中国工业化、城市化进程中的能源需求预测与分析

孙 涵 成金华

(中国地质大学经济管理学院，湖北武汉430074)

中国工业化、城市化进程中的能源需求预测与分析

孙 涵 成金华

(中国地质大学经济管理学院，湖北武汉430074)

为了取得可靠的能源需求预测，本文引入工业化、城市化等重要因素，利用支持向量回归机在时间序列预测中的优势，确定了输入向量集合和输出向量集合，建立基于支持向量回归机能源需求预测模型。将我国1985－2009年能源需求相关数据进行模拟与仿真，并对中国2010－2020年能源需求量进行预测，并模拟解释变量不同增长率下能源需求的演变并给出政策选择。研究结果表明，中国高速的经济增长以及工业化和城市化的发展对能源需求影响很大，到2020年能源需求将达到45．3亿t标准煤，而且经济增长速度越快对能源需求就越大。变量模拟得出的结论是产业结构也是能源需求重要影响因素之一，工业结构的调整，即便是微调，也会对能源需求有很大的抑制作用;中国城市化进程以及城市化发展阶段所表现出的工业化特征，推动了能源需求快速增长，城市化率越高对能源需求越大，且对能源需求是刚性的，城市化也是能源需求重要影响因素之一。

能源需求;城市化;工业化;支持向量回归机

能源是人类生存和发展的重要物质基础，也是国家经济命脉和国家安全的重要战略物资。未来能源基础能否支撑我国经济的可持续增长，成为国内外关注的十分重要的问题。因此，做好未来能源需求分析，搞好能源需求预测，为能源规划及政策的制订提供科学的依据，对于保持我国国民经济可持续发展具有重要的现实意义。

国内外许多能源机构或相关机构主要从经济学理论和工程技术理论这两个角度对影响能源需求的影响因素、能源需求预测以及预测方法做了大量的研究。这些具有代表性的预测方法:MARKAL(市场分配)模型、情景分析法、弹性系数法、静态或动态投入产出法、时间序列法等方法已被广泛应用于能源需求研究和预测［1－3］。在解释经济发展与能源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)得到广泛运用［4－6］。但是迄今，在对能源需求研究和预测的文献中，主要有两点不足:第一，除了将经济水平作为最重要的解释变量，一些学者也试图纳入其它变量以增强模型的解释能力。但是，截止目前对能源需求的研究中，很少同时将工业化和城市化两个因素纳入进行定量的实证研究。发达国家的城市化和工业化已基本完成，能源需求处于相对稳定的缓慢增长或下降阶段，在模型中可以忽略这两个因素的影响。然而，当涉及到经济处于转型时期的发展中国家特别是中国时，这对研究结果的影响就尤其显著。目前，中国有着世界第一大规模的人口、第二大规模的经济，但区域之间发展极不平衡，这是基本国情;经济持续高速增长、城市化加快和其间的工业化特征，这是现在及今后相当一段时期内中国经济社会发展的最重要特点［7－8］。对中国能源需求的研究，必须考虑到上述基本国情和特殊经济社会发展阶段中的主要特征。第二，能源系统是一个的非线性系统，上述预测方法预测精度不高。能源消费和经济增长之间存在一种非线性的关系，一些学者得到了二者之间存在着类似环境库兹涅茨曲线的结论。由于传统的线性预测方法对数据样本没有学习过程，难以准确刻画能源系统中的非线性关系，导致预测精度较低［9］。尽管人工神经网络方法是公认的相对较好的方法，但我国能源需求的历史数据较少，在小样本情况下神经网络进行预测通常得不到充分的训练，使得性能不稳定，并且还存在推广(预测)能力不强等缺点［10－11］。而支持向量机［12－13］是一种专门研究有限样本情况下非参数估计问题的机器学习方法，它在解决小样本、非线性及高维模式识别问题中表现出许多特别的优势，受到学者的青睐，并已成功应用于时间序列预测［14］，已经成为机器学习界的研究热点之一。

因此，本文将在前人研究的基础上做出两个主要改进:第一将城市化和工业化同时纳入模型中，分析中国经济增长和能源消费的长期关系;第二，运用支持向量回归机方法，建立能源消费和经济增长的非线性数据模型。基于上述模型，对中国2010－2020年能源需求量进行预测，模拟解释变量不同增长率下，未来能源需求的演化路径，并给出政策分析与建议。

1 能源需求预测模型的建立

支持向量机(Support Vector Machines，SVM)最早是由 Cortes和 Vapnik［12－13］于 1995 年提出的一项新的数据挖掘技术，它借助于最优化方法，非常成功地处理回归问题(时间序列分析)和模式识别(分类问题)等诸多问题。

1．1 能源需求的回归支持向量机模型构建

能源系统是一个大而复杂的非线性系统，能源需求受经济、社会等诸多因素的影响，各因素相互渗透，相互作用。一般说来，能源需求影响因素与能源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(能源需求影响因素)与输出(能源需求量)之间的关系。具体说来:

在本文中，把能源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，如图1所示。

图1 支持向量回归机结构图Fig．1 Support vector regression chart

把影响能源需求变量［9－10］作为输入，把能源需求量作为输出，分别用(x1，x2，…，xd)和y来表示。本文用经济增长(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)和人口总数四个变量来表示输入。

根据上述历年的数据看作时间序列{X(t)，t=1，2，…－2)］，…X(t－d)式中:Φ为非线性函数;d为输入向量维数。

在进行能源需求预测时，利用支持向量回归机(SVR)进行回归与预测的基本思想［12－13］，就是将输入的影响因素x1，x2，…，xd，映射到一个高维特征空间，并在此空间进行线性回归，从而将特征空间的非线性回归问题转化为高维特征空间线性回归问题，所以它对于一些复杂的或非线性的问题非常有效。由统计学习理论［10－11］可确定回归函数如下:

其中，φ∶Rn→F，w∈F。(，)表示内积，φ 为 Rn空间到F空间的非线性映射，X∈Rn，w为权重，w∈F，b为偏置。

SVR解决回归问题是使结构风险最小化，而不是传统回归方法使经验最小化，这使得预测模型具有很好的函数逼近能力和泛化能力。式(1)中φ已知，利用样本数据(Xi，Yi)进行训练使式(2)泛函数最小化，可求出试(1)中w和b估计值。

其中，式(2)中 Remp［f］为经验风险，‖ω‖2为置信风险。C(e)为模型的经验损失，e=f(X)－Y=Y^－Y，Y^和iiiiiYi分别表示样本的预测值和真是值，ei为误差，S为样本容量。

由于φ是固定的，‖ω‖2反映了模型在高维特征空间的复杂性，其值越小则置信风险越小。λ是用于控制样本训练损失与模型复杂性折中的正则化参数。

求解式(2)等价于求解如下式(3)优化问题

其中c=1/λ，其他符号跟上述公式符号相同。为了便于求解，往往把上述式(3)转化为对偶问题，并求解。

b是偏置，可由任一支持向量机代入求得;K(Xt，X)是内积函数。本文选择径向基核函数［9，15］:

式(6)中:xj是训练年份输入数据向量;xv是预测年份的输入数据向量;f(x)为输出向量集合。式(6)经过运算会得到能源需求预测的参数αj和b，从而得到预测模型。

1．2 方法的检验与验证

首先将把1985－2005年(训练样本)能源需求变量数据，作为SVR的输入，相应的中国能源消耗量作为输出，进行模拟与仿真。其次，运用训练好的模型对中国2006－2008年能源需求量进行预测(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σ2。本文将最终的预测结果所产生的误差作评价标准，根据验证集上的性能表现，来确定合适的取值。本文经过反复试验，最后确定当C=80，σ2=75时，预测 2006－2009年能源需求量分别为24．727、27．305、29．214 和29．159 亿 t标准煤，与实际能源消耗相比误差分别为 0．41%、2．81%、2．5%和4．89%。为了验证其方法的可行性，将预测结果与真实值和BP神经网络预测值进行比较，如表1所示。由此可见，该方法预测的误差范围都很小，较BP神经网络方法好，其结果理想。因此，可以说本文选取的影响因素和所建立的模型具有一定的可行性和可靠性。上述模型的建立、编程及预测等工作均在Matlab8．0软件上编写实现的。

2 能源长期需求预测分析

2．1 数据来源

由于对能源需求做预测时，首要的工作是数据的收集与整理，特别是口径统一的一致性分析等。因此，本文所涉及到的数据是根据2000年和2009年《中国统计年鉴》中相关数据直接引用或间接计算而得，由于篇幅原因，数据略。从而保证了数据的可靠和口径的统一。又由于改革开放之前我国是一个封闭型的经济，这与1978年之后我国经济体制和运行环境都有较大区别，再根据数据的可获性，本文只考察了中国1985－2009年的能源需求数据。

表1 能源需求预测结果Tab．1 Energy demand forecast result

2．2 数据预处理

已确定的输入和输出数据共包含5个方面的内容。由于指标的量纲不同，数据在数量上差异性很大，如果直接用原始数据进行运算，则很可能出现较大范围的变化，使预测结果准确性降低。因此，需要对各指标的数据进行归一化处理，通过式(7)，可以把全部数据都归一化到［0，1］之间。

2．3 情形分析

由于预测是基于历史数据的，而未来能源影响因素如城市化、产业结构以及中国经济增长存在各种不确定性都会对预测的结果产生影响。因此，需要在不同影响情况下，对能源需求进行模拟分析。

为了更加全面地分析经济增长对用能源需求的影响，本文在GDP增长率为8%的基础上上下浮动0．5个百分点。尽管GDP增长率低可以降低能源需求，但是保持经济高速增长(约8%)是中国社会发展和劳动就业的保障［4］，因此它不该纳入我们的政策模拟分析中。相反，其它变量都是政府部门能够通过产业政策、加以影响的，因此在一定程度上都能成为抑制能源需求的政策工具。

产业结构的变化根据国家发展和改革委员会能源研究所研究结果［12］，第二产业结构的增长率为 8．27%。2009年全国城市化率约46．69%，距离中等收入国家61%、高收入国家78%的平均水平相去甚远。以2009年为基础，2020年要达到60%的城市化率［5］。可计算各年的城市化速度接近2．2%。2009年中国人口13．35亿，2020年达到14．5亿，可计算各年的人口增长速度接近6．4‰。我们在目标假设的基础上，逐个改变GDP以外变量的变动幅度，其中第二产业在原来增长率的基础上上下浮动0．5个百分点(其它产业增长率不变化)，城市化的增长率上下浮动0．4个百分点。由于人口增长缓慢，因此本文不对人口总数可能变化做分析。综上所述，本文把目标趋势假设:8%GDP增长率;8．27%第二产业结构变量增长率;2．2%城市化增长率为基本情况，为2009年为基准，模拟在不同的路径下，中国2010－2020年能源需求量，其结果如表2所示。

2．4 预测结果分析

第一，对经济增长速度的模拟结果表明，在目标趋势假设下，能源消费量自2010年的31．553亿t，然后逐年增长，直到2020年为45．3亿t。由于经济的增长对能源的需求有较大影响，于是本文对不同GDP增长率的进行模拟，其结果表明，7．5%GDP增长率使得中国在2010年的能源需求预测值为31．471亿 t，到2020年则到45．055亿t;8．5%GDP增长率使得中国在2010年的能源需求预测值为31．631亿t，到2020年则到达45．381亿t。说明中国在2010－2020年中，依然要消耗大量的能源，经济增长仍然是一个重要的影响因素，经济增长的大能源需求也越大。而这也说明正处在工业化中期的中国，未来能源消费量与经济发展水平有较强的正相关性。这也与许多经济学家研究的结论是一致的。

第二，对产业结构调整的模拟结果表明:－0．5%的下调(减少第二产业比例)使得能源2010年的能源需求为31．484 亿 t，比目标预测值少 0．069 亿 t，到2020 年能源仍需求45．249亿 t，比目标预测值少0．051亿 t;+0．5%的上调(增加第二产业比例)使得能源2010年的需求为31．621 亿 t，比目标预测值多 0．068 亿 t，到2020 年能源仍需求45．349亿t，比目标预测值多0．049亿t。由此可见，不同的产业结构会改变能源消耗倒U型曲线需求量的高度，由于短期内重工业结构是很难大幅度进行调整的，只能进行微调［11］，但是从模拟结果我们仍然可以看出，即使微调对未来能源需求也有很大的抑制作用，可以说产业结构对能源需求影响大。由此可见，产业结构也是中国未来能源需求增加的重要因素之一。

第三，对城市化调整的模拟结果表明:－0．4%的下调使得能源2010年的需求为31．515亿t，比目标预测值少0．038 亿 t，到2020 年能源仍需求 45．158 亿 t，比目标预测值少0．142亿t;+0．4%的上调使得能源2010年的需求为31．591 亿t，比目标预测值多0．038 亿t，到2020 年不同的城市化的变化率，能源需求都为45．393亿t，比目标预测值多0．093亿t。由此可见，不同的城市化会改变能源消耗倒U型曲线需求的高度，且城市化对未来能源需求的影响呈现一种不断加大的趋势，即城市化程度越高，对能源消耗越多，对未来能源的影响也越大(见表2)。可以说，城市化也是中国未来能源需求增加的主要因素之一。

通过以上分析，我们发现2010－2020年，城市化、工业化和经济增长一样成为影响未来能源需求的主要因素。中国的能源动态表明，2010年到2020年间，中国能源年消费总量还会不断增长，说明与能源密切相关的高耗能产业在快速增长，表明了工业化和城市化进程在加速。主要是因为:中国的城市化、工业化仍未完成以及中国政府对经济的驾驭能力，即使保守估计，中国经济还可以再快速增长30年［3］。正处在工业化中期，进入重工业化阶段的中国，高耗能产业快速增长，未来现代化目标必须完成工业化。工业化的资源路线决定了必然消耗大量的能源，这是一条无法跳脱的基本规律。而随着城市化进程推动，农村人口的快速城市化过程必然带来能源消费量的相应增长。2009年全国城市化率为46．69%，要想接近或达到距离中等收入国家61%的水平时，到2020年，中国大约有2．4亿人口将迁移进城市居住和工作(相当于目前美国2008年人口的75．66%)。保守地估计，中国城市人口能源消费是农村人口3．5到4倍［8］。2．4亿农村移民的能源消费将是一个庞大的数字。大规模城市基础设施和住房建设，需要大量水泥和钢铁，这些都只能在国内生产，因为世界上没有哪一个国家能为中国生产这么多的钢材和水泥。因此，高耗能产业对能源的需求也是刚性的。可以说，中国城市化进程以及城市化发展阶段所表现出的工业化特征，推动了能源需求快速增长。

表2 中国能源长期需求模拟Tab．2 Simulation of long-term demand of energy in China 108tce

3 结论

基于SVR的方法，我们预测了至2020年中国能源的长期需求，2020年的能源消费量将达45．3亿t，比其它预测要稍高一些。说明在现有的能源消费结构下，保持高速经济增长速度和现有第二产业结构比例，能源需求很大。对不同GDP增长率的模拟结果表明，7．5%的GDP增长率使得中国在2020年的能源需求预测值为45．055亿t;8．5%的GDP增长率为45．381亿t;而不同的经济增长速度对能源需求是不同的，经济增长越高能源消耗也越大。因此可以说，在此演义的路径下，经济增长速度是能源政策的一个重要影响变量。由于高速的经济增长(8%)是中国社会发展和劳动就业的保障，不该纳入我们的政策模拟分析中。但是，这对我国能源战略规划具有重要的参考价值。因而，经济增长速度是能源政策的一个重要变量。

工业化对中国2010－2020年能源需求都有显著的影响。这个因素可以改变倒U型曲线的形状和能源消费量的高度。也就是说，在不同经济增长方式和能源环境政策下，未来能源消费的“环境库兹涅茨”曲线高度。这意味着，通过制定和执行积极的能源政策，有可能使“环境库兹涅茨”曲线降低，或在曲线上找到一条近似水平的通道，甚至让能源需求峰值提前到来。例如调整产业结构来抑制高耗能产业的发展。工业结构的调整，尽管短期内重工业结构很难大幅度进行调整，但是我们可以进行微调，也会对能源需求有很大的抑制作用。因此，从中长期看，第一，中国必须加速改变全球化贸易分工的低端高耗能产业结构，从能源密集型的制造业向高技术、服务业的转型，特别是要警惕一味追求GDP的地方政府对落后产业的过分保护。第二，加强全民的环保节能意识。比如，建筑物的节能，中国的老百姓还很少考虑。这样通过这种方法减少中国经济对能源过度依赖，是有效的政策取向。

城市化也是对中国2010－2020年能源需求的主要影响之一。在城市化推进的过程中，中国的能源消费将发生巨大变化，即使技术进步有可能提高能源使用效率，但为满足经济增长和社会现代化的需要，中国能源消费总量仍将经历一段刚性的高增长阶段。从总体来看，城市化将是一个比较长的历程。各国社会条件不同，经历的时间会有所不同，但这一过程是每个发达和中等收入国家都经历过的。如果没有出现大的灾难性问题，中国城市化进程到2020年左右才能完成。需要并且真正理解这一阶段的能源消费增长和能源消费刚性问题，是制定有效的能源战略和政策的必要前前提。但长期来看，中国城市化水平的提高有利于提高能源的利用效率，所以，用推进城市化来调整和优化产业结构，是我国资源节约型社会建设的一项重要内容，这必将进一步提高能源效率，从而降低经济社会发展对能源的依赖程度。

(编辑:刘呈庆)

References)

［1］王安建，王高尚．能源与国家经济发展［M］．北京:地质出版社，2008．［Wang Anjian，Wang Gaoshang．Energy and State Economy Development［M］．Beijing:Geology Press，2008．］

［2］Capros P，Mantzos L．The European Energy Outlook to 2010 and 2030［J］．International Journal of Global Energy Issues，2000，14(1－4):137－154．

［3］梁巧梅，魏一鸣，范英．中国能源需求和能源强度预测的情景分析模型及其应用［J］．管理学报，2004，1(1):62－67．［Liang Qiaomei，Wei Yiming，Fan Ying．A Model for Scenario Analysis of China’sEnergy Requirementand Energy Intensity and Its Applications［J］．Chinese Journal of Management，2004，1(1):62 －67．］

［4］Bentzen J，Engsted T．Short and Long Run Elasticities in Energy Demand:A Cointegration Approach ［J］．Energy Economics，1993，15:9－16．

［5］何晓萍，刘希颖，林艳苹．中国城市化进程中的电力需求预测［J］．经济研究，2009，(1):118 －130．［He Xiaoping，Liu Xiying and Lin Yanping．China'sElectricityDemand Forecastunder Urbanization Process［J］．Economic Research Journal，2009，(1):118 －130．］

［6］林伯强，魏巍贤，李丕东．中国长期煤炭需求:影响与政策选择［J］．经济研究，2007，(2):48－58［Lin Boqiang，Wei Weixian，Li Pidong．China's Long-run Coal Demand:Impacts and Policy Choice［J］．Economic Research Journal，2007，(2):48 － 58．］

［7］林伯强．中国重化工业之行的能源和环境约束［N/OL］．2005，5．http://www．21page．net/html/2005－10 －18/17393．htm．［Lin Boqiang．The Heavy Chemical Industry in China's Energy and Environmental Constraints［N/OL］．http://www．21page．net/html/2005 －10 －18/17393．］

［8］林伯强．城市化是能源可持续问题的关键［N/OL］．21世纪经济报 道，2008，5．http://www． 21cbh．com/．［Lin Boqiang．Urbanization is the key to Energy Sustainable Issues［N/OL］．21ST century Business Herald，2008，5．http://www．21cbh．com/．］

［9］胡雪棉，赵国浩．基于Matlab的BP神经网络煤炭需求预测模型［J］．中国管理科学，2008，10(16):521 －525．［Hu Xuemian，Zhao Guohao．Forecasting Model of Coal Demand Based on Matlab BP Neural Network［J］．Chinese Journal of Management Science，2008，10(16):521 －525．］

［10］Lawrence S，Giles C L，Tsoi A C．Lessons in Neural Network Training:OverfittingMayBeHarderThan Expected ［C］．Proceedings of the Fourteenth National Conference on Artificial Intelligence［M］．Mento Park，CA:AAAl Press，1997:540 －545．

［11］Moody J E．The Effective Number of Parameters:An Analysis of Generalization and Regularization in Nonlinear Learning Systems［J］．NIPS，1992，4:847 －854．

［12］Vapnik V N．The Nature of Statistical Learning Theory［M］．Springer，1995．

［13］邓乃扬，田英杰．数据挖掘中的新方法—支持向量机［M］．北京:科学出版社，2004．［Deng Naiyang，Tian Yingjie．A New Method of Data Mining:Support Vector Machine［M］．Beijing:China Science Press，2004．］

［14］Theodore B，Trafalis H I．Support Vector Machine for Regression and Applications to Financial Forecasting［C］．IEEE－INNSENNS International Joint Conference on Neural Networks，2000:348－353．

［15］吴巧生，成金华，王华．中国工业化进程中的能源消费变动——基于计量模型的实证分析［J］．中国工业经济，2005，(4):30－371．［Wu Qiaosheng，Cheng Jinhua，Wang Hua．Change of Energy Consumption with the Process of Industrialization in China［J］．China Industrial Economy，2005，(4):30 －371．］

［16］郭菊娥，柴建，吕振东．我国能源消费需求影响因素及其影响机理分析［J］．管理学报，2008，9(5):651 －654．［Guo Ju'e，Chai Jian，Lu Zhendong．Application of Path analysis and PLSR to Forecast the Energy Resource Demand in China［J］．Chinese Journal of Management，2008，9(5):651 －654．］

［17］国家发展和改革委员会能源研究所课题组．中国2050年低碳发展之路:能源需求暨碳排放情景分析［M］．北京:科学出版社，2009．［State Development and Reform Commission Energy Research Institute Topic-based Group．China's Low Carbon Development Pathways by 2050:Scenario Analysis of Energy Demand and Carbon Emissions［M］．Beijing:Science Press，2009．］

［18］魏一鸣，范英，韩智勇，等．中国能源需求报告(2006):战略与政策研究［M］．北京:科学出版社，2006．［Wei Yiming，Fan ying，Han Zhiyong，et al．China Energy Report(2006):Strategy and Policy Research［M］．Beijing:Science Press，2006．］

［19］Sazimy C．Use of Artificial Neural Networks for Transport Energy Demand Modeling［J］．Energy Policy，2006，34(17):3165 －3172．

［20］Judson R A，Schmalensee R，Stoker T M．Economic Development and the Structure of the Demand for Commercial Energy［J］．Energy Journal，1999，20(2):29 －57．

China Energy Demand Forecast and Analysis in the Process of Industrialization and Urbanization

SUN Han CHENG Jin-hua
(School of Economics and Management，Chinese University of Geosciences，Wuhan Hubei 430074，China)

In order to obtain reliable Chinese energy demand forecast，this paper introduces some important factors such as urbanization and industrialization，and makes use of the advantages of Support Vector Regression(SVR)in the prediction of time series，decides the set of input vectors，and output vectors，and then establishes the model of prediction of energy demand by SVR．This paper gives policy choice through modeling and simulating the related data of energy demand from 1985 to 2009，forecasting Chinese energy demand from 2010 to 2020 and simulating the evolution of energy demand under different growth of explanatory variables．The results show that the Chinese economy which is developing with a high speed，and the advancement of industrialization and urbanization have caused great impact on energy demand，and energy demand will be 4．53 billion tons of standard coal by 2020．And the greater the economic growth rate，the greater the energy demand．The result implication from the simulation shows that the industrial structure is also one of the important influencing factors of energy demand，and adjustment of industrial structure，even very small adjustment，would greatly impact energy demand．We find that the recent rapid growth of energy demand in China mainly comes from its accelerating process of urbanization and the industrial characteristics that required have appeared in a rapid urbanization process．The higher the rates of urbanization，the greater energy demand，and demand for energy is rigid．Urbanization is also one of the important influencing factors of energy demand．

energy demand;urbanization;industrialization;support vector regression

F407．21;C913．3

A

1002－2104(2011)07－0007－06

10．3969/j．issn．1002－2104．2011．07．002

2011－01－01

孙涵，博士生，讲师，主要研究方向为资源管理工程和能源系统模型。