姚 奕，呂 靜,b，章成果

（南京師范大學(xué)a.數(shù)學(xué)科學(xué)學(xué)院;b.計(jì)算機(jī)科學(xué)與技術(shù)學(xué)院,南京 210023）

湖北碳市場(chǎng)價(jià)格形成機(jī)制及價(jià)格預(yù)測(cè)

姚 奕a，呂 靜a,b，章成果a

（南京師范大學(xué)a.數(shù)學(xué)科學(xué)學(xué)院;b.計(jì)算機(jī)科學(xué)與技術(shù)學(xué)院,南京 210023）

文章通過EMD-SVM模型考察湖北碳市場(chǎng)碳價(jià)格形成機(jī)制并進(jìn)行碳價(jià)格預(yù)測(cè)。結(jié)果表明：碳市場(chǎng)供需不均衡和碳市場(chǎng)發(fā)展過程中的重大事件對(duì)碳價(jià)格產(chǎn)生了較大的影響；同時(shí)，EMD-SVM模型也被證實(shí)具備良好的預(yù)測(cè)能力，期望能為市場(chǎng)決策者和參與者提供碳資產(chǎn)管理和風(fēng)險(xiǎn)規(guī)避保證。

碳價(jià)格；形成機(jī)制；預(yù)測(cè)；EMD-SVM模型

0 引言

隨著全球經(jīng)濟(jì)高速發(fā)展，環(huán)境及能源問題日漸突出，其中溫室效應(yīng)嚴(yán)重威脅人類的可持續(xù)發(fā)展。歷史經(jīng)驗(yàn)表明，僅依靠強(qiáng)制性減排要求或經(jīng)濟(jì)主體的自愿性減排很難達(dá)到減排目標(biāo)。二氧化碳排放權(quán)交易市場(chǎng)是通過市場(chǎng)經(jīng)濟(jì)獲得低成本減排的有效手段，是減少溫室氣體排放量、提高能源利用效率、應(yīng)對(duì)全球氣候變化的有效途徑。為了取得試點(diǎn)經(jīng)驗(yàn)，摸索碳市場(chǎng)發(fā)展路徑，現(xiàn)階段中國試點(diǎn)碳市場(chǎng)的運(yùn)行狀態(tài)備受各界關(guān)注。厘清碳價(jià)格的形成機(jī)制有益于制定碳排放權(quán)交易市場(chǎng)政策，有利于建立全國統(tǒng)一的碳排放權(quán)市場(chǎng)，有效的碳價(jià)預(yù)測(cè)可以為市場(chǎng)參與者提高碳市場(chǎng)風(fēng)險(xiǎn)防范能力和減少碳資產(chǎn)價(jià)值流失提供保障。

國內(nèi)外學(xué)者們對(duì)歐盟碳交易價(jià)格形成機(jī)制的研究較為豐富，研究者們普遍認(rèn)為經(jīng)濟(jì)活動(dòng)、金融市場(chǎng)、制度設(shè)計(jì)、能源價(jià)格等深刻地影響著歐盟碳排放權(quán)價(jià)格[1-8]。對(duì)國際碳市場(chǎng)碳價(jià)格預(yù)測(cè)多基于經(jīng)典的時(shí)間序列分析方法、數(shù)據(jù)挖掘技術(shù)以及相關(guān)的混合模型[9-14]。然而，針對(duì)國內(nèi)試點(diǎn)碳市場(chǎng)價(jià)格進(jìn)行實(shí)證分析并進(jìn)行預(yù)測(cè)的研究并不豐富。事實(shí)上，一方面，由于中國碳市場(chǎng)運(yùn)行時(shí)間不長，碳市場(chǎng)價(jià)格數(shù)據(jù)量有限，無法匹配一些可能的價(jià)格驅(qū)動(dòng)因素的年度數(shù)據(jù)，如產(chǎn)業(yè)結(jié)構(gòu)、經(jīng)濟(jì)發(fā)展水平、天氣原因、人口規(guī)模等；另一方面，對(duì)發(fā)展尚不成熟的中國碳市場(chǎng)無法建立有效的計(jì)量模型?；诖?，本文選擇EMD模型克服以上問題，以湖北碳價(jià)格日數(shù)據(jù)為基礎(chǔ)，通過EMD-SVM模型考察湖北碳市場(chǎng)在一個(gè)完整的履約期內(nèi)其價(jià)格形成機(jī)制，并對(duì)碳價(jià)格進(jìn)行預(yù)測(cè)，以期對(duì)中國碳交易試點(diǎn)市場(chǎng)監(jiān)管層、投資者和參與主體提供有價(jià)值的參考。

1 研究方法

1．1 EMD算法

經(jīng)驗(yàn)?zāi)B(tài)分解（EMD）[15]算法從數(shù)據(jù)本身特性出發(fā)，將原信號(hào)中不同尺度的波動(dòng)和趨勢(shì)逐級(jí)分解，生成一系列本征模函數(shù)（IMF)，以揭示數(shù)據(jù)波動(dòng)的內(nèi)在規(guī)律。分解出的IMF具有如下特征：（1）極值點(diǎn)的數(shù)量與過零點(diǎn)的數(shù)量最多相差一個(gè)；（2）在任意時(shí)刻，其上、下包絡(luò)線的均值為0。

設(shè)碳價(jià)格序列為xt，EMD算法如下：

步驟1：確定序列x(t)的極值點(diǎn)，利用三次樣條插值函數(shù)分別由極大值點(diǎn)、極小值點(diǎn)形成上包絡(luò)線eup(t)和下包絡(luò)線elow(t)；

步驟2：計(jì)算包絡(luò)均值m(t)，m(t)=(eup(t)+elow(t))/2；

步驟3：計(jì)算新序列c(t)，c(t)=x(t)-m(t)；

步驟4：若c(t)滿足IMF的兩個(gè)特征，則c(t)是一個(gè)IMF，用r(t)=x(t)-c(t)代替步驟1中的x(t)；若c(t)不是一個(gè)IMF，則用c(t)代替步驟1中的x(t)；

步驟5：重復(fù)步驟1至步驟4，直到c(t)成為一個(gè)IMF，記作c1(t)。重復(fù)算法，直到rn(t)只有一個(gè)極值點(diǎn)或是一個(gè)單調(diào)函數(shù)。

1．2 fine-to-coarse reconstruction算法

碳價(jià)格序列x(t)通過EMD算法分解得到m個(gè)IMF和1個(gè)趨勢(shì)項(xiàng)，其算法步驟如下：

步驟1：計(jì)算從c1(t)到ci(t)的疊加和序列的均值；

步驟2：選取顯著性水平α，利用t檢驗(yàn)判別si中均值距離顯著不為0的ci(t)；

步驟3：從c1(t)到ci-1(t)相加重構(gòu)為高頻分量，ci(t)到cn(t)相加構(gòu)成了低頻分量。

1．3 支持向量機(jī)(SVM)

SVM是由Cortes和Vapnik[16]提出的基于統(tǒng)計(jì)學(xué)習(xí)理論的機(jī)器學(xué)習(xí)方法，具有學(xué)習(xí)速度快、全局性、泛化性能好等特點(diǎn)。其基本思想是把輸入向量通過非線性映射φ(x)映射到高維特征空間，并在特征空間中進(jìn)行線性回歸，回歸函數(shù)為：

其中，ω是權(quán)向量，b是偏置向量，通過正則化和結(jié)構(gòu)風(fēng)險(xiǎn)準(zhǔn)則估計(jì)。

根據(jù)結(jié)構(gòu)風(fēng)險(xiǎn)最小化準(zhǔn)則可轉(zhuǎn)化為如下最優(yōu)化問題：

其中，ξi、為松弛變量，C為懲罰因子，ε是不敏感損失系數(shù)，n為樣本容量。利用拉格朗日函數(shù)法求這個(gè)約束優(yōu)化問題，得到SVM回歸函數(shù)：

其中，ai、是拉格朗日乘子，K(xi，xj)是核函數(shù)。

1．4 EMD-SVM模型

步驟1：對(duì)碳價(jià)格進(jìn)行EMD分解，得到若干個(gè)IMF和1個(gè)趨勢(shì)項(xiàng)，并重構(gòu)為高頻、低頻分量和趨勢(shì)項(xiàng)；

步驟2：對(duì)高頻、低頻分量和趨勢(shì)項(xiàng)三個(gè)序列進(jìn)行SVM預(yù)測(cè)；

步驟3：將各序列的預(yù)測(cè)值重新組合得到碳價(jià)預(yù)測(cè)值。

2 實(shí)證分析

本文選取湖北碳市場(chǎng)2014年4月2日至2015年11月20日的日價(jià)格，其中已經(jīng)包含了一個(gè)履約期，除去節(jié)假日等因素，取得401組數(shù)據(jù)（數(shù)據(jù)來源于中國碳排放交易網(wǎng)）。本文采用MATLAB和SPSS軟件進(jìn)行數(shù)據(jù)處理。

2．1 碳價(jià)格EMD分解

湖北碳市場(chǎng)碳價(jià)格經(jīng)過EMD分解得到7個(gè)IMF和1個(gè)趨勢(shì)項(xiàng)，分解結(jié)果如圖1所示。

圖1中的IMF按照頻率從高到低排列為IMF1—IMF7，它們展示了碳價(jià)變化的頻率和振幅隨時(shí)間的變化，隨著頻率的降低，振幅也相應(yīng)增加。

2．2 IMF特征分析

本文利用IMF平均周期、方差占比、IMF與原價(jià)格序列的Pearson相關(guān)系數(shù)和Kendall相關(guān)系數(shù)等指標(biāo)分析IMF和趨勢(shì)項(xiàng)的特征和意義，結(jié)果見表1。

圖1 湖北碳價(jià)格的EMD分解結(jié)果

表1 IMF和趨勢(shì)項(xiàng)的統(tǒng)計(jì)指標(biāo)

IMF1—IMF4周期較短，分別為3天、8天、17天和45天，均不超過45天，其Pearson相關(guān)系數(shù)和Kendall相關(guān)系數(shù)都在0.01水平上顯著，表明周期為3天、8天、17天和45天的價(jià)格影響因素均對(duì)湖北碳價(jià)格的形成產(chǎn)生顯著影響；其方差占比均不大，說明周期較短的價(jià)格影響因素對(duì)碳價(jià)格波動(dòng)的貢獻(xiàn)較小。

IMF5—IMF7周期較長，分別為100天、201天和401天，均超過了100天，其中除了IMF6之外，IMF5和IMF7的Pearson相關(guān)系數(shù)和Kendall相關(guān)系數(shù)都在0.01水平上顯著，數(shù)值較IMF1—IMF4整體偏大，且其方差占比遠(yuǎn)大于IMF1—IMF4的方差占比，說明較長周期的價(jià)格影響因素對(duì)湖北碳價(jià)格波動(dòng)的貢獻(xiàn)更大。

趨勢(shì)項(xiàng)的Pearson相關(guān)系數(shù)和Kendall相關(guān)系數(shù)都在0.01水平上顯著，方差占比為11%，趨勢(shì)項(xiàng)對(duì)湖北碳價(jià)格的形成作用顯著。

2．3 碳價(jià)格結(jié)構(gòu)影響因素分析

根據(jù)fine-to-coarse reconstruction算法將湖北碳價(jià)格序列分解后的模態(tài)進(jìn)行重構(gòu)，對(duì)組合而成的高頻分量、低頻分量以及趨勢(shì)項(xiàng)進(jìn)行分析。計(jì)算si（i=1,2,…,7)均值的t檢驗(yàn)值（顯著性水平α=0.05），下頁表2的檢驗(yàn)結(jié)果表明，t檢驗(yàn)值在i=5處距離0開始顯著，由此，IMF1—IMF4疊加代表了高頻分量，IMF5—IMF7疊加代表了低頻分量，其相關(guān)統(tǒng)計(jì)指標(biāo)列于表3。湖北碳價(jià)格及其高頻分量、低頻分量和

趨勢(shì)項(xiàng)的分解如圖2所示。

表2 si均值和t檢驗(yàn)值

表3 高頻、低頻分量和趨勢(shì)項(xiàng)的統(tǒng)計(jì)指標(biāo)

圖2 湖北碳價(jià)格高頻分量、低頻分量及趨勢(shì)項(xiàng)

比較表1和表3所列結(jié)果，高頻分量的相關(guān)系數(shù)較重構(gòu)之前有了明顯提高，相關(guān)性增強(qiáng)，對(duì)碳價(jià)形成貢獻(xiàn)更大。低頻分量和趨勢(shì)項(xiàng)的方差占比也均在40%左右，對(duì)碳價(jià)格波動(dòng)性的解釋能力增強(qiáng)。由此，對(duì)碳價(jià)格影響因素的結(jié)構(gòu)優(yōu)化，改善了碳價(jià)形成機(jī)制分析的準(zhǔn)確性。

2.3.1 高頻分量（IMF1—IMF4）：市場(chǎng)短期供需不均衡和市場(chǎng)隨機(jī)效應(yīng)影響

碳市場(chǎng)具有一般市場(chǎng)屬性，受到市場(chǎng)供需狀況的影響，而市場(chǎng)供需受到能源價(jià)格、投機(jī)行為、天氣、突發(fā)的政治局勢(shì)等因素的影響。這些因素的影響往往持續(xù)時(shí)間短，體現(xiàn)在高頻分量中。對(duì)高頻分量的分析有助于理解碳市場(chǎng)發(fā)展過程中市場(chǎng)短期供需不均衡和市場(chǎng)隨機(jī)效應(yīng)對(duì)碳價(jià)格的影響。

高頻分量的Pearson相關(guān)系數(shù)和Kendall相關(guān)系數(shù)分別為0.632和0.338，說明高頻分量與碳價(jià)格存在著較強(qiáng)的相關(guān)關(guān)系，市場(chǎng)短期供需不均衡對(duì)碳價(jià)的形成貢獻(xiàn)較大，圖2中也顯示了高頻分量與原價(jià)格序列相似程度高，具有較一致的變化趨勢(shì)。

履約是碳市場(chǎng)運(yùn)行的重要節(jié)點(diǎn)，履約期前后，碳市場(chǎng)的交易量和交易價(jià)格均會(huì)呈現(xiàn)出較大的波動(dòng)。在2015年7月前后，高頻序列波動(dòng)較其他時(shí)間段更大。6月份，高頻分量基本在0均值附近波動(dòng)，碳市場(chǎng)受到正常的短期供需不均衡影響；7月份，高頻分量逐漸正向上升，并達(dá)到了峰值2.58元/噸，市場(chǎng)活躍，供不應(yīng)求；隨著履約期臨近，履約單位通過交易獲取了配額，到了8月初，高頻分量大幅減少至0均值以下；履約完成后，高頻分量波動(dòng)減弱，在0均值附近波動(dòng)。對(duì)未來碳市場(chǎng)和配額等因素的不確定，導(dǎo)致了市場(chǎng)投機(jī)現(xiàn)象的存在，碳價(jià)格在短期內(nèi)較大的變動(dòng)。湖北碳市場(chǎng)履約期的碳價(jià)格變化為履約期碳市場(chǎng)平穩(wěn)過度提供了參考。

2.3.2 低頻分量（IMF5—IMF7）：重大事件影響

重大事件對(duì)碳價(jià)格的影響體現(xiàn)在低頻分量中，這樣的異質(zhì)性環(huán)境對(duì)碳價(jià)格的影響較大，持續(xù)時(shí)間長，幅度大，而頻率較低。對(duì)低頻分量的分析有助于理解碳市場(chǎng)發(fā)展過程中重大事件對(duì)碳價(jià)格的影響。

從IMF5—IMF7的周期來看，均超過100天，重大事件的影響持續(xù)時(shí)間長，影響很難消除，且振幅較大，對(duì)碳價(jià)格波動(dòng)的影響程度大。低頻分量的Pearson相關(guān)系數(shù)和Kendall相關(guān)系數(shù)分別為0.134和0.124，說明低頻分量與碳價(jià)格存在著顯著的相關(guān)關(guān)系，在數(shù)值上明顯小于高頻分量對(duì)應(yīng)的數(shù)值，重大事件對(duì)碳價(jià)格形成影響較弱。然而，低頻分量對(duì)碳價(jià)格變化的解釋度為41%，表明重大事件在一定程度上解釋了湖北碳價(jià)格的波動(dòng)。

由于湖北碳市場(chǎng)交易時(shí)間不長，且試點(diǎn)市場(chǎng)尚處于摸索階段，碳價(jià)格易受到如新制度、配額分配等重大事件的影響。2014年9月9日，湖北碳市場(chǎng)推出國內(nèi)第一單碳資產(chǎn)質(zhì)押貸款融資業(yè)務(wù)，之后的一個(gè)多月時(shí)間內(nèi)，低頻分量緩慢上行；2015年3月6日，湖北碳市場(chǎng)首次履約動(dòng)員暨核查工作啟動(dòng)會(huì)召開后，低頻分量大幅上行；2015年6月中旬，國家外匯管理局正式同意合格境外投資者可以參與湖北碳市場(chǎng)交易，意味著合格境外投資者可以外匯或跨境人民幣參與湖北碳排放權(quán)交易，低頻分量又出現(xiàn)持續(xù)上行。因此，市場(chǎng)參與者應(yīng)關(guān)注重大事件的發(fā)生，并根據(jù)其性質(zhì)判斷碳價(jià)走勢(shì)。

2.3.3 趨勢(shì)項(xiàng)：潛在運(yùn)行規(guī)律

趨勢(shì)項(xiàng)反映了碳價(jià)格演化的長期趨勢(shì)，是碳市場(chǎng)制度因素對(duì)碳價(jià)格影響的體現(xiàn)，可以為碳價(jià)格的預(yù)測(cè)提供有價(jià)值的參考。圖2中湖北碳價(jià)格出現(xiàn)了先增后降的狀態(tài)，運(yùn)行較為平穩(wěn)，碳價(jià)格未出現(xiàn)較大波動(dòng)。趨勢(shì)項(xiàng)基本上反映著碳價(jià)格演化的趨勢(shì)，碳價(jià)格始終圍繞著趨勢(shì)項(xiàng)小幅波動(dòng)。趨勢(shì)項(xiàng)方差占比為39%，由此，趨勢(shì)項(xiàng)較好地體現(xiàn)了碳價(jià)格平穩(wěn)的長期趨勢(shì)，較充分地解釋了碳價(jià)格的波動(dòng)。

2．4 價(jià)格預(yù)測(cè)

根據(jù)SVM分別對(duì)高頻、低頻分量和趨勢(shì)項(xiàng)進(jìn)行預(yù)測(cè)，采用RBF核，預(yù)測(cè)誤差如表4所示。

表4 分項(xiàng)預(yù)測(cè)誤差

表4預(yù)測(cè)結(jié)果表明，EMD-SVM模型預(yù)測(cè)能力較強(qiáng)，尤其是趨勢(shì)項(xiàng)的預(yù)測(cè)能力出色，反映出趨勢(shì)項(xiàng)較好地把握碳價(jià)格演化的趨勢(shì)，描述著碳價(jià)格的長期走勢(shì)。

為了比較預(yù)測(cè)效果，本文還采用了SVM模型和AR(2)模型進(jìn)行預(yù)測(cè)，預(yù)測(cè)誤差如表5所示。

表5 預(yù)測(cè)誤差比較

各預(yù)測(cè)方法的誤差結(jié)果反映出EMD-SVM模型的預(yù)測(cè)效果明顯優(yōu)于SVM模型和AR(2)模型。由于EMD-SVM模型把碳價(jià)分解為高頻、低頻分量和趨勢(shì)項(xiàng)后對(duì)各項(xiàng)進(jìn)行預(yù)測(cè)再組合，有利于減少預(yù)測(cè)過程中的誤差累積，從而提高了預(yù)測(cè)的精度，具有較優(yōu)的預(yù)測(cè)能力。

3 結(jié)論

本文利用EMD模型將湖北碳價(jià)格重構(gòu)為高頻、低頻分量和趨勢(shì)項(xiàng)，以剖析碳價(jià)格形成機(jī)制，描述不同經(jīng)濟(jì)含義對(duì)碳價(jià)格的影響。高頻分量代表了市場(chǎng)供需不均衡和隨機(jī)效應(yīng)對(duì)碳價(jià)格的影響因素，其與原碳價(jià)格存在著較強(qiáng)的相關(guān)關(guān)系，短期的市場(chǎng)波動(dòng)造成的價(jià)格變化與碳價(jià)格變化一致，表明了市場(chǎng)供需不均衡對(duì)湖北碳價(jià)格產(chǎn)生了較大的影響；低頻分量體現(xiàn)了重大事件對(duì)碳價(jià)格的影響，碳市場(chǎng)發(fā)展的重大事件解釋了碳價(jià)的波動(dòng)；趨勢(shì)項(xiàng)反映了碳價(jià)格演化的長期趨勢(shì)，是碳市場(chǎng)制度因素對(duì)碳價(jià)格影響的體現(xiàn)，湖北碳價(jià)格運(yùn)行穩(wěn)定，碳價(jià)格圍繞趨勢(shì)項(xiàng)小幅波動(dòng)，趨勢(shì)項(xiàng)基本反映碳價(jià)格的走勢(shì)，可以為碳價(jià)格的預(yù)測(cè)提供有可靠的參考。此外，對(duì)分解得到的高頻、低頻分量和趨勢(shì)項(xiàng)序列采用SVM進(jìn)行預(yù)測(cè)，能減少預(yù)測(cè)誤差，提高碳價(jià)格預(yù)測(cè)精度。

［1］Alberola E,Chevallier J,Cheze B.Price Drivers and Structural Breaks in European Carbon Prices 2005—2007［J］.Energy Policy,2008,(36).

［2］Hintermann B.Allowance Price Drivers in the First Phase of the EU ETS［J］.Journal of Environmental Economics and Management,2010,(59).

［3］Creti A,Jouvet P A,Mignon V.Carbon Price Drivers:Phase I Versus Phase Ii Equilibrium?［J］.Energy Economics,2012,(34).

［4］朱幫助,王平,魏一鳴.基于EMD的碳市場(chǎng)價(jià)格影響因素多尺度分析［J］.經(jīng)濟(jì)學(xué)動(dòng)態(tài),2012,（6）.

［5］Hammoudeh S,Nguyen D K,Sousa R M.What Explain the Short-term Dynamics of the Prices of CO2Emissions?［J］.Energy Economics,2014,(46).

［6］朱幫助.國際碳市場(chǎng)價(jià)格驅(qū)動(dòng)力研究——以歐盟排放交易體系為例［J］.北京理工大學(xué)學(xué)報(bào)：社會(huì)科學(xué)版,2014,16（3）.

［7］Koch N,Fuss S,Grosjean G,et al.Causes of the EU ETS Price Drop:Recession,Cdm,Renewable Policies or a Bit of Everything?——New Evidence［J］.Energy Policy,2014,(73).

［8］王軍鋒,張靜雯,劉鑫.碳排放權(quán)交易市場(chǎng)碳配額價(jià)格關(guān)聯(lián)機(jī)制研究——基于計(jì)量模型的關(guān)聯(lián)分析［J］.中國人口·資源與環(huán)境,2014,24（1）.

［9］Chevallier J.Volatility Forecasting of Carbon Prices Using Factor Models［J］.Economics Bulletin,2010,30(2).

［10］Byun S J,Cho H J.Forecasting Carbon Futures Volatility Using GARCH Models With Energy Volatilities［J］.Energy Economics,2013,(40).

［11］Martos C G,Rodriguez J,Sanchez M J.Modeling and Forecasting Fossil Fuels,CO2and Electricity Prices and Their Volatilities［J］.Applied Energy,2013,(101).

［12］朱幫助，魏一鳴.基于GMDH-PSO-LSSVM的國際碳市場(chǎng)價(jià)格預(yù)測(cè)［J］.系統(tǒng)工程理論與實(shí)踐,2011,31（12）.

［13］Zhu B Z,Wei Y M.Carbon Price Forecasting With a Novel Hybrid ARIMA and Least Squares Support Vector Machines Methodology［J］.Omega,2013,(41).

［14］高楊,李健.基于EMD-PSO-SVM誤差校正模型的國際碳金融市場(chǎng)價(jià)格預(yù)測(cè)［J］.中國人口·資源與環(huán)境,2014,24（6）.

［15］Huang N E,Shen Z,Long S R.The Empirical Mode Decomposition and the Hilbert Spectrum for Nonlinear and Non-stationary Time Series Analysis［C］.The Royal Society A:Mathematical,Physical&Engineering Sciences:1998,(73).

［16］Cortes C,Vapnik V.Support-vector Networks［J］.Machine Learning,1995,20(3).

（責(zé)任編輯/劉柳青）

F206

A

1002-6487（2017）19-0166-04

中國博士后基金資助項(xiàng)目（2013M541697）；江蘇省高校哲學(xué)社會(huì)科學(xué)基金資助項(xiàng)目（2013SJD790031）；江蘇省博士后基金資助項(xiàng)目（1302044C）

姚 奕（1976—），女，江蘇宜興人，博士，副教授，研究方向：能源軟科學(xué)。

（通訊作者）呂 靜（1978—），女，江蘇宜興人，博士研究生，講師，研究方向：機(jī)器學(xué)習(xí)。