中国城市碳达峰趋势的聚类分析
40引言
2020年9月,中国在第七十五届联合国大会上宣布,“将提高国家自主贡献力度,采取更加有力的政策和措施,二氧化碳排放力争于2030年前达到峰值,努力争取2060年前实现碳中和”。随后的中央经济工作会议明确将“做好碳达峰、碳中和工作”作为2021年的重点任务之一。至此,加快落实国家碳达峰行动方案,已成为我国碳中和目标引领下推动经济高质量发展的关键任务[1]
。城市是我国能源消费和温室气体排放的主要来源,贡献了全国85%的直接碳排放。与此同时,城市也是我国能效提升、能源转型和环境保护等各项政策实施的行动中心[2]。因此,城市亟须加快制定碳达峰方案,开展达峰行动,助力中国实现碳达峰与碳中和目标[3]。
当前,由于城市的发展阶段、人口规模、资源禀
赋等因素影响,我国城市碳排放特征存在显著差异。据2018年城市碳排放数据显示,我国城市碳排放的集中度较高,碳排放排名前10%的城市贡献了全国总量的50%(图1)。由于城市化和工业化所处的发展阶段不同,我国城市的碳排放结构也存在较大差异,城市的主要排放来源,包括能源生产排放、工业排放或
服务业排放等[4]并不相同。行动进展上,目前我国已有80多个城市明确提出了达峰目标年份,其中绝大多数为低碳试点城市(图2)。城市碳达峰行动在速度、强度和质量上均存在较大差异。
考虑到我国城市碳排放特征的显著差异,城市碳达峰行动的设计和实施应差异化展开。在这一背景下,本文以我国286个城市为样本,综合考虑影响城市排放趋势的多种静态和动态因素,运用聚类分析方法,对城市的碳达峰趋势进行了分类分析。通过深入分析我国城市达峰趋势的类型特征,为地方政府设计因地制宜的达峰路线、明确达峰目标和重点任务提供参考依据。
1 文献综述
以往的文献研究表明,城市碳排放受到社会经济、技术水平,自然地理和政策文化等多个维度的影响。这些特征不仅会影响城市边界内的排放,还会对城
市上游活动排放和下游活动排放产生影响[5]。其中,社会经济因素在以往文献中讨论最为广泛。例如,城市的经济发展水平与城市化水平类似,与碳排放之间遵循环境库兹涅茨曲线理论,呈现倒U 形曲线关系[6-
8]。 人口规模与城市CO 2排放存在一定的超线性[9]或亚线性[10,11]比例关系,意味着不同的城市发展类型。紧凑
中国城市碳达峰趋势的聚类分析
郭芳1,王灿1,2*,张诗卉1
(1.清华大学环境学院,北京 100084; 2. 清华大学国家治理与全球治理研究院,北京 100084)
【摘 要】 中国在2020年9月提出2060年碳中和目标,并提出加快落实2030年国家碳达峰任务。考虑到城市在国家碳减
排工作中的重要使命和极大潜力,以及其碳排放在总量、结构、行动进展和趋势上存在的显著差异,深入认识中国城市碳达峰趋势的类型特征,对地方政府设计和开展差异化达峰行动具有重要意义。本文综合考虑影响城市碳达峰趋势的静态因素和动态因素,采用蒙特卡洛方法与K 均值聚类算法,对中国286个样本城市的达峰趋势进行了分类分析。结果表明,中国城市的达峰类型可以划分为5类,根据其特点可概括为低碳潜力型城市、低碳示范型城市、人口流失型城市、资源依赖型城市和传统工业转型期城市。其中,低碳潜力型城市和传统工业转型期城市是决定我国能否落实2030年达峰行动的关键。最后,针对不同类型城市,本文对城市碳达峰的目标设计和行动重点提出了切实建议。
【关键词】 地级城市;碳排放达峰趋势;聚类分析【中图分类号】F113.3;F120.4;X321        【文章编号】1674-6252(2021)01-0040-09【文献标识码】A
【DOI】10.16868/jki.1674-6252.2021.01.040
资助项目:  生态环境部应对气候变化委托项目“二氧化碳排放达峰行动方案研究”(201902)。作者简介:  郭芳(1994—),女,博士研究生,主要从事城市化与低碳发展研究,。
*责任作者: 
王灿(1974—),男,教授,博导,主要从事全球气候变化经济学与政策、能源环境经济系统模拟与分析、低碳经济与低碳城市等相关研究,。
长春快递什么时候恢复41                                                                                                                                                                                                                            中国城市碳达峰趋势的聚类分析 
城市理论表明,人口密度增加会通过减少人均住房面积和通勤距离、改变居民出行等渠道,提升能源利用效率,从而影响城市碳排放[10,12]。技术水平方面,以往研究发现,能源强度、科研经费投入和外商资本投资(FDI )等因素会通过影响技术创新与进步和产业集等影响城市碳排放[13
-15]
。自然地理方面,城市
的地理位置、气候条件、交通与土地资源的空间布局和变化等,均会对城市碳排放产生影响[16
-18]
。例如,Zhang 等发现城市的平均降雨和平均气温会影响城市居民的家庭能耗与交通出行选择,进而影响城市碳排
放[19]。Liu 等表明,紧凑型城市具有更高的排放效率,因而碳排放水平更低[20]。政策方面,Fu 等发现中国的低碳城市试点政策可以显著提高城市的碳排放效率,其作用渠道包括优化产业结构,提升能源利用效率等[21]。周迪和刘奕淳以中国273个地级市为研究样本,发现碳排放权交易政策对于降低城市碳排放强度具有显著且持续的影响
[22]
基于上述因素,已有文献对城市进行了分类,并根据不同城市特征识别了差异化的节能减排策略。从研究方法上,一般可以分为两类:基于单一因素的分
类和基于组合因素的分类。运用单一因素分类时,以往文献主要根据城市的经济发展阶段或产业结构特征加以分类。例如,Auffhammer 等将中国287个城市分为一、二、三线城市,并将其工业碳排放分解为规模效应、结构效应和技术效应,分析了不同城市3种效应的减排贡献差异[23]。Ramaswami 等依据城市的产业结构,将285个中国城市划分为工业城市、商业城市和混合经济城市3种类型,在此基础上分析了不同城市其人口规模、国内生产总值(GDP )与能源消耗之间的比例关系[24]。Shan 等采用K 均值聚类方法,根据每个城市的能源生
产、重工业、轻工业和高科技产业的工业产出份额,将中国182个城市分为能源城市、重工业城市、轻工业城市、高科技城市、服务业城市5类,并针对每类城市提出了具体的减排政策建议 [4]。Shan 等通过计算城市经济增长与碳排放的脱钩指数,对中国294个城市进行了分类,识别了不同城市脱钩状态的驱动因素[25]。总体来说,这类研究大多关注单一影响因素与城市碳排放的关系,忽略了其他因素对城市分类的影响。
既有文献针对组合因素进行研究时,主要借助聚类分析和分类树等机器学习算法,综合考虑城市的各
类特征对城市进行分类[17,26-
27]。例如,Saldiva r -S ali 基于分类树模型,选取全球155个具有代表性的城市,根据其气候条件、城市GDP 、人口和人口密度,将城市的资源消耗划分为15类,分析了不同类型城市的资源代谢差异[26]。Hu 等利用K 均值聚类算法和演化树模型将144个国家和地区的能源结构演化趋势划分为4种不同的类型[27]。Creutzig 等以全球274个城市为研究对象,基于分类树模型识别影响城市能源消费特征的关键因素,包括收入水平、
人口密度、油价和制热度日数(HDD )等,将城市的
能源消费模式分为8类,并给出了差异化的节能策略建议[17]。然而,这类研究主要集中在全球层面,较少关注中国城市,且仅有少数研究基于城市碳达峰视角对中国城市进行分类。此外,以往研究主要基于静态的截面指标,缺少对影响城市分类的动态因素的考虑,弱化了相关研究结论的可靠性和借鉴意义。
针对地方碳达峰行动的研究需求,在现有文献的基础上,本文选取中国286个地级城市作为研究样本,采用K 均值聚类算法对城市的排放趋势进行了分类分析。本文的贡献在于:①从碳达峰趋势角度出发分类城市,对城市差异化推进碳达峰具有指导意义。②综
合考虑了影响城市碳达峰趋势的各类因素并同时纳入
图1 2018
年我国城市累积排放比例
图2 中国城市达峰目标年份
      中国环境管理 2021年第1期 
动态指标。③结合蒙特卡洛模拟方法,考虑了传统的K均值聚类算法的不确定性。
2 城市碳达峰趋势的聚类分析方法
2.1 指标选取与数据来源
考虑到数据的可得性和数据指标口径的一致性,本文的样本里没有包括港澳台地区,自治州、盟、地区和省管辖行政区等50个地级行政区,以及海南省儋州市和西藏自治区拉萨市,最终选择中国286个地级市作为研究对象。城市总数占全国地级行政区总数的84%①。
碳达峰趋势聚类指标体系的构建,需满足科学性、系统性、可比较性、可操作性的原则[26,28]。在指标体系的构建过程中,应将影响碳排放和达峰趋势的相关因素都纳入其中。静态指标选择主要基于以
往文献中识别的不同因素对城市碳排放的影响规律,用来反映不同类型城市碳排放的截面特征。而动态指标的考虑,则用于进一步帮助判断不同城市碳达峰的趋势特征。本文最终选取了6个静态指标和4个动态指标对中国286个地级城市进行聚类分析。其中,静态指标包括人口、人均GDP、第二产业增加值占比、全年电力消耗量,以及建成区面积占比和人均碳排放量。具体的指标选择依据说明如下:
(1)人口。较多的人口导致能源需求较多,因此能源消费产生的碳排放也较多。本文选用城市的年末总人口来表征城市的人口规模。
(2)经济发展水平。经济发展需要能源资源的投入和使用。随着经济发展水平的变化,根据环境库兹涅茨曲线,碳排放水平会先增加后降低。本文选用人均GDP来表示城市经济发展水平。
(3)产业结构。第二产业(尤其是高耗能产业)的化石能源燃烧是城市碳排放的重要来源,本文选用第二产业增加值占比来表征城市产业结构。
(4)能源消耗强度。能源消耗强度越大,城市碳排放越多。考虑到城市尺度相关能耗数据的匮乏,本文采用全年电力消耗量与地区生产总值的比值来表征各城市的能源消耗强度。
(5)城市化水平。城市化过程中,城市扩张会拉动住房和交通等基础设施建设,还会通过影响城市碳源碳汇水平影响城市碳排放。本文选用城市建成区面积与城市面积的比值表征不同城市的城市化水平。
(6)人均碳排放。本文选用人均碳排放表示除上述指标以外影响城市碳达峰趋势的因素。
此外,4个动态指标包括人口、GDP总量、建成区面积和碳排放各自的年均增长率,用来表征关键指标对城市碳达峰趋势的影响。
上述的社会经济数据主要来源于《中国城市统计年鉴》[29]。城市建成区面积数据来源于中国1985—2017年高空间分辨率(30米)人造不透水面逐年动态数据集[30]。2018年城市碳排放数据来自生态环境部环境规划院发布的中国城市碳排放数据集,其数据口径为范围一排放(指发生在城市地理边界内的排放)和范围二排放(指城市地理边界内的活动消耗的调入电力和热力相关的间接排放)[5]。2005—2017年的城市碳排放数据由县级碳排放数据整理得到[31](表1)。
2.2 聚类分析方法
货号查询
聚类是进行数据挖掘的一种技术方法,在区域分类中应用广泛。聚类分析是依据给定样本特征的相似性或距离,在非监督状态下获得最优划分,最终使得组内样本相似度最大、组间样本具有高度异质性的过程。目前聚类分析的算法已经形成多种不同的分支,包括层次聚类、模糊聚类、系统聚类和K均值聚类(也称为K-m eans聚类)等[32]。本文选择研究中最为常用的K-m eans聚类算法对城市的碳达峰趋势进行聚类。该算法通过迭代,将样本划分到K个类别中,使得每个样本与其所属类的中心或均值最近,从而得到K个层次化的类别。
具体做法如下:首先,为了消除不同指标量纲的影响,本文对所有聚类指标进行了标准化处理,形成样本集合X x x x
={12,,, n}。其次,随机选择K个样本点作为初始聚类中心,随后计算每个样本到类中心的距离并将每个样本指派到距离其最近的中心类中,构成初始的聚类结果。再次,计算各类中样本的均值作为新的类中心,重复上述步骤直到收敛为止[33]。需要指出的是,本文利用欧式距离平方d(,)
x x
i j
来表示样本之间的距离或相似度,参见式(1)。聚类算法的收敛条件或评价指标②为样本和其所属类的中心之间的距离总和WSS。该指标越小表示同类之间的相似性越大,聚类效果越好,参见式(2)。
d(x,x)(x x)x x
i j ki kj ki kj
=−=−
∑∑
k k
m m苹果手机老是弹出输入ID密码
==
11
22(1)
①参考2018年中华人民共和国行政区划代码v/article/sj/xzqh/1980/201903/201903011447.html。
②除WSS之外,聚类效果的评价指标还包括轮廓系数(Silhouette Coefficient)、分离度(Separation)等多个指标。
42
43                                                                                                                                                           
                                                                中国城市碳达峰趋势的聚类分析 
WSS x x =−∑
l C i l
acs510变频器==k
1()i l 2
(2)
其中,K 为类别个数,m 表示聚类指标的维数,x x x x l l l ml =(,,,)12 T 是第l 个类的均值或中心,C (i )表
示第l 个类的样本集合。
考虑到K -m eans 算法对于聚类的初始点选择,类别个数和异常值较为敏感,本文首先基于26个聚类评价指标得到了最优的分类个数。其次采用蒙特卡洛模拟进行了1000次初始点的随机选取,以检验聚
类结果的稳健性。最后,本文选择WSS 最小的聚类过程作为最终的聚类结果。
上述基于蒙特卡洛的聚类计算过程在Python3.7.6软件中完成,具体的模型代码感兴趣的读者可以联系作者进一步获取。
3 城市碳达峰趋势的类型特征
根据图3,26个聚类评价指标中,有7个指标推
荐聚类个数为5类,有6个指标推荐聚类个数为10类。为了避免产生过于复杂的聚类,本文将聚类个数设为5类。在此基础上,本文选择1000次模拟中WSS 最
小的聚类结果作为最优结果①
深圳旅游景点大全。
结果显示,当前中国城市的达峰趋势大致分为5类(表2)。其中,第一类可以概括为“低碳潜力型城市”,包括115个城市,主要分布在我国中西部如湖南、贵州、云南等省份。第二类概括为“低碳示范型城市”,包括28个地级市,以我国四大直辖市和沿海发达省份的省会(自治区首府)城市为主。第三类概括为“人口流失型城市”,包括62个地级市,主要分布在我国东北、广西和甘肃等省份。第四类概括为“资源依赖型城市”,包括7个地级市,主要分布在我
国内蒙古和甘肃等省份。第五类概括为“传统工业转型期城市”,包括74个地级市,主要分布在河北、山西、安徽和河南等省份。
从总体特征来看,低碳潜力型城市和传统工业转型期城市在全国碳排放总量中占比最高,分别占比31.5%和31.3%,是我国落实2030年达峰行动的重要抓
手。低碳潜力型城市和低碳示范型城市这两类是我国低碳试点城市占比最高的城市,分别占比38.4%和24.7%。
为了详细探讨不同达峰趋势类型的城市特点,我们最终选取了表1中的6个聚类指标:年末总人口、人
均GDP 、第二产业增加值占比、人均碳排放、GDP 年均增长率和碳排放年均增长率②,分别对5类城市进行了分析。下面具体讨论各类城市的特点和达峰规划建议。3.1 低碳潜力型城市
第一类城市概括为“低碳潜力型城市”,以贵阳、昆明、赣州、普洱、三亚、长沙和湘潭等城市为代表。根据图4和表3可以看出,该类城市当前人口规
模较大,人均GDP 处于中下游水平(均值约为5.14
表1 聚类指标选取
分类
指标具体数据参考年份静态指标
人口年末总人口2018经济发展水平人均GDP
2018产业结构第二产业增加值占比
2018能源消耗强度全年电力消耗量/地区生产总值
2018城市化水平建成区面积占比2018碳排放水平人均碳排放2018动态指标
人口增速人口年均增长率2006—2018GDP 增速GDP 年均增长率2006—2018城市扩张增速建成区面积年均增长率2006—2017碳排放增速
碳排放年均增长率2006—2017
① 因篇幅原因,计算过程没有展示,如读者需要,可联系作者进一步的了解。
②  静态指标方面,由于城市化水平,能源强度分别与经济发展水平和人均排放水平具有一定的相关性,因此未在后文分析中做详细说
明。动态指标方面,为了说明不同城市的脱钩状态,后文选取了经济发展与碳排放趋势指标加以说明。
图3 聚类个数选择
      中国环境管理 2021年第1期 
表2 碳达峰趋势的聚类结果
达峰趋势类别/个数城市特征碳排放占比低碳试点城市占比
第一类:115个低碳潜力型城市31.5%38.4%
第二类:28个低碳示范型城市18.9%24.7%
第三类:62个人口流失型城市15.3%16.4%
第四类:7个资源依赖型城市  3.1%  1.4%
第五类:74个传统工业转型期城市31.3%
19.2%
图4 不同达峰类型城市的特征
表3 不同达峰类型城市的指标范围
指标/类别低碳潜力型低碳示范型人口流失型资源依赖型传统工业转型期
年末总人口/万人
455.62
(61~1 259)
829.64
(177~3 404)
319.56
(78~952)
129.86
(21~384)
501.86
(45~1 238)
人均GDP/万元
5.14
(1.6~13.69)
12.8
(6.59~18.96)
3.98
(1.27~11.25)
11.65
(7.54~18.15)
6.98
游戏在哪里
(2.92~19.19)
第二产业增加值占比
44.37%
(18.27%~63.31%)
42.1%
(18.63%~56.5%)
32.49%
(15.75%~48.68%)
59.6%
(45.61%~72.9%)
48.28%
(36.01%~63.31%)
人均CO2排放/(吨/人)
6.23
(0.97~30.14)
14.16
(4.39~37.92)
9.9
(1.09~40.06)
117.7
(51.8~232.26)
13.63
(1.75~57.8)
人口年均增长率
0.73%
(-2.23%~10.26%)
1.54%
(0.51%~7.32%)
0.14%
(-0.96%~1.65%)
1.14%
(0.19%~2.56%)
0.76%
(-0.55%~6.16%)
GDP年均增长率
14.63%
(11.3%~18.96%)
12.7%
(10.16%~15.71%)
11.22%
(7.21%~14.27%)
14.28%
(8.65%~19.49%)
11.08%
(5.57%~14.14%)
CO2年均增长率
6.28%
(3.02%~13.46%)
3.79%
(-0.46%~6.37%)
4.8%
(2.98%~9.62%)
8.88%
(4.5%~11.95%)
4.21%
(2.29%~6.41%)
注:表格单元中的数字分别表示各指标的均值,最小值和最大值
44

版权声明:本站内容均来自互联网,仅供演示用,请勿用于商业和其他非法用途。如果侵犯了您的权益请与我们联系QQ:729038198,我们将在24小时内删除。