中国2000–2019年城市尺度电力部门CO2排放数据集

《Scientific Data》：China’s City-level CO2 emissions from power sector between 2000 and 2019

　　

摘要：电力部门是全球能源消费和温室气体排放的重要贡献者。2020年中国电力部门CO2排放占全国碳排放总量的40%以上，其脱碳对实现全球气候目标至关重要。有效的减排政策依赖详细可靠的碳数据支撑。鉴于中国实行"自上而下（top-down）"的指标分解体制，精确的区域数据对制定差异化的地方政策和评估政策效果尤为关键。本研究系统估算了2000–2019年中国352个地级市的电力部门CO2排放，时空覆盖范围较现有数据集更广。研究人员采用粒子群优化–反向传播算法（Particle Swarm Optimization–Back Propagation, PSO-BP），建立省级与地级市发电量、社会经济指标及电热生产和供应业主营业务收入之间的非线性关系，基于省级训练结果推算城市发电量，结合生态环境部与国家统计局发布的《2021年电力CO2排放因子》计算城市电力部门CO2排放，为区域低碳研究与政策制定提供有价值的基础数据。

论文解读：《China's City-level CO₂emissions from power sector between 2000 and 2019——中国2000–2019年城市尺度电力部门CO₂排放数据集》（发表于Scientific Data）

一、研究背景与意义

电力部门是中国最大的碳排放源，占全国CO₂排放40%以上。中国推行"双碳"目标并采用自上而下（top-down）的目标分解机制将减排责任落实到地方政府，但现有电力部门碳排放核算多停留在国家或省级层面，缺乏城市（prefecture-level city，地级市）尺度的可靠数据。省级加总数据掩盖了城市间经济发展、能源结构、技术水平和发电规模的异质性，导致无法识别城市特有驱动因子、难以制定因地制宜的减排策略并评估政策绩效。部分研究仅聚焦单省或单市，代表性不足。为此，研究人员构建了中国首个长时序（2000–2019年）、广覆盖（352个地级市及自治州，不含西藏、港澳台）的城市电力部门发电量及CO₂排放数据集，填补了该尺度数据空白，为时空格局分析、驱动因子研究、情景模拟及差异化低碳政策制定提供基础支撑。论文作为数据描述类文章发表于《Scientific Data》。

二、主要关键技术方法概述

研究人员以《中国能源统计年鉴》2000–2019年省级发电量为因变量，收集352个地级市的电热生产和供应业主营业务收入（proxy of power generation）、全社会用电量（来自Chen et al. 1992–2019校准夜间灯光反演的1 km×1 km网格用电数据）、地区生产总值(GDP)、第二产业占比、绿化专利数、一般公共预算支出等社会经济指标为自变量，采用粒子群优化–反向传播神经网络（Particle Swarm Optimization–Back Propagation, PSO-BP）在省级尺度训练多变量非线性映射关系（C₁=C₂=2.0，最大迭代50次，种群规模20，单隐层5节点），用训练好的模型预测各城市发电量并按省内比例校准使其加总等于省级发电量。缺省年份的主营业务收入按假定电价不变、用发电量增长率推衍补全。最终采用生态环境部与国家统计局联合发布的2021年各省平均电力CO₂排放因子（EF_province），假设市内各城市与该省因子相同，按公式E_tⁱ=EG_i^t×CC_i^t（E为城市电力部门CO₂排放量，单位百万吨；EG为城市发电量；CC为省级电力CO₂排放因子）计算各城市逐年碳排放。异常值（如乌鲁木齐2013年负预测值）以相邻两年均值替代。

三、研究结果

Background & Summary（背景与概要）

研究人员指出中国省级电力CO₂排放数据无法反映城市异质性，且地方减排措施需在微观尺度落实。通过PSO-BP降尺度方法获得352城市2000–2019年发电量及对应CO₂排放，数据集可通过Figshare公开获取。此数据集边际贡献在于：①长时序宽覆盖填补城市尺度电力碳排放数据缺口；②提出并验证PSO-BP方法估算城市发电量，可为其他能源环境指标的降尺度估算提供参考框架；③为地方政府评估排放水平、历史轨迹及制定精准减排目标提供数据基础。

Methods（研究方法）

Overview of the research area and research method（研究区与方法概述）：研究区涵盖大陆30省352个地级市及自治州。省级发电量来自《中国能源统计年鉴》，城市用电量取自Chen et al.校准夜间灯光栅格数据，电热行业主营收入及GDP、二产占比、绿色专利、财政支出等来自《中国城市统计年鉴》及各市统计公报。ArcGIS 10.7进行空间匹配。

Introduction to the latent characteristic variables of the instrumental variables used for inversion（反演所用潜特征变量说明）：选取基础设施（电网传输能力）、产业结构（高耗能产业影响火电比例）、绿色金融发展（影响清洁能源投资）、绿色技术创新（绿色专利）、节能减排政策与污染治理政策强度、行政干预强度等作为解释变量，依据文献论证其对区域发电量及碳排放的影响机理。

Inversion work based on the PSO-BP algorithm（基于PSO-BP算法的反演）：采用PSO优化BP神经网络初始权重以避免陷入局部最优。训练集400样本、测试集200样本，R²达训练集98.03%、测试集97.71%，证明模型具高精度预测能力，据此估算352城市逐年发电量。

Calculation of carbon dioxide emissions based on power generation（基于发电量的CO₂排放计算）：采用生态环境部和国家统计局2021年公布之省级平均电力CO₂排放因子，假定城市与其所在省份因子一致，将估算的城市发电量乘以对应省级因子得到城市电力生产侧CO₂排放。因2000–2019年无逐年限定因子，研究假设各省电力CO₂排放因子在研究期内保持不变。

Data Records（数据记录）

最终数据集存于Excel文件"Power generation and carbon emission of cities in China.xlsx"，含352城市2000–2019年发电量（亿千瓦时）与CO₂排放（百万吨），共计7040条记录，基于2019年版标准地图绘制，异常值已做插值处理，可通过https://doi.org/10.6084/m9.figshare.30338773获取。

Data Overview（数据概览）

研究人员按东部、中部、西部、东北四大经济区域划分城市，对比各区排放。全国及分区电力部门CO₂排放总量2003–2013年呈逐步上升趋势，2013年后有所下降，区域间排放水平差异显著，东部与部分西部资源型省份排放较高。空间分布显示2000至2019年全国城市发电能力与对应碳排放均有明显增长，高值区集中于工业密集及煤电基地城市。

Technical Validation（技术验证）

为防止过拟合，验证集从训练集中随机抽取。PSO-BP模型训练集R²=98.03%，测试集R²=97.71%，表明算法预测精度高、泛化能力强，所估算之地级市发电量及后续CO₂排放结果可靠，为城市尺度电力碳排放分析奠定坚实基础。

四、讨论与结论翻译

本研究构建了2000–2019年中国352个地级市电力部门发电量及CO₂排放数据集，采用PSO-BP神经网络方法基于省级统计数据降尺度反演城市发电量，结合生态环境部与国家统计局发布的省级电力CO₂排放因子完成排放核算。结果显示该数据集可揭示省级汇总数据所掩盖的城市间排放时空差异，为深入探究城市电力碳排放时空演变模式、影响因素及开展减排情景模拟提供关键数据基础；提出的PSO-BP降尺度框架亦可推广应用于其他缺乏微观统计数据的能源环境指标估算；同时该数据集助力地方政府准确评估区域电力部门排放现状与减排潜力，支撑差别化低碳政策设计与效果评估，服务国家"双碳"战略目标落地实施。