2025, Vol. 46
2. 南京财经大学营销与物流管理学院,南京 210023
2. School of Marketing and Logistic Management, Nanjing University of Finance and Economics, Nanjing 210023, China
中央经济工作会议提出,我国将继续深入推进生态文明建设和绿色低碳发展,积极稳妥推进碳达峰碳中和[1]. 自“双碳”目标提出以来,我国各个领域都在积极进行双碳行动探索[2~7]. 中国作为一个能源消耗大国,每年需要消耗巨量的化石能源,因此,碳排放问题也愈发严重. 自2017年来,中国每年的温室气体排放均超过了100亿t,且逐年上升,2022年中国碳排放量为1 147亿t,与2021年相比增长了4.8%,占全球碳排放量的31.1%,中国已经成为了世界最大的碳排放国[8~11].
我国是世界上最大的发展中国家,经济增长与能源消费量以及能源消费量与碳排放量之间存在密切联系,要实现2060年碳中和的目标,必须破解发展与碳减排之间的矛盾[12,13]. 目前国内外学者对碳排放的研究主要从碳排放测算、碳排放影响因素、碳减排潜力和碳排放预测等不同方面和领域进行探索研究. 例如,黄和平等[14]主要利用IPCC碳排放模型对江西省农业的碳排放量予以测算. 何媛媛等[15]采用IPCC和水业碳核算指南中的排放因子法,对污水处理站在运营过程中的全流程碳排放进行核算. 林明裕[16]引入修正引力模型分析了长江经济带碳排放绩效的空间关联强度. Wang等[17]采用LEAP模型对中国碳减排潜力进行了情景分析,并提出碳减排措施. 杨东等[18]构建STIRPAT模型,预测交通领域碳达峰进程. 杨青等[19]基于CRITIC-TOPSIS法对中国区域碳减排能力进行测度评价. 董棒棒等[20]基于STRIPAT模型,运用情景分析法对我国西北地区能源消费碳排放进行预测. 李建豹等[21]基于改进的IPAT模型,预测了长三角地区碳排放量. 由此可见在碳排放预测方面,目前国内学者多利用包括IPAT和碳排放系数法在内的模型和方法对碳排放进行预测分析,更多考虑碳排放因素间的线性关系[22]. 而基于神经网络的预测模型因其非线性映射、自适应和泛化能力较好而被广泛应用于各个领域[23~28]. 例如,董聪等[29]基于BP神经网络对中国碳排放情景做出预测,并表明提高可再生能源占比的重要性. 王永利等[30]基于6项碳排放影响因素,使用神经网络对河北省碳排放进行预测.
以往研究关于碳排放预测多考虑因素间的线性关系. 本文分析指标因素发现其具有明显的共线性关系,因此采用岭回归解决多重共线性问题,同时利用BP神经网络在非线性映射、自适应及泛化能力方面的优势,对碳排放进行预测分析. 区别传统BP神经网络预测研究,本文在指标选取上增加了产业结构、能耗结构和能源消费量等几项指标,从不同维度全面分析各指标对碳排放的影响程度. 通过STRIPAT扩展模型和LMDI模型,构建江苏省碳排放影响因素指标体系,多维度分析不同指标因素对碳排放的影响,得出碳排放与各指标间的关联度和贡献率,最终基于BP神经网络预测江苏省碳排放量,以期为碳减排方向提供数据参考和技术支持.
1 建立碳排放量影响因素指标体系 1.1 维度选取(1)人口 《中国未来人口结构情景分析和未来消费行为及其碳排放含义》报告提出,各区域碳排放增长的主要驱动因素是人口. 人口的规模与结构等特征变化将影响衣、食、住、行等消费需求[31]. 以上消费需求变化会影响直接能源消耗,也会影响工业制品和原材料需求,进而间接影响能源消耗.
(2)经济 2023年上半年国内生产总值同比增长5.5%,明显快于2022年3%的经济增速,经济增长整体回升. 随着扩大内需各项政策措施落地生效,内需潜力持续释放[32]. 消费对经济增长的拉动明显增强,也使得我国现阶段碳排放量随着经济增长而增长.
(3)产业结构 中国的产业结构在过去几十年中不断调整,第一产业的占比从1978年的27.7%到2023年的7.1%,第二产业的占比从1978年的47.7% 到2023年的38.3%,第三产业的占比从1978年的24.6%到2023年的54.6%[33]. 从我国产业结构发展的趋势来看,未来中国有望进一步扩大第三产业的占比,为实现“双碳”目标提供助力.
(4)能源 随着社会不断进步,为了满足社会经济发展与人类日常生产生活的需求,对于化石类能源的需求愈发加大,化石类能源的消耗较之前几个世纪呈爆炸式增长[34]. 我国碳排放量急剧增长,并带来一系列负面效应[35],如何提高能源利用效率和提高非化石能源消费占比在达成“双碳”目标中显得极为重要.
1.2 碳排放量影响因素模型构建将评价指标体系分为2个层次,第一个层次为U=｛UA,UB,UC,UD｝,即U=｛人口,经济,产业结构,能源｝. 第二层指标为第一层4个维度的子指标组成,如表1所示.
|
表 1 区域碳排放量影响因素分析指标体系 Table 1 Index system for analysis of factors influencing regional carbon emissions |
1.2.1 STRIPAT扩展模型
对传统STRIPAT模型进行扩展,为了对区域碳排放影响因素进行更加全面地分析,本文较传统模型[36]相比增加了能耗种类这个指标,公式如下：
|
(1) |
式中,C表示区域碳排放总量,α表示模型系数,β表示弹性系数,ε表示模型误差项,P表示人口因素,A表示生产总值GDP,T表示第一产业增加值占比,S表示第二产业增加值占比,H表示第三产业增加值占比,M表示能源消耗量,Ni(i=1,2,3,4,5)依次表示煤炭、油品、天然气、电力和其他能源,热力忽略不计.
1.2.2 碳排放分解模型本文采用Divisia分解法中的LMDI分解法对碳排放影响因素进行研究. 文献[38]表明,在1998年提出的LMDI分解法,以KAYA恒等式为基础,将总量分解成多个影响因素组合,再分析各因素的贡献率. 公式如下：
|
(2) |
式中,C表示CO2排放量,E、GDP和P分别表示能源在生产排放CO2过程中所消耗的碳排放量、生产总值及人口规模. LMDI分解法公式[38]如下：
|
(3) |
式中,G表示能源强度；Zi 表示第i种能源的碳排放强度.
1.2.3 LMDI模型通过数据处理,在获得区域人口数,生产总值GDP,第一产业增加值占比,第二产业增加值占比等数据后,本文通过建立LMDI模型测算贡献率和贡献值. 公式如下：
|
(4) |
通过对区域碳排放因素的贡献值进行分解,过程如下：
|
(5) |
式中,C0表示基期区域碳排放总量,Ct表示t期区域碳排放总量. ΔC的数学意义表示两时期区域碳排放差额；根据LMDI分解法,各个影响因素贡献值的表达式分别为：
|
(6) |
式中, 
|
(7) |
式中,D表示两时期区域碳排放之比；DP、DA、DT、DS、DH、DM、和DNi表示各影响因素的贡献率.
上述指标对应的计算公式分别为：
|
(8) |
式中,
在求得各因素对碳排放贡献率后,需要分析各因素之间的关联程度,于是构建指标关联模型. 选定J个变量Xi (i=1,2,…,J)作为进行因子分析的指标变量,表示为：
|
(9) |
式中,F表示公共因子,是不可观测的变量,它们的系数γ表示载荷因子[39]. ζi表示Xi的均值,κi表示特殊因子. 并且满足：
|
(10) |
|
(11) |
计算相关系数矩阵与因子载荷矩阵,因子载荷矩阵Λ为：
|
(12) |
式中,λ表示矩阵的特征值,η表示相应的标准正交化特征向量,特殊因子的方差为 
|
(13) |
式中,χjy 表示第j个因子的得分对应于第y个变量的系数,最后利用以上因子,进行结果分析,得出结论.
2 案例分析 2.1 碳排放影响因素结果分析本文基于江苏省人口、生产总值、能源消费量、产业能耗结构和能耗品种结构等4 087条数据,其中能源消耗量主要用于第一产业、第二产业、第三产业和居民生活这4个领域,本文将这4个领域细分为工业消费部门、建筑消费部门、交通消费部门、居民生活消费、农林消费部门以及能源供应部门这6个部门,对上述数据进行分析,判断各因素显著性和共线性是否符合计量标准,所得数据见表2~4. 由于所选影响因素变量较多,故为保证求解准确性,将主要研究的11个变量分成两组进行求解,即前6个因素：人口因素(P)、生产总值GDP(A)、第一产业增加值占比(T)、第二产业增加值占比(S)、第三产业增加值占比(H)和能源消耗量(M)为一组,后5个因素：煤炭消耗量(N1)、油品消耗量(N2)、天然气消耗量(N3)、电力消耗量(N4)和其他能消耗量(N5)为一组,由表2~4可知,各影响因素均通过显著性水平检验,但根据VIF值可知各因素共线性较大,故采用岭回归解决多重共线性问题[40].
|
|
表 2 OLS模型数据 Table 2 OLS model data |
|
|
表 3 方差分析1) Table 3 Analysis of variance |
|
|
表 4 普通最小二乘法分析结果1) Table 4 Results of ordinary least squares analysis |
多重共线性表现为各自变量之间产生一定程度的影响,故选用有偏估计的岭回归对模型进行拟合分析[41]. 令岭回归系数K取值为[0,1],步长为 0.01,得到相应的岭迹图和决定系数R2的变化趋势,具体如图1和图2所示. 在模型1中K为0.021,R2=0.998；在模型2中 K=0.19,R2=0.995时,两个模型的岭参数和决定系数均趋于平稳,具体结果如图1所示.
|
图 1 岭迹图 Fig. 1 Ridge trace |
|
图 2 R2的变化趋势 Fig. 2 Change trend of R2 |
由表5及表6可知,各影响因素的VIF值均低于标准值,通过了多重共线性的检验,且所有Sig.接近0,说明各类影响因素通了显著性检验,由此可知,岭回归能很好地建立碳排放影响因素模型.
|
|
表 5 模型1岭回归估计结果 Table 5 Ridge regression estimation results of model 1 |
|
|
表 6 模型2岭回归估计结果 Table 6 Ridge regression estimation results of model 2 |
综上可得2010~2020年江苏省碳排放影响因素,按照影响程度绝对值从大到小依次为：能源消耗量(M)、生产总值GDP(A)、人口(P)、第三产业增加值占比(H)、煤炭消耗量(N1)、油品消耗量(N2)、天然气消耗量(N3)、电力消耗量(N4)、其他能源消耗量(N5)、第二产业增加值占比(S)和第一产业增加值占比(T).
将式(1)两边取对数,得到回归方程式(14),通过结果可知,9个影响因素的回归系数都为正数,说明这7个影响因素与城市碳排放量呈正相关关系,则表明：能源消耗量(M)、生产总值GDP(A)、人口(P)、煤炭消耗量(N1)、油品消耗量(N2)、天然气消耗量(N3)、电力消耗量(N4)、其他能源消耗量(N5)和第二产业增加值占比(S)增加1%会导致碳排放量增加0.387%、0.356%、0.345%、0.22%、0.203%、0.195%、0.190%,0.178%和0.138%；第三产业增加值占比(H)和第一产业增加值占比(T)提高1%会导致碳排放量降低0.224%和0.01%. 上述分析表明：能源消耗量(M)、生产总值GDP(A)、人口(P)、煤炭消耗量(N1)、油品消耗量(N2)、天然气消耗量(N3)、电力消耗量(N4)、其他能源消耗量(N5)和第二产业增加值占比(S),对碳排放的增长都起到了促进作用,第三产业增加值占比(H)和第一产业增加值占比(T)两个因素对碳排放的增长起到了抑制作用.
|
(14) |
运用式(6)~(8),可求出2010~2020年各影响因素对碳排放的贡献值,见表7所示.
|
|
表 7 各影响因素对碳排放的贡献值 Table 7 Contribution value of various influencing factors to carbon emissions |
表7中数据基准值为1,贡献率数值高于基准,表明该影响因素对碳排放起正向驱动作用,低于基准起负向驱动作用. 可发现天然气、电力、其他能源、GDP和油品对江苏省碳排放量贡献率逐年增大,其中在能源种类维度下天然气对该区域的贡献率逐年增强,说明江苏省通过使用清洁能源来减少碳排放量,故其贡献率越来越大. 在产业结构中,第一产业与第二产业贡献率呈下降趋势,表明其对碳排放影响呈下降趋势. 而第三产业属于低碳产业,其贡献率逐年增强,表明江苏省产业结构在不断优化,高碳产业占比在降低.
2.3 碳排放量指标关联变化分析 2.3.1 适应性分析在因子分析前,对变量进行Bartlett检验,结果如表8所示.
|
|
表 8 KMO和Bartlett球形检验 Table 8 KMO and Bartlett sphericity test |
由表8可知,KMO值大于临界值0.6适宜进行因子分析；Bartlett球形度检验结果显示,选取的指标适合进行因子分析.
2.3.2 公因子提取设V为常住人口同比增长率；B为经济生产总值同比增长率；E为能源消耗总量同比增长率；Q为非化石能源产业能耗同比增长率；W为化石能源产业的能耗同比增长率,U为化石能源产业能耗占比同比增长率. 将上述指标作为自变量分别设为X1、X2、X3、X4、X5和X6. 设定碳排放总量为因变量Y. 运用SPSS,得出各因子的特征值λ、方差贡献率和累计方差贡献率,结果如表9所示.
|
|
表 9 总方差解释 Table 9 Explanation of total variance |
由表9可知,对原自变量X1、X2、X3、X4、X5和X6进行筛选之后,可提取两个主成分,即综合变量. 设综合变量为F1和F2,F1为规模因素,F2为结构因素,两个综合变量可分别解释代表原变量的65.704%和93.547%,表明数据信息损失少,因子分析效果理想,具有研究意义. 且根据检验结果显示：Sig. <0.01,由此可见各变量之间相关性显著.
由图3可看出,第二个及后续变量特征值较小,对碳排放贡献较小,故选择提取两个综合变量进行分析.
|
图 3 碎石图 Fig. 3 Gravel diagram |
使用最大方差法进行因子旋转,得到旋转成分矩阵,并计算成分得分系数矩阵. 指标的成分得分越高,表明此指标与碳排放的关联度越高. 计算结果如表10所示.
|
|
表 10 成分得分系数矩阵 Table 10 Component score coefficient matrix |
由表10可得,综合变量与原变量之间的关系式：
|
(15) |
|
(16) |
根据式(15)和式(16)可得两组综合变量数据F1和F2,将Y作为因变量,F1和F2作为解释变量与工具变量,采用最小二乘法进行回归拟合,结果如表11所示.
|
|
表 11 系数结果1) Table 11 Coefficient results |
由表11模型系数可得,综合变量F1和F2及因变量Y的方程式为：
|
(17) |
将式(15)和式(16)代入式(17),可得2010~2020年碳排放量同比增长率指标关联模型：
|
(18) |
江苏省2010~2020年影响碳排放量同比增率的常住人口数、经济生产总值(GDP)、能源消耗总量、非化石能源产业和化石能源产业的能耗同比增长率以及化石能源产业能耗占比同比增长率系数分别为0.164 192、0.217 896、0.025 4、-0.046 56、0.364 308和0.298 284,表明当常住人口数量同比增加1%时,碳排放量同比将上升0.164 192%；当经济生产总值同比每增加1%时,碳排放量同比将增加0.217 896%；当能源消耗总量同比增加1%时,碳排放量同比将增加0.025 4%；当非化石能源产业能耗同比增加1%时,碳排放量将下降0. 04 656%；当化石能源产业的能耗同比每增加1%时,碳排放量将增加0.364 308%；当化石能源产业能耗占比同比每增加1%时,碳排放量将增加0.298 284%.
通过分析,化石能源产业的能耗是影响碳排放的最主要因子,产生的数值效益最大,为0.364 308,其中,化石能源产业能耗占比对碳排放所产生的效益影响也较大,其所产生效益的数值为0.298 284. 而经济生产总值对碳排放所产生的效益最小,其数值为0.025 4. 因此,若想降低碳排放量,应当增加非化石能源产业能耗.
3 结果与分析本文在得到碳排放量各指标间的关联性以及贡献率后,横向比较了灰色预测、BP神经网络、马尔可夫和插值拟合等预测方法,灰色预测方法只适用于中短期预测,插值拟合方法比较适用于物体运动轨迹的预测,马尔可夫预测方法不适于系统中的中长期预测,故本文选取BP神经网络,作为预测方法.
根据上述所得数据建立网络学习样本,采用最速下降法,通过误差反向传播不断迭代调整网络权值,使输出向量与期望向量尽量接近. 当网络输出层误差平方和小于指定值时训练完成,保存网络的权值及偏差[42]. 本文BP神经网络采用三层网络结构,输入层节点数7个,隐函数个数层为10个,输出层节点数1个. 将江苏省1985~2010年数据作为训练数组,预测2010~2060年碳排放量. 碳排放量作为因变量,人口、经济、产业结构等指标作为自变量输入,将已搜集的实测数据作为训练样本集. 训练函数采用TRAIN_RPROP,训练数据设置为70%,误差函数用ERRORFUNC_LINEAR,终止函数用STOPFUNC_MSE,经过迭代运算,相关系数R为0.999,训练效果符合预期,精度满足预测要求,模型通过有效性检验. BP神经网络训练过程曲线如图4所示,求得2021~2060年江苏省碳排放预测量见表12所示.
|
图 4 BP神经网络调试拟合 Fig. 4 Fitting diagram of BP neural network debugging |
|
|
表 12 2021~2060年BP神经网络模型预测碳排放量结果1) Table 12 Results of carbon emission prediction using the BP neural network model from 2021 to 2060 |
为验证模型误差与精度,将2010年至2020年预测数据对比已有数据,通过选择4个指标：均方根误差RMSE,平均相对误差MRE,相对标准偏差RSD和决定系数R2作为评价指标进行衡量. RMSE、MRE和RSD数值越小越好,同时R2越接近1,表明越接近真实值[43~45]. 数据显示R2为0.978,表明预测结果准确度高,详细结果如表13所示.
|
|
表 13 误差指标分析 Table 13 Error indicator analysis |
江苏省实现“双碳”目标的路径是通过优化产业结构和能源结构,提高能源利用效率和非化石能源消费占比,降低CO2排放水平,实现经济社会发展与绿色低碳发展的协调统一.
由表14数据可以看出,江苏省在“十四五”期间已初步构建了绿色低碳循环经济体系,非化石能源占比达20%,单位GDP能耗降低13.5%,CO2排放减少18%,为碳达峰打下基础. 在2025~2035年间,江苏省计划进一步调整产业和能源结构,建立清洁、低碳和高效的能源体系. 非化石能源占比将增至30%,GDP单位CO2排放将下降28.6%,达到碳达峰目标. 2050年前后,计划将非化石能源占比提高到50%,单位GDP能耗下降46.1%,CO2排放大幅减少,进入快速下降阶段. 最终,在2060年前后建立清洁、低碳、安全和高效的能源体系,非化石能源占比超过80%,GDP单位能耗下降54.6%,CO2排放减少77.9%,达到碳中和.
|
|
表 14 “双碳”目标值 Table 14 Dual carbon target value |
4 结论
本文创新提出一种基于BP神经网络的多维度区域碳排放预测方法. 以江苏省为例基于STRIPAT扩展、碳排放分解和LMDI模型,构建了包含GDP、人口、能源、产业结构等多维度的碳排放影响因素指标体系；在数据分析中运用岭回归解决指标多重共线性问题,同时采用因子分析方法,得到碳排放量与各指标间的关联度和贡献率,得出天然气贡献率最大；利用指标关联模型对各指标关联性与贡献率进行分析,剔除关联度与贡献率低的指标；最终利用BP神经网络在非线性映射、自适应及泛化能力方面的优势对江苏省碳排放量进行预测. 结果表明,江苏省碳排放影响因素程度排名为：能源消耗量、GDP、人口、第三产业增加值占比、能耗结构、第二产业增加值占比和第一产业增加值占比. 其中第一产业增加值占比和第二产业增加值占比这两个因素对碳排放的增长起到了抑制作用,其余因素均为促进作用. 故江苏省应当优化产业布局,加快第二产业的绿色低碳转型. 其中化石能源产业的能耗是影响碳排放最主要的因素,产生的数值效益最大,为0.364 308,意味着化石能源产业的能耗同比每增加1%时,碳排放量将增加0.364 308%. 因此江苏省应当在2025年到2035年间,重点加速改变能源供应模式,优先推广非化石能源,显著提高风电、太阳能、水能、核能等清洁能源利用,防止高能耗、高排放、低效益项目的无序发展.
| [1] |
邓旭, 谢俊, 滕飞. 何谓“碳中和”？[J]. 气候变化研究进展, 2021, 17(1): 107-113. Deng X, Xie J, Teng F. What is carbon neutrality？[J]. Climate Change Research, 2021, 17(1): 107-113. |
| [2] |
庞可, 张芊, 马彩云, 等. 基于LEAP模型的兰州市道路交通温室气体与污染物协同减排情景模拟[J]. 环境科学, 2022, 43(7): 3386-3395. Pang K, Zhang Q, Ma C Y, et al. Forecasting of emission co-reduction of greenhouse gases and pollutants for the road transport sector in Lanzhou based on the LEAP model[J]. Environmental Science, 2022, 43(7): 3386-3395. |
| [3] |
郑琰, 蒋雪梅, 肖玉杰. 交通运输业碳排放效率时空演变及趋势预测[J]. 环境科学, 2024, 45(4): 1879-1887. Zheng Y, Jiang X M, Xiao Y J. Spatio-temporal evolution and trend prediction of transport carbon emission efficiency[J]. Environmental Science, 2024, 45(4): 1879-1887. |
| [4] |
洪竞科, 李沅潮, 郭偲悦. 全产业链视角下建筑碳排放路径模拟：基于RICE-LEAP模型[J]. 中国环境科学, 2022, 42(9): 4389-4398. Hong J K, Li Y C, Guo S Y. Simulating building carbon emission path with a RICE-LEAP model from the perspective of the whole supply chain[J]. China Environmental Science, 2022, 42(9): 4389-4398. DOI:10.3969/j.issn.1000-6923.2022.09.047 |
| [5] |
舒印彪, 张丽英, 张运洲, 等. 我国电力碳达峰、碳中和路径研究[J]. 中国工程科学, 2021, 23(6): 1-14. Shu Y B, Zhang L Y, Zhang Y Z, et al. Carbon peak and carbon neutrality path for China's power industry[J]. Strategic Study of CAE, 2021, 23(6): 1-14. |
| [6] |
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. DOI:10.3969/j.issn.1673-1212.2024.01.023 |
| [7] |
佟欢, 刘洋洋. 人工智能技术在减少纺织服装行业碳排放中的发展与应用[J]. 印染, 2024, 50(6): 89-95. Tong H, Liu Y Y. Development and application of artificial intelligence technology in reducing carbon emissions in the textile and apparel industry[J]. China Dyeing & Finishing, 2024, 50(6): 89-95. |
| [8] | Zhang S, Chen W Y. Assessing the energy transition in China towards carbon neutrality with a probabilistic framework[J]. Nature Communications, 2022, 13(1). DOI:10.1038/s41467-021-27671-0 |
| [9] |
黄震, 谢晓敏. 碳中和愿景下的能源变革[J]. 中国科学院院刊, 2021, 36(9): 1010-1018. Huang Z, Xie X M. Energy revolution under vision of carbon neutrality[J]. Bulletin of Chinese Academy of Sciences, 2021, 36(9): 1010-1018. |
| [10] |
闫紫薇. 中国交通碳排放的测算及其影响因素的空间计量分析[D]. 北京：北京交通大学, 2018. Yan Z W. The measurement of China's transportation CO2 emissions and the spatial econometric analysis of its influencing factors[D]. Beijing：Beijing Jiaotong University, 2018. |
| [11] | BP. bp statistical review of world energy 2022 (71st ed[M]. London: BP, 2022. |
| [12] |
胡鞍钢. 中国实现2030年前碳达峰目标及主要途径[J]. 北京工业大学学报(社会科学版), 2021, 21(3): 1-15. Hu A G. China's goal of achieving carbon peak by 2030 and its main approaches[J]. Journal of Beijing University of Technology (Social Sciences Edition), 2021, 21(3): 1-15. |
| [13] |
钟诗雨, 张晓敏, 吴佳, 等. 基于碳减排成本的我国省域碳补偿机制[J]. 环境科学, 2023, 44(8): 4637-4646. Zhong S Y, Zhang X M, Wu J, et al. Carbon offsetting mechanism of China Province based on carbon reduction cost[J]. Environmental Science, 2023, 44(8): 4637-4646. |
| [14] |
黄和平, 李紫霞, 黄靛, 等. “双碳”目标下江西省农业碳排放量测算、影响因素分析与预测研究[J]. 生态与农村环境学报, 2024, 40(2): 179-190. Huang H P, Li Z X, Huang D, et al. Research on the measurement, analysis and prediction of agricultural carbon emissions in Jiangxi Province under the “dual carbon” goals[J]. Journal of Ecology and Rural Environment, 2024, 40(2): 179-190. |
| [15] |
何媛媛, 袁岗, 傅宏佳. 医疗污水处理运行阶段碳排放核算研究[J]. 环境科学研究, 2024, 37(6): 1215-1222. He Y Y, Yuan G, Fu H J. Research on carbon emission accounting during medical wastewater treatment operation stage[J]. Research of Environmental Sciences, 2024, 37(6): 1215-1222. |
| [16] |
林明裕, 崔兴华. 碳排放绩效的空间关联网络结构及其形成机制——以长江经济带为例[J]. 中国环境科学, 2024, 44(5): 2867-2878. Lin M Y, Cui X H. The spatial correlation network structure and formation mechanism of carbon emission performance：a case study of the Yangtze River economic belt[J]. China Environmental Science, 2024, 44(5): 2867-2878. DOI:10.3969/j.issn.1000-6923.2024.05.047 |
| [17] | Wang K, Tian H Z, Hua S B, et al. A comprehensive emission inventory of multiple air pollutants from iron and steel industry in China：temporal trends and spatial variation characteristics[J]. Science of the Total Environment, 2016, 559: 7-14. DOI:10.1016/j.scitotenv.2016.03.125 |
| [18] |
杨东, 李艳红, 田春林. 交通运输行业碳排放自然达峰特征与峰值预测研究[J]. 交通运输系统工程与信息, 2024, 24(2): 34-44. Yang D, Li Y H, Tian C L. Natural peak characteristics and peak forecast of carbon emissions in transportation industry[J]. Journal of Transportation Systems Engineering and Information Technology, 2024, 24(2): 34-44. |
| [19] |
杨青, 吴恒, 刘星星, 等. 基于CRITIC-TOPSIS的中国区域碳减排能力评价及空间分析[J]. 武汉理工大学学报(信息与管理工程版), 2024, 46(2): 216-222. Yang Q, Wu H, Liu X X, et al. Evaluation and spatial analysis of China's regional carbon emission reduction capacity based on CRITIC-TOPSIS[J]. Journal of Wuhan University of Technology (Information & Management Engineering), 2024, 46(2): 216-222. |
| [20] |
董棒棒, 李莉, 唐洪松, 等. 环境规制、FDI与能源消费碳排放峰值预测——以西北五省为例[J]. 干旱区地理, 2019, 42(3): 689-697. Dong B B, Li L, Tang H S, et al. Environmental regulation, FDI and energy consumption peak carbon emissions forecast：a case of five provinces in northwest China[J]. Arid Land Geography, 2019, 42(3): 689-697. |
| [21] |
李建豹, 黄贤金, 揣小伟, 等. “双碳”背景下长三角地区碳排放情景模拟研究[J]. 生态经济, 2022, 38(11): 13-18, 35. Li J B, Huang X J, Chuai X W, et al. Scenario simulation of carbon emissions in the Yangtze River delta under the background of “dual carbon”[J]. Ecological Economy, 2022, 38(11): 13-18, 35. |
| [22] |
左朝晖, 李绍康, 杨津津, 等. 基于GA-BP神经网络的页岩气开发区域水资源承载力研究[J]. 环境工程技术学报, 2021, 11(1): 194-201. Zuo Z H, Li S K, Yang J J, et al. Research on water resources carrying capacity of shale gas development area based on GA-BP neural network[J]. Journal of Environmental Engineering Technology, 2021, 11(1): 194-201. |
| [23] |
杨俊祺, 范晓军, 赵跃华, 等. 基于PSO-BP神经网络的山西省碳排放预测[J]. 环境工程技术学报, 2023, 13(6): 2016-2024. Yang J Q, Fan X J, Zhao Y H, et al. Prediction of carbon emissions in Shanxi Province based on PSO-BP neural network[J]. Journal of Environmental Engineering Technology, 2023, 13(6): 2016-2024. |
| [24] |
张驰, 郭媛, 黎明. 人工神经网络模型发展及应用综述[J]. 计算机工程与应用, 2021, 57(11): 57-69. Zhang C, Guo Y, Li M. Review of development and application of artificial neural network models[J]. Computer Engineering and Applications, 2021, 57(11): 57-69. |
| [25] | Jordan B, Gorji M B, Mohr D. Neural network model describing the temperature- and rate-dependent stress-strain response of polypropylene[J]. International Journal of Plasticity, 2020, 135: doi：10.1016/j.ijplas.2020.102811.. |
| [26] | Kriegeskorte N, Golan T. Neural network models and deep learning[J]. Current Biology, 2019, 29(7): R231-R236. DOI:10.1016/j.cub.2019.02.034 |
| [27] | Gu Y, Zhang C Z, Golub M V. Physics-informed neural networks for analysis of 2D thin-walled structures[J]. Engineering Analysis with Boundary Elements, 2022, 145: 161-172. DOI:10.1016/j.enganabound.2022.09.024 |
| [28] | Yan C A, Vescovini R, Dozio L. A framework based on physics-informed neural networks and extreme learning for the analysis of composite structures[J]. Computers & Structures, 2022, 265: doi：10.1016/j.compstruc.2022.106761.. |
| [29] |
董聪, 董秀成, 蒋庆哲, 等. 《巴黎协定》背景下中国碳排放情景预测——基于BP神经网络模型[J]. 生态经济, 2018, 34(2): 18-23. Dong C, Dong X C, Jiang Q Z, et al. Scenarios prediction of the carbon dioxide emissions in China under the background of the Paris agreement based on BP neural network[J]. Ecological Economy, 2018, 34(2): 18-23. |
| [30] |
王永利, 李颐雯, 王欢, 等. 基于改进BP神经网络的河北省碳排放预测[J]. 生态经济, 2024, 40(6): 30-37. Wang Y L, Li Y W, Wang H, et al. Carbon emission prediction of Hebei Province based on improved BP neural network[J]. Ecological Economy, 2024, 40(6): 30-37. |
| [31] |
裘越芳. 人口年龄结构、人力资本及中国经济增长[D]. 北京：中央财经大学, 2017. Qiu Y F. Population structure, human capital and economic growth in China[D]. Beijing：Central University of Finance and Economics, 2017. |
| [32] |
邓若冰, 吴福象. 数字经济对城市碳排放的影响研究：效应与机制[J]. 南京社会科学, 2024(5): 37-48. Deng R B, Wu F X. Research on the Impact of digital economy on urban carbon emissions：effects and mechanisms[J]. Nanjing Journal of Social Sciences, 2024(5): 37-48. |
| [33] |
刘云龙, 常先林, 黄承锋. 经济增长、产业结构和人口结构对中国碳排放的影响分析[J]. 管理现代化, 2022, 42(4): 15-20. Liu Y L, Chang X L, Huang C F. The impact of economic growth, industrial structure and population structure on China's carbon emissions[J]. Modernization of Management, 2022, 42(4): 15-20. |
| [34] |
段宏波, 汪寿阳. 中国的碳中和：技术经济路径与政策选择[J]. 管理科学学报, 2024, 27(2): 1-17. Duan H B, Wang S Y. China's carbon neutrality：tech-economic pathways and policy options[J]. Journal of Management Sciences in China, 2024, 27(2): 1-17. |
| [35] |
陈晨, 李薇, 翟梦瑜, 等. 上海市能源碳排放回顾性分解与前瞻性预测[J]. 生态经济, 2024, 40(3): 22-29. Chen C, Li W, Zhai M Y, et al. Retrospective decomposition and prospective projection of energy carbon emissions in Shanghai[J]. Ecological Economy, 2024, 40(3): 22-29. |
| [36] |
许国钰, 任晓冬. STRIPAT模型下城镇化与水资源载荷的相关性研究[J]. 中国农村水利水电, 2018(1): 40-45. Xu G Y, Ren X D. A study on the correlation between urbanization and water resource load of Bijie City, using the STRIPAT model[J]. China Rural Water and Hydropower, 2018(1): 40-45. |
| [37] |
潘秀. 我国交通运输业碳排放影响因素及预测研究[D]. 徐州：中国矿业大学, 2018. Pan X. Study on influence factors and prediction of carbon emissions from transport sector in China[D]. Xuzhou：China University of Mining and Technology, 2018. |
| [38] |
鲁仕宝, 王少华, 裴亮, 等. 基于LMDI模型的黄河中游城市群水土资源利用影响因素分析[J]. 水土保持学报, 2024, 38(1): 140-148. Lu S B, Wang S H, Pei L, et al. Analysis of influencing factors of water and land resources utilization in urban agglomeration in the middle reaches of the Yellow River based on LMDI model[J]. Journal of Soil and Water Conservation, 2024, 38(1): 140-148. |
| [39] |
张虹, 李晓津. 基于因子分析法的中外航空租赁企业综合评价[J]. 综合运输, 2023, 45(10): 55-59. Zhang H, Li X J. Comprehensive evaluation of Chinese and foreign aviation leasing enterprises based on factor analysis[J]. China Transportation Review, 2023, 45(10): 55-59. |
| [40] |
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. |
| [41] |
谌桢文, 常军. 综合岭回归和SARIMA方法在桥梁健康监测数据分析中的应用[J]. 科学技术与工程, 2023, 23(20): 8846-8853. Chen Z W, Chang J. Application of integrated ridge regression and SARIMA methods in the analysis of bridge health monitoring data[J]. Science Technology and Engineering, 2023, 23(20): 8846-8853. |
| [42] |
张发明, 王艳旭. 融合系统聚类与BP神经网络的世界碳排放预测模型研究[J]. 数学的实践与认识, 2016, 46(1): 77-84. Zhang F M, Wang Y X. Research on world's carbon emissions prediction model integrating cluster analysis and BP neural network[J]. Mathematics in Practice and Theory, 2016, 46(1): 77-84. |
| [43] |
李爽, 张潇巍, 谭旭, 等. 基于深度学习的树木根系探地雷达多目标参数反演识别[J]. 北京林业大学学报, 2024, 46(4): 103-114. Li S, Zhang X W, Tan X, et al. Deep learning-based inverse identification of multi-target parameters for tree rooting ground-penetrating radar[J]. Journal of Beijing Forestry University, 2024, 46(4): 103-114. |
| [44] |
李松涛. 水稻作物产量预测模型的研究——基于多源数据回归模型[J]. 农机化研究, 2024, 46(10): 27-31, 36. Li S T. A study of rice crop yield prediction model——based on multi-source data regression model[J]. Journal of Agricultural Mechanization Research, 2024, 46(10): 27-31, 36. |
| [45] |
刘春梅, 钱啸吟. “双碳”目标下中国能源消费碳排放量预测[J]. 资源科学, 2023, 45(10): 1931-1946. Liu C M, Qian X Y. Prediction of carbon emissions from energy consumption in China under the “dual carbon” goal[J]. Resources Science, 2023, 45(10): 1931-1946. |