本發(fā)明屬于區(qū)域碳排放預(yù)測(cè)分析領(lǐng)域，尤其涉及一種神經(jīng)網(wǎng)絡(luò)與隨機(jī)前沿分析的碳排放效率預(yù)測(cè)方法。

背景技術(shù)：

全球氣候變化把碳排放推向“風(fēng)口浪尖”，低碳減排成為各個(gè)國(guó)家、地區(qū)都在考慮的熱點(diǎn)問題。為了實(shí)現(xiàn)可持續(xù)發(fā)展，緩解溫室效應(yīng)，關(guān)于區(qū)域碳排放的研究受到越來越多的關(guān)注。

中國(guó)目前正處于高速的工業(yè)化和城市化進(jìn)程中，經(jīng)濟(jì)發(fā)展與能源資源約束的矛盾越來越突出，加上全球溫室氣體減排帶來的巨大外部壓力，使得中國(guó)必須走低碳發(fā)展之路。摸清中國(guó)發(fā)展過程中碳排放的變化趨勢(shì)以及影響條件的貢獻(xiàn)效率，是探索低碳發(fā)展路徑的前提，不僅符合全球“低碳化”的發(fā)展趨勢(shì)，也是落實(shí)國(guó)家提出的溫室氣體減排目標(biāo)的必然要求。

可見，我國(guó)現(xiàn)階段存在很大的減排壓力，要圓滿完成減排任務(wù)，首先要明確我國(guó)碳排放的變化規(guī)律以及增長(zhǎng)趨勢(shì)。傳統(tǒng)的碳排放預(yù)測(cè)主要采用時(shí)間序列模型和數(shù)學(xué)核算的方法，這些方法需要精確地?cái)?shù)據(jù)和明確的內(nèi)在關(guān)系，但是整個(gè)社會(huì)的碳排放系統(tǒng)是個(gè)復(fù)雜的系統(tǒng)，存在太多的不確定性和系統(tǒng)內(nèi)部復(fù)雜非線性關(guān)系，這是傳統(tǒng)方法無法解決的問題。

技術(shù)實(shí)現(xiàn)要素：

為了解決現(xiàn)有技術(shù)的缺點(diǎn)，本發(fā)明的第一目的是提供一種基于神經(jīng)網(wǎng)絡(luò)與隨機(jī)前沿分析的碳排放效率預(yù)測(cè)方法。

本發(fā)明的基于神經(jīng)網(wǎng)絡(luò)與隨機(jī)前沿分析的碳排放效率預(yù)測(cè)方法，包括：

步驟1：選取碳排放的影響因子GDP和人口數(shù)量POP；其中，GDP與POP是相互獨(dú)立的變量因子；

步驟2：獲取歷史GDP和POP數(shù)據(jù)以及相對(duì)應(yīng)時(shí)期內(nèi)區(qū)域碳排放量CE；將歷史GDP和POP數(shù)據(jù)作為輸入，相對(duì)應(yīng)時(shí)期內(nèi)區(qū)域碳排放量CE作為輸出來構(gòu)建自適應(yīng)模糊神經(jīng)網(wǎng)絡(luò)模型；

步驟3：利用獲取的歷史GDP和POP數(shù)據(jù)及時(shí)間序列模型來預(yù)測(cè)未來一定時(shí)期內(nèi)的GDP和POP，將預(yù)測(cè)的GDP和POP輸入至自適應(yīng)模糊神經(jīng)網(wǎng)絡(luò)模型中，預(yù)測(cè)得到未來相應(yīng)時(shí)期內(nèi)的區(qū)域碳排放量；

步驟4：根據(jù)預(yù)測(cè)的未來一定時(shí)期內(nèi)的GDP和POP以及區(qū)域碳排放量，構(gòu)建隨機(jī)前沿分析模型，通過極大似然法估計(jì)出隨機(jī)前沿分析模型各個(gè)參數(shù)值，然后用技術(shù)無效率項(xiàng)的條件期望分別作為GDP和POP分別對(duì)區(qū)域碳排放量的技術(shù)效率。

在所述步驟2中，還包括將獲取的歷史GDP和POP數(shù)據(jù)以及相應(yīng)時(shí)期內(nèi)區(qū)域碳排放量CE分成兩組，一組作為訓(xùn)練組，另一組作為驗(yàn)證組。

一般訓(xùn)練組占到總數(shù)據(jù)的70％以上，本發(fā)明利用訓(xùn)練組的數(shù)據(jù)來構(gòu)建自適應(yīng)模糊神經(jīng)網(wǎng)絡(luò)模型，當(dāng)自適應(yīng)模糊神經(jīng)網(wǎng)絡(luò)模型訓(xùn)練完成后，利用驗(yàn)證組的數(shù)據(jù)來驗(yàn)證自適應(yīng)模糊神經(jīng)網(wǎng)絡(luò)模型的準(zhǔn)確性。

所述步驟4中的隨機(jī)前沿分析模型由Cobb-Douglas生產(chǎn)函數(shù)來確定。這樣能夠很好地處理數(shù)據(jù)的隨機(jī)性，能夠?qū)^去的技術(shù)效率進(jìn)行評(píng)估和對(duì)未來進(jìn)行預(yù)測(cè)，并且分析結(jié)果能夠作為研究碳排放行為的基礎(chǔ)，為減排政策的制定提供理論依據(jù)。

所述步驟2中自適應(yīng)模糊神經(jīng)網(wǎng)絡(luò)模型為基于Sugeno模型的模糊推理系統(tǒng)。

將模糊推理和神經(jīng)網(wǎng)絡(luò)有機(jī)的結(jié)合，其模糊隸屬度及模糊規(guī)則是通過大量數(shù)據(jù)的學(xué)習(xí)完成的，采用自適應(yīng)神經(jīng)網(wǎng)絡(luò)來預(yù)測(cè)未來區(qū)域碳排放量，能夠避開系統(tǒng)內(nèi)的復(fù)雜性和不確定性，通過自主學(xué)習(xí)不斷修正，能夠得到最優(yōu)解。

本發(fā)明基于神經(jīng)網(wǎng)絡(luò)與隨機(jī)前沿分析的碳排放效率預(yù)測(cè)方法采用自適應(yīng)神經(jīng)網(wǎng)絡(luò)來預(yù)測(cè)未來區(qū)域碳排放量，能夠避開系統(tǒng)內(nèi)的復(fù)雜性和不確定性，通過自主學(xué)習(xí)不斷修正，能夠得到最優(yōu)解；同時(shí)本方法結(jié)合SFA能夠進(jìn)行過去和未來時(shí)段內(nèi)碳排放的效率分析，SFA能夠很好地處理數(shù)據(jù)的隨機(jī)性，能夠?qū)^去的技術(shù)效率進(jìn)行評(píng)估和對(duì)未來進(jìn)行預(yù)測(cè)，并且分析結(jié)果能夠作為研究碳排放行為的基礎(chǔ)，為減排政策的制定提供理論依據(jù)。

本發(fā)明的第二目的是提供了一種基于神經(jīng)網(wǎng)絡(luò)與隨機(jī)前沿分析的碳排放效率預(yù)測(cè)系統(tǒng)。

本發(fā)明的基于神經(jīng)網(wǎng)絡(luò)與隨機(jī)前沿分析的碳排放效率預(yù)測(cè)系統(tǒng)，包括：

影響因子選取模塊，其用于選取碳排放的影響因子GDP和人口數(shù)量POP；其中，GDP與POP是相互獨(dú)立的變量因子；

自適應(yīng)模糊神經(jīng)網(wǎng)絡(luò)模型構(gòu)建模塊，其用于獲取歷史GDP和POP數(shù)據(jù)以及相對(duì)應(yīng)時(shí)期內(nèi)區(qū)域碳排放量CE；將歷史GDP和POP數(shù)據(jù)作為輸入，相對(duì)應(yīng)時(shí)期內(nèi)區(qū)域碳排放量CE作為輸出來構(gòu)建自適應(yīng)模糊神經(jīng)網(wǎng)絡(luò)模型；

區(qū)域碳排放量預(yù)測(cè)模塊，其用于利用獲取的歷史GDP和POP數(shù)據(jù)及時(shí)間序列模型來預(yù)測(cè)未來一定時(shí)期內(nèi)的GDP和POP，將預(yù)測(cè)的GDP和POP輸入至自適應(yīng)模糊神經(jīng)網(wǎng)絡(luò)模型中，預(yù)測(cè)得到未來相應(yīng)時(shí)期內(nèi)的區(qū)域碳排放量；

區(qū)域碳排放量的技術(shù)效率計(jì)算模塊，其用于根據(jù)預(yù)測(cè)的未來一定時(shí)期內(nèi)的GDP和POP以及區(qū)域碳排放量，構(gòu)建隨機(jī)前沿分析模型，通過極大似然法估計(jì)出隨機(jī)前沿分析模型各個(gè)參數(shù)值，然后分別用GDP和POP的技術(shù)無效率項(xiàng)的條件期望作為各自對(duì)區(qū)域碳排放量的技術(shù)效率。

所述自適應(yīng)模糊神經(jīng)網(wǎng)絡(luò)模型構(gòu)建模塊，還用于將獲取的歷史GDP和POP數(shù)據(jù)以及相應(yīng)時(shí)期內(nèi)區(qū)域碳排放量CE分成兩組，一組作為訓(xùn)練組，另一組作為驗(yàn)證組。

所述區(qū)域碳排放量的技術(shù)效率計(jì)算模塊中的隨機(jī)前沿分析模型由Cobb-Douglas生產(chǎn)函數(shù)來確定。

本發(fā)明基于神經(jīng)網(wǎng)絡(luò)與隨機(jī)前沿分析的碳排放效率預(yù)測(cè)系統(tǒng)采用自適應(yīng)神經(jīng)網(wǎng)絡(luò)來預(yù)測(cè)未來區(qū)域碳排放量，能夠避開系統(tǒng)內(nèi)的復(fù)雜性和不確定性，通過自主學(xué)習(xí)不斷修正，能夠得到最優(yōu)解；同時(shí)該系統(tǒng)結(jié)合SFA能夠進(jìn)行過去和未來時(shí)段內(nèi)碳排放的效率分析，SFA能夠很好地處理數(shù)據(jù)的隨機(jī)性，能夠?qū)^去的技術(shù)效率進(jìn)行評(píng)估和對(duì)未來進(jìn)行預(yù)測(cè)，并且分析結(jié)果能夠作為研究碳排放行為的基礎(chǔ)，為減排政策的制定提供理論依據(jù)。

本發(fā)明的第三目的是提供了另一種基于神經(jīng)網(wǎng)絡(luò)與隨機(jī)前沿分析的碳排放效率預(yù)測(cè)系統(tǒng)。

該基于神經(jīng)網(wǎng)絡(luò)與隨機(jī)前沿分析的碳排放效率預(yù)測(cè)系統(tǒng)，包括：

數(shù)據(jù)采集裝置，其用于從數(shù)據(jù)庫(kù)內(nèi)獲取歷史GDP和POP數(shù)據(jù)以及相對(duì)應(yīng)時(shí)期內(nèi)區(qū)域碳排放量CE；其中，GDP與POP是相互獨(dú)立的變量因子；

存儲(chǔ)器，其用于存儲(chǔ)獲取的歷史GDP和POP數(shù)據(jù)以及相應(yīng)時(shí)期內(nèi)區(qū)域碳排放量CE；

服務(wù)器，其被配置為：

從存儲(chǔ)器內(nèi)獲取歷史GDP和POP數(shù)據(jù)以及相對(duì)應(yīng)時(shí)期內(nèi)區(qū)域碳排放量CE，再將歷史GDP和POP數(shù)據(jù)作為輸入，相對(duì)應(yīng)時(shí)期內(nèi)區(qū)域碳排放量CE作為輸出來構(gòu)建自適應(yīng)模糊神經(jīng)網(wǎng)絡(luò)模型；

利用獲取的歷史GDP和POP數(shù)據(jù)及時(shí)間序列模型來預(yù)測(cè)未來一定時(shí)期內(nèi)的GDP和POP，將預(yù)測(cè)的GDP和POP輸入至自適應(yīng)模糊神經(jīng)網(wǎng)絡(luò)模型中，預(yù)測(cè)得到未來相應(yīng)時(shí)期內(nèi)的區(qū)域碳排放量；

根據(jù)預(yù)測(cè)的未來一定時(shí)期內(nèi)的GDP和POP以及區(qū)域碳排放量，構(gòu)建隨機(jī)前沿分析模型，通過極大似然法估計(jì)出隨機(jī)前沿分析模型各個(gè)參數(shù)值，然后分別用GDP和POP的技術(shù)無效率項(xiàng)的條件期望作為各自對(duì)區(qū)域碳排放量的技術(shù)效率。

所述服務(wù)器還被配置為將獲取的歷史GDP和POP數(shù)據(jù)以及相應(yīng)時(shí)期內(nèi)區(qū)域碳排放量CE分成兩組，一組作為訓(xùn)練組，另一組作為驗(yàn)證組。

所述隨機(jī)前沿分析模型由Cobb-Douglas生產(chǎn)函數(shù)來確定。

本發(fā)明的有益效果為：

(1)本發(fā)明基于神經(jīng)網(wǎng)絡(luò)與隨機(jī)前沿分析的碳排放效率預(yù)測(cè)方法采用自適應(yīng)神經(jīng)網(wǎng)絡(luò)來預(yù)測(cè)未來區(qū)域碳排放量，能夠避開系統(tǒng)內(nèi)的復(fù)雜性和不確定性，通過自主學(xué)習(xí)不斷修正，能夠得到最優(yōu)解；同時(shí)本方法結(jié)合隨機(jī)前沿分析方法(SFA)能夠進(jìn)行過去和未來時(shí)段內(nèi)碳排放的效率分析，隨機(jī)前沿分析方法(SFA)能夠很好地處理數(shù)據(jù)的隨機(jī)性，能夠?qū)^去的技術(shù)效率進(jìn)行評(píng)估和對(duì)未來進(jìn)行預(yù)測(cè)，并且分析結(jié)果能夠作為研究碳排放行為的基礎(chǔ)，為減排政策的制定提供理論依據(jù)。

(2)本發(fā)明基于神經(jīng)網(wǎng)絡(luò)與隨機(jī)前沿分析的碳排放效率預(yù)測(cè)系統(tǒng)采用自適應(yīng)神經(jīng)網(wǎng)絡(luò)來預(yù)測(cè)未來區(qū)域碳排放量，能夠避開系統(tǒng)內(nèi)的復(fù)雜性和不確定性，通過自主學(xué)習(xí)不斷修正，能夠得到最優(yōu)解；同時(shí)該系統(tǒng)結(jié)合SFA能夠進(jìn)行過去和未來時(shí)段內(nèi)碳排放的效率分析，SFA能夠很好地處理數(shù)據(jù)的隨機(jī)性，能夠?qū)^去的技術(shù)效率進(jìn)行評(píng)估和對(duì)未來進(jìn)行預(yù)測(cè)，并且分析結(jié)果能夠作為研究碳排放行為的基礎(chǔ)，為減排政策的制定提供理論依據(jù)。

附圖說明

圖1是本發(fā)明的基于神經(jīng)網(wǎng)絡(luò)與隨機(jī)前沿分析的碳排放效率預(yù)測(cè)方法流程圖；

圖2是兩輸入一階模糊推理模型；

圖3是自適應(yīng)模糊神經(jīng)網(wǎng)絡(luò)模型運(yùn)算示意圖；

圖4是隨機(jī)前沿分析模型的技術(shù)效率；

圖5是本發(fā)明一種基于神經(jīng)網(wǎng)絡(luò)與隨機(jī)前沿分析的碳排放效率預(yù)測(cè)系統(tǒng)結(jié)構(gòu)示意圖；

圖6是本發(fā)明另一種基于神經(jīng)網(wǎng)絡(luò)與隨機(jī)前沿分析的碳排放效率預(yù)測(cè)系統(tǒng)結(jié)構(gòu)示意圖。

具體實(shí)施方式

下面將結(jié)合本發(fā)明實(shí)施例中的附圖，對(duì)本發(fā)明實(shí)施例中的技術(shù)方案進(jìn)行清楚、完整地描述，顯然，所描述的實(shí)施例僅僅是本發(fā)明一部分實(shí)施例，而不是全部的實(shí)施例。

本發(fā)明屬于區(qū)域溫室氣體排放預(yù)測(cè)分析領(lǐng)域，特別涉及一種基于自適應(yīng)神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)方法實(shí)現(xiàn)對(duì)區(qū)域溫室氣體排放的預(yù)測(cè)，以及基于隨機(jī)前沿分析的區(qū)域溫室氣體排放影響因素的技術(shù)效率分析方法。

圖1是本發(fā)明的一種基于神經(jīng)網(wǎng)絡(luò)與隨機(jī)前沿分析的碳排放效率預(yù)測(cè)方法流程圖。如圖1所示的本發(fā)明的基于神經(jīng)網(wǎng)絡(luò)與隨機(jī)前沿分析的碳排放效率預(yù)測(cè)方法，包括：

步驟1：選取碳排放的影響因子GDP和人口數(shù)量POP；其中，GDP與POP是相互獨(dú)立的變量因子。

步驟2：獲取歷史GDP和POP數(shù)據(jù)以及相對(duì)應(yīng)時(shí)期內(nèi)區(qū)域碳排放量CE；將歷史GDP和POP數(shù)據(jù)作為輸入，相對(duì)應(yīng)時(shí)期內(nèi)區(qū)域碳排放量CE作為輸出來構(gòu)建自適應(yīng)模糊神經(jīng)網(wǎng)絡(luò)模型；

在步驟2中，還包括將獲取的歷史GDP和POP數(shù)據(jù)以及相應(yīng)時(shí)期內(nèi)區(qū)域碳排放量CE分成兩組，一組作為訓(xùn)練組，另一組作為驗(yàn)證組。

一般訓(xùn)練組占到總數(shù)據(jù)的70％以上，本發(fā)明利用訓(xùn)練組的數(shù)據(jù)來構(gòu)建自適應(yīng)模糊神經(jīng)網(wǎng)絡(luò)模型，當(dāng)自適應(yīng)模糊神經(jīng)網(wǎng)絡(luò)模型訓(xùn)練完成后，利用驗(yàn)證組的數(shù)據(jù)來驗(yàn)證自適應(yīng)模糊神經(jīng)網(wǎng)絡(luò)模型的準(zhǔn)確性。

步驟2中自適應(yīng)模糊神經(jīng)網(wǎng)絡(luò)模型為基于Sugeno模型的模糊推理系統(tǒng)。

將模糊推理和神經(jīng)網(wǎng)絡(luò)有機(jī)的結(jié)合，其模糊隸屬度及模糊規(guī)則是通過大量數(shù)據(jù)的學(xué)習(xí)完成的，采用自適應(yīng)神經(jīng)網(wǎng)絡(luò)來預(yù)測(cè)未來區(qū)域碳排放量，能夠避開系統(tǒng)內(nèi)的復(fù)雜性和不確定性，通過自主學(xué)習(xí)不斷修正，能夠得到最優(yōu)解。

在步驟2的具體實(shí)施過程中：

人口數(shù)量(POP)，GDP作為自適應(yīng)模糊神經(jīng)網(wǎng)絡(luò)模型(ANFIS)的輸入，輸出為區(qū)域碳排放量(CE)。ANFIS是一種基于Sugeno模型的模糊推理系統(tǒng)，將模糊推理和神經(jīng)網(wǎng)絡(luò)有機(jī)的結(jié)合，其模糊隸屬度及模糊規(guī)則是通過大量數(shù)據(jù)的學(xué)習(xí)完成的，經(jīng)典的兩輸入網(wǎng)絡(luò)結(jié)構(gòu)如圖2所示。ANFIS結(jié)構(gòu)第一層是輸入?yún)?shù)和模糊化，x、y是輸入變量；A_i、B_i是與該節(jié)點(diǎn)相關(guān)的模糊變量；O_1,i，O_2,i分別是模糊集A_i，B_i的隸屬函數(shù)，其中：

此時(shí)i＝1,2；

此時(shí)i＝3,4；

確定了給定輸入滿足量A_i、B_i的程度。這里A_i、B_i的隸屬度可以是任意合適的參數(shù)化隸屬函數(shù)，如高斯隸屬函數(shù)、鐘型隸屬函數(shù)等。

第二層，計(jì)算模糊激勵(lì)強(qiáng)度w_i，計(jì)算公式如下：

第三層，計(jì)算第i個(gè)激勵(lì)強(qiáng)度與總的激勵(lì)強(qiáng)度的比值

本層節(jié)點(diǎn)進(jìn)行各條規(guī)則適用度的歸一化計(jì)算,即:計(jì)算第i條規(guī)則的w_i與全部規(guī)則適用度之和∑w_i的比值。

第四層，該層所有的節(jié)點(diǎn)都是自適應(yīng)的，計(jì)算輸出O_4，i：

其中，p_i，q_i，r_i是模型參數(shù)集，稱為模糊推理的后件參數(shù)，可通過最小二乘法或者似然估計(jì)得到；f_i為Sugeno型模糊系統(tǒng)的后項(xiàng)(結(jié)論)輸出函數(shù)，當(dāng)其為線性函數(shù)則稱為“一階系統(tǒng)”，若為常量則稱為“0階系統(tǒng)”。

第五層計(jì)算第四層輸入信號(hào)。

構(gòu)造如圖3所示的自適應(yīng)模糊神經(jīng)網(wǎng)絡(luò)模型。

步驟3：利用獲取的歷史GDP和POP數(shù)據(jù)及時(shí)間序列模型來預(yù)測(cè)未來一定時(shí)期內(nèi)的GDP和POP，將預(yù)測(cè)的GDP和POP輸入至自適應(yīng)模糊神經(jīng)網(wǎng)絡(luò)模型中，預(yù)測(cè)得到未來相應(yīng)時(shí)期內(nèi)的區(qū)域碳排放量；

在步驟3中，由于GDP與人口數(shù)量(POP)是相互獨(dú)立的變量，利用時(shí)間序列模型進(jìn)行預(yù)測(cè)GDP和POP，此處為了方便說明采用簡(jiǎn)單自回歸模型來解釋。自回歸模型為：

X_t,i＝aX_t-1,i+b；i＝1,2

其中，X_t,1為GDP；X_t,2為POP；a和b均為常系數(shù)；t為時(shí)間序列{1,2,3,….}。

利用預(yù)測(cè)的未來一定時(shí)期內(nèi)的GDP、POP作為ANFIS的輸入，對(duì)未來一定時(shí)期內(nèi)區(qū)域的碳排放量進(jìn)行預(yù)測(cè)。

步驟4：根據(jù)預(yù)測(cè)的未來一定時(shí)期內(nèi)的GDP和POP以及區(qū)域碳排放量，構(gòu)建隨機(jī)前沿分析模型，通過極大似然法估計(jì)出隨機(jī)前沿分析模型各個(gè)參數(shù)值，然后分別用GDP和POP的技術(shù)無效率項(xiàng)的條件期望作為各自對(duì)區(qū)域碳排放量的技術(shù)效率。

在步驟4中的隨機(jī)前沿分析模型由Cobb-Douglas生產(chǎn)函數(shù)來確定。這樣能夠很好地處理數(shù)據(jù)的隨機(jī)性，能夠?qū)^去的技術(shù)效率進(jìn)行評(píng)估和對(duì)未來進(jìn)行預(yù)測(cè)，并且分析結(jié)果能夠作為研究碳排放行為的基礎(chǔ)，為減排政策的制定提供理論依據(jù)。

為了進(jìn)行溫室氣體排放的行為分析，利用隨機(jī)邊界分析方法分析GDP和POP對(duì)于溫室氣體排放的技術(shù)效率。此發(fā)明中技術(shù)效率為相同碳排放量下，最理想狀況下的GDP、POP分別與實(shí)際情況下的GDP、POP的比率，由此來評(píng)估區(qū)域的減排潛力。

隨機(jī)前沿分析模型以下簡(jiǎn)稱為SFA模型。

本發(fā)明中引入時(shí)間的概念后，使SFA模型可以對(duì)樣本數(shù)據(jù)進(jìn)行效率評(píng)價(jià)。具體模型如下：

Y_jt＝f(x_jt,β)exp(v_jt)exp(-u_jt)，j＝1,...N，t＝1,...T(1)

在式中，Y_jt是第j個(gè)決策單元的t時(shí)期碳產(chǎn)出(即t時(shí)期區(qū)域j碳排放量)，x_jt是第j個(gè)決策單元的t時(shí)期的全部影響因素(本發(fā)明中為GDP、POP)，f(x_jt，β)為投入產(chǎn)出模型的確定性部分，即不考慮隨機(jī)擾動(dòng)的模型，β為模型待估參數(shù)，T為時(shí)期t的最大值。

將隨機(jī)擾動(dòng)ε_j分為兩部分：一部分用于表示統(tǒng)計(jì)誤差，又被稱為隨機(jī)誤差項(xiàng)，用v_jt來表示；另一部分用于表示技術(shù)的無效率，又被稱為非負(fù)誤差項(xiàng)，該模型中u_jt＝u_j exp(-η(t-T))為非負(fù)誤差項(xiàng)，η是估計(jì)參數(shù)，其大小與誤差隨時(shí)間的擾動(dòng)程度有關(guān)。

本發(fā)明把碳排放看作是社會(huì)生產(chǎn)活動(dòng)的產(chǎn)出，模型中的生產(chǎn)函數(shù)選擇以Cobb-Douglas生產(chǎn)函數(shù)為例，式(1)可寫成下面的線性形式：

其中k表示變量個(gè)數(shù)，此例中k＝1為GDP，k＝2為POP。β₀，β_k為模型待估參數(shù)，Y_jt為區(qū)域j在t時(shí)期的碳排放量，x_jt為區(qū)域j在t時(shí)期對(duì)碳排放量有較大影響的因子。

本發(fā)明模型有如下假設(shè)：

(1)隨機(jī)誤差項(xiàng)即v_jt是均值為0、方差是的獨(dú)立正態(tài)分布，主要是由不可控因素引起，如自然災(zāi)害等。(iid:independent identically distributed獨(dú)立同分布)

(2)非負(fù)誤差項(xiàng)其中，u_jt是均值為0、方差是的獨(dú)立正態(tài)分布，取截?cái)嗾龖B(tài)分布(N⁺表示截去<0的部分)，代表著生產(chǎn)效率，此例中為碳排放的效率，且有u_jt與v_jt相互獨(dú)立。

(3)u_jt、v_jt與變量x_jt相互獨(dú)立。

本發(fā)明中SFA技術(shù)效率為：

所以，在u_t的分布已知的情況下，可以計(jì)算出技術(shù)效率的平均值TE_t＝E[exp(-u_jt)]，即t時(shí)期GDP、POP對(duì)于碳排放(CE)的技術(shù)效率，基于此可以分析未來碳排放的趨勢(shì)，特別是受GDP和POP影響的變化趨勢(shì)，為政策的制定提供理論基礎(chǔ)。

SFA方法通過極大似然法估計(jì)出各個(gè)參數(shù)值，然后用技術(shù)無效率項(xiàng)的條件期望作為技術(shù)效率值。SFA方法充分利用了每個(gè)樣本的信息并且計(jì)算結(jié)果穩(wěn)定，受特殊點(diǎn)影響較小，具有可比性強(qiáng)、可靠性高的優(yōu)點(diǎn)。

如圖4所示，以Cobb-Douglas生產(chǎn)函數(shù)為例，顯示了SFA模型技術(shù)效率測(cè)度的優(yōu)點(diǎn)(為了方便說明采用了單投入，即x)。圖中，由Cobb-Douglas生產(chǎn)函數(shù)確定的生產(chǎn)前沿面為：

lnY_t＝β₀+β₁lnx_t

其中，Y_t為t時(shí)期的產(chǎn)出，該發(fā)明中為碳排放量；x_t為t時(shí)期的投入，該發(fā)明為GDP或者POP；β₀，β₁為模型估計(jì)參數(shù)，可通過最小二乘法、極大似然估計(jì)等方法得到。

而基于這個(gè)確定生產(chǎn)前沿面的隨機(jī)前沿模型為：lnY_t＝β₀+β₁lnx_t+v_t-u_t，也可以表示為：Y_t＝exp(β₀+β₁lnx_t+v_t-u_t)。其中，v_t為隨機(jī)誤差項(xiàng)，u_t為非負(fù)誤差項(xiàng)。

其中，A、B兩點(diǎn)分別表示隨機(jī)影響為正或?yàn)樨?fù)的情況：

A點(diǎn)表示隨機(jī)影響為正，則隨機(jī)誤差項(xiàng)v_A為正數(shù)，生產(chǎn)前沿面上移到：樣本的技術(shù)效率為B點(diǎn)表示隨機(jī)影響為負(fù)，則隨機(jī)誤差項(xiàng)v_B為負(fù)數(shù)，生產(chǎn)前沿面下移到樣本的技術(shù)效率為

本發(fā)明基于神經(jīng)網(wǎng)絡(luò)與隨機(jī)前沿分析的碳排放效率預(yù)測(cè)方法采用自適應(yīng)神經(jīng)網(wǎng)絡(luò)來預(yù)測(cè)未來區(qū)域碳排放量，能夠避開系統(tǒng)內(nèi)的復(fù)雜性和不確定性，通過自主學(xué)習(xí)不斷修正，能夠得到最優(yōu)解；同時(shí)本方法結(jié)合SFA能夠進(jìn)行過去和未來時(shí)段內(nèi)碳排放的效率分析，SFA能夠很好地處理數(shù)據(jù)的隨機(jī)性，能夠?qū)^去的技術(shù)效率進(jìn)行評(píng)估和對(duì)未來進(jìn)行預(yù)測(cè)，并且分析結(jié)果能夠作為研究碳排放行為的基礎(chǔ)，為減排政策的制定提供理論依據(jù)。

圖5是本發(fā)明的一種基于神經(jīng)網(wǎng)絡(luò)與隨機(jī)前沿分析的碳排放效率預(yù)測(cè)系統(tǒng)結(jié)構(gòu)示意圖。如圖5所示的本發(fā)明的基于神經(jīng)網(wǎng)絡(luò)與隨機(jī)前沿分析的碳排放效率預(yù)測(cè)系統(tǒng)，包括：

影響因子選取模塊，其用于選取碳排放的影響因子GDP和人口數(shù)量POP；其中，GDP與POP是相互獨(dú)立的變量因子；

自適應(yīng)模糊神經(jīng)網(wǎng)絡(luò)模型構(gòu)建模塊，其用于獲取歷史GDP和POP數(shù)據(jù)以及相對(duì)應(yīng)時(shí)期內(nèi)區(qū)域碳排放量CE；將歷史GDP和POP數(shù)據(jù)作為輸入，相對(duì)應(yīng)時(shí)期內(nèi)區(qū)域碳排放量CE作為輸出來構(gòu)建自適應(yīng)模糊神經(jīng)網(wǎng)絡(luò)模型；

區(qū)域碳排放量預(yù)測(cè)模塊，其用于利用獲取的歷史GDP和POP數(shù)據(jù)及時(shí)間序列模型來預(yù)測(cè)未來一定時(shí)期內(nèi)的GDP和POP，將預(yù)測(cè)的GDP和POP輸入至自適應(yīng)模糊神經(jīng)網(wǎng)絡(luò)模型中，預(yù)測(cè)得到未來相應(yīng)時(shí)期內(nèi)的區(qū)域碳排放量；

區(qū)域碳排放量的技術(shù)效率計(jì)算模塊，其用于根據(jù)預(yù)測(cè)的未來一定時(shí)期內(nèi)的GDP和POP以及區(qū)域碳排放量，構(gòu)建隨機(jī)前沿分析模型，通過極大似然法估計(jì)出隨機(jī)前沿分析模型各個(gè)參數(shù)值，然后分別用GDP和POP的技術(shù)無效率項(xiàng)的條件期望作為各自對(duì)區(qū)域碳排放量的技術(shù)效率。

其中，自適應(yīng)模糊神經(jīng)網(wǎng)絡(luò)模型構(gòu)建模塊，還用于將獲取的歷史GDP和POP數(shù)據(jù)以及相應(yīng)時(shí)期內(nèi)區(qū)域碳排放量CE分成兩組，一組作為訓(xùn)練組，另一組作為驗(yàn)證組。

區(qū)域碳排放量的技術(shù)效率計(jì)算模塊中的隨機(jī)前沿分析模型由Cobb-Douglas生產(chǎn)函數(shù)來確定。

本發(fā)明基于神經(jīng)網(wǎng)絡(luò)與隨機(jī)前沿分析的碳排放效率預(yù)測(cè)系統(tǒng)采用自適應(yīng)神經(jīng)網(wǎng)絡(luò)來預(yù)測(cè)未來區(qū)域碳排放量，能夠避開系統(tǒng)內(nèi)的復(fù)雜性和不確定性，通過自主學(xué)習(xí)不斷修正，能夠得到最優(yōu)解；同時(shí)該系統(tǒng)結(jié)合SFA能夠進(jìn)行過去和未來時(shí)段內(nèi)碳排放的效率分析，SFA能夠很好地處理數(shù)據(jù)的隨機(jī)性，能夠?qū)^去的技術(shù)效率進(jìn)行評(píng)估和對(duì)未來進(jìn)行預(yù)測(cè)，并且分析結(jié)果能夠作為研究碳排放行為的基礎(chǔ)，為減排政策的制定提供理論依據(jù)。

圖6是本發(fā)明的一種基于神經(jīng)網(wǎng)絡(luò)與隨機(jī)前沿分析的碳排放效率預(yù)測(cè)系統(tǒng)結(jié)構(gòu)示意圖。如圖6所示的本發(fā)明的基于神經(jīng)網(wǎng)絡(luò)與隨機(jī)前沿分析的碳排放效率預(yù)測(cè)系統(tǒng)，包括：

數(shù)據(jù)采集裝置，其用于從數(shù)據(jù)庫(kù)內(nèi)獲取歷史GDP和POP數(shù)據(jù)以及相對(duì)應(yīng)時(shí)期內(nèi)區(qū)域碳排放量CE；其中，GDP與POP是相互獨(dú)立的變量因子；

存儲(chǔ)器，其用于存儲(chǔ)獲取的歷史GDP和POP數(shù)據(jù)以及相應(yīng)時(shí)期內(nèi)區(qū)域碳排放量CE；

服務(wù)器，其被配置為：

從存儲(chǔ)器內(nèi)獲取歷史GDP和POP數(shù)據(jù)以及相對(duì)應(yīng)時(shí)期內(nèi)區(qū)域碳排放量CE，再將歷史GDP和POP數(shù)據(jù)作為輸入，相對(duì)應(yīng)時(shí)期內(nèi)區(qū)域碳排放量CE作為輸出來構(gòu)建自適應(yīng)模糊神經(jīng)網(wǎng)絡(luò)模型；

利用獲取的歷史GDP和POP數(shù)據(jù)及時(shí)間序列模型來預(yù)測(cè)未來一定時(shí)期內(nèi)的GDP和POP，將預(yù)測(cè)的GDP和POP輸入至自適應(yīng)模糊神經(jīng)網(wǎng)絡(luò)模型中，預(yù)測(cè)得到未來相應(yīng)時(shí)期內(nèi)的區(qū)域碳排放量；

根據(jù)預(yù)測(cè)的未來一定時(shí)期內(nèi)的GDP和POP以及區(qū)域碳排放量，構(gòu)建隨機(jī)前沿分析模型，通過極大似然法估計(jì)出隨機(jī)前沿分析模型各個(gè)參數(shù)值，然后分別用GDP和POP的技術(shù)無效率項(xiàng)的條件期望作為各自對(duì)區(qū)域碳排放量的技術(shù)效率。

其中，數(shù)據(jù)采集裝置和存儲(chǔ)器均為現(xiàn)有結(jié)構(gòu)。

服務(wù)器還被配置為將獲取的歷史GDP和POP數(shù)據(jù)以及相應(yīng)時(shí)期內(nèi)區(qū)域碳排放量CE分成兩組，一組作為訓(xùn)練組，另一組作為驗(yàn)證組。

隨機(jī)前沿分析模型由Cobb-Douglas生產(chǎn)函數(shù)來確定。

本發(fā)明基于神經(jīng)網(wǎng)絡(luò)與隨機(jī)前沿分析的碳排放效率預(yù)測(cè)系統(tǒng)采用自適應(yīng)神經(jīng)網(wǎng)絡(luò)來預(yù)測(cè)未來區(qū)域碳排放量，能夠避開系統(tǒng)內(nèi)的復(fù)雜性和不確定性，通過自主學(xué)習(xí)不斷修正，能夠得到最優(yōu)解；同時(shí)該系統(tǒng)結(jié)合SFA能夠進(jìn)行過去和未來時(shí)段內(nèi)碳排放的效率分析，SFA能夠很好地處理數(shù)據(jù)的隨機(jī)性，能夠?qū)^去的技術(shù)效率進(jìn)行評(píng)估和對(duì)未來進(jìn)行預(yù)測(cè)，并且分析結(jié)果能夠作為研究碳排放行為的基礎(chǔ)，為減排政策的制定提供理論依據(jù)。

本領(lǐng)域普通技術(shù)人員可以理解實(shí)現(xiàn)上述實(shí)施例方法中的全部或部分流程，是可以通過計(jì)算機(jī)程序來指令相關(guān)的硬件來完成，所述的程序可存儲(chǔ)于一計(jì)算機(jī)可讀取存儲(chǔ)介質(zhì)中，該程序在執(zhí)行時(shí)，可包括如上述各方法的實(shí)施例的流程。其中，所述的存儲(chǔ)介質(zhì)可為磁碟、光盤、只讀存儲(chǔ)記憶體(Read-Only Memory，ROM)或隨機(jī)存儲(chǔ)記憶體(Random AccessMemory，RAM)等。

上述雖然結(jié)合附圖對(duì)本發(fā)明的具體實(shí)施方式進(jìn)行了描述，但并非對(duì)本發(fā)明保護(hù)范圍的限制，所屬領(lǐng)域技術(shù)人員應(yīng)該明白，在本發(fā)明的技術(shù)方案的基礎(chǔ)上，本領(lǐng)域技術(shù)人員不需要付出創(chuàng)造性勞動(dòng)即可做出的各種修改或變形仍在本發(fā)明的保護(hù)范圍以內(nèi)。