欧洲气候雄心受审视：来自深度学习排放预测的证据

# 深度学习排放预测揭示欧洲气候雄心的现实考验
来源：https://arxiv.org/html/2608.18690

Jacopo Ghirri  
所属机构：米兰理工大学，意大利米兰莱昂纳多·达·芬奇广场32号，20133  
所属机构：CMCC基金会——地中海气候变化中心，意大利莱切马可·比亚吉街5号，73100  
所属机构：RFF-CMCC欧洲经济与环境研究所，意大利米兰贝戈诺内街34号，20144  
所属机构：通讯作者。邮箱：[email protected]

Carlos Rodriguez-Pardo  
所属机构：米兰理工大学，意大利米兰莱昂纳多·达·芬奇广场32号，20133  
所属机构：CMCC基金会——地中海气候变化中心，意大利莱切马可·比亚吉街5号，73100  
所属机构：RFF-CMCC欧洲经济与环境研究所，意大利米兰贝戈诺内街34号，20144

Lara Aleluia Reis  
所属机构：CMCC基金会——地中海气候变化中心，意大利莱切马可·比亚吉街5号，73100  
所属机构：RFF-CMCC欧洲经济与环境研究所，意大利米兰贝戈诺内街34号，20144  
所属机构：CENSE—环境与可持续发展研究中心 & CHANGE—全球变化与可持续研究所，里斯本新大学科学技术学院，卡帕里卡，2829-516，葡萄牙

Massimo Tavoni  
所属机构：米兰理工大学，意大利米兰莱昂纳多·达·芬奇广场32号，20133  
所属机构：CMCC基金会——地中海气候变化中心，意大利莱切马可·比亚吉街5号，73100  
所属机构：RFF-CMCC欧洲经济与环境研究所，意大利米兰贝戈诺内街34号，20144

###### 摘要
欧盟已承诺到2030年将温室气体排放量较1990年水平减少55%，但当前趋势是否与此目标相容仍存疑。本研究应用深度学习方法分析欧盟27国截至2023年的高分辨率社会经济与部门数据，在不假设政策环境节奏或效果发生变化的前提下，仅基于历史数据已反映的惯性趋势，预测当前趋势下的部门CO₂排放轨迹。预测显示，欧盟27国排放量将超出2030年目标35%（缺口达6.2亿吨CO₂），仅有极少数国家的排放轨迹符合欧盟承诺。尽管电力部门在可再生能源转型推动下实现了符合目标的减排，但交通部门进展甚微，到2030年将占总排放量的三分之一以上，反映出成员国普遍存在的结构性惯性而非局部滞后。研究结果表明，为弥补欧洲雄心与实际行动间的差距，亟需采取额外措施，并呼吁建立欧洲最新能源信息体系。

## 1 引言
准确预测短期温室气体排放是评估气候进展及调整公共政策以实施有效缓解策略的关键。在欧盟，掌握部门排放轨迹不仅对评估欧盟能否实现2030年减排55%的目标至关重要[25 (https://arxiv.org/html/2608.18690#bib.bib1), 32 (https://arxiv.org/html/2608.18690#bib.bib2)]，也有助于识别进展缓慢领域和政策行动缺口。CO₂排放由经济活动、能源使用与消费模式、交通需求、技术变革及气候变异等高维因素决定[15 (https://arxiv.org/html/2608.18690#bib.bib3)]，这些因素在不同国家和部门间呈现异质演化。如何系统化、数据驱动且可解释地捕捉这些动态仍是重大挑战[9 (https://arxiv.org/html/2608.18690#bib.bib4), 26 (https://arxiv.org/html/2608.18690#bib.bib5)]，这源于结构模型与机器学习方法在排放建模上的局限性。综合评估模型（IAMs）、宏观经济框架及能源系统优化模型等结构模型旨在基于能源系统内部一致性假设评估能源与气候政策[33 (https://arxiv.org/html/2608.18690#bib.bib6)]，适用于情景分析但短期预测精度有限。实践中，信息不完全、融资渠道有限、制度僵化及目标异质性会显著延迟或削弱政策响应[13 (https://arxiv.org/html/2608.18690#bib.bib7), 14 (https://arxiv.org/html/2608.18690#bib.bib8)]，碳定价或命令控制型工具的实际短期影响常与模型预测存在偏差[2 (https://arxiv.org/html/2608.18690#bib.bib9), 4 (https://arxiv.org/html/2608.18690#bib.bib10)]。此外，IAMs和能源系统优化框架通常假设理性行为者、完美政策实施及现实中罕见的跨期预见性[13 (https://arxiv.org/html/2608.18690#bib.bib7), 14 (https://arxiv.org/html/2608.18690#bib.bib8), 4 (https://arxiv.org/html/2608.18690#bib.bib10)]：经验趋势外推法恰恰提供互补视角，因其不作此类假设，而是基于实际支配排放动态的行为与结构模式进行预测。

近年来，部门级数据集的丰富度大幅提升。欧盟统计局、国际能源署、粮农组织及哥白尼计划编制的指标现涵盖欧洲国家年度经济、能源、土地利用与气候变量。这些数据为构建超越范式化情景、反映实证部门模式的模型提供了前所未有的机遇。尽管如此，现有预测工具对异质信号的整合进展缓慢，多数方法仍依赖简化假设或掩盖部门特定驱动因素的粗略表征，尽管近期研究显示该差距正开始缩小[39 (https://arxiv.org/html/2608.18690#bib.bib11), 40 (https://arxiv.org/html/2608.18690#bib.bib12), 15 (https://arxiv.org/html/2608.18690#bib.bib3), 44 (https://arxiv.org/html/2608.18690#bib.bib13)]。

现有方法涵盖从可解释白盒模型到不透明黑盒模型的频谱[15 (https://arxiv.org/html/2608.18690#bib.bib3), 9 (https://arxiv.org/html/2608.18690#bib.bib4), 26 (https://arxiv.org/html/2608.18690#bib.bib5)]。在频谱一端，白盒模型涵盖从标准计量经济回归[6 (https://arxiv.org/html/2608.18690#bib.bib14), 43 (https://arxiv.org/html/2608.18690#bib.bib15), 45 (https://arxiv.org/html/2608.18690#bib.bib16), 46 (https://arxiv.org/html/2608.18690#bib.bib17)]到结构性宏观-能源框架[33 (https://arxiv.org/html/2608.18690#bib.bib6)]。计量经济方法可估算排放与其驱动因素的历史关系，但通常依赖跨部门聚合或假设稳定函数形式的低维设定，限制了其捕捉真实排放轨迹异质非线性动态的能力[6 (https://arxiv.org/html/2608.18690#bib.bib14), 2 (https://arxiv.org/html/2608.18690#bib.bib9), 21 (https://arxiv.org/html/2608.18690#bib.bib18), 43 (https://arxiv.org/html/2608.18690#bib.bib15), 45 (https://arxiv.org/html/2608.18690#bib.bib16), 46 (https://arxiv.org/html/2608.18690#bib.bib17)]。另一极端，黑盒机器学习模型虽预测精度高，却以牺牲政策洞察的可用性为代价。自回归神经网络或直接基于GDP、能源需求及历史排放的回归模型能较好拟合历史数据[38 (https://arxiv.org/html/2608.18690#bib.bib19), 41 (https://arxiv.org/html/2608.18690#bib.bib20), 28 (https://arxiv.org/html/2608.18690#bib.bib21), 27 (https://arxiv.org/html/2608.18690#bib.bib22)]，但其内部表征未必能直接映射至物理或经济驱动因素，限制了其在诊断排放变化原因或理解哪些结构性因素关联排放动态方面的价值[15 (https://arxiv.org/html/2608.18690#bib.bib3)]。

这些方法未能回答一个特定且具政策相关性的问题：基于观察到的部门动态，若当前趋势持续，欧洲目前处于何种排放轨迹？回答此问题还需应对两类建模方法共有的长期局限：将不确定性视为附加项而非核心建模原则[1 (https://arxiv.org/html/2608.18690#bib.bib23), 26 (https://arxiv.org/html/2608.18690#bib.bib5)]。尽管不确定性量化近期开始引起气候经济学领域关注[23 (https://arxiv.org/html/2608.18690#bib.bib24), 12 (https://arxiv.org/html/2608.18690#bib.bib25)]，多数数据驱动预测仍为确定性，多数基于情景的模型通过离散情景比较而非概率表征处理不确定性，导致统计变异性与结构模糊性未被充分理解与考量[30 (https://arxiv.org/html/2608.18690#bib.bib26), 19 (https://arxiv.org/html/2608.18690#bib.bib27), 42 (https://arxiv.org/html/2608.18690#bib.bib28), 22 (https://arxiv.org/html/2608.18690#bib.bib29)]。这种确定性预测倾向常导致合理结果范围未被充分表征[29 (https://arxiv.org/html/2608.18690#bib.bib30)]。在情景评估中，该局限因预测路径还依赖政策雄心、技术部署及可行性等规范假设而加剧。排放轨迹由冲击、结构性转变及政策变化决定，这些因素在时间、空间及部门间分布不均。未考量此类深层结构不确定性的模型易高估预测置信度[16 (https://arxiv.org/html/2608.18690#bib.bib31)]，且更易过拟合与脆弱外推。对于必须在广泛合理未来保持稳健性、且低估不确定性代价可能高昂的气候政策而言，表征可能结果的分布与预测中心趋势同等重要。

本研究不假设未来政策效力、技术采纳率或需求轨迹，而是追踪高频部门指标以评估当前政策组合是否正转化为符合既定目标的可测量减排。由此产生的预测最好理解为当前趋势反事实——即若无额外干预欧洲所处轨迹——这与评估政策潜在成效的情景分析形成互补而非竞争。

## 2 框架概述
我们基于涵盖能源生产与消费、燃料价格、电动汽车销量、可再生能源装机容量、土地利用及国际贸易等多指标的高维观测数据，预测欧盟27国的部门CO₂排放（完整列表见表1 (https://arxiv.org/html/2608.18690#S4.T1)）。CO₂被建模为总温室气体排放的代理指标；甲烷和氧化亚氮等非CO₂气体因其部门动态受不同且更复杂过程支配，超出本研究范围。

鉴于这些输入的高维度，我们使用变分自编码器将其压缩为结构化潜在表示，该表示在保持自然变异性的同时捕捉各国各年的核心转型动态。该潜在表示连同GDP、人口及气候条件等可靠短期预测已存在的背景变量，随后用于自回归预测至2030年的排放。不确定性从概率潜在编码贯穿至最终部门排放估计全过程。

我们将CO₂排放建模为欧盟27国观察到的高维异质社会经济与部门指标的函数。这些指标涵盖不同主题领域：能源消费与价格、电力生产与贸易、货物与人员运输、经济指标、土地利用与农业及气候。完整变量集及其来源见表1 (https://arxiv.org/html/2608.18690#S4.T1)。所有指标均为2010年至2023年的年度观测值；2024年部门CO₂排放数据已由欧盟统计局提供，并用作预测链的锚点，但该年度更广泛的指标面板尚未足够完整以直接驱动编码器，此点将在第4.4节 (https://arxiv.org/html/2608.18690#S4.SS4) 中详述。

形式上，对于每个国家i和年份t，我们观察转型指标向量x(t,i)∈ℝ^d，同时包含背景变量c(t,i)。目标变量为跨越s=6个部门的部门CO₂排放向量y(t,i)∈ℝ^s。我们识别三大核心挑战：第一，d相对于国家-年份观测数量较大，且许多指标以复杂非线性方式协同变化；第二，我们旨在不依赖假设政策结果或结构性转型的情况下向前预测至2030年的排放，旨在外推实证惯性而非模拟假设政策干预的结果；第三，排放轨迹与转型指标均存在噪声与不确定性，未考量这些问题的框架易过拟合并无法捕捉引导脱碳的真正底层机制。

本框架对每个欧盟27国依次串联三个组件（如图1 (https://arxiv.org/html/2608.18690#S2.F1) 所示）。变分自编码器（VAE）[17 (https://arxiv.org/html/2608.18690#bib.bib32)]将每个国家-年份观测x(t,i)压缩至低维潜在空间z(t,i)∼ℕ(μ,σ²)，作为捕捉数据核心结构与自然变异性的内部状态表示。潜在预测器随后依据背景变量c(t,i)（其可靠短期预测已存在），将z(t,i)从最后观测年份自回归迭代至2030年。排放预测器最终将预测的潜在序列与背景变量映射至部门排放估计ŷ(t,i)，并输出学习得到的不确定性向量u(t,i)，用于惩罚在排放结构性波动较大部门的过度自信外推。完整架构与训练细节见方法章节4.3 (https://arxiv.org/html/2608.18690#S4.SS3)。

图1：建模框架概述。该框架包含三个组件：将高维转型指标x(t,i)映射至概率潜在表示z(t,i)的VAE；利用背景变量c(t,i)前向投影这些表示的潜在空间预测模型；以及将预测状态与背景变量映射至部门排放估计ŷ(t,i)和不确定性输出u(t,i)的排放预测器。其中t表示年份，i表示欧盟27国成员国。对每个国家，观测指标被编码...