張金鎖+馮雪+鄒紹輝

摘要：煤炭資源是我國第一大能源資源，準(zhǔn)確地預(yù)測煤炭需求動(dòng)態(tài)趨勢，對于保障能源供需平衡和規(guī)避能源供給風(fēng)險(xiǎn)，促進(jìn)我國經(jīng)濟(jì)社會(huì)可持續(xù)發(fā)展具有重要意義。由于煤炭消費(fèi)具有非線性和不確定性特征，任何單項(xiàng)煤炭需求預(yù)測模型都不能較好地?cái)M合煤炭需求的變動(dòng)趨勢，進(jìn)而導(dǎo)致預(yù)測精度偏低。本文利用ARMA模型擬合其不確定性趨勢，緊緊圍繞我國煤炭實(shí)際消費(fèi)的非平穩(wěn)變動(dòng)特征，通過趨勢外推模型擬合煤炭需求的確定性趨勢；建立了基于趨勢組合的我國煤炭需求預(yù)測模型，該模型運(yùn)用表明其實(shí)用性和精確度都好于已有的組合預(yù)測模型。

關(guān)鍵詞：趨勢外推模型；ARMA模型；煤炭需求；組合預(yù)測

中圖分類號：F2249文獻(xiàn)標(biāo)識(shí)碼：A

收稿日期：2014-03-12

作者簡介：張金鎖（1962-），男，西安人，西安科技大學(xué)管理學(xué)院教授，博士生導(dǎo)師，經(jīng)濟(jì)學(xué)博士，研究方向：資源環(huán)境政策和管理系統(tǒng)工程；馮雪（1986-），女，西安人，西安科技大學(xué)管理學(xué)院博士研究生，研究方向：能源經(jīng)濟(jì)與管理。一、引言

煤炭資源是我國第一大能源資源，在我國一次能源生產(chǎn)和消費(fèi)構(gòu)成中，煤炭占到七成以上，生產(chǎn)和消費(fèi)量是世界的1/2左右。2012年，全國原煤產(chǎn)量365億t，消費(fèi)244億t，生產(chǎn)和消費(fèi)總量分別同比增加38%和25%。研究表明，盡管受氣候變化、經(jīng)濟(jì)結(jié)構(gòu)和能源結(jié)構(gòu)調(diào)整的影響，在未來較長一段時(shí)期內(nèi)，其作為我國基礎(chǔ)能源的主體地位不會(huì)改變［1-3］。根據(jù)1997年到2012年的煤炭需求數(shù)據(jù)，不難發(fā)現(xiàn)我國煤炭需求整體上呈現(xiàn)非線性和不確定性特征，相關(guān)機(jī)構(gòu)發(fā)布和一些學(xué)者研究的煤炭需求變動(dòng)數(shù)據(jù)總體上沒有較好地?cái)M合煤炭需求變動(dòng)趨勢［4-5］，這給我國煤炭產(chǎn)業(yè)規(guī)劃、能源戰(zhàn)略調(diào)整以及經(jīng)濟(jì)安全保障帶來了一定影響。

目前，煤炭需求預(yù)測有多種方法，按預(yù)測原理和建?；A(chǔ)，可以分為單項(xiàng)預(yù)測模型和組合預(yù)測模型。在單項(xiàng)預(yù)測模型建模和應(yīng)用方面，主要有傳統(tǒng)時(shí)間序列法、彈性系數(shù)法、協(xié)整與誤差修正模型、投入產(chǎn)出法、系統(tǒng)動(dòng)力模型、人工智能模型（ANN、SVM）等［6-10］。在這方面，林伯強(qiáng)、趙國浩、魏一鳴等、孫涵等學(xué)者的研究成果具有代表性。事實(shí)上，單項(xiàng)預(yù)測模型很難擬合煤炭需求變動(dòng)趨勢，預(yù)測效果都有待改善。Bates和Granger［11］首次將多種單項(xiàng)預(yù)測模型進(jìn)行適當(dāng)組合形成一個(gè)新的預(yù)測模型，預(yù)測效果明顯好于單項(xiàng)預(yù)測模型。柴建、郭菊娥［12］考慮了多重共線性和預(yù)測有效性問題，在偏最小二乘（PLS）和趨勢外推預(yù)測模型的基礎(chǔ)上，構(gòu)建了線性組合模型。張青［13］針對線性最優(yōu)組合預(yù)測模型最優(yōu)權(quán)重分配時(shí)往往出現(xiàn)負(fù)權(quán)重等方面的不足，建立了基于Ann模型非線性組合預(yù)測模型。張會(huì)新、白嘉［14］首先運(yùn)用灰色GM（1，1）模型獲得煤炭消費(fèi)的趨勢項(xiàng)，然后利用三角模型捕獲GM（1，1）模型殘差的周期現(xiàn)象以提高預(yù)測精度。在現(xiàn)有組合預(yù)測模型中，一是對單項(xiàng)預(yù)測模型的非線性缺陷和模型組合進(jìn)行改善和優(yōu)化，二是模型選取偏重于方法導(dǎo)向，沒有緊扣煤炭需求變動(dòng)特點(diǎn)，從而預(yù)測精度都有待提高。因此，本文緊緊圍繞我國煤炭消費(fèi)的非平穩(wěn)變動(dòng)特征，首先通過趨勢外推模型擬合煤炭需求的確定性趨勢，再利用ARMA模型擬合其不確定性趨勢，進(jìn)而建立基于趨勢組合的我國煤炭需求預(yù)測模型，力求提高煤炭需求預(yù)測模型的實(shí)用性和精確度。

二、數(shù)據(jù)與模型建立

（一）數(shù)據(jù)來源

煤炭需求是指在一定時(shí)期內(nèi)和一定條件下消費(fèi)者能夠且愿意購買的煤炭產(chǎn)品的數(shù)量。本文在對煤炭需求進(jìn)行分析時(shí)，采用2012年《中國統(tǒng)計(jì)年鑒》公布的煤炭消費(fèi)總量數(shù)據(jù)進(jìn)行分析。

總第446期張金鎖：基于趨勢組合的我國煤炭需求預(yù)測模型研究····商 業(yè) 研 究2014/06（二）基于趨勢組合的需求預(yù)測模型

1．趨勢外推模型建立。任何事物的發(fā)展都有一定的連續(xù)性和穩(wěn)定性，煤炭需求也不例外。煤炭需求預(yù)測趨勢外推法正是根據(jù)煤炭需求量未來變化規(guī)律與過去能源需求量變化規(guī)律相一致這一理論依據(jù)，利用煤炭消費(fèi)量歷史數(shù)據(jù)進(jìn)行預(yù)測的方法。根據(jù)1985-2011年我國煤炭消費(fèi)數(shù)據(jù)不難發(fā)現(xiàn)我國煤炭消費(fèi)總量逐年遞增，呈非線性變動(dòng)特征，分別用多項(xiàng)式曲線、logistic曲線、指數(shù)曲線進(jìn)行擬合，結(jié)果發(fā)現(xiàn)二次曲線擬合的平均相對誤差最小。因此，最終確定選取二次曲線模型擬合煤炭需求總量的確定性趨勢。根據(jù)趨勢外推法的基本原理，建立以時(shí)間t為自變量，時(shí)序數(shù)值Y為因變量的煤炭需求趨勢外推模型：

y（t）=b0+b1t+b2t2+ut（1）

運(yùn)用Eviews60對該模型進(jìn)行最小二乘估計(jì)，得到二次曲線模型1，如下，括號內(nèi)為t檢驗(yàn)值：

y∧t=127×109－1276402t+321032t2（2）

（8195399）（-8236217）（8277788）

R2=0963806F=3195499DW=0271456

二次曲線模型擬合優(yōu)度高達(dá)09638，且模型中各項(xiàng)都非常顯著，表明二次曲線模型解釋了我國煤炭消費(fèi)總量的大部分變動(dòng)。利用式（2）可得到我國1985-2011年的煤炭消費(fèi)總量的擬合值，見表1。

表1趨勢外推模型煤炭消費(fèi)擬合值年份實(shí)際值

（萬噸標(biāo)準(zhǔn)煤）擬合值

（萬噸標(biāo)準(zhǔn)煤）相對誤差絕

對值（%）年份實(shí)際值

（萬噸標(biāo)準(zhǔn)煤）擬合值

（萬噸標(biāo)準(zhǔn)煤）相對誤差絕

對值（%）198558 124.96 71 580.29 23.15%199999 241.71 107 812.90 8.64%198661 284.30 69 994.92 14.21%2000100 707.45 115 216.40 14.41%198766 013.58 69 051.61 4.60%2001102 727.30 123 262.00 19.99%198870 863.71 68 750.37 2.98%2002108 413.08 131 949.60 21.71%198973 669.84 69 091.19 6.22%2003128 286.82 141 279.30 10.13%199075 211.69 70 074.07 6.83%2004148 351.92 151 251.10 1.95%199178 978.86 71 699.02 9.22%2005167 085.88 161 864.90 3.12%199282 641.69 73 966.03 10.50%2006183 918.64 173 120.80 5.87%199386 646.77 76 875.10 11.28%2007199 441.19 185 018.80 7.23%199492 052.75 80 426.24 12.63%2008204 887.94 197 558.80 3.58%199597 857.30 84 619.44 13.53%2009215 879.49 210 740.90 2.38%199699 366.12 89 454.70 9.97%2010220 958.52 224 565.10 1.63%199797 039.03 94 932.03 2.17%2011238 033.37 239 031.30 0.42%199896 554.46 101 051.40 4.66%

以上二次曲線模型經(jīng)過檢驗(yàn)在統(tǒng)計(jì)量上均是顯著的。從表1可以看出，煤炭消費(fèi)擬合相對誤差絕對值的平均值為783%，從逐年的擬合相對誤差可以看出波動(dòng)也較大，擬合效果一般，可以進(jìn)一步得出該模型需要改進(jìn)的結(jié)論。

endprint

2 ARMA模型建立。分別用DW、LM統(tǒng)計(jì)量檢驗(yàn)?zāi)Ｐ?中誤差項(xiàng)ut是否存在自相關(guān)。運(yùn)用Eviews60，通過殘差自相關(guān)圖初步可以看出，二次模型第1期、第2期偏相關(guān)系數(shù)的直方塊超出了虛線部分，存在一階二階自相關(guān)現(xiàn)象。已知DW=0271456，若給定α=005，查表得，DW檢驗(yàn)臨界值dL=132，可以得到05991，拒絕H0假設(shè)，所以LM檢驗(yàn)結(jié)果也說明模型1的誤差項(xiàng)存在一階和二階正自相關(guān)性。從擬合一元二次方程殘差序列的自相關(guān)圖和偏自相關(guān)圖可以看出，殘差序列雖趨于平穩(wěn)，但是還不是白噪聲，殘差序列存在相關(guān)性，不能通過卡方檢驗(yàn)，殘差序列不是獨(dú)立的，所以僅用趨勢外推模型預(yù)測將會(huì)產(chǎn)生較大預(yù)測誤差。故還應(yīng)考慮通過對趨勢外推模型的殘差序列建立ARMA模型并進(jìn)行預(yù)測［15］，最后將兩個(gè)模型的預(yù)測結(jié)果進(jìn)行疊加作為實(shí)際預(yù)測值，從而達(dá)到提高預(yù)測精度的目的。圖1ARMA（1，2）擬合圖

由ARMA模型的應(yīng)用條件可知，ARMA模型只適用于對平穩(wěn)時(shí)間序列的描述，故首先對上述趨勢外推模型殘差序列進(jìn)行平穩(wěn)性檢驗(yàn)。通過Eviews60得到殘差序列ADF檢驗(yàn)結(jié)果，t統(tǒng)計(jì)量（-3106382）均小于1%（-2660720），5%（-1955020），10%（-1609070）水平，P值（00033）小于005，可知該殘差序列平穩(wěn)，符合建模條件，因此可以對該序列建立ARMA模型。

在符合ARMA模型建模條件的基礎(chǔ)上，為了識(shí)別ARMA的p、q值，通常運(yùn)用自相關(guān)函數(shù)圖和偏自相關(guān)函數(shù)圖來識(shí)別ARMA模型，對模型1的殘差序列自相關(guān)函數(shù)圖和偏自相關(guān)函數(shù)圖的拖尾性和截尾性，很難準(zhǔn)確地確定p和q的階數(shù)。從圖中可以看出偏自相關(guān)系數(shù)在k=1顯著不為0，k=2時(shí)似乎也與0有顯著差異，所以考慮p=1或p=2；自相關(guān)系數(shù)在k=2后很快地趨于0，所以取q=2。估計(jì)兩個(gè)殘差序列的ARMA模型分別是：ARMA（1，2），ARMA（2，2）。運(yùn)用Eviews60分別對ARMA（1，2），ARMA（2，2）進(jìn)行初步估計(jì)，由于ARMA（2，2）模型的滯后多項(xiàng)式倒數(shù)根未落入單位圓內(nèi)，只有ARMA（1，2）滿足過程的平穩(wěn)的基本要求，并且符合可逆的要求，并且各項(xiàng)回歸系數(shù)均顯著，調(diào)整后R2=086，擬合較好，AIC（1951088）、SC（1970444）和F值（5147605）均為最佳，可以認(rèn)為ARMA（1，2）是最優(yōu)的模型，通過Eviews60，得到模型2，即ARMA（1，2）模型為：

et=6870665+0613363et-1+εt+0762298εt-1+0908446εt-2（3）

（3562772） （6926076） （1321735）

ARMA（1，2）模型各變量P值全都小于005，括號內(nèi)為t統(tǒng)計(jì)量，得到各變量在α=005時(shí)均顯著。通過估計(jì)相關(guān)系數(shù)法進(jìn)一步檢驗(yàn)?zāi)Ｐ偷倪m應(yīng)性。運(yùn)用Eviews60得出et的自相關(guān)系數(shù)可以看出，模型2中εt滿足獨(dú)立同分布的標(biāo)準(zhǔn)正態(tài)分布。運(yùn)用Eviews60軟件，繪制1986-2011年模型2與實(shí)際值的擬合程度，見圖1。

表2殘差序列ARMA（1，2）模型煤炭消費(fèi)擬合值年份模型2擬合值

（萬噸標(biāo)準(zhǔn)煤）年份模型2擬合值

（萬噸標(biāo)準(zhǔn)煤）1986-10 718.64 1999-5 753.821987-3 944.042000-6 699.121988917.072001-17 146.4219893 296.882002-22 007.2319905 137.872003-18 414.6419914 581.102004-4 959.5119926 787.8520054 983.6819939 477.7120065 520.5319948 198.28200711 127.01199510 277.29200816 417.99199613 756.452009826.3219976 103.392010-1 552.061998-4 981.452011404.85

從圖1可看出，模型2與我國煤炭1986-2011年的需求量的殘差序列擬合較好，說明預(yù)測效果很好。通過Eviews60軟件對模型2進(jìn)行動(dòng)態(tài)預(yù)測時(shí)，動(dòng)態(tài)預(yù)測值幾乎是一條直線，預(yù)測效果不是很好，而靜態(tài)預(yù)測效果較為理想，所以選擇靜態(tài)預(yù)測，得到殘差序列et的擬合值，見表2。

（三）組合預(yù)測模型

將確定性組成部分即模型1的擬合值與隨機(jī)性組成部分，即對模型1殘差序列et構(gòu)建的模型2的擬合值相加，可得到趨勢外推與ARMA組合模型的擬合結(jié)果，見表3。

由表3可知，由趨勢外推與ARMA組合模型預(yù)測的煤炭需求相對誤差絕對值的平均值僅為242%，低于僅用趨勢外推模型擬合的相對誤差絕對值的平均值783%，說明組合擬合值的精度較高。而且從逐年預(yù)測的相對誤差可以看出，組合模型的相對誤差波動(dòng)比單獨(dú)趨勢外推模型的波動(dòng)小得多。

綜上所述，可以判定趨勢外推與ARMA組合模型更適合于實(shí)際預(yù)測。因此，利用該組合模型預(yù)測我國2012-2016年的煤炭需求量，分別為250 85741萬噸標(biāo)準(zhǔn)煤，267 05502萬噸標(biāo)準(zhǔn)煤，285 38584萬噸標(biāo)準(zhǔn)煤，303 13064萬噸標(biāo)準(zhǔn)煤，321 17010萬噸標(biāo)準(zhǔn)煤。

表3組合模型煤炭消費(fèi)擬合值年份實(shí)際值

（萬噸標(biāo)準(zhǔn)煤）擬合值

（萬噸標(biāo)準(zhǔn)煤）相對誤差絕

對值（%）年份實(shí)際值

（萬噸標(biāo)準(zhǔn)煤）擬合值

（萬噸標(biāo)準(zhǔn)煤）相對誤差絕

對值（%）198661 284.30 59 276.28 3.28%199999 241.71 102 059.08 2.84%198766 013.58 65 107.57 1.37%2000100 707.45 108 517.28 7.75%198870 863.71 69 667.44 1.69%2001102 727.30 106 115.58 3.30%198973 669.84 72 388.07 1.74%2002108 413.08 109 942.37 1.41%199075 211.69 75 211.94 0.00%2003128 286.82 122 864.66 4.23%199178 978.86 76 280.12 3.42%2004148 351.92 146 291.59 1.39%199282 641.69 80 753.88 2.28%2005167 085.88 166 848.58 0.14%199386 646.77 86 352.81 0.34%2006183 918.64 178 641.33 2.87%199492 052.75 88 624.52 3.72%2007199 441.19 196 145.81 1.65%199597 857.30 94 896.73 3.03%2008204887.94 213 976.79 4.44%199699 366.12 103 211.15 3.87%2009215 879.49 211 567.22 2.00%199797 039.03 101 035.42 4.12%2010220 958.52 223 013.04 0.93%199896 554.46 96 069.95 0.50%2011238 033.37 239 436.15 0.59%

三、模型比較和分析

根據(jù)國家統(tǒng)計(jì)局公布的數(shù)據(jù)，2012全年實(shí)際能源消費(fèi)總量362億噸標(biāo)準(zhǔn)煤，比上年增長39%。其中，煤炭消費(fèi)量增長25%，約為243 9842022萬噸標(biāo)準(zhǔn)煤。通過對我國煤炭需求預(yù)測的文獻(xiàn)進(jìn)行梳理，2012-2016年煤炭需求預(yù)測結(jié)果，見表4所示。

表4 煤炭需求量預(yù)測值對比表（單位：萬噸標(biāo)準(zhǔn)煤）序號研究者和

相應(yīng)文獻(xiàn)研究所用模型20122013201420152016實(shí)際值預(yù)測值預(yù)測值預(yù)測值預(yù)測值預(yù)測值 1胡予紅［16］（2006）VEC&ARIMA組合模型243 984309 000313 300319 300328 000-2邵汝軍［17］（2007） 趨勢外推198 280202 570206 860211 150215 4403張會(huì)新［14］（2011）三角灰色組合模型293 212312 852---4孫涵［18］（2011）支持向量回歸機(jī)模型229 820235 610240 400243 880245 8005趙國浩［19］（2011）變權(quán)重組合模型279 897288 013296 734304 086310 2456陳正［20］（2011） Logistic曲線模型196 297199 983203 489206 805209 9247

樊正中［21］（2012）

回歸分析&模糊分析&BP

神經(jīng)網(wǎng)絡(luò)組合模型401 370

424 360

453 250

485 510

-

8馮樂［22］（2012）動(dòng)態(tài)廣義回歸神經(jīng)網(wǎng)絡(luò)模型295 820295 740295 750295 820295 520

孫涵（2011）［18］基于支持向量機(jī)模型的預(yù)測結(jié)果為229 820萬噸標(biāo)準(zhǔn)煤，與我國2012年的煤炭實(shí)際消費(fèi)量相差14 164萬噸標(biāo)準(zhǔn)煤，相對預(yù)測誤差為58%。而本文與我國2012年的煤炭實(shí)際消費(fèi)量相差6 873萬噸標(biāo)準(zhǔn)煤，相對預(yù)測誤差為28%，精度提高30%，因此與現(xiàn)有文獻(xiàn)中最佳結(jié)果相比，本文預(yù)測效果較好。

從模型選擇、優(yōu)化以及組合方式上看，首先，文獻(xiàn)［17］所用趨勢外推模型和文獻(xiàn)［20］所用logistic模型，不具備捕捉波動(dòng)趨勢的能力，所以預(yù)測精度偏低；其次，文獻(xiàn)［18］所用支持向量機(jī)模型和文獻(xiàn)［22］所用神經(jīng)網(wǎng)絡(luò)模型刻畫非線性趨勢的能力較強(qiáng)，所以，預(yù)測精度有所提高；第三，文獻(xiàn)［16］所用VEC和ARIMA組合模型和文獻(xiàn)［21］所用回歸分析、模糊分析和BP神經(jīng)網(wǎng)絡(luò)組合模型均采用標(biāo)準(zhǔn)差法的線性組合方式，但是文獻(xiàn)［16］的預(yù)測效果遠(yuǎn)好于文獻(xiàn)［21］，說明模型個(gè)數(shù)的增加并不能提高預(yù)測精度；第四，文獻(xiàn)［19］所用變權(quán)重組合模型的預(yù)測精度比文獻(xiàn)［16］和文獻(xiàn)［21］高，說明模型組合方式的改進(jìn)是可以提高預(yù)測精度的；第五，文獻(xiàn)［14］所用三角灰色組合模型將GM（1，1）模型TGM（1，1）即三角殘差修正技術(shù)相結(jié)合，雖然TGM（1，1）可以獲得趨勢項(xiàng)，并較好地捕獲周期性，但GM（1，1）模型預(yù)測誤差較大?？傊?，應(yīng)針對我國煤炭需求變動(dòng)的特點(diǎn)，選取合適的模型。

四、結(jié)論

煤炭資源是我國第一大能源資源，在未來較長一段時(shí)期內(nèi)，其作為我國基礎(chǔ)能源的主體地位不會(huì)改變。準(zhǔn)確地預(yù)測煤炭需求動(dòng)態(tài)趨勢，有利于保障能源供需平衡和規(guī)避能源供給風(fēng)險(xiǎn)，促進(jìn)我國經(jīng)濟(jì)社會(huì)可持續(xù)發(fā)展。本文緊緊圍繞我國煤炭需求趨勢的特點(diǎn)，利用1985-2011年的數(shù)據(jù)，采用單位根檢驗(yàn)和自相關(guān)檢驗(yàn)的方法，通過趨勢外推模型ARMA模型擬合了我國煤炭需求變化趨勢，該模型運(yùn)用表明該模型的實(shí)用性和精確度都好于已有的組合預(yù)測模型。

參考文獻(xiàn):

［1］厲克. 節(jié)能減排：煤企闖出新天地［J］．中國煤炭工業(yè)，2007(7)：7-8.

［2］錢鳴高. 對中國煤炭工業(yè)發(fā)展的思考［J］．中國煤炭，2005，31(6)：5-9.

［3］國家統(tǒng)計(jì)局. 中國國民經(jīng)濟(jì)和社會(huì)發(fā)展統(tǒng)計(jì)公報(bào)［M］．北京：中國統(tǒng)計(jì)出版社，2012.

［4］丁宏飛，黃福玲. 基于GA-SVR的煤炭需求預(yù)測模型研究［J］．西南民族大學(xué)學(xué)報(bào)：自然科學(xué)版，2010，36(3)：402-405.

［5］寧云才，蔡煒華. 基于支持向量機(jī)的煤炭需求量混沌時(shí)間序列預(yù)測［J］．煤炭經(jīng)濟(jì)研究，2008(1)：44-46.

［6］Bargur J, Mandel A. Energy Consumption and Economic Growth in Israel: Trend Analysis (1960-1979)［M］.Ministry of Energy and Infrastructure, 1981.

［7］尤夫. 介紹能源需求統(tǒng)計(jì)預(yù)測中彈性系數(shù)分析法［J］．統(tǒng)計(jì)與決策，1988(3)：33-34.

［8］Kraft J, Kraft A. On the Relationship Between Energy and GNP ［J］．Journal of Energy and Development, 1978, 3(2):401-403.

［9］Piyush T. An Analysis of Sectoral Energy Intensity in India ［J］．Energy Policy, 2000, 28(11):771-778.

［10］Dong S. Energy Demand Projections Based On an Uncertain Dynamic System Modeling Approach ［J］．Energy Sources, 2000, 22(5):443-451.

［11］Bates J M, Granger C W J. The combination of forecasts［J］．Operations Research Quarterly, 1969, 20(4):451-468.

［12］柴建，郭菊娥. 基于Bayes誤差修正的我國能源消費(fèi)需求組合預(yù)測研究［J］．中國人口(資源與環(huán)境)，2008，18(4)：50-55.

［13］張青. 基于神經(jīng)網(wǎng)絡(luò)最優(yōu)組合預(yù)測方法的應(yīng)用研究［J］．系統(tǒng)工程理論與實(shí)踐，2010(9)：90-93.

［14］張會(huì)新，白嘉. 基于三角灰色系統(tǒng)模型的煤炭消費(fèi)預(yù)測［J］．統(tǒng)計(jì)與決策，2011(23)：38-40.

［15］易丹輝. 數(shù)據(jù)分析與Eviews應(yīng)用［M］．北京：中國人民大學(xué)出版社，2008.

［16］胡予紅. 煤炭消費(fèi)預(yù)測與溫室氣體減排途徑和對策研究［D］．北京：中國礦業(yè)大學(xué)，2009.

［17］邵汝軍. 關(guān)于我國煤炭需求的長期預(yù)測［J］．煤炭經(jīng)濟(jì)研究，2007(3)：8-14.

［18］孫涵，付曉靈，張先鋒. 基于支持向量回歸機(jī)的中國煤炭長期需求預(yù)測［J］．中國地質(zhì)大學(xué)學(xué)報(bào)(社會(huì)科學(xué)版)，2011，11(5)：15-18.

［19］Guohao Zhao. An Investigation of Coal Demand in China Based on the Variable Weight Combination Forecasting Model ［J］．Journal of Resources and Ecology, 2011, 2(2):126-131.

endprint

［20］陳正. 中國煤炭需求的影響因素分析及峰值預(yù)測［J］．商業(yè)經(jīng)濟(jì)與管理，2011，241(11)：69-77.

［21］樊正中，鄒杰龍. 基于組合預(yù)測模型的煤炭消費(fèi)預(yù)測分析［J］．中國高新技術(shù)企業(yè)，2012(24)：5-7.

［22］馮樂，竇魯星. 基于動(dòng)態(tài)廣義回歸神經(jīng)網(wǎng)絡(luò)煤炭需求預(yù)測模型［J］．山西焦煤科技，2012(1)：4-7.

On China′s Coal Demand Forecast Model based on the Trend Combination

ZHANG Jin-suo，F(xiàn)ENG Xue，ZOU Shao-hui

(School of Management，Xi′an University of Science and Technology，Xi′an 710054，China)

Abstract：Coal is the largest energy resources in China, so accurately predicting dynamic trend in coal demand has an important significance for guaranteeing the balance between energy supply and its demand to avoid the energy supply risks, and affirm economic and social sustainable development in China. Due to the nonlinear and uncertain characteristics of coal consumption, a single coal demand forecast model cannot better anticipate change trend of coal demand, which leads to the low prediction accuracy. Utilizing ARMA model to determine its uncertainty trend, and encircling the non-stationary characteristics of changes of actual consumption of coal in China to explore the deterministic trend of demand for coal, the paper establishes China′s coal demand forecast model based on trend combination. The application of this model depicts that it is more useful and accurate than the existing combination forecast model.

Key words：trend extrapolation model；ARMA model；coal demand；combination forecast

endprint