吳 靜，王 錚,2，朱潛挺，龔 軼(.中國科學院科技政策與管理科學研究所，北京，0090;2.華東師范大學地理信息科學教育部重點實驗室，上海，200062;.中國石油大學(北京)工商管理學院，北京，0229;.北京決策咨詢中心，北京，00089)

微觀創(chuàng)新驅動下的中國能源消費與碳排放趨勢研究

吳 靜1，王 錚1,2，朱潛挺3，龔 軼4
(1.中國科學院科技政策與管理科學研究所，北京，100190;2.華東師范大學地理信息科學教育部重點實驗室，上海，200062;3.中國石油大學(北京)工商管理學院，北京，102249;4.北京決策咨詢中心，北京，100089)

以基于自主體模擬和投入產(chǎn)出模型為建模手段，在宏觀層面構建了中國17個部門的投入產(chǎn)出模型，在微觀層面構建了部門細分的企業(yè)創(chuàng)新模型。模型通過微觀企業(yè)自主體的創(chuàng)新驅動宏觀層面部門間投入產(chǎn)出關系、能源消費量和碳排放趨勢的演化。研究發(fā)現(xiàn)，由于技術創(chuàng)新的不確定性，使得能源消費峰值和碳排放峰值出現(xiàn)的年份存在不確定性。能源消費峰值年份在2025年至2036年期間呈現(xiàn)正態(tài)分布；而碳排放峰值年份在2024年至2033年間呈現(xiàn)正態(tài)分布；其中，能源消費峰值出現(xiàn)的概率最大年為2031年，概率為23.57%；碳排放峰值出現(xiàn)的概率最大年為2029年，概率為33.51%。以多次模擬的平均值分析，中國未來能源消費量的高峰約出現(xiàn)在2031年，高峰值為5146Mtce；中國碳排放高峰出現(xiàn)在2029年，峰值為2.7GtC。

碳排放；能源消費；基于自主體模擬；產(chǎn)業(yè)結構；進化經(jīng)濟學

0 引言

中國作為全球碳排放量最大的國家之一，在國際社會上承受了巨大的減排壓力。正確評估中國未來可能的能源消費需求和碳排放趨勢將協(xié)助中國更好地制定相應的減排政策，確保未來中國經(jīng)濟的平穩(wěn)持續(xù)增長。

實際上，國內外對于各國能源消費和碳排放趨勢的研究已經(jīng)成為應對氣候變化行動的一個研究熱點。按研究方法不同進行區(qū)分，目前對于能源消費和碳排放預測的研究逐漸形成了幾大主流[1-2]：第一類是基于傳統(tǒng)計量經(jīng)濟學方法的研究，如時間序列分析、回歸分析、ARIMA模型等。具體研究如：Parajuli等[3]采用計量經(jīng)濟學的方法構建了一個簡單的對數(shù)線性模型研究了尼泊爾的未來能源消費。Aydin[1]基于人口與GDP的回歸分析模型，對土耳其的能源消費展開了預測研究。Yuan等[4]基于Kaya公式分析了中國不同發(fā)展情景下的未來能源消費，認為中國的能源消費高峰將出現(xiàn)在2035-2040年，峰值為5200-5400百萬噸標準煤；同時，二氧化碳排放的高峰將出現(xiàn)在2030-2035年，峰值為92-94億噸。第二類是基于軟件計算的人工智能非數(shù)值模擬分析，如模糊邏輯方法、遺傳算法、神經(jīng)網(wǎng)絡、支持向量機、蟻群算法以及粒子群優(yōu)化算法等。Uzlu等[5]采用人工神經(jīng)網(wǎng)絡方法預測了土耳其的能源消費。Ekonomou[6]通過基于真實能源消費數(shù)據(jù)對多層感知模型的訓練，進而估算了希臘在2012、2015年的能源消費。Ceylan和Ozturk[7]基于GNP、人口和進出口數(shù)據(jù)，結合遺傳算法估算了土耳其至2025年的能源消費量。除了上述兩類方法之外，在對能源消費和碳排放的預測研究中更重要的是要對經(jīng)濟活動與能源消費、碳排放的動力學機制展開全局的模型模擬分析，只有構建動力學機制清晰的模型研究經(jīng)濟—能源—排放問題才能對能源消費的動力以及排放控制的經(jīng)濟影響展開全面的評估，由此產(chǎn)生了第三類基于計算經(jīng)濟學建模分析能源消費和碳排放的研究。Wing和Eckaus[8]通過構建美國CGE模型，預測了美國至2050年的能源消費和碳排放。王錚等[9]在經(jīng)濟最優(yōu)增長軌跡下，從能源消費、水泥生產(chǎn)和森林碳匯3個方面對中國未來的碳排放和能源消費進行了全面的估算，計算得到能源消費碳高峰出現(xiàn)在2031年，峰值為2.6GtC。Vaillancourt等[10]構建了多區(qū)域TIMES-Canda模型計算了加拿大至2050年的能源消費趨勢，結果顯示至2050年加拿大的能源消費將比2007年增加43%。

雖然基于計算經(jīng)濟學建模的研究較為全面地構建了經(jīng)濟—能源—排放之間的動力學關系，但是目前的研究多是基于經(jīng)濟增長理論的宏觀建模，未能考慮微觀層面消費主體對宏觀能源和排放的影響。事實上，微觀主體是經(jīng)濟系統(tǒng)中能源和碳排放的消費者，其生產(chǎn)行為和技術水平將直接導致宏觀層面能源消費和碳排放總量的變化。這種自底向上的演化過程契合了基于自主體模擬的建模思想，適合于采用基于自主體模擬展開模擬研究。目前基于自主體模擬在能源消費和碳排放領域的研究還較少，主要應用于碳排放交易行為模擬[11]和微觀個體能源消費行為模擬[12-14]，但自1990’s年代以來，基于自主體模擬在更廣泛的領域都得到了很好的應用，包括環(huán)境政策模擬[15-19]，貨幣財政政策模擬[20-25]，技術擴散模擬[26-28]，土地利用類型變化政策模擬[29-30]等。這些應用研究體現(xiàn)了基于自主體模擬在異質性主體建模、復雜行為交互、宏觀格局演變等方面都具有突出的模擬能力。

因此，本文將以基于自主體模擬為建模工具，在Lorentz和Savona[31]，Lorentz和Savona[32]，龔軼等[33]構建的基于自主體模擬的經(jīng)濟演化模型基礎上，擴展構建中國能源消費和碳排放趨勢研究的模塊，從而實現(xiàn)對中國至2050年的能源消費和碳排放趨勢的估算。

1 建模

1.1 經(jīng)濟模塊建模

Lorentz和Savona[31]，Lorentz和Savona[32]，龔軼等[33]對于經(jīng)濟的建模將宏觀部門分解為有眾多微觀企業(yè)所構成的自主體系統(tǒng)，實現(xiàn)了微觀層面基于自主體建模與宏觀層面投入產(chǎn)出模型的整合。在微觀層面，企業(yè)自主體通過研發(fā)創(chuàng)新活動實現(xiàn)技術進步和對其他部門中間需求的變動，從而導致宏觀層面的直接消耗系數(shù)矩陣也隨之而變，最終在宏觀層面上涌現(xiàn)為產(chǎn)業(yè)結構的動態(tài)演變。宏觀與微觀互動的結構示意圖如圖1所示。

1.1.1 微觀企業(yè)建模

在本研究中，每個部門被分解為n個企業(yè)，每個企業(yè)被模擬為一個自主體，每個自主體具有異質性的經(jīng)濟、資源屬性和行為特征。在系統(tǒng)的演化過程中，企業(yè)具有生產(chǎn)和創(chuàng)新的行為能力。每一期企業(yè)都將開展創(chuàng)新活動，一方面驅動企業(yè)自身的技術進步，另一方面引發(fā)宏觀結構的變化。

1)企業(yè)生產(chǎn)行為

企業(yè)的產(chǎn)出滿足Cobb-Douglas生產(chǎn)函數(shù)，且企業(yè)的物質資本在基期水平上逐年累積：

(1)

Kk,i,t+1=Kk,i,t(1-δk)+Yk,i,tηk

(2)

其中，t表示t時刻，下文不再贅述；Yk,i,t為k部門i企業(yè)的產(chǎn)出；Ak,i,t，Kk,i,t，Lk,i,t分別為k部門i企業(yè)的勞動生產(chǎn)率、物質資本、勞動力；αk為資本彈性；δk為k部門物質資本折舊率；ηk為k部門投資率。因此，每個時期的勞動力需求由總產(chǎn)出和物質資本水平?jīng)Q定：

(3)

勞動力的工資水平在部門層面決定，即一個部門的所有企業(yè)具有相同水平的工資率，工資水平的變化基于菲利普斯曲線修改得到：

(4)

其中，ωk,t為k部門工資率；γk為勞動力變化對工資影響的敏感系數(shù)。

企業(yè)的產(chǎn)品生產(chǎn)投入主要包括對其他部門產(chǎn)品的中間消耗以及勞動力的工資支出，在這兩方面支出的基礎上進行一定幅度的加乘計算得到產(chǎn)品的價格pk,i,t:

(5)

其中，μk為k部門的價格加成幅度；aj,k,t-1表示k部門對j部門的直接消耗系數(shù)。基于此，企業(yè)的利潤πk,i,t可表示為

(6)

企業(yè)在不同的產(chǎn)品定價水平下，其市場競爭力Ek,i,t也各有不同：

(7)

其中，Ek,t為部門k的綜合競爭力；zk,i,t為k部門i企業(yè)的市場份額，zk,i,t受到企業(yè)市場競爭力變化的影響：

(8)

其中，φ為影響系數(shù)。企業(yè)的市場份額決定了企業(yè)在部門中所貢獻的產(chǎn)出：

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

(9)

2)企業(yè)研發(fā)創(chuàng)新行為

基于企業(yè)的利潤所得，企業(yè)將進行研發(fā)創(chuàng)新活動。在進化經(jīng)濟學的思想下，企業(yè)的研發(fā)活動將推動企業(yè)的技術進步，包括直接消耗系數(shù)的改進和勞動生產(chǎn)率的改進。企業(yè)進行研發(fā)活動成功的概率Pk,i,t定義為

(10)

其中，β為企業(yè)利潤對企業(yè)研發(fā)成功的影響系數(shù)。若Pk,i,t大于一定的閾值，則研發(fā)成功，否則研發(fā)失敗。當研發(fā)成功，企業(yè)對其他部門的直接消耗系數(shù)aj,k,i,t以及勞動生產(chǎn)率Ak,i,t都將受到服從正態(tài)分布的隨機沖擊：

(11)

(12)

(13)

1.1.2 宏觀部門建模

基于投入產(chǎn)出結構，可以將產(chǎn)出分解為3個部分，即中間消費、最終國內消費和凈國外消費，見式(14)。

(14)

其中，Yj,t為產(chǎn)出；Ij,t為中間消費；Cj,t為最終國內消費；Xj,t為出口量；Mj,t為進口量；因此Xj,t-Mj,t就代表了凈出口。

(15)

(16)

其中，aj,k,i,t為k部門i企業(yè)對j部門的直接消耗系數(shù)；zk,i,t表示k部門i企業(yè)的市場份額，市場份額將受企業(yè)競爭力的影響。式(16)實現(xiàn)了從微觀企業(yè)創(chuàng)新所引發(fā)的中間需求變動到宏觀部門直接消耗系數(shù)的變動，反映了從微觀到宏觀的演化過程。

基于直接消耗系數(shù)，可以將中間消費表示為

(17)

最終消費水平和出口水平均在基期消費水平的基礎上隨時間以指數(shù)形式增長：

Cj,t+1=Cj,texp(υc+exp(-δct))

(18)

Xj,t+1=Xj,texp(υx+exp(-δxt))

(19)

其中，υc,υx分別為最終消費水平和出口水平的初始增長率；δc，δx分別為最終消費和出口水平增長率的年變化率。同時，假設進口水平與國內中間消費和最終消費成正比，即：

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

(20)

其中，mj為j部門進口占國內中間消費與最終消費的比例。

因此，將式(15)、式(20)代入到式(14)，得到：

(21)

αj,k,t=(1-mj)aj,k,t

(22)

可以看到，部門產(chǎn)出的變動與部門直接消耗系數(shù)矩陣相關，結合式(16)可知，微觀企業(yè)的技術進步將影響到宏觀部門產(chǎn)出的變動。

1.2 能源—碳排放模塊建模

能源—碳排放模塊的建模目標是要實現(xiàn)對中國未來能源消費量、能源消費結構以及碳排放趨勢的估算?；趯?jīng)濟模塊的建模，能源—碳排放模塊也采用自底向上的基于自主體模擬展開建模。如同企業(yè)的研發(fā)活動會推動企業(yè)的直接消耗系數(shù)和勞動生產(chǎn)率改進的建模架構一樣，在能源—碳排放模塊，企業(yè)的研發(fā)活動也在兩個方面影響企業(yè)的能源和碳排放。一方面是研發(fā)活動將影響企業(yè)能源強度的變化，另一方面研發(fā)活動將對企業(yè)的能源消費結構產(chǎn)生影響。

企業(yè)的能源消費總量Enk,i,t由企業(yè)的總產(chǎn)出Yk,i,t及其當期的能源消費強度ζk,i,t所決定：

Enk,i,t=ζk,i,tYk,i,t

(23)

其中，能源消費強度受企業(yè)創(chuàng)新活動的影響，即當創(chuàng)新成功時，能源消費強度將受到一次服從正態(tài)分布的隨機沖擊，企業(yè)在朝著降低能源強度的方向選擇性地更新能源強度：

(24)

(25)

企業(yè)的能源消費結構受企業(yè)創(chuàng)新活動的影響。在基期，同一部門的所有企業(yè)具有與本部門相同的能源消費結構，該能源消費結構由煤、石油、天然氣、電力4種能源消費比例構成：

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為k部門i企業(yè)在基期的能源結構；Ck,0，Pk,0，Gk,0，ELk,0分別為基期k部門對煤、石油、天然氣、電力的消費比重。在系統(tǒng)演化中，由于企業(yè)創(chuàng)新活動成敗概率不同，企業(yè)的能源消費結構演化也將呈現(xiàn)差異。當企業(yè)創(chuàng)新成功，則企業(yè)的能源結構在轉移矩陣作用下轉移一次，表示企業(yè)的能源結構進化一步：

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

(27)

(28)

其中，Mk為k部門能源結構轉移矩陣。由企業(yè)的能源消費總量和企業(yè)的能源消費結構加總得到部門的各種能源消費量為

(29)

進而得到部門的能源消費總量Enk,t及其各種能源消費比重Hk,t，能源消費結構Sk,t為

(30)

(31)

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

(32)

碳排放在部門層面進行統(tǒng)計，由部門各種能源的消費量以及各種能源的碳排放系數(shù)計算得到：

(33)

其中，βH分別為煤、石油、天然氣的碳排放系數(shù)。

2 數(shù)據(jù)來源與模型實現(xiàn)

本研究的宏觀經(jīng)濟建模以2000年17部門的投入產(chǎn)出表為基準，其中涉及的直接消耗系數(shù)、最終消費量、進出口量等基準值均來源于2000年17部門投入產(chǎn)出表?；诟鞑块T的物質資本存量、勞動力、資本彈性數(shù)據(jù)引自文獻[34]。在微觀層面，在17部門的宏觀經(jīng)濟框架下，每個部門包括500個企業(yè)，每個企業(yè)在基期的物質資本和勞動力數(shù)據(jù)由部門內的所有企業(yè)平分得到。

在能源—碳排放模塊，每個部門內的所有企業(yè)在基期的能源強度以及能源消費結構由部門水平?jīng)Q定，即同一部門內所有企業(yè)的能源強度和能源消費結構在基期保持相同。而基準年的能源強度和能源消費結構來源于《2000年中國能源統(tǒng)計年鑒》。

另外，在能源結構演變中還需要確定每個部門的能源結構轉移矩陣。在本研究中，以1991-2011年《中國能源統(tǒng)計年鑒》為來源獲得歷年各部門能源消費結構，再采用石瑩等[35]構建的誤差最小的優(yōu)化模型，求得各個部門的能源消費結構轉移矩陣，見表1～6。需要說明的是，在能源統(tǒng)計年鑒中，終端消費量的部門劃分為農(nóng)、林、牧、漁水利業(yè)，工業(yè)，建筑業(yè)，交通運輸、倉儲和郵電通訊業(yè)，批發(fā)、零售業(yè)和貿(mào)易業(yè)、餐飲業(yè)，生活消費，其他；這與投入產(chǎn)出表17個部門不能一一對應，因此，本研究以能源統(tǒng)計年鑒中工業(yè)的能源消費結構及其轉移矩陣對應于投入產(chǎn)出表中除建筑業(yè)以外的10個工業(yè)部門。

表1 農(nóng)業(yè)能源消費結構轉移矩陣
Tab.1 Transfer-matrix of energy structure in agriculture

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

表3 建筑業(yè)能源消費結構轉移矩陣
Tab.3 Transfer-matrix of energy structure in construction

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

表5 批發(fā)零售業(yè)能源消費結構轉移矩陣
Tab.5 Transfer-matrix of energy structure inretail trade

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

表2 工業(yè)能源消費結構轉移矩陣
Tab.2 Transfer-matrix of energy structure in manufacturing

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

表4 交通業(yè)能源消費結構轉移矩陣
Tab.4 Transfer-matrix of energy structure in transportation

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

表6 其他能源消費結構轉移矩陣
Tab.6 Transfer-matrix of energy structure in other industries

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

3 模擬結果分析

由于模型中企業(yè)的創(chuàng)新受到服從正態(tài)分布的隨機沖擊，因此每次模擬的結果將因受到?jīng)_擊的不同而略有差異。為充分考慮這種隨機沖擊帶來的結果影響，研究分別模擬了50次，并對50次模擬的相應數(shù)據(jù)展開方差分析檢驗其差異性，結果顯示方差分析的p值均為1，表示組間數(shù)據(jù)無顯著差異，可以以50組數(shù)據(jù)的平均值作為模擬值展開分析。

3.1 經(jīng)濟增長趨勢模擬

經(jīng)濟增長是未來能源消費和碳排放增長的主要驅動力，因此，需要首先對中國未來的經(jīng)濟增長趨勢做出模擬。

計算得到，至2050年，中國GDP處于持續(xù)增長趨勢，見圖2。2050年的GDP總量約為149萬億元(2000年價格)。期間，GDP的年均增長率逐漸下降，計算得到，2010-2020年GDP的年均增長率約為6.8%；2021-2030年GDP年均增長率約為4.7%；2031-2040年GDP年均增長率約為3.4%；2040-2050年GDP年均增長率約為2.4%。

從產(chǎn)業(yè)結構進化的角度看，模擬得到，至2050年，中國三大產(chǎn)業(yè)的比重變化如圖3所示?？梢钥吹剑划a(chǎn)、二產(chǎn)的比重呈逐漸下降趨勢，三產(chǎn)比重呈上升趨勢；至2050年三大產(chǎn)業(yè)的比重分別為3.3%，31.7%，65 %。進一步探究具體部門構成，見圖4，可知第三產(chǎn)業(yè)中其他服務業(yè)在未來發(fā)展迅速，2050年其他服務業(yè)的比重達到約28.7%；同時第三產(chǎn)業(yè)中的金融保險業(yè)、公用事業(yè)及居民服務業(yè)、商業(yè)飲食業(yè)等也得到了一定的發(fā)展，在經(jīng)濟總量中的比重均有所上升；第二產(chǎn)業(yè)中各部門的比重均呈現(xiàn)縮減趨勢，至2050年在二產(chǎn)中比重最大的行業(yè)主要為建筑業(yè)和機械設備制造業(yè)，大約占經(jīng)濟總量的6%左右。

3.2 能源消費趨勢模擬

由3.1節(jié)可知，中國未來的二產(chǎn)比重逐漸下降，而三產(chǎn)比重逐漸上升，這種結構的轉變勢必會影響到中國未來能源消費量的變化。

在對能源消費趨勢做出估算之前，為了驗證模擬結果的可靠性，即模擬是否能較好地反應真實情況。首先將模擬得到的2001-2013年的能源消費總量與基于統(tǒng)計數(shù)據(jù)的能源消費量進行了比較，見圖5?？梢钥吹?，能源消費的實際值與模擬值基本吻合，兩者相關系數(shù)達到0.99，方差分析顯著性為0.79，模擬值較好地重現(xiàn)了歷史的能源消費軌跡，表明模型具有可靠性，可以展開進一步的能源消費趨勢研究。

對于中國未來的能源消費趨勢，研究得到至2050年中國的能源消費趨勢如圖6所示?？傮w呈現(xiàn)先上升后下降的趨勢，能源消費量的高峰約出現(xiàn)在2031年，高峰值為5 146Mtce，這比2010年3 249Mtce上升了約1.6倍；隨后，能源消費總量逐年下降，至2050年，中國能源消費量約為4 086Mtce。結合至2050年中國的GDP增長趨勢，可以計算得到至2050年各年的單位GDP能源使用強度，研究發(fā)現(xiàn)，未來中國的單位GDP能源使用強度的下降速度逐漸提高，即單位GDP能源使用量將逐步下降，平均下降速度為3.38%。

從能源消費結構分析，至2050年，中國的能源消費結構變化趨勢如圖7所示。至2050年中國的能源結構將發(fā)生顯著的改變，煤的消費比重將持續(xù)下降，2050年煤的比重大約為41.6%；油的消費比重略有增長，由2001年23%上升至2050年36.3%；天然氣消費在總能源消費中所占比例仍較低，2050年占比僅為3.9%，但其相對于2001年的比重1.9%相對增長幅度顯著；非碳能源的消費比重也有較大的增長，2050年的比重為18.2%。

進一步，各個產(chǎn)業(yè)由于生產(chǎn)工藝和技術水平差異，對于各種能源消費的結構也有所差別。模擬得到2050年各產(chǎn)業(yè)的能源消費結構，見表7。一產(chǎn)的能源消費主要以非碳能源為主，比重約為23.03%；二產(chǎn)仍主要以煤為主，比重約為43.19%，而數(shù)據(jù)顯示二產(chǎn)中對煤的消耗量最大的是機械設備制造業(yè)；三產(chǎn)的能源消費也是以石油為主，比重約為73%，同時也發(fā)現(xiàn)三產(chǎn)對非碳能源的消耗比重低于一產(chǎn)和二產(chǎn)對非碳能源的消費比重。分析其中的原因發(fā)現(xiàn)，雖然2050年三產(chǎn)中除運輸郵電業(yè)外的其他部門對非碳能源消費的比重均達到34%左右，但運輸郵電業(yè)對非碳能源的消費比重僅為3.3%，從而拉低了三產(chǎn)對非碳能源消費的綜合水平，僅達到8.27%。

表7 2050年各產(chǎn)業(yè)能源消費結構

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

煤石油天然氣非碳合計一產(chǎn)17．83%59．11%0．02%23．03%100．00%二產(chǎn)43．19%34．74%3．45%18．62%100．00%三產(chǎn)3．22%73．04%15．47%8．27%100．00%

3.3 碳排放趨勢模擬

基于能源消費預測，可以對未來的碳排放趨勢展開分析。首先研究對2001-2010年模擬得到的碳排放量與實際觀測值(數(shù)據(jù)來源于CDIAC)進行了比較，見圖8。分析得到，實際值與模擬值的相關系數(shù)為0.99，方差檢驗顯著性為0.22，表明兩組數(shù)據(jù)沒有顯著差異，模擬基本重現(xiàn)了歷史的排放軌跡。但相對于能源消費量的模擬值與觀測值比較，2001-2010年的碳排放模擬值與實際觀測值誤差較大。其原因在于，對能源結構轉移矩陣的擬合是一個平均的狀態(tài)，但實際的情況是最近幾年在農(nóng)業(yè)和工業(yè)部門的能源消費結構中煤的占比是上升的，但在擬合時使這種趨勢難以體現(xiàn)，進而造成對能源結構的差異，從而導致碳排放總量與實際值的差異。

基于經(jīng)濟增長趨勢和能源消費的計算，進一步得到了中國至2050年的碳排放趨勢，如圖9所示。碳排放高峰出現(xiàn)在2029年，峰值為2.70GtC(GtC表示十億噸碳，下同)；隨后碳排放量逐年下降，至2050年碳排放量為2.05GtC，為2005年碳排放水平1.58GtC的1.3倍。

作為一個橫向比較，本文收集了部分其他學者對碳排放高峰的研究結果列于表8中，其中碳排放的高峰范圍大約在2025-2040之間，而早期的研究對碳排放高峰的年份估計較晚，均在2030年之后，而近年對碳高峰的估算普遍推前，最早的估算為2025年達峰；而本文的研究結果基本落在普遍發(fā)現(xiàn)的峰值范圍之內。

表8 不同研究的碳排放峰值年份比較

注：-未給出具體的峰值數(shù)據(jù)。

結合中國提出的40-45目標，即至2020年中國GDP碳排放強度比2005年降低40-45%。本研究將碳排放趨勢與GDP增長趨勢相結合，計算得到2020年中國GDP碳排放強度比2005年下降幅度大約為37.8%，略低于中國提出的減排目標。因此，僅僅基于產(chǎn)業(yè)結構變化以及當前的技術進步水平還未能實現(xiàn)40-45目標，仍需其他手段的協(xié)助。

3.4 能源消費與碳排放峰值年份的不確定性

在本研究的模型中，企業(yè)的創(chuàng)新推動了企業(yè)的技術進步，從而使得能源結構發(fā)生改變并降低了碳排放量。但考慮到企業(yè)的技術進步具有隨機性，因此，在前文的50次模擬中，每次模擬得到的碳排放峰值年份不盡一致，雖然前文分析中采用了平均值作為趨勢分析的依據(jù)，但是仍不能忽視這種隨機的技術沖擊可能產(chǎn)生的能源消費和碳排放峰值的不確定性。

為了重現(xiàn)能源消費與碳排放峰值出現(xiàn)的不確定性，分別將50次模擬得到的50個能源消費峰值年份和碳排放峰值年份分別做直方圖并擬合了正態(tài)分布曲線，見圖10。由圖10可以發(fā)現(xiàn)，能源消費峰值與碳排放峰值年份的分布接近正態(tài)分布。為進一步驗證分布是否呈正態(tài)性，本文采用SPSS單樣本k-s檢驗對數(shù)據(jù)進行了檢驗，計算得到能源消費峰值分布呈正態(tài)性的顯著性為0.11，碳排放峰值分布呈正態(tài)性的顯著性為0.14，均大于0.05，故可以判斷為正態(tài)分布。

在能源消費峰值年的正態(tài)分布曲線下，計算得到2024年至2039年，各年出現(xiàn)能源消費高峰的概率，見表9。分析可知，未來中國的能源消費高峰有可能出現(xiàn)的年份范圍為2025年至2036年之間，各年的概率均大于0；但峰值年份出現(xiàn)在2028年之前以及2035年之后的概率都非常小，累積概率小于1%，因此，能源消費高峰較有可能的分布區(qū)間為2028年至2035年的8年間。其中，最大概率的能源消費峰值年份為2031年，概率為23.57%；其次為2032年，概率為23.22%；再次為2030年，概率為16.40%。

在碳排放峰值年的正態(tài)分布曲線下，同樣可以計算得到各年出現(xiàn)碳排放峰值的概率，見表10。由表10可知，碳排放峰值年分布的區(qū)間為2024年至2033年，但2026年之前和2032年之后出現(xiàn)峰值的概率均小于1%，概率極低，總體而言，碳排放高峰較有可能出現(xiàn)的區(qū)間為2026年至2031年的6年間。其中，2029年為碳排放峰值概率最大年，排放峰值落在該年的概率為33.51%；其次為2028年，概率為25.23%；再次為2030年，概率為21.89%。結合習近平總書記在2014年APEC會議上提出“中國計劃2030年左右二氧化碳排放達到峰值”的目標，研究認為中國在2030年之前達到峰值的累積概率達到91.79%，對于實現(xiàn)達峰目標具有較大的把握。

表9 2024-2037年的能源消費高峰年概率分布

表10 2023-2034年的碳排放高峰年概率分布

4 結論

企業(yè)的創(chuàng)新是經(jīng)濟系統(tǒng)產(chǎn)業(yè)結構進化和能源系統(tǒng)結構轉變、降低排放量的重要推動力。企業(yè)自主體通過創(chuàng)新行為推動自身的技術進步，改變中間消費模式和能源消費結構，從而影響宏觀層面的產(chǎn)業(yè)結構和能源需求。最終對中國未來的能源結構和碳排放趨勢產(chǎn)生影響。本文基于投入產(chǎn)出模型和自主體模擬方法，構建了中國17個部門的宏觀經(jīng)濟系統(tǒng)，并與微觀企業(yè)創(chuàng)新行為相整合，實現(xiàn)了對微觀企業(yè)創(chuàng)新推動下的中國能源消費和碳排放趨勢的模擬。研究發(fā)現(xiàn)：

1)至2050年，中國一產(chǎn)、二產(chǎn)的比重呈逐漸下降趨勢，三產(chǎn)比重呈上升趨勢；至2050年三大產(chǎn)業(yè)的比重分別為3.3%，31.7%，65 %。

2)至2050年中國的能源消費總體呈現(xiàn)先上升后下降的趨勢，能源消費量的高峰約出現(xiàn)在2031年，高峰值為5 146Mtce；至2050年，中國能源消費量約為4 086Mtce。

3)至2050年中國的能源消費結構仍主要以煤為主，2050年煤的比重仍有約41.6%；而2050年石油的消費比重為36.3%；天然氣和非碳能源消費比重也有所上升，至2050年的比重分別為3.9%，18.2%。

4)中國碳排放高峰出現(xiàn)在2029年，峰值為2.7GtC；隨后碳排放量逐年下降，至2050年碳排放量為2.05GtC。

5)由于技術創(chuàng)新的不確定性，能源消費峰值和碳排放峰值出現(xiàn)的年份也存在不確定性。能源消費峰值較有可能出現(xiàn)在2028年至2035年；而碳排放峰值較有可能出現(xiàn)在2026年至2031年；其中，能源消費峰值出現(xiàn)的概率最大年為2031年，概率為23.57%；碳排放峰值出現(xiàn)的概率最大年為2029年，概率為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, ?stergaard 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]王錚，朱永彬，劉昌新，等. 最優(yōu)增長路徑下的中國碳排放估計[J]. 地理學報，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] 顧高翔，王錚，姚梓璇. 基于自主體的經(jīng)濟危機模擬[J]. 復雜系統(tǒng)與復雜性科學, 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] 顧高翔，王錚. 基于三個生產(chǎn)部門的經(jīng)濟危機ABS動力學模擬[J]. 復雜系統(tǒng)與復雜性科學，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] 張世偉，馮娟. 經(jīng)濟增長與收入差距：一個基于主體的經(jīng)濟模擬途徑[J].財經(jīng)科學，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] 劉小平, 黎夏, 葉嘉安. 基于多智能體系統(tǒng)的空間決策行為及土地利用格局演變的模擬[J]. 中國科學,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] 龔軼，顧高翔，劉昌新，等. 技術創(chuàng)新推動下的中國產(chǎn)業(yè)結構進化[J]. 科學學研究，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的中國宏觀經(jīng)濟政策模擬系統(tǒng)開發(fā)及其應用[D]. 北京：中國科學院科技政策與管理科學研究所，2006. XueJunbo. CGE modelling on China’s macroeconomy[D]. Beijing: Institute of Policy and Management, Chinese Academy of Sciences, 2006.

[35] 石瑩，劉昌新，吳靜，等. 歐盟碳減排目標的經(jīng)濟可能性評估[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，王錚，龐麗，等. 基于經(jīng)濟模擬的中國能源消費與碳排放高峰預測[J]. 地理學報，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] 姜克雋，胡秀蓮. 中國2050年低碳發(fā)展情景研究[C]//2050中國能源和碳排放研究課題組. 2050中國能源和碳排放報告. 北京：科學出版社，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] 杜強，陳喬，陸寧. 基于改進IPAT模型的中國未來碳排放預測[J].環(huán)境科學學報，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，王少鵬，朱江玲，等. 2050年中國碳排放量的情景預測——碳排放與社會發(fā)展Ⅳ[J]. 北京大學學報(自然科學版)，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] 梁慎寧，郭朝先. 基于STIRPAT模型的中國碳排放峰值預測研究[J].中國人口·資源與環(huán)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] 劉昌義，陳孜，渠慎寧. 中國的工業(yè)化進程與碳排放峰值[C]//應對氣候變化報告——科學認知與政治爭鋒.王偉光，鄭國光. 北京：社會科學文獻出版社，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] 陸旸. 中國人口趨勢與碳排放峰值[C]// 應對氣候變化報告——科學認知與政治爭鋒.王偉光，鄭國光. 北京：社會科學文獻出版社，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.

(責任編輯 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

10.13306/j.1672-3813.2016.04.010

2015-01-07；

2015-11-19

國家重大研究計劃(973)項目(2012CB955800)；國家社會科學基金(14CGJ025)；中國科學院戰(zhàn)略性先導科技專項(XDA05150900)；中國科學院科技政策與管理科學研究所重大研究計劃資助(Y201161Z01)

吳靜(1981-)，女，浙江永嘉人，博士，副研究員，主要研究方向為基于自主體建模。

王錚(1954-)，男，云南陸良人，博士，研究員，主要研究方向為計算管理學。

N949;F069.9

A