基于lmdi―ann―dea集成方法的我国能源消费评价与优化研究

《基于lmdi―ann―dea集成方法的我国能源消费评价与优化研究》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LMDI—ANN—DEA集成方法的我国能源消费评价与优化研宄摘要：文章利用LMDI-ANN-DEA集成方法对1980-2014年我国能源消费进行了评价和预测，得到优化的节能潜力。LMDI模型的分解发现，我国能源消耗增加主要是由于经济迅速发展引起的，能源强度因素对能源消耗具有显著负向效应，经济结构对降低能耗的作用不明显。进一步利用ANN模型和DEA模型对我国能源消费及节能潜力进行预测和优化。得出结论，1980年以来，我国年平均可节约能源495万吨标准煤，尤其是2010—2014年间平均可节约的能源为1166万吨标准煤

2、，可通过能源管理来深入挖掘这部分节能潜力。关键词：LMDI；ANN；DEA；能源管理；节能潜力中图分类号：F206文献标志码：A文章编号：1001-862X04-0077-006、引言近年来，我国经济迅猛发展。据统计，2014年我国的GDP总量为64万亿元，占全球GDP的12.3%,成为世界上第二个GDP突破10万亿美元的国家。经济快速发展带来的是能源消费的快速增长，2014年我国能源消费总量为38.4亿吨标准煤，占世界总能源消费的21.5%。我国经济的迅速发展是由巨大的能源消费驱动的，因此也出现了一系列的问题。我国曾

3、是世界上最大的煤炭出口国，占世界产量的一半，但从2011年起我国超过日本成为第一煤炭进口国。我国近年来虽一直努力减少碳排放，但年碳排放量己超过100亿吨，占世界的29%，是世界最大的碳排放国。这些数据都表明，我国虽在节能减排方面取得了一系列成就，但更进一步的节能减排工作仍势在必行。为增强能源自主保障能力，推进能源消费革命，我国制定了《能源发展战略行动计划》。《行动计划》指出，应大力推进能源消费革命，严格控制能源消费过快增长，着力实施能效提升计划。因此，深入研宄我国的节能潜力是非常有意义的。很多学者从经济活动、结构与能源

4、效率等视角研宄能源消费的影响因素。多数研究认为经济活动和经济结构对能源消耗有显著影响，而Gonzalez等对欧盟能源消耗的研究则发现，能耗减少最主要的驱动因素是能源强度的变化，经济结构变化的影响因素不甚明显。[8]—些学者从区域、行业等视角研究了我国的节能潜力。[9]-[11]然而，很少有学者从综合视角研究能源消耗的影响因素并测算节能潜力。Olanrewaju和Jimoh等运用一种集成方法分析了加拿大15个工业行业的能源消费，通过对历史能耗数据进行计算和分析，预测和优化加拿大工业部门的能源效率，得到比单一利用IDA、A

5、NN和DEA方法更令人满意的结果。[12]促进能源节约可以有不同的策略，具体包括管理驱动的能源节约、技术推动的能源节约、通过政策与规章制度强制的能源节约等。其中，能源管理指为满足必要的能源需求所采取的策略，可以通过优化和规范高耗能的生产过程、降低单位产出的能源消费来实现，同时保持甚至降低生产总成本。通过分析历史数据，研究在不影响生产的情况下如何减少能源消耗是能源管理的一个重要方面。本文借鉴Olanrewaju和Jimoh等的方法，对我国六大产业部门的能源消费进行分析、预测和优化，以分析能源管理驱动的节能潜力，并令榻谀芄

6、芾硖峁」丁秽令二、LMDI-ANN-DEA集成模型集成模型框架本研究利用一个基于LMDI-ANN-DEA的集成方法，分析和优化我国各经济部门的能源消费驱动因素和能源效率。首先利用IDA和ANN方法对我国各部门的历史能耗数据进行分析，找出影响能源消费的关键因素，并得到能源消耗预测值，然后利用DEA方法对各部门的能源消费进行优化，通过敏感性分析计算我国能源管理驱动的节能潜力。集成模型可以归纳为以下几步：1.利用LMDI分析我国能源消耗的影响因素，评价经济活动、经济结构和能源强度因素对各产业部门能源消费变化的贡献。1.用AN

7、N模型对能源消费进行训练，得到理论上的能源消费值，并验证ANN的预测结果。其中，以经济活动、经济结构和能源强度作为ANN的输入指标，以能源消费作为ANN的输出指标。2.通过DEA模型对实际能耗与能源消费预测值进行优化评价，计算最优能源消耗值，得到我国能源管理驱动的节能潜力。3.提出能源消费优化的建议。LMDI模型利用LMDI模型研宄影响能源消费的因素，需要了解各种潜在因素对于能源消费变化的贡献率。一般情况下，影响能源消费的主要因素有经济活动、经济结构和能源强度。假设Et代表第t年能源消费总量，Ei代表第i个部门的能源消

8、费量，Q表示国内生产总值，Qi表示第i个部门的产值，Si为第i个部门的产业结构，Ii为第i个部门的能源强度。能源消耗的指数分解公式如式所示：人工神经网络模型ANN人工神经网络方法被广泛运用于能源需求预测。人工神经网络训练样本的过程是使得输出值和观测值之间的误差尽可能小，将目标函数设为使能源消费预测值和观测之间的均方差最小的函数，如