← 論文一覧に戻る

中南遼寧都市圏における郡レベルエネルギー関連炭素排出と持続可能な低炭素移行：空間的時間的進化と空間的波及効果

County-Level Energy-Related Carbon Emissions and Sustainable Low-Carbon Transition in the Central-Southern Liaoning Urban Agglomeration: Spatiotemporal Evolution and Spatial Spillover Effects (原題)

Zhenbo Gao, Yanli Sun, Z H Liu, Juan Liu, Yang Yu

Sustainability📚 査読済 / ジャーナル2026-06-11#エネルギー転換Origin: CN対象セクター: cross_sector
DOI: 10.3390/su18126014
原典: https://doi.org/10.3390/su18126014

🤖 gxceed AI 要約

日本語

本論文は、重工業地帯である中南遼寧都市圏の73の郡を対象に、2005年から2024年までのエネルギー関連CO2排出量を再構築し、空間的パターンと駆動要因を分析。空間的自己相関やマルコフ連鎖、空間Durbinモデルを用いた結果、排出量の空間的集中が高まり、高排出隣接郡がさらなる増加圧力に直面することが明らかになった。GDPや人口減少は直接効果を抑制する一方、産業構造とエネルギー消費が排出を促進。差異化された低炭素政策の必要性を示す。

English

This study reconstructs county-level energy-related CO2 emissions for 73 units in the heavy-industrial Central-Southern Liaoning Urban Agglomeration from 2005 to 2024 using socioeconomic data and nighttime light data. Spatial autocorrelation, Markov chains, and a spatial Durbin model reveal increasing spatial clustering of emissions, with high-emission neighbors exerting upward pressure. GDP per capita and population reduce local emissions, while industrial structure and energy consumption increase them. The findings support differentiated low-carbon policies for old industrial 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

日本でも北海道や九州など旧工業地帯のカーボンニュートラル戦略が重要課題であり、本研究の郡スケールでの排出推計手法や空間波及効果の分析枠組みは、日本の自治体レベルの低炭素計画に示唆を与える。ただし、中国のデータ特性や政策環境が異なるため、直接適用には調整が必要。

In the global GX context

This paper provides a granular methodology for reconstructing county-level emissions in heavy-industrial regions, which is globally relevant for regions undergoing industrial transition. The spatial spillover analysis highlights the need for coordinated regional policies, aligning with the European Green Deal's emphasis on just transition and territorial approaches. The techniques could be adapted for industrial clusters in Europe, the US, or Japan.

👥 読者別の含意

🔬研究者:The spatial econometric approach combining DMSP-OLS-like data with STIRPAT offers a replicable method for subnational emission inventories in data-scarce industrial regions.

🏢実務担当者:Regional planners can use the spatial clustering results to prioritize low-carbon interventions in high-emission clusters and consider neighbor effects.

🏛政策担当者:The evidence supports designing differentiated low-carbon policies based on county-level emission characteristics and spatial dependencies in old industrial areas.

📄 抄録（日本語訳）

旧工業都市圏において、低炭素計画にはより細かい空間スケールでの排出情報が必要であるが、県レベルのエネルギー統計はしばしば不完全である。本研究は、中国東北地方の典型的な重工業地域である遼寧中部都市圏に焦点を当てる。社会経済パネルデータと調和化されたDMSP-OLS類似の夜間光データを組み合わせることで、2005年から2024年までの73ユニットにおける県レベルのエネルギー関連炭素排出量を再構築する。これに基づき、グローバルおよびローカル空間自己相関、モラン散布図、マルコフおよび空間マルコフ遷移行列、ならびに空間STIRPATに基づく空間ダービンモデルを用いて、排出量の空間パターン、遷移プロセス、および駆動要因を検討する。結果は、研究期間中に排出量が増加し続けたことを示すが、成長率は鈍化し、明確な地域ピークは観察されなかった。モランズIは2005年の0.627から2024年の0.675へ上昇し、これは県レベルの排出量がより空間的にクラスター化したことを意味する。従来のマルコフ行列は強い状態持続性を示し、対角確率は0.8793から0.9852の範囲であった。空間マルコフの結果はさらに、高排出隣接地域に囲まれた県が上方遷移に対するより大きな圧力に直面することを示唆する。SDMの結果では、空間自己回帰係数は1%水準で有意であり、rho = 0.537である。GDPPCとPOPは負の直接効果を示し、SECは地域排出量を増加させるが負の間接効果を持ち、PEは地域排出量と正の関連がある。空間的には、高排出県は主に瀋陽、鞍山、遼陽、大連などの産業中核地域の周辺に分布し、東部の生態県は比較的低い排出レベルにとどまる。これらの知見は、旧工業地域における差別化された低炭素ガバナンスのための県スケールのエビデンスを提供する。

AI 翻訳（deepseek-v4-flash）。 正確を期す場合は下の原文を参照してください。

📄 Abstract（原文）

For old industrial urban agglomerations, low-carbon planning requires emission information at a finer spatial scale, but county-level energy statistics are often incomplete. This study focuses on the Central-Southern Liaoning Urban Agglomeration, a typical heavy-industrial region in Northeast China. County-level energy-related carbon emissions for 73 units from 2005 to 2024 are reconstructed by combining socioeconomic panel data with harmonized DMSP-OLS-like nighttime light data. On this basis, global and local spatial autocorrelation, Moran scatterplots, Markov and spatial Markov transition matrices, and a spatial STIRPAT-based Spatial Durbin Model are used to examine the spatial pattern, transition process, and driving factors of emissions. The results show that emissions continued to increase during the study period, although the growth rate became slower and no clear regional peak was observed. Moran’s I rose from 0.627 in 2005 to 0.675 in 2024, which means that county-level emissions became more spatially clustered. The traditional Markov matrix shows strong state persistence, with diagonal probabilities ranging from 0.8793 to 0.9852. The spatial Markov results further suggest that counties surrounded by high-emission neighbors face greater pressure to move upward. In the SDM results, the spatial autoregressive coefficient is significant at the 1% level, with rho = 0.537. GDPPC and POP show negative direct effects, SEC increases local emissions but has a negative indirect effect, and PE is positively related to local emissions. Spatially, high-emission counties are mainly distributed around Shenyang, Anshan, Liaoyang, Dalian, and other industrial cores, while eastern ecological counties remain at relatively low emission levels. These findings provide county-scale evidence for differentiated low-carbon governance in old industrial regions.

🔗 Provenance — このレコードを発見したソース

🔔 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。