基于驅(qū)動(dòng)因素分解的能源消費(fèi)預(yù)測(cè)
——以上海市為例

高 迪，任庚坡，李琦芬，毛俊鵬，桂雄威

(1.上海電力大學(xué)， 上海 200090； 2.上海市節(jié)能監(jiān)察中心， 上海 200083)

上海市作為長(zhǎng)江流域經(jīng)濟(jì)帶的骨干和“龍頭”，近年來(lái)能源需求也不斷提高。與日俱增的能源需求，不僅影響我市能源自身安全，而且會(huì)對(duì)全國(guó)能源生產(chǎn)與供給產(chǎn)生一定影響。響應(yīng)綠色低碳號(hào)召，加強(qiáng)自身能源保障，是未來(lái)經(jīng)濟(jì)社會(huì)發(fā)展所遵循的規(guī)律[1]。因此，把握未來(lái)能源需求趨勢(shì)，對(duì)上海市能源戰(zhàn)略的制定實(shí)施及經(jīng)濟(jì)社會(huì)持續(xù)發(fā)展都具有重要意義。

為實(shí)現(xiàn)“十三五”時(shí)期上海工業(yè)綠色發(fā)展“雙控”目標(biāo)的完成，本文嘗試從工業(yè)企業(yè)能源消費(fèi)、工業(yè)固定資產(chǎn)投資項(xiàng)目能源消費(fèi)及產(chǎn)調(diào)與技改能耗減少量3部分驅(qū)動(dòng)因素入手調(diào)控上海市工業(yè)能源消費(fèi)總量。采用ARIMA-BP神經(jīng)網(wǎng)絡(luò)組合模型、情景分析法等能耗預(yù)測(cè)方法，綜合預(yù)測(cè)上海市工業(yè)能源消費(fèi)總量的需求趨勢(shì)。

1 樣本數(shù)據(jù)說(shuō)明

本文研究共涉及7個(gè)變量，分別為上海市工業(yè)能源消費(fèi)、經(jīng)濟(jì)水平(上海市生產(chǎn)總值)、產(chǎn)業(yè)結(jié)構(gòu)(三次產(chǎn)業(yè)結(jié)構(gòu)能源消費(fèi))、能源強(qiáng)度(單位產(chǎn)值能源消費(fèi))、能源消費(fèi)結(jié)構(gòu)(一次能源消費(fèi))、四大高載能行業(yè)能源消費(fèi)以及固定資產(chǎn)投資項(xiàng)目新增能源消費(fèi)量?？紤]數(shù)據(jù)獲得性，本文選取的時(shí)間序列跨度為2000—2018年，數(shù)據(jù)主要來(lái)源于歷年《上海能源統(tǒng)計(jì)年鑒》、《上海統(tǒng)計(jì)年鑒》、固定資產(chǎn)投資項(xiàng)目能評(píng)管理系統(tǒng)及統(tǒng)計(jì)局官網(wǎng)公布信息，數(shù)據(jù)資料真實(shí)可靠，有據(jù)可依[2-3]。

2 能源消費(fèi)預(yù)測(cè)模型方法概述

目前在能源消費(fèi)領(lǐng)域預(yù)測(cè)方法主要有回歸分析法、灰色預(yù)測(cè)法及時(shí)間序列法等，常用的能源消費(fèi)預(yù)測(cè)方法特點(diǎn)，見(jiàn)表1。

表1 能源消費(fèi)預(yù)測(cè)模型特點(diǎn)

續(xù)表(表1)

能源消費(fèi)變化本身會(huì)受到很多外部因素的影響，如經(jīng)濟(jì)水平(上海市生產(chǎn)總值)、產(chǎn)業(yè)結(jié)構(gòu)(三次產(chǎn)業(yè)結(jié)構(gòu)能源消費(fèi))、能源強(qiáng)度(單位產(chǎn)值能源消費(fèi))、能源消費(fèi)結(jié)構(gòu)(一次能源消費(fèi))及固定資產(chǎn)投資項(xiàng)目新增能源消費(fèi)量等。根據(jù)各預(yù)測(cè)模型的優(yōu)勢(shì)比較分析，并結(jié)合上海能源消費(fèi)數(shù)據(jù)的特點(diǎn)，本文主要采用預(yù)測(cè)精度較高的時(shí)間序列法、人工神經(jīng)網(wǎng)絡(luò)法、情景分析法等單一方法構(gòu)建預(yù)測(cè)模型，并通過(guò)誤差絕對(duì)值的對(duì)比分析，最終確定構(gòu)建組合模型進(jìn)行預(yù)測(cè)，組合預(yù)測(cè)模型有效提高了單一模型的預(yù)測(cè)精度，擴(kuò)大了單一模型適用范圍，且涉及參考的因素指標(biāo)全面新穎、科學(xué)合理、方便快捷，適用于上海市工業(yè)能源消費(fèi)預(yù)測(cè)。

3 分解驅(qū)動(dòng)因素預(yù)測(cè)能源消費(fèi)

通過(guò)對(duì)上海市相關(guān)能源消費(fèi)監(jiān)測(cè)統(tǒng)計(jì)部門(mén)的調(diào)研學(xué)習(xí)及歷年數(shù)據(jù)整理分析得知：上海市工業(yè)能源消費(fèi)總量主要由3部分構(gòu)成，即工業(yè)企業(yè)能源消費(fèi)量E1、工業(yè)固定資產(chǎn)投資項(xiàng)目新增能源消費(fèi)E2以及通過(guò)產(chǎn)業(yè)結(jié)構(gòu)調(diào)整及節(jié)能技改能源消費(fèi)減少量E3。則可設(shè)上海市能源消費(fèi)總量主要構(gòu)成關(guān)系式：

E=E1+E2-E3

(1)

通過(guò)上式可知：將3部分能源消費(fèi)量通過(guò)不同方法逐一進(jìn)行預(yù)測(cè)分析，最終將各部分預(yù)測(cè)值通過(guò)式(1)聯(lián)立即可得出上海市工業(yè)能源消費(fèi)總量的預(yù)測(cè)結(jié)果。其中，預(yù)測(cè)上海市工業(yè)企業(yè)能源消費(fèi)E1采用ARIMA-BP神經(jīng)網(wǎng)絡(luò)組合預(yù)測(cè)模型；預(yù)測(cè)上海市工業(yè)固定資產(chǎn)投資項(xiàng)目新增能源消費(fèi)E2采用情景分析法；工業(yè)產(chǎn)業(yè)結(jié)構(gòu)調(diào)整及節(jié)能技改減少量E3可根據(jù)近10年上海市重點(diǎn)用能企業(yè)能源審計(jì)報(bào)告數(shù)據(jù)統(tǒng)計(jì)預(yù)算，綜合得出上海市工業(yè)能源消費(fèi)總量的預(yù)測(cè)結(jié)果。

3.1 工業(yè)企業(yè)能源消費(fèi)E1預(yù)測(cè)

通過(guò)實(shí)證分析構(gòu)建多個(gè)單一預(yù)測(cè)模型進(jìn)行初步預(yù)測(cè)，并利用模型組合法提高單一模型精確度，最終作出最優(yōu)化組合模型對(duì)上海市工業(yè)企業(yè)能源消費(fèi)E1進(jìn)行預(yù)測(cè)。

3.1.1時(shí)間序列法——ARIMA預(yù)測(cè)模型

自回歸移動(dòng)平均模型(ARIMA) 由美國(guó)統(tǒng)計(jì)學(xué)家Box和Jenkins于20世紀(jì)70年代提出。ARIMA模型(autoregressive integrated moving average model)被廣泛用于時(shí)間序列預(yù)測(cè)分析，其實(shí)質(zhì)是利用差分運(yùn)算將非平穩(wěn)時(shí)間序列轉(zhuǎn)化為平穩(wěn)時(shí)間序列，再建立ARIMA模型并進(jìn)行預(yù)測(cè)分析。在模型ARIMA(p，d，q) 中，p為自回歸階數(shù)，d為數(shù)據(jù)差分次數(shù)，q為移動(dòng)平均階數(shù)[15]。

ARIMA(p，d，q)模型的基本形式如下：

ΔdXt=Φ1ΔdXt-1+Φt-2ΔdXt-2+…+

ΦpΔdXt-p+εt+θ1εt-1+

θ2εt-2+…+θqεt-q

(2)

選取2000—2018年上海市工業(yè)能源消費(fèi)量作為隨機(jī)時(shí)間序列模型的樣本數(shù)據(jù)，將該序列數(shù)據(jù)導(dǎo)入Eviews 9.0中進(jìn)行處理，利用ARIMA(p，d，q)模型對(duì)上海市工業(yè)企業(yè)能源消費(fèi)E1進(jìn)行預(yù)測(cè)。

1) 序列平穩(wěn)性檢驗(yàn)

對(duì)時(shí)間序列進(jìn)行觀察，發(fā)現(xiàn)上海市工業(yè)能源消費(fèi)量有明顯的波動(dòng)趨勢(shì)，為非平穩(wěn)序列。通過(guò)對(duì)能源消費(fèi)量序列進(jìn)行一階差分處理，利用 ADF(augment dikey-fuller)方法進(jìn)行序列的單位根檢驗(yàn)，結(jié)果見(jiàn)表2。

表2 一階差分序列的ADF檢驗(yàn)

單位根檢驗(yàn)結(jié)果說(shuō)明非平穩(wěn)序列經(jīng)過(guò)一階差分后是平穩(wěn)的，因此可以對(duì)模型定階為d=1。即對(duì)一階差分以后的平穩(wěn)序列可以建立 ARMA(p，q)模型。

2) 模型識(shí)別與選擇

選擇AR(p)模型、MA(q)模型還是ARMA(p，q)模型，以及如何確定p、q值，通常利用自相關(guān)與偏自相關(guān)函數(shù)來(lái)識(shí)別。使用Eviews 9.0統(tǒng)計(jì)軟件對(duì)序列進(jìn)行自相關(guān)和偏自相關(guān)分析，結(jié)果見(jiàn)圖1。

圖1 一階差分序列自相關(guān)與偏自相關(guān)

在自相關(guān)圖中，系數(shù)顯著不為零的階數(shù)為1、4、5；偏自相關(guān)圖中，系數(shù)顯著不為零的階數(shù)為1、2。即通過(guò)對(duì)多個(gè) ARMA(p，q)模型的不斷嘗試比較，結(jié)果顯示 ARMA(4，2)模型自回歸及移動(dòng)平均部分系數(shù)最為顯著，AIC值相對(duì)較小，模型擬合效果良好。故可建立上海市工業(yè)能源消費(fèi)的ARIMA(4，1，2)模型，其參數(shù)估計(jì)結(jié)果見(jiàn)表3。

表3 差分序列模型的參數(shù)估計(jì)

3) 模型預(yù)測(cè)

運(yùn)用Eviews9.0軟件對(duì)ARIMA(4，1，2)模型進(jìn)行預(yù)測(cè)，由圖2可知模型不確定系數(shù)為0.4，即說(shuō)明上海市工業(yè)能源消費(fèi)ARIMA(4，1，2)預(yù)測(cè)模型擬合效果較好。

圖2 ARIMA(4，1，2)模型估計(jì)及預(yù)測(cè)

根據(jù)參數(shù)估計(jì)結(jié)果可得模型的口徑為

ΔXt=Φ1ΔXt-1+Φ2ΔXt-2+Φ3ΔXt-3+

Φ4ΔXt-4+εt+θ1εt-1+θ2εt-2

(3)

(1-B)Xt=-1.165 246(1-B)Xt-1+

0.017 732(1-B)Xt-2+

0.758 934(1-B)Xt-3+

0.232 667(1-B)Xt-4+

εt+1.954 687εt-1+

0.984 390εt-2

(4)

根據(jù)上式計(jì)算出上海市工業(yè)企業(yè)能源消費(fèi)ARIMA(4，1，2)模型在2000—2018年中的預(yù)測(cè)值和相對(duì)誤差絕對(duì)值，見(jiàn)表4。

表4 ARIMA(4，1，2)模型能源消費(fèi)預(yù)測(cè)

由ARIMA(4，1，2)模型預(yù)測(cè)結(jié)果可以發(fā)現(xiàn)：平均相對(duì)誤差絕對(duì)值為2.302%，擬合效果較好，精度較高。

3.1.2BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型

BP神經(jīng)網(wǎng)絡(luò)是指運(yùn)用誤差逆?zhèn)鞑?error back propagation)算法訓(xùn)練的多層前饋神經(jīng)網(wǎng)絡(luò)，基于梯度下降(gradient descent)策略，以目標(biāo)的負(fù)梯度方向?qū)?shù)進(jìn)行調(diào)整，是目前為止最成功且應(yīng)用最廣泛的神經(jīng)網(wǎng)絡(luò)算法[16]。神經(jīng)網(wǎng)絡(luò)由輸入層、一個(gè)或者多個(gè)Sigmoid隱層隱含層和輸出層3部分構(gòu)成，見(jiàn)圖3。隱藏層的存在使網(wǎng)絡(luò)可以呈現(xiàn)和計(jì)算更加復(fù)雜的關(guān)聯(lián)模式，人工神經(jīng)網(wǎng)絡(luò)的基本方法主要由網(wǎng)絡(luò)訓(xùn)練和測(cè)試兩部分組成。

圖3 BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型示意圖

本文選取2000—2018年上海市工業(yè)企業(yè)能源消費(fèi)量作為樣本數(shù)據(jù)，將該序列數(shù)據(jù)導(dǎo)入Matlab中進(jìn)行網(wǎng)絡(luò)訓(xùn)練，利用BP人工神經(jīng)網(wǎng)絡(luò)模型對(duì)上海市工業(yè)企業(yè)能源消費(fèi)進(jìn)行預(yù)測(cè)。

建立 BP神經(jīng)網(wǎng)絡(luò)模型可分以下幾步進(jìn)行：

1) 歸一化處理

歸一化處理可避免由于出入向量的物理意義和單位不同對(duì)BP神經(jīng)網(wǎng)絡(luò)產(chǎn)生影響。將輸入數(shù)據(jù)處理為區(qū)間[0，1]之間的數(shù)據(jù)，釆用公式：

(5)

2) 確定網(wǎng)絡(luò)層及輸入、輸出層神經(jīng)元數(shù)

BP神經(jīng)網(wǎng)絡(luò)是通過(guò)輸入層到輸出層的計(jì)算完成的。網(wǎng)絡(luò)層數(shù)越多需要的訓(xùn)練時(shí)間越多，而訓(xùn)練速度可通過(guò)增加隱含層節(jié)點(diǎn)個(gè)數(shù)來(lái)實(shí)現(xiàn)，因此選取含一個(gè)隱含層的3層神經(jīng)網(wǎng)絡(luò)即可。

輸入、輸出層神經(jīng)元數(shù)與樣本緊密相關(guān)，本文利用x(i-1)，x(i-2)，…，x(i-k)的信息預(yù)測(cè)i時(shí)刻的值，則輸出層神經(jīng)元數(shù)為1；通過(guò)確定其他參數(shù)值，獲得輸入層神經(jīng)元數(shù)為5，分別為上海市經(jīng)濟(jì)水平、產(chǎn)業(yè)結(jié)構(gòu)、能源強(qiáng)度、能源結(jié)構(gòu)、四大高載能行業(yè)能源消費(fèi)情況。

3) 確定隱含層神經(jīng)元數(shù)

隱含層中神經(jīng)元數(shù)的確定，關(guān)系到模型是否能夠有效完成映射。在建模時(shí)，首先根據(jù)公式初步確定隱含層神經(jīng)元個(gè)數(shù)，然后對(duì)不同神經(jīng)元數(shù)的網(wǎng)絡(luò)進(jìn)行訓(xùn)練對(duì)比誤差大小來(lái)確定隱含層的神經(jīng)元數(shù)。通用的隱含層神經(jīng)元數(shù)的確定經(jīng)驗(yàn)公式為：

(6)

式中：i為隱含層神經(jīng)元的個(gè)數(shù)，n為輸入層神經(jīng)元的個(gè)數(shù)，m為輸出層神經(jīng)元的個(gè)數(shù)，a為常數(shù)且1

表5為選取不同神經(jīng)元個(gè)數(shù)時(shí)，對(duì)應(yīng)MSE值的變化。從表中可知：最優(yōu)隱含層神經(jīng)元數(shù)為12個(gè)。

表5 不同隱含層賦值時(shí)的均方誤差

4) 確定傳遞函數(shù)、訓(xùn)練函數(shù)

按照BP網(wǎng)絡(luò)的一般設(shè)計(jì)準(zhǔn)則，由于輸入數(shù)據(jù)已經(jīng)歸一化到[0，1]區(qū)間，因此，中間層神經(jīng)元的傳遞函數(shù)為S型對(duì)數(shù)函數(shù)logsig，而輸出層神經(jīng)元?jiǎng)t釆用線性傳遞函數(shù)purelin。訓(xùn)練函數(shù)采用常用的Levenberg-Marquardt BP訓(xùn)練函數(shù)trainlm。

此時(shí)，構(gòu)成的神經(jīng)網(wǎng)絡(luò)如下：

net=newff(minmax(訓(xùn)練樣本數(shù)據(jù))，{logsig，purelin}，‘trainlm’)

根據(jù)構(gòu)建的BP神經(jīng)網(wǎng)絡(luò)在Matlab軟件中的循環(huán)迭代計(jì)算可得2000—2018年上海市工業(yè)能源消費(fèi)的擬合值與相對(duì)誤差絕對(duì)值，見(jiàn)表6。

表6 BP神經(jīng)網(wǎng)絡(luò)模型預(yù)測(cè)

由BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)結(jié)果表明：平均相對(duì)誤差絕對(duì)值為1.811%，擬合效果較好、精度較高。將2015—2018年上海工業(yè)能源消費(fèi)作為檢驗(yàn)數(shù)據(jù)，運(yùn)用BP神經(jīng)網(wǎng)絡(luò)模型進(jìn)行預(yù)測(cè)，其實(shí)際值與擬合值，見(jiàn)圖4。

圖4 Matlab擬合2015—2018年檢驗(yàn)數(shù)據(jù)效果

3.1.3ARIMA-BP神經(jīng)網(wǎng)絡(luò)組合預(yù)測(cè)模型

ARIMA-BP神經(jīng)網(wǎng)絡(luò)組合預(yù)測(cè)模型是將ARIMA模型與BP神經(jīng)網(wǎng)絡(luò)模型預(yù)測(cè)值采用變權(quán)重組合法，并根據(jù)單一模型各自預(yù)測(cè)的優(yōu)點(diǎn)進(jìn)行互補(bǔ)組合，其精度優(yōu)于單一預(yù)測(cè)模型。變權(quán)重組合預(yù)測(cè)法是對(duì)較精確的預(yù)測(cè)值賦予較大的權(quán)重，對(duì)精度較低的賦予較小的權(quán)重。標(biāo)準(zhǔn)差運(yùn)算公式如下：

(7)

其中，ωi為模型i的權(quán)重；σi為模型i的預(yù)測(cè)誤差的標(biāo)準(zhǔn)差；n為組合模型的個(gè)數(shù)。

通過(guò)計(jì)算得到ARIMA(4，1，2)預(yù)測(cè)模型的標(biāo)準(zhǔn)差σ1為0.7957%，對(duì)應(yīng)權(quán)重ω1=0.486 3；BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型的標(biāo)準(zhǔn)差σ2為0.753 1%，對(duì)應(yīng)權(quán)重ω2=0.513 7。

根據(jù)權(quán)重建立組合預(yù)測(cè)模型：

Y=ω1y1+ω2y2=0.486 3y1+0.513 7y2

(8)

將ARIMA模型和BP神經(jīng)網(wǎng)絡(luò)模型所對(duì)應(yīng)的預(yù)測(cè)值y1和y2分別代入公式，即可得到ARIMA-BP神經(jīng)網(wǎng)絡(luò)組合模型預(yù)測(cè)值，見(jiàn)表7。

比較表4、6、7可知：采用ARIMA-BP神經(jīng)網(wǎng)絡(luò)組合模型預(yù)測(cè)方法得到的2000—2018年上海工業(yè)企業(yè)能源消費(fèi)預(yù)測(cè)結(jié)果的平均相對(duì)誤差最小。因此，可認(rèn)為采用ARIMA-BP神經(jīng)網(wǎng)絡(luò)組合模型預(yù)測(cè)結(jié)果具有較高的精度，是最為有效的預(yù)測(cè)方法。

表7 ARIMA-BP神經(jīng)網(wǎng)絡(luò)組合模型預(yù)測(cè)

為了對(duì)2019—2025年上海工業(yè)企業(yè)能源消費(fèi)趨勢(shì)進(jìn)行綜合預(yù)測(cè)，根據(jù)組合預(yù)測(cè)模型，首先采用前面兩種單一的預(yù)測(cè)方法進(jìn)行預(yù)測(cè)，再根據(jù)各個(gè)預(yù)測(cè)方法的權(quán)重值進(jìn)行加權(quán)平均，最終得到綜合預(yù)測(cè)值，見(jiàn)表8。

表8 上海工業(yè)企業(yè)能源消費(fèi)綜合預(yù)測(cè) 萬(wàn)噸標(biāo)準(zhǔn)煤

3.2 工業(yè)固定資產(chǎn)投資項(xiàng)目能源消費(fèi)E2預(yù)測(cè)

本節(jié)利用情景分析法預(yù)測(cè)固定資產(chǎn)投資項(xiàng)目新增能源消費(fèi)量E2。采用情景分析方法，根據(jù)經(jīng)驗(yàn)規(guī)律等定性分析；定量分析為定性分析提供判據(jù)，從定性與定量角度相結(jié)合進(jìn)行預(yù)測(cè)。

3.2.1定性分析層面

固定資產(chǎn)投資項(xiàng)目能源消費(fèi)數(shù)據(jù)具有延遲性特點(diǎn)。例如，2017年投產(chǎn)的“XXX固定資產(chǎn)投資項(xiàng)目”申報(bào)預(yù)計(jì)新增能源消費(fèi)為10萬(wàn)噸標(biāo)準(zhǔn)煤，該10萬(wàn)噸標(biāo)準(zhǔn)煤能源消費(fèi)不僅在2017年當(dāng)年產(chǎn)生，應(yīng)記為從投產(chǎn)時(shí)間起至項(xiàng)目穩(wěn)定運(yùn)行年內(nèi)共產(chǎn)生的新增能源消費(fèi)。因此，為精準(zhǔn)預(yù)測(cè)未來(lái)固定資產(chǎn)投資項(xiàng)目每年的新增能源消費(fèi)量，需綜合考慮固定資產(chǎn)投資項(xiàng)目的投產(chǎn)起始時(shí)間、累計(jì)年等影響因素，找出內(nèi)在關(guān)聯(lián)關(guān)系規(guī)律，根據(jù)主觀經(jīng)驗(yàn)并結(jié)合定量關(guān)系式進(jìn)行預(yù)測(cè)。

3.2.2定量分析層面

總結(jié)、歸納多年固定資產(chǎn)投資項(xiàng)目能源消費(fèi)數(shù)據(jù)特點(diǎn)及規(guī)律，因此將固定資產(chǎn)投資項(xiàng)目自投產(chǎn)時(shí)間至達(dá)到穩(wěn)定運(yùn)行年限設(shè)置為3年，并結(jié)合近3年的擾動(dòng)因素，設(shè)置權(quán)重系數(shù)分別為0.2、0.5、0.3。如圖5所示，即將單一固定資產(chǎn)投資項(xiàng)目新增能源消費(fèi)自投產(chǎn)年起按20%、50%、30%的比例進(jìn)行分?jǐn)傇僮骼奂訁R總，進(jìn)而對(duì)未來(lái)上海市工業(yè)固定資產(chǎn)新增能源消費(fèi)量進(jìn)行預(yù)測(cè)。

圖5 情景預(yù)測(cè)定量分析

由以上方法對(duì)2019—2025年上海市工業(yè)固定資產(chǎn)投資項(xiàng)目新增能源消費(fèi)進(jìn)行預(yù)測(cè)，結(jié)果見(jiàn)表9。

表9 固定資產(chǎn)投資項(xiàng)目新增能源消費(fèi)預(yù)測(cè) 萬(wàn)噸標(biāo)準(zhǔn)煤

3.3 產(chǎn)調(diào)及節(jié)能技改能源消費(fèi)E3預(yù)測(cè)

產(chǎn)調(diào)是指調(diào)整和優(yōu)化產(chǎn)業(yè)結(jié)構(gòu)，通過(guò)淘汰落后產(chǎn)能，增強(qiáng)產(chǎn)業(yè)層次和技術(shù)水平，進(jìn)一步提高能源利用效率的過(guò)程。

節(jié)能技改即為節(jié)能技術(shù)改造，節(jié)能、節(jié)水、節(jié)材環(huán)保及資源綜合利用等技術(shù)開(kāi)發(fā)、應(yīng)用及設(shè)備制造的鼓勵(lì)項(xiàng)目，是優(yōu)化能源結(jié)構(gòu)，促進(jìn)節(jié)能減排，加快建設(shè)資源節(jié)約型社會(huì)的需要。主要節(jié)能技術(shù)有電機(jī)系統(tǒng)節(jié)能、工業(yè)鍋爐窯爐節(jié)能、生產(chǎn)工藝改進(jìn)、能量系統(tǒng)優(yōu)化、余熱余壓利用、綠色照明、新能源與可再生能源以及管理節(jié)能。

根據(jù)近10年上海市重點(diǎn)用能企業(yè)能源審計(jì)報(bào)告統(tǒng)計(jì)分析，預(yù)計(jì)上海市工業(yè)產(chǎn)業(yè)結(jié)構(gòu)調(diào)整每年減少能源消費(fèi)10萬(wàn)噸標(biāo)準(zhǔn)煤，節(jié)能技改項(xiàng)目每年減少能源消費(fèi)15萬(wàn)噸標(biāo)準(zhǔn)煤，即產(chǎn)調(diào)及技改減少能源消費(fèi)量E3每年約為25萬(wàn)噸標(biāo)準(zhǔn)煤。

綜上所述，綜合考慮工業(yè)企業(yè)能源消費(fèi)、固定資產(chǎn)投資項(xiàng)目新增能源消費(fèi)以及通過(guò)產(chǎn)調(diào)技改減少能源消費(fèi)量的三方面能源消費(fèi)驅(qū)動(dòng)因素，根據(jù)公式

E=E1+E2-E3

(1)

最終確定“十三五”后期及“十四五”全市工業(yè)能源消費(fèi)總量，見(jiàn)表10。

表10 上海市工業(yè)能源消費(fèi)總量預(yù)測(cè)值 萬(wàn)噸標(biāo)準(zhǔn)煤

根據(jù)預(yù)測(cè)結(jié)果，結(jié)合歷史工業(yè)能源消費(fèi)作時(shí)序圖。由圖6顯示，“十三五”后期上海市工業(yè)能源消費(fèi)總量會(huì)稍有增長(zhǎng)，預(yù)測(cè)至2020年達(dá)到5 153.51萬(wàn)噸標(biāo)準(zhǔn)煤；“十四五”時(shí)期將逐年呈下降趨勢(shì)，但其增速保持穩(wěn)定，預(yù)測(cè)至2025年上海市工業(yè)能源消費(fèi)總量為5 018.92萬(wàn)噸標(biāo)準(zhǔn)煤。

圖6 上海市工業(yè)能源消費(fèi)總量趨勢(shì)預(yù)測(cè)

4 結(jié)論

為完成“十三五”后期及“十四五”時(shí)期上海工業(yè)綠色發(fā)展“雙控”目標(biāo)，有必要準(zhǔn)確預(yù)測(cè)未來(lái)幾年上海工業(yè)能源消費(fèi)總量。本文綜合考慮上海工業(yè)能源消費(fèi)的各方面影響因素，首次以固定資產(chǎn)投資項(xiàng)目及產(chǎn)調(diào)技改能源消費(fèi)角度為預(yù)測(cè)思路，并利用驅(qū)動(dòng)因素分解的新思想主導(dǎo)全文的預(yù)測(cè)分析；涉及采用了情景分析預(yù)測(cè)方法、時(shí)間序列預(yù)測(cè)方法、BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)及組合預(yù)測(cè)共4種預(yù)測(cè)模型構(gòu)建上海市能源消費(fèi)總量預(yù)測(cè)模型，模型應(yīng)用多樣化，進(jìn)而得出了“十三五”及“十四五”時(shí)期的上海市工業(yè)能源消費(fèi)總量的需求趨勢(shì)走向。此外，通過(guò)對(duì)上海市相關(guān)能源消費(fèi)監(jiān)測(cè)統(tǒng)計(jì)部門(mén)的調(diào)研學(xué)習(xí)，使本文數(shù)據(jù)資料真實(shí)可靠、方法思路有據(jù)可依，將理論算法模型與實(shí)際應(yīng)用結(jié)合分析，具有一定的實(shí)際適用性價(jià)值。

預(yù)測(cè)趨勢(shì)表明：“十三五”后期上海市工業(yè)能源消費(fèi)呈增長(zhǎng)趨勢(shì)，但增速較為平緩；進(jìn)入“十四五”時(shí)期，由于上海能源形勢(shì)的轉(zhuǎn)變及產(chǎn)業(yè)結(jié)構(gòu)不斷優(yōu)化等多方面因素，預(yù)測(cè)上海工業(yè)能源消費(fèi)將進(jìn)一步放緩。預(yù)測(cè)結(jié)果顯示：利用驅(qū)動(dòng)因素分解構(gòu)建的組合模型影響因素考慮全面，相對(duì)誤差小具有較高的精度，適用于上海市工業(yè)能源消費(fèi)預(yù)測(cè)。因此，本文預(yù)測(cè)方法也為能源消費(fèi)需求預(yù)測(cè)以及理論預(yù)測(cè)方法的改進(jìn)提供了一種新的思路，具有相對(duì)的合理性及良好的可推廣性。