灰色预测模型及其在上海市中碳强度指数分析上的应用 Grey Forecasting Model and Its Application in Shanghai’s Middle Carbon Intensity Index Analysis

doi:10.12677/JLCE.2013.23019

设为首页加入收藏期刊导航网站地图

期刊菜单

文章导航

Journal of Low Carbon Economy 低碳经济, 2013, 2, 115-119

http://dx.doi.org/10.12677/jlce.2013.23019 Published Online August 2013 (http://www.hanspub.org/journal/jlce.html)

Grey Forecasting Model and Its Application in

Shanghai’s Middle Carbon Intensity Index Analysis

Lei Yan, Jianke Guo

Shanghai TEPIA Technology Co. Ltd., Shanghai

Email: faxilion@gmail.com, guojk@tepa.com.cn

Received: Jan. 14th, 2013; revised: Feb. 26th, 2013; accepted: Mar. 9th, 2013

which permits unrestricted use, distribution, and reproduction in any medium, provided the original work is properly cited.

Abstract: The carbon intensity of shanghai from 2012 to 2020 is forecasted based on GM (1,1) model. Also

we evaluate the possibility of achieving carbon emission reduction defined by middle carbon intensity index.

The relation between primary, secondary, tertiary industry and carbon intensity is discussed by grey incidence

degree. Finally, the policy of carbon emission reduction for middle carbon intensity index is given.

Keywords: Middle Carbon Intensity Index; Equal Dimensional Grey GM (1,1) Model;

Carbon Emission Reduction

灰色预测模型及其在上海市中碳强度指数分析上的应用

严磊，郭建科

上海太比雅环保有限公司，上海

Email: faxilion@gmail.com, guojk@tepa.com.cn

收稿日期：2013 年1月14 日；修回日期：2013年2月26日；录用日期：2013 年3月9日

摘要：通过灰色系统理论，建立 GM (1,1)模型对 2012~2020 年上海市碳强度进行预测，并研究了达

成中碳强度指数减排目标的可行性。并利用灰色关联，分析了第一、二、三产业的对碳强度的影响大

小，给出了减排措施。

关键词：中碳强度指数；等维灰色递补 GM (1,1)模型；碳减排

1. 引言

全球气候系统变暖所引起的极端天气和灾难(土

地干旱、农作物减产、海平面上升)对人类社会的影响

是全方位、多尺度和多层次的。IPCC 报告[5]评估：自

1750 年后，CO 2成为造成全球气候系统变暖最重要的

温室气体。为了避免全球气候系统变暖所带来的负面

效应，控制 CO2等温室气体的排放已经成为各国政府

的共识。1992 年的《联合国气候变化框架公约》设定

的最终目标是：“将大气中温室气体的浓度稳定在防

止气候系统受到危险的人为干扰的水平上”。

根据《联合国气候变化框架公约》“共同但有区

别的责任”原则，作为发展中国家的中国没有减排任

务。国际能源署(IEA)报告中，在 2007 年中国的温室

气体排放就已超过美国成为全球温室气体排放最多

的国家。同时 2007 年的人均年度温室气体排放量为

4.6 吨，高于同年世界人均排放水平4.4 吨。由环境库

兹涅茨倒 U型曲线，经济增长和温室气体的排放有一

个规律：随着经济的增长，CO2的排放也在增加；当

经济增长到一定的水平，CO2的排放会出现拐点，CO2

的排放会随着经济的增长而持续下降。而作为发展中

灰色预测模型及其在上海市中碳强度指数分析上的应用

国家，中国的 CO2的排放必然随着经济的发展而持续

增加。但本着负责任的态度，我国采取了积极的减排

措施。一般来而言，人均GDP 达到4万到 5万美元

时，温室气体排放才开始下降，而我国在人均 GDP

仅有 4000 美元时就实施减排。

2007 年在发展中国家当中，我国第一个制定并实

施了应对气候变化国家方案。2009 年，向全世界承诺

到2020 年单位国内生产总值的二氧化碳排放要比

2005 年下降 40%~45%的行动目标。还编制了《国家

应对气候变化规划(2011~2020 年)》和《国家适应气候

变化总体战略》。2013 年5月，发改委已经拟好了《碳

强度下降指标考核评估办法》，并打算据此建立碳强

度下降目标责任制。

为了评估的衡量减排效果，我们预测了

2012~2020 年的碳强度变化。太比雅将 2020 年单位国

内生产总值的二氧化碳排放要比 2005 年下降

40%~45%的减排目标定义为中碳强度指数[8]。有了中

碳指数，将我国各个省市的单位 GDP 二氧化碳排放

可以直观的表现出来，是我国作为全球最大排放国获

得领导权的重要一步。随着碳交易市场的快速发展，

中碳指数将可以是国际贸易和国际经济的领先指标

之一，它集中反映了中国，甚至是全球对能源，矿产、

等初级商品的需求，同时也是有色金属、煤炭等初级

商品制造商股价走势的可参考指标之一。本文中，我

们用中碳强度指数来衡量上海市的减排策略。

2. 数据的收集和整理

化石燃料使用所排放的 CO2是引发气候变化的主

要原因。《中国能源统计》给出了能源消费总量的计

算范围：终端能源消费量、能源加工转换损失量(投入

量–产生量)、能源损失量(包括运输和输配损失)。本

报告计算能源CO2排放时的假设：考虑在终端能源消

费产生的排放；略能源加工转换损失和能源损失的

CO2放；只考虑上海本地火力发电，不计市外来电。

CO2排放量的测算方法一般分为模型法和指数

法。本文根据上海各年份能源消耗的类型，用指数法

分项排放因子(原煤、焦炭、燃料油和电力)进行估算[4]。

表1《IPCC 2006》中定义：CO2排放量 = (排放量

分品种单位能耗CO2排放因子)







ijjit

CFOAECE



,tij

EACCC

 (1)

Table 1. Standard coal coefficient, carbon emission factor and

oxidation rate for different types of fuel[2,3,5,6]

表1. 各能源的标准煤折算系数、CO2排放因子和氧化率[2,3,5,6]

原煤焦炭燃料油

CCi (104 tce/104 t) 0.7143 0.9714 1.4286

CFj (104 t CO2/104 tce) 2.7718 3.1351 2.6782

Oj 0.9000 0.9280 0.9850

式中，Et为年份 t的CO2排放量，单位为104t，j表示

化石燃料种类，分别为原煤、焦炭和燃料油；ACi,j为

i产业中j类能源的消耗量量，单位为104t；CCi为j

类能源标准煤折算系数，单位为104tce/104t；CFj为j

类能源的 CO2排放因子，单位为 104tCO2/104tce；Oj

为j类能源的氧化率了；AEi为i产业中的用量，单位

为MWh；CEt为年份 t的电力排放因子，单位为

tCO2/MWh。

3. 灰色预测模型

灰色预测法是一种对含有不确定因素的系统进

行预测的方法[7]。GM (1,1)模型为灰色预测法在经济

预测中最常用的一种。假设有非负数离散函数 (0)

，

 



00 00

1,2,,



xx xn





















ibx













。一次累加后得到

。由构成微分方

程



dx ax







(2)

可以解出

ˆk1x 1ak















1, 2,, n

(3)

其中，k





(0)(1) (1)

ˆˆˆ

(k 1)(k 1)(k)xxx

(0) (0)

ˆˆ

(1) (0)xx

。对预测所得的累加结果做减法运

算得出原始预测值，

(4)

其中，。

GM (1,1)模型的预测结果只是预测 1、2个数据时

结果较好，对中远期的预测仅能反映出一种趋势。因

为随着预测时间段的变长，预测值灰区间也越来越

大，导致预测值可信度下降。为了提高对中远期的预

测精度，我们使用等维灰色递补 GM (1,1)模型。首先

116

灰色预测模型及其在上海市中碳强度指数分析上的应用

对数列



建立 GM (1,1)模型预测一个值，然后把其

加入到原始数列



中并去掉得到新等维数列



0(1)x



，最后用



预测下一个值。

3.1. 模型应用

3.1.1. 能源终端消费量预测

使用 2004~2011 年数据如图1，根据建立的模型

预测 2012~2020 年上海市能源终端消费量。

表2中给出了 GM (1,1)模型预测 2012 年能源终

端消费量的预测值、绝对误差和相对误差率。其C值

为0.0756，相对精度为97.944%，所以 GM (1,1)模型

的预测精度等级为好。用等维灰色递补 GM (1,1)模型

预测未来几年能源终端消费量如表 3。

3.1.2. 实际 GDP 预测

依据居民消费价格指数与商品零售价格指数的

平均值，将《上海统计年鉴-2012 年》[1]图2给出的

2004~2011 年名义GDP折算成2005年的不变价格并

预测 2012~2020 年上海的实际 GDP。

表4中给出了 GM (1,1)模型预测 2012 年GDP 的

结果。得出的C值为 0.0604，相对精度为 98.057%，

所以 GM (1,1)模型的预测精度等级为好。用等维灰色

递补 GM (1,1)模型预测未来几年 GDP 如表3。

3.1.3. 碳强度计算

根据实际数据计算可知，2005 年的碳强度为

2.561吨/元。按照中碳强度指数定义，取减排上限

“2020 比2005 下降 40%”来算，则 2020 年中碳强度

指数减排目标为1.408[8]。而从能源终端消耗量和实际

GDP 预测值的结果可得图 3中2012~2020 年上海市碳

强度预测值。若保持现状不采取任何措施，

2020 年的

Figure 1. Comparison of true value and predicted value for final

consumption of energy in 2004-2020

图1. 2004~2020年上海市能源终端消费量预测值和实际值对比

Table 2. Comparison of true value and predicted value for final

consumption of energy

表2. 能源终端消费量实际值和预测值对照表

年份实际值预测值绝对误差相对误差(%)

20057895.17 7055.08 −246.6495 −3.124%

20068514.40 8141.82 −71.19659 −0.836%

20079314.77 8585.597261.2079 2.804%

20089750.47 10067.4 203.4355 2.086%

20099951.81 10616.14−115.594 −1.162%

201010842.33 11194.78226.1933 2.086%

201110943.46 11804.96−251.3186 −2.297%

Table 3. The predicted value of final consumption of energy and

GDP

表3. 2012~2020年能源终端消费量和 GDP的预测值

能源终端消费量 GDP

年份预测值年份预测值

2012 11804.96 2012 18262.543

2013 12341.06 2013 19818.008

2014 12889.15 2014 21508.287

2015 13546.80 2015 23508.602

2016 14256.70 2016 25651.008

2017 14916.86 2017 27911.060

2018 15720.90 2018 30452.350

2019 16446.61 2019 33115.007

2020 17273.74 2020 36085.739

Figure 2. Comparison of true value and predicted value for GDP in

2004-2020

图2. 2004~2020年上海市 GDP预测值和实际值对比

碳强度预测值为 1.403。表明如果保持现状，按照现

有政策即能达成中碳强度指数的减排目标。

根据 2013 年《经济蓝皮书春季号》预测，2013

灰色预测模型及其在上海市中碳强度指数分析上的应用

Table 4. Standard coal coefficient, carbon emission factor and

oxidation rate for different types of fuel

表4. 上海产业部门 CO2排放强度，单位(t/104元)

第一产业

(CO2%/GDP%) 第二产业第三产业产业

2004 3.217

(1.54/1.03)

2.762

(61.51/48.21)

1.219

(28.58/50.75) 1.984

2005 1.675

(0.78/0.98)

2.775

(62.57/47.38)

1.159

(28.49/51.65) 1.929

2006 1.555

(0.69/0.89)

2.571

(60.88/47.01)

1.143

(30.01/52.10) 1.818

2007 1.504

(0.65/0.82)

2.512

(59.55/44.59)

1.073

(31.16/54.60) 1.718

2008 1.484

(0.64/0.79)

2.447

(57.80/43.25)

1.058

(32.25/55.95) 1.662

2009 1.431

(0.63/0.76)

2.419

(56.15/39.89)

0.975

(33.68/59.36) 1.554

2010 1.475

(0.59/0.66)

2.190

(54.98/42.05)

0.969

(33.14/57.28) 1.486

2011 1.433

(0.60/0.65)

2.157

(56.85/41.30)

0.887

(32.85/58.05) 1.415

Figure 3. The forecast result of Shanghai’s carbon intensity in

2012-2020

图3. 20012~2020年上海市碳强度预测

年中国 GDP 增长率为8%左右，增速将放缓。经计算，

若上海市GDP 增速低于 9.49%，则无法完成中碳强度

指数中的减排下限目标。所以，政府采取进一步的减

排策略才能确保 2020 年碳强度满足中碳强度指数的

减排目标。

4. 灰色关联度分析

在影响CO2排放量的诸多因素中，不同因素对

CO2排放量的影响大小不同。我们可以对影响大的若

干因素进行调整以达到中碳强度指数中的减排目标。

因此，我们用灰色关联度来分析各因素随时间的变化

和特征，以判断影响的高低。灰色关联度越大，说明

了两者关联较大，往往用来找出影响大的主导因素。

首先对各序列进行均值变换，各序列除以各自的

序列均值。然后由下式求出相关系数













   

,t ,t

min txtmax txt

ttxtmax txt





 

 (5)

0.5



为分辨系数，这里取



其中， 。最后，i因素

与CO2排放量的灰色关联度为







 (6)

分产业的碳强度进行分析，第一、二、三产业的

灰色关联度分别为0.1532、0.7643、0 .5725。说明了

第一、二、三产业与碳强度的相关系数为依次为第二、

第三和第一产业。

表4中，2011 年，第二产业和第三产业分别占碳

排放量的50%以上和 30%左右。说明了综合碳排放量

的减少主要是由第二产业造成的。因工业技术升级和

淘汰落后产能(例如，宝钢的焦炉升级综合改造工程

股)，第二产业在2010 年前碳排发强度显著下降。然

而2010 年和 2011 年的碳排放强度减速趋缓，说明工

业技术升级和淘汰落后产能的提升作用并不是无限

的。第三产业的碳排放强度仅仅为第二产业的一半多

些。若要进一步降低综合碳排放强度以达到中碳强度

指数的减排目标，只有大力发展第三产业。

5. 结论

1) 因未来几年 GDP保持高速增长的压力会加

大，上海市目前的减排措施不能达到中碳强度指数的

减排目标。因此，必须采取进一步的减排措施。

2) 利用灰色关联度分析，发现了第二、第三产业

和碳强度的相关度最大。因此，若要达到 2020 年中

碳强度指数要求的减排指标，需要大力发展第三产

业，并降低煤炭在第二产业中的占比。

参考文献 (References)

[1] 上海市统计局. 2012上海统计年鉴[B]. 北京: 中国统计出版

社, 2012.

[2] 国家标准. GB/T 2589-2008《综合能耗计算通则》[S], 2008.

[3] 郭云功, 林逢春, 白义琴, 吴玫玫. 上海市能源利用碳排放的

分解研究[J]. 环境污染与防治, 2009, 31(9): 68-81.

[4] 郭云功, 汪冬冬, 林逢春. 上海市能源利用碳排放足迹研究

[J]. 中国人口环境与资源, 2010, 20(2): 103-108.

[5] IPCC. 2006 IPCC guidelines for national greenhouse gas in-

118

灰色预测模型及其在上海市中碳强度指数分析上的应用

ventories: Volume Ⅱ. 2008.

[6] 廖振良, 史娇蓉, 李怀正, 王晟. 上海市碳排放交易机制及发

展战略研究报告[URL], 2012.

http://unep-iesd.tongji.edu.cn/index.php?classid=186&

action=download& id=281

[7] 刘思峰等. 灰色系统理论及其应用(第三版)[M]. 北京: 科学

出版社, 2004.

[8] 中碳指数网[URL], 2013.

http://www.sinocarbonindex.com/zsjs-12-12-23.htm