《十二五期间重庆市能源消费的趋势分析.doc》由会员分享，可在线阅读，更多相关《十二五期间重庆市能源消费的趋势分析.doc（23页珍藏版）》请在三一办公上搜索。
1、 “十二五”期间重庆市能源消费的趋势分析摘 要能源是影响我国各地区经济稳定持续发展的重要因素，能源行业亦是重庆经济高速发展的必要保障。因此能够准确的预测其未来的能源消耗有很重要的意义。本文利用重庆1980年2010年的能源消费总量及煤炭消费量数据拟合出ARIMA模型，并对“十二五”期间重庆的能源消费总量及煤炭消费总量进行了预测。根据预测结果可以了解到重庆能源消费总量将持续增大,煤炭仍然是其未来五年的主要消费能源。这对于重庆的经济发展来说并不是很好的信息，万元GDP能否降低、大量使用煤炭对社会经济质量的负面影响都让重庆面临着严峻的挑战。所以在这样的环境下调整经济结构和节能减排依然是其今后经济发展
2、的主要任务。全文的最后，对重庆未来的能源发展给出了节能与开源并重的政策性建议。关键词：ARIMA模型；能源消费；预测The trend analysis of energy consumption of Chongqing during “12th Five-Year”AbstractEnergy is an important factor to affect our economic stability and sustainable development, energy industry also provides a reliable guarantee for the rapid
3、economic development in Chongqing. Therefore, being able to accurately predict future energy consumption has a very important significance. In this paper, we use the total energy consumption and coal consumption data from 1980 to 2010 in Chongqing so as to fit the ARIMA model and predict Chongqings
4、total energy consumption and coal consumption in the 12th Five-Year period. The result shows that the ARIMA model can predict the energy consumption well and can be used as energy consumption forecast tool. According to the predictions we can learn that the total energy consumption in Chongqings wil
5、l continue to increase, coal remains to be the major consumer of energy in the next five years, but its not a very good news for the economic development of Chongqing, and whether yuan GDP energy consumption can be lower, as well as large-scale use of coal energy to improve the quality of economic d
6、evelopment obstacles for Chongqing is a serious challenges. Thus, to adjust economic structure and energy savings in such condition is still the main task of its future economic development. At last, we make the political recommendations about both the energy conservation and open source for future
7、energy development in Chongqing.Key words：ARIMA model；energy consumption; forecast目录 1引言11.1能源、能源消费概念11.2 国内外能源消费现状11.3 课题研究背景21.4 课题研究意义31.5 课题研究方法32 对能源消费总量及煤炭消费量建立ARIMA模型和预测32.1 ARIMA模型的基本思想32.2 模型的拟合步骤42.3 对重庆市能源消费总量拟合ARIMA模型42.3.1 平稳性检验62.3.2 ARIMA模型识别82.3.3 ARIMA(1,2,1)模型参数的显著性检验及其残差白噪声检验92.4
8、煤炭消费量的研究意义112.5煤炭消费量的建模123 预测结果与结论153.1 预测结果153.1.1 能源消费总量预测结果153.1.2 煤炭消费量预测结果153.2结论154政策建议164.1调整产业结构164.2认真落实节能减排和替代能源的开发17总 结18参考文献191引言1.1能源、能源消费概念能源是向自然界提供能量转化的物质（矿物质能源，核物理能源，大气环流能源，地理性能源），能源亦是人类活动的物质基础。在某种意义上讲，火的使用不仅是人脱离猿的一个重要标志，也意味着人类已经开始学会利用原始的能源来提高自身生活的质量和谋求更好更快的发展，所以能源对整个人类社会的作用可见一斑。并且人类
9、社会的发展也离不开优质能源的出现和先进能源技术的使用。能源消费是指生产和生活所消耗的能源。能源消费按人平均的占有量是衡量一个国家经济发展和人民生活水平的重要标志。人均能耗越多，国民生产总值就越大，社会也就越富裕。在发达国家里，能源消费强度变化与工业化进程密切相关。随着经济的增长，工业化阶段初期和中期能源消费一般呈缓慢上升趋势，当经济发展进入后工业化阶段后，经济增长方式发生重大改变，能源消费强度开始下降。1.2 国内外能源消费现状全球能源消费总量不断的攀升，2008年世界能源消费量达到了1.2千万吨原油，这个数字是2000年的1.2倍。全球能源消费增速具有显著的周期性特征。世界经济一共经历了4个
10、完整的周期。全球能源消耗的增速的峰谷与此大致吻合。2001年为最新一轮经济周期的起点，全球能源消耗增速只有0.65，低于2000年2个百分点。但持续经年上行之后，到2004年达到本轮周期的最高点5。之后有所回落，2007年前基本保持在2.6左右。2008年因受经济危机影响，全年增速下降为1.8。同时发展中国家正在成为能源消费的主体。2000年到2009年全球能源消费平均增速为2.5，发展中国家为5.8，高出全球水平近4个百分点。其中，发展的亚太为5.4，相比之下，欧洲只有0.8。美国只有0.2。发展中国家的能源消费是一个快速提升的过程，1999年年均增速为3，到2008为5。亚太地区在1999
11、年为3，到2008年为4。随着能源消费速度的加快，发展中国家在全球能源消费中的比重也在不断提高。2000年比重为32%，到2008年上升为42。亚太地区占全球的比重从28，2008年为35。快速发展中的中国对能源需求不断提高。2008年中国能源消耗为2002百万吨原油，占全球能源消耗总量的比重为16。而我国能源消费量的增长率也已经从90年代的4.1达到了2000年的8.8，后者较前者多出4个百分点。我国的一次能源消费主要由煤炭、可再生能源和核电、石油和天然气等构成。煤炭在一次能源消费中的比重由1980年的72%下降到2006年的66%，其他能源比重由26%上升到30%。其中，可再生能源和核电比
12、重由4%提高到9%，石油和天然气有所增长。终端能源消费结构优化趋势明显，煤炭能源转化为电能的比重由21%提高到50%，商品能源和清洁能源在居民生活用能中的比重明显提高。我国煤炭产量世界第一，低碳能源资源的选择有限决定了能源供给结构以煤为主。煤炭成为能源消耗的主体还将长期保持。到2050年中国化石能源比重将为76%。鉴于国情，我国应特别注意依靠科技进步和政策引导，提高能源效率，寻求能源的清洁化利用，积极倡导能源、环境和经济的可持续发展，并积极借鉴国际先进经验，建立和完善我国能源安全体系。1.3 课题研究背景随着我国经济的高速增长，重庆的经济在近几年也有了可喜的成绩。重庆在直辖时GDP的增长只有7
13、.5 %左右，到了2002年的时候GDP增长进入10%，并且一直持续不断的攀升，到2010年的时候已经达到21.4%左右。在2007年的时候，直辖十年的重庆人均GDP增长两倍。并且在当年中国城市GDP排名中，重庆位列第七名。对于重庆市的产业结构，从2010年重庆统计局公布的三次产业对GDP的贡献率中可以看到1992重庆第一产业、第三产业、第二产业中工业对GDP的贡献率分别为3.2%、41.9%、49.2% ，到2010年的一、三、工业产业的贡献率为3.2%、28.2%、59.1% ，可以看出重庆作为老工业基地（这个基地是以前30-40年代军工产生的基础，是抗战时期军工企业转移到重庆和清末民国初
14、有一批在这发展形成的，所以总的来说作为一个老城市工业是有一定基础的。）一直坚持着以工业为主导型的经济结构，并没有发生很大的改变。然而GDP的增长以及重庆以工业为主的产业结构都是依靠能源才有稳定的发展，因此它们带来的不仅是可观的前景，还有一系列的能源问题。众所周知我国是世界上单位GDP能耗最高的国家之一，近年来我国的能源消费一直出现增长的趋势，由此带来的能源问题已经成为我国国民经济发展的战略问题。而对于直辖最晚的重庆来说，其经济的迅速发展，导致其对于能源的需求猛增，在1990年的时候能源消费的增长速率在2.7%左右，到了2000年的时候能源消费增长已经为6%左右，而在2005年能源消费达到了空前
15、的增长速度，为21%左右。虽然近年来能源消费总量的增长速度有减缓的时候，可是能源消费总量仍然保持着不小的增长。并且从重庆市统计年鉴上提供的数据可以得到重庆市能源消费中煤炭的消费量与我国的能源消费结构大致相同。1980年其煤炭的消费量占能源消费总量的比重为76%左右，1990年为75%左右，2005年到2010年煤炭所占的比重有所下降但是仍维持在70%左右，煤炭消费比重基本上与世界上石油、天然气的消费比重相当。煤是一种排放物污染程度较高的能源, 在煤的生产过程中也是要消耗大量能源。因此, 以煤为主的能源消费结构决定了重庆的经济发展建立在高污染高能耗的基础之上, 这极大影响重庆市的经济发展质量,
16、与当今世界提出的低碳目标是极不协调的。所以能源问题已成为重庆社会经济发展的拦路虎。那么在同样有能源问题的我国市场经济这个大环境下，重庆应该怎样在响应国家政策-降低能耗的前提下又要保持自身经济的发展就更加成为一个严峻的考验。1.4 课题研究意义“十二五”时期（20112015年），是重庆市深入实施西部大开发战略、继续推进“两个加快”、全面建设小康社会的关键时期，也是全面落实“314”总体部署、统筹城乡改革发展的攻坚时期。所以能源消费进入了一个快速增长时期，故能源问题是其首先要考虑到的重要因素。并且经济学家认为，在能源资源有限的条件下如果经济的增长需要建立在高能耗、高浪费的基础上，那么经济发展就失
17、去了意义，所以节能减排是重庆市乃至全国都非常重视的经济发展计划。而此次预测不仅可以大概地了解重庆市在”十二五”期间经济发展动向，而且可以为重庆市优化能源结构提供理论上的数据，进而制定出节能减排措施，让重庆经济在数量上发展的同时在质量上也得到提高。 1.5 课题研究方法能源消费包括很多方面，本文主要针对能源消费总量和煤炭消费量做研究。首先对重庆市过去时期能源消耗的数据进行采集，通过搜集得到重庆1980年2010年能源消费总量以及煤炭能源消费量数据。采用Eviews软件对该时间序列建立ARIMA模型对其进行有效合理的分析，最后利用建立的模型得到能源消耗的发展趋势，并提出相应的改进建议及措施。 2
18、对能源消费总量及煤炭消费量建立ARIMA模型和预测2.1 ARIMA模型的基本思想ARIMA模型全称为差分自回归移动平均模型，是由博克思(Box)和詹金斯(Jenkins)于70年代初提出的一著名时间序列预测方法，所以又称为box-jenkins模型、博克思-詹金斯法。其中ARIMA（p，d，q）中AR是自回归, p为自回归项；MA为移动平均，q为移动平均项数，d为时间序列成为平稳时所做的差分次数，这一模型在经济领域的预测分析中得到广泛的应用。ARIMA模型的基本思想是：将预测对象随时间推移而形成的数据序列视为一个随机序列，用一定的数学模型来近似描述这个序列。这个模型一旦被识别后就可以从时间序
19、列的过去值及现在值来预测未来值。2.2 模型的拟合步骤用ARIMA模型拟合一般有以下几个步骤：A） 序列平稳性检验。可以用ARMA模型拟合的时间序列必须是平稳的，如果不平稳，要通过差分或序列变换等先将序列平稳化。一般通过观察时序图和严格的单位根检验，这一过程可以求出I(d)。B） 检验平稳序列是否为白噪声。如果是白噪声，说明序列的变化是随机的，没有规律性，也就不能发现序列变化的趋势，构建ARMA模型也就没有意义了。C） 根据序列自相关系数(ACF)和偏自相关系数(PACF)，初步确定模型类型(是单纯的AR(p)还是单纯的MA(q)，或者是ARMA(p，q)和滞后阶数p、q的值。D） 是根据AI
20、C和SIC最小、R2最大的原则确定最终的模型，并评价模型的拟合效果。E） 对拟合后的模型进行严格检验，并利用模型来对未来进行预测。2.3 对重庆市能源消费总量拟合ARIMA模型表1 1980年至2010年重庆能源消费量统计（万吨标煤）年份能源消费量年份能源消费量年份能源消费量1980985.5919911558.5620012573.6819811004.319921601.0120022823.0519821050.3319931644.8520033137.919831110.0519941696.7220043668.1419841160.4919951776.9120054464.58
21、19851241.419961871.0920064881.6319861271.1419972030.1320075512.4419871395.6519982119.4620085895.119881513.1819992278.4220096431.6319891565.4620002410.8220107117.4119901516.59将该时间序列用X表示，利用X建立时序图（图1）和自相关图（图2）。由图1和图2可以看出该时间序列有明显的增长趋势，X为非平稳序列。所以我们要对数据进行处理，首先为了消除该序列的异方差性,对数据进行对数处理, 用LNX表示。图1 序列X的时序图Date:
22、 05/19/12 Time: 16:29Sample: 1980 2010Included observations: 31AutocorrelationPartial CorrelationACPACQ-StatProb. |*|. |*|10.8570.85725.0190.000. |* |. | . |20.723-0.04043.4610.000. |* |. *| . |30.594-0.05856.3740.000. |* |. *| . |40.465-0.08264.5780.000. |* |. | . |50.351-0.03169.4320.000. |*. |. *
23、| . |60.243-0.06071.8470.000. |* . |. | . |70.1630.02372.9810.000. |* . |. | . |80.1030.00773.4550.000. | . |. | . |90.053-0.01973.5870.000. | . |. | . |100.011-0.03073.5920.000. | . |. | . |11-0.031-0.04473.6400.000. *| . |. | . |12-0.069-0.04273.8970.000. *| . |. | . |13-0.103-0.03074.5050.000. *|
24、 . |. | . |14-0.136-0.03875.6230.000. *| . |. | . |15-0.163-0.02577.3310.000. *| . |. | . |16-0.187-0.03379.7180.000.*| . |. | . |17-0.208-0.03882.8800.000.*| . |. | . |18-0.227-0.04286.9200.000.*| . |. | . |19-0.245-0.04792.0210.000.*| . |. | . |20-0.261-0.04498.3330.000图2 序列X的自相关图2.3.1 平稳性检验图3为序列L
25、NX的时序图，该图表明该序列同样有明显的线性增长趋势，为了消除其线性趋势应该对其进行差分处理。由差分处理后各阶差分序列的时序图和ADF统计量（表2）显示二阶差分后的序列DDLNX为平稳序列(一阶差分序列用DLNX表示，二阶差分序列用DDLNX表示)。图3 序列LNX的时序图图4-1 序列DLNX的时序图Date: 05/19/12 Time: 16:39Sample: 1980 2010Included observations: 30AutocorrelationPartial CorrelationAC PAC Q-Stat Prob . |* | . |* |10.5860.58611.
26、3840.001 . |* | . |* . |20.4660.18618.8190.000 . |*. | . | . |30.320-0.01722.4640.000 . |*. | . | . |40.2480.02224.7390.000 . |*. | . | . |50.2210.06426.6130.000 . |* . | . *| . |60.107-0.10727.0720.000 . | . | . *| . |70.018-0.09627.0860.000 . |* . | . |*. |80.1260.23427.7770.001 . | . | . *| . |90
27、.010-0.15727.7820.001 . | . | . *| . |10-0.049-0.14027.8990.002 . *| . | . *| . |11-0.169-0.11729.3360.002 .*| . | . | . |12-0.195-0.01231.3550.002 .*| . | . *| . |13-0.259-0.18335.1310.001 .*| . | . *| . |14-0.297-0.07240.4300.000 *| . | . | . |15-0.3250.00947.1920.000 . *| . | . |* . |16-0.1680.17
28、149.1250.000图4-2 序列DLNX的自相关图图5 序列DDLNX的时序图表2 序列LNX及各阶差分后序列的平稳性检验结果序列ADF统计量临界值1% 5% 10%结论LNX1.575186-3.6752 -2.9665 -2.6220非平稳DLNX-1.822416-3.6852 -2.9705 -2.6242非平稳DDLNX-4.373118-3.6959 -2.9750 -2.6265平稳 2.3.2 ARIMA模型识别由平稳性检验结果得知, 应对能源消费总量时间序列数据建立ARIMA ( p , 2, q) 模型。下一步, 还需要对模型进行进一步的识别,确定p 、q 值。根据时
29、间序列DDLNX的自相关图和偏自相关图（图6）可以初步确定p=1，q=1，为了拟合出最优的模型，现将p和q所有可能的组合即（1,0）（0,1）（1,1）都进行参数估计及模型检验，并根据表3中三个模型的R2统计量最大化，AIC、SC值最小化原则，选择出最优模型为ARIMA（1 ，2 , 1），并且模型通过F统计量和P值、D-W的显著性检验。Date: 05/19/12 Time: 15:38Sample: 1980 2010Included observations: 29AutocorrelationPartial CorrelationAC PAC Q-Stat Prob *| . | *|
30、 . |1-0.347-0.3473.87340.049 . | . | . *| . |20.059-0.0703.98990.136 . *| . | . *| . |3-0.159-0.1844.86160.182 . | . | . *| . |4-0.009-0.1494.86470.301 . | . | . *| . |5-0.035-0.1224.90940.427 . |* . | . | . |60.071-0.0225.10570.530 .*| . | .*| . |7-0.233-0.2997.31630.397 . |*. | . | . |80.2470.0309
31、.92360.270 . *| . | . *| . |9-0.131-0.08310.6890.298 . |* . | . | . |100.1460.01311.6980.306 . *| . | . *| . |11-0.141-0.11212.6910.314 . |* . | . | . |120.071-0.02512.9560.372 . *| . | . *| . |13-0.066-0.05813.2030.432 . | . | . *| . |140.024-0.11513.2370.508 .*| . | .*| . |15-0.235-0.31116.7820.33
32、2 . |* . | .*| . |160.138-0.21918.0920.319 . |* . | . | . |170.073-0.01018.4920.358 . |* . | . | . |180.113-0.04519.5300.360 . *| . | .*| . |19-0.141-0.20021.3300.319 . |* . | . | . |200.1640.03024.0230.241图6 序列DDLNX的自相关图与偏自相关图表3 各模型统计量ARIMA（p，d，q）R2统计量AIC值SC值F统计量P(F-sta)D-W statARIMA（1，2，1）0.289520
33、-3.77860-3.6358645.0937450.0139442.075791ARIMA（0，2，1）0.122749-3.639176 -3.5440193.6380430.0675782.056783ARIMA（1，2，0）0.157213-3.706302-3.6120065.0365820.0332161.7992052.3.3 ARIMA(1,2,1)模型参数的显著性检验及其残差白噪声检验由图7可以得到拟合的ARIMA(1,2,1)模型参数的T统计量及其伴随概率在显著性水平为0.05的条件下皆通过检验，同时由该模型的残差的白噪声检验图（图8）显示残差也通过检验。综上许多条件，我们
34、可以得到一个结论：该模型拟合成功。Dependent Variable: DDLNXMethod: Least SquaresDate: 05/19/12 Time: 16:24Sample(adjusted): 1983 2010Included observations: 28 after adjusting endpointsConvergence achieved after 25 iterationsBackcast: 1982VariableCoefficientStd. Errort-StatisticProb. C0.0031910.0013812.3097500.0294AR
35、(1)0.4105400.1812752.2647390.0325MA(1)-0.9897780.000595-1662.6860.0000R-squared0.289520 Mean dependent var0.002018Adjusted R-squared0.232682 S.D. dependent var0.039705S.E. of regression0.034780 Akaike info criterion-3.778600Sum squared resid0.030241 Schwarz criterion-3.635864Log likelihood55.90040 F
36、-statistic5.093745Durbin-Watson stat2.075791 Prob(F-statistic)0.013944Inverted AR Roots .41Inverted MA Roots .99图7 拟合的ARIMA模型参数估计图Date: 05/19/12 Time: 16:44Sample: 1983 2010Included observations: 28Q-statistic probabilities adjusted for 2 ARMA term(s)AutocorrelationPartial CorrelationAC PAC Q-Stat P
37、rob . | . | . | . |1-0.045-0.0450.0641 . |* . | . |* . |20.1310.1290.6192 . *| . | . *| . |3-0.132-0.1241.20810.272 . | . | . | . |4-0.023-0.0501.22720.541 . *| . | . *| . |5-0.137-0.1101.91100.591 . | . | . | . |6-0.032-0.0491.94990.745 .*| . | .*| . |7-0.207-0.1993.66140.599 . |* . | . |* . |80.19
38、40.1695.23570.514 . *| . | . *| . |9-0.138-0.1186.08220.530 . | . | . | . |100.063-0.0486.26850.617 . *| . | . *| . |11-0.164-0.1437.58960.576 . | . | . *| . |12-0.022-0.0967.61420.666图8 残差检验图设，由估计的ARIMA模型的参数可以得到模型： 根据模型（1）对序列DDLNX进行预测，预测图如下：该图显示，拟合的ARIMA(1,2,1)模型对序列DDLNX的预测值在2倍标准差范围内波动，并且方差比例较小证明模型
39、很好的拟合了实际序列的波动，同时协方差比例为0.7，表明模型的预测效果较好。图9预测图2.4 煤炭消费量的研究意义煤炭是重庆的主体能源，长期以来煤炭在一次生产能源生产结构中一直占70%以上的份额，对重庆市经济的发展做出了不可磨灭的贡献。但是煤炭能源在其社会经济中的所占据的稳定地位也引发深层次的问题。首先，重庆市的煤炭资源并不丰富，人均煤炭基础储量约70吨，不到全国平均水平的三分之一，属于煤炭资源贫乏区。而长期以来的“川电保渝，渝煤自给”的发展定位在近些年已经发生了些许改变，在“十一五”期间重庆市已经成为煤炭调入地区，那么随着“十二五”重庆市经济的发展煤炭短缺问题将会更加明显，解决煤炭的供给问题
40、也势在必行。其次，煤炭已经成为影响经济健康稳步发展的主要因素。煤炭是高排碳的化石能源，煤炭的大量使用必定加重环境的污染，2006年，中国排放二氧化硫达到2589万吨，其中90%是燃煤造成的。因此节能减排对我国各地区来说已经成为战略问题，既是当前的紧迫需求，又是可持续发展的长远大计。因此，预测煤炭的消费量可以为重庆市了解未来煤炭能源需求量提供出一个合理的数据，继而制定出有关煤炭能源供应渠道的计划，为今后经济稳定高速的发展解除后顾之忧。当然在经济增长的同时还得兼顾人类赖以生存的环境，减少排放、保护环境是我们以人为本的发展理念的准则,而煤炭的大量使用与这一准则背道而驰，所以预测煤炭消费量也能给该地区增强实施“节能减排”的紧迫感，促使其积极有效地实施“节能减排”计划。2.5煤炭消费量的建模
