流空間視角下湖北省縣域土地利用碳排放關聯態勢及其影響因素研究

摘要：研究目的：剖析“流空間”背景下湖北省縣域間土地利用碳排放的關聯動態，并探究其影響因素，以期通過調控碳排放的關聯態勢推動縣域間的協同碳減排。研究方法：夜間燈光數據模擬能源消耗模型、土地利用碳排放測算模型、修正的引力模型、社會網絡分析法、QAP回歸模型。研究結果：（1）研究期內，湖北省土地利用碳排放呈現東高西低的空間格局；縣域間土地利用碳排放空間關聯明顯，整體形成以武漢市區為大核心，以各市轄區為小核心的多組團結構，網絡的穩健性較強，等級結構有所弱化，緊密度仍有待提升。（2）武漢、黃石等地的市轄區長期居于網絡的核心地位，更多充當凈收益角色。（3）人口流、信息流和經濟流均顯著促進縣域間碳排放關聯網絡的形成，其影響作用具有非線性和交互性特征；各縣域在經濟、產業結構、信息化、創新方面的差異水平及地理鄰近性也在不同程度上影響碳排放關聯網絡的形成。研究結論：需調控縣域間土地利用碳排放的關聯強度，依據各縣域在碳關聯網絡中的作用及發展態勢探索總體碳平衡目標導向下的差別化碳減排措施，形成協同碳減排態勢。

關鍵詞：土地利用碳排放關聯網絡；要素流動；影響因素；湖北省縣域； 社會網絡分析；QAP回歸

中圖分類號：F301.2 文獻標志碼：A 文章編號：1001-8158（2024）03-0048-12

基金項目：國家自然科學基金面上項目（42371278）；教育部人文社會科學研究青年基金項目（16YJC630016）；中央高校基本科研業務費專項資金資助項目（2662020GGPY003）。

為在全球低碳發展中貢獻中國力量，中國政府于2020年正式提出“雙碳”目標，并在2022年的《政府工作報告》中專門就有序推進“碳達峰”和“碳中和”工作做出了布署。土地利用通過改變陸地生態系統的結構和功能影響碳儲量的變化，其上所承載的大量碳交換活動也影響著系統的碳循環速率[1]。近百年來，土地利用已成為第二大人為碳排放源[2]，中國的土地利用碳排放量也由1999年的9.3億t增至2015年的32億t[3]。學者們就土地利用碳排放的機理[4-5]和效應[6]、碳排放量的測算方法[1，6]和影響因素[2-3]等方面展開了深入研究，結果表明作為一種空間經濟行為，土地利用的碳排放具有地理空間上的集聚及溢出效應[6-7]，并已逐漸形成網絡化關聯態勢[8-9]。探究土地利用的碳排放關聯網絡有助于明確全局碳減排目標下各區域的作用，避免碳減排責任的分配不公問題[9]。已有研究通過解構省、市尺度上的碳關聯網絡的結構，發現當前碳排放關聯表現出“俱樂部”“諸侯經濟”“梯度斷層”等空間分異特征，存在“碳泄漏”“碳排放避難所”等問題，并就如何發揮核心節點的碳減排示范效應及調控其他節點的作用以推動協同碳減排提出了相關建議[8-11]。

隨著全球化的深入及通信、交通等基礎設施的完善，社會經濟發展已邁入“流空間”時代，流空間理論認為，人力、資金、技術、信息等多元要素無需地理鄰接也可實現共享[12]，即要素流動已突破地理場空間的阻礙，表現出跨區域的網絡化流動態勢[13]。當前，在建設“全國統一大市場”這一目標的指引下，“城鄉建設用地增減掛鉤”“耕地總量動態平衡”等政策開始試驗跨區交易模式，以進一步平衡“發展”與“保護”之間的矛盾；供需的空間匹配要求使得經濟發達而土地資源相對匱乏的地區通過土地密集型產品的貿易，間接使用其他地區的土地[14-15]。土地發展權的轉移疊加多元要素的流動推動了生產要素的重新配置，深刻地改變了區域的土地利用格局及其所承載的生產生活格局，使得土地利用碳排放呈現出跨區域的組團和層級結構形式的空間關聯[16-17]。因此，多元要素流動已成為區域土地利用碳排放空間關聯形成的內在“引力”，從要素流動的方向及強度的視角結合社會經濟屬性差異來挖掘碳排放空間關聯的形成機制，相較于單純從區域社會經濟屬性差異的角度更為深入且更具現實意義。此外，隨著區域協調向縱深發展，縣域層面的精準化、差異化地治碳將更利于碳減排任務的精準落地[2]。

綜上，本文基于縣域尺度，使用夜間燈光數據模擬縣級能源消耗量[3，18-19]并測算湖北省各區縣土地利用碳排放量，采用修正的引力模型構建土地利用碳排放關聯網絡并使用社會網絡分析方法刻畫其結構特征，最后運用QAP回歸模型從要素流的視角探究形成關聯網絡的主要因素，為促進湖北省各區縣之間形成協同減排的態勢提供決策參考。本文的邊際貢獻在于：首先，基于縣域層面從“關系屬性”視角構建了土地利用的碳排放關聯網絡，并刻畫了其結構特征和演化態勢；其次，從要素流的視角系統分析了土地利用碳排放形成關聯的內在機理，并使用QAP回歸方法進行了驗證。

1 要素流動影響土地利用碳排放關聯的內在機理

空間相互作用是在互補性、可達性及中介作用等特定條件下，于特定空間范圍內發生的“要素流”形式的動態流動[20]，土地利用的碳排放關聯網絡正是在要素流的推動下，通過區域間土地利用活動的相互作用所形成的關聯關系總和：首先，由于在經濟發展態勢、信息科技、能源消耗和土地資源稟賦等決定土地利用碳排放水平的條件上存在差距，區域間會產生勢能差從而驅動要素的區際流動；其次，流空間中要素可達性范圍的擴大及流動速率的加快所產生的高度集聚力及擴展性網絡的優勢，將刺激區域產生對土地及相關服務的需求[13]，進而影響其土地利用的碳排放水平；再次，區域間的產業合作、基礎設施的互聯互通及一體化市場的建設進一步促進土地、人口、經濟、技術等生產要素的合理交易及有序流動[21]，從而促進區際碳排放關聯的形成。綜上，土地及其所承載的諸要素的規模、結構和技術等的變動將引致直接、交互和溢出等效應，進而通過改變區域的要素生產效率、土地利用強度、能源需求或重塑土地利用格局等路徑直接或間接地影響區域土地利用碳排放水平[13]，形成土地利用碳排放的空間關聯態勢（圖1）。

1.1 直接效應

“短期內要素總量恒定”的假設條件下，土地及其所承載的勞動力、資本、信息、技術等要素的流動首先會導致要素的規模、質量和結構的區域差異，進而影響區域土地利用碳排放水平，由此形成基于要素流動軌跡的碳排放空間關聯。例如人口流動除了會形成勞動力規模的區域差異之外，還會顯著促進勞動力質量的空間分化，技能型勞動力的集聚會促進產業的高級化，提升能源利用水平或誘發技術性要素對能源、非技術生產要素的替代，進而降低區域碳排放水平[22]；資本的流入將擴大流入地的生產規模，提升對能源的需求并增加碳排放，而流出地則通過有效轉移過剩產能，將結余固定成本用于高技術產業發展，降低區域碳排放水平[23]，其中RD資金的流動則通過創新資源的跨區域優化整合降低空間資源的錯配概率，有效提升生產效率降低碳排放水平[12]。信息流動則通過打破傳統圈層結構、促進前沿技術與知識的學習、改善生產經營管理等路徑提升資源配置效率，降低區域的碳排放[12]。

1.2 交互效應

除了各要素本身的流動強度不斷增強之外，流空間中多元要素間的交互頻次也顯著增加，交互作用顯著增強，最終通過提升全要素的生產率來降低能源消耗[21]。例如低水平勞動力等一般性要素的投入比例過高，而技術、信息等高級要素的投入比例過低將導致區域產業的中低端鎖定，從而造成過多的資源消耗及碳排放[24]。此外，低碳技術作用的有效發揮也依賴于區域勞動力穩固的經濟基礎及其學習和認知能力的提升。另外，區際間有效的信息共享將通過替代傳統生產要素、提高生產要素的產出水平以及提升生產要素間的協同性等路徑創造倍增效應，提高全要素生產效率，進而影響區域土地利用的碳排放水平。

1.3 溢出效應

傳統的場空間中，碳排放的空間溢出集中于鄰近區域。流空間中，要素的跨地理空間流動隱含著能源及貿易產品等的跨區域轉移，從而導致資源的跨區利用及環境污染轉移擴散的加劇。此外，相較于固定性生產要素，流動性生產要素更易產生溢出效應[25]，流空間中的要素流動將以網絡化的方式對外產生多種溢出通道，影響區域土地利用碳排放水平。如高水平人才的區際流動通過內隱性的知識傳播及技術擴散等路徑，形成知識與技術的溢出效應；區際間研發創新資金的流動則有利于政府、企業及高校之間開展合作，所形成的知識鏈、技術鏈與產業鏈的聯動效應會進一步促進知識積累、技術進步與產業升級，從而降低區域的碳排放水平[12]。除了傳統的技術溢出效應外，要素流動帶來的低碳生產和低碳生活觀念及文化等的溢出也會產生明顯的低碳示范效應。

2 研究方法、數據處理與數據來源

2.1 土地利用凈碳排放的計算方法

2.1.1 土地利用凈碳排放的核算

由于WU的數據[29]的R2優于已有夜間燈光數據集，本文對該數據做進一步處理獲取湖北省各縣域夜間燈光的DN值，并選取多個模型驗證夜間燈光DN值與能源消耗碳排放間的關聯性，如表1所示。

由于線性擬合方程的R2較高且MRE（平均相對誤差）均在合理范圍內，故選取無截距的線性回歸模型進行擬合，考慮到誤差影響，本文參考現有文獻[18-19]的修正方法，對模擬的縣域碳排放量進行了修正，并統一將縣域能源消耗碳排放量折算為碳含量。

2.2 碳關聯網絡的構建及結構解析

2.2.1 土地利用碳排放關聯（關系）矩陣的構建

2.2.2 土地利用碳排放關聯網絡的結構解析

社會網絡分析方法是針對“關系數據”的跨學科分析方法，其以網絡的形式定量剖析節點間的關聯路徑并識別節點角色，逐漸成為經濟學、管理學等領域新的研究范式[9，11，17]。本文采用網絡密度、網絡關聯數、網絡關聯度及網絡等級度刻畫土地利用碳排放關聯網絡的整體特征，采用度數中心度（包括入中心度及出中心度）、接近中心度（包括入中心度及出中心度）及中介中心度刻畫個體特征，具體指標含義參考文獻[17]和[30]。

2.3 土地利用碳排放關聯網絡的影響因素探究

基于上文的機理分析，以人口流、經濟流及信息流作為核心解釋變量，并依據相關文獻對土地利用碳排放特性[11，17]的分析，選擇相應的社會經濟屬性指標作為控制變量，構建土地利用碳排放關聯網絡的影響因素集合。

2.3.1 核心解釋變量的測度

（1）人口流：使用百度遷徙數據構建，該數據實時反映了區域間人口遷徙的軌跡與強度。爬取湖北省各市在2020年的9—12月中的任意一個星期數據后，構建基于市級的人口遷徙強度均值矩陣，然后依據市域中各區縣的人口比例，構建區縣級人口遷徙強度矩陣。

信息流：依據百度搜索指數構建[12]，該數據以海量百度搜索引擎用戶的使用記錄為基礎，可用于表征城市間的信息流強度，客觀反映城市間的關聯特征。本文基于該平臺以城市名為關鍵詞，獲取2020年兩兩城市間“PC端+移動用戶端”的日均搜索指數，按照市域中各區縣的人口比例構建區縣級信息流強度矩陣。

2.3.2 控制變量的選取

首先，不同經濟發展水平的區域以及不同類型產業用地上的碳排放水平懸殊，且地理鄰近區域的土地利用碳排放水平由于距離優勢更易相互影響，因此選擇GDP水平、產業結構差異及地理鄰近作為控制變量；其次，信息化水平以及科技創新水平通過技術、知識等的溢出，能夠有效配置區域土地資源和降低產業能耗等，因此將信息化水平及科技創新水平差異加入控制變量集；再次，林地作為最大的碳匯用地，其資源稟賦直接影響區域土地利用凈碳排量，因此也選擇林地面積差異作為控制變量。

2.3.3 模型設定

QAP模型是二次指派程序和多元回歸模型的結合，以矩陣數據的隨機置換為基礎，對解釋變量與被解釋變量進行回歸。該模型不需要獨立性與正態分布假定，對處理關系數據的共線性問題具有一定優勢[11，17，30]。本文設置三個QAP模型：模型A考察要素流對土地利用碳排放關聯的直接影響，模型B考察要素流對土地利用碳排放關聯的非線性影響，模型C考察要素流對土地利用碳排放關聯的交互影響，具體表達如式（5）—式（7）：

式（5）—式（7）中：因變量LC為土地利用碳排放的關聯矩陣；POPF、ECOF、INFF分別表示人口流、經濟流及信息流的標準化矩陣，POPF2、ECOF2、INFF2分別表示人口流、經濟流及信息流的平方項矩陣，POPF×ECOF、ECOF×INFF、POPF×INFF分別表示人口流與經濟流、經濟流與信息流、人口流與信息流的交互項矩陣；GEO、ECOD、INDD、INFD、INND、LAND是控制變量集合，分別表示地理鄰接矩陣、經濟發展水平差異矩陣、產業結構差異矩陣、信息化水平差異矩陣、科技創新水平差異矩陣和林地面積差異矩陣，分別基于行政邊界是否相鄰、各縣域的人均GDP、第三產業GDP占比、郵電業務總量、發明專利授權數和林地面積來構建，構建差異矩陣前對各變量進行極差標準化處理；0b為常數項系數；1 b—12b為自變量系數； 為誤差項。

2.4 數據來源

本文數據源于2000年、2010年及2020年共三個研究年份的《湖北統計年鑒》、《湖北農村統計年鑒》、《中國能源統計年鑒》、湖北省各地市州統計年鑒與統計公報及國家知識產權局；夜間燈光數據來源于WU等的研究[29]；土地利用數據來源于中科院資源與環境數據中心的土地利用覆被數據（30 m）；人口流數據來源于百度遷徙平臺（https：//qianxi.baidu.com/），信息流數據來源于百度搜索平臺（https：//index.baidu.com/），經濟流數據來源于高德地圖POI數據。

3 湖北省縣域土地利用碳排放的時空演變及其空間關聯特征分析

3.1 湖北省縣域土地利用碳排放的時空演變

如圖2所示，研究期內湖北省土地利用的凈碳排量與碳排量的變化趨勢基本一致，整體呈現遞增狀態，固碳量無明顯變化。

2000—2010年，凈碳排放量急劇增長，這一時期內湖北省經濟發展迅速，建設用地擴張了631 km2，其中116.3 km2自高碳匯林地轉入，所承載的能源消耗活動大幅增加；2010—2020年，湖北省凈碳排放量小幅下降，雖然這一期間建設用地大幅擴張，但得益于經濟發展向高質量發展的轉型，地均能源消耗量及單位GDP能耗逐漸下降，能源消耗總量也相應減少，同時林地、水域、草地等碳匯用地凈增約1 900 km2。湖北省的土地利用凈碳排放量呈現出明顯的東高西低特征：高值區主要分布于武漢、宜昌、襄陽、荊州等地的市轄區及其周邊區縣，其中武漢城市圈的內部區縣呈現高度集聚態勢，中值區則圍繞高值區擴散，西部恩施及十堰的大部分區縣、神農架林區、東北部黃岡及東南部咸寧的部分區縣依托秦巴山、武陵山、大別山及幕阜山這四道生態屏障形成了豐富的林草地資源，同時偏僻的地理位置阻礙經濟發展，因此能源消耗碳排放較低，均表現出凈吸收或低碳排的狀態。2000—2010年，高值區的數量明顯增多，圍繞武漢城市圈核心區，宜昌、荊門、荊州、恩施（以下簡稱“宜荊荊恩”）以及襄陽、十堰、隨州、神農架（以下簡稱“襄十隨神”）城市群的核心區不斷蔓延，2020年的碳排放空間格局較2010年未發生較大變化。總體上看湖北省土地利用碳排放的空間格局與其區域發展空間格局較為吻合。

3.2 湖北省土地利用碳排放關聯網絡的結構分析

依據土地利用碳排放空間關聯關系的二值化矩陣繪制圖3，如圖所示，湖北省各區縣間的土地利用碳排放已形成了地理鄰近甚至跨區域的空間關聯形態，總體看，近年來區域一體化的發展態勢僅在武漢城市圈內表現顯著，“宜荊荊恩”“襄十隨神”城市群內部以及三大城市群間的合作動能仍然不足，由此導致土地利用的碳排放關聯網絡呈現以武漢市區為大核心、中西部各市轄區為小核心的多組團結構。3.2.1 土地利用關聯網絡的整體結構特征

研究期內整體網絡密度由2000年的0.181降至2010年的0.143，后又增至2020年的0.154，說明各區縣間的土地利用碳排放的關聯度呈現先減弱后增強的態勢：2000—2010年，縣域間土地利用碳排放的關聯度弱化，原因在于交通設施、通訊網絡等的完善提升了關聯節點間的引力均值，從而使得判定縣域間碳關聯關系的閾值變大，同時較發達地區的虹吸效應引起的發展不均衡現象減少了關聯節點數；2010—2020年，湖北省區域協同與一體化發展的持續推進，推動了武漢城市圈、“宜荊荊恩”以及“襄十隨神”城市群的“一主兩副”的城鎮發展格局的形成，加速了區縣間的要素流動，也弱化了發展的極化現象，網絡關聯度有小幅度提升。但是研究期內實際關聯節點數目遠小于理論上的最大關聯節點數目，表明區域間的關聯程度仍有很大提升空間，省內城市群協同發展成效有待提高。此外，三個時點上的網絡關聯度均接近于1，說明空間關聯網絡的連通性及穩健性較好，土地利用碳排放存在明顯的空間關聯與溢出效應，而網絡等級度由2000年的0.094 1降至2010年的0.024 1，后又增至2020年的0.047 6，始終處于低值狀態且波動下降，表明網絡內部不存在森嚴等級，且占據絕對中心地位的節點對整體網絡的控制作用減弱，結構逐漸松散化。

3.2.2 空間關聯網絡的個體特征

圖4展示了湖北省各縣域在2000年、2010年及2020年的土地利用碳排放關聯網絡中的度數中心度、接近中心度和中介中心度的空間分布格局。如圖4所示，整體上研究期內度數中心度及接近中心度呈現出中東部高—西部低的特點，隨著時間的演化度數中心度高值區進一步向中西部集聚，接近中心度高值區更加集聚于武漢城市圈。各區縣的度數中心度和接近中心度的排名前十區縣表現較為一致：主要包括武漢、荊門、宜昌、黃石、十堰、襄陽、荊州等地的市轄區，表明以上區域在關聯網絡中居于相對中心位置，能夠快速地與其他區域產生關聯。此外，以上區域的入度數中心度也較高，表明其接收了較多區域的碳溢出，主要表現為優勢要素或碳密集產品的輸入，其中武漢市顯著高于其他區縣，充分顯示了其在關聯網絡中的核心作用。而從出度數中心度來看，武漢市區、荊門市區、當陽市、大悟縣、來鳳縣、宣恩縣、神農架林區等區縣長期居于前十，表明其產生了較多的碳排放外溢，也間接說明武漢市區、荊門市區、當陽市等經濟發展較好的區域除對內吸納優勢要素外，還能通過產業轉移及經濟合作等路徑實現碳轉移；而大悟、來鳳、恩施、宣恩、神農架林區等西部邊緣區縣在發達區縣的虹吸效應下，更多表現為內部能源、勞動力等的不斷外溢，同時受限于基礎設施建設落后、與其他區域的地理經濟距離較大等因素，出接近中心度較高，資金、人才、技術等要素的流入受阻，難以快速地與其他區域產生碳關聯，在網絡中居于從屬地位。

從中介中心度來看，研究期內位于前十的區域越來越集中于發達區縣，其中武漢、荊門、黃石、宜昌、十堰等地的市轄區始終處在較多節點對的路徑上，以上區域的要素市場化程度高，碳排放權與土地指標交易更為活躍，要素流動更為暢通便捷，更易通過低碳技術、綠色生產生活方式的外溢影響關聯區域的碳排放，對其他區縣碳排放水平的控制作用較強。此外，天門市、鐘祥市、仙桃市等地得益于其優越的地理位置，其中介中心度在部分年份較高，而恩施市、巴東縣等地的外溢效應顯著而凸顯了其中介作用。

3.3 土地利用碳關聯對土地利用碳排放空間演化的影響

綜上，碳關聯顯著影響了區域土地利用碳排放空間的演化。網絡中的高度數中心度、高接近中心度和高中介中心度區域能夠快速與其他區域產生關聯，或積極充當區域間碳關聯活動的橋梁，從而影響到土地利用碳排放的空間演化：核心區對內不斷吸納要素資源及高碳產品使得自身碳排放進一步加劇，在空間局限及減排政策的壓力下，開始借助其對外關聯能力將高耗能、高碳排產業轉移至周邊經濟落后但生態本底較好的偏遠地區，造成了一定的“碳排放避難所”效應。因此，相較于2000年，2010年的土地利用碳排放的高高集聚區明顯擴張，形成了“武漢城市圈”、“宜荊荊恩”及“襄十隨神”三足鼎立的局面。而在2010—2020年期間，土地利用碳排放的空間格局未發生較大的變化，其中“襄十隨神”城市群內部的高碳集聚現象有所減弱，說明在高質量發展目標的指引下，中介節點充分發揮其影響力，持續推動要素流動和低碳技術、環保意識、綠色生產生活模式等的溢出，較為有效地提升了區域的能源消耗率，延緩了高碳排放空間格局的進一步擴展外移。

4 土地利用碳排放關聯網絡的驅動因素分析

4.1 多元要素流網絡的結構特征

基于區縣間多元要素流聯系強度繪制多元要素流網絡層級結構圖（圖5），并利用UCINET 6.0，基于多元要素流強度矩陣測算各區縣在要素流網絡中的度數中心度。

由圖可知，三類要素流網絡的空間格局具有一定共性，均呈現出東密西疏的層級結構及相似的核心—邊緣結構。整體上看，三類要素流網絡中，武漢城市圈內部的武漢市區、黃石市區、鄂州、天門、仙桃、潛江及“宜荊荊恩”“襄十隨神”城市群中各市轄除神農架外均具有較高的中心度，說明以上區縣與其他區縣往來密切，要素流動強度較大。其中武漢市區作為湖北省多元要素流網絡的“中心”，對其他區縣具有明顯的引領與輻射帶動作用。處于鄂西南邊緣的來鳳、鶴峰、宣恩、咸豐、恩施，處于鄂西北的竹山、竹溪、鄖西，處于鄂東北的紅安、羅田、英山以及處于鄂東南的通山、崇陽等地均具有較低的中心度，處于要素流聯系強度的最低層級，更多地表現為要素的單向輸出，說明以上區域較為落后的基礎設施與經濟發展水平一定程度上阻礙了人口、經濟及信息的流入，與其他區縣的互動合作有待加強。此外，三類要素流網絡的結構與土地利用碳排放關聯網絡的結構存在相似性，初步驗證了前文對要素流動影響土地利用碳排放關聯的內在機理的分析。

4.2 QAP回歸分析

對變量集合進行相關分析，結果表明各自變量均與土地利用碳排放關聯網絡顯著相關，各自變量間的相關系數也較為顯著，因此選擇可避免變量間共線性影響的QAP回歸方法是必要且合理的。選擇隨機置換次數5 000次，對模型A、模型B、模型C進行回歸，結果如表2所示。

由表2可知，3個模型的回歸結果均通過了1%顯著性水平上的顯著性檢驗，且R2均與已有文獻[11，17，30]的回歸精度接近，表明結果對研究區土地利用碳排放的關聯有一定解釋力度。

由模型A可知，三類要素流均顯著正向驅動土地利用碳排放關聯網絡的形成，但貢獻有所差異，其中人口流的貢獻最大，信息流次之，經濟流最弱，說明當前縣域間人口的頻繁流動是形成關聯的主要因素，也間接反映出當前多數區縣還是高度依賴于傳統人力要素投入的經濟發展模式。首先，勞動力具有趨利性，優先集聚于邊際效益較高的發達區縣，當達到一定規模時，市場化將推動產業鏈的分工及產業轉移，從而對關聯緊密地區產生傳統勞動力的回流和高水平勞動力的知識溢出效應，由此造成的用地結構及用地強度的變化雙向影響到流入地及流出地的碳排放水平。其次，縣域間信息交流的頻次與強度差異將通過隱含的科技、文化等要素的外溢效應來優化國土空間格局、提升能源效率及各要素間的協同性，從而對交流雙方的碳排放水平產生不同程度的影響，網絡核心區廣泛接收外部的優勢信息資源并實現優勢共享，從而形成了基于信息流動的緊密碳關聯態勢；而網絡邊緣區由于通信、交通設施等的不完備，其信息流動較傳統人口流動有著更大阻力，因此信息流動對碳排放關聯的優勢作用未能凸顯。此外，經濟流動帶來的資本投入將擴大區域生產規模及能源需求，通過改變產業規模及結構對流入地與流出地的碳排放水平產生影響。

由模型B可知，人口流、經濟流的一次項顯著為正而二次項顯著為負，說明人口流與經濟流與土地利用碳排放關聯網絡的形成存在倒“U”形關系，即單純的過強的人口流或經濟流并不利于形成區域碳關聯。原因在于單一的勞動力或經濟要素的過度集聚將導致區域要素結構失衡，生產效率下降，從而削弱區域對優勢要素的吸納能力，弱化基于多元要素的有序流動而產生的正向碳關聯，這一結果符合生產要素的邊際報酬遞減規律。信息流的一次項與二次項均顯著為正，說明信息流強度越大，越能促進土地利用碳排放關聯網絡的形成，側面反映出信息流動強度越大，越能彌補區域間由于信息差帶來的發展阻礙，增強區域間的產業、文化、科技等的互聯互通，影響交流雙方的碳排放水平。

由模型C中三類要素流的交互項的檢驗結果可知，經濟流與人口流、經濟流與信息流之間存在替代關系，人口流與信息流之間存在互補關系。表明RD資金的加大投入及區域間合理有效的產業鏈分工，將有效減少由于對傳統勞動力的依賴而產生的碳關聯活動；同時隨著信息技術的進一步發展，信息流將逐步替代依賴傳統資本投入及產業轉移建立的經濟關聯；而人口流動緊密的區縣若是輔以相應的信息科技與管理水平的提升作為支撐，將通過激發要素交互產生的倍增效應，大大提升資源利用效率及區域競爭力，從而為區域碳關聯活動的開展創造有利條件，因此，調控信息流動的強度及方向將在更大程度上決定區域間的碳關聯態勢。

控制變量集合中，地理鄰接、經濟發展水平差異、產業結構差異、信息化水平差異變量顯著正向影響碳排放空間關聯的形成。這表明在區域協同發展的背景下，區域間的經濟發展水平差距越大，所形成的經濟勢能差越易推動要素流入高效益和高效率區域，從而促進碳關聯的形成。而水平相當的區縣或因經濟結構相似、地方保護以及市場供需產生的競爭效應等因素，導致要素流通不暢。此外，隨著信息化水平的迅速發展，信息化水平低的區域更易在追趕效應及高水平區域的幫扶下，加強信息輸送進而增進彼此間的碳關聯水平。科技創新水平顯著負向影響碳關聯網絡，說明當前科技創新是湖北省的短板，只有在人才儲備與技術支撐等方面程度相當的區縣易于實現共享交流。而林地差異水平并不顯著，可能原因在于湖北省僅在東西部邊緣區縣有較大面積的林地，而且相較于建設用地產生的碳排放量，林地的碳吸收量過小，因此影響了顯著性的表達。

5 結論與建議

5.1 結論

研究期內，湖北省的縣域土地利用凈碳排放總量先增加后保持穩定，整體呈現東高西低的空間格局。形成了以武漢市區為大核心，以其他市轄區為小核心的多組團結構的土地利用碳排放關聯網絡，且研究期內其“核心—邊緣”網絡結構存在一定弱化。各區縣的土地利用碳排放呈現明顯的跨區關聯，網絡穩健性較強，但網絡緊密度有待提升。

研究期內，各區縣的個體網絡特征相對穩定：武漢、黃石、荊門、襄陽、宜昌、荊州、十堰等地市轄區居于網絡核心，與其他區域的碳關聯緊密，主要承擔凈收益角色，且中介作用明顯；而中西部的邊緣區多為溢出主體。土地利用碳排放關聯網絡的格局與碳排放的空間格局存在一定的相似性。

多元要素流網絡的格局與土地利用碳排放關聯網絡的格局也存在一定共性，回歸結果表明人口流、信息流、經濟流均對關聯網絡的形成具有獨立促進作用，但人口流或經濟流的單一過度集聚會在一定程度上抑制關聯網絡的形成。同時，三種要素流對關聯網絡的形成存在明顯的交互效應，經濟流與人口流之間、信息流與經濟流之間存在替代關系，人口流與信息流之間存在互補關系。此外，地理鄰近性及地區經濟、產業結構、信息化、創新差異水平對碳關聯的形成也存在不同程度的影響。

5.2 建議

提升區域土地利用碳排放的關聯強度。緊密的碳排放關聯網絡意味著區縣間的交互作用較強，更利于精準確定其角色定位，從而激發角色效應并實現空間聯動，從而促進區域協同碳減排。當前縣域間的碳關聯強度仍有較大的提升空間，應完善相關機制，暢通各類要素的跨區域流通的渠道，包括：（1）落實“園外園”“飛地經濟”等發展模式，促進以武漢為核心的邊際產業的逐步轉移，推動“宜荊荊恩”及“襄十隨神”城市群中的各核心區縣的引領型產業向關聯區縣的延伸，促進跨區域的產業合作；完善交通、通信等基礎設施的一體化建設，強化人口、經濟及信息流之間的正向交互效應，規避單一要素資源的過度集聚。（2）強化市場機制的作用，推動多元要素的跨區域流動，如完善現有用地增減掛鉤指標及補充耕地指標的跨區域交易市場、碳排放指標交易市場以及生態產品的市場價值實現機制等。

依據各區縣在土地利用碳關聯網絡中的角色定位、作用及其發展態勢，探索區域差異化的碳減排策略。首先，利用縣域間經濟發展的勢能差及區域協同政策等，加快多元優勢要素向核心節點的有序流動及合理集聚，通過優化國土空間格局、研發低碳技術、促進產業結構升級等路徑提升核心節點的全要素生產效率。在此基礎上激發其輻射、示范效應，促進人才、資本、信息等要素的有序流出，強化核心區的低碳技術、創新人才、綠色生產生活方式對網絡邊緣區的溢出效應，延緩產業轉移污染的加劇，消除“碳排放避難所”現象，從而實現生態經濟的雙贏，促進均衡減排格局的形成。進一步促進中部發達區縣向中介節點轉變，承擔橋梁作用，以經濟及區位優勢促進核心區和邊緣區的合作行為，鼓勵其參與環境共治以降低整體上土地利用碳排放的水平。

參考文獻（References）：

[1] HU X Q， LI Z W， CHEN J， et al. Carbon sequestration benefits of the grain for Green Program in the hilly red soil region of southern China[J] . International Soil and Water Conservation Research， 2021， 9（2）： 271 - 278.

[2] 牛亞文，趙先超，胡藝覺.基于NPP-VIIRS 夜間燈光的長株潭地區縣域土地利用碳排放空間分異研究[J] .環境科學學報，2021，41（9）：3847 - 3856.

[3] 馮杰，張勝，王濤.中國省際土地利用碳排放及其影響因素分析[J] .統計與決策，2019，35（5）： 141 - 145.

[4] ABUHASHIM M， ELSAYED M， BELAL A E. Effect of landuse changes and site variables on surface soil organic carbon pool at Mediterranean Region[J] . Journal of African Earth Sciences， 2016， 114： 78 - 84.

[5] 張苗，吳萌.土地利用對碳排放影響的作用機制和傳導路徑分析——基于結構方程模型的實證檢驗[J] .中國土地科學，2022，36（3）：96 - 103.

[6] 苑韶峰，唐奕鈺.低碳視角下長江經濟帶土地利用碳排放的空間分異[J] .經濟地理，2019，39（2）：190 - 198.

[7] 張玥，代亞強，陳媛媛，等.土地利用隱性轉型與土地利用碳排放空間關聯研究[J] .中國土地科學，2022，36（6）：100 - 112.

[8] 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.

[9] 邵帥，徐俐俐，楊莉莉.千里“碳緣”一線牽：中國區域碳排放空間關聯網絡的結構特征與形成機制[J] .系統工程理論與實踐，2023，43（4）：958 - 983.

[10] 魏燕茹，陳松林.福建省土地利用碳排放空間關聯性與碳平衡分區[J] .生態學報，2021，41（14）：5814 - 5824.

[11] 張苗，劉璇，彭山桂，等.中國省域土地利用碳排放效率的空間關聯網絡演變特征與形成機制[J] .中國土地科學，2023，37（10）：91 - 101.

[12] 沈路，鈔小靜.多元要素流動對城市群高質量發展的影響——以長株潭城市群為例[J] .科技進步與對策，2023，40（3）：30 - 40.

[13] 朱新華，鐘蘇娟.“流空間”視角下高鐵對城市土地利用的影響： 基于DPSIR-PLS模型分析[J] . 資源科學，2019，41 （12）： 2262 - 2273.

[14] 王少劍，王婕妤.區域貿易視角下中國省域隱含土地流動研究[J] .地理學報，2022，77（5）：1072 - 1085.

[15] GUO S， WANG Y， SHENG Q P， et al.Virtual builtup land transfers embodied in China’s interregional trade[J] . Land Use Policy， 2020， 94. doi： 10.1016/ j.landusepol.2020.104536.

[16] 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.

[17] 吉雪強，劉慧敏，張躍松.中國省際土地利用碳排放空間關聯網絡結構演化及驅動因素[J] .經濟地理，2023，43（2）：190 - 200.

[18] 武娜，沈鐳，鐘帥.基于夜間燈光數據的晉陜蒙能源消費碳排放時空格局[J] .地球信息科學學報，2019，21（7）：1040 - 1050.

[19] LI M C， LIU H M， YU S K， et al. Estimating the decoupling between net carbon emissions and construction land and its driving factors： evidence from Shandong Province[J] . International Journal of Environmental Research and Public Health[J] . 2022， 19. doi： 10.3390/ijerph19158910.

[20] MAYER H， ULLMAN E. American commodity flow： a geographical interpretation of rail and water traffic based on principles of spatial interchange[J] . Geographical Review， 1959， 49（1）： 142. doi： 10.2307/211582.

[21] 陳浩，羅力菲.區域協同發展政策對要素流動與配置的影響：京津冀例證[J] .改革，2023（5）：105 - 123.

[22] 赫永達，林伯強.異質性勞動力集聚對區域碳排放的影響研究[J] .人口學刊，2022，44（4）：39 - 56.

[23] 劉海云，龔夢琪.要素市場扭曲與雙向FDI的碳排放規模效應研究[J] .中國人口·資源與環境，2018，28（10）：27 - 35.

[24] 洪競科，黃河，王先柱.經濟結構轉型的碳減排效應[J] .資源科學，2023，45（11）：2103 - 2116.

[25] 單玉紅，韓晴.要素區際流動對土地綠色生產效率的影響——以武漢城市圈為例[J] .長江流域資源與環境，2023，32（10）：2060 - 2071.

[26] 馮薇，趙榮欽，謝志祥，等.碳中和目標下土地利用碳排放效率及其時空格局——以黃河流域72個地級市為例[J] .中國土地科學，2023，37（1）：102 - 113.

[27] 李強，高威，魏建飛，等.中國耕地利用凈碳匯時空演進及綜合分區[J] .農業工程學報，2022，38（11）：239 - 249.

[28] 馬忠玉，肖宏偉.基于衛星夜間燈光數據的中國分省碳排放時空模擬[J] .中國人口·資源與環境，2017，27（9）：143 - 150.

[29] WU Y Z， SHI K F， CHEN Z Q， et al. Developing improved time-series DMSP-OLS-Like data（1992-2019） in China by integrating DMSP-OLS and SNPP-VIIRS[J] . IEEE Transactions on Geoscience and Remote Sensing， 2022， 60. doi： 10.1109/TGRS.2021.3135333.

[30] 馮穎，侯孟陽，姚順波.中國糧食生產空間關聯網絡的結構特征及其形成機制[J] .地理學報，2020，75（11）：2380 - 2395.

[31] TAYLOR P J， WALKER D R F. World cities： a first multivariate analysis of their service complexes[J] . Urban Studies， 2001， 38（1）： 23 - 47.

Research on the Correlation Pattern and Trend of Land Use Carbon Emissions and Its Influencing Factors in Counties of Hubei Province from the Perspective of Flow Space

SHAN Yuhong ， CHENG Qiuyue ， KE Xinli ， ZHENG Dongjie

（School of Public Administration， Huazhong Agricultural University， Wuhan 430070， China）

Abstract： The purposes of this study are to analyze the spatial correlation network structure of land use carbon emissions（LUCE） in counties of Hubei Province from the perspective of flow space and to explore its influencing factors， to promote the synergistic carbon emission reduction among regions. The research methods include nighttime lighting data simulation and energy consumption model， land use carbon emission measurement model， modified gravity model， social network analysis and QAP regression model. The results show that： 1） during the study period， the spatial pattern of LUCE in Hubei Province presents a high-east and low-west distribution. The spatial correlation of LUCE among counties is obvious. The overall network is a multi-cluster structure with the Wuhan area as the major core and the municipal districts as the minor cores. The network robustness is strong， and the hierarchical structure has weakened but the network tightness needs to be improved. 2） Urban areas， such as Wuhan， Huangshi， Jingmen， Xiangyang， Yichang， Jingzhou， and Shiyan， are at the core position of the network and act as net beneficiaries. 3） Population flow， information flow and economic flow all significantly promote the formation of carbon emission correlation networks among counties. Their influencing roles have non-linear and interactive characteristics. Geographic proximity and the differences in economy， industrial structure， informatization and innovation have differentiated impacts on the network formation. In conclusion， it is necessary to regulate the correlation strength of LUCE in counties and establish regional differentiated emission reduction strategies based on the roles of each county in the correlation network to form a synergistic carbon emission reduction situation.

Key words： correlation network of LUCE； factors flow； influencing factors； counties of Hubei Province； social network analysis； QAP analysis

（本文責編：張冰松）