基于Lasso-BP神經(jīng)網(wǎng)絡(luò)模型的江蘇省碳排放預(yù)測

劉曉蝶，孟祥瑞，王向前

(安徽理工大學(xué) 經(jīng)濟與管理學(xué)院，安徽 淮南 232001)

全球氣候變暖問題萬眾矚目，應(yīng)對氣候變化是全人類共同的責(zé)任。聯(lián)合國(IPCC)發(fā)布的評估報告中指出，全球變暖有90%的原因是來自于溫室氣體的污染[1]，尤其是二氧化碳的排放，能否有效控制碳排放，關(guān)乎到人類的未來命運發(fā)展。應(yīng)對氣候危機，我國展現(xiàn)了積極應(yīng)對氣候變化的大國擔(dān)當(dāng)，2020年9月，習(xí)總書記在第75屆聯(lián)合國大會上宣布中國將自主增加自主減排貢獻(xiàn)，爭取在2030年前實現(xiàn)“碳達(dá)峰”，2060年前實現(xiàn)“碳中和”。

江蘇省作為中國沿海地區(qū)經(jīng)濟發(fā)展最快的地區(qū)之一，其加工業(yè)在全國具有十分重要的地位，因此，識別其碳排放的影響因素，并對其中長期的碳排放量進行預(yù)測，對我國實現(xiàn)碳達(dá)峰和碳中和的目標(biāo)具有重要意義。本文以2001—2018年江蘇省的數(shù)據(jù)作為研究對象，用Lasso回歸對碳排放的影響因素進行篩選，將篩選得到的變量作為BP神經(jīng)網(wǎng)絡(luò)的輸入量，模擬2019—2030年的變量值，對江蘇省2019—2030年的碳排放值進行預(yù)測。

一、文獻(xiàn)綜述

全球變暖引起了越來越多的關(guān)注，學(xué)者們在碳排放預(yù)測方面取得了豐富的研究成果。目前，國內(nèi)外的研究主要集中于對碳排放量及其峰值的預(yù)測，學(xué)者們基于不同的理論基礎(chǔ)和不同的研究視角采用不同類型的模型對碳排放進行了研究。Loesse等[2]通過對12個南撒哈拉非洲國家1971—2010年經(jīng)濟與碳排放的研究發(fā)現(xiàn)，經(jīng)濟與碳排放的EKC曲線呈現(xiàn)倒“U”型關(guān)系；在施錦芳等[3]的研究中發(fā)現(xiàn)，中國在1984—2014年的EKC曲線呈倒“N”型，而日本在1970—1990年EKC曲線呈“N”型；吳立軍等[4-5]使用擴展的EKC模型，利用城市碳排放拐點分析計算出了中國碳達(dá)峰時間；Lin等[6]利用GM(1,1)灰色預(yù)測模型預(yù)測了中國臺灣地區(qū)2009—2012年的CO2排放趨勢和達(dá)峰時間；渠慎寧等[7]利用STIRPAT模型對未來中國碳排放峰值進行相關(guān)預(yù)測，預(yù)測出實現(xiàn)碳達(dá)峰的時間應(yīng)在2020到2045年之間；Xu等[8]利用STIRPAT模型預(yù)測了中國是否能在2030年前完成碳減排目標(biāo)；Li等[9]基于擴展STIRPAT模型對2020年八種不同情景所產(chǎn)生的碳排放量進行預(yù)測；燕振剛等[10]使用BP神經(jīng)網(wǎng)絡(luò)算法對玉米生產(chǎn)碳排放進行了預(yù)測，并評估了算法的有效性；仇國芳等[11]利用粗糙集的簡約思想構(gòu)建出神經(jīng)網(wǎng)絡(luò)模型對陜西省的碳排放量進行預(yù)測，分析其變化趨勢及主要影響因素；胡振等[12]以西安市城市家庭為研究對象，采用BP神經(jīng)網(wǎng)絡(luò)算法對其碳排放進行了預(yù)測，并將BP神經(jīng)網(wǎng)絡(luò)模型結(jié)果與多元回歸模型的結(jié)果進行對比，發(fā)現(xiàn)BP神經(jīng)網(wǎng)絡(luò)模型的預(yù)測結(jié)果更準(zhǔn)確；Nieves等[13]使用LEAP模型預(yù)測了2030年和2050年哥倫比亞產(chǎn)生的能源需求和溫室氣體排放；Fan等[14]以北京公共交通為例，運用LEAP模型分析了2016—2030年期間不同情景下的能源需求和主要溫室氣體排放；Ma等[15]基于LEAP模型對中國交通運輸業(yè)碳減排潛力進行評估，分別從基準(zhǔn)增長和綜合緩解情景下對2012—2030年交通運輸碳排放量進行模擬預(yù)測和情景分析；Li等[16]使用LEAP模型對京津冀公路客運碳排放量進行預(yù)測，通過模擬基準(zhǔn)增長、部分控制和全部控制的管理情景，分別預(yù)測不同情景下2015—2030年公路客運碳排放量。

綜上所述，本文在已有文獻(xiàn)的基礎(chǔ)上，首次將Lasso回歸模型和BP神經(jīng)網(wǎng)絡(luò)模型結(jié)合。本文以江蘇省2001—2018年的數(shù)據(jù)為研究對象，采用Lasso回歸篩選出碳排放的影響因素，將篩選出的變量作為輸入量放入BP神經(jīng)網(wǎng)絡(luò)模型進行訓(xùn)練，然后用模擬設(shè)定情境對江蘇省碳排放峰值進行預(yù)測，然后模擬2019—2030年的變量值來預(yù)測2019—2030年江蘇省的碳排放值。

二、研究方法

1.Lasso回歸

Lasso回歸模型是1996年由Tibshirani提出的一種有偏估計方法[17]，它通過懲罰函數(shù)來壓縮模型的系數(shù)，把一些系數(shù)壓縮至零，篩選出顯著變量，并且Lasso模型本身就可以處理數(shù)據(jù)的多重共線性問題[18]。

設(shè)x為自變量，y為因變量，n次取樣得到觀測數(shù)據(jù)的標(biāo)準(zhǔn)化值為(x,y)，其中x為n×p矩陣(n>p)，y為n×1矩陣，x的第i個觀測值為xi=(xi1,xi2,…,xip)T，i∈[1,2,…,n]且各觀測值相互獨立，y=(y1,y2,…,yn)T。y對x的回歸模型表示為：

yi=α1+∑βjxij+εi

(1)

y=βx+ε

(2)

其中ε～N(0,σ2)，若要篩選出影響顯著的變量，則需要給公式(2)加上一個條件，約束表達(dá)式如式(3)所示。

(3)

2.BP神經(jīng)網(wǎng)絡(luò)模型

BP神經(jīng)網(wǎng)絡(luò)是一種按誤差傳播算法訓(xùn)練的多層前饋網(wǎng)絡(luò)，它可以貼近任意連續(xù)函數(shù)，具有很強的非線性映射能力。如圖1所示，BP模型結(jié)構(gòu)包括輸入層、隱層和輸出層[19]，其主要思想是輸入學(xué)習(xí)樣本，通過反向傳播算法對網(wǎng)絡(luò)的偏差和權(quán)值進行反復(fù)調(diào)整和訓(xùn)練，使輸出值盡可能地與期望值接近。

圖1 BP神經(jīng)網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)

根據(jù)Lasso回歸的篩選結(jié)果，把經(jīng)濟水平、產(chǎn)業(yè)結(jié)構(gòu)、人口規(guī)模、能源消費總量、能源結(jié)構(gòu)、電力消費、交通發(fā)展水平、森林覆蓋率等8個影響因素作為輸入變量，把江蘇省碳排放量作為輸出變量，運用BP神經(jīng)網(wǎng)絡(luò)模型進行預(yù)測。

三、模型構(gòu)建

1.碳排放影響因素指標(biāo)構(gòu)建

本文數(shù)據(jù)均來自《江蘇省統(tǒng)計年鑒》《中國統(tǒng)計年鑒》和《中國能源統(tǒng)計年鑒》。

(1)碳排放核算

對于碳排放量的核算，本文結(jié)合已有研究選取原煤、焦炭、原油、汽油、煤油、柴油、燃料油和天然氣等8種能源的消費量來計算江蘇省碳排放量[20]，計算公式為：

(4)

公式(4)中，ki表示第i種能源的消費量，fi表示第i種能源的折標(biāo)系數(shù)，ei表示第i種能源的碳排放系數(shù)。根據(jù)2006年IPCC發(fā)布的國家溫室氣體清單指南對碳排放量進行核算，如表1所示。

表1 能源折標(biāo)系數(shù)和碳排放系數(shù)

(2)影響因素分析

本文從經(jīng)濟、社會、能源、環(huán)境等角度初步選取了10個可能影響碳排放量的因素，具體指標(biāo)體系如表2所示。

表2 江蘇省碳排放影響因素

2.碳排放預(yù)測情景值設(shè)置

根據(jù)中國宏觀發(fā)展規(guī)劃和江蘇省區(qū)域發(fā)展規(guī)劃，為各變量設(shè)置合理的增長率，力求能夠較為準(zhǔn)確的描述江蘇省的未來發(fā)展。由于本文所需數(shù)據(jù)在統(tǒng)計年鑒中只更新到2018年，故2019—2021年的指標(biāo)數(shù)據(jù)值根據(jù)國家與省級發(fā)展規(guī)劃進行設(shè)定。

(1)經(jīng)濟水平

江蘇省“十三五規(guī)劃”指出，預(yù)計江蘇省GDP年均增長率為7.5%，故本文參考“十三五計劃”設(shè)定2019—2020年GDP增長率為7.5%，根據(jù)江蘇省第十四個五年規(guī)劃和二〇三五年遠(yuǎn)景目標(biāo)規(guī)劃，設(shè)定2021—2025年GDP增長率為6.5%，2026—2030年GDP增長率為5.5%。

(2)產(chǎn)業(yè)結(jié)構(gòu)

近十年來，江蘇省第二產(chǎn)業(yè)占比縮減了9%，且縮減程度逐年減小，根據(jù)國家綠色發(fā)展戰(zhàn)略，未來將會不斷提高第三產(chǎn)業(yè)的比重，因此，假設(shè)2019—2020年第二產(chǎn)業(yè)占比每年縮減0.3%，2021—2025年第二產(chǎn)業(yè)占比每年縮減0.2%，2026—2030年第二產(chǎn)業(yè)占比每年縮減0.1%。

(3)人口規(guī)模

2001—2018年江蘇省人口年均增長率為5‰，2009—2018年的人口年均增長率為3‰，2018年較2017年人口增長了2‰，根據(jù)許家明[21]的預(yù)測，江蘇省人口預(yù)計2022年達(dá)到峰值，隨后人口逐年下降，人口變化設(shè)定如表3所示。

表3 江蘇省2019—2030年人口自然增長率

(4)能源消費總量

根據(jù)江蘇省“十四五”能源發(fā)展規(guī)劃以及二〇三五年遠(yuǎn)景目標(biāo)綱要中對全省2020年和2025年能源消費總量的要求，設(shè)定2019—2020年能源消費年增長率為2.2%，2021—2025年能源消費年增長率為1.1%，2026—2030年能源消費年增長率為-0.5%。

(5)能源結(jié)構(gòu)

江蘇省“十四五”能源發(fā)展規(guī)劃指出，我們要持續(xù)控煤減煤，推進煤炭消費比持續(xù)保持“負(fù)增長”，設(shè)定2019—2020年煤炭消費占比每年下降1.5%，2021—2025年煤炭消費占比每年下降1%，根據(jù)江蘇省2035年能源發(fā)展規(guī)劃，設(shè)定2026—2030年煤炭消費占比每年下降0.5%。

(6)電力消費

江蘇省2013—2018年電力消費年均增長率為4.8%，2017—2018年電力消費增長為5.5%，電力消費增長率不斷增高，故設(shè)定2019—2020年電力消費增長率為5.5%，2021—2025年電力消費增長率為6%，2026—2030年電力消費增長率為6.5%。

(7)交通發(fā)展水平

根據(jù)江蘇省私人汽車擁有量增長趨勢來看，未來私人汽車擁有量仍會不斷增加，設(shè)定2019—2020年私人汽車擁有量年增長率為9%，2021—2025年私人汽車擁有量年增長率為7%，2026—2030年私人汽車擁有量年增長率為5%。

(8)森林覆蓋率

國家政府報告中提到，我國要推進生態(tài)屏障建設(shè)，到2035年森林覆蓋率達(dá)到24.1%，目前，江蘇省森林覆蓋率穩(wěn)定在15.2%，設(shè)定2019—2020年森林覆蓋率為15.2%，2021—2025年森林覆蓋率為15.5%，2026—2030年森林覆蓋率為16%。

四、實證研究

1.影響因素篩選

首先，將數(shù)據(jù)進行歸一化，消除數(shù)據(jù)之間可能存在的非線性關(guān)系，然后，將處理好的數(shù)據(jù)導(dǎo)入R軟件中，使用Lasso回歸分析對碳排放影響因素進行分析。

采用K折CV交叉驗證來確定s值，CV交叉驗證的結(jié)果如圖2所示，橫坐標(biāo)為λ，縱坐標(biāo)為模型中的均方根誤差，即CV值，隨著λ值不斷增大，模型的均方根誤差也不斷增大。圖2中左邊虛線上方所對應(yīng)的數(shù)值8則表示s位于第八步。

圖2 CV殘差圖

如圖3所示，圖中描述了每個自變量的變化軌跡，隨著橫坐標(biāo)懲罰力度的增加，變量系數(shù)基本都不斷減小，最終縮減為0。

選取最優(yōu)的λ值，帶入Lasso模型中，擬合出Lasso回歸模型的系數(shù)，隨著懲罰力度的增加，變量系數(shù)基本都不斷減小，最終縮減為0，如表4所示，A4和A7的系數(shù)被壓縮為0，被模型剔除，篩選出8個顯著變量，分別為經(jīng)濟水平(A1)、產(chǎn)業(yè)結(jié)構(gòu)(A2)、人口規(guī)模(A3)、能源消費總量(A5)、能源結(jié)構(gòu)(A6)、電力消費(A8)、交通發(fā)展水平(A9)和森林覆蓋率(A10)。

表4 Lasso回歸系數(shù)

2.BP神經(jīng)網(wǎng)絡(luò)預(yù)測

選取2001—2014年的數(shù)據(jù)為訓(xùn)練樣本，2015—2018年的數(shù)據(jù)為測試樣本，通過訓(xùn)練樣本多次訓(xùn)練，得到網(wǎng)絡(luò)結(jié)構(gòu)為8-6-1，將訓(xùn)練次數(shù)設(shè)置為1000次，學(xué)習(xí)速率為0.01，訓(xùn)練目標(biāo)最小誤差為0.00001。利用訓(xùn)練好的BP神經(jīng)網(wǎng)絡(luò)對測試樣本進行預(yù)測，得到2015—2018年預(yù)測值與實際值的誤差圖，如圖3所示，平均絕對誤差為0.016，表明BP神經(jīng)網(wǎng)絡(luò)模型在當(dāng)前數(shù)據(jù)下對江蘇省碳排放預(yù)測具有較高的擬合度。

圖3 BP網(wǎng)絡(luò)測試結(jié)果

將模擬設(shè)定的2019—2030年的影響因素數(shù)據(jù)帶入訓(xùn)練好的BP神經(jīng)網(wǎng)絡(luò)模型中，得到江蘇省2019—2030年的碳排放預(yù)測值如表5所示，從預(yù)測結(jié)果可以看出，在模擬情景下，2019—2023年江蘇省碳排放量不斷上升，但增速緩慢，若江蘇省按照各設(shè)定指標(biāo)情形進行發(fā)展，在2023年即可實現(xiàn)碳排放達(dá)峰，能夠?qū)崿F(xiàn)江蘇省“十三五規(guī)劃”中對于節(jié)能減排工作的目標(biāo)。2023—2030年碳排放量逐年減少，在此情景下，江蘇省的能源消費情況和碳排放量都將得以改善，但是在全國能源新形勢大環(huán)境下，江蘇省要想同時實現(xiàn)經(jīng)濟發(fā)展與低能耗、低排放的雙重目標(biāo)，仍然需要從產(chǎn)業(yè)結(jié)構(gòu)、人口規(guī)模、煤炭與電力消費、交通發(fā)展水平和森林覆蓋率等多方面開展工作。

表5 2019—2030年碳排放預(yù)測值

五、結(jié)論與建議

1.結(jié)論

本文建立了Lasso-BP神經(jīng)網(wǎng)絡(luò)組合模型對江蘇省2019—2030年的碳排放量進行了預(yù)測，主要結(jié)論如下。

(1)通過Lasso回歸篩選出對江蘇省碳排放影響較為顯著的因素包括：經(jīng)濟水平、產(chǎn)業(yè)結(jié)構(gòu)、人口規(guī)模、能源消費總量、能源結(jié)構(gòu)、電力消費、交通發(fā)展水平和森林覆蓋率。

(2)通過BP神經(jīng)網(wǎng)絡(luò)模型對現(xiàn)有數(shù)據(jù)的訓(xùn)練和測試，預(yù)測誤差僅為0.016，在模擬情景下，2019—2023年江蘇省碳排放量不斷攀升，將在2023年實現(xiàn)“碳達(dá)峰”，2023年之后碳排放量逐年下降。

2.建議

結(jié)合實證分析結(jié)果，本文對江蘇省實現(xiàn)碳減排目標(biāo)工作提出以下建議。

(1)加快產(chǎn)業(yè)結(jié)構(gòu)調(diào)整。江蘇省的經(jīng)濟發(fā)展離不開第二產(chǎn)業(yè)，第二產(chǎn)業(yè)碳排放量占比較大，未來幾年是產(chǎn)業(yè)結(jié)構(gòu)轉(zhuǎn)型與能源消耗結(jié)構(gòu)升級的重要時期，江蘇省要控制高碳企業(yè)發(fā)展，加快傳統(tǒng)企業(yè)轉(zhuǎn)型升級，淘汰高能低產(chǎn)產(chǎn)業(yè)，扶持第三產(chǎn)業(yè)發(fā)展。

(2)促進綠色能源消費。降低煤炭等化石能源的消耗比重，同時提高化石能源的利用效率，加大可再生能源的使用量，鼓勵新能源公司進行科研技術(shù)開發(fā)，加強居民與企業(yè)的清潔能源使用觀念，促進能源消費結(jié)構(gòu)調(diào)整。

(3)發(fā)展城市公共交通與環(huán)境綠化。公共交通高效發(fā)展有助于節(jié)能減排工作的實施，江蘇省應(yīng)該加快城市地鐵、新能源公交以及共享單車設(shè)施建設(shè)，為市民提供快捷、低碳的生活服務(wù)，倡導(dǎo)全民參與低碳生活。同時，城市綠化率保持高水平有利于生物多樣性，能夠促進二氧化碳的吸收，對于“碳達(dá)峰”和“碳中和”目標(biāo)提供一定的生態(tài)保障。