基于Lasso-BP神經網絡模型的江蘇省碳排放預測

劉曉蝶，孟祥瑞，王向前

(安徽理工大學 經濟與管理學院，安徽 淮南 232001)

全球氣候變暖問題萬眾矚目，應對氣候變化是全人類共同的責任。聯合國(IPCC)發布的評估報告中指出，全球變暖有90%的原因是來自于溫室氣體的污染[1]，尤其是二氧化碳的排放，能否有效控制碳排放，關乎到人類的未來命運發展。應對氣候危機，我國展現了積極應對氣候變化的大國擔當，2020年9月，習總書記在第75屆聯合國大會上宣布中國將自主增加自主減排貢獻，爭取在2030年前實現“碳達峰”，2060年前實現“碳中和”。

江蘇省作為中國沿海地區經濟發展最快的地區之一，其加工業在全國具有十分重要的地位，因此，識別其碳排放的影響因素，并對其中長期的碳排放量進行預測，對我國實現碳達峰和碳中和的目標具有重要意義。本文以2001—2018年江蘇省的數據作為研究對象，用Lasso回歸對碳排放的影響因素進行篩選，將篩選得到的變量作為BP神經網絡的輸入量，模擬2019—2030年的變量值，對江蘇省2019—2030年的碳排放值進行預測。

一、文獻綜述

全球變暖引起了越來越多的關注，學者們在碳排放預測方面取得了豐富的研究成果。目前，國內外的研究主要集中于對碳排放量及其峰值的預測，學者們基于不同的理論基礎和不同的研究視角采用不同類型的模型對碳排放進行了研究。Loesse等[2]通過對12個南撒哈拉非洲國家1971—2010年經濟與碳排放的研究發現，經濟與碳排放的EKC曲線呈現倒“U”型關系；在施錦芳等[3]的研究中發現，中國在1984—2014年的EKC曲線呈倒“N”型，而日本在1970—1990年EKC曲線呈“N”型；吳立軍等[4-5]使用擴展的EKC模型，利用城市碳排放拐點分析計算出了中國碳達峰時間；Lin等[6]利用GM(1,1)灰色預測模型預測了中國臺灣地區2009—2012年的CO2排放趨勢和達峰時間；渠慎寧等[7]利用STIRPAT模型對未來中國碳排放峰值進行相關預測，預測出實現碳達峰的時間應在2020到2045年之間；Xu等[8]利用STIRPAT模型預測了中國是否能在2030年前完成碳減排目標；Li等[9]基于擴展STIRPAT模型對2020年八種不同情景所產生的碳排放量進行預測；燕振剛等[10]使用BP神經網絡算法對玉米生產碳排放進行了預測，并評估了算法的有效性；仇國芳等[11]利用粗糙集的簡約思想構建出神經網絡模型對陜西省的碳排放量進行預測，分析其變化趨勢及主要影響因素；胡振等[12]以西安市城市家庭為研究對象，采用BP神經網絡算法對其碳排放進行了預測，并將BP神經網絡模型結果與多元回歸模型的結果進行對比，發現BP神經網絡模型的預測結果更準確；Nieves等[13]使用LEAP模型預測了2030年和2050年哥倫比亞產生的能源需求和溫室氣體排放；Fan等[14]以北京公共交通為例，運用LEAP模型分析了2016—2030年期間不同情景下的能源需求和主要溫室氣體排放；Ma等[15]基于LEAP模型對中國交通運輸業碳減排潛力進行評估，分別從基準增長和綜合緩解情景下對2012—2030年交通運輸碳排放量進行模擬預測和情景分析；Li等[16]使用LEAP模型對京津冀公路客運碳排放量進行預測，通過模擬基準增長、部分控制和全部控制的管理情景，分別預測不同情景下2015—2030年公路客運碳排放量。

綜上所述，本文在已有文獻的基礎上，首次將Lasso回歸模型和BP神經網絡模型結合。本文以江蘇省2001—2018年的數據為研究對象，采用Lasso回歸篩選出碳排放的影響因素，將篩選出的變量作為輸入量放入BP神經網絡模型進行訓練，然后用模擬設定情境對江蘇省碳排放峰值進行預測，然后模擬2019—2030年的變量值來預測2019—2030年江蘇省的碳排放值。

二、研究方法

1.Lasso回歸

Lasso回歸模型是1996年由Tibshirani提出的一種有偏估計方法[17]，它通過懲罰函數來壓縮模型的系數，把一些系數壓縮至零，篩選出顯著變量，并且Lasso模型本身就可以處理數據的多重共線性問題[18]。

設x為自變量，y為因變量，n次取樣得到觀測數據的標準化值為(x,y)，其中x為n×p矩陣(n>p)，y為n×1矩陣，x的第i個觀測值為xi=(xi1,xi2,…,xip)T，i∈[1,2,…,n]且各觀測值相互獨立，y=(y1,y2,…,yn)T。y對x的回歸模型表示為：

yi=α1+∑βjxij+εi

(1)

y=βx+ε

(2)

其中ε～N(0,σ2)，若要篩選出影響顯著的變量，則需要給公式(2)加上一個條件，約束表達式如式(3)所示。

(3)

2.BP神經網絡模型

BP神經網絡是一種按誤差傳播算法訓練的多層前饋網絡，它可以貼近任意連續函數，具有很強的非線性映射能力。如圖1所示，BP模型結構包括輸入層、隱層和輸出層[19]，其主要思想是輸入學習樣本，通過反向傳播算法對網絡的偏差和權值進行反復調整和訓練，使輸出值盡可能地與期望值接近。

圖1 BP神經網絡拓撲結構

根據Lasso回歸的篩選結果，把經濟水平、產業結構、人口規模、能源消費總量、能源結構、電力消費、交通發展水平、森林覆蓋率等8個影響因素作為輸入變量，把江蘇省碳排放量作為輸出變量，運用BP神經網絡模型進行預測。

三、模型構建

1.碳排放影響因素指標構建

本文數據均來自《江蘇省統計年鑒》《中國統計年鑒》和《中國能源統計年鑒》。

(1)碳排放核算

對于碳排放量的核算，本文結合已有研究選取原煤、焦炭、原油、汽油、煤油、柴油、燃料油和天然氣等8種能源的消費量來計算江蘇省碳排放量[20]，計算公式為：

(4)

公式(4)中，ki表示第i種能源的消費量，fi表示第i種能源的折標系數，ei表示第i種能源的碳排放系數。根據2006年IPCC發布的國家溫室氣體清單指南對碳排放量進行核算，如表1所示。

表1 能源折標系數和碳排放系數

(2)影響因素分析

本文從經濟、社會、能源、環境等角度初步選取了10個可能影響碳排放量的因素，具體指標體系如表2所示。

表2 江蘇省碳排放影響因素

2.碳排放預測情景值設置

根據中國宏觀發展規劃和江蘇省區域發展規劃，為各變量設置合理的增長率，力求能夠較為準確的描述江蘇省的未來發展。由于本文所需數據在統計年鑒中只更新到2018年，故2019—2021年的指標數據值根據國家與省級發展規劃進行設定。

(1)經濟水平

江蘇省“十三五規劃”指出，預計江蘇省GDP年均增長率為7.5%，故本文參考“十三五計劃”設定2019—2020年GDP增長率為7.5%，根據江蘇省第十四個五年規劃和二〇三五年遠景目標規劃，設定2021—2025年GDP增長率為6.5%，2026—2030年GDP增長率為5.5%。

(2)產業結構

近十年來，江蘇省第二產業占比縮減了9%，且縮減程度逐年減小，根據國家綠色發展戰略，未來將會不斷提高第三產業的比重，因此，假設2019—2020年第二產業占比每年縮減0.3%，2021—2025年第二產業占比每年縮減0.2%，2026—2030年第二產業占比每年縮減0.1%。

(3)人口規模

2001—2018年江蘇省人口年均增長率為5‰，2009—2018年的人口年均增長率為3‰，2018年較2017年人口增長了2‰，根據許家明[21]的預測，江蘇省人口預計2022年達到峰值，隨后人口逐年下降，人口變化設定如表3所示。

表3 江蘇省2019—2030年人口自然增長率

(4)能源消費總量

根據江蘇省“十四五”能源發展規劃以及二〇三五年遠景目標綱要中對全省2020年和2025年能源消費總量的要求，設定2019—2020年能源消費年增長率為2.2%，2021—2025年能源消費年增長率為1.1%，2026—2030年能源消費年增長率為-0.5%。

(5)能源結構

江蘇省“十四五”能源發展規劃指出，我們要持續控煤減煤，推進煤炭消費比持續保持“負增長”，設定2019—2020年煤炭消費占比每年下降1.5%，2021—2025年煤炭消費占比每年下降1%，根據江蘇省2035年能源發展規劃，設定2026—2030年煤炭消費占比每年下降0.5%。

(6)電力消費

江蘇省2013—2018年電力消費年均增長率為4.8%，2017—2018年電力消費增長為5.5%，電力消費增長率不斷增高，故設定2019—2020年電力消費增長率為5.5%，2021—2025年電力消費增長率為6%，2026—2030年電力消費增長率為6.5%。

(7)交通發展水平

根據江蘇省私人汽車擁有量增長趨勢來看，未來私人汽車擁有量仍會不斷增加，設定2019—2020年私人汽車擁有量年增長率為9%，2021—2025年私人汽車擁有量年增長率為7%，2026—2030年私人汽車擁有量年增長率為5%。

(8)森林覆蓋率

國家政府報告中提到，我國要推進生態屏障建設，到2035年森林覆蓋率達到24.1%，目前，江蘇省森林覆蓋率穩定在15.2%，設定2019—2020年森林覆蓋率為15.2%，2021—2025年森林覆蓋率為15.5%，2026—2030年森林覆蓋率為16%。

四、實證研究

1.影響因素篩選

首先，將數據進行歸一化，消除數據之間可能存在的非線性關系，然后，將處理好的數據導入R軟件中，使用Lasso回歸分析對碳排放影響因素進行分析。

采用K折CV交叉驗證來確定s值，CV交叉驗證的結果如圖2所示，橫坐標為λ，縱坐標為模型中的均方根誤差，即CV值，隨著λ值不斷增大，模型的均方根誤差也不斷增大。圖2中左邊虛線上方所對應的數值8則表示s位于第八步。

圖2 CV殘差圖

如圖3所示，圖中描述了每個自變量的變化軌跡，隨著橫坐標懲罰力度的增加，變量系數基本都不斷減小，最終縮減為0。

選取最優的λ值，帶入Lasso模型中，擬合出Lasso回歸模型的系數，隨著懲罰力度的增加，變量系數基本都不斷減小，最終縮減為0，如表4所示，A4和A7的系數被壓縮為0，被模型剔除，篩選出8個顯著變量，分別為經濟水平(A1)、產業結構(A2)、人口規模(A3)、能源消費總量(A5)、能源結構(A6)、電力消費(A8)、交通發展水平(A9)和森林覆蓋率(A10)。

表4 Lasso回歸系數

2.BP神經網絡預測

選取2001—2014年的數據為訓練樣本，2015—2018年的數據為測試樣本，通過訓練樣本多次訓練，得到網絡結構為8-6-1，將訓練次數設置為1000次，學習速率為0.01，訓練目標最小誤差為0.00001。利用訓練好的BP神經網絡對測試樣本進行預測，得到2015—2018年預測值與實際值的誤差圖，如圖3所示，平均絕對誤差為0.016，表明BP神經網絡模型在當前數據下對江蘇省碳排放預測具有較高的擬合度。

圖3 BP網絡測試結果

將模擬設定的2019—2030年的影響因素數據帶入訓練好的BP神經網絡模型中，得到江蘇省2019—2030年的碳排放預測值如表5所示，從預測結果可以看出，在模擬情景下，2019—2023年江蘇省碳排放量不斷上升，但增速緩慢，若江蘇省按照各設定指標情形進行發展，在2023年即可實現碳排放達峰，能夠實現江蘇省“十三五規劃”中對于節能減排工作的目標。2023—2030年碳排放量逐年減少，在此情景下，江蘇省的能源消費情況和碳排放量都將得以改善，但是在全國能源新形勢大環境下，江蘇省要想同時實現經濟發展與低能耗、低排放的雙重目標，仍然需要從產業結構、人口規模、煤炭與電力消費、交通發展水平和森林覆蓋率等多方面開展工作。

表5 2019—2030年碳排放預測值

五、結論與建議

1.結論

本文建立了Lasso-BP神經網絡組合模型對江蘇省2019—2030年的碳排放量進行了預測，主要結論如下。

(1)通過Lasso回歸篩選出對江蘇省碳排放影響較為顯著的因素包括：經濟水平、產業結構、人口規模、能源消費總量、能源結構、電力消費、交通發展水平和森林覆蓋率。

(2)通過BP神經網絡模型對現有數據的訓練和測試，預測誤差僅為0.016，在模擬情景下，2019—2023年江蘇省碳排放量不斷攀升，將在2023年實現“碳達峰”，2023年之后碳排放量逐年下降。

2.建議

結合實證分析結果，本文對江蘇省實現碳減排目標工作提出以下建議。

(1)加快產業結構調整。江蘇省的經濟發展離不開第二產業，第二產業碳排放量占比較大，未來幾年是產業結構轉型與能源消耗結構升級的重要時期，江蘇省要控制高碳企業發展，加快傳統企業轉型升級，淘汰高能低產產業，扶持第三產業發展。

(2)促進綠色能源消費。降低煤炭等化石能源的消耗比重，同時提高化石能源的利用效率，加大可再生能源的使用量，鼓勵新能源公司進行科研技術開發，加強居民與企業的清潔能源使用觀念，促進能源消費結構調整。

(3)發展城市公共交通與環境綠化。公共交通高效發展有助于節能減排工作的實施，江蘇省應該加快城市地鐵、新能源公交以及共享單車設施建設，為市民提供快捷、低碳的生活服務，倡導全民參與低碳生活。同時，城市綠化率保持高水平有利于生物多樣性，能夠促進二氧化碳的吸收，對于“碳達峰”和“碳中和”目標提供一定的生態保障。