پیش بینی انتشار گاز کربنیک در ایران و بخش های آلاینده: رویکرد حافظه بلندمدت

نوع مقاله : علمی-پژوهشی

نویسندگان

1 دانشجوی دکترای اقتصاد، دانشکده اقتصاد، مدیریت و حسابداری، دانشگاه یزد

2 استادیار اقتصاد، دانشکده اقتصاد، مدیریت و حسابداری، دانشگاه یزد

چکیده

آلودگی یکی از معضلات قرن حاضر است و کشورها با معاهدات بین­المللی سعی در کاهش آلودگی دارند. بر اساس برآورد بانک جهان،  ارزیابی خسارات وارده به محیط­ زیست ایران، در گزارش هزینه سالیانه تخریب محیط زیست، حدود 5 تا 10 درصد از تولید ناخالص­ داخلی است. با بررسی گزارش بانک جهانی، ایران جزء کشورهای با انتشار گاز کربنیک بالا است، پس، پژوهش در زمینه انتشار آلودگی اهمیت می­ یا­­بد. این پژوهش برای نخستین بار به پیش­بینی انتشار گاز کربنیک در ایران و بخش­ های آلاینده، با روشARIFMA-FIGARCH  در دوره 2017-1971 میلادی پرداخته است. نتایج نشان می­ دهد، انتشار گاز کربنیک در ایران، بخش­ های صنعت و خدمات افزایش پیدا خواهد کرد. در سال 2035 میلادی پیش­ بینی می­شود، انتشار گاز کربنیک در کشور به 745876 هزار تن برسد، در بخش صنعت به 18/25 درصد از مصرف سوخت و در بخش خدمات به 89/25 درصد از مصرف سوخت می­ رسد. برنامه های توسعه، نتوانسته ­اند میزان انتشار گاز کربنیک را کاهش دهند.

کلیدواژه‌ها


عنوان مقاله [English]

Forecast of carbon dioxide emissions in Iran and polluting sectors: Long-term memory approach

نویسندگان [English]

  • samaneh bagheri 1
  • H A 2
1 A
2 A
چکیده [English]

Pollution is one of the problems of the present century and countries are trying to reduce pollution with international treaties. According to the World Bank's assessment of the damage to Iran's environment, in the annual report on the cost of environmental degradation is about 5 to 10 percent of GDP. According to the World Bank report, Iran is one of the countries with high carbon dioxide emissions, so research on emissions is important. This study for the first time predicts carbon dioxide emissions in Iran and polluting parts, using ARIFMA-FIGARCH method in the period 1971-71. The results show that carbon dioxide emissions in Iran, industry and services will increase.In 2035, carbon dioxide emissions in the country are expected to reach 745876 thousand tons, in the industrial sector to 25.18 percent of fuel consumption and in the service sector to 25.89 percent of fuel consumption.Development programs have failed to reduce carbon dioxide emissions.

کلیدواژه‌ها [English]

  • forecast
  • carbon dioxide emissions
  • long-term memory
  • Iran
  • polluting sectors. JEL Classification Q56
  • Q53
  • C22
  • C53
انواری، ابراهیم، باقری، سمانه، صلاح­منش، احمد.(1398). بررسی روند و پیش­بینی انتشار گاز کربنیک در بخش­های آلاینده: مطالعه موردی ایران، محیط زیست و توسعه، 155-147:(19)10.
پور اصغر سنگاچین، ف.(1387). نگاهی به تحولات بخش محیط­زیست در برنامه­های توسعه با تأکید بر برنامه پنجم، هفته­نامه برنامه، سال هفتم، شماره 276.
سهراب، تیکا، صمدی، رضا، احمدی­زاده، عبدالامیر.(1395). برنامه­ریزی جهت کاهش گازهای گلخانه­ای منتشره،  سی و یکمین کنفرانس بین­المللی برق، تهران، 6-1.
رستمیان، محمدحسین.(1394). التزام زیست­محیطی اجرای پروژه­های CDM در راستای تحقق بخشی به اهداف اقتصاد مقاومتی. مدیریت شهری، 338- 324:(41).
عباسی­نژاد، حسین، گودرزی فراهانی، یزدان. (1393). برآورد درجه انباشتگی شاخص تورم با مدل ARIFMA-FIGARCH  مطالعه موردی ایران. پژوهشنامه اقتصادی،  26-:1(52) 14.
لطفعلی­پور، محمدرضا، فلاحی، محمدعلی، بستام، محمدرضا.(1391). بررسی مسائل زیست­محیطی و پیش­بینی انتشار دی­اکسیدکربن در اقتصاد ایران. مطالعات اقتصاد کاربردی در ایران. 109-81: (3)1.
کشاورز حداد، غلامرضا و باقر صمدی. (1388)، برآورد و دقت پیش بینی تلاطم بازدهی در بازار سهام تهران و مقایسه دقت روش ها در تخمین ارزش در معرض خطر:  کاربردی از مدل های خانواده FIGARCH ، مجله تحقیقات اقتصادی، 44-1.
ملامحمدی راوری، مجید، امیرتیموری، سمیه، شمشادی، کتایون و امیرتیموری، سپیده.(1391). پیش­بینی انتشار گاز کربنیک در جهان طی سال­های 2025-2010، ارائه شده در هشتمین همایش دو سالانه اقتصاد کشاورزی ایران. صفحات 170 تا 190 دانشگاه شیراز، 20 و 21 اردیبهشت 1391.
محمدی، تیمور و طالبلو، رضا. (1389). پویایی­های تورم و رابطه تورم و عدم اطمینان اسمی با استفاده از الگوی AFARIMA-GARCH، پژوهشنامه اقتصادی، 170- 137:(10)1.
Auffhammer, M and Steinhauser,R.(2012). Review of Economics and Statistics. 94(1): 172 -185
 Bank, W., (2019). CO2 Emissions (Kt). The World Bank Group.
Byrne, M.M.(). Is Growth Word? Pollution, Abatement And Endogenous Growth. Journal of Development Economics. 54:261-284.
De Bruyn, Sander M.J.C.M.van den Bergh, and J.B.Opschoor.(1998).Economic Growth and Emission: Reconsiderig The Empirical Basis of Environmental Kuznets Curve. Ecological Economics 25, 161-175.
Pao, H.T., and Tsai, C.M. (2011). Modeling and Forecasting The CO2 Emissions, Energy Consumption, and Economic Growth in Brazil. Energy. 36: 2450-2458.
Zhu, B, Wang, K, Chevallier, J, wang, Ping, Wei, Y,.(2015). Can China Achieve Its Carbon Itensity Target By 2020 While Sustaining Economic Growth?. Ecological Economics. 119:209-216.
Green, L; Myerson, J (2003). Discounting delayedband probabilistic rewards, Journal of Economis Psychology, 24 5:619-635.
Hosseini, S. M. ,. Saifoddin, A ,. Shirmohammadi, R and Aslani, A.(2019). Forecasting of CO2 emissions in Iran based on time series and regression analysis. Energy Reports.5: 619-630.

Ruijven , B , Vuuren, D,Neelis, M ,Saygin, D,Patel, M.(2016). Long-term model-based projections of energy use and CO2 emissions from the global steel and cement industries. Resources, Conservation and Recycling, 112:15-36.

Robinson, F. Peter (2003), Time Series with Long Memory, Oxford University Press.
Islamic Republic of Iran Cost Assessment of Environmental Degradation.(2005).
Lu, H., Huang, K., Azimi, M., & Guo, L. (2019). Blockchain technology in the oil and gas industry: A review of applications, opportunities, challenges, and risks. IEEE Access, 7, 41426 – 41444.
Outt, E.(2007). Climate Policy Post- 2012: the Global Governance of Climate Change, London: Tallberg Foundation, 27.
Pretis,F and Roser, M.(2017). Carbon dioxide Emission-Intensity in Climate Projections: Comparing The observational record to socio-economic scenarios, 1-11.
Kobe, A,buke, T.(2010). Forecasting of CO2 emissions from fuel combustion using trend analysis. Renewable and Sustainable Energy Reviews 14 :(2906–2915).
Xu, Z, Liu,L and Wu, L.(2020). Forecasting the carbon dioxide emissions in 53 countries and regions using a non-equigap grey model. Environmental Science and Pollution Research. 1-14.
Yajima, Y (1985). On Estimation of Long-Memory Time Series Models. Australian and New Zealand Journal of Statistics. Volume 27, Issue 3, pp 303–320.
Tsay, R. S (2010). Analysis of Financial Time Series. Wiley, ISBN 9780-0-470-414-35-4.
Tolvi, J. (2003). Long Memory and Outliers in Stock Market Returns, Applied Financial Economics, 13(7): 495-502.

Tapia Granados,J and Ionides,  E, Climate change and the world economy: short-run determinants of atmospheric CO2. Environmental Science & Policy. 21: 50-62.