基于GBDT-XGBoost的西北地区制造业碳排放预测研究

Research on Carbon Emission Prediction of Manufacturing Industry in Northwest China Based on GBDT-XGBoost

张新生 ¹李忆楠 ¹陈章政 ²王润周¹

扫码查看

作者信息

1. 西安建筑科技大学管理学院,陕西西安 710055
2. 西安建筑科技大学管理学院,陕西西安 710055;陕西省新型城镇化和人居环境研究院,陕西西安 710055
折叠

摘要

西北地区工业发展高度依赖煤炭、石油化工等高能耗、高排放产业,导致制造业碳排放量持续上升.该研究根据2000-2020年面板数据,建立基于STIRPAT模型、梯度提升决策树(GBDT)以及极度梯度提升树(XGBoost)相结合的碳排放预测模型.通过排放因子法估算碳排放量,分析西北地区碳排放现状以及揭示其时空演变特征,运用扩展的STIRPAT模型选取15项与碳排放量相关的影响因素,并结合Pearson相关性分析和GBDT进一步筛选关键影响因素,对比5种机器学习模型.结果表明,XGBoost对数据的预测表现最优,其评价指标MSE、MAPE和R2分别为0.54％、16.78％和93.87％,且该模型在西北地区各省份的预测R2均大于90％,准确度高,证明其能够较为准确地预测制造业碳排放量,为西北地区尽早实现"双碳"目标提供参考.

Abstract

The industrial development in northwest China heavily relies on high-energy-consuming and high-emission sectors like coal and petrochemicals,leading to a persistent rise in manufacturing carbon emissions.Based on panel data from 2000 to 2020,a carbon emission prediction model is developed,integrating STIRPAT,Gradient Boosted Decision Tree(GBDT),and Extreme Gradient Boosting(XGBoost).Initially,carbon emissions are estimated using emission factors,analyzing the status quo and spatiotemporal evolution.Subsequently,an extended STIRPAT model selects 15 emission-related factors,refined further by Person and GBDT.Among five machine learning models tested,XGBoost exhibits superior predictive performance,with MSE,MAPE,and R2 of 0.54％,16.78％,and 93.87％respectively.Achieving R2 over 90％across northwest provinces,the model accurately forecasts manufacturing carbon emissions,offering insights for advancing towards the"dual carbon"goals in the region.

关键词

制造业碳排放/XGBoost模型/西北地区/影响因素/预测模型

Key words

manufacturing carbon emissions/XGBoost model/northwest region/influencing factors/prediction model

引用本文复制引用

出版年

2024

环境科学与技术

湖北省环境科学研究院

环境科学与技术

CSTPCD北大核心

影响因子：0.943

ISSN：1003-6504

段落导航