面向低碳转型的甘肃省地区聚类分析

doi:10.7522/j.issn.1000-694X.2020.00038

摘要/Abstract

摘要：

面对日益严峻的气候变化问题，必须推进碳减排行动以减缓气候变暖。不同地区的碳排放特征不同，但又具有一定的相似性，有效的地区聚类分析是地区低碳发展分类指导研究的关键。基于碳排放与减排可能性问题，运用系统聚类法对甘肃省下辖14个地市州碳减排能力进行了综合评价。结果表明：甘肃省14个地市州可分为4类，不同类别地区各具特征，减排潜力差异明显；分类结果综合性强且不完全体现区域连续性，即不能以地理区位划分进行碳减排的分类指导。针对不同类型地区应实行各具特色的有效低碳发展路径。

关键词: 碳减排, 聚类分析, 甘肃省

Abstract:

In the face of increasingly serious climate change， the action of the reduction of carbon emissions as one of the main measures to slow climate warming is imperative. There are both differences and similarities among the carbon emission characteristics of different regions， and the effective regional cluster analysis is the key to guide the research of regional low-carbon development by classification. Based on the problem of carbon emission and the possibility of emission reduction， this paper comprehensively evaluated the carbon emission reduction capacity of 14 prefecture-level cities in Gansu Province using the hierarchical clustering method. The results show that the 14 cities in Gansu Province can be divided into four groups， which have their own characteristics and whose emission reduction potential varies significantly. The classification results are comprehensive and do not fully reflect the regional continuity， thus， the classification guidance for carbon emission reduction cannot be based on geographical location. The effective low-carbon development paths with different characteristics should be implemented for different types of regions.

Key words: carbon emission reduction, clustering analysis, Gansu Province

中图分类号:

K921

董莹, 华中, 陆志翔, 许宝荣, 邹松兵. 面向低碳转型的甘肃省地区聚类分析[J]. 中国沙漠, 2020, 40(5): 25-31.

Ying Dong, Zhong Hua, Zhixiang Lu, Baorong Xu, Songbing Zou. Cluster analysis of prefecture-level cities in Gansu Province for low carbon transformation[J]. Journal of Desert Research, 2020, 40(5): 25-31.

图/表 6

图1 甘肃省地形与各地级市经济水平

Fig.1 The topography of Gansu Province and the economy of each city

表1 甘肃省地区碳减排可能性评估指标体系

Table 1 Evaluation index system for the possibility of carbon emission reduction in Gansu Province

要素	指标	单位	含义
X₁ 经济发展水平	人均GDP	元	地区生产总值与地区年末常住人口之比
X₂ 城市化水平	城镇化率	%	城镇人口占年末常住人口之比
X₃ 人口	人口密度	人·km^-2	单位土地面积的人口数量
X₄ 产业结构	工业增加值占比	%	工业增加值占产业增加总值的比重
X₅ 能耗水平	人均能耗（标准煤）	t	能源消耗总量与人口总量之比
X₆ 能源效率水平	能源强度（标准煤）	t·万元^-1	能源消费总量与地区生产总值之比
X₇ 环境污染容量	人均SO₂排放量	t	SO₂排放总量与人口总量之比

图2 聚类分析谱系图

Fig.2 The dendrogram of cluster analysis

图3 地区聚类结果图

Fig.3 Geographical cluster map

图4 基于工业增加值占比和城镇化率的各地区散点图

Fig.4 Scatter diagram of the proportion of industrial added value and the urbanization rate

图5 基于人均GDP和人均能耗的各地区散点图

Fig.5 Scatter diagram of the per Capita GDP and the per Capita Energy Consumption

参考文献 23

1	Tambo J A.Adaptation and resilience to climate change and variability in north-east Ghana［J］.International Journal of Disaster Risk Reduction，2016，17：85-94.
2	Kourgialas N N，Karatzas G P.A flood risk decision making approach for Mediterranean tree crops using GIS：climate change effects and flood-tolerant species［J］.Environmental Science and Policy，2016，63：132-142.
3	奥布力·塔力普，汪慧玲，阿里木江·卡斯木.基于系统聚类分析的西部地区环境污染程度评价［J］.冰川冻土，2015，37（1）：266-270.
4	康霞.甘肃省农田生态系统碳收支动态［J］.中国沙漠，2018，38（6）：1237-1242.
5	Yu S W，Wei Y M，Fan J L.Exploring the regional characteristics of inter-provincial CO₂ emissions in China： an improved fuzzy clustering analysis based on particle swarm optimization［J］.Applied Energy，2012（92）：552-562.
6	Ozdemir O，Kaya A.K-medoids and fuzzy C-means algorithms for clustering CO₂ emissions oF Turkey and other OECD countries［J］.Applied Ecology and Environmental Research，2018，3（16）：2513-2526.
7	张彬，姚娜，刘学敏.基于模糊聚类的中国分省碳排放初步研究［J］.中国人口·资源与环境，2011，21（1）：53-56.
8	Zhang S C，Zhao T.Identifying major influencing factors of CO₂emissions in China： Regional disparities analysis based on STIRPAT model from 1996 to 2015［J］.Atmospheric Environment，2019，207：136-147.
9	张乐.城镇化进程对碳排放影响研究：基于区域差异视角［D］.徐州：中国矿业大学，2017.
10	王佳.中国地区碳不平等：测度及影响因素［D］.重庆：重庆大学，2012.
11	黄国华，刘传江，徐正华.长江经济带碳减排潜力与低碳发展策略［J］.长江流域资源与环境，2018，27（4）：695-704.
12	郑颖，逯非，刘晶茹，等.我国典型城市化石能源消费CO₂排放及其影响因素比较研究［J］.生态学报，2020（10）：1-13.
13	黄蕊，王铮，丁冠群，等.基于STIRPAT模型的江苏省能源消费碳排放影响因素分析及趋势预测［J］.地理研究，2016，35（4）：781-789.
14	李雪梅，张庆.天津市能源消费碳排放影响因素及其情景预测［J］.干旱区研究，2019，36（4）：997-1004.
15	郭志玲.甘肃省碳排放峰值预测与应对策略研究［D］.兰州：兰州大学，2015.
16	刘定惠，杨永春.甘肃省碳排放变化的因素分解及实证分析［J］.干旱区研究，2012，29（3）：510-516.
17	高振宇，王益.我国能源生产率的地区划分及影响因素分析［J］.数量经济技术经济研究，2006（9）：46-57.
18	Xu R，Donald W.Survey of clustering algorithms［J］.IEEE Transactions on Neural Networks，2005，16（3）：645-678.
19	安帅，王乃昂，陈会丽，等.基于SOFM网络的巴丹吉林沙漠湖泊聚类及其他地下水补给来源推断［J］.中国沙漠，2014，34（2）：574-581.
20	赵哈林，张铜会，常学礼，等.科尔沁沙质放牧草地植被分异规律的聚类分析［J］.中国沙漠，1999，19（）：40-44.
21	王书剑.中国碳排放驱动因素分析：基于2004—2014年省级面板数据［J］.金融经济，2018（8）：37-39.
22	钱力，李泉，聂华林.基于聚类分析法对甘肃农村居民收入区域类型划分［J］.干旱区资源与环境，2013，27（5）：20-26.
23	荣慧芳，陈怀录，齐昊聪.甘肃省农业生产条件差异的聚类分析［J］.干旱区资源与环境，2010，24（11）：39-42.

[1]	曹博, 张勃, 马彬, 王国强, 唐敏, 张耀宗, 贾艳青. 2000-2014年甘肃省NDVI时空变化特征[J]. 中国沙漠, 2018, 38(2): 418-427.
[2]	赵玉, 冯起, 李会亚. 黑河下游土壤盐分分布特征[J]. 中国沙漠, 2017, 37(6): 1196-1203.
[3]	王素萍, 李耀辉, 冯建英, 王劲松, 王静. 1961—2012年甘肃省干湿变化特征及其影响因子[J]. 中国沙漠, 2014, 34(6): 1624-1632.
[4]	李辉霞, 周红艺, 魏兴琥. 基于RUE和NDVI的人类活动对植被干扰强度分析——以桂西北为例[J]. 中国沙漠, 2014, 34(3): 927-937.
[5]	安帅, 王乃昂, 陈会丽, 赵力强. 基于SOFM网络的巴丹吉林沙漠湖泊聚类及其地下水补给来源推断[J]. 中国沙漠, 2014, 34(2): 574-581.
[6]	李磊1,2,3, 李向义1,3, 徐新文1, 林丽莎1,3, 曾凡江1,3, 陈凤丽1,2. 策勒绿洲21种豆科牧草叶绿素荧光参数比较[J]. 中国沙漠, 2013, 33(5): 1363-1370.
[7]	孙会慧, 石培基, 潘竟虎, 杨勃, 刘海猛. 甘肃省农业生态系统能值演变与趋势[J]. 中国沙漠, 2013, 33(4): 1273-1280.
[8]	郭智强，陈强强，窦学诚，马丁丑. 甘肃省区域发展的资源环境基础评价[J]. 中国沙漠, 2013, 33(2): 419-425.
[9]	王小军1，2，陈翔舜1，2，魏金平1，2，尚立照1，2，高斌斌1，2，赵洪民1，2. 甘肃省2004—2009年土地沙漠化时空变化分析[J]. 中国沙漠, 2013, 33(1): 33-37.
[10]	姜大海;王式功;尚可政. 沙尘暴危险度的定量评估研究[J]. 中国沙漠, 2011, 31(6): 1554-1562.
[11]	张龙生;王建宏;尚立照;. 基于土地退化的甘肃省生态脆弱性评价研究[J]. 中国沙漠, 2010, 30(4): 783-787.
[12]	李晓丹;刘学录*. 土地利用结构的景观生态学分析——以甘肃省为例[J]. 中国沙漠, 2009, 29(4): 723-727.
[13]	王积全;李维德*. 基于信息扩散理论的干旱区农业旱灾风险分析——以甘肃省民勤县为例 [J]. 中国沙漠, 2007, 27(5): 826-830.
[14]	邓振镛;张强;刘德祥;蒲金涌;郭慧;张宇飞;张谋草;张惠玲. 气候变暖对甘肃种植业结构和农作物生长的影响[J]. 中国沙漠, 2007, 27(4): 627-632.
[15]	尉元明, 王静, 乔艳君. 化肥、农药和地膜对甘肃省农业生态环境的影响[J]. 中国沙漠, 2005, 25(6): 957-963.