葉　彬，楊　敏，榮秀婷，王　寶

(國網(wǎng)安徽省電力公司經(jīng)濟技術(shù)研究院，安徽 合肥 230022)

?

基于景氣指數(shù)的高耗能行業(yè)月度用電預(yù)測

葉彬，楊敏，榮秀婷，王寶

(國網(wǎng)安徽省電力公司經(jīng)濟技術(shù)研究院，安徽 合肥 230022)

摘要：高耗能行業(yè)在工業(yè)行業(yè)用電量中的比例較高，且波動明顯，傳統(tǒng)計量方法難以準(zhǔn)確預(yù)測。本研究提出一種基于行業(yè)景氣指數(shù)的高耗能行業(yè)月度用電量預(yù)測方法，首先基于ARMA模型建立針對高耗能行業(yè)的月度用電量預(yù)測模型，再結(jié)合行業(yè)景氣指數(shù)對模型進(jìn)行改進(jìn)，考察模型顯著性特征及預(yù)測結(jié)果精度。以安徽省為案例區(qū)，對全省五大高耗能行業(yè)月度用電量進(jìn)行預(yù)測，其中三個行業(yè)的預(yù)測模型在經(jīng)過改造后預(yù)測效果更優(yōu)，證明該方法具有一定的應(yīng)用潛力。

關(guān)鍵詞：行業(yè)景氣指數(shù)；用電量預(yù)測；高耗能行業(yè)；ARMA模型；安徽省

0引言

用電量是反映實體經(jīng)濟運行態(tài)勢的重要指標(biāo)，關(guān)注和預(yù)測社會或行業(yè)用電量，不僅有利于電網(wǎng)安全可靠供電，同時還會影響電網(wǎng)企業(yè)的生產(chǎn)經(jīng)營決策及經(jīng)濟效益。工業(yè)用電量在全社會用電量中的比重較大，占有十分重要的地位。工業(yè)行業(yè)眾多，行業(yè)用電特性各不相同，市場需求的波動與工業(yè)結(jié)構(gòu)調(diào)整都極大地影響到各工業(yè)部門的用電量。而在工業(yè)內(nèi)部，高耗能行業(yè)是電力消費的大戶，高耗能行業(yè)用電對全社會用電形勢有著非常重要的影響，因此，提高對高耗能行業(yè)電力需求預(yù)測的精確度，就能為全社會用電量預(yù)測提供重要依據(jù)。

國內(nèi)外許多學(xué)者對經(jīng)濟因素導(dǎo)致的用電量波動進(jìn)行了大量研究。Thoma[1]使用美國1973～2000年的月度數(shù)據(jù)，分部門實證檢驗了經(jīng)濟產(chǎn)出與電力消費之間的因果關(guān)系，結(jié)果表明經(jīng)濟增長能夠Granger引起總電力消費的變化。梁亞麗[2]應(yīng)用經(jīng)濟周期理論及狀態(tài)空間模型對我國電力需求的周期波動進(jìn)行測定，認(rèn)為電力需求周期波動與經(jīng)濟周期波動基本保持同步，根據(jù)對電力需求波動曲線“拐點”的具體分析發(fā)現(xiàn)，產(chǎn)業(yè)結(jié)構(gòu)調(diào)整和經(jīng)濟周期波動是電力需求周期波動的主要動因。吳疆[3]使用年度數(shù)據(jù)對比了16個主要國家的電力消費和宏觀經(jīng)濟的相關(guān)關(guān)系，發(fā)現(xiàn)電力消費與宏觀經(jīng)濟的關(guān)系主要表現(xiàn)在電力消費彈性系數(shù)的變動。陳文靜和何剛[4]、劉暢和高鐵梅[5]分別研究了電力消費與經(jīng)濟指標(biāo)間的相關(guān)關(guān)系。在行業(yè)層面上，重點行業(yè)的經(jīng)濟指標(biāo)與用電量指標(biāo)之間也存在一定的相關(guān)關(guān)系。柳瑞禹與葉子菀[6]對我國高耗能行業(yè)用電量與GDP、行業(yè)產(chǎn)值、行業(yè)投資、城市化水平、行業(yè)投資結(jié)構(gòu)等之間的相關(guān)關(guān)系進(jìn)行了實證研究，并對高耗能行業(yè)電力消費中長期發(fā)展?jié)摿M(jìn)行了預(yù)測。楊瑞廣和張立[7]在預(yù)測鋼鐵行業(yè)產(chǎn)量的基礎(chǔ)上，計算鋼鐵行業(yè)節(jié)能降耗對全社會用電量的影響。劉家軍等[8]建立了全社會總用電量與行業(yè)用電量之間的關(guān)系，通過少數(shù)幾個行業(yè)用電量來預(yù)測全社會總用電量。綜合已有文獻(xiàn)，影響行業(yè)電力消費的因素來自經(jīng)濟活動的各個方面，包括經(jīng)濟周期波動、電力消費結(jié)構(gòu)、產(chǎn)業(yè)結(jié)構(gòu)及產(chǎn)業(yè)結(jié)構(gòu)調(diào)整、市場需求等。

由于高耗能行業(yè)電力需求波動頻率較快，幅度較大，難以預(yù)測，對高耗能行業(yè)電力需求的短期預(yù)測文獻(xiàn)較為少見，相關(guān)方法也比較欠缺。一般來說，高耗能行業(yè)電力需求與行業(yè)產(chǎn)值存在相關(guān)關(guān)系，而行業(yè)產(chǎn)值又與市場供需情況有密切關(guān)系，市場供需狀況可以在行業(yè)景氣指數(shù)上反映出來。因此，高耗能行業(yè)電力需求有可能與行業(yè)景氣指數(shù)存在相關(guān)關(guān)系，但相關(guān)關(guān)系有多強、是否存在時滯，還不夠明確。本研究以安徽省為案例，研究高耗能行業(yè)景氣指數(shù)與用電量的時差相關(guān)關(guān)系，并建立時間序列模型，對安徽省高耗能行業(yè)電力需求進(jìn)行預(yù)測。

一、研究方法

(一)ARMA模型

本文首先主要運用時間序列模型中的ARMA模型，建立高耗能行業(yè)電力需求的預(yù)測模型，再引入行業(yè)景氣指數(shù)作為新的自變量，對引入指數(shù)前后的模型進(jìn)行比較，選擇更優(yōu)的模型。

自回歸移動平均ARMA(p、q)模型可能是AR與MA過程、幾個AR過程、AR與ARMA過程的迭加，也可能是測度誤差較大的AR過程。一般的數(shù)學(xué)模型：

(1)

模型的識別條件為：平穩(wěn)時間序列的偏相關(guān)系數(shù)和自相關(guān)系數(shù)均不截尾，但較快收斂到0，則該時間序列可能是ARMA(p，q)模型。

時間序列模型AR(p)、MA(q)和ARMA(p，q)的識別主要根據(jù)自相關(guān)函數(shù)(ACF)和偏自相關(guān)函數(shù)(PACF)來確定，識別標(biāo)準(zhǔn)如表1所示。

表1　模型識別的基本原則

ADF檢驗(單位根檢驗)是檢驗時間序列平穩(wěn)性的重要方法，是增廣的DF檢驗，適用于p階自回歸方程。對于AR(p)過程，如果其特征方程的所有特征根都在單位圓內(nèi)，則序列平穩(wěn)，如果有一個特征根的模大于或等于1，則序列非平穩(wěn)。

(二)行業(yè)景氣指數(shù)

景氣指數(shù)又稱為景氣度，它是對企業(yè)景氣調(diào)查中的定性指標(biāo)通過定量方法加工匯總，綜合反映某一特定調(diào)查群體或某一社會經(jīng)濟現(xiàn)象所處的狀態(tài)或發(fā)展趨勢的一種指標(biāo)。行業(yè)景氣指數(shù)是綜合反映行業(yè)的各種指標(biāo)并能反映行業(yè)變動趨勢的綜合指數(shù)。影響行業(yè)景氣的因素包括內(nèi)外兩方面，外因是宏觀經(jīng)濟指標(biāo)波動、經(jīng)濟周期、上下游產(chǎn)業(yè)鏈的供應(yīng)需求變動，內(nèi)因是行業(yè)的產(chǎn)品需求變動、生產(chǎn)能力變動、技術(shù)水平變化及產(chǎn)業(yè)政策的變化等。例如，當(dāng)行業(yè)產(chǎn)品需求增加時，會導(dǎo)致銷售增加，總產(chǎn)量提高，行業(yè)景氣由差向好轉(zhuǎn)變，但這取決于需求量的多少，維持時間的長短。短時間的需求量提高不能作為景氣轉(zhuǎn)好的特征，僅作為波動而已；價格因素是比較敏感的因素，也是導(dǎo)致波動的常見因素。價格上漲，一般實際需求增加，行業(yè)景氣向好，但價格上漲是由于原料價格上漲造成反而使行業(yè)景氣向淡。價格因素導(dǎo)致的景氣轉(zhuǎn)變往往持續(xù)時間不長，這是由于價格因素改變會導(dǎo)致供應(yīng)能力變化，而供求關(guān)系改變又進(jìn)一步影響價格。

高耗能行業(yè)景氣指數(shù)來自于國務(wù)院發(fā)展研究中心行業(yè)景氣監(jiān)測平臺[9]，安徽省高耗能行業(yè)用電量數(shù)據(jù)來自于安徽省電網(wǎng)統(tǒng)計數(shù)據(jù)。

二、數(shù)據(jù)與模型分析

(一)行業(yè)用電量概況

所謂高耗能行業(yè)，是指生產(chǎn)過程中消耗的一次能源或二次能源比重比較高，能源成本在產(chǎn)值中占比較高的產(chǎn)業(yè)，也可稱為消耗能源密集型的產(chǎn)業(yè)。2013年，安徽省全社會用電量1 528.07億千瓦時。其中，第二產(chǎn)業(yè)用電量占80%左右，工業(yè)用電量占全社會用電量的比重為69.2%。根據(jù)安徽省工業(yè)用電結(jié)構(gòu)，除電力、燃?xì)夂退纳a(chǎn)和供應(yīng)業(yè)之外，安徽省用電量較高的工業(yè)行業(yè)包括煤炭開采和洗選業(yè)、化學(xué)原料及化學(xué)制品制造業(yè)、非金屬礦物制品業(yè)、黑色金屬冶煉及壓延加工業(yè)、有色金屬冶煉及壓延加工業(yè)(簡稱煤炭、化工、非金屬、黑色金屬、有色金屬)五個行業(yè)。根據(jù)歷史數(shù)據(jù)變化趨勢來看，五個行業(yè)電力消費量波動明顯，尤其是化工、非金屬、黑色金屬等行業(yè)，波幅較大。

(二)數(shù)據(jù)季節(jié)調(diào)整及平穩(wěn)性檢驗

獲取安徽省2010年1月至2014年9月五個行業(yè)用電量的歷史樣本數(shù)據(jù)，運用12步差分消除周期為12個月的季節(jié)因素，對原始序列在2010年1月至2013年9月的數(shù)據(jù)進(jìn)行季節(jié)性調(diào)整，得到調(diào)整后的時間序列。

對調(diào)整后的數(shù)據(jù)進(jìn)行平穩(wěn)性檢驗，也就是對序列進(jìn)行單位根檢驗，這里使用ADF檢驗(零假設(shè)為：序列存在單位根，即是非平穩(wěn)的序列)來判斷五個行業(yè)的景氣指數(shù)以及用電量增速數(shù)據(jù)是否是平穩(wěn)的，檢驗的結(jié)果如表2所示。

從表2可以看出，五個行業(yè)中除煤炭行業(yè)之外，其他行業(yè)的景氣指數(shù)原序列是非平穩(wěn)的，而五個行業(yè)的用電量增速的原序列都是平穩(wěn)的。

表2　變量平穩(wěn)性檢驗結(jié)果

注：表中的顯著性水平α=0.05，當(dāng)p<α?xí)r，拒絕零假設(shè)。

(三)建立時間序列模型

煤炭行業(yè)數(shù)據(jù)因達(dá)不到建模要求而被剔除。利用統(tǒng)計軟件做出四個行業(yè)的用電量增速數(shù)據(jù)的自相關(guān)圖和偏自相關(guān)圖，再結(jié)合模型識別的基本原則判斷使用的模型。從自相關(guān)和偏自相關(guān)圖可以看出，四個行業(yè)的時間序列數(shù)據(jù)符合自相關(guān)拖尾，偏自相關(guān)p階截尾的情形，所以選用AR(p)模型。

選定AR(p)模型后，關(guān)鍵是滯后階數(shù)p的確定，本文采用AIC(Akaike info criterion)準(zhǔn)則確定滯后階數(shù)p。表3給出了四個行業(yè)用電量增速不同滯后階數(shù)下的AIC準(zhǔn)則的值，當(dāng)AIC準(zhǔn)則的值達(dá)到最小時，該滯后階數(shù)作為模型的階數(shù)。

表3　四個行業(yè)用電量增速滯后階數(shù)的判定

注：表中數(shù)據(jù)是不同滯后階數(shù)AIC準(zhǔn)則的值。

根據(jù)四個行業(yè)用電量增速的自相關(guān)和偏相關(guān)性，選擇了4個滯后期帶入AR(p)模型，分別得到表3所示的四個行業(yè)用電量增速在不同滯后期下的AIC準(zhǔn)則的值。最后結(jié)合自相關(guān)和偏相關(guān)函數(shù)圖，確定化工、非金屬、黑色金屬、有色金屬用電量增速的滯后階數(shù)分別為1階、3階、2階和4階。選定了模型和滯后階數(shù)，對于四個行業(yè)的用電量增速分別構(gòu)建回歸方程。

(四)引入行業(yè)景氣指數(shù)

在將景氣指數(shù)引入模型時，需要注意景氣指數(shù)可能是用電量增速的先行指標(biāo)，所以這里通過格蘭杰因果檢驗判斷各行業(yè)景氣指數(shù)與用電量增速是否存在因果關(guān)系，從而為模型中是否引入景氣指數(shù)提供依據(jù)；同時，通過一些信息準(zhǔn)則(AIC、SC等)，確定景氣指數(shù)相對于用電量增速的滯后期。用各行業(yè)景氣指數(shù)和用電量增速分別構(gòu)建向量自回歸模型(VAR)，并確定最佳滯后階數(shù)。判斷的結(jié)果如表4所示。

從表4中可以知道，有色金屬行業(yè)的景氣指數(shù)不是該行業(yè)用電量增速的格蘭杰原因，因此不再將該行業(yè)的景氣指數(shù)引入預(yù)測模型中，在后文中也不再對該模型的參數(shù)進(jìn)行估計。同時，確定了其他三個行業(yè)的景氣指數(shù)相對于用電量增速的滯后階數(shù)，生成各行業(yè)景氣指數(shù)的滯后序列，最后再代入模型進(jìn)行相應(yīng)參數(shù)的估計。

表4　格蘭杰因果檢驗與滯后階數(shù)

注：當(dāng)p<α?xí)r，認(rèn)為存在格蘭杰原因。

采用安徽省2010年1月至2014年9月化工、非金屬、黑色金屬行業(yè)用電量的歷史樣本數(shù)據(jù)，利用統(tǒng)計軟件對構(gòu)建的模型進(jìn)行參數(shù)估計。估計結(jié)果如表5所示。

表5　模型參數(shù)估計結(jié)果

注：當(dāng)p<α?xí)r，認(rèn)為系數(shù)估計值通過t檢驗。

分析化工、非金屬、黑色金屬三個行業(yè)模型殘差所做的自相關(guān)和偏相關(guān)函數(shù)圖，可知三個模型的殘差序列均可近似為白噪聲序列，說明三個模型在統(tǒng)計上是顯著的；同時，利用統(tǒng)計軟件對三個模型分別作出的特征根圖顯示，每個模型的特征根均在單位圓內(nèi)，說明模型是平穩(wěn)的。

(五)模型擬合檢驗

結(jié)合三個行業(yè)的數(shù)據(jù)擬合圖以及殘差序列圖，直觀反映三個模型的擬合效果，可以看出擬合值與真實值的變化趨勢基本保持一致，但由于用電量波動較大，擬合的殘差較大。計算模型擬合值每年的平均誤差率，結(jié)果見表6。

表6　模型擬合的年平均誤差率情況

由表6可知，三個模型引入行業(yè)景氣指數(shù)之后擬合誤差率都有一定的下降，擬合的年平均誤差率從9%左右下降到6%左右，精度有所提高。在部分年份的誤差率較高，如2011年的非金屬礦物制品業(yè)，2012年的黑色金屬冶煉及壓延加工業(yè)，2013年的化學(xué)原料及化學(xué)制品。究其原因，可能是因為自2010年起，我國開始實施大規(guī)模的投資帶動計劃，試圖依靠大規(guī)模的政府主導(dǎo)投資來克服經(jīng)濟下行壓力，導(dǎo)致部分行業(yè)發(fā)展與市場景氣指數(shù)相悖，而出現(xiàn)預(yù)測誤差較大的現(xiàn)象。

三、應(yīng)用案例

(一)預(yù)測結(jié)果

根據(jù)上文得到的高耗能行業(yè)電力需求預(yù)測模型，預(yù)測2013年10月～2014年9月的安徽省高耗能行業(yè)電力需求，預(yù)測值與真實值進(jìn)行對比，并計算各行業(yè)模型預(yù)測的誤差率，見表7。

表7　三大行業(yè)預(yù)測誤差率分析

由表7可知，高耗能行業(yè)用電模型用于預(yù)測行業(yè)月度用電量，基本符合用電量變化趨勢，平均誤差率在6%左右。

(二)模型解釋

行業(yè)景氣指數(shù)的影響因素，在一定程度上也是影響電力消費的重要因素。當(dāng)行業(yè)產(chǎn)品需求增加時，會導(dǎo)致企業(yè)銷售增加，總產(chǎn)量提高，這樣對生產(chǎn)活動的刺激就會增加電力消費。此外，宏觀政策對行業(yè)走勢也會產(chǎn)生影響，從而增加產(chǎn)出規(guī)模和電力消費。因此，將行業(yè)景氣指數(shù)作為預(yù)測行業(yè)用電量的依據(jù)，存在邏輯上的可行性。但這一邏輯關(guān)系是否存在統(tǒng)計上的顯著，還需要具體行業(yè)具體分析。本研究以安徽省五大高耗能行業(yè)為研究對象，最終得到其中三大行業(yè)的用電量預(yù)測模型，預(yù)測平均誤差在6%左右，這是由高耗能行業(yè)用電量月波動幅度較大、波動不規(guī)則的特征所決定的。因此，基于行業(yè)景氣指數(shù)的高耗能用電量預(yù)測，在部分行業(yè)具有可操作性。

但運用行業(yè)景氣指數(shù)來預(yù)測行業(yè)用電量，也存在一定的局限，并非行業(yè)景氣指數(shù)高，用電量就會增長越快，二者的相關(guān)關(guān)系還需要進(jìn)一步研究才能加以明確。此外，行業(yè)景氣指數(shù)是全國性的數(shù)據(jù)，而安徽省高耗能行業(yè)用電量為區(qū)域性數(shù)據(jù)，不同尺度上的分析也是影響預(yù)測誤差的因素之一。

四、結(jié)語

高耗能行業(yè)用電月波動幅度較大，且波動很不規(guī)則，運用常規(guī)的預(yù)測方法難以準(zhǔn)確預(yù)測，甚至連變化趨勢都難以預(yù)測。本文選取安徽省五大高耗能行業(yè)，首先運用ARMA模型建立行業(yè)用電量預(yù)測模型，再引入行業(yè)景氣指數(shù)，以反映經(jīng)濟因素對電力消費量的影響程度。研究發(fā)現(xiàn)：安徽省高耗能行業(yè)電力需求與該行業(yè)的景氣指數(shù)存在一定的相關(guān)關(guān)系，并存在一定的時滯效應(yīng)，對于化學(xué)原料及化學(xué)制品制造業(yè)、非金屬礦物制品業(yè)、黑色金屬冶煉及壓延加工業(yè)這三個行業(yè)，引入行業(yè)景氣指數(shù)來預(yù)測電力需求，有助于提高預(yù)測準(zhǔn)確性，因此該方法具有一定的應(yīng)用前景。

參考文獻(xiàn)：

[1]Thoma M. Electrical Energy Usage Over the Business Cycle [J]. Energy Economics, 2004, (26): 463-485.

[2]梁亞麗.中國電力需求周期波動特征及影響因素研究[D].保定：華北電力大學(xué)(碩士學(xué)位論文)，2005.

[3]吳疆.電力消費與宏觀經(jīng)濟的相關(guān)性研究[J].中國能源，2009，31(6)：17-21.

[4]陳文靜，何剛.電力消費及其影響因素：基于非參數(shù)模型的研究[J].系統(tǒng)工程理論與實踐，2009，29(5)：92-97.

[5]劉暢，高鐵梅.中國電力行業(yè)周期波動特征及電力需求影響因素分析——基于景氣分析及誤差修正模型的研究[J].資源科學(xué)，2011，33(1)：169-177.

[6]柳瑞禹，葉子菀.我國高耗能行業(yè)電力消費中長期發(fā)展?jié)摿︻A(yù)測[J].技術(shù)經(jīng)濟，2012，31(2)：93-96.

[7]楊瑞廣，張立.鋼鐵行業(yè)節(jié)能降耗對全社會用電量的影響[J].沈陽工業(yè)大學(xué)學(xué)報(社會科學(xué)版)，2013，6(2)：146-150.

[8]劉家軍，姚李孝，苗華，等.基于SPSS的電力需求與行業(yè)發(fā)展之間的規(guī)律研究[J].現(xiàn)代電力，2010，27(6)：83-87.

[9]國務(wù)院發(fā)展研究中心行業(yè)景氣監(jiān)測課題組.國務(wù)院發(fā)展研究中心行業(yè)景氣監(jiān)測平臺[EB/OL].http://drcicms.drcnet.com.cn.2014-12-30.

*收稿日期：2016-03-08

作者簡介：葉彬(1980-)，男，安徽滁州人，高級工程師，博士，研究方向：能源電力經(jīng)濟及預(yù)測分析。 通信作者：楊敏(1986-)，女，四川瀘州人，博士，研究方向：能源經(jīng)濟。

中圖分類號：TM714

文獻(xiàn)標(biāo)識碼：A

文章編號：1009-9735(2016)03-0083-05

Forecasting Monthly Power Demand of Energy Intensive Industries Based on Industrial Boom Index

YE Bin, YANG Min, RONG Xiuting, WANG Bao

(InstituteofEconomicandTechnology,StateGridAnhuiElectricPowerCompany,Hefei230022,China)

Abstract:Electricity consumption of energy intensive industries is difficult to predict by traditional quantitative method, because it always fluctuates a lot, and accounts for a high proportion in the total. This study presented a method to forecast the industrial electricity consumption with consideration of Industrial Boom Index, in which an ARMA model to forecast electricity demand of energy intensive industries was built, and the model was improved by using Industrial Boom Index and investigated in the field of significance of the model and accuracy of forecasting results. The model was used in Anhui Province to forecast electricity demand of five energy intensive industries. The improved model gave a better result in three industries, which proved to have great potentiality.

Key words:Industrial Boom Index; power demand forecasting; energy intensive industries; ARMA model; Anhui Province