В статье рассматривается уровень развития интеллектуальных энергосетей в российских регионах и его влияние на повышение энергоэффективности. Проводится анализ причин, которые замедляют эти процессы. Определен уровень развития интеллектуальных электрических сетей в регионах России, проанализированы энергопотребление, энергоемкость ВРП и влияние энергосберегающих технологий на уровень энергоэффективности регионов. Авторами предложен интегральный индекс энергоэффективности, который характеризуют эффективность использования и потребления энергии в регионах России. И позволяет провести комплексную оценку энергоэффективности на основе официальной статистики, в том числе учитывая эффективность использования электроэнергии в общественном секторе, развитие интеллектуальной энергетической системы и воздействия использования энергии на окружающую среду.

регионы России, энергоэффективность, интеллектуальная сеть, smart grid, энергопотребление, интегральный индекс энергоэффективности.

Статья подготовлена в рамках гранта РФФИ № 17-06-00581 А

The article discusses the level of development of the smart grid in the Russian regions and its impact to increase the energy efficiency. The reasons that slow down these processes are analyzed. The level of development of intelligent electrical networks in the regions of Russia is determined, the energy consumption, the energy intensity of GRP and the impact of energy-saving technologies on the level of energy efficiency of the regions are analyzed. The authors proposed the Summary Energy Efficiency Index to characterize the efficiency of energy use and energy consumption in the regions of Russia. This enables a comprehensive assessment of energy efficiency, based on official statistics, taking into account the efficiency of electricity use in the public sector, the development of smart energy system and the environmental impact of energy use.

Russian regions, energy efficiency, smart grid, energy consumption, energy efficiency index.

The article was prepared within the framework of the RFBR grant No. 17-06-00581 A

Введение

Правительство России проводит политику стимулирования инновационной деятельности, в том числе в электроэнергетике. Государство поддерживает внедрение новых технологий, уделяя внимание энергоэффективности, возобновляемым источникам энергии, а также развитию интеллектуальных технологий в электроэнергетике. Энергетическая стратегия России на период до 2030 года основана на повышении энергетической безопасности, энергоэффективности экономики, экономической эффективность электроэнергетики и экологической безопасности. Энергетическая стратегия России призвана обеспечить устойчивый рост экономики, улучшить качество жизни и обеспечить преобразование экономики в пользу менее энергоемких отраслей. Региональное развитие России отражает географическое, экономическое, историческое и культурное разнообразие. Сегодня в РФ 85 субъектов, частичные изменения региональных структур были проведены в 2003, 2005, 2007 и 2014 годах. Стоит отметить, что Россия представляет собой обширную и сложную экономическую систему со сложными региональными экономическими подсистемами. Производственная специализация регионов влияет на уровень энергопотребления, а анализ энергоэффективности регионов должен учитывать структуру валового регионального продукта. В последние годы в академическом сообществе и правительстве Российской Федерации интенсивно обсуждались вопросы, связанные с объединением территорий в 14 макрорегионов в соответствии с совокупностью социально-экономических связей и потенциальными точками экономического роста. С конца 2017 года регионы начали разрабатывать цифровые стратегии, дорожные карты для автоматизации городской и региональной инфраструктуры, развитие «умных городов – умных регионов» (smart city – smart region). Инновационный сценарий включает в себя основные направления: развитие цифровых систем, качественная модернизация энергетического сектора, оптимизация инфраструктуры, диверсификация и повышение качества услуг, переход к интеллектуальной энергетической системе на основе активно-адаптивной среды.

Интеллектуальная сеть — это электрическая сеть, которая включает в себя различные операционные и энергетические меры, включая интеллектуальные счетчики, интеллектуальные устройства, возобновляемые источники энергии и энергоэффективные ресурсы.

Развитие интеллектуальных энергетических сетей включает ряд направлений (EEE Emerging Technology Portal, 2009; Bayindir et al., 2016; Farhangi, 2017):

• расширение использования цифровых информационных и управляющих технологий для повышения надежности, безопасности и эффективности электросети.
• динамическая оптимизация сетевых операций и ресурсов с полной кибербезопасностью.
• развитие и интеграция распределенной генерации, включая возобновляемые источники энергии.
• разработка и внедрение систем регулирования спросом.
• развитие интеллектуальных технологий (автоматизированные интерактивные технологии в реальном времени, которые оптимизируют физическую работу устройств и потребительских устройств) для анализа состояния сетей и автоматизации распределения.
• интеграция умных приборов и потребительских устройств.
• разработка и интеграция передовых технологий хранения электроэнергии с учетом пиковых нагрузок, подключаемых электрических и гибридных электромобилей, а также систем кондиционирования с накоплением тепла.
• предоставление потребителям своевременной информации с различными вариантами контроля.
• разработка стандартов связи и функциональной совместимости приборов и оборудования, подключенных к электрической сети.
• выявление и устранение необоснованных или ненужных барьеров для внедрения технологий, практик и услуг интеллектуальных сетей.

Процесс внедрения и развития интеллектуальной энергетической системы является капиталоемким. Тем не менее, экономическая эффективность проектов по внедрение smart grid превышает затраты на их реализацию и результаты от внедрения таких проектов позволит значительно сократить расходы, чтобы наилучшим образом использовать национальные энергетические ресурсы и, следовательно, повысить экономическую эффективность использования электроэнергии. Самым простым и основным направлением развития интеллектуальных сетей является внедрение интеллектуальных систем учета электроэнергии с дистанционным считыванием (интеллектуальные счетчики). К 2020 году 100%-ная степень оснащения интеллектуальными счетчиками планируется в Чешской Республике, Дании, Эстонии, Ирландии, Мальте, Нидерландах, Испании, Швеции; 95 — 97% в Австрии, Франции, Италии (99%), Люксембурге, Великобритании; 80% в Греции, Литве, Польше, Португалии, Румынии. Суммарные затраты на внедрение интеллектуальных систем учета в странах ЕС оценивается в 52 млрд евро, а общая выгоды превышают затраты на 10-20%, в Италии почти 2 раз, а в Великобритании 2,3 раза (Benchmarking smart metering deployment in the EU-27 with a focus on electricity, 2014).

Согласно прогнозам Navigant Research, в мире к 2020 году будет более 830 миллионов умных измерительных устройств. Лидерами в этой области станут Китай, США, Япония, Франция, Италия, Германия, Бразилия и другие. Специалисты Navigant Research полагают, что показатель выручки на рынке интеллектуального учета составит $5,3 млрд в 2022 году. Самым успешным годом станет 2018 год с выручкой $7,4 млрд. Существуют и другие мнения: по подсчетам Grand View Research, мировой рынок умного учета к 2020 году достигнет 165,5 млн единиц и $22.18 млрд. выручки, при этом более 80% рынка будет приходиться на приборы, установленные в домовладениях. Согласно данным компании Marketsandmarkets, в конце 2014 года объём мирового рынка smart meters составил $11,18 млрд. Подобные разницы в оценках рынка смарт-учета электроэнергии обусловлены различием методик, однако формируют устойчивое представление о том, что только один из элементов «умных» сетей представляет собой многомиллиардную индустрию. На территории ЕС существует более 950 различных проектов интеллектуальных сетей. Общая сумма инвестиций в данные проекты составляет приблизительно 5 млрд. евро. В результате осуществления проектов оснащенность интеллектуальными счетчиками стран ЕС к 2020 году станет равна 72%, а степень внедрения Smart Grid в большинстве странах достигнет 80%. Влияние интеллектуальных энергосистем и особенно возобновляемых источников энергии на энергоэффективность рассматривается в (Матюшок В.М. и др , 2017) .

Мотивацией данного исследования является оценка уровня внедрения интеллектуальных сетей в регионах России и влияние на энергоэффективность, а также анализ энергопотребления и энергоемкости регионов Российской Федерации. Авторами предлагается количественный подход для оценки энергоэффективности на региональном уровне – интегральный индекс энергоэффективности. Используются самые последние статистические данные Росстата (Федеральная служба государственной статистики), Министерства энергетики, Всемирного банка, BP, Управления энергетической информацией США, имеющиеся на момент анализа. Также в статье анализируются преимущества и риски развития интеллектуальной энергосистемы в России. Во второй части статьи анализируется энергопотребление в России на региональном уровне и приводятся доказательства значительного влияния интеллектуальной сети на энергоэффективность. В третьей части статьи предлагается интегральный индекс для оценки энергоэффективности на региональном уровне. Методология основана на международной практике, однако предлагается включить некоторые компоненты, характерные для текущего уровня развития электроэнергетики.

Smart Grid в России

Согласно исследованиям ИНЭИ РАН, создание интеллектуальной энергетики с использованием возобновляемых источников энергии (доля 4,5% к 2030 году) в России снизит потребность в установленной мощности более чем на 10% (на 34 ГВт) и энергопотребление почти на 9% (140 млрд. КВт\ч) до 2030 года. Также важно, чтобы относительный уровень потерь энергии снизится до 8% к 2030 году.

Однако есть несколько причин, которые замедляют развитие системы интеллектуальных энергосетей в России и представляют высокую степень риска (годовой отчет ПАО «ФСК ЕЭС», 2016):

• высокий износ энергетического оборудования и систем передачи и распределения электрической и тепловой энергии, которая составляет около 56%, а в оборудовании электрических и тепловых сетей — до 80%;
• низкая инновационная и инвестиционная активность энергетических предприятий в связи с преобладанием частных интересов над корпоративными и общественными интересами, ориентируясь в первую очередь на оперативные и тактические задачи;
• ослабление технологической дисциплины и порядка соблюдения регламентов, правил эксплуатации и технического обслуживания энергетического оборудования, приводящих к снижению его надежности и безопасности в эксплуатации;
• снижение уровня профессиональной компетентности технического персонала энергетических компаний из-за неэффективной кадровой политики в 1990-х годах. В результате средний возраст технического персонала в настоящее время значительно увеличился, а преемственность поколений в передаче знаний и профессиональных компетенций была нарушена;
• высокая зависимость предприятий топливно-энергетического комплекса на импортируемые технологии и оборудование;
• низкая энергетическая и экономическая эффективность отрасли (низкая эффективность большинства тепловых электростанций, высокие потери в электрических сетях, неоптимальная загрузка генерирующих мощностей в единой энергосистеме России, в том числе наличие «заблокированных» мощностей);
• подключение примерно двух третей территории России за пределами зоны централизованного энергоснабжения;
• растущее технологическое отставание в создании и освоении технологической основы интеллектуальной энергетической системы.

Уже реализованные проекты интеллектуальных сетей в РФ демонстрируют высокую экономическую эффективность. Одним из таких проектов является проект, который реализуется в Белгородской области. Во всем регионе была внедрена автоматическая система управления наружным освещением, которая обеспечивает полный контроль электрических сетей с возможностью дистанционного управления, анализа и контроля энергопотребления. Также ведется строительство системы умных сетей в городе Ярославле. Экономическая эффективность реализации данного проекта составила составила 89 млн. рублей к концу 2018 года. Установка интеллектуальных счетчиков позволила снизить потери энергии на 10–30% в трех регионах России: Калининград, Тула и Ярославль. В частности, в Калининградской области после установки интеллектуальных систем учета потери уменьшились на 37%. В рамках эксперимента более 20 тысяч региональных потребителей установили такие интеллектуальные счетчики. В Тульской области потери в сетях снизились на 10%. Башкирская электросетевая компания успешно реализует проект интеллектуальной энергосистемы в городе Уфе. В 2014 году был введен в эксплуатацию новый координационный центр управления сетью, который состоит из восьми диспетчерских и имеет двухуровневую систему управления. Это обеспечивает полный контроль нагрузки, режимов работы электрического оборудования и потоков электроэнергии. В настоящее время уровень потерь в электросетевой отрасли Уфы составляет 15,6%, внедрение ряда элементов Smart Metering позволило снизить потери до 8,7% с возможностью дальнейшего снижения этого показателя. За счет оптимизации энергосистемы увеличилась пропускная способность и надежность энергоснабжения. Дальнейшая реализация проекта позволит снизить затраты на ремонт и техническое обслуживание реконструированного оборудования на 20% за счет повышения наблюдаемости энергосистемы — сократить время на устранение неисправностей на 70%, а также продлить срок службы существующего оборудования на 10%. Общий эффект от внедрения современных технологий в энергосистеме города Уфы составит почти 500 миллионов рублей в год. В рамках проекта по повышению эффективности энергосистемы России, московская энергосетевая компания разрабатывает и внедряет интеллектуальные энергетические технологии в пилотных регионах Можайской и Рузской региональных энергосистем. В этих районах находится 563 обслуживаемых населенных пункта. Внедрение ряда элементов интеллектуальных сетей повысило гибкость сети и сократило время локализации повреждений на 80%, а также обеспечило надежность связи между объектами сети. Технические решения по регулированию напряжения позволили снизить потери в распределительных сетях на 5%. Алгоритмы оптимального расположения элементов интеллектуальной системы позволили изучить надежность участков пилотной сети и рассчитать интегральный показатель надежности сети (SAIFI), который был улучшен на 33% в этих областях. Механизмы интеллектуальных сетей позволяют рассчитать сокращение среднего времени отключения потребителей, которое сокращается на 21,2% для Рузской энергосистемы и на 56,52% для Можайской энергосистемы.

Общее число регионов, в которых внедряются или уже используются интеллектуальные сети на данный момент равняется 11. В то же время многие регионы имеют значительный потенциал для дальнейшего развития и внедрения интеллектуальной энергосистемы. При этом в каждом федеральном округе в РФ присутствует хотя бы один регион, в котором развивают интеллектуальные системы: Smart Grid или Smart Metering. Несмотря на данный факт, нельзя сказать, что интеллектуальные системы развиваются равномерно на всей территории России, так как большая часть регионов, активно внедряющих «умные» технологии, находится в европейской части страны, что обусловлено относительной близостью данных регионов к столице. Наименее развитые федеральные округа относительно внедрения интеллектуальных систем – Дальневосточный, Северо-Кавказский и Приволжский. Мы подготовили карту Российской Федерации, которая отражает степень неоднородности внедрения интеллектуальных сетей в Российской Федерации. (Рис. 1)

Рис. 1 Карта России, отражающая текущий уровень развития интеллектуальных энергосетей.

Источник: составлено авторами на основе данных по открытым источникам по состоянию на 2016 год.

Для стимулирования внедрения интеллектуальных сетей в РФ был разработана «дорожная карта» EnergyNet. Однако, при сопоставлении планов развития национальной стратегии EnergyNet к 2035 году и текущего уровня развития интеллектуальных сетей Smart Grid, можно сделать вывод о том, что необходимо основательно изменить подход к российской энергетике как со стороны производителей, так и со стороны потребителей для того, чтобы выполнить задачи, поставленные в EnergyNet. Несмотря на неравномерное распределение интеллектуальных сетей на территории Российской Федерации, происходит постепенное внедрение smart grid в российской электроэнергетической отрасли, что в конечном итоге должно повлиять на повышение энергоэффективности.

Энергопотребление и энергоэффективность российских регионов

Согласно Статистическому обзору BP, в 2016 году Россия потребила 26,74 квадриллиона британских тепловых единиц (БТЕ) ​​энергии, большая часть которой составляла природный газ (52%). На нефть и уголь приходилось 22% и 13% российского потребления соответственно. Россия является одним из ведущих производителей и потребителей электроэнергии в мире, с установленной генерирующей мощностью более 240 гигаватт. В 2016 году валовая выработка электроэнергии составила 1 071 млрд. киловатт-часов, а потребление около 900 млрд. киловатт-часов. Ископаемые виды топлива (нефть, природный газ и уголь) используются для выработки около двух третей российского электричества, причем на гидроэнергию и атомную энергию приходится примерно одна шестая часть общего производства электроэнергии. Большая часть генерации на ископаемом топливе поступает из природного газа. В 2016 году Россия экспортировала около 18 млрд. КВт-ч электроэнергии и импортировала около 3 млрд. КВт-ч электроэнергии.

Потребление электроэнергии и удельное электропотребление российской экономики изображены на рис.2. Высокий уровень энергоемкости можно объяснить, как климатом (65% территории России покрыта вечной мерзлотой), так и структурой экономики. Однако с начала 2000-х годов мы можем заметить тенденцию к снижению энергоемкости, которая соответствует глобальной тенденции.

Рис. 2. Потребление электроэнергии и использование энергии в России 1990-2014 гг.

Источник: составлено авторами на основе данных Всемирного банка.

Промышленный сектор является наиболее энергоемким сектором в РФ и потребляет 53% от общего потребления электроэнергии в РФ в 2016 году. Разница в спросе на электроэнергию в промышленном секторе является значительной. Мы анализируем энергоемкость российских регионов с учетом населения (вторым по величине потребителем является жилой сектор) и доли промышленности в валовом региональном продукте (ВРП) за период 2012-2016 гг. Авторы включили в анализ 82 региона, потому что в течение рассматриваемого промежутка времени административно- территориальное деление страны менялось. График (Рис.3) показывает корреляцию между энергоемкостью ВРП и долей промышленности в экономике региона, которая оказалась очень низкой. Размер пузыря соответствует населению. Мы делим 82 региона Российской Федерации по четырем категориям с использованием медианной доли промышленности в ВРП и энергоемкости ВРП региона в 2012 году:

Тип I — низкая доля промышленности / низкая энергоемкость

Тип II — низкая доля промышленности / высокая энергоемкость

Тип III — высокая доля промышленности / высокая энергоемкость

Тип IV — высокая доля промышленности / низкая энергоемкость

Рис.3. Энергоемкость ВРП 2012,2016.

Источник: составлено авторами

Тип I состоит в основном из густонаселенных регионов; основными потребителями энергии являются жилой и коммерческий секторы. В этих регионах интенсивность потребления энергии значительно снизилась; Основным фактором является использование энергосберегающих технологий. Тип II показывает значительное сокращение количества регионов в 2016 году по сравнению с 2012 годом. То же самое относится и к типу III, что соответствует общему снижению энергоемкости российской экономики. Тип IV показывает заслуживающий внимания рост количества регионов в 2016 году по сравнению с 2012 годом, что можно связать с акцентом на технологические инновации в энергоемких отраслях. Тем не менее, если мы рассчитаем энергоемкость ВРП в постоянных ценах, то мы должны признать, что успех в снижении энергопотребления очень скромный, снижение на 4% от медианы 2016 года по сравнению с медианой 2012 года. Калининградская, Ярославская и Тульская области, активно внедряющие элементы интеллектуальной сети, а именно системы учета электроэнергии, отмечены красным на рисунке 3. Снижение энергоемкости в рассматриваемых регионах соответствует среднему снижению. Пока по этому показателю мы не видим никаких доказательств эффективности проводимой энергетической политики. С другой стороны, Иркутская электросетевая компания стала одним из пионеров внедрения технологии Smart Grid. Статистика показывает, что за 4 года интенсивность энергопотребления в Иркутской области снизилась более чем на 27% (в постоянных ценах).

Однако стоит отметить, что статистика на региональном уровне не отличается высоким качеством (Башмаков и Мышак, 2016). Например, потребление энергии в межрегиональных транспортных системах — трубопроводах, железных дорогах, аэропортах — указывается как использование отдельными регионами и может значительно смещать оценку потребления энергии на региональном уровне.

Интегральный индекс энергоэффективности

Концепция энергоэффективности довольно емкая и включает в себя несколько компонентов. Во-первых, энергоэффективность понимается как рациональное использование энергетических ресурсов, которое измеряется таким показателем, как энергоемкость. Энергоемкость — это конкретный показатель потребления энергии (электроэнергии) на единицу стоимости валового продукта (страны или региона). Чем ниже энергоемкость, тем эффективнее (с точки зрения создания валовой добавленной стоимости) потребляется энергия.

Снижение энергоемкости может быть достигнуто путем реструктуризации экономики региона в пользу менее энергоемких секторов при сохранении уровня ВРП и/или применении энергосберегающих технологий в традиционных секторах экономики и непроизводственного потребления (коммерческий сектор, транспорт, население).

Однако энергоэффективность не идентична энергоемкости. Это более всеобъемлющая величина, которая должна отражать экономический эффект от потребляемой энергии, использования энергосберегающих технологий, умной энергетики и влияния на экологию. В то же время экономическая эффективность такой сложной экономической системы, как электроэнергетика, с точки зрения системного анализа, имеет общую тенденцию к внутренней структурной гармонии и самоорганизации, отвечая на вызовы внешней среды.

Мы предлагаем оценить энергоэффективность по интегральному индексу, состоящему из четырех элементов: использование энергии, энергосбережение в общественном секторе, умная энергетика, влияние на экологию.

Далее мы обсудим значения и обоснования показателей, которые мы предлагаем включить в интегральный индекс энергоэффективности (SEEFI) (таблица 1) .

Таблица 1 — Показатели энергоэффективности

Источник: составлено авторами.

Определения и значения показателей сводного индекса энергоэффективности (SEEI)

Источником данных практически по всем показателям является Росстат.

I.1. Энергоемкость ВРП

Числитель: потребление энергии (кг топлива).

Знаменатель: валовой региональный продукт в постоянных ценах (руб.).

Обоснование: индикатор показывает стоимость преобразования энергии в ВРП. Он измеряется количеством энергии, необходимой для осуществления экономической деятельности, выраженной в виде энергии на единицу продукции.

I.2 . Потребление энергии на душу населения

Числитель: потребление энергии (кг топлива).

Знаменатель: население (тысячи человек).

Обоснование: индикатор показывает огромное неравенство в использовании энергии в регионах, первую очередь отражает различные климатические условия и неравенство в уровне доходов.

II.1. Эффективное потребление энергии в общественных зданиях

Числитель: количество зданий с энергетической эффективности D-класса и более.

Знаменатель: всего зданий государственного сектора.

Обоснование: доля зданий с повышенным классом энергоэффективности D и выше, показывает уровень использования энергосберегающих технологий в общественном секторе.

Классификация дана по ГОСТ Р 54862-2011:

• класс D — здания, в которых нет необходимости использовать системы автоматизации и управления зданием (BACS) для управления энергоэффективностью здания;
• класс C — здания, в которых используются упрощенные BACS;
• класс B — здания, в которых используются усовершенствованные функции BACS и некоторые специальные функции TBM;
• класс A — здания, в которых используются энергосберегающие BACS и техническое управление зданием (TBM).

II.2 Энергоэффективное освещение

Числитель: светодиодные источники света для внутреннего и наружного освещения общественного сектора.

Знаменатель: общее количество источников света для внутреннего и наружного освещения в государственном секторе.

Обоснование: доля светодиодных источников света в наружном и внутреннем освещении общественного сектора показывает уровень использования энергосберегающих технологий

II.3 Использование политических инструментов

Числитель: количество программ энергоэффективности.

Знаменатель: всего программ развития.

Обоснование: доля программ региона, направленных на повышение энергоэффективности, является показателем консолидированных усилий на общественном уровне.

III.1. Умные метрики

Числитель: количество интеллектуальных измерительных устройств, которые позволяют потребителю в реальном времени отслеживать использование энергии.

Знаменатель: общее количество потребителей энергии.

Обоснование: Многие эксперты утверждают, что использование интеллектуального учета ведет к снижению потребления электроэнергии («TAdviser SummIT», 2017; «Российская энергетическая неделя», 2018).

III.2. Умный город

Числитель: количество умных городов.

Знаменатель: общее количество крупных городов в регионе.

Обоснование: доля умных городов в регионе показывает уровень развития новых технологий (Бойкова, Ильина и Салазкин, 2016).

III. 3. Развитие ИКТ

Развитие ИКТ — это составной индекс, объединяющий десять показателей в одну контрольную меру, которую можно использовать для мониторинга и сравнения изменений в области информационно-коммуникационных технологий (ИКТ) между регионами страны (Таблица 2) . Развитие ИКТ разделено на три подиндекса: субиндекс доступа, субиндекс использования и субиндекс навыков, которые охватывают различные аспекты процесса развития ИКТ. Методология основана на исследованиях Международного союза электросвязи (Measuring the Information Society, 2015).

Таблица 2 — Индекс развития ИКТ: показатели

Источник составлено авторами на основании Measuring the Information Society, 2015

Обоснование: Внедрение Smart Grid в значительной степени зависит от информационно-коммуникационных технологий (ИКТ), однако межрегиональные различия в развитии инфраструктуры ИКТ в РФ (Ревинова, Балашова и Лазанюк, 2015) препятствуют широкому внедрению элементов Smart Grid.

IV.1. Возобновляемая энергия

Числитель: производство энергии из возобновляемых источников энергии (ВИЭ, в том числе гидроэнергетика).

Знаменатель: общее производство энергии.

Обоснование: Несмотря на то, что выработка энергии из тепловых электростанций будет составлять до 60% от мирового производства электроэнергии (Макаров и др., 2017), доля возобновляемых источников энергии может отражать эффективность электрических сетей, потому что это помогает снизить потери и повысить производительность (Матюшок и др., 2017).

IV.2 Выбросы CO₂

Числитель: выбросы CO₂ от сжигания топлива в регионе.

Знаменатель: выбросы CO₂ при сжигании топлива в РФ.

Обоснование: Выбросы CO₂ — это антропогенные выбросы от сжигания ископаемого топлива. Этот показатель на макроуровне рассчитывается МЭА (CO₂ emissions from fuel combustion, 2017) и считается важным с точки зрения политики, все более и более движимый проблемами экологической устойчивости, экономической конкурентоспособности, энергетической безопасности, загрязнения воздуха и изменения климата. По приказу Министерства природных ресурсов Российской Федерации субъекты Российской Федерации должны предоставить информацию о выбросах парниковых газов, мерах по их сокращению с 2017 года.

Расчет интегрального индекса энергоэффективности (SEEFI)

Для расчета интегрального индекса энергоэффективности SEEFI мы следуем методологии расчета Индекса инноваций ЕС (Innovation Union Scoreboard 2011, 2012). Для построения индекса исходные значения показателей нуждаются в алгебраической трансформации, что необходимо для их подготовки к последующему взвешиванию / агрегированию. В частности, мы используем переход к индексам и минимаксную нормализацию.

Создание индекса — процесс преобразования исходного значения в значение, которое связано с эталонным показателем, скажем, 100. Для региона k, значение показателя i:  делится на значение того же показателя для России ( ) и умножается на 100 для получения индекса.

          (1)

Стоит обратить внимание на то, что с помощью такого индекс невозможно оценить динамику показателя для региона.

В качестве следующего шага мы используем стандартный минимаксный способ нормирования по каждому показателю, чтобы построить интегральный индекс энергоэффективности (SEEI).

Эти минимумы и максимумы рассчитываются по указанным значениям во всех регионах РФ (кроме р. Крым и Севастополя) за все наблюдаемые годы.

Таким образом, если рост показателя интерпретируется как повышение энергоэффективности, то нормированный показатель связан с исходным монотонно возрастающей зависимостью. Необходимо вычесть минимальное значение показателя, найденное в группе регионов за ряд лет , а затем разделить на разницу между максимальным  и минимальным  значением рассматриваемого показателя:

         (2)

Если же между показателем и энергоэффективностью обратная зависимость, то используется монотонно-убывающая функция

              (3)

Заметим, что использование минимаксной нормировки требует пересчета нормированных значений при увеличении размера выборки для анализа. Таким образом, при расчете индекса текущего года (добавление нового периода) все предыдущие значения пересчитываются.

Интегральный индекс энергоэффективности (SEEFI) рассчитывается как линейная функция с определенными весами следующих четырех подгрупп: использование энергии EEFI_I, энергосбережение в государственном секторе EEFI_II, умная энергетика EEFI_III и влияние на экологию EEFI_IV. Если оставить в стороне проблему выбора весов, составной индикатор для области k в момент времени t представляет собой сумму показателей m компонентов:

    (4)

взвешенную на коэффициент w_i,, который представляется как .

Коэффициенты в каждой группе рассчитываются линейно с равными весами за исключением первого субиндекса. Это самый простой метод, который подразумевает полную компенсируемость баллов (низкие значения некоторых показателей могут быть перекрываться высокими значениями других показателей).

Первый суб-индекс (Использование энергии EEFI_I) рассчитывается как:

 (5)

Здесь мы используем показатель энергоемкости ВРП (отношение величины потребленной энергии к ВРП региона в постоянных ценах ЕС / GRP) и отношение энергопотребления к населению региона. Используемые веса — доля промышленности в ВРП и доля непромышленного сектора. EEFI_I связан монотонно-убывающей функций с энергоэффективностью: рост энергопотребления на единицу ВРП/населения косвенно свидетельствует о снижении энергоэффективности. Чтобы учесть необходимость больших объемом энергии в некоторых отраслях промышленности, в качестве веса использована доля промышленности в ВРП региона.

Предлагаемый Интегральный индекс EEFI характеризует эффективность использования и потребления энергии в регионах России с учетом использования электроэнергии в общественном секторе, развития интеллектуальной энергетической системы, а также воздействия на окружающую среду в России.

Заключение

Российская энергетическая стратегия разработана для обеспечения устойчивого экономического роста и трансформации экономики в пользу менее энергоемких производств, повышения качества жизни. Она основана на увеличении энергетической безопасности, энергоэффективности экономики, экономической эффективности энергетики и экологической безопасности и т.д. Стратегия предполагает внедрение интеллектуальной сети, которая включает в себя различные операционные и энергетические меры, включая интеллектуальные счетчики, интеллектуальные устройства, возобновляемые источники энергии и энергосберегающие ресурсы.

В статье проанализированы энергопотребление и энергоемкость регионов Российской Федерации. Оценка энергоэффективности в России привела к выводу, что энергоэффективность повышается на региональном уровне. Основополагающими факторами являются уменьшение доли энергоемких отраслей, а также модернизация и внедрение энергоэффективных технологий.

Интегральный индекс энергоэффективности предложен для характеристики эффективности использования энергии в регионах России. Предлагаемый индекс включает уровень энергоемкости и энергопотребления на душу населения региона, а также эффективность использования электроэнергии в государственном секторе. Мы также учитываем развитие интеллектуальной энергетической системы и воздействие потребления энергии на окружающую среду в регионах России.

Литература

1. «TAdviser SummIT» (2017) в Smart Grid. Умные Сети. Интеллектуальные сети электропитания.
2. «Российская энергетическая неделя» (2018 г.). Доступно по адресу: https://rusenergyweek.com.
3. Bayindir, R. et al. (2016) ‘Smart grid technologies and applications’, Renewable and Sustainable Energy Reviews. Pergamon, 66, pp. 499–516. doi: 10.1016/J.RSER.2016.08.002.
4. Benchmarking smart metering deployment in the EU-27 with a focus on electricity (2014). Available at: https://eur-lex.europa.eu/legal-content/EN/ALL/?uri=COM:2014:356:FIN.
5. Berezin, A. et al. (2017) ‘INTRODUCTION OF SMART GRID IN RUSSIA: FEASIBILITY STUDY’, in The 11 th International Days of Statistics and Economics. Prague.
6. Boykova, M., Ilina, I. and Salazkin, M. (2016) ‘The Smart City Approach as a Response to Emerging Challenges for Urban Development’, Foresight and STI Governance, 10(3), pp. 65–75. Available at: https://foresight-journal.hse.ru/en/2016-10-3/191163682.html.
7. CO2 emissions from fuel combustion (2017). Available at: https://www.iea.org/publications/freepublications/publication/CO2EmissionsfromFuelCombustionHighlights2017.pdf.
8. EEE Emerging Technology Portal (2009) Smart Power Grids — Talking about a Revolution.
9. Farhangi, H. (2017) ‘Smart Grid’, in Encyclopedia of Sustainable Technologies. Elsevier, pp. 195–203. doi: 10.1016/B978-0-12-409548-9.10135-6.
10. Innovation Union Scoreboard 2011 (2012). doi: 10.2769/32530.
11. Measuring the Information Society (2015). Available at: https://www.itu.int/en/ITU-D/Statistics/Documents/publications/misr2015/MISR2015-ES-E.pdf.
12. Revinova, S., Balashova, S. and Lazanyuk, I. (2015) ‘ICT IN RUSSIA : THE CURRENT STATE, GOVERNMENT SUPPORT , AND MAIN TRENDS’, International Journal of Business and Management Studies, 04(02), pp. 127–143.
13. Smart grid as a service (2016). Available at: https://www.navigantresearch.com/reports/smart-grid-as-a-service.
14. Башмаков И., Мышак А. (2016) ‘Потребление энергии в российских регионах // О реальной динамике и качестве статистики. Энергосбережение, 4, с. 34–37. Доступно по адресу: https://www.abok.ru/for_spec/articles.php?nid=6417.
15. Годовой отчет ПАО «ФСК ЕЭС» (2016). Доступно по адресу: http://www.fsk-ees.ru/upload/docs/Annual_Report_2016.pdf.
16. Матюшок В. и др. (2017) Влияние интеллектуальных энергосистем и возобновляемых источников энергии на энергоэффективность: зарубежный опыт, Вестник РУДН: серия экономика, 25 (4), с. 583–598. doi: DOI: 10.22363 / 2313-2329-2017-25-4-583-598.

Literature

1. «TAdviser SummIT» (2017) в Smart Grid. Умные Сети. Интеллектуальные сети электропитания.
2. «Российская энергетическая неделя» (2018 г.). Доступно по адресу: https://rusenergyweek.com.
3. Bayindir, R. et al. (2016) ‘Smart grid technologies and applications’, Renewable and Sustainable Energy Reviews. Pergamon, 66, pp. 499–516. doi: 10.1016/J.RSER.2016.08.002.
4. Benchmarking smart metering deployment in the EU-27 with a focus on electricity (2014). Available at: https://eur-lex.europa.eu/legal-content/EN/ALL/?uri=COM:2014:356:FIN.
5. Berezin, A. et al. (2017) ‘INTRODUCTION OF SMART GRID IN RUSSIA: FEASIBILITY STUDY’, in The 11 th International Days of Statistics and Economics. Prague.
6. Boykova, M., Ilina, I. and Salazkin, M. (2016) ‘The Smart City Approach as a Response to Emerging Challenges for Urban Development’, Foresight and STI Governance, 10(3), pp. 65–75. Available at: https://foresight-journal.hse.ru/en/2016-10-3/191163682.html.
7. CO2 emissions from fuel combustion (2017). Available at: https://www.iea.org/publications/freepublications/publication/CO2EmissionsfromFuelCombustionHighlights2017.pdf.
8. EEE Emerging Technology Portal (2009) Smart Power Grids — Talking about a Revolution.
9. Farhangi, H. (2017) ‘Smart Grid’, in Encyclopedia of Sustainable Technologies. Elsevier, pp. 195–203. doi: 10.1016/B978-0-12-409548-9.10135-6.
10. Innovation Union Scoreboard 2011 (2012). doi: 10.2769/32530.
11. Measuring the Information Society (2015). Available at: https://www.itu.int/en/ITU-D/Statistics/Documents/publications/misr2015/MISR2015-ES-E.pdf.
12. Revinova, S., Balashova, S. and Lazanyuk, I. (2015) ‘ICT IN RUSSIA : THE CURRENT STATE, GOVERNMENT SUPPORT , AND MAIN TRENDS’, International Journal of Business and Management Studies, 04(02), pp. 127–143.
13. Smart grid as a service (2016). Available at: https://www.navigantresearch.com/reports/smart-grid-as-a-service.
14. Bashmakov I., Myshak A. (2016) Energy consumption in the Russian regions [‘Potreblenie jenergii v rossijskih regionah]. About real dynamics and quality of statistics ”, Energy Saving, 4, p. 34–37. Available at: https://www.abok.ru/for_spec/articles.php?nid=6417.
15. Annual report of PJSC FGC UES (2016) [Godovoj otchet PAO «FSK EJeS» (2016).]. Available at: http://www.fsk-ees.ru/upload/docs/Annual_Report_2016.pdf.
16. Matjushok V. i dr. (2017) The Impact of Intelligent Energy Systems and Renewable Energy Sources on Energy Efficiency: Foreign Experience [Vlijanie intellektual’nyh jenergosistem i vozobnovljaemyh istochnikov jenergii na jenergojeffektivnost’: zarubezhnyj opyt], RUDN Bulletin: Economy Series, 25 (4), p. 583–598. doi: DOI: 10.22363 / 2313-2329-2017-25-4-583-598.