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