工業化、城鎮化進程中電力需求分析及預測

柴 建, 盧全瑩, 張鐘毓, 汪壽陽

(1.陜西師范大學 國際商學院，陜西 西安 710062; 2.中國科學院 國家數學與交叉科學中心 北京 100190)

?

工業化、城鎮化進程中電力需求分析及預測

柴 建1,2, 盧全瑩1, 張鐘毓1, 汪壽陽2

(1.陜西師范大學 國際商學院，陜西 西安 710062; 2.中國科學院 國家數學與交叉科學中心 北京 100190)

隨著工業化、城鎮化進程的不斷加快，我國電力需求量將持續上升。電力的充足供應是我國經濟穩步發展的重要保證,故合理準確的對電力需求進行分析及預測具有重要的現實意義。基于此，分析我國電力需求現狀，利用通徑分析篩選電力消費需求的核心驅動因素。在模型選擇的基礎上，基于單變量(ETS、ARIMA模型)和多變量(情景分析)兩個維度進行電力需求量分析及預測。結果表明:GDP每提高1%使得電力需求量提高0.5249%；工業化水平每提高1%使得電力需求量提高2.2146%，城鎮化水平每提高1%使電力需求量相應提高1.0076%。“十二五”末中國電力消費需求量將近61425.96KW/h，2020年中國電力消費需求將近81410.10KW/h。

預測科學；ETS；ARIMA；通徑分析;電力需求

0 問題提出

隨著我國經濟的快速發展，工業化、城鎮化進程也隨之加快。電力行業作為我國國民經濟的一項基礎產業，是我國經濟發展戰略中必不可少的支柱型產業。充足的電力生產和供應能夠為我國經濟穩步發展，人民生活水平的提高以及社會整體的進步提供決定性的條件，同時電力供給不足將會對國民經濟的發展起到阻礙作用。作為能源生產大國和重要的能源輸出地，為保證經濟發展，滿足不斷增長的能源消費需求，自改革開放以來我國不斷加大能源的科學開發力度，加大能源基礎配套設施建設，加快能源結構調整步伐。能源等礦產資源大規模開發與轉化不僅為全國經濟的快速發展提供了重要支撐，而且為世界的能源供應和能源安全做出了應有的貢獻。電力行業更是在我國經濟的發展中起到了積極的支撐作用。但是經濟發展過快的同時導致對電力需求的日趨加大，電力供應出現了緊張的局勢。我國2002年曾出現過大范圍缺電，2004年缺電的省份曾達24個。中國從2003年開始就面臨比較嚴重的電力短缺問題。因此，如何保證電力供應和國民經濟的可持續發展是我國 “十二五”期間需要解決的重大問題之一。在現階段，我國市場機制發展仍然不健全，高速度經濟發展很可能帶來周期性的電力短缺。為保證我國經濟發展的穩定以及相關能源政策的制定，電力消費需求的分析及預測成為一個重要的問題。

1 文獻綜述

截止目前，國內外對能源需求的研究文獻相對豐富，對電力需求的分析及預測也是屢見不鮮。能源需求問題越來越多地吸引到了科研工作者的目光。就相關的問題，本文從多個角度與層次對電力需求問題進行了探討。主要的研究集中在以下兩方面：

(1)電力需求的驅動因素：在驅動因素方面，大量研究表明能源的需求量與經濟增長、人口數量、經濟結構等因素有關。Kraft通過對美國GNP與電力小芬的關系研究，利用Granger因果檢驗的方法發現GNP到電力的單向因果關系[1]。Silk和Joutz利用協整的方法對美國居民電力消費的研究及需求預測，也發現了GDP與電力需求有關[2]。Thoma對美國的經濟產出和電力消費分部門進行了實證分析，Granger因果檢驗表明經濟增長能夠引起電力消費的變化[3]。Steenhof PA, Fulton W在研究中國的電力需求和供給決策的驅動力方面認為該框架包括技術和社會經濟的驅動力，包括那些影響電力需求的因素，即經濟增長，結構，能源效率，城市化，人均收入的變化，電力供應等[4]。林伯強針對中國電力消費的研究中利用資本存量、人力資本與電力消費三要素的生產函數，采用計量經濟學的分析方法：協整分析和誤差修正模型及Granger因果檢驗方法，研究中國電力消費與經濟增長之間的關系發現，中國電力消費與經濟增長具有內生性，且互為因果關系[5]。王海鵬等運用協整理論和Granger因果關系實證研究了我國電力消費和經濟增長之間的協整關系和因果關系，通過建立誤差修正模型分別描述了電力消費和經濟增長之間的長期均衡關系和短期動態關系，Granger因果檢驗表明電力消費和經濟增長之間存在雙向的因果關系[6]。

(2)電力需求的預測方法：在研究電力需求所用方法上，朱忠烈、楊宗麟等[7]按照電力需求預測方法的理論基礎,總結預測方法總體分為三種：經典電力需求預測方法、傳統電力需求預測方法及現代電力需求預測方法。經典電力需求預測方法主要有:單耗法、彈性系數法、負荷密度法與分部門法等。傳統電力需求預測方法主要有時間序列平滑法、回歸模型法、趨勢外推法與相關分析法。現代電力需求預測方法主要有灰色預測法 、神經網絡預測法、小波分析法、模糊預測法、狀態空間與卡爾曼濾波及優化組合預測法。同時隨著智能算法的不斷發展，預測方法從傳統的時間序列平滑法、回歸模型法、趨勢外推法與相關分析法發展到現在的模糊集、粗糙集、支持向量機、遺傳算法等智能化方法已被廣泛引入到能源預測中。例如Yukun Bao提出了一種新穎的multiple-step-ahead時間序列預測方法：采用多輸出支持向量回歸(M-SVR)與多輸入多輸出(MIMO)預測策略[8]。

其中被廣泛應用的自回歸(AR)、移動平均(MR)、自回歸移動平均(ARMA)、自回歸整體移動平均(ARIMA)和一般指數平滑等各類方法被學術界成功的接受。協整檢驗中包括的標準Granger因果檢驗和極大似然法檢驗以及單位根檢驗和誤差修正模型(ECM)在研究經濟增長與電力消費需求的過程中應用最多。Badri MA, Al-Mutawa A, Davis D, Davis D開發了以變化的時間為基礎的決策支持系統，集成數據管理、模型基礎管理、仿真、圖形顯示、統計分析，為阿聯酋提供了用電高峰負荷的近最優的預測模型。模型基礎包括各種時間序列技術，如指數平滑法、Box-Jenkins法(利用時間序列的自相關函數和偏相關函數的特征，采用AR、MA和ARMA三種模型對時間序列進行建模識別)、動態回歸[9]。Zachariadis T, Pashourtidou N研究了塞浦路斯住宅和服務業的電力消耗與收入、價格和天氣的關系。利用時間序列技術，進行是否存在結構性水平突變的單根檢驗、協整檢驗、向量誤差修正模型、Granger因果檢驗和脈沖響應函數[10]。Saab S, Badr E, Nasr G使用AR(1)和有限脈沖響應濾波(a finite impulse response filter)的混合模型預測黎巴嫩的電力需求，該混合模型比自回歸模型和ARIMA模型有更高的精度[11]。

雖然國內外學者對電力需求的研究已經相對深入，但是由于各國各地區的經濟發展水平和產業結構存在明顯的差異，影響因素的選取還存在一定區別。中國作為發展中國家的代表，擁有世界第一大的人口，第二大規模的經濟，城鎮化和工業化的腳步正迅速加快。而以往的研究中通常都只是考慮了傳統因素，如固定資本和勞動力等，只有極少的文獻將工業化和城鎮化這兩個重要的影響因素同時納入影響因素的考慮范圍。何曉萍等[12]在林伯強[13]提出的城市化和工業化進程對能源需求的剛性問題及林伯強[14]對城市化和工業化進程影響能源需求的理論邏輯討論的基礎之上，通過分析和總結工業化和城鎮化這兩個因素在中國電力需求中的重要性，首次將這兩個因素同時作為重要的控制變量對中國城鎮化進程中的電力需求進行了預測，并分析比較了主要的結果。隨著工業化的推進，從事農業生產的人口比重越來越少。“十一五”期間，我國城鎮化水平顯著提高，按照國家統計局統計口徑，截止2012年我國城鎮人口為71182萬人，城鎮化水平達52.57%，比上年年末提高1.3%。可見，在工業化加快的同時帶動了城鎮化。所以，本文在研究電力需求分析和預測時以工業化和城鎮化作為前提將具有很重要的現實意義，也將為我國的經濟發展戰略部署提供相對有效的政策建議。

在建模策略上，現有研究多采用的是直接建模。在針對一個地區的電力需求做分析和預測時，國內外使用傳統的時間序列分析法、回歸分析法、單耗法、彈性系數法等直接建模較為常見。同時克強指數也指出，電力消耗與經濟變量間具有直接相關性。所以本文將從兩個維度，分別采用時間序列單因素分析和情景預測多因素分析進行直接建模。通過對1995年至2010年間我國電力相關數據的收集處理，在模型選擇的基礎上通過ETS和ARIMA模型進行單變量分析預測，然后再通過通徑分析方法篩選電力需求的核心影響因素，通過情景分析進行多因素分析預測。通過兩類模型、三種形式來分析預測我國的電力需求情況。

2 模型構建

2.1 單變量預測

在單變量預測方面主要是時間序列預測，時間序列預測用的最多的是平滑預測模型和ARIMA預測模型，歷史上有大量關于這些模型的理論及實證研究，并仍在被不斷的改進。平滑預測模型是在移動平均的預測方法上發展起來的，較之移動平均法有所改進，主要是利用平滑系數來進行移動平均預測。最早且應用最多的平滑預測模型是 HW(Holt-Winters，簡記HW)模型。而ARIMA(Autoregressive Integrated Moving Average Model，簡記ARIMA)模型在經濟預測過程中既考慮了經濟現象在時間序列上的依存性，又考慮了隨機波動的干擾性，對于經濟運行短期趨勢的預測準確率較高。雖然有很多近期文獻中的證據表明簡單模型如Holt-Winter執行效果同樣或者好于復雜的模型，但是Lisa Bianchi, Jeffrey Jarrett, R. Choudary Hanumara[15]基于對電話營銷中心的被叫通話進行預測，對比分析了加法和乘法版本的HW呈指數加權移動平均模型與Box-Jenkins(ARIMA)模型，發現ARIMA模型表現的更好。為對比分析效果，本文分別選取ETS(指數平滑技術)和ARIMA模型對我國電力需求量做單變量預測。

ETS(指數平滑技術)雖然在1950s年代就已經出現并開始應用，經過了幾十年的發展歷程開始成熟，但是在不同模型間進行選擇以獲取所需的“最優”模型直到近年才有所發展，Hyndman et al.對指數平滑模型進行了歸納總結，分為15種情況，具體見表1。

表1 ETS模型匯總分類表

指數平滑(Exponential Smoothing)模型ETS(Error, Trend, Seasonal)中的三項分別表示誤差項、趨勢項及季節項三種成分，其中，(Trend, Seasonal)的組合有表1中所列15種組合。殘差項分為迭加形式和相乘形式，若假定yt=μt+εt，則為加法誤差(additive errors)模型，若假定yt=μt(1+εt)，則為乘法誤差模型。故在考慮不同誤差形式的情況下，可以將上述15種模型擴展為30種。僅以預測的結果來看，殘差項取加法形式或乘法形式幾乎沒有影響。但是在不同的樣本數據下，不同的殘差形式卻各有優劣。因為涉及被0除的問題，因此在選擇不同的殘差項加乘形式、趨勢項加乘形式、季節項加乘形式的組合時要相當謹慎。在樣本均為嚴格正時，取殘差乘法形式是非常有優勢的；但在樣本有零值或負值時，乘法形式的模型將不再適用。針對電力消費量，在30種ETS模型及上百種ARIMA模型的計算結果下(R的FORECAST程序包)，通過信息準則(AIC,BIC, AICc)的選擇及預測精度的比較，最終模型選擇結果及精度統計結果如表2。ETS模型及ARIMA模型的參數估計結果見表3、表4。

表2 電力需求單變量預測模型選擇及精度分析

經過推導，本文的指數平滑估計電力需求量ETS(M,A,N)模型具體形式如下：

yt=(lt-1+bt-1)(1+εt)，yt+1=(lt-1+2bt-1)(1+εt)，…，yt+h-1=(lt-1+hbt-1)(1+εt)

lt=(lt-1+bt-1)(1+aεt)，bt=bt-1+(lt-1+bt-1)βaεt，εt?NID(0,σ2),0

其中，lt表示時間t時的截距項，bt表示時間t時的斜率，a,β為常數值。

表3 電力需求量ETS模型參數估計值

表4 電力需求量ARIMA模型參數估計值

表5 電力需求量單變量預測結果

圖1 電力需求量ETS預測圖(左)及ARIMA預測圖(右)

表5及圖1給出了電力需求量的預測結果，在進行模型選擇的時候，根據預測精度對模型進行了比較和篩選，ETS的預測結果和ARIMA的預測結果十分接近。按照兩種預測結果，全國電力需求量在2011年和2012年分別為46835億KW/h和51740億KW/h左右，這與2011年和2012年實際的電力消耗量46928億KW/h和49591億KW/h差距很小，說明兩種預測方法的效果較好，能夠有效地反映出我國電力需求未來的發展趨勢和狀況。理論上來說ARIMA模型更適合具有周期性的年度數據預測，而ETS模型能更好的對非平穩性及非線性特征的數據進行預測。由表2可見，變量數據具有非平穩性，同時不具有周期性，這說明電力需求量趨勢特征更為顯著，ETS模型的預測結果可能更加準確。另外2012年實際的電力需求數據大于ETS和ARIMA的預測值，對這種發展潛力巨大、發展速度極快的行業來說，實際需求或消費數據高于規劃值是合理的。

但是隨著中國居民收入穩步增加，經濟發展方式轉變加快，經濟結構進行戰略性調整，城鄉居民消費潛力進一步釋放，形成消費、投資、出口協調拉動經濟增長的新局面。工業化、信息化、城鎮化、市場化、國際化深入發展，電力需求更加旺盛。這些新的情況或者新的發展階段肯定會對電力需求的變動產生極大的影響，也就是說簡單的通過單變量歷史值進行趨勢預測是不全面的。因為這種預測是在時間序列分析理論的歷史記憶性規則下得到的。實際中，正是由于未來不確定性的存在，才使得預測成為難度較大并獲得廣泛關注的一門科學。因此，基于對未來不確定情景的假定，對目標變量進行預測成為很多著名研究機構及政府機構做決策的基礎。本文也將利用情景分析來對電力消費需求進行預測，從多因素的維度分析電力消費需求的影響因素，再進一步通過通徑分析方法篩選出核心的影響因素，建立回歸方程找出變量之間的關系，從而進行電力需求預測。

2.2 多變量預測

如果要利用多變量技術來預測電力需求量，就必須獲得這些核心影響因素的未來預期值，文獻中使用較多的是利用情景分析法來給出未來的情景假設下的自變量預測值，然后代入模型以獲得因變量的預測值。在情景分析中最重要的是自變量的基準情景，然后在合理浮動的基礎上給出好或差的情景分析。隨著信息技術的發展，涉及到技術的預測都很難把握未來的走向，雖然知識、信息是一個漸變的積累過程，但技術的創新很可能是一種離散形式的突變，基準情景下預測值的上下區間浮動很難反映預估變量的未來變化。因此本文只給出基準情景，而不在此基礎上進行多種情景下的預估。

2.2.1 核心影響因素篩選

通過對已有的研究結論進行分析可知影響電力需求量的因素很多，涉及各個方面，而且因素間的相互關系比較復雜。所以，本文基于文獻綜述提及的國內外研究并根據我國自身的發展特征以及本文的研究重點，將分別從需求和供給、替代能源、成本因素和國家政策等角度綜合考慮選取如下影響因素：

國內生產總值GDP：在電力及能源研究的文獻中，國內生產總值是最早出現的也是最常使用的解釋變量，也被眾多學者認為是影響電力需求的決定性因素。中國的電力消費與經濟增長具有內生性，并且這兩個變量之間是相互聯系的。林伯強[16]在電力消費和中國經濟增長：基于生產函數的研究中證明了這一經驗假設。研究證明了在GDP與電力消費之間存在著顯著且穩定的正相關關系。

工業化水平：從宏觀的角度，我國目前正處于重工業化的發展階段。工業耗電量一直是電力消費中主要部分，也是最大部分。近年來，工業耗電量一直占全國總耗電量的70%，工業化的加快也促使電力消費的大幅度增長。我國目前正處與發展階段，工業化成為發展過程中的主要標志，吳玉鳴、李建霞[17]的研究發現，在產業結構中，工業比重的增加，是導致國內生產總值(GDP)電力強度增加的一個重要原因。因此，本文以第二產業的產值占GDP比重作為衡量指標。

城鎮化水平：經濟的快速發展隨之帶來的是城鎮化和工業化的加快，城鎮化的加快推動的是相應的基礎設施、交通住房體系的建設，從而導致的就是高耗能的工業、建筑業的發展，使得居民用電量增加。Reinhard Madlener[18]研究發現2011年間城市消耗了世界上75%的資源，并得出世界上不同城市機制、不同發展水平的國家，其能源需求都會隨著城市化的發展而上升這一重要結論。因此本文假設城鎮化率與電力需求呈正相關，用城鎮人口占總人口的比率表示城市化率。

電價：價格是影響需求和利用率的關鍵因素之一。隨之電價改革的進一步深化，電價水平對電力需求的影響越來越大。用電價格水平下降，在一定程度上會刺激農村居民的用電量，但是一些工業用電大戶對電價的承受還是相對較低。中國能源市場化改革尚未完成，電價仍由行政制定，電價水平多年不變。因此，直接采用電價較難反映它對電力需求的影響，燃料價格較早地實現了市場化定價機制，再考慮到中國電源結構以火電為主，所以本模型選擇燃料零售價格指數作為電力價格指標，假定價格上升會降低電力需求。

表6 指標選取及說明

數據來源于《中國能源統計年鑒》、《中國統計年鑒》，WIND數據庫，樣本區間選取1995～2010年。對所有變量均取對數處理，取對數后的數據更加平滑，消除異方差，同時可以將數據間的非線性關系(冪函數及指數函數關系)轉化為線性關系。

在影響因素研究中，大部分研究采用多元回歸分析方法，但該方法的缺點是不能消除多重共線性。為了解決這一問題，數量遺傳學家Sewall Wright于1921年提出來的一種多元統計技術——通徑分析。通徑分析是簡單相關關系的進一步發展，在多元回歸的基礎上通過對自變量與因變量之間表面直接相關性的分解，通過直接通徑、間接通徑和總通徑系數來研究自變量對因變量的直接作用、間接作用以及綜合作用，從而為統計決策提供可靠的依據，在眾多領域得到廣泛應用。例如Jian Chai等[19]將此方法應用在分析石油價格影響因素的研究中。

表7 正態性檢驗

表8 各影響因素對電力需求的通徑分析表

自變量總影響直接影響總間接影響決策系數T檢驗GDP0．994910．638540．356371．5820865．112537IP0．2251260．0907660．134360．4420133．308398C0．9748420．3479090．6269331．8286432．832701

2.2.2 情景分析預測

回歸的最終結果顯示在5%的置信水平下，保留的所有變量均通過了顯著性檢驗，而且調整后的R2值達到了0.9936，這說明擬合效果很好。序列殘差的獨立性及平穩性也均通過檢驗。同時，從彈性的角度分析給出了我國電力消費需求對解釋變量的敏感性結果。GDP每提高1%使得電力需求量提高0.5249%；工業化水平每提高1%使得電力需求量提高2.2146%，城鎮化水平每提高1%使得電力需求量相應提高1.0076%。可以看出，電力消費對工業化發展和城鎮化化水平的反應比較強烈，彈性較高，具體回歸結果見表9。

表9 回歸結果

注：Signif. codes:0‘***’ 0.001 ‘**’ 0.01‘*’ 0.05‘.’ 0.1‘ ’ 1。

利用上面的回歸結果，擬合的回歸方程為：LnY=1.6185+0.5249LnGDP+2.2146LnIP+1.0076LnC。

本文給出了2011～2020年電力需求核心影響因素的基準情景估計值，根據我國“十二五規劃”，我國國內生產總值在2015年將達到55.8萬億元，年均增長7%，故本文以7%的增長率計算GDP變化量。2015年城鎮化率要達到54%以上，“十二五”第一年(2011)的城鎮化率已達到51.27%。十八大后，中國政府致力于改變貧富差距、保持經濟的持續發展，而完成這兩個目標的最重要的一個措施就是城鎮化，通過城鎮化來縮小貧富差距，在城鎮化過程中基礎設施、產業的轉移和結構調整將帶動大量的投資和就業。因此未來城鎮化的速度不會下降，按照十八大后大部分人口專家的估計，2020年中國的城鎮化將達到60%以上。按照這個預期，城鎮化的年增長率將達到2%左右，本文以增長率2%的標準來設定2011～2020年中國的城鎮化率。又因為在“十二五規劃”中提到，工業占GDP比重總體變化不大，但其內部結構將發生劇烈轉變，即從“十一五”時期以能源原材料工業為主導向以高加工度、高技術含量制造業為主導轉變，同時產品結構會發生由生產資料為主向消費資料為主的轉變，第二產業比重在波動中趨于下降，2015年達到45%左右，通過計算可得十二五期間第二產業比重的增長率為-0.76%，具體結果見表10。

表10 電力需求量核心影響因素基準情景

2.3 組合預測

根據表5、表10的預測值，本文得到電力需求在兩類模型、三種形式下的預測值以及他們的組合預測結果。具體結果見表11。

表11 電力消費需求(億KW/h)預測結果

表11表明，時間序列技術的合成預測結果比情景分析下的多元回歸預測結果值要大，也就是說如果發展趨勢延續歷史趨勢，電力消費需求量將會很大。另外，兩種時間序列模型的預測結果說明電力消費需求趨勢性發展特征明顯，無周期性。而多元回歸預測考慮了核心影響因素的變動趨勢，在基準情景設定下，該模型得到的電力消費需求的預測值與時間序列ETS模型結果和ARIMA模型結果相差很大。但與2011年和2012年電力消費的真實值相比，ETS和ARIMA模型預測得到的預測值要更接近。這主要是因為政府的未來規劃認為城鎮化水平及工業化水平的趨勢均會減緩，即使能夠延續前十幾年的發展趨勢，但增長速度肯定有所降低，這在理論上也是合理的。這就使得多變量預測結果小于歷史記憶性規則下的時間序列模型預測結果。而多變量模型也是基于歷史數據獲得，然后將變量間的關系延續到未來進行預測，其實也具有單變量時間序列遞推模型的記憶性，只是利用目前所獲得的信息對未來的預測做了靈活的預估和修正。但是有很多未考慮的因素也許在未來會起到關鍵作用，如人口紅利的到來、技術進步等很可能會彌補本文選取的核心影響因素所帶來的不利影響，這樣單變量時間序列遞推模型與多元回歸模型就各有優劣。所以，本文對其結果又進行了組合預測。組合預測的時候會遇到權重的選擇問題，很多的文章(Jeong-Ryeol Kurz-Kim)[20]討論過組合預測的權重設定問題，但是既然認定了所選擇的模型各有優劣，如果在組合時給予不同的權重相當于對模型有了優劣的排序，這樣就可以選擇最優的模型而不必再做組合。因此簡單的等權重組合預測模型也就具有了很好的合理性和適用性。基于此，本文利用ETS模型、ARIMA模型及情景分析的多元回歸進行等權重組合預測，具體計算結果見表11。

3 結論

城鎮化是每一個國家發展過程中所必然經歷的階段，中國的城鎮化也不可逆轉。就目前中國的經濟發展速度和社會現狀，如果沒有出現大的災難，城鎮化要持續到2020年。同時中國的工業化也將要持續發展。在這個過程中我們需要正確地認識能源現狀，合理預測未來的電力消費需求。本文對電力需求量進行深入剖析，在模型選擇的基礎上，從單變量和多變量兩個維度對電力需求量分別進行分析和預測。在單變量預測上主要采用了ETS和ARIMA兩個預測方法；在多變量分析時，利用通徑分析篩選核心影響因素，進一步分析了電力需求的驅動因素。最后綜合單變量及多變量的分析預測結果，通過組合預測對電力消費需求進行了分析預測。結果表明，雖然政府部門通過調控盡力降低電力需求量，但保守估計“十二五”期末中國電力需求量將達到近61500億KW/h，2020年中國電力消費達到近81400KW/h，2011～2020年的年平均需求增長率達到5.9%。根據預測和分析結果，本文給出以下建議：

首先，本文實證研究表明電力需求對GDP的彈性已經小于1，但經濟發展一直是電力消費的主要動力，而且兩者之間具有顯著的正相關關系，同時宏觀經濟環境變化相對電力需求變化來說具有滯后效應。這說明就電力行業的長遠發展和規劃我們要充分考慮宏觀經濟的發展，在我國電力對GDP的彈性的基礎上建立有效的短期和長期電力規劃。其次，目前的低價能源(包括電價)管制政策使價格不能充分反映資源稀缺和環境成本，鼓勵了能源的低效利用，特別是推動了高耗能產業的迅速擴張。而我國正處于工業發展進程中，高耗能產業比重相對較大，更需要電價改革來控制高耗能產業的迅速擴張。盡管目前電價改革仍然處于探索階段，電力市場仍是由政府實行管制，但是我國各地區的發展程度不同，高耗能產業主要集中在中西部，統一定價不利于各地區的平衡發展。所以，電價改革勢在必行。最后，在考慮產業結構的影響時，我們發現以重工業為主的第二產業在我國的經濟發展中一直占有較大的比重。重工業對全國的經濟發展拉動作用仍然很大，尤其是在工業化進程不斷加快的前提下。但保證經濟發展的同時，我們也應該優化產業結構，減少經濟結構中高耗能企業比重，提高產業升級，提高電力使用率，實現美麗中國。

[1] Kraft J, Kraft A. Relationship between energy and GNP[J]. Journal of Energy and Development, 1978, (3): 401- 403.

[2] Julian Silk I, Frederick Joutz L. Short and long-run elasticities in US residential elect ricity demand: a cointegration approach[J]. Energy Economics, 1997, 19(4): 493-513.

[3] Thoma M. Electrical energy usage over the business cycle[J]. Energy Economics, 2004, 26(3): 463- 485.

[4] Steenhof P A, Fulton W. Factors affecting electricity generation in China: current situation and prospects[J]. Technological Forecasting and Social Change, 2007, 74(5): 663- 681.

[5] 林伯強.電力消費與中國經濟增長：基于生產函數的研究[J].管理世界,2003,(11):18-27.

[6] 王海鵬,田澎,靳萍.中國能源消費、經濟增長間協整關系和因果關系的實證研究——以電力行業為例[J].生產力研究,2005,(3):159-177.

[7] 朱忠烈,楊宗麟,程浩忠,顧潔,秦康平,林佳,陳銀峰.節能減排背景下電力需求分析預測研究[J].華東電力,2009,37(5):0703- 0707.

[8] Yukun Bao, Tao Xiong, Zhongyi Hu. Multi-step-ahead time series prediction using multiple-output support vector regression[J]. Neurocomputing, 2013, (17): 1-12.

[9] Badri MA, Al-Mutawa A, Davis D, Davis D. EDSSF: a decision support system(DSS) for electricity peak-load forecasting[J]. Energy, 1997, 22(6): 579-589.

[10] Zachariadis T, Pashourtidou N. An empirical analysis of electricity consumption in Cyprus[J]. Energy Economics, 2007, 29(2): 183-198.

[11] Saab S, Badr E, Nasr G. Univariate modeling and forecasting of energy consumption: the case of electricity in Lebanon[J]. Energy, 2001, 26(1): 1-14.

[12] 何曉萍,劉希穎,林艷蘋.中國城市化進程中的電力需求預測[J].經濟研究,2009,(1):118-130

[13] 林伯強.中國重化工業之行的能源和環境約束[EB/OL].2005-10-16,http://www.21page.net/html/2005-10-18/17393.htm.

[14] 林伯強.城市化是能源可持續問題的關鍵[EB/OL].21世紀經濟報道,2008-11-17,http://opinion.hexun.com/2008-11- 15P111259680.html.

[15] Lisa Bianchi, Jeffrey Jarrett R. Choudary Hanumara. Improving forecasting for telemarketing centers by ARIMA modeling with intervention[J]. International Journal of Forecasting, 1998, 14(4): 497-504.

[16] 林伯強.結構變化、效率改進與能源需求預測:以中國電力行業為例[J].經濟研究,2003,(5):57-93.

[17] 吳玉鳴,李建霞.省域經濟增長與電力消費的局域空間計量經濟分析[J].地理科學,2009,29(1):30-35.

[18] Madlener R, Sunak Y. Impacts of urbanization on urban structures and energy demand: what can we learn for urban energy planning and urbanization management[J]. Sustainable Cities and Society, 2011, (1): 45-53.

[19] Jian Chai, Ju-E Guo, Lei Meng, Shou-yang Wang. Exploring the core factors and its dynamic effects on oil price: an application on path analysis and BVAR-TVP model[J]. Energy Policy, 2011, 39(12): 8022- 8036.

[20] Jeong Ryeol, Kurz Kim. Combining forecasts using optimal combination weight and generalized autoregression[J]. Journal of Forecasting, 2008, 27(5): 419- 432.

Analysis and Forecasting of Power Demand in Industrialization,Urbanization Process

CHAI Jian1,2, LU Quan-ying1, ZHANG Zhong-yu1, WANG Shou-yang2

(1.InternationalBusinessSchoolofShaanxiNormalUniversity,Xi’an710062,China; 2.NationalCenterforMathematicsandInterdisciplinarySciences,CAS,Beijing100190,China)

With the development of the industrialization,the urbanization process is accelerating.China’s power demand will continue to rise. The power supply is an important guarantee for the steady development of our economy. Therefore, a reasonable and accurate analysis of electricity demand and forecast is of important practical significance.This paper uses path analysis for screening the core of the electric power consumption demand based on this analysis of the current situation of China’s power demand. We analyze and forecast power demand based on single variables(ETS, ARIMA)and multivariate(scenario analysis)two dimensions based on model selection. The results show that GDP for every 1% increase in the electricity demand in 0.5249%; the level of industrialization for every 1% increase in power demand has increased by 2.2146%, the level of urbanization for every 1% increase in power demand has increased by 1.0076%. At the end of “Twelfth Five-Year Plan”, the consumption capacity of Chinese electric power reaches nearly 61425.96KW/h. By 2020,China electric power consumption will reach nearly 81410.10KW/h.

scientific forecasting; ETS; ARIMA; path analysis; power demand

2014- 03- 05

國家自然科學基金資助項目(71103115)；中國博士后科學基金面上資助項目(2012M510580)；陜西省軟科學研究計劃項目(2012KRM95)；大學生創新創業訓練計劃項目(201210781026)

柴建(1982-),男，副教授,博士后，研究方向：能源風險管理，宏觀經濟計量；盧全瑩(1991-),女,研究生，研究方向：金融統計與市場研究。

F062.1

A

1007-3221(2015)01- 0164- 09