基于广义可加模型与弹性网络方法的中国碳汇非线性驱动机制研究

《Scientific Reports》：Patterns of association between carbon sinks and multidimensional human driving factors in China: a hybrid machine learning framework

　　

摘要

鉴于碳中和的紧迫性，研究碳汇动态及其人为驱动因子的必要性显得尤为迫切。然而，大多数现有文献仅通过预设函数形式的传统计量回归来检验碳汇与其人为驱动因子之间的关联。这种预设函数可能会损害估计的渐近性质，从而导致潜在有偏的结果。本研究利用广义可加模型（GAM）的优势来解决这一缺陷，旨在探究碳汇与其人为驱动因子之间可能存在的非线性关系。同时采用弹性网络（EN）方法来筛选有效变量。将上述两种机器学习算法整合，构建了识别复杂关系的方法框架。基于中国 2007 年至 2022 年的面板数据，研究发现中国的碳汇高度集中在生态资源丰富的省份。弹性网络方法最终筛选出 7 个有效驱动因子。在它们与碳汇的关联方面，广义可加模型识别出多个驱动因子下截然不同的关系模式。GDP 中第一产业占比呈现出显著的 U 形曲线。人均支配收入呈 W 形轨迹。造林总面积呈现平缓的 N 形模式。农作物播种总面积和国内专利数量均呈现波动但总体向上的趋势。农业机械总功率则表现为倒 U 形曲线。这些多样的非线性模式显著拓展了环境库兹涅茨曲线理论，表明碳汇的动态变化遵循复杂模式。这些发现表明，碳汇增强政策应采取区域差异化措施，并针对各驱动因子的特定阈值区间进行定向施策，而非依赖统一策略。