珠江流域片相关城市碳排放网络空间复杂特征研究

尹剑 高杰林 张斌

摘 要：降低城市碳排放是实现全球可持续发展的关键。然而，城市空间单元复杂的交互关系使得未来城市碳排放不明确，阻碍了协同碳减排策略的制定。为揭示城市碳排放空间复杂性特征，探讨城市碳减排协同关系变化趋势，因地制宜制定区域联合减排方案。基于修正引力模型构建珠江流域片相关城市碳排放空间关联网络，采用复杂网络分析和社区划分方法分析了城市碳排放网络空间复杂性及其协同减排潜力。研究发现研究期内城市碳排放网络空间复杂性得到提升，城市协同减排效应增加。东莞、深圳、广州、昆明以及贵阳等城市位于碳排放网络核心位置，在碳排放网络中发挥辐射作用。碳排放网络社区划分数量呈减小趋势，城市碳排放共性问题愈加集中，城市协同减排合作潜力增加。研究从碳排放网络空间复杂性视角开展碳排放协同关系分析，可为实施差异化城市协同减排策略提供参考。

关键词：城市碳排放；复杂网络分析；社区发现；协同关系

中图分类号：TV21 文献标识码：A 文章编号：1001-9235（2024）05-0103-09

Spatial Characteristics of Carbon Emission Networks in Selected Urbans within Pearl River Basin Area

YIN Jian1，3， GAO Jielin1，3， ZHANG Bin1，2*

（1. Research Center for Western Modernization， Guizhou University of Finance and Economics， Guiyang 550025， China;2. NortheastAsian Studies College， Jilin University， Changchun 130012， China;3. Collaborative Innovation Center for Green Development， Guizhou University of Finance and Economics， Guiyang 550025， China）

Abstract： Reducing urban carbon emissions is crucial for achieving global sustainable development. However， the complex interactions within urban spatial units make future urban carbon emissions uncertain， hindering the development of collaborative carbon emission reduction strategies in this area. To reveal the spatial complexity of urban carbon emissions， this study examines the changes in carbon emission collaborative relationships among relevant cities in the Pearl River Basin Areas in China， and formulate regional joint emission reduction plans according to local conditions. The study constructs a spatial connection network of urban carbon emissions based on the modified gravity model. The spatial complexity of carbon emission networks and the collaborative emission reduction potential are analyzed by complex network analysis and community division methods. The study reveals that the spatial complexity of the urban carbon emission network in the study area has increased， leading to an increase in the collaborative emission reduction effect among cities. Notably， Dongguan， Shenzhen， Guangzhou， Kunming， and Guiyang occupy a central position in the core network of carbon emissions and act as hubs for radiating influence. Additionally， the number of divisions within the urban carbon emissions network community declines， indicating a more concentrated set of common issues among urban carbon emissions and a heightened potential for cooperation. The proposed research framework can effectively analyze collaborative relationships in urban carbon emissions， providing a scientific basis for implementing differentiated collaborative emission reduction strategies.

Keywords： Urban Carbon Emissions; Complex Network Analysis; Community Detection; Collaborative Relationships

全球变暖已成为当今世界面临的最大挑战之一。研究表明，人类生产活动产生的大量碳排放是导致气候持续变暖和极端天气事件频繁发生的关键因素［1］。作为全球最大的发展中国家，当前中国处于快速的城市化和工业化交织进程中，大量化石能源消费产生的碳排放量急剧增加，给实现“碳达峰、碳中和”目标带来巨大挑战［2］。城市化已成为影响中国碳排放的重要因素之一，城市间碳排放交互关系也愈加复杂［3］。城市间协同合作在低碳减排中的作用越来越受到关注。2022年6月，中国政府发布了《减污降碳协同增效实施方案》（https：//www. gov. cn/zhengce/ zhengceku/2022-06/17/content_5696364. htm），对协同减排做出进一步指导。研究城市碳排放协同关系有利于制定科学的区域碳减排政策和实现碳减排目标，促进生态环境保护高质量发展。

伴随城市间人员、物资、资本以及信息等联系的加强，城市碳排放空间联系也愈加紧密，并呈现出复杂的多线程网络结构。从复杂网络视角分析城市碳排放联系以及协同减排潜力逐渐受到诸多学者的关注［4］。该方法可揭示城市碳排放网络结构特征，分析区域碳排放空间溢出效应，明确不同城市在碳排放联系网络中的作用，从而制定更加有针对性的协同减排方案。Lu 等［5］构建了欧盟国家碳排放加权和定向网络，使用社会网络分析方法分析了各国在碳排放网络中的作用。Shen等［6］认为城市碳排放差异与联系存在相互作用机制，城市碳排放的关联性和差异性会影响彼此的生成和变化。随着研究的深入，复杂网络理论逐渐应用于分析由于城市内部产业转移、要素流动形成的碳排放复杂网络结构，揭示城市碳排放的主要来源［7］。然而，当前基于复杂网络理论的城市碳排放复杂性研究主要集中于经济发达地区，如经济带、城市群等［6］。城市合作碳减排需要多主体间协同合作，既要包含发达城市，也需考虑到欠发达城市。现有研究重点聚焦发达城市间协同碳减排机制，忽略了不同城市间碳排放进程的不平衡性。

珠江流域不仅是中国生态环境保护重点地区［8］，也是经济发展重要增长极［9］。珠江流域面积广阔，包含城市众多。下游的珠三角地区是全国经济最发达地区之一，而上游城市整体经济发展水平相对较低，仍需进一步提升。流域的整体性以及经济社会高度空间关联性使得经济发达与欠发达城市间碳排放联系逐渐增强。此外，由于各城市经济发展和产业结构的差异，城市间高耗能产业转移等活动可能会导致经济欠发达城市碳排放量进一步增加，最终导致城市间碳排放不平衡性愈加显著［10］，这在一定程度上增加碳减排任务分配的复杂性，削弱碳减排政策的有效性。

基于此，本研究以城市碳排放差异性显著、碳排放交互作用强烈的珠江流域片相关城市作为研究区域。将发达城市与欠发达城市纳入城市协同减排分析框架，实现碳减排多主体协同分析。从碳排放网络视角探讨城市碳排放空间复杂性特征，分析不同城市在碳排放网络中的影响，揭示城市协同减排关系变化趋势，以此为制定更加有针对性的区域协同减排策略提供参考。

1研究方法与数据来源

1.1研究区域

珠江流域不仅是中国经济发展的主要动力源，也是生态保护的重要试验区。近年来，珠江流域片城市在经济发展和碳排放方面存在明显的差异性。上游地区多以高原、山地为主，高污染、高耗能产业占比相对较高，能源、交通等领域的碳排放在下游地区占据主导地位。当前，随着城市间人口流动、产业转移、交通运输等生产活动日益频繁，不可避免地造成了碳排放外溢，城市间实施协同碳减排日益迫切。研究区主要基于珠江流域片边界划定，以城市主体位于珠江流域片的城市为研究对象，湖南的郴州、江西的赣州、福建的龙岩等城市都涉及到珠江流域片，但是面积非常小，因此未纳入研究范围。海南省与其他城市缺乏陆路联通，因此未纳入研究区。此外，贵州省不属于珠江流域片的遵义和铜仁市与省内其他城市联系密切，为了更全面的反应碳排放网络关系，因此将其一并纳入研究区域。研究涉及了49座城市（图1）。

1.2数据来源

目前，众多学者提出了多种城市碳排放计算方法。的研究团队在先前研究中开发了一个多尺度碳排放计算模型。该模型耦合土地利用、夜间灯光等多源数据，将土地碳汇纳入碳排放计算过程中，从土地利用碳排放和能源消费碳排放层面进行多尺度碳排放计算，并取得了良好的效果［11］，基于该模型获得了不同时期城市碳排放量。研究所使用的人口、经济社会统计数据来源于2006、2011、2016、2020年《中国城市统计年鉴》。为消除通货膨胀因素对研究结果的影响，使用的城市 GDP数据均以2005年按不变价格进行计算处理。

1.3研究方法

1.3.1修正引力模型

本研究基于修正引力模型构建城市碳排放空间联系网络，计算见式（1）、（2）：

式中 Rij、Dij——城市 i 和j 之间的碳排放联系强度以及空间距离；Gi、Pi、Ci——城市 i 的 GDP、人口和碳排放量；ei——城市 i 的人均 GDP； Kij——从城市 i 到城市 j 的碳排放的引力 系数。

1.3.2复杂网络分析

研究使用复杂网络分析方法对城市碳排放网络结构特征进行分析，以揭示城市碳排放网络的空间复杂性，刻画城市间碳减排协同发展能力。本研究使用网络密度、网络直径等指标分析城市碳排放网络整体结构特征，相关指标见表1［12-15］。

核心-外围结构是由网络节点组成的特殊结构，这些节点以紧密连接的中心和稀疏分布的外围相互连接，具有较强的稳定性和鲁棒性［15］。核心-外围结构分析可以明确珠江流域片相关城市碳排放网络的核心和外围城市，揭示各城市在碳排放网络中的地位以及核心城市对邻近城市的辐射效应。

1.3.3社区发现

在复杂网络研究中，社区是指由一组连接密集的节点组成的网络子群［14］。社区划分主要反映空间网络内部结构状态，在遵循相似性与差异性原则基础上实现对网络内部结构的聚类分组，揭示节点之间相互作用强度与整体的紧密性。本研究采用快速展开算法（fast unfolding）识别城市碳排放网络社团结构，该方法具有步骤简单直观、易于实施、计算效率高等优点［16］，见式（3）—（6）：

式中 Aij——网络中城市 i、j 之间边的权重；m——网络中所有边的权重总和；ki、kj——与城市 i、j 相连接的所有边的总和；δ（ci，cj）—— piecewise 函数，用来判断城市 i 和城市j 是否属于同一社区；Ci、Cj——城市 i、j 归属的社区，如果2个城市属于同一社区，δ的值为1，否则值为0。

2结果

2.1城市碳排放时空变化特征分析

2.1.1城市碳排放空间集聚特征

图2展示了研究区城市2005、2010、2015、2019年碳排放空间分布特征。研究期内，各城市碳排放量呈现显著的增长趋势。在地理空间分布上，研究区城市碳排放总体呈现“上下游高，中游低”的分布格局，城市碳排放在空间分布上明显的异质性。2005年，碳排放量前三位的城市分别为东莞、深圳和广州，这些城市均位于珠江下游的珠三角地区，城市化建设等生产活动对化石能源消费较高，使得城市碳排放量处于相对较高水平。2019年，中游地区城市碳排放量增长趋势愈加明显，碳排放量超过650万 t 的城市由2005年的4座变化为12座。

2.1.2城市碳排放网络演化特征

基于修正引力模型计算研究区城市碳排放联系强度，并构建了城市碳排放联系网络。参考 Zhang 等［17］的研究，根据联系强度将城市碳排放联系网络划分为2个等级：核心网络和边缘网络。如果城市间碳排放联系强度高于联系强度均值视为核心网络，反之则视为边缘网络。核心网络是网络演化的高级类型，描述了城市节点之间的紧密联系，反映了碳排放网络的骨干结构。考虑到文章篇幅有限，本研究绘制了2005、2010、2015、2019年碳排放核心网络（图3），以揭示城市碳排放网络的发展趋势和空间形态变化。

从网络规模看，城市碳排放连接数量由2005年的350条增加到2019年的390条，碳排放核心网络总体规模不断增加，城市碳排放联系愈加紧密。2005年，城市碳排放核心网络主要分布在下游的珠三角地区，广州、深圳、佛山等城市间碳排放联系强度较高。随着时间的推移，城市间碳排放联系强度日益提升，新的城市碳排放联系开始形成，进一步提升了碳排放网络的复杂性。2019年，城市碳排放联系模式更加丰富。珠三角地区城市碳排放网络进一步向周边城市扩展，逐渐形成了以深圳、广州和东莞为核心，向周边城市辐射延伸的多层次复合网络结构。值得注意的是，上游城市碳排放网络复杂化趋势日益明显，逐渐由点轴向放射状网络结构发展。从碳排放联系差异性看，城市碳排放联系在空间分布上存在不均衡性。下游城市无论是在碳排放联系强度还是网络结构复杂性上，显著高于其他地区。中游地区城市作为上下游城市的重要联系枢纽，在产业转移、物流贸易等方面承担着重要连接功能。随着交通等基础设施建设的不断推进，区域间经济活动愈加频繁，中游城市与下游城市碳排放联系愈加紧密。然而，中上游城市碳排放联系网络结构相对单一，未来仍有较大的提升空间。

2.2城市碳排放网络空间复杂性特征分析

2.2.1城市碳排放网络整体复杂性特征

为反映城市碳排放联系复杂度，计算了2005、2010、2015、2019年的核心网络整体结构特征，结果见表2。

从网络密度看，城市碳排放核心网络密度呈波动上升趋势，说明城市碳排放空间联系更加紧密，城市间要素流动愈加频繁。2005、2010、2015、2019年的网络连接数量分别为350、369、380、390个，也进一步验证了碳排放核心网络密度的增加趋势。然而，碳排放网络密度相对较低，碳排放网络结构相对松散，不同城市间实现协同减排目标还有较大的协作空间，资源要素在城市间的优化配置仍需进一步加强。

网络效率从0.828下降到0.786，表明城市碳排放网络联系增加，城市碳排放联系逐渐紧密，网络的稳定性得到了提高。这可能是由于随着交通等基础设施的完善，降低了城市碳排放的交易成本，从而增加了城市碳排放的空间相关性，增强了碳排放网络的稳定性。

2005—2019年，平均路径长度由2.319增加到3.630，网络直径由7增长为10，表明网络结构呈复杂化趋势，网络的传输性能与效率得到提升。在城市碳排放网络中，边缘城市与中心城市的联系得到加强，中心城市对周边城市带动能力有所提升。碳排放网络平均聚类系数也呈现增长趋势，说明城市碳排放网络中相近节点的联系强度增加，网络结构也愈加紧密，这与网络密度的结果分析具有一致性。

2.2.2城市碳排放网络核心-边缘结构

本研究基于2005年和2019年城市碳排放联系，分析了城市碳排放网络核心-边缘结构特征（图4）。整体上，城市碳排放网络呈现核心区域不断扩大、边缘区域逐渐缩小的趋势。2005年，包括广州、深圳、佛山在内的11座城市位于城市碳排放网络核心区，这些城市均位于下游地区，碳排放网络核心城市聚集特征显著。中游和上游城市处于网络的边缘位置。2019年，核心城市数量进一步增加，表明核心区开始打破地理界限，广泛的空间联系逐步加强。梅州、汕尾、河源和揭阳等城市受广州、佛山等城市碳排放辐射的影响，从边缘城市变化为核心城市。值得注意的是，贵阳和昆明也成为碳排放网络核心城市，在城市碳排放网络中发挥辐射效应。然而，其他城市仍属于碳排放网络的边缘区，集聚和吸引能力相对较低，对核心城市依赖性较强。

2.3城市碳排放网络聚类特征

使用社区发现方法对城市碳排放核心网络社团的组织模式及其层级结构进行分析。图5展示了2005、2010、2015、2019年城市碳排放核心网络社区划分变动情况。2005—2019年模块度在0.389～0.452波动（表2），这表明碳排放网络存在明显的社团划分，并且结构越来越清晰。

整体来看，2005—2019年，无论是社区数量还是社区内部结构组成均发生显著变化。社区数量呈减小趋势，表明城市碳排放共性问题愈加集中，城市间协同减排潜力提升。2005年，城市碳排放核心网络被划分为5个社区。其中社区Ⅲ和社区Ⅳ包含的城市数量较多，规模较大。社区Ⅲ主要由昆明、贵阳等上游城市组成，社区Ⅳ由中游城市组成。2010年，城市碳排放核心网络社区划分数量减小为4个。社区Ⅴ所包含城市融入到社区Ⅰ和社区Ⅱ中。与2010年相比，2015年城市碳排放网络社区划分结构变化不大，主要差异在于河池、清远、肇庆以及韶关4座城市在2015年由社区Ⅰ被划分至社区Ⅲ。2019年，上游城市与下游城市形成规模更大的社区Ⅲ ， 肇庆、云浮、梧州、惠州以及阳江融入到社区Ⅰ。由地理集聚特征可以发现，地理位置邻近的城市更易成为同一社团。例如广州、深圳等经济发展水平高的核心城市与周边城市构成了社区Ⅰ ， 并在研究期内结构保持稳定。此外，研究发现行政边界可能对碳排放网络社团的形成产生一定影响。如社区Ⅲ包含的城市多位于广西境内、社区Ⅳ所包含的城市多位于贵州境内，多数广东境内的城市被划分至社区Ⅰ和社区Ⅲ。从社区动态变化过程可以看出，研究期内社区Ⅰ不断吸纳周边城市，社团规模呈增加趋势。社区Ⅱ在2010年吸纳河源后，规模结构保持稳定。

3讨论

研究发现研究区碳排放联系强度呈增长趋势，城市碳排放存在显著空间复杂性特征。因此，开展城市间协同合作对于实现区域碳减排目标具有重要意义，而忽视空间关联效应的城市个体治理方式不能有效降低碳排放。这一发现与 Su 等［18］和 Bai 等［12］提出的区域协调发展理念相一致。城市碳排放联系强度高值主要分布在珠三角地区，如广州、深圳、佛山以及东莞等城市间的碳排放联系日益紧密，并随着时间推移碳排放联系网络向周边城市延伸。可能是由于这些城市经济发展水平相对较高，与周边城市间的经济活动和贸易往来愈加频繁，城市间货运物流、产业转移等进一步提升了碳排放空间溢出效应。加之交通网络的不断完善、信息技术的快速发展进一步压缩了城市间的空间距离，使得碳排放联系愈加密切。值得关注的是，上游城市如贵阳、昆明、毕节以及六盘水等城市间碳排放联系呈显著增加趋势，城市碳排放网络结构逐渐复杂。一方面，这些城市多为中国重要的工业基地，化石燃料在城市能源消费结构中占比较高，其碳排放量更是显著。另一方面，这些城市近年来城市化进程不断加快，承接了部分下游地区转移的高耗能产业，但受低碳技术和其他因素的限制，碳排放量也随之上升。此外，城市碳排放联系的不均衡性表明碳排放联系网络存在层次结构性［19-20］。如，柳州、河池、来宾以及百色等中游地区城市间碳排放联系不够紧密，网络结构单一。随着工业化和城市化的加速，高碳密集型产业可能会越来越集中在某些城市，可能会进一步加剧城市碳排放联系的不均衡性，形成“马太效应”［10］。

从碳排放网络复杂性看，城市碳排放联系网络整体规模呈上升趋势，网络密度呈现波动上升特征，这与 Dong等［21］的研究发现是相似的。这可能是由于交通、通讯网络的逐步完善，促进了区域间的技术扩散和劳动力转移，加强了区域间的生产联系，有助于形成碳排放空间联系网络。然而，碳排放网络效率呈下降趋势。这可能是由于随着各城市对碳减排和绿色发展的日益重视，碳交易市场体系逐步完善，增强了碳排放联系网络的稳定性。珠江流域片相关城市在经济规模、产业结构等方面存在较大差距，使得城市碳排放网络密度值总体较低，城市间的资源要素配置和协同减排能力未来仍有进一步优化的空间。

4结论

本研究以中国珠江流域片相关的49座城市为研究区域，运用复杂网络分析、社区划分等方法，分析了城市碳排放网络空间复杂性特征，研究了城市协同减排关系变化趋势，探讨了城市协同减排合作潜力，得到以下结论。

研究区城市碳排放联系强度呈显著增加趋势，逐渐形成了以珠三角地区为核心，向周边城市辐射的多层次复合网络结构。上游城市碳排放网络复杂化趋势显著，逐渐由点轴向放射状网络结构发展。中上游城市间碳排放联系强度相对较低，碳排放联系不均衡性凸显。碳排放核心网络总体规模不断扩大，城市碳排放联系愈加紧密，新的城市碳排放联系开始形成，城市碳排放网络复杂性得到提升。东莞、深圳、广州、昆明以及贵阳等城市位于碳排放网络的核心位置，在碳排放网络中发挥辐射作用。社区划分结果表明，研究区城市碳排放核心网络存在明显的社团划分，社区数量呈减小趋势，城市碳排放共性问题愈加集中，城市协同减排合作潜力增加。本研究从碳排放网络空间复杂性视角开展城市协同减排研究，对相关碳减排研究进行了补充和拓展，研究方法及思路可为其他地区协同减排研究提供参考，以探索更加科学、有效的区域协同减排合作模式。

参考文献：

［1］张晴，朱华，王妍，等.杭州市农业用水碳排放与经济增长脱钩关系及其驱动因素研究［J］.人民珠江，2024，45（1）：34-41，62.

［2］ JIANG H T，YIN J，WEI D Q，et al. Industrial carbon emission efficiency prediction and carbon emission reduction strategies based on multi-objective particle swarm optimization- backpropagation： A perspective from regional clustering［J］. Science of the Total Environment ，2024，906. DOI：10.1016/j. scitotenv.2023.167692.

［3］李慧敏，张钰，李锋，等.基于 CiteSpace 的低碳城市研究文献计量分析［J］.人民珠江，2024，45（1）：85-94.

［4］ JIANG Q C，MA X J. Spillovers of environmental regulation on carbon emissions network［J］. Technological Forecasting and Social Change，2021，169. DOI：10.1016/j. techfore.2021.120825.

［5］ LU P，LI Z H，WEN Y，et al. Fresh insights for sustainable development：Collaborative governance of carbon emissions based on social network analysis［J］. Sustainable Development，2023，31（3）：1873-1887.

［6］ SHEN W R，LIANG H W，DONG L，et al. Synergistic CO2 reduction effects in Chinese urban agglomerations：Perspectives from social network analysis［J］. Science of the Total Environment，2021，798. DOI：10.1016/j. scitotenv.2021.149352.

［7］ HU Y，YU Y，MARDANI A. Selection of carbon emissions control industries in China：An approach based on complex networks control perspective［J］. Technological Forecasting and Social Change，2021，172. DOI：10.1016/j. techfore.2021.121030.

［8］王睿卿，蒋晓辉，聂桐.基于地理探测器的珠江流域 NDVI 时空变化及驱动力分析［J］.人民珠江，2022，43（7）：61-73.

［9］丁乙，尹剑，姜洪涛，等.珠三角碳达峰系统动力学预测［J］.环境工程，2023，41（7）：22-29.

［10］ZHU M C，ZHAO Z B，MENG Y，et al. Unfolding the Evolution of Carbon Inequality Embodied in Inter-Provincial Trade of China ［J］. Environmental Impact Assessment Review，2022，97. DOI：10.1016/j. eiar.2022.106884.

［11］ZHANG B，YIN J，JIANG H T，et al. Multi-source data assessment and multi-factor analysis of urban carbon emissions： A case study of the Pearl River Basin，China［J］. Urban Climate，2023，51. DOI：10.1016/j. uclim.2023.101653.

［12］BAI C Q，ZHOU L，XIA M L，et al. Analysis of the spatial association network structure of China's transportation carbon emissions and its driving factors［J］. Journal of Environmental Management.2020，253. DOI：10.1016/j. jenvman.2019.109765.

［13］DING R，DU Y M，DU L Y，et al. Green finance network evolution and prediction： fresh evidence from China［J］. Environmental Science and Pollution Research，2023，30（26）：68241-68257.

［14］NEWMAN M. The Structure and Function of Complex Networks ［J］. SIAM Review，2003，45（2）：167-256.

［15］尹剑，张斌，丁锐，等.西部陆海新通道城市群经济联系空间特征演化过程研究［J］.地理科学，2023，43（11）：1983-1993.

［16］丁锐，张宜琳，周涛，等.轨道交通复杂网络演化对城市社区划分的影响研究［J］.铁道科学与工程学报，2022，19（11）：3168-3178.

［17］ZHANG R J，TAI H W，CHENG K T，et al. Carbon emission efficiency network formation mechanism and spatial correlation complexity analysis：Taking the Yangtze River Economic Belt as an example［J］. Science of the Total Environment ，2022，841. DOI：10.1016/j. scitotenv.2022.156719.

［18］SU Y，YU Y Q. Spatial association effect of regional pollution control［J］. Journal of Cleaner Production，2019，213：540-552.

［19］LIU S N，XIAO Q T. An empirical analysis on spatial correlation investigation of industrial carbon emissions using SNA-ICE model ［J］. Energy，2021，224. DOI：10.1016/j. energy.2021.120183.

［20］XIA L L，ZHANG Y，YU X Y，et al. Hierarchical structure analysis of urban carbon metabolism：A case study of Beijing， China［J］. Ecological Indicators ，2019，107. DOI：10.1016/j. ecolind.2019.105602.

［21］DONG J，LI C B. Structure characteristics and influencing factors of China's carbon emission spatial correlation network：A study based on the dimension of urban agglomerations［J］. Science of the Total Environment ，2022，853. DOI：10.1016/j. scitotenv.2022.158613.

（责任编辑：程 茜）