CN112613690A - 基于低碳空间要素识别的县域城镇分类方法 - Google Patents
基于低碳空间要素识别的县域城镇分类方法 Download PDFInfo
- Publication number
- CN112613690A CN112613690A CN202010963675.1A CN202010963675A CN112613690A CN 112613690 A CN112613690 A CN 112613690A CN 202010963675 A CN202010963675 A CN 202010963675A CN 112613690 A CN112613690 A CN 112613690A
- Authority
- CN
- China
- Prior art keywords
- county
- carbon emission
- characteristic
- town
- index system
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 229910052799 carbon Inorganic materials 0.000 title claims abstract description 167
- 238000000034 method Methods 0.000 title claims abstract description 53
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 claims abstract description 151
- 238000013316 zoning Methods 0.000 claims abstract description 50
- 230000004044 response Effects 0.000 claims abstract description 31
- 238000005070 sampling Methods 0.000 claims abstract description 15
- 238000010220 Pearson correlation analysis Methods 0.000 claims abstract description 11
- 238000005192 partition Methods 0.000 claims description 26
- 238000011161 development Methods 0.000 claims description 17
- 230000018109 developmental process Effects 0.000 claims description 17
- 239000011159 matrix material Substances 0.000 claims description 9
- 238000013439 planning Methods 0.000 claims description 7
- 238000007621 cluster analysis Methods 0.000 claims description 6
- 235000006732 Torreya nucifera Nutrition 0.000 claims description 5
- 244000111306 Torreya nucifera Species 0.000 claims description 5
- 238000004519 manufacturing process Methods 0.000 claims description 4
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 claims description 3
- 230000002411 adverse Effects 0.000 claims description 3
- 230000001419 dependent effect Effects 0.000 claims description 3
- 230000000694 effects Effects 0.000 claims description 3
- 230000007613 environmental effect Effects 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 238000012545 processing Methods 0.000 claims description 3
- 238000006467 substitution reaction Methods 0.000 claims description 3
- 238000004458 analytical method Methods 0.000 claims description 2
- 230000009919 sequestration Effects 0.000 claims description 2
- 238000011160 research Methods 0.000 abstract description 12
- 230000009286 beneficial effect Effects 0.000 abstract description 3
- 230000000875 corresponding effect Effects 0.000 description 14
- 238000007726 management method Methods 0.000 description 6
- CURLTUGMZLYLDI-UHFFFAOYSA-N Carbon dioxide Chemical compound O=C=O CURLTUGMZLYLDI-UHFFFAOYSA-N 0.000 description 4
- 230000009467 reduction Effects 0.000 description 4
- 229910002092 carbon dioxide Inorganic materials 0.000 description 3
- 239000001569 carbon dioxide Substances 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 230000004069 differentiation Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 239000003245 coal Substances 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 230000002950 deficient Effects 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000003628 erosive effect Effects 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000004445 quantitative analysis Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/067—Enterprise or organisation modelling
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/26—Government or public services
Landscapes
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Development Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Tourism & Hospitality (AREA)
- Educational Administration (AREA)
- Marketing (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Primary Health Care (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于低碳空间要素识别的县域城镇分类方法，包括以下步骤：提取U个县域的数据，建立“状态‑压力‑响应模型”，采用分层抽样法进行分层和抽样，得到多个样本县，利用皮尔森相关分析法进行计算，得到每个指标的平均影响系数，剔除平均影响系数最小的3～7个指标，剩余指标形成最终县域城镇碳排放特征分区指标体系，将U个县域在最终县域城镇碳排放特征分区指标体系中进行类型划分，得到聚类结果。本发明基于PSR框架构建了一个面向治理部门的范围指标体系来展开研究，有助于对影响县域城镇碳排放特征的各类要素进行综合识别。
Description
技术领域
本发明属于县域城镇分类技术领域，具体来说涉及一种基于低碳空间要素识别的县域城镇分类方法。
背景技术
当前，低碳理念已贯穿于我国的城市化进程中，国内低碳城市试点建设及其低碳效用研究方兴未艾，但是低碳管理研究仍然十分匮乏。
县域是一个复杂的多要素集合体，其要素层次众多相互关联。然而，目前我国差异化控碳路径的研究主要是从城市要素中的规模和结构、居民生活、道路交通、经济发展以及生态绿化这个5个方面中的单个要素进行分析研究，需要更精细尺度的控碳路径策略，以提高不同地域的针对性。同时，县域又具有区域性、差异性，碳排放特征的县域城镇分类方法是我国差异化控碳路径的关键环节。目前，碳排放的分区主要分为整体碳排放空间格局、整体碳排放绩效空间格局、单一部门碳排放水平空间三大类别，既有研究为特征分区研究形成了一定的理论和方法基础，但仍有一些研究尺度和方法上的缺陷。其一是对县域研究尺度缺乏关注，其二是经典分区方法对县域碳排放特征分区适用性的不足。因此，需要以县域碳排放动因特征识别的分区为目标，建构分区思维模型，更有利于制定差异化的控碳减排策略。
发明内容
针对现有技术的不足，本发明的目的在于提供一种基于低碳空间要素识别的县域城镇分类方法。
本发明的目的是通过下述技术方案予以实现的。
一种基于低碳空间要素识别的县域城镇分类方法，包括以下步骤：
步骤1，提取U个县域的数据，建立“状态-压力-响应模型”，其中，对提取的县域的数据进行筛选形成“状态-压力-响应模型”所需数据集并作为初始县域城镇碳排放特征分区指标体系，“状态-压力-响应模型”分为“状态”、“压力”和“响应”，“状态-压力-响应模型”的“状态”为“环境状态”并用总碳排放量作为特征部门；“状态-压力-响应模型”的“压力”为“发展压力”，“发展压力”的特征部门包括：规模和结构以及经济发展；“状态-压力-响应模型”的“响应”为“空间规划”，“空间规划”的特征部门包括：居民生活、交通出行、生态绿化和能源效率；
步骤2，包括2-1和2-2：
2-1，分层和抽样
基于U个县域的数据，采用分层抽样法进行分层和抽样，得到多个样本县，其中，通过kaya恒等式确定影响碳排放量的主要因素并将其作为分类的类别，在每一个类别中随机抽取5～15％的县域作为样本县；
2-2，构建分区指标体系
利用皮尔森相关分析法，以全部样本县为处理单元进行计算，得到每个指标的平均影响系数，对平均影响系数从高至低进行排列，剔除平均影响系数最小的3～7个指标，剩余指标形成最终县域城镇碳排放特征分区指标体系并得到该最终县域城镇碳排放特征分区指标体系中指标的属性；
步骤3，将U个县域在最终县域城镇碳排放特征分区指标体系中进行类型划分，进行类型划分时，首先计算每个特征部门的权重，再根据权重计算每个县域在最终县域城镇碳排放特征分区指标体系的每个特征部门下的得分，再进行聚类分析以将县域分成K类，得到聚类结果。
在上述技术方案中，属性为对碳排放有正向影响或对碳排放有逆向影响。
在上述技术方案中，皮尔森相关分析法中的自变量为“状态-压力-响应模型”初始县域城镇碳排放特征分区指标体系的“压力”和“响应”的指标，皮尔森相关分析法中的因变量为“状态-压力-响应模型”初始县域城镇碳排放特征分区指标体系的“状态”的指标。
在上述技术方案中，最终县域城镇碳排放特征分区指标体系中特征部门的个数为J个，最终县域城镇碳排放特征分区指标体系中全部特征部门的指标的个数为I个，用v表示J个特征部门中每个特征部门的指标的个数；在所述步骤3中，计算特征部门的权重的方法为熵权法，熵权法具体步骤如下：
1)将U个县域的最终县域城镇碳排放特征分区指标体系中的指标值代入公式(1)，构建初始判断矩阵RUI并作为该初始判断矩阵RUI中的元素rmn，其中，m＝1、……、U，n＝1、……、I：
其中，初始判断矩阵RUI中每一行代表一个县域，每一列代表最终县域城镇碳排放特征分区指标体系中的一个指标；
2)采用“Min-Max”数据标准化方法对rmn标准化处理，得到Qmn，其中，根据步骤2-2获得的属性，针对对碳排放有正向影响的指标，将rmn代入公式(2)；针对对碳排放有逆向影响的指标，将rmn代入公式(3)；
3)将步骤2)获得的Qmn代入公式(4)，得到Pmn；
4)将Pmn代入公式(5)，得到第n个指标的熵值en；
其中，当Pmn为0时，Pmn×ln Pmn＝0；
5)将熵值en代入公式(6)，得到第n个指标的权重wn；
6)将与该指标相对应的权重wn、Qmn以及该指标所在特征部门的v代入公式(7)，得到第m个县域该指标所在特征部门的得分Zjm；
7)将Zjm代入公式(4)中的Qmn并将所得Pmn代入公式(5)，再将所得熵值en代入公式(6)，得到权重wn为第j个特征部门的权重Wj。
在上述技术方案中，在所述步骤3中，根据权重计算每个县域在最终县域城镇碳排放特征分区指标体系每个特征部门下的得分的方法为：采用线性加权求和模型将权重Wj和得分Zjm代入公式(8)，得到第m个县域在最终县域城镇碳排放特征分区指标体系的第j个特征部门下的得分Sjm，j＝1、......、J，将所有县域在最终县域城镇碳排放特征分区指标体系的第1～6个特征部门的得分的集合定义为Sm；
Sjm＝Wj×Zjm (8)。
在上述技术方案中，在步骤3中，进行聚类分析的方法为：
a)在U个县域中随机选择k个县域的J个特征部门在最终县域城镇碳排放特征分区指标体系的得分作为初始聚类中心Sz，Sz＝{Szj|z＝1，2，3，...k；j＝1、......、J}，Szj为第z个县域第j个特征部门在最终县域城镇碳排放特征分区指标体系的得分；
b)将初始聚类中心Sz和每个县域在最终县域城镇碳排放特征分区指标体系J个特征部门的得分代入公式(9)，计算每一个县域到每一个初始聚类中心的欧式距离d(Sz，Sm)；
c)依次比较每一个县域到每一个初始聚类中心的欧氏距离，将每个县域分配到欧式距离最近的初始聚类中心中并作为该初始聚类中心的子集，得到k个子集{C1，C2，...，Ck}，其中，每个子集中县域的个数为|Cz|，|Cz|为第z个子集中县域的个数；
d)将每个子集中县域的个数|Cz|和每个子集中县域在最终县域城镇碳排放特征分区指标体系J个特征部门的得分Sm’代入公式(10)，计算得到每个子集的平均值yZ，并将yZ作为新的聚类中心；
e)重复以下步骤，直到公式(10)所得结果不再变化，重复的步骤为：将yz作为步骤a)中的Sz并按照步骤a)～d)进行运算。
在上述技术方案中，总碳排放量包括：生活碳排放量和生产碳排放量。
在上述技术方案中，在初始县域城镇碳排放特征分区指标体系中，规模和结构对应的指标为建成区面积、土地城镇化率、人口和人口城镇化率；
经济发展对应的指标为GDP、人均GDP、第二产业增加值占GDP比重、第三产业增加值占GDP比重和全社会固定资产投资总额。
在上述技术方案中，在初始县域城镇碳排放特征分区指标体系中，居民生活对应的指标为燃气供应覆盖率、供热管道密度、供热容积率和居住密度；
交通出行对应的指标为道路密度、每万人公共交通工具拥有量、人均机动车保有量、每万人拥有公园数量、医疗设施配置率、社会福利设施配置率和步行道面积占道路面积比重；
生态绿化对应的指标为碳汇容量；
能源效率对应的指标为能源强度。
本发明的有益效果为：
首先，本发明的目的在于提供一种基于低碳空间要素识别的县域城镇分类方法，具有科学高效分类的优点；其次，本发明通过掌握县域碳排放特征分区来实施差异化的控碳路径，提高县域控碳减排的可操作性；第三，本发明基于PSR框架构建了一个面向治理部门的范围指标体系来展开研究，有助于对影响县域城镇碳排放特征的各类要素进行综合识别。最后，本发明为建立问题导向的县域碳排放特征分区，在类型划分方法上对经典聚类分析方法进行了优化，益于形成具有针对性的控碳减排策略。
附图说明
图1为本发明县域城镇分类方法分类后获得的县域分类图。
图2为本发明的特征类型的得分的平均值yz。
具体实施方式
下面结合具体实施例进一步说明本发明的技术方案。
一种基于低碳空间要素识别的县域城镇分类方法，包括以下步骤：
步骤1，以统计年鉴为依据，提取U个县域的数据，U＝1814个，建立“状态-压力-响应模型”(PSR模型，Pressure-State-Response)，其中，对提取的县域的数据进行筛选形成“状态-压力-响应模型”所需数据集并作为初始县域城镇碳排放特征分区指标体系，其中，“状态-压力-响应模型”分为“状态”(State)、“压力”(Pressure)和“响应”(Response)，“状态-压力-响应模型”的“状态”为“环境状态”并用总碳排放量作为特征部门，总碳排放量包括：生活碳排放量和生产碳排放量，其中，交通碳排放量存在大比例的过境交通及区域交通运输服务，与县域的空间特征影响关联较弱，故交通碳排放量不包括县域的交通碳排放量。
“状态-压力-响应模型”的“压力”为“发展压力”，“发展压力”的特征部门包括：规模和结构以及经济发展，规模和结构对应的指标为建成区面积、土地城镇化率、人口和人口城镇化率，经济发展对应的指标为GDP、人均GDP、第二产业增加值占GDP比重、第三产业增加值占GDP比重和全社会固定资产投资总额；
“状态-压力-响应模型”的“响应”为“空间规划”，“空间规划”的特征部门包括：居民生活、交通出行、生态绿化和能源效率，居民生活对应的指标为燃气供应覆盖率、供热管道密度、供热容积率和居住密度，交通出行对应的指标为道路密度、每万人公共交通工具拥有量、人均机动车保有量、每万人拥有公园数量、医疗设施配置率、社会福利设施配置率和步行道面积占道路面积比重，生态绿化对应的指标为碳汇容量，能源效率对应的指标为能源强度(单位GDP标准煤消耗量)；如表1所示。
表1为“状态-压力-响应模型”的初始县域城镇碳排放特征分区指标体系
作为进一步解释，碳排放量的计算公式：
CEm＝ICEm+HCEm
其中，CEm为m县的碳排放量，ICEm为m县的生产碳排放量，HCEm为m县的生活碳排放量。
m县的生产碳排放量的计算公式：
ICEm为m县的生产碳排放量，t为三次产业部门中的一个部门，
为m县所在的n'市第t部门产业碳排放量，
为m县第t部门产业碳排放分配系数，
为m县第t部门产值，
为m县所在的n'市第t部门产值。
m县的生活碳排放量的计算公式：
HCEm为m县的生活碳排放量，l为城镇和乡村两个区域中的一个区域，
为m县所在的n′市第l区域的生活碳排放量，
为m县第l区域的生活碳排放分配系数，
为m县第l区域的人口数量，
为m县所在的n′市第l区域的人口数量。
步骤2，包括2-1和2-2：
2-1，分层和抽样
基于U个县域的数据，采用分层抽样法进行分层和抽样，得到185个样本县，其中，分层抽样法中的分层采用的是kaya恒等式，抽样采用的是随机抽样；
其中，通过kaya恒等式确定人口规模、发展阶段和能源技术是影响碳排放量的主要因素并将其作为分类的类别，在每一个类别中随机抽取10％的县域作为研究样本，得到185个样本县；
kaya恒等式为：
其中，CO2为二氧化碳的排放量，P是人口总量，
为人均GDP，
为单位GDP能耗，
为二氧化碳和能源的换算值，人口规模、发展阶段、能源技术水平是影响碳排放量的主要因素，因此采用人口规模、发展阶段、能源技术水平三个因素进行分层抽样。
2-2，构建分区指标体系
利用皮尔森相关分析法，以185个样本县为处理单元进行计算，得到每个指标的平均影响系数，其中，当平均影响系数大于0.8时，表示指标与总碳排放量为高度相关关系；当平均影响系数在0.5-0.8之间，表示指标与总碳排放量为中度相关关系；当平均影响系数在0.3-0.5之间，表示指标与总碳排放量为低度相关关系。对平均影响系数从高至低进行排列，剔除与总碳排放量相关性最差的5个指标，剩余指标形成最终县域城镇碳排放特征分区指标体系并得到该最终县域城镇碳排放特征分区指标体系中指标的属性，如表2所示，其中，最终县域城镇碳排放特征分区指标体系中特征部门的个数为J个，最终县域城镇碳排放特征分区指标体系中全部特征部门的指标的个数为I个，其中，用v表示J个特征部门中每个特征部门的指标的个数，J个特征部门v依次为v1、v2……、vJ，v1+……+vJ＝I，属性为对碳排放有正向影响或对碳排放有逆向影响，皮尔森相关分析法中的自变量为“状态-压力-响应模型”初始县域城镇碳排放特征分区指标体系的“压力”(Pressure)和“响应”(Response)的指标，皮尔森相关分析法中的因变量为“状态-压力-响应模型”初始县域城镇碳排放特征分区指标体系的“状态”(State)的指标；
皮尔森相关分析法见参考文献为：张宇镭,党琰,贺平安.利用Pearson相关系数定量分析生物亲缘关系[J].计算机工程与应用,2005(33):83-86+103.。
在本实施例中，I＝18，J＝6。
表2为最终县域城镇碳排放特征分区指标体系
步骤3，为保证县域特征分区的科学性、合理性，将U个县域在最终县域城镇碳排放特征分区指标体系中进行类型划分，进行类型划分时，首先计算每个特征部门的权重，再根据权重计算每个县域在最终县域城镇碳排放特征分区指标体系的每个特征部门下的得分，再进行聚类分析以将县域分成K类(k-menans聚类分析)，得到聚类结果。
在所述步骤3中，计算特征部门的权重的方法为熵权法，熵权法具体步骤如下：
1)将U个县域的最终县域城镇碳排放特征分区指标体系中的指标值代入公式(1)，构建初始判断矩阵RUI并作为该初始判断矩阵RUI中的元素rmn，其中，m＝1、……、U，n＝1、……、I：
其中，
初始判断矩阵RUI中每一行代表一个县域，每一列代表最终县域城镇碳排放特征分区指标体系中的一个指标；
2)采用“Min-Max”数据标准化方法对rmn标准化处理，得到Qmn，其中，根据步骤2-2获得的属性，针对对碳排放有正向影响的指标，将rmn代入公式(2)；针对对碳排放有逆向影响的指标，将rmn代入公式(3)；
3)将步骤2)获得的Qmn代入公式(4)，得到Pmn；
4)将Pmn代入公式(5)，得到第n个指标的熵值en；
其中，当Pmn为0时，Pmn×ln Pmn＝0；
5)将熵值en代入公式(6)，得到第n个指标的权重wn；
6)将与该指标相对应的权重wn、Qmn以及该指标所在特征部门的v代入公式(7)，得到第m个县域该指标所在特征部门的得分Zjm；
7)将Zjm代入公式(4)中的Qmn并将所得Pmn代入公式(5)，再将所得熵值en代入公式(6)，得到权重wn为第j个特征部门的权重Wj。
在所述步骤3中，根据权重计算每个县域在最终县域城镇碳排放特征分区指标体系每个特征部门下的得分的方法为：采用线性加权求和模型将权重Wj和得分Zjm代入公式(8)，得到第m个县域在最终县域城镇碳排放特征分区指标体系的第j个特征部门下的得分sjm，j＝1、......、J，将所有县域在最终县域城镇碳排放特征分区指标体系的第1～6个特征部门的得分的集合定义为Sm；
Sjm＝Wj×Zjm (8)
。
在步骤3中，进行聚类分析的方法为：
a)在U个县域中随机选择k个县域的J个特征部门在最终县域城镇碳排放特征分区指标体系的得分作为初始聚类中心Sz，k∈[4,8]，k可依据具体研究内容进行取值，Sz＝{Szj|z＝1，2，3，...k；j＝1、......、J}，Szj为第z个县域第j个特征部门在最终县域城镇碳排放特征分区指标体系的得分；在本实施例中，；
b)将初始聚类中心Sz和每个县域在最终县域城镇碳排放特征分区指标体系J个特征部门的得分代入公式(9)，计算每一个县域到每一个初始聚类中心的欧式距离d(Sz，Sm)；
c)依次比较每一个县域到每一个初始聚类中心的欧氏距离，将每个县域分配到欧式距离最近的初始聚类中心中并作为该初始聚类中心的子集，得到k个子集{C1，C2，...，Ck}，其中，每个子集中县域的个数为|Cz|，|Cz|为第z个子集中县域的个数；
d)将每个子集中县域的个数|Cz|和每个子集中县域在最终县域城镇碳排放特征分区指标体系J个特征部门的得分Sm’代入公式(10)，计算得到每个子集的平均值yZ，并将yZ作为新的聚类中心；
e)重复以下步骤，直到公式(10)所得结果不再变化，重复的步骤为：将yZ作为步骤a)中的Sz并按照步骤a)～d)进行运算。
表3为6个分类下县域碳排放特征类型部门得分最终的平均值
基于Arc gis 10.2，并采用雷达图，对步骤3得到的聚类结果进行可视化，得到基于低碳空间要素识别的县域分类图和特征类型图，如附图1和图2所示。县域分类图和特征类型图可以同时反映不同地区碳排放差异及其动因差异的、面向县域低碳规划的分区，利于差异化控碳减排策略的制定。
针对表3，每种特征类型的解释如下：
1区特征类型的县域位于中国西北、东部，其在最终县域城镇碳排放特征分区指标体系总得分的平均值最高，且各特征部门在最终县域城镇碳排放特征分区指标体系得分的平均值较高，规模和结构、经济发展以及生态绿化三个特征部门的得分居于首位。因此，属于该区特征类型的县域在城镇建设中不够低碳，尤其在城镇发展的规模及结构、经济发展以及生态环境这三方面具有相对突出的高碳问题。
2区特征类型的县域位于中国的东北部，其虽然与1区特征类型有一定差距，但是其在最终县域城镇碳排放特征分区指标体系总得分的平均值位于第二，也是高碳排放。其中居民生活、道路交通以及能源效率三个特征部门的得分在其余特征类型中最高，而经济发展与生态绿化特征部门得分最低，反映出该特征部门虽然在经济发展与生态环境上有相对较好的绿色发展意识与管理保护，但其他特征部门仍存在相对较严重的高碳发展问题，因此整体上也是高碳排放。
3区特征类型的县域位于中国的东北、西部，3区特征类型的县域在最终县域城镇碳排放特征分区指标体系总得分的平均值位于第三，其中各特征部门得分较为均衡，该特征类型在最终县域城镇碳排放特征分区指标体系得分的平均值也位于中位数左右，但除生态绿化以外，其余特征部门得分均值为0.0260，高于全国均值0.0255，因此，该类型也是高碳排放。
4区特征类型的县域广泛分布于中国中部、南部及西部，其总得分位于第四，但由于其在最终县域城镇碳排放特征分区指标体系得分的平均值低于全国均值，因此属于碳排放水平中等。而该特征类型在居民生活的得分最低，但生态绿化得分位于第二，其余各特征部门得分也较为均衡，反映出该特征类型的县域尽管对居民生活的碳排放管理相对有所控制，但由于对生态环境问题的保护管理相对不到位，导致了该地区归属于碳排放水平中等。
5区特征类型的县域广泛分布于中国中部、南部、西部及东北部，其在最终县域城镇碳排放特征分区指标体系总得分的平均值位于第五位，除生态绿化以外，其余各特征部门得分都处于相对偏低的位置，尤其是规模和结构、居民生活的得分在各特征类型得分中位于倒数第二的位置。反映了该特征类型的县域在城镇的规模和结构、居民生活上都有较好的管控方式，但由于生态侵蚀的原因，该特征类型的县域碳排放水平中等。
6区特征类型的县域分布于中国西部、南部及东北部，其在最终县域城镇碳排放特征分区指标体系总得分的平均值最低，与前面5种特征类型在最终县域城镇碳排放特征分区指标体系总得分的平均值有较明显的差距，且在规模和结构、道路交通以及能源效率的得分最低，其中道路交通的得分总体上比其他特征部门的得分低30％。反映了该特征类型县域对道路交通采取了有效的管理策略措施、减少了县域交通量、改变出行方式，注重对道路交通部门的低碳管控。因此，该特征类型的县域是低碳排放。
以上对本发明做了示例性的描述，应该说明的是，在不脱离本发明的核心的情况下，任何简单的变形、修改或者其他本领域技术人员能够不花费创造性劳动的等同替换均落入本发明的保护范围。
Claims (8)
1.一种基于低碳空间要素识别的县域城镇分类方法，其特征在于，包括以下步骤：
步骤1，提取U个县域的数据，建立“状态-压力-响应模型”，其中，对提取的县域的数据进行筛选形成“状态-压力-响应模型”所需数据集并作为初始县域城镇碳排放特征分区指标体系，“状态-压力-响应模型”分为“状态”、“压力”和“响应”，“状态-压力-响应模型”的“状态”为“环境状态”并用总碳排放量作为特征部门；“状态-压力-响应模型”的“压力”为“发展压力”，“发展压力”的特征部门包括：规模和结构以及经济发展；“状态-压力-响应模型”的“响应”为“空间规划”，“空间规划”的特征部门包括：居民生活、交通出行、生态绿化和能源效率；
步骤2，包括2-1和2-2：
2-1，分层和抽样
基于U个县域的数据，采用分层抽样法进行分层和抽样，得到多个样本县，其中，通过kaya恒等式确定影响碳排放量的主要因素并将其作为分类的类别，在每一个类别中随机抽取5～15％的县域作为样本县；
2-2，构建分区指标体系
利用皮尔森相关分析法，以全部样本县为处理单元进行计算，得到每个指标的平均影响系数，对平均影响系数从高至低进行排列，剔除平均影响系数最小的3～7个指标，剩余指标形成最终县域城镇碳排放特征分区指标体系并得到该最终县域城镇碳排放特征分区指标体系中指标的属性；
步骤3，将U个县域在最终县域城镇碳排放特征分区指标体系中进行类型划分，进行类型划分时，首先计算每个特征部门的权重，再根据权重计算每个县域在最终县域城镇碳排放特征分区指标体系的每个特征部门下的得分，再进行聚类分析以将县域分成K类，得到聚类结果。
2.根据权利要求1所述的县域城镇分类方法，其特征在于，属性为对碳排放有正向影响或对碳排放有逆向影响。
3.根据权利要求2所述的县域城镇分类方法，其特征在于，皮尔森相关分析法中的自变量为“状态-压力-响应模型”初始县域城镇碳排放特征分区指标体系的“压力”和“响应”的指标，皮尔森相关分析法中的因变量为“状态-压力-响应模型”初始县域城镇碳排放特征分区指标体系的“状态”的指标。
4.根据权利要求3所述的县域城镇分类方法，其特征在于，最终县域城镇碳排放特征分区指标体系中特征部门的个数为J个，最终县域城镇碳排放特征分区指标体系中全部特征部门的指标的个数为I个，用v表示J个特征部门中每个特征部门的指标的个数；在所述步骤3中，计算特征部门的权重的方法为熵权法，熵权法具体步骤如下：
1)将U个县域的最终县域城镇碳排放特征分区指标体系中的指标值代入公式(1)，构建初始判断矩阵RUI并作为该初始判断矩阵RUI中的元素rmn，其中，m＝1、……、U，n＝1、……、I：
其中，初始判断矩阵RUI中每一行代表一个县域，每一列代表最终县域城镇碳排放特征分区指标体系中的一个指标；
2)采用“Min-Max”数据标准化方法对rmn标准化处理，得到Qmn，其中，根据步骤2-2获得的属性，针对对碳排放有正向影响的指标，将rmn代入公式(2)；针对对碳排放有逆向影响的指标，将rmn代入公式(3)；
3)将步骤2)获得的Qmn代入公式(4)，得到Pmn；
4)将Pmn代入公式(5)，得到第n个指标的熵值en；
其中，当Pmn为0时，Pmn×lnPmn＝0；
5)将熵值en代入公式(6)，得到第n个指标的权重wn；
6)将与该指标相对应的权重wn、Qmn以及该指标所在特征部门的v代入公式(7)，得到第m个县域该指标所在特征部门的得分Zjm；
7)将Zjm代入公式(4)中的Qmn并将所得Pmn代入公式(5)，再将所得熵值en代入公式(6)，得到权重wn为第j个特征部门的权重Wj。
5.根据权利要求4所述的县域城镇分类方法，其特征在于，在所述步骤3中，根据权重计算每个县域在最终县域城镇碳排放特征分区指标体系每个特征部门下的得分的方法为：采用线性加权求和模型将权重Wj和得分Zjm代入公式(8)，得到第m个县域在最终县域城镇碳排放特征分区指标体系的第j个特征部门下的得分Sjm，j＝1、......、J，将所有县域在最终县域城镇碳排放特征分区指标体系的第1～6个特征部门的得分的集合定义为Sm；
Sjm＝Wj×Zjm (8)。
6.根据权利要求5所述的县域城镇分类方法，其特征在于，在步骤3中，进行聚类分析的方法为：
a)在U个县域中随机选择k个县域的J个特征部门在最终县域城镇碳排放特征分区指标体系的得分作为初始聚类中心Sz，Sz＝{Szj|z＝1，2，3，...k；j＝1、......、J}，Szj为第z个县域第j个特征部门在最终县域城镇碳排放特征分区指标体系的得分；
b)将初始聚类中心Sz和每个县域在最终县域城镇碳排放特征分区指标体系J个特征部门的得分代入公式(9)，计算每一个县域到每一个初始聚类中心的欧式距离d(Sz，Sm)；
c)依次比较每一个县域到每一个初始聚类中心的欧氏距离，将每个县域分配到欧式距离最近的初始聚类中心中并作为该初始聚类中心的子集，得到k个子集{C1，C2，...，Ck}，其中，每个子集中县域的个数为|Cz|，|Cz|为第z个子集中县域的个数；
d)将每个子集中县域的个数|Cz|和每个子集中县域在最终县域城镇碳排放特征分区指标体系J个特征部门的得分Sm’代入公式(10)，计算得到每个子集的平均值yZ，并将yZ作为新的聚类中心；
e)重复以下步骤，直到公式(10)所得结果不再变化，重复的步骤为：将yZ作为步骤a)中的Sz并按照步骤a)～d)进行运算。
7.根据权利要求1所述的县域城镇分类方法，其特征在于，总碳排放量包括：生活碳排放量和生产碳排放量。
8.根据权利要求1所述的县域城镇分类方法，其特征在于，在初始县域城镇碳排放特征分区指标体系中，规模和结构对应的指标为建成区面积、土地城镇化率、人口和人口城镇化率；
经济发展对应的指标为GDP、人均GDP、第二产业增加值占GDP比重、第三产业增加值占GDP比重和全社会固定资产投资总额。
在上述技术方案中，在初始县域城镇碳排放特征分区指标体系中，居民生活对应的指标为燃气供应覆盖率、供热管道密度、供热容积率和居住密度；
交通出行对应的指标为道路密度、每万人公共交通工具拥有量、人均机动车保有量、每万人拥有公园数量、医疗设施配置率、社会福利设施配置率和步行道面积占道路面积比重；
生态绿化对应的指标为碳汇容量；
能源效率对应的指标为能源强度。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010963675.1A CN112613690A (zh) | 2020-09-14 | 2020-09-14 | 基于低碳空间要素识别的县域城镇分类方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010963675.1A CN112613690A (zh) | 2020-09-14 | 2020-09-14 | 基于低碳空间要素识别的县域城镇分类方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112613690A true CN112613690A (zh) | 2021-04-06 |
Family
ID=75224302
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010963675.1A Pending CN112613690A (zh) | 2020-09-14 | 2020-09-14 | 基于低碳空间要素识别的县域城镇分类方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112613690A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113342910A (zh) * | 2021-04-28 | 2021-09-03 | 北京一亩田新农网络科技有限公司 | 用于确定区域类型的方法、装置、电子设备和计算机可读介质 |
| CN115841213A (zh) * | 2022-09-27 | 2023-03-24 | 广东工业大学 | 一种公路建养全过程碳减排的管理方法 |
-
2020
- 2020-09-14 CN CN202010963675.1A patent/CN112613690A/zh active Pending
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113342910A (zh) * | 2021-04-28 | 2021-09-03 | 北京一亩田新农网络科技有限公司 | 用于确定区域类型的方法、装置、电子设备和计算机可读介质 |
| CN113342910B (zh) * | 2021-04-28 | 2024-06-07 | 北京一亩田新农网络科技有限公司 | 用于确定区域类型的方法、装置、电子设备和计算机可读介质 |
| CN115841213A (zh) * | 2022-09-27 | 2023-03-24 | 广东工业大学 | 一种公路建养全过程碳减排的管理方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Heblich et al. | East-side story: Historical pollution and persistent neighborhood sorting | |
| CN113052742A (zh) | 基于碳减排潜力测度的县域低碳分区方法 | |
| Zegras | Sustainable urban mobility: exploring the role of the built environment | |
| CN108364467A (zh) | 一种基于改进型决策树算法的路况信息预测方法 | |
| Tian et al. | Village classification in metropolitan suburbs from the perspective of urban-rural integration and improvement strategies: A case study of Wuhan, central China | |
| CN112613690A (zh) | 基于低碳空间要素识别的县域城镇分类方法 | |
| CN114969007A (zh) | 一种基于功能混合度和集成学习的城市功能区识别方法 | |
| CN105913134A (zh) | 一种城市产业布局空间优化分析的soa技术方法 | |
| Feng et al. | Association of the built environment with motor vehicle emissions in small cities | |
| Cao et al. | Analysis of spatiotemporal changes in cultural heritage protected cities and their influencing factors: Evidence from China | |
| Yutian et al. | Inclusive green environment for all? An investigation of spatial access equity of urban green space and associated socioeconomic drivers in China | |
| He | Energy effect of urban diversity: An empirical study from a land-use perspective | |
| CN109325614A (zh) | 一种基于gis的汽车站选址方法 | |
| Zhang et al. | How road network transformation may be associated with reduced carbon emissions: An exploratory analysis of 19 major Chinese cities | |
| Tian et al. | Suburban sprawl measurement and landscape analysis of cropland and ecological land: A case study of Jiangsu Province, China | |
| Kawalerowicz et al. | Multiscalar typology of residential areas in Sweden | |
| CN116911507A (zh) | 基于空间投影寻踪的城市街区活力评价方法及存储介质 | |
| Guo et al. | Has the healthy city pilot policy improved urban air quality in China? Evidence from a quasi-natural experiment | |
| CN114139827B (zh) | 一种城市功能区功能绩效的智能感知与优化方法 | |
| CN106529560A (zh) | 一种综合人口密度与景观结构的城市功能区的识别方法 | |
| CN115099481A (zh) | 基于空间形态开放度预测传统村落文化旅游发展适宜性的方法 | |
| Jiao et al. | An approach to exploring the spatial distribution and influencing factors of urban problems based on Land use types | |
| Mirzahossein et al. | Land-Use Modification Based on Transit-Oriented Development Adjacent to Historical Context (Case Study: Qazvin City) | |
| Beramendi et al. | Economic Geography and Redistribution: Malapportionment as Compensation⇤ | |
| CN117474352B (zh) | 一种土地利用再开发识别与优化方法与装置 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination |