摘要国际碳金融市场价格预测是制定碳金融市场政策和提高风险管理能力的基础。近年来国际碳市场价格呈现出非平稳、非线性等不规律特性，传统应用于社会经济时间序列的统计模型已经越来越难以满足日渐复杂的社会经济系统的需要。基于此本文建立了基于经验模态分解（EMD）-粒子群算法（PSO）-支持向量机（SVM）的国际碳金融市场价格误差校正预测模型。下面是小编为大家整理的《灰色预测低碳经济论文 (精选3篇)》，供大家参考借鉴，希望可以帮助到有需要的朋友。
低碳经济背景下的中国绿色营销
[摘要]低碳经济背景下，企业的外部环境变得更有利于绿色营销的实施。绿色营销管理中引入低碳指标，既可以让绿色营销在企业更具可操作性，也使得理论界对绿色营销理论研究中的某些分歧进一步缩小，从而有助于绿色营销理论的进一步发展和完善。
[关键词]低碳经济;绿色营销;营销创新
一、问题的提出
全球气候变暖威胁到了人类的生存与发展，依赖化石能源的经济发展方式以及石化能源的稀缺性，导致各国对其能源安全的担忧。低碳经济是指以最少的温室气体和二氧化碳排放为限，实现整个经济社会投入产出的最大化和最优化。我国学者鲍健强认为：“表面上低碳经济是为减少温室气体排放所做努力的结果，但实质上低碳经济是经济发展方式、能源消费方式”。
相对于传统经济而言，低碳经济是一种新的经济发展模式，选择低碳经济就意味着传统经济发展模式的变革，意味着能源结构、产业结构的调整和能源利用技术的创新，同时也是人们生活方式、价值观念等方面的改变(陈兴中、孙丽丽，2009)。低碳经济在内涵上包括了低碳生产、低碳流通、低碳分配和低碳消费四个环节，其核心是在市场机制基础上，通过政策创新及制度设计，提高节约能源技术、可再生能源技术和温室气体减排技术，建立低碳的能源系统和产业结构，实现生产、流通、分配和消费的低碳化(李晓春，2009)。低碳经济的实质是能源效率和清洁能源结构问题，核心是能源技术创新和制度创新，目标是减缓气候变化和促进人类的可持续发展(庄贵阳，2009)。
低碳经济的发展需要微观经济主体企业做出积极的响应与配合。从企业营销行为上看，绿色营销也是追求营销效果与节能减排，保护环境和生态，实现资源最大化利用。因此，推进低碳经济下绿色营销的发展与创新，就是低碳经济微观基础优化的过程。
二、低碳经济与绿色营销的研究回顾
(一)关于低碳经济研究
英国学者在Emission Scenarios中描述了未来的经济增长和能源使用相对于气候变化的长期后果(IPCC，2000)。Galeotti M.，Lanze A，Richer(1999)在FEEM Working Paper中使用了110个国家的数据预测二氧化碳排放量同GDP的关系并对排放进行预测，认为气候变化的争论已经引起了人们普遍对大气层中温室气体的关注。Nicolas Stern(2006)指出了二氧化碳导致的经济问题。Johnston D.等(2006)探索了21世纪中期在英国的房屋股票中减少超出60%的二氧化碳排放量的技术可行性，指出了通过技术减排的可行性和困难。Treffers T.等(2005)在能源政策中探索了建立长期可持续的能源系统的可能性。他们在分析节能减排、能源政策和经济发展的长期关系中认识到了企业和政府的责任，企业绿色营销有助于政府政策目标的实现。
清华大学低碳能源实验室主任、低碳经济研究院院长、国家气候变化专家委员会副主任何健坤认为，发展低碳经济主要的是要调整产业结构，提高能效;发展新能源和可再生能源技术，是实现低碳发展的主要途径。杨昌荣(2009)对我国低碳经济中的外贸体系转型提出了建议。学者们普遍认为，对新技术、新能源的投资，积极利用财税制度，制定相应法律法规，推广教化低碳消费模式，建立客观的减排标准，转变我国产业结构，扩大碳汇等有助于我国推进低碳经济。蔡林海(2009)从世界竞争格局角度，分析了低碳经济带来的绿色革命对国家以及企业竞争力的影响。
(二)关于绿色营销研究
绿色营销的概念产生于20世纪80年代。在国际社会越来越关心地球环保活动的大潮中，各国先后制定了相应的环境保护法规、政策和措施，营销管理界最终形成了体现可持续发展观点的营销理论——绿色营销。万后芬(1994)最早发表了《企业必须重视绿色营销》一文，随后罗国民等从环境与市场可持续发展战略角度研究了绿色营销的规律性，自此掀起了国内系统研究绿色营销的热潮。王向阳(1998)从消费者心理方面分析了绿色消费对绿色营销沟通的互动。何志毅、于泳(2004)按照消费者对绿色产品需求的程度，将消费者划分为深度绿色、轻度绿色和漠视型。叶方同(1998)研究了国际绿色营销以及绿色壁垒对国内企业的影响。魏明侠与司林胜(2004)著书研究绿色营销的绩效管理，阐述了绿色营销的外在作用机制和内部实现机理，并构建了相应的绿色营销绩效评价体系。王明星(2005)认为，鉴于宏观市场营销与微观市场营销的区别，将绿色营销局限于微观市场是有缺陷的。对于绿色营销的主导者，学者们观点不一。传统观点认为，只有绿色消费者才是绿色营销的主导者，绿色消费的需求直接诱发了企业的绿色消费行为(李华，2000);何志毅、于泳(2004)的观点是非政府环保组织向上可以向政府施压请愿，向下可以教化消费者及社会公众产生绿色需求，是促进社会、企业形成绿色观点的主要力量。结合我国的实践，田奋飞(2002)认为，政府是绿色营销的第一主导力量。
三、中国绿色营销发展的现状与原因分析
目前，虽然中国绿色营销理论研究有了很大进展，但绿色营销实践进展甚微，绝大多数企业实施绿色营销的积极性不高。除食品、化妆品行业外，其他行业难觅绿色营销踪影。造成这种情况的原因有以下四点。
(一)没有政策、法规的支持
传统的绿色营销，单方面要求企业自觉承担一定的社会责任，甚至以牺牲企业利益为代价换取外部效益。受到逐利动机驱使，大多数企业不愿意采用绿色营销策略。我国相应法律、法规不健全，加之违法成本低，有些企业甚至以牺牲环境为代价获得利益。
(二)绿色需求不足
仓廪实而知礼节，大多数普通消费者在满足低层次需求之前，不能产生更高的绿色需求，不能刺激企业实施绿色营销。此外，绿色价格过高近一步抑制了绿色消费。
(三)回报低、成本大
受客观条件制约，绿色营销不能产生规模效益，导致少数希望承担环境责任的企业负担过大，而所得回报不足以支撑起绿色营销战略。从价值链角度考虑，企业实际上是处于上游生产厂家和下游生产厂家、经销商或消费者的中间环节，如果它要实施绿色营销战略，势必要上下游全行业产业链全部实现绿色营销才能顺利生产绿色产品。单个企业推行绿色营销，在缺乏上下游企业支持的情况下，顺利生产绿色产品的可能性被降低;即使通过经营实现企业目标，代价和成本也很大，造成绿色价格偏高，在满足消费者绿色需求的同时降低了绿色消费者的顾客让渡价值。
(四)评价指标不完善，可操作性差
绿色营销具有外部性，其绩效的形成受外部和内部博弈的影响，很难界定。忽略外部性，单纯考量绿色营销的企业绩效，是一种狭义的绩效观，它必然会影响企业实施绿色营销的积极性。
四、低碳经济与绿色营销的区别和联系
(一)低碳经济与绿色营销的区别
从实践效果上看，绿色营销与低碳经济都有利于经济社会的可持续发展，都有助于环境保护和生态的优化。但是从本质上讲，二者存在不少差别。
1 涉及的对象范围不同。经过不断的发展，绿色营销观念包括了生态、环保、健康等许多概念。单是其中的环境保护就是一个很大的概念，包括物种保护、水资源保护、气候、土壤等很多领域。而低碳经济仅集中关注与大气碳含量相关的问题，虽然碳汇减排涉及绿色植被保护、低碳农业涉及食品安全，但仍不超越降低碳排放的目的。
2 评价标准不同。对企业绿色营销的评价多采用企业绩效评价方法，有基于灰色系统的绿色营销绩效评价，也有基于PIP的绩效评价。低碳经济的评价使用碳指标，将碳排放量作为经济发展指标的依据。
3 推动力不同。低碳经济是政府主导和企业参与相结合(孟德凯，2007)。绿色营销的推动力是消费者的绿色需求与政府、企业的多方博弈(武永春，2009)。虽然有学者接受主导力观点，认为在当今中国，绿色营销的主导力是政府。但是即便这样，满足消费者的绿色需求，仍是企业绿色营销活动的主要目的。
4 最终产品不同。绿色营销的核心是绿色产品。绿色产品价值有：一是内部价值，即绿色技术开发者或绿色产品生产者获得的价值，如绿色技术转让费，清洁生产设备、环保设备和绿色消费品在市场获得的高占有率等;二是直接外部价值，即绿色技术使用者和绿色产品消费者获得的效益，如用高炉余热回收装置降低能源消耗，用油污水分离装置清除水污染，食用绿色食品降低了人们的发病率等;三是间接外部价值，指未使用绿色技术(产品)者获得的效益，这是所有社会成员均能获得的效益(如干净的水、清新的空气)，也是绿色技术负载的最高经济价值。低碳经济催生的是社会、经济机制。遵循低碳经济机制产生的物质产品，不一定是绿色产品。
(二)低碳经济与绿色营销的区别
低碳经济与绿色营销作为政府和企业管理实践的两大基本课题，也具有十分密切的内在联系。主要表现在以下三点。
1 产生背景相似。绿色营销是环保观念与营销管理结合的产物。而低碳经济的催生原因同样是同际对气候变暖、不可再生资源枯竭的担忧。气候变暖及资源枯竭会给人类乃至地球生物的生存环境带来巨大的危害。倡导低碳经济就是倡导环保。
2 概念本质相融。例如，提倡保护树木，既是增加碳汇又是保护自然野生环境，低碳模式就是绿色模式，绿色模式也是低碳经济。又例如，低碳农业反对滥用化肥、农药，既可以减少生产所需的石化能源，又可以保护水源、保证食品安全。
3 响应主体一致。环保团体、环保人士和追求可持续发展的政府是传统绿色营销的拥趸群，即绿色消费者。在低碳经济时代，倡导低碳消费生活理念并积极行动的群体也是这样的人群。
五、低碳经济对中国企业绿色营销的影响
(一)企业绿色营销的外部环境进一步优化
首先，随着宏观环境向低碳经济转变，实施绿色营销的企业将得到更多的政府支持。完善的低碳经济制度需要政府制定完备的法律法规和财税政策。届时，实施绿色营销的企业得到政府的支持会有章可循、有法可依，从而激励更多的企业采用绿色营销手段，制定绿色营销战略，实施绿色营销策略。其次，低碳经济催生相应的低碳法律、法规，强制企业实现低碳目标，从而达到绿色的目的。企业履行低碳经济的法律、法规，把实施绿色营销从实现社会责任降低到实现社会响应，也降低了企业实施绿色营销的道德要求。再次，低碳经济发展也有助于增加实施绿色营销的企业数量，完善整个供应链，减少企业实施绿色营销的成本和阻力。最后，全社会的舆论倾向可刺激更多的消费者产生绿色需求，企业将采用绿色营销手段回应绿色需求。受舆论导向形成的低碳需求，刺激企业研究，并推广绿色消费。
(二)绿色营销理论的观点分歧进一步缩小
首先，低碳经济的发展必然伴随着各种绿色营销宏观政策的诞生，从而促进绿色营销的普及，使更多的企业和政府接受绿色营销理念。其次，绿色营销是宏观环境范畴还是微观市场营销范畴的争论将逐步消失。目前大多数学者将绿色营销囿于微观市场营销范围，研究绿色营销的理论成果大多聚焦在绿色观念、绿色产品开发、绿色包装、绿色价格制定等。但是也有学者认为，将绿色市场营销局限在微观企业在现实中是很难执行的(王明星，2005)。通过在低碳经济下绿色营销的健康发展，可以使更多的人认识到：绿色营销在微观市场范畴得以实施不能脱离宏观环境的支持。脱离了宏观环境，绿色营销就只能是少数以环保为卖点公司的独门武器，不能成为一种广泛的营销哲学。
(三)企业实施绿色营销将更有操作性
首先，低碳经济作为一种发展模式，适用于任何行业，因此在任何一个追求低碳的行业都可以通过“碳管理”具体操作绿色营销。其次，将碳交易概念引入绿色价格定价机制，可以使低碳产品更具有竞争力，让高碳产品负担碳汇值部分，从而更利于保护环境，而且让绿色价格更具市场适应性。再次，绿色营销体系评价将引入碳排放量作为评价指标，这将使绿色营销产品和企业的认证更加科学。此外，低碳经济环境下，清洁能源技术、节能减排技术、埋碳技术将是国家大力扶持的项目，同时也将是企业绿色技术创新的导向。最后，绿色营销的传播价值导向更加多元化。2010年5月26日联想在网易网站上的ThinkPad广告，倡导如果每只客用纸杯少3.5克，飞机每年减排20吨碳，而带着轻达1.12千克的笔记本登机会让“生态因你而改变”。而2009年的春天，谷歌租用羊清理草地成为了各大报纸的新闻。淘宝调查显示，低碳已经成为淘宝卖家的新卖点。上述例子表明，低碳经济下绿色营销的新传播卖点就是低碳。
注释：
①鲍健强、苗阳、陈锋《低碳经济：人类经济发展方式的新变革》，载于《中国工业经济》2008年第4期153至155页。
[参考文献]
[1]蔡林海低碳经济绿色革命与全球创新竞争大格局[M]，北京：经济科学出版社,2009,(8)：2-56
[2]陈晓春，李胜，低碳经济：内涵体系与政策创新[J]科技管理研究,2009,(10)：41-43
[3]陈兴中，孙丽而我国低碳经济发展之路探析[J]商城现代化,2009,(30)：28
[4]何志毅，于泳，绿色营销发展现状及国内绿色营销的发展途径[J]北京大学学报(哲学社会科学版)，2004,(6)：15
[5]李华，论绿色消费需求与营销创
作者：徐大佑 潘超云
基于EMD—PSO—SVM误差校正模型的国际碳金融市场价格预测
摘要 国际碳金融市场价格预测是制定碳金融市场政策和提高风险管理能力的基础。近年来国际碳市场价格呈现出非平稳、非线性等不规律特性，传统应用于社会经济时间序列的统计模型已经越来越难以满足日渐复杂的社会经济系统的需要。基于此本文建立了基于经验模态分解(EMD)-粒子群算法(PSO)-支持向量机(SVM)的国际碳金融市场价格误差校正预测模型。数据选取2008年3月-2013年9月ICE碳排放期货交易所的CER期货(DEC12)和EUA期货(DEC12)的日交易结算价格作为考察样本进行仿真验证。结果显示：①引入EMD方法可以有效解决误差序列随机性强、相邻频带的干扰可能造成误差序列无法体现反映全部系统动力信息的缺陷;②校正后的预测值与误差预测值的趋势具有较高的一致性，预测结果滞后性和拐点误差大的问题得到了很好的解决;③预测结果较其他常用的国际碳金融价格预测模型进行了比较分析，预测精度有了明显提高。本研究提出的预测模型可以为我国针对目前国际碳价格市场所呈现的波动特征下的碳金融市场价格预测提供新的方法和借鉴。
关键词 碳金融价格预测;误差预测;经验模态分解;粒子群算法;支持向量机
我国“十二五”期间首次明确提出要建立碳排放交易市场，完善碳排放交易制度。而可靠的碳金融价格预测作为重要的决策工具可以为我国制定碳排放交易市场相关政策、提高碳市场风险管理能力及减少碳资产流失提供有效的依据。2005年《京都议定书》的正式生效，标志着利用市场机制进行温室气体减排的开端，碳交易市场在全球迅速发展起来。目前，碳衍生产品市场的发展速度要远超碳现货市场，而且碳排放现货、期货、远期、期权等碳金融产品已发展成为市场参与者实现碳排放的投资组合收益、增强金融风险管理的主要金融管理工具[1]。据世界银行统计并预测，2011年全球碳排放市场总交易市场规模达
1 760亿美元，交易量达103亿t CO2当量，较2010年增长11%，预计2020年将达到3.5万亿美元，将取代石油市场成为全球最大的商品交易市场[2]。目前，中国碳交易市场处于初步建设阶段，尚处于碳价值链的末端，缺乏碳交易的议价权，导致我国碳资产流失严重，2008年因碳价差就造成我国高达33亿欧元的碳资产流失[3]，建立自主碳交易体系、开展各类碳金融业务已成为我国参与全球国际碳金融竞争、实现可持续发展的当务之急。而碳金融价格预测作为提高碳金融市场风险防范能力和减少碳资产价值流失的有效途径之一，目前已成为学术界所关注的热点，所以探究和开发针对当前国际碳金融市场价格波动特征下的价格预测方法是具有现实意义的研究课题。
目前国内外学者针对国际碳金融市场价格的预测方面进行了大量的研究，所采用的模型和方法主要可以分为数据驱动模型和数据发掘模型两种。数据驱动模型主要是对碳市场价格组成的时间序列进行深层次的分析和模拟，包括利用ARMA，ARCH，GARCH、TGARCH等方法对碳金融市场价格进行预测，如chevallier J等构建了AR(1)-GARCH(1，1)模型对EUA现货、EUA期货和CER期货价格波动特征进行了预测与分析[4]。Suk Joon Byu和Hangjun Cho对比了GARCH、K近邻算法和隐含波动率的对于碳期货价格的波动性预测能力，研究结果表明GARCH模型要优于K近邻算法和隐含波动率[5]。Yudong Wang和Chongfeng Wu对比了基于单变量和多变量的GARCH族模型在能源市场中的预测效果，结果显示多变量模型预测效果要优于单变量模型[6]。C. G. Martos，J. Rodriguez和M. J. Sánchez建立了一个多元GARCH模型对碳排放配额价格进行预测，结果显示该常见的波动因素可以用于改善预测区间[7]。最近能从大量模糊的随机数据中提取隐含的有价值信息的数据挖掘技术如混沌理论、灰色理论、神经网络以及支持向量机(Support Vector Machine， SVM)等越来越多的被引用到非平稳、非线性时间序列的预测中来。其中，建立在统计学习理论基础上的SVM方法在时间序列预测方面具有可以有效缩小泛化误差区间，降低模型的结构风险，同时又保证样本预测误差最小的优点[8]。鉴于碳金融市场价格时间序列的强噪声特征，近几年不少学者将SVM方法引入对国际能源价格和国际碳金融市场价格进行预测和分析中，取得较好的预测结果。如Jinliang Zhang、Zhongfu Tan提出了一种基于WT、CLSSVM和EGARCH的混合预测模型，通过对西班牙电力期货市场的节点边际电价和市场供求平均电价进行实证研究验证了该模型具有较好的预测能力[9]。L.M. Saini、S.K. Aggarwal和A. Kumar构建了一个基于GASVM的预测模型，并将该模型運用到了澳大利亚国家电力市场(NEM)的两个大型电力系统中进行测试，结果显示该模型具有较好的预测能力[10]。Bangzhu Zhu、Yiming Wei针对传统ARIMA模型在预测非线性特征下碳期货价格时的缺陷，构建了ARIMALSSVM的混合模型，并对EU ETS下的两种碳期货价格进行实证研究，结果验证了该混合模型较传统线性时间序列预测模型的优越性[11]。朱帮助、魏一鸣构建了基于GARCHPSOLSSVM的混合预测模型，并选用EU ETS下的不同到期的碳期货合约进行实证分析，取得了较好的预测结果[12]。这些在SVM方法基础上的改进方法使得预测精度相对于传统预测方法有了较大的提高，但是现有方法仍未有效的解决运用SVM方法的预测结果相对于实际值具有滞后性、拐点处误差较大的缺陷，使得预测精度受到影响。
针对上述问题，本文构建了一种基于EMDPSOSVM的误差校正预测模型。该模型是在SVM预测的基础上，先运用PSO算法对SVM模型的参数进行优化后对原始碳金融价格序列进行初步预测，而后引入EMD方法将测试误差分解为具有不同尺度特征的模态分量的叠加，并运用PSOSVM模型对这些分量进行训练并预测获得误差预测值后，再通过预测误差对初步预测值的校正来解决预测滞后和拐点误差较大的问题以提高预测精度，选取ICE碳交易所2008-2013年12月份到期的CER期货合约和EUA期货合约的日交易结算价格数据进行实证模拟，最后将预测结果与其他常用预测方法的预测结果进行了比较分析，验证了该模型的可行性和精确性。
1 研究方法
1.1 EMD方法原理
經验模态分解(Empirical Mode Decomposition)方法，亦称HilbertHuang变换，是由美国国家宇航局的N E Huang在1998年提出的一种新的自适应信号处理方法[13]。经验模态分解可以将信号中不同时间尺度的波动逐级分解后得到几个具有不同尺度特征的本征模函数(Intrinsic Mode Function，IMF)和一个代表原始信号总体趋势的剩余分量，分解结果能够反映真实的物理过程，非常适合处理非平稳、非线性的信号[14]。
(DEC12)和EUA期货日结算价格(DEC12)进行实证分析，预测结果表明：
(1)利用PSO算法对SVM建模中的参数进行优化，可以使参数的选择更加合理，避免了人为选择的随机性。
(2)将EMD方法引入对误差的预测上来，建立了基于EMDPSOSVM方法融合的预测模型，使误差信号中包含的信息通过各基本模态分量得以充分体现，解决了误差序列随机性强，相邻频带的干扰可能造成误差序列无法体现反映全部系统动力信息的缺陷，提高了预测数值的经济含义。
(3)对本研究选取的CER期货(DEC12)日交易结算价格和EUA期货(DEC12)日交易结算价格进行实证分析，结果表明该预测模型能够有效解决预测结果滞后和拐点误差较大的问题，并与其他碳金融领域常用的预测方法进行了比较分析，提高了预测精度。
国际碳金融市场是一个涉及政治、经济、社会、环境、科学技术等众多因素的复杂系统，对国际碳市场价格的预测及分析是一项非常重要的任务，尤其对于中国来讲，建立符合国情的碳金融市场，提高对国际碳市场价格的预测能力，对我国减少由于碳价差带来的损失，提高对碳金融市场的风险防范能力有着重要的意义。本研究提出的预测模型针对目前国际碳金融市场价格所呈现的属性和特征，可以为我国未来碳金融市场价格预测提供新的思路和方法。限于篇幅，本研究仅对两种主流碳货进行了测试，进一步增加样本的数量、扩大测试范围，在此模型基础上建立多因素影响下的碳金融市场价格误差校正预测模型是下一步的研究方向。
(编辑：常 勇)
参考文献(References)
[1]王苏生， 常凯， 刘艳， 等. 碳排放便利收益与期权价值分析[J]. 系统管理学报， 2012， 21(4)： 552-558.
[2]王伟. 未来低碳经济战略中需重视碳交易市场发展[DB/OL]. 中国碳排放交易网， (2013-09-18)[2013-11-02].http：//www.financialnews.com.cn/gj/gjyw/201206/t20120601_8769.html.
[3]杨志， 郭兆晖. 低碳经济的由来、现状与运行机制[J]. 学习与探索， 2010， (2)： 124-127.
[4]Chevallier J. Volatility Forecasting of Carbon Prices Using Factor Models[J]. Economics Bulletin， 2010， 30(2)： 1642-1660.
[5]Byun S J， Cho H J. Forecasting Carbon Futures Volatility Using GARCH Models with Energy Volatilities[J]. Energy Economics， 2013， (40)： 207-221.
[6]Wang Y D， Wu C F. Forecasting Energy Market Volatility Using GARCH Models： Can Multivariate Models Beat Univariate Models?[J]. Energy Economics， 2012， (34)： 2167-2181.
[7]Martos C G， Rodriguez J， Sánchez M J. Modelling and Forecasting Fossil Fuels， CO2 and Electricity Prices and Their Volatilities[J]. Applied Energy， 2013， (101)： 363-375.
[8]Vapnik V. The Nature of Statistical Learning Theory[M]. New York： Springerverlag， 1999： 78-82.
[9]Zhang J L， Tan Z F. Dayahead Electricity Price Forecasting Using WT， CLSSVM and EGARCH Model[J]. Electrical Power and Energy Systems， 2013， (45)： 362-368.
[10]Saini L M， Aggarwal S K， Kumar A. Parameter Optimisation Using Genetic Algorithm for Support Vector Machinebased Priceforecasting Model in National Electricity Market IET[J]. Gener. Transm. Distrib.， 2010， 4(1)： 36-49.
[11]Zhu B Z， Wei Y M. Carbon Price Forecasting with a Novel Hybrid ARIMA and Least Squares Support Vector Machines Methodology[J]. Omega， 2013， (41)： 517-524.
[12]朱幫助， 魏一鸣. 基于GMDHPSOLSSVM的国际碳市场价格预测[J]. 系统工程理论与实践， 2011， 31(12)： 2264-2271.
[13]Huang N E， Shen Z， Long S R， et al. The Empirical Mode Decomposition and the Hilbert Spectrum for Nonlinear and Nonstationary Time Series Analysis[J]. Proceedings of the Royal Society A： Mathematical， Physical and Engineering Sciences， 1998， (1971)： 903-995.
[14]谢晓阳， 乔新勇， 刘健敏. 柴油机工作不均匀性的振动检测方法[J]. 噪声与振动控制， 2013， 33(3)： 79-83.
[15]刘慧婷， 倪志伟， 李建洋. 经验模态分解方法及其实现[J]. 计算机工程与应用. 2006， (32)： 44-47.
[16]Cortes C， Vapnik V. Supportvector Networks[J]. Machine Learning， 1995， (3)： 273-297.
[17]曾伟. 多子种群PSO优化SVM的网络流量预测[J]. 北京交通大学学报， 2013， 37(5)： 62-66.
[18]Kennedy J， Eberhart R C. Particle Swarm Optimization[C]//Proc IEEE Conf on Neural Networks， Perth： Piscataway 1995， (4)： 1942-1948.
[19]Liu J， Liu Z， Xiong Y. Method of Parameters Optimization in SVM Based on PSO[J]. Transactions on Computer Science and Technology， 2013， 2(1)： 9-16.
[20]石晓艳， 刘淮霞， 于水娟. 鲶鱼粒子群算法优化支持向量机的短期负荷预测[J]. 计算机工程与应用， 2013， 49(11)： 220-223.
[21]Hassan M， Isa D， Rajkumar R， et al. Reducing Support Vector Machine Classification Error by Implementing Kalman Filter[J]. I.J. Intelligent Systems and Applications， 2013， (9)： 10-18.
[22]王玉， 郇志坚. 欧盟碳排放权交易市场的价格发现和波动溢出研究[J]， 中国人口·资源与环境， 2012， 22(5)： 244-249.
Key words carbon finance price prediction; error prediction; empirical mode decomposition; particle swarm optimization; support vector machines
作者：高杨 李健
中国碳排放强度与产业结构的关联分析
收稿日期：2011-06-23
作者简介：李健，博士，教授，博导，主要研究方向为低碳经济。
基金项目：国家社会科学基金项目“促进生态文明建设的产业结构研究”(编号：08BJY004)。
摘要 产业结构调整与低碳经济发展相互联系，内在统一，从产业结构角度探讨碳排放强度问题，有利于正确判断和把握影响碳排放量变化的产业因素，有效制定控制碳排放的产业发展政策。本文在对我国碳排放总量变化趋势进行分析的基础上，选用2001-2008年全国及28个主要省域的碳排放总量、三次产业比重、单位GDP碳排放量数据，运用灰色关联分析方法，研究了我国碳排放强度与第一产业、第二产业和第三产业之间的关联性，得到以下结论：第二产业是影响地区碳排放强度的主要因素，全国有16个地区二次产业与碳排放强度关联度最大，但第二产业并不是影响地区碳排放量增大的绝对因素;第三产业对地区碳排放强度的降低效应并不明显，全国有11个地区第三产业对碳排放量的影响超过第二产业的影响，需要引起重视;第一产业对碳排放强度的影响最小，全国只有4个地区第一产业对碳排放强度的影响不是最小。在此基础上，探讨了未来我国产业结构调整的碳减排策略，以期能有效控制产业发展对我国碳排放强度的影响。
关键词 低碳经济;产业结构;碳排放强度;灰色关联分析
自2001年政府间气候变化委员会(The Intergovernmental Panel on Climate Change,IPCC)发布第三次气候评估报告以来，气候变暖问题逐渐成为重要的国际政治议题。发展低碳经济，应对气候变化也成为世界各国共同面对的重要任务。
目前，低碳经济已经成为世界各国关注的焦点，其目标就是实现经济增长与碳排放量的脱钩发展[1]。由于国情和发展阶段的不同，我国低碳经济发展的内涵与发达国家有着本质性差别。发达国家早已进入后工业化时代，其碳排放的2/3来自消费领域，而我国依然处于工业化发展的中期阶段，70%以上的碳排放是来自生产领域，尤其是工业生产领域[2]。因此，发达国家的低碳经济主要在于消费领域的低碳化，尤其是家庭生活方式的低碳化[3-4]，而我国的低碳经济则主要是强调产业的低碳发展[5]。2009年，中国政府向国际社会宣布我国到2020年单位GDP碳排放强度比2005年下降40%-45%目标，而今后10-20年，恰是我国基本完成工业化中期任务并进入后工业阶段的时期，这在一定程度上形成了中国发展低碳经济的最大外部压力和制约条件，也使得中国产业低碳发展的任务变得更为紧迫。
产业结构指生产要素在产业部门之间的分配状况与关联方式，反映着一个国家或地区间的产业比例关系及其变化趋势[6]。产业结构的演进则反应了国家或地区经济增长和发展模式的变化，对国家的生态环境会产生重要的影响[7-8]。因此，通过产业结构调整与升级，促进产业低碳发展成为国内学者关注的焦点。付允[9]认为，产业结构影响能源消耗总量和经济能耗强度，我国急需加快产业结构的优化升级，严格限制高耗能产业的发展，淘汰落后产能，从结构上实现经济的低碳、高效发展。冯之浚和牛文元[10]指出，我国低碳经济发展需要在观念、结构、科技、消费和管理五个方面推进创新，而产业结构调整是推进我国结构创新的重要举措之一，对低碳经济发展具有很大作用。杨万东[11]也指出，低碳经济要求人们生产从理念到行为的低碳化调整，通过产业结构的调整，中国就可能在未来找到一种产业低碳发展的方向，进而对原有的经济结构进行全面的重新布局，实现碳排放的控制目标。但现有的研究基本都是从宏观经济的角度对产业结构调整和产业低碳发展的关系进行定性分析，缺乏必要的数据支撑。本文拟运用灰色关联分析方法对我国碳排放强度和产业结构的关系进行实证分析，从而提出未来我国控制碳排放的产业发展政策，以期为我国低碳经济发展提供必要的科学依据。
1 中国碳排放总量的现状分析
按照IPCC第四次评估报告，二氧化碳(CO2)是最重要的人为温室气体，而全球CO2浓度的增加主要是由于化石燃料(如煤、石油和天然气)的使用[12]。因此，根据中国能源消费实际情况和数据可获得性，本文所指的碳排放量主要是指燃烧一次能源中的化石能源(原煤、原油和天然气)所排放的CO2数量。
由于目前我国没有碳排放量的直接监测数据，当前大部分的碳排放量研究都是基于能源消费量、能源碳排放系数进行估算。如朱勤等[13]基于能源消费碳排放系数、化石能源终端消费碳排放以及二次能源消费碳排放对碳排放量进行的估算。张雷等[14]、李艳梅等[15]、胡初枝等[16]等基于一次能源消费总量和一次能源碳排放系数对碳排放量进行的估算。徐国泉等[17]基于一次能源消费量、国内生产总值和人口对碳排放量进行的估算等等。通过综合比较，并考虑算法公认程度和变量数据来源，本文碳排放量采用以下公式进行估算：
C=∑[DD(X]i[DD)]Ei×Si×Fi(1)
其中，C为碳排放总量;Ei为第i类化石能源的消费量，Si为第i类化石能源对标准煤的折算系数，Fi为第i类化石能源的碳排放系数。
化石能源消费数据来自于各年《中国能源统计年鉴》。化石能源对标准煤的折算系数采用《中国能源统计年鉴》(2009)规定的数值，即1 kg原煤折0.714 3 kg标煤、1 kg原油折1.428 6 kg标煤、1 m3天然气折1.333 0 kg标煤。碳排放系数目前各国采用的数值并不完全相同(见表1)[18-19]，基于中国国情，本文选取国家发展和改革委员会能源研究所的数据。
另据当前关于我国碳排放量的研究成果，2001年以后，我国碳排放总量呈现快速增长之势[15, 20]，而20世纪初以来，恰好是我国产业结构调整的关键时期，因此，本文
资料来源：国家发展和改革委员会能源研究所[18];汪刚、冯霄[19]。
选择2001-2008年为样本时间序列，对全国及28个主要省域的碳排放强度和产业结构之间的关系进行实证分析，探索造成我国碳排放量快速增长的产业原因。研究过程中所需三次产业比例数据来源于中国历年统计年鉴(2002-2009年)中的国内生产总值构成和地区生产总值构成，碳排放量估算所需化石能源数据来源于中国历年能 源统计年鉴(2001-2009年)中的全国能源平衡表、能源消费和地区能源平衡表。利用公式(1)，可计算得出全国及主要省域2001-2008年的碳排放量(见表2)。
2 碳排放强度与产业结构的灰色关联分析
2.1 研究方法
关联性分析有很多计量经济模型，比如数理统计中的回归分析、方差分析、主成分分析等，但这些方法往往要求
有大量样本数据，且各因素之间彼此无关等[21-22]。碳排放问题是一个信息不完备的不确定性系统，与产业发展过程中的诸多因素密切相关，比如产业结构、能源结构、技术水平等，多种因素共同作用的结果决定了系统的发展态势。而且，如上所述，我国碳排放量的数据目前均是估算或预测所得，具有非精确性，因此，上述计量经济模型不适用碳排放强度及其相关影响因素的研究。此外，碳排放强度和产业结构的关联度数值本身并不是本文研究的关键，更重要的是以此得出不同产业与碳排放量关联度大小的排序，从而找出未来控制碳排放的产业结构调整方向与重点。经过综合比较分析，本文选取灰色关联分析方法，来反映碳排放强度和产业结构的关系。该方法在不确定信息的基础上，能较好地描述和确定因素之间的关联程度，以及引起系统变动的主要因素和次要因素，从而掌握事物的主要特征，促进和引导系统迅速而有效的发展[23]，也因此在经济、交通、教育等领域得到广泛应用[24]。
2.2 模型建立
灰色关联度的基本思想是根据序列曲线几何形状来判断不同序列之间的联系是否紧密。基于邓聚龙教授提出的灰色系统理论，许多学者提出了不同的灰色关联度模型，如灰色综合关联度、灰色斜率关联度、灰色点关联度等[25]。参考现有研究灰色关联度的实证模型，本文设定碳排放强度为系统特征母序列，记为X0，全国及各省域第一、第二、第三产业产值占其国内生产总值的份额代表产业结构作为相关因素序列，分别记为X1,X2和X3，则
Xi={xi(1),xi(2),...,xi(n)}
其中，i为母序列和比较序列，i=0,1,2,3，n为时间序列长度，n=8。计算过程将分别以2001-2008年碳排放量和第一产业比例、第二产业比例、第三产业比例的时间序列数据作为原始数据序列，计算出灰色综合关联度，得到灰色综合关联序，从而判断碳排放强度和产业结构之间的关系。具体计算步骤如下[22,25-26]：
(1)求绝对关联度。灰色绝对关联度是母序列X0与比较序列Xi之间相似程度的表征，X0与Xi越相似，灰色绝对关联度越大，反之就越小。令
X00=(x0(1)-x0(1),x0(2)-x0(1),...,x0(n)-x0(1))=x00(1),(x00(2),...x00(n))
X0i=(xi(1)-xi(1),xi(2)-xi(1),...,xi(n)-xi(1))=(x0i(1),x0i(2),...x0i(n))
则可以得到各序列的始点零化像X00,X0i，由
|s0|=∑[DD(]n-1[]t=2[DD)]x00(t)+[SX(]1[]2[SX)]x00(n)
|si|=∑[DD(]n-1[]t=2[DD)]x0i(t)+[SX(]1[]2[SX)]x0i(n)
|si-s0|=∑[DD(]n-1[]t=2[DD)](x0i(t)-x00(t))+[SX(]1[]2[SX)](x0i(n)-x00(n))
可得灰色绝对关联度
εoi=[SX(]1+|s0|+|si|[]1+|s0|+|si|+|si-s0|[SX)] (2)
(2)求相对关联度。灰色相对关联度是母序列X0与比较序列Xi之间相对于始点的变化速率之联系的表征，X0与Xi变化速率越接近，灰色相对关联度越大，反之就越小。令
X′0=[SX(]x0(1)[]x0(1)[SX)],[SX(]x0(2)[]x0(1)[SX)],…[SX(]x0(n)[]x0(1)[SX)]=(x′0(1),x′0(2),…,x′0(n))
X′i=[SX(]xi(1)[]xi(1)[SX)],[SX(]xi(2)[]xi(1)[SX)],…[SX(]xi(n)[]xi(1)[SX)]=(x′i(1),x′i(2),…,x′i(n))
可以得到各序列的初值像X′0，X′i,则X′0,X′i的始点零化像为
X′00=(x′0(1)-x′0(1),x′0(2)-x′0(1),…,x′0(n)-x′0(1),)=(X′00(1),X′00(2),…,X′00(n))
X′0i=(x′i(1)-x′i(1),x′i(2)-x′i(1),…,x′i(n)-x′i(1),)=(X′0i(1),X′0i(2),…,X′0i(n))
由
|s′0|=∑[DD(]n-1[]t=2[DD)]x′00(t)+[SX(]1[]2[SX)]x′00(n)
|s′i|=∑[DD(]n-1[]t=2[DD)]x′0i(t)+[SX(]1[]2[SX)]x′0i(n)
|s′i-s′0|=∑[DD(]n-1[]t=2[DD)](x′0i(t)-x′00(t))+[SX(]1[]2[SX)](x′0i(n)-x′00(n))
可得灰色相对关联度
r0i=[SX(]1+|s′0|+|s′i|[]1+|s′0|+|s′i|+|s′i-s′0|[SX)] (3)
(3)求综合关联度。灰色综合关联度既体现了序列X0与Xi的相似程度，又反映出X0与Xi相对于始点的变化速率的接近程度，是较为全面地表征序列之间是否联系紧密的一个数量指标。一般，我们可取θ=0.5，表示对绝对量和变化速率同等关注。由
ρ0i=θε0i+(1-θ)r0i(4)
可以得到碳排放量与三次产业之间的灰色综合关联度ρ0i，而根据ρ0i的大小则可以排出三次产业对于碳排放量影响的综合关联序，由此判断其对于碳排放的影响程度。
2.3 实证测算
为了准确反映碳排放强度和产业结构之间的关系，以全国数据为例，详细说明两者之间灰色关联度的计算过程。其母序列X0与比较序列Xi数值分别为
X0=(8,74,9,40,11.07,12.95,14.53,15.99,17.06,18.44)
X1=(14.4,13.7,12.8,13.4,12.2,11.3,11.1,11.3)
X2=(45.1,44.8,46.0,46.2,47.7,48.7,48.5,48.6)
X3=(40.5,41.5,41.2,40.4,40.1,40.0,40.4,40.1)
由公式(2)，可得全国一次、二次、三次产业与碳排放量之间的绝对关联度为：
ε01=0.51，ε02=0.70，ε03=0.51
由公式(3)，可得全国一次、二次、三次产业与碳排放量之间的相对关联度为：
r01=0.55，ε02=0.59，ε03=0.56
由公式(4)，可得全国一次、二次、三次产业与碳排放量之间的综合关联度为：
ρ01=0.53，ρ02=0.65，ρ03=0.54
按照以上步骤，可计算得出全国及主要省域碳排放强度与第一、第二、第三产业之间的关联度(见表3)。
3 计算结果分析
表4给出了我国2001-2008年三次产业占国内生产总值比例的平均值、单位GDP碳排放量的平均值及其降幅的平均值。综合表4、表2对表3全国及主要省域碳排放强度与第一、第二和第三产业灰色关联度的结果进行分析，得出如下结论：
(1)第二产业相对第一产业和第三产业对碳排放强度的影响最大，但并不是影响地区碳排放量增大的绝对因素。从全国层面来讲，三次产业对碳排放强度的影响按其关联度大小依次为：第二产业、第三产业和第一产业。从地区层面来讲，全国28个省市自治区中有16个地区的二次产业与碳排放强度关联度最大。它们分别是天津、河北、山西、内蒙、辽宁、上海、江苏、福建、江西、山东、河南、四川、云南、陕西、青海和新疆，其中10个地区的二产比例超过50%，如表4所示，远大于一产和三产的比例，说明二次产业的快速发展是促使地区碳排放强度增大的主要因素。然而，这并不意味着一个地区二次产业在国民经济中占有较大的份额，就必然会产生较高的碳排放量。以北京、天津和上海三大直辖市为例，天津是典型的“二、三、一”工业城市，北京和上海则是我国真正实现“三、二、一”产业结构的城市。从表4可以看出，天津市2001-2008年单位GDP碳排放量的均值为0.70万t/亿元，低于全国平均值0.74万t/亿元。尽管从绝对值上看，天津单位GDP碳排放量(从低向高排列)在全国28个省市中尚居12位，但其下降率(从高到低排列)在全国高居第二位，仅低于北京，但却远快于上海。这说明，发展二次产业并不与高碳排放直接挂钩。
(2)第三产业对地区碳排放强度的降低效应并不明显，需要引起重视。综合来看，全国28个省域中有11个地区的第三产业与碳排放强度关联度最大，包括北京、吉林、黑龙江、浙江、安徽、湖南、广东、广西、重庆、贵州、甘肃。北京是我国真正实现了“三二一”产业结构的城市之一，第三产业成为其主导产业，在国民经济中所占的份额达到66.20%，这种产业结构在一定程度上使得第三产业成为北京碳排放的主要来源，但其单位GDP碳排放强度(从低到高排列)明显低于其他地区，在全国位居第2(见表4)，在一定程度上说明第三产业属于低碳产业，大力发展第三产业有助于降低区域碳排放强度。然而，从单位GDP碳排放强度全国最低的广东省来看(见表4)，尽管其经济结构以第二产业为主，但影响该省碳排放的主要因素却是第三产业，这需要我们认真思考第三产业的低碳效应问题。广东属于我国改革开放的前沿地区，在改革过程中享受到的国家优惠政策以及其有利的地理位置等原因使得其经济总体比较发达，产业生态化水平相对较高，单位GDP碳排放强度全国最低。但广东省在过去三十年改革开放过程中存在“重生产，轻服务”的政策倾向，其政府部门设置和政策主体几乎全是围绕着工业制造业服务，工业发展水平远高于服务业发展水平，第三产业的低碳效应远没有得到发挥，而成为影响该省碳排放的首要因素。同样，全国其他省域也不同程度地存在“重二产、轻三产”的政策倾向，这一现象应当引起政府相关部门的高度重视。
(3)第一产业的发展对碳排放强度的影响最小。无论从全国层面，还是地区层面，研究结果表明，第一产业的发展对碳排放强度的影响都是最小。在28个省域中，第一产业对碳排放强度影响不是最小的只有辽宁、黑龙江、湖北和新疆4个地区。四省从历史上看就是我国的农业大省，为了保持第一产业的优势，四省均采取积极措施促进农业发展，同时国家也对这四省第一产业的发展进行大力扶持，促进了第一产业的快速发展，在国民生产总值中占有较高的比例，这是导致这些省域第一产业对碳排放强度影响较大的主要原因。
4 政策涵义
本研究的结果表明，一个国家的碳排放强度和产业结
构密切相关，而且其所辖省域经济发展基础和产业结构特征不一样，产业结构与碳排放强度的关系不一样，因此，未来我国控制碳排放的产业发展政策应该考虑如下四个方面：
(1)加快推进第二产业的低碳发展。目前我国正处于工业化和城市化快速推进的阶段， “二、三、一”的产业发展格局在2020年前不大可能发生变化[27]，未来较长的一段时期内，工业仍将是我国经济快速发展的主要推动力。然而，由于第二产业对碳排放强度的影响程度最大，各级政府部门在明确工业作为引导区域经济增长主导部门的同时，要积极采取措施推进
工业低碳、绿色发展，使我国进入又好又快的协调经济增长和低碳排放的道路。
第二产业对于碳排放的影响主要表现在两个方面：一是工业生产对能源的直接消耗及其产生的直接碳排放;二是产品生产过程中通过大量中间投入品而间接消耗的能源以及由此产生的间接碳排放[28]。因此，政策制定者应当注意并区别工业发展过程中直接和间接的碳排放，制定适当的政策措施，不仅要通过淘汰落后生产能力、优化能源消费结构、发展环保产业等措施减少高耗能工业部门的直接碳排放，更要注重生产过程中中间投入品的“减物质化”发展，减少第二产业的间接能耗和间接碳排放。
(2)高度重视第三产业的低碳发展。第三产业作为表征地区经济发达程度和产业结构优化程度的重要变量，在我国过去产业结构调整的过程中受到高度重视，发展速度加快，在一些经济发达省域逐渐成为区域经济发展的主导产业。尽管一般认为服务业比重增加将带来环境影响下降，但值得注意的是，我国现阶段服务业的发展水平与国际相比仍然较低，对降低区域碳排放强度的效应并不明显，因此，未来我国政策制定者在增加第三产业比重的同时，应注重优化第三产业内部结构，提高服务业的发展水平，为提升区域产业结构，降低产业碳排放强度做准备。
(3)注重农业发展的低碳效应。当前，降低第一产业在国民生产总值中的比重是我国产业结构调整的一大趋势。然而，低碳经济背景下，调整产业结构需要重新考虑一产和二产、三产之间的关系。在低碳经济发展过程中，农业不仅可以承担为工业提供原料、为部分工业品提供市场、为国家提供税收等任务[29]，还可以在减少碳排放、增加碳汇从而遏制碳排放方面大有作为[30-31]。因此，未来我国应着眼于农业发展的低碳效应，创新农业发展制度，转变农业发展方式，推广循环农业模式和低碳农业技术，实现农业系统内碳的零排放。同时，发挥农业系统的碳汇功能，选取有条件的地区建设形式多样的农业碳汇试验区，包括林地、草原，渔业等，增强农业系统的固碳能力，减少经济发展过程中的实际碳排放。
(4)建立和实施不同空间尺度上的低碳发展政策。本研究结果表明，不同省域产业结构与碳排放的关联特征并不相同，这说明我国各省域产业结构变动与碳排放之间不存在单一、精确的演变规律，因此，中央政府要尊重地方经济发展的异质性，统筹考虑各省域产业结构与碳排放之间不同的关联特征，制定适宜的低碳发展措施，包括产业结构调整方向和各地碳减排指标的量化分化等。这样不仅有利于统筹区域经济发展，还可以提高地方发展低碳经济、控制碳排放的积极性。各地区也要结合自身产业结构特点，找到适合自己的低碳发展道路，制定有针对性、有重点的政策措施，促进地区的低碳发展。
(编辑：田 红)
参考文献(References)
[1]许广月, 宋德勇. 中国碳排放环境库兹涅茨曲线的实证研究：基于省域面板数据[J]. 中国工业经济, 2010, (5): 37-47.[Xu Guangyue, Song Deyong. An Empirical Study of the Environmental Kuznets Curve for China’s Carbon Emissions：Based on Provincial Panel Data[J]. China Industrial Economics, 2010, (5): 37-47.]
[2]何建坤. 发展低碳经济, 应对气候变化[N]. 光明日报,2010-02-16 [2010-12-19].[He Jiankun. Developing Lowcarbon Economy, Responding to Climate Change[N]. Guangming Daily, 2010-02-16. [2010-12-19].]
[3]Parag Y, Darby S. Consumersuppliergovernment Triangular Relations: Rethinking the UK Policy Path for Carbon Emissions Reduction from the UK Residential Sector[J]. Energy Policy, 2009, 37(10): 3984-3992
[4]Tol R S J, Pacala S W, Socolow R H. Understanding LongTerm Energy Use and Carbon Dioxide Emissions in the USA[J]. Journal of Policy Modeling, 2009, 31(3): 425-445.
[5]郎春雷. 全球气候变化背景下中国产业的低碳发展研究[J]. 社会科学, 2009, (6): 39-47.[Lang Chunlei. Study on the Development of Lowcarbon Economy of Chinas Industry under the Background of Global Climate Change [J]. Scocial Science, 2009, (6): 39-47.]
[6]周建安. 中国产业结构升级与就业问题的灰色关联分析[J]. 财经理论与实践, 2006, 27(143): 94-98.[Zhou Jian’an. Grey Relevance Analysis on Industrial Upgrading and Employment of China [J]. The Theory and Practice of Finance and Economics, 2006, 27(143): 94-98.]
[7]Zhang J F, Deng W. Industrial Structure Change and Its Ecoenvironmental Influence since the Establishment of Municipality in Chongqing, China[J]. Procedia Environmental Sciences, 2010, (2):517-526.
[8]Peneder M. Industrial Structure and Aggregate Growth [J]. Structural Change and Economic Dynamics, 2003, 14 (4): 427-448
[9]付允, 汪允林, 李丁. 低碳城市的发展路径研究[J]. 科学对社会的影响, 2008, (2): 5-9. [Fu Yun, Wang Yunlin, Li Ding. Study on the Development Path of Lowcarbon City[J].Impact of Science on Society, 2008, (2): 5-9.]
[10]冯之浚, 牛文元. 低碳经济与科学发展[J]. 中国软科学, 2009, (8): 13-19.[Feng Zhijun, Niu Wenyuan. Lowcarbon Economy and Scientific Development[J]. China Soft Science, 2009, (8): 13-19.]
[11]杨万东. 低碳经济与经济结构的再调整[J]. 理论视野, 2010, (2): 35-36.[Yang Wandong. Lowcarbon Economy and Readjusting the Economic Structure [J]. Theoretical Horizon, 2010, (2): 35-36.]
[12]IPCC. 气候变化2007：综合报告[R], 2007.[IPCC. Climate Change 2007: General Report[R], 2007.]
[13]朱勤, 彭希哲, 陆志明, 等. 人口与消费对碳排放影响的分析模型与实证[J], 中国人口•资源与环境, 2010, 20(2):98-102.[Zhu Qin, Peng Xizhe, Lu Zhiming, et al. Analysis Model and Empirical Study of Impacts from Population and Consumption on Carbon Emissions[J]. China Population, Resources and Environment, 2010, 20(2): 98-102.]
[14]张雷, 黄园浙, 李艳梅, 等. 中国碳排放区域格局变化与减排途径分析[J]. 资源科学, 2010, 32(2): 211-217.[Zhang Lei, Huang Yuanzhe, Li Yanmei, et al. An Investigation on Spatial Changing Pattern of CO2 Emissions in China[J]. Resources Science, 2010, 32(2): 211-217.]
[15]李艳梅, 张雷, 程晓凌. 中国碳排放变化的因素分解与减排途径分析[J]. 资源科学, 2010, 32(2): 218-222. [Li Yanmei, Zhang Lei, Cheng Xiaoling. A Decomposition Model and Reduction Approaches for Carbon Dioxide Emissions in China [J]. Resources Science, 2010, 32(2): 218-222. ]
[16]徐国泉, 刘则渊, 姜照华. 中国碳排放的因素分解模型及实证分析：1995-2004 [J]. 中国人口•资源与环境, 2006, 16(6): 158-161.[Xu Guoquan, Liu Zeyuan, Jiang Zhaohua. Decomposition Model and Empirical Study of Carbon Emissions for China, 1995-2004[J]. China Population, Resources and Environment, 2006, 16(6): 158-161.]
[17]胡初枝, 黄贤金, 钟太洋, 等. 中国碳排放特征及其动态演进分析[J]. 中国人口•资源与环境, 2008, 18(3): 38-42.[Hu Chuzhi, Huang Xianjin, Zhong Taiyang, et al. Character of Carbon Emission in China and Its Dynamic Development Analysis [J]. China Population, Resources and Environment, 2008, 18(3): 38-42.]
[18]国家发展和改革委员会能源研究所. 中国可持续发展能源暨碳排放情景分析综合报告[R]. 2003: 37.[Energy Research Institute NDRC, P.R. Chian. Study on the Sustainable Energy Development and Carbon Emission Scenarios Analysis in China [R]. 2003]
[19]汪刚, 冯霄. 基于能量集成的CO2减排量的确定[J]. 化工进展, 2006, 25(12): 1467-1470.[Wang Gang, Feng Xiao. CO2 Emission Reduction through Energy Integration[J]. Chemical Industry and Engineering Progress, 2006, 25(12): 1467-1470.]
[20]郭朝先. 中国二氧化碳排放增长因素分析：基于SDA分解技术[J]. 中国工业经济, 2010, (12): 47-56.[Guo Chaoxian. An Analysis of the Increase of CO2 Emission in China： Based on SDA Technique [J]. China Industrial Economics, 2010, (12): 47-56.]
[21]尹春华, 顾培亮. 我国产业结构的调整与能源消费的灰色关联分析[J]. 天津大学学报：自然科学版, 2003, 36(1): 104-107.[Yin Chunhua, Gu Peiliang. Grey Relevancy Analysis About Industry Structure Adjustment and Energy Consumption in China [J]. Journal of Tianjin University：Natural Science Edition, 2003, 36(1): 104-107.]
[22]刘思峰, 党耀国, 方志耕, 等. 灰色系统理论及其应用(第五版)[M]. 北京：科学出版社, 2010: 62, 73-85. [Liu Sifeng, Dang Yaoguo, Fang Zhigeng, et al. Grey System Theory and its Application (The Fifth Edition)[M]. Beijing: Science Press, 2010: 62, 73-85.]
[23]易德生, 郭萍. 灰色理论与方法：提要 题解 程序 应用[J]. 北京：石油工业出版社, 1992: 25. [Yi Desheng, Guo Ping. Grey System Theory and Method:Outline, Answers, Program, Application [J]. Beijing: Petroleum Industry Press, 1992: 25.]
[24]孙玉刚, 党耀国. 灰色T型关联度的改进[J]. 系统工程理论与实践, 2008, (4): 135-139. [Sun Yugang, Dang Yaoguo. Improvement on Grey Ts Correlation Degree [J]. System Engineering: Theory & Practice, 2008, (4): 135-139]
[25]刘思峰, 郭天榜, 党耀国. 灰色系统理论及应用(第二版)[M]. 北京：科学出版社, 1999: 59-63.[Liu Sifeng, Guo Tianbang, Dang Yaoguo. Grey System Theory and Application (The Second Edition) [M]. Beijing: Science Press, 1999: 59-63.]
[26]王英. 基于灰色关联理论的FDI和中国区域经济发展差距研究[J]. 2010, 30(3): 426-430. [Wang Ying. Analysis of FDI and Chinese Regional Economic Discrepancy Using Grey incidence theory [J]. 2010, 30(3): 426-430. ]
[27]谭顺福. 中国产业结构的现状及其调整[J]. 管理世界, 2007, (6): 156-157. [Tan Shunfu. Status of Industrial Structure and its Adjustment in China [J]. Management World, 2007, (6): 156-157. ]
[28]陈红敏. 包含工业生产过程碳排放的产业部门隐含碳研究[J]. 中国人口•资源与环境, 2009, 19 (3): 25-30. [Chen Hongmin. Analysis on Embodied CO2 Emissions Including Industrial Process Emissions [J]. China Population, Resources and Environment, 2009, 19 (3): 25-30. ]
[29]吕铁, 周叔莲. 中国的产业结构升级与经济增长方式转变[J]. 管理世界, 1999, (1): 113-125. [Lv Tie, Zhou Shulian. Industrial Structure’s Upgrading and Economic Growth Model Changing in China [J]. Management World, 1999, (1): 113-125.]
[30]刘允芬. 中国农业系统碳汇功能[J]. 农业环境保护, 1998, 17(5): 197-202.[Liu Yunfen. Carbon Credit of Agricultural System in China. Agroenvironmental Protection, 1998, 17(5): 197-202.]
[31]谢淑娟,匡耀求,黄宁生.中国发展碳汇农业的主要路径与政策建议[J].中国人口•资源与环境,2010,20(12):46-51.[Xie Shujuan,Kuang Yaoqiu,Huang Ningsheng.Main Paths and Policy Proposals for the Development of Carbonsinking Agriculture in China[J].China Population,Resources and Environment,2010,20(12):46-51.]
Correlation Analysis of Carbon Emission Intensity and Industrial Structure in China
LI Jian1, 2 ZHOU Hui1
(1. College of Management and Economics, Tianjin University, Tianjin 300072, China;
2. School of Management, Tianjin University of Technology, Tianjin 300384, China)
Key words lowcarbon economy; industrial structure; carbon emission intensity; grey correlation analysis
作者：李健 周慧
推荐阅读：
灰色的墙角作文200字06-25
公司主要经济指标预测06-04
中考化学预测06-30
高考语文 作文预测试题05-27
小升初预测作文：守望06-27
济南公务员面试预测06-02
天津中考英语作文题目预测06-14
关于中考英语作文的预测06-14
汽车市场调查与预测07-03
交通需求预测案例分析06-28
