿色动能"[N]. 西藏日报(汉), 2025-07-23(001). |