2025, Vol. 46
2. 山东大学蓝绿发展研究院, 威海 264209
2. Institute of Blue and Green Development, Shandong University, Weihai 264209, China
气候变暖已成为重大全球性议题并引发各国学者的广泛讨论, 其中温室气体的排放是导致气候变化的主要因素, 推动全产业链节能减排的全球共识已经形成[1]. 第26届联合国气候大会指出, 旅游业是促使气候加剧变化的产业之一, 交通作为旅游业发展的基本条件是旅游业碳排放最重要的源头. 据世界旅游组织预测, 到2030年, 因旅游出行所产生的碳排放总量将增加至19.98×108 t, 约占人为碳排放总量的5.3%. 可见, 旅游交通碳排放已成为碳排放中不可忽视的重要组成部分. 当前中国旅游正处于向集约型高质量发展转型的关键时期, 在五大新发展理念的指导下, 低碳与绿色的旅游方式是未来旅游业发展的主要方向[2], 如何实现旅游业低碳节能发展也是当前发展旅游面临的重要难题. 在“双碳”背景下, 从空间关联的角度研究中国省际旅游交通碳排放的网络特征及其影响因素, 有助于各省份明晰旅游交通行业碳排放现状, 识别各省份在网络关系中的角色和地位, 对于各省份制定差异化和个性化的旅游交通行业碳减排政策具有一定的现实意义.
旅游交通碳排放是旅客在交通出行过程中乘坐的交通工具所需的能源消耗而导致的碳排放量[3], 现阶段学者们主要关注不同省份[4~6]或旅游景区[7]的旅游交通碳排放问题, 其研究主要聚焦于3个方面：①旅游交通碳排放的测算方法. 在测算方法上, 碳排放系数法最为常见, 分为“自下而上”[8]和“自上而下”[9]两种思路, 针对不同的旅游交通方式, 考虑旅客周转量[4]、旅客出行距离[9]和交通碳排放系数[10]等指标进行综合测算. ②旅游交通碳排放的影响因素研究. 学者们常用LMDI分解模型[11]和空间计量模型[12], 将影响因素划分与旅游、交通和能源有关的3类, 同时考虑城市人口、经济和就业等因素[13~15]进行探究. ③旅游交通碳减排措施及政策研究. 对于碳减排研究, 主要包括转变交通出行方式[16]、提升交通技术创新[17]和优化旅游交通路线[18]等措施；对于政策设计, 主要包括碳排放限制[19]、征收碳排放税和自愿碳补偿[20]等方式. 然而现有研究仅停留在研究区域内部, 尚未关注到旅游交通碳排放的空间关联和溢出效应, 其碳排放不仅影响当地的环境生态问题, 还会通过经济活动和大气环流影响到周围城市[21]. 近年来, 学术界在考察不同领域碳排放的空间关联时常使用社会网络分析法, 针对交通运输业[22]、旅游业[23]和建筑业[24]的碳排放效率或碳减排潜力进行了深入探讨, 同时研究结果已证明中国各省份碳排放呈现典型的空间网络关联结构[25].
综上, 学术界对于旅游交通碳排放已开展了一系列研究并且取得较多成果, 但研究主要集中在碳排放的测度、影响因素和减排路径上, 鲜有研究从时空变化趋势的视角探讨各省份旅游交通碳排放存在差异的原因, 且从省际层面基于“关系数据”对旅游交通碳排放进行深入探讨的文献相对匮乏, 将社会网络分析法应用于旅游交通碳排放的研究十分有限. 基于此, 本文选取公路、铁路、航空和水路这4种交通方式测算中国各省份旅游交通碳排放量, 探讨各省份旅游交通碳排放的空间演化格局, 并采用修正后的空间引力模型构建中国旅游交通碳排放的空间矩阵, 结合社会网络分析（social network analysis, SNA）方法探究不同省份旅游交通碳排放的空间网络结构特征, 运用二次指派程序（quadratic assignment procedure, QAP）模型分析其网络结构的影响因素. 可能的边际贡献在于：第一, 结合当前中国居民出行选择和交通建设状况, 重新估算中国4种客运方式的旅游交通碳排放量, 并从时间角度探讨不同客运方式下旅游交通碳排放的演变规律和空间角度探讨中国不同省份的旅游交通碳排放分布格局, 揭示了不同客运方式和各省份差异化的发展态势；第二, 以中国30个省份为研究对象, 利用“关系数据”对中国旅游交通碳排放的空间关联网络特征进行分析, 并通过构建块模型揭示各省份在旅游交通碳排放空间格局中的地位, 能够较好展示当前中国旅游交通碳排放的关联格局及其空间联动效应；第三, 构建QAP模型考察旅游交通碳排放空间关联网络的影响因素, 以期有效补充旅游交通领域碳排放空间关系的研究, 进一步推进中国各省份旅游交通行业碳减排措施的合作与交流.
1 材料与方法 1.1 研究方法 1.1.1 旅游交通碳排放测度模型现阶段, 交通运输行业的碳排放主要是从全国层面基于行业的能源终端消耗量采用自上而下的方法来进行测算[26], 或者从局部地区基于各类交通运输工具的能源活动采用自下而上的方法进行测算[27]. 但囿于旅游系统的数据尚不完备, 中国各省份尚未统计旅游交通的单独数据, 在旅游交通碳排放的测算上存在客观局限性. 本文从微观视角运用“自下而上”的测算方法, 选取公路、铁路、航空和水路4种客运方式, 通过计算其客运碳排放量与旅游交通碳排放的比例关系, 间接估算中国各省份的旅游交通碳排放总量. 根据世界旅游组织对客运交通碳排放的测算方法, 以不同的客运交通方式的旅客周转量乘以对应的碳排放系数, 即可得到每种客运方式的交通碳排放量. 旅游出行所产生的碳排放量是客运交通碳排放的重要组成部分, 旅游交通碳排放量可依据旅客出行选择的交通方式占总客运交通的比例进行估算. 因此旅游交通碳排放的测算公式如下：
|
(1) |
式中, C为旅游交通碳排放总量, 单位为万t；αi为第i种客运方式的碳排放系数, 单位为（以CO2计）g·km-1, 4种客运交通方式的碳排放系数设定及选取依据见表 1；βi为第i种客运方式的旅客周转量, 单位为人·km. Qi为第i种客运交通方式的旅游碳排放量占总客运交通碳排放的比例, 单位为%. 旅游交通碳排放区别于交通运输碳排放的关键是测算旅游出行在整个交通运输中的占比情况, 即Q值的选取. 但是, 由于目前中国旅游卫星账户系统尚未构建完备, 无法精确测算出Q值, 参考魏艳旭等[28]的研究成果设定2001~2008年4种客运交通方式的Q值. 但随着居民生活水平的不断攀升, 加之持续推进建设的交通基础设施的完善, 高铁交通网络基本成型, 私人汽车持有量持续增加, 居民旅游出行选择的交通方式出现变化. 至2015年, 中国高速铁路运营里程已达1.9万km, 以高铁为骨架, 涵盖城际铁路、区域快速铁路以及既有线路提速后的铁路等联合构成的快速铁路网基本建成. 此外, 2020年初中国遭受了新冠疫情的影响, 居民出行频率和方式受到较大影响, 其中民航业遭受重创. 因此将2009年及以后的4种交通方式的Q值采用专家评价法进行测算, 以2015年和2020年为分界点, 测算方法和Q值参考刘俊豪等[29]的研究成果, 具体设定见表 2.
|
表 1 客运交通方式的碳排放系数 Table 1 Carbon emission factors for passenger transport modes |
|
|
表 2 客运交通方式的Q值 Table 2 The Q for passenger transportation modes |
1.1.2 修正的引力模型
确认空间关系是社会网络结构分析的必要步骤. 目前, 学界主要采用空间引力模型[30]或VAR格兰杰因果检验[31, 32]确定空间关联网络关系. 由于VAR格兰杰因果检验无法展示空间网络随时间的变化趋势, 并且难以选择合适恰当的滞后阶数, 其构建的空间网络缺乏足够的准确性和可靠性[33]. 然而, 经过修正后的引力模型能够同时考虑经济和地理因素, 并利用截面数据更好地展示空间关联网络随时间变化的趋势[34]. 因此, 本研究选择采用修正后的空间引力模型构建旅游交通碳排放的空间关联网络, 具体模型如下：
|
(2) |
|
(3) |
式中, yij为省份i对省份j的旅游交通碳排放空间关联强度；Pi和Pj为省份i和j的年末人口总数；Ci和Cj为省份i和j全年旅游交通碳排放总量；Gi和Gj为省份i和j的GDP；kij为省份i在省份i和j间旅游交通碳排放联系中的贡献率；Dij为省份i和j间的经济距离, dij为省份i和j之间的地理距离；gi和gj分别为省份i和j的人均GDP.
进一步借鉴方大春等[35]和罗泓然等[36]的研究, 以引力矩阵各行的平均值为划分标准, 如果某行省份对某列省份的引力值大于该行均值则说明这两省份间存在空间关联, 取值设为1；反之, 若低于临界值, 则表明两省份不存在空间关联, 取值设为0.
1.1.3 社会网络分析方法本文选择网络密度、网络效率、网络等级度和网络关联度这4个指标考察网络的整体结构特征[37]；选取度数中心度、接近中心度和中介中心度分析网络的个体结构特征[38, 39], 具体计算公式见表 3. 为进一步揭示中国旅游交通碳排放空间关联网络的内部结构状态及发展状况, 采用块模块分析对空间进行聚类分析, 借鉴袁长伟等[40]的研究, 将空间关联网络划分为“净受益板块”、“净溢出板块”、“双向溢出板块”和“经纪人板块”这4种类型的块角色, 并分析板块之间的溢出及接受关系.
|
|
表 3 社会网络整体和个体特征分析计算公式 Table 3 Calculation formula for overall and individual characterization of social networks |
1.1.4 QAP模型
由于选取的变量多为关系数据, 直接利用传统计量方法分析网络结构的影响因素可能存在变量的多重共线性问题, 从而导致结论偏误[31]. QAP模型是一种非参数方法, 可以对社会网络关系中的不同矩阵元素进行比较置换, 而无须提前假设解释变量的独立特性, 能有效解决变量可能存在的共线性和内生性问题[41]. 因此, 借鉴王俊等[42]研究成果, 选取省份地理距离、城镇化水平差异、居民消费水平、交通运输能源结构和旅游资源禀赋等9个指标运用QAP模型来验证影响旅游交通碳排放网络特征的因素, 构建的模型如下：
|
(4) |
式中, Q为2019年中国旅游交通碳排放空间关联矩阵；GD为空间地理距离矩阵, 若两省相邻取值为1, 反之则为0；UL为城镇化水平差异矩阵, 按各省城镇人口数量占年末常住人口占比的绝对差值表示；CL为居民消费水平差异矩阵, 按各省全体人均可支配收入的绝对差值表示；TES为交通能源结构差异矩阵, 按各省交通总能耗中汽油、煤油和柴油消耗量占比的绝对差值表示[43]；TEL为交通能源强度差异矩阵, 按各省每单位旅客周转量所消耗的能源总量的绝对差值表示[44]；TS为交通运输结构差异矩阵, 按航空和铁路旅客周转量占总周转量的绝对差值表示[45]；TE为旅游经济效益差异矩阵, 按各省旅游总收入的绝对差值表示；TM为旅游市场规模差异矩阵, 按各省旅游总人数的绝对差值表示；TR为旅游资源禀赋差异矩阵, 按各省A级景区数的绝对差值表示. 通过计算各省份对应指标的绝对均值差异构建差异矩阵, 同时对所有数据进行了z-score标准化处理[46], 消除不同量纲对结果精度的影响.
1.2 数据说明囿于西藏自治区及中国港澳台地区的数据获取受限或缺失较多, 因此本文选取中国30个省份（除港澳台及西藏地区以外）作为研究单元, 研究时间跨度为2001~2021年. 其中, 公路、铁路、民航和水路的旅客周转量、地区生产总值和年末人口数量等数据均来源于中国各省域的统计年鉴, 两省份间的地理距离根据省政府地理坐标使用ArcGIS计算所得. 在QAP分析中所需的数据, 利用标准煤系数, 选取交通领域中汽油、柴油、煤油和天然气等8种常见能源, 统一折算为标准煤的消耗量估算交通能源消耗, 具体数据来源于《中国能源统计年鉴》（2001~2022年, 下同）. 其余与旅游规模或收益相关的数据来源于《中国旅游年鉴》；与交通相关数据源自《中国交通年鉴》, 同时参考国家统计局、EPSDATA等数据库. 另外, 缺失数据用线性插值方法加以补充. 同时为了排除价格因素对于研究结论的影响, 以上数据中GDP和产值类数据以2001年为基期进行价格平减；居民收入数据以2001年的CPI指数进行平减.
2 中国旅游交通碳排放时空演化及空间网络结构特征 2.1 中国旅游交通碳排放时空演化格局 2.1.1 时间序列演化特征根据公式（1）测算得到2001~2021年中国公路、铁路、航空和水运这4种旅游交通方式的碳排量, 并计算碳排放总量的年增长率后绘制时序演变图（图 1）. 从不同交通方式的碳排放量看, 航空的碳排量最多且增长最快, 公路和铁路增长较缓, 水运是碳排放量最少的交通方式, 可能的原因是航空碳排放系数较大且长途旅行中选择航空出行的旅客较多, 而公路适用于短途旅行旅客周转需求小, 铁路碳排放系数最低加之高铁的普及使其成为大众低碳出行的主要选择, 而水运因时效性较差等客观条件的限制需求较低. 从旅游交通碳排放量年增长率看, 2001~2008年中国旅游交通碳排放量年平均增长率为15%左右, 但年增长率总体呈下降趋势, 原因在于中国经济社会高速发展, 城市化和工业化建设进程加快, 交通运输行业进入快速发展阶段, 同时随着居民收入和精神需求的增加, 旅游业市场化深入发展, 旅游出行需求日益增多, 导致旅游交通碳排放逐年增加. 其中2003年受“非典”影响, 为防止疫情传播和扩散国内客运交通受阻, 旅游业受到严重冲击. 2009~2016年旅游交通碳排放量呈现逐年上升趋势, 年增长率稳定在10%左右呈“M”型波动, 一方面是由于中国在遭受了2008年“金融危机”和“汶川大地震”的影响后, 政府出台一系列措施重振经济发展, 且2008年后中国迈入“高铁时代”, 长途旅游出行更加高效便捷, 旅游业进入快速发展时期；另一方面是因为中国在“十二五”发展规划时期, 交通领域加快推进公路、水路和航空等基础设施网络建设, 旅游业全面融入国家战略体系, 各地加快推动旅游业特色发展. 2017年以来, 中国旅游交通碳排放量进入快速增长阶段但年增长率呈下降趋势, 原因在于中国迈入“十三五”发展规划时期, 随着中国全面建成小康社会的深入推进, 经济收入和消费水平快速提升, 职工带薪休假制度逐步完善, 旅游消费需求日益增加. 同时, 中国各种交通运输方式快速发展, 综合交通网络逐渐完善, “交通+旅游”融合发展趋势增强, 旅游出行更加便捷方便. 2020~2021年碳排放量陡然下跌, 原因在于2020年以来中国旅游市场受“新冠”疫情影响, 旅游人数大幅下降, 交通运输和旅游行业遭受重创.
|
图 1 4类客运方式的碳排放量及年增长率 Fig. 1 Graph of carbon emissions and annual growth rates of four types of passenger transportation modes |
为分析中国旅游交通碳排放空间格局的演化特征, 利用ArcGIS进行自然断点分级, 将2001、2011和2021年各省份碳排放量划分为低碳排放区、中碳排放区、较高碳排放区和高碳排放区（图 2）. 整体来看, 中国各省份旅游交通碳排放量存在明显差异, 空间格局呈现“东南高、西北低”的分布特征, 高值和低值区与我国人口和经济发展水平分界线“胡焕庸线”的划分大体一致, 西侧省份基本为低碳排放区, 东侧省份多为中或较高碳排放区. 分界线东侧省份经济发展水平较高, 是中国人口的主要集聚区, 受自然气候和历史背景影响, 东侧省份拥有较丰富的自然风光和人文景观等旅游资源, 加之国家政策和资金的大力支持, 东侧省份拥有较为完善的交通网络建设, 导致各省旅游交通碳排放量较大且逐年增加. 特别是北京、上海和广东经济发达、人口密集、交通出行便利和旅游基础设施完善, 使这些省市旅游交通碳排放始终居于较高等级. 分界线西侧省份气候条件较差, 人口分布较少, 自然风光以沙漠和草原为主, 历史人文景观较少, 旅游资源较为匮乏, 加之交通干线分布较为稀疏, 导致这些省份的旅游人次较少, 为旅游交通的低碳排放等级区.
|
基于自然资源部标准地图服务网站下载审图号为GS（2023）2767号的标准地图制作, 底图无修改, 下同 图 2 旅游交通碳排放量等级划分及空间分布格局 Fig. 2 Carbon emission classification and spatial distribution patterns of tourism transportation |
具体来看：2001年, 中国各省份在旅游交通碳排放量上的差异明显, 其中广东属于高碳排放区, 江苏、四川、北京和上海属于较高碳排放区. 除江西、贵州和重庆外, 其他中南部省份多属于中碳排放区, 而低碳排放区主要集中在西北和东北地区. 2011年省域旅游交通碳排放的空间格局仍然呈现“东南高、西北低”的特征, 但是与2001年相比高碳排放区增加了北京和上海, 山东、河南、安徽和江苏环绕形成较高碳排放区圈, 贵州和广西也由中级向较高等级转变, 新疆和黑龙江转变为中碳排放区. 2021年旅游交通碳排放空间格局出现变化, 较高或高值区集中在东南沿海, 广东和上海为高碳排放区, 较多省份演化为低碳排放区, 原因是受新冠疫情影响, 沿海地区面对疫情的处置能力较快, 旅游行业恢复迅速, 受影响的程度小于内陆省份, 从而导致沿海与内陆省份旅客周转量差距较大.
2.2 中国旅游交通碳排放空间关联网络结构特征 2.2.1 整体网络结构特征选取2001、2011和2021年这3个时间截面, 利用ArcGIS绘制出中国旅游交通碳排放空间关联网络图（图 3）. 由图 3可知中国旅游交通碳排放具有显著的空间关联性, 网络呈现日趋紧密和复杂的多线程形态, 但整体网络结构变化幅度较小网络较稳定. 其中, 北京、上海和江苏在网络中居于核心地位, 山东、浙江和广东居于网络副中心地位, 这些位于东部地区的省份与其余省份存在较多空间关联, 缘于这些省份在地理位置上具有得天独厚的发展条件, 自然风光多以假日海滩、园林山水和城建景观为主, 其风格不同于中西部省份, 加之其具备较强的经济实力能够充分发挥产业聚集和人才聚集效应, 带动当地交通基础设施的完善和旅游资源的开发利用, 因此吸引了大量中西部省份游客的参观游玩. 中部地区的省份如安徽、湖南和湖北等在空间中居于中间地位, 多与邻近省份或沿海特大城市产生关联, 一方面与其邻近的省份具有地理联系的优势, 省份之间能够实现部分自然旅游资源的共享, 同时旅途时间较短能够节约出行时间, 实现“快旅慢游”的出行体验, 另一方面东部地区特大城市中如北京、上海因其雄厚的经济实力和丰厚的资源条件, 对中部地区的省份具有辐射作用. 而西部地区和东北部地区的省份则处于网络边缘地位, 与其他省份关联较少, 一方面西部地区地形多为山地、高原或盆地, 其自然风光以高山冰雪、草原绿洲或沙漠戈壁为主, 其交通网络建设较为滞后和自然旅游资源的开发难度较大, 导致其接待的旅游人次相对较少, 另一方面因其经济实力较弱, 当地产业体系发展落后, 致使大量人口外流, 发展中多依赖其余省份的帮扶.
|
图 3 旅游交通碳排放空间关联网络图 Fig. 3 Spatial correlation network of carbon emissions from tourism transportation |
为进一步分析中国旅游交通碳排放空间网络的整体结构特征及演化趋势, 得到图 4和图 5所示的网络特征值. 根据图 4可以看出, 2001~2013年, 中国旅游交通碳排放量的关联关系数量呈增长趋势, 从2001年的166个增长至2013年的206个. 2014~2021年, 关联关系数量逐渐趋于平稳, 变化幅度较小. 整体上, 与之相对的空间网络密度也呈现增长趋势, 从最初的0.19提升至2021年的0.24. 尤其是2001~2013年期间, 网络密度的提升幅度较大, 说明在此期间中国各省域间在旅游交通碳排放量上的联系日益紧密. 形成这一增长态势的原因在于2013年之前中国经济社会处于高速发展时期, 交通网络建设步伐快, 旅游出行人次增长较为显著, 导致这一阶段增速较快；而2013年以后中国经济社会向高质量发展转变, 旅游出行人数基本饱和, 加之前期基本交通网络建设逐步成型, 交通改善对旅游出行的吸引力下降, 导致这一阶段增速放缓成波动趋势. 但值得注意的是, 研究年份中空间关联关系数的最大值仅为206个, 与理论上的最大可能值870个关系数相差甚远, 同时2013年以后增速放缓, 表明中国旅游交通碳排放空间联系还存在较大增长空间. 基于图 5可知, 中国旅游交通碳排放空间网络的网络关联度始终等于1, 说明中国各省份网络连接程度高, 均处在一个具有明显空间外溢的关联网络之中. 其次, 整体上看, 网络等级度呈现阶梯下降趋势, 网络等级从最初的0.51降至2021年的0.47, 说明原本较为森严的旅游交通碳排放空间关联格局发生变化并得到有效遏制, 区域之间的关联关系与交互作用也在逐步加强, 省份的相关联系和相互影响不断增强. 最后, 网络效率总体水平较高稳定在0.68以上, 但呈现稳步下降趋势, 表明网络中存在较多的冗余关系数但数量值在不断减少, 各省份的空间溢出效应增强, 网络的稳定性得到提升.
|
图 4 关联关系数和网络密度 Fig. 4 Number of relationships and network density |
|
图 5 网络等级度和网络效率 Fig. 5 Network hierarchy and network efficiency |
为明晰空间网络中不同个体的关联程度, 常用度数中心度表示各省份在空间网络中的统治地位, 其值越大说明该省份的中心地位越突出. 度数中心度仅能表示某个省份在网络中的整体统治地位, 但是旅游交通碳排放的空间网络关联存在方向性, 导致每个省份的接收和溢出关系数存在差异, 点出度和点入度进一步说明各省份在网络中的地位差异[47]. 点出度和点入度反映了某省份对其他省份的辐射与聚集作用, 呈现碳排放量的净外溢与净虹吸两种特征. 利用ArcGIS对度数中心度、点出度和点入度进行空间可视化（图 6）, 整体上2001~2021年中国各省份的度数中心度都出现了普遍增长, 其均值由2001年的30.805增长至2021年的36.322, 表明某一省份的旅游交通碳排放与其余省份的空间关联数不断增加, 省份之间的关系更加紧密, 而点出度和点入度的变化幅度较小, 表明各省份的相对地位较为稳定.
|
图 6 度数中心度 Fig. 6 Degree centrality |
具体来看, 本研究年份的度数中心度颜色较深的省份为北京、上海、江苏、浙江和广东, 在旅游交通碳排放空间网络中居于核心地位, 且以上省份多位于中国东部沿海城市, 其地理位置优越、经济发展水平高、旅游资源丰富、交通网络完善和能源利用技术高效等优势与其余省份具有较多空间关联. 颜色较浅的省份主要为云南、广西、江西、吉林和黑龙江等, 以上省份大多居于中国西南地区和东北地区, 受限于边缘的地理位置和较弱的经济规模, 与其余省份的空间关联较弱. 从点出度看, 甘肃、贵州、青海、新疆和宁夏的柱形图较高, 表明以上省份在碳排放网络中空间溢出效应明显, 原因在于这些省份经济发展缓慢、旅游资源单一以及交通网络稀疏从而引起旅游交通碳排放的外溢. 从点入度看, 上海、江苏、北京、浙江和广东的柱形图偏高, 说明以上省份具有显著的空间虹吸效应, 是区域内最主要的获益者, 可能是因为以上省份发达的交通网络与周边省份之间的低碳交通运输沟通壁垒较小, 再加上其低碳交通资本、科技人才和旅游资源等因素, 对周边省份具有虹吸作用.
接近中心度用于衡量空间网络中的某一省份与其余省份的紧密程度, 侧重于测算产生联系的平均距离, 其值越高表明该省份能够快速实现与其他省份产生空间联动. 根据测算结果可知, 2001~2021年中国30个省份的接近中心度均值呈现增长趋势, 表明中国旅游交通碳排放空间网络关联日益紧密；多数省份的接近中心度分布于50~70的区间, 表明各省份的接近中心度发展较为均衡, 能够较快与其他省份产生联系, 整体网络流动效率较高. 利用ArcGIS对接近中心度进行空间可视化（图 7）, 发现围绕东部或东南部沿海的江苏、上海、浙江和北京等省份的接近中心度相对较高, 说明以上省份在空间网络中所处的中心位置更为突出, 不容易受其他省份旅游交通碳排放的影响或控制, 发挥着“中心行动者”作用. 而中部地区的安徽、江西、海南和广西的接近中心度相对较低, 意味着以上省份受其他省份旅游交通碳排放的带动作用不明显, 汲取信息、资金和技术等要素资源的能力不足, 充当着“边缘行动者”的角色. 从演化趋势看, 新疆、内蒙古和青海等10余省份的颜色逐渐加深, 接近中心度呈增长状态, 说明在近20 a的发展过程中以上省份与其他省份在旅游交通碳排放上的联系日益增强, 在区域能源、技术和旅游资源的合作上更加紧密. 北京、天津和广东的接近中心度呈下降趋势, 这是由于各省份空间网络的联系更加紧密, 削减了核心城市的领导地位；而安徽、江西和广西的接近中心度呈下降趋势, 表明尽管整体网络联系更加紧密, 但以上省份的边缘地位仍然难以改变, 其发展过程中障碍因素日益突出.
|
图 7 接近中心度 Fig. 7 Closeness centrality |
中介中心度用于衡量网络中某一省份对其他省份旅游交通碳排放的控制能力, 其值越大表明该省份在网络中的领导地位越凸显. 根据测算结果可知, 2001~2021年中国30个省份中介中心度的均值呈现减小趋势, 数值区间呈现收敛趋势, 研究结果表明中国各省份的旅游交通碳排放空间格局正朝着更加均衡合理的方向发展. 利用ArcGIS对中介中心度进行空间可视化（图 8）, 可以发现北京、上海、江苏和浙江的颜色明显较深, 其值远高于其他省份, 表明以上省份在网络中对其他省份的旅游交通碳排放起到调节和控制作用, 是网络的核心节点, 能够在技术、资本和人才等生产要素中发挥强有力的纽带和中介作用, 同时也表明中国旅游交通碳排放网络结构均衡化发展仍然存在很大的提升空间. 而辽宁、安徽、江西和海南等10个省份的中介中心度均低于0.5的区间, 表明以上省份与其它省份的空间联系不紧密, 在网络中扮演者边缘的“被支配”角色, 从而在网络关系中的优势和控制力则相对薄弱. 从演变趋势来看, 新疆、内蒙古、甘肃、青海和陕西等10余省份颜色逐渐加深, 中介中心度逐渐增大, 说明以上省份在旅游交通碳排放网络中的影响力在不断加强, 这与西部大开发政策等国家战略密切相关, 大量资金、政策和技术的扶持支援促进了西部地区旅游交通产业的发展.
|
图 8 中介中心度 Fig. 8 Betweenness centrality |
为研究各省份在中国旅游交通碳排放关联网络中的聚类特征, 以2021年的空间关联网络为例, 基于Ucinet软件中的CONCOR分析方法, 借鉴刘华军等[48]的研究设定, 选择最大分割深度为2, 收敛标准为0.2, 对中国旅游交通碳排放网络中的30个省份进行块模型分析, 共划分出4个板块, 划分结果如表 4所示. 具体来看, 板块Ⅰ的期望和实际内部关系比例分别为10.34%和30.43%, 其中内部关系数有7个, 来自板块外的接收关系数和溢出关系数分别为41个和16个, 因此板块外的接收和发出关系数相对较多且差异较小, 属于“双向溢出”板块. 板块Ⅱ的期望和实际内部关系比例分别为17.24%和23.08%, 其中板块Ⅱ的板块内部关系数有9个, 来自板块外的接收关系数和溢出关系数分别为94个和30个, 可见板块外的接收关系数远远大于其溢出关系数, 属于“净受益”板块. 板块Ⅲ的期望内部关系比例为34.48%, 实际内部关系比例为8.06%, 板块内部关系数有7个, 来自板块外的接收关系数有16个, 板块外的溢出关系数有80个, 可见其板块外的溢出关系数远远多于其接收关系数, 属于“净溢出”板块, 板块Ⅲ中的省份中拥有较为丰富的煤炭、石油和天然气等化石能源, 加之受其地理位置和经济水平的影响, 大量的人口、技术和产业等向东部较发达地区流动. 板块Ⅳ的期望内部关系比例为27.59%, 明显大于其实际关系数的比例, 板块Ⅳ中板块内部关系数有6个, 来自板块外的接收和溢出关系数分别有24个和49个, 表明该板块接收和溢出关系数相对较为均衡, 属于“经纪人”板块, 说明省份在空间网络中发挥着中介和桥梁作用.
|
|
表 4 中国旅游交通碳排放板块的划分 Table 4 Plate division of carbon emissions from tourism transportation in China |
为考察4个板块间的空间关联, 绘制出板块的空间关联关系（图 9）. 具体来看, 北京、天津、内蒙古和山东共4个省份位于板块Ⅰ, 以上省份以北京为中心分布于广义的环渤海地区或京津冀地区；江苏、广东、福建、重庆、上海和浙江共6个省份位于板块Ⅱ的分区中, 以上省份除重庆外均分布于东部或东南部沿海地区. 板块Ⅰ和板块Ⅱ中的省份因其具有经济实力雄厚、地理位置优越以及旅游资源丰富等优势, 能够大量吸引其他省份的资金、技术和人才等资源要素, 同时容易接收来自其他省份资源要素的溢出, 在网络中以接收关系为主；位于板块Ⅲ的省份共11个, 包括河北、甘肃、辽宁和宁夏等, 不难发现以上省份主要在中国东北和西北地区或能源富集区；位于板块Ⅳ的省份共9个, 分别是湖南、贵州和云南等, 以上省份主要位于中国中部和西南地区.
|
图 9 4大板块的关联关系 Fig. 9 Correlation between four sectors |
为进一步分析板块间的相互关联关系, 根据表 4中关联关系的分布情况计算得到网络密度矩阵, 再与前文测算的2021年中国旅游交通碳排放空间关联的网络密度值（0.235）进行比较, 板块密度大于该值记为1, 小于记为0, 则可以将密度矩阵转化为像矩阵. 由表 5可知, 板块Ⅰ对板块Ⅲ和板块Ⅱ对板块Ⅳ具有碳排放溢出关系, 说明东部经济较发达省份在与中西部省份的旅游交通活动过程中将碳排放转移至中西部地区, 从而产生碳排放溢出效应. 板块Ⅲ和板块Ⅳ对板块Ⅱ都存在溢出关系, 表明板块Ⅱ中的东部沿海省份由于其本身的资源禀赋较差, 不能满足其经济、社会、技术创新和产业结构转型的需求, 而必须依靠其他省份的能源资源扶持. 同时, 板块Ⅲ和板块Ⅳ之间不存在空间关联和溢出关系, 原因在于以上板块中省份的各种资源要素都向沿海城市集聚, 在旅游资源、节能减排技术和经济合作等方面的交流较少.
|
|
表 5 密度矩阵和像矩阵 Table 5 Density matrix and image matrix |
3 空间关联网络结构的影响因素分析 3.1 QAP相关性分析
根据QAP模型, 在Ucinet软件中设置10 000次随机置换行列后, 得到选取的各影响因素相关性分析结果（表 6）. 可知发现, 空间地理距离（GD）、城镇化水平（UL）、居民消费水平（CL）、旅游经济效益（TE）和与空间矩阵的相关系数显著为负, 同时交通能源结构（TES）、交通能源强度（TEL）、交通运输结构（TS）和旅游市场规模（TM）与空间矩阵的相关系数在5%的水平下显著为负, 研究结果表明上述因素对中国旅游交通碳排放空间关联网络的形成具有显著影响. 旅游资源禀赋（TR）的相关系数为负但未能通过显著性检验, 表明其对空间网络结构的影响不显著, 各省份差异作用不明显. 可知大部分影响因素与空间关联矩阵存在显著的相关关系, 因此将进一步采用QAP模型进行回归分析.
|
|
表 6 相关性分析结果1） Table 6 Correlation analysis results |
3.2 QAP回归性分析
在Ucinet软件中随机置换行列次数设为10 000次, 对空间网络的影响因素进行QAP回归分析, 结果如表 7所示. 可知调整后的R2为0.366且通过1%的显著性水平检验. 具体来看, 空间地理距离、居民消费水平和旅游经济效益的回归系数均显著为负, 说明其能够显著影响中国旅游交通碳排放空间网络结构特征. 首先, 空间地理距离越远对旅游交通碳排放空间关联和溢出效应越显著, 原因在于空间上的距离越远, 各省在旅游交通中所消耗的能源资源将增多. 其次, 居民消费水平是社会经济发展水平的直接体现, 其消费水平差距的缩小通常是落后省份为了追赶发达省份而快速发展的经济结果, 同时在此时期, 其交通线路和基础设施都将得到进一步地改善, 各省间的时空间隔也在逐渐地缩短, 这也促使更多的低碳交通运输交流和合作. 最后, 各省份旅游收入差异的缩小表明各省份旅游资源的开发力度增强, 加之交通便捷度的增加使得旅游资源的吸引力增加, 拉动更多旅客进行跨省观光旅游, 从而增加了各省份在旅游和交通领域的空间联系和交流. 交通能源强度和交通运输结构的回归系数均显著为正, 说明交通能源强度和交通运输结构差异的缩小有助于省份间旅游交通碳排放产生空间联系, 表明随着各省份间“公路、铁路和航空”快速交通网络的建设, 旅客根据出行距离和舒适度选择交通出行方式的种类更加一致, 各省份在交通能源消耗上的差异也逐渐缩小. 其余因素的回归系数并不显著, 表明对空间网络的形成的作用程度并未显现.
|
|
表 7 QAP回归分析1） Table 7 QAP regression analysis |
4 讨论
本研究期内, 中国旅游交通碳排放总量呈现增长态势, 缘于随着生活水平的日益改善, 居民旅行需求逐步提升, 各类客运方式的周转量迅速增长. 为改变这一现状, 交通行业应当加快推进低碳技术创新, 赋能旅游业绿色低碳发展. 交通运输行业应着力提升技术创新驱动行业减排动能, 推动旅游交通工具电气化转型升级, 加强新能源汽车和高速铁路等绿色环保出行方式的扶持力度, 完善低碳新能源出行配套基础设施建设. 同时, 发挥AI、大数据和云计算等高新技术优势, 推动旅游产业数字化转型, 赋能旅游行业降碳减排, 助推绿色低碳型旅游城市或景区建设, 加强旅游线路的优化升级, 推动旅游交通降低运输能耗和提升运输效率.
中国旅游交通碳排放空间关联网络整体上联系更加紧密, 但从个体特征看仍然存在显著的差异, 缘于各省份日益注重旅游交通行业的碳减排工作, 省份间低碳交流合作逐渐增加, 但受其经济基础、地理位置和科技水平的影响各省份发展仍存在较大差异. 为此, 各省份政府在制定旅游交通领域碳减排政策时, 应充分考虑各省份在整体空间网络中的联系, 完善区域协同发展机制, 同时也要考虑不同省份之间的比较优势. 一方面, 要加大对空间网络中关联关系数和网络密度较高节点的政策倾斜与资金投入, 带动北京、上海和广东等发达省份向边缘省份提供人才、技术和信息等要素支持, 促进优质旅游交通资源要素的互流互通；另一方面, 鼓励黑龙江、吉林和新疆等偏远省份主动增强与东部省份的旅游交通碳减排合作, 创造更多旅游交通碳减排的联结通道, 缩小区域发展差距, 助推中国绿色低碳旅游交通的区域均衡发展.
中国各省份板块特征较为明晰, 不同板块的省份在旅游交通碳排放关联网络中表现出不同的角色和作用, 例如“净受益”板块主要从其他省份获取发展所需的能源和劳动力资源, 并为其他板块提供技术和资金的支持. 各省份在未来发展中充分结合板块结构特征, 应制定差异化个性化的减排政策. 对于经济水平较高、交通工具多样和旅游设施完善的“净受益”和“双向溢出”板块, 应加快旅游和交通产业结构优化升级, 降低交通能源消耗的同时利用自身技术和人才优势, 培育绿色低碳交通能源和旅游产品；对于经济基础较差和技术人才匮乏的“净溢出”和“经纪人”板块, 要积极谋求与其他板块建立合作机制, 促进各板块内部与板块间的联动耦合, 引进低碳交通技术, 开发绿色旅游线路, 提升板块节能减排能力.
剖析中国旅游交通碳排放空间关联特征的影响因素, 能够充分发挥各省资源配置优势, 构建协调发展格局. 各省份要加快推进旅游交通网络基础建设, 缩短省份间的时间距离, 增添旅游吸引力. 同时优化交通能源结构和运输结构, 利用省份间的旅游经济合作、产业转接对接和节能减排技术等合作形式, 缩小各省份旅游交通减排能力差异, 协同促进中国旅游交通整体碳减排能力的提升.
5 结论（1）从旅游交通碳排放时空演化特征看, 在时序上中国旅游交通碳排放总量呈现逐年增长趋势, 其中航空增长最快, 公路和铁路增长较缓, 水运基本无变化；在空间上中国旅游交通碳排放各省份差异明显, 呈“东南高、西北低”的分布格局, 东部沿海地区是明显的高值区域.
（2）从网络结构特征看, 整体上中国旅游交通碳排放呈“东密西疏”的多线程空间网络形态, 网络结构形态较稳定但网络联结密度较稀疏. 网络关联关系数和网络密度波动上升, 网络等级度和网络效率水平整体较高但波动下降. 个体上空间网络结构存在明显的“马太效应”, 其中北京、上海和广东等东部省份在网络居于核心主导地位；新疆、青海、黑龙江和辽宁等西北和东北省份居于网络的边缘位置；度数中心度和接近中心度呈缓慢增长趋势, 中介中心度数值区间不断收敛, 分布更为均衡.
（3）从块模型分析结果看, 各省份旅游交通碳排放块模型划分结构明显, 各板块间关联关系较多, 且各板块均接收来自其他板块的碳排放空间溢出. 其中, 板块Ⅰ中北京、天津、内蒙古和山东属于“双向溢出”板块；板块Ⅱ中江苏、广东、福建、重庆、上海和浙江属于“净受益”板块；板块Ⅲ中河北、甘肃、辽宁和宁夏等11个省份属于“净溢出”板块；板块Ⅳ中湖南、湖北和贵州等9个省份属于“经纪人”板块.
（4）从QAP分析结果看, 交通能源强度和交通运输结构对空间关联网络具有正向影响, 而空间地理距离、居民消费水平和旅游经济效益则对空间网络产生负向影响, 上述因素能够显著影响中国各省份旅游交通碳排放空间关联格局.
| [1] | Liu Q Q, Wang S J, Zhang W Z, et al. Examining the effects of income inequality on CO2 emissions: evidence from non-spatial and spatial perspectives[J]. Applied Energy, 2019, 236: 163-171. DOI:10.1016/j.apenergy.2018.11.082 |
| [2] | 钟林生. "双碳"目标下中国旅游业绿色转型要求与路径[J]. 旅游学刊, 2023, 38(11): 1-3. |
| [3] |
刘畅, 韩梅, 王洪桥, 等. 长白山景区旅游交通碳足迹时空结构研究[J]. 生态经济, 2018, 34(4): 70-74. Liu C, Han M, Wang H Q, et al. Study on spatial and temporal structure of transport carbon footprint in Changbai mountain scenic spot[J]. Ecological Economy, 2018, 34(4): 70-74. |
| [4] |
马慧强, 刘嘉乐, 弓志刚. 山西省旅游交通碳排放测度及其演变机理[J]. 经济地理, 2019, 39(4): 223-231. Ma H Q, Liu J L, Gong Z G. Carbon emission and evolution mechanism of tourism transportation in Shanxi Province[J]. Economic Geography, 2019, 39(4): 223-231. |
| [5] |
郭伟, 张鹏飞, 虞虎, 等. "丝绸之路经济带"旅游交通碳排放的时空演变及脱钩效应研究[J]. 生态经济, 2022, 38(12): 111-117, 135. Guo W, Zhang P F, Yu H, et al. Spatiotemporal evolution and decoupling effect of carbon emissions from tourism transportation in the "Silk Road Economic Belt"[J]. Ecological Economy, 2022, 38(12): 111-117, 135. |
| [6] |
翁淑娟, 刘颍颖, 唐凤, 等. 广东省船舶二氧化碳排放驱动因素与减排潜力[J]. 环境科学, 2024, 45(1): 115-122. Weng S J, Liu Y Y, Tang F, et al. Driving forces and mitigation potential of CO2 emissions for ship transportation in Guangdong Province, China[J]. Environmental Science, 2024, 45(1): 115-122. |
| [7] |
程占红, 程锦红, 张奥佳. 五台山景区游客低碳旅游认知及影响因素研究[J]. 旅游学刊, 2018, 33(3): 50-60. Cheng Z H, Cheng J H, Zhang A J. Study on tourists' cognition of low-carbon tourism and the impacting factors in the Wutai Mountain scenic area[J]. Tourism Tribune, 2018, 33(3): 50-60. |
| [8] |
陶玉国, 黄震方, 史春云. 基于替代式自下而上法的区域旅游交通碳排放测度[J]. 生态学报, 2015, 35(12): 4224-4233. Tao Y G, Huang Z F, Shi C Y. Carbon dioxide emissions from regional tourism transport: a substitutional bottom-up analysis[J]. Acta Ecologica Sinica, 2015, 35(12): 4224-4233. |
| [9] | Ma H Q, Liu J L, Xi J C. Decoupling and decomposition analysis of carbon emissions in Beijing's tourism traffic[J]. Environment, Development and Sustainability, 2022, 24(4): 5258-5274. DOI:10.1007/s10668-021-01657-w |
| [10] |
孙晋坤, 章锦河, 刘泽华, 等. 区域旅游交通碳排放测度模型及实证分析[J]. 生态学报, 2015, 35(21): 7161-7171. Sun J K, Zhang J H, Liu Z H, et al. Estimation model of carbon dioxide emissions by regional tourism transportation and empirical analysis of Nanjing and Huangshan cities, China[J]. Acta Ecologica Sinica, 2015, 35(21): 7161-7171. |
| [11] | 王佳, 薛景洁. 旅游交通碳排放测算及影响因素分析[J]. 统计与决策, 2016, 32(13): 61-64. |
| [12] |
郭向阳, 穆学青, 明庆忠, 等. 中国旅游交通碳排放格局及影响因素解析[J]. 地理与地理信息科学, 2022, 38(2): 129-136. Guo X Y, Mu X Q, Ming Q Z, et al. Carbon emission pattern of China's tourism transportation and its influencing factors[J]. Geography and Geo-Information Science, 2022, 38(2): 129-136. |
| [13] |
胡程, 丁正山, 穆学青, 等. 长江经济带旅游交通碳排放时空演变及驱动因素[J]. 南京师大学报(自然科学版), 2022, 45(1): 40-48. Hu C, Ding Z S, Mu X Q, et al. The spatio-temporal evolution and driving factors of carbon dioxide emissions from tourism transportation in the Yangtze River Economic Belt[J]. Journal of Nanjing Normal University (Natural Science Edition), 2022, 45(1): 40-48. |
| [14] |
王凯, 邵海琴, 周婷婷, 等. 基于STIRPAT模型的中国旅游业碳排放影响因素分析[J]. 环境科学学报, 2017, 37(3): 1185-1192. Wang K, Shao H Q, Zhou T T, et al. Analysis of impact factors of CO2 emissions from tourism in China based on STIRPAT model[J]. Acta Scientiae Circumstantiae, 2017, 37(3): 1185-1192. |
| [15] |
白梓函, 吕连宏, 赵明轩, 等. 中国对外直接投资的减污降碳效应及其实现机制[J]. 环境科学, 2022, 43(10): 4408-4418. Bai Z H, Lv L H, Zhao M X, et al. Pollution and carbon reduction effect of OFDI in China and its mechanism[J]. Environmental Science, 2022, 43(10): 4408-4418. |
| [16] |
贾璐宇, 王克. 碳中和背景下中国交通部门低碳发展转型路径[J]. 中国环境科学, 2023, 43(6): 3231-3243. Jia L Y, Wang K. Low-carbon transition pathways for China's transportation sector under the background of carbon neutrality[J]. China Environmental Science, 2023, 43(6): 3231-3243. |
| [17] |
王凯, 余芳芳, 周晓冰, 等. 中国旅游业碳减排潜力时空演化及其影响因素[J]. 地理与地理信息科学, 2022, 38(3): 112-119. Wang K, Yu F F, Zhou X B, et al. Spatial-temporal evolution and influencing factors of carbon emission reduction potential of tourism in China[J]. Geography and Geo-Information Science, 2022, 38(3): 112-119. |
| [18] | Zhou X, Zhang D, Tian J P, et al. Low-carbon tour route algorithm of urban scenic water spots based on an improved DIANA clustering model[J]. Water, 2022, 14(9). DOI:10.3390/w14091361 |
| [19] |
王梓瑛, 王兆峰. 碳排放约束下长江经济带旅游产业效率的时空演化及影响因素研究[J]. 长江流域资源与环境, 2021, 30(2): 280-289. Wang Z Y, Wang Z F. Spatial-temporal evolution and influencing factors of tourism industry efficiency under the constraints of carbon emission in the Yangtze River Economic Zone[J]. Resources and Environment in the Yangtze Basin, 2021, 30(2): 280-289. |
| [20] | Usman O, Alola A A. How do environmental taxes influence the effect of tourism on environmental performance? Evidence from EU countries[J]. Current Issues in Tourism, 2023, 26(24): 4034-4051. DOI:10.1080/13683500.2022.2157706 |
| [21] | Song J Z, Feng Q, Wang X P, et al. Spatial association and effect evaluation of CO2 emission in the Chengdu-Chongqing Urban Agglomeration: quantitative evidence from social network analysis[J]. Sustainability, 2019, 11(1). DOI:10.3390/su11010001 |
| [22] |
张帅, 袁长伟, 赵小曼. 中国交通运输碳排放空间聚类与关联网络结构分析[J]. 经济地理, 2019, 39(1): 122-129. Zhang S, Yuan C W, Zhao X M. Spatial clustering and correlation network structure analysis of transportation carbon emissions in China[J]. Economic Geography, 2019, 39(1): 122-129. |
| [23] |
周慧玲, 王甫园. 基于修正引力模型的中国省际旅游者流空间网络结构特征[J]. 地理研究, 2020, 39(3): 669-681. Zhou H L, Wang F Y. Research on structure characteristics of the inter-provincial tourist flow spatial network in China based on the modified gravity model[J]. Geographical Research, 2020, 39(3): 669-681. |
| [24] |
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. |
| [25] |
杨青, 郭露, 刘星星, 等. 中国交通碳排空间关联拓扑-角色-组织特征分析[J]. 环境科学与技术, 2023, 46(12): 212-223. Yang Q, Guo L, Liu X X, et al. Spatial correlation topology-role-organization analysis of carbon emissions from transportation in China[J]. Environmental Science & Technology, 2023, 46(12): 212-223. |
| [26] |
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. |
| [27] |
马书红, 段超杰, 杨磊, 等. 混行环境下的交通碳排放测算与演化规律[J]. 环境科学, 2024, 45(11): 6403-6411. Ma S H, Duan C J, Yang L, et al. Calculation and evolution of traffic carbon emission in mixed traffic environment[J]. Environmental Science, 2024, 45(11): 6403-6411. |
| [28] |
魏艳旭, 孙根年, 马丽君, 等. 中国旅游交通碳排放及地区差异的初步估算[J]. 陕西师范大学学报(自然科学版), 2012, 40(2): 76-84. Wei Y X, Sun G N, Ma L J, et al. Estimating the carbon emissions and regional differences of tourism transport in China[J]. Journal of Shaanxi Normal University (Natural Science Edition), 2012, 40(2): 76-84. |
| [29] |
刘俊豪, 刘榆欣, 黄蕾. 中国华东地区旅游交通碳排放测度与驱动因素分析[J]. 环境科学研究, 2024, 37(3): 626-636. Liu J H, Liu Y X, Huang L. Measurement and driving factor analysis of carbon emissions from tourism transportation in East China[J]. Research of Environmental Sciences, 2024, 37(3): 626-636. |
| [30] |
郑航, 叶阿忠. 空间关联网络结构特征的减排效应: 基于城市群视角[J]. 环境科学, 2022, 43(10): 4401-4407. Zheng H, Ye A Z. Carbon Emission reduction effect of spatial correlation network structure characteristics: from the perspective of urban agglomeration[J]. Environmental Science, 2022, 43(10): 4401-4407. |
| [31] | Yang G X, Jia L. Estimation of carbon emissions from tourism transport and analysis of its influencing factors in Dunhuang[J]. Sustainability, 2022, 14(21). DOI:10.3390/su142114323 |
| [32] |
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. |
| [33] | Balado-Naves R, Baños-Pino J F, Mayor M. Do countries influence neighboring pollution? A spatial analysis of the EKC for CO2 emissions[J]. Energy Policy, 2018, 123: 266-279. DOI:10.1016/j.enpol.2018.08.059 |
| [34] |
王新越, 刘晓艳. 高铁影响下黄河流域旅游经济网络结构演变及其优化[J]. 经济地理, 2022, 42(9): 211-218. Wang X Y, Liu X Y. Development and evolution of urban tourism economic network structure and its optimization under the influence of high-speed rail in the Yellow River Basin[J]. Economic Geography, 2022, 42(9): 211-218. |
| [35] |
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. |
| [36] |
罗泓然, 周启刚, 李辉, 等. 基于社会网络分析法的土地利用碳收支空间关联关系演变: 以重庆主城都市区为例[J]. 环境科学, 2024, 45(9): 5003-5014. Luo H R, Zhou Q G, Li H, et al. Spatial correlation of land use carbon budget based on social network analysis: a case study of Chongqing metropolitan area[J]. Environmental Science, 2024, 45(9): 5003-5014. |
| [37] |
高煜昕, 高明. 中国"无废城市"发展水平的空间关联结构与影响机制[J]. 环境科学, 2024, 45(8): 4980-4992. Gao Y X, Gao M. Spatial correlation structure and influencing mechanism of development level of zero-waste cities in China[J]. Environmental Science, 2024, 45(8): 4980-4992. |
| [38] |
张正峰, 张栋. 基于社会网络分析的京津冀地区碳排放空间关联与碳平衡分区[J]. 中国环境科学, 2023, 43(4): 2057-2068. Zhang Z F, Zhang D. Spatial relatedness of CO2 emission and carbon balance zoning in Beijing Tianjin Hebei counties[J]. China Environmental Science, 2023, 43(4): 2057-2068. |
| [39] |
李爱, 王雅楠, 李梦, 等. 碳排放的空间关联网络结构特征与影响因素研究: 以中国三大城市群为例[J]. 环境科学与技术, 2021, 44(6): 186-193. Li A, Wang Y N, Li M, et al. Study on the structural characteristics and influencing factors of spatial correlation network of carbon emissions: a case study of three major urban agglomerations in China[J]. Environmental Science & Technology, 2021, 44(6): 186-193. |
| [40] |
袁长伟, 张帅, 焦萍, 等. 中国省域交通运输全要素碳排放效率时空变化及影响因素研究[J]. 资源科学, 2017, 39(4): 687-697. Yuan C W, Zhang S, Jiao P, et al. Temporal and spatial variation and influencing factors research on total factor efficiency for transportation carbon emissions in China[J]. Resources Science, 2017, 39(4): 687-697. |
| [41] |
王山, 刘文斐, 刘玉鑫. 长三角区域经济一体化水平测度及驱动机制——基于高质量发展视角[J]. 统计研究, 2022, 39(12): 104-122. Wang S, Liu W F, Liu Y X. Measurement and driving mechanism of regional economic integration in Yangtze River Delta: based on the perspective of high-quality development[J]. Statistical Research, 2022, 39(12): 104-122. |
| [42] |
王俊, 夏杰长. 中国省域旅游经济空间网络结构及其影响因素研究——基于QAP方法的考察[J]. 旅游学刊, 2018, 33(9): 13-25. Wang J, Xia J C. Study on the spatial network structure of the tourism economy in China and its influencing factors: investigation of QAP method[J]. Tourism Tribune, 2018, 33(9): 13-25. |
| [43] |
胡怀敏, 左薇, 徐士元. 长江经济带交通能源碳排放脱钩效应及驱动因素研究[J]. 长江流域资源与环境, 2022, 31(4): 862-877. Hu H M, Zuo W, Xu S Y. Decoupling effect and driving factors of transportation energy carbon emission in Yangtze River Economic Belt[J]. Resources and Environment in the Yangtze Basin, 2022, 31(4): 862-877. |
| [44] | Tang Y P, Jiang H Y. Analysis of the decoupling effect and driving factors of carbon emissions from the transportation sector in Guangdong province[J]. Scientific Reports, 2023, 13(1). DOI:10.1038/s41598-023-45492-7 |
| [45] | Xu H C, Li Y L, Zheng Y J, et al. Analysis of spatial associations in the energy–carbon emission efficiency of the transportation industry and its influencing factors: evidence from China[J]. Environmental Impact Assessment Review, 2022, 97. DOI:10.1016/j.eiar.2022.106905 |
| [46] |
李华, 胡善琦, 郑梦园, 等. 城市高质量休闲场所的空间格局和优化[J]. 经济地理, 2024, 44(2): 228-239. Li H, Hu S Q, Zheng M Y, et al. Spatial pattern characteristics and optimization of urban high-quality leisure venues[J]. Economic Geography, 2024, 44(2): 228-239. |
| [47] |
崔蓉, 翟凌宇, 孙亚男. 中国数字经济空间关联网络结构及其影响因素[J]. 经济与管理评论, 2023, 39(6): 95-108. Cui R, Zhai L Y, Sun Y N. Spatial correlation network structure of digital economy and its determinants in China[J]. Review of Economy and Management, 2023, 39(6): 95-108. |
| [48] |
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. |