中国作为全球最大的发展中国家和碳排放国,其能否兑现2030年实现碳达峰的承诺,对推动经济社会 绿色转型至关重要。本研究结合SPNN-GNNWR 模型和情景预测方法,对2023-2040年中国的碳排放总量 进行了预测分析。首先,通过灰色关联分析法对碳排放的六个关键影响因素(如GDP、能源消费总量、水泥 生产等)进行了相关度计算,所有相关系数均超过0.8。基于这些影响因素,构建并训练了 SPNN-GNNWR 模型,其评价指标R2达到0.87,RMSE 为9.40,显示出良好的预测性能。
在情景预测方面,研究构建了基准情景、低碳情景和粗放情景,并分别预测了2023-2040年碳排放量的 变化趋势。结果表明,在基准情景下,中国将在2029年实现碳达峰,达峰值为9918.19百万吨;在低碳情景下, 达峰时间提前至2027年,达峰值为9728.89百万吨;而在粗放情景下,达峰时间推迟至2032年,达峰值升至 10310.32百万吨。此外,对单个影响因素的分析显示,能源消费总量和GDP对碳排放趋势的影响尤为显著。
研究表明,中国需加快能源结构优化,减少对化石能源的依赖,同时在促进经济增长与推动碳减排之 间实现平衡,才能尽早实现碳达峰目标,为全球气候治理作出积极贡献。
碳达峰是指某个地区或国家的碳排放量达到最高值并开始下降的过程,是实现碳中和目标的重要前 提。当前,全球各国纷纷制定和实施碳达峰战略,以应对气候变化、减少温室气体排放。研究表明,碳达峰的 实现涉及经济、能源、技术、政策等多方面因素的综合作用,具有高度复杂性和不确定性。深度学习方法在 预测精度上表现优异,但在长周期预测中通常受到一定限制,更适合用于短期预测。此外,统计和经济模型, 如IPAT和STIRPAT 方程,能够深入分析碳排放的驱动因素,但在处理非线性和复杂交互关系时可能存在局 限性。因此,将情景预测和深度学习相结合,可以综合二者的优点,得到更为合理的预测结果。空间数据集具 有很强的各向异性,为了拟合空间中复杂的非线性关系,使用SPNN 来精确计算城市间的空间邻近关系。本 研究在深度学习方法的基础上考虑空间异质性,采用带有地理加权的神经网络模型进行计算二氧化碳排放 量。通过定量分析碳排放量与影响因素之间的关联性,研究各影响因素权重;同时,融合空间邻近神经网络 (SPNN) 和地理神经网络加权回归模型(GNNWR), 构建面向中国区域的碳排放预测模型,并结合对中国的 碳达峰年份和峰值进行预测,为实现“双碳”目标及节能减排工作提供科学的政策建议与决策支持。
与传统碳排放预测方法相比,本研究提出的SPNN-GNNWR 模型融合了空间邻近信息与地理加权回 归策略,实现了对碳排放时空特征的精细刻画。模型在训练、验证和测试阶段均表现出较高的拟合度,其中 训练集R2接近0.94,验证集和测试集R2分别达到0.91和0.87,表明其具有较强的预测能力和泛化性能。此 外,SPNN-GNNWR 模型在误差控制方面同样优越,RMSE 、MAE和MAPE 均保持在较低水平,有效提升 了碳排放预测的精度和稳定性。通过综合考虑人口、GDP、城镇化率及能源消费等关键影响因子,该模型能 够更全面地刻画碳排放的空间差异性,为区域碳达峰路径优化与低碳发展策略制定提供了科学支撑。
该成果可广泛应用于碳排放监测、能源结构优化、城市碳达峰路径规划及低碳政策制定等多个领域。 在碳排放监测方面,SPNN-GNNWR 模型可以精准刻画碳排放的空间分布和动态演变,为政府和环保机构 提供科学支撑。在能源结构优化中,模型结合人口、GDP、城镇化率及能源消费等因素,评估能源政策对碳 排放的影响,助力可再生能源发展。在城市碳达峰规划中,SPNN-GNNWR 能够识别区域碳排放特征,优化 产业调整与节能措施,推动精准达峰。政策制定方面,该模型提供碳排放的时空分布特征,支持政府制定差 异化减排政策,促进区域协同减排。随着全球碳中和进程加快和“双碳”目标推进,高精度碳排放预测技术 需求增长。SPNN-GNNW R凭借精准预测能力、稳定泛化性能和对复杂数据的适应性,将在碳排放管理与 低碳发展中发挥重要作用。