近日，园林学院李倞教授科研团队在中国县域尺度碳排放估算及不平等性方面取得新进展，研究成果以“Carbon emissions and their Inequality in China: Insights from SHAP-based machine Learning at the county level”为题，发表于环境科学领域中科院一区TOP期刊Sustainable Cities and Society（IF=12.0）。
工业化进程推动了化石能源的大规模消耗，二氧化碳排放持续攀升，已成为全球气候变暖的主要人为驱动因素。近年来，极端高温、野火等气候事件频发，进一步凸显了减排与低碳转型的紧迫性。作为全球最大的碳排放国，中国的减排行动不仅关乎自身高质量发展，也对全球气候治理产生深远影响。尽管近年来我国非化石能源占比持续提升，但以煤炭为主的能源结构尚未根本改变，加之区域发展不平衡、产业结构差异显著，实现“双碳”目标面临明显的空间异质性挑战。在此背景下，开展精细化、区域化的碳排放核算，成为制定科学减排政策和推进精准治理的重要基础。现有研究多集中于国家、省市等宏观尺度，而县域作为连接宏观政策与基层治理的关键单元，长期缺乏系统、可靠的碳排放评估。当前县级碳排放估算方法普遍依赖夜间灯光数据与省级统计数据之间的线性关系，往往采用统一拟合系数，忽视了不同地区社会经济条件的显著差异，难以刻画碳排放与其驱动因素之间复杂的非线性关系，从而限制了估算精度与机制解释能力。
针对上述问题，该研究构建了一种融合夜间灯光与多维社会经济数据的 SHAP 可解释性机器学习框架，对中国县级碳排放进行精细化估算，并系统分析其时空演变格局、不平等特征及多因子驱动机制。研究发现在夜间灯光数据基础上引入社会经济属性，可显著提升县级碳排放估算精度，且与EDGAR数据的拟合效果表现尤为突出。基于估算结果，研究发现2000—2020 年间中国县域碳排放总量和碳排放强度的不平等程度有所缓解，但人均碳排放差异仍在扩大；收入差异是驱动碳排放不平等的根本因素，而地理分布决定了这种差异在空间上的呈现方式。此外，多通道效应分解结果进一步表明，城镇化、人口和经济因素通过效率效应、需求效应和直接效应的差异化传导，共同塑造了中国县域碳排放格局。基于研究发现，团队提出了面向区域差异的碳减排路径与生态补偿政策建议，为推动区域协调减排、优化全国碳市场运行机制以及实现“双碳”目标提供了重要的理论支撑与实践参考。
Fig.1 基于最优机器学习模型的SHAP可解释性分析
Fig.3 2000-2020年中国县级碳排放的不平等趋势（根据地理位置分组）
园林学院在读博士生王欣珂为第一作者，李倞教授为通讯作者。
研究得到国家自然科学基金面上项目(32071833)、北京市社会科学基金项目一般项目(23YTB039)以及887700葡京线路检测，888葡京集团检测线路，必赢76net线路官网2024年度教育教学改革研究重大项目(BJFU2024JYZD01)等项目的支持。
