我国碳排放增长率的运行机理及预测

doi:10.16381/j.cnki.issn1003-207x.2015.12.011

中国管理科学 ›› 2015, Vol. 23 ›› Issue (12): 86-93.doi: 10.16381/j.cnki.issn1003-207x.2015.12.011

我国碳排放增长率的运行机理及预测

张国兴¹, 张振华¹, 刘鹏², 刘明星¹

1. 兰州大学管理学院, 甘肃兰州 730000;
2. 中国科学院数学与系统科学研究院, 北京 100080

收稿日期:2014-06-18 修回日期:2015-01-03 出版日期:2015-12-20 发布日期:2015-12-31
作者简介:张国兴(1978-),男(汉族),内蒙商都人,兰州大学管理学院教授,博士,研究方向:资源与环境管理.
基金资助:
国家自然科学基金资助项目(71103077);教育部新世纪优秀人才支持计划项目(NCET-13-0267);教育部人文社会科学基金项目(15YJA630097);兰州大学中央高校基本科研业务费项目(15LZUJBWYJ040)

The Running Mechanism and Prediction of the Growth Rate of China's Carbon Emissions

ZHANG Guo-xing¹, ZHANG Zhen-hua¹, LIU Peng², LIU Ming-xing¹

1. School of Management, Lanzhou University, Lanzhou 730000, China;
2. Academy of Mathematics and Systems Science, Chinese Academy of Sciences, Beijing 100080, China

Received:2014-06-18 Revised:2015-01-03 Online:2015-12-20 Published:2015-12-31

摘要/Abstract

摘要： 碳排放是气候变暖的重要原因之一,研究和预测碳排放增长率能为低碳政策的制定提供理论指导。利用经验模态分解方法,本文将我国碳排放增长率序列分解为短期波动项和趋势项两个序列,并分析了国家政策、国内宏观经济变化、金融危机对短期波动项和趋势项的影响。在此基础上,利用动态神经网络分别对趋势项和短期波动项进行预测,并将二者之和作为最终的碳排放增长率的预测值。最后,从误差序列绝对值的最大值、最小值、均值和标准差四个角度来比较该预测方法与单独以碳排放量和碳排放增长率为输入变量的神经网络模型的优劣,并得出本文提出的模型具有预测有效性的结论。

关键词: 碳排放增长率, 经验模态分解, 预测, 神经网络

Abstract: It can provide theoretical guidance for the development of low-carbon policies to research and forecast the growth rate of carbon emissions since carbon emissions have become an important reason for global warming. The growth rate of China's carbon emissions was decomposed into short-term volatility and trend term these two sequences by the use of empirical mode decomposition method, and the national policy, the domestic macroeconomic changes and the financial crisis influence to the short-term volatility and trend term were analyzed respectively. On this basis, using dynamic neural network to forecast the short-term volatility and trend term, and sum the two predicted values as the final growth rate of carbon emissions. Finally, from the error sequence of absolute value maximum, minimum, mean and standard deviation of the four angles to compare this prediction method with neural network model that separate input variables of carbon emissions or the growth rate of carbon emission, and found that the model presented in this paper can predict the growth rate effectively.

Key words: the growth rate of carbon emissions, empirical mode decomposition (EMD), prediction, neural network

中图分类号:

F201

张国兴, 张振华, 刘鹏, 刘明星. 我国碳排放增长率的运行机理及预测[J]. 中国管理科学, 2015, 23(12): 86-93.

ZHANG Guo-xing, ZHANG Zhen-hua, LIU Peng, LIU Ming-xing. The Running Mechanism and Prediction of the Growth Rate of China's Carbon Emissions[J]. Chinese Journal of Management Science, 2015, 23(12): 86-93.

参考文献

[1] Paul S, Bhattacharya R N. CO₂ emission from energy use in India:A decomposition analysis[J]. Energy Policy, 2004, 32(5):585-593.

[2] Tunç G I, Türüt-A??k S, Akbostanc? E. A decomposition analysis of CO₂ emissions from energy use:Turkish case[J]. Energy Policy, 2009, 37(11):4689-4699.

[3] Fan Ying, Liu Lancui, Wu Gang, et al. Analyzing impact factors of CO₂ emissions using the STIRPAT model[J]. Environmental Impact Assessment Review, 2006, 26(4):377-395.

[4] Hatzigeorgiou E, Polatidis H, Haralambopoulos D. CO₂ emissions, GDP and energy intensity:A multivariate cointegration and causality analysis for Greece, 1977-2007[J]. Applied Energy, 2011, 88(4):1377-1385.

[5] Ang J B. CO₂ emissions, energy consumption, and output in France[J]. Energy Policy, 2007,35(10):4772-4778.

[6] 郑长德,刘帅. 基于空间计量经济学的碳排放与经济增长分析[J]. 中国人口资源与环境, 2011,21(5):80-86.

[7] 曹广喜,杨灵娟. 基于间接碳排放的中国经济增长、能源消耗与碳排放的关系研究——1995~2007年细分行业面板数据[J]. 软科学, 2012, 26(9):1-6.

[8] Lean H H, Smyth R. CO₂ emissions, electricity consumption and output in ASEAN[J]. Applied Energy, 2010, 87(6):1858-1864.

[9] 孙辉煌. 我国城市化、经济发展水平与二氧化碳排放——基于中国省级面板数据的实证检验[J].华东经济管理,2012,(10):69-74.

[10] Dalton M, O'Neill B, Prskawetz A, et al. Population aging and future carbon emissions in the United States[J]. Energy Economics, 2008, 30(2):642-675.

[11] Schipper L, Bartlett S, Hawk D, et al. Linking life-style and energy use:A matter of time?[J]. Annual Review of Energy, 1989,14(1):271-320.

[12] Lenzen M. Primary energy and greenhouse gases embodied in Australian final consumption:An input-output analysis[J]. Energy Policy, 1998,26(6):495-506.

[13] Weber C, Perrels A. Modelling lifestyle effects on energy demand consumption and related emission[J]. Energy Policy, 2000,28(8):549-566.

[14] Kim J H. Changes in consumption patterns and environmental degradation in Korea[J]. Structural Change and Economic Dynamics, 2002,13(1):1-48.

[15] 李楠,邵凯,王前进. 中国人口结构对碳排放量影响研究[J]. 中国人口资源与环境, 2011, 21(6):19-23.

[16] 王芳,周兴. 人口结构、城镇化与碳排放——基于跨国面板数据的实证研究[J]. 中国人口科学, 2012(2):47-56.

[17] 朱勤,彭希哲,陆志明,等. 人口与消费对碳排放影响的分析模型与实证[J]. 中国人口资源与环境, 2010,20(2):98-102.

[18] 晏文隽,郭菊娥,龚利. 次贷危机影响下我国能源生产态势预测[J]. 中国人口资源与环境, 2009,19(2):7-12.

[19] 秦宇. 应用经验模态分解的上海股票市场价格趋势分解及周期性分析[J]. 中国管理科学, 2008,16(10):219-225.

[20] 阮连法,包洪洁. 基于经验模态分解的房价周期波动实证分析[J].中国管理科学, 2012,20(3):41-46.

[21] Zhang Xun, Lai K K, Wang Shouyang. A new approach for crude oil price analysis based on empirical mode decomposition[J]. Energy Economics, 2008,30(3):905-918.

[22] Zhang Xun, Yu L, Wang Shouyang, et al. Estimating the impact of extreme events on crude oil price:An EMD-based event analysis method[J]. Energy Economics, 2009, 31(5):768-778.

[23] 吴登生,李建平,汤铃,等. 生猪价格波动特征及影响事件的混合分析模型与实证[J]. 系统工程理论与实践, 2011,31(11):2033-2042.

[24] 孟磊,郭菊娥,郭广涛. 基于延期交割费的我国燃料油期现货价格关系辨析[J]. 管理评论, 2011, 23(6):9-15,22.

[25] 张松,金亮. 中国能源消费的EMD分析与预测[J]. 数学的实践与认识, 2011, 41(12):114-119.

[26] 王书平,胡爱梅,吴振信. 基于多尺度组合模型的铜价预测研究[J]. 中国管理科学, 2014, 22(8):21-28.

[27] 王文波,费普生,羿旭明. 基于EMD与神经网络的中国股票市场预测[J]. 系统工程理论与实践, 2010,30(6):1027-1033.

[28] Yu L, Wang Shouyang, Lai K K. Forecasting crude oil price with an EMD-based neural network ensemble learning paradigm[J]. Energy Economics, 2008,30(5):2623-2635.

[29] 杨云飞,鲍玉昆,胡忠义,等. 基于EMD和SVMs的原油价格预测方法[J]. 管理学报, 2010, 7(12):1884-1889.

我国碳排放增长率的运行机理及预测

The Running Mechanism and Prediction of the Growth Rate of China's Carbon Emissions

PDF (PC)

可视化

被引次数

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

Metrics

本文评价

推荐阅读 10

[1]	王昱, 杨珊珊. 考虑多维效率的上市公司财务困境预警研究[J]. 中国管理科学, 2021, 29(2): 32-41.
[2]	张鼎华, 李卫俊, 李丞, 申世飞. 基于深度学习的多维情景空间下群体性事件分析与预测研究[J]. 中国管理科学, 2020, 28(8): 172-180.
[3]	吕康娟, 胡颖. 灰色量子粒子群优化通用向量机的中国行业间碳排放转移网络预测研究[J]. 中国管理科学, 2020, 28(8): 196-208.
[4]	唐振鹏, 吴俊传, 冉梦, 张婷婷. 考虑投资者情绪的中国股市自激发效应研究[J]. 中国管理科学, 2020, 28(7): 1-12.
[5]	陆晓琴, 冯玲, 丁剑平. 汇率货币模型的非线性协整关系检验——基于深度GRU神经网络[J]. 中国管理科学, 2020, 28(5): 1-13.
[6]	吴婧, 蒋志强, 周炜星. 基于重现时间间隔分析的极端收益预测及交易策略研究[J]. 中国管理科学, 2020, 28(5): 39-51.
[7]	瞿慧, 张壹. 基于波动择时绩效的高维波动率估计量与预测模型研究[J]. 中国管理科学, 2020, 28(5): 62-70.
[8]	熊涛, 鲍玉昆. 基于动态模型平均的大豆期货价格预测研究[J]. 中国管理科学, 2020, 28(5): 79-88.
[9]	张玉华, 戴更新, 孙浩, 韩广华, 王磊. 基于信任的供应预测信息共享策略[J]. 中国管理科学, 2020, 28(5): 112-121.
[10]	欧阳红兵, 黄亢, 闫洪举. 基于LSTM神经网络的金融时间序列预测[J]. 中国管理科学, 2020, 28(4): 27-35.
[11]	杨昌辉, 邵臻, 刘辰, 付超. 一种混合建模方法及其在ETF期权定价中的应用[J]. 中国管理科学, 2020, 28(12): 44-53.
[12]	梁小珍, 邬志坤, 杨明歌, 汪寿阳. 基于二次分解策略和模糊时间序列模型的航空客运需求预测研究[J]. 中国管理科学, 2020, 28(12): 108-117.
[13]	周茂森, 张庆宇. 双向部分透明供应链的大数据投资决策与激励[J]. 中国管理科学, 2020, 28(11): 130-144.
[14]	张同辉, 苑莹, 曾文. 投资者关注能提高市场波动率预测精度吗？——基于中国股票市场高频数据的实证研究[J]. 中国管理科学, 2020, 28(11): 192-205.
[15]	曾波, 刘思峰, 白云, 周猛. 基于灰色系统建模技术的人体疾病早期预测预警研究[J]. 中国管理科学, 2020, 28(1): 144-152.