中国民航碳排放的历史特征及未来趋势预测

中国民航面临日益严峻的节能减排压力,亟需开展行业碳排放预测相关研究。从1990~2016年来看,总体上我国民航业的碳排放年增长率低于周转量年增长率,吨公里燃油消耗呈稳步下降趋势;但2010年后出现了碳排放增长率高于周转量增长率的情况,吨公里油耗略有上升。由于我国民航燃油效率已经处于较高水平,提升空间不大,未来将在一定程度上影响减排潜力。利用kaya模型和LMDI分解法分析中国民航碳排放的主要驱动因素和贡献率,并设定8种排放情景预测民航未来的碳排放量。结果表明,在影响民航碳排放的运输规模效应、能源强度效应、运输结构效应、能源替代效应等因素中,能源强度效应是抑制碳排放增长的主要因素,而运输规模效应则是促进碳排放增长的主导因素,运输规模增长将继续推动我国民航碳排放的增长,而依靠能源强度下降实现行业减排的潜力将越来越小;替代能源尚未发挥作用且未来发展趋势不明朗。根据预测,中国民航碳排放量2020年将达到1.32×108~1.35×108t,2035年的碳排放量是2020年的1.9~2.6倍,2050年的碳排放量是2020年的1.6~3.9倍。     

神经网络预测功能在中国能源结构调整中的应用

首先通过神经网络建模拟合得到了中国GDP与能源消费总量的关系,其次根据不同GDP增速预测得到了至2060年的能源消费总量,最后根据2019年能源结构设置了3种调整方式（保守趋势、现行趋势及严格趋势）。碳排放预测神经网络的碳排放结果显示,保守趋势的调整方案难以缓解和控制目前中国碳排放量逐渐上升的趋势,现行趋势的调整方案也仅在经济增速较低的情况下能控制碳排放,严格趋势的调整方案在各种经济增长情景中都能得到显著降低碳排放量的结果。结果显示,能源结构调整对中国未来碳排放量及其变化趋势具有重要影响。     

昆明市碳排放预测与分析

基于灰色系统GM(1,1)预测方法。多元线性回归理论。BP神经网络预测方法,本文结合昆明市2000年~2015年碳排放量与其影响因素,建立BP神经网络预测模型。从预测结果可得,2020年昆明市单位GDP碳排放量较2005年单位GDP碳排放量下降73.81%~78.57%,三种预测结果中,BP神经网络预测的结果较为准确。在多元线性回归模型检验的结果中,得出影响昆明市碳排放量的因素从高到低依次为:人口、煤炭消费比率、能源强度、人均GDP、第三产业占比。     

考虑时间相关性的电动汽车全生命周期碳排放量预测北大核心CSCD

电动汽车碳排放影响因素较多,导致其精确预测难度较大。为此,本工作提出考虑时间相关性的电动汽车全生命周期碳排放量预测方法。从全生命周期理论出发,计量边际发电量、线损率、煤炭生产环节产生的碳排放量、电煤运输环节产生的碳排放量与发电环节的碳排放量,并将时间相关性应用到电动汽车行驶特征分析,计算直接碳排放量,以此完成考虑时间相关性的电动汽车全生命周期碳排放量预测。实验结果表明:在车辆上坡、下坡、拥堵与正常行驶情况下的碳排放量预测准确度较高,满足电动汽车碳排放量预测需求。     

广东省火电行业碳排放与峰值预测

本文通过计算广东省火电行业1995—2013年能源消耗与碳排放量,运用双对数回归方法,研究广东省火电行业碳排放的影响因素;通过设置6种经济发展与能源消耗情景,预测未来广东省火电行业碳排放量达峰年份与达峰排放量。研究发现,广东省火电行业碳排放量受生产总值、人口、第二产业占比、单产能耗、产值电耗和低碳政策的影响,其中低碳政策的强力实施能显著降低二氧化碳的排放量;同时在中增长和强减排的推荐情景下,碳排放量可最早于2022年达峰,最迟也将在2028年达峰。本文提出抓住新常态发展机遇,加强碳减排力度、鼓励发电技术创新等政策建议。     

安徽省经济发展与碳排放关系分析

以计算得出的安徽省2000～2011年的碳排放量为依据,运用EKC模型对该省经济发展与碳排放量之间的关系进行分析,安徽省碳排放量以及人均碳排放量都在人均GDP为25659.31元时达到理论峰值(极值点),分别为10570×104t和1.54t。安徽省碳排放量与人均GDP之间、人均碳排放量与人均GDP之间存在比较明显的环境库兹涅茨二次曲线特征。为了进一步揭示影响安徽省碳排放量变化的因素,又利用LMDI模型对该省碳排放增长中的总效应、生产规模效应、结构效应及强度效应进行深入分析。结果表明,引起安徽省碳排放增长的主要因素是生产规模效应,强度效应对碳排放起到了一定的抑制作用,而结构效应对碳排放影响不大。鉴于此,建议安徽省应按照低污染、低排放、低能耗的低碳经济理念,调整投资和消费方向,加大对先进节能技术的倾斜性投资,优先选择低碳产业作为未来的发展方向;加大力度优化能源结构,逐步降低高碳产业比重,努力保持非化石能源比重的持续增长态势;发展碳汇项目,促进碳吸收;鼓励新能源、新技术的科技创新,出台相应的激励政策。     

基于Divisia指数分解法的电能消费碳排放情景分析

基于产业链角度分析了电能消费碳排放关键影响因素,采用Divisia指数分解法研究了1990～2007年间我国燃料结构、发电结构、辅助服务及输配损失对碳排放的影响,并给出三类情景下2010～2030年间电力部门的碳排放总量及电能消费的碳排放系数预测.结果表明,我国电力部门2030年的CO2排放总量为49×108～60×108t,相应的电能消费碳排放系数为0.407～0.493,为电力工业未来减排目标及减排途径的设计提供了参考.     

汕头鲁能绿色能源产业基地的零碳工业园区碳排放影响分析

为了分析工业园区的碳排放影响因素,建立碳排放评估模型,对园区的碳排放进行评估测算,探究打造零碳工业园区的路径;对园区的建筑节能、可再生能源利用、节水及非传统水利用、绿色出行、绿地空间垃圾处理等方面进行减碳设计,以减少碳排放。结果显示：园区碳排放源主要为建筑能耗,占总碳排放的97.3%;与基准情景相比,零碳情景下建筑电力碳排放量可以减少50%;可再生能源减碳量最大,占总体减碳量的96.6%。未来的低碳园区发展可在建筑电力减排和可再生能源利用方面进行深入研究。     

中国48个城市能源碳排放影响因素及达峰研究

采用排放因子法从煤炭、石油、天然气、热力及电力等5个方面测算我国48个城市2010～2018年碳排放总量,分别对高、中、低碳三类城市建立STIRPAT扩展模型,分析碳排放的影响因素,根据环境库兹涅茨曲线探讨碳排放随经济发展的变化规律,预测各城市碳排放拐点的到达时间。     

绿色发展视角下广州市碳排放量趋势预测及减排对策

主要对广州市碳排放预测问题进行了探讨,同时根据预测结果提出合理性建议。以人口规模、城镇化率、人均GDP、产业结构指数、能源强度、能源结构为自变量,通过建立GM (1,1)预测模型和多元线性回归预测模型,借助Matlab软件对碳排放量和影响因素数据进行模拟与预测,接着应用灰色关联度分析法求得影响因素的重要性排序,结果为：人口规模>能源结构>能源强度>产业结构指数>城镇化率>人均GDP。最后根据排序,提出一些减排对策。