环境科学  2025, Vol. 46 Issue (4): 2020-2034   PDF    
引用本文
周向红, 胡鹏程, 成鹏飞. 基于全生命周期视角的中国建筑业碳排放核算与碳达峰预测[J]. 环境科学, 2025, 46(4): 2020-2034.
ZHOU Xiang-hong, HU Peng-cheng, CHENG Peng-fei. Carbon Emission Accounting and Peak Carbon Prediction of China's Construction Industry from a Whole Life Cycle Perspective[J]. Environmental Science, 2025, 46(4): 2020-2034.
基于全生命周期视角的中国建筑业碳排放核算与碳达峰预测
周向红1,2,3, 胡鹏程1,3, 成鹏飞1,2     
1. 湖南科技大学商学院, 湘潭 411201;
2. 产业发展大数据与智能决策湖南省工程研究中心, 湘潭 411201;
3. 湖南科技大学区域经济高质量发展研究中心, 湘潭 411201
收稿日期: 2024-03-19; 修订日期: 2024-06-03
基金项目: 国家社会科学基金项目（23BGL038）
作者简介: 周向红（1981~）, 男, 博士, 副教授, 主要研究方向为碳减排、绿色供应链、决策理论及应用, E-mail：1180035@hnust.edu.cn
摘要: 碳排放核算与碳达峰预测是当前我国建筑业碳减排的前提, 也是履行碳减排责任的重要依据. 为准确刻画建筑业碳排放演变趋势, 首先采用基于全生命周期视角分阶段核算中国建筑业碳排放. 然后利用Pearson检验筛选出建筑业碳排放的影响因素, 建立STIRPAT扩展模型, 借助LMDI法对扩展模型中因素进行分解, 计算各碳排放影响因素的贡献率. 最后构建基于ASO-BP的多变量非线性回归预测模型, 结合贡献率探讨多情景下建筑业碳排放演变情况, 并从建材生产、建筑运行和建筑施工等方面分别提出政策建议. 结果表明：①小样本环境下原子搜索算法在预测精度和时间等方面优于其他传统智能算法. ②多情景下中国建筑业均在2030年实现了碳达峰, 但人口增长情景下建筑业于2031年才达到高点, 滞后于碳达峰目标. ③人口变动会导致3个阶段的碳达峰时间后移, 尤其是对运行阶段的碳达峰有显著影响.
关键词: 建筑业      碳达峰      全生命周期      碳排放      ASO-BP预测模型     
Carbon Emission Accounting and Peak Carbon Prediction of China's Construction Industry from a Whole Life Cycle Perspective
ZHOU Xiang-hong1,2,3 , HU Peng-cheng1,3 , CHENG Peng-fei1,2     
1. School of Business, Hunan University of Science and Technology, Xiangtan 411201, China;
2. Hunan Engineering Research Center for Intelligent Decision Making and Big Data on Industrial Development, Xiangtan 411201, China;
3. Research Center for High Quality Development of Regional Economy, Hunan University of Science and Technology, Xiangtan 411201, China
Abstract: Carbon emission accounting and carbon peak prediction are the prerequisites for carbon reduction in the current construction industry in China, constituting an important basis for fulfilling the responsibility of carbon reduction. To accurately depict the evolutionary trend of carbon emissions in the construction industry, the carbon emissions of the Chinese construction industry were calculated in stages, based on a full life cycle perspective. The Pearson test was used to select the factors influencing carbon emissions in the construction industry, and an extended STIRPAT model was established. The logarithmic mean Divisia index (LMDI) method was used to analyze the factors in the extended model and calculate the contribution rate of each factor influencing carbon emission. Finally, a multivariate nonlinear regression prediction model based on ASO-BP was constructed to explore the evolution of carbon emissions in the construction industry under multiple scenarios, and policy suggestions were proposed for material production, building operation, and construction. The research results showed: ① Under a small sample environment, the atom search algorithm was superior to other traditional intelligent algorithms in terms of prediction accuracy and time. ② Under multiple scenarios, the Chinese construction industry will achieve carbon peaking in 2030; however, under the current population growth scenario, the construction industry will not reach its peak until 2031, lagging behind in the carbon peaking target. ③ Population changes will lead to the postponement of carbon peaking in three stages, particularly having a considerable impact on the operational stage.
Key words: construction industry      carbon peak      full lifecycle      carbon emissions      ASO-BP prediction model     

建筑业是我国国民经济的支柱产业之一, 对经济社会发展和民生改善发挥着重要作用, 也是碳排放的主要来源. 从建筑业内部看, 自身还存在资源消耗大、污染排放高、建造方式粗放等问题推升了碳排放. 从其外部来看, 人口、经济和城镇化等多途径影响建筑业碳排放. 2022年, 中国的人口已达14.12亿, GDP达到120.47万亿元, 分别位居全球第一和第二位. 自2021年以来, 中国的城镇化率逐步提高, 2023年达到66.16%. 可见, 我国仍是一个人口众多的大国, 以及叠加了庞大的经济体量和不断走高的城镇化率. 多因素带动了房屋建筑、市政配套工程及基础设施建设等, 从而增加了碳排放. 据《中国建筑能耗研究报告（2020）》显示, 2018年建筑全过程碳排放总量占全国碳排放比例的51.3%. 在此背景下, 建筑业面临如期碳达峰的压力与挑战. 遴选建筑业碳排放影响的多变量（因素）, 探索构建基于多变量非线性的建筑业碳排放预测模型, 从宏观层面掌握建筑业全周期碳排放整体情况, 揭示我国多阶段多情景下建筑业碳排放可能的演变趋势, 为政府制定重点领域碳减排双控政策提供重要的量化分析依据, 有利于管理部门精准发力推动建筑业如期实现碳达峰目标.

近年来, 建筑业碳减排吸引了大量学者的关注, 主要包括建筑业碳排放的核算、碳排放影响因素和碳排放的预测等方面.

（1）碳排放核算研究  现有碳排放研究大多是基于宏观层面, 已经从全球、国家、区域、省市等多尺度探讨了多领域碳排放水平[1, 2]. 这些研究揭示了区域建筑能耗和碳排放总量的状况, 为政府制定碳减排政策提供依据. 有学者已从中国建筑业的宏观视角研究了碳排放核算[3~5], 也有部分学者针对我国省域的建筑业碳排放进行核算研究[6, 7]. 上述研究大部分采用了IPCC碳排放因子核算法和直接间接法对碳排放进行核算, 少数使用投入产出法进行碳核算[8, 9]. 然而, 对建筑业全生命周期的碳排放核算的研究相对较少. 苏鹏宇等[10]从微观视角核算了某建筑的全生命周期碳排放, 任晓松等[11]分析了全生命周期视角下中国建筑碳排放空间关联网络演化及影响因素. 全生命周期碳核算是建筑业碳减排绩效评估的重要依据, 由于建筑业碳排放环节多影响因素多, 还需要对于中国整体的建筑业全生命周期碳核算开展深入研究.

（2）碳排放影响因素研究  碳排放的影响因素多, 是行业碳减排的着力点, 也是碳排放研究的焦点[12, 13]. 目前, 众多国内外学者采用各种方法, 主要包括：Kaya恒等式、IPAT（impact, population, affluence, technology）模型、改进后的STIRPAT（stochastic impacts by regression on population, affluence, and technology）模型和对数平均迪氏指数分解法（LMDI, logarithmic mean divisia index）等. 其中, Kaya恒等式自1989年被提出以来[14], 已广泛应用于碳排放变化趋势的分析. 国内部分学者针对全国或某地区碳排放情况, 借助量化模型对高能耗行业的碳排放影响因素进行分析, 为碳减排提供了有针对性的措施与建议[15~17]；也有部分学者将建筑业碳排放因素分析与时空维度相结合展开研究[18, 19]. 此外, Zha等[20]利用LMDI模型探讨了中国城乡住宅的碳排放, 发现收入效应和能源密度效应分别是最大增排和减排因素. 同时, 还有一些学者运用共同前沿生产理论探讨了建筑业碳排放的影响因素, 如袁润松等[21]基于共同前沿生产理论厘定了中国建筑业碳排放的驱动因素. 然而, 使用Kaya恒等式进行LMDI分解存在一定的局限性, 为满足Kaya恒等式, 在IPAT模型LMDI分解过程中需引入新变量, 其中部分变量缺乏明确的经济学含义[22]. 针对这一问题, 后续研究基于扩展STIRPAT模型进行LMDI分解[23~25], 避免增加新变量, 也能更准确地反映研究对象的实际情况.

（3）碳排放预测研究  在实现碳达峰、碳中和目标的过程中, 碳排放预测已成为我国碳减排研究的重点之一, 如王勇等[26]预测了不同时期碳达峰对中国经济的影响. 在预测模型方面, 部分学者使用灰色模型预测了不同行业碳排放的未来趋势[27, 28], 这类模型适应样本量少的情形, 具有计算简单和检验便利等优点. 然而, 该模型存在预测精度不高等缺陷. 此外, 还有学者运用系统动力学方法预测建筑业碳排放量[29, 30], 这种方法能够发现系统各元素之间的关联与影响, 能更好地解决精度问题. 但是, 系统动力学并没有将环境作为研究的核心, 易导致有效信息丢失. 随着机器学习的广泛应用, 越来越多的应用于碳排放预测领域[31, 32]. 传统的机器学习如神经网络、支持向量机等存在一定缺陷, 如不适用小样本情形和预测精度不足等问题[33]. 为此, 有学者对优化算法进行改进[34~36], 研究发现这些模型具有更快的训练速度和更强的泛化能力. 考虑到碳排放未来变化的多样性, 已有研究设置了多种预测情景[37~39], 刻画了更多碳排放演变规律. 但对建筑业碳排放情景预测的研究相对较少.

综上所述, 现有研究对碳排放进行了广泛地讨论, 主要包括碳排放核算、碳排放影响因素和碳排放预测等方面, 为我国建筑业碳排放量化分析提供基础. 然而, 对建筑业全生命周期碳排放核算研究较少, 建筑业碳排放影响因素的筛选, 以及多情景下建筑业碳排放预测还不够深入. 因此, 本文将从碳核算、碳排放影响因素和碳排放预测等方面进行深入研究, 一是将建筑业生产、施工和运行等多阶段的碳排放纳入全生命周期核算, 运用基于全生命周期的建筑业碳排放核算方法. 二是结合建筑行业碳排放多因素影响的特点, 对STIRPAT扩展模型进行LDMI因素分解, 根据影响因素的相关性以确定预测模型变量. 三是构建一种基于ASO-BP（atom search optimization-back propagation）多变量非线性回归预测模型, 揭示我国建筑业碳排放未来走势. 本文主要边际贡献：一是采用ASO原子搜索优化算法解决BP神经网络易陷入局部最优解的缺陷, 从而改善模型的预测效果. 二是分阶段分情景探讨建筑业碳排放量的演变情况, 为我国建筑业碳减排提供决策依据. 通过本研究旨在为我国建筑业碳排放预测提供可行的方法, 有助于更好应对建筑业碳排放所带来的环境挑战.

1 材料与方法 1.1 基于全生命周期的建筑业碳排放核算方法

碳排放核算是预测的基础. 对于建筑业碳排放核算, 先要明确建筑业碳排放核算的边界. 建筑业全生命周期的碳排放来源于多个阶段：建材生产阶段、建筑建造阶段、建筑运行阶段和建筑拆除阶段. 其中, 建材生产阶段的碳排放主要指水泥、钢材以及其他物料所产生的碳排放. 建造和拆除阶段统一合称为施工阶段, 这一阶段的碳排放主要为施工维护中能源消耗所产生的碳排放. 建筑运行阶段的碳排放主要为建筑业直接能源消耗与间接能源消耗所产生的碳排放, 具体为采暖、空调、照明等维持建筑使用功能的能耗, 以及炊事、热水、家用电器、办公设备等室内活动的能耗, 在宏观统计上主要表现为第三产业和居民生活能源消费中扣除交通运输后的能耗. 建筑业碳排放结构如图 1所示.

图 1 建筑业碳排放全周期测算 Fig. 1 Full cycle measurement of carbon emissions from the construction industry

考虑建筑业的多阶段特点, 构建基于全生命周期的碳排放核算模型. 具体计算如式（1）：

(1)

式中, E为全周期建筑碳排放总量, Ea、Eb和Ec分别为建材生产、施工和运行这3个阶段的碳排放量. Mi为第i类建材的消耗量, βi为第i类建材对应的碳排放折算因子；根据能源平衡表建筑能耗拆分方法, be、bf和bg分别为建筑施工阶段中对应化石能源、电力和热力的消耗量. ce、cf和cg分别为建筑运行阶段中对应化石能源、电力和热力的消耗量；βe、βf和βg分别为化石能源、电力和热力对应的碳排放系数.

1.2 STIRPAT模型与LDMI因素分解

（1）STIRPAT模型  STIRPAT模型通常用于定量分析环境压力与人类活动、社会经济之间的关系. 在STIRPAT模型中, 环境压力（I）的影响因素被划分为人口（P）、经济（A）和技术（T）等3个方面[25]. STIRPAT模型的标准形式如式（2）：

(2)

式中, a、b、c和d为系数项, e为误差项.对式（2）两边同时取对数, 可以得到多元线性回归方程. 具体如式（3）所示.

(3)

（2）LMDI因素分解  借鉴张江艳等[17]所采用的方法, 在STIRPAT模型基础上, 设t期的碳排放量为Ct, 基准年的碳排放量为C0, 目标年的碳排放量相对于基准年的变化为ΔC, 具体计算如式（4）：

(4)

式中, ΔCP、ΔCA和ΔCT分别为P、A和T这3个因素分别引起的碳排放变化量.ΔCP、ΔCA和ΔCT表达式分别为式（5）~（7）：

(5)
(6)
(7)
1.3 基于ASO-BP碳排放预测方法

基于ASO-BP碳排放预测方法融合ASO原子搜索算法快速精准寻优和BP神经网络多重非线性回归的优点. 该方法有别于时序预测方法[40], 更多地依赖特征变量选取及其取值.

1.3.1 原子搜索优化算法

ASO原子搜索算法最初由Zhao等[41]提出并应用在地下水色散系数估算中. ASO采用了基于分子动力学原理, 阐释了原子的运动和势能函数特征, 包括无约束相互作用力的原子运动模型和几何约束力的运动模型. 在ASO搜索空间内, 每个原子的位置代表一种解, 与原子质量有关. 更优的解意味着原子具有更大的质量, 反之亦然. 群体中的原子根据距离相互吸引或排斥, 从而使得质量较轻的原子朝着质量较重的原子移动. 较重的原子加速度较小, 在局部空间中寻求更优解, 较轻的原子具有较大加速度, 在全局搜索空间中寻找可能存在的更优解.

假设原子群体中原子总数为N, 搜索空间的维度为D, 则第i个原子的位置可以表示为式（8）：

(8)

式中, 为D维空间中第i个原子的第d个位移分量.

第t次迭代中第i个原子的相互作用力可表示为公式（9）：

(9)

式中, 为在第t次迭代中第j个原子作用在第i个原子上的作用力, 其中Kbest是原子种群中的一个子集, 由具有最佳适应值所对应的K个原子组成.randj为0~1的随机数.

第t次迭代中第i个原子的几何约束力可表示为式（10）：

(10)

式中, 为第t次迭代时最佳原子的位置, λ(t) 为拉格朗日乘数.

第i个原子在第t次迭代时的加速度可表示为式（11）：

(11)

式中, mid(t)为第i个原子在第t次迭代时的质量, 可以通过目标函数适应值计算.

原子的速度和位置分别通过式（12）和式（13）进行更新.

(12)
(13)
1.3.2 BP神经网络

BP神经网络是一种采用误差逆向传播算法进行训练的多层前馈神经网络, 也是目前应用最为广泛的非线性预测模型. BP神经网络一般包括输入层、中间层（隐含层）和输出层等3层, 其中输入层可以为多个变量、输出层为预测结果, 而隐含层可以根据需要选择一层或多层. 每一层由多个神经元组成, 层与层之间的神经元通过连接函数相互连接, 从而形成多变量非线性预测模型. BP神经网络的具体结构如图 2所示.

图 2 神经网络结构 Fig. 2 Neural network structure

1.3.3 基于ASO-BP碳排放预测的计算步骤

将BP神经网络的初始权值与阈值作为ASO算法的目标函数解, BP神经网络模型误差mse作为ASO算法的目标函数. 通过寻找最低误差mse下最优初始权值与阈值, 以提高模型的泛化能力. ASO-BP预测方法的流程如图 3所示. 主要计算步骤如下.

图 3 ASO-BP流程 Fig. 3 ASO-BP flow chart

步骤1：初始化BP神经网络的权值和阈值等参数.

步骤2：初始化ASO算法的各项参数, 包括原子的速度和位置、惯性权重以及加速度常数等.

步骤3：计算种群中个体的适应度, 根据适应度不断更新原子的位置和速度, 直至得到原子的最优位置. 当达到ASO算法最大迭代次数或目标条件时, 计算终止, 得到网络权值和阈值的最优解, 更新权值和阈值. 如果未满足要求, 则继续进行寻优, 直至满足终止要求.

步骤4：计算模型的输出值与实际值之间的误差, 并根据计算所得到的误差更新网络参数, 直至误差满足阈值要求.

步骤5：不断迭代, 当达到BP神经网络最大迭代次数或目标条件时, 输出最终模型参数.

1.4 数据来源

（1）碳排放核算的基础数据来源  能源消耗数据来源于中国统计年鉴、能源平衡表以及省级二氧化碳排放达峰行动方案编制指南. 各类能源与耗材碳排放系数如表 1和表 2所示.

表 1 各类能源折算标准煤系数及碳排放系数1） Table 1 Conversion coefficient of standard coal and carbon emission coefficients of various energy sources

表 2 各类建材碳排放系数[42] Table 2 Carbon emission coefficients of various building materials

（2）训练样本中影响因素的数据来源  训练样本数据来源于1999~2020年《中国统计年鉴》《建筑业统计年鉴》, 包括人口、城镇化率、建筑业生产总值、建筑业从业人数、全国生产总值和房屋竣工面积. 具体如表 3所示.

表 3 各影响因素具体值 Table 3 Specific values of individual influencing factors

（3）预测样本中影响因素的数据来源  参考《世界人口展望报告》《十四五规划和2035年远景》等, 对未来人口、城镇化率和全国生产总值等增长率进行分阶段预测.

2 结果与分析 2.1 碳排放核算结果

通过碳排放核算方法计算出各阶段的碳排放量, 具体如图 4所示. 其中, 建材生产阶段所产生的碳排放量最高. 3个阶段的碳排放量随着年份增长而增加, 但是建材生产阶段的碳排放在2012年附近发生较大波动. 这是因为当年建材消耗量统计数据出现了大幅增长. 如2010年全国建筑业钢材消耗量为4.5亿t, 而2011年和2012年分别为6.6亿t和9.2亿t, 相比2010年分别增长了46%和102%. 同样地, 2010年全国建筑业铝材消耗量为1.7亿t, 而2011年和2012年全国建筑业铝材消耗量分别为3.8亿t和6.4亿t, 相比2010年分别增长了119%和265%. 此外, 2010年全国建筑业水泥消耗量为15.2亿t, 2011年和2012年全国建筑业水泥消耗量分别为28.4亿t和37.3亿t, 相比2010年分别增长了87%和46%. 这导致2011年和2012年建材生产能耗和碳排放的年平均增长率超过了20%.

图 4 历年各阶段建筑碳排放情况 Fig. 4 Building carbon emissions in different stages over the years

2.2 影响因素选取

为了更准确地预测中国建筑业碳排放量, 需要进一步扩展STIRPAT模型中的影响因素. 参考已有研究的成果[43], 结合建筑业的行业特点, 在STIRPAT模型中增加城镇化因素和产业相关因素等. 具体包括城镇化率(U)、人口（P）、建筑业房屋竣工面积（S）、建筑业从业人数（CP）、建筑业总产值（CG）、全国生产总值（G）、第三产业总产值（TG）、建筑业产业结构（VG）和第三产业占比（SG）.

由于2011~2014年建材统计年鉴中耗材统计数据变动较大, 以此计算得出的碳排放量出现了较大波动. 因此, 本文分别对是否采纳这4 a样本数据进行了相关性分析. 结果如表 4和表 5.

表 4 去除前建材生产阶段相关性分析1） Table 4 Correlation analysis of production stage of building materials before removal

表 5 去除后建材生产阶段相关性分析 Table 5 Correlation analysis of production stage of building materials after removal

根据表 5的结果, 可以发现在去除异常波动年份样本数据后, 变量与被解释变量之间的相关性明显增强. 因此, 去除异常波动样本数据, 减少对模型训练效果的影响. 各阶段影响因素的相关性分析结果如表 6所示.

表 6 各阶段相关性分析 Table 6 Correlation analysis of individual stages

通过表 6可以看出, 不同阶段内碳排放受相关因素的影响显著, 但不同阶段间碳排放受相关因素影响的程度存在差异. 在建筑施工阶段, 与碳排放相关性程度排名前5的因素依次为：人口（0.992）、城镇化率（0.990）、建筑从业人数（0.989）、房屋竣工面积（0.984）和建筑业总产值（0.970）. 在建筑运行阶段, 与碳排放相关性排名前5的因素依次为：全国生产总值（0.997）、建筑业生产总值（0.996）、第三产业生产总值（0.990）、城镇化率（0.990）和人口（0.987）. 在建材生产阶段, 与碳排放相关性排名前5的因素依次为：全国生产总值（0.992）、建筑业总产值（0.992）、城镇化率（0.991）、建筑从业人数（0.990）和人口（0.988）.

各阶段影响因素的相关性程度排名如表 7所示.

表 7 各阶段因素相关度排名 Table 7 Ranking of correlation degree of factors in individual stages

从表 7可知, 建筑业产业结构、第三产业占比与碳排放的相关性最低. 因此, 只考虑剔除后的7个因素变量. 利用所确定的因素, 对STIRPAT模型公式进行扩展, 于是可得式（14）：

(14)
2.3 分阶段因素贡献率分析

采用统计回归方法, 计算得到STIRPAT模型的回归系数. 为构建扩展后的STIRPAT模型, 对公式（14）两边同时取对数, 从而得到式（15）：

(15)

为避免伪回归, 对数据进行共线性分析, 具体结果如表 8所示. 结果表明各因素的VIF值均远大于10, 存在严重的共线性问题. 因此, 使用岭回归分析来解决共线性问题[43].

表 8 共线性分析结果 Table 8 Results of collinear analysis

本文使用SPSS软件进行岭回归分析. 当k=0.5时, 模型拟合度较好. 各阶段回归结果如表 9所示, 不同阶段中影响因素的回归系数均不同. 这也印证了不同阶段碳排放影响因素的驱动力具有差异性.

表 9 各阶段回归系数 Table 9 Regression coefficients of individual stages

将岭回归分析得出的各阶段因素系数代入LMDI分解式后, 可计算得到3个不同阶段下各因素的碳排放贡献率. 具体如图 5所示.

图 5 不同阶段贡献率 Fig. 5 Contribution rates of different stages

由图 5可知, 在生产、运行和施工等3个阶段中, 人口和城镇化率对碳排放影响大. 这表明建筑业的碳排放主要与人类活动和城市化进程相关. 在运行和施工阶段, 房屋竣工面积的贡献在缓慢上升, 这说明随着建筑物数量的增多, 整体碳排放也随之上升. 在生产阶段, 建筑业从业人数和房屋竣工面积的贡献率逐步下降, 这表明当建筑建设进度放缓, 其对生产阶段的碳排放影响也随之下降.

2.4 碳排放预测模型训练

（1）相关参数设定  将BP神经网络的输入层设定为7个, 隐藏层设定为5个, 输出层节点设定为1个, 学习率设定为0.01, 学习次数设定为1 000次. 将70%的数据集设置为训练样本, 30%的数据为测试样本. 在原子优化算法中, 将种群更新次数设定为50次, 种群规模设定为30个.

（2）运行过程  根据上述所设定的参数, 对模型进行训练, 原子搜索优化迭代过程如图 6所示. 各阶段测试样本中真实值与预测值的对比结果如图 7所示.

图 6 各阶段优化迭代 Fig. 6 Optimization iteration diagram for individual stages

图 7 各阶段预测效果图 Fig. 7 Prediction effect of individual stages

从图 6可以看出, 运行阶段在迭代了21次后误差降到了最低, 施工阶段和生产阶段在迭代了26次后误差达到最低. 由图 7可知, 3个阶段测试样本中真实值与预测值的误差较小, 其中运行阶段拟合效果最好.

（3）不同预测模型性能对比  为了验证ASO-BP模型的有效性与优越性, 本文选取MAE与R2两个评价指标, 将ASO-BP神经网络模型与SVM、BP和PSO-BP等模型进行对比评估. 评价指标值计算如式（16）和式（17）所示：

(16)
(17)

式中, Pi为预测值, Ti为真实值, T为均值. MAE越小说明模型预测值与实际误差越小, R2越接近1, 说明模型拟合程度越高.不同模型训练结果如表 10所示.

表 10 不同预测模型的性能对比 Table 10 Performance comparison of different prediction models

从表 10可以看出, 经过原子搜索优化过后的BP神经网络模型在3个阶段都表现出色, 预测能力优于其他模型.

2.5 建筑业碳排放预测 2.5.1 影响因素的增长率设置

建筑业碳排放预测模型包含7个输入变量, 分别为建筑业竣工面积、建筑业从业人数、建筑业生产总值、第三产业生产总值、全国生产总值、城镇化率和人口. 考虑国家政策、历史发展和相关文献研究, 各影响因素的增长率分段设定. 预测时间跨度为2021~2035年, 划分为3个时期：2021~2025年、2026~2030年和2031~2035年.

（1）人口  国家卫生健康委在《谱写新时代人口工作新篇章》中指出, 随着长期累积的人口负增长势能进一步释放, 总人口增速明显放缓, 预计在“十四五”期间将进入负增长阶段. 根据联合国《世界人口展望报告》对中国未来人口的预测, 3个阶段中的人口增长率分别设置为-0.3%、-0.4%和-0.5%.

（2）建筑业竣工面积  1999~2015年, 中国建筑业竣工面积呈现增长趋势, 但自2015年以来, 建筑业竣工面积呈现逐年下降趋势, 且下降幅度较为平稳. 根据中国建筑业协会发布的《2022年建筑业发展统计分析》, 预计2022年房屋建筑竣工面积40.55亿m3, 同比减少0.69%. 因此, 3个阶段中的建筑业竣工面积增长率分别设置为-0.49%、-0.54%和-0.59%.

（3）城镇化率  根据欧阳慧[44]的统计数据分析, “十四五”时期我国城镇化速度将整体呈现稳中趋缓的态势. 预计城镇化率年均提高0.71%. 假设“十五五”时期的城镇化率增长幅度略低于“十四五”时期的2/3. 因此, 设定3个阶段中的城镇化率分别提高0.76%、0.66%和0.56%.

（4）全国生产总值  刘哲希[45]指出, 在“十四五”时期, 中国经济面临资本和劳动等“老动力”减弱, 而“新动力”如全要素生产率（TFP）和人力资本不足的过渡期, 因此, 中国经济潜在增速将下降至5.1%左右. 《十四五”规划和2035年远景》中指出, 中国GDP的增速每年至少应该在4.7%以上. 考虑中国经济已转向高质量发展阶段, 以经济发展与生态效益为共同目标, 故推测2026~2030年GDP增长率低于2021~2025年. 因此设定3个阶段中GDP增长率分别为4.95%、4.6%和4.2%.

（5）建筑业生产总值与第三产业生产总值  根据国家发布的“十四五”规划, 建筑业总产值和第三产业年均增长率保持在合理区间. 结合历年建筑业和第三产业占全国生产总值的, 建筑业生产总值和第三产业占国内生产总值的分别为25%和54%.

（6）建筑业从业人数  2012~2018年建筑业从业人数均表现为逐年增长, 增长率上下浮动较大. 然而, 2019~2020年建筑业从业人员增长率出现负增长, 负增长率稳定在-1%~1.5%之间. 由此推测2021~2030年建筑业从业人数将继续呈现负增长趋势, 并且2025~2030年的负增长率将加快, 高于2021~2025年的负增长率. 因此, 设定3个阶段中建筑业从业人数增长率分别为-1.2%、-1.3%和-1.4%.

在上述设定下, 相关因素的增长率具体如表 11所示.

表 11 基准情景下影响因素的增长率/% Table 11 Growth rates of factors influencing carbon emissions in the baseline scenario/%

2.5.2 基准情景下建筑业碳排放预测

在基准情景下, 未来建筑业的碳排放量如表 12所示. 生产阶段、运行阶段和施工阶段分别在2030年、2022年和2021年达到峰值, 并开始逐步下降. 建筑业总排放在2028年达到峰值.

表 12 基准情景下碳排放情况1） Table 12 Carbon emissions in the baseline scenario

3 不同情景下建筑业碳排放预测分析 3.1 不同情景下因素的增长率设置

相对于基准情景, 分别设置低速发展情景和高速发展情景. 考虑近年来国内外经济形势严峻, 投资与消费增长乏力, 故设置低速发展情景. 在此情景下, 城镇化率放缓, 人口负增长要快于基准情景, GDP增速慢于基准情景, 具体各因素增长率如表 13所示（建筑业生产总值与第三产业生产总值分布按照全国生产总值的25%与54%占比计算）.

表 13 低速发展情景下影响因素的增长率/% Table 13 Growth rate of the influencing factors under the low-speed development scenario/%

在国家宏观调控下, 大力发展新质生产力, 国内经济将仍有可能保持高速发展, 故设置高速发展情景. 在此情景下, 各因素的增长率均高于基准情景, 具体各因素增长率如表 14所示.

表 14 高速发展情景影响因素增长率/% Table 14 Growth rate of the influencing factors under the high-speed development scenario/%

基于前文各因素的贡献率分析, 人口对建筑业碳排放的贡献率最高, 故单独考察人口促进情景, 以此来探讨未来人口变化对建筑业碳排放的影响. 蔡昉指出, 对人口转变的阶段性变化缺乏一致性认识, 以及对人口红利在二元经济发展中的作用亦有不同看法[46], 这也常常导致对发展阶段判断的分歧. 值得注意的是, 党的十八大以来, 我国不断放宽生育政策. 可以预见, 随着国家加大鼓励人口生育, 人口增长率将出现好转, 不利局面将得到控制. 因此, 设定人口增长率高于高速发展情景. 应指出的是, 本文不改变人口下降的事实, 仅调整人口下降的程度, 其他增长率与高速发展情景一致. 具体各因素增长率如表 15所示.

表 15 人口增长情景影响因素增长率/% Table 15 Growth rate of the situational factors influencing population growth/%

3.2 不同情景下碳排放情况及分析 3.2.1 低速情景下碳排放预测

在低速情景下, 建筑业碳排放量如表 16所示. 生产阶段的碳排放量于2029年达到峰值, 并开始逐步下降；而运行阶段和施工阶段的碳排放量在2021年同时达到峰值, 并开始逐步下降. 建筑业总排放将在2027年达到峰值.

表 16 低速情景下碳排放情况1） Table 16 Carbon emissions under the low-speed scenario

3.2.2 高速发展情景下碳排放预测

在高速发展情景下, 建筑业碳排放量如表 17所示. 生产阶段、运行阶段和施工阶段分别在2030年、2025年和2025年达到峰值, 随后开始逐步下降. 建筑业总排放在2030年达到峰值.

表 17 高速发展情景下碳排放情况1） Table 17 Carbon emissions under the rapid development scenario

3.2.3 人口增长情景下碳排放趋势预测

在人口增长情景下, 生产阶段相对高速发展情景的碳达峰延迟了2 a, 于2032年才达到峰值. 运行阶段和施工阶段分别在2030年和2025年达峰, 建筑业总体碳排放在2031年达到峰值. 具体碳排放量如表 18所示.

表 18 人口增长情景下碳排放情况1） Table 18 Carbon emissions under the population growth scenario

3.2.4 不同情景下碳排放对比分析

分阶段对比分析不同情景下碳排放情况, 具体走势如图 8所示.

图 8 各阶段不同情景碳排放量预测 Fig. 8 Prediction of carbon emissions under different stages and scenarios

（1）在运行阶段中, 人口增长情景下的碳排放在继续保持增长, 直到2030年才开始缓慢下降, 因为人口增长所带来的能源需求上升. 而在其它3种情景下, 碳排放量已在2030年之前陆续达峰, 且达峰时间与情景中的增长率正向变动. 在低速情景下, 运行阶段达峰后的碳排放下降幅度最大, 这可能是居民在经济不景气下削减日常开支、各行各业节约运营成本所致.

（2）在生产阶段中, 基准情景、高速发展情景和低速发展情景在2021~2030年期间的碳排放量以及碳排放增长趋势相似, 3种情景下生产阶段都在2030年左右达峰, 只是达峰时的碳排放量有所不同. 在人口增长情景下, 生产阶段在2021~2030年时期的碳排放增长趋势要慢于其他3个阶段, 但在2030年后仍保持增长, 直至2032年后才开始下降.

（3）在施工阶段中, 低速情景和基准情景下, 碳排放均在2021年达峰, 这也印证了中国建筑能耗发展报告中隐含碳排放在近年达峰的观点. 在高速发展情景和人口增长情景下, 施工阶段的碳排放达峰时间则推移至2025年.

（4）在建筑业总碳排放预测中, 不同情景下碳排放趋势差异随着年份的推移而增大. 其中, 低速情景和基准情景分别在2027年和2028年达峰, 但是低速情景下的达峰碳排放量要低于基准情景. 高速发展情景下碳排放达峰时间刚好是2030年, 而人口增长情景下则是在2031年才碳达峰. 前3种情景均实现了在2030年前达峰, 在人口增长情景下建筑业碳排放达峰时间滞后于双碳目标下的碳达峰目标时间, 这也预示着此情景下应加强其他因素的改善以实现减排目标.

（5）对比高速发展情景和人口增长情景可以发现, 在只有人口增长率变动的情况下, 对运行阶段的影响最大, 无论是达峰时间还是碳排放量都有较大变动. 这也说明人类活动是运行阶段碳排放的主要影响因素, 而人口变动虽然推迟了生产阶段和施工阶段的达峰时间, 但对其碳排放量的影响不大, 这也从侧面说明了我国公共基础设施与房屋建设已经越来越完善, 并且已经度过建设高峰期.

4 政策建议

（1）从生产阶段来看, 合理规划建设任务, 优化建筑业能源结构, 促进低碳发展. 前已指出, 生产阶段的碳排放主要来自钢铁和水泥的消耗, 占建筑业总排放的大部分. 因此, 要增加建筑材料的科技创新投入, 推行绿色建筑标准, 打通建筑业产业链供应链的堵点和断点, 加快绿色建材的研发和使用. 在无害化和确保质量的前提下, 因地制宜, 加大区域内建筑业与其他产业的协同, 促进工业副产品的循环利用, 减少建材生产中的碳排放. 不同能源形式有不同的碳排放强度, 使用绿色能源可以大幅减少碳排放. 对于高耗能的材料生产, 一方面要积极推进节能减排技术的开发与应用, 另一方面要充分发挥我国中西部能源结构差异, 在运输半径允许的前提下向绿色能源丰富的区域转移建筑材料产业. 通过产业链供应链上下游和不同区域联动, 促进建筑材料产业的绿色低碳发展.

（2）从运行阶段来看, 需要提高个人节能意识, 减少人为碳排放. 本研究表明, 人口是建筑业碳排放的重要影响因素之一, 建筑业碳排放会随着人口的变化而显著变化. 一是要改进人口的用能效率. 通过加强人口活动场所的节能管理, 优化供暖、通风、空调系统, 使用高效节能设备和LED照明等措施, 降低建筑的能源消耗. 二是提升居民再生能源利用. 考虑利用太阳能、风能等可再生能源, 安装屋顶光伏发电设备或道路风力发电设备, 以减少对传统能源的依赖, 降低碳排放. 三是促进数字化管理. 引入智能化建筑管理系统, 通过智能控制和监测人口活动, 实现建筑用能的精细化管理, 提高能源利用效率, 从而减少碳排放.

（3）从施工阶段来看, 需要大力推广绿色建筑方式和加强建筑材料回收再利用. 实施阶段涉及多主体协同减排, 大力推进建筑业上下游多主体协同创新, 科学评估与严控协同创新风险[47]. 加快推广新型的装配式建筑, 减少现场施工对环境的影响, 降低建筑施工阶段的碳排放, 同时提高建筑质量和效率. 倡导建筑材料的可持续利用和循环利用, 推动建筑废弃物的分类回收和资源化利用, 减少新材料的生产和运输过程中的能源消耗和碳排放. 鼓励建筑材料生产商考虑建筑材料的快速回收和资源化利用, 减少原材料开采和生产过程中的能源消耗和碳排放.

5 结论

（1）基于1999~2020年的中国统计数据, 采用全生命周期视角测算了中国建筑业碳排放量. 在1999至2020年期间, 中国建筑业碳排放量呈现出由快到慢的增长趋势.

（2）通过STIRPAT模型和相关性分析, 筛选出7个显著变量. 其中, 人口、城镇化率以及GDP的发展是促进建筑业碳排放的主要因素.

（3）以历史碳排放数据为样本数据, 对比分析了SVR、BP、PSO-BP和ASO-BP预测模型. 结果表明, 经过ASO优化后的BP神经网络预测效果优于其他模型, 更适合于建筑业碳排放预测.

（4）在4种不同情景下, 前3种情景建筑业碳排放都在2030年前实现了达峰, 其中生产阶段达峰时间最晚. 在人口增长情景下建筑业碳排放量滞后于双碳目标的达峰时间.

（5）人口变动会导致3个阶段的达峰时期向后推移, 但只对运行阶段的碳排放量峰值有显著影响, 对施工与生产阶段的碳排放量影响不大.

参考文献
[1] 沈亮, 樊涛, 慕群, 等. 基于"电—碳计算模型"碳排放核算方法评估标准体系研究[J]. 中国软科学, 2023(S1): 318-333, 340.
Shen L, Fan T, Mu Q, et al. Study on evaluation standardization system of carbon emission accounting methodology based on "Electricity-Carbon EmissionCalculation Model[J]. China Soft Science, 2023(S1): 318-333, 340.
[2] 马于清, 曹丁戈, 罗文海, 等. 基于生命周期的我国畜禽养殖业碳排放核算[J]. 中国环境科学, 2024, 44(5): 2799-2810.
Ma Y Q, Cao D G, Luo W H, et al. The evaluation of the livestock and poultry production of carbon emissions in China based on life cycle assessment[J]. China Environmental Science, 2024, 44(5): 2799-2810. DOI:10.3969/j.issn.1000-6923.2024.05.041
[3] 谢锐, 王振国, 张彬彬. 中国碳排放增长驱动因素及其关键路径研究[J]. 中国管理科学, 2017, 25(10): 119-129.
Xie R, Wang Z G, Zhang B B. Study on driving factors and critical supply chain paths of CO2 emissions in China[J]. Chinese Journal of Management Science, 2017, 25(10): 119-129.
[4] 宋金昭, 苑向阳, 王晓平. 中国建筑业碳排放强度影响因素分析[J]. 环境工程, 2018, 36(1): 178-182.
Song J Z, Yuan X Y, Wang X P. Analysis on influencing factors of carbon emission intensity of construction industry in China[J]. Environmental Engineering, 2018, 36(1): 178-182.
[5] 范建双, 周琳. 中国建筑业碳排放时空特征及分省贡献[J]. 资源科学, 2019, 41(5): 897-907.
Fan J S, Zhou L. Spatiotemporal distribution and provincial contribution decomposition of carbon emissions for the construction industry in China[J]. Resources Science, 2019, 41(5): 897-907.
[6] 姜旭朋, 张强, 赵文婷, 等. 西安高新区多情景碳达峰预测及减排路径分析[J]. 环境科学, 2024, 45(6): 3412-3420.
Jiang X P, Zhang Q, Zhao W T, et al. Multi scenario carbon peak prediction and emission reduction path analysis of Xi'an Hi-tech zone[J]. Environmental Science, 2024, 45(6): 3412-3420. DOI:10.13227/j.hjkx.202305277
[7] Shi Q W, Liang Q Q, Wang J L, et al. Dynamic scenario simulations of phased carbon peaking in China's building sector through 2030-2050[J]. Sustainable Production and Consumption, 2023, 35: 724-734.
[8] 张智慧, 刘睿劼. 基于投入产出分析的建筑业碳排放核算[J]. 清华大学学报(自然科学版), 2013, 53(1): 53-57.
Zhang Z H, Liu R J. Carbon emissions in the construction sector based on input-output analyses[J]. Journal of Tsinghua University (Science and Technology), 2013, 53(1): 53-57.
[9] 徐盈之, 邹芳. 基于投入产出分析法的我国各产业部门碳减排责任研究[J]. 产业经济研究, 2010(5): 27-35.
Xu Y Z, Zou F. Carbon reduction responsibility of China's industries based on the input-output analysis[J]. Industrial Economics Research, 2010(5): 27-35. DOI:10.3969/j.issn.1671-9301.2010.05.004
[10] 苏鹏宇, 姚恩明, 李征. 基于全生命周期的现代木结构建筑碳足迹研究[J]. 中国环境科学, 2023, 43(12): 6657-6666.
Su P Y, Yao E M, Li Z. Investigation into the carbon footprints of modern timber buildings based on life cycle assessment[J]. China Environmental Science, 2023, 43(12): 6657-6666. DOI:10.3969/j.issn.1000-6923.2023.12.041
[11] 任晓松, 李昭睿. 全生命周期视角下中国建筑碳排放空间关联网络演化及影响因素分析[J]. 环境科学, 2024, 45(3): 1243-1253.
Ren X S, Li Z R. Evolution and influencing factors of spatial correlation network of construction carbon emission in China from the perspective of whole life cycle[J]. Environmental Science, 2024, 45(3): 1243-1253. DOI:10.13227/j.hjkx.202303043
[12] 鲍健强, 苗阳, 陈锋. 低碳经济: 人类经济发展方式的新变革[J]. 中国工业经济, 2008(4): 153-160.
Bao J Q, Miao Y, Chen F. Low carbon economy: revolution in the way of human economic development[J]. China Industrial Economics, 2008(4): 153-160.
[13] 林伯强, 蒋竺均. 中国二氧化碳的环境库兹涅茨曲线预测及影响因素分析[J]. 管理世界, 2009(4): 27-36.
Lin B Q, Jiang Z J. Prediction of environmental Kuznets curve of carbon dioxide in China and analysis of influencing factors[J]. Journal of Management World, 2009(4): 27-36.
[14] Kaya Y. Impact of carbon dioxide emission control on GNP growth: Interpretation of proposed scenarios[R]. Paris. Response Strategies Working Group, IPCC, 1989.
[15] 蒋博雅, 黄宝麟, 张宏. 基于LMDI模型的江苏省建筑业碳排放影响因素研究[J]. 环境科学与技术, 2021, 44(10): 202-212.
Jiang B Y, Huang B L, Zhang H. Study on influencing factors of construction industry carbon emissions in Jiangsu province based on LMDI model[J]. Environmental Science & Technology, 2021, 44(10): 202-212.
[16] Cai L Y, Duan J L, Lu X J, et al. Pathways for electric power industry to achieve carbon emissions peak and carbon neutrality based on LEAP model: a case study of state-owned power generation enterprise in China[J]. Computers & Industrial Engineering, 2022, 170: 108334.
[17] 祁神军, 张云波. 中国建筑业碳排放的影响因素分解及减排策略研究[J]. 软科学, 2013, 27(6): 39-43.
Qi S J, Zhang Y B. Research on the influencing factors and reduction strategies of carbon emission of construction industry in China[J]. Soft Science, 2013, 27(6): 39-43.
[18] 金柏辉, 李玮, 张荣霞, 等. 中国建筑业碳排放影响因素空间效应分析[J]. 科技管理研究, 2018, 38(24): 238-245.
Jin B H, Li W, Zhang R X, et al. Spatial analysis of provincial carbon emissions in China construction industry[J]. Science and Technology Management Research, 2018, 38(24): 238-245. DOI:10.3969/j.issn.1000-7695.2018.24.034
[19] 惠明珠, 苏有文. 中国建筑业碳排放效率空间特征及其影响因素[J]. 环境工程, 2018, 36(12): 182-187.
Hui M Z, Su Y W. Spatial characteristics of carbon emission efficiency in China construction industry and its influencing factors[J]. Environmental Engineering, 2018, 36(12): 182-187.
[20] Zha D L, Zhou D Q, Zhou P. Driving forces of residential CO2 emissions in urban and rural China: an index decomposition analysis[J]. Energy Policy, 2010, 38(7): 3377-3383.
[21] 袁润松, 丰超. 基于共同前沿生产理论的中国建筑业碳排放驱动因素分解: 2000-2020年[J]. 中国人口·资源与环境, 2023, 33(1): 161-170.
Yuan R S, Feng C. Decomposition analysis of driving factors of carbon emissions in China's construction industry based on meta-frontier-production theory: 2000-2020[J]. China Population, Resources and Environment, 2023, 33(1): 161-170.
[22] 钟兴菊, 龙少波. 环境影响的IPAT模型再认识[J]. 中国人口·资源与环境, 2016, 26(3): 61-68.
Zhong X J, Long S B. Rethinking the environmental impact of the IPAT model[J]. China Population, Resources and Environment, 2016, 26(3): 61-68.
[23] 张国兴, 苏钊贤. 黄河流域交通运输碳排放的影响因素分解与情景预测[J]. 管理评论, 2020, 32(12): 283-294.
Zhang G X, Su Z X. Analysis of influencing factors and scenario prediction of transportation carbon emissions in the Yellow river basin[J]. Management Review, 2020, 32(12): 283-294.
[24] 陈占明, 吴施美, 马文博, 等. 中国地级以上城市二氧化碳排放的影响因素分析: 基于扩展的STIRPAT模型[J]. 中国人口·资源与环境, 2018, 28(10): 45-54.
Chen Z M, Wu S M, Ma W B, et al. Driving forces of carbon dioxide emission for China's cities: empirical analysis based on extended STIRPAT Model[J]. China Population, Resources and Environment, 2018, 28(10): 45-54.
[25] 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. DOI:10.13227/j.hjkx.202304203
[26] 王勇, 王恩东, 毕莹. 不同情景下碳排放达峰对中国经济的影响——基于CGE模型的分析[J]. 资源科学, 2017, 39(10): 1896-1908.
Wang Y, Wang E D, Bi Y. Impact of a peak in carbon emissions on China's economy in different situations: analysis based on CGE model[J]. Resources Science, 2017, 39(10): 1896-1908.
[27] 徐宁, 秦邱皓, 王天宇, 等. 基于自适应调节的灰色滚动预测模型及对碳排放趋势预测[J]. 控制与决策, 2023, 38(12): 3409-3417.
Xu N, Qin Q H, Wang T Y, et al. Grey rolling model based on self-adaptive adjustment and forecasting tendency of carbon emission[J]. Control and Decision, 2023, 38(12): 3409-3417.
[28] 吴振信, 石佳. 基于STIRPAT和GM(1, 1)模型的北京能源碳排放影响因素分析及趋势预测[J]. 中国管理科学, 2012, 20(S2): 803-809.
Wu Z X, Shi J. The influencing factor analysis and trend forecasting of Beijing energy carbon emission based on STIRPAT and GM(1.1)model's[J]. Chinese Journal of Management Science, 2012, 20(S2): 803-809.
[29] Huo T F, Xu L B, Feng W, et al. Dynamic scenario simulations of carbon emission peak in China's city-scale urban residential building sector through 2050[J]. Energy Policy, 2021, 159. DOI:10.1016/j.enpol.2021.112612
[30] 刘菁, 赵静云. 基于系统动力学的建筑碳排放预测研究[J]. 科技管理研究, 2018, 38(9): 219-226.
Liu J, Zhao J Y. Building carbon emissions prediction research based on system dynamics[J]. Science and Technology Management Research, 2018, 38(9): 219-226.
[31] 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.
[32] 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.
[33] 杨剑锋, 乔佩蕊, 李永梅, 等. 机器学习分类问题及算法研究综述[J]. 统计与决策, 2019, 35(6): 36-40.
Yang J F, Qiao P R, Li Y M, et al. A review of machine-learning classification and algorithms[J]. Statistics & Decision, 2019, 35(6): 36-40.
[34] 张新生, 任明月, 陈章政. 基于CEEMD-SSA-ELM方法的建筑业碳排放预测研究[J]. 生态经济, 2023, 39(10): 33-39, 88.
Zhang X S, Ren M Y, Chen Z Z. Research on carbon emission prediction of construction industry based on CEEMD-SSA-ELM method[J]. Ecological Economy, 2023, 39(10): 33-39, 88.
[35] 唐晓灵, 刘嘉敏. 基于PSO-LSTM网络模型的建筑碳排放峰值预测[J]. 科技管理研究, 2023, 43(1): 191-198.
Tang X L, Liu J M. Forecast of peak carbon emissions of buildings based on PSO-LSTM model[J]. Science and Technology Management Research, 2023, 43(1): 191-198.
[36] 徐勇戈, 宋伟雪. 基于FCS-SVM的建筑业碳排放预测研究[J]. 生态经济, 2019, 35(11): 37-41.
Xu Y G, Song W X. Carbon emission prediction of construction industry based on FCS-SVM[J]. Ecological Economy, 2019, 35(11): 37-41.
[37] 渠慎宁, 郭朝先. 基于STIRPAT模型的中国碳排放峰值预测研究[J]. 中国人口·资源与环境, 2010, 20(12): 10-15.
Qu S N, Guo Z X. Forecast of China's carbon emissions based on STIRPAT model[J]. China Population, Resources and Environment, 2010, 20(12): 10-15.
[38] 沈镭, 刘立涛, 王礼茂, 等. 2050年中国能源消费的情景预测[J]. 自然资源学报, 2015, 30(3): 361-373.
Shen L, Liu L T, Wang L M, et al. 2050 energy consumption projection for China[J]. Journal of Natural Resources, 2015, 30(3): 361-373.
[39] 刘朝, 赵涛. 中国低碳经济影响因素分析与情景预测[J]. 资源科学, 2011, 33(5): 844-850.
Liu Z, Zhao T. Influencing factors and scenario forecasting of China's low-carbon economy[J]. Resources Science, 2011, 33(5): 844-850.
[40] 胡剑波, 李潇潇, 蔡雯欣. 碳达峰目标下国家生态文明试验区碳强度预测及减排潜力研究[J]. 技术经济, 2023, 42(2): 109-120.
Hu J B, Li X X, Cai W X. Carbon intensity prediction and emission reduction potential in national ecological civilization pilot zone under the goal of carbon peak[J]. Journal of Technology Economics, 2023, 42(2): 109-120.
[41] Zhao W G, Wang L Y, Zhang Z X. A novel atom search optimization for dispersion coefficient estimation in groundwater[J]. Future Generation Computer Systems, 2019, 91: 601-610.
[42] 张春霞, 章蓓蓓, 黄有亮, 等. 建筑物能源碳排放因子选择方法研究[J]. 建筑经济, 2010(10): 106-109.
Zhang C X, Zhang B B, Huang Y L, et al. Study on choice method of energy's carbon emission factors for buildings[J]. Construction Economy, 2010(10): 106-109.
[43] 李爽, 陶东, 夏青. 基于扩展STIRPAT模型的我国建筑业碳排放影响因素研究[J]. 管理现代化, 2017, 37(3): 96-98.
[44] 欧阳慧, 李智, 李沛霖. "十四五"时期我国城镇化率变化趋势及政策含义[J]. 城市发展研究, 2021, 28(6): 1-9.
Ouyang H, Li Z, Li P L. Trend and policy implication of urbanization rate in China during the 14th five year plan period[J]. Urban Development Studies, 2021, 28(6): 1-9.
[45] 刘哲希, 陈彦斌. "十四五"时期中国经济潜在增速测算——兼论跨越"中等收入陷阱"[J]. 改革, 2020(10): 33-49.
Liu Z X, Chen Y B. Estimate of the potential growth rate of China's economy during the 14th Five-Year Plan Period and analysis on overcoming the "Middle-Income Trap"[J]. Reform, 2020(10): 33-49.
[46] 蔡昉. 人口转变、人口红利与刘易斯转折点[J]. 经济研究, 2010, 45(4): 4-13.
Cai F. Demographic transition, demographic dividend, and Lewis turning point in China[J]. Economic Research Journal, 2010, 45(4): 4-13.
[47] 周向红, 杨汝婷, 成鹏飞, 等. 大学科技城协同创新风险管理研究——二元语义信息评价方法与理论的视角[J]. 科学决策, 2023(1): 104-118.
Zhou X H, Yang R T, Cheng P F, et al. Research on risk management of collaborative innovation in university science and technology park: evaluation method and theoretical perspective of binary semantic information[J]. Scientific Decision Making, 2023(1): 104-118.