论文部分内容阅读
随着全球经济的迅速发展,能源的消耗量越来越大,产生的二氧化碳等温室气体造成的温室效应,已经严重威胁到人类的正常生存与社会的可持续发展。减少温室气体的排放是每个国家的责任,节能减排更是我国一项长期坚持的发展政策。石化行业作为一个高能耗的大型工业部门,每年消耗着大量的能源,产生了大量的温室气体。石化行业的碳减排对我国碳减排目标的完成起着关键的作用。为了更加准确地预测我国石化行业未来几年的碳排放量,厘清石化行业各项行业指标对碳排放量的影响,从而采取相应的节能减排政策,本文采用STIRPAT扩展模型来分析石化行业碳排放量的影响因素,采用基于集成模态经验分解(EEMD)和随机向量连接函数(RVFL)神经网络的组合模型来预测我国石化行业的碳排放量,具体研究内容如下:(1)构建STIRPAT扩展碳排放量影响因素分析模型。首先基于传统的STIRPAT模型,选取石化行业碳排放量的相关影响因素;然后对选取的因素进行定性和定量两方面的相关性分析,确定关键驱动因素;最后通过主成分分析法提取出综合变量并进行二阶最小平方回归拟合,获得了各影响因素的弹性系数,为本文的减排建议提供理论依据。(2)基于集成模态经验分解(EEMD)和随机向量连接函数(RVFL)神经网络的组合预测模型的构建。EEMD分解技术能够将隐藏在原始时间序列中具有不同特征值的信号提取并分离出来,减少彼此之间信号的干扰;RVFL是具有较高精度的非迭代神经网络。通过与其它基础模型的对比实证分析,证明了本文提出的预测模型具有较高的精度,可以用于我国石化行业的碳排放量预测。(3)使用本文提出的模型,对石化行业未来几年的碳排放量进行预测,结合本文构建的STIRPAT扩展影响因素分析模型与石化行业的实际情况,探讨了我国石化行业的减排建议。