然而，我们并不声称这是能够实现《巴黎协定》目标的唯一一篮子政策。我们注意到，这些策略被添加到基线案例中，基线场景中的策略大多是通过使用的数据隐式定义的。这是因为，正如我们在历史数据中观察到的那样，创新传播的轨迹部分是由于现有的政策（例如，现有的交通政策或家庭激励措施）造成的，而我们对此没有任何信息，因此在模型中是隐式表示的。电力部门（FTT：电力模型）-上网电价-可再生能源平准化成本与现货价格之间的差额的100%，加上10-20%的额外奖励，以促进可再生能源的利用（仅风能和太阳能）。-直接补贴——高达投资成本的60%。到2050年逐步淘汰-所有地区的碳价格在2050年逐渐上升至500美元/吨二氧化碳（2008美元）-一些地区使用法规逐步淘汰或限制煤炭-启动碳捕获和储存生物能源（美国、中国、印度）。道路运输部门（FTT：运输）-标准-2017年，更高效的内燃机技术作为标准引入。-法规用于逐步淘汰旧的低效内燃机。-基于额定排放量的登记税，每超过最低排放类别的gCO2/km征收100美元/（gCO2/km）-燃油税，增加至0.50美元/升，2012年美元-公共采购-2020年在所有消费类别市场上推出的电动汽车-生物燃料混合授权，从当前水平开始，随着时间的推移而增加，2050年达到97%。

家庭供暖：-2020年燃油税为50EUR/tCO2，2050年增加到150EUR/tCO2-可再生供暖系统资本成本的50%补贴-启动低碳技术，在不同地区其他部门不存在-法规-中国在重工业的非电力应用中逐步淘汰煤炭，代之以电力。-根据航空法规，生物燃料混合物的年增长率预计为10%——全球家庭使用化石燃料供暖的年增长率预计为3%。4.2. 技术与扩散、达到2°C和达到2°C以及图5：FTT中的技术扩散：电力和FTT：与当前政策基线相比，2°C情景下的运输，以容量（GW）为单位。面板A-C按技术类型显示了电力部门的容量。面板C-F显示了车队的技术组成。G-H按部门显示燃料和工业总排放量。面板I）显示了GENIE1中使用的2100年排放趋势。A-D-G列显示FTT基线情况，B-E-H列显示2°C情况。面板G和F显示了以发电量为单位的2°C情景（1015瓦时和1012人公里）。此处未显示货运，包括作为燃料使用者的道路运输。为清晰起见，对电力和运输分类进行了汇总。图5显示了上述政策导致的技术扩散，包括电力部门的容量、TW和道路运输车辆。在第一列中，显示了“当前政策”基线，以及涉及低碳技术缓慢扩散的部门的发展。

特别是在电力部门，目前的技术构成基本保持不变，而在运输方面，效率较高的车辆（混合动力、天然气）逐渐取代效率较低的车辆。第二栏显示了上述政策对发电和运输的影响。技术传播速度加快，包括可再生能源发电和电动汽车运输。对于运输而言，在电动汽车开始大规模扩散之前，效率越来越高的汽车一波接一波地出现。这些变化导致了实质性的051015当前轨迹0510152OC政策场景010203040502OC政策场景2020 2030 2040 2050510152025020 2030 2040 20505101520252010 2020 2030 2040 20501020302000 2010 2020 2030 20400246810122020 2040 2060 2080 2100510152025发电能力（TW）发电量（PWh/y）车队（十亿辆车）行驶（Tpkm/y）燃料和工业排放（GtC）2050年后推算的二氧化碳总排放量基线2°C，线性推算2°C，指数推算2°C，指数（含0.5GtC残留物）B）C）D）E）F）G）H）I）PetrolAdv PetrolDieselAdv DieselhybridCNgelectricMotorcycles NuclearyAlcoal+CCSGasGas+CCSBiomasbiomas+CCSHHydrowindsolar&otherPower sector Energy Transferh Prod.Iron+SteelNon fer。金属计划（metalsChemicalsNon-metallicsOre extraction）食品+饮料文本（Food+DrinkText）+纸业（ClothPaper）+纸浆工程（PulpEngineering）其他行业建筑铁路运输公路运输航空运输其他运输业股东农业（riculturation）最终使用的非能源使用燃料使用量和排放量的变化，因为这些部门合计占二氧化碳排放量的60%以上。这些变化对经济的影响如下所示。第三列显示了该情景下的能源服务生成（以GWh/y和Tpkm/y为单位）。

所有部门贡献的结合导致大幅减排，足以达到全球变暖不超过2°C的70%以上。8这显示在图5的下一排面板中，图5给出了燃料用户的全球CO2排放量。该排放轨迹与GENIE1模型一起使用，以显示达到目标的可能性（见图4）。我们认为这与PA一致。图5中的面板I）显示了2050年以后的排放量是如何线性外推的。这是合理的，因为BECC的负排放量和正排放量的组合会导致线性趋势。然而，我们假设，一旦排放量达到零，碳价格将大幅下降，运营昂贵负排放的商业案例可能会变得缺乏竞争力，因此负排放将在2050年后很快停止。为了测试该外推的可靠性，我们提供了其他类型的外推：指数衰减到零排放，指数衰减到0.5 GtC的残余排放，反映出一些排放源可能难以消除。这将达到2°C的可能性从75%（线性）降低到70%（指数）和68%（0.5 GtC残余量），所有这些都达到了PA的目标。因此，我们预计任何其他类型的外推都不会导致错过目标。4.3. 为清晰起见，从59个地区到8个地区，从多个经济指标来看，低碳转型的经济学、of和a、2°C、情景、in和a、模拟、模型和图6：低碳转型的经济学。

在每个面板中，取与基准情景的差异，并以货币价值（面板a-c）或百分比变化（面板d-i）表示。气候政策导致化石燃料使用的急剧变化。它还要求不超过2.0°C的几率为8.75%，不超过2.04°C的几率为80%，中值为1.7°C-10-7.5-5-2.502.5-2000200400010030040005001000150005010150200-2-1012020 2030 2040 2050-4-20242020 2030 2040 2050-4-20242020 2030 2040 2050-6-4-2024a。投资b.ZF在低碳技术上的支出C。ZF气候政策收入d。电价e.就业f.出口G。消费h.价格指数i.GDPEuropeNorth Am。南Am。Cent AsiaSE AsiaEast ASIAOAPECAFRICAWorldDifference（十亿英镑）Difference（%）Difference（%）对清洁技术的投资，以及通过公共当局潜在的大量资金流动，为进行这项投资创造适当的激励。这对经济有重要影响，如图6所示。对经济的反馈有四种方式。首先，转型的成本由消费者通过提高能源服务相关价格，特别是电价来承担。较高的生产成本导致企业提高销售价格，这总体上导致家庭实际可支配收入较低。总的来说，这会减缓区域经济的发展。其次，对低碳技术、设备和基础设施的投资，源于总杠杆（公共和私人债务）的增加，增加了就业，从而增加了家庭收入。第三，ZF支出通常会刺激地区经济，而碳税或定价则会提高地区整体价格。

然而，每个地区的税收收入通常大于支出，并最终用于降低所得税，这可以增加家庭收入和消费。第四，化石燃料使用量的下降减少了化石燃料生产地区的出口和收入，减少了它们的收入，而逐步取消非生产地区的化石燃料进口则改善了它们的贸易平衡，提高了它们的收入。然而，这些影响的时间不是同时发生的。面板（a）以绝对不变欧元（参考年份=2000年）显示了与当前政策基线情景相比的投资变化。在能源需求不断增长的国家，低碳情景下的投资较高，但不一定在能源需求稳定的地区（例如，见[85]中的数据）。在能源需求不断增长的国家，公共支出是巨大的（b），尽管超过了碳税和定价收入的覆盖范围（c）。过渡成本部分由电力消费者通过较高的电价来承担，这弥补了发电成本（d）的增加，从而拖累了经济。然而，投资和建筑活动创造了就业机会（d），家庭可从中获得更多的可支配收入（f）。因此，尽管价格指数（h）有所上升，但消费仍会增加（g），GDP也会全面提高，这取决于所有因素的平衡。与此同时，在能源需求稳定的国家，变化相对较小。这不包括化石燃料生产国（如美国），因为化石燃料出口下降造成的损失大于低碳投资产生的收入。

图6中观察到的国家之间的差异可以解释如下。快速增长的经济体（如中国、印度、非洲）获得了更大的投资，因为高碳资产的快速增长轨迹被重新引导到快速增长的资本密集型可再生能源，从而导致就业、收入和GDP增长。然而，他们受到能源价格上涨的影响。与此同时，化石燃料出口国（如美国、欧佩克、俄罗斯）面临着大量化石燃料资产搁浅和投资下降的问题。化石燃料进口国（如欧盟、中国、印度、日本）从燃料支出的减少中受益匪浅。4.4. 由于本节给出的原因，与大多数现有IAM型号相比，E3ME-FTT-GENIE1 IAM与其他型号、能源型号和型号有很大不同。为了参考其他模型，我们引用了第27届能源建模论坛（EMF27）[86]、IPCC第5次评估报告（第三工作组[19]）和早期的FTT模型研究[4，59]。与其他模型的大多数差异最终可以归结为E3ME-FTT的模拟性质，因为大多数其他模型使用全系统成本/效用优化算法（社会规划师假设）。在技术扩散和构成方面，尤其是在可再生能源方面，EMF27显示了不同模型之间的巨大差异，这归因于许多因素【86，87】：技术成本、技术可用性、资源潜力、学习和电力系统集成。成本和资源潜力取决于数据源，因此预计会有变化。一些模型对技术的可用性有限制（例如，仅屋顶太阳能光伏），限制了解决方案的空间。只有一部分模型包含内生学习曲线。

电力系统集成约束通常包括为技术份额的固定限制（例如，太阳能和风能的最大30%），或包括为额外的集成成本。这里，作为一种扩散模型，FTT的功能截然不同。扩散速度受其自身历史的高度影响，因此扩散过程在增长过程中获得了巨大的动力，这是一个模型属性，我们用来根据最近的扩散数据预测当前的技术轨迹。这就解释了混合动力汽车和电动汽车在基准情景中的扩散，没有政策变化，其他模型中也没有，这主要是由于扩散发生在近代历史上，并且模型仅预测其延续性，隐含地假设当前政策得到维持。9此外，FTT具有学习曲线和完全内生电力系统稳定性约束。其他地方【59】所述的电力系统集成约束会根据系统的组成而变化。例如，这将可再生能源的扩散与灵活系统的扩散联系在一起，形成一种互惠互利的关系。此处给出的FTT结果与先前报告的同一模型的结果不同【4，59】。自发布以来，对该模型进行了几项改进：更高的区域分辨率、更高的政策分辨率以及更好的成本和自然资源数据。特别是，考虑到现有的争论，在最近的情景中，使用监管政策来限制生物能源和水电的使用增长，以将其保持在更现实的范围内[88]。此外，根据现有拟议的一揽子政策（尤其是在欧盟），对碳价格的依赖程度要低得多。

2008年至2014年更新了成本数据，在此期间，太阳能光伏和风能取得了惊人的进步，成本降低，大大改变了模型结果。我们注意到，我们的模型无法用2008年的数据完全预见这一点，这是预测技术市场的固有挑战的基础。示范区域分辨率也增加了三倍。4.5. EMF27和IPCC AR5的经济结果差异比技术系统更为重要，因为它们经常相互矛盾。在一般均衡模型中，投资受到可用资金量的约束，其本身与模型中假设的储蓄倾向参数有关，从而导致可用于投资的GDP的固定份额。这种均衡性质意味着，当脱碳需要高于基线的投资时，经济中其他地方会取消相同数量的投资（挤出），而建设总是会导致GDP损失【17】。从某种意义上说，这意味着GDP只能在高碳基线下达到最高，因此经济影响被严格表示为“缓解成本”，不包括负成本的可能性【19，86】。同时，在部分均衡模型中，系统成本是使用边际减排成本曲线下的面积获得的，其本身假设减排具有正成本。在所有模型中，报告的成本大致等于所需的投资金额。在E3ME-FTT中，基线场景在任何特定方面都不特殊，除非与当今世界相比，没有实施额外的政策。

这并不是一种能源系统成本或GDP必然更低，甚至投资更低的情况。E3ME的经济影响主要与金融和贸易影响有关：能源或其他价格、就业、投资和贸易平衡的变化。例如，可再生能源投资的财务成本通过电价转嫁给消费者。然而，投资可以创造就业。与一般均衡模型相反，E3ME不假设货币中性，而是对银行的货币创造进行建模。因此，对一个部门的投资不会抵消其他部门的投资，而是会带来更高的杠杆率（私人债务总额）。高于基准的投资通常会导致各部门的价格水平上升，以应对偿还债务的要求。较高的通货膨胀率导致较低的实际收入和支出（取决于工资反应），从而导致较低的GDP，但这种变化通常不会抵消投资刺激的积极影响。将金融部门纳入一般均衡模型可以提供类似的属性（尽管不是全部），正如GEM-E3-FIT所做的那样【17】。转型的速度与其总体目标相反，决定了E3ME中气候政策对大多数经济影响的大小，与其他模式相比10关键9之一指出，FTT的惯性不仅与年份效应（或营业额）有关，而且，假设技术可用性和可见性随着扩散状态的增加而增加。

10在标准均衡模型中，负GDP影响与低碳技术累计投资总额成比例，而在E3ME-FTT中，宏观经济影响随着技术变革的速度以及经济能够吸收这些变化的速度而产生。气候政策的不利影响是由于化石燃料资产搁浅，与化石相关的部门停止了产出，大量就业机会丧失。因此，虽然进口国看到了贸易平衡的好处，但当化石燃料需求下降时，出口国遭受了巨大的GDP损失。由于在E3ME中，金融在GDP中所占份额不固定，能源出口国投资需求不足无法通过价格变化和其他地区需求增加得到补偿，因此总体生产水平可能会大幅下降。4.6. 解构&a&篮子&of&Policys&for&2°C&由于E3ME-FTT具有广泛的减排政策选项板（第4.1节），因此任何政策篮子的特定组成都可能存在很大的不确定性。为了估计这种不确定性，有必要在许多变化较小的备用篮子下运行模型。请注意，许多篮子可以达到相同的排放目标，而且尚未充分探索全部政策空间。在这里，我们制作了一组50多个模拟来实现这一点，如SI所示。我们展示了当从2oC篮子中删除国家组中的政策组时，全球变暖是如何变化的（以80%的概率表示）。我们发现，碳定价是最重要的政策工具，但没有一个国家能够独自退出气候政策，从而将变暖幅度提高到2.7oC以上。

然而，这仅代表一个政策/地区的情况，而且由于模型是非线性的，因此删除更多与此无关。这是由于国家和政策相互作用的事实，如前面的工作所示[4]。还要注意的是，虽然碳税似乎激励了大部分脱碳，但从峰值变暖的角度进行评估时，这反映了电力部门在排放方面的主导地位；然而，如果没有其他政策，其他部门的技术构成不会发生实质性变化。4.7. 敏感性与分析：&技术与不确定性&E3ME-FTT是一个相对稳定的模型，我们的意思是它对输入数据的变化具有鲁棒性。模型不会生成阶跃更改或翻转。不稳定性可能是错误回归的结果，我们可以识别并消除这些错误回归。E3ME-FTT是一个路径依赖的动力学模型，具有很强的时间自相关，这意味着每个时间步都与前一个时间步有很强的相关性。该模型通过对其参数值的不确定性来表征固有的输出不确定性。由于它是一个动态模型，不确定性会在模拟时间跨度内累积，这意味着长期结果可能会因输入参数的微小变化而发生实质性变化（参见例[33]）。然而，这并不意味着模型在参数变化时是不稳定的。在FTT中，要使技术吸收率发生较大变化（吸收始终是连续的，变化平稳），平均感知成本的变化必须大大超过其相关分布的宽度（见图2）。如果没有，变化是难以察觉的。

在SI中，我们对FTT：功率和FTT：传输的八个参数进行了敏感性分析，其数量大致对应于成本分布的宽度。这些参数是指除政策外，排放量变化最大的参数。11我们发现，对于20%的成本变化，到2050年，技术份额的变化最多为20%。我们进一步展示了这些变异在E3ME中的传播，表达了GDP和就业的相关变化。从E3ME-FTT到GENIE 1的误差传播可以估计为E3ME中可能结果的传播与图4所示GENIE1结果的传播相卷积。4.8. 总结&政策制定&我们在此总结所学到的知识，以便更好地为决策提供信息。这里介绍的模型是一个描述性模型，而不是更常见的规范性模型。其有用性在于技术扩散模型与非均衡经济模型相结合的细节。对于决策而言，关键是该模式提供的高政策空间。例如，我们观察到，在这种模型结构中，大多数政策不能用11个其他参数来表达，而在气候政策分析中，这些参数可能会导致不确定性，即能源价格弹性和技术进步指标。这些因素不会影响技术组成，因此对排放的影响较小，此处不进行分析。碳价格等值的条件，因为政策相互影响。例如，在交通领域采用公共采购政策，启动电动汽车市场，使税收和补贴具有更强的效力。

另一个例子是，关于可以建立哪些发电技术的监管政策改变了碳价格的有效性。该模型的巨大政策空间以及政策之间的相互作用意味着不可能确定最佳战略，因为太多的政策框架可能导致相同的结果。例如，可以采取更具监管性的方法，也可以采取更基于市场的方法，并在减排方面取得类似的结果。这就是为什么该模型特别适用于详细政策包的影响评估，但不太适用于议程设置。我们在这里展示了模型中的特定一揽子政策如何能够实现符合《巴黎协定》的减排。然而，也可以确定其他达到类似结果的政策框架。5、结论：（蓝图（新的）角色（综合的）评估（m o dels（后巴黎（制定政策战略以实施《巴黎协定》是一个复杂的过程，需要反复尝试。然而，时间有限，决策者必须利用所有可用信息确保成功。政策周期需要对更广泛政策战略的每个组成部分进行详细评估，以获得足够的公众和政治支持。）我支持它成为法律。我们在这里提出了一种综合评估建模方法，这在许多方面都是第一种。它涉及经济、技术和气候系统的综合模型模拟，以及可用的最高政策工具定义。它可用于详细分析一篮子复杂的低碳政策可能产生的影响，并确定其实现气候目标等政策目标的能力。

我们强调，虽然对未来进行建模具有高度的不确定性，但这是唯一可用于为决策提供定量信息的方法。虽然结果的含义只能在其各自不确定性的背景下理解，但我们认为，使用简化模型来生成更简单的故事情节是不够的，可能会产生误导，相反，使用复杂的方法可以提高我们对现实的理解。同样，决策也不能简化为单纯的定价策略。政策工具的细节很重要，它们的分析取决于具体情况，在模型中必须越来越多地考虑这一现实。我们认为，该模型可以作为设计更好模型的蓝图，用于分析全球低碳政策的影响。致谢（所有作者感谢C-EERNG和剑桥计量经济学提供的一般学术和技术支持。JFM、HP、PS、JV、NRE和PH感谢英国研究委员会的资助：JFM感谢工程和物理科学研究委员会（EPSRC）的资助，研究金编号EP/K007254/1；JVM、PS和JV承认牛顿基金会的两项拨款，即EP/N002504/1（EPSRC）和ES/N013174/1（ESRC经济和社会研究委员会）。NRE和PH确认自然环境研究委员会（NERC）第NE/P015093/1号拨款。此外，PS承认来自Conicyt的资金。JFM和HP感谢欧盟委员会地平线2020 Sim4Nexus赠款和DG ENERGY提供的资金，AL感谢澳门大学的博士后奖学金。JFM承认H.de Coninck和M。

Grubb提供信息性讨论。参考文件（1，《巴黎协议》，2016年4月22日，第2（1）（a）条）。2015. 2.  Probst，G.和A.Bassi，《解决复杂性：决策者的系统方法》。2014年：绿叶出版社。3、欧盟委员会，更好的监管指南，见欧盟委员会报告。2015. 4.  Mercure，J.-F.等人，《技术扩散动态和气候政策工具对全球电力部门脱碳的影响》。能源政策，2014年。73：第686-700页。Knobloch，F.和J.-F.Mercure，《绿色技术投资的行为方面：异质主体背景下的一般积极模型》。环境创新和社会转型，2016年。21：第39-55页。6、Lam，A.，利用技术变革的动态模型，模拟政策激励对乘用车和摩托车全球CO2排放量的影响。剑桥大学博士论文，2017年。7、Mercure、J.-F.和A.Lam，《消费者选择政策对六个主要经济体私人道路客运减排的有效性》。《环境研究快报》，2015年。10（6）：第064008页。Mercure，J.-F.等人，对异构代理的复杂系统进行建模，以更好地设计可持续性过渡政策。2016年全球环境变化。37：第102-115页。9、McCollum，D.L.等人，《改进全球综合评估模型的行为真实性：消费者车辆选择的应用》。交通研究D部分：交通与环境，2016年。10、Pettifor，H.等人，《替代燃料汽车全球扩散中的社会影响——荟萃分析》。《交通地理杂志》，2017年。62：第247-261页。11、Pettifor，H.等人，《模拟全球低碳汽车转型中的社会影响和文化差异》。2017年全球环境变化。47：第76-87页。

Wilson，C.、H.Pettifor和D.McCollum，《改善全球气候变化缓解综合评估模型的行为现实主义：研究议程》。2015年第3.2号提前项目交付成果。Edenhofer，O.等人，《低稳定经济：缓解策略和成本的模型比较》。《能源杂志》，2010年：第11-48页。IPCC，《缓解气候变化》。第三工作组对政府间气候变化专门委员会第五次评估报告的贡献。剑桥大学出版社，英国剑桥和纽约，2014年。斯特恩，N.H.，《气候变化经济学：斯特恩评论》。2007年：剑桥大学出版社。16、剑桥计量经济学、ECN、EY、SQ Consult和Wuppertal Institut的最终报告《欧盟委员会，能源效率的宏观经济和其他效益》。2017. 17.  Mercure，J.等人，《政策诱导的能源技术创新和低碳经济增长融资》。能源和气候政策的宏观经济学研究。，在欧盟委员会的报告中。2016. 18.  Pollitt，H.和J.-F.Mercure，《货币和金融部门在用于评估气候和能源政策的能源经济模型中的作用》。气候政策，2017年：第1-14页。19、Clarke，L.等人，《第6章：评估转型路径》，2017年气候变化，第三工作组，政府间气候变化专门委员会第五次评估报告。2014. 20.  Mazzucato，M.，创业国家。测深，2011年。49（49）：第131-142页。Hottenrott，H.和S.Rexh"auser，《政策诱导的环境技术和创新努力：是否存在排挤？工业与创新，2015年。22（5）：第375-401页。波普，D.和R.纽厄尔，能源研发从何而来？审查能源研发的挤出。能源经济学，2012年。34（4）：第980-991页。23、Leaton，J.和L。

Sussams，《不可燃烧的碳：世界金融市场是否存在碳泡沫？》？，在碳追踪计划中。2011. 24.  Sussams，L.和J.Leaton在英国伦敦皇家学院格兰瑟姆研究所（GranthamInstitute at Imperial College London）发表了《期待意外：低碳技术的破坏力》（Expected the Unexpected:the Distributive Power of Low carbon Technology），该研究所位于伦敦。2017. 25.  Battiston，S.等人，《金融系统的气候压力测试》。《自然气候变化》，2017年。7（4）：第283-288页。26.Carney，M.，《打破地平线气候变化和金融稳定的悲剧》，9月在伦敦劳埃德船级社发表演讲。2015. 27.  英国审慎监管局（Prudential Regulation Authority）的报告中提到了英国央行（Bank of England），气候变化对英国保险业的影响。2015. 28.  凯恩斯，J.M.，概率论。1921年：快递公司。斯基德尔斯基，R.，凯恩斯：《大师的归来》（平装本）。纽约：公共事务，2010年。基恩，S.，揭穿经济学：裸体皇帝被废黜？2011年：Zed图书有限公司31。Morgandi，T.和J.Vinuales，《能源政策的法律方面》，《寻找良好的能源政策》，M.Pollitt等人，编辑。2018年，剑桥大学出版社出版。32、Grubb，M.、J.-C.Hourcade和K.Neuhoff，《行星经济学》。2014年：劳特利奇·阿宾顿。33、Arthur，W.B.，竞争性技术、收益递增和历史事件锁定。《经济杂志》，1989年。99（394）：第116-131页。Arthur，W.B.和D.A.Lane，《信息传染》。《结构变化和经济动态》，1993年。4（1）：第81-104页。Rogers，E.M.，创新的传播。2010年：西蒙和舒斯特。36、欧盟委员会，《影响评估，2020年至2030年期间气候和能源政策框架》{COM（2014）15 final}{SWD（2014）16 final}，见欧盟委员会报告。2014. 37.  Barker，T.等人，《缩小2020年排放差距的政策对GDP和就业的影响》。气候政策，2016年。

16（4）：第393-414页。Kober，T.等人，《拉丁美洲减缓气候变化的宏观经济影响：跨模型比较》。能源经济学，2016年。56：第625-636页。Pollitt，H.等人，《欧盟未来气候政策对就业影响的宏观经济分析》。气候政策，2015年。15（5）：第604-625页。Pollitt，H.等人，《日本未来发电组合的经济和环境评估——使用E3MG宏观经济计量模型的评估》。能源政策，2014年。67：第243-254页。41、欧盟委员会，影响评估，欧洲议会和理事会关于修改2012/27号指令/欧盟关于能源效率的指令的提案{COM（2016）761 final}{SWD（2016）406 final}。欧盟委员会报告，2016年。42、IRENA，《能源转型前景：低碳能源系统的投资需求》。IRENA报告，2017年。剑桥计量经济学，E3ME模型。2017. 44.  Engle，R.F.和C.W.Granger，《协整和误差修正：表示、估计和检验》。计量经济学：计量经济学学会杂志，1987年：第251-276页。Hendry，D.F.、A.R.Pagan和J.D.Sargan，《动态规范》。《计量经济学手册》，1984年。2： 第1023-1100页。Lavoie，M.，后凯恩斯主义经济学：新基础。2014年：Edward Elgar出版社。Lucas，R.E.《计量经济政策评估：批判》。在卡内基罗切斯特公共政策系列会议上。1976年，爱思唯尔。48、Kirman，A.P.，代表个人代表谁或代表什么？《经济展望杂志》，1992年。6（2）：第117-136页。McLeay，M.、A.Radia和R.Thomas，《现代经济中的货币：导论》。2014. 50.  McLeay，M.、A.Radia和R.Thomas，《现代经济中的货币创造》。2014. 51.  凯恩斯，J.M.，就业、利息和货币的一般理论。1936年：帕尔格雷夫·麦克米伦。52

Ekins，P.等人，《欧洲环境税改革（ETR）对家庭的影响》。生态经济学，2011年。70（12）：第2472-2485页。Ekins，P.等人，《通过环境税改革提高碳和材料生产率》。能源政策，2012年。42：第365-376页。Seung Joon，P.等人，《东亚经济体环境税改革的双重红利》。《东亚低碳、可持续的未来：改善能源系统、税收和政策合作》，2015年：第121页。《时尚、时尚与选择的流行：非均衡消费者理论的微观基础》。arXiv:1607.041552017。56、Grübler，A.、N.Naki'cenovi'c和D.G.Victor，《能源技术动态与全球变化》。能源政策，1999年。27（5）：第247-280页。Mercure，J.-F.等人，《作为一门实证科学的综合评估建模：对道路运输中的政策影响进行建模，以实现远低于2摄氏度的气候目标》。arXiv:1702.04133，2017.58。Hofbauer，J.和K.Sigmund，《进化博弈和种群动力学》。1998年：剑桥大学出版社。Mercure，J.-F.，《FTT：电力：导致技术变革和自然资源枯竭的电力部门全球模型》。能源政策，2012年。48：第799-811页。Mercure，J.-F.，技术变革的年龄结构人口统计学理论。进化经济学杂志，2015年。25（4）：第787-820页。Ben Akiva，M.E.和S.R.Lerman，《离散选择分析：旅游需求的理论和应用》。第9卷。1985年：麻省理工学院出版社。62、Domencich，T.A.和D.McFadden，《城市出行需求——行为分析》。1975. 63.  Geels，F.W.，作为进化重构过程的技术转型：多层次视角和案例研究。研究政策，2002年。31（8）：第1257-1274页。64、Mercure，J.-F.和P。

Salas，关于不可再生资源的全球经济潜力和边际成本以及能源商品的价格。能源政策，2013年。63：第469-483页。Mercure，J.-F.和P.Salas，《全球能源经济潜力评估》。能源，2012年。46（1）：第322-336页。Holden，P.等人控制着海洋δ13 C DIC的空间分布。生物地球科学，2013年。10（3）：1815-1833页。Holden，P.B.等人，《基于模型的二氧化碳施肥约束》。生物地球科学，2013年。10（1）：第339-355页。Zickfeld，K.等人，《长期气候变化承诺和可逆性：主位相互比较》。《气候杂志》，2013年。26（16）：第5782-5809页。Foley，A.等人，《综合评估框架中的气候模型模拟：电力部门缓解政策的案例研究》。地球系统动力学，2016年。7（1）：第119页。Edwards，N.R.和R.Marsh，《高效三维海洋气候模型中运输参数敏感性引起的不确定性》。气候动力学，2005年。24（4）：第415-433页。Fanning，A.F.和A.J.Weaver，《大气能量-水分平衡模型：气候学、跨世纪气候变化以及与海洋环流模型的耦合》。地球物理研究杂志：大气，1996年。101（D10）：第15111-15128页。Weaver，A.J.等人，《UVic地球系统气候模型：模型描述、气候学以及对过去、现在和未来气候的应用》。大气海洋，2001年。39（4）：第361-428页。Semtner Jr，A.J.，气候数值研究中海冰热力学增长的模型。《物理海洋学杂志》，1976年。6（3）：第379-389页。Hibler III，W.，一个动态热力学海冰模型。《物理海洋学杂志》，1979年。9（4）：第815-846页。75

Ridgwell，A.等人，《全球生物地球化学循环有效地球系统模型中的海洋地球化学数据同化》。生物地球科学，2007年。4（1）：第87-104页。安南，J.和J.哈格里夫斯，《采用迭代重要性抽样法在物理/生物地球化学海洋模型中有效识别海洋热力学》。海洋建模，2010年。32（3）：第205-215页。Doney，S.C.等人，《稳定的1000年全球耦合气候-碳循环模拟中的自然变异性》。《气候杂志》，2006年。19（13）：第3033-3054页。Ridgwell，A.和J.Hargreaves，《地球系统模型中深海沉积物对大气CO2的调节》。全球生物地球化学循环，2007年。21(2). Williamson，M.等人，《地球系统建模的有效地面数值方案（ENTS）》。生态建模，2006年。198（3）：第362-374页。Eby，M.等人，《历史和理想化气候模型实验：中等复杂度地球系统模型的相互比较》。《过去的气候》，2013年。9（3）：第1111-1140页。Vuuren，D.P.等人，RCP2。6： 探索将全球平均气温升高保持在2℃以下的可能性。气候变化，2011年。109（1-2）：第95-116页。Riahi，K.等人，RCP 8.5——相对较高温室气体排放的情景。气候变化，2011年。109（1-2）：第33页。Holden，P.等人，PLASIM ENTSem v1。0：用于影响评估的未来气候变化时空模拟器。地球科学模型开发，2014年。7（1）：第433-451页。Holden，P.B.等人，PLASIM–GENIE v1。0：一种新的中间复杂度AOGCM。地球科学模型开发，2016年。9： 第3347-3361页。国际能源署，《世界能源展望》。2016年：经合组织/国际能源署。Kriegler，E.等人，《技术在实现气候政策目标中的作用：EMF 27全球技术和气候政策战略研究概述》。气候变化，2014年。

123（3-4）：第353-367页。Luderer，G.等人，《可再生能源在气候稳定中的作用：EMF27情景的结果》。气候变化，2014年。123（3-4）：第427-441页。88、Fuss，S.等人，押注于负排放。《自然气候变化》，2014年。4（10）：第850-853页。(（采用基于模拟的综合评估模型E3ME-FTT-GENIE在线补充信息对气候变化政策进行环境影响评估Jean-Francois Mercure1,2,3，Hector Pollitt2,3，Neil R.Edwards4，Philip B.Holden4，Unada Chewpreecha2，Pablo Salas3，Aileen Lam3,5，Florian Knobloch1和Jorge E.Vinuales3 1荷兰拉德堡大学环境系荷兰奈梅根拉德布大学科学院，邮政信箱9010，6500 GL 2剑桥经济计量有限公司，剑桥CB1 HT考文特花园，英国3剑桥大学环境、能源和自然资源治理中心（C-EENRG），剑桥大学，19 Silver Street，Cambridge CB3 1EP，英国4环境、地球和生态系统，开放大学，英国5米尔顿凯恩斯经济系，澳门大学社会科学学院，人文社会科学大楼，E21，Avenuida da Universidade，Taipa，Macao，China电子邮件：J。Mercure@science.ru.nl详细（模型（信息）和（灵敏度（分析）（1.1.Basic）（模型（信息）（E3ME和FTT是时间步长路径相关的仿真。FTT作为离散非线性微分方程（有限差分方程）运行，其中每个步骤都是从前一个时间步长计算出来的。为了避免混沌动力学，FTT中的时间步长必须比建模的变化速度小得多。我们根据经验发现，使用季度时间步长足够短，可以避免混沌动力学，同时保持模拟时间可控，而不会严重损失准确性。

E3ME的功能与FTT略有不同，因为它使用每年的时间步长，并具有错误纠正过程[1，2]。换言之，一旦计算了一年，一个长期方程会估计每个计量经济学方程下一年的值，并使用同一方程的短期版本进行迭代求解（参见E3ME手册[3]）。E3ME和各种FTT模块迭代求解。FTT模块的时间步长通常比E3ME短，因此在向E3ME报告价格和投资价值之前，先运行其微分方程，然后再向E3ME提供需求值。通过E3ME的迭代过程，所有计量经济学方程都用所有FTT模型求解，一旦值的变化保持在一定范围内（需要50-100次迭代），迭代就会停止。因此，FTT和E3ME计量经济学方程是真正动态关联的。GENIE1模型使用软链接与E3ME-FTT链接，因为目前我们的计算能力无法与E3ME-FTT同时动态运行GENIE1。然而，由于气候中的时间尺度比经济中的时间尺度长得多，因此不需要在模型之间每年反馈一次反馈，事实上，软耦合的使用足够精确。即使在我们将一些有限的气候反馈纳入经济的情况下（一个完整的模型周期；例如，通过气候对农业的影响，回归到气候），我们预计模型之间相对较少的迭代次数将足以获得收敛，从而仍然支持使用软耦合。然而，在研究具有强烈反馈的问题时，例如森林砍伐（例如：。

在亚马逊），经济通过水循环的变化与气候直接互动；在这种情况下，E3ME-FTT需要与GENIE1一起动态运行，这需要大量的额外工作。E3ME-FTT-GENIE1目前尚未公开下载；然而，为了读者的兴趣，可以与作者合作使用该模型。原因如下。首先，培训用户需要大量的资源，以及用户的大量投入（成为开发人员通常需要半年以上的经验，剑桥计量经济学为轻度用户提供为期一周的课程）。其次，模型体积庞大，难以传递给用户；GENIE1在大学集群上运行。我们建议感兴趣的读者联系我们hp@camecon.com（H.Pollitt），J。Mercure@science.ru.nl（J.-F.Mercure）和/或Phil Holden（philip。holden@open.ac.uk).  1.2. 灵敏度（分析）和不确定性（传播（E3ME-FTT（我们在此分析了不同FTT技术参数引起的敏感性，以及它们如何在所有反馈中传播到E3ME和反馈到FTT。我们改变了我们认为在这两种情况下改变化石燃料消耗量和排放量的关键参数。结果如下表1-2所示。我们改变了技术成本、消费者（运输）和公司（发电）折扣率、学习率、非金钱成本（运输）和燃烧车辆的燃油效率（运输）。在这两种情况下，结果都表示为特定数量相对于其原始值的百分比变化。

我们发现，当参数的变化值为20%（成本）或5%（折扣/学习率）时，2050年的技术份额变化相对较小。2oC情景下的数值变化小于基线，这反映了气候政策提供的相对稳定性（例如，参见太阳能光伏的份额）。这证明了E3ME-FTT模型的可靠稳定性。请注意，这些变化仅在2017年至2050年间逐渐出现。E3ME-FTT是一个非线性模型，它会随着时间的推移“累积”差异，随着模拟时间的延长，差异会变得很大。然而，如表1-2所示，这仍在合理范围内。我们探讨了这些技术参数变化对宏观经济的影响。我们使用2017年至2050年间累计的GDP和就业作为指标。失业的累积变化可以解释为创造就业机会或失业。变化保持在1%或以下。请注意，考虑到电力和道路运输只占GDP的相对较小的一部分，全球GDP变化1%是一个相对较大的生产量。美国GDP受到的影响比中国或欧盟更大，主要是因为化石燃料生产的损失。使用变化平方和的根（假设概率相等），给出了不同情景下的组合不确定性。在气候政策分析中，可能导致不确定性的其他参数是能源价格弹性和技术进步指标。这些参数的不确定性对于计算GDP可能很重要，但对于排放量来说则不太重要。

请注意，随着能源价格的上涨，能源需求的减少部分源于对能源效率的内生投资，而这并不取决于能源价格的弹性。对这些参数进行全面的敏感性分析是一项实质性的工作，超出了当前工作的范围。1考虑到累积排放量的微小变化，气候模式不会改变，E3ME-FTT和GENIE1之间在峰值变暖方面的不确定性传播很容易评估。因此，通过将表1-2中给出的值的分布与正文图4中给出的值的分布进行卷积，可以将表1-2中给出的值的分布转化为峰值变暖变化。1.3。改变（一揽子）政策（我们改变了正文中讨论的一篮子政策，以检查每个项目的作用。这项工作仅涵盖广泛的政策组和国家组；深入分析超出了本文的范围，因为它可以单独发表。在这项分析中，进行了50多个模拟，其中每个政策工具组都是ken在每个区域组都有发言权。政策组包括碳税/价格（表示为“税”）、道路运输（“RT”）、公共资助的能效（“EE”）、家庭供暖（“Heat”）和法规（“Reg”）。图1显示了对峰值变暖的影响，以80%的概率表示。1 E3ME具有数万个计量经济学回归参数，这是由于其高度的分解。我们估计，像我们为GENIE1所做的那样，进行全面的敏感性分析需要几十年的CPU时间，甚至可能长达300年。

为了完成这项任务，需要开发一种有效的统计方法，同时选择要分析的参数子集。当前政策参数var%REN%PV%EV%ADV%FF%GDP GL%EMP GL%GDP US%GDP CN%GDP EU%Power generation REN capital costs+20-7.36-11.30.050.020.030.040.10REN capital costs-208.2515.9-0.03-0.01-0.07-0.01-0.03 REN learning+58.8631.90.030.010.050.040.05REN learning-5-7.87-26.40.030.01-0.020.08贴现率+53.9651.10.10 360.091.080.450.06折扣率-58.29-13.3-0.10-0.04-0.57-0.230.13道路运输感知成本+200.603.08-5.510.611.210.090.010.300.050.02感知成本-20-0.53-2.3815.0-3.33-0.48-0.08-0.26-0.03-0.03学习率+50.321.933.503.55-7.420.010.020.060.03学习率-50.030.07-10.1-2.999.18-0.01-0.03-0.01折扣率+10-0.02-0.046.89-0.89 01-2.78-0.02-0.09-0.010.01贴现率-100.432.21-8.940.203.310.040.110.020.03EV成本+20-0.48-2.77-9.481.740.92-0.010.05-0.01-0.08EV成本-200.050.288.44-1.56-0.800.01ADV燃料效率+20ADV燃料效率-20均方根18.6670.1125.676.2112.690.400.101.290.510.23表1：当前政策情景中关键技术参数的敏感性分析结果，表示为情景中原始值的百分比变化。缩写：REN=可再生能源+核能的份额，PV=太阳能光伏的份额，EV=电动汽车的份额，ADV=新型高效燃烧汽车的份额，FF=常规燃烧汽车的份额，GDP GL=全球GDP，EMP GL=全球就业，GDP US，CN，EU=美国、中国和欧盟成员国的GDP之和。2050年采用技术参数。

GDP和就业值在2017年至2050年期间累计。2°C情景参数Var%REN%PV%EV%ADV%FF%GDP GL%EMP GL%GDP US%GDP CN%GDP EU%Power Generation REN资本成本+200.114.020.030.090.030.01REN资本成本-20-0.19-5.29-0.01REN学习+5-0.20-2.550.010.02REN学习-50.231.740.060.03-0.04贴现率+5-3.097.200.050.410.22贴现率-53.62-8.51-0.02-0.020.15-0.05道路运输感知成本+20-0.01-0.60-3.370.299.60-0.03-0.010.070.01-0.14感知成本-20-0.050.2911.9-8.47-18.30.020.020.07学习率+5-0.170.88-0.08-7.93-0.03-0.01-0.01-0.08学习率-5-0.13-0.252.24-8.934.950.020.05-0.010.04折扣率+10-0.18-0.239.80-0 12.8-5.780.020.010.04-0.010.04贴现率-100.100.27-10.511.74.70-0.02-0.010.030.01-0.04EV成本+200.010.01-2.301.160.07-0.01EV成本-20-0.01-0.012.55-1.260.190.01ADV燃油效率+20-0.020.12-0.560.41-2.48-0.03-0.01-0.01-0.07ADV燃油效率-200.02-0.110.77-0.486.750.040.040.010.07均方根4.7813.3619.4821.3524.930.180.060.470.230.21情景组合19.2671.3732.2322.970.440.121.380.560.31表2：2°C情景下关键技术参数的敏感性分析结果，表示为场景中原始值的百分比变化。相同的缩写。图1：政策篮子要素对实现2oC目标的影响。当以80%的概率计算时，垂直量指的是峰值升温（根据GENIE1模拟，80%时的2.04oC相当于73%时的2.00oC。请注意，我们使用0.0019oC/tC来产生峰值升温的变化）。CN=中国，RW=不包括指定区域的其他发展中国家，IN=印度，US=美国，RA=附件1中不包括指定区域的其他国家，EU=欧盟，RS=俄罗斯联邦。1.4.

计量经济学（E3ME）中（用于指定方程函数形式的计量经济学技术是协整和误差修正方法的概念，尤其是Engle和Granger[1]以及Hendry等人[2]提出的概念.  简而言之，这个过程包括两个阶段。第一阶段是水平关系，在此基础上，试图确定所选变量之间是否存在协整关系，这些变量是根据经济理论和先验推理选择的，例如，对于就业需求，变量列表包含实际产出、实际工资成本、工作时数和技术进步指标。如果存在协整关系，则第二阶段回归为误差修正表示。它涉及第一阶段所有变量的动态第一次差分回归，以及因变量的滞后、外生变量的滞后差分和误差修正项（第一阶段回归的滞后残差）。然而，由于数据大小的限制，第二阶段只包括每个变量的一个滞后。对levels方程的残差进行平稳性检验，以检查是否获得了协整集。由于模型的大小，方程是单独估计的，而不是通过协整VAR。对于这两种回归，使用的估计技术都是工具变量，主要是因为许多关系的同时性，例如工资、就业和价格决定。使用的工具是前一年的数据，这是时间序列计量经济学的标准方法。我们在图2中以绝对值显示了当前轨迹和2C场景的预测，即。