中国能源消费预测分析

朱文辉+宋锋华

摘 要： 基于1978—2012年中国能源消费的历史数据，ARIMA模型得以建立。通过对模型的分析，可以发现，该模型是具有有效性的，因此，该模型可以对中国第“十二五规划”末期2013—2015年的能源消费进行预测。预测结果显示：按当前的能源消耗速度，未来几年，我国的能源消费总量将继续以年均约8.7%的速度增长，从而进一步增加了我国的能源压力。

关键词： 中国；能源消费；ARIMA模型；预测

中图分类号：F224；F206 文献标识码：A 文章编号：2095-0829（2014）05-0041-07

一、引言

近十年来，年均增长率9.5%的我国经济赢得了令世界瞩目的成就，但高增长的经济背后伴随着能源需求的迅速增长以及能源供需缺口的大幅扩大。能源是一个国家国民经济发展的重要物质基础，也是提高人民生活水平的重要物质基础，上世纪90年代能源缺口曾经长期制约着我国经济的发展。[1]35近几年由于我国能源产量迅速增加，能源短缺现象在一定程度上虽然得到了缓解，但从长远来看能源供需形势仍然非常不容乐观。[2]12以原油的供需为例，新世纪以来，我国石油产量年均增长率只有1.5%，但石油消费增长率稳定保持在7.5%以上，由此形成了石油供需的巨大缺口，这种巨大缺口使得我国对石油进口的依存度连年扩大。近十年来，伴随着经济的迅速增长，石油净进口大幅攀升以致于我国在世界主要石油消费国中的名次上升到了第二位，仅次于美国。可是我国目前面临的石油后备供应能力已经严重不足，同时全球石油供应渠道受地缘政治紧张局势（南海冲突、美国重组亚太地区等等）影响，我国未来的能源基础能否继续支撑今后社会经济可持续发展，已经成为国内外众多学者关注的焦点。因此对未来能源消费需求进行预测分析，并在此基础上对国家未来能源需求、能源供给的规划提供政策性建议，对于保障我国社会主义市场经济的健康、平稳发展具有重要的理论和现实意义。

当前国内外许多学者和机构已经对能源消费问题进行广泛研究，并取得了许多研究成果，其中一个焦点就是对能源消费预测。就此问题他们运用了各种不同研究方法，例如能源消费系数法、洛伦茨曲线分析法、变量自回归、部门分析法等等[3]3。但是这些方法大多停留在探究能源或非能源引起的经济现象如何进行量化，然后就这些变量如何对能源消费产生影响进行分析。模型上主要体现在试图建立起与能源消费需求之间的因果关系和结构关系，然后根据这些关系来预测能源需求的一些相关关系，但是由于能源消费往往受到各个方面因素的制约，而这些因素的关系又是错综复杂的，相关因素变动也是不确定的，因此运用因果关系模型或结构比例关系预测能源需求基本很难有说服力。如果选择预测模型的标准是追求预测精度的极大化，则最好选择时间序列模型。[4]57-65本文拟采用时间序列模型（ARIMA模型）对能源消费进行预测，该模型是一种精度较高的时间序列短期预测模型，由于时间序列模型的结构与特征，使得模型能够达到最小方差意义下的最优预测。[5]106-108

二、研究方法、数据样本与变量设定

（一） 研究方法

1.自相关理论

我们把按时间（如时间序列数据）或者空间（如截面数据）排列的观察值之间的相关关系称为自相关。

在古典线性回归模型中假定随机扰动项ui不存在自相关，即，这一假定意味着任意一个观察值的随机扰动项不受其他观察值扰动项的影响。残差中存在自相关现象说明拟合不足，解释变量没有提取被解释变量中所有特性，通常用DW统计量来判断模型是否存在自相关，计算公式见（1），当DW统计量值在2附近时，我们称模型里解释变量不存在自相关，DW值越靠近2，模型解释力度越好。

（1）

2. 时间序列平稳性检验

我们把满足以下两个条件的时间序列称为平稳的时间序列。

1）对于任意的时间t， {Xt}的均值恒为常数，即；

2）对于时间t1和t2，{Xt}的协方差函数和自相关函数只与时间长度t2-t1有关，而与t1和t2的起始点无关。

从上述两个条件可以看出，平稳的时间序列的统计性质不会随着时间的推移而发生变化。

对时间序列的平稳性检验主要有两种方法：一种是图检验方法，即根据时间序列散点图和自相关散点图显示的波动特征做出判断；另一种是假设检验方法，即构造检验统计量。最常用的平稳性检验方法是构造统计量进行单位根检验，其基本原理为：

对于一阶自回归序列模型为

该序列的特征方程为：，特征根为：

当特征根，说明该序列平稳；当特征根，说明该序列非平稳。

3. ARIMA模型理论

上世纪70年数理统计学家BOX和Jenkins以随机理论为基础提出了有效用于分析时间序列ARIMA模型的方法，该方法由于广泛运用，后来我们把ARIMA模型又称为“Box-Jenkins模型”，该模型在经济领域主要被广泛运用于预测分析。所谓时间序列是指其变化值是随时间t变动的一组随机变量，构成时间序列的单个值虽然带有不确定性，但时间序列的变化却呈现出一定的规律性，因此我们可以借数学模型来粗略地描述这种规律。ARIMA模型有三种基本类型：自回归模型、移动平均模型和自回归移动平均模型

1）一般的P阶自回归过程AR（p）定义为

（2）

其中， 是自回归参数；指干扰项，是白噪声过程。

2）一般的q阶的移动平均过程MA（q）定义为

（3）

其中，是回归参数；是干扰性，属于白噪声过程。

3）将AR（p）与MA（q）结合，即一般自回归移动平均过程即ARMA（p，q）定义为

（4）

公式（4）表明：一个随机时间序列可以通过其自身的过去值或滞后值以及随机扰动项等随机变量来解释。如果该序列的行为并不会随着时间的推移而变化即具有稳定性，那么我们简单地可以通过该序列的过去值来预测其未来值的变化，这也正是ARIMA模型的优势所在。

如果时间序列数据不平稳，即存在单位根的过程，需要将非平稳时间序列转换为平稳时间序列，然后再建立以上模型，存在d个单位根就叫做d阶单整，即I（d），一般需要d阶差分转换，这个过程就是ARIMA模型过程。

（二）数据样本与变量设定

为建立合理的ARIMA模型，本文从国家统计局获得了1978—2012年间35年的中国能源消费历史数据见表1，将其作为样本观察值，其序列变化规律见图1。本文把该时间序列命名为ec，即取能源消费英文首字母energy cost之意。为减小序列波动性，对该序列取对数处理，并将取对数后的时间序列命名为lec，即log（ec）的含义。在样本观察值的基础上检验时间序列数据平稳性，结果发现序列非平稳即序列存在异方差。为了消除时间序列的异方差，对该序列作差分处理。经ADF检验验证该时间序列lec是二阶单整的，可建立ARIMA（p，2，q）模型。将二阶差分后平稳的时间序列命名为d2lec，把一阶差分的时间序列命名为dlec即之意，显然d2lec即表示2次含义。建立起ARIMA模型以后，为验证ARIMA适用性，需要对模型残差e进行平稳性检验，如果e是平稳的，则说明模型可以进行有效预测。如果残差e不平稳，则需要重新估计模型。

从样本中可以知道1978—2012年间中国能源消费呈递增趋势，年平均增长率达5.706%，再次验证了改革开放以来我国能源消费快速增长的现实。

表6结果进一步说明了模型的准确性，除了2010年误差百分比超过2%外，其余的都小于2%，其中2011年和2012年预测误差百分比甚至小于1%，五年间预测平均误差百分比仅为1.439 6%。更能说明模型具有较高的预测价值，然后利用该模型预测2013年中国能源消费86 559百万吨标准煤，2014年和2015年中国能源消费分别是412 492百万吨标准煤、440 165百万吨标准煤。

四、结论和政策建议

综上分析，将中国历年能源消费数据与模型预测数值进行比较，发现运用ARIMA模型对我国能源消费进行预测的准确率高达98%。同时通过对预测数据的残差序列进行单根检验，残差具有平稳性，进一步说明预测模型稳定性好，实现了对能源消费预测平稳性好、准确性高的目的。

同时根据我们的预测结果表明，按当前的能源消耗速度，未来几年，我国的能源消费总量将继续以年均约8.7%的速度增长，而国内能源供给已经严重不足，能源进口增加将使得我国经济对世界其他经济体依赖程度加大，这必然是不利的趋势。因此，一定要采取相应措施降低能源消费量和保证能源供给，面对目前状况提出以下建议：

1.节约能源消耗。应深化节能经济发展战略思路，这不仅要求各级政府严格落实2010年以来国家节能减排政策，更应该在日常工作生活中把能源节约作为工作重点。企业应规范能源消耗管理，革新投入产出技术手段，提高节能率，真正将节能措施落实到日常生活、工作生产中去。

2.调整能源消费结构。进一步优化能源需求结构，改变当前能源消费中煤炭能源消费所占比重独大而其他能源消费比重偏小的不合理结构，并发展可持续、地区间能源供需趋向平衡的能源消费结构。

3.增加新能源供给产量。实行开发新能源发展战略，加大可开发再生能源的投资力度，充分开发利用太阳能、潮汐能、生物能以及垃圾能源。

参考文献：

[1]成升魁，沈镭，徐增让.2010中国资源报告——资源流动：格局、效应与对策[M].北京：科学出版社， 2011.

[2]李文彦.21世纪前期我国能源战略的若干问题[J].经济地理，2000（1）.

[3]卢二坡.组合模型在我国能源需求预测中的应用[J].数理统计与管理，2006（5）.

[4]徐国祥.统计预测与决策[M].上海：上海财经大学出版社，1998.

[5]易丹辉.数据分析与eviews应用[M].北京：中国统计出版社，2005.

1）一般的P阶自回归过程AR（p）定义为

（2）

其中， 是自回归参数；指干扰项，是白噪声过程。

2）一般的q阶的移动平均过程MA（q）定义为

（3）

其中，是回归参数；是干扰性，属于白噪声过程。

3）将AR（p）与MA（q）结合，即一般自回归移动平均过程即ARMA（p，q）定义为

（4）

公式（4）表明：一个随机时间序列可以通过其自身的过去值或滞后值以及随机扰动项等随机变量来解释。如果该序列的行为并不会随着时间的推移而变化即具有稳定性，那么我们简单地可以通过该序列的过去值来预测其未来值的变化，这也正是ARIMA模型的优势所在。

如果时间序列数据不平稳，即存在单位根的过程，需要将非平稳时间序列转换为平稳时间序列，然后再建立以上模型，存在d个单位根就叫做d阶单整，即I（d），一般需要d阶差分转换，这个过程就是ARIMA模型过程。

（二）数据样本与变量设定

为建立合理的ARIMA模型，本文从国家统计局获得了1978—2012年间35年的中国能源消费历史数据见表1，将其作为样本观察值，其序列变化规律见图1。本文把该时间序列命名为ec，即取能源消费英文首字母energy cost之意。为减小序列波动性，对该序列取对数处理，并将取对数后的时间序列命名为lec，即log（ec）的含义。在样本观察值的基础上检验时间序列数据平稳性，结果发现序列非平稳即序列存在异方差。为了消除时间序列的异方差，对该序列作差分处理。经ADF检验验证该时间序列lec是二阶单整的，可建立ARIMA（p，2，q）模型。将二阶差分后平稳的时间序列命名为d2lec，把一阶差分的时间序列命名为dlec即之意，显然d2lec即表示2次含义。建立起ARIMA模型以后，为验证ARIMA适用性，需要对模型残差e进行平稳性检验，如果e是平稳的，则说明模型可以进行有效预测。如果残差e不平稳，则需要重新估计模型。

从样本中可以知道1978—2012年间中国能源消费呈递增趋势，年平均增长率达5.706%，再次验证了改革开放以来我国能源消费快速增长的现实。

表6结果进一步说明了模型的准确性，除了2010年误差百分比超过2%外，其余的都小于2%，其中2011年和2012年预测误差百分比甚至小于1%，五年间预测平均误差百分比仅为1.439 6%。更能说明模型具有较高的预测价值，然后利用该模型预测2013年中国能源消费86 559百万吨标准煤，2014年和2015年中国能源消费分别是412 492百万吨标准煤、440 165百万吨标准煤。

四、结论和政策建议

综上分析，将中国历年能源消费数据与模型预测数值进行比较，发现运用ARIMA模型对我国能源消费进行预测的准确率高达98%。同时通过对预测数据的残差序列进行单根检验，残差具有平稳性，进一步说明预测模型稳定性好，实现了对能源消费预测平稳性好、准确性高的目的。

同时根据我们的预测结果表明，按当前的能源消耗速度，未来几年，我国的能源消费总量将继续以年均约8.7%的速度增长，而国内能源供给已经严重不足，能源进口增加将使得我国经济对世界其他经济体依赖程度加大，这必然是不利的趋势。因此，一定要采取相应措施降低能源消费量和保证能源供给，面对目前状况提出以下建议：

1.节约能源消耗。应深化节能经济发展战略思路，这不仅要求各级政府严格落实2010年以来国家节能减排政策，更应该在日常工作生活中把能源节约作为工作重点。企业应规范能源消耗管理，革新投入产出技术手段，提高节能率，真正将节能措施落实到日常生活、工作生产中去。

2.调整能源消费结构。进一步优化能源需求结构，改变当前能源消费中煤炭能源消费所占比重独大而其他能源消费比重偏小的不合理结构，并发展可持续、地区间能源供需趋向平衡的能源消费结构。

3.增加新能源供给产量。实行开发新能源发展战略，加大可开发再生能源的投资力度，充分开发利用太阳能、潮汐能、生物能以及垃圾能源。

参考文献：

[1]成升魁，沈镭，徐增让.2010中国资源报告——资源流动：格局、效应与对策[M].北京：科学出版社， 2011.

[2]李文彦.21世纪前期我国能源战略的若干问题[J].经济地理，2000（1）.

[3]卢二坡.组合模型在我国能源需求预测中的应用[J].数理统计与管理，2006（5）.

[4]徐国祥.统计预测与决策[M].上海：上海财经大学出版社，1998.

[5]易丹辉.数据分析与eviews应用[M].北京：中国统计出版社，2005.

1）一般的P阶自回归过程AR（p）定义为

（2）

其中， 是自回归参数；指干扰项，是白噪声过程。

2）一般的q阶的移动平均过程MA（q）定义为

（3）

其中，是回归参数；是干扰性，属于白噪声过程。

3）将AR（p）与MA（q）结合，即一般自回归移动平均过程即ARMA（p，q）定义为

（4）

公式（4）表明：一个随机时间序列可以通过其自身的过去值或滞后值以及随机扰动项等随机变量来解释。如果该序列的行为并不会随着时间的推移而变化即具有稳定性，那么我们简单地可以通过该序列的过去值来预测其未来值的变化，这也正是ARIMA模型的优势所在。

如果时间序列数据不平稳，即存在单位根的过程，需要将非平稳时间序列转换为平稳时间序列，然后再建立以上模型，存在d个单位根就叫做d阶单整，即I（d），一般需要d阶差分转换，这个过程就是ARIMA模型过程。

（二）数据样本与变量设定

为建立合理的ARIMA模型，本文从国家统计局获得了1978—2012年间35年的中国能源消费历史数据见表1，将其作为样本观察值，其序列变化规律见图1。本文把该时间序列命名为ec，即取能源消费英文首字母energy cost之意。为减小序列波动性，对该序列取对数处理，并将取对数后的时间序列命名为lec，即log（ec）的含义。在样本观察值的基础上检验时间序列数据平稳性，结果发现序列非平稳即序列存在异方差。为了消除时间序列的异方差，对该序列作差分处理。经ADF检验验证该时间序列lec是二阶单整的，可建立ARIMA（p，2，q）模型。将二阶差分后平稳的时间序列命名为d2lec，把一阶差分的时间序列命名为dlec即之意，显然d2lec即表示2次含义。建立起ARIMA模型以后，为验证ARIMA适用性，需要对模型残差e进行平稳性检验，如果e是平稳的，则说明模型可以进行有效预测。如果残差e不平稳，则需要重新估计模型。

从样本中可以知道1978—2012年间中国能源消费呈递增趋势，年平均增长率达5.706%，再次验证了改革开放以来我国能源消费快速增长的现实。

表6结果进一步说明了模型的准确性，除了2010年误差百分比超过2%外，其余的都小于2%，其中2011年和2012年预测误差百分比甚至小于1%，五年间预测平均误差百分比仅为1.439 6%。更能说明模型具有较高的预测价值，然后利用该模型预测2013年中国能源消费86 559百万吨标准煤，2014年和2015年中国能源消费分别是412 492百万吨标准煤、440 165百万吨标准煤。

四、结论和政策建议

综上分析，将中国历年能源消费数据与模型预测数值进行比较，发现运用ARIMA模型对我国能源消费进行预测的准确率高达98%。同时通过对预测数据的残差序列进行单根检验，残差具有平稳性，进一步说明预测模型稳定性好，实现了对能源消费预测平稳性好、准确性高的目的。

同时根据我们的预测结果表明，按当前的能源消耗速度，未来几年，我国的能源消费总量将继续以年均约8.7%的速度增长，而国内能源供给已经严重不足，能源进口增加将使得我国经济对世界其他经济体依赖程度加大，这必然是不利的趋势。因此，一定要采取相应措施降低能源消费量和保证能源供给，面对目前状况提出以下建议：

1.节约能源消耗。应深化节能经济发展战略思路，这不仅要求各级政府严格落实2010年以来国家节能减排政策，更应该在日常工作生活中把能源节约作为工作重点。企业应规范能源消耗管理，革新投入产出技术手段，提高节能率，真正将节能措施落实到日常生活、工作生产中去。

2.调整能源消费结构。进一步优化能源需求结构，改变当前能源消费中煤炭能源消费所占比重独大而其他能源消费比重偏小的不合理结构，并发展可持续、地区间能源供需趋向平衡的能源消费结构。

3.增加新能源供给产量。实行开发新能源发展战略，加大可开发再生能源的投资力度，充分开发利用太阳能、潮汐能、生物能以及垃圾能源。

参考文献：

[1]成升魁，沈镭，徐增让.2010中国资源报告——资源流动：格局、效应与对策[M].北京：科学出版社， 2011.

[2]李文彦.21世纪前期我国能源战略的若干问题[J].经济地理，2000（1）.

[3]卢二坡.组合模型在我国能源需求预测中的应用[J].数理统计与管理，2006（5）.

[4]徐国祥.统计预测与决策[M].上海：上海财经大学出版社，1998.

[5]易丹辉.数据分析与eviews应用[M].北京：中国统计出版社，2005.