基于深度学习模型的越南二氧化碳排放预测：经济、社会、投资与工业多因素分析

本文推荐一篇利用深度学习模型预测越南二氧化碳（CO2）排放的研究。该研究创新性地整合了经济（GDP）、社会（城市人口）、投资（外国直接投资FDI）及工业（煤炭与石油发电）等多组影响因素，通过数据转换和深度神经网络（RMSE=0.025，R2=0.97）显著提升了预测精度，为东南亚发展中国家制定碳减排策略和实现净零（Net Zero）目标提供了科学依据。

　　

摘要

过去二十年间，越南饱受气候变化带来的严重后果，包括洪水、干旱和日益严重的环境污染。导致这一问题的主要原因之一是不断上升的二氧化碳（CO₂）排放，主要来源于工业生产和能源消耗活动。本研究旨在开发一个深度学习模型，基于影响越南碳排放增加的因素来预测CO₂排放量。这些因素是通过分析它们与CO₂排放之间的相关性关系来确定的。研究还提出了一种数据转换方法，并将其应用于预测模型，以提高预测结果的准确性。结果表明，该模型的均方根误差（RMSE）为0.025，决定系数（R2）为0.97，在预测CO₂排放方面表现出色，显著超越了传统的K近邻（KNN）、支持向量回归（SVR）和朴素贝叶斯（Naive Bayes）等方法，体现了其在预测未来碳排放趋势方面的有效性。该方法不仅提供了关于影响因素之间关系的详细见解，还将CO₂排放预测至2030年，有助于政策制定者制定合适的碳减排策略。

引言

随着气候变化加剧，减少碳排放已成为全球防止气温进一步上升的关键焦点。研究反复指出工业企业是CO₂排放的主要贡献者。然而，在越南所在的发展中国家，尤其是东南亚地区，这些工业部门往往由外国直接投资（FDI）驱动，并以能源生产和消费为特征，这些活动对国家GDP和更广泛的社会经济发展不可或缺。直接限制工业生产以遏制CO₂排放必然会阻碍经济进步和社会福祉。因此，对于东南亚的发展中国家来说，实现雄心勃勃的“碳中和”目标需要向更高效的能源系统和可持续城市发展进行范式转变。

越南正日益面临气候变化的严重影响，表现为土地退化以及风暴和洪水等极端天气事件频发。造成这种局势加剧的一个主要原因是国家二氧化碳（CO₂）排放。世界银行数据显示，越南的CO₂排放量在2022年达到3.249亿吨。同时，空气污染已成为一个关键的环境问题。IQAir的2023年报告将越南的空气污染严重程度列为全球第22位，许多学者发现这与生产活动、FDI以及能源生产中的煤炭和天然气有关。根据越南统计局数据，外商投资企业（FDI）数量为22,610家，工业和建筑业占30.9%。值得注意的是，大部分排放来自依赖煤炭、石油、天然气、水泥生产和燃气燃烧的行业。这表明工业和建筑行业的企业对越南年度碳排放负有相当大责任。根据世界银行数据，越南目前在全球CO₂排放量中排名第21位，约占全球排放量的0.8%。尽管不是最大的排放国之一，但由于高经济增长率，越南的排放量正在迅速上升。2022年，越南排放了约3.44亿吨CO₂，其中能源部门占总排放量的63.3%。这凸显了越南在管理和减少排放方面面临的挑战。在《2021-2030年国家绿色增长战略及2050年愿景》中，越南政府设定了到203年将单位GDP碳强度比2014年水平降低至少15%，到2050年降低至少30%的目标。为实现此目标，越南必须加大力度减少对环境有害的活动，并向绿色清洁能源转型，包括控制和预测CO₂排放以实现越南的净零（Net Zero）目标。

预测CO₂排放是当前许多论坛关注的话题，大量已发表研究使用各种因素进行预测。一些研究使用电能消耗和国内生产总值（GDP）。其他研究侧重于衡量与交通运输部门发展或FDI相关的变量。还有一些研究计算了与能源相关的碳排放、水泥生产中的技术相关碳排放以及温室气体排放，或其他因素如温度和季节。另有研究关注物流或航空运输消耗等增加碳排放的部门。也有研究涉及煤炭燃烧产生的碳、发电活动，或使用深度学习、强化学习、ARIMA模型等。

在越南，关于碳排放预测的研究在过去五年有所增加。这些相关出版物集中于确定预测模型中的因素，如GDP增长率、衡量FDI，并使用ARIMA、回归或机器学习等预测模型进行预测。尽管有相当数量的出版物，但越南尚无研究专注于探索这些关键碳排放增加驱动因素的组合：城市化、煤炭和石油发电以及生产和工业的发展。本研究探讨了影响碳排放增加的六个因素：城市人口、GDP增长率、FDI投资、煤炭和石油发电以及工业发展。数据收集自世界银行、国际能源署（IEA）和越南统计局，时间跨度为1990年至2023年。这些数据用于训练和测试模型。之后，模型将用于预测2024年至2030年的排放。随后使用深度学习模型预测碳排放。该模型设计有98个输入神经元，包括三个全连接层和一个激活层。为了提高数据缩放的准确性和一致性，在将数据输入模型之前，应用了数据预处理，确保所有因子值落在[0,1]范围内。

文献综述

二氧化碳（CO₂）自地球形成以来就已存在，也是全球动植物呼吸过程的一部分。为减缓气候变化，减少碳排放已成为全球发展目标。设定有效的碳减排目标和指标是气候行动的重要组成部分。实现这一目标的重要一步是开发碳排放预测建模。预测任务有多种方法，可分为三种主要途径。传统的计量经济学方法，如ARIMA和SARIMA，常被用于CO₂排放预测。然而，近年来，人工智能被广泛用于预测碳排放。当这些方法证明其有效性时，它们已成为核心问题。第三种方法是研究使用混合方法来提高预测准确性。因为准确预测碳排放对于指导政策制定者有效缓解温室效应是必要的。因此，为预测模型选择因素或变量至关重要。大多数关于碳排放预测的研究表明，研究主要集中在识别与CO₂排放增加相关的因素，并应用确保高精度的预测模型。

上述研究为驱动CO₂排放的复杂因素提供了宝贵见解。确定的关键驱动因素包括外国直接投资（FDI）、国内生产总值（GDP）和能源消耗。几项研究强调了GDP和FDI在推动工业化、增加能源需求和排放方面的作用。然而，这些研究的局限性在于未提及具体的能源生产来源，特别是煤炭和石油。尽管有研究考虑了不可再生能源，但未考虑煤炭和石油对排放问题的影响。而现实中，煤炭和石油可能是全球CO₂排放的主要贡献者。

一些研究探索了多种利用机器学习和混合模型预测二氧化碳排放的方法。这些先进技术相较于传统计量经济模型表现出卓越的预测准确性。机器学习模型如随机森林、极端随机树、循环神经网络（RNN）和支持向量回归（SVR）已在一些研究中得到应用。研究表明，极端随机树模型在预测中国254个城市的CO₂排放方面优于传统普通最小二乘（OLS）回归。同时，有研究证实，在评估贸易、污染和国内投资对环境结果的影响方面，机器学习模型超越了传统回归。与此同时，利用神经网络（如L-RNN和前馈神经网络）的研究通过从模式中学习，展示了比时间序列预测更高的准确性。结合特征选择（如Lasso回归）与机器学习模型的混合方法提升了预测性能。这些研究证明，在处理多维和非线性数据时，机器学习在环境预测方面具有显著优势。因此，由于其更高的适应性和精确性，机器学习方法已成为预测任务中的重要工具。

基于已确定的影响CO₂排放的因素以及已发表的预测模型，本研究还增加了两个新因素：煤炭能源生产和石油能源生产。为识别影响碳排放增长的因素，本研究测量了变量之间的相关性。接下来，研究选择深度学习模型来预测越南的CO₂排放。然后，本研究展示了深度学习和几种机器学习模型的性能。为提高准确性，本研究还提出了一种数据转换方法，以确保变量值的一致性。

方法论

数据与因素

本研究使用了世界银行1990年至2015年关于越南的数据。训练数据时间跨度为1990年至2023年，共34个数据点。本研究中使用的因素包括城市人口（人数）、GDP（总美元）、FDI（总美元）、煤炭发电量（占GDP百分比）、石油发电量（占GDP百分比）和CO₂（千吨）。多项研究表明这些因素与CO₂排放相关。

由于各因素的值不同且单位各异，研究将其转换为相对值以提高预测过程的准确性。这意味着将因子列中的原始值转换为[0,1]范围内的值。相对的预测值随后被转换回去以获得最终的预测结果。

提出的方法

本研究提出了CO₂排放预测方法的流程，包括五个步骤：步骤1：数据收集；步骤2：数据处理、数据转换和数据解释；步骤3：将数据拆分为训练集和测试集；步骤4：训练深度学习模型并应用于两个数据集进行预测；步骤5：转换最终预测结果。

详细描述如下：

• •
  步骤1：从世界银行数据收集数据，包括GDP、城市人口、FDI、工业、煤炭发电、石油发电和CO₂排放等因素。
• •
  步骤2：清理、描述和初步评估数据，并测量模型中变量之间的关系。接下来，将数据统一转换为[0,1]范围内的值，以避免测量单位之间的差异，确保训练和预测过程的高精度。等效预测值随后被转换回最终预测值。
• •
  步骤3：在此步骤中，数据被拆分为两个独立的数据集：训练数据集和预测数据集。训练集包含80%的数据点，而测试集包含20%。
• •
  步骤4：训练深度学习模型，并将其应用于预测2024年和2025年的CO₂排放。检查模型的误差，并确保模型的RMSE可接受。
• •
  步骤5：基于等效预测值，将值转换为最终的CO₂排放预测。

提出深度学习模型

本研究提出一个具有三个全连接层的深度学习模型。在每个全连接层之后，还添加了一个激活层。最终使用一个输出层来预测CO₂排放。输入接收一个包含6个特征的扁平向量。从第1个连接到第3个连接层，每层有50个神经元，中间有一个单独的激活层，使用“ReLU”函数。

结果

数据描述与探索

收集的数据对以下因素有34个数据点：GDP、城市人口、FDI、工业、煤炭发电、石油发电和CO₂排放。

这些变量具有很小的p值，表明所有列出的变量在模型中都非常显著。这意味着观察到的均值并非由于随机机会。城市人口（p ≈ 1.13 × 10^?24）具有最小的p值，煤炭发电（p ≈ 1.88 × 10^?12）和CO₂排放（p ≈ 3.34 × 10^?8）也显示出很强的显著性。石油发电（p ≈ 2.83 × 10^?6）也具有统计显著性。

本研究展示了变量的趋势，这些趋势在下方的图表中可视化。每个图表呈现了变量随年份变化的具体数值。

数据显示，CO₂排放量的增加随时间呈现显著的上升趋势。其他变量，如GDP、城市人口、FDI、工业和煤炭发电，也显示出增长趋势。其中有一个变量，石油发电量略有下降。热图展示了变量之间的相关性结果。

热图说明了1990年至2023年越南经济、社会和能源相关变量之间的相关矩阵。相关系数范围从-1到1，表示变量对之间线性关联的程度。值接近1表示强正相关，而值接近-1表示强负相关。图表显示，一些变量，如城市人口、CO₂排放、外国直接投资（FDI）和工业占GDP的比重，彼此之间存在正相关关系，系数范围在0.96到0.99之间。这意味着城市化和工业化不仅与更高的CO₂排放密切相关。城市人口的扩张似乎推动了对基础设施、能源和工业产出的更大需求，从而促进了排放和投资的增加。

相比之下，煤炭发电与CO₂排放（0.94）和工业份额（0.91）表现出高度的正相关，突显了越南能源结构，特别是工业生产中对煤炭的显著依赖。相反，石油发电与大多数变量，尤其是城市人口（-0.86）和FDI（-0.78），表现出显著的负相关，表明石油在越南能源结构中的作用正在下降。下方图表测量了CO₂与影响因素之间的相关性。

图表显示了CO₂与所考虑因素之间的相关性。CO₂与城市人口之间的相关性表明，随着城市人口增加，CO₂排放也上升。这可以通过城市地区能源消耗、交通和工业活动的增加来解释。这种关系很强，反映了城市越发达，能源消耗和CO₂排放越高的趋势。CO₂与GDP之间的负相关表明，在某些情况下，经济增长可能不直接与CO₂排放增加相关。这可能是由于采用了更清洁的技术、提高了能源效率或转向碳密集度较低的部门。然而，这种相关性并不强，并非所有国家都遵循这一趋势。FDI与CO₂的相关性非常弱，表明FDI对CO₂排放没有明显影响。然而，这可能会根据这些投资集中的部门（例如绿色技术或重工业）而改变。CO₂与煤炭发电之间的相关性表明，随着煤炭发电增加，CO₂排放也趋于上升。这并不奇怪，因为煤炭是一种高碳能源，用它发电会显著贡献CO₂排放。类似地，CO₂与石油发电之间的相关性表明，石油发电也与较高的CO₂排放相关。石油是另一种化石燃料，当用于发电时，会释放相对大量的CO₂。工业和建筑业的发展，特别是在发展中的城市，可能会增加CO₂排放。建筑部门需要大量能源，使用对环境有重大影响的材料（如水泥和钢材），并且可能是CO₂排放的主要来源。

使用深度学习模型预测CO₂排放

深度学习模型根据方法论部分进行设计。本研究使用Python训练该模型。训练过程后，该模型的性能总结如下。

总参数：3073（12.00 KB）。

可训练参数：3073（12.00 KB）。

不可训练参数：0（0.00 B）。

平均绝对误差（MAE）= 0.022860，表明模型的预测值与实际CO₂值仅偏差0.02286。这是一个非常低的绝对误差，表明高精度。均方误差（MSE）= 0.000660，表明预测值与实际值之间的平方差平均值很低，具有较小的平均误差。均方根误差（RMSE）= 0.025684，表示预测值与实际值之间的典型差异约为0.025684，表明高准确性。决定系数（R2）= 0.97629，表示拟合优度。平均绝对百分比误差（MAPE）= 6.648919%，约6%-7%，对于许多预测应用来说通常被认为是良好到非常好的。

低MAE、MSE和RMSE值都表明模型的预测非常接近真实值。高R2值表明它有效地学习并代表了驱动CO₂排放的潜在因素。该提出的深度学习模型非常准确和精确，对数据提供了强拟合，是CO₂排放预测的可靠方法。图表显示了100个周期下的MSE损失和MAE损失。

图表说明了一个深度学习模型的训练诊断图，包括均方误差（MSE）和平均绝对误差（MAE）。从观察来看，大约在前10个周期之后，损失稳定在一个非常低的值。大约10个周期后，训练和验证损失都趋于稳定。训练损失和验证损失之间的差距很小，表明泛化能力良好。因此，模型没有明显的过拟合迹象。接下来，研究比较了深度学习模型与几种其他机器学习模型（如朴素贝叶斯、SVR和KNN）的性能，结果如表所示。

表格呈现了四种回归模型的比较评估：深度学习、K近邻（KNN）、朴素贝叶斯（GaussianNB）和支持向量回归（SVR），使用了五个性能指标：决定系数（R2）、均方根误差（RMSE）、平均绝对误差（MAE）、均方误差（MSE）和平均绝对百分比误差（MAPE）。深度学习模型在所有指标上均表现出卓越的预测性能，获得了最高的R2值（0.9445），表明该模型解释了因变量约94.45%的方差。该模型具有最低的RMSE（0.0393）、MAE（0.0323）和MSE（0.0015），表明预测误差极小且泛化能力强。相对较低的MAPE（8.47%）进一步证实了模型在生成可靠的基于百分比的预测方面的有效性。这些结果与当前文献一致，文献强调了深度神经网络在捕捉数据中复杂非线性关系方面的有效性。表现次之的是K近邻（KNN）模型，其R2为0.9120，且具有最低的MAPE（6.93%），表明在相对误差方面具有高准确性。尽管其RMSE（0.0495）和MSE（0.0024）略高于深度学习模型，但其MAE（0.0301）略低。支持向量回归（SVR）模型产生了中等结果，R2为0.8428，且RMSE（0.0662）和MAPE（14.92%）高于深度学习和KNN。这些结果表明模型准确性较低。朴素贝叶斯（GaussianNB）模型表现不佳，R2为负值（-0.0804）。所有误差指标均显著高于其他模型（例如RMSE=0.1734，MAPE=51.65%），使得该模型不适用于回归任务。

条形图可视化了每个模型在五个指标（R2、RMSE、MAE、MSE和MAPE）上的表现。这些视觉展示清楚地表明深度学习具有最佳的整体性能，具有最高的R2和最低的误差指标。KNN表现同样良好，尤其是在MAE和MAPE上最低。SVM（SVR）表现中等，但落后于深度学习和KNN。朴素贝叶斯在所有指标上都明显较差。

图表阐明了几种机器学习模型：深度学习、K近邻（KNN）、高斯朴素贝叶斯（GaussianNB）和支持向量回归（SVR）在预测34年期间（1990-2023）标准化CO₂排放方面的预测效果。将模型对整个数据集的预测可视化到实际观测到的CO₂数据上。

实际CO₂线是一条实心黑线，描绘了标准化CO₂排放的非线性、总体增长趋势。高斯朴素贝叶斯（GaussianNB）（紫色虚线）的预测在整个时间域内几乎是静态的，未能捕捉到任何动态方面或实际数据的总体趋势。SVR模型（红色虚线）试图跟踪总体上升趋势，但在1990年至2000年的初始阶段往往高估排放，并在随后的加速增长期持续低估，特别是未能捕捉到峰值的幅度。K近邻（绿色点划线）显示在整个期间与实际CO₂拟合良好，但从2023年开始，预测结果与实际值相差甚远。深度学习模型（蓝色虚线）呈现了一个与SVR有些类似的预测模型。它捕捉了长期趋势，但也倾向于平滑掉实际数据中观察到的更剧烈的波动和峰值。基于此可视化图表，深度学习模型是最有效的。

2024年的CO₂排放数据尚未在世界银行和IEA等数据平台上公布。根据估算，2024年的CO₂排放量将比2023年增加3.2%。下表显示了深度学习模型生成的值以及可靠系统的估计值（称为实际值）。

表格显示了2024年实际CO₂排放值为385,157.8585千吨，而DL模型预测为381,526.827千吨。模型对该特定年份的实际排放表现出低估。绝对误差为385,157.8585 - 381,526.827 = 3,631.0315千吨。相对于实际值的百分比误差为（3631.0315/385157.8585）*100% ≈ 0.943%。在某些预测背景下，小于1%的百分比误差可能被认为是相当准确的。2025年的实际数据尚未整理，预测值相对于2024年的实际排放量（389,955.4744千吨 vs. 385,157.8585千吨）也代表了增长。

本研究还将越南的CO₂排放与印度尼西亚、泰国、新加坡、马来西亚和菲律宾等其他东盟国家进行了比较。根据统计数据，印度尼西亚在六个国家中一直记录着最高的CO₂排放量，从1990年约1.62亿吨CO₂上升到2023年超过6.7亿吨CO₂。特别是在COVID-19大流行期间，出现了迅速的反弹，表明了对碳密集型部门的结构性依赖。越南的排放量增长最为迅速。从1990年仅1900万吨CO₂开始，到2023年达到约3.73亿吨CO₂，近年来超过了泰国和马来西亚。这反映了越南的工业化和不断增长的能源需求，而这些需求往往由燃煤发电满足。马来西亚和泰国显示出温和的增长趋势，2023年排放量收敛在约2.75亿吨CO₂左右。菲律宾的排放量显示出缓慢但稳定的增长。与此同时，新加坡的排放量保持最低且相对稳定，这是由于其先进的技术基础以及早期采用了效率和碳管理政策。

图表显示，越南是东盟地区CO₂排放最高的国家之一。越南正在从一个低排放经济体转变为东盟地区CO₂排放的主要贡献者之一，这是由快速的工业增长和对煤炭的依赖所驱动的。与其邻国相比，越南的排放增长速度更快，因此立即采取行动应用更清洁的技术并实施强有力的环境法规以避免陷入高碳未来至关重要。

讨论

主要发现

不断升级的全球气候危机及其相关风险加剧了各国对准确CO₂排放预测方法的关注。因此，学术界已将大量注意力投向比较各种机器学习和深度学习模型在此预测任务中的效能。本研究利用1990-2023年间可用的世界银行数据，对选定的机器学习、深度学习及统计方法在预测CO₂排放方面的性能进行了比较分析。主要目的是评估这些不同技术的预测准确性。研究结果表明，机器学习方法在处理诸如CO₂排放预测等预测挑战方面具有相当大的潜力，从而为未来的排放研究和政策制定提供了有价值的工具。本研究的主要发现包括：

• •
  结果表明，这些机器学习技术对于塑造未来的研究方向具有价值。测试的模型包括深度学习、KNN、GaussianNB和SVR。深度学习和KNN在视觉上对实际历史CO₂排放数据（1990-2023）的拟合最佳，捕捉了总体趋势和许多波动。研究选择深度学习模型是因为其高R平方值，显示了模型的适用性。
• •
  本研究发现了具有统计学显著性（p < 0.05）的线性关系。CO₂排放与GDP、城市人口、FDI、工业和煤炭发电呈强正相关。相反，由于从石油向煤炭的过渡，CO₂与石油发电呈显著负相关。

政策启示与建议

为应对气候变化，世界各国正积极制定政策以减少CO₂排放，以符合2015年《巴黎协定》。欧盟引入了严格的机制来监管排放，如碳边境调节机制（CBAM）。在亚洲，包括印度尼西亚、泰国和菲律宾在内的几个东南亚国家正在逐步建立法律框架和碳市场机制。在越南，《至2050年国家能源发展战略》反映了实现净零排放的坚定承诺。该国目标到2030年将可再生能源份额提高到20%-25%，到2045年提高到60%-65%。

本研究显示，几个因素：GDP、城市人口、FDI、工业和煤炭发电，影响了CO₂排放的增加。基于这些影响，研究提出了几项减少越南CO₂排放的建议：

• •
  政府必须考虑制定可再生能源的机制和政策，因为全球能源从化石燃料向更清洁、可再生能源的转型是可持续发展的重要趋势。
• •
  鼓励政策制定者实施或加强碳定价机制，如碳税或排放交易体系。这不仅抑制了污染燃料的使用，还能产生可用于再投资于清洁能源基础设施的收入。一个关键的优先事项是快速逐步淘汰燃煤发电，并辅以公正转型战略，以支持受影响的工人和社区。
• •
  本研究还为政府、投资者和国际组织提供了关键的政策启示。鉴于创新、FDI流入和可再生能源消耗对经济增长的强烈影响，在政策设计中应优先考虑这些因素。吸引FDI需要通过宏观经济稳定和有针对性的激励措施来创造稳定的投资环境。努力应集中在清洁技术和可再生能源等高潜力部门。
• •
  为促进创新，政府应投资于教育、研究和支持性基础设施，同时提供财政激励并鼓励公私合作伙伴关系，以促进知识和技术的转移。
• •
  鼓励政策制定者积极参与支持知识、资源和技术交流的全球论坛和国际伙伴关系。
• •
  政策制定者还必须通过采用绿色技术、执行排放标准以及将可持续性纳入国家发展议程，确保经济增长与环境可持续性之间的平衡。

为加速向低碳和可持续未来的转型，跨多个部门的协调行动至关重要。本研究强调了对企业、投资者和城市规划者的若干政策启示和实用建议：

• •
  企业、投资者和能源专业人士应通过积极寻求有助于可再生能源扩张的投资机会，使其战略与国家能源目标保持一致。关键重点领域包括可再生能源发电项目、电网现代化、能源存储系统和能源效率技术。企业应将环境、社会和治理（ESG）原则纳入核心决策过程，以减轻长期风险并提升可持续性绩效。同时，促进创新和跨部门的技术转移可以加速新兴绿色技术的部署。
• •
  城市作为排放的主要来源，必须采用以可持续发展为重点的开发模式。政策制定者和城市规划者应优先发展绿色基础设施，扩展公共交通网络，激励电动汽车的采用，并推广节能建筑实践。将绿色空间融入城市设计不仅有助于吸收二氧化碳，还能缓解城市热岛效应。此外，城市应探索投资碳捕获技术和碳抵消项目，以中和剩余排放。支持碳中和产业。

局限性与未来研究方向

局限性

本研究使用了世界银行的公开数据，尽管这是一个被广泛认可和信誉良好的来源，但可能存在某些局限性。这些包括数据报告可能的不一致、缺失值以及不同国家和随时间推移测量方法的变化。此类问题可能给数据集带来噪声，并可能影响建模结果的整体准确性和可靠性。

在选定因素方面，本研究主要关注一组定义好的经济、人口和能源相关指标。虽然这些变量对于理解宏观层面的趋势至关重要，但排除其他潜在重要因素，如技术创新指数、可再生能源份额和类型、治理质量和环境法规，可能会限制研究结果的全面性。未来的研究可以受益于更广泛地纳入此类变量，以捕捉对CO₂排放和可持续性动态的全部影响。

在方法论上，本研究依赖于为面板数据分析量身定制的模型。然而，这些模型并未完全纳入高级时间序列特征，如自相关、季节性