基于IPSO-BP神经网络模型的山东省碳排放预测及生态经济分析

张迪, 王彤彤, 支金虎,*

基于IPSO-BP神经网络模型的山东省碳排放预测及生态经济分析

张迪1,4, 王彤彤2,3, 支金虎1,4,*

1. 塔里木大学植物科学学院, 阿拉尔 843300 2. 西北农林科技大学资源环境学院, 杨凌 712100 3. 长江水利委员会长江科学院重庆分院, 重庆 400026 4. 塔里木大学南疆绿洲农业资源与环境研究中心, 阿拉尔 843300

在低碳经济发展背景下, 针对山东省碳排放数据更新迟缓、以往预测模型难以满足现实需求的问题, 统计相关数据, 根据政府间气候变化专门委员会(IPCC)推荐方法测算山东省2000—2017年碳排放量和排放强度, 并借助脱钩分析、碳承载力和碳赤字探究碳排放的动态变化趋势; 基于5项最重要的碳排放影响因素, 建立改进的粒子群算法(IPSO)优化BP神经网络模型, 对山东省的碳排放量和排放强度进行仿真预测。结果表明: 山东省工业耗能占总量的78.5 %左右。2000—2017年间山东省碳排放量呈增长趋势, 年平均为52328.10 万吨; 碳排放强度却呈下降趋势, 年平均为1.73 万吨/亿元。总体而言, 2000—2017年间山东省碳排放量与GDP之间呈弱脱钩的态势, 碳承载力呈先增长后减小的趋势, 18年间碳承载力减少了8 %, 全省从2005年开始出现碳赤字, 并呈现增大趋势。IPSO算法明显优化了BP神经网络, 误差更小、精度更高, 更适于碳排放量及相关指标的预测。预测结果显示山东省未来碳排放量呈缓慢增长趋势, 而碳排放强度有所降低, 以期为政府决策提供科学依据。

BP神经网络; IPSO优化算法; 碳排放; 预测; 山东省

0 前言

全球气候变化已成为世界各国关注的焦点[1]。其中, 因人类社会活动(主要是工业生产)向大气中排放的CO2是产生温室效应的主要原因, 这直接导致了全球气候变暖, 进而影响人类社会和经济发展[2]。因此, 国际社会采取积极措施应对全球变暖, 从1992年的《联合国气候框架公约》到2019年的智利圣地亚哥气候行动峰会, 全球已召开25次缔约国会议, 各国都在努力寻求解决全球气候变化的方法[3-4],其中一项很重要的议题就是: 碳排放量的核算及预测, 这直接关系到减排政策的制定与措施的实施[5], 是“碳排放税”计算的主要依据, 研究具有重要现实意义[6-7]。低碳经济是我国应对气候变化的战略选择。当前, 国内有关碳排放的研究主要集中在: 1) 碳排放量总量核算与预测[8-9]; 2) 碳排放驱动影响因素分析[10-11]; 3) 区域能源碳排放格局及预测[11-13]; 4) 碳减排技术评价及政策分析[14]等几方面。而国际上, 研究重点也集中在温室气体的排放量测算、预测和区域节能减排等方面[15-17]。

目前国内外预测模型的研究报告还有待完善。纪广月[18]的研究认为利用碳排放的影响因素构建数学模型对碳排放进行预测, 能达到良好的效果。杜强等[19]采用logistic模型对我国30个省区年碳排放进行了预测, 同时利用改进的IPAT模型对中国碳排放预测[20]。此外, 还有学者使用线性回归[21], STIRFDT模型[22], 支持向量机[23], DDEPM模型[24]等对我国区域碳排放量和排放强度进行预测。宋杰鲲等[25]、燕振刚[26]、王苗等[27]、赵成柏等[28]、纪广月[18]等学者均做过BP神经对区域碳排放量的预测研究, 认为BP神经网络在一定程度上可以弥补传统评价方法需要构建隶属函数、无法精确描述预测区间内的变化特征以及设计过程具有一定人为偏好的不足[29]。然而, 从理论上讲神经网络模型需要大量的数据样本, 但仍可被再优化; 就现有研究方法而言, 暂无人报道应用改进的粒子群算法(IPSO)优化BP神经网络, 且基于多种碳排放影响因素而建立预测模型。

根据国家统计局最新数据显示, 山东省GDP在全国排第三, 且稳定持续数年不变, 可见其经济体量较大, 在我国经济发展中占重要位置。徐成龙等[30]研究发现2005年山东省碳排放总量居全国首位, 主要因当年山东省规模以上工业增加值跃居全国第一所影响; 此外, 他还指出山东省碳排放量占全国的比重远高于GDP总量的比重, 因此作为区域碳排放的典型代表, 很有研究价值, 且检索相关文献发现近十年内, 山东省的碳排放量和排放强度研究鲜有更新报道。此外, 区域产业碳排放预测既是相关研究方向的基础, 又是扩展的纽带[31], 这对山东省近20年碳排放研究具有重要的现实指导意义。综上, 针对山东碳排放数据更新迟缓和传统预测模型难以满足现实需求的问题, 本文利用数值模拟统计数据, 通过IPCC推荐方法对山东省2000—2017年碳排放进行测算, 综合考虑碳排放量、碳排放强度等参数, 并借助碳承载力、碳赤字以及脱钩分析, 全方位分析碳排放的变化趋势, 并选取最重要的5项碳排放影响因素指标(煤炭、原油、天然气、GDP、人口), 建立IPSO-BP神经网络模型, 对山东省2018—2020年碳排放量和强度进行预测, 以期为山东省实现2020年“十三五”规划的节能减排目标提供科学依据。

1 研究区域、方法与数据来源

1.1 研究区概况

山东省地处中国东部沿海, 黄河下游, 境域包括半岛和内陆两部分。中部山地突起, 西南、西北低洼平坦, 东部是山东半岛, 西部及北部属华北平原, 中南部为山地丘陵; 属暖温带季风气候[32]。介于北纬34°23′—38°17′, 东经114°48′—122°42′之间, 陆域面积15.58 万km2, 海洋面积15.96 万km2。山东省经济发展迅速, 尤其是第二和第三产业增长明显。在本文的研究中, 第二产业主要包括工业和建筑业; 第三产业包括旅游服务业、批发零售业(含网络)、交通运输和邮政电信业、住宿餐饮业等传统行业稳中有增, 金融业、商业服务业等第三产业高端行业均有较快发展[33]。表1是山东省2000—2018年第一、二、三产业值。

1.2 研究方法

1.2.1 IPCC法计算碳排放量和排放强度

山东省能源利用碳排放量可根据化石燃料(煤炭、石油、天然气)数量以及建议排放系数[34]来计算, 其公式如下:

C=∑M*H*T*O*44/12 (1)

其中,为碳排放量(万吨);为能源类型(=1、2、3, 分别表示煤炭、石油和天然气);为能源消耗量(万吨);为能源热值(KJ·Kg-1);为能源碳排放系数(t·TJ-1);为能源氧化率(%); 44为2的相对分子质量; 12为碳的相对原子质量。此外, 需注意对各种能源消耗量单位进行热值转换。因统计年鉴中的单位为万吨, 而《2006年IPCC国家温室气体清单指南》中提供的各种燃料含碳量的单位为t·TJ-1(1TJ=109KJ), 各种能源的含碳量和氧化率见表2。

碳排放强度是指单位GDP的碳排放量, 其计算公式为:

碳排放强度=碳排放总量/总GDP (2)

1.2.2 脱钩分析法

脱钩一般用来描述多种事物相互关联程度减弱或是消失的过程, 要实现永续发展就要实现环境压力与经济发展的“脱钩”[35]。常用脱钩分析方法有OECD法和Tapio法。为了更加精准细致地反映不同因素间的脱钩关系, 本文选择Tapio脱钩指数作为分析模型[36]。Tapio脱钩模型的关键是找到合适的指标计算脱钩指数。Tapio脱钩指数DI计算公式:

表1 山东省第一、第二、第三产业值(2000-2018年)

注: 以上数据来源于《山东省统计年鉴》(2001—2019年)。

表2 各种能源的热值、排放系数及氧化率

式中,2排放表示碳排放对环境的压力,ΔCO为现期相对于基期CO2排放变化速率,表示经济驱动力,为现期相对于基期变动速率。指标可以分为三大状态和8种等级[36]。不同脱钩类型分别表示了从经济增长、能源消耗减少的理想状态到经济衰弱、能源消耗增加的悲观愿景, 其中强脱钩表示经济发展与能源消耗处于可持续发展状态, 弱脱钩是经济发展前景较为乐观的状态, 其余均为不可持续状态, 在经济增长的前提下,值越小越有利于可持续发展。

1.2.3 碳承载力和碳赤字计算模型

碳承载力是指: 某一地区或范围内所有生产性土地所能吸收的碳排放的量[37]。区域碳汇研究涉及面广泛, 包括森林、灌木、草地、湿地、农作物等各类绿色植被的固碳能力, 本文选取区域内森林、草地、农作物作为主要计算参考核算碳承载力[38]。区域内碳排放量与碳吸收量的差额即为碳赤字[30](若其值>0, 为碳赤字, 表示该区域生态环境有恶化趋势; 若其值<0, 则为碳盈余, 其意义是区域内生态环境一般较好)。计算模型如下:

=D+D+D(4)

=–(6)

式中,为区域碳承载力,D为森林固碳能力,D为草地固碳能力,D为农田固碳能力,D表示第种生产性土地(植被)的固碳量,M表示第种生产性土地(植被)的面积,NEP表示第种生产性土地对应植被的固碳能力, 即1 hm2的植被1 年能吸收的碳总量。为固定一个单位的碳所吸纳的二氧化碳的量。表示碳赤字,为碳排放量。本文采用马彩虹等[37]人的研究结果, 森林、草地、农田的 NEP 值分别3.81、0.95、8.99 tC·(hm2·a)-1, 考虑到农田农作物的生长周期较短, 且农作物秸秆再利用及焚烧的量[38], 需要将固碳能力乘校正系数, 本文取1。

1.2.4 IPSO-BP神经网络模型

BP(Back Propagation)神经网络是一种误差反向传播的多层前馈神经网络。它由输入层、隐含层和输出层组成, 层与层之间多采用全互连接方式, 同一层神经元之间不存在相互连接, 因其简单易行, 准确度良好的特点已成为最常用的人工智能模型, 详情介绍可参考文献[29]。粒子群算法(Particle Swarm Optimization, 简称PSO)由Knned和Eberhart在1995年提出, 其在可解空间中初始化一群粒子, 每个粒子用位置、速度和适应度值三项指标表示该粒子特征, 相关详细介绍请参看文献[29]。改性的粒子群算法(IPSO)主要可以通过权重线性调整和引入变异操作来实现, 具体操作步骤分为: BP神经网络结构的确定, IPSO优化BP神经网络的权值和阈值, BP神经网络的仿真预测。用IPSO优化BP神经网络的权值和阈值, 群体中每个粒子的位置都包含了一个网络所有的权值与阈值[29]。个体的适应度函数为待优化问题的目标函数,经过粒子群算法找到最优适应度值对应的个体, 从而得到最优的初始权值和阈值。将得到的最优初始权值与阈值再赋给BP神经网络, 经训练后仿真预测。IPSO-BP模型预测流程如图1所示。

图1 改进的粒子群算法优化BP神经网络的流程

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

1.3 数据来源说明及分析软件

截止2020年4月底, 最新版山东省统计年鉴数据为《山东省统计年鉴(2019)》, 其中统计数据到2017年, 因此很有必要用模型去预测2018—2020年的碳排放量。本文计算公式及部分参数值参考《2006年IPCC国家温室气体清单指南》, 所需的历年研究数据来自《山东省统计年鉴》(2001年—2019年), 部分数据来源于山东省统计局官网(http://tjj. shandong.gov.cn/)和国家统计局国家数据(http://data. stats.gov.cn/index.htm), 1.2.3中所需数据来自山东省国土资源公报(2000年—2018年)。数据统计采用Excel 2016软件, 拟合作图用OriginPro 8.5.1软件, 模型计算用Matlab 2014a软件。相关代码详见云盘(https://jbox.sjtu.edu.cn/l/UHkDthl)。

2 结果分析

2.1 产业结构与能源消费分析

2000—2018年山东省第一、二、三产业产值如图2所示, 可见山东省第一产业发展较慢, 第二、三产业发展较快, 尤其是第三产业发展迅速, 一直呈增长趋势。结合表1, 从产业结构演变历史来看, 山东省产业从当初的“二、三、一”结构正逐步变为“三、二、一”结构。其中从2016年开始, 第二产业值增速放缓, 第三产业仍快速发展。这与国家工业转型政策有密切联系。此外, 从图2的套图中也可见, 第二产业中, 建筑业受影响较小, 发展较为缓慢, 而传统工业增速较快, 发展趋势与第二产业值曲线相似。

表3反映了山东省能源消费特征, 可以看出: 从2000年到2017年, 能源消费总量一直呈现上升趋势, 总增幅达11倍, 18年间平均消耗24545.06万吨标准煤, 但在近三年内趋于稳定。各行业产值也均呈上升趋势, 其中, 工业、服务业和其他产业增长最明显, 2017年的能源消耗总量分别是2000年的14.92、13.79和18.23倍。此外, 在能源消费的产业构成中, 工业是主要耗能大户, 平均占能源总消耗量的78.5%左右; 农业(农林牧副渔)的能源消耗相对较小。从时间段看, 2005年开始, 各行业能源消费均大幅度增长, 这与当时国家的经济开放政策和山东省的产业布局息息相关。

2.2 第二产业碳排放量和排放强度分析

山东省2000—2017年能源消费碳排放量和排放强度如图3所示。2000—2017年期间, 山东省碳排放量总体呈增长趋势, 18年间年平均碳排放量为52328.10万吨, 其中2001年和2010年增速平缓或略有下降, 这与表3能源消耗总量变化趋势一致。但随GDP的增长, 其碳排放强度却呈下降趋势, 其中2000—2007年间, 呈齿状波动, 这主要是因为全省能源消费总量一直是增长趋势, 而齿状波动则受全省GDP影响, 与GDP的增速缓慢有关。碳排放量随着产业能源消耗量的增加而增加, 成正比例关系; 而碳排放强度与碳排放量成反比关系, 18年间平均碳排放强度为1.73万吨每亿元。此外, 这也与山东省的能源消费结构密切相关, 研究期内山东省天然气和电力等清洁能源的消耗量有所增加, 同时煤炭和石油等化石燃料的消耗量虽有所增加, 但增速在减慢; 碳排放强度略有起伏, 总体趋势呈下降状态, 尤其是在2005年之后碳排放强度下降速度明显加快, 这表明2005—2017年间山东省在低碳环保方面所采取的措施有良好的效果, 为今后的可持续性发展奠定了基础。

图2 2000—2018年山东省第一、二、三产业产值图

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

表3 山东省各产业能源消耗总量(2000—2017年)

注: 以上数据来源于《山东省统计年鉴》(2001年—2019年)。其他指除了上述四种产业之外的能源消费统计值。

2.3 脱钩分析

脱钩状态分析计算结果如表4所示, 2000— 2017年山东省碳排放量与GDP之间呈弱脱钩的态势, 高速增长的GDP掩盖了碳排放量的快速上升, 但能源压力依然存在。2005年以前脱钩状态呈现波大趋势, 这与图3中碳排放强度趋势一致。2005—2015年其脱钩状态和表达的经济学意义均呈积极方面; 除去2000—2001 年和2009—2010年的强脱钩状态外, 脱钩弹性系数恒大于 0.14, 表明经济发展对能源消耗的依赖依然十分严重, 随着经济的继续发展, 未来能源消耗会持续增长, 且DI值变化趋势不明显, 说明产业结构基本稳定, 能源利用效率也在不断提高。2001年、2004年和2015年受GDP下降等因素影响, 碳排放产量却没有明显下降反而在增长, 导致负脱钩现象产生。这说明山东省在节能减排和提质增效方面, 依然还需稳步提速; 尤其是2013年后GDP增速下降。进一步分析发现: GDP和碳排放之间并未实现真正意义上的脱钩。无论是脱钩年份还是连接年份, GDP的增长速率始终大于0, 且未脱钩年份GDP变化速率较大; 脱钩年份碳排放变化速率较小或为负值, 若碳排放变化速率较小则呈现弱脱钩, 若碳排放变化速率为负则呈现强脱钩, 因此影响脱钩的关键在于能否有效控制碳排放变化速率。

2.4 碳承载力及碳赤字分析

山东省2000—2018年碳排放量和碳承载力对比如图4所示, 碳赤字动态变化如图5所示。由图4可见, 在研究时间段内, 山东省碳承载力呈先增长趋于稳定后减小的趋势, 18年间碳承载力减少了8%; 因基数较大, 故总量变化不大, 基本保持在平均值38666.87万吨。在三种生产性土地(植被)之中, 农田的碳承载力最大, 其次为森林, 草地最小, 也从侧面反映出山东省农业较为发达, 耕地面积较多。由图5可知, 2004年及以前, 山东省处于碳盈余状态, 表明该地区人类社会的经济发展对自然生态系统的压力处于该地区所能提供的生态可持续的范围之内, 即处于可持续发展状态; 但盈余量从2000年的19450.33万吨逐年下降。从2005年开始出现碳赤字, 表明该地区的自然生态系统所提供的产品和服务需求超过了供给, 不利于可持续发展, 到了2017年碳赤字达到48089万吨, 逐年呈现增大趋势。因此, 碳减排已成为山东省不可回避的环境任务, 山东省降低碳赤字一方面需要考虑如何降低碳排放量, 另一方面要考虑如何提高碳承载力。郑晖等[39]认为: 能源资源的高消费和过重的粮食生产负担是造成碳赤字扩大的主要原因。此外, 结合图1和表3, 我们推测分析: 能源的高消费主要来源于山东省工业和服务业的发展需求; 而粮食生产负担过重主要因为近几年内山东耕地面积减少, 土地资源被开发以作它用, 这也致使山东省无更多土地资源被用于森林的建设, 故碳承载力提升缓慢。

2.5 数值模拟与预测

我们将山东省2000—2010年的数据作为训练数组, 模拟2011—2017年的预测结果, 模拟结果对比如图6所示。从大量数据统计显示, 无论图6(a)碳排放量还是图6(b)碳排放强度, 两个指标的模拟结果都是: IPSO-BP模型预测结果更靠近真实值, 即图中的对角线, 且预测点显得更加紧凑; 而BP神经网络模型预测结果较真实值的对角线偏离幅度较大, 显得更加分散。这说明IPSO-BP模型预测结果优于BP神经网络, 改进的粒子群算法明显优化了BP神经网络, 使预测结果更加稳定, 精度较高。

图3 2000—2017年山东省碳排放量及碳排放强度趋势

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

表4 2000—2017年山东省碳排放量与经济发展脱钩分析

图4 2000—2017年山东省碳排放量和碳承载力对比

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

图5 2000—2017年山东省碳赤字动态变化

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

注: (a)为碳排放量; (b)为碳排放强度。

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

使用均方根误差(RMSE)、平均相对误差(MRE)、平均绝对误差(MAE)、标准偏差(SD)和决定系数(2)来衡量两种预测模型的误差和精度, 见表5。RMSE、MRE、MAE和SD均反映了预测数据偏离真实值的程度, 其值越小, 表示预测误差越小, 相对而言预测精度越高; 因此可以明显看出, 无论碳排放量或碳排放强度指标, IPSO-BP模型的RMSE、MRE、MAE和SD值均比BP神经网络的值小, 说明IPSO-BP模型预测误差小于BP神经网络。其中BP神经网络的MRE还呈现负值, 而IPSO-BP模型呈正值, 说明BP神经网络预测结果离散性强, 这也在图6中得以体现。决定系数(2)越趋向于1, 表明自变量对因变量的解释程度越高[40]。以真实值为x轴, 预测值为y轴, 当2越趋向于1, 方程=参考价值越高, 表明预测值越趋向于真实值。因此可以明显的看出, IPSO- BP模型的2都在0.9以上, BP神经网络模型的2都在0.55左右, 说明IPSO-BP模型的拟合优度更好。IPSO-BP模型更适合碳排放量及相关指标的预测。综上, 采用最适模型(IPSO-BP)预测结果如表6所示, 结合图3可以看出山东省2018—2020年碳排放量呈现缓慢增长趋势, 而碳排放强度有所降低。山东省GDP在全国名列前茅, 经济向好发展, 能源需求会在短期内持续增大, 而带来的GDP也会持续增加, 可见模型预测的结果与经济学理论推断基本相吻合。

3 讨论

目前常见的碳排放计算[41]有: 1)生命周期评估(LCA)法; 2)能源矿物燃料排放量计算(即IPCC推荐方法); 3)投入产出法(IO); 4)其他计算方法, 例如Kaya碳排放恒等式。笔者认为IPCC推荐的方法是目前国际公认的最权威, 最可靠的方法。因为IPCC详细全面地考虑了几乎所有的温室气体排放源, 并提供了具体的排放原理和详细的计算方法, 有可以参考遵循的依据《IPCC国家温室气体清单指南》, 师帅等[42]也有相同的观点, 他通过大量的文献综述发现: 目前关于碳排放计算, 最准确可靠、使用频率最高的依然是IPCC法。因此, 可以判断出本文科学计算所得结果能作为政府或相关官方数据的参考依据。从上述预测结果分析来看, 宋杰鲲等[25], 纪广月[18], 王苗等[27]对中国或美国碳排放情况进行预测, 得出中国或美国的碳排量均呈现先增加然后减小的趋势; 赵成柏等[28]预测到我国2020年碳排放强度呈下降趋势, 就山东省区域而言, 这两项指标均与本文预测结果相一致。不过, 本文在考虑碳排放量的基础上, 也综合考虑了与GDP相关的碳排放强度指标, 这与王瑛等[3]等学者的研究又不同, 更加全面。从模型角度分析, IPSO-BP模型能很好的应用于碳排放量及相关指标的预测。然而, 目前BP神经网络模型的碳排放预测应用较多, 在其基础上的优化组合模型研究鲜有报道。燕振刚等[26]利用BP人工神经网络预测河西绿洲地区玉米生产碳排放量, 发现BP神经网络模型预测性能明显优于多元线性回归和多元非线性回归模型, 其均方根误差(RMSE=0.0691)和平均绝对误差(MAE=0.0513)也是最低的。可见, BP神经能应用在碳排放领域, 且预测效果良好, 这与赵成柏等[28], 宋杰鲲等[25], 纪广月[18]等采用BP神经网络模型, 建立我国碳排放预测模型, 达到良好预测效果的结果相一致。赵成柏等[28]利用ARIMA作为BP神经网络模型的前置优化模型, 纪广月[18]和王苗等[27]利用灰色系统作为BP神经网络模型的前置优化模型进行碳排放量的预测研究。因此, 笔者认为这与本研究采用IPSO算法作为BP神经网络模型的前置优化模型有异曲同工之妙。不过, ARIMA和灰色系统系统本身就可以单独作为预测模型, 与BP神经网络联用能提供大量训练样本, 却增加了整体运算的难度和时间, 笔者认为也有一定的局限性。然而, IPSO优化算法是实质性优化了BP神经网络的初始权值和阈值, 加快了网络的训练和收敛速度, 在运行时间上有明显优势。最后, 分析IPSO-BP模型比BP神经网络更加稳定, 且误差较小、精度较高的原因, 笔者认为: 从数学理论基础讲, BP神经网络对初始权值和阈值比较敏感, 初始权值和阈值的改变将影响网络的收敛速度和精度。一旦初始权值和阈值确定了, 就决定了网络的收敛方向。改进的粒子群算法作为一种新兴的进化算法, 具有收敛速度快、鲁棒性高、全局搜索能力强等特点[29]。用改进的粒子群算法优化BP神经网络的初始权值和阈值, 可以较好地克服BP神经网络所存在的不足, 不但能提高网络的泛化能力, 还可提高网络的收敛速度和精度。同时, 在实际应用过程中, IPSO-BP模型能迭代模拟出更大量的样本数据, 通过不断的迭代训练使预测结果更趋于稳定。

表5 两种模型的误差指标对比分析

表6 IPSO-BP模型预测山东省2018—2020年碳排放量及碳排放强

4 结语

本研究表明: 山东省产业结构明显且稳定, GDP体量较大, 工业占能源总消耗量的78.5%左右。2000—2017年间山东省碳排放量呈增长趋势, 平均碳排放量为52328.10万吨; 碳排放强度却呈下降趋势, 平均值为1.73 万吨/亿元。2000—2017年间山东省碳排放量与GDP之间呈弱脱钩的态势, 经济发展对能源消耗的依赖严重, DI值变化不明显, 能源利用效率在提高。碳承载力呈先增长后减小的趋势, 18年间碳承载力减少了8%, 从2005年开始出现碳赤字, 并呈现增大趋势。应用IPSO-BP模型的RMSE、MRE、MAE、SD值均小于BP神经网络的, 且决定系数2值大于BP神经网络。改进的粒子群算法明显优化了BP神经网络, IPSO-BP模型预测结果更加稳定, 误差较小, 精度较高, 更适于碳排放量及相关指标的预测。从IPSO-BP模型预测结果看, 山东省2018—2020年碳排放量呈缓慢增长趋势, 而碳排放强度有所降低。

[1] 王勇, 许子易, 张亚新. 中国超大城市碳排放达峰的影响因素及组合情景预测——基于门限-STIRPAT模型的研究[J]. 环境科学学报, 2019, 39(12): 4284–4292.

[2] 张峰, 殷秀清, 董会忠. 组合灰色预测模型应用于山东省碳排放预测[J]. 环境工程, 2015, 33(2): 147–152.

[3] 王瑛, 何艳芬. 西部地区中心城市碳排放与经济发展关系研究——以西安市为例[J]. 生态科学, 2019, 38(4): 217–224.

[4] 王亮. 盐城市土地利用变化碳排放效益及影响因素分解研究[J]. 生态科学, 2015, 34(5): 122–128.

[5] 李洪英, 迟远英. 中国能源消费结构影响因素冗余分析研究[J]. 生态科学, 2016, 35(3): 172–177.

[6] 杨迪, 杨旭, 吴相利, 等. 东北地区能源消费碳排放时空演变特征及其驱动机制[J]. 环境科学学报, 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, 郝文丽, 杨雪莲. 基于低碳经济视角的我国碳排放强度影响因素分析[J]. 科技管理研究, 2016(3): 240–245.

[9] 詹长根, 吴鼎, 杨如军. 广西能源资源承载力综合评价研究[J]. 生态科学, 2018, 37(03): 131–137.

[10] 宋杰鲲, 张凯新, 曹子建. 省域碳排放配额分配—融合公平和效率的研究[J]. 干旱区资源与环境, 2017, 31(05): 7–13.

[11] 薛冰, 陈兴鹏, 杨冕, 耿涌, 等. 基于情景分析的区域能源-经济-环境耦合研究-以甘肃省为例[J]. 生态科学, 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] 许珊, 范德成, 王韶华. 基于最优评价方法的我国能源结构低碳评价研究[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 residen­tial 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] 纪广月. 基于灰色关联分析的BP神经网络模型在中国碳排放预测中的应用[J]. 数学的实践与认识, 2014, 44(14): 243–249.

[19] 杜强, 陈乔, 杨锐. 基于Logistic模型的中国各省碳排放预测[J]. 长江流域资源与环境, 2013, 22(2): 143–151.

[20] 杜强, 陈乔, 陆宁. 基于改进IPAT模型的中国未来碳排放预测[J]. 环境科学学报, 2012, 32(9): 2294–2302.

[21] 高金贺, 黄伟玲, 蒋浩鹏. 城市交通碳排放预测的多模型对比分析[J]. 重庆交通大学学报(自然科学版), 2020, 26(1): 1–7.

[22] 宋杰鲲. 基于STIRPAT和偏最小二乘回归的碳排放预测模型[J]. 统计与决策, 2011(24): 19–22.

[23] 宋杰鲲. 基于支持向量回归机的中国碳排放预测模型[J]. 中国石油大学学报(自然科学版), 2012, 36(1): 182–187.

[24] 赵息, 齐建民, 刘广为. 基于离散二阶差分算法的中国碳排放预测[J]. 干旱区资源与环境, 2013, 27(1): 63–69.

[25] 宋杰鲲, 张宇. 基于BP神经网络的我国碳排放情景预测[J]. 科学技术与工程, 2011, 11(17): 4108–4111.

[26] 燕振刚, 李薇, Yan Tianhai, 等. BP神经网络算法在河西绿洲玉米生产碳排放评估中的应用及算法有效性研究[J]. 中国生态农业学报, 2018, 26(8): 1100–1106.

[27] 王苗, 王鹏雅, 陈鑫. 基于灰色神经网络模型的美国碳排放预测[J]. 科技资讯, 2019, 17(14): 202–205.

[28] 赵成柏, 毛春梅. 基于ARIMA和BP神经网络组合模型的我国碳排放强度预测[J]. 长江流域资源与环境, 2012, 21(6): 665–671.

[29] 王彤彤, 张剑, 涂川, 等. IPSO-BP神经网络在渭河天水段水质评价中的应用[J]. 环境科学与技术, 2013, 36(8): 175–181.

[30] 徐成龙, 任建兰, 巩灿娟. 产业结构调整对山东省碳排放的影响[J]. 自然资源学报, 2014(2): 15–24.

[31] 宗刚, 牛钦玺, 迟远英. 京津冀地区能源消费碳排放因素分解分析[J]. 生态科学, 2016, 35(2): 111–117.

[32] 王长建, 张利, 王强, 等. 1990—2009年山东能源消费的碳排放动态演进分析[J]. 中国科学院大学学报, 2012, 29(4): 469–475.

[33] 荣蓉. 山东省工业碳排放情景预测及减排策略研究[J]. 中外能源, 2016, 21(2): 94–100.

[34] 王菲, 董锁成, 毛琦梁. 基于工业结构特征的中国地区能源消费强度差异分析[J]. 地理科学进展, 2013, 4: 522–531.

[35]张思齐, 陈银蓉. 城市建设用地扩张与能源消耗碳排放相关效应[J]. 水土保持研究, 2017, 24(1): 244–249.

[36] 张一清, 王琳晴, 刘传庚, 等. 基于碳足迹研究的中国地区工业低碳转型——以山东省为例[J]. 生态学报, 2016, 36(20): 6646–6655.

[37] 马彩虹. 甘肃省化石能源碳足迹动态研究[J]. 西北林学院学报, 2013, 28(1): 73–76.

[38] 闫丰, 王洋, 杜哲, 等. 基于IPCC排放因子法估算碳足迹的京津冀生态补偿量化[J]. 农业工程学报, 2018, 34(4): 15–20.

[39] 郑晖, 石培基, 何娟娟. 甘肃省生态足迹与生态承载力动态分析[J]. 干旱区资源与环境, 2013, 27(10): 13–18.

[40] 王彤彤, 翟军海, 何欢, 等. BP神经网络和SVM模型对施加生物炭土壤水分预测的适用性[J]. 水土保持研究, 2017, 24(3): 86–91.

[41] 王永琴, 周叶, 张荣. 碳排放影响因子与碳足迹文献综述: 基于研究方法视角[J]. 环境工程, 2017, 35(1): 155–159.

[42] 师帅, 李翠霞, 李媚婷. 畜牧业“碳排放”到“碳足迹”核算方法的研究进展[J]. 中国人口•资源与环境, 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

张迪, 王彤彤, 支金虎. 基于IPSO-BP神经网络模型的山东省碳排放预测及生态经济分析[J]. 生态科学, 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

国家重点研发计划(2017YFC0504300, 2017YFD0201900); 环境材料与修复技术重庆市重点实验室开放基金(CEK1805)

张迪(1990—), 女, 山东潍坊人, 硕士研究生, 研究方向为资源利用、农业管理, E-mail:dizhang1237@163.com

支金虎, 男, 教授, 主要研究方向为资源利用与生态管理等, E-mail:zjhzky@163.com