中国県レベルにおける炭素排出ドライバーの特定と地域緩和優先順位
Identifying Carbon Emission Drivers and Regional Mitigation Priorities at the County Level in China (原題)
Xiaodong Liu, Lianzheng He, Zhen Shen, Shuming Zhang, Zhixin Li, Xiaohan Wang, Wenbo Li, Junqi Yang, Jianing Wu, Hongyu Zhou, Teng Zhang, Shiyu Cai, Hong Zhang
🤖 gxceed AI 要約
日本語
本研究は中国2735の県級行政区を対象に1997〜2022年の統一CO2排出データセットを構築し、7種の機械学習モデルを比較した。LightGBMが最高精度（R2=0.953、MAPE=15.3%）を示し、SHAP分析で第二次産業付加価値が最大の規定要因と判明。2022年排出量は12,000Mt超で、炭素強度は2018〜22年に約10%低下したが地域格差は持続。工業・資源依存県には構造転換とクリーンエネルギー代替、先進地域には効率維持と絶対量管理を提言する。
English
This study builds a unified county-level CO2 emissions dataset for 2,735 Chinese counties (1997–2022) and compares seven machine learning models. LightGBM performed best (R2=0.953, MAPE=15.3%), with SHAP identifying secondary-sector value added as the top driver. 2022 emissions exceeded 12,000 Mt; carbon intensity fell ~10% (2018–2022) but regional disparities persist. It recommends structural upgrading and clean energy substitution for industrial/resource-dependent counties, and efficiency consolidation for developed regions.
Unofficial AI-generated summary based on the public title and abstract. Not an official translation.
📝 gxceed 編集解説 — Why this matters
日本のGX文脈において
中国の県レベル排出推計は、日本企業のサプライチェーン排出（Scope 3）把握や中国拠点の移行計画策定に直接活用可能。SSBJ・有報での地域別リスク開示を検討する日本企業にとって、地域別排出データの重要性を示す。
In the global GX context
Provides a replicable ML framework for subnational emissions estimation, relevant to global disclosure infrastructure (ISSB/CSRD) where granular geographic data is needed for Scope 3 and transition planning. Highlights persistent regional disparities that complicate national decarbonization pathways.
👥 読者別の含意
🔬研究者:機械学習とSHAPを組み合わせた県レベル排出推計の手法と、地域別ドライバー分析の実証例を提供する。
🏢実務担当者:中国にサプライチェーンを持つ企業は、地域別排出強度データをScope 3算定や移行リスク評価に活用できる。
🏛政策担当者:地域別の緩和優先順位を設定する際、産業構造と資源依存度に応じた政策設計の必要性を示唆する。
📄 Abstract（原文）
This paper aims to estimate county-level CO2 emissions across China and identify the socioeconomic and spatial factors associated with their variation. Current research lacks a consistent national county-level dataset after 2017. To address the lack of consistent national data after 2017, we developed a unified dataset covering 2735 county-level units from 1997 to 2022. Seven machine learning models were evaluated using 21,197 observations for 1997–2017, after which the best-performing model was used to estimate emissions for 2018–2022. LightGBM achieved a test R2 value of 0.9529 and an MAPE of 15.32%, while SHAP identified secondary-sector value added as the most influential predictor, followed by provincial area and GDP. Estimated emissions exceeded 12,000 Mt in 2022, whereas carbon intensity declined by approximately 10% from 2018 to 2022 despite rising per-capita emissions. These findings indicate improving carbon efficiency alongside persistent regional disparities. Industrial and resource-dependent counties should prioritize structural upgrading and cleaner energy substitution, while developed regions should consolidate efficiency gains and control absolute emissions.
🔗 Provenance — このレコードを発見したソース
- primary_source https://doi.org/10.3390/buildings16193865first seen 2026-10-04 23:56:27
🔔 こうした論文の新着を逃したくない方は キーワードアラート に登録（無料・3キーワードまで）。
gxceed は公開メタデータに基づく研究支援データセットです。要約・翻訳・解説は AI 支援で生成されています。 最終的な解釈・検証は利用者が原典資料に基づいて行うことを前提とします。