基于機器學習的碳排放研究熱點文獻計量分析

李聰慧 黃林昊 祁芳斌 王慰娟 張先佶

（福建開放大學，福建 福州，350003）

一、引言

人類社會高速發展對能源的消耗帶來碳排放量的與日劇增，隨之而來的全球氣候變化造成難以估計的生態危機受到全人類的共同關注。[1]“雙碳”政策在各行業的貫徹落實是我國自2020 年作出該國際承諾以來的有力保障，也是作為最大發展中國家探索緩解全球氣候變化，構建人類命運共同體的大義之舉。[2]近年來，機器學習算法的優化使得通過學習現有數據規則預測未來發展趨勢越來越準確，而要實現碳達峰、碳中和，最根本的是要對碳排放量進行有效預測，在此基礎上施行更合理的政策引領、制度改革以及產業結構調整[3-5]等舉措。目前，國內外圍繞機器學習和“雙碳”的單方面研究已逐漸成為熱點，有關機器學習在排碳量估計及預測方面應用的綜述性文章，大部分偏向于模型的總結[6]或某項具體方法的探討，如碳捕獲過程概述[7]等，系統全面的分析尚缺乏明晰的量化。文獻計量分析以其直觀的可視化結果和客觀的量化分析，[8]為揭示機器學習在碳排放相關領域的研究現狀及發展趨勢提供了可能。研究通過系統分析近十年來機器學習在碳排放相關領域的國內外應用研究現狀，提出該領域未來發展的空缺和重點，將對推動機器學習算法在碳排放領域的深度應用提供理論基礎。

二、數據源及分析處理

2023 年4 月2 日選取近十年來（2013 年1月1 日—2023 年4 月1 日）中國知網（CNKI）和Web of Science 核心合集（WOS）兩個數據庫進行關鍵詞搜索，分別設置中英文檢索條件，中文檢索詞為“神經網絡and 碳排放”or“深度學習and 碳排放”or“機器學習and 碳排放”；英文檢索詞“deep learning and carbon emission”or“machine learning and carbon emission”or“neural network and carbon emission”。經過保留期刊文獻及學位論文，剔除與研究方向無關的主題等篩選，最終CNKI數據庫中選取相關文獻506 篇，WOS 中選取相關文獻1772 篇。文獻的分析和處理使用當前常用于文獻計量分析的CiteSpace 6.2.R2 軟件，對關鍵詞、作者、國家、研究機構等進行科學分析和可視化呈現。數據處理和制圖使用Microsoft Office Excel 2019。

三、研究結果與分析

（一）研究總體分布情況

2013—2022 年國內外基于機器學習的碳排放研究領域發文量呈指數增長（見圖1）。外文期刊較中文期刊具有更強內生力。隨著2012年深度卷積神經網絡AlexNet[9]作為深度學習新紀元重新點燃了業界對深度學習的熱情，碳排放量的估計和預測領域也作出新嘗試，相關研究隨著各國對全球氣候變化的重視迅速成為熱點，尤其自2016 年以來真正進入快速發展時期，這可能與AlphaGo[10]戰勝人類的熱度為各行業打開了一道融合發展的大門有關。能源資源稟賦結構和生產力布局調整等多重壓力下，[11]我國碳排放總量居于世界領先地位，[12]但人類命運共同體的大國擔當展現在深度學習掀起機器學習浪潮之初，國內學者便展開了相關碳排放估計和預測的研究，CNKI 近十年來平均發文量49 篇/年，WOS 平均發文量160 篇/年。可見，碳排放對全球氣候變化影響的國際共識已逐步深化，而我國的研究也從探索國內可行性向人類命運共同體大局出發。由表1 可見，近十年來，我國是將機器學習應用于碳排放領域研究的領先國家，相關發文量占國際發文總量的43.74%，約與發文量排名前六的其他國家總量相當，而將“雙碳”承諾轉化為絕對科研熱度，更展現出作為發展中國家為全球氣候變化作貢獻的決心。澳大利亞的中心度最高（0.15），我國的中心度較低（0.01），表明我國還需投入更大精力在該領域的深入研究中。此外，該領域的綜述性文章雖已有61 篇，但主要側重于技術改革、清潔能源、森林監測以及火災探測等相關領域展開，其中，我國相關綜述類分析占比近三分之一，且多側重于“雙碳”背景下城市建設的節能減排建設方案，如汽車電池優化、[13]廢棄物處理、[14]政策介導[15]等，在碳排放量的估計和預測方面的研究還存在缺口。

表1 Web of Science 近十年基于機器學習的碳排放研究領域發文量排名前十國家

圖1 近十年基于機器學習的碳排放研究領域發文量統計

（二）研究作者及機構分析

基于機器學習的碳排放研究尚處于起步階段，領域內作者并未出現較明顯的集群現象。由表2 可見，近十年發文最多的學者Sun，Wei自2016 年以來也才發表10 篇SCI 論文，但從作者層面依舊展現出我國學者對將機器學習應用于碳排量估計和預測等方面的重視。通過CNKI 作者分析也表明，該領域作者發文量并不集中，可見，該領域的國內合作研究仍需加強。

表2 發文量排名前五作者

基于機器學習的碳排放研究領域科研機構分析（表3）可見，華北電力大學在國內外均表現出對該領域研究的絕對優勢，既是國內最早開展研究的機構，也是綜合發文量最大的機構，近十年來的總發文量達113 篇，占該領域國際總研究的5%。中國科學院在該領域的研究也較為突出，自2016 年以來發文79 篇，且中心度達到0.16，是該領域研究的核心機構，可以預測，未來中國科學院將在該領域發揮更大作用。

表3 發文量排名前五機構

（三）關鍵詞及研究趨勢分析

高頻關鍵詞是研究領域熱點和趨勢的代表，[16]近十年來基于機器學習的碳排放研究熱點見圖2。國內研究熱點圍繞碳排放（關鍵詞出現89 次）、神經網絡（30 次）、機器學習（28次）、影響因素（24 次）以及預測（20 次）等展開，國際熱點以machine learning（319 次）、artificial neural network（206 次）、model（192次）、prediction（192 次）等為重點。可見，國內外的研究熱點主要為碳排放量的預測，國內側重于碳排放量對城市治理和產業結構的綜合影響，而國際則更側重于算法的優化。

圖2 近十年基于機器學習的碳排放研究領域關鍵詞共現圖譜

國內外關鍵詞聚類圖譜的可視化結果進一步清晰對比了研究趨勢，節點大小指示著領域發展熱度持續時間和趨勢變化重點。研究基于對數似然比（Log-likelihood Ratio）算法[17]的聚類結果加以分析，由圖3 可見，國內相關領域的研究相對較集中，在11 個關鍵詞聚類結果中，神經網絡成為機器學習中的重點，在碳排放研究中占據重要地位。但在神經網絡具體方法上，國內相關研究并未有所突破，將一些當前熱門神經網絡模型，如可提取空間特征的卷積神經網絡、[18]可提取時間特征的循環神經網絡和長短期記憶網絡[19]以及可提取時空特征的圖卷積神經網絡[20]等應用于評價和預測模型構建上，將是未來該領域的最大努力方向。此外，在國內“雙碳”政策大背景下，一些關于低碳節能的產業研究方向也是當下研究的主流，石油、森林、海洋等資源的合理利用，[21-23]車輛、船舶、交通等建設的節能減排，[24-26]以及人類生活方式改變等城市改革方案制訂[4，5，27]等一些領域都在探索可行路徑，但目前領域間差異融合尚未形成相對統一的模式，有待進一步深入探索。

圖3 基于機器學習的碳排放研究領域（CNKI）關鍵詞聚類時間線圖

圖4 所示，國際相關領域的研究則更為豐富，關鍵詞的14 個聚類結果都相對獨立又彼此聯系，構建起利用機器學習方法研究碳排放的多元路徑，在作用對象方面有關于柴油機（#3）、禽舍（#10）、壓縮天燃氣（#12）等不同方向策略性研究，該方面與空氣污染（#4）相關研究息息相關，這可能就引起對碳價格預測（#8）的需求；另一條與環境相關的研究線路中，碳的水相（#6）化處理與碳貯存（#5）有關聯；而以上過程的研究將回歸到生命周期評估（#2）上來，對于社會面經濟增長（#1）具有最終指向性。

圖4 基于機器學習的碳排放研究領域（WOS）關鍵詞聚類圖譜（上）及關聯趨勢圖（下）

基于機器學習研究碳排放的關鍵詞突現分析（表4）可以看出，國內外相關研究強度介于2 ～9 之間，國外突現強度略高于國內，其中以“aqueous solution”強度最高（8.21），國內則以“預測模型”強度最高（3.43）。從時間維度來看，2016—2018 年突現詞最多，且以國外關于深度學習模型算法的研究居多?？傮w來看，關鍵詞突現與聚類結果相一致，國外相關研究以深度學習中的神經網絡優化為主，在2015 年“artificial neural network”突現詞出現后，2017 年逐漸出現關于利用粒子群算法（particle swarm optimization）的優化以及基于梯度下降優化算法的“bp neural network”的研究，而2018 年又進一步在神經網絡中加入模糊算法的優化從而突現出自適應模糊神經網絡（anfis）。與國外相關研究相比，國內關鍵詞突現出現的時間相對較遲，雖然自2008 年新修訂的《中華人民共和國節約能源法》使“節能減排”以法律責任的形式得以細化，且在2011 年首次下發的《“十二五”控制溫室氣體排放工作方案》進一步推動了碳排放領域與同一時期出現的深度學習相融合，但“節能減排”關鍵詞自2013年突現后并未在國內引起相關研究的深入，自2020 年才又在國內逐漸引起重視，且由突現詞可見國內相關研究尚處于起步階段，尤其需要與國際接軌，更多重視深度學習在排碳量預測領域的應用，才能賦予“雙碳”政策以更豐富的時代價值。

表4 基于機器學習的碳排放研究領域（CNKI 和WOS）關鍵詞突現分析表

四、結論

我國是最早嘗試將機器學習算法應用于碳排放研究領域的國家，且近十年來，我國對該領域的重視程度遠高于其他國家，表現出全球最大的發展中國家在緩解氣候變化上的堅持；但從發文總量和作者及機構的發文貢獻上來看，我國的研究進展尚處于起步階段，國內作者的研究集群合力還不明顯；華北電力大學作為研究的核心機構需要與具有科研潛力的中國科學院合力推動該領域的高質量研究開展，如碳捕獲技術開發、[7]能源優化利用、[28]深度學習算法優化、[29]生態補償標準制訂[4]以及企業行業結構調整措施改革[3]等。

深度學習在排碳量估計及預測領域應用是當前國內外研究熱點。目前，國際上的相關研究較為系統全面，構建起由碳生命周期評估指示社會經濟增長的全鏈條聯系，并分為兩條路徑加以解決，一條由具體環境污染問題解決，上升到碳價格預測；另一條則以碳的水相處理，上升到碳貯存技術優化，該思路為國內研究提供了借鑒，需要在關注產業政策及企業、社會生活方式變革的基礎上，優化升級算法適用性，提升碳排量估計和預測精度。

從關鍵詞聚類的國內11 個聚類結果和國際14 個聚類結果來看，神經網絡算法在碳排放研究領域的應用是國內外研究的重點和熱點，當前的神經網絡算法已對最初提出的人工神經網絡做了更多如粒子群算法、[30]梯度下降算法[25]以及模糊算法[31]等處理，方法的優化將對碳排放量的估計和預測發揮有力作用，需結合人類社會發展的碳減排技術和舉措改革進一步深化研究，為減緩全球氣候變化提供新依據。

五、展望

利用機器學習算法對碳排放量的估計及預測將是我國貫徹“3060 雙碳”政策的大勢所驅，尤其是深度學習算法的優化為排碳量準確計算和預測結果的精度提升提供了強大的技術動力，但該領域縱深研究上還缺乏較為系統全面的國際和國內合作，未來領域研究的重點和趨勢也需進一步從智能化技術改進和科學化評估預測雙向發力，加快教產學研一體化建設，推動科研產出向產業發展的有機轉化，真正站在人類命運共同體的高度攻克極端氣候頻發等氣候變化難關。