CN104063630A - 一种地区碳排放量预测方法 - Google Patents
一种地区碳排放量预测方法 Download PDFInfo
- Publication number
- CN104063630A CN104063630A CN201410340546.1A CN201410340546A CN104063630A CN 104063630 A CN104063630 A CN 104063630A CN 201410340546 A CN201410340546 A CN 201410340546A CN 104063630 A CN104063630 A CN 104063630A
- Authority
- CN
- China
- Prior art keywords
- carbon emission
- emission amount
- regional
- tested
- influence factor
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Abstract
本发明涉及一种地区碳排放量预测方法,基于全新建模,操作方便快捷,能够根据该被测地区碳排放影响因素变化趋势和该被测地区未来年份发展规划,准确实现不同碳排放情景下,碳排放量的预测,且步骤清晰简明。
Description
技术领域
本发明涉及一种地区碳排放量预测方法。
背景技术
目前国内外学术界对碳排放峰值预测方面的研究主要集中在能源消费的碳排放量峰值方面,研究主要方法集中在运用STIRPAT模型、LEAP模型、EKC曲线、MARKAL-MACRO模型方面,根据能源消耗量、碳排放强度等预估未来的碳排放变化趋势等。
国家发改委能源所2010年对中国2050年低碳发展道路进行研究,发现中国2035年基本达到中国工业化阶段后,低碳情景的国家碳排放总量和人均碳排放开始出现拐点,并随后保持较快的持续下降趋势。陈俊武2011年对中国的碳排放峰值进行了预测,表明我国二氧化碳排放峰值年大约在2025年,大约是85.6亿吨CO2。姜克隽等利用IPAC模型,对我国未来中长期的能源需求与温室气体排放情景进行分析。结果显示:基准情景下,中国化石燃料产生的碳排放将于2040年达到峰值;强化低碳情景下,中国将于2030年达到峰值,因此如何准确研究预测碳排放量将有助于更好的实现低碳发展。
发明内容
针对上述技术问题,本发明所要解决的技术问题是提供一种基于全新预测模型,操作方便快捷,能够更准确的实现碳排放量预测的地区碳排放量预测方法。
本发明为了解决上述技术问题采用以下技术方案:本发明设计了一种地区碳排放量预测方法,包括如下步骤:
步骤001.核算被测地区的各历史年份碳排放量I和各历史年份对应的碳排放影响因素,其中,碳排放影响因素包括被测地区人口因素P、被测地区人均财富A、被测地区技术水平T;
步骤002.建立碳排放量预测模型如下所示:
lnI=a+b(lnP)+c(lnA)+d(lnT)+e
根据各历史年份碳排放量I、各历史年份对应的碳排放影响因素,获取碳排放量预测模型中常数项a的值、回归系数b、c、d的值和误差项e的值;
步骤003.根据该被测地区历年碳排放影响因素变化趋势、该被测地区未来年份发展规划,设定不同的碳排放情景,并获得不同碳排放情景下,各未来年份对应碳排放影响因素的预测值;
步骤004.根据不同碳排放情景下,各未来年份对应碳排放影响因素的预测值,分别通过碳排放量预测模型获得不同碳排放情景下,该被测地区各未来年份的碳排放量。
作为本发明的一种优选技术方案:所述步骤002中,采用岭回归分析方法消除各个碳排放影响因素的多重共线性,并根据消除了多重共线性的各个碳排放影响因素建立碳排放量预测模型。
作为本发明的一种优选技术方案:还包括位于步骤004之后的步骤005如下:
步骤005.根据所述不同碳排放情景下,该被测地区各未来年份的碳排放量,分别获得不同碳排放情景下,该被测地区未来年份碳排放量的变化趋势,并分别获得不同碳排放情景下,该被测地区未来年份碳排放量峰值。
作为本发明的一种优选技术方案:所述被测地区技术水平包括被测地区能源强度和被测地区二产比重。
本发明所述一种地区碳排放量预测方法采用以上技术方案与现有技术相比,具有以下技术效果:
(1)本发明设计的地区碳排放量预测方法,基于全新建模,操作方便快捷,能够根据该被测地区碳排放影响因素变化趋势和该被测地区未来年份发展规划,准确实现不同碳排放情景下,碳排放量的预测,且步骤清晰简明;
(2)本发明设计的地区碳排放量预测方法中,针对碳排放量预测模型的建立,采用岭回归分析方法能够有效消除各个碳排放影响因素的多重共线性,并据此建立碳排放量预测模型,有效提高了最终碳排放量预测的准确性;
(3)本发明设计的地区碳排放量预测方法中,针对获得不同碳排放情景下,被测地区各未来年份的碳排放量,还可由此进一步获得不同碳排放情景下,被测地区的碳排放量峰值,可以为城市发展规划提供有力的参考数据。
附图说明
图1是本发明设计地区碳排放量预测方法的流程示意图;
图2是实施例中某被测地区碳排放量变化趋势示意图;
图3是实施例中某被测地区未来年份碳排放量的变化趋势示意图。
具体实施方式
下面结合说明书附图对本发明的具体实施方式作进一步详细的说明。
如图1所示,本发明设计一种地区碳排放量预测方法在实际应用过程中,具体包括如下步骤:
步骤001.统计被测地区年鉴中的相关数据,核算该被测地区的各历史年份碳排放量I和各历史年份对应的碳排放影响因素,其中,碳排放影响因素包括被测地区人口因素P、被测地区人均财富A、被测地区技术水平T,所述被测地区技术水平包括被测地区能源强度和被测地区二产比重;
步骤002.考虑各个碳排放影响因素之间存在彼此关联、互相影响的关系,采用岭回归分析方法消除各个碳排放影响因素的多重共线性,并根据消除了多重共线性的各个碳排放影响因素建立碳排放量预测模型如下所示:
lnI=a+b(lnP)+c(lnA)+d(lnT)+e
根据各历史年份碳排放量I、各历史年份对应的碳排放影响因素,获取碳排放量预测模型中常数项a的值、回归系数b、c、d的值和误差项e的值;
步骤003.根据该被测地区历年碳排放影响因素变化趋势、该被测地区未来年份发展规划,设定不同的碳排放情景,并获得不同碳排放情景下,各未来年份对应碳排放影响因素的预测值;
步骤004.根据不同碳排放情景下,各未来年份对应碳排放影响因素的预测值,分别通过碳排放量预测模型获得不同碳排放情景下,该被测地区各未来年份的碳排放量;
步骤005.根据所述不同碳排放情景下,该被测地区各未来年份的碳排放量,分别获得不同碳排放情景下,该被测地区未来年份碳排放量的变化趋势,并分别获得不同碳排放情景下,该被测地区未来年份碳排放量峰值;
本发明设计的地区碳排放量预测方法,基于全新建模,操作方便快捷,能够根据该被测地区碳排放影响因素变化趋势和该被测地区未来年份发展规划,准确实现不同碳排放情景下,碳排放量的预测,且步骤清晰简明。其中,针对碳排放量预测模型的建立,采用岭回归分析方法能够有效消除各个碳排放影响因素的多重共线性,并据此建立碳排放量预测模型,有效提高了最终碳排放量预测的准确性;并且,针对获得不同碳排放情景下,被测地区各未来年份的碳排放量,还可由此进一步获得不同碳排放情景下,被测地区的碳排放量峰值,可以为城市发展规划提供有力的参考数据。
本发明设计的地区碳排放量预测方法在实际的应用过程中,可以参加如下具体实施例:
步骤001.如图2所示为某被测地区2000-2013年的相关数据,核算该被测地区2000-2013年的各历史年份碳排放量,并由此获取该被测地区碳排放影响因素的历年变化趋势,如下表1所示,其中,碳排放影响因素包括被测地区人口因素P、被测地区人均财富A、被测地区技术水平T,所述被测地区技术水平包括被测地区能源强度Te和被测地区二产比重Ti;
表1 碳排放影响因素的历年变化趋势
步骤002.由于人口因素P、人均财富A、能源强度、二产比重相互影响,且其方差膨胀因子VIF均大于10,表明这四个影响因素存在将强的多重共线性,为了消除各个碳排放影响因素之间的多重共线性,采用岭回归分析方法消除各个碳排放影响因素的多重共线性,并根据消除了多重共线性的各个碳排放影响因素建立碳排放量预测模型如下所示:
lnI=a+b(lnP)+c(lnA)+d(lnT)+e
根据各历史年份碳排放量I、各历史年份对应的碳排放影响因素,获取碳排放量预测模型中常数项a的值、回归系数b、c、d的值和误差项e的值,即该被测地区的碳排放量预测模型如下所示:
lnI=4.1957(lnP)+0.3263(lnA)+0.7156(lnTi)-0.0634(lnTe)-15.9299
(R2=0.9802,F=645.281,sig.=0.000)
(R2为回归分析的决定系数,该值越接近1,表明该回归方程的拟合度较高,F值检验是对回归方程整体显著性的检验,F值为645.281,其对应的表征该方程的显著性水平的值sig为0.000,明显小于0.05,表明该方程的显著性水平较高)
步骤003.根据该被测地区历年碳排放影响因素变化趋势、该被测地区未来年份发展规划,如“十二五”发展规划、能源发展规划、经济发展规划、人口发展规划等区域规划,设定不同的碳排放情景,包括基准碳排放情景、中等减排碳排放情景、强减排碳排放情景三种不同的碳排放情景,其中,根据该被测地区历年碳排放影响因素变化趋势,确定基准碳排放情景下,该被测地区各碳排放影响因素的变化幅度;并根据该被测地区未来年份发展规划,确定强减排碳排放情景下各碳排放影响因素变化幅度;根据该被测地区历年碳排放影响因素变化趋势和该被测地区未来年份发展规划,确定中等减排碳排放情景下各碳排放影响因素的变化幅度;并获得不同碳排放情景下,各未来年份对应碳排放影响因素的预测值;不同的碳排放情景如下表所示:
表2 不同的碳排放情景下碳排放影响因素变化幅度
步骤004.根据不同碳排放情景下,各未来年份对应碳排放影响因素的预测值,分别通过碳排放量预测模型获得不同碳排放情景下,该被测地区各未来年份的碳排放量;
步骤005.根据所述不同碳排放情景下,该被测地区各未来年份的碳排放量,分别获得不同碳排放情景下,该被测地区未来年份碳排放量的变化趋势,如图3所示,并分别获得不同碳排放情景下,该被测地区未来年份碳排放量峰值,即该被测地区在强减排碳排放情景下将在2023年出现碳排放量峰值,在中等减排碳排放情景下将在2022年出现碳排放量峰值,可以为城市发展规划提供有力的参考数据。
上面结合附图对本发明的实施方式作了详细说明,但是本发明并不限于上述实施方式,在本领域普通技术人员所具备的知识范围内,还可以在不脱离本发明宗旨的前提下做出各种变化。
Claims (4)
1.一种地区碳排放量预测方法,其特征在于,包括如下步骤:
步骤001.核算被测地区的各历史年份碳排放量I和各历史年份对应的碳排放影响因素,其中,碳排放影响因素包括被测地区人口因素P、被测地区人均财富A、被测地区技术水平T;
步骤002.建立碳排放量预测模型如下所示:
lnI=a+b(lnP)+c(lnA)+d(lnT)+e
根据各历史年份碳排放量I、各历史年份对应的碳排放影响因素,获取碳排放量预测模型中常数项a的值、回归系数b、c、d的值和误差项e的值;
步骤003.根据该被测地区历年碳排放影响因素变化趋势、该被测地区未来年份发展规划,设定不同的碳排放情景,并获得不同碳排放情景下,各未来年份对应碳排放影响因素的预测值;
步骤004.根据不同碳排放情景下,各未来年份对应碳排放影响因素的预测值,分别通过碳排放量预测模型获得不同碳排放情景下,该被测地区各未来年份的碳排放量。
2.根据权利要求1所述一种地区碳排放量预测方法,其特征在于:所述步骤002中,采用岭回归分析方法消除各个碳排放影响因素的多重共线性,并根据消除了多重共线性的各个碳排放影响因素建立碳排放量预测模型。
3.根据权利要求1或2所述一种地区碳排放量预测方法,其特征在于:还包括位于步骤004之后的步骤005如下:
步骤005.根据所述不同碳排放情景下,该被测地区各未来年份的碳排放量,分别获得不同碳排放情景下,该被测地区未来年份碳排放量的变化趋势,并分别获得不同碳排放情景下,该被测地区未来年份碳排放量峰值。
4.根据权利要求1所述一种地区碳排放量预测方法,其特征在于:所述被测地区技术水平包括被测地区能源强度和被测地区二产比重。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410340546.1A CN104063630A (zh) | 2014-07-16 | 2014-07-16 | 一种地区碳排放量预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410340546.1A CN104063630A (zh) | 2014-07-16 | 2014-07-16 | 一种地区碳排放量预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN104063630A true CN104063630A (zh) | 2014-09-24 |
Family
ID=51551340
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410340546.1A Pending CN104063630A (zh) | 2014-07-16 | 2014-07-16 | 一种地区碳排放量预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104063630A (zh) |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109190211A (zh) * | 2018-08-17 | 2019-01-11 | 中国科学院地理科学与资源研究所 | 一种核定区域排放空间的方法 |
CN112529331A (zh) * | 2020-12-23 | 2021-03-19 | 天津大学 | 基于leap模型的多情境道路交通节能减排预测方法 |
CN113360828A (zh) * | 2021-05-19 | 2021-09-07 | 黄子 | 一种新型lwc大规模碳沉降计算模型的构建方法及应用 |
CN113742817A (zh) * | 2021-08-12 | 2021-12-03 | 生态环境部环境规划院 | 一种建筑二氧化碳排放的预测方法及预测系统 |
CN113780632A (zh) * | 2021-08-19 | 2021-12-10 | 广东能源集团科学技术研究院有限公司 | 一种发电企业碳达峰预测方法及装置 |
CN113971488A (zh) * | 2021-10-25 | 2022-01-25 | 上海宝钢节能环保技术有限公司 | 一种预测钢铁冶金企业碳排放量的方法 |
CN114240005A (zh) * | 2022-02-24 | 2022-03-25 | 国网浙江省电力有限公司信息通信分公司 | 基于多维参考量和时间序列的碳排放预测方法及装置 |
CN114611845A (zh) * | 2022-05-12 | 2022-06-10 | 浙江省发展规划研究院 | 碳排放量的预测方法、装置、电子设备及介质 |
CN115438880A (zh) * | 2022-11-08 | 2022-12-06 | 华北电力大学 | 一种基于减碳效应与增耗效应的新基建碳排放预测方法 |
CN117669899A (zh) * | 2024-02-02 | 2024-03-08 | 航天宏图信息技术股份有限公司 | 农业碳排放减排潜力分析方法、系统、电子设备及介质 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102760250A (zh) * | 2011-04-28 | 2012-10-31 | 国际商业机器公司 | 用于选择碳排放预测方案的方法、设备和系统 |
CN103294928A (zh) * | 2013-06-28 | 2013-09-11 | 华北电力大学(保定) | 一种碳排放组合预测方法 |
-
2014
- 2014-07-16 CN CN201410340546.1A patent/CN104063630A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102760250A (zh) * | 2011-04-28 | 2012-10-31 | 国际商业机器公司 | 用于选择碳排放预测方案的方法、设备和系统 |
CN103294928A (zh) * | 2013-06-28 | 2013-09-11 | 华北电力大学(保定) | 一种碳排放组合预测方法 |
Non-Patent Citations (4)
Title |
---|
刘宇光: "陕西省碳排放特征与未来减排潜力研究", 《中国优秀硕士学位论文全文数据库经济与管理科学辑》 * |
宋杰鲲: "山东省能源消费碳排放预测", 《技术经济》 * |
张伟等: "基于情景分析的区域经济社会低碳发展路径研究", 《统计与信息论坛》 * |
朱明许: "安徽省碳排放影响因素分解分析及情景预测", 《万方数据知识服务平台》 * |
Cited By (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109190211A (zh) * | 2018-08-17 | 2019-01-11 | 中国科学院地理科学与资源研究所 | 一种核定区域排放空间的方法 |
CN112529331A (zh) * | 2020-12-23 | 2021-03-19 | 天津大学 | 基于leap模型的多情境道路交通节能减排预测方法 |
CN113360828A (zh) * | 2021-05-19 | 2021-09-07 | 黄子 | 一种新型lwc大规模碳沉降计算模型的构建方法及应用 |
CN113742817A (zh) * | 2021-08-12 | 2021-12-03 | 生态环境部环境规划院 | 一种建筑二氧化碳排放的预测方法及预测系统 |
CN113742817B (zh) * | 2021-08-12 | 2022-04-12 | 生态环境部环境规划院 | 一种建筑二氧化碳排放的预测方法及预测系统 |
CN113780632B (zh) * | 2021-08-19 | 2023-05-30 | 广东能源集团科学技术研究院有限公司 | 一种发电企业碳达峰预测方法及装置 |
CN113780632A (zh) * | 2021-08-19 | 2021-12-10 | 广东能源集团科学技术研究院有限公司 | 一种发电企业碳达峰预测方法及装置 |
CN113971488A (zh) * | 2021-10-25 | 2022-01-25 | 上海宝钢节能环保技术有限公司 | 一种预测钢铁冶金企业碳排放量的方法 |
CN114240005A (zh) * | 2022-02-24 | 2022-03-25 | 国网浙江省电力有限公司信息通信分公司 | 基于多维参考量和时间序列的碳排放预测方法及装置 |
CN114240005B (zh) * | 2022-02-24 | 2022-06-03 | 国网浙江省电力有限公司信息通信分公司 | 基于多维参考量和时间序列的碳排放预测方法及装置 |
CN114611845A (zh) * | 2022-05-12 | 2022-06-10 | 浙江省发展规划研究院 | 碳排放量的预测方法、装置、电子设备及介质 |
CN115438880A (zh) * | 2022-11-08 | 2022-12-06 | 华北电力大学 | 一种基于减碳效应与增耗效应的新基建碳排放预测方法 |
CN117669899A (zh) * | 2024-02-02 | 2024-03-08 | 航天宏图信息技术股份有限公司 | 农业碳排放减排潜力分析方法、系统、电子设备及介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104063630A (zh) | 一种地区碳排放量预测方法 | |
Ma et al. | Carbon emissions from energy consumption in China: Its measurement and driving factors | |
Waqih et al. | Rising environmental degradation and impact of foreign direct investment: an empirical evidence from SAARC region | |
Xu et al. | Will China make a difference in its carbon intensity reduction targets by 2020 and 2030? | |
Yao et al. | Renewable energy, carbon emission and economic growth: A revised environmental Kuznets Curve perspective | |
Li et al. | The role of clean energy, fossil fuel consumption and trade openness for carbon neutrality in China | |
Zhou et al. | Industrial energy conservation and emission reduction performance in China: A city-level nonparametric analysis | |
Karali et al. | Modeling technological change and its impact on energy savings in the US iron and steel sector | |
Qi et al. | The energy and CO2 emissions impact of renewable energy development in China | |
Fong et al. | Application of System Dynamics model as decision making tool in urban planning process toward stabilizing carbon dioxide emissions from cities | |
CN102622473B (zh) | 基于贝叶斯理论的步进应力加速退化试验优化设计方法 | |
Hong et al. | Scenario analysis for estimating the learning rate of photovoltaic power generation based on learning curve theory in South Korea | |
Lin et al. | Effective ways to reduce CO2 emissions from China's heavy industry? Evidence from semiparametric regression models | |
Hang et al. | Measuring energy inefficiency with undesirable outputs and technology heterogeneity in Chinese cities | |
Koo et al. | Economic evaluation of renewable energy systems under varying scenarios and its implications to Korea’s renewable energy plan | |
Robaina et al. | Complete decomposition analysis of CO2 emissions intensity in the transport sector in Europe | |
Pablo-Romero et al. | Analyzing the effects of Energy Action Plans on electricity consumption in Covenant of Mayors signatory municipalities in Andalusia | |
CN105205466A (zh) | 一种基于夜间灯光影像的能源碳排放量遥感估算方法 | |
Burtraw et al. | Secular trends, environmental regulations, and electricity markets | |
CN103020423A (zh) | 基于copula函数获取风电场出力相关特性的方法 | |
CN103106344B (zh) | 一种建立电力系统聚类负荷模型的方法 | |
CN103514369A (zh) | 一种基于主动学习的回归分析系统及方法 | |
Zhang et al. | Seeing green: how does digital infrastructure affect carbon emission intensity? | |
CN109377010A (zh) | 一种同步水环境承载力评价与类型识别方法 | |
Luo et al. | A hybrid approach for examining the drivers of energy consumption in Shanghai |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20140924 |
|
RJ01 | Rejection of invention patent application after publication |