基于隨機(jī)森林模型的我國縣域碳排放強(qiáng)度格局與影響因素演進(jìn)分析

余文夢,張婷婷,沈大軍

基于隨機(jī)森林模型的我國縣域碳排放強(qiáng)度格局與影響因素演進(jìn)分析

余文夢,張婷婷,沈大軍*

(中國人民大學(xué)環(huán)境學(xué)院,北京 100872)

為了研究縣域碳排放強(qiáng)度空間格局及其關(guān)鍵影響因素的演進(jìn)規(guī)律,在測算2009～2017年我國縣域碳排放強(qiáng)度的基礎(chǔ)上,通過ArcGIS空間統(tǒng)計(jì)模型分析了縣域碳排放強(qiáng)度的空間格局,并利用隨機(jī)森林模型識別了碳排放強(qiáng)度的關(guān)鍵影響因素及其時(shí)序演進(jìn)特征.結(jié)果顯示:2009～2017年我國縣域平均碳排放強(qiáng)度減量波動下降,2017年縣域平均碳排放強(qiáng)度為2.02t/萬元,仍有較大的削減潛力;縣域碳排放強(qiáng)度總體格局呈顯著空間自相關(guān),并呈現(xiàn)波動增強(qiáng)趨勢;局部格局呈顯著的南北和東西分異,熱點(diǎn)區(qū)呈西進(jìn)態(tài)勢,冷點(diǎn)區(qū)呈南下北上態(tài)勢.關(guān)鍵影響因素中省會距離、產(chǎn)業(yè)結(jié)構(gòu)、路網(wǎng)密度和人口的重要性高于經(jīng)濟(jì)水平、財(cái)政收支、綠色專利和開通高鐵;時(shí)序演進(jìn)反映,綠色專利、人口總數(shù)和經(jīng)濟(jì)水平的重要性在提升,而產(chǎn)業(yè)結(jié)構(gòu)和人口密度的重要性在下降;其中大部分關(guān)鍵影響因素同碳排放強(qiáng)度呈現(xiàn)非線性響應(yīng)關(guān)系.

縣域碳排放強(qiáng)度；空間格局；隨機(jī)森林模型；影響因素

我國于2020年明確提出,在2030年前實(shí)現(xiàn)碳達(dá)峰、在2060年前實(shí)現(xiàn)碳中和的目標(biāo)[1].發(fā)展低碳經(jīng)濟(jì)是實(shí)現(xiàn)雙碳目標(biāo)的重要路徑[2],縣域經(jīng)濟(jì)作為我國經(jīng)濟(jì)的重要組成部分,在數(shù)量上從2011年起已超過我國GDP總量的50%[3],但質(zhì)量上仍處于高質(zhì)量發(fā)展轉(zhuǎn)型階段[4],高資源投入驅(qū)動經(jīng)濟(jì)增長的現(xiàn)象依然普遍.因此,充分挖掘縣域經(jīng)濟(jì)發(fā)展的碳減排潛力,成為學(xué)界和實(shí)踐重點(diǎn)關(guān)注的內(nèi)容.在碳減排目標(biāo)和經(jīng)濟(jì)增長的雙約束下,縣域碳排放強(qiáng)度成為衡量縣域經(jīng)濟(jì)低碳發(fā)展的重要指標(biāo),研究其時(shí)空演變規(guī)律,并厘清其關(guān)鍵影響因素的演進(jìn)趨勢,對促進(jìn)碳達(dá)峰與碳中和目標(biāo)以及縣域經(jīng)濟(jì)高質(zhì)量發(fā)展具有重要意義.

目前,關(guān)于碳排放強(qiáng)度的研究主要集中在碳排放強(qiáng)度測算[5]、時(shí)空格局演變[6-7]、空間溢出效應(yīng)檢驗(yàn)[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(qū)域[12]、省域[13]、市域[8]以及縣域[14-15]等,行業(yè)包括了農(nóng)業(yè)[14]、工業(yè)[15]和服務(wù)業(yè)[5,18]等.研究結(jié)果認(rèn)為,我國碳排放強(qiáng)度總體下降,并具有明顯的空間集聚效應(yīng),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(qiáng)度皆具空間自相關(guān)性,其中省域聚集呈現(xiàn)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(yīng)[8-9].分產(chǎn)業(yè)看,農(nóng)業(yè)、工業(yè)和服務(wù)業(yè)也表現(xiàn)出碳排放強(qiáng)度空間格局和演變規(guī)律差異[5,16-17].在影響因素上,能源結(jié)構(gòu)直接對縣域碳排放強(qiáng)度產(chǎn)生影響已成為共識[10,14].此外,有學(xué)者認(rèn)為產(chǎn)業(yè)結(jié)構(gòu)對碳排放強(qiáng)度的影響最大[21],但在影響方式上存在兩種觀點(diǎn),一是產(chǎn)業(yè)過度集聚將導(dǎo)致碳排放強(qiáng)度增加[22],二是產(chǎn)業(yè)集聚能帶來減排的規(guī)模效應(yīng)[23];因此產(chǎn)業(yè)結(jié)構(gòu)調(diào)整是縣域?qū)崿F(xiàn)碳減排的關(guān)鍵[14].也有學(xué)者認(rèn)為經(jīng)濟(jì)發(fā)展水平對碳排放強(qiáng)度的影響最大,主要通過推動經(jīng)濟(jì)生產(chǎn)[21]、社會消費(fèi)[5]、交通等公共服務(wù)[24]的能耗需求提高碳排放強(qiáng)度,縣域經(jīng)濟(jì)水平與碳排放水平呈倒”N”型曲線關(guān)系[14].與此同時(shí),人口增加對區(qū)域碳排放強(qiáng)度的影響呈現(xiàn)先減后增[25-26],縣域人口規(guī)模增加有利于碳減排,但鄰近縣域人口規(guī)模增加則不利于碳減排[9];技術(shù)進(jìn)步具有顯著的抑制碳排放效應(yīng)[15],財(cái)政支出對碳排放的影響存在空間差異[25],在縣域表現(xiàn)出負(fù)效應(yīng)[14].

綜合來看,現(xiàn)有研究為探討縣域碳排放強(qiáng)度在視角、內(nèi)容、理論和方法上奠定了良好的研究基礎(chǔ),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(qiáng)度的時(shí)空演變規(guī)律進(jìn)行分析;另一方面,在影響因素上,現(xiàn)有研究多關(guān)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(shí)間變化進(jìn)行討論,且得出的影響路徑多以線性響應(yīng)為主,較少分析二者的非線性關(guān)系.而本文的創(chuàng)新之處在于,分析了縣域碳排放強(qiáng)度熱(冷)點(diǎn)的時(shí)空演變特征,通過隨機(jī)森林算法精準(zhǔn)識別縣域碳排放強(qiáng)度的關(guān)鍵影響因素及其非線性響應(yīng)關(guān)系,并探討關(guān)鍵影響因素的時(shí)序演進(jìn)趨勢,能夠?qū)ΜF(xiàn)有研究進(jìn)行補(bǔ)充,以期為縣域經(jīng)濟(jì)的低碳高質(zhì)量發(fā)展提供參考.

1 研究方法與數(shù)據(jù)來源

1.1 分析框架

縣域碳排放強(qiáng)度是評價(jià)縣域經(jīng)濟(jì)發(fā)展碳依賴程度的重要指標(biāo).由于縣域間經(jīng)濟(jì)社會和資源稟賦的異質(zhì)性,可能導(dǎo)致縣域碳排放強(qiáng)度存在空間分異,并隨著時(shí)間變化形成不同的空間格局.碳排放強(qiáng)度的高低主要取決經(jīng)濟(jì)水平、能源消費(fèi)結(jié)構(gòu)和技術(shù)水平,但人口、產(chǎn)業(yè)結(jié)構(gòu)、財(cái)政情況、基礎(chǔ)設(shè)施和地理位置等因素通過能源利用方式和經(jīng)濟(jì)活動對碳排放強(qiáng)度形成不同程度的影響,并可能在不同水平下對碳排放強(qiáng)度產(chǎn)生不同的影響路徑.為了揭示我國縣域碳排放強(qiáng)度的時(shí)空演變規(guī)律及其關(guān)鍵影響因素,本文將首先測算縣域碳排放強(qiáng)度,然后通過地理統(tǒng)計(jì)方法利用Global Moran’s指數(shù)和Gi*指數(shù)分析縣域碳排放強(qiáng)度的整體格局和局部熱點(diǎn)的時(shí)空演變,進(jìn)一步識別影響縣域碳排放強(qiáng)度的關(guān)鍵因素(受數(shù)據(jù)可得性限制未將縣域能源結(jié)構(gòu)納入影響因素),并探討各因素與縣域碳排放強(qiáng)度的線性或非線性響應(yīng)關(guān)系,最后對關(guān)鍵影響因素的時(shí)序演進(jìn)進(jìn)行對比分析(圖1)

圖1 我國縣域碳排放強(qiáng)度空間格局與影響因素演進(jìn)分析框架

1.2 研究方法

1.2.1 縣域碳排放強(qiáng)度測算方法 縣域碳排放強(qiáng)度一般指縣域內(nèi)單位國民生產(chǎn)總值(GDP)所帶來的二氧化碳排放量[5].本文基于Chen等[31]發(fā)表的縣域碳排放量數(shù)據(jù)與各縣的GDP數(shù)據(jù)來測算我國縣域碳排放強(qiáng)度,具體公式如下:

式中:Q為縣域第年的碳排放強(qiáng)度;C為縣域第年的碳排放量;G為縣域第年的國內(nèi)生產(chǎn)總值(GDP).

1.2.2 縣域碳排放強(qiáng)度 時(shí)空分析模型(1)全局空間自相關(guān).Global Moran’s指數(shù)可測度樣本區(qū)域內(nèi)碳排放強(qiáng)度空間相關(guān)性的總體趨勢[32],其計(jì)算公式為:

式中:為樣本縣域個(gè)數(shù);X和X分別為縣域的碳排放強(qiáng)度;W為空間權(quán)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(fù),則表明效率呈顯著的空間分異.

(2)G*指數(shù)熱點(diǎn)分析.G*可分析局部空間的熱(冷)點(diǎn)區(qū),依此可測度縣域碳排放強(qiáng)度的局部空間自相關(guān)性[32],其計(jì)算公式如下:

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

1.2.3 關(guān)鍵影響因素分析模型 隨機(jī)森林模型由Breiman(2001)提出[33],是基于分類樹的一種機(jī)器學(xué)習(xí)算法.相較于其他的機(jī)器學(xué)習(xí)的算法,隨機(jī)森林具有容易實(shí)現(xiàn)和可解釋性強(qiáng)的特點(diǎn),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(shí)還能夠?qū)ψ兞康闹匾赃M(jìn)行評估,有較強(qiáng)預(yù)測功能[34-36].模型的計(jì)算公式如下:

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

1.3 數(shù)據(jù)來源和變量說明

本文的縣域碳排放量數(shù)據(jù)來自于Chen等[31]的數(shù)據(jù),該數(shù)據(jù)未包括西藏、臺灣、香港和澳門地區(qū).人口、經(jīng)濟(jì)水平、產(chǎn)業(yè)結(jié)構(gòu)和財(cái)政情況數(shù)據(jù)來自于《中國縣域統(tǒng)計(jì)年鑒》,綠色專利數(shù)據(jù)來自于國家知識產(chǎn)權(quán)數(shù)據(jù)庫,縣域與所屬省會距離數(shù)據(jù)來自高德地圖數(shù)據(jù),縣域所屬地級市公路里程數(shù)來自于各地級市統(tǒng)計(jì)部門公開數(shù)據(jù),開通高鐵數(shù)據(jù)來自于《鐵路客貨運(yùn)輸專刊》和地方政府公開數(shù)據(jù).其中部分變量數(shù)據(jù)是基于上述通過計(jì)算得出,對于部分缺失數(shù)值進(jìn)行了刪除,最終得到了2009～2017年縣域碳排放強(qiáng)度樣本18912個(gè),以及影響因素分析模型樣本15376個(gè)(表1).

表1 我國縣域碳排放強(qiáng)度的影響因素說明與描述性統(tǒng)計(jì)

在關(guān)鍵影響因素分析模型的變量選擇上,本文以縣域?yàn)闃颖?以式(1)測算的縣域碳排放強(qiáng)度為被解釋變量.在總結(jié)現(xiàn)有研究的基礎(chǔ)上,解釋變量選取如下,考慮到縣域人口集聚、經(jīng)濟(jì)水平和產(chǎn)業(yè)結(jié)構(gòu)會對碳排放強(qiáng)度產(chǎn)生影響,分別選取了人口數(shù)量和人口密度[37]來代理人口變量,經(jīng)濟(jì)密度[38]、人均GDP[8]和社會消費(fèi)[5]代理經(jīng)濟(jì)水平變量,一產(chǎn)比重、二產(chǎn)比重和三產(chǎn)比重來代理產(chǎn)業(yè)結(jié)構(gòu)[5,8].此外,縣域財(cái)政情況[27]、科技水平[17]、地理區(qū)位[28]與基礎(chǔ)設(shè)施[24]也可能間接對碳排放強(qiáng)度產(chǎn)生影響,因此選取了財(cái)政支出收入比代理財(cái)政情況[39],綠色專利數(shù)代理科技水平,距省會距離代理地理區(qū)位,公路網(wǎng)密度[40]和是否開通高鐵代理基礎(chǔ)設(shè)施.

2 結(jié)果與討論

2.1 縣域碳排放強(qiáng)度總體情況

圖2 2009～2017年縣域平均碳排放強(qiáng)度情況

根據(jù)式(1)對我國2009～2017年縣域碳排放強(qiáng)度進(jìn)行了測算,并計(jì)算了各年的平均水平,結(jié)果如圖2所示.結(jié)果顯示,我國縣域平均碳排放強(qiáng)度持續(xù)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(dá)到了39.16%.其中同比減少最多的兩個(gè)年份為2012年和2010年,分別達(dá)到了0.37t/萬元和0.27t/萬元;同比減少最少的兩個(gè)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(qiáng)度減量波動下降,但與歐盟實(shí)現(xiàn)碳達(dá)峰的國家仍存在較大差距(如德國2017年碳排放強(qiáng)度約為0.62t/萬元[41]),因此我國縣域碳排放強(qiáng)度依然具有較大的減量潛力.

2.2 縣域碳排放強(qiáng)度空間格局分析

2.2.1 總體空間格局演進(jìn) 在測算了縣域碳排放強(qiáng)度的基礎(chǔ)上,應(yīng)用Arc GIS軟件計(jì)算了2009～2017年縣域碳排放強(qiáng)度的全局Moran’s指數(shù)(表2).結(jié)果表明,全局Moran’s指數(shù)均大于0,且處于1%顯著水平,表示縣域碳排放強(qiáng)度總體呈正向空間自相關(guān);從時(shí)序看,總體集聚程度表現(xiàn)出“增強(qiáng)—減弱—增強(qiáng)” 的波動上升的特征.說明相鄰縣域間能源消費(fèi)結(jié)構(gòu)和產(chǎn)業(yè)結(jié)構(gòu)相近,同時(shí)在生產(chǎn)模式和減排技術(shù)上也往往向鄰近縣域引進(jìn)和學(xué)習(xí),這導(dǎo)致鄰近縣域的碳排放強(qiáng)度表現(xiàn)為顯著的空間關(guān)聯(lián)性,尤其是從2012年之后聚集程度進(jìn)一步提升.

表2 Global Moran’s I指數(shù)計(jì)算值匯總

2.2.2 局部空間格局演進(jìn) 進(jìn)一步地利用Arc GIS軟件計(jì)算出2009～2017年縣域碳排放強(qiáng)度的空間G*指數(shù),并采用自然斷點(diǎn)法將G*值由高到低分為7類:熱點(diǎn)(99%置信)、熱點(diǎn)(95%置信)、熱點(diǎn)(90%置信)、不顯著、冷點(diǎn)(90%置信)、冷點(diǎn)(95%置信)、冷點(diǎn)(99%置信),縣域碳排放強(qiáng)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(qiáng)度整體空間格局變化不大,呈現(xiàn)明顯的南北和東西分異.其中縣域碳排放強(qiáng)度一直處于熱點(diǎn)的區(qū)域集中在華北地區(qū)、東北地區(qū)西部、西北地區(qū)東部和西部,而一直處于冷點(diǎn)的地區(qū)集中在華東地區(qū)、華中地區(qū)、華南地區(qū)東部和西南地區(qū)東北部.從局部上看,區(qū)域存在明顯的變化.在熱點(diǎn)區(qū)域方面,9年間東北和華北地區(qū)的熱點(diǎn)區(qū)域呈向西和向南轉(zhuǎn)移態(tài)勢,程度不斷增強(qiáng);西北地區(qū)的熱點(diǎn)區(qū)域向西部和北部持續(xù)擴(kuò)大;西南地區(qū)的熱點(diǎn)區(qū)域不斷縮小,并逐漸轉(zhuǎn)為冷點(diǎn).在冷點(diǎn)區(qū)域方面,9年間華東地區(qū)冷點(diǎn)區(qū)域向北擴(kuò)張,同時(shí)程度加深;華中、華南和西南地區(qū)冷點(diǎn)區(qū)域向西和南擴(kuò)大;東北地區(qū)冷點(diǎn)區(qū)域先強(qiáng)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(qiáng)度冷點(diǎn)程度不斷增強(qiáng),并對周邊區(qū)域表現(xiàn)出積極的輻射效應(yīng);京津冀城市群的縣域碳排放強(qiáng)度熱點(diǎn)程度不斷增強(qiáng);關(guān)中平原城市群和新疆地區(qū)的縣域碳排放強(qiáng)度熱點(diǎn)表現(xiàn)出消極的輻射效應(yīng),且程度不斷增強(qiáng).

2.3 縣域碳排放強(qiáng)度關(guān)鍵影響因素分析

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

2.3.2 關(guān)鍵影響因素識別與分析 為增加隨機(jī)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(guān)系圖對影響因素對模型輸出值的邊際影響進(jìn)行可視化表達(dá).

在重要性排序方面,采用IncMSE和IncNodePurity兩種方法進(jìn)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(jié)點(diǎn)不純度平均減少值,二者值越大說明變量越重要.從結(jié)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(chǎn)比重、路網(wǎng)密度和人口數(shù)量,其中三產(chǎn)比重高于一產(chǎn)和二產(chǎn)比重,人口數(shù)量高于人口密度;其次是財(cái)政收支和經(jīng)濟(jì)水平,其中人均GDP的重要性高于社會消費(fèi)和經(jīng)濟(jì)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(chǎn)和消費(fèi)活動是主要碳排放來源[5,20];而省會城市的生產(chǎn)和消費(fèi)往往具有向周邊溢出和輻射的作用,如高耗能產(chǎn)業(yè)向省會鄰近縣域轉(zhuǎn)移、帶動周邊縣域消費(fèi)增加等,因此省會距離成為重要性最高的因素.此外,三產(chǎn)比重的重要性較高的原因在于隨著一、二產(chǎn)業(yè)節(jié)能減排工作的深入,工農(nóng)業(yè)減碳潛力下降[5],而第三產(chǎn)業(yè)碳排放總量和強(qiáng)度依然較大.

關(guān)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(qiáng)度關(guān)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(qiáng)度先降后升(圖5a),拐點(diǎn)出現(xiàn)在200～225km之間.已有研究認(rèn)為,中心城市的輻射作用形成碳排放強(qiáng)度溢出效應(yīng),并隨著空間距離增加而減弱[8].本文模型的結(jié)果顯示,縣域碳排放強(qiáng)度具有向省會城市集聚的特征;但過了拐點(diǎn)后可能靠近其他中心城市、將向其他中心城市集聚,而導(dǎo)致碳排放強(qiáng)度上升.

(2)產(chǎn)業(yè)結(jié)構(gòu).縣域三產(chǎn)比重對碳排放強(qiáng)度影響先降再升后趨于平穩(wěn)(圖5b),當(dāng)比重超過了0.25后開始上升,到0.65后穩(wěn)定于3.28t/萬元左右.縣域一產(chǎn)比重對碳排放強(qiáng)度影響呈先下降后略有上升再趨于平穩(wěn)(圖5e),當(dāng)比重達(dá)到0.5后穩(wěn)定在2.0t/萬元左右.縣域二產(chǎn)比重對碳排放強(qiáng)度影響呈先下降后上升(圖5i),拐點(diǎn)出現(xiàn)在0.35左右.說明目前縣域產(chǎn)業(yè)結(jié)構(gòu)升級對碳排放強(qiáng)度的正外部性效應(yīng)不明顯[5],其原因可能在于縣域三產(chǎn)轉(zhuǎn)型初期的粗放性帶來碳排放增加.如長三角地區(qū)的三產(chǎn)比重高于華中地區(qū),但碳排放強(qiáng)度冷點(diǎn)程度較低.另外,第一產(chǎn)業(yè)比重較高的縣域受到目前農(nóng)牧業(yè)生產(chǎn)方式和技術(shù)水平限制,可能形成了較高碳排放強(qiáng)度[16].

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

(4)人口.縣域人口數(shù)量對碳排放強(qiáng)度影響呈波動下降后趨于平穩(wěn)(圖5d),人口密度對碳排放強(qiáng)度影響呈先下降再階梯式上升(圖5h),當(dāng)人口超過4000人/km2后趨于穩(wěn)定.說明人口的聚集效應(yīng)有利于降低縣域碳排放強(qiáng)度[9],但隨著人口密度的持續(xù)增加會引起碳排放強(qiáng)度的小幅反彈.總體上,人口聚集對縣域碳排放強(qiáng)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(jīng)濟(jì)發(fā)展的規(guī)模效應(yīng)逐漸顯著,使得碳排放強(qiáng)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(dǎo)致碳排放強(qiáng)度的小幅度反彈.如京津冀地區(qū),人口較集中的北京和天津的碳排放強(qiáng)度熱點(diǎn)比周邊地區(qū)更低.

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

(6)經(jīng)濟(jì)水平.縣域人均GDP(圖5g)、社會消費(fèi)(圖5j)和經(jīng)濟(jì)密度(圖5l)對碳排放強(qiáng)度影響皆呈先下降后趨于穩(wěn)定.其原因在于經(jīng)濟(jì)欠發(fā)達(dá)地區(qū)追求快速增長,導(dǎo)致較高的碳排放強(qiáng)度;隨著經(jīng)濟(jì)進(jìn)一步發(fā)展,縣域?qū)⑼ㄟ^轉(zhuǎn)變發(fā)展方式和質(zhì)量來降低碳排放強(qiáng)度[5].說明在經(jīng)濟(jì)水平較高地區(qū)縣域經(jīng)濟(jì)的低碳高質(zhì)量發(fā)展意識日益加強(qiáng),經(jīng)濟(jì)發(fā)展對碳排放強(qiáng)度抑制作用逐漸明顯,證明了經(jīng)濟(jì)發(fā)展和碳減排并非兩個(gè)對立的命題.如西南地區(qū)隨著經(jīng)濟(jì)的發(fā)展,縣域碳排放強(qiáng)度較低,冷點(diǎn)程度在不斷提升;而西北地區(qū)正處于經(jīng)濟(jì)快速發(fā)展期,表現(xiàn)出較高的碳排放強(qiáng)度,熱點(diǎn)程度在不斷提升.

(7)科技水平. 縣域所屬地級市綠色專利數(shù)社會消對碳排放強(qiáng)度影響呈先升后降再趨于平穩(wěn)(圖5k).由于綠色技術(shù)的發(fā)展常以環(huán)境需求為導(dǎo)向,并表現(xiàn)出效果的滯后性,因此在前期碳排放強(qiáng)度會隨著綠色專利數(shù)的增加,但隨著綠色技術(shù)的進(jìn)一步發(fā)展,技術(shù)進(jìn)步對碳排放強(qiáng)度的抑制作用將逐漸顯著.

2.3.3 關(guān)鍵影響因素演進(jìn)分析 為進(jìn)一步探究縣域碳排放強(qiáng)度關(guān)鍵影響因素隨時(shí)間的演進(jìn)規(guī)律,本文按照空間格局變動較大的三個(gè)時(shí)段:2009～2012年、2013～2015年和2016～2017年,分樣本進(jìn)行隨機(jī)森林模型識別不同時(shí)期的關(guān)鍵影響因素,以IncMSE為例,具體結(jié)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(chǎn)比重和路網(wǎng)密度,說明這個(gè)時(shí)期中心城市的集聚程度、農(nóng)業(yè)生產(chǎn)水平和道路交通的服務(wù)能力對縣域碳排放強(qiáng)度影響較大,表現(xiàn)為中心城市對周邊縣域碳排放的溢出效應(yīng)、農(nóng)業(yè)生產(chǎn)碳排放貢獻(xiàn)和交通碳排放貢獻(xiàn).2013～2015年,重要性排前3的影響因素轉(zhuǎn)變?yōu)槭嚯x、綠色專利和人口數(shù)量,說明綠色技術(shù)抑制碳排放的作用增大,綠色技術(shù)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(qiáng)度的重要因素,原因在于人口集聚帶來的碳減排規(guī)模效益逐漸釋放.到2016～2017年,重要性排前3的影響因素變?yōu)榫G色專利、路網(wǎng)密度和人口數(shù)量,說明技術(shù)對碳排放強(qiáng)度的作用進(jìn)一步增大,路網(wǎng)密度的重要性再次提升.

總體來看,2009～2017年間,縣域碳排放強(qiáng)度的關(guān)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(shù)對縣域碳排放強(qiáng)度的作用日益重要,技術(shù)創(chuàng)新驅(qū)動是縣域碳減排的關(guān)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(qiáng)度的溢出效應(yīng)對縣域碳排放強(qiáng)度的空間分布的重要性在逐漸減弱.產(chǎn)業(yè)結(jié)構(gòu)中一產(chǎn)和三產(chǎn)比重的重要性在下降,說明產(chǎn)業(yè)結(jié)構(gòu)在抑制縣域碳排放強(qiáng)度的作用程度在下降,單純的產(chǎn)業(yè)結(jié)構(gòu)調(diào)整所帶來的碳減排貢獻(xiàn)有限,應(yīng)該依靠技術(shù)進(jìn)步來持續(xù)削減碳排放強(qiáng)度.路網(wǎng)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(yùn)輸作為重要的碳源是縣域碳減排的又一關(guān)鍵.人口數(shù)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(qiáng)度作用表現(xiàn)為:人口總數(shù)的重要性增強(qiáng),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(shù)量的增加對縣域碳排放強(qiáng)度影響更大,因此部分縣域可能會出現(xiàn)隨著人口減少而碳排放強(qiáng)度上升的現(xiàn)象.經(jīng)濟(jì)水平和財(cái)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(qiáng)度影響因素重要性排序

3 政策建議

(1)依據(jù)縣域碳排放強(qiáng)度空間格局,應(yīng)該分區(qū)域推進(jìn)縣域碳排放強(qiáng)度削減,著重瞄準(zhǔn)削減潛力較高的碳排放強(qiáng)度熱點(diǎn)區(qū)域,具體包括京津冀城市群、中原城市群、關(guān)中平原城市群;尤其是西北碳排放強(qiáng)度擴(kuò)張區(qū)域,要大力推進(jìn)縣域碳排放強(qiáng)度削減.同時(shí)持續(xù)推動西南地區(qū)縣域碳排放強(qiáng)度削減,爭取西南地區(qū)縣域碳排放強(qiáng)度進(jìn)一步下降.實(shí)現(xiàn)我國縣域碳排放削減量的整體提升.

(2)依據(jù)縣域碳排放強(qiáng)度影響因素的重要性排序及其響應(yīng)關(guān)系,首先,應(yīng)該關(guān)注中心城市碳排放的溢出效應(yīng),通過區(qū)域碳排放治理政策協(xié)同,減少高排產(chǎn)業(yè)向鄰近縣域轉(zhuǎn)移.其次,合理調(diào)整產(chǎn)業(yè)結(jié)構(gòu),集約式推進(jìn)產(chǎn)業(yè)結(jié)構(gòu)升級,加強(qiáng)對第三產(chǎn)業(yè)碳減排力度.其三,利用好縣域人口集聚和經(jīng)濟(jì)發(fā)展的碳減排紅利,在人口集聚初期和經(jīng)濟(jì)增長初期具有巨大的碳減排潛力,應(yīng)該通過快速提升公共交通等基礎(chǔ)設(shè)施,加快節(jié)能減排的技術(shù)創(chuàng)新,盡快釋放人口和經(jīng)濟(jì)的規(guī)模效應(yīng)以促進(jìn)碳減排;在人口過度集中縣域,應(yīng)該適當(dāng)?shù)囊龑?dǎo)人口疏散轉(zhuǎn)移,減少縣域碳排放反彈.其四,應(yīng)該將減碳目標(biāo)納入年度財(cái)政支出的評價(jià)體系,減少財(cái)政支出的碳排效應(yīng).

(3)依據(jù)縣域碳排放強(qiáng)度影響因素演進(jìn),應(yīng)該增強(qiáng)創(chuàng)新驅(qū)動縣域碳減排意識,加大綠色創(chuàng)新投入和綠色技術(shù)引進(jìn),創(chuàng)造良好的綠色創(chuàng)新的政策環(huán)境、市場環(huán)境和社會環(huán)境,加快節(jié)能減排技術(shù)的研發(fā)和推廣,利用綠色技術(shù)促進(jìn)縣域低碳經(jīng)濟(jì)發(fā)展.

4 結(jié)論

4.1 我國縣域平均碳排放強(qiáng)度逐年下降,但下降幅度逐漸放緩.縣域碳排放強(qiáng)度整體空間格局自相關(guān)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(qiáng)度熱點(diǎn)區(qū)域呈西進(jìn)態(tài)勢,冷點(diǎn)區(qū)域呈南下北上態(tài)勢,且熱點(diǎn)區(qū)擴(kuò)張快于冷點(diǎn)區(qū).因此我國的北部和西部縣域是碳排放強(qiáng)度削減的潛力區(qū)域.

4.2 關(guān)鍵影響因素中省會距離、產(chǎn)業(yè)結(jié)構(gòu)、路網(wǎng)密度和人口的重要性要高于財(cái)政收支、經(jīng)濟(jì)水平、綠色專利和是否開通高鐵.其中省會距離、產(chǎn)業(yè)結(jié)構(gòu)、路網(wǎng)密度、財(cái)政收支、人口密度和綠色專利等因素與碳排放強(qiáng)度存在明顯的非線性性響應(yīng)關(guān)系;中心城市的碳排放溢出效應(yīng),產(chǎn)業(yè)的升級前期的粗放型生產(chǎn),交通的通行效率,財(cái)政轉(zhuǎn)移支付的碳排放效應(yīng),人口聚集效應(yīng),以及綠色技術(shù)效用的滯后性等是產(chǎn)生非線性響應(yīng)關(guān)系的重要原因.

4.3 關(guān)鍵影響因素重要性隨時(shí)間變化明顯,其中綠色技術(shù)碳減排、交通服務(wù)水平、人口總數(shù)量增加、區(qū)域消費(fèi)能力對縣域碳排放強(qiáng)度削減的重要性增強(qiáng);而產(chǎn)業(yè)結(jié)構(gòu)和人口密度的重要性在減弱.

[1] 習(xí)近平.繼往開來,開啟全球應(yīng)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(wù)院公報(bào), 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(guī)模、產(chǎn)業(yè)集聚與碳排放 [J]. 中國環(huán)境科學(xué), 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(jīng)濟(jì)新常態(tài)[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(wù)業(yè)碳排放強(qiáng)度時(shí)空格局及影響因素[J]. 中國人口·資源與環(huán)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(nóng)業(yè)碳排放的空間分異與動態(tài)演進(jìn)——基于空間和非參數(shù)估計(jì)方法的實(shí)證研究[J]. 中國環(huán)境科學(xué), 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(qiáng)度的空間溢出效應(yīng)及驅(qū)動因素[J]. 地理學(xué)報(bào), 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(shí)空格局演變及空間效應(yīng)機(jī)制 [J]. 地理科學(xué), 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(yè)碳排放的因素分解與脫鉤效應(yīng)[J]. 中國環(huán)境科學(xué), 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(qū)域經(jīng)濟(jì)增長的碳排放強(qiáng)度差異及其斂散性[J]. 北京理工大學(xué)學(xué)報(bào)(社會科學(xué)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(qiáng)度的影響因素解析[J]. 環(huán)境科學(xué)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(shí)空演變及影響因素 [J]. 地理學(xué)報(bào), 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(tài)演進(jìn)——基于縣域碳排放數(shù)據(jù)的實(shí)證研究 [J]. 地理科學(xué), 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(nóng)業(yè)碳排放強(qiáng)度與農(nóng)業(yè)經(jīng)濟(jì)空間相關(guān)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(yè)部門碳排放強(qiáng)度研究:基于LMDI-Attribution分析方法[J]. 中國人口·資源與環(huán)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(shù)據(jù)集研究——基于中國高空間分辨率網(wǎng)格數(shù)據(jù)[J]. 中國人口·資源與環(huán)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(shí)空格局及影響因素分析[J]. 環(huán)境科學(xué)學(xué)報(bào), 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(yuǎn),張 晨,等.閩三角地區(qū)碳排放時(shí)空差異及影響因素研究[J]. 中國環(huán)境科學(xué), 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(qiáng),朱衛(wèi)平.產(chǎn)業(yè)集聚一定能帶來經(jīng)濟(jì)效率嗎:規(guī)模效應(yīng)與擁擠效應(yīng)[J]. 產(chǎn)業(yè)經(jīng)濟(jì)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(yè)集聚和城市規(guī)模對城市綠色全要素生產(chǎn)率的協(xié)同效應(yīng)研究[J]. 南方經(jīng)濟(jì), 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(shí)空異質(zhì)性[J]. 中國環(huán)境科學(xué), 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(jī)制及實(shí)證分析[J]. 經(jīng)濟(jì)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(chǎn)業(yè)集聚、城市規(guī)模與碳排放[J]. 工業(yè)技術(shù)經(jīng)濟(jì), 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(shí)空演變特征[J]. 環(huán)境科學(xué), 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(xué), 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(wǎng)格及空間特征分析[J]. 中國環(huán)境科學(xué), 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(shí)鵬.省域農(nóng)用地豬糞負(fù)荷強(qiáng)度時(shí)空演變分析[J]. 中國生態(tài)農(nóng)業(yè)學(xué)報(bào)(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(yè)隆,等.基于隨機(jī)森林模型的西藏人口分布格局及影響因素[J]. 地理學(xué)報(bào), 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(wèi)東,唐志鵬,夏 炎,等.中國碳強(qiáng)度關(guān)鍵影響因子的機(jī)器學(xué)習(xí)識別及其演進(jìn)[J]. 地理學(xué)報(bào), 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(chǎn)業(yè)集聚與地區(qū)間勞動生產(chǎn)率差異[J]. 經(jīng)濟(jì)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(cái)政支出結(jié)構(gòu)、新型城鎮(zhèn)化與碳減排效應(yīng)[J]. 當(dāng)代財(cái)經(jīng), 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(wǎng)絡(luò)交通碳排放影響因素研究 [J]. 交通與運(yùn)輸(學(xué)術(shù)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(xué)博士研究生,主要從事資源與環(huán)境管理研究.發(fā)表論文8篇.

2021-11-22

中央高校建設(shè)世界一流大學(xué)(學(xué)科)和特色發(fā)展引導(dǎo)專項(xiàng)(中國人民大學(xué)2022年)

* 責(zé)任作者, 教授, dajunshen@ruc.edu.cn