中国碳排放量预测研究.doc

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时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 一 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，日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、限额贸易等手段对本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）（2020年左右）2009年哥本哈根气候大会（COP15）2020年的单位GDP能耗比2005年减少40％一45％。当前中国正处在城市化和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中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，本文将进行这方面的尝试，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ARMA模型是一类常用的随机时序模型，基本思想是：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，达到最小方差意义下的最优预测。 自回归移动平均模型 如果时间序列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： （1） 则称该时间序列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）。，都是模型的待估参数。 引入滞后算子B，是（1）可简记为： ARMA（p，q）过程的平稳条件是滞后多项式的根均在单位圆外，可逆条件是的根都在单位圆外。 以上为B-J方法的基本模型。 三 实际情况分析 1980 1981 1982 1983 1984 1985 1986 1987 1988 1989 14.48 14.39 15.06 15.93 17.24 18.57 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 68.01 图1 从1980年到2008年中国的碳排放量（单位，亿吨） 3.2 模型的预测 3.2.1时间序列特征分析 在Eviews中建立workfile为1980-2008年的年度数据，通过file→ import把数据导入Eviews中。变量名命名为tan。在workfile中打开数据tan,点击series：tan窗口中的view→graph→line，则会出x的现时序图1。 图2 二次拟合模型 从图2可以看出，常数c和二次拟合通过了显著性检验，所以模型是可以的。接着对模型进行预测。 在命令窗口中输入Expand 1980 2015后然后回车，然后在Equation窗体中点击forecas，点击OK。选中tan和tanff右击鼠标OPEN→AS GROUP则会打开的tan和tanff放在同一表格中，画出在同一时序图这两个序列的线图如下图3。 图3 原数据和预测后数据的拟合 从拟合的图形来看，拟合效果还比较好。 图4 残差自回归数据 打开数据aa，在数据aa窗口中点击view→graph→line来画出aa的时序图。如下时序图5 图5 残差自回归后的时序图 从时序图看不出数据是否平稳，所以需进行进一步的检验。 在该时序图窗口中点击view→correlogram，点击ok则有如下自相关图6输出。 图6