Research on spatial network structure and influencing factors of transportation carbon emission efficiency in national central cities in China
-
摘要:
为科学把握城市交通碳排放效率的空间网络结构，实现交通运输业可持续发展，基于2011—2020年我国9个国家中心城市交通碳排放数据，构建考虑非期望产出的全局超效率SBM模型（GB-US-Super-SBM模型）并测算交通碳排放效率，利用修改的引力模型建立空间关联网络，在此基础上应用社会网络分析方法厘清交通碳排放效率空间网络结构及其动因。结果表明：1）研究期内，9个国家中心城市交通碳排放效率整体水平不高，城市间存在较大差距。2）国家中心城市交通碳排放效率的空间关联呈现网络结构形态，并逐渐形成了天津、西安、郑州等多个网络中心；空间网络关联性以2017年为节点呈现先增强后减弱的趋势；天津、西安、郑州等城市发挥着“桥梁”和“中介”作用，对空间网络的形成发挥了重要作用。3）经济发展水平差异、城镇化水平差异、节能技术水平差异和空间邻接关系等因素在交通碳排放效率的空间网络结构中发挥显著作用，其中空间邻接关系和经济发展水平差异的影响最显著。
Abstract:In order to scientifically grasp the spatial network structure of carbon emission efficiency in urban transportation and achieve sustainable development in the transportation industry, based on the data of nine national central cities in China from 2011 to 2020, a global super efficiency SBM model (GB-US-Super-SBM model) considering unexpected output was constructed to assess the transportation carbon emission efficiency; the revised spatial gravity model was used to construct the spatial correlation network and, based on this, the social network analysis method was applied to reveal the spatial network structure of transportation carbon emission efficiency and the influencing factors. The results showed that: (1) During the entire study duration, the overall transportation carbon emission efficiency of nine national central cities was relatively low, and there were considerable gaps among the cities. (2) The spatial correlation of transportation carbon emission efficiency in national central cities presented a network structure, gradually forming multiple network centers such as Tianjin, Xi'an and Zhengzhou; the spatial network of transportation carbon emission efficiency shows a trend of first strengthening and then weakening with 2017 as the node; cities such as Tianjin, Xi'an and Zhengzhou served as "bridges" and "intermediaries", playing a crucial role in the shaping of the spatial network. (3) Variations in economic development, urbanization, energy-saving technology and spatial proximity significantly influenced the spatial configuration of carbon emission efficiency in transportation. Among these factors, spatial proximity and differences in the level of economic development exerted the most substantial impact.
-
全球气候变暖背景下，二氧化碳等温室气体减排问题成为我国可持续发展道路上亟待解决的重大课题。我国在2023年《政府工作报告》中就科学有序推进碳达峰碳中和作了具体安排，反映出在可持续发展道路上我国对碳排放问题的高度关切。城市是碳排放活动的中心，是我国在低碳发展中不可忽视的重要地域单元之一[1]。国家中心城市作为我国战略要津，是经济发展活力最强、制度体系最完善、城镇化发展水平最好的地区之一，同时也是国内集聚辐射最广、带动能力最大、交通运输发展水平最高的重要交通枢纽，是我国城市实施碳减排行动的“排头兵”[2]。因此，国家中心城市碳排放问题的研究，既能为我国城市绿色低碳转型提供路径指引，也能为我国碳达峰碳中和目标的达成提供参考。
交通运输业是碳排放的重要来源。根据国际能源署的数据，2020年交通运输业占全球碳排放总量的26%[3]。而在我国，仅交通运输领域就贡献了全国终端15%的碳排放量，2013—2021年交通碳排放年均增速超过5%，成为温室气体排放增长最快的领域之一[4-5]。目前已有学者聚焦交通碳排放领域，深入探究我国交通碳排放空间关联网络的宏观格局、微观连通及驱动要素等，并取得相应进展[6]。其中，城市作为国家经济发展的重要主体，北京、上海、天津等超大、特大城市在交通领域的碳排放量超过了城市总排放量的20%[7]。因此，实现城市交通减排目标对于全国低碳发展的成效至关重要。
碳排放效率可用以综合评估低碳经济发展水平，提高碳排放效率对推动碳减排及可持续发展有着重要作用[8]。在推动交通发展从注重速度和规模转向关注质量和效益的背景下，交通碳排放效率提升在城市实现低碳转型中将发挥重要作用[9]。学者们就交通碳排放效率进行了深入研究，主要涵盖交通碳排放效率的测度、交通碳排放效率的影响因素、交通碳排放效率的空间关系分析等。就交通碳排放效率的测度研究来看，学者们主要运用非径向数据包络分析（data envelopment analysis，DEA）、交叉效率DEA、Malmquist指数模型等方法对我国交通碳排放效率进行测算[10-12]。就交通碳排放效率的影响因素研究来看，学者们主要探讨了人口规模、运输结构、运输强度、要素禀赋、收入水平、节能技术水平、货运距离、能源消费结构、能源强度、环境规制、产业结构、政府干预等多种因素对交通碳排放效率的影响[13-16]。就交通碳排放效率的空间关系来看，学者们分析了不同地域单元交通碳排放效率的空间分布、时空动态变化、空间溢出效应等[17-21]，结果表明，交通碳排放效率存在显著的空间分布差异和空间溢出效应。因此，交通碳排放效率分析还应考虑空间网络特征。
上述研究为我国交通碳排放问题的控制提供了重要的参考和指导，但仍存在一些局限：1）现有的交通碳排放效率测算方法多为DEA改进模型或Malmquist指数，效率测算结果不具有跨期可比性，也不能用于不同地区间效率水平的横向比较；2）现有交通碳排放效率空间研究多为考虑相邻地区碳排放效率的溢出影响，缺少从整体视角测度和刻画全国各省（区、市）交通碳排放效率的空间网络结构特征；3）交通碳排放效率的研究尺度包含了省际、区域、省份等多个层面，但鲜有从城市层面出发对交通碳排放效率网络特征展开分析的研究。
因此，笔者采用考虑非期望产出的全局超效率SBM模型对我国9个国家中心城市（北京、上海、广州、天津、成都、重庆、郑州、武汉和西安）的交通运输碳排放效率进行测度，并利用修改的引力模型构建交通运输碳排放效率空间网络（简称交通碳排放效率空间网络），在此基础上通过社会网络分析法对我国9个国家中心城市的交通碳排放效率空间网络进行结构特征及动因分析，旨在为我国城市交通协同减排提供科学建议。
1. 研究方法与数据来源
1.1 交通运输业碳排放效率测算
现有碳排放效率测度的方法，已从非径向、非角度的SBM模型及可辨识多个决策单元（DMU）均相对有效的Super-SBM模型，发展到了采用考虑非期望产出条件下的Super-SBM模型[22-23]。但以上模型是从静态的角度进行效率测算，动态研究虽有开展仍比较少见。目前对效率的动态测算多采用Malmquist指数方法，但由于每个时期的生产可行性集存在差异，因此采用此方法测算效率的结果缺乏跨期可比性。基于此，参考Pastor等[24]提出的全局参比思路，将样本期所有DMU均纳入最优生产前沿面的构造过程，并作为统一基准，将每个DMU与最佳生产前沿面进行比较计算得出效率值，使效率在不同时期具有可比性。借鉴Huang等[25-26]的做法，在规模报酬可变（VRS）假设条件下，构造考虑非期望产出的全局参比超效率SBM模型，即GB-US-Super-SBM模型，其计算公式如下：
$$ {\theta ^*} = \mathop {\min }\limits_{\lambda ,{s^ - },{s^ + }} \dfrac{{1 + \dfrac{1}{m}\displaystyle\sum\limits_{i = 1}^m {\dfrac{{s_i^ - }}{{x_{io}^t}}} }}{{1 - \dfrac{1}{{q + h}}\left( {\displaystyle\sum\limits_{r = 1}^q {\dfrac{{s_r^ + }}{{y_{ro}^t}} + \displaystyle\sum\limits_{k = 1}^h {\dfrac{{s_k^ - }}{{b_{ko}^t}}} } } \right)}} $$ (1) $$ \begin{split} & \mathrm{s.t.}\text{ }x_{io}^t\geqslant\sum\limits_{t=1}^T\sum\limits_{j=1,j\ne o}^n\lambda_j^tx_{ij}^t-s_i^-\text{ }，i=1,2,\cdots,m \\ &\text{ }y_{ro}^t\leqslant \sum\limits_{t=1}^T\sum\limits_{j=1,j\ne o}^n\lambda_j^ty_{rj}^t+s_r^+\text{ }，r=1,2,\cdots,q \\ &\text{ }b_{ko}^t\geqslant\sum\limits_{t=1}^T\sum\limits_{j=1,j\ne o}^n\lambda_j^tb_{kj}^t-s_k^-\text{ }，k=1,2,\cdots,h \\ &\text{ }1-\frac{1}{q+h}\left(\sum\limits_{r=1}^q\frac{s_r^+}{y_{ro}^t}+\sum\limits_{k=1}^h\frac{s_k^-}{b_{ko}^t}\right) > 0 \\ &\text{ }\lambda_j^t\geqslant0\left(\forall j\right),\text{ }\sum\limits_{t=1}^T\sum\limits_{j=1,\ne o}^n\lambda_j^t=1 \\ &\text{ }s_i^-\geqslant0\left(\forall i\right),s_r^+\geqslant0\left(\forall r\right),s_k^-\geqslant0\left(\forall k\right) \end{split} $$ (2) 式中：θ*为各国家中心城市交通碳排放效率值，其取值范围为[0,1]，越接近1表示效率值越高；$\lambda _j^t $为权重向量；$x _o^t $、$y _o^t $和$b _o^t $分别为第o个DMU在t时期的投入、期望产出和非期望产出；$ s_i^- $、$s _r^+ $、$s _k^- $依次为投入、期望产出以及非期望产出的松弛变量。在测算每个DMU的效率时，非期望产出的增长程度可能超过100%，这可能使目标函数的分母为负，从而导致目标函数无解，即最优值接近无穷大，所以增加约束条件将目标函数的分母限制为正数。
1.2 空间网络结构分析方法
1.2.1 修改的引力模型
网络分析首先应确定节点间的关系[27]。引力模型是确定空间关联关系的一类经典模型[28]，它综合考虑了经济地理距离因素，且可利用截面数据准确刻画空间网络的演变趋势[29-30]，可用于测度9个国家中心城市交通碳排放效率的空间关联关系。因此，本研究采用引力模型，同时为了增强模型的适用性，借鉴国内外相关研究[31-33]，引入交通碳排放效率对其进行修正，衡量我国国家中心城市之间的交通碳排放联系强度，修正后的引力模型计算公式如下：
$$ {Q}_{ij}={k}_{ij}\times \dfrac{\mathrm{ACE}_{i}\times \mathrm{ACE}_{j}}{{{D}_{ij}^{2}}/{(\mathrm{a}{\mathrm{g}}_{i}-\mathrm{a}{\mathrm{g}}_{j}{)}^{2}}},\;\;{k}_{ij}=\frac{{G}_{i}}{{G}_{i}+{G}_{j}} $$ (3) 式中：Qij为城市i对城市j的交通碳排放效率空间关联强度大小；kij为城市i在城市i、j之间碳排放效率空间关联强度联系中的贡献率；Gi和Gj分别为第i个城市和第j个城市的交通运输行业增加值；ACEi、ACEj分别为第i个城市和第j个城市的交通碳排放效率；Dij为城市i和j之间的地理距离；agi和agj分别为城市i和j的交通运输行业劳动力人均GDP，采用交通运输行业增加值与交通运输、仓储及邮政业从业人数的比值表示。同时根据已有研究，交通碳排放空间网络的演化具有明显的地理邻近效应和经济邻近效应[6]，因此，综合考虑经济距离和地理距离在空间网络中的影响，以Dij与人均GDP的差值（agi−agj）之比来综合表征城市之间的距离，距离的衰减系数为2。
根据式（3）计算出各城市之间碳排放效率的引力，并构建9个中心城市的交通碳排放效率空间网络矩阵，矩阵中的每个元素表示相应2个城市间交通碳排放效率的关联强度。参考张翼[34]的做法，取矩阵各行平均值为临界值，如果引力值高于该行临界值则标记为1，意为该行城市与该列城市的交通碳排放效率存在空间关联关系；反之记为0，意为不存在空间关联关系。
1.2.2 社会网络分析法
社会网络分析法是一种基于“关系数据”研究人际关系和社会结构的方法，它通过分析个体之间的关系和交互，揭示出社会网络中的模式、结构和动态变化，目前已应用于社会学、心理学、管理学、组织学等多个领域[29]。在构建交通碳排放效率空间网络矩阵后，运用社会网络分析法，选取社会网络分析中的网络关联度、网络关系数、网络密度、网络等级度和网络效率就整体结构特征进行分析，选取度数中心度、接近中心度和中间中心度指标反映各城市在空间网络中的定位和作用，具体计算见文献[35]。
1.3 QAP模型
由于本文所涉及变量均为“关系数据”，变量间可能具有较高的相似性，为避免变量间出现多重共线性现象，采用QAP分析方法对9个国家中心城市交通碳排放效率空间网络的动因进行探讨。现有研究[8,13,18,36-38]认为，空间相邻关系、收入水平、交通运输强度、节能技术水平、产业结构、城镇化水平等是影响交通碳排放效率的重要因素。因此，选取空间邻接关系、经济发展水平差异、城镇化水平差异、交通运输强度差异、产业结构差异和节能技术水平差异这6个因素来揭示空间网络结构的内在影响因素，并构建QAP模型，公式如下：
$$ \mathbf{\mathbf{\mathrm{G}\mathrm{L}}}=f\left(\mathbf{E}\mathbf{D}\mathrm{、}\mathbf{U}\mathbf{L}\mathrm{、}\mathbf{T}\mathbf{I}\mathrm{、}\mathbf{T}\mathbf{S}\mathrm{、}\mathbf{E}\mathbf{T}、{{{{\boldsymbol{C}}}}}\right) $$ (4) 式中：因变量GL为我国9个国家中心城市交通碳排放效率空间网络矩阵；经济发展水平差异矩阵（ED）、城镇化水平差异矩阵（UL）、交通运输强度差异矩阵（TI）、产业结构差异矩阵（TS）、节能技术水平差异矩阵（ET）和空间邻接矩阵（C）为自变量。选取2020年的指标值，利用各城市相应指标的绝对差值构建差异矩阵。同时，所有的差异矩阵都归一化为0~1，以保证计算精度。模型中相关变量的定义如表1所示。
表 1 变量定义Table 1. Variable definitions变量 定义 交通碳排放效率空间
相关性（GL）1.2节构建的交通碳排放效率空间网络 经济发展水平差异（ED） 城市之间的人均GDP差异 城镇化水平差异（UL） 城市之间的城镇人口比例差异 交通运输强度差异（TI） 交通运输综合换算周转量与
各城市地区生产总值的比值差异产业结构差异（TS） 城市之间的第三产业总值
占地区生产总值比例差异节能技术水平差异（ET） 交通能源强度倒数差异，即交通运输综合
换算周转量与能源消耗量的比值城市之间的相邻关系（C） 采用0-1法则，两城市邻接记为1，否则为0 1.4 指标选取与数据来源
1.4.1 交通碳排放效率指标的选取与数据来源
为探究我国主要城市交通碳排放效率的空间网络关系，选取2011—2020年北京、上海、广州、天津、成都、重庆、郑州、武汉和西安这9个国家中心城市作为研究单元。借鉴已有成果[13,18,39-40]，选取交通运输资本存量和能源消耗量作为投入指标，同时以二氧化碳排放量和交通运输业增加值作为产出指标。
交通运输资本存量是指交通运输行业在某一时间点上经济社会的资本总量，借鉴单豪杰[41]的研究，使用永续盘存法对资本存量进行估算。鉴于各地交通运输行业固定资产投资数据的缺失，加之邮政和仓储业所占比例较少，因此使用交通运输、仓储和邮政业的相关数据替代交通运输的指标数据。交通运输、仓储和邮政业固定资产投资额的数据来源于各城市的统计年鉴，根据国家统计年鉴中的固定资产投资价格指数对数据进行平减处理，换算成2011年可比价。
交通运输能源消耗量的测算一般采用汇总交通运输产生的各类化石能源能耗量的方法，而受限于数据的可得性，目前对于市域交通运输能源消耗量的测算无法基于不同能源的消耗量而加总得出，因此借鉴蔡博峰等[42]的研究，基于自上而下的方法，并结合交通运输部门测算总换算周转量和单位周转量能耗数据的方式来计算能源消耗量，计算公式如下：
$$ E^{t}=\sum_{j=1}^{4} \sum_{k=1}^{2} E_{j, k}^{t}=\sum_{j=1}^{4} \sum_{k=1}^{2} M_{j, k}^{t} \times V_{j, k}^{t} $$ (5) 式中：Et为第t年的能源消耗量；j为运输方式，包括公路、铁路、民航和水运；k为运输类型，分为客运和货运；$M_{j, k}^{t} $、$V_{j, k}^{t} $分别为第j种交通工具第k种运输类型在第t年的单位换算周转量能耗量和周转量。其中各运输方式的单位周转量能耗数据分别来源于各市《公路水路交通运输行业的发展统计公报》《民航行业发展统计公报》和《铁道统计公报》。根据我国现行统计制度，各运输方式的客货换算系数如下：公路为0.1；铁路为1；水路为0.33；航空为0.072。
交通运输业增加值作为期望产出，数据来源于各城市历年的统计年鉴。为实现可比性，根据国家统计年鉴的交通运输、仓储和邮政业增加值指数将数据以2011年为基期进行平减处理。
二氧化碳排放量作为非期望产出，一般从化石能源消耗的角度采取联合国政府间气候变化专门委员会（Intergovernmental Panel on Climate Change，IPCC）提供的自上而下法来计算[43-45]，计算公式如下：
$$ \operatorname{CO}_{2}^{t}=\sum_{j=1}^{4} V_{j}^{t} f_{j}^{t} $$ (6) 式中：$\operatorname{CO}_{2}^{t} $为第$t$年的二氧化碳排放量；$V_{j}^{t} $为第j种运输方式第t年的总换算周转量；$f_{j}^{t} $第j种运输方式第t年的二氧化碳排放系数。其中，二氧化碳排放系数来源于《温室气体议定书》以及欧洲化学工业协会公布的数据。
1.4.2 交通碳排放效率空间网络结构的确定与数据来源
运用修改的引力模型测度出城市间交通碳排放效率的关联强度，从而构建交通碳排放效率空间网络矩阵是进行社会网络分析的基础和前提。在修改的引力模型中，交通运输行业增加值和交通运输、仓储及邮政业从业人数数据来源于各城市历年的统计年鉴，交通碳排放效率根据式（1）和式（2）计算得出，城市之间的地理距离通过ArcGIS软件distance功能结合各中心城市地理坐标计算得出。在社会网络分析中，整体网络特征和网络中心性指标由Ucinet软件计算得出。在QAP模型中，各指标数据来源于2021年各城市统计年鉴、第七次全国人口普查数据公告以及经1.4.1节计算所得的结果等。
2. 结果与分析
2.1 交通碳排放效率分析
利用MaxDEA 9 Ultra软件，结合式（1）、式（2），计算得到9个中心城市的交通碳排放效率，如表2所示。
表 2 2011—2020年中国9个中心城市交通碳排放效率Table 2. Transportation carbon emission efficiency of 9 central cities of China from 2011 to 2020年份 北京 天津 上海 广州 重庆 成都 武汉 郑州 西安 均值 2011 1.026 0.427 1.028 1.037 0.354 0.419 0.529 1.060 1.198 0.786 2012 0.964 0.491 0.895 0.933 0.355 0.402 0.534 1.036 1.032 0.738 2013 1.002 0.569 0.915 0.896 0.389 0.430 0.540 0.922 0.893 0.729 2014 1.005 0.731 1.027 0.880 0.356 0.414 0.517 1.048 0.822 0.756 2015 0.886 0.837 0.966 0.881 0.349 0.412 0.502 0.887 0.781 0.722 2016 0.819 0.902 0.968 0.778 0.315 0.400 0.484 0.619 1.035 0.702 2017 1.005 1.004 0.966 0.796 0.295 0.397 0.475 0.563 0.798 0.700 2018 1.013 1.014 1.004 0.868 0.281 0.378 0.452 0.517 0.683 0.690 2019 1.002 1.019 1.017 0.944 0.275 0.366 0.468 0.549 0.678 0.702 2020 0.482 1.009 1.009 1.018 0.279 0.415 0.461 0.600 0.735 0.667 均值 0.920 0.800 0.980 0.903 0.325 0.403 0.496 0.780 0.865 由表2可知，从纵向比较上看，2011—2020年我国9个中心城市交通碳排放效率均值基本呈下降趋势，2011年最高，且均未达到生产前沿面，这表明在2011—2020年我国9个中心城市在交通运输业高效发展上遇到了一定阻碍。
在横向比较中，2011—2020年上海、北京和广州的交通碳排放效率年均值较高，分别为0.980、0.920和0.903，其交通碳排放的高效率主要得益于相对较高的交通运输业增加值。天津交通碳排放效率逐年攀升，并且其在2017年、2018年、2019年和2020年位于生产前沿面上，这表明天津在推动交通运输行业增加值不断增加的同时也实现了交通碳排放量的稳步下降，实现了交通运输业低碳高效的发展。究其原因，可能是天津逐步发展完善的海陆空交通基础设施，并通过推广绿色低碳技术（如布局风电、光伏等绿色能源发电技术）实现了节能降耗。西安交通碳排放效率在研究期内呈波动下降趋势，其中在2016年短暂回升至生产前沿面，年均值达到了0.865，其碳排放效率较高的主要原因是相对较低的能源和资本投入。郑州交通碳排放效率呈现出波动下降的趋势，但研究期内整体交通碳排放效率水平较高，处于国家中心城市的交通碳排放效率水平前列，其碳排放效率较高的主要原因是相对较高的交通运输业增加值。武汉、成都、重庆的交通碳排放效率年均值均不足0.5，其中重庆市交通碳排放效率呈现出逐渐下降的趋势，这主要是由于其行业增加值的增长速度均低于同年资本和能源投入的增长速度，而同时碳排放产出的增长速度却与资本和能源投入的增长速度基本持平。
综合来看，我国9个国家中心城市交通碳排放效率整体不高，地区差异较大，且交通碳排放效率内部的协调性仍有待提高。
2.2 交通碳排放效率的空间网络结构分析
结合1.2.1节的修改引力模型，建立我国国家中心城市交通碳排放效率空间矩阵，利用Ucinet 6.0软件的Netdraw功能绘制2011—2020年9个中心城市交通碳排放效率空间网络拓扑图（图1）。由图1可知，2011—2020年9个城市均被纳入国家中心城市交通碳排放效率空间网络中，2011—2013年郑州是网络的中心城市，随着网络的进一步发展，逐渐形成了以天津、西安、郑州为中心的多网络中心交通碳排放效率空间网络。
![]()
图 1 2011—2020年9个国家中心城市交通碳排放效率空间网络拓扑Figure 1. Topologies of transportation carbon emission efficiency in 9 national central cities of China from 2011 to 20202.2.1 交通碳排放效率的空间网络整体特征分析
应用Ucinet 6.0软件，计算得到2011—2020年中国9个中心城市交通碳排放效率空间网络整体特征，结果如图2和图3所示。其中研究期间网络关联度均为1，显示出所有城市均处于空间关联网络当中，且交通碳排放效率具有广泛的空间溢出效应，并不局限于邻近区域。
![]()
图 2 交通碳排放效率网络关系数和网络密度Figure 2. Network connectedness and density of transportation carbon emission efficiency![]()
图 3 交通碳排放效率网络等级度和网络效率Figure 3. Network hierarchy and efficiency of transportation carbon emission efficiency由图2可知，网络关系数总体呈现出先上升后下降的趋势，由2011年的14个上升至2017年的21个，后降至2020年的17个。就网络密度而言，其同样呈现出先上升后下降的趋势，从2011年的0.194 4上升至2017年的0.291 7，提升了50.05%，后又降至2020年的0.236 1。这反映出在2017年以前，9个中心城市交通碳排放效率空间网络关联性增强，而在2017年之后已有的空间相互作用趋于弱化，这可能是由于2017年之后随着区域协调发展战略的开展，各城市将发展重点转到本区域基础设施的完善上，而相对减少了与网络中其他城市的合作。
由图3可知，网络等级和网络效率呈波动趋势。整体上网络等级度呈现出“M”型波动趋势，在2017年之后维持在较为稳定的水平。这反映出在研究期内城市交通碳排放效率网络尚未形成稳定的空间关联层次体系，城市间的交互程度有待进一步增强。研究期间，网络效率在2017年以前呈现下降趋势，说明空间网络中连线增加，整体网络稳定性上升，这主要是由于早期跨区域通道的建设进一步完善了交通网络；但在2017年以后网络效率开始逐年升高，空间网络内部关联线减少，城市间碳排放效率的空间关联性降低，整体网络稳定性下降，这可能是由于2017年国务院发布《“十三五”现代综合交通运输体系发展规划》后，各城市将重点更多放在了完善本地区基础设施网络布局上，从而相对放缓了与其他中心城市构建交融互通的交通网的步伐。
2.2.2 交通碳排放效率的空间网络个体特征分析
由2.2.1节分析可以发现，2017年是空间网络整体特征变化较大的年份，而2015年和2020年分别是“十二五”和“十三五”规划的收官年，能较好地反映出城市交通碳减排的阶段性效果。因此，以2015年、2017年和2020年这3个年份为代表，研究交通碳排放空间网络的个体特征。应用Ucinet 6.0软件，计算得到我国9个中心城市2015年、2017年、2020年的交通碳排放效率空间网络的个体结构特征，如表3所示。
表 3 中国9个中心城市交通碳排放效率网络中心性分析Table 3. Centrality analysis of spatial correlation network of transportation carbon emission efficiency in 9 national central cities of China城市 2015年 2017年 2020年 CAB CAP CAD CAB CAP CAD CAB CAP CAD 北京 25.000 50.000 0.714 25.000 53.333 0.714 12.500 44.444 0.000 天津 62.500 72.727 18.155 75.000 80.000 22.143 62.500 72.727 36.607 上海 50.000 66.667 9.345 37.500 61.538 4.286 25.000 50.000 1.786 广州 37.500 53.333 2.679 37.500 61.538 0.714 25.000 50.000 0.893 重庆 50.000 66.667 9.345 50.000 66.667 1.429 25.000 50.000 0.893 成都 37.500 57.143 3.393 62.500 72.727 10.833 50.000 66.667 17.857 武汉 50.000 61.538 7.440 37.500 57.143 3.095 37.500 61.538 1.786 郑州 62.500 72.727 18.155 62.500 72.727 13.810 50.000 61.538 11.607 西安 50.000 66.667 9.345 62.500 72.727 10.833 62.500 72.727 25.000 从度数中心度（CAB）来看，天津、西安和郑州各阶段的度数中心度均高于均值水平，这表明天津、西安和郑州始终处于交通碳排放效率空间网络的中心位置，与其他中心城市的空间关联关系较多。随着时间推进，重庆逐渐淡出中心位置，而成都交通碳排放效率的溢出渠道则逐渐增加，跻身网络核心位置。可能是因为相对于成都等其他中心城市而言，重庆发展达到了阶段性阈值，难以有效吸收其他城市的要素转移。天津、西安、郑州和成都等城市利用其相对完善的交通网络，通过交通运输业资本、人才、节能技术等资源要素优势与其他中心城市保持着深入密切的联系，对整体交通碳排放效率网络的形成和稳定发展起到了关键性的作用。
从接近中心度（CAP）来看，天津、西安、郑州各阶段的接近中心度均高于平均水平，这表明这些城市在空间网络中发挥着引领带动作用，处于“中心行动者”位置。它们可以更快地与其他中心城市产生关联，同时更方便获取与输出相关要素，对其他中心城市交通碳排放效率产生影响。另外可以发现，随着时间的推移，上海、重庆的接近中心度不断下降，成都的接近中心度呈现先升后降的趋势，武汉的接近中心度呈现先降后升的趋势，这表明上海和重庆逐渐成为了交通碳排放效率空间网络中“边缘行动者”的位置，它们在获取低碳交通发展技术等要素方面的能力相对较弱，不易被其他城市的发展带动。这可能是由于上海、重庆主要作为网络要素的流出地，近年来流入要素相对减少，一定程度上影响了对外关联。
从中介中心度（CAD）来看，天津、西安、郑州是交通碳排放效率空间网络中的要素集聚地，其各阶段中介中心度均高于均值水平，对资源要素的流动起到支配作用；北京、上海、广州、武汉等城市在网络中处于“被支配”的地位，其各阶段中介中心度均低于均值水平，网络呈现“核心-边缘”结构。这表明天津、西安、郑州等城市在网络中控制低碳发展所需要的技术、人才、资金等交通要素交流的能力较强，一方面这些城市可通过输出低碳技术、资金、劳动力等推动其他城市交通绿色化发展，另一方面这些城市的绿色出行习惯也影响着其他城市的发展。具体来说，天津是北方最大的集水运、陆运、空运为一体的国际交通枢纽，坐拥世界级人工深水大港——天津港，各类要素在此集聚进行交易，而后向着其他城市扩散，天津为要素间交流提供了多方面的支持，发挥了空间网络中的“桥梁”作用；西安在区域协调发展过程中成为了各中心城市与我国西部进行交流的枢纽城市，其通过接收其他中心城市的输入要素而增强了自身对交通要素的控制能力；郑州处于我国人口众多的中原腹地，随着其交通网络的迅速发展，与其他中心城市要素的交流迅速增加，也使得郑州成为周边城市要素交流的枢纽。
3. 交通碳排放效率的空间网络动因分析
3.1 QAP相关性分析
在进行QAP回归分析之前，研究首先利用Ucinet 6.0软件对2020年各自变量与我国9个中心城市交通碳排放效率空间网络结构之间的相关性进行分析，结果如表4所示。由表4可知，城镇化水平、交通运输强度和节能技术水平3类因素在0.1的显著性水平上通过了检验，经济发展水平和空间邻接关系2类因素分别在0.05和0.01的显著性水平上通过了检验，表明这5类因素与我国9个国家中心城市交通碳排放效率空间网络的形成具有显著的相关性。其中，经济发展水平、城镇化水平、交通运输强度、节能技术水平的相关系数为负，表明它们对国家中心城市交通碳排放效率空间网络的形成具有负相关作用；空间邻接关系的相关系数为正，表明空间邻接关系有利于形成交通碳排放效率空间网络。产业结构差异的相关系数为负但不显著，表明其与碳排放效率空间网络形成的相关性较弱。
表 4 我国9个国家中心城市交通碳排放效率空间网络动因分析Table 4. Analysis of spatial correlation network drivers of transportation carbon emission efficiency in 9 national central cities of China自变量 QAP相关分析 QAP回归分析 相关系数 P 回归系数 P 经济发展水平 −0.338 0.020** −0.277 0.013** 城镇化水平 −0.168 0.099* −0.161 0.073* 交通运输强度 −0.187 0.092* 0.090 0.190 产业结构 −0.163 0.110 0.225 0.040** 节能技术水平 −0.177 0.096* −0.188 0.034** 空间邻接关系 0.638 0.000*** 0.658 0.000*** 注：*表示P<0.1，**表示P<0.05，***表示P<0.01；R2为0.520，回归分析调整后R2为0.484，显著性水平为0.000。 3.2 QAP回归分析
基于式（4），通过Ucinet 6.0软件进行QAP回归分析，结果如表4所示。由表4可知，2020年调整后判定系数（R2）达到0.484，且通过了1%的显著性检验，即经济发展水平差异、城镇化水平差异、交通运输强度差异、节能技术水平差异和空间邻接关系5类因素大约可以解释我国9个中心城市交通碳排放效率空间关联效应的48.4%，整体解释性较强。
具体而言，经济发展水平差异矩阵（ED）的回归系数在0.05水平上显著为负，说明经济发展水平差异的缩小有助于城市间交通碳排放效率空间网络关系的形成。究其原因，一方面是因为经济发展水平越相近的城市对交通运输业减碳增效的发展越具有相似的需求，从而影响到交通碳排放效率间的相互作用；另一方面是因为市场机制作用下，经济发展水平相近的城市更容易发生技术、劳动力等资源要素的交流和流动，进而有利于促进城市间关联关系的形成[46-47]。城镇化水平差异矩阵（UL）的回归系数在0.1水平上显著为负，表明城镇化水平差异越小的城市越容易发生交通碳排放效率的空间关联。这主要是因为城镇化水平相近的城市往往具有相近的社会文明程度，即人们具有相近的低碳出行认知水平，这些居民去往其他城市也可较快适应其他城市的交通运输环境，从而有助于建立空间网络联系。节能技术水平差异矩阵（ET）的回归系数在0.05水平上显著为负，表明城市间节能技术水平差异越小，交通碳排放效率的空间关联性越高。这可能是因为空间网络经过多年发展，在2020年各城市间都已具备了较高水平的节能技术基础和人员科技素质，而相近的技术水平更有利于城市间资本、技术等方面的溢出和吸收，从而促进空间网络的形成。空间邻接矩阵（C）的回归系数在0.01水平上显著为正，这说明我国9个国家中心城市交通碳排放效率空间网络呈现“俱乐部趋同”现象，越邻近的城市越容易发生空间关联，而距离越远的城市发生空间溢出的难度越大。究其原因，主要是城市间距离越近，交通碳排放效率相关的资本、劳动力、技术等的流动成本越低，越能实现各类交通要素的交流与配置。交通运输强度差异矩阵（TI）回归系数为0.09，但未通过0.1的显著性检验，表明交通运输强度虽然与交通碳排放效率空间网络具有相关关系，但是对空间网络的影响较为有限。
4. 结论与建议
4.1 结论
（1）研究期间，我国9个国家中心城市交通碳排放效率的平均值呈现出先升后降的趋势，整体效率不高，与生产前沿面还有一定距离；城市间交通碳排放效率尚存在较大差距，部分城市（如武汉、成都、重庆）的交通碳排放效率还亟待提高。
（2）研究期间，在整体网络结构特征上，我国9个国家中心城市的交通碳排放效率空间网络呈现出网络关联性，突破了传统空间地理邻近范围。具体来说，关联网络的网络关系数、网络密度呈现出先上升后下降的趋势，在2017年达到峰值，同时网络等级度呈波动下降趋势，网络的等级关系逐渐松散，网络效率以2017年为节点呈现先下降后上升的趋势；在个体网络结构特征上，天津、西安、郑州等城市的度数中心度、接近中心度、中介中心度均较高，位于第一方阵，说明它们在交通碳排放效率空间网络中处于核心位置，更易与其他城市发生空间关联，起着“桥梁”作用。
（3）经济发展水平差异、城镇化水平差异、节能技术水平差异和空间邻接关系对我国9个国家中心城市的交通碳排放效率空间网络的形成产生重要影响。具体来说，相似的经济发展水平、城镇化水平、节能技术水平能够更好地促进空间网络的形成，空间相邻关系对空间网络的形成具有显著的正向影响，且空间相邻关系对其的影响最大。
4.2 对策建议及展望
（1）从交通碳排放效率的发展水平情况来看，各城市尤其是武汉、成都、重庆等城市应通过采取有效措施，如发展智能交通、加强新技术的投资、推广新能源汽车的使用等进一步提升交通运输行业产值、降低交通碳排放量，使自身交通碳排放效率达到最优。
（2）从全国层面看，树立全局意识和整体观念，将交通碳排放效率空间关联性作为各国家中心城市交通运输产业发展的新引擎，利用各中心城市在空间上的联系，实行跨区域清洁生产过程管控，充分发挥空间关联网络对促进城市间协同减排的作用。同时，为缓解2017年后空间网络关联线逐渐减少的现状，应推动资源合理分配，全面统筹区域内部交通建设和国家综合交通网建设，在总体资源有限的背景下，政府在制定交通发展与碳减排相关政策时，应兼顾“小区域”与“大网络”的综合发展，在建设新型城镇化的城际城市交通、区域城乡交通等基础设施时也要持续打造便捷通畅、绿色集约的现代化高质量国家综合交通网，不断优化交通网络布局结构，增强互联互通水平和网络韧性，充分发挥各国家中心城市南北互动、东西交融的重要作用。
（3）从城市层面看，充分发挥天津、西安、郑州等城市的中心性位置优势，建立以天津、西安、郑州为中心的国家中心城市交通碳减排跨区域协同机制，推动低碳交通技术、资金和人才资源向处于网络边缘位置的重庆、上海、广州等城市流动，发挥天津、西安、郑州等中心城市在交通运输节能减排技术、资本以及产业优势等方面的辐射和涓滴效应，进一步加强城市间的人才与技术的交流合作，如定期举办跨区域低碳交通发展前沿论坛、绿色低碳技术交流会等。
（4）从空间关联网络的影响因素看，首先，各中心城市尤其是处于网络边缘地位的城市要注重自身的经济建设，不断缩小与其他城市的经济发展水平差异；其次，处于相对较低城镇化水平的城市如重庆等应通过进一步提升城市服务水平、高质量推进农业转移人口市民化等措施缩小与其他高城镇化水平城市的差距；此外，要通过加快研发低碳减排技术、推进新能源汽车的使用等措施缩小各城市间的节能技术水平差异。重点推进地理距离短且经济发展水平差异小、城镇化水平差异小且节能技术差异小的城市间交通碳排放效率的协作与交流，如北京和天津可以通过进一步完善城际轨道交通等基础设施的建设，缩小2个城市间的时间距离、节能技术水平等方面的差距，共同推进整体交通碳排放效率的提高。
此外，本文仍存在一些局限，如对2011—2020年的交通碳排放效率空间网络的结构和动因进行了时间上的纵向和城市间的横向分析，但是这些结构特征和动因具体到每一年还会有个别差异情况存在；我国的超大、特大城市还在不断增加，因此其网络结构仍有可能会在外部城市的冲击下发生变动；随着国家中心城市的继续扩充，新的网络结构可能会呈现出新的结构特征。这些局限尚未进一步深入研究，后期将进一步对这些问题进行探讨。
-
![]()
图 1 2011—2020年9个国家中心城市交通碳排放效率空间网络拓扑
Figure 1. Topologies of transportation carbon emission efficiency in 9 national central cities of China from 2011 to 2020
![]()
图 2 交通碳排放效率网络关系数和网络密度
Figure 2. Network connectedness and density of transportation carbon emission efficiency
![]()
图 3 交通碳排放效率网络等级度和网络效率
Figure 3. Network hierarchy and efficiency of transportation carbon emission efficiency
表 1 变量定义
Table 1 Variable definitions
变量 定义 交通碳排放效率空间
相关性（GL）1.2节构建的交通碳排放效率空间网络 经济发展水平差异（ED） 城市之间的人均GDP差异 城镇化水平差异（UL） 城市之间的城镇人口比例差异 交通运输强度差异（TI） 交通运输综合换算周转量与
各城市地区生产总值的比值差异产业结构差异（TS） 城市之间的第三产业总值
占地区生产总值比例差异节能技术水平差异（ET） 交通能源强度倒数差异，即交通运输综合
换算周转量与能源消耗量的比值城市之间的相邻关系（C） 采用0-1法则，两城市邻接记为1，否则为0 
下载: 导出CSV
表 2 2011—2020年中国9个中心城市交通碳排放效率
Table 2 Transportation carbon emission efficiency of 9 central cities of China from 2011 to 2020
年份 北京 天津 上海 广州 重庆 成都 武汉 郑州 西安 均值 2011 1.026 0.427 1.028 1.037 0.354 0.419 0.529 1.060 1.198 0.786 2012 0.964 0.491 0.895 0.933 0.355 0.402 0.534 1.036 1.032 0.738 2013 1.002 0.569 0.915 0.896 0.389 0.430 0.540 0.922 0.893 0.729 2014 1.005 0.731 1.027 0.880 0.356 0.414 0.517 1.048 0.822 0.756 2015 0.886 0.837 0.966 0.881 0.349 0.412 0.502 0.887 0.781 0.722 2016 0.819 0.902 0.968 0.778 0.315 0.400 0.484 0.619 1.035 0.702 2017 1.005 1.004 0.966 0.796 0.295 0.397 0.475 0.563 0.798 0.700 2018 1.013 1.014 1.004 0.868 0.281 0.378 0.452 0.517 0.683 0.690 2019 1.002 1.019 1.017 0.944 0.275 0.366 0.468 0.549 0.678 0.702 2020 0.482 1.009 1.009 1.018 0.279 0.415 0.461 0.600 0.735 0.667 均值 0.920 0.800 0.980 0.903 0.325 0.403 0.496 0.780 0.865
下载: 导出CSV
表 3 中国9个中心城市交通碳排放效率网络中心性分析
Table 3 Centrality analysis of spatial correlation network of transportation carbon emission efficiency in 9 national central cities of China
城市 2015年 2017年 2020年 CAB CAP CAD CAB CAP CAD CAB CAP CAD 北京 25.000 50.000 0.714 25.000 53.333 0.714 12.500 44.444 0.000 天津 62.500 72.727 18.155 75.000 80.000 22.143 62.500 72.727 36.607 上海 50.000 66.667 9.345 37.500 61.538 4.286 25.000 50.000 1.786 广州 37.500 53.333 2.679 37.500 61.538 0.714 25.000 50.000 0.893 重庆 50.000 66.667 9.345 50.000 66.667 1.429 25.000 50.000 0.893 成都 37.500 57.143 3.393 62.500 72.727 10.833 50.000 66.667 17.857 武汉 50.000 61.538 7.440 37.500 57.143 3.095 37.500 61.538 1.786 郑州 62.500 72.727 18.155 62.500 72.727 13.810 50.000 61.538 11.607 西安 50.000 66.667 9.345 62.500 72.727 10.833 62.500 72.727 25.000
下载: 导出CSV
表 4 我国9个国家中心城市交通碳排放效率空间网络动因分析
Table 4 Analysis of spatial correlation network drivers of transportation carbon emission efficiency in 9 national central cities of China
自变量 QAP相关分析 QAP回归分析 相关系数 P 回归系数 P 经济发展水平 −0.338 0.020** −0.277 0.013** 城镇化水平 −0.168 0.099* −0.161 0.073* 交通运输强度 −0.187 0.092* 0.090 0.190 产业结构 −0.163 0.110 0.225 0.040** 节能技术水平 −0.177 0.096* −0.188 0.034** 空间邻接关系 0.638 0.000*** 0.658 0.000*** 注：*表示P<0.1，**表示P<0.05，***表示P<0.01；R2为0.520，回归分析调整后R2为0.484，显著性水平为0.000。
下载: 导出CSV
-
[1] 刘志林, 秦波. 城市形态与低碳城市: 研究进展与规划策略[J]. 国际城市规划,2013,28(2):4-11. LIU Z L, QIN B. Urban form and low-carbon cities: research progress and planning strategies[J]. Urban Planning International,2013,28(2):4-11.
[2] 住房和城乡建设部城乡规划司, 中国城市规划设计研究院. 全国城镇体系规划 2006—2020年[M]. 北京: 商务印书馆, 2010. [3] 前瞻产业研究院. 2021年全球及主要国家碳排放市场现状及分析[EB/OL]. (2021-07-13)[2024-01-23]. https://www.qianzhan.com/analyst/detail/220/210713-4d33ef2d.html. [4] 中央纪委国家监委网站. “双碳”变革: 访中国工程院院士、清华大学碳中和研究院院长贺克斌[EB/OL]. (2022-01-26)[2024-01-23]. https://www.ccdi.gov.cn/yaowenn/202201/t20220126_167199.html. [5] 李晓易, 谭晓雨, 吴睿, 等. 交通运输领域碳达峰、碳中和路径研究[J]. 中国工程科学,2021,23(6):15-21. DOI: 10.15302/J-SSCAE-2021.06.008 LI X Y, TAN X Y, WU R, et al. Paths for carbon peak and carbon neutrality in transport sector in China[J]. Strategic Study of CAE,2021,23(6):15-21. DOI: 10.15302/J-SSCAE-2021.06.008
[6] 杨青, 郭露, 刘星星, 等. 基于模体结构与指数随机图的中国省域交通碳排放空间关联格局的驱动要素研究[J/OL]. 中国环境科学: 1-16. [2023-12-04]. https://doi.org/10.19674/j.cnki.issn1000-6923.20231127.026. [7] 中国城市公共交通协会. 首届中国出行碳大会成功举办: 技术变革加速实现零碳交通愿景[EB/OL]. (2023-05-12)[2024-01-23]. http://cupta.org.cn/news.php?lm=14&;ye=6. [8] 卢建锋, 傅惠, 王小霞. 区域交通运输业碳排放效率影响因素研究[J]. 交通运输系统工程与信息,2016,16(2):25-30. DOI: 10.3969/j.issn.1009-6744.2016.02.006 LU J F, FU H, WANG X X. Research on the impact of regional transportation emissions efficiency factors[J]. Journal of Transportation Systems Engineering and Information Technology,2016,16(2):25-30 DOI: 10.3969/j.issn.1009-6744.2016.02.006
[9] 国务院. 中共中央 国务院印发《交通强国建设纲要》[A/OL]. (2019-09-19)[2024-01-23]. http://www.gov.cn/gongbao/content/2019/content_5437132.htm. [10] REN J W, GAO B, ZHANG J W, et al. Measuring the energy and carbon emission efficiency of regional transportation systems in China: chance-constrained DEA models[J]. Mathematical Problems in Engineering,2020,2020:9740704.
[11] 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. 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.
[12] 林秀群, 李嘉新, 李阳, 等. 长江经济带物流业碳排放效率的测度及时空演化特征研究[J]. 生态经济,2022,38(12):31-38. LIN X Q, LI J X, LI Y, et al. Measurement and temporal and spatial evolution of carbon emission efficiency of logistics industry in the Yangtze River Economic Belt[J]. Ecological Economy,2022,38(12):31-38.
[13] 袁长伟, 张帅, 焦萍, 等. 中国省域交通运输全要素碳排放效率时空变化及影响因素研究[J]. 资源科学,2017,39(4):687-697. YUAN C W, ZHANG S, JIAO P, et al. Temporal and spatial variation and influencing factors research on total factor efficiency for transportation carbon emissions in China[J]. Resources Science,2017,39(4):687-697.
[14] 董梦如, 韩增林, 郭建科. 中国海洋交通运输业碳排放效率测度及影响因素分析[J]. 海洋通报,2020,39(2):169-177. DONG M R, HAN Z L, GUO J K. Measurement of carbon emission efficiency and its influencing factors in China's marine transportation industry[J]. Marine Science Bulletin,2020,39(2):169-177.
[15] 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, 2023: 1-15. [2023-12-04]. https://kns.cnki.net/kcms/detail/43.1126.K.20230831.1703.002.html. [16] 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]. Ecological Economy,2023,39(3):13-22.
[17] 任梦洋, 黄羿, 付善明, 等. 国家中心城市交通运输业碳排放效率研究[J]. 生态科学,2022,41(1):169-178. REN M Y, HUANG Y, FU S M, et al. The study on carbon emission efficiency of transportation industry in national central city[J]. Ecological Science,2022,41(1):169-178.
[18] 蒋自然, 金环环, 王成金, 等. 长江经济带交通碳排放测度及其效率格局(1985—2016年)[J]. 环境科学,2020,41(6):2972-2980. JIANG Z R, JIN H H, WANG C J, et al. Measurement of traffic carbon emissions and pattern of efficiency in the Yangtze River Economic Belt (1985-2016)[J]. Environmental Science,2020,41(6):2972-2980.
[19] PENG Z, WU Q, WANG D, et al. Temporal-spatial pattern and influencing factors of China's province-level transport sector carbon emissions efficiency[J]. Polish Journal of Environmental Studies,2020,29(1):233-247.
[20] MENG C H, DU X Y, ZHU M C, et al. The static and dynamic carbon emission efficiency of transport industry in China[J]. Energy,2023,274:127297. DOI: 10.1016/j.energy.2023.127297
[21] 郑琰, 蒋雪梅, 肖玉杰. 交通运输业碳排放效率时空演变及趋势预测[J/OL]. 环境科学: 1-13. [2023-11-17]. https://doi.org/10.13227/j.hjkx.202305261. [22] 杨扬, 郭挂梅. 基于超效率SBM模型的航空企业碳排放效率研究[J]. 环境工程技术学报,2023,13(5):1779-1786. DOI: 10.12153/j.issn.1674-991X.20230095 YANG Y, GUO G M. Research on carbon emission efficiency of aviation enterprises based on super efficiency SBM model[J]. Journal of Environmental Engineering Technology,2023,13(5):1779-1786. DOI: 10.12153/j.issn.1674-991X.20230095
[23] TONE K. Dealing with undesirable outputs in DEA: a slack-based measure (SBM) approach[J]. National Graduate Institute for Policy Studies,2003,7(1):44-45.
[24] PASTOR J T, LOVELL C K. A global Malmquist productivity index[J]. Economics Letters,2005,88(2):266-271. DOI: 10.1016/j.econlet.2005.02.013
[25] HUANG J H, YANG X G, CHENG G, et al. A comprehensive eco-efficiency model and dynamics of regional eco-efficiency in China[J]. Journal of Cleaner Production,2014,67:228-238. DOI: 10.1016/j.jclepro.2013.12.003
[26] 刘华军, 郭立祥, 乔列成, 等. 中国物流业效率的时空格局及动态演进[J]. 数量经济技术经济研究,2021,38(5):57-74. LIU H J, GUO L X, QIAO L C, et al. Spatial-temporal pattern and dynamic evolution of logistics efficiency in China[J]. The Journal of Quantitative & Technical Economics,2021,38(5):57-74.
[27] SCOTT J. Social network analysis[M]. London: Sage Publication, 2013.
[28] WASSERMAN S, FAUST K. Social network analysis: methods and applications[M]. Cambridge: Cambridge University Press, 1994.
[29] 刘华军, 刘传明, 孙亚男. 中国能源消费的空间关联网络结构特征及其效应研究[J]. 中国工业经济,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.
[30] LIU G Y, YANG Z F, FATH B D, et al. Time and space model of urban pollution migration: economy-energy-environment nexus network[J]. Applied Energy,2017,186:96-114. DOI: 10.1016/j.apenergy.2016.06.132
[31] 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. DOI: 10.12357/cjea.20210607 SHANG J, JI X Q, SHI R, et al. Structure and driving factors of spatial correlation network of agricultural carbon emission efficiency in China[J]. Chinese Journal of Eco-Agriculture,2022,30(4):543-557. DOI: 10.12357/cjea.20210607
[32] 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. WANG K, ZHANG S W, GAN C, et al. Spatial network structure of carbon emission efficiency of tourism industry and its effects in China[J]. Scientia Geographica Sinica,2020,40(3):344-353.
[33] SONG H H, GU L Y, LI Y F, et al. Research on carbon emission efficiency space relations and network structure of the Yellow River Basin city cluster[J]. International Journal of Environmental Research and Public Health,2022,19(19):12235. DOI: 10.3390/ijerph191912235
[34] 张翼. 基于空间关联网络结构的中国省域协同碳减排研究[J]. 统计与信息论坛,2017,32(2):63-69. DOI: 10.3969/j.issn.1007-3116.2017.02.010 ZHANG Y. Study on Chinese provincial collaborative carbon reduction based on spatial correlation network structure[J]. Statistics & Information Forum,2017,32(2):63-69. DOI: 10.3969/j.issn.1007-3116.2017.02.010
[35] 邵璇璇, 姚永玲. 长江中游城市群的空间网络特征及其影响机制[J]. 城市问题,2019(10):15-26. SHAO X X, YAO Y L. Characteristics of spatial networks and the influencing mechanism of the Middle Reaches of Yangtze River[J]. Urban Problems,2019(10):15-26.
[36] 李婧, 管莉花. 区域创新效率的空间集聚及其地区差异: 来自中国的实证[J]. 管理评论,2014,26(8):127-134. LI J, GUAN L H. The spatial agglomeration of regional innovation efficiency and its disparities: evidence from China[J]. Management Review,2014,26(8):127-134.
[37] 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,2020,253:109765. DOI: 10.1016/j.jenvman.2019.109765
[38] MA F, WANG Y X, 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. DOI: 10.3390/ijerph16122154
[39] 袁长伟, 赵潇, 孙璐. 中国交通运输碳排放效率测度及收敛性研究[J]. 环境科学与技术,2019,42(12):222-229. YUAN C W, ZHAO X, SUN L. Research on measurement and convergence of transport carbon emission efficiency in China[J]. Environmental Science & Technology,2019,42(12):222-229.
[40] 陈思茹, 张帅, 袁长伟. 中国交通运输经济发展与碳排放效率评价[J]. 中国公路学报,2019,32(1):154-161. DOI: 10.3969/j.issn.1001-7372.2019.01.017 CHEN S R, ZHANG S, YUAN C W. China's transportation economy development and carbon environmental efficiency evaluation[J]. China Journal of Highway and Transport,2019,32(1):154-161. DOI: 10.3969/j.issn.1001-7372.2019.01.017
[41] 单豪杰. 中国资本存量K的再估算: 1952—2006年[J]. 数量经济技术经济研究,2008,25(10):17-31. SHAN H J. Reestimating the capital stock of China: 1952-2006[J]. The Journal of Quantitative & Technical Economics,2008,25(10):17-31.
[42] 蔡博峰, 冯相昭, 陈徐梅. 交通二氧化碳排放和低碳发展[M]. 北京: 化学工业出版社, 2012. [43] 吴雯, 李玮. 中部六省交通运输业碳排放影响因素分析[J]. 管理现代化,2019,39(1):62-65. WU W, LI W. Analysis on influencing factors of carbon emissions in transportation industry of six provinces in central China[J]. Modernization of Management,2019,39(1):62-65.
[44] 闫树熙, 陈璐. 交通碳排放影响因素分析: 以西安市为例[J]. 统计与决策,2020,36(4):62-66 YAN S X, CHEN L. Analysis of influencing factors oftransportation carbon emissions:Taking Xi'an as an example[J]. Statistics and Decision,2020,36(4):62-66
[45] 张国兴, 苏钊贤. 黄河流域交通运输碳排放的影响因素分解与情景预测[J]. 管理评论,2020,32(12):283-294. ZHANG G X, SU Z X. Analysis of influencing factors and scenario prediction of transportation carbon emissions in the Yellow River Basin[J]. Management Review,2020,32(12):283-294.
[46] 黄杰. 中国能源环境效率的空间关联网络结构及其影响因素[J]. 资源科学,2018,40(4):759-772. HUANG J. The spatial network structure of energy-environmental efficiency and its determinants in China[J]. Resources Science,2018,40(4):759-772.
[47] 吉雪强, 张跃松. 长江经济带种植业碳排放效率空间关联网络结构及动因[J]. 自然资源学报,2023,38(3):675-693. DOI: 10.31497/zrzyxb.20230308 JI X Q, ZHANG Y S. Spatial correlation network structure and motivation of carbon emission efficiency in planting industry in the Yangtze River Economic Belt[J]. Journal of Natural Resources,2023,38(3):675-693. □ DOI: 10.31497/zrzyxb.20230308
-
期刊类型引用(3)
1. 包存宽，申沐曦，李红丽. 基于“时间—空间—关系”三个维度的美丽城市建设研究. 生态经济. 2025(01): 19-27 . 
百度学术
2. 张丽峰. 煤炭资源型城市碳排放效率测度、时空特征与区域异质性研究. 干旱区资源与环境. 2025(04): 33-44 . 百度学术
3. 张诗涵，王伟，刘彦随，陈准. 中国城市紧凑度对碳排放效率的空间溢出效应——基于夜间灯光数据研究. 生态学报. 2024(24): 11004-11019 . 百度学术
其他类型引用(0)
计量
- 文章访问数: 167
- HTML全文浏览量: 98
- PDF下载量: 28
- 被引次数: 3
