Tài liệu Dự báo lượng khí thải co2, mức tiêu thụ năng lượng tái tạo và tăng trưởng kinh tế ở việt nam bằng các mô hình xám

Nguyễn Bá Thành Dự báo lượng khí thải CO2... DỰ BÁO LƯỢNG KHÍ THẢI CO2, MỨC TIÊU THỤ NĂNG LƯỢNG TÁI TẠO VÀ TĂNG TRƯỞNG KINH TẾ Ở VIỆT NAM BẰNG CÁC MÔ HÌNH XÁM Nguyễn Bá Thành(1) (1) Trường Đại Học Thủ Dầu Một Ngày nhận bài: 14/8/2018; Ngày gửi phản biện 20/8/2018; Chấp nhận đăng 20/11/2018 Email: [email protected] Tóm tắt Bài báo này sử dụng các mô hình dự báo xám bao gồm GM (11) và DGM (11) để dự báo lượng khí thải CO2, mức tiêu thụ năng lượng tái tạo và tổng sản phẩm quốc nội (GDP) cho Việt Nam. Hiệu suất của GM (11) và DGM (11) mô hình được trình bày để so sánh độ chính xác dự báo của hai mô hình dự báo trên. Sau đó, mô hình tốt nhất đã được thực hiện để dự đoán giá trị tương lai của khí thải CO2 Việt Nam, mức tiêu thụ năng lượng tái tạo và GDP trong 5 năm tới. Nghiên cứu này thu thập dữ liệu hàng năm về lượng khí thải CO2, mức tiêu thụ năng lượng tái tạo và tổng sản phẩm quốc nội (GDP) của Việt Nam từ năm 2010 đến năm 2014. Dữ liệu được thu thập từ Ngân hàng Thế giới. Kết quả nghiên cứu cung cấp cho các nhà hoạch định chính sách những thông tin hữu ích trong việc tìm kiếm các giải pháp nâng cao hiệu quả năng lượng, tăng trưởng kinh tế và giảm thải CO2 ở Việt Nam. Từ khóa: mô hình xám, năng lượng tái tạo, phát thải CO2, tăng trưởng kinh tế Abstract USING GREY MODELS TO PREDICT CO2 EMISSIONS, RENEWABLE ENERGY CONSUMPTION AND GDP IN VIETNAM This paper uses Grey forecasting models including GM (11) and DGM (11) to predict CO2 emissions, renewable energy consumption, and Gross domestic product (GDP) in Vietnam. The performance of GM (11) and DGM (11) models is presented to measure their accuracy. Then the best model has been implemented to predict the future value of Vietnam CO2 emissions, renewable energy consumption and GDP for the next 5 years. The data got from the World Bank was annually collected on CO2 emissions, renewable energy consumption and GDP from 2010 -2014. The results of this study give an useful information to policy makers in order to improve energy efficiency, economic growth and reduce CO2 emissions in Vietnam. 1. Giới thiệu Trong những năm gần đây, cùng với sự tăng trưởng kinh tế nhanh chóng, nhu cầu tiêu thụ năng lượng của Việt Nam cũng đã tăng lên đáng kể (Margareth Sembiring, 2016). Tuy nhiên, tăng tiêu thụ năng lượng, tăng trưởng kinh tế cũng như phát thải carbon dioxide (CO2) là nguyên nhân chính gây ô nhiễm môi trường (Nguyen, 2017). Vì vậy, nghiên cứu về cách cân bằng giữa 34 Tạp chí Khoa học Đại học Thủ Dầu Một Số 4(39)-2018 tăng trưởng kinh tế và bảo vệ môi trường là một vấn đề cấp bách. Thúc đẩy phát triển năng lượng tái tạo tương đối mới ở Việt Nam. Đó là một phần trong phát triển bền vững và giảm phát thải khí nhà kính (Zhang, Zhou & Fang, 2014; Tsai, 2016). Nghiên cứu về hiệu quả năng lượng tái tạo, phát thải CO2 và tăng trưởng kinh tế trở nên quan trọng trong giảm thiểu biến đổi khí hậu và lợi ích kinh tế. Một số nghiên cứu đã chỉ ra mối quan hệ giữa phát thải CO2, tiêu thụ năng lượng và tăng trưởng kinh tế (Pao, Fu & Tseng, 2012; Ang, 2007; Wang, Ho & Hsueh, 2017; Wu et al., 2015). Xie et al., (2015) đã áp dụng mô hình dự báo xám để dự báo nhu cầu năng lượng trong giai đoạn 2006-2020 ở Trung Quốc. Kết quả cho thấy tốc độ tăng trưởng tiêu thụ năng lượng ở Trung Quốc đã giảm theo chính sách tiết kiệm năng lượng. Lin et al., (2011) sử dụng mô hình GM (11) để dự đoán lượng khí thải CO2 ở Đài Loan. Hamzacebi và Karakurt (2015) dự báo lượng phát thải CO2 liên quan đến năng lượng trong giai đoạn 1965–2012 ở Thổ Nhĩ Kỳ. Kết quả của nghiên cứu này chỉ ra rằng lượng phát thải CO2 sẽ tăng 64% vào năm 2025 so với năm 2010. Tuy nhiên, chưa có nghiên cứu nào để dự đoán lượng phát thải CO2, mức tiêu thụ năng lượng tái tạo và tăng trưởng kinh tế ở Việt Nam. Vì vậy, nghiên cứu này áp dụng các mô hình dự báo Xám bao gồm mô hình GM (11) và mô hình DGM (11) để dự báo lượng phát thải CO2, mức tiêu thụ năng lượng tái tạo và GDP ở Việt Nam. Sai số tương đối trung bình đã được tính toán để đánh giá độ chính xác của các mô hình dự báo. Độ chính xác của mô hình dự báo nào cao nhất sẽ được áp dụng để dự báo các giá trị tương lai. 2. Cơ sở toán học 2.1 Mô hình dự báo Xám (Grey forecasting model) (11) Lý thuyết mô hình Xám được thiết kế bởi Deng (1982). Mô hình GM (11) là một trong những mô hình được sử dụng phổ biến nhất. Mô hình GM (11) chỉ cần một lượng nhỏ dữ liệu và dữ liệu mẫu ngẫu nhiên là có thể tính toán và đưa ra kết quả dự báo. X(0)  x(0) (1), x(0) (2),...x(0) (n) Thiết lập biến đầu tiên là X(0) (1) (0) (1) Với X là chuỗi không âm có n số dữ liệu mô hình hóa. X được thành lập bằng phương pháp cộng tích lũy (accumulated generating operation – AGO):   X(1)  x(1) (1), x(1) (2),..., x(1) (n) (2) k Với X(1) ( k)   x(0) (i), k  1, 2,..., n i 1 Thiết lập phương trình của mô hình Xám: x(0) k  az(1) (k)  b, k  2,..., n (3) a là hệ số phát triển, b là biến điều khiển. Do đó, tác giả có thể tính toán hệ số a, b theo phương pháp bình phương tối thiểu. T T 1 T a, b  ( B B) B YN -z(1) (2) 1   x(0) (2)      -z(1) (3) 1  (0)   Y =  x (3)  Với B= ............. ... N   ..........     (0)  -z(1) (n) 1   x (n) , Phương trình (3) có thể viết lại như sau: (4) dx(1) (k )  ax(1) (k )  b dk 35 (5) Nguyễn Bá Thành Dự báo lượng khí thải CO2... Giải phương trình (4) và có được các giá trị được dự báo cho chuỗi dữ liệu từ AGO: b b x  (1) (k  1)  [ x (0) (1)  ]e ak  a a Bằng cách áp dụng AGO nghịch đảo, các dự báo cho chuỗi dữ liệu gốc có thể được biểu thị là: b  x  (0) (k  1)   x(0) (1)   e ak (1  ea ) a  ,  (0)  (0) Với k  2,3,..., n, x (1)  x (1)  x (1) B. Mô hình Xám rời rạc DGM (11) Giả sử rằng chuỗi X (0)  x(0) (1), x(1) (2),..., x(1) (n) , thì chuỗi mới đạt được qua AGU là: (0) k X (1) (k )   x(0) ( j ), k  1, 2,..., n j 1 Phương trình:  x (1) (2)   (1)   x (3)  Y      x (1) (n)    (6) Được gọi là mô hình Xám rời rạc viết tắt là DGM, sử dụng phương pháp bình phương nhỏ nhất để có được:  a   a, u   BT B T  1 BY  x (1) (1)  x (1) (2)  1  (1)   (1)  1  x (2)  x (3)  Với B    ,Y         x (1) (n  1) 1   x (1) (n)      Đặt x(1) (1)  x(0) (1) , chức năng đệ quy được cho bởi: x(1) (k  1)  a k x(0) (1)  1  ak u 1 a k=1,2,..,n-1, giá trị được khôi phục có thể cho bởi: x(0) (k  1)  x(1) (k  1)  x(1) (k ) =(x(0) (1)  , k=1,2,…,n-1 u 1 )(1  )a k 1 a a (7) C. Đo lường độ chính xác dự đoán Nghiên cứu này đã áp dụng sai số tương đối trung bình (mean relative error - MRE) để đo tính chính xác của các mô hình dự báo:  N  MRE  i 1 yi  yi yi N (8)  y i là giá trị được dự đoán bởi mô hình dự báo lớp i và giá trị thực tế của nó là yi . 36 Tạp chí Khoa học Đại học Thủ Dầu Một Số 4(39)-2018 3. Kết quả 3.1. Thu thập dữ liệu Nghiên cứu này thu thập dữ liệu hàng năm về lượng khí thải CO2, mức tiêu thụ năng lượng tái tạo và tổng sản phẩm quốc nội (GDP) của Việt Nam từ năm 2010 đến năm 2014. Dữ liệu được thu thập từ ngân hàng thế giới. Bài báo này thu thập dữ liệu lượng khí thải CO2 là nguồn phát sinh từ việc đốt các nhiên liệu hóa thạch và sản xuất xi măng. Mức tiêu thụ năng lượng tái tạo là phần năng lượng tái tạo trong tổng tiêu thụ năng lượng cuối cùng. GDP được tính bằng đô la Mỹ theo giá 2000 (World bank). 3.2. Phân tích và dự báo (Predict and analysis) Trong phần này, hai mô hình dự báo Xám bao gồm GM (11) và DGM (11) đã được sử dụng để dự báo giá trị lượng phát thải CO2 của Việt Nam, mức tiêu thụ năng lượng và GDP từ năm 2015 đến năm 2019. Hiệu suất của GM (11) và DGM (11) mô hình được trình bày để so sánh độ chính xác dự báo của hai mô hình dự báo trên. Sau đó, mô hình tốt nhất đã được thực hiện để dự đoán giá trị tương lai của khí thải CO2 Việt Nam, mức tiêu thụ năng lượng tái tạo và GDP trong 5 năm tới. Bảng 1 cho thấy các giá trị tiên đoán được tính toán bởi mô hình GM (11) và mô hình DGM (11). Kết quả cho thấy các giá trị tiên đoán của hai mô hình so sánh có hiệu suất dự báo mạnh. Tuy nhiên, mô hình DGM (11) có sai số tương đối trung bình nhỏ (1,21%, 0,47% và 0,04%) trong năm 2010-2019 so với GM (11) (4,83%, 1,86%, 0,17%) có nghĩa là mô hình DGM (11 ) tốt hơn để dự báo lượng phát thải CO2, mức tiêu thụ năng lượng tái tạo và GDP ở Việt Nam. Bảng 1. Các giá trị dự báo và MRE phát thải CO2, tiêu thụ năng lượng tái tạo và GDP ở Việt Nam DGM (11) Mô phỏng Tiêu thụ năng lượng tái tạo (% of total final energy consumption) GM DGM (11) (11) Mô Mô Thực tế phỏng phỏng Phát thải CO2 (kt) GD (constant 2010 US$) Năm Thực tế GM (11) Mô phỏng 2010 142,73 142,73 142,73 34,79 34,79 34,79 115,93 115,93 115,93 2011 152,16 144,51 144,75 36,52 37,31 37,31 123,16 122,94 122,94 2012 142,22 149,46 149,56 38,10 37,13 37,13 129,62 129,77 129,77 2013 147,23 154,58 154,53 37,38 36,96 36,96 136,65 136,97 136,97 2014 166,91 159,87 159,66 36,20 36,79 36,79 144,83 144,58 144,58 2015 165,34 164,96 36,63 36,62 152,57 152,61 2016 171,00 170,44 36,47 36,45 161,04 161,09 2017 176,85 176,10 36,30 36,28 169,98 170,038 2018 182,90 36,14 36,11 179,42 179,48 2019 189,16 35,98 35,94 189,38 189,44 MRE(%) (2016-2021) 4.83% 1.86% 0.47% 0.17% 0.04% 181,95 188,00 1.21% 37 Thực tế GM (11) Mô phỏng DGM (11) Mô phỏng Nguyễn Bá Thành Dự báo lượng khí thải CO2... Hình 1. Dữ liệu dự báo và số liệu thực tế về lượng phát thải CO2 của Việt Nam Hình 2. Dữ liệu dự báo và số liệu thực tế về tiêu thụ năng lượng tái tạo của Việt Nam Hình 1-3 cho thấy xu hướng thay đổi của phát thải CO2, mức tiêu thụ năng lượng và GDP ở Việt Nam. Hình 1-3 cho thấy lượng phát thải CO2 sẽ lên tới 188.000 kilô tấn vào năm 2019 với mức tăng 3% so với năm 2010. Tiêu thụ năng lượng tái tạo có xu hướng tăng 0,33% và GDP được dự báo sẽ tăng 5% trong năm 2019 so với năm 2010. Hình 3. Dữ liệu dự báo và số liệu thực tế về GDP của Việt Nam 4. Kết luận Hiệu suất của mô hình DGM (11) tốt hơn mô hình GM (11). Mô hình DGM (11) đã áp dụng để dự báo lượng phát thải CO2, mức tiêu thụ năng lượng tái tạo và GDP ở Việt Nam từ 2015 đến 2019. Giá trị dự báo cho thấy GDP của Việt Nam sẽ tăng lên 189.449 triệu đô la Mỹ vào năm 2019, mức tiêu thụ năng lượng tái tạo không tăng đáng kể, lượng khí thải CO2 sẽ tăng lên 181, 957 (kt) vào năm 2018. Nghiên cứu này cung cấp thông tin cho các nhà hoạch định chính sách Việt Nam nhằm nâng cao hiệu quả năng lượng tái tạo, tăng trưởng kinh tế và giảm lượng khí thải CO2. TÀI LIỆU THAM KHẢO [1]. C. Hamzacebi and I. Karakurt (2015). Forecasting the energy-related CO2 emissions of Turkey using a grey prediction model. Energy Sources, Part A: Recovery, Utilization, and Environmental Effects, 37(9),1023–1031. [2]. C. N. Wang, H. X. T. Ho and M. H. Hsueh (2017). An Integrated Approach for Estimating the Energy Efficiency of Seventeen Countries. Energies, 10(10), 1597. 38 Tạp chí Khoa học Đại học Thủ Dầu Một Số 4(39)-2018 [3]. C. S .Lin, F. M. Liou and C. P. Huang (2011). Grey forecasting model for CO2 emissions: A Taiwan study. Applied Energy, 88(11), 3816–3820. [4]. H.T. Pao, H.C. Fu, and C. L. Tseng (2012). Forecasting of CO2 emissions, energy consumption and economic growth in China using an improved grey model. Energy, 40(1), 400–409. [5]. J. L. Deng (1982). Control problems of grey systems. Sys. & Contr. Lett., 1(5), 288–294. [6]. J.B. Ang (2007). CO2 emissions, energy consumption, and output in France. Energy Policy, 35(10), 4772–4778. [7]. K. D. Nguyen (2017). Factors affecting CO2 emission in Vietnam: A panel data analysis. Organizations & Markets in Emerging Economies, 9.2, 2017. [8]. L. Wu, S. Liu, D. Liu, Z. Fang and H. Xu (2015). Modelling and forecasting CO2 emissions in the BRICS (Brazil, Russia, India, China, and South Africa) countries using a novel multivariable grey model. Energy, (79), 489–495. [9]. Margareth Sembiring (2016). Vietnam’s vision for a renewable energy future. Nguồn http://www.eastasiaforum.org/2016/08/12/vietnams-vision-for-a-renewable-energy-future/. Truy cập ngày 29 tháng 5 năm 2018. [10]. N. M. Xie, C. Q. Yuan and Y. J. Yang (2015). Forecasting China’s energy demand and self-sufficiency rate by grey forecasting model and Markov model. International Journal of Electrical Power & Energy Systems, (66), 1–8. [11]. Q. Zhang, D. Zhou, and X. Fang (2014). Analysis on the policies of biomass power generation in China. Renewable and Sustainable Energy Reviews, (32), 926–935. [12]. Renewables 2017 Global status report. Nguồn: http://www.ren21.net/wpcontent/uploads/2017/06/17-8399_GSR_2017_Full_Report_0621_Opt.pdf, truy cập ngày 29 tháng 5 năm 2018. [13]. S.B. Tsai (2016). Using grey models for forecasting China’s growth trends in renewable energy consumption. Clean Technologies and Environmental Policy, 18(2), 563–571. [14]. World bank: https://data.worldbank.org/ 39