樊正中　鄒杰龍

摘要：能源消費(fèi)與GDP關(guān)系密切。文章利用我國(guó)煤炭能源消費(fèi)和GDP的歷史數(shù)據(jù)，采用線性回歸分析、灰色預(yù)測(cè)模型和神經(jīng)網(wǎng)絡(luò)模型進(jìn)行組合優(yōu)化，建立了能源消費(fèi)與GDP關(guān)系的組合預(yù)測(cè)模型。實(shí)證分析結(jié)果表明預(yù)測(cè)值和實(shí)際結(jié)果有很好的一致性，可以作為在給定GDP的前提下，預(yù)測(cè)能源消費(fèi)量的有效工具。這對(duì)于我國(guó)能源行業(yè)的生產(chǎn)和政府對(duì)能源政策的制定，都有重要的現(xiàn)實(shí)和指導(dǎo)意義。

關(guān)鍵詞：組合預(yù)測(cè)模型；GDP；能源消費(fèi)

中圖分類號(hào)：F426文獻(xiàn)標(biāo)識(shí)碼：A文章編號(hào)：1009-2374（2012）24-0005-03

1概述

煤炭是我國(guó)的基礎(chǔ)能源，在國(guó)民經(jīng)濟(jì)中占有重要的地位，在我國(guó)一次能源消費(fèi)中的比重長(zhǎng)期高達(dá)70%左右。長(zhǎng)期以來(lái)，我國(guó)一直是世界第一大煤炭生產(chǎn)國(guó)和世界第二大電力生產(chǎn)國(guó)。在我國(guó)的經(jīng)濟(jì)發(fā)展中，煤炭的地位舉足輕重。十二五規(guī)劃以來(lái)，我國(guó)國(guó)民經(jīng)濟(jì)將會(huì)繼續(xù)快速發(fā)展，基礎(chǔ)設(shè)施建設(shè)步伐將會(huì)繼續(xù)加快。經(jīng)濟(jì)發(fā)展對(duì)能源尤其是煤炭的生產(chǎn)與消費(fèi)增長(zhǎng)顯著，因此對(duì)能源消費(fèi)和經(jīng)濟(jì)增長(zhǎng)之間關(guān)系的研究意義重大。

本文在對(duì)我國(guó)能源消費(fèi)進(jìn)行定性分析的基礎(chǔ)上，選用線性回歸分析、灰色預(yù)測(cè)模型和神經(jīng)網(wǎng)絡(luò)模型三種預(yù)測(cè)模型，采用了離異系數(shù)法以對(duì)各項(xiàng)預(yù)測(cè)模型賦予權(quán)重，從而實(shí)現(xiàn)組合預(yù)測(cè)模型的構(gòu)建，并對(duì)未來(lái)四年我國(guó)的能源需求進(jìn)行預(yù)測(cè)，以便為我國(guó)的能源政策提供數(shù)據(jù)支持和政策依據(jù)。

2單項(xiàng)預(yù)測(cè)模型

2.1回歸分析預(yù)測(cè)模型

回歸分析預(yù)測(cè)技術(shù)是一種通過(guò)分析確定兩種或兩種以上變量間相互依賴的定量關(guān)系，并依據(jù)這種關(guān)系進(jìn)行預(yù)測(cè)的方法，我國(guó)以煤炭為主要能源，因此煤炭消費(fèi)量與GDP之間存在著密切的關(guān)系。本文選擇以煤炭消費(fèi)量為被解釋變量Y，以GDP為解釋變量X，建立煤炭消費(fèi)量的線性回歸模型。首先統(tǒng)計(jì)了我國(guó)近十年來(lái)的GDP和煤炭消費(fèi)量數(shù)據(jù)，如表1、表2所示。通過(guò)作圖和直觀的分析顯示，隨著GDP的升高，煤炭消費(fèi)量逐年升高，該趨勢(shì)比較明顯穩(wěn)定。因此可以認(rèn)為，煤炭消費(fèi)量與GDP之間存在一定的線性關(guān)系。

采用最小二乘法對(duì)原煤消耗量與GDP的關(guān)系進(jìn)行分析，令方程為：，根據(jù)最小二乘法的計(jì)算方法，代入數(shù)據(jù)解得=0.628，=8.282，即所得方程為Y=8.282+0.628x。

2.2模糊分析預(yù)測(cè)模型

我們考慮一類常用的線性Fuzzy預(yù)測(cè)模型。Y=A+BX，其中，A和B均是Fuzzy數(shù)。由原始數(shù)據(jù)組，根據(jù)專家經(jīng)驗(yàn)產(chǎn)生模糊數(shù)據(jù)組。給定擬合度標(biāo)準(zhǔn)h0，求解，確定A，B。做出預(yù)測(cè)與決策。Fuzzy預(yù)測(cè)模型，對(duì)給定置信水平α做決策判斷。即求解：，即，可得y（α）。

2.3神經(jīng)系統(tǒng)分析預(yù)測(cè)模型

BP神經(jīng)網(wǎng)絡(luò)是一個(gè)非線性動(dòng)力學(xué)系統(tǒng)，BP算法的模型為前向多層網(wǎng)絡(luò)，采用三層BP神經(jīng)網(wǎng)絡(luò)，設(shè)輸入層含有m個(gè)節(jié)點(diǎn)，輸出層有1個(gè)節(jié)點(diǎn)，隱含層的神經(jīng)元個(gè)數(shù)為u?？紤]到各個(gè)輸入量之間大小上的差異及變化速度上的差異，各分量不能通過(guò)初值化、均值化算子實(shí)現(xiàn)無(wú)量綱化。歸一化公式為：

k=1，2，3，4，5i=0，1，2，…，9

這種無(wú)量綱化方法既解決了量綱和數(shù)值差別所引起的問(wèn)題，又不會(huì)改變各模型曲線的空間相對(duì)關(guān)系。在標(biāo)準(zhǔn)BP算法中步長(zhǎng)一般取0～1中的一個(gè)定值，步長(zhǎng)取值過(guò)大可加快學(xué)習(xí)速度，但有可能導(dǎo)致學(xué)習(xí)過(guò)程不收斂；若取值太小，則迭代次數(shù)明顯增加，導(dǎo)致學(xué)習(xí)速度十分緩慢?？紤]到樣本個(gè)數(shù)對(duì)誤差的直接影響，采用A=E/LA/LC，其中LA、LC分別為輸出神經(jīng)元個(gè)數(shù)和樣本個(gè)數(shù)，通過(guò)優(yōu)化步長(zhǎng)，使網(wǎng)絡(luò)取得較好效果。

2.4各模型的擬合結(jié)果與誤差

根據(jù)以上模型，結(jié)合表1、表2數(shù)據(jù)，求得各模型的擬合值與相對(duì)誤差，其數(shù)值如表3所示：

3組合預(yù)測(cè)模型

組合預(yù)測(cè)模型由Bates和Granger在20世紀(jì)60年代首次提出，因?yàn)槠浞椒ǖ目茖W(xué)合理性，該模型技術(shù)發(fā)展很快，組合預(yù)測(cè)模型的方法有很多優(yōu)勢(shì)，如可以克服單一模型的局限性，減少偶然誤差對(duì)預(yù)測(cè)結(jié)果的影響，大幅度提高預(yù)測(cè)的準(zhǔn)確性和合理性。

3.1模型的建立

假設(shè)對(duì)同一預(yù)測(cè)問(wèn)題，用N種不同的預(yù)測(cè)模型分別進(jìn)行預(yù)測(cè)，將這N個(gè)模型構(gòu)成組合預(yù)測(cè)模型為：

式中，為t時(shí)刻組合預(yù)測(cè)模型的預(yù)測(cè)值；為t時(shí)刻第i種預(yù)測(cè)模型的預(yù)測(cè)值；ki為組合預(yù)測(cè)模型的第i個(gè)模型的權(quán)重，且。

3.2最優(yōu)權(quán)重的計(jì)算方法

設(shè)被預(yù)測(cè)量為Y=（y1，y2，…，yp），其中yi（i=1，2，…，p）是Y的分解子項(xiàng)，如果有K個(gè)單一模型對(duì)Y進(jìn)行預(yù)測(cè)，則組合預(yù)測(cè)即是將這K個(gè)模型的預(yù)測(cè)值fi（i=1，2，…，k）組合成一個(gè)對(duì)的新的預(yù)測(cè)結(jié)果，即：

其中：，且

求解上述問(wèn)題得到的組合預(yù)測(cè)模型，降低了單項(xiàng)模型誤差較大點(diǎn)對(duì)組合預(yù)測(cè)模型的影響，穩(wěn)定性較強(qiáng)。結(jié)合實(shí)際數(shù)據(jù)，可求得ω1=0.230，ω2=0.338，ω3=0.432，即組合預(yù)測(cè)模型課表

示為：

Y=0.230y1+0.338y2+0.432y3

根據(jù)得到的組合預(yù)測(cè)模型，按GDP年均增長(zhǎng)8%計(jì)算，可預(yù)測(cè)未來(lái)四年我國(guó)的煤炭消費(fèi)量如下表所示：

4結(jié)語(yǔ)

我國(guó)經(jīng)濟(jì)持續(xù)快速發(fā)展，煤炭的消費(fèi)量呈現(xiàn)逐年升高的態(tài)勢(shì)。未來(lái)煤炭消費(fèi)量的準(zhǔn)確預(yù)測(cè)，對(duì)于確保我國(guó)的能源安全有巨大的指導(dǎo)意義。本文運(yùn)用組合預(yù)測(cè)模型，分析了GDP與能源消費(fèi)量的關(guān)系，通過(guò)對(duì)GDP的估計(jì)，預(yù)測(cè)得到未來(lái)四年的煤炭消費(fèi)量，該組合預(yù)測(cè)模型的預(yù)測(cè)平均相對(duì)誤差為0.380%，低于回歸分析預(yù)測(cè)模型的0.967%、模糊分析模型的0.754%、BP神經(jīng)網(wǎng)絡(luò)模型的0.513%，由此可見(jiàn)該預(yù)測(cè)模型預(yù)測(cè)精度更高，對(duì)于我國(guó)未來(lái)的能源需求的預(yù)測(cè)也更為準(zhǔn)確，具有更高的可

信度。

參考文獻(xiàn)

[1]華伯泉．經(jīng)濟(jì)預(yù)測(cè)的統(tǒng)計(jì)方法[M]．北京：中國(guó)統(tǒng)計(jì)出版社，1988．

[2]畢義明，李景文，王蓮芬．模糊預(yù)測(cè)模型[J]．系統(tǒng)工程與電子技術(shù)，1992，（1）．

[3]陳明．神經(jīng)網(wǎng)絡(luò)模型[M]．大連：大連理工大學(xué)出版社，1995．

[4]ANDERSN J A. An Introduction to Neural Networks[M].London:MIT Press，1995．

[5]鄧聚龍．灰色系統(tǒng)：社會(huì)·經(jīng)濟(jì)[M]．北京：國(guó)防工業(yè)出版社，1985．

[6]任少飛，馮華．中國(guó)經(jīng)濟(jì)增長(zhǎng)與煤炭消費(fèi)結(jié)構(gòu)的關(guān)系[J]．財(cái)經(jīng)科學(xué)，2006，12（225）：108-114．

[7]武普照，李廣泳．中國(guó)煤炭消費(fèi)與經(jīng)濟(jì)增長(zhǎng)的關(guān)系研究

[J]．山東師范大學(xué)學(xué)報(bào)（自然科學(xué)版），2008，23（1）：140-142．

[8]蘇澤雄．中國(guó)能源需求建模與實(shí)證分析[D]．福州大學(xué)，2002．

[9]王立杰，孫繼湖．基于灰色系統(tǒng)理論的煤炭需求預(yù)測(cè)模型[J]．煤炭學(xué)報(bào)，2002，（6）：333-336．

[10]BATESJM，GRANGERCWJ.Combination offorecasts[J].Operations Research Quaterly，1969，20（4）：451-468.

作者簡(jiǎn)介：樊正中（1988-），男，黑龍江佳木斯人，中國(guó)礦業(yè)大學(xué)（北京）管理學(xué)院2011級(jí)研究生，研究方向：企業(yè)管理。

（責(zé)任編輯：王書(shū)柏）