基于支持向量回归机中国煤炭长期需求预测.docVIP

基于支持向量回归机中国煤炭长期需求预测 　　摘要：本文运用支持向量回归机(SVR)对我国煤炭1985-2008年需求量进行模拟与仿真，预测我国2009-2020年煤炭长期需求，并模拟解释变量不同增长率下煤炭的需求量，最后根据预测结果给出政策选择。研究结果表明，在基本情景下中国煤炭需求从2009年的20.648亿吨，到2017年将出现峰值，达到24.592亿吨，随后缓慢下降至2020年的23.186亿吨。说明在现有的能源消费情景下，中国高速经济增长依然要严重依赖煤炭。同时还发现，经济增长是煤炭需求增长的主要原因，影响最大，是能源政策的一个重要影响变量；工业结构(第二产业)影响次之，即便是微调，也会对煤炭需求有较大的抑制作用；城市化也是影响煤炭需求的一个重要因素，但影响相对较小。 　　关键词：煤炭需求；支持向量回归机；政策选择 　　中图分类号：F426.21　文献标识码：A　文章编号：1671-0169(2011)05-0015-04 　　 　　一、引言 　　 　　中国是世界上极少数几个以煤炭为主要能源的国家之一，截至2010年，中国煤炭消费比重仍然保持在69.94％，并已从煤炭净输出国变成煤炭净输入国。近几年中国煤炭供需形势历经数轮起伏，2004、2005和2008年出现了煤、电、油、运全面紧张的局面。同时，中国的城市化、工业化仍未完成，经济快速发展的趋势还会继续，预计煤炭需求还会进一步上升。充足可靠的煤炭供给不仅是目前影响经济稳定的重大宏观问题，还将对未来经济增长产生重大影响。据此，经济增长、城市化和工业化将对中国的煤炭需求带来何种冲击以及在这种冲击下未来煤炭需求情况如何，是本文要研究的问题。由于未来煤炭需求影响因素存在不确定性，因此，模拟不同路径下未来煤炭需求量并找出峰值对整个中国经济来说至关重要，同时也对能源战略的制定起到参考作用。 　　近年来，国内外一些学者采用规划优化技术、弹性系数法、投入产出法和传统时间序列法等对能源需求进行研究和预测，得出了一些比较实用的建模方法和政策建议。在解释经济发展与煤炭消费之间长期均衡和短期波动关系方面，标准Granger因果检验、协整和误差修正模型(ECM)得到大量运用：如Bentzen和Engsted(1993)以及Bentzen(1994)分别估计了丹麦能源和汽油的需求弹性，Kulshreshtha和Parikh(2000)分行业研究印度煤炭的长期需求弹性和短期动态调整行为，林伯强(2007)研究中国煤炭需求的长期均衡关系。但是，还有一些问题值得探讨：(1)上述预测方法难以准确刻画煤炭系统中的非线性关系，导致预测精度不高；(2)将城市化和工业化同时纳入模型中，分析中国经济增长和煤炭消费的长期关系，前人在这方面研究较少；(3)受到环境制约、科技进步等方面因素的影响，未来中国煤炭资源的需求到底是多少，何时将出现峰值，以及长期煤炭需求演化路径如何等等问题，仍需进一步深入研究。 　　有鉴于此，本文运用基于统计学习理论而发展起来的一种新学习方法――支持向量回归机(Support Vector Regression，SVR)，根据1985-2008年数据对我国煤炭需求进行模拟与仿真，并对中国2009―2020年煤炭需求量进行预测，模拟不同解释变量增减情况下的未来煤炭需求变化，寻找峰值并进行分析，最后给出相应的政策建议。 　　 　　二、煤炭需求预测模型的建立 　　 　　(一)模型构建 　　一般来说，煤炭需求影响因素与煤炭需求量的关系非常复杂，很难用一个具体的模型来描述。本文采用SVR来映射输入(煤炭需求影响因素)与输出(煤炭需求量)之间的关系。具体来说，把1985-2008年的煤炭需求量以及所确定的各影响因素指标的历时数据作为样本，构造一个多输入、单输出的支持向量回归机预测模型。一般来说，国民收入是影响煤炭需求的主要因素。另外，由于中国是一个转型社会，产业结构的变化，特别是煤炭消费量较大的重工业产业结构的变化会对煤炭需求产生较大的影响；同时，由于城市居民和农村居民的能源利用方式和消费水平有很大差别，因此，城市化也是影响能源需求的重要因素之一。据此，本文采用经济增长(GDP)、城市化(城市人口数量占总人口数量)和产业结构(第二产业占整个产业的比重)三个变量来表示输入。 　　 　　 　　 　　 　　(二)方法检验与验证 　　首先将1985-2005年(训练样本)煤炭需求变量数据，作为SVR的输入，相应的中国煤炭消耗量作为输出，进行模拟与仿真。然后，运用训练好的模型对中国2006-2008年煤炭需求量进行预测(检测样本)，最后根据预测的结果与实际值进行比较，以验证方法的有效性和可行性。在进行训练与预测时，需要确定SVR正规化参数C和RBF核函数参数，。本文将最终的