鄭 航,葉阿忠,2*
城市群碳排放空間關(guān)聯(lián)網(wǎng)絡(luò)結(jié)構(gòu)及其影響因素
鄭 航1,葉阿忠1,2*
(1.福州大學(xué)經(jīng)濟(jì)與管理學(xué)院,福建 福州 350116;2.福建省社科研究基地福州大學(xué)福建經(jīng)濟(jì)高質(zhì)量發(fā)展研究中心,福建 福州 350116)
基于社會網(wǎng)絡(luò)分析(SNA)及二次分配(QAP)方法,利用珠江三角洲城市群2001~2019年地級市數(shù)據(jù),探究珠江三角洲城市群碳排放空間關(guān)聯(lián)性及其影響因素.結(jié)果表明,珠江三角洲城市群碳排放空間相關(guān)性呈現(xiàn)出復(fù)雜的網(wǎng)絡(luò)結(jié)構(gòu)形態(tài),空間關(guān)聯(lián)的緊密程度呈現(xiàn)周期性變化,表現(xiàn)出“依政策波動(dòng)”特征.碳排放空間關(guān)聯(lián)網(wǎng)絡(luò)呈現(xiàn)顯著的“核心-邊緣”分布模式,廣州和深圳等經(jīng)濟(jì)發(fā)達(dá)城市處于網(wǎng)絡(luò)核心,發(fā)揮“中介”和“橋梁”作用,惠州,江門等發(fā)展較為落后的城市處于網(wǎng)絡(luò)邊緣,對網(wǎng)絡(luò)的控制和影響能力較為微弱.碳排放空間關(guān)聯(lián)網(wǎng)絡(luò)劃分為“凈受益”,“凈溢出”,“雙向溢出”和“經(jīng)紀(jì)人”4個(gè)板塊,各板塊之間的聯(lián)動(dòng)效應(yīng)顯著.經(jīng)濟(jì)發(fā)展水平,能源利用效率,技術(shù)水平和環(huán)保力度差異的擴(kuò)大促進(jìn)了碳排放空間關(guān)聯(lián)關(guān)系的形成.研究結(jié)果將有助于決策者為珠江三角洲城市群各城市界定減排責(zé)任和減排目標(biāo),制定更公平,更有針對性的城市群協(xié)同減排方案提供借鑒.
碳排放;空間關(guān)聯(lián);社會網(wǎng)絡(luò)分析;核心-邊緣結(jié)構(gòu)
中國作為世界最大的碳排放國家之一,由于幅員遼闊,各地區(qū)發(fā)展水平存在差異,很難以同樣的方式實(shí)現(xiàn)國家制定的低碳發(fā)展目標(biāo).因此,找到社會和生態(tài)環(huán)境協(xié)調(diào)發(fā)展道路是實(shí)現(xiàn)我國碳減排目標(biāo)的大前提.目前,中國80%以上的碳排放來源于城市[1],城市是碳排放活動(dòng)的中心,其對于實(shí)現(xiàn)碳減排目標(biāo)有著深遠(yuǎn)的影響.近年來,隨著我國一系列區(qū)域和空間發(fā)展戰(zhàn)略的實(shí)施[2],城市群內(nèi)部城市間的空間關(guān)聯(lián)逐漸增強(qiáng),使得碳排放空間聯(lián)系更加復(fù)雜和廣泛,呈現(xiàn)出多線程的網(wǎng)絡(luò)結(jié)構(gòu)形態(tài)[3].在此背景下,構(gòu)建城市群碳排放空間關(guān)聯(lián)網(wǎng)絡(luò),測度整體及個(gè)體網(wǎng)絡(luò)特征,明確城市群網(wǎng)絡(luò)態(tài)勢及各城市在網(wǎng)絡(luò)中所處的地位及角色,揭示空間關(guān)聯(lián)網(wǎng)絡(luò)結(jié)構(gòu)形成的影響因素,對于跨區(qū)域協(xié)同減排機(jī)制的構(gòu)建具有重要的理論和現(xiàn)實(shí)意義.
現(xiàn)有對于地區(qū)碳關(guān)聯(lián)的關(guān)注主要聚焦在碳排放的空間相關(guān)性和空間集聚特征.早期的相關(guān)研究主要基于探索性空間分析方法識別空間特征.部分學(xué)者基于統(tǒng)計(jì)數(shù)據(jù),遙感數(shù)據(jù)等評估地區(qū)碳排放量的空間格局及變化趨勢[4-5],部分學(xué)者基于空間模型識別地區(qū)碳排放空間依賴關(guān)系及空間集聚現(xiàn)象[6-7].結(jié)果表明,基于國家層面[8-9],省域?qū)用鎇10-11]和城市層面[12]的研究均認(rèn)為碳排放可以通過大氣環(huán)流,產(chǎn)業(yè)轉(zhuǎn)移等因素和經(jīng)濟(jì)活動(dòng)機(jī)制傳導(dǎo)到其它地區(qū),存在顯著的空間相關(guān)性和集聚性.但上述研究多局限于探索碳排放空間關(guān)聯(lián)“屬性數(shù)據(jù)”的性質(zhì),忽略了“關(guān)系數(shù)據(jù)”在識別空間相關(guān)性的優(yōu)勢.
近年來,越來越多的學(xué)者采用社會網(wǎng)絡(luò)分析(SNA)方法考察區(qū)域碳排放的復(fù)雜網(wǎng)絡(luò)關(guān)系.目前,社會網(wǎng)絡(luò)分析已逐步應(yīng)用于省域?qū)用嫣寂欧趴臻g關(guān)聯(lián)網(wǎng)絡(luò)的研究,探索碳排放的結(jié)構(gòu)特征和前因后果.結(jié)果表明,我國省域碳排放的空間關(guān)聯(lián)呈現(xiàn)出較為典型的網(wǎng)絡(luò)結(jié)構(gòu)形態(tài)[13-18],且地理[19],經(jīng)濟(jì)[20],技術(shù)[21],能源[22],產(chǎn)業(yè)[23],環(huán)保[24]和城鎮(zhèn)化[25]水平相近的省域之間有更大的可能形成碳關(guān)聯(lián).進(jìn)一步地,部分學(xué)者考慮了碳排放空間關(guān)聯(lián)對于區(qū)域碳減排責(zé)任劃分的影響.已有研究均認(rèn)為應(yīng)在考慮空間關(guān)聯(lián)網(wǎng)絡(luò)結(jié)構(gòu)特征的前提下,因地制宜制定差別化的減排政策[3,23].
然而,目前將社會網(wǎng)絡(luò)分析應(yīng)用于我國城市層面,尤其是城市群碳排放空間關(guān)聯(lián)關(guān)系的研究仍十分有限.考慮到城市之間存在空間關(guān)聯(lián),各城市為達(dá)到自身設(shè)定的減排目標(biāo),不僅要考慮自身的碳排放情況,還需要充分考慮并有效“牽制”與之關(guān)聯(lián)城市的碳排放.缺少對于城市群二氧化碳空間網(wǎng)絡(luò)結(jié)構(gòu)特征及其影響因素的研究,不利于我國在實(shí)施區(qū)域協(xié)調(diào)發(fā)展戰(zhàn)略中制定符合區(qū)域特點(diǎn)的減排政策.基于此,本文將經(jīng)濟(jì)學(xué)的思維方式與社會學(xué)的經(jīng)典方法融合,采用社會網(wǎng)絡(luò)分析(SNA)及二次分配(QAP)方法同時(shí)考察珠江三角洲城市群碳排放網(wǎng)絡(luò)的空間關(guān)聯(lián)關(guān)系及其影響因素(空間,經(jīng)濟(jì),能源,產(chǎn)業(yè),技術(shù),環(huán)保),闡明每個(gè)城市所處的網(wǎng)絡(luò)地位,并識別區(qū)域碳排放關(guān)聯(lián)屬性的影響因素.
根據(jù)式(1),可以計(jì)算出城市群碳排放的引力矩陣,然后將引力矩陣每行的平均值作為臨界值,如果引力高于臨界值,那么取值為1,表示該行城市與該列城市的碳排放存在相關(guān)性,反之,如果引力低于平均值,則取值為0,表明兩者沒有相關(guān)性.由此,可以構(gòu)建城市群碳排放的空間關(guān)聯(lián)矩陣.
1.2.1 整體網(wǎng)絡(luò)特征指數(shù)測度 本文通過碳排放網(wǎng)絡(luò)空間的密度,關(guān)聯(lián)度,等級和效率4個(gè)維度來衡量整體網(wǎng)絡(luò)特征[34-35].其中,網(wǎng)絡(luò)密度反映了整個(gè)網(wǎng)絡(luò)結(jié)構(gòu)的緊密性.網(wǎng)絡(luò)密度越大,表明網(wǎng)絡(luò)內(nèi)碳排放實(shí)際相關(guān)的城市數(shù)量越多,城市間的碳排放關(guān)系越密切.網(wǎng)絡(luò)關(guān)聯(lián)度反映了空間網(wǎng)絡(luò)中城市之間的可達(dá)性.網(wǎng)絡(luò)中的孤立城市越少,網(wǎng)絡(luò)的整體關(guān)聯(lián)度越大.網(wǎng)絡(luò)等級衡量網(wǎng)絡(luò)中各城市之間的非對稱可達(dá)性.網(wǎng)絡(luò)中單向關(guān)聯(lián)關(guān)系越多,網(wǎng)絡(luò)具有越嚴(yán)格的等級結(jié)構(gòu),少數(shù)城市處于網(wǎng)絡(luò)的核心地位,其余城市處于網(wǎng)絡(luò)的邊緣地位.網(wǎng)絡(luò)效率反映了碳排放空間關(guān)聯(lián)網(wǎng)絡(luò)中各城市之間的連接效率,城市之間存在越多的關(guān)聯(lián),網(wǎng)絡(luò)越穩(wěn)定,網(wǎng)絡(luò)效率越低.
1.2.2 個(gè)體網(wǎng)絡(luò)特征指數(shù)測度 本文通過點(diǎn)度中心度,中介中心度和接近中心度3個(gè)維度來衡量碳排放網(wǎng)絡(luò)中的個(gè)體網(wǎng)絡(luò)特征[34-35].其中,點(diǎn)度中心度衡量了城市所處空間網(wǎng)絡(luò)的中心程度.一座城市與其它城市有越多的直接關(guān)聯(lián),該城市就越接近網(wǎng)絡(luò)的中心位置,權(quán)力就越大.中介中心度反映了某個(gè)城市控制其它城市之間關(guān)聯(lián)關(guān)系的能力.中介中心度越大,城市在網(wǎng)絡(luò)中扮演的“中介”角色越大,因此在控制其它城市碳排放的相關(guān)性方面就越顯著.接近中心度刻畫了某個(gè)城市“不受其它城市控制”的程度.城市的接近中心度越高,該城市碳排放與其它城市之間存在更多的直接關(guān)聯(lián),在網(wǎng)絡(luò)中扮演“中心行動(dòng)者”的角色.
塊模型是社會網(wǎng)絡(luò)分析中進(jìn)行空間聚類分析的主要方法.塊模型分析最早由Boorman等[36]提出,該方法通過聚類的方式將網(wǎng)絡(luò)中的節(jié)點(diǎn)劃分為不同的塊,然后分析各個(gè)塊在空間關(guān)聯(lián)網(wǎng)絡(luò)中的相互作用.借鑒Wasserman等[37]的評價(jià)方法,將珠江三角洲城市群碳排放空間關(guān)聯(lián)網(wǎng)絡(luò)劃分為“凈受益板塊”, “凈溢出板塊”, “雙向溢出板塊”和“經(jīng)紀(jì)人板塊”4個(gè)區(qū)塊,從而探討區(qū)域碳排放的空間關(guān)系.其中, “凈受益板塊”不但接收自身內(nèi)部城市發(fā)出的碳排放關(guān)系,也接收其它板塊發(fā)出的碳排放關(guān)系,且接收的關(guān)系明顯多于發(fā)出的關(guān)系; “凈溢出板塊”與之相反,其發(fā)出的關(guān)系明顯多于接收的關(guān)系; “雙向溢出板塊”既接收關(guān)系也發(fā)出關(guān)系,但其接收的關(guān)系中,以自身內(nèi)部發(fā)出的關(guān)系居多; “經(jīng)紀(jì)人板塊”與“雙向溢出板塊”類似,但其與其它板塊之間的聯(lián)系更多.
碳排放空間關(guān)聯(lián)關(guān)系的形成受到諸多因素的影響,已有大量學(xué)者基于國家,省及地級市視角探尋碳排放空間差異的驅(qū)動(dòng)因素.其中,地理空間因素,經(jīng)濟(jì)發(fā)展因素,技術(shù)水平因素,能源強(qiáng)度因素,產(chǎn)業(yè)結(jié)構(gòu)因素,環(huán)境保護(hù)力度和城鎮(zhèn)化水平對于碳排放空間關(guān)聯(lián)關(guān)系的影響得到了大多數(shù)學(xué)者的肯定.一般認(rèn)為,上述6類因素水平相近的地區(qū)之間碳排放關(guān)聯(lián)性更大.首先,地理距離臨近的區(qū)域開展經(jīng)濟(jì)活動(dòng)交流的相關(guān)成本較低,因此各部門之間的碳轉(zhuǎn)移更有可能發(fā)生在地理相鄰的地區(qū)[25,38].其次,經(jīng)濟(jì)發(fā)展水平,產(chǎn)業(yè)結(jié)構(gòu)水平,城鎮(zhèn)化水平相近的地區(qū)具有更加平等的社會地位,資源要素的流動(dòng)更可能發(fā)生在發(fā)展程度相近的城市之間,這能夠促進(jìn)更多的低碳交流與合作,進(jìn)而產(chǎn)生碳排放的空間溢出[20,23,25].最后,技術(shù)水平,環(huán)境保護(hù)力度相近的地區(qū)對于環(huán)境污染的治理水平相近,碳排放的空間關(guān)聯(lián)性較大[21,24].而能源強(qiáng)度一般認(rèn)為與技術(shù)水平正相關(guān),故能源強(qiáng)度接近的地區(qū)也具有更大的碳排放關(guān)聯(lián)性[22].但也有部分研究結(jié)果得出了相反的結(jié)論.如王曉平等[23]與He等[25]的研究認(rèn)為,地區(qū)之間經(jīng)濟(jì)水平差異越大,碳排放的空間關(guān)聯(lián)性越大.原因在于經(jīng)濟(jì)發(fā)展水平越高的地區(qū)其對于環(huán)境的監(jiān)管力度越大,只能迫使其向發(fā)展水平較低的地區(qū)實(shí)行“碳轉(zhuǎn)移”,從而與落后地區(qū)建立碳聯(lián)系.Bai等[24]與邵滿琴等[39]的研究表明,技術(shù)水平差異與碳排放空間關(guān)聯(lián)呈現(xiàn)正相關(guān)關(guān)系.究其原因,技術(shù)水平差距的拉大加劇了地區(qū)之間人力資本和資源開發(fā)水平的差距,導(dǎo)致跨區(qū)域資源開發(fā)和生產(chǎn)更加頻繁,空間關(guān)聯(lián)加強(qiáng).同時(shí),我國鼓勵(lì)技術(shù)水平差距較大的地區(qū)之間進(jìn)行技術(shù)人員和服務(wù)的交流,這也促進(jìn)了空間關(guān)聯(lián)關(guān)系的形成.王凱等[19]研究表明能源利用效率差異與碳排放空間關(guān)聯(lián)呈現(xiàn)正相關(guān)關(guān)系.原因在于能源綜合利用效率與當(dāng)?shù)氐募夹g(shù)水平密切相關(guān),而技術(shù)水平相差較大的區(qū)域之間技術(shù)交流更加頻繁,促進(jìn)了空間關(guān)聯(lián)關(guān)系的形成.
因此,本文假設(shè)地理空間差異(),經(jīng)濟(jì)發(fā)展水平差異(),能源強(qiáng)度差異(),產(chǎn)業(yè)結(jié)構(gòu)差異(),技術(shù)水平差異(),環(huán)境保護(hù)力度差異(),城鎮(zhèn)化水平差異()為可能影響城市群碳排放空間關(guān)聯(lián)的因素.基于以上分析,建立如下模型:
表1 變量定義
珠江三角洲城市群是我國推動(dòng)“碳達(dá)峰”的先鋒,其在優(yōu)化能源結(jié)構(gòu),探索產(chǎn)業(yè)轉(zhuǎn)型,實(shí)現(xiàn)低碳,節(jié)能發(fā)展方面已逐步探索出相應(yīng)體系政策,在綠色低碳發(fā)展方面引領(lǐng)全國,并作為先行示范發(fā)揮主導(dǎo)作用.鑒于此,本文選取2001~2019年珠江三角洲城市群涵蓋的9座城市(廣州,佛山,肇慶,深圳,東莞,惠州,珠海,中山,江門)作為樣本.各城市相關(guān)數(shù)據(jù)來自歷年中國城市統(tǒng)計(jì)年鑒,中國能源統(tǒng)計(jì)年鑒和廣東省統(tǒng)計(jì)年鑒.考慮到缺乏城市層面的二氧化碳排放統(tǒng)計(jì)數(shù)據(jù),本文采用基于2006年IPCC發(fā)布的部分能源消耗二氧化碳排放量簡化估算方法,計(jì)算出9座城市的二氧化碳排放量[40].
本文依據(jù)前文所構(gòu)建的改進(jìn)的引力模型,建立珠江三角洲城市群碳排放引力矩陣,并利用Ucinet6軟件中的可視化工具Netdraw繪制了碳排放網(wǎng)絡(luò)圖.結(jié)果表明,與采用探索性空間數(shù)據(jù)分析方法得出的結(jié)論不同[4-5],珠江三角洲城市群碳排放的空間相關(guān)性已經(jīng)超越了單純地理學(xué)意義上的“近鄰”關(guān)系,逐步呈現(xiàn)出多線程的復(fù)雜網(wǎng)絡(luò)結(jié)構(gòu)形態(tài),這也驗(yàn)證了使用社會網(wǎng)絡(luò)分析方法的必要性.
圖1為珠江三角洲城市群在樣本年內(nèi)的網(wǎng)絡(luò)關(guān)系數(shù)和網(wǎng)絡(luò)密度演化趨勢.由圖1可知,2001~2019年,珠江三角洲城市群碳排放空間網(wǎng)絡(luò)的關(guān)聯(lián)數(shù)量總體呈現(xiàn)出波動(dòng)變化特征,即關(guān)聯(lián)關(guān)系出現(xiàn)“上升-下降-上升-下降-上升”的周期性波動(dòng)特征.同時(shí),珠江三角洲城市群樣本考察期內(nèi)的碳排放網(wǎng)絡(luò)關(guān)聯(lián)數(shù)量平均只有21.5,遠(yuǎn)低于可能的最大關(guān)聯(lián)數(shù)量72(8×9),表明珠江三角洲城市群碳排放整體空間關(guān)聯(lián)性水平不高,仍存在較大的優(yōu)化空間.圖1還展示了樣本年內(nèi)珠江三角洲城市群碳排放網(wǎng)絡(luò)密度的演化趨勢.與關(guān)聯(lián)關(guān)系類似,網(wǎng)絡(luò)密度同樣表現(xiàn)出了周期性波動(dòng)特征,且該特征與網(wǎng)絡(luò)關(guān)聯(lián)數(shù)量變化特征在相同的時(shí)間段相吻合.同時(shí),樣本年內(nèi)珠江三角洲城市群碳排放網(wǎng)絡(luò)的網(wǎng)絡(luò)密度平均值僅為0.30,表明在樣本考察期內(nèi)各城市之間的碳排放空間關(guān)聯(lián)關(guān)系緊密程度并不高,網(wǎng)絡(luò)結(jié)構(gòu)相對松散,城市間碳排放效率的空間合作和互動(dòng)有待增強(qiáng).然而,空間網(wǎng)絡(luò)結(jié)構(gòu)密度并非越高越好,過高的網(wǎng)絡(luò)密度會導(dǎo)致網(wǎng)絡(luò)中冗余線路的增多,這會在一定程度上增加城市間能源運(yùn)輸?shù)南嚓P(guān)費(fèi)用,降低要素流動(dòng)的效率.因此,為了實(shí)現(xiàn)城市群碳排放的空間優(yōu)化配置,需要將網(wǎng)絡(luò)密度維持在合適的水平.圖2為珠江三角洲城市群在樣本年內(nèi)的網(wǎng)絡(luò)等級和網(wǎng)絡(luò)效率演化趨勢.由圖2可知,在樣本考察期內(nèi)珠江三角洲城市群碳排放空間網(wǎng)絡(luò)的網(wǎng)絡(luò)效率和網(wǎng)絡(luò)等級同樣呈現(xiàn)波動(dòng)的變化特征,且網(wǎng)絡(luò)等級的變化幅度更加明顯.網(wǎng)絡(luò)效率的下降表明城市群碳排放空間網(wǎng)絡(luò)中的連線增加,各城市之間的碳排放空間關(guān)聯(lián)性提高,整體網(wǎng)絡(luò)穩(wěn)定性上升.網(wǎng)絡(luò)等級的下降表明城市群碳排放網(wǎng)絡(luò)中相對嚴(yán)格的空間關(guān)聯(lián)等級制度逐漸被打破,網(wǎng)絡(luò)的交互作用逐漸增強(qiáng),各城市之間空間聯(lián)系和影響程度提高.
圖1 空間關(guān)聯(lián)關(guān)系與網(wǎng)絡(luò)密度
圖2 網(wǎng)絡(luò)效率與網(wǎng)絡(luò)等級
珠江三角洲城市群碳排放空間關(guān)聯(lián)網(wǎng)絡(luò)的整體特征演變趨勢表明,空間關(guān)聯(lián)的緊密程度呈現(xiàn)周期性變化特征,網(wǎng)絡(luò)關(guān)系并不穩(wěn)定,城市群碳減排的效果隨著“五年規(guī)劃”的實(shí)施呈現(xiàn)出周期性特征,表現(xiàn)出一定的環(huán)境政治循環(huán)特征[41-42],這一結(jié)果與已有類似研究存在差異.已有基于省域[13-16],城市層面[43]的碳排放空間關(guān)聯(lián)研究結(jié)果表明,在樣本考察期內(nèi),網(wǎng)絡(luò)密度整體呈現(xiàn)上升趨勢,網(wǎng)絡(luò)效率和網(wǎng)絡(luò)等級整體呈現(xiàn)下降趨勢,即網(wǎng)絡(luò)緊密程度逐年遞增.也有學(xué)者的研究結(jié)果認(rèn)為京津冀城市群碳排放網(wǎng)絡(luò)緊密程度在近幾年變化不大[44].本文的相關(guān)結(jié)論與現(xiàn)有研究存在差異的主要原因有2點(diǎn):第一,已有研究的樣本考察期多為5~10年,考察期過短,無法全面識別碳排放網(wǎng)絡(luò)特征的變化趨勢.本文的考察范圍涵蓋了21世紀(jì)以來的近20年數(shù)據(jù),能較好地通過實(shí)證結(jié)果挖掘演化規(guī)律.第二,相較于其它城市群,珠江三角洲城市群內(nèi)部各城市存在較為嚴(yán)重的發(fā)展不平衡問題.一是經(jīng)濟(jì)發(fā)展水平存在明顯的梯度,二是工業(yè)化水平跨度明顯,三是碳排放水平差距巨大.區(qū)域不平衡將顯著增加低碳產(chǎn)業(yè)布局和減排任務(wù)分配的復(fù)雜性,容易出現(xiàn)碳減排步伐不一致的局面,產(chǎn)生整體網(wǎng)絡(luò)結(jié)構(gòu)特征波動(dòng)的演化趨勢.
測度了樣本考察期內(nèi)珠江三角洲城市群各城市的個(gè)體網(wǎng)絡(luò)特征(點(diǎn)度中心度,中介中心度和接近中心度)及其演變趨勢,揭示了各城市在珠江三角洲城市群的定位和作用.表2展示了2019年的測度結(jié)果.
2.2.1 點(diǎn)度中心度 由表2可知,2019年珠江三角洲城市群9座城市的點(diǎn)度中心度均值為41.667,其中,廣州,深圳,肇慶和江門4座城市高于平均值,屬于第一梯隊(duì),且廣州和深圳兩座城市的點(diǎn)度中心度數(shù)值明顯高于其它城市,這表明廣州和深圳處于碳排放空間關(guān)聯(lián)網(wǎng)絡(luò)的中心位置,與其它城市存在較多的空間關(guān)聯(lián)關(guān)系.究其原因,廣東和深圳作為珠江三角洲城市群中經(jīng)濟(jì)發(fā)展水平最高的兩座城市,在區(qū)域經(jīng)濟(jì)發(fā)展中掌握著重要的話語權(quán),在科教文衛(wèi)等方面均與其它城市有著密切聯(lián)系,與其它城市進(jìn)行低碳發(fā)展交流的阻礙較少.加之廣州與深圳具有較高的碳排放效率,在碳排放空間關(guān)聯(lián)網(wǎng)絡(luò)中能夠通過低碳資本,人才等資源要素優(yōu)勢產(chǎn)生“虹吸效應(yīng)”,進(jìn)而與其它城市保持密切聯(lián)系.肇慶和江門作為僅次于廣州和深圳的人口大市,其對于綠色技術(shù)的研發(fā)投入領(lǐng)先于其余城市.2019年肇慶和江門的綠色專利授權(quán)數(shù)量分別達(dá)到80項(xiàng)和110項(xiàng),位列珠江三角洲城市群前列,是新崛起的珠江三角洲綠色科技中心,其能夠通過低碳技術(shù)的溢出效應(yīng),與其它城市保持較為密切的聯(lián)系.由此可見,經(jīng)濟(jì)與科技的發(fā)展對于區(qū)域碳排放空間關(guān)聯(lián)和溢出效應(yīng)具有重要影響.在點(diǎn)度中心度低于均值的城市中,佛山,東莞和惠州3座城市中心度數(shù)值僅有25,位列末端,表明這些城市的碳排放與其它城市的聯(lián)系較少,處于碳排放空間關(guān)聯(lián)網(wǎng)絡(luò)的邊緣位置.進(jìn)一步地,就點(diǎn)出度而言,珠江三角洲城市群9座城市點(diǎn)出度的均值為2.556,其中,高于均值的城市包括肇慶,深圳和江門,這3座城市對于其它城市表現(xiàn)出較為強(qiáng)烈的碳排放溢出效應(yīng);就點(diǎn)入度而言,9座城市點(diǎn)入度的均值同樣為2.556,其中,高于均值的城市包括廣州,深圳,珠海,中山和江門,這5座城市更多地表現(xiàn)為碳排放空間溢出的接收者.
2.2.2 中介中心度 2019年珠江三角洲城市群9座城市的中介中心度均值為9.524,其中,廣州,深圳,肇慶和江門4座城市高于平均值,屬于第一梯隊(duì),表明這4座城市在碳排放空間關(guān)聯(lián)網(wǎng)絡(luò)中控制其它城市之間碳排放交流的能力較強(qiáng).由前文可知,這4座城市位于珠江三角洲城市群的經(jīng)濟(jì)和綠色科技發(fā)展中心,其對低碳發(fā)展所需的人才,資金和技術(shù)等資源要素的流動(dòng)具有較強(qiáng)的支配力和掌控力,在城市群碳排放關(guān)聯(lián)網(wǎng)絡(luò)中處于樞紐地位,表現(xiàn)為“中介”角色.此外,2019年珠江三角洲城市群碳排放空間關(guān)聯(lián)網(wǎng)絡(luò)的中介中心度總和為85.715,而廣州,深圳,肇慶和江門4座城市中介中心度總和為77.143,占比達(dá)到90%,其余城市占比僅有10%.這表明珠江三角洲城市群內(nèi)部城市中介中心度指標(biāo)表現(xiàn)出較為明顯的非均衡特征,第一梯隊(duì)城市控制著網(wǎng)絡(luò)中絕大部分的碳排放空間聯(lián)系,其余城市處于“被支配”的邊緣地位,對碳排放空間關(guān)聯(lián)的控制和影響能力十分微弱.
2.2.3 接近中心度 2019年珠江三角洲城市群9座城市的接近中心度均值為61.029,高于均值的城市共有4座,分別為廣州,深圳,肇慶和江門.接近中心度較高的城市能在碳排放空間關(guān)聯(lián)網(wǎng)絡(luò)中更快地與其它城市產(chǎn)生關(guān)聯(lián),且不易受到其它城市的控制,在空間關(guān)聯(lián)網(wǎng)絡(luò)中扮演“中心行動(dòng)者”角色.上述4座城市處于碳排放網(wǎng)絡(luò)的中心,與其余城市之間碳排放流動(dòng)的效率更高,同時(shí)也具有較強(qiáng)的獲得資源的能力.接近中心度低于平均值的城市在網(wǎng)絡(luò)中獲得低碳發(fā)展技術(shù)和資源的能力較弱,受其它城市碳排放效率的帶動(dòng)作用不明顯,在碳排放空間關(guān)聯(lián)網(wǎng)絡(luò)中處于“邊緣行動(dòng)者”的角色.
表2 2019年珠江三角洲城市群碳排放空間關(guān)聯(lián)網(wǎng)絡(luò)的中心性分析
個(gè)體網(wǎng)絡(luò)結(jié)構(gòu)特征測度結(jié)果表明,珠江三角洲城市群碳排放空間關(guān)聯(lián)網(wǎng)絡(luò)表現(xiàn)出明顯的“馬太效應(yīng)”,廣州和深圳位于珠江三角洲城市群碳排放空間關(guān)聯(lián)網(wǎng)絡(luò)的中心,對珠江三角洲城市群碳排放網(wǎng)絡(luò)的掌控與支配能力較強(qiáng),處于網(wǎng)絡(luò)的中心位置.其余城市各項(xiàng)指標(biāo)數(shù)據(jù)與第一梯隊(duì)城市有較大差距,在碳排放網(wǎng)絡(luò)中處于邊緣地位.這說明,廣州和深圳的碳減排對與之密切相關(guān)的其它城市同樣具有重要影響.因此,在珠江三角洲城市群碳排放的跨區(qū)域協(xié)同治理中,廣州和深圳的碳排放監(jiān)管應(yīng)重點(diǎn)關(guān)注,力求充分發(fā)揮核心城市的涓滴效應(yīng).
綜上所述,整體網(wǎng)絡(luò)結(jié)構(gòu)特征與個(gè)體網(wǎng)絡(luò)結(jié)構(gòu)特征之間既有區(qū)別又有聯(lián)系.二者的區(qū)別在于,整體網(wǎng)絡(luò)特征(網(wǎng)絡(luò)密度,網(wǎng)絡(luò)效率,網(wǎng)絡(luò)等級)基于全局視角衡量了城市群碳排放網(wǎng)絡(luò)的緊密程度和等級結(jié)構(gòu),個(gè)體網(wǎng)絡(luò)特征(點(diǎn)度中心度,中介中心度,接近中心度)則基于個(gè)體視角衡量了單一城市在碳排放網(wǎng)絡(luò)中所處的地位和所起的作用.二者的聯(lián)系在于,整體和個(gè)體網(wǎng)絡(luò)結(jié)構(gòu)特征的變動(dòng)均會對區(qū)域碳排放量產(chǎn)生影響,且個(gè)體特征依附于整體特征.具體而言,點(diǎn)度中心度的提高意味著城市在碳排放空間關(guān)聯(lián)網(wǎng)絡(luò)中與其它城市的關(guān)聯(lián)愈發(fā)緊密,提高了網(wǎng)絡(luò)的局部關(guān)聯(lián)程度,進(jìn)而提高了整體網(wǎng)絡(luò)密度,降低了網(wǎng)絡(luò)效率和網(wǎng)絡(luò)等級,增強(qiáng)了整體網(wǎng)絡(luò)對個(gè)體城市的影響,促進(jìn)了個(gè)體城市碳排放量的降低.中介中心度的提高意味著該城市拉大了與其它城市的比較優(yōu)勢,這些城市的比較優(yōu)勢在網(wǎng)絡(luò)關(guān)聯(lián)條件下通過整體網(wǎng)絡(luò)可以更加精準(zhǔn)地控制和引導(dǎo)其它城市碳排放流動(dòng)的方向和數(shù)量,強(qiáng)化了對其它城市的“空間溢出”效應(yīng),從而促進(jìn)了城市碳排放量的降低.接近中心度的提高使得整體網(wǎng)絡(luò)中各城市的相互依賴關(guān)系更為密切,低碳交流合作程度加深,資源,能源配置成本和技術(shù)成本降低,有利于碳排放量的降低.因此,只有綜合考察整體和個(gè)體網(wǎng)絡(luò)特征,才能制定更加具體有效的區(qū)域協(xié)同減排策略.
采用CONCOR方法,最大分割深度選擇2,集中標(biāo)準(zhǔn)選擇0.2,將珠江三角洲城市群內(nèi)的9座城市劃分為4個(gè)板塊,具體劃分情況如表3所示.可知,位于第Ⅰ板塊的城市有廣州和深圳,這兩座城市是珠江三角洲城市群經(jīng)濟(jì)發(fā)展水平最高的城市;位于第Ⅱ板塊的城市有珠海和中山,這兩座城市位于珠江三角洲城市群的沿海地區(qū),地理位置優(yōu)越;位于第Ⅲ板塊的城市有佛山和肇慶,這兩座城市位于珠江三角洲城市群的內(nèi)陸地區(qū);位于第Ⅳ板塊的城市有東莞,惠州和江門,這3座城市發(fā)展水平相對其它城市較為落后.
進(jìn)一步地,依據(jù)塊模型分析4個(gè)板塊在珠江三角洲城市群碳排放空間關(guān)聯(lián)網(wǎng)絡(luò)中的定位(表3).具體而言,第Ⅰ板塊的溢出關(guān)系共有6個(gè),全部表現(xiàn)為對板塊外部的溢出關(guān)系;接收關(guān)系共有9個(gè),全部表現(xiàn)為來自板塊外部的溢出關(guān)系.根據(jù)前文定義,第Ⅰ板塊為“凈受益板塊”,即該板塊接收自身內(nèi)部城市發(fā)出的碳排放關(guān)系,也接收其它板塊發(fā)出的碳排放關(guān)系,且接收的關(guān)系明顯多于發(fā)出的關(guān)系.第Ⅱ板塊的溢出關(guān)系共有4個(gè),其中2個(gè)溢出關(guān)系來自板塊內(nèi)部城市之間;接收關(guān)系共有6個(gè),其中2個(gè)接收關(guān)系來自板塊內(nèi)部.可知,第Ⅱ板塊為“雙向溢出板塊”,即該板塊既接收關(guān)系也發(fā)出關(guān)系;第Ⅲ板塊的溢出關(guān)系共有5個(gè),其中1個(gè)溢出關(guān)系來自板塊內(nèi)部;接收關(guān)系共有2個(gè),其中1個(gè)接收關(guān)系來自板塊內(nèi)部.可知,第Ⅲ板塊為“凈溢出板塊”,該板塊發(fā)出的關(guān)系明顯多于接收的關(guān)系.第Ⅳ板塊的溢出關(guān)系共有8個(gè),全部表現(xiàn)為對板塊外部的溢出關(guān)系;接收關(guān)系共有6個(gè),全部表現(xiàn)為來自板塊外部的溢出關(guān)系.可知,第Ⅳ板塊為“經(jīng)紀(jì)人板塊”,該板塊與其它板塊之間的聯(lián)系更多,在碳排放空間關(guān)聯(lián)網(wǎng)絡(luò)中扮演著“中介”與“橋梁”的角色.
表3 2019年珠江三角洲城市群碳排放空間關(guān)聯(lián)板塊的溢出效應(yīng)
更進(jìn)一步地,考察4大板塊之間碳排放的空間關(guān)聯(lián)關(guān)系.如圖3所示,第Ⅰ板塊接受其它板塊發(fā)出的碳排放關(guān)系數(shù)最多,表明廣州,深圳這類經(jīng)濟(jì)發(fā)達(dá)但資源較為匱乏的城市能源供給相對緊張,需要來自其它城市尤其是能源儲量豐富城市的能源輸入.此外,板塊間關(guān)聯(lián)網(wǎng)絡(luò)中還存在著第Ⅰ板塊對其余3個(gè)板塊的溢出關(guān)系以及其余板塊之間的相互溢出關(guān)系,這表明珠江三角洲城市群內(nèi)部各個(gè)城市之間發(fā)揮著比較優(yōu)勢, “區(qū)域一盤棋”的聯(lián)動(dòng)效應(yīng)愈加明顯.綜上所述,珠江三角洲城市群碳排放網(wǎng)絡(luò)中各個(gè)板塊雖然具有明顯的聚類特征,但其內(nèi)部空間關(guān)系并不緊密,4個(gè)板塊之間的協(xié)同效應(yīng)和溢出效應(yīng)更為顯著,空間極化集中在少數(shù)資源稟賦優(yōu)勢的城市.
圖3 2019年珠江三角洲城市群四大板塊之間的關(guān)聯(lián)
表4 珠江三角洲城市群碳排放空間關(guān)聯(lián)網(wǎng)絡(luò)與影響因素的QAP相關(guān)性分析
由表4可知,空間距離關(guān)系,經(jīng)濟(jì)發(fā)展水平差異,能源強(qiáng)度差異,技術(shù)水平差異和環(huán)保力度差異5類因素均在10%的顯著性水平上通過了檢驗(yàn),表明這5類因素與珠江三角洲城市群碳排放空間關(guān)聯(lián)關(guān)系的形成具有顯著的相關(guān)性.具體而言,空間距離關(guān)系的相關(guān)系數(shù)為負(fù)值,其余因素的相關(guān)系數(shù)為正值,表明空間距離關(guān)系與碳排放空間關(guān)聯(lián)網(wǎng)絡(luò)之間呈現(xiàn)負(fù)相關(guān)關(guān)系,經(jīng)濟(jì)發(fā)展水平差異,能源強(qiáng)度差異,技術(shù)水平差異和環(huán)保力度差異與碳排放空間關(guān)聯(lián)網(wǎng)絡(luò)之間呈現(xiàn)正相關(guān)關(guān)系.產(chǎn)業(yè)結(jié)構(gòu)差異和城鎮(zhèn)化水平差異的相關(guān)系數(shù)均不顯著,表明這兩類因素與碳排放空間關(guān)聯(lián)關(guān)系形成的相關(guān)性不明顯.
表5 珠江三角洲城市群碳排放空間關(guān)聯(lián)網(wǎng)絡(luò)影響因素的QAP回歸分析
如表5所示,回歸方程整體擬合水平達(dá)到0.597,即空間距離關(guān)系,經(jīng)濟(jì)發(fā)展水平差異,能源強(qiáng)度差異,技術(shù)水平差異和環(huán)境保護(hù)力度差異5類因素可以解釋珠江三角洲城市群碳排放空間關(guān)聯(lián)關(guān)系的59.7%.具體而言,空間距離關(guān)系的回歸系數(shù)顯著為負(fù),表明地理距離的縮小有利于城市間碳排放空間關(guān)聯(lián)關(guān)系的形成,這是因?yàn)榈吞假Y源要素在距離較近的兩座城市之間的傳導(dǎo)具有更高的效率和更低的費(fèi)用,這會對城市間的碳排放關(guān)聯(lián)產(chǎn)生正向影響.經(jīng)濟(jì)發(fā)展水平差異和環(huán)境保護(hù)力度差異的回歸系數(shù)顯著為正,表明經(jīng)濟(jì)發(fā)展水平和環(huán)保力度差距越大的城市間具有更為緊密的碳排放關(guān)聯(lián)關(guān)系.原因在于,經(jīng)濟(jì)發(fā)展水平較高的城市往往也具有較為嚴(yán)格的環(huán)境監(jiān)管壓力,不得不向低發(fā)展城市進(jìn)行一定程度的“碳轉(zhuǎn)移”,從而與低發(fā)展地區(qū)建立碳聯(lián)系.能源強(qiáng)度差異和技術(shù)水平差異的回歸系數(shù)顯著為正,表明能源綜合利用效率和技術(shù)水平差距越大越有助于建立城市間的低碳發(fā)展聯(lián)系.究其原因,能源綜合利用效率與當(dāng)?shù)氐募夹g(shù)水平密切相關(guān),而技術(shù)水平相差較大的區(qū)域之間資源開發(fā),生產(chǎn)交流和技術(shù)人員流動(dòng)更加頻繁,促進(jìn)了空間關(guān)聯(lián)關(guān)系的形成.
5.1 全面認(rèn)識碳排放空間關(guān)聯(lián)關(guān)系及其網(wǎng)絡(luò)結(jié)構(gòu)特征,創(chuàng)新協(xié)同減排思路,實(shí)現(xiàn)跨區(qū)域協(xié)同治理.一方面要通過宏觀調(diào)控和市場機(jī)制為碳減排跨區(qū)域交流和空間優(yōu)化配置創(chuàng)造更多有利條件,另一方面要更加重視碳排放的空間聯(lián)動(dòng)效應(yīng),逐步形成“數(shù)量—結(jié)構(gòu)”驅(qū)動(dòng)型的協(xié)同減排思路,推動(dòng)減排政策從“局部”轉(zhuǎn)向“整體”,從“點(diǎn)”轉(zhuǎn)向“面”.
5.2 不斷調(diào)整和優(yōu)化碳排放的空間關(guān)聯(lián)網(wǎng)絡(luò)結(jié)構(gòu),因地制宜制定目標(biāo),提高低碳資源的空間配置效率.尤其要充分發(fā)揮核心城市在碳排放空間關(guān)聯(lián)中的“中介”和“橋梁”作用.
5.3 充分考慮碳排放空間關(guān)聯(lián)網(wǎng)絡(luò)的板塊結(jié)構(gòu)特征,推行區(qū)域差別化的減排政策.同時(shí)立足資源環(huán)境承載能力,發(fā)揮各地區(qū)比較優(yōu)勢,促進(jìn)各類要素合理流動(dòng)和高效集聚,實(shí)現(xiàn)低碳資源的空間分類管理.
5.4 充分發(fā)揮空間,經(jīng)濟(jì),能源,技術(shù)和環(huán)保因素對于碳排放空間關(guān)聯(lián)關(guān)系形成的積極作用.重點(diǎn)關(guān)注地理距離短且經(jīng)濟(jì)發(fā)展水平和技術(shù)水平差距較大的城市間資源開發(fā)和技術(shù)人員的流動(dòng),促進(jìn)碳減排的協(xié)同演進(jìn).
6.1 2001~2019年珠江三角洲城市群碳排放整體網(wǎng)絡(luò)結(jié)構(gòu)呈現(xiàn)周期性波動(dòng)趨勢,碳排放網(wǎng)絡(luò)關(guān)聯(lián)數(shù)量和網(wǎng)絡(luò)密度平均值分別只有21.5和0.30,表明各城市之間的碳排放空間關(guān)聯(lián)關(guān)系緊密程度并不高,網(wǎng)絡(luò)結(jié)構(gòu)相對松散,表現(xiàn)出“依政策波動(dòng)”的特征.
6.2 個(gè)體網(wǎng)絡(luò)結(jié)構(gòu)特征測度和塊模型分析結(jié)果表明,碳排放空間關(guān)聯(lián)網(wǎng)絡(luò)呈現(xiàn)顯著的“核心-邊緣”分布模式,廣州和深圳等經(jīng)濟(jì)發(fā)達(dá)城市處于網(wǎng)絡(luò)核心,惠州,江門等發(fā)展較為落后的城市處于網(wǎng)絡(luò)邊緣.此外,廣州和深圳等核心城市不僅與其它城市有更多的空間關(guān)聯(lián),還發(fā)揮著“中介”作用.
6.3 QAP分析結(jié)果表明,空間距離關(guān)系,經(jīng)濟(jì)發(fā)展水平差異,能源強(qiáng)度差異,技術(shù)水平差異和環(huán)境保護(hù)力度差異5類因素可以解釋珠江三角洲城市群碳排放空間關(guān)聯(lián)關(guān)系的59.7%,且經(jīng)濟(jì)發(fā)展水平,能源利用效率,技術(shù)水平和環(huán)保力度差異擴(kuò)大有利于促進(jìn)碳排放空間關(guān)聯(lián)關(guān)系的形成.
[1] Shan Y L, Guan D B, Liu J H, et al. Methodology and applications of city level CO2emission accounts in China [J]. Journal of Cleaner Production, 2017,161:1215-1225.
[2] Zhuang M, Sheng J C, Webber M, et al. Measuring water use performance in the cities along China’s South-North water transfer project [J]. Applied Geography, 2018,98:184-200.
[3] 劉華軍,劉傳明,孫亞男.中國能源消費(fèi)的空間關(guān)聯(lián)網(wǎng)絡(luò)結(jié)構(gòu)特征及其效應(yīng)研究[J]. 中國工業(yè)經(jīng)濟(jì), 2015,(5):83-95.
Liu H J, Liu C M, Sun Y N. Spatial correlation network structure of energy consumption and its effect in China [J]. China Industrial Economics, 2015,(5):83-95.
[4] 汪 浩,陳操操,潘 濤,等.縣域尺度的京津冀都市圈CO2排放時(shí)空演變特征[J]. 環(huán)境科學(xué), 2014,33(1):385-393.
Wang H, Chen C C, Pan T, et al. County scale characteristics of CO2emission's spatial-temporal evolution in the Beijing-Tianjin-Hebei metropolitan region [J]. Environmental Science, 2014,33(1):385-393.
[5] 于 博,楊 旭,吳相利.哈長城市群縣域碳排放空間溢出效應(yīng)及影響因素研究——基于NPP-VIIRS夜間燈光數(shù)據(jù)的實(shí)證[J]. 環(huán)境科學(xué)學(xué)報(bào), 2020,40(2):697-706.
Yu B, Yang X, Wu X L. Study on spatial spillover effects and influencing factors of carbon emissions in county areas of Ha-Chang city group: Evidence from NPP-VIIRS nightlight data [J]. Acta Scientiae Circumstantiae, 2020,40(2):697-706.
[6] 陳操操,蔡博峰,孫 粉,等.京津冀與長三角城市群碳排放的空間聚集效應(yīng)比較[J]. 中國環(huán)境科學(xué), 2017,37(11):4371-4379.
Chen C C, Cai B F, Sun F, et al. Spatial agglomeration effects of carbon dioxide emissions between Beijing-Tianjin-Hebei region and Yangtze River delta region [J]. China Environmental Science, 2017, 37(11):4371-4379.
[7] Browne D, O'Regan B, Moles R. Comparison of energy flow accounting, energy flow metabolism ratio analysis and ecological footprinting as tools for measuring urban sustainability: A case-study of an Irish city-region [J]. Ecological Economics, 2012,83(6):97-107.
[8] 孫 慧,劉媛媛.中國區(qū)際碳排放差異與損益偏離現(xiàn)象分析[J]. 管理評論, 2016,28(10):89-96.
Sun H, Liu Y Y. Analysis on inter-regional differences of carbon emissions and loss and profit deviation in China [J]. Management Review, 2016,28(10):89-96.
[9] You W H, Lv Z K. Spillover effects of economic globalization on CO2emissions: A spatial panel approach [J]. Energy Economics, 2018, 73:248-257.
[10] 武 紅.中國省域碳減排:時(shí)空格局,演變機(jī)理及政策建議——基于空間計(jì)量經(jīng)濟(jì)學(xué)的理論與方法[J]. 管理世界, 2015,(11):3-10.
Wu H. China's provincial carbon emission reduction: temporal and spatial pattern, evolution mechanism and policy suggestions [J]. Management World, 2015,(11):3-10.
[11] Wang Y, Zhao T, Wang J, et al. Spatial analysis on carbon emission abatement capacity at provincial level in China from 1997 to 2014: An empirical study based on SDM model [J]. Atmospheric Pollution Research, 2019,10:97-104.
[12] Wang B, Sun Y F, Wang Z H. Agglomeration effect of CO2emissions and emissions reduction effect of technology: A spatial econometric perspective based on China’s province-level data [J]. Journal of Cleaner Production, 2018,204:96-106.
[13] Wang F, Gao M N, Liu J, et al. The spatial network structure of China’s regional carbon emissions and its network effect [J]. Energies, 2018,11(10):1-14.
[14] 孫亞男,劉華軍,劉傳明,等.中國省際碳排放的空間關(guān)聯(lián)性及其效應(yīng)研究——基于SNA的經(jīng)驗(yàn)考察[J]. 上海經(jīng)濟(jì)研究, 2016,(2):82-92.
Sun Y N, Liu H J, Liu C M, et al. Research on spatial association of provinces carbon emissions and its effects in China [J]. Shanghai Journal of Economics, 2016,(2):82-92.
[15] 楊桂元,吳 齊,涂 洋.中國省際碳排放的空間關(guān)聯(lián)及其影響因素研究——基于社會網(wǎng)絡(luò)分析方法[J]. 商業(yè)經(jīng)濟(jì)與管理, 2016,(4): 56-68,78.
Yang G Y, Wu Q, Tu Y. Research of China's regional carbon emission spatial correlation and its determinants: Based on the method of social network analysis [J]. Journal of Business Economics, 2016,(4):56- 68,78.
[16] 張 翼.基于空間關(guān)聯(lián)網(wǎng)絡(luò)結(jié)構(gòu)的中國省域協(xié)同碳減排研究[J]. 統(tǒng)計(jì)與信息論壇, 2017,32(2):63-69.
Zhang Y. Study on Chinese provincial collaborative carbon reduction based on spatial correlation network structure [J]. Journal of Statistics and Information, 2017,32(2):63-69.
[17] 張德鋼,陸遠(yuǎn)權(quán).中國碳排放的空間關(guān)聯(lián)及其解釋——基于社會網(wǎng)絡(luò)分析法[J]. 軟科學(xué), 2017,31(4):15-18.
Zhang D G, Lu Y Q. Study on the spatial correlation and explanation of carbon emission in China [J]. Soft Science, 2017,31(4):15-18.
[18] 吳佳勉,趙巧芝,孫圣儀.基于SNA方法的區(qū)域間碳排放空間關(guān)聯(lián)網(wǎng)絡(luò)特征測度研究[J]. 統(tǒng)計(jì)與管理, 2019,(10):35-38.
Wu J M, Zhao Q Z, Sun S Y. Research on characteristic measurement of interregional carbon emission spatial correlation network based on SNA method [J]. Statistics and Management, 2019,(10):35-38.
[19] 王 凱,張淑文,甘 暢,等.我國旅游業(yè)碳排放的空間關(guān)聯(lián)性及其影響因素[J]. 環(huán)境科學(xué)研究, 2019,32(6):938-947.
Wang K, Zhang S W, Gan C. Spatial correlation of carbon emissions in tourism industry and its influencing factors in China [J]. Research of Environmental Sciences, 2019,32(6):938-947.
[20] Ma F, Wang Y, Yuen K F, et al. The evolution of the spatial association effect of carbon emissions in transportation: A social network perspective [J]. International Journal of Environmental Research and Public Health, 2019,16(12):2154-2176.
[21] 龐慶華,李 涵,楊田田.長江經(jīng)濟(jì)帶碳排放的空間關(guān)聯(lián)性及其影響因素[J]. 科技管理研究, 2019,39(15):246-251.
Pang Q H, Li H, Yang T T. Spatial correlation of carbon emissions in Yangtze River Economic Zone and its influencing factors [J]. Science and Technology Management Research, 2019,39(15):246-251.
[22] 何艷秋,陳 柔,朱思宇,等.中國農(nóng)業(yè)碳排放空間網(wǎng)絡(luò)結(jié)構(gòu)及區(qū)域協(xié)同減排[J]. 江蘇農(nóng)業(yè)學(xué)報(bào), 2020,36(5):1218-1228.
He Y Q, Chen R, Zhu S Y, et al. Spatial network structure of agricultural carbon emission in China and regional collaborative emission reduction [J]. Jiangsu Journal of Agricultural Sciences, 2020, 36(5):1218-1228.
[23] 王曉平,馮 慶,宋金昭.成渝城市群碳排放空間關(guān)聯(lián)結(jié)構(gòu)演化及影響因素[J]. 中國環(huán)境科學(xué), 2020,40(9):4123-4134.
Wang X P, Feng Q, Song J Z. The spatial association structure evolution of carbon emissions in Chengdu-Chongqing urban agglomeration and its influence mechanism [J]. China Environmental Science, 2020,40(9):4123-4134.
[24] Bai C, Zhou L, Xia M, 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: 1-12.
[25] He Y, Lan X, Zhou Z, et al. Analyzing the spatial network structure of agricultural greenhouse gases in China [J]. Environmental Science and Pollution Research, 2021,28(7):7929-7944.
[26] 李 敬,陳 澍,萬廣華,等.中國區(qū)域經(jīng)濟(jì)增長的空間關(guān)聯(lián)及其解釋——基于網(wǎng)絡(luò)分析方法[J]. 經(jīng)濟(jì)研究, 2014,49(11):4-16.
Li J, Chen S, Wan G H, et al. Study on the spatial correlation and explanation of regional economic growth in China——Based on analytic network process [J]. Economic Research Journal, 2014,49(11): 4-16.
[27] R?dder W, Brenner D, Kulmann F. Entropy based evaluation of net structures—deployed in social network analysis [J]. Expert Systems with Applications, 2014,41:7968-7979.
[28] Schr?ter B, Hauck J, Hackenberg I, et al. Bringing transparency into the process: social network analysis as a tool to support the participatory design and implementation process of payments for ecosystem services [J]. Ecosystem Services, 2018,34:206-217.
[29] Zhang G L, Zhang N, Liao W M. How do population and land urbanization affect CO2emissions under gravity center change? A spatial econometric analysis [J]. Journal of Cleaner Production, 2018, 202:510-523.
[30] Maharani W, Gozali A A. Collaborative social network analysis and content-based approach to improve the marketing strategy of SMEs in Indonesia [J]. Procedia Computer Science, 2015,59:373-381.
[31] Rios V, Gianmoena L. Convergence in CO2emissions: A spatial economic analysis with cross-country interactions [J]. Energy Economics, 2018,75:222-238.
[32] Balado-Naves R, Ba?os-Pino J F, Mayor M. Do countries influence neighboring pollution? A spatial analysis of the EKC for CO2emissions [J]. Energy Policy, 2018,123:266-279.
[33] Commoner B. Making Peace with the Planet [M]. New York: Pantheon Books, 1990.
[34] Brooks B, Hogan B, Ellison N, et al. Assessing structural correlates to social capital in Facebook ego networks [J]. Social Networks, 2014, 38:1-15.
[35] Badi S, Wang L S, Pryke S. Relationship marketing in Guanxi networks: A social network analysis study of Chinese construction small and medium-sized enterprises [J]. Industrial Marketing Management, 2017,60:204-218.
[36] Boorman S A, White H C. Social structure from multiple networks. ii. role structures [J]. American Journal of Sociology, 1976,81(6):293- 299.
[37] Wasserman S, Faust K. Social network analysis: Methods and applications [J]. Contemporary sociological, 1994,91:219-220.
[38] He Y Y, Wei Z X, Liu G Q, et al. Spatial network analysis of carbon emissions from the electricity sector in China [J]. Journal of Cleaner Production, 2020,262:1-13.
[39] 邵海琴,王兆峰.中國交通碳排放效率的空間關(guān)聯(lián)網(wǎng)絡(luò)結(jié)構(gòu)及其影響因素[J]. 中國人口·資源與環(huán)境, 2021,31(4):32-41.
Shao H Q, Wang Z F. Spatial network structure of transportation carbon emissions efficiency in China and its influencing factors [J]. China Population, Resources and Environment, 2021,31(4):32-41.
[40] 孟祥寧,張 林.中國裝備制造業(yè)綠色全要素生產(chǎn)率增長的演化軌跡及動(dòng)力[J]. 經(jīng)濟(jì)與管理研究, 2018,39(1):105-115.
Meng X N, Zhang L. Evolutionary trail and dynamics of green total factor productivity growth in China's equipment manufacturing industry [J]. Research on Economics and Management, 2018, 39(1):105-115.
[41] 鄭石明.政治周期,五年規(guī)劃與環(huán)境污染——以工業(yè)二氧化硫排放為例[J]. 政治學(xué)研究, 2016,(2):80-94,127-128.
Zheng S M. Political cycle, Five-Year plan and environmental pollution——with empirical analysis of industrial sulfur dioxide emissions [J]. CASS Journal of Political Science, 2016,(2):80-94, 127-128.
[42] Cao X, Kostka G, Xu X. Environmental political business cycles: the case of PM2.5air pollution in Chinese prefectures [J]. Environmental Science and Policy, 2019,93:92-100.
[43] Song J Z, Feng Q, Wang X P, et al. Spatial association and effect evaluation of CO2emissions in the Chengdu-Chongqing urban agglomeration: Quantitative evidence from social network analysis [J]. Sustainability, 2019,11(1):1-19.
[44] Li X T, Feng D, Li J, et al. Research on the spatial network characteristics and synergetic abatement effect of the carbon emissions in Beijing–Tianjin–Hebei urban agglomeration [J]. Sustainability, 2019,11(5):1444-1458.
Spatial correlation network structure and influencing factors of carbon emission in urban agglomeration.
ZHENG Hang1, YE A-zhong1,2*
(1.School of Economics and Management, Fuzhou University, Fuzhou 350116, China;2.Research Center of Fujian Economic High Quality Development in Fuzhou University Based on Social Science Planning of Fujian Province, Fuzhou 350116, China)., 2022,42(5):2413~2422
Based on the method of social network analysis (SNA) and quadratic assignment procedure (QAP), the paper conducted a research with regard to the spatial correlation and influencing factors of carbon emissions in urban agglomerations of Pearl River Delta with the data of prefecture-level cities in Pearl River Delta urban agglomerations during 2001 and 2019. As the result suggested, the spatial correlation of carbon emissions in PRD urban agglomerations presented a complex network structure, and the closeness of spatial correlation changed periodically, showing the feature of "fluctuating according to policy". The spatial correlation network of carbon emissions showed a significant core-edge distribution pattern. The economically developed cities such as Guangzhou and Shenzhen were at the core of the network, playing the role of "intermediary" and "bridge", while the underdeveloped cities such as Huizhou and Jiangmen were at the edge of the network and had weak ability to control and influence the network. The spatial correlation network of carbon emissions could be divided into four sectors: net benefit, net spillover, two-way spillover and broker. The expansion of differences in economic development level, energy use efficiency, technological level and environmental protection intensity promoted the formation of spatial correlation relationship of carbon emissions. The analysis above would be helpful for decision-makers to define emission reduction responsibilities and emission reduction targets for cities in the PEARL River Delta urban agglomeration, and provided references for formulating fairer and more targeted coordinated emission reduction plans for urban agglomeration.
carbon emission;spatial correlation;social network analysis;core-edge distribution pattern
X321
A
1000-6923(2022)05-2413-10
鄭 航(1996-),男,福建漳州人,福州大學(xué)經(jīng)濟(jì)與管理學(xué)院博士研究生,主要從事區(qū)域經(jīng)濟(jì),低碳經(jīng)濟(jì)和空間經(jīng)濟(jì)學(xué)研究.發(fā)表論文2篇.
2021-10-03
國家自然科學(xué)基金資助項(xiàng)目(71571046;72073030)
* 責(zé)任作者, 教授, fzushujing@163.com