EN中文

PROGRESS IN GEOGRAPHY >

2021 , Vol. 40 >Issue 8: 1269 - 1283

DOI: https://doi.org/10.18306/dlkxjz.2021.08.002

Articles

System dynamics model-based simulation of energy consumption pattern on the two sides of the Huhuanyong Line in China

  • ZHAO Sha ,
  • HU Zui , * ,
  • ZHENG Wenwu
Expand
  • College of City & Tourism, Hengyang Normal University, Hengyang 421002, Hunan, China

Received date: 2020-12-04

  Request revised date: 2021-04-17

  Online published: 2021-10-28

Supported by

National Natural Science Foundation of China(41771188)

Social Science Foundation of Hengyang(2019C019)

Platform Project of Hengyang Normal University(HIST20K01)

Hunan Postgraduate Scientific Research Innovation Project(CX20190981)

Copyright

Copyright reserved © 2021
Fold

Abstract

The Huhuanyong Line is a real portrayal of the spatial pattern of population, economic, and social development in China. It perfectly describes key characteristics of energy production and consumption. Quantitatively simulating the spatial pattern of energy consumption on the two sides of the line can provide a reference to achieve regional coordinated development. This study employed data from the China Energy Statistical Yearbook (2005-2014). We first constructed the System Dynamics Model Based on the Huhuanyong Line Energy Consumption Simulation Model (HLECSM-SD) using the GM ( 1,1 ) model and System Dynamics (SD) model. Then, we simulated the pattern of various energy consumptions on the two sides of the line from 2020 to 2025. Finally, this study analyzed energy consumption of China under three scenarios. The results indicate that: 1) The HLECSM-SD model fits the data well. 2) Energy consumption presents the spatial pattern of more in the east and less in the west in China. 3) The change trend of energy consumption growth rate is consistent across the two regions. The east side has a lower growth rate than the west side. 4) On the east side of the line, coal consumption has the characteristics of more in the north and less in the south. This is consistent with the spatial distribution of China's coal resources. The consumptions of petroleum, natural gas, and electricity all have the characteristics of more in the east and less in the central region. This is determined by many factors, such as resource endowment, economic development, population scale, and industrial structure of each province. 5) The influencing factors have different degrees of impact on energy consumption under different scenarios. Our findings can provide some reference for the macro decision making in the energy field.

Key words： Huhuanyong Line; energy consumption; spatial pattern; System Dynamics (SD) model; GM(1,1) model; gridding; scenarios

Cite this article

ZHAO Sha , HU Zui , ZHENG Wenwu . System dynamics model-based simulation of energy consumption pattern on the two sides of the Huhuanyong Line in China[J]. PROGRESS IN GEOGRAPHY, 2021 , 40(8) : 1269 -1283 . DOI: 10.18306/dlkxjz.2021.08.002

人口空间分布是区域自然资源禀赋及其开发利用空间格局特征的综合反映。1935年,胡焕庸正式提出了表征中国人口空间分布特征的地理界线[1]。该线真实地反映了中国人口、经济和社会发展格局特征,成为研究中国经济、人口和社会发展等重要问题的基本参照。2014年,国务院总理李克强立足于统筹区域协调发展的视角提出了胡焕庸线(以下简称“胡线”)的破题之问[2],引发了中国地理学界的深思[3]。可见,寻求胡线“能否突破”和“如何突破”的答案,是当今时代赋予中国地理学者的重要科学议题。
胡线是自然环境和人类活动长期相互作用的结果[4],它真实地刻画了中国能源生产和消费的空间格局特征。这是因为该线东西两侧的能源生产和供应不仅仅是资源开发与消费问题,也是中国经济、政治、技术和社会等关系的反映[5,6,7]。科学地定量研究胡线东西两侧能源供需不平衡现状,可以为中国实现区域协调发展提供决策参考。
能源消耗量预测是一个十分复杂的问题[8],具有代表性的研究方法包括支持向量机[9,10,11]、人工神经网络模型[12,13]和灰色预测模型[14,15]。尽管前述模型对历史数据要求有所降低,但提供的信息有限[16],不足以反映能源系统的整体特征。对此,有学者尝试使用系统动力学(system dynamics,SD)[17,18,19]加以改进。SD模型是一种认识和处理高阶次、非线性、多重反馈时变系统的工具[20,21,22],适用于处理社会和经济等复杂大系统问题[23]。但是,在运用SD模型对能源消耗进行预测时,仅考虑单一能源消耗容易忽略经济和人口等因素的影响[24]。因此,有学者开始考虑能源、经济和环境等系统的相互作用。如：建立国家尺度的SD模型,揭示能源需求和能源预警指标[25,26]。同时,也有学者在省级或区域尺 度上构建能源系统仿真模型,分析能源消费与经济增长的关系,预测研究区能源消耗量。如：以山西省[27]、山东省[28]和京津冀区域[29]等为例。
上述研究案例多集中在以单个省区、城市群或国家尺度的能源预测方面,且模型输入参数依赖于使用者经验,导致预测结果存在较大的主观性[26]。为了有效地改进上述不足,有学者尝试将其他数学方法与SD模型相结合来预测能源消耗量。灰色系统理论[30]是一种处理“小样本”“贫信息”的数学方法,仅需要少量数据便可以得到预测结果。采用该方法计算参数,再将得到含有灰色信息的结果作为SD模型的部分输入参数,可以有效克服SD模型参数设置过于主观的问题。
基于上述思考,针对现有的SD模型能源消耗量预测研究存在参数的主观性较强且研究尺度较为单一的问题,本文基于 GM ( 1,1 ) 模型和SD模型构建了胡线能源消耗的空间格局预测模型(HLECSM-SD),模拟2020—2025年胡线东西两侧能源消耗空间格局。

1 数据与方法

1.1 数据来源

本文通过各省(区)的统计局网站和国家能源网(http://www.nea.gov.cn/)收集相应的数据资料,包括各省区2005—2014年的统计年鉴和《中国能源统计年鉴(2005—2014年)》。由于香港特别行政区、澳门特别行政区、台湾省和西藏自治区的相关数据收集困难,故本文涉及的范围只包括中国内陆地区30个省份(海域除外)。
为了便于计算和比较相关结果,本文将煤炭(合计)、石油(合计)、天然气、电力、能源消耗量等统一折算成标准煤①(① 参见：部分能源折算标准煤参考系数, 中外能源, 2009, 14(7): 18。)进行计算分析。本文通过Vensim软件构建SD模型,模型中主要函数关系采用 GM ( 1,1 ) 模型进行拟合。

1.2 研究方法

根据各省区的统计年鉴,计算相应的单位GDP能源消耗量,并将相应结果输入 GM ( 1,1 ) 模型中,从而模拟得到2015—2020年的相关值。本文再将相应模拟值作为HLECSM-SD模型的输入参数。
为了便于结果分析,仅以湖南省为例说明精度检验。
1.2.1 GM ( 1,1 ) 模型
GM ( 1,1 ) 模型可以基于一定样本进行预测,不需要大量样本,计算工作量小,因此广泛应用于交通、物流、工业等社会经济领域。陈洪涛等[31]利用 GM ( 1,1 ) 模型对中国能源消费总量进行短期预测,取得了较好的结果。
首先,选取非负原始数据序列 x ( 0 ) = x 0 ( 1 ) , x ( 0 ) ( 2 ) , … , x ( 0 ) ( n ) ,对x(0)作一次累加变换,生成新的序列 x ( 1 ) = x 1 ( 1 ) , x ( 1 ) ( 2 ) , … , x ( 1 ) ( n ) 。
x 1 ( k ) = ∑ i = 1 k x 0 ( i ) ( k = 1,2 , … , n )
其次,对一次累加生成序列建立单变量的一阶微分方程:
d x ( 1 ) d t + a x ( 1 ) = u
式中：a为发展系数,u为灰色作用量,a、u为待定参数,其中,由背景值
z 1 ( k ) = 1 2 × x 1 ( k ) + x 1 ( k - 1 )
构造的序列称为紧邻均值生成序列。
设参数向量为 α → = [ a , u ] T ,然后作最小二乘法估计,即求解 α → = ( B T B ) - 1 B T y n , 并代入微分方程可得模型的时间响应方程：
x ˆ 1 k + 1 = x 0 1 - u α → e - α → k + u α → ( k = 1,2 , … , n )
其中： y n = x 0 ( 2 ) , x 0 ( 3 ) , … , x 0 ( n ) T , B = - z 1 ( 2 ) 1 - z 1 ( 3 ) 1 ⋮ ⋮ - z 1 ( n ) 1 。
最后,通过一次累减逆运算即可得到原始数据序列的预测值：
x ˆ 1 = x ˆ 0 1 , x ˆ 0 2 , … , x ˆ 0 n
其中：
x ˆ 0 ( k + 1 ) = x ˆ 1 k + 1 - x ˆ 1 k ( k = 1,2 , … , n )
这样,便得到了原始数据序列的预测值,在此基础上可进行模型误差检验。
灰色预测模型的精度检验等级参照文献[30]：平均相对误差 Δ = 1 12 ∑ k = 1 12 | ∆ k | = 3.67 % < 0.05 ( ∆ k 为相对残差序列),预测精度为二级;后验差比值(均方差比值) C = S 2 S 1 = 0.097 < 0.35 (S1为原始序列方差,S2为残差序列方差),预测精度为一级;小误差概率 P = P ε k - ε ̅ < 0.6745 S 1 = 12 12 > 0.95 ,其中 ε k 为绝对残差序列, ε ̅ 为绝对残差序列平均值,预测精度为一级。
考虑文章篇幅,本文仅以预测的第一、二、三产业产值、人口和GDP的结果为例进行精度检验(表1),其相对误差都小于10%,取得了良好的预测精度;对其他省区的预测结果精度为二级,后验方差和小误差概率精度均为一级。这说明 GM ( 1,1 ) 模型预测的精度较好,其预测结果可以作为HLECSM-SD模型的输入参数。
表1 湖南省GDP总量及其模拟数据

Tab.1 Actual GDP of Hunan Province and its simulated values

指标 年份 模拟值 实际值 相对误差/%
第一产业产值/亿元 2015 2744.98 2747.91 0.11
2016 3040.64 2915.57 -4.29
2017 3178.10 2998.40 -5.99
2018 3261.78 3083.59 -5.78
第二产业产值/亿元 2015 13849.15 13043.68 -6.18
2016 14564.18 13341.17 -9.17
2017 14744.31 14145.49 -4.23
2018 15469.20 14453.54 -7.03
第三产业产值/亿元 2015 13550.98 12797.45 -5.89
2016 15794.72 14631.83 -7.95
2017 18409.97 16759.07 -9.85
2018 20458.25 18888.65 -8.31
人口/万人 2015 7317.61 7242.02 -1.04
2016 7381.49 7318.81 -0.86
2017 7445.93 7296.26 -2.05
2018 7510.93 7326.62 -2.52
GDP总量
/亿元		 2015 30145.11 28589.04 -5.44
2016 33399.54 30888.57 -8.13
2017 36332.38 33902.96 -7.17
2018 39189.24 36425.78 -7.59
1.2.2 SD模型
能源消耗系统是一个复杂的系统,能源消耗量的增长与经济发展水平和人口增长密切相关。本文主要考虑经济子系统和人口子系统的相互作用,能源消耗总量主要由产业能源消耗量和生活消耗量2个部分构成。经济子系统是能源需求预测的核心子系统,主要考虑GDP增长情况、产业结构以及各类能源一、二、三产业值的万元消耗量。人口子系统主要考虑人口的增长情况以及居民可支配收入[32]和恩格尔系数的变化。
本文根据经济和人口子系统构建了相应的能源需求系统模型,再根据各个子系统的能源消耗情况构建了HLECSM-SD模型(图1)。遵循相关性、易获取性、简洁性等原则,本文选取了GDP增长率、人口自然增长率、居民可支配收入、产业结构比值和万元GDP的能源消耗量等一系列影响能源消耗量的因子。模型参数主要根据平均值、表函数、初始值等方法确定。其中,随时间变化不明显但有一定波动的参数则根据历史数据的平均值确定,如人均能源消费量;随时间变化明显并没有规律的参数则通过 GM ( 1,1 ) 模型进行预测,相关结果通过表函数输入,如单位GDP的各类能源消耗量;此外,模型中需要赋初始值的有GDP总量和人口总量。HLECSM-SD模型系统设定的基准年限是2020年,目标年是2025年,时间步长为1 a。
图1 HLECSM-SD模型

Fig.1 A conceptual framework for the HLECSM-SD

在HLECSM-SD模型系统中,能源消费增长速度由经济增长速度和人口增长速度共同决定。在经济子系统中,GDP增长由GDP增长率和初始年份的GDP总量决定,且通过与人口子系统之间的相互作用影响能源消费的增长速度。人口子系统可以直接参与到经济变化过程中,影响经济变化速度,本文主要考虑了人口自然增长率和居民可支配收入对人口总量的影响。根据模型内在联系,构造了65个参数(表2)和37个系统动力学方程(表3)。系统中不同省区的模型初始值不同,以初始年份的统计数据为准。
表2 HLECSM-SD模型的主要参数及其含义

Tab.2 Main parameters and their definition of the HLECSM-SD

参数 含义 参数 含义
P_N 新增人口 P_T 人口总量
P_R 人口自然增长率 P_B 基期人口总量
GDP_N GDP 增加值 GDP GDP 总量
GDP_R GDP 增长率 GDP_B 基期GDP总量
P_V 第一产业产值 P_P 一产占比
S_V 第二产业产值 S_P 二产占比
T_V 第三产业产值 T_P 三产占比
PCI 居民可支配收入 EC 恩格尔系数
IEC_C 煤炭收入弹性系数 IEC_O 石油收入弹性系数
IEC_G 天然气收入弹性系数 IEC_E 电力收入弹性系数
IEC_EN 能源收入弹性系数 AP_C 人均煤炭消耗量
AP_O 人均石油消耗量 AP_G 人均天然气消耗量
AP_E 人均电力消耗量 AP_EN 人均能源消耗量
P_C 第一产业煤炭消耗量 PP_C 万元一产煤炭消耗量
S_C 第二产业煤炭消耗量 SP_C 万元二产煤炭消耗量
T_C 第三产业煤炭消耗量 TP_C 万元三产煤炭消耗量
P_O 第一产业石油消耗量 PP_O 万元一产石油消耗量
S_O 第二产业石油消耗量 SP_O 万元二产石油消耗量
T_O 第三产业石油消耗量 TP_O 万元三产石油消耗量
P_G 第一产业天然气消耗量 PP_G 万元一产天然气消耗量
S_G 第二产业天然气消耗量 SP_G 万元二产天然气消耗量
T_G 第三产业天然气消耗量 TP_G 万元三产天然气消耗量
P_E 第一产业电力消耗量 PP_E 万元一产电力消耗量
S_E 第二产业电力消耗量 SP_E 万元二产电力消耗量
T_E 第三产业电力消耗量 TP_E 万元三产电力消耗量
P_EN 第一产业能源消耗量 PP_EN 万元一产能源消耗量
S_EN 第二产业能源消耗量 SP_EN 万元二产能源消耗量
T_EN 第三产业能源消耗量 TP_EN 万元三产能源消耗量
L_C 生活煤炭消耗量 L_O 生活石油消耗量
L_G 生活天然气消耗量 L_E 生活电力消耗量
C_T 煤炭消耗量 C_O 石油消耗量
C_G 天然气消耗量 C_E 电力消耗量
C_EN 能源消耗量
表3 HLECSM-SD模型的主要方程式及其含义

Tab.3 Main equations and their description of the HLECSM-SD

方程式 含义 单位
P_T×P_R(Time) 新增人口 万人
INTEG(P_N,P_B) 人口总量 万人
GDP_T×GDP_R(Time) GDP 增加值 亿元
INTEG(GDP_N,GDP_B) 基期GDP总量 亿元
GDP_T×P_P(Time) 第一产业产值 亿元
GDP_T×S_P(Time) 第二产业产值 亿元
GDP_T×T_P(Time) 第三产业产值 亿元
IEC_C×EC×PCI(Time) 人均煤炭消耗量 t/人
IEC_O×EC×PCI(Time) 人均石油消耗量 t/人
IEC_G×EC×PCI(Time) 人均天然气消耗量 m3/人
IEC_E×EC×PCI(Time) 人均电力消耗量 kWh/人
IEC_EN×EC×PCI(Time) 人均能源消耗量 t/人
P_V×PP_C(Time) 第一产业煤炭消耗量 万t标准煤
S_V×SP_C(Time) 第二产业煤炭消耗量 万t标准煤
T_V×TP_C(Time) 第三产业煤炭消耗量 万t标准煤
P_T×AP_C(Time) 生活煤炭消耗量 万t标准煤
P_C+S_C+T_C+L_C 煤炭消耗量 万t标准煤
P_V×PP_O(Time) 第一产业石油消耗量 万t标准煤
S_V×SP_O(Time) 第二产业石油消耗量 万t标准煤
T_V×TP_O(Time) 第三产业石油消耗量 万t标准煤
P_T×AP_O(Time) 生活石油消耗量 万t标准煤
P_O+S_O+T_O+L_O 石油消耗量 万t标准煤
P_V×PP_G(Time) 第一产业天然气消耗量 万t标准煤
S_V×SP_G(Time) 第二产业天然气消耗量 万t标准煤
T_V×TP_G(Time) 第三产业天然气消耗量 万t标准煤
P_T×AP_G(Time) 生活天然气消耗量 万t标准煤
P_G+S_G+T_G+L_G 天然气消耗量 万t标准煤
P_V×PP_E(Time) 第一产业电力消耗量 万t标准煤
S_V×SP_E(Time) 第二产业电力消耗量 万t标准煤
T_V×TP_E(Time) 第三产业电力消耗量 万t标准煤
P_T×AP_E(Time) 生活电力消耗量 万t标准煤
P_E+S_E+T_E+L_E 电力消耗量 万t标准煤
P_V×PP_EN(Time) 第一产业能源消耗量 万t标准煤
S_V×SP_EN(Time) 第二产业能源消耗量 万t标准煤
T_V×TP_EN(Time) 第三产业能源消耗量 万t标准煤
P_T×AP_EN(Time) 生活能源消耗量 万t标准煤
P_EN+S_EN+T_EN+L_EN 能源消耗量 万t标准煤
参照李玮等[27]的模型检验方法,本文对HLECSM-SD模型仿真行为与系统过去行为的拟合程度进行了历史检验。从湖南省2015—2018年的系统状态变量的仿真值与历史数据的比较来看(表4),模型预测值与历史数据的拟合程度较好,平均相对误差都小于10%。这说明本文构建的HLECSM-SD模型符合模拟的精度要求[33]。
表4 湖南省模拟值历史仿真检验结果

Tab.4 Historical simulation test results of the simulated energy consumption values of Hunan Province

指标 年份 煤炭消耗量 石油消耗量 天然气消耗量 电力消耗量 能源消耗量
真实值/万t标准煤 2015 11142.26 1734.45 25.66 1532.77 15468.11
2016 11443.53 1844.20 27.45 1582.99 15804.44
2017 12399.90 1822.70 26.24 1581.51 16171.30
2018 11058.68 1990.71 29.62 1745.25 16068.68
模拟值/万t标准煤 2015 11461.87 1714.72 35.83 1464.73 14669.35
2016 11960.54 1779.81 36.47 1475.98 15246.80
2017 12650.61 1850.58 37.14 1597.53 16127.86
2018 12011.40 1928.35 37.83 1630.34 15600.92
相对误差/%
 2015 2.79 -1.15 8.40 -4.60 -5.45
2016 4.32 -0.36 9.90 -7.25 -3.66
2017 1.98 0.15 9.90 1.00 -0.27
2018 7.93 -3.23 3.90 7.90 -2.99

2 结果分析

根据HLECSM-SD模型的结果,本文得到了全国各省区2020—2025年能源消耗总量(表5)。在此期间,全国各省区的能源消耗量仍然处于增长状态。(1) 山东省的能源消耗总量最高,预计到2025年将达到3.74亿t标准煤,其次是江苏省和广东省,2025年能源消耗总量分别为3.52亿t和3.40亿t标准煤。上述省区均是典型的东部省区,其能源消耗量与省区自身的经济发展水平和产业承载力成正比。(2) 能源消耗总量较高的是河南、四川、辽宁、福建等省区,均超过了2.00亿t标准煤,这些是位于胡线东侧的中部省区和靠近中部的部分省区。(3) 在胡线西侧,内蒙古和新疆2个省区能源消耗总量较高,分别为2.44亿t和1.61亿t标准煤。
表5 2020—2025年各省区能源消耗总量预测

Tab.5 Provincial total energy consumption predicted values, 2020-2025 (万t标准煤)

省区 2020年 2021年 2022年 2023年 2024年 2025年
山东 37815.90 37687.50 38004.70 38036.30 38112.20 37449.80
江苏 31522.00 32567.00 33473.00 33691.60 34645.40 35182.60
广东 32469.90 32378.50 32834.00 33199.00 33654.60 33973.20
河南 21601.60 23204.60 24589.00 25616.30 26585.30 27990.40
辽宁 21513.90 21581.80 22555.50 23418.60 24240.00 24388.20
四川 20420.30 20839.80 21352.60 21777.80 22155.00 22498.90
福建 14484.00 15391.50 16112.20 17470.80 19467.40 22126.30
山西 17183.80 17674.20 18154.70 18674.80 19184.90 19694.00
河北 18573.20 18863.60 19050.90 19308.50 19473.60 19508.50
安徽 13620.00 14850.00 16093.80 16511.80 18113.30 19094.50
陕西 12453.00 15359.40 16138.30 17038.90 17902.60 18881.50
贵州 12981.10 14021.50 14916.20 15936.90 16936.40 18062.90
浙江 15931.40 15998.20 16081.60 16618.70 16648.00 17663.80
黑龙江 12035.30 13557.60 14147.70 15365.90 16173.10 17233.30
湖北 14418.40 14661.00 14981.70 15283.20 15601.80 16220.70
重庆 11423.10 12016.90 12625.20 13302.90 13959.00 14534.50
湖南 11210.00 11834.10 12232.80 13052.60 13466.20 14384.10
广西 11402.20 11726.80 12003.70 12201.50 12361.10 14082.10
云南 10552.60 11238.10 11804.20 11899.90 12367.20 12961.40
吉林 11189.20 11488.20 11761.60 11997.00 12118.50 12206.00
上海 11796.00 11837.10 11907.10 11847.50 11765.40 12032.90
江西 9115.61 9774.41 10149.00 10498.80 11268.50 11713.60
天津 8523.32 8318.15 8819.13 9346.03 9873.16 10512.80
北京 7384.56 7427.82 7392.78 7420.32 7501.45 7389.86
海南 2708.50 2795.76 2692.17 2716.18 2690.57 2786.41
内蒙古 19678.90 20531.60 21457.90 22449.10 23443.60 24395.40
新疆 11446.80 12162.70 12609.80 12350.70 12838.90 13129.20
甘肃 8587.79 8897.22 9263.99 9622.59 10101.17 10356.10
宁夏 7409.91 7614.61 7700.94 8033.83 8136.31 9080.23
青海 4660.47 4943.17 5293.51 5683.40 6066.35 6551.80

2.1 胡线东西两侧能源消耗量空间特征

网格化能源数据可以反映单位面积内的能源消耗强度,本文通过生成50 km×50 km的网格数据,将行政单元的能源消耗量转换为格网数据的能源消耗量[34],对胡线东西两侧能源消耗量的空间格局进行模拟。
2.1.1 能源消耗总量空间格局
根据能源总量预测量,本文得到了基于网格化的胡线东西两侧能源消耗总量空间格局图谱(图2)。以胡线为界,中国能源消耗量呈现东侧消耗量大、西侧消耗量小的空间格局,其中京津冀和长三角城市群能源消耗量最高。这种空间格局特征的形成因素众多,时间较长,且难以改变。在胡线东侧,沿海一带省区的能源消耗总量最高,如山东、江苏、浙江、广东、辽宁等省区。中部内陆省区的能源消耗量次之,如安徽、湖北、山西、广西等省区。能源消耗量的影响因素众多,主要是由各省区资源禀赋、经济发展水平、人口规模及产业结构等因素共同决定的。胡线两侧省区经济发展两极分化,区域经济差异明显,东部沿海省区的经济发展水平高,尤其是京津冀和长三角等地区。其交通运输系统完善,工业发展迅速,常住人口与流动人口渐增,民用汽车数量攀升,导致能源消耗量巨大。
图2 胡线东西两侧能源消耗总量网格化

注：图中中国全图基于自然资源部标准地图服务网站下载的审图号为GS(2019)1697号的标准地图制作,底图无修改,下同。

Fig.2 Grid-level total value of energy consumption on the two sides of the Huhuanyong Line

在胡线西侧,能源消耗总量较高的是内蒙古和新疆2个省区。随着“投资西进”[35],东侧的煤炭、电力和化工等重化工业转向西部,胡线西侧省区则依靠自身的能源优势维持高能耗产业,这也加重了西侧能源的损耗。胡线西侧作为国家未来的能源基地,在不断输出能源的同时,也成为了能源消耗的基地[36]。
2.1.2 煤炭消耗空间格局
煤炭在中国的能源生产和消费结构中一直处于主导地位。从煤炭消耗量网格图来看,煤炭消耗量主要集中在北方省区和中国的主要城市经济圈。在胡线东侧,煤炭消耗量具有“北部多、南部少”的空间特征。煤炭消耗量较高的山东、黑龙江、河南和陕西等省区均位于中国北部。2017年中国煤炭产量高达35.9亿t[36],受储量分布不均衡特征的因素影响[37],煤炭开采主要集中在胡线东侧的北方省区。煤炭是中国的主要能源之一,不仅仅作为能源使用,也作为工业原材料广泛使用。煤炭的消耗与各省区自身的煤炭蕴藏量有直接关系,北方省区的煤炭蕴藏量大,依托资源优势,大力发展经济和煤炭产业,故煤炭消耗量大。胡线东侧的南部省区煤炭消耗量相对较少,仅有贵州省消耗量较高,其煤炭存储量在中国各省区煤炭存储量排名中居于前列。在胡线西侧,煤炭消耗量较大的是内蒙古和新疆2个省区,其煤炭蕴藏量同样十分丰富。
在胡线东侧,煤炭消耗量呈现出“北多南少”的空间格局,这与中国煤炭资源北富南贫、西多东少[39]的分布情况基本一致。陕西、黑龙江和内蒙古等煤炭消耗量高的省区都拥有中国大型煤炭基地。
2.1.3 石油消耗空间格局
在2020—2025年期间,中国各省区的石油消耗量将处于增长状态。在胡线东侧,各省区的石油消耗量具有“东部多、中部少”的空间特征。其中,辽宁、山东、江苏、广东等省区消耗量位居前列,河南、安徽、重庆等省区紧随其后。广东省的石油消耗量最高,主要是由于广东工业发达,人口稠密,不论是工业还是交通运输业,都将消耗大量石油资源。除宁夏之外,位于胡线西侧的其他省区石油消耗量较为接近,但明显低于东侧省区。
位于胡线西侧的新疆、内蒙古、宁夏等省区石油资源十分丰富,其消耗量却远低于东侧省区。这是因为中国石油消耗量与经济发展之间始终密切相关[40]。东部沿海省区是中国经济发达的地区,工业发展成熟,人口基数大,在大力发展工业和交通运输业的情况下,其石油消耗量基数较大,增势强劲。因此,进一步优化石油资源空间配置,提高石油资源利用效率,是有效平衡中国石油资源供需的途径。
2.1.4 天然气消耗空间格局
2020—2025年期间,在胡线东侧,天然气消耗量具有“东部多、中部少”的空间特征。其中,福建、河北、江苏、广东等沿海省区的消耗量较大。目前,煤炭在中国的能源结构仍然占主导地位,相对低碳清洁的天然气在一次能源消费中的比例过低。随着科学技术的进步,天然气的使用范围也将越来越广。在胡线西侧,新疆、青海、内蒙古等省区的天然气消耗量相对较大。
位于胡线西侧的新疆、宁夏等省区是中国天然气资源的主要蕴藏地区,天然气资源丰富,但受经济发展限制,其消耗量较低。位于胡线东侧省区的天然气资源需求量大,其存储量远低于需求量。为了解决供需不对等的问题,中国依靠管道运输将天然气运输到各天然气资源缺乏的省区。目前,随着“西气东输、川气出川、海气登陆、就近供应”[41]管网的形成,中国已经形成了西部和海上向中东部地区输送天然气的主干管道系统。随着中部地区经济的不断发展,以及经济发展方式和能源结构的调整,天然气消费量逐步提高,对胡线东侧的天然气消费“东部多、中部少”的空间格局将产生较大影响。
2.1.5 电力消耗空间格局
2020—2025年间,胡线东侧省区将是中国的电力负荷中心。在胡线东侧,电力消耗量呈现“东部多、中部少”的空间格局。其中,河北、山东、江苏、浙江、广东等省区消耗量较高,上述省区的工业用电、第三产业用电和居民消费用电对自身用电的拉动作用不断增强。在胡线西侧,除了新疆以外,其他省区电力资源的消耗情况基本持平,消耗量较少。中国电力生产与消费量的空间格局处于不平衡状态,电力能源主要集中在胡线西侧省区,其水电资源丰富。京津冀、江浙沪等地区社会经济发展水平高,电力资源消耗量高,却存在电力资源缺乏的问题。在这种供需不平衡的情况下,跨省区输电是未来中国电力发展的必然选择。中国采取西部大开发促进对胡线西侧省区的经济开发和投资集聚,水电将得到大规模开发;同时,中国开通了“西电东输”3大通道[42],协调胡线东西两侧的电力调度与区域发展,致力解决中国电力能源供需不平衡的问题。

2.2 胡线东西两侧能源消耗量时间特征

本文根据表5计算了2020—2025年中国各省区的能源消耗量的增长率,计算公式如下：
N = E a - E b E b
式中： N 表示能源消耗量增长率, E a 代表计算末期的能源消耗量, E b 代表计算初期的能源消耗量。
本文采用自然断点法[43]将能源增长率分为3个区间：<0.03为能源消耗量缓慢增长,0.03~0.08为能源消耗量较快增长,>0.08为能源消耗量迅速增长。从2020—2025年能源消耗量增长率图谱(图3)可以看出：(1) 在2020—2025年期间,能源消耗量为迅速增长的省区逐渐增加。在2020—2021年期间,仅有安徽省的能源消耗量为迅速增长;2024—2025年期间,能源消耗量属于迅速增长的有福建、宁夏、青海、新疆4个省区。(2) 全国各省区的能源消耗量增长率存在一定的空间差异。在2020—2024年间,能源消耗量为较快增长及迅速增长的省区主要位于胡线东侧。东部省区经济发展水平高,能源消耗量基数大,增长率稳定,逐渐趋向于零,北京市呈现负增长。在2024—2025年间,越来越多的西侧省区能源消耗量增长率增加。
图3 2020—2025年中国能源消耗量增长率图谱

Fig.3 Energy consumption growth rate of China, 2020-2025

2020—2025年间,在胡线东侧,经济发展水平较高的省区能源消耗量增长率趋于稳定。这些省区的经济发展逐渐平稳,也采取了一定的措施来减少能源的消耗量。随着节能减排、可持续发展等政策的提出,各省区经济不再粗放型发展。因此,能源消耗总量的增长速度逐渐变缓。胡线东侧的中部省区和西侧的省区经济将迅速增长,其能源消耗量增长率仍处于较高的状态。
本文将胡线东西两侧各省区(东侧25个省区,西侧5个省区)2020—2025年的能源消耗量相加(图4)进行分析。未来5 a,中国的能源消耗总量将仍处于增加状态,但增速较为缓慢。随着中国经济的持续发展,全国各省区的能源消耗量不断增加,东侧省区能源消耗量的消耗量远大于西侧省区,主要原因是胡线东侧省区的经济发展水平远高于西侧省区,经济发展的支柱产业是工业和交通运输业,均需要消耗大量能源。
图4 胡线东西两侧能源增长率

Fig.4 Energy consumption growth rate on the two sides of the Huhuanyong Line

3 情景模拟

3.1 情景设定

系统动力学模型涉及多种参数,我们可以调整模型中的参数值或表函数表示不同政策方案,然后进行情景模拟[44]。为了体现未来几年中国经济和产业结构的改变对能源消耗的调控作用,本文讨论政策对HLECSM-SD模型的影响和模型内部动态变化趋势。基于2005—2014年仿真值与历史值有效性检验的基础,本文以GDP增长率、产业结构占比(第二、三产业结构占比)和人口自然增长率3项指标作为可控变量进行情景设置,模拟2020—2025年中国胡线东西两侧各省区经济发展模式(表6)。
表6 胡线东西两侧能源消耗系统情景方案设置

Tab.6 Scenario setting of energy consumption system on the two sides of the Huhuanyong Line

项目 GDP增长率 第二产业占比 第三产业占比 人口自然增长率
情景Ⅰ +2个百分点 — — —
情景Ⅱ — -2个百分点 +2个百分点 —
情景Ⅲ — — — +1个千分点

注：+表示增加,-表示降低,—表示保持不变。

能源消耗量的增加是经济发展带动的结果,经济的发展直接影响着能源消耗量,因此本文选取GDP增长率作为经济子系统的可控变量。基于十九届五中全会上提出到2035年基本实现社会主义现代化远景目标,中国经济在未来几年将处于增长状态。由于各个省区经济发展水平不同,本文以全国平均水平为依据,参考每年GDP增长率,在模拟结果的基础上设置情景Ⅰ,将GDP的增速提高2个百分点。产业结构是影响能源消耗的重要因素之一,中国能源消耗主要集中在第二产业,第一、三产业相对较低。结合中国《能源生产和消费革命战略(2016—2030)》中大力调整产业结构、推动产业结构调整与降能互驱共进的思路。未来各省区将继续优化产业结构,降低第二产业的占比,提高第三产业的占比[45]。因此,可在模拟结果的基础上设置情景Ⅱ,其中第一产业占比不变,第二、第三产业占比分别下降和升高2个百分点。人口规模在一定程度上会抬升生活能源消耗量。由于现在已全面开放三孩政策的影响,人口自然增长率将会发生变化,造成人口规模的变化。因此,可在模拟结果的基础上设置情景Ⅲ,选取人口年自然增长率作为人口系统的决策变量,将人口自然增长率增加1个千分点。

3.2 模拟结果分析

根据3个不同情景,运行模型得到胡线东西两侧能源消耗总量模拟结果(表7)和变化趋势(图5)。
表7 不同发展情景下胡线东西两侧能源消耗量模拟结果

Tab.7 Simulation results of energy consumption on the two sides of the Huhuanyong Line under different development scenarios (万t标准煤)

区域 情景设定 2020年 2021年 2022年 2023年 2024年 2025年
胡线东侧 模拟结果 392328.89 407093.54 419873.58 432231.83 446264.68 461572.27
情景Ⅰ 389278.89 411654.48 432803.66 445210.68 462478.92 479983.43
情景Ⅱ 383269.13 401860.61 415491.04 425904.09 442797.72 453905.61
情景Ⅲ 392588.89 409404.29 424147.06 435965.70 450360.00 466730.29
胡线西侧 模拟结果 51783.87 54149.30 56326.14 58139.62 60586.33 66512.73
情景Ⅰ 51183.87 55948.17 58850.73 61684.72 63604.68 69034.74
情景Ⅱ 50283.20 52600.02 54740.15 56547.25 58950.95 63645.90
情景Ⅲ 52783.87 55751.92 58031.59 60147.84 62897.53 68026.77
图5 不同情景下胡线东西两侧能源消耗量变化趋势

Fig.5 Change in energy consumption on the two sides of the Huhuanyong Line under different scenarios

(1) 情景Ⅰ：各省区GDP增长率提高2%。GDP增长率高于模拟结果,在2020—2025年期间,胡线东西两侧的能源消耗量会高于模拟结果。东侧能源消耗总量达到48亿t标准煤,高于模拟结果(46.16亿t标准煤);西侧能源消耗量达到6.90亿t标准煤,高于模拟结果(6.65亿t标准煤)。东西两侧的能源消耗总量的增长明显高于模拟结果。GDP的增长率对能源消耗量的影响较大。
(2) 情景Ⅱ：适当降低第二产业占比和提高第三产业占比。中国未来经济发展模式将以第三产业为主导,能源消耗也将以第三产业为主,将第二产业占比和第三产业占比分别降低和升高2%。情景Ⅱ的能源消耗量增长低于情景Ⅰ,也低于模拟结果。到2025年,在情景Ⅱ发展模式下,胡线东侧能源消耗量达到45.39亿t标准煤,低于模拟结果(46.16亿t标准煤);胡线西侧能源消耗量达到6.36亿t标准煤,低于模拟结果(6.65亿t标准煤)。目前中国的能源消耗主导产业是第二产业,在降低第二产业占比、提高第三产业占比的情况下,能源消耗量也随之降低。这说明,大力发展第三产业也是减少能源消耗的途径之一。
(3) 情景Ⅲ：增加人口自然增长率。目前全国已经开放三孩政策,在未来几年,人口数量将会受到一定的影响,情景Ⅲ将各省区的人口自然增长率提升1‰。到2025年,在情景Ⅲ发展模式下,胡线东侧能源消耗量达到46.67亿t标准煤,略高于模拟结果(46.16亿t标准煤);胡线西侧能源消耗量达到6.80亿t标准煤,略高于模拟结果(6.65亿t标准煤)。情节设置的结果表明,人口的增长对HLECSM-SD模型的模拟结果影响较小。

4 结论

本文将 GM ( 1,1 ) 模型和SD模型相结合构建了HLECSM-SD模型,基于50 km×50 km网格模拟了胡线东西两侧2020—2025年各省区能源消耗空间格局：
(1) 两者结合可以在一定程度上提高预测精度。本文模型预测值与实际数据的拟合程度较好,平均相对误差都小于10%。
(2) 胡线东西两侧各省区的能源消耗处于增长的状态。中国能源消耗量将长期处于“东多西少”的空间格局,京津冀和长三角地区能源消耗量最高。胡线东西两侧的能源消耗量增长率变化趋势一致,整体上逐渐降低,胡线东侧省区增长率低于西侧省区。
(3) 在胡线东侧,煤炭消耗量具有“北部多、南部少”的空间特征,这取决于每个省区的煤炭资源蕴涵量。石油、天然气和电力的消耗量都具有“东部多,中部少”的空间特征,这与每个省区的经济发展水平密切相关。在胡线西侧,能源消耗总量最大是内蒙古和新疆2个省区,煤炭、石油、天然气和电力的消耗量也位居前列。内蒙古和新疆为了带动自身经济的发展,依托省区能源和面积优势,不断引进高能耗产业,导致省区能源消耗量较大。
(4) 在不同的情景设置下,可以看出：在胡线东侧,GDP增长速度对能源消耗量影响最大,产业结构次之,人口增长率影响程度最小;在胡线西侧,产业结构影响最大,GDP增长速度次之,人口增长率的影响最小。

5 讨论

本文将 GM ( 1,1 ) 模型和SD模型相结合,把 GM ( 1,1 ) 模型的预测值作为SD模型的输入参数,在一定程度上降低了SD模型输入参数的主观性。但是,能源消耗量的影响因素众多,未来经济、社会发展具有不确定性,能源预测一直是能源经济研究的难点。开展胡线东西两侧能源消耗的空间格局预测,对中国实现区域协调发展具有重要意义,其中,资源开发和能源结构优化显得尤为重要。
通过对胡线两侧各省区的能源消耗量分析,本文认为在未来几年内,胡线仍然不能突破。在2020—2025年间,胡线东西两侧能源消耗量差异仍然较大。但是,针对能源的供需不平衡,各省区可以根据自身经济发展水平来对能源要素进行分配,平衡胡线东西两侧能源的生产与消耗。考虑到中国主要使用的能源是煤炭资源,而煤炭是相对于天然气和电力等能源而言的非洁净能源,因此,鼓励使用清洁能源和可再生能源技术设备将有助于促进胡线两侧能源消耗的平衡,从而减少东侧省区对西侧省区能源资源的依赖。
由于全国县域尺度的能源消耗数据和系统动力学模型的各类参数获取存在局限性,因此本文暂时基于省域尺度研究中国胡线东西两侧能源消耗空间格局。若要更精细地模拟中国能源消耗空间格局,需要基于县域尺度来探讨胡线东西两侧能源消耗量,这一部分工作仍在继续进行。

References

Publishing order | Descend order by publishing year | Descend order by cited within
[1]
胡焕庸. 中国人口之分布: 附统计表与密度图[J]. 地理学报, 1935,2(2):33-74.

[ Hu Huanyong. The distribution of population in China, with statistics and maps. Acta Geographica Sinica, 1935,2(2):33-74. ]

[2]
李克强之问: “胡焕庸线”怎么破? [EB/OL]. 2014-11-28[2020-10-01]. http://www.gov.cn/guowuyuan/2014-11/28/content_2784332.htm

[ Premier Li Keqiang's question: How to break Hu Line? 2014-11-28[2020-10-01]. http://www.gov.cn/guowuyuan/2014-11/28/content_2784332.htm

[3]
陆大道, 王铮, 封志明, 等. 关于“胡焕庸线能否突破”的学术争鸣[J]. 地理研究, 2016,35(5):805-824.

[ Lu Dadao, Wang Zheng, Feng Zhiming, et al. Academic debates on Hu Huanyong Population Line. Geographical Research, 2016,35(5):805-824. ]

[4]
黄园淅, 杨波. 从胡焕庸人口线看地理环境决定论[J]. 云南师范大学学报(哲学社会科学版), 2012,44(1):68-73.

[ Huang Yuanxi, Yang Bo. A study of environmental determinism from the perspective of 'Hu Huanyong Line'. Journal of Yunnan Normal University (Humanities and Social Sciences), 2012,44(1):68-73. ]

[5]
徐勇, 张雪飞, 周侃, 等. 资源环境承载能力预警的超载成因分析方法及应用[J]. 地理科学进展, 2017,36(3):277-285.

[ Xu Yong, Zhang Xuefei, Zhou Kan, et al. Method and application of cause analysis for early-warning of resource and environmental system overloading. Progress in Geography, 2017,36(3):277-285. ]

[6]
Kocaaslan O K. The causal link between energy and output growth: Evidence from Markov switching Granger causality[J]. Energy Policy, 2013,63:1196-1206.

[7]
Broto V C, Baker L. Spatial adventures in energy studies: An introduction to the special issue[J]. Energy Research & Social Science, 2018,36:1-10.

[8]
李明玉. 能源供给与能源消费的系统动力学模型[D]. 沈阳: 东北大学, 2009.

[ Li Mingyu. The system dynamics model for energy supply and energy consumption. ShenyangChina: Northeastern University, 2009. ]

[9]
孙涵, 杨普容, 成金华. 基于Matlab支持向量回归机的能源需求预测模型[J]. 系统工程理论与实践, 2011,31(10):2001-2007.

[ Sun Han, Yang Purong, Cheng Jinhua. Forecasting model of energy demand based on Matlab support vector regression. Systems Engineering: Theory & Practice, 2011,31(10):2001-2007. ]

[10]
Vazquez-Sanchez E, Gomez-Gil J, Gamazo-Real J C, et al. A new method for sensorless estimation of the speed and position in brushed DC motors using support vector machines[J]. IEEE Transactions on Industrial Electronics, 2012,59(3):1397-1408.

[11]
薛然尹, 葛淼, 何进伟, 等. 组合预测模型在女性呼气高峰流量参考值地理分布研究中的应用[J]. 地理科学进展, 2014,33(5):636-646.

[ Xue Ranyin, Ge Miao, He Jinwei, et al. Application of combination forecasting model in geographic distribution of reference value of women's peak expiratory flow rate. Progress in Geography, 2014,33(5):636-646. ]

[12]
胡雪棉, 赵国浩. 基于Matlab的BP神经网络煤炭需求预测模型[J]. 中国管理科学, 2008,16(S1):521-525.

[ Hu Xuemian, Zhao Guohao. Forecasting model of coal demand based on Matlab BP neural network. Chinese Journal of Management Science, 2008,16(S1):521-525. ]

[13]
Geem Z W, Roper W E. Energy demand estimation of South Korea using artificial neural network[J]. Energy Policy, 2009,37(10):4049-4054.

[14]
李正, 王军, 白中科, 等. 贵州省土地利用及其生态系统服务价值与灰色预测[J]. 地理科学进展, 2012,31(5):577-583.

[ Li Zheng, Wang Jun, Bai Zhongke, et al. Land use and ecosystem service values and their grey forecast in Guizhou Province. Progress in Geography, 2012,31(5):577-583. ]

[15]
Tabaszewski M, Cempel C. Using a set of GM(1, 1) models to predict values of diagnostic symptoms[J]. Mechanical Systems and Signal Processing, 2015,52/53:416-425.

[16]
杨明, 杜萍静, 刘凤全, 等. 能源消费发展及预测方法综述[J]. 山东大学学报(工学版), 2020,50(1):56-62, 71.

[ Yang Ming, Du Pingjing, Liu Fengquan, et al. Review of energy consumption and demand forecasting methods. Journal of Shandong University (Engineering Science), 2020,50(1):56-62, 71. ]

[17]
王其藩. 系统动力学 [M]. 2版. 北京: 清华大学出版社, 1994: 26-90.

[ Wang Qifan. The system dynamics. 2nd Edition. Beijing, China: Tsinghua University Press, 1994: 26-90. ]

[18]
Xi X, Poh K L. Using system dynamics for sustainable water resources management in Singapore[J]. Procedia Computer Science, 2013,16:157-166.

[19]
Liu X, Mao G Z, Ren J, et al. How might China achieve its 2020 emissions target? A scenario analysis of energy consumption and CO2 emissions using the system dynamics model[J]. Journal of Cleaner Production, 2015,103:401-410.

[20]
Bailey R, Bras B, Allen J K. Using response surfaces to improve the search for satisfactory behavior in system dynamics models[J]. System Dynamics Review, 2000,16(2):75-90.

[21]
Forrester J W. Industrial dynamics: A major breakthrough for decision makers[J]. Harvard Business Review, 1958,36:37-66.

[22]
Grabner G, Kecskeméthy A. An integrated Runge-Kutta root finding method for reliable collision detection in multibody systems[J]. Multibody System Dynamics, 2005,14(3/4):301-316.

[23]
李旭. 社会系统动力学: 政策研究的原理、方法和应用 [M]. 上海: 复旦大学出版社, 2009: 36-70.

[ Li Xu. Social system dynamics: Principles, methods and applications of policy research. Shanghai, China: Fudan University Press, 2009: 36-70. ]

[24]
谭玲玲. 电力行业煤炭需求系统动力学模型[J]. 系统工程理论与实践, 2009,29(7):55-63.

[ Tan Lingling. SD model of the coal demand in the electricity industry. Systems Engineering: Theory & Practice, 2009,29(7):55-63. ]

[25]
杨鑫, 史文钊, 屈慰双. 基于系统动力学的中国石油供需预测分析[J]. 中国能源, 2015,37(2):15-21.

[ Yang Xin, Shi Wenzhao, Qu Weishuang. Forecast and analysis of China oil supply and demand based on system dynamics. Energy of China, 2015,37(2):15-21. ]

[26]
吕涛, 张美珍, 雷强. 基于系统动力学的印度能源及煤炭需求情景预测[J]. 资源科学, 2015,37(6):1199-1206.

[ Lv Tao, Zhang Meizhen, Lei Qiang. Scenario analysis and forecast of India's energy and coal demand based on system dynamics. Resources Science, 2015,37(6):1199-1206. ]

[27]
李玮, 杨钢. 基于系统动力学的山西省能源消费可持续发展研究[J]. 资源科学, 2010,32(10):1871-1877.

[ Li Wei, Yang Gang. A study on the sustainable development of energy consumption in Shanxi Province based on system dynamics. Resources Science, 2010,32(10):1871-1877. ]

[28]
王格, 董会忠, 张慧. 基于ArcGIS和SD的山东省碳排放演化格局及低碳经济发展战略仿真[J]. 科技管理研究, 2017,37(1):249-256.

[ Wang Ge, Dong Huizhong, Zhang Hui. Evolution pattern of carbon emission and simulation strategy analysis of low carbon economy development in Shandong Province based on ArcGIS and SD. Science and Technology Management Research, 2017,37(1):249-256. ]

[29]
李健, 郭姣, 苑清敏. 京津冀协同发展背景下能源需求预测与政策影响研究[J]. 干旱区资源与环境, 2018,32(5):5-11.

[ Li Jian, Guo Jiao, Yuan Qingmin. Forecast of energy demand and policy impact under the background of the coordinated development in Beijing-Tianjin-Hebei region. Journal of Arid Land Resources and Environment, 2018,32(5):5-11. ]

[30]
邓聚龙. 灰色系统预测与决策 [M]. 武汉: 华中理工大学出版社, 1986: 45-109.

[ Deng Julong. Grey system forecast and decision. Wuhan, China: Huazhong University of Science and Technology Press, 1986: 45-109. ]

[31]
陈洪涛, 周德群. 基于GM(1, 1)模型的中国能源消费预测研究[J]. 矿业研究与开发, 2007,27(3):77-79.

[ Chen Hongtao, Zhou Dequn. A forecast of gross energy consumption in China based on GM(1, 1) model. Mining Research and Development, 2007,27(3):77-79. ]

[32]
王文蝶, 牛叔文, 齐敬辉, 等. 中国城镇化进程中生活能源消费与收入的关联及其空间差异分析[J]. 资源科学, 2014,36(7):1434-1441.

[ Wang Wendie, Niu Shuwen, Qi Jinghui, et al. The correlation and spatial differences between residential energy consumption and income in China. Resources Science, 2014,36(7):1434-1441. ]

[33]
G·戈登. 系统仿真 [M]. 杨金标, 译. 北京: 冶金工业出版社, 1982: 24-60.

[ Gordon G. System simulation. Translated by Yang Jinbiao. Beijing, China: Metallurgical Industry Press, 1982: 24-60. ]

[34]
范一大, 史培军, 辜智慧, 等. 行政单元数据向网格单元转化的技术方法[J]. 地理科学, 2004,24(1):105-108.

[ Fan Yida, Shi Peijun, Gu Zhihui, et al. A method of data gridding from administration cell to gridding cell. Scientia Geographica Sinica, 2004,24(1):105-108. ]

[35]
王峰, 刘锋英. 西部能源开发与环境管理[J]. 资源与产业, 2008,10(1):19-21.

[ Wang Feng, Liu Fengying. Energy development and environment management in western China. Resources & Industries, 2008,10(1):19-21. ]

[36]
Destek M A. Renewable energy consumption and economic growth in newly industrialized countries: Evidence from asymmetric causality test[J]. Renewable Energy, 2016,95:478-484.

[37]
国家能源局. 改革开放40年来中国能源生产和消费总量跃居世界首位 [EB/OL]. 2018-11-09 [2020-10-01]. http://www.nea.gov.cn/2018-11/09/c_137594889.htm

[ National Energy Administration. Over the past 40 years of reform and opening up, my country's total energy production and consumption has leapt to the first place in the world. 2018-11-09 [2020-10-01]. http://www.nea.gov.cn/2018-11/09/c_137594889.htm

[38]
樊静丽, 李家全, 侯运炳. 时空格局下中国煤炭市场供需特征研究[J]. 中国煤炭, 2017,43(2):11-16.

[ Fan Jingli, Li Jiaquan, Hou Yunbing. Study on supply and demand characteristics of China's coal market from the temporal and spatial framework. China Coal, 2017,43(2):11-16. ]

[39]
成升魁, 徐增让, 沈镭. 中国省际煤炭资源流动的时空演变及驱动力[J]. 地理学报, 2008,63(6):603-612.

[ Cheng Shengkui, Xu Zengrang, Shen Lei. Spatial-temporal process and driving force of interprovincial coal flowing in China. Acta Geographica Sinica, 2008,63(6):603-612. ]

[40]
杨足膺, 赵媛, 黄克龙. 中国石油资源空间流动的驱动机制分析[J]. 地理研究, 2014,33(5):863-875.

[ Yang Zuying, Zhao Yuan, Huang Kelong. The driving mechanism analysis of China's crude oil spatial displacement. Geographical Research, 2014,33(5):863-875. ]

[41]
张新林, 赵媛, 许昕, 等. 中国天然气资源流动优势度时空演变特征[J]. 地理研究, 2016,35(8):1457-1469.

[ Zhang Xinlin, Zhao Yuan, Xu Xin, et al. Analysis of temporal and spatial evolution pattern of gas flow superiority in China. Geographical Research, 2016,35(8):1457-1469. ]

[42]
马丽, 张博. 中国省际电力流动空间格局及其演变特征[J]. 自然资源学报, 2019,34(2):348-358.

[ Ma Li, Zhang Bo. The spatial distribution and evolution of interprovincial electricity flow in China. Journal of Natural Resources, 2019,34(2):348-358. ]

[43]
张丹红, 王效科, 张路, 等. 大比例尺土壤保持服务制图分级方法研究[J]. 生态学报, 2021,41(4):1391-1401.

[ Zhang Danhong, Wang Xiaoke, Zhang Lu, et al. Research on the classification methods of ecosystem service of soil retention for large-scale choropleth mapping. Acta Ecologica Sinica, 2021,41(4):1391-1401. ]

[44]
刘小茜, 马廷, 裴韬, 等. 京津冀地区人口规模调控政策参数化路径与系统模拟[J]. 地理科学进展, 2017,36(1):34-45.

[ Liu Xiaoqian, Ma Ting, Pei Tao, et al. Parameterization and system dynamics modeling of regional population regulation policies in the Beijing-Tianjin-Hebei region. Progress in Geography, 2017,36(1):34-45. ]

[45]
高长春, 刘贤赵, 李朝奎, 等. 近20年来中国能源消费碳排放时空格局动态[J]. 地理科学进展, 2016,35(6):747-757.

[ Gao Changchun, Liu Xianzhao, Li Chaokui, et al. Spatiotemporal dynamics of carbon emissions by energy consumption in China from 1995 to 2014. Progress in Geography, 2016,35(6):747-757. ]

Options
Outlines

/

〈 〉