基于机器学习方法的城市碳排放效率驱动因素识别与区域异质性分析.pdfVIP

观察研究《资源节约与环保》2025年第4期

基于机器学习方法的城市碳排放效率驱动因素

识别与区域异质性分析

黄雯娜1，杨萌畅1，赵晨雪1，赵伟明2*

（1.华北理工大学经济管理学院，河北唐山063210；

2.天津滨海一号物业管理有限公司，天津300450）

摘要：城市碳排放效率及其驱动因素的合碳政策制定，以降低城市碳排放量、推动低碳

理分类和评估，对应对我国碳排放问题至关重发展，助于各类城市明确低碳发展模式、提出

要。揭示城市碳排放效率的空间分布特征及不减排路径。

同类型城市和区域碳排放效率驱动因素之间的国内外学者主要从经济、人口、能源等方

差异，基于超效率SBM模型和Malmquist指面对城市碳排放效率的影响因素进行研究。经

数分解法测算2009—2022年期间283个城市济方面，田泽等[1]采用超效率SBM模型的方

的碳排放效率，同时应用机器学习方法识别城法研究数字经济对城市的碳排放效率及其影响

市特征，以确定城市发展类型及其特征驱动因机制，结果表明数字经济更显著地促进城市的

素的影响。基于城市碳排放效率异质性结果，碳排放效率；张自然等[2]构建交错双重差分模

提出针对性的减排发展路径，以指导城市低碳型，发现数字经济发展降低城市的碳排放总量和

发展，制定减碳政策。电能消耗产生的碳排放。人口方面，杨怡雪[3]

关键词：碳排放效率；机器学习；SBM利用贝叶斯因果森林模型分析人口因素对碳排

模型；Malmquist指数分解法；驱动因素；区域放的影响机制，并分析了各省碳达峰峰值及时

异质性间；王祥恒[4]利用2005—2019年我国285个

基金项目：河北省大学生创新创业基城市的数据深入探讨城市人口集聚对碳排放

金项目“我国碳排放效率的城市异质性与驱的多重因素影响。能源方面，费婷婷等[5]基

动因素识别研究——基于机器学习方法”于SBM-DEA模型计算能源碳排放效率指标；

（S202410081101）；河北省社会科学发展研ZENGP[6]等采用三阶段数据DEA定量分析19

究课题“数字技术驱动河北省经济高质量竞争个城市群2006—2020年的能源碳排放效率。

机制研究”（20220303158）由于国内外学者在研究城市碳排放效率影

响因素上大多采用传统计量经济学模型，对影

据统计，城市碳排放约占全球碳排放总量响因素的识别空间有限，因此本文构建了驱动

的75%。而在我国，城市碳排放却占全国碳因素的识别框架，并通过机器学习进行模拟优

排总量的85%。因此，我国出台了《2030年化，更系统、更全面地分析不同类型城市碳排

前碳达峰行动方案》，指导城市低碳发展与减放效率变动的影响因素，从而为推动城市经济

112

观察研究