基于PSO-QR-LSTM模型的中国省级服务业碳排放情景模拟研究：城镇化视角下的低碳路径探索

这篇研究通过熵权-TOPSIS法（Entropy weight-TOPSIS）将中国30个省份分类，结合多源数据库（ODIAC-CEADs）测算省级服务业碳排放（SICE），并运用LMDI分解技术（Logarithmic Mean Divisia Index）解析驱动因素，最终构建PSO-QR-LSTM（粒子群优化-分位数回归-长短期记忆网络）混合模型进行情景预测。研究发现居民消费是SICE增长主因，而能源强度（Energy Intensity）是减排关键；模型预测精度高达R2=96.15%，为差异化城镇化区域的低碳发展路径（如SSP1-RCP2.6情景）提供科学依据。

　　

Highlight亮点

本研究的主要贡献如下：(1) 基于ODIAC-CEADs多源数据库测算省级尺度服务业碳排放（SICE），相较传统方法显著提升数据客观性，丰富了SICE测量方法体系；(2) 构建了融合粒子群优化（PSO）、分位数回归（QR）和长短期记忆网络（LSTM）的省级SICE预测模型，在传统点预测基础上引入QR实现区间预测，量化了未来趋势的不确定性；(3) 基于差异化情景模拟探索省级服务业低碳发展路径，为城镇化视角下的省级服务业可持续低碳行动提供方法学与技术支撑。

Discussion讨论

为明确研究意义，本文与相关文献对比发现：城镇化驱动的居民消费对碳效率影响显著（Zhou et al., 2025），Huang和Matsumoto (2021) 也指出居民消费与城镇化进程强相关，而能源强度是碳减排的核心驱动力。这些结论与本文“居民消费促进SICE增长、能源强度主导减排”的发现相互印证。

Conclusion and suggestions结论与建议

本文通过熵权-TOPSIS法对中国30省份分类，基于ODIAC-CEADs数据测算2004-2021年省级SICE，运用LMDI分解驱动因子，并构建PSO-QR-LSTM模型进行情景预测。该分析框架为SICE研究提供了多维度方法论支持，也为政策制定者推动社会可持续发展提供关键参考——例如高度城镇化区域适用SSP1-RCP2.6情景，中度城镇化区域需强化节能场景，低度城镇化区域则适用基线情景。