微观创新驱动下的中国能源消费与碳排放趋势研究

2017-01-11朱潜挺中国科学院科技政策与管理科学研究所北京0090华东师范大学地理信息科学教育部重点实验室上海200062中国石油大学北京工商管理学院北京0229北京决策咨询中心北京00089

复杂系统与复杂性科学 2016年4期

吴静，王铮,2，朱潜挺，龚轶(.中国科学院科技政策与管理科学研究所，北京，0090;2.华东师范大学地理信息科学教育部重点实验室，上海，200062;.中国石油大学(北京)工商管理学院，北京，0229;.北京决策咨询中心，北京，00089)

吴静1，王铮1,2，朱潜挺3，龚轶4
(1.中国科学院科技政策与管理科学研究所，北京，100190;2.华东师范大学地理信息科学教育部重点实验室，上海，200062;3.中国石油大学(北京)工商管理学院，北京，102249;4.北京决策咨询中心，北京，100089)

以基于自主体模拟和投入产出模型为建模手段，在宏观层面构建了中国17个部门的投入产出模型，在微观层面构建了部门细分的企业创新模型。模型通过微观企业自主体的创新驱动宏观层面部门间投入产出关系、能源消费量和碳排放趋势的演化。研究发现，由于技术创新的不确定性，使得能源消费峰值和碳排放峰值出现的年份存在不确定性。能源消费峰值年份在2025年至2036年期间呈现正态分布；而碳排放峰值年份在2024年至2033年间呈现正态分布；其中，能源消费峰值出现的概率最大年为2031年，概率为23.57%；碳排放峰值出现的概率最大年为2029年，概率为33.51%。以多次模拟的平均值分析，中国未来能源消费量的高峰约出现在2031年，高峰值为5146Mtce；中国碳排放高峰出现在2029年，峰值为2.7GtC。

碳排放；能源消费；基于自主体模拟；产业结构；进化经济学

0 引言

中国作为全球碳排放量最大的国家之一，在国际社会上承受了巨大的减排压力。正确评估中国未来可能的能源消费需求和碳排放趋势将协助中国更好地制定相应的减排政策，确保未来中国经济的平稳持续增长。

实际上，国内外对于各国能源消费和碳排放趋势的研究已经成为应对气候变化行动的一个研究热点。按研究方法不同进行区分，目前对于能源消费和碳排放预测的研究逐渐形成了几大主流[1-2]：第一类是基于传统计量经济学方法的研究，如时间序列分析、回归分析、ARIMA模型等。具体研究如：Parajuli等[3]采用计量经济学的方法构建了一个简单的对数线性模型研究了尼泊尔的未来能源消费。Aydin[1]基于人口与GDP的回归分析模型，对土耳其的能源消费展开了预测研究。Yuan等[4]基于Kaya公式分析了中国不同发展情景下的未来能源消费，认为中国的能源消费高峰将出现在2035-2040年，峰值为5200-5400百万吨标准煤；同时，二氧化碳排放的高峰将出现在2030-2035年，峰值为92-94亿吨。第二类是基于软件计算的人工智能非数值模拟分析，如模糊逻辑方法、遗传算法、神经网络、支持向量机、蚁群算法以及粒子群优化算法等。Uzlu等[5]采用人工神经网络方法预测了土耳其的能源消费。Ekonomou[6]通过基于真实能源消费数据对多层感知模型的训练，进而估算了希腊在2012、2015年的能源消费。Ceylan和Ozturk[7]基于GNP、人口和进出口数据，结合遗传算法估算了土耳其至2025年的能源消费量。除了上述两类方法之外，在对能源消费和碳排放的预测研究中更重要的是要对经济活动与能源消费、碳排放的动力学机制展开全局的模型模拟分析，只有构建动力学机制清晰的模型研究经济—能源—排放问题才能对能源消费的动力以及排放控制的经济影响展开全面的评估，由此产生了第三类基于计算经济学建模分析能源消费和碳排放的研究。Wing和Eckaus[8]通过构建美国CGE模型，预测了美国至2050年的能源消费和碳排放。王铮等[9]在经济最优增长轨迹下，从能源消费、水泥生产和森林碳汇3个方面对中国未来的碳排放和能源消费进行了全面的估算，计算得到能源消费碳高峰出现在2031年，峰值为2.6GtC。Vaillancourt等[10]构建了多区域TIMES-Canda模型计算了加拿大至2050年的能源消费趋势，结果显示至2050年加拿大的能源消费将比2007年增加43%。

虽然基于计算经济学建模的研究较为全面地构建了经济—能源—排放之间的动力学关系，但是目前的研究多是基于经济增长理论的宏观建模，未能考虑微观层面消费主体对宏观能源和排放的影响。事实上，微观主体是经济系统中能源和碳排放的消费者，其生产行为和技术水平将直接导致宏观层面能源消费和碳排放总量的变化。这种自底向上的演化过程契合了基于自主体模拟的建模思想，适合于采用基于自主体模拟展开模拟研究。目前基于自主体模拟在能源消费和碳排放领域的研究还较少，主要应用于碳排放交易行为模拟[11]和微观个体能源消费行为模拟[12-14]，但自1990’s年代以来，基于自主体模拟在更广泛的领域都得到了很好的应用，包括环境政策模拟[15-19]，货币财政政策模拟[20-25]，技术扩散模拟[26-28]，土地利用类型变化政策模拟[29-30]等。这些应用研究体现了基于自主体模拟在异质性主体建模、复杂行为交互、宏观格局演变等方面都具有突出的模拟能力。

因此，本文将以基于自主体模拟为建模工具，在Lorentz和Savona[31]，Lorentz和Savona[32]，龚轶等[33]构建的基于自主体模拟的经济演化模型基础上，扩展构建中国能源消费和碳排放趋势研究的模块，从而实现对中国至2050年的能源消费和碳排放趋势的估算。

1 建模

1.1 经济模块建模

Lorentz和Savona[31]，Lorentz和Savona[32]，龚轶等[33]对于经济的建模将宏观部门分解为有众多微观企业所构成的自主体系统，实现了微观层面基于自主体建模与宏观层面投入产出模型的整合。在微观层面，企业自主体通过研发创新活动实现技术进步和对其他部门中间需求的变动，从而导致宏观层面的直接消耗系数矩阵也随之而变，最终在宏观层面上涌现为产业结构的动态演变。宏观与微观互动的结构示意图如图1所示。

1.1.1 微观企业建模

在本研究中，每个部门被分解为n个企业，每个企业被模拟为一个自主体，每个自主体具有异质性的经济、资源属性和行为特征。在系统的演化过程中，企业具有生产和创新的行为能力。每一期企业都将开展创新活动，一方面驱动企业自身的技术进步，另一方面引发宏观结构的变化。

1)企业生产行为

企业的产出满足Cobb-Douglas生产函数，且企业的物质资本在基期水平上逐年累积：

(1)

Kk,i,t+1=Kk,i,t(1-δk)+Yk,i,tηk

(2)

其中，t表示t时刻，下文不再赘述；Yk,i,t为k部门i企业的产出；Ak,i,t，Kk,i,t，Lk,i,t分别为k部门i企业的劳动生产率、物质资本、劳动力；αk为资本弹性；δk为k部门物质资本折旧率；ηk为k部门投资率。因此，每个时期的劳动力需求由总产出和物质资本水平决定：

(3)

劳动力的工资水平在部门层面决定，即一个部门的所有企业具有相同水平的工资率，工资水平的变化基于菲利普斯曲线修改得到：

(4)

其中，ωk,t为k部门工资率；γk为劳动力变化对工资影响的敏感系数。

企业的产品生产投入主要包括对其他部门产品的中间消耗以及劳动力的工资支出，在这两方面支出的基础上进行一定幅度的加乘计算得到产品的价格pk,i,t:

(5)

其中，μk为k部门的价格加成幅度；aj,k,t-1表示k部门对j部门的直接消耗系数。基于此，企业的利润πk,i,t可表示为

(6)

企业在不同的产品定价水平下，其市场竞争力Ek,i,t也各有不同：

(7)

其中，Ek,t为部门k的综合竞争力；zk,i,t为k部门i企业的市场份额，zk,i,t受到企业市场竞争力变化的影响：

(8)

其中，φ为影响系数。企业的市场份额决定了企业在部门中所贡献的产出：

Yk,i,t=zk,i,tYk,t

(9)

2)企业研发创新行为

基于企业的利润所得，企业将进行研发创新活动。在进化经济学的思想下，企业的研发活动将推动企业的技术进步，包括直接消耗系数的改进和劳动生产率的改进。企业进行研发活动成功的概率Pk,i,t定义为

(10)

其中，β为企业利润对企业研发成功的影响系数。若Pk,i,t大于一定的阈值，则研发成功，否则研发失败。当研发成功，企业对其他部门的直接消耗系数aj,k,i,t以及劳动生产率Ak,i,t都将受到服从正态分布的随机冲击：

(11)

(12)

(13)

1.1.2 宏观部门建模

基于投入产出结构，可以将产出分解为3个部分，即中间消费、最终国内消费和净国外消费，见式(14)。

(14)

其中，Yj,t为产出；Ij,t为中间消费；Cj,t为最终国内消费；Xj,t为出口量；Mj,t为进口量；因此Xj,t-Mj,t就代表了净出口。

(15)

(16)

其中，aj,k,i,t为k部门i企业对j部门的直接消耗系数；zk,i,t表示k部门i企业的市场份额，市场份额将受企业竞争力的影响。式(16)实现了从微观企业创新所引发的中间需求变动到宏观部门直接消耗系数的变动，反映了从微观到宏观的演化过程。

基于直接消耗系数，可以将中间消费表示为

(17)

最终消费水平和出口水平均在基期消费水平的基础上随时间以指数形式增长：

Cj,t+1=Cj,texp(υc+exp(-δct))

(18)

Xj,t+1=Xj,texp(υx+exp(-δxt))

(19)

其中，υc,υx分别为最终消费水平和出口水平的初始增长率；δc，δx分别为最终消费和出口水平增长率的年变化率。同时，假设进口水平与国内中间消费和最终消费成正比，即：

Mj,t=mj(Ij,t+Cj,t)

(20)

其中，mj为j部门进口占国内中间消费与最终消费的比例。

因此，将式(15)、式(20)代入到式(14)，得到：

(21)

αj,k,t=(1-mj)aj,k,t

(22)

可以看到，部门产出的变动与部门直接消耗系数矩阵相关，结合式(16)可知，微观企业的技术进步将影响到宏观部门产出的变动。

1.2 能源—碳排放模块建模

能源—碳排放模块的建模目标是要实现对中国未来能源消费量、能源消费结构以及碳排放趋势的估算。基于对经济模块的建模，能源—碳排放模块也采用自底向上的基于自主体模拟展开建模。如同企业的研发活动会推动企业的直接消耗系数和劳动生产率改进的建模架构一样，在能源—碳排放模块，企业的研发活动也在两个方面影响企业的能源和碳排放。一方面是研发活动将影响企业能源强度的变化，另一方面研发活动将对企业的能源消费结构产生影响。

企业的能源消费总量Enk,i,t由企业的总产出Yk,i,t及其当期的能源消费强度ζk,i,t所决定：

Enk,i,t=ζk,i,tYk,i,t

(23)

其中，能源消费强度受企业创新活动的影响，即当创新成功时，能源消费强度将受到一次服从正态分布的随机冲击，企业在朝着降低能源强度的方向选择性地更新能源强度：

(24)

(25)

企业的能源消费结构受企业创新活动的影响。在基期，同一部门的所有企业具有与本部门相同的能源消费结构，该能源消费结构由煤、石油、天然气、电力4种能源消费比例构成：

Sk,i,t=(Ck,i,t,Pk,i,t,Gk,i,t,ELk,i,t)且Sk,i,0=(Ck,0,Pk,0,Gk,0,ELk,0)

(26)

其中，Sk,i,0为k部门i企业在基期的能源结构；Ck,0，Pk,0，Gk,0，ELk,0分别为基期k部门对煤、石油、天然气、电力的消费比重。在系统演化中，由于企业创新活动成败概率不同，企业的能源消费结构演化也将呈现差异。当企业创新成功，则企业的能源结构在转移矩阵作用下转移一次，表示企业的能源结构进化一步：

Sk,i,t=Sk,i,t-1Mk

(27)

(28)

其中，Mk为k部门能源结构转移矩阵。由企业的能源消费总量和企业的能源消费结构加总得到部门的各种能源消费量为

(29)

进而得到部门的能源消费总量Enk,t及其各种能源消费比重Hk,t，能源消费结构Sk,t为

(30)

(31)

Sk,t=(Ck,t,Pk,t,Gk,t,ELk,t)

(32)

碳排放在部门层面进行统计，由部门各种能源的消费量以及各种能源的碳排放系数计算得到：

(33)

其中，βH分别为煤、石油、天然气的碳排放系数。

2 数据来源与模型实现

本研究的宏观经济建模以2000年17部门的投入产出表为基准，其中涉及的直接消耗系数、最终消费量、进出口量等基准值均来源于2000年17部门投入产出表。基期各部门的物质资本存量、劳动力、资本弹性数据引自文献[34]。在微观层面，在17部门的宏观经济框架下，每个部门包括500个企业，每个企业在基期的物质资本和劳动力数据由部门内的所有企业平分得到。

在能源—碳排放模块，每个部门内的所有企业在基期的能源强度以及能源消费结构由部门水平决定，即同一部门内所有企业的能源强度和能源消费结构在基期保持相同。而基准年的能源强度和能源消费结构来源于《2000年中国能源统计年鉴》。

另外，在能源结构演变中还需要确定每个部门的能源结构转移矩阵。在本研究中，以1991-2011年《中国能源统计年鉴》为来源获得历年各部门能源消费结构，再采用石莹等[35]构建的误差最小的优化模型，求得各个部门的能源消费结构转移矩阵，见表1～6。需要说明的是，在能源统计年鉴中，终端消费量的部门划分为农、林、牧、渔水利业，工业，建筑业，交通运输、仓储和邮电通讯业，批发、零售业和贸易业、餐饮业，生活消费，其他；这与投入产出表17个部门不能一一对应，因此，本研究以能源统计年鉴中工业的能源消费结构及其转移矩阵对应于投入产出表中除建筑业以外的10个工业部门。

表1 农业能源消费结构转移矩阵
Tab.1 Transfer-matrix of energy structure in agriculture

煤石油天然气非碳煤0．90550．04520．00110．0481石油00．754300．2457天然气1．0000000非碳0．07220．595600．3322

表3 建筑业能源消费结构转移矩阵
Tab.3 Transfer-matrix of energy structure in construction

煤石油天然气非碳煤0．8859000．1141石油0．01300．92670．00670．0536天然气0．526000．47400非碳0．02730．348400．6243

表5 批发零售业能源消费结构转移矩阵
Tab.5 Transfer-matrix of energy structure inretail trade

煤石油天然气非碳煤0．82330．158700．0180石油0．08240．828300．0893天然气0．546700．18510．2683非碳000．13380．8662

表2 工业能源消费结构转移矩阵
Tab.2 Transfer-matrix of energy structure in manufacturing

煤石油天然气非碳煤0．99270．007300石油00．74200．15510．1029天然气0001．0000非碳00．339200．6608

表4 交通业能源消费结构转移矩阵
Tab.4 Transfer-matrix of energy structure in transportation

煤石油天然气非碳煤0．86060．109700．0297石油00．96840．00410．0275天然气001．00000非碳00．670800．3292

表6 其他能源消费结构转移矩阵
Tab.6 Transfer-matrix of energy structure in other industries

煤石油天然气非碳煤0．83260．167400石油0．00750．939000．0535天然气0．411200．18550．4033非碳0．039600．06770．8927

3 模拟结果分析

由于模型中企业的创新受到服从正态分布的随机冲击，因此每次模拟的结果将因受到冲击的不同而略有差异。为充分考虑这种随机冲击带来的结果影响，研究分别模拟了50次，并对50次模拟的相应数据展开方差分析检验其差异性，结果显示方差分析的p值均为1，表示组间数据无显著差异，可以以50组数据的平均值作为模拟值展开分析。

3.1 经济增长趋势模拟

经济增长是未来能源消费和碳排放增长的主要驱动力，因此，需要首先对中国未来的经济增长趋势做出模拟。

计算得到，至2050年，中国GDP处于持续增长趋势，见图2。2050年的GDP总量约为149万亿元(2000年价格)。期间，GDP的年均增长率逐渐下降，计算得到，2010-2020年GDP的年均增长率约为6.8%；2021-2030年GDP年均增长率约为4.7%；2031-2040年GDP年均增长率约为3.4%；2040-2050年GDP年均增长率约为2.4%。

从产业结构进化的角度看，模拟得到，至2050年，中国三大产业的比重变化如图3所示。可以看到，一产、二产的比重呈逐渐下降趋势，三产比重呈上升趋势；至2050年三大产业的比重分别为3.3%，31.7%，65 %。进一步探究具体部门构成，见图4，可知第三产业中其他服务业在未来发展迅速，2050年其他服务业的比重达到约28.7%；同时第三产业中的金融保险业、公用事业及居民服务业、商业饮食业等也得到了一定的发展，在经济总量中的比重均有所上升；第二产业中各部门的比重均呈现缩减趋势，至2050年在二产中比重最大的行业主要为建筑业和机械设备制造业，大约占经济总量的6%左右。

3.2 能源消费趋势模拟

由3.1节可知，中国未来的二产比重逐渐下降，而三产比重逐渐上升，这种结构的转变势必会影响到中国未来能源消费量的变化。

在对能源消费趋势做出估算之前，为了验证模拟结果的可靠性，即模拟是否能较好地反应真实情况。首先将模拟得到的2001-2013年的能源消费总量与基于统计数据的能源消费量进行了比较，见图5。可以看到，能源消费的实际值与模拟值基本吻合，两者相关系数达到0.99，方差分析显著性为0.79，模拟值较好地重现了历史的能源消费轨迹，表明模型具有可靠性，可以展开进一步的能源消费趋势研究。

对于中国未来的能源消费趋势，研究得到至2050年中国的能源消费趋势如图6所示。总体呈现先上升后下降的趋势，能源消费量的高峰约出现在2031年，高峰值为5 146Mtce，这比2010年3 249Mtce上升了约1.6倍；随后，能源消费总量逐年下降，至2050年，中国能源消费量约为4 086Mtce。结合至2050年中国的GDP增长趋势，可以计算得到至2050年各年的单位GDP能源使用强度，研究发现，未来中国的单位GDP能源使用强度的下降速度逐渐提高，即单位GDP能源使用量将逐步下降，平均下降速度为3.38%。

从能源消费结构分析，至2050年，中国的能源消费结构变化趋势如图7所示。至2050年中国的能源结构将发生显著的改变，煤的消费比重将持续下降，2050年煤的比重大约为41.6%；油的消费比重略有增长，由2001年23%上升至2050年36.3%；天然气消费在总能源消费中所占比例仍较低，2050年占比仅为3.9%，但其相对于2001年的比重1.9%相对增长幅度显著；非碳能源的消费比重也有较大的增长，2050年的比重为18.2%。

进一步，各个产业由于生产工艺和技术水平差异，对于各种能源消费的结构也有所差别。模拟得到2050年各产业的能源消费结构，见表7。一产的能源消费主要以非碳能源为主，比重约为23.03%；二产仍主要以煤为主，比重约为43.19%，而数据显示二产中对煤的消耗量最大的是机械设备制造业；三产的能源消费也是以石油为主，比重约为73%，同时也发现三产对非碳能源的消耗比重低于一产和二产对非碳能源的消费比重。分析其中的原因发现，虽然2050年三产中除运输邮电业外的其他部门对非碳能源消费的比重均达到34%左右，但运输邮电业对非碳能源的消费比重仅为3.3%，从而拉低了三产对非碳能源消费的综合水平，仅达到8.27%。

表7 2050年各产业能源消费结构

Tab.7 Energy structure in the three main industries in 2050

煤石油天然气非碳合计一产17．83%59．11%0．02%23．03%100．00%二产43．19%34．74%3．45%18．62%100．00%三产3．22%73．04%15．47%8．27%100．00%

3.3 碳排放趋势模拟

基于能源消费预测，可以对未来的碳排放趋势展开分析。首先研究对2001-2010年模拟得到的碳排放量与实际观测值(数据来源于CDIAC)进行了比较，见图8。分析得到，实际值与模拟值的相关系数为0.99，方差检验显著性为0.22，表明两组数据没有显著差异，模拟基本重现了历史的排放轨迹。但相对于能源消费量的模拟值与观测值比较，2001-2010年的碳排放模拟值与实际观测值误差较大。其原因在于，对能源结构转移矩阵的拟合是一个平均的状态，但实际的情况是最近几年在农业和工业部门的能源消费结构中煤的占比是上升的，但在拟合时使这种趋势难以体现，进而造成对能源结构的差异，从而导致碳排放总量与实际值的差异。

基于经济增长趋势和能源消费的计算，进一步得到了中国至2050年的碳排放趋势，如图9所示。碳排放高峰出现在2029年，峰值为2.70GtC(GtC表示十亿吨碳，下同)；随后碳排放量逐年下降，至2050年碳排放量为2.05GtC，为2005年碳排放水平1.58GtC的1.3倍。

作为一个横向比较，本文收集了部分其他学者对碳排放高峰的研究结果列于表8中，其中碳排放的高峰范围大约在2025-2040之间，而早期的研究对碳排放高峰的年份估计较晚，均在2030年之后，而近年对碳高峰的估算普遍推前，最早的估算为2025年达峰；而本文的研究结果基本落在普遍发现的峰值范围之内。

表8 不同研究的碳排放峰值年份比较

注：-未给出具体的峰值数据。

结合中国提出的40-45目标，即至2020年中国GDP碳排放强度比2005年降低40-45%。本研究将碳排放趋势与GDP增长趋势相结合，计算得到2020年中国GDP碳排放强度比2005年下降幅度大约为37.8%，略低于中国提出的减排目标。因此，仅仅基于产业结构变化以及当前的技术进步水平还未能实现40-45目标，仍需其他手段的协助。

3.4 能源消费与碳排放峰值年份的不确定性

在本研究的模型中，企业的创新推动了企业的技术进步，从而使得能源结构发生改变并降低了碳排放量。但考虑到企业的技术进步具有随机性，因此，在前文的50次模拟中，每次模拟得到的碳排放峰值年份不尽一致，虽然前文分析中采用了平均值作为趋势分析的依据，但是仍不能忽视这种随机的技术冲击可能产生的能源消费和碳排放峰值的不确定性。

为了重现能源消费与碳排放峰值出现的不确定性，分别将50次模拟得到的50个能源消费峰值年份和碳排放峰值年份分别做直方图并拟合了正态分布曲线，见图10。由图10可以发现，能源消费峰值与碳排放峰值年份的分布接近正态分布。为进一步验证分布是否呈正态性，本文采用SPSS单样本k-s检验对数据进行了检验，计算得到能源消费峰值分布呈正态性的显著性为0.11，碳排放峰值分布呈正态性的显著性为0.14，均大于0.05，故可以判断为正态分布。

在能源消费峰值年的正态分布曲线下，计算得到2024年至2039年，各年出现能源消费高峰的概率，见表9。分析可知，未来中国的能源消费高峰有可能出现的年份范围为2025年至2036年之间，各年的概率均大于0；但峰值年份出现在2028年之前以及2035年之后的概率都非常小，累积概率小于1%，因此，能源消费高峰较有可能的分布区间为2028年至2035年的8年间。其中，最大概率的能源消费峰值年份为2031年，概率为23.57%；其次为2032年，概率为23.22%；再次为2030年，概率为16.40%。

在碳排放峰值年的正态分布曲线下，同样可以计算得到各年出现碳排放峰值的概率，见表10。由表10可知，碳排放峰值年分布的区间为2024年至2033年，但2026年之前和2032年之后出现峰值的概率均小于1%，概率极低，总体而言，碳排放高峰较有可能出现的区间为2026年至2031年的6年间。其中，2029年为碳排放峰值概率最大年，排放峰值落在该年的概率为33.51%；其次为2028年，概率为25.23%；再次为2030年，概率为21.89%。结合习近平总书记在2014年APEC会议上提出“中国计划2030年左右二氧化碳排放达到峰值”的目标，研究认为中国在2030年之前达到峰值的累积概率达到91.79%，对于实现达峰目标具有较大的把握。

表9 2024-2037年的能源消费高峰年概率分布

表10 2023-2034年的碳排放高峰年概率分布

4 结论

企业的创新是经济系统产业结构进化和能源系统结构转变、降低排放量的重要推动力。企业自主体通过创新行为推动自身的技术进步，改变中间消费模式和能源消费结构，从而影响宏观层面的产业结构和能源需求。最终对中国未来的能源结构和碳排放趋势产生影响。本文基于投入产出模型和自主体模拟方法，构建了中国17个部门的宏观经济系统，并与微观企业创新行为相整合，实现了对微观企业创新推动下的中国能源消费和碳排放趋势的模拟。研究发现：

1)至2050年，中国一产、二产的比重呈逐渐下降趋势，三产比重呈上升趋势；至2050年三大产业的比重分别为3.3%，31.7%，65 %。

2)至2050年中国的能源消费总体呈现先上升后下降的趋势，能源消费量的高峰约出现在2031年，高峰值为5 146Mtce；至2050年，中国能源消费量约为4 086Mtce。

3)至2050年中国的能源消费结构仍主要以煤为主，2050年煤的比重仍有约41.6%；而2050年石油的消费比重为36.3%；天然气和非碳能源消费比重也有所上升，至2050年的比重分别为3.9%，18.2%。

4)中国碳排放高峰出现在2029年，峰值为2.7GtC；随后碳排放量逐年下降，至2050年碳排放量为2.05GtC。

5)由于技术创新的不确定性，能源消费峰值和碳排放峰值出现的年份也存在不确定性。能源消费峰值较有可能出现在2028年至2035年；而碳排放峰值较有可能出现在2026年至2031年；其中，能源消费峰值出现的概率最大年为2031年，概率为23.57%；碳排放峰值出现的概率最大年为2029年，概率为33.51%。

[1]Aydin G. Modeling of energy consumption based on economic and demographic factors: the case of Turkey with projections[J]. Renewable and Sustainable Energy Reviews, 2014, 35: 382-389.

[2]Suganthi L, Anand A. Samuel energy models for demand forecasting—a review[J]. Renewable and Sustainable Energy Reviews, 2012,16(2): 1223-1240

[3]Parajuli R, Østergaard P A, Dalgaard T, et al. Energy consumption projection of Nepal: An econometric approach[J]. Renewable Energy, 2014, 63: 432-444.

[4]Yuan J, Xu Y, Hu Z, et al. Peak energy consumption and CO2 emissions in China[J]. Energy Policy, 2014, 68: 508-523.

[5]Uzlu E, Kankal M, Akpinar A, et al. Estimates of energy consumption in Turkey using neural networks with the teaching-learning-based optimization algorithm[J]. Energy, 2014, 75: 295-303.

[6]Ekonomou L. Greek long-term energy consumption prediction using artificialneural networks[J]. Energy, 2010, 35:512-517.

[7]Ceylan H, Ozturk HK. Estimating energy demand of Turkey based on economicindicators using genetic algorithm approach[J]. Energy Conversion andManagement, 2004,45(15-16):2525-2537.

[8]Wing S, Eckaus R S. The implications of historical decline in US energy intensity for long-run CO2 emission projections[J]. Energy Policy, 2007, 35(11):5267-5286.

[9]王铮，朱永彬，刘昌新，等. 最优增长路径下的中国碳排放估计[J]. 地理学报，2010，65(12)：1559-1568. Wang Zheng, Zhu Yongbin, Liu Changxin, et al. Integrated projection of carbon emission for China under optimal economic growth path[J].ActaGeographicaSinica, 2010, 65(12): 1559-1568.

[10] Vaillancourt K, Alcocer Y, Bahn O, et al. A Canadian 2050 energy outlook: analysis with the multi-regional model TIMES-Canada[J]. Applied Energy, 2014, 132: 56-65.

[11] Richstein J C, Chappin E J L, de Vries L J. Cross-border electricity market effects due to price caps in an emission trading system: An agent-based approach[J].Energy Policy, 2014,71:139-158

[12] Natarajan S,Padget J, Elliott L. Modelling UK domestic energy and carbon emissions: an agent-based approach[J]. Energy and Buildings, 2011, 43(10): 2602-2612.

[13] Liu Y. Relationship between industrial firms, high-carbon and low-carbon energy: An agent-based simulation approach[J]. Applied mathematics and Computation, 2013, 219: 7472-7479.

[14] Zhang B, Zhang Y, Bi J. An adaptive agent-based modeling approach for analyzing the influence of transaction costs on emission trading markets[J]. Environmental Modelling &Software, 2011, 26(4): 482-491.

[15] Desmarchelier B, Djellal F, Gallouj F. Environmental policies and eco-innovations by service firms: an agent-based model[J]. Technological Forecasting and Social Change, 2013, 80(7): 1395-1408.

[16] Lee T, Yao R, Coker P. An analysis of UK policies for domestic energy reduction using an agent based tool[J].Energy Policy, 2014, 66: 267-279.

[17] Gerst M D, Wang P, Rovenini A, et al. Agent-based modeling of climate policy: an introduction to the ENGAGE multi-level model framework[J]. Environmental Modelling & Software, 2013, 44:62-75.

[18] Mialhe F, Becu N, Gunnell Y. An agent-based model for analyzing land use dynamics in response to farmer behaviour and environmental change in the Pampanga delta (Philippines)[J]. Agriculture, Ecosystems & Environment, 2012, 161: 55-69.

[19] Nannen V, van den Bergh J, Eiben A E. Impact of environmental dynamics on economic evolution: a stylized agent-based policy analysis[J]. Technological Forecasting &Scial Change,2013, 80: 329-350.

[20] 顾高翔，王铮，姚梓璇. 基于自主体的经济危机模拟[J]. 复杂系统与复杂性科学, 2011, 8(4):27-35. GuGaoxiang, Wang Zheng, Yao Zixuan. Agent-based simulation on economic crisis[J]. Complex Systems and Complexity Science, 2011:8(4):27-35.

[21] 顾高翔，王铮. 基于三个生产部门的经济危机ABS动力学模拟[J]. 复杂系统与复杂性科学，2013,10(2): 1-12. GuGaoxiang, Wang Zheng. TABS dynamics simulation of economic crisis based on three production sectors[J]. Complex Systems and Complexity Science,2013,10(2):1-12.

[22] DosiG, FagioloG ,Napoletano M, et al. Income distribution, credit and fiscal policies in an agent-based Keynesian model[J]. Journal of Economic Dynamics and Control, 37(8): 1598-1625.

[23] Neveu A R. Fiscal policy and business cycle characteristics in a heterogeneous agent macro model[J]. Journal of Economic Behavior & Organization, 2013, 92:224-240.

[24] Dosi G, Fagiolo G,Roventini A. An Evolutionary Model of Endogenous Business Cycles[J], Computational Economics,2006, 27: 3-34.

[25] 张世伟，冯娟. 经济增长与收入差距：一个基于主体的经济模拟途径[J].财经科学，2007, 226：41-49. Zhang Shiwei, Feng Juan. Economic growth and income inequality: an agent-based economic simulation approach[J]. Finance & Economics, 2007,226:41-49.

[26] Rixen M, Weigand J. Agent-based simulation of policy induced diffusion of Smart Meters[J]. Technological Forecasting and Social Change, 2013, 85:153-167.

[27] Sopha B M, Christian A K, Edgar G H. Exploring policy options for a transition to sustainable heating system diffusion using an agent-based simulation[J]. Energy Policy,2011, 39(5):2722-2729.

[28] Chappin E, Afman M. An agent-based model of transitions in consumer lighting: Policy impacts from the E.U. phase-out of incandescents[J]. Environmental Innovation and Societal Transitions, 2013 , 7: 16-36.

[29] 刘小平, 黎夏, 叶嘉安. 基于多智能体系统的空间决策行为及土地利用格局演变的模拟[J]. 中国科学,2006, 36(11): 1027-1036. Liu Xiaoping, Li Xia, Ye Jiaan. Agent-based simulation on spatial decision behavior and evolution of land use change[J]. Science in China Ser. D Earth Sciences, 36(11):1027-1036.

[30] Arsanjani J J, Helbich M, Noronha Vaz E. Spatiotemporal simulation of urban growth patterns using agent-based modeling: the case of Tehran[J]. Cities, 2013, 32: 33-42.

[31] Lorentz A, Savona M. Evolutionary micro-dynamics and changes in the economic structure[J]. Journal of Evolutionary Economics, 2008, 18(3/4): 389-412.

[32] Craxi A，Licata A. Structural change and business cycles: an evolutionary approach[J]. Papers on Economics and Evolution，2010，43(2)：221-4.

[33] 龚轶，顾高翔，刘昌新，等. 技术创新推动下的中国产业结构进化[J]. 科学学研究，2013，31(8)：1252-1259. Gong Yi, GuGaoxiang, Liu Changxin, et al. Chinese industry structure evolution driven by innovation[J]. Studies in Science of Science, 2013, 31(8): 1252-1259.

[34] 薛俊波. 基于CGE的中国宏观经济政策模拟系统开发及其应用[D]. 北京：中国科学院科技政策与管理科学研究所，2006. XueJunbo. CGE modelling on China’s macroeconomy[D]. Beijing: Institute of Policy and Management, Chinese Academy of Sciences, 2006.

[35] 石莹，刘昌新，吴静，等. 欧盟碳减排目标的经济可能性评估[J]. 世界地理研究，2013，22(3)：18-29. Shi Ying, Liu Changxin, Wu Jing, et al. Assessment of economic probability under the EU’s carbon emission reduction objective[J]. World Regional Studies, 2013,22(3): 18-29.

[36] 朱永彬，王铮，庞丽，等. 基于经济模拟的中国能源消费与碳排放高峰预测[J]. 地理学报，2009，64(8)：935-944. Zhu YongBin, Wang Zheng, Pang Li, et al. Simulation on China’s economy and prediction on Energy consumption and carbon emission under optimal growth path[J]. ActaGeographicaSinica, 2009,64(8): 935-944.

[37] 姜克隽，胡秀莲. 中国2050年低碳发展情景研究[C]//2050中国能源和碳排放研究课题组. 2050中国能源和碳排放报告. 北京：科学出版社，2009：753-819. Jing Kejun, Hu Xiulian. Low-carbon scenarios by 2050 in China[C]// Research team on China’s energy use and carbon emission. 2050 China Energy and CO2Emissions Report. Beijing: Science Press, 2009: 753-819.

[38] 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，2012，32(9)：2294-2302. Du Qiang, Chen Qiao, Lu Ning. Forecast of China’s carbon emissions based on modified IPAT model[J].Acta Scientiae Circumstantiae, 2012, 32(9): 2294-2302.

[39] 岳超，王少鹏，朱江玲，等. 2050年中国碳排放量的情景预测——碳排放与社会发展Ⅳ[J]. 北京大学学报(自然科学版)，46(4)：517-524. Yue Peng, Wang Shaopeng, Zhu Jiangling, et al. 2050 carbon emissions projection for China—Carbon emissions and social development, IV[J]. ActaScientiarumNaturaliumUniversitatisPekinensis, 46(4): 517-524.

[40] 梁慎宁，郭朝先. 基于STIRPAT模型的中国碳排放峰值预测研究[J].中国人口·资源与环境，2010，20(12)：10-15. Qu Shenning, GuoChaoxian. Forecast of China’s carbon emissions based on STIRPAT model[J]. China Population Resources and Environment, 20(12): 10-15.

[41] 刘昌义，陈孜，渠慎宁. 中国的工业化进程与碳排放峰值[C]//应对气候变化报告——科学认知与政治争锋.王伟光，郑国光. 北京：社会科学文献出版社，2014：139-150. Liu Changyi, Chen Zi, Qu Shenning. China’s emission peak and its industrialization process[C]// Annual Report on Actions to Address Climate Change. Wang Weiguang, Zheng Guoguang. Beijing: Social Sciences Academic Press (China), 2014: 139-150.

[42] 陆旸. 中国人口趋势与碳排放峰值[C]// 应对气候变化报告——科学认知与政治争锋.王伟光，郑国光. 北京：社会科学文献出版社，2014：183-191. Lu Yang. China’s emission peak and it’s residential consumption[C]// Annual Report on Actions to Address Climate Change. Wang Weiguang, Zheng Guoguang. Beijing: Social Sciences Academic Press (China), 2014: 183-191.

(责任编辑耿金花)

Forecast on China’s Energy Consumption and Carbon Emissions Driven by Micro Innovation

WU Jing1, WANG Zheng1,2, ZHU Qianting3, GONG Yi

(1.Institute of Policy and Management, Chinese Academy of Sciences, Beijing 100190，China；2.Key Laboratory of Geographical Information Science, Ministry of State Education of China, East China Normal University, Shanghai 200062，China；3.School of Business Administration, China University of Petroleum, Beijing 102249， China;4.Beijing Decision-making Consultant Center, Beijing 100089，China)

This paper integrates input-output model with agent-based simulation, in which an input-output model with 17 sectors is established at the macro economy level, and an agent-based model is developed simulating firms’ innovations in each sector at the micro economy level. The emergency of industrial structure evolution,energy consumption change and carbon emission change at the macro level are driven by innovations of firm agents. Results show that due to the uncertainty of innovation, the peak years of energy and emission are also uncertain. The energy peak year will subject to a normal distribution from 2025 to 2036; while the distribution of emission peak year is also identified as a normal distribution from 2024 to 2033. The year with the maximum probability for energy peak will be 2031 with the probability of 23.57%; and 2029 will be the year with the maximum probability 33.51% for emission peak. Taking the average of 50 simulations, it is indicated that the energy peak will be 5146Mtce in 2029, and the emission peak will be 2.7GtC in 2029.

carbon emissions; energy consumption; agent-based simulation; industrial structure; evolutionary economics