双碳政策下中国能源消耗的转型与国际贸易的相互影响研究

A Study of the Interaction between the Transition of China’s Energy Consumption and International Trade under Peak Carbon and Carbon-Neutral Policy

摘要: 本文探讨了双碳政策实施背景下，中国能源消耗结构转型与国际贸易的相互影响。随着全球对可持续发展的重视，中国正加速向可再生能源转型，逐步降低对化石燃料的依赖。这一转型不仅改善了国内能源安全，也重塑了国际能源贸易格局。文章基于线性回归模型预测了中国的碳排放量，并分析了近十年来的能源消耗模式和结构变化。同时，通过相关性分析揭示了能源消耗与国际贸易之间的内在联系，指出两者在全球绿色经济中的互动关系。中国的转型不仅有助于改善环境状况，还为国际市场带来了新的机遇与挑战。随着可再生能源比重的提升，中国在全球能源供应链中的地位也在发生变化。这一变化促使中国企业在技术创新和国际合作方面不断提升，从而推动国际贸易向更高标准和更环保的方向发展。总的来说，本文为理解中国在全球能源转型中的角色提供了重要洞见，强调了可持续发展与国际贸易之间的密切联系。

Abstract: This paper examines the relationship between the structural transformation of China’s energy consumption and international trade, with a particular focus on the implementation of peak carbon and carbon-neutral policy policies. In light of the global emphasis on sustainable development, China is accelerating its transition to renewable energy sources and gradually reducing its dependence on fossil fuels. This transition has the additional benefit of enhancing domestic energy security while simultaneously influencing the configuration of international energy trade patterns. The article employs a linear regression model to predict China’s carbon emissions and conducts an in-depth analysis of the shifts in energy consumption patterns and structures that have occurred over the past decade. Concurrently, correlation analyses elucidate the intrinsic interconnections between energy consumption and international trade, underscoring the interplay between the two in the global green economy. China’s transition not only has positive implications for environmental conditions, but also presents new opportunities and challenges for the international market. As the proportion of renewable energy sources increases, China’s role in the global energy supply chain is evolving. This shift has prompted Chinese companies to enhance their technological innovation and international collaboration, thereby propelling international trade towards higher standards and a more environmentally conscious approach. Overall, this paper offers valuable insights into China’s role in the global energy transition, underscoring the intrinsic link between sustainable development and international trade.

1. 引言

在全球能源转型[1]的背景下，能源安全与供应链的稳定性不仅是各国经济发展的关键，也是国际贸易的重要组成部分。中国作为全球最大的能源消费国，其能源消耗模式直接影响国际能源市场及贸易格局。在实施双碳政策(碳达峰和碳中和)的过程中，中国的能源消费结构正经历深刻转型，这一转型对国际能源贸易的影响尤为显著。中国的能源消耗长期以来以煤炭为主，随着经济的快速发展，能源需求持续上升。根据数据显示，尽管可再生能源逐渐增加，但煤炭在能源消费中的比例依然较大[2]。中国的能源消费不仅满足国内需求，也在全球能源市场中占据重要地位，成为国际能源贸易的重要参与者。中国对石油和天然气的依赖程度较高，进口占其消费总量的较大比例。这使得中国在国际市场上成为重要的能源进口国，影响着全球能源价格和供应链的稳定性。

随着可再生能源的快速发展，中国逐渐成为太阳能和风能设备的主要生产国和出口国。这不仅改善了中国的能源消费结构，也在国际市场上形成了新的贸易机会。在双碳政策的引导下，中国正加速向低碳和可持续的能源消费模式转型[3]。这一转型对国际贸易的影响主要体现在这几方面。一是促进绿色技术贸易，中国在可再生能源和清洁技术领域的投资和研发不断增加，推动了相关技术的国际合作和贸易。例如，光伏和风电技术的出口不仅提升了中国的国际竞争力，也推动了全球绿色能源的普及。二是重塑全球能源供应链，随着可再生能源的快速发展，中国对传统化石能源的需求逐渐下降，这可能导致全球能源供应链的重组。能源供应国可能需要调整其出口策略，以适应中国的需求变化。三是碳关税与贸易壁垒，随着各国对碳减排的重视，可能会出现碳关税等贸易政策。这将影响中国的能源产品出口，迫使中国企业提升环保标准，以适应国际市场的要求。

中国的能源消耗与国际贸易密切相关。在实施双碳政策的过程中，中国不仅需要转型升级其能源消费结构，也要应对能源安全和供应链的挑战。通过加强国际合作、技术创新和政策优化，中国有望在全球能源转型中发挥积极作用，实现可持续发展目标。同时，这也将为中国在国际贸易中提供新的机遇，促进经济的绿色转型。因此，深入分析中国如何在实现能源转型的同时，促进国际贸易的稳定与可持续发展，显得尤为重要。

Figure 1. Energy consumption trend

图1. 能源消耗走势图

2. 数据来源及处理

2.1. 数据来源

这里采用国家统计局官方发布的经济、人口、能源消费量和碳排放监测数据作为研究对象进行实证研究。研究数据采集时间段为2014年至2022年，其中采集到的能源数据走势如图1所示。

2.2. 数据预处理

在选择输入变量过程中，考虑到数据的量纲有较大差别，会影响预报的精度和模型的训练效率，因此对使用的数据进行归一化处理。归一化处理时利用数据的最大值和最小值，将数据归一化映射到$\left[0,1\right]$ 区间上，公式为：

${\tilde{x}}_{\left(i\right)}=\frac{x_i-x_{\min }}{x_{\max }-x_{\min }}$ (1)

其中，${\tilde{x}}_{\left(i\right)}$ 为某一变量归一化后的数据值；$x_i$ 为变量原始数据；$x_{\max }、x_{\min }$ 分别为原始数据的最大值和最小值。

3. 模型建立与求解

3.1. 相关性检验

首先采用国家统计局官方数据和研究问题选择评价指标，包括经济、人口、能源消费量和碳排放[4]，通过建立相关性分析模型并引入了Pearson相关系数，更系统地分析各指标之间的关联性。这有助于我们更准确地了解各指标与能源消耗之间的关系。

样本协方差：

$Cov\left(x,y\right)=\frac{{\displaystyle \sum _{i=1}^n\left(X{}_i-X\right)\left(Y_i-Y\right)}}{n-1},$ (2)

样本标准差：

$S_x=\sqrt{\frac{{\displaystyle \sum _{i=1}^n{\left(X_i-X\right)}^2}}{n-1}},$ (3)

样本皮尔逊相关系数：

$r_{xy}=\frac{Cov\left(X,Y\right)}{S_X{S}_Y},$ (4)

利用相关系数首先研究大部分指标间的相关关系，得到相关性分析结果如表1所示。

Table 1. Correlation analysis results

表1. 相关性分析结果

	CO2	人口	GDP	能源消耗量
CO2	1	0.8905	0.872	0.9728
人口	0.8905	1	0.9588	0.9682
GDP	0.872	0.9588	1	0.9412
能源消耗量	0.9728	0.9682	0.9412	1

通过表1和图2的相关性分析，我们可以清楚地得出，对于这四项指标大部分都具有较好的相关性，因此基于人口与GDP的能源消费量预测模型可以建立。

Figure 2. Heat map of correlation analysis results matrix

图2. 相关性分析结果矩阵热力图

3.2. 模型建立

若需基于人口和经济变化对能源消费量进行预测，可利用的预测方法有很多，如回归分析法、指数平滑法、灰色预测法等。

在能源消费量的预测中，选择适当的预测方法至关重要。本文决定采用多元线性回归分析模型[5]，原因是它在模型简洁性和预测精度方面都表现出色。下面对多元线性回归分析模型进行详细解释和展开。

多元线性回归分析模型是一种建立在统计学理论基础之上的数学模型。它的核心思想是研究一个随机变量(在这里是能源消费量)与两个或两个以上一般变量(在这里是人口和经济变化)之间的相关性。这意味着我们将分析已有的数据，探索这些变量之间的关系，并建立数学模型，以便对未来的变化情况进行预测。多元线性回归分析模型[6]的应用范围非常广泛，它不仅可以解决随机性预测问题，还可以通过建立适当的随机模型来解决部分确定的预测问题。这使得它在各种决策和规划情境中都能提供有力的依据和参考。在这个特定的情景下，我们将利用该模型来理解能源消费与人口和经济变化之间的关系，以便更好地预测未来的能源消费趋势。

多元线性回归模型的一般数学形式

$y={\beta }_0+{\beta }_1{x}_1+{\beta }_2{x}_2+\cdots +{\beta }_p{x}_p+\epsilon ,$ (5)

上述表达式中随机变量$y$ 为因变量，而$x_1,x_2,\cdots ,x_p$ 是p个可以精确测量并可以控制的一般变量，称为自变量。这表明因变量由两部分决定：一部分是误差项随机变量$\epsilon$ ，另一部分是p个自变量的线性函数${\beta }_0+{\beta }_1{x}_1+\cdots +{\beta }_p{x}_p$ ，其中${\beta }_0,{\beta }_1,{\beta }_2,\cdots ,{\beta }_p$ 是p+1个未知参数，${\beta }_0$ 称为回归常数，${\beta }_0,{\beta }_1,{\beta }_2,\cdots ,{\beta }_p$ 为偏回归系数，因变量与自变量线性关系的具体形式由它们共同决定。随机变量$\epsilon$ 假定服从正态分布。

该模型可以用矩阵表示为：

$Y=AX+\epsilon ,$ (6)

这里，

$A=\left[\begin{array}{cccc}{a}_{11}& a_{12}& \cdots & a_{1m}\\ a_{21}& a_{22}& \cdots & a_{2m}\\ \cdots & \cdots & \cdots & \cdots \\ a_{p1}& a_{p2}& \cdots & a_{pm}\end{array}\right],X=\left[\begin{array}{c}{X}_1\\ X_2\\ ⋮\\ X_p\end{array}\right],Y=\left[\begin{array}{c}{Y}_1\\ Y_2\\ ⋮\\ Y_p\end{array}\right],\epsilon =\left[\begin{array}{c}{\epsilon }_1\\ {\epsilon }_2\\ ⋮\\ {\epsilon }_p\end{array}\right],$ (7)

且满足：

(1) $E\left({\epsilon }_i\right)=0,i=1,2,\cdots ,n;$

(2) $\epsilon \text{~}N\left(0,{\delta }^2\right);$

(3) $E\left({\epsilon }_i,{\epsilon }_j\right)=\{\begin{array}{c}{\delta }^2,i=j\\ 0,i\ne j\end{array}\left(i,j=1,2,\cdots n\right),$ 即同方差和无自相关假设；

(4) $Cov\left(X_{ji},{\epsilon }_i\right)=0,j=1,2,\cdots ,p,$ 即随机项与自变量不相关；

建立多元线性回归模型的逻辑框架图如图3。

Figure 3. Thinking maps

图3. 思维导图

通过3.1小节中建立的关联模型可以清晰的看出常驻人口与能源消费量具有较为明显的线性关系。因此，这里建立线性回归模型，进行相关分析。如下所示

$\{\begin{array}{l}{y}_{i能源}={\beta }_0+{\beta }_1{x}_{i人口}\hfill \\ \xi \text{~}N\left(0,{\delta }^2\right)\hfill \end{array},$ (8)

式中，$\xi$ 服从正态分布，${\beta }_1$ 为自变量系数，${\beta }_0$ 为常数项系数。$y_{i能源}$ 表示第i年的能源消费量，$x_{i人口}$ 表示第i年该地的常驻人口数量。我们将收集的数据导入MATLAB，利用自带regress函数进行多元线性回归得到结果见表2。

Table 2. Linear regression results

表2. 线性回归结果

	非标准化系数		标准化系数	t	R^2	F
	B	标准误差	Beta
常数	−70760.21	8593.918	-	−8.234	0.937	F = 134.936 P = 0.000456
常驻人口	12.06	1.039	0.968	11.616

F检验的结果分析可以得到，显著性P值为0.000456，水平上呈现显著性，拒绝回归系数为0的原假设，因此模型基本满足要求。对于变量共线性表现，VIF全部小于10，因此模型没有多重共线性问题，模型构建良好。

最终，二者的关系模型为。

$y_{i能源}=-70760.21+12.06G_{i人口},$ (9)

为了更加直观地观察二者的关系式，绘制了如图4的拟合示意图。

Figure 4. Energy consumption fitting effect

图4. 能源消耗拟合效果图

3.3. 线性回归预测

为了对常驻人口进行预测，建立线性回归模型。根据第3.1节相关性分析的结果可以看出，二者具有较好的相关性。可以建立线性回归模型，用以后续的预测预报。建立线性回归模型[7]，进行相关分析。如下所示。

$\{\begin{array}{l}{x}_{i人口}={\chi }_0+{\chi }_1{t}_i\hfill \\ \xi ~N\left(0,{\delta }^2\right)\hfill \end{array},$ (10)

其中，$\xi$ 服从正态分布，${\chi }_1$ 为自变量系数，${\chi }_0$ 为常数项系数。$x{}_{i人口}$ 表示第i年该地的常驻人口数量。我们将收集的数据导入MATLAB，利用自带regress函数进行多元线性回归得到结果如表3所示。

Table 3. Linear regression results

表3. 线性回归结果

	非标准化系数		标准化系数	t	P	VIF	R^2	F
	B	标准误	Beta
常数	−108334.38	11712.369	-	−9.25	0.000256	-	0.917	F = 99.12 P = 0.000574
年份	57.87	5.813	0.957	9.956	0.000467	1

对于表3中得到的结果，F检验的结果分析可以得到，显著性P值为0.000574，水平上呈现显著性，拒绝回归系数为0的原假设，因此模型基本满足要求。对于变量共线性表现，VIF全部小于10，因此模型没有多重共线性问题，模型构建良好。因此，得到的结果为

$G_{i人口}=-108334.38+57.87t_i,$ (11)

为了更加直观地观察二者的关系式，绘制了拟合示意图5。

Figure 5. Population fitting effect diagram

图5. 人口预测拟合效果图

3.4. 基于经济变化的能源消费量预测模型

建立与3.2节相同的模型，这里不做过多步骤展示，直接展示模型结果。得到结果见表4。

Table 4. Linear regression model results

表4. 线性回归模型结果

	非标准化系数		标准化系数	t	P	VIF	R^2	F
	B	标准误	Beta
常数	19513.993	1171.039	-	16.664	0.000356	-	0.886	F = 69.864 P = 0.000134
GDP总量	0.145	0.017	0.941	8.358	0.000374	1

因变量：能源消费量总量。

$y_{i能源}=19514+0.15G_{i\text{GDP}},$ (12)

为了更加直观地观察二者的关系式，绘制了拟合示意图如图6所示。

Figure 6. GDP forecast fitting effect

图6. GDP预测拟合效果图

根据关系式建立相同的预测模型，得到结果见表5。

Table 5. Results of energy consumption projections

表5. 能源消耗预测结果

年份	2021	2022	2023	2024	2025
经济	94782.85	99656.1624	104529.46	109402.774	114276.08
经济 − 能源消费量	33257.50	33964.1365	34670.76	35377.39	36084.02
年份	2056	2057	2058	2059	2060
经济	265348.56	270221.87	275095.17	279968.48	284841.78
经济 − 能源消费量	57989.53	58696.16	59402.79	60109.42	60816.05

碳排放量与人口、GDP和能源消费量预测相关联关系式为：

$\begin{array}{c}{W}_{碳排}=8512.373+1.736x_{i人口}+0.21x_{i\text{GDP}}+0.387x_{i能耗总量}\\ +9721.063x_{i非化石能费化}+89650.488x_{i非化石电能费}+1.123x_{i农林消费}+0.363x_{i工业消费}\\ +0.736x_{i交通消费}+4.632x_{i建筑消费}+1.128x_{i居民生活}+2.308x_{i能源供应},\end{array}$ (13)

最终，根据关联式采用加权预测模型[8]，得到结果如表6所示。

Table 6. Final results for carbon emissions

表6. 碳排放量最终结果

年份	2021	2022	2023	2024	2025
碳排放量	78473.416	76147.756	77751.046	74155.613	75245.457
年份	2056	2057	2058	2059	2060
碳排放量	67078.84462	66974.95138	66731.62992	66415.67403	65589.38462

4. 总结

在全球能源转型背景下，中国作为最大能源消费国，其能源消费模式的转型对国际市场和贸易格局产生深远影响。通过实施双碳政策，中国减少对煤炭等传统化石能源的依赖，大力发展可再生能源，尤其是太阳能和风能。这一转型不仅有助于国内可持续发展，也为国际贸易带来了新的机遇。本文运用线性回归模型预测碳排放量变化趋势，结果显示，随着可再生能源比例的提高，中国的碳排放量在未来几年有望持续下降。这为政策制定者提供了科学依据，并为企业调整运营策略提供了参考。可再生能源技术的发展使中国在绿色技术领域的投资和研发不断增加，促进了国际合作和技术交流。光伏和风电设备不仅满足国内需求，还逐渐成为全球市场的重要供应来源。这为中国在国际贸易中提供了新机会，提升了其在全球绿色产业链中的地位。此外，能源消费结构的转型重塑了全球能源供应链，传统化石能源需求的下降迫使供应国调整出口策略，影响国际能源价格和供应稳定性。与此同时，碳关税等贸易政策可能对中国的能源产品出口产生压力，促使企业提升环保标准。

综上所述，中国在实现能源转型的同时，积极应对能源安全和供应链挑战。运用线性回归模型的预测结果显示，随着可再生能源的推广，中国的碳排放量将下降，这不仅关乎可持续发展，也对全球经济和国际贸易未来走向产生重要影响。