[发明专利]多因素碳排放核算方法和装置

说明书

本发明公开了一种多因素碳排放核算方法，包括：选取影响碳排放量的多个驱动因素；对每个驱动因素进行独立建模，作为集成学习的基模型，对每个驱动因素的基模型进行集成学习，得到多因素线性加权表达式；根据多因素线性加权表达式，量化各个驱动因素对碳排放量的贡献程度。本方法更好衡量了每个地区的经济、文化、发展程度等内在差异而导致对碳排放量的不同影响程度；“独立建模‑集成学习”的研究方法摆脱了一般碳排放因素分解过程需要在开始阶段构造严谨的恒等式的局限，既缓解了传统多变量回归方法中存在的多重共线性干扰，又扩展了传统因素分解法的研究对象范围，提供了一种更加灵活的方式对碳排放进行驱动因素研究与核算。

技术领域

本发明涉及“碳达峰-碳中和”(以下简称“双碳”)研究领域，尤其涉及一种基于地理空间加权和集成学习的多因素碳排放核算方法。

背景技术

实现“双碳”目标的根本在于减少碳排放，要做到碳减排，首先要开展的工作是遵循科学严谨的计量方法对碳排放量进行计算。目前的碳排放核算方式主要分为直接法和间接法。直接法主要以IPCC指南中碳排放源及其排放系数的缺省值作为国家或区域边界的碳排放量计算依据。间接法则是通过将一个区域的碳排放总量分解为该区域的多个影响碳排放量的因素，并量化各因素对碳排放总量的贡献程度。间接法作为一种合理考量区域人文、经济及发展程度的综合研究方法，更符合复杂的基本国情，为制定碳减排路线、实现“双碳”目标提供了重要的科学依据。

现有的碳排放因素分解的思路是在碳排放量与多个驱动因素之间构造恒等式，通过参数拟合生成回归模型。常用的恒等式包括Kaya恒等式和STIRPAT恒等式，其一般内容是把碳排放量分解成若干个因素的和或乘积(如经济、环境、技术、人口等关键指标)。常用的指数分解法包括对数平均迪氏指数分解法(Logarithmic Mean Divisia Index,LMDI)，能够将研究对象进行无残差分解。传统因素分解法在恒等式的基础上进行对数转换和指数分解，量化不同因素对碳排放量的影响程度，进而识别出关键的驱动因素。传统因素分解法引起形式简洁、解释合理的特点，在相关研究领域中得到广泛应用。然而，目前“双碳”研究领域的具体应用中存在两点不足：其一是没有反应空间效应。对于国土面积较大的国家，由于幅员辽阔，各地区人文、经济等发展程度存在差异，导致相同的碳排放因素在不同地区对碳排放的影响程度也存在差异，即空间异质性。而目前的研究大多直接假定面板数据的横截面单元是同质的，即地区或企业之间的经济行为在空间上没有差异，与现实情况不符。其二是研究对象的扩展存在局限性。恒等式中的每个驱动因素被赋予特定含义，如人均GDP、单位能耗等，需要驱动因素之间具备较强的逻辑关联，难以灵活的扩展研究对象。

为了解决上面的挑战，近年来的研究尝试引入空间统计分析，利用空间权重矩阵来反映地理空间上的异质性，例如存在发达地区和落后地区、核心和边缘地区等经济地理结构。地理加权回归(Geographically weighted regression,GWR)模型通过空间权重矩阵将地理位置信息引入为回归参数，扩展了普通线性回归模型，利用局部拟合的方式构建驱动因素与碳排放总量之间的关联关系，使特定区域的回归参数能够随着空间上局域地理位置改变而变化。尽管GWR模型有效地处理了空间异质性问题，但其对多个自变量的局部拟合采用相同带宽，无法反映不同因素在回归过程中的差异性。针对GWR的不足，多尺度地理加权回归(Multiscale Geographically Weighted Regression,MGWR)模型允许每个自变量拥有不同的空间平滑水平，使每个变量有自己的统计量标准，降低估计偏差，回归结果更可信。每个自变量的带宽可以反映各自空间过程的空间作用尺度，多带宽方法产生了更接近真实和有用的空间过程模型。

然而，在多变量回归模型的拟合过程中不可避免地存在多重共线性的问题，即多个自变量中如果存在高度线性相关的变量，会导致模型的回归效果失真。此外，无论是GWR还是MGWR，都只考虑了碳排放驱动因素的空间异质性，并没有直观地反映出每个驱动因素对碳排放总量的贡献度。

发明内容

本发明的目的在于提供多因素碳排放核算方法和装置。