基于可解释人工智能的RCEP成员经济体CO?排放预测研究

《Carbon Balance and Management》：AI and promote carbon reduction: exploring an optimal deep learning model to predict CO2 emissions under technological innovations and green finance

　　

摘要

背景

准确预测二氧化碳（CO?）排放对于有效进行碳管理和制定基于证据的气候政策至关重要。然而，排放动态本质上是非线性的，源于技术、金融、能源、经济及人口因素之间复杂的交互作用。本研究开发了一种可解释的人工智能框架，用于预测2000—2024年间15个《区域全面经济伙伴关系协定》（RCEP）成员经济体的CO?排放。

结果

将年度数据转换为季度频率，并使用带自适应噪声的改进完全集成经验模态分解进行分解。利用平均绝对误差、均方误差、均方根误差和训练时间对十五种神经网络和深度学习架构进行评估。径向基函数网络的整体表现最佳，其MAE为0.028，MSE为0.002，RMSE为0.040，训练时间为00:01:12。Shapley加性解释（SHAP）分析和三维表示显示，技术创新、面向可再生能源的绿色金融、非可再生能源消费、金融发展、经济增长和人口老龄化均作出了异质性贡献。专利活动和研发支出主要与较低的预测CO?排放相关联，而绿色金融则表现出依赖情境的预测贡献。

结论

研究结果表明，一个相对简约的RBF网络即可提供准确且计算高效的CO?预测。通过整合信号分解、多模型基准测试和可解释人工智能，所提出的框架为识别排放模式以及制定面向RCEP成员经济体的针对性碳管理和气候减缓策略提供了一个可解释的决策支持工具。