[논문 리뷰] Nonparametric approaches for analyzing carbon emission: from statistical and machine learning perspectives

Yiming Ma, Hang Liu외 1명|arXiv (Cornell University)|2023. 03. 27.

Environmental Impact and SustainabilityEnvironmental Science인용 수 3

한 줄 요약

이 연구는 2005–2019년 기간 동안 중국 10개 도시의 데이터를 활용하여 도시 탄소배출을 모델링하기 위해 비모수적 방법—커널 회귀, 랜덤 포레스트, 신경망—을 평가한다. 신경망이 선형 모델과 다른 비모수적 기법보다 탄소배출의 적합성과 예측 정확도에서 뛰어나며, 특히 정책 관련 예측과 요인 분석에 더 정확한 도구를 제공함을 확인한다. 특히 무후 시에서는 목표 기반 개입 조건 하에서 탄소배출이 2025년경에 정점에 도달할 것으로 예측된다.

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.

연구 동기 및 목표

• 탄소배출과 영향 요인 간의 복잡한 비선형 관계를 포착하지 못하는 선형 STIRPAT 모델의 한계를 해결하기 위해.
• 비모수적 통계 및 기계학습 방법의 성능을 도시 탄소배출 모델링에 평가하기 위해.
• 탄소배출 예측 및 기후 정책 수립을 위한 데이터 기반 고정밀 모델링 프레임워크를 제공하기 위해.
• 도시 수준 데이터를 활용한 배출 추세 분석 및 예측에 신경망을 적용하고, 무후를 사례 연구로 제시하기 위해.

제안 방법

• 연구는 지역, 부유도(GDP 인구당), 에너지 집약도, 산업구조(제2차 산업 부문 비중)를 독립변수로 하는 확장된 STIRPAT 모델을 적용한다.
• 10개 중국 도시(2005–2019년)의 패널 데이터를 바탕으로 선형 로그-선형 회귀, 커널 회귀, 랜덤 포레스트, 피드포워드 신경망의 네 가지 모델링 접근법을 비교한다.
• 모델 성능은 10개 도시 전반에서의 내측 적합도(R²)와 외측 예측 정확도(MSE, MAE)를 사용해 평가된다.
• 무후에서의 상세 분석 및 예측을 위해 신경망 모델을 선정하고, 에너지 집약도, GDP 성장률, 산업구조 변화에 대한 다양한 가정을 기반으로 시나리오 기반 예측을 수행한다.
• 각 요인이 배출에 미치는 상대적 영향을 평가하기 위해 특성 중요도 분석을 통합한다.
• 기본 시나리오(정책 간섭 없음)와 산업 업그레이드 및 에너지 효율성 향상을 강조하는 정책 간섭 시나리오의 두 가지를 예측한다.

실험 결과

연구 질문

• RQ1 비모수적 모델은 기존의 선형 STIRPAT 모델에 비해 도시 탄소배출의 적합성과 예측 정확도에서 어떻게 비교되는가?
• RQ2 커널 회귀, 랜덤 포레스트, 신경망 중 어느 비모수적 방법이 중국 도시의 탄소배출에 대해 가장 높은 예측 정확도를 제공하는가?
• RQ3 다양한 차원의 비선형 환경에서 인구, 부유도, 에너지 집약도, 산업구조가 탄소배출에 미치는 상대 기여도는 어떠한가?
• RQ4 비모수적 모델링은 도시 환경에서 탄소 피크 및 중립 달성을 위한 정책 간섭을 어떻게 지원할 수 있는가?

주요 결과

• 신경망 모델은 테스트된 모든 모델 중에서 가장 뛰어난 적합도와 예측 정확도를 보였으며, 선형 회귀 및 기타 비모수적 기법에 비해 평균 제곱오차(MSE)와 평균 절대오차(MAE)가 유의미하게 낮았다.
• 신경망 모델은 에너지 집약도 및 산업구조와 같은 영향 요인과 탄소배출 간의 복잡한 비선형 상호작용을 뛰어나게 포착할 수 있었다.
• 기본 시나리오(정책 간섭 없음) 하에서 무후의 탄소배출은 2030년까지도 계속 증가할 것으로 예측되며, 정점에 도달하지 못할 것으로 보인다.
• 에너지 집약도 연간 4% 감소, GDP 인구당 성장률 3%, 제2차 산업 부문 비중 연간 2% 감소를 포함하는 정책 간섭 시나리오에서는 배출이 약 2025년경에 정점에 도달하고 감소하기 시작할 것으로 예측된다.
• 연구는 산업구조 최적화와 에너지 집약도 감소가 경제 성장의 중간 수준의 희생을 감수하더라도 배출 증가를 통제하는 데 핵심적인 수단임을 확인한다.
• 신경망 모델의 특성 중요도 분석 결과, 에너지 집약도와 산업구조가 가장 영향력 있는 요인이며, 그 다음으로 부유도와 인구가 영향을 미친다.