基于数智化转型空间关联网络的黄河流域城市生态韧性分区治理

引用本文

隋明强, 哈梅芳. 基于数智化转型空间关联网络的黄河流域城市生态韧性分区治理[J]. 环境科学, 2026, 47(10): 7070-7082.

SUI Ming-qiang, HA Mei-fang. Zoning Governance of Urban Ecological Resilience in the Yellow River Basin Based on Digital and Intelligent Transformation Spatial Correlation Network[J]. Environmental Science, 2026, 47(10): 7070-7082.

基于数智化转型空间关联网络的黄河流域城市生态韧性分区治理

隋明强, 哈梅芳

宁夏大学经济管理学院，银川 750021

收稿日期: 2025-09-01; 修订日期: 2025-11-13

基金项目: 国家自然科学基金项目（72364029）；银川哲学社会科学规划项目（25YCSKXM08）

作者简介: 隋明强（1999~），男，硕士研究生，主要研究方向为环境经济和技术经济，E-mail：15666081623@163.com

通信作者: 哈梅芳, E-mail: 17811276657@163.com

摘要: 依托数智化转型构建黄河流域生态韧性的分区治理策略对提升流域生态治理效率意义重大. 通过熵权TOPSIS测算出2011~2023年黄河流域城市的数智化转型和生态韧性水平，采用空间关联分析探讨了流域数智化转型关联网络的结构特征，基于多目标区域划分构建了流域生态韧性治理分区策略，最后利用GS2SLS以及耦合协调模型，验证了分区治理的可行性. 结果表明：①黄河流域数智化转型水平逐年上升，且存在显著的空间聚集现象，呈现“东高西低、中部提升”的阶梯式空间结构. ②数智化关联网络拥有较高的连通性与效率，点度中心度与中介中心度的重心逐渐由边缘向中部转移，而接近中心度则呈现出扩张趋势，中西部城市外联效率提升明显. ③生态韧性薄弱城市多集中于中西部过渡地区和西北干旱区，基于多目标区域划分最终形成甘陕川北协同生态区等12个治理分区. ④数智化转型不仅能促进生态韧性提升，还表现出明显的技术溢出，并且生态韧性也存在显著的空间扩散，且各分区内部环境规制的政策协调性呈逐年波动上升趋势，验证了分区治理的可行性. 研究结果为黄河流域应对重大生态风险提供了政策依据.

关键词: 数智化转型空间关联网络分区治理生态韧性黄河流域

Zoning Governance of Urban Ecological Resilience in the Yellow River Basin Based on Digital and Intelligent Transformation Spatial Correlation Network

SUI Ming-qiang , HA Mei-fang

School of Economics and Management, Ningxia University, Yinchuan 750021, China

Abstract: Leveraging digital and intelligent transformation to construct partitioned governance strategies for ecological resilience in the Yellow River Basin (YRB) holds significant importance for enhancing watershed ecological governance efficiency. This study employs the entropy-weighted TOPSIS method to measure the digital transformation and ecological resilience levels of YRB cities from 2011 to 2023, investigates structural features of the basin's digital transformation correlation network using spatial correlation analysis, and constructs partitioned governance strategies for ecological resilience based on multi-objective regional zoning. Finally, the feasibility of partitioned governance is validated via Generalized Spatial Two-Stage Least Squares (GS2SLS) and coupled coordination models. Key findings include: ① Digital transformation levels in the YRB showed a yearly increase, with significant spatial clustering, presenting a "high east, low west, with central uplift" step-like spatial structure. ② Digital correlation networks exhibited high connectivity and efficiency. The centers of gravity for degree centrality and betweenness centrality gradually shifted from peripheral to central regions, while closeness centrality demonstrated an expansion trend. Connectivity efficiency in central-western cities improved markedly. ③ Ecological resilience deficits predominantly clustered in transitional zones of the central-west and arid northwestern regions. Multi-objective zoning ultimately delineated 12 governance partitions. ④ Digital transformation not only enhanced ecological resilience but also demonstrated significant technology spillover. Ecological resilience exhibited spatial diffusion, and policy coordination of environmental regulations within partitions showed a fluctuating upward trend, validating partitioned governance feasibility. This research provides policy foundations for addressing major ecological risks in the YRB.

Key words: digital and intelligent transformation spatial correlation network zoning governance ecological resilience Yellow River Basin

随着数字化、智能化技术的快速发展与深度融合，数智化转型已成为推动生态文明建设与可持续发展的关键. 作为我国重要的生态屏障，黄河流域积极响应国家战略部署，早在2022年发布的《数字孪生黄河建设规划（2022—2025）》就明确提出，要构建黄河流域一体化数字集成平台，为流域治理提供决策支持. 黄河流域生态环境脆弱，且多资源型城市和传统工业企业，加之近几年的极端气候冲击，使得流域面临较强的生态风险. 2024年印发的《关于推进新型城市基础设施建设打造韧性城市的意见》提出，到2027年要打造一批各具特色的宜居、韧性和智慧城市^[1]. 依托数智化转型驱动减污降耗增绿、产业转型升级和基础设施改造对提升流域城市生态环境韧性至关重要. 此外，黄河流域横跨东中西部，兼具高原、黄土和冲积平原等多种地貌，流域内生态环境和社会经济条件存在明显的地域差异，实施分区治理策略则能避免“一刀切”的做法，提高资源配置效率和治理效果^[2]. 2024年印发的《关于加强生态环境分区管控的意见》明确指出，要推动新一代信息技术、人工智能与生态环境分区管控的深度融合. 基于此，探索契合数智化转型发展现状的生态韧性分区治理策略，有助于提升流域生态治理效能、防范和化解重大生态风险.

与本文相关的研究主要有以下方面：①数智化转型的衡量及其空间关联. 数智化转型是数字化与智能化的深度融合，旨在以智能驱动决策、管理与创新，推动各行各业全面转型和升级^[3]. 其衡量方式普遍采用数智化词频数^[4]、企业数智投入^[5]和人工智能试点政策^[6]等单指标，或构建包含数字化与智能化的多维度指标体系^[7]并结合主成分分析^[8]、熵权法^[9]和耦合协调^[10]等定量模型进行评估. 空间关联的研究则多采用修正引力模型和社会网络分析方法，揭示了数字经济呈现出“中心-边缘”结构、多极分化和区域集聚共存的演化特征^[11，12]. 省会及沿海地区长期占据网络核心，通过技术溢出带动周边区域，而中西部及边缘城市则多依赖中介作用嵌入整体网络^[13，14]. 空间网络结构则逐渐从分散向集中、从弱关联向高协同演进^[15]，网络稳定性与密度也持续增强，形成了“层级扁平化+跨圈层交互”的多元格局^[16，17]. 驱动因素方面，地理邻近、技术创新、数字基础设施和产业结构等均对数智化空间网络的形成与强化有重要影响，且在不同区域、不同发展阶段呈现差异^[18~20]. ②城市生态韧性的衡量与分区治理. 城市生态韧性是指城市生态环境在遭受外力干扰后能维持自身稳定并恢复初始状态的能力^[21]. 其衡量方式多通过构建损失-收益^[22]、抵抗-响应-恢复^[23]和规模-密度-形态^[24]等多维度体系并结合熵权法^[21]、生态足迹^[25]等定量模型进行评估. 虽然以生态环境的韧性提升为目标进行分区治理的研究较为缺乏，但聚焦于生态环境某一层面的分区治理研究已相当丰富. 生态环境分区治理作为实现区域可持续发展的关键路径，其核心在于构建以生态功能为导向的空间管理框架^[26]. 研究领域广泛集中于碳平衡^[27]、大气污染治理^[28]、生态资源恢复^[29]和土地利用效率^[30]，结合K-means聚类分析^[31]、探索性数据分析^[32]、Z-score标准化^[33]和地理探测器^[31]等方法，识别划分区域的主导因素与空间异质性，进而划定差异化治理单元. 分区治理机制则逐步从静态划定转变为动态演化，强调生态系统健康水平与生态风险空间分布的联动响应^[34]. ③数智化转型与生态韧性. 当前以政策为主的单一治理工具无法适应多元治理场景，需要充分发挥数智化转型在生态治理中的科技支撑作用^[35]，以拓宽生态治理工具的选择渠道^[36]. 从作用机制来看，数智化转型能推动绿色技术创新与产业转型升级，增强城市对污染排放的抵抗力，还能依托环境实时监测、数据智能分析，提升生态风险响应速度和受冲击后恢复能力^[21，37]. 此外，数智化转型能有效提升公众环保参与，形成生态环境监督的同时，从需求端减少了生态环境面临的压力^[38]. 从现实需求来看，黄河流域内资源禀赋差异巨大，生态环境复杂，生态治理具有异于其它区域的特殊性和棘手性. 数智技术作为具有创新性、进步性和延展性的新型经济形态，将成为推动黄河流域高质量发展的新引擎^[39]. 已有研究基于“物理-事理-人理”系统方法论和区域生态系统理论，从理论角度论证了数智技术对黄河流域生态保护和生态恢复的重要性与可行性^[40]，阐述了数智技术如何解决黄河流域长期面临的资源开发与生态保护矛盾^[41].

综上所述，现有数智化转型与生态分区治理的研究已较为丰富，但将两者结合的研究多集中于理论层面，尚缺乏对黄河流域数智化转型空间关联性的系统分析，更缺少基于此分析进行生态环境分区治理的量化研究. 此外，当前分区治理研究多集中于省域主体或仅以功能区划分，前者未能实现分区策略的细化，后者则忽略了策略的执行主体. 基于此，本文的边际贡献有：①以地级市为研究主体，既实现了分区治理策略的进一步细化又将策略执行主体纳入考量. ②运用空间关联网络分析方法，识别数智化转型空间关联网络的结构特征，丰富了关于黄河流域数智化转型的相关研究. ③构建多目标区域划分，探究黄河流域生态韧性的分区治理策略，实现“薄弱地区-数智技术辐射中心-周边协作地区”间的高效联动，推动了相关研究由理论向量化分析过渡.

1 材料与方法 1.1 方法与模型设计 1.1.1 熵权TOPSIS法

本研究利用熵权TOPSIS法对黄河流域的数智化转型以及生态韧性进行综合评价，该方法可有效减少评价指标的权重偏差. 参考已有研究^{[21，42，43]}，构建表 1所示指标体系.

表 1 黄河流域数智化转型（DIT）和生态韧性（CER）评价指标体系 Table 1 Evaluation index system for digital and intelligent transformation (DIT) and ecological resilience (CER) in the Yellow River Basin

1.1.2 修正的引力模型与数智化转型空间关联矩阵

为测度黄河流域数智化转型的空间关联强度，参考相关研究^[44]，基于修正的引力模型，构建黄河流域数智化转型的空间关联矩阵. 具体模型如下：

Q_{i j} = \frac{\frac{D I T_{i}}{D I T_{i} + D I T_{j}} \times \sqrt[3]{G_{i} \times D I T_{i} \times P_{i}} \times \sqrt[3]{G_{j} \times D I T_{j} \times P_{j}} \times {(g_{i} - g_{j})}^{2}}{D_{i j}^{2}}

(1)

式中， $Q_{i j}$ 表示城市i在年份t的数智化转型空间关联强度； $D_{i j}^{2}$ 表示城市i和j之间距离的平方； $D I T_{i}$ 、 $D I T_{j}$ 、 $G_{i}$ 、 $G_{j}$ 、 $P_{i}$ 、 $P_{j}$ 、 $g_{i}$ 和 $g_{j}$ 分别表示城市i和j的数智化转型程度、地区生产总值、年末常住人口和人均地区生产总值. 为构建数智化转型的空间关联矩阵，将数智化转型空间关联强度与每行均值作比较，大于均值赋值为1，小于均值赋值为0.

1.1.3 空间关联网络结构分析法

参考已有研究^[45~47]，运用空间关联网络结构分析法从整体特征和个体特征分析黄河流域数智化转型的空间关联网络结构. 其中，整体网络结构特征测算指标选用网络密度、网络关联度和网络效率；个体网络结构特征测算指标选用点度中心度、接近中心度和中介中心度. 具体指标如表 2所示.

表 2 空间关联网络结构特征指标^1） Table 2 Structural characteristic indicators of spatial correlation network

整体结构特	公式	个体结构特征	公式
网络密度	$D = L / [N (N - 1)]$	点度中心度	$C_{R D} = n / (N - 1)$
网络关联度	$C = 1 - 2 V / [N (N - 1)]$	接近中心度	$C_{A P} = (N - 1) / (\sum_{j = 1}^{n} d_{i j})$
网络效率	$H = 1 - (M / m a x_{M})$	中介中心度	$[2 \sum_{j = 1}^{N} \sum_{k = 1}^{N} b_{j k} (i)] / (N^{2} - 3 N + 2)$
1）N表示节点总数，L表示实际关联数；V表示网络内部不可达点对数；M与 $m a x_{M}$ 分别表示节点间多余联系数和节点间最大可能多余联系数；n表示网络中与某特定节点相连的其它节点的数目； $d_{i j}$ 表示成员i与成员j之间的捷径距离； $b_{j k} (i)$ = $g_{j k} (i)$ / $g_{j k}$ ，表示经过节点i并且连接节点j与成员k的捷径数 $g_{j k} (i)$ 与这两节点之间捷径总数 $g_{j k}$ 之比，j≠k≠i且j < k

表 2 空间关联网络结构特征指标^1） Table 2 Structural characteristic indicators of spatial correlation network

1.1.4 多目标区域划分

多目标区域划分是指在综合考虑多个目标的基础上，识别需要重点治理或协同治理的区域，提升治理效率. 本研究旨在建立“薄弱地区-数智化转型中心-周边协作地区”间的高效互动，探求黄河流域生态韧性的有效分区治理策略. 具体如下.

（1）薄弱地区优先治理在获取黄河流域各城市生态韧性的综合得分后，将各地的生态韧性综合得分与研究期内黄河流域的平均得分对比，将得分低于平均值的城市按生态韧性大小分成薄弱地区和较弱地区，其中薄弱城市作为分区治理的最优先对象^[28]，避免了单纯使用绝对阈值可能带来的偏差.

（2）数智化赋能生态治理已有研究表明黄河流域内已形成若干数智化转型中心区域，通过辐射效应带动促进周边地区的数智化进程. 鉴于此，本研究基于数智化转型空间关联分析结果，确定网络的中心节点及其与周边地区的互动关系，保证每一个区域都有溢出主体来带动周围地区的数智化转型，充分发挥数智化转型中心的辐射带动效应.

（3）周边地区协助治理首先，识别各城市之间是否相邻，若城市i与城市j有共同边界，则 $Z_{i j}$ =1，否则 $Z_{i j}$ =0，对角元素设为0，得到邻接矩阵Z. 然后，计算经济距离矩阵W. 再将Z与W相乘，得到经济邻接矩阵Q. 最后，为避免“弱联系”扰动整体分析，当某城市与相邻城市间的经济联系值低于该市与所有相邻城市平均水平时，则将此弱联系剔除. 经济距离矩阵的具体公式如下：

W_{i j} = \{\begin{matrix} \frac{1}{|\bar{Y_{i}} - \bar{Y_{j}}|}, & i \neq j, \\ 0, & i = j . \end{matrix}

(2)

式中， $\bar{Y_{i}}$ 和 $\bar{Y_{j}}$ 分别为城市i和城市j人均生产总值的年均值.

（4）其它分区治理因素的考量在探求黄河流域生态韧性分区治理策略时，还需综合考虑多种可能影响分区治理策略合理性和可行性的重要因素，以形成更具合理性的分区治理模式.

1.1.5 广义两阶段最小二乘法（GS2SLS）

考虑到本研究提出的区域划分并非源自真实政策实践，因此进一步从空间溢出角度确认所构建的生态韧性分区治理策略在现实中是否具备可行性. 基于此，本研究引入空间计量模型，同时考虑可能的遗漏变量和双向因果造成的内生性问题，采用广义空间两阶段最小二乘法（GS2SLS）进行估计，并以最高两阶空间滞后项作为工具变量. 计量模型如下：

D I T_{i t} = θ \sum_{j = 1}^{n} w_{i j} D I T_{j t} + β C o n_{i t} + μ_{i} + σ_{t} + ε_{i t}

(3)

$ \begin{aligned} \mathrm{CER}_{i t}= & \rho \sum_{j=1}^n \boldsymbol{w}_{i j} \mathrm{CER}_{j t}+\alpha \mathrm{DIT}_{i t}+\beta \operatorname{Con}_{i t}+\mu_i+ \\ & \sigma_t+\varepsilon_{i t} \end{aligned} $

(4)

式中，t表示年份；i，j（i≠j）表示不同的城市； $D I T_{i t}$ 表示城市i在年份t的数智化转型程度； $\sum_{j = 1}^{n} w_{i j} D I T_{j t}$ 为数智化转型的空间滞后项，表示第t年除去i城市以外，其余所有城市数智化转型的加权平均和； $w_{i j}$ 为标准化后的空间权重矩阵；系数 $θ$ 表示周边地区城市数智化转型与本地数智化转型的空间互动性，若 $θ > 0$ ，则验证了数智化转型中心带动周边城市数智化转型的可行性； $C o n_{i t}$ 为控制变量； $μ_{i}$ 和 $σ_{t}$ 分别表示个体和时间效应； $ε_{i t}$ 表示随机扰动项. $C E R_{i t}$ 表示城市i在年份t的生态韧性； $\sum_{j = 1}^{n} w_{i j} C E R_{j t}$ 表示生态韧性的空间滞后项；系数 $ρ$ 表示周边城市生态韧性对本地生态韧性的作用效果， $ρ > 0$ 则验证了周边城市协助生态韧性薄弱城市治理的可行性；系数 $α$ 表示数智化转型对城市生态韧性的作用效果， $α > 0$ 则验证了数智技术对生态韧性的促进作用.

参考已有研究^[43，48]，本文选取了5个控制变量，具体包括：①经济发展水平（PGDP），以人均地区生产总值取对数衡量. ②财政压力（FP），以财政支出与财政收入的比例衡量. ③产业高级化（UIS），以第三产业增加值与第二产业增加值的比例衡量. ④外商投资水平（FDI），以万人拥有外商投资企业数来衡量. ⑤科技投入水平（STI），以科技财政支出占财政支出的比例衡量.

1.1.6 耦合协调模型

为进一步证明黄河流域生态韧性分区治理策略的可行性，借鉴物理学中的耦合度模型测度黄河流域各分区内城市间环境规制的协调水平，计算公式如下：

C (U_{1}, U_{2}, \dots, U_{n}) = n \times {[\frac{U_{1} \times U_{2} \times \dots \times U_{n}}{{(U_{1} + U_{2} + \dots + U_{n})}^{n}}]}^{\frac{1}{n}}

(5)

式中，C为分区内部环境规制政策的耦合度，C值越大子系统离散程度越小，耦合度越高；n为该分区城市个数；U_n为环境规制政策强度的量化值，采用政府工作报告中环境规制相关的词频衡量.

由于耦合度C值只能反映分区内部各城市间环境规制政策的依赖关系，无法判断这种依赖关系是相互促进还是相互抑制，所以引入协调度模型来测度环境规制的共同协作水平，计算公式如下：

T = β_{1} U_{1} + β_{2} U_{2} + β_{3} U_{3} + \dots + β_{n} U_{n}

(6)

D = \sqrt[]{C \times T}

(7)

式中，D为分区内各城市间环境规制的耦合协调水平；T为综合评价指数；β₁、β₂和β_n等代表调节系数，本文将所有城市的权重设为一致，即β₁=β₂=β₃=…=β_n=1/n.

1.2 数据说明

黄河是我国的第二大河，流经九省区共涉及100个地级及以上城市. 根据国家水利部黄河水利委员会划定的自然流域范围以及相关研究^[49，50]，剔除自治州、盟及部分数据缺失严重的地级市，最终以2011~2023年黄河流域94个城市作为研究样本. 数据来自《中国城市统计年鉴》、各地级市统计年鉴、地级市政府工作报告、中经网统计数据库、《中国建设统计年鉴》、国家知识产权局和天眼查企业数据库等，部分城市缺失数据采用插值法进行补充. 变量描述性统计如表 3所示.

表 3 变量描述性统计 Table 3 Descriptive statistics of variables

2 结果与分析 2.1 黄河流域数智化转型概况 2.1.1 黄河流域数智化转型水平的时空分异

（1）时序演进从黄河流域数智化转型的时序演进来看（图 1），2011~2023年黄河流域整体数智化转型水平呈现稳步上升趋势，尤其自2019年以后，受到“新基建”政策与数字政府建设等加持，区域数智化水平迅速跃升. 从区域演进来看，下游依托经济基础、科技资源的先发优势，数智化转型水平远高于中、上游，并在2020年后明显拉开差距. 中游地区的数智化水平次之，整体上呈现平稳推进态势，后期在承接下游数智资源外溢、推动产业结构优化方面已有所成效. 上游地区则始终处于相对劣势，尽管其数智化转型水平逐年提升，但仍存在一定的追赶压力.

图 1 2011~2023年黄河流域数智化转型水平时序演进 Fig. 1 Temporal evolution of digital and intelligent transformation level in the Yellow River Basin from 2011 to 2023

（2）空间分布根据表 4所示，2011~2023年黄河流域城市数智化转型水平在不同空间权重矩阵下的莫兰指数总体显著为正，表明存在稳定的空间正相关关系，即高-高聚集、低-低聚集分布. 因此，构建分区治理策略以充分发挥数智化转型聚集区域的辐射带动效应具备一定的现实合理性.

表 4 2011~2023年黄河流域数智化转型水平的莫兰指数估计结果^1） Table 4 Moran's I estimation results of the digital and intelligent transformation level in the Yellow River Basin from 2011 to 2023

从图 2所示的2011~2023年黄河流域城市数智化转型水平空间分布来看，区域内发展呈现出由东向西逐步扩散、由点到面渐次推进的空间演化格局. 2011年数智化水平整体偏低，城市普遍集中于0.1以下，空间分布高度同质；2015年起，部分东部沿黄城市出现数智化跃升，带动形成初步“高值片区”；2019年，中东部城市数智化水平快速提升，黄河中下游城市带初具规模；2023年时，区域格局更加分化，出现以山东半岛及各省省会为核心的高值集聚区、以陕甘宁青为主的低值滞后区以及过渡带城市群，呈现“东高西低、中部提升”的阶梯式空间结构. 流域内数智化转型呈多中心、多梯度的演进态势，为后续开展分区治理提供了现实基础.

图 2 2011~2023年黄河流域数智化转型水平空间分布 Fig. 2 Spatial distribution of digital and intelligent transformation level in the Yellow River Basin from 2011 to 2023

2.1.2 黄河流域数智化转型空间关联网络的整体与个体结构

（1）黄河流域空间关联网络整体结构特征分析从数智化转型空间关联的整体网络特征可以看出（表 5），黄河流域城市数智化转型的空间网络整体保持较高的连通性与效率，结构稳定性较强. 网络关系数平均维持在1 300条以上，说明城市间存在大量稳定的空间联系. 网络密度虽在2014年略有下降，但此后整体恢复并保持在0.15以上，表明流域内部网络结构紧凑性良好. 网络关联度在整个研究期内始终为1，说明不存在断裂或孤岛. 网络效率自2014年起保持在0.7以上，2020年后连续4 a达到0.8及以上，说明城市间信息和资源的传递路径愈发高效，整体网络运行性能提升显著. 黄河流域城市数智化转型的空间网络体系具备“高连通-高效率-强整合”的结构特征，为区域内部的协同演进和分区治理提供了良好的网络基础.

表 5 2011~2023年数智化转型空间关联的整体网络特征 Table 5 Overall network characteristics of spatial correlation in digital and intelligent transformation from 2011 to 2023

（2）黄河流域空间关联网络个体结构特征分析从点度中心度的变化来看（表 6），2023年相比2011年，黄河流域空间关联网络中具有较高出度和入度的城市数量明显减少，网络中心性呈现出显著的集中化趋势. 2011年，具备较高点出度或点入度的城市数量相对较多，表明当时城市间的空间连接较为分散，区域网络中各城市在资源输出和接受方面的参与程度较为均衡. 到2023年，出度和入度中心城市名单大幅收缩，说明数智化要素的流通路径逐步向少数核心城市集中，网络中呈现出“少数主导、多数依附”的结构特征. 这种变化并不意味着网络联系的减少，而是体现了资源配置权的集中化趋势，反映出空间网络由广域扩展向高效整合的演进逻辑.

表 6 2011年与2023年黄河流域数智化转型空间关联网络点度中心度^1） Table 6 Degree centrality of spatial correlation network of digital and intelligent transformation in the Yellow River Basin in 2011 and 2023

从中介中心度的变化来看（表 7），2011年中介中心度高于均值的城市以边缘型城市为主，如嘉峪关、武威、乌海和银川等西部城市，以及周口、信阳等中东部节点，这些城市虽然本身不一定具备强辐射力，但在当时承担了大量中介传递功能，体现出早期网络结构中对地理位置“折中型”节点的依赖. 到2023年，中介中心度较高的城市明显向区位居中、经济体量较大的城市聚集. 新增如天水、商丘、晋城、运城和榆林等城市，表明网络信息与资源的传递路径已更多依托于区域内具备承载能力和协调作用的“功能型枢纽”城市，反映出黄河流域数智化网络由粗放型、地缘主导的联系模式，逐步向以功能逻辑、协同效率为导向的集聚结构演进.

表 7 2011年与2023年黄河流域数智化转型空间关联网络中介中心度与接近中心度 Table 7 Mediator centrality and proximity centrality of the spatial correlation network of digital and intelligent transformation in the Yellow River Basin in 2011 and 2023

年份	标准	中介中心度	接近中心度
年份	标准	中介中心度	入接近中心度	出接近中心度
2011	高于均值	嘉峪关、武威、南阳、信阳、郑州、周口、包头、鄂尔多斯、呼和浩特、乌海、银川、东营、济南、青岛、烟台、淄博、太原、渭南、西安、延安和成都	白银、定西、嘉峪关、金昌、兰州、陇南、平凉、庆阳、天水、武威、张掖、洛阳、南阳、平顶山、三门峡、信阳、驻马店、包头、鄂尔多斯、固原、中卫、临汾、长治、安康、宝鸡、汉中、商洛、铜川、渭南、西安、咸阳、延安、巴中、达州、广安、广元、泸州、绵阳、南充、内江、遂宁、宜宾、资阳和自贡	庆阳、安阳、开封、洛阳、南阳、濮阳、商丘、新乡、郑州、周口、巴彦淖尔、包头、鄂尔多斯、呼和浩特、乌海、乌兰察布、石嘴山、吴忠、银川、滨州、德州、东营、菏泽、济南、济宁、聊城、临沂、青岛、日照、泰安、潍坊、烟台、枣庄、淄博、大同、晋中、临汾、吕梁、朔州、太原、忻州、运城、长治、渭南、西安、咸阳、延安、榆林和成都
2023	高于均值	嘉峪关、天水、武威、南阳、商丘、郑州、周口、包头、鄂尔多斯、乌海、银川、东营、济南、青岛、烟台、晋城、太原、运城、渭南、西安、榆林和成都	白银、定西、嘉峪关、酒泉、陇南、平凉、庆阳、天水、武威、张掖、洛阳、南阳、三门峡、信阳、驻马店、包头、鄂尔多斯、固原、中卫、威海、烟台、晋城、运城、长治、安康、宝鸡、汉中、商洛、铜川、渭南、西安、咸阳、榆林、巴中、达州、广安、广元、泸州、绵阳、南充、内江、遂宁、宜宾和自贡	平凉、庆阳、天水、安阳、开封、洛阳、漯河、南阳、濮阳、商丘、新乡、许昌、郑州、周口、驻马店、巴彦淖尔、包头、鄂尔多斯、呼和浩特、乌海、乌兰察布、固原、石嘴山、吴忠、银川、中卫、德州、东营、菏泽、济南、济宁、聊城、青岛、烟台、淄博、大同、晋中、临汾、吕梁、朔州、太原、忻州、运城、长治、渭南、西安、咸阳、延安、榆林和成都

从接近中心度来看（表 7），入接近中心度排名整体稳定，2023年与2011年相比新增的城市较少，如威海、晋城和运城等少数城市进入高于均值行列，但入接近中心度的主要城市整体上仍集中在陕甘川片区、豫西南地区以及川东北地区，说明这些区域在接受资源与信息方面的网络位置始终较优. 出接近中心度则呈现出更多的扩张趋势，2023年名单较2011年显著增加，新增如平凉、天水、漯河、许昌、驻马店和中卫等城市，尤其是中西部城市的外联效率明显提升，网络的联通能力从少数核心城市向更广泛的区域扩散，空间结构正朝着多节点、多通路的高效格局演化.

2.2 黄河流域生态韧性分区治理策略构建 2.2.1 黄河流域生态韧性薄弱城市识别

在生态韧性分区治理策略构建的第一步，本文根据研究期内生态韧性综合得分的均值大小，划分薄弱、较弱、较良和良好这4个层级[图 3（a）]. 可以看出，生态韧性薄弱城市在黄河流域呈现出明显的区域集聚特征，尤其集中于中西部过渡地带和西北干旱区. 中游平原地带因长期农业负荷与工业密集，生态系统压力大，而西北干旱区和黄土高原区域则受限于自然条件，生态脆弱性显著. 考虑到生态治理的区域协同需求及地理空间的连续性，本文初步划分甘陕川、豫陕关中、河西宁陇干旱、晋陕黄土和豫中鲁西平原这5个片区.

图 3 黄河流域生态韧性分区治理空间分布 Fig. 3 Spatial distribution of ecological resilience zoning governance in the Yellow River Basin

2.2.2 数智化转型空间关联网络中心城市识别

在确定了生态韧性薄弱城市后，本文进一步识别了黄河流域数智化转型网络中的中心城市，以支持各片区内部实现生态治理的“数智赋能”. 图 3（b）已标注出各类网络节点主体，其中具有高点出度的城市被视为数智化资源的主要“溢出主体”，在数据共享、技术扩散和决策支持等方面具备较强的辐射带动能力. 因此，在分区治理策略设计中，确保每个治理分区至少匹配1个数智化转型的“溢出主体”城市. 具体匹配如下：兰州作为甘陕川片区的溢出主体；西安构成豫陕关中片区的溢出主体；银川构成河西宁陇干旱片区的溢出主体；太原构成晋陕黄土片区的溢出主体；郑州构成豫中鲁西平原片区的溢出主体.

2.2.3 周边协助治理城市识别

在识别生态韧性薄弱城市与匹配数智化转型溢出主体的基础上，进一步引入了经济联系度，并据此识别出一批具有地缘与经济关联优势的周边城市，作为分区内的协助治理对象[图 3（c）]. 考虑到数智化转型辐射具有明显的距离衰减效应，过于宽泛的分区可能降低治理效能. 为此，本文在原有五大片区划分基础上，结合城市间经济联系强度与溢出主体分布情况，将经济互动密切、生态功能互补的城市整合为治理协同单元，强化片区内部的治理合力与数智化传导效率，形成了12个生态韧性分区治理单元（图 4）.

图 4 黄河流域生态韧性分区治理框架 Fig. 4 Framework for zoned governance of ecological resilience in the Yellow River Basin

2.2.4 其它因素考量

依据数智化空间结构、生态韧性及经济联系划分治理片区后，本文进一步考虑地形、植被、气候及政策等关键要素，对原有划分进行微调，最终形成12个功能区划分更清晰、治理协同更顺畅的生态治理分区[图 3（d）]. 主要体现为以下方面：

首先，新设“甘陕川北协同生态区”，平凉划入“宁陕黄土高原干旱区治理区”，庆阳划入“河西走廊生态保护区”. “甘陕川北协同生态区”由原“甘肃陇中生态治理区”中的白银、定西、陇南、天水、兰州和广元组成. 以上城市大多位于甘肃东南部与四川北部交界地带，地形多为山地丘陵，生态系统连通性强，具备协同治理的空间基础. 平凉的自然条件更接近黄土高原东缘，与固原、中卫等城市在水资源短缺、土地退化方面存在共性挑战，而庆阳能源资源丰富、生态压力大，且在地理上与金昌、武威等河西城市有较强经济和生态联系.

其次，原“川渝盆地北部生态治理区”与“晋南豫生态治理区”中的部分城市被单独划出，分别设立了“川陕秦巴生态协作区”与“晋南豫黄河湿地生态治理区”. “川陕秦巴生态协作区”的设立主要源于原“川渝盆地北部生态治理区”部分城市地处川东北与秦巴山区结合部，具有典型的山区地形和复杂的生态系统，其生态治理路径与盆地内部地区差异较大，将其单独划出成区，有助于强化对山区生态系统的分类治理. 同时，原“晋南豫生态治理区”中一些城市位于黄河中游沿岸，湿地资源密集、水系分布复杂. 单设“晋南豫黄河湿地生态治理区”，可集中力量推进黄河生态廊道建设与湿地保护修复.

最后，原“川渝盆地北部生态治理区”与“晋南豫黄河湿地生态治理区”中尚未划出的部分城市，与原“陕西关中生态区”共同整合，组建成为“陕豫关中联动治理区”. 原三大分区虽分属不同省域，但其生态特征、发展基础以及所面临的生态压力却具有一致性，尤其在水资源调配、大气污染联防和水土流失治理等方面高度相关. 并且，该区域城镇密集、人口众多，是黄河流域经济发展的中枢地带，构建统一协调的治理框架具有现实紧迫性. 此次整合打破了省界行政壁垒，有助于中部城市群的生态共建与联防联治. 图 4为生态韧性分区治理总体框架.

2.3 生态韧性分区治理策略可行性分析 2.3.1 基于数智化转型与生态韧性空间溢出效应的分区治理可行性分析

从表 8的广义两阶段最小二乘法估计结果来看，数智化转型的空间滞后项在两种不同的空间权重设定下系数均为正，且在1%显著性水平上通过检验，并且熵权法重新测算数智化转型水平后的估计结果也进一步表明了回归结果的稳健性，说明数智化程度较高的城市确实能够对周边地区产生显著的正向空间外溢效应，验证了以数智化转型中心辐射带动周边城市数智技术发展的可行性. 基于此，通过分区治理设置辐射范围与目标，可以有效增强辐射效率，提高数智资源配置的针对性.

表 8 数智化转型的自回归估计结果^1） Table 8 Autoregressive estimation results of digital and intelligent transformation

从表 9的广义两阶段最小二乘法估计结果来看，生态韧性的空间滞后项在两种空间权重设定下系数均为正，且在1%显著性水平上通过检验，同时在采用熵权法重新测算变量后的稳健性检验中，结果依然显著，表明生态韧性在黄河流域内部同样存在显著的空间扩散效应. 结合实际情况，黄河流域生态系统连通性强、水环境流动性高，且普遍面临大气污染、水土流失等跨区域生态压力，生态问题的外部性使得单一区域的治理成效高度依赖于周边地区的协同配合. 因此，在治理策略中将周边地区纳入协同治理体系，与黄河流域的现实情况契合. 同时，数智化转型水平对生态韧性的回归系数也均在1%水平下显著为正，进一步印证了其提升生态治理的积极作用，验证了“核心城市+周边带动”分区治理思路的可行性.

表 9 数智化转型对生态韧性影响的估计结果^1） Table 9 Estimated results of the impact of digital and intelligent transformation on ecological resilience

2.3.2 基于分区内城市间环境规制协调水平的分区治理可行性分析

图 5显示了图 3（d）所示的12个分区在不同年份的环境规制协调水平，虽然存在一定波动，但总体趋势均呈现缓步上升，特别是在2015年以后，大多数区域协调性指标出现明显提升，表明区域内部的协同治理能力持续增强. 从现实情况来看，黄河流域横跨多个省份，生态问题具有高度的跨区域特征，政策协同始终是制约治理成效的重要因素. 本文所构建的治理单元不仅考虑了城市生态韧性的相对水平和数智化辐射能力，也通过邻接关系与经济联系增强了内部联动性，进一步印证了“分区统筹-协同治理”的模式具有较强的操作性与现实可行性.

图 5 2011~2023年各分区内环境规制协调水平 Fig. 5 Coordination level of environmental regulation within each sub-region from 2011 to 2023

3 建议

（1）建议在省会城市之外，充分识别和激活在网络中具有高中心性的非省会数智枢纽城市. 通过选取西安、郑州和太原等作为数智枢纽城市，并将其与周边区域的关键功能节点城市（如洛阳、银川和晋中等）对接，实现区域间的技术扩散和制度创新，推动中西部地区同步提升数智化转型与生态治理水平. 同时，推动基础设施互联互通，特别是在跨区域数据共享平台，形成区域内的协同效应，提升整个黄河流域的数智化治理能力.

（2）建议根据各地的生态薄弱程度、数智化转型水平、经济联系和地理特征，在已有的12个生态治理分区框架下，每个分区应结合当地的实际情况，制定针对性的生态修复和数智化转型路径，以实现生态韧性提升与数智化转型的深度融合. 例如，在西北干旱区和黄土高原区的薄弱生态点，重点投入水资源管理和荒漠化防治项目，而中游平原地区则重点推动农业污染治理与绿色产业发展.

（3）建议在流域内建立统一的生态补偿框架，依据水资源管理、污染减排和生态恢复效果进行量化评估，确保各区域在生态治理中的责任分担与激励机制公平有效. 特别是对于生态脆弱区，如西北干旱区和黄土高原区，应通过补偿机制引导资金与技术流动，帮助这些地区提升生态韧性. 同时，考虑到不同治理分区存在跨省协同，建议在流域内设立跨省联合治理平台，确保政策和资源的顺畅流动，促进多方协作，提升生态治理的效率和效果.

4 结论

（1）黄河流域数智化转型水平呈逐年上升趋势，且下游始终高于中、上游；黄河流域的数智化转型存在明显的高-高、低-低聚集现象，并呈现出“东高西低、中部提升”的阶梯式空间结构.

（2）黄河流域数智化转型的空间网络整体保持较高的连通性与效率，从多点分布逐渐演化为多中心协同格局，2023年空间关联网络中具有较高点度中心度的城市数量较2011年明显减少. 中介中心性的重心则从边缘向中部核心转移，逐步向集聚结构演进. 入接近中心度排名整体稳定，而出接近中心度则呈现出更多的扩张趋势，尤以中西部城市的外联效率明显提升.

（3）生态韧性薄弱城市在黄河流域呈现出明显的区域集聚特征，尤其集中于中西部过渡地带和西北干旱区. 基于多目标区域划分策略，最终形成12个生态韧性治理分区.

（4）周边城市的数智化转型水平提升能显著促进本地的数智化转型，并且生态韧性在黄河流域内部存在显著的空间扩散效应，数智化转型对生态韧性有显著的促进作用，各分区内部城市间环境规制的协调水平呈波动上升趋势，分区治理策略的可行性得到验证.

参考文献

[1]	朱正威, 赵雅, 马慧. 从韧性城市到韧性安全城市: 中国提升城市韧性的实践与逻辑[J]. 南京社会科学, 2024(7): 53-65, 77. Zhu Z W, Zhao Y, Ma H. From resilient city to resilient safety city: the practice and logic of urban resilience promotion in China[J]. Nanjing Journal of Social Sciences, 2024(7): 53-65, 77.
[2]	吕倩, 张林野, 雒瑶. 黄河流域县域土地利用碳排放时空格局及碳平衡分区[J]. 环境科学, 2025, 46(10): 6209-6220. Lü Q, Zhang L Y, Luo Y. Spatiotemporal pattern and carbon balance zoning of county land use carbon emissions in the Yellow River Basin[J]. Environmental Science, 2025, 46(10): 6209-6220. DOI:10.13227/j.hjkx.202409082
[3]	谢杰, 卢东子, 刘艳平, 等. 数智化、价值链贸易与全球生产网络[J]. 中国工业经济, 2025(8): 64-82. Xie J, Lu D Z, Liu Y P, et al. Digital intelligentization, value chain trade and global production networks[J]. China Industrial Economics, 2025(8): 64-82.
[4]	杨浩昌, 刘贤雯, 李廉水. 数智化与企业绿色创新"低质低效"困境破解[J]. 科学学研究. Yang H C, Liu X W, Li L S. Digital intelligence and the solution of the dilemma of "low quality and low efficiency" in enterprise green innovation[J]. Studies in Science of Science. DOI:10.16192/j.cnki.1003-2053.20250918.001
[5]	刘峰, 刘充, 翟伟欢. 企业数智化度量: 综合数智化投入和赋能视角[J]. 厦门大学学报(哲学社会科学版), 2025, 75(2): 56-69. Liu F, Liu C, Zhai W H. Measuring enterprises'digital intelligence: a comprehensive perspective on digital intelligence input and empowerment[J]. Journal of Xiamen University (Arts & Social Sciences), 2025, 75(2): 56-69.
[6]	张瑞琛, 唐慧, 周国琛. 城市数智化转型对企业数字创新的影响——以国家新一代人工智能创新发展试验为准自然实验[J]. 经济问题, 2025(4): 49-58. Zhang R C, Tang H, Zhou G C. The impact of urban digital and intelligence transformation on enterprise digital innovation——taking the national new generation of artificial intelligence innovation and development pilot as a quasi-natural experiment[J]. On Economic Problems, 2025(4): 49-58.
[7]	丁佐奇, 徐韩涵. 数智化转型、知识管理能力与企业创新绩效——以医药制造业为例[J]. 现代经济探讨, 2025(7): 81-90. Ding Z Q, Xu H H. Digital-intelligent transformation, knowledge management capability and enterprise innovation performance——evidence from pharmaceutical manufacturing[J]. Modern Economic Research, 2025(7): 81-90.
[8]	邝嫦娥, 黄嘉信, 狄亚轩. 数智融合如何影响"碳解锁"?[J]. 审计与经济研究, 2025, 40(5): 118-127. Kuang C E, Huang J X, Di Y X. How does the integration of digital technology and intelligence affect "carbon unlocking"?[J]. Journal of Audit & Economics, 2025, 40(5): 118-127.
[9]	岳立, 韩亮. 数智化能否提升资源型城市绿色创新效率——基于环境分权和地方政府竞争的调节效应[J]. 兰州大学学报(社会科学版), 2025, 53(2): 86-98. Yue L, Han L. Can digital and intelligent transformation improve the green innovation efficiency of resource-based cities?——A research based on the moderating effects of environmental decentralization and local government competition[J]. Journal of Lanzhou University (Social Sciences), 2025, 53(2): 86-98.
[10]	邝嫦娥, 刘江月, 李文意. 数智融合赋能与制造业企业绿色转型[J]. 当代财经, 2024(5): 114-127. Kuang C E, Liu J Y, Li W Y. Digital-intelligence integration empowerment and green transformation of manufacturing enterprises[J]. Contemporary Finance & Economics, 2024(5): 114-127.
[11]	王雨璇, 田泽, 任阳军. 中国制造业数字化转型效率空间关联及驱动因素研究[J]. 经济体制改革, 2025(2): 47-56. Wang Y X, Tian Z, Ren Y J. Research on spatial correlation and influencing factors of digital transformation efficiency of China's manufacturing industry[J]. Reform of Economic System, 2025(2): 47-56.
[12]	孙亚男, 王艺霖. 我国数字经济的空间关联网络研究[J]. 统计研究, 2024, 41(6): 44-56. Sun Y N, Wang Y L. Research on the spatial correlation network of digital economy in China[J]. Statistical Research, 2024, 41(6): 44-56.
[13]	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.
[14]	肖沁霖, 邓宗兵, 文江雪. 中国制造业智能化发展的空间关联网络与形成机制研究[J]. 科技进步与对策, 2025, 42(19): 70-82. Xiao Q L, Deng Z B, Wen J X. The spatial correlation network and formation mechanism of manufacturing intelligentization development in China[J]. Science & Technology Progress and Policy, 2025, 42(19): 70-82.
[15]	方若楠, 崔兴华, 闫中晓. 中国城市数字经济关联网络的结构特征与内生机制分析[J]. 现代财经(天津财经大学学报), 2025, 45(2): 22-38. Fang R N, Cui X H, Yan Z X. The structural characteristics and endogenous mechanism analysis of China's urban digital economy association network[J]. Modern Finance and Economics-Journal of Tianjin University of Finance and Economics, 2025, 45(2): 22-38.
[16]	Cao X D, Ci F. Evolution and spatial correlation network analysis of the coupling coordination degree of urban intelligent industry and green industry in the Yellow River Basin[J]. Sustainability, 2025, 17(12). DOI:10.3390/su17125237
[17]	Tang L Y, Lu B K, Tian T H. Spatial correlation network and regional differences for the development of digital economy in China[J]. Entropy, 2021, 23(12). DOI:10.3390/E23121575
[18]	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]. Geographical Science, 2024, 44(5): 743-753.
[19]	Yang W, Yan M J, Wang X H, et al. Study on the spatial association network structure of urban digital economy and its driving factors in Chinese cities[J]. Systems, 2025, 13(5). DOI:10.3390/SYSTEMS13050322
[20]	周元任, 陈梦根. 中国地区数字经济发展的空间关联效应及影响因素[J]. 经济理论与经济管理, 2025, 45(2): 96-117. Zhou Y R, Chen M G. The spatial correlation effects and influence factors of China's digital economy development[J]. Economic Theory and Business Management, 2025, 45(2): 96-117.
[21]	哈梅芳, 隋明强. 数智融合对黄河流域城市生态韧性的影响研究[J]. 中国环境科学, 2025, 45(8): 4715-4726. Ha M F, Sui M Q. The impact of digital-intelligence integration on urban ecological resilience in the Yellow River Basin[J]. China Environmental Science, 2025, 45(8): 4715-4726.
[22]	Shamsipour A, Jahanshahi S, Mousavi S S, et al. Assessing and mapping urban ecological resilience using the loss-gain approach: a case study of Tehran, Iran[J]. Sustainable Cities and Society, 2024, 103. DOI:10.1016/j.scs.2024.105252
[23]	陶洁怡, 董平, 陆玉麒. 长三角地区生态韧性时空变化及影响因素分析[J]. 长江流域资源与环境, 2022, 31(9): 1975-1987. Tao J Y, Dong P, Lu Y Q. Spatial-temporal analysis and influencing factors of ecological resilience in Yangtze River Delta[J]. Resources and Environment in the Yangtze Basin, 2022, 31(9): 1975-1987.
[24]	金瑛, 修春亮. 基于海陆风险的大连市多尺度生态韧性分析[J]. 中国土地科学, 2025, 39(8): 136-147. Jin Y, Xiu C L. Multi-scale ecological resilience analysis of Dalian city based on marine and terrestrial risks[J]. China Land Science, 2025, 39(8): 136-147.
[25]	赵政楠, 茹少峰, 薛飞. 黄河流域生态韧性的时空格局与分布动态演进——基于能值生态足迹模型的分析[J]. 中国人口·资源与环境, 2024, 34(8): 136-147. Zhao Z N, Ru S F, Xue F. Spatio-temporal pattern and dynamic evolution of ecological resilience in the Yellow River Basin: based on the analysis of emergy ecological footprint model[J]. China Population, Resources and Environment, 2024, 34(8): 136-147.
[26]	秦鹏, 徐燕飞. 生态环境分区管控的基本逻辑、运行样态与法治进路[J]. 中国软科学, 2024(8): 13-26. Qin P, Xu Y F. Basic logic, operational patterns and rule of legal approaches of eco-environmental zoning control[J]. China Soft Science, 2024(8): 13-26.
[27]	Xia S Y, Yang Y. Examining spatio-temporal variations in carbon budget and carbon compensation zoning in Beijing-Tianjin-Hebei urban agglomeration based on major functional zones[J]. Journal of Geographical Sciences, 2022, 32(10): 1911-1934. DOI:10.1007/s11442-022-2029-y
[28]	胡志高, 李光勤, 曹建华. 环境规制视角下的区域大气污染联合治理——分区方案设计、协同状态评价及影响因素分析[J]. 中国工业经济, 2019(5): 24-42. Hu Z G, Li Q G, Cao J H. Air pollution regional linkage control and prevention from the perspective of environmental regulation——the scheme design, state evaluation and influencing factors analysis[J]. China Industrial Economics, 2019(5): 24-42.
[29]	Xu Y F, Qin P, Wang Z D. Eco-environmental zoning management: an innovative reform of China's environmental impact assessment system[J]. Environmental Impact Assessment Review, 2025, 112. DOI:10.1016/J.EIAR.2024.107786
[30]	李强, 高威, 江婉婷. 中国国土空间效率演进特征与综合分区[J]. 中国土地科学, 2025, 39(1): 92-104. Li Q, Gao W, Jiang W T. Evolution characteristics and comprehensive zoning of territorial space efficiency in China[J]. China Land Science, 2025, 39(1): 92-104.
[31]	郭辉, 孙伟, 余斌. 基于主体功能区视角的土地利用碳收支时空分异与碳平衡分区——以江汉平原为例[J]. 长江流域资源与环境, 2024, 33(12): 2632-2646. Guo H, Sun W, Yu B. Spatial-temporal differentiation of land use carbon emission (absorption) and carbon balance zoning based on the perspective of main functional zones: a case study of Jianghan Plain[J]. Resources and Environment in the Yangtze Basin, 2024, 33(12): 2632-2646.
[32]	常永莲, 黄英君, 段正敏, 等. 区域协同治霾的实证分析与成效研究——基于中国284个地级市的面板数据[J]. 干旱区资源与环境, 2024, 38(12): 33-44. Chang Y L, Huang Y L, Duan Z M, et al. Empirical analysis and effectiveness research of regional collaborative governance of haze pollution based on panel data from 284 prefecture- level cities in China[J]. Journal of Arid Land Resources and Environment, 2024, 38(12): 33-44.
[33]	朱容, 干晓宇, 李梓杉. 四川省生态韧性与生态风险的时空变化及生态分区构建[J]. 长江流域资源与环境, 2024, 33(1): 175-188. Zhu R, Gan X Y, Li Z S. Spatio-temporal changes of ecological resilience and ecological risk and construction of ecological zones in Sichuan Province[J]. Resources and Environment in the Yangtze Basin, 2024, 33(1): 175-188.
[34]	Chen W X, Gu T C, Xiang J W, et al. Ecological restoration zoning of territorial space in China: an ecosystem health perspective[J]. Journal of Environmental Management, 2024, 364. DOI:10.1016/j.jenvman.2024.121371
[35]	沈费伟. 数字乡村韧性治理的建构逻辑与创新路径[J]. 求实, 2021(5): 72-84, 111. Shen F W. Construction logic and innovation path of resilience governance in digital village[J]. Truth Seeking, 2021(5): 72-84, 111.
[36]	郭峰, 熊云军, 石庆玲, 等. 数字经济与行政边界地区经济发展再考察——来自卫星灯光数据的证据[J]. 管理世界, 2023, 39(4): 16-33. Guo F, Xiong Y J, Shi Q L, et al. The re-estimation of digital economy and economic development in administrative border areas: evidence from nighttime light data[J]. Journal of Management World, 2023, 39(4): 16-33.
[37]	楚尔鸣, 孙红果, 李逸飞. 智慧城市建设对生态环境韧性的影响研究[J]. 管理学刊, 2023, 36(6): 21-37. Chu E M, Sun H G, Li Y F. Study on the impact of smart city construction on ecological environment resilience[J]. Journal of Management, 2023, 36(6): 21-37.
[38]	严飞, 王超, 唐鹏程. 数字技术创新对城市生态韧性的影响[J]. 环境科学, 2025, 46(12): 7590-7600. Yan F, Wang C, Tang P C. Impact of digital technology innovation on urban ecological resilience[J]. Environmental Science, 2025, 46(12): 7590-7600. DOI:10.13227/j.hjkx.202505345
[39]	任保平, 巩羽浩. 数字经济助推黄河流域高质量发展的路径与政策[J]. 经济问题, 2023(2): 15-22. Ren B P, Gong Y H. The path and policy of digital economy promoting the high-quality development of the Yellow River Basin[J]. On Economic Problems, 2023(2): 15-22.
[40]	司林波, 闫芳敏, 裴索亚. 要素融合与模式选择: 科技赋能流域生态保护何以可为?——基于长江、珠江和黄河流域的经验比较分析[J]. 青海社会科学, 2023(5): 46-59. Si L B, Yan F M, Pei S Y. Factor integration and model selection: how can science and technology empower watershed ecological protection?——comparative analysis based on the experience of the Yangtze River, Pearl River and Yellow River basins[J]. Qinghai Social Sciences, 2023(5): 46-59.
[41]	李媛. 高质量区域经济布局下数字黄河建设的目标及其实现[J]. 陕西师范大学学报(哲学社会科学版), 2022, 51(6): 78-89. Li Y. The goal and realization of the digital Yellow River construction under high-quality regional economic layout[J]. Journal of Shaanxi Normal University (Philosophy and Social Sciences Edition), 2022, 51(6): 78-89.
[42]	彭文斌, 曹笑天. 城市更新作用下生态韧性时空分异及其影响效应——以环长株潭城市群为例[J]. 经济地理, 2023, 43(10): 44-52. Peng W B, Cao X T. Spatiotemporal differentiation of ecological resilience under urban renewal and its influencing mechanisms around the Changsha-Zhuzhou-Xiangtan Urban Agglomeration[J]. Economic Geography, 2023, 43(10): 44-52.
[43]	刘亮, 阮俊杰, 庄海涛. 数智化赋能长三角城市群绿色发展的效应研究[J]. 经济地理, 2024, 44(9): 123-132. Liu L, Ruan J J, Zhuang H T. Impact of digital intelligence on green development in the Yangtze River Delta Urban Agglomeration[J]. Economic Geography, 2024, 44(9): 123-132.
[44]	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.
[45]	田秀杰, 孙瑞琦, 鹿传磊. 数字技术空间关联网络对城市碳减排的影响: 基于网络节点中心性视角[J]. 环境科学, 2025, 46(10): 6185-6197. Tian X J, Sun R Q, Lu C L. Impact of digital technology spatial correlation network on urban carbon emission reduction: based on the perspective of network node centrality[J]. Environmental Science, 2025, 46(10): 6185-6197. DOI:10.13227/j.hjkx.202409198
[46]	胡述聚, 苗长虹. 企业投资联系视角下黄河流域城市网络的结构演化与驱动因素研究[J]. 地理研究, 2024, 43(6): 1370-1387. Hu S J, Miao C H. The structure evolution and driving factors of urban network in the Yellow River Basin: a perspective from enterprise investment[J]. Geographical Research, 2024, 43(6): 1370-1387.
[47]	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. DOI:10.13227/j.hjkx.202309236
[48]	Tang Y, Wang Y S. Impact of digital economy on ecological resilience of resource-based cities: spatial spillover and mechanism[J]. Environmental Science and Pollution Research, 2023, 30(14): 41299-41318. DOI:10.1007/s11356-023-25155-w
[49]	周清香, 何爱平. 环境规制能否助推黄河流域高质量发展[J]. 财经科学, 2020(6): 89-104. Zhou Q X, He A P. Can environmental regulation promote the high-quality development of the Yellow River Basin?[J]. Finance & Economics, 2020(6): 89-104.
[50]	郑瑞婧, 程钰. 黄河流域创新要素集聚对碳排放效率的影响研究[J]. 地理研究, 2024, 43(3): 577-595. Zheng R J, Cheng Y. Impacts of innovation factor agglomeration on carbon emission efficiency in the Yellow River Basin[J]. Geographical Research, 2024, 43(3): 577-595.


环境科学 2026, Vol. 47 Issue (10): 7070-7082	PDF