前言：中文期刊网精心挑选了二氧化碳排放影响范文供你参考和学习，希望我们的参考范文能激发你的文章创作灵感，欢迎阅读。
二氧化碳排放影响范文1
［中图分类号］F293 ［文献标识码］A ［文章编号］1671-8372（2012）04-0012-04
一、引言
城市化作为一种全球性的经济社会现象，主要发生在工业革命以后。伴随着世界城市化的快速发展，城市人口急剧膨胀，城市规模快速扩张，能源消费迅猛增加，工业污染迅速蔓延，生态环境问题日益严重。在全球十大环境问题中，气候变暖居首位，而全球气候变化主要是由于温室气体排放量的不断增加，尤其以二氧化碳排放的增加为主。近200年来，世界城市化水平和二氧化碳排放量保持同步上升，目前二者均有加速的趋势。产业革命以来，世界城市化水平在5%左右，大气中二氧化碳浓度在280ppm左右（ppm是气体浓度单位，表示百万分之一），到了2007年，世界城市化水平达到了50%，二氧化碳浓度值上升到了383ppm，而其危险临界值为385 ppm，全球平均地表温度也比工业革命时期升高了0.74℃［1］。
我国城市化进程快速发展的同时带动了以化石燃料为主的能源消耗迅猛增长，使得二氧化碳等环境污染物的排放量逐年增加。根据国际能源署（IEA）公布的统计数据显示，2007年我国化石能源消费产生的二氧化碳排放已经超过美国，成为目前世界上二氧化碳排放总量最大的国家［2］。然而伴随着我国城市化、工业化发展的不断快速推进，以煤为主的能源消费量还将不断增加，由此产生的二氧化碳排放量也会进一步上升，这意味着，我国碳减排面临的国际压力将会日益增加。
随着全球气候变暖问题的日益严峻，越来越多的研究开始关注如何在城市化进程中缓解温室气体排放问题。徐国泉等运用LMDI分解法对中国碳排放进行了因素分解研究，定量分析了经济发展和能源强度对我国碳排放的影响，指出经济发展拉动我国碳排放呈指数增长，而能源强度的贡献率则表现为倒“U”形［3］。王锋对1995-2007年中国碳排放量增长的驱动因素进行了研究，认为人均GDP增长是二氧化碳排放量增加的最大驱动因素［5］。何吉多关于1978-2008年中国城市化与碳排放关系的协整分析表明，我国碳排放量与城市化水平之间存在长期动态均衡关系，且这种长期均衡关系对当前碳排放偏离均衡水平的调整力度较大［5］。日本学者Yoichi Kaya于IPCC的一次研讨会上提出Kaya恒等式，指出人类活动产生的温室气体排放与经济发展、人口等因素存在联系［6］。Duro和Padilla认为Kaya因素中引起不同国家碳排放差异的重要因素为人均收入、能源消费碳强度和能源强度［7］。林伯强等通过对Kaya恒等式的分解，认为1978-2008年对中国碳排放影响较为显著的因素包括经济发展、能源强度、能源消费碳强度和城市化水平［8］。
人类活动与温室气体排放之间的关系已经成为国际热点之一，研究二者之间的关系有着重要的现实意义。山东省作为我国的人口、经济大省，一直是高能耗、高碳排放区，魏一鸣指出，2005年山东省终端能源消费产生的二氧化碳排放总量居全国首位［9］。同时，山东省城市化进程快速推进，2010年山东省城市化水平为40.04%，正处于诺瑟姆曲线划分的城市化发展阶段中的中期加速发展阶段［10］。虽然山东省城市化发展已取得了可喜的成绩，但与我国49.95%的城市化水平相比还是相差较远。研究山东省城市化进程中的碳排放，不仅对于把握山东省碳减排政策、城市化发展战略、保持经济持续快速发展具有现实意义，而且对于更好地理解我国的整体状况也有重要意义。基于此，本文运用协整分析方法借助VECM模型对山东省城市化水平和二氧化碳排放量之间的长短期关系进行实证分析，并利用Kaya恒等式对山东省城市化进程中的碳排放影响因素进行分解分析，最后提出相应的政策建议。
二、山东省城市化与碳排放关系的协整分析
2．变量的平稳性检验
四、结论及政策建议
本文运用协整分析方法借助VECM模型对山东省城市化水平和二氧化碳排放量之间的长短期关系进行了实证分析，并利用Kaya恒等式对山东省城市化进程中的碳排放影响因素进行了分解分析，从而得出以下结论：
（1）山东省城市化水平和二氧化碳排放量之间的协整方程说明，二者之间存在长期均衡关系，长期弹性系数为1.7120，即城市化水平每提高1%，碳排放量将同步增长1.7120%，这说明城市化是导致山东省碳排放量增长的一个重要因素。
（2）由VECM模型可知，在短期内，山东省碳排放量的波动受到城市化水平和自身滞后量的影响，其中，滞后1期和2期的城市化水平对当期碳排放量变动的影响比较明显，城市化水平提高将导致碳排放量的增加；滞后1期的碳排放量对当期碳排放也有比较显著的影响，然而滞后2期的碳排放量对当期的碳排放有抑制作用，这是因为碳排放持续快速增长会促使政府采取碳减排措施。另外，短期误差项的修正作用并不很强，模型的修正系数仅为-0.0576，表明在短期内山东省碳排放量和城市化水平之间的长期均衡关系对当前碳排放量偏离均衡水平的调整力度不大，说明山东省碳排放量的变动除了受城市化水平影响之外，还受到其他因素的影响。
二氧化碳排放影响范文2
关键词：面板数据；长三角城市；工业碳排放；影响因素
基金项目：本文受教育部人文社会科学研究规划基金项目“碳排放约束下长三角经济转型轨迹及其区域联动效果研究”（编号：12YJAZH160）资助
中图分类号：F407.2 文献标识码：A
原标题：基于面板数据对长三角工业碳排放影响因素的实证分析
收录日期：2013年9月24日
一、引言
中国最大的经济圈——长三角地区，位于长江下游和东海之滨，集“黄金水道”与“黄金海岸”于一体，主要包括上海市，江苏8市（南京、苏州、无锡、常州、扬州、镇江、南通、泰州），浙江6市（杭州、宁波、湖州、嘉兴、绍兴、舟山、台州），共16个城市。由于其优越的自然条件和地理区位，一直是我国经济最为发达的地区，2012年长三角地区实现规模以上工业总产值17.35万亿元，增长6.9%。《长江三角洲地区区域规划》（以下简称《规划》），是跨省级行政区的区域发展规划，国家“十一五”规划的重要组成部分，长三角地区区域协调发展的纲领。《规划》提出，在各个城市的详细定位中，上海仍然是“核心”，南京和杭州则是上海的“两翼”，同时将进一步提升南京、苏州、无锡、杭州、宁波等区域性中心城市的综合承载能力和服务功能。所以，本文选取上海、南京、苏州、无锡、杭州、宁波这6个城市作为长三角城市的代表进行研究，分析其碳排放的影响因素，从而提出对策和建议，为整个长三角城市甚至全国范围内的城市工业碳减排提供借鉴和参考。
CO2主要来自于工业部门的能源消耗，所以研究工业部门二氧化碳排放量的变化，对于减少二氧化碳排放和制定未来的能源战略是至关重要的。近年来，许多学者都致力于研究影响二氧化碳排放量的因素，主要有人口规模、经济发展、工业部门内部结构、能源结构、能源效率、产业结构等。张庆民等（2012），基于我国1995～2009年统计数据计算了第一、二、三产业经济结构与碳排放总量碳排放增长率和碳排放强度的动态演化过程。结果表明，第一产业碳排放总量与碳排放强度远低于其他产业，但碳排放量增长率高于其GDP增长率；第二产业碳排量总量最高，且波动幅度较大，碳排放强度呈现明显下降趋势；第三产业碳排放总量却远低于第二产业，碳排放强度与第一产业相似，但其碳排放增长率较高。孙慧宗（2010），采用1978～2006年的相关统计数据对中国城市化与含碳能源消费发生的二氧化碳排放量进行协整分析，同时建立误差修正模型，并运用Granger因果关系检验方法，结果显示：城市化与二氧化碳排放量之间存在着长期稳定的均衡关系，但不具有理论上的双向因果关系。二期滞后时，城市化是二氧化碳排放量的Granger原因，但后者不是前者的原因，对其不具有反馈效应。Karnjana Sanglimsuwan（2012）通过83个国家从1980年到2007年的数据，分析二氧化碳排放量与人口以及其他相关因素之间的关系。结果表明：人口压力对二氧化碳排放量的增长的关键因素。此外，二氧化碳排放量和经济增长之间的关系显示了一个倒U形。B.Davidsdottir，M.Fisher（2011）采用面板分析碳排放强度和发展之间的实证关系，并考察了两个变量之间的因果关系。分析数据覆盖从1980年到2000年的美国48个州，但不包括夏威夷、阿拉斯加、华盛顿特区。结果表明：碳排放强度和国家的经济之间存在显著的双向关系。
二、模型的选取与构建
（一）模型的选取。面板数据是指在时间序列上取多个截面，同时在这些截面上选取样本观测值所构成的样本数据。与时间序列模型相比较，它可以降低各经济变量之间的多重共线性，且能提供更多的样本信息、更高的自由度和估计效率；与截面数据模型相比较，它可以控制由不可观测的经济变量所引发的OLS估计的偏差，使得模型的设定更加合理，提供更准确的参数样本估计量。因此，本文采用面板数据来构建模型。
面板数据模型的一般形式如下：
Yit=Ci+βiTXit+εit i=1，2，…，N；t=1，2，…，T
其中，N表示个体数，T表示时间序列个数。若t固定不变，Yi（i=1，2，…，N）是横截面上的N个随机变量；若i固定不变，Yt（t=1，2，…，T）是纵剖面上的一个时间序列。
面板数据模型常用的包括混合估计模型、固定效应模型和随机效应模型三大类。通常我们使用极大似然比来确定该建立混合模型还是固定效应模型，即当F=■>Fα/2（N-1，NT-N-k）时，应当建立固定效应模型，反之则建立混合模型；使用豪斯曼（Hausman）检验法来确定该建立固定效应模型还是随机效应模型，即当H=■>？字■■（k）时，应当建立固定效应模型；反之，则建立随机效应模型。
（二）模型的构建及变量的选取。国内外利用面板数据模型对工业碳排放的影响因素进行研究的文献众多，目前最主要方法集中于环境库兹涅茨曲线（EKC），其最早的模型为库兹涅茨曲线（KC），是由库兹涅茨（1955）在收入不均的问题研究中发现，收入差距与经济增长呈现倒U型的曲线关系。到了20世纪九十年代初，Crossman与Krueger（1991）在墨西哥加入北美自由贸易协定的环境影响报告中首次提出，环境与经济发展也呈现倒U型的曲线关系。于是，Panayotou（1993）首次把环境与经济之间的这种倒U型曲线关系称为环境库兹列茨曲线（EKC）。
另外，也有学者基于Ehrlich，Holdren （1971）提出的IPAT等式，研究了人口规模（P）、富裕程度（A）和技术水平（T）对于环境（I）的影响，后来Waggoner、Ausubel（2002）和Schulze（2002）分别进行了I= PACT和I=PBAT的两次修改，但都不能解决各影响因素不同比例变化的问题，但在1994年，Dietz等提出过的人口规模、富裕程度和技术水平的随机回归影响模型STIRPAT，为各因素的计量研究提供了可能，它是将IPAT等式转变成一种随机模型，即I=aPbAcTde。本文选用第二个模型，并根据研究的内容对等式的变量进行了修改和增加。由于本文研究的对象是工业部门，所以环境压力I用工业部门的碳排放总量C来替代，人口规模P用工业部门的平均从业人数来表示，富裕程度A用工业经济规模Y（即单位从业人员的工业总产值）来替代，技术水平T用能源效率E（即单位能源消费的工业总产值）来替代。另外，本文还增加了和工业碳排放密切相关的两个变量——工业部门内部结构S和能源消费结构M。S用工业各行业总产值与工业总产值的比重来度量，M用各行业的煤炭消费与能源消费的比来表示，因为产生碳排放的各种能源种类很多，但是煤炭类的碳排放系数较石油和天然气类的高。考虑到各个变量的经济意义、可对比性以及在计量分析中可能出现的异方差等因素，我们对各个变量分别取了自然对数，α1、α2、α3、α4、α5表示人口规模、工业经济规模、能源效率、工业部门内部结构和能源消费结构的弹性。根据以上的分析及结合相关的经济理论，我们可得到工业碳排放的面板数据模型如下：
lnC=α0+α1（lnP）+α2（lnY）+α3（lnE）+α4（lnS）+α5（lnM）+ε （1）
（三）数据来源。长三角6个城市的工业平均从业人员、单位从业人员的工业生产总值、能源效率、工业部门内部结构和能源消费结构的数据来源于2005～2009年的《上海工业能源交通统计年鉴》和2010年的《上海能源统计年鉴》、2001～2012年的《南京统计年鉴》、2004～2012年的《苏州统计年鉴》、2004～2012年的《无锡统计年鉴》、2001～2012年的《杭州统计年鉴》、2003～2012年的《宁波统计年鉴》。
三、实证分析
（一）单位根检验。只有面板数据是平稳的才可以进行回归，否则会产生虚假回归。为了避免出现伪回归现象的发生，必须对面板数据进行单位根检验，以确定其平稳性，检验方法主要有修正的DW统计量方法、GLS估计方法，、LLC检验方法、IPS检验方法、ADF-Fisher和PP-Fisher检验。本文选择LLC检验方法，分别对各个城市的各变量进行了单位根检验，结果如表1所示。从表中可以看出，6个城市的6个变量分别通过了1%、5%和10%水平上的显著性检验，不存在单位根，数据具有平稳性，可以进行最小二乘估计。（表1）
（二）模型的确定。使用EVIEWS6.0对长三角6个城市的工业分行业面板数据进行模型的回归，通过极大似然比检验，结果如表2每个城市的第一列数据所示，它们的相伴概率P值均为0，F统计值均在1%的水平上显著，所以拒绝原假设，应当建立固定效应模型而不是混合效应模型。再通过豪斯曼检验，即表中第二列数据所示的检验结果可以看出，它们的统计值也均在1%的显著水平上通过，所以拒绝随机效应模型的原假设，建立固定效应模型。上述两种检验方法都认为应当建立固定效应模型，为问题的分析提供了可靠的依据，因此本文采用固定效应模型进行最小二乘法估计。（表2）
（三）结果分析。由模型的回归结果可以看出：从总体上来看，上海、苏州、无锡、杭州和宁波工业分行业的人口规模P、经济规模Y、能源效率E、工业部门内部结构S和能源消费结构M这五个因素对碳排放量C都有显著的影响，但各自的影响程度随城市而有所变化。它们的回归模型的拟合优度达到0.98～0.99，这表明方程中的解释变量至少解释了98%～99%的因变量变化，回归的结果与前期的判断保持一致，并且所有变量都取了对数，所以系数大小将代表弹性。
从上海的模型结果来看，工业的人口规模P、经济规模Y、能源效率E、工业部门内部结构S和能源消费结构M都通过了1%显著性水平的检验，说明这5个因素对碳排放的影响都是显著的。其中，影响最大的因素是人口规模P和经济规模Y，其次为工业部门内部结构S，而能源效率E和能源消费结构M的影响较小。人口规模的回归弹性系数为0.4758，与碳排放呈正效应，这表明工业平均从业人员每增加1个百分点，将会增加0.4758个百分点的碳排放；经济规模，即单位从业人员的生产总值的影响系数为0.4250，表明人均产出每增加1%，将会多排放0.4250%的二氧化碳；两者的弹性系数都小于1说明碳排放的增长速度低于人口规模和经济规模的增加速度，但相对其他影响因素，它们的弹性系数比较大；能源效率的影响系数为-0.3654，这体现了能源效率对工业碳排放的影响为负，当工业各行业的能源效率提高的时候，工业碳排放将会降低，每单位的能源使用效率的提高会降低0.3654个百分点的碳排放；工业部门内部结构和能源消费结构对碳排放的影响效应也为正，其中工业部门内部结构对碳排放的正向影响稍大于能源消费结构。
其他5个城市南京、苏州、无锡、杭州和宁波的人口规模P、经济规模Y、能源效率E这3个因素对碳排放的影响都很大，而工业部门内部结构S和能源消费结构M的影响就相对比较小，且它们的弹性系数与前三者的差别也比较大。具体来看，南京、无锡和杭州工业分行业对碳排放影响最大的因素都是能源效率，它们通过了1%显著性水平的检验，影响的弹性系数分别为-0.6914、-1.2595和-1.6553，通过比较不难发现，杭州的能源效率对碳排放的影响最大，这说明当3个城市的工业分行业的能源效率提高的时候，它们的工业碳排放量都将会减低，但是杭州的降低幅度将达到最大，每单位的能源使用效率的提高会降低1.6553个百分点的碳排放。其他两个因素人口规模和经济规模工业碳排放呈正相关关系，影响的弹性系数稍低于能源效率，但也不容忽视，因为人口规模的膨胀和工业经济的不断发展将会增加大量的工业二氧化碳排放。对于苏州和宁波的工业碳排放影响最大的是人口规模，每增加1个百分点的人口，将分别增加0.8956、1.2589个百分点的碳排放。另外，宁波的能源效率对碳排放的影响也较大，弹性系数达-1.0613，略低于人口规模的影响力，因此继续提高能源的使用效率将会促使碳排放的大幅度下降。南京、苏州、无锡、杭州和宁波这5个城市的工业部门内部结构和能源消费结构对碳排放的影响相对其他几个因素要小的多，弹性系数均在0.5以下，它们的能源消费结构虽然都通过了1%显著水平的检验，但影响的弹性系数都较低，南京、苏州和宁波的工业部门内部结构也只在5%的显著水平上通过检验，这说明长期以来以煤炭为主的能源消费结构对碳排放的影响虽没有其他因素那么大，但也不能忽视。
四、小结
通过对长三角6个城市工业分行业的数据建立面板模型进行实证分析，研究了工业碳排放的各个影响因素，我们可以得到如下结论：
能源使用效率、人口规模、工业经济规模、能源消费结构和工业部门内部结构这5个因素都不同程度地对碳排放产生了影响，能源使用效率与碳排放呈现负相关关系，在很大程度上减少了二氧化碳排放量，而后4个因素则表现为正相关，在不同水平上促进了二氧化碳排放量的增加。
上海、苏州和宁波的人口规模对碳排放的影响系数最大，由回归的结果表明，这3个城市的人口每增加1%，将会分别增加0.48%、0.90%和1.26%的工业碳排放量，而南京、无锡和杭州的能源效率对碳排放的影响系数最大，且表现为抑制作用，能源使用效率每提高1%，工业碳排放量将会分别减少0.69%、1.26%和1.66%。由此可见，长三角6个城市减少工业二氧化碳排放量应当着重从人口规模和能源效率入手，继续控制人口的不断膨胀和提高能源的使用效率。
工业经济规模、能源消费结构和工业部门内部结构对于碳排放的影响显著程度随城市不同而不同，上海、苏州、无锡和杭州的工业经济规模是其工业碳排放增加的第二大促进因素，单位人均产出每增加1%，将会分别使碳排放增加0.43%、0.80%、0.98%和1.41%。长三角6个城市的能源消费结构和工业部门内部结构都在一定程度上促进了碳排放量的增加，但它们的影响系数明显小于其他因素，均在0.5以下。因此，我们应当转变经济发展方式，改变一直以煤炭为主的能源消费结构，更加重视发展新能源和可再生能源，降低传统化石能源，尤其是煤炭在一次能源消费总量中的比重，促进光伏、风电、核电等新能源的发展，强调创新驱动、依靠科学技术，关注产业结构调整。
主要参考文献：
[1]张庆民，葛世龙，吴春梅.三次产业结构演化与碳排放机制研究——基于面板数据模型的实证分析[J].科技与经济，2012.1.
二氧化碳排放影响范文3
关键词：化工行业；二氧化碳；两阶段核算模型；减排潜力；
作者简介：顾佰和(1987-)，男(满族)，辽宁丹东市人，中国科学院科技政策与管理科学研究所，博士研究生，研究方向：绿色低碳发展战略与政策分析.
1引言
化工行业是经济社会发展的支柱产业，同时也是耗能和温室气体排放大户。国际石油和化工联合会的统计数据显示，2005年世界二氧化碳排放量约为460亿吨，其中化学工业的二氧化碳排放为33亿吨，约占7.1%[1]。中国是世界上最大的化工制品国之一。其中合成氨、电石、硫酸、氮肥和磷肥的产量均排名世界第一[2]。2000年到2010年，中国的化工行业工业产值增长迅速，其中几种主要化工制品例如：乙烯、电石、烧碱、硫酸、甲醇、硝酸等产品的产量在此期间增长了50%以上。2000-2010年化学原料及化学制品制造业能源消费量逐年上升，年均增长8.86%[3]，占全社会能源消费总量的比重基本保持在10%左右。
我国化工行业产品结构不合理，高消耗、粗加工、低附加值产品的比重偏高，精细化率偏低。美国、西欧和日本等发达国家和地区的化工行业精细化率已经达到60%~70%，而目前我国化工行业的精细化率不到40%。且我国化工行业工艺技术落后，高耗能基础原材料产品的平均能耗比国际先进水平要高20%左右，因此我国化工行业存在较大的节能减排空间[4]。那么我国化工行业到底有多大的减排潜力，如何预测化工行业的温室气体减排潜力成为决策者和研究人员关注的焦点之一。
国内外学者围绕行业温室气体减排潜力评估展开了一系列研究，但研究集中于钢铁行业[5-6]、电力行业[7-8]、交通行业[9-10]、水泥行业[11-12]等产品结构较为单一的行业。而由于化工行业的产品种类繁多，且工艺流程各不相同，目前对于化工行业的温室气体减排潜力研究，从研究对象上主要集中于少数几种产品和部分工艺流程。Zhou[13]等全面细致的核算了中国合成氨生产带来的二氧化碳排放和未来的减排潜力，并据此提出了促进减排的政策措施。Neelis[14]等学者从能量守恒的角度研究了西欧和新西兰化工行业的68种主要工艺流程理论上的节能潜力。IEA[15-16]在八国集团的工作框架下，评估了化学和石油工业中49个工艺流程应用最佳实践技术(BestPracticeTechnology)短期内所带来的能效改善潜力。Patel[17]针对化学中间体和塑料等有机化学品给出了累积能源需求和累积二氧化碳排放量的核算流程和核算结果。
就关注的减排影响要素而言，主要涉及技术和成本两方面。技术层面上，Park[18]等通过调查五种节能减排的新技术，使用混合的SD-LEAP模型评估了韩国石油炼制行业的二氧化碳减排潜力；Zhu[19]从技术进步的视角采用情景分析方法从整个行业的层面研究了中国化工行业的二氧化碳减排潜力，并提出一系列促进化工行业碳减排的措施；卢春喜[20]重点概述了气-固环流技术在石油炼制领域中的研究与应用进展；王文堂[21]分析了目前化工企业节能技术进步所遇到的障碍，并对促进企业采取节能减排技术提出建议。成本方面，Ren[22]等对蒸汽裂解制烯烃和甲烷制烯烃两种方式的节能和碳减排成本进行了对比；戴文智等[23]将环境成本作为石油化工企业蒸汽动力系统运行总成本的一部分，构建了混合整数非线性规划(MINLP)模型，优化了多周期运行的石油化工企业蒸汽动力系统；高重密等[24]从综合效益角度出发提出了化工行业实施碳减排的相关建议以及化工园区实施碳减排的管理模式；何伟等[25]设计了节能绩效-减排绩效关系图及节能绩效、减排绩效与经济效益协调关系三角图。
在研究方法上，通过对以上文献的归纳，不难发现情景分析已成为行业温室气体减排潜力的主流分析框架。已有的国内外大部分相关研究都采用情景分析方法[5-12，13，18，19]。情景分析方法是在对经济、产业或技术的重大演变提出各种关键假设的基础上，通过对未来详细地、严密地推理和描述来构想未来各种可能的方案[26]。相比弹性系数法、趋势外推法、灰色预测法等传统的定量预测方法，情景分析法以多种假定情景为基础，强调定性与定量分析相结合。情景分析法在进行预测时，不仅可根据预测对象的内在产生机理从定量方法上进行推理与归纳，还可对各不确定因素(自变量)的几种典型的可能情况采取人为决策，从而更为合理地模拟现实。因此，情景分析法更加适用于影响因素众多、未来具有高度不确定性的问题的分析。此外，情景分析法与传统预测法还有一点显著不同。传统预测法试图勾绘被预测对象未来的最可能发生状况，以及这种可能程度的大小。而情景分析法采取的是一种多路径式的预测方式，研究各种假设条件下的被预测对象未来可能出现何种情况。在情景分析中，各种假设条件不一定会自然出现，但通过这样的分析，可帮助人们了解若要被研究对象出现某种结果需要采取哪些措施以及需要何种外部环境。
综观国内外学者的研究，有以下特点：从研究对象上来说，更多侧重于化工行业产品层面二氧化碳减排潜力的研究，而鲜有从行业整体层面的研究；从研究要素上来说，一般只考虑单一要素对二氧化碳减排的贡献，鲜有综合考虑化工行业内部结构调整、技术进步、政策变动等多因素的研究。鉴于此，本文结合化工行业的产品结构特点构建了一套化工行业二氧化碳减排潜力综合分析模型：首先结合化工行业产品种类繁多的特点，分别从行业和产品视角构建了一种两阶段二氧化碳排放核算模型；在此基础上，综合考虑化工行业的发展规模、结构调整、技术进步等因素，建立了化工行业二氧化碳减排潜力的情景分析方法，探索不同情景下化工行业的减排潜力和路径。最后运用该方法以中国西部唯一的直辖市、国家首批低碳试点城市———重庆市的化工行业为例进行应用分析。最后提出了我国化工行业低碳转型的对策建议。
2模型与分析方法
2.1核算边界
化工行业的二氧化碳排放包括两部分：一部分是由燃料燃烧产生的排放，另外一部分是工业过程和产品使用产生的排放。其中燃料燃烧产生的排放又分为化石燃料产生的直接排放以及电力、热力消耗产生的间接排放，为了体现化工行业对区域二氧化碳减排的贡献，本文将电力和热力消耗产生的间接排放也计算在内。此外，一些化工产品在生产活动中是吸碳的，例如尿素的生产，这部分被吸收的二氧化碳需要在计算中扣除。
2.2化工行业二氧化碳排放两阶段核算模型
为了能够得到化工行业全行业的二氧化碳排放量，同时能够综合考虑多种因素探索其二氧化碳减排潜力，本文针对化工行业特点构建了一种两阶段二氧化碳排放核算模型。模型中的主要参数名称及其含义见表1。
2.2.1基于全行业视角的核算方法
行业视角核算方法主要针对化工行业二氧化碳排放的历史和现状。本文所研究的化工行业包括国民经济行业分类中的化学原料及化学制品制造业、化学纤维制造业和橡胶制品业。化工行业是终端能源消费部门，通过能源平衡表，可以得到化工行业分能源品种的能源消耗量，根据2006年IPCC国家温室气体清单指南推荐的方法二，化工行业由燃料燃烧引起的二氧化碳排放量为：
部分产品在工业过程和产品使用中会产生二氧化碳排放，这部分排放量为：
此外，一些产品在生产过程中会吸收二氧化碳，被吸收的二氧化碳量为：
因此，基于行业视角核算的化工行业温室气体排放量为：
表1主要参数名称及其含义下载原表
表1主要参数名称及其含义
2.2.2基于产品视角的核算方法
化工行业产品种类虽多，但能耗相对集中在少数几种高耗能产品上，2007年，合成氨、乙烯、烧碱、纯碱、电石、甲醇这6种高耗能产品的能源消耗量占中国化工行业的54%[19]。现有的化工行业节能减排政策大部分集中在几种主要的高耗能产品上，因此从产品层面探讨化工行业的二氧化碳排放核算更具有现实意义。本文建立一种基于产品视角的核算方法来预测化工行业未来的二氧化碳排放。首先将化工行业由燃料燃烧引起的二氧化碳排放分为高耗能产品和其他产品两部分。某种高耗能产品的二氧化碳排放量为：
其中EMi为第i种高耗能产品单位产品的二氧化碳排放量，计算方法见式(6)：
由于除主要耗能产品外的其他产品种类多，单个产品的能源消耗量不大，能源利用效率数据难以获得，所以难以从单位产品能耗的角度对这部分产品的二氧化碳排放进行核算，本文将这部分产品作为一个整体来考虑，引入单位产值的二氧化碳排放来解决这一问题。其他产品合计的二氧化碳排放量为：
工业过程和产品使用排放以及产品对二氧化碳的吸收同基于行业视角的核算方法。
因此，基于产品视角核算的化工行业温室气体排放量为：
2.3减排潜力情景分析模型
2.3.1减排潜力的定义
潜力就是存在于事物内部尚未显露出来的能力和力量。而减排潜力即存在于某一温室气体排放主体内尚未发掘的减排能力。为了能够量化表达，本文将减排潜力进一步定义为某一温室气体排放主体通过努力可以实现的减排量。
本文所关注的是化工行业未来的二氧化碳减排潜力，这里为化工行业设置多种不同的发展情景。不同情景下的行业内部结构、技术水平、所面临的宏观和微观政策各不相同，相应的会得到不同的二氧化碳排放路径。其中一种情景称之为BAU(BusinessAsUsual)情景，也叫照常发展情景，该情景下化工行业现有的能源消费和经济发展趋势与当前的发展趋势基本保持一致，沿用既有的节能减排政策和措施，不特别采取针对气候变化的对策。其他情景中化工行业分别针对气候变化做不同程度的努力。所谓化工行业的二氧化碳减排潜力，针对关注的指标不同，有两类不同的含义。一是绝对二氧化碳减排潜力，即目标年份中其他各情景的二氧化碳排放量相比BAU情景的减少量；二是相对二氧化碳减排潜力，即目标年份的二氧化碳排放强度相比基准年份降低的百分比。
通过同一年份各情景与BAU情景二氧化碳排放总量的横向比较，以及同一情景不同年份间二氧化碳排放强度的纵向比较，便可分别得到化工行业的绝对和相对二氧化碳减排潜力。
2.3.2情景分析模型
根据减排潜力的定义，y年份化工行业的绝对二氧化碳减排潜力为：
其中CEyBAU为y年份化工行业BAU情景的二氧化碳排放总量，CEly为y年份化工行业情景l下的二氧化碳排放总量。
相对二氧化碳减排潜力是针对二氧化碳排放强度设置的指标，化工行业的二氧化碳排放强度为：
，其中V为化工行业的工业增加值。由此可以得到，y年份化工行业的相对二氧化碳减排潜力为：
其中，为基准年化工行业的二氧化碳排放强度，CEIly为y年份化工行业在情景l下的二氧化碳排放强度。
3案例分析
3.1对象描述
本文应用上述模型方法以重庆市化工行业为例展开分析。化工行业是重庆市重要的支柱产业之一。2011年重庆市化工行业实现工业总产值902亿元，占重庆市工业总产值的比重达到7.6%。重庆市缺煤少油，但天然气资源丰富，重庆市是国内门类最齐全、产品最多，综合技术水平最高的天然气化工生产基地。但重庆市化工行业部分产品的工艺技术路线落后，产品结构有待调整优化。2009年重庆市化工行业的精细化率仅约20%，低于全国的30%-40%的平均水平，更低于发达国家的60%-70%的水平。
根据重庆市化工行业发展现状和趋势，本文选取了合成氨、烧碱、纯碱、甲醇、石油加工、乙烯和钛白粉这七种产品作为重庆市化工行业的主要耗能产品。其中，2005年合成氨、烧碱、纯碱、甲醇和钛白粉这五种产品合计的二氧化碳排放占化工行业总体排放的46.5%，而石油加工、乙烯将是重庆市化工行业“十二五”期间重点发展的石油化工产业链中的上游产品。本文利用前文所述的化工行业二氧化碳减排潜力分析模型，分析了重庆市化工行业分别到2015年和2020年的二氧化碳排放变化情况，并通过不同情景间的比较得到其减排潜力。
3.2情景设置
化工行业的能源消耗和二氧化碳排放主要由以下几方面因素决定：产业发展规模，产业内部结构，高耗能产品的产量，技术结构的调整，产品的技术进步率等。本文根据以上这些因素为重庆市化工行业设计了三个发展情景。
在这三种情景中，重庆化工行业未来经济发展变化的基本趋势保持一致。2005—2011年重庆市化学工业总产值年均增长29.5%，未来重庆化工行业将继续保持比较高的经济增长速度。根据《重庆市化工行业三年振兴规划》，到2015年重庆市化工行业总产值将达到2000亿元。由此本文设定2011-2015年重庆市化学工业总产值的年均增长率为23.0%，2015-2020年年均增长率降低到20.0%。与此不同的是，为了支持这种经济的发展需求，三种情景分别设定了不同的能源消费增长和利用模式，具体描述如下。
表2情景定性描述表下载原表
表2情景定性描述表
3.3数据来源及处理过程
重庆市化工行业总产值和增加值现状数据来自《重庆市统计年鉴》(2005-2012)，化工行业未来总产值数据来自《重庆市化工行业三年振兴规划》；行业内部结构现状数据来自《重庆市化工行业统计公报》(2005-2010)；化工行业分能源品种能源消耗量数据来自《中国能源统计年鉴》(2005-2012)；各主要耗能产品产量数据来自《重庆市统计年鉴》(2005-2012)；各主要高耗能产品综合能耗参照《中国化学工业年鉴》、《中国低碳发展报告2011~2012》、高耗能产品能耗限额标准(由国家标准化管理委员会制定和颁布)和《能效及可再生能源项目融资指导手册(2008)》，各主要高耗能产品未来所采用的工艺比例和能源消耗参考《2050中国能源和碳排放报告》中的设置，不同的情景将设置不同的技术参数；各种一次能源的二氧化碳排放因子以及各主要耗能产品工业过程与产品使用的排放因子均来自《省级温室气体清单编制指南》，电力的二氧化碳排放因子参考中国国家发改委每年公布的“中国区域电网基准线排放因子的公告”，蒸汽的二氧化碳排放因子通过重庆市的能源平衡表间接计算得到，单位尿素吸收的二氧化碳量用尿素的碳含量(12/60)乘以二氧化碳与碳的转换因子(44/12)得到。主要耗能产品的单价参照中国化工产品网的报价。
3.4结果分析
3.4.1绝对减排潜力
(1)行业总体排放情况
通过模拟计算，重庆市化工行业未来的二氧化碳排放量如下图1所示。
图1重庆化工行业各情景二氧化碳排放总量
图1重庆化工行业各情景二氧化碳排放总量下载原图
随着石油化工的引进，未来重庆化工行业将进入一个飞速发展的阶段。三个情景的二氧化碳排放总量都呈明显的上升趋势，但由于所采取的结构调整和技术改进措施不同，二氧化碳排放总量上升的幅度有所不同。
BAU情景中，由于精细化工比例不高，到2020年只为45%，技术进步率有限，二氧化碳排放上升幅度最大。2015年和2020年的二氧化碳排放量分别为2005年的7.5和13.3倍。
节能情景中，化工行业的精细化工比例相比BAU情景有所提高，到2020年达到50%，工艺设备的技术进步也更显著。2015和2020年二氧化碳排放总量比BAU情景分别低492万吨和1338万吨。
低碳情景中，化工行业的精细化比例进一步提高，到2020年达到55%左右，主要耗能产品的技术水平达到或接近国际先进水平。2015年和2020年二氧化碳排放总量比BAU情景分别低985万吨和2644万吨。
(2)主要耗能产品排放情况
2005年，合成氨、烧碱、纯碱、甲醇和钛白粉这五种主要耗能产品合计的二氧化碳排放量占重庆市化工行业总体二氧化碳排放的46.5%。未来由于化工行业产品结构的调整，高能耗产品产出占化工行业的比例越来越低，加上化工行业工艺技术的改善，尤其对主要耗能产品进行的技术改造，使得主要耗能产品的二氧化碳排放量在重庆化工行业二氧化碳排放总量中所占的比重越来越低，见下图2：
图2八种主要耗能产品合计二氧化碳排放占化工行业总体比重
图2八种主要耗能产品合计二氧化碳排放占化工行业总体比重下载原图
BAU情景中，2015年八种主要耗能产品占化工行业总体二氧化碳排放的比重为29.7%，到2020年降低到18.4%。
节能情景中，2015年八种主要耗能产品占化工行业总体二氧化碳排放的比重降至26.2%，到2020年进一步降低到16.7%。
低碳情景中，2015年八种主要耗能产品占化工行业总体二氧化碳排放的比重为22.0%，到2020年进一步降低到15.2%。
虽然未来各情景主要耗能产品的二氧化碳排放占化工行业总体的比重有所下降，但仍在化工行业中占有重要的地位，未来在进行产品结构调整的同时，主要耗能产品的节能减排仍将是化工行业实现二氧化碳减排的重要方面。
3.4.2相对减排潜力
(1)行业总体相对减排潜力
重庆市化工行业未来的二氧化碳排放强度(万元GDP二氧化碳排放量)如下图3所示。
图3重庆化工行业各情景二氧化碳排放强度
图3重庆化工行业各情景二氧化碳排放强度下载原图
与排放总量显著上升形成鲜明对比的是，重庆化工行业的二氧化碳排放强度下降明显。原因在于重庆化工行业在未来十年将进入一个飞速发展的阶段，2020年重庆化工行业的增加值相比2005年将增加30倍。而由于对高耗能产品规模的控制，精细化工比例的大幅提高，化工行业内部结构得到不断优化；同时由于化工行业的能效水平不断提高，到2020年逐步接近或达到国际先进水平，使得三个情景中，2020年重庆化工行业的二氧化碳排放总量相比2005年分别只增加了13.3、11.6和9.9倍。从而导致三个情景化工行业的二氧化碳排放强度均有较大幅度的下降。各情景二氧化碳排放强度相比2005年降低幅度见下表3。
表3重庆化工行业各情景二氧化碳排放强度相比2005年降低百分比下载原表
表3重庆化工行业各情景二氧化碳排放强度相比2005年降低百分比
(2)主要耗能产品相对减排潜力
随着节能减排技术的不断改进和推广，未来重庆市化工行业各主要耗能产品的单位二氧化碳排放量将不断降低，由于篇幅有限，本文仅以合成氨为例进行分析。
重庆市合成氨均以天然气为原料，2005年重庆市大型天然气制合成氨的比重仅为3.8%。单位合成氨二氧化碳排放量为3.0吨。若扣除末端尿素固碳量，则2005年单位合成氨二氧化碳排放量为2.7吨。未来由于大型天然气制合成氨所占比重越来越高，使得重庆市未来单位合成氨二氧化碳排放显著降低，见下图4和图5。
图4单位合成氨二氧化碳排放量
图4单位合成氨二氧化碳排放量下载原图
图5单位合成氨二氧化碳净排放量(去除尿素固碳)
图5单位合成氨二氧化碳净排放量(去除尿素固碳)下载原图
BAU情景中，2015年大型天然气制合成氨的比重达到50%，合成氨二氧化碳排放总量占化工行业总排放的6.7%，单位合成氨二氧化碳排放降低到2.2吨；2020年大型天然气制合成氨的比重达到80%，合成氨二氧化碳排放只占化工行业总排放量的3.8%，单位合成氨二氧化碳排放进一步降低到1.8吨。
节能情景中，2015年大型天然气制合成氨的比重达到60%，合成氨二氧化碳排放总量占化工行业总排放的5.3%，单位合成氨二氧化碳排放降低到2.0吨；2020年大型天然气制合成氨的比重达到90%，合成氨二氧化碳排放总量占化工行业总排放的2.9%，单位合成氨二氧化碳排放进一步降低到1.6吨。若扣除末端尿素固碳量，2015年和2020年重庆市合成氨的二氧化碳排放量分别可减少117.3万吨和146.7万吨，单位合成氨二氧化碳排放分别降低到1.1吨和0.7吨。
低碳情景中，2015年大型天然气制合成氨的比重达到70%，合成氨二氧化碳排放总量占化工行业总排放的3.8%，单位合成氨二氧化碳排放降低到1.8吨；2020年大型天然气制合成氨的比重将达到100%，合成氨二氧化碳排放总量仅占化工行业总排放的2.3%，吨合成氨二氧化碳排放进一步降低到1.5吨。
4结语
二氧化碳排放影响范文4
【关键词】能源；碳排放；城市规划
0 引言
城市是消费最为集中的地域，消费了能源的75%，排放了全球温室气体的80%，为应对日益严重的气候变化压力及能源安全压力，提出了低碳城市的建设构想，重视城市发展过程中碳排放量的最小化，实现城市的可持续发展。
1我国我国二氧化碳排放现状与特征
1.1我国二氧化碳排放现状与特征
按购买力平价计算，我国2008年单位GDP的排放强度为每美元0.59kg二氧化碳，高于同期世界碳强度平均水平的每美元0.46kg二氧化碳。我国碳强度一直高于世界平均水平；2000年以后，我国的碳强度大约为日本的两倍。
从更长的时间尺度看，我国的能源消耗强度以及碳排放强度在20世纪50年代末和60年代初达到顶峰，之后开始下降；在20世纪70年代中后期又开始上升达到另一个高峰，只不过峰值点低于上一个峰值，呈现比较明显的双峰曲线特征。从总体上看，中国在收入很低的情况下，跨越了能源消耗或碳排放的强度高峰，相遇于发达国家不能不说是一个奇迹。
1.2工业是主要的碳排放源
《人类发展报告2009/10》的计算结果显示，按照中国的通行行业划分，在工业部门内部，排放量排前五位的行业分别是电力、热力生产和供应业业，石油加工、炼焦及核燃料加工，黑色金属冶炼及压延加工业，非金属矿物制品业，化学原料及化学制品制造业。这五大行业占工业二氧化碳排放的比例超过75%。
随着我国经济发展对电力需求的快速增长，电力成为二氧化碳激增的 主要原因。据IEA统计，中国在1990-2008年来自发电行业的排放量基本源于燃煤发电。世界能源展望（2009）参考情景预测，到2030年，我国交通部门的排放量将占到总排放量的12%。
2城市碳排放影响因素
2.1能源结构分析
能源结构之能源总生产量或总消费量中各类一次能源、二次能源的构成及其比例关系。能源结构是能源系统工程研究的重要内容，它直接影响国民经济各部门的最终用能方式，并反映人民的生活水平。
研究能源的生产结构和消费结构，可以掌握能源的生产和消费状况，为能源供需平衡奠定基础。不同国家能源的生产结构和消费结构各不相同。能源生产的资源条件，人们对环境的要求、能源贸易以及社会的技术经济发展水平等因素的影响，都会使能源结构变化相应的变化。
目前，我国能源消费结构与世界能源消费结构相比存在较大的调整空间。在一次能源消费中，石油在中国的消费比例为18.8%。世界平均水平为34.8%，中国比世界低16个百分点；天然气占中国的消费比例为3.6%，低于世界平均水平（24.1%）20个百分点以上，而中国的煤炭消费比例高达70.2%，高于世界平均水平（29.2%）41个百分点；中国的核电只占不到1%，而世界平均水平达到了5.5%。我国能源消费结构差异巨大，可以调整的空间也很大。
2.2产业结构分析
产业的低碳化，只要是以低能耗低污染为基础的产业，是同能源、交通、建筑、农业、工业、服务、消费等领域有密切关系的产业。产业的低碳化主要核心的两部分，一是清洁能源，即包括太阳能、风能、生物能、水、电、潮汐、地热等，也包括延伸出来的清洁煤炭技术等；另一个就是节能减排技术，主要是提高能源利用效率的各种技术，涉及供应、交通、建筑等。
除了两个核心部分，还有衍生出来的低碳金融，包括碳排放交易、投资低碳的基金、信贷等衍生品。
2.3人口因素分析
人口是经济和社会系统的核心，是发展的原动力和最终受益者，因此，人口问题是人类社会生存发展的基本问题。20世纪下半叶，全球范围内的经济稳定的发展，人口出生率大于死亡率，人口快速增长。人口过多必然必然造成资源的过度需求，导致资源过度消耗，从而加重资源危机。目前由于人类技术远远赶不上人口增长和消费需求的增长，而不可再生资源的储量是有限的，在一定的历史时期和一定的科学技术水平上，资源是有限的，人口过多必然加剧资源的利用危机，降低人均资源量。
3结论
城市低碳发展是一个涉及人口、资源、技术、制度等因素，各个因素之间是相互影响的动态进程，人口因素是传统因素分析的必然研究内容，而能源结构和产业结构是传统分析较少涉及的，本文对以上的几种因素进行了简单的分析概况，为碳排放驱动因素进行多角度、多层次的分析。
【参考文献】
[1]徐筑燕.发展经济学[M]清华大学出版社，2012，4
[2]娄伟.低碳经济规划[M]社会科学文献出版社，2011，1
二氧化碳排放影响范文5
（华北电力大学（保定） 经济管理学院，河北 保定 071003）
摘要：基于灰色理论和马尔科夫理论,建立传统的灰色马尔科夫预测模型;对传统灰色马尔科夫预测模型初始预测值的构造存在的一定误差进行改进,并用改进后的新模型计算全国碳排放量，然后将全国碳排放量预测结果与传统的灰色马尔科夫模型进行对比;预测结果表明:改进后的灰色马尔科夫模型预测精度有了进一步的提高并验证了算法的有效性.
关键词 ：碳排放量；二氧化碳排放量；灰色理论模型；马尔科夫链；新陈代谢
中图分类号：F224文献标识码：A文章编号：1673-260X（2015）05-0071-03
1 引言
中国作为世界上最重要的发展中国家之一，多种因素促成碳的排放量始终高于其他国家.目前中国是全球最大的碳消费国和第二大的石油消费国，对世界环境和自身发展都造成了不利影响.因此针对碳排放量的先进准确预测变得尤为重要，它能够使得政府或相关部门在碳排放量情况变得更加严峻之前调整能源方针，提出更加行之有效的节能低碳方案并付诸行动.
文献[1]中拟建立关于能源消费碳排放量的多因素灰色预测模型,并对GM(1,N)和GM(0,N)模型预测能源消费碳排放量的精度进行了检验和对比分析.文献[2]中利用灰色关联分析原理,对中国碳排放影响因素进行筛选,再利用BP神经网络模型对中国碳排放进行预测,从而大大地提高了神经网络的训练速度,并且达到了良好的预测效果.
2 传统的灰色马尔科夫建模
2.1 灰色系统理论
设原始时间序列：X(0)={x(0)(1),x(0)(2),…,x(0)(n)}；经过一次累加得新的时间序列：X(1)={x(1)(1),x(1)(2),…,x(1)(n)}，其中x(1)(k)=x(0)(i)，则GM(1,1)模型的原始形式为：
x(0)(k)+ax(1)(k)=b
若为参数列，且其中:
z(1)(k)=1/2[x(1)(k-1)+x(1)(k)]；
则GM(1,1)模型x(0)(k)+ax(1)(k)=b的最小二乘估计参数列满足等式：
=(BTB)-1Y
推出关于x(0)(k)预测模型预测值表达式为：
x(0)(+1)=(1-ea)x(0)(1)-b/ae(-ak)；k=0,1,2,…，n
2.2 马尔科夫过程
假设{X(t),t∈T}是定义在概率空间(?赘,f,P)上的随机过程，状态空间S，若对于任意n>0状态i1，i2，in+1∈S均有：
P{Xn+1=in+1|X1=i1，X2=i2,…,Xn=in}=P{Xn+1=in+1|Xn=in}
则称{X(t)，t∈T}为马尔科夫链，此种概率所表示现象称为无后效性，即在当前情况下，系统未来的变化不受过去影响，只依赖于目前所处的状态，此过程为马尔科夫过程.
对Pij(n)(m)=P{Xm+n=j|Xm=i}，且i,j∈S进行定义为系统在m时刻所处i状态下经过n步转移后处于j状态的n步转移概率，在齐次马尔科夫链下，记Pij(n)=Pij(n)(m)，i,j∈S,n≥1，称为马尔科夫链的n步转移概率；
设Pij={pij}=为系统状态的转移概率矩阵.n步转移概率矩阵P(n)={Pijn}，矩阵元素具有如下性质：
2.3 传统灰色马尔科夫模型
现实生活中的各种不确定因素使得转移概率难以实现确切地表达，只能得到一个转移概率取值的灰色区间集pij().
若有限状态灰色马尔科夫链的初始分布为PT(0)={p1,p2,…,pn}，转移矩阵为p()=[pij()]均已知情况下，我们可以对未来任取某一时期系统的分布进行预测.即：
PT(s)=PT(0)Ps().
定义Qij(m)为从灰色状态i经m步后转移到灰色状态j的原始数据样本数，Qi为所处灰色状态i的原始样本数，得到：pij(m)=；i=1,2,…,n为状态转移概率.
通常只考虑一步状态概率矩阵，若预测对象处于k状态，若状态概率矩阵中第k行满足：，则认为系统下一时间点最有可能由k转移到l状态.若存在两个或两个以上最大值，就需要对两步或两步以上的转移概率矩阵进行考察，以便确定状态未来走向.
3 传统模型对全国碳排放预测
3.1 数据提取与转化
由中国统计年鉴得到2005年至2014年各年能源消费总量及煤炭、石油、天然气以及电能等所占能源消耗比例，见表3-1.
由于计算各年二氧化碳排放量过程中需要进行系数转化，因此给出各能源二氧化碳转化系数，见表3-2.
因此，各年二氧化碳排放量，如下表3-3所示.
3.2 模型预测结果及分析
将所得各年CO2排放量数据带入传统灰色预测模型，得到各年CO2排放量的预测数值，计算出实际值与预测值之间的误差以及误差相对值，然后将其与马尔科夫链模型相结合，对所得误差相对值进行排序，并按照顺序分为三组，进行三种灰色状态划分，记1=（-6.9%，-1.54%]，2=(-1.54%，-0.01%]，3=（-0.01%，2.55%],具体各年预测值、误差、相对误差及所属状态见表3-4.
由表3-4可知，相对误差的状态转移矩阵P为：
P=
2005年处于状态1，则状态向量表示为x0=（1,0,0），则对2006年状态预测为：
P(1)=x0P=(1,0,0)=(1/2,0,1/2)
则预测2006年可能处于第一状态或者是第三状态，即相对的误差范围处于（-6.9%，-1.54%]或3=（-0.01%，2.55%]，每个状态区间可能预测值可认定为该状态区间的中点，由于未来状态预测值表达式为：
因此2006年的二氧化碳排放量预测修正值为：
同单纯灰色预测模型相比，灰色马尔科夫模型的预测值更为准确，同理通过灰色马尔科夫预测模型得出各年二氧化碳预测值.见表3-5.
4 改进的灰色马尔科夫预测模型
为了能够更准确地了解系统未来的发展动态和走向，我们引入了新陈代谢的GM(1,1)模型.新陈代谢的GM(1,1)模型作为灰GM(1,1)模型的一种特殊的优化模型，它充分利用了灰色GM(1,1)模型对“少数据”进行预测的这一优点.在将旧的信息去掉的同时不断填充新的数据信息，及时地反应系统当前的状态特征，有利于更好地掌握系统的未来发展走向.
首先将由灰色模型得到的2014预测值记为x(0)(10)，然后舍弃最早的2005年数据，则得到新的X(0)={x(0)(2),x(0)(3),……,x(0)(10)}，然后得到新模型的预测值、残差、相对误差及所属状态，见表4-1.
同理，对所得误差相对值进行排序，并按照顺序分为三组，进行三种灰色状态划分，记1=（-2.94%，-0.79%]，2=(-0.79%，0.15%)，3=[0.62%，2.41%],由表4-1可知，相对误差的状态转移矩阵P为：
同理，通过状态转移矩阵，得出各年预测值，见表4-2.
5 改进后模型的预测结果分析比较
通过前面四章分析计算，可以分别得出三种方法的平均绝对误差、平均相对误差以及均方差，见表5-1：
由表5-1可知，改进后的灰色马尔科夫模型具有更为客观的平均绝对误差和相对误差值，同时也具有较为优秀的均方差值，尤其是在2014年的预测中，表现的尤为优秀，表明同新陈代谢相结合的灰色马尔科夫改进后模型能够准确预测全国二氧化碳排量总量，因此用这种方法改进的模型具有可行性，提高了预测的准确性.
6 结论
本文在理论、方法、以及技术上对全国二氧化碳的排放量预测进行了研究.本文首先简单介绍了马尔科夫过程和灰色系统理论的一些基础知识；然后分别运用传统灰色模型和灰色马尔科夫预测模型对二氧化碳排放量进行了初步预测；最后，用新城代谢方法对灰色马尔科夫预测模型做了改进，并将改进后的模型再次用于对全国邮电业务总量的预测.由最终的预测结果可以得出，改进后的预测模型能相对准确地对全国二氧化碳排放量的数据进行预测，预测的精度和准确度相对于传统模型有了很大的提升.
参考文献：
〔1〕张勇，刘婵，姚亚平.GM(1,N)与GM（0,N）模型在能源消费碳排放预测中的比较研究[J].数学的实践与认识,2014(3):72-79.
〔2〕季广月.基于灰色关联分析的BP神经网络模型在中国碳排放预测中的应用[J].数学的实践与认识,2014(7):243-249.
〔3〕邓聚龙.灰色理论基础[M].武汉：华中科技大学出版社，2002.
〔4〕邓聚龙.灰色系统基本方法[M].武汉：华中科技大学出版社，1998.
〔5〕刘思峰，党耀国，方志耕，等.灰色系统理论及应用（第三版）[M].北京：科学出版社，2004.
〔6〕孙荣恒.随机过程及其应用[M].北京：清华大学出版社，2004.
〔7〕李龙锁，王勇.随机过程[M].北京：科学出版社，2011.
〔8〕牛东晓..粒子群优化灰色模型在电力负荷中的应用[J].中国管理科学，2007.
二氧化碳排放影响范文6
一、碳排放的研究内容和研究方法
碳排放量主要是根据二氧化碳产生的化学原理，制定出最优化的碳排放量的估算方法，工作人员应该分析当前中国碳排放和经济发展的现状，并由此确定二者之间相互影响的作用方向；还可以通过抽样调查，从中探究碳排量和农业经济增长的关系[1]。碳排放的研究方法可分为以下两种：
1碳排放测算方法
碳排放量可以按照生产者和消费者的责任原则进行计算，计算的公式为：碳排（29.27MJ/kg）×燃料含碳量×氧化率×C转化为CO2的系数44/12。
2弹性分析法
在对经济增长和碳排放的关系进行分析时，应采用弹性分析法对CO2排放量的GDP弹性进行计算，该公式为：碳排放量的GDP弹性=CO2排放量变化的百分比/GDP变化的百分比。
二、中国碳排放的现状
要知道，只有消耗能源才能促进国家的经济增长，那么，在消耗能源的背后就是对环境的危害，尤其是碳排放，对生态环境造成了很大的威胁，就近几年中国的碳排放量进行分析[2]，总结出：随着时间的变化，碳排放量的增长率在逐年增长。由此可见，碳排放在促进增长的建设中扮演着重要的角色。
三、中国经济增长与碳排放脱钩状况
近20年来，中国的碳排放量和GDP增长的脱钩状态分为以下三个阶段：第一阶段呈现弱脱钩的状态；第二阶段主要表现为扩张性负脱钩；第三阶段又回到了弱脱钩的状态，这三个阶段呈现的是低-高-低的趋势，由此可见，经济的增长速度越快，碳排放量就越多，也就是说，碳排放量是随着经济增长的多少决定的。
四、经济增长与碳排放之间关系的宏观背景
由于碳排放所带来的环境问题已经被越来越多的人们关注，这主要是因为人们在追求经济增长的同时，严重的破坏了自然环境，实际上，这不仅破坏了环境还给人们的生活造成了影响。现今，全球气候变暖已经变成了事实，为了控制这一情况的继续发展，低碳经济作为一种新型的经济发展形态应运而生。那么，如何发展低碳经济呢？首先，要确定发展低碳经济的途径，其途径是：调整经济结构、改变生活方式以及发展可再生能源技术，当然除此之外还要充分地发挥政府的职能，提高政府的管理水平。低碳经济从表面上看是为了应对温室气体排放而制定的新型经济发展形态，实际上，它也包含很多内容[3]，它不仅是企业发展的主体，还是现代市场经济发展的主要模式，实行低碳经济模式，必须要从多方面进行节能减排，要知道，节能减排是构建低碳文明的基础，它可以促使环境和经济增长同时发展，所以，低碳经济是国家可持续发展的必由之路，与此同时，低碳经济也成为了国家可持续发展的指南，为可持续发展提供了可操作性路径，主要包括：低碳能源系统、低碳产业系统、低碳技术系统等。碳排放与经济增长的关系是低碳经济发展持续的关键之处，只有处理好碳排放与经济增长的关系，才可以顺利推进国家的可持续发展。
五、碳排放影响因素的实证研究
要想让中国的经济更快更好地发展,就要明确以下几个问题:碳排放影响因素的问题？不同区域的碳排放影响相同吗？这些因素是如何影响碳排放的？这些问题都对国家的经济增长有着重要的影响。根据众多的专家研究，可以得出影响碳排放的主要因素是：产业的规模、结构以及能源消费结构和技术管理水平等。通过对影响碳排放的主要因素进行分析[4]，可以得出：在国家经济增长的同时，农业的产业规模也在不断扩大，由此可得出，在能源消费的过程中，碳排放的数量是随着煤炭的碳排量系数升高而增大的，为控制碳排放量的增大，要做到以下几点：
1加快产业结构的调整
目前，中国正处在工业化发展时期，二氧化碳的排放给中国的环境带来了很大的压力，因此，要对产业结构进行调整，完成中国产业结构的升级，以促进低碳经济的发展，减少碳排放。
2加快技术创新
无论是任何一项工作都应该要求有技术上的创新，所以，在控制碳排放上也要加强技术创新，通过先进的技术减少污染物的排放，从而推动国家的经济发展。
3增加洁净能源
要知道，中国是一个将煤炭作为主要能源的国家，所以，大量的碳排放都是因为煤炭的燃烧而产生的，为控制碳排放，应加大利用可再生能源，以此来改变能源结构，达到控制碳排放的目的。总之，中国要减少碳排放，就要对农业的产业结构进行调整，与此同时，提升清洁生产水平，这对控制碳排放也很重要，只有这样，才能实现经济增长和碳排放之间的协调发展。
结束语：