上海市能源消費(fèi)碳排放預(yù)測分析

吳淑敏，高廣闊

[摘要]本文以上海市為研究對(duì)象，探討上海市能源消費(fèi)碳排放的影響因素及對(duì)其未來發(fā)展趨勢進(jìn)行預(yù)測分析，為上海市碳減排工作尋求最佳路徑、實(shí)現(xiàn)碳達(dá)峰與碳中和目標(biāo)提供參有效參考依據(jù)。根據(jù)上海市的能源消費(fèi)數(shù)據(jù)，運(yùn)用IPCC法計(jì)算出上海市2000—2020年的能源消費(fèi)碳排放量；采用Lasso方法從12個(gè)指標(biāo)中選擇出5個(gè)與因變量密切相關(guān)的指標(biāo)，進(jìn)而基于支持向量機(jī)預(yù)測模型進(jìn)行仿真模擬。最后，運(yùn)用情景分析法結(jié)合SVR模型，分析上海市未來十年的碳排放趨勢并結(jié)合全文分析提出切實(shí)有效的節(jié)能減排建議。

[關(guān)鍵詞] 能源消費(fèi)碳排放預(yù)測；Lasso模型；SVR模型；情景分析

[中圖分類號(hào)] F293.3? ［文獻(xiàn)標(biāo)識(shí)碼］A? ?［文章編號(hào)］1000-4211（2023）02-0075-15

一、引言

近幾年，氣候異常現(xiàn)象日益嚴(yán)重，溫室效應(yīng)使全球變暖，各種自然災(zāi)害頻頻發(fā)生。為了控制溫室氣體排放，國際社會(huì)一直在為此做出努力。為促進(jìn)國際合作，實(shí)現(xiàn)溫室氣體減排， 1992年6月，154個(gè)國家以及歐共同體元首和高級(jí)代表共同簽署《聯(lián)合國氣候變化框架公約》（下簡稱《公約》）；1997年12月，為加強(qiáng)《公約》實(shí)施，《公約》第三次締約方會(huì)議通過旨在限制發(fā)達(dá)國家的溫室氣體排放的《京都議定書》；2015年4月22日，170多個(gè)國家的領(lǐng)導(dǎo)人在聯(lián)合國總部共同簽署了關(guān)于氣候變化問題的《巴黎協(xié)定》。這些協(xié)議的簽訂體現(xiàn)出國際社會(huì)為應(yīng)對(duì)全球氣候變化問題所做出的努力，也體現(xiàn)出國際社會(huì)對(duì)這一問題的高度關(guān)注。

我國也面臨著嚴(yán)峻的氣候變化問題?！兜谌螝夂蜃兓瘒以u(píng)估報(bào)告》顯示，近百年（1909—2011年）來中國陸地區(qū)域平均增溫速率高于全球平均值，達(dá)0.9℃～1.5℃；近15年來氣溫上升趨緩，但仍然處在近百年來氣溫最高的階段。2020年6月，習(xí)近平總書記在第七十五屆聯(lián)合國大會(huì)上做出莊嚴(yán)承諾，我國力爭在2030年前實(shí)現(xiàn)碳達(dá)峰，在2060年前實(shí)現(xiàn)碳中和。實(shí)現(xiàn)碳達(dá)峰、碳中和對(duì)我國是一項(xiàng)巨大的考驗(yàn)，如何實(shí)現(xiàn)碳中和，以及如何促進(jìn)綠色低碳發(fā)展是當(dāng)前應(yīng)重點(diǎn)關(guān)注的領(lǐng)域之一。減少室溫氣體排放勢必減少對(duì)大氣的污染，減緩生態(tài)惡化，造福全人類。國家的每個(gè)地區(qū)經(jīng)濟(jì)發(fā)展不均衡，結(jié)構(gòu)也不一樣，碳達(dá)峰的年份也存在著差異，因此，結(jié)合實(shí)際國情以及每個(gè)地區(qū)自身發(fā)展科學(xué)制定達(dá)峰方案的關(guān)鍵點(diǎn)是如何可以避免不合理的峰值以及峰值出現(xiàn)的時(shí)間。

上海市作為全國經(jīng)濟(jì)最強(qiáng)城市之一，近10年人均消費(fèi)穩(wěn)居全國第一且能源消耗一直處于增長狀態(tài)，環(huán)境承載力也在逐年上漲，節(jié)能減排和低碳發(fā)展面臨較大挑戰(zhàn)。上海市為應(yīng)對(duì)氣候變化于“十四五”規(guī)劃中強(qiáng)調(diào)，要進(jìn)一步優(yōu)化能源結(jié)構(gòu)和產(chǎn)業(yè)結(jié)構(gòu)，有效控制二氧化碳排放，穩(wěn)步推進(jìn)“碳達(dá)峰碳中和”。因而本文嘗試分析上海市碳排放主要影響因素，進(jìn)而以此為基礎(chǔ)預(yù)測上海市未來能源消費(fèi)碳排放量，并通過分析不同情景下寧夏碳排放的變動(dòng)格勢，對(duì)于科學(xué)制訂并有效實(shí)施碳減排政策，促進(jìn)低碳發(fā)展，具有重要現(xiàn)實(shí)意義。

二、文獻(xiàn)綜述

（一）碳排放影響因素研究

碳排放的影響因素極其復(fù)雜，因?yàn)檠芯繉?duì)象與研究角度的不同，學(xué)者們分解的影響因素也不盡相同。目前學(xué)術(shù)界對(duì)碳排放的影響因素還沒有權(quán)威說法，因此已有文獻(xiàn)對(duì)影響因素的選擇無對(duì)錯(cuò)之分。很多學(xué)者會(huì)通過相關(guān)算法來探究碳排放與影響因素之間的關(guān)系，劉賢趙（2019）基于PLS-VIP算法，研究10個(gè)與碳排放量相關(guān)的影響因素為自變量進(jìn)行PLS建模，結(jié)果發(fā)現(xiàn)該方法能有效識(shí)別出與因變量相關(guān)性較強(qiáng)的變量，并從根本上減少進(jìn)入模型的變量個(gè)數(shù)。王小燕等（2022）研究碳排放權(quán)價(jià)格的影響因素，基于復(fù)雜網(wǎng)絡(luò)理論構(gòu)建了指標(biāo)的圖結(jié)構(gòu)，再建立圖結(jié)構(gòu)自適應(yīng)Lasso方法（G-AdLasso）進(jìn)行影響因素識(shí)別，發(fā)現(xiàn)G-AdLasso可識(shí)別出圖結(jié)構(gòu)中較重要的指標(biāo)，并且明該方法可優(yōu)化和精簡模型?；趥鹘y(tǒng)模型對(duì)碳排放和影響因素之間的研究也不在少數(shù)（張勇等，2014；林珊珊，2015；劉麗輝等，2016；Y Wang等，2017；陳占明等，2018；孫義等，2020；郭承龍等，2022）?；赟TIRPAT模型對(duì)樣本的統(tǒng)計(jì)數(shù)據(jù)進(jìn)行回歸分析，結(jié)果顯示與碳排放高度相關(guān)的影響因素包括，人口、經(jīng)濟(jì)、產(chǎn)業(yè)結(jié)構(gòu)、能源結(jié)構(gòu)等。研究不同行業(yè)的碳排放影響因素意義也十分重大，如針對(duì)農(nóng)業(yè)、漁業(yè)、工業(yè)、交通運(yùn)輸業(yè)等生產(chǎn)部門（薛選登等，2022；邵桂蘭等，2015；石憶邵等，2016；劉妍慧等，2022）。通過對(duì)文獻(xiàn)的梳理，可以發(fā)現(xiàn)學(xué)者們對(duì)碳排放的影響因素主要集中在人口結(jié)構(gòu)、能源消耗、城鎮(zhèn)化率、產(chǎn)業(yè)結(jié)構(gòu)、經(jīng)濟(jì)發(fā)展水平等方面。

（二）碳排放量預(yù)測研究

根據(jù)研究范圍的不同，對(duì)二氧化碳排放量的研究大體分為兩類：一類文獻(xiàn)從全國范圍的角度分析預(yù)測我國碳排放量，另一類文獻(xiàn)則是從區(qū)域范圍的角度研究碳排放量。在使用統(tǒng)計(jì)計(jì)量模型預(yù)測碳排放方面，利用STIRPAT模型分別對(duì)未來全國以及地區(qū)的碳排放進(jìn)行相關(guān)預(yù)測，并對(duì)歷史時(shí)間序列數(shù)據(jù)進(jìn)行回歸，從中得出未來碳排放趨勢（渠慎寧等，2010；趙慈等，2022；鄧小樂等，2016）?；诨疑A(yù)測模型，對(duì)所選樣本碳排放量進(jìn)行中短期預(yù)測，并提出相應(yīng)節(jié)能減排建議（楊克磊等，2014；黃昕怡等，2022）。Lester R K（2009）采用情景分析法對(duì)美國碳排放未來走勢進(jìn)行了探究，根據(jù)美國現(xiàn)實(shí)情況對(duì)未來社會(huì)經(jīng)濟(jì)發(fā)展假定三種情景，對(duì)未來碳排放量做了較好預(yù)測。運(yùn)用回歸預(yù)測選取對(duì)碳排放量影響大的因素，基于選擇出的指標(biāo)來預(yù)測未來碳排放趨勢（N Bowerman，2010；Y Chen，2015）。與統(tǒng)計(jì)計(jì)量模型相比，人工智能模型能夠有效地提取時(shí)間序列數(shù)據(jù)的線性和非線性特征，獲得更精確的預(yù)測效果?？禄⒌龋?022）為了更加全面地運(yùn)用時(shí)間序列數(shù)據(jù)信息來預(yù)測碳排放量，解決碳排放量數(shù)據(jù)的非線性、不穩(wěn)定性問題，采用二次分解的BAS-LSTM模型對(duì)陜西省碳排放量進(jìn)行預(yù)測。高金賀等（2022）建立了由遺傳算法優(yōu)化的支持向量機(jī)（GA-SVR）預(yù)測模型對(duì)未來北京市交通運(yùn)輸業(yè)的碳排放量進(jìn)行預(yù)測，結(jié)果表明：該模型得到的數(shù)據(jù)和實(shí)際值之間有著良好的擬合回歸效果。部分學(xué)者會(huì)采用神經(jīng)網(wǎng)絡(luò)相關(guān)方法對(duì)未來的碳排放量進(jìn)行趨勢預(yù)測，從模型預(yù)測結(jié)果來看，神經(jīng)網(wǎng)絡(luò)相關(guān)方法能較準(zhǔn)確地預(yù)測未來的碳排放量，為城市的低碳規(guī)劃和碳排放管控提供了量化依據(jù)（郝佳瑩，2016；孫薇，2017；閆鳳英等，2021；張迪等，2022）。

三、數(shù)據(jù)來源與結(jié)構(gòu)分析

（一）數(shù)據(jù)來源及測算

1.數(shù)據(jù)來源

本文選取的數(shù)據(jù)樣本區(qū)間為2000—2020年，研究數(shù)據(jù)來自《上海統(tǒng)計(jì)年鑒》（2001-2021）以及《中國能源統(tǒng)計(jì)年鑒》（2001-2021）

2.碳排放測算

碳核算最主要的形式可以被分為基于測量和基于計(jì)算兩種方式，主要可以概括為三種：排放因子法、質(zhì)量平衡法、實(shí)測法。其中排放因子法是適用范圍最廣、應(yīng)用最為普遍的一種碳核算辦法。各能源的碳排放系數(shù)是根據(jù)《2005年中國溫室氣體清單研究》和《2006年IPCC國家溫室氣體清單指南》等研究報(bào)告中的數(shù)據(jù)推算得出，本文所考察的主要能源數(shù)據(jù)包含煤炭、焦炭、原油、燃料油、汽油、柴油、煤油、天然氣這八種能源的消費(fèi)量，碳排放量計(jì)算公式如下：

C＝Ei×ηi×fi? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? （1）

式中：C為能源消費(fèi)引起的碳排放；Ei為終端能源消費(fèi)的第i類能源的消費(fèi)量；ηi為第i類能源折標(biāo)準(zhǔn)煤參考系數(shù)；fi為第i類能源碳排放系數(shù)，碳排放系數(shù)是指燃燒化石能源釋放出的熱量所對(duì)應(yīng)的碳量。

各類能源的折標(biāo)準(zhǔn)煤系數(shù)、碳排放系數(shù)來自《中國能源統(tǒng)計(jì)年鑒》以及《省級(jí)溫室氣體清單編制指南》，詳見表1。

本文所選八種能源碳排放系數(shù)如表1所示，根據(jù)上述公式（1），可計(jì)算出上海市2000—2020年能源消費(fèi)碳排放量，本文只對(duì)上述八種一次能源消耗所產(chǎn)生的碳排放量進(jìn)行統(tǒng)計(jì)，其余方式產(chǎn)生的碳排放量忽略不計(jì)，測算結(jié)果如圖1所示。

上海市能源消費(fèi)碳排放量在2000—2020年期間大多處于增長狀態(tài)，2020年上海市整體碳排放達(dá)到3億噸，接近2000年的2倍。根據(jù)圖1可以看出，上海市整體的能源消費(fèi)碳排放總量的發(fā)展趨勢，主要分為三個(gè)階段：

（1）快速發(fā)展階段

2000—2013年，上海市碳排放總量逐年增加且幅度較大，平均增幅超過4%，最高增幅甚至達(dá)到14%，此段時(shí)間，上海市經(jīng)濟(jì)也在快速增長促使能源消費(fèi)快速增長。

（2）平穩(wěn)發(fā)展階段

2014—2016年，上海市能源消費(fèi)碳排放總量較為平穩(wěn)，平均增幅基本穩(wěn)定在0.1%左右?！笆濉逼陂g是經(jīng)濟(jì)增長模式轉(zhuǎn)換的攻堅(jiān)期，是落實(shí)全面發(fā)展的戰(zhàn)略機(jī)遇期，在這一期間，經(jīng)濟(jì)增長建立在綠色增長的軌道上，因此上海市此段時(shí)間能源增長幅度較慢。

（3）回落趨勢階段

2017—2020年，上海市能源消費(fèi)碳排放總量出現(xiàn)回落趨勢，意味著上海市能源碳排放在一定程度上得到抑制，主要原因是，上海市緊跟國家政策，大力發(fā)展科學(xué)技術(shù)水平，優(yōu)化能源結(jié)構(gòu)以及更新產(chǎn)業(yè)結(jié)構(gòu)。在一定程度上證明了上海市節(jié)能減排政策的有效實(shí)施為減緩碳排放增速也起到了重要作用。

（二）能源消費(fèi)結(jié)構(gòu)分析

能源消費(fèi)碳排放結(jié)構(gòu)是指使用能源（如石油、煤炭、天然氣、核能、太陽能等）所導(dǎo)致的碳排放情況。這些碳排放主要來自能源生產(chǎn)、加工和使用過程中產(chǎn)生的二氧化碳以及其他溫室氣體。

通常情況下，煤炭和石油是消費(fèi)的主要能源，也是導(dǎo)致碳排放最多的能源。因此，轉(zhuǎn)向更清潔的能源，如太陽能和風(fēng)能，以減少碳排放是解決氣候變化的重要途徑。此外，分析能源消費(fèi)碳排放結(jié)構(gòu)還可以幫助我們了解不同國家和地區(qū)使用能源的情況，以及碳排放與經(jīng)濟(jì)發(fā)展之間的關(guān)系，以促進(jìn)清潔能源使用和減少碳排放。

根據(jù)圖2可以看出，2000—2020年，上海市煤炭消費(fèi)碳排放比重逐年降低說明煤炭的消耗量在降低，2000年上海市的煤炭、原油、天然氣占比分別為45.7%、26.6%、0.05%；到了2020年，相應(yīng)占比分別為27.2%、34.4%、1.3%。盡管上海市煤炭消費(fèi)占比在降低，但是煤炭的特點(diǎn)表現(xiàn)在相較于其他能源的碳排放最高的，因此降低煤炭占比對(duì)于節(jié)能減排具有重要意義。相對(duì)于煤炭和原油，上海市近20年來的天然氣資源利用有所增加，由2000年的0.05%增長到2020年的1.3%，天然氣的使用將有助于擺脫低效煤炭消費(fèi)造成的二氧化碳排放。近些年來，我國風(fēng)電、水電發(fā)展勢頭好，風(fēng)電技術(shù)已經(jīng)達(dá)到世界領(lǐng)先地位。在保證能源安全使用的前提下，提高風(fēng)電、水電、核電發(fā)電量也是我國邁向碳達(dá)峰碳中和目標(biāo)的路徑之一。上海經(jīng)濟(jì)進(jìn)入高質(zhì)量發(fā)展階段，能源資源的需求更高更多元。這一巨大又不確定的能源需求前景對(duì)上海來說既是一種挑戰(zhàn)，也是一種機(jī)遇，在采取有效措施提高能源效率的同時(shí)，不斷優(yōu)化能源結(jié)構(gòu)，促進(jìn)二氧化碳減排，做出表率。

四、仿真訓(xùn)練與結(jié)果分析

（一）相關(guān)理論

本文數(shù)據(jù)具有維數(shù)較高、樣本量較小的特點(diǎn)。因此，在研究方法的選擇上，為了克服高維、小樣本數(shù)據(jù)可能引發(fā)的維數(shù)災(zāi)難、過擬合等問題，本文結(jié)合Lasso方法和支持向量機(jī)回歸（SVR）構(gòu)建本文的主要能源消費(fèi)碳排放預(yù)測模型，結(jié)合Lasso和SVR的合理性在于能夠有效實(shí)現(xiàn)兩種方法的優(yōu)勢互補(bǔ)。支持向量機(jī)是以統(tǒng)計(jì)學(xué)習(xí)理論為基礎(chǔ)的新型機(jī)器學(xué)習(xí)方法，可以保證找到的極值解是全局最優(yōu)解，對(duì)未知樣本有較好的泛化能力，在解決有限樣本、非線性問題中有明顯的優(yōu)勢，能夠在小樣本條件下根據(jù)數(shù)據(jù)樣本的統(tǒng)計(jì)特性，進(jìn)行更為精準(zhǔn)的預(yù)測。對(duì)于Lasso方法和SVR模型的結(jié)合方式，本文采用串聯(lián)組合的方法，即將Lasso方法的輸出作為SVR模型的輸入，具體步驟如下：首先使用Lasso方法篩選能源消費(fèi)碳排放的影響因素，剔除對(duì)碳排放影響不顯著的指標(biāo)；然后將模型篩選出的指標(biāo)作為輸入變量加入SVR模型，構(gòu)建能源消費(fèi)碳排放預(yù)測模型。

1.Lasso模型

Lasso模型（張立軍等，2018）在參數(shù)估計(jì)時(shí)，可以對(duì)估計(jì)值進(jìn)行壓縮，進(jìn)而將不重要的因素壓縮成0，這樣可以達(dá)到特征篩選的功能。假設(shè)初始數(shù)據(jù)集為（Xn，Yn），n=1，2，…，N，其中Xn＝（xn1 xn2 ，...，xnm）T為自變量矩陣，Yn為因變量矩陣。令系數(shù)矩陣β＝（β1，β2，...βm，）T，假定經(jīng)歸一化處理的Xn無一般損失，則Lasso的估計(jì)量可以表示為：

（2）

其中，λ為懲罰因子，該參數(shù)越小，則懲罰度越小，模型中存留的自變量越多；反之存留的自變量越少。可采用K折交叉驗(yàn)證法確定λ的最優(yōu)參數(shù)。

2.SVR模型

SVR算法（卞和營等，2014）通常運(yùn)用在數(shù)據(jù)的擬合上，數(shù)學(xué)模型是在線性函數(shù)的兩側(cè)制造一個(gè)“間隔帶”，其中落入到間隔帶內(nèi)的全部樣本，均不會(huì)計(jì)入損失函數(shù)；只有落入到間隔帶之外的樣本，才需要計(jì)算損失。進(jìn)而采用最小化間隔帶的寬度以及總損失對(duì)模型進(jìn)行調(diào)整優(yōu)化。目標(biāo)函數(shù)和約束條件如式（3）所示：

（3）

式中：C為懲罰因子，引入松弛變量和。

（二）影響因素分析

1.指標(biāo)選擇

能源消費(fèi)碳排放量收到人口、經(jīng)濟(jì)發(fā)展、社會(huì)發(fā)展等眾多因素的影響，是一個(gè)非線性復(fù)雜系統(tǒng)。在選擇能源消費(fèi)的各種影響因素時(shí)必須充分考慮影響因素之間以及與因變量之間的錯(cuò)綜復(fù)雜關(guān)系。結(jié)合我國學(xué)者的研究成果（曹洪剛等，2015；馮梅等，2018；唐賽等，2021），認(rèn)為影響能源消費(fèi)碳排放的主要因素有如下幾個(gè)方面：

（1）經(jīng)濟(jì)發(fā)展：隨著經(jīng)濟(jì)增長，能源需求通常也會(huì)增加，特別是工業(yè)生產(chǎn)和城市基礎(chǔ)設(shè)施方面。因此經(jīng)濟(jì)發(fā)展是影響能源消費(fèi)的一個(gè)非常重要的因素。

（2）人口規(guī)模：隨著人口的增加，對(duì)于生活必需品和工業(yè)生產(chǎn)的需求也會(huì)增加，從而增加了對(duì)能源的需求。更多的人口將被帶到城市，從而增加了對(duì)公共交通、住房、醫(yī)療等城市基礎(chǔ)設(shè)施的需求，進(jìn)而增加了對(duì)能源的需求。所以人口規(guī)模也是能源消費(fèi)碳排放的重要因素之一。

（3）產(chǎn)業(yè)結(jié)構(gòu)：工業(yè)生產(chǎn)是能源消耗的主要來源，因此產(chǎn)業(yè)結(jié)構(gòu)對(duì)工業(yè)生產(chǎn)的影響將直接影響能源消費(fèi)碳排放。隨著經(jīng)濟(jì)的發(fā)展，產(chǎn)業(yè)結(jié)構(gòu)也在不斷轉(zhuǎn)型。從農(nóng)業(yè)、制造業(yè)向服務(wù)業(yè)轉(zhuǎn)型，由于各個(gè)產(chǎn)業(yè)對(duì)能源的需求不同，這種轉(zhuǎn)型可能會(huì)導(dǎo)致能源消費(fèi)的減少或增加。

（4）能源消費(fèi)結(jié)構(gòu)：不同類型的能源對(duì)二氧化碳排放強(qiáng)度的影響不同。使用化石燃料（如煤炭、石油和天然氣）的能源產(chǎn)生的二氧化碳排放強(qiáng)度通常比使用可再生能源（如太陽能和風(fēng)能）高得多。因此，在能源消費(fèi)碳排放預(yù)測過程中，必須考慮未來優(yōu)化能源結(jié)構(gòu)降低對(duì)能源消費(fèi)產(chǎn)生的碳排放量。

（5）科學(xué)技術(shù)：科學(xué)技術(shù)的進(jìn)步對(duì)能源消費(fèi)碳排放至關(guān)重要。具體來說，科學(xué)技術(shù)的進(jìn)步可以提高能源生產(chǎn)效率，從而減少能源消費(fèi)。例如，風(fēng)能和太陽能發(fā)電技術(shù)的改進(jìn)可以提高生產(chǎn)效率，使得可再生能源更加經(jīng)濟(jì)高效。同時(shí)還可以提高能源使用效率，從而減少能源消費(fèi)和二氧化碳排放。再者，科學(xué)技術(shù)的進(jìn)步可以幫助發(fā)展清潔能源，從而減少二氧化碳排放。碳捕捉、存儲(chǔ)和利用技術(shù)可以使用化石燃料生產(chǎn)的二氧化碳不再排放到大氣中，從而大大降低碳排放。

（6）居民生活消費(fèi)水平：居民生活水平的提高伴隨他們對(duì)能源需求的增加，從而增加了能源消費(fèi)。隨著人民生活水平的不斷提高，人們的消費(fèi)觀念和行為有很大變化，人們不滿足于基本的消費(fèi)需求而要求高級(jí)的消費(fèi)享受，增加了對(duì)能源直接消費(fèi)量。

根據(jù)上述分析得出，能源消費(fèi)碳排放主要影響因素有經(jīng)濟(jì)、人口、產(chǎn)業(yè)結(jié)構(gòu)、能源消費(fèi)結(jié)構(gòu)、科學(xué)技術(shù)、居民生活消費(fèi)水平六個(gè)方面，為了盡可能多的分析上海市能源消費(fèi)碳排放因素，本文構(gòu)建了與以上六個(gè)方面高度相關(guān)的12個(gè)指標(biāo)，具體見表2。

2.基于Lasso模型的變量篩選

Lasso是于最小二乘上增加一個(gè)限制條件以此壓縮估計(jì)參數(shù)，而參數(shù)壓縮至低于一個(gè)閾值時(shí)將壓縮至0，這樣，通過剔除變量來完成篩選，篩選出的自變量對(duì)因變量影響相對(duì)更大。在Lasso模型中，直接決定進(jìn)入模型的變量個(gè)數(shù)，進(jìn)而影響模型回歸的準(zhǔn)確性。隨著閾值的不斷增大，本文初步選擇的12個(gè)特征變量的系數(shù)依次縮減到0，即相應(yīng)變量可從模型中剔除。其中，系數(shù)最晚縮減到0的特征變量對(duì)被解釋變量預(yù)測的重要性最強(qiáng)，反之是最弱的。為使Lasso模型的結(jié)果更加準(zhǔn)確，采用CV方法來確定的最優(yōu)取值。交叉驗(yàn)證誤差隨取值變化的曲線如圖3所示。由該圖可知，圖中黑色虛線表示當(dāng)交叉驗(yàn)證誤差最小時(shí)對(duì)應(yīng)的，該值為0.00212；同時(shí)還可以發(fā)現(xiàn)，隨著值的不斷增大，誤差也在爆發(fā)式增加。

對(duì)應(yīng)系數(shù)中，剔除掉系數(shù)為0的變量后剩余五個(gè)變量，即選出了五個(gè)對(duì)上海市碳排放總量有重要影響的變量，結(jié)果見圖4，該五個(gè)變量依次為能源結(jié)構(gòu)、第二產(chǎn)業(yè)結(jié)構(gòu)、能源強(qiáng)度、經(jīng)濟(jì)產(chǎn)出水平以及人口規(guī)模。

（三）模型訓(xùn)練與結(jié)果分析

1.模型訓(xùn)練

SVR做為SVM的分支從而被提出，SVM一般用于二分類問題，而SVR一般應(yīng)用于數(shù)據(jù)的回歸。本文所運(yùn)用的SVR模型具體步驟如下：

第一步：歸一化處理訓(xùn)練樣本中的相關(guān)歷史數(shù)據(jù)，避免由于數(shù)據(jù)量綱差異大所帶來的誤差；

第二步：將圖4的影響因素和上海市碳排放量作為模型輸入。

第三步：確定核函數(shù)及其參數(shù)，然后通過構(gòu)建目標(biāo)函數(shù)求解最優(yōu)化問題，得到反應(yīng)數(shù)據(jù)規(guī)律的回歸方程；

第四步：根據(jù)得到的回歸方程預(yù)測測試數(shù)據(jù)的碳排放量。

2.結(jié)果分析

本節(jié)同樣選擇訓(xùn)練集年份為2000—2015年數(shù)據(jù)來訓(xùn)練樣本建立支持向量機(jī)模型，測試集為2016—2020年數(shù)據(jù)用來檢驗(yàn)?zāi)Ｐ皖A(yù)測性能。對(duì)于三種常見的核函數(shù)，分別訓(xùn)練SVR模型，并調(diào)節(jié)參數(shù)。

（1）線性核函數(shù)（linear）

線性核函數(shù)沒有映射到高維度空間，所以需要調(diào)節(jié)的參數(shù)只有容忍錯(cuò)判的樣本的懲罰系數(shù)C，本文設(shè)置C的范圍是（10，50），

經(jīng)分析，發(fā)現(xiàn)當(dāng)C取12，模型預(yù)測效果最好，其中，測試集的RMSE、MAPE分別為983.4、4.1%

（2）高斯核函數(shù)（rbf）

由于該核函數(shù)存在兩個(gè)參數(shù)松弛變量C和gamma，其中C取值為（10，50），gamma取值為[0.01，0.1，0.9，1.2]。經(jīng)研究發(fā)現(xiàn)，當(dāng)本文的SVR模型采用高斯核函數(shù)時(shí)，預(yù)測結(jié)果的誤差均很大，說明rbf核函數(shù)不適用本文模型，導(dǎo)致模型預(yù)測效果很差。

（3）多項(xiàng)式核函數(shù)（poly）

該核函數(shù)同樣存在兩個(gè)參數(shù)：松弛變量C和階數(shù)，故同樣利用GridSearchCV函數(shù)進(jìn)行網(wǎng)格搜索，其中C取值為（10，20），階數(shù)取值為（1，10）。經(jīng)分析發(fā)現(xiàn)，當(dāng)C取10，階數(shù)取值為1，Lasso變量模型預(yù)測效果最好。其中，測試集的RMSE、MAPE分別為1872.31、25.7%。

綜上所述，模型參數(shù)分析過程，本文選擇SVR模型的核函數(shù)為linear，懲罰系數(shù)C為12進(jìn)行模型的構(gòu)建。SVR預(yù)測模型預(yù)測性能指標(biāo)見表3；SVR預(yù)測結(jié)果擬合曲線如圖5所示，其中相對(duì)誤差公式為：

（4）

從表3可知，對(duì)于測試樣本的均方根誤差（RMSE）為983.4，平均絕對(duì)百分比誤差（MAPE）在5%以內(nèi)，說明基于支持向量機(jī)建立的上海市碳排放預(yù)測模型誤差較低，對(duì)于小樣本線性關(guān)系逼近能力更強(qiáng)，在高維度小樣本預(yù)測方面具有顯著優(yōu)勢。

（四）碳排放預(yù)測

1.情景設(shè)定

情景分析法又叫前景描述法或腳本法，以某種趨勢和某種現(xiàn)象將持續(xù)到未來為前提，對(duì)預(yù)測對(duì)象可能出現(xiàn)的情況或引起的后果作出預(yù)測的方法。常見用來對(duì)預(yù)測對(duì)象的未來發(fā)展作出種種設(shè)想或預(yù)計(jì)，表現(xiàn)為直觀的定性預(yù)測。本文使用情景分析法，針對(duì)上海市目前的發(fā)展目標(biāo)和戰(zhàn)略，本文將對(duì)上海市2021—2035年碳排放的趨勢進(jìn)行預(yù)測，為了預(yù)測分析的簡便性和減少誤差，設(shè)定每個(gè)變量有“高速”和“低速”兩種情景，參數(shù)設(shè)置固定變化值。預(yù)測上海市碳排放在各情景下的達(dá)峰時(shí)間及峰值并對(duì)結(jié)果進(jìn)行分析。本文依據(jù)我國五年規(guī)劃來進(jìn)行年份的劃分，即以五年為一個(gè)時(shí)間段設(shè)定一個(gè)標(biāo)準(zhǔn)，每一個(gè)五年都采用相同的增長速度。第一個(gè)時(shí)間段為2021—2025年，第二個(gè)時(shí)間段為2026—2030年，一共分為兩個(gè)時(shí)間段來進(jìn)行分析；設(shè)置好時(shí)間年限后，分別對(duì)能源結(jié)構(gòu)、第二產(chǎn)業(yè)結(jié)構(gòu)、能源強(qiáng)度、經(jīng)濟(jì)產(chǎn)出水平以及人口規(guī)模進(jìn)行情景設(shè)定。

（1）能源結(jié)構(gòu)情景設(shè)定

《中共上海市委 上海市人民政府關(guān)于完整準(zhǔn)確全面貫徹新發(fā)展理念做好碳達(dá)峰碳中和工作的實(shí)施意見》中提到，到2025年，產(chǎn)業(yè)結(jié)構(gòu)和能源結(jié)構(gòu)明顯優(yōu)化，重點(diǎn)行業(yè)能源利用效率明顯提升，與超大城市相適應(yīng)的清潔低碳安全高效的現(xiàn)代能源體系和新型電力系統(tǒng)加快構(gòu)建，循環(huán)型社會(huì)基本形成，綠色低碳循環(huán)發(fā)展的經(jīng)濟(jì)體系初步建立。單位生產(chǎn)總值能源消耗比2020年下降14％，到2030年，產(chǎn)業(yè)結(jié)構(gòu)和能源結(jié)構(gòu)優(yōu)化升級(jí)取得重大進(jìn)展，重點(diǎn)行業(yè)能源利用效率達(dá)到國際先進(jìn)水平，節(jié)能低碳技術(shù)創(chuàng)新取得突破性進(jìn)展。結(jié)合歷史數(shù)據(jù)，本文設(shè)置低模式狀態(tài)下，2021—2025年上海市能源結(jié)構(gòu)增長率為9.5%，2026—2030年期間上海市能源結(jié)構(gòu)增長率為6.5%；高速發(fā)展在前基礎(chǔ)上增加3.5%。

（2）第二產(chǎn)業(yè)結(jié)構(gòu)情景設(shè)定

關(guān)于第二產(chǎn)業(yè)結(jié)構(gòu)的情景設(shè)定，查閱資料發(fā)現(xiàn)，“十三五”時(shí)期，上海工業(yè)總產(chǎn)值從33212億元提高到37053億元，平均增速2%；工業(yè)增加值從7110億元提高到9657億元，平均增速2%；2020年工業(yè)增加值占GDP比重為25%，順利完成“十三五”目標(biāo)?！笆濉逼陂g國家把戰(zhàn)略性新興產(chǎn)業(yè)的發(fā)展調(diào)整到重要位置，新興產(chǎn)業(yè)代表新一輪科技革命和產(chǎn)業(yè)變革的方向，是培育發(fā)展新動(dòng)能、獲取未來競爭新優(yōu)勢的關(guān)鍵領(lǐng)域，把戰(zhàn)略性新興產(chǎn)業(yè)擺在經(jīng)濟(jì)社會(huì)發(fā)展更加突出的位置，大力構(gòu)建現(xiàn)代產(chǎn)業(yè)新體系，推動(dòng)社會(huì)經(jīng)濟(jì)可持續(xù)健康發(fā)展。結(jié)合國家政策以及上海市自身發(fā)展本文設(shè)置低模式狀態(tài)下2021—2025年上海市第二產(chǎn)業(yè)結(jié)構(gòu)增長率為4.5%，2026—2030年期間上海市第二產(chǎn)業(yè)結(jié)構(gòu)增長率為2.8%；高速發(fā)展在前基礎(chǔ)上增加1.5%。

（3）能源強(qiáng)度情景設(shè)定

能源強(qiáng)度單位GDP的能源消耗量，它會(huì)隨著技術(shù)的改進(jìn)逐漸下降?！笆晃濉逼陂g，上海市能源強(qiáng)度年均增長率為5.8%；“十二五”期間，上海市能源強(qiáng)度年均增長率為1.3%；“十三五”期間，上海市能源強(qiáng)度年均增長率為0.35%。按照上海市發(fā)展的長遠(yuǎn)規(guī)劃，未來這一數(shù)值將繼續(xù)下降，但是會(huì)隨著技術(shù)瓶頸的出現(xiàn)表現(xiàn)出下降速度的減緩。因此在低模式狀態(tài)下2021—2025年上海市能源強(qiáng)度年平均增長率為2.5%，2026—2030年期間上海市能源強(qiáng)度年平均增長率為1%，高速發(fā)展在前基礎(chǔ)上增加1.5%。

（4）經(jīng)濟(jì)產(chǎn)出水平情景設(shè)定

上海市經(jīng)濟(jì)一直穩(wěn)中有增的發(fā)展，“十一五”期間上海市經(jīng)濟(jì)產(chǎn)出水平增長率為10%；“十二五”期間上海市經(jīng)濟(jì)產(chǎn)出水平增長率為6.6%；“十三五”期間上海市經(jīng)濟(jì)產(chǎn)出水平增長率為7.4%。因此，本文設(shè)置低模式狀態(tài)下，2021—2025年上海市經(jīng)濟(jì)產(chǎn)出水平增長率為9%，2026—2030年期間上海市經(jīng)濟(jì)產(chǎn)出水平增長率為11.5%，高速發(fā)展在低速發(fā)展基礎(chǔ)上增加3.5%。

（5）人口規(guī)模情景設(shè)定

2020年上海市常住人口約2488萬人，2001—2020年均增長率約為2.7%左右，2000—2020年上海市常住人口不斷增加但年均增長率在降低。2021年“三胎”政策開放，考慮“二孩”政策的完成結(jié)果，即設(shè)定短時(shí)間會(huì)發(fā)生一定比例的人口增長，但長時(shí)間不會(huì)有大范圍波動(dòng)；“十一五”期間上海市年平均人口增長率為3.11%，“十二五”期間上海市年平均人口增長率為0.59%，“十三五”期間上海市年平均人口增長率為0.19%?？紤]到疫情關(guān)系和政策影響，預(yù)計(jì)未來人口增長率會(huì)進(jìn)一步增長但增長速度有所下降。因此，設(shè)置低模式狀態(tài)下，2021—2025年上海市人口增長率為1.5%；2026—2030年期間上海市人口增長率為1%，高速發(fā)展在低速發(fā)展基礎(chǔ)上增加1.5%。

綜上，上海市能源消費(fèi)碳排放各影響因素情景設(shè)置有32種組合方式，選擇趨勢差異較大的四種情景，如表4所示。

（6）碳排放預(yù)測

現(xiàn)運(yùn)用SVR模型對(duì)上海市未來2021—2030年的碳排放進(jìn)行估計(jì)，主要情景設(shè)定由上述表4可知，上海市未來碳排放發(fā)展趨勢如下所示。

綜合上述情景，利用SVR模型對(duì)2021—2030年上海市能源消費(fèi)碳排放量進(jìn)行預(yù)測，發(fā)展趨勢如圖6所示。在情景2中，即未來上海市各方面都處于高速發(fā)展?fàn)顟B(tài)，能源消費(fèi)碳排放的增長速度最快，情景1中能源結(jié)構(gòu)、第二產(chǎn)業(yè)結(jié)構(gòu)、人口規(guī)模保持低速增長，能源消費(fèi)碳排放的增長速度較慢。綜上可以看出未來上海市要保持城市常住人口適度增長，轉(zhuǎn)變經(jīng)濟(jì)發(fā)展方式，使經(jīng)濟(jì)高質(zhì)量發(fā)展成為常態(tài)。

五、結(jié)論與建議

（一）結(jié)論

二氧化碳排放是造成溫室效應(yīng)的一個(gè)關(guān)鍵因素。高精度低誤差的二氧化碳排放預(yù)測對(duì)節(jié)能減排具有重要意義。本文首先基于碳排放系數(shù)測算各年份上海市碳排放量。運(yùn)用Lasso方法篩選出對(duì)上海市碳排放影響最大的因素，并搭建SVR模型，最后對(duì)2021—2030年上海市碳排放影響變量進(jìn)行情景預(yù)測再基于SVR模型對(duì)2021—2030年上海市能源消費(fèi)碳排放預(yù)測。本文主要研究結(jié)果總結(jié)如下：

本文測算了二氧化碳排放量。結(jié)果表明，上海市能源消費(fèi)總量在不斷增長，但增長速率有所下降。上海市的經(jīng)濟(jì)發(fā)展穩(wěn)定增加；人口增速逐漸趨于穩(wěn)定；2008年之前上海市主要發(fā)展第二產(chǎn)業(yè)，2008年之后上海市的發(fā)展重點(diǎn)逐漸轉(zhuǎn)移到以服務(wù)業(yè)為主的第三產(chǎn)業(yè)。

本文利用Lasso模型，分析碳排放與變量之間的關(guān)系，研究發(fā)現(xiàn)人口、經(jīng)濟(jì)發(fā)展以及能源方面因素對(duì)碳排放變化大多為正向效應(yīng)，具有促進(jìn)作用。

上海市碳排放趨勢預(yù)測。本文基于五年規(guī)劃來劃分未來的時(shí)間段設(shè)置了四種情景，基于SVR模型進(jìn)行預(yù)測分析。研究發(fā)現(xiàn)，人口規(guī)模、第二產(chǎn)業(yè)結(jié)構(gòu)以及能源結(jié)構(gòu)保持低速發(fā)展，能源消費(fèi)碳排放量較低且增速緩慢。

（二）建議

1.適度引導(dǎo)人口增長與流動(dòng)

本研究可以看出，人口規(guī)模增長對(duì)碳排放的增長起到明顯的積極影響。從國家層面而言，人口老齡化已經(jīng)是必須面對(duì)的社會(huì)問題；而要解決這一問題且保證填補(bǔ)足夠勞動(dòng)力并保障社會(huì)運(yùn)作的動(dòng)力，三胎政策已經(jīng)全面放開，人口凈增長率勢必會(huì)在一定程度上得到提升，但所帶來的碳排放走勢也務(wù)必關(guān)注，并做好系列預(yù)警機(jī)制。出生率和死亡率出現(xiàn)最大值差值時(shí)，即為人口到達(dá)峰值之時(shí)。因此，為促進(jìn)人口數(shù)量的平穩(wěn)過渡，各級(jí)計(jì)劃生育部門需負(fù)擔(dān)起職責(zé)，做好應(yīng)對(duì)的中長期規(guī)劃并確保計(jì)劃實(shí)施落地，以避免人口數(shù)量出現(xiàn)井噴式增長。減少碳排放，增加森林碳匯；通過新穎的方式方法向全社會(huì)傳達(dá)低碳環(huán)保的至關(guān)重要，來增強(qiáng)人們的社會(huì)責(zé)任感，促使居民優(yōu)先選擇低碳環(huán)保的出行方式、豐富能源使用種類等。

2.促進(jìn)經(jīng)濟(jì)穩(wěn)定發(fā)展

通過本文的研究可得，碳排放趨勢上升最主要的原因是國民人均經(jīng)濟(jì)總量的不斷增加，因此需要著重考慮這個(gè)因素。隨著周邊乃至整個(gè)中國環(huán)境的不斷變化，對(duì)經(jīng)濟(jì)發(fā)展的策略由重視速度轉(zhuǎn)變成質(zhì)量優(yōu)先。上海市若要在促進(jìn)經(jīng)濟(jì)穩(wěn)步發(fā)展的同時(shí)保證經(jīng)濟(jì)質(zhì)量，可從以下方面進(jìn)行探討：建設(shè)科技創(chuàng)新激勵(lì)平臺(tái)，使得更為廣泛的潛在創(chuàng)新主體看得到機(jī)會(huì)、收得到激勵(lì)、享受到獎(jiǎng)勵(lì)，達(dá)到壯大創(chuàng)新主體力量的目的；依據(jù)靈活的人才吸引政策來廣泛吸納專業(yè)領(lǐng)域人才，鼓勵(lì)眾扶、眾籌等新型商業(yè)模式來發(fā)展創(chuàng)新創(chuàng)業(yè)投資；依據(jù)企業(yè)市場調(diào)查驅(qū)動(dòng)的為需求，以自主研發(fā)以及高校合作研究為主多條研發(fā)途徑并存的方式，完成國家級(jí)高新區(qū)的建設(shè)，以加快科技成果轉(zhuǎn)化速度；及時(shí)調(diào)整脫實(shí)向虛的發(fā)展趨勢，保證上海市經(jīng)濟(jì)的穩(wěn)步健康發(fā)展，并形成區(qū)域經(jīng)濟(jì)穩(wěn)健發(fā)展的依托之力；推進(jìn)資源的最優(yōu)配置、實(shí)體經(jīng)濟(jì)的聚集，并以市場為主體、政策為導(dǎo)向使其逐步規(guī)模化、質(zhì)量化、水平化；精準(zhǔn)的選擇投資方向，未來戰(zhàn)略性新興產(chǎn)業(yè)、服務(wù)業(yè)、生態(tài)環(huán)境保護(hù)等行業(yè)可能為主要投資方向。

3.能源技術(shù)創(chuàng)新方面

采取清潔能源替代技術(shù)、可再生能源替代技術(shù)和新能源技術(shù)等替代技術(shù)積極應(yīng)對(duì)；依托地區(qū)人才優(yōu)勢加大資金及相關(guān)科研人才的投入，推進(jìn)理論基礎(chǔ)的研究與應(yīng)用，聚焦技術(shù)前沿，推行關(guān)鍵技術(shù)攻關(guān)，加大推進(jìn)綠色低碳技術(shù)，實(shí)現(xiàn)碳中和共性技術(shù)的普及應(yīng)用；以低碳環(huán)?？萍紕?chuàng)新體系來創(chuàng)建生態(tài)示范區(qū)，促進(jìn)綠色生產(chǎn)技術(shù)的高效產(chǎn)出，提高能源使用率，降低能耗來提高能效和減少二氧化碳排放；貫徹節(jié)能綠色環(huán)保的新思想，并加強(qiáng)國際相關(guān)技術(shù)的合作交流。

4.產(chǎn)業(yè)結(jié)構(gòu)與能源結(jié)構(gòu)方面

為創(chuàng)建低碳高效的能源體系，合理規(guī)劃綠色低碳的產(chǎn)業(yè)結(jié)構(gòu)。上海市通過大力發(fā)展節(jié)能技術(shù)、清潔能源技術(shù)等環(huán)保產(chǎn)業(yè)來提高清潔能源消費(fèi)的比重。另外，受限于再生能源的推廣受各方面限制，發(fā)展煤炭轉(zhuǎn)化和高效利用技術(shù)來推進(jìn)能源來源多樣化、品種多樣化的供給體系迫在眉睫。秉承國家戰(zhàn)略，促進(jìn)現(xiàn)行經(jīng)濟(jì)與互聯(lián)網(wǎng)、人工智能、大數(shù)據(jù)等行業(yè)的深層次融合，智能制造和能源生態(tài)是當(dāng)前生產(chǎn)模式的發(fā)展方向。同時(shí)需加速推動(dòng)風(fēng)力集中開發(fā)，加快高耗能、高污染、低產(chǎn)出企業(yè)的轉(zhuǎn)型、淘汰。地區(qū)需要結(jié)合自身優(yōu)勢選擇合適的領(lǐng)域，通過差異化發(fā)展，防止過熱投資和產(chǎn)業(yè)布局，實(shí)現(xiàn)分區(qū)域、分行業(yè)穩(wěn)步完成“雙碳”目標(biāo)的計(jì)劃，促使能源結(jié)構(gòu)實(shí)現(xiàn)綠色低碳轉(zhuǎn)型。

參考文獻(xiàn)：

[1]Bowerman N，F(xiàn)rame D，Huntingford C，et al. Reconciling cumulative and short-term targets for carbon emissions[C].EGU General Assembly Conference Abstracts.2010，12：12987.

[2]Chen Y，Zhang J.Carbon Emission Peak， Energy Consumption Peak and Their Influencing Factors：An Empirical Research on Multi-nations and China[J]. Journ al of International Trade，2015（6）： 92-100.

[3]Lester R K，F(xiàn)inan A.Quantifying the impact of proposed carbon emission red uctions on the US energy infrastructure[J]. Energy Innovation Working Paper Seri es，2009.

[4]Wang Y，Ying B I，Wang E D，et al. Scene prediction of carbon emission pe ak and emission reduction potential estimation in Chinese industry[J]. China Population Resources& Environment，2017，27（10）：131-140.

[5]卞和營，方彥軍.基于支持向量回歸的飛灰含碳量軟測量[J].熱力發(fā)電，2014，43（10）：46-50+61.

[6]曹洪剛，陳凱，佟昕.中國省域碳排放的空間溢出與影響因素研究——基于空間面板數(shù)據(jù)模型[J].東北大學(xué)學(xué)報(bào)（社會(huì)科學(xué)版），2015，17（06）：573-578+586.

[7]陳占明，吳施美，馬文博，劉曉曼，蔡博峰，劉婧文，賈小平，張明，陳洋，徐麗笑，趙晶，王思亓.中國地級(jí)以上城市二氧化碳排放的影響因素分析：基于擴(kuò)展的STIRPAT模型[J].中國人口·資源與環(huán)境，2018，28（10）：45-54.

[8]鄧小樂，孫慧.基于STIRPAT模型的西北五省區(qū)碳排放峰值預(yù)測研究[J].生態(tài)經(jīng)濟(jì)，2016，32（09）：36-41.

[9]馮梅，楊桑，鄭紫夫.碳排放影響因素的VAR模型分析——基于北京市數(shù)據(jù)[J].科學(xué)管理研究，2018，36（05）：78-81.

[10]高金賀，鄭寶珠，周偉昊，李鵬.基于GA-SVR的城市交通運(yùn)輸碳排放預(yù)測研究[J].東華理工大學(xué)學(xué)報(bào)（自然科學(xué)版），2022，45（03）：269-274.

[11]郭承龍，徐蔚藍(lán).基于STIRPAT模型的江蘇省碳排放影響因素研究[J].中國林業(yè)經(jīng)濟(jì)，2022（01）：89-93.

[12]郝佳瑩，高健.基于NSGA-Ⅱ改進(jìn)BP神經(jīng)網(wǎng)絡(luò)的建筑碳排放—碳減排預(yù)測模型[J].建筑節(jié)能，2016，44（09）：122-124.

[13]黃昕怡，吳嘉儀，林文浩，吳秋霞.基于GM（1，1）模型的江蘇省碳排放預(yù)測[J].黑龍江科學(xué)，2022，13（18）：26-28+32.

[14]柯虎，張新生，陳章政.基于二次分解BAS-LSTM的陜西省碳排放預(yù)測研究[J/OL].經(jīng)營與管理：1-14[2023-02-05].

[15]林珊珊.江蘇碳排放的數(shù)量測算及其影響因素——基于改進(jìn)STIRPAT模型的計(jì)量檢驗(yàn)[J].南通大學(xué)學(xué)報(bào)（社會(huì)科學(xué)版），2015，31（04）：9-16.

[16]劉麗輝，徐軍.基于擴(kuò)展的STIRPAT模型的廣東農(nóng)業(yè)碳排放影響因素分析[J].科技管理研究，2016，36（06）：250-255.

[17]劉賢趙，楊旭.中國碳排放影響因素的變量篩選研究——基于PLS-VIP方法[J].環(huán)境生態(tài)學(xué)，2019，1（08）：60-65.

[18]劉妍慧，栗洋.湖北省交通運(yùn)輸業(yè)碳排放測算及影響因素分解[J].統(tǒng)計(jì)與決策，2022，38（15）：88-92.

[19]渠慎寧，郭朝先. 基于STIRPAT模型的中國碳排放峰值預(yù)測研究[C]//2010中國可持續(xù)發(fā)展論壇2010年?？ㄒ唬?[出版者不詳]，2010：127-132.

[20]邵桂蘭，孔海崢，于謹(jǐn)凱，李晨.基于LMDI法的我國海洋漁業(yè)碳排放驅(qū)動(dòng)因素分解研究[J].農(nóng)業(yè)技術(shù)經(jīng)濟(jì)，2015，No.242（06）：119-128.

[21]石憶邵，唐強(qiáng)，田麗雯.上海市開發(fā)區(qū)工業(yè)碳排放演變特征及影響因素分析[J].中國科技論文，2016，11（09）：961-969+976.

[22]孫薇，張驍.基于QPSO-LSSVM算法的中國碳排放預(yù)測[J].國網(wǎng)技術(shù)學(xué)院學(xué)報(bào)，2017，20（05）：20-25.

[23]孫義，陳楠，白微.基于STIRPAT模型的吉林省碳排放驅(qū)動(dòng)因素研究[J].環(huán)境保護(hù)與循環(huán)經(jīng)濟(jì)，2020，40（06）：12-14.

[24]唐賽，付杰文，武俊麗.中國典型城市碳排放影響因素分析[J].統(tǒng)計(jì)與決策，2021，37（23）：59-63.

[25]王小燕，周思敏，徐曉莉，周四軍.基于圖結(jié)構(gòu)自適應(yīng)Lasso的碳排放權(quán)價(jià)格影響因素分析[J].統(tǒng)計(jì)與信息論壇，2022，37（04）：73-83.

[26]薛選登，馬路，溫圓月.河南省農(nóng)業(yè)碳排放量測算及影響因素研究[J].河南科技大學(xué)學(xué)報(bào)（社會(huì)科學(xué)版），2022，40（05）：40-45.

[27]閆鳳英，劉思嫻，張小平.基于PCA-BP神經(jīng)網(wǎng)絡(luò)的用地碳排放預(yù)測研究[J].西部人居環(huán)境學(xué)刊，2021，36（06）：1-7.

[28]楊克磊，張振宇.天津市碳排放預(yù)測及低碳經(jīng)濟(jì)發(fā)展對(duì)策分析——基于改進(jìn)GM（1，1）模型[J].重慶理工大學(xué)學(xué)報(bào)（自然科學(xué)），2014，28（02）：111-114.

[29]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)測及生態(tài)經(jīng)濟(jì)分析[J].生態(tài)科學(xué)，2022，41（01）：149-158.

[30]張立軍，譚冰潔.基于跡lasso模型的變量篩選方法[J].系統(tǒng)工程，2018，36（12）：127-134.

[31]張勇，張樂勤，包婷婷.安徽省城市化進(jìn)程中的碳排放影響因素研究——基于STIRPAT模型[J].長江流域資源與環(huán)境，2014，23（04）：512-517.

[32]趙慈，宋曉聰，劉曉宇，沈鵬，陳忱，劉磊.基于STIRPAT模型的浙江省碳排放峰值預(yù)測分析[J].生態(tài)經(jīng)濟(jì)，2022，38（06）：29-34.

Forecast Analysis of Carbon Emissions from Energy Consumption in Shanghai

Wu Shumin， Gao Guangkuo

（School of Management， University of Shanghai for Science and Technology，

Shanghai 200093）

Abstract：? Taking Shanghai as the research object， this paper discusses the influencing factors of carbon emissions from energy consumption in Shanghai and predicts and analyzes its future development trend， so as to provide an effective reference for Shanghai to seek the best path for carbon reduction and achieve carbon peaking and carbon neutrality. According to the energy consumption data of Shanghai， the IPCC method was used to calculate the carbon emissions of energy consumption in Shanghai from 2000 to 2020. Lasso method was used to select 5 indicators closely related to dependent variables from 12 indicators， and then simulation was carried out based on support vector machine prediction model. Finally， scenario analysis and SVR model are used to analyze the carbon emission trend of Shanghai in the next ten years， and practical and effective suggestions on energy conservation and emission reduction are put forward based on the full text analysis.

Key words： Forecast of Carbon Emissions from Energy Consumption; Lasso Model; SVR Model; Scenario Analysis