城市收缩与增长背景下碳排放强度的时空格局与非线性驱动机制：基于可解释机器学习的创新研究

本研究针对城市收缩/增长背景下碳排放强度(CEI)的非线性驱动机制这一空白领域，创新性地采用贝叶斯优化XGBoost结合SHAP的可解释机器学习方法，对667个中国城市进行四类发展模式分类。研究发现60%城市面临收缩风险，CEI空间分布呈现资源型区域>老工业基地>其他地区的梯度特征，首次揭示人口密度提升在抑制收缩与加剧高碳产业依赖间的矛盾关系，为差异化"双碳"政策制定提供阈值区间依据。

　　

在全球应对气候变化的背景下，中国作为最大的CO₂排放国，正面临经济增长与碳减排的双重挑战。随着"双碳"战略（2030年前碳达峰、2060年前碳中和）的推进，城市作为碳排放的主阵地，其减排路径设计尤为重要。然而现有研究存在三个显著缺陷：过度关注增长型城市而忽视收缩型城市；对收缩亚型的异质性分析不足；传统线性模型难以捕捉社会经济系统的复杂非线性特征。尤其值得关注的是，中国60%城市已出现或即将面临收缩现象，但学界对"收缩必然降低碳排放强度"的简单假设缺乏实证检验，东北老工业基地等案例显示收缩可能导致基础设施冗余、创新乏力等反作用。

中国研究人员通过整合空间分析与可解释机器学习方法，在《Sustainable Cities and Society》发表重要成果。研究团队基于人口规模与密度变化，将667个中国城市划分为持续收缩、精明收缩、持续增长和潜在收缩四类，运用贝叶斯优化的XGBoost模型结合SHAP解释框架，首次系统揭示不同发展轨迹下CEI的时空分异规律与非线性驱动机制。关键技术包括：采用ODIAC高分辨率遥感数据反演CO₂排放量，构建包含经济、人口、产业等多维特征的驱动因子体系，通过贝叶斯超参数优化提升模型性能，利用SHAP值解析因子贡献度与交互效应。

【研究区域】聚焦中国地级市市辖区和县级市，排除传统非城区的县单元，确保研究对象的城市属性一致性。

【中国城市收缩与增长格局】研究发现39.1%城市持续增长，而三类收缩城市占比达60.9%。持续收缩城市集中在东北、苏中及晋陕蒙资源区；精明收缩城市多见于长三角、珠三角核心区；潜在收缩城市则分布在快速城镇化地区。这种空间分异反映了中国区域发展的不平衡性。

【研究意义】方法论上，突破传统线性模型局限，首次将贝叶斯优化XGBoost+SHAP框架应用于城市收缩研究；理论上，揭示人口密度与产业结构的阈值效应，发现精明收缩城市存在"集约化减排悖论"；实践层面，提出收缩城市应避免"一刀切"政策，如潜在收缩城市需控制低密度扩张，而持续收缩城市应重点优化能源结构。

【结论】2010-2019年中国CEI总体下降但区域差异显著：高CEI集中于资源型城市（如大同、鄂尔多斯），中CEI分布在老工业基地（如沈阳、哈尔滨），低CEI广泛分布于东南沿海。机器学习解析出关键非线性规律：在收缩风险城市，人口密度每增加1万人/km²会使高碳产业依赖度提升12.7%，但当密度超过1.5万人/km²时交通排放开始主导；第三产业占比对CEI的影响存在55%-65%的临界阈值，超过此值减排效应加速显现。

该研究为理解城市动态发展中的碳减排机制提供了新范式。特别值得注意的是，它颠覆了"收缩必然减排"的传统认知，指出基础设施冗余、创新抑制等"收缩副作用"可能抵消人口减少的减排效益。提出的阈值区间（如人口密度1.2-1.8万人/km²为精明收缩优化区间）为制定精准化政策提供量化依据，对实现"双碳"目标具有重要指导价值。未来研究可进一步整合企业微观数据，探索市场主体在收缩环境中的行为响应机制。