中国绿色经济效率空间关联网络演变特征及影响因素

删除或更新信息，请邮件至freekaoyan#163.com(#换成@)

本站小编 Free考研考试/2021-12-29

赵林^,¹^,²^,³, 曹乃刚¹, 韩增林^,³, 高晓彤¹

1.曲阜师范大学地理与旅游学院,日照 276826

2.日照市国土空间规划与生态建设重点实验室,日照 276826

3.辽宁师范大学海洋可持续发展研究院,大连 116029

Spatial correlation network and influencing factors of green economic efficiency in China

ZHAO Lin^,¹^,²^,³, CAO Naigang¹, HAN Zenglin^,³, GAO Xiaotong¹

1. School of Geography and Tourism, Qufu Normal University, Rizhao 276826, China

2. Rizhao Key Laboratory of Territory Spatial Planning and Ecological Construction, Rizhao 276826, China

3. Institute of Marine Sustainable Development, Liaoning Normal University, Dalian 116029, China

通讯作者: 韩增林,男,山东商河人,教授,研究方向为经济地理。E-mail: hzl@lnnu.edu.cn

收稿日期:2021-01-6修回日期:2021-04-14

基金资助:

国家自然科学基金项目(41701117)
国家自然科学基金项目(42071150)
山东省高等学校青创科技支持计划项目(2020RWG010)

Received:2021-01-6Revised:2021-04-14
作者简介 About authors
赵林,男,山东东平人,副教授,研究方向为经济地理与区域可持续发展。E-mail: zhaolin19880112@126.com

摘要
厘清绿色经济效率空间关联网络结构的演变特征及驱动因素,可为推进区域协同绿色发展提供参考依据。本文通过构建绿色经济效率评价体系,采用考虑非期望产出的Super-EBM模型对2000—2018年中国省域绿色经济效率进行了测度,运用修正的引力模型和社会网络分析方法分析了绿色经济效率的空间关联网络结构演变特征与关联网络效应,借助二次指派程序方法识别了其影响因素。研究表明：①2000—2018年中国绿色经济效率呈先下降后上升的“S”型变化趋势,空间上呈现东部>西部>中部的地区间不均衡特征。②中国绿色经济效率逐渐呈现出以京津、长三角为极核的复杂网络结构形态,省际间空间关联性日益提升,网络结构的稳定性逐渐增强,但整体网络仍存在较为森严的等级结构,网络结构尚待进一步优化。③京津、长三角和珠三角位于关联网络的中心位置,并兼具“中介”和“桥梁”功能;西北和东北地区处在关联网络的边缘位置;江西、重庆、甘肃和贵州在关联网络中具有“承东启西、贯南通北”的纽带功能。④绿色经济效率空间关联网络受到多种因素的综合作用,地理空间邻近和经济发展水平差异对空间关联强度具有正向效应,科技创新差异对空间关联网络具有抑制作用,资源禀赋和对外开放差异的正向效应趋于减弱。优化绿色经济效率空间关联网络,对于提高区域绿色经济效率和缩小绿色发展的区域差异具有重要意义。
关键词： 绿色经济效率;空间关联网络;影响因素;效应;社会网络分析;Super-EBM模型;中国

Abstract

Clarifying the characteristics of change and driving factors of the spatial correlation network structure of green economic efficiency can provide some reference for promoting regional coordination of green development. By constructing a green economic efficiency evaluation system, this study used the Super-Epsilon-Based Measure (Super-EBM) model that considers undesired output to measure the green economic efficiency in China’s provinces from 2000 to 2018. The structural change characteristics of green economic efficiency and its effect were analyzed by using a modified gravity model and the social network analysis method, and the influencing factors were identified by the quadratic assignment procedure method. The results show that: (1) From 2000 to 2018, China’s green economic efficiency showed a S-shaped trend that declined first and then increased, showing spatial imbalance between the regions with east > west > central region. (2) China’s green economic efficiency has gradually developed a complex network structure with the Beijing-Tianjin area and the Yangtze River Delta as the polar core. The spatial correlation between provinces has been increasing, and the stability of the network structure has gradually enhanced. However, there is still a relatively strict hierarchical structure of the overall network, and the network structure needs to be further optimized. (3) The Beijing-Tianjin area, the Yangtze River Delta, and the Pearl River Delta are located in the core areas of the network and have both “intermediary” and “bridge” functions. Northwest and northeast regions are located in the periphery areas of the network. Jiangxi, Chongqing, Gansu, and Guizhou have played the role of “connecting the east and the west, and connecting the south and the north” in the spatial correlation network. (4) The spatial correlation network of green economic efficiency is affected by the joint action of multiple factors. Geographical proximity and the difference in economic development levels have significant positive impact on the improvement of the spatial correlation strength of green economic efficiency. The difference in scientific and technological innovation levels has an inhibitory effect on the spatial correlation network. The positive effects of the differences in resource endowment and opening up tend to weaken. Optimizing the spatial correlation network of green economic efficiency is of great significance for improving the regional green economic efficiency and reducing the regional differences of green development.

Keywords：green economic efficiency;spatial correlation network;influencing factors;effects;social network analysis;Super-EBM model;China

PDF (4778KB)元数据多维度评价相关文章导出EndNote|Ris|Bibtex 收藏本文
本文引用格式
赵林, 曹乃刚, 韩增林, 高晓彤. 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 doi:10.18402/resci.2021.10.01
ZHAO Lin, CAO Naigang, HAN Zenglin, GAO Xiaotong. Spatial correlation network and influencing factors of green economic efficiency in China[J]. RESOURCES SCIENCE, 2021, 43(10): 1933-1946 doi:10.18402/resci.2021.10.01

1 引言

改革开放以来中国经济得到了快速发展,经济总量迅速提升。伴随经济高速增长,传统粗放型的经济增长方式所带来的资源短缺、环境污染和生态破坏等问题凸显,严重影响了社会经济的可持续发展^[1,2,3]。十九大报告指出要加快生态文明体制改革,推进绿色发展,绿色发展成为经济发展方式转型的重要方向。十九届五中全会进一步指出要促进经济社会发展全面绿色转型,绿色发展成为了“十四五”期间经济社会发展的重要目标。绿色经济作为一种新的经济形态,是实现绿色发展的重要引擎和支撑。与此同时,随着区域协调发展战略的不断深入,区域经济的空间关联效应随生产要素流动性的增强而日益显著,逐渐表现出复杂的空间关联特征^[4]。因此,厘清绿色经济效率空间关联网络结构的演变特征及驱动因素,对于建立绿色发展的跨区域协同机制具有重要意义。

绿色经济的概念最早由Perace等^[5]在《绿色经济蓝图》中提出,主张建立一种“可承受的经济增长”。2012年“里约+20”峰会召开后,发展绿色经济逐渐成为各国实现2030可持续发展目标（SDGs）的重要途径和方式。绿色经济发展测度作为连接理论与实践的纽带得到广泛关注,****多采用绿色GDP指数^[6]、加权综合指数^[7,8,9]、生态足迹法^[10]、主成分分析^[11]和投入产出分析^[12,13]等方法对绿色经济发展水平进行定量测度。基于投入产出角度的绿色经济效率评价因其在刻画要素配置水平方面的优势得到广泛应用。****多以经济增长为期望产出,以环境污染物为非期望产出,建立投入产出指标体系进行量化,能够处理多投入和多产出的DEA模型（Data Envelopment Analysis）是其常用工具^[14,15,16],尤其是考虑非期望产出的非径向SBM模型（Slacks-Based Measure）近年来在绿色经济效率评价中应用较多^[17,18,19]。然而,无论是传统径向DEA模型抑或非径向SBM模型都不能有效处理投入和产出变量同时具有径向和非径向特征的情况,并且容易损失投入或产出目标值与实际值之间的比例信息,造成高估或者低估效率值^[20]。

空间分异作为地理学研究的核心问题之一,精确刻画绿色经济发展的空间差异有利于因地施策^[21]。目前,****多采用基尼系数^[22]、空间探索性数据分析^[23]、核密度函数^[24]等方法对不同空间尺度的绿色经济发展水平进行空间量化与表达。如Cheng等^[25]证实“一带一路”沿线国家绿色发展水平具有显著的全局空间依赖性;Zhao等^[26]和辛龙等^[27]研究指出中国省域单元的绿色经济效率存在显著的空间正相关和空间集聚特征;Ma等^[28]和周亮等^[29]通过对中国地市尺度绿色经济效率进行空间分析,发现绿色经济效率在地市尺度上存在显著的空间溢出效应。然而,上述研究多是基于“属性数据”对绿色经济发展的空间格局特征进行分析,虽然部分研究也基于地理邻近或经济邻近性对绿色经济发展的空间集聚特征与溢出效应进行了验证与讨论,但是,目前对绿色经济效率空间关联网络结构及其形成机制的分析仍有待深化。

总结现有文献可知：一方面,绿色经济效率的测度模型有待进一步优化。现有绿色经济效率评价多是采用传统径向DEA模型或非径向SBM模型,在投入产出松弛量处理以及有效决策单元区分方面仍有拓展空间。融合径向和非径向特点的混合EBM模型（Epsilon-Based Measure, EBM）可以有效弥补DEA模型和SBM模型的缺陷,提高评价结果精度^[30],然而,目前应用EBM模型评价绿色经济效率的案例并不多见。另一方面,网络化视角下的绿色经济效率空间关联网络及其形成机制的分析尚显薄弱。虽然部分文献基于地理邻近关系对绿色经济效率的空间溢出效应进行了验证,但主要是囿于“属性数据”进行的空间量化,难以精确刻画绿色经济效率的空间关联网络结构及其演变特征;同时,随着区域协调发展战略和市场化的推进,区域间的空间关联日益呈现出复杂网络结构形态^[31,32],也为从复杂网络视角出发,立足“关系数据”来分析绿色经济效率空间关联网络结构演变特征及其影响机制提供了现实基础。社会网络分析（Social Network Analysis, SNA）作为一种跨学科分析方法,可以利用“关系数据”对某系统的空间关联网络及其结构进行整体分析,有效克服了“属性数据”的不足,近年来在区域复杂关联网络研究中得到广泛应用^{[33,34,35,36]},但鲜有****将其应用于绿色经济发展研究主题。

鉴于此,本文通过建立绿色经济效率评价体系,采用考虑非期望产出的Super-EBM模型对2000—2018年中国省域绿色经济效率进行测度,综合利用修正的引力模型、社会网络分析方法和OLS回归方法,分析中国绿色经济效率的空间关联网络结构与关联网络效应,最后采用二次指派程序（Quadratic Assignment Procedure, QAP）方法识别绿色经济效率空间关联网络的影响因素,为实现绿色发展的跨区域协同提供参考依据。

2 研究方法与数据来源

2.1 绿色经济效率空间关联机制

根据空间相互作用理论和绿色经济理论,并参考已有研究^[37,38,39],本文认为绿色经济效率作为衡量经济发展质量的重要指标,绿色经济空间关联网络是经济网络的重要组成部分,其实质是在绿色发展理念指导下影响绿色经济发展的资本、劳动力、资源、技术和管理方法等“流体要素资源”在要素集散、市场调节、政府调控和循环反馈4种机制作用下所形成的点、线、面相结合的复杂自组织系统。由于各地区地理区位、资源禀赋、经济基础等存在空间异质性,绿色经济效率在空间上并非均衡分布,而是存在一定的非均衡性,即绿色经济发展水平在空间上存在一定的“势能差”。“势能差”的存在为各类要素的跨区域流动提供了“源动力”,受市场调节机制和政府宏观调控的双重作用,影响绿色经济发展的流体要素资源在要素集散机制的主导下通过人流、物流、资金流、技术流和信息流等为载体,在空间上进行流动和再分配,不断向邻近地区和其他地区进行传导和辐射。在此过程中,市场调节机制通过供需、价格和竞争等手段引导绿色经济要素向边际效益高的地区聚集,形成绿色经济效率核心区和边缘区;政府宏观调控机制则通过财政转移支付、政绩考评体系、生态补偿、区域协调战略等手段,引导要素“逆梯度”流动,推动区域间的优势互补和互相帮扶,缩小核心区和边缘区的差距。交通基础设施和通讯信息技术则为绿色经济要素在空间上的聚合与扩散提供了联系通道。由此,绿色经济要素通过极化效应和扩散效应使得区域间形成绿色经济效率的复杂空间关联网络。同时,绿色经济效率空间关联网络的存在进而会通过循环反馈机制对各地区绿色经济效率及其区域间的“势能差”产生影响,从而循环累积,推动绿色经济效率空间关联网络由低水平向高水平演进。

2.2 指标体系与数据来源

绿色经济效率是考虑资源和环境代价后的综合经济效率,是绿色发展水平的重要衡量指标^[40]。本文借鉴已有评价体系,遵循指标选取的系统性、科学性和数据可获取性等原则,从投入和产出两方面构建了绿色经济效率评价指标体系。投入指标包括劳动力、资本、资源和技术投入4个方面。其中,劳动力投入以年末从业人员数（万人）表示;资本投入以固定资产投资存量（亿元）表示,采用永续盘存法对投资存量进行估算^[41];资源投入以电力消耗量（亿kWh）和用水总量（亿m³）两项指标替代;技术投入选取研究与试验发展（R&D）人员全时当量（人年）和各地区R&D经费内部支出（万元）予以表征。产出指标包括期望产出和非期望产出两个方面,其中,期望产出选取2000年为基期的各省份地区生产总值（亿元）表征;非期望产出选取环境污染物来衡量经济活动对资源环境的破坏情况,具体包括废水排放总量（万t）、SO₂排放量（万t）、烟（粉）尘排放量（万t）、一般工业固体废物产生量（万t）。鉴于DEA模型对指标数量的限制,采用熵值法对含多个二级指标的数据进行了折算。

考虑到数据可获取性和连续性,以中国30个省级行政区（不含港澳台及西藏）为研究单元,以2000—2018年为研究期。数据来源于2001—2019年《中国统计年鉴》《中国人口和就业统计年鉴》《中国能源统计年鉴》《中国环境统计年鉴》《中国科技统计年鉴》《中国经济普查年鉴》以及各省统计年鉴和国民经济与社会发展统计公报。各省会城市之间球面距离基于国家基础地理信息中心（http://www.ngcc.cn/ngcc/）提供的1:400万中国基础地理信息数据,利用ArcGIS10.4计算得到。

2.3 测度模型

2.3.1 考虑非期望产出的Super-EBM模型

传统DEA可分为以CCR、BCC模型为代表的径向模型和以SBM模型为代表的非径向模型两类。径向DEA模型要求投入或产出同比例变化,存在忽略非径向松弛变量的缺陷;非径向SBM模型虽然考虑了径向和非径向松弛变量,但易损失投入或产出目标值与实际值之间的比例信息,存在低估效率值的问题^[42]。Tone等^[30]提出的包含径向和非径向两类距离函数的EBM模型,既考虑了投入目标值与实际值之间的径向比例,又可以反映各投入之间差异化的非径向松弛变量,近年来在考虑非期望产出要素的效率评价中得到广泛应用^[43]。本文参考现有研究,构造考虑非期望产出的、非导向、规模报酬不变的Super-EBM模型进行效率测度,具体公式及步骤见文献[42,43]。

2.3.2 修正的引力模型

空间关联矩阵的构建是进行网络分析的前提。本文借鉴刘佳等^[33]的研究,通过构建修正的引力模型来确定中国省际绿色经济效率的空间关联关系。修正的引力模型公式为：

（1）

Y_{ij} = K_{ij} \times \frac{M_{i} \times M_{j}}{\frac{D_{ij}^{2}}{(g_{i} - g_{j})^{2}}}, K_{ij} = \frac{M_{i}}{M_{i} + M_{j}}

式中：Y_ij为省份i、j之间绿色经济效率的关联强度;K为引力系数;M_i和M_j分别为i、j省份的绿色经济效率值;D_ij为i,j省份省会城市间的球面距离;g_i和g_j分别为i、j省份的人均GDP,g_i-g_j为i、j省份间的经济距离。根据上述公式,利用Matlab计算得到30

\times

30的引力矩阵

Y

。以矩阵的行均值作为阈值,若引力值大于阈值则取值为1,表示两省份的绿色经济效率存在关联;反之,若引力值小于阈值则取值为0,表示两省份的绿色经济效率不存在关联,经过上述转换得到绿色经济效率空间关联矩阵

G

。

2.3.3 社会网络分析方法

本文采用社会网络分析方法对中国绿色经济效率的整体网络和个体网络特征进行分析。其中,整体网络特征主要通过网络关系数、网络密度、网络等级度和网络效率4个指标进行量化;个体网络特征采用点入度、点出度、度数中心度和中介中心度4个指标进行分析,具体公式及方法见文献[44]。

2.3.4 基于QAP的回归分析

由于空间关联网络中关系数据以矩阵形式存在,传统回归方法难以对变量间关系进行检验。本文采用二次指派程序方法QAP对中国绿色经济效率空间关联网络的影响因素进行回归分析。QAP方法的原理是：首先比较两个矩阵中元素的相似性,然后对相关系数进行非参数检验。此回归检验方法,可有效避免多重共线性造成的误差问题^[45]。

影响因素变量方面,根据前文空间关联机制分析,绿色经济效率空间上的“势能差”是空间关联网络形成的“源动力”,绿色经济效率空间关联网络是影响绿色经济发展的“流体要素资源”在地理空间上聚合与扩散的最终结果。因此,可知绿色经济效率空间关联网络的影响因素与已有绿色经济发展的影响因素有一定的相似性。现有文献采用空间计量方法表明了绿色经济效率在地理空间上存在溢出效应,故地理因素是影响绿色经济发展的重要变量^[18];同时,部分研究认为经济基础^[15]、产业结构^[26]、资源禀赋^[19]、科技创新^[27]、金融支持^[46]和对外开放^[29]等诸多变量对绿色经济效率具有不同方向、强度的影响。基于此,本文选取空间邻接关系矩阵D作为自变量用以衡量地理空间邻近（dis）,并从经济发展水平差异（pgdp）、科技创新差异（tec）、产业结构差异（inds）、资源禀赋差异（res）、金融发展差异（fina）和对外开放水平差异（open）6个方面分别选取人均GDP（元）、技术市场成交额（万元）、第三产业产值与第二产业产值比（%）、地区发电量（亿kWh）、金融机构贷款余额占GDP比重（%）、进出口总额占GDP比重（%）等6个省际差值关系矩阵也作为自变量纳入回归方程。P、T、I、R、F、O分别代表pgdp、tec、inds、res、fina和open的省际差值关系矩阵。以D、P、T、I、R、F、O为自变量,以

G

为因变量,进而建立计量模型：

（2）

G = f (D, P, T, I, R, F, O)

3 结果与分析

3.1 测度结果分析

基于MaxDEA7Ultra软件,采用考虑非期望产出的Super-EBM模型计算得到2000—2018年中国省域绿色经济效率（表1）。中国绿色经济效率呈现先下降后升高的S型波动趋势,均值由2000年的0.610上升至2018年的0.711。空间上呈现由期初的中部>东部>西部,演变为期末东部>西部>中部的地带性差异特征。省域层面上,各省份绿色经济效率值在研究期内均呈现不同程度上升趋势,但省际差异显著。其中,北京、天津、上海、福建、广东和海南的效率值较高,河北、安徽、贵州、甘肃、宁夏和新疆等省份效率值远低于全国均值。

Table 1
表1
表12000—2018年中国绿色经济效率计算结果
Table 1Calculation results of China’s green economic efficiency, 2000-2018

省区	绿色经济效率值					省区	绿色经济效率值
省区	2000年	2006年	2012年	2018年	均值	省区	2000年	2006年	2012年	2018年	均值
北京	0.418	0.600	0.798	1.008	0.718	湖南	0.721	0.501	0.490	0.535	0.525
天津	0.575	0.705	0.846	1.003	0.773	广东	0.637	0.968	0.834	0.860	0.853
河北	0.559	0.438	0.377	0.505	0.450	广西	0.693	0.450	0.480	0.592	0.528
山西	0.598	0.457	0.485	1.001	0.549	海南	0.680	0.796	0.771	1.002	0.785
内蒙古	0.653	0.382	0.596	0.622	0.519	重庆	0.568	0.523	0.749	0.794	0.653
辽宁	0.744	0.478	0.729	0.907	0.678	四川	0.571	0.453	0.587	0.660	0.538
吉林	0.607	0.394	0.537	0.540	0.515	贵州	0.506	0.410	0.423	0.635	0.457
黑龙江	0.774	0.573	0.394	0.412	0.509	云南	0.573	0.384	0.453	0.623	0.474
上海	0.755	0.936	0.957	1.002	0.948	陕西	0.511	0.411	0.537	0.690	0.508
江苏	0.674	0.594	0.680	0.823	0.651	甘肃	0.496	0.456	0.330	0.489	0.406
浙江	0.536	0.622	0.726	0.781	0.661	青海	0.362	0.390	0.577	0.743	0.499
安徽	0.741	0.362	0.353	0.441	0.430	宁夏	0.342	0.306	0.409	0.637	0.393
福建	0.724	0.723	0.831	1.001	0.805	新疆	0.457	0.435	0.470	0.556	0.451
江西	0.768	0.388	0.383	0.693	0.522	东部	0.634	0.663	0.732	0.865	0.713
山东	0.673	0.428	0.501	0.624	0.517	中部	0.699	0.449	0.445	0.596	0.508
河南	0.733	0.437	0.385	0.502	0.478	西部	0.521	0.418	0.510	0.640	0.493
湖北	0.646	0.480	0.535	0.647	0.536	全国	0.610	0.516	0.574	0.711	0.578

新窗口打开|下载CSV

3.2 整体网络特征

基于修正的引力模型构建绿色经济效率空间关联矩阵,选取2000年、2006年、2012年和2018年截面数据绘制空间关联网络图（图1）。中国绿色经济效率整体上呈现出日趋复杂的网络结构特征,非邻近省份突破了传统的地理空间限制而产生跨区域联动效应,逐渐形成了极核式扩散的空间结构特征,且东部地区的空间关联程度远高于西部地区。2000—2006年全国关联关系数均保持在150个左右,空间关联网络中京津和长三角地区网络关联程度最为密集,东北、西北及西南地区网络关联较为稀疏;2012年全国关联关系数得到极大提升,增长至190个,其中江苏、浙江、内蒙古、江西的关联关系数上升趋势明显,在空间关联网络中的地位显著提升;2018年空间关联网络保持相对稳定,中西部省份空间关联数仍相对较低,在空间关联网络中的作用相对较弱。综合可知：中国省际绿色经济效率空间关联呈现出参差交织的复杂网络结构特征,空间非均衡性突出,形成以京津、长三角为核心的圈层结构,表现出明显东密西疏的地域分异规律。

图1

新窗口打开|下载原图ZIP|生成PPT
图12000—2018年中国绿色经济效率的空间关联网络

注：基于自然资源部标准地图服务网站GS（2019）1825号标准地图制作,底图无修改。
Figure 1Spatial correlation network of green economic efficiency in China, 2000-2018

利用Ucinet6.0软件计算得到网络关系数、网络密度、网络等级度和网络效率4个指标值并绘制折线图（图2）。可见中国省际绿色经济效率的关联关系数和网络密度整体上呈上升态势,网络等级度和网络效率呈缓慢下降态势。具体而言,2000—2018年关联关系数由164个上升至195个,网络密度由0.189提升至0.224,说明在市场调节和政府宏观调控政策影响下,绿色经济要素资源的空间流动性不断增强,省际绿色经济发展的联系日益紧密。需要指出的是,关联关系数和网络密度值在研究期内仍相对较低,关联网络的紧密程度并不高,说明省际绿色经济效率的空间互动和溢出效应仍较为薄弱,绿色经济发展的省际协同性仍有较大提升空间。网络等级度由2000年的0.931微弱波动至2018年的0.912,总体维持在较高水平,由于各省份间绿色经济发展水平差异显著,导致省际绿色经济效率联系程度呈现显著层级性,少数省份在关联网络中起到主导和支配作用,多数省份在关联网络中的影响力十分微弱,整体上存在较为森严的等级结构。网络效率呈现波动下降趋势,由0.667下降至0.591,说明空间关联网络中存在较多的溢出渠道,同时绿色经济效率在省际间的传导和溢出成本降低,网络结构的稳定性逐渐增强。

图2

新窗口打开|下载原图ZIP|生成PPT
图22000—2018年中国绿色经济效率整体网络特征

Figure 2Overall network characteristics of green economic efficiency in China, 2000-2018

3.3 个体网络特征

为揭示关联个体在空间关联网络中的中心性特征,计算得到各省份点入度、点出度、度数中心度和中介中心度4个指标值（表2）。由表2可知：

Table 2
表2
表22000—2018年中国绿色经济效率空间关联的网络中心性分析
Table 2Network centrality analysis of spatial correlation of green economic efficiency in China, 2000-2018

地区	点入度/点出度				度数中心度				中介中心度
地区	2000年	2006年	2012年	2018年	2000年	2006年	2012年	2018年	2000年	2006年	2012年	2018年
北京	8/22	6/25	4/24	6/24	79.310	86.207	86.207	82.759	17.858	11.728	8.405	8.233
天津	8/21	4/24	3/26	5/24	79.310	82.759	89.655	82.759	7.795	4.536	8.774	5.154
河北	4/3	3/2	4/3	5/3	13.793	10.345	13.793	17.241	0.139	0.239	6.705	1.053
山西	5/3	3/3	5/3	4/7	17.241	13.793	17.241	24.138	0.180	0.239	7.522	1.617
内蒙古	3/2	4/2	6/14	5/2	10.345	17.241	55.172	20.690	0.139	0.108	28.478	0.489
辽宁	4/5	4/1	5/4	4/3	24.138	13.793	24.138	17.241	6.789	0.000	6.650	1.053
吉林	5/2	5/1	5/2	6/1	17.241	17.241	17.241	20.690	3.448	0.062	0.000	0.000
黑龙江	5/1	3/0	8/2	9/1	17.241	10.345	27.586	31.034	0.000	0.000	2.833	0.452
上海	4/28	4/27	4/26	4/26	96.552	93.103	89.655	89.655	21.618	6.500	9.011	11.680
江苏	2/14	2/16	3/20	3/24	48.276	55.172	68.966	82.759	0.247	0.592	4.269	10.382
浙江	2/13	2/19	3/18	4/18	44.828	65.517	62.069	65.517	0.216	0.777	7.480	2.713
安徽	3/7	5/3	5/3	5/5	24.138	17.241	17.241	24.138	0.680	2.401	2.517	1.236
福建	3/8	3/6	6/9	5/12	34.483	27.586	44.828	48.276	0.442	0.308	3.533	5.913
江西	5/4	7/0	8/4	8/6	20.690	24.138	27.586	27.586	21.000	0.000	12.277	26.450
山东	4/7	4/4	3/4	6/5	27.586	17.241	17.241	27.586	0.303	0.412	0.683	1.209
河南	5/3	6/2	7/1	7/0	17.241	20.690	24.138	24.138	0.303	0.570	0.343	0.000
湖北	6/0	6/0	6/2	8/2	20.690	20.690	20.690	31.034	0.000	0.000	2.258	0.070
湖南	7/1	7/1	8/1	8/2	24.138	24.138	27.586	27.586	2.535	0.302	0.873	1.662
广东	7/12	5/14	7/9	7/9	48.276	51.724	37.931	34.483	25.225	7.759	17.620	27.225
广西	6/2	7/1	8/1	9/1	20.690	24.138	27.586	31.034	2.670	0.302	0.873	5.354
海南	4/2	5/1	7/1	7/3	13.793	17.241	24.138	27.586	1.478	0.240	0.086	1.243
重庆	8/1	7/1	6/4	8/5	27.586	24.138	27.586	31.034	0.000	0.000	3.918	16.626
四川	7/0	6/0	9/1	8/1	24.138	20.690	31.034	27.586	0.000	0.000	0.924	0.179
贵州	8/2	8/2	9/2	8/2	27.586	27.586	31.034	27.586	5.983	1.964	4.835	5.533
云南	7/0	7/0	9/0	8/2	24.138	24.138	31.034	27.586	0.000	0.000	0.000	5.533
陕西	7/0	6/0	6/1	7/1	24.138	20.690	24.138	24.138	0.000	0.000	0.000	0.021
甘肃	7/1	7/1	14/2	12/4	27.586	24.138	48.276	41.379	0.041	0.000	22.098	14.095
青海	9/0	7/1	7/1	6/1	31.034	24.138	24.138	20.690	0.000	0.000	0.000	0.000
宁夏	8/0	8/0	7/2	6/1	27.586	27.586	24.138	20.690	0.000	0.000	22.626	0.000
新疆	3/0	6/0	8/0	7/0	10.345	20.690	27.586	24.138	0.000	0.000	0.000	0.000
均值	5.5/5.5	5.2/5.2	6.3/6.3	6.5/6.5	30.805	30.805	36.322	36.092	3.970	1.301	6.186	5.173

新窗口打开|下载CSV

（1）溢出与受益关系。北京、天津、上海、江苏、浙江、广东和福建7省份点出度始终高于点入度,说明京津、长三角和珠三角地区在关联网络中溢出关系多于受益关系,对其他地区形成显著溢出效应;西北（青陕甘宁新）、西南（云贵川渝桂）、东北（黑吉）和中部河南、湖北和湖南等省份的点入度显著高于点出度,说明上述地区溢出关系数少于受益关系数,在关联网络中多接受其他地区的溢出,表现出明显的受益效应。究其原因在于,京津、长三角和珠三角是中国经济发展方式转型较早的地区,绿色经济发展水平较高,受国家宏观调控政策的影响,尤其是在区域协调发展战略的推动下,有利于绿色发展的资本、技术和管理方法等不断向中西部和东北等地区扩散,因而表现出较强的溢出效应。

（2）度数中心度。2000—2018年度数中心度均值由30.805上升至36.092,取值范围由10.345~96.552缩小为17.241~89.655,表明度数中心度总体呈上升趋势,网络关联的集聚程度降低。2018年,度数中心度显著高于均值的省份有北京、天津、上海、江苏、浙江、福建和甘肃,除甘肃外其余省份均位于京津、长三角和珠三角地区,该区域是中国经济最发达的地区,具有雄厚的经济基础和科技创新能力,绿色经济发展和资源要素配置水平最高,因此处于空间关联网络的中心位置。度数中心度较低的省份以东北（辽吉）、西北（陕青宁新）及华北地区的山西、河北为主,这些省份经济基础薄弱,资源环境压力较大,对其他省份的控制力较弱,故在关联网络中处于边缘位置。对比2000年与2018年度数中心度数值变化,甘肃、湖北、广西、黑龙江和海南等省份因其承接东部沿海地区的溢出关系,度数中心度提升幅度较大,在空间关联网络中的地位得到显著提高。

（3）中介中心度。2000—2018年中介中心度均值由3.970上升至5.173,高于均值的省份数量由7个增至11个,网络中心节点的主导作用有增强的趋势。2018年,广东、江西、重庆、甘肃、上海、江苏、北京、福建、贵州、云南、广西11个省份中介中心度高于均值,上述省份对绿色经济效率空间关联网络中的资源和要素具有较强的控制能力,促进其他省区之间建立联系的能力较强,在空间关联网络中发挥“中介”和“桥梁”作用,尤其是江西、重庆、甘肃、贵州4省份,由于其特殊地理区位成为推动东部沿海地区绿色经济要素资源向西南、西北地区流动的重要纽带和支点,起到“承东启西、贯南通北”的作用。需要指出的是,2018年天津的中介中心度略低于均值,在关联网络中也起到一定的“中介”作用。西北（陕青宁新）和东北（黑吉辽）由于地理区位相对偏僻,经济基础薄弱,以接收其他省份溢出为主,对其他省份溢出很少,故而对空间关联网络的控制能力较弱。中部地区的河南、山西、安徽、湖南和湖北5省份尽管在地理位置上与其他省份“距离”较近,但由于其绿色经济发展滞后,中介中心度仍处于较低水平,未能发挥其区位优势。对比2000年与2018年中介中心度数值变化,重庆、甘肃和江苏的提升幅度较大,中介功能呈增强趋势,北京和上海下降幅度较大,中介功能减弱。整体上,绿色经济效率空间关联网络中各省份的中介中心度空间非均衡特征较为显著。

3.4 空间关联网络效应

为揭示绿色经济效率空间关联网络的影响效应,本文以2000—2018年中国省域绿色经济效率均值和标准差为被解释变量,分别对整体网络结构指标进行OLS回归分析,为了验证网络密度与绿色经济效率的区域差异是否存在非线性关系,将网络密度平方项也纳入到回归模型。由表3可知,所有回归系数均具有较强显著性,方程拟合效果较好。

Table 3
表3
表3空间关联网络影响效应回归分析
Table 3Regression analysis on the effects of spatial correlation network

被解释变量	绿色经济效率均值			绿色经济效率标准差
被解释变量	模型（1）	模型（2）	模型（3）	模型（4）	模型（5）	模型（6）	模型（7）
常数项	0.199	-0.966***	-0.880***	-0.025	-0.923***	2.125***	2.569***
网络密度	0.466**	—	—	1.115***	—	—	—
网络密度平方项	—	—	—	—	-0.345***	—	—
网络等级度	—	-5.975***	—	—	—	4.325**	—
网络效率	—	—	-0.734**	—	—	—	1.671***

注：*、**、***分别表示10%、5%、1%水平上显著,下同。

新窗口打开|下载CSV

由表3中模型（1）-（3）可知,网络密度、网络等级度和网络效率的回归系数分别为0.466、-5.975、 -0.734,说明网络密度的提升、网络等级度和网络效率的降低有利于中国省域绿色经济效率的提升。其中,网络密度对于绿色经济效率具有正向效应,关联关系数的增加和网络密度的提升有利于加强绿色经济要素在省际的聚合和扩散,推动绿色经济效率的提高;网络等级度对绿色经济效率具有负向影响,说明关联网络中的省际地位差距缩小、等级结构“扁平化”发展,有助于提升在网络中处于边缘或从属地位省份的影响力和控制力,强化省区间要素的互联互通,从而促进绿色经济效率提升;网络效率负向影响绿色经济效率,即网络效率越低,意味着绿色经济效率关联网络中的连线和关联渠道越多、绿色经济要素的溢出渠道越充足,就越有利于绿色经济效率的提高。

由表3中模型（4）-（7）可知,网络密度和网络密度平方项的回归系数一正一负且均通过显著性检验,表明网络密度与绿色经济效率的区域差异并非线性关系,而呈“倒U型”关系,即随着网络密度提升,绿色经济效率的区域差异呈先扩大后缩小的规律。可能的解释是：随着网络密度的提高,省际绿色经济效率的溢出早期是以极化效应为主,即高水平地区对低水平地区形成资本、技术等要素的“虹吸”,而随着关联网络的日趋复杂,绿色经济效率的“涓滴效应”逐步显现,绿色经济效率的区域差异才趋于缩小。网络等级度和网络效率的回归系数均为正值并通过显著性检验,说明网络等级度和网络效率对绿色经济效率的省际差异具有正向影响效应。网络等级度越低意味着边缘节点的地位越高,省际双向关联越多,绿色经济效率的省际差异就越小,反之,网络的等级结构越明显,核心节点的支配作用越强,省际差异就越显著。网络效率值越低表示空间关联网络中的冗余连线越少,绿色经济效率的空间溢出路径越多,有利于省际差距的缩小。

3.5 影响因素分析

根据构建的计量模型对2000—2018年数据逐年进行QAP回归分析,借助Ucinet 6.0软件进行5000次随机置换得到QAP回归结果,限于篇幅仅列出部分结果（表4）。表4中,Adj-R²处于0.292~0.348之间,且均通过1%水平上的显著性检验,拟合效果较好,说明选取的影响因素变量能够对中国绿色经济效率空间关联的变化进行有效解释。具体可知：

Table 4
表4
表42000—2018年绿色经济效率空间关联性影响因素的QAP回归结果
Table 4Quadratic Assignment Procedure (QAP) regression results of factors influencing the spatial correlation of green economic efficiency, 2000-2018

变量	2000年	2002年	2004年	2006年	2008年	2010年	2012年	2014年	2016年	2018年
dis	0.193*** （0.000）	0.204*** （0.000）	0.187*** （0.000）	0.208*** （0.000）	0.214*** （0.000）	0.243*** （0.000）	0.271*** （0.000）	0.270*** （0.000）	0.271*** （0.000）	0.286*** （0.000）
pgdp	0.394*** （0.000）	0.441*** （0.000）	0.345*** （0.000）	0.416*** （0.000）	0.349*** （0.000）	0.462*** （0.000）	0.468*** （0.000）	0.483*** （0.000）	0.550*** （0.000）	0.601*** （0.000）
tec	-0.114** （0.030）	-0.183*** （0.003）	-0.031 （0.329）	-0.212*** （0.002）	-0.193** （0.016）	-0.114** （0.032）	-0.093* （0.070）	-0.100** （0.014）	-0.107*** （0.002）	-0.122*** （0.001）
inds	0.004 （0.467）	0.044* （0.097）	0.036 （0.138）	0.124** （0.014）	0.057 （0.197）	0.015 （0.379）	0.037 （0.277）	0.052 （0.142）	0.082** （0.015）	0.069** （0.042）
res	0.079** （0.011）	0.063** （0.026）	0.056** （0.043）	0.074*** （0.005）	0.085*** （0.002）	0.087*** （0.000）	0.078*** （0.001）	0.045** （0.041）	0.038** （0.039）	0.014 （0.281）
fina	0.053 （0.107）	0.019 （0.310）	0.012 （0.404）	0.061** （0.038）	0.075** （0.016）	0.028 （0.191）	0.010 （0.368）	-0.014 （0.329）	-0.017 （0.223）	-0.058** （0.013）
open	0.241*** （0.002）	0.282*** （0.000）	0.250*** （0.001）	0.245*** （0.000）	0.278*** （0.000）	0.129*** （0.006）	0.109*** （0.006）	0.096*** （0.004）	0.018 （0.243）	0.011 （0.408）
R²	0.296	0.312	0.320	0.353	0.321	0.312	0.318	0.315	0.338	0.343
Adj-R²	0.292	0.307	0.315	0.348	0.317	0.307	0.313	0.310	0.333	0.339
P值	0.000	0.000	0.000	0.000	0.000	0.000	0.000	0.000	0.000	0.000

注：系数为标准化回归系数,括号内数值表示显著性概率。

新窗口打开|下载CSV

（1）地理空间邻近、经济发展水平差异和科技创新差异具有显著影响。其中：①地理空间邻近的系数始终为正,表明地理位置邻近对于绿色经济效率空间关联网络形成具有促进作用。已有研究证实相邻地区间绿色经济效率彼此相互影响^[18],说明尽管随着科学技术进步和交通通讯设施完善,社会经济要素的流动性增强,时空压缩效应显著,但地理区位因素仍然是绿色经济空间关联网络形成和演化的必要条件。②经济发展水平差异系数显著为正,表明经济水平差异越大绿色经济效率联系越强。绿色经济效率空间关联网络的发展演化从本质上是有助于绿色经济发展的流体要素资源空间流动与再分配的过程,地区间经济发展的“势能差”越大,在市场机制作用下要素的“虹吸效应”和“涓滴效应”愈显著;同时,由政府所主导的地区间“对口帮扶”、财政转移支付以及跨区域合作,也多是基于经济发展水平差距而进行的行政干预与引导。因此,经济发展的区域差异对绿色经济效率空间关联网络具有重要影响。③科技创新差异系数显著为负,表明省际科技创新差距对于绿色经济效率空间关联网络具有抑制作用。该结论与张鹏等^[37]的研究类似,相近的科学技术水平和创新环境是区域间交流合作的基础,科技创新水平差距越小,省际劳动力、资本、知识、技术和管理方法等生产要素的流通越便利,越有利于绿色经济效率关联网络的形成;反之,科技创新水平差距较大、存在技术壁垒则会阻碍关联网络的发育和发展。

（2）资源禀赋和对外开放水平差异的正向影响效应趋于减弱。①资源禀赋差异的回归系数2000—2016年显著为正,2018年系数不显著,说明资源禀赋差异对绿色经济效率空间关联网络的形成具有正向作用但趋于减弱。通常情况下资源禀赋差异越大,区域间互补性越强,以资源流动为载体的物流、资金流、技术流流动越为频繁,就越有利于绿色经济效率空间关联网络的形成和发展;近年来随着发展方式由要素驱动转向创新驱动,技术替代效应凸显,资源禀赋差异对绿色经济效率空间联系的作用降低。③对外开放水平差异的回归系数为正值,2008年后回归系数急剧变小且显著性也变弱,至2014年后未通过显著性检验,说明对外开放水平差异对绿色经济效率空间关联网络具有正向影响,但影响效应逐渐变弱。其可能的原因在于,加入世贸组织之后到2008年间处于对外贸易的黄金期,进出口的增长和外资的进入对国内经济发展影响显著,区域间对外开放程度差异越大,越容易产生产业转移和技术外溢,经济活动要素流动也就越密集;2008年金融危机后经济的外贸依存度降低,故对外开放水平对绿色经济效率空间关联网络的影响逐渐减弱。

（3）产业结构和金融发展水平差异的影响较为微弱且具有阶段性特征。①产业结构差异的回归系数为正值,2000—2014年仅个别年份通过显著性检验,2016年后显著为正,说明省际产业结构差异对绿色经济效率空间关联网络具有一定的正向作用。可能的解释是,区域间产业结构的差异性和互补性可为跨区域产业转移和区域专业化分工提供潜在条件,“十五”和“十一五”期间,省际产业结构同质化较为突出,故产业结构差异在前期未产生显著影响;“十三五”期间,国家通过构建优势互补错位发展的区域产业分工体系,产业结构差异驱动绿色经济“流体要素资源”空间聚合和扩散的作用才逐步显现。②金融发展差异的回归系数在研究期内由正转负,仅在个别年份通过显著性检验,表明金融发展差距对绿色经济效率空间关联网络具有微弱影响,且影响具有阶段性。金融作为现代经济和资源配置的核心,完善的金融服务体系可为产业转型升级和绿色技术进步提供资金支持^[46]。“十五”和“十一五”期间在国家宏观调控引导下,区域间金融发展差异越大,绿色经济的跨区域投融资和金融合作就越为频繁;2012年后中国经济发展进入新常态,随着资本要素市场化改革和绿色金融政策不断推进,在市场机制的作用下影响绿色经济发展的资本要素更容易在金融发展水平相近的地区间流动,因此金融发展差异的影响方向由正转负。

总结可知：中国绿色经济效率空间关联网络形成和演化是多种因素综合作用的结果。资源禀赋、产业配置、经济基础、科技创新、金融发展和对外开放等区域自身禀赋条件和外部环境等诸多因素相互联系,共同影响区域绿色经济发展水平。由于地理区位的不同,各影响因素的作用强度存在空间异质性,使各地区绿色经济效率存在显著区域差异,即出现“势能差”。区域间绿色经济效率“势能差”的存在成为驱动空间关联网络发育的源动力,影响绿色经济发展的“流体要素资源”在市场调节机制、政府调控机制和要素集散机制的作用下,通过交通和通讯技术构成的联系通道进行空间上的传导和溢出,从而形成了多节点、多连线和多群体的空间关联网络结构。绿色经济效率空间关联网络的效应又会通过循环反馈机制对区域绿色经济效率及其区域均衡性产生影响,进而驱动着绿色经济效率空间关联网络由简单到复杂、由无序向有序不断发展演化（图3）。

图3

新窗口打开|下载原图ZIP|生成PPT
图3中国绿色经济效率空间关联网络结构演变的影响机理

Figure 3Influence mechanism of spatial correlation network structure of green economic efficiency in China

4 结论、启示与讨论

4.1 结论

本文构建了绿色经济效率评价指标体系,采用考虑非期望产出的Super-EBM模型对2000—2018年中国省域绿色经济效率进行了测度,综合利用修正的引力模型、社会网络分析方法和OLS回归方法,分析了中国绿色经济效率的空间关联网络结构演变特征与关联网络效应,最后借助二次指派程序QAP回归方法探讨了空间关联网络的影响因素。研究结论如下：

（1）2000—2018年中国绿色经济效率呈先下降后升高的“S”型波动变化趋势,空间上中国省域绿色经济效率存在显著的非均衡性,随时间逐渐呈现出东部>西部>中部的地带性分异;省际层面上,东部的北京、天津、上海、福建、广东和海南的绿色经济效率值较高,中西部地区的安徽、贵州、甘肃、宁夏和新疆的效率值较低。

（2）整体网络方面,中国绿色经济效率逐渐呈现出以京津、长三角为极核的复杂网络结构形态,空间上表现出东密西疏的地域分异规律;中国省际绿色经济效率关联网络日益紧密,溢出渠道增多,网络结构的稳定性逐渐增强,但绿色经济效率空间联系强度的区域差异仍较大,空间关联网络存在较为森严的等级结构,网络结构有待进一步优化。个体网络方面,京津、长三角和珠三角地区在空间关联网络中占据中心位置,并兼具“中介”和“桥梁”的功能,对其他地区形成显著溢出效应;江西、重庆、甘肃和贵州在关联网络中具有“承东启西、贯南通北”的纽带功能;西北和东北地区的省份对空间关联网络的控制能力较弱,多处在关联网络的边缘位置,并具有一定的受益效应。

（3）绿色经济效率空间关联网络结构对绿色经济效率及其区域差异具有显著影响。网络密度的提升、网络等级度和网络效率的降低对中国绿色经济效率的提升有正向效应;随着网络密度提升,绿色经济效率的区域差异呈先扩大后缩小的规律,网络等级度和网络效率对绿色经济效率区域差异具有正向效应。

（4）绿色经济效率空间关联网络是影响绿色经济发展的“流体要素资源”在地理空间上聚合与扩散的最终结果。地理空间邻近和经济发展水平差异对绿色经济效率空间关联强度的提高具有显著正向作用,科技创新水平差异对空间关联网络的发育具有抑制作用,资源禀赋和对外开放水平差异对空间关联网络的正向影响趋于减弱,产业结构和金融发展的差异对空间关联网络的影响较为微弱且具有一定的阶段性。

4.2 政策启示

基于研究结论可得到以下政策启示：

（1）充分发挥政府宏观调控与市场调节机制对绿色经济发展空间关联的促进作用,消除要素流动壁垒,深化区域合作交流,通过价格、供求、竞争等市场机制推动有利于绿色经济发展的资本、技术、人才、信息等“流体要素资源”跨区域流动和转移,建立区域间生态经济合作和多元化生态补偿机制,不断加强绿色经济发展的空间关联,提高空间关联网络紧密程度。

（2）提升京津、长三角和珠三角地区在绿色经济发展中的辐射效应和示范带动作用,推进东部地区重点行业和领域的绿色化改造,加快绿色技术创新,推广绿色生活和生产方式,有效提高绿色经济要素配置效率,充分发挥东部沿海地区的技术外溢和经济拉动效应,缩小绿色经济空间关联网络中各省份在资本、技术和管理方法方面的差距,有效降低网络等级度,实现绿色经济发展的空间协同。

（3）中部省份要借助连通东西南北的区位优势,通过信息技术创新和完善交通基础设施,搭建东部与西部省份间合作交流的桥梁,促进绿色经济要素的流通,尤其是中部的河南、山西、安徽、湖南和湖北5省份要培育绿色产业体系,壮大绿色经济内生动力,不断提高绿色经济配置效率,形成绿色经济要素跨地带流动的战略支点。

（4）西部省份要根据区域资源禀赋和经济基础差异,开展差别化的绿色发展制度设计,基于严格环境规制门槛承接东部地区资金、产业和技术等要素资源的溢出,缩小技术创新水平差距,立足资源承载和环境容量,探索生态产业价值实现路径,不断优化优势互补、错位发展的绿色产业分工体系。

4.3 讨论

本文从复杂网络视角对中国绿色经济效率空间关联网络结构演变特征及其影响因素进行了分析,为地理学视域下绿色发展研究提供了新视角。然而,本研究仍存在一些不足。首先,绿色经济效率的空间聚类方式及板块间的传导机制尚不清晰,后续可通过凝聚子群分析识别小团体集聚类型,揭示空间关联网络板块互动模式;其次,本文仅对中国省域尺度绿色经济效率空间关联网络进行了分析,未来可以通过细化研究尺度,探讨不同空间尺度下绿色经济效率的动态关联关系和溢出效应;此外,研究显示绿色经济效率空间关联网络存在较为森严的等级结构,网络结构有待进一步优化,立足空间关联网络的演变轨迹与空间异质性影响因素、探索未来网络结构的空间优化模式也是值得深化的重要方向。

参考文献原文顺序
文献年度倒序
文中引用次数倒序
被引期刊影响因子

[1]

康蕾, 宋周莺. 中国区域投入产出效率的研究框架与实证分析
[J]. 地理科学, 2020, 40(11):1868-1877.

DOI:10.13249/j.cnki.sgs.2020.11.012 [本文引用: 1]

基于投入?产出研究框架,分别采用传统SBM模型、非期望产出SBM模型及两阶段网络DEA模型分析2000—2015年中国各省区市的资源生产率、生态效率及两阶段系统下的资源生产率和环境效率,以期全面刻画中国各省的投入产出效率,并提出相关政策建议。研究发现：① 中国资源生产率总体呈东?中?东北?西逐渐下降的格局。② 考虑环境约束后,不同省市生态效率排名变动情况不同,反映出环境污染对区域投入产出效率会产生不同程度的影响。③ 大部分省区市的资源生产率、环境效率非均衡特征明显,且区域间存在较大差异。东部除京津外普遍呈资源生产率较高而环境效率较低,东北地区资源生产率中等偏高、环境效率中等偏低,中部资源生产率中等偏低、环境效率显著偏低,西部资源生产率显著低于全国平均水平,而环境效率水平相对较好。

[ Kang

, Song Z

. Research framework and empirical study of input-output efficiency of resources and environment in China
[J]. Scientia Geographica Sinica, 2020, 40(11):1868-1877.]

[本文引用: 1]

[2]

王圣云, 韩亚杰, 任慧敏, 等. 中国省域生态福利绩效评估及其驱动效应分解
[J]. 资源科学, 2020, 42(5):840-855.

[本文引用: 1]

[ Wang S

, Han Y

, Ren H

, et al. Evaluation of provincial ecological well-being performance and its driving effect decomposition in China
[J]. Resources Science, 2020, 42(5):840-855.]

[本文引用: 1]

[3]

林伯强, 谭睿鹏. 中国经济集聚与绿色经济效率
[J]. 经济研究, 2019, 54(2):119-132.

[本文引用: 1]

[ Lin B

, Tan R

. Economic agglomeration and green economy efficiency in China
[J]. Economic Research Journal, 2019, 54(2):119-132.]

[本文引用: 1]

[4]

刘华军, 贾文星. 中国区域经济增长的空间网络关联及收敛性检验
[J]. 地理科学, 2019, 39(5):726-733.

DOI:10.13249/j.cnki.sgs.2019.05.003 [本文引用: 1]

基于1992~2013年中国30个省份面板数据,利用引力模型和网络分析方法考察中国区域经济增长空间关联网络的结构特征,并基于空间网络权重,对中国区域经济增长进行收敛检验,研究发现：① 中国区域经济增长的空间关联网络呈现复杂化与全域性的发展趋势,但网络的整体紧密程度不够。② 山东、河南和江苏在空间关联网络中既扮演中心行动者的角色,又在网络中发挥着“中介”与“桥梁”的作用。③ 四大板块内部及之间存在普遍的关联关系,板块Ⅲ在四大板块中发挥核心带动作用。④ 中国区域经济增长存在全域性收敛现象,与基于传统空间权重的模型相比,空间网络权重下模型的收敛速度加快;资本积累是影响收敛的重要因素。此外,东部、中部和西部存在一定程度的俱乐部收敛趋势。

[ Liu H

, Jia W

. Spatial network correlation and convergence test of regional economic growth in China
[J]. Scientia Geographica Sinica, 2019, 39(5):726-733.]

[本文引用: 1]

[5]

Pearce

, Markandya

, Barbier E

. Blueprint for a Green Economy
[M]. London: Earthscan Publication Limited, 1989.

[本文引用: 1]

[6]

雷敏, 张兴榆, 曹明明. 资源型城市绿色GDP核算研究: 以陕西省榆林市为例
[J]. 自然资源学报, 2009, 24(12):2046-2055.

[本文引用: 1]

[ Lei

, Zhang X

, Cao M

. Accounting research of green GDP of resource dependent cities: A case study of Yulin City in Shaanxi Province
[J]. Journal of Natural Resources, 2009, 24(12):2046-2055.]

[本文引用: 1]

[7]

Weng

, Qin

, Li

. A comprehensive evaluation paradigm for regional green development based on “Five-Circle Model”: A case study from Beijing-Tianjin-Hebei
[J]. Journal of Cleaner Production, 2020, DOI: http://www.resci.cn/article/2021/1007-7588/10.1016/j.jclepro.2020.124076.

URL [本文引用: 1]

[8]

郭付友, 佟连军, 仇方道, 等. 黄河流域生态经济走廊绿色发展时空分异特征与影响因素识别
[J]. 地理学报, 2021, 76(3):726-739.

DOI:10.11821/dlxb202103016 [本文引用: 1]

基于绿色发展科学内涵,综合构建了黄河流域绿色发展的评价指标体系,并采用熵值法、空间自相关分析、地理探测器模型等多种计量方法研究了2005—2017年黄河流域生态经济走廊绿色发展时空分异特征与驱动因素,结果如下：① 黄河流域绿色发展主要来源于规模化扩张与总量增长的外部驱动作用,热衷于发展速度与规模,忽视质量与效率的内涵式提升势必导致内生驱动作用不足与不可持续性;② 研究时限内黄河流域绿色发展低水平区不断减少,较高水平区稍有增加,但低水平与中低水平区占比长期稳定在65%以上,说明黄河流域绿色发展质量有待于进一步提升;③ 2005—2017年间黄河流域61地级市整体存在较为明显的空间依存关系,且绿色发展水平具有相对明显的空间俱乐部收敛特征,流域内两极分化现象较为明显;④ 经济发展水平、科学技术与政府调控始终是黄河流域绿色发展的高作用力影响因子,因子交互作用后对黄河流域绿色发展解释力远超单因子,反映出黄河流域绿色发展的驱动因素具有复杂性特征。

[ Guo F

, Tong L

, Qiu F

, et al. Spatio-temporal differentiation characteristics and influencing factors of green development in the eco-economic corridor of the Yellow River Basin
[J]. Acta Geographica Sinica, 2021, 76(3):726-739.]

[本文引用: 1]

[9]

程钰, 王晶晶, 王亚平, 等. 中国绿色发展时空演变轨迹与影响机理研究
[J]. 地理研究, 2019, 38(11):2745-2765.

DOI:10.11821/dlyj020190057 [本文引用: 1]

绿色发展战略既是实现区域经济社会与资源环境耦合协调的重要内容,也是推进区域人地协调的重要路径。研究运用投影寻踪评价模型（PPM）以及基尼系数、变异系数、空间自相关和空间计量等方法分析中国30个省市区绿色发展时空演变轨迹与影响机理,得出以下结论：① 构建涵盖“绿色增长-绿色福利-绿色财富”三个维度的绿色发展系统,三个维度的协同一致和均衡发展是绿色发展的本质特征和内在要求;② 中国绿色发展指数呈逐年上升趋势,但增长速度较低,绿色发展虽然取得了显著成效,但问题与压力依然严峻。绿色增长和绿色福利指数均呈现增长趋势,年均增长率分别为5.77%、11.74%,绿色财富指数整体相对较低且增长缓慢,一定程度上反映了绿色财富指数增长的艰巨性和长期性;③ 绿色发展及其构成指数的区域差异呈逐渐缩小趋势,但差异程度依然较大,总体呈东部地区>东北地区>西部地区>中部地区的特征,绿色财富与绿色发展及其他构成指数空间分布错位,高高、低低空间集聚特征明显;④ 城镇化水平、产业结构、人口密度、科技创新、市场化、国际贸易是影响中国绿色发展的主要因素。研究从塑造生态文化理念、发展生态高效产业、提升资源环境承载能力和优化空间治理体系等方面提出对策建议,对中国生态文明建设和绿色发展推进具有一定的借鉴参考价值。

[ Cheng

, Wang J

, Wang Y

, et al. A comparative research of the spatial-temporal evolution track and influence mechanism of green development in China
[J]. Geographical Research, 2019, 38(11):2745-2765.]

[本文引用: 1]

[10]

Merino-Saum

, Baldi M

, Gunderson

, et al. Articulating natural resources and sustainable development goals through green economy indicators: A systematic analysis
[J]. Resources, Conservation & Recycling, 2018, 139:90-103.

[本文引用: 1]

[11]

Tong

, Ding

, Wang

, et al. Assessing the target-availability of China’s investments for green growth using time series prediction
[J]. Physica A: Statistical Mechanics and its Applications, 2020, DOI: http://www.resci.cn/article/2021/1007-7588/10.1016/j.physa.2019.122724.

URL [本文引用: 1]

[12]

吴传清, 周西一敏. 长江经济带绿色经济效率的时空格局演变及其影响因素研究
[J]. 宏观质量研究, 2020, 8(3):120-128.

[本文引用: 1]

[ Wu C

, Zhou

X Y M

. Research on the spatiotemporal evolution and the influencing factors of green economic efficiency in the Yangtze River Economic Belt
[J]. Journal of Macro-Quality Research, 2020, 8(3):120-128.]

[本文引用: 1]

[13]

胡博伟, 周亮, 王中辉, 等. 干旱区资源型城市绿色经济效率时空分异特征
[J]. 资源科学, 2020, 42(2):383-393.

[本文引用: 1]

[ Hu B

, Zhou

, Wang Z

, et al. Spatiotemporal differentiation of green economic efficiency of resource-based cities in arid area
[J]. Resources Science, 2020, 42(2):383-393.]

[本文引用: 1]

[14]

Shuai

, Fan

. Modeling the role of environmental regulations in regional green economy efficiency of China: Empirical evidence from super efficiency DEA-Tobit model
[J]. Journal of Environmental Management, 2020, DOI: http://www.resci.cn/article/2021/1007-7588/10.1016/j.jenvman.2020.110227.

URL [本文引用: 1]

[15]

钱争鸣, 刘晓晨. 中国绿色经济效率的区域差异与影响因素分析
[J]. 中国人口·资源与环境, 2013, 23(7):104-109.

[本文引用: 2]

[ Qian Z

, Liu X

. Regional differences in China’s green economic efficiency and their determinants
[J]. China Population, Resources and Environment, 2013, 23(7):104-109.]

[本文引用: 2]

[16]

, Qu

, Sun P

, et al. Green transition of cultivated land use in the Yellow River Basin: A perspective of green utilization efficiency evaluation
[J]. Land, 2020, DOI: http://www.resci.cn/article/2021/1007-7588/10.3390/land9120475.

URL [本文引用: 1]

[17]

岳立, 薛丹. 黄河流域沿线城市绿色发展效率时空演变及其影响因素
[J]. 资源科学, 2020, 42(12):2274-2284.

[本文引用: 1]

[ Yue

, Xue

. Spatiotemporal change of urban green development efficiency in the Yellow River Basin and influencing factors
[J]. Resources Science, 2020, 42(12):2274-2284.]

[本文引用: 1]

[18]

车磊, 白永平, 周亮, 等. 中国绿色发展效率的空间特征及溢出分析
[J]. 地理科学, 2018, 38(11):1788-1798.

DOI:10.13249/j.cnki.sgs.2018.11.006 [本文引用: 3]

提高绿色发展效率是建设生态文明、促进经济转型发展的重要途径。基于Super-SBM模型对中国（除港、澳、台、西藏地区）2005~2015年绿色发展效率进行测度,从空间异质、空间关联与空间机理3个方面分析绿色发展效率的空间特征,运用空间杜宾模型验证绿色发展效率的溢出效应并探讨各要素的空间传导机制。结果表明：① 2005~2015年,中国绿色发展效率表现为“先平稳再快速再稳定”的阶段性变化规律,地区间差异较大,形成了“东-中-西”阶梯式递减和“南-中-北”对称式分布的空间分异特征,“T”字型发展格局逐渐凸显。② 绿色发展效率存在显著的空间正相关,空间集聚程度逐步降低,热点区域增加,东部沿海地区形成稳定的热点区,中西部形成稳定的冷点区。③ 绿色发展效率的空间自组织性逐渐增强,空间差异不断扩大,由空间自相关导致的结构化分异更加明显,随机成分引起的空间异质性正逐渐减弱,西北-东南是空间差异的主要方向。④ 绿色发展效率存在较强的空间溢出效应,经济水平、技术创新和能源强度产生明显正向效应,产业结构则具有显著负向效应。

[ Che

, Bai Y

, Zhou

, et al. Spatial pattern and spillover effects of green development efficiency in China
[J] Scientia Geographica Sinica, 2018, 38(11):1788-1798.]

[本文引用: 3]

[19]

Wang

, Yi H

. New energy demonstration program and China’s urban green economic growth: Do regional characteristics make a difference?
[J]. Energy Policy, 2021, DOI: http://www.resci.cn/article/2021/1007-7588/10.1016/j.enpol.2021.112161.

URL [本文引用: 2]

[20]

Ren Y

, Fang C

, Li G

. Spatiotemporal characteristics and influential factors of eco-efficiency in Chinese prefecture-level cities: A spatial panel econometric analysis
[J]. Journal of Cleaner Production, 2020, DOI: http://www.resci.cn/article/2021/1007-7588/10.1016/j.jclepro.2020.120787.

URL [本文引用: 1]

[21]

任嘉敏, 马延吉. 地理学视角下绿色发展研究进展与展望
[J]. 地理科学进展, 2020, 39(7):1196-1209.

DOI:10.18306/dlkxjz.2020.07.012 [本文引用: 1]

自然资源日益枯竭、全球气候变化等多重危机胁迫背景下,绿色发展经历了由学术倡议到国际共识的巨大转变,已经成为世界上越来越多国家及地区探索全球可持续发展的重要方式及途径。随着绿色发展战略的不断推进及所取得的成就,绿色发展领域也已成为学术界研究的热点,日益呈现出跨学科研究的趋势。地理学作为有关资源、环境结构变化和区域可持续发展研究的应用性基础学科,其独特的学科视角在绿色发展研究中发挥着日益重要的作用。基于国内外绿色发展研究文献资料的回顾,论文对绿色发展研究缘起进行介绍,阐述绿色发展内涵及分析框架,梳理出地理学视角下国内外绿色发展研究的7个主要议题：① 绿色发展影响因素;② 绿色发展水平测度方法;③ 绿色发展时空演变;④ 绿色发展与产业转型;⑤ 资源型城市绿色转型;⑥ 绿色发展效应;⑦ 绿色发展制度建议。同时系统总结了相关研究的主要成果及存在的主要问题。最后,对未来中国地理学在绿色发展领域的研究进行了展望。

[ Ren J

, Ma Y

. Research progress and prospects of green development from the perspective of geography
[J]. Progress in Geography, 2020, 39(7):1196-1209.]

[本文引用: 1]

[22]

Zhang

, Geng Z

, Yin R

, et al. Regional differences and convergence tendency of green development competitiveness in China
[J]. Journal of Cleaner Production, 2020, DOI: http://www.resci.cn/article/2021/1007-7588/10.1016/j.jclepro.2019.119922.

URL [本文引用: 1]

[23]

Wang Z

, Wang X

, Liang L

. Green economic efficiency in the Yangtze River Delta: Spatiotemporal evolution and influencing factors
[J]. Ecosystem Health and Sustainability, 2019, 5(1):20-35.

DOI:10.1080/20964129.2018.1559000 URL [本文引用: 1]

[24]

Sun C

, Tong Y

, Zou

. The evolution and a temporal-spatial difference analysis of green development in China
[J]. Sustainable Cities and Society, 2018, 41:52-61.

DOI:10.1016/j.scs.2018.05.006 URL [本文引用: 1]

[25]

Cheng C

, Ge C

. Green development assessment for countries along the Belt and Road
[J]. Journal of Environmental Management, 2020, DOI: http://www.resci.cn/article/2021/1007-7588/10.1016/j.jenvman.2020.110344.

URL [本文引用: 1]

[26]

Zhao P

, Zeng L

, Lu H

, et al. Green economic efficiency and its influencing factors in China from 2008 to 2017: Based on the Super-SBM model with undesirable outputs and spatial Durbin model
[J]. Science of the Total Environment, 2020, DOI: http://www.resci.cn/article/2021/1007-7588/10.1016/j.scitotenv.

URL [本文引用: 2]

[27]

辛龙, 孙慧, 王慧, 等. 基于地理探测器的绿色经济效率时空分异及驱动力研究
[J]. 中国人口·资源与环境, 2020, 30(9):128-138.

[本文引用: 2]

[ Xin

, Sun

, Wang

, et al. Research on spatial-temporal differentiation and driving forces of green economic efficiency based on geographic detector
[J]. China Population, Resources and Environment, 2020, 30(9):128-138.]

[本文引用: 2]

[28]

, Long

, Chen

, et al. Green growth efficiency of Chinese cities and its spatio-temporal pattern
[J]. Resources, Conservation & Recycling, 2019, 146:441-451.

[本文引用: 1]

[29]

周亮, 车磊, 周成虎. 中国城市绿色发展效率时空演变特征及影响因素
[J]. 地理学报, 2019, 74(10):2027-2044.

DOI:10.11821/dlxb201910006 [本文引用: 2]

绿色发展作为化解自然环境约束、破解经济转型难题、支撑和实现全球可持续发展目标（SDGs）关键。正逐渐成为中国生态文明建设、美丽中国建设和全球经济转型与重构的重要指导理念。在梳理绿色发展概念与内涵基础上,采用SBM-Undesirable模型、泰尔指数和空间马尔科夫链等方法,对2005-2015年中国城市绿色发展效率时空分异特征及其演变过程进行了测度与刻画,并进一步耦合自然与人文因素定量探讨了人地关系地域系统下的影响机制。研究表明：① 2005-2015年中国城市绿色发展效率稳步提升,由0.475增加到0.523,总体提高了10%,时序上呈现“W”型波动增加的阶段性演变特征。② 中国城市绿色发展效率呈现出“东中西”阶梯状递减的区域差异规律,不同类型城市群具有“国家级>区域性>地方性”倒金字塔式集群增长特征,形成了“超大城市>特大城市>大城市>中等城市>小城市”稳定等级规模结构。③ 中国城市绿色发展效率空间集聚特征显著,高效率城市存在正向溢出效应,低效率城市则负向溢出影响,“高高集聚、高带动低”的空间俱乐部趋同现象较为凸显,不同类型城市演化存在显著的路径依赖与时空惯性。④ 人地关系地域系统视角下,人文社会因素对城市绿色发展效率影响程度大于自然本底要素,其中经济实力、产业结构、开放程度和城市气温呈现积极促进作用。

[ Zhou

, Che

, Zhou C

. Spatio-temporal evolution and influencing factors of urban green development efficiency in China
[J]. Acta Geographica Sinica, 2019, 74(10):2027-2044.]

[本文引用: 2]

[30]

Tone

, Tsutsui

. An epsilon-based measure of efficiency in DEA: A third pole of technical efficiency
[J]. European Journal of Operational Research, 2010, 207(3):1554-1563.

DOI:10.1016/j.ejor.2010.07.014 URL [本文引用: 2]

[31]

刘华军, 贾文星. 不同空间网络关联情形下中国区域经济增长的收敛检验及协调发展
[J]. 南开经济研究, 2019, (3):104-124.

[本文引用: 1]

[ Liu H

, Jia W

. Convergence test and coordinated development of China’s regional economic growth under the background of different spatial network
[J]. Nankai Economic Studies, 2019, (3):104-124.]

[本文引用: 1]

[32]

冯颖, 侯孟阳, 姚顺波. 中国粮食生产空间关联网络的结构特征及其形成机制
[J]. 地理学报, 2020, 75(11):2380-2395.

DOI:10.11821/dlxb202011008 [本文引用: 1]

基于1996—2018年中国省际粮食生产面板数据,在修正的引力模型准确测算粮食生产空间关联关系及构建空间关联矩阵的基础上,首先运用社会网络分析方法从整体特征、个体特征及块模型3个方面具体考察了粮食生产空间关联网络的结构特征,进一步采用二次指派程序方法探讨其形成机制。研究发现：① 省际粮食生产空间关联的密切程度在波动中提高,但仍有提升空间,网络结构呈现较好的稳定性和可达性,溢出效应具有多重叠加特性;② 省际粮食生产空间关联网络呈现主产区、主销区、平衡区“核心—边缘”分布格局,粮食主产区在网络中处于核心地位,粮食主销区和平衡区则处于边缘地位;③ 粮食生产空间关联网络可划分为净溢出、主受益、经纪人和双向溢出4个板块,板块间的溢出效应具有明显的梯度传递特征;④ 自然禀赋条件与社会经济因素的共同作用推动了粮食生产空间关联网络的形成,地理空间邻近性、经济发展水平与农村劳动力规模、机械服务规模、耕地资源的差异、降水量和日照时数的相近性对粮食生产空间关联网络的形成具有显著影响。

[ Feng

, Hou M

, Yao S

. Structural characteristics and formation mechanism of spatial correlation network of grain production in China
[J]. Acta Geographica Sinica, 2020, 75(11):2380-2395.]

[本文引用: 1]

[33]

刘佳, 宋秋月. 中国旅游产业绿色创新效率的空间网络结构与形成机制
[J]. 中国人口·资源与环境, 2018, 28(8):127-137.

[本文引用: 2]

[ Liu

, Song Q

. Space network structure and formation mechanism of green innovation efficiency of tourism industry in China
[J]. China Population, Resources and Environment, 2018, 28(8):127-137.]

[本文引用: 2]

[34]

孙才志, 马奇飞. 中国省际水资源绿色效率空间关联网络研究
[J]. 地理研究, 2020, 39(1):53-63.

DOI:10.11821/dlyj020180926 [本文引用: 1]

本文从群组前沿的角度出发,将中国31个省（市、自治区）分为东中西三大群组,在不同的技术前沿面下利用SBM模型对各省（市、自治区）的水资源绿色效率进行测度,并利用VAR格兰杰因果检验方法将水资源绿色效率“属性数据”转化为“关系数据”,在此基础上利用社会网络分析（SNA）方法对中国水资源绿色效率的空间关联网络特征进行研究。结果表明：① 中国水资源绿色效率区域差异显著,总体表现为中部>东部>西部的特征。② 没有一个地区独立于水资源绿色效率空间关联网络之外,网络整体具有较强的稳定性;个体特征表明,东部地区以溢出效应为主,处于“引领者”地位,而西部地区以接收其他地区的溢出关系为主,在网络结构中处于边缘位置。③ 块模型分析表明,北京、天津等10个地区为“净溢出”板块;青海、新疆等8个地区为“净受益”板块;河北、重庆等6个地区为“双向溢出”板块;河南、陕西等7个地区为“经纪人”板块。研究结果为中国各地区水资源绿色效率的提高及协调发展提供了建议。

[ Sun C

, Ma Q

. Spatial correlation network of water resources green efficiency between provinces of China
[J]. Geographical Research, 2020, 39(1):53-63.]

[本文引用: 1]

[35]

李晖, 刘卫东, 唐志鹏. 全球贸易隐含碳净转移的空间关联网络特征
[J]. 资源科学, 2021, 43(4):682-692.

DOI:10.18402/resci.2021.04.04 [本文引用: 1]

贸易隐含碳问题是全球气候治理的重要内容之一,在国际视角下探讨全球贸易隐含碳转移的空间关联,对于践行多边主义,推动构建更加公平合理的全球气候治理模式具有重要意义。本文基于Eora多区域投入产出数据库,立足全球视角,构建了2000年与2015年包含185个国家/地区在内的全球贸易隐含碳净转移空间关联网络,选取多维度网络测度指标,综合研究全球贸易隐含碳排放网络全局性演化特点及网络板块角色功能特征。研究发现：①全球贸易隐含碳净转移网络连接稠密,空间关联溢出效应显著,网络核心边缘结构清晰;与2000年相比,2015年核心节点隐含碳净流入和净流出关系不平衡性加剧。②俄罗斯、沙特阿拉伯等资源能源型国家/地区的网络核心作用有所弱化,中国、印度、南非、哈萨克斯坦等新兴经济体在全球贸易隐含碳净转移网络中的枢纽和控制能力不断增强。参与全球生产分工体系已超越能源资源禀赋成为影响一国（地区）隐含碳净转移核心地位的重要因素。③全球贸易隐含碳净转移网络可划分为净溢出、双向溢出、经纪人和主受益4个板块。中国、一带一路沿线国家、东盟及周边一些国家/地区构成的双向溢出板块,对板块内部及其他板块隐含碳溢出效应显著,为全球贸易隐含碳净转移网络的发动机板块。本文可为推进形成各尽所能的碳减排方案,提升全球生产分工体系整体减排效率提供借鉴。

[ Li

, Liu W

, Tang Z

. Spatial correlation network of net carbon transfer in global trade
[J]. Resources Science, 2021, 43(4):682-692.]

[本文引用: 1]

[36]

Liu S

, Xiao Q

. An empirical analysis on spatial correlation investigation of industrial carbon emissions using SNA-ICE model
[J]. Energy, 2021, DOI: http://www.resci.cn/article/2021/1007-7588/10.1016/j.energy.

URL [本文引用: 1]

[37]

张鹏, 于伟. 基于社会网络分析的我国绿色全要素生产率增长空间特征及其动因研究
[J]. 经济问题探索, 2017, (2):39-46.

[本文引用: 2]

[ Zhang

, Yu

. Research on the spatial characteristics and motivation of green total factor productivity growth in China based on social network analysis
[J]. Inquiry into Economic Issues, 2017, (2):39-46.]

[本文引用: 2]

[38]

刘小瑜, 余海华. 中国省际绿色发展的空间关联及溢出效应
[J]. 江西财经大学学报, 2020, (3):14-24.

[本文引用: 1]

[ Liu X

, Yu H

. Spatial correlation and spillover effect of China’s inter-provincial green development
[J]. Journal of Jiangxi University of Finance and Economics, 2020, (3):14-24.]

[本文引用: 1]

[39]

秦腾, 佟金萍, 章恒全. 环境约束下中国省际水资源效率空间关联网络构建及演化因素
[J]. 中国人口·资源与环境, 2020, 30(12):84-94.

[本文引用: 1]

[ Qin

, Tong J

, Zhang H

. Construction and evolutionary factors of spatial correlation network of China’s provincial water resource efficiency under environmental constraints
[J]. China Population, Resources and Environment, 2020, 30(12):84-94.]

[本文引用: 1]

[40]

刘耀彬, 袁华锡, 王喆. 文化产业集聚对绿色经济效率的影响: 基于动态面板模型的实证分析
[J]. 资源科学, 2017, 39(4):747-755.

[本文引用: 1]

[ Liu Y

, Yuan H

, Wang

. Dynamic panel data modeling of the effects of cultural industry clusters on green economic efficiency
[J]. Resources Science, 2017, 39(4):747-755.]

[本文引用: 1]

[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, (10):18-32.

[本文引用: 1]

[ Shan H

. Reestimating the capital stock of China: 1952-2006
[J]. The Journal of Quantitative & Technical Economics, 2008, (10):18-32.]

[本文引用: 1]

[42]

汪克亮, 刘悦, 史利娟, 等. 长江经济带工业绿色水资源效率的时空分异与影响因素: 基于EBM-Tobit模型的两阶段分析
[J]. 资源科学, 2017, 39(8):1522-1534.

[本文引用: 2]

[ Wang K

, Liu

, Shi L

, et al. Yangtze River Economic Zone spatial and temporal disparities in industrial green water resource efficiency and influencing factors based on two-step analysis of EBM-Tobit model
[J]. Resources Science, 2017, 39(8):1522-1534.]

[本文引用: 2]

[43]

樊鹏飞, 冯淑怡, 苏敏, 等. 基于非期望产出的不同职能城市土地利用效率分异及驱动因素探究
[J]. 资源科学, 2018, 40(5):946-957.

[本文引用: 2]

[ Fan P

, Feng S

, Su

, et al. Differential characteristics and driving factors of land use efficiency in different functional cities based on undesirable outputs
[J]. Resources Science, 2018, 40(5):946-957.]

[本文引用: 2]

[44]

刘军. 整体网分析: UCINET软件实用指南. 2版[M]. 上海: 格致出版社, 2014.

[本文引用: 1]

[ Liu

. Lecture on Whole Network Approach: A Practical Guide to UCINET. 2nd ed.[M]. Shanghai: Gezhi Publishing House, 2014.]

[本文引用: 1]

[45]

Wasserman

, Faust

. Social Network Analysis: Methods and Applications[M]. London: Cambridge University Press, 1994.

[本文引用: 1]

[46]

黄建欢, 吕海龙, 王良健. 金融发展影响区域绿色发展的机理: 基于生态效率和空间计量的研究
[J]. 地理研究, 2014, 33(3):532-545.

DOI:10.11821/dlyj201403012 [本文引用: 2]

近年来严重的雾霾在中国许多城市持续大面积出现,这敲响了提升区域发展绿色度的警钟。金融可以也应该在促进绿色发展中发挥重要作用。本文分析金融发展影响区域绿色发展的四个机理,利用生态效率反映区域绿色发展水平,运用空间杜宾模型和中国省域面板数据实证研究了各机理的相对重要性及其空间溢出效应。主要发现有：相对而言,企业监督效应和资本配置效应的作用更显著；前者对当地绿色发展的积极影响相对最大,但长期中才会对周边区域的绿色发展产生积极的空间溢出效应；后者对当地绿色发展具有显著影响,但空间溢出效应不显著；金融危机后资本支持效应和长期贷款的监督效应得到了加强,但证券市场的监督效应则反而具有负面影响；绿色金融效应及其空间溢出均不明显,暗示着有必要加强金融支持绿色产业和环境保护的力度。金融支持绿色发展的政策重点可能在于加强资金使用监督,而不仅是加大资金投入。

[ Huang J

, Lv H

, Wang L

. Mechanism of financial development influencing regional green development: Based on eco-efficiency and spatial econometrics
[J]. Geographical Research, 2014, 33(3):532-545.]

[本文引用: 2]