基于因果推断的企业碳排放稳定时间序列预测
机器学习
2026-02-03 v1 计量经济学
摘要
在碳达峰与碳中和目标持续推进的背景下，准确预测企业碳排放趋势构成能源结构优化和低碳转型决策的 essential 基础。然而，能源结构、产业规模、政策强度和治理效能在不同地区、不同产业及不同企业之间存在显著异质性，导致碳排放数据在时空维度上呈现明显的分布漂移和非平稳性。这种跨区域、跨企业的数据漂移不仅削弱碳排放报告的准确性，更显著削弱预测模型为生产规划和碳配额交易决策的指导价值。为此，本文将因果推断视角与稳定学习方法结合，提出适用于分布漂移环境下的稳定时间序列预测机制。该机制融合企业层面的能源投入、资本投资、劳动力配置、碳定价、政府干预及政策实施强度，构建一种风险一致性约束的稳定学习框架，从多样化政策、地区和产业部门的样本中提取因果稳定特征（对外部扰动具备鲁棒性且对二氧化碳排放具有长期稳定作用）。此外，通过自适应归一化和样本重加权策略，方法动态纠正因经济波动和政策转变引起的时序非平稳性，最终提升复杂环境下模型的泛化能力和可解释性。
引用
@article{arxiv.2602.00775,
title = {Stable Time Series Prediction of Enterprise Carbon Emissions Based on Causal Inference},
author = {Zitao Hong and Zhen Peng and Xueping Liu},
journal= {arXiv preprint arXiv:2602.00775},
year = {2026}
}