从核算到预测的闭环：面向政策就绪的城市碳排放集成框架——基于Bayesian-SSA-LSTM的天津实证

《Watershed Ecology and the Environment》：Closing the loop from accounting to forecasts: An integrated framework for policy-ready urban carbon emissions

　　

研究人员将宏观尺度排放清单与预测相链接，构建了一个集成的核算–预测框架。贝叶斯–麻雀搜索算法（Bayesian–SSA）双驱动的超参数优化提高了城市尺度CO₂预测中长短期记忆网络（LSTM）的精度与收敛性。基于SHAP的归因分析识别了滞后的能源与土地利用驱动因素，并实现了面向政策就绪的城市排放展望（天津，2023–2028）。

气候变化正在重塑城市能源供应、工业发展、土地利用和公共服务等规划条件。城市碳排放源于电力与热力生产、制造、交通、建筑和土地转换等日常经济活动，因此城市尺度碳控制尤为关键。天津作为沿海直辖市、重要港口和京津冀核心城市，其排放结构受能源密集型工业、物流、交通、建设和区域交换共同影响，是研究城市碳核算与预测衔接的典型区域。然而，现有文献中城市清单与预测模型常采用不同变量体系，导致预测结果难以回溯到核算来源；混合优化研究多侧重搜索算法本身，较少结合城市碳排放的滞后多变量特征；特征排序与未来预测常被作为独立输出；而核算、预测、解释与情景分析也往往割裂。为解决上述问题，研究人员构建了一套集成的“核算—预测—决策”分析框架，以天津为案例开展实证研究。

该框架首先建立宏观碳核算系统，从能源活动、工业生产过程、土地利用变化和其他排放四个维度系统核算天津市碳排放，保障核算范围完整且与宏观区域核算相一致；随后将能源消费、人口、粮食播种面积等14个核算相关驱动因子标准化并重构为具有滞后效应的时空张量输入，以贝叶斯优化和麻雀搜索算法联合优化的LSTM模型为预测核心；最终结合SHAP归因和情景分析，将预测结果转化为政策可用的排放路径。这一框架为城市碳排放在动态监测、趋势推演和政策评价方面提供了可量化、可追溯的技术途径。

关键的技术方法包括：（1）宏观碳核算：参考2006年IPCC国家温室气体清单指南及国家发改委指南，采用排放因子法计算能源活动碳排放，并分别核算工业过程（水泥、生铁、粗钢）、土地利用（耕地排放与非耕地碳吸收）、畜牧业及人口呼吸排放；2009–2020年目标排放取自CEADs数据库，2021–2023年由本研究统一口径清单补充。（2）数据预处理：对14个预测因子进行目标年对齐、缺失值填补、Min-Max归一化，构造三年滞后序列并按8-2-2比例划分为训练、验证和测试集。（3）模型优化：先用贝叶斯优化对两层LSTM神经元数、全连接层神经元数和学习率进行全局搜索，再将贝叶斯最优解作为麻雀搜索算法初始种群中心，在±20%邻域内局部细化，最终训练含Dropout、早停和Adam优化器的LSTM模型。（4）解释与情景：计算SHAP值识别滞后特征贡献，并设置基线情景（BS）、低碳政策情景（LS）、技术升级情景（TS）和高速增长情景（HS）进行对比。

研究结果如下：

3.1 天津市碳排放现状分析：基于构建的核算清单，2021–2023年天津市总排放在2.48×10⁸至2.54×10⁸ t CO₂之间，2022年下降、2023年回升。能源活动占56.0%–57.1%并主导波动，土地利用约占29%且逐年小幅下降，农业及其他补充源约14%，工业过程排放低于0.01 Mt。能源消费中，原油及关联燃料地位突出，煤炭和天然气与工业、供暖、交通及建筑运行密切相关。

3.2 模型训练结果：在相同时间切分条件下比较普通LSTM、贝叶斯优化LSTM、SSA-LSTM与Bayesian-SSA-LSTM，结果显示双驱动模型收敛更快、训练与验证误差更低，最终测试集MSE为0.0002、MAE为0.0143，均优于对比模型，且MSE与MAE排序一致，说明预测能力提升不依赖单一误差指标。

3.3 碳排放驱动特征重要性分析：基于SHAP值排序，天然气（t-1、t-3）、原油（t-1）和煤（t-3）等高能耗变量处于前列，农药使用、农机总动力和有效灌溉面积在t-2滞后最突出，人口在t-1具有显著短期驱动效应。这表明不同驱动因素对碳排放的作用时滞存在差异，能源变量提供短期至中期信号，土地与农业变量经过生产与实施周期后进入模型。

3.4 模型预测结果：将训练好的模型外推2024–2028年，预测排放在约163–175 Mt区间，路径先向下调整，后温和上升并逐渐收窄，反映近期扰动在三年滞后窗口内逐渐衰减，而非永久性平台。

3.5 情景预测：在四个发展情景下，2028年碳排放分别为：BS 175.0991 Mt、LS 166.3441 Mt、TS 161.0912 Mt、HS 182.1030 Mt。与BS相比，TS减排约8.0%（14.0079 Mt），LS减排约5.0%（8.755 Mt），HS则高出约4.0%（7.0039 Mt）。技术升级情景通过降低单位GDP能耗和产品碳排放强度实现最大减排，低碳政策情景依靠煤炭快速下降和农业投入减少也产生可观效果，而高速增长情景若缺乏效率改善，将使排放长期维持高位。

讨论部分指出，模型预测序列并非平滑线性，而是对应多个时期的不同经济与运行条件：2009–2014年上升与工业扩张和能源密集投资有关，2015–2021年呈现不规则下降，2022年低谷或受疫情扰动，2023年回升包括活动正常化以及CEADs数据与本研究清单衔接的潜在差异。SHAP特征重要性有助于区分近端干预（能源效率、人口管理）与远端干预（土地利用、农业措施）的政策时机。不确定性方面，清单受活动数据和排放因子影响，预测受小样本和异常波动影响；因此以MSE和MAE为主要误差指标，R2仅作辅助。情景结果反映假设敏感性，并非未来概率分布。

研究结论可概括为：天津碳排放总量波动但结构稳定，能源活动为主导、土地利用为第二大来源；贝叶斯优化与SSA组成的双阶段优化显著提升了LSTM的收敛速度和预测精度，优于单一优化或无机型；SHAP揭示了能源、土地、人口等驱动因素的差异化滞后结构；2024–2028年四个情景排放路径差异显著，技术升级情景减排潜力最大，高速增长情景则面临持续高排放风险；通过保持核算、预测、解释与情景分析之间的变量一致性和可追溯性，该框架为城市碳管理提供了从历史证据到政策评价的完整闭环。