中国省际碳排放预测及达峰情景模拟研究

中国不同省级的碳排放量呈现明显差异。文章采用STIRPAT模型分析得到碳排放影响因素，运用遗传算法优化的极限学习机模型和中国30个省（自治区、直辖市） 1997—2020年的面板数据，对不同发展情景下中国30个省（自治区、直辖市）未来20年的碳排放量进行了预测分析，并将预测结果和误差指标与ELM、BP、GWO-SVM模型进行对比。同时，文章以行政区域为单位划分东北、华北等7个区域进行碳达峰、碳减排能力分析。研究结果显示：使用遗传算法改进的极限学习机模型可以克服ELM模型容易陷入局部最优解的缺点，获得更高的预测精度；在绿色发展情景下中国7个区域均能在2030前实现碳达峰。     

基于粗糙集—神经网络方法的陕西省碳排放预测研究

论文从碳排放的测算、碳排放的主要影响因素、未来碳排放量的预测和针对碳减排提出的对策等方面,对国内外的相关文献进行了梳理与分析。根据相关统计年鉴数据,利用自上而下的计算方法,以经过处理后的直接碳排放系数为准,对2005—2015年的陕西省碳排放量进行测算,并且分析近年来碳排放总量的变化趋势。利用粗糙集的属性约简思想,对于影响碳排放的因素进行约简并提取出主要影响因素构建预测指标体系,最后利用该指标体系结合BP神经网络模型对碳排放数值进行预测。针对预测的数值与碳排放的变化趋势,进行合理地分析并提出碳减排相应问题的解决对策。     

基于WOA-ELM模型的中国碳排放预测研究

为判断中国是否能够实现2030年碳排放强度下降60%～65%的承诺,以及碳排放总量是否能够在2030年达到峰值,论文构建了一个基于鲸鱼优化算法改进的极限学习机模型,对2019—2040年的碳排放量和碳排放强度进行预测。首先基于STIRPAT模型筛选中国碳排放影响因素,将其作为碳排放预测模型的输入因素集,而后运用鲸鱼算法优化极限学习机的参数,克服极限学习机易陷入局部最优解的缺点,最后运用该组合模型对中国未来的碳排放进行预测。通过与ELM、BPNN模型的预测结果和误差指标进行对比,证实论文提出的碳排放预测模型的精度更高,能够更为准确地反映中国未来的碳排放趋势。     

广东省碳排放量测算、影响因素分析及预测模型选择北大核心

广东省是中国经济最发达的省份之一,科学预测其碳排放量对“双碳”背景下探索省级控碳发展路径具有重要意义。论文首先对各类碳源和碳汇进行核算,得到了广东省1995—2019年的净碳排放量;运用扩展的STIRPAT模型分析广东省碳排放的影响因素,并将其作为碳排放量预测模型的输入变量;建立经鸡群算法优化的快速学习网CSO-FLN预测模型,对广东省碳排放量进行预测,并将预测结果与FLN、ELM模型进行比较分析以验证CSO-FLN模型的优越性和有效性。研究结果表明:广东省的净碳排放量在研究期间呈现上升趋势;人口规模、富裕度、产业结构与碳排放量之间均存在正相关关系,对外开放、技术水平、能源结构与碳排放量之间存在负相关关系;CSO-FLN模型的预测精度高于FLN、ELM模型,可作为后续碳排放量预测的有效建模方法。     

产业耗能结构与城市化水平对碳排放量影响研究

从影响中国碳排放量的因素分析入手,通过对国内外现有研究成果的归纳总结,得出不合理的产业耗能结构和过快的城市化进程是造成中国大量二氧化碳排放的主要原因。运用Eviews软件构建出产业耗能结构与城市化水平对中国碳排放量的影响模型,并根据模型拟合情况进行实证分析。在此基础上,运用灰色DGM(1,1)模型对中国2010～2020年碳排放量进行预测,最后对如何优化产业耗能结构和合理控制城市化进程提出相应的对策。     

吉林省能源消费碳排放相关影响因素分析及预测——基于灰色关联分析和GM(1,1)模型

采用灰色关联分析方法对吉林省2000~2012年能源消费人均碳排放量与能源消费价格、能源消费结构、能源消费强度、经济发展水平、产业结构和城市化水平等相关影响因素的关联度进行分析,并利用GM(1,1)模型对吉林省2016~2018年人均碳排放量进行了预测。预测结果显示,各相关影响因素在保持现状的情况下,能源消费人均碳排放量未来将会以更高的年均增长速度持续增长。为此,文章根据灰色关联度分析结果,从能源消费价格、能源消费结构、产业结构和能源消费强度几个碳排放相关影响因素入手,提出了降低吉林省能源消费碳排放的政策建议。     

中国城市化进程碳增量效应的因素分解研究及预测

基于Logistic模型,对中国城市化发展趋势进行了预测,运用LMDI模型分解分析在城市化快速发展阶段中国碳排放量持续增长的原因,对城市化进程的碳排放增量进行了测算。研究结果表明:中国城市化水平仍将处于加速发展的上升期,2020年、2040年中国城市化水平将分别提升至61.63%、77.91%;未来中国城市化进程对碳排放仍将保持增长态势,但对碳排放的驱动作用呈减缓态势;经济规模是推动中国碳排放持续增长的主导因素,城市化是导致碳排放增加的重要因素,而能源强度则是促进碳排放减少的主要动力。     

安徽省碳排放预测分析

运用排放因子法核算安徽省2000—2019年与能源相关的碳排放,并分析安徽省碳排放的主要影响因素。结合LMDI分解法分析了碳排放影响因素,之后建立STIRPAT扩展模型及岭回归,定量进行了安徽省能源碳排放预测。模型精确度高达90%以上,误差控制在5%以内,说明该模型可以很好对安徽省未来能源消费碳排放量进行预测。冀望能为安徽省实现碳减排,促进经济发展目标实现提供参考。     

经济周期视角下的中国碳排放强度影响因素研究

为了应对日益严峻的全球环境危机,中国提出了“双碳”目标。为了针对不同经济发展阶段有的放矢地制定节能减排政策以实现这个目标,划分不同的经济周期开展碳排放强度驱动因素的识别和评估研究。首先从经济、社会、能源三方面选取了8个可能影响碳排放强度的因素,然后利用两步法（MSAR-OPLS）进行实证分析。通过MSAR模型将中国1978—2019年划分为低速增长期、中速增长期、高速增长期3个经济周期,然后利用OPLS模型得到了中国不同经济周期内碳排放强度和各影响因素的回归模型,并据此分析了各影响因素在不同经济周期内的“碳效应”。在总结分析不同时期碳排放强度关键因素的基础之上,提出了降低碳排放强度的政策建议。     

基于FCS-SVM的建筑业碳排放预测研究

科学预测建筑业碳排放对建筑的低碳发展具有重要意义。论文应用模糊布谷鸟搜索算法优化支持向量机模型对建筑业碳排放预测问题展开研究:首先构建建筑业碳排放测算模型,通过灰色关联度模型筛选建筑业碳排放的影响因素,在此基础上建立建筑业碳排放的模糊布谷鸟搜索算法优化的支持向量机(FCS-SVM)预测模型对建筑业碳排放进行预测。研究结果表明,FCS-SVM建筑业碳排放预测模型的精度高于BP神经网络预测模型以及混沌粒子群算法优化的BP神经网络(CPSO-BP)预测模型。     

产业视角下的中国工业能源碳排放Divisia指数分解及实证分析

工业能源碳排放在中国总碳排放中占据极其重要的位置,也是中国低碳减排工作关注的重点.文章从产业视角出发,利用Divisia指数分解法构建中国工业能源碳排放因素分解模型,定量分析1998～2007年间,能源排放强度、能源结构、能源效率、产业结构以及产出等五因素对中国工业能源碳排放的影响.分析不同因素对中国工业能源碳排放的不同影响以及不同因素在工业系统内部各产业间的变化特性,从而为中国工业能源碳减排路径提供政策建议.     

中国城市化与碳排放关系的动态计量分析

城市是碳排放的密集区域,城市化是我国碳排放量增长的重要因素。采用1985-2009年的中国城市化水平数据和同期中国碳排放量的测算数据,运用相关分析、协整检验、格兰杰因果分析和误差修正模型对中国城市化与碳排放的关系进行检验。中国城市化水平与碳排放量具有很高的正相关性,两者之间存在着长期的协整关系,城市化水平的提高是碳排放量增加的重要原因,但碳排放量不是城市化水平的格兰杰原因。城市化水平对碳排放的影响具有滞后性,短期影响较小,长期影响显著。利用脉冲响应函数和预测误差方差分解模型对中国城市化水平与碳排放量进行动态模拟,分析其在长期和短期均衡关系的相互作用机制和影响程度。提出中国实现低碳城市化的建议和对策。     

"碳达峰"目标下中国碳排放强度预测——基于LSTM和ARIMA-BP模型的分析

本文基于LSTM神经网络模型并在一定的经济增长预期下推导预测出我国碳排放强度变化趋势,同时,建立ARIMA-BP神经网络模型作为验证模型对碳排放强度进行直接预测。研究结论为:(1)LSTM神经网络模型在验证集上的均方误差(MSE)为0.00001,平均绝对百分比误差(MAPE)为0.33%,表明模型泛化能力十分优秀,在LSTM神经网络模型预测框架下,中国碳排放强度将在2030年达到0.9237吨/万元,相较于2005年的碳排放强度2.9755吨/万元下降68.96%;(2)在ARIMA-BP神经网络模型的预测分析中,预估中国2030年碳排放强度能够下降至0.9840吨/万元,相较于2005年2.9755吨/万元的碳排放强度下降66.93%;(3)将ARIMA-BP神经网络模型得到的碳排放强度预测值与LSTM神经网络模型进行对比,LSTM模型在预测精度上的表现更佳,两个模型对于2030年碳排放强度值的预测相差0.0603吨/万元,对于碳排放强度较2005年降幅预测相差2.03个百分点,验证了本文预测模型的稳健性。     

国际碳排放权交易利益分配与出口规模研究——基于MACs的理论与实证分析

文章首先回顾了碳排放权交易相关研究文献,然后以边际减排曲线为分析工具,对国际碳排放权交易利益分配进行了理论分析,并以《京都议定书》规定的减排承诺为依据进行不同交易范围下各国收益分配的实证分析。通过构建两阶段模型,文章讨论了发展中国家未来承担不同减排义务情况下现阶段的最优出口规模及其影响因素,并提出"非附件B国家"在国际碳排放权交易中需加强合作以应对利益分配不公,中国需要针对13亿吨最优出口规模,根据影响因素的变化进行规模调整和制度创新,建立碳排放权交易制度的基础设施,引导企业自律性减排。     

碳排放影响因素的省域聚类分析

本文基于Kaya恒等式,找出与碳排放相关的因素,然后以这些因素为指标,对中国省域碳排放进行K均值聚类分析,从而将国内各省市分为4个区域,并根据不同的区域进行具体分析。     

山东省能源消费碳排放预测

基于《IPCC国家温室气体清单指南》估算了17种能源的碳排放系数,测算了1995—2009年山东省的能源消费碳排放量。选取人口、城镇化率、人均GDP、工业GDP比例、能源消耗强度作为山东省碳排放的影响因素,分别应用偏最小二乘回归和岭回归构建了预测山东省能源消费碳排放的STIRPAT模型。通过对比基于两种回归所得模型的拟合效果,最终选择岭回归模型预测了2010—2015年山东省能源消费碳排放量。最后提出了山东省碳减排的相关对策。     

中国工业分行业碳排放影响因素分解研究

采用2004~2010年中国各行业不同能源类型的相关统计数据,基于IPCC温室气体排放清单指南中的计算方法,计算了中国工业分行业各类能源消耗碳排放量;并应用LMDI法对中国工业分行业能源消耗碳排放量影响因素进行了分析。结果表明:在这7年中,中国工业能源消费碳排放年均增长8.18%,比工业增加值平均增速高5.26%;在对经济增长、产业结构、能源强度、能源结构四个因素的分析中可知,经济增长和能源强度的升高是中国能源碳排放持续增长的主导原因,能源结构对减少碳排放有较小贡献,产业结构对促进中国工业能源碳排放减少有很大贡献。通过对中国工业三大行业的进一步分析可知,制造业、电力、燃气及水的生产和供应业对中国工业能源碳排放的增加有较大影响。     

基于GWR模型的中国区域碳排放影响因素空间差异研究

以STIRPAT模型为理论基础,从区域层面构建了碳排放影响因素的扩展的STIRPAT模型。并运用变系数空间计量模型——地理加权回归模型(GWR)实证考察了各影响因素对碳排放规模和碳排放强度影响的时空差异。实证结果显示:大部分解释变量的系数估计值显著,且系数的符号与预期一致,各影响因素在不同区域存在差异。要想实现区域差异化碳减排,需要充分考虑不同影响因素对碳排放影响的空间差异。     

青岛市能源消费碳排放及影响因素分析

采用各行业能源消费相关统计数据,根据《IPCC2006国家温室气体清单指南》中的碳排放计算公式和碳排放系数缺损值计算了青岛市2000-2015年能源消费的碳排放,并应用因素分解法对青岛历年的碳排放量及其影响因素进行了分析。结果表明:GDP增长是导致碳排放量增长的主要动力,而产业结构优化调整、技术进步则是导致碳排放量减少的因素;工业对碳排放强度和碳排放总量的变化起决定性作用,在宏观和工业内部两个层面进行产业结构优化调整是实现碳排放总量减少的关键。     

不同城市化阶段碳排放影响因素的差异研究——基于省际面板数据

基于1997~2011年我国30个省区的面板数据,按照城市化水平的高低划分为三个组别,采用STIRPAT模型实证研究了不同城市化阶段碳排放影响因素的差异,并验证了环境库兹涅茨曲线的存在性。结果表明:随着城市化阶段的演进,城市化对碳排放的驱动作用越来越小,家庭小型化日趋成为引起碳排放增加的重要因素;在城市化不同阶段,人均财富对碳排放均具有显著的正影响,尤其是在城市化中期阶段;在城市化不同阶段,环境库兹涅茨曲线都是存在的,但距到达碳排放拐点分别需要12年、31年和23年。最后,根据不同城市化阶段碳排放的特点,提出了有针对性的碳减排对策。