中国省域土地利用碳排放效率的空间关联网络演变特征与形成机制

张苗 刘璇 彭山桂 张玉臻 陈银蓉 文兰娇

摘要：研究目的：探究土地利用碳排放效率的空间关联网络特征及其形成机制，为我国省域层面土地利用碳排放效率的协同提升提供参考依据。研究方法：非参数SBM效率测算法和社会网络分析法。研究结果：（1）2002—2019年中国省域土地利用碳排放效率波浪式下降，呈现“东高西低”的空间分布特征；（2）样本研究期内形成了以京、沪、苏、浙为核心点的复杂但相对稳定的空间关联网络结构，东部发达省份在信息资源、权力、声望及影响方面优势明显，省域之间等级结构呈现强化趋势；（3）净受益板块和经纪人板块成员为北京、长三角和珠三角地区的发达省份，双向溢出板块成员主要位于东北、津冀、黄河中下游地区，净溢出板块成员主要为长江中下游、西北和西南地区的中西部欠发达省份；（4）空间关联网络的形成是地理邻近、经济发展、土地利用强度、土地利用结构和城市化等因素差异综合作用的结果，资源禀赋差异、市场机制调节、政府宏观调控和信息技术进步为主要驱动机制。研究结论：优化土地利用碳排放效率空间关联网络，对于协同提升土地利用碳排放效率以促进高质量发展和践行“双碳”战略具有重要意义。

关键词：土地利用；碳排放效率；社会网络分析法；空间关联网络

中图分类号：F301.2 文献标志码：A 文章编号：1001-8158（2023）10-0091-11

基金项目：国家自然科学基金项目（42001252，42101272，42271270）；山东省社科规划基金青年项目（23DGLJ24）；教育部人文社科基金规划项目（22YJA790065）。

中共二十大报告提出“优化高质量发展的区域经济布局和国土空间体系”及“积极稳妥推进碳达峰和碳中和”。当前，以化石能源效率提升和清洁利用为标志的技术性减排潜力不断缩小[1]，基于系统视角增加减排空间被广泛提及[2]。土地作为不可流动的要素资源，对资本、劳动力和信息技术等流动性生产要素产生“引力”作用，带动了能源的传递和流通，在土地利用类型转变及作为经济发展载体过程中带来了大量的碳排放[3]。提升碳排放约束下的土地利用效率成为促进高质量发展和践行“双碳”战略新时代生态要义的重要路径。

研究表明，不考虑碳排放的土地利用效率测算会高估土地利用的实际生产率[4]。近年来，关于土地利用效率的测算研究多将碳排放纳入考虑，实现了将碳排放作为投入指标[5]到非期望产出指标[6]的转换。在低碳经济发展和“双碳”战略时代背景之下，学者们将只包括碳排放作为非期望产出的“碳排放效率”从包含其他非期望产出的“生态效率”研究中单独剥离出来，土地利用碳排放效率也由此作为学术术语被采纳和使用[6]。已有文献对土地利用碳排放效率的区域差异[9-10]、动态演进[11]及其影响因素[7，9]等展开了系统性研究，论证了经济发展水平、产业结构、城镇化率等典型因素对土地利用碳排放效率的影响。进一步地，基于土地利用和碳排放都存在较强的空间互动性的事实[11]，学者们采用空间计量模型对不同空间尺度的土地利用碳排放效率进行空间量化与表达，以此探究土地利用碳排放效率的空间集聚特征、溢出效应及其影响因素等[12-14]，并寻求空间层面土地利用碳排放效率的协同提升对策。

传统计量经济学视角下的空间溢出效应探究的是地理上“相近”或“相邻”地区的空间关系，对空间权重矩阵具有较强的依赖性[15]。随着信息技术不断发展和交通基础设施不断完善，地区间的联系更多地突破了地理距离限制。由此得出的政策含义往往限于局部，易导致区域政策制定靶向性错误，难以从整体上把握区域间土地利用碳排放效率的空间关联特征，不利于土地调控碳减排目标的全局推进。相较于空间计量总体层面的分析，社会网络分析法以点对点“关系数据”构成的网络为切入点，刻画某一研究对象的空间网络特征[16]，可更为精准地揭示土地利用碳排放效率地区间的互动规律及其形成机制。尽管已有研究基于“关系数据”对土地利用碳排放[15，17]和碳排放效率[2，18]的空间关联网络结构进行了分析，但仍缺乏土地利用碳排放效率空间关联网络特征性事实的深入刻画，特别是空间关联网络的动态演进及形成机制分析，难以为区域土地利用碳排放效率的协同提升提供决策支持。

综上，本文采用社会网络分析法构建引力模型刻画土地利用碳排放效率的空间关联网络特征，采用QAP回归分析法分析该特征的影响因素，并建立土地利用碳排放效率空间关联网络形成机制的一般分析框架。采用该方法能够有效掌握处于土地利用碳排放效率网络中的核心点和边缘点，明确要素的流出地和流向地，诊断网络形成的障碍因素，为协同提升碳排放约束下我国省域层面土地利用效率提供科学依据。本文的边际贡献在于：提供了基于社会网络分析法研究土地利用碳排放效率空间互动关系的新思路，一方面采用“关系数据”克服了传统计量分析方法采用“属性数据”的缺陷，另一方面基于长时间序列数据刻画了中国省域土地利用碳排放效率的空间关联网络演进特征与形成机制。

1 研究方法与数据来源

1.1 测度模型与方法

1.1.1 非期望产出模型

SBM（Slack Based Measure）模型在碳排放作为非期望产出的土地利用效率测算中得到了广泛运用[6]。主要优点在于解决了径向DEA模型对无效率的测量无法包含松弛变量的问题。本文构建的土地利用碳排放效率测算的投入指标与产出指标之间主要呈现为非径向关系，SBM模型作为非导向模型，同时能将碳排放作为非期望产出纳入模型，能够满足本文获得土地利用碳排放效率值的分析目的。故采用TNOE定義的包含非期望产出的SBM模型测算中国省域土地利用碳排放效率，具体公式参见文献[19]和[20]。

1.1.2 社会网络分析法

土地利用碳排放效率空间关联网络实质是在碳排放约束下，“资本”和“劳动力”等“流动性要素资源”在“非流动性要素资源”土地上基于“外界作用力”而导致的要素集散，进而导致地区间土地利用碳排放效率的空间差异和传导，最终形成点、线、面相结合的复杂空间网络组织。社会网络分析（Social Network Analysis， SNA）采用图论和矩阵方法描述关系模式并探究这些关系模式对结构中成员或整体的影响[16]，能够刻画出“资本”和“劳动力”等流动性稀缺资源在非流动性稀缺资源“土地”上配置效率的空间网络结构特征，同时又能探究造成这种空间网络结构特征的影响因素。运算过程为：采用修正的引力模型构建二值矩阵，运用中心性分析描述空间网络特征，通过二次指派程序QAP探究形成空间关联网络特征的影响因素，并解析形成机制。

（2）网络特征刻画指标。采用网络关系数、网络密度、关联度、网络效率和网络等级来刻画土地利用碳排放效率的整体网络特征；采用点入度、点出度、度数中心度、中介中心度和接近中心度来刻画其个体网络特征；采用块模型分析进行分类。具体指标含义参考文献[15]和[16]。

（3）QAP回归分析。QAP（Quardratic Assignment Procedure）是一种用来检验关系矩阵之间关系的非参数检验方法，避免了常规参数检验法检验属性变量时存在的内生性问题。采用QAP回归分析研究自变量矩阵对土地利用碳排放效率空间关联矩阵（因变量矩阵）的回归关系，解读自变量差异矩阵的显著性，以此作为构建土地利用碳排放效率空间关联网络特征形成机制框架的依据。其基本计量模型为G = f（X），其中X代表自变量矩阵，G为因变量矩阵。

1.2 数据来源与指标体系

1.2.1 数据来源

本文数据主要包括土地利用数据、碳排放数据和经济社会数据三大类。其中：（1）土地利用数据为全国土地利用调查数据及在其基础上的变更数据。“一调”数据及其变更数据来源于《中国国土资源年鉴》（2003—2009年）；“二调”数据及其变更数据来源于《中国国土资源统计年鉴》（2010—2018年），其中2018年的数据未公布，故2018年不列入研究时段；“三调”数据及其变更数据来源于自然资源部国土调查成果共享应用服务平台，更新至2021年。（2）碳排放数据采用中国碳核算数据库（CEADs）的省级排放清单的表观二氧化碳排放量，由于西藏缺乏能源消费数据导致无法估算碳排放量，同时港澳台地区未被列入核算数据库，由此确定本文的研究对象为西藏和港澳台地区除外的30个省级行政区；同时，因省级碳排放数据暂时更新至2019年，由此确定本文的研究时间段上限为2019年。（3）经济社会发展数据主要来源于《中国统计年鉴》（2003—2020年）、《中国环境统计年鉴》（2005—2020年）。

1.2.2 指标体系

（1）效率测算指标。以获得碳排放约束下的土地利用效率为导向，本文参考现有文献[6-7，9-10]构建土地利用碳排放效率的投入产出指标体系（表1）。其中，固定资本存量采用张军的方法[22]，以2000年为基期计算，为保持数据的一致性，将第一、二和三产业的GDP增加值同样以2000年为基期进行修正。

（2）QAP自变量矩阵指标。区域差异是影响空间关联紧密程度的重要原因，本文基于土地利用碳排放效率的影响因素差异关系作为自变量矩阵，检验其影响土地利用碳排放效率空间关联网络结构的显著性。自变量矩阵选取如下：①现有文献中关于碳排放效率、碳排放的空间网络分析都将地理邻近和经济发展水平差异作为首要影响因素[18]，结合土地利用碳排放效率空间关联结构的个体网络特征和块模型分析，将地理邻近和经济发展水平差异作为检验的影响因素，分别用省会城市间的地理距离和人均GDP表示；②土地要素作为不可流动的“稀缺资源”，土地资源禀赋和配置结构差异可能是导致地区间土地利用碳排放效率差异的基础因素，而资本、劳动力等“流动要素”在土地上的投入差异可能是影响土地利用碳排放效率差异的动态可控因素，因此将土地利用结构和土地利用强度差异纳入分析，分别用建设用地面积占比和地均固定资本存量投入表示[23]；③在对非期望产出约束的条件下，城市化、产业结构和环境规制等作为传统而被广泛证实的碳排放影响因素，应被考虑为影响土地利用碳排放效率差异的因素，分别用非农人口比率、二三产业产值比值和单位GDP工业污染物排放量[24]表示。

2 结果分析

2.1 土地利用碳排放效率

基于SBM模型采用STATA软件测算了土地利用碳排放效率值，均值a为某年30个地区的效率均值，均值b为i地区2002—2019年的效率均值（图1），研究期内30个地区的效率均值为0.630。从均值a来看，中国省域土地利用碳排放效率呈现波浪式下降，由2002年的0.723降低到2019年的0.472，意味著在研究期内，碳排放作为非期望产出约束和要素投入边际报酬递减的事实，冲抵了技术进步带来的效率提升，反映出提高碳排放约束下的土地利用效率存在较大的阻力。从均值b来看，上海、江苏、福建、广东、北京、浙江、湖南、海南、湖北、山东、河南、四川、安徽、河北和广西等省份具有较高的土地利用碳排放效率（以大于均值0.630为标准），主要集中于东部地区经济发达省份；中西部地区省份的土地利用碳排放效率值大部分低于平均值，反映出我国省域土地利用碳排放效率空间差异和空间集聚特征并存。

2.2 空间关联网络特征

2.2.1 整体网络特征

基于修正的引力模型构建中国省域土地利用碳排放效率的空间关联矩阵，采用UCINET 6.740软件计算得到网络关系数、关联度、网络密度、网络等级度和网络效率等指标（图2），篇幅所限并考虑到2009年和2019年分别为“二调”和“三调”数据截至点，以2009年和2019年作为代表年份绘制空间关联网络图（图3）。此外，2002—2019年中国省域土地利用碳排放效率的网络关联度均为1，意味着空间关联网络结构具有较好的联通性和稳健性，所有省市自治区均处于空间关联网络当中，相互之间存在明显的空间关联和溢出效应。

图2显示，网络关系数呈现三个阶段变化：2002—2007年保持相对低值平稳，2008—2014年上升为相对高值波动，2015—2019年逐渐下降为低值波动。在研究期间内，网络密度值最大为2013年的0.189，最小为2019年的0.160，表明中国省域之间存在一定的土地利用碳排放效率关联紧密度；但网络密度较低且呈现阶段动态变化特征，意味着存在着较大的协同提升和优化空间。网络等级度在2004年表现为明显高值，表明在2004年出现了短暂的等级森严特征；2015—2019年表现为小幅上升趋势，意味着省域之间等级结构变得明显，会阻碍要素在不同地域间的合理流动。网络效率相对平稳，均在0.75之上，反映出空间关联网络具有较强的稳定性，存在较多的溢出渠道。

由图3来看，中国省域土地利用碳排放效率形成了较为复杂的网络结构图，非邻近省份突破传统的地理空间限制而产生跨区联动效应，形成以北京、上海、江苏、浙江等为核心点的核心—边缘空间结构特征。相比于2009年，2019年网络关联增加幅度小于减少幅度，意味着省域之间的网络关联有所减少。总体来看，空间关联网络呈现相对稳定性和动态变化性。

2.2.2 个体网络特征

采用UCINET 6.740软件计算得到2002—2019年中国省域土地利用碳排放效率空间关联网络中心度数值，考虑到个体网络特征的相对稳定性，以下分析仍基于2009年和2019年。

（1）度数中心度。通过局部中心度来区分受益主体和溢出主体，通过相对中心度来比较大小变化，整理结果见表2。由局部中心度来看，其一，受益主体分布较为均衡，东中西省份均有涉及，而溢出主体则主要集中在北京、上海、江苏、浙江和广东等东部沿海发达省份，表明在空间关联网络中经济发展水平越高越有利于发挥正向溢出效应，带动其他省份土地利用碳排放效率的提高；其二，从受益主体和溢出主体的省份数量比较来看，受益主体省份数量明显多于溢出主体数量，同时净受益关系体现出北京、上海、江苏、浙江等省份点入度明显高于点出度，这意味着在土地利用碳排放效率空间关联网络中多呈现为“虹吸效应”，各省份都在竞争劳动力、资本等流动要素。由相对中心度来看，2019年新晋升为核心主导地位的省份为福建和湖南，天津由2009年排名第三的核心主导地位变成2019年排名倒数第一的边缘位置，不再具备核心特征。同时，辽宁、青海、河南和山东4个省份新增为边缘位置，以西部、中部省份为主的边缘位置省份逐渐向中部、东部扩散，意味着空间关联网络逐渐打破了地理邻近的经济集聚趋势。相对度数中心势指数反映了2009年和2019年的空间关联网络向某点集中趋势的程度，其中2009年为0.431，2019年为0.439，上升2.33%，意味着2019年空间关联网络图的整体中心性更高，效率高地呈现向某些省份集中趋势。

（2）中介中心度。中介中心度数值越高意味着该点可以更多地控制其他行动者，处于网络的核心，拥有较大的权力。表3整理了2009年和2019年高于均值的省份，其中，2019年浙江、天津和重庆不再为网络核心，新增江苏为网络核心，网络核心越来越集聚于发达省份。

（3）接近中心度。一个点的入接近中心度越大，说明其他点到这个点越容易；出接近中心度越大，说明这个点到其他点越容易，该点不是网络的核心点。表3整理了2009年和2019年高于均值的省份，可知入接近中心度高的省份主要集中在东部发达省份，而出接近中心度高的省份正好相反，主要集中于西部欠发达省份。

通过上述结果，有效判断出了处于空间关联网络中的核心点和非核心点，其中东部发达省份在信息资源、权力、声望及影响方面较强，而西部欠发达省份处于弱势，在网络核心关系上呈现东部>中部>西部。时间趋势来看，该特征在2002—2019年动态变化相对稳定。

2.2.3 块模型分析

块模型分析是对社会角色的描述性代数分析[16]。采用UCINET 6.740软件，运用CONCOR方法，选择最大分割密度为2，收敛标准为0.2，将30个省份划分为4个板块。参照文献划分标准[21]，将各板块接受关系比例和内部关系比例划分为双向溢出、净受益、净溢出和经纪人四大板块，根据发出关系数和接受关系数可判断板块与板块之间的互动关系。其中，双向溢出板块成员与外界成員联系相对较少；净受益板块成员既接受来自外部成员的关系，也有来自自身成员的关系；净溢出板块成员与其他位置成员之间的关系比自己成员之间的关系多；经纪人板块成员既发送也接受外部关系，内部成员之间的联系比较少[16]。以2009年和2019年为例解读中国省域土地利用碳排放效率形成的板块间的空间关联（图4）。

由图4来看，2019年，在成员空间分布上，净受益板块和经纪人板块成员为北京、长三角和珠三角地区的发达省份，双向溢出板块成员主要位于东北、津冀、黄河中下游地区，净溢出板块成员主要为长江中下游、西北和西南地区的中西部欠发达省份；在板块间互动上，板块Ⅰ与其他三个板块均有互动，接受板块Ⅳ关系数占绝对比重，外部发出关系较少，说明北京、上海、江苏和浙江成为资金、劳动力以及信息技术等要素的流入地，接受了大量其他板块特别是中西部地区省份的要素溢出，成为空间关联网络中的受益方，也因此称之为净受益板块；对比来看，净溢出板块Ⅳ发出关系总数为74，而接受关系总数仅为14，意味着大量的中西部欠发达省份为要素资源流出地，成为空间关联网络中的亏损方；经纪人板块Ⅱ成员数量较少且发送关系数和接受关系数比重较低，与板块Ⅰ、Ⅳ存在互动关系，意味着溢出效应更多的是直接效应而非间接效应；板块Ⅲ仅与板块Ⅰ发生互动，意味着东北和华北地区省份发挥溢出效应的范围相对有限，局限于北京和长三角地区，并仅接受了该地区省份的溢出效应。对比2009年，2019年各板块成员保持相对稳定，成员变化集中于净受益和经纪人板块，尤其是东部地区省份。其中，天津不再为净受益板块成员，浙江和江苏由经纪人板块调整为净受益板块，福建由净溢出板块调整为经纪人板块，说明东部地区省份活跃度更高，要素资源的吸引力增加。从板块间互动联系来看，主要表现为净溢出板块对经纪人板块发送关系数减少，对净受益板块成员发送关系数增加。

综合来看，在板块成员数量上，净溢出板块和双向溢出板块成员数量占绝对比重，意味着空间关联网络中多数成员以要素输出为主，而土地利用碳排放效率较高省份发挥“溢出效應”十分有限，存在大量的流动要素资源向少数省份集聚的特征；在板块内部关系上，存在板块内部成员之间缺乏联系的特征，如经纪人板块内部关系为0。

2.3 土地利用碳排放效率空间关联网络形成机制分析

2.3.1 QAP回归分析

借助UCINET 6.740软件采用QAP回归分析法识别中国省域土地利用碳排放效率空间关联网络的影响因素。考虑到该空间网络关联的相对稳定性，及与上述分析中样本年份的对应性，选取2002年、2009年、 2015年、2019年的因变量矩阵和自变量矩阵进行回归，设置随机置换次数为5 000，得到QAP回归分析结果（表4）。由表4可知，调整后的R2在0.218～0.231之间较小幅度浮动，表明构建的7个自变量差异矩阵因素可以稳定地解释中国省域土地利用碳排放效率空间关联效应20%以上。

由表4可知，地理距离和经济发展水平差异因素在研究期内表现出稳定的显著负向影响，其他因素的显著性呈现阶段性变化，具体来看：

（1）地理距离（DL）的回归系数显著为负，意味着地理距离加大则会阻碍土地利用碳排放效率空间关联网络的形成。地理距离越近的省份空间传导和扩散更频繁，容易建立空间网络关联关系，这与现有基于“关系数据”的实证研究结果相吻合[18]。同时，该结果印证了块模型分析中板块成员以地理临近抱团为主，地理距离增加会阻碍流动要素资源的传递和流通。

（2）经济发展水平（GDP）的回归系数显著为负，说明省域之间经济发展水平差异越小越有利于土地利用碳排放效率空间关联网络的形成。在市场机制的作用下，资本和劳动力等流动要素更容易发生在经济水平相近的地区间。从标准化系数大小来看，经济发展水平差异的影响由2002年的0.629降低到2019年的0.510，该降低趋势反映出中国省域间经济发展水平差异缩小的事实，且越来越有利于促进土地利用碳排放效率空间关联网络的形成。

（3）土地利用结构（LS）和土地利用强度（LI）呈现出交替反向影响，前者表现为“不显著—显著负向—不显著”，后者表现为“显著为正—不显著—显著为正”的阶段性变化。在土地利用碳排放效率空间关联网络的形成初期，资本和劳动力等流动要素在某些省份快速“集聚”，省域间土地利用强度差异增大，促进了土地利用碳排放效率空间关联网络的形成。根据土地报酬递增递减规律，流动要素资源由“集聚饱和”转为“分散均衡”，先发获得流动要素资源的省份逐渐发挥“溢出效应”；根据结构决定功能理论，资本和劳动力首先流向土地利用结构差异小的省份。由此，此阶段土地利用结构差异发挥显著影响，差异越小越有利于土地利用碳排放效率网络的形成。当“溢出效应”充分发挥，土地利用结构差异不再具有显著影响。然而，随着信息技术的不断发展，新型的流动要素资源再次在特定省份“集聚”，土地利用强度和土地利用结构差异再次交替反向影响。QAP回归结果显示2015年为出现交替的时间点，这与2015年空间关联网络变化相对应。

（4）城镇化（CR）进程在研究前期表现为显著的正向影响，后期不再显著。研究期内，省域之间的城镇化差异先增大后缩小，在差异增大时期，资本和劳动力快速流向城镇化进程较高的省份，促进了土地利用碳排放效率空间关联网络的形成；在差异缩小时期，要素资源流动速度减缓甚至停滞，对空间关联网络的形成不再具有显著作用。

（5）产业结构（IS）和环境规制（ER）因素在研究期内未表现出显著影响。在实证检验中，分别采用第三、二产业GDP增加值比值和第二三产业GDP增加值之和占比的差异矩阵作为产业结构的自变量矩阵，但显著性和系数大小均没有明显改变；环境规制因素的加入也没有明显改变其他自变量的显著性和大小。这意味着研究期内产业结构调整和环境规制并未对碳排放这个非期望产出产生明显的约束作用。事实上，我们期望省域间具有较小的产业结构差异和环境规制差异，以此避免碳排放在省域间的转移；通过产业结构调整带动能源结构调整、环境规制倒逼技术创新等手段带来碳排放的实际减少。

2.3.2 形成机制解析

由QAP回归结果可知，中国省域土地利用碳排放效率的空间关联受地理距离、经济发展水平差异等稳定性因素，以及土地利用结构、土地利用强度及城镇化差异等阶段性因素的综合影响，这导致了省域间土地利用碳排放效率存在空间差异。在厘清土地利用碳排放效率内涵[7，25]和梳理空间相互作用理论基础上，借鉴相关文献[26-27]将前文所述的“外界”作用力总结为土地资源禀赋差异、市场机制调节、政府宏观调控和信息技术进步。省域间土地资源禀赋的差异是空间网络形成的“源动力”，在市场机制作用和经济效益最大化的驱动下，各类资源要素不断流入土地开发利用边际效益高的省份，形成具备率先发展的优势核心地区，在空间网络中表现为土地利用碳排放效率较高的节点，同时也会剥离出边缘区。土地政策是政府宏观调控的有效手段，作为土地所有权的行使方，政府在国家经济高质量发展和“双碳”战略的时代背景下，通过控制性分配建设用地指标以及导向性干预土地出让，对流动要素的流向产生有向和有约束的调节控制作用，由此促进了区域发展的均衡性，形成多个节点和众多连线组成的土地利用碳排放效率空间关联网络。加之信息时代发展和交通基础设施的不断完善，为流动要素资源在城市间的聚合与扩散提供了通道，打破了传统“地理邻近”区域联系紧密的局面，非“地理邻近”省域的互动更加频繁，带来了土地利用碳排放效率的空间传导，最终形成了错综复杂的土地利用碳排放效率空间关联网络。将上述中国省域土地利用碳排放效率空间关联网络的形成机制总结为图5所示的理论框架。

3 结论与启示

本文构建了土地利用碳排放效率评价指标体系，采用非期望产出SBM模型测算了2002—2019年中国省域土地利用碳排放效率值，基于社会网络分析法探讨了中国省域土地利用碳排放效率空间关联网络的演变特征及其形成机制。主要研究结论如下：（1）从时序变化来看，2002—2019年中国省域土地利用碳排放效率呈波浪式下降，提高碳排放约束下土地利用效率的紧迫性和重要性并存；从空间分布来看，东部地区具有较高的土地利用碳排放效率值，中西部地区效率值较低，空间差异与空间集聚特征并存。（2）从整体网络特征来看，形成了以北京、上海、江苏和浙江等为核心点的“核心—边缘”空间结构特征，网络密度呈现阶段动态变化，网络效率相对平稳，2005—2019年等级结构更加明显，存在着较大的协同提升和优化空间。从个体网络特征来看，2002—2019年动态变化相对稳定，受益主体分布均衡且广泛，溢出主体集中于北上广和江浙等东部发达省份，同时净受益关系明显，空间关联网络中主要呈现“虹吸效应”；东部发达省份在信息资源、权力、声望及影响方面优势明显，在网络核心关系呈现上东部>中部>西部。（3）块模型结果显示，净受益板块和经纪人板块成员为北京、长三角和珠三角地区的发达省份，双向溢出板块成员主要位于东北、津冀、黄河中下游地区，净溢出板块成员主要为长江中下游、西北和西南地区的中西部欠发达省份。中国省域土地利用碳排放效率的空间关联网络中，多数成员以要素输出为主，表现为大量的流动要素资源向少数省份集聚的特征；省际间溢出效应远小于区域间溢出效应，且主要表现为直接效应，东北和华北地区省份发挥溢出效应的范围最小。（4）从形成机制来看，中国省域土地利用碳排放效率空间关联网络的形成和演变受资源禀赋差异、市场机制调节、政府宏观调控和信息技术进步4种机制的影响。QAP回归结果表明，地理距离和经济发展水平差异越大越不利于空间关联网络的形成，土地利用结构和土地利用强度差异在空间关联网络形成中发挥交替反向影响，城镇化差异呈现为阶段性显著正向影响，产业结构和环境规制差异影响不明显。

上述研究结论为中国省域土地利用碳排放效率协同提升带来启示如下：（1）持续提升并稳定东部省份的土地利用碳排放效率，促进其积极发挥示范引领作用，强化“溢出高地”功能。经济发展战略的变化伴随着生产要素的集聚和扩散，在碳排放约束下土地利用效率持续降低的情境下，必须充分发挥政府宏观调控和价格、供求、競争等市场机制的作用，保证劳动力、资本、技术、信息等流动性要素在北上广和江浙等发达省份上的充足投入，提升并稳定上述核心节点省份的土地利用碳排放效率，以此促进辐射效应和示范效应的形成。（2）打通省际间要素流动通道、打破区域间条隔，充分发挥市场机制推动要素改革和合理流动的作用。省域之间要素流动困难是土地利用碳排放效率协同提升的主要阻碍，而空间关联网络的紧密性和稳定性是其重要保障。对于所属同一板块的省份，重点在于建立高质量流动要素的共享通道，促进单项功能的转变，如推动以受益为主的北京、上海、江苏、浙江板块和广东、福建的经纪人板块向双向溢出板块转型，体现发达省份的吸引力和辐射力；促进中部地区部分省份向经纪人板块转变，特别是处于长江经济带的省份如湖北、湖南和安徽等，发挥“桥梁”和“中介”作用，传递东部对中西部地区的间接溢出效应；充分利用板块间所形成的“势能差”，促进“势能高”省份的资本、技术和人才的有序流出，同时加强“势能低”省份土地的高质量供给，并建立产业转移门槛以减少碳排放的省际间转移。（3）以国家“双碳”战略和高质量发展为指引，促成区域一体化协同稳定发展，以土地利用碳排放效率空间关联网络的影响因素为依据，重点关注地理距离邻近、经济发展水平差异小、处于土地利用结构和强度差异同频次的省份间的土地利用碳排放效率的协作提升，规划布局上述省份间的交通基础设施，打通各要素流动通道，以此推动土地利用低碳利用的区域均衡与协调发展。

本文尝试将社会网络分析法应用在土地利用碳排放效率的空间互动关系研究上，但仍存进一步拓展空间：一是土地利用碳排放效率值应该追求更加精确的排序，如采用超效率SBM模型以克服效率值截尾的不足；二是社会网络分析法中的整体网络特征、个体网络特征、块模型等已在各领域得到了广泛运用，需探索该方法的深入应用，如“凝聚子群”“小世界”等，以此探究事物更加全面的空间互动关系。

参考文献（References）：

[1] 赵荣钦，黄贤金，郧文聚，等.碳达峰碳中和目标下自然资源管理领域的关键问题[J] .自然资源学报，2022，37（5）：1123 - 1136.

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

[3] CHUAI X W， HUANG X J， QI X X， et al. A preliminary study of the carbon emissions reduction effects of land use control[J] . Scientific Reports， 2016， 6. doi： 10.1038/srep36901.

[4] YANG B， CHEN X， WANG Z Q， et al. Analyzing land use structure efficiency with carbon emissions： a case study in the middle reaches of the Yangtze River， China[J] . Journal of Cleaner Production， 2020， 274. doi： 10.1016/ j.jclepro.2020.123076.

[5] 游和远，吴次芳.土地利用的碳排放效率及其低碳优化：基于能源消耗的视角[J] .自然资源学报，2010， 25（11）：1875 - 1886.

[6] 张苗，甘臣林，陈银蓉，等.中国城市建设用地开发强度的碳排放效率分析与低碳优化[J] .资源科学，2016， 38（2）：265 - 275.

[7] 李国煜，王嘉怡，曹宇，等.碳排放约束下的福建省城镇建设用地利用效率动态变化与影响因素[J] .中国土地科学，2020，34（4）：69 - 77.

[8] 罗谷松，李涛.碳排放影响下的中国省域土地利用效率差异动态变化与影响因素[J] .生态学报，2019，39（13）：4751 - 4760.

[9] 张诗嘉，刘晓英，杜书云.中原城市群城市土地利用效率时空差异及影响因素研究[J] .长江流域资源与环境，2021，30（10）：2417 - 2429.

[10] 陈丹玲，卢新海，匡兵.长江中游城市群城市土地利用效率的动态演进及空间收敛[J] .中国人口·资源与环境，2018，28（12）：106 - 114.

[11] ZHANG M， LIU X， PENG S G. Effects of urban land intensive use on carbon emissions in China： spatial interaction and multi-mediating effect perspective[J] . Environmental Science and Pollution Research， 2023（30）： 7270 - 7287.

[12] 陈真玲，李金铠，李静.中国省域城镇土地利用效率的影响因素及空间溢出效应[J] .经济经纬，2017，34（4）：25 - 30.

[13] 卢新海，唐一峰，匡兵.长江中游城市群城市土地利用效率空间溢出效应研究[J] .长江流域资源与环境，2018，27（2）：252 - 261.

[14] 于斌斌，苏宜梅.土地财政如何影响土地利用效率？——基于规模与技术视角的动态空间杜宾模型检验[J] .地理研究，2022，41（2）：527 - 545.

[15] YU Z Q， CHEN L Q， TONG H X， et al. Spatial correlations of land-use carbon emissions in the Yangtze River Delta region： a perspective from social network analysis[J] . Ecological Indicators， 2022， 142. doi： 10.1016/j.ecolind.2022.109147.

[16] 劉军.整体网分析——UCINET软件使用指南[M] . 3版.上海：格致出版社&上海人民出版社，2019：5 - 385.

[17] 魏燕茹，陈松林.福建省土地利用碳排放空间关联性与碳平衡分区[J] .生态学报，2021，41（14）：1 - 11.

[18] 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.

[19] TONE K. A slacks-based measure of efficiency in data envelopment analysis[J] . European Journal of Operational Research， 2001， 130（3）： 498 - 509.

[20] 成刚.数据包络分析方法与MaxDEA软件[M] .北京：知识产权出版社，2014：62 - 148.

[21] 赵林，曹乃刚，韩增林，等.中国绿色经济效率空间关联网络演变特征及影响因素[J] .资源科学，2021，43（10）：1933 - 1946.

[22] 张军，章元.对中国资本存量K的再估计[J] .经济研究，2003（7）：35 - 43，90.

[23] 张苗，陈银蓉，程道平，等.土地利用结构和强度变化对碳排放影响分析[J] .资源开发与市场，2018，34（5）：624 - 628，675.

[24] 王康，李志学，周嘉.环境规制对碳排放时空格局演变的作用路径研究——基于东北三省地级市实证分析[J] .自然资源学报，2020，35（2）：343 - 357.

[25] 张苗.中国土地利用碳排放效率与收敛性研究[D] .武汉：华中农业大学，2017：24 - 26.

[26] 赵林，高晓彤，刘焱序，等.中国包容性绿色效率空间关联网络结构演变特征分析[J] .经济地理，2021，41（9）：69 - 78，90.

[27] 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.

Evolution Characteristics and Formation Mechanism of Spatial Correlation Network of Provincial Land Use Carbon Emission Efficiency in China

ZHANG Miao1， LIU Xuan2， PENG Shangui1， ZHANG Yuzhen3，4， CHEN Yinrong5， WEN Lanjiao5

（1. School of Economics and Management， Shandong Agricultural University， Taian 271018， China； 2. College of Management and Economics， Tianjin University， Tianjin 300072， China； 3. College of Urban and Environmental Sciences， Peking University， Beijing 100871， China； 4. Peking University-Lincoln Institute Center for Urban Development and Land Policy， Beijing 100871， China； 5. School of Public Administration， Huazhong Agricultural University， Wuhan 430070， China）

Abstract： The purpose of this study is to investigate the evolution characteristics and formation mechanism of the spatial correlation network of land use carbon emission efficiency， to provide a reference for the collaborative improvement in land use carbon emission efficiency. The research methods include non-parametric SBM efficiency model and social network analysis. The results show that： 1） provincial land use carbon emission efficiency in China declined in a wavy pattern from 2002 to 2019. It presented the spatial distribution characteristics of “high in the east and low in the west”. 2） During the research period， it formed a complex but relatively stable spatial correlation network structure with Beijing， Shanghai， Jiangsu and Zhejiang as the core points. The developed eastern provinces had obvious advantages in information resources， power， prestige and influence. The hierarchical structure between provinces exhibited a strengthening trend. 3） The results of block model analysis indicated that Beijing and the developed provinces in the Yangtze River Delta and the Pearl River Delta belonged to the net benefit plate and broker plate. The Northeast region， Tianjin and Hebei region， the middle and lower reaches of the Yellow River region constituted two-way overflow plates. The central and western underdeveloped provinces located in the middle and lower reaches of the Yangtze River， the northwestern and southwestern regions were net overflow plates. 4） The formation of spatial correlation network stemmed from the comprehensive effect of geographical proximity， economic development， land use intensity， land use structure， urbanization， and other factors. Resource endowment differences， market mechanism adjustment， government macrocontrol and information technology progress were the main driving mechanisms. In conclusion， the optimization of spatial correlation network is of great significance for the collaborative improvement in land use carbon emission efficiency. It can promote high-quality development and fulfill the “dual-carbon” goals strategy.

Key words： land use； carbon emission efficiency； social network analysis； spatial correlation network

（本文責编：陈美景）