近日，園林學院李倞教授科研團隊在中國縣域尺度碳排放估算及不平等性方面取得新進展，研究成果以“Carbon emissions and their Inequality in China: Insights from SHAP-based machine Learning at the county level”為題，發表于環境科學領域中科院一區TOP期刊Sustainable Cities and Society（IF=12.0）。
工業化進程推動了化石能源的大規模消耗，二氧化碳排放持續攀升，已成為全球氣候變暖的主要人為驅動因素。近年來，極端高溫、野火等氣候事件頻發，進一步凸顯了減排與低碳轉型的緊迫性。作為全球最大的碳排放國，中國的減排行動不僅關乎自身高質量發展，也對全球氣候治理產生深遠影響。盡管近年來我國非化石能源占比持續提升，但以煤炭為主的能源結構尚未根本改變，加之區域發展不平衡、產業結構差異顯著，實現“雙碳”目標面臨明顯的空間異質性挑戰。在此背景下，開展精細化、區域化的碳排放核算，成為制定科學減排政策和推進精準治理的重要基礎。現有研究多集中于國家、省市等宏觀尺度，而縣域作為連接宏觀政策與基層治理的關鍵單元，長期缺乏系統、可靠的碳排放評估。當前縣級碳排放估算方法普遍依賴夜間燈光數據與省級統計數據之間的線性關系，往往采用統一擬合系數，忽視了不同地區社會經濟條件的顯著差異，難以刻畫碳排放與其驅動因素之間復雜的非線性關系，從而限制了估算精度與機制解釋能力。
針對上述問題，該研究構建了一種融合夜間燈光與多維社會經濟數據的 SHAP 可解釋性機器學習框架，對中國縣級碳排放進行精細化估算，并系統分析其時空演變格局、不平等特征及多因子驅動機制。研究發現在夜間燈光數據基礎上引入社會經濟屬性，可顯著提升縣級碳排放估算精度，且與EDGAR數據的擬合效果表現尤為突出。基于估算結果，研究發現2000—2020 年間中國縣域碳排放總量和碳排放強度的不平等程度有所緩解，但人均碳排放差異仍在擴大；收入差異是驅動碳排放不平等的根本因素，而地理分布決定了這種差異在空間上的呈現方式。此外，多通道效應分解結果進一步表明，城鎮化、人口和經濟因素通過效率效應、需求效應和直接效應的差異化傳導，共同塑造了中國縣域碳排放格局。基于研究發現，團隊提出了面向區域差異的碳減排路徑與生態補償政策建議，為推動區域協調減排、優化全國碳市場運行機制以及實現“雙碳”目標提供了重要的理論支撐與實踐參考。
Fig.1 基于最優機器學習模型的SHAP可解釋性分析
Fig.3 2000-2020年中國縣級碳排放的不平等趨勢（根據地理位置分組）
園林學院在讀博士生王欣珂為第一作者，李倞教授為通訊作者。
研究得到國家自然科學基金面上項目(32071833)、北京市社會科學基金項目一般項目(23YTB039)以及北京林業大學2024年度教育教學改革研究重大項目(BJFU2024JYZD01)等項目的支持。
