全球工业领域增值碳强度的机器学习建模

《Environmental and Ecological Statistics》:Machine learning modeling of value-added carbon intensity across global industrial sectors

【字体: 大 中 小 】 时间:2026年07月05日 来源:Environmental and Ecological Statistics 2.2

编辑推荐:

  摘要要减少工业领域的碳排放,就需要更深入地了解影响各行业碳强度的社会经济及能源因素。本研究构建了一个机器学习框架,用于分析并解释不同经济行业中附加值碳强度的影响因素。研究使用了涵盖2000年至2021年83个国家和11个工业行业的面板数据集,通过极端梯度提升算法(XGBoost)

  

摘要

要减少工业领域的碳排放,就需要更深入地了解影响各行业碳强度的社会经济及能源因素。本研究构建了一个机器学习框架,用于分析并解释不同经济行业中附加值碳强度的影响因素。研究使用了涵盖2000年至2021年83个国家和11个工业行业的面板数据集,通过极端梯度提升算法(XGBoost)构建针对各行业的预测模型。为保持面板数据集的时间结构,采用了按时间顺序划分的训练集、验证集和测试集,并引入滞后解释变量和滞后碳强度指标,以体现时间上的持续性。此外,还使用SHapley加性解释方法来评估模型的可解释性。这些模型包含了经济、能源和结构方面的指标,其性能通过均方根误差(RMSE)和决定系数(R2)来衡量,同时还会与普通最小二乘线性回归模型和随机森林模型进行对比。研究结果表明,XGBoost在所有行业中的预测精度都很高,测试时的R2值在0.80到0.95之间。虽然线性回归在某些领域也表现不错,但机器学习方法在识别预测变量之间的非线性关系方面更具优势。SHAP分析显示,滞后碳强度在各个行业中始终是最重要的预测因子,这表明排放强度具有很强的时间持续性。人均GDP、产业增加值以及人均电力消耗等经济活动指标也被认为是影响各行业碳强度的重要因素。这些研究结果凸显了经济结构和能源消费模式在影响工业排放表现方面的作用。这些发现可为有针对性的减碳行动提供参考,帮助制定政策,在降低工业排放的同时保持经济产出。

要减少工业领域的碳排放,就需要更深入地了解影响各行业碳强度的社会经济及能源因素。本研究构建了一个机器学习框架,用于分析并解释不同经济行业中附加值碳强度的影响因素。研究使用了涵盖2000年至2021年83个国家和11个工业行业的面板数据集,通过极端梯度提升算法(XGBoost)构建针对各行业的预测模型。为保持面板数据集的时间结构,采用了按时间顺序划分的训练集、验证集和测试集,并引入滞后解释变量和滞后碳强度指标,以体现时间上的持续性。此外,还使用SHapley加性解释方法来评估模型的可解释性。这些模型包含了经济、能源和结构方面的指标,其性能通过均方根误差(RMSE)和决定系数(R2)来衡量,同时还会与普通最小二乘线性回归模型和随机森林模型进行对比。研究结果表明,XGBoost在所有行业中的预测精度都很高,测试时的R2值在0.80到0.95之间。虽然线性回归在某些领域也表现不错,但机器学习方法在识别预测变量之间的非线性关系方面更具优势。SHAP分析显示,滞后碳强度在各个行业中始终是最重要的预测因子,这表明排放强度具有很强的时间持续性。人均GDP、产业增加值以及人均电力消耗等经济活动指标也被认为是影响各行业碳强度的重要因素。这些研究结果凸显了经济结构和能源消费模式在影响工业排放表现方面的作用。这些发现可为有针对性的减碳行动提供参考,帮助制定政策,在降低工业排放的同时保持经济产出。

相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号