中国海洋渔业产业碳排放效率关联网络的特征及其影响因素

《Ocean & Coastal Management》：Characteristics and influencing factors of the carbon emission efficiency association network of China's marine fishery industry

海洋渔业碳排放效率研究显示沿海省份存在显著空间关联性，网络结构呈现密集但低效的特征，核心-边缘模式稳定，地理邻近性、聚集性及循环性促进网络演化，人均GDP、能源强度等因素影响网络节点。

　　

宋杰坤|郭星月|丁阳|肖慧生

中国石油大学经济管理学院，青岛，266580，中国

摘要

本研究测量了2010年至2021年中国沿海省份的海洋渔业碳排放效率（MFCEE），并应用社会网络分析和时间指数随机图模型分别研究了空间关联网络（SANs）的结构特征及其演变的驱动因素。结果表明，MFCEE存在显著的空间相关性，区域差距逐渐缩小，空间极化现象也有所减弱。SANs呈现出越来越密集但效率较低的结构，其特征是稳定的核心-边缘模式。在网络动态方面，连通性显著抑制了网络的形成，而周期性、聚集性和地理邻近性促进了联系的演变。在节点属性中，人均海洋渔业国内生产总值、能源强度、渔业从业者数量、渔业产业结构和海洋渔业产品结构都对MFCEE的发送、接收和异质性匹配产生了不同的影响。这些发现为理解塑造MFCEE联系的机制提供了实证证据，并为加强区域协调以促进低碳海洋渔业的发展提供了启示。

引言

全球变暖是当今人类面临的最紧迫的环境挑战之一（Scafetta, 2024; Xu et al., 2024a）。各国普遍认同需要应对气候变化并推动各行业的低碳发展（Cai et al., 2025; Xu et al., 2023）。作为世界上最大的碳排放国，中国高度重视气候变化问题，并积极履行其减排责任。例如，在《国民经济和社会发展第十四个五年规划纲要及2035年远景目标》中，中国政府明确表示将加快绿色和低碳发展的推进，力争在2030年前达到碳排放峰值，并在2060年前实现碳中和。

海洋渔业是中国经济的重要组成部分。近年来，渔业产量稳步增长，以满足人们对海洋渔业产品的需求。然而，这也伴随着大量的碳排放（Zhang et al., 2025a; Wang et al., 2025a）。在扩大渔业产量的同时确定减少碳排放的方法，对中国海洋渔业的绿色和低碳发展以及实现国家双碳目标至关重要。

在全球气候治理和低碳转型的背景下，关于减排的研究重点已从对碳排放规模和来源的调查转向对发展-排放关系的系统评估（Fan et al., 2007; Zhang et al., 2018; Vujovi?a et al., 2018）。在碳排放限制下实现高经济产出，或在经济产出目标下实现低碳排放——即高碳排放效率（CEE）——已成为各行业低碳发展的重要目标（Zhou et al., 2010; Wang et al., 2012; Sun et al., 2023）。与单一的单位产出碳排放指标相比，多指标测量方法综合考虑了碳排放与劳动力、能源和资本等投入因素之间的关系，构成了衡量CEE的主流方法（Ramanathan, 2005; He et al., 2025）。数据包络分析（DEA）模型将碳排放视为经济生产中的投入或负产出，其CEE结果相对客观（Ma et al., 2026）。因此，DEA及其衍生模型（如基于松弛度的测量（SBM）模型）已成为最广泛使用的多指标CEE测量方法，应用于农业（Yang et al., 2024）、工业（Cui et al., 2025）、交通（Meng et al., 2023）和港口管理（Zhang et al., 2024）等多个领域。

由于碳排放的空间相互依赖性，学者们研究了相关空间相关性如何影响CEE。通过地理信息系统（GIS）空间分析、Moran指数等空间统计指标以及空间计量经济模型，系统地研究了CEE的空间自相关性和溢出效应。先前的研究表明，总体CEE（Wang et al., 2019; Jia et al., 2025）以及不同行业的CEE（如农业（Yao et al., 2024）、工业（Li et al., 2025c）、建筑（Wei and Zhao, 2024）和渔业（Chen et al., 2024a; Li et al., 2018; Wang and Yuan, 2023）在地理空间中并非独立演变，而是表现出显著的空间聚集、相关性和互动性。

空间相关性分析表明，每个地区的CEE对其他地区，尤其是邻近地区有一定的影响，且这种影响因地区而异，从而形成了空间关联网络（SAN）。学者们构建了不同地区或行业的CEE SAN，并使用社会网络分析方法分析了网络的整体和个体结构特征（Liu et al., 2025; Zhu et al., 2024; Zhang et al., 2022）。此外，学者们还应用相关分析或回归分析模型（如二次分配程序（QAP）来确定影响不同行业CEE SAN演变的主要因素（如农业（Wei and Chen, 2024）、工业（Wang et al., 2025b）、能源（Cheng et al., 2024）和渔业（Jia et al., 2024; Chen et al., 2024b）。由于QAP模型无法确定网络结构因素对网络演变的影响，一些学者应用了指数随机图模型（ERGM）或时间指数随机图模型（TERGM）来分析内部结构因素对网络的影响。ERGM关注每个时间点的因素分析（Mao et al., 2024; Wang and Zhang, 2025），而TERGM则结合时间变量来考察网络随时间的稳定性和变异性（Li et al., 2025d; Jiang and Dong, 2025）。

与陆地行业相比，海洋经济系统的空间连通性更强，跨领域要素流动更为显著，其生产活动不仅受区域经济条件的影响，还深深嵌入到海洋资源共享、渔业生态联系和沿海地区政策的协同作用中（Grip and Blomqvist, 2021; Gu et al., 2025; Zhang et al., 2025a; Ma et al., 2025）。因此，研究海洋经济中的CEE，特别是海洋渔业中的CEE，已成为低碳研究的重要组成部分。学者们采用了方向距离函数DEA模型或超效率SBM模型来衡量海洋渔业CEEE（MFCEE）（Wang et al., 2023; Li et al., 2025a, 2025b）。关于MFCEE的空间相关性，学者们应用GIS分析或Moran指数来反映时空差异并测试空间聚类。他们还应用了岭回归、模糊集定性比较分析和Tobit回归来探讨MFCEE的影响因素（Gao et al., 2024; Yang and Zhao, 2024）。

文献综述显示，学者们在各个行业对CEE和空间相关性进行了广泛研究，构建了SAN，并分析了网络特征和网络演变的影响因素。然而，很少有研究专门关注MFCEE的SAN及其影响因素。为解决这些不足，本文致力于：（1）构建MFCEE的SAN并分析其整体和个体结构特征；（2）基于主题分析确定网络结构因素，然后应用TERGM来获取对网络演变有显著影响的网络结构、个体属性和地理邻近因素；（3）提出相关建议以促进SAN的演变并提高MFCEE。

章节摘录

CEE的测量

超效率SBM模型是一种基于DEA的非参数效率评估方法（Tone, 2002）。通过引入非期望输出约束和超效率改进机制，它可以有效处理CO₂等非期望输出，并区分高效决策单元（DMUs）之间的效率差异。假设有n个DMU，评估DMU_k效率的超效率SBM模型如下（Chen and Liu, 2022）：

MFCEE

图1显示了2010年至2021年中国11个沿海省份的MFCEE值。天津和山东的MFCEE值始终大于1，而浙江和海南的MFCEE值低于0.5，表明各省之间的MFCEE存在显著差异。2017年，所有省份的平均值为0.857，而在其他年份，这一数值在0.6到0.8之间波动。这表明中国的MFCEE仍有很大的改进空间。

空间相关性

讨论

先前的研究已经证实了MFCEE的空间聚集现象（Yang and Zhao, 2024），并确定了核心-边缘的空间分布特征（Gao et al., 2024）。然而，它们未能揭示空间相关性的根本原因。相比之下，本研究的结果表明，MFCEE的相互作用不仅受地理邻近性的影响，还受到内生网络结构的强烈制约，如稀疏的链接形成等。

结论

通过空间相关性分析、社会网络分析和TERGM，本研究考察了2010年至2021年中国MFCEE的空间特征、网络结构和影响机制。主要发现如下：

中国沿海省份的MFCEE存在明显的空间异质性。尽管效率随时间逐步提高，但在研究期间整体水平仍保持在0.6到0.8之间，2021年仅为0.732，表明仍有很大的改进空间。

CRediT作者贡献声明

宋杰坤：方法论、概念化。郭星月：撰写——初稿、软件、数据整理。丁阳：撰写——审阅与编辑、验证。肖慧生：可视化、调查、正式分析。

利益冲突声明

作者声明他们没有已知的财务利益或个人关系可能影响本文所述的工作。

致谢

本研究得到了中国山东省自然科学基金（项目编号：ZR2023MG046）和中国教育部人文社会科学规划项目（项目编号：23YJA790047）的支持。