长三角城市群碳排放效率的空间关联网络及其影响因素

摘要：【目的】在“双碳”目标背景下，探索长三角城市群碳排放效率的空间网络格局及其影响因素，为推进低碳生态城市建设和建立包容性绿色增长机制提供依据。【方法】基于SBM-DDF模型、全局Malmquist-Luenberger指数以及核密度估计法，对2008—2020年长三角城市群碳排放效率水平进行测度和时空演变特征分析，并通过修正引力模型与社会网络分析法可视化了长三角城市群碳排放效率空间关联结构及影响因素。【结果】①长三角城市群碳排放动态效率总体呈上升态势，但地区间差异显著且表现出一定的空间扩散效应。②从网络密度、关联性、网络效率等3个方面看，长三角城市碳排放效率的网络稳定性较高，但网络中心度呈非均衡特征。③长三角城市群碳排放效率空间网络板块间具有明显的梯度特征。④政府宏观调控、环境规制、产业结构、对外开放、绿色创新、新型城镇化水平是推动空间关联网络演变的主要驱动机制。【结论】通过城市间相互合作与学习、发挥核心城市的空间辐射效应、优化产业结构、提高新型城市化水平等方式有助于长三角城市群碳排放效率的提升，进而推进长三角城市群生态绿色空间一体化发展。

关键词：碳排放效率；长三角城市群；社会网络分析；二次指派程序

中图分类号：F293.1；X22"""" 文献标志码：A开放科学（资源服务）标识码（OSID）：

文章编号：1000-2006（2024）06-0217-12

Spatial correlation and influencing factors of carbon emissionefficiency in the Yangtze River Delta city cluster

QUAN Tianshu， ZHANG Hui，XU Yuyun*

（College of Economics and Management， Nanjing Forestry University， Nanjing 210037，China）

Abstract： 【Objective】In the context of the “Carbon Peaking and Carbon Neutrality” goal， determining the spatial network pattern of carbon emission efficiency and its influencing factors in the Yangtze River Delta city cluster will promote the construction of low-carbon ecological cities and establish an inclusive green growth mechanism. 【Method】 Based on the slack-based measured directional distance function model， the global Malmquist-Luenberger index， and the kernel density estimation method， accurate measurements were obtained and an analysis of the spatial and temporal evolution characteristics of the carbon emission efficiency level of the Yangtze River Delta urban city cluster was conducted for the period of 2008 to 2020. The spatial correlation structure and factors influencing the carbon emission efficiency of the Yangtze River Delta city cluster were visualized by a modified gravity model and social network analysis. 【Result】（1） The dynamic efficiency of carbon emissions was found to be generally increasing， but there were significant inter-regional differences and a spatial diffusion effect. （2） Based on network density， correlations" and network efficiency， the network stability of carbon emission efficiency in the Yangtze River Delta cities was considered to be high， but the network centrality displayed unbalanced characteristics. （3） There were obvious gradient characteristics among the spatial network segments of carbon emission efficiency in the Yangtze River Delta city cluster. （4） Government macro-control， environmental regulation， industrial structure， external development， green innovation， and new urbanization were the main driving factors of the evolution of spatially linked networks. 【Conclusion】Promoting the carbon emission efficiency of the Yangtze River Delta city cluster through mutual cooperation and learning among cities， bringing into play the spatial radiation effect of core cities， optimizing industrial structure， and improving the level of new urbanization could promote the integrated ecological and green spatial development of the Yangtze River Delta city cluster.

Keywords：carbon emission efficiency; Yangtze River Delta city cluster; social network analysis; second-order assignment procedure

为应对气候变化，各国都在努力探索经济增长与低碳协同发展的有效路径。有效推进“双碳”目标是缓解全球气候变暖的必然选择，是保障人民生活质量的重要途径，是新时期中国加快建立包容性绿色增长机制与生态文明建设的战略部署，具有重要的现实意义。

当前中国处于优化生产力布局的探索阶段，对化石能源的依赖仍然处于较高水平，想要在短期内消减大量的碳排放量难度很大，而碳排放效率直接决定了碳排放总量与碳排放强度。为了更好地实现减排目标，有必要研究碳排放效率的特点以及影响减排的重要因素。值得注意的是，CO2排放的外部性决定了其通常具有时间上的依赖效应和空间上的关联效应。随着交通运输设施的完善和区域贸易的不断加强，城市之间的要素流动更加密集，碳排放通过经济贸易在不同区域之间的转移呈上升趋势[1]。

作为城市空间形态演化与各生产要素共生增长的产物，城市群具有高效参与社会经济活动以及拥有处理、分配资本和信息的能力[2]，是碳排放效率的重要载体、支撑基础及约束条件。城市群的聚集属性决定了在探究其碳排放效率时，就必须要考虑空间关联效应及其空间传导机制。就研究碳排放效率时空演化和空间效应的方法而言，学者们采用泰尔指数[3]、核密度函数[4]、变异系数[5]、Moran’s I和Geary’s C[6]等方法对不同尺度、不同行业和部门的碳排放效率进行分析，并利用空间杜宾模型、GTWR模型、空间误差模型等计量方法分析其影响因素[7-8]。部分学者认为政府干预、产业集聚、外商投资、产业结构、资本深化等因素对碳排放效率起到推动、抑制或非线性影响[9-10]。此外，Wang等[11]使用数据包络分析（DEA）来衡量中国的碳排放效率，这一做法得到学界的普遍认同。另有学者通过代数指数（AIN）、索洛余值、随机前沿（SFA）等方法测度能源效率[12-13]。分析认为现有研究仍存在如下问题：①CO2作为一种“公众物品”，除了具有空间关联效应，还具有时间依赖效应，但现有研究主要从静态的资源或要素角度解释或测度碳排放效率，缺乏对碳排放效率动态变化进行测度与时空分析。②在对空间效应的探讨中，仅考虑了地理邻近范围，忽略了碳排放效率在非邻区域产生溢出效应的可能性及其可能具有的多维复杂网络特征，也尚未准确识别各地区在城市群空间关联网络中的地位与角色。③现有少数学者研究了省际碳排放的空间关联特征[14]，但缺乏对城市群碳排放的研究。

实质上，碳排放效率空间关联网络变化的本质是通过直接或间接的方式实现生产要素和关键资源的流动与空间重组，政府、产业（企业）、环境和技术是影响这些资源流动的作用主体，他们共同推动了碳排放效率空间关联网络的格局演变。有学者认为政府的有效调控与引导是降低CO2排放的关键[15-16]；刘承毅等[17]研究发现环境规制水平通过提升环境准入标准，驱动企业绿色发展。当前，产业结构转型升级对经济发展与绿色高质量发展的影响已经在众多文献中得到证实，如有学者通过实证研究证实了产业结构转型升级能够实现经济增长与降低污染，是绿色发展提升的重要渠道[18-19]；王璇等[20]研究发现对外开放可以通过示范、竞争、关联效应促进技术进步，从而对碳效率产生显著影响；杨浩昌等[21]认为绿色技术创新对碳排放效率有直接或间接影响；王玉娟等[22]发现新型城镇化水平通过“规模效应”和“同群效应”，以及促进低碳生产和改善人居条件等方式助力碳减排，进而实现绿色发展。

长三角城市群是我国经济发达且目前全国低碳试点城市最多的地区，同时也是推动长江经济带生态绿色一体化和加快生态文明建设的核心区域。研究如何在该典型城市群中科学布局碳排放效率空间，如何促进城市间的互动互鉴，对推动区域经济低碳转型具有重要意义。有鉴于此，本研究选取其为典型城市群，利用SBM-DDF模型与全局Malmquist-Luenberger指数对2008—2020年长三角城市群碳排放动态效率水平进行测度，并通过核密度分析与社会网络分析法可视化长三角城市群碳排放效率的时空演化特征、空间关联结构及影响因素，以期为推进生态绿色一体化发展进程与建设低碳生态城市提供实证参考。

1 长三角城市群碳排放效率的测度

1.1 研究对象及数据来源

研究对象为长三角城市群中上海以及隶属江苏、安徽、浙江的26个城市。相关数据主要来源于2008—2020年的《中国城市统计年鉴》《中国统计年鉴》《江苏省统计年鉴》《浙江省统计年鉴》《安徽省统计年鉴》《对外直接统计公报》《中国区域经济统计年鉴》和《中国环境统计年鉴》，其中个别缺失值采用插值法补齐。

笔者从以下3个方面对现有研究进行重要的拓展和完善：①使用SBM-DDF模型、全局Malmquist-Luenberger指数（GML）对CO2排放性能的动态变化进行测度；②在空间关联网络视角下研究城市群的碳排放效率，识别各地区在城市群空间关联网络中的地位与角色；③考虑到城市集群使生产要素更易集聚与流动、进而使碳排放流动方向也更具复杂性，且相比碳排放量本身而言，效率直接反映了总量和强度的“双控制”。

1.2 城市碳排放效率测度参数及模型选择

1.2.1 投入产出测算

本研究中关于碳排放效率考察了CO2排放约束下资本、劳动力和能源投入与经济产出的协调关系，是衡量各地区碳排放效率成果的重要方式[7]。具体而言，投入指标包括劳动（L，万人）、资本（A，万元）与能源（E，kW/h）投入，并分别用各城市年末人数、固定资产投资、城市用电总量表示；产出指标包括期望产出GDP（亿元）与非期望产出碳排放（百万t）。其中，资本投入指标通过永续盘存法[23]将其转化为存量指标，测度公式如下：

Ai，t=Ii，t+Ai，t－1（1－δ）。（1）

式中：A为资本存量；δ为折旧率（本研究采用9.6%[23]）；I为当年资产形成总额，万元；i为某城市；t为时间，a。各城市GDP以2000年为基期进行平减处理。参照将电能、煤气和液化石油气、交通运输和热能消耗产生的碳排放相加得到各个城市总的碳排放。直接能源消耗产生的碳排放，如煤气和液化石油气等利用IPCC2006提供的相关转化因子计算，电能、热能、交通运输消耗的能源和碳排放借鉴前人研究成果[24-25]进行核算。

1.2.2 SBM-DDF模型与GML指数

假设每个城市的决策单元（DMU）在使用N个输入时得到一组M个期望产出和I个非期望产出。x、y、b为投入、期望产出和非期望产出。使用非径向、非导向基于松弛测度的SBM-DDF模型能够更准确地测度碳排放绩效。生产可能性的集合如下：

Dt0（xt，k，yt，k，bt，k，gx，gy，gb）=maxsx，sy，sb［

1N∑Nn=1sxngxn+1M+1（∑Mm=1symgym+∑Ii=1sbigbi）］/2；

s.t∑Kk=1ztkxtkn+sxn=xtk′n，n;（2）

∑Kk=1ztkytkm－sym=ytk′m，m;

∑Kk=1ztkbtki+sbi=btk′n，i;

∑Kk=1ztk=1，ztk≥0，k;

sym≥0，m;syi≥0，i

其中：（xt，k，yt，k，bt，k）表示在t时期中的输入和输出量，（gx，gy，gb）表示减少输入、增加期望输出和减少不期望输出的方向矢量。（sxn，sym，sbi）是松弛向量，其分别指示冗余输入、不足的期望输出和过多的不期望输出的量。（sxn，sym，sbi）gt;0表示实际输入和不期望输出超过边界输入和输出，而期望输出小于边界输出。K为决策单元的个数； ztk代表着第t期的权重，当ztk≥0时，表示尺度回归常数。

然而，由于大多数研究通常使用横截面和数据包络分析（DEA）对环境绩效进行测度，无法获得对 CO2排放性能动态变化的了解。Malmquist 指数、Malmquist-Luenberger（ML）指数以及全局Malmquist-Luenberger（GML，式中记为Rt+1GMLt）生产率指数等可以用来衡量生产率的动态变化[18]。由于GML指数具有传递性、循环累加性等优点，可以有效地避免传统 ML指数不具备循环传递性和线性规划无解的问题[27]，故本研究使用 GML 指数（式中以 l cm表示）来衡量碳排放绩效的动态变化。GML公式如下：

Rt+1GMLt（xt，yt，dt;xt+1，yt+1，bt+1）=［1+Dt0（xt，yt，bt）］/［1+Dt0（xt+1，yt+1，bt+1）］。（3）

1.2.3 Kernel密度估计模型

Kernel密度估计模型是一种非参数方法，用于估算概率密度函数，公式如下：

f^h（x）=1nh∑ni=1H（x－xih）。（4）

式中：H（·）为核函数；h为一个平滑参数（hgt;0），n为样本数量；x为碳排放效率；xi为i地区的x值。

1.3 城市碳排放效率空间关联关系测度

1.3.1 修正引力模型的构建

采用引力矩阵Gij26×26刻画各市碳排放效率联系强度。在以Gij各行均值为阈值的基础上，对矩阵进行二值化处理，并采用碳排放效率指数对空间关联的贡献度修正引力常量k′来刻画碳排放效率的关联方向，从而识别特定的碳排放效率提升的空间传导路径[28]。构建的修正引力模型如下：

Gij=k′MiMjD2ij，k′=MiMi+Mj，

Dij=dijgi－gj。（5）

其中：Gij为城市i和城市j之间的碳排放效率引力强度；k′为修正后的引力常量；Mi、Mj分别表示i、j的碳排放效率水平；dij表示i与j之间的经济地理距离；g表示GDP；Dij是城市间的经济地理距离。

1.3.2 空间关联强度分析方法

采用了社会网络分析法探究长三角城市群碳排放效率水平的空间关联强度。将每个城市都当作一个网络节点，节点之间通过相互作用建立联系，连接体由连接两个节点的线组成，多个连接体的集合构建了整个关联网络[29-30]，并利用网络密度、关联度、等级度、效率以及中心度等关联网络的特征分析指标来解释某变量或因素在网络中的空间分布及关联特征，具体公式见文献[31-32]。

块模型分析作为分析空间关联网络的方法，主要揭示碳排放效率的内部结构。采用迭代相关收敛算法（CONCOR）将复杂的网络划分为若干子板块，便于直观分析子板块之间的关联关系[33]。不失一般性，本研究将其划分为净溢出、双向溢出、净受益、经纪人四大板块。判断板块在整体中扮演的角色类型如表1所示，其中，gk为某一板块的地区数，g为整个网络的地区数。

长三角城市群碳排放效率的空间关联网络是多种因素共同作用的结果。如果采用传统的计量经济模型进行实证检验，由于因素之间存在多重共线性，结果会产生偏差。二次指派程序（quadratic assignment procedure，QAP）回归分析法作为非参数方法，不需要假设变量是独立的，能更有效地研究多个独立变量矩阵和因变量矩阵之间的关系[2，34]。因此，为进一步考察碳排放效率空间网络关系的作用机制，利用QAP对其驱动因素进行分析。故根据现有相关的理论和实证研究[7，35]，选取政府宏观调控（xGOV）、环境规制（xER）、产业结构（xIND）、对外开放（xFDI）、绿色技术创新（xGIN）、新型城镇化水平（xURBAN）6个因素对碳排放效率网络进行分析，并构建如下模型：

YHQ=f（xGOV，xER，xIND，xFDI，xGIN，xURBAN）。（6）

其中，f（.）为城市空间关联关系矩阵。对驱动因素的代理变量说明如下：采用公共预算财政支出占当年GDP比重表征地区的政府宏观调控（GOV）水平；通过熵权法将工业三废去除率拟合为本研究的环境规制（ER）指标。考虑到第二产业是非期望产出的“主力军”，且通常第二产业比重越高，其带来的污染也越严重，会对碳排放效率产生不利影响，因此，采用第二产业增加值占GDP比重来刻画产业结构（IND）；采用实际使用外资额占GDP的比重刻画地区对外开放程度（FDI）；利用绿色专利的产出数量来衡量绿色创新[36]（GIN）；借鉴已有方法[37]从经济、社会、人口和土地城市化4个角度构建了一个全面的城市化评估指数系统即URBAN。

2 长三角城市群碳排放效率的时空特征

2.1 碳排放效率水平时间演化趋势

长三角城市群低碳发展呈先升后降再升的“N”形演变趋势，总体水平由0.995增至1.012，但各城市差异明显。核密度估计结果见图1，可以看出，长三角城市群样本年间整体碳排放效率的核密度曲线函数中心大致经历了2008—2012年的“右移”、2012—2016年的“左移”、2016—2020年的“右移”3个阶段，峰度轻度变宽，变化不大。经过测度，2007—2008（为便于理解，2007—2008年碳排放动态效率用2008年碳排放效率表示，以此类推）、2011—2012年、2015—2016年、2019—2020年长三角26个城市碳排放动态效率水平见表2，发现长三角城市群碳排放效率整体上呈上升趋势，区域差距随时间变化较小。核密度曲线峰值相差不大，但在2012年的碳排放效率峰值最大，右尾有明显拉长趋势，说明2012年碳排放效率较高，但存在差距变大的现象（图1）。这可能是因为2012 年中国经济结构优化升级，从要素驱动、投资驱动转向创新驱动，进入“经济发展新常态”，但城市间经济结构转型速度不一。2020年存在右尾拖拽现象，无左尾拖拽现象，即2020年个别城市碳排放效率水平较高，不存在两极分化现象。

2.2 碳排放效率水平空间演化趋势

基于测算数据，利用ArcGIS绘制2008年、2012年、2016年和2020年碳排放效率水平的空间差异，并划分为低、较低、中度、高4个等级进行比较，结果见图2。

分析可知，长三角城市群低碳发展的总体水平仍有很大的改进空间，并具有明显的时间和地区差异，呈现出由池州、南京、上海、合肥等区域核心城市逐渐向周边城市扩散的特征[38]。具体来看，2008年各市碳排放效率呈现非均衡分布状态，有常州、上海、安庆、南通、南京、马鞍山、金华、铜陵7个高等级碳排放效率的城市，较低等级的城市有池州市、芜湖市、扬州市、台州市，低等级仅有盐城和滁州两市，其余城市均为中度等级城市。但2008年划分不同等级的数值远远小于2020年数值，这说明地区整体碳排放效率水平呈上升态势且2008年城市碳排放效率处于较低水平；2012年低等级和较低等级城市明显增多，这主要是因为相较于研究初期，2012年不同等级的碳排放效率水平数值均提高，说明2011年水平整体提升，但提升幅度较小仅为0.9%。2016年中度等级城市不断增加，高度和低度等级城市均仅有1个，分别是池州市和盐城市。2020年长三角城市群的临海地区低碳发展水平明显优于其他地区，较低与中度等级均呈现出反“Ｃ”形的半包围空间分布格局。

3 长三角城市群碳排放效率空间关联分析

3.1 碳排放效率空间关联网络特征

3.1.1 关联网络的构建及中心度变化

基于修正引力模型进行长三角城市群碳排放效率空间关联网络可视化，由于研究期间网络较为稳定，故仅展示2020年的空间网络图（图3）。碳排放效率空间关联网络以影响碳排放效率的相关要素流动为载体，由城市间的分工、竞争与合作等复杂的社会再生产活动所产生。图中26个节点代表碳排放效率网络系统中的26个城市，节点之间的结构关系就是边的连接，每条边分别代表城市间碳排放效率的相互作用关系。

如图3所示，长三角城市群碳排放效率水平在城市间呈现出较为明显的网络结构，节点间的关系存在显著差异。不难看出安庆市、上海市、苏州市、池州市、无锡市等城市度数中心度最高，在网络中的协调控制能力较强，并处于相对中心位置。这可能是因为以上城市的碳排放效率指数在长三角城市群排名较为靠前，且关联关系较多。

各城市经济碳排放效率的空间网络结构特征如表3所示，网络密度在2008—2020年间小于0.3并且波动性非常小。这表明长三角城市碳排放效率的空间联系较为稳定，但有很大的提升空间。关联度从2008年到2020年均为1，表明长三角城市群碳排放效率网络连通性非常好，没有孤立发展的城市[39]。网络效率在0.657左右，城市间冗余连线稳定。网络等级度为0.148，最近上限为0.997，说明地区间有一定的等级性，具有非对称的溢出关系，但层级关系较弱，有助于促进城市间联系渠道的畅通。结合各项指标，可以看出长三角城市群碳排放效率的网络指标在2008—2020年较为稳定。

1）点度中心度。长三角城市群城市碳排放效率空间关联网络的平均点度中心度为9.692 3，安庆、池州、苏州、上海、滁州、无锡等12个城市高于均值，表明这些城市在城市碳排放效率空间关联网络中与其他城市之间的联系较多；反之，铜陵、常州、合肥、绍兴、嘉兴这5个城市在该网络中与其他城市的联系较少，这可能是因为这些城市位于长三角城市群的边缘地带，区位优势不明显。此外，安庆、常州、池州、滁州、杭州等城市的碳排放效率具有明显的外溢效应，而宣城、盐城、扬州、镇江、舟山等城市溢出比例排名靠后，说明这些城市主要接受网络中其他城市的溢出关系，在碳排放效率提升过程中会吸引并得到其他城市的支持。

2）中间中心度。26个城市中间中心度均值为21.115（表4），高于均值的城市从高到低为滁州、杭州、苏州、安庆、无锡、宣城、池州、盐城、上海、宁波，这10个城市的中间中心度之和（440.274）在总量（548.990）中占比高达80.19％，表明这些城市是网络中的关键节点，起到“中介”和“桥梁”的作用；中心度排名较后的为镇江、嘉兴、马鞍山、湖州等市，受经济因素、区位环境等影响很难在空间联系网络中占据中心位置。

3）接近中心度。长三角城市群平均接近中心度为60.952，有安庆、池州、苏州、上海和滁州等15个城市高于均值，说明这些城市在碳排放效率关联网络中与其他城市的连接距离较短，能够实现快速关联，扮演“中心行动者”的角色。排名靠后的绍兴、嘉兴、芜湖、铜陵等城市是“边缘行动者”，分析认为这几个城市处在城市群外围地带，与其他城市的联系有待提高。总体来看，长三角城市碳排放效率的网络中心度呈现非均衡特征。

3.1.2 碳排放效率空间关联网络分布特征

采用块模型分析法对长三角城市群碳排放效率的空间关联网络分布进行分析，并将其分为4个板块（图4和表5）。板块1包括上海、绍兴、无锡、舟山、苏州、宁波和杭州7个城市，板块2包括嘉兴、镇江、常州、南通和南京5个城市，板块3包括安庆、盐城、芜湖、铜陵、宣城、滁州、合肥、池州8个城市，板块4包括扬州、马鞍山、泰州、台州、金华、湖州6个城市。2020年城市碳排放效率空间关联网络的关系总数为188个，板块间外部关系数为185个，内部关系数为3个，说明板块间的碳排放效率具有明显的空间溢出效应。其中：板块1外溢关系数为50个，内部关系数0个，接收板块外关系数80个，期望内部关系比例为24%，接受强度排名最高，属于“主受益”板块”；板块2溢出关系总数为43，接受和溢出到其他板块的数量分别为14和29，该板块接收外部成员的连接，并将关系发送到其他板块，且以板块间关系为主，属于“经纪人”板块；板块3虽然同样接收和发送连接，但对其他板块具有较大的溢出强度，因此属于“双向溢出”板块；板块4向其他板块溢出关系数为48个，远高于接收关系数，为典型的“净溢出”板块。

为深入考察板块间的关联关系，根据表5计算出密度矩阵后转化为像矩阵，即将局部网络密度大于整体（0.289）的板块赋值为1，反之为0（表6）。因此，可以通过比较表6和图4的结果来描述板块之间的关系。可以看出，各板块联系紧密，溢出关系明显。这可能与长三角城市群交通设施互联互通程度不断提高、城市能级不断提升、各类要素自由流动加快、生态绿色一体化发展进程不断推进密切相关。具体来说，“主受益”板块成员主要分布在上海、苏州、宁波等长三角城市群东南部的临海地区，该板块与其他板块间均表现出较强的“接收效应”和“溢出效应”。但总体来看，极化效应大于涓滴效应，目前依旧具有较强的吸附其他城市碳排放效率所需资源和要素的能力。“经纪人”板块成员主要分布在板块1临海城市的外围、长三角城市群的中间位置，是网络中的“枢纽”与“桥梁”，能有效增强城市群内部城市间碳排放效率的连通性，为其他板块的空间溢出提供了良好的地理优势。“双向溢出”板块成员主要分布在安徽省内、长三角城市群西北部，在网络中起“第一动力”的作用，板块内的城市对板块外的多数城市存在溢出效应，且溢出效应主要作用于主受益板块。“净溢出”板块成员主要分布在长三角城市群的中部，分布在经纪人与双向溢出板块的中间及主受益板块的南部，与其他板块的关联方式多为“溢出”交流，说明在长三角城市碳排放效率的关联网络中，大部分碳排放效率的生产资源外溢，但相关资源引进较少。

3.2 碳排放效率空间关联网络影响因素

由于本研究的变量为关系矩阵，故使用二次指派程序[40]来估计矩阵数据的参数，即通过 QAP回归分析法探究长三角城市群碳排放效率空间关联网络的影响因素，结果见表7。如表7所示，回归结果中的6个影响因素变量可以解释长三角城市群碳排放效率空间关联性变化。总体来看，政府宏观调控、环境规制、产业结构、对外开放、绿色创新、新型城镇化水平的回归系数均为正值，其中，政府宏观调控、产业结构在不同年份均通过了α=1%的显著性水平检验。

政府宏观调控是推动长三角城市群碳排放效率空间网络形成的重要手段。政府财政支出则是政府宏观调控的关键手段，尤其是向对城市公共物品提供财政支持，是改善环境和民生福祉的重要方式。这是因为政府支出是传递给企业、公众等其他部门的重要信号，将以有偏的方式指导其他部门的生产、投资与消费的方向。近些年，中国政府越来越关注城市的绿色发展，并将其纳入政务决策。长三角城市群作为中国经济实力和区域竞争力的引领者、中国碳排放效率的先行者，通过实施长三角生态绿色一体化发展示范区、生态补偿等手段弥补市场失灵，促进碳排放效率的资源流动，提升碳排放效率水平。值得一提的是，政府宏观调控系数从2008年的0.200增加到2020年的0.392，说明政府宏观调控对长三角城市群碳排放效率的影响逐渐加大。此外，推广低碳技术和清洁能源的使用、加强环保监管和执法、实施碳排放权交易等措施的效果需要一定时间才能显现，因此随着时间的推移，政府宏观调控的作用越来越明显。

目前长三角地区的环境规制促进了碳排放效率的关联网络。当政府提高环境监管的强度时，企业将受到强制性排放标准的约束，不可避免地会产生“成本合规效应”和“创新补偿效应”。样本期间，环境规制系数变化不大且显著为正，这说明在当前阶段长三角城市群的环境规制水平明显有助于企业选择符合环境监管标准的生产战略，减少污染物排放并升级生产过程。因此，环境监管强度的提高可以产生环境激励，从而提高碳排放效率。产业结构转型是实现碳排放效率的有效措施之一。虽然产业结构系数在近些年份略微下降，但总体来看，产业结构对碳排放效率关联网络的促进作用最为明显，即长三角城市群的产业结构对其碳排放效率具有重要的促进作用。这可能是因为在研究期间，劳动力、资本和能源等资源要素已从农业转移到制造业和服务业，产业结构从低水平向高水平发展，资源要素的分配与利用更合理、高效，减少了资源浪费和生态破坏，促进了产业的低碳协调发展。

对外开放对长三角城市群碳排放效率的影响有阶段性变化，由前期的阻碍作用逐渐转变成促进作用。其原因可能在于研究期初为了吸引外国直接投资，地方政府降低了部分环境标准，并一段时间忍受了污染行业造成的环境污染。然而，随着中国政府对环境的重视，高质量的对外开放可以通过溢出效应、示范效应和竞争效应提高长三角城市群的绿色低碳发展水平。

绿色技术创新是打破资源环境难题、提高碳排放效率的“关键”。整体来说，绿色技术创新水平对碳排放效率关联网络的促进作用随着时间推移日益明显，说明绿色技术创新有助于提高资源利用效率、减少环境污染。新型城镇化水平对长三角城市群碳排放效率的影响系数逐渐增大。这表明随着时间推移，新型城镇化对长三角城市群碳排放效率的促进作用越来越明显。新型城镇化作为一种绿色、包容、可持续的城镇化，为城市发展带来了大量资本和技术扩散红利，通过积累物质、知识和人力资本以优化城市低碳发展的驱动力，提高碳排放效率。并且，新型城镇化强调城市建设和管理的可持续性和环保性，推动城市向低碳、绿色、智能化方向转型，可以有效地减少碳排放。

总之，要实现长三角城市群碳排放效率的持续提高，需要采取更加精准的政策措施，针对不同城市的特点进行差异化的发展，加强城市间的合作与协调。此外，还需要在产业、技术、管理和制度等方面加强创新和改革，以提高城市群的碳排放效率，促进可持续发展。

4 结 论

城市群作为推进低碳高质量发展的新型重要载体，已成为当前经济工作的重点。探究典型城市群的碳排放效率情况对促进以城市群为支柱的区域协调发展和低碳转型战略实施具有重要意义。本研究在对碳排放效率水平进行科学测算的基础上，运用社会网络分析方法揭示了长三角城市群碳排放效率水平网络的结构特征，并利用二次指派程序对关联网络形成的驱动因素进行了实证研究。研究期间长三角城市群碳排放效率总体呈上升趋势，具有明显的时间和地区差异，呈现出由池州、南京、上海、合肥等区域核心城市核心区向外围区逐渐衰减的态势。从整个网络特征来看，长三角城市群碳排放效率的关联关系呈现出复杂的网络结构特征，网络结构较为稳定，网络密度处于较低水平但网络连通性较好。

从个体网络来看，各城市在空间网络中的地位具有明显的异质性。上海、苏州、无锡、杭州、滁州和安庆等城市具有较高的点度、中间和接近性中心，它们在空间关联网络中起着至关重要的作用，可以对其他城市形成强有力的影响。从块模型分析来看，各板块的城市交流密切，长三角城市群东南部的临海地区最为活跃，既是主要流入区也是主要流出区，西北部在网络中起“第一动力”的作用，而中部位置有效增强了城市群内部的连通性，部分城市呈现明显溢出效应。

政府宏观调控、环境规制、产业结构、对外开放、绿色创新、新型城镇化水平对长三角城市群碳排放效率空间关联网络的形成有显著影响。相比之下，产业结构、政府宏观调控对长三角城市群碳排放效率空间关联网络的形成影响最大，而新型城镇化水平对碳排放效率关联网络的促进作用随着时间推移日益明显。根据研究结论，提出以下对策建议：

1）提高长三角城市碳排放效率需要进一步深化生态绿色空间一体化的低碳发展理念，打破区域壁垒，缩小长三角城市群城市间低碳转型差距，强化自身在网络中的空间关系，发挥区域比较优势。同时要注重城市间的协同关系，通过加大空间关联强度、发挥核心城市的空间辐射效应以提高城市之间的协同度，促进长三角城市群碳排放效率空间关联网络的形成。

2）不同的城市应根据其在网络中的具体地位和作用，合理分工、相互促进，达到区域低碳协调发展。具体来说，长三角城市群东南部城市应强化核心城市的空间辐射效应，通过技术和知识溢出等方式发挥示范引领作用；中部城市接受强度较弱，应在做好“桥梁”作用的同时，利用短距离带来的时间效率和成本效益，积极承接长三角城市群外围城市的溢出效应，加大与邻近和领先城市的交流，充分发挥学习效应；以西北部为主的城市，应继续发挥“第一动力”的作用，在对长三角城市群东部城市提供碳排放效率生产资源的基础上，也应不断完善网络联通系统，如通过改善新型基础设施、交通信息系统等方式，扩大对中部地区的溢出效应。

3）政府宏观调控、环境规制、产业结构、对外开放、绿色创新、新型城镇化水平在不同程度上促进了碳排放效率水平的关联网络。因此，碳排放效率落后的地区，除了向排名靠前的地理相邻城市学习与合作，还可以通过政府宏观调控、优化产业结构、提高新型城市化水平等方式提高长三角城市群整体碳排放效率。

参考文献（reference）：

［1］ZHANG R J，TAI H，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]．Sci Total Environ，2022，841：156719．DOI： 10.1016/j.scitotenv.2022.156719.

［2］张伟丽，郝智娟，王伊斌，等．城市群人口流动空间网络及影响因素[J]．地理科学，2023，43（1）：72-81．ZHANG W L，HAO Z J，WANG Y B，et al．Spatial network and influencing factors of population flow in urban agglomeration[J]．Sci Geogr Sin，2023，43（1）：72-81．DOI： 10.13249/j.cnki.sgs.2023.01.008.

［3］冯薇，赵荣钦，谢志祥，等．碳中和目标下土地利用碳排放效率及其时空格局：以黄河流域72个地级市为例[J]．中国土地科学，2023，37（1）：102-113．FENG W，ZHAO R Q，XIE Z X，et al．Land use carbon emission efficiency and its spatial-temporal pattern under carbon neutral target：a case study of 72 cities in the Yellow River basin[J]．China Land Sci，2023，37（1）：102-113．DOI： 10.11994/zgtdkx.20230109.100514.

［4］徐英启，程钰，王晶晶．中国资源型城市碳排放效率时空演变与绿色技术创新影响[J]．地理研究，2023，42（3）：878-894．XU Y Q，CHENG Y，WANG J J．The impact of green technological innovation on the spatiotemporal evolution of carbon emission efficiency of resource-based cities in China[J]．Geogr Res，2023，42（3）：878-894．DOI： 10.11821/dlyj020220256.

［5］胡剑波，闫烁，王蕾．中国出口贸易隐含碳排放效率及其收敛性[J]．中国人口·资源与环境，2020，30（12）：95-104．HU J B，YAN S，WANG L．Efficiency and convergence of China’s export trade embodied carbon emissions[J]．China Popul Resour Environ，2020，30（12）：95-104．DOI： 10.12062/cpre.20200621.

［6］聂永有，姚清宇．长三角地区生产性服务业集聚与碳排放效率：基于SDM与PTR模型的实证检验[J]．工业技术经济，2022，41（6）：111-119．NIE Y Y，YAO Q Y．Agglomeration of producer services and carbon emission efficiency in the Yangtze River Delta： empirical analysis of SDM and PTR model[J]．J Ind Technol Econ，2022，41（6）：111-119．DOI： 10.3969/j.issn.1004-910X.2022.06.014.

［7］邵帅，范美婷，杨莉莉．经济结构调整、绿色技术进步与中国低碳转型发展：基于总体技术前沿和空间溢出效应视角的经验考察[J]．管理世界，2022（2）：46-69．SHAO S，FAN M T，YANG L L．Economic restructuring，green technical progress，and low-carbon transition development in China：an empirical investigation based on the overall technology frontier and spatial spillover effect[J]．J Manag World，2022（2）：46-69．

［8］吕雁琴，范天正，张晋宁．中国交通运输碳排放效率的时空异质性及影响因素研究[J]．生态经济，2023，39（3）：13-22．LYU Y Q，FAN T Z，ZHANG J N．Spatiotemporal characteristics and influencing factors of China’s transport sector carbon emissions efficiency[J]．Ecol Econ，2023，39（3）：13-22．

［9］BALAGUER J，CANTAVELLA M．The role of education in the Environmental Kuznets Curve： evidence from Australian data[J]．Energy Econ，2018，70：289-296．DOI： 10.1016/j.eneco.2018.01.021.

[10]CHU X，JIN Y Y，WANG X，et al．The evolution of the spatial-temporal differences of municipal solid waste carbon emission efficiency in China[J]．Energies，2022，15（11）：3987．DOI： 10.3390/en15113987.

[11]WANG R，WANG Q Z，YAO S L．Evaluation and difference analysis of regional energy efficiency in China under the carbon neutrality targets：insights from DEA and Theil models[J]．J Environ Manage，2021，293：112958．DOI： 10.1016/j.jenvman.2021.112958.

[12]HOANG V N，COELLI T．Measurement of agricultural total factor productivity growth incorporating environmental factors：a nutrients balance approach[J]．J Environ Econ Manag，2011，62（3）：462-474．DOI： 10.1016/j.jeem.2011.05.009.

[13]郭海红，刘新民．中国农业绿色全要素生产率的时空分异及收敛性[J]．数量经济技术经济研究，2021，38（10）：65-84．GUO H H，LIU X M．Spatial and temporal differentiation and convergence of China’s agricultural green total factor productivity[J]．J Quant Tech Econ，2021，38（10）：65-84．DOI： 10.13653/j.cnki.jqte.2021.10.004.

[14]胡安俊，孙久文．碳排放的产业空间版图、省际转移与中国碳达峰[J]．经济纵横，2022（5）：73-82．HU A J，SUN J W．The industrial and spatial maps，transfer among provinces of carbon emissions and suggestions on peak of carbon emissions in China[J]．Econ Rev J，2022（5）：73-82．DOI： 10.16528/j.cnki.22-1054/f.202205073.

[15]ZHANG Y J，LIU Z，QIN C X，et al．The direct and indirect CO2 rebound effect for private cars in China[J]．Energy Policy，2017，100：149-161．DOI： 10.1016/j.enpol.2016.10.010.

[16]朱于珂，高红贵，徐运保．双向FDI协调发展如何降低区域CO2排放强度？——基于企业绿色技术创新的中介效应与政府质量的调节作用[J]．软科学，2022，36（2）：86-94．ZHU Y K，GAO H G，XU Y B．How does coordinated development of two-way FDI reduce regional CO2 emission intensity？—Based on the mediating effect of enterprise green technology innovation and the moderating effect of government quality[J]．Soft Sci，2022，36（2）：86-94．DOI： 10.13956/j.ss.1001-8409.2022.02.13.

[17]刘承毅，李欣．环境规制对高碳制造业绿色低碳发展的影响：基于数字技术的调节效应[J]．首都经济贸易大学学报，2023，25（3）：18-31．LIU C Y，LI X．The impact of environmental regulation on the green and low-carbon development of high carbon manufacturing industry： based on the regulatory effect of digital technology[J]．J Cap Univ Econ Bus，2023，25（3）：18-31．DOI： 10.13504/j.cnki.issn1008-2700.2023.03.002.

[18]佘硕，王巧，张阿城．技术创新、产业结构与城市绿色全要素生产率：基于国家低碳城市试点的影响渠道检验[J]．经济与管理研究，2020，41（8）：44-61．SHE S，WANG Q，ZHANG A C．Technological innovation，industrial structure and urban GTFP： channel test based on national low-carbon city pilots[J]．Res Econ Manag，2020，41（8）：44-61．DOI： 10.13502/j.cnki.issn1000-7636.2020.08.004.

[19]刘赢时，田银华，罗迎．产业结构升级、能源效率与绿色全要素生产率[J]．财经理论与实践，2018，39（1）：118-126．LIU Y S，TIAN Y H，LUO Y．Upgrading of industrial structure，energy efficiency，green total factor productivity[J]．Theory Pract Finance Econ，2018，39（1）：118-126．DOI： 10.16339/j.cnki.hdxbcjb.2018.01.018.

[20]王璇，侯正，方勇．双向FDI、环境规制与碳生产率[J]．经济与管理研究，2022，43（12）：50-64．WANG X，HOU Z，FANG Y．Two-way FDI，environmental regulation，and carbon productivity[J]．Res Econ Manag，2022，43（12）：50-64．DOI： 10.13502/j.cnki.issn1000-7636.2022.12.004.

[21]杨浩昌，钟时权，李廉水．绿色技术创新与碳排放效率：影响机制及回弹效应[J]．科技进步与对策，2023，40（8）：99-107．YANG H C，ZHONG S Q，LI L S．Green technology innovation and carbon emission efficiency：an impact mechanism analysis and the rebound effect[J]．Sci Technol Prog Policy，2023，40（8）：99-107．DOI： 10.6049/kjjbydc.2023010061.

[22]王玉娟，江成涛，蒋长流．新型城镇化与低碳发展能够协调推进吗？——基于284个地级及以上城市的实证研究[J]．财贸研究，2021，32（9）：32-46．WANG Y J，JIANG C T，JIANG C L．Can new-type urbanization and low-carbon economy be pushed coordinately？—Empirical research based on 284 prefecture-level cities[J]．Finance Trade Res，2021，32（9）：32-46．DOI： 10.19337/j.cnki.34-1093/f.2021.09.003.

[23]张军，吴桂英，张吉鹏．中国省际物质资本存量估算：1952—2000[J]．经济研究，2004，39（10）：35-44．ZHANG J，WU G Y，ZHANG J P．The estimation of China’s provincial capital stock：1952—2000[J]．Econ Res J，2004，39（10）：35-44．

[24]吴建新，郭智勇．基于连续性动态分布方法的中国碳排放收敛分析[J]．统计研究，2016，33（1）：54-60．WU J X，GUO Z Y．Research on the convergence of carbon dioxide emissions in China：a continuous dynamic distribution approach[J]．Stat Res，2016，33（1）：54-60．DOI： 10.19343/j.cnki.11-1302/c.2016.01.008.

[25]LI H Q，LU Y，ZHANG J，et al．Trends in road freight transportation carbon dioxide emissions and policies in China[J]．Energy Policy，2013，57：99-106．DOI： 10.1016/j.enpol.2012.12.070.

[26]LONG Y，LIU L C，YANG B．Different types of environmental concerns and heterogeneous influence on green total factor productivity：evidence from Chinese provincial data[J]．J Clean Prod，2023，428：139295．DOI： 10.1016/j.jclepro.2023.139295.

LONG Y， LIU L C， YANG B. Different types of environmental concerns and heterogeneous influence on green total factor productivity： evidence from Chinese provincial data[J]. Journal of Cleaner Production， 2023， 428.

[27]时朋飞，耿飚，李星明，等．长江经济带旅游业环境生产率测度、空间分异及驱动机制研究[J]．中国软科学，2022（3）：78-87，111．SHI P F，GENG B，LI X M，et al．Measurement，spatial heterogeneity and driving mechanism of environment total factor productivity in tourism：a case study of the Yangtze River Economic Belt in China[J]．China Soft Sci，2022（3）：78-87，111．DOI： 10.3969/j.issn.1002-9753.2022.03.008.

[28]汤放华，汤慧，孙倩，等．长江中游城市集群经济网络结构分析[J]．地理学报，2013，68（10）：1357-1366．TANG F H，TANG H，SUN Q，et al．Analysis of the economic network structure of urban agglomerations in the middle Yangtze River[J]．Acta Geogr Sin，2013，68（10）：1357-1366．DOI： 10.11821/dlxb201310005.

[29]SU Y，YU Y Q．Spatial association effect of regional pollution control[J]．J Clean Prod，2019，213：540-552．DOI： 10.1016/j.jclepro.2018.12.121.

[30]周莹莹，程宝栋，尤薇佳，等.全球原木贸易网络结构及其危机传播的仿真分析[J].南京林业大学学报（自然科学版），2022，46（5）：192-200.ZHOU Y Y， CHENG B D， YOU W J， et al. Simulation analysis of global log trade network structure and crisis propagation [J]. J Nanjing Fore Univ （Nat Sci Ed）， 2022， 46 （5）： 192-200.DOI：10.12302/j.issn.1000-2006.202101040.

[31]赵林，曹乃刚，韩增林，等．中国生态福利绩效空间关联网络演变特征与形成机制[J]．自然资源学报，2022，37（12）：3183-3200．ZHAO L，CAO N G，HAN Z L，et al．Evolution characteristics and formation mechanism of spatial correlation network of ecological well-being performance in China[J]．J Nat Resour，2022，37（12）：3183-3200．DOI： 10.31497/zrzyxb.20221211.

[32]仇实，于强，刘泓君，等.基于生态环境质量评价的酒泉市生态空间网络优化研究[J].南京林业大学学报（自然科学版）：2024，48（2）：199-208.QIU S， YU Q， LIU H J， et al. Optimization of ecological space network in Jiuquan City based on ecological environment quality evaluation [J]. J Nanjing For Univ （Nat Sci Ed），2024，48（2）：199-208.DOI：10.12302/j.issn.1000-2006.202204070.

[33]HUANG Q Y，WONG D W S．Activity patterns，socioeconomic status and urban spatial structure：what can social media data tell us？[J]．Int J Geogr Inf Sci，2016，30（9）：1873-1898．DOI： 10.1080/13658816.2016.1145225.

[34]BAI C Q，FENG C，DU K R，et al．Understanding spatial-temporal evolution of renewable energy technology innovation in China： evidence from convergence analysis[J]．Energy Policy，2020，143：111570．DOI： 10.1016/j.enpol.2020.111570.

[35]王婧，杜广杰．中国城市绿色创新空间关联网络及其影响效应[J]．中国人口·资源与环境，2021，31（5）：21-27．WANG J，DU G J．Spatial association network of green innovation in Chinese cities and its impact effect[J]．China Popul Resour Environ，2021，31（5）：21-27．DOI： 10.12062/cpre.20201007.

[36]韦施威，杜金岷，潘爽．数字经济如何促进绿色创新：来自中国城市的经验证据[J]．财经论丛，2022（11）：10-20．WEI S W，DU J M，PAN S．How does digital economy promote green innovation：empirical evidence from Chinese cities[J]．Collect Essays Finance Econ，2022（11）：10-20．DOI： 10.13762/j.cnki.cjlc.20220308.001.

[37]周亮，车磊，孙东琪．中国城镇化与经济增长的耦合协调发展及影响因素[J]．经济地理，2019，39（6）：97-107．ZHOU L，CHE L，SUN D Q．The coupling coordination development between urbanization and economic growth and its influencing factors in China[J]．Econ Geogr，2019，39（6）：97-107．DOI： 10.15957/j.cnki.jjdl.2019.06.011.

[38]张明斗，张震．长三角城市群城市经济韧性的空间关联网络研究[J]．地理与地理信息科学，2023，39（1）：69-79．ZHANG M D，ZHANG Z．Spatial correlation network of urban economic resilience in the Yangtze River Delta urban agglomeration[J]．Geogr Geo Inf Sci，2023，39（1）：69-79．DOI： 10.3969/j.issn.1672-0504.2023.01.010.

[39]王小华，杨玉琪，罗新雨，等．中国经济高质量发展的空间关联网络及其作用机制[J]．地理学报，2022，77（8）：1920-1936．WANG X H，YANG Y Q，LUO X Y，et al．The spatial correlation network and formation mechanism of China’s high-quality economic development[J]．Acta Geogr Sin，2022，77（8）：1920-1936．DOI： 10.11821/dlxb202208006.

[40]陈红霞，雷佳．中国省际金融科技发展的空间关联网络及影响因素分析[J]．城市发展研究，2023，30（1）：112-122．CHEN H X，LEI J．Spatial correlation network and influencing factors of inter-provincial financial technology development in China[J]．Urban Dev Stud，2023，30（1）：112-122．DOI： 10.3969/j.issn.1006-3862.2023.01.014.

（责任编辑 郑琰燚）