6.7.4碳交易完善，金融制度要跟上

为了应对全球变暖和资源枯竭,低碳经济作为一种新的发展模式受到世界各国的广泛关注。低碳经济以实现碳约束条件下社会经济持续平稳发展为目标,如何创建这种发展模式是一项重大的课题。科斯产权理论认为只要明确界定产权,经济行为主体之间的交易行为就可以有效的解决外部性问题,实现社会利益最大化。基于此,《京都议定书》以国际法的形式订立了IET、CDM和JI三个基于市场的交易机制,这三个交易机制是当前碳金融制度的主要交易模式。 碳金融制度的核心是其交易机制,所有的其他交易活动都是围绕其交易机制展开。按照交易方式的不同,碳交易分为配额交易和项目交易,这是两种最基本的交易形式。碳金融交易机制的利益主体主要有配额交易的履约者、项目交易的参与者、专业碳金融机构、相关国际金融组织等,通过对他们职能、权利、义务等的考察,可以了解到对利益主体的激励和监管是碳金融制度交易机制能否达到预期效果的关键。中国已经初步建立了碳金融制度,其交易机制日渐完善,CDM交易、VER交易都有一定程度的发展,碳交易平台和碳金融服务也初具规模。因为比较优势突出,中国已经成为世界上最大的项目交易卖家,但是这并不代表中国的碳金融制度发展一帆风顺,相反是举步维艰。当前中国碳金融制度交易机制发展面临的困境主要表现在四个方面：交易费用昂贵、碳交易平台割据、组织服务体系不完善、国际碳交易市场缺乏话语权。完善碳金融制度交易机制是推动低碳经济发展的有效手段,完善碳金融制度交易机制应当以法制性为保障、以竞争性为驱动、以开放性为外延和以平等性为基础。完善碳金融制度交易机制的思路可以总结为运营模式市场化、投融资渠道多元化、完善监管体制、加强国际合作等。基于此,一些学者提出了一些相应的完善碳金融制度交易机制的建议,包括培养低碳导向的投融资文化意识、建立全国范围内的碳交易平台、推动与碳交易相关政府职能创新、提升国际碳交易市场中的地位等。 通过对碳金融制度交易机制的基本分析、碳金融制度交易机制的发展困境及完善路径等内容的探讨,可以得出结论：碳金融制度的发展关键在于交易机制的维持,以市场交易实现碳减排资源的优化配置是碳金融制度的基本法则。同时,大量反市场因素的存在,为了维护市场机制的运转,强化政府监管是金融制度交易机制发展的保障

综上所述，能源的供给与消费结构、方式也反映了一个国家的现代化水平。现代化的标志之一就是电气化，而电气化有一个前提，就是能源也要现代化。

6.8 二氧化碳减排的全球策略

从公共经济学的角度来看，公共物品具有非竞争性、非排他性的特点，适宜的生存条件包括全球温度的稳定等是全球公共物品。减排、碳存量治理以及适应

性措施都是全球“公共设施”，应该由各国共同承担。 将全球气温增长控制在2℃以内是治理二氧化碳问题的目标。在二氧化碳治理问题上，将各国的经济发展也就是GDP作为私人物品，全球气候改善作为公共物品，其最优的提供量需要由这两方的成本收益比较决定，而不是简单的照搬科学结论，只有这样，各国之间才可能避免争端达成共识。 由各国缴纳不同比例的资金设立二氧化碳治理基金，来进行相应公共物品的提供，在筹资过程中，应该遵循两个基本原则：一是外部性内部化，即由二氧化碳排放国承担所带来的外部性；二是历史排放与先期排放同等原则，由于二氧化碳进入大气以后稳定存在，现在气温上升等气候变迁是二氧化碳排放的累积效应，因此，不同时期的排放应平等处理。基于这两个原则，一种可行的筹资安排是按照排放损益的关系制定各国缴纳的基金，即制定排放收益和排放损失的综合指标，来确定各国在减排基金中缴纳的份额；其中排放收益是指由历史积累二氧化碳排放而获得经济效益，可以用累积二氧化碳在世界累积排放中的比例衡量；排放受损是指由于历史积累二氧化碳排放而导致环境问题，进而影响经济发展或造成经济损失。

7.模型的评价、改进与推广

本文紧密围绕碳排放问题，运用了马克思主义哲学的关于因果关系和矛盾的主要方面、次要方面的精辟观点指导全过程。认为化石燃料的燃烧导致温室气体的排放量增大，进而使得温度升高，即化石燃料的燃烧是因而温度升高是果；整体上，化石燃料的燃烧因温度升高，抓住矛盾的主要方面而忽略次要方面。整个过程都是在马克思主义哲学的指导下进行，所有的假设、论断具有一定的合理性和科学性，完全可以采用。针对现有的数据资料，通过改进的人工智能预测算发的利用，得出未来三十年内的煤炭、石油、天然气的消耗量，通过三者之间的等值折算《IPCC2006温室气体排放清单》所推荐的公式的采用得出未来三十年，各个年份的碳排放量，把预测来的数据带入建立的碳排放量与温度上升量值的关系，预测未来温度升高会不会达到2摄氏度。从而解决了题目中的问题一、二。

虽然在建立模型时专注了问题的主要矛盾，能在一定程度上解决一部分问题，但是模型的考虑的不够全面，假设的条件不一定都满足，精度不够高，这也是需要继续改进的地方。

附录Ⅰ 源程序

%% 清空环境变量 clc clear

load data1

%% 数据累加作为网络输入 [n,m]=size(X);

ym=zeros(n+37,m); yc=zeros(n+37,m); y=zeros(n+37,m); for i=1:n

y(i,1)=sum(X(1:i,1)); end

%% 网络参数初始化 a=0.3+rand(1)/4; b1=0.3+rand(1)/4; b2=0.3+rand(1)/4;

%% 学习速率初始化 u1=0.0015; u2=0.0015;

%% 权值阀值初始化 t=1; w11=a;

w21=-y(1,1); w22=2*b1/a; w23=2*b2/a; w31=1+exp(-a*t); w32=1+exp(-a*t); w33=1+exp(-a*t);

theta=(1+exp(-a*t))*(b1*y(2,1)/a+b2*y(3,1)/a-y(1,1)); %% 循环迭代 for j=1:30 E(j)=0; for i=1:10

%% 网络输出计算 t=i;

LB_b=1/(1+exp(-w11*t)); %输入层输出

LC_c1=LB_b*w21; %隐含层输出 LC_c2=y(i+1,1)*LB_b*w22; %隐含层输出 LC_c3=y(i+2,1)*LB_b*w23; %隐含层输出 LD_d=w31*LC_c1+w32*LC_c2+w33*LC_c3;

theta=(1+exp(-w11*t))*(w22*y(i+1,1)/2+w23*y(i+2,1)/2-y(1,1)); ym(i,1)=LD_d-theta; %网络输出值 yc(i,1)=ym(i,1); %% 权值修正

error(i)=ym(i,1)-y(i,1); %计算误差

E(j)=E(j)+abs(error(i)); %误差求和 error1(i)=error(i)*(1+exp(-w11*t)); %计算误差 error2(i)=error(i)*(1+exp(-w11*t)); %计算误差 error3(i)=error(i)*(1+exp(-w11*t));

error7(i)=(1/(1+exp(-w11*t)))*(1-1/(1+exp(-w11*t)))*(w21*error1(i)+w22*error2(i)+w23*error3(i));

%修改权值

w22=w22-u1*error2(i)*LB_b; w23=w23-u2*error3(i)*LB_b; w11=w11+a*t*error7(i); end end

%画误差随进化次数变化趋势 figure(1) plot(E)

title('训练误差','fontsize',12); xlabel('进化次数','fontsize',12); ylabel('误差','fontsize',12);

%根据训出的灰色神经网络进行预测 for i=10:51 t=i;

LB_b=1/(1+exp(-w11*t)); %输入层输出 LC_c1=LB_b*w21; %隐含层输出 LC_c2=y(i-1,1)*LB_b*w22; %隐含层输出 LC_c3=y(i-2,1)*LB_b*w23; %隐含层输出

LD_d=w31*LC_c1+w32*LC_c2+w33*LC_c3; %输出层输出

theta=(1+exp(-w11*t))*(w22*y(i-1,1)/2+w23*y(i-2,1)/2-y(1,1)); %阀值 ym(i,1)=LD_d-theta; %网络输出值 yc(i,1)=ym(i,1); if i>14

y(i)=ym(i,1); end