A novel intervention effect-based quadratic time-varying nonlinear discrete grey model for forecasting carbon emissions intensity
Notice bibliographique
Résumé
In the context of severe global warming, accurately exploring the trend of carbon emissions intensity (CEI) changes is of great significance for mitigating climate change issues. The implementation of China's Carbon Emissions Trading Scheme (ETS) in 2013 is a policy intervention aimed at influencing CEI. The impact of intervention events makes forecasting a complex problem, which poses significant challenges to the construction of forecasting models. We first develop a quadratic time-varying nonlinear discrete grey model (QDNDGM(1,1)) to assess the intervention effect of the ETS policy. Then, a novel intervention effect-based quadratic time-varying nonlinear discrete grey model (IE-QDNDGM(1,1)) is developed to conduct the prediction under intervention effect, including an intervention term. The Whale Optimization Algorithm (WOA) is used to calculate a nonlinear parameter. We assess the intervention effect of the ETS policy in China and find that it can indeed reduce CEI. We verify the IE-QDNDGM(1,1) model’s superiority by comparing its predictive performance with that of three grey models, one statistical technique, and one artificial intelligence model. The comparative study shows the proposed model’s excellent fitting and prediction performance. An ablation experiment is conducted to validate the design of the IE-QDNDGM(1,1). Policy implications of the ETS intervention effect are discussed.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».