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:
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
/>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: 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: />
39