2025, Vol. 46
2. 河北地质大学自然资源资产资本研究中心, 石家庄 050031
2. Natural Resources Asset Capital Research Centre, Hebei GEO University, Shijiazhuang 050031, China
2020年9月22日, 习近平总书记在第七十五届联合国大会一般性辩论上发表讲话, 表明中国将力争于2030年前实现二氧化碳排放达到峰值, 努力争取2060年前实现碳中和[1]. 京津冀地区作为中国能源消耗、碳排放的集聚区, 及时响应国家政策, 降低碳排放量, 实现碳达峰, 是京津冀协同发展战略的根本要求[2]. 根据《京津冀蓝皮书：京津冀发展报告（2022）》调查显示京津冀城市群碳排放量呈上升趋势, 且分布不均衡. 河北各地级市碳排放强度均高于北京和天津, 一定程度上拉高了京津冀城市群整体碳排放强度[3]. 京津冀作为中国北方重要的经济增长区与能耗集聚区, 能否实现在2030年之前实现碳达峰的目标?能否在经济快速发展的同时降低碳排放, 减少环境污染?这些问题能否解决将会极大程度上影响京津冀日后发展. 基于以上背景, 本文对京津冀地区经济增长与碳排放的关系进行研究, 并对碳达峰时间进行预测. 本文分析研究影响碳排放的关键因素, 构建碳排放研究新的理论模型, 为碳排放的研究提供了新视角, 丰富与完善了碳排放研究的相关理论. 碳达峰目标的现实紧迫性, 本文对京津冀地区的碳排放量进行模拟和峰值预测, 研究分析不同情景下的碳减排潜力并给出相应的政策建议, 为京津冀地区在2030年前有计划地实现碳达峰目标提供助力, 为其发展出一条符合地区的健康、合适、高效、低耗的发展方式提供方向.
对于碳排放的相关问题一直获得众多学者的研究讨论, 其相关预测方法大致可以分为4类. 第1类为常用的STIRPAT模型, 但越来越多的研究表明单纯的线性拟合不能很好地研究碳排放的相关问题, 大多数学者[4~8]均选用了基于拓展的STIRPAT模型对研究问题进行分析. 第2类为灰色预测方法[9, 10], 苏琪等[10]将灰色预测模型与帝王蝶优化算法进行结合, 提出了一种全新的灰色-帝王蝶优化预测模型, 对天津市的碳排放与能源供需进行了预测. 第3类为系统动力学模型[11~14], 马雪薇[12]运用自上而下的系统动力学模型模拟仿真, 对2020~2040年京津冀地区的碳排放情况进行分析预测, 并探寻碳排放的优化路径, 研究结果表明京津冀地区2036年实现碳达峰. 第4类为神经网络模型[15~19], 赵金辉等[15]在对河南省碳排放量预测时, 将BP神经网络与Lasso回归进行结合建立模型, 并进行路径设计对河南省2021~2035年的碳排放量进行预测. 胡剑波等[16]基于LSTM神经网络模型预测出中国碳排放强度变化趋势, 同时为进行验证, 建立ARIMA-BP神经网络模型对碳排放强度进行直接预测. 综合对比分析发现, STIRPAT模型为线性模型, 主观性依赖较强, 对碳排放的拟合可能存在数据量过少、数据不稳定性等问题[20]. 灰色预测模型用很少的样本就能进行预测, 不考虑系统的随机性, 累计误差会导致中长期预测存在较大偏差. 系统动力学缺乏复杂环境的衡量标准, 并且需要进行多次迭代去获得理想的拟合效果. 传统的计量经济学模型对模型复杂度的刻画要明显弱于神经网络模型, 神经网络具有更高的预测精度, 但是在经济学上的解释含义远不如传统的计量经济学模型[21].
综上所述, 对于碳排放问题的相关预测方法哪种更有优势并无统一的定论. 与现有研究相比, 本文的边际贡献在于：①大部分现有学者在研究碳排放问题时, 其影响因素的确定具有很强的主观性, 并且在研究多个区域的碳排放问题时, 共用同一套影响因素, 忽略了每个地区发展的差异性. 本文选用Lasso回归变量选择的方法, 并再次回归检验, 逐步剔除不显著变量, 对所研究的每个区域差别化提取关键影响因素, 最大限度地利用信息, 减少输入数据的冗余, 有效避免以上问题. ②采用非线性拟合的神经网络模型与Lasso回归结合分析. 由于BP神经网络需要调节的参数较多, 学习过程收敛速度慢, 具有一定的主观性. 在对Lasso与BP神经网络的分析结果进行比较后, 本文选择在小样本预测上表现更加优良且调节参数只有一个并且网络的学习全部依赖数据样本的GRNN模型, 最大程度的避免人为主观假定对预测结果的影响, 具有更高的预测精度[22].
1 材料与方法 1.1 模型设定 1.1.1 脱钩模型脱钩是指经济的增长一般会带来环境压力和资源消耗的增大, 但当采取一些有效的政策和新的技术时, 可能会以较低的环境压力和资源消耗换来同样甚至更加快速的经济增长. 脱钩可以划分为弱脱钩、强脱钩和衰退性脱钩；负脱钩划分为扩张性负脱钩、强负脱钩、弱负脱钩. 其中强脱钩是实现经济低碳化发展的最理想状态；相应地强负脱钩为最不利状态. 当经济总量保持持续增长ΔGDP > 0)时, 能源碳排放的GDP弹性越小, 脱钩越显著, 即脱钩程度越高[23~25].
碳排放量与经济增长之间的脱钩关系：
|
(1) |
式中, C表示碳排放量, GDP表示生产总值, Ct+1为下一期碳排放量, Ct为当期碳排放量, GDPt+1为下一期生产总值, GDPt为当期生产总值. 根据GDP与CE的变动关系, 将其划分为6种类型：强脱钩、弱脱钩、强负脱钩、弱负脱钩、扩张性负脱钩以及衰退型脱钩. 其概念模型如图 1所示.
|
图 1 碳排放量与经济增长脱钩关系 Fig. 1 Decoupling between carbon emissions and economic growth |
其中各类脱钩意义如表 1所示.
|
表 1 各种脱钩意义 Table 1 Significance of various decouplings |
1.1.2 Lasso-GRNN神经网络的模型
Lasso方法是以缩小变量集为思想的压缩估计方法. 它通过构造一个惩罚函数, 可以将变量的系数进行压缩并使某些回归系数变为0, 从而达到变量选择的目的. 利用Lasso对变量进行筛选能将模型的复杂程度进行降低, 解决数据共线性问题, 从而避免过度拟合. 因此本文利用Lasso回归, 进行碳排放影响因素的选择[15, 26, 27].
考虑到影响碳排放的因素较多, 根据过往的研究, 本文从经济、社会、环境、能源与技术这5个角度初步选取个11最可能影响碳排放的因素, 具体因素如表 2所示[28~34].
|
|
表 2 影响碳排放的因素 Table 2 Factors influencing carbon emissions |
Lasso回归的具体内部含义是在损失函数后, 加上L1正则化, 从而进行变量选择, L1正则化如公式（2）所示：
|
(2) |
式中, m为样本个数, k为参数个数, 
广义回归神经网络（GRNN）是径向基神经网络的一种, GRNN在学习训练的过程中, 每一个样本的训练都会被存储, 因此即使是处理小样本数据时也能保证充分的训练过程, 使得数据不稳定性对网络带来的影响大大降低, 从而进行效果较好的网络预测, 符合本文的数据特征[35~38].
GRNN的网络结构上有4层, 分别是输入层、模式层、求和层和输出层. 对应网络输入：X=[x1, x2, ⋯, xn]T, 其输出为：Y=[y1y2, ⋯, yn]T.
（1）输入层 输入层仅将样本变量送入隐含层, 并不参与真正的运算.
（2）模式层 模式层神经元数目等于学习样本数目n, 各神经元对应不同的样本. 其传递函数为公式（3）.
|
(3) |
式中, σ为光滑因子, X为样本输入集；Xi为第i个神经元对应的学习样本.
（3）求和层 求和层是对模式层神经元进行求和, 有两种计算公式.
第一种：算术求和 
第二种：加权求和 
（4）输出层 输出模型结果, 神经元j对应估计结果的第j个元素为yj, 其估计值为：
|
(4) |
式中, k为输出向量的维数.
1.2 数据来源本文数据主要来源于《中国能源统计年鉴》《北京统计年鉴》《天津统计年鉴》《河北统计年鉴》以及河北生态环境厅发布的环境质量状况公报. 对于碳排放数据, 由于目前中国没有准确的计算碳排放量的计算方法, 本文选择使用IPCC排放因子法对碳排放量进行计算[39, 40]. 具体计算方法如公式（5）所示：
|
(5) |
式中, Ai为第i种能源的消费量（单位：t或者m3）, Ci为第i种能源的二氧化碳排放系数（以CO2计, 单位：kg·kg-1）. 在计算碳排放量时主要考虑：煤炭、焦炭、原油、汽油、煤油、柴油、燃料油、液化石油气和天然气这9种能源. 获得的各种能源的二氧化碳系数如表 3所示.
|
|
表 3 能源二氧化碳系数表 Table 3 Energy CO2 coefficients |
2 结果与讨论 2.1 碳排放与经济增长的脱钩分析
运用脱钩模型, 对京津冀区域碳排放与经济增长的脱钩状态进行分析, 分别用数字1~6表示：弱脱钩、扩张性负脱钩、强负脱钩、弱负脱钩、衰退型脱钩和强脱钩这6种情形, 分析结果见图 2.
|
图 2 1997~2021年京津冀碳排放与经济增长的脱钩状态 Fig. 2 Decoupling status of carbon emissions and economic growth in the Beijing-Tianjin-Hebei Region from 1997 to 2021 |
图 2显示北京碳排放与经济增长存在较强的脱钩, 在2011年之前, 主要处于弱脱钩状态, 处于经济增长, 碳排放量上升, 碳排放量增加的幅度小于经济增长幅度的状态, 2011年及以后主要处于强脱钩状态, 经济增长, 碳排放量下降的绿色经济发展状态, 经济发展不再主要依赖碳排放. 天津整体脱钩状态与北京相似, 但时间状态相对于北京后移3a. 河北碳排放与经济增长1997~2021年整体处于弱脱钩状态, 并出现了较高频次的扩张性负脱钩, 处于经济增长, 碳排放量上升, 碳排放量增加的幅度大于经济增长幅度的状态, 不利于绿色经济的发展. 综上分析, 北京与天津的经济发展有利于实现2030年碳排放达峰的规划, 河北目前的经济发展将不利于实现碳达峰规划.
2.2 基于Lasso回归的关键性因素选择初步分析京津冀经济发展与碳排放量关系的基础后研究影响碳排放的关键因素. 首先为了消除样本数据异方差的影响, 对原始碳排放数据进行对数化处理, 同时由于选取的影响因素的量纲不同, 需要对其进行标准化处理后再回归, 回归结果显示各变量的VIF值除产业结构外均大于10, 则样本存在严重的多重共线性, 因此本文选择Lasso回归筛选影响碳排放的关键因素. 通过Lasso回归, 随着惩罚力度的增加, 变量系数基本都不断减小, 会使得不重要的因素系数最终缩减为0, 被模型剔除, 对于Lasso筛选后因素大于5个的地区再次进行回归检验, 逐步剔除不显著变量, 最终得到京津冀Lasso的回归变量选择结果如表 4所示.
|
|
表 4 Lasso的回归变量选择结果1） Table 4 Results of Lasso's regression variable selection |
表 4结果显示经过Lasso回归压缩与显著性检验后, 北京的碳排放主要受经济水平、能源结构、能源消费量与经济水平影响, 天津的碳排放主要受经济水平、产业结构、城市化率、能源结构、能源消费量与电力消费量影响, 河北主要受经济水平、产业结构、能源强度、能源结构、能源消费量与森林覆盖率影响. 同时根据lasso选择关键因素后的回归结果拟合度来看, 模型拟合度均在96%以上, 说明每个地区选择的关键因素均能有效解释其地区碳排放量. 根据脱钩分析可知, 北京与天津的经济水平与碳排放已经达到很好的脱钩状态, 经济增长不再依赖碳排放, 因此北京与天津的经济水平增加已经能够较大幅度的抑制碳排放量增加, 河北的脱钩状态一般, 因此经济水平增加的抑制程度明显小于北京和天津.
2.3 Lasso-GRNN神经网络模型预测结果由于本文研究数据属于小样本数据, 若选择线性回归模型进行拟合预测, 模型预测效果可能较差, 因此选择广义回归神经网络（GRNN）非线性回归的分析方法. GRNN在样本数据较少时, 预测效果也较好. 本文将Lasso回归与GRNN进行结合, 构建Lasso-GRNN模型. 具体实现过程为：将基于Lasso回归得到的关键因素作为输入变量, 碳排放数据为输出变量. 天津、河北以1997~2017年的样本数据为训练集, 构建GRNN神经网络, 再以2018~2021年的数据为测试集；北京以1997~2020年的样本数据为训练集, 构建GRNN神经网络, 再以2021年的数据为测试集, 分别进行仿真预测, 做出京津冀3个地区全部样本的模型拟合预测如图 3所示.
|
图 3 京津冀Lasso-GRNN所有样本拟合预测结果 Fig. 3 Fitting prediction results of all samples of Lasso-GRNN in Beijing-Tianjin-Hebei Region |
GRNN需要调整的参数较少, 只有一个SPREAD参数. 在图 3拟合的仿真模型中, 北京市的SPREAD值为0.25, 天津市为0.4, 河北省为0.25. 从预测总体来看, 将训练样本与测试样本得到的预测值与真实值进行绘图比较, 可以看出预测值与真实值之间的差异非常小, 预测值与实际值几乎重合, 拟合优度为高, 平均绝对百分比误差值都很低, 预测精度高, 误差小. 说明Lasso-GRNN神经网络模型对京津冀地区碳排放量的预测效果好, 具有研究意义.
为了检验本文提出Lasso-GRNN神经网络模型对碳排放路径预测的准确性, 本文进一步构建Lasso-BP神经网络模型进行比较研究, 得到组合预测精度对比如表 5所示. 根据表 5所示结果可知, Lasso-GRNN神经网络模型碳排放预测京津冀3个省市的平均绝对误差（MAE）、均方根误差（RMSEP）、平均绝对百分比误差（MAPE）与拟合优度（R2）分析结果均优于BP神经网络的分析结果. 同时因为年份数据属于小样本数据, 若选择BP神经网络模型进行拟合预测, 则存在数据量过少、结果不稳定、过拟合等问题且BP神经网络需要调节的参数较多. 综上所述, 本文选择Lasso-GRNN神经网络模型仿真碳排放, 并进行京津冀3个地区碳达峰情景预测.
|
|
表 5 GRNN与BP神经网络预测精度对比 Table 5 Comparison of the prediction accuracy of GRNN and BP neural networks |
2.4 情景设置和参数设计 2.4.1 情景设置
选择2022年为情景预测的基期, 预测在不同情况下2035年北京、天津与河北这3个地区碳排放量变化情况. 基于样本数据以及过往文献的研究, 设置了3种情景[41~46]如下所示.
（1）基准情景 基于Lasso回归选择的影响京津冀3个地区碳排放量的关键因素, 以过往的样本数据因素的发展趋势, 计算各个影响因素的年变化率与平均5 a变化率, 结合京津冀政府相关政策规划设定每个因素的基准变化率, 预测京津冀区域未来的碳排放趋势.
（2）因素调控情景 在基准情景的前提下使得经济发展满足预期, 改变影响京津冀3个地区碳排放关键因素的变化率, 使其按照低碳趋势发展. 基于过往因素的变化率方向以及关键影响因素的不同进行调控. 以选择关键影响因素的分类进行调控, 如北京受经济水平、能源结构、能源消费量与研发强度影响, 其因素调控情景则分为经济优化情景、能源优化情景与技术优化情景, 具体操作步骤为在基准情景变化率基础上进一步单独优化每种分类因素, 具体优化强度见参数设置.
（3）综合调控情景 在因素调控情景的前提下, 综合调控所有影响京津冀地区碳排放的关键因素, 每个因素变化率的调控幅度基于因素调控情景的调控幅度进行调控, 差别调控每个地区, 使得每个地区均达到强低碳情景.
2.4.2 参数设置根据每个影响因素每5 a计算平均年变化率以及京津冀地区的相关政策与规划设定每个地区影响碳排放值的因素变化率, 设置不同的情景参数, 具体设定步骤以北京经济水平变化率为例, 北京经济水平因素2015~2020年平均变化率为7.78%, 2016~2021年平均变化率为8.79%, 在《北京市国民经济和社会发展第十四个五年规划和二〇三五年远景目标纲》中关于十四五时期地区生产总值年均增速预期性目标为5%左右, 因此本文基于现有增速与十四五规划设定北京市基准情景“十四五”期间经济水平增速为6%, “十五五”时期较“十四五”时期变化率下降0.5%, “十六五”时期继续下降0.5%, 其他因素变化率参数设定操作流程如经济水平参数一致. 因素调控情景参数设置是在基准情景参数条件下进一步优化相应的因素, 进行强优化. 综合调控情景在基准情景和因素条件的综合下, 强优化每一个因素参数. 详细参数设置值如表 6、7和8所示, 下面对每个地区的设置进行详细叙述.
|
|
表 6 北京市情景参数设置值/% Table 6 Scenario parameter settings in Beijing/% |
|
|
表 7 天津市情景参数设置值/% Table 7 Scenario parameter settings in Tianjin/% |
|
|
表 8 河北省情景参数设置值/% Table 8 Scenario parameter setting values of Hebei scenario/% |
（1）北京情景参数设置 北京基准情景参数变化值如表 6所示. 能源优化情景同时改变能源因素：能源结构与能源消费量的变化率, 经济优化情景为改变经济水平变化率, 技术优化情景为改变研发强度变化率, 上述情景其他因素变化率均保持基准情景不变. 综合调控情景, 在基准情景的情况下, 对每个因素进行改变, 改变强度基于因素调控情景. 具体变化率参数值如表 6所示.
（2）天津情景参数设置 天津基准情景参数变化值如表 7所示. 能源优化情景同时改变能源因素：能源结构、能源消费量与电力消费量的变化率, 经济优化情景为同时改变经济水平与产业结构变化率, 社会优化情景单独改变城市化率, 上述情景其他因素变化率均保持基准情景不变. 综合调控情景, 在基准情景的情况下, 对每个因素进行改变, 改变强度基于因素调控情景. 具体变化率参数值如表 7所示.
（3）河北情景参数设置 河北基准情景参数变化值如表 8所示. 能源优化情景同时改变能源强度、能源结构与能源消费量的变化率, 经济优化同时改变经济水平与产业结构的变化率, 环境优化情景单独改变森林覆盖率的变化率, 因素调控情景其他因素变化率均保持基准情景不变. 综合调控情景调控强度与天津一致, 具体变化率参数值如表 8所示.
2.5 模型预测结果与分析根据京津冀各情景参数设置, 分别调用上文所做的各地区Lasso-GRNN神经网络仿真模型对2022~2035年的碳排放量进行预测, 得到预测结果如图 4所示.
|
Region under different scenarios from 2022 to 2035 图 4 各情景下2022~2035年京津冀碳排放量变化趋势 Fig. 4 Trends in carbon emissions from the Beijing-Tianjin-Hebei |
|
and Hebei from 2022 to 2035 图 5 2022~2035年津冀碳排放量峰值详细值 Fig. 5 Detailed values of peak carbon emissions in Tianjin |
（1）对于北京在每一种情景调控下, 碳排放量都呈现逐年下降的趋势, 且综合调控情景下碳排放量的下降幅度明显高于因素调控情景下的碳排放量下降程度. 结合历史数据, 北京在2010年达到碳排放的最高点, 并一直保持稳定下降模式, 因此北京在2010年已经实现碳达峰, 该结论与既有现实相符, 碳达峰值为13 843.98万t.
（2）对于天津, 在每个情景下2022年至2025年的碳排放量有一定幅度的上升, 2025年之后均呈现出碳排放量逐年下降趋势, 2025年的社会优化情景碳排放值为19 345.4万t, 并未超过其在2013年的碳排放量值. 结合天津的历史碳排放数据可知, 若天津继续保持低碳模式发展, 2013年为天津碳排放量最大值, 实现碳达峰, 碳达峰值为21 115.48万t. 在本文的情景设置中, 天津碳排放量在2022~2025年有一定幅度的抬升, 之后呈现下降趋势, 若后续调控措施不到位, 将极有可能形成新的峰值. 因此, 天津后续要进一步优化对碳排量的调控措施. 同时观察情景分析结果可知, 在基础情景上进一步仅优化社会城市化率并不能有效降低天津市碳排放, 还会导致碳排放量升高, 对能源进行优化降低碳排放效果高过优化经济因素.
（3）对于河北, 在基准情景下, 河北省的碳达峰年份为2031年, 碳排放量峰值为92 409.5万t. 能源优化情景的碳达峰年份同样为2031年, 其峰值为92 330.5万t. 经济优化情景与环境优化情景的碳达峰年份为2030年, 峰值与基准情景下的峰值近似. 综合调控情景下的预测效果最好, 在2029年即能实现碳达峰, 且其峰值为92 402.9万t. 综上所述, 若调控得当, 河北省能够在2030年左右实现碳达峰, 若调控措施不到位, 河北省实现碳达峰的时间将会延长. 因此, 制定实施恰当的控碳措施是河北省实现碳达峰目标的关键.
3 建议为京津冀地区有效实现碳达峰目标提出以下建议：
（1）优化产业结构推动转型升级 产业结构是影响碳排放的关键因素, 观察不同情景的预测结果可以发现, 优化产业结构可以显著降低河北省与天津市的碳排放量. 优化产业结构, 尤其针对天津、河北积极发展高端制造业, 推动产业转型升级与工业绿色低碳发展, 发展科技型节能减排, 降低能源消费总量, 形成绿色低碳的现代产业体系, 实现低碳发展. 同时需要重视京津冀区域企业生产的绿色引领, 实现多个环节的低碳化, 严格能源双控, 优化用能结构.
（2）因地制宜地推动差异化低碳转型 河北省碳排放量远高于北京市与天津市, 其绿色发展远远落后于北京与天津, 需要转换河北省的经济增长方式, 以减少碳排放并促进经济发展的脱钩. 政府需要引导河北省实现产业升级, 将绿色能源与数字化、智能化相结合, 从而发展出新的经济增长模式, 实现经济增长与碳排放“脱钩”的理想状态. 天津虽然在2013年已经实现碳达峰, 但总体下降幅度过小, 容易形成反弹, 政府仍然需要注重能源政策, 大力发展清洁能源, 严格控制石油、煤炭等化石能源的使用. 北京作为碳达峰的先锋者, 可以进一步强化低碳技术, 加大对科技创新的投入, 做好先锋作用, 为京津冀的协调发展提供更大的助力.
4 结论（1）北京与天津的碳排放与经济增长基本实现强脱钩状态, 是经济发展的最优状态. 河北整体处于弱脱钩与扩张性负脱钩共存的状态, 近年来存在少数强脱钩状态, 整体经济发展状态不理想, 需要逐渐减弱其经济发展对碳排放的依赖程度, 实现强脱钩状态.
（2）经济水平、能源结构与能源消费量是影响京津冀地区碳排放的共同关键因素, 除此之外, 北京还受研发强度影响, 天津还受产业结构、城市化率、能源结构与电力消费量影响, 河北还受产业结构、能源强度、能源结构与森林覆盖率影响.
（3）无论是在基准情景、因素调控情景还是综合调控情景, 北京市已经在2010年实现碳达峰, 峰值为13 843.98万t；天津市若后续调控得当, 则2013年实现碳达峰, 峰值为21 115.48万t, 此后的碳排放量将维持在峰值以下呈现波动状态, 或者一路下行, 实现控碳目标；河北省有望在2030年左右实现碳达峰目标, 按照综合路径进行调控, 则在2029年实现碳达峰目标, 峰值为92 402.86万t. 从碳排放峰值结果来看, 河北省 > 天津市 > 北京市.
| [1] |
李俊峰. 做好碳达峰碳中和工作, 迎接低排放发展的新时代[J]. 财经智库, 2021, 6(4): 67-87, 142. Li J F. Do a good job of carbon peak and carbon neutralization to meet the new era of low emission development[J]. Financial Minds, 2021, 6(4): 67-87, 142. |
| [2] |
崔连标, 陈惠. 京津冀城市群减污降碳的时空特征及其驱动因素研究[J]. 工业技术经济, 2023, 42(6): 87-96. Cui L B, Chen H. Spatio-temporal characteristics and driving factors of pollution and carbon reduction in Beijing-Tianjin-Hebei urban agglomeration[J]. Journal of Industrial Technological Economics, 2023, 42(6): 87-96. |
| [3] | 叶堂林, 李国梁. 京津冀发展报告-2022-数字经济助推区域协同发展[M]. 北京: 社会科学文献出版社, 2022. |
| [4] |
王韶华, 赵暘春, 张伟, 等. 京津冀碳排放的影响因素分析及达峰情景预测——基于供给侧改革视角[J]. 北京理工大学学报(社会科学版), 2022, 24(6): 54-66. Wang S H, Zhao Y C, Zhang W, et al. Analysis on influencing factors of carbon emission and scenario forecast of carbon peak in Beijing-Tianjin-Hebei—A perspective of supply-side reform[J]. Journal of Beijing Institute of Technology (Social Sciences Edition), 2022, 24(6): 54-66. |
| [5] |
张亚博. 基于STIRPAT-LEAP模型的京津冀区域碳排放峰值预测[D]. 北京: 中国石油大学(北京), 2021. Zhang Y B. Prediction of carbon emissions to peak in Beijing-Tianjin-Hebei region based on STIRPAT-LEAP model[D]. Beijing: China University of Petroleum, Beijing, 2021. |
| [6] |
程余. 中国省级绿色经济发展效率评估和碳减排路径研究[D]. 上海: 上海大学, 2021. Cheng Y. Research on China's regional green economy development efficiency and carbon emissions reduction path[D]. Shanghai: Shanghai University, 2021. |
| [7] |
张江艳. 基于扩展STIRPAT模型LMDI分解的碳排放脱钩因素[J]. 环境科学, 2024, 45(4): 1888-1897. Zhang J Y. Research on carbon emission decoupling factors based on STIRPAT model and LMDI decomposition[J]. Environmental Science, 2024, 45(4): 1888-1897. |
| [8] |
陈思汝. 我国入境旅游业碳排放量多情景预测研究——基于31个省份的实证分析[D]. 成都: 西南财经大学, 2021. Chen S R. Multi scenario prediction of China's inbound tourism carbon emissions——Based on the empirical analysis of 31 Provinces[D]. Chengdu: Southwestern University of Finance and Economics, 2021. |
| [9] |
李姝晓, 童昀, 何彪. 多情景下海南省旅游业的碳达峰与碳中和预测[J]. 经济地理, 2023, 43(6): 230-240. Li S X, Tong Y, He B. Prediction of tourism carbon peak and carbon neutrality based on multiple scenarios: a case study of Hainan Province[J]. Economic Geography, 2023, 43(6): 230-240. |
| [10] |
苏琪, 王海波, 施晓辰, 等. 基于灰色预测模型的参数寻优方法及能源预测应用[J]. 南昌大学学报(理科版), 2022, 46(3): 371-378. Su Q, Wang H B, Shi X C, et al. A method and application study of optimizing key parameters of gray prediction model based on emperor butterfly algorithm[J]. Journal of Nanchang University (Natural Science), 2022, 46(3): 371-378. |
| [11] |
刘莉娜, 高峰, 曲建升, 等. 甘青地区碳减排潜力分析及绿色发展路径探讨[J]. 环境科学, 2024, 45(11): 6354-6364. Liu L N, Gao F, Qu J S, et al. Analysis of carbon emission reduction potential and discussion on the green development path in Gansu-Qinghai regions[J]. Environmental Science, 2024, 45(11): 6354-6364. |
| [12] |
马雪薇. 京津冀地区碳排放系统的模拟仿真与优化建议研究[J]. 中国商论, 2023(5): 149-151. Ma X W. A simulation study of carbon emission system in Beijing-Tianjin-Hebei Region[J]. China Journal of Commerce, 2023(5): 149-151. |
| [13] | Luo Z D. Simulation of tourism carbon emissions based on system dynamics model[J]. Physics and Chemistry of the Earth, Parts A/B/C, 2023, 129. DOI:10.1016/j.pce.2022.103346 |
| [14] | Gao J W, Pan L Y. A system dynamic analysis of urban development paths under carbon peaking and carbon neutrality targets: a case study of Shanghai[J]. Sustainability, 2022, 14(22). DOI:10.3390/su142215045 |
| [15] |
赵金辉, 李景顺, 王潘乐, 等. 基于Lasso-BP神经网络模型的河南省碳达峰路径研究[J]. 环境工程, 2022, 40(12): 151-156, 164. Zhao J H, Li J S, Wang P L, et al. A study on carbon peaking paths in Henan, China based on Lasso regression-BP neural network model[J]. Environmental Engineering, 2022, 40(12): 151-156, 164. |
| [16] |
胡剑波, 罗志鹏, 李峰. "碳达峰"目标下中国碳排放强度预测——基于LSTM和ARIMA-BP模型的分析[J]. 财经科学, 2022(2): 89-101. Hu J B, Luo Z P, Li F. Prediction of China's carbon emission intensity under the goal of carbon peak——Analysis based on LSTM and ARIMA-BP model[J]. Finance & Economics, 2022(2): 89-101. |
| [17] |
陈喜阳, 周程, 王田. 多情景视角下中国能源消费和碳达峰路径[J]. 环境科学, 2023, 44(10): 5464-5477. Chen X Y, Zhou C, Wang T. China's energy consumption and carbon peak path under different scenarios[J]. Environmental Science, 2023, 44(10): 5464-5477. |
| [18] | Chen R H, Ye M H, Li Z, et al. Empirical assessment of carbon emissions in Guangdong Province within the framework of carbon peaking and carbon neutrality: a lasso-TPE-BP neural network approach[J]. Environmental Science and Pollution Research, 2023, 30(58): 121647-121665. DOI:10.1007/s11356-023-30882-1 |
| [19] | Dai D W, Li K X, Zhao S H, et al. Research on prediction and realization path of carbon peak of construction industry based on EGM-BP model[J]. Frontiers in Energy Research, 2022, 10. DOI:10.3389/fenrg.2022.981097 |
| [20] |
刘淳森, 曲建升, 葛钰洁, 等. 基于LSTM模型的中国交通运输业碳排放预测[J]. 中国环境科学, 2023, 43(5): 2574-2582. Liu C S, Qu J S, Ge Y J, et al. LSTM model-based prediction of carbon emissions from China's transportation sector[J]. China Environmental Science, 2023, 43(5): 2574-2582. |
| [21] | Li Y, Huang S Y, Miao L, et al. Simulation analysis of carbon peak path in China from a multi-scenario perspective: evidence from random forest and back propagation neural network models[J]. Environmental Science and Pollution Research, 2023, 30(16): 46711-46726. DOI:10.1007/s11356-023-25544-1 |
| [22] | 蒋锋, 张婷, 周琰玲. 基于Lasso-GRNN神经网络模型的地方财政收入预测[J]. 统计与决策, 2018, 34(19): 91-94. |
| [23] |
苗安康, 袁越, 吴涵, 等. 中国省域碳达峰路径与政策[J]. 环境科学, 2023, 44(8): 4623-4636. Miao A K, Yuan Y, Wu H, et al. Pathway and policy for China's provincial carbon emission peak[J]. Environmental Science, 2023, 44(8): 4623-4636. |
| [24] |
滕王滕菲, 冯套柱, 郭道燕. 西北地区碳排放的驱动因素与脱钩效应研究[J]. 北京师范大学学报(自然科学版), 2023, 59(2): 260-268. Teng W T F, Feng T Z, Guo D Y. Drivers and decoupling effects of carbon emissions in Northwest China[J]. Journal of Beijing Normal University (Natural Science), 2023, 59(2): 260-268. |
| [25] |
陈四瑜, 刘晶茹, 孙光明. 基于脱钩指数的工业园区碳排放与经济发展关系[J]. 环境科学, 2023, 44(11): 6412-6420. Chen S Y, Liu J R, Sun G M. Relationship between carbon emissions and economic development of industrial parks based on decoupling index[J]. Environmental Science, 2023, 44(11): 6412-6420. |
| [26] | Yu F W, Ho W T, Wong C F J. Predicting and decarbonizing carbon emissions from building energy use in Hong Kong: A LASSO regression approach[J]. Energy for Sustainable Development, 2024, 78. DOI:10.1016/j.esd.2023.101374 |
| [27] |
刘晓蝶, 孟祥瑞, 王向前. 基于Lasso-BP神经网络模型的江苏省碳排放预测[J]. 黑龙江工业学院学报(综合版), 2021, 21(8): 60-65. Liu X D, Meng X R, Wang X Q. The prediction of carbon emission in Jiangsu Province based on Lasso-BP neural network model[J]. Journal of Heilongjiang University of Technology (Comprehensive Edition), 2021, 21(8): 60-65. |
| [28] |
黄昱杰, 刘贵贤, 薄宇, 等. 京津冀协同推进碳达峰碳中和路径研究[J]. 中国工程科学, 2023, 25(2): 160-172. Huang Y J, Liu G X, Bo Y, et al. Beijing-Tianjin-Hebei coordinated development toward the carbon peaking and carbon neutrality goals[J]. Strategic Study of CAE, 2023, 25(2): 160-172. |
| [29] |
韩楠, 罗新宇. 多情景视角下京津冀碳排放达峰预测与减排潜力[J]. 自然资源学报, 2022, 37(5): 1277-1288. Han N, Luo X Y. Carbon emission peak prediction and reduction potential in Beijing-Tianjin-Hebei region from the perspective of multiple scenarios[J]. Journal of Natural Resources, 2022, 37(5): 1277-1288. |
| [30] |
蒋昀辰, 钟苏娟, 王逸, 等. 全国各省域碳达峰时空特征及影响因素[J]. 自然资源学报, 2022, 37(5): 1289-1302. Jiang Y C, Zhong S J, Wang Y, et al. Spatio-temporal characteristics and influencing factors of carbon emission peak by province of China[J]. Journal of Natural Resources, 2022, 37(5): 1289-1302. |
| [31] |
王韶华, 刘晔, 张伟. 京津冀碳排放强度影响因素的动态效应分析及情景预测[J]. 城市问题, 2021(5): 42-51. Wang S H, Liu Y, Zhang W. Dynamic effect analysis and scenario prediction of factors influencing carbon emission intensity in Beijing, Tianjin and Hebei[J]. Urban Problems, 2021(5): 42-51. |
| [32] |
张广泰, 彭瑞, 倪平安, 等. 基于神经网络的建筑业碳排放强度预测——以京津冀为例[J]. 科技和产业, 2021, 21(9): 15-20. Zhang G T, Peng R, Ni P A, et al. Artificial neural networks for predicting the construction industry's carbon emission intensity: taking Beijing-Tianjin-Hebei as an example[J]. Science Technology and Industry, 2021, 21(9): 15-20. |
| [33] |
臧宏宽, 杨威杉, 张静, 等. 京津冀城市群二氧化碳排放达峰研究[J]. 环境工程, 2020, 38(11): 19-24, 77. Zang H K, Yang W S, Zhang J, et al. Research on carbon dioxide emissions peaking in Beijing-Tianjin-Hebei city agglomeration[J]. Environmental Engineering, 2020, 38(11): 19-24, 77. |
| [34] |
邵帅, 张曦, 赵兴荣. 中国制造业碳排放的经验分解与达峰路径——广义迪氏指数分解和动态情景分析[J]. 中国工业经济, 2017(3): 44-63. Shao S, Zhang X, Zhao X R. Empirical decomposition and peaking pathway of carbon dioxide emissions of China's manufacturing sector-Generalized Divisia index method and dynamic scenario analysis[J]. China Industrial Economics, 2017(3): 44-63. |
| [35] |
徐海萍. 基于ARIMA-GRNN模型的油井产量动态预测[J]. 世界石油工业, 2022, 29(1): 64-69. Xu H P. Dynamic prediction of oil well production based on ARIMA-GRNN model[J]. World Petroleum Industry, 2022, 29(1): 64-69. |
| [36] | Niu D X, Wang K K, Wu J, et al. Can China achieve its 2030 carbon emissions commitment? Scenario analysis based on an improved general regression neural network[J]. Journal of Cleaner Production, 2020, 243. DOI:10.1016/j.jclepro.2019.118558 |
| [37] |
吐尔逊·买买提, 丁为民, 谢建华. 基于神经网络的碳排放预测及影响因素分析[J]. 环境工程, 2017, 35(6): 156-160. Tursun M, Ding W M, Xie J H. Prediction and impact factor analysis of agricultural carbon emission based on neural network[J]. Environmental Engineering, 2017, 35(6): 156-160. |
| [38] |
陈星. 基于遗传改进广义回归神经网络的铁路货运量预测研究[D]. 大连: 大连交通大学, 2015. Chen X. Railway freight volume forecasting with a general regression neural network improved by genetic algorithm[D]. Dalian: Dalian Jiaotong University, 2015. |
| [39] |
吴琼, 马昊, 任洪波, 等. 基于LEAP模型的临港新片区中长期碳排放预测及减排潜力分析[J]. 环境科学, 2024, 45(2): 721-731. Wu Q, Ma H, Ren H B, et al. Medium and long-term carbon emission projections and emission reduction potential analysis of the Lingang Special Area based on the LEAP model[J]. Environmental Science, 2024, 45(2): 721-731. |
| [40] |
翁淑娟, 刘颍颖, 唐凤, 等. 广东省船舶二氧化碳排放驱动因素与减排潜力[J]. 环境科学, 2024, 45(1): 115-122. Weng S J, Liu Y Y, Tang F, et al. Driving forces and mitigation potential of CO2 emissions for ship transportation in Guangdong Province, China[J]. Environmental Science, 2024, 45(1): 115-122. |
| [41] |
朱婧, 刘学敏, 初钊鹏. 低碳城市能源需求与碳排放情景分析[J]. 中国人口·资源与环境, 2015, 25(7): 48-55. Zhu J, Liu X M, Chu Z P. Scenario analysis on energy demand and CO2 emission of low carbon city[J]. China Population, Resources and Environment, 2015, 25(7): 48-55. |
| [42] |
翁智雄, 马忠玉, 葛察忠, 等. 不同经济发展路径下的能源需求与碳排放预测——基于河北省的分析[J]. 中国环境科学, 2019, 39(8): 3508-3517. Weng Z X, Ma Z Y, Ge C Z, et al. Projection on energy demand and carbon emission in various economic developing pathways—A case study in Hebei province[J]. China Environmental Science, 2019, 39(8): 3508-3517. DOI:10.3969/j.issn.1000-6923.2019.08.046 |
| [43] |
王勇, 毕莹, 王恩东. 中国工业碳排放达峰的情景预测与减排潜力评估[J]. 中国人口·资源与环境, 2017, 27(10): 131-140. Wang Y, Bi Y, Wang E D. Scene prediction of carbon emission peak and emission reduction potential estimation in Chinese industry[J]. China Population, Resources and Environment, 2017, 27(10): 131-140. |
| [44] | Sun Q Q, Chen H, Long R Y, et al. Can Chinese cities reach their carbon peaks on time? Scenario analysis based on machine learning and LMDI decomposition[J]. Applied Energy, 2023, 347. DOI:10.1016/j.apenergy.2023.121427 |
| [45] | Zheng X Q, Wang J Y, Chen Y, et al. Potential pathways to reach energy-related CO2 emission peak in China: analysis of different scenarios[J]. Environmental Science and Pollution Research, 2023, 30(24): 66328-66345. DOI:10.1007/s11356-023-27097-9 |
| [46] |
杨峰, 张贵驰, 孙佶, 等. 基于LEAP模型的长三角某市碳达峰情景[J]. 环境科学, 2024, 45(1): 104-114. Yang F, Zhang G C, Sun J, et al. Study of peak carbon emission of a city in Yangtze River Delta based on LEAP model[J]. Environmental Science, 2024, 45(1): 104-114. |