基于LSTM神经网络的中国省级碳达峰路径分析

doi:10.16381/j.cnki.issn1003-207x.2022.0097

中国管理科学 ›› 2025, Vol. 33 ›› Issue (3): 339-350.doi: 10.16381/j.cnki.issn1003-207x.2022.0097cstr: 32146.14/j.cnki.issn1003-207x.2022.0097

基于LSTM神经网络的中国省级碳达峰路径分析

章高敏¹^,²^,³, 王腾¹^,², 娄渊雨¹^,², 关忠诚¹^,², 郑海军², 李强², 武佳倩⁴()

^1.中国科学院大学公共政策与管理学院，北京 100049
^2.中国科学院科技战略咨询研究院，北京 100190
^3.香港科技大学（广州）碳中和与气候变化学域，广东广州 511458
^4.郑州大学管理学院，河南郑州 450001

收稿日期:2022-01-14 修回日期:2022-04-30 出版日期:2025-03-25 发布日期:2025-04-07
通讯作者: 武佳倩 E-mail:wujiaqian@zzu.edu.cn
基金资助:
国家自然科学基金青年项目(72004206);河南省哲学社会科学规划项目(2020CJJ097)

Research on China's Provincial Carbon Emission Peak Path Based on a LSTM Neural Network Approach

Gaomin Zhang¹^,²^,³, Teng Wang¹^,², Yuanyu Lou¹^,², Zhongcheng Guan¹^,², Haijun Zheng², Qiang Li², Jiaqian Wu⁴()

^1.School of Public Policy and Management，University of Chinese Academy of Sciences，Beijing 100049，China
^2.Institutes of Science and Development，Chinese Academy of Sciences，Beijing 100190，China
^3.Carbon Neutrality and Climate Chang Thrust，Society Hub，The Hong Kong University of Science and Technology （Guangzhou），Guangzhou，511458，China
^4.School of Management，Zhengzhou University，Zhengzhou 450001，China

Received:2022-01-14 Revised:2022-04-30 Online:2025-03-25 Published:2025-04-07
Contact: Jiaqian Wu E-mail:wujiaqian@zzu.edu.cn

摘要/Abstract

摘要：

作为世界最大的碳排放国家和第二大经济体，中国承诺二氧化碳排放量将于2030年左右达到峰值，届时二氧化碳排放强度较2005年下降60%~65%。然而，中国各省份之间存在较大的异质性，其碳达峰路径不能“一刀切”。基于各省份的“十四五”规划，本文设计了基准、绿色发展、高碳发展三种情境，采用LSTM神经网络动态预测2020-2040年中国及各省份的碳达峰路径，并根据各省份碳排放强度、累积碳排放量和达峰时间三因素分析了其适合的达峰路径。结果表明：在不同的情境下中国都将在2030年之前实现碳达峰目标，峰值水平在10884-11792百万吨；24个省份能够在至少一种情境下实现2030年之前碳达峰目标，且大部分省份都呈现绿色发展情境下达峰时间早、峰值低，高碳情境达峰时间晚、峰值高的特点；北京、上海、福建、浙江等省份有望在2035年之后实现负碳。研究结果对中国合理制定2030年碳达峰路径措施，统筹分配减排任务具有重要参考价值。

关键词: 碳达峰路径, LSTM, 神经网络, 情境分析

Abstract:

As the world’s largest carbon emitter and second largest economy， China has pledged that its carbon emissions will peak before 2030. Meanwhile， the intensity of carbon emissions will drop by 60%~65% compared to that of 2005. However， due to the varying carbon emissions trajectories of individual provinces， their carbon emissions paths cannot be one-size-fits-all. Three scenarios， i.e.， benchmark， green development， and high-carbon， are designed based on the “14th Five-Year Plan” of each province. Based on LSTM， the carbon emissions of each province from 2020—2040 are predicted under different scenarios. Finally， the appropriate peak paths for individual provinces are analyzed based simultaneously on carbon emission intensity， cumulative carbon emissions and peak time. The results show that the higher the growths rate is， the later the peak time will arrive； China will achieve its carbon emissions peak before 2030， with a peak level of 11884~11792Mt； 24 provinces can achieve the carbon emissions peak before 2030 under at least one scenario； Beijing， Shanghai， Zhejiang， etc. can achieve negative carbon emissions after 2035； An important reference is provided for national policy makers to allocate emission reduction tasks and optimize emission reduction policies.

Key words: carbon emissions peak path, LSTM, neural network, scenario analysis

中图分类号:

F205

章高敏, 王腾, 娄渊雨, 关忠诚, 郑海军, 李强, 武佳倩. 基于LSTM神经网络的中国省级碳达峰路径分析[J]. 中国管理科学, 2025, 33(3): 339-350.

Gaomin Zhang, Teng Wang, Yuanyu Lou, Zhongcheng Guan, Haijun Zheng, Qiang Li, Jiaqian Wu. Research on China's Provincial Carbon Emission Peak Path Based on a LSTM Neural Network Approach[J]. Chinese Journal of Management Science, 2025, 33(3): 339-350.

图/表 10

图1

图2

表1

图3

图4

图5

图6

图7

图8

表2

参考文献 49

1	IEA. CO₂ emissions in 2022［EB/OL］.（2023-03-01）［2024-09-27］ .
2	习近平.在第七十五届联合国大会一般性辩论上的讲话［J］.中华人民共和国国务院公报，2020（28）：5-7.
	Xi J P. Speech at the general debate of the 75th session of the United Nations General Assembly［J］. Gazette of the State Council of the People's Republic of China， 2020（28）： 5-7.
3	习近平.关于《中共中央关于制定国民经济和社会发展第十四个五年规划和二〇三五年远景目标的建议》的说明［N］.人民日报，2020-11-04（2）.
	Xi J P. The exposition on ‘The Recommendations of the CPC Central Committee for formulating the 14th Five-Year Plan for Economic and Social Development and Long-Range Objectives Through the Year 2035’ ［N］. People's Daily， 2020-11-04（2）.
4	Grossman G M， Krueger A B. Environmental impacts of a north American free trade agreement［J］. CEPR Discussion Papers，1992，8（2）：223-250.
5	Zhang Y， Chen X， Wu Y，et al. The environmental Kuznets curve of CO₂ emissions in the manufacturing and construction industries：A global empirical analysis［J］. Environmental Impact Assessment Review， 2019， 79（11）：106303.
6	吴振信，谢晓晶，王书平. 经济增长、产业结构对碳排放的影响分析——基于中国的省际面板数据［J］. 中国管理科学， 2012， 20（3）： 161-166.
	Wu Z X， Xie X J， Wang S P. The influence of economic development and industrial structure to carbon emission： Based on China’s provincial panel data［J］.Chinese Journal of Management Science，2012，20（3）：161-166.
7	何小钢，张耀辉.中国工业碳排放影响因素与CKC重组效应——基于STIRPAT模型的分行业动态面板数据实证研究［J］.中国工业经济，2012（1）：26-35.
	He X G， Zhang Y H. Influence factors and environmental kuznets curve relink effect of Chinese industry’s carbon dioxide emission—empirical research：Based on STIRPAT model with industrial dynamic panel data［J］.China Industrial Economics，2012（1）：26-35.
8	胡初枝，黄贤金，钟太洋，等. 中国碳排放特征及其动态演进分析［J］. 中国人口·资源与环境， 2008，18（3）：38-42.
	Hu C Z， Huang X J， Zhong T Y， et al. Character of carbon emission in China and its dynamic development analysis［J］.China Population Resources and Environment，2008，18（3）：38-42.
9	Chen X， Lin B Q. Assessment of eco-efficiency change considering energy and environment： A study of China’s non-ferrous metals industry［J］. Journal of Cleaner Production， 2020， 277（10）： 123388.
10	Wang W W， Liu R， Zhang M， et al. Decomposing the decoupling of energy-related CO2 emissions and economic growth in Jiangsu province［J］. Energy for Sustainable Development， 2013， 17（1）： 62-71.
11	Shaikh F， Ji Q， Shaikh P H， et al. Forecasting China’s natural gas demand based on optimised nonlinear grey models［J］. Energy， 2017， 140（12）： 941-951.
12	York R， Rosa E， Dietz T. STIRPAT， IPAT and ImPACT： Analytic tools for unpacking the driving forces of environmental impacts［J］. Ecological Economics， 2003， 46（3）： 351-365.
13	Sun Z R， Liu Y D， Yu Y N. China’s carbon emission peak pre-2030： Exploring multi-scenario optimal low-carbon behaviors for China’s regions［J］. Journal of cleaner production， 2019， 231（9）：963-979.
14	吴振信，石佳. 基于STIRPAT和GM（1，1）模型的北京能源碳排放影响因素分析及趋势预测［J］. 中国管理科学， 2012， 20（S2）： 803-809.
	Wu Z X， Shi J. The influencing factor analysis and trend forecasting of Beijing energy carbon emission based on STIRPAT and GM（1，1） model’s［J］.Chinese Journal of Management Science，2012，20（S2）：803-809.
15	Du Q， Chen Q， Lu N. Forecast of Chinas carbon emissions based on modified IPAT model［J］. Acta Scientiae Circumstantiae， 2012， 32（9）： 2294-2302.
16	Wu Y Z， Shen J H， Zhang X L， et al. The impact of urbanization on carbon emissions in developing countries： A Chinese study based on the U-Kaya method［J］. Journal of Cleaner Production， 2016， 135（11）：589-603.
17	Lin B Q， Long H Y. Emissions reduction in Chinas chemical industry-based on LMDI［J］. Renewable and Sustainable Energy Reviews， 2016， 53（1）：1348-1355.
18	Wang Z X， Ye D J. Forecasting Chinese carbon emissions from fossil energy consumption using non-linear grey multivariable models［J］. Journal of Cleaner Production， 2017， 142（1）： 600-612.
19	Xu G Y， Schwarz P， Yang H L. Determining China’s CO2 emissions peak with a dynamic nonlinear artificial neural network approach and scenario analysis［J］. Energy Policy， 2019， 128（5）： 752-762.
20	Lu C， Li W， Gao S B. Driving determinants and prospective prediction simulations on carbon emissions peak for China’s heavy chemical industry［J］. Journal of Cleaner Production， 2020， 251（4）： 119642.
21	Yuan J H， Xu Y， Hu Z， et al. Peak energy consumption and CO₂ emissions in China［J］. Energy Policy， 2014， 68（5）： 508-523.
22	Guan D B， Meng J， Reiner D M， et al. Structural decline in China’s CO₂ emissions through transitions in industry and energy systems［J］. Nature Geoscience， 2018， 11：551-555.
23	Li W， Zhang S H， Lu C. The semi-centennial timescale dynamic assessment on carbon emission trajectory determinants for Hebei province within the new normal pattern shock［J］. Science of The Total Environment， 2019， 689（11）： 494-504.
24	Gao C C， Liu Y H， Jin J， et al. Driving forces in energy-related carbon dioxide emissions in east and south coastal China： Commonality and variations［J］. Journal of Cleaner Production， 2016， 135（11）： 240-250.
25	Chen X， Shuai C Y， Wu Y， et al. Analysis on the carbon emission peaks of China’s industrial， building， transport， and agricultural sectors［J］. Science of The Total Environment， 2019， 709： 135768.
26	Li B， Han S W， Wang Y F， et al. Feasibility assessment of the carbon emissions peak in China’s construction industry： Factor decomposition and peak forecast［J］. Science of The Total Environment， 2020，706： 135716.
27	Zia T， Zahid U. Long short-term memory recurrent neural network architectures for Urdu acoustic modeling［J］. International Journal of Speech Technology， 2019， 22（1）： 21-30.
28	Sundermeyer M， Ney H， Schlüter R. From feedforward to recurrent LSTM neural networks for language modeling［J］. IEEE/ACM Transactions on Audio， Speech， and Language Processing， 2015， 23（3）： 517-529.
29	Hochreiter S， Schmidhuber J. Long short-term memory［J］. Neural Computation， 1997， 9（8）： 1735-1780.
30	Bank World. China 2030： Building a modern， harmonious， and creative high-income society［J］.China's Foreign Trade， 2012，91（4）：36-37.
31	王一鸣.百年大变局、高质量发展与构建新发展格局［J］.管理世界，2020，36（12）：1-13.
	Wang Y M. Changes unseen in a century，high-quality development，and the construction of a new development pattern［J］. Journal of Management World，2020，36（12）：1-13.
32	中华人民共和国国务院.国务院关于印发国家人口发展规划（2016—2030年）的通知［J］.中华人民共和国国务院公报，2017（6）：24-35.
	The State Council of the People’s Republic of China. Notice of the State Council on the issuance of on the Issuance of the National Population Development Plan （2016–2030）［J］. Gazette of the State Council of the People’s Republic of China， 2017（6）： 24-35.
33	United Nations Department of Economic and Social Affairs. World population prospects 2024： Summary of results［M］. New York： United Nations Publication， 2024.
34	程余.中国省级绿色经济发展效率评估和碳减排路径研究［D］.上海：上海大学博士论文，2021.
	Cheng Y. Evaluation of provincial green economic development efficiency and carbon emission reduction pathways in China［D］. Shanghai：Shanghai University， 2021.
35	张洋.基于IPSO-LSTM模型的中国能源消费碳排放预测研究［D］.北京：华北电力大学硕士论文，2021.
	Zhang Y. Research on China's energy consumption carbon emission prediction based on IPSO-LSTM model［D］. Beijing： North China Electric Power University， 2021.
36	中国石油经济技术研究院. 2050年世界与中国能源展望（2020版）［R］. 研究报告，中国石油经济技术研究院， 2020.
	China Petroleum Economics and Technology Research Institute. World and China energy outlook 2050 （2020 Edition）［R］. Discussion Paper， China Petroleum Economics and Technology Research Institute， 2020.
37	全球能源互联网发展合作组织.中国 2030 年能源电力发展规划研究及 2060 年展望［R］.研究报告，全球能源互联网发展合作组织，2021.
	Global Energy Interconnection Development and Cooperation Organization. Research on China's 2030 energy and power development plan and 2060 outlook［R］. Discussion Paper， Global Energy Interconnection Development and Cooperation Organization， 2021.
38	赵金元，马振，唐海亮. BP 神经网络和多元线性回归模型对碳排放预测的比较［J］. 科技和产业，2020，20（11）：172-166.
	Zhao J Y， Ma Z， Tang H L. Comparison of BP neural network and multiple linear regression models for carbon emissions prediction［J］. Science Technology and Industry，2020，20（11）：172-176.
39	宋杰鲲. 基于支持向量回归机的中国碳排放预测模型［J］. 中国石油大学学报（自然科学版），2012，36（1）：182-187.
	Song J K. China's carbon emissions prediction model based on support vector regression［J］. Journal of China University of Petroleum （Edition of Natural Science）， 2012， 36（1）： 182-187.
40	Green F， Sitern N. China’s changing economy：Implications for its carbon dioxide emissions［J］. Climate Policy，2017，17（1-4）：423-442.
41	林伯强，李江龙. 环境治理约束下的中国能源结构转变—— 基于煤炭和二氧化碳峰值的分析［J］. 中国社会科学，2015（9）：84-107+205.
	Lin B Q， Li J L. Transformation of China’s energy structure under environmental governance constraints：A peak value analysis of coal and carbon dioxide［J］. Social Sciences in China，2015（9）：84-107+205.
42	Fang K， Tang Y Q， Zhang Q F，et al. Will China peak its energy-related carbon emissions by 2030？ Lessons from 30 Chinese provinces［J］. Applied Energy，2019，255：1-12.
43	Gallagher K S， Zhang F， Orvis R，et al. Assessing the policy gaps for achieving China’s climate targets in the paris agreement［J］. Nature Communications，2019，10（1）：1-10.
44	Mi Z F， Wei Y M， Wang B，et al. Socioeconomic impact assessment of China’s CO₂ emissions peak prior to 2030［J］. Journal of Cleaner Production，2017，142： 2227-2236.
45	禹湘，陈楠，李曼琪. 中国低碳试点城市的碳排放特征与碳减排路径研究［J］. 中国人口·资源与环境，2020，30（7）：1-9.
	Yu X， Chen N， Li M Q. Study on carbon emission characteristics and carbon reduction pathways of low-carbon pilot cities in China［J］. China Population， Resources and Environment， 2020， 30（7）： 1-9.
46	张诗卉，李明煜，王灿，等.中国省级碳排放趋势及差异化达峰路径［J］.中国人口·资源与环境，2021，31（9）：45-54.
	Zhang S H， Li M Y， Wang C， et al. Provincial carbon emission trends and differentiated peak pathways in China［J］. China Population， Resources and Environment， 2021， 31（9）： 45-54.
47	中华人民共和国国务院.国务院关于印发 2030 年前碳达峰行动方案的通知［J］.中华人民共和国国务院公报，2021（31）：48-58.
	The State Council of the People’s Republic of China. Notice of the State Council on the issuance of action plan for carbon peaking before 2030［J］.Gazette of the State Council of the People’s Republic of China，2021（31）： 48-58.
48	崔连标，范英，朱磊，等.碳排放交易对实现我国“十二五”减排目标的成本节约效应研究［J］.中国管理科学，2013，21（1）：37-46.
	Cui L B， Fan Y， Zhu L， et al. The cost-saving effect of carbon markets in China for achieving the reduction targets in the “12th Five-Year Plan”［J］. Chinese Journal of Management Science， 2013， 21（1）： 37-46.
49	刘传明，孙喆，张瑾.中国碳排放权交易试点的碳减排政策效应研究［J］.中国人口·资源与环境，2019，29（11）：49-58.
	Liu C Y， Sun Z， Zhang Z. Research on the effect of carbon emission reduction policy in China’s carbon emissions trading pilot［J］. China Population， Resources and Environment，2019，29（11）：49-58.

增长速率	时期	GDP	城镇化率<80%	城镇化率>=80%	人口	R&D	能源消费	煤炭消费
中速	2020-2025	*	*	*	0.25	*	2	-2.5
	2025-2030	（-0.5）	1.3	0.2	0.05	（1）	2	-2.5
	2030-2035	（-0.5）	0.5	0.2	-0.15	（1）	1	-2
	2035-2040	（-0.5）	0.5	0.2	-0.35	（1）	1	-2

高速	2020-2025	*+1	*+0.2	*+0.2	0.35	*+1	2.5	-1.5
	2025-2030	（-0.5）	1.5	0.4	0.15	（1）	2.5	-1.5
	2030-2035	（-0.5）	0.5	0.4	-0.05	（1）	1.5	-1
	2035-2040	（-0.5）	0.5	0.4	-0.25	（1）	1.5	-1

低速	2020-2025	*-1	*-0.2	*-0.2	0.15	*-1	1.5	-3.5
	2025-2030	（-0.5）	1.1	0	-0.05	(1)	1.5	-3.5
	2030-2035	（-0.5）	0.5	0	-0.25	(1)	0.5	-3
	2035-2040	（-0.5）	0.5	0	-0.45	(1)	0.5	-3

组别	绿色发展情境	基准情境	高碳情境
第一组	北京、天津、上海、浙江、河北、山东	广东、湖南、安徽	重庆、福建、广西、江西、宁夏、黑龙江
第二组	江苏、河南、贵州、辽宁、山西、陕西	湖北、四川、吉林
第三组	内蒙古、新疆、云南		青海、甘肃、海南

[1]	柴一栋, 刘昊鑫, 姜元春, 刘业政. 基于重要性最大化与社区划分的图神经网络推荐系统对抗攻击方法[J]. 中国管理科学, 2025, 33(2): 95-104.
[2]	于孝建,刘国鹏,刘建林,肖炜麟. 基于LSTM网络和文本情感分析的股票指数预测[J]. 中国管理科学, 2024, 32(8): 25-35.
[3]	刘金培, 罗瑞, 陈华友, 陶志富. 非结构化数据驱动的混合二次分解汇率区间多尺度组合预测[J]. 中国管理科学, 2023, 31(6): 60-70.
[4]	高明, 刘超, 唐加福, 孙思晶, 邹广宇. 基于注意力神经网络的燃料电池寿命衰减预测[J]. 中国管理科学, 2023, 31(3): 155-166.
[5]	刘世峰,康来松,宫大庆. 面向群组的事件兴趣点推荐算法研究[J]. 中国管理科学, 2023, 31(12): 301-310.
[6]	杨莲, 石宝峰. 基于Focal Loss修正交叉熵损失函数的信用风险评价模型及实证[J]. 中国管理科学, 2022, 30(5): 65-75.
[7]	张婧, 周怡欣, 胡涵, 卞亦文. 基于知识采纳模型和多层感知机神经网络的评论有用性识别研究[J]. 中国管理科学, 2022, 30(4): 264-274.
[8]	赵阳, 郝俊, 李建平. 基于修剪平均的神经网络集成时序预测方法[J]. 中国管理科学, 2022, 30(3): 211-220.
[9]	王昱, 杨珊珊. 考虑多维效率的上市公司财务困境预警研究[J]. 中国管理科学, 2021, 29(2): 32-41.
[10]	胡春华,邓奥,童小芹,缪和,王宗润. 社交电商中融合信任和声誉的图神经网络推荐研究[J]. 中国管理科学, 2021, 29(10): 202-212.
[11]	张鼎华, 李卫俊, 李丞, 申世飞. 基于深度学习的多维情景空间下群体性事件分析与预测研究[J]. 中国管理科学, 2020, 28(8): 172-180.
[12]	陆晓琴, 冯玲, 丁剑平. 汇率货币模型的非线性协整关系检验——基于深度GRU神经网络[J]. 中国管理科学, 2020, 28(5): 1-13.
[13]	欧阳红兵, 黄亢, 闫洪举. 基于LSTM神经网络的金融时间序列预测[J]. 中国管理科学, 2020, 28(4): 27-35.
[14]	杨昌辉, 邵臻, 刘辰, 付超. 一种混合建模方法及其在ETF期权定价中的应用[J]. 中国管理科学, 2020, 28(12): 44-53.
[15]	蔡淑琴, 王旸, 王艺兴, 秦志勇, 窦聪颖. 在线负面口碑处理的专家识别方法研究[J]. 中国管理科学, 2019, 27(3): 189-197.

基于LSTM神经网络的中国省级碳达峰路径分析

Research on China's Provincial Carbon Emission Peak Path Based on a LSTM Neural Network Approach

RichHTML

PDF (PC)

可视化

摘要/Abstract

引用本文

使用本文

图/表 10

参考文献 49

相关文章 15

Metrics

本文评价

推荐阅读 0