中国多区域碳排放综合预测：纳入空间和网络溢出效应

《Environmental Modelling & Software》：Integrated multi-regional carbon emission forecasting in China: Incorporating spatial and network spillover effects

　　

•开发了一套将因果推断与空间邻接相结合的碳排放溢出特征系统，构建了方向性因果矩阵并量化多维溢出效应，以增强预测建模能力。•提出了一种基于小波包变换横向多尺度分解的特征增强策略，在提取结构信息的同时保持时间完整性，并防止数据泄漏。•构建了面向空间面板数据的深度特征映射框架，将多省年度数据整合为统一样本集。通过引入膨胀卷积和三重注意力机制，模型能够捕捉多尺度空间特征并动态加权关键信息，同时利用BiLSTM实现复杂时空依赖的高阶表征。•通过多方法特征贡献分析与一致性验证，增强了模型的可解释性，为关键驱动因素和溢出机制提供了可靠洞察，以支持碳政策设计。引言人为温室气体排放使气候变化成为一项重大可持续发展挑战（Liu, K.等，2023；Yang等，2022）。中国承诺在2030年前实现碳达峰、2060年前实现碳中和，这要求具备可靠的预测工具来评估国家和区域的排放轨迹（Cao等，2023；Cui等，2021）。技术变革与环境政策进一步塑造了此类预测所代表的转型条件（Pan等，2023）。核心科学问题在于：当各省在产业结构、能源结构、发展阶段和政策能力方面存在差异时，如何表征区域动态，而不仅仅是聚合排放能否被预测。由于各省排放具有异质性且相互依存，忽视跨区域溢出的模型对差异化减排的支持能力有限。因此选择省级尺度，因为全国预测可能掩盖区域差异，而城市级分析往往受限于数据不一致、时间序列较短和可比性不足。省级在政策相关性与数据可靠性之间取得了平衡，是碳达峰方案、产业与能源政策协调以及差异化减排责任的关键行政单元。本研究聚焦于年度长期预测，该方法常用于评估碳达峰与转型路径（Bertram等，2024；Zhou等，2021）。关于中国排放峰值的研究进一步表明，在路径评估中纳入社会经济发展与政策力度具有重要意义（Mi等，2016；Zhang等，2015）。因此，本研究开发并验证了一个基于历史省-年数据的省级碳排放预测模型。该模型在与外部预测或政策指定的未来驱动因素结合时，可估算替代情景下的省级排放并比较潜在排放路径。区域碳排放预测必须同时表征空间依赖性和跨区域溢出效应。已有研究表明，碳排放受到经济发展、产业结构、能源强度、人口集中度和政府财政支出等社会经济驱动因素的影响（Liu, X.等，2023）。空间计量模型通过量化相邻或经济联系区域之间关系的空间权重矩阵来考察这些相互作用（Elhorst，2024）。实证证据进一步表明，碳排放及其驱动因素表现出显著的空间自相关和溢出效应，即一个地区的排放增长可能影响其他地区的排放变化（Liu, X.等，2023；Wang等，2018）。然而，许多现有的空间依赖结构仍然是线性和静态的，因为空间自回归、空间误差和空间杜宾模型通常依赖于预定义的邻接矩阵或距离矩阵。因此，它们在表征方向性预测关联、演变中的网络关系和非线性溢出模式方面能力有限。这一局限性对于省级碳排放预测尤为重要，因为产业转移、能源流动、区域政策扩散和经济联系可能产生不对称的省际效应。因此，预测框架需要超越静态空间邻接，同时纳入空间邻接和网络溢出信息。另一个关键研究问题在于如何构建用于碳排放预测的信息性预测变量。在特征构建层面，信号分解技术被广泛用于解决原始碳排放序列及相关驱动因素的非平稳性、波动性和多尺度特征（Liu等，2022）。代表性方法包括小波变换（Sapnken等，2024）、经验模态分解（Huang等，1998）、集合经验模态分解（Xu等，2019）、互补集合经验模态分解（Bokde等，2021）以及时变滤波经验模态分解（Li等，2017）。尽管这些方法改进了趋势、波动和频域信息的提取，但其应用主要集中于纵向时间序列分解，对空间面板数据中横向多尺度特征信息的探索仍显不足。相关张量分解和多源数据融合策略也被开发用于碳排放预测（Xu, X.等，2024）。碳排放预测方法已从传统统计模型演进到机器学习和深度学习。ARIMA已被应用于年度国家碳排放预测（Kour，2022；Ning等，2021），改进的ARIMA变体也被开发用于日度预测（Zhong等，2024）。这些模型在识别趋势和时间模式方面有用，但其线性假设限制了描述复杂非线性排放动态的能力。灰色模型为信息稀疏的设置提供了替代方案，包括多变量形式（Ding等，2017）、分数阶非线性扩展（Gao等，2021）和多变量趋势交互模型（Cao等，2021）。尽管在样本有限的情况下有效，灰色模型仍受限于相对僵硬的趋势假设。这些局限性共同促使了能够学习复杂经济、能源和环境变量之间非线性映射的机器学习和深度学习模型的发展。机器学习和深度学习越来越多地应用于能源和温室气体预测（Jin和Sharifi，2025；Khalil等，2022）。应用包括支持向量机（Aras和Van，2022；Zhu等，2019）、集成学习方法（Hu等，2025）以及使用能源市场因素的预测应用（Xu, Y.等，2024）。最近，循环神经网络及其变体被广泛用于碳排放时间序列预测（Cai等，2025）。长短期记忆网络通过门控机制捕捉长期依赖（Chen等，2024；Huang等，2019），混合架构进一步提高了预测性能（Bao等，2023）。然而，许多高性能模型仍缺乏可解释性，其跨区域泛化能力仍需更强的实证验证（Chang等，2023；Mohsin等，2022）。近期研究在互补的区域和行业尺度上考察了碳排放预测，将区域覆盖与行业特定细节相结合。多区域预测结合了先进的机器学习和时间特征工程（Zhang等，2026），行业导向的研究涉及中国建筑业（Li等，2026）、建筑行业减排潜力（Du等，2024）、农业排放（Xie等，2024）以及使用混合LSTM和基于主体的建模的交通部门排放（Zhou等，2025）。这些研究有助于识别行业来源和干预点，但其行业导向逻辑无法完全表征省级层面经济、能源、人口和溢出因素的组合。然而，当研究目标是支持区域差异化碳治理时，特定行业的预测存在进一步的局限性。首先，行业级模型通常聚焦于单一产业，可能无法充分捕捉产业结构、能源消耗、人口、财政能力和经济发展在区域层面的综合效应。其次，行业分析在表征跨区域差异、省际产业转移、能源转移、经济联系和政策溢出效应方面可能存在困难。第三，即使行业研究使用省级样本，其主要分析逻辑仍是行业导向而非区域导向。因此，省级预测提供了一种必要的互补尺度，因为它将省作为具有政策相关性的单元，能更直接地捕捉区域异质性和省际溢出关系。文献综述表明存在三个未解决的问题。第一，省际关系仍未被完整表征。现有研究通常使用预定义的邻接矩阵或距离矩阵来表征空间依赖并主要估计线性平均关联。因此，它们对方向性预测关联、演变中的网络结构和省际不对称溢出模式提供的证据有限。这些关系在预测环境中如何表征仍未得到充分考察。第二，现有特征构建策略未能充分利用空间面板数据中的多尺度信息。大多数模型使用原始社会经济和能源指标或简单空间滞后，而基于分解的研究通常仅针对单一变量沿时间维度进行。全局时间分解可能在数据分割后暴露未来信息，而分割后独立分解可能产生不一致的分量。因此，在保持时间完整性的同时提取多尺度跨特征结构的一般化方法仍然缺乏。第三，年度省级面板数据结合了有限的观测数与丰富的横截面结构，而现有预测模型未能充分应对这一情况。深度学习模型通常被构建为时间序列预测器，因此可能过度依赖历史排放、未能充分利用面板内特征关系，且跨区域泛化能力差。此外，模型解释通常仅基于单一重要性度量，使得特征贡献的稳定性和政策意义未能得到充分考察。综合而言，这些问题促使开发一个省级预测框架，该框架能够表征省际关系、在不损害时间有效性的情况下提取多尺度特征、在有限的年度观测下从空间面板结构中学习，并支持对特征贡献的稳健解释。基于所识别的研究空白，本研究做出四项贡献。（1）我们开发了一套省级碳排放溢出特征系统，将基于历史排放的Granger预测关联与以省邻接关系表示的地理关系相结合。所生成的基于Granger的、空间和网络溢出特征与原预测变量整合为模型输入。（2）我们设计了一种感知泄漏的横向多尺度特征增强策略，其中小波包变换沿特征维度而非预测时间轴应用，使得多尺度特征模式得以提取，同时保持训练样本与测试样本之间的时间边界。（3）我们将年度省级预测任务表述为对空间面板的深度特征映射，并为30个中国省份实施了一个框架。该框架首先构建特征级小波包表示，然后使用膨胀特征卷积沿有序特征维度学习多尺度依赖，注意力模块自适应地重新加权特征图，以及在回归之前使用基于BiLSTM的单步门控非线性变换。每个省-年观测独立建模，因此多年或多省不作为BiLSTM序列处理。（4）我们建立了一个基于特征打乱重要性和基于扰动的特征贡献的两阶段解释程序，并随后进行一致性分析。通过交叉验证有影响力的变量，该程序为解释其在省级碳排放中的直接和溢出相关作用提供了实证证据。本文其余部分组织如下。第2节概述主要方法论，第3节描述所提出的模型框架，第4节呈现数据和实证分析，第5节总结发现和政策建议。章节片段基于Granger的省际碳排放关联网络构建众多研究已证明碳排放溢出的存在，这种溢出主要通过经济联系、产业转移和技术扩散传播，而非仅仅通过地理邻近。Granger检验识别一个省的历史排放是否改善了对另一个省排放的预测，提供了超越简单相关性的时间优先性和预测关联证据（Shojaie和Fox，2021）。据此，我们构建了基于Granger的——拟议模型框架为解决省级碳排放预测中样本量有限、区域异质性强烈和省际交互复杂等挑战，本研究提出了一种将溢出特征构建与非线性表征学习相结合的综合建模框架。该框架旨在用于基于情景的条件预测。对于每个目标年，基于Granger的关联矩阵从先前10年的历史窗口估计，数据描述在本研究中，我们选择了中国30个省份从2000年到2023年的碳排放数据用于模型训练和测试。数据来源于气候与空气污染研究的多分辨率排放清单模型（http://meicmodel.org.cn）（Liu等，2024；Xu等，2023）。数据集包含720个省-年观测值，由30个省份和2000年至2023年的24年组成。记录按年优先顺序排列。同一——结论与建议本研究针对中国有限样本和异质区域条件下的省级碳排放预测进行了探讨。所提出的特征映射框架将省份特定驱动因素与空间和网络溢出信息整合，以提高预测准确性，同时保持省级分析的政策相关性。2000-2023年报告的结果构成对该条件映射的历史样本外验证，而非——CRediT作者贡献声明余晓兵：撰写——审阅与编辑、验证、监督、资源、经费获取、概念化。毛亚琪：撰写——审阅与编辑、验证、软件。

刘增兵：论文撰写——初稿撰写，可视化，软件，方法论，形式化分析，概念化

软件与数据可用性

软件名称：MATLAB
描述：本模型在MATLAB环境中开发，并使用机器学习算法预测碳排放数据。
源语言：MATLAB
本研究用于模型训练和结果复现的完整数据集及所有源代码已在GitHub仓库公开：https://github.com/1351723029/Code.git

利益冲突声明

? 作者声明，他们不存在可能影响本文所述工作的已知竞争性经济利益或个人关系。

致谢

本研究未获得公共、商业或非营利部门资助机构的具体资助。

刘增兵 | 余小兵 | 毛雅琦