基于IOWGA算子的中国碳排放量的组合预测

陈国庆　王辉艳　龙云安

摘 要：中国的经济已经进入新常态，为了统筹兼顾经济和环境，政府已将碳减排提到了前所未有的战略高度。碳排放量的精确预测可以为碳减排提供重要的参考，在总结国内外所使用的碳预测方法，并提出这些方法的局限。因此，取1980～2015年中国碳排放量为样本数据，构建诱导有序加权几何平均（IOWGA）算子的组合预测模型，对中国未来五年的碳排放量进行预测，并将结果和单项预测结果比较。就碳减排问题提出相应的对策建议，以期对碳减排的政策制定提供理论指导。

关键词：碳排放；IOWGA算子；组合预测；MATLAB

中图分类号：X502 文献标识码：A 文章编号：2095-7866 （2017） 05-033-009

工业经济论坛 URL： http//www.iereview.com.cn DOI： 10.11970/j.issn.2095-7866.2017.05.005

Abstract： China's economy has entered a new normal state， in order to balance the economy and the environment， the government has put carbon emission reduction at an unprecedented strategic height. The accurate prediction of carbon emissions can provide important reference for carbon emission reduction， summarize the carbon prediction methods used at home and abroad， and put forward the limitations of these methods. Therefore， the 1980～2015 Chinese carbon emissions as sample data， construct the induced ordered weighted geometric averaging （IOWGA） operator combination forecasting model， forecast the next five years Chinese carbon emissions， and compare the results and prediction results. The paper puts forward corresponding countermeasures and suggestions on carbon emission reduction， so as to provide theoretical guidance for the policy formulation of carbon emission reduction.

Key words： Carbon Emissions； IOWGA Operator； Combination Forecasting； MATLAB

引言

碳排放的增加是全球变暖的主要因素，在社会经济迅速发展的同时，人们越来越关注能源与环境问题。“低碳”不仅成为世界热词，也成为更多学者专家研究的热点问题。中国作为最大的发展中国家，在面对气候变化和环境问题积极探索低碳发展道路，国家对碳排放而造成的环境问题引起了高度重视，并将其全面融入国家经济社会发展的总战略。为此中国政府承受着巨大压力，承诺到2020年，单位GDP的二氧化碳排放比2005年降低40%～45%[1]。我国的经济发展已经进入新常态，贯彻落实《能源发展战略行动计划（2014-2020年）》和全面推动能源生产消费革命是引领我国经济可持续发展的关键要素。“中国计划2030年左右二氧化碳排放达到峰值且将努力早日达峰，非化石能源占一次能源消费比重提高到20%左右的重要五年。在这关键的时期国家需要加强控制碳排放量，因此，需要对我国碳排放量进行预测研究。碳排放预测有助于分析、预测碳排放未来变动趋势，是碳减排的重要基础性工作，为国家制定能源发展规划提供参考。从事相关研究的专家和学者采用各种方法对碳排放进行预测，而很多预测方法需要建立完善的指标体系，由于现实中存在选用的指标数据无法获取等困境，造成预测的不准确。在此，运用基于诱导有序加权几何平均（IOWGA）算子的组合预测模型对我国的碳排放量进行预测，对碳减排工作的科学、有序开展具有重要的现实意义。

一、文献综述

国外对于碳排放的预测研究较多。Hsiao-Tien Pao et al （2011）研究了1980-2007年间巴西污染物排放、能源消耗与产出之间的动态关系，并应用灰色预测模型GM（1，1）对2008-2013年间的三个变量进行预测[2]。Marcotullio P J et al（2010）在研究亚太地区人均碳排放和经济发达程度之间的关系时，同时与发达国家进行对比，用GDP作为自变量，采用线性回归的方法预测亚太地区的公路交通碳排放[3]。Blanford G J et al（2008）利用MERGE模型对中国2030年的碳排放进行了预测[4]。Auffhammer M et al（2008）研究了中国CO2排放的预期路径时，结果表明，中国排放量预计增加到2010的幅度比《京都议定書》中所列减少量大几倍[5]。Yap W K et al（2012）通过对常用前馈神经网络模型的研究，提出了一种两阶段排放预测模型对碳排放进行了预测[6]。

目前，国内对碳排放预测方面的研究也越来越多。渠慎宁等（2010）利用中国1980-2008年的碳排放量数据，构建STIRPAT模型对中国未来碳排放量出现峰值的时间进行预测，并提出当前减少碳排放的重点是加强清洁能源的使用[7]。岳超等（2010）首先简述了已有的碳排放预测方法，然后对我国2050年的碳排放量进行了预测，同时和美国等发达国家的碳排放进行对比得出，两者之间的差距较大[8]。赵爱文等（2012）利用中国2002-2009年的碳排放量数据，运用灰色GM（1，1）模型对中国碳排放量进行了预测，最后针对预测结果提出相应低碳发展的策略[9]。中国能源研究所（2003）运用LAEP模型对我国的能源消费总量和碳排放量进行了情景预测[10]。林伯强等（2009）利用传统的环境库兹涅茨模型模拟与在二氧化碳排放预测的基础上预测两种方法，对中国二氧化碳排放拐点和预测进行研究[11]。宋杰鲲等（2011）利用中国1980-2009年的碳排放量数据，构建BP神经网络模型来预测我国2010-2015年的碳排放量[12]。杜强等（2012）利用中国2002-2010年的碳排放量数据，运用改进的IPAT模型对2010-2050年中国碳排放量进行了预测[13]。滕欣等（2012）应用离散二阶差分方程预测模型（DDEPM）对中国2020年的碳排放量进行了预测[14]。杜强等（2013）根据中国2002-2010年的碳排放量数据，运用Logistic模型对中国2011-2020年碳排放量进行了预测[15]。纪广月（2014）混合运用了灰色关联分析和BP神经网络模型对中国碳排放量进行了预测[16]。

纵观现有文献，可以看到碳排放的预测方法有很多，分为单一预测方法和组合预测模型。显然，组合预测模型的精度优于单一预测方法，然而，目前在碳排放量预测方面所使用的组合预测方法是按照单项预测方法的不同而赋予不同的加权平均系数，同一个单项预测方法在样本区间上各个时点的加权平均系数是不变的。而实际上同一种预测方法在不同时点上预测精度往往是不同的。因此本文运用基于诱导有序加权几何平均（IOWGA）算子的组合预测模型对我国的碳排放量进行预测，该模型给出一种新的赋权思想，根据各单项预测方法在各时点上的拟合精度的高低进行有序赋权，即优先给予预测精度最高的单项预测方法最高的赋权系数。本文首先分别采用三次指数平滑预测模型、灰色预测模型和时间序列预测模型对中国碳排放量进行预测，然后建立基于IOWGA 算子的组合预测模型对中国碳排放量进行预测，并将结果和单项预测结果比较。并就碳排放问题提出相应的对策建议，从而对制定碳减排的政策与措施提供理论指导。

二、基于IOWGA算子的组合预测模型建立

（一）组合预测模型的建立

设{xt，t=1，2，…N}为指标序列的实际值，xit为第i种预测方法第t时刻的预测值，i=1，2，…m，t=1，2，…N。设l1，l2，…lm为m种单项预测在组合预测中的加权系数，它满足归一性和非负性，考虑如下的IOWGA组合预测模型。

（二）预测误差评级指标体系

建立基于IOWGA算子的组合预测模型，必须对模型预测的有效性给予评价，一般模型的预测误差评价指标体系如下：

（1）平方和误差SSE：；（2）均方误差：；（3）平均绝对误差：；（4）平均绝对百分比误差：；（5）均方百分比误差：。

三、中国碳排放量的实证研究

（一）数据选取及来源

中国碳排放量数据由全球碳计划（GlobalCarbon Project） 所提供。

（二）单项模型预测

1. 三次指数平滑预测模型

指数平滑法是美国人布朗首先提出来的，该方法不需要储存很多的历史数据。在进行预测时只需要有当前的实际值yt和前期预测值，再由预测者选择一个合理的平滑系数 即可进行简单的预测。指数平滑有一次平滑、二次平滑、三次平滑甚至更高，平滑次数越多也复杂。当时间数列没有明显趋势变化，可以选用一次指数平滑预测。当时间数列呈现线性趋势变化，可以选用二次平滑预测。当时间数列不具有线性趋势变化，则选用三次平滑指数预测。根据表2的中国碳排放历史数据使用三次平滑指数进行预测，三次平滑指数常用于非线性短期预测。预测模型如下：

2. 灰色预测

灰色回归预测模型是将已知的数据系列按照某种规则构成动态或非动态的白色模块，再按照某种变化、解法来求解未来的灰色模型。GM（1，1）建模其实质是通过对原始数据的处理来寻找数据规律，建立微分方程预测模型，对数据进行拟合，从而确定一系列的预测值。主要过程如下：

选择数列：用我国1980～2015年的碳排放量数据作为原始数据数列

模型检验：进行后验差检验，计算方差比（其中s1为绝对误差序列的标准差，S0为原始序列标准差）。计算小误差概率 （e是误差），则模型的预测效果如表1所示。

利用灰色系统建立我国碳排放量的GM（1，1）模型，以我国1980～2015年的碳排放量为例，运用MATLAB编程对模型进行求解，由运行结果得到北京市灰色预测模型的参数估计值为：。

3. 时间序列预测模型

中国碳排放量随着时间变化呈增长趋势，因此可选用时间序列预测模型。以碳排放量（y）为因变量，以年份（t）为自变量构建时间序列预测模型：，其中 pi，（i=1，2，3）为待定系数。由MATLAB编程得到我国碳排放总量预测方程的系数为（p1，p2，，p3）=（2.606，-10342.738，10262603.16），即得到

由R2=0.977知该模型为较好模型，可以用于预测。由此得到我国2016～2020年各年的碳排放量量预测值（见表2）。

（三）组合预测

对于以上三种模型的预测结果，选取1980-2015年的预测数据建立组合预测模型，其中三种单项预测的结果如表2所示。根据表2可以看出，在同一时点上三种不同预测方法对中国碳排放量的预测精度时高时低。此外，同一种单项预测方法在各时点上的预测精度也不尽相同，很多实际值位于这三种单项预测结果之间，因此可以判定这三种模型之间存在一定的互补性。以各单项预测法的预测精度为诱导值，建立基于IOWGA算子的组合预测模型。利用LINGO软件求解得最优系数向量为，所以在t时刻组合预测对我国碳排放的预测值即为：

上式表明对于某一年当中的三个单项预测精度最高的单项预测值赋权重0.7531，单项预测精度第二高的单项预测值赋权重0.2469，对预测精度最低的单项预测值赋权重为0。然后取三者的加权几何平均值作为该年的组合预测值，依次得出每年的预测值及预测精度如表3所示。

（四）模型的有效性评价

为了对各单项预测方法和基于IOWGA算子的组合预测模型的有效性进行全面评价，计算各自的评价指标体系值如表4所示。

由表4可知，预测效果评价指标体系来看，基于IOWGA的组合预测模型的各种误差指标值均明显比各单项预测的误差指标值要低，从而表明，基于IOWGA的组合预测方法优于各单项预测方法，能够有效地提高预测精度。

（五）我国碳排放量的组合预测

使用上述组合预测模型对我国 2016～2020 年的中国碳排放量进行预测，由于未来的真实值无法获取，也就无法计算预测精度，從而无法根据精度诱导计算出最优权系数。故本文采取根据预测年份前36年的平均权重赋权给每项单项预测的方法，来预测2016～2020年的中国碳排放量。先利用三种单项预测方法得出2016～2020年的三种单项预测值，然后再将由上述方法得到的最优权系数作为赋权值，取三种单项预测值的加权平均值作为组合预测值。2016～2020年国内生产总值的各单项预测值及基于IOWGA的组合预测值见表5。由表5可知，未来几年我国的碳排放总量仍然处于增长状态，但其增长率趋于平缓。

四、碳减排对策建议

（一）加强科研投入

碳减排需要科学技术的大力支持，而技术开发往往周期长、成本高，从而需要资金支持。这就要求政府和技术部门应具备长远的眼光，加大低碳技术的研发投资。我国2009年才将低碳经济的发展提到国家的发展战略上，因此，我国的低碳经济发展体现出起步晚、技术落后等特征。为了缩小和发达国家的低碳技术水平，必须加大科研投入，增强自主研发和创新能力。同时也要注重该领域人才的培养，适当引进发达国家先进的技术，弥补我国在这方面的不足。值得注意的是，不能盲目投入资金用于引进国外技术，在低碳技术创新上要提高自主创新能力。不断强化低碳发展的制度保障，实现低碳经济引领我国走可持续发展道路。

（二）优化产业结构

中国经济发展进入新常态，速度变缓、结构优化、动力转换，先进涌现出大量的新型产业，使得产业结构更加合理，去产能、去库存、去杠杆、降成本、补短板的供给侧改革任务，为节能减排创造了有利条件。一方面，政府应加大对环保企业的支持，引导高能耗、引导高能耗、高排放企业的转化升级，从而实现优化产业投资。另一方面，由于第三产业具有高效益、低能耗的特点，因此，应该大力推进第三产业的发展。近年来，我国能源强度下降的主要动力来自三次产业各部门中高新科技产业结构部分的提升以及在能源利用效率方面的提高，尤其是第二产业中高附加值产品构成的提升以及在能源利用领域新技术研发的进展是能源强度总体下降的主要原因。同时，政府应该为优化产业结构提供制度和政策保障。

（三）改善出口贸易结构

经济杠杆作用在改善我国出口贸易结构中能够发挥重要的作用，比如税收、补贴等工具的使用，有助于推进我国出口贸易结构的优化。实行高碳排放高出口关税、低碳排放低关税、等措施来改善出口贸易结构。低碳经济的发展，金融支持是一个重要途径，低碳金融运用而生。金融业应该在各个领域支持低碳经济的发展，开发更多的低碳金融产品及服务扶持相关企业的发展。

五、结语

通过构建诱导有序加权几何平均（IOWGA）算子的组合预测模型，证实该组合预测模型相比三次指数平滑预测、灰色预测和时间序列预测三种单项预测的优越性。减小了预测误差，提高了预测精度。预测结果表明，我国的碳排放仍然呈现增长趋势，但增长速度放缓，这得益于我国近年对碳减排的高度重视。精确地预测我国碳排放量，不仅可以为政府的政策制定提供参考，而且可以为中国在国际社会中所承诺的碳减排目标提供自信，增强国际影响力。

基金项目：

四川省社会科学重点研究基地四川县域经济发展研究中心课题：水电工程项目对区域经济发展的外部性研究（项目编号：xy2017005）；

四川省哲学社会科学规划项目“金融投资与科技创新协同共赢机制研究”（编号：SC14XS05）；

西华大学研究生创新基金项目“能源消费总量控制和优化配置研究”（项目编号：ycjj2017107）。

参考文献

[1] 吴献金，邓杰.贸易自由化、经济增长对碳排放的影响[J].中国人口·资源与环境， 2011， 21（1）：43-48.

[2] Hsiao-Tien Pao， Chung-Ming Tsai. Modeling and forecasting the CO2，emissions，energy consumption， and economic growth in Brazil[J].Energy， 2011， 36（5）：2450-2458.

[3] Marcotullio P J， Marshall J D. Potential futures for road transportation CO2 emissions in the Asia Pacific[J]. Asia Pacific Viewpoint， 2010， 48（3）：355-377.

[4] Blanford G J， Richels R G， Rutherford T F. Revised Emissions Growth Projections for China： Why Post Kyoto Climate Policy Must Look East[J]. Project on International Climate Agreements， 2008.

[5] Auffhammer M， Carson R T. Forecasting the path of China's CO2， emissions using province-level information[J]. Journal of Environmental Economics & Management， 2008， 55（3）：229-247.

[6] Yap W K， Karri V. Emissions predictive modelling by investigating various neural network models[J]. Expert Systems with Applications， 2012， 39（3）：2421-2426.

[7] 渠慎寧，郭朝先.基于STIRPAT模型的中国碳排放峰值预测研究[J].中国人口·资源与环境， 2010， 20（12）：10-15.

[8] 岳超，王少鹏，朱江玲，等.2050年中国碳排放量的情景预测——碳排放与社会发展Ⅳ[J].北京大学学报（自然科学版）， 2010， 46（4）：517-524.

[9] 赵爱文，李东.中国碳排放灰色预测[J].数学的实践与认识，2012，42（4）：61-69.

[10] 能源研究所"中国可持续发展能源暨碳排放分析"课题组.中国可持续发展能源暨碳排放情景研究[J]. 中国能源， 2003， 25（6）：4-10.

[11] 林伯强，蒋竺均.中国二氧化碳的环境库兹涅茨曲线预测及影响因素分析[J].管理世界， 2009（4）：27-36.

[12] 宋杰鲲，张宇.基于BP神经网络的我国碳排放情景预测[J].科学技术与工程，2011， 11（17）：4108-4111.

[13] 杜强，陈乔，陆宁.基于改进IPAT模型的中国未来碳排放预测[J].环境科学学报，2012， 32（9）：2294-2302.

[14] 滕欣，李健，刘广为.中国碳排放预测与影响因素分析[J].北京理工大学学报（社会科学版）， 2012， 14（5）：11-18.

[15] 杜强，陈乔，杨锐.基于Logistic模型的中国各省碳排放预测[J].长江流域资源与环境，2013， 22（2）：143-151.

[16] 纪广月.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， 44（14）：243-249.

[17] 陈华友，盛昭瀚.一类基于IOWGA算子的组合预测新方法[J]. 管理工程学报， 2005， 19（4）：36-39.

[18] 陈国庆，刘宇，龙云安.可持续发展视角下的我国能源优化配置研究[J].经济视角， 2017（1）：9-16.