1. IntroductionNowadays greenhouse

1. Introduction
Nowadays greenhouse gas emissions and global warming have
become the most important research issues in the fields of science
and politics. The existing studies indicated that more than twothirds
of greenhouse gas come from fossil energy-related CO2
emission. So forecasting the CO2 emissions and analyzing its in-
fluence factors are critical in adjusting policies to mitigate the
climate change. The forecasting of CO2 emissions has been discussed
extensively. Such as, Pao and Tsai used grey model to predict
the CO2 emissions in Brazil during 1980e2007 [1]. The quantum
harmony search algorithm-based optimization discounted mean
square forecast error combination forecasting model is establishedfirst-order grey model with one variable. Considering the influence
factors, we assume that first-order N-variable grey model
(GM(1,N)) may have a better performance in forecasting CO2
emissions.
Many scholars discussed the relationship between economic
growth, energy consumption and CO2 emissions from the
perspective of qualitative and quantitative. Usama and Che used
panel model to investigate the impact of total primary energy
consumption and CO2 emissions on the economic development in
16 emerging countries [10]. Wang et al. discussed the influence
factors of carbon emission in China's road freight transport [11].
Zhang and Nian estimated the transport sector CO2 emissions and
studied its affecting factors from regional perspective in China [12].
Raymond and Guy applied modern panel data techniques to help
shed light on importance of the heterogeneity among different
regions in China [13]. Pao and Tsai examined dynamic causal relationships
between pollutant emissions, energy consumption and
output for a panel of BRIC countries over a certain period [14], and
so on [15e21]. However, there is little research applying grey model
to study the relationships between CO2 emissions and its related
influence factors.
Because CO2 emissions is generally represented as following an
exponential trend, short-term data may have advantages in
and tested by forecasting CO2 emissions of the World top 5 CO2
emitters [2]. Auffhammer and Carson predicted the path of China's
CO2 emissions using provincial-level panel data set [3], and so on
[4e9]. A large number of studies on CO2 emissions forecasting
using grey model and improved grey model have been reported
[1,4e7]. However, the models which applied in these studies are allexplaining a country's macro-policy tendencies. Traditional forecasting
models, such as regression analysis method needs plenty
of sample data. Sample size would limit the predictive accuracy of
these methods. Thus, for short-term data with an exponential
trend, it is helpful to establish new models that can use limited
samples to forecast CO2 emissions in the BRICS countries.
The general observation from the literature is that although the
relationships between energy consumption, CO2 emissions and
economic growth are widely discussed, the results are still in
conclusive. Most studies are criticized regarding the validity of the
estimated coefficients and their elasticities because the tests used
are not based on an appropriate quantitative framework. For
example, studies fail to take into account the diagnostic statistics
and specification tests that are necessary to obtain unbiased and
consistent regression results [22].
Compared with conventional statistical models, grey prediction
modeling is an alternative forecasting tool for those systems
whose structure is complex, uncertain and chaotic. It requires a
limited amount of data to acquire the behaviours of unknown
systems [23]. This article differs from the existing studies in a
number of ways. Firstly, it estimates the short-run impacts of both
economic growth and energy consumption on CO2 emissions
simultaneously. Secondly, methodology, the observed time-series
data are regarded as grey process that is changing with time, and
grey theory employs an accumulated generating operation to
reduce the randomness of raw data to a monotonically increasing
series. Thirdly, this study only needs the recent year's data for
reliable and acceptable accuracy in prediction, and this is one of
the considerable advantages of grey forecasting model over previous
methods.
The purposes of this study are as follows: (1) exploring the
relationship between CO2 emissions and its related influence factors
using GM(1,N) model. (2) using the GM(1,N) model to predict
the CO2 emissions of the BRICS countries. The remainder of this
paper is organized in the following way. A novel grey model is
presented in Section 2. The relationship between CO2 emissions
and its related influence factors are discussed and the CO2 emissions
of the BRICS countries are predicted in Section 3. The conclusions
are given in the last Section.

ผลลัพธ์ (ไทย) 1:

บทนำปัจจุบันมีการปล่อยก๊าซเรือนกระจกและภาวะโลกร้อนกลายเป็น ปัญหาวิจัยสำคัญที่สุดในสาขาวิทยาศาสตร์และการเมือง การศึกษาที่มีอยู่ระบุว่า มากกว่า twothirdsก๊าซเรือนกระจกมาจากซากดึกดำบรรพ์ที่เกี่ยวข้องพลังงาน CO2ปล่อย ดังนั้น การคาดการณ์การปล่อย CO2 และการวิเคราะห์ของใน-fluence ปัจจัยมีความสำคัญในการปรับปรุงนโยบายเพื่อลดการการเปลี่ยนแปลงสภาพภูมิอากาศ การคาดการณ์ของการปล่อย CO2 ได้มีหารืออย่างกว้างขวาง เช่น เป้าและเจิงโป๋วไจ๋ใช้รุ่นสีเทาจะทำนายปล่อย CO2 ในบราซิลระหว่าง 1980e2007 [1] ควอนตัมการเพิ่มประสิทธิภาพตามอัลกอริทึมของการค้นหาความสามัคคีลดความหมายตารางการคาดการณ์ผิดพลาดรวมคาดการณ์รูปแบบเป็น establishedfirst สั่งรุ่นสีเทา 1 ตัวแปร พิจารณาอิทธิพลปัจจัย เราคิดว่าสีเทาที่ตัวแปร N ลำดับแรกรุ่น(GM(1,N)) อาจมีประสิทธิภาพในการพยากรณ์ CO2ปล่อยนักวิชาการหลายคนกล่าวถึงความสัมพันธ์ระหว่างเศรษฐกิจเจริญเติบโต การใช้พลังงาน และปล่อย CO2 จากการมุมมองเชิงคุณภาพ และเชิงปริมาณ ชาและใช้ Cheการตรวจสอบผลกระทบของพลังงานหลักรวมรุ่นการใช้และการปล่อย CO2 ในการพัฒนาเศรษฐกิจ16 ใหม่ประเทศ [10] วังร้อยเอ็ดกล่าวถึงอิทธิพลปัจจัยของการปล่อยคาร์บอนในถนนของจีนขนส่งสินค้าขนส่ง [11]จางและเนียนประมาณการปลดปล่อยก๊าซ CO2 ของภาคขนส่ง และศึกษาปัจจัยของ affecting จากมุมมองระดับภูมิภาคในประเทศจีน [12]เรย์มอนด์และคนใช้เทคนิคข้อมูลแผงที่ทันสมัยเพื่อช่วยให้เห็นถึงความสำคัญของ heterogeneity หมู่แตกต่างกันภูมิภาคในประเทศจีน [13] เป้าและเจิงโป๋วไจ๋ตรวจสอบความสัมพันธ์เชิงสาเหตุแบบไดนามิกระหว่างปล่อยมลพิษ การใช้พลังงาน และผลลัพธ์สำหรับแผงของประเทศ BRIC ระยะเวลากำหนด [14], และเรื่อย ๆ [15e21] อย่างไรก็ตาม มีการวิจัยน้อยใช้แบบสีเทาการศึกษาความสัมพันธ์ระหว่างการปล่อย CO2 และที่เกี่ยวข้องมีอิทธิพลต่อปัจจัยเนื่องจากการปล่อย CO2 โดยทั่วไปแสดงดังต่อไปนี้เป็นแนวโน้มเนน ข้อมูลระยะสั้นอาจมีประโยชน์ในและทดสอบ โดยคาดการณ์ CO2 ปล่อยของโลกยอด 5 CO2emitters [2] Auffhammer และคาร์สันคาดการณ์เส้นทางของจีนปล่อย CO2 ที่ใช้ข้อมูลระดับจังหวัดแผงตั้ง [3], และอื่น ๆ[4e9] ศึกษาการปล่อยก๊าซ CO2 ที่คาดการณ์เป็นจำนวนมากใช้สีเทารูปและรูปสีเทาดีขึ้นได้รับรายงาน[1, 4e7] . อย่างไรก็ตาม รุ่นที่ใช้ในการศึกษานี้มี allexplaining แนวโน้มแม-นโยบายของประเทศ การคาดการณ์ดั้งเดิมรุ่น เช่นวิธีการถดถอยการวิเคราะห์ความต้องการมากมายตัวอย่างข้อมูล ขนาดตัวอย่างขีดความแม่นยำของการทำนายวิธีการเหล่านี้ ดังนั้น สำหรับข้อมูลระยะสั้นด้วยการชี้แจงแนวโน้ม จะเป็นประโยชน์ในการสร้างรูปแบบใหม่ที่สามารถใช้จำกัดตัวอย่างการคาดการณ์การปล่อย CO2 ในประเทศ BRICSการสังเกตทั่วไปจากวรรณคดีเป็นที่ความสัมพันธ์ระหว่างการใช้พลังงาน การปล่อย CO2 และเติบโตทางเศรษฐกิจที่มีการกล่าวถึงอย่างกว้างขวาง ผลลัพธ์จะยังคงในข้อสรุป ศึกษาส่วนใหญ่เป็นการวิพากษ์วิจารณ์เกี่ยวกับความถูกต้องของการประมาณสัมประสิทธิ์และ elasticities ของพวกเขาเนื่องจากการทดสอบใช้มีอิงกรอบเชิงปริมาณเหมาะสม สำหรับตัวอย่าง การศึกษาล้มเหลวจะเข้าบัญชีสถิติวิเคราะห์และการทดสอบคุณสมบัติที่จำเป็นต้องขอรับเป็นกลาง และถดถอยที่สอดคล้องผล [22]เมื่อเทียบกับรุ่นทั่วไปสถิติ เทาคาดเดาโมเดลเป็นตัวเลือกที่เครื่องมือสำหรับระบบการคาดการณ์มีโครงสร้างซับซ้อน และวุ่นวาย ความไม่แน่นอน มันต้องการจำกัดจำนวนข้อมูลรับพฤติกรรมที่ไม่รู้จักระบบ [23] บทความนี้แตกต่างจากการศึกษาที่มีอยู่ในตัวหลากหลายวิธี ประการแรก มันประเมินผลกระทบระยะสั้นของทั้งสองเศรษฐกิจเจริญเติบโตและการใช้พลังงานในการปล่อย CO2พร้อมกันนี้ ประการที่สอง วิธี สังเกตเวลาชุดข้อมูลถือเป็นกระบวนการเทาที่เปลี่ยนแปลงกับเวลา และการดำเนินการสร้างสะสมการใช้ทฤษฎีสีเทาลดการสุ่มของข้อมูลดิบเป็นเส้นเพิ่มขึ้นชุด ประการที่สาม ศึกษานี้เพียงต้องการข้อมูลของปีล่าสุดแม่นยำเชื่อถือได้ และยอมรับในการคาดเดา และนี้เป็นหนึ่งข้อดีของเทาคาดการณ์รูปแบบกว่าก่อนหน้านี้มากวิธีการนี้วัตถุประสงค์ของการศึกษานี้จะเป็นดังนี้: (1) สำรวจความความสัมพันธ์ระหว่างการปล่อย CO2 และปัจจัยมีอิทธิพลที่เกี่ยวข้องใช้รุ่น GM(1,N) (2) โดยใช้แบบจำลอง GM(1,N) ทำนายการปล่อย CO2 ของประเทศ BRICS ส่วนเหลือนี้กระดาษมีการจัดระเบียบในลักษณะต่อไปนี้ มีสีเทาแบบนวนิยายนำเสนอในส่วนที่ 2 ความสัมพันธ์ระหว่างการปล่อย CO2และอิทธิพลที่เกี่ยวข้องที่มีการกล่าวถึงปัจจัยและปล่อย CO2ของ BRICS ประเทศมีการคาดการณ์ในส่วนที่ 3 บทสรุปจะได้รับในส่วนสุดท้าย

ผลลัพธ์ (ไทย) 2:

1. บทนำปัจจุบันปล่อยก๊าซเรือนกระจกและภาวะโลกร้อนได้กลายเป็นปัญหาการวิจัยที่สำคัญที่สุดในเรื่องของวิทยาศาสตร์และการเมือง การศึกษาชี้ให้เห็นว่ามีอยู่มากกว่า twothirds ของก๊าซเรือนกระจกที่มาจากฟอสซิล CO2 ที่เกี่ยวข้องกับพลังงานปล่อยก๊าซเรือนกระจก ดังนั้นการคาดการณ์การปล่อย CO2 และการวิเคราะห์ของหปัจจัยfluence มีความสำคัญในการปรับนโยบายเพื่อลดการเปลี่ยนแปลงสภาพภูมิอากาศ การคาดการณ์การปล่อย CO2 ที่ได้รับการกล่าวถึงอย่างกว้างขวาง เช่นเปาและไจ่ใช้รูปแบบสีเทาที่จะคาดการณ์การปล่อย CO2 ในประเทศบราซิลในช่วง 1980e2007 [1] ควอนตัมการเพิ่มประสิทธิภาพของอัลกอริทึมที่ใช้ค้นหาความสามัคคีลดหมายถึงการคาดการณ์ตารางข้อผิดพลาดรวมกันเป็นรูปแบบการพยากรณ์establishedfirst สั่งรูปแบบสีเทากับตัวแปรหนึ่ง พิจารณาอิทธิพลของปัจจัยที่เราคิดว่าลำดับแรก N-ตัวแปรรูปแบบสีเทา (GM (1, N)) อาจจะมีประสิทธิภาพที่ดีขึ้นใน CO2 คาดการณ์การปล่อย. นักวิชาการหลายคนกล่าวถึงความสัมพันธ์ระหว่างเศรษฐกิจการเจริญเติบโตของการใช้พลังงานและการปล่อย CO2 จาก มุมมองของคุณภาพและเชิงปริมาณ อุซามะห์เชและใช้รูปแบบแผงที่จะตรวจสอบผลกระทบของพลังงานหลักรวมการบริโภคและการปล่อยCO2 ในการพัฒนาทางเศรษฐกิจใน16 ประเทศที่เกิดขึ้นใหม่ [10] วัง et al, กล่าวถึงอิทธิพลของปัจจัยของการปล่อยก๊าซคาร์บอนไดออกไซด์ในการขนส่งทางถนนของจีน [11]. จางและ Nian ประมาณปล่อย CO2 ภาคการขนส่งและการศึกษาปัจจัยที่มีผลมาจากมุมมองของภูมิภาคในประเทศจีน[12]. เรย์มอนด์และคนใช้เทคนิคข้อมูลแผงที่ทันสมัยที่จะช่วยให้หลั่งแสงในความสำคัญของความหลากหลายในหมู่ที่แตกต่างกันในภูมิภาคในประเทศจีน [13] เป้าและไจ่ตรวจสอบความสัมพันธ์เชิงสาเหตุแบบไดนามิกระหว่างการปล่อยมลพิษ, การใช้พลังงานและการส่งออกสำหรับแผงของประเทศในกลุ่มBRIC ในช่วงระยะเวลาหนึ่ง [14] และอื่นๆ [15e21] แต่มีงานวิจัยน้อยใช้รูปแบบสีเทาเพื่อศึกษาความสัมพันธ์ระหว่างการปล่อย CO2 และที่เกี่ยวข้องปัจจัยที่มีอิทธิพลต่อ. เพราะการปล่อย CO2 เป็นตัวแทนโดยทั่วไปเป็นดังต่อไปนี้แนวโน้มชี้แจงข้อมูลในระยะสั้นอาจจะมีข้อได้เปรียบในและทดสอบโดยการคาดการณ์การปล่อยCO2 ของ ชั้นนำของโลก 5 CO2 emitters [2] Auffhammer และคาร์สันที่คาดการณ์เส้นทางของจีนปล่อยCO2 โดยใช้ข้อมูลแผงระดับจังหวัดตั้ง [3] และอื่น ๆ[4e9] จำนวนมากของการศึกษาเกี่ยวกับการปล่อย CO2 คาดการณ์โดยใช้แบบจำลองสีเทาและปรับปรุงรูปแบบสีเทาได้รับรายงาน[1,4e7] แต่รุ่นที่นำมาใช้ในการศึกษาเหล่านี้จะ allexplaining ประเทศแนวโน้มมหภาคนโยบาย การพยากรณ์แบบดั้งเดิมรุ่นเช่นวิธีการวิเคราะห์การถดถอยต้องการความอุดมสมบูรณ์ของข้อมูลตัวอย่าง ขนาดของกลุ่มตัวอย่างจะ จำกัด การทำนายความถูกต้องของวิธีการเหล่านี้ ดังนั้นสำหรับข้อมูลระยะสั้นที่มีการชี้แจงแนวโน้มจะเป็นประโยชน์ในการสร้างรูปแบบใหม่ที่สามารถใช้ จำกัด ตัวอย่างที่จะคาดการณ์การปล่อย CO2 ในประเทศ BRICS. สังเกตทั่วไปจากวรรณกรรมคือว่าแม้ว่าความสัมพันธ์ระหว่างการใช้พลังงานการปล่อย CO2 และการเติบโตทางเศรษฐกิจที่จะกล่าวถึงกันอย่างแพร่หลายผลจะยังคงอยู่ในข้อสรุป การศึกษาส่วนใหญ่ได้รับการวิพากษ์วิจารณ์เกี่ยวกับความถูกต้องของค่าสัมประสิทธิ์ประมาณและความยืดหยุ่นของพวกเขาเพราะการทดสอบที่ใช้ไม่ได้อยู่บนพื้นฐานของกรอบเชิงปริมาณที่เหมาะสม สำหรับตัวอย่างเช่นการศึกษาล้มเหลวที่จะคำนึงถึงสถิติการวินิจฉัยและการทดสอบเปคที่มีความจำเป็นที่จะได้รับที่เป็นกลางและผลการถดถอยที่สอดคล้องกัน[22]. เมื่อเทียบกับแบบจำลองทางสถิติธรรมดาทำนายสีเทาแบบจำลองเป็นเครื่องมือที่มีการคาดการณ์ทางเลือกสำหรับระบบที่มีโครงสร้างที่มีความซับซ้อนไม่แน่ใจและวุ่นวาย มันต้องมีจำนวน จำกัด ของข้อมูลที่จะได้รับพฤติกรรมที่ไม่รู้จักระบบ[23] บทความนี้จะแตกต่างจากการศึกษาที่มีอยู่ในหลายวิธี ประการแรกก็ประเมินผลกระทบในระยะสั้นทั้งการเติบโตทางเศรษฐกิจและการใช้พลังงานในการปล่อย CO2 พร้อมกัน ประการที่สองวิธีการที่เวลาที่สังเกตชุดข้อมูลที่ได้รับการยกย่องว่าเป็นกระบวนการสีเทาที่มีการเปลี่ยนแปลงไปตามกาลเวลาและทฤษฎีสีเทาพนักงานการดำเนินการที่ก่อให้เกิดการสะสมในการลดการสุ่มของข้อมูลดิบที่จะเพิ่มขึ้นmonotonically ชุด ประการที่สามการศึกษาครั้งนี้เพียงต้องการข้อมูลในปีที่ผ่านมาสำหรับความถูกต้องเชื่อถือได้และเป็นที่ยอมรับในการทำนายและนี่คือหนึ่งในข้อได้เปรียบที่สำคัญของรูปแบบการพยากรณ์สีเทาในช่วงก่อนหน้านี้. วิธีการตามวัตถุประสงค์ของการศึกษาครั้งนี้มีดังนี้ (1) การสำรวจความสัมพันธ์ระหว่างการปล่อย CO2 และปัจจัยที่มีอิทธิพลต่อการที่เกี่ยวข้องโดยใช้จีเอ็ม(1, N) รูปแบบ (2) การใช้จีเอ็ม (1, N) รุ่นที่จะคาดการณ์การปล่อยCO2 จากประเทศ BRICS ที่เหลือจากการนี้กระดาษที่จะจัดในลักษณะต่อไปนี้ รูปแบบนวนิยายสีเทาถูกนำเสนอในมาตรา 2 ความสัมพันธ์ระหว่างการปล่อย CO2 และปัจจัยที่มีอิทธิพลต่อการที่เกี่ยวข้องที่จะกล่าวถึงและการปล่อย CO2 ของประเทศ BRICS จะคาดการณ์ไว้ในมาตรา 3 ผลการดำเนินงานจะได้รับในส่วนที่ผ่านมา