01
研究内容
由于没有充分考虑能源消费的省际异质性和关联性，中国一些“一刀切”的能源政策效率低下、效果不佳。本文采用ARIMA、GM(1,1)缓冲算子、空间自相关分析、蒙特卡罗随机抽样和社会碳成本(SCC)方法，系统地研究了中国省级能源消费的时空演变趋势，为制定更具针对性的能源政策提供支持。
本研究旨在通过系统回答以下四个问题，为中国各省制定有针对性的能源政策提供科学支持:(1)各省能源消费总体趋势如何?采用差异化预测模型，以最适合各省的数据特点。(2)各省能源消费结构将发生怎样的变化?采用优化的马尔可夫链模型来解决这一问题。(3)外溢效应将如何影响相邻省份的能源消费?引入Moran I指数分析了省域能源消费的全球和区域空间自相关性。(4)各省的能源消费相关碳排放和社会成本是多少?预测的碳配额是否合适?引入蒙特卡罗随机抽样方法对不确定条件下的碳排放和社会成本进行预测。
02
研究亮点
充分考虑了省域能源消费的异质性和关联性，顺应了节能领域协同精细化管理的发展趋势。首先，采用差异化预测模型和蒙特卡罗随机抽样方法，反映了各省的独特性和不确定性。研究结果有助于促进“一刀切”管理模式向精细化管理模式的转变。其次，采用全球和区域空间自相关分析方法，分析了相邻省份能源消费的溢出效应和集聚特征。考虑省域能源消费的互动，促进国家层面的协同管理，而不是省域层面的单独管理。本文的方法框架虽然以中国为个案，但并不局限于一个国家，可以用于促进其他国家节能管理的协同和精细化。
03
数据和方法
3.1
研究框架
3.2
能源消费总量的差异化预测模型
由于各省历史能源消费数据的随机性和不同的演变趋势，本研究采用差异化预测模型来提高预测精度。预测模型包括缓冲算子GM(1,1)模型、ARIMA模型和组合预测模型。通过误差分析，选择最适合各省的预测模型。
3.2.1
缓冲算子GM(1,1)模型
GM(1,1)模型适合预测随时间稳定变化的灰色过程。然而，实际系统经常受到干扰的影响，这可能导致实际系统的低增长与GM(1,1)模型的高增长建模结果之间的矛盾。因此，本研究引入缓冲算子对数据进行预处理，抑制GM(1,1)模型的高增长特性。
步骤1：通过缓冲区操作符预处理数据。为了提高能耗数据序列的平滑性，设计了缓冲算子。以2000年为第一年，各省能源消费总量的原始数据序列设为X(0) = { X(0) (1)，X(0) (2)，....，X(0) (n)}。通过引入灰色平均弱化缓冲操作D，预处理后的数据序列如下:
步骤2：建立微分方程。将预处理后的数据X(0)D累加，生成新的能耗序列X(1) = { X(1) (1)， X(1) (2)， ...., X(1) (n)}, wherex (1) (k) =∑k j = 1 X(0) (j) = x (1) (k−1)+ x (0) (k)。微分方程如式(2)所示。
式中，t为周期，系统发育系数α为，内源控制灰阶μ为待估计的参数。微分方程可以用最小二乘回归法求解。
步骤3：后验方差检验。此步骤检查模型是否合格。如附录表A .1所示，C表示原始序列的标准差与绝对误差序列的标准差之比，P表示绝对误差小于某一阈值的概率。检查结果见附录表A.2。
3.2.2
ARIMA模型
ARIMA (p, q, d)模型适用于非平稳时间序列数据的预测。该模型的优点是只需要考虑内生变量，不需要考虑其他外生变量。它结合了自回归模型、移动平均模型和微分模型。在ARIMA模型中，p表示自回归项，q表示移动平均项，d表示使数据稳定所需的差分阶数。如图2所示，建模步骤如下：
步骤1：稳定处理。本研究采用差分运算提高数据稳定性，并计算参数d。
步骤2：顺序确定。这一步通过结合自相关函数(ACF)和部分自相关函数(PACF)来预测p和q的值。ACF反映了总能耗数据序列中相邻数据之间的相关性，PACF在去除取代滞后(k变量值)的相关性后，测量x(0)t与x(0)t−k之间的相关性。通过这两个相关函数，可以根据附录表A.3的规律确定p和q的值。
步骤3：模型构建、测试和预测。在确定显著滞后，准备了暂定的省级ARIMA (p, q, d)模型。综合考虑显著系数的数量、R2值、 Akaike Information Criterion, AIC值和Schwarz-Bayesian Information Criterion, SBIC值，为各省选择最优的模型。
3.2.3
组合预测模型
组合预测模型可以综合现有模型的优点。根据预测结果误差平方和最小的原则，组合预测模型的权重方程如式3所示：
以2000年能源消费为第一期，第1期实际值表示为Xi，同期综合预测值表示为Fi。Wj表示使预测训练集的误差平方和最小的第j个模型的最优权值，fij表示第j个模型同期的预测值。
3.2.4
模型选择
为了确定最适合各省的预测模型，本研究引入了平均绝对百分比误差(MAPE)指数。
式中，为第i个周期的预测值，为yi对应的实际值。N表示预测值的个数。MAPE与预测精度的关系如表2所示。
3.3
能源消费结构预测的优化马尔可夫模型
考虑到能源消费结构数据序列具有较强的非后效，本研究采用优化的马尔可夫模型对能源结构变化趋势进行预测：
步骤1：确定状态转移矩阵。为了提高马尔可夫模型的精度，本研究计算了t+1年的实际能耗结构与预测值的误差平方和，得到了方差最小的优化状态转移矩阵值。方程如下：
式中，e表示预测值与实际值之间的误差，S(t)表示t年的能耗结构，pij表示i型向j型转移的能耗比例，P为pij的数据集。
步骤2：预测未来能源消费结构。利用优化后的2017年状态转移矩阵P预测k年后的能源消费结构。
步骤3：模型测试。该步骤采用预测值和相应的实际值求相对误差，误差应控制在20%以内。否则，需要对模型进行调整以进行重新预测。
3.4
空间相关分析
3.4.1
全局空间自相关
全局空间自相关旨在描述整个空间区域的集聚特征，包括三种分布:聚类分布、离散分布或随机分布。
式中n为I和j的空间单元号；X是X(能量消耗)的平均值。Wij表示n×n空间权重矩阵中第i行、第j列的值。一般来说，I的取值范围在[-1,1]之间，其中正值表示聚类，负值表示离散，0表示随机分布。
3.4.2
局部空间自相关
虽然全局Moran’s I指数被认为是一种较为完善的分析空间自相关的统计指标，但随着观测次数的增加，其不能有效识别空间格局的分组，空间稳定性可能不可靠。因此，本研究采用局部自相关分析如下：
其中各变量含义与式(7)中相同。在局部空间自相关中，结果分为四种类型：H-H表示高值被高值包围；L−H表示低值被高值包围，间隙较大；L-L表示低值被低值包围，但不平衡程度相对较小；H-L意味着高值被低值包围。
3.5
能源消耗相关的二氧化碳排放及社会成本估算
3.5.1
二氧化碳排放量估算
本研究采用中国国家发展和改革委员会能源研究所推荐的主要一次能源类型的碳排放因子作为基本值。为了分析能源消费相关CO2排放的不确定性，本研究基于IPCC排放清单设定了碳排放因子的上下限。采用蒙特卡罗随机抽样方法模拟这些波动的碳排放因子所引起的CO2排放的不确定性。相关数据见附录表A.4。
式(9)中CE表示CO2总排放量；I是煤、石油、天然气三种一次能源的指数；Ei表示第i个能量的消耗；EFi为第i能量的排放因子；α为44 (CO2的摩尔质量)，β为12(碳的摩尔质量)。
3.5.2
社会碳成本
社会碳成本(SCC)衡量的是与气候变化相关的能源消耗造成的经济损失。受计算中各参数不确定性的影响，各省SCC波动幅度较大。根据Katharine等人的研究，中国的SCC平均为每吨CO2 24美元，下限为4美元，上限为50美元。本研究采用蒙特卡罗随机抽样方法对30个省份的SCC进行模拟。每个参数范围均选择三角形分布。
04
研究结论
4.1
总能耗分析
如附录表A.5所示,我们比较了三种模型的mape，选择了最适合30个省份的拟合模型。预测结果的最大MAPE为6.22%，证明了所选模型的可靠性。
图3为2020 - 2025年各省能源消费总量变化趋势。根据各省能源消费的不同，30个省可分为三类。
第一类包括山东、山西、江苏、河北和广东，这些省份的能源消费总量明显高于其他省份。根据预测结果，2020—2025年，江苏、广东、山东三省能源消费总量年均增速约为3.5%，山西、河北三省年均增速约为2.8%。报告指出，到2025年，这些省份的能源消费总量将超过3.5亿吨煤当量。特别是，到2025年，山东省的能源消费总量将首次超过5亿吨标准煤，仍然是中国最大的能源消费国。
第二类包括河南、浙江、新疆、辽宁、内蒙古、四川、湖北、湖南、福建和山西。这些省份的能源消耗是适度的。2020-2025年，除内蒙古(1.4%)外，上述省份的能源消费预计将以年均2.5%以上的速度增长。特别是，新疆的能源消费年均增长率(5.4%)将是中国最高的。
第三类是能源消费总量相对较低的15个省份。到2025年，这些省份的能源消费将小于1.8亿吨标准煤，其中天津和吉林呈小幅负增长趋势。
图4对比了2017年和2025年中国省际能源消费空间分布特征。2017年，中国能源消费主要集中在东部沿海地区和北方地区，其中山西和山东是最大的能源消费国。然而，到2025年，许多省份的能源消费总量将出现明显变化：河北、河南、广东和江苏的能源消费将超过3亿吨标准煤；内陆省份，特别是新疆、湖北、湖南和四川，增长趋势更为突出。从图4可以看出，中国各省能源消费总量的空间分布有很大差异且不平衡。
4.2
能源消费结构分析
图5显示了2025年中国不同类型一次能源消费的空间分布，包括煤炭、石油、天然气和一次电力。从图中可以看出，中国煤炭份额分布呈现出明显的聚类特征。在中部和北部省份，煤炭消费量仍将居高不下。在山西、内蒙古等省，煤炭占能源消费总量的75%以上。离产煤省份越远，煤炭消费占比越低。其次，与沿海省份相比，内陆省份天然气消费比重总体较高，石油消费比重总体较低。第三，北方地区一次电力消费比重相对较低，青海和甘肃是例外。据估计，到2025年，全国没有一个省份的一次电力消费比重超过50%。这一部分反映了各省之间能源消费结构的区域差异，但不同类型能源消费的空间相关性有待进一步验证。
4.3
空间自相关分析
4.3.1
全局空间自相关分析
表3列出了2017年(实际)和2025年(预测)全球空间自相关指标。p值表示观察到的空间模式是由随机过程产生的概率。2017年，总能源消费的Moran’s I指数为0.252，在5%的置信水平下显著，表明中国总能源消费呈现出明显的聚类特征。但到2025年，各省之间能源消费总量的相关性将不再显著。研究表明，由于各省能源消费增长趋势的不同，将导致各省能源消费总量的全球自相关向随机现象转变。
根据研究结果，中国省级煤炭消费的莫兰I指数将从2017年的0.402下降到2025年的0.250。这表明煤炭消费的集聚特征在短时间内仍将存在，但会逐渐减弱。2017年全球一次用电量存在显著的空间自相关性，预计到2025年将消失。省际石油与天然气消费量无明显相关性。
4.3.2
局部空间自相关分析
根据2017年和2025年能源消费总量局部空间自相关分析结果，如图6所示，河北、山东和河南是能源消费的高聚类中心，H-H聚类特征在短期内不会发生变化。然而，一些省份将是例外。
与周边省份相比，安徽能耗明显较低，且呈现L-H空间特征；新疆和四川(H-L)是低耗区包围的高耗省。
在煤炭消费的局部空间自相关分析中(图7)，河北、山东和河南表现出显著的H-H聚类特征，而四川、云南和贵州是2017年煤炭消费较低的聚类。这种空间关联模式与中国煤炭储量的分布特征密切相关。2025年，云南和贵州煤炭消费的L-L集群特征将消失，安徽将加入煤炭消费的H-H集群。这一变化表明煤的影响将逐渐向南方扩散。
在局部石油消费空间自相关分析中，2025年江苏和福建将是石油消费的高度集中中心(H-H)。2017 - 2025年，大部分省份的局部空间特征保持不变，如H-L聚类特征。新疆L-L聚类特征。在一次用电量方面，广西、福建等南方省份呈现明显的H-H集聚特征，内蒙古呈现L-L集聚特征，江西仍是L-H集聚中心。由于天然气消费的局部空间自相关性不显著，故本文未提及。
4.4
碳排放及相关社会成本分析
本研究模拟了2025年中国各省的二氧化碳排放量(图8)。二氧化碳排放量排名前三位的是山东(平均12.46亿吨)、山西(11.54亿吨)和江苏(9.85亿吨)，而二氧化碳排放量最低的是海南(5300万吨)和青海(6700万吨)。这5个省份的二氧化碳排放总量排名与能耗排名基本一致。然而，由于能源消费结构的不同，大多数省份的二氧化碳排放排名与其能源消费排名并不一致。最具代表性的两个省份是云南和江西。以一次用电为主的云南，能源消耗排名第16位，二氧化碳排放量排名第24位。相反，以煤炭为主的江西在能源消耗方面排名第22位，但在二氧化碳排放却排在第18位。研究结果间接验证了能源消费结构升级的重要性。
根据中国社会科学院和政策研究所课课组的《中国能源展望》，中国可以提前实现二氧化碳减排目标，到2025年将二氧化碳排放总量控制在95亿吨以内。根据这一预测结果，Kong等进一步基于平等和效率原则对中国各省进行碳排放配额分配(通过DEA的综合加权方法综合考虑总人口、历史累计碳排放量和排放效率)。该工作也被《中国第四次气候变化国家评估报告》引用。我们将碳排放配额与CO2排放评估结果进行对比(图8)，结果表明，2025年，四川、宁夏、广西等省的CO2排放总量很容易控制在碳配额范围内;贵州、江西、安徽和福建的二氧化碳排放量将在配额水平附近波动；山东、山西和河北等省的二氧化碳排放量将远远超过其配额。它指出，一些省份可能拥有更多的碳排放配额，而一些省份由于碳排放配额不足而无法确保区域发展。
到2025年，各省碳排放的社会成本将有很大差异，从3亿美元到大约600亿美元不等(图9)。排在前五位的省份将占碳排放总成本的38%，它们分别是山东(53-620亿美元)、山西(49-598亿美元)、江苏(45-505亿美元)、河北(37-431亿美元)和河南(33-352亿美元)。与其他省份相比，这5个省份的成本评估存在较大的不确定性，这既是挑战也是机遇。二氧化碳排放引起的环境变化会在不知不觉中消耗大量的社会成本。但相反，通过采取有效措施，政府可以获得可观的经济和环境效益。
05
讨论
从能源消费总量来看，研究结果表明，“十四五”期间(2020-2025年)，中国大部分省份的能源消费年均增速将在2% - 3%左右，并有明显的下降趋势。按照这一趋势，大多数省份将能够在2030年达到能源消耗峰值。内陆省份能源消费增速将相对较高。受益于中国西部大开发战略和“一带一路”倡议，新疆能源消费将迎来快速增长。湖北、湖南和四川的能源消费也可能在长江经济带倡议的推动下稳步增长。省域间能源消费总量和结构差异将继续扩大，资源禀赋将发挥重要作用。具体而言，北方省份“以煤为主”的能源消费结构在短期内难以改变。同样，受四川盆地天然气储量的影响，未来四川和重庆两省的天然气消费比重将会增加。然而，这种资源优势只会对周边省份产生明显的影响，难以支持全国性的“煤制气”政策。
从空间自相关的角度看，尽管北方地区煤炭消费具有H-H集聚特征，但未来主要能源消费类型的空间集聚特征将逐渐消失。煤炭消费与能源消费总量的空间自相关格局具有较强的一致性，这在很大程度上是由于中国的资源储备特点是煤多、油少、气少。2025年，由于中国原油进口依赖严重，预计沿海地区石油消费将呈现较强的局部集聚特征。在一次用电量方面，南方部分省份的集聚特征将更为明显。未来5年，部分省份的石油、天然气和一次电力消费比重将稳步上升，但仍低于50%。这表明，中国省级能源消费结构转型任重道远。
从碳排放的角度来看，研究发现山东、山西、河北等“以煤为主”的省份碳排放配额存在较大缺口，而四川、宁夏、广西等省份碳排放配额存在盈余。山东、山西、江苏、河北和河南的SCC将占总成本的38%左右。此外，SCC评估存在较大的不确定性，这将对中国碳排放权交易机制的建立产生重大影响。
06
结论
为了为制定差别化、有针对性的能源政策提供科学支持，本研究系统探讨了中国各省能源消费总量、结构和空间格局的变化趋势，并在考虑未来发展情景不确定性的情况下，对各省能源消费相关碳排放和社会成本进行了模拟。基于预测结果，本文对中国节能减排提出了以下建议: （1）到2030年，大部分省份可以实现能源消费峰值，但省域异质性进一步扩大。与沿海地区相比，内陆省份的节能压力相对较大。如果能源消费结构转型过快，湖南、江西、河北三省可能出现严重的电力短缺。能源消费总量和能源消费强度的“双管齐下”政策应适当放缓; （2）中国北方地区煤炭消费将保持“高-高”集聚特征，四川和重庆天然气消费将呈现轻微的“高-高”局部集聚特征。四川盆地天然气储量的资源优势只会对周边省份产生明显的溢出效应，难以支持全国范围内的“煤制气”政策。南方省份要重点发展一次电力。沿海省份应增强石油供应体系的多样性; （3）为实现中国2030年二氧化碳排放峰值的目标，山东和山西应提出更有力的方案。否则，它们的二氧化碳排放量可能会远远超过“十四五”规划的目标。各省社会碳成本的巨大差异和不确定性(3亿美元至约600亿美元)验证了全国碳排放交易体系的必要性。
本研究还存在一些不足: （1）只分析了一次能源消耗的主要类型。可再生能源(如风电、光伏发电、生物燃料等)在中国能源消费结构中扮演着越来越重要的角色。（2）本研究侧重于模拟省际能源消费的时空演变趋势，未能进一步探讨其演变趋势背后的主要影响因素机制;（3）空间自相关分析无法揭示特定事件对能源消费的溢出效应(如西电东输、西气东输等)。因此，它可能会低估区域间溢出效应和外部效应，从而导致模型设置和预测结果的偏差。未来的研究可能会解决这些限制。
07
原文引用
Cao Xin,Liu Chang,Wu Mingxuan,Li Zhi,Wang Yihan,Wen Zongguo. Heterogeneity and connection in the spatial–temporal evolution trend of China’s energy consumption at provincial level[J]. Applied Energy,2023,336.
（声明：以上内容为个人对文章的翻译和理解，请有兴趣的同学阅读原文，还望各位专家、老师、同学批评指正！）
转自：“经管学术联盟”微信公众号
如有侵权，请联系本站删除！
