“双碳”目标下中国清洁能源目标差异再评估

廖茂林 毛梓年 王国峰

摘 要：基于Meta文献分析方法，对清洁能源生产与消费预测的既有研究成果进行综合分析，并对“双碳”目标背景下中国清洁能源发展目标进行再评估。研究结果表明，中国清洁能源平均生产量将在2025年、2030年、2035年、2050年、2060年分别达到8.94亿吨标准煤（占比34.97%）、12.69亿吨标准煤（占比44.24%）、16.45亿吨标准煤（占比53.50%）、27.71亿吨标准煤（占比81.29%）和35.22亿吨标准煤（占比99.82%）。另外，未来中国清洁能源平均消费量将从2025年的13.31亿吨标准煤（占比26.71%）增长到2030年、2035年、2050年、2060年的17.06亿吨标准煤（占比35.98%）、20.82亿吨标准煤（占比45.24%）、32.08亿吨标准煤（占比73.03%）和39.59亿吨标准煤（占比91.56%）。为实现“双碳”目标，提出进一步深化清洁能源预测与研究、加大系列综合政策实施力度推进清洁能源转型、科学构建清洁能源发展目标的动态调整机制三个方面的政策建议。

关键词：“双碳”目标；清洁能源；Meta分析

基金项目：国家自然科学基金面上项目“碳中和目标下清洁能源省域消纳机理及路径研究：基于多尺度空间视角”（72173133）。

［中图分类号］ F426 ［文章编号］ 1673-0186（2024）006-0070-016

［文献标识码］ A      ［DOI编码］ 10.19631/j.cnki.css.2024.006.005

能源危机与气候变化是当前和今后一个时期全球重点关注的议题。在第28届联合国气候变化大会（COP28）上，超过117个国家同意到2030年将全球可再生能源的装机容量提升3倍。会议还指出采取公正、有序和公平的方式在能源系统转型中脱离化石燃料的重要性，清洁能源大范围开发与全球能源的清洁化转型已是大势所趋［1］。2020年，习近平总书记正式提出我国“碳达峰”“碳中和”（简称“双碳”）目标，并在党的二十大报告中强调，要推动工业、建筑、交通等领域能源清洁高效利用，助力低碳转型。中国能源的清洁化转型将成为未来很长一段时期的重点工作。

一、中国清洁能源发展现状与文献综述

当前中国的能源生产和消费模式正在发生剧烈变化。根据国家统计局统计，从生产侧来看，2022年，中国的一次能源生产总量达到46.6亿吨标准煤，清洁能源（包括天然气、水电、核电、风电和太阳能等）生产量（或发电量）占能源生产总量的14.1%。从消费侧来看，中国能源消费总量为54.1亿吨标准煤，其中清洁能源消费量占能源消费总量的25.9%①。清洁能源在总能源生产、消费中的占比稳步增长，中国高耗能行业也已经进入能源清洁化转型的关键期［2］。2022年，国家发展改革委  国家能源局发布《“十四五”现代能源体系规划》，对“十四五”时期中国能源体系发展做出规划。具体来看，中国现代化能源体系建设的主要目标为：到2025年，国内能源年综合生产能力达到46亿吨标准煤以上，天然气年产量达到2 300亿立方米以上，非化石能源消费比重提高到20%左右；到2035年，非化石能源消费比重在2030年达到25%的基础上进一步大幅提高，可再生能源发电成为主体电源②。

在学术研究领域，众多学者致力于对中国的未来的能源生产、消费结构或总量进行预测，部分学者如毛亚林利用CHINAGEM模型对2020—2040年间中国中短期能源消费总量及其构成进行了预测［3］；王（Wang）等运用改进的灰色模型预测了2025年之前中国一次能源的生产总量［4］；曾（Zeng）等则利用支持向量模型对2030年以前中国的能源消费结构进行预测模拟［5］。何则、蔡立亚、陈金祥还对政策情景进行了区分，得出了不同政策驱动情景下的能源生产与消费结构［6-8］。还有学者对能源类别进行了细化，任（Ren）等预测了中国2022—2025年的水能生产总量［9］；王（Wang）等对2020—2024年中国风能、核能、生物质能的生产量进行预测［10］；程（Cheng）等预测了中国2025年以前的清洁能源消费总量［11］；而肖和肖（Xiao and Xiao）则对中国2023—2030年的清洁能源的生产总量进行预测［12］。还有学者对不同的区域内未来的能源生产、消费进行预测，刘（Liu）等预测了2020—2030年山西省的煤炭需求总量［13］；苗安康等预测了2030年以前江苏省的能源需求量［14］。预测方法方面，与清洁能源相关的预测方法模型主要包括灰色预测模型（Grey Forecasting Model）［10，12，15］、马尔可夫模型（Markov  Model）［8，16］、支持向量模型（Support Vector Model）［17］、弹性系数法（Elasticity Coefficient Method）［18］等，这些预测方法模型各具特点，在不同的预测类别与数据类型上表现出有差异的适应性。还有学者如孟、袁（Meng、Yuan）等综合利用上述方法模型作为对单一模型的改进进行能源预测［16，19］。总体而言，学术界与清洁能源预测相关的文献，其预测结果存在较大的差异性，难以形成统一口径从而形成有效的政策指导。为此，本文将对现有同清洁能源生产、消费预测相关的文献进行统计学再分析，对“双碳”目标下中国清洁能源目标的差异性进行再评估。

Meta分析（Meta-analysis）又称“荟萃分析”“元分析”，是一种对同一课题的多项独立研究的结果进行系统的、定量的综合性分析的统计学研究方法，用于解决研究的不一致性［20］。最早由格拉斯（Glass）提出用于研究心理治疗效果［21］，随后在医学界、教育学、经济学、管理学等研究领域得到广泛运用。不同于传统文献综述对文献的定性描述与总结，Meta分析利用统计学方法针对同一问题各种存在的不同研究结果进行系统性定量分析，探究不同研究结果的异质性［22］，从而得出具有稳健性的结果和一般性结论。近年来，Meta分析在社会科学研究中应用广泛。许骞骞等利用Meta分析方法对森林的碳汇潜力与增汇成本的预测进行了评估，讨论了不同文献中对中国森林碳汇潜力与增汇成本的预测结果及差异原因［23］；何勤和刘明泽探究了人工智能对就业规模的小幅度扩大及劳动收入的降低等方面的影响［24］；孙瑶等从五个层面探索了农业补贴政策对农户绿色生产存在的调节效应［25］；颜俨等比较了不同文献中对中国内陆河流域生态系统服务价值及影响因素的研究结果，分析了研究结果异质性的主要原因［26］。为了对“双碳”目标下中国清洁能源目标差异进行再评估，本文将对现有文献进行Meta分析，探究导致不同文献预测结果差异化的因素，为更加科学地进行清洁能源预测，并为在“双碳”目标下科学制定中国能源清洁化转型相关政策提供科学依据。

二、研究方法与数据来源

本文将采用Meta回归方法对来源于不同数据库中提取文献的相关信息进行分析。

（一）Meta回归分析

Meta回归分析（Meta-Regression Analysis）是Meta分析在经济学方向的运用分支，由美国学者斯坦利和贾雷尔（Stanley and Jarrell）于1989年提出，是将传统Meta分析同计量经济学相结合，通过多元回归模型分析不同的实证研究结果的差异性［27］。Meta回归分析的被解释变量通常选取为对同一问题的来自多个实证分析文献的研究结果，解释变量则为文献来源、研究方法、数据选择、模型设计等体现差异性的文献特征，通过对文献的编码得到。Meta回归分析的一般形式为：

Yi=α+βjXij+γkZik+εi，i=1，2，…M（1）

其中，Yi为第i篇文献中的研究结果；Xij为第i篇文献中诸如数据文献来源、研究方法、模型设计等可能对研究结果产生影响的特征变量；βj为各指标的边际影响；Zik为控制变量；γk为控制变量的边际影响；α为常数项；εi为随机扰动项；M为样本总数。

为了说明Meta回归的有效性，参考许骞骞等［23］的做法，本文采取样本观测值同模型预测值之间的平均误差进行检验。平均误差的计算公式为：

Error=（2）

其中，Error为模型的平均误差值；yi为样本值，i为模型预测值。相关研究表明，Error在20%～40%内属于合理范围［28-29］，此时Meta分析结果具有可信性。

（二）模型建立

综合考虑文献数据特征和Meta回归方法，构建中国未来清洁能源在能源生产、消费总量中占比的Meta回归模型如下：

Yi=α0+α1X1+α2X2+α3X3+α4X4+α5X5+εi（3）

其中，被解释变量Yi为中国未来清洁能源在能源生产、消费总量中的占比（用百分数表示）；解释变量X1为文献中进行预测的方法；X2为预测类别；X3为文献特征；X4为预测情景；X5为预测时段；α1-α5分别为解释变量系数；α0为常数项；εi为随机扰动项。

构建中国未来清洁能源生产、消费量的Meta回归模型如下：

Zi=β0+β1X1+β2X2+β3X3+β4X4+β5X5+i（4）

其中，Zi为中国未来清洁能源生产、消费总量；X1为文献中进行预测的方法；X2为预测类别；X3为文献特征；X4为预测情景；X5为预测时段；β1-β5分别为解释变量系数；β0为常数项；i为随机扰动项。

（三）数据获取

进行Meta分析需要对现有研究结果进行收集整理，并编码成为可供回归分析的数据。数据获取部分通过文献初筛、文章次选、数据提取、变量编码四个部分进行。

1.文献初筛

本文选取文献主要来源于Springer Link、Elsevier Science、Google Scholar、Web of Science、CNKI、万方数据库等六个中英文数据库。本文所选定的清洁能源的范围包括：天然气、水电、核电、风电、太阳能和生物质能。由于“双碳”政策的提出时间为2020年，考虑到文献发表周期，本文从上述数据库中选取2017年以来对中国未来清洁能源生产、消费和能源结构预测的公开发表文献作为文献检索范围。为提升Meta分析的可信度，本文以“能源（energy）”“清洁能源（clean energy）”“可再生能源（renewable energy）”“能源结构（energy structure）”“生产（generation）”“消费（consumption）”“供给（supply）”“需求（demand）”“预测（forecasting、prediction）”等词语组合作为中英文关键词、主题词进行检索。初步检索到与主题相关的中文文献725篇，英文文献1 207篇。

2.文章次选

为了获取本研究所需要的数据，本文对初步检索的文章依照以下规则进行再次筛选。首先，文献的研究对象必须是对中国2023年以后能源生产、消费进行的预测。其次，能源预测结果中至少包含除天然气外的其他清洁能源生产、消费总量或清洁能源在能源生产、消费总量中占比的预测。此外，文献必须有对应年份的明确数据预测结果。依据以上规则，通过对理论、综述研究等定性研究文献以及无法提取准确预测数值的示意图、图表报告等文献的剔除，最终获取49篇中英文相关文献，共131个观测样本。

3.数据提取

再筛选文献之后，按照标准提取相关数据信息，提取标准包括预测对象、预测数值、预测方法、文章发表年份、能源生产及消费情况、中英文数据库、作者发文特征、预测时间等。在此基础上，建立Meta回归数据库，具体过程见图1。

（四）变量编码

在建立Meta回归数据库后，需要将相关数据转化为虚拟变量用于回归分析。本节将对用于模型回归的解释变量进行编码，将其转化为控制变量。以清洁能源生产、消费占比作为被解释变量进行回归分析的描述性统计，结果见表1-a。

1.清洁能源占比

对清洁能源预测的文献主要分为两类：第一类，是对中国未来清洁能源生产、消费量在能源生产、消费总量中的占比进行预测。第二类，是直接对清洁能源生产、消费量进行预测。本文首先将清洁能源在一次能源生产、消费总量中的占比（下称清洁能源占比，单位：%）作为被解释变量进行Meta回归。

2.预测方法

数据库中对清洁能源占比的预测方法主要分为灰色预测模型、马尔可夫模型、支持向量模型和其他模型。其中灰色预测方法是对清洁能源的相关预测最常用的方法。数据库中的文献多是对传统灰色预测模型GM（1，1）的优化与改进，故将此类文献统一归类为灰色预测模型。在此之外，相关文献中还提及一些其他预测模型，这些模型难以在统计学意义上进行差异比较，故将其归纳为其他模型作为对照组。针对上述不同的方法，构造虚拟变量如下：灰色预测模型（1=预测方法为灰色预测模型，0=预测方法为其他模型）、马尔可夫模型（1=预测方法为马尔可夫模型，0=预测方法为其他模型）、支持向量模型（1=预测方法为支持向量模型，0=预测方法为其他模型）。

3.预测类别

本文将不同文献中清洁能源的预测类别进行分类，构建虚拟变量：清洁能源生产（1=预测类别为生产，0=预测类别为消费）。

4.文献特征

Meta分析中的文献分析是重要的组成部分，并且文章发表偏差是Meta分析研究中普遍存在的问题［30］。关于清洁能源预测的文献中，来自中、英文数据库的文献在文章结构、预测方法、预测结果等方面都存在差异性。因此构造虚拟变量：英文文献（1=文献来源于英文数据库，0=文献来源于中文数据库）作为识别文献特征的变量。同时，为了区分不同作者的文献以及同一作者的不同预测结果，将文献与作者编号作为控制变量进行回归分析。

5.预测时段

由于研究背景、预测方法存在差异，过往研究成果清洁能源预测的时间段不同。一方面，由于能源系统的复杂性，大多数模型只进行中短期预测，预测时间通常截至2030年，而长期则倾向于不预测或不汇报具体结果。另一方面，由于大多数文献在“双碳”背景下进行研究，因而文献会倾向于报告2035年、2050年和2060年等关键时间节点的预测结果。因此本文将2024—2030年间各年以及2035年、2050年、2060年作为控制变量，研究不同年份清洁能源占比预测值的差异性。

以清洁能源生产、消费总量作为被解释变量进行回归分析的描述性统计结果如表1-b所示。

1.清洁能源总量

与清洁能源占比类似，本文将清洁能源的生产、消费总量（下称清洁能源总量）的预测值分别作为被解释变量进行Meta回归。考虑不同种类的能源可比性，本文将用于回归分析的所有能源的预测值转化为万吨标准煤当量（10 000 tons of standard coal equivalent， 10 000 tce）。

2.预测方法

数据库中对清洁能源总量的预测方法主要为灰色预测模型、弹性系数法和其他模型。本文将其他不便分类的方法作为对照组，构造虚拟变量为灰色预测模型（1=预测方法为灰色预测模型，0=预测方法为其他模型）、弹性系数法（1=预测方法为弹性系数法，0=预测方法为其他模型）。

3.预测类别

本文将不同文献中清洁能源的预测类别进行分类，构建虚拟变量：清洁能源生产（1=预测类别为生产，0=预测类别为消费）。

4.文献特征

除中外文数据库差异外，研究表明期刊类文献存在发表的偏倚性，期刊偏好于接收和发表更显著的统计结果，而对能源总量进行预测的文献中存在部分学位论文，可能存在文章发表的偏倚［30-31］。因此，本文构造虚拟变量：英文文献（1=英文数据库，0=中文数据库）、期刊文献（1=期刊文献，0=非期刊文献）作为识别文献特征的变量。同时将文献与作者编号作为控制变量进行回归分析，考察不同样本来源的差异性。

5.预测时段

将2024—2030年间各年以及2035年、2050年、2060年作为解释变量，研究不同年份清洁能源总量预测值的差异性。

三、结果分析

回归结果依据清洁能源占比和总量分别进行分析。

（一）清洁能源占比回归结果

图2为基于已有文献对清洁能源占比预测的估计结果，即中国未来清洁能源占比将持续提升，逐渐改变现有能源生产、消费格局。根据拟合结果预测，中国清洁能源生产平均占比预计在2025年将达到34.97%，清洁能源消费占比26.71%。预计到2030年“碳达峰”时期清洁能源生产平均占比达到44.24%，消费占比35.97%。随后清洁能源占比将迅速扩大，预计到2035年清洁能源生产占比达到53.50%，消费占比45.24%。2050年清洁能源生产预计占比为81.82%，消费占比为73.03%。到2060年“碳中和”时期，预计清洁能源生产占比将达到99.82%，消费占比为91.57%，基本实现清洁能源全覆盖。

1.现有文献对清洁能源占比预测差异明显

具体而言，预计2025年清洁能源占比区间为17.64%到40.6%，差幅22.96%；2035年清洁能源占比区间为27.23%到49.99%，差幅22.76%；2060年清洁能源占比区间为85.6%到92.9%，差幅7.3%。总体而言，随着预测时期的向后推移，不同文献对清洁能源占比的预测差异性也在缩小。回归结果如表2所示，可决系数R^2=0.9498，表明模型对被解释变量的拟合程度良好，且在1%显著性水平上通过了模型检验，说明模型所选择解释变量对清洁能源占比预测结果的差异性解释在统计学上显著。

2.预测模型方法差异对清洁能源占比的预测结果有显著影响

使用灰色预测模型与马尔可夫模型进行预测的结果较其他作为对照组的模型预测结果显著降低；在其他条件不变时，预测文献在使用灰色预测模型时，预测结果平均降低4.53%；使用马尔可夫模型的平均预测结果差异较大，为降低12.96%；使用支持向量模型的预测结果平均降低1.72%，但没有表现出统计学上的显著差异。可能的原因为，灰色预测模型的运行机理是通过对离散数据进行动态的微分方程变换［32］；马尔可夫模型则是利用状态转移的概率建立的随机型时序模型［33］；而支持向量模型的运行机理是通过机器学习训练对样本进行凸二次规划问题的求解［34］；三种模型在机理上都存在明显的异质性，故可能表现出较大的预测结果差异。

3.清洁能源的生产与消费的预测结果具有显著差异

清洁能源生产占能源总生产量的比率较其消费量占总能源消费量的比率平均高出8.26%。预测结果说明未来中国能源系统在生产端的清洁化程度可能较消费端更高，与“双碳”目标下火电安全保供的战略定位相符。

4.不同的文献作者和同一作者的不同预测组合对预测结果差异明显

这种差异可能来源于不同作者对数据来源、模型选择、研究目的等方面的差异性以及同一作者对情景设定、模型参数、方法改进等方面的调整。

5.文献的发表年份、文献来源、预测年份等特征对预测结果存在显著差异

在其他条件不变时，文章的发表年份每增加一年，清洁能源占比的预测结果便会降低4.18%。这可能是由于新发表的文献获取了更新的数据从而带来预测结果的差异性。同时，文献来源于外文数据库的文献预测结果要平均高出国内数据库14.56%。另外，预测年份每增加一年，中国清洁能源占比平均增加1.85%。这说明不同文献对中国清洁能源占比的平均估计结果逐年上升。

6.建立的 Meta模型是有效的

从平均误差来看，Error=0.101<0.4，根据前文说明回归模型的预测值同诸文献对清洁能源占比的预测结果（观测值）之间存在动态一致性，模型拟合结果良好，结果可信。

（二）清洁能源总量回归结果

总体而言，中国未来清洁能源总量将持续上升。如图3所示，根据拟合结果预测，中国清洁能源生产总量预计在2025年将达到8.94亿吨标准煤，消费总量13.31亿吨标准煤。预计到2030年“碳达峰”时期清洁能源生产总量平均达到12.69亿吨标准煤，消费总量17.06亿吨标准煤。随后，清洁能源总量将持续上升，到2035年清洁能源生产总量预计达到16.48亿吨标准煤，消费总量20.82亿吨标准煤。2050年预期清洁能源生产总量为27.71亿吨标准煤，消费总量32.08亿吨标准煤。到2060年“碳中和”时期，预计清洁能源生产占比平均将达到35.22亿吨标准煤，消费总量为39.59亿吨标准煤。模型总体程度良好（表3），在1%显著性水平上通过了模型检验，表明模型所选择解释变量对清洁能源总量预测结果的差异性解释在统计学上显著。

1.预测模型方法差异对清洁能源总量的预测结果不存在显著差异

在其他条件不变时，利用弹性系数法与使用灰色预测模型的文献在预测结果上没有表现出与对照组预测结果在统计学意义上的显著差异。说明对于清洁能源生产、消费总量的预测结果不会因模型选择而出现较大的偏差。

2.清洁能源的生产与消费量的预测结果具有显著差异

不同于能源结构预测，清洁能源生产量的预测结果较消费量更低，在平均水平上低4.37亿吨标准煤。可能的原因在于，在统计能源生产时，通常以清洁能源的发电量作为清洁能源生产量，发电过程中会出现能源损耗从而导致清洁能源消费量大于生产量的情况。结合事实来看，近年来中国一次能源总量表现出能源生产大于能源消费的状态，在对清洁能源的预测上表现出类似的结果是合理的。

3.不同的文献作者和同一作者的不同预测组合对预测结果差异明显

与能源结构预测的回归结果类似，这种差异可能来源于不同作者的对数据来源、模型选择、研究目的的差异以及同一作者对情景设定、模型参数、方法改进等方面的调整。

4.文献的发表年份对预测结果不存在显著差异

在其他条件不变时，文章的发表年份每延后一年，文献对清洁能源生产、消费量的预测结果便会平均-5 138.29万吨标准煤，但在统计学上不显著。这说明不同年份发表的文献对未来中国清洁能源生产、消费总量预测结果存在一致性。

5.文献来源、预测年份等特征对预测结果存在显著影响

一方面，文献来源于外文数据库的预测结果要显著高于国内数据库，平均高出21.31亿吨标准煤。另一方面，文献是否是期刊文献并没有表现出对回归结果的显著影响，这可能因为在方法选定时，清洁能源生产、消费量的预测结果很少受主观因素所影响，从而不受期刊发表倾向的影响。同时，回归结果表明，预测年份每增加一年，中国清洁能源生产、消费量平均增加7 510.06万吨标准煤。这说明不同文献对中国清洁能源生产、消费量的平均估计结果逐年上升。

6.建立的Meta模型是有效的

从平均误差来看，Error=0.172<0.4，说明回归模型的预测值同诸文献对清洁能源生产、消费量的预测结果（观测值）之间存在动态一致性，模型拟合结果良好，结果具有可信性。

（三）清洁能源目标

根据Meta回归结果，可以得出“双碳”目标下特定年份清洁能源占比及总量的历年平均预测结果及95%置信区间的上、下限。

根据模型计算中国未来清洁能源生产将持续上升（表4）。2025年中国清洁能源预计生产8.94亿吨标准煤，约占一次能源生产总量的34.97%。到2030年“碳达峰”时期，中国清洁能源预计生产12.69亿吨标准煤，约占一次能源生产总量的44.24%。2035年中国清洁能源预计生产16.45亿吨标准煤，约占一次能源生产总量的53.50%。2050年中国清洁能源预计生产27.71亿吨标准煤，约占一次能源生产总量的81.29%。2060年“碳中和”时期，中国清洁能源预计生产35.22亿吨标准煤，约占一次能源生产总量的99.82%。

根据模型计算中国未来清洁能源消费也将稳步提高（表5）。2025年中国清洁能源预计消费13.31亿吨标准煤，约占一次能源消费总量的26.71%。到2030年“碳达峰”时期，中国清洁能源预计消费17.06亿吨标准煤，约占一次能源消费总量的35.98%。2035年中国清洁能源预计消费20.82亿吨标准煤，约占一次能源消费总量的45.24%。2050年中国清洁能源预计消费32.08亿吨标准煤，约占一次能源消费总量的73.03%。2060年“碳中和”时期，中国清洁能源预计消费39.59亿吨标准煤，约占一次能源消费总量的91.56%。

四、结论与政策建议

通过对中国清洁能源目标差异再评估，本文得出以下结论与政策建议：

（一）结论

本文基于对中国未来能源生产、消费量与占比进行研究预测的中英文文献，通过Meta回归分析，对中国中短期内清洁能源发展目标进行了再评估，对有关中国未来清洁能源预测结果的文献进行的Meta回归分析的模型选定效果良好：中国未来清洁能源在能源总生产、消费中的占比和生产、消费总量的Meta回归模型的拟合优度分别为0.95和0.91，平均误差分别为0.101和0.172。说明Meta回归分析有效，结论具有参考意义。

具体来看，中国未来清洁能源发展稳定迅速，能源结构清洁化态势良好。根据模型预测结果，未来中国清洁能源生产量将平均从2025年的8.94亿吨标准煤（占比34.97%），稳步上升至2030年的12.69亿吨标准煤（占比44.24%）、2035年的16.45亿吨标准煤（占比53.50%），在2050年和2060年将分别达到27.71（占比81.29%）和35.22（占比99.82%）亿吨标准煤。未来中国清洁能源消费量将平均从2025年的13.31亿吨标准煤（占比26.71%）增长到2030年的17.06亿吨标准煤（占比35.98%）、2035年的20.82亿吨标准煤（占比45.24%），且在2050年和2060年将分别达到32.08（占比73.03%）和39.59（占比91.56%）亿吨标准煤，基本实现全覆盖。此外，对于中国未来清洁能源生产、消费占比及总量的诸多预测结果是存在差异性的。不同的文献、作者、文献的发表年份、文献来源、预测方法、接收年份等因素都是对中国清洁能源的预测产生显著影响的关键因素。

（二）政策建议

结合上述研究结论，本文提出如下建议：

首先，进一步深化清洁能源预测与研究。一是在清洁能源政策的研究与制定过程中，积极借鉴国际上成功的案例和经验，综合经济学分析，深化清洁能源成本—效益研究，尤其是关注清洁能源发展的成本效益、长期经济影响以及市场动态变化。二是加强同清洁能源相关的基础数据库的建设，确保数据的可获得性与质量，为学术研究与政策制定提供扎实的数据支撑。

其次，加大系列综合政策实施力度推进清洁能源转型。一是尽快实施综合政策，推动能源结构向清洁能源转型，为清洁能源相关基础设施加大投资力度和政策扶持，对太阳能板、风力、水力发电机组的购置和安装给予直接补贴和政策关照，为投资清洁能源项目的企业和个人提供明确的税收减免优惠，激励清洁能源投资。二是制定清洁能源标准和配额制度，鼓励清洁能源的使用和发展，对相关企业予以奖惩，确保传统能源企业逐步减少污染排放。三是加大对清洁能源技术创新的支持力度，促进能源技术的技术进步，建立与高校和研究机构的合作项目，推动理论研究向实际应用的转化。

最后，科学构建清洁能源发展目标的动态调整机制。一是清洁能源发展的短期和长期发展目标可立足“双碳”目标，考虑结合前沿研究成果进行动态调整，全面考虑宏观经济增长模式、能源市场需求预测以及气候目标等条件变化，构建一个综合多维度考量的目标设定框架，确保能源发展目标的全面性和前瞻性。二是建立清洁能源发展的动态评估机制，定期综合分析清洁能源的发展进度、市场变化以及相关技术的演进，从而在经济发展与气候变化关键节点，根据实际情况灵活调整发展目标和策略，建立目标实现的监测和反馈机制，确保清洁能源政策的灵活性和长期有效性。三是确保清洁能源目标的实际可操作性与适用性，立足真实行业背景和市场环境，引入可行性评估环节，健全与政府部门、企业界、科研机构以及公众等的沟通机制，增加政策的接受度和实施的有效性。

参考文献

［1］  崔守军.全球清洁能源转型与中国技术标准话语权建构［J］.人民论坛，2022（9）：50-54.

［2］  鲁贺玉，吴宗法.用能权政策与能源消费结构低碳化转型的关系［J］.资源科学，2023（6）：1181-1195.

［3］  毛亚林.碳中和背景下中国能源中短期预测研究［J］.技术经济，2021（8）：107-115.

［4］  WANG Y， YANG Z， YE L， ET AL. A novel self-adaptive fractional grey Euler model with dynamic accumulation order and its application in energy production prediction of China［J］. Energy， 2023， 265： 126384.

［5］  ZENG S， SU B， ZHANG M， ET AL. Analysis and forecast of China's energy consumption structure［J］. Energy Policy，2021，159： 112630.

［6］  何则，周彦楠，刘毅.2050年中国能源消费结构的系统动力学模拟——基于重点行业的转型情景［J］.自然资源学报，2020（11）：2696-2707.

［7］  蔡立亚，郭剑锋，石川，等.“双碳”目标下中国能源供需演变路径规划模拟研究［J］.气候变化研究进展，2023（5）：616-633.

［8］  陈金祥，郑锐锋，王彬.基于情景分析改进马尔可夫的能源消费结构预测［J］.科技创新与应用，2022（36）：1-8.

［9］  REN Y， XIA L， WANG Y. Forecasting China's hydropower generation using a novel seasonal optimized multivariate grey model［J］. Technological Forecasting and Social Change， 2023， 194： 122677.

［10］  WANG Y， CHI P， NIE R， ET AL. Self-adaptive discrete grey model based on a novel fractional order reverse accumulation sequence and its application in forecasting clean energy power generation in China［J］. Energy， 2022， 253： 124093.

［11］  CHENG M， LI J， LIU Y， ET AL. Forecasting clean energy consumption in China by 2025： using improved grey model GM （1，N）［J］. Sustainability，2020（2）： 698.

［12］  XIAO J， XIAO X. Forecast of clean energy generation in China based on new information priority nonlinear grey Bernoulli model［J］. Environmental Science and Pollution Research， 2023（51）：110220-110239.

［13］  LIU Y， DU R， NIU D. Forecast of Coal Demand in Shanxi Province Based on GA—LSSVM under Multiple Scenarios［J］. Energies， 2022（17）： 6475.

［14］  苗安康，袁越，吴涵，等.中国省域碳达峰路径与政策［J］.环境科学，2023（8）：4623-4636.

［15］  YE L， YANG D， DANG Y， ET AL. An enhanced multivariable dynamic time-delay discrete grey forecasting model for predicting China's carbon emissions［J］. Energy， 2022， 249： 123681.

［16］ MENG Z， SUN H， WANG X. Forecasting Energy Consumption Based on SVR and Markov Model： A Case Study of China［J］. Frontiers in Environmental Science， 2022， 10： 883711.

［17］  XU L， HOU L， ZHU Z， ET AL.Mid-term prediction of electrical energy consumption for crude oil pipelines using a hybrid algorithm of support vector machine and genetic algorithm［J］. Energy， 2021， 222： 119955.

［18］  刘卫东，仲伟周，石清.2020年中国能源消费总量预测——基于定基能源消费弹性系数法［J］.资源科学，2016（4）：658-664.

［19］  YUAN C， LIU S， FANG Z. Comparison of China's primary energy consumption forecasting by using ARIMA（the autoregressive integrated moving average） model and GM（1，1） model［J］. Energy， 2016， 100： 384-390.

［20］  王永贵，张言彩.元分析方法在国内外经济管理研究中的应用比较［J］.经济管理，2012（4）：182-190.

［21］  GLASS G V. Primary， secondary， and meta-analysis of research. Educational Researcher， 1976（10）： 3-8.

［22］  张敏，石磊.Meta回归模型的异常值识别及其修正［J］.数理统计与管理，2023（3）：449-462.

［23］  许骞骞，曹先磊，孙婷，等.中国森林碳汇潜力与增汇成本评估——基于Meta分析方法［J］.自然资源学报，2022（12）：3217-3233.

［24］  何勤，刘明泽.人工智能对就业规模及劳动收入的影响——来自Meta分析的证据［J］.首都经济贸易大学学报，2023（4）：54-68.

［25］  孙瑶，马睿泽，梁亚文，等.基于Meta分析的农业补贴政策对绿色生产的影响问题［J/OL］.系统管理学报：1-21［2024-06-28］.http：//gfagzcadd5f6184ce4461hvcokx9xk66fc6vvf.fzfy.oca.swupl.edu.cn/kcms/detail/31.1977.N.20240126.1847.004.html.

［26］  颜俨，姚柳杨，郎亮明，等.基于Meta回归方法的中国内陆河流域生态系统服务价值再评估［J］.地理学报，2019（5）：1040-1057.

［27］  STANLEY T D， JARRELL S B. Meta-regression analysis： a quantitative method of literature surveys［J］. Journal of economic surveys， 1989， 3（2）： 161-170.

［28］  朱晓磊，张建军，程明芳，等.基于Meta分析的矿业城市生态服务价值转移研究［J］.自然资源学报，2017（3）：434-448.

［29］  READY R，NAVRUD S.International benefit transfer： Methods and validity tests［J］. Ecological economics，2006（2）：429-434.

［30］  HARBORD R M，WHITING P. Metandi： Meta-analysis of diagnostic accuracy using hierarchical logistic regression［J］. The Stata Journal， 2009（2）： 211-229.

［31］  CHAIKUMBUNG M， DOUCOULIAGOS H， SCARBOROUGH H. The economic value of wetlands in developing countries： A meta-regression analysis［J］. Ecological Economics 2016， （124）： 164-174.

［32］  刘思峰.灰色系统理论的产生与发展［J］.南京航空航天大学学报，2004（2）：267-272.

［33］  谷秀娟，李超.基于马尔科夫链的房价预测研究［J］.消费经济，2012（5）：40-42+48.

［34］  陈垚，毛保华，柏赟，等.基于支持向量回归的地铁牵引能耗预测［J］.系统工程理论与实践，2016（8）： 2101-2107.

Reassessment of China's Clean Energy Objectives under the "Dual Carbon" Goal — Based on the Meta-analysis Method

Liao Maolin    MaoZinian   Wang Guofeng

（Institute of Ecological Civilization， Chinese Academy of Social Sciences， Beijing 100006; Institute of Regional Economy， Sichuan Academy of Social Sciences; School of International Trade， Shanxi University of Finance and Economics， Taiyuan， Shanxi 030006）

Abstract： Based on the Meta-Analytical Method， this paper conducts a comprehensive analysis of research outcomes related to the prediction of clean energy production and consumption， and reassesses the development objectives of China's clean energy under the context of the “Dual Carbon” goal. The research results show that China's average clean energy production is expected to reach 894 million tce （accounting for 34.97%）， 1.269 billion tce （accounting for 44.24%）， 1.645 billion tce （accounting for 53.50%）， 2.771 billion tce （accounting for 81.29%）， and 3.522 billion tce （accounting for 99.82%） in 2025， 2030， 2035， 2050， and 2060， respectively. Additionally， the future average consumption of clean energy in China is expected to grow from 1.331 billion tce （accounting for 26.71%） in 2025 to 1.706 billion tce （accounting for 35.98%）， 2.082 billiontce （accounting for 45.24%）， 3.208 billiontce （accounting for 73.03%）， and 3.959 billion tce （accounting for 91.56%） in 2030， 2035， 2050， and 2060， respectively. To achieve the "Dual Carbon" targets， the paper proposes policy recommendations in three areas： further deepening the forecast and research on clean energy， intensifying the implementation of a series of comprehensive policies to advance the clean energy transition， and scientifically constructing a dynamic adjustment mechanism for clean energy development objectives.

Key Words： "Dual Carbon" targets; Clean energy; Meta-analysis