中国工业化城市化进程中的能源需求预测与分析

发布于:2021-07-27 00:48:33

龙源期刊网 http://www.qikan.com.cn 中国工业化\城市化进程中的能源需求预测 与分析 作者:孙涵 成金华 来源:《中国人口·资源与环境》2011 年第 07 期 收稿日期:2011-01-01 作者简介:孙涵,博士生,讲师,主要研究方向为资源管理工程和能源系统模型。 基金项目:中国地质大学(武汉)优秀青年教师特色学科团队项目(编号: CUG090113);教育部人文社科青年项目(编号:10YJC790071)。 (中国地质大学经济管理学院, 湖北 武汉 430074) 摘要 为了取得可靠的能源需求预测,本文引入工业化、城市化等重要因素,利用支持向 量回归机在时间序列预测中的优势,确定了输入向量集合和输出向量集合,建立基于支持向量 回归机能源需求预测模型。将我国 1985-2009 年能源需求相关数据进行模拟与仿真,并对中国 2010-2020 年能源需求量进行预测,并模拟解释变量不同增长率下能源需求的演变并给出政策 选择。研究结果表明,中国高速的经济增长以及工业化和城市化的发展对能源需求影响很大, 到 2020 年能源需求将达到 45.3 亿 t 标准煤,而且经济增长速度越快对能源需求就越大。变量 模拟得出的结论是产业结构也是能源需求重要影响因素之一,工业结构的调整,即便是微调, 也会对能源需求有很大的抑制作用;中国城市化进程以及城市化发展阶段所表现出的工业化特 征,推动了能源需求快速增长,城市化率越高对能源需求越大,且对能源需求是刚性的,城市 化也是能源需求重要影响因素之一。 关键词 能源需求;城市化;工业化;支持向量回归机 中图分类号 F407.21;C913.3 文献标识码 A 文章编号 1002-2104(2011)07-000706doi:10.3969/j.issn.1002-2104.2011.07.002 能源是人类生存和发展的重要物质基础,也是国家经济命脉和国家安全的重要战略物资。 未来能源基础能否支撑我国经济的可持续增长,成为国内外关注的十分重要的问题。因此,做 好未来能源需求分析,搞好能源需求预测,为能源规划及政策的制订提供科学的依据,对于保 持我国国民经济可持续发展具有重要的现实意义。 国内外许多能源机构或相关机构主要从经济学理论和工程技术理论这两个角度对影响能源 需求的影响因素、能源需求预测以及预测方法做了大量的研究。这些具有代表性的预测方法: 龙源期刊网 http://www.qikan.com.cn MARKAL(市场分配)模型、情景分析法、弹性系数法、静态或动态投入产出法、时间序列 法等方法已被广泛应用于能源需求研究和预测[1-3]。在解释经济发展与能源消费之间长期均衡 和短期波动关系方面,标准 Granger 因果检验、协整和误差修正模型(ECM)得到广泛运用[46]。但是迄今,在对能源需求研究和预测的文献中,主要有两点不足:第一,除了将经济水* 作为最重要的解释变量,一些学者也试图纳入其它变量以增强模型的解释能力。但是,截止目 前对能源需求的研究中,很少同时将工业化和城市化两个因素纳入进行定量的实证研究。发达 国家的城市化和工业化已基本完成,能源需求处于相对稳定的缓慢增长或下降阶段,在模型中 可以忽略这两个因素的影响。然而,当涉及到经济处于转型时期的发展中国家特别是中国时, 这对研究结果的影响就尤其显著。目前,中国有着世界第一大规模的人口、第二大规模的经 济,但区域之间发展极不*衡,这是基本国情;经济持续高速增长、城市化加快和其间的工业 化特征,这是现在及今后相当一段时期内中国经济社会发展的最重要特点[7-8]。对中国能源需 求的研究,必须考虑到上述基本国情和特殊经济社会发展阶段中的主要特征。第二,能源系统 是一个的非线性系统,上述预测方法预测精度不高。能源消费和经济增长之间存在一种非线性 的关系,一些学者得到了二者之间存在着类似环境库兹涅茨曲线的结论。由于传统的线性预测 方法对数据样本没有学*过程,难以准确刻画能源系统中的非线性关系,导致预测精度较低 [9]。尽管人工神经网络方法是公认的相对较好的方法,但我国能源需求的历史数据较少,在 小样本情况下神经网络进行预测通常得不到充分的训练,使得性能不稳定,并且还存在推广 (预测)能力不强等缺点[10-11]。而支持向量机[12-13]是一种专门研究有限样本情况下非参数 估计问题的机器学*方法,它在解决小样本、非线性及高维模式识别问题中表现出许多特别的 优势,受到学者的青睐,并已成功应用于时间序列预测[14],已经成为机器学*界的研究热点 之一。 因此,本文将在前人研究的基础上做出两个主要改进:第一将城市化和工业化同时纳入模 型中,分析中国经济增长和能源消费的长期关系;第二,运用支持向量回归机方法,建立能源 消费和经济增长的非线性数据模型。基于上述模型,对中国 2010-2020 年能源需求量进行预 测,模拟解释变量不同增长率下,未来能源需求的演化路径,并给出政策分析与建议。 1 能源需求预测模型的建立 支持向量机(Support Vector Machines, SVM)最早是由 Cortes 和 Vapnik[12-13]于 1995 年 提出的一项新的数据挖掘技术,它借助于最优化方法,非常成功地处理回归问题(时间序列分 析)和模式识别(分类问题)等诸多问题。 1.1 能源需求的回归支持向量机模型构建 能源系统是一个大而复杂的非线性系统,能源需求受经济、社会等诸多因素的影响,各因 素相互渗透,相互作用。一般说来,能源需求影响因素与能源需求量的关系非常复杂,很难用 一个具体的模型来描述。本文采用 SVR 来映射输入(能源需求影响因素)与输出(能源需求 量) 之间的关系。具体说来: 龙源期刊网 http://www.qikan.com.cn 在本文中,把能源需求量以及所确定的各影响因素指标的历时数据作为样本,构造一个多 输入、单输出的支持向量回归机预测模型,如图 1 所示。 把影响能源需求变量[9

相关推荐

最新更新

猜你喜欢