摘要：煤炭資源是國民經(jīng)濟發(fā)展的基礎，在全國GDP中占據(jù)主導地位。本文以秦皇島港煤炭交易為例，綜合運用MATLAB、SPSS、Python、Lingo等軟件，采用層次分析法，通過構造判斷矩陣、一致性檢驗等獲得影響煤炭價格主要影響因素。建立皮爾遜相關系數(shù)模型，通過比較相關系數(shù)絕對值的大小，對影響因素進行排序。利用時間序列對數(shù)據(jù)進行數(shù)據(jù)分析，考慮影響煤炭價格的主要因素，采用季節(jié)時間序列預測模型（SARIMA）結合干預分析。結合歷史價格對煤炭價格進行綜合預測。

關鍵詞：層次分析;皮爾遜相關系數(shù);SARIMA模型;三次樣條插值;干預分析

煤炭資源是發(fā)展的關鍵性能源，是我國經(jīng)濟發(fā)展和工業(yè)革新的核心資源，在未來很長一段時期，煤炭能源作為我國主體能源的地位不會動搖。在煤炭行業(yè)的發(fā)展快慢、發(fā)展方向的評價中，價格是第一衡量標準，其價格浮動不僅會影響煤炭行業(yè)自身發(fā)展，更會影響工業(yè)發(fā)展、國民經(jīng)濟進步乃至社會的和諧穩(wěn)定。在“新舊動能轉(zhuǎn)換”的國家政策背景下，分析我國煤炭價格變動的干預事件基本性質(zhì)，對影響煤炭價格的因素進行深入了解，從而建立一套完備的結合干預分析的預測模型是大勢所趨。

一、分析影響煤炭價格主要因素

本文用層次分析法，通過構造判斷矩陣、一致性檢驗，采用算術平均法分別求得內(nèi)部與外部因素中各個因素的權重，通過比較權重得到影響價格的主要因素。

引入判斷矩陣的最大特征值λ_max，n為矩陣的階。定義一致性指標CI：

為了衡量一致性指標，引入平均隨機一致性指標RI。取值如表1所示。

通過查詢相關影響因素的數(shù)據(jù)，本文采用皮爾遜相關系數(shù)的方法求解各影響因素的相關系數(shù)，并對其進行排序。計算出來的皮爾遜相關越接近于1或-1，相關度越強;相關系數(shù)接近于0，相關度越弱。

皮爾遜相關系數(shù)的計算公式如下：

通過Python程序求解，得出各個因素的相關系數(shù)，并對因素進行排序。比較因素的相關系數(shù)，得出影響秦皇島港動力煤價格的主要因素的排序，結果如表2所示：

二、季節(jié)時間序列模型

結合秦皇島港動力煤價格的歷史數(shù)據(jù)，以及前文中分析得到的影響煤炭價格的主要因素，生產(chǎn)成本、疫情等突發(fā)情況、運輸成本、替代資源影響、國民經(jīng)濟、進出口情況，可以首先利用時間序列數(shù)據(jù)分析，再利用自回歸滑動平均模型的初步改進對煤炭價格進行初步的預測。

自回歸滑動平均模型即時間序列的模型具有以下的一般形式：

其中實參數(shù)稱為自回歸系數(shù)，實參數(shù)稱為滑動平均系數(shù)，為白噪聲序列。定義B為延遲算子。結合前文影響煤炭價格主要因素，因此本文采用乘積型季節(jié)性模型ARIMA。以歷史平均價格預測模型求解過程為例，基于matlab來實現(xiàn)。周期為s的季節(jié)時間序列模型的一般表達式如下：

（一）模型建立

1.利用matlab編程實現(xiàn)加載試驗數(shù)據(jù)與參數(shù)設置。通過對歷史數(shù)據(jù)的觀察，發(fā)現(xiàn)季節(jié)性序列變化周期為10個周。

2.將歷史價格序列做了差分化處理，對差分后的數(shù)據(jù)做ADF檢測，當函數(shù)返回1時說明數(shù)據(jù)已經(jīng)平穩(wěn)。求出此時非季節(jié)性與季節(jié)性差分次數(shù)。也可根據(jù)自相關與偏相關圖像加以輔助說明。

3.編程實現(xiàn)赤池信息準則和貝葉斯信息準則判斷模型的階層。判斷出AR階數(shù)為1，MA階數(shù)為1，SAR階數(shù)為1，階數(shù)為1時即可看作其為平穩(wěn)隨機序列。

4.利用編程做出殘差檢驗的結果圖（見圖1、圖2）。

標準化殘差數(shù)據(jù)圖，用于查看殘差是否接近正態(tài)分布。通過它的QQ圖發(fā)現(xiàn)藍點靠近紅線，殘差基本完全落在45°線上，表明殘差接近正態(tài)分布。圖2為ACF，檢驗殘差的自相關圖像偏自相關類似，圖中不存在超出藍線的點。說明殘差是不相關的。結合圖1殘差是隨機正態(tài)分布的，這說明殘差是一段白噪聲信號，也就說明有用的信號已經(jīng)都被提取到ARMA模型中了。

（二）模型求解

前面已經(jīng)通過得到由季節(jié)時間序列模型SARIMA構建的最低價格預測模型、平均價格預測模型、最高價格預測模型，整合在一起的綜合煤炭價格預測模型。利用綜合煤炭價格預測模型得出最終預測結果做出圖像。下文以疫情影響為例，做簡要分析。

對圖3預測數(shù)據(jù)做簡要分析。圖3是在假設一個月有4個樣本的基礎上預測的步長為144，即144個周的價格數(shù)據(jù)。帶入綜合預測模型求解。通過取每四周價格的平均值作為當月預測值。從上圖分析可知，五月份的短幅度下降，或許是由于疫情的影響還沒有結束，但后期隨著全國全面復工復產(chǎn)大量需要煤炭等能源，因此煤炭價格波動滯后影響也慢慢減弱。煤炭的價格勢必會呈現(xiàn)上漲趨勢。煤炭的價格呈現(xiàn)上漲趨勢，且具有周期性和趨勢性穩(wěn)定在某區(qū)域上下浮動，這一現(xiàn)象符合經(jīng)濟學規(guī)律。

三、干預分析價格預測模型

季節(jié)時間序列模型是在考慮到各種趨勢性、季節(jié)性影響而提出來的季節(jié)性時間序列模型，對于趨勢性、周期性影響因素的預測可以達到不錯的精度。但是對于未來突發(fā)事件沒有預測能力。要想充分考慮這種可能對未來價格走勢造成長期影響、短期影響或長短期混合影響的突發(fā)性事件，就需要對模型進行再優(yōu)化。

前面已經(jīng)提到平穩(wěn)化后的時間序列滿足以下模型：

突發(fā)事件的影像值：

其中，為干預變量，等于或，則時間序列干預模型為：

參考文獻：

[1]薛青河.產(chǎn)業(yè)結構轉(zhuǎn)型升級背景下我國煤炭價格變動問題研究[J].價格月刊，2015（8）.

[2]劉建平，趙國浩.基于AHP淺析煤炭價格影響因素[J].企業(yè)導報，2016（9）.

[3]王國賢，范英兵.基于干預ARIMA模型的中國GDP趨勢分析[J].河南建材，2020（3）.

[4]黃曉宇.基于干預分析模型的新線開通對網(wǎng)絡客流影響計算方法研究[D].北京：北京交通大學碩士論文，2017.

[5]劉斌.基于ARIMA模型的中國鋼鐵價格分析預測[D].阜新：遼寧工程技術大學碩士論文，2006.

[6]孫繼湖，彭建萍.時間序列分析技術在煤炭價格預測中的應用[J].地質(zhì)技術經(jīng)濟管理，2000（3）.

[7]馮文權.政策干預或突發(fā)事件影響的統(tǒng)計分析模型[J].統(tǒng)計與決策，1990（6）.

作者簡介：孫福玉（1998—），男，山東德州人，山東科技大學在讀，目前主要從事于地球物理相關的專業(yè)研究。