黄河流域城市群碳排放效率空间关联网络结构及其影响因素

孙燕芳; 张园园; 赵怡

doi:10.15957/j.cnki.jjdl.2025.07.008

经济地理 >

2025 , Vol. 45 >Issue 7: 77 - 84

DOI: https://doi.org/10.15957/j.cnki.jjdl.2025.07.008

城市地理与新型城镇化

黄河流域城市群碳排放效率空间关联网络结构及其影响因素

孙燕芳 ,
张园园 ^,^※ ,
赵怡

展开

中国石油大学（华东）经济管理学院/数字化转型研究中心，中国山东青岛 266580

※张园园（1998—），女，博士研究生，研究方向为能源经济系统管理与政策分析。E-mail：zyy156625@163.com

孙燕芳（1977—），女，博士，教授，研究方向为项目投融资决策、宏观经济管理与可持续发展。E-mail：sunyanfang@upc.edu.cn

收稿日期: 2023-12-14

修回日期: 2024-09-21

网络出版日期: 2025-08-28

基金资助

山西省高质量发展研究课题(SXGZL2025081)

山东省社会科学规划研究项目(23CGLJ52)

收起

Spatial Correlation Network Structure of Carbon Emission Efficiency in Urban Agglomerations of the Yellow River Basin and Its Influencing Factors

SUN Yanfang ,
ZHANG Yuanyuan ^,^※ ,
ZHAO Yi

Expand

School of Economics and Management，China University of Petroleum (East China) / Research Center for Digital Transformation，Qingdao 266580，Shandong，China

Received date: 2023-12-14

Revised date: 2024-09-21

Online published: 2025-08-28

Fold

摘要

准确把握碳排放效率空间关联网络结构及其影响因素对于黄河流域城市群低碳发展具有重要意义。文章在采用三阶段超效率SBM模型测度2006—2022年黄河流域城市群碳排放效率的基础上，借助修正的引力模型构建空间关联网络，进而探究其碳排放效率的网络结构特征及其影响因素。结果表明：①观测期内，黄河流域整体碳排放效率呈现“先上升、后下降、再上升”的变化趋势；各城市群碳排放效率存在差异，其中中原城市群碳排放效率均值最高，晋中城市群最低。②黄河流域城市群碳排放效率形成了复杂的空间关联网络，且网络可达性较强，但流域整体及各城市群网络关联关系的紧密程度有待增强。③随着时间的演进，各驱动因素对黄河流域城市群碳排放效率空间关联网络的影响方向较为稳定。地理距离差异和人口密度差异对空间关联网络的形成具有显著负向影响，经济发展差异和技术创新差异则产生显著正向影响。此外，影响黄河流域各城市群碳排放效率空间关联网络形成的因素呈现出明显的异质性。

关键词： 黄河流域城市群; 碳排放效率; 超效率SBM模型; 空间关联网络; 经济发展水平; 技术创新

本文引用格式

孙燕芳 , 张园园 , 赵怡 . 黄河流域城市群碳排放效率空间关联网络结构及其影响因素[J]. 经济地理, 2025 , 45(7) : 77 -84 . DOI: 10.15957/j.cnki.jjdl.2025.07.008

Abstract

It is significant to accurately grasp the spatial correlation network structure of carbon emission efficiency and its influencing factors for the low-carbon development of urban agglomerations in the Yellow River Basin. Based on the three-stage super-efficiency SBM model, this study measures carbon emission efficiency of urban agglomerations in the Yellow River Basin from 2006 to 2022. And the spatial correlation network is constructed with the modified gravity model to explore the network structure characteristics and influencing factors of carbon emission efficiency. The results show that:1) During the observation period, the overall carbon emission efficiency in the Yellow River Basin shows a trend of "rising first, then declining, and rising again". There are differences in carbon emission efficiency among urban agglomerations, with the Central Plains urban agglomeration having the highest average carbon emission efficiency, and the Jinzhong urban agglomeration having the lowest. 2) Carbon emission efficiency in the Yellow River Basin has formed a complex spatial correlation network with strong network accessibility. However, the tightness of the network correlation relationship of the whole basin and urban agglomerations needs to be enhanced. 3) Over time, the influence of various driving factors on the spatial correlation network of carbon emission efficiency in the Yellow River Basin remains relatively stable in direction. Differences in geographical distance and population density have a significant negative impact on the formation of the spatial correlation network, while differences in economic development level and technological innovation exert a significant positive impact. Additionally, the factors influencing the formation of the spatial correlation network of carbon emission efficiency among urban agglomerations in the Yellow River Basin exhibit noticeable heterogeneity.

Key words： urban agglomerations in the Yellow River Basin; carbon emission efficiency; super efficiency SBM model; spatial correlation network; economic development level; technological innovation

黄河流域是中国重要的自然资源供应基地和生态屏障区^[1-2]，在国家发展中占据战略地位。然而，该流域面临着环境污染严重、生态环境脆弱以及碳减排压力较大等问题^[3]，低碳转型发展迫在眉睫。在此背景下，黄河流域生态保护和高质量发展成为重大国家战略。2021年国务院印发的《黄河流域生态保护和高质量发展规划纲要》明确指出，要坚持走绿色低碳发展道路，夯实高质量发展基础，这对于黄河流域生态保护和碳减排提出了新要求。碳排放效率综合考虑经济与环境因素，是评估环境绩效和低碳经济水平的指标之一^[4]。提高碳排放效率是实现黄河流域绿色低碳发展的重要途径。作为黄河流域人口和产业的密集区，城市群在流域低碳治理中发挥着关键作用，并在推动流域高质量发展方面起到了决定性作用^[5]。然而，黄河流域区域跨度较大，受制于经济发展和要素禀赋约束，各城市群碳排放效率存在差异，暴露出流域城市群间低碳发展不均衡、不协调等问题。因此，如何协同提升黄河流域城市群碳排放效率成为亟待解决的重大难题。

目前，学者们对于碳排放效率的研究可以归纳为以下三类：①碳排放效率的测度方法。Chai、Xie等基于非期望产出的超效率SBM模型分别对中国278个城市、全球59个国家的碳排放效率进行测度^[6-7]。为剔除外部环境对效率评估的影响，Zhang、李根忠等采用三阶段DEA模型测算中国建筑行业、长江经济带的碳排放效率^[8-9]。②碳排放效率的时空演变特征。王少剑等发现中国城市碳排放绩效呈现波动中上升趋势，其空间格局具有“南高北低”的特征^[10]；蔺雪芹等的研究表明京津冀城市工业碳排放效率不断提高，且城市间工业碳排放效率的空间差异逐渐减小^[11]。③碳排放效率的影响因素。相关学者认为技术进步^[7]、城市化^[12-13]、产业结构^[14-15]、数字经济发展^[16-17]和资源依赖^[18]等是影响碳排放效率的主要因素。

与此同时，部分学者以黄河流域为研究对象，对其碳排放效率相关问题展开了探讨。研究普遍采用超效率SBM模型对黄河流域碳排放效率进行测度^[19-20]。关于时空演变特征，王兆峰等发现黄河流域交通碳排放效率存在波动上升趋势，且呈现“中下游>上游”的空间格局^[21]。为进一步考察其影响因素，学者们引入随机效应模型、地理探测器和空间计量分析法等，研究发现经济发展和对外贸易水平^[20]、产业结构^[21]、技术进步^[22]和政府干预^[23]会对黄河流域碳排放效率产生影响。此外，少数学者以城市群为研究视角，如彭文斌等采用三阶段DEA模型测度长江中游城市群碳排放效率，并运用核密度估计、中心—标准差椭圆等方法分析其时空演化特征^[24]；王新平等结合经验正交函数和空间自回归模型，探究黄河流域城市碳排放效率的时空异质性及溢出效应^[23]。近年来，随着区域协调发展战略的不断推进，城市群内部低碳要素流动，互动联系逐渐加强^[25]，其空间效应超越了地理邻近距离^[26]，形成了复杂的碳排放效率空间关联关系。因此，从网络关联角度出发，考察黄河流域城市群碳排放效率空间关联结构及其影响因素，对于制定黄河流域协同减排政策、形成绿色发展的城市集群具有重要意义。

综合来看，现有研究主要集中在区域、流域、省域和行业层面的整体性测度与分析，对城市群碳排放效率研究相对较少。此外，针对碳排放效率空间效应的研究大多采用空间计量模型检验相邻地区的局部空间溢出效应^[27]，未能揭示其“全局”空间关联。鉴于此，本文首先利用三阶段超效率SBM模型对黄河流域城市群的碳排放效率进行测算；继而基于全局网络视角，通过修正的引力模型识别黄河流域城市群碳排放效率的空间关联关系，并采用社会网络分析法探讨其网络结构特征；最后利用QAP方法分析黄河流域城市群碳排放效率空间关联网络的影响因素，以期为推动黄河流域从“行政区经济”转向“城市群经济”发展模式，完善城市群协同减排机制提供理论指导和经验借鉴。

1 研究方法与数据来源

1.1 研究方法

1.1.1 三阶段超效率SBM模型

本文借鉴李金铠、陈晓红等的研究思路^[28-29]，采用三阶段超效率SBM模型测算黄河流域城市群碳排放效率，以剔除环境变量和随机误差对决策单元效率的影响。

第一阶段：采用非期望产出的超效率SBM模型，计算初始碳排放效率和各指标的松弛变量。

第二阶段：以第一阶段SBM模型分离得出的投入冗余值为被解释变量，以城镇化水平、开放程度和科技投入强度为解释变量进行SFA回归，并根据回归结果调整投入量。

第三阶段：使用调整后的投入变量替代原始投入变量，再次采用第一阶段的超效率SBM模型进行效率测算，该阶段得到的效率值消除了环境变量和随机误差的影响。

在投入和产出指标方面，选取资本、劳动和能源消耗作为投入指标，分别以永续盘存法计算得到的资本存量、年末单位从业人员数和能源消费总量（各市全年用电总量、天然气以及液化石油气使用量）来衡量。以各城市GDP为期望产出，并以2006年为基准进行平减；选取CO₂排放总量（万t）表示非期望产出。

环境变量是指无法主观可控但对碳排放效率具有显著影响的外部因素。借鉴现有文献^[9,24]，本文选取城镇化水平、开放程度和科技投入强度3个环境变量。其中，城镇化水平以城镇人口占常住总人口的比重来表示。城市规模不断扩大，人口不断聚集，进而影响能源消费总量和碳排放量。开放程度对技术、经济发展和环境具有影响，本文采用实际使用外资与GDP的比值作为衡量开放程度的指标。科技投入的增加有助于提升能源利用效率，进而影响碳排放效率，本文用科学技术支出占地方财政支出的比重表示科技投入强度。

1.1.2 修正的引力模型

引力模型源自万有引力定律和距离衰减原理，其综合考虑经济地理因素，是测度区域间相互作用关系、构建空间关联网络的有效方法^[30-31]。参考王凯、海小辉等的研究^[27,32]，引入修正的引力模型对黄河流域城市群碳排放效率的空间关联关系进行测度。公式如下：

（1）

y i j = K i j C i G i P i 3 C j G j P j 3 D i j 2 K i j = C i C i + C j, D i j = d i j g i - g j

式中：

y i j

表示城市

i

对城市

j

的碳排放效率空间关联强度；

C

、

G

和

P

分别表示各城市的碳排放效率、GDP和总人口数；

d i j

为城市

i

和城市

j

之间的地理距离；

g

为城市的人均GDP。根据式（1）计算得到黄河流域城市群碳排放效率的引力矩阵，取矩阵各行的平均值作为临界值，若高于该临界值标为“1”，反之则标为“0”，由此得到黄河流域城市群碳排放效率的空间关联矩阵。

1.1.3 社会网络分析法

社会网络分析能够反映出网络成员之间的关联关系，揭示整体网络特征和个体网络特征。本文通过网络密度和网络关联度指标衡量黄河流域城市群碳排放效率的整体网络特征。其中，网络密度反映城市间碳排放效率联系的紧密程度；网络关联度反映网络中城市之间的可达性。采用度数中心度、中间中心度和接近中心度来分析黄河流域城市群碳排放效率空间关联的个体网络特征。其中，度数中心度用来衡量各城市在所处网络中的中心程度；中间中心度反映某个城市对碳排放效率空间关联关系的控制能力；接近中心度表示该城市与网络中其他城市的直接联系程度。

1.2 数据来源

本文选取黄河流域山东半岛、中原、关中平原、晋中、呼包鄂榆、宁夏沿黄和兰西7个城市群的58个城市为研究对象，以“十一五”规划启动为起点，鉴于最新统计数据的可得性，将观测期确定为2006—2022年，相关数据来源于《中国城市统计年鉴》《中国能源统计年鉴》《中国固定资产投资统计年鉴》、CNRDS数据库以及各市统计年鉴、国民经济和社会发展统计公报等。个别缺失数据采用线性插值和趋势推算等方法进行补充。

2 黄河流域城市群碳排放效率测算结果与分析

表1为采用三阶段超效率SBM模型测度得到的黄河流域整体及各城市群碳排放效率均值。可以看出，样本期内黄河流域整体和各城市群碳排放效率均值处于0.5~1.0之间，其中黄河流域整体碳排放效率呈现“先上升、后下降、再上升”的变化趋势。分城市群来看，2006年，宁夏沿黄城市群效率值最高，山东半岛城市群效率值最低，关中平原、宁夏沿黄和兰西城市群碳排放效率超过黄河流域整体水平（0.704）。相较于2006年，2022年山东半岛城市群和中原城市群碳排放效率出现了提高。其中，山东半岛城市群效率值最高，中原城市群次之，二者高于黄河流域整体（0.737），而晋中城市群效率值最低，仅为0.604。

表1 黄河流域及各城市群碳排放效率

Tab.1 Carbon emission efficiency in the Yellow River Basin and urban agglomerations

地区	2006	2010	2014	2018	2022	均值
黄河流域	0.704	0.733	0.749	0.711	0.737	0.732
山东半岛城市群	0.648	0.724	0.773	0.755	0.832	0.751
中原城市群	0.701	0.748	0.796	0.758	0.782	0.765
关中平原城市群	0.745	0.749	0.760	0.707	0.717	0.739
晋中城市群	0.656	0.665	0.665	0.596	0.604	0.642
呼包鄂榆城市群	0.665	0.697	0.705	0.627	0.618	0.687
宁夏沿黄城市群	0.902	0.781	0.678	0.657	0.626	0.727
兰西城市群	0.737	0.759	0.714	0.696	0.694	0.719

此外，样本期内7个城市群中中原城市群碳排放效率均值最高，山东半岛城市群次之，然后是关中平原城市群，三者效率均值高于黄河流域整体均值，其他4个城市群效率均值均低于黄河流域整体，其中晋中城市群碳排放效率均值最低。主要原因是，中原、山东半岛和关中平原城市群作为黄河流域的经济核心区域，具备较强的产业基础、技术储备和政策资源倾斜优势，推动了绿色技术应用和产业结构优化，进而提升了碳排放效率。而晋中城市群受限于资源型产业比重较大、产业结构偏重以及低碳转型推进缓慢，碳排放效率相对较低。

3 黄河流域城市群碳排放效率的空间关联网络分析

3.1 碳排放效率空间关联网络

本文基于修正的引力模型测度黄河流域城市群碳排放效率空间关联强度，并在此基础上构建空间关联矩阵。同时，利用Ucinet 6.0软件中的Netdraw功能绘制了黄河流域整体及各城市群的碳排放效率空间关联网络，受篇幅限制，文中仅展示了具有代表性的2022年黄河流域整体及5个城市群的网络拓扑图（图1）。由图1可以看出，黄河流域整体碳排放效率的空间关联处于融合状态，形成了网络状空间关联关系，具有复杂的空间网络特征。这表明黄河流域碳排放效率水平受本地及其他地区因素的共同影响，空间关联关系不再局限于地理距离的邻近范围。

显示原图|下载原图ZIP|生成PPT

图1 2022年黄河流域碳排放效率的空间关联网络

Fig.1 Spatial correlation network of carbon emission efficiency in the Yellow River Basin in 2022

分城市群来看：①山东半岛城市群由于拥有更多的城市数和关系数，比其他城市群的网络结构更复杂。2006年东营、淄博和济南位于核心区，2022年以东营、青岛和济南为核心。同时发现，在山东半岛城市群碳排放效率的空间关联网络中，东营市处于核心位置，其他城市与东营市关联较为密切，且相互之间存在关联。东营作为黄河入海口，优越的地理位置使其成为山东半岛城市群碳排放效率空间关联网络的中心；淄博的核心地位逐渐下降，而青岛凭借优越的区位优势和较强的经济发展水平占据新的核心地位。②2006和2022年中原城市群碳排放效率的空间关联网络中郑州占据核心地位，这主要是因为中原城市群的支撑点主要在河南省，其提出培育壮大郑州大都市区，作为核心城市的郑州发挥了重要作用。③西安和太原分别位于关中平原和晋中城市群碳排放效率空间关联图的核心区，其他城市围绕核心城市建立联系。④呼包鄂榆城市群的网络结构经历了变化，从2006年的榆林为核心，转变为2022年的鄂尔多斯为核心。可能的原因是，近年来鄂尔多斯在绿色基础设施建设方面取得了显著进展，如发展低碳交通系统和高效能源利用设施，产业结构不断优化，在碳排放效率的空间关联网络中的地位提升。⑤宁夏沿黄城市群和兰西城市群的碳排放效率空间网络均实现了城市群内部整体联接。

3.2 整体网络结构特征

为进一步展示黄河流域城市群碳排放效率空间关联网络的整体结构特征，本文借助Ucinet软件分别得出黄河流域7个城市群以及整个流域的碳排放效率网络密度和网络关联度（表2）。从网络密度来看，样本期内黄河流域整体2006年为0.1760，后于2014年下降至0.1715，到2022年，整体网络密度小幅下降至0.1697。中原和呼包鄂榆城市群分别由2006年的0.2179、0.4167上升至2022年的0.3462、0.5833，显示出区域内部联系的增强。虽然近年来在《黄河流域生态保护和高质量发展规划纲要》的推动下，部分区域低碳要素跨区域流动加快，但从整体来看，网络密度仍处于较低水平，说明其碳排放效率的空间联系和互动仍需进一步加强。此外，兰西城市群碳排放效率空间关联网络密度保持不变，表明网络节点之间的紧密程度较为稳定。相较于2006年，山东半岛、关中平原和宁夏沿黄城市群2022年网络密度出现了降低。究其原因，山东半岛、关中平原城市群存在核心区，会产生虹吸效应，使得相关要素更为集中，影响了网络节点间的关联；宁夏沿黄城市群受经济发展水平等因素的制约，城市间的碳排放相关信息联系受阻。从网络关联度来看，2006、2014和2022年黄河流域7个城市群及整个流域的空间关联度均为1，表明各节点之间的可达性较强，城市间存在直接或间接的关联关系。

表2 空间关联网络整体结构特征

Tab.2 Overall structure characteristics of spatial correlation network

地区	2006		2014		2022
地区	网络密度	网络关联度	网络密度	网络关联度	网络密度	网络关联度
黄河流域	0.1760	1.0000	0.1715	1.0000	0.1697	1.0000
山东半岛城市群	0.2333	1.0000	0.2375	1.0000	0.2167	1.0000
中原城市群	0.2179	1.0000	0.2692	1.0000	0.3462	1.0000
关中平原城市群	0.2455	1.0000	0.6727	1.0000	0.2182	1.0000
晋中城市群	0.3000	1.0000	0.3333	1.0000	0.3000	1.0000
呼包鄂榆城市群	0.4167	1.0000	0.5833	1.0000	0.5833	1.0000
宁夏沿黄城市群	0.5833	1.0000	0.5000	1.0000	0.5000	1.0000
兰西城市群	0.5833	1.0000	0.5833	1.0000	0.5833	1.0000

3.3 个体网络结构特征

为进一步揭示各城市在城市群碳排放效率空间关联网络中的定位和作用，本节测算各城市群内城市的度数中心度、接近中心度和中间中心度并分别绘制其空间分布图（图2）。

显示原图|下载原图ZIP|生成PPT

图2 2006、2022年中心度空间分布

Fig.2 Spatial distribution of centrality in 2006 and 2022

2006—2022年，山东半岛城市群16市的度数中心度均值由34.9999下降至32.5000，其中，在2006、2014和2022年，济南、东营和淄博度数中心度始终高于平均值，且东营市度数中心度为最大值，明显高于其他城市，反映出东营的中心地位。中原城市群度数中心度较高的有郑州、鹤壁和周口，关中平原城市群较高的有西安和宝鸡，晋中、呼包鄂榆、宁夏沿黄和兰西城市群度数中心度高于平均值的城市分别由2006年的2、3、3和3个变为2022年的3、3、2和2个，表明这些城市在碳排放效率空间关联网络中与其他城市联系较多。

黄河流域各城市群接近中心度的城市排名与度数中心度大致相同，度数中心度较高的城市具有较高的接近中心度，表明处于中心位置的城市较容易与其他城市产生联系，在城市群碳排放效率关联网络中扮演着“中心行动者”的角色。从中间中心度来看，3个时间节点下，山东半岛城市群中心度的取值范围分别为[0.000,47.580]、[0.000,46.549]和[0.169,39.511]，值域区间逐渐缩小。其中，中间中心度较高的城市为济南、淄博和东营，这3个城市在碳排放效率空间网络中发挥着“中介”作用。2006—2022年，中原城市群中间中心度均值由5.9442下降至4.5454，表明原网络中心节点的控制作用略降低。关中平原城市群、晋中城市群中间中心度高于均值的城市分别是西安、太原，其2022年中间中心度分别高达82.2220和70.0000，说明这两个城市对其他城市的控制能力较强。2006—2014年，呼包鄂榆城市群的中间中心度高于均值的城市由1个（榆林）增加至2个（包头、鄂尔多斯），后于2022年减少为1个（鄂尔多斯）。宁夏沿黄城市群碳排放效率联系主要以银川和吴忠为“中介”，定西和兰州在兰西城市群碳排放效率网络中发挥“桥梁”作用。

4 黄河流域城市群碳排放效率空间关联网络的影响因素

4.1 模型设定与变量说明

在分析黄河流域城市群碳排放效率空间关联网络结构特征的基础上，进一步探究影响空间关联关系形成的因素。QAP方法不需要假设自变量间相互独立，能够很好地解决内生性问题，被广泛用于社会网络研究。据此，本文采用该方法分析黄河流域城市群碳排放效率空间关联网络的影响因素。参考已有研究^[25,33-34]，本文选取地理距离、经济发展、人口密度、对外贸易和技术创新的差异来解释黄河流域城市群碳排放效率空间关联网络的形成。其中，地理距离差异以城市间的地理距离差异来表示，经济发展差异用人均GDP差异来衡量，人口密度差异以单位土地面积上的人口数量差异来衡量，对外贸易和技术创新差异分别选择进出口总额与GDP的比值差异和城市专利申请量差异来衡量。基于以上分析，建立QAP回归模型如下：

（2）

C E E = F G D, E D, P D, I E, T I

式中：CEE为黄河流域碳排放效率空间关联矩阵；GD、ED、PD、IE、TI分别表示地理距离、经济发展、人口密度、对外贸易和技术创新差异矩阵。

4.2 碳排放效率空间关联影响因素分析

基于构建的QAP回归模型，本文可得到其回归结果（表3~表4）。由表3可以看出，随着时间的演进，各驱动因素对黄河流域碳排放效率空间关联网络的影响方向较为稳定，但显著性发生变化。具体而言：①地理距离差异的回归系数均在1%的条件下显著为负，说明城市间地理距离的增大不利于碳排放效率空间关联网络的形成。可能原因是，地理距离的增大导致低碳资源要素的传导费用更高，交易成本更高，传导效率更低，从而对城市间碳排放效率空间关联产生不利影响；而地理位置的邻近又能够加强城市之间的联系与合作，进而正向影响碳排放效率空间关联关系。②经济发展差异的回归系数均显著为正，表明经济发展水平差距较大的城市间具有较强的碳排放效率空间关联。这主要是因为，经济发达地区凭借先进的生产技术实现碳排放效率的提升，对低经济发展城市产生“示范效应”，并向其输出资本、技术等要素，带动提升碳排放效率水平，因此经济发展水平存在差距的城市间的交流和互动更加频繁。就各年系数来看，经济发展差异回归系数由0.4548减少至0.4234，表明随着时间的推移，经济发展差异对黄河流域碳排放效率空间关联网络形成的作用大小发生了变化。③人口密度差异的回归系数显著为负，表明人口密度差异越小，碳排放效率的空间关联越强。人口密度接近可以优化资源配置，缓解高密度城市的拥挤问题和低密度城市的资源浪费，提高公共资源的利用效率。此外，人口密度接近使城市在经济和社会条件上更为相似，有利于推动城市间的合作，共同实施低碳技术和政策，促进区域协调发展，从而加强低碳发展联系。④对外贸易差异的系数为负，虽不显著，但其负向关系在一定程度上表明，缩小地区间的对外贸易差距有助于促进碳排放效率空间关联网络的形成。究其原因，对外贸易水平相近的城市在产业结构、技术基础和发展需求等方面具有较高一致性，从而推动资源共享、低碳技术转移和绿色治理合作，进而增强城市间碳排放效率的空间关联。⑤技术创新差异的回归系数均显著为正，技术创新水平差距较大的城市之间生产交流和技术人员流动更加频繁，具有更紧密的碳排放效率关联关系。

表3 黄河流域QAP回归分析结果

Tab.3 Results of QAP regression analysis in the Yellow River Basin

变量	标准化回归系数
变量	2006	2014	2022
地理距离差异	-0.4016^***	-0.4004^***	-0.3960^***
经济发展差异	0.4548^***	0.4322^***	0.4234^***
人口密度差异	-0.0813^***	-0.0624^***	-0.0627^***
对外贸易差异	-0.0292	-0.0019	-0.0267
技术创新差异	0.0566^**	0.0760^**	0.0618^**

注：***、**和*分别表示在1%、5%、10%的统计水平上显著。表4同。

表4 城市群QAP回归分析结果

Tab.4 Results of QAP regression analysis in urban agglomerations

变量	标准化回归系数
变量	山东半岛城市群	中原城市群	关中平原城市群	晋中城市群	呼包鄂榆城市群	宁夏沿黄城市群	兰西城市群
地理距离差异	-0.4057^**	-0.4780^***	-0.4162^***	-0.2742^**	-1.7122^**	-0.1634	-0.4170^**
经济发展差异	0.6351^***	0.6396^***	0.3036^***	0.5562^**	2.3721^**	-1.6270	0.2990^**
人口密度差异	-0.0762	-0.1139^**	-0.4243^**	-0.4675	-0.4556	4.9573	0.4104^*
对外贸易差异	-0.0348^**	0.0189	0.0119	-0.0240	0.0001	0.0024	-0.0001
技术创新差异	0.0131	-0.0068	0.6577	0.4908	0.5989^**	-4.3826	0.0871^**

分城市群来看，地理距离差异的回归系数均为负，说明地理距离差异对黄河流域7个城市群碳排放效率空间关联网络的形成具有负向影响，且除宁夏沿黄城市群，对其他城市群的负向影响显著。同时，除宁夏沿黄城市群外，黄河流域各城市群经济发展差异的回归系数均显著为正，说明城市经济发展差异越大，碳排放效率的空间关联越强。此外，对外贸易差异对各城市群空间关联网络的影响存在差异。其中，仅对山东半岛城市群影响显著且系数为负，表明在大部分城市群，对外贸易差异并未显著影响碳排放效率空间关联网络的形成。而人口密度差异和技术创新差异对各城市群碳排放效率空间关联关系的影响大小、方向及显著性存在较大差异。

5 结论与启示

5.1 研究结论

本文通过三阶段超效率SBM模型测算黄河流域城市群碳排放效率，并结合社会网络分析法和QAP分析法探究黄河流域城市群碳排放效率空间关联网络的结构特征及其影响因素，得出以下结论：

①研究期内，黄河流域整体碳排放效率呈现“先上升、后下降、再上升”的变化趋势，黄河流域各城市群碳排放效率存在明显差异。与2006年相比，2022年山东半岛和中原城市群碳排放效率出现了提高，且二者效率值高于黄河流域整体。从效率均值来看，中原城市群碳排放效率均值最高，晋中城市群最低。

②黄河流域城市群碳排放效率突破了地理距离的邻近关系，形成了复杂的空间关联网络。从整体网络特征来看，黄河流域大部分地区网络密度处于较低水平，这些地区碳排放效率的空间联系和互动有待加强；整个流域及7个城市群的空间关联度均保持为1，空间网络中各节点间的可达性较强。

③对黄河流域城市群碳排放效率空间关联关系产生影响的因素有：地理距离差异、经济发展差异、人口密度差异、对外贸易差异和技术创新差异。随着时间的演进，地理距离差异和人口密度差异表现出显著的负向影响；对外贸易差异虽呈负向作用，但影响不显著；而经济发展差异和技术创新差异则产生显著正向影响。此外，这些因素对各城市群碳排放效率空间关联网络的影响具有异质性。

5.2 政策启示

①要充分重视黄河流域各城市群碳排放效率不均衡的现象，碳排放效率较高的城市群应发挥标杆作用，采用“传、帮、带”的模式，引领其他城市群共同发展。应通过统筹协调，逐步缩小各城市群之间的碳排放效率差异，促进黄河流域整体碳排放效率的提升。

②制定黄河流域碳减排政策方针时，要清晰认识地区之间碳排放效率的空间关联，构建更加开放的碳排放效率关联网络，加快地区之间的节能减排活动交流和合作，促进低碳技术和资金的跨区域流动，提升各地区在低碳发展方面的协同效应。同时，完善地区协同减排机制，可以促进政策的有效实施，确保各地区在减排目标上的协同努力，形成强大合力，实现低碳发展。

③考虑到影响各城市群碳排放效率空间关联网络的因素存在差异，各地要根据自身实际情况制定发展目标、精准施策。比如，山东半岛、中原、关中平原、晋中、呼包鄂榆和兰西城市群要加快基础设施建设和发展，发挥交通枢纽的作用，优化交通和通信条件，不断缩小地区之间的时间距离，同时也要关注经济发展差异较大的地区间碳排放效率的协作提升。此外，山东半岛城市群要重视对外贸易，推动城市之间的合作与交流，鼓励各地积极参与国际经济合作，缩小城市群内的对外贸易差异，以实现碳排放效率空间关联。

参考文献

原文顺序 | 文献年度倒序 | 文中引用次数倒序

[1]	马海涛, 徐楦钫. 黄河流域城市群高质量发展评估与空间格局分异[J]. 经济地理, 2020, 40(4):11-18. DOI

[2]	陆大道, 孙东琪. 黄河流域的综合治理与可持续发展[J]. 地理学报, 2019, 74(12):2431-2436. DOI

[3]	刘传明, 马青山. 黄河流域高质量发展的空间关联网络及驱动因素[J]. 经济地理, 2020, 40(10):91-99. DOI

[4]	邵海琴, 王兆峰. 中国交通碳排放效率的空间关联网络结构及其影响因素[J]. 中国人口·资源与环境, 2021, 31(4):32-41.

[5]	李治国, 孔维嘉, 张硕, 等. 中心集聚还是边缘扩散:数字经济对黄河流域城市群生产要素布局的影响[J]. 中国石油大学学报(社会科学版), 2025, 41(2):94-104.

[6]	Chai J, Tian L, Jia R. New energy demonstration city,spatial spillover and carbon emission efficiency:Evidence from China's quasi-natural experiment[J]. Energy Policy, 2023, 173:113389.

[7]	Xie Z, Wu R, Wang S. How technological progress affects the carbon emission efficiency?Evidence from national panel quantile regression[J]. Journal of Cleaner Production, 2021, 307(1):127133.

[8]	Zhang M, Li L, Cheng Z. Research on carbon emission efficiency in the Chinese construction industry based on a three-stage DEA-Tobit model[J]. Environmental Science and Pollution Research, 2021, 28(37):51120-51136.

[9]	李根忠, 朱洪亮. 基于三阶段SM-DEA-Malmquist指数的长江经济带碳排放效率研究[J]. 运筹与管理, 2022, 31(6):161-167. DOI

[10]	王少剑, 高爽, 黄永源, 等. 基于超效率SBM模型的中国城市碳排放绩效时空演变格局及预测[J]. 地理学报, 2020, 75(6):1316-1330. DOI

[11]	蔺雪芹, 边宇, 王岱. 京津冀地区工业碳排放效率时空演化特征及影响因素[J]. 经济地理, 2021, 41(6):187-195. DOI

[12]	Sun W, Huang C. How does urbanization affect carbon emission efficiency?Evidence from China[J]. Journal of Cleaner Production, 2020, 272:122828.

[13]	Yu X, Wu Z, Zheng H, et al. How urban agglomeration improve the emission efficiency?A spatial econometric analysis of the Yangtze River Delta urban agglomeration in China[J]. Journal of Environmental Management, 2020, 260:110061.

[14]	Zhou D, Zhang X, Wang X. Research on coupling degree and coupling path between China's carbon emission efficiency and industrial structure upgrading[J]. Environmental Science and Pollution Research, 2020, 27(7):25149-25162.

[15]	王凯, 何静, 甘畅, 等. 中国旅游产业结构变迁对旅游业碳排放效率的空间溢出效应研究[J]. 中国软科学, 2022(12):50-60.

[16]	王香艳, 李金叶. 数字经济是否有效促进了节能和碳减排?[J]. 中国人口·资源与环境, 2022, 32(11):83-95.

[17]	苏振, 郑应宏, 郭峦. 数字经济对旅游业碳排放效率的影响及门槛效应[J]. 中国人口·资源与环境, 2023, 33(8):69-79.

[18]	Fan M, Li M, Liu J, et al. Is high natural resource dependence doomed to low carbon emission efficiency?Evidence from 283 cities in China[J]. Energy Economics, 2022, 115:106328.

[19]	张明志, 王新培, 郇馥莹. 生产性服务业集聚与黄河流域减碳增效:基于碳排放效率的核算分析视角[J]. 软科学, 2023, 37(12):65-72.

[20]	宋敏, 邹素娟. 黄河流域碳排放效率的区域差异、收敛性及影响因素[J]. 人民黄河, 2022, 44(8):6-12,56.

[21]	王兆峰, 黄冬春. 长江经济带与黄河流域交通碳排放效率的比较及其影响因素[J/OL]. 经济地理:1-15[2023-10-13]. http://kns.cnki.net/kcms/detail/43.1126.K.20230831.1703.002.html.

[22]	蒋培培, 王远, 罗进, 等. 长江与黄河流域碳排放效率时空演变特征及路径识别探究[J]. 环境科学研究, 2022, 35(7):1743-1751.

[23]	王新平, 沈颖双, 苏畅. 黄河流域城市碳排放效率时空分异及其溢出效应研究[J]. 生态经济, 2023, 39(4):26-34.

[24]	彭文斌, 曹笑天, 苏昌贵, 等. 长江中游城市群碳效率时空演化特征——基于三阶段SBM-DEA模型[J]. 生态学报, 2023, 43(9):3532-3545.

[25]	李爱, 王雅楠, 李梦, 等. 碳排放的空间关联网络结构特征与影响因素研究:以中国三大城市群为例[J]. 环境科学与技术, 2021, 44(6):186-193.

[26]	尚杰, 吉雪强, 石锐, 等. 中国农业碳排放效率空间关联网络结构及驱动因素研究[J]. 中国生态农业学报(中英文), 2022, 30(4):543-557.

[27]	王凯, 张淑文, 甘畅, 等. 中国旅游业碳排放效率的空间网络结构及其效应研究[J]. 地理科学, 2020, 40(3):344-353. DOI

[28]	李金铠, 马静静, 魏伟. 中国八大综合经济区能源碳排放效率的区域差异研究[J]. 数量经济技术经济研究, 2020, 37(6):109-129.

[29]	陈晓红, 易国栋, 刘翔. 基于三阶段SBM-DEA模型的中国区域碳排放效率研究[J]. 运筹与管理, 2017, 26(3):115-122. DOI

[30]	田野, 罗静, 孙建伟, 等. 武汉城市圈内部空间联系及其轴—辐网络结构演化[J]. 地理科学进展, 2019, 38(7):1093-1102. DOI

[31]	李梦程, 王成新, 刘海猛, 等. 黄河流域城市发展质量评价与空间联系网络特征[J]. 经济地理, 2021, 41(12):84-93. DOI

[32]	海小辉, 湛星星, 王许. “双碳”目标背景下省域碳排放空间关联网络特征研究[J]. 统计与决策, 2024, 40(17):85-89.

[33]	吉雪强, 刘慧敏, 张跃松. 中国省际土地利用碳排放空间关联网络结构演化及驱动因素[J]. 经济地理, 2023, 43(2):190-200. DOI

[34]	郑航, 叶阿忠. 城市群碳排放空间关联网络结构及其影响因素[J]. 中国环境科学, 2022, 42(5):2413-2422.

Options

文章导航

模态框（Modal）标题

摘要