CN115796341A - 一种基于碳效码的企业低碳经济表现的协同测度方法 - Google Patents
一种基于碳效码的企业低碳经济表现的协同测度方法 Download PDFInfo
- Publication number
- CN115796341A CN115796341A CN202211432927.3A CN202211432927A CN115796341A CN 115796341 A CN115796341 A CN 115796341A CN 202211432927 A CN202211432927 A CN 202211432927A CN 115796341 A CN115796341 A CN 115796341A
- Authority
- CN
- China
- Prior art keywords
- carbon
- enterprise
- efficiency
- factor
- emission
- 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
Images
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/80—Management or planning
- Y02P90/84—Greenhouse gas [GHG] management systems
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于碳效码的企业低碳经济表现的协同测度方法,包括以下步骤:构建碳效码单因素基准模型;进行模型初步优化和样本数据清洗;确定在数据包络分析方法下多因素模型的目标约束函数形式和投入产出要素;确定在随机前沿分析方法下多因素模型的生产函数形式;综合单因素模型和两个多因素模型的效率评估结果;对碳效率加权分析,按照碳效率评价划分企业层级。上述技术方案通过综合碳效码单因素基准模型、在数据包络分析方法下多因素模型和在随机前沿分析方法下多因素模型的效率评估结果,引入TOWA算子对碳效率进行时序加权,并使用k‑means聚类分析,将企业按照碳效率评价划分为五个层级,实现关于工业企业协同环境表现的技术评定。
Description
技术领域
本发明涉及碳资产管理技术领域,尤其涉及一种基于碳效码的企业低碳经济表现的协同测度方法。
背景技术
“双碳”目标的实现有赖于建立一个科学的指标体系,从而形成可操作的实施路径。一方面,微观主体亟需科学的碳效率评价指标指明转型路径。在市场中,企业作为响应“双碳”目标的主体,需科学的碳效评价体系对自身清洁化转型进行长远规划和积极行动。现阶段由于对自身碳效现状认知不清晰,企业缺乏自发性清洁化改造的动力。客观的碳效指标及企业在行业内的排名可以让企业明确其环境表现在行业内的定位以及现阶段低碳生产的必要性,激励企业积极进行情节化技术改造。
衡量企业清洁化技术改造成效需花费大量人力物力成本,对改造前与改造后的生产能力与碳排放水平进行衡量,实时跟进的碳效指标可以帮助企业明确清洁技术改造的阶段性成效,为企业节约衡量清洁技术改造成效的成本,提高企业低碳化转型的资源配置效率。另一方面,政府需借助碳效评价模型积极推动“双碳”工作,并进行合理的“双碳”布局。金融机构也可参考企业的碳效率表现,提供不同等级的“绿色贷款”。
有资料显示,当前金融机构对企业环境表现的评定尚未形成统一标准,且各金融机构的评定标准与政府监管标准存在部分不一致性。碳效指标形成机理客观且应用范围广泛,可作为政府明确绿色贷款准入的监管标准的重要依据,同时为金融机构评定企业环境表现提供参考。而对于提供能源服务的公司,如电力公司而言,可以利用科学的碳效率综合评价模型来为用户提供定制化的服务。
现有方法的技术适用性存在较大的局限。一方面,现有单因素方法缺乏对生产流程的考量,对现实工业生产的代表性有待加强;而多因素方法依赖于精细的数学假设,其在现实中的适用性同样受限。因此开发一种兼顾单因素模型与多因素模型的综合碳效率测度方法,增强碳效率的可用性。另一方面,碳效率作为政策工具或者企业自测经济环境表现的工具缺乏技术评定标准,本项发明对碳效率进行分层,以实现关于工业企业协同环境表现的技术评定。
中国专利文献CN114118814A公开了一种“基于管理活动的能源企业碳资产管理策略”。包括以下部分:S1:首先于企业内部成立独立的碳资产管理小组;S2:积极开展企业内的碳核算;S3:针对碳核算结果,实施碳减排措施;S4:响应国家号召,积极参与碳交易;对低碳技、碳汇、低碳品、低碳流通、碳正外部性、碳披露以及清洁生产审核中某一项异常的数值按照具体的策略设计方式进行调控。上述技术方案缺少对碳效率的分层,无法有效实现关于工业企业协同环境表现的技术评定。
发明内容
本发明主要解决原有的技术方案缺少对碳效率的分层,无法有效实现关于工业企业协同环境表现的技术评定的技术问题,提供一种基于碳效码的企业低碳经济表现的协同测度方法,构建碳效码单因素基准模型,通过综合碳效码单因素基准模型、在数据包络分析方法下多因素模型和在随机前沿分析方法下多因素模型的效率评估结果,引入TOWA算子对碳效率进行时序加权,并使用k-means聚类分析,将企业按照碳效率评价划分为五个层级,实现关于工业企业协同环境表现的技术评定。
本发明的上述技术问题主要是通过下述技术方案得以解决的:本发明包括以下步骤:
S1构建碳效码单因素基准模型;
S2进行模型初步优化和样本数据清洗;
S3确定在数据包络分析方法下多因素模型的目标约束函数形式和投入产出要素;
S4确定在随机前沿分析方法下多因素模型的生产函数形式;
S5综合单因素模型和两个多因素模型的效率评估结果;
S6对碳效率加权分析,按照碳效率评价划分企业层级。
通过综合碳效码单因素基准模型、在数据包络分析方法下多因素模型和在随机前沿分析方法下多因素模型的效率评估结果,引入TOWA算子对碳效率进行时序加权,并使用k-means聚类分析,将企业按照碳效率评价划分为五个层级,实现关于工业企业协同环境表现的技术评定。
作为优选,所述的具体包括,首先梳理经济生产与碳排放的数理逻辑,通过对企业规上生产用能数据归集,构建单因素碳效率评价模型,企业碳排放量(E)体现了包括企业煤、油、气、电的各种用能产生的碳排放量,即能耗所需碳排放总量(Et)、零碳电力减少碳排放量(En)、固碳减少碳排放量(Ef),公式如下,
E=Et-En-Ef
其中,能耗所需碳排放总量为包含煤、油、气、电的不同能源消耗所产生的二氧化碳排放量;零碳电力减少碳排放量为包含水、风、光伏的零碳电力发电折算减少的二氧化碳总量和绿电交易零碳电力折算减少的二氧化碳总量;固碳减少碳排放量为包含植树造林、碳封存的减少的二氧化碳总量;
碳效值(CEsingle)为单因素方法下企业单位增加值碳排放量(Ie)与企业所属的行业内单位增加值碳排放量平均值(Ii)的比值,体现了企业单位增加值碳排放量在该行业中的排序。
作为优选,所述的步骤S2通过识别离群值、选择代表观测值集中趋势的统计量和测算并比较观测值与统计量的标准差实现模型优化和数据清洗,具体包括:
S2.1识别离群值,使用距离测度法识别离群值,进行离群点判断,
Dei表示观测值企业i与其它企业的碳强度的平均距离,N代表行业内的企业数量,如果第k个企业与其他企业单位增加值的距离Dek大于预设的距离阈值D,则视该企业为离群点;
S2.3测算并比较观测值与四个统计量的标准差,标准差最小的统计量能更好反映观测值的集中趋势:
作为优选,所述的步骤S3确定在数据包络分析方法下多因素模型的目标约束函数形式和投入产出要素,包括能源投入种类、能源投入数量、劳动资本投入情况、增加值和碳排放。
作为优选,所述的步骤S3通过明确目标约束函数形式和投入产出要素的设定,求解出基于数据包络分析法的碳效率CEdea,
式中,X为代表企业生产过程的投入向量包括企业的能源投入、资本投入和劳动力投入,Y和E分别为代表期望产出的增加值与代表非期望产出二氧化碳排放,P(X)代表生产可能性集,其中g=(Y,-E)是输出被缩放的方向向量,即期望产出产出增加,非期望产出减少。
作为优选,所述的步骤S4采用ICC方法测度碳效率评估结果在不同行业中的一致性程度,ICC代表三种测评碳效率结果的一致性程度和信度,ICC越趋近于1说明结果的可信度越高,即协同评价方法在该行业中更为适用,
其中,CEsingle,CEdea,CEsfa分别代表使用单因素方法、数据分析方法和随机前沿方法测度出的企业碳效率,以及Ssingle,Sdea,Ssfa分别代表使用单因素方法、数据分析方法和随机前沿方法测度出的企业碳效率的均值和方差。
作为优选,所述的步骤S5引入时序加权平均(TOWA)算子对碳效率进行时序加权,使用k-means聚类分析,将企业按照碳效率评价划分为五个层级。
作为优选,所述的时序加权具体包括,通过TOWA方法对企业的碳效率进行时序加权,时间权重Wt的计算过程如下述公式所示,
其中τi为时间诱导分量,ai为数据分量,Wt=(w1,w2,...wn)为时间权向量,bk是对应时刻的第k个TOWA对的数据分量。
作为优选,所述的聚类分析具体包括,按照k-means方法选取五个初始质心并通过迭代将企业碳效率聚为五个等级,等级1表示企业碳排放量低于行业平均较多,碳效最高,等级2至等级4表示企业碳排放量近于或略超出行业平均水平,等级5表示企业碳排放量高于行业平均较多,碳效最低。
本发明的有益效果是:构建碳效码单因素基准模型,通过综合碳效码单因素基准模型、在数据包络分析方法下多因素模型和在随机前沿分析方法下多因素模型的效率评估结果,引入TOWA算子对碳效率进行时序加权,并使用k-means聚类分析,将企业按照碳效率评价划分为五个层级,实现关于工业企业协同环境表现的技术评定。
附图说明
图1是本发明的一种流程图。
具体实施方式
下面通过实施例,并结合附图,对本发明的技术方案作进一步具体的说明。
实施例:本实施例的一种基于碳效码的企业低碳经济表现的协同测度方法,如图1所示,包括如下步骤:
(1)通过对企业规上生产用能数据归集,构建单因素碳效率评价模型.
企业碳排放量(E)体现了企业煤、油、气、电等各种用能产生的碳排放量即能耗所需碳排放总量(Et)、零碳电力减少碳排放量(En)、固碳减少碳排放量(Ef)等情况,公式如下。
E=Et-En-Ef
其中,能耗所需碳排放总量包含煤、油、气、电(包括自发自用零碳电力部分)等不同能源消耗所产生的二氧化碳排放量;零碳电力减少碳排放量包含水、风、光伏等零碳电力发电折算减少的二氧化碳总量和绿电交易零碳电力折算减少的二氧化碳总量;固碳减少碳排放量包含植树造林、碳封存等减少的二氧化碳总量。
碳效值(CEsingle)为单因素方法下企业单位增加值碳排放量(Ie)与企业所属的行业内单位增加值碳排放量平均值(Ii)的比值,体现了企业单位增加值碳排放量在该行业中的排序。
进一步,通过识别离群值、选择代表观测值集中趋势的统计量和测算并比较观测值与统计量的标准差实现模型优化和数据清洗。优化清洗包含三步,
第一步:识别离群值。使用距离测度法识别离群值,距离测度法即计算每一个单位增加值碳排放与其它企业的单位增加值碳排放的距离,距离过大则说明该点可能是离群点,此时应对该点进行核查,例如重新测度、或者视作异常值。
Dei表示观测值企业i与其它企业的碳强度的平均距离,N代表行业内的企业数量。如果第k个企业与其他企业单位增加值的距离Dek大于我们预设的距离阈值D,则视该企业为离群点。
第三步:测算并比较观测值与四个统计量的标准差。标准差最小的统计量可以认为能更好的反映观测值的集中趋势。例如:
在确定对观测值集中趋势代表度最优的分母形式之前需经过大量的抽样实验。抽样实验可以选择①简单随机抽样,代表全样本总体情况;②分层抽样,对观测值进一步刨析。例如,可以测算全体行业的离散系数在离散系数高和离散系数低的企业中分别再次抽样;或者对不同地区的样本进行分层抽样。分层抽样的目的是更为全面的了解企业观测值的特点,从而更好的服务于数据清洗。
(2)明确数据包络分析方法下多因素模型的目标约束函数形式和投入产出要素如下,通过明确目标约束函数形式和投入产出要素的设定,求解出基于数据包络分析法的碳效率CEdea。
式中,X为代表企业生产过程的投入向量包括企业的能源投入、资本投入和劳动力投入,Y和E分别为代表期望产出的增加值与代表非期望产出二氧化碳排放,P(X)代表生产可能性集,其中g=(Y,-E)是输出被缩放的方向向量,即期望产出产出增加,非期望产出减少。
(3)设置随机前沿分析方法下多因素模型的生产函数形式和非效率项的科学假设,通过最大似然估计求解出uit,并最终求得基于随机前沿分析方法的碳效率CEsfa=e-u。
εit=vit-uit
其中,εit为随机扰动项,β为待估系数。随机扰动项εit由误差项vit和非效率项uit组成。其中vit是现实中无法观测且对企业碳效率有随机影响的因素合集,vit服从期望为0方差为的标准正态分布;uit为现实中可以观测且对企业碳效率有指向性影响的因素合集,uit服从期望为0方差为的半正态分布(具体形式和分布假设需根据数据特征和拟合优度进行调整)。
(4)采用ICC方法测度碳效率评估结果在不同行业中的一致性程度,ICC代表三种测评碳效率结果的一致性程度和信度,ICC越趋近于1说明结果的可信度越高,即协同评价方法在该行业中更为适用。
其中,CEsingle,CEdea,CEsfa分别代表使用单因素方法、数据分析方法和随机前沿方法测度出的企业碳效率,以及Ssingle,Sdea,Ssfa分别代表使用单因素方法、数据分析方法和随机前沿方法测度出的企业碳效率的均值和方差。
(5)引入时序加权平均(TOWA)算子对碳效率进行时序加权和,使用k-means聚类分析,将企业按照碳效率评价划分为五个层级;
通过TOWA方法对企业的碳效率进行时序加权,时间权重Wt的计算过程如下述公式所示。
其中τi为时间诱导分量,ai为数据分量,Wt=(w1,w2,...wn)为时间权向量,bk是对应时刻的第k个TOWA对的数据分量。
进一步,按照k-means方法选取五个初始质心并通过迭代将企业碳效率聚为五个等级,等级1表示企业碳排放量低于行业平均较多,碳效最高,等级2至等级4表示企业碳排放量近于或略超出行业平均水平,等级5表示企业碳排放量高于行业平均较多,碳效最低。
Claims (9)
1.一种基于碳效码的企业低碳经济表现的协同测度方法,其特征在于,包括以下步骤:
S1构建碳效码单因素基准模型;
S2进行模型初步优化和样本数据清洗;
S3确定在数据包络分析方法下多因素模型的目标约束函数形式和投入产出要素;
S4确定在随机前沿分析方法下多因素模型的生产函数形式;
S5综合单因素模型和两个多因素模型的效率评估结果;
S6对碳效率加权分析,按照碳效率评价划分企业层级。
2.根据权利要求1所述的一种基于碳效码的企业低碳经济表现的协同测度方法,其特征在于,所述步骤S1具体包括,首先梳理经济生产与碳排放的数理逻辑,通过对企业规上生产用能数据归集,构建单因素碳效率评价模型,企业碳排放量(E)体现了包括企业煤、油、气、电的各种用能产生的碳排放量,即能耗所需碳排放总量(Et)、零碳电力减少碳排放量(En)、固碳减少碳排放量(Ef),公式如下,
E=Et-En-Ef
其中,能耗所需碳排放总量为包含煤、油、气、电的不同能源消耗所产生的二氧化碳排放量;零碳电力减少碳排放量为包含水、风、光伏的零碳电力发电折算减少的二氧化碳总量和绿电交易零碳电力折算减少的二氧化碳总量;固碳减少碳排放量为包含植树造林、碳封存的减少的二氧化碳总量;
碳效值(CEsingle)为单因素方法下企业单位增加值碳排放量(Ie)与企业所属的行业内单位增加值碳排放量平均值(Ii)的比值,体现了企业单位增加值碳排放量在该行业中的排序。
3.根据权利要求1所述的一种基于碳效码的企业低碳经济表现的协同测度方法,其特征在于,所述步骤S2通过识别离群值、选择代表观测值集中趋势的统计量和测算并比较观测值与统计量的标准差实现模型优化和数据清洗,具体包括:S2.1识别离群值,使用距离测度法识别离群值,进行离群点判断,
Dei表示观测值企业i与其它企业的碳强度的平均距离,N代表行业内的企业数量,如果第k个企业与其他企业单位增加值的距离Dek大于预设的距离阈值D,则视该企业为离群点;
S2.3测算并比较观测值与四个统计量的标准差,标准差最小的统计量能更好反映观测值的集中趋势:
4.根据权利要求1所述的一种基于碳效码的企业低碳经济表现的协同测度方法,其特征在于,所述步骤S3确定在数据包络分析方法下多因素模型的目标约束函数形式和投入产出要素,包括能源投入种类、能源投入数量、劳动资本投入情况、增加值和碳排放。
7.根据权利要求1所述的一种基于碳效码的企业低碳经济表现的协同测度方法,其特征在于,所述步骤S5引入时序加权平均(TOWA)算子对碳效率进行时序加权,使用k-means聚类分析,将企业按照碳效率评价划分为五个层级。
9.根据权利要求7所述的一种基于碳效码的企业低碳经济表现的协同测度方法,其特征在于,所述聚类分析具体包括,按照k-means方法选取五个初始质心并通过迭代将企业碳效率聚为五个等级,等级1表示企业碳排放量低于行业平均较多,碳效最高,等级2至等级4表示企业碳排放量近于或略超出行业平均水平,等级5表示企业碳排放量高于行业平均较多,碳效最低。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211432927.3A CN115796341A (zh) | 2022-11-16 | 2022-11-16 | 一种基于碳效码的企业低碳经济表现的协同测度方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211432927.3A CN115796341A (zh) | 2022-11-16 | 2022-11-16 | 一种基于碳效码的企业低碳经济表现的协同测度方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115796341A true CN115796341A (zh) | 2023-03-14 |
Family
ID=85438087
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211432927.3A Pending CN115796341A (zh) | 2022-11-16 | 2022-11-16 | 一种基于碳效码的企业低碳经济表现的协同测度方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115796341A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117493817A (zh) * | 2023-12-29 | 2024-02-02 | 中国西安卫星测控中心 | 一种对处理卫星异常的效益进行评估的方法、系统及装置 |
-
2022
- 2022-11-16 CN CN202211432927.3A patent/CN115796341A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117493817A (zh) * | 2023-12-29 | 2024-02-02 | 中国西安卫星测控中心 | 一种对处理卫星异常的效益进行评估的方法、系统及装置 |
CN117493817B (zh) * | 2023-12-29 | 2024-04-16 | 中国西安卫星测控中心 | 一种对处理卫星异常的效益进行评估的方法、系统及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Scarabaggio et al. | Distributed demand side management with stochastic wind power forecasting | |
US20230334599A1 (en) | Methods and systems for machine-learning for prediction of grid carbon emissions | |
Maghouli et al. | A scenario-based multi-objective model for multi-stage transmission expansion planning | |
Papavasiliou et al. | Reserve requirements for wind power integration: A scenario-based stochastic programming framework | |
Zhou et al. | Residential demand response targeting using machine learning with observational data | |
Hargreaves et al. | REFLEX: An adapted production simulation methodology for flexible capacity planning | |
Oree et al. | A multi-objective framework for long-term generation expansion planning with variable renewables | |
Ke et al. | New fuzzy models for time-cost trade-off problem | |
Xue et al. | Adaptive ultra-short-term wind power prediction based on risk assessment | |
Das et al. | A novel fitted rolling horizon control approach for real-time policy making in microgrid | |
Zhan et al. | Distributionally robust chance-constrained flexibility planning for integrated energy system | |
CN115796341A (zh) | 一种基于碳效码的企业低碳经济表现的协同测度方法 | |
CN115905904A (zh) | 一种配电网馈线的线损异常评估方法及装置 | |
Lin et al. | Stochastic economic dispatch considering the dependence of multiple wind farms using multivariate Gaussian kernel copula | |
CN113468811B (zh) | 含新能源机组的电网备用容量概率化动态评估方法及系统 | |
Kumari et al. | Big Data Analytics for Energy Consumption Prediction in Smart Grid Using Genetic Algorithm and Long Short Term Memory. | |
Lee et al. | Advanced Probabilistic Power Flow Method Using Vine Copulas for Wind Power Capacity Expansion | |
CN112668850A (zh) | 一种基于dea算法的配电网台区投入产出分析方法 | |
Yang et al. | Research on the application of GA improved neural network in the prediction of financial crisis | |
Liu et al. | Consideration of streamflow forecast uncertainty in the development of short-term hydropower station optimal operation schemes: A novel approach based on mean-variance theory | |
CN115629576A (zh) | 非侵入式柔性负荷聚合特性辨识与优化方法、装置及设备 | |
Daraghmi et al. | Accurate and time‐efficient negative binomial linear model for electric load forecasting in IoE | |
Feng et al. | Peak operation optimization of cascade hydropower reservoirs and solar power plants considering output forecasting uncertainty | |
Zamani et al. | Smart grid IT infrastructure selection: A T3SD Fuzzy DEA approach | |
Ogut et al. | PV Fleet Modeling via Smooth Periodic Gaussian Copula |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |