1. 灰色预测模型在碳排放预测中的运用以及优势
1.1. 模型应用简介
全球气候变化给人类社会带来了严峻的挑战,碳排放是其中一个主要原因。在控制碳排放的过程中,预测模型发挥了重要作用。灰色预测模型是中国学者邓聚龙 [1] 于1982年提出的一种模型,在碳排放预测领域得到广泛应用。
1.2. 模型应用优势
灰色预测模型具有以下三个优势:
简洁性:该模型不需要经过复杂的数据预处理,计算过程简单直接,易于理解和应用。
适应性:灰色预测模型对数据需求较少,只需要有限的数据就能有效地进行预测,适用于数据稀缺的情况。
灵活性:该模型强调非线性和不确定性的处理,能够适应各种复杂情况。
灰色预测模型在碳排放预测方面得到广泛使用。通过使用该模型,我们能够更准确地预测未来的碳排放趋势,制定更有效的控制策略。同时,该模型为碳排放研究提供了新的视角和工具。总之,灰色预测模型在碳排放预测中的简洁性、适应性和灵活性等优势非常明显。依靠该模型,我们能够更好地理解碳排放趋势,为政策制定者提供依据,并评估各种控制策略的效果。灰色预测模型的应用推动了碳排放研究的发展,对应对全球气候变化挑战起到了重要作用。
1.3. 灰色预测模型的基本原理及其计算方法
1.3.1. 灰色预测模型的基本原理
灰色预测模型是一种用少量信息建立数学模型进行预测的方法。灰色预测模型通过分析系统因素之间的发展趋势的差异程度,即进行关联分析,并对原始数据进行生成处理,以找出系统变动的规律,并生成具有较强规律性的数据序列。然后,建立相应的微分方程模型,用以预测事物未来的发展趋势。该模型利用等时间间隔观测到的一系列数量值,反映预测对象的特征,构建灰色预测模型,以预测未来某一时刻的特征量,或者达到某一特征量的时间。与传统预测模型不同,灰色预测模型使用的是生成的数据序列,而不是原始数据序列。核心体系是灰色模型,它通过对原始数据进行累加生成,得到近似的指数规律,并进行建模。
1.3.2. 灰色预测模型适用范围
数据较少,无法运用传统的统计学方法进行建模;数据之间要存在一定的规律,有明显的趋势或者规律;数据没有明显的周期性变化。
1.3.3. 灰色预测模型计算方法
灰色预测模型的计算方法 [2] 可以分为以下四个步骤:确定原始数据序列,通过累加生成新的数据序列,建立灰色微分方程,并求解该方程得到预测模型,最后利用该模型进行预测。
确定原始数据序列:在国家统计局、知网或国内统计年鉴等来源中寻找所需的数据,并根据需要进行筛选,然后按照一定的顺序排列,得到所需的原始数据。需要注意的是,不要选择过多的数据,以避免过多的噪声或冗余信息。
通过累加生成新的数据序列:将确定的原始数据输入到SPSS或Excel等软件中,利用相应的公式计算出经过累加后生成的新数据序列。
建立灰色微分方程:根据所需,建立相应的灰色微分方程,并将相关数据代入方程中,利用公式(通常使用最小二乘法)计算出参数a和b的值。在得到模型后,可以将前面的数据代入模型进行验证,以判断模型的准确性。
[3] 。
最后使用建立出来的模型,对未来进行预测,得出相关结论。
2. 灰色预测模型运算案例
2.1. 运算程序
2.1.1. 确定原始序列
定义1:
为原始序列 [4] 。
2.1.2. 求取一阶累加数据
定义2:
为一阶累加序列。
其中一阶累加计算公式如下:
(1)
2.1.3. 计算均值序列
定义3:
为均值序列。
其中均值计算公式如下:
(2)
2.1.4. 给出均值形式
定义4:
为模型的均值形式。
其中
为所设参数。
2.1.5. 用最小二乘法估计参数
根据均值形式
设立矩阵
,其中
,
。
参数的求解等式如下 [5] :
(3)
2.1.6. 残差检验模型
定义5:
为预测序列,残差序列为
,其中
。
定义6:
为相对误差序列,
为平均误差 [6] 。
其中
与平均误差计算公式如下:
[7] (4)
(5)
若给定
,且满足
,则该模型的残差被认为是合格的。
为模型的精度项,可以分为四个等级,
分别为一级精度,二级精度和三级精度以及四级精度。所求的精度值越小,代表模型的预测效果越好。
2.1.7. 预测未来数据
根据以下公式计算预测数据。
(6)
得出最终预测数据。
2.2. 模型的求解与结论
2.2.1. 确定原始序列
选取中国碳排放量为指标,2012年~2022年各年份为对象,构建原始序列。其中2012年~2022年碳排放量的原始序列为
。原始序列数据如下见表1:
Table 1. Original sequence data table
表1. 原始序列数据表
2.2.2. 求取一阶累加数据
根据公式(1),计算上述原始数据序列的一阶累加数据 [8] 。计算结果如表2所示,这些数据表示了原始数据序列经过一阶累加后的结果。
Table 2. First-order accumulated data table of original sequence
表2. 原始序列的一阶累加数据表
2.2.3. 求取均值数据
将上述得到的一阶累加数据代入公式(2),计算均值数据。计算结果保留两位小数,结果见表3,这些数据表示了一阶累加序列经过计算得到的均值数据。
2.2.4. 设定均值形式为
2.2.5. 用最小二乘法估计参数
根据公式(3)与所设立的矩阵Y,B计算出参数a,b。参数a,b保留两位小数,数据如下(表4):
2.2.6. 残差检验
结合给定的原始序列和计算公式(1),(2),(3),(4),(5),可以进行模型检验并比较精度。根据实际情况进行评估,以确定模型的检验情况。
数据保留两位小数,检验结果如下(表5):
结果表明通过残差检验
2.2.7. 预测未来碳排放量
根据原始数列,通过使用计算公式(1),(2),(3),(6),得出预测结果见表6,结果保留两位小数,预测结果的具体数值请参见对应年份的数据。
Table 6. Carbon emission forecast table
表6. 碳排放预测表
将预测结果可视化,可直观体现碳排放量走向见图1:
Figure 1. Carbon emission forecast chart
图1. 碳排放量预测图
3. 预测结果分析
通过使用灰色预测模型对2023~2027年中国碳排放量的预测结果分析显示:根据模型和原始序列,我们成功预测了2023~2027年中国的碳排放量。这一预测结果对于制定碳控制策略提供了重要的参考,在此基础上,我们制作了碳排放趋势图表,更直观展示预测结果。
从预测结果来看:
年均增长:2022~2027年这五年中国的碳排放量将增长约14.58亿吨,即年均增长2.916亿吨。这是一个相对较大的增长幅度。
排放量分析:中国的碳排放量将从2022年的114.8亿吨增长到2027年的约129.38亿吨,总体增长约12.7%。这表明中国面临的碳排放压力持续增加。
若要在2030年前实现中国的碳排放峰值,根据预测结果,从2023年开始,需要在四年内扭转碳排放量上升的趋势。这无疑是一个巨大的挑战。
政策影响:预测结果可能反映了近年来环保政策和能源结构对碳排放的影响。如果中国能够有效改善能源结构、提高能源利用效率或实施更加严格的环保政策,有可能有助于抑制碳排放量的上升趋势。因此,政策和结构的改变对于控制碳排放具有重要的影响。
4. 评价与建议
本文所使用的灰色预测模型具有简单、易于理解和方便操作等特点。我们可以直接使用Excel等工具进行计算,而且即使在历史数据较少的情况下,该模型也能够进行良好的预测。此外,灰色预测模型对于碳排放量这种不可控、非随机、容易发生突变并且具有不规则性的数据也是适用的。
在预测非线性序列方面,灰色预测模型具有良好的性能。相对于传统的线性回归模型,在处理涉及非线性关系的数据时,灰色预测模型通常具有更高的预测精度。然而,灰色预测模型也存在一些局限性。例如,在长期预测方面可能会出现准确性下降的情况,同时对于复杂的碳排放系统可能无法进行准确地预测。因此,我们建议在使用灰色预测模型时,应结合其他预测方法,以提高预测的准确性。同时,还需要进行进一步的研究和改进,使灰色预测模型更好地适用于碳排放预测。我们可以通过将灰色预测模型与回归分析、时间序列分析等常用的预测方法进行比较,评估其在预测精度、适用范围等方面的优势和劣势。
未来,我们将致力于改进和拓展传统的灰色预测模型,从而提高其预测精度和适用范围。一种可能的改进方式是将灰色预测模型与其他模型进行结合,例如神经网络、支持向量机等,以实现混合预测碳排放的目标。通过引入这些新的技术和方法,我们可以进一步提高预测的准确性,并更好地适应复杂的碳排放数据。这将为未来的碳排放预测研究提供更多的可能性和发展空间。
基金项目
1) 四川省大学生创新创业项目(S202214389070数学模型在碳排放测算与预测中的应用领域研究);
2) 四川省大学生创新创业项目(双减背景下民族地区乡村教育的现状研究S202214389165)。