• 中国科学引文数据库核心期刊
  • 中文核心期刊、中国科技核心期刊
  • 第1、2届国家期刊奖
  • 第3届国家期刊奖百种重点期刊奖
  • 中国精品科技期刊、中国百强报刊
  • 百种中国杰出学术期刊

留言板

尊敬的读者、作者、审稿人, 关于本刊的投稿、审稿、编辑和出版的任何问题, 您可以本页添加留言。我们将尽快给您答复。谢谢您的支持!

姓名
邮箱
手机号码
标题
留言内容
验证码

人口因素驱动下的中国碳排放强度预测

李汉东 向梓航 崔雪峰

李汉东, 向梓航, 崔雪峰. 人口因素驱动下的中国碳排放强度预测[J]. 北京师范大学学报(自然科学版), 2023, 59(5): 822-829. doi: 10.12202/j.0476-0301.2023152
引用本文: 李汉东, 向梓航, 崔雪峰. 人口因素驱动下的中国碳排放强度预测[J]. 北京师范大学学报(自然科学版), 2023, 59(5): 822-829. doi: 10.12202/j.0476-0301.2023152
LI Handong, XIANG Zihang, CUI Xuefeng. Predicting China’s carbon emission driven by population factors[J]. Journal of Beijing Normal University(Natural Science), 2023, 59(5): 822-829. doi: 10.12202/j.0476-0301.2023152
Citation: LI Handong, XIANG Zihang, CUI Xuefeng. Predicting China’s carbon emission driven by population factors[J]. Journal of Beijing Normal University(Natural Science), 2023, 59(5): 822-829. doi: 10.12202/j.0476-0301.2023152

人口因素驱动下的中国碳排放强度预测

doi: 10.12202/j.0476-0301.2023152
基金项目: 中国农业农村部农业设施结构工程重点实验室开放课题资助项目(202003)
详细信息
    通讯作者:

    李汉东(1965—),博士,教授. 研究方向:社会经济系统分析,人口复杂系统建模以及人口老龄化等. E-mail:lhd@bnu.edu.cn

  • 中图分类号: F062.2

Predicting China’s carbon emission driven by population factors

  • 摘要: 基于组合神经网络(LSTM-IPSO-BP)模型,研究中国碳排放强度的影响因素以及在未来人口数量和结构变动条件下中国碳排放强度的变化趋势.结果表明:1)中国未来人口数量的持续下降将会导致碳排放强度的增加,人口数量下降的速率与碳排放强度正相关;2)城镇化水平提高虽然会降低碳排放强度,但中国未来城镇化进程放缓会增加碳减排的压力;3)在现有各影响因素发展趋势下,特别是人口数量和结构变动的条件下,中国将难以在2030年前实现碳达峰,这也表明未来10年中国政府需要加大碳排放政策的调控力度.

     

  • 图  1  PSO算法原理

    图  2  IPSO-BP网络训练误差

    图  3  IPSO-BP网络拟合效果

    图  4  碳排放影响因素的灵敏度分析

    图  5  影响因素LSTM时序预测结果

    图  6  中国2021—2045年碳排放量预测

    图  7  低、中、高方案人口总量预测

    图  8  低、中、高人口方案下碳排放量预测

    图  9  中方案人口数量下降、高城镇化水平碳排放量预测

    表  1  我国碳排放量影响因素选择

    编号 变量名 描述
    A1 经济水平 国内生产总值GDP(亿元)
    A2 产业结构 第二产业占GDP比例(%)
    A3 人口规模 人口总量(万人)
    A4 城镇化水平 城镇人口占比(%)
    A5 能源消费总量 年末能源消费总量(万t标准煤)
    A6 能源结构 煤炭消费占能源消费总量比例(%)
    A7 电力消费 电力消费总量(亿kw·h)
    A8 交通发展水平 私人汽车拥有量(万辆)
    A9 森林覆盖率 森林面积占土地总面积的比例(%)
    下载: 导出CSV
  • [1] 张军莉,刘丽萍. 国内区域碳排放预测模型应用综述[J]. 环境科学导刊,2019,38(4):15
    [2] GRUBB M,SHA F,SPENCER T,et al. A review of Chinese CO2 emission projections to 2030:the role of economic structure and policy[J]. Climate Policy,2015,15(sup1):S7 doi: 10.1080/14693062.2015.1101307
    [3] GREEN F,STERN N. China’s changing economy:implications for its carbon dioxide emissions[J]. Climate Policy,2017,17(4):423 doi: 10.1080/14693062.2016.1156515
    [4] 张炎治,冯颖,张磊. 中国碳排放增长的多层递进动因:基于SDA和SPD的实证研究[J]. 资源科学,2021,43(6):1153
    [5] 吉兴全,赵国航,于一潇,等. 基于4E平衡的碳排放因素分解与峰值预测方法[J]. 高电压技术,2022,48(7):2483
    [6] ZHANG S,YUAN R,LI N. Persistent mitigation efforts and implications for China’s emissions peak using statistical projections[J]. Science of the Total Environment,2022,826:154127 doi: 10.1016/j.scitotenv.2022.154127
    [7] 渠慎宁,郭朝先. 基于 STIRPAT 模型的中国碳排放峰值预测研究[J]. 中国人口·资源与环境,2010,20(12):10
    [8] 郭筱祎. 双碳目标背景下陕西省碳排放预测及减排路径研究[J]. 煤炭经济研究,2021,41(9):15
    [9] LIU P,LIN B R,ZHOU H,et al. CO2 emissions from urban buildings at the city scale:system dynamic projections and potential mitigation policies[J]. Applied Energy,2020,277:115546 doi: 10.1016/j.apenergy.2020.115546
    [10] 王苗,王鹏雅,陈鑫. 基于灰色神经网络模型的美国碳排放预测[J]. 科技资讯,2019,17(14):202
    [11] 张迪,王彤彤,支金虎. 基于IPSO-BP神经网络模型的山东省碳排放预测及生态经济分析[J]. 生态科学,2022,41(1):149
    [12] HOCHREITER S,SCHMIDHUBER J. Long short-term memory[J]. Neural Computation,1997,9(8):1735 doi: 10.1162/neco.1997.9.8.1735
    [13] LI H D,ZHOU T M,JIA C. The influence of the universal two-child policy on China’s future population and ageing[J]. Journal of Population Research,2019,36(3):183 doi: 10.1007/s12546-019-09228-7
  • 加载中
图(9) / 表(1)
计量
  • 文章访问数:  84
  • HTML全文浏览量:  48
  • PDF下载量:  14
  • 被引次数: 0
出版历程
  • 收稿日期:  2023-04-30
  • 录用日期:  2023-04-30
  • 网络出版日期:  2023-09-17
  • 刊出日期:  2023-10-31

目录

    /

    返回文章
    返回