[논문 리뷰] Stable Time Series Prediction of Enterprise Carbon Emissions Based on Causal Inference

Zitao Hong, Zhen Peng외 1명|arXiv (Cornell University)|2026. 01. 31.

Energy, Environment, Economic Growth인용 수 0

한 줄 요약

본 논문은 distribution shifts 하에서 기업 탄소 배출량을 예측하기 위해 인과적 안정 학습과 적응적 시간 보정을 결합한 교차 환경 시간 예측 프레임워크인 Stable-CarbonNet을 제시하여 지역, 산업 및 정책 전반에 걸친 강건성을 향상시킨다.

ABSTRACT

Against the backdrop of ongoing carbon peaking and carbon neutrality goals, accurate prediction of enterprise carbon emission trends constitutes an essential foundation for energy structure optimization and low-carbon transformation decision-making. Nevertheless, significant heterogeneity persists across regions, industries and individual enterprises regarding energy structure, production scale, policy intensity and governance efficacy, resulting in pronounced distribution shifts and non-stationarity in carbon emission data across both temporal and spatial dimensions. Such cross-regional and cross-enterprise data drift not only compromises the accuracy of carbon emission reporting but substantially undermines the guidance value of predictive models for production planning and carbon quota trading decisions. To address this critical challenge, we integrate causal inference perspectives with stable learning methodologies and time-series modelling, proposing a stable temporal prediction mechanism tailored to distribution shift environments. This mechanism incorporates enterprise-level energy inputs, capital investment, labour deployment, carbon pricing, governmental interventions and policy implementation intensity, constructing a risk consistency-constrained stable learning framework that extracts causal stable features (robust against external perturbations yet demonstrating long-term stable effects on carbon dioxide emissions) from multi-environment samples across diverse policies, regions and industrial sectors. Furthermore, through adaptive normalization and sample reweighting strategies, the approach dynamically rectifies temporal non-stationarity induced by economic fluctuations and policy transitions, ultimately enhancing model generalization capability and explainability in complex environments.

연구 동기 및 목표

• 지역, 산업 및 정책 체계에 걸쳐 안정적으로 남아 있는 기업 탄소 배출의 장기적이고 교차 환경적 인과 요인을 파악한다.
• 안정 학습 프레임워크를 개발하여 불변 특징을 추출하고 샘플 재가중을 이용해 잘못된 상관관계를 줄인다.
• 비정상성 및 정책/정책 충격 효과를 다루기 위해 적응형 정규화와 시간 가중치를 도입한다.
• 안정적 인과 특징을 시간 역학과 연결하여 교차 환경 일반화 및 의사 결정 해석 가능성을 향상시킨다.

제안 방법

• 환경 e_t 아래의 환경별 배출 Y(i,t) 및 특징 X(i,t)을 이용해 예측 문제를 형식화한다.
• 배출 과정을 안정적 인과 특징 f*(X^c)와 환경 특유의 교란 h^(e)(X^s)로 분해한다.
• 교차 환경적 안정성을 강제하기 위해 선형 헤드 w를 갖는 공유 표현 Phi_theta(X)를 사용하여 합리적인 최적화를 수행한다: min_theta,w sum_e R_e(w^T Phi_theta(X)) + lambda S(theta,w).
• 환경 간 그래디언트의 제곱 노름을 최소화하는 그래디언트-일관성 안정 항 S(theta,w)를 도입한다.
• 비정상성 및 교차 환경 규모 차이를 addressed하기 위해 시간 가중치 omega_t와 적응형 정규화 N_e를 적용하여 안정성 및 시간 보정을 결합한 최종 목적함수를 얻는다.
• lambda가 안정성과 적합도 사이의 트레이드오프를 제어하는 역전파를 통한 엔드투엔드 학습 scheme을 제공한다.

실험 결과

연구 질문

• RQ1 교차 환경 설정(지역, 산업, 정책)에서 지속되는 안정적 인과 요인은 무엇인가?
• RQ2 안정 학습 프레임워크와 시간 적응을 결합하면 일반 ERM 모델과 비교하여 분포 변화 하에서 강건한 예측이 달성되는가?
• RQ3 적응형 정규화와 샘플 재가중이 모델의 교차 환경 일반화 및 해석 가능성에 어떠한 영향을 미치는가?
• RQ4 안정성 매개변수 lambda가 예측 불변성과 적합도 사이에 어떤 영향을 끼치는가?
• RQ5 다환경 데이터가 정책 및 거래 의사결정을 위한 교차 지역/교차 산업 배출 동역학에 대한 이해를 향상시키는가?

주요 결과

• 제안된 방법은 교차 지역 및 교차 산업 예측 작업에서 우수한 강건성과 정확도를 보인다.
• 이 접근 방식은 기존 모델과 비교할 때 평균 예측 오차를 약 10%에서 15% 정도 감소시킨다.
• 식별된 안정적 특징은 외부 교란에 대해 강건하며 배출에 대한 장기 안정 효과를 나타낸다.
• 적응형 정규화와 샘플 재가중은 경제적 변동과 정책 전환으로 유도된 시간적 비정상성을 효과적으로 보정한다.
• 교차 환경 제약은 인과적 불변성과 시간 역학을 연결하여 기업 의사결정을 위한 탄소 예측의 신뢰성을 높인다.