中国碳排放量预测研究.docxVIP

基于ARMA模型的中国碳排放量预测研究 摘要：依据1980—2008年我国碳排放量年度资料相关数据，应用软件EViews构造ARMA 模型，对我国碳排放量年度资料进行吋问序列分析和短期预测，对1980年到2008年碳排放 量进行时间序列模型分析，并预测2009年到2015年的碳排放量。 关键字：ARMA模型；预测；碳排放量 引言 温室气体排放权作为全球范围内的一个特殊公共物品，H益受到全球所有国 家的关注，经过哥本哈根、坎昆、德班等联合国COP系列会议的谈判和宣传，减 少温室气体排放已经变成一种共识。而中国作为当前每年贡献全球碳排放量近五 分之一的经济快速发展大国，温室气体每年的增量也非常巨大。近年来，西方国 家相继以碳税、碳关税、限额贸易等手段对木国乃至全球的碳排放加以限制。近 年，许多国家特别是伞形组织国家）以主要发展中国家游离于《京都议定书》的 限制之外等原因为由，纷纷按弃《京都议定书》第二阶段减排目标。因此可以得 出。在当前背景下，屮国加入温室气体绝对减排行列只是时间问题（目前有专家 预测会在2020年左右）?在这种情况下.中国需要加强碳排放量影响因素的研究。 在2009年哥木哈根气候大会（C0P-15）上，中国承诺到2020年的单位GDP能耗比 2005年减少40% — 45%。当前中国止处在城市化和rT业化的进程中，实现这一目 标有很大的难度。而与此目标相伴生的绿色GDP、可持续发展、发展环境友好型 社会对于当前的屮国也不能仅仅是一个口号。因此，弄清影响我国碳排量的驱动 因素以及各驱动因素的解释度。可以为设计与碳减排相关的政策机制提供理论支 撑，为将来中国的政策制定提供有益的参考。 纵观已有的研究成果，很少有学者用ARMA模型对中国排放量进行预测， 本文将进行这方而的尝试，ARMA模型（Auto?Regressive and Moving Average Model）是研究时间序列的重要方法，由自回归模型（简称AR模型）与滑动平 均模型（简称MA模型）为基础“混合”构成。在市场研究中常用于长期追踪资料 的研究，木文应用ARMA模型对中国未来碳排放量进行了较为准确的预测。 二ARMA模型 2.1定义 ARMA模型是一类常用的随机时序模型，基木思想是：某些时间序列是依 赖于时间t的一组随机变量，但这个序列会有一定的规律性，用适当的数学模型 描述，通过研究数学模型，能够认识时间序列的结构与特征，达到最小方差意义 卜的最优预测。 自冋归移动平均模型 如果吋间序列开是它的前期和前期的随机误差项以及前期值的线性函数，既 可表示为： Z = 01 + 02X-2 + …+ ^Pyt-P + 的-G - 2均-2 一…一 （1） 则称该时间序列X是自回归移动平均序列，式（1）为（P，q）阶的自回归 移动平均模型，记为ARMA （p, q）o 如@，…，外为自回归系数，4, 2,…，Q为移动平均系数，都是模型的待估参数。 引入滞后算子B,是（1）可简记为： 0 （B） yt =0 （B） ut ARMA （p, q）过程的平稳条件是滞后多项式0 （B）的根均在单位圆外，可 逆条件是（B）的根都在单位圆外。 以上为B?J方法的基本模型。 2.2建模步骤 假如某个观察值序列通过序列预处理，可以判定为平稳非白噪声序列，我们 就可以利用模型对该序列建模。 1） 求出该观察值序列的样本自相关系数（ACF）和样本偏相关系数（PACF） 的值。 2） 根据样本自相关系数和偏相关系数的性质，选择阶数适当的ARMA （p, q） 模型进行拟合。 3） 估计模型屮未知参数的值。 4） 检验模型的有效性。如果拟合模型通不过检验，转向步骤2）,重新选择模 型再拟合。 5） 模型优化。如果拟合模型通过检骑，仍然转向步骤2）,充分考虑各种可能, 建立多个拟合模型，从所有通过检验的拟合模型中选择最优模型。 6）利用拟合模型，预测序列的将来走势。 三实际情况分析 3.1数据选取 1980 1981 1982 1983 1984 1985 1986 1987 1988 1989 14.48 14.39 15.06 15.93 17.24 18.57 1 19.71 21.02 22.40 22.75 1990 1991 1992 1993 1994 1995 1996 1997 1998 1999 22.69 23.69 24.49 26.26 28.31 28.61 28.93 30.81 29.67 28.85 2000 2001 2002 2003 2004 2005 2006 2007 2008 28.49 34.64 40.69 50.89 55.12 55.89 58.17 62.56 601 图1从1980年到2008年中国的碳排放量（单位，亿吨） 3