环境科学  2025, Vol. 46 Issue (6): 3461-3472   PDF    
引用本文
桂河清, 杜鑫. 基于贝叶斯模型平均与机器学习的中国省域碳达峰预测[J]. 环境科学, 2025, 46(6): 3461-3472.
GUI He-qing, DU Xin. Prediction of Carbon Peak in Chinese Provinces Based on Bayesian Model Averaging and Machine Learning[J]. Environmental Science, 2025, 46(6): 3461-3472.
基于贝叶斯模型平均与机器学习的中国省域碳达峰预测
桂河清 , 杜鑫     
聊城大学商学院,聊城 252000
收稿日期: 2024-04-12; 修订日期: 2024-07-25
基金项目: 国家社会科学基金一般项目(22BJY044)
作者简介: 桂河清（1976~）, 男, 博士, 副教授, 主要研究方向为低碳消费和区域经济, E-mail：guiheqing@126.com
摘要: 采用2005~2021年的面板数据测算了中国30个省域化石能源消费和净电力消费的碳排放,基于贝叶斯模型平均法筛选碳排放关键影响因素,运用机器学习模型预测各省域碳达峰实施方案是否能确保其2030年前实现碳达峰. 结果表明,非化石能源消费和天然气消费分别占能源消费总量的比例、第一和第三产业比例以及私人汽车拥有量5个变量是省域碳排放的关键影响因素；装袋法、随机森林、支持向量机和BP神经网络这4种机器学习模型中,BP神经网络预测中国各省域碳排放的效果最佳；如果产业结构调整和重点领域能源消费延续2017~2021年的发展趋势,各省域碳达峰实施方案提出的能源消费结构优化目标可确保北京等21个省域2030年前实现碳达峰,内蒙古等9个省域则需进一步优化能源消费结构、加强产业结构调整以及控制重点领域能源消费才能在2030年前实现碳达峰.
关键词: 碳达峰      贝叶斯模型平均(BMA)      机器学习      碳排放核算      预测     
Prediction of Carbon Peak in Chinese Provinces Based on Bayesian Model Averaging and Machine Learning
GUI He-qing , DU Xin     
School of Business, Liaocheng University, Liaocheng 252000, China
Abstract: Based on carbon emissions from consumption of fossil energy and electricity in 30 Chinese provinces from 2005 to 2021, together with key influencing factors of carbon emissions selected using Bayesian model averaging (BMA), machine learning models were used to predict whether the plans for carbon peak in each province would ensure their accomplishment of carbon peak before 2030. The results showed that five variables, namely the proportion of non-fossil energy consumption and natural gas consumption to the total energy consumption, the proportion of the primary and tertiary industries, and the ownership of private cars, were key influencing factors on provincial carbon emissions. Among the four machine learning models of bagging, random forest (RF), support vector machine (SVM), and back propagation neutral networks (BPNN), BPNN had the best performance in predicting provincial carbon emissions. If the industrial structure adjustment and energy consumed in key areas continue their trends from 2017 to 2021, the optimization targets of energy consumption structure proposed in each province's plan for carbon peak can ensure that 21 provinces such as Beijing will achieve carbon peak before 2030, while nine provinces such as Inner Mongolia need to further optimize the energy consumption structure, strengthen industrial structure adjustment, and control the amount of energy consumed in key areas to achieve carbon peak before 2030.
Key words: carbon peak      Bayesian model averaging (BMA)      machine learning      carbon emission accounting      prediction     

2020年9月,中国宣布力争2030年前实现碳达峰. 为达成该目标,2021年党中央、国务院印发了《关于完整准确全面贯彻新发展理念做好碳达峰碳中和工作的意见》与《2030年前碳达峰行动方案》两个党和国家最高级别文件,对中国碳达峰工作进行了顶层设计. 在国家统筹安排下,2022年各省域相继出台具体的碳达峰实施方案,确保本省域于2030年前顺利实现碳达峰. 上述党和国家及省级层面碳达峰相关文件的发布和实施凸显中国对碳达峰工作的高度重视以及改善生态环境质量的强大决心. 在已发布碳达峰实施方案中,各省域均将能源消费结构优化作为2030年前实现碳达峰的关键控制点并提出具体优化数量目标,如表1所示. 然而,目前鲜有研究涉及我国各省域能源消费结构调整目标是否能确保其实现碳达峰,科学研究与现实需要尚存在一定差距.

表 1 各省域非化石能源消费比例优化目标1)/% Table 1 Optimization targets for the proportion of non-fossil energy consumption in Chinese provinces/%

来自世界银行的统计数据表明,人类每年向大气排放的二氧化碳由2000年的242.8亿t增长到2020年的335.7亿t. 年碳排放不断增加导致全球环境质量恶化和气候变暖受到世界各国政府的高度重视,碳排放相关主题亦成为中外学者近些年的研究新热点[1]. 综合现有研究,与本文密切相关的前人研究成果主要包括碳排放影响因素以及2030碳达峰目标实现可行性和路径两个方面. 关于碳排放影响因素,主要包括经济发展水平[2]、产业结构[3]、对外开放程度[4]、研发投入[5]、能源消费结构[6]、城镇化水平[7]、教育[8]、消费者环保意识[9]、居民文化素质[10]、技术水平[11]、交通运输业快速发展[12]、政府环保支出[13]、工业发展[14]和生活垃圾处理[15]等. 关于2030碳达峰目标实现的可行性和路径,研究人员主要以地域为研究对象,不仅研究了中国整体的碳达峰目标及其实现路径[16],大部分已有研究则关注中国各区域,如北京[17]、广东[18]、山东[19]、江苏[20]、安徽[21]、青海[22]、宁夏[23]、福建[24]、上海[25]、中国主要城市群[26]、267个地级及以上城市[27]、长三角城市群[28]、环渤海区域[29]、黄河流域[30]、京津冀地区[31]、中部六省[32]、西北地区地[33]、民族地区[34]、南京某国家开发区[35]、上海临港新片区[36]和西安高新区[37]等；还有学者研究了中国某行业,如工业[38]、旅游业[39]、制造业[40]和农业[41]等的碳达峰及其实现路径.

与现有研究相比,本文可能的边际贡献主要体现在两个方面. 首先,基于各省域碳达峰行动方案提出的能源消费结构优化目标,采用装袋法、随机森林、支持向量机和人工神经网络等机器学习模型预测2030年前中国各省域碳排放以确定其是否达到峰值. 能源消费是碳排放的主要来源,中国将能源消费结构优化作为实现碳达峰目标的重要举措,但现有研究并未系统分析各省域提出的能源消费结构优化目标是否能促使其2030年前实现碳达峰,故各省域碳达峰实施方案的执行效果并不明确,本文弥补了这一研究不足. 其次,更加合理地测算各省域碳排放. 预测碳排放需根据各省域碳排放历史数据甄别碳排放关键影响因素. 与众多现有研究仅测算一次能源消费碳排放不同,由于中国存在大量电力跨省域输入输出且以火力发电为主,本文将各省域净电力消费纳入碳排放核算. 测算结果表明,忽视电力消费碳排放将大幅低估北京等净电力输入省域的碳排放,而内蒙古等净电力输出省域的碳排放将被高估. 因此,本文基于上述核算方法得到的各省域碳排放数据,研究结论更加可靠.

1 材料与方法 1.1 变量与数据说明

在已有研究梳理基础上,本文初步确定省域碳排放的影响因素包括：居民人均消费支出、每10万人口高等学校平均在校生数、第一和第三产业增加值各占地区生产总值的比例、进出口总值、研究与试验发展经费支出、天然气和非化石能源消费各占能源消费总量的比例、常住人口城镇化率、教育经费合计、大专及以上人口占6岁以上总人口的比例、发明专利授权数、私人汽车拥有量和旅客及货物周转量、政府环保支出、工业增加值、生活垃圾无害化处理率共18个变量. 其中,居民人均消费支出衡量各省域经济发展水平,进出口总值衡量对外开放程度,大专及以上人口占6岁以上总人口的比例衡量居民文化素质,私人汽车拥有量和旅客及货物周转量衡量交通运输业快速发展,发明专利授权数衡量技术水平,每10万人口高等学校平均在校生数作为消费者环保意识的代理变量. 初步确定的省域碳排放影响因素众多,涵盖大量碳排放影响因素研究的结论,但部分变量间高度相关,将采用如1.2.2节所示贝叶斯模型平均法(Bayesian model averaging,BMA)做进一步筛选.

以上18个变量数据来自历年《中国统计年鉴》和各省域《统计年鉴》《中国教育统计年鉴》《中国能源统计年鉴》. 省域碳排放采用《中国能源统计年鉴》数据核算得到,具体核算方法如1.2.1节所示. 省域碳排放核算、贝叶斯模型平均法和机器学习训练集及验证集所采用数据的时间跨度为2005~2021年.

1.2 研究方法 1.2.1 省域碳排放核算

联合国政府间气候变化专门委员会(IPCC)介绍了3种碳排放核算方法,其中碳排放系数法具有计算过程简单、容易普及和数据需求少等优点而成为运用最广泛的碳排放核算方法[42]. 现有研究大多采用碳排放系数法核算碳排放,但研究人员在能源类型选择和基础数据来源等方面差异明显. 有的研究仅将石油、煤炭和天然气等一次能源消费纳入碳排放核算,如李健等[43]的研究. 另有研究虽然将二次能源消费纳入碳排放核算,但能源类型较少或未细分,如邓荣荣等[44]仅核算了电力、天然气和液化石油气这3种能源消耗的碳排放. 由于各省域消耗的一次能源有些是作为中间投入品,并不全部直接产生碳排放,如煤炭用于炼焦或制气,同为煤气产品的焦炉煤气、高炉煤气和转炉煤气,它们的二氧化碳排放因子也并不相同,再加上中国省域间电力输入输出总量巨大,故碳排放核算仅考虑一次能源消费或未细分能源类型都将造成碳排放核算偏误.

本文采用研究年份的《中国能源统计年鉴》各省域能源平衡表中的数据可以排除各省域的能源中间品投入量而得到它们的能源净消费量,同时考虑了14种能源消费量并将省域间电力输入输出量纳入碳核算. 与现有大多研究相比,本文碳排放核算的基础数据更可靠,数据处理工作量较大但核算结果更加精确. 此外,本文碳排放核算方法与丁仲礼[45]院士提出的电力生产过程产生的二氧化碳排放,其“账”应该记到电力消费领域头上的观点一致.

中国各省域碳排放包括化石燃料消耗产生的碳排放以及净电力输入碳排放两部分. 其中,采用碳排放系数法核算化石燃料消耗产生的碳排放计算公式为：

(1)

式中,CE1表示化石燃料消耗产生的碳排放,j表示省域代码,i表示化石燃料代码,包括煤炭、焦炭、焦炉煤气、高炉煤气、转炉煤气、其他煤气、原油、汽油、煤油、柴油、燃料油、液化石油气、天然气和液化天然气共14种类型. Eji表示省域j第i种化石燃料的消费量. NCVi 表示第i种化石燃料的平均低位发热量. CEFi表示第i种化石燃料的二氧化碳排放因子,可由以下公式计算：

(2)

式中,CCi表示第i种化石燃料的碳含量,COFi表示第i种化石燃料的碳氧化因子.

采用碳排放系数法计算净电力输入碳排放的公式为：

(3)

式中,CE2j表示省域j的净电力输入碳排放,NECj表示省域j的净电力输入量,ECFj表示省域j的电力碳排放因子. 省域j的总碳排放为：

(4)
1.2.2 贝叶斯模型平均法

已有研究梳理表明,各地区碳排放受众多因素影响. 传统计量经济研究方法通过建立如式(5)所示面板数据模型确定稳健影响因素并估计其边际效应：

(5)

式中, X 表示由碳排放影响因素组成的向量,CO2为各省域的人均碳排放,α表示截距项,β表示待估参数组成的向量,ε表示扰动项,i和t分别表示省域和年份变量. 上述研究方法存在研究者自由度(researcher degrees of freedom)和p值黑客(p-hacking)问题[46],它指的是研究人员主观选择影响因素并追求其统计显著性. 鉴于传统计量经济研究方法存在的不足,本文采用BMA法甄别中国省域碳排放的关键影响因素. 该方法由Leamer提出,主要用于解决数据丰富条件下的模型不确定问题；其核心思想是根据已有观测结果,采用贝叶斯原则更新先验信念并计算所有可能模型中基于条件估计的加权平均估计系数[47].

BMA法参数估计的基本原理如下. 根据贝叶斯估计思想,给定样本条件下待估参数的后验分布可表示为：

(6)

式中,β表示待估参数,y和k分别表示观测样本和自变量数量,Mj表示2k个模型中的任一模型. P(Mj|y)表示模型Mj的后验概率,可采用式(7)估计：

(7)

式中,P(Mi)表示模型Mi的先验概率,P(y|Mj)表示模型Mj的边缘似然(marginal likelihood),采用式(8)表示：

(8)

基于式(6)、(7)和(8)可计算待估参数的后验平均系数和后验方差,如式(9)和式(10)所示：

(9)
(10)

BMA法采用后包含概率(posterior inclusion probability,PIP)评价自变量x的重要性：

(11)

Kass等[48]提出的经验准则是,当PIP小于50%时,表示无有效证据表明该变量对因变量具有重要影响；介于50%~75%之间时,表示有弱证据；介于75%~95%之间时,表示有积极证据；介于95%~99%之间时,表示有强证据；大于99%表示有非常强证据.

1.2.3 机器学习模型

BMA法筛选出影响中国省域碳排放的重要因素后,本文比较装袋法、随机森林、支持向量机和人工神经网络这4种机器学习模型的预测效果,采用效果最佳的模型预测各省域2030年前的碳排放以判断其2030年前是否能实现碳达峰.

随机森林(random forest,RF)是在装袋法(bagging)的基础上,由Breiman[49]于2001年提出的利用多颗决策树训练样本并进行预测的机器学习模型. 装袋法采用自助法从训练样本中有放回地抽样N次,得到N个自助样本. 将所有自变量作为分裂变量,每个自助样本可估计一颗决策树. 之后根据测试样本进行预测可得到N组因变量的预测值,将预测值的均值作为装袋法的最终预测值. 最后采用最小均方误差(mean square error,MSE)或最小平均绝对误差(mean absolute error,MAE)等准则评价预测效果. 与装袋法不同的是,随机森林仅将部分自变量作为分裂变量,以降低决策树间的相关性并提高预测效果.

支持向量机(support vector machine,SVM)由Cortes等[50]提出,其基本思想是通过寻找最优分离超平面将两类数据分开. SVM特别适合变量很多数据的分类,因为在高维空间中更容易用超平面分离. SVM最初仅适用于分类问题,后来推广到回归问题,即所谓的支持向量回归(support vector regression,SVR). SVR的基本思想是将SVM的合页损失函数移植到回归问题,也正是基于该原因,SVR在小样本、非线性和高维问题中有较大优势[51]. 除最优化算法不同之外,采用SVR预测的步骤和效果评价准则与随机森林基本相同.

人工神经网络(artificial neutral networks,ANN)通过模仿大脑的工作方式进行预测,其结构通常包括输入层、隐含层和输出层三部分. 训练人工神经网络一般采用梯度下降法,反向传播算法(back-propagation algorithm)是最常用计算梯度向量的方法：向输入层输入训练样本,通过误差反向传播(error back propagation)对网络偏差进行调整和训练,使输出值与期望值之差尽可能小. 通用近似定理[52]表明,人工神经网络通过非线性函数的持续拟合能够任意接近有界闭集上的连续函数,因此人工神经网络特别适合回归问题预测. 除最优化算法不同之外,采用人工神经网络预测的步骤和效果评价准则也与随机森林基本相同. 人工神经网络包括多种类型,本文构建的是BP神经网络(back propagation neutral networks,BPNN)预测模型.

2 结果与讨论 2.1 碳排放现状分析

采用1.2.1节所述碳排放核算方法可得到中国30个省域2005~2021年的碳排放(中国香港、澳门、台湾和西藏资料暂缺). 在该时间段,北京的碳排放总体呈倒U型,但2015~2021年间相对稳定,基本在1.2亿t上下小幅波动. 天津的碳排放除个别年份小幅回落外,总体上持续增加,由2005年的1亿t上升到2021年的1.84亿t. 2005~2013年,河北的碳排放持续增加,此后4 a小幅下降,2018年后再次较快增长,2021年达到11.26亿t. 山西的碳排放在核算时间段内增长了1.14倍,内蒙古则增长了2.54倍. 辽宁2005年的碳排放为3.33亿t,2018年为6.17亿t,此后几年小幅波动,变动较小. 吉林和黑龙江两省域碳排放的增速相对平缓,可能与它们在此期间的经济发展相对缓慢导致能源消费增幅不大有关. 上海2005年的碳排放为1.82亿t,2013年后基本维持在2.4亿t左右,增速较小. 江苏的碳排放由2005年的4.21亿t增长到2021年的9.8亿t,且除个别年份小幅下降外,一直呈增长趋势. 浙江2005年的碳排放为2.7亿t,2011年突破4亿t,之后小幅增长.

安徽的碳排放由2005年的1.73亿t增长到2021年的3.97亿t,同期福建的碳排放由1.34亿t增长到2.55亿t. 江西2005年的碳排放为1亿t,2013年突破2亿t,2021年则达到2.7亿t. 山东2005~2021年的碳排放由5.83亿t增长到10.66亿t,除少数年份有所下降外,长期较快增长的趋势明显. 河南2005年的碳排放为3.31亿t,2021年增长到5.45亿t. 2005~2021年,湖北和湖南两省域的碳排放分别由1.58亿t和1.92亿t增长到3.20亿t和3.43亿t. 广东既是经济强省,也是碳排放大省,其2005年的碳排放为3.81亿t,2011年快速增长到6.13亿t,此后增速明显降低,2021年则为7.39亿t. 广西碳排放的基数较低,但增速较快,由2005年的1.05亿t增长到2021年的2.88亿t. 海南一直是30个省级行政区中碳排放最低的省域,但在核算时间段内,碳排放亦快速增加,由0.16亿t增加到0.42亿t. 重庆2012年前的碳排放增长较快,之后的增速显著趋缓,碳排放基本维持在1.7亿~1.8亿t之间.

得益于充沛水资源的有效开发和利用,2005~2021年间,四川的碳排放由1.73亿t缓慢增加到2.29亿t,云南则由1.41亿t缓慢下降为1.18亿t. 贵州的碳排放波动增长,由2005年的1.58亿t上升到2021年的2.45亿t. 陕西的碳排放由2005年的1.08亿t快速增加到2012年的2.51亿t,此后增速明显趋缓,2021年为2.77亿t. 甘肃的碳排放总量较低,但除个别年份外,始终呈增长趋势,由2005年的0.88亿t增加到2021年的1.58亿t. 青海可再生能源丰富且人口稀少,2005年的碳排放仅为0.21亿t,2021年增加到0.47亿t. 宁夏和新疆两省域的煤炭资源丰富,能源消费结构中煤炭占比高,碳排放增长较快,分别由2005年的0.54亿t和1.09亿t增加到2021年的1.64亿t和4.62亿t.

本文各省域的碳排放核算考虑了省域间电力输入输出,与忽视二次能源消费相比,多个省域的碳排放发生了显著变化. 如北京2021年化石能源消费的碳排放仅为0.79亿t,加上外省净输入电力消费的碳排放则上升至1.23亿t；山西2021年化石能源消费的碳排放为6.77亿t,减去电力净输出的碳排放则下降为6.05亿t.

2.2 省域碳排放影响因素筛选

采用BMA法综合262 144个模型的回归结果,筛选出中国省域碳排放的主要影响因素如表2所示.

表 2 基于BMA法的碳排放影响因素(2005~2021年) Table 2 Determinants of carbon emissions based on BMA approach (2005-2021)

参照Kass等[48]提出的经验准则,由表2可以得出,有非常强的证据表明变量fossil、gas、tertrate和lcar对省域碳排放具有重要影响,有积极证据表明变量first对省域碳排放具有重要影响,仅有弱证据表明变量ledufund对省域碳排放具有重要影响. ltourist等12个变量的后包含概率均低于0.2,表明没有有效证据显示它们对省域碳排放具有重要影响. 上述结果表明,BMA法筛选出中国省域碳排放的主要影响因素有fossil、gas、tertrate、lcar和first共5个.

从影响方向和程度看,其他因素不变条件下平均来讲,非化石能源消费占能源消费总量的比例每上升1%,省域碳排放将下降2.52%；天然气消费占能源消费总量的比例每上升1%,省域碳排放将下降1.6%；第三产业增加值占地区生产总值的比例每上升1%,省域碳排放将下降0.83%；私人汽车拥有量每上升1%,省域碳排放将上升0.357 5%；第一产业增加值占地区生产总值的比例每下降1%,省域碳排放将下降1.13%.

社会生产生活消耗能源是碳排放的根源,从一般意义上分类,碳排放包括生产端碳排放和生活端碳排放(也叫消费端碳排放). 当能源消费总量(通常以标准煤数量衡量)一定时,由于各种能源的发热量和碳排放系数存在显著差异,故碳排放与能源消费结构密切相关. 本文采用BMA法筛选出中国省域碳排放的5个主要影响因素中,fossil和gas属于能源消费结构变量,tertrate和first属于生产端碳排放变量,lcar则体现生活端碳排放. 筛选出的5个变量能够比较全面反映中国各省域的碳排放来源,且有效避免了研究者自由度和p值黑客问题. 此外,由于非化石能源消费(如水电、太阳能和风能等)的碳排放趋近于0,天然气的热效率显著高于煤炭,因此fossil和gas两变量的后验平均系数应为负且前者的绝对值高于后者. 第三产业的能耗强度通常低于第二产业,居民扩大汽车消费将导致能源需求增加,因此变量tertrate的后验平均系数应为负,而lcar则应为正. 以上理论分析与表2所示模型回归结果一致,进一步表明BMA法筛选出的变量合理.

2.3 省域碳排放预测模型选择

将30个省域2005~2021年由人均碳排放的自然对数、fossil、gas、tertrate、lcar和first 共6个变量构成的面板数据随机分为各包含11 a和6 a的两组,前者作为训练集,后者作为测试集. 基于训练集采用装袋法和随机森林训练数据,通过训练后得到的模型能够预测测试集中各省域人均碳排放的自然对数值,将预测值与各省域碳排放实际值的自然对数值比较,得到如表3所示的MSE和MAE. 由于线性回归也是一种常用的变量值预测法[53],本文将采用面板固定效应模型的预测结果也置于表2,以便同装袋法和随机森林的预测结果比较. 其中,装袋法(1)和随机森林(1)中树木数量设置为10 000颗,对应的MSE和MAE为第10 000次循环的结果. 装袋法(2)和随机森林(2)中树木数量为10 000颗以内使MSE最小值时的数量,对应的MSE和MAE为树木数量取该值时的结果. 装袋法将所有自变量作为决策树的分裂变量,随机森林则根据袋外误差最小原则确定分裂变量数量.

表 3 装袋法、随机森林和线性回归的预测结果 Table 3 Prediction results of bagging, random forest (RF), and linear regression

以上树木数量设置的依据是,如果装袋法(1)和装袋法(2)的结果相同,表明设置10 000颗树不合理,需要增加树木数量；如果装袋法(1)的结果大于装袋法(2)的结果,表明设置10 000颗树是合理的,树木数量不到10 000颗就能达到最优预测效果. 表3结果显示,装袋法(2)的预测结果优于装袋法(1),随机森林(2)的预测结果也优于随机森林(1),表明本文树木数量的设置合理. 比较装袋法(2)、随机森林(2)和面板固定效应模型的预测结果,随机森林(2)的MSE低于装袋法(2),但装袋法(2)的MAE低于随机森林(2)；面板固定效应模型的MSE和MAE均低于装袋法(2)与随机森林(2),表明面板固定效应模型预测省域碳排放的效果优于装袋法和随机森林.

分别采用径向基核函数、线性核函数、多项式核函数和Sigmoid核函数,基于支持向量机训练数据,得到如表4所示测试集中省域碳排放变量的MSE和MAE. 除核函数外,支持向量机其余主要调节参数为：不敏感损失函数ε的值设为0.1,惩罚因子设为1,残差收敛条件设为0.000 1.

表 4 基于4个核函数的支持向量机预测结果 Table 4 Support vector machine (SVM) prediction results based on four kernel functions

表4结果显示,评价准则无论是MSE还是MAE,采用径向基核函数的支持向量机的预测效果均为最佳,且优于装袋法和随机森林各模型预测效果,也优于面板固定效应模型的预测结果.

接下来采用BP神经网络训练数据. 神经网络层数和节点数受到具体问题与数据集的约束,一般来说,训练样本数应为参数总和的2~10倍[54]. 基于上述准则,小样本情形下所构建神经网络应力求简单以减少参数数量[55]. 本文共有330个训练样本,据此所构建BP神经网络的参数总和需小于155. 当BP神经网络只有1个隐含层时,其节点数需低于22才能满足参数总和小于155；当BP神经网络具有2个隐含层且节点数分别为x和y时,参数总和小于155转变为如下约束条件：

(12)

为获得满意拟合精度且结构较简单的BP神经网络,本文仅考虑包含一个和两个隐含层的BP神经网络以减少参数总量. 在上述约束条件下,以MSE最小为依据分别采用logistic、tanh和softplus函数作为激活函数,可得激活函数为logistic时BP神经网络的训练效果最佳,它们的参数组成如表5所示.

表 5 BP神经网络参数组成 Table 5 Back propagation neutral networks (BPNN) parameter composition

由表5可得,单一隐含层BP神经网络共有85个参数,两个隐含层BP神经网络共有119个参数,它们均满足训练样本数应为参数总和2~10倍的要求. 基于表5构建的两个BP神经网络,分别采用logistic、tanh和softplus函数作为激活函数,得到如表6所示测试集中省域碳排放变量的MSE和MAE.

表 6 基于3个激活函数的BP神经网络预测结果 Table 6 Back propagation neutral networks (BPNN) prediction results based on three activation functions

表6结果显示,评价准则无论是MSE,还是MAE,包含两个隐含层且激活函数为logistic的BP神经网络的预测效果均为最佳,且远优于采用径向基核函数的支持向量机的预测效果.

为进一步比较装袋法(2)、随机森林(2)、采用径向基核函数的支持向量机以及包含两个隐含层且激活函数为logistic的BP神经网络的预测效果,绘制基于测试集采用上述4种机器学习模型得到的省域碳排放预测值和其实际值的散点图,如图1所示.

横坐标分别为采用装袋法、随机森林、支持向量机和BP神经网络预测的省域人均碳排放的自然对数值,纵坐标均为各省域实际人均碳排放的自然对数值；中间参照直线的截距为0,斜率为1,上下两条参照直线的截距分别为正负0.15,斜率均为1 图 1 4种预测模型的散点图 Fig. 1 Scatter plots of four prediction models

由图1可以看出,装袋法和随机森林的散点图中有大量点位于上下两条参照线之外且分布较为分散,表明它们的预测值与实际值偏差较大. 支持向量机的散点图仅有少量点分布于上下两条参照线之外,预测效果优于装袋法和随机森林. BP神经网络的散点图仅有个别点分布于上下两条参照线之外,预测效果优于支持向量机.

上述分析结果表明,将MSE和MAE作为评价准则,或者根据预测值和实际值构成的散点图,装袋法、随机森林、支持向量机和BP神经网络这4种机器学习模型中,包含两个隐含层且激活函数为logistic的BP神经网络的预测效果均为最优,故最终采用它预测中国各省域的碳排放.

2.4 省域碳达峰预测与结果分析

基于当前可获得各省域能源平衡表数据只能核算它们截至到2021年的碳排放. 本文采用包含两个隐含层且激活函数为logistic的BP神经网络、以及BMA法筛选出的5个省域碳排放关键影响因素fossil、gas、tertrate、lcar和first预测2022~2030年各省域的碳排放,结果如表7所示. 其中,fossil变量2025和2030两年的数据来自各省域碳达峰实施方案目标,其余年份数据依据近5 a变动趋势采用移动平均法补充. gas变量2025年的数据来自各省域《“十四五”时期能源发展规划》,其余年份数据补充方法同fossil变量. 基于此方法估算得到中国2030年的天然气消费总量为5 719.004亿m3. 依据国家能源局石油天然气司、国务院发展研究中心资源与环境政策研究所以及自然资源部油气资源战略研究中心联合发布的《中国天然气发展报告(2021)》,中国2030年的天然气消费总量将达到5 500~6 000亿m3,本文的估算值位于这个区间内,表明基于上述方法确定gas变量2022~2030年的数据具有合理性.

表 7 2022~2030年基准情景下中国省域碳排放预测1) Table 7 Prediction of carbon emissions in Chinese provinces under the baseline scenario from 2022 to 2030

由于国家或省级层面并未发布“十四五”及“十五五”时期产业结构调整和私人汽车拥有量的具体规划目标,因此无法获得各省域tertrate、lcar和first这3个变量2023~2030年的详细数据. 为避免主观设定导致估计偏差,本文同样依据近5 a变动趋势采用移动平均法获得这3个变量2023~2030年的数据. 例如,以2018~2022年的数据估计2023年的数值,再以2019~2023年的数据估计2024年的数值,以此类推. 采用上述方法得到5个省域碳排放关键影响因素数值的情景在下文称为基准情景.

表7的预测结果显示,中国将于2029年实现碳达峰,同年的碳排放为121.501 8 亿t. 此研究结果与中国工程院发布的重大咨询项目成果《中国碳达峰碳中和战略及路径》中的研究结论“我国有望2027年实现碳达峰,峰值控制在122亿t左右”基本一致. 该重大咨询项目成果由40多位院士、300多位专家及数十家单位历经一年多系统研究得出.

省域层面上,自2022年各省域提出碳达峰实施方案以来,根据它们碳达峰实现时间可将其分为3类,如表8所示. 其中,领先型指的是2025年及之前实现碳达峰的省域,标准型指的是2030年之前实现碳达峰的省域,未达峰型指的是2030年前没有实现碳达峰的省域.

表 8 基准情景中国省域碳达峰分类 Table 8 Classification of Chinese provinces according to carbon peak time under the baseline scenario

表8的分类结果显示,北京等17个省域能够在提出碳达峰实施方案后3 a内实现碳达峰,天津等4个省域可在2030年前实现碳达峰. 以上21个省域在基准情景有效执行其碳达峰实施方案2030年前均能实现碳达峰,表明它们碳达峰实施方案制定的能源消费结构优化目标合理. 内蒙古等9个省域在基准情景下2030年前不能实现碳达峰,但它们2026~2030年间碳排放的增速存在较大差异,如表9所示. 从中可知,广东、广西和宁夏这3个省域2030之前5 a碳排放的增速始终超过1%且相对稳定,内蒙古等6个省域2030之前2 a碳排放的增速均低于1%.

表 9 未达峰中国省域基准情景2026~2030年的碳排放增速预测/% Table 9 Prediction of carbon emission growth rates from 2026 to 2030 for Chinese provinces that will not reach carbon peak under the baseline scenario/%

未达峰型省域2030年前要实现碳达峰需进一步优化能源消费结构、调整产业结构或控制重点领域能源消费. 由于非化石能源消费占能源消费总量比例的数据来自各省域规划文件,经济发展和碳排放约束双重压力下我国产业结构调整主要是促进能耗较低的第三产业发展且各省域第一产业占地区生产总值的比例较低,故本文首先尝试调整私人汽车拥有量、第三产业增加值占地区生产总值的比例以及天然气消费占能源消费总量的比例这3个碳排放关键影响因素以便内蒙古等9个省域2030年前实现碳达峰,如果调整上述3个变量仍难以促成未达峰省域2030年前实现碳达峰,则尝试再调整非化石能源消费占能源消费总量的比例,调整前后的结果如表10所示.

表 10 未达峰中国省域基准情景与碳达峰情景的比较 Table 10 Comparison between the baseline scenario and the carbon peak scenario in Chinese provinces that will not reach carbon peak

对比未达峰省域基准情景和碳达峰情景可以得出,宁夏需同时调整4个碳排放关键影响因素且调整幅度较大才能在2030年前实现碳达峰,表明宁夏2030年前实现碳达峰面临严峻形势,这与表9所示宁夏2030之前5 a碳排放的增速始终超过1.5%且相对稳定结果一致. 来自《宁夏统计年鉴2023》的数据表明,宁夏2030年前实现碳达峰面临的挑战主要包括以下几点. 一是能源消费结构中煤炭消费占比高,2022年为87.8%,能耗强度和碳排放强度均为全国第一. 二是产业结构中第三产业占比偏低,2022年仅为43.7%,大大低于52.8%的全国平均水平. 三是以汽车消费为代表的重点领域能源消费增速较快. 2017年宁夏拥有私人汽车118.77万辆,2022年增加到178.83万辆,年均增长8.53%. 为如期实现碳达峰,宁夏需控制汽车消费的能源能耗.

其余8个省域可不调整碳达峰实施方案中设定的非化石能源消费占能源消费总量的比例于2030年前实现碳达峰. 具体来讲,所有8个省域都需设定2030年的私人汽车拥有量目标；内蒙古和广西基准情景时天然气消费占能源消费总量的比例较低,2030年需大幅提升至10%；湖南和贵州基准情景时接近实现碳达峰,碳达峰情景各变量只需小幅调整；广东和重庆基准情景时2030年的天然气消费占能源消费总量的比例较高,碳达峰情景只需略微增加；河南和新疆基准情景时2030年的天然气消费占能源消费总量的比例适中,但它们在基准情景也接近实现碳达峰,无需大幅增加；除湖南和新疆外,内蒙古等6个省域在基准情景基础上均需进一步优化产业结构才能2030年前实现碳达峰.

3 结论

(1)中国各省域2005~2021年的碳排放显著增加,但2012年后增速明显趋缓. 中国电力跨省域输入输出总量巨大,仅测算化石能源消费碳排放而忽视电力消费碳排放将低估净电力输入省域的碳排放,净电力输出省域的碳排放则被高估. 基于化石能源消费碳排放数据预测中国各省域2030年前是否能实现碳达峰,其结论将存在偏误.

(2)在测算各省域化石能源消费和净电力消费碳排放基础上,采用BMA法对18个碳排放影响因素进行筛选,估计262 144个回归模型后发现,中国省域碳排放的主要影响因素包括非化石能源消费占能源消费总量的比例、天然气消费占能源消费总量的比例、第一产业增加值占地区生产总值的比例、第三产业增加值占地区生产总值的比例以及私人汽车拥有量这5个变量.

(3)装袋法、随机森林、支持向量机和BP神经网络这4种机器学习模型中,采用MSE和MAE作为评价准则,BP神经网络预测中国各省域碳排放的效果最佳. 有效执行碳达峰实施方案且产业结构调整和重点领域能源消费延续2017~2021年的发展趋势,中国将于2029年实现碳达峰,预计碳排放峰值为121.501 8亿t；各省域碳达峰实施方案提出的能源消费结构优化目标可确保北京等21个省域2030年前实现碳达峰；内蒙古、河南、湖南、广东、广西、重庆、贵州、宁夏和新疆这9个省域则需进一步优化能源消费结构、加强产业结构调整以及控制重点领域能源消费才能在2030年前实现碳达峰.

参考文献
[1] Aller C, Ductor L, Grechyna D. Robust determinants of CO2 emissions[J]. Energy Economics, 2021, 96. DOI:10.1016/j.eneco.2021.105154
[2] Abid M. Does economic, financial and institutional developments matter for environmental quality？A comparative analysis of EU and MEA countries[J]. Journal of Environmental Management, 2017, 188: 183-194.
[3] Liu X D, Meng X R, Wang X Q. Carbon emissions prediction of Jiangsu Province based on Lasso-BP neural network combined model[J]. IOP Conference Series: Earth and Environmental Science, 2021, 796(2). DOI:10.1088/1755-1315/769/2/022017
[4] Antweiler W, Copeland B R, Taylor M S. Is free trade good for the environment？[J]. American Economic Review, 2001, 91(4): 877-908. DOI:10.1257/aer.91.4.877
[5] 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.
[6] 胡茂峰, 郑义彬, 李宇涵. 多情景下湖北省交通运输碳排放峰值预测研究[J]. 环境科学学报, 2022, 42(4): 464-472.
Hu M F, Zheng Y B, Li Y H. Forecasting of transport carbon emission peak in Hubei Province under multiple scenarios[J]. Acta Scientiae Circumstantiae, 2022, 42(4): 464-472.
[7] Adams S, Klobodu E K M. Urbanization, democracy, bureaucratic quality, and environmental degradation[J]. Journal of Policy Modeling, 2017, 39(6): 1035-1051. DOI:10.1016/j.jpolmod.2017.04.006
[8] Dutt K. Governance, institutions and the environment-income relationship: a cross-country study[J]. Environment Development and Sustainability, 2009, 11(4): 705-723. DOI:10.1007/s10668-007-9138-8
[9] 熊中楷, 张盼, 郭年. 供应链中碳税和消费者环保意识对碳排放影响[J]. 系统工程理论与实践, 2014, 34(9): 2245-2252.
Xiong Z K, Zhang P, Guo N. Impact of carbon tax and consumers' environmental awareness on carbon emissions in supply chains[J]. Systems Engineering-Theory & Practice, 2014, 34(9): 2245-2252.
[10] 刘琼, 肖海峰. 农地经营规模影响农业碳排放的逻辑何在？——要素投入的中介作用和文化素质的调节作用[J]. 农村经济, 2020(5): 10-17.
[11] Jian K R, Shi R Y, Zhang Y X, et al. Research on carbon emission characteristics and differentiated carbon reduction pathways in the Yangtze River Delta region based on the STIRPAT model[J]. Sustainability, 2023, 15(21). DOI:10.3390/SU152115659
[12] 邬彩霞. 中国低碳经济发展的协同效应研究[J]. 管理世界, 2021, 37(8): 105-116, 9.
Wu C X. Research on the synergistic effect of low-carbon economy in China[J]. Journal of Management World, 2021, 37(8): 105-116, 9.
[13] 张丽. 环境政策、环保支出对区域碳减排的影响效应研究——兼论政府执行力的作用[J]. 价格理论与实践, 2018(6): 38-41.
Zhang L. The effects of environmental policy and environmental expenditure on regional carbon emissions—on the role of government's executive ability[J]. Price: Theory & Practice, 2018(6): 38-41.
[14] 赫永达, 文红, 孙传旺. “十四五”期间我国碳排放总量及其结构预测——基于混频数据ADL-MIDAS模型[J]. 经济问题, 2021(4): 31-40.
He Y D, Wen H, Sun C W. Forecasting China's total carbon emission and its structure in the 14th five-year plan: based on mixed-frequency ADL-MIDAS model[J]. On Economic Problems, 2021(4): 31-40.
[15] 龙吉生, 杜海亮, 邹昕, 等. 关于城市生活垃圾处理碳减排的系统研究[J]. 中国科学院院刊, 2022, 37(8): 1143-1153.
Long J S, Du H L, Zou X, et al. Systematic study on carbon emission reduction of municipal solid waste treatment[J]. Bulletin of Chinese Academy of Sciences, 2022, 37(8): 1143-1153.
[16] 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.
[17] 相楠, 徐峰. 基于结构与效率双控的北京市碳达峰优化路径仿真模拟研究[J]. 北京工业大学学报(社会科学版), 2022, 22(4): 68-87.
Xiang N, Xu F. Optimization path simulation of carbon emission peak in Beijing—based on structure and efficiency improvement[J]. Journal of Beijing University of Technology (Social Sciences Edition), 2022, 22(4): 68-87.
[18] 钟薇薇, 高海, 徐维军, 等. 多聚类视角下的碳达峰路径探索与趋势研判——基于广东省21个地级市面板数据的分析[J]. 南方经济, 2021, 40(12): 58-79.
Zhong W W, Gao H, Xu W J, et al. Exploring carbon peaking pathways and trends from a multiclustering perspective: analysis based on panel data of 21 cities in Guangdong Province[J]. South China Journal of Economics, 2021, 40(12): 58-79.
[19] 王俊杰, 裘以峰. 2030年碳达峰的可行性和挑战性——以山东省为例[J]. 齐鲁学刊, 2023(3): 130-143.
Wang J J, Qiu Y F. Feasibility and challenges of China's carbon peaking in 2030—taking Shandong Province of China as an example[J]. Qilu Journal, 2023(3): 130-143.
[20] 周元春, 马姝, 魏彬, 等. 江苏省碳达峰路径及其对能源与水资源影响的研究[J]. 长江流域资源与环境, 2023, 32(10): 2147-2157.
Zhou Y C, Ma S, Wei B, et al. Pathway and impact on energy and water resource of carbon emission peak in Jiangsu Province[J]. Resources and Environment in the Yangtze Basin, 2023, 32(10): 2147-2157.
[21] 陆妍霏, 宣蔚, 赵力伟. 安徽省碳排放时空格局演变与碳达峰路径预测——基于STIRPAT扩展模型和岭回归模型[J]. 地域研究与开发, 2024, 43(1): 146-152, 173.
Lu Y F, Xuan W, Zhao L W. Spatio-temporal evolution of carbon emissions and prediction of carbon peak path in Anhui Province: based on extended STIRPAT model and ridge regression model[J]. Areal Research and Development, 2024, 43(1): 146-152, 173.
[22] 胡西武, 黄蕾, 李毅. 应对气候变化下的青藏高原碳脱钩水平测度及碳达峰路径选择——以青海省为例[J]. 青海社会科学, 2021(5): 43-54.
Hu X W, Huang L, Li Y. Carbon decoupling level measurement and carbon peak path selection in the Tibetan Plateau under climate change: a case study of Qinghai Province[J]. Qinghai Social Sciences, 2021(5): 43-54.
[23] 王雪亭, 郑非凡, 许野, 等. 双碳目标背景下宁夏地区碳达峰预测[J]. 中国环境科学, 2023, 43(S1): 347-356.
Wang X T, Zheng F F, Xu Y, et al. Carbon peak prediction in Ningxia under the Dual Carbon Background[J]. China Environmental Science, 2023, 43(S1): 347-356.
[24] 连艳琼, 苏墩煌, 施生旭. 基于STIRPAT和CNN-LSTM组合模型的福建省碳达峰预测[J]. 环境科学, 2025, 46(1): 10-18.
Lian Y Q, Su D H, Shi S X. Carbon peak prediction in Fujian Province based on combined STIRPAT and CNN-LSTM models[J]. Environmental Science, 2025, 46(1): 10-18.
[25] 姚明秀, 王淼薇, 雷一东. 基于STIRPAT模型的上海市碳达峰预测研究[J]. 复旦学报(自然科学版), 2023, 62(2): 226-237.
Yao M X, Wang M W, Lei Y D. Research on Shanghai carbon peak forecast based on STIRPAT model[J]. Journal of Fudan University (Natural Science), 2023, 62(2): 226-237.
[26] 高国力, 文扬, 王丽, 等. 基于碳排放影响因素的城市群碳达峰研究[J]. 经济管理, 2023, 45(2): 39-58.
Gao G L, Wen Y, Wang L, et al. Study on carbon peak of urban clusters based on analysis of influencing factors of carbon emissions[J]. Business and Management Journal, 2023, 45(2): 39-58.
[27] 张兵兵, 王捷, 闫志俊. 中国城市碳达峰路径及其驱动因素的结构分解[J]. 中国人口·资源与环境, 2023, 33(9): 38-44.
Zhang B B, Wang J, Yan Z J. Structural decomposition of the paths to achieving the goal of peak carbon emissions and its driving factors in China's prefecture-level cities[J]. China Population, Resources and Environment, 2023, 33(9): 38-44.
[28] 邹秀清, 孙学成, 葛天越, 等. 长三角地区碳排放差异、影响机理及碳达峰预测[J]. 长江流域资源与环境, 2023, 32(3): 548-557.
Zou X Q, Sun X C, Ge T Y, et al. Carbon emission differences, influence mechanisms and carbon peak projections in Yangtze River Delta region[J]. Resources and Environment in the Yangtze Basin, 2023, 32(3): 548-557.
[29] 陈楠, 庄贵阳. 中国区域碳达峰关键路径研究——以环渤海C型区域为例[J]. 中国地质大学学报(社会科学版), 2023, 23(3): 81-95.
Chen N, Zhuang G Y. Study on the critical path of regional carbon emission peak in China——a case study of the C-type region around Bohai Sea[J]. Journal of China University of Geosciences (Social Sciences Edition), 2023, 23(3): 81-95.
[30] 汪彬, 阳镇. 推动黄河流域碳达峰碳中和路径研究[J]. 宁夏社会科学, 2023(3): 140-150.
Wang B, Yang Z. Study on the path of promoting carbon peak and carbon neutralization in the Yellow River Basin[J]. Ningxia Social Sciences, 2023(3): 140-150.
[31] 李国柱, 黄巧慧. 基于Lasso-GRNN神经网络模型的京津冀碳达峰情景预测[J]. 环境科学, 2025, 46(2): 636-646.
Li G Z, Huang Q H. Prediction of carbon peak in Beijing-Tian-Hebei region based on Lasso-GRNN neural network model[J]. Environmental Science, 2025, 46(2): 636-646.
[32] 马兆良, 梅加兰. 多情境视角下中国中部六省碳达峰预测[J]. 科技管理研究, 2022, 42(13): 216-222.
Ma Z L, Mei J L. Research on carbon peak prediction in six provinces in central China from a multi-situation perspective[J]. Science and Technology Management Research, 2022, 42(13): 216-222.
[33] 赵守国, 徐仪嘉. 我国西北地区碳达峰碳中和实现路径研究[J]. 西北大学学报(哲学社会科学版), 2022, 52(4): 87-97.
Zhao S G, Xu Y J. A research on the pathway of achieving peak carbon neutrality in Northwest China[J]. Journal of Northwest University (Philosophy and Social Sciences Edition), 2022, 52(4): 87-97.
[34] 杨柳青青. 民族地区减排潜力预测与碳达峰目标实现[J]. 民族研究, 2023(4): 20-30, 135.
Yang L Q Q. Prediction about potential of carbon emission reduction and achievement of peak carbon goal in ethnic areas[J]. Ethno-National Studies, 2023(4): 20-30, 135.
[35] 李慧鹏, 李荔, 殷茵, 等. 基于LEAP模型的工业园区碳达峰路径: 以南京某国家级开发区为例[J]. 环境科学, 2024, 45(4): 1898-1906.
Li H P, Li L, Yin Y, et al. Carbon peak pathways of industrial parks based on the LEAP model: a case study of a National Development Zone in Nanjing[J]. Environmental Science, 2024, 45(4): 1898-1906.
[36] 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.
[37] 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.
[38] 丁凡琳. 产业转移背景下的中国工业碳达峰路径思考[J]. 当代经济管理, 2023, 45(7): 27-34.
Ding F L. Thinking on the paths of China's industrial carbon peak under the background of industrial transfer[J]. Contemporary Economic Management, 2023, 45(7): 27-34.
[39] 朱海, 王立国, 贺焱, 等. 多情景下中国省域旅游业碳达峰的时空特征研究[J]. 干旱区资源与环境, 2023, 37(1): 169-176.
Zhu H, Wang L G, He Y, et al. Spatial and temporal characteristics of carbon peak of provincial tourism in China under multiple scenarios[J]. Journal of Arid Land Resources and Environment, 2023, 37(1): 169-176.
[40] 胡剑波, 罗志鹏. 多情景模拟下我国制造业能源消费结构与碳达峰预测研究[J]. 江西社会科学, 2022, 42(4): 50-60, 207.
Hu J B, Luo Z P. Energy consumption structure and peak carbon dioxide emissions prediction of China's manufacturing under multi-scenario simulation[J]. Jiangxi Social Sciences, 2022, 42(4): 50-60, 207.
[41] 张梦璇, 王迎春, 李建政, 等. 关于我国农业碳达峰, 助力碳中和若干问题的思考[J]. 中国农业资源与区划, 2022, 43(3): 1-7.
Zhang M X, Wang Y C, Li J Z, et al. Thoughts on several problems of agricultural carbon peak and carbon neutrality in China[J]. Chinese Journal of Agricultural Resources and Regional Planning, 2022, 43(3): 1-7.
[42] 王悦, 李锋, 孙晓. 城市家庭消费碳排放研究进展[J]. 资源科学, 2019, 41(7): 1201-1212.
Wang Y, Li F, Sun X. Progress of research on carbon emissions of urban household consumption[J]. Resources Science, 2019, 41(7): 1201-1212.
[43] 李健, 周慧. 中国碳排放强度与产业结构的关联分析[J]. 中国人口·资源与环境, 2012, 22(1): 7-14.
Li J, Zhou H. Correlation analysis of carbon emission intensity and industrial structure in China[J]. China Population, Resources and Environment, 2012, 22(1): 7-14.
[44] 邓荣荣, 张翱祥, 陈鸣. 高铁网络、城市碳排放强度及空间溢出效应——来自长三角地区的证据[J]. 技术经济, 2022, 41(1): 43-52.
Deng R R, Zhang A X, Chen M. Impact of high speed rail network on urban carbon emission intensity and spatial spillover effect[J]. Journal of Technology Economics, 2022, 41(1): 43-52.
[45] 丁仲礼. 深入理解碳中和的基本逻辑和技术需求[J]. 时事报告(党委中心组学习), 2022(4): 23-40.
[46] Simmons J P, Nelson L D, Simonsohn U. False-positive psychology: undisclosed flexibility in data collection and analysis allows presenting anything as significant[J]. Psychological Science, 2011, 22(11): 1359-1366. DOI:10.1177/0956797611417632
[47] Durlauf S N, Kourtellos A, Tan C M. Are any growth theories robust？[J]. The Economic Journal, 2008, 118(527): 329-346.
[48] Kass R E, Raftery A E. Bayes factors[J]. Journal of the American Statistical Association, 1995, 90(430): 773-795.
[49] Breiman L. Random forests[J]. Machine Learning, 2001, 45(1): 5-32.
[50] Cortes C, Vapnik V. Support vector networks[J]. Machine Learning, 1995, 20(3): 273-297.
[51] 陈垚, 毛保华, 柏赟, 等. 基于支持向量回归的地铁牵引能耗预测[J]. 系统工程理论与实践, 2016, 36(8): 2101-2107.
Chen Y, Mao B H, Bai Y, et al. Forecasting traction energy consumption of metro based on Support Vector Regression[J]. Systems Engineering-Theory & Practice, 2016, 36(8): 2101-2107.
[52] Hornik K, Stinchcombe M, White H. Multilayer feedforward networks are universal approximators[J]. Neural Networks, 1989, 2(5): 359-366.
[53] Chen J M. An introduction to machine learning for panel data[J]. International Advances in Economic Research, 2021, 27(1): 1-16.
[54] 李秦超, 姚成宝, 程帅, 等. 神经网络状态方程在强爆炸冲击波数值模拟中的应用[J]. 爆炸与冲击, 2023, 43(4).
Li Q C, Yao C B, Cheng S, et al. Application of the neural network equation of state in numerical simulation of intense blast wave[J]. Explosion and Shock Waves, 2023, 43(4): 102-112.
[55] 马天宝, 龙俊文, 刘玥. 基于BP神经网络的水中双爆源爆炸冲击波峰值压力预测模型研究[J]. 北京理工大学学报, 2024, 44(3): 260-269.
Ma T B, Long J W, Liu Y. Prediction model of two underwater explosion sources' explosion shock wave peak pressure based on BP neural network[J]. Transactions of Beijing Institute of Technology, 2024, 44(3): 260-269.