2025, Vol. 46
二十大报告、“十四五”规划和中央经济工作会议均提出推进减污降碳协同增效，即实现减污和降碳等多目标的“帕累托改进”. 2022年6月10日，生态环境部等七部门联合印发《减污降碳协同增效实施方案》，提出到2030年我国区域减污降碳协同能力显著提升的任务目标. 黄河流域作为我国重要生态屏障，又称能源流域和能源富集区，流域内SO2排放量占全国排放总量的比例超过20%，CO2排放量占全国排放总量的比例达到30%以上，减污降碳潜力巨大. 然而，能源富集区由于发展主要依赖于资源开采与初步加工而产生了“能源结构偏煤、产业结构偏重、经济结构偏散”的结构性问题，使流域陷入“不治理呼吸困难，治理了经济困难”悖论[1]以及污碳治理政策裂化、减排路径分散和重末端轻源头等污碳治理困境[2，3]，实现减污和降碳协同的任务更是艰难. 由此引发了诸多学者的思考：建立在绿色发展理念下的减污降碳协同治理效率究竟是怎样的？沿黄地区减污降碳协同治理效率是否也会出现与其资源配置和经济发展不平衡不充分相类似的现实状况？目前，学者们对于污碳外部性议题的相关分析集中在：一是关于减污降碳协同度的研究. 现有研究表明我国环境污染与温室气体排放的主要来源是化石能源燃烧，具有同根同源的特征[4，5]；学者们以我国省域[6]、城市群[7]或工业园区[8]为研究样本，基于污染物排放规模、环保投入、资源利用效率和宏观环境等层面构建评价指标体系[9，10]，利用复合系统协同度模型[11]和熵权TOPSIS[12]等方法评价减污降碳协同度，但由于研究方法和指标选取不同，研究结论存在显著差异[13]. 而目前针对减污降碳协同治理效率测度和评价的研究较为匮乏. 二是有关减污降碳协同治理驱动因素的研究. 已有学者针对源头预防、过程控制或末端治理单环节的影响展开研究，例如，Zhu等[14]探究能源代替等源头控制方式对减污降碳协同增效的影响；易兰等[15]提出可以通过能源结构转型等过程控制方式，提升减污降碳协同治理水平，推动减污降碳协同增效；有学者探究环境规制等末端治理方式对减污降碳协同增效的作用机制[16]. 然而，鲜有文献基于全过程治理视角探究减污降碳协同治理的驱动因素. 三是减污降碳协同治理的福利效应. 部分学者对减污降碳协同的经济社会福利进行了研究，结果发现协同减排对公共健康有正向影响，如降低医疗费用和治理成本[17，18]，提升居民幸福感指数[19].
综上所述，减污降碳协同治理研究愈加完善，为本文研究提供了充足的依据，但减污降碳协同治理效率的空间网络研究较为匮乏. 为破解黄河流域减污降碳和经济发展矛盾，仍需进行深入研究：其一，在新发展理念引领下，减污降碳协同治理效率如何评估？城际间以及城市内部是否存在联系紧密的空间网络关联结构？其二，污碳浓度变化与气象因素密切相关[20]，那么，基于气象约束下的减污降碳协同治理效率空间网络关联结构的完整性存在怎样发展特征？其三，由于环境政策实施程度以及资源禀赋程度等方面存在差异性，流域内各城市减污降碳协同治理效率存在较大差别，那么各城市节点在网络中的中心传导能力存在怎样的差距？各城市之间联系强度以及内部传递路径又是怎样的？基于此，本文将黄河流域77个地级市作为研究靶区，选取超效率SBM-DEA模型测算减污降碳协同治理效率，创新性地将气象要素纳入引力模型构建流域减污降碳协同治理效率网络，运用社会网络分析法（SFA）从“点、线、面”3个维度入手对流域网络关联特征进行剖析. 本研究通过揭示减污降碳协同治理效率的空间关联网络结构演变特征以及其与驱动因素之间的关系，以期为黄河流域城市群减污降碳协同治理体制建设、实现黄河流域可持续发展提供决策依据.
1 材料与方法 1.1 研究区域概况黄河流经甘肃、河南、内蒙古、宁夏、青海、山东、山西、四川和陕西这9省（自治区），横跨我国西中东部地区. 2022年黄河流域相关省区GDP全国占比约为25.6%，但原煤、燃料油和焦炭消费量的全国占比分别约为53.9%、43.4%和33.5%，全国碳排放强度最高的3个省（自治区）（山西、宁夏和内蒙古）均位于黄河流域[21，22]. 2021年国务院《关于完整准确全面贯彻新发展理念做好碳达峰碳中和工作的意见》明确强调“在黄河流域区域战略的实施中强化绿色低碳发展导向与任务要求”. 因此，在我国生态文明建设进入减污降碳协同增效的关键时期，推动黄河流域的污碳协同治理成为实现“2030年我国减污降碳协同增效能力显著提升”任务目标的关键举措.
1.2 减污降碳协同治理效率测度本文选取超效率SBM-DEA模型测算减污降碳协同治理效率，构建减污降碳协同治理效率投入-产出指标体系，如表 1所示. 参考Yang等[23]的做法，将资本、能源和劳动力作为投入指标，分别用污染治理投资、能源消费总量和城镇单位年末从业人数来表示；产出指标包括地区产值和减污降碳协同的耦合协调度，其中，减污降碳协同的耦合协调度的测度如下：鉴于污染物和CO2的排放具有同根同源同过程特征[4]，参考唐晓华等[24]的做法，引入耦合协调度模型测算两者之间的耦合协调度，反映减污治理与降碳治理之间的协同关系，耦合协调度的取值范围在0~1之间，取值越大，表明两者之间的协调度越高. 借鉴陆敏等[25]和白梓函等[26]的做法，减污系统选取SO2、烟尘以及废水的排放量测度，借鉴张瑜等[4]的做法，降碳系统选取CO2排放量测度.
|
表 1 减污降碳协同治理效率投入-产出指标体系 Table 1 Input-output index system of collaborative governance efficiency of pollution reduction and carbon reduction |
1.3 研究方法 1.3.1 减污降碳协同治理效率空间关联网络架构 1.3.1.1 修正引力模型
新经济地理理论认为空间距离对城际间交互作用关系产生影响，并遵循距离衰减原理[27]. 传统引力模型缺乏对城市系统的认知，难以反映城际间空间关联关系，本文借鉴吉雪强等[28]的做法，引入修正引力模型计算黄河流域城际间减污降碳协同治理效率相互作用关系，即城际间联系强度. 并且本文为了更好地刻画减污降碳协同治理效率网络关联特征，参考李红霞等[20]的研究，特将气象要素引入模型当中，公式如下：
|
(1) |
|
(2) |
式中，Lij表示城市i对城市j的减污降碳协同治理效率联系强度；K表示引力修正系数；Eij表示城市i与城市j的引力系数，Yi与Yj分别表示城市i与城市j的减污降碳协同治理效率；Ti与Ti分别表示城市i与城市j的气象要素特征，其值由年降雨量、年日照时长和年均风速3项来衡量，通过熵权法将3类气象要素合为T值；Dij表示城市i与城市j之间的距离.
1.3.1.2 空间网络结构特征刻画本文从“整体-个体-聚类”角度入手，对黄河流域减污降碳协同治理效率空间网络结构特征进行剖析. 首先，绘制各城市节点网络关联线，以此反映节点与节点之间引力关系强度，通过整体网络密度、网络关系条数和网络效率阐述其整体网络特征；其次，利用度数中心度、接近中心度和中间中心度对黄河流域各城市的节点进行分析；最后，通过块模型对黄河流域城市进行空间聚类分析[29].
1.3.2 减污降碳协同治理效率空间网络结构的驱动因素 1.3.2.1 指标选择目前，污染治理和温室气体减排是我国面临的严峻环境挑战，二者产生过程存在同根、同源、同步性和互相影响性，需采取措施进行协同治理[4，30]. 减污降碳协同增效的本质要求在于推进污碳治理由传统“先污染后治理”的末端治理模式转变为“源头防控-过程控制-末端阻断”全过程联动的闭合式治理链条[31]. 基于以上分析，本文从源头防控、过程控制和末端阻断这3个维度构建减污降碳协同治理效率的驱动因素，如表 2所示.
|
|
表 2 黄河流域减污降碳协同治理效率的驱动因素 Table 2 Driving factors of collaborative governance efficiency of pollution reduction and carbon reduction in the Yellow River Basin |
源头防控是一种预防性环境管理策略，基本方式包括：产业结构“绿色化”调整和能源清洁化转型. 通过源头防治，有助于降低污染产生的可能性，从根本上杜绝污染问题，对于后续举措的有效性和方向性具有重要意义[2]. 产业结构“绿色化”通过合理化调整推动“三高”产业低碳转型[32]，从源头上减少能耗、污染和排放. 参考张颖等[33]的做法，产业结构合理化具体测算方法如式（3）所示. 参考Shahbaz等[34]的做法，清洁能源代替用人工或天然气供气总量衡量.
|
(3) |
式中，TL表示产业结构合理化指数，m表示产业，m为1~3，Y表示地区GDP总量，Ym表示地区m产业的GDP总量，L表示地区的就业总人数，Lm表示地区m产业就业总人数.
过程控制是指通过革新生产工艺和技术，提高资源利用和研发效率，在生产过程中对污染物产生量“做减法”，是在源头防控之后进一步处理污染的举措[35]，基本方式包括绿色工艺创新和提升能源利用效率两个方面. 具体来说，绿色工艺创新通过生产流程再造和生产设备更新等方法，减轻污染，借鉴王锋正等[36]的做法，绿色工艺创新用技术改造经费投入与R & D经费内部支出之和来衡量. 提升能源利用效率，可以减少能源资源浪费，抑制资源无序、过度使用，在能源使用过程中减少污染产生，能源利用效率用工业总产值与煤炭消费量之比来衡量[37].
末端阻断强调在产品生产终端对污染物进行处理，是之前两个环节的补充，基本方式包括环境保护税和环境规制两个方面[2]. 但末端阻断有较多缺陷：不能完全消除污染物、污染过程与生产过程脱节，且污染治理费用高[38]. 环境保护税征收政策是以市场机制协调污染物排放的另一种有效方式，2018年前采用排污费收入总额进行衡量，2018年及以后采用环保税收入总额进行衡量[39]. 借鉴汪辉平等[40]的做法，用工业SO2去除率衡量环境规制.
1.3.2.2 模型构建基于“源头防控-过程控制-末端阻断”全过程治理视角，减污降碳协同治理效率与产业结构合理化、清洁能源代替、绿色工艺创新和能源利用率等指标均存在强相关关系，借鉴任晓松等[41]和李敬等[42]的做法，构建减污降碳协同治理效率空间关联网络的驱动因素模型，公式如下：
|
(4) |
式中，R为2022年减污降碳协同治理效率空间关联矩阵，TL、CE、GPSI、EUS、SC和ER分别表示：产业结构合理化差异、清洁能源代替差异、绿色工艺创新差异、能源利用率差异、环境保护税差异和环境规制差异. 除R外，其余数据均是由2012~2022年黄河流域各城市对应数据的绝对均值差异构成的差异矩阵，采用非参数分析法QAP进行分析.
1.4 数据来源及说明因四川省已经划入长江经济带，且“东四盟”不属于黄河自然流经区和黄河流域重要的经济社会文化关联区，本文参考现有研究选取77个地级市作为研究样本[43，44]，其中2019年莱芜市并入济南市，故将2019年及以后的莱芜市与济南市数据进行合并处理，统称济南市. 同时基于生态环境部等七部门在2022年印发的《减污降碳协同增效实施方案》，考虑到数据可得性，避免数据遗漏导致的测算偏差，最终选取2012~2022年黄河流域77个地级市的面板数据作为研究对象. 借鉴王锋等[45]和吴雪萍等[46]做法，CO2排放量数据来自中国碳核算数据库，在能源平衡表中终端能源消费量基础上，通过IPCC碳排放公式计算得到；SO2、烟尘以及废水这3类污染物的排放量数据来自研究年份的《中国城市统计年鉴》等官方统计数据，其余数据来源于国家统计局网站、《中国城市统计年鉴》《中国能源统计年鉴》、中国气象数据网、各省份统计年鉴以及公开资料. 对于个别数据的缺失，采用指数平滑法进行线性插值，且为消除价格影响，所有价格变量都以2012年为基期，采用GDP指数进行平减.
2 结果与分析 2.1 空间网络结构特征分析 2.1.1 时空演变特征分析本文借助ArcGIS软件对减污降碳协同治理效率进行空间分布可视化处理，将其划分为低效率、较低效率、中等效率、较高效率和高效率这5个等级，如图 1所示. 观察可知，黄河流域城际间减污降碳协同治理效率空间分布存在局部动态性特征. 从整体分布角度来看，研究期内黄河流域减污降碳协同治理效率增加明显，其中位于高效率和较高效率水平的城市数量明显增多，从2012年的14个增加到2022年的30个城市，但效率增长地区多集中在中下游地区，两级分化较为明显，仍存在区域间和区域内差距. 从城市群分布角度来看，山东半岛城市群与中原城市群减污降碳协同治理效率等级整体跃迁显著，高效率城市对周边低效率城市起到良好的辐射带动作用；而上游地区兰州、白银、张掖和包头等市减污降碳协同治理效率仍处于较低效率阶段，甚至出现停滞和倒退现象，原因在于部分地区资源环境承载能力较弱、减污和降碳等绿色清洁技术要素配置不足以及存在较大经济劣势.
|
图 1 2012年和2022年黄河流域减污降碳协同治理效率空间分布 Fig. 1 Spatial distribution of collaborative governance efficiency of pollution reduction and carbon reduction in the Yellow River Basin in 2012 and 2022 |
本文基于修正引力模型，得到2012年和2022年黄河流域减污降碳协同治理效率网络关联强度，为方便观察其演化规律，借助ArcGIS软件绘制黄河流域减污降碳协同治理效率网络图，利用自然间断法将引力值分为5个等级，其中网络级数越小代表城际间的网络连接强度越强，一级和二级网络属于强关联网络关系，如图 2所示. 观察可知，各城市之间存在复杂的流向关系，2012~2022年效率空间网络演化存在以下特征：第一，城际间整体网络等级和网络关联线数量明显提高，但存在“强者恒强”的演化规律. 从网络等级来看，减污降碳协同治理效率网络等级呈现“以五级网络为主，其他等级网络规模不断扩大”的局面；从网络关联线数量来看，2012年减污降碳协同治理效率一级网络关联线数量较少，2022年一级网络关联线在原有网络线基础上向外扩展延伸，且均集中分布在黄河下游地区. 随着时间推移，减污降碳协同治理效率二级和三级网络的规模和空间分布范围也逐渐扩大，主要是在一级网络基础上向毗邻城市蔓延，由此可以看出黄河流域上游、中游和下游城市之间有突破地域限制，城际间关联性逐渐增强的趋势. 第二，减污降碳协同治理效率网络发展始终存在不均衡特征，且与上文其空间分布研究结果较为相似. 对比2012年与2022年减污降碳协同治理效率空间联系网络图，发现黄河流域覆盖范围较广，黄河下游地区强关联网络关联线数量增加明显，而黄河上游和中游地区虽然整体网络规模逐渐扩大，但是尚未出现强关联网络关系，仅有少数城市网络连接强度较大，大部分城市在网络中仍处于边缘地带，黄河流域整体呈“东密西疏”格局. 本研究表明上游和中游地区效率空间网络仍存在较大的发展空间.
|
图 2 2012年和2022年黄河流域减污降碳协同治理效率空间联系网络 Fig. 2 Spatial connection network of collaborative governance efficiency of pollution reduction and carbon reduction in the Yellow River Basin in 2012 and 2022 |
为了进一步研究黄河流域减污降碳协同治理效率整体网络演化特征，分别测算2012年和2022年黄河流域以及上中下游地区的网络密度、网络关系条数和网络效率，如表 3所示. 从网络密度和网络关系条数来看，2022年黄河流域和上中下游的网络密度和网络关系条数相较于2012年均产生不同幅度的提升，黄河流域减污降碳协同治理效率网络规模逐渐扩大，网络关联结构更趋于复杂化，且黄河流域整体网络密度呈现“下游 > 中游 > 上游”的态势. 从地区角度来看，2022年上游地区的网络密度最低，为0.210，且网络关系条数仅占全流域的8.0%，表明上游地区仍未形成显著的网络关联，究其原因，经济发展和位置劣势限制了各城市对绿色先进技术的研发与吸收，降低了城际间的交流与合作，城际间减污降碳协同治理信息交互联系受到了行政壁垒的阻碍. 2022年中游地区和下游地区网络密度分别为0.330和0.473，相较于上游地区，中游和下游地区的网络规模较大；从全流域来看，2022年整体网络密度为0.248，增幅为106.7%，仅有1 449条网络关系条数，相比中游和下游地区，全流域整体网络规模处于较低水平，说明黄河流域整体存在空间关联，但地区发展不平衡，区域间差异程度较大，尚存在较大的发展空间，仍需进一步提高全流域网络稳定性和跨地区的交流与合作. 结合网络效率来看，全流域及上中下游的网络效率在时间上均呈下降趋势，说明黄河流域减污降碳协同治理效率网络结构趋于复杂化和稳定化，城际间联系更加紧密. 随着减污降碳协同治理机制修改完善、未来跨域合作深化以及污染物和CO2协同减排工作的持续推进，黄河流域减污降碳协同治理效率的网络效率将持续保持下降趋势，效率网络将趋于更稳定化、更复杂化.
|
|
表 3 黄河流域减污降碳协同治理效率网络密度、网络关系条数与网络效率 Table 3 Network density, number of network relations, and network efficiency of collaborative governance efficiency of pollution reduction and carbon reduction in the Yellow River Basin |
2.1.3 个体网络特征分析
在整体网络特征分析的基础上，为进一步考察各城市在空间网络中的地位和作用，测算黄河流域2012年和2022年77个城市的各项中心性指标，分别得到各城市的度数中心度、接近中心度和中间中心度，由于样本数量过多无法逐一列举，本文分别选取上游、中游和下游地区每年各类中心度排名前5的城市展开分析，结果如表 4和表 5所示.
|
|
表 4 2012年黄河流域减污降碳协同治理效率网络中心性 Table 4 Centrality of collaborative governance efficiency of pollution reduction and carbon reduction in the Yellow River Basin in 2012 |
|
|
表 5 2022年黄河流域减污降碳协同治理效率网络中心性 Table 5 Centrality of collaborative governance efficiency of pollution reduction and carbon reduction in the Yellow River Basin in 2022 |
2.1.3.1 度数中心度
黄河流域减污降碳协同治理效率网络是有向网络，度数中心度分为点出度和点入度，分别代表某一城市节点的“溢出效应”和“虹吸效应”，数值越大表明城市节点“中心地位”越强. 对比表 4和表 5可知，黄河流域3段流域的度数中心度呈现“下游 > 中游 > 上游”的格局，2022年新乡市、郑州市、平顶山市和济南市等城市节点的度数中心度最高且均位于下游地区，说明下游地区在空间关联网络中与其他地区之间联系紧密，处于“中心地位”，对我国减污降碳协同治理效率的空间溢出效应影响较大. 原因在于，中下游地区受益于区位优势和固有经济优势，通过整合和传递区域减污和降碳的技术、信息及数据等要素，辐射带动其他低效率城市，缓解其污碳排放问题.
2.1.3.2 接近中心度接近中心度数值越大表明该城市节点与其他节点联系更密切且“行动者”角色越明显. 从上中下游角度来看，减污降碳协同治理效率接近中心度的城市排名与其度数中心度的城市排名极为相似，黄河流域3段流域的接近中心度也呈现“下游 > 中游 > 上游”的格局；从城市群角度来看，中原城市群和山东半岛城市群的中心传导能力较为突出，原因在于这两个城市群处于相对核心的地理位势，在空间关联网络中溢出和接收能力较强，绿色技术、知识和数据等要素传递更为便捷；从具体城市角度来看，相较于2012年，2022年上中下游地区城市的中心传导能力均有明显提升，新乡市和济南市等城市排名跻身前列，这些城市更易与其他城市产生空间关联，其减污降碳协同治理效率提高能推动其他城市减污降碳协同治理效率提升，而上游地区城市的接近中心度仍然较低，不易与其他城市产生空间关联，原因可能是地理位置偏远限制了其减污降碳协同治理效率溢出.
2.1.3.3 中间中心度中间中心度是衡量城市节点控制网络中其他节点减污降碳协同治理效率的能力，数值越大表明其“中间人”角色越明显. 2012年和2022年黄河流域减污降碳协同治理效率中间中心度从空间分布来看，均呈现南北高中间低的态势，黄河流域3段流域的中间中心度均呈现“下游 > 中游 > 上游”的特征. 相比2012年，2022年城市效率中间中心度产生一定程度的提升，济南市、新乡市和太原市等城市成为促进流域内减污降碳协同治理效率空间网络交互作用的关键地区，但较多城市的“中间人”角色仍不明显，区域内差异依然较大. 相比上游地区，中游和下游地区中间中心度数值普遍较高，扮演连接各城市信息交流的“中间人”角色越来越突出.
2.1.4 空间聚类特征分析 2.1.4.1 块模型中板块类型划分在进行整体和个体网络分析之后，为厘清减污降碳协同治理效率网络的内部结构，本文对2022年黄河流域减污降碳协同治理效率空间关联网络进行空间聚类分析，将77个城市切分为4个板块，如表 6所示. 从板块成员数量来看，板块一至板块四城市数量依次占黄河流域城市总数量的29.9%、29.9%、16.9%、23.3%；从板块特征来看，板块二实际比例为52.0%，期望比例为28.9%，板块三实际比例为77.5%，期望比例为15.8%，板块二和三的实际比例均大于期望比例，属于双向溢出板块或者净受益板块，其中板块二接收板块外关系数和发出板块外关系数分别为165和160，“溢出效应”和“虹吸效应”均较为显著，属于双向溢出板块，板块三接收板块外关系数628，明显大于发出板块外关系数39，接收程度大于溢出程度，属于净受益板块. 板块一实际比例为18.8%，期望比例为28.9%，板块四实际比例为20.5%，期望比例为22.4%，板块一和四的期望比例均大于实际比例，其中板块一发出板块外关系数528，明显大于接收板块外关系数49，溢出效应大于接收效应，为净溢出板块，板块四接收和发出的关系数均较多，在减污降碳协同治理效率网络中起到“桥梁”的作用，是经纪人板块.
|
|
表 6 2022年黄河流域减污降碳协同治理效率网络空间联系板块溢出效应 Table 6 Spillover effect of collaborative governance efficiency of pollution reduction and carbon reduction network space connection in the Yellow River Basin in 2022 |
2.1.4.2 板块间传递路径分析
根据板块模型测算黄河流域减污降碳协同治理效率网络板块密度矩阵，上文已测算2022年整体网络密度为0.248，板块间密度若大于0.248，说明该板块溢出效应较优，则在镜像矩阵中赋值为1，反之为0，如表 7所示，并据此绘制板块间的传递关系（见图 3）. 由表 7可知，板块二和三的内部网络密度均大于整体网络密度，表明这两个板块具有较强的内部集聚效应，而板块一和四的内部网络密度均小于整体网络密度，表明板块内部减污降碳协同治理效率网络不完善，城际间缺乏交流与互动，对自身板块减污降碳协同治理效率的提升作用较小. 由图 3可知，板块间融合效果较差，板块间尚未产生双向传导关系. 板块一主要向板块二和板块三进行减污降碳协同治理效率传导，表明黄河流域一线省会城市对其周边城市减污降碳信息、技术和数据等要素溢出效应较显著；板块二对板块三仅存在单向传导关系，板块三仅接收来自板块一、二和四的效率溢出，板块四仅对板块三存在单向传导关系.
|
|
表 7 2022年黄河流域城市网络空间联系板块密度矩阵与镜像矩阵 Table 7 Density matrix and mirror image matrix of urban network spatial connections in the Yellow River Basin in 2022 |
|
图 3 2022年黄河流域减污降碳协同治理效率网络板块间传递关系 Fig. 3 Transitive relation between collaborative governance efficiency of pollution reduction and carbon reduction network segments in the Yellow River Basin in 2022 |
为了考察各驱动因素对黄河流域减污降碳协同治理效率空间关联网络动态演变的作用程度，利用Ucinet软件，选择10 000次随机置换次数，得到黄河流域减污降碳协同治理效率空间关联结构与6个驱动因素之间的QAP相关性分析结果，见表 8. 黄河流域减污降碳协同治理效率空间关联结构与驱动因素之间的相关关系系数均大于0，且均在1%水平下显著，表明这6个驱动因素是推动黄河流域减污降碳协同治理效率的空间外溢及空间网络关联形成和发展的重要力量，为该研究的全过程治理视角下理论探讨提供了经验证据.
|
|
表 8 QAP相关性分析结果1） Table 8 Results of QAP correlation analysis |
2.2.2 QAP回归分析
本文选择10 000次随机置换次数，进一步对黄河流域减污降碳协同治理效率空间关联网络演变的驱动因素进行QAP回归分析，回归结果见表 9.
|
|
表 9 QAP回归分析结果 Table 9 Results of QAP regression analysis |
第一，“源头防控”维度的产业结构合理化差异和清洁能源代替差异显著水平分别为0.038和0.002. 产业结构合理化差异系数在5%水平上显著为正，表明产业结构合理化差异的扩大有助于黄河流域减污降碳协同治理效率空间关联网络的形成和发展，通过产业结构调整，产业结构合理化程度越高. 各地通过充分利用资源的比较优势，形成独特标志的产业，有助于不同区域产业之间互补与合作，形成黄河流域上中下游产业链，从而促进黄河流域城际间减污降碳协同治理效率空间关联网络的形成和发展，通过加强城际间的绿色知识和技术等要素的溢出，提升黄河流域整体减污降碳协同治理效率；清洁能源代替差异的回归系数在1%水平上显著为正，表明清洁能源代替差异越大，城际间越易产生减污降碳协同治理效率的空间关联，主要原因是清洁能源代替差异扩大，加剧了城际间的资源差距，从而更容易导致资源的溢出和吸收.
第二，“过程控制”维度的绿色工艺创新差异和能源利用率差异显著水平分别为0.073和0.258. 绿色工艺创新差异系数在10%水平上显著为正，表明生产过程中的绿色工艺创新差异对黄河流域减污降碳协同治理效率空间关联网络发展具有显著的溢出效应. 原因在于绿色创新水平低的城市更趋向于与高水平城市合作，高水平城市发挥“增长极”作用，形成“极化-涓滴效应”，从而打破了地域和行业壁垒，加速资源共享、交流学习，促进了空间网络中的创新技术和知识等要素的溢出和流动；能源利用率差异系数为正但不显著，说明能源利用率差异对黄河流域减污降碳协同治理效率空间关联网络发展没有显著影响，原因可能是当前黄河流域经济发展对能源的刚需较大，其能源利用率较为稳定.
第三，“末端阻断”维度的环境保护税差异和环境规制差异显著水平分别为0.433和0.001. 环境保护税差异系数为负但未通过显著性检验，说明其城际间差异尚不能显著影响黄河流域减污降碳协同治理效率空间关联网络的发展；环境规制差异系数在1%水平上显著为正，表明环境规制差异的扩大有助于黄河流域减污降碳协同治理效率空间关联网络的形成和发展，原因可能在于“污染天堂假说”，在环境和总量约束下，环境规制严格的城市，往往会将污碳排放向环境规制强度较低的城市转移，从而加速黄河流域减污降碳协同治理效率空间关联网络发展.
3 讨论 3.1 实践启示（1）重视区域异质性，完善协同机制. 本研究发现，黄河流域整体网络密度和各项中心度均呈现“下游 > 中游 > 上游”的态势，网络发展具有不均衡性. 各级政府在制定黄河流域减污和降碳协同发展相关政策时，应注意黄河流域上游、中游和下游在空间上的关联关系，可以从上游和中游地区入手，突破地理邻近发展模式，提升上游和中游地区的网络规模，通过充分发挥下游地区的“涓滴效应”，创造更多减污降碳协同治理关联通道，加快技术、知识和数据等要素的流动与分享，形成辐射带动上中下游均衡发展的效率网络，进一步优化整体效率空间网络.
（2）注重区域内协调发展. 本研究发现，区域内部差异依然较大. 在制定地区发展政策时，政府不仅要考虑提升在网络中处于“中心地位”城市的减污降碳协同治理效率，而且还要采取措施提升处于网络边缘地带城市的减污降碳协同治理效率. 例如，通过缩小城市间经济发展水平差异和提升交通便利等方式，加强中心城市与边缘城市的互联互通，打破“马太效应”，推动黄河流域整体向去中心化趋势、扁平化趋势发展，进一步缩小区域内差异，使网络连接更加紧密，推动黄河流域减污降碳协同治理效率在上游、中游和下游地区均衡发展.
（3）按板块特征因城施策. 本研究发现，板块间融合效果较差，板块间未形成良好的循环传递框架. 板块划分并未完全遵守上中下游的分类方式，一方面，政府应根据各板块的特征，因地制宜，重点巩固双向溢出和净溢出板块的中心地位，优化其生产结构和能源结构，提升绿色技术创新水平，推进清洁化生产，辐射带动低效率城市减污降碳协同发展；另一方面，经纪人板块仅对净受益板块产生效率溢出，政府应通过不断提升其内部城市的减污和降碳潜能，加强板块的中介作用，增加该板块与其他板块的关联程度，更好地发挥“桥梁”作用.
（4）基于全过程治理视角，提升网络关联. 本研究发现，产业结构合理化差异、清洁能源代替差异、绿色工艺创新差异和环境规制差异对黄河流域减污降碳协同治理效率空间关联产生重要影响. 各级政府应针对黄河流域减污降碳协同治理效率空间网络演变的驱动因素制定相关政策，促进各地区充分利用自身特点和优势，扩大城际间产业结构合理化、清洁能源代替、绿色工艺创新和环境规制的差距，加速减污和降碳协同发展，在提升整体空间关联网络密度的同时，推动边缘城市发展.
3.2 不足与展望虽然本文对减污降碳协同治理效率和其网络关联强度进行测度和分析，并根据实际情况提出了差异化发展战略，具有较强的理论及实践意义，但仍存在一定局限性：第一，本文以黄河流域77个地级市的11 a面板数据作为研究对象，后续研究可尽量增加样本量，以及加入其与长江流域的对比分析，根据具体特征，提出更加适用的指导意见；第二，本文选取源头防控的“产业结构合理化、清洁能源代替”、过程控制的“绿色工艺创新、能源利用率”和末端阻断的“环境保护税、环境规制”6个变量作为驱动因素，探索了其对黄河流域减污降碳协同治理效率空间关联网络的作用机制，后续可以尝试纳入其他变量，充分揭示黄河流域减污降碳协同治理效率空间关联网络的驱动因素.
4 结论（1）从时空演变特征来看，研究期内黄河流域减污降碳协同治理效率提升明显，位于高效率以及较高效率水平的城市数量明显增多，但区域内和区域间差异仍然较大.
（2）从整体网络层面来看，研究期内黄河流域减污降碳协同治理效率网络发展具有不均衡特性. 黄河流域整体网络密度呈现“下游 > 中游 > 上游”的态势，下游地区网络密度明显提升且网络联动性较优，上游地区网络密度提升甚微且内部联动性较低.
（3）从个体网络层面来看，黄河流域减污降碳协同治理效率网络节点特征明显，度数中心度、接近中心度和中间中心度均呈现“下游 > 中游 > 上游”的格局，上游地区网络中心性最差，下游地区新乡市和济南市等城市节点成为网络中心城市，区域内和区域间差异仍存在.
（4）从聚类网络层面来看，板块间融合效果较差，未产生双向传导关系，板块间尚未形成良好的循环传递框架. 板块一主要向板块二和板块三进行减污降碳协同治理效率传导，板块二对板块三仅存在单向传导关系，板块三仅接收来自板块一、二和四的效率溢出，板块四仅对板块三存在单向传导关系.
（5）从QAP回归来看，产业结构合理化差异、清洁能源代替差异、绿色工艺创新差异和环境规制差异对黄河流域减污降碳协同治理效率空间关联均产生显著正向影响.
| [1] | Wu H, Fang S M, Zhang C, et al. Exploring the impact of urban form on urban land use efficiency under low-carbon emission constraints: a case study in China's Yellow River Basin[J]. Journal of Environmental Management, 2022, 311. DOI:10.1016/j.jenvman.2022.114866 |
| [2] |
刘伟明. 环境污染的治理路径与可持续增长: "末端治理"还是"源头控制"?[J]. 经济评论, 2014(6): 41-53, 77. Liu W M. Environmental pollution, abatement path and sustainable growth: "End-of-Pipe Control" or "Source Control"?[J]. Economic Review, 2014(6): 41-53, 77. |
| [3] | Chen Y Y, Yao Z Y, Zhong K. Do environmental regulations of carbon emissions and air pollution foster green technology innovation: evidence from China's prefecture-level cities[J]. Journal of Cleaner Production, 2022, 350. DOI:10.1016/j.jclepro.2022.131537 |
| [4] |
张瑜, 孙倩, 薛进军, 等. 减污降碳的协同效应分析及其路径探究[J]. 中国人口·资源与环境, 2022, 32(5): 1-13. Zhang Y, Sun Q, Xue J J, et al. Synergistic effects of pollution control and carbon reduction and their pathways[J]. China Population, Resources and Environment, 2022, 32(5): 1-13. |
| [5] | Nam K M, Waugh C J, Paltsev S, et al. Carbon co-benefits of tighter SO2 and NOx regulations in China[J]. Global Environmental Change, 2013, 23(6): 1648-1661. DOI:10.1016/j.gloenvcha.2013.09.003 |
| [6] | Xian B T, Xu Y L, Chen W, et al. Co-benefits of policies to reduce air pollution and carbon emissions in China[J]. Environmental Impact Assessment Review, 2024, 104. DOI:10.1016/j.eiar.2023.107301 |
| [7] |
陈小龙, 狄乾斌, 梁晨露. 城市群减污降碳与经济高质量发展的耦合及交互响应关系[J]. 环境科学, 2024, 45(11): 6313-6325. Chen X L, Di Q B, Liang C L. Coupling relationship and interactive response between pollution control & carbon emission reduction and high-quality economic development in China's urban agglomerations[J]. Environmental Science, 2024, 45(11): 6313-6325. DOI:10.3969/j.issn.1000-6923.2024.11.041 |
| [8] |
康哲, 李巍, 刘伟. 黄河流域城市群工业减污降碳影响因素与策略[J]. 中国环境科学, 2023, 43(4): 1946-1956. Kang Z, Li W, Liu W. Influencing factors and promoting measures of industrial pollution abatement and carbon reduction of the city clusters in the Yellow River Basin[J]. China Environmental Science, 2023, 43(4): 1946-1956. |
| [9] | Du W J, Li M J. Assessing the impact of environmental regulation on pollution abatement and collaborative emissions reduction: micro-evidence from Chinese industrial enterprises[J]. Environmental Impact Assessment Review, 2020, 82. DOI:10.1016/j.eiar.2020.106382 |
| [10] |
刘华军, 乔列成, 郭立祥. 减污降碳协同推进与中国3E绩效[J]. 财经研究, 2022, 48(9): 4-17, 78. Liu H J, Qiao L C, Guo L X. Coordinated promotion of pollution and carbon reduction and China's 3E performance[J]. Journal of Finance and Economics, 2022, 48(9): 4-17, 78. |
| [11] | Duman Z, Mao X Q, Cai B F, et al. Exploring the spatiotemporal pattern evolution of carbon emissions and air pollution in Chinese cities[J]. Journal of Environmental Management, 2023, 345. DOI:10.1016/j.jenvman.2023.118870 |
| [12] | Wu L Y, He Y H, Tan Q, et al. Land-use simulation for synergistic pollution and carbon reduction: scenario analysis and policy implications[J]. Journal of Environmental Management, 2024, 356. DOI:10.1016/j.jenvman.2024.120603 |
| [13] |
刘茂辉, 岳亚云, 刘胜楠, 等. 基于STIRPAT模型天津减污降碳协同效应多维度分析[J]. 环境科学, 2023, 44(3): 1277-1286. Liu M H, Yue Y Y, Liu S N, et al. Multi-dimensional analysis of the synergistic effect of pollution reduction and carbon reduction in Tianjin based on the STIRPAT model[J]. Environmental Science, 2023, 44(3): 1277-1286. DOI:10.3969/j.issn.1000-6923.2023.03.029 |
| [14] | Zhu J P, Wu S H, Xu J B. Synergy between pollution control and carbon reduction: China's evidence[J]. Energy Economics, 2023, 119. DOI:10.1016/j.eneco.2023.106541 |
| [15] |
易兰, 杨田恬, 杜兴, 等. 减污降碳协同路径研究: 典型国家驱动机制及对中国的启示[J]. 中国人口·资源与环境, 2022, 32(9): 53-65. Yi L, Yang T T, Du X, et al. Collaborative pathways of pollution reduction and carbon abatement: typical countries' driving mechanisms and their implications for China[J]. China Population, Resources and Environment, 2022, 32(9): 53-65. |
| [16] |
张雪纯, 曹霞, 宋林壕. 碳排放交易制度的减污降碳效应研究——基于合成控制法的实证分析[J]. 自然资源学报, 2024, 39(3): 712-730. Zhang X C, Cao X, Song L H. The effect of pollution control and carbon reduction of the carbon emission trading system: an empirical analysis based on the synthetic control method[J]. Journal of Natural Resources, 2024, 39(3): 712-730. |
| [17] |
宋德勇, 陈梁, 王班班. 环境权益交易如何实现减污降碳协同增效: 理论与经验证据[J]. 数量经济技术经济研究, 2024, 41(2): 171-192. Song D Y, Chen L, Wang B B. How environmental trading achieve the synergistic effects of pollution and carbon reduction: theoretical and empirical evidence[J]. Journal of Quantitative & Technological Economics, 2024, 41(2): 171-192. |
| [18] | Xie Y, Liu X R, Li D Y, et al. Health and economic benefits of reducing air pollution embodied in GBA's green and low-carbon development[J]. Urban Climate, 2023, 52. DOI:10.1016/j.uclim.2023.101755 |
| [19] |
丁凡琳. 减污降碳协同治理工具选择对居民幸福感的影响——基于三部门均衡模型与中国家庭追踪调查数据库[J]. 暨南学报(哲学社会科学版), 2023, 45(11): 98-113. Ding F L. The selection of the coordination of pollution and carbon emission reduction tools and its impacts on residents' happiness based on CFPS data[J]. Jinan Journal (Philosophy & Social Sciences), 2023, 45(11): 98-113. |
| [20] |
李红霞, 郑石明, 要蓉蓉. 环境与经济目标设置何以影响减污降碳协同管理绩效?[J]. 中国人口·资源与环境, 2022, 32(11): 109-120. Li H X, Zheng S M, Yao R R. How do environmental and economic goal-settings affect the synergistic performance of air pollution and carbon reduction?[J]. China Population, Resources and Environment, 2022, 32(11): 109-120. DOI:10.12062/cpre.20220917 |
| [21] | Zhou Z X, Sun X R, Zhang X T, et al. Inter-regional ecological compensation in the Yellow River Basin based on the value of ecosystem services[J]. Journal of Environmental Management, 2022, 322. DOI:10.1016/j.jenvman.2022.116073 |
| [22] |
李春梅, 沈文科, 苏颖喆. 黄河流域限制开发区的绿色发展效率及其影响因素[J]. 中国人口·资源与环境, 2023, 33(8): 157-165. Li C M, Shen W K, Su Y Z. Green development efficiency and its influencing factors in restricted development zones in the Yellow River Basin[J]. China Population, Resources and Environment, 2023, 33(8): 157-165. |
| [23] | Yang X H, Yang X Y, Zhu J G, et al. Synergic emissions reduction effect of China's "Air Pollution Prevention and Control Action Plan": benefits and efficiency[J]. Science of the Total Environment, 2022, 847. DOI:10.1016/j.scitotenv.2022.157564 |
| [24] |
唐晓华, 张欣钰, 李阳. 中国制造业与生产性服务业动态协调发展实证研究[J]. 经济研究, 2018, 53(3): 79-93. Tang X H, Zhang X J, Li Y. Dynamic coordination development in China's manufacturing and manufacturing-related service industries[J]. Economic Research Journal, 2018, 53(3): 79-93. |
| [25] |
陆敏, 徐好, 陈福兴. "双碳"背景下碳排放交易机制的减污降碳效应[J]. 中国人口·资源与环境, 2022, 32(11): 121-133. Lu M, Xu H, Chen F X. Pollution and carbon reduction effects of the carbon emissions trading mechanism in the context of the 'dual carbon' goals[J]. China Population, Resources and Environment, 2022, 32(11): 121-133. |
| [26] |
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, Lü 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. |
| [27] |
马光荣, 程小萌, 杨恩艳. 交通基础设施如何促进资本流动——基于高铁开通和上市公司异地投资的研究[J]. 中国工业经济, 2020(6): 5-23. Ma G R, Cheng X M, Yang E Y. How does transportation infrastructure affect capital flows——a study from high-speed rail and cross-region investment of listed companies[J]. China Industrial Economics, 2020(6): 5-23. |
| [28] |
吉雪强, 张跃松. 长江经济带种植业碳排放效率空间关联网络结构及动因[J]. 自然资源学报, 2023, 38(3): 675-693. Ji X Q, Zhang Y S. Spatial correlation network structure and motivation of carbon emission efficiency in planting industry in the Yangtze River Economic Belt[J]. Journal of Natural Resources, 2023, 38(3): 675-693. |
| [29] | 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 |
| [30] |
孙慧, 邓又一. 环境政策"减污降碳"协同治理效果研究——基于排污费征收视角[J]. 中国经济问题, 2022(3): 115-129. Sun H, Deng Y Y. The effect of "Reducing Pollution and Carbon Emissions" in environmental policy: a study based on the perspective of pollution fee collection[J]. China Economic Studies, 2022(3): 115-129. |
| [31] | 新华社. 中共中央国务院关于深入打好污染防治攻坚战的意见[N]. 人民日报, 2021-11-08(01). |
| [32] | Zhu B Z, Zhang M F, Zhou Y H, et al. Exploring the effect of industrial structure adjustment on interprovincial green development efficiency in China: a novel integrated approach[J]. Energy Policy, 2019, 134. DOI:10.1016/j.enpol.2019.110946 |
| [33] |
张颖, 周丽. 用能权交易政策对地区产业结构优化升级的影响[J]. 中国人口·资源与环境, 2024, 34(1): 71-83. Zhang Y, Zhou L. Impact of energy-consuming right trading policy on the optimization and upgrading of regional industrial structure[J]. China Population, Resources and Environment, 2024, 34(1): 71-83. |
| [34] | Shahbaz M, Li J M, Dong X C, et al. How financial inclusion affects the collaborative reduction of pollutant and carbon emissions: the case of China[J]. Energy Economics, 2022, 107. DOI:10.1016/j.eneco.2022.105847 |
| [35] |
王慧, 孙慧, 肖涵月, 等. 碳达峰约束下减污降碳的协同增效及其路径[J]. 中国人口·资源与环境, 2022, 32(11): 96-108. Wang H, Sun H, Xiao H Y, et al. Synergistic effects and paths of pollution and carbon reduction under the constraint of carbon peak goal[J]. China Population, Resources and Environment, 2022, 32(11): 96-108. |
| [36] |
王锋正, 姜涛, 郭晓川. 政府质量、环境规制与企业绿色技术创新[J]. 科研管理, 2018, 39(1): 26-33. Wang F Z, Jiang T, Guo X C. Government quality, environmental regulation and green technological innovation of enterprises[J]. Science Research Management, 2018, 39(1): 26-33. |
| [37] |
陈钊, 陈乔伊. 中国企业能源利用效率: 异质性、影响因素及政策含义[J]. 中国工业经济, 2019(12): 78-95. Chen Z, Chen Q Y. Energy efficiency of Chinese firms: heterogeneity, influencing factors and policy implications[J]. China Industrial Economics, 2019(12): 78-95. |
| [38] |
曹宏斌, 赵赫, 赵月红, 等. 工业生产全过程减污降碳: 方法策略与科学基础[J]. 中国科学院院刊, 2023, 38(2): 342-350. Cao H B, Zhao H, Zhao Y H, et al. Pollution control and carbon reduction in whole industrial process: method, strategy and scientific basis[J]. Bulletin of Chinese Academy of Sciences, 2023, 38(2): 342-350. |
| [39] | Cheng Z H, Li X. Do raising environmental costs promote industrial green growth? A quasi-natural experiment based on the policy of raising standard sewage charges[J]. Journal of Cleaner Production, 2022, 343. DOI:10.1016/j.jclepro.2022.131004 |
| [40] |
汪辉平, 刘佩玲. 中国城市绿色创新网络结构特征及对碳排放的影响[J]. 环境科学, 2025, 46(3): 1450-1461. Wang H P, Liu P L. Network structural characteristics of China's urban green innovation and its impact on carbon emissions[J]. Environmental Science, 2025, 46(3): 1450-1461. |
| [41] |
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. |
| [42] |
李敬, 陈澍, 万广华, 等. 中国区域经济增长的空间关联及其解释——基于网络分析方法[J]. 经济研究, 2014, 49(11): 4-16. Li J, Chen S, Wan G H, et al. Study on the spatial correlation and explanation of regional economic growth in China——based on analytic network process[J]. Economic Research Journal, 2014, 49(11): 4-16. |
| [43] |
武宵旭, 任保平, 葛鹏飞. 黄河流域技术创新与绿色发展的耦合协调关系[J]. 中国人口·资源与环境, 2022, 32(8): 20-28. Wu X X, Ren B P, Ge P F. Coupling and coordinating relationship between technological innovation and green development in the Yellow River Basin[J]. China Population, Resources and Environment, 2022, 32(8): 20-28. |
| [44] | Li J S, Sun W, Li M Y, et al. Coupling coordination degree of production, living and ecological spaces and its influencing factors in the Yellow River Basin[J]. Journal of Cleaner Production, 2021, 298. DOI:10.1016/j.jclepro.2021.126803 |
| [45] |
王锋, 葛星. 低碳转型冲击就业吗——来自低碳城市试点的经验证据[J]. 中国工业经济, 2022(5): 81-99. Wang F, Ge X. Can low-carbon transition impact employment——empirical evidence from low-carbon city pilot policy[J]. China Industrial Economics, 2022(5): 81-99. |
| [46] |
吴雪萍, 邱文海. 用能权交易制度的减污降碳协同效应分析[J]. 环境科学, 2024, 45(8): 4627-4635. Wu X P, Qiu W H. Analysis of the synergistic effects of energy consumption permit trading scheme on pollution reduction and carbon abatement[J]. Environmental Science, 2024, 45(8): 4627-4635. |