珠江流域片相關城市碳排放網絡空間復雜特征研究

尹劍 高杰林 張斌

摘 要：降低城市碳排放是實現全球可持續發展的關鍵。然而，城市空間單元復雜的交互關系使得未來城市碳排放不明確，阻礙了協同碳減排策略的制定。為揭示城市碳排放空間復雜性特征，探討城市碳減排協同關系變化趨勢，因地制宜制定區域聯合減排方案。基于修正引力模型構建珠江流域片相關城市碳排放空間關聯網絡，采用復雜網絡分析和社區劃分方法分析了城市碳排放網絡空間復雜性及其協同減排潛力。研究發現研究期內城市碳排放網絡空間復雜性得到提升，城市協同減排效應增加。東莞、深圳、廣州、昆明以及貴陽等城市位于碳排放網絡核心位置，在碳排放網絡中發揮輻射作用。碳排放網絡社區劃分數量呈減小趨勢，城市碳排放共性問題愈加集中，城市協同減排合作潛力增加。研究從碳排放網絡空間復雜性視角開展碳排放協同關系分析，可為實施差異化城市協同減排策略提供參考。

關鍵詞：城市碳排放；復雜網絡分析；社區發現；協同關系

中圖分類號：TV21 文獻標識碼：A 文章編號：1001-9235（2024）05-0103-09

Spatial Characteristics of Carbon Emission Networks in Selected Urbans within Pearl River Basin Area

YIN Jian1，3， GAO Jielin1，3， ZHANG Bin1，2*

（1. Research Center for Western Modernization， Guizhou University of Finance and Economics， Guiyang 550025， China;2. NortheastAsian Studies College， Jilin University， Changchun 130012， China;3. Collaborative Innovation Center for Green Development， Guizhou University of Finance and Economics， Guiyang 550025， China）

Abstract： Reducing urban carbon emissions is crucial for achieving global sustainable development. However， the complex interactions within urban spatial units make future urban carbon emissions uncertain， hindering the development of collaborative carbon emission reduction strategies in this area. To reveal the spatial complexity of urban carbon emissions， this study examines the changes in carbon emission collaborative relationships among relevant cities in the Pearl River Basin Areas in China， and formulate regional joint emission reduction plans according to local conditions. The study constructs a spatial connection network of urban carbon emissions based on the modified gravity model. The spatial complexity of carbon emission networks and the collaborative emission reduction potential are analyzed by complex network analysis and community division methods. The study reveals that the spatial complexity of the urban carbon emission network in the study area has increased， leading to an increase in the collaborative emission reduction effect among cities. Notably， Dongguan， Shenzhen， Guangzhou， Kunming， and Guiyang occupy a central position in the core network of carbon emissions and act as hubs for radiating influence. Additionally， the number of divisions within the urban carbon emissions network community declines， indicating a more concentrated set of common issues among urban carbon emissions and a heightened potential for cooperation. The proposed research framework can effectively analyze collaborative relationships in urban carbon emissions， providing a scientific basis for implementing differentiated collaborative emission reduction strategies.

Keywords： Urban Carbon Emissions; Complex Network Analysis; Community Detection; Collaborative Relationships

全球變暖已成為當今世界面臨的最大挑戰之一。研究表明，人類生產活動產生的大量碳排放是導致氣候持續變暖和極端天氣事件頻繁發生的關鍵因素［1］。作為全球最大的發展中國家，當前中國處于快速的城市化和工業化交織進程中，大量化石能源消費產生的碳排放量急劇增加，給實現“碳達峰、碳中和”目標帶來巨大挑戰［2］。城市化已成為影響中國碳排放的重要因素之一，城市間碳排放交互關系也愈加復雜［3］。城市間協同合作在低碳減排中的作用越來越受到關注。2022年6月，中國政府發布了《減污降碳協同增效實施方案》（https：//www. gov. cn/zhengce/ zhengceku/2022-06/17/content_5696364. htm），對協同減排做出進一步指導。研究城市碳排放協同關系有利于制定科學的區域碳減排政策和實現碳減排目標，促進生態環境保護高質量發展。

伴隨城市間人員、物資、資本以及信息等聯系的加強，城市碳排放空間聯系也愈加緊密，并呈現出復雜的多線程網絡結構。從復雜網絡視角分析城市碳排放聯系以及協同減排潛力逐漸受到諸多學者的關注［4］。該方法可揭示城市碳排放網絡結構特征，分析區域碳排放空間溢出效應，明確不同城市在碳排放聯系網絡中的作用，從而制定更加有針對性的協同減排方案。Lu 等［5］構建了歐盟國家碳排放加權和定向網絡，使用社會網絡分析方法分析了各國在碳排放網絡中的作用。Shen等［6］認為城市碳排放差異與聯系存在相互作用機制，城市碳排放的關聯性和差異性會影響彼此的生成和變化。隨著研究的深入，復雜網絡理論逐漸應用于分析由于城市內部產業轉移、要素流動形成的碳排放復雜網絡結構，揭示城市碳排放的主要來源［7］。然而，當前基于復雜網絡理論的城市碳排放復雜性研究主要集中于經濟發達地區，如經濟帶、城市群等［6］。城市合作碳減排需要多主體間協同合作，既要包含發達城市，也需考慮到欠發達城市。現有研究重點聚焦發達城市間協同碳減排機制，忽略了不同城市間碳排放進程的不平衡性。

珠江流域不僅是中國生態環境保護重點地區［8］，也是經濟發展重要增長極［9］。珠江流域面積廣闊，包含城市眾多。下游的珠三角地區是全國經濟最發達地區之一，而上游城市整體經濟發展水平相對較低，仍需進一步提升。流域的整體性以及經濟社會高度空間關聯性使得經濟發達與欠發達城市間碳排放聯系逐漸增強。此外，由于各城市經濟發展和產業結構的差異，城市間高耗能產業轉移等活動可能會導致經濟欠發達城市碳排放量進一步增加，最終導致城市間碳排放不平衡性愈加顯著［10］，這在一定程度上增加碳減排任務分配的復雜性，削弱碳減排政策的有效性。

基于此，本研究以城市碳排放差異性顯著、碳排放交互作用強烈的珠江流域片相關城市作為研究區域。將發達城市與欠發達城市納入城市協同減排分析框架，實現碳減排多主體協同分析。從碳排放網絡視角探討城市碳排放空間復雜性特征，分析不同城市在碳排放網絡中的影響，揭示城市協同減排關系變化趨勢，以此為制定更加有針對性的區域協同減排策略提供參考。

1研究方法與數據來源

1.1研究區域

珠江流域不僅是中國經濟發展的主要動力源，也是生態保護的重要試驗區。近年來，珠江流域片城市在經濟發展和碳排放方面存在明顯的差異性。上游地區多以高原、山地為主，高污染、高耗能產業占比相對較高，能源、交通等領域的碳排放在下游地區占據主導地位。當前，隨著城市間人口流動、產業轉移、交通運輸等生產活動日益頻繁，不可避免地造成了碳排放外溢，城市間實施協同碳減排日益迫切。研究區主要基于珠江流域片邊界劃定，以城市主體位于珠江流域片的城市為研究對象，湖南的郴州、江西的贛州、福建的龍巖等城市都涉及到珠江流域片，但是面積非常小，因此未納入研究范圍。海南省與其他城市缺乏陸路聯通，因此未納入研究區。此外，貴州省不屬于珠江流域片的遵義和銅仁市與省內其他城市聯系密切，為了更全面的反應碳排放網絡關系，因此將其一并納入研究區域。研究涉及了49座城市（圖1）。

1.2數據來源

目前，眾多學者提出了多種城市碳排放計算方法。的研究團隊在先前研究中開發了一個多尺度碳排放計算模型。該模型耦合土地利用、夜間燈光等多源數據，將土地碳匯納入碳排放計算過程中，從土地利用碳排放和能源消費碳排放層面進行多尺度碳排放計算，并取得了良好的效果［11］，基于該模型獲得了不同時期城市碳排放量。研究所使用的人口、經濟社會統計數據來源于2006、2011、2016、2020年《中國城市統計年鑒》。為消除通貨膨脹因素對研究結果的影響，使用的城市 GDP數據均以2005年按不變價格進行計算處理。

1.3研究方法

1.3.1修正引力模型

本研究基于修正引力模型構建城市碳排放空間聯系網絡，計算見式（1）、（2）：

式中 Rij、Dij——城市 i 和j 之間的碳排放聯系強度以及空間距離；Gi、Pi、Ci——城市 i 的 GDP、人口和碳排放量；ei——城市 i 的人均 GDP； Kij——從城市 i 到城市 j 的碳排放的引力 系數。

1.3.2復雜網絡分析

研究使用復雜網絡分析方法對城市碳排放網絡結構特征進行分析，以揭示城市碳排放網絡的空間復雜性，刻畫城市間碳減排協同發展能力。本研究使用網絡密度、網絡直徑等指標分析城市碳排放網絡整體結構特征，相關指標見表1［12-15］。

核心-外圍結構是由網絡節點組成的特殊結構，這些節點以緊密連接的中心和稀疏分布的外圍相互連接，具有較強的穩定性和魯棒性［15］。核心-外圍結構分析可以明確珠江流域片相關城市碳排放網絡的核心和外圍城市，揭示各城市在碳排放網絡中的地位以及核心城市對鄰近城市的輻射效應。

1.3.3社區發現

在復雜網絡研究中，社區是指由一組連接密集的節點組成的網絡子群［14］。社區劃分主要反映空間網絡內部結構狀態，在遵循相似性與差異性原則基礎上實現對網絡內部結構的聚類分組，揭示節點之間相互作用強度與整體的緊密性。本研究采用快速展開算法（fast unfolding）識別城市碳排放網絡社團結構，該方法具有步驟簡單直觀、易于實施、計算效率高等優點［16］，見式（3）—（6）：

式中 Aij——網絡中城市 i、j 之間邊的權重；m——網絡中所有邊的權重總和；ki、kj——與城市 i、j 相連接的所有邊的總和；δ（ci，cj）—— piecewise 函數，用來判斷城市 i 和城市j 是否屬于同一社區；Ci、Cj——城市 i、j 歸屬的社區，如果2個城市屬于同一社區，δ的值為1，否則值為0。

2結果

2.1城市碳排放時空變化特征分析

2.1.1城市碳排放空間集聚特征

圖2展示了研究區城市2005、2010、2015、2019年碳排放空間分布特征。研究期內，各城市碳排放量呈現顯著的增長趨勢。在地理空間分布上，研究區城市碳排放總體呈現“上下游高，中游低”的分布格局，城市碳排放在空間分布上明顯的異質性。2005年，碳排放量前三位的城市分別為東莞、深圳和廣州，這些城市均位于珠江下游的珠三角地區，城市化建設等生產活動對化石能源消費較高，使得城市碳排放量處于相對較高水平。2019年，中游地區城市碳排放量增長趨勢愈加明顯，碳排放量超過650萬 t 的城市由2005年的4座變化為12座。

2.1.2城市碳排放網絡演化特征

基于修正引力模型計算研究區城市碳排放聯系強度，并構建了城市碳排放聯系網絡。參考 Zhang 等［17］的研究，根據聯系強度將城市碳排放聯系網絡劃分為2個等級：核心網絡和邊緣網絡。如果城市間碳排放聯系強度高于聯系強度均值視為核心網絡，反之則視為邊緣網絡。核心網絡是網絡演化的高級類型，描述了城市節點之間的緊密聯系，反映了碳排放網絡的骨干結構。考慮到文章篇幅有限，本研究繪制了2005、2010、2015、2019年碳排放核心網絡（圖3），以揭示城市碳排放網絡的發展趨勢和空間形態變化。

從網絡規模看，城市碳排放連接數量由2005年的350條增加到2019年的390條，碳排放核心網絡總體規模不斷增加，城市碳排放聯系愈加緊密。2005年，城市碳排放核心網絡主要分布在下游的珠三角地區，廣州、深圳、佛山等城市間碳排放聯系強度較高。隨著時間的推移，城市間碳排放聯系強度日益提升，新的城市碳排放聯系開始形成，進一步提升了碳排放網絡的復雜性。2019年，城市碳排放聯系模式更加豐富。珠三角地區城市碳排放網絡進一步向周邊城市擴展，逐漸形成了以深圳、廣州和東莞為核心，向周邊城市輻射延伸的多層次復合網絡結構。值得注意的是，上游城市碳排放網絡復雜化趨勢日益明顯，逐漸由點軸向放射狀網絡結構發展。從碳排放聯系差異性看，城市碳排放聯系在空間分布上存在不均衡性。下游城市無論是在碳排放聯系強度還是網絡結構復雜性上，顯著高于其他地區。中游地區城市作為上下游城市的重要聯系樞紐，在產業轉移、物流貿易等方面承擔著重要連接功能。隨著交通等基礎設施建設的不斷推進，區域間經濟活動愈加頻繁，中游城市與下游城市碳排放聯系愈加緊密。然而，中上游城市碳排放聯系網絡結構相對單一，未來仍有較大的提升空間。

2.2城市碳排放網絡空間復雜性特征分析

2.2.1城市碳排放網絡整體復雜性特征

為反映城市碳排放聯系復雜度，計算了2005、2010、2015、2019年的核心網絡整體結構特征，結果見表2。

從網絡密度看，城市碳排放核心網絡密度呈波動上升趨勢，說明城市碳排放空間聯系更加緊密，城市間要素流動愈加頻繁。2005、2010、2015、2019年的網絡連接數量分別為350、369、380、390個，也進一步驗證了碳排放核心網絡密度的增加趨勢。然而，碳排放網絡密度相對較低，碳排放網絡結構相對松散，不同城市間實現協同減排目標還有較大的協作空間，資源要素在城市間的優化配置仍需進一步加強。

網絡效率從0.828下降到0.786，表明城市碳排放網絡聯系增加，城市碳排放聯系逐漸緊密，網絡的穩定性得到了提高。這可能是由于隨著交通等基礎設施的完善，降低了城市碳排放的交易成本，從而增加了城市碳排放的空間相關性，增強了碳排放網絡的穩定性。

2005—2019年，平均路徑長度由2.319增加到3.630，網絡直徑由7增長為10，表明網絡結構呈復雜化趨勢，網絡的傳輸性能與效率得到提升。在城市碳排放網絡中，邊緣城市與中心城市的聯系得到加強，中心城市對周邊城市帶動能力有所提升。碳排放網絡平均聚類系數也呈現增長趨勢，說明城市碳排放網絡中相近節點的聯系強度增加，網絡結構也愈加緊密，這與網絡密度的結果分析具有一致性。

2.2.2城市碳排放網絡核心-邊緣結構

本研究基于2005年和2019年城市碳排放聯系，分析了城市碳排放網絡核心-邊緣結構特征（圖4）。整體上，城市碳排放網絡呈現核心區域不斷擴大、邊緣區域逐漸縮小的趨勢。2005年，包括廣州、深圳、佛山在內的11座城市位于城市碳排放網絡核心區，這些城市均位于下游地區，碳排放網絡核心城市聚集特征顯著。中游和上游城市處于網絡的邊緣位置。2019年，核心城市數量進一步增加，表明核心區開始打破地理界限，廣泛的空間聯系逐步加強。梅州、汕尾、河源和揭陽等城市受廣州、佛山等城市碳排放輻射的影響，從邊緣城市變化為核心城市。值得注意的是，貴陽和昆明也成為碳排放網絡核心城市，在城市碳排放網絡中發揮輻射效應。然而，其他城市仍屬于碳排放網絡的邊緣區，集聚和吸引能力相對較低，對核心城市依賴性較強。

2.3城市碳排放網絡聚類特征

使用社區發現方法對城市碳排放核心網絡社團的組織模式及其層級結構進行分析。圖5展示了2005、2010、2015、2019年城市碳排放核心網絡社區劃分變動情況。2005—2019年模塊度在0.389～0.452波動（表2），這表明碳排放網絡存在明顯的社團劃分，并且結構越來越清晰。

整體來看，2005—2019年，無論是社區數量還是社區內部結構組成均發生顯著變化。社區數量呈減小趨勢，表明城市碳排放共性問題愈加集中，城市間協同減排潛力提升。2005年，城市碳排放核心網絡被劃分為5個社區。其中社區Ⅲ和社區Ⅳ包含的城市數量較多，規模較大。社區Ⅲ主要由昆明、貴陽等上游城市組成，社區Ⅳ由中游城市組成。2010年，城市碳排放核心網絡社區劃分數量減小為4個。社區Ⅴ所包含城市融入到社區Ⅰ和社區Ⅱ中。與2010年相比，2015年城市碳排放網絡社區劃分結構變化不大，主要差異在于河池、清遠、肇慶以及韶關4座城市在2015年由社區Ⅰ被劃分至社區Ⅲ。2019年，上游城市與下游城市形成規模更大的社區Ⅲ ， 肇慶、云浮、梧州、惠州以及陽江融入到社區Ⅰ。由地理集聚特征可以發現，地理位置鄰近的城市更易成為同一社團。例如廣州、深圳等經濟發展水平高的核心城市與周邊城市構成了社區Ⅰ ， 并在研究期內結構保持穩定。此外，研究發現行政邊界可能對碳排放網絡社團的形成產生一定影響。如社區Ⅲ包含的城市多位于廣西境內、社區Ⅳ所包含的城市多位于貴州境內，多數廣東境內的城市被劃分至社區Ⅰ和社區Ⅲ。從社區動態變化過程可以看出，研究期內社區Ⅰ不斷吸納周邊城市，社團規模呈增加趨勢。社區Ⅱ在2010年吸納河源后，規模結構保持穩定。

3討論

研究發現研究區碳排放聯系強度呈增長趨勢，城市碳排放存在顯著空間復雜性特征。因此，開展城市間協同合作對于實現區域碳減排目標具有重要意義，而忽視空間關聯效應的城市個體治理方式不能有效降低碳排放。這一發現與 Su 等［18］和 Bai 等［12］提出的區域協調發展理念相一致。城市碳排放聯系強度高值主要分布在珠三角地區，如廣州、深圳、佛山以及東莞等城市間的碳排放聯系日益緊密，并隨著時間推移碳排放聯系網絡向周邊城市延伸。可能是由于這些城市經濟發展水平相對較高，與周邊城市間的經濟活動和貿易往來愈加頻繁，城市間貨運物流、產業轉移等進一步提升了碳排放空間溢出效應。加之交通網絡的不斷完善、信息技術的快速發展進一步壓縮了城市間的空間距離，使得碳排放聯系愈加密切。值得關注的是，上游城市如貴陽、昆明、畢節以及六盤水等城市間碳排放聯系呈顯著增加趨勢，城市碳排放網絡結構逐漸復雜。一方面，這些城市多為中國重要的工業基地，化石燃料在城市能源消費結構中占比較高，其碳排放量更是顯著。另一方面，這些城市近年來城市化進程不斷加快，承接了部分下游地區轉移的高耗能產業，但受低碳技術和其他因素的限制，碳排放量也隨之上升。此外，城市碳排放聯系的不均衡性表明碳排放聯系網絡存在層次結構性［19-20］。如，柳州、河池、來賓以及百色等中游地區城市間碳排放聯系不夠緊密，網絡結構單一。隨著工業化和城市化的加速，高碳密集型產業可能會越來越集中在某些城市，可能會進一步加劇城市碳排放聯系的不均衡性，形成“馬太效應”［10］。

從碳排放網絡復雜性看，城市碳排放聯系網絡整體規模呈上升趨勢，網絡密度呈現波動上升特征，這與 Dong等［21］的研究發現是相似的。這可能是由于交通、通訊網絡的逐步完善，促進了區域間的技術擴散和勞動力轉移，加強了區域間的生產聯系，有助于形成碳排放空間聯系網絡。然而，碳排放網絡效率呈下降趨勢。這可能是由于隨著各城市對碳減排和綠色發展的日益重視，碳交易市場體系逐步完善，增強了碳排放聯系網絡的穩定性。珠江流域片相關城市在經濟規模、產業結構等方面存在較大差距，使得城市碳排放網絡密度值總體較低，城市間的資源要素配置和協同減排能力未來仍有進一步優化的空間。

4結論

本研究以中國珠江流域片相關的49座城市為研究區域，運用復雜網絡分析、社區劃分等方法，分析了城市碳排放網絡空間復雜性特征，研究了城市協同減排關系變化趨勢，探討了城市協同減排合作潛力，得到以下結論。

研究區城市碳排放聯系強度呈顯著增加趨勢，逐漸形成了以珠三角地區為核心，向周邊城市輻射的多層次復合網絡結構。上游城市碳排放網絡復雜化趨勢顯著，逐漸由點軸向放射狀網絡結構發展。中上游城市間碳排放聯系強度相對較低，碳排放聯系不均衡性凸顯。碳排放核心網絡總體規模不斷擴大，城市碳排放聯系愈加緊密，新的城市碳排放聯系開始形成，城市碳排放網絡復雜性得到提升。東莞、深圳、廣州、昆明以及貴陽等城市位于碳排放網絡的核心位置，在碳排放網絡中發揮輻射作用。社區劃分結果表明，研究區城市碳排放核心網絡存在明顯的社團劃分，社區數量呈減小趨勢，城市碳排放共性問題愈加集中，城市協同減排合作潛力增加。本研究從碳排放網絡空間復雜性視角開展城市協同減排研究，對相關碳減排研究進行了補充和拓展，研究方法及思路可為其他地區協同減排研究提供參考，以探索更加科學、有效的區域協同減排合作模式。

參考文獻：

［1］張晴，朱華，王妍，等.杭州市農業用水碳排放與經濟增長脫鉤關系及其驅動因素研究［J］.人民珠江，2024，45（1）：34-41，62.

［2］ JIANG H T，YIN J，WEI D Q，et al. Industrial carbon emission efficiency prediction and carbon emission reduction strategies based on multi-objective particle swarm optimization- backpropagation： A perspective from regional clustering［J］. Science of the Total Environment ，2024，906. DOI：10.1016/j. scitotenv.2023.167692.

［3］李慧敏，張鈺，李鋒，等.基于 CiteSpace 的低碳城市研究文獻計量分析［J］.人民珠江，2024，45（1）：85-94.

［4］ JIANG Q C，MA X J. Spillovers of environmental regulation on carbon emissions network［J］. Technological Forecasting and Social Change，2021，169. DOI：10.1016/j. techfore.2021.120825.

［5］ LU P，LI Z H，WEN Y，et al. Fresh insights for sustainable development：Collaborative governance of carbon emissions based on social network analysis［J］. Sustainable Development，2023，31（3）：1873-1887.

［6］ 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.

［7］ HU Y，YU Y，MARDANI A. Selection of carbon emissions control industries in China：An approach based on complex networks control perspective［J］. Technological Forecasting and Social Change，2021，172. DOI：10.1016/j. techfore.2021.121030.

［8］王睿卿，蔣曉輝，聶桐.基于地理探測器的珠江流域 NDVI 時空變化及驅動力分析［J］.人民珠江，2022，43（7）：61-73.

［9］丁乙，尹劍，姜洪濤，等.珠三角碳達峰系統動力學預測［J］.環境工程，2023，41（7）：22-29.

［10］ZHU M C，ZHAO Z B，MENG Y，et al. Unfolding the Evolution of Carbon Inequality Embodied in Inter-Provincial Trade of China ［J］. Environmental Impact Assessment Review，2022，97. DOI：10.1016/j. eiar.2022.106884.

［11］ZHANG B，YIN J，JIANG H T，et al. Multi-source data assessment and multi-factor analysis of urban carbon emissions： A case study of the Pearl River Basin，China［J］. Urban Climate，2023，51. DOI：10.1016/j. uclim.2023.101653.

［12］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. DOI：10.1016/j. jenvman.2019.109765.

［13］DING R，DU Y M，DU L Y，et al. Green finance network evolution and prediction： fresh evidence from China［J］. Environmental Science and Pollution Research，2023，30（26）：68241-68257.

［14］NEWMAN M. The Structure and Function of Complex Networks ［J］. SIAM Review，2003，45（2）：167-256.

［15］尹劍，張斌，丁銳，等.西部陸海新通道城市群經濟聯系空間特征演化過程研究［J］.地理科學，2023，43（11）：1983-1993.

［16］丁銳，張宜琳，周濤，等.軌道交通復雜網絡演化對城市社區劃分的影響研究［J］.鐵道科學與工程學報，2022，19（11）：3168-3178.

［17］ZHANG R J，TAI H W，CHENG K T，et al. Carbon emission efficiency network formation mechanism and spatial correlation complexity analysis：Taking the Yangtze River Economic Belt as an example［J］. Science of the Total Environment ，2022，841. DOI：10.1016/j. scitotenv.2022.156719.

［18］SU Y，YU Y Q. Spatial association effect of regional pollution control［J］. Journal of Cleaner Production，2019，213：540-552.

［19］LIU S N，XIAO Q T. An empirical analysis on spatial correlation investigation of industrial carbon emissions using SNA-ICE model ［J］. Energy，2021，224. DOI：10.1016/j. energy.2021.120183.

［20］XIA L L，ZHANG Y，YU X Y，et al. Hierarchical structure analysis of urban carbon metabolism：A case study of Beijing， China［J］. Ecological Indicators ，2019，107. DOI：10.1016/j. ecolind.2019.105602.

［21］DONG J，LI C B. Structure characteristics and influencing factors of China's carbon emission spatial correlation network：A study based on the dimension of urban agglomerations［J］. Science of the Total Environment ，2022，853. DOI：10.1016/j. scitotenv.2022.158613.

（責任編輯：程 茜）