CN117273538A - 一种交通碳排放空间网络关联结构分析方法及系统 - Google Patents
一种交通碳排放空间网络关联结构分析方法及系统 Download PDFInfo
- Publication number
- CN117273538A CN117273538A CN202311305617.XA CN202311305617A CN117273538A CN 117273538 A CN117273538 A CN 117273538A CN 202311305617 A CN202311305617 A CN 202311305617A CN 117273538 A CN117273538 A CN 117273538A
- Authority
- CN
- China
- Prior art keywords
- carbon emission
- network
- traffic
- city
- analysis
- 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 231
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 title claims abstract description 229
- 238000004458 analytical method Methods 0.000 title claims abstract description 54
- 238000000034 method Methods 0.000 claims abstract description 27
- 238000000556 factor analysis Methods 0.000 claims abstract description 9
- 238000003012 network analysis Methods 0.000 claims abstract description 7
- 239000011159 matrix material Substances 0.000 claims description 31
- 238000011161 development Methods 0.000 claims description 19
- 238000005265 energy consumption Methods 0.000 claims description 13
- 238000000611 regression analysis Methods 0.000 claims description 12
- 230000005484 gravity Effects 0.000 claims description 9
- CURLTUGMZLYLDI-UHFFFAOYSA-N Carbon dioxide Chemical compound O=C=O CURLTUGMZLYLDI-UHFFFAOYSA-N 0.000 claims description 6
- 238000010219 correlation analysis Methods 0.000 claims description 5
- 238000004364 calculation method Methods 0.000 claims description 4
- 229910002092 carbon dioxide Inorganic materials 0.000 claims description 3
- 239000001569 carbon dioxide Substances 0.000 claims description 3
- 238000007726 management method Methods 0.000 claims description 2
- 238000012916 structural analysis Methods 0.000 claims description 2
- 238000004590 computer program Methods 0.000 claims 4
- 238000003696 structure analysis method Methods 0.000 claims 1
- 238000011156 evaluation Methods 0.000 description 7
- 230000009467 reduction Effects 0.000 description 5
- 238000011160 research Methods 0.000 description 4
- 230000007306 turnover Effects 0.000 description 4
- 230000008859 change Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 230000007613 environmental effect Effects 0.000 description 3
- 239000007789 gas Substances 0.000 description 3
- 230000000007 visual effect Effects 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 239000005431 greenhouse gas Substances 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 230000004888 barrier function Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000010485 coping Effects 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000004134 energy conservation Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000005012 migration Effects 0.000 description 1
- 238000013508 migration Methods 0.000 description 1
- 230000000116 mitigating effect Effects 0.000 description 1
- 230000006855 networking Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
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
- G06Q10/063—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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/26—Visual data mining; Browsing structured data
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/29—Geographical information databases
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression 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
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Databases & Information Systems (AREA)
- Data Mining & Analysis (AREA)
- Economics (AREA)
- Educational Administration (AREA)
- Development Economics (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Engineering & Computer Science (AREA)
- General Business, Economics & Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Mathematical Analysis (AREA)
- Mathematical Physics (AREA)
- Marketing (AREA)
- Pure & Applied Mathematics (AREA)
- Computational Mathematics (AREA)
- Operations Research (AREA)
- Mathematical Optimization (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Probability & Statistics with Applications (AREA)
- Bioinformatics & Computational Biology (AREA)
- Algebra (AREA)
- Life Sciences & Earth Sciences (AREA)
- Quality & Reliability (AREA)
- Software Systems (AREA)
- Game Theory and Decision Science (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Remote Sensing (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种交通碳排放空间网络关联结构分析方法，获取城市群历史碳排放数据，碳排放数据包括碳排放总量、交通碳排放量；计算交通碳排放强度；利用ArcGIS对碳排放数据进行可视化，引入引力模型运用社会网络分析方法构建交通碳排放空间关联网络；对交通碳排放空间关联网络进行分析，包括通过网络特征指标进行整体结构分析、通过网络中心度进行个体结构分析和通过QAP模型进行关联性影响因素分析。由于碳排放总量和交通碳排放量方便准确可得，分析方便、具有更好的可实施性，能够有效的分析出交通碳排放空间网络关联结构。
Description
技术领域
本发明涉及交通碳排放分析，具体是涉及一种交通碳排放空间网络关联结构分析方法及系统。
背景技术
碳排放分析是在当前关注全球气候变化和减缓温室气体排放的背景下日益重要的领域。准确了解和评估企业、行业或地区的碳排放状况对于制定有效的减排策略和可持续发展计划至关重要。尽管已有一些碳排放分析方法和工具可供使用，但这些方法存在一些局限性和挑战。
现有的碳排放分析方法主要包括废气测量、能源消耗分析和生命周期评价。废气测量方法通过直接测量工业设施或运输工具排放的废气中的温室气体浓度，来估算碳排放量。然而，这些方法通常需要昂贵的设备和专业人员，并且不适用于大规模、复杂的系统。
能源消耗分析是另一种常见的碳排放分析方法，它基于能源消耗量和能源排放系数来计算碳排放量。尽管该方法简便，但数据收集和准确性仍然是挑战。因为能源消耗数据可能来自多个来源，包括不同的供应商和能源类型，导致数据的可靠性和一致性存在问题。
生命周期评价是一种综合分析方法，考虑产品或服务从生产、运输、使用到废弃的全部生命周期过程中的碳排放。该方法能够提供更全面的碳排放评估，但它需要大量数据，并且在实践中存在一定的困难和不确定性，从而对碳减排路径无法给出合适的建议。
发明内容
发明目的：针对以上缺点，本发明提供一种准确性、效率和可靠性高的交通碳排放空间网络关联结构分析方法及系统。
技术方案：为解决上述问题，本发明采用一种交通碳排放空间网络关联结构分析方法，包括以下步骤：
(1)获取城市群历史碳排放数据，所述碳排放数据包括碳排放总量、交通碳排放量；
(2)根据获取的交通碳排放量计算交通碳排放强度；
(3)利用ArcGIS对碳排放数据进行可视化，引入引力模型运用社会网络分析方法构建交通碳排放空间关联网络；
(4)对交通碳排放空间关联网络进行分析，包括通过网络特征指标进行整体结构分析、通过网络中心度进行个体结构分析和通过QAP模型进行关联性影响因素分析。
进一步的，所述步骤(2)中交通碳排放强度的计算公式为：
交通碳排放强度＝交通碳排放量/GDP
进一步的，所述步骤(3)中利用ArcGIS对城市群不同区域不同时间的碳排放数据进行可视化，得到各区域不同时间的碳排放总量图、交通碳排放量图和交通碳排放强度图。
进一步的，所述步骤(3)中引入的修正后的引力模型公式为：
其中，yij代表城市i和城市j之间的碳排放联系强度；Kij代表城市i和城市j之间的碳排放系数；Dij代表城市i和城市j之间的综合经济地理距离；dij代表城市i和城市j之间的最短距离；Qi、Ri、Gi、gi分别代表城市i的总人口、二氧化碳排放、GDP和人均GDP；
根据引力模型公式计算得到引力数值矩阵，选取引力数值矩阵每一行的平均值作为临界值，引力数值矩阵每一行中高于临界值的记为“1”，表示2个城市间的碳排放具有关联性；引力数值矩阵每一行中低于临界值的记为“0”，表示2个城市间的碳排放不具有关联关系，得到碳排放空间关联关系矩阵；将得到的碳排放空间关联关系矩阵导入Ucinet软件得到交通碳排放空间关联网络。
进一步的，所述步骤(4)中通过网络等级度和网络效率反映碳排放关联网络的整体特征，通过整体特征进行整体结构分析：
网络等级度：
其中，NH代表网络等级度，S表示空间关系矩阵中对称可达的点对数目，max(S)表示城市i可达城市j或者城市j可达城市i的点对数目；
网络效率：
其中，NE代表网络效率，V代表多余线的条数，max(V)代表最大多余线的条数。
进一步的，所述步骤(4)中运用Netdraw软件计算城市的度数中心度、中介中心度以及接近中心度分析得到交通碳排放空间关联网络的个体结构特征，通过个体结构特征进行个体结构分析。具体包括以下步骤：
利用下列公式计算出各个城市的度数中心度：
其中，度数中心度分为绝对度数中心度与相对度数中心度，绝对度数中心度用点入度与点出度来表示，CRD(i)为相对度数中心度，CAD(i)表示与点i相连的其他点的数目。
利用下列公式计算出各个城市的中介中心度：
其中，rjk表示第j市和第k市之间存在关系路径的条数、rjk(i)表示要经过第i市的路径的条数。
利用下列公式计算出各个城市的接近中心度：
其中，CRP(i)表示接近中心度，用以刻画的是不受其他点控制的程度。
进一步的，所述步骤(4)中关联性影响因素分析具体包括以下步骤：
(4.1)模型的假设与指标选取，在碳排放空间网络关联结构的特征基础上，对影响城市群空间关联的因素进行探究。目前已有的大部分研究结果显示，碳排放与地理位置具有较强的相关性。由于相邻的城市彼此间的距离相对较近，这些城市之间会产生空间溢出效应和空间相关性。因此，在整个城市群中，中心城市一般都会表现出更高的经济发展程度，也会表现出更高的环境体系。伴随着产业结构的变化，城市间碳排放的空间网络关联性增强。城市群边缘城市往往城镇化水平较低，而处于城市群中间的城市城镇化水平较高，因此边缘城市人口会往中心城市流动，所以在人口迁移的过程中，碳排放的空间关联结构会逐渐变得更加明显。城市群的科技发展能力较强会吸引周边城市与其合作发展。交通运输方式的差异也会直接导致碳排量的多少，因此城市群的交通运输结构也是影响因素之一。故选取地理位置、城镇人口密度、经济发展水平、能源消耗及客运周转量与货运周转量五个影响因素描述城市自身属性，以此推断各个因素对交通碳排放的影响。
(4.2)构建基于影响因素的QAP回归分析模型，所述影响因素指标包括：地理位置、城镇人口密度、经济发展、能源消耗、交通运输结构等指标，从五个方面对城市群的综合水平进行了衡量。假设地理位置、城镇人口密度、经济发展、能源消耗、交通运输结构影响城市群碳排放的空间网络关联关系，QAP回归分析具体模型为：
T＝f(D,I,U,P,V)
其中，T为城市群的碳排放空间关联关系矩阵，D为城市之间地理位置相邻的关系，I代表经济发展差异；U代表城市群人口密度差异；P代表能源消耗差异；V代表交通运输结构差异；
(4.3)运用Ucinet软件进行QAP相关性分析检验城市群的交通碳排放空间关联关系矩阵与影响因素之间相关性的相关关系，并利用Ucinet软件中的MR-QAP进行影响因素的相关性回归分析；
(4.4)根据回归系数、可决系数R2和显著性水平进行分析得出影响因素对交通碳排放的权重。
本发明还采用一种交通碳排放空间网络关联结构分析系统，包括：
数据获取模块，用于获取城市群历史碳排放数据，所述碳排放数据包括碳排放总量、交通碳排放量；并根据获取的交通碳排放量计算交通碳排放强度；
网络确定模块，用于利用ArcGIS对碳排放数据进行可视化，引入引力模型运用社会网络分析方法构建交通碳排放空间关联网络；
分析模块，对交通碳排放空间关联网络进行整体结构分析、个体结构分析和关联性影响因素分析。
有益效果：本发明相对于现有技术，其显著优点是于城市群交通碳排放量数据，通过GIS可视化结合分析得出碳排放量的影响因素，基于修正后的引力模型，采用网络等级度和网络效率能够准确得出碳排放空间关联的整体网络特征，采用QAP回归分析模型能准确获得影响因素对碳排放的权重，由于碳排放总量和交通碳排放量方便准确可得，具有更好的可实施性，能够有效的分析出交通碳排放空间网络关联结构。提高碳排放分析的准确性、效率和可靠性，为决策者、企业和政府机构提供更好的碳排放数据和评估工具，以支持可持续发展和气候变化应对的需求。
附图说明
图1所示为本发明分析方法的整体流程图。
图2所示为本发明中不同时间不同区域碳排放总量示意图。
图3所示为本发明中不同时间不同区域交通碳排放量示意图。
图4所示为本发明中不同时间不同区域交通碳排放强度示意图。
图5所示为本发明中不同时间不同区域交通方式碳排放量示意图。
图6所示为本发明中不同时间不同区域交通碳排放量联系示意图。
图7所示为本发明中不同时间不同区域碳排放空间关联网络图。
具体实施方式
如图1所示，本实施例中的交通碳排放空间网络关联结构分析方法，包括以下步骤：
(1)获取需要进行碳排放空间网络结构分析的城市群中历史的碳排放数据，所述碳排放数据，包括碳排放总量、交通碳排放量。本实施例中以2005年、2010年、2015年、2020年的京津冀区域历史碳排放量数据为例。
(2)根据获取的交通碳排放量计算交通碳排放强度：
交通碳排放强度＝交通碳排放量/GDP
本实施例获取的数据经过计算后的碳排放强度如表1所示：
表1京津冀各城市交通碳排放量及交通碳排放强度
(3)利用ArcGIS对碳排放数据进行可视化，明显区分碳排放量的分布情况，以5年为一个周期进行绘制，分别绘制2005年、2010年、2015年、2020年碳排放总量图如图2所示、交通碳排放量图如图3所示、交通碳排放强度图如图4所示。分别从能源、道路、铁路、水运、航空碳排放量进行分析。利用ArcGIS进行综合可视化分析，如图5所示。
根据国内外文献资料，引力模型适合于总量数据，并且能够将经济地理因素考虑进去，因此将碳排放数据引入引力模型运用社会网络分析方法构建碳排放关联网络，并基于引力模型得出的引力数值矩阵，确定城市群的碳排放空间关联关系矩阵，包括以下子步骤；
(3.1)：将碳排放数据引入的修正后的引力模型公式如下：
其中，yij代表城市i和城市j之间的碳排放联系强度；Kij代表城市i和城市j之间的碳排放系数；Dij代表城市i和城市j之间的综合经济地理距离；dij代表城市i和城市j之间的最短距离；Qi、Ri、Gi、gi分别代表城市i的总人口、二氧化碳排放、GDP和人均GDP；利用ArcGIS绘制两城市之间的碳排放联系强度，选取每五年为一周期进行绘制，如图6所示。
(3.2)：根据引力模型公式计算得到引力数值矩阵，与数值矩阵相比，关联矩阵能够更好地刻画区域碳排放的空间关联性。所以，以矩阵中每行的平均数为一个阈值，如果超过这个阈值，则记为“1”来代表两个城市之间的碳排放有关联性，而低于该值记为“0”则表示两城市间碳排放没有关联性。以此得到京津冀城市碳排放关联矩阵。
(3.3)：将关联矩阵导入Ucinet软件，可以绘制出京津冀城市群2005年、2010年、2015年、2020年的交通碳排放空间关联网络，如图7所示。
根据京津冀城市群的交通碳排放空间关联网络可以得出2005、2010、2015、2020年京津冀城市群的关联关系数分别是41、38、42和64
基于GIS的可视化结果，同时综合多方面因素考虑，根据近20年京津冀区域交通方式碳排放量分布，发现整体交通碳排放量以道路碳排放量为主，道路运输为主要运输方式，道路运输更为普遍。因此对于交通碳减排方式的研究应着重从道路运输的碳排放出发。
(4)对交通碳排放空间关联网络进行整体结构分析、个体结构分析和关联性影响因素分析：
(4.1)整体特征主要提供了城市群交通碳排放的总体情况。通过分析整体特征，可以了解城市群的总体碳排放水平，为政策制定者提供了一个综合的评估指标。通过分析城市群的交通碳排放整体特征，可以比较不同城市或地区之间的碳排放差异，并对其进行评估。这个方法可以有效缓解目前存在的“碳排放比较与评估”难题压力。这有助于政府和决策者了解城市群整体的碳排放水平，从而制定针对性的减排策略和政策。同时通过对城市群交通碳排放整体特征的分析，可以推断出交通拥堵和瓶颈区域，以及交通工具使用情况等。这有助于为“交通系统的规划和优化”提供方向，例如优化道路布局、提升公共交通服务质量，减少碳排放。
京津冀城市群空间网络关联关系与网络等级度和网络效率密不可分。网络等级度越高，表明各城市之间的等级结构越森严，个别城市会处在主导地位，更多的城市处在边缘地位。网络效率反映的是网络中存在多余线的程度，网络效率越低，说明城市间的连线越多，联系越紧密，网络结构越稳定。通过网络等级度和网络效率反映碳排放关联网络的网络特征：
网络等级度：
其中，NH代表网络等级度，S表示空间关系矩阵中对称可达的点对数目，max(S)表示城市i可达城市j或者城市j可达城市i的点对数目；
网络效率：
其中，NE代表网络效率，V代表多余线的条数，max(V)代表最大可能的多余线的条数。计算结果如表2所示：
表2京津冀城市群各年碳排放空间关联网络的整体特征指标
由表2可知，京津冀地区的网络等级度出现了波动，表明其网络化程度逐步被破坏，各地区间的碳排放关联性逐步加强。京津冀城市群网络效率较高，在0.7左右，表面城市群之间的碳排放空间关联结构较为稳定。原因在于京津冀城市群功能之间存在互补性、区域之间存在联动性、节点支撑的空间布局，使得京津冀城市群碳排放空间关联结构较为稳定。
从整体网络结构特征来看，京津冀城市群的网络密度最小，网络等级度波动且有下降趋势，网络效率也较高，说明京津冀城市群的城市之间的碳排放的联系还可进一步加强，城市之间的等级壁垒也在逐渐消除。
(4.2)个体特征中用到的中心度特征可以帮助识别哪些城市或地区在碳排放方面表现较差，需要重点关注和改进。还可以评估城市群交通碳排放网络中各个节点的重要性，即节点在网络中的中心地位。这有助于确定哪些城市或地区是碳排放网络中的关键节点，对整个网络的稳定性和碳排放水平具有重要影响。
个体特征可以帮助评估城市群交通碳排放网络节点的影响力和传播能力，为“网络影响力的评估”提供有效力证。通过了解节点在网络中的中心地位和与其他节点之间的关系，可以判断影响力较大的节点，进而引导和激励这些节点在碳排放减少方面发挥积极作用。
根据城市群的碳排放空间关联网络，分析网络中心性。中心性是社会网络分析的核心部分，通常以度数、中介、接近中心度来描述各节点的关联程度。通过Netdraw软件计算各个城市的度数中心度、中介中心度与接近中心度，对京津冀城市群的碳排放网络进行中心性分析。
通过Netdraw软件计算各个城市的度数中心度、中介中心度与接近中心度。利用下列公式计算出各个城市的度数中心度：
其中，度数中心度分为绝对度数中心度与相对度数中心度，绝对度数中心度用点入度与点出度来表示，CRD(i)为相对度数中心度，CAD(i)表示与点i相连的其他点的数目。
利用下列公式计算出各个城市的中介中心度：
其中，rjk表示第j市和第k市之间存在关系路径的条数、rjk(i)表示要经过第i市的路径的条数。
利用下列公式计算出各个城市的接近中心度：
其中，CRP(i)表示接近中心度，用以刻画的是不受其他点控制的程度。
计算结果如表3：
表3京津冀城市群碳排放空间关联的度数中心度分析结果
由上表，对于度数中心度，2005、2010、2015、2020年京津冀城市群的碳排放空间关联网络的度数中心度平均值分别为4.00、4.77、4.30、4.46，度数中心度不小于均值的分别是北京市、天津市、石家庄市等，这些城市多分布于北京市周边，是京津冀城市群中碳排放较为紧密的地区。其中，北京的度数中心度最高，与北京市作为我国首都、地理位置、经济发展水平等密切相关。关联性较差的城市有承德市、张家口市，位于京津冀城市群边缘地带，与中心城市距离较远，所以与京津冀城市群的其他城市很难存在关联性。
中介中心度结果如表4：
表4京津冀城市群中介中心度
对于中介中心度，京津冀城市群的13个城市的中介中心度平均值，05年为6.615、10年为12.846、15年为8.923、20年为8.769。2005年京津冀城市群高于均值的分别为北京市、保定市、石家庄市，2010年京津冀城市群高于均值的分别为北京市、保定市、石家庄市、天津市，2015年京津冀城市群高于均值的分别是北京市、保定市、石家庄市、天津市，2020年京津冀城市群高于均值的分别是北京市、保定市、石家庄市、天津市，说明这些城市在京津冀城市群网络中承担“中介”作用，对于地理距离较远、经济水平较差的城市之间发挥“桥梁”起沟通的作用。北京市作为全国的经济中心，其中介的作用也愈发强烈，影响深远。
接近中心度结果如表5：
表5京津冀城市群接近中心度
对于接近中心度，京津冀城市群13个城市的平均值05年为61.55、10年为63.94、15年为62.63、20年为63.10。2005年高于平均值的为北京市、天津市、石家庄市，2010年高于平均值的为北京市、天津市、石家庄市、衡水市，2015年高于平均值的为北京市、天津市、石家庄市、邯郸市，2020年高于平均值的为北京市、天津市、石家庄市、保定市、邯郸市，说明这些城市在碳排放网络中更容易与其他城市发生关联。原因是其经济、能源、人口的流动效率更高，与周边城市互动也更多。这些城市利用自身的地理条件、后天的经济优势以及政策的支持等条件，强化了网络中心化而一般位于城市群边缘未知的接近中心度都较低。
(4.3)分析影响因素是有助于识别碳排放增加或减少的根本原因。故采用QAP方法交通碳排放空间关联网络进行回归分析，得出影响因素对交通碳排放的权重。通过分析交通碳排放空间关联网络的影响因素，首先可以识别影响碳排放的主要驱动因素，这有助于制定优化的减排策略，例如推动公共交通发展、提倡低碳出行方式、推广电动车辆等，以降低碳排放水平。其次，可以提供科学依据和数据支持，用于制定环境管理政策和措施，以推动城市群碳排放的可持续发展。例如，基于影响因素分析结果，制定碳排放配额制度、建立碳交易市场、推动节能减排技术创新等。最后分析影响因素可以了解不同区域的碳排放情况和排放差异。这有助于合理配置和规划交通资源，优化交通网络布局，减少碳排放。例如，在高碳排放区域加强公共交通建设，以替代私人汽车出行；在碳排放较低的区域推广非机动车出行等。
关联性影响因素分析具体包括以下步骤：
步骤(4.1)：选取指标，并构建QAP回归分析模型。本实例选取了地理位置、城镇人口密度、经济发展、能源消耗、交通运输结构等指标。构建如下模型：
T＝f(D,I,U,P,V)
其中，T为京津冀城市群碳排放空间关联度矩阵，并对其进行了分析。D指的是一个城市群中的地理位置相邻的关系，如果两个城市在地面上相邻，那么这个数字就是1，I代表经济发展差异；U代表城市群人口密度差异；P代表能源消耗差异；V代表交通运输结构差异，如表6：
表6京津冀城市群碳排放空间关联影响因素与变量说明
步骤(4.2)：运用Ucinet软件进行QAP相关性分析检验城市群交通碳排放空间关联矩阵与影响因素之间的相关性的相关关系，得到表7：
表7空间关联矩阵与影响因素的QAP相关分析
步骤(4.3)：同样利用Ucinet软件中的QAP技术分析，得到影响因素的相关性回归分析，如表8：
表8影响因素的相关性分析
步骤(4.4)：当因素存在比较明显的多重共线问题，利用Ucinet软件中的MR-QAP对此进行回归分析可避免误差，根据回归系数、可决系数R2和显著性水平进行分析，对京津冀城市群交通碳排放的影响因素进行深入研究，最终得到的结果如表9：
表9显著影响因素MR-QAP回归分析结果
步骤(4.5)：得出影响因素对碳排放的权重：调整后的R2为0.295，说明剩下的4个影响因素代表京津冀城市群交通碳排放的空间关联关系为30.8％，其影响程度由大到小依次是地理位置＞客运周转量＞城镇人口密度＞经济发展。说明了在京津冀城市群内，交通碳排放空间网络关系主要取决于地理位置、客运周转量。
本发明提出的一种交通碳排放空间网络关联结构分析方法，将碳排放问题和GIS、Netdraw等软件结合起来，使交通碳排放空间网络关联结构的特征更加明朗，同步的，为碳减排路径提供了指引方向。本发明的研究方法对同类型碳排放空间网络关联结构的分析具有重要的借鉴意义，也为城市群交通的低碳可持续发展提供重要的技术支撑。能够帮助解决碳排放量比较与评估、交通系统规划与改进、节点重要性评估以及网络影响力评估等问题。这些分析对于制定可持续发展的交通和城市规划策略，以及减少碳排放、改善环境质量具有重要的指导作用。
Claims (10)
1.一种交通碳排放空间网络关联结构分析方法，其特征在于，包括以下步骤：
(1)获取城市群历史碳排放数据，所述碳排放数据包括碳排放总量、交通碳排放量；
(2)根据获取的交通碳排放量计算交通碳排放强度；
(3)利用ArcGIS对碳排放数据进行可视化，引入引力模型运用社会网络分析方法构建交通碳排放空间关联网络；
(4)对交通碳排放空间关联网络进行分析，包括通过网络特征指标进行整体结构分析、通过网络中心度进行个体结构分析和通过QAP模型进行关联性影响因素分析。
2.根据权利要求1所述的交通碳排放空间网络关联结构分析方法，其特征在于，所述步骤(2)中交通碳排放强度的计算公式为：
交通碳排放强度＝交通碳排放量/GDP。
3.根据权利要求1所述的交通碳排放空间网络关联结构分析方法，其特征在于，所述步骤(3)中利用ArcGIS对城市群不同区域不同时间的碳排放数据进行可视化，得到各区域不同时间的碳排放总量图、交通碳排放量图和交通碳排放强度图。
4.根据权利要求3所述的交通碳排放空间网络关联结构分析方法，其特征在于，所述步骤(3)中引入的修正后的引力模型公式为：
其中，yij代表城市i和城市j之间的碳排放联系强度；Kij代表城市i和城市j之间的碳排放系数；Dij代表城市i和城市j之间的综合经济地理距离；dij代表城市i和城市j之间的最短距离；Qi、Ri、Gi、gi分别代表城市i的总人口、二氧化碳排放、GDP和人均GDP；
根据引力模型公式计算得到引力数值矩阵，选取引力数值矩阵每一行的平均值作为临界值，引力数值矩阵每一行中高于临界值的记为“1”，表示2个城市间的碳排放具有关联性；引力数值矩阵每一行中低于临界值的记为“0”，表示2个城市间的碳排放不具有关联关系，得到碳排放空间关联关系矩阵；将得到的碳排放空间关联关系矩阵导入Ucinet软件得到交通碳排放空间关联网络。
5.根据权利要求1所述的交通碳排放空间网络关联结构分析方法，其特征在于，所述步骤(4)中通过网络等级度和网络效率反映碳排放关联网络的整体特征，通过整体特征进行整体结构分析：
网络等级度：
其中，NH代表网络等级度，S表示空间关系矩阵中对称可达的点对数目，max(S)表示城市i可达城市j或者城市j可达城市i的点对数目；
网络效率：
其中，NE代表网络效率，V代表多余线的条数，max(V)代表最大多余线的条数。
6.根据权利要求1所述的交通碳排放空间网络关联结构分析方法，其特征在于，所述步骤(4)中运用相关公式计算城市的度数中心度、中介中心度、接近中心度这三大中心度，最终分析得到交通碳排放空间关联网络的个体结构特征，通过个体结构特征进行个体结构分析；具体包括以下步骤：
利用下列公式计算出各个城市的度数中心度：
其中，度数中心度分为绝对度数中心度与相对度数中心度，绝对度数中心度用点入度与点出度来表示，CRD(i)为相对度数中心度，CAD(i)表示与城市i相连的其他点的数目，n代表交通碳排放空间关联网络中顶点的个数；
利用下列公式计算出各个城市的中介中心度：
其中，rjk表示城市j和城市k之间存在关系路径的条数、rjk(i)表示要经过城市i的路径的条数；
利用下列公式计算出各个城市的接近中心度：
其中，CRP(i)表示接近中心度，用以刻画的是不受其他点控制的程度。
7.根据权利要求6所述的交通碳排放空间网络关联结构分析方法，其特征在于，所述步骤(4)中关联性影响因素分析具体包括以下步骤：
(4.1)构建基于影响因素的QAP回归分析模型，所述影响因素指标包括：地理位置、城镇人口密度、经济发展、能源消耗、交通运输结构指标，从五个方面对城市群的综合水平进行了衡量；根据理位置、城镇人口密度、经济发展、能源消耗、交通运输结构影响城市群碳排放的空间网络关联关系，QAP回归分析模型为：
T＝f(D,I,U,P,V)
其中，T为城市群的碳排放空间关联关系矩阵，D为城市之间地理位置相邻的关系，I代表经济发展差异；U代表城市群人口密度差异；P代表能源消耗差异；V代表交通运输结构差异；
(4.2)运用Ucinet软件进行QAP相关性分析检验城市群的交通碳排放空间关联关系矩阵与影响因素之间相关性的相关关系，并利用Ucinet软件中的MR-QAP进行影响因素的相关性回归分析；
(4.3)根据回归系数、可决系数R2和显著性水平进行分析得出影响因素对交通碳排放的权重。
8.一种采用权利要求1至7任意一项所述交通碳排放空间网络关联结构分析方法的分析系统，其特征在于，包括：
数据获取模块，用于获取城市群历史碳排放数据，所述碳排放数据包括碳排放总量、交通碳排放量；并根据获取的交通碳排放量计算交通碳排放强度；
网络确定模块，用于利用ArcGIS对碳排放数据进行可视化，引入引力模型运用社会网络分析方法构建交通碳排放空间关联网络；
分析模块，对交通碳排放空间关联网络进行整体结构分析、个体结构分析和关联性影响因素分析。
9.一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至7中任一项所述方法的步骤。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至7中任一项所述的方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311305617.XA CN117273538A (zh) | 2023-10-10 | 2023-10-10 | 一种交通碳排放空间网络关联结构分析方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311305617.XA CN117273538A (zh) | 2023-10-10 | 2023-10-10 | 一种交通碳排放空间网络关联结构分析方法及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117273538A true CN117273538A (zh) | 2023-12-22 |
Family
ID=89202395
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311305617.XA Pending CN117273538A (zh) | 2023-10-10 | 2023-10-10 | 一种交通碳排放空间网络关联结构分析方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117273538A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117787574A (zh) * | 2024-02-27 | 2024-03-29 | 江西百电信息产业有限公司 | 一种基于人工智能碳脑的降碳影响因素确定方法及系统 |
-
2023
- 2023-10-10 CN CN202311305617.XA patent/CN117273538A/zh active Pending
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117787574A (zh) * | 2024-02-27 | 2024-03-29 | 江西百电信息产业有限公司 | 一种基于人工智能碳脑的降碳影响因素确定方法及系统 |
| CN117787574B (zh) * | 2024-02-27 | 2024-05-07 | 江西百电信息产业有限公司 | 一种基于人工智能碳脑的降碳影响因素确定方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110298500B (zh) | 一种基于出租车数据和城市路网的城市交通轨迹数据集生成方法 | |
| CN110428117B (zh) | 城市轨道交通多场景下客流精准诱导方法及系统 | |
| CN103177561B (zh) | 公交实时路况的生成方法 | |
| CN109409662B (zh) | 基于空间句法的城市交通与商业空间关联的测度方法 | |
| CN110836675B (zh) | 一种基于决策树的自动驾驶搜索决策方法 | |
| CN117273538A (zh) | 一种交通碳排放空间网络关联结构分析方法及系统 | |
| CN108681788B (zh) | 一种基于主动安全的城市离散交通网络设计方法 | |
| CN104809112A (zh) | 一种基于多源数据的城市公交发展水平综合评价方法 | |
| CN112085376B (zh) | 一种基于经纬度坐标和k-means聚类算法的交通需求分析方法 | |
| CN104731963A (zh) | 一种基于车联网的网格化路径推荐方法及系统 | |
| CN110555992A (zh) | 一种基于gps轨迹数据的出租车行驶路径信息提取方法 | |
| Zhang et al. | An auxiliary optimization method for complex public transit route network based on link prediction | |
| CN110674990B (zh) | 设置滑动窗口更新机制的即时配送路径选择方法及系统 | |
| CN115860520A (zh) | 一种高铁枢纽与城市公共交通动静态时空可达性评估方法 | |
| CN115662124A (zh) | 一种基于网络编码的gps轨迹数据路段流量匹配方法 | |
| CN114462898A (zh) | 基于地理信息的公路规划管理方法及系统 | |
| Qiu et al. | RPSBPT: A route planning scheme with best profit for taxi | |
| CN103208082A (zh) | 一种城市中心区道路利用效率的评价及应用方法 | |
| CN111695942A (zh) | 一种基于时间可靠性的电动汽车充电站选址方法 | |
| CN114880819B (zh) | 基于城镇节点重要度与交通区位线研究的空间优化方法 | |
| CN112613662B (zh) | 公路交通量分析方法、装置、电子设备和存储介质 | |
| CN105069229A (zh) | 一种现代有轨电车线路规划方法 | |
| Jha | Metaheuristic applications in highway and rail infrastructure planning and design: implications to energy and environmental sustainability | |
| Albatayneh et al. | Integrating a Multi-criteria Route Optimization with ArcGIS for Gravel Road Data Collection | |
| CN112232415B (zh) | 一种高铁全网络站点延误传播的识别方法、设备及介质 |
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 |