2023, Vol. 44
2. 中国地质大学(北京) 土地科学技术学院, 北京 100083
2. School of Land Science and Technology, China University of Geosciences, Beijing 100083, China
化石能源是现阶段可利用的主要能源, 推动着社会经济的持续发展[1].化石燃料的大规模使用产生了大量的CO2, 是造成全球气候变化的重要原因[2], 引起了世界各国的高度重视.全球气候变化对人类社会构成了重大威胁, 联合国政府间气候变化专门委员会(Intergovernmental Panel on Climate Change, IPCC)2018年10月报告认为, 为了避免极端危害, 世界必须将全球变暖幅度控制在1.5℃以内[3].联合国17个可持续发展目标(sustainable development goals, SDGs)也包含了气候变化内容[4], SDG 13要求采取紧急行动应对气候变化及其影响, 具体目标为将应对气候变化的举措纳入国家政策、战略和规划, 加强各国抵御和适应气候相关的灾害和自然灾害的能力等.中国立足国情和发展阶段, 持续推进节能减排总体目标, 不断优化能源生产消费结构, 优先发展非化石能源.2020年9月, 中国政府宣布中国CO2排放力争于2030年前达到峰值, 努力争取2060年前实现碳中和[5].
随着经济的飞速发展和人民生活水平的提高, 中国的CO2排放量迅速增加, 约占全球排放量的30%, 成为了全球最大的碳排放国之一[6, 7].碳达峰的目标对中国低碳经济发展提出了更高要求, 由于涉及能源、经济、社会和环境等方面, 中国的碳减排任务艰巨.准确核算CO2排放量是实现碳减排的第一步, 因此受到了国内外学者的广泛关注和研究[8].目前碳排放测度方法主要有碳排放因子法、实测法和物料平衡法这3种[9].其中, 由于碳排放因子法有较高的可操作性和简便性, 成为评估区域碳排放量的常用方法[10, 11].能源消费数据往往来自统计数据, 鉴于数据的可获取性, 现有文献更多地关注国家级和省级地区, 缺乏对市域和县域尺度的碳排放研究[12~15].中国高分辨率排放数据(China high resolution emission database, CHRED)采用自下而上的估算方法, 为中国提供了点排放源和空间分辨率为1 km和10 km的网格排放量, 为更准确、更精细的中国碳排放分析研究提供了数据支持[16, 17].
排放-社会经济特征对于制定碳减排战略至关重要[18].已有研究表明, 能源消费、人口规模、产业结构、经济产出和城镇化等多种社会经济因素均会影响区域碳排放[19, 20].碳排放的影响因素研究常用分解法, 包括结构分解法和指数分解法[21], 计量经济学方法和地理加权回归模型(geographically weighted regression, GWR)[22~25].Pearl[26]于1986年提出贝叶斯信念网络(Bayesian belief network, BBN), 即基于概率推理的图形化网络.网络包括两部分: ①有向无环图, 由代表随机变量的节点和连接节点的有向边(由父节点指向子节点)构成, 是网络的定性部分[27, 28]; ②条件概率表, 每个节点都包含随机变量的离散状态、对应的概率分布和条件概率表[29].网络中的有向边表示节点之间的依赖关系, 条件概率表包含父节点与子节点之间的关系强度[30].网络借助其图形表达和定量模拟的特点, 能够直观地处理不确定性和推理有关的科学问题[31].构建完成的BBN可以根据不同的研究目的假定输入值, 在此基础上进行概率推理和敏感性分析, 提高了研究问题的针对性和分析的灵活性[32], 可应用于碳排放建模.
由于中国城市的资源禀赋、目标定位、产业发展和科技水平等方面存在差异, 低碳经济发展水平有所不同.分析各因素对碳排放的影响特征, 有助于制定高效的管理政策, 从而迈进低碳经济的发展道路.因此, 本文以中国339个地级及以上城市(不含新疆部分城市和港澳台地区)为研究对象, 分析能源、土地、人口和经济因素对碳排放量的影响.构建模拟人均CO2排放量的BBN和多尺度地理加权回归(multiscale geographically weighted regression, MGWR)模型, 分别从全局和局部影响的视角识别关键驱动因素, 为缓解区域碳减排压力提出针对性的政策建议.本研究的主要贡献在于: ①以中国339个地级及以上城市为研究单元, 从全局敏感性和局部差异性角度研究碳排放驱动因素, 弥补了精细尺度碳排放的研究不足.②收集2020年市域尺度的CO2排放量、第七次人口普查和第三次土地调查数据, 研究数据有较高的质量和时效性.③将BBN方法引入碳排放研究, 通过捕捉不确定性, 使结果更加可靠.本文结果可为中国平衡环境保护和经济发展, 实现碳中和目标提供参考.
1 材料与方法 1.1 数据来源本文的中国市域CO2排放数据来自CHRED 3.0数据库(http://www.cityghg.com/) 公开的中国城市二氧化碳排放数据集(2020年), 包括市域行政辖区范围内的所有直接排放和向外界购买电力导致的间接排放[33]. 该数据库还包含非化石能源占比数据, 整合自调研和咨询等数据源. 市域人口总数和城乡人口结构均指常住人口, 查询自各城市第七次人口普查主要数据公报. GDP总量及构成数据查询自各城市2021年国民经济和社会发展公报. 建设用地面积包括城镇村及工矿用地、交通运输用地和水工建筑用地, 查询自各城市第三次全国土地调查的主要数据. 个别城市未公布相关数据, 用统计年鉴和土地利用规划中的数据代替.
1.2 变量选择与预处理有研究表明, CO2排放受到众多社会经济因素的影响[34, 35], 为提高城市低碳经济发展水平, 降低CO2排放量, 需要找出关键影响因素以制定高效的管理政策.因此, 本文综合考虑能源、土地、经济、人口要素, 选择非化石能源占比、土地开发度、常住人口城镇化率、第二产业占比、人均GDP和人均建设用地面积共6个潜在影响因素, 分析其对人均CO2排放量的影响.
本文采用的BBN方法需要对输入数据进行离散化处理.数据的离散化参考了自然间断点法和等间距分割法, 并结合了指标的含义.如中国第七次人口普查数据表明, 全国常住人口城镇化率为63.89%, 本文将居住在城镇的常住人口不超过总数一半(50%)的城市定义为“低”状态, 近似地将常住人口城镇化率超过65%的城市定义为“高”状态.按照国际惯例, 区域土地开发度的极限是30%, 否则将会对农业和生态空间造成破坏[36, 37], 因此, 本文将土地开发度超过30%的城市定义为“高”状态.具体的离散化方法如表 1所示.
|
表 1 变量选择和离散化 Table 1 Variable selection and discretization |
为识别自变量可能存在的共线性对回归模型的影响, 检测自变量之间的Pearson相关性如图 1所示.相关系数绝对值大于0.7表明变量之间具有较强的相关性, 应剔除其中一个[38].由于各潜在自变量相关系数的绝对值均小于0.7, 因此将变量X1~X6全部作为自变量纳入MGWR分析.
|
图 1 自变量相关性分析 Fig. 1 Correlation analysis of independent variables |
通过构建BBN半定量地表达各影响因素与人均CO2排放量的关系, 完成其图形表达和定量模拟, 实现各因素对人均CO2排放量全局非线性影响的评估.本文使用Netica软件构建BBN, 包括两个重要步骤: 网络结构构建和网络参数(条件概率表)学习, 分别对应研究问题的定性描述和定量表达[39]. BBN的概率推理依赖于条件概率, 计算规则基于贝叶斯定律, 对于任何两个事件, 如事件A和事件B, 公式如下:
|
(1) |
式中, P(A)和P(B)分别表示事件A和事件B发生的概率, P(B|A)和P(A|B)分别表示“已知事件A发生时事件B发生的概率”和“已知事件B发生时事件A的发生概率”.
在BBN中, 使用“节点”来表示所研究问题涉及的变量, 具有依赖关系的节点之间通过单向箭头连接起来.每个网络节点对应一个变量, 节点可以是离散型、连续型或逻辑型, 变量的离散状态和离散方法可由用户自定义[40].
1.4 MGWR模型识别各影响因素与人均CO2排放量的全局关系后, 还需要通过局部回归分析, 捕捉空间上的影响差异.GWR模型是常用的局部回归方法, 相较于普通最小二乘法, 考虑到了地理位置的差异, 体现了对因变量在空间上的影响差异.GWR假设自变量和因变量之间的关系作用在相同的空间尺度, 自变量均使用统一的带宽[41].然而, 每个自变量对因变量影响作用的地理尺度通常是不同的, MGWR放宽了这一假设, 为每个自变量设计单独的带宽, 从而更好地表征现实情况, 优于传统的GWR模型[42~44].计算公式如下:
|
(2) |
式中, (ui, vi)为样本点i的空间位置; β0(ui, vi)为样本点i的常数项; P为样本点i独立变量的个数; βbwj(ui, vi)为样本点i的第j个回归系数, 其中bwj为其使用的带宽; xij为样本点i的第j个自变量; εi为样本点i的随机误差.
2 结果与分析 2.1 市域碳排放特征按照分位数法将依据常住人口计算的人均CO2排放量分为4个等级(图 2).结果表明, 2020年, 市域人均CO2排放量总体上呈现出由南向北递增, 东部沿海向内陆递减的格局.在人均CO2排放量处于最低梯度(＜4.47 t·人-1)的城市中, 深圳市的人均GDP最高, 为15.76万元·人-1, 其次是厦门市和长沙市, 分别为12.36万元·人-1和12.08万元·人-1, 实现了经济增长和低碳排放的协调发展.在人均GDP超过15万元·人-1的城市中, 鄂尔多斯市和克拉玛依市的人均CO2排放量最高, 分别达到了99.65 t·人-1和31.27 t·人-1, 亟需解决高碳排放问题, 以实现经济增长和碳排放的脱钩, 如期实现双碳目标.另外, 部分城市的人均CO2排放量处于较高水平, 同时经济发展水平却不高, 主要分布在中国北部, 如七台河市、乌兰察布市、本溪市、滨州市和银川市.
|
基于自然资源部标准地图服务网站下载的审图号为GS(2019)1822号的标准地图制作, 底图无修改 图 2 市域人均CO2排放量 Fig. 2 Per capita CO2 emissions of cities |
综合各变量的含义和Pearson相关性分析的结果, 构建表达人均CO2排放量的BBN并编译(图 3).将各市域数据作为已知案例(共339条)输入Netica软件中, 通过这些案例学习各节点的条件概率表, 它显示父节点不同的状态组合下, 该节点各个状态对应的概率.根据案例测试网络时, 对于每一条测试案例, Neitca会计算出每个状态对应的概率并选择概率最高的状态作为被测试节点值的预测, 然后将预测结果和测试节点的真实值作对比.将所有案例输入Netica中测试后, 得到人均CO2排放量节点的错误率为25.66%, 表明该BBN模型总体精度为74.34%, 使用该模型表达人均CO2排放量和其他变量之间的关系.
|
图 3 编译后的BBN Fig. 3 Compiled BBN |
敏感性分析可以度量网络各节点之间的相互依赖性. Netica的敏感性分析可以确定一个节点的变化引起另一个节点信念改变的程度. 对于连续型节点, 方差缩减是反映敏感性最有效的指标. 在Netica中以人均CO2排放量作为目标节点进行敏感性分析, 可以识别出网络中各节点对目标节点的影响程度. 方差缩减的结果如表 2所示. 人均建设用地面积和人均GDP对人均CO2排放量的影响最大, 常住人口城镇化率和土地开发度次之, 非化石能源占比和第二产业占比的影响相对最弱.
|
|
表 2 目标节点对网络各节点的敏感性 Table 2 Sensitivity of the target node to network nodes |
敏感性分析仅能识别各因素对人均CO2排放量总体影响的相对强度, 而各因素对人均CO2排放量的阶段性影响, 即在不同状态范围内变化的影响方向和影响强度可以通过概率推理来识别.为识别各因素对人均CO2排放的具体影响, 分别将自变量节点的状态依次设置为“低”、“中”和“高”, 网络推理出人均CO2排放量节点的状态概率和均值, 如图 4所示.随着非化石能源占比状态由“低”到“高”变化, 人均CO2排放量“低”的概率升高, “高”的概率降低, 均值持续减小, 表明较高非化石能源占比将导致人均CO2排放量处于更低的水平.土地开发度由“低”到“高”变化时, 人均CO2排放量“低”的概率先升高后降低, 均值先降低后升高, 但未超过“低”状态对应的均值, 表明适度的土地开发有利于减少人均CO2排放量, 但过度的土地开发不利于碳减排.常住人口城镇化率由“低”变“高”的过程中, 人均CO2排放量均值持续增多, 表明目前人口城镇化率提高和人均CO2排放量的增多是同步的.第二产业占比状态由“低”到“高”的变化时, 人均CO2排放量的均值持续增大, 表明现阶段市域第二产业发展仍然依赖于化石燃料的燃烧.人均GDP状态由“低”到“高”变化时, 人均CO2排放量“低”的概率持续降低, 均值持续增大, 但由“中”到“高”的过程所引起的人均CO2排放量均值的增大不如由“低”到“中”显著, 表明人均GDP在由“低”状态增长时, 会引起人均CO2排放量的增多, 但二者存在脱钩的可能.人均建设用地面积由“低”到“高”变化时, 人均CO2排放量“低”的概率持续降低, “中”和“高”的概率持续升高, 反映了粗放的土地利用不利于碳减排.
|
(a)非化石能源占比, (b)土地开发度, (c)常住人口城镇化率, (d)第二产业占比, (e)人均GDP, (f)人均建设用地面积; 横坐标高、中、低对应6个影响因素节点的状态, 图例高、中、低对应人均CO2排放量节点的状态 图 4 目标节点概率推理 Fig. 4 Probabilistic inference of the target node |
将市域人均CO2排放量作为因变量, X1~X6作为自变量分别进行GWR和MGWR计算, 得到两种模型的诊断信息如表 3所示.RSS和AICc的值越低、R2和Adj.R2的值越高, 表示模型性能和准确性越好.建模结果表明, 相比于GWR, MGWR模型的RSS和AICc的值更低、R2和Adj.R2的值更高, 展示出了更好的性能.
|
|
表 3 GWR和MGWR的诊断信息 Table 3 Diagnostic information of GWR and MGWR |
两种模型中变量对应的带宽如表 4所示, GWR对所有自变量应用了一个恒定的带宽98, 而MGWR为每个自变量产生了单独的最佳带宽, 反映了不同影响因素作用的尺度差异.在MGWR中, 土地开发度和人均建设面积的作用尺度分别为337和310, 接近全局尺度的339个城市样本总量, 意味着虽然存在局部的空间异质性, 但是估计曲面接近全局平面, 参数变化更平缓.而常住人口城镇化率和人均GDP的带宽分别为44和77, 参数变化更为剧烈, 空间异质性更强.
|
|
表 4 GWR和MGWR的带宽 Table 4 Bandwidth of GWR and MGWR |
在局部回归结果中, 通过显著性检验(P＜0.1) 的MGWR回归系数如图 5所示.非化石能源占比对人均CO2排放量的影响仅在中国西北部和东北地区的部分地级市显著, 回归系数范围为-0.41~-0.10, 表明非化石能源的使用对碳排放起到抑制作用.在东北地区和新疆北部的大部分地级市, 回归系数绝对值大于0.30, 表明这种抑制效果在这些地区更强.土地开发度对人均CO2排放量的影响仅在中国西北部的部分地级市显著, 回归系数范围为-0.15~-0.09, 表明土地开发度越低, 人均CO2排放量越多.这些地级市均处于低水平的土地开发状态, 除了克拉玛依市为10.1%, 其他地级市均低于8%.因此, 对于这些地区, 适度的土地开发产生的综合效应将有利于促进碳减排.常住人口城镇化率对人均CO2排放量的影响仅在中国西北部、华东和华中地区的部分地级市显著, 回归系数范围为0.15~0.87, 均表现出正向影响.这意味着人口城镇化率提高伴随着人均CO2排放量的增多, 尤其是回归系数大于0.50的内蒙古、甘肃和江浙沪地区的地级及以上城市.第二产业占比对人均CO2排放量的影响在全局范围内均显著, 表现出由中国南部向北部逐渐增强的正向影响, 回归系数范围为0.14~0.50.其中, 克拉玛依市、哈密市、阿拉善盟、鄂尔多斯市、吕梁市、长治市、唐山市、东营市和盘锦市的第二产业占比均超过50%, 这些地级市的第二产业发展对人均CO2排放量的影响强度更大.人均GDP对人均CO2排放量的影响仅在哈密市和山西、内蒙古、陕西、甘肃和宁夏的部分地级市显著, 且均表现为正向影响, 即人均GDP的增长伴随着人均CO2排放量的增多, 尤其是呼和浩特市、包头市、鄂尔多斯市、巴彦淖尔市、阿拉善盟、榆林市和石嘴山市, 回归系数大于0.35, 经济增长与碳排放强挂钩.人均建设用地面积对人均CO2排放量的影响在全局范围内均显著, 回归系数范围为0.24~0.43, 表明市域范围内, 较高的人均建设用地面积导致人均CO2排放量更多, 这种正向影响呈现出从中国西部向东部增强的趋势, 东部地区碳排放对人均建设用地的响应更剧烈, 更需要对建设用地的节约集约利用进行合理规划.
|
(a)非化石能源占比, (b)土地开发度, (c)常住人口城镇化率, (d)第二产业占比, (e)人均GDP, (f)人均建设用地面积; 基于自然资源部标准地图服务网站下载的审图号为GS(2019)1822号的标准地图制作, 底图无修改 图 5 自变量的回归系数 Fig. 5 Regression coefficient of independent variables |
本文以中国339个地级及以上城市为研究对象, 从全局关系出发构建模拟人均CO2排放量的BBN, 并采用MGWR方法识别了各潜在影响因素与人均CO2排放量的局部空间关系.根据研究结果, 减少城市人均碳排放可以从能源使用、绿色经济、土地利用和居民生活切入, 逐步实现双碳目标.
3.1 改善能源结构化石燃料的燃烧直接产生了大量的CO2, 减少碳排放量的关键举措是减少化石能源的消费总量.而在能源需求难以压缩甚至持续增长的情况下, 必须调整能源结构, 使煤炭消费比例下降, 保障清洁能源供应量稳定增加.整体来看, 增大非化石能源占比有利于减少人均CO2排放量, 这种抑制作用在中国的西北地区和东北地区的地级及以上城市的效果是显著的.其中, 鹤岗市、七台河市、通化市、鞍山市、辽阳市、本溪市、呼伦贝尔市、锡林郭勒盟、通辽市、博尔塔拉蒙古自治州、昌吉回族自治州、塔城地区、克拉玛依市和伊犁哈萨克自治州的非化石能源占比均低于10%, 而其人均CO2排放量均高于18 t·人-1, 在BBN中属于“非化石能源占比低, 人均CO2排放量高”的合集.对于这些城市, 非化石能源使用量有很大的提高空间, 且将对人均CO2排放量的减少有明显的效果.另外, 新疆、内蒙古西部、西藏、甘肃和青海设有中国大型太阳能电站, 是光伏能源生产基地[45], 可以通过清洁能源开发, 如风能、太阳能和地热能代替煤炭消费, 助力当地及周边城市减少对化石能源的依赖.
3.2 发展低碳经济由于化石能源仍然是推动中国GDP增长的主力, 人均GDP增长是碳排放增多的主要驱动因素.尤其是中国现阶段的产业结构下, 高能耗行业仍然占有相当大的比例, 对能源的巨大需求带来了大量的碳排放. 人均GDP总体上对人均CO2排放量产生正向影响, 但从局部来看, 这种影响的显著性仅体现在少数城市. 然而, 经济水平的持续提高是必然的, 生产过程依赖于煤炭和石油等高碳能源消耗才是问题所在. 一方面要促使经济水平提升对碳排放的抑制作用强于刺激作用, 其次是致力于清洁能源的使用和脱碳技术的进步, 这是经济发展与化石能源消耗以及高碳排放脱钩的关键[46].在产业方面, 第二产业占比在339个地级及以上城市中的正向影响均显著, 影响强度在中国南部较弱, 由南向北递增. 这与第二产业的发展对化石燃料消耗的依赖密切相关, 尤其是在煤炭资源富集的地级市, 如山西、陕西、内蒙古和新疆所辖城市[47]. 在发达的沿海城市中, 第二产业有条件向高端绿色发展方向转型, 实现生产能力逐步与碳排放脱钩. 而中国东北地区的地级市, 集中分布的碳基产业产生了更多的CO2, 中国西部的地级市经济集聚效应和规模效应不强, 能源使用效率有待提高.因此, 发展高新技术为代表的低能耗、低污染和技术密集型产业是碳减排的重要途径.
3.3 高效利用土地建设用地由于本身承载了能源消耗和工业过程而对碳排放产生影响, 同时也通过刺激经济、产业和技术等其他影响因素间接影响碳排放. 土地开发度提高是建设用地扩张的结果, 往往伴随着人口聚集和经济总量增大. 在经济发展初期, 这种聚集总体上实现了人均CO2排放量的减少. 从全局视角来看, 土地开发度低于10%的城市往往存在较高的人均CO2排放量, 在此基础上提高土地开发度有助于人均CO2排放量维持在较小范围, 而土地开发度超过30%, 又会刺激人均CO2排放量增大. 因此, 适度的土地开发有助于城市碳减排. 从局部看, 阿拉善盟、海西蒙古族藏族自治州、哈密市、吐鲁番市、塔城地区、博尔塔拉蒙古自治州、昌吉回族自治州、伊犁哈萨克自治州、金昌市和嘉峪关市的土地开发度均低于5%, 而人均CO2排放量高于18 t·人-1, 在BBN中属于“土地开发度低, 人均CO2排放量高”的合集. 这些地级市可以考虑通过进一步的土地开发, 利用规模效应提高低碳水平. 相对应地, 从全局来看, 人均CO2排放量对人均建设用地面积的敏感性最强, 人均建设用地面积的增大伴随着人均CO2排放量的持续增多, 这种正向影响在中国东部城市更强.为减少碳排放, 需要编制并落实土地利用规划方案, 保障合理开发土地、优化土地配置和节约集约利用土地以提高土地利用率.
3.4 减少生活碳源除了生产领域, 居民生活中产生的碳排放也应得到重视.常住人口城镇化率总体上对人均CO2排放量产生正向影响, 这种影响在江浙沪地区、安徽、内蒙古的地级市更强.其中, 铜陵市、马鞍山市、嘉峪关市、金昌市、镇江市、阿拉善盟、鄂尔多斯市、乌海市、包头市、呼和浩特市、石嘴山市、银川市和榆林市的常住人口城镇化率均超过60%, 在BBN中属于“常住人口城镇化率高, 人均CO2排放量高”的合集.城镇居民的消费水平偏高, 在现有消费理念下, 消费水平的提高导致了更多的碳排放.根据IPCC第三次评估报告, 改变消费方式能够有效减缓未来气候变化[48], 提高居民绿色生活和低碳出行的意识, 引导合理的生产生活方式, 将有效减少CO2排放.在城镇化的进程中, 常住人口城镇化率将保持稳定或继续提高, 提高居民的低碳生活水平是未来努力的方向.
4 结论(1) 2020年, 中国地级及以上城市人均CO2排放量呈现出由南向北递增, 东部沿海向内陆递减的格局.在经济发达的地级市中, 深圳市、厦门市和长沙市实现了低碳排放, 而鄂尔多斯市和克拉玛依市仍依赖于高碳排放.
(2) 从全局关系来看, 人均CO2排放量对各因素的敏感性从高到低依次为: 人均建设用地面积>人均GDP>常住人口城镇化率>土地开发度>第二产业占比>非化石能源占比.其中, 非化石能源占比和中等水平的土地开发度有利于碳减排, 其他因素增大均会导致人均CO2排放量持续增多.
(3) 各因素与人均CO2排放量的局部空间关系方向与全局关系一致, 关系强度存在空间异质性.其中, 第二产业占比和人均建设用地面积对人均CO2排放量均为正向影响且在339个地级及以上城市均显著, 其他因素的影响仅在小部分城市显著.
(4) 使用清洁能源、发展低碳经济、节约集约利用土地和提倡绿色生活将有利于抑制人均CO2排放量增多, 帮助地级及以上城市实现经济发展与高碳排放脱钩.
| [1] |
陶长琪, 李翠, 王夏欢. 环境规制对全要素能源效率的作用效应与能源消费结构演变的适配关系研究[J]. 中国人口·资源与环境, 2018, 28(4): 98-108. Tao C Q, Li C, Wang X H. Suitability of environmental regulation effect on total-factor energy efficiency and relation to energy consumption structure evolution[J]. China Population, Resources and Environment, 2018, 28(4): 98-108. |
| [2] | Cuffey K M, Vimeux F. Covariation of carbon dioxide and temperature from the Vostok ice core after deuterium-excess correction[J]. Nature, 2001, 412(6846): 523-527. DOI:10.1038/35087544 |
| [3] | IPCC. Special report: Global warming of 1.5 C[EB/OL]. https://www.ipcc.ch/sr15/, 2022-02-27. |
| [4] | United Nations. Transforming our world: the 2030 agenda for sustainable development[EB/OL]. https://sdg.neda.gov.ph/transforming-our-world-the-2030-agenda-for-sustainable-development/, 2019-04-30. |
| [5] |
张帆, 徐宁, 吴锋. 共享社会经济路径下中国2020—2100年碳排放预测研究[J]. 生态学报, 2021, 41(24): 9691-9704. Zhang F, Xu N, Wu F. Research on China's CO2 emissions projections from 2020 to 2100 under the shared socioeconomic pathways[J]. Acta Ecologica Sinica, 2021, 41(24): 9691-9704. |
| [6] |
王勇, 程瑜, 杨光春, 等. 2020和2030年碳强度目标约束下中国碳排放权的省区分解[J]. 中国环境科学, 2018, 38(8): 3180-3188. Wang Y, Cheng Y, Yang G C, et al. Provincial decomposition of China's carbon emission rights under the constraint of 2020 and 2030 carbon intensity targets[J]. China Environmental Science, 2018, 38(8): 3180-3188. DOI:10.3969/j.issn.1000-6923.2018.08.049 |
| [7] | Dong F, Dai Y J, Zhang S N, et al. Can a carbon emission trading scheme generate the Porter effect? Evidence from pilot areas in China[J]. Science of the Total Environment, 2019, 653: 565-577. DOI:10.1016/j.scitotenv.2018.10.395 |
| [8] |
尹伟华, 张亚雄, 李继峰, 等. 基于投入产出表的中国八大区域碳排放强度分析[J]. 资源科学, 2017, 39(12): 2258-2264. Yin W H, Zhang Y X, Li J F, et al. Decomposition of carbon emission intensity in China's eight regions according to CMRIO[J]. Resources Science, 2017, 39(12): 2258-2264. |
| [9] |
于向宇, 李跃, 陈会英, 等. "资源诅咒"视角下环境规制、能源禀赋对区域碳排放的影响[J]. 中国人口·资源与环境, 2019, 29(5): 52-60. Yu X Y, LI Y, Chen H Y, et al. Study on the impact of environmental regulation and energy endowment on regional carbon emissions from the perspective of resource curse[J]. China Population, Resources and Environment, 2019, 29(5): 52-60. |
| [10] |
杨浩, 卢新海, 匡兵, 等. 城市紧凑度与碳排放强度的时空互动关系及驱动因素——以长株潭城市群为例[J]. 长江流域资源与环境, 2021, 30(11): 2618-2629. Yang H, Lu X H, Kuang B, et al. Spatial-temporal interaction and driving factors of urban compactness and carbon emission intensity: A case study in Changsha-Zhuzhou-Xiangtan Urban Agglomeration[J]. Resources and Environment in the Yangtze Basin, 2021, 30(11): 2618-2629. |
| [11] |
刘源, 李向阳, 林剑艺, 等. 基于LMDI分解的厦门市碳排放强度影响因素分析[J]. 生态学报, 2014, 34(9): 2378-2387. Liu Y, Li X Y, Lin J Y, et al. Factor decomposition of carbon intensity in Xiamen city based on LMDI method[J]. Acta Ecologica Sinica, 2014, 34(9): 2378-2387. |
| [12] | Liu Z, Guan D B, Wei W, et al. Reduced carbon emission estimates from fossil fuel combustion and cement production in China[J]. Nature, 2015, 524(7565): 335-338. DOI:10.1038/nature14677 |
| [13] |
刘竹, 关大博, 魏伟. 中国二氧化碳排放数据核算[J]. 中国科学: 地球科学, 2018, 48(7): 878-887. Liu Z, Guan D B, Wei W. Carbon emission accounting in China[J]. Scientia Sinica Terrae, 2018, 48(7): 878-887. |
| [14] | Shan Y L, Guan D B, Zheng H R, et al. China CO2 emission accounts 1997-2015[J]. Scientific Data, 2018, 5. DOI:10.1038/sdata.2017.201 |
| [15] |
蒋自然, 金环环, 王成金, 等. 长江经济带交通碳排放测度及其效率格局(1985~2016年)[J]. 环境科学, 2020, 41(6): 2972-2980. Jiang Z R, Jin H H, Wang C J, et al. Measurement of traffic carbon emissions and pattern of efficiency in the Yangtze River Economic Belt (1985-2016)[J]. Environmental Science, 2020, 41(6): 2972-2980. |
| [16] | Cai B F, Liang S, Zhou J, et al. China high resolution emission database (CHRED) with point emission sources, gridded emission data, and supplementary socioeconomic data[J]. Resources, Conservation and Recycling, 2018, 129: 232-239. DOI:10.1016/j.resconrec.2017.10.036 |
| [17] |
蔡博峰, 刘晓曼, 陆军, 等. 2005年中国城市CO2排放数据集[J]. 中国人口·资源与环境, 2018, 28(4): 1-7. Cai B F, Liu X M, Lu J, et al. China city CO2 emissions in 2005[J]. China Population, Resources and Environment, 2018, 28(4): 1-7. |
| [18] |
李建豹, 黄贤金, 吴常艳, 等. 中国省域碳排放影响因素的空间异质性分析[J]. 经济地理, 2015, 35(11): 21-28. Li J B, Huang X J, Wu C Y, et al. Analysis of spatial heterogeneity impact factors on carbon emissions in China[J]. Economic Geography, 2015, 35(11): 21-28. |
| [19] |
孙秀锋, 施开放, 吴健平. 县级尺度的重庆市碳排放时空格局动态[J]. 环境科学, 2018, 39(6): 2971-2981. Sun X F, Shi K F, Wu J P. Spatiotemporal dynamics of CO2 emissions in Chongqing: An empirical analysis at the county level[J]. Environmental Science, 2018, 39(6): 2971-2981. |
| [20] |
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 CO2 emissions in Fujian Southeast Triangle Region[J]. China Environmental Science, 2020, 40(5): 2312-2320. DOI:10.3969/j.issn.1000-6923.2020.05.055 |
| [21] |
马晓君, 董碧滢, 于渊博, 等. 东北三省能源消费碳排放测度及影响因素[J]. 中国环境科学, 2018, 38(8): 3170-3179. Ma X J, Dong B Y, Yu Y B, et al. Measurement of carbon emissions from energy consumption in three Northeastern provinces and its driving factors[J]. China Environmental Science, 2018, 38(8): 3170-3179. DOI:10.3969/j.issn.1000-6923.2018.08.048 |
| [22] | Feng C, Zheng C J, Shan M L. The clarification for the features, temporal variations, and potential factors of global carbon dioxide emissions[J]. Journal of Cleaner Production, 2020, 255. DOI:10.1016/j.jclepro.2020.120250 |
| [23] |
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 emission intensity at city level in China[J]. Acta Geographica Sinica, 2019, 74(6): 1131-1148. |
| [24] |
沈杨, 汪聪聪, 高超, 等. 基于城市化的浙江省湾区经济带碳排放时空分布特征及影响因素分析[J]. 自然资源学报, 2020, 35(2): 329-342. Shen Y, Wang C C, Gao C, et al. Spatio-temporal distribution and its influencing factors of carbon emissions in economic zone of Zhejiang Bay Area based on urbanization[J]. Journal of Natural Resources, 2020, 35(2): 329-342. |
| [25] | Jiang Y, Bai H T, Feng X Y, et al. How do geographical factors affect energy-related carbon emissions? A Chinese panel analysis[J]. Ecological Indicators, 2018, 93: 1226-1235. |
| [26] | Pearl J. Fusion, propagation, and structuring in belief networks[J]. Artificial Intelligence, 1986, 29(3): 241-288. |
| [27] | Hough R L, Towers W, Aalders I. The risk of peat erosion from climate change: Land management combinations-an assessment with Bayesian belief networks[J]. Human and Ecological Risk Assessment, 2010, 16(5): 962-976. |
| [28] | Nadkarni S, Shenoy P P. A causal mapping approach to constructing Bayesian networks[J]. Decision Support Systems, 2004, 38(2): 259-281. |
| [29] | Sun Z L, Müller D. A framework for modeling payments for ecosystem services with agent-based models, Bayesian belief networks and opinion dynamics models[J]. Environmental Modelling & Software, 2013, 45: 15-28. |
| [30] | Maskrey S A, Mount N J, Thorne C R, et al. Participatory modelling for stakeholder involvement in the development of flood risk management intervention options[J]. Environmental Modelling & Software, 2016, 82: 275-294. |
| [31] | Landuyt D, Broekx S, D'Hondt R, et al. A review of Bayesian belief networks in ecosystem service modelling[J]. Environmental Modelling & Software, 2013, 46: 1-11. |
| [32] | Dang K B, Windhorst W, Burkhard B, et al. A Bayesian Belief Network-Based approach to link ecosystem functions with rice provisioning ecosystem services[J]. Ecological Indicators, 2019, 100: 30-44. |
| [33] |
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 CO2 emission dataset: based on the China high resolution emission gridded data[J]. China Population, Resources and Environment, 2017, 27(2): 1-4. |
| [34] | Zhang Q, Yang J, Sun Z X, et al. Analyzing the impact factors of energy-related CO2 emissions in China: What can spatial panel regressions tell us?[J]. Journal of Cleaner Production, 2017, 161: 1085-1093. |
| [35] | Dong F, Yu B L, Hadachin T, et al. Drivers of carbon emission intensity change in China[J]. Resources, Conservation and Recycling, 2018, 129: 187-201. |
| [36] |
赵亚莉, 刘友兆. 城市土地开发强度差异及影响因素研究——基于222个地级及以上城市面板数据[J]. 资源科学, 2013, 35(2): 380-387. Zhao Y L, Liu Y Z. Diffidence and influencing factors of urban land development intensity across 222 cities in China[J]. Resources Science, 2013, 35(2): 380-387. |
| [37] |
刘通, 程炯, 苏少青, 等. 珠江三角洲桑基鱼塘现状及创新发展研究[J]. 生态环境学报, 2017, 26(10): 1814-1820. Liu T, Cheng J, Su S Q, et al. Current situation and innovative development countermeasures of the mulberry dike-fish pond in the Pearl River Delta[J]. Ecology and Environmental Sciences, 2017, 26(10): 1814-1820. |
| [38] | Gao Y J, Zhao J Y, Han L. Exploring the spatial heterogeneity of urban heat island effect and its relationship to block morphology with the geographically weighted regression model[J]. Sustainable Cities and Society, 2022, 76. DOI:10.1016/j.scs.2021.103431 |
| [39] | Maldonado A D, Aguilera P A, Salmerón A, et al. Probabilistic modeling of the relationship between socioeconomy and ecosystem services in cultural landscapes[J]. Ecosystem Services, 2018, 33: 146-164. |
| [40] | Feng Z, Jin X R, Chen T Q, et al. Understanding trade-offs and synergies of ecosystem services to support the decision-making in the Beijing-Tianjin-Hebei region[J]. Land Use Policy, 2021, 106. DOI:10.1016/j.landusepol.2021.105446 |
| [41] | Oshan T M, Li Z Q, Kang W, et al. MGWR: A Python implementation of multiscale geographically weighted regression for investigating process spatial heterogeneity and scale[J]. ISPRS International Journal of Geo-Information, 2019, 8(6): 269. |
| [42] | Fotheringham A S, Brunsdon C. Local forms of spatial analysis[J]. Geographical Analysis, 2010, 31(4): 340-358. |
| [43] | Fotheringham A S, Yang W B, Kang W. Multiscale geographically weighted regression (MGWR)[J]. Annals of the American Association of Geographers, 2017, 107(6): 1247-1265. |
| [44] | Li W Y, Dong F G, Ji Z S. Research on coordination level and influencing factors spatial heterogeneity of China's urban CO2 emissions[J]. Sustainable Cities and Society, 2021, 75. DOI:10.1016/j.scs.2021.103323 |
| [45] |
吴川东, 苏泽兵, 刘鹄, 等. 干旱、半干旱区光伏发电设施的生态-水文效应研究评述[J]. 高原气象, 2021, 40(3): 690-701. Wu C D, Su Z B, Liu H, et al. Eco-hydrological effects of photovoltaic power generation facilities on dryland ecosystems: A review[J]. Plateau Meteorology, 2021, 40(3): 690-701. |
| [46] |
张保留, 王健, 吕连宏, 等. 对资源型城市能源转型的思考——以太原市为例[J]. 环境工程技术学报, 2021, 11(1): 181-186. Zhang B L, Wang J, Lv L H, et al. Thoughts on energy transformation of resource-based cities: taking Taiyuan City as an example[J]. Journal of Environmental Engineering Technology, 2021, 11(1): 181-186. |
| [47] |
樊大磊, 李富兵, 王宗礼, 等. 碳达峰、碳中和目标下中国能源矿产发展现状及前景展望[J]. 中国矿业, 2021, 30(6): 1-8. Fan D L, Li F B, Wang Z L, et al. Development status and prospects of China's energy minerals under the target of carbon peak and carbon neutral[J]. China Mining Magazine, 2021, 30(6): 1-8. |
| [48] |
刘晶茹, 王如松, 杨建新. 可持续发展研究新方向: 家庭可持续消费研究[J]. 中国人口·资源与环境, 2003, 13(1): 6-8. Liu J R, Wang R S, Yang J X. Importance of sustainable household consumption research in China[J]. China Population, Resources and Environment, 2003, 13(1): 6-8. |