基于IPSO-BP神經網絡模型的山東省碳排放預測及生態經濟分析

張迪, 王彤彤, 支金虎,*

基于IPSO-BP神經網絡模型的山東省碳排放預測及生態經濟分析

張迪1,4, 王彤彤2,3, 支金虎1,4,*

1. 塔里木大學植物科學學院, 阿拉爾 843300 2. 西北農林科技大學資源環境學院, 楊凌 712100 3. 長江水利委員會長江科學院重慶分院, 重慶 400026 4. 塔里木大學南疆綠洲農業資源與環境研究中心, 阿拉爾 843300

在低碳經濟發展背景下, 針對山東省碳排放數據更新遲緩、以往預測模型難以滿足現實需求的問題, 統計相關數據, 根據政府間氣候變化專門委員會(IPCC)推薦方法測算山東省2000—2017年碳排放量和排放強度, 并借助脫鉤分析、碳承載力和碳赤字探究碳排放的動態變化趨勢; 基于5項最重要的碳排放影響因素, 建立改進的粒子群算法(IPSO)優化BP神經網絡模型, 對山東省的碳排放量和排放強度進行仿真預測。結果表明: 山東省工業耗能占總量的78.5 %左右。2000—2017年間山東省碳排放量呈增長趨勢, 年平均為52328.10 萬噸; 碳排放強度卻呈下降趨勢, 年平均為1.73 萬噸/億元?？傮w而言, 2000—2017年間山東省碳排放量與GDP之間呈弱脫鉤的態勢, 碳承載力呈先增長后減小的趨勢, 18年間碳承載力減少了8 %, 全省從2005年開始出現碳赤字, 并呈現增大趨勢。IPSO算法明顯優化了BP神經網絡, 誤差更小、精度更高, 更適于碳排放量及相關指標的預測。預測結果顯示山東省未來碳排放量呈緩慢增長趨勢, 而碳排放強度有所降低, 以期為政府決策提供科學依據。

BP神經網絡; IPSO優化算法; 碳排放; 預測; 山東省

0 前言

全球氣候變化已成為世界各國關注的焦點[1]。其中, 因人類社會活動(主要是工業生產)向大氣中排放的CO2是產生溫室效應的主要原因, 這直接導致了全球氣候變暖, 進而影響人類社會和經濟發展[2]。因此, 國際社會采取積極措施應對全球變暖, 從1992年的《聯合國氣候框架公約》到2019年的智利圣地亞哥氣候行動峰會, 全球已召開25次締約國會議, 各國都在努力尋求解決全球氣候變化的方法[3-4],其中一項很重要的議題就是: 碳排放量的核算及預測, 這直接關系到減排政策的制定與措施的實施[5], 是“碳排放稅”計算的主要依據, 研究具有重要現實意義[6-7]。低碳經濟是我國應對氣候變化的戰略選擇。當前, 國內有關碳排放的研究主要集中在: 1) 碳排放量總量核算與預測[8-9]; 2) 碳排放驅動影響因素分析[10-11]; 3) 區域能源碳排放格局及預測[11-13]; 4) 碳減排技術評價及政策分析[14]等幾方面。而國際上, 研究重點也集中在溫室氣體的排放量測算、預測和區域節能減排等方面[15-17]。

目前國內外預測模型的研究報告還有待完善。紀廣月[18]的研究認為利用碳排放的影響因素構建數學模型對碳排放進行預測, 能達到良好的效果。杜強等[19]采用logistic模型對我國30個省區年碳排放進行了預測, 同時利用改進的IPAT模型對中國碳排放預測[20]。此外, 還有學者使用線性回歸[21], STIRFDT模型[22], 支持向量機[23], DDEPM模型[24]等對我國區域碳排放量和排放強度進行預測。宋杰鯤等[25]、燕振剛[26]、王苗等[27]、趙成柏等[28]、紀廣月[18]等學者均做過BP神經對區域碳排放量的預測研究, 認為BP神經網絡在一定程度上可以彌補傳統評價方法需要構建隸屬函數、無法精確描述預測區間內的變化特征以及設計過程具有一定人為偏好的不足[29]。然而, 從理論上講神經網絡模型需要大量的數據樣本, 但仍可被再優化; 就現有研究方法而言, 暫無人報道應用改進的粒子群算法(IPSO)優化BP神經網絡, 且基于多種碳排放影響因素而建立預測模型。

根據國家統計局最新數據顯示, 山東省GDP在全國排第三, 且穩定持續數年不變, 可見其經濟體量較大, 在我國經濟發展中占重要位置。徐成龍等[30]研究發現2005年山東省碳排放總量居全國首位, 主要因當年山東省規模以上工業增加值躍居全國第一所影響; 此外, 他還指出山東省碳排放量占全國的比重遠高于GDP總量的比重, 因此作為區域碳排放的典型代表, 很有研究價值, 且檢索相關文獻發現近十年內, 山東省的碳排放量和排放強度研究鮮有更新報道。此外, 區域產業碳排放預測既是相關研究方向的基礎, 又是擴展的紐帶[31], 這對山東省近20年碳排放研究具有重要的現實指導意義。綜上, 針對山東碳排放數據更新遲緩和傳統預測模型難以滿足現實需求的問題, 本文利用數值模擬統計數據, 通過IPCC推薦方法對山東省2000—2017年碳排放進行測算, 綜合考慮碳排放量、碳排放強度等參數, 并借助碳承載力、碳赤字以及脫鉤分析, 全方位分析碳排放的變化趨勢, 并選取最重要的5項碳排放影響因素指標(煤炭、原油、天然氣、GDP、人口), 建立IPSO-BP神經網絡模型, 對山東省2018—2020年碳排放量和強度進行預測, 以期為山東省實現2020年“十三五”規劃的節能減排目標提供科學依據。

1 研究區域、方法與數據來源

1.1 研究區概況

山東省地處中國東部沿海, 黃河下游, 境域包括半島和內陸兩部分。中部山地突起, 西南、西北低洼平坦, 東部是山東半島, 西部及北部屬華北平原, 中南部為山地丘陵; 屬暖溫帶季風氣候[32]。介于北緯34°23′—38°17′, 東經114°48′—122°42′之間, 陸域面積15.58 萬km2, 海洋面積15.96 萬km2。山東省經濟發展迅速, 尤其是第二和第三產業增長明顯。在本文的研究中, 第二產業主要包括工業和建筑業; 第三產業包括旅游服務業、批發零售業(含網絡)、交通運輸和郵政電信業、住宿餐飲業等傳統行業穩中有增, 金融業、商業服務業等第三產業高端行業均有較快發展[33]。表1是山東省2000—2018年第一、二、三產業值。

1.2 研究方法

1.2.1 IPCC法計算碳排放量和排放強度

山東省能源利用碳排放量可根據化石燃料(煤炭、石油、天然氣)數量以及建議排放系數[34]來計算, 其公式如下:

C=∑M*H*T*O*44/12 (1)

其中,為碳排放量(萬噸);為能源類型(=1、2、3, 分別表示煤炭、石油和天然氣);為能源消耗量(萬噸);為能源熱值(KJ·Kg-1);為能源碳排放系數(t·TJ-1);為能源氧化率(%); 44為2的相對分子質量; 12為碳的相對原子質量。此外, 需注意對各種能源消耗量單位進行熱值轉換。因統計年鑒中的單位為萬噸, 而《2006年IPCC國家溫室氣體清單指南》中提供的各種燃料含碳量的單位為t·TJ-1(1TJ=109KJ), 各種能源的含碳量和氧化率見表2。

碳排放強度是指單位GDP的碳排放量, 其計算公式為:

碳排放強度=碳排放總量/總GDP (2)

1.2.2 脫鉤分析法

脫鉤一般用來描述多種事物相互關聯程度減弱或是消失的過程, 要實現永續發展就要實現環境壓力與經濟發展的“脫鉤”[35]。常用脫鉤分析方法有OECD法和Tapio法。為了更加精準細致地反映不同因素間的脫鉤關系, 本文選擇Tapio脫鉤指數作為分析模型[36]。Tapio脫鉤模型的關鍵是找到合適的指標計算脫鉤指數。Tapio脫鉤指數DI計算公式:

表1 山東省第一、第二、第三產業值(2000-2018年)

注: 以上數據來源于《山東省統計年鑒》(2001—2019年)。

表2 各種能源的熱值、排放系數及氧化率

式中,2排放表示碳排放對環境的壓力,ΔCO為現期相對于基期CO2排放變化速率,表示經濟驅動力,為現期相對于基期變動速率。指標可以分為三大狀態和8種等級[36]。不同脫鉤類型分別表示了從經濟增長、能源消耗減少的理想狀態到經濟衰弱、能源消耗增加的悲觀愿景, 其中強脫鉤表示經濟發展與能源消耗處于可持續發展狀態, 弱脫鉤是經濟發展前景較為樂觀的狀態, 其余均為不可持續狀態, 在經濟增長的前提下,值越小越有利于可持續發展。

1.2.3 碳承載力和碳赤字計算模型

碳承載力是指: 某一地區或范圍內所有生產性土地所能吸收的碳排放的量[37]。區域碳匯研究涉及面廣泛, 包括森林、灌木、草地、濕地、農作物等各類綠色植被的固碳能力, 本文選取區域內森林、草地、農作物作為主要計算參考核算碳承載力[38]。區域內碳排放量與碳吸收量的差額即為碳赤字[30](若其值>0, 為碳赤字, 表示該區域生態環境有惡化趨勢; 若其值<0, 則為碳盈余, 其意義是區域內生態環境一般較好)。計算模型如下:

=D+D+D(4)

=–(6)

式中,為區域碳承載力,D為森林固碳能力,D為草地固碳能力,D為農田固碳能力,D表示第種生產性土地(植被)的固碳量,M表示第種生產性土地(植被)的面積,NEP表示第種生產性土地對應植被的固碳能力, 即1 hm2的植被1 年能吸收的碳總量。為固定一個單位的碳所吸納的二氧化碳的量。表示碳赤字,為碳排放量。本文采用馬彩虹等[37]人的研究結果, 森林、草地、農田的 NEP 值分別3.81、0.95、8.99 tC·(hm2·a)-1, 考慮到農田農作物的生長周期較短, 且農作物秸稈再利用及焚燒的量[38], 需要將固碳能力乘校正系數, 本文取1。

1.2.4 IPSO-BP神經網絡模型

BP(Back Propagation)神經網絡是一種誤差反向傳播的多層前饋神經網絡。它由輸入層、隱含層和輸出層組成, 層與層之間多采用全互連接方式, 同一層神經元之間不存在相互連接, 因其簡單易行, 準確度良好的特點已成為最常用的人工智能模型, 詳情介紹可參考文獻[29]。粒子群算法(Particle Swarm Optimization, 簡稱PSO)由Knned和Eberhart在1995年提出, 其在可解空間中初始化一群粒子, 每個粒子用位置、速度和適應度值三項指標表示該粒子特征, 相關詳細介紹請參看文獻[29]。改性的粒子群算法(IPSO)主要可以通過權重線性調整和引入變異操作來實現, 具體操作步驟分為: BP神經網絡結構的確定, IPSO優化BP神經網絡的權值和閾值, BP神經網絡的仿真預測。用IPSO優化BP神經網絡的權值和閾值, 群體中每個粒子的位置都包含了一個網絡所有的權值與閾值[29]。個體的適應度函數為待優化問題的目標函數,經過粒子群算法找到最優適應度值對應的個體, 從而得到最優的初始權值和閾值。將得到的最優初始權值與閾值再賦給BP神經網絡, 經訓練后仿真預測。IPSO-BP模型預測流程如圖1所示。

圖1 改進的粒子群算法優化BP神經網絡的流程

Figure 1 Theflow chart of improved particle swarm algorithm to optimize the BP neural network

1.3 數據來源說明及分析軟件

截止2020年4月底, 最新版山東省統計年鑒數據為《山東省統計年鑒(2019)》, 其中統計數據到2017年, 因此很有必要用模型去預測2018—2020年的碳排放量。本文計算公式及部分參數值參考《2006年IPCC國家溫室氣體清單指南》, 所需的歷年研究數據來自《山東省統計年鑒》(2001年—2019年), 部分數據來源于山東省統計局官網(http://tjj. shandong.gov.cn/)和國家統計局國家數據(http://data. stats.gov.cn/index.htm), 1.2.3中所需數據來自山東省國土資源公報(2000年—2018年)。數據統計采用Excel 2016軟件, 擬合作圖用OriginPro 8.5.1軟件, 模型計算用Matlab 2014a軟件。相關代碼詳見云盤(https://jbox.sjtu.edu.cn/l/UHkDthl)。

2 結果分析

2.1 產業結構與能源消費分析

2000—2018年山東省第一、二、三產業產值如圖2所示, 可見山東省第一產業發展較慢, 第二、三產業發展較快, 尤其是第三產業發展迅速, 一直呈增長趨勢。結合表1, 從產業結構演變歷史來看, 山東省產業從當初的“二、三、一”結構正逐步變為“三、二、一”結構。其中從2016年開始, 第二產業值增速放緩, 第三產業仍快速發展。這與國家工業轉型政策有密切聯系。此外, 從圖2的套圖中也可見, 第二產業中, 建筑業受影響較小, 發展較為緩慢, 而傳統工業增速較快, 發展趨勢與第二產業值曲線相似。

表3反映了山東省能源消費特征, 可以看出: 從2000年到2017年, 能源消費總量一直呈現上升趨勢, 總增幅達11倍, 18年間平均消耗24545.06萬噸標準煤, 但在近三年內趨于穩定。各行業產值也均呈上升趨勢, 其中, 工業、服務業和其他產業增長最明顯, 2017年的能源消耗總量分別是2000年的14.92、13.79和18.23倍。此外, 在能源消費的產業構成中, 工業是主要耗能大戶, 平均占能源總消耗量的78.5%左右; 農業(農林牧副漁)的能源消耗相對較小。從時間段看, 2005年開始, 各行業能源消費均大幅度增長, 這與當時國家的經濟開放政策和山東省的產業布局息息相關。

2.2 第二產業碳排放量和排放強度分析

山東省2000—2017年能源消費碳排放量和排放強度如圖3所示。2000—2017年期間, 山東省碳排放量總體呈增長趨勢, 18年間年平均碳排放量為52328.10萬噸, 其中2001年和2010年增速平緩或略有下降, 這與表3能源消耗總量變化趨勢一致。但隨GDP的增長, 其碳排放強度卻呈下降趨勢, 其中2000—2007年間, 呈齒狀波動, 這主要是因為全省能源消費總量一直是增長趨勢, 而齒狀波動則受全省GDP影響, 與GDP的增速緩慢有關。碳排放量隨著產業能源消耗量的增加而增加, 成正比例關系; 而碳排放強度與碳排放量成反比關系, 18年間平均碳排放強度為1.73萬噸每億元。此外, 這也與山東省的能源消費結構密切相關, 研究期內山東省天然氣和電力等清潔能源的消耗量有所增加, 同時煤炭和石油等化石燃料的消耗量雖有所增加, 但增速在減慢; 碳排放強度略有起伏, 總體趨勢呈下降狀態, 尤其是在2005年之后碳排放強度下降速度明顯加快, 這表明2005—2017年間山東省在低碳環保方面所采取的措施有良好的效果, 為今后的可持續性發展奠定了基礎。

圖2 2000—2018年山東省第一、二、三產業產值圖

Figure 2 The value of the first, second and third industries in Shandong Province from 2000 to 2018

表3 山東省各產業能源消耗總量(2000—2017年)

注: 以上數據來源于《山東省統計年鑒》(2001年—2019年)。其他指除了上述四種產業之外的能源消費統計值。

2.3 脫鉤分析

脫鉤狀態分析計算結果如表4所示, 2000— 2017年山東省碳排放量與GDP之間呈弱脫鉤的態勢, 高速增長的GDP掩蓋了碳排放量的快速上升, 但能源壓力依然存在。2005年以前脫鉤狀態呈現波大趨勢, 這與圖3中碳排放強度趨勢一致。2005—2015年其脫鉤狀態和表達的經濟學意義均呈積極方面; 除去2000—2001 年和2009—2010年的強脫鉤狀態外, 脫鉤彈性系數恒大于 0.14, 表明經濟發展對能源消耗的依賴依然十分嚴重, 隨著經濟的繼續發展, 未來能源消耗會持續增長, 且DI值變化趨勢不明顯, 說明產業結構基本穩定, 能源利用效率也在不斷提高。2001年、2004年和2015年受GDP下降等因素影響, 碳排放產量卻沒有明顯下降反而在增長, 導致負脫鉤現象產生。這說明山東省在節能減排和提質增效方面, 依然還需穩步提速; 尤其是2013年后GDP增速下降。進一步分析發現: GDP和碳排放之間并未實現真正意義上的脫鉤。無論是脫鉤年份還是連接年份, GDP的增長速率始終大于0, 且未脫鉤年份GDP變化速率較大; 脫鉤年份碳排放變化速率較小或為負值, 若碳排放變化速率較小則呈現弱脫鉤, 若碳排放變化速率為負則呈現強脫鉤, 因此影響脫鉤的關鍵在于能否有效控制碳排放變化速率。

2.4 碳承載力及碳赤字分析

山東省2000—2018年碳排放量和碳承載力對比如圖4所示, 碳赤字動態變化如圖5所示。由圖4可見, 在研究時間段內, 山東省碳承載力呈先增長趨于穩定后減小的趨勢, 18年間碳承載力減少了8%; 因基數較大, 故總量變化不大, 基本保持在平均值38666.87萬噸。在三種生產性土地(植被)之中, 農田的碳承載力最大, 其次為森林, 草地最小, 也從側面反映出山東省農業較為發達, 耕地面積較多。由圖5可知, 2004年及以前, 山東省處于碳盈余狀態, 表明該地區人類社會的經濟發展對自然生態系統的壓力處于該地區所能提供的生態可持續的范圍之內, 即處于可持續發展狀態; 但盈余量從2000年的19450.33萬噸逐年下降。從2005年開始出現碳赤字, 表明該地區的自然生態系統所提供的產品和服務需求超過了供給, 不利于可持續發展, 到了2017年碳赤字達到48089萬噸, 逐年呈現增大趨勢。因此, 碳減排已成為山東省不可回避的環境任務, 山東省降低碳赤字一方面需要考慮如何降低碳排放量, 另一方面要考慮如何提高碳承載力。鄭暉等[39]認為: 能源資源的高消費和過重的糧食生產負擔是造成碳赤字擴大的主要原因。此外, 結合圖1和表3, 我們推測分析: 能源的高消費主要來源于山東省工業和服務業的發展需求; 而糧食生產負擔過重主要因為近幾年內山東耕地面積減少, 土地資源被開發以作它用, 這也致使山東省無更多土地資源被用于森林的建設, 故碳承載力提升緩慢。

2.5 數值模擬與預測

我們將山東省2000—2010年的數據作為訓練數組, 模擬2011—2017年的預測結果, 模擬結果對比如圖6所示。從大量數據統計顯示, 無論圖6(a)碳排放量還是圖6(b)碳排放強度, 兩個指標的模擬結果都是: IPSO-BP模型預測結果更靠近真實值, 即圖中的對角線, 且預測點顯得更加緊湊; 而BP神經網絡模型預測結果較真實值的對角線偏離幅度較大, 顯得更加分散。這說明IPSO-BP模型預測結果優于BP神經網絡, 改進的粒子群算法明顯優化了BP神經網絡, 使預測結果更加穩定, 精度較高。

圖3 2000—2017年山東省碳排放量及碳排放強度趨勢

Figure 3 Trending of industrial carbon emissions and carbon intensity in Shandong province from 2000 to 2017

表4 2000—2017年山東省碳排放量與經濟發展脫鉤分析

圖4 2000—2017年山東省碳排放量和碳承載力對比

Figure 4 Comparison of carbon emission and carbon carrying capacity in Shandong province from 2000 to 2017

圖5 2000—2017年山東省碳赤字動態變化

Figure 5 Dynamic change of carbon deficit in Shandong province from 2000 to 2017

注: (a)為碳排放量; (b)為碳排放強度。

Figure 6 Comparison of the simulation results between the IPSO-BP model and BP neural network

使用均方根誤差(RMSE)、平均相對誤差(MRE)、平均絕對誤差(MAE)、標準偏差(SD)和決定系數(2)來衡量兩種預測模型的誤差和精度, 見表5。RMSE、MRE、MAE和SD均反映了預測數據偏離真實值的程度, 其值越小, 表示預測誤差越小, 相對而言預測精度越高; 因此可以明顯看出, 無論碳排放量或碳排放強度指標, IPSO-BP模型的RMSE、MRE、MAE和SD值均比BP神經網絡的值小, 說明IPSO-BP模型預測誤差小于BP神經網絡。其中BP神經網絡的MRE還呈現負值, 而IPSO-BP模型呈正值, 說明BP神經網絡預測結果離散性強, 這也在圖6中得以體現。決定系數(2)越趨向于1, 表明自變量對因變量的解釋程度越高[40]。以真實值為x軸, 預測值為y軸, 當2越趨向于1, 方程=參考價值越高, 表明預測值越趨向于真實值。因此可以明顯的看出, IPSO- BP模型的2都在0.9以上, BP神經網絡模型的2都在0.55左右, 說明IPSO-BP模型的擬合優度更好。IPSO-BP模型更適合碳排放量及相關指標的預測。綜上, 采用最適模型(IPSO-BP)預測結果如表6所示, 結合圖3可以看出山東省2018—2020年碳排放量呈現緩慢增長趨勢, 而碳排放強度有所降低。山東省GDP在全國名列前茅, 經濟向好發展, 能源需求會在短期內持續增大, 而帶來的GDP也會持續增加, 可見模型預測的結果與經濟學理論推斷基本相吻合。

3 討論

目前常見的碳排放計算[41]有: 1)生命周期評估(LCA)法; 2)能源礦物燃料排放量計算(即IPCC推薦方法); 3)投入產出法(IO); 4)其他計算方法, 例如Kaya碳排放恒等式。筆者認為IPCC推薦的方法是目前國際公認的最權威, 最可靠的方法。因為IPCC詳細全面地考慮了幾乎所有的溫室氣體排放源, 并提供了具體的排放原理和詳細的計算方法, 有可以參考遵循的依據《IPCC國家溫室氣體清單指南》, 師帥等[42]也有相同的觀點, 他通過大量的文獻綜述發現: 目前關于碳排放計算, 最準確可靠、使用頻率最高的依然是IPCC法。因此, 可以判斷出本文科學計算所得結果能作為政府或相關官方數據的參考依據。從上述預測結果分析來看, 宋杰鯤等[25], 紀廣月[18], 王苗等[27]對中國或美國碳排放情況進行預測, 得出中國或美國的碳排量均呈現先增加然后減小的趨勢; 趙成柏等[28]預測到我國2020年碳排放強度呈下降趨勢, 就山東省區域而言, 這兩項指標均與本文預測結果相一致。不過, 本文在考慮碳排放量的基礎上, 也綜合考慮了與GDP相關的碳排放強度指標, 這與王瑛等[3]等學者的研究又不同, 更加全面。從模型角度分析, IPSO-BP模型能很好的應用于碳排放量及相關指標的預測。然而, 目前BP神經網絡模型的碳排放預測應用較多, 在其基礎上的優化組合模型研究鮮有報道。燕振剛等[26]利用BP人工神經網絡預測河西綠洲地區玉米生產碳排放量, 發現BP神經網絡模型預測性能明顯優于多元線性回歸和多元非線性回歸模型, 其均方根誤差(RMSE=0.0691)和平均絕對誤差(MAE=0.0513)也是最低的?？梢? BP神經能應用在碳排放領域, 且預測效果良好, 這與趙成柏等[28], 宋杰鯤等[25], 紀廣月[18]等采用BP神經網絡模型, 建立我國碳排放預測模型, 達到良好預測效果的結果相一致。趙成柏等[28]利用ARIMA作為BP神經網絡模型的前置優化模型, 紀廣月[18]和王苗等[27]利用灰色系統作為BP神經網絡模型的前置優化模型進行碳排放量的預測研究。因此, 筆者認為這與本研究采用IPSO算法作為BP神經網絡模型的前置優化模型有異曲同工之妙。不過, ARIMA和灰色系統系統本身就可以單獨作為預測模型, 與BP神經網絡聯用能提供大量訓練樣本, 卻增加了整體運算的難度和時間, 筆者認為也有一定的局限性。然而, IPSO優化算法是實質性優化了BP神經網絡的初始權值和閾值, 加快了網絡的訓練和收斂速度, 在運行時間上有明顯優勢。最后, 分析IPSO-BP模型比BP神經網絡更加穩定, 且誤差較小、精度較高的原因, 筆者認為: 從數學理論基礎講, BP神經網絡對初始權值和閾值比較敏感, 初始權值和閾值的改變將影響網絡的收斂速度和精度。一旦初始權值和閾值確定了, 就決定了網絡的收斂方向。改進的粒子群算法作為一種新興的進化算法, 具有收斂速度快、魯棒性高、全局搜索能力強等特點[29]。用改進的粒子群算法優化BP神經網絡的初始權值和閾值, 可以較好地克服BP神經網絡所存在的不足, 不但能提高網絡的泛化能力, 還可提高網絡的收斂速度和精度。同時, 在實際應用過程中, IPSO-BP模型能迭代模擬出更大量的樣本數據, 通過不斷的迭代訓練使預測結果更趨于穩定。

表5 兩種模型的誤差指標對比分析

表6 IPSO-BP模型預測山東省2018—2020年碳排放量及碳排放強

4 結語

本研究表明: 山東省產業結構明顯且穩定, GDP體量較大, 工業占能源總消耗量的78.5%左右。2000—2017年間山東省碳排放量呈增長趨勢, 平均碳排放量為52328.10萬噸; 碳排放強度卻呈下降趨勢, 平均值為1.73 萬噸/億元。2000—2017年間山東省碳排放量與GDP之間呈弱脫鉤的態勢, 經濟發展對能源消耗的依賴嚴重, DI值變化不明顯, 能源利用效率在提高。碳承載力呈先增長后減小的趨勢, 18年間碳承載力減少了8%, 從2005年開始出現碳赤字, 并呈現增大趨勢。應用IPSO-BP模型的RMSE、MRE、MAE、SD值均小于BP神經網絡的, 且決定系數2值大于BP神經網絡。改進的粒子群算法明顯優化了BP神經網絡, IPSO-BP模型預測結果更加穩定, 誤差較小, 精度較高, 更適于碳排放量及相關指標的預測。從IPSO-BP模型預測結果看, 山東省2018—2020年碳排放量呈緩慢增長趨勢, 而碳排放強度有所降低。

[1] 王勇, 許子易, 張亞新. 中國超大城市碳排放達峰的影響因素及組合情景預測——基于門限-STIRPAT模型的研究[J]. 環境科學學報, 2019, 39(12): 4284–4292.

[2] 張峰, 殷秀清, 董會忠. 組合灰色預測模型應用于山東省碳排放預測[J]. 環境工程, 2015, 33(2): 147–152.

[3] 王瑛, 何艷芬. 西部地區中心城市碳排放與經濟發展關系研究——以西安市為例[J]. 生態科學, 2019, 38(4): 217–224.

[4] 王亮. 鹽城市土地利用變化碳排放效益及影響因素分解研究[J]. 生態科學, 2015, 34(5): 122–128.

[5] 李洪英, 遲遠英. 中國能源消費結構影響因素冗余分析研究[J]. 生態科學, 2016, 35(3): 172–177.

[6] 楊迪, 楊旭, 吳相利, 等. 東北地區能源消費碳排放時空演變特征及其驅動機制[J]. 環境科學學報, 2018, 38(11): 334–345.

[7] LIU Zhu, GUAN Dabo, WEI Wei, et al. Reduced carbon emission estimates from fossil fuel combustion and cement production in China[J]. Nature, 2015, 524(7565): 335–338.

[8] 路正南, 郝文麗, 楊雪蓮. 基于低碳經濟視角的我國碳排放強度影響因素分析[J]. 科技管理研究, 2016(3): 240–245.

[9] 詹長根, 吳鼎, 楊如軍. 廣西能源資源承載力綜合評價研究[J]. 生態科學, 2018, 37(03): 131–137.

[10] 宋杰鯤, 張凱新, 曹子建. 省域碳排放配額分配—融合公平和效率的研究[J]. 干旱區資源與環境, 2017, 31(05): 7–13.

[11] 薛冰, 陳興鵬, 楊冕, 耿涌, 等. 基于情景分析的區域能源-經濟-環境耦合研究-以甘肅省為例[J]. 生態科學, 2010, 29(5): 476–482.

[12] XU Bin, LIN Boqiang. How industrialization and urbanization process impacts on CO2 emissions in China: Evidence from nonparametric additive regression models[J]. Energy Economics, 2015, 48: 188–202.

[13] ZHANG Jinyun, ZHANG Yan, YANG Zhifeng. et al. Estimation of energy-related carbon emissions in Beijing and factor decomposition analysis[J]. Ecological Modelling, 2013, 252: 258–265.

[14] 許珊, 范德成, 王韶華. 基于最優評價方法的我國能源結構低碳評價研究[J]. 科技管理研究, 2016(5): 186–192.

[15] AL-MULALI U, FEREIDOUNI H G, LEE J Y M, et al. Exploring the relationship between urbanization, energy consumption, and CO2emission in MENA countries[J]. Renewable & Sustainable Energy Reviews, 2013, 23(4): 107–112.

[16] ZHU Qin, PENG Xizhe, WU Kaiya. Calculation and decomposition of indirect carbon emissions from residen-tial consumption in China based on the input–output model[J]. Energy Policy, 2012, 48: 618–626.

[17] WANG Changjian, ZHANG Xiaolei, WANG Fei. et al. Decomposition of energy-related carbon emissions in Xinjiang and relative mitigation policy recommendations[J]. Frontiers of Earth Science, 2015, 9(1): 65–76.

[18] 紀廣月. 基于灰色關聯分析的BP神經網絡模型在中國碳排放預測中的應用[J]. 數學的實踐與認識, 2014, 44(14): 243–249.

[19] 杜強, 陳喬, 楊銳. 基于Logistic模型的中國各省碳排放預測[J]. 長江流域資源與環境, 2013, 22(2): 143–151.

[20] 杜強, 陳喬, 陸寧. 基于改進IPAT模型的中國未來碳排放預測[J]. 環境科學學報, 2012, 32(9): 2294–2302.

[21] 高金賀, 黃偉玲, 蔣浩鵬. 城市交通碳排放預測的多模型對比分析[J]. 重慶交通大學學報(自然科學版), 2020, 26(1): 1–7.

[22] 宋杰鯤. 基于STIRPAT和偏最小二乘回歸的碳排放預測模型[J]. 統計與決策, 2011(24): 19–22.

[23] 宋杰鯤. 基于支持向量回歸機的中國碳排放預測模型[J]. 中國石油大學學報(自然科學版), 2012, 36(1): 182–187.

[24] 趙息, 齊建民, 劉廣為. 基于離散二階差分算法的中國碳排放預測[J]. 干旱區資源與環境, 2013, 27(1): 63–69.

[25] 宋杰鯤, 張宇. 基于BP神經網絡的我國碳排放情景預測[J]. 科學技術與工程, 2011, 11(17): 4108–4111.

[26] 燕振剛, 李薇, Yan Tianhai, 等. BP神經網絡算法在河西綠洲玉米生產碳排放評估中的應用及算法有效性研究[J]. 中國生態農業學報, 2018, 26(8): 1100–1106.

[27] 王苗, 王鵬雅, 陳鑫. 基于灰色神經網絡模型的美國碳排放預測[J]. 科技資訊, 2019, 17(14): 202–205.

[28] 趙成柏, 毛春梅. 基于ARIMA和BP神經網絡組合模型的我國碳排放強度預測[J]. 長江流域資源與環境, 2012, 21(6): 665–671.

[29] 王彤彤, 張劍, 涂川, 等. IPSO-BP神經網絡在渭河天水段水質評價中的應用[J]. 環境科學與技術, 2013, 36(8): 175–181.

[30] 徐成龍, 任建蘭, 鞏燦娟. 產業結構調整對山東省碳排放的影響[J]. 自然資源學報, 2014(2): 15–24.

[31] 宗剛, 牛欽璽, 遲遠英. 京津冀地區能源消費碳排放因素分解分析[J]. 生態科學, 2016, 35(2): 111–117.

[32] 王長建, 張利, 王強, 等. 1990—2009年山東能源消費的碳排放動態演進分析[J]. 中國科學院大學學報, 2012, 29(4): 469–475.

[33] 榮蓉. 山東省工業碳排放情景預測及減排策略研究[J]. 中外能源, 2016, 21(2): 94–100.

[34] 王菲, 董鎖成, 毛琦梁. 基于工業結構特征的中國地區能源消費強度差異分析[J]. 地理科學進展, 2013, 4: 522–531.

[35]張思齊, 陳銀蓉. 城市建設用地擴張與能源消耗碳排放相關效應[J]. 水土保持研究, 2017, 24(1): 244–249.

[36] 張一清, 王琳晴, 劉傳庚, 等. 基于碳足跡研究的中國地區工業低碳轉型——以山東省為例[J]. 生態學報, 2016, 36(20): 6646–6655.

[37] 馬彩虹. 甘肅省化石能源碳足跡動態研究[J]. 西北林學院學報, 2013, 28(1): 73–76.

[38] 閆豐, 王洋, 杜哲, 等. 基于IPCC排放因子法估算碳足跡的京津冀生態補償量化[J]. 農業工程學報, 2018, 34(4): 15–20.

[39] 鄭暉, 石培基, 何娟娟. 甘肅省生態足跡與生態承載力動態分析[J]. 干旱區資源與環境, 2013, 27(10): 13–18.

[40] 王彤彤, 翟軍海, 何歡, 等. BP神經網絡和SVM模型對施加生物炭土壤水分預測的適用性[J]. 水土保持研究, 2017, 24(3): 86–91.

[41] 王永琴, 周葉, 張榮. 碳排放影響因子與碳足跡文獻綜述: 基于研究方法視角[J]. 環境工程, 2017, 35(1): 155–159.

[42] 師帥, 李翠霞, 李媚婷. 畜牧業“碳排放”到“碳足跡”核算方法的研究進展[J]. 中國人口?資源與環境, 2017, 27(6): 36–41.

Carbon emissions prediction based on IPSO-BP neural network model and eco-economic analysis of Shandong province

ZHANG Di1,4, WANG Tongtong2,3, ZHI Jinhu1,4,*

1. College of Plant Sciences, Tarim University, Alar 843300, China 2. College of Natural Resources and Environment, Northwest A&F University, Yangling 712100, China 3. Chongqing branch, Changjiang River Scientific research institute of Changjiang Water Resources Commission, Chongqing 400026, China 4. Research Center of Oasis Agricultural Resources and Environment in Sourthern Xinjang, Tarim University, Alar Xinjiang 843300, China

In a low-carbon economic context, the prior prediction models cannot meet the requirement due to the slow update of date regarding the carbon emission in Shandong province. According to the statistical yearbook and the IPCC guideline, this paper estimates the carbon emissions and emission intensity of Shandong Province from 2000 to 2017. The dynamic behavior for carbon emissions is analyzed with carbon carrying capacity, carbon deficit and decoupling. Based on the five most important carbon emission factors, this paper proposes an improved particle swarm optimization algorithm (IPSO) optimized BP neural network model to simulate the carbon emissions and emission intensity for Shandong province. The result showed that the industrial energy consumption in Shandong Province accounts for about 78.5 % of the total. From 2000 to 2017, the carbon emissions showed an increase, and with an average carbon emission of 523.281 million tons. However, the intensity of carbon emissions described a downward trend, with an average of 17,300 tons per 100 million yuan. In general, the carbon emissions and GDP of Shandong province showed a weak decoupling trend between 2000 and 2017. The carbon carrying capacity showed an increasing trend first and then decreasing. The carbon carrying capacity decreased by 8% in 18 years. Since 2005, the carbon deficit has appeared and shown an increasing trend. Obviously, the IPSO algorithm optimized BP neural network with smaller error and higher accuracy, which is more suitable for the prediction regarding carbon emissions and related indicators. The prediction results provide a scientific basis for government decision-making because the carbon emissions of Shandong province will show a slow growth trend in the future and the carbon emission intensity will be reduced simultaneously.

BP neural network; IPSO optimization algorithm; carbon emissions; prediction; Shandong province

10.14108/j.cnki.1008-8873.2022.01.017

張迪, 王彤彤, 支金虎. 基于IPSO-BP神經網絡模型的山東省碳排放預測及生態經濟分析[J]. 生態科學, 2022, 41(1): 149–158.

ZHANG Di, WANG Tongtong, ZHI Jinhu. Carbon emissions prediction based on IPSO-BP neural network model and eco-economic analysis of Shandong province[J]. Ecological Science, 2022, 41(1): 149–158.

X196

A

1008-8873(2022)01-149-10

2020-05-25;

2020-06-21

國家重點研發計劃(2017YFC0504300, 2017YFD0201900); 環境材料與修復技術重慶市重點實驗室開放基金(CEK1805)

張迪(1990—), 女, 山東濰坊人, 碩士研究生, 研究方向為資源利用、農業管理, E-mail:dizhang1237@163.com

支金虎, 男, 教授, 主要研究方向為資源利用與生態管理等, E-mail:zjhzky@163.com