基于arma模型对我国能源消费增长速度实证探究

《基于arma模型对我国能源消费增长速度实证探究》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、基于ARMA模型对我国能源消费增长速度实证探究　　【文章摘要】在全球能源危机与我国经济结构调整的大背景下，探究现阶段我国能源消费的增长情况，并运用模型合理预测其发展趋势，显得格外重要。本文对1983-2012年我国的能源消费增长速度数据构建ARMA（2，0）模型，发现我国能源消费增长速度很大程度上取决于其自身的惯性，并对其进行短期预测，探析我国未来十年内能源消费增长趋势。【关键词】能源消费；ARMA模型；实证研究0引言5众所周知，我国的经济增长、社会进步与其能源产业的强有力支撑密不可分。分，2012年我国能源消费总量达到36.5亿吨标准

2、煤，均居世界第一。我国已成为世界能源的消费大国。能源在我国经济发展中占有非常重要的地位，随着国民经济的高速增长，能源供给已难以满足日益增长的需求，瓶颈约束造成了能源供给的短缺和价格的上涨等问题。基于此，我国如果要实现我国经济的健康可持续发展，同时做到保护环境、保护自然，预测和控制能源消费是一个重要的手段。做好能源消费预测，使其满足经济发展需要，对于我国经济建设和构建和谐环境有着重要的现实意义。1文献回顾刘勇、汪旭晖（2007）指出能源影响我国社会经济的稳定持续发展，准确预测未来能源消耗具有重要意义。以我国1978—2005年能源消费总量

3、，运用ARIMA模型进行能源消费的预测，达到了最小方差意义下的最优预测的效果。同时，对我国未来的能源发展给出了由开发与节能并重转变为节能优先的政策性建议。张峰、刘伟（2008）通过构建ARIMA（1，2，1）模型，对北京市2007-2015年能源消费进行短期预测，得出北京市未来能源消费呈加快增长态势。这对于北京市建设资源节约型和环境友好型城市的目标是一大挑战。并提出倡导全面节能观念、完善能源供应体系、实现多元化能源消费、建立以价格杠杠和市场为导向的长效节能机制等建议。2ARMA模型的构建与分析为探究我国能源消费增长情况，在广泛参考前人研

4、究成果的基础上，本文选取我国能源消费增长速度（RE）作为数据基础和研究对象。数据来源为2012统计年鉴，数据客观真实，符合研究要求。2.1序列RE的特征分析利用HP5滤波时间序列方法得出RE序列的趋势图，序列RE从整体上是看波动比较随机，没有明显的趋势，但是有局部的观测值数值较大，该序列可能不平稳，因此进一步对序列RE进行平稳检验。本文选择用仅含截距项的模型进行ADF检验序列RE的平稳性，结果显示ADF检验统计量的伴随概率值为0.019，小于5%的显著性水平，因此拒绝原假设，即认为序列RE是平稳的，符合利用ARMA模型的前提条件。2.2

5、ARMA模型的识别本文欲对序列RE建立ARMA（p，q）模型，在估计模型之前需确认模型的形式，可通过分析序列的自相关函数和偏自相关函数来识别，结果显示序列RE的自相关函数和偏自相关函数随着滞后阶数的增加而逐渐衰减，其中一阶偏自相关系数和一阶自相关系数都明显超过2倍标准差范围。运用拖尾与截尾方法确定p与q值的可能取值，经判断可以尝试考虑建立ARMA（2，1）、ARMA（1，1）、ARMA（1，0）和ARMA（2，0）模型，然后再根据相关准则来比较判断，进而选择最优模型。2.3模型建立与估计本文中运用1983至2011年的数据进行建模，然后

6、利用剩余数据对模型进行检验。对模型ARMA（2，1）、ARMA（1，1）、ARMA（1，0）、ARMA（2，0）和分别进行估计，四个模型的后多项式的倒数根在单位圆内，符合基本要求，进一步地对比四个模型的检验统计量和检验标准，实证结果经汇总，如下表所示：5从表1可以看出，四个模型的F统计量都通过显著性检验。但ARMA（2，1）中的t统计量不显著，因此排除第一种模型。从模型的整体拟合效果来看，调整后的拟合优度都相差不多。AIC、SC两种判别准则都是要求数值越小越好，相比起来，第四个模型的结果最优，因此本文选用模型ARMA（2，0）进行预测。

7、ARMA（2，0）模型的结果为：因此，该ARMA（2，0）模型的口径为：因此说明，序列RE的当期值受到滞后一期和滞后二期的共同影响，因此可以推断，当前我国能源消费增长速度在很大程度上依赖于其过去的增长惯性。2.4残差检验5由于DW检验适用于检验无滞后解释变量模型的残差自相关性。因此，需用LM检验准确判断残差项是否存在自相关，一阶自相关检验的结果显示：LM的检验统计量Obs*R-squared=2.348119，其伴随概率值为0.3091，因此不能拒绝原假设：残差序列不存在一阶序列自相关，即认为该模型的残差不存在序列自相关。由于残差不存在

8、一阶自相关，因此认为残差也不存在高阶自相关，故可判定该模型是有效的。另外运用Q统计量检验对模型进行白噪声检验，结果显示残差序列的样本自相关函数都在95%的置信区域以内，且Q统计量的显著性水平大于5%，不能拒