陳莎莎

（廣東一方環(huán)?？萍加邢薰?，廣東 廣州 510000）

0 引言

為完成對(duì)區(qū)域內(nèi)碳排放的有效預(yù)測(cè)，國(guó)內(nèi)外相關(guān)研究人員提出了較多的預(yù)測(cè)模型。在碳排放影響因素解析方面，現(xiàn)階段常用的模型算法主要有LDMI（對(duì)數(shù)平均迪式分解法）、Kaya（卡亞不等式）等，為碳排放量的預(yù)測(cè)奠定了基礎(chǔ)。在碳排放預(yù)測(cè)方面，相關(guān)研究人員提出了CSO（雞群算法）、FLN（快速學(xué)習(xí)網(wǎng)）等很多模型算法，但單一的模型存在預(yù)測(cè)精度方面的缺陷，為解決該問(wèn)題，該文對(duì)CSO與FLN兩種算法模型進(jìn)行組合應(yīng)用，旨在解決區(qū)域內(nèi)碳排放的精準(zhǔn)預(yù)測(cè)難題。

1 碳排放計(jì)算方法與影響因素

1.1 碳排放計(jì)算方法

碳排放的計(jì)算涉及的碳源包括能源消費(fèi)、秸稈燃燒、工業(yè)生產(chǎn)、廢水排放、糞便發(fā)酵以及甲烷排放等內(nèi)容，需要核算的碳匯包括城市綠地、耕地林與果園等區(qū)域，碳排放結(jié)果即為碳源與碳匯的差值，相關(guān)技術(shù)參數(shù)見(jiàn)表1、表2。

表1 各類(lèi)能源碳排放的相關(guān)系數(shù)

表2 秸稈燃燒碳排放計(jì)算主要參數(shù)

1.2 碳排放影響因素

為研究影響區(qū)域內(nèi)碳排放的影響因素，該文通過(guò)STIRPAT模型進(jìn)行評(píng)估分析。該模型能夠?qū)Νh(huán)境壓力、技術(shù)、富裕度以及人口之間的聯(lián)系進(jìn)行分析，如公式（1）所示。

式中：為常數(shù)；為誤差；為估算指數(shù)。通過(guò)兩邊取對(duì)數(shù)得到公式（2）。

基于STIPRAT模型對(duì)上述公式進(jìn)行擴(kuò)展，將產(chǎn)業(yè)結(jié)構(gòu)、能源結(jié)構(gòu)、對(duì)外開(kāi)發(fā)納入模型，如公式（3）所示。

式中：即為碳排放量；為能源結(jié)構(gòu)；為產(chǎn)業(yè)結(jié)構(gòu)；為對(duì)外開(kāi)放；人口為年末常住人口；技術(shù)取決于能源強(qiáng)度；富裕度為人均GDP。

對(duì)外開(kāi)放取決于外商投資比重，能源結(jié)構(gòu)取決于煤炭消費(fèi)量占比，產(chǎn)業(yè)結(jié)構(gòu)取決于第二產(chǎn)業(yè)GDP增加比重。相關(guān)數(shù)據(jù)需要從國(guó)家統(tǒng)計(jì)局網(wǎng)站、統(tǒng)計(jì)年鑒、能源平衡表等獲取。

2 碳排放組合預(yù)測(cè)模型創(chuàng)建

2.1 雞群算法（CSO）

CSO算法具有較高的全局尋優(yōu)能力，但在小樣本碳排放預(yù)測(cè)精度和方面存在一定問(wèn)題。在CSO算法模型應(yīng)用過(guò)程中，假設(shè)個(gè)體在種群中的數(shù)量為，食物搜索空間及優(yōu)化問(wèn)題維度為維；公雞數(shù)量為，母雞為，小雞為，媽媽母雞為。第次迭代時(shí)，用表示第個(gè)個(gè)體的位置；為個(gè)體數(shù)量，數(shù)值為1～；為維度，數(shù)值為1～。適應(yīng)度值為，在優(yōu)化過(guò)程中，適應(yīng)度最差的個(gè)體劃分為小雞，最好的為公雞，其余為母雞。公雞適應(yīng)度最優(yōu)，占據(jù)主導(dǎo)地位，位置更新情況如式（3）所示。

式中：表示第個(gè)個(gè)體第次迭代時(shí)的位置；（0，） 即標(biāo)準(zhǔn)差與均值分別為和0的高斯分布隨機(jī)數(shù)；為適應(yīng)度，與分別表示公雞和公雞，均為個(gè)體；為常數(shù)，用于避免公式分母為0。

母雞根據(jù)子群的公雞或種群的母雞、公雞進(jìn)行食物尋找工作，隨著迭代次數(shù)增加，位置受時(shí)刻的影響將持續(xù)降低，其位置更新情況見(jiàn)式（4）。

式中：為二次非線(xiàn)性遞減權(quán)重函數(shù)；與為影響因子權(quán)重，分別與子群公雞以及種群母雞或公雞存在關(guān)聯(lián)；與為個(gè)體，分別表示子群公雞和種群母雞或公雞，兩者不會(huì)為同一個(gè)體；即為[0， 1]的隨機(jī)數(shù)；如公式（5）所示。

式中：為迭代的最大次數(shù)；設(shè)定為0.9，即為慣性權(quán)重最大值；反之，數(shù)值設(shè)定為0.4。小雞位置跟隨媽媽母雞移動(dòng)，位置更新情況見(jiàn)式（6）。

式中：為媽媽母雞，由小雞跟隨；為[0， 2]內(nèi)的系數(shù)；含義參考母雞位置更新公式。

為提升算法應(yīng)用效果，須對(duì)母雞與小雞的位置更新公式進(jìn)行改進(jìn)，具體如下。

小雞可以跟隨子群里的公雞或母雞尋找食物，而非單獨(dú)跟隨母雞，如公式（9）所示。

式中：為子群公雞；為[0， 2]的系數(shù)。

2.2 快速學(xué)習(xí)網(wǎng)算法（FLN）

FLN算法適用于小樣本高精度預(yù)測(cè)工作，但在樣本取值過(guò)程中難以保證所隨機(jī)樣本的實(shí)用性。FLN算法應(yīng)用過(guò)程中，假設(shè)樣本數(shù)量為，樣本用{（X，T）}（=1， 2， …，）表述；X=[x，x， …，x]即為樣本的維輸入向量，屬于R；取值范圍為～，即為樣本輸出值，取值范圍為R。

在碳排放預(yù)測(cè)過(guò)程中，只需要一個(gè)輸出層節(jié)點(diǎn)。隱含層節(jié)點(diǎn)數(shù)量設(shè)定為1，激勵(lì)函數(shù)為g（x），閾值向量用 [，…，b]表述。輸入權(quán)重矩陣即為W=[，…，W]，輸入與輸出層連接權(quán)重用α表述，隱含層與輸出層連接權(quán)重用表述，=[，…，α]且=[，…，β]。則FLN算法模型如下。

式中：為輸入；為輸出；取值范圍為1～。

轉(zhuǎn)化為矩陣如下。

式中：輸出權(quán)值矩陣、期望輸出矩陣與隱含層輸出矩陣分別為、T、H。

在（） 可微的情況下，隨機(jī)分配b與W，能夠取得矩陣，F(xiàn)LN模型的訓(xùn)練即為G·=這一線(xiàn)性系統(tǒng)最小二乘解的求解，G=[，]，見(jiàn)式（13）。

式中：即為的廣義逆矩陣。具體計(jì)算過(guò)程為先將閾值與權(quán)值隨機(jī)生成，再求解和，最終將分解為和Т。

2.3 CSO-FLN組合預(yù)測(cè)模型

FLN模型訓(xùn)練期間存在閾值或權(quán)值隨機(jī)數(shù)值為0的情況，為避免出現(xiàn)隨機(jī)過(guò)程過(guò)于盲目的情況，選擇利用CSO算法迭代的方式選擇最優(yōu)的隱含層閾值和輸入權(quán)值，以此來(lái)強(qiáng)化FLN模型的預(yù)測(cè)準(zhǔn)確性。在CSO算法中將權(quán)值與閾值視為個(gè)體，均方根誤差為適應(yīng)度值，數(shù)值越低則選擇的閾值與權(quán)值越優(yōu)，如公式（14）所示。

3 模型應(yīng)用情況分析

3.1 既有碳排放量計(jì)算結(jié)果

通過(guò)調(diào)查數(shù)據(jù)對(duì)某區(qū)碳排放情況進(jìn)行計(jì)算，如圖1所示。

圖1 1995—2019年某區(qū)碳排放量及碳排放強(qiáng)度圖

3.2 碳排放量影響因素

為掌握序列數(shù)據(jù)平穩(wěn)性情況，規(guī)避偽回歸問(wèn)題，該文采用EVIEWS軟件通過(guò)單位根、協(xié)整兩方式檢驗(yàn)各變量，結(jié)果表明，各變量二階差分后均得到平穩(wěn)的序列，且各變量間的關(guān)系穩(wěn)定均衡。通過(guò)SPSS對(duì)各影響因素、碳排放量進(jìn)行多重共線(xiàn)性檢驗(yàn)和最小二乘回歸分析，結(jié)果表明各變量均具有超過(guò)10的VIF方差膨脹銀子，變量直接的多重共線(xiàn)性問(wèn)題較為嚴(yán)重，不利于對(duì)影響因素進(jìn)行分析。為此，該文選擇利用擴(kuò)展STIRPAT 模型嶺回歸計(jì)算進(jìn)行分析。計(jì)算結(jié)果見(jiàn)表3，結(jié)果表明，碳排放量與、、三種影響因素呈負(fù)相關(guān)，與、、三種影響因素呈正相關(guān)；產(chǎn)業(yè)結(jié)構(gòu)對(duì)碳排放起到較強(qiáng)的促進(jìn)作用，、、的影響程度則無(wú)明顯差異。

表3 擴(kuò)展STIRPAT模型嶺回歸結(jié)果

3.3 CSO-FLN組合預(yù)測(cè)模型結(jié)果準(zhǔn)確度

采取歸一化處理的方式解決各類(lèi)原始數(shù)據(jù)存在較大量級(jí)差別的情況，如公式（14）所示。

在訓(xùn)練過(guò)程中，假定CSO模型個(gè)體數(shù)量為100，迭代次數(shù)最大值為500，每10次迭代更新一次關(guān)系，rpercent=0.5，hpercent=0.65，mpercent=0.5。影響因素?cái)?shù)量即輸入層神經(jīng)元為6，輸出為碳排放量，隱含層4個(gè)神經(jīng)元。激勵(lì)函數(shù)（）=1/（1+-），從所調(diào)查的1995—2014年數(shù)據(jù)中選擇20個(gè)樣本作為訓(xùn)練樣本，預(yù)測(cè)樣本選取2015—2019年中的5個(gè)樣本，以此來(lái)檢驗(yàn)組合模型的預(yù)測(cè)結(jié)果準(zhǔn)確度。通過(guò)訓(xùn)練發(fā)現(xiàn)，組合模型的適宜度數(shù)值在迭代次數(shù)持續(xù)增加的過(guò)程中不斷降低，達(dá)到最大迭代次數(shù)后，適應(yīng)度數(shù)值達(dá)到1.3466這一最優(yōu)值，結(jié)果表明雞群算法能夠有效解決FLN算法在閾值與權(quán)值隨機(jī)過(guò)程中存在的局部最優(yōu)或過(guò)早收斂問(wèn)題。

以某區(qū)2015—2019年的碳排放量已知數(shù)值作為參考，對(duì)比CSO-FLN組合預(yù)測(cè)模型與FLN模型之間的精度，具體需要從、與3種誤差指標(biāo)入手，各誤差指標(biāo)如公式（15）所示。

在設(shè)定相同參數(shù)、樣本數(shù)值、輸入變量的情況下，分別利用2種算法進(jìn)行50次的數(shù)據(jù)運(yùn)算，取平均值作為預(yù)測(cè)結(jié)果，2種模型的誤差指標(biāo)結(jié)果見(jiàn)表4。

表4 各模型誤差指標(biāo)計(jì)算結(jié)果

結(jié)果表明，組合預(yù)測(cè)模型相對(duì)FLN模型具有更高的預(yù)測(cè)精度，相對(duì)實(shí)際值之間的誤差更小，即CSO算法有效改善了FLN算法的預(yù)測(cè)精度，利用組合預(yù)測(cè)模型能夠更好地解決碳排放預(yù)測(cè)精度難題。

4 結(jié)論

研究結(jié)果表明，自1998年來(lái)，研究區(qū)域內(nèi)的碳排放量處于上升趨勢(shì)，但排放強(qiáng)度逐年降低，碳減排工作依然面臨嚴(yán)峻挑戰(zhàn)。通過(guò)擴(kuò)展STIRPAT模型對(duì)碳排放量的影響因素進(jìn)行研究，結(jié)果表明，碳排放量能夠隨產(chǎn)業(yè)結(jié)構(gòu)、富裕度以及人工規(guī)模的提升而增加，隨著能源結(jié)構(gòu)、技術(shù)水平以及對(duì)外開(kāi)放程度的提升而降低；CSO-FLN組合預(yù)測(cè)模型在精度方面比單一的FLN等模型更具優(yōu)勢(shì)，能夠有效解決區(qū)域內(nèi)小樣本碳排放預(yù)測(cè)難題，對(duì)研究碳排放發(fā)展趨勢(shì)具有參考意義。