EN中文

干旱区地理 >

2025 , Vol. 48 >Issue 4: 704 - 716

DOI: https://doi.org/10.12118/j.issn.1000-6060.2024.396

区域发展

中国生态韧性关联网络的特征及影响因素研究

  • 邓光耀 , 1, 2 ,
  • 沈迎辰 , 1
展开
  • 1.兰州财经大学统计与数据科学学院，甘肃 兰州 730020
  • 2.兰州财经大学“一带一路”经济研究院，甘肃 兰州 730020
沈迎辰（2000-），女，硕士研究生，主要从事资源环境统计研究. E-mail:

邓光耀（1985-），男，教授，硕士生导师，主要从事资源环境统计研究. E-mail:

收稿日期: 2024-06-26

  修回日期: 2024-09-16

  网络出版日期: 2026-03-11

基金资助

国家自然科学基金(72363021)

甘肃省陇原青年英才项目(2022)

兰州财经大学校级科研项目(Lzufe2024C-009)

兰州财经大学丝绸之路经济研究院重点科研项目(JYYZ202102)

收起

Characterization and influencing factors of ecological resilience linkage networks in China

  • Guangyao DENG , 1, 2 ,
  • Yingchen SHEN , 1
Expand
  • 1. School of Statistics and Data Science, Lanzhou University of Finance and Economics, Lanzhou 730020, Gansu, China
  • 2. Economic Research Institute of the Belt and Road Initiative, Lanzhou University of Finance and Economics, Lanzhou 730020, Gansu, China

Received date: 2024-06-26

  Revised date: 2024-09-16

  Online published: 2026-03-11

Fold

摘要

基于熵权-TOPSIS法测算2008—2022年全国生态韧性，采用修正的引力模型、社会网络分析和指数随机图模型探究生态韧性网络关联特征及其影响因子。研究表明：（1） 样本期内全国生态韧性整体表现为上升趋势，展现出不断优化的态势。（2） 2008—2022年全国生态韧性关联强度显著提升，展现出较复杂、多线程的空间网络结构。（3） 网络中的“中心行动者”包括北京、上海、江苏、浙江和广东。西北、东北、黄河中下游以及中部平原是网络中的“边缘行动者”。（4） 净受益板块包括京津和长三角；经纪人板块由浙江和珠三角地区组成；净溢出板块集中在东北、黄河中下游和部分西部地区；双向溢出板块主要包括长江中下游以及西南地区。（5） 指数随机图模型（ERGM）估计结果显示：经济水平、科技创新以及水源条件对网络存在一定程度的影响，并且网络受到地理邻近效应的影响显著。研究成果可为提升生态韧性空间关联网络的联系及稳定性提供科学依据。

关键词： 生态韧性; 空间网络; 社会网络分析; 指数随机图模型; 中国

本文引用格式

邓光耀 , 沈迎辰 . 中国生态韧性关联网络的特征及影响因素研究[J]. 干旱区地理, 2025 , 48(4) : 704 -716 . DOI: 10.12118/j.issn.1000-6060.2024.396

Abstract

Using the entropy weight-TOPSIS method, this study evaluates national ecological resilience from 2008 to 2022. The structure and determinants of the provincial ecological resilience network are analyzed through a modified gravity model, social network analysis, and exponential random graph models. The results highlight the following key points: (1) A positive trend in national ecological resilience during the study period. (2) A substantial increase in interprovincial connections, resulting in a more complex spatial network. (3) The central role of Beijing, Shanghai, Jiangsu, Zhejiang, and Guangdong as central nodes, and the northwest China, northeast China, middle and lower Yellow River, and Central Plains as peripheral nodes. (4) The classification of regions into net beneficiaries (Beijing-Tianjin, Yangtze River Delta); brokers (Zhejiang, Pearl River Delta); net spillover contributors (northeast China, the middle and lower reaches of the Yellow River, parts of western China); and two-way spillover areas (middle and lower reaches of the Yangtze River, southwest China). (5) The significant impact of economic development, technological advancement, water source condition, and geographic proximity on network formation, as demonstrated by exponential random graph model (ERGM). These results can provide a scientific basis for improving the connection and stability of the spatial correlation network of ecological resilience.

Key words： ecological resilience; spatial network; social network analysis; exponential random graph model; China

近年来，气候变迁、环境污染、资源匮乏等一系列问题层出不穷，生态系统的承载能力明显下降，生态安全受到威胁，导致生态韧性降低[1]。在此背景下，中国共产党的“十八大”强调了生态文明建设的重要性，并将其纳入中国特色社会主义“五位一体”总体布局。从“韧性”视角评估生态系统，可以直观反映其防御抵抗、恢复适应，转型升级的能力，这对推动生态文明建设具有深刻的实践价值及理论意义。另外，因为中国地域辽阔，不同地区在经济基础、资源配置和产业结构上存在显著差异，所以生态文明发展水平在空间上具有极大的不均衡性[2]。为了更好地实现区域间的协同发展，我们应充分考虑各地区关联作用所形成的合力，因此本文在省级层面研究生态韧性空间关联网络特征及影响因素十分必要。
韧性一词由生态学家Holling[3]于20世纪70年代引入生态领域，后来由自然生态逐渐扩展到人文生态。回顾现有文献，涉及生态韧性的研究主要有3个方面：就研究尺度来说，生态韧性的研究主要包括全国[4]、区域[5]、城市群[1,6]等层面，几乎涵盖了所有层次。在研究内容方面，主要包括时空演化特征、网络特征、某因素对生态韧性的影响作用机制以及生态韧性与某因素的耦合协调关系研究等方面。如吕添贵等[7]运用空间自相关和可拓展的随机性的环境影响评估模型（STIRPAT模型）分析了长三角地区城市生态韧性时空分异特征及其影响因素；李志远等[8]运用社会网络分析及二次指派程序（Quadratic assignment procedure，QAP）对中国旅游业生态韧性网络进行研究；姚鸣奇等[9]通过多期双重差分模型探究海绵城市试点建设对城市生态韧性的效应及作用机理；蒋文鑫等[10]利用耦合模型对生态韧性和经济发展水平耦合协调关系及其时空演变特征进行了分析。在影响因素方面，主要包括经济发展水平、人口集聚、产业结构、水土条件等[11]；任洪杰等[12]选取环境规制强度、城镇化率、农村经济增长水平和政府财政支农力度等指标，分析其对乡村生态韧性的影响；孟海星等[13]从城市生态空间灾害韧性的角度，探究了城市的环境因素对其韧性的作用机理。
综上所述，国内外对生态韧性的研究比较丰富，但对于其关联网络特征及影响因素的研究相对较少，并且针对影响因素的研究大多使用QAP回归，但QAP回归是对单个网络进行的分析，所得结论缺少统计性推断，很难对多个网络间的相互作用及其形成机理做出合理解释[14]。另外，对于生态韧性的研究大多限于城市层面，而省级层面的研究较少。因此，本文从省级角度出发，研究生态韧性网络特征，并构建指数随机图模型（Exponential random graph model，ERGM）对其空间关联网络的核心驱动因素进行深入研究。

1 数据与方法

1.1 数据来源

基于数据的可获得性和一致性，本文以2008—2022年中国31个省份（不含港澳台地区）为样本，数据来源包括《中国统计年鉴》《中国环境统计年鉴》、各省（直辖市、自治区）统计年鉴和国家统计局等，个别缺失数据利用插值法计算。

1.2 指标选取

目前学界对生态韧性的测度还没有统一的评价指标体系。刘玒玒等[15]从三维复合系统出发，构建祁连山地区自然-经济-社会复杂生态系统三维空间矢量模型，对生态韧性进行测度；王松茂等[16]从“抵抗-响应-创新”3个能力维度构建城市生态韧性指标体系；周成等[17]认为抵抗力指生态系统对外界扰动的主动防御，恢复力指在环境扰动超出其承载能力的情况下，使其恢复到稳定状态的能力。综上，基于对生态韧性的理解和数据可得性、系统性，本文选取了如下12个二级指标（表1）。
表1 生态韧性综合评价指标体系

Tab. 1 Comprehensive evaluation indicator system for ecological resilience

一级指标 二级指标 单位 属性
抵抗力 SO2排放量 104 t -
人口密度 km2·人-1 -
人均GDP 元·人-1 +
生活垃圾清运量 104 t -
适应力 天然气供气量 108 m3 -
生活垃圾无害化处理率 % +
排水管道长度 104 km +
城市污水日处理能力 104 t +
恢复力 环保占财政支出的比例 % +
建成区绿化覆盖率 % +
人均水资源占有量 m3·人-1 +
人均公园绿地面积 m3·人-1 +

注：+、-分别表示正向指标、负向指标。

1.3 研究方法

1.3.1 熵权-TOPSIS法

测度生态韧性的方法多种多样，例如，综合赋权法[18]，多标准决策分析[19]，熵权法[11]等。经过对比，本文采用熵权-TOPSIS法[20]，其优势是能够将指数归一化，并按照变异程度的大小客观地确定权重，反映不同指标对系统的重要程度，同时避免人为因素的干扰，相较于熵权法等方法更具有客观性、科学性与可信度[21]。具体计算方法参见文献[20]。

1.3.2 修正的引力模型

参考赵林等[22]的研究，利用修正的引力模型确定生态韧性的空间关联关系，具体公式为：
F i j = K i j E R i × E R j D i j 2 ， K i j = E R i E R i + E R j                 D i j 2 = d i s i j p g d p i - p g d p j 2
式中：i和j为不同的省份； F i j为省份i和省份j之间的引力； K i j为引力系数，代表省份 i在省份i、j之间生态韧性的贡献率； E R i和 E R j分别为省份i和省份j的生态韧性水平； D i j为不同省份间的“综合经济地理距离”（km·元-1）； d i s i j为两省会城市之间的直线距离； p g d p i和 p g d p j分别为省份 i和省份 j的人均GDP（元·人-1）。
由于传统的引力模型忽视了联系的方向性，因此本文采用公式（1） 对关联关系进行测度，它同时考虑了经济距离和地理距离对生态韧性空间关联的影响，并通过 K i j刻画出联系的双向性和非对称性[23]。在此基础上构造空间关联矩阵，以矩阵中各行平均值作为评判准则，如果两省间的引力值高于其所在行的平均值，那么就判定二者具有关联关系，将其记为1，反之，记为0。

1.3.3 社会网络分析

社会网络分析方法从“关系”视角出发，深入分析网络整体特征及其结构[19]。该方法主要涉及以下两方面，具体公式见参考文献[24]。
（1） 网络特征分析。网络特征分析包含2个部分：整体特征用关联度、密度等指标进行分析；个体特征则通过点度中心度、接近中心度和中介中心度展现，从而衡量各省份节点在网络中的重要程度。
（2） 空间聚类分析。不同区域所形成的各个板块在网络中扮演的角色各不相同，块模型则用于识别它们在网络中的位置和作用（表2）[14]。
表2 块模型板块属性分类标准

Tab. 2 Block model plate attribute classification criteria

位置内部关系比例 位置接收到的关系比例
≈0 >0
≥（gk-1）/（g-1） 双向溢出板块 净受益板块
<（gk-1）/（g-1） 净溢出板块 经纪人板块

注：gk为板块内成员数；g为整个网络关系中的成员数。

1.3.4 指数随机图模型（ERGM）

ERGM能够综合分析和定量检验内生网络结构变量、行为者属性变量及外部环境变量对网络是否产生影响，从而评估局部网络结构对全局网络的作用[25]。模型如下:
P r Y = y | θ ≡ P θ y = e x p θ α T g α y + θ β T g β y , x + θ γ T g γ y , g - K θ
式中： K θ为标准化常量； g α y为可能对网络本身产生影响的内生结构变量； g β y , x为反映网络节点属性 x的统计量； g γ y , g -为外部环境因素 g -的统计量； θ α T、 θ β T、 θ γ T为待估参数。

2 结果与分析

2.1 中国生态韧性时空特征分析

对2008年和2022年的生态韧性进行可视化处理（图1），可以看出生态韧性之间存在较为明显的差异。整体来看，西藏及沿海地区生态韧性水平较高，而西北、东北地区生态韧性水平较低，且有明显的下降情况。原因可能是西藏位于高原地区，人口密度较低，对土地和资源的过度开发与利用相对较少；沿海地区生物资源较为丰富，且海洋对气候生态有一定的调节作用。而西北和东北地区气候相对干燥，并且水资源相对匮乏，加之存在土地退化问题，所以生态韧性相对较差。
图1 2008年和2022年生态韧性可视化

Fig. 1 Visualizing ecological resilience in 2008 and 2022

中国整体生态韧性水平呈上升趋势（图2），均值从2008年的0.1014上升至2022年的0.1335，反映出近年来全国生态不断优化的趋势。分区域来看，西部生态韧性水平最好。中部地区的生态韧性相对较差，但也在逐渐提高。东部与东北部生态韧性水平不相上下，但东部地区生态韧性增长更为迅速。主要原因是东部地区凭借发达的科技和优越的地理位置对周边省份产生虹吸作用。
图2 2008—2022中国生态韧性变动趋势

Fig. 2 Trends of ecological resilience in China from 2008 to 2022

2.2 生态韧性关联网络结构

2.2.1 整体网络结构

本文基于修正的引力模型确定生态韧性关联网络以及关系矩阵，并绘制2022年的生态韧性有向网络图谱（图3）。其中，节点以入度中心度为权重表示其大小；箭头指向表示其影响方向，例如，青海省指向甘肃省，表示青海对甘肃有影响。可以看出，2022年生态韧性展现出较复杂、多线程的空间网络结构。北京、上海、江苏与其他省份联系紧密，属于网络的核心，而西北、东北、中部地区位于网络边缘。
图3 生态韧性空间关联网络

Fig. 3 Network of spatial linkages for ecological resilience

进一步探究生态韧性空间关联网络整体特征的演变趋势（图4）。2008—2022年关联关系数呈现出明显的“S型”增长趋势，由期初的178上升至185，但仍与各省份理论最大关系数（930）存在差距，具有较大发展空间。同时，网络密度呈现出平缓的波动上升趋势，由0.1914上升至0.1989，说明网络空间关联性逐渐增强。各年份网络关联度均为1，说明各省份间生态韧性都存在关联关系，没有孤立省份存在，各节点之间通达性良好。网络等级度显著下降，由0.5012下降至0.2904，说明各省份间生态韧性等级森严的网络结构逐渐被打破，各个省份联系日趋紧密，空间关联网络逐渐“扁平化”。网络效率逐渐下降，由期初的0.7379降至0.7103，说明生态韧性空间关联网络中连线增多，并且空间溢出的多重叠加特征逐渐显现，网络趋于稳定。
图4 生态韧性关联网络整体特征

Fig. 4 Overall characterization of the ecological resilience linkage network

2.2.2 个体网络特征

运用中心性分析（表3）探究各省份在网络中的地位和作用。就度数中心度来说，2008年和2022年均值分别为30.97和33.55，2个年份均有9个省份高于均值，其中，除了甘肃、西藏，其他省份均集中在东部沿海地区。这些省份凭借其较高的经济水平、丰富的科技创新资源以及优越的地理位置对其他省份的生态要素产生虹吸效应，在关联网络中与其他省份联系密切，处于核心地位。而甘肃和西藏分别位于西北交通要塞和两河发源地，凭借其独特的地理位置，与其他省份的联系也较为密切。我国东北、西北、中部平原和黄河中下游等地区度数中心度较低，处于边缘位置。具体而言，北京、江苏、广东等6个省份入度大于出度，在网络中受益较多，虹吸效应显著。河南、海南、陕西、四川、贵州等省份出度显著高于入度，对其他省份溢出效应明显。
表3 生态韧性网络中心度

Tab. 3 Ecological resilience network centrality

省份 度数中心度 接近中心度 中介中心度
出度 入度 中心度 排名 中心度 排名 中心度 排名
北京 4（5） 25（26） 83.33*（86.67*） 2（2） 85.71*（88.24*） 2（2） 19.57*（17.65*） 1（2）
天津 3（3) 7（21) 26.67（17.65*） 16（4） 57.69（76.92*） 16（4） 0.85（9.73*） 11（4）
河北 4（3） 6（2） 26.67（10.00） 17（31） 57.69（52.63） 17（31） 0.61（0.02） 12（30）
山西 4（4） 2（1） 20.00（16.67） 24（23） 55.56（54.55） 24（23） 0.10（0.05） 26（26）
内蒙古 7（3） 1（2） 23.33（13.33） 21（30） 56.60（53.57） 21（30） 0.53（0.02） 13（31）
辽宁 5（5） 0（2） 16.67（20.00） 30（16） 54.55（55.56） 30（16） 0.07（0.15） 28（22）
吉林 5（5） 1（1） 20.00（16.67） 25（24） 55.56（54.55） 25（24） 0.13（0.10） 25（23）
黑龙江 5（6） 1（0） 20.00（20.00） 26（17） 55.56（55.56） 26（17） 0.24（0.22） 21（10）
上海 5（8） 26（28） 90.00*（93.33*） 1（1） 90.91*（93.75*） 1（1） 18.87*（19.97*） 2（1）
江苏 6（4） 23（23） 80.00*（76.67*） 3（3） 83.33*（81.08*） 3（3） 13.12*（11.20*） 3（3）
浙江 5（4） 12（19） 50.00*（63.33*） 4（5） 66.67*（73.17*） 4（5） 2.91*（6.56*） 5（5）
安徽 3（4） 5（4） 20.00（16.67） 27（25） 55.56（54.55） 27（25） 0.08（0.05） 29（27）
福建 10（7） 7（2） 43.33*（23.33） 5（10） 63.83*（56.60） 5（10） 1.93（0.18） 6（12）
江西 6（6） 7（5） 26.67（20.00） 18（18） 57.69（55.56） 18（18） 0.21（0.17） 22（13）
山东 5（4） 5（4） 23.33（16.67） 22（26） 56.60（54.55） 22（26） 0.27（0.05） 20（28）
河南 5（6） 6（0） 33.33（20.00） 10（19） 60.00（55.56） 10（19） 1.51（0.20） 8（11）
湖北 7（6） 3（1） 30.00（20.00） 11（20） 58.82（55.56） 11（20） 0.27（0.16） 19（14）
湖南 7（6） 3（1） 26.67（20.00） 19（21） 57.69（55.56） 19（21） 0.21（0.16） 23（15）
广东 7（8） 10（14） 36.67*（50.00*） 7（6） 61.22*（66.67*） 7（6） 1.33（3.49*） 9（6）
广西 6（5） 5（1） 30.00（16.67） 12（27） 58.82（54.54） 12（27） 0.48（0.09） 14（24）
海南 6（5） 1（1） 20.00（16.67） 28（28） 55.56（54.55） 28（28） 0.11（0.09） 27（25）
重庆 8（9） 4（3） 26.67（33.33*） 20（7） 57.69（60.00） 20（7） 0.35（0.35） 17（9）
四川 8（7） 2（1） 30.00（23.03） 13（11） 58.82（56.60） 13（11） 0.38（0.16） 16（16）
贵州 7（7） 4（2） 30.00（23.03） 14（12） 58.82（56.60） 14（12） 0.45（0.16） 15（17）
云南 9（7） 1（1） 30.00（23.03） 15（13） 58.82（56.60） 15（13） 0.34（0.16） 18（18）
西藏 6（6） 7（9） 36.67*（33.33*） 8（8） 61.22*（60.00） 8（8） 1.68（0.91） 7（8）
陕西 11（6） 0（0） 36.67*（20.00） 9（22） 61.24*（55.56） 9（22） 1.04（0.16） 10（19）
甘肃 7（10） 7（2） 43.33*（33.33*） 6（9） 63.83*（60.00） 6（9） 3.09*（1.27） 4（7）
青海 4（7） 2（1） 20.00（23.33） 29（14） 55.56（56.60） 29（14） 0.02（0.16） 31（20）
宁夏 5（5） 2（1） 23.33（16.67） 23（29） 56.60（54.55） 23（29） 0.21（0.05） 24（29）
新疆 5（7） 0（0） 16.67（23.33） 31（15） 54.55（56.60） 31（15） 0.04（0.16） 30（21）
2008年均值 5.74 5.74 30.97 - 60.53 - 2.38 -
2022年均值 5.98 5.97 33.55 - 61.06 - 2.29 -

注：括号内为2008年数据，其他为2022年数据；*表示大于均值的省份。下同。

就接近中心度来说，2008年接近中心度均值为60.53，大于均值的省份仅有6个；2022年均值为61.06，在均值以上的省份上升至9个。说明网络直接关联程度提升，省份之间的要素流动加快。从空间分布来看，北京、上海、江苏、浙江、广东始终处于均值以上，它们是网络中的“中心行动者”，可以迅速与周围地区产生联系。西北、东北、黄河中下游和中部平原地区的接近中心度处于较低水平，它们受到地理位置或是自身生态韧性较低的影响，其获取资源能力较弱，是网络中的“边缘行动者”。
就中介中心度来说，中介中心度趋于下降，网络结构的不均衡现象有所减少。可以看出，中介中心度较高的省份，如北京、浙江等，具有优越的地理位置，控制生态要素能力较强，迅速促进了各省间的联动，起到“中介”和“桥梁”的作用。另外，由于甘肃位于丝绸之路，是连接西北与全国各地的交通要道，同样起到桥梁作用。

2.2.3 块模型分析

以2008、2022年的数据为研究对象，利用Ucinet中的CONCOR，最大切割深度为2，集中标准为0.2，将全国31个省份分为4个板块（表4），进而分析网络空间聚类特征。从分布角度来看，净受益及经纪人板块主要分布在京津、长三角、珠三角；净溢出板块由原来的西北、华中、华南以及西南地区转变为东北、华北以及部分西部地区；双向溢出板块由原来的华北、东北地区变为华中、华南以及西北地区。
表4 各板块包含省份

Tab. 4 Provinces included in each plate

板块类型 板块成员
2008年 2022年
净受益板块 北京、天津、上海 北京、天津、江苏、上海
经纪人板块 广东、浙江、江苏 广东、浙江、福建
双向溢出板块 吉林、内蒙古、河北、黑龙江、山西、宁夏、辽宁、山东 湖南、湖北、海南、广西、贵州、云南、西藏、安徽、甘肃、江西、黑龙江、河南
净溢出板块 江西、福建、湖北、湖南、安徽、广西、海南、重庆、河南、贵州、云南、西藏、陕西、甘肃、青海、四川、新疆 吉林、内蒙古、河北、四川、山西、辽宁、青海、山东、新疆、宁夏、陕西、重庆
2008年中国生态韧性空间关联网络共有178个关联关系，其中板块内和板块间各有18和160个关联关系，占比分别为10.11%和89.89%；2022年网络包含174个关联关系，其中板块内部为27个，板块间为147个，占比分别为15.52%和84.48%（表5）。这表明，中国各省生态韧性在板块内、板块间均存在溢出效应，且板块内溢出效应随时间推移而不断加强，但整体仍以板块间的溢出效应为主。
表5 生态韧性关联网络的结构板块特征分析

Tab. 5 Characterization of structural panels of ecological resilience spatial correlation networks

接收关系数 溢出关系数 期望内部关系/% 实际内部关系/% 板块类型
板块内 板块间 板块内 板块间
3（2） 67（73） 3（2） 15（14） 10.00（6.67） 16.67（12.50） 净受益（净受益）
2（0） 27（56） 2（0） 20（16） 6.67（6.67） 13.04（15.79） 经纪人（经纪人）
14（3） 11（10） 14（3） 46（32） 36.67（23.33） 35.21（42.86） 净溢出（双向溢出）
8（13） 42（21） 8（13） 66（98） 36.67（53.33） 37.14（31.94） 双向溢出（净溢出）
本文通过Ucinet得到生态韧性空间关联网络的密度矩阵。2008年和2022生态韧性空间关联网络的密度分别为 0.1914和0.1989，当密度矩阵的数值大于网络密度时，取1，表示该行代表板块对该列代表板块的生态韧性具有空间溢出；反之取0，表示没有空间溢出，从而得出了生态韧性的像矩阵（表6）。2008年只有净受益板块对自身存在空间溢出，经纪人板块对净受益和净溢出板块存在空间溢出，双向溢出和净溢出板块均只对净受益和经纪人板块存在空间溢出。与2008年相比，2022年经纪人板块也增加了对自身的空间溢出，但净受益板块减少了对经纪人和双向溢出板块的溢出，双向溢出板块也减少了对经纪人板块的溢出。
表6 生态韧性关联网络密度矩阵与像矩阵

Tab. 6 Density matrix and image matrix of spatial correlation network of ecological resilience

板块类型 2008年 2022年
净受益板块 经纪人板块 双向溢出
板块		 净溢出
板块		 净受益板块 经纪人板块 双向溢出
板块		 净溢出
板块
净受益板块 0.333* 0.222* 0.250* 0.118 0.250* 0.167 0.125 0.146
经纪人板块 0.333* 0.000 0.000 0.255* 0.250* 0.333* 0.444* 0.028
双向溢出板块 1.000* 0.250* 0.054 0.015 0.750* 0.028 0.061 0.021
净溢出板块 0.902* 0.941* 0.029 0.048 0.813* 0.667* 0.139 0.106

注：*表示在像矩阵中赋值为1，无*的数值在像矩阵中赋值为0。

进一步分析不同板块间的溢出关系、关系强弱以及变化过程（图5）。与2008年相比，2022年的净溢出板块对净受益和经纪人板块的溢出效应有所减弱；净受益板块接收来自净溢出板块的影响也有所减弱，但接收来自双向溢出板块的影响进一步增强；经纪人和双向溢出板块的联系进一步增强。总的来看，板块间关联关系复杂程度增加，且存在板块内的俱乐部聚集，这种聚集效应随时间推移日趋明显。
图5 空间关联网络板块传递关系

Fig. 5 Transmission relationships among segments of the spatial association network

综上，北京、上海、天津、江苏在生态韧性网络中主要接收其他几个板块的溢出关系，成为网络的受益者；西北、西南、东北等地不仅对净受益板块和经纪人板块有溢出效应，还接收来自净受益板块的溢出效应，但溢出关系数明显大于接收关系数，表现出明显的净溢出特征，这些地区内部成员间的关联也比较紧密，在一定程度上调节了各板块间的联系，既是网络中的调节方也是亏损方。需要指出的是，黄河中下游和长江中下游地区在网络中起到调节作用，同时也是亏损方，而东南沿海的广东、浙江和福建等省份通过接收和溢出效应，加强了不同板块之间的联系，充当了网络结构中的中介角色。

2.3 生态韧性网络形成的驱动因素

2.3.1 变量选取

本文因变量为生态韧性关联关系，自变量主要考察不同节点属性、内生结构效应以及网络协变量对生态韧性关联关系的影响（表7）。
表7 生态韧性空间关联网络形成机制的ERGM变量说明

Tab. 7 Explanation of ERGM variables for the formation mechanism of spatial correlation networks of ecological resilience

变量 Statnet命名 示意图 假设检验
弧 edgs 作为常数项
聚集性 gwesp 省份间是否更倾向于形成聚集性关系?
连通性 twopath 省份间是否更倾向于同时具有较多的发出关系和接受关系?
互惠性 mutual 省份间是否更倾向于产生双向连接关系?
循环性 ctriple 省份间是否更倾向于形成三角传递关系?
发出效应 nodeocov 某省份的某属性是否有助于省份间形成生态韧性发出关系?
接收效应 nodeicov 某省份的某属性是否有助于省份间形成生态韧性接收关系?
异配性 absdiff 属性不同的省份间是否更容易产生生态韧性关联关系?
协变量 edgecov 易受外部因素影响的省份间是否容易形成生态韧性关联关系?
内生结构变量。影响网络结构变化的主要因素之一就是网络内生结构变量，其估计系数的符号反映了观测到的网络结构与随机预期相比出现概率较高或较低。这在网络中属于控制变量，相当于回归模型中的截距项。参考邵帅等[14]的做法，主要研究互惠性、连通性、聚集性、循环性。
节点属性变量。本文通过“发出效应”“接收效应”“异配性”3种变量描述生态韧性关联网络的影响因素。考虑到数据可得性和相关文献[7,11,26-27]，选取以下节点属性变量：经济水平（pgdp）反映经济水平对生态韧性网络的影响，用人均GDP予以表征；产业结构（ind）反映工业对生态韧性网络的影响，用第二产业增加值占GDP比重表示；人口聚集（pd）反映人口对生态韧性网络的影响，用单位面积常住人口数量表示；科技创新（ti）反映科学技术对生态韧性网络的影响，用科学技术财政支出与公共财政支出的比值表示；水源条件（water）反映自然环境对生态韧性网络的影响，用人均水资源量表示。
网络协变量。地理上的邻近关系有助于增强中国各区域之间的空间联系。生态韧性空间关联网络的运行不是孤立的，它会受外部因素的干扰[14]。为探究地理距离对网络的影响，本文构建了地理邻近网络变量[28]。

2.3.2 ERGM分析

由于2018年关联数目等指标发生一定程度的下降（图4），因此基于2008、2018年和2022年的数据探究生态韧性空间关联网络的驱动因素及其变化情况（表8）。
表8 生态韧性关联网络ERGM测算结果

Tab. 8 Ecological resilience network ERGM measurement results

变量 2008年 2018年 2022年
内生结构变量 弧 -0.03560（1.50821） -12.96136***（2.55731） -4.58599***（1.31614）
互惠性 -0.64707（0.43934） 3.41428***（0.82754） -0.21304（0.36259）
循环性 0.29589（0.15803） -0.73799*（0.30617） 0.09619（0.16100）
连通性 -0.27853***（0.02802） -0.24761***（0.06760） -0.18525***（0.03662）
聚集性 0.60557**（0.20100） 0.35872*（0.16391） 0.59681**（0.21516）
节点属性变量 经济水平 发出 -0.00010***（0.00002） -0.00002（0.00002） 0.00001（0.00000）
接收 -0.00008***（0.00002） 0.00005***（0.00001） 0.00001*（0.00000）
异配性 -0.00003（0.00002） 0.00013***（0.00002） 0.00002***（0.00000）
产业结构 发出 -1.93089（1.51183） 8.93571**（3.24577） 1.67448（1.44393）
接收 -1.13910（1.39266） -2.03466（3.21436） 2.63409（1.34963）
异配性 -0.23310（1.70209） 3.42066（3.79303） -2.39421（1.74771）
人口聚集 发出 -0.00000（0.00009） -0.00010（0.00015） -0.00019（0.00010）
接收 -0.00010（0.00009） -0.00012（0.00016） -0.00029**（0.00010）
异配性 0.00008（0.00011） -0.00018（0.00019） 0.00042**（0.00013）
科技创新 发出 172.03707***（31.21705） -0.46555（19.29724） 10.24441（9.33152）
接收 135.90264***（28.24969） 35.94049*（16.29313） 32.01858***（7.48612）
异配性 72.22745**（26.72037） 15.86065（15.82177） -1.85766（8.38751）
水源条件 发出 -0.00023**（0.00008） 0.00022**（0.00007） 0.00008（0.00005）
接收 -0.00024**（0.00008） 0.00023**（0.00007） 0.00008（0.00005）
异配性 0.00024**（0.00008） -0.00020**（0.00007） -0.00008（0.00005）
网络协变量 D[0, 500] 2.37400***（0.47656） 5.84127***（0.93572） 1.38020**（0.43050）
D(500, 1000] 1.66963***（0.40035） 3.2055***（0.82822） 1.39678**（0.38373）
D(1000, 1500] 0.95255*（0.38667） 0.59663（0.70357） 0.38667（0.36235）
D(1500, 2000] 0.30065（0.39134） -0.42366（0.76625） -0.19214（0.39528）
AIC -568.24507 -982.78652 -541.78844
BIC -452.20064 -866.74209 -425.74401

注：D为地理邻近距离；***、**、*分别表示参数在1%、5%、10%的水平上显著，括号内数值为标准误。

（1） 内生结构变量
除2008年外，弧均在1%的水平上显著为负，表明生态韧性网络不是随机形成的，因此进行以下因素分析是有必要的。互惠性仅在2018年显著为正，表明各省间的互利合作对生态网络形成未发挥出预期的影响作用。应大力促进区域间的互利合作，促进区域间双向连接关系的形成。循环性系数仅在2018年显著为负，说明其随网络密度的变化而变化，省份间三角传递关系自2008年逐渐弱化，在2018年达到最低，之后又波动上升。连通性均显著为负，表明网络中发出和接收关系均较多的节点区域相对罕见。聚集性均显著为正，说明网络“核心-边缘”特征增强，省份间的“行政藩篱”逐渐被打破。
（2） 节点属性变量
经济水平。2008年经济水平系数均显著为负，说明较高的经济水平抑制了生态韧性的接收和发出关系的形成。2018年和2022年仅接收关系和异配性系数显著为正。说明经济水平的提升会促进生态韧性网络产生更多的接收关系，并且经济水平的差异对省份间生态韧性关联作用存在一定的促进作用。经济发展水平差异增大会促使区域间各类要素的聚集和扩散现象愈加频繁，这有利于区域间形成更加稳定的网络结构。
产业结构。仅2018年的产业结构系数显著为正，表明该年份中，第二产业占比较高的省份会产生更多发出关系。接收关系和异配性均未通过显著性检验。究其原因，可能是由于“十一五”期间，我国各省的产业结构出现了比较明显的趋同现象，因此产业结构差异在前期未产生显著影响。
人口聚集。所有系数中，仅有2022年的接收关系和异配性显著，表明人口聚集程度越高，越不利于生态韧性网络产生更多接收关系，但人口聚集差异程度对网络形成有一定的正向影响。人口规模差异会增加资源需求，从而增加了要素流动，在区域协调发展战略影响下，省际间的要素跨区域调配有效强化了生态韧性关联网络。
科技创新。科技创新接收关系系数均显著为正，表明科技创新程度的提升有助于网络形成更多接收关系。异配性仅在2008年显著为正，技术创新水平的差异越大，水平较高地区对较低地区的辐射带动作用就越强，同时可以帮助实现各类技术的优势互补，突破技术壁垒，从而推动区域间技术关联网络的构建。但随着技术进步和科技创新，该差异逐渐减小，对网络形成的影响逐渐减弱。
水源条件。该变量发出关系和接收关系系数均由负转正，但2022年未通过显著性检验。说明水源条件对网络发出关系和接收关系的影响由抑制作用逐渐转变为促进作用。异配性系数由正转负，但2022年系数仍未通过显著性检验。说明水源条件充足的地区倾向于产生更多的发出关系和接收关系，随着我国城镇化进程的加快，城镇规模和人口急剧增长，大量的工业和生活污染物释放对城市的水环境带来了更大的压力，导致该变量对生态网络的影响逐渐变弱。异配性系数变负表明水源条件相近的省份间更容易产生空间关联关系，这说明省份间存在“梯度转移”的现象愈发明显。
（3） 网络协变量
在地理区间[0,500]、（500, 1000]内，生态韧性空间关联效应呈显著为正，说明地理位置越近，不同地域间的要素流动就越便利，这有助于“极化效应”和“涓滴效应”的形成，从而构建更稳定的网络结构[29]。当地理邻近距离超过1000 km后，系数变得不再显著且逐渐转为负数。这是由于地理距离的增大增加了要素流动的成本，也说明了其关联效应存在地理距离衰减规律。
最后，进行拟合优度检验（Goodness of fit，GOF）（图6）。可以看到黑色实线位于两虚线间或箱型图内，表明该模型通过MCMC链的收敛性诊断且拟合效果良好，能够对生态韧性空间关联网络的结构特征进行有效合理的解释。
图6 GOF检验结果

注：NR为数据中没有在横坐标尾端范围内的值。原有观测网络特征统计量由黑实线表示，仿真网络在95%置信区间下的测度结果表示为虚线及箱线图。

Fig. 6 GOF test results

3 讨论

由于对省级层面生态空间结构的研究较少，对比生态文明发展[2]、绿色发展[23]等方面相关研究，本文的分析与其研究结论基本一致。如果要提升网络的紧密程度，首先，要充分发挥“政府”与“市场”在生态韧性网络中的推动作用，突破行政壁垒，加速构建国家统一生态环境市场，实现生态要素在各省的自由流通。其次，必须明确各省的角色定位，充分发挥各自的优势：一是北京、天津、上海等网络中心省份应弱化虹吸效应，并引导资本、技术和管理手段向网络边缘地区溢出。二是网络边缘省份应尽可能减少溢出，主动承接网络中心省份的绿色产业和技术转移。三是在合适的空间传递成本区间内，加强净受益板块对净溢出板块的辐射带动与对口支援，不断优化其空间网络。最后，应重视经济高质量发展和生态保护。在生态保护中合理利用资源，构建良好的经济韧性与生态韧性协调发展模式。同时，强化创新驱动能力，加快省份之间资源互通，优化产业布局。
本研究主要贡献在于：首先，从省级层面对生态韧性网络进行研究，拓展了相关研究的研究尺度。其次，利用ERGM探究生态韧性网络的影响因素，有助于更加全面、系统地认识生态韧性空间关联网络。同时，存在一定的不足：选取指标时，主要关注了人类活动产生的影响，而忽视了土地、气候和生物多样性等自然因素的作用。另外，科技创新对生态的影响也未考虑。日后研究可将自然因素和科技创新纳入体系中，以构建更加全面的评价体系。

4 结论

（1） 从时间角度来说，2008—2022年全国生态韧性整体呈上升趋势，展现出不断优化的态势。分地区来看，西藏及东部沿海生态韧性水平较高，西部生态韧性有所下降，但整体优于中部地区。整体来看，2008—2022年生态韧性关联强度提升显著，空间网络结构呈现复杂、多线程的特点。
（2） 从个体网络来说，北京、天津、上海、江苏、浙江、广东6个省份在网络中虹吸效应显著。除天津外，其他省份均为网络中的“中心行动者”。西北、东北、黄河中下游以及中部平原是网络中的“边缘行动者”。样本期内中介中心度呈下降趋势，网络结构的非均衡化特征有所减弱。
（3） 从空间聚集角度来看，生态韧性的溢出效应以板块间为主。块模型分析结果显示，北京、上海、天津和江苏在生态韧性是获益方；西北、西南以及东北地区既是调节方也是亏损方；黄河中下游和长江中下游地区分别是调节方和亏损方；东南沿海的广东、浙江和福建等是中介方。
（4） 网络中同时具有较多发出关系和接收关系的节点区域并不多见。经济水平和科技创新的提升会促进生态韧性网络产生更多的接收关系；经济水平的差异和水源条件对生态韧性关联网络存在一定的促进作用。另外，地理位置越接近，各种要素在不同地域之间的空间流动就越容易发生。

参考文献

原文顺序 | 文献年度倒序 | 文中引用次数倒序
[1]
赵领娣, 孙兆旭. 海岸带城市经济发展质量与生态韧性协同发展演化及空间收敛特征[J]. 经济地理, 2023, 43(7): 119-129, 240.

DOI

[Zhao Lingdi, Sun Zhaoxu. Evolution of coordinated development between economic development quality and ecological resilience in coastal cities and its spatial convergence features[J]. Economic Geography, 2023, 43(7): 119-129, 240.]

DOI

[2]
肖沁霖, 邓宗兵, 王炬, 等. 中国生态文明发展的空间关联网络及其空间收敛特征[J]. 资源科学, 2023, 45(6): 1123-1138.

DOI

[Xiao Qinlin, Deng Zongbing, Wang Ju, et al. Spatial correlation network and spatial convergence of eco-civilization development in China[J]. Resources Science, 2023, 45(6): 1123-1138.]

DOI

[3]
Holling C S. Resilience and stability of ecological systems[J]. Annual Review of Ecology and Systematics, 1973, 4(1): 1-23.

[4]
Li D, Yang W P, Huang R Y. The multidimensional differences and driving forces of ecological environment resilience in China[J]. Environmental Impact Assessment Review, 2023, 98: 106954, doi: 10.1016/j.eiar.2022.106954.

[5]
刘海龙, 王改艳, 张鹏航, 等. 汾河流域新型城镇化与生态韧性耦合协调时空演变及协调影响力研究[J]. 自然资源学报, 2024, 39(3): 640-667.

DOI

[Liu Hailong, Wang Gaiyan, Zhang Penghang, et al. Spatio-temporal evolution and coordination influence of coupling coordination between new urbanization and ecological resilience in Fenhe River Basin[J]. Journal of Natural Resources, 2024, 39(3): 640-667.]

DOI

[6]
贺小荣, 石彩霞, 彭坤杰. 长江中游城市群新型城镇化与生态韧性的时空适配及互动响应[J]. 长江流域资源与环境, 2024, 33(4): 699-714.

[He Xiaorong, Shi Caixia, Peng Kunjie. Spatial-temporal adaptation and interactive response of new-type urbanization and ecological resilience in the middle reaches of the Yangtze River[J]. Resources and Environment in the Yangtze Basin, 2024, 33(4): 699-714.]

[7]
吕添贵, 胡晗, 付舒斐, 等. 长三角地区城市生态韧性时空分异特征及影响因素[J]. 地域研究与开发, 2023, 42(1): 54-60.

[Lü Tiangui, Hu Han, Fu Shufei, et al. Spatio-temporal differentiation and influencing factors of urban ecological resilience in the Yangtze River Delta[J]. Areal Research and Development, 2023, 42(1): 54-60.]

[8]
李志远, 冯学钢, 何静, 等. 中国旅游生态韧性空间关联网络结构及其驱动因素[J]. 地理研究, 2024, 43(5): 1146-1165.

DOI

[Li Zhiyuan, Feng Xuegang, He Jing, et al. Spatial correlation network structure and driving factors of tourism ecological resilience in China[J]. Geographical Research, 2024, 43(5): 1146-1165.]

[9]
姚鸣奇, 张卓群, 郑艳, 等. 海绵城市试点建设提高了生态韧性吗?——一项准自然实验[J]. 城市发展研究, 2023, 30(4): 25-33.

[Yao Mingqi, Zhang Zhuoqun, Zheng Yan, et al. Does sponge city construction improve ecological resilience?: A quasi-natural experiment[J]. Urban Development Studies, 2023, 30(4): 25-33.]

[10]
蒋文鑫, 吴军, 徐建刚. 城市生态韧性与经济发展水平耦合协调关系研究——以江苏省为例[J]. 资源开发与市场, 2023, 39(3): 299-308, 318.

[Jiang Wenxin, Wu Jun, Xu Jiangang. Study on the coupling coordination between urban ecological resilience and economic development level: Taking Jiangsu Province as an example[J]. Research Development & Market, 2023, 39(3): 299-308, 318.]

[11]
陶洁怡, 董平, 陆玉麒. 长三角地区生态韧性时空变化及影响因素分析[J]. 长江流域资源与环境, 2022, 31(9): 1975-1987.

[Tao Jieyi, Dong Ping, Lu Yuqi. Spatial-temporal analysis and influencing factors of ecological resilience in the Yangtze River Delta[J]. Resources and Environment in the Yangtze Basin, 2022, 31(9): 1975-1987.]

[12]
任洪杰, 李辉尚. 中国乡村生态韧性的时空演变特征及影响因素探究[J]. 干旱区地理, 2024, 47(11): 1915-1923.

DOI

[Ren Hongjie, Li Huishang. Spatial and temporal evolution characteristics and influencing factors of rural ecological resilience in China[J]. Arid Land Geography, 2024, 47(11): 1915-1923.]

DOI

[13]
孟海星, 沈清基. 城市生态空间防灾韧性: 概念辨析、影响因素与提升策略[J]. 城乡规划, 2021(3): 28-34.

[Meng Haixing, Shen Qingji. Disaster resilience of urban ecological space: Concepts, influencing factors, and strategies[J]. Urban and Rural Planning, 2021(3): 28-34.]

[14]
邵帅, 徐俐俐, 杨莉莉. 千里“碳缘”一线牵: 中国区域碳排放空间关联网络的结构特征与形成机制[J]. 系统工程理论与实践, 2023, 43(4): 958-983.

DOI

[Shao Shuai, Xu Lili, Yang Lili. Structural characteristics and formation mechanism of carbon emission spatial association networks within China[J]. Systems Engineering-Theory & Practice, 2023, 43(4): 958-983.]

[15]
刘玒玒, 刘书芳. 祁连山地区复合生态系统韧性时空演化及障碍因子识别[J]. 干旱区地理, 2024, 47(2): 237-247.

DOI

[Liu Honghong, Liu Shufang. Spatiotemporal evolution and obstacle identification of complex ecosystem resilience in the Qilian Mountain area[J]. Arid Land Geography, 2024, 47(2): 237-247.]

DOI

[16]
王松茂, 宁文萍, 牛金兰, 等. 黄河流域城市生态韧性时空分异及收敛研究——基于七大城市群61个城市的实证分析[J]. 干旱区地理, 2024, 47(1): 93-103.

DOI

[Wang Songmao, Ning Wenping, Niu Jinlan, et al. Spatiotemporal differentiation and convergence of urban ecological resilience in the Yellow River Basin: An empirical analysis based on 61 cities in seven major urban agglomerations[J]. Arid Land Geography, 2024, 47(1): 93-103.]

DOI

[17]
周成, 赵亚玲, 张旭红, 等. 黄河流域城市生态韧性与效率时空演化特征及协调发展分析[J]. 干旱区地理, 2023, 46(9): 1514-1523.

DOI

[Zhou Cheng, Zhao Yaling, Zhang Xuhong, et al. Spatiotemporal evolutionary characteristics and coordinated development of urban ecological resilience and efficiency in the Yellow River Basin[J]. Arid Land Geography, 2023, 46(9): 1514-1523.]

DOI

[18]
Song Q, Zhong S Y, Chen J Y, et al. Spatio-temporal evolution of city resilience in the Yangtze River Delta, China, from the perspective of statistics[J]. Sustainability, 2023, 15(2): 1538, doi: 10.3390/SU/50521538.

[19]
Rezvani S M H S, de Almeida N M, Falcao M F, et al. Enhancing urban resilience evaluation systems through automated rational and consistent decision-making simulations[J]. Sustainable Cities and Society, 2022, 78: 103612, doi: 10.1016/j.scs.2021.103612.

[20]
芦风英, 庞智强, 邓光耀. 乡村振兴水平测度及空间关联效应研究——以甘肃省为例[J]. 统计与决策, 2022, 38(23): 63-68.

[Lu Fengying, Pang Zhiqiang, Deng Guangyao. Measurement on rural revitalization level and spatial correlation effect: A case study of Gansu Province[J]. Statistics and Decision, 2022, 38(23): 63-68.]

[21]
郭成玉, 滕玉成, 臧文杰. 政府数字化转型对经济高质量发展的影响——基于中国城市的实证检验[J]. 经济问题探索, 2024(4): 71-86.

[Guo Chengyu, Teng Yucheng, Zang Wenjie. The impact of government digital transformation on high-quality economic development: An empirical testing on Chinese cities[J]. Inquiry into Economic Issues, 2024(4): 71-86.]

[22]
赵林, 曹乃刚, 韩增林, 等. 中国生态福利绩效空间关联网络演变特征与形成机制[J]. 自然资源学报, 2022, 37(12): 3183-3200.

DOI

[Zhao Lin, Cao Naigang, Han Zenglin, et al. Evolution characteristics and formation mechanism of spatial correlation network of ecological well-being performance in China[J]. Journal of Natural Resources, 2022, 37(12): 3183-3200.]

DOI

[23]
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.

DOI

[Zhao Lin, Gao Xiaotong, Liu Yanxu, et al. Evolution characteristics of spatial correlation network of inclusive green efficiency in China[J]. Economic Geography, 2021, 41(9): 69-78, 90.]

DOI

[24]
刘军. 整体网分析讲义: UCINET软件实用指南[M]. 北京: 格致出版社, 2009.

[Liu Jun. Lectures on whole network approach: A practical guide to UCINET[M]. Beijing: Truth & Wisdom Press, 2009.]

[25]
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]. 中国环境科学, 2024, 44(2): 1171-1184.

[Yang Qing, Guo Lu, Liu Xingxing, et al. Driving characteristics of the spatial correlation pattern of carbon emissions from provincial transportation in China[J]. China Environmental Science, 2024, 44(2): 1171-1184.]

[26]
王松茂, 牛金兰. 黄河流域城市生态韧性时空演变及其影响因素[J]. 生态学报, 2023, 43(20): 8309-8320.

[Wang Songmao, Niu Jinlan. Spatio-temporal evolution and influencing factors of urban ecological resilience in the Yellow River Basin[J]. Acta Ecologica Sinica, 2023, 43(20): 8309-8320.]

[27]
张明斗, 任衍婷, 周亮. 黄河流域城市生态韧性时空演变特征及影响因素分析[J]. 干旱区地理, 2024, 47(3): 445-454.

DOI

[Zhang Mingdou, Ren Yanting, Zhou Liang. Spatiotemporal evolution characteristics and influencing factors of urban ecological resilience in the Yellow River Basin[J]. Arid Land Geography, 2024, 47(3): 445-454.]

DOI

[28]
刘华军, 刘传明, 杨骞. 环境污染的空间溢出及其来源——基于网络分析视角的实证研究[J]. 经济学家, 2015(10): 28-35.

[Liu Huajun, Liu Chuanming, Yang Qian. Spatial spillover and source of environment pollution: Empirical study on the perspective of network analysis[J]. Economist, 2015(10): 28-35.]

[29]
贾建琦, 赵林, 高晓彤, 等. 环渤海地区包容性绿色增长效率的空间关联网络结构及其影响因素[J]. 地理与地理信息科学, 2021, 37(5): 46-54.

[Jia Jianqi, Zhao Lin, Gao Xiaotong, et al. Spatial correlation network structure of inclusive green growth efficiency and its influencing factors in Bohai Rim region[J]. Geography and Geo-information Science, 2021, 37(5): 46-54.]

Options
文章导航

/

〈 〉