中国省域降碳潜力空间关联网络结构特征及影响因素

丁颖辉，杨亚茹

（河北大学经济学院，河北保定 071000）

0 引言

降碳减排是实现高质量发展和中国式现代化的题中之义和必然举措。我国政府在2020 年9 月明确提出，到2030 年我国碳排放达到峰值，争取在2060年前实现碳中和。为实现这一目标，我国在《2030年前碳达峰行动方案》中进一步制定了我国碳排放强度到2025 年同2020 年相比下降18%，2030 年同2005 年相比下降65%以上的目标。在降碳目标分解到省域经济体的现实状况下，测度我国省域降碳潜力对于把握省域碳减排提升空间，制定差异化区域性降碳减排政策以如期实现各个阶段降碳目标具有重要的理论价值和现实意义。由于省域碳排放具有呈现网络特征的空间关联关系，使得省域碳排放潜力之间也存在着空间关联网络结构。分析省域降碳潜力空间网络结构特征及其影响因素，有助于深入理解省域之间降碳潜力的联动特征，为实现省域协同降碳提供科学依据和政策参考。

在碳减排潜力的相关研究方面，多数学者通过计算能源效率、构建综合评价指标体系以及对研究情境进行模拟来测算碳减排潜力。如 Xia 等［1］、Akan 等［2］通过计算能源效率来对减排潜力进行量化研究；王勇等［3］基于公平和效率构建评价指标体系，对我国碳排放主要工业及细分行业减排潜力进行评估；甘巧巧［4］通过采用自然断点法将产业分为三类，结合情景模拟法测算出在提质增效时新疆各产业的碳减排潜力。也有学者采用非参数法中的数据包络法（DEA）测度碳减排潜力。如杜春丽［5］基于DEA 理论方法，将不期望产出引入模型，对我国钢铁产业节能减排潜力进行测度研究；曾贤刚［6］将二氧化碳减排潜力定义为二氧化碳排放过剩率，而二氧化碳排放过剩率又反映了环境正影响产出不足率，并采用DEA 方法计算出我国30 个省市的环境正影响产出不足率，从而得到二氧化碳减排潜力；汪克亮等［7］选取基于投入导向的CCR-DEA 模型，测算了中国29 个省份能源利用的经济效率并度量了其环境绩效，在此基础上进一步计算得到中国各省份的节能减排潜力。上述方法的不足在于测度碳减排潜力时易忽视外部环境及随机干扰对潜力值的影响，特别是传统DEA 模型无法体现投入产出的松弛性，难以考虑非期望产出对于实际生产的影响，使得实际情况与测度结果存在偏差。因此，Tone［8］在传统DEA 模型的基础上，提出Super-SBM 模型，将非期望产出纳入模型，更好地考虑了投入、产出、非期望产出之间的关系，此后，Super-SBM 模型被广泛应用于碳排放效率及碳减排潜力的测度中。有学者从区域层面测度碳排放效率，如周迪等［9］使用Super-SBM 模型对中国29 个省的碳排放效率进行了测算，并对其碳减排潜力进行了评价。也有学者从产业层面开展相关研究，屈秋实等［10］通过构建超效率SBM 模型并求解目标函数最优值，计算出各省有色金属产业在不同生产环节的碳减排潜力。狄乾斌等［11］采用超效率SBM 模型对海洋渔业碳排放效率进行测度，利用基尼系数、泰尔指数等方法对各区域差异性作量化分析，并测算其碳减排潜力。

随着研究推进，诸多学者发现碳排放空间关联呈现复杂的网络结构形态，并通过构建空间关联网络来研究区域碳排放的空间关联特征。如邵帅等［12］在采用社会网络分析方法考察中国区域碳排放空间关联网络结构特征的基础上，利用指数随机图模型解释空间关联网络的机制及规律；钟诗雨等［13］在测度产业部门隐含碳流动量的前提下建立隐含碳流动网络，并对其网络特征和聚类特征进行分析；童磊等［14］采用引力模型，探讨不同省份间碳排放量的空间关联网络特征，认为“全国一盘棋”的联动效应显著，且碳排放的空间溢出效应在一定程度上与地理位置有关；吴玉鸣等［15］运用空间计量模型分析了中国碳排放空间关联特征；马歆等［16］通过构建中国各省份碳排放结构信息熵的空间关联网络，对各省份能源利用演化过滤以及碳排放结构的时空分布特征进行研究。由于碳排放在空间层面上受经济、产业、能源消费等多种因素影响，使得碳排放空间关联结构也会受到这些影响因素的空间关联结构影响，学界对此开展了相关研究，如卢奕亨等［17］通过运用面板Tobit 模型对农业碳排放的影响因素进行回归分析，研究认为农业碳排放受经济和社会两个层面因素的共同影响；李云燕等［18］运用GTWR模型对中国城市碳强度影响因素进行实证分析,提出能源消费结构对碳强度呈正向影响，而经济发展、产业升级、人口集聚、科技研发和外商投资对碳强度呈现抑制作用；赵红岩等［19］研究发现常住人口、城镇化率、钢材产量、平均运输里程以及建筑企业劳动生产率的提高不利于建筑碳排放降低，而人均GDP 和第三产业增加值的增加会减少建筑碳排放；徐盈之等［20］研究结果表明R&D 经费支出、高新技术产业规模和节能环保财政支出与碳排放之间存在负相关关系，城市人口规模对本省碳减排存在正向促进作用；张德钢等［21］运用社会网络分析方法对碳排放空间关联特征进行分析，并利用QAP 回归分析探讨中国碳排放空间关联的影响因素；杨桂元等［22］运用社会网络分析法探究区域碳排放空间关联关系，并基于QAP 回归对碳排放空间关联网络影响因素进行分析。

回顾既有文献，学界在碳排放效率和潜力测度、碳排放空间关联结构及其影响因素方面进行了丰富研究，但是省域降碳潜力空间关联呈现怎样的网络关联特征？基于网络关联结构，省域降碳潜力表现为怎样的空间溢出效应？省域降碳潜力空间网络关联的驱动机制是怎样的？这些问题尚有待回答。因此，本文从公平、效率双重视角出发，利用超效率SBM 模型对省域降碳潜力进行测度，同时构建省域降碳潜力空间关联网络，定量分析降碳潜力空间关联网络的整体和个体特征，最后利用QAP 模型，探讨省域降碳潜力空间关联网络的影响机制，以期从全局和个体角度把握我国降碳潜力的省域空间关联特征，揭示降碳潜力区域联动的驱动机制，为减排政策制定和实现“双碳”目标提供科学支撑，对于推动区域低碳转型和协同降碳具有重要的理论价值与实践意义。

1 研究方法和数据来源

1.1 中国省域降碳潜力指数测算

本文参考周迪等［9］的研究，从公平、效率两方面对省域降碳潜力指数进行测算。公平角度是指在考察降碳潜力的过程中，应当兼顾人口规模和碳排放绝对量的情况。效率角度即在给定生产要素和产出水平下实现碳排放最小化。基于这一思路，并参考Wei 等［23］的计算方法，确定省域降碳潜力指数的计算如式（1）所示：

式中，i省份t年的降碳潜力为ACIit；θ表示权重，参照吴贤荣等［24］，θ取0.5；Eqit为降碳潜力公平指数，用人均碳排放量表示；Efit为降碳潜力效率指数，用基于Super-SBM 模型测算的碳排放效率表示。其次，对人均碳排放量和碳排放效率分别进行正向、逆向标准化处理来消除量纲对指数计算的影响。

1.1.1 人均碳排放量—公平角度

采用碳排放总量与年末总人口数的比值来衡量人均碳排放量。其中碳排放总量根据联合国政府间气候变化专门委员会（IPCC）清单法进行计算如式（2）所示：

其中，δj为第j种能源万吨标准煤的折算系数，αj为第j种能源碳排放系数，二者的具体数值见表1。Qij为i省第j种能源消耗量，Ci,t为i省第t年的碳排放量。

表1 能源万吨标准煤折算系数和碳排放系数

1.1.2 碳排放效率——效率角度

借助Tone［8］提出的Super-SBM 模型，基于规模报酬可变和非导向的超效率SBM 模型测算碳排放效率。参考周迪等［9］做法，投入指标选用年末从业人员数、固定资产投资额、能源消费总量，期望产出指标选用各省份GDP，非期望产出指标选用碳排放总量，其模型设定如式（3）所示：

其中，δ*为的碳排放效率，m、b分别为投入、产出的松弛变量个数，λ为权重向量，xij为第j个省份的i项投入，ykj为第j个省份的k项产出。

1.2 修正引力模型与社会网络分析法

1.2.1 降碳潜力空间网络结构指标的构建

本文采用修正的引力模型构建省域降碳潜力空间关联网络。不同省份用i、j表示,省域降碳潜力的空间关联强度用H表示，降碳潜力用Si、Sj表示，距离用dij表示，人均GDP 用Rgi、Rgj表示，GDP用Gi、Gj表示，K表示不同地区降碳潜力联系的贡献率，测度方法为K=Gi/ (Gi+Gj)。由此，得到修正引力模型计算如公式（4）所示：

根据公式（4）得到中国30 个省份降碳潜力引力矩阵，表征省域降碳潜力的空间关联关系。取引力矩阵各行的平均值为阈值，若各行数据超过平均值，取1，表明省份间降碳潜力存在关联关系；反之取 0，表明省份间不存在降碳潜力关联关系。以此构建省域降碳潜力的空间关联二值矩阵，以此为基础构建省域降碳潜力空间关联网络。

1.2.2 降碳潜力空间网络结构特征指标

为了探究省域降碳潜力空间关联网络的结构特征，参考王凯等［25］的做法，选择网络关联度、网络密度、网络效率和网络等级度4 个指标来分析降碳潜力空间关联网络的整体特征；选取度数中心度、接近中心度以及中间中心度测度各个节点在网络中的作用和重要程度；为更深入分析省域降碳潜力空间关联特点，运用块模型，将网络分为净受益、双向溢出、净溢出、经纪人4 个板块，揭示各省份在降碳潜力空间关联网络中的空间聚类特征。

（1）网络关联度。网络关联度刻画了整体网络的稳健性和脆弱性。在降碳潜力网络中，若任何两个省份之间存在直接或间接联系，则表明该网络有较强的关联性和稳健性；反之，若连线均是通过某个省份链接，则表明该网络对这个省份依赖性较大，是非常脆弱的。设空间网络中总的成员数目为N，网络关联度为CO，网络中不可达的点对数目为V。

（2）网络密度。网络密度反映空间网络的紧密程度，网络密度越大，说明成员间联系越紧密。设网络密度为I，空间网络中总的成员数目为N，实际关系数为M。

（3）网络效率。网络效率刻画了网络中各成员的联系效率，反映网络中存在多余线的程度。在省域降碳潜力网络中，网络效率越低，说明省域间存在更多的连线，溢出渠道多，网络也就更稳定。设网络效率GE，多余线的条数为J，Max(J) 表示最大可能的多余连线的条数。

（4）网络等级度。网络等级度刻画了网络中各成员非对称地可达，反映了各成员在整体网络中所处的地位。在降碳潜力网络中表示各省份的等级结构以及省份之间在多大程度上能够非对称地可达。设网络等级度为GH，网络中对称地可达的点对数目为K，网络中最大对称地可达的点对数目为Max(K)。

（5）度数中心度。度数中心度刻画了节点在网络中的中心位置程度和某个节点与其他节点相联系的程度。在降碳潜力网络中，若网络中某个省份具有较高的度数，说明该省份居于网络的中心并与其他省份联系越多。设度数中心度为CD，网络中某个节点与其他节点直接关联的数目为n。

（6）接近中心度。接近中心度测度了空间网络中某节点不受其他节点控制的程度。节点接近中心度越大，在降碳潜力网络中对其他节点依赖性越低，越不易受其他省份的限制。设接近中心度为CC，连接节点i和节点j的捷径路径为dij。

（7）中间中心度。中间中心度是反映了网络中某节点对其他节点控制能力的大小。在降碳潜力网络中，某省份若是处在图中其他节点的“中间”，说明该省能够控制其他省份降碳潜力之间的相互联系。设中间中心度为CB，设节点j和节点k之间所有捷径数目为bjk，其中，经过节点i的捷径数目为bjk(i),j≠k≠i，且j

1.2.3 空间关联网络的QAP 模型

由于省域之间地理位置的差异会导致回归模型存在共线性问题，因此，不能采用多元回归分析对空间关联网络模型进行影响因素分析。QAP 模型以关系数据为基础，能处理多元线性或非线性问题，也可以用来研究多因素系统中各变量间复杂相关的情况。因此，本文基于QAP 模型分析省域降碳潜力空间关联网络的主要影响因素。

1.3 数据来源

本文以中国30 个省份（不含港澳台及西藏地区）作为研究对象，样本时期选择2011—2020 年。实证部分所涉及的数据来自《中国能源统计年鉴》《中国统计年鉴》、年度国民经济和社会发展统计公报和国家统计局。对于某些年份的能源缺失数据，采用插值法进行补全。

2 省域降碳潜力的空间关联网络结构特征分析

2.1 省域降碳潜力的时序变化特征

表2 呈现了各省份在2011 年、2014 年、2017年和2020 年的降碳潜力计算结果。可以看出，降碳潜力均值水平在各省份间存在显著差异，降碳潜力较低的省份主要分布在我国东部及沿海地区，降碳潜力较高的省份主要分布在我国西北内陆地区。主要原因在于东部地区多为经济和产业发达地区，产业结构相对更为合理和高级，经济低碳绿色转型较为成熟，因此，碳减排的提升空间相对较小。西部地区在产业构成方面多以高能耗产业和资源产业为主，碳排放量较高，产业结构低碳化、绿色化程度较低，使得该地区存在较大降碳空间。

表2 中国省域降碳潜力

从时序变化来看，各省份的降碳潜力在研究期间内变化幅度明显。黑龙江、广西、宁夏等8 个省份降碳潜力有不同程度提升，其中宁夏增幅最大，为85.7%。北京、江苏、上海等22 个省份降碳潜力则有所降低，降幅最大的省份为北京。由此可见，我国多数省份降碳潜力在样本区间都有不同程度的降低。近年来，我国经济坚持走绿色低碳发展道路，产业绿色转型取得了积极成效，能源资源利用效率持续提升，使得区域降碳减排效果显著，降碳空间存在不同程度缩减。

本部分研究从时间尺度上拓展了周迪等［9］的研究成果。对比周迪等［9］对我国1997—2015 年29 个省份碳减排潜力的测算结果，2015 年碳减排潜力较高的省份与本文测算结果大致相同，均为新疆、贵州、内蒙古等西部地区。同时结合本文2016—2020 年的测算结果可以发现，我国省域降碳潜力值自2015 年后呈现普遍的降低趋势，印证了随着我国经济产业优化升级和低碳转型带来了区域降碳潜力不同程度的降低。

2.2 整体网络特征分析

图1 是中国30 个省份降碳潜力在2020 年的空间关联网络结构图，可以看出，中国省域降碳潜力空间关联结构显著，不仅与邻近省份存在空间关联关系，还与非邻近省份存在空间关联关系；还可以看出，各省份降碳潜力之间的溢出关系复杂，整体网络联系较为密切。

图1 2020 年中国30 个省份降碳潜力空间关联网络

图2 呈现了2011—2020 年省域降碳潜力空间关联网络的网络密度和网络关系数。可以看出，样本期内实际网络关系数整体呈现上升趋势，从2011 年的198 增长至2020 年的208，涨幅为5.051%。网络密度也呈现整体上升趋势，从2011 年的0.228 增长至2020 年的0.239，涨幅为4.825%。需要注意的是，理论上降碳潜力空间关联网络最大可能关系数为870，而样本期内网络关系数最大值为 208，说明中国省域降碳潜力的空间关联仍存在较大提升空间。

图2 中国30 个省份降碳潜力网络的网络密度和网络关系数

图3 呈现了2011—2020 年省域降碳潜力网络等级度和网络效率。总体来看，网络等级度和网络效率在样本期内较为稳定。从2011 年至2020 年，网络效率由0.719 2 下降至0.692 1；网络等级度由0.292 1 下降至0.129 0。二者略有下降趋势，表明中国省域降碳潜力空间关联网络中的区域间相互作用逐渐增强且联系日益紧密。此外，网络关联度在样本期内均为1，表明我国省域降碳潜力空间关联网络具有较强的稳健性，网络结构较为稳定。

图3 中国30 个省份降碳潜力网络的网络效率和网络等级度

综上可见，随着我国区域经济协同发展水平提升，各省域的资源和技术集聚增强，在对各省份降碳减排产生积极作用的同时，也使得各省份降碳潜力空间关联更为密切，并逐渐趋于稳定。

2.3 个体网络特征分析

本文从度数中心度、接近中心度和中间中心度3 个维度刻画网络个体特征，探究各省份在降碳潜力空间关联网络中的地位和作用。表3 列出了样本期内代表年份的各省市网络中心性测度结果。

表3 2011—2020 年中国30 个省份降碳潜力空间关联网络结构中心性分析

（1）度数中心度。度数中心度均值在样本期内呈整体上升趋势，由2011 年的32.874 提升至2020 年的35.402，表明各省份降碳潜力与其他省份的空间关联数不断增多，省际之间联系日益密切。2011—2020 年度数中心度排名靠前的省份主要有北京、天津、上海、浙江、福建、甘肃和内蒙古等。除内蒙古和甘肃外，其他省份主要分布在东部及沿海省份，表明东部及沿海省份对整体降碳潜力关联及溢出关系影响显著。排名靠后的省份主要有黑龙江、吉林、辽宁、青海、山东等，在省域降碳潜力的空间关联网络中多居于边缘位置，与其他省份降碳潜力的空间溢出关系较少。

（2）接近中心度。2011 年接近中心度均值为58.928，2020 年接近中心度均值为60.348，涨幅为2.410%。其中，低于均值的省份多分布于中西部地区，为省域降碳潜力空间网络中的“边缘行动者”；高于均值的省份多为北京、天津、上海等东部地区，说明这些省份易与其他省份产生直接的降碳潜力空间关联关系。

（3）中间中心度。2011—2012 年中间中心度均值从2.627 降至2.455，样本期内中间中心度超过均值的省份大多为东部、中部较发达地区，而多数西部和中部地区则排名靠后，中间中心度基本上在0.5 上下波动，易受其他省份的限制，表明中国省域降碳潜力网络呈现出网络个体地位的非均衡性。

综上，北京、天津、上海、内蒙古、甘肃等省份处于降碳潜力空间关联网络的中心位置。北京、天津、上海经济发达，与周边地区经济联系紧密，人才、技术、资本等要素流动性强。内蒙古、甘肃是能源和资源大省，与中东部诸多省份存在能源输出关系，同时还可以利用自身资源优势，通过调整产业结构在省份之间形成产业转移。上述原因使得这些省市与其他区域之间存在较强的降碳潜力关联关系。排名靠后的省份主要有黑龙江、吉林、辽宁以及大多数中西部地区，这些地区由于地理位置相对偏远、经济规模相对有限以及能源结构单一等因素，导致与其他省份间的降碳潜力关联较弱。

2.4 块模型分析

参考余娟娟等［26］、骆灿等［27］的研究，借助UCINET 软件中的CONCOR 工具，最大分割深度为2，收敛标准为0.2，将中国省域降碳潜力空间关联网络划分为净受益、净溢出、双向溢出、经纪人等4 个板块，对我国省域降碳潜力网络的空间聚类特征做进一步分析。其中，净受益板块接收的板块外关系数量明显大于其对其他板块发出的关系数量，净溢出板块对其他板块发出的关系数量远大于其接收到的其他板块关系数量，双向溢出板块的地区既接收来自其他板块的关系也向其他板块发出关系，同时也接收较多的来自板块内部的关系，经纪人板块的接收和发出关系数量相当，但是板块外关系数量明显大于板块内关系数量。计算结果如表4 所示。

表4 中国30 个省份降碳潜力空间关联板块的溢出效应（2020 年）

可以看出，2020 年中国省域降碳潜力网络存在208 个关联关系，其中板块内部之间48 个，板块之间160 个，占比分别为23.08%和76.92%，说明板块间降碳潜力空间关联关系和溢出效应显著。板块Ⅰ实际、期望内部关系比例分别为8.00%、10.34%，虽然实际内部关系比例比内部关系比例略小，但从板块外的接发关系看，板块Ⅰ接收关系73个显著高于发出关系23 个，因此板块Ⅰ为“净受益”板块。这一板块由京、津、江、沪组成，板块内省份大量接收其他省份降碳潜力溢出，会更多地受到其他省份降碳潜力变动影响。板块Ⅲ实际、期望内部关系比例分别为43.08%和34.48%，前者要比后者大；从板块外接发关系看，板块Ⅲ发出关系数近似接收关系数，因此，板块Ⅲ是“双向溢出”板块，该板块中的地区在接收其他板块降碳潜力溢出的同时，自身的降碳潜力变化也会影响其他省份。板块Ⅱ的板块外接收关系数为32，板块外发出关系数为26，板块Ⅳ的板块外接收关系数为27，板块外发出关系数量为74。因此，板块Ⅱ是“经纪人”板块，在降碳潜力空间关联网络扮演着“中介”角色，对网络中的降碳潜力空间溢出效应起到传导和扩散作用。板块Ⅳ是“净溢出”板块，该板块省份多为内陆或边缘地区，资源相对丰富，多向其他省份输出能源资源，进而形成降碳潜力溢出。

为进一步考察各板块之间的降碳潜力空间关联关系，基于板块划分的计算结果得到省域降碳潜力网络的密度矩阵和像矩阵（见表5）。可以看到，板块Ⅰ接收板块Ⅲ、Ⅳ的溢出关系，仅向板块Ⅲ发出关系；板块Ⅳ仅接收板块Ⅱ的溢出，同时向板块Ⅰ和板块Ⅱ发出关系，因此板块Ⅰ为典型的“净受益”板块，而板块Ⅳ为典型的“净溢出”板块。板块Ⅱ仅与板块Ⅳ存在关系的接收和溢出；板块Ⅲ既接收板块Ⅳ的溢出，也向板块Ⅳ发出关系，且板块Ⅲ内部也存在着降碳潜力的溢出关系。

表5 中国30 个省份降碳潜力空间关联板块的密度矩阵与像矩阵

3 省域降碳潜力空间关联网络的影响因素分析

在分析我国省域降碳潜力空间关联网络的结构特征和传导机制的基础上，进一步分析省域降碳潜力空间关联网络结构的影响因素。

3.1 模型假定与指标选取

中国省域降碳潜力空间关联网络结构的演化是多种因素相互作用的结果。从网络结构特征分析结果来看，邻近省份间的空间关联和溢出效应可能更为显著，且省域之间降碳潜力溢出程度可能与各区域发展方式密切相关，进而可从省份间发展差异的角度来研究中国省域降碳潜力的空间关联性。童磊等［14］提出地理位置不同会减少碳排放的溢出效应，产业转移度和对外开放水平、经济发展水平、能源结构的差异会促进碳排放的空间溢出；杨桂元等［22］研究发现省份接近和产业结构、消费水平差异越大，省份之间碳排放的空间关联和溢出越大，而区域间能源消耗和城镇人口越相似,其空间关联和溢出越大；郑航等［28］提出经济发展水平、能源利用效率、技术水平和环保力度差异的扩大有利于促进碳排放空间关联关系的形成；李爱等［29］认为京津冀城市群碳排放空间关联关系主要受地理位置和技术创新差异的影响，长三角城市群碳排放空间关联关系主受地理位置、产业结构差异、人口密度差异和城镇化水平差异影响，珠三角城市群碳排放空间关联关系则受到地理位置、产业结构差异和城镇化水平差异的影响；庞庆华等［30］研究发现地理邻近关系、城镇人口差异、能源消费差异、产业结构差异对长江经济带碳排放空间关联关系有着显著的影响。参照现有文献研究成果，文章选取以下5 个变量作为省域降碳潜力空间关联性的主要影响因素并做进一步研究。

（1）地理位置差异（D）。地理位置临近的省份更有利于发挥省域资源的集聚效应，提高各省份降碳潜力，降低碳排放减少碳污染。选用空间邻接矩阵D来表征。

（2）经济水平差异（A）。经济发展水平是各省份发展的基础，同时可以促进区域内投资，是提高省域降碳潜力水平的物质保证和技术支撑。选用省份间人均GDP 对数差值来衡量。

（3）能源消耗差异（E）。能源消耗与降碳潜力间存在着密切联系，充分提升能源的循环利用对提高各省份的降碳潜力具有重要影响作用。使用省份间单位GDP 能耗差值来反映。

（4）产业结构差异（I）。产业结构调整会形成省份间产业转移，改善区域能源利用效率低、排放量高的现状，进一步提高省域降碳潜力。使用省份间第三产业的GDP 占比差值来衡量。

（5）城镇化程度差异（P）。城镇化能加快技术和人才聚集，优化产业结构，进而对各省降碳潜力产生积极作用。选取省份间城镇人口比重差值来表征。

3.2 QAP 相关性分析

利用UCINET 软件，经过10 000 次随机置换，对降碳潜力空间关联矩阵与地理位置差异D、经济发展水平差异A、能源消耗差异E、产业结构差异I、城镇化程度差异P进行QAP 相关性检验。由表6 可知，D、A、I、P的相关系数均在1%的水平上显著，且都为正向影响。E的相关系数在5%的水平下显著为负。表明选取的5 个变量与降碳潜力空间关联结构均存在具有显著的相关关系。

表6 中国30 个省份降碳潜力空间关联矩阵与影响因素的QAP 相关性检验结果

由表7 可知，D与其他自变量在5%的显著性水平上均有显著相关关系，A与I、P的相关系数在1%的水平上显著，I与P的相关系数在1%的水平上显著，故进行普通的面板回归可能出现“多重共线性”问题，进而影响回归结果的正确性。因此，采用QAP 回归分析来探究这些因素对降碳潜力空间关联关系的影响是合理的。

表7 中国30 个省份降碳潜力空间关联影响因素之间的 QAP 相关性检验结果

3.3 QAP 回归分析

表8 反映了经过10 000 次随机置换的QAP 回归结果。由结果可见，修正后的R2为0.321，且在1%的水平上显著。

表8 中国30 个省份降碳潜力空间关联影响因素的QAP 回归分析结果

（1）D和A系数均在1%的水平上显著为正，且标准化后的回归系数显示地理位置差异和经济水平差异系数的绝对值较大，说明地理邻近关系和经济水平是影响降碳潜力空间关联关系的主要因素，且省份越相近、经济水平差异越大，省域降碳潜力的空间关联和溢出作用越显著。原因在于，临近的省份更有利于发挥区域资源的集聚效应，相关要素空间转移的成本和难度也越小，进而有助于提高省域降碳潜力空间关联；经济水平差异的增大使得省域经济发展不平衡、不协调，进而加速省域间要素流动，经济水平相对高的省份较易形成资源外溢，并与临近省份社会经济发展各要素不断发生重组，有助于优化省域降碳潜力空间关联网络结构。

（2）E的回归系数在10%的水平上显著为负，说明省份单位GDP 能耗越接近，降碳潜力的空间关联就越强。省份间能源消耗强度越接近，省域间进行协同降碳的合作空间越大，进而可以推动省域间降碳潜力空间关联。

（3）I 的回归系数在10%的水平上显著为正，P的回归系数在5%的显著性水平上显著为正，说明省域降碳潜力空间关联关系受到产业结构差异和城镇化差异的影响。产业结构和城镇化差异程度越大，越容易形成人才、资金、技术等相关要素在省域间的流动，使得省域降碳潜力空间关联网络结构更加紧密。

4 结论与建议

本文在对2011—2020 年中国30 个省的降碳潜力进行测度的基础上，利用修正引力模型构建中国省域降碳潜力空间关联网络，对各省份间的空间关联网络结构特征进行定量分析，并基于QAP 模型识别省域降碳潜力空间关联网络影响因素，主要结论及建议如下：

第一，省域降碳潜力空间网络紧密程度呈现增长趋势，空间网络结构较为稳定。因此，应当积极利用省域间降碳潜力关联紧密的特征，树立全国一盘棋的意识观念，在加强各省自身降碳减排的同时，由点带面，积极推动区域协同降碳减排。

第二，北京、天津、上海等东部发达省市以及内蒙古和甘肃等资源能源大省份的度数中心度、接近中心度和中间中心度排名居前，处于空间关联网络的核心位置，对于降碳潜力空间溢出具有较强的支配能力。多数中西部省份在省域降碳潜力空间关联网络中居于边缘位置，对于省域降碳潜力关联难以施加较大影响。因此，为了有效提升降碳潜力，应当加强各省（区、市）之间广泛的多层次交流协作，积极推动核心区域与边缘区域的降碳减排合作，从经济、技术、人才和信息等方面推动区域间资源共享和流通；对于边缘区域，吸引和利用更多的资金、技术和人才以提高他们的减排能力。

第三，京津沪等发达地区多属于净受益板块，广东、浙江、重庆和福建属于“经纪人”板块，内蒙古等十一个省份属于双向溢出板块，新疆等十一个省份则构成净溢出板块。净受益板块和“经纪人”板块多为经济发达且降碳潜力较低的省市，这些区域应当积极发展新业态经济，寻求新的产业和经济增长点，进一步优化产业结构，以提升降碳空间。同时，还要充分利用“经纪人”板块在降碳潜力空间关联网络的中介地位，发挥其经济、技术、产业优势的辐射和带动作用，推动降碳潜力空间溢出效应的传导和扩散，带动关联区域的降碳潜力提升。双向溢出板块和净溢出板块多为资源大省或欠发达省份，这些地区应当积极推进产业低碳转型升级，增强与净受益板块和“经纪人”板块的区域合作，加大人才、技术、资金引进力度，以提升降碳减排力度和效率。

第四，地理位置、经济水平、产业结构、城镇化程度等差异对省际降碳潜力空间关联具有显著正向影响，能源消耗差异则具有显著负向影响。应当根据不同省份间的要素禀赋差异，精准制定降碳减排政策，并加强省域间技术交流与合作，大力发展绿色产业，提高减排技术，充分发挥各地区降碳减排优势，以提升省域间的降碳协同水平，降低省域降碳潜力的空间非均衡性，实现各区域降碳潜力有效。