-
温室气体排放的持续增长，导致了全球变暖和极端天气频发等一系列环境问题，对社会经济发展产生了负面影响[1-2]。根据联合国政府间气候变化专门委员会（IPCC）第六次评估报告，全球变暖的趋势在未来几十年仍将持续[3]。为减缓气候变暖等环境问题，国际组织和各国政府相继出台了一系列法律和法案，如《联合国气候变化框架公约》、《京都议定书》和《巴黎气候协定》等[4-6]。2006年，中国大陆地区的碳排放量超过美国成为世界上最大的碳排放国[7]；并在2006—2016年间，碳排放持续快速增长，年增长率约为4.22%[2,8]。因此，中国政府制定并实施了一系列政策或措施（“1+N”政策框架） [9-11]，以有效降低碳排放，进而在2030年前和2060年前分别实现碳达峰和碳中和[12-13]。
高时空分辨率排放清单能有效识别排放的时空特征，为制定减排政策提供数据支撑[14-16]。因此，为实现“双碳目标”，建立高分辨率的碳排放清单并评估碳排放的时空特征至关重要。然而，传统的碳排放核算主要基于能源消费数据和其他社会经济数据，受限于数据的可获得性和滞后性，研究多集中在年度的全球、国家、区域、省级等大尺度碳排放核算[17-20]。近年来，DMSP/OLS与NPP/VIIRS等夜间灯光数据，由于具有能开放获取、覆盖范围广、时序长并能近乎实时（日度或月度）提供等优势，被广泛应用于区域碳排放研究[19,21-23]。ELVIDGE等[24]基于全球夜间灯光数据与能源消费碳排放数据，确定了两者之间存在相关性。随后，部分研究学者将空间分辨率扩展到省级、市级，并进一步证明夜间灯光数据能有效评估能源消费碳排放量[19,21,25]。如WANG和LIU[21]基于1992—2013年的夜间灯光数据评估了中国市级碳排放量；刘贤赵和杨旭[26]基于夜间灯光数据估算了中国省级碳排放量，并与国际权威数据比较分析，验证了夜间灯光数据估算碳排放的准确性。
在方法角度上，现有研究主要采用各种回归模型来研究夜间灯光数据和碳排放间的关系[27-28]。然而，在建模过程中，相比较参数固定的传统回归模型，神经网络模型因其允许高方差模型而不受过分拟合的影响更加有效[29-30]。如YANG等[29]通过人工神经网络基于夜间灯光数据对电力消费进行建模研究；JASIŃSKI[31]使用神经网络模型来探究夜间灯光数据与碳排放之间的关系。因此，为了克服回归模型由于模型参数固定而不准确的缺点，本研究使用反向传播（BP）神经网络来探究夜间灯光数据与碳排放之间的关系。
总体而言，现有研究对碳排放研究较为广泛，但很少有研究关注月度的县域等小尺度碳排放核算。本研究基于2016—2020年夜间灯光数据，选取山东省的县级单位作为研究区域，构建了夜间灯光数据与碳排放数据关系模型，应用空间自相关方法评估了能源消费碳排放的时空分布特征，并选取相关指标利用空间计量模型对山东省能源消费碳排放影响因素进行了分析，以期在“双碳目标”背景下，为山东省制定切实可行的减排政策提供科学依据。此外，由于山东省是中国能源消费最多、碳排放最高的省份[32-33]，且其经济结构具有代表性，因此在县域层面探索碳排放的演变趋势及其驱动因素，可以有效发挥山东的试点作用，为中国其他省份提供参考。
-
山东省位于中国东部沿海地区，下辖16个地级市、136个县级行政单位（图1）。山东省作为中国经济发达（GDP全国第3）、人口众多（人口规模全国第2）的省份，对化石能源依赖程度很高。据统计，2020年山东省能源消费总量418.45 Mt标准煤，占全国能源消费总量的8.4%，位居全国第1[32]，这导致山东省碳排放全国最高[33]。因此，了解山东省县域碳排放时空演变趋势及其影响因素，可以揭示具有巨大减排潜力的县域，实现精准减排。此外，山东省是“以新换旧”的试验性省份，建立了新的区域发展机制，即3大经济圈布局战略[34-35], 由于其经济结构具有代表性，因此，县级层面探索二氧化碳排放的演变趋势及其驱动因素，可以有效发挥山东的试点作用[36]。
-
1）数据来源。本研究选取夜间灯光数据、电力消费数据、能源消费数据、土地利用数据、社会经济数据等多源数据。其中，月度的夜间灯光数据来由来自美国国家航空航天局一级和大气档案分发系统分布式活动档案中心（Level-1 and atmosphere archive & distribution system distributed active archive center，
https://ladsweb.modaps.eosdis.nasa.gov/ ）的日度夜间灯光数据计算而来，电力消费数据、能源消费数据来自Wind数据库（https://www.wind.com.cn ），土地利用数据来自中国科学院地理科学与资源研究所（https://www.resdc.cn ），社会经济数据来自于山东省及其各市统计局。2）夜间灯光预处理。现有研究中，夜间灯光强度主要是根据行政边界计算。然而，行政边界因包含很大一部分非建设用地（如耕地、林地、水域等），不能直接反映社会经济活动，会导致结果出现偏差[37-38]。因此，本研究结合土地利用数据，从夜间灯光图像中提取有效夜间灯光数据。建成区包括三种类型的土地：51-城镇用地、52-农村居民点及53-其他建设用地。考虑到建成区土地利用数据可以反映一个区域的物理特征，本研究通过省（县）界掩膜提取了省（县）级区域。区域夜间灯光强度依式(1)计算。
式中：LTLi表示i区域的夜间灯光强度；Lk表示第k个像素的夜间灯光强度值；Ck表示第k个像素值相对应的像素个数。
3）基于能源统计数据的碳排放核算。以山东省能源消费统计数据为基础，参考国内外学者研究及山东省实际情况确定碳排放系数（表1），并借鉴IPCC发布的《IPCC 国家温室气体清单指南》和《IPCC 国家温室气体清单指南（2019 年修订版）》[39-40]的碳排放测算方法，选取10种能源类型构建山东省能源消费碳排放测算模型，具体见式(2)。
式中：CCi为能源i的折标准煤系数，kgce·kg−1；EFi为能源i的碳排放系数，kgC·kg−1；Ei为能源i消费量，104 t。
4）基于夜间灯光数据的碳排放模拟。BP神经网络是一种基于误差反向传播算法的多层前馈神经网络，通常包括输入层、隐藏层和输出层，每层都有多个节点[43]。BP神经网络主要依靠误差反向传播进行网络训练，并调整网络的权重和阈值，从而解决许多非线性问题[44]。现有研究证明电力消费对碳排放有很大的影响[38]。因此，本研究使用BP神经网络建立了山东省夜间灯光数据、电力消费数据和碳排放数据的关系模型，即选择夜间灯光数据、电力消费数据和碳排放数据作为输入层，选择碳排放数据作为输出值。在参数设置方面，通过BP神经网络的多次训练降低模型训练误差，最终确定构建能源消费碳排放模型估算的最佳参数。
根据夜间灯光数据，将省级能源消费碳排放分配到500 m网格，并进一步汇总到县域[30, 45]。在模型模拟验证方面，选取均方根误差（RSME）、平均绝对百分误差（MAPE）和相关系数（ρ）这3个指标。其中，对比2020年月度能源消费碳排放统计值与模拟值，RSME和MAPE分别为4 338.05×104 t和15.14%，ρ为0.98并通过了0.01下的显著性检验，表明该方法在能源消费碳排放估算方面具有良好的性能。
5）空间自相关。空间自相关主要用来度量空间单元属性值集聚程度，一般包括全局自相关和局部自相关[46-47]。其中，全局自相关主要用于分析整体空间关联程度及其显著性强弱，而局部自相关主要用于进一步分析局部空间异质性[46]。为进一步探究山东省能源消费碳排放的空间关联与异质性特征，本研究使用空间自相关（包括全局自相关与局部自相关）对其进行研究。
全局莫兰指数（Global Moran’s I）是一种测度空间自相关的综合评估方法[48]。当I>0时，区域之间存在正相关；当I<0时，存在负相关；当I=0时，不存在相关性。因此，本研究使用该指标在县域层面上探索能源消费碳排放的空间自相关。Global Moran’s I的显著性可以用Z值和p值来检验。当|Z|≤1.96且p≥0.05时，I不显著；当|Z|≥1.96且p＜0.05时，I显著。具体计算见式(3)和(4)。
式中：I代表莫兰指数I；n是区域数量；
$ {x}_{i} $ 和$ {x}_{j} $ 分别是i区域和j区域的碳排放量；$ \bar{x} $ 是碳排放量平均值；$ {{W}_{ij}} $ 是空间权重矩阵；$ {{E}}\left( {{I}} \right) $ 是I的期望值；$ \sigma \left( {{I}} \right) $ 是所有变量的标准偏差。与描述整体空间相关性的全局莫兰指数相比，局部尺度的空间自相关可以解释相邻区域之间的局部相关性和变化[49]。因此，为了进一步探索山东省能源消费碳排放的集聚或分散的空间特征，本研究采用了局部Moran’s I来衡量。其中，当I>0时，区域间能源消费碳排放存在高高（H-H）或低低（L-L）的空间集聚特征；当I<0时，区域间能源消费碳排放存在高低（H-L）或低高（L-H）的空间集聚特征。具体见式(5)。
式中：
$ {{\text{I}}_i} $ 为局部莫兰指数；$ {\mathrm{w}}_{ij} $ 是空间权重矩阵；$ {\mathrm{z}}_{i} $ 和$ {\mathrm{z}}_{j} $ 是i区域和j区域的碳排放的标准化值。6）影响因素分析。能源消费碳排放受到经济发展水平、人口、城镇化水平等因素的影响[50-52]。基于现有研究，本研究选取了经济（经济发展、固定资产投资及外商投资）、产业结构、人口（人口规模、人口密度）和城镇化水平等4方面因素。其中，经济发展是碳排放的一个重要经济因素，在区域经济发展的过程会增加资本要素的投入，促进能源消耗的增加，进而导致碳排放的增大，以GDP表示[53-54]；产业结构影响区域碳排放，主要是由于工业生产是碳排放的主要来源，以第二产业增加值与GDP的比值表示[55]；人口规模的扩张会促进能源消耗的增加，进而导致区域碳排放的增加，以年末常住总人口数量表示[56]；人口密度以单位面积人口数量表示[28]；城镇化水平通过改变人们的生活方式和消费模式对碳排放产生积极影响，以城镇人口与年末常住总人口数量的比值表示[57]；固定资产投资和外商投资可以促进生产，从而增加能源消耗，促进碳排放的增长[45,58]。
与传统计量模型相比，空间误差模型、空间滞后模型和空间杜宾模型等空间计量模型可以更有效地考虑空间相关性[45]。本研究使用拉格朗日乘子（LM）检验和稳健拉格朗日乘子（RLM）检验来确定哪些模型更适合山东省能源消费碳排放影响因素分析。通过比较，本研究发现空间滞后模型在不同水平上都通过了LM和RLM显著性检验。因此，为探索影响因素的时空异质性，本研究使用了空间滞后模型。具体见式(6)。
式中：YSLM为因变量（即能源消费碳排放）；ρ为空间滞后参数；W为空间权重矩阵；Yob表示空间滞后的因变量；X表示解释变量（即影响因素）；β表示回归系数；μ是误差项。
-
山东省2016—2020年月度能源消费碳排放的历史模式如图2所示。在此期间，能源消费碳排放量从2016年的1 472.53 Mt增加到2020年的1 600.05 Mt，年均增长率为2.10%。同时，人均能源消费碳排放从2016年的14.77 t增加到2020年的15.74 t，年均增长率为1.61%。山东省能源消费碳排放量的增加主要是由于经济的快速发展，这可能导致山东的能源需求增加。此外，山东省能源消费碳排放呈现出显著的季节性趋势，月度的能源消费碳排放量和人均能源消费碳排放量在每年1、2月份最低，在7、8和12月份最高。例如，2016年，2月能源消费碳排放最低为91.16 Mt，12月份最高为136.55 Mt。一方面，这可能是春节期间（1或2月份）大量外来人员离鲁返乡，且在此期间部分企业减少生产甚至停工停产，导致交通量和能源消耗降低[47,59]；另一方面，这可能是因为夏冬季炎热或者寒冷的气候使得空调等电器被大量使用，同时春节前（12月）工业生产处于生产高峰期，促进了能源消耗的增加，进而导致碳排放的增加[60]。
-
1）空间分布特征。如图3所示，山东省能源消费碳排放量在空间分布上存在显著的异质性，特别是高排放区域主要分布在胶东经济圈和省会经济圈，这可能与不同区域间的经济发展水平、人口和产业结构相关。例如，在城市维度上，青岛市、济南市和潍坊市能源消费碳排放量最高，同时也具有较高的经济发展水平（分别占2016年全省GDP的14.94%、9.75%和8.24%）、人口规模（分别占2016年全省人口规模的7.98%、6.38%和9.08%）和第二产业增加值（2016年分别为4.02×1011、2.31×1011和2.490×1011元）；相比之下，枣庄市、日照市和泰安市的能源消费碳排放量最低，同样也具有相对较低的经济发展水平（分别占2016年全省GDP的3.20%、2.69%和4.95%）、人口规模（分别占2016年全省人口规模的4.17%、3.02%和5.73%）和第二产业增加值（2016年分别为1.07×1011、8.13×1010和1.46×1011元）。
能源消费碳排放在县域层面显示较大的空间扩张。2016年，仅14个县域的能源消费碳排放总量超过20 Mt，到2020年增加到20个县域，这表明高排放的县域逐渐增加了对附近地区的影响。2016—2020年间，虽然仅有近一半的县域能源消费碳排放实现了增长（年均增长率0.19%~25.62%），但由于主要都是高排放的县域在增加，如黄岛区、岱岳区和寒亭区，因此导致了山东省能源消费碳排放量逐年增加。另外部分县域能源消费碳排放有所下降，但主要为低排放县域，如泗水县、蒙阴县和栖霞市。因此，有必要进一步探索能源消费碳排放的空间关联性，以便更好地制定和实施针对具体区域的政策。
2）空间自相关。本研究使用Global Moran’s I来研究山东省能源消费碳排放量的空间关联和异质性特征（表2）。由表2可以看出，2016—2020年内，Global Moran’s I结果均大于0，P值均小于0.01，通过了0.01下的显著性检验，表明山东省能源消费碳排放的存在空间正相关。其中，山东省县域能源消费碳排放Global Moran’s I从2016年的0.175 4下降到2018年的0.149 5，然后缓慢上升到2020年的0.156 4，说明山东省县域能源消费碳排放空间关联逐步趋于稳定。
Global Moran’s I仅能从整体上判别山东省能源消费碳排放的空间关联程度，但不能探究其内在的空间集聚特征。为进一步分析相邻县域之间的集聚特征，选取2016、2018和2020年3个典型年份对山东省县域能源消费碳排放进行局部自相关分析。结果表明（图4），20%左右的县呈现正向空间自相关，并表现出H-H和L-L的空间聚集。2016年有6个H-H县和13个L-L县，H-H县主要分布在青岛市和日照市，如胶州市、崂山区和东港区；L-L县主要分布在枣庄市、德州市、泰安市等，如台儿庄区、平原县和东平县。2018—2020年，H-H县略有增加，但其分布逐渐从青岛市转移到济南市和泰安市，如历城区、历下区和泰山区；L-L县则主要分布在枣庄市、德州市、临沂市、济宁市等。总体而言，在此期间，山东省能源消费碳排放的总体空间格局有所变化，其空间集聚性略有增加。
-
空间自相关性的存在是使用空间计量方法的必要前提[61]。由于空间自相关分析揭示了山东省碳排放存在空间自相关，因此为进一步探索能源消费碳排放的影响因素，基于数据可用性，选取2016、2018和2020年3个典型年份使用空间计量模型进行影响因素分析。采用最小二乘法对指标因素进行筛选，结果发现固定资产投资与外商投资具有较高的方差膨胀因子（VIF>10），因此，最终选取GDP、人口规模、人口密度、产业结构和城镇化水平进行下一步研究。此外，为避免量纲的影响，对变量进行归一化处理。并选择对数似然（LL）、赤池信息准则（AIC）和施瓦兹准则（SC）来验证模型，所有结果统计指标都较高（表3）。
从整体来看，经济发展水平、人口规模、产业结构和城镇化水平对能源消费碳排放有正向影响，人口密度对能源消费碳排放有负向影响。其中，经济发展与城镇化水平对能源消费碳排放影响最大。与2016年相比，2020年的GDP对能源消费碳排放的影响逐渐增加，系数为0.563 9；而2020年城镇化水平对能源消费碳排放的影响降低，系数为0.380 2。人口密度系数从2016年的系数−0.314 2增加到2020年的−0.426 8，表明它与能源消费碳排放呈负相关，这也与现有研究结果一致[62]。这些结果表明，大多数县域的政策制定者一直在努力提高能源效率，优化产业结构，以有效减少碳排放；但在积极发展经济的同时，不可避免地面临与经济增长相关的碳排放压力[63-64]。
-
1）在2016—2020年，山东省能源消费碳排放呈上升趋势，且呈现出显著的季节性趋势，月度的碳排放量和人均碳排放量在每年1、2月份最低，在7、8和12月份最高。
2）从空间上看，能源消费碳排放存在显著的空间异质性，在县域层面有明显的扩张；山东省能源消费碳排放在空间上存在显著相关性，主要呈现H-H和L-L集聚特征。
3）总体上，经济发展水平、城镇化水平、产业结构和人口规模对能源消费碳排放具有正向影响，人口密度对能源消费碳排放具有负向影响。
-
1）相比较传统统计数据，夜间灯光数据对精准核算碳排放具有明显优势。因此，随着全球卫星遥感技术的进步，通过夜间灯光数据核算不同行政级别的碳排放是未来应用方向。
2）山东省能源消费碳排放在县域之间存在明显的异质性，政策制定者应根据不同地区的自然资源禀赋和条件，因地制宜推进清洁能源使用等的碳减排政策；同时，需要考虑促进县域之间的合作，缩小技术差距，如共享技术、人才和其他资源，以促使县域共同实现绿色低碳发展。
3）本研究表明，几乎所有因素都对能源消费碳排放产生了影响。因此，针对济南、青岛和淄博等城镇化水平较高的城市，应该更加重视控制人口规模，促进城市化的可持续发展，优化能源结构。
山东省县域能源消费碳排放时空特征及影响因素研究
Spatial-temporal characteristics and influencing factors of county-level energy-related carbon emissions in Shandong province
-
摘要: 县域是落实碳减排政策的关键行政单位，研究县域层面的碳排放时空特征和影响因素对实现“双碳”目标具有重要意义。近年来，山东省已成为中国最大的碳排放省份之一，但现有研究未能捕捉到县域层面的最新趋势以及其驱动因素。研究基于2016—2020年夜间灯光数据，在使用反向传播神经网络算法估算山东省县域层面的月度能源消费碳排放量的基础上，结合空间自相关和空间计量模型等方法研究了能源消费碳排放的时空演变特征和影响因素。研究结果表明：1）2016—2020年，山东省能源消费碳排放总体呈上升趋势，并呈现出显著季节性趋势，月度的碳排放量和人均碳排放量在每年1、2月份最低，在7、8和12月份最高；2）空间上，山东省县域能源消费碳排放存在显著异质性，高排放区域主要集中在青岛和济南等城市，并在县域层面显示较大的空间扩张；3）影响山东省能源消费碳排放的5个影响因素中，除人口密度对能源消费碳排放有负向影响，其余4个影响因素与对能源消费碳排放有正向影响且其影响程度分别为经济发展水平、人口规模、城镇化水平和产业结构。研究结果可以为县域层面制定精准化减排政策提供参考。Abstract: County is a key administrative unit for carbon emission reduction and policy implementation. It is of great significance to study spatial and temporal characteristics and influencing factors of carbon emission at the county level to achieve the goal of carbon peak and neutrality. In recent years, Shandong Province has become one of the largest carbon emitters in China, but existing studies have failed to capture the latest trends at the county level and their driving factors. Based on night light data from 2016 to 2020, this study used the backpropagation neural network algorithm to estimate monthly energy consumption carbon emissions at the county level in Shandong Province, and combined with spatial autocorrelation and spatial econometric models to study the spatial-temporal evolution characteristics and influencing factors of energy consumption carbon emissions. The results showed that: 1) From 2016 to 2020, energy consumption carbon emissions in Shandong Province showed an overall upward trend and a significant seasonal trend. The monthly carbon emissions and per capita carbon emissions were the lowest in January and February, and the highest in July, August, and December; 2) Spatially, there was significant heterogeneity of energy consumption carbon emissions at the county level in Shandong Province. The high-emission areas were mainly concentrated in Qingdao and Jinan, and showed a large spatial expansion at the county level; 3) Among the five influencing factors affecting carbon emissions of energy consumption in Shandong Province, except population density, which had a negative impact on carbon emissions of energy consumption, the other four influencing factors had a positive impact on carbon emissions of energy consumption, and their influence degrees were economic development level, population size, urbanization level and industrial structure. The results can provide a reference for the formulation of precise emission reduction policies at the county level.
-
-
图 2 山东省碳排放总量和人均碳排放量的时间趋势
Figure 2. Temporal trends of total carbon emissions and per capita carbon emissions in Shandong
图 4 2016、2018和2020年县级碳排放的局部空间自相关
Figure 4. Local spatial autocorrelation of carbon emissions at the county level in 2016, 2018, and 2020
能源种类 折算系数/
(kgce·kg−1)碳排放系数/
(kgC·kg−1)原煤 0.714 3 0.755 9 焦炉煤气 6.143 0 0.354 8 焦炭 0.971 4 0.855 0 原油 1.428 6 0.585 7 汽油 1.471 4 0.553 8 煤油 1.471 4 0.571 4 柴油 1.457 1 0.592 1 燃料油 1.428 6 0.618 5 液化石油气 1.741 3 0.504 2 天然气 1.330 0 0.448 3 
下载: 导出CSV
表 2 山东省县域碳排放量Global Moran’s I及其检验结果
Table 2. Global Moran’s I and statistical test results of county-level carbon emissions in Shandong province
年份 Moran’s I Z值 P值 2016 0.175 4 3.373 1 <0.002 2017 0.164 4 3.152 0 <0.003 2018 0.149 5 2.850 9 <0.007 2019 0.156 0 2.974 5 <0.004 2020 0.156 4 2.993 2 <0.003
下载: 导出CSV
表 3 空间滞后模型结果
Table 3. Results of spatial lag model
因素或统计参数 年份 2016 2018 2020 常量 −0.177 8 −0.180 4 −0.140 2 GDP 0.454 4*** 0.540 3*** 0.563 9*** 人口规模 0.182 6*** 0.210 3** 0.213 1** 人口密度 −0.314 2*** −0.389 7*** −0.426 8*** 产业结构 0.158 9** 0.141 5** 0.052 4 城镇化水平 0.402 9*** 0.386 2*** 0.380 2*** R2 0.655 0 0.667 2 0.661 1 LL 131.640 0 130.542 0 123.611 0 AIC −249.279 0 −247.083 0 −233.222 0 SC −228.891 0 −226.695 0 −212.833 0 Prob. 0 0 0 注：“*”、“**”和“***”分别代表在10%、5%和1%水平上具有显著性。
下载: 导出CSV
-
[1] 段宏波, 汪寿阳. 中国的挑战: 全球温控目标从2 ℃到1.5 ℃的战略调整[J]. 管理世界, 2019, 35(10): 50-63. doi: 10.3969/j.issn.1002-5502.2019.10.006 [2] GAO F, WU J, XIAO J, et al. Spatially explicit carbon emissions by remote sensing and social sensing[J]. Environmental Research, 2023, 211: 115257. [3] IPCC. Climate Change 2021: The Physical Science Basis. Contribution of working group I to the sixth assessment report of the intergovernmental panel on climate change[R]. Cambridge University Press, 2021. [4] United Nations Framework Convention on Climate Change. United Nations, New York, 1992. [5] United Nations Framework Convention on Climate Change. Paris Agreement, France, Paris, 2015. [6] United Nations Framework Convention on Climate Change. Kyoto Protocol, Japan, Kyoto, 1997. [7] MI Z, MENG J, GUAN D, et al. Chinese CO2 emission flows have reversed since the global financial crisis[J]. Nature Communications, 2017, 8(1): 1712. doi: 10.1038/s41467-017-01820-w [8] 张永年, 潘竟虎. 基于DMSP/OLS数据的中国碳排放时空模拟与分异格局[J]. 中国环境科学, 2019, 39(4): 1436-1446. doi: 10.3969/j.issn.1000-6923.2019.04.011 [9] ZHANG Y, FU B. Impact of China’s establishment of ecological civilization pilot zones on carbon dioxide emissions[J]. Journal of Environmental Management, 2023, 325: 116652. doi: 10.1016/j.jenvman.2022.116652 [10] GUAN D, MENG J, REINER D M, et al. Structural decline in China’s CO2 emissions through transitions in industry and energy systems[J]. Nature Geoscience, 2018, 11: 551-555. doi: 10.1038/s41561-018-0161-1 [11] 人民日报. 碳达峰碳中和“1+N”政策体系已构建“双碳”工作取得良好开局[EB/OL]. 中华人民共和国中央人民政府, 2022. http://www.gov.cn/xinwen/2022-09/23/content_5711246.htm. [12] 习近平. 在第七十五届联合国大会一般性辩论上的讲话[J]. 中华人民共和国国务院公报, 2020(28): 5-7. [13] LIU Z, GUAN D, MOORE S, et al. Climate policy: steps to China’s carbon peak[J]. Nature, 2015, 522: 279-281. doi: 10.1038/522279a [14] ZHANG L, NIU M, ZHANG Z, et al. A new method of hotspot analysis on the management of CO2 and air pollutants, a case study in Guangzhou city, China[J]. Science of the Total Environment, 2023, 856: 159040. doi: 10.1016/j.scitotenv.2022.159040 [15] CRIPPA M, SOLAZZO E, HUANG G, et al. High resolution temporal profiles in the emissions database for global atmospheric research[J]. Scientific Data, 2020, 7: 121. doi: 10.1038/s41597-020-0462-2 [16] 马立, 王璟煦, 张迪迪, 等. 高时空分辨率FFCO2排放清单的构建方法及研究展望[J]. 地理学报, 2022, 77(3): 650-664. [17] 赵江燕, 朱宇恩, 马建超, 等. 山西省能源消费碳排放清单和影响因素研究[J]. 太原理工大学学报, 2022, 53(6): 989-996. [18] RAUPACH M R, RAYNER P J, PAGET M. Regional variations in spatial structure of nightlights, population density and fossil-fuel CO2 emissions[J]. Energy Policy, 2010, 38(9): 4756-4764. doi: 10.1016/j.enpol.2009.08.021 [19] 苏泳娴, 陈修治, 叶玉瑶, 等. 基于夜间灯光数据的中国能源消费碳排放特征及机理[J]. 地理学报, 2013, 68(11): 1513-1526. [20] 刘玉珂, 金声甜. 中部六省能源消费碳排放时空演变特征及影响因素[J]. 经济地理, 2019, 39(1): 182-191. [21] WANG S, LIU X. China’s city-level energy-related CO2 emissions: Spatiotemporal patterns and driving forces[J]. Applied Energy, 2017, 200: 204-214. doi: 10.1016/j.apenergy.2017.05.085 [22] SHI K, CHEN Y, YU B, et al. Modeling spatiotemporal CO2 (carbon dioxide) emission dynamics in China from DMSP-OLS nighttime stable light data using panel data analysis[J]. Applied Energy, 2016, 168: 523-533. doi: 10.1016/j.apenergy.2015.11.055 [23] 狄乾斌, 侯智文, 陈小龙. 基于夜间灯光数据的中国海岛县碳排放时空分异及影响因素研究[J]. 地理与地理信息科学, 2022, 38(6): 23-28. doi: 10.3969/j.issn.1672-0504.2022.06.004 [24] ELVIDGE C D, IMHOFF M L, BAUGH K E, et al. Night-time lights of the world: 1994–1995[J]. ISPRS Journal of Photogrammetry and Remote Sensing, 2001, 56(2): 81-99. doi: 10.1016/S0924-2716(01)00040-5 [25] 郭亚丽, 贾俊松, 李玲, 等. 收缩视角下黄河中游城市碳排放时空格局及其影响因素[J]. 生态学报, 2024, 44(3): 903-914. [26] 刘贤赵, 杨旭. 夜间灯光数据估算中国省域碳排放与国际碳数据库分配的碳排放比较[J]. 遥感技术与应用, 2022, 37(2): 319-332. [27] LIU X, OU J, WANG S, et al. Estimating spatiotemporal variations of city-level energy-related CO2 emissions: An improved disaggregating model based on vegetation adjusted nighttime light data[J]. Journal of Cleaner Production, 2018, 177: 101-114. doi: 10.1016/j.jclepro.2017.12.197 [28] 王素凤, 洪剑涛, 李化夫. 中国城市能源消费碳排放影响因素的时空异质性[J]. 世界地理研究, 2024, 33(8): 102-116. doi: 10.3969/j.issn.1004-9479.2024.08.20222252 [29] YANG D, LUAN W, QIAO L, et al. Modeling and spatio-temporal analysis of city-level carbon emissions based on nighttime light satellite imagery[J]. Applied Energy, 2020, 268: 114696. doi: 10.1016/j.apenergy.2020.114696 [30] ZHOU L, SONG J, CHI Y, et al. Differential spatiotemporal patterns of CO2 emissions in eastern China’s urban agglomerations from NPP/VIIRS nighttime light data based on a neural network algorithm[J]. Remote Sensing, 2023, 15(2): 404. doi: 10.3390/rs15020404 [31] JASIŃSKI T. Modeling electricity consumption using nighttime light images and artificial neural networks[J]. Energy, 2019, 179: 831-842. doi: 10.1016/j.energy.2019.04.221 [32] 中华人民共和国国家统计局, 中国统计年鉴-2021[M]. 北京: 中国统计出版社, 2021. [33] SHAN Y, GUAN D, HUBACEK K, et al. City-level climate change mitigation in China[J]. Science Advances, 2018, 4(6): aaq0390. doi: 10.1126/sciadv.aaq0390 [34] 新华社, 山东将建省会、胶东、鲁南三大经济圈[EB/OL]. 山东省政府, 2020. https://www.gov.cn/xinwen/2020-06/09/content_5518252.htm. [35] 国家发展改革委, 发展改革委关于印发山东新旧动能转换综合试验区建设总体方案的通知[EB/OL]. [2018-01-07]. https://www.gov.cn/xinwen/2018-01/17/5257607/files/dea867557f994b09b4b5daa94a800ed6.pdf, 2018. [36] YANG H, LU Z, SHI X, et al. How well has economic strategy changed CO2 emissions? Evidence from China's largest emission province[J]. Science of the Total Environment, 2021, 774: 146575. doi: 10.1016/j.scitotenv.2021.146575 [37] CAI B, LIU H, ZHANG X, et al. High-resolution accounting of urban emissions in China[J]. Applied Energy, 2022, 325: 119896. doi: 10.1016/j.apenergy.2022.119896 [38] DU M, ZHANG X, XIA L, et al. The China carbon watch (CCW) system: A rapid accounting of household carbon emissions in China at the provincial level[J]. Renewable and Sustainable Energy Reviews, 2022, 155: 111825. doi: 10.1016/j.rser.2021.111825 [39] IPCC. 2006 IPCC Guidelines for National Greenhouse Gas Inventories. Prepared by the National Greenhouse Gas Inventories Programme, Institute for Global Environmental Strategies. Hayama, Kanagawa, Japan[EB/OL]. https://www.ipcc-nggip.iges.or.jp/support/Primer_2006GLs.pdf, 2006. [40] IPCC. 2019 Refinement to the 2006 IPCC Guidelines for National Greenhouse Gas Inventories [EB/OL]. https://www.ipcc.ch/report/2019-refinement-to-the-2006-ipcc-guidelines-for-national-greenhouse-gas-inventories/, 2019. [41] 于博, 杨旭, 吴相利. 哈长城市群县域碳排放空间溢出效应及影响因素研究——基于NPP-VIIRS夜间灯光数据的实证[J]. 环境科学学报, 2020, 40(2): 697-706. [42] 郝瑞军, 魏伟, 刘春芳, 等. 中国能源消费碳排放的空间化与时空动态[J]. 环境科学, 2022, 43(11): 5305-5314. [43] RUMELHART D E, HINTON G E, WILLIAMS R J. Learning internal representations by error propagation[M]. Tech Rep, California Univ San Diego La Jolla Inst for Cognitive Science, 1985. [44] YU L, HE Y. Evaluation of sports training effect based on GABP neural network and artificial intelligence[J]. Journal of Ambient Intelligence and Humanized Computing, 2021, 11(5): 1-11. [45] SHI K, YU B, ZHOU Y, et al. Spatiotemporal variations of CO2 emissions and their impact factors in China: A comparative analysis between the provincial and prefectural levels[J]. Applied Energy, 2019, 233: 170-181. [46] 吕周洋, 凌丹丹, 陈军飞, 等. 能源生态效率对碳排放的影响及空间溢出效应研究——以长江经济带110个城市为例[J]. 南京工业大学学报(社会科学版), 2023, 22(1): 95-110+112. [47] WAN R, QIAN S, RUAN J, et al. Modelling monthly-gridded carbon emissions based on nighttime light data[J]. Journal of Environmental Management, 2024, 354: 120391. doi: 10.1016/j.jenvman.2024.120391 [48] 卢奕帆, 梁颖然, 卢思言, 等. 结合“珞珈一号”夜间灯光与城市功能分区的广州市碳排放空间分布模拟及其影响因素分析[J]. 地球信息科学学报, 2022, 24(6): 1176-1188. [49] 田泽, 景晓栋, 肖钦文. 长江经济带碳排放-产业结构-区域创新耦合度及时空演化[J]. 华东经济管理, 2020, 34(2): 10-17. [50] 穆佳音, 王金满, 刘彪, 杨曼. 资源型城市碳排放演变及影响因素研究进展[J/OL]. 煤炭学报, 1-15. (3-11-16]. 3-11-16].
[51] 朱嘉豪, 许章华, 李诗涵, 等. 福州都市圈能源消费碳排放空间网络结构演化及其影响因素研究[J]. 地理与地理信息科学, 2023, 39(6): 75-83. [52] 冉光圭, 杨宣. 西部地区能源消费碳排放时空格局演变及影响因素分析[J]. 贵州民族研究, 2022, 43(6): 56-61. [53] WANG J, YANG Y. A regional-scale decomposition of energy-related carbon emission and its decoupling from economic growth in China[J]. Environmental Science and Pollution Research, 2020, 27: 20889-20903. doi: 10.1007/s11356-020-08567-w [54] 帅红, 张憬怡, 钟小敏, 等. 长江中游城市群县域能源消费碳排放时空演变及其影响因素分析[J]. 湖南师范大学自然科学学报, 2023, 46(6): 71-81. [55] SONG C, YANG J, WU F, et al. Response characteristics and influencing factors of carbon emissions and land surface temperature in Guangdong Province, China[J]. Urban Climate, 2022, 46: 101330. doi: 10.1016/j.uclim.2022.101330 [56] WANG C, WANG F, ZHANG X, et al. Examining the driving factors of energy related carbon emissions using the extended STIRPAT model based on IPAT identity in Xinjiang[J]. Renewable and Sustainable Energy Reviews, 2017, 67: 51-61. doi: 10.1016/j.rser.2016.09.006 [57] 邹秀清, 孙学成, 葛天越, 等. 长三角地区碳排放差异、影响机理及碳达峰预测[J]. 长江流域资源与环境, 2023, 32(3): 548-557. [58] YANG S, YANG X, GAO X, et al. Spatial and temporal distribution characteristics of carbon emissions and their drivers in shrinking cities in China: Empirical evidence based on the NPP/VIIRS nighttime lighting index[J]. Journal of Environmental Management, 2022, 322: 116082. doi: 10.1016/j.jenvman.2022.116082 [59] MA S, ZHANG Y, LV J, et al. Big data driven predictive production planning for energy-intensive manufacturing industries[J]. Energy, 2020, 211: 118320. doi: 10.1016/j.energy.2020.118320 [60] WANG Q, LI L. The effects of population aging, life expectancy, unemployment rate, population density, per capita GDP, urbanization on per capita carbon emissions[J]. Sustainable Production and Consumption, 2021, 28: 760-774. doi: 10.1016/j.spc.2021.06.029 [61] 杨飞虎, 桂杉杉, 余炳文. 数字化水平、产业结构升级与绿色城镇化——基于我国286个城市的经验数据[J]. 学习与探索, 2023(11): 129-139. [62] ZHOU B, LI Y, DING Y, et al. An input-output-based Bayesian neural network method for analyzing carbon reduction potential: A case study of Guangdong province[J]. Journal of Cleaner Production, 2023, 389: 135986. doi: 10.1016/j.jclepro.2023.135986 [63] WANG M, LI Q, WANG F, et al. Residential indoor thermal environment investigation and analysis on energy saving of air conditioning in hot summer and warm winter zone in China[J]. Urban Climate, 2023, 47: 101369. doi: 10.1016/j.uclim.2022.101369 [64] 李思航, 马文林, 郝汉, 等. 县域能源消费CO2排放特征及减排措施: 以河北省怀来县为例[J]. 环境工程学报, 2023, 17(7): 2277-2285. doi: 10.12030/j.cjee.202303038 -
点击查看大图
图( 4) 表( 3)
计量
- 文章访问数: 396
- HTML全文浏览数: 396
- PDF下载数: 18
- 施引文献: 0
