基于隨機森林模型的我國縣域碳排放強度格局與影響因素演進分析

余文夢,張婷婷,沈大軍

基于隨機森林模型的我國縣域碳排放強度格局與影響因素演進分析

余文夢,張婷婷,沈大軍*

(中國人民大學環境學院,北京 100872)

為了研究縣域碳排放強度空間格局及其關鍵影響因素的演進規律,在測算2009～2017年我國縣域碳排放強度的基礎上,通過ArcGIS空間統計模型分析了縣域碳排放強度的空間格局,并利用隨機森林模型識別了碳排放強度的關鍵影響因素及其時序演進特征.結果顯示:2009～2017年我國縣域平均碳排放強度減量波動下降,2017年縣域平均碳排放強度為2.02t/萬元,仍有較大的削減潛力;縣域碳排放強度總體格局呈顯著空間自相關,并呈現波動增強趨勢;局部格局呈顯著的南北和東西分異,熱點區呈西進態勢,冷點區呈南下北上態勢.關鍵影響因素中省會距離、產業結構、路網密度和人口的重要性高于經濟水平、財政收支、綠色專利和開通高鐵;時序演進反映,綠色專利、人口總數和經濟水平的重要性在提升,而產業結構和人口密度的重要性在下降;其中大部分關鍵影響因素同碳排放強度呈現非線性響應關系.

縣域碳排放強度；空間格局；隨機森林模型；影響因素

我國于2020年明確提出,在2030年前實現碳達峰、在2060年前實現碳中和的目標[1].發展低碳經濟是實現雙碳目標的重要路徑[2],縣域經濟作為我國經濟的重要組成部分,在數量上從2011年起已超過我國GDP總量的50%[3],但質量上仍處于高質量發展轉型階段[4],高資源投入驅動經濟增長的現象依然普遍.因此,充分挖掘縣域經濟發展的碳減排潛力,成為學界和實踐重點關注的內容.在碳減排目標和經濟增長的雙約束下,縣域碳排放強度成為衡量縣域經濟低碳發展的重要指標,研究其時空演變規律,并厘清其關鍵影響因素的演進趨勢,對促進碳達峰與碳中和目標以及縣域經濟高質量發展具有重要意義.

目前,關于碳排放強度的研究主要集中在碳排放強度測算[5]、時空格局演變[6-7]、空間溢出效應檢驗[8-9]和影響因素分解[10]等方面;研究尺度涵蓋了國家[6,11]、區域[12]、省域[13]、市域[8]以及縣域[14-15]等,行業包括了農業[14]、工業[15]和服務業[5,18]等.研究結果認為,我國碳排放強度總體下降,并具有明顯的空間集聚效應,在不同空間尺度下總體格局大致相近,但局部存在差異[19-20];各空間尺度下碳排放強度皆具空間自相關性,其中省域聚集呈現西北與東南分異[6],市域和縣域呈南北分異,且具有顯著的空間溢出效應[8-9].分產業看,農業、工業和服務業也表現出碳排放強度空間格局和演變規律差異[5,16-17].在影響因素上,能源結構直接對縣域碳排放強度產生影響已成為共識[10,14].此外,有學者認為產業結構對碳排放強度的影響最大[21],但在影響方式上存在兩種觀點,一是產業過度集聚將導致碳排放強度增加[22],二是產業集聚能帶來減排的規模效應[23];因此產業結構調整是縣域實現碳減排的關鍵[14].也有學者認為經濟發展水平對碳排放強度的影響最大,主要通過推動經濟生產[21]、社會消費[5]、交通等公共服務[24]的能耗需求提高碳排放強度,縣域經濟水平與碳排放水平呈倒”N”型曲線關系[14].與此同時,人口增加對區域碳排放強度的影響呈現先減后增[25-26],縣域人口規模增加有利于碳減排,但鄰近縣域人口規模增加則不利于碳減排[9];技術進步具有顯著的抑制碳排放效應[15],財政支出對碳排放的影響存在空間差異[25],在縣域表現出負效應[14].

綜合來看,現有研究為探討縣域碳排放強度在視角、內容、理論和方法上奠定了良好的研究基礎,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縣域或10km空間分辨率尺度的碳排放量[28-30],較少對全國縣域的碳排放強度的時空演變規律進行分析;另一方面,在影響因素上,現有研究多關注各類影響因素對縣域碳排放的顯著性,少有對影響因素的重要性及其隨時間變化進行討論,且得出的影響路徑多以線性響應為主,較少分析二者的非線性關系.而本文的創新之處在于,分析了縣域碳排放強度熱(冷)點的時空演變特征,通過隨機森林算法精準識別縣域碳排放強度的關鍵影響因素及其非線性響應關系,并探討關鍵影響因素的時序演進趨勢,能夠對現有研究進行補充,以期為縣域經濟的低碳高質量發展提供參考.

1 研究方法與數據來源

1.1 分析框架

縣域碳排放強度是評價縣域經濟發展碳依賴程度的重要指標.由于縣域間經濟社會和資源稟賦的異質性,可能導致縣域碳排放強度存在空間分異,并隨著時間變化形成不同的空間格局.碳排放強度的高低主要取決經濟水平、能源消費結構和技術水平,但人口、產業結構、財政情況、基礎設施和地理位置等因素通過能源利用方式和經濟活動對碳排放強度形成不同程度的影響,并可能在不同水平下對碳排放強度產生不同的影響路徑.為了揭示我國縣域碳排放強度的時空演變規律及其關鍵影響因素,本文將首先測算縣域碳排放強度,然后通過地理統計方法利用Global Moran’s指數和Gi*指數分析縣域碳排放強度的整體格局和局部熱點的時空演變,進一步識別影響縣域碳排放強度的關鍵因素(受數據可得性限制未將縣域能源結構納入影響因素),并探討各因素與縣域碳排放強度的線性或非線性響應關系,最后對關鍵影響因素的時序演進進行對比分析(圖1)

圖1 我國縣域碳排放強度空間格局與影響因素演進分析框架

1.2 研究方法

1.2.1 縣域碳排放強度測算方法 縣域碳排放強度一般指縣域內單位國民生產總值(GDP)所帶來的二氧化碳排放量[5].本文基于Chen等[31]發表的縣域碳排放量數據與各縣的GDP數據來測算我國縣域碳排放強度,具體公式如下:

式中:Q為縣域第年的碳排放強度;C為縣域第年的碳排放量;G為縣域第年的國內生產總值(GDP).

1.2.2 縣域碳排放強度 時空分析模型(1)全局空間自相關.Global Moran’s指數可測度樣本區域內碳排放強度空間相關性的總體趨勢[32],其計算公式為:

式中:為樣本縣域個數;X和X分別為縣域的碳排放強度;W為空間權重矩陣(相鄰W=1、不相鄰W=0);S2為觀測值方差;X為觀測值均值.在給定的顯著水平下,若Moran’s值為正,表示效率呈顯著的空間集聚;反之,若Moran’s值為負,則表明效率呈顯著的空間分異.

(2)G*指數熱點分析.G*可分析局部空間的熱(冷)點區,依此可測度縣域碳排放強度的局部空間自相關性[32],其計算公式如下:

式中: W為空間權重矩陣(相鄰W=1、不相鄰W=0).若G*指數為正顯著,說明縣周圍值相對較高,屬于熱點區;反之,則說明縣周圍值相對較低,屬于冷點區.

1.2.3 關鍵影響因素分析模型 隨機森林模型由Breiman(2001)提出[33],是基于分類樹的一種機器學習算法.相較于其他的機器學習的算法,隨機森林具有容易實現和可解釋性強的特點,并且能夠有效的回避變量的共線問題和模型的過擬合問題,同時還能夠對變量的重要性進行評估,有較強預測功能[34-36].模型的計算公式如下:

式中:im為X對模型的貢獻,表示為IncMSE,當IncMSE越大重要性越高;S表示在棵回歸樹的隨機森林中被X分裂的節點集合;Gain(X,)為X在分裂節點的基尼信息增益,用于識別最大信息增益的預測變量.本文利用R語言平臺對隨機森林進行回歸,參數如下: ntree = 500,mtry = 3,其他默認.

1.3 數據來源和變量說明

本文的縣域碳排放量數據來自于Chen等[31]的數據,該數據未包括西藏、臺灣、香港和澳門地區.人口、經濟水平、產業結構和財政情況數據來自于《中國縣域統計年鑒》,綠色專利數據來自于國家知識產權數據庫,縣域與所屬省會距離數據來自高德地圖數據,縣域所屬地級市公路里程數來自于各地級市統計部門公開數據,開通高鐵數據來自于《鐵路客貨運輸專刊》和地方政府公開數據.其中部分變量數據是基于上述通過計算得出,對于部分缺失數值進行了刪除,最終得到了2009～2017年縣域碳排放強度樣本18912個,以及影響因素分析模型樣本15376個(表1).

表1 我國縣域碳排放強度的影響因素說明與描述性統計

在關鍵影響因素分析模型的變量選擇上,本文以縣域為樣本,以式(1)測算的縣域碳排放強度為被解釋變量.在總結現有研究的基礎上,解釋變量選取如下,考慮到縣域人口集聚、經濟水平和產業結構會對碳排放強度產生影響,分別選取了人口數量和人口密度[37]來代理人口變量,經濟密度[38]、人均GDP[8]和社會消費[5]代理經濟水平變量,一產比重、二產比重和三產比重來代理產業結構[5,8].此外,縣域財政情況[27]、科技水平[17]、地理區位[28]與基礎設施[24]也可能間接對碳排放強度產生影響,因此選取了財政支出收入比代理財政情況[39],綠色專利數代理科技水平,距省會距離代理地理區位,公路網密度[40]和是否開通高鐵代理基礎設施.

2 結果與討論

2.1 縣域碳排放強度總體情況

圖2 2009～2017年縣域平均碳排放強度情況

根據式(1)對我國2009～2017年縣域碳排放強度進行了測算,并計算了各年的平均水平,結果如圖2所示.結果顯示,我國縣域平均碳排放強度持續下降,從2009年的3.32t/萬元下降到2017年的2.02t/萬元,下降幅度達到了39.16%.其中同比減少最多的兩個年份為2012年和2010年,分別達到了0.37t/萬元和0.27t/萬元;同比減少最少的兩個年份為2016年和2017年,分別為了0.02t/萬元和0.04t/萬元.變幅說明我國縣域平均碳排放強度減量波動下降,但與歐盟實現碳達峰的國家仍存在較大差距(如德國2017年碳排放強度約為0.62t/萬元[41]),因此我國縣域碳排放強度依然具有較大的減量潛力.

2.2 縣域碳排放強度空間格局分析

2.2.1 總體空間格局演進 在測算了縣域碳排放強度的基礎上,應用Arc GIS軟件計算了2009～2017年縣域碳排放強度的全局Moran’s指數(表2).結果表明,全局Moran’s指數均大于0,且處于1%顯著水平,表示縣域碳排放強度總體呈正向空間自相關;從時序看,總體集聚程度表現出“增強—減弱—增強” 的波動上升的特征.說明相鄰縣域間能源消費結構和產業結構相近,同時在生產模式和減排技術上也往往向鄰近縣域引進和學習,這導致鄰近縣域的碳排放強度表現為顯著的空間關聯性,尤其是從2012年之后聚集程度進一步提升.

表2 Global Moran’s I指數計算值匯總

2.2.2 局部空間格局演進 進一步地利用Arc GIS軟件計算出2009～2017年縣域碳排放強度的空間G*指數,并采用自然斷點法將G*值由高到低分為7類:熱點(99%置信)、熱點(95%置信)、熱點(90%置信)、不顯著、冷點(90%置信)、冷點(95%置信)、冷點(99%置信),縣域碳排放強度空間局部集聚演變具體如圖3所示.

從整體上看,9年間縣域碳排放強度整體空間格局變化不大,呈現明顯的南北和東西分異.其中縣域碳排放強度一直處于熱點的區域集中在華北地區、東北地區西部、西北地區東部和西部,而一直處于冷點的地區集中在華東地區、華中地區、華南地區東部和西南地區東北部.從局部上看,區域存在明顯的變化.在熱點區域方面,9年間東北和華北地區的熱點區域呈向西和向南轉移態勢,程度不斷增強;西北地區的熱點區域向西部和北部持續擴大;西南地區的熱點區域不斷縮小,并逐漸轉為冷點.在冷點區域方面,9年間華東地區冷點區域向北擴張,同時程度加深;華中、華南和西南地區冷點區域向西和南擴大;東北地區冷點區域先強后不顯著.

底圖審圖號GS(2019)1822號

由此可見,長三角城市群、成渝城市群和珠三角城市群的縣域碳排放強度冷點程度不斷增強,并對周邊區域表現出積極的輻射效應;京津冀城市群的縣域碳排放強度熱點程度不斷增強;關中平原城市群和新疆地區的縣域碳排放強度熱點表現出消極的輻射效應,且程度不斷增強.

2.3 縣域碳排放強度關鍵影響因素分析

2.3.1 隨機森林模型的適用性評價 以縣域碳排放強度作為因變量,相關影響因素作為自變量,分別構建了多元線性回歸模型和隨機森林模型.相比兩種模型在測試集中的精度可知,擬合優度(2)上隨機森林模型(0.96)高于多元線性回歸模型(0.11),同時預測誤差(RMSE)上隨機森林模型(0.54)小于元線性回歸模型(2.47).因此,隨機森林模型能夠較好的刻畫縣域碳排放強度關鍵影響因素的演進.

2.3.2 關鍵影響因素識別與分析 為增加隨機森林模型的可解釋性,先對影響因素特征重要性排序,再用偏依賴關系圖對影響因素對模型輸出值的邊際影響進行可視化表達.

在重要性排序方面,采用IncMSE和IncNodePurity兩種方法進行影響因素排序,其中IncMSE為模型的精度平均減少值,IncNodePurity為模型節點不純度平均減少值,二者值越大說明變量越重要.從結果看,二者排序相近(圖4).以IncMSE為例,重要性排序較靠前的是省會距離、三產比重、路網密度和人口數量,其中三產比重高于一產和二產比重,人口數量高于人口密度;其次是財政收支和經濟水平,其中人均GDP的重要性高于社會消費和經濟密度;再次是綠色專利和是否開通高鐵.究其原因,由已有研究可知生產和消費活動是主要碳排放來源[5,20];而省會城市的生產和消費往往具有向周邊溢出和輻射的作用,如高耗能產業向省會鄰近縣域轉移、帶動周邊縣域消費增加等,因此省會距離成為重要性最高的因素.此外,三產比重的重要性較高的原因在于隨著一、二產業節能減排工作的深入,工農業減碳潛力下降[5],而第三產業碳排放總量和強度依然較大.

關鍵影響因素的邊際影響如圖5所示:

圖4 2009～2017年縣域碳排放強度關鍵影響因素排序

(1)省會距離.隨著縣域離省會距離的增加碳排放強度先降后升(圖5a),拐點出現在200～225km之間.已有研究認為,中心城市的輻射作用形成碳排放強度溢出效應,并隨著空間距離增加而減弱[8].本文模型的結果顯示,縣域碳排放強度具有向省會城市集聚的特征;但過了拐點后可能靠近其他中心城市、將向其他中心城市集聚,而導致碳排放強度上升.

(2)產業結構.縣域三產比重對碳排放強度影響先降再升后趨于平穩(圖5b),當比重超過了0.25后開始上升,到0.65后穩定于3.28t/萬元左右.縣域一產比重對碳排放強度影響呈先下降后略有上升再趨于平穩(圖5e),當比重達到0.5后穩定在2.0t/萬元左右.縣域二產比重對碳排放強度影響呈先下降后上升(圖5i),拐點出現在0.35左右.說明目前縣域產業結構升級對碳排放強度的正外部性效應不明顯[5],其原因可能在于縣域三產轉型初期的粗放性帶來碳排放增加.如長三角地區的三產比重高于華中地區,但碳排放強度冷點程度較低.另外,第一產業比重較高的縣域受到目前農牧業生產方式和技術水平限制,可能形成了較高碳排放強度[16].

(3)路網密度.縣域所屬地級市路網密度對碳排放強度影響呈先波動上升再波動下降后趨于平穩(圖5c).由于路網密度增加初期誘使公路使用量增加,此時路網密度容量不足,導致碳排放強度的增加[40];而隨著路網密度的進一步提升,平均通行速度提高,進而降低了碳排放強度.

(4)人口.縣域人口數量對碳排放強度影響呈波動下降后趨于平穩(圖5d),人口密度對碳排放強度影響呈先下降再階梯式上升(圖5h),當人口超過4000人/km2后趨于穩定.說明人口的聚集效應有利于降低縣域碳排放強度[9],但隨著人口密度的持續增加會引起碳排放強度的小幅反彈.總體上,人口聚集對縣域碳排放強度具有抑制作用,其原因在于隨著人口密度的增加人均能源消耗和經濟發展的規模效應逐漸顯著,使得碳排放強度的逐漸降低,但隨著人口密度過大帶來如交通擁堵等問題將導致碳排放強度的小幅度反彈.如京津冀地區,人口較集中的北京和天津的碳排放強度熱點比周邊地區更低.

(5)財政情況.縣域財政支出收入比對碳排放強度影響呈先下降再階梯式上升(圖5f).若縣域財政支出收入比較低,往往該縣域的經濟活躍且稅收收入高,可能帶來較高的碳排放,隨著財政支出收入比上升,碳排放強度開始迅速下降.但隨著政支出收入比進一步上升,一般得到的政府間轉移支付的額度越高,這將增加縣域生產性投入增加[39],進而使得碳排放強度有所增加.

(6)經濟水平.縣域人均GDP(圖5g)、社會消費(圖5j)和經濟密度(圖5l)對碳排放強度影響皆呈先下降后趨于穩定.其原因在于經濟欠發達地區追求快速增長,導致較高的碳排放強度;隨著經濟進一步發展,縣域將通過轉變發展方式和質量來降低碳排放強度[5].說明在經濟水平較高地區縣域經濟的低碳高質量發展意識日益加強,經濟發展對碳排放強度抑制作用逐漸明顯,證明了經濟發展和碳減排并非兩個對立的命題.如西南地區隨著經濟的發展,縣域碳排放強度較低,冷點程度在不斷提升;而西北地區正處于經濟快速發展期,表現出較高的碳排放強度,熱點程度在不斷提升.

(7)科技水平. 縣域所屬地級市綠色專利數社會消對碳排放強度影響呈先升后降再趨于平穩(圖5k).由于綠色技術的發展常以環境需求為導向,并表現出效果的滯后性,因此在前期碳排放強度會隨著綠色專利數的增加,但隨著綠色技術的進一步發展,技術進步對碳排放強度的抑制作用將逐漸顯著.

2.3.3 關鍵影響因素演進分析 為進一步探究縣域碳排放強度關鍵影響因素隨時間的演進規律,本文按照空間格局變動較大的三個時段:2009～2012年、2013～2015年和2016～2017年,分樣本進行隨機森林模型識別不同時期的關鍵影響因素,以IncMSE為例,具體結果如表3所示.2009～2012年,重要性排前3的影響因素分別是省會距離、一產比重和路網密度,說明這個時期中心城市的集聚程度、農業生產水平和道路交通的服務能力對縣域碳排放強度影響較大,表現為中心城市對周邊縣域碳排放的溢出效應、農業生產碳排放貢獻和交通碳排放貢獻.2013～2015年,重要性排前3的影響因素轉變為省會距離、綠色專利和人口數量,說明綠色技術抑制碳排放的作用增大,綠色技術成為縣域重要的碳減排手段;人口集聚也成為影響縣域碳排放強度的重要因素,原因在于人口集聚帶來的碳減排規模效益逐漸釋放.到2016～2017年,重要性排前3的影響因素變為綠色專利、路網密度和人口數量,說明技術對碳排放強度的作用進一步增大,路網密度的重要性再次提升.

總體來看,2009～2017年間,縣域碳排放強度的關鍵影響因素中,綠色專利從第8位升到第1位,說明綠色技術對縣域碳排放強度的作用日益重要,技術創新驅動是縣域碳減排的關鍵途徑.省會距離從第1位降到第7位,表明中心城市碳排放強度的溢出效應對縣域碳排放強度的空間分布的重要性在逐漸減弱.產業結構中一產和三產比重的重要性在下降,說明產業結構在抑制縣域碳排放強度的作用程度在下降,單純的產業結構調整所帶來的碳減排貢獻有限,應該依靠技術進步來持續削減碳排放強度.路網密度在波動中略有上升,表明道路交通對縣域碳排放仍處于重要位置,交通運輸作為重要的碳源是縣域碳減排的又一關鍵.人口數量從第5位升到第3位,而人口密度從第9位降到第10位,說明人口集聚對縣域碳排放強度作用表現為:人口總數的重要性增強,人口密度的重要性減弱;相比于人口的相對集聚,人口絕對數量的增加對縣域碳排放強度影響更大,因此部分縣域可能會出現隨著人口減少而碳排放強度上升的現象.經濟水平和財政收支雖然有波動,但重要性變動不大.

表3 2009～2017年縣域碳排放強度影響因素重要性排序

3 政策建議

(1)依據縣域碳排放強度空間格局,應該分區域推進縣域碳排放強度削減,著重瞄準削減潛力較高的碳排放強度熱點區域,具體包括京津冀城市群、中原城市群、關中平原城市群;尤其是西北碳排放強度擴張區域,要大力推進縣域碳排放強度削減.同時持續推動西南地區縣域碳排放強度削減,爭取西南地區縣域碳排放強度進一步下降.實現我國縣域碳排放削減量的整體提升.

(2)依據縣域碳排放強度影響因素的重要性排序及其響應關系,首先,應該關注中心城市碳排放的溢出效應,通過區域碳排放治理政策協同,減少高排產業向鄰近縣域轉移.其次,合理調整產業結構,集約式推進產業結構升級,加強對第三產業碳減排力度.其三,利用好縣域人口集聚和經濟發展的碳減排紅利,在人口集聚初期和經濟增長初期具有巨大的碳減排潛力,應該通過快速提升公共交通等基礎設施,加快節能減排的技術創新,盡快釋放人口和經濟的規模效應以促進碳減排;在人口過度集中縣域,應該適當的引導人口疏散轉移,減少縣域碳排放反彈.其四,應該將減碳目標納入年度財政支出的評價體系,減少財政支出的碳排效應.

(3)依據縣域碳排放強度影響因素演進,應該增強創新驅動縣域碳減排意識,加大綠色創新投入和綠色技術引進,創造良好的綠色創新的政策環境、市場環境和社會環境,加快節能減排技術的研發和推廣,利用綠色技術促進縣域低碳經濟發展.

4 結論

4.1 我國縣域平均碳排放強度逐年下降,但下降幅度逐漸放緩.縣域碳排放強度整體空間格局自相關性呈波動上升;局部空間格局具有明顯的南北分異和東西分異,碳排放強度熱點區域呈西進態勢,冷點區域呈南下北上態勢,且熱點區擴張快于冷點區.因此我國的北部和西部縣域是碳排放強度削減的潛力區域.

4.2 關鍵影響因素中省會距離、產業結構、路網密度和人口的重要性要高于財政收支、經濟水平、綠色專利和是否開通高鐵.其中省會距離、產業結構、路網密度、財政收支、人口密度和綠色專利等因素與碳排放強度存在明顯的非線性性響應關系;中心城市的碳排放溢出效應,產業的升級前期的粗放型生產,交通的通行效率,財政轉移支付的碳排放效應,人口聚集效應,以及綠色技術效用的滯后性等是產生非線性響應關系的重要原因.

4.3 關鍵影響因素重要性隨時間變化明顯,其中綠色技術碳減排、交通服務水平、人口總數量增加、區域消費能力對縣域碳排放強度削減的重要性增強;而產業結構和人口密度的重要性在減弱.

[1] 習近平.繼往開來,開啟全球應對氣候變化新征程——在氣候雄心峰會上的講話[R]. 中華人民共和國國務院公報, 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] 張華明,元鵬飛,朱治雙.中國城市人口規模、產業集聚與碳排放 [J]. 中國環境科學, 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] 吳敬璉.以深化改革確立中國經濟新常態[J]. 探索與爭鳴, 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 凱,唐小惠,甘 暢,等.中國服務業碳排放強度時空格局及影響因素[J]. 中國人口·資源與環境, 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] 章勝勇,尹朝靜,賀亞亞,等.中國農業碳排放的空間分異與動態演進——基于空間和非參數估計方法的實證研究[J]. 中國環境科學, 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] 王少劍,黃永源.中國城市碳排放強度的空間溢出效應及驅動因素[J]. 地理學報, 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,王少劍.黃河流域縣域碳排放的時空格局演變及空間效應機制 [J]. 地理科學, 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] 馬曉君,陳瑞敏,董碧瀅,等.中國工業碳排放的因素分解與脫鉤效應[J]. 中國環境科學, 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.中國區域經濟增長的碳排放強度差異及其斂散性[J]. 北京理工大學學報(社會科學版), 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,張 真.上海市碳排放強度的影響因素解析[J]. 環境科學研究, 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] 王少劍,謝紫寒,王澤宏.中國縣域碳排放的時空演變及影響因素 [J]. 地理學報, 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] 劉華軍,邵明吉,吉元夢.中國碳排放的空間格局及分布動態演進——基于縣域碳排放數據的實證研究 [J]. 地理科學, 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] 韓會慶,王世堯,馬 庚,等.我國農業碳排放強度與農業經濟空間相關性研究[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] 趙 濤,田 莉,許憲碩.天津市工業部門碳排放強度研究:基于LMDI-Attribution分析方法[J]. 中國人口·資源與環境, 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,楊姝影,等.中國城市CO2排放數據集研究——基于中國高空間分辨率網格數據[J]. 中國人口·資源與環境, 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] 萬文玉,趙雪雁,王偉軍.中國城市居民生活能源碳排放的時空格局及影響因素分析[J]. 環境科學學報, 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] 黃琳琳,王 遠,張 晨,等.閩三角地區碳排放時空差異及影響因素研究[J]. 中國環境科學, 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] 周圣強,朱衛平.產業集聚一定能帶來經濟效率嗎:規模效應與擁擠效應[J]. 產業經濟研究, 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] 陳 陽,唐曉華.制造業集聚和城市規模對城市綠色全要素生產率的協同效應研究[J]. 南方經濟, 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] 曾曉瑩,邱榮祖,林丹婷,等.中國交通碳排放及影響因素時空異質性[J]. 中國環境科學, 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] 程開明.城市緊湊度影響能源消耗的理論機制及實證分析[J]. 經濟地理, 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.產業集聚、城市規模與碳排放[J]. 工業技術經濟, 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,陳操操,潘 濤,等.縣域尺度的京津冀都市圈CO2排放時空演變特征[J]. 環境科學, 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.中國縣域碳排放空間格局及影響因素研究[D]. 蘭州大學, 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 東,等.中國10km二氧化碳排放網格及空間特征分析[J]. 中國環境科學, 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] 余文夢,孫小霞,蘇時鵬.省域農用地豬糞負荷強度時空演變分析[J]. 中國生態農業學報(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,闞璦珂,曾業隆,等.基于隨機森林模型的西藏人口分布格局及影響因素[J]. 地理學報, 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] 劉衛東,唐志鵬,夏 炎,等.中國碳強度關鍵影響因子的機器學習識別及其演進[J]. 地理學報, 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] 范劍勇.產業集聚與地區間勞動生產率差異[J]. 經濟研究, 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] 譚建立,趙 哲.財政支出結構、新型城鎮化與碳減排效應[J]. 當代財經, 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] 劉志杰.公路網絡交通碳排放影響因素研究 [J]. 交通與運輸(學術版), 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

余文夢(1992-),男,福建屏南人,中國人民大學博士研究生,主要從事資源與環境管理研究.發表論文8篇.

2021-11-22

中央高校建設世界一流大學(學科)和特色發展引導專項(中國人民大學2022年)

* 責任作者, 教授, dajunshen@ruc.edu.cn