基于随机森林模型的我国县域碳排放强度格局与影响因素演进分析

余文梦,张婷婷,沈大军

基于随机森林模型的我国县域碳排放强度格局与影响因素演进分析

余文梦,张婷婷,沈大军*

(中国人民大学环境学院,北京 100872)

为了研究县域碳排放强度空间格局及其关键影响因素的演进规律,在测算2009～2017年我国县域碳排放强度的基础上,通过ArcGIS空间统计模型分析了县域碳排放强度的空间格局,并利用随机森林模型识别了碳排放强度的关键影响因素及其时序演进特征.结果显示:2009～2017年我国县域平均碳排放强度减量波动下降,2017年县域平均碳排放强度为2.02t/万元,仍有较大的削减潜力;县域碳排放强度总体格局呈显著空间自相关,并呈现波动增强趋势;局部格局呈显著的南北和东西分异,热点区呈西进态势,冷点区呈南下北上态势.关键影响因素中省会距离、产业结构、路网密度和人口的重要性高于经济水平、财政收支、绿色专利和开通高铁;时序演进反映,绿色专利、人口总数和经济水平的重要性在提升,而产业结构和人口密度的重要性在下降;其中大部分关键影响因素同碳排放强度呈现非线性响应关系.

县域碳排放强度；空间格局；随机森林模型；影响因素

我国于2020年明确提出,在2030年前实现碳达峰、在2060年前实现碳中和的目标[1].发展低碳经济是实现双碳目标的重要路径[2],县域经济作为我国经济的重要组成部分,在数量上从2011年起已超过我国GDP总量的50%[3],但质量上仍处于高质量发展转型阶段[4],高资源投入驱动经济增长的现象依然普遍.因此,充分挖掘县域经济发展的碳减排潜力,成为学界和实践重点关注的内容.在碳减排目标和经济增长的双约束下,县域碳排放强度成为衡量县域经济低碳发展的重要指标,研究其时空演变规律,并厘清其关键影响因素的演进趋势,对促进碳达峰与碳中和目标以及县域经济高质量发展具有重要意义.

目前,关于碳排放强度的研究主要集中在碳排放强度测算[5]、时空格局演变[6-7]、空间溢出效应检验[8-9]和影响因素分解[10]等方面;研究尺度涵盖了国家[6,11]、区域[12]、省域[13]、市域[8]以及县域[14-15]等,行业包括了农业[14]、工业[15]和服务业[5,18]等.研究结果认为,我国碳排放强度总体下降,并具有明显的空间集聚效应,在不同空间尺度下总体格局大致相近,但局部存在差异[19-20];各空间尺度下碳排放强度皆具空间自相关性,其中省域聚集呈现西北与东南分异[6],市域和县域呈南北分异,且具有显著的空间溢出效应[8-9].分产业看,农业、工业和服务业也表现出碳排放强度空间格局和演变规律差异[5,16-17].在影响因素上,能源结构直接对县域碳排放强度产生影响已成为共识[10,14].此外,有学者认为产业结构对碳排放强度的影响最大[21],但在影响方式上存在两种观点,一是产业过度集聚将导致碳排放强度增加[22],二是产业集聚能带来减排的规模效应[23];因此产业结构调整是县域实现碳减排的关键[14].也有学者认为经济发展水平对碳排放强度的影响最大,主要通过推动经济生产[21]、社会消费[5]、交通等公共服务[24]的能耗需求提高碳排放强度,县域经济水平与碳排放水平呈倒”N”型曲线关系[14].与此同时,人口增加对区域碳排放强度的影响呈现先减后增[25-26],县域人口规模增加有利于碳减排,但邻近县域人口规模增加则不利于碳减排[9];技术进步具有显著的抑制碳排放效应[15],财政支出对碳排放的影响存在空间差异[25],在县域表现出负效应[14].

综合来看,现有研究为探讨县域碳排放强度在视角、内容、理论和方法上奠定了良好的研究基础,但也存在以下不足:一方面,在研究尺度上,已有研究分析了局部县域或10km空间分辨率尺度的碳排放量[28-30],较少对全国县域的碳排放强度的时空演变规律进行分析;另一方面,在影响因素上,现有研究多关注各类影响因素对县域碳排放的显著性,少有对影响因素的重要性及其随时间变化进行讨论,且得出的影响路径多以线性响应为主,较少分析二者的非线性关系.而本文的创新之处在于,分析了县域碳排放强度热(冷)点的时空演变特征,通过随机森林算法精准识别县域碳排放强度的关键影响因素及其非线性响应关系,并探讨关键影响因素的时序演进趋势,能够对现有研究进行补充,以期为县域经济的低碳高质量发展提供参考.

1 研究方法与数据来源

1.1 分析框架

县域碳排放强度是评价县域经济发展碳依赖程度的重要指标.由于县域间经济社会和资源禀赋的异质性,可能导致县域碳排放强度存在空间分异,并随着时间变化形成不同的空间格局.碳排放强度的高低主要取决经济水平、能源消费结构和技术水平,但人口、产业结构、财政情况、基础设施和地理位置等因素通过能源利用方式和经济活动对碳排放强度形成不同程度的影响,并可能在不同水平下对碳排放强度产生不同的影响路径.为了揭示我国县域碳排放强度的时空演变规律及其关键影响因素,本文将首先测算县域碳排放强度,然后通过地理统计方法利用Global Moran’s指数和Gi*指数分析县域碳排放强度的整体格局和局部热点的时空演变,进一步识别影响县域碳排放强度的关键因素(受数据可得性限制未将县域能源结构纳入影响因素),并探讨各因素与县域碳排放强度的线性或非线性响应关系,最后对关键影响因素的时序演进进行对比分析(图1)

图1 我国县域碳排放强度空间格局与影响因素演进分析框架

1.2 研究方法

1.2.1 县域碳排放强度测算方法 县域碳排放强度一般指县域内单位国民生产总值(GDP)所带来的二氧化碳排放量[5].本文基于Chen等[31]发表的县域碳排放量数据与各县的GDP数据来测算我国县域碳排放强度,具体公式如下:

式中:Q为县域第年的碳排放强度;C为县域第年的碳排放量;G为县域第年的国内生产总值(GDP).

1.2.2 县域碳排放强度 时空分析模型(1)全局空间自相关.Global Moran’s指数可测度样本区域内碳排放强度空间相关性的总体趋势[32],其计算公式为:

式中:为样本县域个数;X和X分别为县域的碳排放强度;W为空间权重矩阵(相邻W=1、不相邻W=0);S2为观测值方差;X为观测值均值.在给定的显著水平下,若Moran’s值为正,表示效率呈显著的空间集聚;反之,若Moran’s值为负,则表明效率呈显著的空间分异.

(2)G*指数热点分析.G*可分析局部空间的热(冷)点区,依此可测度县域碳排放强度的局部空间自相关性[32],其计算公式如下:

式中: W为空间权重矩阵(相邻W=1、不相邻W=0).若G*指数为正显著,说明县周围值相对较高,属于热点区;反之,则说明县周围值相对较低,属于冷点区.

1.2.3 关键影响因素分析模型 随机森林模型由Breiman(2001)提出[33],是基于分类树的一种机器学习算法.相较于其他的机器学习的算法,随机森林具有容易实现和可解释性强的特点,并且能够有效的回避变量的共线问题和模型的过拟合问题,同时还能够对变量的重要性进行评估,有较强预测功能[34-36].模型的计算公式如下:

式中:im为X对模型的贡献,表示为IncMSE,当IncMSE越大重要性越高;S表示在棵回归树的随机森林中被X分裂的节点集合;Gain(X,)为X在分裂节点的基尼信息增益,用于识别最大信息增益的预测变量.本文利用R语言平台对随机森林进行回归,参数如下: ntree = 500,mtry = 3,其他默认.

1.3 数据来源和变量说明

本文的县域碳排放量数据来自于Chen等[31]的数据,该数据未包括西藏、台湾、香港和澳门地区.人口、经济水平、产业结构和财政情况数据来自于《中国县域统计年鉴》,绿色专利数据来自于国家知识产权数据库,县域与所属省会距离数据来自高德地图数据,县域所属地级市公路里程数来自于各地级市统计部门公开数据,开通高铁数据来自于《铁路客货运输专刊》和地方政府公开数据.其中部分变量数据是基于上述通过计算得出,对于部分缺失数值进行了删除,最终得到了2009～2017年县域碳排放强度样本18912个,以及影响因素分析模型样本15376个(表1).

表1 我国县域碳排放强度的影响因素说明与描述性统计

在关键影响因素分析模型的变量选择上,本文以县域为样本,以式(1)测算的县域碳排放强度为被解释变量.在总结现有研究的基础上,解释变量选取如下,考虑到县域人口集聚、经济水平和产业结构会对碳排放强度产生影响,分别选取了人口数量和人口密度[37]来代理人口变量,经济密度[38]、人均GDP[8]和社会消费[5]代理经济水平变量,一产比重、二产比重和三产比重来代理产业结构[5,8].此外,县域财政情况[27]、科技水平[17]、地理区位[28]与基础设施[24]也可能间接对碳排放强度产生影响,因此选取了财政支出收入比代理财政情况[39],绿色专利数代理科技水平,距省会距离代理地理区位,公路网密度[40]和是否开通高铁代理基础设施.

2 结果与讨论

2.1 县域碳排放强度总体情况

图2 2009～2017年县域平均碳排放强度情况

根据式(1)对我国2009～2017年县域碳排放强度进行了测算,并计算了各年的平均水平,结果如图2所示.结果显示,我国县域平均碳排放强度持续下降,从2009年的3.32t/万元下降到2017年的2.02t/万元,下降幅度达到了39.16%.其中同比减少最多的两个年份为2012年和2010年,分别达到了0.37t/万元和0.27t/万元;同比减少最少的两个年份为2016年和2017年,分别为了0.02t/万元和0.04t/万元.变幅说明我国县域平均碳排放强度减量波动下降,但与欧盟实现碳达峰的国家仍存在较大差距(如德国2017年碳排放强度约为0.62t/万元[41]),因此我国县域碳排放强度依然具有较大的减量潜力.

2.2 县域碳排放强度空间格局分析

2.2.1 总体空间格局演进 在测算了县域碳排放强度的基础上,应用Arc GIS软件计算了2009～2017年县域碳排放强度的全局Moran’s指数(表2).结果表明,全局Moran’s指数均大于0,且处于1%显著水平,表示县域碳排放强度总体呈正向空间自相关;从时序看,总体集聚程度表现出“增强—减弱—增强” 的波动上升的特征.说明相邻县域间能源消费结构和产业结构相近,同时在生产模式和减排技术上也往往向邻近县域引进和学习,这导致邻近县域的碳排放强度表现为显著的空间关联性,尤其是从2012年之后聚集程度进一步提升.

表2 Global Moran’s I指数计算值汇总

2.2.2 局部空间格局演进 进一步地利用Arc GIS软件计算出2009～2017年县域碳排放强度的空间G*指数,并采用自然断点法将G*值由高到低分为7类:热点(99%置信)、热点(95%置信)、热点(90%置信)、不显著、冷点(90%置信)、冷点(95%置信)、冷点(99%置信),县域碳排放强度空间局部集聚演变具体如图3所示.

从整体上看,9年间县域碳排放强度整体空间格局变化不大,呈现明显的南北和东西分异.其中县域碳排放强度一直处于热点的区域集中在华北地区、东北地区西部、西北地区东部和西部,而一直处于冷点的地区集中在华东地区、华中地区、华南地区东部和西南地区东北部.从局部上看,区域存在明显的变化.在热点区域方面,9年间东北和华北地区的热点区域呈向西和向南转移态势,程度不断增强;西北地区的热点区域向西部和北部持续扩大;西南地区的热点区域不断缩小,并逐渐转为冷点.在冷点区域方面,9年间华东地区冷点区域向北扩张,同时程度加深;华中、华南和西南地区冷点区域向西和南扩大;东北地区冷点区域先强后不显著.

底图审图号GS(2019)1822号

由此可见,长三角城市群、成渝城市群和珠三角城市群的县域碳排放强度冷点程度不断增强,并对周边区域表现出积极的辐射效应;京津冀城市群的县域碳排放强度热点程度不断增强;关中平原城市群和新疆地区的县域碳排放强度热点表现出消极的辐射效应,且程度不断增强.

2.3 县域碳排放强度关键影响因素分析

2.3.1 随机森林模型的适用性评价 以县域碳排放强度作为因变量,相关影响因素作为自变量,分别构建了多元线性回归模型和随机森林模型.相比两种模型在测试集中的精度可知,拟合优度(2)上随机森林模型(0.96)高于多元线性回归模型(0.11),同时预测误差(RMSE)上随机森林模型(0.54)小于元线性回归模型(2.47).因此,随机森林模型能够较好的刻画县域碳排放强度关键影响因素的演进.

2.3.2 关键影响因素识别与分析 为增加随机森林模型的可解释性,先对影响因素特征重要性排序,再用偏依赖关系图对影响因素对模型输出值的边际影响进行可视化表达.

在重要性排序方面,采用IncMSE和IncNodePurity两种方法进行影响因素排序,其中IncMSE为模型的精度平均减少值,IncNodePurity为模型节点不纯度平均减少值,二者值越大说明变量越重要.从结果看,二者排序相近(图4).以IncMSE为例,重要性排序较靠前的是省会距离、三产比重、路网密度和人口数量,其中三产比重高于一产和二产比重,人口数量高于人口密度;其次是财政收支和经济水平,其中人均GDP的重要性高于社会消费和经济密度;再次是绿色专利和是否开通高铁.究其原因,由已有研究可知生产和消费活动是主要碳排放来源[5,20];而省会城市的生产和消费往往具有向周边溢出和辐射的作用,如高耗能产业向省会邻近县域转移、带动周边县域消费增加等,因此省会距离成为重要性最高的因素.此外,三产比重的重要性较高的原因在于随着一、二产业节能减排工作的深入,工农业减碳潜力下降[5],而第三产业碳排放总量和强度依然较大.

关键影响因素的边际影响如图5所示:

图4 2009～2017年县域碳排放强度关键影响因素排序

(1)省会距离.随着县域离省会距离的增加碳排放强度先降后升(图5a),拐点出现在200～225km之间.已有研究认为,中心城市的辐射作用形成碳排放强度溢出效应,并随着空间距离增加而减弱[8].本文模型的结果显示,县域碳排放强度具有向省会城市集聚的特征;但过了拐点后可能靠近其他中心城市、将向其他中心城市集聚,而导致碳排放强度上升.

(2)产业结构.县域三产比重对碳排放强度影响先降再升后趋于平稳(图5b),当比重超过了0.25后开始上升,到0.65后稳定于3.28t/万元左右.县域一产比重对碳排放强度影响呈先下降后略有上升再趋于平稳(图5e),当比重达到0.5后稳定在2.0t/万元左右.县域二产比重对碳排放强度影响呈先下降后上升(图5i),拐点出现在0.35左右.说明目前县域产业结构升级对碳排放强度的正外部性效应不明显[5],其原因可能在于县域三产转型初期的粗放性带来碳排放增加.如长三角地区的三产比重高于华中地区,但碳排放强度冷点程度较低.另外,第一产业比重较高的县域受到目前农牧业生产方式和技术水平限制,可能形成了较高碳排放强度[16].

(3)路网密度.县域所属地级市路网密度对碳排放强度影响呈先波动上升再波动下降后趋于平稳(图5c).由于路网密度增加初期诱使公路使用量增加,此时路网密度容量不足,导致碳排放强度的增加[40];而随着路网密度的进一步提升,平均通行速度提高,进而降低了碳排放强度.

(4)人口.县域人口数量对碳排放强度影响呈波动下降后趋于平稳(图5d),人口密度对碳排放强度影响呈先下降再阶梯式上升(图5h),当人口超过4000人/km2后趋于稳定.说明人口的聚集效应有利于降低县域碳排放强度[9],但随着人口密度的持续增加会引起碳排放强度的小幅反弹.总体上,人口聚集对县域碳排放强度具有抑制作用,其原因在于随着人口密度的增加人均能源消耗和经济发展的规模效应逐渐显著,使得碳排放强度的逐渐降低,但随着人口密度过大带来如交通拥堵等问题将导致碳排放强度的小幅度反弹.如京津冀地区,人口较集中的北京和天津的碳排放强度热点比周边地区更低.

(5)财政情况.县域财政支出收入比对碳排放强度影响呈先下降再阶梯式上升(图5f).若县域财政支出收入比较低,往往该县域的经济活跃且税收收入高,可能带来较高的碳排放,随着财政支出收入比上升,碳排放强度开始迅速下降.但随着政支出收入比进一步上升,一般得到的政府间转移支付的额度越高,这将增加县域生产性投入增加[39],进而使得碳排放强度有所增加.

(6)经济水平.县域人均GDP(图5g)、社会消费(图5j)和经济密度(图5l)对碳排放强度影响皆呈先下降后趋于稳定.其原因在于经济欠发达地区追求快速增长,导致较高的碳排放强度;随着经济进一步发展,县域将通过转变发展方式和质量来降低碳排放强度[5].说明在经济水平较高地区县域经济的低碳高质量发展意识日益加强,经济发展对碳排放强度抑制作用逐渐明显,证明了经济发展和碳减排并非两个对立的命题.如西南地区随着经济的发展,县域碳排放强度较低,冷点程度在不断提升;而西北地区正处于经济快速发展期,表现出较高的碳排放强度,热点程度在不断提升.

(7)科技水平. 县域所属地级市绿色专利数社会消对碳排放强度影响呈先升后降再趋于平稳(图5k).由于绿色技术的发展常以环境需求为导向,并表现出效果的滞后性,因此在前期碳排放强度会随着绿色专利数的增加,但随着绿色技术的进一步发展,技术进步对碳排放强度的抑制作用将逐渐显著.

2.3.3 关键影响因素演进分析 为进一步探究县域碳排放强度关键影响因素随时间的演进规律,本文按照空间格局变动较大的三个时段:2009～2012年、2013～2015年和2016～2017年,分样本进行随机森林模型识别不同时期的关键影响因素,以IncMSE为例,具体结果如表3所示.2009～2012年,重要性排前3的影响因素分别是省会距离、一产比重和路网密度,说明这个时期中心城市的集聚程度、农业生产水平和道路交通的服务能力对县域碳排放强度影响较大,表现为中心城市对周边县域碳排放的溢出效应、农业生产碳排放贡献和交通碳排放贡献.2013～2015年,重要性排前3的影响因素转变为省会距离、绿色专利和人口数量,说明绿色技术抑制碳排放的作用增大,绿色技术成为县域重要的碳减排手段;人口集聚也成为影响县域碳排放强度的重要因素,原因在于人口集聚带来的碳减排规模效益逐渐释放.到2016～2017年,重要性排前3的影响因素变为绿色专利、路网密度和人口数量,说明技术对碳排放强度的作用进一步增大,路网密度的重要性再次提升.

总体来看,2009～2017年间,县域碳排放强度的关键影响因素中,绿色专利从第8位升到第1位,说明绿色技术对县域碳排放强度的作用日益重要,技术创新驱动是县域碳减排的关键途径.省会距离从第1位降到第7位,表明中心城市碳排放强度的溢出效应对县域碳排放强度的空间分布的重要性在逐渐减弱.产业结构中一产和三产比重的重要性在下降,说明产业结构在抑制县域碳排放强度的作用程度在下降,单纯的产业结构调整所带来的碳减排贡献有限,应该依靠技术进步来持续削减碳排放强度.路网密度在波动中略有上升,表明道路交通对县域碳排放仍处于重要位置,交通运输作为重要的碳源是县域碳减排的又一关键.人口数量从第5位升到第3位,而人口密度从第9位降到第10位,说明人口集聚对县域碳排放强度作用表现为:人口总数的重要性增强,人口密度的重要性减弱;相比于人口的相对集聚,人口绝对数量的增加对县域碳排放强度影响更大,因此部分县域可能会出现随着人口减少而碳排放强度上升的现象.经济水平和财政收支虽然有波动,但重要性变动不大.

表3 2009～2017年县域碳排放强度影响因素重要性排序

3 政策建议

(1)依据县域碳排放强度空间格局,应该分区域推进县域碳排放强度削减,着重瞄准削减潜力较高的碳排放强度热点区域,具体包括京津冀城市群、中原城市群、关中平原城市群;尤其是西北碳排放强度扩张区域,要大力推进县域碳排放强度削减.同时持续推动西南地区县域碳排放强度削减,争取西南地区县域碳排放强度进一步下降.实现我国县域碳排放削减量的整体提升.

(2)依据县域碳排放强度影响因素的重要性排序及其响应关系,首先,应该关注中心城市碳排放的溢出效应,通过区域碳排放治理政策协同,减少高排产业向邻近县域转移.其次,合理调整产业结构,集约式推进产业结构升级,加强对第三产业碳减排力度.其三,利用好县域人口集聚和经济发展的碳减排红利,在人口集聚初期和经济增长初期具有巨大的碳减排潜力,应该通过快速提升公共交通等基础设施,加快节能减排的技术创新,尽快释放人口和经济的规模效应以促进碳减排;在人口过度集中县域,应该适当的引导人口疏散转移,减少县域碳排放反弹.其四,应该将减碳目标纳入年度财政支出的评价体系,减少财政支出的碳排效应.

(3)依据县域碳排放强度影响因素演进,应该增强创新驱动县域碳减排意识,加大绿色创新投入和绿色技术引进,创造良好的绿色创新的政策环境、市场环境和社会环境,加快节能减排技术的研发和推广,利用绿色技术促进县域低碳经济发展.

4 结论

4.1 我国县域平均碳排放强度逐年下降,但下降幅度逐渐放缓.县域碳排放强度整体空间格局自相关性呈波动上升;局部空间格局具有明显的南北分异和东西分异,碳排放强度热点区域呈西进态势,冷点区域呈南下北上态势,且热点区扩张快于冷点区.因此我国的北部和西部县域是碳排放强度削减的潜力区域.

4.2 关键影响因素中省会距离、产业结构、路网密度和人口的重要性要高于财政收支、经济水平、绿色专利和是否开通高铁.其中省会距离、产业结构、路网密度、财政收支、人口密度和绿色专利等因素与碳排放强度存在明显的非线性性响应关系;中心城市的碳排放溢出效应,产业的升级前期的粗放型生产,交通的通行效率,财政转移支付的碳排放效应,人口聚集效应,以及绿色技术效用的滞后性等是产生非线性响应关系的重要原因.

4.3 关键影响因素重要性随时间变化明显,其中绿色技术碳减排、交通服务水平、人口总数量增加、区域消费能力对县域碳排放强度削减的重要性增强;而产业结构和人口密度的重要性在减弱.

[1] 习近平.继往开来,开启全球应对气候变化新征程——在气候雄心峰会上的讲话[R]. 中华人民共和国国务院公报, 2020,(35):7.

Xi J P. Building on the past and opening up a new journey in the global response to climate change - Speech at the Climate Ambition Summit [R]. Bulletin of the State Council of the People's Republic of China, 2020,(35):7.

[2] 张华明,元鹏飞,朱治双.中国城市人口规模、产业集聚与碳排放 [J]. 中国环境科学, 2021,41(5):2459-2470.

Zhang H M, Yuan P F, Zhu Z S. City population size, industrial agglomeration and CO2emission in Chinese prefectures [J]. China Environmental Science, 2021,41(5):2459-2470.

[3] Wang Zhenhua, Sun Xuetao, Zhang Guangsheng. Structural divi- dends and economic growth in China [J]. Rijeka Faculty of Eco- nomics: Journal of Economics and Business, 2018,36(1):355-372.

[4] 吴敬琏.以深化改革确立中国经济新常态[J]. 探索与争鸣, 2015, (1):4-7,2.

Wu J L. Establishing a new normal for China's economy by deepening reform [J]. Exploration and Free Views, 2015,(1):4-7,2.

[5] 王 凯,唐小惠,甘 畅,等.中国服务业碳排放强度时空格局及影响因素[J]. 中国人口·资源与环境, 2021,31(8):23-31.

Wang K, Tang X H, Gan C, et al. Temporal-spatial evolution and influencing factors of carbon emission intensity of China’s service industry [J]. China population, Resources and Environment, 2021,31 (8):23-31.

[6] Liu X Z, Gao C C, Zhang Y, et al. Spatial dependence pattern of carbon emission intensity in China’s provinces and spatial heterogeneity of its influencing factors [J]. Scientia Geographica Sinica, 2018,38(5):681-690.

[7] 章胜勇,尹朝静,贺亚亚,等.中国农业碳排放的空间分异与动态演进——基于空间和非参数估计方法的实证研究[J]. 中国环境科学, 2020,40(3):1356-1363.

Zhang S Y, Yin C J, He Y Y, et al. Spatial differentiation and dynamic evolution of agricultural carbon emission in China—Empirical research based on spatial and non-parametric estimation methods [J]. China Environmental Science, 2020,40(3):1356-1363.

[8] 王少剑,黄永源.中国城市碳排放强度的空间溢出效应及驱动因素[J]. 地理学报, 2019,74(6):1131-1148.

Wang S J, Huang Y Y. Spatial spillover effect and driving forces of carbon emissionintensity at city level in China [J]. Acta Geographica Sinica, 2019,74(6):1131-1148.

[9] 莫惠斌,王少剑.黄河流域县域碳排放的时空格局演变及空间效应机制 [J]. 地理科学, 2021,41(8):1324-1335.

Mo H B, Wang S J. Spatio-temporal evolution and spatial effect mechanism of carbon emission at county level in the Yellow River Basin. Scientia Geographica Sinica, 2021,41(8):1324-1335.

[10] 马晓君,陈瑞敏,董碧滢,等.中国工业碳排放的因素分解与脱钩效应[J]. 中国环境科学, 2019,39(8):3549-3557.

Ma X J, Chen R M, Dong B Y, et al. Factor decomposition and decoupling effect of China's industrial carbon emissions [J]. China Environmental Science, 2019,39(8):3549-3557.

[11] J, Wesley, Burnett, et al. Spatial analysis of China province-level CO2emission intensity [J]. Renewable & Sustainable Energy Reviews, 2014,33(5):1-10.

[12] 石 蕾,李 洋.中国区域经济增长的碳排放强度差异及其敛散性[J]. 北京理工大学学报(社会科学版), 2013,15(2):34-38.

Shi L, Li Y. Research on the difference of carbon emission intensityand the convergence in the regional economic growth in China [J]. Journal of Beijing Institute of Technology (Social Sciences Edition), 2013,15(2):34-38.

[13] 朱 聆,张 真.上海市碳排放强度的影响因素解析[J]. 环境科学研究, 2011,24(1):20-26.

Zhu L, Zhang Z. Decomposition analysis of carbon emission intensity in Shanghai City [J]. Research of Environmental Sciences, 2011,24(1): 20-26.

[14] 王少剑,谢紫寒,王泽宏.中国县域碳排放的时空演变及影响因素 [J]. 地理学报, 2021,76(12):3103-3118.

Wang S J, Xie Z H, Wang Z H. The spatiotemporal pattern evolution andinfluencing factors of CO2emissions at the county level of China [J]. Acta Geographica Sinica, 2021,76(12):3103-3118.

[15] 刘华军,邵明吉,吉元梦.中国碳排放的空间格局及分布动态演进——基于县域碳排放数据的实证研究 [J]. 地理科学, 2021,41(11): 1917-1924.

Liu H J, Shao M J, Ji Y M. The spatial pattern and distribution dynamic evolution of carbon emissions in China: Empirical study based on county carbon emission data. Scientia Geographica Sinica, 2021,41(11):1917-1924.

[16] 韩会庆,王世尧,马 庚,等.我国农业碳排放强度与农业经济空间相关性研究[J]. 水土保持研究, 2018,25(5):269-274,281.

Han H Q, Wang S Y, Ma G, et al. Analysis on spatial correlation between agricultural carbon emission densities and rural economy in China [J]. Research of Soil and Water Conservation, 2018,25(5):269- 274,281.

[17] 赵 涛,田 莉,许宪硕.天津市工业部门碳排放强度研究:基于LMDI-Attribution分析方法[J]. 中国人口·资源与环境, 2015,25(7): 40-47.

Zhao T, Tian L, Xu X S. Carbon emission intensity of tianjin industry based on LMDI-Attribution method [J]. ChinaPopulation, Resources and Environment, 2015,25(7):40-47.

[18] Rw A, Jxh A, Cw A, et al. Embodied CO2emissions and efficiency of the service sector: Evidence from China [J]. Journal of Cleaner Production, 2020,274(20):116-129.

[19] 蔡博峰,王金南,杨姝影,等.中国城市CO2排放数据集研究——基于中国高空间分辨率网格数据[J]. 中国人口·资源与环境, 2017,27 (2):1-4.

Cai B F, Wang J N, Yang S Y, et al. China City CO2emission dataset: based on the China high resolution emission gridded data [J]. China Population, Resources and Environment, 2017,27(2):1-4.

[20] 万文玉,赵雪雁,王伟军.中国城市居民生活能源碳排放的时空格局及影响因素分析[J]. 环境科学学报, 2016,36(9):3445-3455.

Wan W Y, Zhao X Y, Wang W J. Spatial-temporal patterns and impact factors analysis on carbon emissions from energy consumption of urbanresidents in China [J]. Acta Scientiae Circumstantiae, 36(9): 3445-3455.

[21] 黄琳琳,王 远,张 晨,等.闽三角地区碳排放时空差异及影响因素研究[J]. 中国环境科学, 2020,40(5):2312-2320.

Huang L L, Wang Y, Zhang C, et al. A spatial-temporal decomposition analysis of CO2emissions in Fujian southeast triangle region [J]. China Environmental Science, 2020,40(5):2312-2320.

[22] 周圣强,朱卫平.产业集聚一定能带来经济效率吗:规模效应与拥挤效应[J]. 产业经济研究, 2013,(3):12-22.

Zhou S Q, Zhu W P. Must industrial agglomeration be able to bring about economic efficiency: Economies of scale and crowding effect [J]. Industrial Economics Research, 2013,(3):12-22.

[23] 陈 阳,唐晓华.制造业集聚和城市规模对城市绿色全要素生产率的协同效应研究[J]. 南方经济, 2019,(3):71-89.

Chen Y, Tang X H. Study on the synergistic effect of manufacturing agglomeration and urban size on urban green total factor productivity [J]. South China Journal of Economics, 2019,(3):71-89.

[24] 曾晓莹,邱荣祖,林丹婷,等.中国交通碳排放及影响因素时空异质性[J]. 中国环境科学, 2020,40(10):4304-4313.

Zeng X Y, Qiu R Z, Lin D T, et al. Spatio-temporal heterogeneity of transportation carbon emissions and its influencing factors in China [J]. China Environmental Science, 2020,40(10):4304-4313.

[25] 程开明.城市紧凑度影响能源消耗的理论机制及实证分析[J]. 经济地理, 2011,31(7):1107-1112.

Cheng K M. Theoretical mechanism and empirical study about the influence of city compactness on energy consumption [J]. Economic Geography, 2011,31(7):1107-1112.

[26] 王桂新,武俊奎.产业集聚、城市规模与碳排放[J]. 工业技术经济, 2012,31(6):68-80.

Wang G X, Wu J K. Study on industry agglomeration, urban scale and carbon emission [J]. Journal of Industrial Technological Economics, 2012,31(6):68-80.

[27] Cheng S, Chen Y, Meng F, et al. Impacts of local public expenditure on CO2emissions in Chinese cities: A spatial cluster decomposition analysis [J]. Resources Conservation and Recycling, 2021,164(1): 105217.

[28] 汪 浩,陈操操,潘 涛,等.县域尺度的京津冀都市圈CO2排放时空演变特征[J]. 环境科学, 2014,35(1):385-393.

Wang H, Chen C C, Pan T, et al. County scale characteristics of CO2emission's spatial-temporal evolution inthe Beijing-Tianjin-Hebei metropolitan region [J]. Environmental Science, 2014,35(1):385-393.

[29] 胡孟然.中国县域碳排放空间格局及影响因素研究[D]. 兰州大学, 2021.

Hu M R. Spatial pattern and influencing factors of carbon emissions at county level in China [D]. Lanzhou University, 2021.

[30] 王金南,蔡博峰,曹 东,等.中国10km二氧化碳排放网格及空间特征分析[J]. 中国环境科学, 2014,(1):1-6.

Wang J N, Cai B F, Cao D, et al. China 10km carbon dioxide emissions grid dataset and spatial characteristic analysis [J]. China Environmental Science, 2014,(1):1-6.

[31] Chen J, Gao M, Cheng S, et al. County-level CO2emissions and sequestration in China during 1997～2017 [J]. Scientific Data, 2020, 7:391.

[32] 余文梦,孙小霞,苏时鹏.省域农用地猪粪负荷强度时空演变分析[J]. 中国生态农业学报(中英文), 2019,27(3):494-506.

Yu W M, Sun X X, Su S P. Temporal and spatial changes in pig manure load in agricultural lands in China [J]. Chinese Journal of Eco-Agriculture, 2019,27(3):494-506.

[33] Breiman L. Random forests[J]. Machine Learning, 2001,45(1):5-32.

[34] Fang Kuangnan, Wu Jianbin, Zhu Jianping, et al. A review of technologies on random forests. Statistics and Information Forum, 2011,26(3):32-38.

[35] 王 超,阚瑷珂,曾业隆,等.基于随机森林模型的西藏人口分布格局及影响因素[J]. 地理学报, 2019,74(4):664-680.

Wang C, Kan A K, Zeng Y L, et al. Population distribution pattern and influencing factors in Tibetbased on random forest model [J]. Acta Geographica Sinica, 2019,74(4):664-680.

[36] 刘卫东,唐志鹏,夏 炎,等.中国碳强度关键影响因子的机器学习识别及其演进[J]. 地理学报, 2019,74(12):2592-2603.

Liu W D, Tang Z P, Xia Y, et al. Identifying the key factors influencing Chinese carbon intensity using machine learning, the random forest algorithm, and evolutionary analysis [J]. Acta Geographica Sinica, 2019,74(12):2592-2603.

[37] 范剑勇.产业集聚与地区间劳动生产率差异[J]. 经济研究, 2006, (11):72-81.

Fan J Y. Industrial agglomeration and difference of regional labor productivity: Chinese evidence with international comparison [J]. Economic Research Journal, 2006,(11):72-81.

[38] Ciccone A. Input chains and industrialization [J]. Ciccone Antonio, 2002,69(3):565-587.

[39] 谭建立,赵 哲.财政支出结构、新型城镇化与碳减排效应[J]. 当代财经, 2021,(8):28-40.

Tan J J, Zhao Z. Fiscal expenditure structure, new urbanization and carbon emission reduction effect [J]. Contemporary Finance& Economics, 2021,(8):28-40.

[40] 刘志杰.公路网络交通碳排放影响因素研究 [J]. 交通与运输(学术版), 2012,(1):150-153.

Liu Z J. Analysis on influencing factors for carbon emissions of highway network [J]. Traffic & Transportation, 2012,(1):150-153.

[41] Ewope-Countries & regions [EB/OL]. https://www.iea.org/regions/ europe.

County-levelspatial pattern and influencing factors evolution of carbon emission intensity in China: A random forest model analysis.

YU Wen-meng, ZHANG Ting-ting, SHEN Da-jun*

(School of Environment and Natural Resources, Renmin University of China, Beijing 100872, China)., 2022,42(6)：2788～2798

To explore the spatial distribution pattern of the county-level carbon emission intensity and the dynamic change in influencing factors, in this paper, ArcGIS spatial statistical model was adopted to measure and analyze the spatial distribution pattern of the carbon emission intensity from 2009 to 2017. Then key influencing factors and their effects change were identified by the random forest model. As results indicated, the average county-level carbon emission intensity fluctuated and decreased from 2009 to 2017. The county-level average carbon emission intensity was 2.02t/10000 yuan in 2017, indicating a significant potential in carbon emission reduction at county-level. Besides, there was significant and rising spatial autocorrelation in carbon emission intensity, but the spatial correlation varied between north-south and east-west regions. The hot-spot area of carbon emission intensity expanded westward, while the cold-spot area expended both southward and northward. Among the key influencing factors, distance to provincial capital, industrial structure, road network density and population played more important role compared with economic development, fiscal revenue and expenditure, number of green patents and high-speed railway. Green patent, total population, and economic development risen in the importance rankings over time, while industrial structure and population density fallen back in the rankings. In addition, most of factors were non-linear correlated with the county-level carbon emission intensity.

county-level carbon emission intensity；spatial pattern；random forest model；influencing factors

X32

A

1000-6923(2022)06-2788-11

余文梦(1992-),男,福建屏南人,中国人民大学博士研究生,主要从事资源与环境管理研究.发表论文8篇.

2021-11-22

中央高校建设世界一流大学(学科)和特色发展引导专项(中国人民大学2022年)

* 责任作者, 教授, dajunshen@ruc.edu.cn