中国碳强度关键影响因子的机器学习识别及其演进.pdfVIP

第74 卷第12期 地 理 学 报 Vol.74, No.12 2019 年12月 ACTA GEOGRAPHICA SINICA December, 2019 中国碳强度关键影响因子的机器学习识别及其演进 1, 2 1, 2 3 1 1 刘卫东 ，唐志鹏 ，夏 炎 ，韩梦瑶 ，姜宛贝 （1. 中国科学院地理科学与资源研究所中国科学院区域可持续发展分析与模拟重点实验室，北京 100101； 2. 中国科学院大学资源与环境学院，北京 100049；3. 中国科学院科技战略咨询研究院，北京 100190） 摘要：碳强度影响因子数量众多，通过在众多因子中评估其重要性以识别出关键影响因子进 而解析碳强度关键因子的变化规律，是中国2030 年碳强度能否实现比2005 年下降60%~65% 目 标的科学基础。传统的回归分析方法对于评估众多因子的重要性存在多重共线性等问题，而 机器学习处理海量数据则具有较好的稳健性等优点。本文从能源结构、产业结构、技术进步和 居民消费等方面选取了56 个中国碳强度影响因子指标，采用随机森林算法基于信息熵评估了 1980-2014 年逐年各项因子的重要性，通过指标数量与信息熵的对应关系统一筛选出每年重要 性最大的前22 个指标作为相应年度关键影响因子，最终依据关键影响因子的变化趋势划分了 3 个阶段作了演进分析。结果发现：1980- 1991年，碳强度的关键因子主要以高耗能产业规模及 占比、化石能源占比和技术进步为主；1992-2007 年，中国经济进入快车道增长时期，服务业占 比和化石能源价格对碳强度的影响作用开始显现，居民传统消费的影响作用在增大；2008 年全 球金融危机后，中国进入经济结构深化调整时期，节能减排力度大大增强，新能源占比和居民 新兴消费的影响作用迅速显现。为实现2030 年碳强度下降60%~65% 目标，优化能源结构和产 业结构，促进技术进步，提倡绿色消费，强化政策调控是未来需要采取的主要措施。 关键词：机器学习；随机森林；碳强度；关键影响因子；中国 DOI: 10.11821/dlxb201912012 1 引言 2016 年，中国政府正式签署 《巴黎协定》，标志着中国郑重承诺在2030 年左右CO2 排放达到峰值，实现单位国内生产总值CO 排放比2005 年下降60%~65%的目标。如何实 2 现这样的目标，不仅是中国政府面临的重大决策问题，也是全社会乃至国际社会关注的 [1] 热点话题。张友国 针对碳强度目标，研究了经济发展方式变化对中国碳强度的影响，认 [2] 为改进能源结构有利于降低碳强度，居民消费增长不利于降低碳强度。Stern 等 认为中 [3] 国要实现碳强度目标需要采取更强化的政策。Yuan 等 提出中国需要经济结构调整促进 能源利用的显著减少。一个国家或地区碳排放总量取决于经济总量和碳强度 （单位GDP 的二氧化碳排放量）。由于中国仍是发展中国家，在相当长时期里追求适度的经济增长速 度是实现国家富强的必要条件，故而不能寄希望通过降低经济增速来实现2030 年碳峰值 收稿日期：2018-05-08; 修订日期：2019-10-17 基金项目：国家重点基础研究发展计划（2016YFA0602804 ）; 国家自然科学基金项目 [Foundation: The National Key Research and Development Program of China, No.2016YFA0602804; Nationa