海小辉,何霁彤,王春枝

• 1:内蒙古财经大学统计与数学学院

摘要(Abstract)：

在新质生产力推动经济高质量发展的时代背景下，实现“双碳”战略目标亟须建立科学的碳排放预测体系。论文基于1990—2023年中国碳排放数据，搭建了反向传播神经网络(BP)、卷积神经网络(CNN)、循环神经网络(RNN)和长短期记忆网络(LSTM)模型，选出预测性能最好的模型。之后进一步采用情景分析法，对基准情景、高速发展情景和新质生产力情景下的碳排放量进行预测。研究发现:与其他模型相比，长短期记忆网络的碳排放预测效果最佳;在新质生产力、基准和高速发展三种情景下，能源碳排放量均表现出先升后降的倒U型曲线特征，碳达峰分别出现在2030年、2033年和2038年，峰值分别为63.601亿吨、65.005亿吨和67.624亿吨，验证了新质生产力发展路径在加速碳达峰进程与降低碳排放水平方面的显著优势。因此建议加快产业升级和能源清洁化转型，强化技术创新驱动，助力实现低碳发展目标。

关键词(KeyWords)： 新质生产力;碳排放;预测;LSTM长短期记忆网络

Abstract:

Keywords:

基金项目(Foundation): 内蒙古自治区自然科学基金项目(2023LHMS07015);内蒙古自治区自然科学基金项目(2023MS07007);; 内蒙古地方财政研究中心2025年度项目(dfcz202505)

作者(Author): 海小辉,何霁彤,王春枝

DOI: 10.13895/j.cnki.jimufe.2025.04.006

参考文献(References)：

• [1]袁振邦．我国能源结构转型面临的挑战及未来发展对策[J]．产业创新研究，2024(19):6-8.
• [2]周文，许凌云．论新质生产力:内涵特征与重要着力点[J]．改革，2023(10):1-13.
• [3]李前锦，张泽雅，白英臣，等．新质生产力视角下黄河中游地区生态效率时空演变及影响因素[J]．环境工程技术学报，2025,15(5):1776-1788.
• [4]李娟，刘爱峰．数字新质生产力对碳排放效率的影响[J]．统计与决策，2024,40(24):23-28.
• [5]王松，徐政，邓颖．新质生产力对碳减排的影响研究[J]．企业经济，2024,43(9):36-47.
• [6]罗寒，岳强．以新质生产力推进“双碳”战略:内在逻辑·现实困囿·实践指向[J]．西安建筑科技大学学报(社会科学版)，2025,44(2):39-45.
• [7]何可，朱润．新质生产力推动农业绿色低碳发展:现实基础与提升路径[J]．中国农业大学学报(社会科学版)，2025,42(3):174-193.
• [8]黄群慧，盛方富．新质生产力系统:要素特质、结构承载与功能取向[J]．改革，2024(2):15-24.
• [9]刘帅，杜文宇．新质生产力助推能源结构低碳转型研究[J]．中国矿业大学学报(社会科学版)，2024,26(5):47-66.
• [10]林伯强，滕瑜强．新质生产力与“双碳”目标的关联和挑战:基于能源低碳转型的视角[J]．四川大学学报(哲学社会科学版)，2024(5):35-46,208-209.
• [11]王艳．“双碳”目标下中国碳排放规模情景预测[D]．济南:山东财经大学，2022.
• [12]张洋．基于IPSO-LSTM模型的中国能源消费碳排放预测研究[D]．北京:华北电力大学(北京)，2021.
• [13]章高敏，王腾，娄渊雨，等．基于LSTM神经网络的中国省级碳达峰路径分析[J]．中国管理科学，2025,33(3):339-350.
• [14]刘春梅，钱啸吟．“双碳”目标下中国能源消费碳排放量预测[J]．资源科学，2023,45(10):1931-1946.
• [15]谭川江，王超，常昊，等．基于人工神经网络模型的碳排放预测研究进展[J]．天然气与石油，2024,42(1):124-132.
• [16]胡剑波，罗志鹏，李峰．“碳达峰”目标下中国碳排放强度预测:基于LSTM和ARIMA-BP模型的分析[J]．财经科学，2022(2):89-101.
• [17]李国志，李宗植．中国二氧化碳排放的区域差异和影响因素研究[J]．中国人口·资源与环境，2010,20(5):22-27.
• [18]樊振宇．BP神经网络模型与学习算法[J]．软件导刊，2011,10(7):66-68.
• [19]焦柳丹，刘莹，吴雅，等．基于卷积神经网络的交通运输业碳排放预测研究[J]．铁道运输与经济，2024,46(8):49-57.
• [20]杨祎玥，伏潜，万定生．基于深度循环神经网络的时间序列预测模型[J]．计算机技术与发展，2017,27(3):35-38,43.
• [21] HOCHREITER S,SCHMIDHUBER J. Long shortterm memory[J]. Neural Computation,1997,9(8):1735-1780.
• [22]杜士娟．基于情景分析法的京津冀能源消费碳排放预测研究[D]．北京:华北电力大学，2018.
• [23] DONG Y,GAO J,QIU J,et al. The dynamic spatial effects of education investment on carbon emissions:heterogeneous analysis based on north-south differences in China[J]. Frontiers in environmental science,2024,12:1432457.
• [24] XU GUANGYUE,SCHWARZ P,YANG HUALIU.Determining China’s CO2emissions peak with a dynamic nonlinear artificial neural network approach and scenario analysis[J]. Energy policy,2019,128(5):752-762.
• [25]段福梅．中国二氧化碳排放峰值的情景预测及达峰特征:基于粒子群优化算法的BP神经网络分析[J]．东北财经大学学报，2018(5):19-27.
• [26]商可心，刘德志，杨桂元．基于GIOWA算子的“十四五”时期教育经费投入预测[J]．平顶山学院学报，2022,37(2):83-94.
• [27]岳昌君，邱文琪．面向2035的我国高等教育规模、结构与教育经费预测[J]．华东师范大学学报(教育科学版)，2021,39(6):1-16.