曲禧龍　宋瑩嬌　魏衍行

摘要：為實現(xiàn)煤炭價格的合理預測，對選取的影響秦皇島動力煤價格十大影響因素進行研究，借助主成因分析判定華南動力煤指導價格、火電比例、廣州港進口動力煤價格和中國煤炭價格指數(shù)為影響秦皇島動力煤5500k價格的核心影響因素。依托2019年7月至2020年6月核心影響因素的相關(guān)數(shù)據(jù)，借助平滑指數(shù)時間序列實現(xiàn)對核心影響因素未來十周的預測，利用神經(jīng)網(wǎng)絡(luò)建立價格預測模型，借助測試集對模型進行驗證。在預測誤差僅為1%的條件下，通過代入核心影響因素預測值，實現(xiàn)對秦皇島動力煤5500k的價格預測。

關(guān)鍵詞：神經(jīng)網(wǎng)絡(luò);主成分分析法;平滑指數(shù)時間序列;價格綜合預測模型

一、前言

作為電力、建材等國民經(jīng)濟基礎(chǔ)行業(yè)的上游產(chǎn)業(yè)，煤炭資源狀況及價格水平會對國民經(jīng)濟產(chǎn)生直接影響，對煤炭資源的進一步開采使用，促使其重要性日漸凸顯。尋找煤炭價格的影響因素是為了對煤炭價格變動有一個更深入的了解，對我國煤炭價格進行有效預測則是為行業(yè)建設(shè)及相關(guān)部門科學決策提供有效依據(jù)。

張建英（2015）利用VAR模型得出影響煤炭價格的因素除自身價格變動外還有大宗商品價格、宏觀經(jīng)濟景氣指數(shù)及煤炭產(chǎn)量;王文，李國棟（2016）從微觀、宏觀、行業(yè)、國際市場四個層面分析煤炭價格的影響因素……本文以此為基礎(chǔ)確定影響秦皇島動力煤價格的十大基礎(chǔ)影響因素面板數(shù)據(jù)，在要素篩選的基礎(chǔ)上利用神經(jīng)網(wǎng)絡(luò)構(gòu)建價格綜合預測模型，實現(xiàn)對煤炭價格走勢的理性判斷。

二、要素選擇

（一）確立基礎(chǔ)因素

綜合考量微觀、宏觀、行業(yè)、國際市場四層面，結(jié)合秦皇島煤炭行業(yè)具體發(fā)展實況，確定華南動力煤指導價格、火電比例、煤炭進口量、全國煤炭產(chǎn)量、廣州港進口動力煤價格、非制造業(yè)指數(shù)、制造業(yè)指數(shù)、鋼材社會庫存、中國煤炭價格指數(shù)、全國鐵路煤炭發(fā)運量價格為影響秦皇島動力煤5500大卡價格的十大基礎(chǔ)因素。

（二）提取核心因素

為使價格預測結(jié)果更為精確，特對十大基礎(chǔ)因素面板數(shù)據(jù)進行主成分分析，分析步驟如下：

1. 數(shù)據(jù)插值及0-1標準化

利用線性插值、臨近點均值插值等插值方法彌補基礎(chǔ)數(shù)據(jù)缺陷。

隨后，對基礎(chǔ)數(shù)據(jù)進行0-1標準化處理得到標準化陣X。

2. 主成分分析

主成分分析是一種降維統(tǒng)計方法，可提取足以反映整體信息的少數(shù)綜合變量，基本步驟如下：

對標準化陣X求相關(guān)系數(shù)矩陣R.

解煤炭樣本相關(guān)矩陣R的特征方程|R-λIP|=0，得10個特征值，確定主成分。

根據(jù)貢獻率直方圖及matlab運算，可知主成分1、2、3、4的貢獻率之和為93.71695%，按照≥0.9確定m=4。隨后對每個λj，j=1，2，…，m，解方程組Rb=λjb得單位特征向量b。

將標準化后的指標變量轉(zhuǎn)換為主成分，Uij=zb，j=1，2，…，m。

其中，Up稱為第P主成分。

U1=-0.33021x1-0.30904x2+0.39149x3+0.371224x4-0.45505x5+0.250967x6+0.253491x7-0.1523x8-0.39925x9-0.05231x10

U2=-0.32221x1-0.45548x2-0.44807x3-0.32368x4-0.10696x5-0.26258x6-0.17854x7+0.229384x8-0.29544x9-0.36159x10

U3=0.0471x1-0.06373x2-0.57584x3-0.03193x4-0.14729x5+0.128809x6-0.02267x7-0.60791x8-0.15157x9-0.479363x10

U4=-0.04899x1-0.20132x2-0.42522x3+0.502869x4-0.449567x5+0.239736x6+0.427067x7+0.271967x8+0.078635x9-0.03558x10

對4個主成分進行加權(quán)求和，得到最終評價值U，權(quán)數(shù)為每個主成分的方差貢獻率。

U=

根據(jù)計算，可得出各影響因素對煤炭價格的影響能力得分，如表1：

以得分絕對值大于0.2，該因素對秦皇島煤炭價格影響能力較強為標準，篩選華南動力煤指導價格、火電比例、廣州港進口動力煤均價、中國煤炭價格指數(shù)為核心影響因素。

三、煤炭價格預測

神經(jīng)網(wǎng)絡(luò)具有大規(guī)模并行、分布式存儲和處理、自組織、自適應和自學能力，適合處理需同時考慮許多因素、模糊的信息處理問題。因此，本文選擇利用神經(jīng)網(wǎng)絡(luò)對核心指標進行預測，并建立價格模型。為便利操作，GPSC以代替華南動力煤指導價格、TRP代替火電比例、GCAP代替廣州港進口動力煤均價、CCPI代替中國煤炭價格指數(shù)，以QTCAP代表秦皇島動力煤5500大卡均價。

（一）價格模型構(gòu)建

利用R語言讀取數(shù)據(jù)集，對數(shù)據(jù)進行歸一化處理以降低誤差，于原數(shù)據(jù)集中抽取3/4的數(shù)據(jù)作為訓練集，1/4的數(shù)據(jù)作為測試集，運用neuralnet函數(shù)建立神經(jīng)網(wǎng)絡(luò)模型，并繪制出如下圖像2，將測試集帶入價格模型實現(xiàn)模型檢測，繪制散點圖3。

借助R語言計算絕對平均誤差和絕對誤差平均律：其中，s=s為絕對平均誤差，r為真實值，p為預測值。

s1=其中，為絕對平均誤差率，μ為測試集真實值平均值。最終求得，s=5.667，=1.02%，誤差水平較低，模型預測能力良好。

（二）核心指標預測

在借助SPSS實現(xiàn)核心要素數(shù)據(jù)讀取，利用平滑指數(shù)時間序列實現(xiàn)核心指標預測，指數(shù)平滑法進一步加強了對近期觀察值與預測值的觀察作用，使觀察值能迅速反映市場實際變化。

本文使用SPSS中的平滑指數(shù)時間序列對核心影響因素未來十周的參數(shù)值進行預測，并繪制了相關(guān)圖像：

預測結(jié)果如表2所示：

（三）煤炭價格預測

將核心因素預測值0-1標準化后，帶入神經(jīng)網(wǎng)絡(luò)預測模型中，可實現(xiàn)價格預測。

煤炭價格預測結(jié)果如表3：

四、模型說明

（一）模型應用

本文模型主要是借助神經(jīng)網(wǎng)絡(luò)實現(xiàn)對煤炭價格的估計，神經(jīng)網(wǎng)絡(luò)突出的自學習、聯(lián)想儲存、高效尋求優(yōu)化解的能力使其能輕松解決此類問題，解決此類問題的思路也能一定程度上運用至其它神經(jīng)網(wǎng)絡(luò)問題的思考，但其的預測結(jié)果會受到數(shù)據(jù)特征的影響。經(jīng)過驗證，此模型邏輯脈絡(luò)清晰，可操作性強，強調(diào)近期市場的作用，預測秦皇島動力煤5500大卡價格趨勢完全可行，可用于煤炭價格及其相關(guān)的數(shù)據(jù)研究。

（二）突發(fā)因素

本模型以普通市場為基礎(chǔ)，未考慮突發(fā)情況對價格的影響。在發(fā)生金融危機或經(jīng)濟環(huán)境變化時，此模型會失去一定的預測能力。

參考文獻：

[1]張建英.我國煤炭價格影響因素的VAR模型分析[J].經(jīng)濟問題，2016（01）：108-112.

[2]王文，李國棟.基于層次分析法的我國煤炭價格影響因素研究[J].經(jīng)營與管理，2016（12）：87-90.

[3]（美）朱塞佩·查博羅（Giuseppe Ciaburro），巴拉伊·溫卡特斯瓦蘭（Balaji Ven-kateswaran）.神經(jīng)網(wǎng)絡(luò)：R語言實現(xiàn)[M].李洪成，譯.北京：機械工業(yè)出版社，2018.

[4]張智勇，李宏軍，楊鵬，李冬武.動力煤期貨價格預測模型[J].中國煤炭，2014，40（06）：9-12+17.

（作者單位：曲禧龍，山東理工大學數(shù)學與統(tǒng)計學院;宋瑩嬌，山東理工大學經(jīng)濟學院;魏衍行，山東理工大學交通與車輛工程學院）