一種能源消費結構與碳排放預測的方法研究

摘" 要：以我國能源消費結構的歷史數據為對象，提出了一種應用二階弱化算子的GM（1，1）模型和馬爾可夫鏈模型相結合的組合模型來對我國未來的能源消費結構與碳排放進行預測的方法。文章通過對能源消費結構中各類能源歷史數據的分析和碳排放轉換，應用二階弱化算子的GM（1，1）模型對能源消費總量進行預測，并在此基礎上，以2005年為基準年，建立能源消費結構占比的馬爾可夫鏈轉移矩陣，實現對能源消費結構和碳排放進行有效預測。實驗結果表明，應用灰色-馬爾可夫鏈組合模型不僅可有效預測我國制定的能源消費結構與碳排放的減排目標的可行性，而且也可為保障國民經濟的持續、穩定和健康發展，以及調整新的能源結構與制定相關政策等提供有益的預測手段。

關鍵詞：能源消費結構;灰色GM（1，1）模型;馬爾可夫鏈;碳排放

中圖分類號：F206" " " " "文獻標志碼：A" " " " "文章編號：2095-2945（2021）13-0001-07

Abstract： Taking the historical data of China's energy consumption structure as an object， a combination model combining a Grey Model（1，1）[GM（1，1）] of the second-order weakening operator and Markov chain model is proposed to analyze China's future energy consumption structure and predict carbon emissions. In this paper， through the analysis of various energy historical data in the energy consumption structure and the conversion of carbon emissions， the GM（1，1） of the second-order weakening operator is used to predict the total energy consumption， and then taking 2005 as the benchmark year， the Markov chain transfer matrix of the proportion of energy consumption structure is established to achieve effective prediction of energy consumption structure and carbon emissions. The experimental results show that the application of the Grey-Markov chain model can not only effectively predict the feasibility of China's energy consumption structure and carbon emission reduction， but also provide a useful prediction method for ensuring the sustainable， stable and healthy development of the national economy， as well as adjusting the new energy structure and formulating relevant policies.

Keywords： energy consumption structure; Grey Model（1，1）[GM（1，1）]; Markov chain; carbon emission

自我國實行改革開放以來，經濟發展不斷取得較快增長。目前，中國的GDP已從1978年改革初的約為0.1495萬億美元增長到2019年約14.4萬億美元。但在提高廣大居民生活水平和提升我國的綜合國力及國際影響力的同時，也帶來了一系列問題。比如能源短缺、環境污染、土地資源破壞、CO2排放量大幅增加和氣候變暖等，已成為中國經濟是否可持續、穩定發展的瓶頸之一。其中，較為突出的問題是中國每年的CO2排放量大幅增加，這不僅會引起自然事件災害的頻繁發生，而且其產生的碳排放量也日益成為國際社會共同關注的焦點問題之一。為此，較好地預測CO2排放量，對于輔助國家制定碳排放立法、優化調整產業和能源結構、掌握碳排放量增長趨勢、提高技術創新等，都將具有重要的現實與實踐意義。

在碳排放預測方面，國內外學者已開展了許多研究，并取得了一些豐碩的研究成果。如：碳排放測算已有的經典模型有LMDI[1]分解法、Kaya模型[2]、CGE模型[3]、生產函數理論[4]，以及協整檢驗與馬爾科夫鏈結合[5]等。這些模型或方法均可為未來碳排放量的測算與預測提供有效的理論分析與可行驗證。但它們仍存在不夠完善、預測精度不高等[4]問題。為此，以國家統計局統計年鑒公布的歷史數據為基礎，通過對其石化能源消費量轉換的CO2排放量數據的分析，應用二階弱化算子的GM（1，1）模型來預測能源消費總量，用馬爾可夫鏈對未來我國的能源消費結構進行預測。

1 能源消費結構分析與碳排放計算

1.1 能源消費結構分析

我國的一次能源消費結構主要由煤炭、石油、天燃氣和一次電力及其它（包括水電、核電和風電）等組成。根據國家統計局中國統計年鑒信息[6]顯示，2000-2018年的能源消費結構占比與能源消費總量的變化情況，如圖1所示。

圖1中，條狀為能源消費總量并包含各類能源消費量的顯示，曲線為各類能源在消費總量中的比重或占比顯示。從圖中可以看出，隨著我國經濟的發展，對能源消費的需求大幅增加。但我國的能源消費結構仍以煤炭為主，石油消費占比基本穩定，天然氣消費占比在逐步緩慢增加，水電、核電、風電等非化石能源消費占比仍然較小。近年來，雖然煤炭消費有所下降，但其消費占比仍然維持在60%以上。如果按這種比重繼續發展，顯然很難實現我國的減排目標。因此，我國目前推出和制定的清潔、集約和高效的能源消費結構與低碳排放策略，不僅有利于保持我國國民經濟的穩定增長，而且對于解決目前的能源短缺、環境污染和氣候變暖等問題也將起著重要的作用。

1.2 碳排放計算

化石燃料的燃燒是溫室氣體排放的主要原因。目前，大多文獻[7-10]是通過碳排放系數來測算CO2排放量的。這里也采用行業通用的計算方法，以目前被廣泛使用的能源：煤炭、石油、天然氣和非石化（一次電力和其他）能源的一次能源來估算能源的碳排放量。計算公式[7]為：

式中，C為碳排放量;E為能源消費總量;Si為第i種能源消費在能源消費總量的比重或占比;44和12分別為CO2和碳的分子量;Ki為第i種能源的碳排放系數，其值可按國家發改委能源研究所推薦的碳排放系數，對煤炭、石油、天然氣、非石化能源的CO2排放系數分別取為：0.7476、0.5825、0.4435和0。

2 能源消費總量的D2GM（1，1）預測模型

GM（1，1）模型是灰色系統理論中常用的一種灰色預測模型，可用于單個時間序列的動態預測。它具有弱化數據序列隨機性、發掘系統演化規律的獨特功效，并對一般模型具有很強的融合力和滲透力。但由于傳統的GM（1，1）模型具有較強的指數規律，一般在非單調擺動發展序列中存在預測誤差大的問題。所以，為了提高預測精度的準確性，采用二階弱化算子D 2的GM（1，1）預測模型[11]，來對隨機波動的能源消費總量序列進行預測。

假設能源消費總量已建立了n年的歷史檔案，其實際值序列為：

，（2）

令 ，

，

其中

這里，k=1，2，...，n。則按GM（1，1）模型對X（0）D 2累加生成1-AGD序列：

，" " "（5）

其中

作X （1）的緊鄰均值生成序列Z （1）：

， （6）

這里 。

由此建立如下的白化微分方程：

按最小二乘法可得參數" " " " "的估計

可得（7）式微分方程的解

和一步預測公式

或

上述公式稱為二階弱化算子D 2的GM（1，1）預測模型的基本公式，記為D2GM（1，1）。

3 能源消費結構的馬爾科夫鏈預測模型

3.1 馬爾科夫鏈

馬爾可夫鏈是指在事件發生過程中，任意狀態的轉移僅與前一時刻的狀態有關，與歷史的狀態無關，未來的狀態也只與當前狀態有關的隨機過程，其無后效性的特點使得在分析過去與未來關聯性不強的事件中變得簡單，易于理解。顯然，能源消費結構的狀態轉移也具有馬爾可夫鏈的無后效性特點。

設隨機變量序列{Xt，t∈T}，滿足對于任意的xt∈S，t∈T={0，1，2，…}，其中，S為狀態空間，隨機變量可以是離散的，也可以是連續的，有

則稱{Xt，t∈T }為馬爾科夫鏈或馬爾可夫過程[12]。記pij=（Xt=i|Xt-1=j）為具有n個狀態的馬爾可夫鏈在時刻（t-1）處于狀態j轉移到時刻t狀態i的轉移概率，且滿足pij？叟0， pij=1，則稱矩陣為馬爾可夫鏈的一次轉移概率矩陣。

3.2 馬爾可夫鏈預測模型

設馬爾可夫鏈系統初始狀態的概率向量為S（0）=（p1（0），p2（0），…，pn（0）），則當轉移概率矩陣P不變時，由Chapman-Kolmogorov方程可得系統經過k步狀態轉移后的狀態[13]為：

。（13）

通常，上式中的P用k步狀態轉移后的平均轉移矩陣代替，即：

當轉移概率矩陣P變化時，則系統從初始狀態S （0）經過k步狀態轉移后的狀態為：

顯然，馬爾可夫預測作為一種預測隨機過程的變化規律的技術，用其方法對能源消費結構狀態的現狀和未來變化趨勢進行預測，具有可行性。

4 轉移概率及轉移矩陣的計算

假設{Xt，t∈T}為有n個狀態的隨機過程，則馬爾可夫預測系統的狀態轉移概率，可按如下規則[14-15]確定：

（1）當系統從t時刻轉移到t+1時刻時，對能源消費結構而言，如果某種能源消費的占比份額不變或增加，則表明該能源消費的占比在狀態轉移過程中不會向其他能源占比轉移，或者說其他能源占比也不能從該能源消費轉移中吸收到額外的占比，故設定該能源消費占比的轉移概率為1，其他能源消費的轉移概率為0;

（2）當某能源消費結構的占比從t時刻轉移到t+1時刻減小時，表明該能源消費的占比在狀態轉移過程中將向其他能源消費占比轉移，則該能源消費的占比保留概率的計算可按該能源t+1時刻的占比/t時刻的占比。

于是，對于具有n個狀態的隨機過程{Xt，t∈T}，可得系統能源結構從t時刻到t+1時刻的一步轉移概率矩陣為：

其中，pi→j（t）表示能源i從t時刻到t+1時刻轉到能源j的狀態轉移概率，i，j=1，2，...，n。

若設能源i在t時刻的消費占比值為Ai（t），在t+1時刻的消費占比值為Ai（t+1），則：

當Ai（t）？燮Ai（t+1）時，表明該i能源的消費份額不變或增加，則其保留概率為1，其他能源吸收的轉移概率為0，即：pi→i（t）=1，pi→j（t）=0，j=1，2，…i-1，i+1，…，n。

當Ai（t）gt;Ai（t+1）時，表明該i能源的消費份額減少，其減少的份額將會轉移給其他能源;或者說i能源概率將減小，減小的概率將會被其他能源轉移概率吸收。即：

若？駐Aj（t）？燮0，則pi→j（t）=0;若？駐Aj（t）gt;0，則：

其中，？駐Aj（t）=Aj（t+1）-Aj（t），j=1，2，…，i-1，i+1，…，n。

5 能源結構和碳排放預測

5.1 數據來源

以《中國統計年鑒》發布的數據為對象，選取2005-2018年全國一次能源消費總量、能源消費結構中的各類能源（煤炭、石油、天然氣、一次電力及其他能源）占能源消費總量的比重數據，如表1所示。

表1中，碳排放量項中的數據是根據能源消費總量、各類能源消費占比，由公式（1）計算得出。

5.2 預測結果分析及建議

5.2.1 D2GM（1，1）模型的能源消費總量預測

以2005-2015年能源消費總量的歷史數據為對象，分別用傳統的GM（1，1）模型和D2GM（1，1）模型對2016-2018年的能源消費總量進行預測，其結果為：

由表2可知，D2GM（1，1）模型比傳統的GM（1，1）模型的預測精度高，說明應用D2GM（1，1）模型預測的效果是有效、可行的。同時，從表2中也可看出，預測步數越多，產生的誤差也越來越大。所以，為了提高預測精度，這里我們選用D2GM（1，1）模型并采用逐步迭代的方式來對2020年和2030年的能源消費總量進行預測，其結果分別為：47.13和50.8億噸標準煤。

顯然，預測的2020年能源消費總量47.13億噸標準煤的結果，與2014年11月國務院發布的《能源發展戰略行動計劃（2014-2020）》中確定的能源消費總量控制在48億噸標準煤以內的目標基本相符;預測的2030年能源消費總量50.8億噸標準煤的結果，也與國家發展改革委、國家能源局聯合印發的《能源生產和消費革命戰略（2016-2030）》中明確的，到2030年能源消費總量控制在60億噸標準煤以內的目標基本一致。說明應用D2GM（1，1）模型對我國未來能源消費總量進行預測是有效、可行的。

5.2.2 馬爾可夫鏈模型的能源消費結構預測

根據表1，可由式（16）、（17）得到2005-2018年能源消費結構中的各類能源：煤炭（x1）、石油（x2）、天然氣（x3）、一次電力及其他能源（x4）的狀態轉移概率矩陣，如表3所示。

由此可得，2005-2018年的平均移動概率矩陣為：

若以2005年的碳排放量62.7億噸標準煤為基準，則根據馬爾可夫鏈預測模型的無后效性特點，選取2018年的能源消費結構占比S（0）=（0.59，0.189，0.078，0.143）為初始狀態，應用馬爾可夫鏈模型預測2019-2030年各能源消費占比的結果，如表4所示。

從表4中可以看到，如果按此表中的能源消費結構規劃，則CO2排放的峰值在2026年就已達到。這不僅預測驗證了《能源戰略》中確定的到2030年左右CO2排放爭取盡早達峰的目標是可實現的，同時也預測驗證了2009年我國政府在哥本哈根氣候大會上提出的，到2020年非化石能源占一次能源比重提高到15%的目標的可實現性。但對于《能源戰略》中制定的到2030年非化石能源占能源消費總量比重達到20%左右，天然氣占比達到15%左右的目標，還存在一定的滯后。說明該《能源戰略》中對于能源結構的制定和規劃還存在一定的不合理問題，須在今后的能源發展與規劃中，適當地加以結構調整。

5.2.3 結構調整建議

在能源消費結構調整中，可根據碳排放目標，建議制定如下的調整策略：

（1）由表4可得，預測的2019-2030年煤炭、石油、天然氣和其他各能源的平均占比分別為：51.9，19.1，11.3，

17.7，而標準差分別為：3.63，0.08，1.88，1.68。說明煤炭的占比仍然偏高，調整幅度不大。石油占比相對平穩。天然氣和其他能源的占比較小，且調整幅度太小。所以，在穩定石油占比的情況下，應不斷調低煤炭占比，并將調出的占比部分轉移到天然氣和其他清潔能源，以使未來的能源結構逐步向天然氣和其他清潔能源為主力的方向轉變。

（2）針對非石化能源和新型能源目前主要面臨的技術難度和開采成本問題，應加大資金和科技投入的力度，并緊跟國際能源開發的新技術，大力發展高新技術產業、高端制造業、IT服務業和金融服務業等具有高附加值的行業，推動各類能源的技術創新、產業創新和商業模式創新等。

（3）針對影響能源消費結構的因素，可建立能源消費結構評估指標體系，并應用物聯網、大數據和人工智能等技術，實現對能源價格機制、產業結構調整、資源整合和高效利用等優化目的。

6 結論

為了有效預測我國政府制定的到2020年和2030年的能源消費結構與碳排放的發展目標實現的可行性，文中一方面，研究應用D2GM（1，1）模型對能源消費總量進行預測的方法，驗證了碳排放目標制定的可實現性;另一方面，根據馬爾可夫鏈模型的無后效性特點，預測了能源消費結構占比的合理性和碳排放峰值的目標可實現性，并對能源消費結構占比存在滯后性問題，提出了一些建設性的意見。這對于我國未來經濟發展方式的轉變、能源利用效率的提高、環境污染的降低等都具有一定參考價值。同時，也為我國未來能源結構的調整與制定新的能源政策與決策等提供了一種有效的理論分析與預測手段和方法。

參考文獻：

[1]ANG B W. LMDI decomposition approach： A guide for implementation[J]. Energy Policy，2015（86）：233-238.

[2]LIMA F，NUNES M L，CUNHA J，et al. A cross-country assessment of energy-related CO2 emissions： An extended Kaya Index Decomposition Approach[J]. Energy，2016（115）：1361-1374.

[3]FREIRE-GONZ？魣LEZ J. Environmental taxation and the double dividend hypothesis in CGE modeling literature： A critical review[J]. Journal of Policy Modeling，2018，40（1）：194-223.

[4]吳劍，許嘉鈺.基于生產函數理論的碳排放量模型及應用[J].江蘇大學學報，2019，40（3）：320-324.

[5]翁智雄，馬忠玉，葛察忠，等.不同經濟發展路徑下的能源需求與碳排放預測——基于河北省的分析[J].中國環境科學，2019，39（8）：3508-3517.

[6]國家統計局.中國統計年鑒2019[EB/OL].http：//www.stats.gov.cn/tjsj/ndsj/2019/indexch.htm.

[7]曾小利.我國能源消費結構調整及碳排放強度效應[J].鄭州航空工業管理學院學報，2016，34（4）：38-43.

[8]舒娛琴.中國能源消費碳排放的時空特征[J].生態學報，2012，32（16）：4950-4960.

[9]吳國華.化石能源消費的二氧化碳排放量計算與分析——以濟南市為例[J].理論學刊，2012（3）：61-65.

[10]王勇，王穎.中國實現碳減排雙控目標的可行性及最優路徑——能源結構優化的視角[J].中國環境科學，2019，39（10）：4444-4455.

[11]劉思峰，黨耀國，方志耕.灰色系統理論及其應用[M].北京：科學出版社，2004.

[12]李航.統計學習方法[M].北京：清華大學出版社，2012.

[13]牛東曉，孫偉，趙磊.基于轉移矩陣識別的馬爾可夫能源結構預測模型[J].華北電力大學學報，2004，31（3）：59-61.

[14]華林香，肖秀欽，錢慶榮，等.馬爾可夫模型在一次能源消費預測中的應用——以福建省為例[J].福建師范大學學報（自然科學版），2013，29（5）：78-86.

[15]任繼勤，武佳華，夏景陽，等.黑龍江省一次能源消費總量和消費結構預測研究[J].北京化工大學學報（自然科學版），2018，45（2）：89-94.