王苗 王鵬雅

摘 ?要：該文基于世界銀行數(shù)據(jù)庫(kù)1984—2014年美國(guó)的碳排放量、美國(guó)人均GDP、美國(guó)人口總量、化石燃料能耗百分比、人均耗電量等數(shù)據(jù)，結(jié)合多種預(yù)測(cè)模型，較為準(zhǔn)確地預(yù)測(cè)了美國(guó)未來(lái)30年的碳排放量。首先基于灰色預(yù)測(cè)模型表明，未來(lái)30年美國(guó)的碳排量將呈現(xiàn)逐年遞增的趨勢(shì)。為了進(jìn)一步提高預(yù)測(cè)精度，將偏差的關(guān)系歸納到BP神經(jīng)網(wǎng)絡(luò)模型中，利用神經(jīng)網(wǎng)絡(luò)模型趨勢(shì)外推法對(duì)預(yù)測(cè)結(jié)果作進(jìn)一步完善，預(yù)估未來(lái)30年美國(guó)的碳排量呈現(xiàn)先遞增然后逐年開(kāi)始遞減的趨勢(shì)，即曲線呈現(xiàn)比較明顯的倒U型，與Kuznets曲線相符。

關(guān)鍵詞：碳排放 ?《巴黎協(xié)定》 ?灰色預(yù)測(cè) ?BP神經(jīng)網(wǎng)絡(luò)

中圖分類號(hào)：TP183 ? 文獻(xiàn)標(biāo)識(shí)碼：A ? ? ? ? ? 文章編號(hào)：1672-3791（2019）05（b）-0202-05

伴隨著全球氣溫升高、海平面上升、冰川和凍土消融等，氣候變暖已經(jīng)威脅人類的生存與發(fā)展。為降低地表升溫速度，減少二氧化碳排放量，2015年聯(lián)合國(guó)通過(guò)了《巴黎氣候變化協(xié)定》。中美兩國(guó)積極推動(dòng)了協(xié)議的簽署。而美國(guó)在2017年宣布退出該協(xié)議，對(duì)于美國(guó)政府的這一決策全球反應(yīng)強(qiáng)烈。美國(guó)退出《巴黎協(xié)議》后不僅直接影響到全球的碳排放和溫升控制，同時(shí)也影響到世界各國(guó)未來(lái)的經(jīng)濟(jì)增長(zhǎng)。因此，研究美國(guó)退出《巴黎協(xié)定》后未來(lái)30年美國(guó)的碳排放量，對(duì)于有效分析和控制全球的碳排放量、制定能源戰(zhàn)略、保護(hù)環(huán)境等有重要的現(xiàn)實(shí)意義。

該文基于1984—2014年美國(guó)碳排放量的數(shù)據(jù)，評(píng)估2020—2050年美國(guó)碳排放的總值及變化趨勢(shì)。文獻(xiàn)[1]表明灰色預(yù)測(cè)模型適用于短期和中期預(yù)測(cè)，精確度較高，但是在長(zhǎng)期預(yù)測(cè)中可能受到一些擾動(dòng)因素的影響，會(huì)使得預(yù)測(cè)精度降低。為了進(jìn)一步提高預(yù)測(cè)精度，采用BP神經(jīng)網(wǎng)絡(luò)模型對(duì)已經(jīng)得到的結(jié)果進(jìn)行進(jìn)一步的完善，將灰色預(yù)測(cè)后的結(jié)果作為神經(jīng)網(wǎng)絡(luò)的輸入學(xué)習(xí)樣本[2]。這種結(jié)合算法可以盡可能地減少預(yù)測(cè)值與原始數(shù)據(jù)的偏差，預(yù)測(cè)精度高，使用方便，具有較高的應(yīng)用價(jià)值。

1 ?碳排放量影響因素的選擇與分析

該文結(jié)合全球以及美國(guó)工業(yè)發(fā)展的實(shí)際情況，從世界銀行數(shù)據(jù)庫(kù)收集1984—2014年美國(guó)的碳排放量、人均國(guó)內(nèi)生產(chǎn)總值、人口總量、化石燃料能耗百分比、人均耗電量、溫度等數(shù)據(jù)。在對(duì)這些數(shù)據(jù)進(jìn)行數(shù)據(jù)分析后，確定人均國(guó)內(nèi)生產(chǎn)總值、人口總量、化石燃料能耗百分比、人均耗電量作為影響美國(guó)碳排放量的主要影響因子。

2 ?美國(guó)碳排放量灰色預(yù)測(cè)GM（1，1）模型

2.1 灰色預(yù)測(cè)模型GM（1，1）的構(gòu)建

灰色預(yù)測(cè)模型可以對(duì)沒(méi)有規(guī)律的時(shí)間序列進(jìn)行預(yù)測(cè)，這符合歷年來(lái)碳排放量、人均國(guó)內(nèi)生產(chǎn)總值、人口數(shù)量、化石燃料能耗百分比、耗電量等的數(shù)據(jù)走勢(shì)規(guī)律。利用灰色預(yù)測(cè)方法建立GM（1，1）預(yù)測(cè)模型[3]，記，其中（k=1，2，…，20）。對(duì)20年美國(guó)碳排放量的歷史數(shù)據(jù)進(jìn)行模擬并預(yù)測(cè)未來(lái)20年的排放量，利用該數(shù)據(jù)列建立預(yù)測(cè)模型的步驟如下。

2.3 碳排放預(yù)測(cè)值分析

將預(yù)測(cè)得到的2020—2050年的美國(guó)碳排放量結(jié)果與實(shí)際1984—2014年美國(guó)碳排放量進(jìn)行對(duì)比，如圖1所示。

通過(guò)上述預(yù)測(cè)模型得到的2020—2050年美國(guó)碳排放量的變化形勢(shì)，可以得到如下結(jié)論。未來(lái)30年美國(guó)的碳排量仍然呈現(xiàn)逐年遞增的趨勢(shì)，在2030年將達(dá)到61.75億t，比2014年上漲了17.5%。雖然世界各國(guó)都在積極探索新的綠色能源，進(jìn)行技術(shù)改革與技術(shù)創(chuàng)新，但是在未來(lái)一段時(shí)間內(nèi)，美國(guó)的碳排放量將仍然呈現(xiàn)增長(zhǎng)的趨勢(shì)。

將預(yù)測(cè)得到的碳排放量與實(shí)際碳排量進(jìn)行對(duì)比，可以看出預(yù)測(cè)達(dá)到較高要求，有較高的曲線擬合度。

3 ?基于BP神經(jīng)網(wǎng)絡(luò)的美國(guó)碳排放預(yù)測(cè)模型

在采用灰色預(yù)測(cè)模型預(yù)測(cè)得到未來(lái)30年美國(guó)的碳排放量呈現(xiàn)逐年遞增的趨勢(shì)后，利用神經(jīng)網(wǎng)絡(luò)模型趨勢(shì)外推法對(duì)預(yù)測(cè)結(jié)果做進(jìn)一步完善[1]，預(yù)測(cè)未來(lái)30年美國(guó)的碳排放量。

3.1 BP神經(jīng)網(wǎng)絡(luò)模型概述

BP神經(jīng)網(wǎng)絡(luò)即多層次反饋型網(wǎng)絡(luò)，是一種模糊不確定型的神經(jīng)元網(wǎng)絡(luò)，可以進(jìn)行自組織、自學(xué)習(xí)。由于BP人工神經(jīng)網(wǎng)絡(luò)有類似人的大腦思維過(guò)程，可以模擬人腦進(jìn)行不斷地學(xué)習(xí)與訓(xùn)練，從而解決某些具有模糊性和不確定性的問(wèn)題。因此，利用人工神經(jīng)網(wǎng)絡(luò)對(duì)美國(guó)碳排放量樣本進(jìn)行分析，通過(guò)對(duì)新樣本的學(xué)習(xí)識(shí)別與評(píng)價(jià)，充分考慮影響美國(guó)碳排放量每一個(gè)因素的權(quán)重，從而對(duì)美國(guó)未來(lái)30年的碳排放量進(jìn)行較為準(zhǔn)確的評(píng)估。

3.2 數(shù)據(jù)的分析與處理

由于各個(gè)影響因子的量綱不同，因此收集的數(shù)據(jù)必須通過(guò)數(shù)據(jù)標(biāo)準(zhǔn)化處理。處理后的數(shù)據(jù)才能用來(lái)進(jìn)行科學(xué)研究和數(shù)學(xué)建模，才適合更加綜合的對(duì)比評(píng)估。

采用GM（1，1）的方法預(yù)測(cè)出2020—2050年美國(guó)人均國(guó)內(nèi)生產(chǎn)總值、人口總量、化石燃料能耗百分比、人均耗電量的值，然后將其作為學(xué)習(xí)樣本，用人工神經(jīng)網(wǎng)絡(luò)對(duì)美國(guó)碳排放量進(jìn)行預(yù)測(cè)。

3.3 BP神經(jīng)網(wǎng)絡(luò)的構(gòu)建

神經(jīng)網(wǎng)絡(luò)可以更好地對(duì)多因素影響的碳排放量進(jìn)行預(yù)測(cè)。理論上已經(jīng)證明：具有偏差和至少一個(gè)S形隱藏層加上一個(gè)線性輸出層的網(wǎng)格，可以較好地逼近任何有理函數(shù)[4]。為了達(dá)到較好的預(yù)測(cè)效果，神經(jīng)網(wǎng)絡(luò)模型運(yùn)用前饋型網(wǎng)絡(luò)，其結(jié)構(gòu)是由輸入層、隱含層、輸出層三層組成的。每一個(gè)網(wǎng)絡(luò)單元可以有多個(gè)輸入，但只能有一個(gè)輸出，該模型中的輸入層有4個(gè)神經(jīng)元，每個(gè)神經(jīng)元對(duì)應(yīng)一個(gè)影響因子（人均國(guó)內(nèi)生產(chǎn)總值、人口總量、化石燃料能耗百分比、人均耗電量），輸入為這些影響因子都是經(jīng)過(guò)數(shù)據(jù)標(biāo)準(zhǔn)化處理之后的值。輸出層只能有1個(gè)神經(jīng)元，即為美國(guó)的碳排放量。其算法流程圖如圖2所示。

3.4 美國(guó)碳排放預(yù)測(cè)模型的訓(xùn)練及仿真預(yù)測(cè)

對(duì)于BP訓(xùn)練算法函數(shù)，該文選取Levenberg-Marquqrdy訓(xùn)練方法，即trainlm為訓(xùn)練函數(shù)。與其他算法相比，該算法的收斂速度較快，每次迭代的效率很高。對(duì)于大小適中的前向神經(jīng)網(wǎng)絡(luò)，其計(jì)算量和存儲(chǔ)量都非常大。在模擬訓(xùn)練時(shí)，把所有收集到的數(shù)據(jù)分為兩部分，其中一部分?jǐn)?shù)據(jù)用于學(xué)習(xí)訓(xùn)練，另一部分則用于檢驗(yàn)神經(jīng)網(wǎng)絡(luò)模型的效果[5]。經(jīng)過(guò)多次修改連接權(quán)值、閾值，確定了神經(jīng)元個(gè)數(shù)，合理地確定了最優(yōu)的網(wǎng)格結(jié)構(gòu)，學(xué)習(xí)訓(xùn)練效果良好。

訓(xùn)練結(jié)果如圖3所示。

圖3為MALTAB中BP網(wǎng)絡(luò)的學(xué)習(xí)與訓(xùn)練過(guò)程，由圖中可以看出，該算法通過(guò)40次訓(xùn)練就達(dá)到了預(yù)設(shè)的誤差10-6，達(dá)到了預(yù)定的目標(biāo)。

將1984—2014年的美國(guó)碳排放量為基準(zhǔn)值，由MALTAB軟件對(duì)2020—2050年美國(guó)的碳排放量進(jìn)行預(yù)測(cè)，表2為根據(jù)人工神經(jīng)網(wǎng)絡(luò)模型預(yù)測(cè)的2020—2029年美國(guó)碳排放量的數(shù)據(jù)值。

3.5 結(jié)果分析

將得到的2020—2050年的美國(guó)碳排放量結(jié)果與原數(shù)據(jù)進(jìn)行對(duì)比，如圖4所示。

由上圖可以看到，預(yù)測(cè)得到的曲線與實(shí)際值的數(shù)據(jù)曲線擬合度較高，數(shù)據(jù)值非常接近。故建立的BP神經(jīng)網(wǎng)絡(luò)模型可以較精確地預(yù)估美國(guó)未來(lái)30年的碳排放。

通過(guò)BP神經(jīng)網(wǎng)絡(luò)模型得到的2020—2050年美國(guó)碳排放量的變化形式，可以得到結(jié)論：未來(lái)30年美國(guó)的碳排量呈現(xiàn)先遞增然后逐年開(kāi)始遞減的趨勢(shì)，即圖形呈現(xiàn)比較明顯的倒U型。

4 ?結(jié)論

（1）該文首先基于灰色神經(jīng)網(wǎng)絡(luò)模型，預(yù)估未來(lái)30年美國(guó)的碳排量呈現(xiàn)先遞增然后逐年開(kāi)始遞減的趨勢(shì)，即曲線呈現(xiàn)比較明顯的倒U型。

（2）基于該模型得到的預(yù)測(cè)結(jié)果與實(shí)際碳排放量相比差距較小，說(shuō)明該模型在碳排放量預(yù)測(cè)中是可行的，可以為各國(guó)未來(lái)規(guī)劃有害氣體的排放提供有價(jià)值的參考。

（3）該文建立的是一個(gè)碳排放預(yù)測(cè)模型，由于碳排放預(yù)測(cè)指標(biāo)涉及社會(huì)、環(huán)境、能源等各個(gè)方面，因此該模型還可以分析碳排放量對(duì)社會(huì)、能源等各個(gè)方面的影響，只需改變影響因子即可。

參考文獻(xiàn)

[1] 李德志，李朝陽(yáng)，李峰.大氣SO2含量時(shí)間序列的BP人工神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型[J].重型機(jī)械，2010（3）：31-34.

[2] 劉秋華.基于季節(jié)指數(shù)和灰色預(yù)測(cè)的月電量預(yù)測(cè)模型[J].南京工程學(xué)院學(xué)報(bào)：自然科學(xué)版，2006（1）：1-6.

[3] 張利萍.灰色理論在智能控制中的應(yīng)用[D].北京化工大學(xué)，2005.

[4] 朱璐，李永新，陳盛，等.基于BP網(wǎng)絡(luò)的足球機(jī)器人視覺(jué)系統(tǒng)標(biāo)定——Robocup系列研究之七[J].自動(dòng)化與儀表，2004（5）：10-13.

[5] 楊新志，何毅.人工神經(jīng)網(wǎng)絡(luò)在測(cè)控系統(tǒng)故障診斷中的應(yīng)用[A].中國(guó)自動(dòng)化學(xué)會(huì)智能自動(dòng)化專業(yè)委員會(huì)，中國(guó)人工智能學(xué)會(huì)計(jì)算機(jī)視覺(jué)及智能控制學(xué)會(huì)，IEEE控制系統(tǒng)學(xué)會(huì)北京分會(huì)，天津大學(xué).1995年中國(guó)智能自動(dòng)化學(xué)術(shù)會(huì)議暨智能自動(dòng)化專業(yè)委員會(huì)成立大會(huì)論文集（下冊(cè)）[C].1995.