基于LSTM模型的中國CO2排放量預測影響因素分析

趙雄飛 李遠利

[摘 要]文章構建了基于LSTM的CO2排放量預測模型，利用中國1978—2016年的數據進行實證檢驗。為研究影響CO2排放量因素中的科技進步、產業結構及能源結構因素的組合效應，通過設定7種情景預測了2017—2030年的中國CO2排放量，并計算了2020年和2030年較2005年碳排放強度的降幅。結果表明：科技進步、產業結構和能源結構因素的變動能夠大幅影響CO2的排放，三種因素組合減排的效果存在差異，且三種因素的疊加并非優于兩種或一種因素帶來的減排效果。

[關鍵詞]CO2排放量;LSTM模型;組合效應;情景設定

[DOI]10.13939/j.cnki.zgsc.2021.22.015

1 問題的提出

近三十年來，中國的經濟得到了飛速的發展，工業化和城市化進程的速度居于世界前列，而高速發展的背后很大程度上依賴于能源的巨大消費和高碳排放的基礎，伴隨著能源消耗產生的溫室氣體，特別是CO2被認為是導致全球氣候變暖的主要因素，在此背景下，對CO2排放的研究則凸顯得極其重要。雖然中國的經濟正在飛速前進，但短期內中國依然是一個發展中國家，經濟水平還不夠高，因此在保持經濟總量及能源消費持續增長和達到2020年CO2減排目標中如何控制相關影響因素的研究，就顯得尤為重要。

2 文獻綜述

關于碳排放影響因素的研究已經受到國內外眾多學者的關注，為順應低碳經濟的趨勢，學者們嘗試采用各種不同的方法研究碳排放與不同因素之間關系，以期找出節能減排和可持續發展的目標優化路徑。目前關于CO2排放的方法使用上，取得較好成果的大體有環境庫茲涅茨曲線（EKC）、指數分解分析方法（IDA）、投入產出法、KAYA等式及變形、計量經濟學方法等五類。

關于CO2排放預測方法上，許多學者做出了大量的工作，主要分為兩類，一類是單一建模預測方法，另一類是組合模型預測方法。現行的單一建模預測模型有STIRPAT模型、IPAT模型、灰度預測模型、神經網絡模型等。相比其他模型，深度學習算法能夠避開過多傳統條件的限制，通過深度神經網絡結構層挖掘變量之間潛在的非線性關系，從而提高對CO2未來排放量的預測精度。為了探尋影響CO2排放的多方面因素，選擇深度學習模型中的LSTM神經網絡預測模型。

3 CO2排放預測模型的構建

3.1 ?CO2排放量計算方法

采用碳排放系數法，碳排放系數法能夠全面考察能源產業不同于化石燃料燃燒導致的溫室氣體排放，適用于各尺度的能源碳排放核算。文中對排放因子的選擇采用中國全部省碳含量和平均低位發熱量計算而來，這樣更符合中國碳排放現實情況。

在計算碳排放過程中，由于煤炭、石油及天然氣消耗總量占整個能源消耗的比重在90%左右，所以我們在碳排放計算過程中只計算這三種常用能源消費產生的碳排放情況。碳排放計算式為：

C=∑Ei×EFi×θi

式中：C為不同年份能源消費產生的碳排放總量，Ei為相應年份消費的第i種能源量，EFi為第i種能源的碳排放因子，θi為第i種能源消耗的氧化率。

3.2 ?LSTM預測模型

文章簡要介紹LSTM神經網絡模型，LSTM訓練算法的總體框架主要包括：前向計算每個神經元的輸出值;反向計算每個神經元誤差σ的值，即采用BPTT算法進行計算;根據相應誤差項，計算每個權重梯度。對于給定序列input=（x1， x2， …， xn），通過下列迭代式計算出h=（h1， h2， …， hn）和一個輸出序列output=（y1， y2， …， yn）。

zt=tanh（Wzxt+Rzht-1+bz） it=σ（Wixt+Riyt-1+pi⊙ct-1+bi）

ft=σ（Wfxt+Rfht-1+pf⊙ct-1+bf） ct=it⊙zt+ft⊙ct-1

ot=σ（Woxt+Roht-1+po⊙ct+bo） ht=ot⊙tanh（ct）

xt和ht是LSTM連接層在t時刻的輸入和輸出。Wz、 Wi、 Wf和Wo分別為連接層輸入、輸入門、遺忘門和輸出門的權重。Rz、 Ri、 Rf和Ro分別是連接層輸入、輸入門、遺忘門和輸出門的循環層權重矩陣。bz、 bi、 bf和bo分別為連接層輸入、輸入門、遺忘門和輸出門的偏置項。⊙為數組元素依次相乘。

3.3 變量選取及模型構建

結合過去學者研究總結，CO2排放的影響因素總結為科技、結構和規模等三個宏觀因素，具體細分為經濟規模、人口規模、城市化水平、科學技術、產業結構、能源消費結構、能源強度等七個微觀因素。本文選擇人均GDP、人口、機動車保有量、科技進步、能源強度、城市化率、產業結構和能源結構8個因素作為輸入變量。

通過對上述所選8種影響因素的描述和分析，在構建LSTM神經網絡模型時，將CO2排放量、人均GDP、人口、機動車保有量、科技進步、能源強度、城市化率、產業結構和能源結構9個變量都考慮作為神經網絡的輸入，考慮到樣本量較少，同時也避免模型的擬合效果出現過擬合、欠擬合的情況，所構建的LSTM模型的隱含層個數和層神經元數分別為3、2。

3.4 ?精度檢驗指標

實驗采用的常規誤差評價指標主要有絕對誤差百分比（MAPE）和均方根誤差（RMSE），其中RMSE表示各期實際觀察值與各期預測值的平均誤差水平，兩指標值越小模型誤差精度越好。yi為第i年的實際CO2排放量，i為第i年CO2排放量的預測值。

MAPE=1N∑Ni=1yi-iyi RMSE=1N∑Ni=1（yi-i）2

4 模型構建

4.1 數據說明

文章從國家統計局、《中國統計年鑒》和OECD數據庫中選取1978—2016年所選影響因素的相關數據。其中人均GDP是以1978年為基期計算的實際GDP除以總人口得到的;科技進步是以每年R&D支出與當年財政總支出的比求得，由于1978—1990年統計年鑒中缺少R&D支出項，因此選用有關科技的財政支出項代替;產業結構選用第二產業增加值占國民生產總值的比重表示;能源結構用煤炭消費量占能源消費總量的比例表示;能源強度的計算由每年的能源消耗總量與以1978年為基期求得的實際GDP的比值得到。