《能源需求模型研究分析》由會員分享，可在線閱讀，更多相關《能源需求模型研究分析（34頁珍藏版）》請在裝配圖網(wǎng)上搜索。

1、b 1.2.2 能源需求預測模型研究進展 近年來，國內(nèi)外學者運用不同的能源需求模型和方法對全球、 國家、地區(qū)及 部門尺度的能源系統(tǒng)發(fā)展趨勢進行了大量的預測，也有不少文獻對這些模型和方 法進行了綜述(Suganthi L, et al, 2012; Ghalehkhondabi I, et al, 2016; Debnath K B, et al, 2018;趙春富等，2015)。 不同的學者對能源需求預測模型的分類也有所差異。其中， Suga nthi L等將 能源需求預測模型分為以下十二種類型：時間序列模型、回歸模型、計量經(jīng)濟模 型、分解模型、單位根檢驗及協(xié)整模型、ARIMA模

2、型、專家模型及ANN模型、 灰色預測模型、投入-產(chǎn)出模型、遺傳算法/模糊邏輯/模糊神經(jīng)模型、集成模型一 —貝葉斯向量自回歸模型/支持向量機回歸模型/粒子群優(yōu)化模型、自底向上模型 ——MARKAL/TIMES/LEAP ( Suga nthi L, et al, 2012)。 Ghalehkhondabi I等總結了 2000-2015年間能源需求預測的相關文獻使用的 預測方法，主要集中在ANN模型、模糊邏輯算法、時間序列模型、灰色預測、 ARMA/ARIMA/SARIMA 模型、回歸模型、支持向量機、遺傳算法、計量經(jīng)濟模 型、系統(tǒng)動力學模型十大類上( Ghalehkhondabi I, et

3、 al, 2016)。 Debnath K B等則根據(jù)預測方法使用的種類將能源規(guī)劃模型分為了單一模型 和混合模型兩大類，其中，單一模型使用的方法包括統(tǒng)計學方法、 計算機智能和 數(shù)學規(guī)劃三大類，混合模型則是通過不同的單一模型方法加以組合進行預測 (Debnath K B, et al, 2018)。趙國富等基于自上而下、自下而上和混合建模這三 種不同的建模角度，對能源預測模型進行了綜述(趙春富等 ，2015)。 本文認為，能源需求模型進行預測時選擇的方法， 可分為兩大類：趨勢外推 法和情景分析法。 趨勢外推法是基于歷史發(fā)展趨勢，從現(xiàn)狀出發(fā)，根據(jù)人們對過去發(fā)展趨勢的 認識，推測未來可能

4、的狀態(tài)。外推的具體方法多采用各種數(shù)量經(jīng)濟模型對能源需 求進行預測，一般不需要外生變量，比較有代 表性的大致有以下幾種： 1.2.2.1 能源消費彈性系數(shù)法 能源消費彈性系數(shù)是能源消費增長速度與國內(nèi)生產(chǎn)總值增長速度的比值， 該 指標可以宏觀地反應該地區(qū)國民經(jīng)濟發(fā)展與能源消費的統(tǒng)計規(guī)律。 能源消費彈性 系數(shù)越大，代表經(jīng)濟發(fā)展對能源需求的依賴程度越大； 反之，能源消費彈性系數(shù) 越小，則代表經(jīng)濟發(fā)展對能源需求的依賴程度越小。 在特定的歷史發(fā)展階段，能 源消費彈性系數(shù)有一個大體比較穩(wěn)定的數(shù)值范圍。通過分析總結歷史的經(jīng)濟增長 與能源消費增長的關系，推測未來的能源彈性系數(shù)，并通過對經(jīng)濟發(fā)展速度的

5、預 測，得到預測期內(nèi)的能源需求增長速度， 求出能源需求量。該方法的基本前提是 假定該地區(qū)在未來預測年份的經(jīng)濟發(fā)展趨勢與過去相比無明顯的改變。 如果假設 成立，則預測結果比較準確。在實際預測中，由于近年來經(jīng)濟結構、能源消費結 構的調(diào)整等因素，一般都需要對能源消費彈性系數(shù)做一些修正， 再用來預測未來 的能源消費量。對于未來能源消費彈性系數(shù)的確定， 一般有兩種方法，一種是平 均增長速度方法，另一種是相關分析方法，在實際預測中根據(jù)實際情況選取。能 源消費彈性系數(shù)法操作簡單，但該方法的缺陷是理論上沒有足夠的科學依據(jù)能夠 論證選取的彈性系數(shù)是合理的。劉彥民在介紹了我國原油、成品油供需的現(xiàn)狀的 基礎上，對

6、十五期間及之后10年的供需狀況采用彈性系數(shù)法進行了預測（劉彥 民, 2001）。劉衛(wèi)東等使用定基能源消費彈性系數(shù)替代傳統(tǒng)能源消費彈性系數(shù)， 對其影響因素進行協(xié)整分析，結合情景設置預測了 2020年中國能源消費總量， 解決了能源彈性系數(shù)數(shù)據(jù)不平穩(wěn)且無規(guī)律而不利于定量分析的問題（劉衛(wèi)東等， 2016）。 122.2 時間序列法 時間序列法是指通過觀察被研究的對象，尋找其隨時間變化的趨勢及統(tǒng)計規(guī) 律，并以適當?shù)臄?shù)學關系式表達出來，以此預測該對象將來的發(fā)展。時間序列法 包括確定性時間序列分析方法和隨機性時間序列分析方法。確定性時間序列分析 就是設法消除序列中的隨機性波動，擬合確定性趨勢，這種方法常

7、用于許多經(jīng)濟 時間序列的長期粗略預測。確定性趨勢雖然控制了時間序列的基本樣式， 但畢竟 不是時間序列變動的全貌，因而其預測結果往往不準確。隨機時間序列包括平穩(wěn) 隨機時間序列和非平穩(wěn)隨機時間序列。對于平穩(wěn)性隨機過程的描述可建立多種形 式的時序模型，如指數(shù)平滑法、趨勢線預測法、自回歸模型（ AR）、移動平均模 型（MA ）以及自回歸平均移動模型（ARMA ）等。當隨機過程是非平穩(wěn)時間序 列時，大多數(shù)都表現(xiàn)有趨勢性特征，要先消除趨勢，將隨機序列平穩(wěn)化，再運用 平穩(wěn)隨機時間序列的方法去實現(xiàn)。薛智韻等分析得出我國石油需求序列是有確定 趨勢的非平穩(wěn)時間序列，選擇最小二乘法分兩步建立模型，并對模型預測精度

8、和 穩(wěn)定性作了評價，應用模型對我國2006-2020年的石油需求進行了預測（薛智韻 等，2006）。但如果對非平穩(wěn)序列作平穩(wěn)化處理，又會丟失原序列所包含的主要 信息（王振龍，2000）。因而出現(xiàn)了組合時間序列方法，即確定性加隨機性時間 序列組合模型。時間序列組合模型用確定性模型描述序列中確定性趨勢的變動規(guī) 律，用隨機性模型來刻畫序列中隨機變動的一般規(guī)律， 因而用這種模型來預測某 些類型的非平衡序列往往能取得令人滿意的效果。 盧二坡利用確定性加隨機性時 間序列組合模型對我國能源需求進行預測，并對模型預測精度和參數(shù)穩(wěn)定性作了 評價，結果表明本文采用的組合模型是一種比較有效的預測方法； 最后用該

9、模型 對我國2004-2020年能源需求進行了預測（盧二坡，2005）。 1.2.2.3 灰色預測模型 灰色系統(tǒng)理論是20世紀80年代由我國學者鄧聚龍?zhí)岢龅?，是一種解決少數(shù) 據(jù)、貧信息的不確定性問題的方法，由于其具有很高的擬和精度，近二十幾年來 得到了廣泛的研究和應用（鄭照寧等，2004）?；疑到y(tǒng)理論是從信息的非完備 性出發(fā)來研究和處理復雜系統(tǒng)的理論，它不是從系統(tǒng)內(nèi)部的特殊規(guī)律出發(fā)去研究 系統(tǒng)，而是通過對系統(tǒng)某一層次的觀測資料加以數(shù)學處理， 達到在更高層次上了 解系統(tǒng)內(nèi)部變化趨勢、相互關系等機制的理論?；疑A測法就是將原始離散數(shù)據(jù) 進行生成的有效處理方法，通過累加作用抵消和減弱隨機因

10、素的影響， 從生成序 列尋找系統(tǒng)變化規(guī)律.建立其相應的灰色預測模型?；疑A測模型一般預測一個 區(qū)間，而不是一個點，預測區(qū)間的大小與預測精度成反比， 而與預測成功率成正 比。 圖1.1 GM(1,1)模型的預測流程 一個n階、h個變量的灰色模型記為 GM(n,h)模型。對不同的n和h, GM模 型有不同的含義和用途，要求輸入不同的數(shù)據(jù)。作為預測模型，一般采用GM(n,1) 模型，即只考慮一個變量。n—般在3以下，n越大，雖然內(nèi)涵可能越豐富，但 計算太繁瑣，且階次過高的系統(tǒng)其特征方程的求解也困難， 計算量大，精度也不 一定高，其結果也不是解析的，所以一般放棄 n大于3的模型。為了計算

11、簡單， 取n=1，在預測時也是可行的。GM(1,1)模型是當前應用范圍較廣并取得了顯著 成效的一種灰色動態(tài)預測模型，被看作是灰色系統(tǒng)中的核心模型。在進行能源需 求預測時，采用GM(1,1)模型的實質(zhì)是對原始年能源消費時間序列做一次累加生 成，使生成序列呈一定規(guī)律性，然后建立線性微分方程，求得擬合曲線對系統(tǒng)進 行預測。其預測流程如圖1.1所示。 122.4 人工神經(jīng)網(wǎng)絡法 人工神經(jīng)網(wǎng)絡(Artificial Neural Network, ANN )是一種模擬人體的經(jīng)絡系統(tǒng) 活動機理來對客觀事物進行科學研究的方法。 1943年，神經(jīng)科學家和控制論專 家Warren McCulloch和邏輯

12、學家 Walter Pitts基于數(shù)學和閾值邏輯算法創(chuàng)造了一 種神經(jīng)網(wǎng)絡計算模型，稱為MP模型。他們通過MP模型提出了神經(jīng)元的形式化 數(shù)學描述和網(wǎng)絡結構方法，證明了單個神經(jīng)元能執(zhí)行邏輯功能，從而開創(chuàng)了人工 神經(jīng)網(wǎng)絡研究的時代。經(jīng)過數(shù)十年的發(fā)展，至20世紀80年代，隨著人工智能興 起，人工神經(jīng)網(wǎng)絡逐漸成為研究熱點。近年來隨著人工神經(jīng)網(wǎng)絡研究的不斷深入， 在模式識別、智能機器人、自動控制、預測估計、生物、醫(yī)學、經(jīng)濟等領域已經(jīng) 得到了很好的應用，解決了大量實際問題。人工神經(jīng)網(wǎng)絡是一個具有高度非線性 的超大規(guī)模連續(xù)時間動力系統(tǒng)，由大量的處理單元（神經(jīng)元，即構成神經(jīng)系統(tǒng)結 構和功能的基本單位）互相連接

13、而形成的復雜網(wǎng)絡結構。它是在現(xiàn)代神經(jīng)科學研 究成果的基礎上提出的，反映了人腦功能的基本特征，但并非人腦的真是描寫， 而是對人腦組織結構和運行機制的某種抽象、簡化和模擬。人工神經(jīng)網(wǎng)絡模型是 以數(shù)學模型模擬神經(jīng)元活動，是基于模仿大腦神經(jīng)網(wǎng)絡結構和功能而建立的一種 信息處理系統(tǒng)。人工神經(jīng)網(wǎng)絡具有自學習、自適應、聯(lián)想儲存等功能，并具有很 強的非線性函數(shù)逼近能力及高速尋找最優(yōu)解的能力（朱大奇等， 2005）。 （a）相互結合型結構 （b）層狀結構 圖1.2人工神經(jīng)網(wǎng)絡的結構類型 把大量的神經(jīng)元通過一定的拓撲結構連接起來，就形成了神經(jīng)網(wǎng)絡。神經(jīng)元 之間的連接方式有相互結合性和層狀結構兩大類（

14、吳簡彤等， 1998）,如圖1.2 所示。相互結合型神經(jīng)網(wǎng)絡系統(tǒng)是一種非線性系統(tǒng)，存在反饋環(huán)，在神經(jīng)元的學 習過程中，會進行誤差反饋。層狀結構神經(jīng)網(wǎng)絡是一種并行處理系統(tǒng)，信號依特 定的方向傳播。 人工神經(jīng)網(wǎng)絡運行的一項重要內(nèi)容就是按照一定的規(guī)則進行學習。 學習能力 是神經(jīng)網(wǎng)絡功能有效性的標志之一。 神經(jīng)網(wǎng)絡的學習過程一般是，首先設定初始 權值（如果無先驗的知識，初始權值可設定為隨機值），接著輸入樣本數(shù)據(jù)進行 學習，參照評價標準進行評判，如果達到要求，就停止學習，否則就按照給定的 學習規(guī)則調(diào)整權值，繼續(xù)進行學習，直至達到要求為止。神經(jīng)網(wǎng)絡的各種學習規(guī) 則都是以Hebb規(guī)則為基礎的，包括誤差

15、傳播式學習、聯(lián)想學習、競爭性學習等。 當前已有數(shù)十種神經(jīng)網(wǎng)絡模型，不同類型的人工神經(jīng)網(wǎng)絡模型， 其拓撲結構、傳 遞函數(shù)和學習規(guī)則存在區(qū)別。例如，按照拓撲結構的不同，可分為反饋神經(jīng)網(wǎng)絡 模型和前向神經(jīng)網(wǎng)絡模型，目前應用較多的神經(jīng)網(wǎng)絡模型是 BP( Back Propagation) 網(wǎng)絡，即是一種誤差前向傳播神經(jīng)網(wǎng)絡。 Yetis Sazi Murat利用BP人工神經(jīng)網(wǎng)絡 分析了 GNP、人口、車輛的年平均增長速度等社會經(jīng)濟因素對交通用能的影響 (Yetis Sazi Murat，2006)。馮述虎等利用BP神經(jīng)網(wǎng)絡建立了時序-神經(jīng)網(wǎng)絡模 型，利用該模型對能源產(chǎn)量進行了預測(馮述虎等， 2

16、003)。 與趨勢外推法不同的是，情景分析法認為未來并不只是簡單地沿襲過去的發(fā) 展模式，而是在正確描述現(xiàn)狀的條件下， 根據(jù)未來可能發(fā)生的變化，固定未來的 不同情景目標，模擬實現(xiàn)未來目標需要從現(xiàn)在到未來采取什么路徑， 為決策者制 定戰(zhàn)略提供科學依據(jù)。在設置多種可能會發(fā)生的情景時，可能參考歷史發(fā)展情況、 未來社會經(jīng)濟發(fā)展的目標規(guī)劃。以下幾種模型和方法多采用情景分析法進行能源 預測： 1.2.2.5 投入產(chǎn)出模型 投入產(chǎn)出分析是由美國經(jīng)濟學家沃西里 列昂惕夫(Wassily Leontief)于20 世紀30年代首次提出的，是用以研究和分析國民經(jīng)濟各部門產(chǎn)品生產(chǎn)與消耗之 間的數(shù)量依存關系的

17、一種方法，也廣泛用于能源系統(tǒng)領域(沃西里 列昂惕夫， 1982)。投入產(chǎn)出模型是基于棋盤式的投入產(chǎn)出表，建立相應的線性代數(shù)方程體 系，從而構成一個模擬現(xiàn)實的國民經(jīng)濟結構和社會產(chǎn)品再生產(chǎn)過程的經(jīng)濟數(shù)學模 型。投入產(chǎn)出表是由投入表與產(chǎn)出表交叉而成的， 前者反映各種產(chǎn)品的價值，包 括物質(zhì)消耗、勞動報酬和剩余產(chǎn)品；后者反映各種產(chǎn)品的分配使用情況， 其基本 框架結構如表1.1所示。 表1.1投入產(chǎn)出表的基本結構 b 總產(chǎn)出 最終使用 投入 1, 2, 3,…，n 最終消費 資本形成總額 凈出口 ~ 一一 中 間 1, 2, 3,…，n 第I象限 第n象限 投 入 勞動

18、報酬 固定資產(chǎn)折舊 第川象限 生產(chǎn)稅 營業(yè)盈余 總投入 在此基礎上建立的投入產(chǎn)出模型，可用來進行經(jīng)濟分析、政策模擬、計劃論 證和經(jīng)濟預測。靜態(tài)投入產(chǎn)出模型不考慮時間因素，只反映一個確定時期內(nèi)的經(jīng) 濟數(shù)量關系；而動態(tài)模型除仍保留靜態(tài)模型中的基本數(shù)量關系外 ，還要求從發(fā)展 變化的角度考察社會經(jīng)濟活動。后者在理論基礎上存在爭論，模型運算過程困難， 其建立方法和理論仍處在不斷探索之中。 投入產(chǎn)出模型是典型的仿真模型，不具 備擇優(yōu)功能，因而人們多用線性規(guī)劃、多目標規(guī)劃等優(yōu)化方法，或者情景分析法 與之結合使用。Harry C . Willting等運用投入產(chǎn)出模型研究了荷蘭 1969-19

19、89年 間的能源強度變化趨勢（Harry C. Willti ng等，1998）。Vice nt Alca ntara等運用 一個投入產(chǎn)出結構化分解分析模型對歐盟國家的能源強度進行了比較 （Alca ntara Vice nt, 2004）。羅向龍等利用投入產(chǎn)出模型對某大型石化企業(yè)進行了生產(chǎn)結構 系統(tǒng)分析，通過給定各產(chǎn)品的指標來預測各種原料和能源的需求量（羅向龍等， 2003）。梁巧梅等基于投入產(chǎn)出模型的基本原理，圍繞影響能源需求和能源強度 變化的各種社會經(jīng)濟因素，結合情景分析，定量地分析了社會經(jīng)濟發(fā)展因素對能 源需求和能源強度的影響（梁巧梅等，2004）。 1.2.2.6 部門分析法

20、該方法是根據(jù)實際情況把國民經(jīng)濟按部門劃分， 利用能源消費量與經(jīng)濟發(fā)展 速度之間的關系，使用單位產(chǎn)值能源消費量來綜合反映各部門能源消費量的技術 水平和管理水平。該方法把國民經(jīng)濟現(xiàn)狀作為分析和計算的出發(fā)點， 應用基年的 產(chǎn)值水平及能源消費量等參數(shù)，在假定了各部門的產(chǎn)值增長速度與單位產(chǎn)值能耗 變化率后，就可預測出各部門能源消費需求量、 總能源需求量和增長趨勢。其使 用公式如下： n n n E 八 Ej =' GjQj =G.j miQi (行) id i 4 i 4 其中，E為該地區(qū)的能源消費總量，Ei為部門i的能源消費量，Gi為部門i的產(chǎn) 值，Qi為該部門單位產(chǎn)值能耗量，G為該地區(qū)

21、總產(chǎn)值，mi為部門i的產(chǎn)值在總產(chǎn) 值中的比例。 部門分析法可以詳細考慮部門結構變化、 管理和技術水平變化、產(chǎn)品結構變 化、人口增長、人民消費水平提高、消費結構變化以及各種政策等因素對于部門 能源消費量的影響，并作出定量估計。法國IEPE(the Institute of Energy Policy and Economics) 20世紀80年代開發(fā)的MEDEE是基于部門分析法建立的能源技術 經(jīng)濟模型。它建立在對一定時期內(nèi)社會經(jīng)濟、人口、技術的一系列假設的基礎上， 通過對能源需求變化的仿真來預測各部門的能源需求。 模型把能源系統(tǒng)劃分為工 業(yè)、交通運輸、居民消費、服務業(yè)和農(nóng)業(yè) 5個部分，在世

22、界上100多個國家和地 區(qū)得到了應用。Bruno Lapillonne等應用 MEDEE模型預測了美國1985--2000年 的能源需求(Bruno Lapillonne等，1980)。傅月泉等應用 MEDEE模型對江西省 中長期能源需求進行預測，反復對情景變量的設置及經(jīng)濟發(fā)展、產(chǎn)業(yè)結構等宏觀 經(jīng)濟指標進行調(diào)整后，得出了比較可行的預測結果(傅月泉等， 1994)。 122.7 系統(tǒng)動力學模型 系統(tǒng)動力學(System Dynamics,SD)是由美國麻省理工學院的福瑞斯特(Jay.W Foerrster)教授于1956年創(chuàng)立的。早期主要應用在工業(yè)企業(yè)管理，之后，其應用 幾乎遍及各類系統(tǒng)，深

23、入到各個領域。反饋控制理論是系統(tǒng)動力學的主要理論基 礎，系統(tǒng)動力學在對系統(tǒng)的認識方面特別強調(diào)系統(tǒng)的反饋結構。 系統(tǒng)動力學的主 要目的是為實際問題改進或設計策略，并可以在計算機上借助仿真技術來進行社 會經(jīng)濟的政策模擬實驗。 系統(tǒng)動力學著重于描述系統(tǒng)的結構， 是一個結構仿真模型，強調(diào)系統(tǒng)發(fā)展過 程中的行為和發(fā)展趨勢。模型具有高階數(shù)、多回路和非線性的特點。社會系統(tǒng)內(nèi) 各要素之間的關系呈現(xiàn)階次高、多重反饋和非線性的特點，系統(tǒng)動力學可以將復 雜的組合關系表達出來，逼真地再現(xiàn)系統(tǒng)的結構、作用方式和行為，只要結構合 埋，變量多少僅受計算機容量的限制。系統(tǒng)動力學方法一般只給出幾種可供選擇 的解，不提供最優(yōu)

24、解。 系統(tǒng)動力學解決問題的主要步驟大體可分為五步，首先要用系統(tǒng)動力學的理 論、原理和方法對研究對象進行系統(tǒng)分析； 其次進行系統(tǒng)的結構分析，劃分系統(tǒng) 層次與子塊，確定總體的與局部的反饋機制；第三步建立數(shù)學的、規(guī)范的模型； 第四步以系統(tǒng)動力學理論為指導借助模型進行模擬與政策分析， 可進一步剖析系 統(tǒng)得到更多的信息，發(fā)觀新的問題然后反過來再修改模型；第五步檢驗評估模型。 系統(tǒng)動力學把研究對象看作具有復雜反饋結構、隨時間變化的動態(tài)系統(tǒng)，通 過系統(tǒng)分析繪制出表示系統(tǒng)結構和動態(tài)的系統(tǒng)流程圖，然后把個變量之間的關系 定量化，建立系統(tǒng)的結構方程式，以便運用計算機進行仿真試驗，最后預測系統(tǒng) 未來發(fā)展變化。

25、國內(nèi)也有不少學者應用這一方法進行能源系統(tǒng)的仿真與預測 （秦 鐘等，2008;李連德，2009;呂濤等，2015）。由于該方法分析過程復雜，工作 量大，且對于分析人員能力要求較高，所以不適用于短期預測，而對于遠期預測， 具有明顯的優(yōu)勢。 122.8 回歸分析法 在利用回歸分析進行能源預測時，多采用一元線性回歸或多元線性回歸。 對 于較為簡單的一元線性回歸，多用直線方程對兩個變量進行擬合，確定參數(shù)的方 法多為最小二乘法。但由于只考慮一個自變量對于因變量的影響， 預測結果比較 片面，在實際預測中往往考慮多個自變量，進行多元線性回歸分析。 例如，進行能源預測時，考慮到能源消費與人口增長，經(jīng)濟發(fā)

26、展關系密切， 以能源消費量（Yt）為被解釋變量，以人口（ Xti）及國內(nèi)生產(chǎn)總值（Xt2）為解釋 變量，建立二元回歸模型（盧奇等，2003）: Yt RXti b2Xt2 譏， t=1, 2,…,t （1.2） 設上述模型滿足以下假定條件： 假定1隨即誤差項是非自相關的，即 E（4）=0，VafA）"2| （1.3） 假定2解釋變量與誤差項相互獨立，即 EX"0 （1.4） 假定3解釋變量之間線性無關。 假定4解釋變量是非隨機的。 在上述假定條件下，采用普通最小二乘（ OLS）估計法估計參數(shù)值，即 b =（X'X）」X'Y，代入過去若干年的能源消費量、人口、國內(nèi)生產(chǎn)總值數(shù)據(jù)

27、，建 立能源消費量的多元回歸模型，再進行t檢驗和F檢驗，檢驗模型可否用于預測。 回歸分析多與情景設置相結合，根據(jù)結合情景設置中未來GDP和人口的發(fā)展情 況進行能源需求預測；也可以按照擬合的方程直接進行趨勢外推來預測。 由于許多隨機因素影響經(jīng)濟系統(tǒng)，致使被解釋變量和解釋變量之間可能是失 衡的，并不總是處于均衡點，而是會有所偏離，因此必須對模型進行修正。為了 解決可能由非平穩(wěn)變量引起的偽回歸的影響，可應用協(xié)整和誤差修正模型加以改 善。林伯強應用協(xié)整理論和誤差修正模型分析了中國能源需求的決定因素， 發(fā)現(xiàn) 能源總消費、GDP、能源價格、經(jīng)濟結構對能源需求具有顯著影響，同時對未來 我國能源的需求進行

28、了預測（林伯強，2001）。Franco M等應用協(xié)整理論對變量 進行了協(xié)整分析和平穩(wěn)性檢驗，建立了誤差修正模型，并用該方法對Venezuelan 電力系統(tǒng)2004-2024年的電力需求進行了預測（Franco M等，2007）。 根據(jù)上述內(nèi)容，將以上八種較具代表性的單一能源需求預測模型的優(yōu)缺點及 適用范圍總結如下： 表1.2單一能源需求預測模型的優(yōu)缺點及適用范圍 模型 適用范圍 優(yōu)點 缺點 能源消 費 適用于能源消費彈性 需要數(shù)據(jù)少，運算簡便 現(xiàn)實情況中能源消費彈性系 彈性系 數(shù) 系數(shù)未發(fā)生跳躍性變 數(shù)歷史數(shù)據(jù)往往并不具有平 法 化的中短期預測

29、 穩(wěn)性，使實際應用遇到了困難 續(xù)表1.2 模型 適用范圍 優(yōu)點 缺點 時間序 列 適用于趨勢未發(fā)生重 能較好擬合時間序列的 無法考慮預測數(shù)據(jù)與其影響 法 大改變的時間序列進 行短期預測 、千中十/八|=? /^土匕來斤 確定性趨勢和隨機擾動 項，運算簡便快速 因素之間的關系，只能預測其 按照歷史趨勢發(fā)展的情況，對 起伏較大的序列進行預測時 往往精度較差 灰色預 測 適用于發(fā)展隱含指數(shù) 所需樣本量少，不需要 數(shù)據(jù)離冃攵程度/灰度越大，波 模型 型變化規(guī)律的平穩(wěn)序 計算統(tǒng)計特征，不需要 動性越大，預測精度越差 列，理

30、論上適用于中 考慮影響因素，運算簡 長期預測，但精度難 便，短期預測精度高 以保證 人工神 經(jīng) 適用于大樣本非線性 具有自學習、自適應、 要求樣本量較多，學習過程往 網(wǎng)絡法 數(shù)據(jù)的中短期預測 儲存記憶、優(yōu)化計算等 往需要成千上萬次的迭代； 隱 能力，對處理非線性、 含層神經(jīng)元的個數(shù)和連接權 非結構性數(shù)據(jù)的預測具 值的選取往往缺乏理論指導， 有優(yōu)勢 推廣能力有限 投入產(chǎn) 出 適用于經(jīng)濟活動的中 強調(diào)的是經(jīng)濟系統(tǒng)各部 所需數(shù)據(jù)量較大；模型設計在 模型 長期預測 門、各變

31、量間的相互作 假設、編制和優(yōu)化上存在局限 用，體現(xiàn)出國民經(jīng)濟各 部門生產(chǎn)與分配使用/消 耗之間的平衡關系 部門分 析 適用于自下往上的中 能體現(xiàn)出各部門內(nèi)不同 部門劃分存在一定爭議，粗略 法 長期預測 因素對于部門能源消費 劃分可能忽略了內(nèi)部差異， 詳 量的影響 細劃分又需要大量數(shù)據(jù)做支 撐，運算繁瑣 系統(tǒng)動 力 適用于復雜系統(tǒng)隱藏 能反映多個因素對能源 需要的數(shù)據(jù)量大，運算復雜 學模型 規(guī)律的挖掘及其中長 系統(tǒng)的影響，能建立它 期動態(tài)預測 們之間

32、非線性、動態(tài)的 關系 回歸分 析 適用于與一個或多個 能夠研究預測對象與其 對于影響因素的選擇往往具 法 自變量存在關系的因 影響因素的關系；參數(shù) 有主觀性；線性回歸預測往往 變量進行中長期預測 估計技術成熟，操作間 精度較低，非線性回歸預測計 便 算量大、過程復雜 由于能源系統(tǒng)的非線性和不確定性， 近年來，國內(nèi)外不少學者開始 采用一些 新興的非線性方法對能源需求進行預測。常見的方法主要有：混沌時間序列方法、 遺傳算法、小波分析等。傅瑛等利用混沌時間序列的方法對江蘇能源消費量進行 了預測，并且把預測結果與指數(shù)平滑法作

33、了對比， 表明混沌時間序列方法得到的 預測值圍繞實際值上下波動、絕對偏差較小，比指數(shù)平滑法的誤差要好（傅瑛等， 2001年）。但該研究是利用1991~2003年數(shù)據(jù)建立的模型再去預測1991~2003年 的能源需求，也就是同期模擬，并不能看出混沌時間序列的未來預測能力。 事實 上,由于混沌時間序列假設研究對象是混沌系統(tǒng)而混沌系統(tǒng)具有初始條件敏感特 征，所以混沌時間序列方法認為長期預測是不可能的。 Halim Ceylan利用遺產(chǎn)算法能源需求模型（GAEDM ）對土耳其未來20~50 年的能源需求進行預測，預測結果表明，GAEDM預測結果精度較高，與政府能 源與自然資源規(guī)劃研究中心的預測結果

34、相比，其預測誤差最?。?Halim Ceyla n, 2005年）。但是遺傳算法本身的參數(shù)還缺乏定量的標準 ，目前采用的都是經(jīng)驗數(shù) 值，而且不同的編碼、不同的遺傳技術都會影響到遺傳參數(shù)的選取，因而會影響 到算法的通用性。顧潔利用小波分析對電力系統(tǒng)短期符合進行了預測，實證表明 運用小波進行預測提高了預測精度（顧潔， 2003）。王玨等通過分析影響我國能 源需求的主要因素，建立了基于小波神經(jīng)網(wǎng)絡的需求預測模型。采用定性與定量 相結合的方式，分析了影響我國能源需求的主要因素，通過將人口總數(shù)、 GDP、 產(chǎn)業(yè)結構變化以及能源消費量的一階滯后作為輸入變量，建立基于小波神經(jīng)網(wǎng)絡 的我國能源需求非線性

35、預測模型。 結果表明，該非線性預測模型與多元回歸模型 相比更加合理，具有更高的預測精度（王玨等， 2009）。 除此之外，為克服單一方法對信息利用不充分所產(chǎn)生的缺點和不足， 國內(nèi)外 學者根據(jù)不同模型和方法之間的邏輯關系， 將不同的模型組合使用，使之具有更 好的合理性和更高的科學性。例如，瑞典斯德哥爾摩環(huán)境研究所（STOCKHOLM Environment Institute, SEI）開發(fā)的靜態(tài)能源經(jīng)濟環(huán)境模型 LEAP模型結合了 部門分析法和實物型投入產(chǎn)出法，需要收集各種技術數(shù)據(jù)、財務數(shù)據(jù)和環(huán)境排放 數(shù)據(jù)，通過數(shù)學模型來預測各部門的能源需求、能源成本及對應的環(huán)境收益。 Ranjan

36、Kumar Bose等應用LEAP模型和環(huán)境數(shù)據(jù)庫分析了影響印度德里交通部 門能源消費模式和排放標準的因素，并預測能源需求和交通工具的尾氣排放量。 遲春潔等根據(jù)未來20多年里中國社會經(jīng)濟發(fā)展趨勢，結合中國的發(fā)展現(xiàn)狀，利 用情景分析法設計了三種方案四種情景，通過LEAP模型計算得到了不同方案下 各時期的能源需求量以及溫室氣體排放量。 許多學者也作了另外的嘗試，F(xiàn)u C.W.等運用動態(tài)函數(shù)連接神經(jīng)網(wǎng)絡（FLN） 和小波網(wǎng)絡，結合序列二次規(guī)劃的方法識別模型中的參數(shù)， 建立了長期能源需求 的模型（Fu C.W.等，2003）。Mohammadi S等將模糊邏輯與神經(jīng)網(wǎng)絡結合建立了 自適應模糊神經(jīng)網(wǎng)絡

37、推理系統(tǒng)模型，并用此模型對伊朗中長期電力需求進行了預 測，取得了較好的效果（Mohammadi S等，2006）。Hor C丄.等將情景分析與自 回歸整合移動平均模型（ARIMA）相結合，為2011-2100年的氣候設置了四種情景 進行了預測，同時為了預測天氣極端情況對電力載荷的影響， 在預測模型中引入 GARCH進行建模，并對1998-2003年的電力載荷進行預測，預測精度很高（Hor C.L.等，2006）。Azadeh A.等將遺傳算法和人工神經(jīng)網(wǎng)絡相結合對伊朗農(nóng)業(yè)部門 1981-2005年電力能源消費需求進行了實際預測，預測結果與實際數(shù)據(jù)的平均絕 對百分誤差很低（Azadeh A.等

38、，2006）。Montilla D.等利用情景分析和時間序列 分析相結合的辦法對 AnzoAitegui州的北部地區(qū)2005-2024年的電力能源需求進 行了預測（Montilla D.等，2006）。Ghanbarian等采用自適應神經(jīng)網(wǎng)絡模糊推理系 統(tǒng)對時間序列進行適應性訓練，建立了適用于復雜電力系統(tǒng)的中長期預測模型 （Ghanbarian等，2007）。 國內(nèi)近幾年應用組合預測方法也十分盛行，盧奇等采用灰色預測、神經(jīng)網(wǎng)絡 及多元回歸方法建立了我國能源消費系統(tǒng)預測模型，應用該模型對我國未來 20 年的能源消費量進行了預測，結果表明，該模型可以作為我國未來能源消費量預 測的有效工具（盧

39、奇等，2003）。付加鋒等利用我國能源消費的歷史數(shù)據(jù)，采用 灰色預測的GM（1,1）、無偏GM（1,1）和pGM（1,1）三種模型與BP神經(jīng)網(wǎng)絡進行優(yōu) 化組合，建立了灰色神經(jīng)網(wǎng)絡的能源消費量組合預測模型， 結果顯示，組合預測 模型獲得了更為精確的預測效果（付加鋒等， 2006）。張麗峰采用變權重組合預 測的方法，將系統(tǒng)動力學模型、向量自回歸模型、灰色系統(tǒng)預測模型的預測結果 加以組合，構建了中國中長期能源供求預測模型（張麗峰， 2006）。熊浩云等根 據(jù)標準差法對神經(jīng)網(wǎng)絡和時間序列兩種方法的能源預測結果進行權重分配， 建立 我國能源消費的組合預測模型，對我國未來六年的能源消費進行了預測

40、（熊浩云 等，2010）。相較于單一方法，組合預測能夠達到比較理想的預測精度，目前在 能源需求預測研究中很有發(fā)展前景。 1.2.3 中國能源需求預測研究進展 在對我國未來能源需求進行預測的研究中，除了上述通過對國外流行的各種 模型單一使用或組合使用來進行預測外，國內(nèi)的研究重點主要集中在以下幾個方 面： 123.1 能源需求影響因素 國內(nèi)不少研究使用描述性統(tǒng)計、回歸分析以及各種因素分解法對我國能源消 費和能源強度的影響因素進行研 究。其中有大量針對我國近年來能源強度變化的 影響因素的研究，主要是將其影響因素分解為結構效應、 產(chǎn)出效應和技術效應等 因素。這些文獻的研究結論主要分為以下三大類

41、： （一） 結構因素主導 路正南的研究表明，產(chǎn)業(yè)結構的變動對能源效率改進產(chǎn)生了促進效應，對能 源事業(yè)的發(fā)展起著重要作用（路正南，1999）。張宗成等的研究顯示，1995年至 2000年產(chǎn)業(yè)結構是中國能源消費彈性低的主要原因，結構因素對能源消費彈性的 影響主要表現(xiàn)在兩個方面：第二產(chǎn)業(yè)能耗比重下降，一、三產(chǎn)業(yè)能耗比重增加； 第二產(chǎn)業(yè)中，高耗能的煤炭采選業(yè)、化學原料和制品制造業(yè)等行業(yè)能耗比重下降， 而低耗能的化學纖維制造業(yè)、電子及通信設備制造業(yè)等行業(yè)能耗比重上升。 除此 之外，文章還認為經(jīng)濟結構改革和能源結構變化也是影響我國能源消費彈性的主 要因素（張宗成等，2004）。魏楚等的研究表明，“退

42、二進三”為主要思路的產(chǎn)業(yè) 結構調(diào)整能夠在一定程度上改善能源效率，如果第二產(chǎn)業(yè)結構比重下降 1%,則 能源效率將提高0.14%~0.16%（魏楚等，2008）。胡宗義等的研究顯示，投資水 平、工業(yè)結構和能源消費結構是造成能源效率地區(qū)差異顯著的主要因素 （胡宗義 等，2011）。除此之外，還有一些研究也有類似的結論（蔣金荷， 2004；趙曉麗 等，2008）。 （二） 技術因素主導 王玉潛運用投入產(chǎn)出技術和統(tǒng)計因素分析方法，建立能源消耗強度的投入產(chǎn) 出模型和因素分析模型，初步解釋我國 1987~1997年能源消耗強度變動的原因， 模型計算結果表明，這10年我國各能源消耗強度的降低都是能源

43、技術進步的結 果。由于能源技術的進步，我國綜合能源消耗強度 10年累計下降39.1%，年均 下降4.8%。而這10年需求結構變動提高了各能源的消耗強度，但速度有放緩的 趨勢（王玉潛，2003）。 韓智勇等通過因素分解法將能源強度變化分解為結構因素和產(chǎn)業(yè)效率因素， 對1980年至2000年我國能源強度的變化因素進行了逐年和累計計算。 結果顯示 除1989年之外行業(yè)效率是導致我國能源強度下降的主因， 而1986年之后的大部 分年份中結構因素則是提高了能源強度，20年間結構因素的累計份額為-1.76%， 產(chǎn)業(yè)效率的累計份額為101.7%，其中第二產(chǎn)業(yè)效率提高貢獻最為突出（韓智勇 等，2004

44、）。 周鴻等使用能源使用效率（單位能耗產(chǎn)生的增加值）和產(chǎn)業(yè)能源消耗結構對 中國1993年至2002年工業(yè)能源消耗進行了分析。文章采用適用性加權迪氏因 素分解法（Adaptive Weighing Divisia，AWD）將工業(yè)能源消耗分解為產(chǎn)量效應、 強度效應（實際為效率效應）和結構效應，其中結構效應是工業(yè)內(nèi)部行業(yè)能源結 構效應。其結果顯示，1993年至2002年，中國工業(yè)能耗結構并沒得到優(yōu)化，工 業(yè)總能耗效率提高主要是由于工業(yè)中部分行業(yè)能耗效率提高所推動的（周鴻等， 2005）。 吳巧生等運用Laspeyres指數(shù)及其分解模型，對中國能源消耗強度進行分解， 并對其影響因素進行研究。研究結

45、果表明，1980年以來，中國能源使用效率雖 然有了很大的提高，但與發(fā)達國家相比，能源消耗強度仍然有很大的下降空間。 中國能源消耗強度下降主要是各產(chǎn)業(yè)能源使用效率提高的結果， 相對于效率份額, 結構份額對能源消耗強度的影響也少得多，除了少數(shù)年份外，產(chǎn)業(yè)結構的調(diào)整對 降低能源消耗強度的作用是負面的（吳巧生等， 2006）。 譚忠富等通過狀態(tài)空間模型、向量誤差修正模型估算出能源效率與其影響因 素之間的長期均衡和短期波動關系，在此基礎上利用脈沖響應函數(shù)和方差分解模 型就我國能源效率與其影響因素之間的動態(tài)關系作進一步分析。 結果表明，從長 期均衡關系來看，技術進步對能源效率的正面影響最大， 能源價

46、格和一些不可觀 測變量對能源效率有著促進作用，而經(jīng)濟結構和能源消費結構未能對能源效率起 推動作用（譚忠富等，2010）。 （三）階段型 還有一些研究認為改革開放以來我國能源強度下降的原因分析應該分階段 來分析。史丹將能源利用效率分為能源技術進步效率和能源經(jīng)濟效率， 并認為技 術進步效率可持續(xù)，而經(jīng)濟效率會逐漸消失。文章研究了對外開放、產(chǎn)業(yè)結構變 化和市場經(jīng)濟建立對能源強度的影響。 在對產(chǎn)業(yè)結構變化影響的部分，采用了結 構指數(shù)的研究方法，結果顯示1990年之前產(chǎn)業(yè)結構降低了能源強度，降低幅度 為12%； 1990年之后，產(chǎn)業(yè)結構則提高了能源強度，1990年至1995年最為突出, 提高

47、幅度達141.7%;累計計算，1980年至1999年，產(chǎn)業(yè)結構使得能源強度下降 51.2%。文章明確指出，盡管1990年前產(chǎn)業(yè)結構明顯降低了能源強度，并通過 其后續(xù)作用使得1980年至1999年能源強度下降，但1995年以后產(chǎn)業(yè)結構降低 能源強度的作用逐漸消失，能源強度下降的主要原因是各產(chǎn)業(yè)能源效率的提高， 因此應該區(qū)別對待（史丹，2002）。 周勇等的研究也得出類似的結論。其采用適應性迪氏分解法（ AWD ）考察 了我國1980年至2003年能源強度的變化，能源強度變化被看作為產(chǎn)業(yè)結構變化 和產(chǎn)業(yè)能源強度變化的結果，國民經(jīng)濟被分為農(nóng)業(yè)、工業(yè)、建筑業(yè)、交通、商業(yè) 和服務業(yè)六個產(chǎn)業(yè)部門。分析結

48、果顯示，1981年至1990年，產(chǎn)業(yè)結構和產(chǎn)業(yè)能 源強度均是導致能源強度下降的原因，而產(chǎn)業(yè)結構的貢獻更為突出，貢獻率為 58.1%； 1991年至2001年，能源強度下降全部是由產(chǎn)業(yè)能源強度下降造成的， 產(chǎn)業(yè)結構起到相反的作用；2002年至2003年，產(chǎn)業(yè)結構和產(chǎn)業(yè)能源強度均導致 能源強度上升，我國能源強度也表現(xiàn)為連續(xù)上升的趨勢。 文章將此歸結為產(chǎn)業(yè)結 構、投資增長和居民用能的增加（周勇等， 2006）。 比較階段分析型與技術因素主導型計算結果， 兩者描述的趨勢基本一致，至 于數(shù)值上的差異，主要在于他們所使用的方法略有不同以及行業(yè)分類層次不同。 因此，兩種觀點本質(zhì)不同在于技術因素主導型主要

49、關注累計效果， 而階段分析型 則明確指出應該分階段考慮。 另外，對我國能源需求總量影響因素的研究中， 也存在類似的分歧。錢永坤 等利用生產(chǎn)函數(shù)和假定成本最小化建立了能源需求函數(shù)并計算了能源需求量對 能源價格、資本價格、工資和產(chǎn)出水平的彈性以及各因素的變動對能源需求變動 的貢獻率。研究結果表明我國1993年以后能源需求價格彈性增加，但是能源需 求量變動的主要原因是 GDP增長和工資變動，并提出未來中國能源消費結構調(diào) 整、耗能產(chǎn)業(yè)調(diào)整等需求因素將決定能源工業(yè)的發(fā)展， 目前以能源供應為主導的 能源政策將會受到挑戰(zhàn)（錢永坤等，2003）。史丹等采用統(tǒng)計指數(shù)分析和回歸分 析兩種方法，對我國產(chǎn)業(yè)

50、結構變動對能源消費總量和能源消費結構的影響進行了 定量分析，得出了如下的結論：結構變動是能源消費的重要影響因素， 但由于各 產(chǎn)業(yè)的特點對不同的能源品種的需求，結構變動的影響程度和作用方向是不完全 一致的（史丹等，1999, 2003）。徐博等通過函數(shù)推導的方法證明了產(chǎn)業(yè)結構中第 一產(chǎn)業(yè)和工業(yè)比重的變化是影響我國能源消費的主要因素（徐博等， 2004）。郭 菊娥等利用通徑分析法分析了經(jīng)濟增長、人口、產(chǎn)業(yè)結構和能源消費結構與能源 需求之間的直接、間接關系和總的影響，結果表明經(jīng)濟增長、全國總人口、能源 消費結構是決定能源消費需求的主要因素（郭菊娥等， 2008）。揣小偉等將信息 嫡、均衡度和優(yōu)勢

51、度等數(shù)學方法引入能源領域?qū)θ司?GDP、第二產(chǎn)業(yè)產(chǎn)值比重、 第三產(chǎn)業(yè)產(chǎn)值比重、建筑業(yè)產(chǎn)值比重、交通運輸業(yè)產(chǎn)值比重、批發(fā)零售業(yè)產(chǎn)值比 重、研究與實驗經(jīng)費比重、專利申請授權數(shù)、科技活動人員數(shù)量9個影響因素對 能源消費結構的影響進行了主成分分析，研究結果表明：經(jīng)濟發(fā)展水平、技術進 步、產(chǎn)業(yè)結構對能源消費結構的影響至關重要（揣小偉等， 2009）。 因素分解法是我國學者研究能源強度和能源需求影響因素的重要手段， 但由 于該方法本身的局限性，如行業(yè)分類層次問題、時間跨度問題等，都可能使分析 結果產(chǎn)生一定的偏差。有學者認為，這些因素可能導致高估了技術進步因素，而 低估了結構因素，因此建議，采用一些方法

52、優(yōu)化因素分解法，對我國的能源消費 情況采取分段分析的方法是比較適宜的（吳濱等， 2007）。 1.2.3.2 地區(qū)能源消費預測 近年來，運用各種方法和模型對我國各省市地區(qū)進行能源消費預測也是這一 領域的研究重點之一。張峰等通過構建ARIMA（1,2,1）模型，對北京市2007~2015 年能源消費進行短期預測。預測結果表明，北京市未來能源消費呈加快增長態(tài)勢， 這對于北京市建設資源節(jié)約型和環(huán)境友好型城市的目標是一大挑戰(zhàn)（張峰等， 2008）。萬磊等以IPAT方程為理論基礎，建立能源效率模型，并以云南省 1990~2005年的GDP增長數(shù)據(jù)和能源消耗數(shù)據(jù)為依據(jù)，分三種情景，即當前模 式、“十一

53、五”規(guī)劃能耗目標和可持續(xù)發(fā)展能耗模式分別討論和計算了云南省 2010年、2020年的能源消耗量及能源生產(chǎn)率，結果表明，按照當前的能耗水平， 云南省無法順利完成“十一五”規(guī)劃的萬元GDP能耗約束性目標；為完成目標， 必須選擇合理的經(jīng)濟發(fā)展模式， 提高能源生產(chǎn)率水平，開展節(jié)能減排（萬磊等， 2009）。李艷軍等結合河南省能源需求的歷史數(shù) 據(jù)，利用格蘭杰因果關系定性地 分析了能源需求量和經(jīng)濟的關系，然后用GM（1,1 ）模型預測河南省2008~2015年 能源需求量，并提出河南省能源發(fā)展戰(zhàn)略（李艷軍等， 2009）。程靜等基于 1979~2006年廣東省能源消費總量數(shù)據(jù)，并根據(jù)建模要求對數(shù)據(jù)進行

54、處理 ,在此 基礎上利用時間序列相關理論及ARMA模型對廣東省未來能源需求量進行了相 關預測，并得出能源需求的模型。從檢驗結果來看，此模型誤差率低，預測效果 較好（程靜等，2010）。周揚等通過建立BP神經(jīng)網(wǎng)絡與灰色GM的優(yōu)化組合模 型，對江蘇省未來十五年煤炭和石油的需求量進行預測， 結果顯示組合模型的誤 差最?。ㄖ軗P等，2010）。聶銳等利用環(huán)境負荷模型（IPAT）與“脫鉤”理論， 對江蘇未來中長期的經(jīng)濟發(fā)展、能源需求與碳排放進行了情景分析，并結合當前 的環(huán)境政策，對三種情景下主要指標的參數(shù)和結果進行了設計與分析， 結果顯示， 與2007年相比，2030年能源需求總量將增加1.431倍

55、，未來二十年能源資源的 有效供應與合理利用成為制約該地區(qū)低碳經(jīng)濟發(fā)展的瓶頸因素（聶銳等，2010）。 相較于對我國進行能源預測分析的研究，著眼于地區(qū)能源預測的研究往往集 中在對中短期能源需求的預測。這主要是由于適合中短期預測的模型和方法精度 較高，便于為地區(qū)近期的經(jīng)濟社會發(fā)展規(guī)劃提供可操作性的建議。 1.2.3.3 中國能源預測模型 我國從20世紀80年代初期開始了對能源系統(tǒng)的研究，在理論方法和實際應 用上都取得了很大的進步，開始了國家級、地區(qū)級或部門級的能源模型的研究工 作，華中工學院國家能源摸型（HNEM ），華中工學院農(nóng)村能源模型（HREM）， 東北經(jīng)濟區(qū)經(jīng)濟發(fā)展與能源供需模型、甘

56、肅省能源模型系統(tǒng)、北京地區(qū)能源系規(guī) 劃模型、多地區(qū)能源系統(tǒng)供應模型等（清華大學核能技術研究所能源系統(tǒng)研究室， 1986），我國能源科學工作者提出建立的國家能源供型體系（CNEMS）以及國務 院經(jīng)濟技術社會發(fā)展研究中心提出的能源供應系統(tǒng)規(guī)劃與決策模型等都在建立 能源模型系統(tǒng)方面進行了可喜的嘗試。 姜克雋等人所在的國家發(fā)展和改革委員會能源研究所的研究團隊在長期的 能源系統(tǒng)分析研究過程中，通過多種國際國內(nèi)合作，開發(fā)構架了中國能源環(huán)境綜 合政策評價模型（IPAC模型）。這是一個包括多種方法論的多模型框架， 其中有 自上而下型的一般均衡模型（CGE模型），也有詳細描述分部門技術的自下而上 型模型，同

57、時還有介于兩者之間的部分均衡模型和動態(tài)經(jīng)濟學模型。 IPAC模型 組中的3個模型：IPAC-CGE模型、IPAC-AIM/技術模型和IPAC-Emission模型 的關聯(lián)如圖1.3所示。其中，IPAC-AIM/技術模型是專門針對中國地區(qū)的區(qū)域模 型，它包括3個子模型，即能源服務需求預測模型、能源效率估算模型和技術選 擇模型，是一個典型的自下而上的模型。能源需求部門分為工業(yè)、農(nóng)業(yè)、服務業(yè)、 民用和運輸部門，這些部門又被分為若干個子部門。 能源供應部門包括電力、石 油煉制、煤炭開采和洗選、煉焦、供熱等。目前模型中有 42個部門。能源需求 和供應雙方總共涉及到500多項技術，包括現(xiàn)有的及未來可能

58、利用的先進技術。 部門輸出服務（諸如鋼鐵產(chǎn)量）是主要的驅(qū)動因素。為了提供這些輸出服務，將 會相應挑選一批技術，然后使用這些技術估算出能源需求。模型以尋求費用最少 的混合技術為目標，滿足特定的能源服務需求。模型還可以模擬分析技術選擇、 技術進步、能源價格等方面的政策和對策效果。 這些技術用到的數(shù)據(jù)是從大量的 報告、刊物、出版物和對專家的咨詢采集而來，數(shù)據(jù)會隨著采集來的新資料不斷 更新。IPAC-Emission模型的目標是對中國和其他地區(qū)在全球環(huán)境下， 未來各種 長期溫室氣體排放趨勢下可能采取的政策措施進行評價。 在這個目標下，這個模 型是一個全球模型，根據(jù)國際上氣候變化的主要區(qū) 域，模型劃

59、分了 9個區(qū)一一美 國、西歐和加拿大、其他 OECD國家、東歐地區(qū)、中國、中東國家、其他亞洲 國家、非洲、南美洲。時間區(qū)間為1990-2100年，以分析長期的變化和可能的升 溫0 IPAC-CGE模型則是IPAC模型組中的經(jīng)濟模型，是一個一般均衡模型（CGE 模型），考慮各經(jīng)濟活動之間的影響與關聯(lián)，在 IPAC模型中主要進行各種能源 環(huán)境政策對經(jīng)濟影響的分析，同時可以進行中長期能源與環(huán)境情景分析。 IPAC-CGE模型中劃分38個部門，分別覆蓋能源部門、高耗能工業(yè)行業(yè)部門以 及主要經(jīng)濟部門等。姜克雋等利用IPAC模型對中國2050年前的能源需求和碳 排放情景進行了一系列預測，為當時的國家能源

60、發(fā)展戰(zhàn)略制定和氣候變化談判提 供了重要科學依據(jù)（姜克雋等，2007,2008,2009。 廠7球能源需求和供屜 [ 全球溫電氣休批坡 全球減排目標 排放分擔 能源進出 未來經(jīng)濟役展給構 高耗能打業(yè)發(fā)展 WE ill成本 能源價格 減H成本 能源系統(tǒng)模唱 IPAC-AIM/技術模型 X濟能源系統(tǒng)模屮 ]PAC-a；K 圖1.3 IPAC模型組中各模型的關聯(lián) 國內(nèi)學者建立的模型大多選擇已有模型進行耦合， 可以綜合多種模型的優(yōu)點。 在能源需求預測時往往著眼于中遠期預測，相對而言預測精度就受到了一定限制。 比如，姜克雋等人在其文章中對2020年和2030年低碳情景下我國能

61、源消費量的 預測分別在40億噸標準煤和45億噸標準煤以下，就目前的情況來看，2016年 我國能源消費總量已達43.6億噸標準煤，可見其預測結果存在一定程度的低估。 這表明，我國中長期能源需求模型仍需不斷改進， 以便為能源發(fā)展戰(zhàn)略制定提供 更為準確的數(shù)據(jù)支撐。 1.3 研究方案 1.3.1 研究目標 基于對前人的研究進行綜述發(fā)現(xiàn)，絕大多數(shù)研究并沒有明確時間尺度對于預 測模型和方法的選擇具有較大影響。 甚至有一些研究，對僅適用于短期預測的模型，忽視了其所用模型的基本原理和適用范圍，直接外推數(shù)十年，進行了所謂的 中長期預測。通常而言，短期預測（5年以內(nèi)）往往要求精度較高，因而我們可 以基于趨

62、勢外推的方法，在默認推動能源需求的內(nèi)部因素未發(fā)生重大改變的前提 下，選用適宜的能源模型進行模擬運算， 并對其預測結果加以組合，進一步提升 預測精度。而對于中長期預測（10年到數(shù)十年不等），則需要考慮相關因素在一 定時期內(nèi)發(fā)生了變化，并對能源需求施加了影響，因而應建立符合能源需求發(fā)展 規(guī)律的模型，基于不同的情景設置進行預測。 本研究力圖在綜合前人能源經(jīng)濟學、計量經(jīng)濟學、產(chǎn)業(yè)經(jīng)濟學等理論與研究 方法的基礎上，綜合運用各種定量預測方法，建立中國能源需求組合預測模型， 系統(tǒng)地、全面地對我國能源需求量分別進行短期和中長期預測。希望通過本文的 研究，對我國未來能源規(guī)劃提供科學依據(jù)。 1.3.2 研究內(nèi)

63、容 本研究主要包括以下幾方面的內(nèi)容： 一、對國內(nèi)外能源需求預測模型和相關 研究進行綜述，闡述當前研究已解決的問題和存在的不足； 二、通過選擇適用于 短期預測的單一模型進行組合，形成中國短期能源需求組合預測模型， 基于歷史 數(shù)據(jù)進行模擬，輸出短期預測結果；三、構建反映能源消費變化機理的中長期能 源需求預測模型，對我國未來中長期能源需求進行預測 ；四、分析預測結果，對 我國未來能源決策提出建議。 133 研究方法 鑒于綜述中不同模型和方法在短期和中長期預測中的優(yōu)勢地位不同， 且沒有 一種模型可以兼顧這兩種預測需求，因而本研究建議采取對短期預測和中長期預 測采取不同的組合預測模型進行模擬。

64、 本文在研究過程中，在綜合利用了計量經(jīng)濟學、能源經(jīng)濟學等多學科的理論 與研究方法的基礎上，針對短期預測和中長期預測的不同特性，分別構建了不同 的能源需求預測模型。在預測分析中，合理地將短期預測和中長期預測分開進行 探討，這樣一方面使我們對近期我國能源需求有更為準確的了解， 另一方面又能 使我們對長期能源需求形勢有宏觀上的把握，進而有助于為國家制定相關決策提 供更為科學的依據(jù)。 134 技術路線 i-提出 :、理-：：枉李 3.艇帕 J ，典.IM悄 5、斯折 圖1.4論文研究的技術路線

65、 第2章 中國能源消費的現(xiàn)狀分析 2.1 中國能源消費概況 根據(jù)英國石油公司（BP）的《世界能源統(tǒng)計年鑒2017》顯示，自2010年起， 中國已替代美國，成為世界上最大的能源消費國。 2016年中國的能源消費量占 全球消費總量的23%，超過整個北美地區(qū)的所占比重。2016年中國能源消費量 相比上年增長1.3%，增速不到過去十年平均水平 5.3%的四分之一，并且是1998 年以來的最低值，然而中國能源消費的凈增長量仍然占據(jù)全球凈增長的 27%0 化石能源中，消費增長最快的是天然氣，達 7.7%，煤炭消費占比由2015年 的63.7%降至2016年的62%，煤炭、石油、天

66、然氣三種化石能源的增長率均低 于其各自十年平均水平。與此同時，可再生能源消費全年增長 33.4%，使得中國 超越美國，成為全球最大的可再生能源消費國。其中，太陽能消費增長最快，達 71.5%，其次是風能和核能，分別為 29.4%和24.5%。盡管中國的能源消費結構 持續(xù)改進，現(xiàn)階段中國的能源消費形勢仍不容樂觀。本章擬從中國能源消費總量、 能源消費結構、分行業(yè)能源消費量、能源生產(chǎn)-能源消費-經(jīng)濟增長三者速率對比 幾個方面來描述中國能源消費的歷史和現(xiàn)狀。 2.1.1 中國能源消費總量 改革開放以來，隨著社會經(jīng)濟的快速發(fā)展，中國能源消費總量也持續(xù)上升。 根據(jù)《中國統(tǒng)計年鑒2017》顯示，1980-2015年，中國能源消費總量從60275萬 噸標準煤上升到429905萬噸標準煤，年平均增長率為 5.77% （圖2.1） o從圖2.1 中不難看出，不同時期中國能源消費總量的增速存在較大差異。 1980-1996年， 中國能源消費總量的增速較為平緩，基本維持在 2%-7%之間的水平，大部分年 份的增速在5%上下。1997、1998年由于受亞洲金融風暴的影響，能源消費增速 大減，幾乎零增