工业部门碳排放量的影响因素分解及预测方法研究

doi:10.16628/j.cnki.2095-8188.2023.10.005

电器与能效管理技术 ›› 2023, Vol. 0 ›› Issue (10): 28-35.doi: 10.16628/j.cnki.2095-8188.2023.10.005

工业部门碳排放量的影响因素分解及预测方法研究

储琳琳¹, 宗明¹, 李沁愉¹, 陈妍君¹, 朱夏¹, 刘亦婷², 顾洁²

1.国网上海市电力公司市南供电公司, 上海 200030
2.上海交通大学电子信息与电气工程学院, 上海 200240

收稿日期:2023-08-11 出版日期:2023-10-30 发布日期:2023-11-23
作者简介:储琳琳(1978—),女,高级工程师,主要从事负荷预测和电网规划研究工作。|宗明(1970—),男,高级工程师,主要从事电网规划与运行研究工作。|李沁愉(1988—),女,工程师,主要从事电网规划研究工作。
基金资助:
国家电网公司科技项目资助(SGSHSN00ZS2202767)

Research on Decomposition of Influencing Factors and Prediction Methods of Carbon Emissions in Industrial Sector

CHU Linlin¹, ZONG Ming¹, LI Qinyu¹, CHEN Yanjun¹, ZHU Xia¹, LIU Yiting², GU Jie²

1. Shinan Power Supply Company State Grid Shanghai Electric Power Company, Shanghai 200030,China
2. School of Electronic Information and Electrical Engineering, Shanghai Jiaotong University, Shanghai 200240,China

Received:2023-08-11 Online:2023-10-30 Published:2023-11-23

摘要/Abstract

摘要：

工业部门是全球主要的二氧化碳排放来源之一。了解工业部门碳排放量受何种因素影响,有助于针对性地制定优化措施减少碳排放量。同时,预测碳排放量,可以实现对未来碳排放量的管控和调整,并制定出相应的政策措施来引导和规范工业部门的发展。首先,通过对数平均迪氏指数(LMDI)分解法,构建行业碳排放贡献量的计算模型,分析各影响因素对碳排放的贡献量。进一步,结合因素分解法的分析结果,构建人口、财富、技术随机回归(STIRPAT)模型,对工业部门各行业碳排放量进行预测。最后,以我国某地区工业部门为例进行研究,结果验证了所提模型的可行性。

关键词: 碳排放, 碳排放贡献量, 影响因素分解, 对数平均迪氏指数分解法, 人口、财富、技术随机回归模型

Abstract:

The industrial sector is one of the main sources of global carbon dioxide emissions. Understanding the factors that affect carbon emissions in the industrial sector can help to develop the targeted optimization measures to reduce carbon emissions. Meanwhile, predicting carbon emissions can achieve to control and adjust future carbon emissions, and formulate the corresponding policy measures to guide and regulate the development of the industrial sector. Firstly, a calculation model of the industry's carbon emission contribution is coustructed through the logarithmic mean Divisia index (LMDI) decomposition method, and the contribution of various influencing factors to carbon emissions is analyzed. Further combining the analysis results of factor decomposition method, a stochastic impacts by regression on population, affluence and technology (STIRPAT) model is constructed to predict the carbon emissions of various industries in the industrial sector. Finally, a study is conducted on an industrial sector in a certain region of China, and the results verify the feasibility of the proposed model.

Key words: carbon emissions, carbon emission contribution, decomposition of influencing factors, logarithmic mean Divisia index(LMDI) decomposition method, stochastic impacts by regression on population, affluence and technology (STIRPAT) model

中图分类号:

TM73

储琳琳, 宗明, 李沁愉, 陈妍君, 朱夏, 刘亦婷, 顾洁. 工业部门碳排放量的影响因素分解及预测方法研究[J]. 电器与能效管理技术, 2023, 0(10): 28-35.

CHU Linlin, ZONG Ming, LI Qinyu, CHEN Yanjun, ZHU Xia, LIU Yiting, GU Jie. Research on Decomposition of Influencing Factors and Prediction Methods of Carbon Emissions in Industrial Sector[J]. LOW VOLTAGE APPARATUS, 2023, 0(10): 28-35.

图/表 9

图1

图2

表2

图3

图4

表3

表4

表5

图5

参考文献 25

[1]	尹天文, 高孝天. 双碳背景下低压电器行业发展思考[J]. 电器与能效管理技术, 2023(1):1-7, 23.
[2]	ANG B W. Decomposition analysis for policymaking in energy: which is the preferred method[J]. Energy Policy, 2004, 32(9):1131-1139. doi: 10.1016/S0301-4215(03)00076-4
[3]	MEGASUKMA Y. A simple guide to LMDI decompositon analysis[EB/OL]. http://www.researchgate.net/publication/258839655_A_Simple_Guide_to_LMDI_Decomposition_Analysis.
[4]	KAYA Y. Impact of carbon dioxide emission control on GNP growth:Interpretation of proposed scenarios[R]. Paris: IPCC Energy and Industry Subgroup,Response Strategies Working Group,1989.
[5]	BIN S, DOWLATABADI H. Consumer lifestyle approach to us energy use and the related co₂ emissions[J]. Energy Policy, 2005, 33(2):197-208. doi: 10.1016/S0301-4215(03)00210-6
[6]	SCHIPPER L, MURTISHAW S, KHRUSHCH M. Carbon Emissions fromManufacturing Energy Use in 13 IEA Countries:Long-term Trendsthrough 1995[J]. Energy Policy, 2001, 29(9):667-688. doi: 10.1016/S0301-4215(00)00163-4
[7]	魏文栋, 张鹏飞, 李佳硕. 区域电力相关碳排放核算框架的构建和应用[J]. 中国人口·资源与环境, 2020, 30(7):38-46.
[8]	王常凯, 谢宏佐. 中国电力碳排放动态特征及影响因素研究[J]. 中国人口·资源与环境, 2015, 25(4):21-27.
[9]	王常凯, 崔维军. 结构、强度、规模与电力碳排放——基于LMDI分解方法的研究[J]. 科技管理研究, 2015, 35(6):220-224,241.
[10]	田中华, 杨泽亮, 蔡睿贤. 电力行业对地区节能和碳排放强度下降目标贡献分析[J]. 中国电力, 2015, 48(3):150-155.
[11]	WANG W W, ZHANG M, ZHOU M. Using LMDI method to analyze transport sector CO emissions in China[J]. Fuel & Energy Abstracts, 2011, 36(10):5909-5915.
[12]	GUO B, GENG Y, FRANKE B, et al. Uncovering China's transport CO emission patterns at the regional level[J]. Energy Policy, 2014, 74(74):134-146. doi: 10.1016/j.enpol.2014.08.005
[13]	SUN W Q, CAI J J, YU H, et al. Decomposition analysis of energy-related carbon dioxide emissions in the iron and steel industry in China[J]. Frontiers of Environmental Science & Engineering in China, 2012, 6(2):265-270.
[14]	XU J H, FLEITER T, EICHHAMMER W, et al. Energy consumption and CO emissions in China's cement industry:A perspective from LMDI decomposition analysis[J]. Energy Policy, 2012, 50:821-832. doi: 10.1016/j.enpol.2012.08.038
[15]	DIETZ T, ROSA E A. Rethinking the Environmental Impacts of Population,Affluence and technology[J]. Human Ecology Review, 1994, 1:277-300.
[16]	YORK R, ROSA E A, DIETA T. STIRPAT, IPAT and Impact:analytic tools for unpacking the driving forces of environmental impacts[J]. Ecological Economics, 2003, 4:351-365.
[17]	WAGGONER P E, AUSUBEL J H. A framework for sustainability science:a renovated IPAT identity[J]. Proceedings of the National Academy of Sciences of the United States of America, 2022, 99(12):7860-7865.
[18]	YORK R, ROSA E A, DIETZ T. Footprints on the earth: the environmental consequences of modernity[J]. American Sociological Review, 2003, 68(2):279-300. doi: 10.1177/000312240306800205
[19]	LESTER R K, FINAN A. Quantifying the impact of proposed carbon emission reductions on the US energy infrastructure[G]. Energy Innovation Working Paper Series, 2009.
[20]	焦文献, 陈兴鹏. 基于IPAT等式的甘肃省能源消费碳排放特征分析及情景预测[J]. 干旱区资源与环境, 2012, 26(10):180-184.
[21]	靳小钊, 王娟娟, 赵闻蕾. 基于GM(1,1)模型与灰色Verhulst模型的风速预测[J]. 电器与能效管理技术, 2015(4):46-48.
[22]	童飞, 赵兴文, 俞滨. 浙江省工业碳排放强度现状及预测[J]. 现代工业经济和信息化, 2023, 13(1):9-10,13.
[23]	熊杨, 王娟. 双碳政策下长江经济带物流业碳排放影响因素分析[J]. 物流工程与管理, 2022, 44(10):89-93.
[24]	吴振荣. 统计学[M]. 北京: 北京理工大学出版社, 2020.
[25]	彭虹桥, 顾洁, 宋柄兵, 等. 基于多维变量筛选-非参数组合回归的长期负荷概率预测模型[J]. 电网技术, 2018, 42(6):1768-1777.

年份	能源消费结构	能源强度	产业结构	经济发展	工业化率	人口
20112012	-227.80	-5 505.00	-440.50	3 509.70	-180.69	55.42
20122013	393.89	208.73	-668.02	3 362.80	-1 224.10	50.88
20132014	84.65	2 768.80	-6 025.70	2 191.50	-1 123.40	64.30
20142015	-8.80	877.75	-4 332.90	1 430.70	-1 713.70	50.21
20152016	-3.07	102.57	-2 245.60	1 946.70	-1 777.20	67.07
20162017	-12.40	-783.62	-1 773.90	2 643.60	-1 339.30	76.38
20172018	1.85	-3 040.60	-163.03	2 648.20	2.98	47.10
20182019	80.84	-1 812.50	-65.20	2 305.80	-254.77	51.79
20192020	-75.61	294.18	-241.41	1 213.60	-1 009.50	40.06

检验方法	检验值
R²检验	0.937 8
F检验	65.380 5
t检验	4.251 1*e^(-8)
误差方差估计值	0.001 828

项目	碳排放量/吨二氧化碳							RMSE
项目	2018年	2019年		2020年		2021年		RMSE
实际值	21 972.73		22 481.99		23 760.13		23 231.67	—
STIRPAT模型预测值	22 017.37		22 410.06		23 048.57		22 997.76	35.965
BP神经网络模型预测值	20 851.46		20 861.79		20 872.13		20 882.46	1 444
灰色预测模型预测值	23 177.67		23 445.88		23 715.57		23 986.75	377.54

年份	实际值					年份	预测值
年份	人口/ 万人	工业增加值/ 亿元		能源强度/ [吨标准煤· (亿元)^-1]		年份	人口/ 万人	工业增加值/ 亿元		能源强度/ [吨标准煤· (亿元)^-1]
2018	7 267.50		4 333.75		1.80	2022	9 601.83		5 315.71		1.57
2019	8 060.35		4 684.78		1.71	2023	10 306.33		5 581.92		1.49
2020	8 287.54		4 797.22		1.76	2024	11 088.30		5 870.23		1.41
2021	8 941.73		5 043.35		1.66	2025	11 908.83		6 174.25		1.33

工业部门碳排放量的影响因素分解及预测方法研究

Research on Decomposition of Influencing Factors and Prediction Methods of Carbon Emissions in Industrial Sector

RichHTML

PDF (PC)

可视化

摘要/Abstract

引用本文

使用本文

图/表 9

参考文献 25

相关文章 3

编辑推荐

Metrics

本文评价

[1]	刘洋广. 基于动态碳排放因子的电力低碳优化调度策略[J]. 电器与能效管理技术, 2024, 0(12): 26-32.
[2]	吴恒, 尹力, 黄莉, 傅萌. 基于能源消耗追溯的居民社区动态碳减排量核算技术研究[J]. 电器与能效管理技术, 2022, 0(3): 10-14.
[3]	马钊. 低压电器行业转型升级推动“双碳目标”和循环经济[J]. 电器与能效管理技术, 2021, 0(3): 1-5.