[論文レビュー] Nonparametric approaches for analyzing carbon emission: from statistical and machine learning perspectives

Yiming Ma, Hang Liu+1 more|arXiv (Cornell University)|Mar 27, 2023

Environmental Impact and SustainabilityEnvironmental Science被引用数 3

ひとこと要約

本研究は、2005年から2019年までの中国10都市のデータを用いて、非パラメトリック手法—カーネル回帰、ランダムフォレスト、ニューラルネットワーク—を用いた都市炭素排出のモデル化を評価する。ニューラルネットワークが線形モデルおよび他の非パラメトリック手法よりも、排出の適合と予測において優れた性能を示し、とりわけ武漢市において、政策的介入がなされた場合に2025年頃に排出ピークに達することを示している。

ABSTRACT

Linear regression models, especially the extended STIRPAT model, are routinely-applied for analyzing carbon emissions data. However, since the relationship between carbon emissions and the influencing factors is complex, fitting a simple parametric model may not be an ideal solution. This paper investigated various nonparametric approaches in statistics and machine learning (ML) for modeling carbon emissions data, including kernel regression, random forest and neural network. We selected data from ten Chinese cities from 2005 to 2019 for modeling studies. We found that neural network had the best performance in both fitting and prediction accuracy, which implies its capability of expressing the complex relationships between carbon emissions and the influencing factors. This study provides a new means for quantitative modeling of carbon emissions research that helps to understand how to characterize urban carbon emissions and to propose policy recommendations for "carbon reduction". In addition, we used the carbon emissions data of Wuhu city as an example to illustrate how to use this new approach.

研究の動機と目的

• 炭素排出と関連要因の間の複雑な非線形関係を捉えることができない従来の線形STIRPATモデルの限界を克服すること。
• 都市炭素排出のモデル化における非パラメトリック統計および機械学習手法の性能を評価すること。
• 炭素排出の予測と気候政策への支援を目的とした、データ駆動型で高精度なモデルフレームワークを提供すること。
• 都市レベルのデータを用いた排出トレンドの分析と予測にニューラルネットワークを応用する実例を提示し、武漢市を事例として示すこと。

提案手法

• 人口、所得（一人当たりGDP）、エネルギー強度、産業構造（二次産業のシェア）を独立変数として、拡張されたSTIRPATモデルを適用する。
• 10都市のパネルデータ（2005–2019年）を用い、線形対数線形回帰、カーネル回帰、ランダムフォレスト、フィードフォワードニューラルネットワークの4つのアプローチを比較する。
• モデルの性能は、10都市すべてで、サンプル内適合（R²）およびサンプル外予測精度（MSE、MAE）を用いて評価する。
• 武漢市における詳細な分析と予測のため、ニューラルネットワークモデルを選定し、エネルギー強度、GDP成長、産業構造に関する異なる仮定に基づくシナリオ予測を実施する。
• 各要因の排出への相対的影響を評価するため、特徴量重要度分析を組み込む。
• ベースライン（政策介入なし）と政策介入シナリオ（産業構造の高度化とエネルギー効率の向上に重点を置く）の2つのシナリオを予測する。

実験結果

リサーチクエスチョン

• RQ1 非パラメトリックモデルは、従来の線形STIRPATモデルに比べて、都市炭素排出の適合と予測においてどのように優れているか？
• RQ2 カーネル回帰、ランダムフォレスト、ニューラルネットワークの中から、中国の都市における炭素排出の予測精度が最も高いのはどの手法か？
• RQ3 高次元かつ非線形な文脈において、人口、所得、エネルギー強度、産業構造が炭素排出に与える相対的寄与度は何か？
• RQ4 非パラメトリックモデリングは、都市における炭素ピークと中立の達成に向けた政策介入をどのように支援できるか？

主な発見

• ニューラルネットワークは、線形回帰および他の非パラメトリック手法に比べ、有意に低い平均二乗誤差（MSE）と平均絶対誤差（MAE）を達成し、最も優れた適合と予測精度を示した。
• ニューラルネットワークモデルは、エネルギー強度や産業構造といった要因と排出の間の複雑な非線形相互作用を捉える能力に優れていた。
• 武漢市では、政策介入なしのベースラインシナリオでは、2030年までにピークに達しないまま排出が継続して増加すると予測された。
• エネルギー強度を年間4%減少、一人当たりGDP成長率を3%、二次産業シェアを年間2%減少させる政策介入シナリオでは、排出は2025年頃にピークに達し、その後減少に転じると予測された。
• 本研究は、産業構造の最適化とエネルギー強度の低減が、経済成長の緩やかな犠牲を伴っても、排出増加の抑制に極めて重要な要因であることを確認した。
• ニューラルネットワークモデルによる特徴量重要度分析の結果、エネルギー強度と産業構造が最も影響力が大きく、次いで所得と人口が続くことが示された。