吳 靜，王 錚,2，朱潛挺，龔 軼(.中國(guó)科學(xué)院科技政策與管理科學(xué)研究所，北京，0090;2.華東師范大學(xué)地理信息科學(xué)教育部重點(diǎn)實(shí)驗(yàn)室，上海，200062;.中國(guó)石油大學(xué)(北京)工商管理學(xué)院，北京，0229;.北京決策咨詢(xún)中心，北京，00089)

微觀創(chuàng)新驅(qū)動(dòng)下的中國(guó)能源消費(fèi)與碳排放趨勢(shì)研究

吳 靜1，王 錚1,2，朱潛挺3，龔 軼4
(1.中國(guó)科學(xué)院科技政策與管理科學(xué)研究所，北京，100190;2.華東師范大學(xué)地理信息科學(xué)教育部重點(diǎn)實(shí)驗(yàn)室，上海，200062;3.中國(guó)石油大學(xué)(北京)工商管理學(xué)院，北京，102249;4.北京決策咨詢(xún)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(gòu)建了中國(guó)17個(gè)部門(mén)的投入產(chǎn)出模型，在微觀層面構(gòu)建了部門(mén)細(xì)分的企業(yè)創(chuàng)新模型。模型通過(guò)微觀企業(yè)自主體的創(chuàng)新驅(qū)動(dòng)宏觀層面部門(mén)間投入產(chǎn)出關(guān)系、能源消費(fèi)量和碳排放趨勢(shì)的演化。研究發(fā)現(xiàn)，由于技術(shù)創(chuàng)新的不確定性，使得能源消費(fèi)峰值和碳排放峰值出現(xiàn)的年份存在不確定性。能源消費(fèi)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(fèi)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(guó)未來(lái)能源消費(fèi)量的高峰約出現(xiàn)在2031年，高峰值為5146Mtce；中國(guó)碳排放高峰出現(xiàn)在2029年，峰值為2.7GtC。

碳排放；能源消費(fèi)；基于自主體模擬；產(chǎn)業(yè)結(jié)構(gòu)；進(jìn)化經(jīng)濟(jì)學(xué)

0 引言

中國(guó)作為全球碳排放量最大的國(guó)家之一，在國(guó)際社會(huì)上承受了巨大的減排壓力。正確評(píng)估中國(guó)未來(lái)可能的能源消費(fèi)需求和碳排放趨勢(shì)將協(xié)助中國(guó)更好地制定相應(yīng)的減排政策，確保未來(lái)中國(guó)經(jīng)濟(jì)的平穩(wěn)持續(xù)增長(zhǎng)。

實(shí)際上，國(guó)內(nèi)外對(duì)于各國(guó)能源消費(fèi)和碳排放趨勢(shì)的研究已經(jīng)成為應(yīng)對(duì)氣候變化行動(dòng)的一個(gè)研究熱點(diǎn)。按研究方法不同進(jìn)行區(qū)分，目前對(duì)于能源消費(fèi)和碳排放預(yù)測(cè)的研究逐漸形成了幾大主流[1-2]：第一類(lèi)是基于傳統(tǒng)計(jì)量經(jīng)濟(jì)學(xué)方法的研究，如時(shí)間序列分析、回歸分析、ARIMA模型等。具體研究如：Parajuli等[3]采用計(jì)量經(jīng)濟(jì)學(xué)的方法構(gòu)建了一個(gè)簡(jiǎn)單的對(duì)數(shù)線性模型研究了尼泊爾的未來(lái)能源消費(fèi)。Aydin[1]基于人口與GDP的回歸分析模型，對(duì)土耳其的能源消費(fèi)展開(kāi)了預(yù)測(cè)研究。Yuan等[4]基于Kaya公式分析了中國(guó)不同發(fā)展情景下的未來(lái)能源消費(fèi)，認(rèn)為中國(guó)的能源消費(fèi)高峰將出現(xiàn)在2035-2040年，峰值為5200-5400百萬(wàn)噸標(biāo)準(zhǔn)煤；同時(shí)，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(lèi)是基于軟件計(jì)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(luò)、支持向量機(jī)、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(luò)方法預(yù)測(cè)了土耳其的能源消費(fèi)。Ekonomou[6]通過(guò)基于真實(shí)能源消費(fèi)數(shù)據(jù)對(duì)多層感知模型的訓(xùn)練，進(jìn)而估算了希臘在2012、2015年的能源消費(fèi)。Ceylan和Ozturk[7]基于GNP、人口和進(jìn)出口數(shù)據(jù)，結(jié)合遺傳算法估算了土耳其至2025年的能源消費(fèi)量。除了上述兩類(lèi)方法之外，在對(duì)能源消費(fèi)和碳排放的預(yù)測(cè)研究中更重要的是要對(duì)經(jīng)濟(jì)活動(dòng)與能源消費(fèi)、碳排放的動(dòng)力學(xué)機(jī)制展開(kāi)全局的模型模擬分析，只有構(gòu)建動(dòng)力學(xué)機(jī)制清晰的模型研究經(jīng)濟(jì)—能源—排放問(wèn)題才能對(duì)能源消費(fèi)的動(dòng)力以及排放控制的經(jīng)濟(jì)影響展開(kāi)全面的評(píng)估，由此產(chǎn)生了第三類(lèi)基于計(jì)算經(jīng)濟(jì)學(xué)建模分析能源消費(fèi)和碳排放的研究。Wing和Eckaus[8]通過(guò)構(gòu)建美國(guó)CGE模型，預(yù)測(cè)了美國(guó)至2050年的能源消費(fèi)和碳排放。王錚等[9]在經(jīng)濟(jì)最優(yōu)增長(zhǎng)軌跡下，從能源消費(fèi)、水泥生產(chǎn)和森林碳匯3個(gè)方面對(duì)中國(guó)未來(lái)的碳排放和能源消費(fèi)進(jìn)行了全面的估算，計(jì)算得到能源消費(fèi)碳高峰出現(xiàn)在2031年，峰值為2.6GtC。Vaillancourt等[10]構(gòu)建了多區(qū)域TIMES-Canda模型計(jì)算了加拿大至2050年的能源消費(fèi)趨勢(shì)，結(jié)果顯示至2050年加拿大的能源消費(fèi)將比2007年增加43%。

雖然基于計(jì)算經(jīng)濟(jì)學(xué)建模的研究較為全面地構(gòu)建了經(jīng)濟(jì)—能源—排放之間的動(dòng)力學(xué)關(guān)系，但是目前的研究多是基于經(jīng)濟(jì)增長(zhǎng)理論的宏觀建模，未能考慮微觀層面消費(fèi)主體對(duì)宏觀能源和排放的影響。事實(shí)上，微觀主體是經(jīng)濟(jì)系統(tǒng)中能源和碳排放的消費(fèi)者，其生產(chǎn)行為和技術(shù)水平將直接導(dǎo)致宏觀層面能源消費(fèi)和碳排放總量的變化。這種自底向上的演化過(guò)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(kāi)模擬研究。目前基于自主體模擬在能源消費(fèi)和碳排放領(lǐng)域的研究還較少，主要應(yīng)用于碳排放交易行為模擬[11]和微觀個(gè)體能源消費(fèi)行為模擬[12-14]，但自1990’s年代以來(lái)，基于自主體模擬在更廣泛的領(lǐng)域都得到了很好的應(yīng)用，包括環(huán)境政策模擬[15-19]，貨幣財(cái)政政策模擬[20-25]，技術(shù)擴(kuò)散模擬[26-28]，土地利用類(lèi)型變化政策模擬[29-30]等。這些應(yīng)用研究體現(xiàn)了基于自主體模擬在異質(zhì)性主體建模、復(fù)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(gòu)建的基于自主體模擬的經(jīng)濟(jì)演化模型基礎(chǔ)上，擴(kuò)展構(gòu)建中國(guó)能源消費(fèi)和碳排放趨勢(shì)研究的模塊，從而實(shí)現(xiàn)對(duì)中國(guó)至2050年的能源消費(fèi)和碳排放趨勢(shì)的估算。

1 建模

1.1 經(jīng)濟(jì)模塊建模

Lorentz和Savona[31]，Lorentz和Savona[32]，龔軼等[33]對(duì)于經(jīng)濟(jì)的建模將宏觀部門(mén)分解為有眾多微觀企業(yè)所構(gòu)成的自主體系統(tǒng)，實(shí)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(guò)研發(fā)創(chuàng)新活動(dòng)實(shí)現(xiàn)技術(shù)進(jìn)步和對(duì)其他部門(mén)中間需求的變動(dòng)，從而導(dǎo)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(jié)構(gòu)的動(dòng)態(tài)演變。宏觀與微觀互動(dòng)的結(jié)構(gòu)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(gè)部門(mén)被分解為n個(gè)企業(yè)，每個(gè)企業(yè)被模擬為一個(gè)自主體，每個(gè)自主體具有異質(zhì)性的經(jīng)濟(jì)、資源屬性和行為特征。在系統(tǒng)的演化過(guò)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(kāi)展創(chuàng)新活動(dòng)，一方面驅(qū)動(dòng)企業(yè)自身的技術(shù)進(jìn)步，另一方面引發(fā)宏觀結(jié)構(gòu)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(zhì)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(shí)刻，下文不再贅述；Yk,i,t為k部門(mén)i企業(yè)的產(chǎn)出；Ak,i,t，Kk,i,t，Lk,i,t分別為k部門(mén)i企業(yè)的勞動(dòng)生產(chǎn)率、物質(zhì)資本、勞動(dòng)力；αk為資本彈性；δk為k部門(mén)物質(zhì)資本折舊率；ηk為k部門(mén)投資率。因此，每個(gè)時(shí)期的勞動(dòng)力需求由總產(chǎn)出和物質(zhì)資本水平?jīng)Q定：

(3)

勞動(dòng)力的工資水平在部門(mén)層面決定，即一個(gè)部門(mén)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(mén)工資率；γk為勞動(dòng)力變化對(duì)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(duì)其他部門(mén)產(chǎn)品的中間消耗以及勞動(dòng)力的工資支出，在這兩方面支出的基礎(chǔ)上進(jìn)行一定幅度的加乘計(jì)算得到產(chǎn)品的價(jià)格pk,i,t:

(5)

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

(6)

企業(yè)在不同的產(chǎn)品定價(jià)水平下，其市場(chǎng)競(jìng)爭(zhēng)力Ek,i,t也各有不同：

(7)

其中，Ek,t為部門(mén)k的綜合競(jìng)爭(zhēng)力；zk,i,t為k部門(mén)i企業(yè)的市場(chǎng)份額，zk,i,t受到企業(yè)市場(chǎng)競(jìng)爭(zhēng)力變化的影響：

(8)

其中，φ為影響系數(shù)。企業(yè)的市場(chǎng)份額決定了企業(yè)在部門(mén)中所貢獻(xiàn)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(rùn)所得，企業(yè)將進(jìn)行研發(fā)創(chuàng)新活動(dòng)。在進(jìn)化經(jīng)濟(jì)學(xué)的思想下，企業(yè)的研發(fā)活動(dòng)將推動(dòng)企業(yè)的技術(shù)進(jìn)步，包括直接消耗系數(shù)的改進(jìn)和勞動(dòng)生產(chǎn)率的改進(jìn)。企業(yè)進(jìn)行研發(fā)活動(dòng)成功的概率Pk,i,t定義為

(10)

其中，β為企業(yè)利潤(rùn)對(duì)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(dāng)研發(fā)成功，企業(yè)對(duì)其他部門(mén)的直接消耗系數(shù)aj,k,i,t以及勞動(dòng)生產(chǎn)率Ak,i,t都將受到服從正態(tài)分布的隨機(jī)沖擊：

(11)

(12)

(13)

1.1.2 宏觀部門(mén)建模

基于投入產(chǎn)出結(jié)構(gòu)，可以將產(chǎn)出分解為3個(gè)部分，即中間消費(fèi)、最終國(guó)內(nèi)消費(fèi)和凈國(guó)外消費(fèi)，見(jiàn)式(14)。

(14)

其中，Yj,t為產(chǎn)出；Ij,t為中間消費(fèi)；Cj,t為最終國(guó)內(nèi)消費(fèi)；Xj,t為出口量；Mj,t為進(jìn)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(mén)i企業(yè)對(duì)j部門(mén)的直接消耗系數(shù)；zk,i,t表示k部門(mén)i企業(yè)的市場(chǎng)份額，市場(chǎng)份額將受企業(yè)競(jìng)爭(zhēng)力的影響。式(16)實(shí)現(xiàn)了從微觀企業(yè)創(chuàng)新所引發(fā)的中間需求變動(dòng)到宏觀部門(mén)直接消耗系數(shù)的變動(dòng)，反映了從微觀到宏觀的演化過(guò)程。

基于直接消耗系數(shù)，可以將中間消費(fèi)表示為

(17)

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

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(fèi)水平和出口水平的初始增長(zhǎng)率；δc，δx分別為最終消費(fèi)和出口水平增長(zhǎng)率的年變化率。同時(shí)，假設(shè)進(jìn)口水平與國(guó)內(nèi)中間消費(fèi)和最終消費(fèi)成正比，即：

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

(20)

其中，mj為j部門(mén)進(jìn)口占國(guó)內(nèi)中間消費(fèi)與最終消費(fèi)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(mén)產(chǎn)出的變動(dòng)與部門(mén)直接消耗系數(shù)矩陣相關(guān)，結(jié)合式(16)可知，微觀企業(yè)的技術(shù)進(jìn)步將影響到宏觀部門(mén)產(chǎn)出的變動(dòng)。

1.2 能源—碳排放模塊建模

能源—碳排放模塊的建模目標(biāo)是要實(shí)現(xiàn)對(duì)中國(guó)未來(lái)能源消費(fèi)量、能源消費(fèi)結(jié)構(gòu)以及碳排放趨勢(shì)的估算?；趯?duì)經(jīng)濟(jì)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(kāi)建模。如同企業(yè)的研發(fā)活動(dòng)會(huì)推動(dòng)企業(yè)的直接消耗系數(shù)和勞動(dòng)生產(chǎn)率改進(jìn)的建模架構(gòu)一樣，在能源—碳排放模塊，企業(yè)的研發(fā)活動(dòng)也在兩個(gè)方面影響企業(yè)的能源和碳排放。一方面是研發(fā)活動(dòng)將影響企業(yè)能源強(qiáng)度的變化，另一方面研發(fā)活動(dòng)將對(duì)企業(yè)的能源消費(fèi)結(jié)構(gòu)產(chǎn)生影響。

企業(yè)的能源消費(fèi)總量Enk,i,t由企業(yè)的總產(chǎn)出Yk,i,t及其當(dāng)期的能源消費(fèi)強(qiáng)度ζk,i,t所決定：

Enk,i,t=ζk,i,tYk,i,t

(23)

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

(24)

(25)

企業(yè)的能源消費(fèi)結(jié)構(gòu)受企業(yè)創(chuàng)新活動(dòng)的影響。在基期，同一部門(mén)的所有企業(yè)具有與本部門(mén)相同的能源消費(fèi)結(jié)構(gòu)，該能源消費(fèi)結(jié)構(gòu)由煤、石油、天然氣、電力4種能源消費(fèi)比例構(gòu)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(mén)i企業(yè)在基期的能源結(jié)構(gòu)；Ck,0，Pk,0，Gk,0，ELk,0分別為基期k部門(mén)對(duì)煤、石油、天然氣、電力的消費(fèi)比重。在系統(tǒng)演化中，由于企業(yè)創(chuàng)新活動(dòng)成敗概率不同，企業(yè)的能源消費(fèi)結(jié)構(gòu)演化也將呈現(xiàn)差異。當(dāng)企業(yè)創(chuàng)新成功，則企業(yè)的能源結(jié)構(gòu)在轉(zhuǎn)移矩陣作用下轉(zhuǎn)移一次，表示企業(yè)的能源結(jié)構(gòu)進(jìn)化一步：

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

(27)

(28)

其中，Mk為k部門(mén)能源結(jié)構(gòu)轉(zhuǎn)移矩陣。由企業(yè)的能源消費(fèi)總量和企業(yè)的能源消費(fèi)結(jié)構(gòu)加總得到部門(mén)的各種能源消費(fèi)量為

(29)

進(jìn)而得到部門(mén)的能源消費(fèi)總量Enk,t及其各種能源消費(fèi)比重Hk,t，能源消費(fèi)結(jié)構(gòu)Sk,t為

(30)

(31)

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

(32)

碳排放在部門(mén)層面進(jìn)行統(tǒng)計(jì)，由部門(mén)各種能源的消費(fèi)量以及各種能源的碳排放系數(shù)計(jì)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(lái)源與模型實(shí)現(xiàn)

本研究的宏觀經(jīng)濟(jì)建模以2000年17部門(mén)的投入產(chǎn)出表為基準(zhǔn)，其中涉及的直接消耗系數(shù)、最終消費(fèi)量、進(jìn)出口量等基準(zhǔn)值均來(lái)源于2000年17部門(mén)投入產(chǎn)出表?；诟鞑块T(mén)的物質(zhì)資本存量、勞動(dòng)力、資本彈性數(shù)據(jù)引自文獻(xiàn)[34]。在微觀層面，在17部門(mén)的宏觀經(jīng)濟(jì)框架下，每個(gè)部門(mén)包括500個(gè)企業(yè)，每個(gè)企業(yè)在基期的物質(zhì)資本和勞動(dòng)力數(shù)據(jù)由部門(mén)內(nèi)的所有企業(yè)平分得到。

在能源—碳排放模塊，每個(gè)部門(mén)內(nèi)的所有企業(yè)在基期的能源強(qiáng)度以及能源消費(fèi)結(jié)構(gòu)由部門(mén)水平?jīng)Q定，即同一部門(mén)內(nèi)所有企業(yè)的能源強(qiáng)度和能源消費(fèi)結(jié)構(gòu)在基期保持相同。而基準(zhǔn)年的能源強(qiáng)度和能源消費(fèi)結(jié)構(gòu)來(lái)源于《2000年中國(guó)能源統(tǒng)計(jì)年鑒》。

另外，在能源結(jié)構(gòu)演變中還需要確定每個(gè)部門(mén)的能源結(jié)構(gòu)轉(zhuǎn)移矩陣。在本研究中，以1991-2011年《中國(guó)能源統(tǒng)計(jì)年鑒》為來(lái)源獲得歷年各部門(mén)能源消費(fèi)結(jié)構(gòu)，再采用石瑩等[35]構(gòu)建的誤差最小的優(yōu)化模型，求得各個(gè)部門(mén)的能源消費(fèi)結(jié)構(gòu)轉(zhuǎn)移矩陣，見(jiàn)表1～6。需要說(shuō)明的是，在能源統(tǒng)計(jì)年鑒中，終端消費(fèi)量的部門(mén)劃分為農(nóng)、林、牧、漁水利業(yè)，工業(yè)，建筑業(yè)，交通運(yùn)輸、倉(cāng)儲(chǔ)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(fèi)，其他；這與投入產(chǎn)出表17個(gè)部門(mén)不能一一對(duì)應(yīng)，因此，本研究以能源統(tǒng)計(jì)年鑒中工業(yè)的能源消費(fèi)結(jié)構(gòu)及其轉(zhuǎn)移矩陣對(duì)應(yīng)于投入產(chǎn)出表中除建筑業(yè)以外的10個(gè)工業(yè)部門(mén)。

表1 農(nóng)業(yè)能源消費(fèi)結(jié)構(gòu)轉(zhuǎn)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(fèi)結(jié)構(gòu)轉(zhuǎn)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(fèi)結(jié)構(gòu)轉(zhuǎn)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(fèi)結(jié)構(gòu)轉(zhuǎn)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(fèi)結(jié)構(gòu)轉(zhuǎn)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(fèi)結(jié)構(gòu)轉(zhuǎn)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(jié)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(jī)沖擊，因此每次模擬的結(jié)果將因受到?jīng)_擊的不同而略有差異。為充分考慮這種隨機(jī)沖擊帶來(lái)的結(jié)果影響，研究分別模擬了50次，并對(duì)50次模擬的相應(yīng)數(shù)據(jù)展開(kāi)方差分析檢驗(yàn)其差異性，結(jié)果顯示方差分析的p值均為1，表示組間數(shù)據(jù)無(wú)顯著差異，可以以50組數(shù)據(jù)的平均值作為模擬值展開(kāi)分析。

3.1 經(jīng)濟(jì)增長(zhǎng)趨勢(shì)模擬

經(jīng)濟(jì)增長(zhǎng)是未來(lái)能源消費(fèi)和碳排放增長(zhǎng)的主要驅(qū)動(dòng)力，因此，需要首先對(duì)中國(guó)未來(lái)的經(jīng)濟(jì)增長(zhǎng)趨勢(shì)做出模擬。

計(jì)算得到，至2050年，中國(guó)GDP處于持續(xù)增長(zhǎng)趨勢(shì)，見(jiàn)圖2。2050年的GDP總量約為149萬(wàn)億元(2000年價(jià)格)。期間，GDP的年均增長(zhǎng)率逐漸下降，計(jì)算得到，2010-2020年GDP的年均增長(zhǎng)率約為6.8%；2021-2030年GDP年均增長(zhǎng)率約為4.7%；2031-2040年GDP年均增長(zhǎng)率約為3.4%；2040-2050年GDP年均增長(zhǎng)率約為2.4%。

從產(chǎn)業(yè)結(jié)構(gòu)進(jìn)化的角度看，模擬得到，至2050年，中國(guó)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(shì)，三產(chǎn)比重呈上升趨勢(shì)；至2050年三大產(chǎn)業(yè)的比重分別為3.3%，31.7%，65 %。進(jìn)一步探究具體部門(mén)構(gòu)成，見(jiàn)圖4，可知第三產(chǎn)業(yè)中其他服務(wù)業(yè)在未來(lái)發(fā)展迅速，2050年其他服務(wù)業(yè)的比重達(dá)到約28.7%；同時(shí)第三產(chǎn)業(yè)中的金融保險(xiǎn)業(yè)、公用事業(yè)及居民服務(wù)業(yè)、商業(yè)飲食業(yè)等也得到了一定的發(fā)展，在經(jīng)濟(jì)總量中的比重均有所上升；第二產(chǎn)業(yè)中各部門(mén)的比重均呈現(xiàn)縮減趨勢(shì)，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(jī)械設(shè)備制造業(yè)，大約占經(jīng)濟(jì)總量的6%左右。

3.2 能源消費(fèi)趨勢(shì)模擬

由3.1節(jié)可知，中國(guó)未來(lái)的二產(chǎn)比重逐漸下降，而三產(chǎn)比重逐漸上升，這種結(jié)構(gòu)的轉(zhuǎn)變勢(shì)必會(huì)影響到中國(guó)未來(lái)能源消費(fèi)量的變化。

在對(duì)能源消費(fèi)趨勢(shì)做出估算之前，為了驗(yàn)證模擬結(jié)果的可靠性，即模擬是否能較好地反應(yīng)真實(shí)情況。首先將模擬得到的2001-2013年的能源消費(fèi)總量與基于統(tǒng)計(jì)數(shù)據(jù)的能源消費(fèi)量進(jìn)行了比較，見(jiàn)圖5?？梢钥吹?，能源消費(fèi)的實(shí)際值與模擬值基本吻合，兩者相關(guān)系數(shù)達(dá)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(fèi)軌跡，表明模型具有可靠性，可以展開(kāi)進(jìn)一步的能源消費(fèi)趨勢(shì)研究。

對(duì)于中國(guó)未來(lái)的能源消費(fèi)趨勢(shì)，研究得到至2050年中國(guó)的能源消費(fèi)趨勢(shì)如圖6所示?？傮w呈現(xiàn)先上升后下降的趨勢(shì)，能源消費(fèi)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(fèi)總量逐年下降，至2050年，中國(guó)能源消費(fèi)量約為4 086Mtce。結(jié)合至2050年中國(guó)的GDP增長(zhǎng)趨勢(shì)，可以計(jì)算得到至2050年各年的單位GDP能源使用強(qiáng)度，研究發(fā)現(xiàn)，未來(lái)中國(guó)的單位GDP能源使用強(qiáng)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(fèi)結(jié)構(gòu)分析，至2050年，中國(guó)的能源消費(fèi)結(jié)構(gòu)變化趨勢(shì)如圖7所示。至2050年中國(guó)的能源結(jié)構(gòu)將發(fā)生顯著的改變，煤的消費(fèi)比重將持續(xù)下降，2050年煤的比重大約為41.6%；油的消費(fèi)比重略有增長(zhǎng)，由2001年23%上升至2050年36.3%；天然氣消費(fèi)在總能源消費(fèi)中所占比例仍較低，2050年占比僅為3.9%，但其相對(duì)于2001年的比重1.9%相對(duì)增長(zhǎng)幅度顯著；非碳能源的消費(fèi)比重也有較大的增長(zhǎng)，2050年的比重為18.2%。

進(jìn)一步，各個(gè)產(chǎn)業(yè)由于生產(chǎn)工藝和技術(shù)水平差異，對(duì)于各種能源消費(fèi)的結(jié)構(gòu)也有所差別。模擬得到2050年各產(chǎn)業(yè)的能源消費(fèi)結(jié)構(gòu)，見(jiàn)表7。一產(chǎn)的能源消費(fèi)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(duì)煤的消耗量最大的是機(jī)械設(shè)備制造業(yè)；三產(chǎn)的能源消費(fèi)也是以石油為主，比重約為73%，同時(shí)也發(fā)現(xiàn)三產(chǎn)對(duì)非碳能源的消耗比重低于一產(chǎn)和二產(chǎn)對(duì)非碳能源的消費(fèi)比重。分析其中的原因發(fā)現(xiàn)，雖然2050年三產(chǎn)中除運(yùn)輸郵電業(yè)外的其他部門(mén)對(duì)非碳能源消費(fèi)的比重均達(dá)到34%左右，但運(yùn)輸郵電業(yè)對(duì)非碳能源的消費(fèi)比重僅為3.3%，從而拉低了三產(chǎn)對(duì)非碳能源消費(fèi)的綜合水平，僅達(dá)到8.27%。

表7 2050年各產(chǎn)業(yè)能源消費(fèi)結(jié)構(gòu)

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

煤石油天然氣非碳合計(jì)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(shì)模擬

基于能源消費(fèi)預(yù)測(cè)，可以對(duì)未來(lái)的碳排放趨勢(shì)展開(kāi)分析。首先研究對(duì)2001-2010年模擬得到的碳排放量與實(shí)際觀測(cè)值(數(shù)據(jù)來(lái)源于CDIAC)進(jìn)行了比較，見(jiàn)圖8。分析得到，實(shí)際值與模擬值的相關(guān)系數(shù)為0.99，方差檢驗(yàn)顯著性為0.22，表明兩組數(shù)據(jù)沒(méi)有顯著差異，模擬基本重現(xiàn)了歷史的排放軌跡。但相對(duì)于能源消費(fèi)量的模擬值與觀測(cè)值比較，2001-2010年的碳排放模擬值與實(shí)際觀測(cè)值誤差較大。其原因在于，對(duì)能源結(jié)構(gòu)轉(zhuǎn)移矩陣的擬合是一個(gè)平均的狀態(tài)，但實(shí)際的情況是最近幾年在農(nóng)業(yè)和工業(yè)部門(mén)的能源消費(fèi)結(jié)構(gòu)中煤的占比是上升的，但在擬合時(shí)使這種趨勢(shì)難以體現(xiàn)，進(jìn)而造成對(duì)能源結(jié)構(gòu)的差異，從而導(dǎo)致碳排放總量與實(shí)際值的差異。

基于經(jīng)濟(jì)增長(zhǎng)趨勢(shì)和能源消費(fèi)的計(jì)算，進(jìn)一步得到了中國(guó)至2050年的碳排放趨勢(shì)，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(gè)橫向比較，本文收集了部分其他學(xué)者對(duì)碳排放高峰的研究結(jié)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(duì)碳排放高峰的年份估計(jì)較晚，均在2030年之后，而近年對(duì)碳高峰的估算普遍推前，最早的估算為2025年達(dá)峰；而本文的研究結(jié)果基本落在普遍發(fā)現(xiàn)的峰值范圍之內(nèi)。

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(jié)合中國(guó)提出的40-45目標(biāo)，即至2020年中國(guó)GDP碳排放強(qiáng)度比2005年降低40-45%。本研究將碳排放趨勢(shì)與GDP增長(zhǎng)趨勢(shì)相結(jié)合，計(jì)算得到2020年中國(guó)GDP碳排放強(qiáng)度比2005年下降幅度大約為37.8%，略低于中國(guó)提出的減排目標(biāo)。因此，僅僅基于產(chǎn)業(yè)結(jié)構(gòu)變化以及當(dāng)前的技術(shù)進(jìn)步水平還未能實(shí)現(xiàn)40-45目標(biāo)，仍需其他手段的協(xié)助。

3.4 能源消費(fèi)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(dòng)了企業(yè)的技術(shù)進(jìn)步，從而使得能源結(jié)構(gòu)發(fā)生改變并降低了碳排放量。但考慮到企業(yè)的技術(shù)進(jìn)步具有隨機(jī)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(shì)分析的依據(jù)，但是仍不能忽視這種隨機(jī)的技術(shù)沖擊可能產(chǎn)生的能源消費(fèi)和碳排放峰值的不確定性。

為了重現(xiàn)能源消費(fèi)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(gè)能源消費(fèi)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(jiàn)圖10。由圖10可以發(fā)現(xiàn)，能源消費(fèi)峰值與碳排放峰值年份的分布接近正態(tài)分布。為進(jìn)一步驗(yàn)證分布是否呈正態(tài)性，本文采用SPSS單樣本k-s檢驗(yàn)對(duì)數(shù)據(jù)進(jìn)行了檢驗(yàn)，計(jì)算得到能源消費(fèi)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(fèi)峰值年的正態(tài)分布曲線下，計(jì)算得到2024年至2039年，各年出現(xiàn)能源消費(fèi)高峰的概率，見(jiàn)表9。分析可知，未來(lái)中國(guó)的能源消費(fèi)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(fèi)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(fèi)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(jì)算得到各年出現(xiàn)碳排放峰值的概率，見(jiàn)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(jié)合習(xí)近平總書(shū)記在2014年APEC會(huì)議上提出“中國(guó)計(jì)劃2030年左右二氧化碳排放達(dá)到峰值”的目標(biāo)，研究認(rèn)為中國(guó)在2030年之前達(dá)到峰值的累積概率達(dá)到91.79%，對(duì)于實(shí)現(xiàn)達(dá)峰目標(biāo)具有較大的把握。

表9 2024-2037年的能源消費(fèi)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(jié)論

企業(yè)的創(chuàng)新是經(jīng)濟(jì)系統(tǒng)產(chǎn)業(yè)結(jié)構(gòu)進(jìn)化和能源系統(tǒng)結(jié)構(gòu)轉(zhuǎn)變、降低排放量的重要推動(dòng)力。企業(yè)自主體通過(guò)創(chuàng)新行為推動(dòng)自身的技術(shù)進(jìn)步，改變中間消費(fèi)模式和能源消費(fèi)結(jié)構(gòu)，從而影響宏觀層面的產(chǎn)業(yè)結(jié)構(gòu)和能源需求。最終對(duì)中國(guó)未來(lái)的能源結(jié)構(gòu)和碳排放趨勢(shì)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(gòu)建了中國(guó)17個(gè)部門(mén)的宏觀經(jīng)濟(jì)系統(tǒng)，并與微觀企業(yè)創(chuàng)新行為相整合，實(shí)現(xiàn)了對(duì)微觀企業(yè)創(chuàng)新推動(dòng)下的中國(guó)能源消費(fèi)和碳排放趨勢(shì)的模擬。研究發(fā)現(xiàn)：

1)至2050年，中國(guó)一產(chǎn)、二產(chǎn)的比重呈逐漸下降趨勢(shì)，三產(chǎn)比重呈上升趨勢(shì)；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(guó)的能源消費(fèi)總體呈現(xiàn)先上升后下降的趨勢(shì)，能源消費(fèi)量的高峰約出現(xiàn)在2031年，高峰值為5 146Mtce；至2050年，中國(guó)能源消費(fèi)量約為4 086Mtce。

3)至2050年中國(guó)的能源消費(fèi)結(jié)構(gòu)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(fèi)比重為36.3%；天然氣和非碳能源消費(fèi)比重也有所上升，至2050年的比重分別為3.9%，18.2%。

4)中國(guó)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(shù)創(chuàng)新的不確定性，能源消費(fèi)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(fèi)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(fèi)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(zhǎng)路徑下的中國(guó)碳排放估計(jì)[J]. 地理學(xué)報(bào)，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(jì)危機(jī)模擬[J]. 復(fù)雜系統(tǒng)與復(fù)雜性科學(xué), 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(gè)生產(chǎn)部門(mén)的經(jīng)濟(jì)危機(jī)ABS動(dòng)力學(xué)模擬[J]. 復(fù)雜系統(tǒng)與復(fù)雜性科學(xué)，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(jì)增長(zhǎng)與收入差距：一個(gè)基于主體的經(jīng)濟(jì)模擬途徑[J].財(cái)經(jīng)科學(xué)，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(guó)科學(xué),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(shù)創(chuàng)新推動(dòng)下的中國(guó)產(chǎn)業(yè)結(jié)構(gòu)進(jìn)化[J]. 科學(xué)學(xué)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(guó)宏觀經(jīng)濟(jì)政策模擬系統(tǒng)開(kāi)發(fā)及其應(yīng)用[D]. 北京：中國(guó)科學(xué)院科技政策與管理科學(xué)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(biāo)的經(jīng)濟(jì)可能性評(píng)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(jì)模擬的中國(guó)能源消費(fèi)與碳排放高峰預(yù)測(cè)[J]. 地理學(xué)報(bào)，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(guó)2050年低碳發(fā)展情景研究[C]//2050中國(guó)能源和碳排放研究課題組. 2050中國(guó)能源和碳排放報(bào)告. 北京：科學(xué)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(qiáng)，陳喬，陸寧. 基于改進(jìn)IPAT模型的中國(guó)未來(lái)碳排放預(yù)測(cè)[J].環(huán)境科學(xué)學(xué)報(bào)，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(guó)碳排放量的情景預(yù)測(cè)——碳排放與社會(huì)發(fā)展Ⅳ[J]. 北京大學(xué)學(xué)報(bào)(自然科學(xué)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(guó)碳排放峰值預(yù)測(cè)研究[J].中國(guó)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(guó)的工業(yè)化進(jìn)程與碳排放峰值[C]//應(yīng)對(duì)氣候變化報(bào)告——科學(xué)認(rèn)知與政治爭(zhēng)鋒.王偉光，鄭國(guó)光. 北京：社會(huì)科學(xué)文獻(xiàn)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(guó)人口趨勢(shì)與碳排放峰值[C]// 應(yīng)對(duì)氣候變化報(bào)告——科學(xué)認(rèn)知與政治爭(zhēng)鋒.王偉光，鄭國(guó)光. 北京：社會(huì)科學(xué)文獻(xiàn)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(zé)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(guó)家重大研究計(jì)劃(973)項(xiàng)目(2012CB955800)；國(guó)家社會(huì)科學(xué)基金(14CGJ025)；中國(guó)科學(xué)院戰(zhàn)略性先導(dǎo)科技專(zhuān)項(xiàng)(XDA05150900)；中國(guó)科學(xué)院科技政策與管理科學(xué)研究所重大研究計(jì)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?yàn)榛谧灾黧w建模。

王錚(1954-)，男，云南陸良人，博士，研究員，主要研究方向?yàn)橛?jì)算管理學(xué)。

N949;F069.9

A