珠江三角洲城市群能源消费碳排放的多尺度因果推断与情景预测

《Environmental Research》：Multi-Scale Causal Inference and Scenario Prediction for Carbon Emissions from Energy Consumption in the Pearl River Delta Urban Agglomeration

　　

• •
  提出ConvLSTM模型用于能源消耗碳排放估算。
• •
  利用麻雀搜索算法（SSA）对ConvLSTM模型进行优化。
• •
  预测未来不同CMIP6-SSP情景下的碳排放趋势。
• •
  分析了珠三角地区能源碳排放的多尺度分布特征。

引言

能源消耗产生的碳排放（CE）是全球温室气体排放的主要来源，其中化石燃料燃烧产生的二氧化碳占总排放量的75%以上（Liu et al., 2019）。根据国际能源署（IEA）的数据，2022年全球能源相关碳排放量达到创纪录的368亿吨。中国作为全球最大的能源消费国和碳排放国，约占全球排放量的31%，其中超过85%的排放来源于能源系统（Dong et al., 2022; X. Zhang et al., 2023）。近年来，中国在推进能源结构调整和清洁能源发展方面取得了显著进展，非化石能源在一次能源消费中的占比从2010年的9.4%上升到2022年的17.5%。碳排放增长速度逐渐放缓，呈现出"从高碳向低碳、从粗放向集约、从集中向分布式"转变的趋势（Chen et al., 2022）。然而，碳排放的耦合关系仍存在显著的区域差异和不确定性，需要更精细的机制刻画和动态预测。

珠三角城市群（PRD）作为中国最具活力的城市群之一，长期以来一直是推动国民经济增长的重要引擎。该地区以能源消耗密集、产业结构复杂、碳排放量高和增长迅速为特征，是中国面临碳治理压力最大的地区之一（B. Zhang et al., 2023）。该区域具有制造业与服务业双重特征，既体现了中国经济高速增长阶段的典型模式，也是低碳转型的前沿阵地（Zhang et al., 2022）。因此，开展珠三角地区碳排放的趋势预测和驱动机制识别，不仅有助于实现区域碳达峰和碳中和目标，也为其他城市群提供了可借鉴的经验和政策参考（Ye et al., 2022）。

现有的碳排放预测和驱动因子识别研究大致可分为三个研究方向。第一，统计回归和分解方法，如Kaya恒等式、LMDI分解法和时间序列回归等，被广泛用于刻画排放趋势和宏观层面的驱动因素。例如，Zhang等（2024）采用LMDI方法研究了中国碳排放与经济增长之间脱钩弹性的演变（Zhang and Liu, 2024），Hosseini等（2019）则利用多元回归方法预测了伊朗在"一切照旧"和发展规划情景下的碳排放。第二，机器学习和深度学习方法日益被用于捕捉非线性的时空关系并提高预测精度（Hosseini et al., 2019）。例如，Ye等（2024）将线性建模与机器学习相结合，刻画了时间演变和对外部扰动的响应（Ye et al., 2024），而Han等（2023）开发了基于ResNet的模型用于碳排放预测。第三，基于情景的研究被用于评估替代排放路径和政策响应（Han et al., 2023）。Zhou等（2023）研究了中国在基准、政策和绿色低碳情景下的跨部门减排路径（Zhou et al., 2023），Panos等（2023）则使用瑞士能源系统模型评估了替代性低碳转型路径。总体而言，这些研究在碳排放预测、驱动因子分析和情景评估方面取得了实质性进展（Panos et al., 2023）。此类研究为政策模拟提供了重要参考，但在因果机制建模和动态反馈回路的一致性方面仍存在不足（Cheng et al., 2024）。

尽管取得了上述进展，仍有三个密切相关的挑战亟待解决。首先，现有研究往往侧重于统计关联或预测性能，而社会经济、空间和环境驱动因素之间的直接、间接和中介因果效应识别不足，限制了基于机制的解释（Lapologang and Zhao, 2023）。其次，空间异质性和尺度依赖性在驱动因子识别中并未总是被明确纳入，尽管碳排放驱动因子的强度和路径在不同空间分辨率下可能存在显著差异（Song and Diao, 2025; Wang et al., 2024）。第三，情景预测通常与因果机制分析分开进行，这限制了未来排放轨迹在不同社会经济路径下被解释和转化为尺度特异性政策响应的程度（De Cian et al., 2020; Verrier et al., 2022）。这些挑战相互关联：缺乏尺度敏感的因果识别，仅凭准确的预测对排放变化的原因提供的洞察有限，而情景预测可能缺乏足够明确的机制基础来指导针对性政策设计。因此，需要一个将多尺度预测、可解释的因果分析和情景评估相结合的集成框架，以提升区域碳排放研究的可解释性和政策相关性。为解决这些相互关联的挑战，本研究构建了一个针对珠三角地区碳排放的多尺度集成框架，该框架融合了多源数据、深度学习模型评估、可解释性分析、因果推断和情景预测。其主要贡献包括以下三个方面：

• (1)
  理论贡献。本研究引入了尺度敏感性视角来理解碳排放的驱动机制，通过区分直接、间接和中介效应在像素、县域和城市尺度上的差异变化来实现这一目标。该视角强调因果机制的尺度依赖性，扩展了传统的基于关联的分析方法。
• (2)
  方法论贡献。本研究建立了一套依次进行的分析工作流程，将尺度特异性深度学习模型评估、基于SHAP的解释分析、DAG/SEM/DoWhy因果推断和CMIP6-SSP情景预测相结合。该工作流程将预测性能与机制识别和未来情景评估联系起来，同时允许模型选择和因果解释在不同空间尺度上进行变化。
• (3)
  实证贡献。以珠三角地区为案例，本研究提供了实证证据，表明碳排放的主要驱动因素和因果路径在不同空间尺度上存在差异。研究结果揭示了经济活动、人口、建成面积和效率相关因素在像素、县域和城市尺度上的不同作用，从而为快速城市化地区的尺度特异性碳减排策略提供了实证依据。

综上所述，这些贡献在统一的分析框架下推进了对尺度依赖性碳排放动态的理解、识别和预测。

各章节摘要

研究区域

珠三角地区位于广东省中南部，由包括广州和深圳在内的九个城市组成（图1）。该区域面积超过5万平方公里，人口超过7000万，是中国经济发展最先进、城市化最密集的地区之一。该地区气候温暖湿润，自然条件优越，有利于农业和生态发展。改革开放以来，该地区凭借其

研究框架

本研究构建了一个针对珠三角地区碳排放的多尺度"数据—模型—解释—情景—政策"框架（图2）。首先，将2000—2022年的面板数据整合为像素级、县域级和城市级数据集。其次，评估LSTM、SSA-ConvLSTM、Ister-Transformer和ST-GCN等模型，以确定各空间尺度上最适用的预测模型。第三，结合SHAP和因果推断方法识别关键驱动因素、非线性交互作用和因果路径。最后，

模型评估结果分析

为探索哪些深度学习模型适用于不同尺度的碳排放预测，本研究以LSTM作为基准模型，并与SSA-ConvLSTM、Ister-Transformer和ST-GCN进行比较。图4、图5和表2揭示了模型性能存在明显的尺度依赖性差异。SSA-ConvLSTM在像素尺度上表现最佳，而Ister-Transformer在县域和城市尺度上表现最优，特别是在R²和误差指标方面。这些差异与

多尺度机制的一致性与异质性

本研究发现，碳排放机制在不同空间尺度上既存在一致性也存在异质性。人口和经济活动在像素、县域和城市尺度上均保持重要地位，而效率因素和空间形态的相对作用随空间聚合程度的变化而变化。这些跨尺度差异并非简单地体现为个别驱动因素重要性的增加或减少，而是表明了驱动因素

结论

本研究构建了"多源数据整合—SHAP解释—DAG/DoWhy因果分析—CMIP6-SSP情景"相结合的多尺度集成框架，系统揭示了珠三角地区碳排放的尺度、形态和效率三维机制及其演变路径。主要结论如下：

• (1)
  不同尺度的最优预测模型：评估表明，在像素尺度上，SSA-ConvLSTM能最好地捕捉高频空间

CRediT作者贡献声明

Yanjun Wang：论文撰写—审阅与编辑、监督指导、项目管理、基金获取、概念构思。Mengru Song：论文撰写—初稿撰写、资源支持、调查研究、形式分析、概念构思。Cheng Wang：论文撰写—审阅与编辑、监督指导、项目管理。Yichang Wang：软件开发、资源支持、调查研究、数据整理。Zhipan Wang：可视化呈现、方法学设计、调查研究

未引用参考文献

Wang et al., 2025; Wang et al., 2025; Zhang et al., 2023.

利益冲突声明

作者声明以下可能被视为潜在利益冲突的财务利益/个人关系：

Yanjun Wang报告获得国家自然科学基金的财务支持。

Mengru Song|Yanjun Wang|Cheng Wang|Zhipan Wang|Yichang Wang