基于LMDI—ANN—DEA集成方法的我国能源消费评价与优化研究

刘畅+李承财

摘要：文章利用LMDI-ANN-DEA集成方法对1980—2014年我国能源消费进行了评价和预测，得到优化的节能潜力。LMDI模型的分解发现，我国能源消耗增加主要是由于经济迅速发展引起的，能源强度因素对能源消耗具有显著负向效应，经济结构对降低能耗的作用不明显。进一步利用ANN模型和DEA模型对我国能源消费及节能潜力进行预测和优化。得出结论，1980年以来，我国年平均可节约能源495万吨标准煤，尤其是2010—2014年间平均可节约的能源为1166万吨标准煤，可通过能源管理来深入挖掘这部分节能潜力。

关键词：LMDI；ANN；DEA；能源管理；节能潜力

中图分类号：F206 文献标志码：A 文章编号：1001-862X（2017）04-0077-006

一、引 言

近年来，我国经济迅猛发展。据统计，2014年我国的GDP总量为64万亿元，占全球GDP的12.3%，成为世界上第二个GDP突破10万亿美元的国家。（1）经济快速发展带来的是能源消费的快速增长，2014年我国能源消费总量为38.4亿吨标准煤，占世界总能源消费的21.5%。我国经济的迅速发展是由巨大的能源消费驱动的，因此也出现了一系列的问题。我国曾是世界上最大的煤炭出口国，占世界产量的一半，但从2011年起我国超过日本成为第一煤炭进口国。我国近年来虽一直努力减少碳排放，但年碳排放量已超过100亿吨，占世界的29%，是世界最大的碳排放国。这些数据都表明，我国虽在节能减排方面取得了一系列成就，但更进一步的节能减排工作仍势在必行。

为增强能源自主保障能力，推进能源消费革命，我国制定了《能源发展战略行动计划（2014—2020年）》。《行动计划》指出，应大力推进能源消费革命，严格控制能源消费过快增长，着力实施能效提升计划。因此，深入研究我国的节能潜力是非常有意义的。

很多学者从经济活动、结构与能源效率等视角研究能源消费的影响因素。[1]-[7]多数研究认为经济活动和经济结构对能源消耗有显著影响，而Gonzalez等（2015）对欧盟能源消耗的研究则发现，能耗减少最主要的驱动因素是能源强度的变化，经济结构变化的影响因素不甚明显。[8]一些学者从区域、行业等视角研究了我国的节能潜力。[9]-[11]然而，很少有学者从综合视角研究能源消耗的影响因素并测算节能潜力。Olanrewaju和Jimoh等（2012）运用一种集成方法（IDA-ANN-DEA）分析了加拿大15个工业行业的能源消费，通过对历史能耗数据进行计算和分析，预测和优化加拿大工业部门的能源效率，得到比单一利用IDA、ANN和DEA方法更令人满意的结果。[12]

促进能源节约可以有不同的策略，具体包括管理驱动的能源节约、技术推动的能源节约、通过政策与规章制度强制的能源节约等。其中，能源管理指为满足必要的能源需求所采取的策略，可以通过优化和规范高耗能的生产过程、降低单位产出的能源消费来实现，同时保持甚至降低生产总成本。通过分析历史数据，研究在不影响生产的情况下如何减少能源消耗是能源管理的一个重要方面。本文借鉴Olanrewaju和Jimoh等的方法，对我国六大产业部门的能源消费进行分析、预测和优化，以分析能源管理驱动的节能潜力，并為节能管理提供建议。

二、LMDI-ANN-DEA集成模型

（一）集成模型框架

本研究利用一个基于LMDI-ANN-DEA的集成方法，分析和优化我国各经济部门的能源消费驱动因素和能源效率。首先利用IDA（Index Decompose Analysis）和ANN（Artificial Neural Network）方法对我国各部门的历史能耗数据进行分析，找出影响能源消费的关键因素，并得到能源消耗预测值，然后利用DEA（Data Envelopment Analysis）方法对各部门的能源消费进行优化，通过敏感性分析计算我国能源管理驱动的节能潜力。

集成模型可以归纳为以下几步：

1.利用LMDI（Logarithmic Mean Divisia Index）分析我国能源消耗的影响因素，评价经济活动、经济结构和能源强度因素对各产业部门能源消费变化的贡献。

2.用ANN模型对能源消费进行训练，得到理论上的能源消费值，并验证ANN的预测结果。其中，以经济活动、经济结构和能源强度作为ANN的输入指标，以能源消费作为ANN的输出指标。

3.通过DEA模型对实际能耗与能源消费预测值进行优化评价，计算最优能源消耗值，得到我国能源管理驱动的节能潜力。

4.提出能源消费优化的建议。

（二）LMDI模型

利用LMDI模型研究影响能源消费的因素，需要了解各种潜在因素对于能源消费变化的贡献率。一般情况下，影响能源消费的主要因素有经济活动、经济结构和能源强度。假设Et代表第t年能源消费总量，Ei代表第i个部门的能源消费量，Q表示国内生产总值，Qi表示第i个部门的产值，Si为第i个部门的产业结构，Ii为第i个部门的能源强度。能源消耗的指数分解公式如式（1）所示：

（三）人工神经网络模型ANN

人工神经网络方法被广泛运用于能源需求预测。人工神经网络训练样本的过程是使得输出值和观测值之间的误差尽可能小，将目标函数设为使能源消费预测值和观测之间的均方差（MSE）最小的函数，如式（7）所示：

Yj是第j个神经元的输出值，f为激活函数，wij为低层第i个神经元到下一层第j个神经元的连接权重，xi是第i个神经元的输入值。学习的过程是通过误差反向传播机制对权重进行更新而完成的，？驻wpij（n）表示p层神经元第n次迭代连接神经元i和神经元j的突触权重的改变量，如式（9）：

其中，？浊（n）表示学习率，？浊越小，从一次迭代到下一次迭代的网络突触权值的变化量越小。在实际的学习过程中，？浊的选择非常重要，过大不稳定，过小收敛太慢，所以通过增加动量因子解决这一问题，突触权重更新过程如下：

？坠pj（n）是第p层第j个神经元的第n个误差，Xp-1j表示p-1层第i个神经元的输出信号，m表示动量因子，用来改变学习速率，提高网络性能。本文建立神经网络模型的目的是在给定经济活动、经济结构和能源强度不变前提下，通过训练得到一个理论上的能源消耗值，将理论上的能源消耗值和实际能耗值通过DEA进行敏感性分析得到节能潜力。

（四）数据包络分析模型（DEA）

DEA是一种非参数性的方法，由Charnes和Cooper（1978）提出，该方法通过计算产出和投入之间加权和之比，度量决策单元的投入产出效率，其特点是不需要考虑投入和产出之间的函数关系，也不需事先估计参数及设置任何权重，避免了主观因素的影响。

利用DEA模型进行敏感性分析，可以评价和测度能耗的节约潜力。将实际能源消费增加值作为输入，将ANN训练得到的能耗预测值作为输出，采用输入导向的CCR（Charnese-Coopere-Rhodes）模型，通过计算能源消费的效率来度量实际的节能潜力。CCR模型的效率分值反映可观察的能耗节约潜力。CCR模型如下：

其中，有m个输入，p个输出，？兹k是第k个DMU的输出导向效率值，？着是小于任何正数且大于零的数，s-ik和s+rk分别为输入和输出的松弛变量，都是大于零的，？姿j则代表第j个DMU的权重。

借鉴韩一杰和刘秀丽（2011）输入导向的超效率DEA模型进行敏感性分析，得到节能潜力，该模型是基于规模报酬不变假定的，具体如下：

min？兹k

在假定非效率DMU可以通过减少能耗成为效率DMU的基础上，通过敏感性分析可知，非效率DMU要成为效率DMU需要减少多少能源消耗，而需要减少的能源消耗即为节能潜力。

三、数据来源

为了对产业部门的能源消费影响因素进行深入分析，本文选取了1980—2014年我国农林牧渔水利业、工业、建筑业、交通运输业、批发零售业、其他行业六个部门的产值和能源消费数据，其中各部门产值以2000年不变价格进行平减。所有数据来源于《中国统计年鉴》和《中国能源统计年鉴》。中国的能源消耗一直处于快速增长的趋势，从1980年的60275万吨标准煤增长到2014年的425806万吨标准煤，增加了6倍，达到了世界能源消耗的20%，成为世界第一能源消费大国。从增长速率来说，1980—2002年间能源消费平均增长率只有4.5%，而2003年以来，由于中国经济的快速发展，2003—2014年间的能源消费平均增长率达到8.3%，比1980—2014年间扩大了一倍，尤其是2003—2007年间，能源消费平均增长率达到了12%。这些数据表明中国经济迅猛发展的同时产生了巨大的能源消耗。因此，研究中国能源消费的主导因素和其内涵的节能潜力是非常有必要的。

中国农林牧渔水利业、工业、建筑业、交通运输业、批发零售业、其他行业六个部门的单位产值能耗总体呈不断下降趋势。在这六个部门中，能源效率最低的是工业和交通运输业，批发零售业能源效率最高。近年来，工业部门能耗强度降低幅度很大，从1980年到2001年工业部门能耗强度下降了77%，而交通运输业下降了53%。从《京都议定书》签署以来，我国主动承担大国节能减排的责任，不管是節能技术还是能源利用效率都有很大的提高。工业部门从2002年起始单位产值能耗开始升高，但幅度不大，2005年以来单位产值能耗继续下降。而交通运输业单位产值能耗从2002年开始略微升高，然后趋于平稳。

四、结果分析

（一）LMDI分析

将1980年到2014年我国六部门能源消费状况通过LMDI乘法形式分解为经济活动、经济结构、能源强度三种因素，表1是分解后的结果。从表1可以看出，三十多年来，我国能源消费增加的驱动因素主要是由于经济活动的影响，经济活动对能源消费增加的贡献度为155.9%。这与我国目前的国情十分相符，我国自从改革开放以来，经济始终处于高速发展态势，而经济的快速发展必然伴随着能耗的迅速增长。

经济结构因素对能源消费的影响总体为正向影响，贡献度为13.62%，仅在1980—1983年、1989—1990年、2005—2009年、2011—2012年、2013—2014年，经济结构因素对能源消费产生负向影响，这表明我国的能源消费受经济结构影响较大，加快发展低耗能的产业将促进能耗下降。但与经济活动因素相比，经济结构因素对能源消费的影响较弱，与朱永彬等（2013）的研究结论相符。

从表1可以看出，除了1988—1989年、2001—2004年和2012—2013年外，能源强度对能源消费的影响为负，其贡献度为69.55%。也就是说，能源强度下降是促进能源消费下降的主要因素。近年来，我国正在改变以往的粗放式经济发展方式，注重经济发展的质量，并出台一系列政策法规降低各部门能源消费，而各部门考虑自身长期发展，大力实施节能技术，从而使得能源效率不断提高，能源强度不断降低。

（二）能源消费预测分析

本文以LMDI分解得来的经济活动、经济结构、能源强度作为神经网络的输入，以实际能源消费作为输出，利用反向传播算法对神经网络进行训练。通过不断地训练比较最终选择了最优隐层神经元为5个。如图1所示，这样就构建了一个由经济活动、经济结构、能源强度三个输入神经元，五个隐层神经元，能源消费为输出神经元的人工神经网络模型。通过比较选择了学习速率为0.3，动量因子为0.2，得到了1980年到2014年理论上的能源消耗值，结果如图2所示。从图2可以看出，由训练的神经网络得到的能源消费预测值与实际值拟合较好。

对图2中能源消费实际值和预测值进行回归分析，以确定预测的准确性。建立回归方程y = ax + b，以实际能源消费作为自变量x，以神经网络的预测能耗作为因变量y，用OLS进行回归分析，得出a的值为0.9997，R2值为0.9999。由此得知，实际能源消费值和预测值之间存在很强的相关性，表明训练得到的神经网络模型有较好的预测能力，可以得到理论上的能源消费值。

（三）能源消耗改进效率分析

为研究能源消费的改进效率，本文选用输入导向的CCR模型进行分析，以能源消费的实际值作为输入，以能耗理论值作为输出，分析结果见表2。从表2可以看出，能耗改进效率的最优年份是1991年，将其作为生产前沿面，其他年份能源消费与其进行比较得到每个年份的相对改进效率。

通过比较得知，效率最低年份1999年，其能耗改进效率为0.995%，在经济活动、经济结构和能源强度相对不变的情况下，究其低效的原因是由于能源管理不善造成的。这就为企业通过加强能源管理提高能源效率，降低能源消耗提供了依据。

通过敏感性分析，使非效率年份成为效率年份，即可得出各年的节能潜力。图3为1980年到 2014年各年间可提高的节能潜力，从图3可以看出，节能潜力最高的年份为1999年，其节能潜力为0.551%，其次是2010年、1998年和2014年；除了最优年份1991年，节能潜力最低的年份为2007年，其节能潜力为0.231%。进一步计算出1980—2014年各年间可节约的能耗值，如图4。可以看出，从1980年以来，可节约的能耗值是不断提高的，到2014年可节约的能耗为1456万吨标准煤，尤其是2010—2014年间平均可节约的能耗值为1166万吨标准煤。在经济活动、经济结构和能源强度相对不变的条件下，这部分节能潜力主要来自于能源管理，可通过进一步的能源管理提高能源效率、降低能源消耗。

五、结 论

本文采用Olanrewaju等人提出的LDMI-ANN-DEA集成方法，对1980—2014年间我国六个产业部门的能源消费情况进行了分析和评价，并测算了节能潜力。

研究发现，我国能源消耗的增加主要是由于经济迅速发展引起的，即由经济活动因素驱动的，经济活动对能源消耗增加的贡献度为155.9%，经济结构因素对我国能源消耗影响较小，约为13.62%，而能源强度因素对我国能源消耗的贡献度为69.55%。DEA模型分析表明，能耗改进效率最低年份1999年，为0.995%，最优年份是1991年。通过敏感性分析，得出1999年的节能潜力最高，为0.531%。从1980年以来，可节约的能耗值不断升高，2014年可节约的能耗为1455.53万吨标准煤。35年间平均可节约495万吨标准煤，尤其是2010—2014年间平均可节约的能耗值为1166万吨标准煤，这部分潜力来自于能源管理的不足。

我国节能的主要方式是通过改进技术或者调整产业结构进行节能，对于能源管理驱动的节能方式重视不够。有效地进行管理节能不仅会提高各部门能源效率，还会带来很大的经济效益。本文的研究表明，工业、农业、建筑等生产部门可以通过优化和规范高耗能的生产过程、降低单位产出的能源需求来实现管理节能，商业部门通过加强服务过程的能源管理实现节能。因此，相关部门应该加强能源管理节能，加强能源管理的公共服务、政策引导和监管；根据国家能源管理体系认证的要求，切实建立能源管理制度和能源管理体系，严格按照要求进行实施。

注释：

（1）本文数据都来自于中经网、中国环保部网站、Global Carbon Project网站、《中国统计年鉴》（2003—2013）、《中国能源统计年鉴》（2003—2013）和《BP世界能源统计2014》

参考文献：

[1]曾胜，黄登仕.中国能源消费、经济增长与能源效率——基于 1980—2007 年的实证 [J].数量经济技术经济研究，2009， （8）：17-28.

[2]张伟，朱启贵.基于LMDI的我国工业能源强度变动的因素分解——对我国1994—2007年工业部门数据的实证分析[J].管理评论，2012，24（9） ：28-36.

[3]朱永彬，刘昌新，王铮，史雅娟.我国产业结构演变趋势及其减排潜力分析[J].中国软科学，2013，（2）：35-42.

[4]关伟，许淑婷.辽宁省能源效率与产业结构的空间特征及耦合关系[J].地理学报，2014，69（4） ：520-530.

[5]Ma，C.A multi-fuel，multi-sector and multi-region approach to index decomposition：An application to China's energy consumption 1995–2010[J].Energy Economics，2014，42：9-16.

[6]Wang，W.，Liu，X.，Zhang，M.，& Song，X.Using a new generalized LMDI （logarithmic mean Divisia index） method to analyze China's energy consumption[J].Energy，2014，67：617-622.

[7]Bi，G.-B.，Song，W.，Zhou，P.，Liang，L.Does environmental regulation affect energy efficiency in Chinas thermal power generation？Empirical evidence from a slacks-based DEA model[J].Energy policy，2014，66：537-546.

[8]Gonzalez，P.F.n.Exploring energy efficiency in several European countries.An attribution analysis of the Divisia structural change index[J].Applied Energy，2015，137：364-374.

[9]韓一杰，刘秀丽.基于超效率 DEA 模型的中国各地区钢铁行业能源效率及节能减排潜力分析[J].系统科学与数学，2011，31（3）：287-298.

[10]余泳泽.我国节能减排潜力，治理效率与实施路径研究[J].中国工业经济，2011，（5）：58-68.

[11]王腊芳，段文静，赖明勇，等.中国制造业节能潜力的区域及行业差异[J].地理研究，2015，（1）：11.

[12]Olanrewaju，O.，Jimoh，A.，& Kholopane，P.Integrated IDA-ANN-DEA for assessment and optimization of energy consumption in industrial sectors[J].Energy，2012，46（1），629-635.

（责任编辑 吴晓妹）