基于IPSO-BP神經(jīng)網(wǎng)絡(luò)模型的山東省碳排放預(yù)測(cè)及生態(tài)經(jīng)濟(jì)分析

張迪, 王彤彤, 支金虎,*

基于IPSO-BP神經(jīng)網(wǎng)絡(luò)模型的山東省碳排放預(yù)測(cè)及生態(tài)經(jīng)濟(jì)分析

張迪1,4, 王彤彤2,3, 支金虎1,4,*

1. 塔里木大學(xué)植物科學(xué)學(xué)院, 阿拉爾 843300 2. 西北農(nóng)林科技大學(xué)資源環(huán)境學(xué)院, 楊凌 712100 3. 長(zhǎng)江水利委員會(huì)長(zhǎng)江科學(xué)院重慶分院, 重慶 400026 4. 塔里木大學(xué)南疆綠洲農(nóng)業(yè)資源與環(huán)境研究中心, 阿拉爾 843300

在低碳經(jīng)濟(jì)發(fā)展背景下, 針對(duì)山東省碳排放數(shù)據(jù)更新遲緩、以往預(yù)測(cè)模型難以滿足現(xiàn)實(shí)需求的問題, 統(tǒng)計(jì)相關(guān)數(shù)據(jù), 根據(jù)政府間氣候變化專門委員會(huì)(IPCC)推薦方法測(cè)算山東省2000—2017年碳排放量和排放強(qiáng)度, 并借助脫鉤分析、碳承載力和碳赤字探究碳排放的動(dòng)態(tài)變化趨勢(shì); 基于5項(xiàng)最重要的碳排放影響因素, 建立改進(jìn)的粒子群算法(IPSO)優(yōu)化BP神經(jīng)網(wǎng)絡(luò)模型, 對(duì)山東省的碳排放量和排放強(qiáng)度進(jìn)行仿真預(yù)測(cè)。結(jié)果表明: 山東省工業(yè)耗能占總量的78.5 %左右。2000—2017年間山東省碳排放量呈增長(zhǎng)趨勢(shì), 年平均為52328.10 萬(wàn)噸; 碳排放強(qiáng)度卻呈下降趨勢(shì), 年平均為1.73 萬(wàn)噸/億元。總體而言, 2000—2017年間山東省碳排放量與GDP之間呈弱脫鉤的態(tài)勢(shì), 碳承載力呈先增長(zhǎng)后減小的趨勢(shì), 18年間碳承載力減少了8 %, 全省從2005年開始出現(xiàn)碳赤字, 并呈現(xiàn)增大趨勢(shì)。IPSO算法明顯優(yōu)化了BP神經(jīng)網(wǎng)絡(luò), 誤差更小、精度更高, 更適于碳排放量及相關(guān)指標(biāo)的預(yù)測(cè)。預(yù)測(cè)結(jié)果顯示山東省未來(lái)碳排放量呈緩慢增長(zhǎng)趨勢(shì), 而碳排放強(qiáng)度有所降低, 以期為政府決策提供科學(xué)依據(jù)。

BP神經(jīng)網(wǎng)絡(luò); IPSO優(yōu)化算法; 碳排放; 預(yù)測(cè); 山東省

0 前言

全球氣候變化已成為世界各國(guó)關(guān)注的焦點(diǎn)[1]。其中, 因人類社會(huì)活動(dòng)(主要是工業(yè)生產(chǎn))向大氣中排放的CO2是產(chǎn)生溫室效應(yīng)的主要原因, 這直接導(dǎo)致了全球氣候變暖, 進(jìn)而影響人類社會(huì)和經(jīng)濟(jì)發(fā)展[2]。因此, 國(guó)際社會(huì)采取積極措施應(yīng)對(duì)全球變暖, 從1992年的《聯(lián)合國(guó)氣候框架公約》到2019年的智利圣地亞哥氣候行動(dòng)峰會(huì), 全球已召開25次締約國(guó)會(huì)議, 各國(guó)都在努力尋求解決全球氣候變化的方法[3-4],其中一項(xiàng)很重要的議題就是: 碳排放量的核算及預(yù)測(cè), 這直接關(guān)系到減排政策的制定與措施的實(shí)施[5], 是“碳排放稅”計(jì)算的主要依據(jù), 研究具有重要現(xiàn)實(shí)意義[6-7]。低碳經(jīng)濟(jì)是我國(guó)應(yīng)對(duì)氣候變化的戰(zhàn)略選擇。當(dāng)前, 國(guó)內(nèi)有關(guān)碳排放的研究主要集中在: 1) 碳排放量總量核算與預(yù)測(cè)[8-9]; 2) 碳排放驅(qū)動(dòng)影響因素分析[10-11]; 3) 區(qū)域能源碳排放格局及預(yù)測(cè)[11-13]; 4) 碳減排技術(shù)評(píng)價(jià)及政策分析[14]等幾方面。而國(guó)際上, 研究重點(diǎn)也集中在溫室氣體的排放量測(cè)算、預(yù)測(cè)和區(qū)域節(jié)能減排等方面[15-17]。

目前國(guó)內(nèi)外預(yù)測(cè)模型的研究報(bào)告還有待完善。紀(jì)廣月[18]的研究認(rèn)為利用碳排放的影響因素構(gòu)建數(shù)學(xué)模型對(duì)碳排放進(jìn)行預(yù)測(cè), 能達(dá)到良好的效果。杜強(qiáng)等[19]采用logistic模型對(duì)我國(guó)30個(gè)省區(qū)年碳排放進(jìn)行了預(yù)測(cè), 同時(shí)利用改進(jìn)的IPAT模型對(duì)中國(guó)碳排放預(yù)測(cè)[20]。此外, 還有學(xué)者使用線性回歸[21], STIRFDT模型[22], 支持向量機(jī)[23], DDEPM模型[24]等對(duì)我國(guó)區(qū)域碳排放量和排放強(qiáng)度進(jìn)行預(yù)測(cè)。宋杰鯤等[25]、燕振剛[26]、王苗等[27]、趙成柏等[28]、紀(jì)廣月[18]等學(xué)者均做過BP神經(jīng)對(duì)區(qū)域碳排放量的預(yù)測(cè)研究, 認(rèn)為BP神經(jīng)網(wǎng)絡(luò)在一定程度上可以彌補(bǔ)傳統(tǒng)評(píng)價(jià)方法需要構(gòu)建隸屬函數(shù)、無(wú)法精確描述預(yù)測(cè)區(qū)間內(nèi)的變化特征以及設(shè)計(jì)過程具有一定人為偏好的不足[29]。然而, 從理論上講神經(jīng)網(wǎng)絡(luò)模型需要大量的數(shù)據(jù)樣本, 但仍可被再優(yōu)化; 就現(xiàn)有研究方法而言, 暫無(wú)人報(bào)道應(yīng)用改進(jìn)的粒子群算法(IPSO)優(yōu)化BP神經(jīng)網(wǎng)絡(luò), 且基于多種碳排放影響因素而建立預(yù)測(cè)模型。

根據(jù)國(guó)家統(tǒng)計(jì)局最新數(shù)據(jù)顯示, 山東省GDP在全國(guó)排第三, 且穩(wěn)定持續(xù)數(shù)年不變, 可見其經(jīng)濟(jì)體量較大, 在我國(guó)經(jīng)濟(jì)發(fā)展中占重要位置。徐成龍等[30]研究發(fā)現(xiàn)2005年山東省碳排放總量居全國(guó)首位, 主要因當(dāng)年山東省規(guī)模以上工業(yè)增加值躍居全國(guó)第一所影響; 此外, 他還指出山東省碳排放量占全國(guó)的比重遠(yuǎn)高于GDP總量的比重, 因此作為區(qū)域碳排放的典型代表, 很有研究?jī)r(jià)值, 且檢索相關(guān)文獻(xiàn)發(fā)現(xiàn)近十年內(nèi), 山東省的碳排放量和排放強(qiáng)度研究鮮有更新報(bào)道。此外, 區(qū)域產(chǎn)業(yè)碳排放預(yù)測(cè)既是相關(guān)研究方向的基礎(chǔ), 又是擴(kuò)展的紐帶[31], 這對(duì)山東省近20年碳排放研究具有重要的現(xiàn)實(shí)指導(dǎo)意義。綜上, 針對(duì)山東碳排放數(shù)據(jù)更新遲緩和傳統(tǒng)預(yù)測(cè)模型難以滿足現(xiàn)實(shí)需求的問題, 本文利用數(shù)值模擬統(tǒng)計(jì)數(shù)據(jù), 通過IPCC推薦方法對(duì)山東省2000—2017年碳排放進(jìn)行測(cè)算, 綜合考慮碳排放量、碳排放強(qiáng)度等參數(shù), 并借助碳承載力、碳赤字以及脫鉤分析, 全方位分析碳排放的變化趨勢(shì), 并選取最重要的5項(xiàng)碳排放影響因素指標(biāo)(煤炭、原油、天然氣、GDP、人口), 建立IPSO-BP神經(jīng)網(wǎng)絡(luò)模型, 對(duì)山東省2018—2020年碳排放量和強(qiáng)度進(jìn)行預(yù)測(cè), 以期為山東省實(shí)現(xiàn)2020年“十三五”規(guī)劃的節(jié)能減排目標(biāo)提供科學(xué)依據(jù)。

1 研究區(qū)域、方法與數(shù)據(jù)來(lái)源

1.1 研究區(qū)概況

山東省地處中國(guó)東部沿海, 黃河下游, 境域包括半島和內(nèi)陸兩部分。中部山地突起, 西南、西北低洼平坦, 東部是山東半島, 西部及北部屬華北平原, 中南部為山地丘陵; 屬暖溫帶季風(fēng)氣候[32]。介于北緯34°23′—38°17′, 東經(jīng)114°48′—122°42′之間, 陸域面積15.58 萬(wàn)km2, 海洋面積15.96 萬(wàn)km2。山東省經(jīng)濟(jì)發(fā)展迅速, 尤其是第二和第三產(chǎn)業(yè)增長(zhǎng)明顯。在本文的研究中, 第二產(chǎn)業(yè)主要包括工業(yè)和建筑業(yè); 第三產(chǎn)業(yè)包括旅游服務(wù)業(yè)、批發(fā)零售業(yè)(含網(wǎng)絡(luò))、交通運(yùn)輸和郵政電信業(yè)、住宿餐飲業(yè)等傳統(tǒng)行業(yè)穩(wěn)中有增, 金融業(yè)、商業(yè)服務(wù)業(yè)等第三產(chǎn)業(yè)高端行業(yè)均有較快發(fā)展[33]。表1是山東省2000—2018年第一、二、三產(chǎn)業(yè)值。

1.2 研究方法

1.2.1 IPCC法計(jì)算碳排放量和排放強(qiáng)度

山東省能源利用碳排放量可根據(jù)化石燃料(煤炭、石油、天然氣)數(shù)量以及建議排放系數(shù)[34]來(lái)計(jì)算, 其公式如下:

C=∑M*H*T*O*44/12 (1)

其中,為碳排放量(萬(wàn)噸);為能源類型(=1、2、3, 分別表示煤炭、石油和天然氣);為能源消耗量(萬(wàn)噸);為能源熱值(KJ·Kg-1);為能源碳排放系數(shù)(t·TJ-1);為能源氧化率(%); 44為2的相對(duì)分子質(zhì)量; 12為碳的相對(duì)原子質(zhì)量。此外, 需注意對(duì)各種能源消耗量單位進(jìn)行熱值轉(zhuǎn)換。因統(tǒng)計(jì)年鑒中的單位為萬(wàn)噸, 而《2006年IPCC國(guó)家溫室氣體清單指南》中提供的各種燃料含碳量的單位為t·TJ-1(1TJ=109KJ), 各種能源的含碳量和氧化率見表2。

碳排放強(qiáng)度是指單位GDP的碳排放量, 其計(jì)算公式為:

碳排放強(qiáng)度=碳排放總量/總GDP (2)

1.2.2 脫鉤分析法

脫鉤一般用來(lái)描述多種事物相互關(guān)聯(lián)程度減弱或是消失的過程, 要實(shí)現(xiàn)永續(xù)發(fā)展就要實(shí)現(xiàn)環(huán)境壓力與經(jīng)濟(jì)發(fā)展的“脫鉤”[35]。常用脫鉤分析方法有OECD法和Tapio法。為了更加精準(zhǔn)細(xì)致地反映不同因素間的脫鉤關(guān)系, 本文選擇Tapio脫鉤指數(shù)作為分析模型[36]。Tapio脫鉤模型的關(guān)鍵是找到合適的指標(biāo)計(jì)算脫鉤指數(shù)。Tapio脫鉤指數(shù)DI計(jì)算公式:

表1 山東省第一、第二、第三產(chǎn)業(yè)值(2000-2018年)

注: 以上數(shù)據(jù)來(lái)源于《山東省統(tǒng)計(jì)年鑒》(2001—2019年)。

表2 各種能源的熱值、排放系數(shù)及氧化率

式中,2排放表示碳排放對(duì)環(huán)境的壓力,ΔCO為現(xiàn)期相對(duì)于基期CO2排放變化速率,表示經(jīng)濟(jì)驅(qū)動(dòng)力,為現(xiàn)期相對(duì)于基期變動(dòng)速率。指標(biāo)可以分為三大狀態(tài)和8種等級(jí)[36]。不同脫鉤類型分別表示了從經(jīng)濟(jì)增長(zhǎng)、能源消耗減少的理想狀態(tài)到經(jīng)濟(jì)衰弱、能源消耗增加的悲觀愿景, 其中強(qiáng)脫鉤表示經(jīng)濟(jì)發(fā)展與能源消耗處于可持續(xù)發(fā)展?fàn)顟B(tài), 弱脫鉤是經(jīng)濟(jì)發(fā)展前景較為樂觀的狀態(tài), 其余均為不可持續(xù)狀態(tài), 在經(jīng)濟(jì)增長(zhǎng)的前提下,值越小越有利于可持續(xù)發(fā)展。

1.2.3 碳承載力和碳赤字計(jì)算模型

碳承載力是指: 某一地區(qū)或范圍內(nèi)所有生產(chǎn)性土地所能吸收的碳排放的量[37]。區(qū)域碳匯研究涉及面廣泛, 包括森林、灌木、草地、濕地、農(nóng)作物等各類綠色植被的固碳能力, 本文選取區(qū)域內(nèi)森林、草地、農(nóng)作物作為主要計(jì)算參考核算碳承載力[38]。區(qū)域內(nèi)碳排放量與碳吸收量的差額即為碳赤字[30](若其值>0, 為碳赤字, 表示該區(qū)域生態(tài)環(huán)境有惡化趨勢(shì); 若其值<0, 則為碳盈余, 其意義是區(qū)域內(nèi)生態(tài)環(huán)境一般較好)。計(jì)算模型如下:

=D+D+D(4)

=–(6)

式中,為區(qū)域碳承載力,D為森林固碳能力,D為草地固碳能力,D為農(nóng)田固碳能力,D表示第種生產(chǎn)性土地(植被)的固碳量,M表示第種生產(chǎn)性土地(植被)的面積,NEP表示第種生產(chǎn)性土地對(duì)應(yīng)植被的固碳能力, 即1 hm2的植被1 年能吸收的碳總量。為固定一個(gè)單位的碳所吸納的二氧化碳的量。表示碳赤字,為碳排放量。本文采用馬彩虹等[37]人的研究結(jié)果, 森林、草地、農(nóng)田的 NEP 值分別3.81、0.95、8.99 tC·(hm2·a)-1, 考慮到農(nóng)田農(nóng)作物的生長(zhǎng)周期較短, 且農(nóng)作物秸稈再利用及焚燒的量[38], 需要將固碳能力乘校正系數(shù), 本文取1。

1.2.4 IPSO-BP神經(jīng)網(wǎng)絡(luò)模型

BP(Back Propagation)神經(jīng)網(wǎng)絡(luò)是一種誤差反向傳播的多層前饋神經(jīng)網(wǎng)絡(luò)。它由輸入層、隱含層和輸出層組成, 層與層之間多采用全互連接方式, 同一層神經(jīng)元之間不存在相互連接, 因其簡(jiǎn)單易行, 準(zhǔn)確度良好的特點(diǎn)已成為最常用的人工智能模型, 詳情介紹可參考文獻(xiàn)[29]。粒子群算法(Particle Swarm Optimization, 簡(jiǎn)稱PSO)由Knned和Eberhart在1995年提出, 其在可解空間中初始化一群粒子, 每個(gè)粒子用位置、速度和適應(yīng)度值三項(xiàng)指標(biāo)表示該粒子特征, 相關(guān)詳細(xì)介紹請(qǐng)參看文獻(xiàn)[29]。改性的粒子群算法(IPSO)主要可以通過權(quán)重線性調(diào)整和引入變異操作來(lái)實(shí)現(xiàn), 具體操作步驟分為: BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)的確定, IPSO優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的權(quán)值和閾值, BP神經(jīng)網(wǎng)絡(luò)的仿真預(yù)測(cè)。用IPSO優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的權(quán)值和閾值, 群體中每個(gè)粒子的位置都包含了一個(gè)網(wǎng)絡(luò)所有的權(quán)值與閾值[29]。個(gè)體的適應(yīng)度函數(shù)為待優(yōu)化問題的目標(biāo)函數(shù),經(jīng)過粒子群算法找到最優(yōu)適應(yīng)度值對(duì)應(yīng)的個(gè)體, 從而得到最優(yōu)的初始權(quán)值和閾值。將得到的最優(yōu)初始權(quán)值與閾值再賦給BP神經(jīng)網(wǎng)絡(luò), 經(jīng)訓(xùn)練后仿真預(yù)測(cè)。IPSO-BP模型預(yù)測(cè)流程如圖1所示。

圖1 改進(jìn)的粒子群算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的流程

Figure 1 Theflow chart of improved particle swarm algorithm to optimize the BP neural network

1.3 數(shù)據(jù)來(lái)源說(shuō)明及分析軟件

截止2020年4月底, 最新版山東省統(tǒng)計(jì)年鑒數(shù)據(jù)為《山東省統(tǒng)計(jì)年鑒(2019)》, 其中統(tǒng)計(jì)數(shù)據(jù)到2017年, 因此很有必要用模型去預(yù)測(cè)2018—2020年的碳排放量。本文計(jì)算公式及部分參數(shù)值參考《2006年IPCC國(guó)家溫室氣體清單指南》, 所需的歷年研究數(shù)據(jù)來(lái)自《山東省統(tǒng)計(jì)年鑒》(2001年—2019年), 部分?jǐn)?shù)據(jù)來(lái)源于山東省統(tǒng)計(jì)局官網(wǎng)(http://tjj. shandong.gov.cn/)和國(guó)家統(tǒng)計(jì)局國(guó)家數(shù)據(jù)(http://data. stats.gov.cn/index.htm), 1.2.3中所需數(shù)據(jù)來(lái)自山東省國(guó)土資源公報(bào)(2000年—2018年)。數(shù)據(jù)統(tǒng)計(jì)采用Excel 2016軟件, 擬合作圖用OriginPro 8.5.1軟件, 模型計(jì)算用Matlab 2014a軟件。相關(guān)代碼詳見云盤(https://jbox.sjtu.edu.cn/l/UHkDthl)。

2 結(jié)果分析

2.1 產(chǎn)業(yè)結(jié)構(gòu)與能源消費(fèi)分析

2000—2018年山東省第一、二、三產(chǎn)業(yè)產(chǎn)值如圖2所示, 可見山東省第一產(chǎn)業(yè)發(fā)展較慢, 第二、三產(chǎn)業(yè)發(fā)展較快, 尤其是第三產(chǎn)業(yè)發(fā)展迅速, 一直呈增長(zhǎng)趨勢(shì)。結(jié)合表1, 從產(chǎn)業(yè)結(jié)構(gòu)演變歷史來(lái)看, 山東省產(chǎn)業(yè)從當(dāng)初的“二、三、一”結(jié)構(gòu)正逐步變?yōu)椤叭?、二、一”結(jié)構(gòu)。其中從2016年開始, 第二產(chǎn)業(yè)值增速放緩, 第三產(chǎn)業(yè)仍快速發(fā)展。這與國(guó)家工業(yè)轉(zhuǎn)型政策有密切聯(lián)系。此外, 從圖2的套圖中也可見, 第二產(chǎn)業(yè)中, 建筑業(yè)受影響較小, 發(fā)展較為緩慢, 而傳統(tǒng)工業(yè)增速較快, 發(fā)展趨勢(shì)與第二產(chǎn)業(yè)值曲線相似。

表3反映了山東省能源消費(fèi)特征, 可以看出: 從2000年到2017年, 能源消費(fèi)總量一直呈現(xiàn)上升趨勢(shì), 總增幅達(dá)11倍, 18年間平均消耗24545.06萬(wàn)噸標(biāo)準(zhǔn)煤, 但在近三年內(nèi)趨于穩(wěn)定。各行業(yè)產(chǎn)值也均呈上升趨勢(shì), 其中, 工業(yè)、服務(wù)業(yè)和其他產(chǎn)業(yè)增長(zhǎng)最明顯, 2017年的能源消耗總量分別是2000年的14.92、13.79和18.23倍。此外, 在能源消費(fèi)的產(chǎn)業(yè)構(gòu)成中, 工業(yè)是主要耗能大戶, 平均占能源總消耗量的78.5%左右; 農(nóng)業(yè)(農(nóng)林牧副漁)的能源消耗相對(duì)較小。從時(shí)間段看, 2005年開始, 各行業(yè)能源消費(fèi)均大幅度增長(zhǎng), 這與當(dāng)時(shí)國(guó)家的經(jīng)濟(jì)開放政策和山東省的產(chǎn)業(yè)布局息息相關(guān)。

2.2 第二產(chǎn)業(yè)碳排放量和排放強(qiáng)度分析

山東省2000—2017年能源消費(fèi)碳排放量和排放強(qiáng)度如圖3所示。2000—2017年期間, 山東省碳排放量總體呈增長(zhǎng)趨勢(shì), 18年間年平均碳排放量為52328.10萬(wàn)噸, 其中2001年和2010年增速平緩或略有下降, 這與表3能源消耗總量變化趨勢(shì)一致。但隨GDP的增長(zhǎng), 其碳排放強(qiáng)度卻呈下降趨勢(shì), 其中2000—2007年間, 呈齒狀波動(dòng), 這主要是因?yàn)槿∧茉聪M(fèi)總量一直是增長(zhǎng)趨勢(shì), 而齒狀波動(dòng)則受全省GDP影響, 與GDP的增速緩慢有關(guān)。碳排放量隨著產(chǎn)業(yè)能源消耗量的增加而增加, 成正比例關(guān)系; 而碳排放強(qiáng)度與碳排放量成反比關(guān)系, 18年間平均碳排放強(qiáng)度為1.73萬(wàn)噸每?jī)|元。此外, 這也與山東省的能源消費(fèi)結(jié)構(gòu)密切相關(guān), 研究期內(nèi)山東省天然氣和電力等清潔能源的消耗量有所增加, 同時(shí)煤炭和石油等化石燃料的消耗量雖有所增加, 但增速在減慢; 碳排放強(qiáng)度略有起伏, 總體趨勢(shì)呈下降狀態(tài), 尤其是在2005年之后碳排放強(qiáng)度下降速度明顯加快, 這表明2005—2017年間山東省在低碳環(huán)保方面所采取的措施有良好的效果, 為今后的可持續(xù)性發(fā)展奠定了基礎(chǔ)。

圖2 2000—2018年山東省第一、二、三產(chǎn)業(yè)產(chǎn)值圖

Figure 2 The value of the first, second and third industries in Shandong Province from 2000 to 2018

表3 山東省各產(chǎn)業(yè)能源消耗總量(2000—2017年)

注: 以上數(shù)據(jù)來(lái)源于《山東省統(tǒng)計(jì)年鑒》(2001年—2019年)。其他指除了上述四種產(chǎn)業(yè)之外的能源消費(fèi)統(tǒng)計(jì)值。

2.3 脫鉤分析

脫鉤狀態(tài)分析計(jì)算結(jié)果如表4所示, 2000— 2017年山東省碳排放量與GDP之間呈弱脫鉤的態(tài)勢(shì), 高速增長(zhǎng)的GDP掩蓋了碳排放量的快速上升, 但能源壓力依然存在。2005年以前脫鉤狀態(tài)呈現(xiàn)波大趨勢(shì), 這與圖3中碳排放強(qiáng)度趨勢(shì)一致。2005—2015年其脫鉤狀態(tài)和表達(dá)的經(jīng)濟(jì)學(xué)意義均呈積極方面; 除去2000—2001 年和2009—2010年的強(qiáng)脫鉤狀態(tài)外, 脫鉤彈性系數(shù)恒大于 0.14, 表明經(jīng)濟(jì)發(fā)展對(duì)能源消耗的依賴依然十分嚴(yán)重, 隨著經(jīng)濟(jì)的繼續(xù)發(fā)展, 未來(lái)能源消耗會(huì)持續(xù)增長(zhǎng), 且DI值變化趨勢(shì)不明顯, 說(shuō)明產(chǎn)業(yè)結(jié)構(gòu)基本穩(wěn)定, 能源利用效率也在不斷提高。2001年、2004年和2015年受GDP下降等因素影響, 碳排放產(chǎn)量卻沒有明顯下降反而在增長(zhǎng), 導(dǎo)致負(fù)脫鉤現(xiàn)象產(chǎn)生。這說(shuō)明山東省在節(jié)能減排和提質(zhì)增效方面, 依然還需穩(wěn)步提速; 尤其是2013年后GDP增速下降。進(jìn)一步分析發(fā)現(xiàn): GDP和碳排放之間并未實(shí)現(xiàn)真正意義上的脫鉤。無(wú)論是脫鉤年份還是連接年份, GDP的增長(zhǎng)速率始終大于0, 且未脫鉤年份GDP變化速率較大; 脫鉤年份碳排放變化速率較小或?yàn)樨?fù)值, 若碳排放變化速率較小則呈現(xiàn)弱脫鉤, 若碳排放變化速率為負(fù)則呈現(xiàn)強(qiáng)脫鉤, 因此影響脫鉤的關(guān)鍵在于能否有效控制碳排放變化速率。

2.4 碳承載力及碳赤字分析

山東省2000—2018年碳排放量和碳承載力對(duì)比如圖4所示, 碳赤字動(dòng)態(tài)變化如圖5所示。由圖4可見, 在研究時(shí)間段內(nèi), 山東省碳承載力呈先增長(zhǎng)趨于穩(wěn)定后減小的趨勢(shì), 18年間碳承載力減少了8%; 因基數(shù)較大, 故總量變化不大, 基本保持在平均值38666.87萬(wàn)噸。在三種生產(chǎn)性土地(植被)之中, 農(nóng)田的碳承載力最大, 其次為森林, 草地最小, 也從側(cè)面反映出山東省農(nóng)業(yè)較為發(fā)達(dá), 耕地面積較多。由圖5可知, 2004年及以前, 山東省處于碳盈余狀態(tài), 表明該地區(qū)人類社會(huì)的經(jīng)濟(jì)發(fā)展對(duì)自然生態(tài)系統(tǒng)的壓力處于該地區(qū)所能提供的生態(tài)可持續(xù)的范圍之內(nèi), 即處于可持續(xù)發(fā)展?fàn)顟B(tài); 但盈余量從2000年的19450.33萬(wàn)噸逐年下降。從2005年開始出現(xiàn)碳赤字, 表明該地區(qū)的自然生態(tài)系統(tǒng)所提供的產(chǎn)品和服務(wù)需求超過了供給, 不利于可持續(xù)發(fā)展, 到了2017年碳赤字達(dá)到48089萬(wàn)噸, 逐年呈現(xiàn)增大趨勢(shì)。因此, 碳減排已成為山東省不可回避的環(huán)境任務(wù), 山東省降低碳赤字一方面需要考慮如何降低碳排放量, 另一方面要考慮如何提高碳承載力。鄭暉等[39]認(rèn)為: 能源資源的高消費(fèi)和過重的糧食生產(chǎn)負(fù)擔(dān)是造成碳赤字?jǐn)U大的主要原因。此外, 結(jié)合圖1和表3, 我們推測(cè)分析: 能源的高消費(fèi)主要來(lái)源于山東省工業(yè)和服務(wù)業(yè)的發(fā)展需求; 而糧食生產(chǎn)負(fù)擔(dān)過重主要因?yàn)榻鼛啄陜?nèi)山東耕地面積減少, 土地資源被開發(fā)以作它用, 這也致使山東省無(wú)更多土地資源被用于森林的建設(shè), 故碳承載力提升緩慢。

2.5 數(shù)值模擬與預(yù)測(cè)

我們將山東省2000—2010年的數(shù)據(jù)作為訓(xùn)練數(shù)組, 模擬2011—2017年的預(yù)測(cè)結(jié)果, 模擬結(jié)果對(duì)比如圖6所示。從大量數(shù)據(jù)統(tǒng)計(jì)顯示, 無(wú)論圖6(a)碳排放量還是圖6(b)碳排放強(qiáng)度, 兩個(gè)指標(biāo)的模擬結(jié)果都是: IPSO-BP模型預(yù)測(cè)結(jié)果更靠近真實(shí)值, 即圖中的對(duì)角線, 且預(yù)測(cè)點(diǎn)顯得更加緊湊; 而BP神經(jīng)網(wǎng)絡(luò)模型預(yù)測(cè)結(jié)果較真實(shí)值的對(duì)角線偏離幅度較大, 顯得更加分散。這說(shuō)明IPSO-BP模型預(yù)測(cè)結(jié)果優(yōu)于BP神經(jīng)網(wǎng)絡(luò), 改進(jìn)的粒子群算法明顯優(yōu)化了BP神經(jīng)網(wǎng)絡(luò), 使預(yù)測(cè)結(jié)果更加穩(wěn)定, 精度較高。

圖3 2000—2017年山東省碳排放量及碳排放強(qiáng)度趨勢(shì)

Figure 3 Trending of industrial carbon emissions and carbon intensity in Shandong province from 2000 to 2017

表4 2000—2017年山東省碳排放量與經(jīng)濟(jì)發(fā)展脫鉤分析

圖4 2000—2017年山東省碳排放量和碳承載力對(duì)比

Figure 4 Comparison of carbon emission and carbon carrying capacity in Shandong province from 2000 to 2017

圖5 2000—2017年山東省碳赤字動(dòng)態(tài)變化

Figure 5 Dynamic change of carbon deficit in Shandong province from 2000 to 2017

注: (a)為碳排放量; (b)為碳排放強(qiáng)度。

Figure 6 Comparison of the simulation results between the IPSO-BP model and BP neural network

使用均方根誤差(RMSE)、平均相對(duì)誤差(MRE)、平均絕對(duì)誤差(MAE)、標(biāo)準(zhǔn)偏差(SD)和決定系數(shù)(2)來(lái)衡量?jī)煞N預(yù)測(cè)模型的誤差和精度, 見表5。RMSE、MRE、MAE和SD均反映了預(yù)測(cè)數(shù)據(jù)偏離真實(shí)值的程度, 其值越小, 表示預(yù)測(cè)誤差越小, 相對(duì)而言預(yù)測(cè)精度越高; 因此可以明顯看出, 無(wú)論碳排放量或碳排放強(qiáng)度指標(biāo), IPSO-BP模型的RMSE、MRE、MAE和SD值均比BP神經(jīng)網(wǎng)絡(luò)的值小, 說(shuō)明IPSO-BP模型預(yù)測(cè)誤差小于BP神經(jīng)網(wǎng)絡(luò)。其中BP神經(jīng)網(wǎng)絡(luò)的MRE還呈現(xiàn)負(fù)值, 而IPSO-BP模型呈正值, 說(shuō)明BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)結(jié)果離散性強(qiáng), 這也在圖6中得以體現(xiàn)。決定系數(shù)(2)越趨向于1, 表明自變量對(duì)因變量的解釋程度越高[40]。以真實(shí)值為x軸, 預(yù)測(cè)值為y軸, 當(dāng)2越趨向于1, 方程=參考價(jià)值越高, 表明預(yù)測(cè)值越趨向于真實(shí)值。因此可以明顯的看出, IPSO- BP模型的2都在0.9以上, BP神經(jīng)網(wǎng)絡(luò)模型的2都在0.55左右, 說(shuō)明IPSO-BP模型的擬合優(yōu)度更好。IPSO-BP模型更適合碳排放量及相關(guān)指標(biāo)的預(yù)測(cè)。綜上, 采用最適模型(IPSO-BP)預(yù)測(cè)結(jié)果如表6所示, 結(jié)合圖3可以看出山東省2018—2020年碳排放量呈現(xiàn)緩慢增長(zhǎng)趨勢(shì), 而碳排放強(qiáng)度有所降低。山東省GDP在全國(guó)名列前茅, 經(jīng)濟(jì)向好發(fā)展, 能源需求會(huì)在短期內(nèi)持續(xù)增大, 而帶來(lái)的GDP也會(huì)持續(xù)增加, 可見模型預(yù)測(cè)的結(jié)果與經(jīng)濟(jì)學(xué)理論推斷基本相吻合。

3 討論

目前常見的碳排放計(jì)算[41]有: 1)生命周期評(píng)估(LCA)法; 2)能源礦物燃料排放量計(jì)算(即IPCC推薦方法); 3)投入產(chǎn)出法(IO); 4)其他計(jì)算方法, 例如Kaya碳排放恒等式。筆者認(rèn)為IPCC推薦的方法是目前國(guó)際公認(rèn)的最權(quán)威, 最可靠的方法。因?yàn)镮PCC詳細(xì)全面地考慮了幾乎所有的溫室氣體排放源, 并提供了具體的排放原理和詳細(xì)的計(jì)算方法, 有可以參考遵循的依據(jù)《IPCC國(guó)家溫室氣體清單指南》, 師帥等[42]也有相同的觀點(diǎn), 他通過大量的文獻(xiàn)綜述發(fā)現(xiàn): 目前關(guān)于碳排放計(jì)算, 最準(zhǔn)確可靠、使用頻率最高的依然是IPCC法。因此, 可以判斷出本文科學(xué)計(jì)算所得結(jié)果能作為政府或相關(guān)官方數(shù)據(jù)的參考依據(jù)。從上述預(yù)測(cè)結(jié)果分析來(lái)看, 宋杰鯤等[25], 紀(jì)廣月[18], 王苗等[27]對(duì)中國(guó)或美國(guó)碳排放情況進(jìn)行預(yù)測(cè), 得出中國(guó)或美國(guó)的碳排量均呈現(xiàn)先增加然后減小的趨勢(shì); 趙成柏等[28]預(yù)測(cè)到我國(guó)2020年碳排放強(qiáng)度呈下降趨勢(shì), 就山東省區(qū)域而言, 這兩項(xiàng)指標(biāo)均與本文預(yù)測(cè)結(jié)果相一致。不過, 本文在考慮碳排放量的基礎(chǔ)上, 也綜合考慮了與GDP相關(guān)的碳排放強(qiáng)度指標(biāo), 這與王瑛等[3]等學(xué)者的研究又不同, 更加全面。從模型角度分析, IPSO-BP模型能很好的應(yīng)用于碳排放量及相關(guān)指標(biāo)的預(yù)測(cè)。然而, 目前BP神經(jīng)網(wǎng)絡(luò)模型的碳排放預(yù)測(cè)應(yīng)用較多, 在其基礎(chǔ)上的優(yōu)化組合模型研究鮮有報(bào)道。燕振剛等[26]利用BP人工神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)河西綠洲地區(qū)玉米生產(chǎn)碳排放量, 發(fā)現(xiàn)BP神經(jīng)網(wǎng)絡(luò)模型預(yù)測(cè)性能明顯優(yōu)于多元線性回歸和多元非線性回歸模型, 其均方根誤差(RMSE=0.0691)和平均絕對(duì)誤差(MAE=0.0513)也是最低的?？梢? BP神經(jīng)能應(yīng)用在碳排放領(lǐng)域, 且預(yù)測(cè)效果良好, 這與趙成柏等[28], 宋杰鯤等[25], 紀(jì)廣月[18]等采用BP神經(jīng)網(wǎng)絡(luò)模型, 建立我國(guó)碳排放預(yù)測(cè)模型, 達(dá)到良好預(yù)測(cè)效果的結(jié)果相一致。趙成柏等[28]利用ARIMA作為BP神經(jīng)網(wǎng)絡(luò)模型的前置優(yōu)化模型, 紀(jì)廣月[18]和王苗等[27]利用灰色系統(tǒng)作為BP神經(jīng)網(wǎng)絡(luò)模型的前置優(yōu)化模型進(jìn)行碳排放量的預(yù)測(cè)研究。因此, 筆者認(rèn)為這與本研究采用IPSO算法作為BP神經(jīng)網(wǎng)絡(luò)模型的前置優(yōu)化模型有異曲同工之妙。不過, ARIMA和灰色系統(tǒng)系統(tǒng)本身就可以單獨(dú)作為預(yù)測(cè)模型, 與BP神經(jīng)網(wǎng)絡(luò)聯(lián)用能提供大量訓(xùn)練樣本, 卻增加了整體運(yùn)算的難度和時(shí)間, 筆者認(rèn)為也有一定的局限性。然而, IPSO優(yōu)化算法是實(shí)質(zhì)性優(yōu)化了BP神經(jīng)網(wǎng)絡(luò)的初始權(quán)值和閾值, 加快了網(wǎng)絡(luò)的訓(xùn)練和收斂速度, 在運(yùn)行時(shí)間上有明顯優(yōu)勢(shì)。最后, 分析IPSO-BP模型比BP神經(jīng)網(wǎng)絡(luò)更加穩(wěn)定, 且誤差較小、精度較高的原因, 筆者認(rèn)為: 從數(shù)學(xué)理論基礎(chǔ)講, BP神經(jīng)網(wǎng)絡(luò)對(duì)初始權(quán)值和閾值比較敏感, 初始權(quán)值和閾值的改變將影響網(wǎng)絡(luò)的收斂速度和精度。一旦初始權(quán)值和閾值確定了, 就決定了網(wǎng)絡(luò)的收斂方向。改進(jìn)的粒子群算法作為一種新興的進(jìn)化算法, 具有收斂速度快、魯棒性高、全局搜索能力強(qiáng)等特點(diǎn)[29]。用改進(jìn)的粒子群算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的初始權(quán)值和閾值, 可以較好地克服BP神經(jīng)網(wǎng)絡(luò)所存在的不足, 不但能提高網(wǎng)絡(luò)的泛化能力, 還可提高網(wǎng)絡(luò)的收斂速度和精度。同時(shí), 在實(shí)際應(yīng)用過程中, IPSO-BP模型能迭代模擬出更大量的樣本數(shù)據(jù), 通過不斷的迭代訓(xùn)練使預(yù)測(cè)結(jié)果更趨于穩(wěn)定。

表5 兩種模型的誤差指標(biāo)對(duì)比分析

表6 IPSO-BP模型預(yù)測(cè)山東省2018—2020年碳排放量及碳排放強(qiáng)

4 結(jié)語(yǔ)

本研究表明: 山東省產(chǎn)業(yè)結(jié)構(gòu)明顯且穩(wěn)定, GDP體量較大, 工業(yè)占能源總消耗量的78.5%左右。2000—2017年間山東省碳排放量呈增長(zhǎng)趨勢(shì), 平均碳排放量為52328.10萬(wàn)噸; 碳排放強(qiáng)度卻呈下降趨勢(shì), 平均值為1.73 萬(wàn)噸/億元。2000—2017年間山東省碳排放量與GDP之間呈弱脫鉤的態(tài)勢(shì), 經(jīng)濟(jì)發(fā)展對(duì)能源消耗的依賴嚴(yán)重, DI值變化不明顯, 能源利用效率在提高。碳承載力呈先增長(zhǎng)后減小的趨勢(shì), 18年間碳承載力減少了8%, 從2005年開始出現(xiàn)碳赤字, 并呈現(xiàn)增大趨勢(shì)。應(yīng)用IPSO-BP模型的RMSE、MRE、MAE、SD值均小于BP神經(jīng)網(wǎng)絡(luò)的, 且決定系數(shù)2值大于BP神經(jīng)網(wǎng)絡(luò)。改進(jìn)的粒子群算法明顯優(yōu)化了BP神經(jīng)網(wǎng)絡(luò), IPSO-BP模型預(yù)測(cè)結(jié)果更加穩(wěn)定, 誤差較小, 精度較高, 更適于碳排放量及相關(guān)指標(biāo)的預(yù)測(cè)。從IPSO-BP模型預(yù)測(cè)結(jié)果看, 山東省2018—2020年碳排放量呈緩慢增長(zhǎng)趨勢(shì), 而碳排放強(qiáng)度有所降低。

[1] 王勇, 許子易, 張亞新. 中國(guó)超大城市碳排放達(dá)峰的影響因素及組合情景預(yù)測(cè)——基于門限-STIRPAT模型的研究[J]. 環(huán)境科學(xué)學(xué)報(bào), 2019, 39(12): 4284–4292.

[2] 張峰, 殷秀清, 董會(huì)忠. 組合灰色預(yù)測(cè)模型應(yīng)用于山東省碳排放預(yù)測(cè)[J]. 環(huán)境工程, 2015, 33(2): 147–152.

[3] 王瑛, 何艷芬. 西部地區(qū)中心城市碳排放與經(jīng)濟(jì)發(fā)展關(guān)系研究——以西安市為例[J]. 生態(tài)科學(xué), 2019, 38(4): 217–224.

[4] 王亮. 鹽城市土地利用變化碳排放效益及影響因素分解研究[J]. 生態(tài)科學(xué), 2015, 34(5): 122–128.

[5] 李洪英, 遲遠(yuǎn)英. 中國(guó)能源消費(fèi)結(jié)構(gòu)影響因素冗余分析研究[J]. 生態(tài)科學(xué), 2016, 35(3): 172–177.

[6] 楊迪, 楊旭, 吳相利, 等. 東北地區(qū)能源消費(fèi)碳排放時(shí)空演變特征及其驅(qū)動(dòng)機(jī)制[J]. 環(huán)境科學(xué)學(xué)報(bào), 2018, 38(11): 334–345.

[7] LIU Zhu, GUAN Dabo, WEI Wei, et al. Reduced carbon emission estimates from fossil fuel combustion and cement production in China[J]. Nature, 2015, 524(7565): 335–338.

[8] 路正南, 郝文麗, 楊雪蓮. 基于低碳經(jīng)濟(jì)視角的我國(guó)碳排放強(qiáng)度影響因素分析[J]. 科技管理研究, 2016(3): 240–245.

[9] 詹長(zhǎng)根, 吳鼎, 楊如軍. 廣西能源資源承載力綜合評(píng)價(jià)研究[J]. 生態(tài)科學(xué), 2018, 37(03): 131–137.

[10] 宋杰鯤, 張凱新, 曹子建. 省域碳排放配額分配—融合公平和效率的研究[J]. 干旱區(qū)資源與環(huán)境, 2017, 31(05): 7–13.

[11] 薛冰, 陳興鵬, 楊冕, 耿涌, 等. 基于情景分析的區(qū)域能源-經(jīng)濟(jì)-環(huán)境耦合研究-以甘肅省為例[J]. 生態(tài)科學(xué), 2010, 29(5): 476–482.

[12] XU Bin, LIN Boqiang. How industrialization and urbanization process impacts on CO2 emissions in China: Evidence from nonparametric additive regression models[J]. Energy Economics, 2015, 48: 188–202.

[13] ZHANG Jinyun, ZHANG Yan, YANG Zhifeng. et al. Estimation of energy-related carbon emissions in Beijing and factor decomposition analysis[J]. Ecological Modelling, 2013, 252: 258–265.

[14] 許珊, 范德成, 王韶華. 基于最優(yōu)評(píng)價(jià)方法的我國(guó)能源結(jié)構(gòu)低碳評(píng)價(jià)研究[J]. 科技管理研究, 2016(5): 186–192.

[15] AL-MULALI U, FEREIDOUNI H G, LEE J Y M, et al. Exploring the relationship between urbanization, energy consumption, and CO2emission in MENA countries[J]. Renewable & Sustainable Energy Reviews, 2013, 23(4): 107–112.

[16] ZHU Qin, PENG Xizhe, WU Kaiya. Calculation and decomposition of indirect carbon emissions from residen-tial consumption in China based on the input–output model[J]. Energy Policy, 2012, 48: 618–626.

[17] WANG Changjian, ZHANG Xiaolei, WANG Fei. et al. Decomposition of energy-related carbon emissions in Xinjiang and relative mitigation policy recommendations[J]. Frontiers of Earth Science, 2015, 9(1): 65–76.

[18] 紀(jì)廣月. 基于灰色關(guān)聯(lián)分析的BP神經(jīng)網(wǎng)絡(luò)模型在中國(guó)碳排放預(yù)測(cè)中的應(yīng)用[J]. 數(shù)學(xué)的實(shí)踐與認(rèn)識(shí), 2014, 44(14): 243–249.

[19] 杜強(qiáng), 陳喬, 楊銳. 基于Logistic模型的中國(guó)各省碳排放預(yù)測(cè)[J]. 長(zhǎng)江流域資源與環(huán)境, 2013, 22(2): 143–151.

[20] 杜強(qiáng), 陳喬, 陸寧. 基于改進(jìn)IPAT模型的中國(guó)未來(lái)碳排放預(yù)測(cè)[J]. 環(huán)境科學(xué)學(xué)報(bào), 2012, 32(9): 2294–2302.

[21] 高金賀, 黃偉玲, 蔣浩鵬. 城市交通碳排放預(yù)測(cè)的多模型對(duì)比分析[J]. 重慶交通大學(xué)學(xué)報(bào)(自然科學(xué)版), 2020, 26(1): 1–7.

[22] 宋杰鯤. 基于STIRPAT和偏最小二乘回歸的碳排放預(yù)測(cè)模型[J]. 統(tǒng)計(jì)與決策, 2011(24): 19–22.

[23] 宋杰鯤. 基于支持向量回歸機(jī)的中國(guó)碳排放預(yù)測(cè)模型[J]. 中國(guó)石油大學(xué)學(xué)報(bào)(自然科學(xué)版), 2012, 36(1): 182–187.

[24] 趙息, 齊建民, 劉廣為. 基于離散二階差分算法的中國(guó)碳排放預(yù)測(cè)[J]. 干旱區(qū)資源與環(huán)境, 2013, 27(1): 63–69.

[25] 宋杰鯤, 張宇. 基于BP神經(jīng)網(wǎng)絡(luò)的我國(guó)碳排放情景預(yù)測(cè)[J]. 科學(xué)技術(shù)與工程, 2011, 11(17): 4108–4111.

[26] 燕振剛, 李薇, Yan Tianhai, 等. BP神經(jīng)網(wǎng)絡(luò)算法在河西綠洲玉米生產(chǎn)碳排放評(píng)估中的應(yīng)用及算法有效性研究[J]. 中國(guó)生態(tài)農(nóng)業(yè)學(xué)報(bào), 2018, 26(8): 1100–1106.

[27] 王苗, 王鵬雅, 陳鑫. 基于灰色神經(jīng)網(wǎng)絡(luò)模型的美國(guó)碳排放預(yù)測(cè)[J]. 科技資訊, 2019, 17(14): 202–205.

[28] 趙成柏, 毛春梅. 基于ARIMA和BP神經(jīng)網(wǎng)絡(luò)組合模型的我國(guó)碳排放強(qiáng)度預(yù)測(cè)[J]. 長(zhǎng)江流域資源與環(huán)境, 2012, 21(6): 665–671.

[29] 王彤彤, 張劍, 涂川, 等. IPSO-BP神經(jīng)網(wǎng)絡(luò)在渭河天水段水質(zhì)評(píng)價(jià)中的應(yīng)用[J]. 環(huán)境科學(xué)與技術(shù), 2013, 36(8): 175–181.

[30] 徐成龍, 任建蘭, 鞏燦娟. 產(chǎn)業(yè)結(jié)構(gòu)調(diào)整對(duì)山東省碳排放的影響[J]. 自然資源學(xué)報(bào), 2014(2): 15–24.

[31] 宗剛, 牛欽璽, 遲遠(yuǎn)英. 京津冀地區(qū)能源消費(fèi)碳排放因素分解分析[J]. 生態(tài)科學(xué), 2016, 35(2): 111–117.

[32] 王長(zhǎng)建, 張利, 王強(qiáng), 等. 1990—2009年山東能源消費(fèi)的碳排放動(dòng)態(tài)演進(jìn)分析[J]. 中國(guó)科學(xué)院大學(xué)學(xué)報(bào), 2012, 29(4): 469–475.

[33] 榮蓉. 山東省工業(yè)碳排放情景預(yù)測(cè)及減排策略研究[J]. 中外能源, 2016, 21(2): 94–100.

[34] 王菲, 董鎖成, 毛琦梁. 基于工業(yè)結(jié)構(gòu)特征的中國(guó)地區(qū)能源消費(fèi)強(qiáng)度差異分析[J]. 地理科學(xué)進(jìn)展, 2013, 4: 522–531.

[35]張思齊, 陳銀蓉. 城市建設(shè)用地?cái)U(kuò)張與能源消耗碳排放相關(guān)效應(yīng)[J]. 水土保持研究, 2017, 24(1): 244–249.

[36] 張一清, 王琳晴, 劉傳庚, 等. 基于碳足跡研究的中國(guó)地區(qū)工業(yè)低碳轉(zhuǎn)型——以山東省為例[J]. 生態(tài)學(xué)報(bào), 2016, 36(20): 6646–6655.

[37] 馬彩虹. 甘肅省化石能源碳足跡動(dòng)態(tài)研究[J]. 西北林學(xué)院學(xué)報(bào), 2013, 28(1): 73–76.

[38] 閆豐, 王洋, 杜哲, 等. 基于IPCC排放因子法估算碳足跡的京津冀生態(tài)補(bǔ)償量化[J]. 農(nóng)業(yè)工程學(xué)報(bào), 2018, 34(4): 15–20.

[39] 鄭暉, 石培基, 何娟娟. 甘肅省生態(tài)足跡與生態(tài)承載力動(dòng)態(tài)分析[J]. 干旱區(qū)資源與環(huán)境, 2013, 27(10): 13–18.

[40] 王彤彤, 翟軍海, 何歡, 等. BP神經(jīng)網(wǎng)絡(luò)和SVM模型對(duì)施加生物炭土壤水分預(yù)測(cè)的適用性[J]. 水土保持研究, 2017, 24(3): 86–91.

[41] 王永琴, 周葉, 張榮. 碳排放影響因子與碳足跡文獻(xiàn)綜述: 基于研究方法視角[J]. 環(huán)境工程, 2017, 35(1): 155–159.

[42] 師帥, 李翠霞, 李媚婷. 畜牧業(yè)“碳排放”到“碳足跡”核算方法的研究進(jìn)展[J]. 中國(guó)人口?資源與環(huán)境, 2017, 27(6): 36–41.

Carbon emissions prediction based on IPSO-BP neural network model and eco-economic analysis of Shandong province

ZHANG Di1,4, WANG Tongtong2,3, ZHI Jinhu1,4,*

1. College of Plant Sciences, Tarim University, Alar 843300, China 2. College of Natural Resources and Environment, Northwest A&F University, Yangling 712100, China 3. Chongqing branch, Changjiang River Scientific research institute of Changjiang Water Resources Commission, Chongqing 400026, China 4. Research Center of Oasis Agricultural Resources and Environment in Sourthern Xinjang, Tarim University, Alar Xinjiang 843300, China

In a low-carbon economic context, the prior prediction models cannot meet the requirement due to the slow update of date regarding the carbon emission in Shandong province. According to the statistical yearbook and the IPCC guideline, this paper estimates the carbon emissions and emission intensity of Shandong Province from 2000 to 2017. The dynamic behavior for carbon emissions is analyzed with carbon carrying capacity, carbon deficit and decoupling. Based on the five most important carbon emission factors, this paper proposes an improved particle swarm optimization algorithm (IPSO) optimized BP neural network model to simulate the carbon emissions and emission intensity for Shandong province. The result showed that the industrial energy consumption in Shandong Province accounts for about 78.5 % of the total. From 2000 to 2017, the carbon emissions showed an increase, and with an average carbon emission of 523.281 million tons. However, the intensity of carbon emissions described a downward trend, with an average of 17,300 tons per 100 million yuan. In general, the carbon emissions and GDP of Shandong province showed a weak decoupling trend between 2000 and 2017. The carbon carrying capacity showed an increasing trend first and then decreasing. The carbon carrying capacity decreased by 8% in 18 years. Since 2005, the carbon deficit has appeared and shown an increasing trend. Obviously, the IPSO algorithm optimized BP neural network with smaller error and higher accuracy, which is more suitable for the prediction regarding carbon emissions and related indicators. The prediction results provide a scientific basis for government decision-making because the carbon emissions of Shandong province will show a slow growth trend in the future and the carbon emission intensity will be reduced simultaneously.

BP neural network; IPSO optimization algorithm; carbon emissions; prediction; Shandong province

10.14108/j.cnki.1008-8873.2022.01.017

張迪, 王彤彤, 支金虎. 基于IPSO-BP神經(jīng)網(wǎng)絡(luò)模型的山東省碳排放預(yù)測(cè)及生態(tài)經(jīng)濟(jì)分析[J]. 生態(tài)科學(xué), 2022, 41(1): 149–158.

ZHANG Di, WANG Tongtong, ZHI Jinhu. Carbon emissions prediction based on IPSO-BP neural network model and eco-economic analysis of Shandong province[J]. Ecological Science, 2022, 41(1): 149–158.

X196

A

1008-8873(2022)01-149-10

2020-05-25;

2020-06-21

國(guó)家重點(diǎn)研發(fā)計(jì)劃(2017YFC0504300, 2017YFD0201900); 環(huán)境材料與修復(fù)技術(shù)重慶市重點(diǎn)實(shí)驗(yàn)室開放基金(CEK1805)

張迪(1990—), 女, 山東濰坊人, 碩士研究生, 研究方向?yàn)橘Y源利用、農(nóng)業(yè)管理, E-mail:dizhang1237@163.com

支金虎, 男, 教授, 主要研究方向?yàn)橘Y源利用與生態(tài)管理等, E-mail:zjhzky@163.com