江西省经济增长中能源消费与碳排放的预测分析——基于非线性灰色伯努利模型

赖永剑， 贺祥民

(南昌工程学院 经贸学院， 江西 南昌 330099)

江西省经济增长中能源消费与碳排放的预测分析
——基于非线性灰色伯努利模型

赖永剑， 贺祥民

(南昌工程学院 经贸学院， 江西 南昌 330099)

使用非线性灰色伯努利模型预测了2014-2022年江西省能源消费与碳排放的量值，整体而言，江西省的能源消费总量和碳排放总量在增长率呈现下降的趋势。非线性灰色伯努利模型具有较好的预测能力，预测发现到2022年江西省的能源消费量达到11 060.1万吨标准煤，碳排放达到6 282.4万吨；从2014年到2022年江西省能源消费量的年均增长率为4.06%，碳排放量的年均增长率为3.11%。

能源消费； 碳排放； 非线性灰色伯努利模型

江西省改革开放以来经济高速增长创造了巨大的物质财富，老百姓的生活水平有了较大程度的提高。然而，在这种可喜的发展同时也面临着许多严峻的问题。当前最突出的问题之一就是长期粗放型增长模式下，能源约束不断趋紧，环境问题愈发凸显。这意味着，能源和环境已经逐渐成为江西省经济增长的瓶颈因素，能源消费与及环境污染的整体形势不容乐观。

在全面协调可持续成为时代主题的时期，江西省作为经济上正在加快发展的省份，非常有必要协调好经济增长与能源消费和环境污染之间的关系。因此，采用较为可靠的研究方法，对江西省未来几年间的经济增长、能源消费、污染排放的总量进行预测，这对于地方政府部门制订长远规划、实施相应的战略决策，从而促进地方经济的健康、稳定、可持续发展都有重要的意义。

一、文献综述

使用较先进的预测技术对于一个地区能源生产、分配、使用，环境保护与经济增长合理预测对于地区的可持续发展具有重要的意义。当前预测技术主要分成三种：多变量分析、单变量时间系列分析、非线性模型。多变量模型和协整技术经常用于分析和预测能源消费，比如Amarawickrama and Hunt[1]、Bianco et al.[2]。

多变量模型非常突出的局限性在于其对预测期中自变量数据的有效性和可靠性具有非常强的依赖性，也就是说对于数据的收集和估计过程要求较高。而单变量时间系列模型与多变量模型存在较大的差异性，其只需要变量的历史数据就能够预测其将来的变化趋势。单变量的ARIMA(自回归求和移动平均)被大量运用在能源消费、环境、金融等问题的预测中[3-4]；但是，这种方法的使用需要大量的可观察变量才能得到较为可靠的预测结果。

由于能源消费存在较大的波动性，一些智能非线性预测模型，比如人工神经网络[5]、模糊控制方法[6]及一些混合模型在用于预测能源需求中更具效率[7]。然而，这些方法的预测结果也严重依赖于数据的数量与及数据的代表性，而且其存在的局限性也是较难以克服的。

在像中国这样的快速发展的发展中国家，能源需求、污染排放和GDP等变量的时间序列数据随着时间的变化会存在较大的波动，这必然会影响到数据的有效性和代表性，进而影响到预测结果。而灰色系统模型其优点就是在于能够在系统处于较复杂、不确定、混沌的情况下，将系统视为黑盒，对数据质量要求较低，从而对事物的发展进行预测。

国内研究中如程胜采用混沌—神经网络时间系列方法预测了我国农村能源的消费状况[8]；而曾胜利用能源消费弹性系数法测算了未来几年的能源消费量[9]；王文超使用Markov链模型预测了中国若干年的能源及碳排放的量[10]。关于碳排放预测，近些年如杜强、陈乔、陆宁等分别使用改进的IPAT模型，Logistic预测模型预测了中国各省的碳排放状况[11-12]。而赵息、齐建民、刘广为等利用离散二阶差分算法预测了中国的碳排放[13]。

可以看到近些年来国内也开始采用一些先进的方法对国内能源消费和碳排放的情况进行预测，然而，国内基本上不存在着眼于一个省份，将经济增长、能源消费和环境污染融入到一个预测模型进行预测的研究；而且已有的预测研究中并没有较好地考虑经济增长与环境污染之间存在的非线性关系，这必然会影响到预测结果的可靠性。本文使用最新发展起来的非线性灰色伯努利模型，既考虑了变量之间的非线性关系，又克服了区域经济增长、能源消费、环境污染等变量数据的不稳定性的特点，从而在对江西省经济增长、能源消费、环境污染的关系研究及预测过程中能够得到较为稳定而可靠的结果。

二、研究设计

(一)碳排放量的计算

目前，我国各统计部门并未有针对碳排放的统计，因此，我们必须计算江西省各年的碳排放。国内研究中度量地区二氧化碳排放的方法主要是在联合国政府间气候变化专业委员会(IPCC)于2006年编制的《国家温室气体清单指南》的基础上来进行度量。计算公式如下：

(1)

C为碳排放量，Cj为第j种化石燃料燃烧排放的碳，Aj为第j种化石燃料的消耗量，国内外学者一般将化石燃料归类三种：原煤、原油和天然气，所以本文中的j为3，我们后文在计算时将各种燃料归总为这三类。Hj为化石燃料的低位发热量，CIj为燃料的含碳量，Oj为燃料的氧化因子，B为二氧化碳与碳原子的质量比。

(二)非线性灰色伯努利模型的预测方法

非线性灰色伯努利模型(NonlinearGreyBernoulliModel,NGBM)，具有灰色系统模型(GreyModel,GM)的所有优点，能够在系统处于较复杂、不确定、混沌的情况下，将系统视为黑盒，对数据质量要求较低；同时该方法既考虑了变量之间的非线性关系，又克服了经济增长、能源消费、环境污染等变量数据的不稳定性的特点，从而在对江西能源消费、碳排放关系及其预测过程中能够得到较为稳定而可靠的结果。

预测工具非线性灰色伯努利模型最早出现于Zhou等的著作上[14]，该工具以灰色系统和普通的伯努利方程为基础，于是，在灰色系统的基础上，NGBM存在：

u(0)(k)+αZ(1)(k)=b[Z(1)(k)]i,i∈R

Z(1)(k)=0.5[u(1)(k)+u(1)(k-1)],k=1,2……,n

(2)

i的最优值由预测模型中的最小平均绝对误差(MAPE)决定。参数a和b可以用下式进行估计：

[a,b]T=[BTB]-1BTyn

(3)

(4)

本文使用的数据来源于历年《江西省统计年鉴》和《中国能源统计年鉴》。

三、实证分析结果

(一)描述统计分析

纵观1995-2013年江西省的GDP的变化，可以看到江西省的经济增长迅速，从1995年的1 169.73亿元上升到2013年的14 338.5亿元，名义上增长了11.25倍，扣除通货膨胀，江西省的实际GDP也增长了6倍多。从图1可以看到，江西省的GDP从2001年后增长最为显著。这种较突出的增长主要得益于工业的发展，随着中部崛起战略的实施，随着东部沿海地区的产业转移，江西作为中部吸纳东部产业转移的重点地区，进入新世纪以来工业得到了巨大的发展。2013年，江西省规模以上工业企业7 601家，增加值为5 755.51亿元，从业人数为220余万；分别比2000年增加114.2%，113.31%和103.71%。

但是，令人遗憾的是随着江西省工业的发展，江西省的能源消耗较多，增长较快；工业排放的环境污染物增长较快，对环境破坏较为明显。从图2可以看到江西省能源消耗从1995的2 391.7万吨标准煤增长到2013年的7 672.7万吨标准煤，增长了2.2倍，其中平均每年约有70%能源消耗为煤炭，另有约10%～20%的能源消耗为石油。从GDP的增长变化及能源消耗的增长变化对比，我们可以看到一个可喜的现象，就是江西省GDP的增长快于能源消耗的增长，这表明江西省万元GDP的能耗在下降，江西省推行的节能政策取得了一定的效果。

由于能源中以煤炭和石油为主体，这必然导致江西省的碳排放程度较高，而且排放的废气和固体危险物增长非常突出，2000年工业排放废气为2 220亿立方米，而到了2013年该值已经增长到15 574亿立方米，增长了6倍多；同时，固体危险物排放从2000年的1.71万吨上升到2013年的44.17万吨，排放量增加了24.8倍。环境的污染在一定程度上抵消了改革开放和工业发展带来的成果，降低了人们的幸福指数。

按照我国能源统计的基本方法，化石能源可以被分为原煤、洗精煤、型煤、其他洗煤、焦炭、焦炉煤气、其它煤气、其他焦化产品、原油、汽油、煤油、柴油、燃料油、液化石油气、炼厂干气、其他石油制品和天然气等共17类。我们利用江西省的能源平衡表数据来汇总分析17类能源的消耗量，然后利用能源加工转化率来将17类能源品种转化为原煤、原油和天然气等三大类能源产品，采用公式1，计算出江西省的碳排放总量，并将数据绘制成图3。可以看到江西省碳排放量也呈现出快速增长的态势，1995年碳排放量为1 566.17万吨，到了2013年已经增长到4 743.3万吨，增长了2.02倍。比较江西省能源消费与碳排放二者的增长情况，可以发现江西省的碳排放量变化与GDP及能源消耗呈现出同步增长态势，尤其是与能源消耗表现出来高度的协调性，这说明碳排放主要由能源消耗所决定，由于江西省的能源消耗结构较为稳定，所以这种协调性较高。

图1 江西省1995-2013年GDP增长情况

图2 江西省1995-2013年:能源消费量增长情况

图3 江西省1995-2013年:碳排放量增长情况

(二)预测分析

为了能够预测未来若干年江西省能源消费、碳排放的增长的情况，必须进一步分析江西省能源消费和碳排放增长的发展态势。根据已有的数据，以2013年为基准，往前推，可以分析往前5年、10年、15年的能源消费、碳排放的增长情况，计算结果报告在表1中。从表1可以看到江西省能源消费，5年平均增长率为5.71%，10年平均增长率为7.58%,15年平均增长率为8.94%；碳排放，5年平均增长率为5.19%，10年平均增长率为6.85%,15年平均增长率为8.53%。分析能源消费和碳排放年平均增长率情况可以看到，江西省的年平均增长率随着估计期间的缩短，均在降低，这表明江西省的能源消费、碳排放的增长率在缩小，意味着江西省的节能减排举措显现了明显的作用，虽然能源消费总量和碳排放总量在持续增长，但是增长率呈现下降的趋势。

表1 能源消费、碳排放增长率(基准为2013年,单位：%)

在预测过程中，不管是一般的灰色系统模型(GM)还是非线性灰色伯努利模型(NGBM)，参数a、b的大小具有决定性的意义，由于GM是NGBM方法的计算基础，因此有必要根据灰色系统模型的计算原理及非线性灰色伯努利模型的计算方法，分别算出a、b值。

表2 参数a、b的计算值(GM、NGBM模型)

计算出a、b值后，利用相应的计算方法预测江西省能源消费、碳排放量，预测结果报告在表3中。预测方法有很多，预测的精度如何主要是使用某一段时间内预测值与真实值相比较，观察其差额，差额较小，则预测的精度较高。比较2010年-2013年的江西省能源消费量和碳排放量的真实值与预测值，可以发现预测值与真实值相差不大，这说明我们的预测方法能够较好地预测这两变量，预测结果较好。从预测结果可以看到，到2022年江西省的能源消费量达到11 060.1万吨标准煤，碳排放达到6 282.4万吨；从2014年到2022年江西省能源消费量的年均增长率为4.06%，碳排放量的年均增长率为3.11%。江西省碳排放量的年均增长率小于能源消费量的年均增长率，这进一步说明江西省的能源结构在未来的几年内有一定的优化，碳排放量的增长率呈下降趋势。

表3 江西省能源消费量、碳排放量的预测结果(NGBM模型)

四、结论与启示

本文在统计分析江西省经济增长、能源消费及碳排放量现状的基础上，使用非线性灰色伯努利模型预测了江西省能源消费与碳排放的量值。研究发现江西省的经济在改革开放后增长迅速，1995-2013年间，名义GDP上增长了11.25倍，其中工业经济发展做出了重要贡献。在这种可喜局面的同时，能源消费和碳排放急剧增长，对环境破坏较为明显。因此，使用科学的预测方法预测未来一定年份的能源消费和碳排放的量值，对于地方政府制定相应的政策措施，促进地方经济和谐发展具有重要意义。我们的研究发现，整体而言，江西省的能源消费总量和碳排放总量在持续增长，但是增长率呈现下降的趋势。非线性灰色伯努利模型的预测值能较好的达到预测目的，预测发现到2022年江西省的能源消费量达到11 060.1万吨标准煤，碳排放达到6 282.4万吨；从2014年到2022年江西省能源消费量的年均增长率为4.06%，碳排放量的年均增长率为3.11%。

研究给我们的政策启示在于：(1)在准确预测能源消费和碳排放的基础上，进一步优化江西省的能源结构，尽量使用可再生能源代替化石燃料，降低燃料燃烧带来的碳排放，尤其是加大太阳能、风能、水电能的开发利用及其在江西省工业生产中的应用。(2)继续促进江西省现代产业的建设，尤其要加大对先进制造业、现代化农业、服务业的支持力度，降低江西省对高能耗、高污染的高碳化工业的依赖程度。

[1]AmarawickramaHA,HuntLC.ElectricitydemandforSriLanka:atimeseriesanalysis[J].Energy,2009(33)(1):724-739.

[2]BiancoV,MancaO,NardiniS.ElectricityconsumptionforecastinginItalyusinglinearregressionmodels[J].Energy,2009,34(9):1413-1421.

[3]BowdenN,PayneJE.ShorttermforecastingofelectricitypricesforMISOhubs:evidencefromARIMA-EGARCHmodels[J].EnergyEconomics,2008,30(6):3186-3197.

[4]PappasSS,EkonomouL,karamousantasDC,ChatzarakisGE,KatsikasSK,LiatsisP.ElectricitydemandloadsmodelingusingAutoRegressivemovingaverage(ARMA)models[J].Energy,2008,33(9):1353-1360.

[5]KaynarO,YilmazI,DemirkoparanF.Forecastingofnaturalgasconsumptionwithneuralnetworkandneurofuzzysystem[J].EnergyEducationScienceandTechnology,2011,26:221-238.

[6]AzadehA,KhakestaniM,SaberiM.A?exiblefuzzyregressionalgorithmforforecastingoilconsumptionestimation[J].EnergyPolicy,2009，37:5567-5579.

[7]LiK,SuH.Forecastingbuildingenergyconsumptionwithhybridgeneticalgorithm-hierarchicaladaptivenetwork-basedfuzzyinferencesystem[J].EnergyandBuildings,2010，42:2070-2076.

[8]程胜.基于混沌——神经网络时间序列的农村能源消费预测研究[J].农业技术经济，2009(5).

[9]曾胜.中国能源消费、经济增长与能源需求预测的研究[J].管理评论，2011(2).

[10]王文超.中国省区能源消费与二氧化碳排放驱动因素分析及预测研究[C].大连：大连理工大学博士论文，2013.

[11]杜强,陈乔,陆宁.基于改进IPAT模型的中国未来碳排放预测[J].环境科学学报，2012(9).

[12]杜强,陈乔,陆宁.基于Logistic模型的中国各省碳排放预测[J].长江流域资源与环境，2013(2).

[13]ZhouJ,FangR,LiY,ZhangY,PengB.ParameteroptimizationofnonlineargreyBernoullimodelusingparticleswarmoptimization[J].AppliedMathematicsandComputation,2009:207,292-299.

Forecast Analysis of Energy Consumption and Carbon Emissions in Economic Growth of Jiangxi Province ——Based on Nonlinear Gray Bernoulli Model

LAI Yong-jian， HE Xiang-min

(DepartmentofEconomyandTrade,NanchangInstituteofTechnology,Nanchang,Jiangxi330099)

This article uses the nonlinear gray Bernoulli model to predict the energy consumption and carbon emissions in Jiangxi province in 2014-2022.As a whole,in Jiangxi province,the total energy consumption and carbon emissions in the growth rate show a trend of decline.Nonlinear gray Bernoulli model has good prediction ability,forecasting in 2022 in Jiangxi province the energy consumption will reach 110.601 million tons of standard coal and carbon emissions 62.824 million tons;From 2014 to 2022 in Jiangxi province,the average annual growth rate of energy consumption will be 4.06%,and the annual growth rate of carbon emissions will be 3.11%.

energy consumption; carbon emissions; nonlinear gray Bernoulli model

2015-08-05

江西省社科规划青年项目(14YJ35)；江西省教育厅科技项目(GJJ14763)。

赖永剑，1980年生，男，江西会昌人，副教授，博士，研究方向：区域产业发展； 贺祥民，1981年生，女，湖南邵东人，讲师，研究方向：区域经济。

F127

A

1671-9743(2015)09-0017-04