EN中文

Remote Sensing for Natural Resources >

2025 , Vol. 37 >Issue 3: 183 - 191

DOI: https://doi.org/10.6046/zrzyyg.2024003

Exploring the influence of China’s urban population size on carbon dioxide emission intensity based on the Bayesian causal forest model

  • TIAN Lijun , 1 ,
  • CHAO Hui , 1 ,
  • WANG Chunlei 2 ,
  • JIAO Linlin 1
Expand
  • 1. College of Mining Engineering, North China University of Science and Technology, Tangshan 063210, China
  • 2. Consulting & Research Center of Ministry of Natural Resources, Beijing 100100, China

Received date: 2024-01-02

  Revised date: 2024-04-06

  Online published: 2026-06-03

Fold

Abstract

Under severe global climate change, achieving carbon peak and neutrality goals is of great significance. Exploring the influence of a specific factor on carbon dioxide (CO2) emission intensity while controlling other driver variables remains a challenge. With CO2 emission intensity data at the prefecture-level city scale as a data source, this study analyzed the spatial heterogeneity and spatial correlation of CO2 emission intensity using the geodetector model and the spatial autocorrelation method, respectively. Using the constructed Bayesian causal forest model, and controlling other drivers, this study obtained the causal effects of China’s urban population size on CO2 emission intensity from 2005 to 2020, presenting a U-shaped curve. Accordingly, this study explored the influence mechanism of China’s urban population size on CO2 emission intensity. Based on the above analysis, this study proposed reasonable emission reduction policy recommendations for different regions, serving as a reference to enhance urban sustainable development.

Key words： carbon dioxide (CO2) emission intensity; spatial heterogeneity; spatial correlation; Bayesian causal forest model; causal effect; urban population size

Cite this article

TIAN Lijun , CHAO Hui , WANG Chunlei , JIAO Linlin . Exploring the influence of China’s urban population size on carbon dioxide emission intensity based on the Bayesian causal forest model[J]. Remote Sensing for Natural Resources, 2025 , 37(3) : 183 -191 . DOI: 10.6046/zrzyyg.2024003

0 引言

实现“双碳”目标是我国破解资源环境约束突出问题、实现经济社会良性运转的关键举措,从全国层面研究二氧化碳排放强度的时空演变规律对于区域差异化控碳政策的提出和技术方法研究具有重要意义。
近年来许多学者对省域的碳排放异质性进行了讨论[1-4],方法多样化,时间与空间共同推进。例如俞雅乖等[5]通过碳排放系数法测算国家级城市群建筑业二氧化碳排放强度并分析其分解效应的空间分异;郭禹辰等[6]进行了“碳中和”背景下流通业碳减排成熟度测度及空间异质性研究;张丽琼等[7]基于空间和分布动态法分析了1997—2018年中国农业碳排放的时空演进与脱钩效应。但对于全国范围内的二氧化碳排放强度时空演变研究较少,因此本文基于中国大陆地级及以上城市进行动态分析,可为“双碳”目标的实现提供理论依据。
时空演变分析是从地理空间和时态角度充分反映研究领域变化特征的有效手段,例如程进[8]采用马尔可夫链和空间马尔可夫链分析方法对2003—2013年长三角城市PM10年均质量浓度的时空演化进行分析,得到长三角城市群大气污染的空间差异。由于在“减排”政策的不断推进下,探索二氧化碳排放强度的时空演变对于早日实现“双碳”目标具有重要意义,因此近年来有关碳排放学术成果的发表数呈阶梯式增长,例如Pan等[9]对中国沿海地区碳排放的时空格局演化进行系统分析时,运用探索性时空数据分析(exploratory spatial-temporal data analysis,ESTDA)方法与空间杜宾模型进行研究; Baldwin等[10]采用指数分解技术来表征美国二氧化碳排放的演变。
城市人口规模是碳排放重要的驱动因子。“双碳”背景下,清楚地了解人口规模的不同分布情况及空间结构对二氧化碳排放强度的影响效应,更有利于针对不同地区提出合理减排政策建议,例如Shi等[11]结合计量经济学模型探究单中心或多中心城市空间结构如何影响碳排放,并对城市的可持续性发展提供参考依据。
对于碳排放的影响因素,孙蒙等[12]分析出能源结构对二氧化碳排放强度的影响最大;程钰等[13]运用Super-SBM和STIRPAT模型等探究碳排放绩效的影响因素,但在控制其他变量的前提下进行某种因子对二氧化碳排放强度影响效应的研究尚有欠缺。此外,在估计干预对因变量的因果效应时,往往需要去预测反事实结果,通常情况下最容易理解的方式就是通过解释变量和与个体有关的协变量去拟合因变量,较为传统的方法就是通过线性模型去拟合,就需要去假设所有的效应是线性的,但当这种假设不服从时,即干预对因变量的影响是非线性。当对于个体之间具有某种差异时,用线性模型拟合所估计的参数必然是不准确的,甚至需要手动输入非线性项,这都会导致模型出现过拟合以及样本量不足的问题。而采用贝叶斯累加回归数(Bayesian additive regression trees,BART)的方法可以自动拟合具有大量变量的数据,并捕捉非线性和交互效应。它基于马尔可夫链蒙特卡洛(Markov chain Monte Carlo,MCMC)算法计算出因变量的后验分布以及反事实结果,进而计算出因果效应值,其优点在于可以计算出每个个体的因果效应。做因果推断时,最佳的做法是通过一系列的随机对照试验,但基于现实因素的限制,只能得到可观测性数据。一些混淆因素会对个体的是否干预造成影响,以及个体异质性不同,因果效应也不同,而贝叶斯因果森林(Bayesian causal forest,BCF)方法对BART做出进一步改进,引入倾向性得分,实现了混杂因素影响的排除,从而可以获得每个统计单位核心因素的因果效应和总体效应。
基于上述分析,排除混杂因素的影响对于因果效应的研究具有重要意义,因此本文通过BCF模型,平衡12种混杂因素干扰,探究人口规模对二氧化碳排放强度的影响,以期为不同地区提出更合理的减排政策建议。

1 研究区概况及数据源

本文以中国大陆地级及以上城市行政区内2000—2020年的面板数据为统计源,研究人口规模对二氧化碳排放强度的影响,由于部分地区协变量数据缺失,最终选定东、中、西部及东北部地区有代表性的278个城市为研究对象(图1)。二氧化碳排放强度(百万t/十万元)采用二氧化碳排放总量(百万t)与GDP(十万元)计算得到,作为因变量。结合前人研究成果并查阅相关文献,选取与二氧化碳排放强度有关的12种因素为协变量[14-23]。最终生成样本城市2000—2020年与研究内容相关的因变量、解释变量和协变量时间序列数据集(表1)。
图1 研究区概况(审图号:GS京(2025)0941号)

Fig.1 Study area profile

表1 变量的选取及来源

Tab.1 Selection and sources of variables

变量类型 数据名称 数据来源
因变量 二氧化碳排放强度
(百万t/十万元)		 二氧化碳排放总量/百万t https://www.yearbookchina.com/navibooklist-N2016120537-1.html
GDP/十万元 https://doi.org/10.6084/m9.figshare.17004523.v1
解释变量 人口数据/人 LandScan人口栅格数据集(30″空间分辨率)
https://landscan.ornl.gov
协变量 用电数据/(kW·h) https://doi.org/10.6084/m9.figshare.17004523.v1[24]
能源消耗总量(标煤)/万t 《全国能源统计年鉴》《中国城市统计年鉴》
https://www.yearbookchina.com/navibooklist-n3020013309-1.html
http∶//www.stats.gov.cn/tjsj/
气温/℃ 美国国家海洋和大气管理局国家环境信息中心
https://www.ncei.noaa.gov/data/global-summary-of-the-day/archive/
城镇化率 《中国城市统计年鉴》
http∶//www.stats.gov.cn/tjsj/
家庭液化石油气/t
公路客运量/万人
年末实有公共汽电车运营数/辆
科技支出/万元
建成区绿化覆盖率
第一产业占地区生产总值比重
第二产业占地区生产总值比重
第三产业占地区生产总值比重

2 研究方法

2.1 地理探测器

地理探测器可用于探究单变量的空间分异性以及不同因子间交互作用。本文借鉴国家统计局的成果,按照4大经济区域进行分区,分为东部地区、东北部地区、中部地区和西部地区,利用q统计指标研究二氧化碳排放强度的空间异质程度,公式为:
q = 1 - ∑ h = 1 M N h σ h 2 N σ 2 = 1 - S S W S S T
式中:Nh和N分别为类h和全区的单元数; σ h 2和σ2分别为类h和全区因变量值的方差;SST和SSW分别为类内方差之和与全区总方差。

2.2 空间自相关

空间自相关指探究空间某点与邻近点相关关系的方法,通常采用全局莫兰指数(global Moran’s I)和局部莫兰指数(local Moran’s I)来研究空间自相关性,公式分别为:
I = ∑ i = 1 m ∑ j = 1 m W i j ( ω i - ω - ) ( ω j - ω - ) ∑ i = 1 m ( ω i - ω - ) 2 × m ∑ i = 1 m ∑ j = 1 m W i j
I i = ( ω i - ω - ) ∑ j = 1 m W i j ( ω j - ω - ) S i 2
S i 2 = ∑ j = 1 m ( ω i - ω - ) 2 m - 1 - ω - 2
式中:I为全局莫兰指数;Ii为局部莫兰指数;m为样本量;ωi和ωj为第i个空间单元和第j个空间单元的观测值(i≠j); ω -为观测值的平均值; S i 2为方差;Wij为邻接权重[25]。

2.3 潜在因果模型

潜在结果是研究因果推断问题的出发点,对于任何一个单元,“干预”与“不干预”这2个潜在结果之间的差别为处理效果,因此将个体i的因果作用定义为个体因果效应(individual causal effect, ICE),公式为:
I C E ( i ) = Y 1 ( i ) - Y 0 ( i )
式中:Y1(i)为“干预”个体i所对应的潜在结果;Y0(i)为“不干预”对应的潜在结果。
统计学希望以潜在结果研究总体的平均因果作用,将总体的平均因果作用定义为平均因果效应(average causal effect, ACE),公式为:
A C E = E ( I C E ) = E ( Y 1 - Y 0 ) = E ( Y 1 ) - E ( Y 0 )
式中E为期望。
当给定预处理变量xi的情况下,可将因果效应记作:
τ ( x i ) = E ( Y i | x i , Z i = 1 ) - E ( Y i | x i , Z i = 0 )
式中Zi表示是否对个体进行干预,Zi=1表示干预,Zi=0表示不干预。

2.4 倾向性得分

随机分组是时空统计分析中的重要前提,但常因各种混杂因素的干扰而分组不均衡。倾向性得分的目的是使上述混杂因素得到平衡,即利用个体的基础条件得到接受干预的条件概率 P ( Z i = 1 | x i )。因此本文利用倾向性评分,计算城市接受干预的可能性,其中将各城市的协变量作为自变量建立logistic回归模型,公式为:
l n P 1 - P = i 1 + j 11 x 1 + j 12 x 2 + … + j 1 p x p
式中:P为城市接受干预的概率;p为协变量个数; x 1~ x p为协变量; j 11~ j 1 p为回归系数; i 1为回归偏置。
得出每个城市的倾向性得分PS为:
P S = e i 1 + j 11 x 1 + j 12 x 2 + … + j 1 p x p 1 + e i 1 + j 11 x 1 + j 12 x 2 + … + j 1 p x p。
依据《国务院关于调整城市规模划分标准的通知》[26]按不同的城市人口规模将城市分为5种类别,即常住人口50万以下的城市为小规模城市,常住人口50万以上100万以下的城市为中等规模城市,100万以上500万以下的城市为大规模城市,500万以上1 000万以下的城市为特大规模城市,1 000万以上的城市为超大规模城市,分别对其进行逻辑回归计算倾向性得分,即中等人口规模相较于小人口规模地区、大人口规模相较于中等人口规模地区、特大人口规模相较于大人口规模地区、超大人口规模相较于特大人口规模地区。

2.5 BCF模型

强混杂数据会使干预效果的估计产生大偏差,而Hahn等[27]提出的BCF模型通过将倾向函数的估计纳入响应模型,间接引入协变量依赖于回归函数,通过倾向性得分控制xi对Zi的间接影响效应。
Hahn首先指出为使异质性干预效果的估计更易解释,引入显式参数τ(xi)并对其指定先验,进行演化后即为BCF,具体模型为[27]:
$f\left(x_{i}, Z_{i}\right)=\mu\left(x_{i}, \hat{\pi}_{i}\right)+\tau\left(x_{i}\right) Z_{i}$,
式中:$ \mu\left(x_{i}, \hat{\pi}_{i}\right)$为模拟协变量的预后影响; τ ( x i ) Z i为直接干预效果; x i为个体的本身因素;$ \hat{\pi}_{i}$为给定xi的情况下的倾向性得分,即
$\hat{\pi}_{i}=P\left(Z_{i}=1 \mid x_{i}\right)$。
本文利用BCF模型,计算不同城市人口规模对二氧化碳排放强度的因果效应值,反映某一种城市人口规模相较于另一种对碳排放强度的促进作用,进而得出城市人口规模对二氧化碳排放强度的具体影响。

3 结果分析

3.1 时空演变

3.1.1 二氧化碳排放强度的描述性统计

由2000—2020年研究区逐年二氧化碳排放强度箱线图(图2)的四分位数之差可得,二氧化碳排放强度数据的离散情况为:先趋向分散,再向集中过渡; 2011年二氧化碳排放强度上限值达到21 a间之最;由箱线图的中位数(图中红色横线)可知二氧化碳排放强度的集中趋势先缓慢升高后逐渐降低,说明在排除极端数据(红色+号)后,研究区城市整体逐步向“低碳”发展迈进。
图2 2000—2020年研究区二氧化碳排放强度箱线图

Fig.2 Box plot of carbon dioxide emission intensity in the study area from 2000 to 2020

每隔10 a取二氧化碳排放强度数据进行空间分布分析(图3),20 a间二氧化碳排放强度为(12,45]百万t/十万元范围内的城市逐渐呈环状分布,二氧化碳排放强度为(4,8]百万t/十万元范围内的城市呈辐射状分布。由于“二三一”产业格局的呈现,内蒙古自治区的鄂尔多斯市、呼伦贝尔市、呼和浩特市二氧化碳排放强度逐渐向较高值转变; 2010年东部二氧化碳排放强度整体达到最大,随后情况略有好转,其改变主要集中于东部沿海地区。未来控碳需以东北和西部的部分区域为重心。
图3 二氧化碳排放强度的空间分布(审图号:GS京(2025)0941号)

Fig.3 Spatial distribution of carbon dioxide emission intensity

3.1.2 分区域的空间异质性变化分析

绘制2000—2020年间每5 a分区域的q统计值变化(图4),可知西部区域的q统计值整体单调增加,二氧化碳排放强度分异程度逐渐显著;东北部区域等呈现先上升后下降趋势,于2005年二氧化碳排放强度空间分异程度最大;中部区域在2015年二氧化碳排放强度空间分异性减弱,2015年和2020年总体稳定;东部区域二氧化碳排放强度空间分异性先轻微减弱后平稳。其原因可能为,自西部大开发战略出台以来,东部及东北部区域的重化工产业不断向西转移,而能源利用层面,究其本质,三者之间依旧存在差距,这使得西部区域二氧化碳排放总量持续增加。由此可见,4区域间经济发展梯度不同,能源及产业结构上的差异会对碳排放总量造成一定影响,除此之外,各区域城镇化水平也会导致二氧化碳排放强度的区域分布差异性。
图4 2000—2020年间研究区每5年分区域q统计值

Fig.4 Subregional q -statistics per5 years in the study area for the period 2000—2020

3.1.3 空间相关性分析

计算2000—2020年间二氧化碳排放强度的全局莫兰指数(图5),且指数均通过假设检验,p值均较小。依据莫兰指数散点图,拟合直线均位于一、三象限,说明2000—2020年二氧化碳排放强度的空间自相关性较强。由于莫兰指数均大于0,故研究区空间呈正相关性;该指数总体呈先上升后下降趋势,于2012年达到最大值;除2000年外,2018年二氧化碳排放强度相关性达到最弱。研究区二氧化碳排放强度全部呈现出空间聚集态势。
图5 2000—2020年全局莫兰指数

Fig.5 Global Moran’s I from 2000 to 2020

依据LISA聚集图(图6),西部区域二氧化碳排放强度表现为低-低聚集,表明邻近地区二氧化碳排放强度均较低。与2000年相比,2020年低-高聚集区域由东北部区域向中部、西部等地区过渡,这些地区二氧化碳排放强度低而邻接地区二氧化碳排放强度高,且2010年没有出现高-低聚集。从图6(a)中可以看出,2000年二氧化碳排放强度为高-低聚集的城市只有2个,左侧为西宁市,右侧为海东市。对比图6(a)和(c),可以发现,西宁市由2000年的高-低聚集转变不显著,海东市仍为高-低聚集区,表明海东市相较于周围相邻城市,有各种促进碳排量增加的因素[28],因此其与邻近地区二氧化碳排放强度空间差异程度明显。整体高-高聚集主要分布于中、西部;低-低聚集地区逐渐减少。因此应加强西部地区城市和中部部分城市的协调可持续性发展,强强联手,合作控碳排。
图6 研究区二氧化碳排放强度LISA聚集图(审图号:GS京(2025)0941号)

Fig.6 The LISA aggregation map of CO 2 emission intensity in the study area

3.2 基于BCF模型的城市人口规模对二氧化碳排放强度的影响

因果效应呈现出“U”型曲线特征(图7),且因果效应值均为正,故整体上呈现出人口规模越大,二氧化碳排放强度越大的现象。特大人口规模城市因果效应值最小,中等规模城市的效应值最大。随着人口规模增大,由中等规模向大规模转变比由大规模向特大规模转变因果效应值的减少速率快。因此应合理管控中等人口规模地区人群的分布方式。对于特大人口规模地区,人口规模对二氧化碳排放强度的影响最弱,则应适当调整另外3组人口分布方式,向特大规模城市的人群分布方式趋近。
图7 整体因果效应值

Fig.7 Overall causal effect value

超大人口规模城市因果效应值分布见图8。由图可知,有较强因果效应值的城市数量先增加再减少,拥有较弱因果效应值的城市总体上由东北向南迁移,因果效应值位于(2.00,4.00]的城市主要向北呈辐射状移动。该现象表明对于超大和特大人口规模地区,城市人口规模和碳排放强度之间因果关系的复杂程度有减弱的趋势。由此针对上述人口规模情况,城市人口规模的变化对二氧化碳排放强度的变化影响显著的城市数量先增加后减少。
图8 超大人口规模城市因果效应值分布(审图号:GS京(2025)0941号)

Fig.8 Distribution of causal effects of super-large population size-largepopulationsize

特大人口规模城市因果效应值见图9。由图可知,有较强因果效应值和负因果效应的城市数量逐渐减少,因果效应值位于(2.00,5.00]的城市呈现出向大陆中部聚集的变化特征;与2005—2010年相比,2016—2020年效应值位于(0.00,2.00]的城市空间分布更加均匀。由此表明在特大和大人口规模地区之间,随着城市人口规模的增大,碳排放强度呈现逐渐减小的趋势,城市人口规模对碳排放强度的影响分布情况逐渐趋向于稳定。
图9 特大人口规模城市因果效应值分布(审图号:GS京(2025)0941号)

Fig.9 Distribution of causal effects of extra large population size

大人口规模城市因果效应值见图10。由图可知,具有强因果效应的城市数量显著减少,拥有弱因果效应的城市数量逐渐增多,且无负因果效应。此现象表明大人口规模和中人口规模地区之间,存在因城市人口规模的增大而导致碳排放强度增加这种强因果关系的城市数量不断减少,且此类地区不存在因城市人口规模的增大而碳排放强度减少的现象。从整体来看,大人口规模城市相较于中人口规模城市的因果效应值较弱,即城市人口规模的增加引起此种地区二氧化碳排放强度增加的可能性较小,因果关系不明显。
图10 大人口规模城市因果效应值分布(审图号:GS京(2025)0941号)

Fig.10 Distribution of causal effects of large population size

中等人口规模城市因果效应值见图11。由图可知,拥有负因果效应值的城市数量逐渐减少,且有正因果效应值的城市数量逐渐增多。据此发现人口规模的变化对二氧化碳排放强度变化具有显著正向影响,具有这一特征的城市数量有所增加,且随着城市人口规模的增加,也促进了城市二氧化碳排放强度的显著上升。
图11 中等人口规模城市因果效应分布(审图号:GS京(2025)0941号)

Fig.11 Distribution of causal effects of medium population size

4 结论

通过描述性统计、地理探测器分析和空间自相关分析,研究了2000—2020年二氧化碳排放强度的时空演变;采用BCF模型,分别从总体和分城市的因果效应视域,探究2005—2020年研究区城市规模对二氧化碳排放强度的影响。主要有以下结论:
1)中国地级市尺度的二氧化碳排放强度存在较强的空间分异性。不同区域二氧化碳排放强度空间分布变化显著,总体由2000年的“东北部-西部-东部-中部”分层次递增向2020年的碳排放强度在东部、东北部、中部分异均衡的空间特征转变。
2)中国地级市尺度二氧化碳排放强度呈现出显著的空间聚集态势,在2000—2020年,高-高聚集地区逐渐趋向环状聚拢,低-低聚集地区逐渐减少。因此应加强西部地区城市和中部部分城市的协调可持续性发展,强强联手,合作控碳排。
3)城市人口规模对二氧化碳排放强度的因果效应呈现出“U”型曲线特征,随着城市人口规模的增加,以特大人口规模为转折点,因果效应呈现出先减小后增加的特征,并建议中等规模的地区人口分布更聚集些,超大规模城市人口分布分散些。
4)通过将时间分为3阶段,在地图上表现出不同人口规模下,研究区的因果效应值动态变化,可以得出:超大人口规模地区,有较强因果效应值的城市数量先增加再减少,有较弱因果效应值的城市总体上由东北向南迁移;特大人口规模地区,有较强因果效应值和负因果效应的城市数量逐渐减少;大人口规模地区,无负因果效应;中等人口规模地区,城市规模对二氧化碳排放强度的正因果效应逐渐增强。

References

Publishing order | Descend order by publishing year | Descend order by cited within
[1]
Guo L, Cheng W, Liu C, et al. Exploring the spatial heterogeneity and influence factors of daily travel carbon emissions in metropolitan areas:From the perspective of the 15-min city[J]. Land, 2023, 12(2):299.

[2]
陈思宇, 魏思琪, 都瓦拉. 中国省域碳排放及其影响因素时空特征分析——基于MGWR模型的研究[J]. 内蒙古科技与经济, 2022(5):3-7.

Chen S Y, Wei S Q, Du W L. Analysis on the temporal and spatial characteristics of carbon emission ant its impact factors in provinces of China: Research based on MGWR model[J]. Inner Mongolia Science Technology & Economy, 2022(5):3-7.

[3]
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.

[4]
袁长伟, 乔丹, 杨颖芳, 等. 中国省域交通碳排放强度空间分异与聚类分析[J]. 环境工程, 2018, 36(7):185-190.

Yuan C W, Qiao D, Yang Y F, et al. Spatial differentiation and clustering of transport carbon intensity in China’s provincial region[J]. Environmental Engineering, 2018, 36(7):185-190.

[5]
俞雅乖, 沈盼熠, 李瑜婷. 国家级城市群建筑业碳排放量及其分解效应的空间分异[J]. 新疆财经, 2022(4):19-28.

DOI

Yu Y G, Shen P Y, Li Y T. Spatial differentiation of carbon emissions from construction industry and decomposition effects in national-level urban agglomerations[J]. Finance & Economics of Xinjiang, 2022(4):19-28.

[6]
郭禹辰, 王凯艳, 刘梦月. “碳中和”背景下流通业碳减排成熟度测度及空间异质性[J]. 商业经济研究, 2023(1):175-178.

Guo Y C, Wang K Y, Liu M Y. Maturity measurement and spatial heterogeneity of carbon emission reduction in circulation industry under the background of “carbon neutrality”[J]. Journal of Commercial Economics, 2023(1):175-178.

[7]
张丽琼, 何婷婷. 1997—2018年中国农业碳排放的时空演进与脱钩效应——基于空间和分布动态法的实证研究[J]. 云南农业大学学报(社会科学) 2022, 16(1):78-90.

Zhang L Q, He T T. Spatio-temporal of agricultural carbon emission and decoupling in China during 1997—2018:An empirical research based on spatial and distribution dynamics method[J]. Journal of Yunnan Agricultural University (Social Science), 2022, 16(1):78-90.

[8]
程进. 长三角城市群大气污染格局的时空演变特征[J]. 城市问题, 2016(1):23-27.

Cheng J. Spatial- temporal evolution features of air pollution pattern of urban agglomeration in the Yangtze River Delta[J]. Urban Problems, 2016(1):23-27.

[9]
Pan L, Yu J, Lin L. The temporal and spatial pattern evolution of land-use carbon emissions in China coastal regions and its response to green economic development[J]. Frontiers in Environmental Science, 2022,10:1018372.

[10]
Baldwin J G, Wing I S. The spatiotemporal evolution of U.S.carbon dioxide emissions:Stylized facts and implications for climate policy[J]. Journal of Regional Science, 2013, 53(4):672-689.

[11]
Shi K, Liu G, Cui Y, et al. What urban spatial structure is more conducive to reducing carbon emissions? A conditional effect of population size[J]. Applied Geography, 2023,151:102855.

[12]
孙蒙, 李长云, 邢振方, 等. 碳中和目标下中国碳排放关键影响因素分析及情景预测[J]. 高电压技术, 2023, 49(9):4011-4022.

Sun M, Li C Y, Xing Z F. et al. Analysis of key influencing factors and scenario prediction of China’s carbon emission under carbon neutrality[J]. High Voltage Engineering, 2023, 49(9):4011-4022.

[13]
程钰, 张悦, 王晶晶. 中国省域碳排放绩效时空演变与技术创新驱动研究[J]. 地理科学, 2023, 43(2):313-323.

DOI

Cheng Y, Zhang Y, Wang J J. Spatial-temporal evolution of provincial carbon emission performance and driving force of technological innovation in China[J]. Scientia Geographica Sinica, 2023, 43(2):313-323.

DOI

[14]
崔艳芳, 张国兴. 黄河流域资源型城市碳排放影响因素与达峰预测研究[J]. 人民黄河, 2023, 45(2):9-14.

Cui Y F, Zhang G X. Research on the influencing factors and peak prediction of carbon emission of resources-based cities in the Yellow River basin[J]. Yellow River, 2023, 45(2):9-14.

[15]
高庆先, 高文欧, 马占云, 等. 大气污染物与温室气体减排协同效应评估方法及应用[J]. 气候变化研究进展, 2021, 17(3):268-278.

Gao Q X, Gao W O, Ma Z Y, et al. The synergy effect assessment method and its application for air pollutants and greenhouse gases reduction[J]. Climate Change Research, 2021, 17(3):268-278.

[16]
蒋金荷. 中国碳排放关键驱动因子的分析和政策反思——基于LMDI:1995—2010[J]. 资源与生态学报, 2013, 4(4):304-310.

Jiang J H. Analysis of key drivers on China’s carbon emissions and policy rethinking based on LMDI:1995—2010[J]. Journal of Resources and Ecology, 2013, 4(4):304-310.

[17]
李健, 景美婷, 苑清敏. 绿色发展下区域交通碳排放测算及驱动因子研究——以京津冀为例[J]. 干旱区资源与环境, 2018, 32(7):36-42.

Li J, Jing M T, Yuan Q M. Estimation of carbon emission and driving factors in Beijing-Tianjin-Hebei traffic under green development[J]. Journal of Arid Land Resources and Environment, 2018, 32(7):36-42.

[18]
潘植强, 梁保尔. 旅游业碳排放强度分布及其驱动因子的时空异质研究——基于30个省(市、区)2005—2014年的面板数据分析[J].人文地理, 2016, 31(6):152-158.

Pan Z Q, Liang B E. Research on space-time heterogeneity of tourism industry carbon emission intensity distribution and influencing factors:Analysis of panel data from 30 provinces(cities and districts) from 2005 to 2014[J]. Human Geography, 2016, 31(6):152-158.

[19]
石建屏, 李新, 罗珊, 等. 中国低碳经济发展的时空特征及驱动因子研究[J]. 环境科学与技术, 2021, 44(1):228-236.

Shi J P, Li X, Luo S, et al. Research on the spatiotemporal characteristics and driving factors of China’s low carbon economic development[J]. Environmental Science & Technology, 2021, 44(1):228-236.

[20]
王小辉. 陕西省人为源碳排放时空演变动力机制与减排潜力研究[D]. 西安: 陕西师范大学, 2018.

Wang X H. Study on the dynamic mechanism of temporal and spatial evolution of man-made carbon emissions in Shaanxi Province and the potential of emission reduction[D]. Xi’an: Shaanxi Normal University, 2018.

[21]
王兴民, 吴静, 白冰, 等. 中国CO2排放的空间分异与驱动因素——基于198个地级及以上城市数据的分析[J]. 经济地理, 2020, 40(11):29-38.

DOI

Wang X M, Wu J, Bai B, et al. Spatial differentiation and driving factors of CO2emissions:Analysis based on 198 cities at prefecture level and above in China[J]. Economic Geography, 2020, 40(11):29-38.

[22]
魏振香, 吴晓娟. 山东省农业低碳发展及驱动因素分析[J]. 河南科学, 2021, 39(11):1878-1886.

Wei Z X, Wu X J. Low-carbon agricultural development and dri-ving factors in Shandong Province[J]. Henan Science, 2021, 39(11):1878-1886.

[23]
张京玉. 影响中国能源消耗碳排放因素分析——基于LMDI分解模型[J]. 煤炭经济研究, 2019, 39(11):23-28.

Zhang J Y. Analysis of factors affecting China’s energy consumption carbon emissions: Based on LMDI decomposition model[J]. Coal Economic Research, 2019, 39(11):23-28.

[24]
Chen J, Gao M, Cheng S, et al. Global 1 km×1 km gridded revised real gross domestic product and electricity consumption during 1992—2019 based on calibrated nighttime light data[J]. Scientific Data, 2022,9:202.

[25]
辛龙, 孙慧, 王慧, 等. 基于地理探测器的绿色经济效率时空分异及驱动力研究[J]. 中国人口·资源与环境, 2020, 30(9):128-138.

Xin L, Sun H, Wang H, et al. Research on the spatial-temporal differentiation and driving force of green economic efficiency based on the geographic detector model[J]. China Population,Resources and Environment, 2020, 30(9):128-138.

[26]
国务院. 国务院关于调整城市规模划分标准的通知[EB/OL].(2014-11-20)[2023-06-20]. https://www.gov.cn/zhengce/content/2014-11/20/content_9225.htm.

State Council. Circular of the State Council on the adjustment of the criteria for classifying the size of cities[EB/OL].(2014-11-20)[2023-06-20]. https://www.gov.cn/zhengce/content/2014-11/20/content_9225.htm.

[27]
Hahn P R, Murray J S, Carvalho C M. Bayesian regression tree models for causal inference:Regularization,confounding,and heterogeneous effects (with discussion)[J]. Bayesian Analysis, 2020, 15(3):965-1056.

[28]
邹磊, 刘慧媛, 王飞宇, 等. 长江中游城市群绿色发展水平的地区差异及其影响因素[J]. 中国科学:地球科学, 2022, 52(8):1462-1475.

Zou L, Liu H Y, Wang F Y, et al. Regional difference and influencing factors of the green development level in the urban agglomeration in the middle reaches of the Yangtze River[J]. Scientia Sinica(Terrae), 2022, 52(8):1462-1475.

Options
Outlines

/

〈 〉