王苗 王鵬雅

摘 ?要：該文基于世界銀行數(shù)據(jù)庫1984—2014年美國的碳排放量、美國人均GDP、美國人口總量、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)測模型，較為準(zhǔn)確地預(yù)測了美國未來30年的碳排放量。首先基于灰色預(yù)測模型表明，未來30年美國的碳排量將呈現(xiàn)逐年遞增的趨勢。為了進一步提高預(yù)測精度，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)模型趨勢外推法對預(yù)測結(jié)果作進一步完善，預(yù)估未來30年美國的碳排量呈現(xiàn)先遞增然后逐年開始遞減的趨勢，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 ?BP神經(jīng)網(wǎng)絡(luò)

中圖分類號：TP183 ? 文獻標(biāo)識碼：A ? ? ? ? ? 文章編號：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)合國通過了《巴黎氣候變化協(xié)定》。中美兩國積極推動了協(xié)議的簽署。而美國在2017年宣布退出該協(xié)議，對于美國政府的這一決策全球反應(yīng)強烈。美國退出《巴黎協(xié)議》后不僅直接影響到全球的碳排放和溫升控制，同時也影響到世界各國未來的經(jīng)濟增長。因此，研究美國退出《巴黎協(xié)定》后未來30年美國的碳排放量，對于有效分析和控制全球的碳排放量、制定能源戰(zhàn)略、保護環(huán)境等有重要的現(xiàn)實意義。

該文基于1984—2014年美國碳排放量的數(shù)據(jù)，評估2020—2050年美國碳排放的總值及變化趨勢。文獻[1]表明灰色預(yù)測模型適用于短期和中期預(yù)測，精確度較高，但是在長期預(yù)測中可能受到一些擾動因素的影響，會使得預(yù)測精度降低。為了進一步提高預(yù)測精度，采用BP神經(jīng)網(wǎng)絡(luò)模型對已經(jīng)得到的結(jié)果進行進一步的完善，將灰色預(yù)測后的結(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)測值與原始數(shù)據(jù)的偏差，預(yù)測精度高，使用方便，具有較高的應(yīng)用價值。

1 ?碳排放量影響因素的選擇與分析

該文結(jié)合全球以及美國工業(yè)發(fā)展的實際情況，從世界銀行數(shù)據(jù)庫收集1984—2014年美國的碳排放量、人均國內(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)。在對這些數(shù)據(jù)進行數(shù)據(jù)分析后，確定人均國內(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碳排放量的主要影響因子。

2 ?美國碳排放量灰色預(yù)測GM（1，1）模型

2.1 灰色預(yù)測模型GM（1，1）的構(gòu)建

灰色預(yù)測模型可以對沒有規(guī)律的時間序列進行預(yù)測，這符合歷年來碳排放量、人均國內(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)走勢規(guī)律。利用灰色預(yù)測方法建立GM（1，1）預(yù)測模型[3]，記，其中（k=1，2，…，20）。對20年美國碳排放量的歷史數(shù)據(jù)進行模擬并預(yù)測未來20年的排放量，利用該數(shù)據(jù)列建立預(yù)測模型的步驟如下。

2.3 碳排放預(yù)測值分析

將預(yù)測得到的2020—2050年的美國碳排放量結(jié)果與實際1984—2014年美國碳排放量進行對比，如圖1所示。

通過上述預(yù)測模型得到的2020—2050年美國碳排放量的變化形勢，可以得到如下結(jié)論。未來30年美國的碳排量仍然呈現(xiàn)逐年遞增的趨勢，在2030年將達到61.75億t，比2014年上漲了17.5%。雖然世界各國都在積極探索新的綠色能源，進行技術(shù)改革與技術(shù)創(chuàng)新，但是在未來一段時間內(nèi)，美國的碳排放量將仍然呈現(xiàn)增長的趨勢。

將預(yù)測得到的碳排放量與實際碳排量進行對比，可以看出預(yù)測達到較高要求，有較高的曲線擬合度。

3 ?基于BP神經(jīng)網(wǎng)絡(luò)的美國碳排放預(yù)測模型

在采用灰色預(yù)測模型預(yù)測得到未來30年美國的碳排放量呈現(xiàn)逐年遞增的趨勢后，利用神經(jīng)網(wǎng)絡(luò)模型趨勢外推法對預(yù)測結(jié)果做進一步完善[1]，預(yù)測未來30年美國的碳排放量。

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程，可以模擬人腦進行不斷地學(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題。因此，利用人工神經(jīng)網(wǎng)絡(luò)對美國碳排放量樣本進行分析，通過對新樣本的學(xué)習(xí)識別與評價，充分考慮影響美國碳排放量每一個因素的權(quán)重，從而對美國未來30年的碳排放量進行較為準(zhǔn)確的評估。

3.2 數(shù)據(jù)的分析與處理

由于各個影響因子的量綱不同，因此收集的數(shù)據(jù)必須通過數(shù)據(jù)標(biāo)準(zhǔn)化處理。處理后的數(shù)據(jù)才能用來進行科學(xué)研究和數(shù)學(xué)建模，才適合更加綜合的對比評估。

采用GM（1，1）的方法預(yù)測出2020—2050年美國人均國內(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)對美國碳排放量進行預(yù)測。

3.3 BP神經(jīng)網(wǎng)絡(luò)的構(gòu)建

神經(jīng)網(wǎng)絡(luò)可以更好地對多因素影響的碳排放量進行預(yù)測。理論上已經(jīng)證明：具有偏差和至少一個S形隱藏層加上一個線性輸出層的網(wǎng)格，可以較好地逼近任何有理函數(shù)[4]。為了達到較好的預(yù)測效果，神經(jīng)網(wǎng)絡(luò)模型運用前饋型網(wǎng)絡(luò)，其結(jié)構(gòu)是由輸入層、隱含層、輸出層三層組成的。每一個網(wǎng)絡(luò)單元可以有多個輸入，但只能有一個輸出，該模型中的輸入層有4個神經(jīng)元，每個神經(jīng)元對應(yīng)一個影響因子（人均國內(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)過數(shù)據(jù)標(biāo)準(zhǔn)化處理之后的值。輸出層只能有1個神經(jīng)元，即為美國的碳排放量。其算法流程圖如圖2所示。

3.4 美國碳排放預(yù)測模型的訓(xùn)練及仿真預(yù)測

對于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。對于大小適中的前向神經(jīng)網(wǎng)絡(luò)，其計算量和存儲量都非常大。在模擬訓(xùn)練時，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神經(jīng)網(wǎng)絡(luò)模型的效果[5]。經(jīng)過多次修改連接權(quán)值、閾值，確定了神經(jīng)元個數(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)練過程，由圖中可以看出，該算法通過40次訓(xùn)練就達到了預(yù)設(shè)的誤差10-6，達到了預(yù)定的目標(biāo)。

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

3.5 結(jié)果分析

將得到的2020—2050年的美國碳排放量結(jié)果與原數(shù)據(jù)進行對比，如圖4所示。

由上圖可以看到，預(yù)測得到的曲線與實際值的數(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)估美國未來30年的碳排放。

通過BP神經(jīng)網(wǎng)絡(luò)模型得到的2020—2050年美國碳排放量的變化形式，可以得到結(jié)論：未來30年美國的碳排量呈現(xiàn)先遞增然后逐年開始遞減的趨勢，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30年美國的碳排量呈現(xiàn)先遞增然后逐年開始遞減的趨勢，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)測結(jié)果與實際碳排放量相比差距較小，說明該模型在碳排放量預(yù)測中是可行的，可以為各國未來規(guī)劃有害氣體的排放提供有價值的參考。

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

參考文獻

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

[2] 劉秋華.基于季節(jié)指數(shù)和灰色預(yù)測的月電量預(yù)測模型[J].南京工程學(xué)院學(xué)報：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)的足球機器人視覺系統(tǒng)標(biāo)定——Robocup系列研究之七[J].自動化與儀表，2004（5）：10-13.

[5] 楊新志，何毅.人工神經(jīng)網(wǎng)絡(luò)在測控系統(tǒng)故障診斷中的應(yīng)用[A].中國自動化學(xué)會智能自動化專業(yè)委員會，中國人工智能學(xué)會計算機視覺及智能控制學(xué)會，IEEE控制系統(tǒng)學(xué)會北京分會，天津大學(xué).1995年中國智能自動化學(xué)術(shù)會議暨智能自動化專業(yè)委員會成立大會論文集（下冊）[C].1995.