从消费与产业结构升级视角看生活垃圾碳排放的时空格局与非线性驱动因素：一种可解释的机器学习方法

《Environmental Impact Assessment Review》：Spatiotemporal patterns and nonlinear drivers of MSW carbon emissions from the perspective of consumption and industrial structure upgrading: An explainable machine learning approach

　　

**论文标题**
基于消费升级与产业升级的城市分类下的生活垃圾碳排放驱动因子识别

**摘要**
本研究围绕中国284个地级及以上城市，从消费升级和产业升级两个维度对城市进行分类，利用IPCC清单方法估算了2010—2023年生活垃圾处理过程的碳排放，并结合XGBoost-SHAP框架识别了碳排放的非线性驱动因子及交互作用。主要发现如下：

- 城市按消费升级和产业结构升级被划分为综合升级型、消费主导升级型、产业主导升级型和基础型四类。
- 2010至2023年间，生活垃圾碳排放呈现先增长、后下降、再略有反弹的趋势。
- XGBoost–SHAP方法揭示了不同城市类型下具有显著差异的非线性驱动因子和交互作用。
- 消费升级和产业升级是核心驱动因子，且具有非线性阈值效应，而废弃物流转体系（WTSU）可减少碳排放。
- 部分正向驱动因子在交互作用中减弱甚至发生反转。

**引言**
随着全球城市化进程加快和居民消费支出的持续增长，生活垃圾（Municipal Solid Waste, MSW）的产生量不断增加，给城市可持续发展带来了严峻挑战。全球每年产生的生活垃圾已超过20亿吨（Kaza等，2018），中国近年来每年收集的生活垃圾量接近2.5亿吨（国家统计局，2024a）。不断累积的生活垃圾填埋场不仅挤占城市土地资源，还增加了土壤、水体和空气污染的潜在风险，加剧了"垃圾围城"现象，威胁着城市居住环境和公众健康（Liu等，2025a; Siddiqua等，2022）。与此同时，生活垃圾处理过程会释放甲烷（CH?）、二氧化碳（CO?）和氧化亚氮（N?O），使其成为城市碳排放的重要来源之一（Bian等，2022; Y?lmaz和Abdulgahito?lu，2019）。面对日益严峻的废弃物管理和气候变化挑战，国际社会在《巴黎协定》和联合国可持续发展目标框架下积极推动减废和低碳转型（Oo等，2024）。中国也通过推进生活垃圾强制分类、开展"无废城市"试点建设以及促进生活垃圾全生命周期的低碳转型等措施，积极推动"双碳"战略的实施（Zhan等，2023）。在此背景下，识别生活垃圾碳排放的时空格局及其驱动因素，有助于加强废弃物管理能力，提升城市低碳治理水平。

在城市发展由规模扩张向质量提升转型的背景下，消费升级和产业结构升级分别反映了需求侧消费模式的变化（Wang等，2025a）和供给侧经济结构的调整（Zhou等，2013），并且与生活垃圾碳排放存在不同的关联方式。消费升级不仅体现在消费水平的提升上，还表现为消费结构从生存型消费向发展型、享受型和服务型消费转变。这一转变改变了商品和服务的需求模式，影响了废弃物产生规模和废弃物组成（Li和Zhou，2026），进而影响处理工艺选择（Ding等，2021）。已有研究表明，居民消费规模与结构的变动会影响生活垃圾管理中的温室气体排放和生态效率（Jin等，2024）。产业结构升级则通过技术进步和资源优化配置，促进城市经济活动、基础设施和废弃物处理结构的调整（Zhao等，2024）。由于城市发展基础和技术条件的差异，其与碳排放之间的关系也呈现出阶段性特征和空间异质性（Li和Zhou，2021）。因此，消费升级主要通过需求侧变化影响生活垃圾的产生，而产业结构升级则通过改变城市运行体系和废弃物处理体系同时影响生活垃圾的产生与处理。两种维度的不同组合可能导致各城市碳排放驱动因子的差异化表现。据此，基于消费升级和产业结构升级对城市进行分类，有助于揭示城市间生活垃圾碳排放的异质性特征，识别不同类型城市的差异化减排需求。

关于生活垃圾碳排放的估算，现有研究主要依据联合国气候变化专门委员会（IPCC）的清单方法、生命周期评价（LCA）和情景分析来量化不同处置路径下的排放量（Bogner等，2008; Gentil等，2009; Xiao等，2022）。在上述方法论基础上，学者们进一步探讨了生活垃圾碳排放的时空格局及驱动因素。现有证据表明，中国生活垃圾碳排放整体呈上升趋势，高排放集聚区主要集中在东部沿海发达地区和主要城市群内部（Gao和Gao，2024）。人口和经济因素已被广泛认为是生活垃圾碳排放的关键驱动因子：人口规模主要通过增加废弃物产生量来影响排放，而经济发展则通过城市活动加剧、消费扩张和工业增长来推动排放（Liu和Wu，2011; Guo等，2021）。社会因素表现出更加异质的作用：居民行为和城市活动模式倾向于增加废弃物产生量（Xiao和Zhou，2020; Diaz-Farina等，2020），而公共服务改善和环境意识的提升则有助于促进垃圾分类和减排（Huang等，2023a）。在城市环境治理方面，以焚烧替代填埋可以有效降低排放强度（Li等，2024），而垃圾收运体系作为废弃物产生与处理之间的关键环节，也与生活垃圾碳排放密切相关（Das和Bhattacharyya，2015）。

在生活垃圾碳排放研究领域，现有研究普遍采用对数平均Divisia指数分解（LMDI）方法来分解排放变动并量化经济规模、人口规模、处理设施和排放强度等方面的贡献（Chen等，2023）。计量经济学方法也被广泛应用于识别生活垃圾碳排放及其环境绩效的驱动因素，揭示了区域异质性、空间依赖性和阈值特征（Chen等，2025; Tian等，2026）。尽管上述方法已明确了若干排放驱动因素，但在捕捉非线性驱动因素及变量间交互作用方面仍存在局限。相比之下，机器学习方法在较少假设底层函数形式的情况下，能够有效检测复杂的非线性模式。其中，XGBoost模型可有效捕捉多变量间的非线性关联，而SHAP（Shapley Additive Explanations）方法则可评估特征层面的贡献度、识别关键阈值并揭示交互作用贡献（Xie等，2025; Zhang等，2025）。近年来，研究者已将XGBoost–SHAP框架拓展至交通、生态效率、建成环境及碳排放等领域研究（Zhi等，2024; Wu等，2025; Amiri等，2023; Li等，2026）。因此，将XGBoost–SHAP框架引入生活垃圾碳排放研究，可以更有效地揭示非线性驱动因素及其在不同城市情境下的异质性。

现有研究虽已加深了对生活垃圾碳排放测算、时空格局及驱动因素的理解，但仍存在重要空白亟待填补。第一，尽管消费升级和产业结构升级在城市低碳转型中发挥着重要作用，但基于这两个维度对城市进行分类并比较不同类型城市生活垃圾碳排放模式及驱动因素的研究仍然有限。第二，大多数现有研究侧重于生活垃圾碳排放的总体变化，对不同发展特征城市的排放演变差异和空间特征关注不足。第三，LMDI分解和计量经济学模型主要捕捉的是平均关系，对变量间的非线性阈值和交互关系缺乏充分探索。针对上述不足，本研究以中国284个地级及以上城市为研究对象，根据消费升级和产业结构升级对其进行分类，利用IPCC清单方法估算了2010—2023年生活垃圾处理过程的碳排放，以分析不同类型城市间的时空异质性。此外，本研究采用XGBoost模型与SHAP框架相结合的集成方法，识别关键驱动因子、非线性阈值和交互作用贡献，从而揭示不同城市发展背景下生活垃圾碳排放驱动因素的异质性。

本研究在以下三个方面推进了现有研究：第一，通过从需求侧消费升级和供给侧产业结构升级双重视角识别城市类型，将生活垃圾碳排放的差异与异质性的城市发展特征联系起来，从而拓展了主要基于行政区域或经济发展水平的传统城市分类方法。第二，通过将城市类型分类与时空分析相结合，深化了对不同消费升级与产业结构升级组合下生活垃圾碳排放量级、时间轨迹和空间分布变化规律的理解。第三，采用XGBoost–SHAP框架识别非线性阈值和驱动因子交互作用，从而将驱动因子分析从平均关系拓展至关键驱动因子与生活垃圾碳排放之间更复杂的非线性关联。这些发现可以为不同类型城市更有针对性的生活垃圾低碳治理提供支持。

**各章节摘要**

**方法与数据来源**

本研究聚焦中国284个地级及以上城市。从消费升级和产业结构升级两个维度对城市进行分类，估算了2010—2023年生活垃圾处理过程的碳排放，并刻画其时空格局特征。在此基础上，构建了XGBoost模型并对其预测性能进行了评估。随后，利用SHAP分析识别关键驱动因子、非线性阈值、

**基于消费升级与产业结构升级的城市类型分类**

根据分类结果及图3所示的空间分布，中国城市在消费升级和产业结构升级方面表现出显著的区域异质性。在284个样本城市中，有42个被划分为综合升级型城市，占比14.79%。从空间分布来看，这些城市主要集聚在东部三大核心沿海城市群。依托京津冀

**与现有研究的对比**

在生活垃圾碳排放估算方面，一项覆盖323个城市的现有排放清单报告2020年生活垃圾碳排放总量为71.32百万吨（Han等，2024），略高于本研究对284个地级市估算的67.68百万吨。这一差异主要归因于研究范围的不同，但两者的估算仍处于同一量级。本研究还针对代表性城市进行了进一步对比。天津的估算结果

**结论**

本研究基于消费升级和产业结构升级两个维度，将中国284个地级及以上城市划分为综合升级型城市、消费主导升级型城市、产业主导升级型城市和基础型城市四类。运用XGBoost–SHAP可解释机器学习框架，研究了2010至2023年生活垃圾碳排放的时空格局、驱动因子、非线性阈值及交互作用贡献。

**利益冲突声明**

作者声明不存在可能影响本文研究报告工作的已知竞争性经济利益关系或个人关系。

**致谢**

作者感谢国家自然科学基金（项目编号：72474171、72104191）和榆林市科技局基金项目（项目编号：2025-CXY-059）提供的资助。同时感谢陕西高校青年创新团队（2023—2026年度，项目编号：Z20230765）的支持。

**作者**：朱佳鑫 | 李凌云 | 裴佳佳 | 杨馨宇 | 郭润博