基于支持向量機的重污染工業企業碳風險預警研究*

周志方 肖 恬(.中南大學商學院，湖南 長沙 40083；2.兩型社會與生態文明協同創新中心，湖南 長沙 40083)

隨著全球資源能源供應趨緊、國際國內加緊對重污染工業企業廢棄物特別是碳排放量管制的趨勢，中國重污染工業企業的內外部經營環境也發生了深刻的變化。雖然氣候變化框架公約體現的是“共同但有區別責任”的原則，即作為發展中國家的中國暫時不承擔碳排放削減義務[1]，但是中國自2006年后超越美國成為碳排放量最大的國家這一情況飽受國際詬病；加之中國“兩型”社會建設以及發展低碳經濟為導向的國家政策給中國企業、特別是中國重污染工業企業的長期生存與發展帶來巨大的減排壓力，使得相關企業不得不加強對碳排放的管控意識，進而必須具備和提高碳風險意識。中國重污染工業企業相比其他工業企業來說碳效率較低、含碳廢棄物排放量大、與碳排放相關的事故頻發，面臨著較大的碳風險。正確認識和管控碳風險是今后中國重污染工業企業必須面臨和解決的重大問題。

碳風險管理已在全球引起了廣泛關注，盡管對于低碳發展、評價環境風險的主要內容及方法以及環境風險預警已有了較全面的探索[2-9]，但已有的各項研究缺乏對碳這一重要環境污染元素的針對性。碳風險作為環境風險的一個重要組成部分，學術界對其研究仍存在較大空白，中國乃至國際對碳風險管理的研究仍然僅限于識別風險及評價風險，而對于碳風險的預警和管理來說，相關研究的缺乏導致不僅未形成較統一的碳風險評價指標體系，并且缺乏主流的碳風險及指標數值量化的評價方法與工具。企業面臨的碳風險是復雜的，有些碳風險往往難以量化。本研究試圖綜合運用層次分析(AHP)法與德爾菲法，借鑒現行的多種低碳經濟發展情況評價體系和環境風險評價指標體系，從中提升出針對碳風險管理的各項指標，建立起一套碳風險預警指標體系，并結合定性與定量分析，采用企業3年前的相關指標數據并與企業碳風險現狀對比，借此訓練預警模型。在模型工具的選用方面，支持向量機(SVM)模型作為機器學習的最新成果，在預警商業銀行客戶流失風險及若干類企業的財務風險[10-12]研究方面都取得的良好效果。這表明，SVM模型用于風險預警研究的可行性，及其在應用范圍方面仍有較大的可擴展性。

1 重污染工業企業碳風險的內涵與類別

根據2010年環境保護部公布的《上市公司環境信息披露指南(征求意見稿)》中指示，火電、鋼鐵、水泥、電解鋁、煤炭、冶金、化工、石化、建材、造紙、釀造、制藥、發酵、紡織、制革和采礦業等16類行業被認定為重污染行業。

重污染工業企業碳風險指的是因重污染工業企業實施節能減排、發展低碳經濟而帶來的企業經營的不確定性。企業在運用各種資源能源進行生產、獲取經濟利益的同時，承擔著與碳排放和含碳廢棄物處理相關的、可能導致企業蒙受損失的風險。碳風險的形成原因主要可歸集為：國際國內的環境保護政策；企業低碳技術的革新；企業管理目標的轉變；市場需求影響等。

企業中碳元素的產生與流轉主要來源是化石能源的消耗，從資源物質流轉[13]角度分析，企業碳風險的分類即可依據化石能源所含碳流在企業中流轉的3大過程，即投入、消耗、產出階段進行探討(見圖1)。在化石能源投入階段，企業投入生產的能源結構對其碳風險水平有著至關重要的決定性作用；企業在推行節能減排、降低碳風險時進行的大規模的新技術研發和新設備更新，有可能導致大量營業外支出而對企業的持續經營產生不利影響；在化石能源消耗階段，化石能源利用效率、歷史事故的次數、碳排放權交易以及政策對于重污染工業行業的管制等，都從不同的方面影響著企業的碳風險水平[14-16]；在化石能源產出階段，企業碳風險主要由碳排放風險與競爭力風險組成。

注：本研究中碳排放風險的定義僅限于企業含碳廢氣的排放風險。圖1 碳風險分類Fig.1 Categories of carbon risk

2 SVM模型分類機制

SVM模型擅長解決小規模樣本、非線性及高維模式識別問題，能根據有限的樣本信息在模型的復雜性(即對特定樣本的學習精度)和學習能力(即無錯誤地識別任意樣本的能力)之間尋求最佳折衷，以獲得最好的推廣能力[17]。運用SVM模型對重污染企業碳風險進行預警研究有著較高的準確性與推廣性。

二維兩類線性可分問題中，盡管存在著很多可能的線性分類器可以正確區分兩類模式，但SVM模型旨在尋找一個盡可能精確的最優超平面，使兩類樣本點到這個最優超平面的分類間隔的邊際最大，也就是預測的誤差最小[18]。定義n個訓練樣本點(xi,yi)組成樣本集D∈Rd，其中i=1，2，…，j，…，n；xi為第i個訓練樣本；yi為t元類別符號，t取決于樣本的類別數量；Rd為樣本空間。存在這樣一個分類超平面wTxi+b=0，xi∈Rd，給定條件yi(wTxi+b)≥1，w為坐標系下xi和yi的系數組成的二維行向量，b為任意常數。為使得Rd中任一點(xi,yi)都能夠滿足給定條件，求最優超平面的問題轉化為求式(1)二次規劃問題的最優解：

(1)

式中：φ(w)為二次規劃問題的目標函數。

(2)

式中：α為拉格朗日乘數；αi、αj為樣本點(xi,yi)和(xj,yj)相對應的拉格朗日乘數。

αi(yi(wTxi+b)-1)=0

(3)

而對于非線性可分問題即無法用一個超平面將樣本點分為兩類時，需要引入松弛變量來推廣最優分類超平面的概念。定義第i個訓練樣本的松弛變量(ηi，ηi≥0)使得超平面wTxi+b=0滿足條件不等式yi(wTxi+b)≥1-ηi。當ηi∈(0,1)時，xi仍能被正確分類；當ηi≥1時，條件不等式失效。因此，必須借助另一目標函數(ψ(w,η)，見式(4))來判斷。

(4)

式中：η為松弛變量；C為懲罰因子。

借助核函數K(xi,xj)來代替最優分類面中的xi·xj，即可實現將原特征空間映射到更高維的空間，將原本線性不可分的問題轉化為近似線性可分的問題，并且減少了計算量，此時就可以利用二次規劃來實現SVM模型。應當注意的是，并非所有的樣本點都有一個ηi與其相對應。實際上只有那些“離群點”才有，或說是所有沒離群的點松弛變量都等于0；并且，松弛變量的值實際上標示出了對應的點到底離群有多遠，松弛變量的值越大，對應點就離群越遠。核函數的選取一般是用滿足Mercer條件的對稱函數即可。此時，優化函數變為式(5)。相應地，判別函數(f(x))見式(6)。

(5)

(6)

式中：x為空間橫向坐標；b*為分類域下限值，可以對兩類模式中任意一對支持向量取中值求得。

對于核函數的選擇有很多種，KEERTHI等[19]證明了RBF核函數(也稱高斯核函數，其函數式見式(7))不僅簡化了求解難度、減少了參數數量，還在處理自變量與因變量之間的非線性關系上有著很明顯的優勢。因而，本研究選取了高斯核函數作為SVM模型的核函數，將高斯核函數代入式(6)得到最終判別函數(見式(8))。

K(xi,xj)=exp(-g·‖xi-xj‖2),g>0

(7)

(8)

式中：g為高斯核函數參數。

由式(8)可知，利用高斯核函數支持的SVM模型需要若干樣本來訓練C和g以期達到準確的分類效果。

3 基于SVM的重污染工業企業碳風險預警模型

3.1 重污染工業企業碳風險預警流程

風險預警模型是企業為預先警示經營的薄弱環節、以事前控制的理想狀態規避一定的風險而建立的一套重點監測碳有關指標或碳風險警戒標準。在相關的碳風險出現時，有關人員能據此分析企業碳風險的產生原因或是企業生產中的潛在問題并及時針對這些問題作出相應的防范措施的一種數據化管理模式。碳風險預警模型的關鍵就在于預警指標體系的建立。企業碳風險預警流程如圖2所示。

3.2 重污染工業企業碳風險預警指標體系

指標可以通過對表面數據和現象的處理，抽象出事物內部本質聯系與變化規律，并最終以較簡單的形式表達出來。因此，評價指標是評價體系的骨架，科學建立有效的評價指標體系是決定一個企業綜合評價成功的關鍵。指標體系既要反映其內涵，又要綜合考慮環境社會特性、企業生產流程以及碳元素流轉狀態；既要有利于公司管理決策，又要有利于行業發展。

企業碳風險預警指標體系作為一種多指標綜合評價方法的應用，其“不平衡性”尤為突出，因而指標權重的確定很重要。指標權重的確定主要遵循系統優化、群體決策以及引導意圖與現實相結合的原則。

在國內外文獻研究中，對指標權重確立方法的選擇主要有主觀賦權法和客觀賦權法兩種，前者主要涵蓋指數比較法、專家評價法、AHP法等，后者主要包括主成分分析法、因子分析法、熵值法等，兩者各有利弊[20-21]。前者雖能反映評價的真實目的，但易受主觀因素影響；后者雖可避免人工干預，但不能有效反映目標的真實重要性程度，且需大量原始數據作為支撐。由于企業碳風險的特征限制了客觀賦權法的應用，而定性與定量相結合的AHP法更適合于確定評價客體的指標權數：(1)個體主觀思維呈現數字化和系統化特征、能以有限數據揭示問題內在因素；(2)“樹”狀特征不僅為碳流在企業流轉3環節提供了“結構”基礎，也增加了其實際應用的靈活性；(3)隨著數據積累的增加，可與德爾菲法及客觀分析法聯合使用以增加指標權數的客觀性。

圖2 重污染工業企業碳風險預警流程Fig.2 The procedure of carbon risk early warning of heavy-polluted industrial enterprises

需要注意的是，由于受專家填表隨意性以及其他不確定因素的影響，因此在運用AHP法兩兩比較構造判斷矩陣時，應運用德爾菲法以多輪匿名征詢的方法構造判斷矩陣，再用AHP法進行一致性檢驗和計算權重值。

指標權重的確定過程[22]是：

(1) 建立層次結構模型。

(2) 專家判斷。①選擇專家，所選專家一般5～20個為宜；②依據相關資料，讓每個專家對各層次因素集給出一個判斷矩陣；③回收專家的判斷結果并計算判斷矩陣各元素的均值與離差；④將計算結果及資料返還給專家，要求重新確定判斷矩陣；⑤重復上述第③、④步，直至離差不超過預先標準，即專家意見基本趨于一致。

(3) 計算權重向量。根據判斷矩陣，先計算判斷矩陣的特征向量，然后進行歸一化處理。特征向量就是各指標(因素)相對上一層次的相對重要程度，即權重向量。

(4) 計算判斷矩陣一致性指標，檢驗其一致性。①計算一致性指標(CI，見式(9))。當判斷矩陣具有滿意的一致性時，λmax稍大于n，其余特征根均接近于零，此時所得權重向量才基本符合實際。②找出相應的平均隨機一致性指標(RI)，計算一致性比例(CR，見式(10))。一般認為，當CR<0.1時，判斷矩陣基本符合完全一致性條件；當CR≥0.1時，認為所給出的判斷矩陣不符合完全一致性條件，需要進行調整和修正判斷矩陣的元素取值。

(9)

CR=CI/RI

(10)

式中：λmax為最大特征根。

依據本研究指標設置邏輯，經過指標形式確定、指標初選和指標體系完善，確定遞階層次結構(目標層、準則層和指標層)；通過查閱和收集重污染工業企業生產的相關資料和信息，采用頻度統計法、理論

分析法和專家咨詢法的初選確定了45個評價指標，其初選指標涵蓋經濟效益、環境保護、碳流物質流及價值流轉量等各方面。在指標篩選過程中，剔除18個可行性和準確性無法滿足的指標，經過指標主成分分析和獨立性分析剔除9個指標，最終留下18個評價指標，限于篇幅不予詳細列出。最終確定的重污染工業企業碳風險預警指標如表1所示。

3.2.1 投入階段

(1) 節能減排技術指標

節能減排技術研發支出占比是評價企業在評估年份內節能減排技術和設備方面的投入力度，體現企業對于節能減排的重視程度。節能減排技術研發支出的下限往往是當地政府強制政策或企業所在園區的強制準入條件，考慮這一支出比例，是為了直接考察企業的節能減排意識和重視程度，這種意識和重視可從側面考評、預測企業的碳風險。

(2) 能源結構指標

消耗的化石能源占總能源比例是用來評估企業在評估年份的能源結構合理程度，相對來說，該比例越高，企業碳風險相應越高，反之則越低。從長遠來看，化石能源的限制使用是政府政策的必然趨勢。

3.2.2 消耗階段

(1) 能源效率指標

單位產值(產量)能耗是指生產單位產品或萬元產值所消耗的碳流價值量，用以衡量企業的碳效率；節能效果是指與上年比較，評估年份企業年節約能源總量的指標；節能設備運轉率是衡量企業相關節能設備的啟用、運轉與保養狀況；化石固廢資源綜合利用率是對企業實行固廢資源循環利用以及循環經濟的效果進行評價。

表1 重污染工業企業碳風險預警指標體系Table 1 Carbon risk prediction indicator system

(2) 事故風險指標

近5年事故發生次數是指企業在近5年內發生的與碳排放相關的環境污染事件次數；應急措施完備程度是評價企業是否制定了健全、有效的處理碳排放緊急事件的應急措施。

(3) 碳交易風險指標

碳交易事項參與程度是評價企業參與碳排放權交易市場的程度。這一指標的影響可能是雙向的，即企業作為排放權交易的賣方時，可以從側面認定企業的碳排放量較少、碳風險較低，反之則較高。

(4) 政策管制指標

強制性政策達標情況是指企業是否達到地區、國家政策或行業規范的排放量及排放濃度等要求；違規碳排放罰沒情況是指企業的排污費或因違規違法而導致的經濟利益流出情況。

3.2.3 產出階段

(1) 碳排放指標

溫室氣體排放量是評價企業在評估年份中以二氧化碳為主的溫室氣體排放總量；減排效率是衡量企業在評估年份中單位減排投入引致的碳減排量。

(2) 競爭力指標

節能產品占產出產品比是指用于衡量企業產品結構中節能產品的比例，該指標越大，企業的競爭力越強；節能減排成果受表彰情況是反映企業的節能減排成果的社會認可度，包括行業協會、政府及國際組織給予的稱號、獎勵等；碳信息披露程度是評價企業的社會責任報告或可持續發展報告、年報中與碳排放相關信息披露的完善、真實程度；節能減排宣傳效果是衡量企業對于節能減排的宣傳力度與效果，不僅包括企業內部的宣傳，還包含企業節能減排宣傳對地區甚至社會的輻射效果；能源與環境管理制度完備程度是評價企業能源與環境管理相關制度的制定、完善與執行狀況，如是否進行了ISO 14001環境管理體系認證等。

考慮到碳風險評價時缺乏相應的規范性量化評估方法，對碳風險的評價采用德爾菲法，德爾菲法具有匿名性、反饋性和評估結果收斂的特點。其優勢在于可以有效集中相關領域專家的經驗、依靠他們的知識儲備及對相關問題的了解，通過反復的評分修正，加之避免了群體內成員受他人的影響或是個人局限，采用德爾菲法對企業碳風險的評價結果較客觀并易于理解和操作。

評價標準如下：將相應指標的實際發生值發放給各位專家，咨詢各位專家對于評估年份內企業各指標的評分，專家估分值為0～5.0分。5.0分為最高分，表示專家對企業某一指標的完成情況感到滿意；反之，得最低分0分。統一規定，樣本企業年度財務報表、社會責任書及可持續發展報告書中未予以披露的指標數值，按謹慎性原則統一評分為2.5。在獲得第一輪評分后，各指標取平均值后再將結果發回專家團，專家們根據第一輪評分結果平均值進行再評分，收集結果后再計算平均值，多輪反復后得到較統一的答案。

3.3 碳風險預警模型的構建

設企業碳風險預警指標體系中含有s個指標數值，SVM的輸入即為s維；判別企業碳風險狀況的結果為t個(本研究中即風險高或風險低兩種情況，則t=2)，即輸出為t維。則n個企業構成D={(xi,yi)|i=1,2,…,n}。對所有企業輸入德爾菲法評分的最終結果，并定義碳風險高企業標簽為-1、碳風險低企業標簽為1，輸入樣本企業的數據及標簽用以訓練模型與確定參數，采用網格搜索法與交叉驗證法來確定最優參數組C和g，網格搜索法即將參數組的所有可能取值來訓練模型進行參數尋優。用交叉驗證法來確定模型的預測正確率，即將樣本總體均分為v組，用其中的某一組作為驗證樣本，其余的v-1組作為樣本，如此循環v次，最終準確率由v次驗證正確結果總和數除以樣本總數確定。取使訓練平均準確率最高的參數組作為最優參數組，最后得到可用于判定實驗企業碳風險狀況的預測模型。

4 實證分析

選取被《上市公司環境信息披露指南》認定為重污染行業內的上市公司，數據來源為其公布的2012年度財務報表與社會責任報告或可持續發展報告書，并以某企業2012年數據作為實驗樣本，判斷該企業是否具有碳風險。選取的樣本企業主要滿足以下條件：來自重污染工業各行業、2012年碳風險的相關數據可得，具體見表2。選取2012年作為評估基準年出于兩方面的考慮：(1)在2012年，越來越多的企業公布了與節能減排信息密切相關的社會責任報告或可持續發展報告書，便于原始數據的收集；(2)2012-2014年有3年的間隔時間，以2012年的數據評估企業碳風險，以企業碳風險現狀來驗證模型評估結果的準確性，保證預警系統可以在提前3年的情況下對企業碳風險狀況進行評估。

表2 樣本企業行業分布Table 2 The industry distribution of sample enterprises

運用Matlab軟件加載Libsvm工具箱對樣本企業數據及實驗企業數據進行處理，由于建立的企業碳風險預警指標體系中含有18個指標，SVM的輸入即為18維；判別企業碳風險狀況的結果為2個(1/-1，即碳風險低/高)，即輸出為2維，50個企業構成了模型的樣本集，即輸入18×50的樣本數據矩陣。定義2012年后被披露因淘汰落后裝備、推進節能環保和結構調整改造而導致大量營業外支出或由于重大污染事件而關停、調整的20家企業標簽為-1，視為因企業在發展節能減排過程中陷入嚴重碳風險；其余30家企業標簽為1。由樣本企業的數值建立svmtrain與svmpredict運算。

將各樣本的18個指標數值輸入模型，并按對應順序輸入標簽1或-1，相互對應的樣本數據與其標簽順序構成了SVM模型的分類標準用于訓練模型的參數。由于可參考的最優參數值很少，因而要采用較大的取值范圍。選取C為[10-4，104]、g為[2-10，210]，每次參數增加的步長均取0.05，采用五折交叉驗證(即進行5次迭代)。

結果顯示，經過5次迭代后，最高單次預測準確率可達98%，最高平均準確率為95%，達到最高平均準確率的參數組(C，g)為(1.021 9，1.525 9)。當log2g達到0.609 7時、log2C在(0.031 25，0.200 00)內，預測準確率均為95%。模型顯示，在g∈(1.525 9，1.527 0±ε)內(其中，ε為無窮小量，以保證數據估計值的準確性)，對應的C均可保證95%的預測準確率，但當g≥(1.527 0±ε)時，預測準確率下降；當log2C到達定點0.200 00后，C的增加不再對準確率造成影響。模型默認選取第一次使得準確率最高的參數組為默認參數，因而(1.021 9，1.525 9)為最佳參數組。在運行結果中顯示，g對提高預測準確率的影響比C更顯著。利用模型參數尋優得到的最優參數組，隨機選取樣本中的30家企業作為訓練樣本、另20家企業作為驗證樣本帶入模型，驗證結果見表3。

表3 模型驗證結果Table 3 The validation result

將實驗企業的數值輸入模型，預測結果顯示實驗企業預測碳風險標簽為1，即預測實驗企業的碳風險水平較低，節能減排技術推進效果較好；這與實驗企業2012年至今發展狀況良好，節能減排成果顯著的情況是一致的。

與SVM模型相比，同樣是在5次迭代、學習步率0.05、對準確率要求設定為95%情況下，BP神經網絡預測雖然耗時較短，有時只需迭代2～3次即可達到95%的準確率要求，最高效度能達到86.286%，但由于每次運行都采用隨機參數進行預測，使得效度不穩定，難以固定下來作為一個可推廣的模型使用。這進一步體現了SVM模型在預測碳風險方面的優越性：穩定、可推廣、準確度及信效度高等。

5 結 語

采用SVM模型對企業碳風險進行預警，該方法能很好地處理碳風險評價因子與碳風險困境之間的非線性關系，不僅預測結果準確、操作簡便，并且使用范圍不局限于重污染工業企業，具有很好的推廣性。從預測結果來說，經過SVM模型驗證的碳風險水平較低的企業普遍具有以下特征：

(1) 已經初步具備企業碳風險意識。樹立和提高碳風險意識是從企業基層員工到管理層共同防范碳風險的第一步，碳風險如能較早識別和應對，其對于企業的消極影響是可控的，如企業缺乏碳風險意識，則可能導致企業蒙受巨大損失。

(2) 碳政策研究力度投入較大，對政策敏感度與配合度較高。影響重污染工業企業碳風險的很大一個因素即碳管制政策，因而企業對相關政策導向及趨勢的敏感度、碳政策研究的投入力度直接推動了企業在管控碳風險角度上化被動為主動。積極主動地配合相關政策，推動低碳經濟發展對重污染工業企業的碳風險管控有著非常重要的意義。如果企業能滿足較高的強制性政策達標情況和較低的違規罰沒情況，可以合理推測在政策收緊時，企業也有回轉的余地，不會受到極大影響，反之亦然。

(3) 已經或嘗試建立較健全的碳排放或環境污染事件的應急處理機制。健全完善的應急處理機制可有效降低碳風險對企業的負面影響，同時應急處理機制也體現了企業對于碳風險的管控意識水平以及企業處理類似緊急事件的能力。從預測結果來說，預測碳風險較低的企業普遍已基本設立了碳風險應急處理機制、具備了一定的管控能力。

(4) 致力于優化能源結構和技術創新提高能源利用效率。碳排放權交易市場的形成和興起是企業面對碳管制政策的新途徑，但隨著管制政策收緊，碳排放權交易規模將被壓縮。企業要想管控碳風險和獲得長期穩定發展，根本舉措就是優化企業生產耗能結構、充分研發新技術來提高能源的利用效率。

(5) 積極參與碳信息披露制度。碳信息披露是利用報表對企業碳利用效率和碳排放強度進行量化記錄計量，規范細致的碳信息披露有利于企業明確碳自身風險程度和承擔的社會責任。現階段來說，企業多處于被動披露階段，披露信息質量不高。相比之下，碳風險水平較低的樣本企業碳信息披露更全面與細致。

(6) 產品結構較合理，低碳產品、綠色產品競爭力強。由于面對的是難以量化與預測、變幻莫定的市場需求，本研究采用了競爭力指標來體現企業及其產品在未來的競爭力。盡管未來市場的需求難以量化確定，但可以確定的是，未來市場對于低碳產品、綠色產品的總需求是呈上升趨勢的。企業具備低碳產品或綠色產品的生產能力，或是已有了較合理的產品結構，體現了企業對于管理碳風險的重視程度，對于應對未來市場的需求非常具有競爭力。

囿于條件限制，本研究樣本數據不排除客觀可能存在與事實不符的情況從而影響研究結論的真實性，但不影響本研究提出的方法在企業中的應用。本研究也存在著難以避免的不足，如德爾菲法量化指標數值時帶有的不確定性、未能考慮部分行業產能過剩等實際情況等，對于企業碳風險的評價與預警仍有待進一步深入的研究。

[1] INC/FCCC.聯合國氣候變化框架公約(UNFCCC)[R].里約熱內盧：聯合國，1992.

[2] 朱俊，周樹勛，陳通.建立環境風險防范體系 加強對環境風險的管理[J].環境污染與防治，2007，29(5)：387-389.

[3] 邵超峰，鞠美庭.環境風險全過程管理機制研究[J].環境污染與防治，2011，33(10)：97-100.

[4] 李力.全球低碳發展評估及中國低碳發展的實現途徑[J].環境污染與防治，2014，36(12)：97-101.

[5] 周志方，肖序.基于環境風險評估技術的企業環境負債確認、預防與控制研究[J].環境污染與防治，2011，33(3)：107-110.

[6] CHEN Xiaohong，LIU Xiang，HU Dongbin.Assessment of sustainable development：a case study of Wuhan as a pilot city in China[J].Ecological Indicators，2015，50(3)：206-214.

[7] LENTON T M.What early warning systems are there for environmental shocks?[J].Environmental Science & Policy，2013，27(1)：60-75.

[8] 毛小苓，劉陽生.基于非財務變量國內外環境風險評價研究進展[J].應用基礎與工程科學學報，2003，11(3)：266-271.

[9] 袁廣達.基于環境會計信息視角下的企業環境風險評價與控制研究[J].會計研究，2010(4)：34-41.

[10] 朱發根，劉拓，傅毓維.基于非線性SVM的上市公司財務危機預警模型研究[J].統計與信息論壇，2009，24(6)：49-53.

[11] 謝赤，羅長青，王蓓.財務困境預警SVM模型的構建及實證研究[J].當代經濟科學，2007，29(6)：96-100.

[12] HE Benlan，SHI Yong，WAN Qian，et al.Prediction of customer attrition of commercial banks based on SVM model，ITQM[J].Procedia Computer Science，2014，31：423-430.

[13] 肖序，熊菲，周志方.流程制造企業碳排放成本核算研究[J].中國人口·資源與環境，2013，23(5)：29-34.

[14] 魏東，岳潔，王璟珉.碳排放權交易風險管理的識別、評估與應對[J].中國人口·資源與環境，2012，22(8)：28-32.

[15] 潘岳，朱繼業，葉懿安.江蘇省碳排放影響驅動因素分析——基于STIRPAT模型[J].環境污染與防治，2014，36(12)：104-109.

[16] 楊花，杜斌，呂鋒驊，等.基于IPCC排放清單和LEAP模型的山西省CO2排放研究[J].環境污染與防治，2014，36(3)：103-109.

[17] CORES C，VAPNIK V N.Support-vector network[J].Machine Learning，1995，20(3)：273-297.

[18] VAPNIK V N.The nature of statistical learning theory[M].New York：Springer，1995.

[19] KEERTHI S，LIN C J.Asymptotic behaviors of support vector machines with gaussian kernel[J].Neural Computation，2003，15(7)：1667-1689.

[20] 李建磊，徐曉明，金浩.層次分析法在河北省可持續發展水平評價中的應用[J].河北工業大學學報，2005，34(5)：31-36.

[21] 冷克平，霍眾.灰色關聯分析在平衡計分卡戰略性業績評價模型中的應用研究[J].現代管理科學，2005(8)：34-36.

[22] 許樹柏.層次分析法原理及其應用[M].天津：天津大學出版社，1988.