城市建设用地碳排放效率空间关联网络特征及影响因素分析——以山东省为例

张 苗，周 扬

（1.山东农业大学 经济管理学院，山东 泰安 271018；2.济南市勘察测绘研究院，山东 济南 250101）

0 引言

党的十九届五中全会强调了推动绿色低碳发展、全面提高资源利用效率的发展目标。以可持续的方式保护、恢复和管理土地，有助于实现净零排放目标以及适应气候变化的影响。低碳发展的实质就是要提高资源和能源的利用效率［1］，土地具备资源和要素双重属性，是一种不可流动的资源要素，同时对于流动的资本和劳动力等生产要素会产生不同的“引力”，带动了能源的传递和流通，在土地利用类型转变和土地作为经济发展载体的过程中，带来了大量的碳排放［2，3］，提高土地利用效率成为土地利用碳减排的重要途径之一。研究表明，不考虑碳排放的土地利用效率测算会高估土地利用的实际生产率［4］，近年来关于土地利用效率的测算研究多将碳排放纳入考虑，实现了将碳排放作为投入指标［5］到非期望产出指标［6］的转换，测算方法也不断改进，包括结合Bootstrap 技术的Malmquist 指数方法［7］、基于DEA模型改进的SBM模型［6，8］、Hicks-Moorsteen生产指数法［4，9］等非参数方法，研究对象聚焦到承载碳排放最大产出的建设用地上来［9，10］。相关基础研究不断完善的同时，土地利用碳排放效率的区域差异、动态演进及其影响因素成为探寻提升土地利用效率的主流研究，学者们采用核密度估计及空间计量［11］、空间相关性［10］、Tobit回归模型法［8］等方法基于“属性数据”对不同空间尺度的土地利用碳排放效率进行空间量化与表达，“属性数据”是指反映每个研究单元自身性质的数据，与其他研究单元的相应数据无关。事实上不论是土地利用还是碳排放都存在较强的空间互动性，空间互动的结果是土地资源禀赋、政府政策调控以及市场化机制等因素的综合作用，这也决定了“属性数据”的数值，因此基于“属性数据”的土地利用碳排放效率研究并不能从全局的视角来反映其空间分布特征以及寻求造成此特征的影响因素，基于此，本文采用能够反映研究单元之间差异的“关系数据”来刻画建设用地碳排放效率的整体网络特征。虽然已有研究基于“关系数据”［12］对土地利用碳排放的空间网络结构进行分析［13］，但仍缺乏土地利用碳排放效率空间关联网络整体结构及其影响因素的深化分析，难以为区域土地利用碳排放效率的协同提升提供决策支持。社会网络分析法在能源消费［14］、经济增长［15］、碳排放［16］、绿色经济效率［17］、交通碳排放效率［18］等资源环境经济领域得到了越来越广泛的应用，提供了基于“关系数据”的全局视角对某一研究对象空间网络特征的刻画方法。

山东省作为碳排放大省，碳排放总量稳居全国前三，实现“双碳”目标面临更大压力。同时，作为全国首个以新旧动能转换为主题的区域发展战略试点省份，在“腾笼换鸟”之际，面临着优化土地资源配置效率和提升建设用地利用效率的双重难题。最后，山东省是以济南和青岛为双核心发展的省份同时包含了一个山东半岛城市群，城市的功能定位和资源获取能力差异明显，易导致城市之间显著的溢出效应，适合作为本文的研究样本区域。综上，本文建立以“土地利用效率经典指标＋非期望产出碳排放”的指标体系，采用SBM模型测算了山东省17 个地市2003—2019 年的建设用地碳排放效率值，借助社会网络分析法探讨其空间关联网络特征及影响因素。

1 研究方法与数据来源

1.1 非期望产出模型

SBM（slack based measure）模型在碳排放作为非期望产出的建设用地效率测算中得到了广泛运用［6，10］，主要优点在于解决了径向DEA模型对无效率的测量无法包含松弛变量的问题，同时能将碳排放作为非期望产出纳入模型，SBM模型作为非导向模型，能够满足本文获得各城市建设用地碳排放效率值的分析目的，故本文采用Tone 定义的［19］包含非期望产出的SBM模型［20］。

1.2 社会网络分析法

社会网络分析［12］（social network analysis，SNA）以关系数据为研究对象，采用图论和矩阵方法描述关系模式并探究这些关系模式对结构中成员或整体的影响。社会网络分析法能够满足本文对“资本”和“劳动力”等流动性稀缺资源在非流动性稀缺资源“建设用地”上配置效率的空间网络结构特征的研究需求，同时又能探究造成这种空间网络结构特征的影响因素，故本文采用社会网络分析法，通过修正的引力模型构建山东省建设用地碳排放效率二值矩阵，运用中心性分析描述山东省地级市建设用地碳排放效率的空间网络特征，通过二次指派程序QAP（quardratic assignment procedure）探究形成空间关联网络结构的影响因素。

1.2.1 空间关联矩阵构建

关系的确定既是构建山东省建设用地利用碳排放效率空间关联网络的基础，也是量化网络结构特征的关键。考虑到揭示山东省建设用地碳排放效率空间关联网络动态演进特征的研究目的，以及某个城市出现效率值连续为1 造成近奇异矩阵而无法建立正常二值矩阵的可能性，本文参考相关文献［17］采用修正的引力模型构建山东省建设用地碳排放效率的空间关联矩阵，具体公式如下：

式中：Yij为城市i、j之间的建设用地碳排放效率的关联强度；Ei和Ej分别为城市i、j 的建设用地碳排放效率值；Ei/（Ei＋Ej）为计算的引力系数；Dij为城市间的地理距离；gi和gj为城市i、j的人均GDP，两者差值为城市i、j 间的经济距离。以矩阵的行均值作为阈值，若引力值大于阈值则取值为1，表示两个城市之间存在建设用地碳排放效率空间关联，反之取0，表示不存在关联，最终得到建设用地碳排放效率空间关联矩阵G。

1.2.2 基于QAP的回归分析

QAP是一种用来检验关系矩阵之间关系的非参数检验方法，避免了常规参数检验法检验属性变量之间的内生性问题。本文主要采用QAP 的回归分析研究自变量矩阵对建设用地碳排放效率空间关联矩阵（因变量矩阵）的回归关系，解读自变量差异矩阵的显著性，以此揭示山东省建设用地碳排放效率空间关联网络特征的影响因素。

区域差异是影响空间关联紧密程度的重要原因［15，21］，影响建设用地碳排放效率空间关联网络的自变量矩阵选取如下：①现有文献中关于碳排放效率、碳排放的空间网络分析［16，18］都将地理邻近和经济发展水平差异纳入首要影响因素，结合建设用地碳排放效率空间关联结构的个体网络特征和块模型分析，将地理邻近和经济发展水平差异作为检验的影响因素；②建设用地作为不可流动的“稀缺资源”，土地资源禀赋差异和建设用地配置差异可能是导致地区间建设用地碳排放效率差异的基础因素，而资本、劳动力等“流动资源”在建设用地上的投入差异可能是影响建设用地碳排放效率差异的动态可控因素；③城市化、产业结构和环境规制等作为传统而被广泛证实的影响碳排放的主要因素，在对非期望产出约束的条件下，应被考虑为影响建设用地碳排放效率差异的因素。因此，本文基于影响建设用地碳排放效率的因素差异关系作为自变量矩阵，检验其对建设用地碳排放效率空间关联网络结构影响的显著性。

综上，建立以为地理邻近（GN）、经济发展差异（GDP）、土地利用结构差异（LS）、土地利用强度差异（LI）、城镇化差异（CR）、产业结构差异（IS）、环境规制差异（ER）等因素为自变量矩阵，以G为因变量矩阵的计量模型如下：

1.3 数据来源

1.3.1 指标选取与指标矩阵构建

效率测度指标。采用土地利用效率经典指标与非期望产出碳排放相结合作为构建评价指标体系思路，同时考虑到建设用地这一限定的土地利用类型，采用建设用地面积（市辖区）将指标进行“地均化”，资本投入采用地均固定资本存量，劳动力投入采用二三产业就业人数，期望产出采用地均二三产业产值，非期望产出采用地均碳排放。其中，固定资本存量的测算方法采用张军的计算方法［22-23］，以2003年为基期。

网络特征刻画指标。借鉴已有文献［14，16，17］，采用网络关系数、网络密度、关联度、网络效率和网络等级来刻画山东省建设用地碳排放效率的整体网络特征；采用点入度、点出度、度数中心度、中介中心度和接近中心度来刻画其个体网络特征；并采用块模型分析对城市进行分类。限于篇幅，具体指标含义参见文献［12］。其中，本文建立的建设用地碳排放效率空间网络是有向的，故度数中心度和接近中心度有入度和出度之分；块模型的划分借鉴沃瑟曼等开发的评价内部关系的指标体系［16］。

QAP回归分析指标矩阵。因变量矩阵G 的构建同1.2.1 节所述，自变量指标含义和矩阵构建如表1 所示。

表1 山东城市建设用地碳排放效率空间关联网络QAP回归分析自变量指标Table 1 Independent indicators of the QAP regression analysis of the spatial correlation of the CLCEE in Shandong Province

1.3.2 数据来源及说明 除碳排放和地理距离数据外，所有指标数据来源于《中国城市统计年鉴》（2004—2020）、《山东省统计年鉴》（2004—2020）等年鉴，根据指标定义直接或间接测算获得。2019 年1 月1 日，莱芜划归济南，2019 年莱芜数据和其他缺省数据以插值法补齐，并将济南市2019 年数据剔除莱芜部分，以此保证研究时期内样本数量的一致性和数据的连续性。涉及资本和GDP产值的数据均以2003 年为基期进行修正，自变量矩阵数据的量纲不会对结果造成影响，故未进行标准化处理。地理距离数据是根据城市经纬度采用Matlab计算而得。

受制于原始数据的可得性以及碳排放系数法的简单有效性，城市级的碳排放数据的获取则无法用传统的排放系数法计算。有学者尝试使用夜间灯光数据进行反演模拟市级或其以下行政区的碳排放足迹［25-28］。但其方法过分依赖于灯光数据及其与CO2排放之间的相关性，还有灯光数据本身存在的固有缺陷（过饱和、背景噪声和不连续等）导致其应用场景无法被广泛接受。本文采用由Oda 等团队推演的开源人为碳排放空间网格月度数据集（ODIAC）［29］，在对其数据进行验证比对之后，发现是目前为止国际上做的比较好的数据集之一。本研究对其裁剪、合成和抽取出中国碳排放年度Excel 和栅格数据，数据集自动遵守CC BY 4.0 许可协议，官方网站（ODIAC Fossil fuel emission dataset），故本文采用的碳排放数据为化石燃料燃烧产生的CO2排放量的空间网格化数据。

2 结果及分析

2.1 空间关联网络特征

2.1.1 空间分布格局

基于SBM 模型采用Maxdea Ultra 软件计算得出山东省17 个地市2003—2019 年建设用地碳排放效率值，从均值来看，效率值由2003 年的0.462 到2019 年的0.592，意味着山东省市域层面建设用地碳排放效率不断提高优化。限于篇幅，选取2003年、2009 年、2015 年和2019 年作为分析年份，将效率值分为有效（数值为1）、高效率值和低效率值（以0.5 为界）共计三类绘制空间分布格局图（图1）。

图1 2003—2019 年山东省建设用地碳排放效率空间分布格局Figure 1 Spatial distribution of the CLCEE in Shandong Province，2003 -2019

由图1 可知，效率时序变化视角，建设用地碳排放效率有效和高效城市的数量增加，2003—2019 年山东省建设用地碳排放效率呈现升高趋势。空间方位变化视角，2003—2019 年建设用地碳排放效率有效和高效率值城市由西向东逐渐蔓延涵盖山东半岛城市群，除潍坊市外，2019 年山东半岛城市群的城市全部为高效率城市，包括新旧动能转换综合试验区的三大核心城市——济南、青岛和烟台。值得关注的是，东营市是4 个年份中效率值均为1 的城市，意味着建设用地碳排放效率一直领先。

2.1.2 整体网络特征

采用Ucinet 6.740 软件计算得到网络关系数、关联度、网络密度、网络等级度和网络效率等指标，保持与空间分布格局年份分析的一致性，选取代表年份绘制空间关联网络图（图2）和2003—2019 年整体网络特征指标趋势图（图3）。

图2 2003—2019 年山东省建设用地碳排放效率的空间关联网络Figure 2 Spatial correlation network of the CLCEE in Shandong Province，2003 -2019

图3 2003—2019 年山东省建设用地碳排放效率的整体网络特征Figure 3 Overall network characteristics of the CLCEE in Shandong Province，2003 -2019

其中，2003—2019 年山东省建设用地碳排放效率网络关联度均为1，表明山东省建设用地碳排放效率的空间关联网络结构具有较好的联通性和稳健性，所有地级市均处于空间关联网络当中，存在明显的空间关联和溢出效应。由图2 可知，山东省建设用地碳排放效率的空间关联呈现出较为典型的日趋复杂的网络结构形态，非邻近地市突破传统的地理空间限制而产生跨区域联动效应，逐渐形成以济南、东营、青岛为核心点的核心—边缘的空间结构特征。

由图3 可知：①网络密度从2003 年的0.199 上升到2019 年的0.232，网络关系数由2003 年的53个增加到2019 年的63 个，两者总体上呈现波动上升趋势，表明投入在建设用地上的资本、人才等要素的空间流动性不断增强，城市之间建设用地产出的联系日益紧密。但在样本考察期内，网络密度值相对较低，关联网络的紧密程度并不高，表明建设用地碳排放效率的空间互动和溢出效应仍然薄弱，协同提高建设用地碳排放效率存在较大空间。②网络等级度由2003 年的0.548 波动下降至2019 年0.222，表明山东省建设用地碳排放效率不存在等级森严的现象，呈现“扁平化”特征的等级结构，网络结构逐步优化，表现为多个城市在网络中起到主导和支配地位，发挥出影响力。③网络效率从2003 年的0.792略微降低到2019 年的0.758，反映出关联网络中存在较多的溢出渠道，建设用地碳排放效率网络结构的稳定性逐渐增强。

2.1.3 个体网络特征

考虑到政策制定参考信息的时效性和个体网络特征的相对稳定性，以2019 年为例分析中心性指标，以各个指标均值作为评价标准，叙述顺序体现排序（表2）。由度数中心度来看，东营、济南、青岛、枣庄和莱芜等城市的点入度高于点出度，且点入度高于均值，表明这些城市具有较高的“声望”和吸引力，集中接受其他城市的效率溢出。总体来看，东营、青岛、枣庄、济南、烟台和莱芜6 个城市具有较高的相对度数中心度，处于核心主导地位。具体来看，济南和青岛作为山东省的双核心，经济发展并驾齐驱，东营作为国务院批复的黄河三角洲中心城市和中国重要的石油基地，烟台作为国务院批复的山东半岛中心城市，两者都为环渤海经济区的重要节点，莱芜归属济南后，在经济地理位置上占据优势，而枣庄作为国务院批复确定的山东省重要的现代煤化工、能源、建材和机械制造基地，新兴科技创新基地，是鲁南地区中心城市之一，上述城市均有明确的经济发展和城市功能定位，能够有效发挥资本、人才要素优势产生的“虹吸效应”，同时产生低碳技术的溢出效应，有效提高建设用地的利用效率，同时与其他城市保持较为紧密的联系。滨州、聊城和德州的度数中心度较低，从地理位置来看，3 个城市毗邻且都位于鲁西北地区，说明这些城市与其他城市空间关联关系较少，处于网络的边缘位置，自身经济发展薄弱，加之缺乏与其他城市的联系，导致建设用地碳排放效率较低，进一步地，需要加强与其他城市合作联系，以增加受益和溢出渠道。

表2 2019 年山东省建设用地碳排放效率空间关联的网络中心性指标Table 2 Network centrality of spatial correlation of the CLCEE in Shandong Province in 2019

从中介中心度来看，东营、青岛、济南、枣庄、日照、烟台和莱芜具有高于均值的中介中心度，在空间网络中扮演着“中介”和“桥梁”的作用，对于资金、人才和技术等资源要素的流动具有较强的支配力和控制力，特别是东营、青岛和济南，在网络中处于枢纽地位。而菏泽和聊城的中介中心度为0，意味着这些城市在山东省建设用地碳排放效率网络中处于“被支配”的边缘地位，对网络关联关系的控制和影响能力较弱。

从接近中心度来看，东营、枣庄、济南、莱芜、青岛、淄博、潍坊、临沂、滨州等城市具有高于均值的入接近中心度，表明这些城市具有较强的吸引力，在网络中扮演着中心行动者的角色，具有较强的资源获得能力；烟台、菏泽、聊城、威海、日照、青岛、枣庄、莱芜等城市具有高于均值的出接近中心度，反映了这些城市具有较大的辐射力；枣庄、青岛和莱芜3 个城市同时具有较高的入接近中心度和出接近中心度，表明这些城市在网络中既具有对资源要素的吸引力又能够体现在网络中的溢出效应；烟台、菏泽、聊城、威海、日照5 个城市则是较低的入接近中心度和较高的出接近中心度，意味着这些城市在网络中扮演着边缘行动者的角色，非网络的核心。

2.1.4 块模型分析

运用Concor方法，选择最大分割密度为2，收敛标准为0.2，将17 个地市划分为4 个板块，并根据表2 结果对板块特征进行界定（表3），山东省建设用地碳排放效率空间关联网络板块主要划分为净受益板块、净溢出板块和经纪人板块三大类，由成员数量来看，净受益板块和净溢出板块成员数量偏少，都只有两个城市，而其他13 个城市均属于经纪人板块，意味着山东省建设用地碳排放效率空间关联网络溢出效应更多的表现为间接而非直接效应；通过内部关系数来看，存在板块内部成员之间缺乏联系的特征。

表3 2019 年山东省建设用地碳排放效率空间关联的板块划分与特征Table 3 Plate division and characteristics of spatial correlation of the CLCEE in Shandong Province in 2019

为了更好地说明各板块之间的联系以及联系的密切程度，以2019年整体网密度0.232 作为阈值，将板块之间的密度矩阵转化为像矩阵（表4），得到群体关联图像。像矩阵对角线均为0，与板块内部成员之间缺少联系的结论相佐证，各板块之间联系更为紧密且呈现互动趋势，主要表现为板块Ⅰ和板块Ⅲ、板块Ⅰ和板块Ⅳ、板块Ⅱ和板块Ⅲ三大互动方向。

表4 山东城市建设用地碳排放效率网络结构像矩阵Table 4 Network structure matrix of the CLCEE in cities of Shandong Province

综合个体网络特征和块模型分析，将2019 年山东省17 个地级市的空间网络联系绘制为图4，将各城市的地理位置、角色划分、板块归属进行直观表达。

图4 2019 年山东城市建设用地碳排放效率空间网络群分块及内部联系Figure 4 Segmentation and internal connection of spatial network groups of the CLCEE in cities of Shandong Province in 2019

从图4 可见，板块成员以地理邻近抱团为主，如板块Ⅱ、板块Ⅲ和板块Ⅳ，也存在非地理邻近但建设用地碳排放效率较高而组团的板块，如济南和东营构成板块Ⅰ，再叠加经济发展水平差异来看，板块的划分也体现了强强联合的“马太效应”特征，比如板块Ⅰ和板块Ⅱ。综合板块划分和空间关联线，将东营、济南、枣庄、青岛和烟台等五个发送和接受关联线最多区域的市政府所在地连起来可组成一个环形，可将17 个地市分为环线内和环线外两大区域，形成了以上述5 个城市为辐射点或引力点的中心点，与上述个体网络特征城市分析相一致。接下来将分析造成上述空间关联网络特征的影响因素。

2.2 QAP影响因素分析

依据上文构建的计量模型，借助Ucinet 6.740软件采用QAP 回归分析法，对2003—2019 年的因变量矩阵和自变量矩阵逐年进行回归，设置随机置换次数为5 000，限于篇幅，本文只列2003 年、2009年、2015 年和2019 年的QAP回归分析结果（表5）。

由表5 可知，环境规制因素在整个研究期内并未表现出显著性，除地理距离差异因素外，其他影响因素的显著性随时间呈现阶段性变化。具体来看：

一是，影响因素显著性随研究期变化呈现不一致性。①经济发展差异和产业结构差异在研究期前期表现为显著的负向影响，意味着地市之间经济发展差距缩小和产业结构比例趋同有利于建设用地碳排放效率空间关联网络的形成。两者在研究后期影响不显著，原因解释为：相比于中西部省份集全省之力打造省会城市，作为东部沿海省份的山东，各地级市的经济发展和产业布局相对均衡，尤其是近五年来，多数城市有明确的城市定位，经济发展和产业布局差异逐年缩小，对建设用地碳排放效率空间关联网络的形成作用也逐步降低至后期不显著。②土地利用强度差异和土地利用结构差异分别在研究前期和研究后期表现为显著的正向影响，两者的接替同向影响也吻合土地报酬递增递减规律。研究前期，资本和劳动力等流动要素首先因“虹吸效应”在某些城市快速集聚，带来了城市间建设用地投入强度差异增大，促进了建设用地碳排放效率空间关联网络的形成。研究后期，随着流动要素在某些城市建设用地上的投入趋于饱和，土地利用投入强度差异缩小，对建设用地空间关联网络的影响变得不再显著，非流动要素建设用地的稀缺性导致具有建设用地区位熵优势的城市成为流动要素的“流向分配地”，城市之间建设用地区位熵差异越大则越有利于其空间关联网络的形成。

二是，同一影响因素随研究期变化呈现不同作用方向。城市化进程差异在研究前期表现为显著的正向影响而在研究后期表现为显著的负向影响，意味着在城市化的初级阶段，有些城市城市化起步较快，容易造成城市间的城市化差异增大，而城市化进程差异越大越有利于建设用地碳排放效率空间关联网络的形成，体现了流动要素资源的“虹吸效应”对提高建设用地碳排放效率的正向影响，而随着进入城市化后期，城市之间的城市化进程差异缩小，劳动力尤其是高素质劳动力选择城市的机会成本变小，城市化差异的缩小对于已经形成的稳定的建设用地碳排放效率空间关联网络具有巩固作用。

三是，地理距离越大则会加大形成建设用地碳排放效率空间关联网络的难度。印证了块模型分析中板块成员以地理邻近抱团为主，反映了流动资源要素和“信息流”的传递随着地理距离增加而衰减。

3 结论与启示

3.1 结论

本文以山东省17 个地级市为研究样本区域，以化石燃料燃烧产生的CO2排放量的空间网格化数据为建设用地的非期望产出，采用SBM模型测算了2003—2019 年研究样本区域的建设用地碳排放效率值，基于修正的引力模型构建了山东省建设用地碳排放效率空间关联关系矩阵，采用社会网络分析法，基于“关系数据”的全局视角探讨了山东省建设用地碳排放效率的空间关联网络特征及其影响因素。主要结论如下：①从空间分布格局来看，2003—2019 年山东省建设用地碳排放效率不断优化，建设用地碳排放效率有效和高效城市呈现出由西向东逐渐蔓延覆盖山东半岛城市群，济南、青岛和烟台等新旧动能转换先行区及黄河三角洲中心城市东营包括在内。②从整体网络特征来看，17 个地市均处于空间关联网络当中，呈现出较为典型的日趋复杂的网络结构形态，形成以济南、东营、青岛为核心点的空间结构特征。在样本考察期内，山东省建设用地碳排放效率空间网络密度值相对较低，紧密程度不高，呈现“扁平化”特征的等级结构，网络结构稳定性逐渐增强，意味着山东省市域层面协同提高建设用地碳排放效率仍存在较大空间。③从个体网络特征来看，城市在网络中获取资源要素的吸引力和输出资源要素的辐射力存在显著的差异性，导致了城市在网络中扮演角色的差异性。东营、济南、青岛等城市具有较强的“引力”，享受其他城市对它们的效率溢出效应，同时东营、青岛和济南在网络中处扮演着“中介”和“桥梁”的作用，对资金、人才和技术等资源要素的流动具有较强的支配力和控制力，青岛既具有对资源要素的吸引力又能够体现在网络中的溢出效应；相对应地，处于地理边缘的滨州、聊城、德州等城市也处于网络的边缘位置，缺乏效率受益和溢出渠道。④从块模型分析来看，板块与板块之间联系更为紧密且呈现互动趋势，板块成员以地理邻近抱团为主，佐证了个体网络特征，板块的划分体现了马太效应，呈现出受益和溢出板块城市成员少而经纪板块城市成员多的非均衡特征。⑤从影响因素来看，研究区域建设用地碳排放效率空间关联网络的形成是流动要素资源在非流动建设用地上自上而下配置和市场供需流动的综合结果。其中，地理邻近对提高建设用地碳排放效率的空间关联强度具有显著正向作用，土地利用强度和结构差异则接替表现为显著的正向影响，经济发展差异的缩小和产业结构比例的趋同对空间关联网络的影响趋于减弱，而城市化进程的差异影响则具有一定的阶段性。

3.2 启示

提升建设用地碳排放效率是减少土地利用碳排放的重要途径之一，而建设用地碳排放效率空间关联网络的紧密性和稳定性是实现建设用地碳排放效率协同提升的前提。上述研究结论为山东省协同提升城市间建设用地碳排放效率带来如下启示：①推动四大板块成员内部间的资本、劳动力和技术等要素的流动，推动以受益为主的济南东营板块和溢出为主的青岛烟台板块向双向溢出板块转型，体现山东省两大核心城市的吸引力和辐射力；打破区域间的条块分割，促进经纪板块城市成员向受益和溢出板块成员特征转型，以此增加山东省建设用地碳排放效率空间关联网络的稳定性。②协同提升城市间建设用地碳排放效率，优先考虑济南、青岛、烟台和东营等在网络中处于主导地位同时又有明确城市功能定位的城市，加强与同时处于网络边缘和地理边缘的滨州、聊城、德州、菏泽、威海、日照等城市的流动要素的互联互通，打破马太效应，增加济南和东营的溢出效应渠道，推动建设用地低碳利用的区域均衡与协调发展。③重点关注地理邻近、城市化进程相仿以及土地利用结构差异大的城市间建设用地碳排放效率的协作提升，以保持山东省建设用地碳排放效率的稳定增长。