摘 要：近年來，全球氣候變化引起廣泛關注。為降低人類活動對氣候的影響，世界各國紛紛制定相關減排目標。中國在2020年提出“雙碳”目標，即到2030年前實現碳達峰，到2060年前實現碳中和。黨的二十大報告也指出“積極穩(wěn)妥推進碳達峰碳中和”。該文旨在基于我國碳排放核算數據庫1970—2020年碳排放量、國內生產總值（GDP）、人口數量等數據，探究全國碳排放的時空特征，并采用LSTM模型對2030年的碳排放峰值進行預測。

關鍵詞：“雙碳”目標；LSTM模型；碳排放特征；減排；碳排放預測

中圖分類號：X321 文獻標志碼：A 文章編號：2095-2945（2024）28-0026-05

Abstract： In recent years， global climate change has attracted widespread attention. In order to reduce the impact of human activities on the climate， countries around the world have formulated relevant emission reduction targets. China proposed "Double Carbon" goals in 2020， that is， to achieve carbon peak by 2030 and achieve carbon neutrality by 2060. The report of the 20th National Congress of the Communist Party of China also pointed out that "actively and steadily promote carbon peak and carbon neutrality." This paper aims to explore the spatio-temporal characteristics of national carbon emissions based on data such as carbon emissions， gross domestic product （GDP）， and population from 1970 to 2020 in China's carbon emissions accounting database， and uses the LSTM model to predict the peak carbon emissions in 2030.

Keywords： "Double Carbon" goals; LSTM model; carbon emission characteristics; emission reduction; carbon emission prediction

目前，全球面臨著日益嚴峻的氣候變化問題，《中共中央關于制定國民經濟和社會發(fā)展第十四個五年規(guī)劃和二○三五年遠景目標的建議》提出，廣泛形成綠色生產生活方式，碳排放達峰后穩(wěn)中有降，生態(tài)環(huán)境根本好轉，美麗中國建設目標基本實現。在第七十五屆聯合國大會一般性辯論中，第一次提出了“碳中和”的具體目標，二氧化碳排放力爭于2030年前達到峰值，努力爭取2060年前實現碳中和。在氣候雄心峰會上，中國進一步宣布：到2030年，中國單位國內生產總值二氧化碳排放將比2005年下降65％以上，非化石能源占一次能源消費比重將達到25％左右，森林蓄積量將比2005年增加60億立方米，風電、太陽能發(fā)電總裝機容量將達到12億千瓦以上。

2021年，“雙碳”目標相繼被寫入政府工作報告和“十四五”規(guī)劃，中國開啟“雙碳”元年?！半p碳”目標充分體現了中國的國際責任和大國擔當，同時與國內的發(fā)展戰(zhàn)略、發(fā)展進程高度吻合。但究竟如何做才能達到“雙碳”目標尚需各方共同努力。國內學者積極對此領域問題展開研究[1-2]，同時各行業(yè)也積極響應國家政策指定標準，如2022年4月8日我國公路貨運車貨匹配領域首個碳減排團體標準——《公路貨運智能匹配系統(tǒng)的溫室氣體減排量評估技術規(guī)范》正式出臺[3]。

1 我國碳排放時空特征分析

基于1970—2020年除港、澳、臺之外30個省市自治區(qū)碳排放量數據對我國碳排放的時空特征進行分析。

1.1 我國碳排放時間特征分析

由國家統(tǒng)計局發(fā)布的數據（圖1）可知，中國的碳排放總量從3 465.45百萬t增長到11 680.42百萬t，整體上呈現逐年遞增態(tài)勢。其中，1999—2013年增長速度較快，這與該期間消耗大量化石能源助力經濟的快速增長密切相關，2013之后碳排放增長速度減緩，源于國家開始高度重視溫室氣體排放的持續(xù)增加對環(huán)境的危害，國家經濟發(fā)展模式向可持續(xù)發(fā)展方向轉型，人們對生活質量的要求也越來越高，全民環(huán)保意識不斷增強，產業(yè)生態(tài)化，使得我國碳排放總量雖然仍在增加，但增速開始下降。

人均碳排放量是二氧化碳排放總量和總人口的比值，能夠反映地區(qū)二氧化碳排放的實際增速，1990—2020年，我國人口總數變化幅度較小，使得我國人均碳排放量與碳排放總量變動趨勢保持基本一致，2005年開始，中國碳排放強度一直處在不斷走低的趨勢，表明中國雖然在碳排放總量和人均碳排放量依舊維持較強的增長勢頭，并且中國人均碳排放量低于世界人均碳排放量（圖2），但中國在經濟發(fā)展上正逐步降低不合理、濫用化石能源的情況，也表明中國長期一直堅持發(fā)展低碳經濟，落實節(jié)能減排的政策有效。

單位GDP碳排放量是隨著技術進步和經濟增長而下降，由圖3可知，1990—2020年我國單位GDP碳排放量整體呈快速下降趨勢，其中2002—2005年呈現增長態(tài)勢，主要是中國加入WTO后經濟高速增長，自2005年我國提出節(jié)能減排，注重經濟發(fā)展與環(huán)境保護并行后，單位GDP碳排放量又呈下降態(tài)勢，尤其是在2011年后，趨勢更加顯著，主要是與我國在《國民經濟和社會發(fā)展第十二個五年規(guī)劃綱要》中明確提出逐步建立碳排放交易市場、著力推動供給側改革、淘汰落后產能和提高資源利用率等措施息息相關。

1.2 我國碳排放空間特征分析

1.2.1 碳排放量的地域特征分析

進一步研究碳排放的影響因素，根據30個省市自治區(qū)（除港、澳、臺）及其對應48個行業(yè)的1997—2019年碳排放總量與排放強度量的數據，得出碳排放量排名位列前8的省份分別是：山東、河北、江蘇、內蒙古、廣東、山西、遼寧和河南。

山東、河南、河北都是人口大省，且都位于北方地區(qū)，產業(yè)結構以重工業(yè)為主，能源結構以化石燃料為主，城鎮(zhèn)化水平不斷提高，城市的高碳生活消費需求進一步提高碳排放量；江蘇、廣東經濟發(fā)達，科技型產業(yè)密集，交通運輸業(yè)發(fā)達，能源消耗量大，人均GDP高，且人口基數也較為龐大；內蒙古經濟社會尚處于工業(yè)化、城鎮(zhèn)化的快速發(fā)展階段，城鎮(zhèn)化水平偏低，高能耗、高碳化發(fā)展路徑依然明顯，氣候長年寒冷，消耗大量化石燃料；山西、遼寧能源結構礦產資源豐富，能源消費結構以煤炭石油為主，其單位碳排放量大。

1.2.2 碳排放量的行業(yè)特征分析

根據1997—2019年排名前8省份碳排放量的數據，基于Python語言處理得到省份及自治區(qū)48個行業(yè)的碳排放特征熱力圖，得到影響碳排放量的主要因素有非金屬礦物產品，黑色金屬的冶煉和壓制，電力、蒸汽、熱水的生產和供應，交通運輸、倉儲、郵電通信服務業(yè)，結果見表1。

2 我國碳排放量預測

2.1 LSTM模型原理

LSTM是一種特殊的循環(huán)神經網絡（RNN），專門設計用于解決傳統(tǒng)RNN中的長期依賴問題。它在序列數據處理中表現出色，被廣泛應用于語言建模、時間序列預測、自然語言處理等領域。LSTM的核心是其復雜的內部結構，包括3個關鍵的門：遺忘門、輸入門、輸出門。這些門的作用是控制信息的流動，從而有效地捕捉序列中的長期依賴關系。

遺忘門為

ft=σ（Wf×[ht-1]，xt+bf），

式中：ft為遺忘門的輸出；Wf為權重矩陣；ht-1為上一個時間步的隱藏狀態(tài)；xt為當前時間步的輸入；σ為Sigmoid激活函數。

輸入門為

it=σ（Wi×[ht-1]+bi），

i=tanh（Wc×[ht-1]+bc），

式中：it為輸入門的輸出；i為當前時間步的細胞狀態(tài)的候選值；Wi、Wc為權重矩陣；ht-1為上一個時間步的隱藏狀態(tài)；σ為Sigmoid激活函數；tanh為雙曲正切激活函數。

細胞更新狀態(tài)為

ct=ft×ct-1+it×i ，

式中：ct為當前時間步的細胞狀態(tài)；ft為遺忘門的輸出；ct-1為上一個時間步的細胞狀態(tài)；it為輸入門的輸出；■i為當前時間步的細胞狀態(tài)的候選值。

輸出門為

ot=σ（Wo×[ht-1，xt]+bo），

ht=ot×tanh（ct），

式中：ot為輸出門的輸出；ht為當前時間步的隱藏狀態(tài)；Wo為權重矩陣；ht-1為上一個時間步的隱藏狀態(tài)；xt為當前時間步的輸入；ct為當前時間步的細胞狀態(tài)；σ為Sigmoid激活函數；tanh為雙曲正切激活函數。

上述公式描述了LSTM的內部運算過程，使其能夠有效地處理長序列信息并減輕梯度消失問題。

2.2 數據處理和建立模型

在“雙碳”目標下，對我國碳排放量預測有著至關重要的作用。通過深度學習LSTM模型，可以更好地理解數據的復雜關系，從而提高預測的準確性，窗口大小將時間序列數據劃分成多個樣本，每個樣本包含了過去一段時間的數據作為輸入特征，以及對應時間步的數據作為目標值，這樣的數據劃分有助于訓練模型學習時間序列的模式和趨勢。首先對數據進行預處理，包括計算差異、刪除缺失值及將數據轉換為一維數組，創(chuàng)建了一個LSTM模型，并添加一個密集層以輸出預測結果，訓練完成后，使用最后一個數據作為輸入來預測國民總收入的占比均值，占比均值最大值和占比均值最小值，再根據碳排放量預測國民總收入的占比變化，得到碳排放量均值、最大值、最小值，從而預測碳排均值，同時得到碳排放量的上下界，結果如圖4和表2所示。

3 總結

針對我國碳“雙碳”目標碳排放量的研究難題，本文根據國家統(tǒng)計局（ｈｔｔｐ：／／ｗｗｗ．ｓｔａｔｓ．ｇｏｖ．ｃｎ／）發(fā)布的數據，從碳排放總量分布和人均碳排放、單位GDP碳排放得出我國碳排放整體呈增長模式，但增速下降，是國家政策導向作用的體現；再對碳排放量較高地區(qū)的各行業(yè)進行分析，得到碳排放量的主要影響因素為非金屬礦物產品，黑色金屬的冶煉和壓制，電力、蒸汽、熱水的生產和供應，交通運輸、倉儲、郵電通信服務；最后利用LSTM模型，通過碳排放量對國民總收入的占比變化構建模型，預估2023—2030年我國的碳排放量呈現下降的趨勢，總量呈現上升趨勢，預計在2030年達到峰值，2030年碳排放量的預測范圍在3 065.571 248～14 435.709 27百萬t。

4 建議

調整能源消費結構，減少化石燃料的使用，鼓勵開發(fā)使用清潔能源，推動能源轉型，促進可再生能源的發(fā)展。

加快對產業(yè)結構和各類產品的優(yōu)化，特別是對工業(yè)、制造業(yè)及新技術產業(yè)進行結構和產品優(yōu)化，盡可能避免依賴高耗能、高污染、高排放產業(yè)的發(fā)展，提高能源使用效率，將節(jié)能減排落到實處。

加大宣傳力度，使低碳生活的理念深入人心，鼓勵全民積極踐行低碳環(huán)保生活，降低人均碳排放量。

構建綠色低碳交通體系。調整運輸結構，減少大宗貨物公路運輸量，增加鐵路和水路運輸量。以“綠色貨運配送示范城市”建設為契機，加快建立“集約、高效、綠色、智能”的城市貨運配送服務體系。

利用好政策的導向性作用，加快全國碳排放權交易市場的建設，建立長效機制，優(yōu)化配額分配方法，開展相關計量技術的研究，建立健全測試服務計量體系。

參考文獻：

[1] 劉淳森，曲建升，葛鈺潔，等.基于LSTM模型的中國交通運輸業(yè)碳排放預測[J].中國環(huán)境科學，2023，43（5）：2574-2582.

[2] 肇曉楠，謝新連，趙瑞嘉.基于滑動窗口動態(tài)輸入LSTM網絡的鐵路運輸系統(tǒng)碳排放量預測方法[J].交通信息與安全，２０２３，４１（１）：１６９－１７８．

[3] 中國表觀碳排放清單[EB/OL].https：//www.ceads.net.cn/data/province/by_apparent_accounting/.