•  
  •  
 

Journal of Scientific Information Research

Keywords

urban carbon emission early warning, early warning indicator system, DPSIR Framework, data prediction, deep learning

Abstract

[Purpose/significance] In line with the national requirements for building a carbon emission early warning mechanism, conducting the urban carbon emission early warning research is of great significance for achieving the “dual-carbon” goals. [Method/process] This paper selected 16 prefecture-level cities in Anhui Province as research samples. A carbon emission early warning indicator system was constructed based on the DPSIR framework. By using data from urban statistical yearbooks, the LSTM model was employed with parameter optimization via genetic algorithms to forecast various early warning indicators for 2024-2025.On this basis, a combined subjective-objective weighting method was then applied to calculate the urban carbon emission warning index and classify the warning levels of the cities. [Result/conclusion] During the study period, no cities in Anhui Province fell into the categories of extremely high risk or zero risk. Overall carbon emission risk showed a declining trend, with the number of higher risk cities decreasing and the number of lower risk cities increasing. Significant differences were observed in early warning levels and index structures across cities, with central regions generally exhibiting higher risk levels than the northern and southern areas. By analyzing the dynamic evolution and structural characteristics of the five dimensions of the early warning index, and considering differences in urban endowments, differentiated low-carbon development pathways were proposed, providing decision support for targeted regional carbon reduction strategies.

First Page

76

Last Page

87

Submission Date

24-Nov-2025

Revision Date

29-Jan-2026

Acceptance Date

10-Apr-2026

Published Date

1-Jul-2026

Reference

[1] 国家发展改革委，生态环境部，国家统计局，等.完善碳排放统计核算体系工作方案[EB/OL].（2024-10-24）[2026-04-23].https：//www.gov.cn/zhengce/zhengceku/202410/content_6983052.htm.

[2] 彭艳芳，彭军，李晶，等.Web GIS碳排放预警决策系统的研究与设计[J].计算机工程与应用，2010，46（28）：61-63.

[3] 张旺，周跃云，邹毓.城市低碳发展水平的区域分异及其影响因素：基于中国GDP前110强地级以上城市的实证研究[J].技术经济，2014，33（3）：68-74.

[4] 吕洋，高子茗，李孟谕.城市空间形态与碳排放：基于经济主体差异化行为的分析[J].经济问题探索，2023（12）：124-142.

[5] 赵桂芹.中国出口贸易碳排放的测度与预警研究[J].生态经济，2018，34（9）：19-24.

[6] 王伟胜，解鸿斌，杨知，等.初论电力气象的基本概念与研究方向[J].中国电机工程学报，2024，44（18）：7440-7453.

[7] DU Q Y.Financial Crisis Early Warning Based on Panel Data and Dynamic Dual Choice Model[J].Complexity，2021，2021（1）：1-10.

[8] HERIYANTO E，SYAUFINA L，SOBRI M.Forecasting Simulation of Smoke Dispersion from Forest and Land Fires in Indonesia[J].Procedia Environmental Sciences，2015，24：111-119.

[9] ZHOU C，TANG H，ZHANG W，et al.A Big Data-Driven Approach for Early Warning of Enterprise Emissions Alignment with Carbon Neutrality Targets：A Case Study of Guangxi Province[J].Energies，2024，17（11）：2508.

[10] 丛日杰，韩洁平.基于人工神经网络的我国火电厂碳排放预警评价研究：以吉林省某火电厂为例[J].生态经济，2019，35（10）：37-41.

[11] 王少剑，高爽，黄永源，等.基于超效率SBM模型的中国城市碳排放绩效时空演变格局及预测[J].地理学报，2020，75（6）：1316-1330.

[12] 王少剑，刘艳艳，方创琳.能源消费CO2排放研究综述[J].地理科学进展，2015，34（2）：151-164.

[13] 韩少秀，朱美峰，刘慧洁，等.碳排放监测预警体系研究：基于中国省级相关数据的分析[J].生态经济，2022，38（7）：21-27.

[14] 崔金栋，徐宝祥，韩洁平.基于Folksonomy和本体建模的碳排放预警指标体系构建[J].情报科学，2013，31（12）：126-129.

[15] ZHOU B，WANG L，YU H，et al.Spatiotemporal evolution of tourism ecological security alerts：Evaluation and trend prediction[J].Environment，Development and Sustainability，2025，27（3）：7481-7502.

[16] 徐维祥，周建平，刘程军.数字经济发展对城市碳排放影响的空间效应[J].地理研究，2022，41（1）：111-129.

[17] 王少剑，黄永源.中国城市碳排放强度的空间溢出效应及驱动因素[J].地理学报，2019，74（6）：1131-1148.

[18] 逯进，王晓飞，刘璐.低碳城市政策的产业结构升级效应：基于低碳城市试点的准自然实验[J].西安交通大学学报（社会科学版），2020，40（2）：104-115.

[19] 史霄斌，康建军，栾志理.黄河中下游城市群碳排放水平与经济高质量发展耦合研究[J].人民黄河，2024，46（11）：22-28.

[20] 韦彦汀，李思佳，张华.成渝城市群碳排放时空特征及其影响因素[J].中国环境科学，2022，42（10）：4807-4816.

[21] 黄琳琳，王远，张晨，等.闽三角地区碳排放时空差异及影响因素研究[J].中国环境科学，2020，40（5）：2312-2320.

[22] 黄蕊，王铮，丁冠群，等.基于STIRPAT模型的江苏省能源消费碳排放影响因素分析及趋势预测[J].地理研究，2016，35（4）：781-789.

[23] WANG H，LI B，KHAN M Q.Prediction of Shanghai Electric Power Carbon Emissions Based on Improved STIRPAT Model[J].Sustainability，2022，14（20）：13068.

[24] 狄乾斌，李春雪，陈小龙.中国沿海地区滨海旅游业碳排放效率时空演变特征及趋势预测[J].环境科学，2025，46（11）：6738-6748.

[25] DU Q，SHAO L，ZHOU J，et al.Dynamics and scenarios of carbon emissions in China's construction industry[J].Sustainable Cities and Society，2019，48：101556.

[26] YAO X，ZHANG H，WANG X，et al.Which model is more efficient in carbon emission prediction research?A comparative study of deep learning models，machine learning models， and econometric models[J].Environmental Science and Pollution Research，2024，31（13）：19500-19515.

[27] HUANG Y S，SHEN L，LIU H.Grey relational analysis，principal component analysis and forecasting of carbon emissions based on long short-term memory in China[J].Journal of Cleaner Production，2019，209：415-423.

[28] 高晓明，许文峰，邱浪，等.基于VMD-LSTM的高速公路综合场站碳排放预测研究[J].西安理工大学学报，2025，41（4）：499-508.

[29] 韩普，叶东宇.基于语义增强的在线健康社区情感分析研究[J].科技情报研究，2024，6（2）：88-99.

[30] GANESAN P，RAJAKARUNAKARAN S，THIRUGNANA-SAMBANDAM M，et al.Artificial neural network model to predict the diesel electric generator performance and exhaust emissions[J].ENERGY，2015，83（Apri.1）：115-124.

[31] NOH J，KIM J S.Cooperative green supply chain management with greenhouse gas emissions and fuzzy demand[J].Journal of Cleaner Production，2019，208：1421-1435.

[32] SHI C，ZHI J，YAO X，et al.How can China achieve the 2030 carbon peak goal-a crossover analysis based on low-carbon economics and deep learning[J].Energy，2023，269：126776.

[33] SVARSTAD H，PETERSEN L K，ROTHMAN D，et al.Discursive biases of the environmental research framework DPSIR[J].Land Use Policy，2008，25（1）：116-125.

[34] 石常峰，俞越，姚潇，等.长三角城市群碳达峰路径模拟研究[J].地理学报，2024，79（11）：2895-2914.

[35] VAN NIEKERK L，ADAMS J B，BATE G C，et al.Country-wide assessment of estuary health：An approach for integrating pressures and ecosystem response in a data limited environment[J].Estuarine，Coastal and Shelf Science，2013，130（Sep.20）：239-251.

[36] 孙倩，路波，索安宁，等.基于综合赋权法的海洋资源环境承载能力综合评价研究：以长江经济带邻近海域为例[J].海洋环境科学，2018，37（4）：570-578.

[37] LI Y，SUN X，ZHU X，et al.An early warning method of landscape ecological security in rapid urbanizing coastal areas and its application in Xiamen，China[J].Ecological Modelling，2010，221（19）：2251-2260.

[38] LIANG Y，NIU D X，WANG H C，et al.Assessment Analysis and Forecasting for Security Early Warning of Energy Consumption Carbon Emissions in Hebei Province，China[J].Energies，2017，10（3）：391.

[39] 韩峰，谢锐.生产性服务业集聚降低碳排放了吗?：对我国地级及以上城市面板数据的空间计量分析[J].数量经济技术经济研究，2017，34（3）：40-58.

[40] STAJKOWSKI S，KUMAR D，SAMUI P，et al.Genetic-Algorithm-Optimized Sequential Model for Water Temperature Prediction[J].Sustainability，2020，12（13）：5374.

[41] 缪长青，吕悦凯，万春风.基于GA-LSTM的桥梁缆索腐蚀钢丝力学性能预测模型[J].东南大学学报（自然科学版），2025，55（1）：140-145.

[42] 张兴辉，张坤，范廷玉，等.面向SDGs的安徽省碳生态补偿空间网络与分区治理[J].水土保持学报，2025，39（5）：335-348.

[43] 吕洁华，吉静一，李超，等.“双碳”目标下能源碳排放驱动机制及脱钩水平分析：以东北三省为例[J].生态经济，2024，40（10）：39-46.

[44] ROBERTS J T，GRIMES P E.Carbon intensity and economic development 1962-1991：A brief exploration of the environmental Kuznets curve[J].World Development，1997，25（2）：191-198.

[45] 安徽省人民政府.我省今年计划营造林400万亩[EB/OL].（2023-01-30）[2026-04-23].https：//www.ah.gov.cn/zwyw/jryw/564208641.html.

[46] HUANG C，YANG C，SU J.Identifying core policy instruments based on structural holes：A case study of China's nuclear energy policy[J].Journal of Informetrics，2021，15（2）：101145.

[47] 赵泽斌，李映洁，生世玉，等.区域碳减排政策协同的演化轨迹与影响因素：基于网络分析视角[J].公共管理与政策评论，2024，13（6）：20-33.

Digital Object Identifier (DOI)

10.19809/j.cnki.kjqbyj.2026.03.008

Download

Share

COinS